微软/阿里/商汤等计算机视觉算法实习面经

Github面经详细
知乎专栏

一、概述

岗位：计算机视觉算法岗
题目：凭记忆整理；
侵权：如果侵犯公司隐私，请告知删除；
个人：跨专业菜鸟一枚，只是给大家提供一些参考，面试题目只是部分，有些可能忘记了。
总体情况：
面试13家，可以算是8中6，另外5家或是不想继续面了或是可以拿offer时间不合适。
offer（6个）： 微软、阿里、商汤、海康、华为、平安科技offer
时间不合适（2个）：搜狗、Intel研究院
不想继续面（3个）：腾讯、滴滴、第四范式
hr面后没消息（1个）：旷视
二面挂（1个）：头条AI Lab检测组

二、面经

1.搜狗杭州cv岗

结果：需要六个月实习，去不了
全程50分钟，无传统算法题。
根据记忆，大概有如下一些问题。
（1）介绍一下前一段实习
简单介绍了一下目标检测的实习经历
（2）目标检测two-stage模型
RCNN–>SPPNet–>Fast RCNN–>Faster RCNN–>RFCN–>DCN–>DCNv2
其中重点问了selective search和RPN，另外每个的创新点需要讲一下。
（3）目标检测one-stage模型
YOLO系列、SSD、RefineDet
yolo和ssd区别
（4）resnet和densenet及其区别
（5）Inception系列的演化
（6）BN的原理和实现细节，其中均值和标准差的计算，以及训练和测试时分别怎么用
（7）Focal loss
（8）小目标检测用什么方法
（9）mobilenet
（10）项目和比赛的某些细节
（11）coco冠军方案

2.头条AI lab

开始以为头条就一个nlp类型的公司，拿来练手了，也是心大，第一天投，第二天就面试了，就刷了个位数的题，手撕代码虽然很简单，结果依然很惨。自然是一周内凉凉，后来又被另一个组捞，但是二面后告知对方不想做非检测方向，就结束了。

2.1 一面（1小时）

（1）算法：x的n次方（x任意，n自然数）
（2）算法：链表排序
（3）目标检测sota模型
（4）多标签不平衡怎么处理
（5）改善nms
iou-guided-nms:iounet
soft-nms
softer-nms
（6）改善rpn
（7）rfbnet
Receptive Field Block
模拟人类视觉的感受野加强网络的特征提取能力，在结构上RFB借鉴了Inception的思想，主要是在Inception的基础上加入了dilated卷积层（dilated convolution），从而有效增大了感受野（receptive field）
（8）coco冠军方案

2.2 二面（1小时）

（1）介绍实习
（2）目标检测模型发展
（3）深度可分离卷积
（4）focal loss
（5）Densenet，有没有改进模型
（6）多标签/多任务不平衡怎么处理
（7）two-stage为什么效果更好
（8）算法：螺旋打印二维数组

3. 平安科技

结果：offer
（1）相同层数，densenet和resnet哪个好，为什么densenet更好
（2）激活函数
（3）损失函数
（4）数字图像处理，各种滤波
（5）focal loss
（6）深度可分离卷积
（7）k折交叉验证
（8）模型融合，adaboost

4. 第四范式

结果：一面写两道算法题，面试官说写的不错，但是我问面试官怎么看待第四范式毁约应届生，可能因为这个没给二面机会吧，不过我当时心情不怎么好，这样问确实有点不太妥，毕竟跟面试官也没什么关系。
（1）按照字母顺序删除指定数目的字母
case：
input：
abcdabcd 4
output：
cdcd
（2）给定数字n，输出循环三角形
case：
input
5
output：
1
2 12
3 13 11
4 14 15 10
5 6 7 8 9

5.海康威视

offer
一面电面，二面现场上机。

5.1 一面

（1）自我介绍
（2）人脸属性SOTA模型
（3）实验室科研项目
（4）天池比赛
（5）kaggle比赛
（6）为什么选择densenet
（7）kaggle比赛阈值
（8）实习内容
（9）refinedet和rfcn-dcn
（10）二叉树的深度
（11）排序，快排、堆排序
（12）深拷贝和浅拷贝

