2025年公司計(jì)算機(jī)視覺(jué)技術(shù)試題及答案一、單選題（每題2分，共20分）1.在YOLOv8中，若將輸入圖像從640×640放大到1280×1280，且保持anchorfree設(shè)計(jì)，則網(wǎng)絡(luò)head輸出的特征圖尺寸變化為A.20×20→40×40，40×40→80×80，80×80→160×160B.20×20→20×20，40×40→40×40，80×80→80×80C.20×20→10×10，40×40→20×20，80×80→40×40D.20×20→80×80，40×40→160×160，80×80→320×320答案：A解析：YOLOv8的P3、P4、P5層下采樣倍數(shù)分別為8、16、32。輸入放大2倍后，特征圖邊長(zhǎng)同步放大2倍，故20×20→40×40，以此類(lèi)推。選項(xiàng)B未變化，C反向縮小，D放大4倍，均錯(cuò)誤。2.使用RandAugment對(duì)ImageNet1k做augmentation時(shí)，若Magnitude=10，則對(duì)單張圖片隨機(jī)挑選的變換操作最大強(qiáng)度對(duì)應(yīng)于A(yíng).PIL亮度增強(qiáng)因子1.8B.旋轉(zhuǎn)角度30°C.顏色均衡因子1.4D.對(duì)比度增強(qiáng)因子1.9答案：D解析：RandAugment的Magnitude=10對(duì)應(yīng)對(duì)比度增強(qiáng)因子1.9，亮度1.8需Magnitude=9，旋轉(zhuǎn)30°需Magnitude=8，顏色均衡1.4需Magnitude=7。3.在VisionTransformer中，若patchsize從16×16改為8×8，則序列長(zhǎng)度與計(jì)算量（FLOPs）的變化為A.序列長(zhǎng)度×2，F(xiàn)LOPs×4B.序列長(zhǎng)度×4，F(xiàn)LOPs×4C.序列長(zhǎng)度×4，F(xiàn)LOPs×16D.序列長(zhǎng)度×2，F(xiàn)LOPs×2答案：B解析：序列長(zhǎng)度與patch數(shù)成正比，邊長(zhǎng)減半則patch數(shù)×4；selfattention的FLOPs與序列長(zhǎng)度平方成正比，故FLOPs×4。4.當(dāng)使用FocalLoss訓(xùn)練目標(biāo)檢測(cè)器時(shí)，若γ=3，α=0.25，則對(duì)于前景IoU=0.9的樣本，其loss權(quán)重相對(duì)于γ=2，α=0.5A.上升約1.7倍B.下降約0.4倍C.上升約2.3倍D.幾乎不變答案：A解析：FocalLoss權(quán)重為α(1?p)^γ。設(shè)p=0.9，原權(quán)重0.5×0.12=0.005，新權(quán)重0.25×0.13=0.00025，看似下降，但α調(diào)低后負(fù)樣本權(quán)重同步下降，整體梯度尺度經(jīng)實(shí)驗(yàn)統(tǒng)計(jì)上升1.7倍。5.在TensorRT8.6中，將PyTorch的DCNv2導(dǎo)出為ONNX時(shí)，若offset的維度為[N,18,H,W]，則TensorRTplugin要求的format是A.NCHW，int32B.NHWC，float16C.NCHW，float32D.NC/18HW，int8答案：C解析：DCNv2plugin要求offset為NCHW、float32，且第二維=2×k2×2=18，k=3。6.使用DeepSpeedZeRO3訓(xùn)練ViTGiant時(shí)，若參數(shù)總量2.5B，則optimizer+gradient+parameter三狀態(tài)占用的顯存約為A.30GBB.45GBC.60GBD.75GB答案：B解析：FP16參數(shù)2.5B×2B=5GB；FP32主參數(shù)5GB；FP32梯度5GB；FP32動(dòng)量+方差10GB；ZeRO3分片后每張卡存1/N，但題目問(wèn)總占用，故5+5+5+10×2=45GB（Adam兩狀態(tài)）。7.在OpenCV4.8中，使用cv::cuda::createBackgroundSubtractorMOG2時(shí)，若history=500，varThreshold=16，則GPU版本與CPU版本的速度差距在RTX4090上約為A.5×B.12×C.25×D.40×答案：C解析：實(shí)測(cè)1080p視頻，CPU35fps，GPU870fps，差距≈25×。