前言
- 本人最開始對基於自動駕駛的計算機視覺十分感興趣，因此希望在讀研期間做自動駕駛感知算法研究相關的工作，但是無奈事與願違去做了與之毫不相關的計算機仿真。今年秋招的時候，還是希望做一些計算機視覺相關的工作，因此找的工作大多是
計算機視覺算法工程師。 - 在找實習和秋招的過程中，其實還面了很多其他的公司，但是有的印象不是特別深刻了，這裏主要舉了自己印象比較深的例子，僅代表個人體驗和情況，僅供參考。
- 在這裏順便推銷一波自己的github：https://github.com/littletomatodonkey和個人博客：https://littletomatodonkey.github.io/，歡迎關注和討論。
個人的準備與經驗
- 因爲課題不是計算機視覺相關，因此我在3月份的時候就開始刷題和準備找實習了。
數據結構和算法
- 我主要是用C++的，因此強推
C++ primer，工具一般的書，主要是全，可以隨意查找，當時從頭到尾瀏覽一遍也是必不可少的；此外，Essential C++、Effective C++、More Effective C++都是很好的書籍，建議儘量都看一看。 - 刷題的話，我主要是在LeetCode上刷題，最開始沒有定語言，所以用C#、java和C++都刷過，但是後來基本確定了用C++（還是希望自己的想法能和硬件結合並落地），一開始基本上都是不會，就不斷地看題解，去理解，後來就慢慢能習慣了（知道了題目的大概套路）。我建議在刷題的過程中，一開始毫無頭緒的時候可以看題解，但是同一類型的看了一些之後，就需要自己去嘗試解決，但是對於很難的問題，比如說可能半天或者一天都沒解決，那可以看看題解（不然太耽誤時間了…）。這方面的書籍的話，推薦
劍指offer、編程珠璣，都是非常經典的書籍。 - 看書的話，建議還是
算法導論，看起來內容和公式都很多，但是不管看不看懂，個人認爲還是需要有個大概的瞭解的，之後再刷題的時候遇到對應的算法，再去具體翻對應的章節，一遍看不懂就找博客看，然後再去看書上的描述，多看幾遍一般沒問題（我動態規劃那一塊好像看了10來遍…自己太菜了）。
CV相關
- 最開始我找的是機器學習算法工程師，所以
西瓜書看了兩遍（有些公式也是一直沒搞懂），後來發現雖然轉到了cv，但是像LR、SVM、RF這些很常用的機器學習算法在視覺中應用的也非常廣泛，對於面試也很有幫助，包括李航老師的統計學習方法，因爲比較精簡，我在面試之前也基本都是翻一翻。 - CV方面的話，特別是CNN相關的，首推還是
花書，很全面系統，雖然公式也是很多。 - CV從分類、檢測、識別到分割、跟蹤、場景理解任務，都有很多經典的論文，建議先看一下經典論文，對一些有源碼的，建議跑一下源碼，看一下具體的代碼結構和實現細節，稍微有一些經驗之後，可以嘗試去復現一些比較經典的模型結構或者論文，一方面可以讓自己增加對論文的理解，另一方面也可以更熟悉編程語言和工具。數據集一開始可能有的比較難下載，可以從
mnist或者cifar入手，之後再去跑Pascal VOC或者cityscapes等數據集。當然，如果在自己的項目中可以找到一些結合的點，還是建議自己實踐一下，給自己定個小目標，比如說發一篇論文或者專利等，這樣一方面可以對整個流程更加熟悉，從問題分析與模型構建，再到數據採集和處理、模型編程實現、調試、優化，到最後的成文，感覺對問題分析能力、代碼能力和論文撰寫能力都會有很大的提升，同時給自己定個目標也可以不斷push自己。 - 關於工具和開發流程的話，建議還是選一套自己最熟悉和喜歡的，我個人對於開發的話，平時調試和快速實現時，用python和matlab比較多，到最後需要部署或者上線的話，一般還是會轉成C++；對於編程工具的話，
jupyter notebook、sublime text、VS這些還是用的比較多的；對於常用庫的話，python一些常用的數值分析庫、opencv、mxnet、tensorflow這些都是比較常用的；關於編程的平臺，個人還是建議在linux下開展。 - 關於機器學習和計算機視覺方面的書籍，其實感覺還是多翻翻，可能是自己不是科班的，總覺得缺點什麼，秋招準備過程中翻了：
