2016-12-22 10:07:00 aikb6223 阅读数 22

 http://blog.csdn.net/zouroot/article/details/53053740

领军人物以及他们的主页

  (1)googleResearch; http://research.google.com/index.html

  (2)MIT博士,汤晓欧学生林达华; http://people.csail.mit.edu/dhlin/index.html

  (3)MIT博士后Douglas Lanman; http://web.media.mit.edu/~dlanman/

  (4)OpenCV中文网站; http://www.opencv.org.cn/index.php/%E9%A6%96%E9%A1%B5

  (5)Stanford大学vision实验室; http://vision.stanford.edu/research.html

  (6)Stanford大学博士崔靖宇; http://www.stanford.edu/~jycui/

  (7)UCLA教授朱松纯; http://www.stat.ucla.edu/~sczhu/

  (8)中国人工智能网; http://www.chinaai.org/

  (9)中国视觉网; http://www.china-vision.net/

  (10)中科院自动化所; http://www.ia.cas.cn/

  (11)中科院自动化所李子青研究员; http://www.cbsr.ia.ac.cn/users/szli/

  (12)中科院计算所山世光研究员; http://www.jdl.ac.cn/user/sgshan/

  (13)TAISAU动态人脸识别http://www.taisau.com/

  (14)加州大学伯克利分校CV小组; http://www.eecs.berkeley.edu/Research/P ... CS/vision/

  (15)南加州大学CV实验室; http://iris.usc.edu/USC-Computer-Vision.html

  (16)卡内基梅隆大学CV主页;http://www.cs.cmu.edu/afs/cs/project/ci ... ision.html

  (17)微软CV研究员Richard Szeliski;http://research.microsoft.com/en-us/um/people/szeliski/

  (18)微软亚洲研究院计算机视觉研究组; http://research.microsoft.com/en-us/groups/vc/

  (19)微软剑桥研究院ML与CV研究组; http://research.microsoft.com/en-us/gro ... fault.aspx

  (20)研学论坛; http://bbs.matwav.com/

  (21)美国Rutgers大学助理教授刘青山; http://www.research.rutgers.edu/~qsliu/(22)计算机视觉最新资讯网; http://www.cvchina.info/

  (23)深大计算机视觉研究所http://csse.szu.edu.cn/2012/index.php/article/view/aid/544.html

  (24)香港中文大学助理教授王晓刚; http://www.ee.cuhk.edu.hk/~xgwang/

  (25)香港中文大学多媒体实验室(汤晓鸥); http://mmlab.ie.cuhk.edu.hk/

  (26)U.C. San Diego. computer vision;http://vision.ucsd.edu/content/home

  (27)CVonline; http://homepages.inf.ed.ac.uk/rbf/CVonline/

  (28)computer vision software; http://peipa.essex.ac.uk/info/software.html

  (29)Computer Vision Resource; http://www.cvpapers.com/

  (30)computer vision research groups;http://peipa.essex.ac.uk/info/groups.html

  (31)computer vision center; http://computervisioncentral.com/cvcnews

  (32)浙江大学图像技术研究与应用(ITRA)团队:http://www.dvzju.com/

  (33)自动识别网:http://www.autoid-china.com.cn/

  (34)清华大学章毓晋教授:http://www.tsinghua.edu.cn/publish/ee/4157/2010/20101217173552339241557/20101217173552339241557_.html

  (35)顶级民用机器人研究小组Porf.Gary领导的Willow Garage:http://www.willowgarage.com/

  (36)上海交通大学图像处理与模式识别研究所:http://www.pami.sjtu.edu.cn/

  (37)上海交通大学计算机视觉实验室刘允才教授:http://www.visionlab.sjtu.edu.cn/

  (38)德克萨斯州大学奥斯汀分校助理教授Kristen Grauman :http://www.cs.utexas.edu/~grauman/

  (39)清华大学电子工程系智能图文信息处理实验室(丁晓青教授):http://ocrserv.ee.tsinghua.edu.cn/auto/index.asp

  (40)北京大学高文教授:http://www.jdl.ac.cn/htm-gaowen/

  (41)清华大学艾海舟教授:http://media.cs.tsinghua.edu.cn/cn/aihz

  (42)中科院生物识别与安全技术研究中心:http://www.cbsr.ia.ac.cn/china/index%20CH.asp

  (43)瑞士巴塞尔大学 Thomas Vetter教授:http://informatik.unibas.ch/personen/vetter_t.html

  (44)俄勒冈州立大学 Rob Hess博士:http://blogs.oregonstate.edu/hess/

  (45)深圳大学 于仕祺副教授:http://yushiqi.cn/

  (46)西安交通大学人工智能与机器人研究所:http://www.aiar.xjtu.edu.cn/

  (47)卡内基梅隆大学研究员Robert T. Collins:http://www.cs.cmu.edu/~rcollins/home.html#Background

  (48)MIT博士Chris Stauffer:http://people.csail.mit.edu/stauffer/Home/index.php

  (49)美国密歇根州立大学生物识别研究组(Anil K. Jain教授):http://www.cse.msu.edu/rgroups/biometrics/

  (50)美国伊利诺伊州立大学Thomas S. Huang:http://www.beckman.illinois.edu/directory/t-huang1

  (51)武汉大学数字摄影测量与计算机视觉研究中心:http://www.whudpcv.cn/index.asp

  (52)瑞士巴塞尔大学Sami Romdhani助理研究员:http://informatik.unibas.ch/personen/romdhani_sami/

  (53)CMU大学研究员Yang Wang:http://www.cs.cmu.edu/~wangy/home.html

  (54)英国曼彻斯特大学Tim Cootes教授:http://personalpages.manchester.ac.uk/staff/timothy.f.cootes/

  (55)美国罗彻斯特大学教授Jiebo Luo:http://www.cs.rochester.edu/u/jluo/

  (56)美国普渡大学机器人视觉实验室:https://engineering.purdue.edu/RVL/Welcome.html

  (57)美国宾利州立大学感知、运动与认识实验室:http://vision.cse.psu.edu/home/home.shtml

  (58)美国宾夕法尼亚大学GRASP实验室:https://www.grasp.upenn.edu/

  (59)美国内达华大学里诺校区CV实验室:http://www.cse.unr.edu/CVL/index.php

  (60)美国密西根大学vision实验室:http://www.eecs.umich.edu/vision/index.html

  (61)University of Massachusetts(麻省大学),视觉实验室:http://vis-www.cs.umass.edu/index.html

  (62)华盛顿大学博士后Iva Kemelmacher:http://www.cs.washington.edu/homes/kemelmi

  (63)以色列魏茨曼科技大学Ronen Basri:http://www.wisdom.weizmann.ac.il/~ronen/index.html

  (64)瑞士ETH-Zurich大学CV实验室:http://www.vision.ee.ethz.ch/boostingTrackers/index.htm

  (65)微软CV研究员张正友:http://research.microsoft.com/en-us/um/people/zhang/

  (66)中科院自动化所医学影像研究室:http://www.3dmed.net/

  (67)中科院田捷研究员:http://www.3dmed.net/tian/

  (68)微软Redmond研究院研究员Simon Baker:http://research.microsoft.com/en-us/people/sbaker/

  (69)普林斯顿大学教授李凯:http://www.cs.princeton.edu/~li/

  (70)普林斯顿大学博士贾登:http://www.cs.princeton.edu/~jiadeng/

  (71)牛津大学教授Andrew Zisserman: http://www.robots.ox.ac.uk/~az/

  (72)英国leeds大学研究员Mark Everingham:http://www.comp.leeds.ac.uk/me/

  (73)英国爱丁堡大学教授Chris William: http://homepages.inf.ed.ac.uk/ckiw/

  (74)微软剑桥研究院研究员John Winn: http://johnwinn.org/

  (75)佐治亚理工学院教授Monson H.Hayes:http://savannah.gatech.edu/people/mhayes/index.html

  (76)微软亚洲研究院研究员孙剑:http://research.microsoft.com/en-us/people/jiansun/(77)微软亚洲研究院研究员马毅:http://research.microsoft.com/en-us/people/mayi/

