面試問答
Guassian mixture model, Kmeans algo
寫出各別演算法，比較...
筆試內容：
只要知道算法流程和優缺點即可.考經典機器學習的SVM的kernel作用和support vector,Gu
assian mixture model, Kmeans algo,PCA LDA algo,CNN跟MAX POOLING的差異優劣。
設計一個演算法去找出資料分布最集中的一個區域。
說明Covariance matrix在機率上面意思？
考卷有9題裡面有3題必答,其它6題裡面還要選擇3題回答（全部手寫 沒有選擇題）
寫考卷大概會花30分鐘以上 如果你每題都會
面試：
花費2小時／環境像lab/可能會需要出差開會取資料／福利符合勞基法／13個月／大家都很年輕 平時是container
面試問答
Guassian mixture model, Kmeans algo
寫出各別演算法，比較優劣
☆影像特徵提取的方法ex: SIFT,HOG...等
寫出其中一個算法和優劣
☆有兩個相似的圖，要做對齊，如何避免找到的對應不正確導致tranform也出錯
採用穩健的特徵檢測和描述演算法： 使用SIFT（尺度不變特徵變換）或SURF（加速穩健特徵）等穩健特徵檢測演算法來識別影像中的獨特且可重複的興趣點，即使在照明、 尺度和旋轉等變化條件下也是如此。
使用多標準特徵匹配： 採用超越簡單距離匹配的穩健特徵匹配技術。 考慮結合比率測試、Lowe 的比率測試或 RANSAC（隨機樣本共識）等附加標準來過濾錯誤匹配並確保對應關係的可靠性。
移除異常值和基於共識的變換估計： 使用異常值去除技術來識別和消除異常值，這些異常值是與大多數匹配明顯偏離的錯誤匹配。 使用 RANSAC 等基於共識的方法僅使用一部分內聯對應關係來估計變換參數，確保變換估計的穩健性。
結合影像上下文和先驗知識： 利用影像上下文和先驗知識來細化對應關係和變換估計。 使用極線幾何約束等技術來強制影像之間的一致性，並利用場景或物件的先驗知識來指導匹配過程。
介紹寫過專案
遇到的困難如何解決？
對方要求如何解決？
要對自己寫過的東西熟悉
兩張同樣大小的圖片要去比較相似度
3種做法的差異 優缺
1. 平方差 2. color histogram 3. 切成n個patch後個別比較histpgram
面試建議
把大學學的機器學習和電腦視覺重讀，範圍很廣主要著重在影像處理上
影像取feature的方法只要知道算法流程和優缺點即可？ex:SIFT,PCA,SVM
