2025年秋季人工智能計算機視覺專項訓(xùn)練試卷及答案一、單項選擇題（每題2分，共20分。每題只有一個正確答案，錯選、多選均不得分）1.在YOLOv8中，若將輸入圖像分辨率從640×640提升至1280×1280，且保持anchorfree設(shè)計，下列哪一項指標(biāo)最可能顯著下降？A.參數(shù)量B.推理延遲C.小目標(biāo)召回率D.背景誤檢率答案：B解析：分辨率翻倍，計算量近似提升4倍，GPU端延遲線性增加；小目標(biāo)召回率通常上升；anchorfree對小目標(biāo)更魯棒；背景誤檢率與分辨率無單調(diào)關(guān)系。2.使用VisionTransformer做語義分割時，若將patchsize從16×16改為8×8，同時保持圖像尺寸不變，則Transformerencoder的序列長度將：A.縮小為1/4B.保持不變C.擴大為2倍D.擴大為4倍答案：D解析：序列長度=(H/p)×(W/p)，p減半則分母變?yōu)?/4，序列長度×4。3.在CenterNet中，若heatmap的峰值響應(yīng)為1，周圍高斯衰減半徑為3pixel，則該峰值對應(yīng)的回歸框中心偏移量分支在訓(xùn)練時的監(jiān)督目標(biāo)為：A.0B.1C.3D.高斯衰減值答案：A解析：中心偏移量分支只監(jiān)督亞像素級偏移，正樣本中心點坐標(biāo)為整數(shù)位置，偏移真值為0。4.當(dāng)使用RandAugment對ImageNet1k做分類增強時，若Magnitude=10，則下列哪種變換組合在默認策略中不可能被同時采樣到？A.Rotate+ColorB.Solarize+ShearYC.Equalize+PosterizeD.AutoContrast+Sharpness答案：C解析：RandAugment策略列表不含Equalize與Posterize同時出現(xiàn)，官方策略將Posterize與Solarize互斥。5.在DETR中，若將decoderquery數(shù)量從100減至50，而圖像中真實目標(biāo)為90個，訓(xùn)練時使用的最優(yōu)二分匹配成本將：A.下降B.上升C.不變D.先升后降答案：C解析：二分匹配成本與query數(shù)量無關(guān)，只與預(yù)測真值對的最小成本有關(guān)；減少query只會導(dǎo)致更多?匹配，不改變已匹配對的成本。6.對于StereoMatching網(wǎng)絡(luò)PSMNet，若在KITTI上將最大視差從192改為96，則顯存占用大約：A.減半B.不變C.減少至1/4D.增加至2倍答案：A解析：3D卷積代價體維度D減半，顯存線性下降。7.在MoCov3自監(jiān)督框架中，若batchsize從4096降至1024，則momentumencoder的更新系數(shù)m從0.99改為0.9，其主要目的是：A.降低GPU內(nèi)存B.加速收斂C.維持隊列一致性D.減少負樣本數(shù)量答案：C解析：小batch下隊列長度不足，需增大更新速度（減小m）以保持特征一致性。8.使用DeepLabv3+時，若將outputstride從16改為8，則ASPP模塊的感受野將：A.縮小一半B.不變C.擴大一倍D.縮小至1/4答案：B解析：ASPP使用空洞卷積，其rate根據(jù)outputstride自動縮放，保持實際感受野不變。9.在3D點云分割網(wǎng)絡(luò)KPConv中，若將kernelpoints數(shù)量由15增至30，則GPU顯存占用：A.線性增加B.平方增加C.不變D.減少答案：A解析：每個卷積核的權(quán)重矩陣尺寸與kernelpoints成正比，顯存線性增長。10.當(dāng)使用TensorRT8.6對SwinT做INT8量化時，若calibrationdataset僅含100張圖像，最可能出現(xiàn)的誤差是：A.量化尺度系數(shù)飽和B.層融合失敗C.動態(tài)shape不支持D.交叉熵損失爆炸答案：A解析：校準集過小導(dǎo)致直方圖截斷閾值估計不準，INT8尺度系數(shù)飽和，精度驟降。二、多項選擇題（每題3分，共15分。每題至少有兩個正確答案，多選、漏選、錯選均不得分）11.下列哪些操作可以有效緩解ViT在小數(shù)據(jù)集上的過擬合？A.使用DropKeyB.增加patchsizeC.引入MoCov3預(yù)訓(xùn)練權(quán)重D.采用RandAugmentE.移除LayerNorm答案：A、C、D解析：DropKey隨機丟棄注意力鍵，正則化強；MoCov3提供良好初始化；RandAugment增強泛化。