高光谱图像算法实习工程师面经

2023届秋招图像算法岗面经记录(TPlink(普联)、潮州三环、中电十所、科大讯飞、旷视、超参数、虹软、大华、速腾聚创、中兴、哲库、字节、OPPO、百度、之江实验室、蚂蚁、Intel、小米) 问得很细,期间发散的问我深度学习的相关知识,包括:轻量型模型有哪些?,BN层原理,一个B,C,H,W的特征在BN层参数,BN的均值方差测试时怎么算。我的反思:还是对自己简历做的东西不是很熟悉,NAFnet都是旷视出来的,都没有好好研究说清楚,基础网络要烂熟于心,最新的transformer等也要把经典的了解清楚。以及最后的做题环节,还是题做少了,好好准备。没做过这道题卡着了,也没在意说要在空间复杂度最小的情况下实现。反问环节: 旷视成都的业务主要是手机画质相关,包括去噪,超分,图像对齐,HDR等;..... 阅读详情

一、高光谱与图像算法工程师面试(北京某初创公司,清华电子系的)

only一轮面试,面试应该是失败了,我也不确定,不过也不想实习了,疫情太严重了,活着啥都好

第一轮:高光谱图像工程师

1.1 先自我介绍一波:
答:开始随意一波自我介绍
1.2 详细讲一下自己的做的项目以及遇到的问题:
答:讲了两个企业横向项目,一个是GPU加速的项目,主要问题是在于多线程的安全,另外一个项目是农业上的检测,主要是开源光照环境下,光谱曲线有差异,不一致性较高,导致模型算法预测容易错误。
1.3 讲一下之前公司实习的内容:
答:描述了一下之前实习负责的项目和工程
1.4 python题目:问最后输出是什么?

import numpy as np

var1 = [0, 0, 0, 0]
var1 = np.array(var1)
var2 = [var1, var1, var1]

var2[0][0] = 1

print(var2[2][0])

答:没回答起,其实很简单,但是当时太紧张了,而且平时对数组操作比较少了,应该是1,因为var1是不可变量,而var2中的var1每一个都指向同一个地址,所以一变就都变了
1.5 了解SVD分解吗?
答:了解一点,把一个矩阵分成三个矩阵,但是没有推到过,确实C++或者python都用SVD现成的调用,所以就没有去推导了。
在这里插入图片描述
下来补充,U,V分别叫做左奇异和右奇异矩阵,且是正交矩阵,U=AAT的特征向量,V=ATA的特征向量,中间的C是U或者V的特征值
1.6 了解伪迹吗?
答:不了解,实际上,我现在认为是面试官口误了,应该是伪逆,如果一个方阵可逆,被称为非奇异矩阵,如果一个非方阵可逆,则被称为伪逆,也叫做广义逆
1.7 y=ax 若a矩阵中M>N,则Y与x哪个大
答:我懵了,回答的一样大…真的是紧张完全没法去分析,若A[m,n],则X[n,L],y则[m,L],所以应该是Y大,真的失误好大呀
2 反问环节:
2.1 来了我能做什么:
答:做图像清晰方面
2.2 我需要学习什么:
答:学好python和数学…哈哈哈哈哈…估计没回答上面试官两道技术题,对我印象很差
2.3 能有转正机会吗?
答:能,不过应该叫意向offer吧
3 又被反问:
3.1 实习时间
3.2 之前提到的华为哪个部门,具体是哪个产品线,了解吗?
3.3 之前做农业项目,用的什么光谱仪?

