今天列舉一下簡歷中專案涉及到的知識點，逐漸補全。
一、基於內容的遙感影象檢索系統
1、hadoop框架，mapredce並行運算，hdfs檔案系統分布式儲存。
1）如何讓每次map讀取一整幅？
1）四叉樹分割：在灰度均勻分布的區域內，灰度的標準方差較小；而在灰度非均勻分布的區域內，灰度的標準方差較大。灰度的標準方差較大的區域可以再分為更小的灰度均勻分布的區域。從原始影象開始，如果他的標準方差超過乙個預先設定的值，就把他分為四個象限，對每乙個畫素在重複進行以上操作，最終把影象分為具體較小的灰度標準方差的塊。
2)meanshift: 聚類的一種，均值漂移.和k-means類似。k-means 需要初始化k個中心點。
3)影象分割：
基於閾值的分割方法、基於邊緣的分割方法、基於區域的分割方法（分水嶺法）、基於圖論的分割方法（graph-cut）
4)slic（****** linear iterative clustering）超畫素分割演算法，lab顏色空間。
1. 初始化種子點（聚類中心）：按照設定的超畫素個數，在影象內均勻的分配種子點。假設總共有 n 個畫素點，預分割為 k 個相同尺寸的超畫素，那麼每個超畫素的大小為n/ k ，則相鄰種子點的距離（步長）近似為s=sqrt(n/k)。
2. 在種子點的n*n鄰域內重新選擇種子點（一般取n=3）。具體方法為：計算該鄰域內所有畫素點的梯度值，將種子點移到該鄰域內梯度最小的地方。這樣做的目的是為了避免種子點落在梯度較大的輪廓邊界上，以免影響後續聚類效果。
3. 在每個種子點周圍的鄰域內為每個畫素點分配類標籤（即屬於哪個聚類中心）。和標準的k-means在整張圖中搜尋不同，slic的搜尋範圍限制為2s*2s，可以加速演算法收斂，如下圖。在此注意一點：期望的超畫素尺寸為s*s，但是搜尋的範圍是2s*2s。
4.計算距離，迭代直到收斂。
5)selective search
先用efficient graph-based image segmentation(基於圖論從畫素點開始合併畫素生成候選區域)得到最初的候選區域，然後應用一種類似於層次聚類的方法，計算相鄰的候選區域的相似度（顏色，紋理，大小，fit），合併相似度最大的兩個區域，然後計算合併後的區域與相鄰區域的相似度，依次合併。最終得到目標區域。
3、特徵提取演算法實現。sift特徵及其思想，glcm紋理特徵及其思想，顏色直方圖等等特徵。
2）sift特徵：
sift演算法可以分解為如下四步：
1.高斯差分（dog）濾波：搜尋所有尺度上的影象位置。通過高斯微分函式來識別潛在的對於尺度和旋轉不變的興趣點。
2.尺度空間的極值檢測和關鍵點位置確定：對dog金字塔中的每一層，進行尺度空間的極值檢測（極大值和極小值），把每乙個極值點作為候選點，在每個候選的位置上，通過乙個擬合精細的模型來確定位置和尺度。關鍵點的選擇依據於它們的穩定程度。
3.關鍵點方向確定：基於影象區域性的梯度方向，分配給每個關鍵點位置乙個或多個方向。所有後面的對影象資料的操作都相對於關鍵點的方向、尺度和位置進行變換，從而提供對於這些變換的不變性。
4.構建關鍵點特徵描述符：在每個關鍵點周圍的內，在選定的尺度上測量影象區域性的梯度。這些梯度被變換成一種表示，這種表示允許比較大的區域性形狀的變形和光照變化。
4、bovw基本思想。
5、聚類演算法及其比較，k-means聚類，譜聚類，ap聚類，dbscan聚類，gmm聚類，som聚類。
6、組合特徵入庫儲存，hbase資料庫。
7、ubuntu,centos系統。
8、影象檢索，計算相似度，排序。
9、可改進的方面：
加入索引：lsh?
影象分塊：使用region proposal networks？
特徵選取：使用深度特徵？
10、專案中遇到哪些困難？如何克服？
11、專案的創新點在**？
二、邊境異常檢測專案
1、該專案是幹什麼的？
針對獲取到的新疆邊境地區遙感影像，界定異常行為，發現可疑行為之後預警。
人員異常聚集，異常建築物。
2、為什麼要做場景分類？
不同場景的遙感影象需要做不同的處理，比如沙漠、戈壁、草原、森林等場景屬於自然場景，當出現大量的人員、車輛時需要重點關注。城市，道路等場景不需要特別關注。
3、評價一下keras框架，為什麼選它。
庫本身的**比較簡單易讀,文件比較全，**上各種模型和示例都有，python編寫，易於理解。比較適合我這種新手。封裝的比較高階，許多訓練細節沒法修改，想要弄懂原理，還是要學tensorflow。
4、cnn網路相關知識。
1）卷積神經網路各層的作用：
卷積層：使用卷積核進行特徵提取和特徵對映 特點:
引數共享：很大限度地減少運算量
區域性感知：每個神經元其實沒有必要對全域性影象進行感知，只需要對區域性進行感知
多核：乙個核的引數是固定的，其提取的特徵也會單一化
池化層：很好地聚合特徵、降維來減少運算量
5、為什麼用softmax？
6、vgg-16模型。
地標檢索涉及到的知識點
地標檢索和識別 比賽介紹分析 地標檢索 方法a 檔案儲存情況 其他方案 涉及到的內容 地標檢索 利用多個backbone inception 網路和gem pooling triplet loss提取全域性網路特徵描述子 建立kdtree通過knn尋找近鄰，利用近鄰根據權重重新生成新的描述子，以進行...
前後端涉及到的常用知識點
ios，h5，安卓等前端開發的如何跟後台進行互動?應該怎麼去規避一些不該屬於自己的任務而被後台強加於自己?在開發中,url主要是由後台來寫的,寫好了給前端開發者.如果後台在查詢資料,需要借助查詢條件才能查詢到前端需要的資料時,這時後台會要求前端提供相關的查詢引數，這裡的查詢引數也就是url請求的引數...
專案管理涉及到的文件
業務聯絡函 業務需求說明書 立項報告 立項評審報告 專案實施方案 專案組通訊錄 專案計畫與執 況跟蹤 需求規格說明書 系統介面規格說明書 總體設計 系統建設整體解決方案 軟體配置管理計畫 軟體質量保證計畫 編碼規範 源 sit測試報告和測試用例 uat測試報告和測試用例 效能測試方案與報告 上線實施...