2025年計算機視覺基礎知識測試題及答案解析一、單項選擇題（每題2分，共20分）1.以下關于HOG（方向梯度直方圖）特征的描述，錯誤的是（）。A.計算圖像局部區(qū)域的梯度方向分布B.對光照變化具有一定魯棒性C.常用于目標檢測任務D.直接提取圖像的顏色信息作為特征2.卷積神經網絡中，某層卷積核大小為3×3，步長為2，填充為1，輸入特征圖尺寸為32×32，經過該層后輸出特征圖的感受野大小為（）。A.3×3B.5×5C.7×7D.9×93.目標檢測任務中，若預測框與真實框的交集面積為20，預測框面積為50，真實框面積為40，則IoU（交并比）為（）。A.20/(50+40-20)=20/70≈0.286B.20/(50+40)=20/90≈0.222C.20/50=0.4D.20/40=0.54.語義分割任務中，常用的損失函數(shù)是（）。A.交叉熵損失（Cross-EntropyLoss）B.均方誤差損失（MSELoss）C.三元組損失（TripletLoss）D.對比損失（ContrastiveLoss）5.以下數(shù)據(jù)增強方法中，不適用于目標檢測任務的是（）。A.隨機裁剪（RandomCrop）B.顏色抖動（ColorJitter）C.隨機水平翻轉（RandomHorizontalFlip）D.全局縮放（GlobalScaling）6.自監(jiān)督學習（Self-SupervisedLearning）的核心是（）。A.利用人工標注的標簽訓練模型B.從數(shù)據(jù)本身生成監(jiān)督信號C.僅使用無標簽數(shù)據(jù)訓練D.結合少量標簽和大量無標簽數(shù)據(jù)7.Transformer模型在計算機視覺中的應用（如ViT）中，注意力機制的主要作用是（）。A.減少模型參數(shù)量B.捕捉長距離依賴關系C.加速模型推理速度D.增強局部特征提取能力8.跨模態(tài)（Multi-Modal）計算機視覺任務（如視覺-語言對齊）的關鍵挑戰(zhàn)是（）。A.不同模態(tài)數(shù)據(jù)的異質性（Heterogeneity）B.計算資源需求過大C.模型泛化能力不足D.數(shù)據(jù)標注成本高9.光流估計（OpticalFlowEstimation）的基本假設是（）。A.圖像亮度在相鄰幀中保持恒定B.物體運動速度無限大C.圖像噪聲可以忽略不計D.場景中僅存在剛性運動10.以下三維重建方法中，基于多視圖立體視覺（Multi-ViewStereo,MVS）的是（）。A.結構光掃描（StructuredLightScanning）B.單目視覺SLAM（SimultaneousLocalizationandMapping）C.多視角圖像深度估計D.激光雷達（LiDAR）點云拼接二、填空題（每題2分，共20分）1.ResNet（殘差網絡）通過引入__________結構解決了深層網絡訓練中的梯度消失問題。2.YOLOv5的頸部（Neck）結構通常由__________（如FPN）和__________（如PAN）組成，用于融合多尺度特征。3.Transformer模型中的多頭注意力（Multi-HeadAttention）通過將查詢（Query）、鍵（Key）、值（Value）分成多個頭并行計算，最終通過__________操作得到最終輸出。4.SIFT（尺度不變特征變換）的關鍵步驟包括尺度空間構建、關鍵點檢測、__________和特征描述符生成。5.語義分割任務中，上采樣（Up-Sampling）的常用方法包括轉置卷積（TransposedConvolution）和__________（如雙線性插值）。6.GAN（生成對抗網絡）由__________和__________兩個網絡組成，通過對抗訓練生成逼真數(shù)據(jù)。7.光流估計的基本約束條件包括亮度恒定假設和__________（如相鄰像素運動相似）。8.點云（PointCloud）處理中，常用的特征提取方法包括體素化（Voxelization）和__________（如PointNet的對稱函數(shù)設計）。9.視頻理解任務中，時序建模的典型方法包括3D卷積（3DConvolution）和__________（如LSTM或Transformer的時序注意力）。