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
1. 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）
2. 预处理
- 去噪、色彩校正、resize、ROI 裁剪
- 与训练一致的 normalization（OpenCV → Tensor）
3. 模型推理
4. 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）
5. 业务与 UI
- 规则引擎、告警、API、可视化 overlay
6. MLOps
- 版本管理、A/B、线上监控（延迟、准确率、数据漂移）
- 反馈闭环与再训练
离线侧：标注 → 增强 → 训练 → 评测（mAP、mIoU）→ 导出 ONNX。
全景参考 CV 系统实践。
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
只谈模型不谈采集与后处理；忽略 train/serve skew；不说 NMS 与跟踪。
🔗 相似问题
同一考点的不同问法，换着练更稳
没找到想看的面试题？把你想看的告诉我们 →
延伸学习
按主题分类的相关资源，便于系统复习
