覆盖CV面试常考点,我用表格形式呈现给uu们

常见的网络结构

名称	含义	区别
RPN（Region Proposal Network）	是一种用于目标检测的神经网络模块。主要用于生成可能包含目标物体的候选区域（region proposals）。例如在Faster R - CNN中，RPN通过在特征图上滑动窗口，预测每个位置的物体得分和边界框回归参数，为后续的分类和精确定位提供候选区域，它关注的是如何高效地生成目标候选区域。	与SPP相比，RPN侧重于区域提议的生成，而SPP主要用于处理不同尺度的特征；和PAN对比，PAN重点在多尺度特征融合用于检测不同大小目标，RPN是前期的区域筛选；和Attention不同在于Attention是增强特征表达的权重分配，RPN是生成候选区域；和Focus不同，Focus是改变数据处理方式来丰富特征，RPN是专注于目标区域提议。
SPP（Spatial Pyramid Pooling）	用于处理输入图像或特征图中不同尺度的目标。它可以将不同尺寸的特征图转换为固定长度的向量表示，以适应后续的全连接层等操作。比如在目标检测中，无论输入的物体大小如何变化，SPP都能有效地提取其特征。	和RPN不同，SPP不是用于生成候选区域而是特征尺度处理；对比PAN，SPP主要针对特征尺度不变性，PAN侧重于多层级特征融合；相较于Attention，SPP主要处理尺度问题，不是特征权重分配；和Focus区别在于，SPP处理尺度差异，Focus一般是对特征通道等进行操作来增强特征。
PAN（Path Aggregation Network）	主要用于目标检测中的特征融合。它融合了不同层次的特征信息，增强对不同大小目标的检测能力。通过自底向上和自顶向下的路径聚合，有效地利用了浅层的细节特征和深层的语义特征。	与RPN不同在于，PAN是融合特征用于更好检测，RPN是生成候选区域；和SPP对比，PAN重点在特征融合而不是尺度不变性；相较于Attention，PAN是特征融合架构，Attention更多是在特征内部调整权重；与Focus的区别是，PAN是多层级特征融合方式，Focus不是融合相关的操作。
Attention	是一种机制，在深度学习中用于增强模型对关键特征部分的关注。它可以根据输入数据的不同部分的重要性分配不同的权重。例如在自然语言处理中，Attention可以让模型更加关注句子中的关键词。在计算机视觉中，也可以用于聚焦图像中的重要区域。	和RPN不同，Attention不是生成区域而是对已有特征加权；对比SPP，Attention不是处理尺度而是强调特征重要性；与PAN不同，Attention主要是权重分配而不是特征融合；和Focus不同，Attention一般是基于特征重要性加权，Focus可能是改变数据输入方式等增强特征。
Focus	是一种特征增强的策略，通过改变数据的处理方式来丰富特征表示。例如在某些模型中，通过对数据的重新采样或者组合来获取更多的特征信息。	与RPN相比，Focus不是用于区域提议而是特征增强；和SPP不同，它不是解决尺度问题而是特征表示的增强；与PAN对比，它不是特征融合而是独立的特征增强操作；和Attention的区别在于，它不是基于权重分配，而是通过改变数据处理方式来增强特征。

目标检测常考点

算法	原理要点	优势	局限性
YOLO（You Only Look Once）系列	将目标检测视为回归问题，直接预测物体类别和位置。网络结构相对简单，如YOLOv5在不同尺度特征图上检测不同大小物体，由卷积层和全连接层等组成	速度快，能实时检测，便于部署和优化	对于小目标检测精度可能相对较低，复杂场景下某些目标特征学习不够充分
SSD（Single Shot MultiBox Detector）	使用不同尺度特征图预测不同大小物体，每个特征图位置预测多个默认框及类别分数和偏移量	兼顾速度和精度，短时间内可检测多种目标	对一些特殊形状或极小目标检测效果有提升空间，模型设计相对复杂
Faster R - CNN	包含RPN（Region Proposal Network）和后续分类与回归头。RPN在特征图上滑动窗口产生候选框，通过ROI Pooling（或ROI Align）提取候选框特征进行分类和边界框回归	精度较高	速度相对较慢，不适合对实时性要求极高的场景
CenterNet	以物体中心点表示物体，预测中心点位置和尺寸等信息，无需预设锚点	简化网络结构和训练过程，在部分场景下检测效果好且速度可观	对密集目标检测时可能存在中心点混淆问题，在一些极端遮挡场景下性能受影响
DETR（Detection Transformer）	基于Transformer架构，将目标检测转换为集合预测问题，可直接输出检测结果，避免复杂手工设计组件（如NMS）	能处理不同数量目标，复杂场景表现出色	计算资源消耗大，训练时间长，对小数据集可能过拟合

目标追踪常考点

算法	原理要点	优势	局限性
MOSSE	基于相关滤波，在频域计算滤波器响应，通过训练滤波器使卷积结果与目标模板误差最小，公式为$H=\frac{\overline{X}Y}{\overline{X}X+\lambda }$	计算速度快，适用于实时性要求高、目标外观变化小的简单场景	对目标外观变化适应性差，目标形变、遮挡时跟踪效果下降
KCF	基于CSK算法，采用核函数处理非线性关系，将跟踪问题转化为分类问题，利用循环矩阵减少计算量，考虑样本权重更新滤波器	对目标外观变化适应能力较强，能应对一定程度的旋转和尺度变化	目标严重遮挡、快速运动时可能跟踪丢失，核函数和参数影响跟踪效果
Siamese Network（如SiamFC）	由两个相同子网络（通常是CNN）构成，一个输入目标模板图像，一个输入当前帧搜索图像，提取特征后通过互相关操作计算相似度，根据响应图峰值定位目标	能学习目标特征表示，对目标平移、旋转等外观变化有鲁棒性	长期跟踪中，目标外观剧烈变化或长时间遮挡可能导致跟踪失败
DeepSORT	结合深度学习外观模型（用CNN提取特征）和卡尔曼滤波，用外观模型区分目标，卡尔曼滤波预测目标状态，新目标检测后提取特征与已跟踪目标匹配并更新状态	能在复杂场景下跟踪多个目标，有效处理遮挡、目标新生和消失情况	计算资源消耗大，在资源受限设备上运行困难，性能依赖参数设置和训练质量

图像识别常考点

网络结构/算法	原理常考	优势	局限性
传统机器学习算法 - SVM（Support Vector Machine）	通过寻找超平面区分不同类别图像特征向量，线性不可分数据可借核函数映射到高维空间。如基于HOG特征提取后的图像分类。	小样本数据表现佳，泛化能力好，对高维数据有处理力且模型解释性强。	大规模数据训练慢，特征提取依赖人工设计，复杂图像语义理解弱。
深度学习算法 - AlexNet	含多个卷积与全连接层，如5个卷积层和3个全连接层，采用ReLU激活函数缓解梯度消失。	开启深度学习图像识别大规模应用，在ImageNet竞赛显著降误率。	深度有限，复杂图像场景与细分类任务表现欠佳。
深度学习算法 - VGGNet	规整结构，如VGG - 16、VGG - 19，堆叠3x3小卷积核达16 - 19层深度。	图像分类出色，提取语义特征好，适应不同大小图像输入。	网络深致计算大、训练久，硬件资源需求高。
深度学习算法 - ResNet（Residual Network）	引入残差连接，残差块学习残差函数 F ( x