#计算机视觉面试高频核心问答

#引言

计算机视觉是AI落地最广的分支之一，面试既考理论，更重工程结合能力。本指南筛选了30个以内最核心的高频问题，精简冗余，帮你高效备战。

#一、图像处理高频基础

#Q1：RGB vs HSV 怎么选？

A：

• RGB：显示器通用加色模型，缺点是亮度与色彩强耦合——光照一变，三个通道全乱，不适合颜色分割。
• HSV：分离了色调（H，颜色本质）、饱和度（S，鲜艳度）、亮度（V），H锁定后，V/S的变化干扰极小。
• 切换场景：绿幕抠图、红绿灯/红苹果识别等纯颜色相关任务。

#Q2：高斯/中值/双边滤波怎么挑？

A： 这些滤波工具的适用场景，可以记下这张速查表：

#Q3：Canny边缘检测的核心？

A： 5步但面试只抓高频简化版：

1. 高斯滤波去噪
2. Sobel算子算梯度强度+方向
3. 非极大值抑制（NMS）“瘦身”边缘到1像素宽
4. 双阈值+滞后跟踪：只留“高阈值边缘”或“和高阈值边缘相连的中间值边缘”。

#二、深度学习网络高频基础

#Q4：CNN为啥比MLP适合图像？

A： 3个降低参数量+贴合图像特性的核心：

1. 局部感知：卷积核只扫邻域（图像是局部相关的，比如眼睛周围的像素才构成眼睛）
2. 参数共享：同一个卷积核扫整张图（比如找“眼睛边缘”的规则，图的各个角落都通用）
3. 平移不变性：加MaxPooling后，物体稍微移动位置，输出特征不变。

下面是一段直观的参数量对比代码，感受一下差距有多大：

import torch
import torch.nn as nn

def cnn_mlp_params():
    # 输入224x224x3，输出224x224x64
    # CNN参数量
    cnn = nn.Conv2d(3, 64, 3, padding=1)
    print(f"CNN参数量: {sum(p.numel() for p in cnn.parameters()) // 1000}K")  # ~1.7K
    # 对比MLP（仅理论简化，实际不可能做全连接）
    print(f"MLP理论参数量: {3*224*224 * 64*224*224 // 1e12}T")  # 超天文数字！

cnn_mlp_params()

#Q5：1×1卷积的核心作用？

A： 别只说“降维”！面试要提全3个高频：

1. 跨通道信息融合：比如把RGB三个通道的信息线性揉在一起
2. 升/降维控计算：ResNet的Bottleneck就是靠2次1×1降升维，把参数量砍到原来的1/4
3. 加非线性：1×1后面接ReLU，不改变分辨率就能增强表达能力。

#Q6：BN的核心原理和作用？

A：

• 原理：每个Batch内把特征拉成“均值0、方差1”，再学γ（缩放）β（平移）还原表达能力
• 作用：（按面试优先级）
  1. 防止梯度爆炸/消失
  2. 大幅加速收敛（可以用更大的学习率）
  3. 微弱的正则化（靠Batch的随机性）

#三、经典架构高频面试点

#Q7：ResNet解决了啥问题？残差怎么理解？

A：

• 核心痛点：深层网络退化——网络叠到50层以上，训练集误差反而比20层高（不是过拟合，是学不动恒等映射）
• 残差结构：加跳跃连接，让网络学 H(x) = F(x) + x（F(x)是残差）
  • 如果残差F(x)→0，模型至少能做到“浅层网络的恒等复制”，保证性能不会下降
  • 如果F(x)有用，还能学到更深层的特征。

下面是一个极简的残差块实现，帮你理解跳跃连接的处理细节：

class ResidualBlock(nn.Module):
    """极简ResNet BasicBlock（不含Bottleneck）"""
    def __init__(self, in_c, out_c, stride=1):
        super().__init__()
        self.conv1 = nn.Conv2d(in_c, out_c, 3, stride, padding=1, bias=False)
        self.bn1 = nn.BatchNorm2d(out_c)
        self.conv2 = nn.Conv2d(out_c, out_c, 3, padding=1, bias=False)
        self.bn2 = nn.BatchNorm2d(out_c)
        # 当通道/分辨率变了，跳跃连接也要变
        self.shortcut = nn.Sequential()
        if stride != 1 or in_c != out_c:
            self.shortcut = nn.Sequential(
                nn.Conv2d(in_c, out_c, 1, stride, bias=False),
                nn.BatchNorm2d(out_c)
            )
    
    def forward(self, x):
        out = torch.relu(self.bn1(self.conv1(x)))
        out = self.bn2(self.conv2(out))
        out += self.shortcut(x)
        return torch.relu(out)

#Q8：MobileNet的核心设计？

A： 深度可分离卷积——把标准卷积拆成两步，计算量约降为原来的1/9：

1. Depthwise（深度卷积）：一个3×3卷积核只扫一个输入通道，不融合通道
2. Pointwise（点卷积）：1×1卷积扫所有通道，专门融合信息。

#四、目标检测/图像分割高频

#Q9：One-stage vs Two-stage检测器怎么选？

A： 一句话总结：追求极致精度选Two-stage，追求实时速度选One-stage。

#Q10：NMS和Soft-NMS的区别？

A：

• NMS流程：按置信度排序→取最高分框→删所有和它IoU>阈值的框→循环
• Soft-NMS改进：不直接删，而是按重叠程度降低冗余框的置信度（比如IoU=0.8，得分×0.2），解决密集场景下“小物体被误删”的问题。

