3. 深度学习与计算机视觉基础面试题

面试官考察点

考察对两种主流架构的底层理解，以及能否结合自动驾驶任务（如2D检测、BEV感知、时序融合）做技术选型，而非单纯背概念。

回答框架

1. 先讲CNN的归纳偏置：局部性、平移不变性，适合图像纹理、边缘、小目标检测。
2. 再讲Transformer的全局建模能力：自注意力、长程依赖，适合BEV跨相机融合、时序建模。
3. 结合任务：前视2D检测常用CNN backbone；BEV感知和Occupancy常用Transformer或混合架构。
4. 补充趋势：CNN+Transformer混合、Deformable Attention降低计算量。

简短示例回答

“CNN局部性强、计算高效，适合前视2D检测和图像特征提取；Transformer全局注意力强，适合BEV跨相机融合和时序建模。实际项目中常用混合架构，比如CNN backbone加Transformer neck，兼顾效率和全局感知。”

可能追问

• Deformable Attention相比标准Attention有什么优势？
• Transformer在车载端部署的延迟瓶颈在哪里？
• 如何用CNN模拟全局注意力？

避坑提醒

不要只说“Transformer更好”，要结合算力、延迟、数据量说明选型依据；避免把CNN和Transformer对立起来，实际工程中常是混合使用。

面试官考察点

考察对BEV表征、多传感器融合方式、Occupancy Network的理解，以及能否说清从“检测框”到“通用障碍物”的演进逻辑。

回答框架

1. BEV融合方式：前融合（点云+图像原始数据）、特征融合（BEV特征拼接/注意力）、后融合（检测结果融合）。
2. 主流做法：图像特征通过LSS或Transformer投影到BEV，与激光雷达BEV特征融合。
3. Occupancy优势：不依赖3D框标注，可表达任意形状障碍物，适合异形车、施工区域、路沿等。
4. 补充：Occupancy输出体素占用与语义，可直接用于规划避障。

简短示例回答

“BEV融合常用特征级融合，把图像特征通过LSS或Transformer投影到BEV空间，再与激光雷达特征拼接。Occupancy不依赖3D框，用体素表达任意形状障碍物，对异形车、施工区更鲁棒，输出可直接给规划用。”

可能追问

• LSS的深度分布估计误差如何影响BEV效果？
• Occupancy的标注成本如何降低？
• 纯视觉Occupancy和激光雷达Occupancy的差异？

避坑提醒

不要混淆BEV检测和Occupancy的任务边界；避免只说“Occupancy更先进”，要讲清它解决的是通用障碍物表达和标注成本问题。

面试官考察点

考察对分类、回归、不确定性建模损失函数的掌握，以及数据增强、蒸馏、课程学习等训练技巧的实战经验。

回答框架

1. 分类损失：Cross Entropy、Focal Loss解决类别不平衡。
2. 回归损失：Smooth L1、IoU Loss、GIoU/DIoU，用于框回归。
3. 不确定性：Gaussian NLL、Laplace Loss，用于深度估计和Occupancy。
4. 训练技巧：数据增强（CutMix、Mosaic）、知识蒸馏、课程学习、EMA、混合精度。

简短示例回答

“分类常用Focal Loss缓解类别不平衡，回归用Smooth L1或IoU系列损失。Occupancy任务常用Gaussian NLL建模不确定性。训练时用Mosaic增强、EMA稳定训练，大模型用蒸馏压缩到车端。”

可能追问

• Focal Loss的α和γ如何调？
• 知识蒸馏在BEV感知中怎么用？
• 课程学习在自动驾驶训练中如何设计？

避坑提醒

不要只列损失函数名称，要说明适用场景；训练技巧要结合具体任务，避免泛泛而谈“多训练、调参”。