面試時間 : 10分鐘
流程 : 自我介紹(約1分鐘) + 教授問答(約10分鐘)
教授人數 : 3人
自我介紹 : 課外活動(自學拍youtube / Podcast / 打桌球) + 專題簡介(深度學習相關-衛星影像建物分類) + 拿精簡專題報告給教授參考
黃教授 : 中英夾雜很流利的感覺
S教授 : 很專注的眼神
張教授 : 擅長深度學習
教授人都蠻好的>>>>>>>>成大
面試提供資料 : https://drive.google.com/file/d/18XmKfpCO2ZBpmmNlUHZmaN-w3EFN1Xns/view?usp=sharing
自我介紹的時候,s教授一直看著我手上的資料,直到我把資料給教授(很專注的感覺~)
WHU dataset 是武漢的資料集,據我所知檔案很大,你是怎麼載下來的?
對,那個whu很大,不過它也有分好幾個不同的dataset,我是下載其中一個小的Global cities的dataset,張數少少的,所以我就要自己做 data augmentation 來增加training data
出題教授 : 張教授
wow ,你的專題看起來impressive ,稍微說一下你的專題的進度好了?
好的,目前我有train 2 個model ,其中一個是訓練資料少的,另外一個是比較多的,現在這兩個model 都有遇到一點 overfitting 的問題,而要解決這個問題就需要增加一下我的訓練資料量。
我目前有嘗試兩個不同的作法,第一個做法是retrain,retrain的話就是說我先丟個3000張進去訓練,訓練完之後把model儲存起來。之後再把model load 進來,再給model 一批新的training data 做訓練,這樣就可以增加model 的訓練資料量。
不過這個retrain也是會有問題,尤其像是在data augmentation做的不夠random的時候,很容易再第二次訓練的時候出現overfitting的狀況,也就是說會去迎合或是fit第二次新進來的資料。
第二種方法是mini batch 的方法,也就是說我不要一次把所有資料丟到GPU裡面去訓練,而是一次拿一小批資料進去運算,下次再拿一小批進去,這樣就可以突破記憶體的限制,我目前用這個方法已經實現12000張訓練資料的model。
不過比較抱歉的地方是,這兩個比較新的方法我都還沒有一個比較完整的進度,所以無法在這份資料上呈現給各位教授看到,因為這兩個方法我也是近期在嘗試的,這是比較抱歉的地方。
追問: ok ok ,不過我好奇你這個model 的輸入輸出是什麼?
我的model 輸入是256*256的RGB影像,輸出則是256*256的灰階影像,建物的部分是白色的區域
各位教授可以看到資料的第二頁,我有放一個輸入輸出的範例圖。
出題教授 : 黃教授
出題教授 : 張教授
wow,同學你的專題看起來真的,痾,很impressive,你現在是跟林老師在做專題,我想問一下你們這個專題要修多久?
我們這個專題是要修一年,從三年級下學期修到四上,這樣感覺比較完整,然後1/1號前要交出報告。
追問: 1/1號阿,那你覺得你在期限前可以做完嗎?
其實昭宏老師說我這樣其實差不多可以去寫報告了,但是我覺得我應該還可以再做得更好,
更完整一點,做不做的完的話不知道,但是我覺得應該可以再提升一下成果再交出去。
出題教授 : 黃教授
黃教授 : 那S教授有沒有問題要問?
S教授 : 那我問一下你這個技術可不可以找出被遮擋的建物 ? 你看,我們交大有很多樹嘛,如果今天有一棟建築物的一部分被樹遮擋住了,那你可不可以幫我找出這個建物的完整形狀 ?
關於被遮擋的物體的話,我還沒有相關實作的經驗,不過我認為可以使用GAN,也就是生成對抗網路這個技術可以用來創造一些不存在,虛擬的物體出來。所以我覺得可以來製造一個虛擬的建物出來,然後貼到影像上。雖然我沒有親自嘗試過,不過我認為這個技術是可行的。
黃教授 : S老師就是提出一個構想而已,沒有實作經驗的話也沒有關係的,那我們時間也是有點超過了,那我們今天的面試到這邊結束。
我 : 好的謝謝各位教授,然後我的那份資料各位教授可以留著當作參考資料。
他們三個都收下了,面試結束。
我是三號,北科girl是二號,進去面試前有小聊一下,面試結束後有聊到中午(全部面試結束)
她的專題 : 淹水模擬相關
報名學校 : 成交
擅長領域 : 防災GIS
其他事蹟 : 有用C寫opencv的經驗
她說去面成大時專題感覺被輕視(老師不太關心的樣子,或認為太過簡單?!)
個人感覺水利系較適合其專題發展
她也有問我測量系有使用的程式語言,大地在上什麼,我的專題…
結論 : 教授人很好,給的表現機會很多
出題方向 : 專題相關,讚!
結果 : 正取
INTERVIEW
NCTU
Deep Learning
Autoencoder