機器學習實戰、python機器學習、tensorflow實戰、視覺機器學習20講、python計算機視覺編程、caffe深度學習等，最後發現其實大多都很類似。
項目
- 如果課題與工作方向相關，建議定個小目標，比如說完成某個任務，然後發一篇論文或者專利之類的；如果無關的話，建議可以去kaggle或者天池上找一些比賽做一下，但是重點在學習，自己做之後，再和別人的思路和方法做一些對比，豐富自己的項目經驗。
實習面經
大疆
- 這是我最開始投的公司，投的是
機器學習算法工程師，但是因爲自己當時還沒有怎麼準備秋招，筆試就掛了，所以之後又補了大量關於深度學習和CV相關的基礎知識，發現以前真的是看的太粗淺了，很多細節都忽略了。
阿里（一面掛）
- 阿里是當時找實習的時候投的，後來面試跪了，在秋招的時候筆試就沒過2333。下面主要是實習的時候的面經。
- LR瞭解嗎？說一下它的loss function，使用極大似然估計說明一下loss function。
- 說一下自己的天池的項目，用到的隨機森林，說一下工作原理，怎麼選擇分支的節點的，loss function是什麼，RF有哪些超參數需要調節，怎麼選擇RF中的樣本特徵，超參數怎麼調節的，怎麼將LSTM/RNN與RF中得到的特徵進行結合的
- 還有沒有其他改進預測效果的思路
- 結構化道路提取的過程中，怎麼結合多種機器學習方法的？怎麼處理圖像噪聲干擾的？
- 體驗：感覺很在意細節，主要還是希望面試者對做過的東西非常熟悉吧，當時我也很清楚自己沒有達到他們的要求。。。
騰訊（一面掛）
- 做一下自我簡介(項目等)
- 說一下結構化道路提取的整個過程，怎麼將各種機器學習算法結合在一起的
- 結構化道路提取時，圖像噪聲怎麼去除的，同時怎麼去除去除噪聲的？有沒有考慮使用邊緣信息？
- 寫一道編程題：把一個二叉樹按照中序遍歷的方式轉化爲雙鏈表。
- 總結：這也是找實習的時候面試的，感覺項目方面回答的還不錯，但是編程題沒寫出來，直接就掛了，後來秋招筆試也掛了。。
京東
- 這也是找實習的時候面試的，連續面了2個半小時，猝不及防，也是掛了。
- 感覺京東當時在C/C++基礎方面問的比較多，面試官說項目比較缺人，希望面試通過的話可以立即入職輸出。
一面
- 自我介紹
- 說一下C/C++中static的用法
- 定義一個函數指針的數組
- 做幾道編程題：鏈表的順序變換，貪心算法
二面
- 說一下對機器學習的理解(宏觀的理解)
- 其實還有半監督學習，DL、RL等，（翻了我的博客）說一下對RL和auto-encoder的理解(我只是記過筆記，沒有深入研究。。。)
- 說一下你理解的隨機森林
- 推導一下LR的loss function
- bagging的全稱是什麼，除了SGD，還有哪些迭代優化的方法？(牛頓法之類的，我又沒答上來。。。
三面
- 介紹hashmap，在用戶和開發人員之間怎麼去定義接口。
- 定義並實現鏈表的基本操作。
地平線
- 這是當時找實習的時候面的，後來給了轉正offer，也算是秋招第一個offer吧，感激。
- 推導KCF。
- 推導SVM與BP，寫一下LR的loss function。
- 說一下自己對目標檢測與跟蹤這方面的理解，自己使用過哪些算法等。
- 算法題：排序，找到數組中的重複數字。
秋招面經
roadstar.ai
- 體驗：問的問題很有深度，在寫代碼時，也會非常注重細節。
一面
- 說一下KCF項目裏面主要用的平臺，有哪些硬件設備，自己做的這個部分的輸入輸出是什麼，檢測用的模型是什麼。
- 針對跟蹤丟失的問題，目前有什麼比較好的解決方案
- 項目中多目標跟蹤過程中主要算法流程和使用的方法，運動估計說一下。
- 怎麼去解決遠場景中的物體的跟蹤不準確、噪聲較大的問題。
- 多目標跟蹤使用的算法平臺。
二面
- 說一下語義分割的key factor：我自己說了data augmentation、轉置卷積、孔洞卷積、encoder-decoder，面試官說他做過這個，主要有以下幾個key factor：data augmentation、batch size要設置得大一些（resize或者crop減少一張圖像的大小）、OHEM（我自己用的focal loss，但是他說focal loss效果不明顯）。
- 說一下KCF