增大patch減少序列長度但可能損失細節(jié)；移除LayerNorm會訓(xùn)練崩潰。12.關(guān)于MaskRCNN的RoIAlign，以下說法正確的是：A.雙線性插值采樣點坐標(biāo)為浮點數(shù)B.對齊操作消除了量化誤差C.僅用于mask分支D.與RoIPool相比增加了可學(xué)習(xí)參數(shù)E.在TensorRT中可通過Plugin實現(xiàn)答案：A、B、E解析：RoIAlign使用浮點采樣+雙線性插值，無量化；mask與box分支均使用；無新增參數(shù)；TensorRT需自定義Plugin。13.在訓(xùn)練EfficientDet時，若出現(xiàn)NaN，下列排查策略合理的是：A.降低lr至1e5B.開啟clip_norm=1.0C.將BiFPN的BN改為GND.關(guān)閉autoaugmentE.增大warmupepoch答案：A、B、C、E解析：NaN常由梯度爆炸或BN不穩(wěn)定導(dǎo)致；autoaugment與NaN無直接關(guān)聯(lián)，但極端增強可能加劇，關(guān)閉非首要手段。14.對于NeRF的positionalencoding，下列說法正確的是：A.維度為3→63B.使用sin/cos交替C.頻率呈指數(shù)增長D.可學(xué)習(xí)E.移除后細節(jié)下降答案：B、C、E解析：位置編碼固定，頻率2^L；輸入3維經(jīng)L=10編碼到63維；移除高頻成分導(dǎo)致模糊。15.在Transformer中，使用FlashAttention的優(yōu)勢包括：A.顯存占用從O(N2)降至O(N)B.支持任意attentionmaskC.加速訓(xùn)練D.保持數(shù)值精度E.僅適用于decoder答案：A、C、D解析：FlashAttention通過分塊+重計算降低顯存；支持causalmask但非任意；encoder亦可使用。三、填空題（每空2分，共20分）16.在YOLOv5的anchor聚類階段，使用________距離度量，其公式為________。答案：1IoU；1IoU(box,anchor)17.SwinTransformer的shiftedwindowattention中，窗口偏移量為________像素，掩碼操作通過________實現(xiàn)。答案：(M/2,M/2)；rolledtensor+maskmatrix18.在圖像去霧算法AODNet中，透射率t與大氣光A的融合形式為________，該設(shè)計的好處是________。答案：t=exp(βd)，直接回歸K=βd，避免分式；可端到端訓(xùn)練，梯度穩(wěn)定。19.使用RANSAC估計單應(yīng)矩陣時，若內(nèi)點閾值為3pixel，迭代次數(shù)公式為________，當(dāng)置信度取0.99，內(nèi)點比為50%時，理論最少采樣________次。答案：N=log(1p)/log(1w^n)；n=4，w=0.5，p=0.99，得N≈17。20.在CLIP的對比學(xué)習(xí)損失中，溫度系數(shù)τ的梯度效應(yīng)是________，若τ→0，則損失趨近于________。答案：縮放logits，控制梯度大??；hardmax，即onehot交叉熵。四、判斷題（每題1分，共10分。正確打“√”，錯誤打“×”）21.ConvNeXt將ResNet的Bottleneck改為invertedbottleneck，此舉提升ImageNet精度0.4%。答案：√解析：借鑒Swin，擴大中間通道，減少參數(shù)量，精度↑。22.在DINO中，student與teacher網(wǎng)絡(luò)結(jié)構(gòu)必須完全一致。答案：×解析：teacher通常更大，如ViTBvsViTS。23.使用CutMix增強時，若混合區(qū)域比例為0.5，則對應(yīng)標(biāo)簽也為0.5。答案：√解析：標(biāo)簽按像素面積加權(quán)。24.在OCR文本識別中，CRNN的CTCloss允許任意長度對齊，但要求字符集必須包含blank。答案：√解析：CTC核心機制。25.當(dāng)使用GroupNorm時，batchsize=1也可穩(wěn)定訓(xùn)練。答案：√解析：GN與batch無關(guān)。26.在知識蒸餾中，若student與teacher的logits尺度差異大，直接使用MSE損失即可，無需溫度縮放。答案：×解析：需溫度T軟化分布。27.