高光谱图像拼接:SIFT算法变体与实战优化指南 图像拼接是计算机视觉与遥感领域的核心技术,旨在将多幅有重叠区域的图像无缝融合为一张大图。其核心原理在于特征点检测、描述与匹配,通过几何变换实现图像对齐。在遥感、测绘和虚拟现实等场景中,拼接技术对数据分析和可视化至关重要。面对高光谱图像数百个波段带来的维度灾难、辐射差异等挑战,经典SIFT算法需针对性改进。本文聚焦SIFT的变体与发展,探讨如何通过PCA降维、光谱约束匹配等策略,构建鲁棒的特征描述子,并利用改进的RANSAC算法实现高精度、高效率的高光谱数据融合,为处理复杂多维图像匹配提供工程实践思路。 阅读详情

相关推荐

高光谱图像显示避坑指南:MATLAB与ENVI色彩差异全解析

本文深入解析了MATLAB与ENVI在高光谱图像显示中产生色彩差异的根本原因,核心在于两者默认的对比度拉伸逻辑不同。ENVI为视觉解译默认应用“2%线性拉伸”等增强处理,而MATLAB的imshow函数则追求数据忠实再现。文章提供了从模拟ENVI拉伸到高级色彩校准的完整MATLAB代码方案,帮助用户实现跨平台色彩一致且高质量的图像显示。

weixin_29074295的博客 408

LLM资料大全:文本多模态大模型、垂直领域微调模型、STF数据集、训练微调部署框架、提示词工程等

自ChatGPT为代表的大语言模型(Large Language Model, LLM)出现以后,由于其惊人的类通用人工智能(AGI)的能力,掀起了新一轮[自然语言处理]领域的研究和应用的浪潮。尤其是以ChatGLM、LLaMA等平民玩家都能跑起来的较小规模的LLM开源之后,业界涌现了非常多基于LLM的二次微调或应用的案例。本项目旨在收集和梳理中文LLM相关的开源模型、应用、数据集及教程等资料,目前收录的资源已达100+个!底座包含模型模型参数大小训练token数训练最大长度是否可商用。

2401_85325726的博客 2113

高光谱图像分类实战:从特征降维到深度模型的调参与避坑指南

高光谱图像以数十至数百个连续窄波段记录地物光谱,图谱合一的特性使其在精细地物识别中极具价值,但也带来维数灾难与标注样本稀缺的挑战。掌握波段选择、PCA/MNF降维等特征处理原理,是构建可靠分类流程的基础。在实际应用中,从SAM快速基线、SVM调参与随机森林,到1D/2D/3D CNN的深度模型选型,均需结合精度评估与空间后处理综合权衡。本文围绕高光谱图像分类的完整实验链路,梳理任务定位、指标解读、模型调参和数据划分等工程要点,并给出可复用的代码骨架与避坑清单,帮助研究者和工程师减少重复踩坑。

weixin_30647423的博客 73

图像处理保研面试_保研面试时的英语自我介绍--经典!

第一篇:professors:Itismygreatpleasuretobehere.Mynameis****,graduatedfrom****Departmentof****University.Duringmyfour-yearstudyintheuniversityasanunder-graduatestudent,Ihavebui...

weixin_39525355的博客 220

高光谱图像融合实战:配准、算法选型与降维避坑指南

高光谱图像融合是解决空间分辨率低与光谱信息丰富之间矛盾的关键技术,其核心原理在于跨模态(高光谱+全色/多光谱)的几何对齐与光谱保真重建。技术价值体现在突破维数灾难、提升地物分类泛化能力,并支撑定量遥感解译。典型应用场景包括矿区矿物识别、农田胁迫监测、城市地物精细分类等。实践中必须优先保障亚像素级图像配准,科学选择IHS/PCA/深度学习等融合方法,并采用MNFD或端元驱动的降维策略——而非简单删波段。本文聚焦工程落地中的高频痛点,如配准残差超标、PCA光谱失真、GAN过拟合及SAM评估误用,提供可复现的代码

