vinqi.com

计算机视觉算法工程师面试题及答题要点

CV算法岗面试通常 3-5 轮：1-2 轮技术面（基础+项目深挖+手撕代码）、1 轮交叉面或主管面、1 轮 HR 面。重点考项目真实性、深度学习基础和代码能力，最容易挂在项目细节被追问三层答不上来，以及手撕代码紧张写崩。

专业基础

讲一下卷积神经网络里感受野是什么，怎么计算的？

考察点：考察对 CNN 基本机制的理解是否扎实，能否推导而非背概念。

答题要点：
  1. 先给定义：某一层特征图上一个像素对应输入图像的区域大小。
  2. 给出递推公式：第 l 层感受野 =（第 l-1 层感受野 -1）× stride + kernel size，能现场推一层。
  3. 补充实际意义：感受野决定了网络能看到的上下文范围，与目标尺度匹配很重要。
  4. 可延伸：空洞卷积能在不增加参数的情况下扩大感受野。

别踩：只背定义不会推导，或把 stride 和 kernel size 的作用说反。

目标检测里 one-stage 和 two-stage 的区别是什么？各自的代表算法？

考察点：考察检测算法体系的知识框架，是否理解精度和速度的权衡。

答题要点：
  1. two-stage 先生成候选框再分类回归，代表是 Faster R-CNN 系列，精度通常更高。
  2. one-stage 直接回归框和类别，代表是 YOLO、SSD 系列，速度快适合部署。
  3. 说清权衡点：正负样本极度不均衡导致 one-stage 精度损失，Focal Loss 是针对这个的改进。
  4. 最好补一句自己实际用过哪类、在什么场景下选的哪种。

别踩：只报算法名说不出权衡原因，显得是背的而非用过。

过拟合你是怎么判断和处理的？

考察点：考察工程实践经验，是否真的训过模型、看过训练曲线。

答题要点：
  1. 判断：训练集指标持续上升但验证集指标停滞或下降，训练损失远低于验证损失。
  2. 处理按优先级说：先加数据或数据增强，再考虑正则化（weight decay、dropout）。
  3. 模型层面：减小网络规模、early stopping、用预训练权重微调。
  4. 强调会先排查数据泄漏，这是比过拟合更常见的假象。

别踩：把所有方法一口气罗列，没有优先级和判断依据。

BN 层的作用是什么？训练和推理时行为有什么不同？

考察点：考察基础细节，这是区分「用过」和「理解」的经典题。

答题要点：
  1. 作用：对每层输入做标准化，缓解内部协变量偏移，加速收敛，允许更大学习率。
  2. 训练时用当前 batch 的均值方差，推理时用训练阶段累积的移动平均。
  3. 说明为什么推理要用统计量：batch 不稳定，且部署时可能是单样本推理。
  4. 可延伸：batch 很小时 BN 统计量不准，可用 GroupNorm 替代。

别踩：说不清训练和推理的区别，或不知道移动平均统计量这回事。

项目经历深挖

挑一个你最熟悉的项目，讲讲你负责的部分和最终效果。

考察点：考察表达结构、项目真实性和个人贡献边界。

答题要点：
  1. 用「背景-任务-方案-结果」结构，控制在两分钟内，先讲清业务问题。
  2. 量化结果：mAP 提升多少、推理耗时降到多少毫秒、覆盖多少场景。
  3. 明确说「我做了什么」而不是「我们做了什么」，贡献边界要清楚。
  4. 留一两个有深度的细节不讲，等面试官追问时展开。

别踩：讲成流水账，全程「我们」，听不出你个人的贡献。

这个项目里你遇到最大的困难是什么，怎么解决的？

考察点：考察解决真实问题的能力，验证项目是不是你亲手做的。

答题要点：
  1. 选一个技术性强的真问题，比如小目标漏检、恶劣光照下误检。
  2. 讲排查过程：怎么定位原因（可视化、分场景统计错误分布），体现方法论。
  3. 讲尝试过的失败方案和为什么失败，失败的尝试最能证明真实性。
  4. 最后给量化的改进结果，形成闭环。

别踩：编一个「加班努力就解决了」的故事，没有技术细节，一追问就露馅。

为什么这个项目选这个模型/方案，而不是别的？

考察点：考察技术选型的思考能力，是否做过对比实验。

答题要点：
  1. 从约束条件出发：算力预算、延迟要求、精度目标、数据量大小。
  2. 给出至少一个被否掉的备选方案及否掉的理由，说明做过权衡。
  3. 有对比实验数据最好，没有就说清理论上的判断依据。
  4. 承认方案的不足和后续可优化点，显得客观。