使用MixUp時，若α=β=0.2，則混合系數(shù)λ服從Beta分布，期望為0.5。答案：√解析：E[λ]=α/(α+β)=0.5。28.在Transformer中，QK^T的數(shù)值穩(wěn)定技巧是除以√d_k，該操作同樣適用于ScaledDotProductAttention的CUDAkernel。答案：√解析：標(biāo)準實現(xiàn)。29.在圖像超分EDSR中，移除BN層可提升0.3dB。答案：√解析：BN引入偽影。30.使用FocalLoss時，當(dāng)γ=0，其形式等價于交叉熵。答案：√解析：exp(0)=1。五、簡答題（每題8分，共24分）31.描述DeformableDETR中multiscaledeformableattention的計算流程，并指出其相對原始DETR的兩項顯存優(yōu)化。答案：流程：1)對多尺度特征圖{F_l}，每個queryq生成3LK采樣偏移Δp與注意力權(quán)重A；2)通過雙線性插值在L個尺度、K個采樣點采集特征v；3)加權(quán)求和得輸出o=ΣA·v。顯存優(yōu)化：a)稀疏采樣：每query僅采樣K=4點，而非全局HW，顯存從O(HW2)降至O(LKH)；b)合并batch×head維度，使用im2col+gemm，減少中間張量。32.給定Cityscapes語義分割任務(wù)，使用DeepLabv3+（OS=16），在RTX3090上batch=8出現(xiàn)OOM，列舉三種不降低batchsize的顯存優(yōu)化方案，并給出預(yù)期顯存節(jié)省比例。答案：1)梯度檢查點：以時間換空間，節(jié)省3040%；2)Mixedprecision：FP16+BF16激活，節(jié)省~45%；3)替換ASPP為LightweightASPP（深度可分離卷積），節(jié)省~25%；組合使用可節(jié)省≈70%，batch=8可行。33.解釋NeRF中“coarse+fine”兩級采樣策略的動機，并推導(dǎo)fine網(wǎng)絡(luò)采樣權(quán)重w_i的公式。答案：動機：均勻采樣易錯過高頻細節(jié)，需根據(jù)coarse網(wǎng)絡(luò)預(yù)測的權(quán)重對重要區(qū)域加密采樣。推導(dǎo)：coarse網(wǎng)絡(luò)輸出密度σ_i與顏色c_i，沿射線累積權(quán)重w_i=T_i(1exp(σ_iδ_i))，其中T_i=exp(Σ_{j=1}^{i1}σ_jδ_j)。將w_i歸一化得概率分布，對逆變換采樣得到fine采樣點，再輸入fine網(wǎng)絡(luò)。六、計算與推導(dǎo)題（共31分）34.（10分）給定一張1920×1080圖像，使用SIFT提取關(guān)鍵點，假設(shè)平均每像素信息熵為6bit，DOG尺度空間octave=4，每octave3層，關(guān)鍵點個數(shù)的期望模型為E(n)=0.12×(WH)/(σ_min2)×(octave)×(layer?1)。若σ_min=1.6，實際檢測到8500關(guān)鍵點，每關(guān)鍵點存儲128維float32描述子，計算：1)理論期望關(guān)鍵點數(shù)；2)描述子總存儲量（MB）；3)若采用RootSIFT歸一化后使用PCA壓縮至32維，再乘Olympicpooling編碼，壓縮率是多少？答案：1)E(n)=0.12×(1920×1080)/1.62×4×2≈0.12×2.07e6/2.56×8≈7.78×10?；2)8500×128×4B≈4.25MB；3)原128×4B，壓縮后32×4B，壓縮率=128/32=4。35.（11分）在VisionTransformer中，假設(shè)輸入patchsize=14，圖像224×224，head=8，d_model=768，計算：1)每個head的QKV矩陣參數(shù)量；2)一次selfattention的FLOPs；3)若使用Linformer將投影維度降至k=64，F(xiàn)LOPs降低比例。答案：1)每個headd_k=768/8=96，QKV各需768×96，共3×768×96=221184；2)N=(224/14)2=256，F(xiàn)LOPs≈4Nd_model2+2N2d_model=4×256×7682+2×2562×768≈6.0×10?+1.0×10?=7.0×10?；3)Linformer將N2→Nk，第二項變?yōu)?Nkd_model=2×256×64×768≈2.5×10?，降低比例≈(1.0×10??2.5×10?)/1.0×10?=75%。36.（10