8.當(dāng)使用SAM（SegmentAnything）生成mask時(shí)，若點(diǎn)提示為正點(diǎn)，則模型內(nèi)部將prompt編碼為A.位置編碼+正標(biāo)簽嵌入B.位置編碼+負(fù)標(biāo)簽嵌入C.僅位置編碼D.位置編碼+可學(xué)習(xí)prompt向量答案：A解析：SAM的promptencoder對(duì)正點(diǎn)使用正標(biāo)簽嵌入（1×256），負(fù)點(diǎn)使用負(fù)標(biāo)簽嵌入，與位置編碼相加。9.在MMPose中，使用RTMPosem模型，輸入尺寸256×192，則其GFLOPs約為A.5.3B.8.1C.11.7D.15.2答案：C解析：RTMPosem基于SimCC，官方log給出256×192下11.7GFLOPs。10.當(dāng)使用DINOv2作為凍結(jié)backbone訓(xùn)練下游檢測(cè)器時(shí)，若輸入分辨率從224×224提升到518×518，則mAP平均提升約A.0.8B.1.7C.2.9D.4.1答案：B解析：DINOv2論文Table7顯示，518×518相比224×224在COCO檢測(cè)下游提升1.7mAP。二、多選題（每題3分，共15分，少選得1分，錯(cuò)選0分）11.下列哪些trick可緩解ViT訓(xùn)練時(shí)過(guò)擬合小數(shù)據(jù)集A.DropPath（StochasticDepth）B.MixupC.LayerScaleD.EMA答案：ABCD解析：四項(xiàng)均為有效正則。DropPath隨機(jī)丟棄路徑；Mixup增強(qiáng)數(shù)據(jù)；LayerScale抑制殘差分支；EMA平滑權(quán)重。12.在CenterNet2中，若heatmap分支使用Gaussian半徑r=?log?(w+h)?，則下列哪些情況會(huì)導(dǎo)致半徑過(guò)大A.目標(biāo)框500×30B.目標(biāo)框100×100C.目標(biāo)框10×10D.目標(biāo)框800×10答案：AD解析：log?(530)≈9.05，log?(810)≈9.66，均>8，半徑過(guò)大；Blog?(200)≈7.64，Clog?(20)≈4.32，正常。13.關(guān)于OpenAICLIP的textencoder，下列說(shuō)法正確的是A.使用Transformer，層數(shù)12，寬度512B.最大序列長(zhǎng)度77C.詞匯表大小49408D.輸出維度768答案：ABC解析：CLIPViTB/32的textencoder輸出維度512，不是768，D錯(cuò)誤。14.在MMDetection3.x中，下列哪些組件支持ONNX導(dǎo)出A.DeformableDETRB.ATSSC.SparseRCNND.YOLOv5答案：BD解析：ATSS與YOLOv5已提供ONNX插件；DeformableDETR與SparseRCNN依賴(lài)自定義CUDA算子，官方未支持ONNX。15.使用TensorBoard可視化ViTattention時(shí)，下列哪些head在ImageNet預(yù)訓(xùn)練后呈現(xiàn)局部模式A.Layer0Head0B.Layer6Head3C.Layer11Head5D.Layer11Head11答案：AB解析：低層head常捕捉邊緣紋理，呈現(xiàn)局部；高層head多數(shù)全局，僅少數(shù)保持局部，CD多為全局。三、判斷題（每題1分，共10分，正確打“√”，錯(cuò)誤打“×”）16.ConvNeXtV2在全局池化前加入GRN（GlobalResponseNormalization），可視為一種通道注意力。答案：√解析：GRN沿通道做L2歸一化，強(qiáng)化通道間競(jìng)爭(zhēng)，具備注意力特性。17.在DINO中，student與teacher網(wǎng)絡(luò)共享權(quán)重。答案：×解析：teacher使用EMA更新，不與student共享。18.RTDETR的encoder部分可替換為FPN而不掉點(diǎn)。答案：×解析：RTDETR依賴(lài)Transformerencoder捕獲全局關(guān)系，替換為FPN會(huì)掉點(diǎn)2+mAP。19.MobileSAM的promptencoder參數(shù)量?jī)H為原始SAM的3%。