- 說一下SVM、KKT條件。
- 有什麼想要了解的
三面四面
- 這是兩輪coding，主要也是dfs+剪枝相關的思路，包括雙向鏈表類的實現、不使用虛函數實現多態等，感覺網上都找不到類似的例子。
依圖科技
- 體驗：依圖科技的面試真的很難。。。但是面試官給人的印象還是很好的。
一面
-
主要是說項目相關的，因爲面試官在cv方向做得稍微少一些，所以寫了一道編程題，就是生成一個有規律的矩陣，如下圖，就不做解釋了。
1 2 6 7
3 5 8 11
4 9 10 12 -
分析了一個關於數論的題目，題目太長，有點記不太清了，反正最後沒寫出來。。
-
項目的話，因爲面試官沒做過，所以問了指標相關的問題，然而我的項目裏面並沒有groundtruth。。。。感覺之後這一輪很迷，我好多都沒答上來，竟然還過了。。。
二面
- 項目，主要是多目標跟蹤的流程介紹。
- 視頻分割加速的原因和做法（單幀估計的跳變以及速度較慢）
8 寫了2道編程題，有一道是找到一個樹中的沒有直接父子節點關係的一個集合，求滿足這樣條件的集合的節點和（每個節點都有一個值）的最大值，還有一道忘了。。。
三面
- 手推一下kcf（還好提前看了一下。。。）
- 說一下基於檢測的多目標跟蹤和kcf的一些異同點
- 介紹一下其他的項目
- 代碼題：先說思路，再開始寫，具體的題目給忘了。。。
- 介紹一下自己做項目的時候主要用到的框架和開發環境等。
- C++容器和時間複雜度、繼承和多態、虛函數。
- 說一下自己感興趣的方向。
百度
一面
- 說一下目標檢測的基本框架，爲什麼RPN是有用的，one stage與two stage的區別。
- 編程：字符串解析，寫了3道題，感覺主要是考察hashmap和C++的使用。
- 語義分割常用模型，語義分割應該怎麼做才能提升效果。
二面
- 2道編程題，也是字符串解析，主要還是hashmap+細心即可。
- hashmap在設計和使用的過程中需要注意些什麼。
- 推導一下？卡爾曼濾波（項目中用到的）和SVM，說一下SVM中對偶問題和KKT條件。
三面
- 這一面主要是說一下宏觀的東西，從自動駕駛的方案到自己做過的一些項目，自己負責的主要部分，都說的比較多，感覺面試官主要還是想知道自己有沒有負責過完整的項目。
美團
一面
- 說一下語義分割的基本模型，然後寫了2道算法題，感覺面試官對語義分割不太瞭解，可能他更偏向於自動駕駛的定位方向吧，所以沒有問太多時間。
二面
- 推導KCF，說一下匈牙利算法是怎麼匹配的，寫了1道編程題，數組相關的。
三面
- 手寫連通區域分析算法，寫完之後問有沒有改進方法，我沒有答上來（之前覺得兩遍掃描法是最優解來着）。
- 說一下多目標跟蹤在誤匹配、跟丟等異常情況下的處理。
海康
- 海康總共就一輪技術面試，沒想到比較幸運，第二天又加面了一輪。
一面
- 語義分割模型，說一下fcn、segnet、unet、deeplab。
- 矩形IOU計算，任意旋轉的矩形的IOU計算（這個當時沒有想出來）。
加面
- 主要就是偏宏觀的東西，自己做過的項目現在重新做，有什麼可以改進的地方，自己之前做過的沒在簡歷上寫的東西等。
虹軟
一面
- 各種邏輯題和代碼題，代碼主要是堆棧之類的使用。
二面
- 推導SVM。
- 說一下RCNN流派物體檢測，訓練方法以及一些細節。
- deeplab系列都介紹一下。
- 多目標跟蹤中針對異常情況的解決方案。
- 項目中多線程的模塊設計方案。
圖森
總結
- 做過的東西一定要非常清楚，從公式到優缺點，到改進方案等。
- 簡歷很重要，一定要花心思去做，可以找靠譜的師兄師姐幫忙把關。
- 千萬不能浮躁，很多算法我第一遍沒看懂，後來多看幾遍好像也都差不多理解了（當然也都是一些比較常用的算法）。
- 自己最心儀的公司一定不要貿然去面試，一定要做好充足的準備，可以先拿不太想去的公司練練手（雖然好像有些不厚道）。
- 基礎知識很重要，基本知識的公式推導和概念一定要知道，常用的模型及其優缺點要了解。
- 建議在準備秋招的時候多看看一些新的比較好的論文，對一些前沿性的工作要有一些瞭解，有些面試官如果對你很感興趣，會問的比較多，在簡歷上的東西已經十分熟悉的情況下（保證深度），自己的知識體系也要儘量廣一些。