2025年(人工智能與機(jī)器學(xué)習(xí))計(jì)算機(jī)視覺(jué)試卷及答案一、單項(xiàng)選擇題（每題2分，共20分）1.在YOLOv8中，若輸入圖像尺寸為640×640，網(wǎng)絡(luò)下采樣倍數(shù)為32，則最終特征圖的空間分辨率是A.10×10??B.20×20??C.40×40??D.80×80答案：B解析：640÷32=20，YOLOv8采用5次步長(zhǎng)為2的卷積或池化，共32倍下采樣。2.使用ResNet50做遷移學(xué)習(xí)時(shí)，若新任務(wù)類別數(shù)為5，則最后一層全連接層的輸出通道數(shù)應(yīng)改為A.1000??B.2048??C.5??D.1024答案：C解析：ImageNet預(yù)訓(xùn)練權(quán)重輸出1000類，遷移時(shí)需替換為當(dāng)前任務(wù)類別數(shù)。3.在雙目立體匹配中，常用的“贏家通吃”策略（WTA）對(duì)應(yīng)下列哪種代價(jià)聚合方式A.SGM??B.ADCensus??C.動(dòng)態(tài)規(guī)劃??D.最小代價(jià)選擇答案：D解析：WTA指在視差搜索范圍內(nèi)直接選取代價(jià)最小的視差值，無(wú)需額外聚合。4.VisionTransformer中，位置編碼采用二維擴(kuò)展的sincos版本，其頻率基函數(shù)維度與下列哪項(xiàng)超參直接相關(guān)A.head_num??B.mlp_ratio??C.hidden_dim??D.patch_size答案：C解析：位置編碼向量維度必須等于hidden_dim，才能與patchtoken相加。5.在MaskRCNN的ROIAlign中，若ROI尺寸為7×7，采樣點(diǎn)數(shù)為4，則每個(gè)采樣點(diǎn)對(duì)應(yīng)原圖區(qū)域通過(guò)哪種方式獲得A.最近鄰插值??B.雙線性插值??C.三次插值??D.自適應(yīng)池化答案：B解析：ROIAlign使用雙線性插值從原圖特征圖精確采樣，避免量化誤差。6.下列哪一項(xiàng)不是Transformer自注意力計(jì)算復(fù)雜度優(yōu)化的主流方案A.Linformer??B.Performer??C.DeeplabV3+??D.Nystr?mformer答案：C解析：DeeplabV3+為語(yǔ)義分割網(wǎng)絡(luò)，與注意力復(fù)雜度優(yōu)化無(wú)關(guān)。7.在知識(shí)蒸餾中，若教師模型輸出softmax溫度τ=4，則蒸餾損失與交叉熵相比A.梯度更大??B.分布更尖銳??C.分布更平滑??D.與τ無(wú)關(guān)答案：C解析：高溫使softmax分布更平滑，保留更多暗知識(shí)。8.使用FocalLoss解決目標(biāo)檢測(cè)類別不平衡時(shí)，若γ=2，易分樣本的權(quán)重將A.指數(shù)級(jí)降低??B.指數(shù)級(jí)升高??C.線性降低??D.不變答案：A解析：FocalLoss權(quán)重為(1pt)^γ，pt→1時(shí)權(quán)重趨0，抑制簡(jiǎn)單樣本。9.在NeRF訓(xùn)練中，若采用分層采樣（coarse+fine），fine網(wǎng)絡(luò)射線采樣點(diǎn)依據(jù)A.均勻隨機(jī)??B.coarse網(wǎng)絡(luò)深度概率??C.固定網(wǎng)格??D.均勻網(wǎng)格答案：B解析：fine網(wǎng)絡(luò)根據(jù)coarse網(wǎng)絡(luò)輸出的權(quán)重分布做重要性采樣。10.在StableDiffusion中，文本編碼器采用A.CLIPtextencoder??B.BERT??C.GPT2??D.T5答案：A解析：StableDiffusion使用CLIP的文本分支將prompt轉(zhuǎn)為語(yǔ)義向量。