컴퓨터 비전 & AI 개발자 면접 질문

컴퓨터 비전 & 딥러닝 직무로 채용 과정 중 과제 및 면접을 보면서 받은 질문들과 물어볼만한 질문들을 섞어서 정리합니다. 질문 내용을 그대로 적으면 문제가 될 수도 있기에 실제로 받은 질문에 비해 다소 심플하게 카테고리만 적겠습니다. 그리고 여러 면접에서 중복되게 물어보는 부분은 굵게 표시했습니다.

 

회사마다 각 분야마다 다르지만 굉장히 기본적인 것 위주로 물어보는 곳도 있고, 아주 딥하고 어려운 질문(정답이 없는)을 하거나 당해에 발표된 논문과 그 논문의 주요 contribution을 물어보는 곳도 많습니다. 질문과 관련된 논문을 안봤으면... 첨 들어봅니다.. 만 반복해야 합니다 ㅠ.

사실 많은 질문들이 외워간다고 해결이 안되는 경우가 많습니다 ㅠ 

 

+ 사실 석사 이상은 개인 연구에 대한 질문이 제일 많은 것 같습니다. 
++ 연구 주제 발표하다가 면접관께서 잘 아는 부분이 있으면 그 부분이 내 연구에서 크게 중요하지 않더라도 계속 물어볼 수 있으니... 준비를 잘해야 합니다. 

+++ 2022년 2분기 기준

 

머신러닝 / 딥러닝 기본 

• Backpropagation
• Regression vs. Classification
• Supervised / Unsupervised / Semi-supervised Learning
• Regularziation & Generalization
• Discrimitive model vs. Generative model
• Bias, Variance of Network
• Overfitting vs Underfitting
• Feature space에서 feature 간의 distance 측정 방법
• CNN, RNN, LSTM
• Gradient Descent
• Loss Surface
• Confidence Score Calibration
• PCA
• SVM
• Feature Reduction
• Recptive Field

 

확률통계 / 선형대수 기본

• Entropy, Cross-Entropy Loss
• Gaussian Distribution
• Rank of matrix
• Null space
• SVD / Essential matrix에서 SVD 로 camera pose 구하는 방법
• Vector 내적, 외적
• 두 벡터의 내각을 구하는 방법

 

Conventional Computer Vision

• Conventional Vision Feature descriptor - e.g. SIFT, Corner Detector, Edge Detector
• Feature Matching
• Image Filter
• Image Frequency

 

Deep Learning & Computer Vision

• Image 색상 표현 방법 - RGB, HSV, YUV
• Inception module
• ResNet, Residual Learning
• Deformable Convolution, Depth-wise separable Convolution, Graph Convolution
• Self-supervised Learning, Contrastive Learning (SimCLR)
• Triplet Loss
• Attention
• LSTM, GRU, Transformer, Vision Transformer
• Transformer -> detection, segmentation에 적용 방법?
• Transformer 연산량 해결 방법
• Positional Encoding
• Non-local operation
• CLIP Model
• RCNN, Fast RCNN, Mask RCNN, YOLO
• Region of Proposal Network
• Object Detection - Dynamic Head
• Long Tail Problem(Class Imbalance)
• Few shot, Zero shot Learning
• Sham Network
• Object Tracking
• Image Retrieval
• 딥러닝 모델 사이즈 vs 작업 복잡성
• Continual Learning 
• Multi-task Learning
• 6 DoF pose Estimation
• Knowledge Distillation
• Mixup
• Augmentation
• Denosing
• Super Resolution
• Auto Encoder , VAE(Variational Auto Encoder)
• GAN
• AutoML
• MLOps
• 시계열 문제를 해결하는 방법. 거의 continuous한 시계열 데이터와 sparse한 데이터를 어떻게 다르게 취급할 것인지?

 

3D Computer Vision / Graphics

• Camera Parameter
• Camera Calibration
• Image Transform
• Epipolar Geometry
• Essential matrix, Fundamental matrix 
• Essential matrix에서 camera pose 구하는 방법?
• Neural Rendering (NeRF)
• Point cloud
• ICP Algorithm
• SLAM / SFM 
• Monocular VO(Visual Odometry), multi-camera VO
• Phong Model
• PBR 
• Ambient Occlusion
• BRDF
• 3D Reconstruction
• Texture Mapping
• COLMAP / SFM (Structure From Motion)
• Bundle adjustment
• Triangulation

 

프로그래밍

• C++ STL 
• 리눅스
• 자료구조
• Overloading, Overriding
• CUDA
• 임베디드 포팅
• Rendering code
• Call by value, Call by reference
• Pointer, Smart pointer
• Github 등의 협업 툴 
• 코드리뷰

 

기타

• Image Compression(JPEG, MPEG)
• GIS
• GPS
• 가장 최근에 본 논문을 설명해주세요

 

기술 과제

• C++ 알고리즘 최적화 (결과 리포트)
• Object Detection, Semenatic Segmentation 등의 딥러닝 task 수행. (결과 리포트 제출하는 곳도 있고, + 캐글 처럼 모델 업로드해서 벤치마킹 하는 곳도 있음