2025年(人工智能)計(jì)算機(jī)視覺試題及答案一、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，故特征圖尺寸為20×20。YOLOv8仍保持5次下采樣，stride=32。2.使用MobileNetV3作為骨干網(wǎng)絡(luò)時(shí)，下列哪種算子被引入以顯著降低SE模塊延遲A.HSwish??B.SqueezeandExcitation??C.ChannelShuffle??D.AtrousConvolution答案：A解析：HSwish將ReLU6替換為HardSwish，可在ARM端提速約12%，同時(shí)保持精度。3.在雙目立體匹配中，若基線長度B=0.12m，焦距f=500px，視差d=25px，則深度Z為A.1.2m??B.2.4m??C.3.0m??D.4.8m答案：B解析：Z=B·f/d=0.12×500/25=2.4m。4.針對小目標(biāo)檢測，下列數(shù)據(jù)增強(qiáng)策略最可能帶來負(fù)面效果的是A.Mosaic9??B.RandomCrop(0.1)??C.MixUp??D.RandomErasing(scale=(0.01,0.02))答案：B解析：RandomCrop(0.1)將圖像裁剪為原圖10%，極易把小目標(biāo)完全裁掉，導(dǎo)致標(biāo)簽丟失。5.VisionTransformer中，位置編碼采用二維sinusoidal編碼，其波長λ最大取值為A.10000??B.20000??C.50000??D.100000答案：D解析：原始Transformer論文中，最大波長100000用于保證長序列可區(qū)分。6.在CenterNet中，若高斯核半徑R=3，則峰值處損失權(quán)重為A.1??B.2??C.4??D.8答案：C解析：高斯核峰值權(quán)重為1，但focalloss對正樣本加權(quán)(1y)^γ，CenterNet默認(rèn)γ=2，故1×4=4。7.使用TensorRT8.6對FP16模型進(jìn)行校準(zhǔn)，若出現(xiàn)INT8溢出，最優(yōu)先檢查的校準(zhǔn)算法是A.Entropy??B.Legacy??C.MinMax??D.Percentile(99.99%)答案：C解析：MinMax直接映射最大最小值，極端值易導(dǎo)致INT8溢出；Entropy對直方圖自適應(yīng)，魯棒性更好。8.在實(shí)例分割任務(wù)中，MaskRCNN的RoIAlign輸出尺寸為14×14，若采用雙線性插值，采樣點(diǎn)數(shù)為4，則每個(gè)bin的采樣坐標(biāo)為A.固定角點(diǎn)??B.隨機(jī)抖動??C.均勻4點(diǎn)??D.自適應(yīng)邊緣答案：C解析：RoIAlign將bin均勻劃分為2×2=4子窗口，取中心點(diǎn)做雙線性插值。9.對于360°全景圖像目標(biāo)檢測，將ERP投影轉(zhuǎn)換為CubeMap后，單面立方體圖分辨率若為512×512，則原ERP圖最短邊應(yīng)不低于A.1024??B.1536??C.2048??D.3072答案：C解析：CubeMap單面512，赤道周長=512×4=2048，故ERP最短邊≥2048才能保留細(xì)節(jié)。10.在自監(jiān)督預(yù)訓(xùn)練MoCov3中，若隊(duì)列長度K=4096，特征維度D=256，則隊(duì)列占用顯存約為A.4MB??B.8MB??C.16MB??D.32MB答案：B解析：4096×256×4B≈4MB，但采用FP16，故減半為2MB，再加梯度緩存≈8MB。二、多項(xiàng)選擇題（每題3分，共15分，多選少選均不得分）11.下列哪些操作可有效緩解語義分割中的“域漂移”問題A.FDA（FourierDomainAdaptation）B.CutMixC.IBNNetD.StyleRandomization答案：A、C、D解析：FDA在頻域交換振幅；IBNNet拆分IN與BN；StyleRandomization隨機(jī)化風(fēng)格。CutMix主要用于目標(biāo)檢測增強(qiáng)，對域漂移幫助有限。12.關(guān)于VisionTransformerOverPatch，下列說法正確的是A.將16×16patch繼續(xù)拆分為4×4OverPatchB.引入局部自注意力降低計(jì)算復(fù)雜度C.在COCO檢測任務(wù)上AP提升>1.0D.需要重新設(shè)計(jì)位置編碼答案：A、B、D解析：OverPatch細(xì)化patch，局部自注意力減少計(jì)算；位置編碼需適應(yīng)重疊，故需重設(shè)計(jì)。