10.零樣本學習（Zero-ShotLearning）的核心是通過__________（如文本描述）建立視覺特征與類別標簽的關聯(lián)。三、簡答題（每題6分，共30分）1.簡述卷積操作為何能賦予卷積神經網絡（CNN）平移不變性（TranslationInvariance）。2.說明FasterR-CNN中RPN（區(qū)域建議網絡）的作用及其與傳統(tǒng)SelectiveSearch方法的區(qū)別。3.自監(jiān)督學習中的對比學習（ContrastiveLearning）通常如何構造正樣本和負樣本？舉例說明其在圖像分類任務中的應用。4.視覺Transformer（ViT）如何將二維圖像輸入轉換為序列形式？位置編碼（PositionEncoding）的作用是什么？5.多模態(tài)融合（如視覺-文本）的主要挑戰(zhàn)有哪些？請列舉兩種常用的融合方法并簡述其原理。四、綜合題（每題15分，共30分）1.設計一個基于深度學習的行人檢測系統(tǒng)，需包含數(shù)據(jù)準備、模型選擇、訓練策略和性能評估四個環(huán)節(jié)。請詳細說明每個環(huán)節(jié)的關鍵步驟及注意事項。2.近年來，YOLO系列（如YOLOv8）和DETR（DetectionTransformer）在目標檢測任務中表現(xiàn)突出。請從模型結構、訓練方式、優(yōu)缺點三個方面對比兩者的差異，并分析各自適用的場景。答案及解析一、單項選擇題1.答案：D解析：HOG特征基于圖像局部區(qū)域的梯度方向分布，不直接涉及顏色信息，因此D錯誤。2.答案：B解析：感受野計算公式為\(RF_n=RF_{n-1}+(k-1)\timess_{n-1}\)（初始層感受野為1×1）。第一層卷積核3×3，步長2，填充1，輸出尺寸為\((32-3+2×1)/2+1=16\)，感受野為\(1+(3-1)×1=3\)；若后續(xù)無其他層，此處假設為單層，則感受野為3×3？但實際計算需考慮前向傳遞。正確計算應為：輸入感受野為1，經過3×3卷積后，感受野為\(1+(3-1)×1=3\)；若步長為2，填充為1，輸出尺寸減半，但感受野仍由卷積核大小決定。可能題目考察的是單層感受野，故正確答案為3×3？但通常感受野隨網絡深度增加，可能題目存在歧義。根據(jù)常規(guī)題設，正確答案應為B（5×5），可能考慮前一層的影響，需重新核對公式。（注：經修正，正確感受野計算應為：對于單層卷積，輸入特征圖每個像素的感受野是卷積核大小，即3×3；若考慮前一層的感受野，初始為1×1，第一層后為\(1+(3-1)×1=3\)，第二層若有相同設置，感受野為\(3+(3-1)×2=7\)。但本題為單層，故正確答案應為A（3×3）。可能原題存在設計誤差，此處以常規(guī)理解為準。）3.答案：A解析：IoU=交集面積/(預測框面積+真實框面積-交集面積)=20/(50+40-20)=20/70≈0.286。4.答案：A解析：語義分割是像素級分類任務，交叉熵損失適用于多分類；MSE用于回歸，三元組和對比損失用于度量學習。5.答案：D解析：全局縮放會改變目標在圖像中的相對大小，可能導致目標超出圖像范圍，而隨機裁剪、翻轉、顏色抖動不影響目標檢測的位置標注。6.答案：B解析：自監(jiān)督學習的核心是從數(shù)據(jù)本身生成監(jiān)督信號（如圖像旋轉預測、拼圖任務），無需人工標簽。7.答案：B解析：Transformer的注意力機制通過全局信息交互捕捉長距離依賴，彌補CNN局部感受野的不足。8.答案：A解析：視覺（像素）和語言（文本）的特征空間異質性大，需對齊到共同語義空間，是跨模態(tài)任務的核心挑戰(zhàn)。9.答案：A解析：光流估計假設同一物體點在相鄰幀中的亮度不變（亮度恒定假設），其他選項不符合基本假設。10.答案：C解析：多視圖立體視覺通過多幅圖像的幾何關系恢復三維結構；結構光和激光雷達是主動感知，SLAM側重定位與建圖，MVS是被動光學方法。二、填空題1.殘差（Residual）2.特征金字塔網絡（FPN）；路徑聚合網絡（PAN）3.拼接（Concat）后線性投影4.方向分配（OrientationAssignment）5.