2025人工智能領域計算機視覺算法技術考核試卷及答案一、單選題（每題2分，共20分）1.在YOLOv8中，若輸入圖像尺寸為640×640，主干網(wǎng)絡采用CSPDarknet53，則第3個CSP模塊輸出的特征圖尺寸為A.80×80×256?B.40×40×512?C.20×20×1024?D.10×10×2048答案：B解析：CSPDarknet53下采樣倍率為8，640/8=80，但第3個CSP位于第3次下采樣后，倍率為16，故640/16=40，通道數(shù)512。2.VisionTransformer中，若patchsize=16，輸入224×224×3，則Transformerencoder的序列長度（含clstoken）為A.196?B.197?C.198?D.199答案：B解析：(224/16)^2=196個patch，加1個clstoken，共197。3.使用FocalLoss訓練RetinaNet時，若γ=2，某正樣本pt=0.9，則其損失權重相對于pt=0.5的樣本縮小倍數(shù)約為A.0.04?B.0.25?C.0.5?D.1答案：A解析：權重系數(shù)(1pt)^γ，0.1^2=0.01，0.5^2=0.25，縮小0.01/0.25=0.04。4.在CenterNet中，若heatmap峰值響應為1，高斯核σ=2，則距峰值點3像素處的響應值約為A.0.105?B.0.325?C.0.605?D.0.825答案：B解析：高斯公式exp(32/2σ2)=exp(9/8)=0.325。5.使用RandAugment時，若N=2，M=9，則最多可生成的不同增強策略數(shù)為A.784?B.902?C.1024?D.1296答案：D解析：14種變換，每次選2種，順序有關，重復允許，14×14×（M+1）2=142×102=19600，但官方實現(xiàn)去重后為1296。6.在MaskRCNN的ROIAlign中，若ROI寬高均為7像素，采樣點數(shù)為4，則每個bin的采樣點坐標步長為A.0.5?B.1.0?C.1.75?D.2.0答案：C解析：7像素分2×2bin，每bin寬高3.5，采樣點2×2，步長3.5/2=1.75。7.使用KnowledgeDistillation，教師模型Softmax溫度T=4，學生模型T=1，則蒸餾損失中KL散度權重通常應A.與T2成正比?B.與T2成反比?C.與T成正比?D.固定0.5答案：A解析：梯度幅度隨T2增大而增大，故權重需乘以T2以平衡量級。8.在DeformableDETR中，若編碼器層數(shù)為6，每層參考點偏移量維度為2，則單頭注意力可學習偏移參數(shù)量占整個編碼器參數(shù)量的比例約為A.0.3%?B.1.2%?C.3.8%?D.8.5%答案：B解析：偏移僅兩層線性映射，參數(shù)量2×2×256=1024，編碼器總參數(shù)量約85M，占比≈1.2%。9.使用Mosaic數(shù)據(jù)增強時，若單張圖概率為0.5，則4張圖拼接的期望出現(xiàn)概率為A.0.0625?B.0.125?C.0.5?D.1.0答案：C解析：Mosaic開關由超控概率0.5決定，與內(nèi)部4圖無關，期望即0.5。10.在SwinTransformer中，若窗口大小為7×7，特征圖尺寸14×14，則ShiftedWindow后，需計算mask的窗口數(shù)為A.4?B.9?C.16?D.25答案：B解析：14/7=2，移位后3×3=9個窗口，其中4個完整，5個需mask。二、多選題（每題3分，共15分，多選少選均不得分）11.下列哪些操作可緩解目標檢測中小目標漏檢A.增加P2特征層?B.使用AnchorFree頭?C.引入CBAM注意力?D.提高NMS閾值至0.7答案：A、C解析：P2保留高分辨率，CBAM增強通道與空間權重；AnchorFree與NMS閾值對漏檢無直接增益。12.關于SelfSupervisedLearning對比方法，正確的是A.MoCov3采用ViT作為編碼器?B.SimSiam無需負樣本?C.BYOL使用動量編碼器?D.SwAV在線聚類答案：A、B、D解析：BYOL無需動量編碼器，其在線網(wǎng)絡即可。13.在TensorRT部署YOLOv7時，下列層可能導致重構失敗A.DynamicReLU?B.SiLU?C.ImplicitKnowledge?D.GridSampler答案：A、C、D解析：ImplicitKnowledge為Pytorch自定義，GridSampler動態(tài)形狀，DynamicReLU條件分支；SiLU已原生支持。14.關于VisionTransformer位置編碼，說法正確的是A.1D編碼無法泛化到任意分辨率?B.2D編碼可擴展至更大圖?C.相對位置編碼可插值?D.去掉位置編碼掉點<0.5%答案：A、B、C解析：去掉位置編碼ImageNet掉點約3%，非0.5%。15.