SAM 分割模型的整体架构
哪些公司问过
答案要点
- 任务:可提示分割,输入点、框或掩码,输出对应掩码
- 图像编码器:MAE 预训练的 ViT,每张图只算一次,计算量最大
- 提示编码器:点和框用位置编码加可学习嵌入,掩码用卷积;文本提示仅在论文中探索
- 掩码解码器:轻量双向 Transformer,提示与图像嵌入互相交叉注意力
- 输出多个候选掩码及 IoU 分数处理歧义;图像嵌入可复用,交互接近实时
易错点
- 说不清三个组件各自的作用
- 不知道图像嵌入只算一次、可复用
- 忽略多掩码输出和歧义处理
面试官常见追问
- 为什么要输出多个掩码?
- SAM 的数据是怎么来的?
- SAM 有什么局限?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。