HIT模式识别与深度学习2022春期末

一 贝叶斯决策

1. 已知两个类别的条件概率密度函数,分别为指数分布和高斯分布
   $$\begin{gathered} p(x|{\omega }_1)=\{\begin{array}{c}2e^{-2x},x\ge 0\\ 0,x<0\end{array} \\ p(x|{\omega }_2)=\frac{1}{2\sqrt{2\pi }}{e}^{-\frac{(x-2{)}^2}{8}} \\ 已知先验为:p({\omega }_1)=\frac{3}{4},p({\omega }_2)=\frac{1}{4} \end{gathered}$$
   请计算最小错误率贝叶斯分类器判别准则

2. PPT上的Viterbi算法求最可能的天气原题

3. 从递归贝叶斯学习的角度,简述卡尔曼滤波的基本原理

二 聚类与降维

1. Laplacian矩阵以下性质
   $$对任意矢量\overrightarrow{f},成立f^{T}Lf=\frac{1}{2}\sum _{i,j=1}^n{w}_{ij}(f_i-f_j{)}^2$$
   的作用和证明

2. 从相似图的角度,阐述PCA、Fisher线性判别的特点和区别

3. 简述谱聚类的思想,为什么最后还要对特征向量进行k-means聚类

三 模式识别系统

1. 给了两个测试集/训练集/验证集的划分,问哪里不合理,怎么更改更好
2. 给了一个随训练集增大训练集和测试集上错误率的曲线,判断应该怎么继续改进

四 多层感知器

1. 传统多层感知器难以深度学习的原因,介绍几种有助于增加网络深度的方法
2. 介绍四种动量策略的随机优化方法,并分析区别

五 卷积神经网络

1. 说出四种增大感受野的方法
2. Transformer中有哪些方法可以借鉴到CNN中

六 时序神经网络

1. LSTM和GRU在门控单元方面的差别

七 GAN

1. Improved Wasserstein GAN如何实现Lipschitz约束?以及与Wasserstein GAN的差异

2. 四种将人脸图像逆映射的人脸生成模型以及模型的应用

八 学习准则

1. 小样本/弱监督/自监督学习样本标注数量和耗费的比较
2. 如何调整网络结构和损失函数,使端到端深度学习能够应用于物体检测任务(举例)