二、多項(xiàng)選擇題（每題3分，共15分，多選少選均不得分）11.下列哪些操作可以有效提升小目標(biāo)檢測(cè)召回率A.增大輸入分辨率??B.引入FPN??C.使用AnchorFree頭??D.降低NMS閾值答案：A、B、C解析：增大分辨率與FPN提升小目標(biāo)特征；AnchorFree減少錨框超參敏感；降低NMS閾值會(huì)抑制更多框，反而降低召回。12.關(guān)于VisionTransformer的注意力可視化，下列說(shuō)法正確的是A.可提取注意力rollout??B.需要額外監(jiān)督標(biāo)簽??C.可生成類激活圖??D.對(duì)patchsize敏感答案：A、C、D解析：注意力可視化無(wú)需額外標(biāo)簽；rollout與類激活圖均可生成；patchsize影響token粒度。13.在自監(jiān)督學(xué)習(xí)中，下列哪些方法屬于對(duì)比學(xué)習(xí)A.SimCLR??B.MoCov3??C.MAE??D.BYOL答案：A、B、D解析：MAE為掩碼自編碼，屬于生成式，非對(duì)比。14.下列哪些損失函數(shù)可直接用于語(yǔ)義分割A(yù).DiceLoss??B.FocalLoss??C.LovászLoss??D.CTCLoss答案：A、B、C解析：CTC用于序列對(duì)齊，不適用于分割。15.在模型部署階段，INT8量化后可能出現(xiàn)精度下降，常用補(bǔ)救手段有A.QAT??B.混合精度??C.校準(zhǔn)數(shù)據(jù)集重選擇??D.直接轉(zhuǎn)FP16答案：A、B、C解析：FP16不屬于INT8量化補(bǔ)救，而是另一種精度模式。三、填空題（每空2分，共20分）16.在SwinTransformer中，窗口注意力將特征圖劃分為不重疊的________窗口，計(jì)算復(fù)雜度從O(N2)降為_(kāi)_______。答案：7×7；O((N/k)2·k2)=O(N2)實(shí)際為線性化窗口內(nèi)計(jì)算，復(fù)雜度與窗口大小相關(guān)，填“線性”亦可給分。17.若使用RANSAC估計(jì)單應(yīng)矩陣，內(nèi)點(diǎn)閾值設(shè)為2像素，迭代次數(shù)k與內(nèi)點(diǎn)概率w的關(guān)系公式為k≥________。答案：log(1p)/log(1w^n)，其中p為置信度，n為樣本數(shù)（4）。18.在CenterNet中，中心點(diǎn)熱圖峰值抑制采用________核大小的最大池化。答案：3×3。19.在NeRF的體渲染公式中，光線累積顏色C(r)=∫________T(t)σ(t)c(t)dt，其中T(t)=________。答案：exp(∫?^tσ(s)ds)。20.在PyTorch中，若模型已加載CUDA，執(zhí)行model.half()可將參數(shù)轉(zhuǎn)為_(kāi)_______精度，顯存占用約變?yōu)樵瓉?lái)的________。答案：FP16；一半。21.在目標(biāo)檢測(cè)評(píng)價(jià)指標(biāo)mAP@0.5:0.95中，0.5:0.95表示IOU閾值從0.5到0.95，步長(zhǎng)________。答案：0.05。22.在DINOv2自監(jiān)督訓(xùn)練中，教師網(wǎng)絡(luò)權(quán)重采用________方式更新。答案：指數(shù)移動(dòng)平均（EMA）。23.在StableDiffusion采樣階段，DDIM采樣若設(shè)置步數(shù)為20，則相比原始DDPM1000步，速度提升約________倍。答案：50。24.在TensorRT中，若某算子不支持INT8，需插入________節(jié)點(diǎn)做精度轉(zhuǎn)換。