雙線性插值（或最近鄰插值等）6.生成器（Generator）；判別器（Discriminator）7.空間平滑假設（或局部一致性假設）8.基于點的神經網絡（PointNet/PointNet++）9.時序池化（或門控循環(huán)單元GRU）10.語義嵌入（或類別描述向量）三、簡答題1.答案要點：卷積操作通過權值共享（同一卷積核在輸入特征圖上滑動）實現(xiàn)平移不變性。無論目標出現(xiàn)在圖像的哪個位置，相同的卷積核都會提取其特征，因此輸出特征對目標的位置變化不敏感。例如，檢測貓的卷積核在圖像左上角和右下角檢測到貓時，輸出響應一致。2.答案要點：RPN的作用是生成候選區(qū)域（RegionProposals），替代傳統(tǒng)SelectiveSearch的啟發(fā)式方法。RPN通過滑動窗口在特征圖上預測目標框的位置和類別，與檢測網絡共享卷積特征，實現(xiàn)端到端訓練。與SelectiveSearch相比，RPN速度更快（基于深度學習）、與檢測網絡協(xié)同優(yōu)化（提升召回率），而SelectiveSearch依賴手工設計規(guī)則，計算耗時且無法與檢測模型聯(lián)合訓練。3.答案要點：對比學習通過對同一數(shù)據(jù)樣本生成不同增強視圖（如裁剪、翻轉、顏色變換）作為正樣本，其他樣本作為負樣本。例如，在圖像分類任務中，對一張狗的圖像生成兩個增強版本（正樣本對），將其他圖像的增強版本作為負樣本，模型需學習將正樣本對的特征拉近、負樣本對的特征推遠（如使用InfoNCE損失）。4.答案要點：ViT將圖像分割為固定大小的塊（如16×16），每個塊通過線性投影轉換為一維向量（嵌入），形成序列輸入。位置編碼通過添加可學習或固定的位置信息（如正弦函數(shù)編碼），使模型感知塊的空間位置。若缺少位置編碼，模型無法區(qū)分“狗在左邊”和“狗在右邊”的差異。5.答案要點：挑戰(zhàn)：①異質性：視覺（連續(xù)像素）與文本（離散token）的特征空間差異大；②對齊難度：需建立跨模態(tài)的語義對應關系；③信息冗余：不同模態(tài)可能包含互補或沖突信息。常用方法：①早期融合（EarlyFusion）：將視覺和文本特征直接拼接后輸入融合網絡，適用于簡單任務；②交叉注意力（CrossAttention）：通過注意力機制讓視覺特征關注文本的關鍵token（如“紅色”），反之亦然（如CLIP模型），增強模態(tài)間交互。四、綜合題1.答案要點：-數(shù)據(jù)準備：收集行人圖像（如COCO、Cityscapes數(shù)據(jù)集），標注邊界框（x,y,w,h）和類別。需注意：①數(shù)據(jù)多樣性（不同光照、角度、遮擋）；②平衡正負樣本（避免背景過多）；③數(shù)據(jù)增強（隨機翻轉、裁剪、添加噪聲）以提升魯棒性。-模型選擇：選擇輕量級或高精度模型（如YOLOv8、FasterR-CNN）。若需實時檢測，選YOLOv8（速度快）；若需高精度，選FasterR-CNN（多尺度特征融合）。-訓練策略：①預訓練：使用COCO預訓練權重初始化，加速收斂；②損失函數(shù)：組合定位損失（如CIoU）和分類損失（如FocalLoss，解決類別不平衡）；③學習率調度：初始大學習率（如0.01），后期衰減（如余弦退火）；④對抗過擬合：權重衰減、Dropout（可選）。-性能評估：指標：mAP（平均精度均值，不同IoU閾值）、檢測速度（FPS）、召回率（Recall）。需在測試集（與訓練集分布一致）上評估，分析漏檢（小目標）、誤檢（誤將其他物體判為行人）的原因，針對性優(yōu)化（如增加小目標檢測頭）。2.答案要點：-模型結構：YOLOv8：基于CNN，采用Backbone（CSPDarknet）+Neck（FPN+PAN）+Head（多尺度檢測頭），直接回歸目標框和類別。DETR：基于Transformer，Backbone（CNN提取特征）+Encoder-Decoder（Transformer）+匈牙利匹配（直接預測固定數(shù)量的目標）。-訓練方式：YOLOv8：使用AnchorBox（先驗框），通過交并比匹配真實框，計算定位和分類損失。DETR：無