weixin_33624741的博客 283

高光谱图像MATLAB读取程序实战:格式解析与代码实现

高光谱遥感图像波段众多、数据量庞大,如何高效读取和处理海量数据是遥感与地学分析中的基础难题。与传统多光谱数据不同,高光谱图像常以ENVI标准格式存储,包含.hdr头文件和二进制数据文件,其中波段存储方式(BSQ、BIL、BIP)、数据类型和字节序等参数直接决定了解读的准确性。在实际工程中,ENVI等软件难以应对批量化和自动化需求,而MATLAB凭借强大的矩阵运算和灵活的文件IO机制,成为科研与工程中常用的高光谱数据处理工具。通过编写MATLAB读取程序,可以自主控制数据解析流程,支持波段选择、空间裁剪和降采

weixin_30516429的博客 345

图像算法工程师常考的面试问题附回答

图像算法面试的常用问题

吕先生的博客 2211

高光谱图像融合与UMAP降维实战指南

高光谱图像融合是遥感数据处理中的关键预处理步骤,旨在协同提升空间分辨率与保持光谱保真度;UMAP降维则通过流形学习保留判别性光谱结构,替代传统PCA避免吸收峰失真。其技术原理根植于光谱角距离建模与局部邻域保持,具备强物理可解释性与工程鲁棒性。在矿物识别、作物胁迫诊断、城市精细制图等任务中,融合+UMAP联合流程显著提升分类F1-score并增强模型泛化能力。本文聚焦PyTorch可微实现、配准校验、参数避坑及端到端联合优化,提供从原始数据到可部署模型的完整技术闭环。

weixin_29061465的博客 224

图像处理算法工程师——1必备技能总结——2面试题大全

图像算法工程师三重境界 : 一、传统图像算法工程师: 主要涉及图形处理,包括形态学、图像质量、相机成像之3A算法、去雾处理、颜色空间转换、滤镜等,主要在安防公司或者机器视觉领域,包括缺陷检测; 二、现代图像算法工程师: 涉及模式识别,主要表现的经验为Adaboost、SVM的研究与应用,特征选取与提取,包括智能驾驶的研究与应用、行人检测、人脸识别; 三、人工智能时代图像算法工程师: ...

发现问题,解决问题。 4万+

基于Python的卷积神经网络高光谱图像分类实战指南

高光谱成像是遥感领域的重要技术,通过获取数十至数百个连续波段的光谱信息,为地物识别提供了丰富的数据基础。然而,传统机器学习方法在面对高维光谱数据时,往往受限于维数灾难和人工特征设计的低效。深度学习,尤其是卷积神经网络(CNN)的引入,彻底改变了这一局面。CNN凭借局部感受野和自动特征提取能力,能够同时学习光谱与空间特征,显著提升分类精度。在精准农业、环境监测、矿物填图等应用中,基于CNN的高光谱图像分类已成为核心技术路径。本文从高光谱数据预处理出发,详细讲解PCA降维、patch提取、网络架构设计以及训练评

weixin_29061041的博客 332

高光谱图像分类:特征感知与协同表示实战指南

高光谱图像分类面临空间-光谱耦合失衡挑战,导致地物交界处(如农田边缘、阴影过渡带)分类结果不稳定。其本质是单像素建模忽略空间依赖性与光谱冗余性。特征感知通过物理先验(如红边位置、NDVI波段对)与局部信噪比自适应筛选关键波段,提升判别性与可解释性;协同表示则构建多尺度邻域(3×3窗口+SLIC超像素),结合协同注意力机制实现跨像元特征融合,强化同类聚集性。该方法显著改善边界像素分类鲁棒性,适用于遥感解译、精准农业与地质填图等工程场景。

weixin_29061531的博客 288

多光谱高光谱图像算法面经

系列文章目录 实习面经 文章目录系列文章目录前言一、高光谱与图像算法工程师面试(深圳某初创公司,70%以上为硕博)第一轮:两个高光谱遥感工程师第二轮:算法总监(美国匹兹堡博士)二、无人机多光谱算法工程师面试(广州某C轮无人机公司,感觉搞偏了,面图像去了)两个工程师面试,一个主导(做图像,所以后面偏了),HR全程陪同,腾讯云面试三、广州图像算法工程师面试(某上市二线大厂) 前言 高光谱、多光谱、图像算法实习面经,面了3家公司,一家A轮初创、一家C轮、一家二线大厂。一个感觉,工作岗位较少,基本和硬件有关,

