2025年AI計算機視覺專項訓練試卷附答案一、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，anchorfree檢測頭的感受野理論上會A.縮小為原來1/2B.保持不變C.擴大為原來2倍D.與特征金字塔層數(shù)成反比變化答案：B解析：YOLOv8采用anchorfree機制，依賴FPN+PAN結(jié)構(gòu)，感受野由網(wǎng)絡深度決定，與輸入分辨率無關。分辨率增大僅提高空間采樣密度，不改變理論感受野。2.使用VisionTransformer做目標檢測時，若將patchsize從16×16改為8×8，模型參數(shù)量約A.增加4倍B.增加2倍C.減少2倍D.幾乎不變答案：A解析：patch數(shù)量與面積成反比，8×8時patch數(shù)為16×16的4倍；Transformer編碼器序列長度增加4倍，QKV投影矩陣參數(shù)量線性增長，故總參數(shù)量≈4倍。3.在自監(jiān)督對比學習MoCov3中，若隊列長度從65536減至4096，最可能出現(xiàn)的現(xiàn)象是A.訓練速度線性下降B.負樣本多樣性降低導致精度下降C.梯度爆炸D.鍵編碼器更新過快答案：B解析：MoCo依賴大隊列維護大量負樣本，隊列縮短直接減少負樣本多樣性，對比學習目標變簡單，表征質(zhì)量下降。4.將RGB圖像輸入ConvNeXt前，若采用“通道順序隨機擾動”數(shù)據(jù)增強，對下列哪項指標影響最大A.ImageNetTop1精度B.模型推理延遲C.參數(shù)量D.FLOPs答案：A解析：通道擾動破壞顏色統(tǒng)計一致性，ImageNet預訓練權(quán)重基于RGB順序?qū)W習，順序打亂后分布偏移，Top1精度顯著下降；其余指標與數(shù)據(jù)無關。5.在CenterNet中，若高斯核σ固定為2.5，而輸出步長從4變?yōu)?，同一目標中心heatmap峰值會A.降低為原來1/2B.不變C.降低為原來1/4D.消失答案：C解析：輸出步長增大2倍，同一物理尺寸在特征圖上縮小2倍，高斯核覆蓋像素數(shù)減少為1/4，峰值按面積比例衰減。6.使用TensorRT8.6對YOLOv7進行INT8量化時，若校準集只含白天場景，夜晚場景mAP從0.42降至0.19，最主要原因是A.量化粒度不足B.校準集分布偏移C.激活函數(shù)非線性過強D.BatchNorm折疊錯誤答案：B解析：INT8縮放因子由校準集統(tǒng)計決定，夜晚亮度低、噪聲高，激活分布與白天差異大，量化誤差增大，導致mAP暴跌。7.在DINOv2中移除“局部自蒸餾”分支后，下列哪項能力幾乎不受影響A.密集預測任務性能B.圖像檢索Recall@1C.線性probe精度D.小樣本分類答案：B解析：局部自蒸餾主要提升空間密集特征，檢索任務依賴全局特征，Recall@1對局部分支不敏感。8.將SwinTransformer的windowsize從7×7改為14×14，顯存占用約A.增加4倍B.增加2倍C.減少2倍D.不變答案：A解析：windowattention計算復雜度與window面積成平方關系，14×14是7×7的4倍，顯存占用線性增長。9.在MMSegmentation框架中，使用DeepLabV3+訓練Cityscapes，若cropsize從512×512改為1024×1024，單卡batchsize=2可訓練，但改為batchsize=8必現(xiàn)OOM，最合理策略是A.啟用gradientcheckpointB.將backbone換成MobileNetV3C.降低學習率D.凍結(jié)BN層答案：A解析：crop增大4倍顯存占用平方級增長，gradientcheckpoint以時間換空間，可緩解OOM；換backbone需重訓，降低lr與凍結(jié)BN不解決顯存瓶頸。10.在MMDetection3中，使用FasterRCNN+R50，若將FPNtop層通道從256改為128，檢測小目標AP_s最可能A.提升1.5B.下降0.8C.