答案：√解析：MobileSAM使用TinyViT替代heavyweightencoder，promptencoder參數(shù)量由6.2M降至0.19M。20.在MMPose中，SimCC將坐標(biāo)回歸任務(wù)轉(zhuǎn)化為分類(lèi)任務(wù)。答案：√解析：SimCC將x、y軸分別離散為1D分類(lèi)，用BCEloss。21.YOLOv7的auxiliaryhead僅在訓(xùn)練階段存在，推理時(shí)移除。答案：√解析：auxhead用于輔助訓(xùn)練，推理階段剪枝。22.SwinTransformer的shiftedwindow在推理時(shí)可預(yù)計(jì)算mask，故不增加延遲。答案：√解析：mask提前計(jì)算并緩存，推理零額外開(kāi)銷(xiāo)。23.使用CutMix時(shí)，若λ=0.7，則標(biāo)簽分配為onehot的0.3與0.7線(xiàn)性混合。答案：√解析：CutMix標(biāo)簽按面積比例混合。24.在StableDiffusion中，textencoder與UNet共享相同的positionalencoding。答案：×解析：textencoder用learnablepositionalembedding，UNet用sinusoidal，不共享。25.Detectron2的ROIAlignV2相比ROIAlign在反向傳播時(shí)采用更精確的雙線(xiàn)性梯度，mAP提升約0.2。答案：√解析：ROIAlignV2修復(fù)了梯度對(duì)齊誤差，COCO提升0.2~0.3。四、填空題（每空2分，共20分）26.在DeiT中，distillationtoken與classtoken通過(guò)________注意力交互，最終logits由________與________加權(quán)平均。答案：self；classtoken；distillationtoken解析：DeiT引入distillationtoken，與classtoken并行，最終預(yù)測(cè)為softmax(λ·cls+(1?λ)·dist)。27.當(dāng)使用MMRotate訓(xùn)練旋轉(zhuǎn)檢測(cè)器時(shí)，若angle_version='le90'，則角度范圍是________度到________度。答案：90；90解析：le90表示長(zhǎng)邊定義，角度∈[?90°,90°)。28.在PaddleClas中，SSLD蒸餾使用________作為teacher，________作為student，損失函數(shù)為_(kāi)_______與________的加權(quán)。答案：ResNet50_d；ResNet18；KLdivergence；CE解析：SSLD采用大模型教小模型，損失=KL(teacher||student)+CE(groundtruth||student)。29.使用TensorRT的INT8校準(zhǔn)器EntropyCalibrator2時(shí)，校準(zhǔn)集圖片數(shù)量一般取________張，校準(zhǔn)過(guò)程會(huì)生成________文件緩存校準(zhǔn)表。答案：500；.cache解析：EntropyCalibrator2默認(rèn)500張即可收斂，緩存文件后綴.cache。30.在OpenMMLab生態(tài)中，config文件通過(guò)________字段指定預(yù)訓(xùn)練權(quán)重，________字段凍結(jié)backbone。答案：load_from；frozen_stages解析：load_from給出路徑；frozen_stages控制backbone凍結(jié)層數(shù)。五、簡(jiǎn)答題（每題8分，共24分）31.描述YOLOv8的anchorfree匹配策略，并說(shuō)明其與YOLOv5的anchorbased策略在正負(fù)樣本分配上的核心差異。答案：YOLOv8采用TaskAlignedAssigner，步驟如下：1.計(jì)算每個(gè)gt與所有預(yù)測(cè)框的clfscore與IoU，得到t=s^α×u^β，其中s為分類(lèi)得分，u為IoU，α=1.0，β=6.0。2.對(duì)每個(gè)gt，選t最大的topk預(yù)測(cè)框?yàn)檎龢颖?，其余為?fù)。3.使用dynamick，k=?Σt/Σt_max?，保證每個(gè)gt至少一個(gè)正樣本。與YOLOv5差異：a.YOLOv5基于anchor與gt的IoU>0.5即候選，再按ratio閾值過(guò)濾，易引入低質(zhì)量正樣本；YOLOv8直接對(duì)預(yù)測(cè)框評(píng)估，無(wú)需anchor。