2025年(人工智能與機器學習)計算機視覺試題及答案一、單項選擇題（每題2分，共20分）1.在YOLOv8中，若將輸入圖像分辨率從640×640提升到1280×1280，且保持anchorfree機制不變，下列哪一項最可能顯著增加？A.檢測頭參數(shù)量B.正負樣本分配耗時C.NMS后處理耗時D.Backbone的FLOPs答案：C解析：分辨率翻倍后，候選框數(shù)量呈平方級增長，NMS需要比較更多框的IoU，耗時顯著增加。BackboneFLOPs雖增加，但僅為線性倍數(shù)；檢測頭參數(shù)量與特征圖尺寸無關；anchorfree的正負樣本分配基于中心點，耗時增長遠低于NMS。2.使用VisionTransformer做目標檢測時，若將絕對位置編碼改為2D旋轉位置編碼（RoPE），下列哪項指標最可能受益？A.小目標APB.大目標APC.旋轉目標APD.夜間圖像AP答案：C解析：RoPE顯式建模相對幾何關系，對旋轉、尺度變化更魯棒，旋轉目標檢測框的角度誤差會下降，故旋轉目標AP提升最顯著。3.在自監(jiān)督預訓練MAE中，若掩碼率從75%提高到90%，ImageNet1k線性probing準確率通常如何變化？A.單調上升B.先升后降，峰值在85%C.單調下降D.基本不變答案：B解析：過高掩碼率導致可見patch語義不足，網(wǎng)絡難以重建紋理細節(jié)，線性probing在85%左右達到最優(yōu)，90%時下降。4.將ConvNeXtTiny的KernelSize統(tǒng)一由7×7改為3×3，同時深度翻倍，參數(shù)量的變化約為：A.+15%B.+35%C.+55%D.+75%答案：B解析：Kernel減小帶來參數(shù)量下降，但深度翻倍使通道數(shù)不變時參數(shù)量約平方級上升，綜合約+35%。5.在TensorRT8.6上部署RetinaNet時，若開啟FP16且關閉NMSPlugin，實際測得延遲反而比FP32長，最可能原因是：A.FP16累加誤差導致檢測框激增B.插件缺失使NMS回退到CPUC.顯卡SM單元占用不足D.權重量化方式錯誤答案：B解析：TensorRT對NMS無原生FP16實現(xiàn)，關閉Plugin后回退CPU，成為瓶頸。6.使用DINOv2提取全局特征做圖像檢索，若將最后三層特征做平均池化后拼接，再L2歸一化，mAP@100相比僅用最后一層：A.下降約2%B.提升約1.5%C.提升約4%D.幾乎不變答案：C解析：多層融合可捕獲不同抽象級別語義，DINOv2實驗表明可提升4%左右。7.在Cityscapes語義分割任務中，將DeepLabV3+的Xception65主干換成SwinT，且保持輸出步幅16，最可能需要的額外操作是：A.增加SyncBNB.降低學習率C.引入絕對位置編碼D.增大裁剪尺寸答案：A解析：SwinT使用LN且窗口注意力需跨卡同步統(tǒng)計，SyncBN可避免BN層統(tǒng)計不一致。8.當使用CutMix數(shù)據(jù)增強時，若λ~Beta(1,1)采樣得到0.7，則圖像A占最終混合圖像面積比例為：A.0.7B.0.49C.0.3D.0.72答案：A解析：CutMix直接按λ矩形面積混合，與MixUp不同，無需平方。9.在MMPose中，HRNetw32與LiteHRNetx30在COCOval2017上AP相近，但后者在RK3588NPU上延遲低42%，其主要原因是：A.使用ShuffleBlockB.使用DepthwiseConvolutionC.使用ConditionalChannelWeightingD.使用QuantizationawareTraining答案：C解析：LiteHRNet用ConditionalChannelWeighting替代昂貴的1×1卷積，減少通道間信息交互開銷。10.將FasterRCNN的RPNanchor尺度從[32,64,128]改為[16,32,64]后，若保持FPNlevel不變，小目標召回率通常：A.下降3%B.提升5%C.提升10%D.基本不變答案：B解析：更小anchor可匹配更多小目標，但過密anchor帶來噪聲，綜合提升約5%。二、多項選擇題（每題3分，共15分，多選少選均不得分）11.下列哪些技術可直接用于提升VisionTransformer在224×224輸入下的吞吐量（FPS）？A.使用FusedwindowAttentionB.將LayerNorm替換為RMSNormC.引入3D卷積D.使用FlashAttention2答案：A、B、D解析：3D卷積增加計算量；其余三項均減少內存訪問或增加并行度。12.在單目深度估計自監(jiān)督框架Monodepth2中，下列哪些損失項對紋理平坦區(qū)域深度精度貢獻最大？A.SSIMB.L1photometricC.smoothnessD.edgeawaresmoothness答案：A、D解析：平坦區(qū)域L1易失效，SSIM捕獲結構；edgeaware避免深度在邊緣處過度平滑。13.關于Mask2Former在實例分割上的訓練，下列說法正確的是：A.使用HungarianMatcher時，分類成本權重高于Dice成本B.訓練階段無需NMSC.查詢數(shù)必須大于最大實例數(shù)D.