在DeepLabv3+中，ASPP模塊包含A.1×1conv?B.3×3convrate=6?C.3×3convrate=18?D.GlobalAveragePooling答案：A、B、C、D解析：官方實現(xiàn)四項俱全。三、填空題（每空2分，共20分）16.在EfficientDet中，BiFPN第3層輸入分辨率為80×80，通道數(shù)________，重復堆疊次數(shù)________。答案：160；3解析：EfficientDetD0配置，通道160，BiFPN重復3次。17.使用CutMix時，若λ~Beta(1,1)采樣得0.7，則圖像A占比________，標簽平滑后交叉熵權重為________。答案：0.7；0.7解析：Beta(1,1)即Uniform，λ=0.7直接作面積比與損失權重。18.在FairMOT中，ReID維度設為________，采用________損失度量特征。答案：128；CircleLoss解析：官方開源默認128維，CircleLoss優(yōu)于Triplet。19.當使用SyncBN訓練Mask2Former，BatchSizePerGPU=2，GPU=8，則實際等效BN批量為________。答案：16解析：SyncBN跨卡同步，2×8=16。20.在DINO中，教師模型EMA更新系數(shù)默認________，學生溫度________。答案：0.996；0.1解析：DINO自監(jiān)督設定。四、判斷改錯題（每題2分，共10分，先判對錯，若錯則給出正確表述）21.DeiT訓練時，使用HardDistillation默認將clstoken替換為distillationtoken。答案：錯。正確：DeiT仍保留clstoken，額外添加distillationtoken，兩者并列。22.YOLOv5的anchor設置通過kmeans++聚類COCOtrain2017自動獲得。答案：錯。正確：YOLOv5作者直接手工設定9組anchor，未重新聚類。23.ConvNeXt將ResNet的3×3卷積全部替換為7×7深度可分離卷積。答案：錯。正確：ConvNeXt使用7×7depthwise，但非“全部”，下采樣層仍為4×4stride=2。24.在ViT微調(diào)時，若圖像分辨率從224提至384，需對絕對位置編碼進行2D線性插值。答案：對。25.FCOS的centerness分支采用BCE損失，標簽為0~1連續(xù)值。答案：對。五、簡答題（每題8分，共24分）26.描述MaskDINO相較于Mask2Former的三項核心改進，并給出在COCOval2017上的maskAP增益。答案：1)統(tǒng)一檢測與分割query，共享decoder，減少冗余；2)引入對比式去噪訓練，加速收斂；3)使用混合匹配cost，結(jié)合maskcost與boxcost，提升正樣本質(zhì)量。增益：maskAP+1.8（49.2→51.0）。27.解釋為何在自監(jiān)督學習中，BYOL不會出現(xiàn)模型坍塌，并給出其關鍵組件。答案：關鍵組件：1)在線網(wǎng)絡+目標網(wǎng)絡雙分支；2)目標網(wǎng)絡用EMA更新；3)預測器僅在線分支；4)不使用負樣本，但通過EMA與預測器構成隱式對比，阻止常數(shù)輸出；5)歸一化保持方差。梯度分析表明，若在線輸出恒定，預測器梯度為零，無法更新，故系統(tǒng)被迫學習有意義特征。28.列舉三種可在邊緣端部署的INT8量化誤差校正方法，并比較其計算開銷。答案：1)CrossLayerEqualization：逐通道縮放，無數(shù)據(jù)，開銷<1s；2)BiasCorrection：用1024張校準圖估計均值偏移，開銷≈30s；3)AdaRound：優(yōu)化取整閾值，需反向傳播，開銷≈10min；開銷排序：CLE<BiasCorr<AdaRound。六、計算與推導題（共31分）29.（10分）給定RetinaNet輸出特征圖尺寸32×32×9×80，batch=8，采用FocalLossα=0.25，γ=2。若某正樣本pt=0.95，負樣本pt=0.05，分別計算其FocalLoss值，并給出整圖正負樣本比例1:3時的期望損失。答案：正樣本：FL=0.25×(10.95)^2×log(0.95)=0.25×0.0025×(0.051)=3.19×10??負樣本：FL=0.75×(0.05)^2×log(0.95)=0.75×0.0025×(0.051)=9.56×10??期望：E[FL]=(1/4)×3.19e5+(3/4)×9.56e5=7.96×10??30.（11分）在DETR中，設匹配costL=λ_cls·L_cls+λ_L1·L_box+λ_giou·L_giou，其中λ_cls=2，λ_L1=5，λ_giou=2。對某預測框(bx,by,bw,bh)=(0.5,0.5,1.2,1.2)，真值(0.4,0.55,1.0,1.0)，計算L1損失與GIoU損失，并給出最終cost。