  (78)英国哥伦比亚大学教授David Lowe: http://www.cs.ubc.ca/~lowe/

  (79)英国爱丁堡大学教授Bob Fisher: http://homepages.inf.ed.ac.uk/rbf/

  (80)加州大学圣地亚哥分校教授Serge J.Belongie:http://cseweb.ucsd.edu/~sjb/

  (81)威斯康星大学教授Charles R.Dyer: http://pages.cs.wisc.edu/~dyer/

  (82)多伦多大学教授Allan.Jepson: http://www.cs.toronto.edu/~jepson/

  (83)伦斯勒理工学院教授Qiang Ji: http://www.ecse.rpi.edu/~qji/

  (84)CMU研究员Daniel Huber: http://www.ri.cmu.edu/person.html?person_id=123

  (85)多伦多大学教授:David J.Fleet: http://www.cs.toronto.edu/~fleet/

  (86)伦敦大学玛丽女王学院教授Andrea Cavallaro:http://www.eecs.qmul.ac.uk/~andrea/

  (87)多伦多大学教授Kyros Kutulakos: http://www.cs.toronto.edu/~kyros/

  (88)杜克大学教授Carlo Tomasi: http://www.cs.duke.edu/~tomasi/

  (89)CMU教授Martial Hebert: http://www.cs.cmu.edu/~hebert/

  (90)MIT助理教授Antonio Torralba: http://web.mit.edu/torralba/www/

  (91)马里兰大学研究员Yasel Yacoob: http://www.umiacs.umd.edu/users/yaser/

  (92)康奈尔大学教授Ramin Zabih: http://www.cs.cornell.edu/~rdz/

  (93)CMU博士田渊栋: http://www.cs.cmu.edu/~yuandong/

  (94)CMU副教授Srinivasa Narasimhan: http://www.cs.cmu.edu/~srinivas/

  (95)CMU大学ILIM实验室:http://www.cs.cmu.edu/~ILIM/

  (96)哥伦比亚大学教授Sheer K.Nayar: http://www.cs.columbia.edu/~nayar/

  (97)三菱电子研究院研究员Fatih Porikli :http://www.porikli.com/

  (98)康奈尔大学教授Daniel Huttenlocher:http://www.cs.cornell.edu/~dph/

  (99)南京大学教授周志华:http://cs.nju.edu.cn/zhouzh/index.htm

  (100)芝加哥丰田技术研究所助理教授Devi Parikh: http://ttic.uchicago.edu/~dparikh/index.html

  (101)瑞士联邦理工学院博士后Helmut Grabner:http://www.vision.ee.ethz.ch/~hegrabne/#Short_CV

  (102)香港中文大学教授贾佳亚:http://www.cse.cuhk.edu.hk/~leojia/index.html

  (103)南洋理工大学副教授吴建鑫:http://c2inet.sce.ntu.edu.sg/Jianxin/index.html

  (104)GE研究院研究员李关:http://www.cs.unc.edu/~lguan/

  (105)佐治亚理工学院教授Monson Hayes:http://savannah.gatech.edu/people/mhayes/

  (106)图片检索国际会议VOC(微软剑桥研究院组织):http://pascallin.ecs.soton.ac.uk/challenges/VOC/

  (107)机器视觉开源处理库汇总:http://archive.cnblogs.com/a/2217609/

  (108)布朗大学教授Benjamin Kimia: http://www.lems.brown.edu/kimia.html

  (109)数据堂-图像处理相关的样本数据:http://www.datatang.com/data/list/602026/p1

  (110)东软基于CV的汽车辅助驾驶系统:http://www.neusoft.com/cn/solutions/1047/

  (111)马里兰大学教授Rema Chellappa:http://www.cfar.umd.edu/~rama/

  (112)芝加哥丰田研究中心助理教授Devi Parikh:http://ttic.uchicago.edu/~dparikh/index.html

  (113)宾夕法尼亚大学助理教授石建波:http://www.cis.upenn.edu/~jshi/

  (114)比利时鲁汶大学教授Luc Van Gool:http://www.vision.ee.ethz.ch/members/get_member.cgi?id=1,http://www.vision.ee.ethz.ch/~vangool/

  (115)行人检测主页:http://www.pedestrian-detection.com/

  (116)法国学习算法与系统实验室Basilio Noris博士:http://lasa.epfl.ch/people/member.php?SCIPER=129576http://mldemos.epfl.ch/

  (117)美国马里兰大学LARRY S.DAVIS教授:http://www.umiacs.umd.edu/~lsd/

  (118)计算机视觉论文分类导航:http://www.visionbib.com/bibliography/contents.html

  (119)计算机视觉分类信息导航:http://www.visionbib.com/

  (120)西班牙马德里理工大学博士Marcos Nieto:http://marcosnieto.net/

  (121)香港理工大学副教授张磊:http://www4.comp.polyu.edu.hk/~cslzhang/

  (122)以色列技术学院教授Michael Elad:http://www.cs.technion.ac.il/~elad/

  (123)韩国启明大学计算机视觉与模式识别实验室:http://cvpr.kmu.ac.kr/

  (124)英国诺丁汉大学Michel Valstar博士:http://www.cs.nott.ac.uk/~mfv/

  (125)卡内基梅隆大学Takeo Kanade教授:http://www.ri.cmu.edu/people/kanade_takeo.html(126)微软学术搜索:http://libra.msra.cn/

  (127)比利时天主教鲁汶大学Radu Timofte博士:http://homes.esat.kuleuven.be/~rtimofte/,交通标志检测,定位,3D跟踪

  (128)迪斯尼匹兹堡研究院研究员:Iain Matthews:http://www.iainm.com/iainm/Home.htmlhttp://www.ri.cmu.edu/person.html?type= ... son_id=741AAM,三维重建

  (129)康奈尔大学视觉与图像分析组:http://www.via.cornell.edu/医学图像处理(130)密西根州立大学生物识别研究组:http://www.cse.msu.edu/biometrics/人脸识别、指纹识别、图像检索

  (131)柏林科技大学计算机视觉与遥感实验室:http://www.cv.tu-berlin.de/menue/computer_vision_remote_sensing/parameter/en/图像分析、物体重建、基于图像的表面测量、医学图像处理

  (132)英国布里斯托大学数字多媒体研究组:http://www.cs.bris.ac.uk/Research/Digitalmedia/运动检测与跟踪、视频压缩、3D重建、字符定位

  (133)英国萨利大学视觉、语音与信号处理中心: http://www.surrey.ac.uk/cvssp/人脸识别、监控、3D、视频检索、

  (134)北卡莱罗纳大学教堂山分校Marc Pollefeys教授:http://www.cs.unc.edu/~marc/基于视频的3D模型生成、相机标定、运动检测与分析、3D重建

  (135)澳大利亚国立大学Richard Hartley教授:http://users.cecs.anu.edu.au/~hartley/运动估计、稀疏子空间、跟踪、

  (136)百度技术副总监于凯:http://www.dbs.ifi.lmu.de/~yu_k/深度学习,稀疏表示,图像分类

  (137)西安电子科技大学高新波教授:http://web.xidian.edu.cn/xbgao/index.html质量评判、水印、稀疏表示、超分辨率

  (138)加州大学伯克利分校Michael I.Jordan教授:http://www.cs.berkeley.edu/~jordan/机器学习

  (139)加州理工行人检测相关资料:http://www.vision.caltech.edu/Image_Datasets/CaltechPedestrians/

  (140)微软Redmond研究院研究员Piotr Dollar: http://vision.ucsd.edu/~pdollar/行人检测、特征提取、

  (141)视觉计算研究论坛:http://www.sigvc.org/bbs/中科院视觉计算研究小组的论坛

  (142)美国坦桑尼亚州立大学稀疏学习软件包:http://www.public.asu.edu/~jye02/Software/SLEP/index.htm稀疏学习

  (143)美国加州大学圣地亚哥分校Jacob Whitehill博士:http://mplab.ucsd.edu/~jake/机器学习

  (144)美国布朗大学Michael J.Black教授:http://cs.brown.edu/~black/人的姿态估计和跟踪

  (145)美国加州大学圣地亚哥分校David Kriegman教授:http://cseweb.ucsd.edu/~kriegman/人脸识别

  (146)南加州大学Paul Debevec教授:http://ict.debevec.org/~debevec/http://www.pauldebevec.com/将CV和CG结合研究 人脸捕捉重建技术

