添加若干道【深度学习】【机器学习】【计算机视觉】面试题

Author: amusi

docs/传统图像处理.md

@@ -2,14 +2,14 @@
 
 # 传统图像处理
 
-## 001 颜色空间介绍
+## 颜色空间
 
 - **RGB**
 - **HSI**
 - **CMYK**
 - **YUV**
 
-## 002 高斯滤波
+## 高斯滤波
 
 > 先引入两个问题。
 >  1.图像为什么要滤波？
@@ -75,55 +75,55 @@
 - [简单易懂的高斯滤波](https://www.jianshu.com/p/73e6ccbd8f3f)
 - [图像滤波之高斯滤波介绍](https://www.cnblogs.com/qiqibaby/p/5289977.html)
 
-## 003 腐蚀和膨胀
+## 腐蚀和膨胀
 
 - [ ] TODO
 
-## 004 开运算和闭运算
+## 开运算和闭运算
 
 - [ ] TODO
 
-## 005 线性插值
+## 线性插值
 
 - [ ] TODO
 
-## 006 双线性插值
+## 双线性插值
 
 - [ ] TODO
 
-## 007 仿射变换
+## 仿射变换
 
 - [ ] TODO
 
-## 008 透视变换
+## 透视变换
 
 - [ ] TODO
 
-## 009 介绍常见的边缘检测算子
+## 常见的边缘检测算子
 
 - [ ] TODO
 
-## 010 介绍Sobel算法
+## Sobel算法
 
 - [ ] TODO
 
-## 011 介绍Canny算法
+## Canny算法
 
 - [ ] TODO
 
-## 012 Hough变换原理（直线和圆检测）
+## Hough变换原理（直线和圆检测）
 
 - [ ] TODO
 
-## 013 找轮廓（findCountours）
+## 找轮廓（findCountours）
 
 - [ ] TODO
 
-## 014 单应性（homography）原理
+## 单应性（homography）原理
 
 TODO
 
-## 015 二维高斯滤波能否分解成一维操作
+## 二维高斯滤波能否分解成一维操作
 
 答：可以分解。
 
@@ -135,19 +135,15 @@ TODO
 
 - [快速高斯滤波、高斯模糊、高斯平滑(二维卷积分步为一维卷积)](https://blog.csdn.net/qq_36359022/article/details/80188873)
 
-## 016 介绍HOG算法
+## HOG算法
 
 - [ ] TODO
 
-## 017 怎么理解图像的频率
+## 双边滤波
 
 - [ ] TODO
 
-## 018 双边滤波
-
-- [ ] TODO
-
-## 019 图像中的低频信息和高频信息
+## 图像中的低频信息和高频信息
 
 图像频率：图像中灰度变化剧烈程度的指标
 
@@ -164,49 +160,49 @@ TODO
 
 - [理解图像中的低频分量和高频分量](https://blog.csdn.net/Chaolei3/article/details/79443520)
 
-## 020 引导滤波
+## 引导滤波
 
 **参考资料**
 
 - [【拜小白opencv】33-平滑处理6——引导滤波/导向滤波（Guided Filter）](https://blog.csdn.net/sinat_36264666/article/details/77990790)
 
-## 021 介绍分水岭算法
+## 分水岭算法
 
 - [ ] TODO
 
-## 022 介绍RANSAC算法
+## RANSAC算法
 
 - [ ] TODO
 
-## 023 介绍Bundle Adjustment（BA）算法
+## Bundle Adjustment（BA）算法
 
 - [ ] TODO
 
-## 024 介绍L-M算法
+## L-M算法
 
 - [ ] TODO
 
-## 025 介绍SIFT算法
+## SIFT算法
 
 - [ ] TODO
 
-## 026 介绍SURF算法
+## SURF算法
 
 - [ ] TODO
 
-## 027 介绍ORB算法
+## ORB算法
 
 - [ ] TODO
 
-## 028 介绍LSD算法
+## LSD算法
 
 - [ ] TODO
 
-## 029 介绍LBP算法
+## LBP算法
 
 - [ ] TODO
 
-## 030 如何求一张图片的均值？
+## 如何求一张图片的均值？
 
 - [ ] TODO
 

docs/机器学习.md

@@ -682,14 +682,23 @@ CART在生成子树时，是选择一个特征一个取值作为切分点，生
 - [XGBoost——机器学习（理论+图解+安装方法+python代码）](https://blog.csdn.net/huacha__/article/details/81029680)
 - [一文读懂机器学习大杀器 XGBoost 原理](http://blog.itpub.net/31542119/viewspace-2199549/)  
 
-## Adaboost、GBDT与XGBoost的区别
+### Adaboost、GBDT与XGBoost的区别
 
 - [ ] TODO
 
 **参考资料**
 
 - [Adaboost、GBDT与XGBoost的区别](https://blog.csdn.net/hellozhxy/article/details/82143554)
 
+## 高斯混合模型（GMM）
+
+- [ ] TODO
+
+**参考资料**
+
+- [深度理解高斯混合模型（GMM）](http://blog.sina.com.cn/s/blog_a36a563e0102y2ec.html)
+- [高斯混合模型（GMM）](https://blog.csdn.net/m_buddy/article/details/80432384)
+
 ## 马尔科夫随机场（MRF）
 