提升0.3D.幾乎不變答案：B解析：top層通道減半，特征表達能力下降，小目標依賴高分辨率弱語義特征，AP_s下降約0.8。二、多選題（每題3分，共15分）11.下列哪些操作可緩解ViT在少量數(shù)據(jù)上過擬合A.隨機深度（StochasticDepth）B.MixupC.增加patchsizeD.LayerScale答案：A、B、D解析：隨機深度與LayerScale為正則化技術(shù)；Mixup擴充數(shù)據(jù)分布；增大patchsize減少序列長度，降低容量，反而可能欠擬合。12.關于ConvNeXt與SwinT在ImageNet1K訓練，下列說法正確的是A.ConvNeXt使用更少的歸納偏置B.SwinT的shiftedwindow可跨窗口交互C.ConvNeXt的invertedbottleneck降低內(nèi)存訪問成本D.二者在224×224輸入下FLOPs接近答案：B、C、D解析：ConvNeXt仍基于卷積，歸納偏置強于Swin；shiftedwindow實現(xiàn)跨窗交互；invertedbottleneck減少激活內(nèi)存；官方配置二者FLOPs約4.5G。13.在目標檢測中，使用DIoU損失相較GIoU可帶來A.收斂速度提升B.對旋轉(zhuǎn)目標更魯棒C.中心點距離懲罰D.減少框回歸震蕩答案：A、C、D解析：DIoU顯式加入中心點距離，加速收斂、抑制震蕩；旋轉(zhuǎn)魯棒需CIoU或PIoU。14.關于SelfSupervisedLearning中的maskimagemodeling，下列哪些方法使用encoderdecoder結(jié)構(gòu)A.BEiTB.MAEC.SimMIMD.MaskFeat答案：B、C解析：MAE與SimMIM采用非對稱encoderdecoder；BEiT用離散tokenizer無需decoder；MaskFeat用HOG目標無需decoder。15.在TensorRT部署YOLOX時，下列哪些層可能導致INT8量化誤差顯著增大A.SiLU激活B.1×1卷積后接concatC.DCNv2D.輸出層1×1卷積答案：A、C、D解析：SiLU在負半軸平滑，量化區(qū)間難估計；DCNv2為動態(tài)卷積，權(quán)重不固定；輸出層靠近loss，梯度敏感，均易放大誤差；concat本身無參數(shù)，誤差來源為輸入分布差異。三、判斷題（每題1分，共10分）16.DeiT使用知識蒸餾，教師模型為RegNetY16GF。答案：√解析：DeiT原文采用RegNetY16GF作為教師，提供軟標簽。17.在MMRotate中，將旋轉(zhuǎn)框表示為五點法比八參數(shù)法更易于學習。答案：×解析：五點法存在邊界不連續(xù)問題，八參數(shù)法（中心+寬高+角度）更穩(wěn)定。18.ConvNeXt完全去掉BatchNorm，改用LayerNorm。答案：√解析：ConvNeXt追隨Transformer，使用LayerNorm替代BN。19.DETR中objectqueries數(shù)量越多，訓練收斂所需epoch越少。答案：×解析：queries過多增加二分圖匹配難度，收斂變慢。20.使用CutMix時，若混合區(qū)域面積比例λ=0.5，則圖像級標簽變?yōu)閛nehot與mix的硬標簽。答案：√解析：CutMix按像素面積比例分配標簽，λ=0.5即0.5×onehot_A+0.5×onehot_B。21.SwinTransformer的relativepositionbias表大小與windowsize平方成正比。答案：√解析：bias表尺寸為(2w1)×(2w1)，與w2成正比。22.在CenterNet訓練階段，若heatmap生成使用高斯半徑r=0，則網(wǎng)絡無法學習。答案：×解析：r=0退化為單像素峰值，仍可學習，但收斂慢、精度低。23.YOLOv5的anchor設置通過kmeans在COCO上聚類得到，類別不平衡會導致長寬比偏移。答案：√解析：kmeans受樣本數(shù)量影響，小目標過多會拉低平均IoU，anchor偏向小框。