  (147)伊利诺伊大学D.A.Forsyth教授:http://luthuli.cs.uiuc.edu/~daf/三维重建(148)英国牛津大学Ian Reid教授:http://www.robots.ox.ac.uk/~ian/跟踪和机器人导航

  (149)CMU大学Alyosha Efros 教授: https://www.cs.cmu.edu/~efros/图像纹理合成(150)加州大学伯克利分校Jitendra Malik教授:http://www.cs.berkeley.edu/~malik/轮廓检测、图像/视频分割、图形匹配、目标识别

  (151)MIT教授William Freeman: http://people.csail.mit.edu/billf/应用于CV的ML、可视化感知的贝叶斯模型、计算摄影学;最有影响力的研究成果:图像纹理合成(152)CMU博士Henry Schneiderman: http://www.cs.cmu.edu/~hws/目标检测和识别;最有影响力的研究成果:目标检测;2000年CVPR上发表了”A statistical method for 3D object detection applied to faces and cars”。该算法采用多视角训练样本,可用于检测不同视角下的物体,如人脸和车,是第一个能够检测侧脸的算法。他创建了PittPatt公司,后被Google收购

  (153)微软研究员Paul Viola: http://research.microsoft.com/en-us/um/people/viola/AdaBoost算法

  (154)微软研究员Antonio Criminisi: http://research.microsoft.com/en-us/people/antcrim/图像修补,三维重建,目标检测与跟踪;

  (155)魏茨曼科学研究所教授Michal Irani: http://www.wisdom.weizmann.ac.il/~irani/超分辨率

  (156)瑞士洛桑理工学院Pascal Fua教授:http://people.epfl.ch/pascal.fua/bio?lang=en立体视觉,增强现实(157)佐治亚理工学院Irfan Essa教授:http://www.ic.gatech.edu/people/irfan-essa人脸表情识别

  (157)人脸识别主页; http://www.face-rec.org/

  (158)运动检测、阴影、跟踪的测试视频下载; http://apps.hi.baidu.com/share/detail/18903287

转载于:https://www.cnblogs.com/nafio/p/9137211.html

2016-05-14 19:45:54 yisandezhuiqiu 阅读数 4127

  2016年2月23日,中国科学评价研究中心(RCCSE)、武汉大学中国教育质量评价中心联合中国科教评价网隆重推出《2016年中国大学及学科专业评价报告》。发布了中国大学本科专业排行榜,共涉及478个本科专业(2015年为470个),其中开设高校数大于5所的专业有372个,开设高校数只有1所的专业有39个,开设高校数最多的专业前5名为:英语735所、计算机科学与技术709所、视觉传达设计569所、市场营销566所、环境设计547所。下面分别公布2016-2017年中国大学本科专业排行榜的前20强(3星以内)名单。

2016-2017年计算机科学与技术专业排名
 
排 序
学校名称
水 平
开此专业学校数
1 清华大学  5   709 
2 北京大学  5  709 
3 上海交通大学  5   709 
4 北京航空航天大学  5  709 
5 哈尔滨工业大学  5   709 
6 南京大学  5   709 
7 华中科技大学  5   709 
8 浙江大学  5  709 
9 东南大学  5   709 
10 西北工业大学  5  709 
11 东北大学  5   709 
12 中国科学技术大学  5   709 
13 四川大学  5   709 
14 安徽大学  5   709 
15 西安交通大学  5   709 
16 同济大学  5   709 
17 吉林大学  5   709 
18 武汉大学  5   709 
19 电子科技大学  5   709 
20 北京交通大学  5   709 
  1. 2015年中国大学计算机科学与技术专业排名
  2. 名次 一级学科 学科专业星级 学科专业层次 学校名称 2014综合排名 办学类型 办学层次
    1 计算机科学与技术 6星级 中国顶尖学科专业 清华大学 2 中国研究型 中国顶尖大学
    2 计算机科学与技术 5星级 中国一流学科专业 北京大学 1 中国研究型 中国顶尖大学
    2 计算机科学与技术 5星级 中国一流学科专业 国防科学技术大学
    中国研究型 中国一流大学
    4 计算机科学与技术 4星级 中国高水平学科专业 上海交通大学 3 中国研究型 中国一流大学
    4 计算机科学与技术 4星级 中国高水平学科专业 武汉大学 5 中国研究型 中国一流大学
    4 计算机科学与技术 4星级 中国高水平学科专业 浙江大学 6 中国研究型 中国一流大学
    4 计算机科学与技术 4星级 中国高水平学科专业 南京大学 8 中国研究型 中国一流大学
    4 计算机科学与技术 4星级 中国高水平学科专业 华中科技大学 12 中国研究型 中国一流大学
    4 计算机科学与技术 4星级 中国高水平学科专业 中国科学技术大学 14 中国研究型 中国一流大学
    4 计算机科学与技术 4星级 中国高水平学科专业 哈尔滨工业大学 20 中国研究型 中国一流大学
    4 计算机科学与技术 4星级 中国高水平学科专业 北京航空航天大学 21 中国研究型 中国一流大学
    4 计算机科学与技术 4星级 中国高水平学科专业 同济大学 22 中国研究型 中国一流大学
    4 计算机科学与技术 4星级 中国高水平学科专业 西北工业大学 29 中国研究型 中国高水平大学
    4 计算机科学与技术 4星级 中国高水平学科专业 东北大学 34 中国研究型 中国高水平大学
    4 计算机科学与技术 4星级 中国高水平学科专业 电子科技大学 42 行业特色研究型 中国高水平大学
    4 计算机科学与技术 4星级 中国高水平学科专业 北京邮电大学 69 行业特色研究型 中国高水平大学
    17 计算机科学与技术 3星级 中国知名学科专业 复旦大学 4 中国研究型 中国一流大学
    17 计算机科学与技术 3星级 中国知名学科专业 中国人民大学 7 中国研究型 中国顶尖大学
    17 计算机科学与技术 3星级 中国知名学科专业 吉林大学 9 中国研究型 中国一流大学
    17 计算机科学与技术 3星级 中国知名学科专业 中山大学 10 中国研究型 中国一流大学
    17 计算机科学与技术 3星级 中国知名学科专业 北京师范大学 11 中国研究型 中国一流大学
    17 计算机科学与技术 3星级 中国知名学科专业 四川大学 13 中国研究型 中国一流大学
    17 计算机科学与技术 3星级 中国知名学科专业 南开大学 15 中国研究型 中国一流大学
    17 计算机科学与技术 3星级 中国知名学科专业 山东大学 16 中国研究型 中国一流大学
    17 计算机科学与技术 3星级 中国知名学科专业 中南大学 17 中国研究型 中国一流大学
    17 计算机科学与技术 3星级 中国知名学科专业 西安交通大学 18 中国研究型 中国一流大学
    17 计算机科学与技术 3星级 中国知名学科专业 天津大学 23 中国研究型 中国一流大学
    17 计算机科学与技术 3星级 中国知名学科专业 华东师范大学 24 中国研究型 中国一流大学
    17 计算机科学与技术 3星级 中国知名学科专业 东南大学 25 中国研究型 中国一流大学
    17 计算机科学与技术 3星级 中国知名学科专业 湖南大学 28 中国研究型 中国高水平大学
    17 计算机科学与技术 3星级 中国知名学科专业 大连理工大学 30 中国研究型 中国高水平大学
    17 计算机科学与技术 3星级 中国知名学科专业 北京理工大学 32 中国研究型 中国高水平大学
    17 计算机科学与技术 3星级 中国知名学科专业 重庆大学 33 中国研究型 中国高水平大学
    17 计算机科学与技术 3星级 中国知名学科专业 华中师范大学 36 行业特色研究型 中国高水平大学
    17 计算机科学与技术 3星级 中国知名学科专业 西北大学 37 区域研究型 中国高水平大学
    17 计算机科学与技术 3星级 中国知名学科专业 兰州大学 38 中国研究型 中国高水平大学
    17 计算机科学与技术 3星级 中国知名学科专业 北京科技大学 39 行业特色研究型 中国高水平大学
    17 计算机科学与技术 3星级 中国知名学科专业 中国地质大学 44 行业特色研究型 中国高水平大学
    17 计算机科学与技术 3星级 中国知名学科专业 北京交通大学 46 行业特色研究型 中国高水平大学
    17 计算机科学与技术 3星级 中国知名学科专业 南京理工大学 49 行业特色研究型 中国高水平大学
    17 计算机科学与技术 3星级 中国知名学科专业 西南大学 50 区域研究型 中国高水平大学
    17 计算机科学与技术 3星级 中国知名学科专业 苏州大学 52 区域研究型 中国知名大学
    17 计算机科学与技术 3星级 中国知名学科专业 哈尔滨工程大学 57 行业特色研究型 中国高水平大学
    17 计算机科学与技术 3星级 中国知名学科专业 南京航空航天大学 58 行业特色研究型 中国高水平大学
    17 计算机科学与技术 3星级 中国知名学科专业 河海大学 58 行业特色研究型 中国高水平大学
    17 计算机科学与技术 3星级 中国知名学科专业 西南交通大学 61 行业特色研究型 中国高水平大学
    17 计算机科学与技术 3星级 中国知名学科专业 西安电子科技大学 65 行业特色研究型 中国高水平大学
    17 计算机科学与技术 3星级 中国知名学科专业 合肥工业大学 68 行业特色研究型 中国知名大学
    17 计算机科学与技术 3星级 中国知名学科专业 陕西师范大学 71 区域特色研究型 中国知名大学
    17 计算机科学与技术 3星级 中国知名学科专业 上海大学 73 区域研究型 中国知名大学
    17 计算机科学与技术 3星级 中国知名学科专业 山西大学 75 区域研究型 中国知名大学
    17 计算机科学与技术 3星级 中国知名学科专业 北京工业大学 76 区域研究型 中国知名大学
    17 计算机科学与技术 3星级 中国知名学科专业 新疆大学 86 区域研究型 中国知名大学
    17 计算机科学与技术 3星级 中国知名学科专业 河南大学 89 区域研究型 中国知名大学
    17 计算机科学与技术 3星级 中国知名学科专业 浙江工业大学 93 专业型 中国知名大学
    17 计算机科学与技术 3星级 中国知名学科专业 燕山大学 112 区域研究型 中国知名大学
    17 计算机科学与技术 3星级 中国知名学科专业 江苏大学 117 专业型 中国知名大学
    17 计算机科学与技术 3星级 中国知名学科专业 长春理工大学 159 专业型
    17 计算机科学与技术 3星级 中国知名学科专业 天津工业大学 172 专业型
    17 计算机科学与技术 3星级 中国知名学科专业 南京邮电大学 185 专业型
    17 计算机科学与技术 3星级 中国知名学科专业 重庆邮电大学 211 应用型
    17 计算机科学与技术 3星级 中国知名学科专业 天津理工大学 276 应用型
    17 计算机科学与技术 3星级 中国知名学科专业 解放军理工大学
    行业特色研究型 中国知名大学

