图森未来-感知算法工程师-面经
已收到offer，下周谈薪资
-------------------------------------------
断断续续面了3周，3次技术面，前面两面自我感觉还可以，就是终面实在不好说，希望能撑到hr面吧。希望后面的重要面试顺顺利利，赶紧赞赞人品
一面（算法面，主要简历，80分钟）
问了好多都是论文相关的，可能参考价值不大。
1、第一篇论文
a. 为什么第一阶段检测出来的box不利用？
首先box的数量大小是不固定的，不好直接融合；其次，类别概率图可以一次把整张图的关于小物体的信息都表示出来
b . 为什么背景不聚类
背景比较复杂，不容易聚类。为了防止有些背景没有被拉开，使用了排序距离，这样一种相对距离。
2、第二篇论文
提到2个2D数据concat，他们的位置是不一样的，这样直接concat有没有问题；问最后那个模块有没有和se比较
3、bn训练，测试区别，bn如何在inference是加速（这里面试官说是可以融合到卷积里，因为test时，bn是一个线性模型，卷积也是线性的，所有可以融合，具体怎么做，不知道）
4、如何解决前景背景数量不均衡（OHEM，focal loss，前景过采样，2stage模型）
5、一个类似多标签训练的问题，他的loss是怎么算（这里，我主要说了下标签里one-hot的设置，在多个类别的one-hot里不止一个地方可以设置为1）
二面（工程面，90分钟）
1、多路归并
2、average pooling操作，输入m*n输出m*n，kernel大小k*k。
我想到的最优解法：遍历一个k*K大小时，记录下当前的sum，kernel滑动时，把kernel最左侧的一列元素减掉，加入新加入的右边的一列。时间复杂度m*(k*k + (n-1)*k)，大约为m*n*k吧，听面试官口气不像是最优解，我觉的重点是实现出来自己的想法。
3、线程，进程区别，python的线程和进程
4、ssh相关，什么如果网络断了，在服务器上跑的程序会怎么样，tmux原理
5、还有一些基础知识，想不起来了
三面（终面巨佬王乃岩博士， 100分钟）
根据简历里的内容，向外延伸，问到不会为止，我心里是崩溃的，可能是我太菜了，还好乃岩博士很耐心。
1、简历里用了一个fpn网络做检测，大佬是想问我我的数据有什么样的特点，针对这些特点可以做哪些针对性的方案。这里问了好久，很惭愧，一开始都没理解大佬的意思
2、cascade rcnn论文里一些实验的细节，为什么这样做实验效果不好，你自己的看法是什么；介绍下DetNet。这里我是简历里写了复现了这两篇论文，所以被问到了
3、为什么你的角点回归不使用heatmap，而使用smooth l1坐标回归，为什么通常大家使用heatmap做关键点
4、ohem，到底比focal loss差再哪里了
5、non-local的时间复杂度和你自己提出的这个模块的时间复杂的，介绍下GCNet
6、求了几个感受野
7、还有一些问题，想不起来了
投递美团等公司10个岗位 >