你要训练一个 512×512 输入的语义分割模型，主干把特征图一路下采样 32 倍，最后只剩 16×16，然后直接上采样回 512×512 做逐像素预测，结果小目标和物体边界都很差。请回答：(1) 效果差的根本原因是什么？(2) 至少给出两种网络结构层面的改法，并分别说明它们的代价。

面试官在考什么

判断候选人是否理解分割任务对空间分辨率与语义信息这对矛盾的处理方式，而不是只会背 U-Net、DeepLab 的名字。

分割网络

回答框架 · 前两步

1. 根本原因：下采样 32 倍丢掉了空间细节和高频信息，深层特征语义强但位置粗；直接上采样只是插值，无法凭空恢复已经丢失的信息
2. 改法一：编码器-解码器 + skip connection（U-Net/FPN 式），把浅层高分辨率特征与深层语义特征 concat 或相加；代价是显存和计算量增大

延伸阅读

• 项目深挖：五层结构下的追问与逐字稿

想看这个方向的整体准备路线？ 进入「CV 与多模态」方向页

同一能力域的其他题

• 你用 YOLOv5s 训一个 4 类缺陷检测（输入 640×640，8000 张训练图），验证集整体 mAP@0.5=0.82，但尺寸在 16~24px 的小目标那一类占比 12%、AP 只有 0.31。部署在边缘设备上，batch=1 时单帧 22ms，延迟预算是 30ms。现在要求你把小类的 AP 提上去且不能突破延迟预算。请给出你的排查顺序，以及每一步具体要动哪个配置/参数、预期效果和验证方式。
• 某产线质检场景：6 路 1080p 摄像头，每路需要 25 FPS，合计 150 FPS 吞吐；检测 5 类缺陷，其中最小缺陷在 1080p 画面里约 20×20 像素；可用一张约 100 TOPS 的推理卡；单路单帧延迟预算 40ms，其中预处理+后处理实测已占 8ms。请给出你会选 YOLO 哪个版本、哪个尺寸档，推理预算怎么算，小目标怎么保证，以及你打算用什么指标证明方案达标。
• 团队在边缘 SoC（INT8 约 4 TOPS，attention 类算子支持很差）上跑一个量产的实时检测模型，现状是 1080p 输入下 30ms、mAP 0.42。硬件不能换，业务要求端到端 15ms 且 mAP 不低于 0.42。候选路线有三条：(A) 换成 YOLOv8/v10 这类较新版本；(B) 保留现有 anchor-based 结构，只改 backbone/neck 和输入策略；(C) 降输入分辨率，再级联一个只跑 ROI 的二阶段补检。请给出你的技术判断：你会用哪些判据来选路线，两周内怎么做出可辩护的决策，以及怎么让算法、部署、业务三方都接受这个结论。
• YOLOv3 常被描述为“三个尺度预测”。假设输入 416×416，主干输出 13×13、26×26、52×52 三个尺度的特征图，每个格点配 3 个 anchor，检测 80 类。请回答：(1) 一张图总共输出多少个预测框？(2) 每个预测框的向量是多少维、每一维分别代表什么？(3) 为什么是小尺寸的特征图负责大目标，而不是反过来？
• 你接手一个 Faster R-CNN（ResNet-50 + FPN）检测项目，12 类，数据里存在宽高比约 1:8 的细长目标。RPN 使用默认的 3 个 scale × 3 个 ratio 的 anchor，输入 800×1333。你测出 RPN 在 IoU=0.7 阈值下召回只有 0.55，而送到 ROI head 的 proposal 里正样本比例只有 8%。团队里有人建议「把 RPN 的正负样本比例从 1:3 改成 1:1，再把 batch size 调大」。请评估这个建议，并说明你会改哪些参数、依据是什么、怎么验证改了以后 RPN 而不是 head 变好了。
• 一个离线批处理任务：20 万张图，30 类，目标普遍偏小且同类目标常成簇叠在一起（一张图里同类可叠 20 个以上），允许 8 卡跑 12 小时，评测只看精度不看延迟。团队有人提议用 YOLO 一把梭，你会不会改用 Faster R-CNN？说明判断依据，以及如果用它，RPN 的 anchor 和 ROI 采样你会怎么配。