2022-02-目标检测算法面试问题汇总.pdf

-0022-- ⽬⽬标标检检测测算算法法⾯⾯试试问问题题汇汇总总 11说说⼀⼀下下⾮⾮极极⼤⼤值值抑抑制制 （（NNMMSS）） ⽤ ：本质是搜索局部极⼤值，抑制⾮极⼤值元素。 原理:NMS为⾮极⼤值抑制，⽤来抑制检测时冗余的框。 ⼤致算法流程为 ： @ 1.对所有预测框的置信度降序排序 @2.选出置信度最⾼的预测框，确认其为正确预测，并计算他与其他预测框的IOU @3.根据2中计算的IOU去除重叠度⾼的，IOUthreshold阈值就删除 @4.剩下的预测框返回第 1步，直到没有剩下的为⽌ （需要注意的是 ：Non-Maximum Suppression⼀次 理⼀个类别，如果有N个类别，Non- Maximum Suppression就需要执⾏N次。） 假假 设设两两个个 ⽬⽬标标靠靠 的的很很近近 ，，则则会会识识别别成成⼀⼀个个bbbbooxx ，，会会有有什什么么 问问题题 ，，怎怎么么解解决决？？ @当两个⽬标靠的⾮常近时，置信度低的会被置信度⾼的框抑制掉，从⽽两个⽬标靠的⾮常近时会被识别成⼀个bbox。为了解决这个问题，可以 使⽤softNMS （基本思想 ：⽤稍低⼀点的分数来代替原有的分数，⽽不是直接置零） 22为为什什么么提提 出出aanncchhoorr bbooxx？？ 主要有两个原因：⼀个窗⼝只能检测⼀个⽬标、⽆法解决多尺度问题。 ⽬前anchor box尺⼨的选择主要有三种⽅式：⼈为经验选取、k-means聚类、作为超参数进⾏学习 为什么使⽤不同尺⼨和不同长宽⽐？ 为了得到更⼤的交并⽐(IOU)。 33FFaasstteerr RR--CCNNNN是是如如何何解解决决正正负负样样本本不不平平衡衡 的的问问题题？？ 限制正负样本⽐例为 1:1，如果正样本不⾜，就⽤负样本补充，这种⽅法后⾯研究⼯作⽤的不多。通常针对类别不平衡问题可以从调整样本数或修 改loss weight两⽅⾯去解决，常⽤的⽅法有OHEM、OHNM、class balanced loss和Focal loss。 FFaasstt ee rr RRCC NNNN怎怎么么筛筛选选正正负负aanncchhoorr 我们给两种锚点分配⼀个正标签 ： （i）具有与实际边界框的重叠最⾼交并⽐ （IoU）的锚点， （ii）具有与实际边界框的重叠超过0.7 IoU的锚点。 IoU⽐率低于0.3，我们给⾮正⾯的锚点分配⼀个负标签。 44简简要要阐阐述述⼀⼀下下OOnnee--SSttaaggee、、TTww oo--SSttaaggee模模型型 One-Stage检测算法，没有selective search产⽣region proposal的阶段，直接产⽣物体的类别概率和位置坐标，经过单次检测即可直接获得 最终的检测结果。相⽐Two-Stage有更快的速度。代表⽹络有YOLO v 1/v2/v3/9000,SSD,Retina-Net. （two-stage算法中的roi pooling会对 ⽬标做resize, ⼩ ⽬标的特征被放⼤，其特征轮廓也更为清晰，因此检测也更为准确）Two-Stage检测算法将检测问题划分成两个阶段，⾸先是获 取region proposal进⾏位置精修和分类阶段。相⽐于One-Stage,精度⾼，漏检率也低，但是速度较慢，代表⽹络有Fast rcnn，Faster rcnn，mask rcnn等。 Two-Stage和One-Stage的异同 （回答的是 Two-Stage先对前景背景做了筛选，再进⾏回归，回归效果⽐较好，准度⾼但是相⽐较慢， One-Stage是直接对特征上的点进⾏直接回归，优点是速度快，因为⽤了多层特征图出框可能⼩ ⽬标效果⽐较好⼀点 （个⼈看法），缺点是因为 正负样本失衡导致效果较差，要结合难例挖掘。） one stage在哪些具体⽅⾯检测精度不⾼ （ROI+default box的深层理解） （one-stage算法对⼩ ⽬标检测效果较差，如果所有的anchor都没有覆盖到这个⽬标，那么这个⽬标就会漏检。） Faster rcnn的两阶段训练和end-to-end训练的不⼀样 （回答的是就是把RPN和⼆阶段拆开训，然后追问RPN在ENDTOEND中怎么回传，答 TOTALLoss中有⼀阶段和⼆阶段的LOSS，只是回传影响的部分不⼀样。） ⽬标检测的发展历程，从传统到深度 （传统部分回答的算⼦结合分类器分类，简单说了⼀下缺陷，深度部分说了 RCNN,FAST,FASTER,SSD,