  3. 第二个表格参考应届毕业生考试网
2017-08-01 10:22:00 weixin_34088838 阅读数 12

雷锋网按:本文作者邓启力,哈尔滨工业大学深圳研究生院计算机系硕士研究生二年级,导师为“鹏城学者”徐勇教授。研究兴趣为深度学习与计算机视觉。曾获2015年首届阿里巴巴大规模图像搜索大赛二等奖,总排名第三名。

摘要

近些年,深度学习在各种计算机视觉任务上都取得了重大的突破,其中一个重要因素就是其强大的非线性表示能力,能够理解图像更深层次的信息。本文对基于深度学习的视觉实例搜索方法做了简单的总结和概括,希望能给读者们带来启发。

前言

给定一张包含某个物体的查询图片,视觉实例搜索的任务就是从候选的图片库中找到那些与查询图片包含相同物体的图片。与一般的图像搜索相比,实例搜索的搜索条件更为苛刻——是否包含相同的物体,如同一款衣服,同一辆车等等。该问题具有非常广泛的应用前景,如商品搜索,车辆搜索和基于图像的地理位置识别等。举个例子,移动商品图像搜索就是通过分析利用手机相机拍摄的商品照片,从商品库中找到相同或相似的商品。

然而在实际场景中,由于姿态,光照和背景等干扰因素,所以两张包含相同物体的图像往往在外观上差异很大。从这个角度来看,视觉实例搜索的本质问题就是应该学习什么样的图像特征从而使得包含相同物体的图像在特征空间上是相似的。

近些年,深度学习在各种计算机视觉任务上都取得了重大的突破,其中就包括视觉实例搜索任务。本文主要对基于深度学习的实例搜索算法(下面简称为“深度实例搜索算法”)进行剖析和总结,文章分为四个部分:第一部分总结了经典视觉实例搜索算法的一般流程;第二部分和第三部分分别从两个方面去介绍近些年主要的深度实例搜索算法;端到端的特征学习方法和基于CNN特征的特征编码方法;第四部分将通过总结在2015年首届阿里巴巴大规模图像大赛(Alibaba Large-scale Image Search Challenge, ALISC)中出现的相关方法,介绍一些实践中可以提高实例搜索性能的技巧和方法。

经典视觉实例搜索算法的一般流程

在深度学习流行之前,典型的实例搜索算法一般分为三个阶段:首先在给定的图像密集地提取局部不变特征,然后将这些局部不变特征进一步地编码为一个紧凑的图像表示,最后将查询图像与候选图像库中的图像进行相似度计算(基于第二步得到的图像表示),找到那些属于同一实例的图片。

1.局部不变特征。局部不变特征的特点就是提取图像局部区域的细节信息,不关心全局信息,并对该局部区域内的光线变化、几何变换具有一定的不变性。这对实例搜索非常有意义,因为目标物体可以伴随着几何变换出现图像中的任何区域。在早期的工作中,很多实例搜索方法采用的是SIFT特征。

2. 特征编码。对局部特征进一步地编码有两方面的意义:挖掘这些局部特征之间的相关信息,增强可判别能力;单一紧凑的特征向量更易于实现索引,提高搜索速度。目前常见的方法有VLAD(vector of locally aggregated descriptors),Fisher Vectors,triangular embedding等。在这里,本文简单地介绍下VLAD方法(在本文后面多次出现):a)VLAD方法首先利用k-means得到包含k个中心的码本,然后每个局部特征被指派给离它最近的中心点(我们将这一步称为hard-assignment,之后会相关文章对此进行改进),最后将这些局部特征与其指派的中心点之间的残差累和作为最终的图像表示。从上面可以看出,VLAD方法有无序的特性——不关心局部特征的空间位置,因此可以进一步解耦全局空间信息,对几何变换具有很好的鲁棒性

3. 相似度计算。一种直接的做法是根据距离函数计算特征之间的距离,例如欧式距离,余弦距离等。另一种是学习相应的距离函数,例如LMNN、ITML等度量学习方法。

总结:经典视觉实例搜索算法的性能往往受限于hand-crafted特征的表示能力。当深度学习应用在实例搜索任务时,主要就是从特征表示入手,即如何提取更加具有判别性的图像特征

端到端的特征学习方法

NetVLAD: CNN architecture for weakly supervised place recognition  (CVPR 2016)

这篇文章是来自于INRIA 的Relja Arandjelović等人的工作。该文章关注实例搜索的一个具体应用——位置识别。在位置识别问题中,给定一张查询图片,通过查询一个大规模的位置标记数据集,然后使用那些相似的图片的位置去估计查询图片的位置。作者首先使用Google Street View Time Machine建立了大规模的位置标记数据集,随后提出了一种卷积神经网络架构,NetVLAD——将VLAD方法嵌入到CNN网络中,并实现“end-to-end”的学习。该方法如下图所示:

深度学习变革视觉实例搜索

原始的VLAD方法中的hard-assignment操作是不可微的(将每个局部特征指派给离它最近的中心点),因此不可以直接嵌入到CNN网络里,并参与误差反向传播。这篇文章的解决方法就是使用softmax函数将此hard-assignment操作转化为soft-assignment操作——使用1x1卷积和softmax函数得到该局部特征属于每个中心点的概率/权重,然后将其指派给具有最大的概率/权重的中心点。因此NetVLAD包含了三个可以被学习参数,,其中是上面1x1卷积的参数,用于预测soft-assignment,表示为每个簇的中心点。并在上图的VLAD core层中完成相应的累积残差操作。作者通过下图给我们说明NetVLAD相比于原始的VLAD的优势:(更大的灵活性——学习更好的簇中心点)

深度学习变革视觉实例搜索

这篇文章的另一个改进工作就是Weakly supervised triplet ranking loss。该方法为了解决训练数据可能包含噪声的问题,将triplet ranking loss中正负样本分别替换为潜在的正样本集(至少包含一张正样本,但不确定哪张)和明确的负样本集。并且在训练时,约束查询图片和正样本集中最可能是正样本的图片之间的特征距离比查询图片与所有负样本集内的图片之间的特征距离要小。

Deep Relative Distance Learning: Tell the Difference Between Similar Vehicles (CVPR 2016)

接下来的这篇文章关注的是车辆识别/搜索问题,来自于北京大学Hongye Liu等人的工作。如下图所示,这个问题同样可以被看成实例搜索任务。

深度学习变革视觉实例搜索

和很多有监督的深度实例搜索方法一样,这篇文章旨在将原始的图片映射到一个欧式特征空间中,并使得在该空间里,相同车辆的图片更加聚集,而非同类的车辆图片则更加远离。为了实现该效果,常用的方法是通过优化triplet ranking loss,去训练CNN网络。但是,作者发现原始的triplet ranking loss存在一些问题,如下图所示:

深度学习变革视觉实例搜索

对于同样的样本,左边的三元组会被损失函数调整,而右边的三元组则会被忽视。两者之间的区别在于anchor的选择不一样,这导致了训练时的不稳定。为了克服该问题,作者用coupled clusters loss(CCL)去替代triplet ranking loss。该损失函数的特点就是将三元组变成了一个正样本集和一个负样本集,并使得正样本内的样本相互聚集,而负样本集内的样本与那些正样本更加疏远,从而避免了随机选择anchor样本所带来的负面影响。该损失函数的具体效果如下图所示:

深度学习变革视觉实例搜索

最后这篇文章针对车辆问题的特殊性,并结合上面所设计的coupled clusters loss,设计了一种混合的网络架构,并构建了相关的车辆数据库去提供所需的训练样本。

DeepFashion: Powering Robust Clothes Recognition and Retrieval with Rich Annotations (CVPR 2016)

最后的这篇文章同样是发表在CVPR 2016上,介绍了衣服识别和搜索,同样是与实例搜索相关的任务,来自于香港中文大学Ziwei Liu等人的工作。首先,本篇文章介绍了一个名为DeepFashion的衣服数据库。该数据库包含超过800K张的衣服图片,50个细粒度类别和1000个属性,并还额外提供衣服的关键点和跨姿态/跨领域的衣服对关系(cross-pose/cross-domain pair correspondences),一些具体例子如下图所示:

深度学习变革视觉实例搜索

然后为了说明该数据库的效果,作者提出了一种新颖的深度学习网络,FashionNet——通过联合预测衣服的关键点和属性,学习得到更具区分性的特征。该网络的总体框架如下所示:

深度学习变革视觉实例搜索

FashionNet的前向计算过程总共分为三个阶段:第一个阶段,将一张衣服图片输入到网络中的蓝色分支,去预测衣服的关键点是否可见和位置。第二个阶段,根据在上一步预测的关键点位置,关键点池化层(landmark pooling layer)得到衣服的局部特征。第三个阶段,将“fc6 global”层的全局特征和“fc6 local”的局部特征拼接在一起组成“fc7_fusion”,作为最终的图像特征。FashionNet引入了四种损失函数,并采用一种迭代训练的方式去优化。这些损失分别为:回归损失对应于关键点定位,softmax损失对应于关键点是否可见和衣服类别,交叉熵损失函数对应属性预测和三元组损失函数对应于衣服之间的相似度学习。作者分别从衣服分类,属性预测和衣服搜索这三个方面,将FashionNet与其他方法相比较,都取得了明显更好的效果。

总结:当有足够多的有标注数据时,深度学习可以同时学习图像特征和度量函数。其背后的思想就是根据给定的度量函数,学习特征使得特征在该度量空间下具有最好的判别性。因此端到端的特征学习方法的主要研究方向就是如何构建更好的特征表示形式和损失函数形式。

基于CNN特征的特征编码方法

本文在上面部分介绍的深度实例搜索算法,主要关注数据驱动的端到端特征学习方法及相对应的图像搜索数据集。接下来,本文关注于另一个问题:当没有这些相关的搜索数据集时,如何提取有效的图像特征。为了克服领域数据的不足,一种可行的策略就是在CNN预训练模型(训练在其他任务数据集上的CNN模型,比如ImageNet图像分类数据集)的基础上,提取其中某一层的特征图谱(feature map),对其进行编码得到适用于实例搜索任务的图像特征。本部分将根据近些年相关的论文,介绍一些主要的方法(特别的,本部分中所有的CNN模型都是基于ImageNet分类数据集的预训练模型)。

Multi-Scale Orderless Pooling of Deep Convolutional Activation Features (ECCV 2014)

这篇文章发表在ECCV 2014上,是来自于北卡罗来纳大学教堂山分校Yunchao Gong和伊利诺伊大学香槟分校Liwei Wang等人的工作。 由于全局的CNN特征缺少几何不变性,限制了对可变场景的分类和匹配。作者将该问题归因于全局的CNN特征包含了太多的空间信息,因此提出了multi-scale orderless pooling (MOP-CNN)——将CNN特征与无序的VLAD编码方法相结合。

MOP-CNN的主要步骤为,首先将CNN网络看作为“局部特征”提取器,然后在多个尺度上提取图像的“局部特征”,并采用VLAD将这些每个尺度的“局部特征”编码为该尺度上的图像特征,最后将所有尺度的图像特征连接在一起构成最终的图像特征。提取特征的框架如下所示:

深度学习变革视觉实例搜索

作者分别在分类和实例搜索两个任务上进行测试,如下图所示,证明了MOP-CNN相比于一般的CNN全局特征有更好的分类和搜索效果。

深度学习变革视觉实例搜索

Exploiting Local Features from Deep Networks for Image Retrieval (CVPR 2015 workshop)

这篇文章发表在CVPR 2015 workshop上,是来自于马里兰大学帕克学院Joe Yue-Hei Ng等人的工作。近期的很多研究工作表明,相比于全相连层的输出,卷积层的特征图谱(feature map)更适用于实例搜索。本篇文章介绍了如何将卷积层的特征图谱转化为“局部特征”,并使用VLAD将其编码为图像特征。另外,作者还进行了一系列的相关试验去观察不同卷积层的特征图谱对实例搜索准确率的影响。

深度学习变革视觉实例搜索

Aggregating Deep Convolutional Features for Image Retrieval(ICCV 2015)

接下来这篇文章发表在ICCV 2015上,是来自于莫斯科物理与技术学院Artem Babenko和斯科尔科沃科技学院Victor Lempitsky的工作。从上面两篇文章可以看出,很多深度实例搜索方法都采用了无序的编码方法。但包括VLAD,Fisher Vector在内的这些编码方法的计算量通常比较大。为了克服该问题,这篇文章设计了一种更加简单,并且更加有效的编码方法——Sum pooing。Sum pooling的具体定义如下所示:

深度学习变革视觉实例搜索

其中就是在卷积层在空间位置上的局部特征(这里提取局部特征的方法,与上篇文章一致)。在使用sum pooling后,对全局特征进一步地执行PCA和L2归一化得到最终的特征。作者分别与Fisher Vector,Triangulation embedding和max pooling这些方法进行比较,论证了sum pooling方法不仅计算简单,并且效果更好。

