子不语面经（30min）

• 项目介绍
• 问：

1. 为什么使用SwinT不使用ViT。窗口间attention是如何实现的？为什么不直接使用ViT。如果你只使用Vi 模型，并且想要增加非局域相关性，应该如何操作？：1.增加多层或更多头的注意力头部2.金字塔结构特征融合3.Non-Local Attention4.
2. 有了解过其他Transformer在图像上的应用吗？：没有（BERT，DeiT，T2T-ViT）

• 代码题目：

1. 给你一个非负整数 x ，计算并返回 x 的 算术平方根 。由于返回类型是浮点数，精度0.00001。

二分查找，复杂度：logn

2. NMS（非极大抑制）代码：说了实现原理，代码不会。

def non_max_suppression(boxes, scores, threshold):

    if len(boxes) == 0:
        return []

    # 按得分从高到低排序
    order = scores.argsort()[::-1]

    selected_indices = []

    while len(order) > 0:
        # 选择得分最高的边界框
        i = order[0]
        selected_indices.append(i)

        # 计算当前边界框与其余边界框的 IoU
        iou = calculate_iou(boxes[i], boxes[order[1:]])

        # 保留IoU小于阈值的边界框
        mask = iou <= threshold
        order = order[1:][mask]

    return selected_indices

def calculate_iou(box, boxes):
    x_min = np.maximum(box[0], boxes[:, 0])
    y_min = np.maximum(box[1], boxes[:, 1])
    x_max = np.minimum(box[2], boxes[:, 2])
    y_max = np.minimum(box[3], boxes[:, 3])

    intersection = np.maximum(0, x_max - x_min) * np.maximum(0, y_max - y_min)
    area_box = (box[2] - box[0]) * (box[3] - box[1])
    area_boxes = (boxes[:, 2] - boxes[:, 0]) * (boxes[:, 3] - boxes[:, 1])

    iou = intersection / (area_box + area_boxes - intersection)

    return iou

反思:整体偏向于Transformer。我懂得不多...