多模态与计算机视觉
【ViT vs CNN】选择ViT和选择CNN编码图像分别的优势和劣势是什么？请从全局感受野、计算效率、数据需求、迁移能力等方面对比。 「腾讯」
原题【VQVAE Loss与VQ层】讲一下VQVAE的三个loss，以及VQ层如何将encoder得到的向量归到codebook中？commit loss中的beta参数有什么作用，初始化为多少？ 「阿里巴巴」
原题【不同视觉任务优化侧重点】面对不同视觉任务(如目标检测、图像分割、视频跟踪)，算法优化的侧重点有何不同? 请分别说明各任务的关键优化目标（如检测的定位与分类、分割的像素精度、跟踪的时序一致性）。 「京东」
原题【多分辨率输入】多分辨率输入是怎么实现的？它相比固定分辨率有什么优势？请说明实现方式（如图像金字塔、多尺度训练）及优势（如尺度鲁棒性、性能提升）。 「字节跳动」
原题【插值算法】手撕插值算法。请实现一种插值算法（如最近邻、双线性、双三次插值），并说明其原理和适用场景。 「拼多多」
原题【注意力区域与图像识别】注意力区域，是否用于优化图像识别能力？请解释注意力机制如何帮助模型聚焦于重要区域，并举例说明其在图像识别中的应用。 「百度」
原题原题未指定注意力结构，本条仅关联空间位置交互的机制。
【端侧设备算法选择】为何在AI端侧设备一般不使用传统图像算法？请从计算资源、实时性、精度等角度分析。 「腾讯混元」
原题【视觉检索 vs 轨迹距离】为什么要用视觉retrieve，不直接用轨迹之间的欧式距离作为retrieve方式? 请分析视觉检索相比轨迹距离的优势。 「百度」
原题【Grounding DINO】介绍grounding dino，他的几种text和image的融合方式。比如text做query，image是做k和v吗? 「蚂蚁集团」
原题【RQ-VAE】请介绍RQ-VAE的原理（包括与VQ-VAE的区别、与RQ-Kmeans的关系与取舍、输入获取方式、码本设计、损失函数、码本坍塌解决方案、超参数重要性、为何采用残差量化而非分布重建）。 「字节Seed、字节跳动、百度、美团、阿里巴巴」
原题
暂无题目