 ### 基本原理
@@ -738,6 +747,15 @@ PCA（Principal Component Analysis）是一种常用的数据分析方法。PCA
 - [PCA的数学原理(转)](https://zhuanlan.zhihu.com/p/21580949)
 - [第13章 利用 PCA 来简化数据](https://www.cnblogs.com/apachecnxy/p/7640976.html)
 
+## 线性判别分析（LDA）
+
+TODO
+
+**参考资料**
+
+- [线性判别分析LDA原理总结](https://www.cnblogs.com/pinard/p/6244265.html)
+- [LDA原理小结](https://blog.csdn.net/qq_16137569/article/details/82385050)
+
 ## 奇异值分解（SVD）
 
 ### 基本原理
@@ -1198,11 +1216,11 @@ L2正则化参数
 
 - [ ] TODO
 
-## Sigmoid
+## Softmax
 
 - [ ] TODO
 
-## Softmax
+### Softmax是和什么loss function配合使用？
 
 - [ ] TODO
 

docs/深度学习.md

@@ -154,6 +154,10 @@ if (this->layer_param_.pooling_param().pool() == PoolingParameter_PoolMethod_MAX
 
 - [Batch Normalization原理与实战](https://zhuanlan.zhihu.com/p/34879333)
 
+### 手写 BN
+
+- [ ] TODO
+
 ### BN可以防止过拟合么？
 
 - [ ] TODO
@@ -292,7 +296,7 @@ $$
 $$
 - [ ] TODO 
 
-## 常见的激活函数及其特点
+## 激活函数
 
 - [ ] TODO
 
@@ -301,11 +305,37 @@ $$
 - [What is activate function?](https://yogayu.github.io/DeepLearningCourse/03/ActivateFunction.html)
 - [资源 | 从ReLU到Sinc，26种神经网络激活函数可视化](https://mp.weixin.qq.com/s/7DgiXCNBS5vb07WIKTFYRQ)
 
-### ReLU及其变体
+### Sigmoid
+
+- [ ] TODO
+
+### tanh
 
 - [ ] TODO
 
-### 激活函数relu为什么比sigmoid和tanh好？ 
+### ReLU
+
+- [ ] TODO
+
+ReLU 相关变体
+
+#### ReLU激活函数为什么比sigmoid和tanh好？ 
+
+- [ ] TODO
+
+#### ReLU激活函数为什么能解决梯度消失问题？
+
+- [ ] TODO
+
+## Dropout
+
+- [ ] TODO
+
+**参考资料**
+
+- [理解dropout](https://blog.csdn.net/stdcoutzyx/article/details/49022443)
+
+### Drop 在训练和测试的区别
 
 - [ ] TODO
 
@@ -530,6 +560,29 @@ identity mapping顾名思义，就是指本身，也就是公式中的x，而res
 
 - [ResNeXt算法详解](https://blog.csdn.net/u014380165/article/details/71667916)
 
+## Inception（V1-V4）
+
+### InceptionV1
+
+- [ ] TODO
+
+### InceptionV2
+
+- [ ] TODO
+
+### InceptionV3
+
+- [ ] TODO
+
+### InceptionV4
+
+- [ ] TODO
+
+**参考资料**
+
+- [一文概览Inception家族的「奋斗史」](https://baijiahao.baidu.com/s?id=1601882944953788623&wfr=spider&for=pc)
+- [inception-v1,v2,v3,v4----论文笔记](https://blog.csdn.net/weixin_39953502/article/details/80966046)
+
 ## DenseNet
 
 - [ ] TODO
@@ -1078,14 +1131,6 @@ MobileNetv1：在depthwise separable convolutions（参考Xception）方法的
 
 - [ ] TODO
 
-## Dropout原理（在训练和测试的区别）
-
-- [ ] TODO
-
-**参考资料**
-
-- [理解dropout](https://blog.csdn.net/stdcoutzyx/article/details/49022443)
-
 ## 学习率如何调整
 
 - [ ] TODO

docs/自然语言处理.md

@@ -2,39 +2,39 @@
 
 # 自然语言处理
 
-## 001 列出几种文本特征提取算法
+## 列出几种文本特征提取算法
 
 答：文档频率、信息增益、互信息、X^2统计、TF-IDF
 
-## 002 RNN为什么会梯度消失？
+## RNN为什么会梯度消失？
 
 - [ ] TODO
 
-## 003 LSTM怎么能解决梯度消失问题？
+## LSTM怎么能解决梯度消失问题？
 
 - [ ] TODO
 
-## 004 深度学习如何提取query特征？
+## 深度学习如何提取query特征？
 
 - [ ] TODO
 
-## 005 如何利用深度学习计算语义相似度？
+## 如何利用深度学习计算语义相似度？
 
 - [ ] TODO
 
-## 006 介绍一下Word2vec，CBOW和Skip-gram的区别是什么？
+## 介绍一下Word2vec，CBOW和Skip-gram的区别是什么？
 
 - [ ] TODO
 
-## 007 GRU和LSTM、RNN的区别是什么？
+## GRU和LSTM、RNN的区别是什么？
 
 - [ ] TODO
 
-## 008 LSTM用来解决RNN的什么问题？
+## LSTM用来解决RNN的什么问题？
 
 - [ ] TODO
 
-## 009 如何判断word2vec的效果好坏？
+## 如何判断word2vec的效果好坏？
 
 - [ ] TODO