Echo_Code的博客 2092

高光谱图像分类:特征感知与协同表示应对样本稀缺

高光谱图像分类常面临波段维度高、标注样本稀缺的双重挑战,传统分类器容易因特征冗余和过拟合而精度失稳。特征感知通过对原始光谱进行归一化、PCA压缩和Fisher加权,将冗余波段整理为紧致且判别性强的特征;协同表示则利用跨类字典重建像素,以各类重建残差作为分类依据。二者结合无需GPU即可在小样本条件下取得稳健性能,适用于遥感地物识别、精细农业等场景。本文从原理出发,详细解析特征感知与协同表示的实现细节、参数调优思路及常见避坑指南,帮助你在公开数据集上快速搭建高光谱分类流程。

weixin_31499265的博客 275

三星电子中国研究院招聘CV、NLP、语音/音频工程师和实习生

点击下方卡片,关注“CVer”公众号AI/CV重磅干货,第一时间送达三星电子中国研究院 招聘信息公司介绍:三星电子中国研究院是三星电子在华投资设立的具有独立法人资格的研发机构,具备博士后工作站运营资质,专注于人工智能、5G/6G通信技术研究和标准化等前沿技术,也积极进行商用化的开发、推动先进技术在三星产品中的商用化落地,提升三星电子产品的竞争力。真诚欢迎您的加入!※ 请应...

阿木寺的博客 970

海康Camera MVS Linux SDK二次开发封装ROS packge过程记录(c++)

https://www.hikrobotics.com/machinevision/service/download?module=0

weixin_41965898的博客 2万+

EDSR图像超分辨程序复现(踩坑及解决记录)

EDSR图像超分辨程序复现(踩坑及解决记录)

Sunny_Coder的博客 3643

【亲测免费】 探秘高光谱图像分类:基于MATLAB的随机森林之旅

探秘高光谱图像分类:基于MATLAB的随机森林之旅 去发现同类优质开源项目:https://gitcode.com/ 在当今的数据驱动时代,高光谱图像分析已成为遥感和计算机视觉领域的热点。MATLAB随机森林算法实现高光谱图像分类项目,正如一位默默无闻但才华横溢的艺术家,将复杂的高光谱数据编织成清晰的地图语言,借助于强大的随机森林算法,它在地表覆盖分类上展现出了卓越的能力。 技术剖析:在MATLA...

gitblog_09778的博客 485

特征图与token的区别以及两者之间的转换

特征图和token之间的联系以及两者之间的转换

mariodf的博客 1013

高光谱图像分类中的空间重叠数据泄露问题解析

高光谱图像分类中,基于补丁(patch-based)的方法因计算效率高而被广泛采用,但其训练与测试阶段若存在空间重叠(spatial overlap),极易引发隐式数据泄露(data leakage)。这种泄露并非文件重复,而是源于高光谱数据固有的强空间自相关性与光谱连续性,导致模型在测试时‘认脸’而非泛化。其技术价值在于揭示评估失真的结构性根源,直接影响精度可信度与模型部署鲁棒性。典型应用场景包括农业遥感、环境监测、军事目标识别等对空间连续性敏感的领域。本文聚焦补丁步长(stride)与空间重叠的量化关系

weixin_31960565的博客 244

别再只盯着meta包了!盘点R语言中7个元分析工具包的特色与适用场景

本文深入评测了R语言中7个主流元分析工具包(meta、metafor、netmeta、mada、mvmeta、metasens、rmeta)的核心功能与适用场景,帮助研究者根据具体需求精准选型。通过对比表格和实际代码示例,详细解析了各工具包在传统两两比较、网络Meta分析、诊断准确性研究等不同场景下的差异化优势,并提供了性能对比和组合使用建议。

weixin_30736301的博客 298

安川机器人SOCKET 通讯

命令 功能 参数 示例 返回 SelectJob 选择程序 JobName LineNo SelectJob TEST 0 #SelectJob,Ok StartJob 启动程序 JobName StartJob TEST #StartJob,Ok Pause 暂停当前程序 - Pause #Pause,Ok Continue 继续当前程序 - Continue #Continue,Ok ServoOn 伺服上电 - ServoOn #ServoOn,Ok ServoOf...