Where to Focus: Query Adaptive Matching for Instance Retrieval Using Convolutional Feature Maps (arXiv 1606.6811)

最后这篇文章目前发在arXiv上,是来自于澳大利亚昆士兰大学Jiewei Cao等人的工作。正如本文在开头部分所提到的,杂乱的背景对实例搜索影响非常大。为了克服该问题,这篇文章在上篇文章所提出的sum-pooling方法的基础上,提出了一种被称为query adaptive matching (QAM)的方法去计算图像之间的相似度。该方法的核心在于对图像的多个区域执行池化操作,并创建多份特征去表达图像。然后在匹配时,查询图像将分别与这些区域的特征比较,并将最佳匹配分数作为两张图像之间相似度。那么接下的问题是如何去构建这些区域。

作者首先提出了两种方法——Feature Map Pooling和Overlapped Spatial Pyramid Pooling (OSPP),去得到图像的base region。然后通过对这些base region不断地合并,以找到最好的相似度评分为目标,构建出目标区域。其中最吸引人的地方在于,作者将整个合并的过程,转化为了对一个优化问题的求解。下图显示了QAM方法的部分结果及对应图像的特征映射。

深度学习变革视觉实例搜索

总结:在某些实例搜索任务中,由于缺少足够的训练样本,所以不能直接 “端到端”的去学习图像特征。这时候,如何将现成的CNN特征编码为适合实例搜索的图像表示就成为该领域的一个热门研究方向。

2015年首届阿里巴巴大规模图像搜索大赛总结

在介绍完近些年一些主要的深度实例搜索方法后,在接下来的部分,本文将通过总结在阿里巴巴大规模图像搜索大赛中出现的相关方法,来介绍一些实践中可以提高视觉实例搜索性能的技巧和方法。

阿里巴巴大规模图像搜索大赛由阿里的图像搜索组所主办,要求参赛队伍从海量的图片库中找出那些与查询图片包含相同物体的图片。这次比赛提供了以下两类数据用于训练:约200W张图片的训练集(类别级标签及相对应的属性),1417张验证查询图片及相对应的搜索结果(总共约10W张)。在测试时,给定3567张查询图片,参赛队伍需从约300W张图片的评测集中(无标签),搜索出那些符合要求的图片,评价指标为基于top 20的mAP ( mean  Average  Precision)。

首先简单介绍我们的方法——Multi-level Image Representation for Instance Retrieval,该方法取得了这次比赛的第三名。很多方法都是用最后一个卷积层或全连接层的特征进行检索,而由于高层的特征已经损失了很多细节信息(对于更深的网络,损失更严重),所以实例搜索时不是很精准,如下图所示,即整体轮廓相似,但细节则差距很大。

深度学习变革视觉实例搜索

为了克服该问题,我们将CNN网络中不同层的特征图谱(feature map)进行融合,这不仅利用了高层特征的语义信息,还考虑了低层特征的细节纹理信息,使得实例搜索更精准。如下图所示,我们的实验主要基于GoogLeNet-22网络,对于最后的8层特征图(从Inception 3b到Inception 5b),首先使用最大池化对这些不同尺度的特征图分别进行子采样(转换为相同尺寸的特征图),并使用的卷积对这些采样结果进一步地处理。然后对这些特征图做线性加权(由的卷积完成),最后在此基础上,使用sum pooling得到最终的图像特征。在训练时,我们根据所提供的训练数据,通过优化基于余弦距离的triplet ranking loss来端到端学习这些特征。因此在测试时,可以直接使用特征之间的余弦距离来衡量图像的相似度。

深度学习变革视觉实例搜索

另外,借鉴于训练SVM分类器时使用了难分样本挖掘的思想,我们的方法首先在前向计算时,计算当前训练批次中所有潜在三元组的损失(从当前训练批次中选取两张相同类别的图片和一张不同类别的图片构成潜在三元组),然后找到那些“困难”的三元组(更大的损失),最后在反向计算时,使用这些“困难”的三元组进行误差传播,从而取得更好的训练效果。

接下来简单总结其他队伍的相关方法。在端到端的特征学习方法中,除了triplet ranking loss,contrastive loss(对应于Siamese network)也是常见的损失函数。除此之外,还有一些方法值得我们关注,可以显著地提高搜索性能:

(一)  同款图挖掘

在有监督的机器学习方法中,更多的数据可能就意味着更高的准确率。因此来自于中科院计算所的团队提出,先根据ImageNet预训练模型的特征,在类别级训练集上聚类,然后通过阀值,挖掘出更多地同款图,最后用这些同款图去训练CNN网络,学习图像特征。该方法实现简单,并且可以显著地提高搜索的性能。

(二)  目标检测

在实例检索中,复杂的背景噪声直接影响了最终的搜索性能。因此很多队伍首先尝试使用目标检测(比如faster-rcnn)定位感兴趣的区域,然后在进一步地学习特征,比较相似度。另外,当没有bounding box训练数据时,弱监督的目标定位也是一种有效的方法。

(三) 一阶池化特征和二阶池化特征融合

二阶池化方法通过捕捉图像二阶统计变量,如协方差等,往往可以取得更好的搜索准确率。来自大连理工的李培华教授所带领的团队在CNN网络的基础上,将一阶池化特征和二阶池化特征融合,取得非常出色的成绩。

(四) 联合特征学习和属性预测

该方法和本文在第三部分所提到的DeepFashion类似,同时学习特征和预测图片的属性(多任务训练),从而得到更具区分性的特征。


本文作者:深度学习大讲堂


本文转自雷锋网禁止二次转载,原文链接

2016-11-26 20:58:55 messiran10 阅读数 4915

时光飞逝,不知不觉间,2016年已经快要走到尾声,而我的研究生生涯也即将走到尽头。从今年3月份找实习开始,到10月份签了三方,这中间也经历了起起伏伏各种波折。现在总结一下找工作的这些事情。

先说一下我的基本情况:中科大本硕,所学的专业是电子信息工程,班级排名常年中游,研究方向勉强算是计算机视觉。本科时候计算机方面就学过C语言和数据结构。读研时候做过的项目比较杂,嵌入式视频监控系统开发、数据挖掘比赛、图像处理都接触过一些。不过都做得比较浅,缺乏自己的核心竞争力, 这在找实习/工作的过程中吃了不少亏。下面按照时间顺序回顾一下整个求职的历程。

2015.10月份以前

     没有准备求职的概念,都是上课和做一些实验室的项目。当时实验室的项目是视频监控系统开发,所以这段时间对嵌入式linux和C/C++还算积累了一些经验。

2015.10月-2016.12月

      阅读《统计学习方法》这本书,对机器学习的常见算法基本上是看了一篇,并且参照《机器学习实战》,用python将这些算法实现了一篇。然后参加了阿里的数据挖掘比赛(广东公共交通客流量预测比赛),最后的名次大致是前6%的样子。这时候一门心思要找数据挖掘的工作,有迷之自信。

2016.3月-2016.4月

      各个大厂的实习招聘相继开始,于是各种找师兄内推。内推的有阿里、腾讯、网易,百度是自己投了简历,都是数据挖掘方向。

       阿里:3月十几号的时候接到了阿里的电话一面,这是第一次求职面试,最后是跪的很惨。其实当时问的问题也不是很难,大部分都是算法(RF、GBDT、K-means、CNN)有什么缺点、如何优化之类的。由于自己基础不怎么好,就看了看《统计学习方法》,能知道各个算法的基本模型,但是并没有想过算法的优缺点和优化问题。所以这次面试表现非常之差,意料之中的一面挂,说实话当时对自己打击还蛮大。。

      网易:3.22号 参加网易数据挖掘的笔试,这同样是求职阶段第一次在线笔试。网易的笔试题偏难,前面选择题考了各种知识:C/C++、JAVA、Hadoop、Spark、算法等等,做的一般吧。然后后面有五道大题,三道编程,两道推公式的题。编程题一个是二叉树中和为某一个值的路径、一个是要编程实现朴素贝叶斯算法,还有一个不记得了。最后三道编程题基本写了出来,推公式的题就完全懵逼了。最后笔试也挂了。当时实验室就我一个投的数据挖掘,其他同学投的都是JAVA、C++、前端这些开发的工作,然后他们笔试也都过了。

