项目相关的问题（竟然基本没问机器学习的部分）：
- 为什么SVM在你的数据集上表现最好
- 介绍一下Lovasz loss以及为什么在这个项目中有用，为什么不用Dice loss
- 除了CBAM还用了那些注意力机制模块，有没有用自注意力
- 为什么采用2D分割不用3D分割
- 使用过哪些3D分割模型
- 为什么ResNeXt表现更好
- 尝试了哪些数据增强策略，为什么这么做
- Test time augmentation用了哪些策略
- 在深度学习的实验中你觉得哪个部分是最重要的（数据or模型or损失函数or各种组件的设计）
- 介绍一下stacking
- 介绍一下项目的创新性以及未来改进的方向
- 问了各个项目的消融实验，以及消融实验中带来的提升各有多少
- 实习工作的难点在哪里
基础知识（面试官想到哪问哪，完全不按套路出牌）：
- 有没有遇到数据不平衡问题以及是怎么解决的，是否可以人为改变数据分布
- 常用的计算机视觉特征有哪些（介绍了HOG，haar后又问了SIFT），以及HOG特征为什么在项目中是有用的
- 介绍一下集成学习以及为什么使用stacking
- 介绍一下关于CT、MRI图像有哪些重要的参数
- 介绍一下BN和dropout在训练和测试时的区别
- 知道哪些深度学习分类模型逐一介绍一下
- AlexNet为什么作为第一个深度学习分类模型被广泛应用
- ResNet为什么可以解决梯度消失的问题
- Conv、ReLU、BN、Pooling的顺序应该是什么，并解释理由
- 介绍一下transformer
- 在transformer中是怎么结合全局特征和局部特征的，用结构说明
- CV中的non-local和transformer的self-attention有什么区别
- 介绍一下单阶段和双阶段检测模型以及各自的优缺点
- 介绍一下anchor-base和anchor-free的模型
- 什么是有监督、半监督、弱监督、自监督
- 半监督的模型有哪些，各自是怎么做的
- 自监督是怎么做的
- Dice和IoU有什么区别，从公式说明
- Accuarcy和Precision有什么区别，以TP、TN、FP、FN进行说明
- P-R曲线和ROC曲线的横纵坐标分别是什么，以及有什么区别
- 多分类的ROC曲线是怎么得到的（面试官好像不懂什么是宏平均和微平均）
开放问题（感觉这部分反而简单了一点）:
- 给你一个深度学习的二分类问题，你要怎么去做
- 在测试集表现不好有哪些原因，你要怎么做
- 多个测试集中有一个测试集表现不好是什么原因，你要怎么做