别踩：只说「这个模型效果最好」，说不出当时有哪些备选和权衡逻辑。

如果让你重新做这个项目，你会改进哪些地方？

考察点：考察复盘能力和技术视野，看你是执行者还是有全局思考的人。

答题要点：
  1. 准备 2-3 个具体改进点，分数据、模型、工程三个维度各想一个。
  2. 每个改进点说明预期收益和代价，比如「数据侧补采困难场景，预计小目标召回能提」。
  3. 不要全盘否定原方案，说明当时的约束条件下已是合理选择。
  4. 如果已部分落地，提一句进展，加分明显。

别踩：说「都挺好的没什么可改」，或反过来把原项目贬得一文不值。

代码手撕与算法

手写一个 NMS（非极大值抑制）的实现。

考察点：CV 岗最高频手撕题，考察代码基本功和对检测流程的理解。

答题要点：
  1. 先口述思路再写：按置信度排序，取最高分框，删掉与它 IoU 超阈值的框，循环。
  2. 注意边界：空输入、按类别分别做 NMS、坐标顺序约定。
  3. IoU 计算单独写一个函数，交集面积注意 max(0, ...) 防负数。
  4. 写完主动跑一个两三个框的小例子验证，展示严谨习惯。

别踩：直接埋头写不口述思路，交集坐标算错（写成 min-max 混用）。

写代码实现 IoU 的计算，然后问怎么改成 GIoU / DIoU？

考察点：从基础题延伸，考察对检测回归损失演进的理解。

答题要点：
  1. IoU 部分注意交集为空时返回 0，除零保护。
  2. GIoU：在 IoU 基础上减去最小外接矩形面积与并集面积之差的比例。
  3. 说清动机：IoU 为 0 时梯度消失，GIoU 能提供优化方向。
  4. DIoU 再加中心点距离惩罚，CIoU 再加长宽比一致性，演进逻辑讲清楚即可。

别踩：IoU 写对了但说不清为什么要改进，只记得名字记不住公式含义。

给一个数组相关的算法题，比如滑动窗口或双指针。

考察点：考察通用算法能力，大厂 CV 岗也常考 LeetCode 中等难度题。

答题要点：
  1. 先确认输入范围和边界条件，再说思路，思路认可后再写。
  2. 写的时候保持变量命名清晰，i、j 的含义说清楚。
  3. 写完主动逐行检查一遍，再给时间复杂度分析。
  4. 卡住时说出当前的思路和卡点，不要长时间沉默。

别踩：不确认条件就开写，改来改去越写越乱；或卡住时完全沉默不沟通。

工程与部署

模型训练完了，怎么把它部署到线上？你了解哪些加速手段？

考察点：考察算法到落地的完整链路认知，很多公司要算法工程师懂部署。

答题要点：
  1. 讲链路：模型导出、转换格式、量化/剪枝、推理引擎、服务化接口。
  2. 加速手段分层说：工程层面如半精度推理、算子融合；模型层面如剪枝、蒸馏。
  3. 量化重点讲：INT8 量化的原理和精度损失怎么评估。
  4. 有实际部署经验就讲具体踩过的坑，没有就诚实说训练侧为主、了解原理。

别踩：只说「用某个框架就行」，讲不出量化和剪枝的区别与代价。

线上模型效果变差了，你怎么排查？

考察点：考察线上问题的系统排查思维，这是真实工作里最常见的事。

答题要点：
  1. 先确认范围：是整体掉点还是特定场景掉点，拉分场景指标。
  2. 对比线上数据分布和训练数据分布，大概率是分布偏移或新场景未覆盖。
  3. 检查输入链路：预处理是否一致、图像质量、分辨率、编码问题。
  4. 给出闭环方案：bad case 回流、标注、增量训练或数据增强补齐。

别踩：只回答「重新训练一下」，没有排查分层的思路。

数据标注质量差、标注量不够，你怎么办？

考察点：考察数据侧的工程手段，CV 岗一半工作在数据上。

答题要点：
  1. 先做标注质量审计：抽样检查、一致性检验，量化脏数据比例。
  2. 用模型预标注降低人工成本，人工只做校验和修正。
  3. 数据不够时：自监督/半监督、合成数据、难例挖掘回流。
  4. 说明会评估每条路线的成本收益，而不是无脑选最贵的。