      百度、腾讯:内推没有用,压根就木有给我面试,需要走后续的笔试实习招聘流程。。

      美图:当时美图还来学校宣讲招实习生,做了线下数据挖掘笔试,结果也挂了。。那时我就发现了问题的严重性,感觉数据挖掘这条路不好走。实验室的同学和师兄也没有做这方面的。总之就是很迷茫。。

3月底的时候仔细想了想,感觉数据挖掘这条路很难走下去,或者说风险有点大。最终在3.22这天决心换方向,转向到Linux c/c++后台开发这个方向。

2016.4月-2016.5月

这一个月前期是各种看书恶补知识的过程,因为那时候我连C++里面的虚函数是啥都不知道。Linux C/C++后台开发这个方向大体上需要 编程语言(C/C++)、数据结构与算法、计算机网络、操作系统这四个方面的知识,我就上网看了看别人的准备经验,然后主要看了这些书:《C++ primer plus》《STL源码剖析》《程序员面试宝典》《剑指offer》《UNIX网络编程》《UNIX环境高级编程》《TCP/IP详解 卷一》(TCP相关部分)《操作系统概念》(重点看看进程、线程、死锁这些基础知识)。现在想想这段时光真是艰难,每天从早到晚都是看书学习。

       4月初的时候做了腾讯的实习生笔试,4月下旬做了阿里和百度的实习生笔试。最后貌似是因为腾讯笔试不怎么刷人,所以在4月底的时候收到了腾讯的面试通知,而百度、阿里不出意料的都挂了。

        腾讯一面:首先是介绍项目,我的主要项目就是一个视频监控系统的开发,涉及到的知识点是linux环境编程、线程同步、进程间通信(使用FIFO),这个项目讲的还好。然后面试官就问了一个语法问题:static关键字在c/c++里面的用法,这个自然知道。最后就是算法题,要求将一个字符串数字比如“666”转换成数字666,这个也很简单,就在纸上写了代码。一面感觉挺简单的。

        腾讯二面:也许是运气好,我的二面面试官有事没能来合肥,于是二面是电话面试。面试官好像很急的样子,就问了一个智力题,两个算法题。智力题我不会做,两个算法题都是《剑指offer》的原题,所以都知道思路。

        腾讯三面:三面就是hr面了,这就比较轻松了。

      4月份还参加了华为的实习生笔试和面试,华为因为比较看重学校,所以主要都是让我讲项目,没有问什么具体技术问题。在5.1前收到华为的实习offer,也算是给自己一个鼓励。

2016.5-2016.7

五一回来之后的一个周五,收到了深圳打来的电话,是拿到了腾讯的实习生offer。对于我这样一个临时转行的彩笔而言,实在是难得,运气因素也起了很大作用。5月之后,找实习就结束了,得到了喘息的机会。这时候正好之前投的期刊结果出了,是拒稿重投。于是这段时间一方面就是改论文,另一方面就是看了看nginx,加深对epoll、网络编程这些知识的理解,还有就是每天一般会做一道leetcode的题目,以及巩固STL等知识。

6.24号,到达深圳,于是开始了腾讯的实习经历,一开始,我的心里是充满期待的。可是生活往往不会尽如人意。

2016.7-2016.9

《阿甘正传》里面有这样一句话: 生活就像一盒巧克力,你永远不知道下一秒会发生什么。在腾讯实习的两个月,怎么说呢,有好有坏。

腾讯实习经历:

我实习的部门是广点通,实习的小组是做公共组件开发的。组里面是有在维护一些很有意思的开源工具库,比如RPC库、ZooKeeper等等。然后遗憾的是,这些库的开发维护工作跟我半毛钱关系都没有。安排给我的工作主要有两个:一个是基于jenkins搭建和二次开发持续集成的环境、一个是仿照cpplint开发一个protolint工具来检测.proto文件是不是符合公司的代码规范。

先说jenkins,一开始是让我搭建php的持续集成环境。于是噩梦开始了,php的项目是其他组在做的,他们有自己定制的php代码、有自己定制的公司各种后台服务,各种配置等等。而我每天的工作就是跟那边的一个高级工程师扯皮,每次都是我问10句,他回一句,最后他直接不回了。为什么呢?因为我做的这个环境是要把他们组的项目拉过来进行管理,然后统计他们代码的单元测试覆盖率等等直接汇报给质量控制部门(QA)的。他们当然不愿意受到QA的管理,,而且我还是个小小的实习生。  

可是我又不得不问,因为我根本不知道他们代码用了公司内网的什么服务,做了什么配置。而大公司的各种代码权限、服务权限等等是非常非常繁琐,我一个实习生是各种没有权限、各种访问策略不通,于是又需要各种沟通....我花了整整三周时间才能跑起来他们组里面的代码,这三周真是痛苦不堪。而更痛苦的是,你花了大量时间,做的却是对自己没有收获的工作,整整三周没有写一行代码。。。到7月20号左右终于是完成了这个工作。

再说说protolint,这个工作好歹是写代码的工作,虽然是用python开发的。这个工作主要就是检查.proto文件的定义是不是符合公司的规范,比如空格啊、间距啊、变量命名啊等等。比较枯燥,但是能让我写写代码,我也知足了。这个工作大概在8月初的时候就基本完成了。

8月份的主要工作是基于jenkins的二次开发,主要是用python写一些脚本, 比如发发邮件啊、整合一下单侧覆盖率数据啊等等,这些都还好办。到8月中旬的时候,组里面又让我搭建gcc-4.9.4的持续集成环境。那个时候组里面刚刚能用gcc-4.9.4去编译部门的代码,但是跑单元测试时候会各种出错。于是就让我去找问题。这些问题呢,都是编译器升级带来的,不是代码的逻辑问题。于是我需要查看出问题的代码是谁负责的,然后再跟对方各种沟通。。可能我能力有限吧,说实话我真得不知道怎么解决这些问题,所以又是各种折腾。而且当时找工作内推已经开始了,我还天天在那边折腾,心中很是苦闷。

到8月20号,我已经萌生退意了。因为我发现实习做的这些事情真得不是我想做的事情,我只想好好地读代码、写代码,可是每天做的都是在折腾,都是在费劲的沟通。而且这些折腾的事情对我正式找工作又能有什么帮助呢?当时我们部门实习生还要答辩,但是我没答辩就回去了,我已经下定决心放弃鹅厂的光环,去追寻自己喜欢的生活。后来了解到实习时候的导师和组长给我的意见都是建议留用,要是参加答辩还是有很大机会拿到offer的。其实他们人都很好,只是怎么说呢,我觉得对我实习任务的安排还可以做的更好。也容易理解,人都是站在自己的角度考虑问题,又有谁会真正考虑一个实习生的发展。

虽然腾讯实习的项目没太多价值,但是腾讯内部有很多很好的资源。我利用周末和晚上的时间读了组里面RPC库的网络部分代码,对于异步非阻塞这样的高并发网络编程有了较深的理解。我还在实习期间抽空阅读了《Linux多线程服务端编程:使用muduo网络库》,并且自己写了一个简易版的muduo。我把这个自己做的小项目说成是腾讯实习生的mini项目,事实证明,后来整个找工作期间,这个项目被问了很多次,而jenkins那些几乎就没有人关心过。。

腾讯公司的氛围很好,环境很好,确实是一家很好的公司,只是不是很适合我吧。现在回过头想想,那段实习的时光,让我印象最深的:是每天晚上回到租的隔断间刷leetcode的冥思苦想、是每个周末自己看代码时候的豁然开朗。也许每个人都会经历这样一段努力而艰难的时光,回过头来想想,往往会感动自己。

内推面试:

校招内推在8月就正式开始了,我也海投了一波简历。最后电话面试的是这样几家公司:阿里、微店、百度。

阿里:一面主要问项目,把异步非阻塞高并发这些扯了一通,面试官就说我过了,准备下一面。二面问的很深,问了不少TCP/IP协议优化的事情,当时准备的不充分,就挂了。。阿里内推挂了,其实隐约知道校招其实也没有机会了。

