面试字节跳动计算机视觉算法实习岗位

项目场景：

收到了字节跳动计算机视觉算法实习生-抖音职位的面试。

---

面试问题：

1.首先HR让自我介绍；

2.然后让介绍自己做过的项目；
答：我做过细胞检测还有口罩检测还有一个导师的国项，这里不方便说明。
3.根据自己描述做过的项目，HR问一些项目细节，我做的项目是目标检测和缺损检测之类的。
问：YOLO和Faste-rcnn之间的区别，并且问两种算法的工作原理，
答：YOLO是one-stage检测算法，能够同时预测边框和预测类别。而Faster-rcnn是two-stage检测算法，它是分开进行着两个预测步骤。YOLO的优点是检测速度快，但是对小目标的检测效果不明显。而Faster-rcnn的检测效果比较好但是其训练和检测的时间成本过于昂贵。
问：两种目标的检测精度和训练检测速度之间的对比，并且让解释两种算法为什么同样的模型深度会产生不同的效果。
答：对于大的检测目标来说，二者的检测效果相差无几，但是对于小目标的检测来说YOLO的检测效果远远小于Faster-rcnn，YOLO比较坑的地方在于倒数第二层为全连接，后面的7*7格子不能扩张太大，不然前面的全连接要爆。格子大了，同一个格子可能会包括多个小物体，检测就不好搞了，所以导致其检测小目标效果不如Faster-rcnn。
问:YOLOV3和YOLOV5之间的区别，
答：YOLOv5在开始使用Focus替代了V3的卷积层，Focus有效的减少了训练的时间，而且V5s将其网络的深度和宽度都进行了相应的缩减，比如V5s它的算法深度是原算法的0.33，宽度为0.5。然后在损失函数的选用上也有区别。
问：SSD算法的一些基础问题，
答：SSD算法为YOLO和Faster-rcnn的结合体，分别汲取了两种算法的优点，融合了YOLO回归和Faster-rcnn的Anchor机制，相较于YOLO提升了对小目标的检测精度。
问：YOLOv3的损失函数以及它的作用，
答：有五种损失函数，包括有目标置信度误差、无目标置信度误差、检测目标中心坐标误差、检测目标宽高的误差、分类误差。
问：同样的模型深度为什么YOLO的检测效果没有Faster-rcnn的检测效果好？
答：YOLO同时检测预测框和预测类别，而Faster-rcnn是同时进行的。

算法题：

# 假设有一张黑白图像，只有0和1两种元素，里面有2个连通区域，一个是圆形，一个是正多边形
# 找出这两个区域并判断区域形状

思路：我想着是对图像进行遍历，然后找到前景的目标，遇到一个数字为1，对找到的目标进行坐标标注，若遇到一个数字为1，根据四联通先看下面的是不是1，然后再看上面的，左面的，右面的，递归操作。

---