5.2 二面

（1）算法：爬楼梯
（2）算法：连续子数组的最大和
（3）算法：最长不重复子串
（4）C++：继承与多态
（5）C++：指针与引用的区别
（6）数组和链表

6.商汤科技

research offer
强推一下商汤，面试官和hr都超级nice

6.1 一面/二面

（1）自我介绍
（2）实验室项目
（3）mask rcnn
roialign
（4）refinedet
（5）rfcn-dcn
（6）分类loss函数
（7）传统机器学习
logistic回归
svm
boosting/bagging
（8）数据预处理
（9）处理不平衡的方法
（10）ssd和yolo对比
（11）retinanet
（12）算法：二叉树路径和为给定值
（13）算法：一个数组，其他数出现两次，另一个出现一次，找出；
改进：另两个出现一次
（14）算法：链表中倒数第k个结点
（15）概率：圆上任意三个点组成的三角形，包含圆心的概率
（16）gan
（17）分布式，多卡使用
（18）什么框架
dataloader，dataset，sampler关系
（19）创新的想法
（20）天池比赛的思路
（21）实习内容

7. 旷视一面/二面/三面

hr加了微信，三面后第二天还微信问了一堆，然后说综合评估，然后就没有然后了，感觉略坑，都这样了，挂了发个邮件也好，这方面头条就做的很好。
（1）说一下nms
（2）人脸和身体一起检测，怎么处理
（3）目前目标检测存在的问题，以及你的解决思路
（4）人脸检测
（5）算法：逆序对
（6）概率：x，y，z都是（0，1）均匀分布，x+y+z<1的概率

8.滴滴一面

主要看下是不是对分类、检测、分割等各种方向是不是都比较熟悉，可能是需要全栈做项目
感觉我也没兴趣，对方也没兴趣，不知道什么状态。

9.微软小冰

二面两周左右问了面试官小姐姐说没挂，在综合评估，本来以为挂了。
结果过了一个来月收到电话，offer
可能是我说了入职时间六月份，现在感觉时间差不多了。
微软的面试官真的很nice。

9.1 一面

（1）人脸属性的任务，方法
（2）天池
（3）kaggle
（4）目标检测
（5）n个文件（海量文件），查找和排序，二分查找时间复杂度
归并排序，二分查找

9.2 二面

（1）算法：一个数组里面是股票值，求什么时候购买和卖出，收益最大。
一个数记录最大差，一个记录最小元素，遍历一次即可
（2）算法：最长连续公共子串
dp
（3）知道哪些cv任务
分类/检测/分割/姿态/GAN/VAE/caption等
（4）卷积/池化/全连接层/BN等组件
IN/GN等
（5）激活函数
（6）优化器
（7）mAP的概念

10.阿里云

offer

10.1 一面/二面

（1）多任务和多标签
（2）传统机器学习，svm，boosting，bagging，随机森林
bagging和随机森林的区别
（3）属性任务不平衡
（4）目标检测存在的问题
小目标，怎么解决
遮挡，怎么解决

10.2 三面

（1）属性任务实际应用
（2）目标检测实际应用
（3）属性任务创新之处
（4）天池创新
（5）目标检测精度
（6）属性任务提升思路

10.3 四面/交叉面

（1）深度神经网络和深度学习区别
（2）深度学习为什么比机器学习好
（3）各种排序算法，快排时间复杂度，时间复杂度推导，
时间复杂度O(n)的排序算法
（4）detection两阶段阈值，有什么好方法
（5）目标检测有什么改进
（6）目标检测实习调参

10.4 HR面

（1）自我介绍
（2）实习
（3）个人规划
（4）希望做研究还是工程
（5）实习中有没有和人发生争执
跟产品经理撕么哈哈哈
（6）遇到的困难
（7）给你项目怎么规划
（8）有没有论文

11. 腾讯一面

被cdg广告部门捞简历，想继续做检测，拒面了。

12. Intel北京研究院

这个是日常实习，告诉面试官只能暑期，他坚持面一下。
也是超级nice的面试官，感觉好像外企面试官都很好，当然国内一些公司比如商汤阿里的部分面试官也很好。
讨论很有深度，也很舒服，感觉双方都比较满意。
说如果想去实习可以提前一个月联系。
（1）介绍自己的科研和实习经历
（2）实习用的模型
具体达到的recall和precision
（3）weighted sample和focal loss
（4）人脸属性sota模型
（5）天池模型改进的解释
（6）解决不平衡的思路
（7）train，val，test
过拟合，怎么调参
（8）如果训练集不平衡，测试集平衡，直接训练和过采样欠采样处理，哪个更好
（9）softmax
（10）F1 score是 alpha =1，那么alpha取其他值什么含义

13. 华为终端

参考我的这篇文章
橙煦猿：20届华为勇敢星实习面试记录