答案：Reformat。25.在數(shù)據(jù)增強(qiáng)中，RandAugment的搜索空間包含________種變換，每次隨機(jī)選________種。答案：14；n（n為超參，通常2）。四、判斷改錯(cuò)題（每題2分，共10分，先判斷對(duì)錯(cuò)，再改正錯(cuò)誤部分）26.在YOLOv5中，SPPF模塊通過(guò)不同大小的池化核并聯(lián)提取多尺度特征。答案：錯(cuò)。改正：SPPF為串行最大池化+拼接，非并聯(lián)。27.VisionTransformer的CLStoken在訓(xùn)練分類時(shí)必須放在序列末尾。答案：錯(cuò)。改正：CLStoken通常放在序列開(kāi)頭。28.在雙目立體視覺(jué)中，基線越大，可測(cè)距范圍越遠(yuǎn)，但盲區(qū)越小。答案：錯(cuò)。改正：基線越大，盲區(qū)越大。29.使用BatchNorm時(shí)，訓(xùn)練與測(cè)試階段的均值方差來(lái)源相同。答案：錯(cuò)。改正：訓(xùn)練用滑動(dòng)平均，測(cè)試用累積統(tǒng)計(jì)。30.在知識(shí)蒸餾中，教師模型準(zhǔn)確率越高，學(xué)生模型一定能獲得更高提升。答案：錯(cuò)。改正：教師過(guò)于強(qiáng)大可能導(dǎo)致優(yōu)化困難，需匹配容量。五、簡(jiǎn)答題（每題6分，共30分）31.描述MaskRCNN中ROIAlign與ROIPooling的量化誤差差異，并給出ROIAlign雙線性采樣具體步驟。答案：ROIPooling兩次量化：1.ROI坐標(biāo)取整；2.池化網(wǎng)格劃分取整。導(dǎo)致特征偏移。ROIAlign取消量化，將ROI劃分為7×7bin，每個(gè)bin內(nèi)取4個(gè)采樣點(diǎn)，用雙線性插值計(jì)算采樣值，再取平均或最大。步驟：①保持浮點(diǎn)坐標(biāo)；②計(jì)算bin寬高；③在每個(gè)bin內(nèi)均勻選4點(diǎn)；④對(duì)每點(diǎn)計(jì)算雙線性插值；⑤對(duì)4點(diǎn)平均得到該bin值。32.解釋FocalLoss如何緩解前景背景比例極端失衡，并給出梯度形式。答案：FL(pt)=α(1pt)^γlog(pt)。對(duì)易分樣本pt→1，權(quán)重(1pt)^γ→0，梯度大幅縮小；對(duì)難分樣本pt→0，權(quán)重→1，梯度保持。梯度?FL/?x=α(1pt)^γ(γ(1pt)log(pt)1)?pt/?x，實(shí)現(xiàn)難樣本聚焦。33.列舉三種VisionTransformer輕量化方案并對(duì)比其計(jì)算復(fù)雜度。答案：①Swin：局部窗口注意力，復(fù)雜度O(M2·N)，M=7；②PVT：空間降采樣key/value，復(fù)雜度O(N·N/s2)；③Linformer：低秩投影，復(fù)雜度O(N·k)，k?N。對(duì)比：Swin線性增長(zhǎng)；PVT與降采樣倍平方反比；Linformer與序列長(zhǎng)度成線性。34.說(shuō)明NeRF中位置編碼（PositionalEncoding）作用，并給出三維坐標(biāo)編碼公式。答案：將低維坐標(biāo)映射到高維空間，使MLP可擬合高頻變化。公式：γ(p)=[sin(2?πp),cos(2?πp),…,sin(2^{L1}πp),cos(2^{L1}πp)]，L=10為坐標(biāo)，L=4為方向。35.對(duì)比單階段與雙階段目標(biāo)檢測(cè)在COCO小目標(biāo)AP上的差異，并給出三點(diǎn)改進(jìn)建議。答案：雙階段（CascadeRCNN）小目標(biāo)AP約26，單階段（YOLOv8l）約22。差異：雙階段多尺度ROI特征更精細(xì)。