來(lái)源：投稿 作者：LSC
編輯：學(xué)姐

總共時(shí)長(zhǎng)45分鐘，首先是自我介紹，然后開始面試。

1.旋轉(zhuǎn)數(shù)組[1,2,3,4,5,6,7]--->[5,6,7,1,2,3,4]，找出k是否存在一個(gè)旋轉(zhuǎn)數(shù)組中，旋轉(zhuǎn)數(shù)組一開始是有序的。

二分:

2.字符串a(chǎn)，能不能在1步內(nèi)(增加、刪除、修改)變成字符串b，都只含有小寫字母，但是不能改變?cè)瓉?lái)a b各個(gè)字符的順序

Eg：a=”abcdfgd” b=”abcdffd” ?yes?

a=”bbiiom” b=”abiion” no?

a=”ccaabb” b=”aabbcc” no

法1: 動(dòng)態(tài)規(guī)劃 編輯距離

法2: 直接判斷:

• (1)先判斷兩個(gè)字符串的長(zhǎng)度相差是否大于1，是no，否繼續(xù)

• (2)統(tǒng)計(jì)每個(gè)字符串中每個(gè)字母的個(gè)數(shù)，再計(jì)算相同字母每個(gè)字符串的差，用字典來(lái)統(tǒng)計(jì)，一旦有差大于1，是no，否繼續(xù)

• (3)如果兩個(gè)字符串等長(zhǎng)，遍歷兩個(gè)字符串，是否存在超過1相同位置的值不同的，是no，否yes，不一樣長(zhǎng)的話，遍歷，如果相同位置不同，長(zhǎng)的指針向后移動(dòng)，再次字符不相同就是no，否則yes。

3.介紹項(xiàng)目

主要介紹項(xiàng)目的數(shù)據(jù)、任務(wù)、模型、參數(shù)、優(yōu)化和結(jié)果。

4.為什么這個(gè)項(xiàng)目要用到光照數(shù)據(jù)增強(qiáng)，為什么選擇yolov5模型

因?yàn)槲翼?xiàng)目的數(shù)據(jù)收到光照這個(gè)因素的影響比較大，所以特地進(jìn)行數(shù)據(jù)增強(qiáng)，增加模型的泛化性。

5.熟悉OCR算法嗎？比較了解的有哪些？

對(duì)CRNN比較熟悉，入門ocr必學(xué)的經(jīng)典算法。

CRNN=CNN+RNN+CTC，不用先對(duì)單個(gè)文字進(jìn)行切割，而是將文本識(shí)別轉(zhuǎn)化為時(shí)序依賴的序列學(xué)習(xí)問題，就是基于圖像的序列識(shí)別，使用 CTC 損失，把從循環(huán)層獲取的一系列標(biāo)簽分布轉(zhuǎn)換成最終的標(biāo)簽序列。

此外還有SVTR，是PaddleOCR的PP-OCRv3的主要模型, 模型小, 效果好，主要就是利用Transformer替代了RNN, 得益于self-attention機(jī)制, 這樣面對(duì)不規(guī)則文本圖像的時(shí)候應(yīng)該有更好的信息抽取能力, 可以更好的抽取有序后驗(yàn)概率矩陣。

6.常用的ocr框架

PaddleOCR和mmocr框架，這兩個(gè)都是當(dāng)下最流行的ocr框架，兩種框架的文本檢測(cè)和識(shí)別的代碼結(jié)構(gòu)相似，PaddleOCR更全面，我使用頻率較高，支持多種語(yǔ)言文本，mmocr對(duì)中文支持行較差，總的來(lái)說準(zhǔn)確率大體都差不多。

久違的分享一下面試經(jīng)驗(yàn)，希望可以給還在找工作的同學(xué)一點(diǎn)幫助~

另外關(guān)注“學(xué)姐帶你玩AI”公眾號(hào)

回復(fù)“簡(jiǎn)歷”可以免費(fèi)領(lǐng)取300+簡(jiǎn)歷模板＆算法工程師萬(wàn)能簡(jiǎn)歷公式！