华为云暑期实习面试（软件算法）之解答

原帖：https://www.nowcoder.com/feed/main/detail/b6011f7ef29b419fb939c61e5738f634

3.除了提到的上采样还有什么方法可以应对数据不平衡：

4.YOLO每个版本的变化是什么：以前看过，随便讲了讲先验框和backbone的变化。

YOLO 意思是 You Only Look Once，创造性的将候选区和对象识别这两个阶段合二为一，看一眼图片（不用看两眼哦）就能知道有哪些对象以及它们的位置。YOLO 将图片划分为 7x7=49 个网格（grid），每个网格允许预测出 2 个边框（bounding box，包含某个对象的矩形框），总共 49x2=98 个 bounding box。可以理解为 98 个候选区，它们很粗略的覆盖了图片的整个区域。

创新点：1. 将整张图作为网络的输入，直接在输出层回归 bounding box 的位置和所属的类别。2. 速度快，one stage detection 的开山之作。

YOLOv2 相对 v1 版本，在继续保持处理速度的基础上，从预测更准确（Better），速度更快（Faster），识别对象更多（Stronger）这三个方面进行了改进。其中识别更多对象也就是扩展到能够检测 9000 种不同对象，称之为 YOLO9000。YOLOv2 主要就是加入了很多新技术，如 BN、WordTree，不再赘述。最主要的是引入了 Faster R-CNN 中使用的 **Anchor**，作者通过在所有训练图像的所有边界框上运行 k-means 聚类来选择锚的个数和形状(k = 5，因此它找到五个最常见的目标形状)

- Yolov3 backbone 部分由 Yolov2 时期的 Darknet-19 进化至 Darknet-53，加深了网络层数，引入了 Resnet 中的跨层加和操作。

- Yolov3 借鉴了金字塔特征图思想，小尺寸特征图用于检测大尺寸物体，而大尺寸特征图检测小尺寸物体。

- 针对 anchor box 采用聚类的方法获取合适的尺寸。

Yolov3 的整个网络，吸取了 Resnet、Densenet、FPN 的精髓，可以说是融合了目标检测当前业界最有效的全部技巧。

YOLOv4是YOLO系列目标检测算法的一次改进，相比于之前的版本，YOLOv4引入了许多改进点，包括：

1. 骨干网络改进：YOLOv4采用了CSPDarknet53作为新的骨干网络，相比于之前的Darknet，CSPDarknet在准确性和速度上都有所提升。
2. 特征金字塔网络：YOLOv4引入了特征金字塔网络（FPN），用于在不同尺度上提取特征并融合，使得算法可以更好地处理不同大小的目标。
3. PANet结构：为了进一步增强多尺度特征的融合，YOLOv4引入了PANet结构，通过自顶向下和自底向上的方式进行特征融合，提升了目标检测的准确性。
4. 更强的数据增强策略：YOLOv4采用了一系列更强大的数据增强策略，包括CutMix、Mosaic等，以增加模型的鲁棒性和泛化能力。
5. 新的损失函数：YOLOv4使用了改进的损失函数，如CIoU损失函数和Focal损失函数，可以更好地处理目标的回归和分类问题，提高检测性能。

后续YOLO无非就是trick的堆叠，不再赘述。

5.除了yolo还有什么目标检测模型：rcnn那一类的，rcnn是两阶段，yolo是一阶段

目标检测可以分为两种类型：“两阶段（Two-stage）检测方法”和“单阶段（One-stage）检测方法”，前者将检测定义为“从粗到精”的过程，而后者将检测定义为“一步走”的过程。如**基于两阶段的SPPNet、Fast RCNN、Faster RCNN，这些算法首先生成图像中目标物体的建议候选区域，其次再对候选区域做进一步的分类和坐标框回归，得出最后的目标检测结果**；而基于单阶段的YOLO、SSD和RetinaNet等，**这些算法直接通过回归的方式进行图像中目标物体的检测**，即分类和回归同时进行。

两阶段检测精度高但速度慢；单阶段检测精度稍低但速度快，one-stage算法对小目标检测效果较差。

6.目标检测和分割的loss有什么区别：检测的loss是cls loss和bboxloss ，分割的loss不太清楚

在目标检测中，常用的损失函数包括：

1. 边界框回归损失：用于预测目标边界框的位置和尺寸，常用的损失函数包括平均平方误差（MSE）损失或平滑L1损失。
2. 分类损失：用于预测目标的类别，常用的损失函数包括交叉熵损失（Cross-Entropy）或者逻辑损失（Logistic Loss）。
3. 目标置信度损失：用于判断目标是否存在，通常使用二分类损失函数，如交叉熵损失或者逻辑损失。

在分割任务中，常用的损失函数包括：

1. 像素级分类损失：用于对每个像素进行分类，常用的损失函数是交叉熵损失或者softmax损失。
2. 像素级回归损失：用于预测每个像素的特定属性，如目标的边界框或者关键点位置，常用的损失函数包括平均平方误差（MSE）损失或平滑L1损失。

总体而言，目标检测的损失函数更侧重于目标的定位和分类，而分割的损失函数则更注重像素级的分类和预测。

以上面经答案均来自本人机器学习面经专栏，感兴趣的同学可以关注牛客专栏 机器学习面试题汇总与解析+蒋豆芽

包含300多道面试题，讲解+答案。