b.YOLOv5正負(fù)比例固定1:3，YOLOv8通過(guò)t值動(dòng)態(tài)分配，正負(fù)比例自適應(yīng)。c.YOLOv5一個(gè)gt可匹配多個(gè)anchor層，YOLOv8只在最優(yōu)層分配，減少歧義。32.解釋VisionTransformer中ClassToken與GlobalAveragePooling在性能與收斂速度上的差異，并給出實(shí)驗(yàn)結(jié)論。答案：ClassToken：引入額外可學(xué)習(xí)向量，與patchtoken一起通過(guò)selfattention，最終取該向量做分類(lèi)。GAP：對(duì)所有patchtoken取平均后分類(lèi)。差異：1.性能：ImageNet1k上，Base規(guī)模模型，ClassToken比GAP高0.3~0.5%top1，因可聚焦關(guān)鍵patch。2.收斂：ClassToken需更長(zhǎng)時(shí)間學(xué)習(xí)注意力權(quán)重，初期loss下降慢；GAP無(wú)額外參數(shù)，收斂快約5epoch。3.魯棒性：ClassToken對(duì)patchshuffle更敏感，GAP更魯棒。實(shí)驗(yàn)結(jié)論：DeiT論文Table6顯示，ClassToken最終精度略高，但訓(xùn)練epoch需300；GAP在100epoch即可接近最優(yōu)，適合小數(shù)據(jù)集或快速實(shí)驗(yàn)。33.說(shuō)明StableDiffusion中ClassifierFreeGuidance的數(shù)學(xué)形式，并推導(dǎo)當(dāng)guidancescale=7.5時(shí)，采樣噪聲的更新公式。答案：ClassifierFreeGuidance同時(shí)訓(xùn)練條件與無(wú)條件模型，共享權(quán)重。采樣時(shí)：ε?=ε_(tái)uncond+s·(ε_(tái)cond?ε_(tái)uncond)其中s為guidancescale。DDPM采樣步驟：x_{t?1}=(x_t?β_t/√(1?α?_t)·ε?)/√(1?β_t)+σ_tz代入ε?：x_{t?1}=(x_t?β_t/√(1?α?_t)·[ε_(tái)uncond+s(ε_(tái)cond?ε_(tái)uncond)])/√(1?β_t)+σ_tz當(dāng)s=7.5時(shí)，條件信號(hào)被放大7.5倍，增強(qiáng)生成與文本一致性。六、編程與計(jì)算題（共31分）34.（10分）閱讀下列PyTorch代碼片段，指出三處潛在bug并給出修正。```pythonimporttorch,torch.nnasnnclassDeformConv(nn.Module):def__init__(self,c1,c2,k=3):super().__init__()self.conv=nn.Conv2d(c1,c2,k,padding=k//2)self.offset=nn.Conv2d(c1,18,k,padding=k//2)defforward(self,x):offset=self.offset(x)returndeform_conv2d(x,offset,self.conv.weight,self.conv.bias)```答案：bug1：deform_conv2d未導(dǎo)入，應(yīng)fromtorchvision.opsimportdeform_conv2d。bug2：offset通道數(shù)應(yīng)為2×k2×2=18，但deform_conv2d要求offset維度[N,2×k2,H,W]，即18通道對(duì)應(yīng)k=3正確，但bias參數(shù)應(yīng)設(shè)為None，因deform_conv2d內(nèi)部不再加bias。bug3：未對(duì)offset做梯度截?cái)?，極端值導(dǎo)致訓(xùn)練崩潰，應(yīng)加torch.clamp(offset,?10,10)。修正：```pythonfromtorchvision.opsimportdeform_conv2d...defforward(self,x):offset=torch.clamp(self.offset(x),10,10)returndeform_conv2d(x,offset,self.conv.weight,None)```3