微店、百度:一面都是问项目、C/C++、算法、STL等。我感觉都面的不错,然而一面之后都没有下文了。。

网易:又一次笔试挂了。。

2016.9-2016.10

9月份,大规模的校园招聘开始了,我是想去杭州工作,所以杭州的公司投的多一些。这也是至关重要的一个月,我这个月经历了大大小小各种公司,主要如下:

搜狐:搜狐9月十几号来学校搞了一个提前批,线下笔试,第二天面试。不知道是我笔试做的好还是啥,第二天面试就问了我一个智力题,我不大会,但是面试回来之后hr就给我说面试过了。就这样稀里糊涂的拿到第一个校招offer-搜狐。

地平线机器人:做过CV的应该都知道余凯自己创业开了这样一家做人工智能的公司。这家公司是来学校线下笔试,第二天直接面试。笔试很简单。第二天一共三轮技术面,一轮hr面。一面的面试官是做图像的,因为我的毕设是基于深度学习的车牌检测,所以一面主要问论文的思路、CNN的基础知识,不难,所以直接进入二面。地平线的面试是当天全部完成,所以马上进入二面。二面面试官全程板着个脸,除了项目之外,主要问了这些问题:

1.jenkins是做啥的,持续集成的意义
2.手写消息队列
3.如何用两个栈实现一个队列
4.ajax是干啥的
5.linux基本指令:awk grep等等
6. 缓存服务器的作用与意义
前面4个我都会,后面awk就不怎么记得了,最后一个缓存服务器也没答上来。当时面完感觉很差,但是也让我过了,进入三面。
三面面试官是科大师兄,所以比较轻松,就问了两个算法题,不难。最后hr面就不说了,反正当天现场就通过了面试并且签了两方协议。

百度、阿里、网易、京东:笔试全挂,算法实在是渣。。

华为(杭研所):华为之前跟杭研所欧拉部门的人交流过,所以投的岗位是操作系统工程师。华为的面试是全程问项目,问的非常细,讲的很累。华为比较看得起我吧,最后给了我一个非常高的offer,最后我也就签了华为杭研所。

滴滴(杭州):很难得,滴滴的笔试过了。滴滴是两轮视频面试,然后在现场还有一轮技术面和一轮hr面。两轮视频面试问的都是常规的问题,比如STL里面有哪些树结构?反转链表程序?多重继承的内存空间布局?求两个链表的公共节点(考虑循环链表等情况)。而最后的现场boss面另我郁闷不已,全程没有get到面试官的点。boss面的问题如下:
 1.假设在中国和美国之间传文件,现在不知道文件传的对不对,你怎么解决?(我就说了分段进行校验、使用hash这些,面试官不置可否,我也没懂他到底想问什么)
 2.假设你是公安局局长,你们现在需要调监控来找到一个嫌疑人的轨迹。请问应该怎么布局监控摄像头的位置才能效率最高?(同样get不到点)
 3. 一个算法题,还算常见,就这个答出来了
 4. 一个智力题(具体不记得了,我这个人是不擅长急智,也没有准备过智力题,不会做
滴滴于是也挂了。被互联网公司虐的不要不要的。但是说实话,我并不觉得会这些题能说明什么,我也并不觉得我的能力离滴滴的要求差了很多。对我们这种非科班出身的,没有互联网公司感兴趣的项目经验,面试其实挺吃亏的。

科大讯飞:问的都是CNN相关的,比较简单,顺利通过。

TP-LINK(杭州): 我投的是嵌入式开发,还算对口。TP的招聘很看重学校牌子,问的问题除了项目之外都是常规的,比如进程与线程的区别、什么叫不可重入等等。

其他公司:还有很多其他公司,要么是不在杭州没有投,要么就是面试很晚没有去,就不细说了。

最后是签了华为杭州研究所,开得package也非常高。感谢华为看得起我,让我在最想去的杭州有了一份很好的offer,我知足了。去华为做的应该是linux内核开发(终端手机os、物联网os这些),这块以前接触的不多,但是我也乐意于做底层的开发。

最近在看《曾国藩》《大秦帝国》这些历史小说,越发的感觉到造化弄人和人类的渺小。一个人的命运,真的既要考虑自身的奋斗,也要考虑历史进程。

人生中很多事都不会是一帆风顺,很多事都不会尽如人意。我们所能做的,只是不断的去努力,不断的完善自我。看了这么多历史小说,能成事的人物大多器局开阔、坚韧顽强。希望自己在以后的生活中也能做到器局开阔和坚韧顽强。







 




2019-11-04 20:38:29 qq_44761480 阅读数 152

尊敬的老师:
您好,我是北京化工大学化学学院的大四学生胡帆。
首先感谢您在百忙之中收阅我的邮件!我想参加2019年信息学院的推免复试,我对您的研究方向(计算机视觉)非常感兴趣,希望有机会免试攻读您的2020年研究生,得到老师的指点,所以就冒昧联系了。以下是我的一些基本情况,附件是我的个人简历、成绩单、专业排名证明等资料,供老师审阅和参考,希望老师抽出一些时间过目,期待在计算所与老师进一步交流。
三年以来,我坚持认真学习,多门课程拿到A+,总绩点3.78/4.33,学习成绩排名3/32(理科实验班)、 9/307(年级排名),获得了一次人民三等奖学金,两次社会资助奖学金,参加了两次国家奖学金答辩,并以500+的成绩通过了英语四六级,拥有良好的学习能力。同时,我通过了计算机二级,并且在CCF/CSP认证中拿到了240分(前5.51%)。
值得一提的是,为了弥补和计算机专业本科生学习内容的差别,我在中国大学MOOC上学习了以下课程:
数据结构与算法(电子科技大学戴波老师等,优秀证书)
离散数学(北京交通大学刘铎老师,优秀证书)
操作系统(华中科技大学苏曙光老师,优秀证书)
计算机组成原理(哈尔滨工业大学刘宏伟老师,优秀证书)
数据结构(浙江大学陈越老师等,优秀证书)
计算机网络(华南理工大学袁华老师,82分)
用Python玩转数据(南京大学张莉老师等)
特别是学习数据结构时,我还在PTA平台完成了浙江大学数据结构要求的全部必做题目和大部分选作题目,总共写了万余行的代码,感觉受益匪浅。
其次,在数理能力和计算机能力的培养上,我始终没有停歇。
2018年9月参加数学建模国赛,我们选择了B题,运用机器学习及循环遍历的方法,建立了RGV调度模型,使得智能RGV加工系统效率最大化,并对突发状况进行处理。我的主要工作是算法构建和matlab编程。最终我们取得北京市一等奖的荣誉。
2019年1月份的MCM/ICM,我们小组进行了卢浮宫疏散系统的构建,利用元胞自动机模型对卢浮宫博物馆内的游客疏散做了仿真,同时利用蚁群优化算法、机器学习方法、图论模型及Floyd算法对初始模型不断优化和改进,对游客的疏散路径做了规划。我的主要工作是元胞自动机及图论模型的构建,并参与程序编写和论文纂写,最终我们取得了二等奖的荣誉。
在大三下的课程中,我选修了“斯坦福吴恩达机器学习”和“Python机器学习”课程,前者让我了解了机器学习的基础算法原理,在后者的学习中,我尝试使用sklearn、tensorflow等库解决问题,同时阅读相关文献来弥补自己缺少的知识。学习期间我使用sklearn库建立了简单的神经网络进行手写数字识别,最后正确率达到96%。对于非标准的手写图片,我使用尺寸变换、阈值分割、二值等处理,然后用构建的MLP多层感知机进行识别。这次实践激发了我的兴趣,我想要继续学习有关神经网络方面的知识,不断改进并应用到其它领域。
最后,我知道我的本科专业是我的弱项,但是我真的对计算机、算法等非常感兴趣,希望以后能从事自己热爱的工作。
冒昧致信,恳请您海涵!感谢老师在百忙之中阅读我的邮件,非常期待老师的回复,期待能加入老师的科研团队。

祝好,
胡帆

随便聊聊

阅读数 94

如何申请国内博士

阅读数 16510

没有更多推荐了,返回首页