2025年人工智能(計算機視覺與人工智能)試卷及答案一、單項選擇題（每題2分，共20分）1.在YOLOv8中，若將輸入圖像由640×640放大到1280×1280，且保持anchorfree設(shè)計，下列哪一項最可能顯著增加？A.正樣本數(shù)量B.負(fù)樣本數(shù)量C.檢測頭參數(shù)量D.NMS后處理耗時答案：C解析：輸入分辨率翻倍，檢測頭（Head）中用于分類與回歸的卷積層通道數(shù)不變，但特征圖尺寸變?yōu)樵瓉?倍，參數(shù)量與計算量均隨像素數(shù)線性增長；anchorfree的正/負(fù)樣本定義與特征圖網(wǎng)格綁定，數(shù)量雖增加但非“顯著”；NMS耗時與預(yù)測框數(shù)量呈線性關(guān)系，增幅不如參數(shù)量陡峭。2.使用VisionTransformer（ViT）做圖像分類時，若將patchsize由16×16改為32×32，同等數(shù)據(jù)增廣條件下，模型在ImageNet上的Top1準(zhǔn)確率通常會：A.上升約1.5%B.下降約2.3%C.基本不變D.先升后降答案：B解析：patchsize增大導(dǎo)致序列長度縮短，自注意力建模細(xì)粒度能力下降，表征能力減弱；實驗統(tǒng)計，ViTB/32比ViTB/16在ImageNet低約2.3%。3.在StableDiffusion的UNet降噪網(wǎng)絡(luò)中，crossattention模塊的主要作用是：A.增強噪聲估計精度B.注入文本語義條件C.壓縮特征圖通道D.加速采樣迭代答案：B解析：crossattention將文本編碼器（CLIPTextEncoder）輸出的序列作為K、V，圖像特征作為Q，實現(xiàn)文本到圖像的語義對齊。4.對于雙目立體匹配網(wǎng)絡(luò)RAFTStereo，其“多層級GRU”設(shè)計主要是為了：A.減少顯存占用B.提升亞像素精度C.加速收斂D.增強對無紋理區(qū)域的魯棒性答案：D解析：RAFTStereo在1/16、1/8、1/4分辨率級聯(lián)GRU，低層提供平滑先驗，高層恢復(fù)細(xì)節(jié)，有效緩解無紋理區(qū)域匹配歧義。5.在ConvNeXtV2中，將深度可分離卷積替換為“全局響應(yīng)歸一化（GRN）”后，模型容量主要提升來源于：A.增大感受野B.增強通道間競爭C.引入稀疏激活D.降低參數(shù)量答案：B解析：GRN通過計算通道統(tǒng)計量實現(xiàn)歸一化，強化通道間競爭，提升表征遷移能力，感受野不變，參數(shù)量略增。6.當(dāng)使用CutMix數(shù)據(jù)增廣時，若兩張圖像的混合比例λ=0.7，則對應(yīng)標(biāo)簽處理應(yīng)：A.直接取第一張標(biāo)簽B.直接取第二張標(biāo)簽C.按0.7/0.3比例混合onehotD.隨機丟棄一張標(biāo)簽答案：C解析：CutMix要求標(biāo)簽與圖像像素面積保持一致，線性混合onehot向量。7.在DINOv2自監(jiān)督預(yù)訓(xùn)練中，若student網(wǎng)絡(luò)對某圖像輸出特征為zs，teacher網(wǎng)絡(luò)輸出zt，則InfoNCE損失中溫度系數(shù)τ通常：A.對student與teacher共享且可學(xué)習(xí)B.對student固定，對teacher可學(xué)習(xí)C.對student可學(xué)習(xí)，對teacher固定D.二者均固定為0.1答案：C解析：DINOv2采用不對稱溫度，studentτs可學(xué)習(xí)，teacherτt固定，防止模式崩潰。8.在TensorRT8.6中，若將PyTorch的DCNv2導(dǎo)出為ONNX，再轉(zhuǎn)為TensorRT，下列操作必須手動插入插件的是：A.變形卷積的offset生成B.變形卷積的im2col步驟C.變形卷積的modulated步驟D.變形卷積的雙線性插值答案：C解析：TensorRT原生支持deformableconv前向，但modulated（引入權(quán)重mask）需自定義插件。9.在MMRotate框架中，將旋轉(zhuǎn)框表示為“xywhθ”時，θ的范圍通常設(shè)定為：A.[90°,90°)B.[180°,180°)C.[0°,180°)D.[0°,360°)答案：A解析：MMRotate采用長邊定義法，θ∈[90°,90°)，保證w≥h，避免邊界不連續(xù)。10.當(dāng)使用FlashAttention2加速ViT訓(xùn)練時，其內(nèi)存復(fù)雜度從O(n2)降至：A.O(nlogn)B.O(n)C.O(n√n)D.仍為O(n2)答案：B解析：FlashAttention通過分塊softmax重計算，將顯存占用與序列長度n呈線性關(guān)系。二、多項選擇題（每題3分，共15分，多選少選均不得分）11.下列哪些策略可直接緩解目標(biāo)檢測中前景背景樣本極不平衡？A.FocalLossB.OHEMC.ATSSD.GIOULoss答案：A、B、C解析：FocalLoss通過調(diào)制因子降低易分樣本權(quán)重；OHEM在線挖掘困難負(fù)樣本；ATSS使用自適應(yīng)閾值動態(tài)劃分正負(fù)樣本；GIOULoss僅修正定位誤差，與平衡無關(guān)。12.在NeRF加速方法中，以下哪些技術(shù)可跳過大量空白空間采樣？A.OccupancyGridB.PropagationNetworkC.SphericalHarmonicsD.EmptySpaceSkipping答案：A、B、D解析：OccupancyGrid用三維網(wǎng)格標(biāo)記空體素；PropagationNetwork預(yù)測下一步采樣步長；EmptySpaceSkipping在射線行進(jìn)中直接跳過大步長；SH僅用于顏色壓縮，與采樣無關(guān)。13.關(guān)于CLIP模型zeroshot分類，下列說法正確的是：A.文本編碼器與圖像編碼器共享參數(shù)B.推理時無需任何訓(xùn)練圖像C.提示模板“aphotoofa{}”可替換為“acroppedphotoofa{}”提升準(zhǔn)確率D.在ImageNet上準(zhǔn)確率與監(jiān)督ResNet50持平答案：B、C、D解析：CLIP雙塔結(jié)構(gòu)參數(shù)獨立；zeroshot無需下游圖像；提示工程可提升12%；CLIPViTB/16zeroshot76.2%，與ResNet5076.1%持平。14.在擴散模型DDIM采樣中，若將采樣步數(shù)從1000減至50，可能出現(xiàn)：A.生成質(zhì)量下降B.多樣性降低C.采樣過程不再隨機D.確定性采樣路徑可復(fù)現(xiàn)答案：A、B、D解析：步數(shù)減少導(dǎo)致去噪噪聲近似誤差增大，F(xiàn)ID上升；多樣性下降；DDIM為確定性采樣，隨機性僅來源于初始潛變量，故路徑可復(fù)現(xiàn)。15.下列哪些算子可被ONNXRuntime直接推理，無需轉(zhuǎn)換到CPU？A.GridSampleB.MultiScaleDeformableAttnC.LayerNormD.CTCLoss答案：A、C解析：GridSample與LayerNorm已有CUDA實現(xiàn)；MSDeformAttn與CTCLoss需自定義或回退CPU。三、填空題（每空2分，共20分）16.在SwinTransformerV2中，為緩解深層梯度消失，作者提出_________歸一化，將殘差分支乘以一個小于1的系數(shù)。答案：postnorm解析：postnorm將LayerNorm置于殘差之后，配合縮放系數(shù)，穩(wěn)定訓(xùn)練。17.在CenterNet2中，將中心度預(yù)測分支的激活函數(shù)由Sigmoid替換為_________，以緩解正負(fù)樣本分布極端不平衡。答案：GumbelSigmoid解析：GumbelSigmoid引入溫度退火，使輸出更尖銳，降低正負(fù)樣本重疊區(qū)域模糊性。18.在MMDetection3.x中，若使用RotatedRetinaNet，其anchor生成函數(shù)名為_________。答案：PseudoRotatedAnchorGenerator解析：MMDetection采用偽旋轉(zhuǎn)錨機制，先生成水平錨再旋轉(zhuǎn)。19.在TensorRT中，若INT8量化的校準(zhǔn)算法選擇ENTROPY_CALIBRATION_2，則校準(zhǔn)數(shù)據(jù)集圖片數(shù)量建議不少于_________張。答案：500解析：NVIDIA官方文檔指出500張可覆蓋常見分布，過少導(dǎo)致量化誤差增大。20.在Detectron2的COCO評估接口中，若設(shè)置iouThrs=[0.5:0.05:0.95]，則共計算_________個IoU閾值下的AP。答案：10解析：0.5、0.55、…、0.95共10檔。21.在擴散模型訓(xùn)練階段，若噪聲調(diào)度采用cosineschedule，則前向過程方差β_t的初始值約為_________。答案：0.0001解析：cosineschedule起始β?=0.0001，終值β_T=0.02。22.在DeformableDETR中，若編碼器層數(shù)為6，每層采樣點數(shù)為4，特征層數(shù)為3，則單頭自注意力計算時，key的總數(shù)為_________。答案：12解析：每層4點×3層=12，跨層共享。23.在PyTorch2.0編譯模式（pile）中，默認(rèn)后端_________可將動態(tài)shape圖優(yōu)化為靜態(tài)圖。答案：inductor解析：inductor使用Triton生成GPU內(nèi)核，支持動態(tài)shape緩存。24.在VisionTransformer中，若輸入圖像224×224，patchsize16，則序列長度為_________。答案：197解析：(224/16)2=196，外加1個clstoken。25.在RAFT光流估計網(wǎng)絡(luò)中，若迭代次數(shù)為12，則GRU隱藏狀態(tài)維度為_________。答案：128解析：RAFT原文固定隱藏狀態(tài)128維。四、判斷題（每題1分，共10分，正確打“√”，錯誤打“×”）26.ConvNeXt使用LayerNorm替代BatchNorm后，ImageNet準(zhǔn)確率下降，因此作者又改回BatchNorm。答案：×解析：ConvNeXt全程使用LayerNorm，準(zhǔn)確率提升，未回退。27.在Mosaic數(shù)據(jù)增廣中，若四張圖像分辨率不一致，可直接resize到統(tǒng)一尺寸再拼接，不影響檢測性能。答案：×解析：直接resize導(dǎo)致目標(biāo)形變，需保持原比例填充。28.在NeRF中，若將位置編碼（PosEnc）維度降低，則高頻細(xì)節(jié)會丟失。答案：√解析：PosEnc提供高頻基函數(shù)，維度降低導(dǎo)致高頻衰減。29.在CenterNet中，若將高斯核σ固定為1，對小目標(biāo)檢測更友好。答案：×解析：σ應(yīng)與目標(biāo)尺寸成正比，固定為1使大目標(biāo)中心度過于尖銳，小目標(biāo)仍受益有限。30.在DDPM中，反向過程均值μθ(x_t,t)可直接用x_t與預(yù)測噪聲εθ計算得到。答案：√解析：貝葉斯推導(dǎo)給出閉式解μθ=(x_tβ_t/√(1α?_t)εθ)/√α_t。31.在YOLOv7的ELAN模塊中，將concat后的通道數(shù)減半可提升速度但mAP下降。答案：√解析：通道減半降低計算量，信息損失導(dǎo)致mAP下降約0.5。32.在SimCLR中，溫度系數(shù)τ越大，對比損失對困難負(fù)樣本的懲罰越強。答案：×解析：τ越大，softmax分布越平滑，懲罰減弱。33.在MMDeploy中，將旋轉(zhuǎn)檢測模型導(dǎo)出ONNX后，無需編寫自定義算子即可直接TensorRT推理。答案：×解析：旋轉(zhuǎn)NMS需自定義插件。34.在VisionTransformer中，去掉clstoken改用平均池化，ImageNet準(zhǔn)確率通常下降。答案：√解析：clstoken提供全局可學(xué)習(xí)表示，平均池化易受損耗。35.在StableDiffusion中，將UNet通道數(shù)翻倍可線性增加生成圖像分辨率。答案：×解析：通道數(shù)翻倍提升容量，但分辨率由潛空間尺寸決定，需重新訓(xùn)練。五、簡答題（每題8分，共24分）36.描述DeformableAttention相比標(biāo)準(zhǔn)SelfAttention在計算復(fù)雜度上的具體優(yōu)化，并給出復(fù)雜度公式。答案：標(biāo)準(zhǔn)SelfAttention復(fù)雜度為O(n2d)，其中n為token數(shù)，d為維度。DeformableAttention僅對參考點周圍固定數(shù)量k個采樣點計算注意力，復(fù)雜度降至O(nkd)。k通常遠(yuǎn)小于n（如4），故顯存與計算均顯著下降。解析：通過可學(xué)習(xí)的偏移量Δp，僅對稀疏位置計算加權(quán)，避免全局稠密矩陣乘。37.解釋為何在NeRFOSR（戶外場景反射）中需要引入“反射輻射場”與“透射輻射場”雙分支，并給出合成公式。答案：戶外鏡面反射違反Lambert假設(shè)，單一場無法同時建模漫反射與鏡面反射。雙分支公式：L_o=L_t+L_sL_t=∫σ_t(t)T(t)c_t(t)dtL_s=∫σ_s(t)T(t)∫M(ω_i,ω_o)c_s(ω_i)dω_idt其中σ_t、σ_s分別為透射與反射密度，T為累積透射率，M為鏡面BRDF。解析：透射分支建模漫反射與透射光，反射分支通過環(huán)境貼圖積分建模鏡面高光，二者密度分離，提升真實感。38.說明在DETR中“二分圖匹配損失”如何緩解檢測中的重復(fù)框問題，并寫出匈牙利算法代價矩陣構(gòu)建方式。答案：DETR將預(yù)測框與真值框視為二分圖兩端，代價矩陣C∈R^{N×M}，元素為分類損失與L1框回歸損失加權(quán)和：C_{i,j}=p_i(c_j)+λ_{box}(|b_ib_j|)通過匈牙利算法求最小權(quán)匹配，確保每個真值唯一對應(yīng)一個預(yù)測，消除重復(fù)。解析：無NMS后處理，訓(xùn)練端到端，匹配代價同時考慮類別置信度與定位精度，λ_{box}=5。六、綜合應(yīng)用題（共31分）39.（算法設(shè)計題，15分）給定一張2048×1024的街景圖像，需實時檢測20類交通要素（含小目標(biāo)行人、交通燈）。硬件為RTX4060Laptop（8GB顯存），要求FPS≥30。請設(shè)計一套完整方案，含：1）模型選擇及理由；2）輸入分辨率與增廣；3）量化與加速；4）關(guān)鍵超參；5）潛在問題與緩解。答案：1）模型：YOLOv8s，理由：參數(shù)量僅8.7M，COCOmAP44.5，TensorRTINT7后1.2ms，滿足實時。2）輸入：640×640，保持長寬比letterbox；增廣：Mosaic+HSV+隨機旋轉(zhuǎn)90°，提升小目標(biāo)。3）量化：PTQINT8，校準(zhǔn)500張，使用EntropyCalibration2，激活值采用Percentile=99.99%，防止小目標(biāo)激活被截斷；TensorRTbuild時開啟fp16fallback。4）超參：conf=0.25，iou=0.45，maxdet=300，anchorfree；訓(xùn)練300epoch，coslr，初始1e3，warmup3epoch。5）問題：小目標(biāo)經(jīng)降采樣后特征消失→引入SPDConv替換前兩層下采樣，保留細(xì)粒度；INT8后置信度漂移→在檢測頭后插入QAT微調(diào)1epoch，恢復(fù)0.8%mAP；顯存峰值→開啟torch.cuda.empty_cache()，訓(xùn)練batch=32，梯度累積=2。解析：整體方案兼顧精度與速度，INT8加速3.2×，SPDConv提升小目標(biāo)AP2.1%，最終FPS=38，mAP42.3。40.（編程題，16分）請用PyTorch實現(xiàn)一個“可變形卷積v2”前向內(nèi)核，要求：1）支持modulated（即帶mask）；(2)CUDA實現(xiàn)，支持半精度；(3)給出Python接口與單元測試。答案：```pythonimporttorchimporttorch.nnasnnfromtorch.autogradimportFunctionimportdeform_conv_cuda假設(shè)已編譯classDeformConvFunction(Function):@staticmethoddefforward(ctx,input,offset,mask,weight,bias,stride,padding,dilation,groups,deformable_groups):ctx.save_for_backward(input,offset,mask,weight,bias)ctx.stride,ctx.padding,ctx.dilation=stride,padding,dilationctx.groups,ctx.deformable_groups=groups,deformable_groupsoutput=deform_conv_cuda.forward(input,offset,mask,weight,bias,stride,padding,dilation,groups,deformable_groups)returnoutput@staticmethoddefbackward(ctx,grad_output):input,offset,mask,weight,bias=ctx.saved_tensorsgrad_input,grad_offset,grad_mask,grad_weight,grad_bias=\deform_conv_cuda.backward(grad_output,input,offset,mask,weight,bias,ctx.stride,ctx.padding,ctx.dilation,ctx.groups,ctx.deformable_groups)returngrad_input,grad_offset,grad_mask,grad_weight,grad_bias,None,None,None,None,NoneclassDeformConv2d(nn.Module):def__init__(self,in_c,out_c,k,stride=1,pad=0,dil=1,groups=1,deformable_groups=1):super().__init__()self.weight=nn.Par