当前位置：首页 > news >正文

图像处理算法面经1

news 来源：原创 2025/4/30 7:05:49

普通概念

卷积神经网络（CNN，Convolutional Neural Network）

原理：CNN 受到人类视觉神经系统的启发，通过卷积层、池化层和全连接层构建网络。卷积层使用卷积核在输入数据上滑动进行卷积操作，提取局部特征；池化层用于降低数据维度，减少计算量并增强特征的鲁棒性；全连接层则将提取的特征进行整合，完成分类或回归等任务。
应用场景：在图像识别（如人脸识别、物体检测）、语音识别、自然语言处理（如文本分类）等领域有广泛应用。

循环神经网络（RNN，Recurrent Neural Network）

原理：RNN 引入了循环结构，允许网络在处理序列数据时保存之前的信息。它通过隐藏状态在不同时间步之间传递信息，从而对序列数据进行建模。然而，传统 RNN 存在梯度消失或梯度爆炸的问题，导致难以学习长期依赖关系。
应用场景：主要用于处理序列数据，如自然语言处理中的机器翻译、文本生成，语音识别中的语音序列处理等。

生成对抗网络（GAN，Generative Adversarial Network）

原理：GAN 由生成器（Generator）和判别器（Discriminator）两个神经网络组成。生成器尝试生成逼真的数据，而判别器则负责区分生成的数据和真实数据。两者通过对抗训练不断提升性能，生成器最终能够生成高质量的合成数据。
应用场景：图像生成（如生成逼真的人脸、风景图像）、数据增强、风格迁移等。

Transformer

原理：Transformer 完全基于注意力机制，摒弃了传统的循环结构和卷积结构。它由编码器和解码器组成，编码器负责对输入序列进行特征提取，解码器则根据编码器的输出生成目标序列。Transformer 通过多头注意力机制捕捉序列中不同位置之间的依赖关系。
应用场景：在自然语言处理领域取得了巨大成功，如机器翻译、文本摘要、问答系统等，也逐渐应用于计算机视觉等其他领域。

注意力机制（Attention）

原理：注意力机制模拟了人类的注意力分配方式，允许模型在处理序列数据时聚焦于序列中的重要部分。它通过计算查询（Query）、键（Key）和值（Value）之间的相似度，为不同位置的元素分配不同的权重，从而动态地选择重要信息。
应用场景：广泛应用于自然语言处理和计算机视觉等领域，是 Transformer 等模型的核心组件，可提升模型对序列数据的处理能力。

YOLO（You Only Look Once）

YOLO（You Only Look Once）是一种实时目标检测算法，由 Joseph Redmon 等人在 2015 年提出。它以其快速的检测速度和较高的检测精度，在目标检测领域得到了广泛应用。
算法原理
YOLO 算法的核心思想是将目标检测问题转化为一个回归问题，通过一个单一的神经网络直接在图像上预测边界框和类别概率。
具体步骤如下：
图像划分：将输入图像划分为 (S\times S) 个网格。如果某个目标的中心落在某个网格内，那么该网格就负责检测这个目标。
预测输出：每个网格需要预测 B 个边界框（bounding box）及其置信度（confidence score），以及 C 个类别概率。每个边界框由 ((x, y, w, h)) 四个值表示，其中 ((x, y)) 是边界框的中心坐标，((w, h)) 是边界框的宽度和高度。置信度表示边界框中包含目标的可能性以及边界框的预测准确性。
置信度计算：置信度的计算公式为 (Pr(Object)\times IOU_{pred}^{truth})，其中 (Pr(Object)) 表示网格中是否存在目标的概率，(IOU_{pred}^{truth}) 是预测边界框与真实边界框的交并比（Intersection over Union）。
类别预测：每个网格还需要预测 C 个类别概率 (Pr(Class_i|Object))，表示在存在目标的前提下，该目标属于第 i 类的概率。
最终输出：将置信度与类别概率相乘，得到每个边界框属于各个类别的得分，通过设定阈值过滤掉得分较低的边界框，并使用非极大值抑制（NMS）去除重叠的边界框，最终得到检测结果。
发展历程
YOLOv3：2018 年推出，进一步改进了网络结构，使用了多尺度预测和特征融合技术，能够检测不同大小的目标。同时，采用了更复杂的损失函数，提高了检测精度。
YOLOv5：由 Ultralytics 公司开发，虽然没有正式的学术论文发表，但在实际应用中得到了广泛使用。它具有代码简洁、易于使用和训练速度快等优点，提供了不同规模的模型供用户选择。
YOLOX：2021 年提出，采用了无锚框（anchor-free）的检测方法，简化了模型结构，提高了检测效率。同时，引入了解耦头（Decoupled Head）和标签分配策略（Label Assignment）等技术，进一步提升了检测性能。
YOLOv8：同样由 Ultralytics 公司开发，是 YOLO 系列的最新版本。它支持图像分类、目标检测、实例分割和关键点检测等多种任务，并且在性能上有了进一步的提升。
优点
速度快：YOLO 算法将目标检测作为一个回归问题处理，通过一个神经网络直接预测边界框和类别概率，不需要像传统方法那样进行多次特征提取和分类，因此检测速度非常快，能够满足实时应用的需求。
端到端训练：YOLO 算法可以进行端到端的训练，即从输入图像到输出检测结果只需要一个网络，简化了训练过程，提高了训练效率。
全局信息利用：YOLO 算法在预测时考虑了整个图像的信息，能够更好地捕捉目标的上下文信息，减少了背景误检的情况。
缺点
定位精度有限：由于每个网格只能预测有限个边界框，对于密集分布的小目标，YOLO 算法的检测精度可能会受到影响。
小目标检测效果不佳：YOLO 算法在处理小目标时，由于网格划分和特征提取的限制，可能无法准确地检测到小目标。
对不同尺度目标适应性不足：虽然后续版本的 YOLO 算法采用了多尺度预测等技术，但对于尺度变化较大的目标，仍然存在一定的检测难度。

机考

字符串匹配

反转链表

在这里插入图片描述

迭代（双指针）

代码

class Solution:
    def reverseList(self, head: ListNode) -> ListNode:
        cur, pre = head, None
        while cur:
            tmp = cur.next # 暂存后继节点 cur.next
            cur.next = pre # 修改 next 引用指向
            pre = cur      # pre 暂存 cur
            cur = tmp      # cur 访问下一节点
        return pre

寻找旋转排序数组中的最小值

在这里插入图片描述

二分查找

在这里插入图片描述

代码

class Solution:
    def findMin(self, nums: List[int]) -> int:
        left, right = -1, len(nums) - 1  # 开区间 (-1, n-1)
        while left + 1 < right:  # 开区间不为空
            mid = (left + right) // 2
            if nums[mid] < nums[-1]:
                right = mid
            else:
                left = mid
        return nums[right]