一面
很友好，编程部分考察了下二叉堆，就结束了，前面聊了聊项目经历，关键是我也没项目，就尬尬的结束了。
问了问kaggle和天池的一些经历，我挑了那个PANDAS那个大场景目标跟踪的比赛说了说，多少是有点班门弄斧了，也是实在没得说。

二面

问了一些更深入的问题：

OTA中dynamic k为什么这么计算？

不同目标设定不同的正样本数量( dynamic k )：我们不可能为同一场景下的西瓜和蚂蚁分配同样的正样本数，如果真是那样，那要么蚂蚁有很多低质量的正样本，要么西瓜仅仅只有一两个正样本。Dynamic k 的关键在于如何确定k，有些方法通过其他方式间接实现了动态 k ，比如 ATSS、PAA ，甚至 RetinaNet ，同时，k的估计依然可以是 prediction aware 的，我们具体的做法是首先计算每个目标最接近的10个预测，然后把这个 10 个预测与 gt 的 iou 加起来求得最终的k，很简单有效，对 10 这个数字也不是很敏感，在 5~15 调整几乎没有影响。

Fair MOT你了解吗，简单讲讲？

CSTrack的机制？他的CCN如何理解，是self-attention吗？

这个多少懂一些，就多说了一些

Reid loss有哪些，OIM是什么？
balabala
RPN怎么训练的？
balabala
YOLOX最后几个epoch有什么变动？
我就回答了一个数据增强部分会关闭mosaic和mixup，面试老师提示说loss部分也有，一会得再看看源码，稍等补充
编码部分

实现了一下多头注意力机制，对我来说多少有点意外了，我以为会让我实现下OTA，幸亏不是

class Attention(nn.Module):
    def __init__(self, dim, heads = 8, dim_head = 64, dropout = 0.):
        super().__init__()
        inner_dim = dim_head *  heads
        project_out = not (heads == 1 and dim_head == dim)

        self.heads = heads
        self.scale = dim_head ** -0.5

        self.attend = nn.Softmax(dim = -1)
        self.to_qkv = nn.Linear(dim, inner_dim * 3, bias = False)

        self.to_out = nn.Sequential(
            nn.Linear(inner_dim, dim),
            nn.Dropout(dropout)
        ) if project_out else nn.Identity()

    def forward(self, x):
        qkv = self.to_qkv(x).chunk(3, dim = -1)
        q, k, v = map(lambda t: rearrange(t, 'b n (h d) -> b h n d', h = self.heads), qkv)

        dots = torch.matmul(q, k.transpose(-1, -2)) * self.scale

        attn = self.attend(dots)

        out = torch.matmul(attn, v)
        out = rearrange(out, 'b h n d -> b n (h d)')
        return self.to_out(out)