COCO實(shí)驗(yàn)僅提升0.4AP，未達(dá)1.0。13.在邊緣端部署YOLOv5s，下列優(yōu)化手段可直接降低推理延遲A.將SiLU替換為ReLU6B.使用SPDF（SpatialPyramidDilatedFusion）C.開啟TensorRTDLAD.采用KnowledgeDistillation答案：A、C解析：ReLU6在DSP端無exp，提速明顯；DLA硬件加速。SPDF增加計(jì)算；蒸餾提升精度但不降延遲。14.關(guān)于NeRFOSR（NeRFforObjectShapeReconstruction），其損失函數(shù)包含A.RGBL2B.MaskBCEC.DepthSmoothD.Eikonal答案：A、B、D解析：NeRFOSR引入mask監(jiān)督；Eikonal約束SDF梯度模長；DepthSmooth為表面重建網(wǎng)絡(luò)常用，但NeRFOSR原文未采用。15.在DeepSORT中，下列度量可同時(shí)用于級聯(lián)匹配A.IoUDistanceB.CosineReIDDistanceC.MahalanobisDistanceD.GIOU答案：A、B、C解析：級聯(lián)先Mahalanobis+ReID，再IoU。GIOU未在DeepSORT源碼出現(xiàn)。三、填空題（每空2分，共20分）16.在DeformableDETR中，若編碼器層數(shù)為6，每層參考點(diǎn)數(shù)為N=300，特征維度256，則一次前向所有編碼器層偏移量參數(shù)量為________萬。答案：92.16解析：偏移量=2×N×256×6=921600，除以10000得92.16萬。17.假設(shè)使用FocalLoss處理前景/背景比1:100，γ=2，α=0.25，則背景樣本的相對權(quán)重為________（保留3位小數(shù)）。答案：0.004解析：背景權(quán)重=(1α)·(1pt)^γ，pt≈0.99，(1pt)^2≈0.0001，再乘0.75得7.5e5，但相對前景α·(1pt)^2≈0.25×0.0001=2.5e5，比值≈3，歸一化后背景權(quán)重≈0.004。18.在HRNet中，若高分辨率分支保持1/4輸入尺寸，則其橫向連接使用________卷積對齊通道數(shù)。答案：1×1解析：HRNet使用1×1卷積統(tǒng)一通道后再融合。19.將RGB圖像轉(zhuǎn)換為Lab顏色空間后，若L通道均值低于________，則觸發(fā)低照度增強(qiáng)分支（保留整數(shù)）。答案：60解析：實(shí)驗(yàn)統(tǒng)計(jì)，當(dāng)L<60時(shí)人眼感知偏暗，主流低照度數(shù)據(jù)集采用該閾值。20.在MMSegmentation框架中，若采用UperHead，其PPM池化輸出尺度為________個(gè)。答案：4解析：PPM采用1,2,3,6四種尺度。21.若使用RandAugment，默認(rèn)幅度M=10，則最大旋轉(zhuǎn)角度為________度。答案：30解析：RandAugment幅度10對應(yīng)旋轉(zhuǎn)±30°。22.在TensorFlowLiteGPUdelegate中，若算子STRIDED_SLICE的stride[3]>1，則必須滿足維度________為1才能執(zhí)行。答案：batch解析：GPUdelegate對batch維度>1的strided_slice不支持。23.在OpenCV中，使用cv::cuda::createBackgroundSubtractorMOG2歷史幀數(shù)默認(rèn)值為________。答案：500解析：源碼默認(rèn)history=500。24.在PyTorch中，若采用torch.cuda.amp自動混合精度，當(dāng)loss_scale<________時(shí)觸發(fā)跳過更新。答案：1解析：GradScaler在scale<1時(shí)認(rèn)為下溢，跳過。25.在Kinetics400預(yù)訓(xùn)練I3D中，輸入clip為64幀，則時(shí)間感受野為________幀。答案：102解析：I3D3D卷積堆疊，感受野=1+2×(31)×5=102。四、判斷題（每題1分，共10分，正確打“√”，錯誤打“×”）26.ConvNeXtV2將激活函數(shù)從GELU替換為ReLU后，ImageNetTop1提升0.3%。答案：×解析：ConvNeXtV2采用GlobalResponseNormalization，ReLU替換導(dǎo)致下降0.4%。27.在DINO中，教師網(wǎng)絡(luò)輸出使用Centering而非Sharpening，可防止模型崩潰。答案：√解析：Centering去均值，減少平凡解；Sharpening易過自信。28.當(dāng)使用CutBlur增強(qiáng)時(shí)，需同步修改分割標(biāo)簽的對應(yīng)區(qū)域。答案：√解析：CutBlur將圖像塊與模糊塊交換，標(biāo)簽需一致交換。29.在MMDetection中，ATSS的anchor數(shù)與RetinaNet相同。答案：×解析：ATSS根據(jù)統(tǒng)計(jì)自適應(yīng)選擇topkanchor，數(shù)量動態(tài)變化。30.將BatchNorm替換為GroupNorm后，模型在batch_size=1時(shí)仍可訓(xùn)練。答案：√解析：GroupNorm與batch無關(guān)。31.在NeRF中，若positionalencodingL=10，則輸入維度變?yōu)?0。答案：√解析：3×(2×10)+3=63，但原文去掉常數(shù)項(xiàng)為60。32.使用RAFT估計(jì)光流時(shí)，若corr_radius=4，則相關(guān)體大小為9×9。答案：√解析：radius=4，邊長=2×4+1=9。33.在Cityscapes上，DeepLabV3+采用output_stride=16訓(xùn)練，測試時(shí)改為8可提升mIoU>1.0。答案：√解析：測試時(shí)更大特征圖細(xì)化邊緣，提升1.2。34.在TorchScript中，若模型包含grid_sample，需設(shè)置opset_version=11才能導(dǎo)出。答案：×解析：grid_sample在opset=9已支持。35.當(dāng)使用TeslaV100訓(xùn)練FP16模型時(shí)，TensorCore利用率與通道數(shù)是否為8的倍數(shù)無關(guān)。答案：×解析：TensorCore要求通道數(shù)為8倍數(shù)，否則降速。五、簡答題（每題8分，共24分）36.描述DeformableAttention相對標(biāo)準(zhǔn)MultiHeadAttention在計(jì)算復(fù)雜度上的優(yōu)勢，并給出復(fù)雜度公式。答案：標(biāo)準(zhǔn)MHA復(fù)雜度為O(HWN2C)，DeformableAttention通過固定采樣點(diǎn)K（K≈4）將復(fù)雜度降至O(HWKC)，與空間尺寸N無關(guān)。公式：DeformableAttentionFLOPs=2HWK2C+HWKC，其中K為采樣點(diǎn)數(shù)，C為通道數(shù)。解析：標(biāo)準(zhǔn)MHA需計(jì)算N×N注意力矩陣，N大時(shí)顯存爆炸；Deformable僅計(jì)算參考點(diǎn)與K個(gè)偏移點(diǎn)，線性增長。37.說明在自監(jiān)督框架SimSiam中，StopGradient操作如何防止模型崩潰，并畫出前向與反向流向示意圖（文字描述）。答案：StopGradient將預(yù)測網(wǎng)絡(luò)支路的梯度截?cái)?，使兩支路不對稱。前向：view1→encoder→projector→predictor→與view2支路特征求余弦損失；反向時(shí)，predictor梯度僅回傳至view1支路，view2支路參數(shù)由view1梯度更新，反之亦然。兩支路輪流擔(dān)任“教師”，避免平凡解。解析：若不禁梯度，兩支路會快速一致，輸出常數(shù)；StopGradient引入“延遲”更新，形成隱式對比。38.列舉三種可用于邊緣端實(shí)時(shí)人像分割的輕量化技巧，并給出在RK3588上的實(shí)測加速比（NPU@1TOPS）。答案：1.將3×3深度可分離卷積替換為GhostModule，加速比1.8×；2.采用BiSeNetV2的DetailGuidance，低分辨率分支共享，加速比2.1×；3.使用NPUint8量化+relu6融合，加速比3.2×。解析：RK3588NPU對深度可分離卷積友好，Ghost減少乘法；DetailGuidance減少高分辨率計(jì)算；int8量化帶寬減半。六、計(jì)算與推導(dǎo)題（共31分）39.（10分）給定一個(gè)單目相機(jī)，焦距f=800px，主點(diǎn)(cx,cy)=(640,360)，圖像中檢測到人眼瞳孔直徑為d=60px，已知成人瞳孔真實(shí)直徑D=6mm，求相機(jī)到人眼的距離Z。答案：由相似三角形：d/D=f/Z→Z=f·D/d=800×6/60=80mm=0.08m。解析：單位統(tǒng)一，d、px與f同單位消去，得Z=0.08m。40.（10分）在MaskRCNN中，若RoI尺寸為7×7，mask分支使用4×4卷積核，步長1，填充1，輸出通道為80類，則該層參數(shù)量與FLOPs分別為多少？答案：參數(shù)量=4×4×256×80=327680；FLOPs=4×4×256×80×7×7=10321600。解析：輸入通道256來自RoIAlign，輸出80類mask；FLOPs考慮空間尺寸。41.（11分）考慮一個(gè)4層金字塔特征{P2,P3,P4,P5}，通道數(shù)均為256，使用FPN+PAN結(jié)構(gòu)，求整個(gè)Neck部分可學(xué)習(xí)參數(shù)量（不含BN）。答案：FPN：3層1×1橫向連接+3層3×3融合卷積→(1×1×256×256+3×3×256×256)×3=2359296；PAN：同樣結(jié)構(gòu)×2（自頂向下+自底向上）→2×2359296=4718592；總計(jì)=7077888。解析：每層橫向1×1保持通道，3×3用于平滑；PAN重復(fù)兩次。七、編程題（共30分）42.閱讀下列PyTorch代碼片段，補(bǔ)全空缺部分，實(shí)現(xiàn)“在線難例挖掘OHEM”交叉熵?fù)p失，要求支持多分類，topk比例k=0.7。```pythonimporttorchimporttorch.nnasnnclassOHEMLoss(nn.Module):def__init__(self,k=0.7):super().__init__()self.k=kself.ce=nn.CrossEntropyLoss(reduction='none')defforward(self,pred,target):loss=self.ce(pred,target)[N]___(a)____,idx=torch.sort(loss,descending=True)num=int(self.kloss.numel())keep=idx[:num]return___(b)___```答案：(a)空：無需額外操作(b)空：loss[keep].mean()解析：先計(jì)算逐樣本loss，排序后取topk難例，再平均。保持梯度回傳。43.使用OpenCVPython編寫函數(shù)，實(shí)現(xiàn)“自適應(yīng)閾值Canny”，即根據(jù)圖像梯度直方圖自動確定高低閾值，函數(shù)簽名為：```pythondefauto_canny(image,sigma=0.33):返回單通道邊緣圖```答案：```pythonimportcv2importnumpyasnpdefauto_canny(image,sigma=0.33):gray=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)iflen(image.shape)==3elseimagemed=np.median(gray)lower=int(max(0,(1.0sigma)med))upper=int(min(255,(1.0+sigma)med))edges=cv2.Canny(gray,lower,upper)returnedges```解析：以梯度中位數(shù)為基準(zhǔn)，sigma控制閾值區(qū)間，避免人工調(diào)參。44.使用PyTorch實(shí)現(xiàn)“通道級DropBlock”，要求支持2D與3D特征，drop_prob=0.2，block_size=5。答案：```pythonimporttorchimporttorch.nnasnnclassDropBlock2D(nn.Module):def__init__(self,drop_prob=0.2,block_size=5):super().__init__()self.drop_prob=drop_probself.block_size=block_sizedefforward(self,x):ifnotself.trainingorself.drop_prob==0:returnxgamma=self.drop_prob/(self.block_size2)mask=torch.rand(x.shape[0],1,x.shape[2:],device=x.device)<gammamask=mask.to(x.dtype)block_mask=1nn.functional.max_pool2d(mask,kernel_size=self.block_size,stri