神经网络八股（2）

1.数据增强算法

基于样本变换的数据增强：旋转，翻转，缩放，裁剪，噪声添加，色彩调整（亮度，对比度）

混合数据增强方法：mixup（两张图像按照一定混合成一幅图像），cutmix（从A图像随机裁剪一小块放到B图像中，进行直c接覆盖），Cutout方法（随机删除图像中的某一部分）

2.如何解决正负样本不均衡的问题

负样本不均衡是指在数据集中，不同类别的样本数量存在显著差异的现象。

数据方面：增加少样本数目

模型方面：修改损失函数，使用带有权重的损失函数

评估指标：免使用准确率作为唯一指标，改用精确率、召回率，F1分数更全面的指标

精确率：测为正样本的样本中，实际为正样本的比例

召回率：实际为正样本的样本中，模型正确预测为正样本的比例

F1分数：精确率和召回率的调和平均数

3.小目标检测是目标检测的痛难点，如何解决？

数据增强：增多样本数，调整图像分辨率，增加数据多样性

特征提取：多尺度多级特征提取，注意力机制

损失函数优化；无锚点检测，迁移学习

4.opencv中都有哪些边缘检测算子

索贝尔算子（sobel）：通过卷积核在水平和垂直方向上分别求取一阶导数，从而突出显示图像中的边界

拉普拉斯算子：二阶微分算子，用于检测图像中的边缘

canny边缘检测：高斯滤波去除噪声；梯度计算使用Sobel算子计算梯度幅值和方向；非极大值抑制保留局部最大梯度值，双阈值检测通过高低阈值确定最终的边缘

5.深度可分离卷积：

将传统的卷积操作分解为两个独立的步骤——深度卷积和逐点卷积

深度卷积：对输入特征图的每个通道独立进行卷积操作。每个输入通道使用一个独立的卷积核，不与其他通道共享权重

逐点卷积：使用1x1的卷积核对深度卷积的输出进行卷积操作，目的是将不同通道的特征进行融合

6.常用的插值方法

插值方法是一种数学技术，用于根据已知数据点生成新的数据点。

最近邻插值：选择最近的已知数据点作为插值结果。对于图像缩放，最近邻插值会将目标像素的值设置为最近的源像素值。

• 不会引入新的像素值，因此不会模糊图像。

• 但可能导致图像出现明显的锯齿效应。

• 对速度要求高且对图像质量要求不高的场景

双线性插值：通过计算目标点周围4个最近邻点的加权平均值来确定插值结果。权重与距离成反比

7.高斯滤波器的原理

只要是滤波，都有自己的卷积核，卷积核内有自己的权重参数，在图像中滑动时和图像对应的像素进行相乘，而卷积核内的权重参数分布就符合高斯函数分布，中间高两边低。

8.目标检测中的map计算

map就是多个类别的pr曲线之和的平均值，P就是精确值，R就是召回率

9.AP和mAP的区别？

ap是坐标系PR曲线下的微分面积，m是多个类别的平均

10.输入多尺度的图像怎么给图像做到统一输出

图像缩放，图像填充，图像裁剪（大图像随机裁剪成小图像），图像金字塔（FPN）多尺度融合