核心要点
覆盖采集、预处理、推理、后处理、部署全链路
区分离线训练与在线推理
提及模型选择、评测与监控
能画简单数据流图
简要回答
完整 CV 系统含：传感采集（相机标定）→ 预处理（去噪、resize）→ 模型推理（CNN/检测器）→ 后处理（NMS、跟踪、融合）→ 业务逻辑（告警、可视化）→ 部署监控（TensorRT、延迟、漂移）。
标准回答
一、先给出结论和背景
- 数据采集：- 相机/镜头选型、光照设计、帧率分辨率
- 标定（内参、畸变）、时间同步（多传感器）
- 预处理：- 去噪、色彩校正、resize、ROI 裁剪
- 与训练一致的 normalization（OpenCV → Tensor）
- 模型推理：- 任务选型：分类 / 检测 / 分割
- 骨干网络（ResNet、YOLO、ViT）+ 硬件加速（GPU/NPU/TensorRT）
二、拆开关键步骤和判断点
- 后处理：- 检测：置信度阈值、NMS
- 分割：CRF refine、连通域分析
- 跟踪：Kalman + DeepSORT 跨帧 ID
- 多传感器融合（激光雷达投影）
- 业务与 UI：- 规则引擎、告警、API、可视化 overlay
三、补上落地边界和取舍
面试里可以补一个视觉任务例子：计算机视觉系统包含哪些关键组件 在分类、检测、分割或多模态理解里分别会影响数据增强、模型结构、指标选择和误检漏检分析。这样回答会比单独讲概念更像真实项目经验。
回答思路
【定义】用一句话说清「计算机视觉系统包含哪些关键组件」
【原理】讲清关键机制或步骤（2～3 点）
【例子】举一个真实项目、论文或产品中的例子
【对比】与易混淆概念或替代方案比较（如有）
【收尾】总结适用场景 + 一个局限或风险
常见误区
⚠️ 常见踩坑
误区一：容易答偏的地方：只谈模型不谈采集与后处理；忽略 train/serve skew；不说 NMS 与跟踪。
追问
追问 1：边缘部署要关注什么？
模型量化（INT8）、剪枝、蒸馏；固定输入尺寸；内存带宽；batch=1 延迟；热管理与功耗。用 ONNX/TensorRT/CoreML 优化。
追问 2：CV 系统如何做质量保证？
分层测试集（光照/角度/遮挡）；影子模式对比新旧模型；人工抽检低置信样本；监控输入图像质量（模糊、过曝检测）。
追问 3：多相机系统难点？
标定同步、立体匹配、统一坐标系、带宽与标定漂移。需 extrinsic 定期重标定与 time sync（PTP）。
🔗 相似问题
同一考点的不同问法，换着练更稳
延伸学习
按主题分类的相关资源，便于系统复习