【面试】AI算法工程师---面试题！（第三部分：简历面）

【第三部分：简历面】

自我介绍：

【中文】

各位面试官好，我是来自大连理工大学的一名硕士研究生，我叫xxx。我的研究方向是AI算法（机器学习、深度学习）的应用，包括人脸识别、自动驾驶感知，对机器学习数据分析也有所了解。希望能加入xx公司，从AI的角度为xx公司创造价值。我的自我介绍结束，谢谢面试官！

【English】

Hello interviewers, I am a graduate student from Dalian University of Technology, my name is xxx. My research direction is the application of AI algorithms (machine learning, deep learning), including face recognition, autonomous driving perception, and understanding of machine learning data analysis. I hope to join xx company and create value for xx company from the perspective of AI. My introduction is over, thank you interviewer!

 

一、基于深度学习的驾驶员疲劳检测

LOOK_BACK=10

1.算法网络结构？

 

2.（1）SSD用来干嘛？简述原理？优缺点，为什么选SSD？（2）SSD如何生成人脸框？（3）其他目标检测算法？区别？

（1）生成人脸框。

SSD原理

优点：速度比Faster-Rcnn快，精度比YOLO高；即使摄像头分辨率低，也能检测出来。

缺点：小目标检测不太好，但是人脸不属于小目标，不影响。所以选SSD。

（2）每个特征图的特征点都作为一个锚点，然后每个特征图生成长宽比不同的先验框。通过NMS筛选先验框得到最终的检测框。

（3）目标检测经典类型，看这个文章：RCNN、YOLO、SSD对比

 

3.关于VGG16？

 

4.全卷积（FCN）和卷积（CNN）的区别？

主要针对分割问题讲。

（1）CNN

CNN网络在卷积层之后会接上若干个全连接层, 将卷积层产生的特征图(feature map)映射成一个固定长度的特征向量。

传统CNN分割缺点：

（1）存储开销很大（2）计算效率低下（3）像素块大小的限制了感知区域的大小。

（2）FCN（适用于语义分割）

把CNN最后的全连接层换成卷积层，全部都是卷积层，所以叫全卷积。FCN输出的是一张已经Label好的图片。

与经典的CNN在卷积层之后使用全连接层得到固定长度的特征向量进行分类（全联接层＋softmax输出）不同，FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的feature map进行上采样, 使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生了一个预测, 同时保留了原始输入图像中的空间信息, 最后在上采样的特征图上进行逐像素分类。最后逐个像素计算softmax分类的损失, 相当于每一个像素对应一个训练样本。

FCN在分割问题上有优势。全卷积网络(FCN)是从抽象的特征中恢复出每个像素所属的类别。即从图像级别的分类进一步延伸到像素级别的分类。FCN对图像进行像素级的分类，从而解决了语义级别的图像分割（semantic segmentation）问题。

 

5.（1）传统目标检测了解哪些？（2）与深度学习方法的区别？

（1）传统目标检测的代表：

（1）HOG+SVM的行人检测

（2）Haar+Adaboost的人脸检测

（2）传统的特征是人工提取，深度学习是利用特征提取网络backbone。

滑动窗口策略：

策略1：

使用不同大小的滑动窗口，对每个滑动窗口提取特征并分类判断是否是人脸，最后经过NMS得到最后的检测结果，本文的SSD本质上就是这种策略，不同检测层的anchor就类似于不同大小的滑动窗口

策略2：

构造图像金字塔，只使用一种大小的滑动窗口在所有金字塔图像上滑动，对每个滑动窗口提取特征并分类判断是否是人脸，最后经过NMS得到最后的检测结果，MTCNN就是采用了这种策略

6.（1）数据集怎么做的？（2）camshift算法是什么？（3）光流图是什么？

（1）COCO2014，做好了的。//或者是实验室原先做好的数据集。

（2）camshift算法：实现目标跟踪的，制作数据集用的，得到头部位置标签，实验室之前做的数据集。

（3ÿ