2021年9月初,科大訊飛AI算法崗 一二面面試題分享!

文 | 七月在線
編 | 小七

目錄

FIGHTING

問題1：你對fast rcnn了解多少?

問題2：講講ADM和SGD。

問題3：池化的作用。

問題1：你對fast rcnn了解多少?

兩階段目標檢測算法

Fast RCNN，是RCNN算法的升級版，之所以提出Fast R-CNN，主要是因為R-CNN存在以下幾個問題：1、訓(xùn)練分多步。我們知道R-CNN的訓(xùn)練先要fine tuning一個預(yù)訓(xùn)練的網(wǎng)絡(luò)，然后針對每個類別都訓(xùn)練一個SVM分類器，最后還要用regressors對bounding-box進行回歸，另外region proposal也要單獨用selective search的方式獲得，步驟比較繁瑣。2、時間和內(nèi)存消耗比較大。在訓(xùn)練SVM和回歸的時候需要用網(wǎng)絡(luò)訓(xùn)練的特征作為輸入，特征保存在磁盤上再讀入的時間消耗還是比較大的。3、測試的時候也比較慢，每張圖片的每個region proposal都要做卷積，重復(fù)操作太多。

雖然在Fast RCNN之前有提出過SPPnet算法來解決RCNN中重復(fù)卷積的問題，但是SPPnet依然存在和RCNN一樣的一些缺點比如：訓(xùn)練步驟過多，需要訓(xùn)練SVM分類器，需要額外的回歸器，特征也是保存在磁盤上。因此Fast RCNN相當于全面改進了原有的這兩個算法，不僅訓(xùn)練步驟減少了，也不需要額外將特征保存在磁盤上。

問題2：講講ADM和SGD

SGD的一階動量：

加上AdaDelta的二階動量：

問題3：池化的作用。

（1）保留主要特征的同時減少參數(shù)和計算量，防止過擬合。

（2）invariance(不變性)，這種不變性包括translation(平移)，rotation(旋轉(zhuǎn))，scale(尺度)。