改進(jìn)：①增大輸入分辨率；②引入超高分辨率分支（UFPN）；③復(fù)制粘貼小目標(biāo)數(shù)據(jù)增強(qiáng)；④使用更密集錨框或AnchorFree；⑤引入注意力增強(qiáng)小目標(biāo)特征。六、計(jì)算與推導(dǎo)題（共25分）36.（8分）給定特征圖F∈?^{C×H×W}，采用可變形卷積（DCNv2），偏移域Δp∈?^{2k2×H×W}，掩碼m∈?^{k2×H×W}，推導(dǎo)輸出y(p)公式，并說(shuō)明m作用。答案：y(p)=∑_{k}w_k·x(p+p_k+Δp_k)·m_k，其中m_k∈[0,1]為學(xué)習(xí)權(quán)重，用于抑制異常偏移，提升魯棒性。37.（7分）在Transformer自注意力中，輸入X∈?^{N×d}，計(jì)算注意力圖A=softmax(QK^T/√d)，給出顯存占用公式，并分析當(dāng)N=4096，d=64，float16時(shí)顯存大小。答案：顯存=N2·2字節(jié)=40962×2≈32MB。推導(dǎo)：QK^T矩陣大小N×N，float16占2字節(jié)。38.（10分）給定雙目相機(jī)，基線B=0.12m，焦距f=700pixel，主點(diǎn)cx=640，左右圖像匹配點(diǎn)x_L=820，x_R=800，求深度Z，并推導(dǎo)誤差傳播公式，若視差誤差σ_d=0.1pixel，求深度標(biāo)準(zhǔn)差σ_Z。答案：視差d=x_Lx_R=20pixel。Z=B·f/d=0.12×700/20=4.2m。誤差傳播：σ_Z=|?Z/?d|·σ_d=Z2/(B·f)·σ_d=4.22/(0.12×700)×0.1≈0.021m。七、綜合應(yīng)用題（共30分）39.（15分）某工業(yè)場(chǎng)景需檢測(cè)直徑2mm的零件缺陷，相機(jī)分辨率2048×1536，視野FOV=100mm×75mm，擬采用YOLOv8s，輸入640×640。（1）計(jì)算單像素物理分辨率；（2）判斷該模型能否滿足最小缺陷占像素要求；（3）若不足，給出兩種可行方案并量化對(duì)比。答案：（1）分辨率=100mm/2048≈0.0488mm/pixel，缺陷直徑2mm→41pixel；（2）下采樣比例640/2048=0.3125，映射到輸入圖約13pixel，YOLOv8s下采樣32倍，特征圖13/32≈0.4pixel＜1，無(wú)法檢測(cè)；（3）方案A：切圖滑動(dòng)窗口，窗口640×640，步長(zhǎng)320，覆蓋全圖，需約3×2=6次推理，顯存增加6倍，延遲約150ms×6=900ms；方案B：換YOLOv8x，輸入1280×1280，下采樣32倍，特征圖40×40，單像素物理分辨率0.0488×(640/1280)=0.0244mm，缺陷占82pixel，特征圖2.5pixel，可滿足，推理延遲約80ms，顯存2GB。綜合：方案B延遲低、工程簡(jiǎn)單，優(yōu)先采用。40.（15分）某城市部署100路1080p攝像頭做車輛ReID，需白天+夜晚持續(xù)識(shí)別，預(yù)算限制單卡RTX306012GB。給定baseline：ResNet50IBN，輸入256×128，batch=64，顯存占9GB，特征維度2048，mAP=74.2。要求：顯存降至≤6GB，mAP下降≤1.5，延遲增加≤20%。（1）給出量化+蒸餾聯(lián)合訓(xùn)練流程圖；（2）列出關(guān)鍵超參；（3）給出最終指標(biāo)與對(duì)比表。答案：（1）流程：①準(zhǔn)備車輛ReID數(shù)據(jù)集（VeRi776+NightOwls）；②教師模型ResNet50IBN，訓(xùn)練90epoch；③學(xué)生模型ResNet18IBN，輸入不變；④聯(lián)合損失L=αL_ID+(1α)L_KD+βL_triplet，其中L_K