标准回答
一、光照变化挑战
- 明暗对比改变边缘与纹理强度
- 色温/白平衡导致颜色特征不稳定
- 阴影造成假轮廓、高光饱和丢细节
二、姿态与几何挑战
- 旋转/翻转：物体外观剧变（非严格平移）
- 尺度：远近导致目标像素尺寸差数量级
- 视角：3D 物体 2D 投影形变
- 遮挡：部分可见破坏整体形状
三、传统方法局限
SIFT/HOG 对极端光照仍脆弱；需手工设计不变性。
四、深度学习对策
- 数据增强：亮度、对比度、色调抖动；随机旋转、缩放、裁剪（OpenCV / Albumentations）
- 归一化：per-channel mean/std；直方图均衡（慎用）
- 架构：CNN 层次特征、多尺度 FPN、旋转等变网络（RoIAlign）
- 训练策略：多域数据、域自适应、测试时增强 TTA
五、评测
回答思路
【定义】用一句话说清「光照与姿态变化下，目标识别有哪些挑战」
【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：只说「多收集数据」不说具体增强；混淆分类与检测；忽视域偏移（训练日光、测试夜景）。
追问
追问 1：颜色空间选 RGB 还是 HSV 做光照鲁棒？
HSV 的 V 通道对亮度变化相对分离，传统 CV 常用；深度学习端到端学特征，RGB+增强通常足够。红外/多光谱需专门通道设计。
追问 2：旋转不变性 CNN 天生具备吗？
CNN 有平移等变性，非旋转不变。需数据增强、STN（空间变换网络）、或等变群卷积（E(2)-CNN）显式建模。
追问 3：夜间场景如何提升识别率？
低光增强预处理、红外融合、合成夜景数据、域自适应从日到夜；注意增强引入伪影会误导模型。
落地时需结合业务场景说明取舍、边界条件与可观测指标，避免只背概念。
🔗 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