24.使用RandAugment時，若Magnitude=10，則所有變換幅度固定為最大值。答案：×解析：Magnitude為上限，具體幅度在[0,M]均勻采樣。25.DINOv2的L2標準化僅應用于學生網(wǎng)絡輸出。答案：×解析：教師與學生輸出均做L2標準化，保證余弦相似度計算穩(wěn)定。四、填空題（每空2分，共20分）26.在DeformableDETR中，若編碼器層數(shù)為6，每層采樣點數(shù)為K=4，則單頭注意力計算時，偏移量預測分支輸出通道數(shù)為________。答案：2×4=8解析：每個采樣點預測二維偏移，4個點共8通道。27.使用MMDetection3訓練MaskRCNN，若roi_head中mask_head的num_convs由4改為8，且保持輸入通道256不變，則mask_head參數(shù)量增加________。答案：(84)×(256×3×3×256)=4×589824=2359296解析：每層conv參數(shù)=256×3×3×256=589824，增加4層。28.在ConvNeXtBase中，depthwiseconv的groups參數(shù)等于________。答案：輸入通道數(shù)解析：depthwiseconv的groups=in_channels。29.若將SwinL的droppathrate線性增加至0.5，則第18層（共24層）的droppathrate為________。答案：0.5×18/23≈0.391解析：線性增長rate=l/L×max_rate，L=23（從0起計）。30.在BYOL中，預測器輸出投影維度為________。答案：與投影器輸出維度相同解析：BYOL預測器需匹配投影器輸出維度，才能計算MSE。31.使用TensorRTINT8量化EfficientNetB0，若某層激活動態(tài)范圍統(tǒng)計值為[3.2,6.8]，則scale=________。答案：max(abs(3.2),abs(6.8))/127=6.8/127≈0.0535解析：對稱量化scale=max(abs(min),abs(max))/127。32.在YOLOv7的ELAN模塊中，若base_channels=40，且growth_rate=2，則最終concat后的輸出通道為________。答案：40×2+40×2×2=80+160=240解析：ELAN分支兩倍通道再兩倍，concat后相加。33.若ViTB/16在ImageNet1K上訓練，patchsize=16，則序列長度為________。答案：(224/16)2+1=142+1=197解析：加clstoken。34.在Mask2Former中，若decoder層數(shù)為9，queries=100，則單次前向的mask預測張量形狀為________。答案：(B,100,H/4,W/4)解析：Mask2Former輸出原圖1/4分辨率mask。35.使用MMSegmentation的UperNet，若backbone輸出4級特征，通道分別為[64,128,320,512]，則PPM（pyramidpoolingmodule）拼接后通道為________。答案：64+128+320+512+4×512=1024+2048=3072解析：PPM每級池化后升維至512，共4級，再加原特征。五、簡答題（每題8分，共24分）36.描述DeiT與ViT在訓練策略上的三點關鍵差異，并解釋為何DeiT能在ImageNet1K上達到與ViTL相近的精度。答案與解析：1)蒸餾token：DeiT引入distillationtoken，與clstoken并行，通過hard蒸餾吸收CNN教師歸納偏置，彌補數(shù)據(jù)不足。2)數(shù)據(jù)增強：DeiT使用RandAugment、MixUp、CutMix、RandomErasing等強增廣，提升泛化；ViT僅基礎裁剪。3)優(yōu)化器：DeiT采用AdamW+cosinelr+warmup，并加大weightdecay（0.05），防止過擬合；ViT使用較大初始lr易發(fā)散。得益于蒸餾與強正則，DeiT僅用ImageNet1K即可學習高質(zhì)量表征，精度逼近需JFT300M預訓練的ViTL。37.說明CenterNet在訓練階段如何生成高斯heatmap，并推導當輸出步長為s、目標框高為h時，高斯半徑r的計算公式。答案與解析：1)將目標中心(xc,yc)映射到特征圖坐標(xc/s,yc/s)。2)計算半徑：r=max(0,int((h/s)×0.3))，其中0.3為經(jīng)驗比例，保證覆蓋目標核心區(qū)域。3)以中心為峰值，生成2D高斯核：heatmap[x,y]=exp(((xxc)2+(yyc)2)/(2σ2))，σ=r/3。推導：設目標在特征圖高為h/s，期望高斯直徑覆蓋90%能量，取3σ原則，則σ=(h/s×0.3)/3=h/(10s)，故r=3σ=h/(3.33s)≈0.3h/s，向上取整。38.解釋YOLOv5在anchorfree分支（AnchorFreeDetectHead）中，如何同時預測中心偏移、寬高與旋轉(zhuǎn)角度，并說明旋轉(zhuǎn)角度損失為何采用CircularSmoothLoss。答案與解析：1)對每格子預測：tx,ty,tw,th,tθ共5維，θ∈[π/2,π/2)。2)中心偏移：bx=(2σ(tx)0.5)+cx，by同理。3)寬高：bw=pw×e^tw，bh=ph×e^th，其中pw,ph為anchor寬高。4)角度：bθ=σ(tθ)×ππ/2，將無界回歸轉(zhuǎn)為有界。CircularSmoothLoss：L=1cos(θ_predθ_gt)，將角度周期性與邊界不連續(xù)問題轉(zhuǎn)化為連續(xù)余弦距離，避免π/π突變，提升回歸穩(wěn)定性。六、綜合應用題（共31分）39.（15分）某自動駕駛團隊需在OrinX（算力70TOPS，顯存32GB）上部署實時分割模型，要求單幀延遲≤30ms，mIoU≥80%。給定Cityscapes驗證集，現(xiàn)有方案：A)SegFormerB2，mIoU=82.1%，F(xiàn)P32推理46ms；B)DDRNet23，mIoU=80.3%，F(xiàn)P32推理22ms；C)ConvNeXtB+UperNet，mIoU=83.5%，F(xiàn)P32推理55ms。請設計一套完整的模型優(yōu)化與部署方案，包括：1)模型選擇及理由；2)量化與剪枝策略；3)TensorRT優(yōu)化細節(jié)；4)多尺度測試與tta取舍；5)最終指標預估。答案與解析：1)選C：mIoU最高，具備80%以上余量，可通過蒸餾+量化保精度。2)量化：采用QAT，以Cityscapestrain+extra20k張夜晚圖像做校準，激活采用Percentile99.9，權(quán)重采用通道級對稱量化；剪枝：使用Taylor剪枝，以mIoU下降<0.5%為閾值，剪掉30%通道，再微調(diào)30epoch。3)TensorRT：啟用FP16+INT8混用，backboneINT8，decoderFP16；構(gòu)建plugin實現(xiàn)CrossCovarianceFusion，減少內(nèi)存搬運；kernelautotuning階段鎖定最大workspace=8GB；啟用DLAcore0跑backbone，GPU跑head，并行流水。4)多尺度：訓練階段采用[0.75,1.0,1.25]隨機縮放，推理僅單尺度1024×2048，舍棄TTA，節(jié)省12ms。5)預估：經(jīng)QAT+剪枝+TensorRT，mIoU降至81.2%，延遲28ms，滿足要求。40.（16分）給定一個自定義工業(yè)零件檢測數(shù)據(jù)集，含20類，平均每圖300目標，最小目標6×6px，最大400×200px，圖像分辨率2048×1536。訓練集5k張，測試集1k張。要求設計一套基于YOLOv8的檢測方案，達到AP50≥85%，單圖GPU推理≤20ms（RTX3060）。請給出：1)數(shù)據(jù)預處理與增強策