支持stuff與thing聯(lián)合訓練答案：B、C、D解析：HungarianMatcher中Dice成本權重更高；其余正確。14.在DiffusionModel做圖像修復時，下列哪些操作可降低采樣步數(shù)至10步以內且保持PSNR>30dB？A.DDIM采樣B.DPMSolver++C.ClassifierfreeGuidanceD.ProgressiveGrowing答案：A、B解析：DDIM與DPMSolver++為快速采樣算法；CFG用于提升質量但增步數(shù)；ProgressiveGrowing不直接減少步數(shù)。15.使用知識蒸餾將ConvNeXtB壓縮成ConvNeXtT，若采用FeaturemapDistillation，下列哪些層作為教師hint效果最佳？A.下采樣后第一層B.每個stage最后BlockC.全局平均池化前D.分類頭前FC答案：B、C解析：中間語義抽象且分辨率適中，蒸餾效率高；分類頭FC過于任務特定。三、填空題（每空2分，共20分）16.在DeformableDETR中，若編碼器層數(shù)為6，每層采樣點數(shù)為4，特征圖通道256，則單頭自注意力計算中，偏移量偏移網(wǎng)絡輸出維度為________。答案：512解析：每個采樣點2D偏移，4點共8值，再乘256通道，輸出8×256=2048，但實現(xiàn)中用兩層MLP壓縮為512。17.將RegNetY16GF的SEratio從0.25改為0.5，參數(shù)數(shù)量約增加________%。答案：8解析：SE模塊參數(shù)量為2×C×C×r，r翻倍帶來SE部分翻倍，但SE僅占總量約8%。18.在PyTorch2.1中使用pile訓練SwinL，若開啟mode="maxautotune"，顯存占用相比eager模式可能增加約________%。答案：20解析：maxautotune會緩存大量Tritonkernel中間結果，實測約+20%。19.當使用RandAugment時，若magnitude=10，n=2，在ImageNet上最佳驗證準確率通常出現(xiàn)在________（填數(shù)字）層MLP分類頭之后。答案：1解析：RandAugment配合單一FC頭即可，深層MLP易過擬合。20.在MMRotate中，若將旋轉框表示為θ∈[90°,0°)，則長邊定義為________軸對齊邊。答案：x解析：MMRotate默認長邊與x軸夾角θ，θ∈[90°,0°)。21.使用ONNXRuntime部署PPLCNetx2.5時，若開啟quantization.static且target_type=uint8，則首層卷積權重量化尺度系數(shù)需用________校準算法。答案：MinMax解析：首層輸入為圖像uint8，MinMax可保持線性映射無偏移。22.在DINO檢測自蒸餾中，教師模型EMA更新系數(shù)通常設為________（保留三位小數(shù)）。答案：0.9996解析：DINO默認0.9996，保證教師緩慢更新。23.將MobileNetV3Large的hswish激活替換為swish，在麒麟990NPU上延遲約增加________%。答案：15解析：hswish為分段線性，NPU可量化，swish需查表，延遲+15%。24.在Cityscapes上，使用OCRNet+HRNetW48，單卡batch=8，初始lr=0.04，若改用4卡DDP，則新lr應為________。答案：0.08解析：線性縮放原則，0.04×4/2=0.08（因batch×4，但常用0.1倍縮放經(jīng)驗）。25.當使用FocalLoss時，若γ=3，α=0.25，則易分類樣本（pt=0.9）的權重因子為________（保留四位小數(shù)）。答案：0.0009解析：(1pt)^γ=0.13=0.001，再乘α=0.25，得0.00025，但題目問“權重因子”僅指(1pt)^γ，故0.0009。四、判斷題（每題1分，共10分，正確打“√”，錯誤打“×”）26.ConvNeXtBlock中的DepthwiseConvkernelsize越大，有效感受野增長越快，因此Cityscapes語義分割任務中7×7始終優(yōu)于3×3。答案：×解析：大kernel帶來邊界模糊，Cityscapes細節(jié)豐富，7×7不一定優(yōu)于3×3。27.在ViT中，去掉位置編碼后，分類準確率下降幅度在ImageNet上通常小于2%。答案：×解析：ViT強依賴位置編碼，去掉后下降>5%。28.使用SAM（SegmentAnything）做零樣本邊緣檢測時，需將points_per_side設為0，僅使用boxprompt。答案：×解析：邊緣檢測用densepointgrid，points_per_side>0。29.在MMDetection中，CascadeRCNN的IoU閾值逐級上升，可有效緩解訓練時正負樣本分布mismatch。答案：√解析：逐級提高IoU閾值，使后續(xù)stage輸入質量更高。30.當使用MixUp時，標簽平滑參數(shù)ε=0.1，若λ=0.7，則標簽向量變?yōu)閇0.73,0.27]。答案：√解析：MixUp標簽λyA+(1λ)yB，無額外平滑。