二面1、自我介绍2、深度神经网络常见的参数初始化方式，如果全部初始化为0，会出现什么情况 3、多卡并行的时候怎么实现参数共享，通信梯度是指平均梯度，还是最大梯度，还是梯度总和 4、介绍常见的梯度下降优化方法 5、神经网络（卷积/全连接）反向传播公式推导 6、 Focal Loss解决了什么问题，如何解决的，与OHEM有什么不同 7、斜着的矩形框如何求iou, 两个多边形的框如何求iou 8、 Detection你觉的还有哪些可做的点9、 卷积底层如何实现的 10、mini-Batch SGD相对于GD有什么优点 11、 DCN比普通卷积多了多少计算量

技术面1、自我介绍2、项目介绍3、Softmax+Cross Entropy反向求导4、BatchNorm层的详细解读5、Conv+BN加速策略6、常见的模型加速方法7、目标检测里如何有效解决常见的前景少背景多的问题 8、目标检测里有什么情况是SSD、YOLOv3、Faster R-CNN等所不能解决的，假设网络拟合能力无限强9、分类和检索两个问题可以怎么理解 10、ROIPool和ROIAlign的区别，以及ROIAlign的简单实现

一面1、自我介绍2、项目介绍3、K-means算法流程？它与KNN的区别？4、描述Canny算法的流程5、什么样的数据集不适合用深度学习？6、如何解决数据不平衡问题？7、常用的激活函数的优缺点？8、参数更新的方法？9、常用的几个模型10、还有什么要问我的？

一面1、自我介绍2、项目介绍3、神经网络（CNN）在图像中广泛应用的原因？4、CNN不适用的场景？5、当神经网络效果不好时，应该从哪些方面考虑解决该问题？6、深度学习中加速收敛/降低训练难度的方法有哪些？7、常见的稳定排序算法有哪些？8、常见的不稳定排序算法有哪些？9、完全搜索算法有哪些？10、随机搜索算法有哪些？

技术面1、自我介绍2、项目介绍3、Batch Normalization4、超参数搜索方法5、如何理解卷积、池化等、全连接层等操作6、1x1大小的卷积核的作用7、常见激活函数特点8、训练过程中,若一个模型不收敛,那么是否说明这个模型无效?导致模型不收敛的原因有哪些?9、深度学习中的不同最优化方式，如SGD，ADAM下列说法中正确的是？10、深度学习：凸与非凸的区别11、googlenet提出的Inception结构优势

一面1、自我介绍2、项目介绍3、深度学习：凸与非凸的区别4、googlenet提出的Inception结构优势有那些5、深度学习中的激活函数需要具有哪些属性？6、神经网络中经典使用的优化器？7、哪种方法一般不用于在大数据集上训练DNN8、举例深度学习算法的实际应用9、多尺度问题怎么解决？10、你还有什么要问我的嘛

二面/技术面1、dropout的原理2、为什么SSD对小目标检测效果不好：3、空洞卷积及其优缺点4、Fast RCNN中位置损失为何使用Smooth L1：5、Batch Normalization6、超参数搜索方法7、如何理解卷积、池化等、全连接层等操作8、1x1大小的卷积核的作用9、 常见激活函数特点10、训练过程中,若一个模型不收敛,那么是否说明这个模型无效?导致模型不收敛的原因有哪些?

一面1、什么是反卷积2、反卷积有哪些用途？3、解释神经网络的万能逼近定理4、神经网络是生成模型还是判别模型？5、Batch Normalization 和 Group Normalization有何区别？6、模型压缩的主要方法有哪些7、目标检测中IOU是如何计算的？8、使用深度卷积网络做图像分类如果训练一个拥有1000万个类的模型会碰到什么问题？9、深度学习中为什么不用二阶导去优化？10、深度机器学习中的mini-batch的大小对学习效果有何影响？

一面(技术面)1、相机外参，相机内参2、分水岭算法3、目标检测了解吗4、3D这块有了解吗5、论文是你写的吗6、介绍一下图像分割7、Deeplab v1, v2, v3, v3+8、U-net后续改进9、Non-local10、经典三维重建公式11、分割常用backbone二面(技术面)1、数据增强方法2、dropout方法3、图像分割常见深度学习方法4、简单介绍一下三维重建项目，平行还是stereo，如何估计的depth map5、deep lab v3与deep lab v3+的区别6、深度可分离卷积介绍，输入输出，channel数7、为什么mobile net要用深度可分离卷积8、数据集imbalance如何处理9、常见的图像分割损失函数10、iou能作为损失函数吗11、linux 下shell命令行开发熟悉吗12、组里以发论文为主，写论文的意愿13、相机内外参14、现在大几，可实习到什么时候15、希望自驱性比较高总结二次面试过程中我都有些太随意了，有过一些打断面试小姐姐说话的举动，谢谢说的比较少，中间不舒服还活动了下嗓子...还好问的问题比较简单最后过了。

一面1、自我介绍2、项目介绍3、给定0-1矩阵，如何求连通域？ 4、OCR任务中文本序列识别的主流方法是什么？5、在神经网络体系结构中，哪些会有权重共享？？ 6、平面内有两个矩形，如何快速计算它们的IOU？7、使用深度卷积网络做图像分类如果训练一个拥有1000万个类的模型会碰到什么问题？ 8、 HMM和CRF的区别？ 9、深度学习中为什么不用二阶导去优化？10、深度机器学习中的mini-batch的大小对学习效果有何影响？11、线性回归对于数据的假设是怎样的？ 12、Bias和Variance的区别？