答案：L1=|0.50.4|+|0.50.55|+|1.21.0|+|1.21.0|=0.1+0.05+0.2+0.2=0.55GIoU：交集面積=1×1=1，并集=1.2×1.2+1×11=1.44，IoU=1/1.44=0.694，GIoU=IoU(CA∪B)/C，C=(max(1.2,1))2=1.44，GIoU=0.694(1.441.44)/1.44=0.694，故L_giou=10.694=0.306cost=2×L_cls+5×0.55+2×0.306=2L_cls+2.75+0.612=2L_cls+3.362（L_cls視具體類別概率而定，此處保留表達式）。31.（10分）給定SwinTiny模型，輸入224×224，patch=4×4，窗口=7×7，嵌入維96，層數(shù)[2,2,6,2]，自注意力頭數(shù)[3,6,12,24]。計算整個模型WMSA與SWMSA的乘法次數(shù)（FLOPs）近似值，忽略偏置與激活。答案：階段1：特征56×56，窗口數(shù)8×8=64，每窗口492×96×3×2=6912×96×2=1.33e6FLOPs，共1.33e6×64×2=1.70e8階段2：28×28，窗口4×4=16，頭6，每窗口492×192×6×2=2.66e6，共2.66e6×16×2=8.52e7階段3：14×14，窗口2×2=4，頭12，每窗口492×384×12×2=1.06e7，共1.06e7×4×6=2.55e8階段4：7×7，窗口1×1=1，頭24，每窗口492×768×24×2=8.51e7，共8.51e7×1×2=1.70e8總FLOPs≈1.70e8+8.52e7+2.55e8+1.70e8=6.8e8，乘2為SWMSA相同，故總1.36e9FLOPs。七、編程實現(xiàn)題（共30分）32.閱讀下列PyTorch代碼片段，補全缺失部分，實現(xiàn)“可變形卷積v2”前向，要求支持自定義步長與padding，且返回mask分支。```pythonimporttorchimporttorch.nnasnnfromtorchvision.opsimportdeform_conv2dclassDCNv2(nn.Module):def__init__(self,c_in,c_out,k=3,s=1,p=1,g=1):super().__init__()self.c_in,self.c_out,self.k,self.s,self.p,self.g=c_in,c_out,k,s,p,gself.conv_offset=nn.Conv2d(c_in,2kk,k,s,p,bias=True)self.conv_mask=nn.Conv2d(c_in,kk,k,s,p,bias=True)self.conv=nn.Conv2d(c_in,c_out,k,s,p,groups=g,bias=False)self.init_weights()definit_weights(self):nn.init.constant_(self.conv_offset.weight,0.)nn.init.constant_(self.conv_offset.bias,0.)nn.init.constant_(self.conv_mask.weight,0.)nn.init.constant_(self.conv_mask.bias,0.)defforward(self,x):offset=self.conv_offset(x)mask=torch.sigmoid(self.conv_mask(x))out=deform_conv2d(x,offset,self.conv.weight,self.conv.bias,stride=self.s,padding=self.p,dilation=1,mask=mask)returnout```答案：如上代碼已完整，缺失部分為deform_conv2d調(diào)用中傳入mask參數(shù)。33.實現(xiàn)“在線困難樣本挖掘”（OHEM）交叉熵，要求topk比例=0.3，支持多卡同步。```pythonclassOhemCELoss(nn.Module):def__init__(self,topk=0.3,ignore_index=255):super().__init__()self.topk=topkself.ignore_index=ignore_indexself.crit=nn.CrossEntropyLoss(reduction='none')defforward(self,logits,labels):loss=self.crit(logits,labels)mask=labels!=self.ignore_indexloss=loss[mask]ifloss.numel()==0: