2025年人工智能計算機視覺技術考核試題及答案一、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設計，下列哪項指標最可能顯著下降？A.參數(shù)量B.推理延遲C.小目標召回率D.背景誤檢率答案：B解析：分辨率翻倍，計算量近似平方級增長，GPU端延遲顯著增加；小目標召回率反而可能提升，背景誤檢率與網(wǎng)絡容量關系更密切，參數(shù)量不變。2.使用VisionTransformer做實例分割時，為降低顯存占用，下列哪種改進策略與“窗口注意力”正交？A.線性近似softmaxB.卷積相對位置編碼C.局部窗口Shift操作D.可變形注意力答案：B解析：卷積相對位置編碼仍依賴全局特征圖，與窗口注意力無直接互補；其余三項均在不同粒度上減少二次復雜度。3.在自監(jiān)督預訓練MAE中，若掩碼比例從75%調至90%，ImageNet1k線性probeTop1準確率最可能？A.上升1.2%B.下降0.3%C.下降3.8%D.基本不變答案：C解析：過高掩碼比例導致可見patch語義不足，重建任務欠定，表征質量退化，實驗顯示下降約3%～4%。4.將ConvNeXtTiny用于邊緣設備INT8量化時，下列哪層對量化誤差最敏感？A.7×7深度卷積B.LayerNormC.GELU激活D.1×1逐點卷積答案：A解析：大核深度卷積權重分布長尾，INT8后精度掉點最大；LayerNorm與GELU為元素級，逐點卷積通道數(shù)多，分布易校準。5.在單目3D目標檢測中，將2D檢測框中心直接投影到3D空間，最主要系統(tǒng)誤差來源是？A.相機焦距標定誤差B.目標離地高度未知C.鏡頭徑向畸變D.圖像壓縮偽影答案：B解析：缺失高度先驗導致深度估計病態(tài)，焦距誤差影響小，徑向畸變可校正，壓縮偽影屬隨機噪聲。6.使用SAM（SegmentAnything）生成mask時，若點提示位于目標邊緣，為提升IoU，應優(yōu)先調整哪項超參？A.掩碼解碼器層數(shù)B.正/負點數(shù)量比C.掩碼輸出strideD.提示編碼dropout答案：B解析：邊緣點歧義大，增加負點可抑制溢出；解碼器層數(shù)與stride為模型結構，dropout影響訓練階段。7.在DiffusionModel做圖像修復時，將T從1000步減至20步，DDIM采樣，PSNR最可能？A.+0.8dBB.?2.1dBC.?0.1dBD.+1.5dB答案：B解析：步數(shù)過少導致近似誤差累積，高頻細節(jié)丟失，PSNR下降約2dB。8.將ResNet50backbone替換為EfficientNetV2S后，在COCO2017上訓練MaskRCNN，若保持batchsize=16，學習率應？A.線性放大1.7×B.平方根放大1.3×C.保持不變D.降低0.7×答案：A解析：EfficientNetV2SFLOPs約為ResNet50的1.7倍，按線性縮放規(guī)則，lr需同步放大以維持收斂。9.在多機多卡訓練DINOv2時，若梯度累積步數(shù)=4，全局batchsize=4096，則單卡實際batchsize為？A.4096/(卡數(shù))B.4096/(卡數(shù)×4)C.4096×4/(卡數(shù))D.4096/(4×梯度壓縮比)答案：B解析：梯度累積等價將minibatch再拆分，單卡一次前向僅處理1/4。10.將RGB圖像輸入BEVFormer時，若LSS深度估計網(wǎng)絡輸出深度離散區(qū)間D=112，則顯存占用與D的關系近似？A.O(D2)B.O(D)C.O(logD)D.O(1)答案：B解析：LSS需顯式構造D個視錐體特征體，顯存線性增長。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.下列哪些操作可提升ViT在224×224輸入下的FLOPs效率？A.將patchsize從16改為32B.引入可分離卷積替代前饋網(wǎng)絡C.使用基于Taylor的通道剪枝D.采用3D相對位置編碼答案：A、B、C解析：A減少token數(shù)4×；B降低MLP維度；C去除冗余通道；D增加計算，不降低FLOPs。12.在NeRF渲染中，為降低走樣，下列哪些技術有效？A.分層采樣+重要性采樣B.位置編碼移除C.圓錐追蹤集成D.多尺度光線采樣答案：A、C、D解析：B移除位置編碼導致高頻缺失，反而模糊；其余均抗走樣。13.關于ConvNext與SwinT在語義分割任務上的對比，下列說法正確的是？A.ConvNext更依賴大核卷積，對Cityscapes細長目標更魯棒B.SwinT的ShiftedWindow可天然捕獲長程依賴C.在ADE20k上，ConvNextL比SwinLmIoU高1.3且參數(shù)量更少D.將SwinT的窗口大小從7×7提到14×14，顯存翻倍答案：B、C、D解析：A錯誤，大核對細長目標易過平滑；B、C、D均與論文實驗一致。14.在目標檢測中，使用FocalLoss時，若γ=0，下列哪些情況等價？A.交叉熵損失B.帶樣本均衡權重的交叉熵C.正負樣本權重比=1D.AP值不變答案：A、C解析：γ=0退化為CE；樣本權重需額外設置，與γ無關；AP通常變化。15.將CLIP用于零樣本分類時，若提示模板從“aphotoofa{}”改為“acenteredsatelliteimageofa{}”，在EuroSAT數(shù)據(jù)集上，下列哪些指標提升？A.Top1準確率B.平均置信度C.校準誤差ECED.文本編碼參數(shù)量答案：A、B、C解析：領域提示減少分布偏移，置信度更集中，ECE下降；文本參數(shù)量固定。三、填空題（每空2分，共20分）16.在DeformableDETR中，若編碼層數(shù)=6，每層采樣點K=4，特征層數(shù)L=4，則單頭自注意力計算復雜度相對于標準DETR降低倍數(shù)為________。答案：48解析：標準DETR為HW×HW，Deformable為HW×K×L，降低≈HW/(K×L)=1/16，再乘頭數(shù)8，總48×。17.將MobileNetV3Large用于EdgeTPU時，為滿足8bit累加器，深度卷積通道數(shù)需為________的倍數(shù)。答案：8解析：EdgeTPU累加器寬度128bit，16通道×8bit=128，故最小粒度8。18.在StableDiffusionv2中，UNet下采樣因子為8，若潛在空間分辨率64×64，則原圖分辨率為________。答案：512×512解析：64×8=512。19.使用RandAugment時，若N=2，M=9，候選變換14種，則單張圖像期望增強變換次數(shù)為________。答案：2解析：N即次數(shù)，M為幅度，與種類無關。20.在DINO中，教師動量更新系數(shù)m=0.996，訓練100epoch，則教師參數(shù)約________%來自初始權重。答案：67解析：(1?0.996)^(100×iter_per_epoch)≈exp(?0.004×100×k)，k≈5，得e^(?2)≈0.135，即13.5%殘留，86.5%更新，故初始權重占比約67%。21.將CenterNet的heatmap高斯核半徑設為自適應，目標框短邊為h，則高斯方差σ=________/3。答案：h解析：原文σ=半徑/3，半徑≈h。22.在MMSegmentation框架中，使用FP16訓練時，為防梯度下溢，lossscale初始值通常設為________。答案：512解析：經驗值512，動態(tài)調整。23.在BEVDepth中，若深度區(qū)間[2,58]m，間隔1m，則深度分類數(shù)為________。答案：57解析：(58?2)/1+1=57。24.將EfficientDetD0的BiFPN通道數(shù)從64減至32，參數(shù)量約減少________%。答案：44解析：BiFPN占約70%，通道平方關系，(1?0.52)×70%=0.44。25.在FairMOT中，若ReID維度從512降至128，MOTA在MOT17上下降約________個百分點。答案：1.1解析：論文實驗表，512→128降1.1MOTA。四、判斷題（每題1分，共10分。正確打“√”，錯誤打“×”）26.ConvNeXt將BatchNorm替換為LayerNorm后，ImageNet訓練epoch可從100降至70仍收斂。答案：√解析：LayerNorm+AdamW收斂更快，實驗支持。27.SwinTransformer的ShiftedWindow可在不增加計算量的情況下擴大感受野。答案：√解析：Shift操作零額外FLOPs。28.在YOLOv5中，使用SiLU激活比Mish在CPU端推理延遲更低。答案：√解析：SiLU有硬件指令加速，Mish需exp。29.將ViT的droppathrate從0.1提到0.3，一定導致ImageNetTop1下降。答案：×解析：大模型需高droppath，可能提升。30.在NeRF中，增加位置編碼頻率數(shù)可任意提高重建PSNR。答案：×解析：過高頻率易過擬合噪聲。31.使用CutMix增強時，若α=1，則混合區(qū)域期望面積比為0.5。答案：√解析：β分布α=1退化為均勻，面積比均勻采樣。32.在DiffusionModel中，DDPM與DDIM在相同T下訓練權重可通用。答案：√解析：DDIM為確定性采樣，共享權重。33.將RetinaNet的anchor從9減至1，AP下降可通過增加FPN層數(shù)完全彌補。答案：×解析：單一anchor丟失尺度信息，無法完全彌補。34.在CLIP訓練時，batchsize越大，圖文對比學習越易收斂。答案：√解析：大batch負樣本更多，對比更穩(wěn)定。35.使用TensorRT部署ONNX模型時，F(xiàn)P16模式一定比INT8模式延遲低。答案：×解析：INT8若啟用稀疏+TensorCore，可能更快。五、簡答題（每題8分，共24分）36.描述DeformableAttention相比標準SelfAttention在檢測任務中的三大優(yōu)勢，并給出實驗數(shù)據(jù)佐證。答案：1.計算復雜度從O(HW2)降至O(HWK)，K=4，HW=100×100時，GPU延遲從12ms降至0.8ms（DeformableDETR論文表3）。2.顯存占用下降，單卡batch=2時，標準DETR峰值顯存11.2G降至5.7G。3.小目標檢測AP_s提升3.9，因可學習采樣點聚焦邊緣，減少背景干擾。解析：Deformable通過偏移網(wǎng)絡預測稀疏采樣位置，避免全局稠密計算，同時保持長程依賴，實驗在COCO2017上mAP從43.3→46.8。37.解釋為何在BEVFormer中，多幀時序融合比單幀在nuScenes驗證集上mAP提升1.7，并畫出時序交叉注意力機制示意圖。答案：時序融合引入歷史BEV特征作為memory，交叉注意力Query為當前BEV，Key/Value為歷史BEV，使網(wǎng)絡利用運動一致性，減少遮擋誤檢。實驗表明，加入3幀歷史，mAP從42.1→43.8，NDS從53.6→55.2。示意圖：當前BEVgrid→Query↓交叉注意力歷史BEVgrid←Key/Value↓更新融合BEVgrid解析：交叉注意力權重可視化顯示，靜止車輛權重集中于同一位置，運動車輛權重沿軌跡擴散，提升召回。38.說明StableDiffusion使用VAE潛空間而非像素空間進行擴散的三點理由，并給出壓縮率與FID對比。答案：1.計算效率：潛空間64×64，比512×512像素空間通道數(shù)4，F(xiàn)LOPs降低64倍。2.訓練穩(wěn)定：像素空間高頻噪聲難建模，潛空間分布平滑，LPIPS損失收斂更快。3.內存節(jié)?。簡螐垐D像潛空間特征僅16KB，可訓練batch=16于24G顯存。對比：像素空間DDPM在ImageNet256FID=7.8，潛空間LDMFID=4.9，壓縮率=(5122×3×8)/(642×4×32)=48×。六、編程與計算題（共31分）39.（10分）閱讀以下PyTorch片段，補全缺失行，使模型輸出shape為(B,256,32,32)，并計算FLOPs。```pythonimporttorch,torch.nnasnnclassBlock(nn.Module):def__init__(self,c):super().__init__()self.dw=nn.Conv2d(c,c,7,groups=c,padding=3)self.pw=nn.Conv2d(c,c,1)self.norm=nn.LayerNorm(c)defforward(self,x):y=self.dw(x)y=self.pw(y)y=y.permute(0,2,3,1)y=self.norm(y)y=y.permute(0,3,1,2)returnx+ynet=nn.Sequential(nn.Conv2d(3,64,4,stride=2,padding=1),128Block(64),nn.Conv2d(64,128,4,stride=2,padding=1),64Block(128),nn.Conv2d(128,256,4,stride=2,padding=1),32Block(256))x=torch.randn(1,3,256,256)out=net(x)print(out.shape)應輸出torch.Size([1,256,32,32])```計算FLOPs：答案：FLOPs=conv1:3×64×4×4×128×128=0.52Gblock1:64×7×7×128×128+64×128×128×64=0.60Gconv2:64×128×4×4×64×64=0.13Gblock2:128×7×7×64×64+128×64×64×128=0.30Gconv3:128×256×4×4×32×32=0.03Gblock3:256×7×7×32×32+256×32×32×256=0.15G總計：1.73GMac解