备战秋招——CV方向算法工程师笔试题集锦（持续更新）（含机器学习内容）

1.（来源：百度2019校招计算机视觉方向问答题合集）

关于K-means聚类算法，请回答以下问题： 

1) K-means是有监督聚类还是无监督聚类？（2分） 

2) 写出将N个样本（X=(x1,…,xN)）聚成K类的K-means聚类算法的优化目标函数。（6分） 

3) 请用伪代码写出聚类过程。（8分） 

4) 假设样本特征维度为D，请描述Kmeans算法时间复杂度。（4分）

Answer:

1) 无监督聚类。

2) 其中K为分类数，为第i个中心，为第i个cluster点的集合，dist表示距离函数，如欧式距离。

3) 初始化：从N个样本中随机选择K个作为初始聚类中心；

    For t=1:T（此处，T为最大迭代次数） 

    将N个样本按距离最近原则分配给K个聚类中心； 

    迭代更新聚类中心； 

    如果达到终止条件，如全部样本归类无变化，或者样本点到聚类中心的平均距离变化率较低，则退出

4）时间复杂度：TNKD 其中T为迭代次数、N为样本个数，K为聚类中心数目，D为样本维度

2.（来源：百度2019校招计算机视觉方向问答题合集）

目前通过卷积神经网络进行检测的方法主要分为one-stage和two-stage，分别写出了解的对应的算法。 

在共性上两类检测算法有哪些差异？

Answer:

One-stage：yolov1、yolov2、yolov3、SSD、RetinaNet（2分） 

Two-stage：Fast R-CNN、Faster R-CNN（2分） 

Two-stage检测算法的共性，以faster r-cnn为例，使用了复杂的网络用于每个候选区域的分类和回归；ROI pooling后的feature channels数目较大，导致内存消耗和计算量都比较大。 

One-stage检测算法的共性，从网络结构上看只是多分类的rpn网络，相当于faster rcnn的第一阶段，因此one-stage主要的优势是速度快。其预测结果是从feature map回归出目标的位置及分类，有的也采用了anchor的概念。而two-stage对上述结果进行roi pooling后会进一步细化，因此two-stage算法检测精度一般相对较高。还有一种观点是，two-stage的rpn部分相当于做了正负样本均衡，这也是two-stage检测效果相对较好的一个原因。one-stage算法对小目标检测效果较差，如果所有的anchor都没有覆盖到这个目标，那么这个目标就会漏检。如果一个比较大的anchor覆盖了这个目标，那么较大的感受野会弱化目标的真实特征，得分也不会高。two-stage算法中的roi pooling会对目标做resize, 小目标的特征被放大，其特征轮廓也更为清晰，因此检测也更为准确。