#Q11：语义/实例/全景分割的区别？

A： 按面试优先级理解：

1. 语义分割：只分“类别”，不管“个体”——比如把图里所有的“人”涂成红色，所有的“车”涂成蓝色
2. 实例分割：既要分“类别”，也要分“个体”——比如把图里的“人甲”涂成红1，“人乙”涂成红2
3. 全景分割：语义+实例，还要管“可数/不可数”——比如“人”是可数（分个体），“天空”是不可数（只分颜色）。

#Q12：U-Net的核心思想？

A： Encoder-Decoder + 全尺寸跳跃连接：

• Encoder：卷积+池化，提取深层语义特征（比如“这个区域有癌细胞”），但分辨率会降
• Decoder：转置卷积+卷积，把分辨率升回去，但细节会丢
• 全尺寸跳跃连接：把Encoder每一层的高分辨率细节直接拼接到Decoder对应层，完美弥补细节丢失（经典场景：医学影像分割，因为小病灶不能丢）。

#五、损失函数/训练优化高频

#Q13：交叉熵/Focal Loss/Dice Loss怎么选？

A： 一张表帮你快速决策：

#Q14：如何处理样本不平衡？

A： 按工程优先级排序：

1. 算法层面（最快实现）：
   • 损失加权：给少数类加更大的Loss权重
   • 换Focal Loss
2. 数据层面：
   • 数据增强：针对少数类做更多的几何/颜色变换（比如旋转、翻转、亮度抖动）
   • 过采样（少量数据）/欠采样（大量冗余数据）

#Q15：SGD vs Adam怎么选？

A： 核心是权衡速度和泛化：

• Adam：收敛极快，对初始学习率不敏感→初期快速验证想法、调通流程
• 带动量的SGD：收敛慢，调参难，但泛化能力通常更好→追求极致精度（比如比赛、高精度落地）。

#Q16：如何解决过拟合？

A： 按工程落地优先级排序：

1. 数据端（最有效）：
   • 加数据
   • 强数据增强（Mixup、Cutout、CutMix）
2. 训练端（快速实现）：
   • 早停（Early Stopping）：验证集Loss连续N轮不下降就停
   • L2正则化（权重衰减）
   • 标签平滑（防止模型太自信）
3. 模型端：
   • 降低模型复杂度（比如从ResNet101换成ResNet50）
   • 加Dropout（注意Dropout和BN不要一起用在训练后推理阶段）。

#六、工程部署与实战高频（超级重要！！）

#Q17：模型压缩的三个核心方法？

A： 按落地易用性+效果排序：

1. 量化：把FP32→INT8/FP16，体积减4倍，推理速度提2-4倍，精度损失极小
2. 剪枝：移除权重小/对结果贡献弱的通道，直接减计算量
3. 知识蒸馏：大模型（教师）教小模型（学生）学输出概率分布（Soft Label），小模型能接近大模型的精度。

#Q18：ONNX/TensorRT/NCNN分别干啥？

A： 按部署链路理解：

1. ONNX：跨框架“翻译官”——把PyTorch/TensorFlow模型转成通用格式，方便迁移
2. TensorRT：NVIDIA GPU推理“加速器”——算子融合、显存优化，速度能提2-5倍
3. NCNN/MNN：手机/ARM嵌入式推理框架——包体小、不依赖第三方库，适合移动端落地。

#Q19：预处理/后处理的核心坑？

A： 避坑第一条：预处理必须和训练时100%一致！

• 比如训练时用的是(mean=[0.485,0.456,0.406], std=[0.229,0.224,0.225])的ImageNet归一化，推理时必须一模一样
• 比如训练时缩放到640×640用的是“保持宽高比+填充黑边”，推理时不能直接拉伸（会导致物体变形，精度暴跌）

后处理避坑：

• 大模型输出的后处理（比如NMS）经常比推理还慢→尽量用GPU加速（比如TensorRT Plugin、CUDA实现的NMS）。

#Q20：如何定位模型速度慢的问题？

A： 核心是分段测速！

• 测量全链路：数据加载→预处理→推理→后处理→结果传输
• 找瓶颈：
  • GPU利用率低（<50%）→瓶颈在CPU/IO（数据读不过来、预处理太慢）
  • GPU利用率高→模型计算量太大→换小Backbone、量化、剪枝
  • 传输时间长→不要返回原始图像，只返回坐标/掩码的压缩结果。

#七、项目深度访谈（体现个人能力的核心！）

#参考问题1：你项目的难点是什么？

参考回答（结合工程）：

“难点在于在边缘设备（比如20TOPS算力的 Jetson Nano）上把目标检测的端到端延迟控制在100ms以内，同时mAP不能降超过2%。 我先做了FP16量化，速度提了2倍但延迟还是150ms；然后把Backbone从ResNet50换成MobileNetV2，精度降了3%；最后又加了TensorRT的算子融合和动态Batch，延迟降到85ms，精度恢复到只降1.8%。”

#参考问题2：为什么选这个模型？

参考回答（体现Trade-off）：

“我选了YOLOv8s，因为它在精度、速度、部署难度之间达到了最优平衡点。 相比Two-stage的Faster R-CNN，它快10倍，适合实时场景；相比纯Transformer的DETR，它在小数据集（我只有2万张标注图）上收敛更快，且不需要太多调参；相比更轻的YOLOv8n，它的mAP高了5%，满足业务要求。”

#相关教程

• 计算机视觉基础
• 经典CNN架构剖析
• 目标检测理论