博主在前面一篇博客，已經把面試問到的問題敘述了11個，接下來把最近遇到的問題拿出來分享，回答的的不對，麻煩指正，謝謝。前面一篇博客為：深度學習面試常問問題（一）
1、1*1卷積作用。

答：1. 實現跨通道的交互和信息整合

2. 進行卷積核通道數的降維和升維

3、實現多個feature map的線性組合，實現通道個數的變換。

4、對特征圖進行一個比例縮放。
2、CNN池化層有什么作用？

答：1、減小圖像尺寸，數據降維。

2、緩解過擬合。

3、保持一定程度的旋轉和平移不變性，MaxPooling能保證卷積神經網絡在一定范圍內平移特征能得到同樣的激勵，具有平移不變形。
3、卷積神經網絡中空洞卷積的作用是什么？

答、空洞卷積也叫擴張卷積，在保持參數個數不變的情況下增大了卷積核的感受野，同時它可以保證輸出的特征映射（feature map）的大小保持不變。一個擴張率為2的3×3卷積核，感受野與5×5的卷積核相同，但參數數量僅為9個。
4、深度學習中常用的損失函數？

答：交叉熵損失，平方差損失，絕對值損失，Hinge Loss。具體介紹：損失函數具體介紹
5、 Sigmoid激活函數為什么會出現梯度消失？Sigmoid函數導數的最大值出現在哪個值？

答：為什么會出現梯度消失，從兩方面來看，首先先看本身函數，若輸入值X過大，sigmoid函數導數為零，第二方面：sigmoid函數求導，導數最大是等于1/4，小于1，經過深的網絡傳遞就會出現梯度消失的問題。

在x=0時導數最大。
6.faster rcnn是怎么樣一個框架？

答：有一篇博客講的挺清楚的。rcnn系列詳解
7、faster rcnn,roi pooling具體是如何工作的？（如何把不同大小的框，pooling到同樣的大小）

答、RoIPool首先將浮點數值的RoI量化成離散顆粒的特征圖，然后將量化的RoI分成幾個空間的小塊（spatial bins），最后對每個小塊進行max pooling操作生成最后的結果。
8、評價指標有哪些？

答、機器學習中評價指標： Accuracy（準確率）、 Precision（查準率或者精準率）、Recall（查全率或者召回率）。

目標檢測的指標：識別精度，識別速度，定位精度。

a、目標檢測中衡量識別精度的指標是mAP（mean average precision）。多個類別物體檢測中，每一個類別都可以根據recall和precision繪制一條曲線，AP就是該曲線下的面積，mAP是多個類別AP的平均值。

b、? 目標檢測評價體系中衡量定位精度的指標是IoU,IoU就是算法預測的目標窗口和真實的目標窗口的交疊（兩個窗口面積上的交集和并集比值）
9、深度學習訓練時網絡不收斂的原因有哪些？如何解決？

答：不收斂一般都是數據不干凈，學習率設置不合理，網絡等問題，詳細知識根據博主的經驗和看的的別人一些經驗整理了下，

不收斂的原因與解決辦法
10、如何應對圖像光照變化大？

答：1、直方圖均衡化

2、對比度拉伸，或者調節

3、若受光源影響，使得圖片整體色彩往一方面移動，用白平衡算法進行修正，使其發黃、發藍、發紅的照片更加趨于自然光下的圖像

4、若是過爆或者過暗，可是設計閾值函數，不用全局閾值，對特定區域進行特定閾值分割。

5、若是太暗，可以采用對數變化，對數圖像增強是圖像增強的一種常見方法，其公式為： S = c log(r+1)，對數使亮度比較低的像素轉換成亮度比較高的，而亮度較高的像素則幾乎沒有變化，這樣就使圖片整體變亮。

6、采用拉普拉斯算子增強 ， filter2D(src,dst)

?
11、常用的分割方法有哪些？

答：1、基于閾值的分割方法：比較常用的閡值法有大律法、最小誤差法

2、基于邊緣的分割方法：常見的微分算子包括Robert算子、Prewitt算子、Sobel算子、Laplaeian算子、Canny算子等

3、基于區域的分割方法：主要包括種子區域生長法、區域分裂合并法和分水嶺法等幾種類型。

4、基于圖論的分割方法：Graph Cut方法

5、深度學習：語義分割等
————————————————
原文鏈接：https://blog.csdn.net/comway_Li/article/details/82947716

總結

以上是生活随笔為你收集整理的深度学习（计算机视觉）面试中问题（二）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。