31.在TensorRT中，INT8校準使用entropy算法時，若某層權重分布為雙峰，則校準后精度一定下降。答案：×解析：雙峰不一定導致精度下降，需看量化閾值。32.將EfficientNetB0的SE模塊移至DWConv之前，ImageNettop1準確率通常下降。答案：√解析：SE在DWConv之后可建模通道間關系，前移破壞結構。33.在旋轉目標檢測中，使用IoU常數(shù)閾值0.5評估時，高寬比10:1的框比1:1框更容易達到0.5。答案：×解析：高寬比大時，輕微角度誤差導致IoU急劇下降。34.使用RandAugment時，n=1比n=3更適合小數(shù)據(jù)集如CIFAR10。答案：√解析：小數(shù)據(jù)集過強增強易欠擬合。35.在DeeplabV3+中，將ASPP的空洞率從[6,12,18]改為[12,24,36]后，輸出步幅保持16，則顯存占用一定增加。答案：×解析：空洞卷積不增加顯存，僅增加感受野。五、簡答題（每題8分，共40分）36.描述DeformableAttention相比標準WindowAttention在SwinTransformerV2中的兩大優(yōu)勢，并給出復雜度對比公式。答案：優(yōu)勢1：DeformableAttention通過可學習的采樣偏移，使每個query自適應關注最相關的一組key，無需固定窗口，從而突破局部感受野限制，對稀疏目標更友好。優(yōu)勢2：計算復雜度從O(N2)降至O(Nk)，其中k為采樣點數(shù)（通常遠小于N），顯存占用線性增長，支持更大分辨率訓練。復雜度：標準自注意力為4NC2+2N2C，DeformableAttention為4NC2+2NkC，k=4時降低約N/4倍。37.解釋為何在自監(jiān)督學習DINOv2中，使用L2normalizedPatchTokens做局部蒸餾，能提升下游密集預測任務性能。答案：L2normalizedPatchTokens消除尺度差異，使教師與學生特征在同一超球面，蒸餾目標僅關注角度即語義方向，迫使學生學到更純的語義表示；同時Patch級對齊保留空間對應關系，使下游分割、深度估計等密集任務可直接復用預訓練特征，無需額外微調即可提升35點mIoU。38.給出一種在邊緣設備上實現(xiàn)實時語義分割（>30FPS，輸入1024×2048）的模型設計策略，含主干、輕量化模塊、損失與部署細節(jié)。答案：主干：采用RepViTM0.9，將MobileNetV4block與ViT結合，通過結構重參數(shù)化，訓練時多分支，推理時融合為單路3×3卷積，提升速度。輕量化模塊：設計“CrossShuffleFusion”模塊，將高層語義上采樣后與低層細節(jié)做通道洗牌融合，僅用3×3DWConv+1×1PWConv，無SE。損失：主損失為OhemCE，輔助損失為邊緣增強損失（拉普拉斯邊緣處加權）。部署：使用NCNNINT8量化，首層與末層保留FP16，calibration用200張Cityscapes訓練子集，KLD算法，最終RK3588上測得35FPS，mIoU78.4%。39.說明在DiffusionModel訓練階段，如何引入ConditionDrop技術以支持無分類器引導（ClassifierfreeGuidance），并給出采樣時的公式。答案：訓練時以概率p（通常0.1~0.2）將條件c置為空?，使模型同時學習條件與無條件分布；采樣時生成兩條噪聲預測：εθ(xt,c)與εθ(xt,?)，引導公式：ε?=εθ(xt,?)+s·(εθ(xt,c)?εθ(xt,?))其中s為引導尺度，通常2~5，可提升FID1.5點。40.對比知識蒸餾中Featurebased與Logitsbased兩種方法在目標檢測任務上的優(yōu)劣，并給出實驗數(shù)據(jù)示例。答案：Featurebased：利用FPN多尺度特征，通過L2或ATloss對齊，提升小目標AP，如RetinaNet學生AP從37.2→39.8，但訓練慢30%。Logitsbased：僅對齊分類與回歸頭輸出，計算輕量，AP從37.2→38.5，訓練時間+5%，但小目標提升有限。綜合：兩階段檢測更宜Featurebased，單階段可用Logitsbased快速壓縮。六、編程與計算題（共35分）41.（10分）閱讀下列簡化版DeformableAttentionCUDA核心偽代碼，指出第7行與第15行可能的bankconflict原因，并給出修改方案。偽代碼：1__shared__floatbuf[32][33];2for(inti=0;i<k;i++){3intoffset=...;4floatval=...;5introw=tid/32;6intcol=tid%32;7buf[row][col]=val;8__syncthreads();9...10for(intj=0;j<32;j++){11floats=0;12for(intc=0;c<32;c++)13s+=buf[j][c];14...15buf[row][col+1]=s;答案：第7行：32線程同時寫buf[row][0..31]，因列跨度32，33列布局避免沖突，無沖突。第15行：col+1導致同一行線程寫相鄰列，如tid=0寫col=1，