前言
记录实习面试经历，有关深度学习在医学图像处理方面的。
电话一面
-
看了项目，为什么使用U-net网络？好处是什么？与FCN网络相比，有什么不同？
回答：U-net的跳跃连接式结构，融合全局和局部信息，多尺度信息；针对医学图像处理（FCN待补充）
-
项目中为什么使用空洞卷积？好处是？
回答：扩大感受野，更好的结合多尺度信息；减少参数，降低训练时间
-
训练中出现过拟合现象的原因？解决的方法？
原因：
- 数据集不够
- 参数太多，模型过于复杂，容易过拟合
- 权值学习迭代次数足够多，拟合了训练数据中的噪声和训练样例中没有代表性的特征
解决办法：数据扩增正则化和dropout等
总结：
- 交叉验证法
- 减少特征
- 正则化
- 权值衰减
- 验证数据
-
分类相关框架：VGGNet的卷积核尺寸是多少？max pooling使用的尺寸？为什么使用$3\times3$的尺寸？
回答：用两个$3\times3$的尺寸卷积核可以相当一个$5\times5$卷积核，并且能够大量减少参数。
面试官进一步让我计算一下$5\times5$卷积核卷积，输入时RGB三通道图像，输出channel为2，计算一共需要多少参数。其中，$25\times3\times2=150$
-
是否了解RESNet的residual block?(不太了解😢)
-
是否了解检测的框架？Faster-RCNN与yolo相比哪个更快？两者区别？one-stage与two-stage检测？（答得不太好）
-
dropout具体的实现原理？随机的还是固定？对于训练过程和测试过程如何控制dropout？
-
dropout是针对sample还是batch?
由于我之前回答dropout原理上面类似于ensemble learning，面试官提示我，可以联系起来，应该是在sample上面dropout?
-
项目中使用的数据库哪些？如何获取的标签？评价指标用的哪些？具体指明？了解DICE吗？
回答：准确性，特异性，敏感性，AUC(还好做了笔记，要不公式真的会忘啊)
-
是否了解BN层？（没太使用）
-
项目中的测试结果有多少？如何牺牲一部分特异性来提高敏感性？医学上的意义更大？
面试官提示我，可以考虑血管像素在图像总像素的比例，进行正负样本的均衡化。
现场二面
首先问了项目细节（主要是图像分割）
有关像素分类的图像分割方法与传统块的分割有什么区别？像素分类的方法的优点？（减少复杂度，块滑动的参数过大）
有关分割网络框架
- 了解其他的分割网络吗？
- FCN网络为什么用全卷积层代替全连接层？
- SegNet的结构原理？去掉跳跃连接为什么会效果好？适用范围？
- 金字塔分割网络（FPN)？
- Deeplab的改进？Deeplab V3结构原理？Deeplab V3 plus改进？（有关加速？Xception等，没答上来）
有关分类网络框架
-
了解常见的分类网络吗？
-
Alexnet和VGGnet的区别？（主要答了卷积核尺寸和池化）
-
了解Inception网络吗？（待学习）
-
了解Densenet网络吗？（没会）
-
了解Resnet网络吗？残差块的原理解释？为什么残差块可以解决梯度消失的问题？
经过面试官提示，从反向传播角度考虑。回答，$F(x)+x$ 求导以后是$g(x)+1$ ，常数项的存在使得梯度不为0。
-
了解ResNext网络吗？（不了解）
-
$1\times 1$ 的卷积核有什么作用？
回答：一方面有降维的作用（其实还有升维作用，降低输入和输出的参数）；卷积相当于线性变换，不改变感受野，依靠RELU激活函数进行非线性化。
-
了解几种常见池化方法？
-
global average pooling的原理？（其实就是对整个feature map取平均，映射到一个特征点）
有关检测的框架
-
了解常见的检测网络吗？
-
faster-rcnn算法原理？two-stage和one-stage？rpn网络？Roi pooling?用到的损失函数？
回答：分类损失和框的回归损失。（分类用到交叉熵损失，回归是预测框与真实框的重叠面积）
-
损失函数有哪些？（平方差，指数，交叉熵）交叉熵损失函数的公式？针对多样本多像素？（对每个像素求损失，加和再取平均）
-
YOLO和SSD算法了解吗？为什么速度快？
Python相关
- 遍历一个列表的元素？
- list和元组哪个可变？（list的append)
- 输出列表序号索引内容？（提示：enumerate()函数）
- numpy，pandas，scikit-image，opencv里面处理图像的函数？
基本上总结这些了，小公司的offer也不好拿啊😢