别踩：只说「让标注团队重标」，显得没接触过数据侧的实际工作。

行为面试与 HR 面

你为什么想从上家公司离开？

考察点：考察稳定性和动机，判断你会不会很快再跳。

答题要点：
  1. 归因于发展诉求：想深耕的方向、更大的业务场景、更完整的算法链路。
  2. 不说前公司坏话，不提与领导同事的矛盾。
  3. 把离职原因和目标公司的优势对上，形成合理逻辑。
  4. 准备好被追问「为什么是我们公司」的答案。

别踩：抱怨加班、薪资、领导，或说「想换个环境」这种空泛理由。

和工程/产品同事在方案上有分歧，你怎么处理？举真实例子。

考察点：考察协作方式，算法岗经常要和工程团队拉扯资源与方案。

答题要点：
  1. 用 STAR 结构讲一个真实冲突，分歧点要具体（如精度与延迟的取舍）。
  2. 展示做法：先对齐目标，用数据说话，做对比实验代替口头争论。
  3. 结果上体现双方各退一步或找到更优解，不是「我说服了他们」。
  4. 总结一句方法论：对齐目标比争对错重要。

别踩：讲成「都是对方不懂技术」，或例子太假一听就是编的。

你的期望薪资是多少？

考察点：考察自我定位是否清晰，以及谈判成熟度。

答题要点：
  1. 先给区间不给单点，区间下限是你真实能接受的数。
  2. 参考依据：当前薪资基数、同级别市场行情、面试表现，说明这是综合判断。
  3. 表达弹性：薪资之外也看重方向和成长，但不要说「多少都行」。
  4. 被压价时问清总包结构：base、绩效、股票/期权、调薪机制。

别踩：报一个远超行情的数不解释依据，或一被压就立刻大幅让步。

面试准备清单

什么时候要做什么
面试前 3 天把简历上每个项目按「背景-任务-方案-结果-踩坑」重写一遍，每个项目准备 3 个可深挖的技术细节，量化指标背熟。
面试前 3 天过一遍高频基础题：感受野计算、BN、IoU/NMS/GIoU 系列、one-stage vs two-stage、常见损失函数，能白板推导的练到能白板写。
面试前 1 天手撕练习：NMS、IoU、翻转链表类基础题各限时写一遍，重点练「边说思路边写」的习惯。
面试前 1 天查目标公司的业务方向和近期技术动态，准备「为什么选我们」和「你能带来什么」的答案，各 30 秒版本。
面试当天准备 3 个反问问题：团队当前的技术挑战、入职后前三个月的期望、数据标注和算力资源情况。避免一上来就问薪资福利。
面试当天线上面试提前测试设备、准备白纸和笔（手撕可能要求开摄像头写）；现场面试带几份纸质简历。

常见问题

CV算法工程师面试一定会手撕代码吗？
绝大多数公司会考，大厂几乎必考。高频题集中在 NMS、IoU、卷积实现这类 CV 相关题，加上 LeetCode 中等难度的通用算法题。建议至少把 NMS 和 IoU 练到 10 分钟内能写对。
没有大厂项目经验，面试会吃亏吗？
项目本身大小不是关键，面试官看的是你对细节的掌握深度。把小项目讲透：为什么这么选型、踩了什么坑、怎么验证效果，比空泛的大项目更有说服力。可以补充开源贡献或复现论文的经历。
面试官问的论文细节答不上来怎么办？
诚实说「这个细节我记得不确切」，然后讲你确定的部分和整体思路，再补一句「我的理解是……如果不对请您指正」。硬编一个错误答案比承认不记得扣分多得多。
一般几轮面试，多久有结果？
常见 3-5 轮：技术面 1-2 轮、交叉或主管面 1 轮、HR 面 1 轮。流程快的公司一周内走完，慢的可能两三周。面完 3-5 个工作日没消息，可以礼貌跟进 HR 确认进度。

继续看这个岗位

简历怎么写 面试题与答题要点 技能要求与关键词

相关岗位

算法工程师简历推荐算法工程师简历NLP算法工程师简历数据分析师简历大数据开发工程师简历数据仓库工程师简历 算法工程师面试题推荐算法工程师面试题NLP算法工程师面试题数据分析师面试题 算法工程师技能要求推荐算法工程师技能要求NLP算法工程师技能要求数据分析师技能要求