记录学习内容 8288

高光谱图像混合像元分解资源文件介绍:核心功能/场景

高光谱图像混合像元分解资源文件介绍:核心功能/场景 去发现同类优质开源项目:https://gitcode.com/ 详解混合像元分解,助力高光谱图像分析。 项目介绍 在遥感技术飞速发展的今天,高光谱图像以其丰富的光谱信息成为了研究的热点。然而,高光谱图像中的混合像元问题,即一个像元中包含多种地物信息,给图像分析和解译带来了挑战。为了解决这一问题,高光谱图像混合像元分解——资源文件介绍项目应运而生...

gitblog_06714的博客 595

YOLO26改进策略【YOLO和Mamba】| CVPR 2025:EfficientViM 压缩隐藏状态空间进行通道混合、单头设计减少内存操作,提升目标检测效率与精度

本文记录的是利用模块优化的目标检测网络模型。EfficientViM Block(基于隐藏状态混合器的状态空间对偶性模块) 的设计旨在,提升特征提取效率,同时兼顾全局依赖捕捉与局部细节保留。本文将深入研究的原理,并将其应用到中,通过重构特征提取流程、减少内存绑定操作、融合多阶段特征,增强模型在资源受限环境下的检测性能与速度。EfficientViM: Efficient Vision Mamba with Hidden State Mixer based State Space DualityEfficie

Limiiiing的博客 401

告别‘盲猜’:用Python实现超像素分割,让高光谱图像解混更精准(附SGSNMF代码)

本文详细介绍了如何利用Python实现超像素分割和SGSNMF算法,以提升高光谱图像解混的精准度。通过SLIC超像素分割替代传统固定窗口,并结合空间群稀疏正则化的Nonnegative Matrix Factorization(NMF)方法,显著提高了端元估计和丰度重建的准确性。文章还提供了完整的代码实现和实验结果分析,帮助读者快速掌握这一技术。

weixin_28711397的博客 142

基于STM32的多功能旅行箱_329

随着智能硬件技术的不断发展,智能化产品逐渐渗透到日常生活的各个领域。旅行箱作为出行必需的工具,其传统功能已无法满足现代用户的需求,尤其是在安全性、便捷性和智能交互方面。为了解决这一问题,本设计基于STM32单片机开发了一款多功能智能旅行箱,集成了移动防盗报警、语音寻箱、GPS定位、称重检测、手势控制和蓝牙通信等多项功能。通过STM32F103RCT6主控芯片与HC-05蓝牙模块进行通信,结合海凌科V20语音识别模块、ATGM336H-5N GPS模块和HX711称重模块,提供了全方位的智能化体验。

484

IO Virtualization with Virtio.part 2 [十三]

通过对virtio_device_id 中的 device 和 vendor 的值进行比较,我们找到对应的 virtio 驱动,由于这里我们使用 i2c virtio 为例,所以调用 virtio_i2c_probe 进行 virtio i2c 设备的初始化。在和 virtio mmio 设备交互时我们会读取 VIRTIO_MMIO_DEVICE_ID 和 VIRTIO_MMIO_VENDOR_ID,并将其值写入 virtio_device_id 中,这个就会用作后面和 virtio 设备驱动的匹配参数。

cxjczy1990的博客 1212
上一篇: 光谱定性分析流程与实现---基于OpenSA开源库完成
下一篇: 北京万*科技面经(自动驾驶、车路协同方向)
Echo_Code
博客等级 码龄7年 795粉丝 25原创
评论 9
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值