计算机视觉（2023-2024-2）学习通超星期末考试答案章节答案2024年

计算机视觉（2023-2024-2）学习通超星期末考试章节答案2024年faster-RCNN模型中的两个关键组件分别是什么?(2.0)

答案:RPN(RegionProposalNetwork)和RoI池化层在图像分割任务中，以下哪个指标可以衡量模型的像素级别准确率?(2.0)

答案:IntersectionoverUnion(IoU)YOLOV1是一种单阶段目标检测模型，它的核心思想是(2.0)

答案:将输入图像划分为多个网格，并在每个网格预测边界框和类别以下哪个选项准确描述了R-CNN(Region-basedConvolutionalNeuralNetwork)模型的原理?(2.0)

答案:R-CNN使用SelectiveSearch算法生成候选框;卷积神经网络提取候选框的特征;候选框分类器进行目标分类;边界框回归调整候选框的位置在单阶段目标检测模型YOLOV1中，输出向量中包含哪些信息?(2.0)

答案:物体所在的类别、物体的位置、大小和置信度得分关于图像分割UNet模型，下列哪个选项描述了UNet模型的特点?(2.0)

答案:包含对称的编码器和解码器结构在计算机视觉中，常用的数据增强操作可以帮助提高模型的泛化能力和鲁棒性。以下哪个选项是计算机视觉中常见的数据增强操作?(2.0)

答案:旋转、裁剪、翻转目标检测中的非极大值抑制(Non-MaximumSuppression，NMS)用于什么目的?(2.0)

答案:去除重叠的候选框，保留最准确的目标框在计算机视觉中，数据增强是一种常用的技术，用于增加训练集的多样性和泛化能力。以下哪个选项是关于计算机视觉数据增强的正确说法?(2.0)

答案:数据增强是指将训练集的样本复制多份，并对每份样本进行不同的变换操作以下哪个选项描述了目标检测中的边框回归(BoundingBoxRegression)?(2.0)

答案:边框回归是通过计算候选框与真实标注框之间的距离，然后根据距离调整候选框的位置和大小，以更准确地匹配目标物体关于深度学习中的随机梯度下降(SGD)和自适应矩估计(Adam)优化算法，下面哪个选项是正确的?(2.0)

答案:SGD和Adam都是自适应学习率的优化算法，通过计算梯度的指数加权平均来更新参数。SGD使用固定学习率，而Adam使用自适应学习率。在PyTorch中，可以通过使用torch.optim.SGD和torch.optim.Adam来使用这两种优化算法图像识别的基本流程不包含什么(2.0)

答案:结果分析目标检测中的候选框生成策略，以下哪个选项不是一种常见的策略?(2.0)

答案:随机生成转置卷积(TransposeConvolution)是一种常用于图像处理和生成模型的操作。在PyTorch中，转置卷积可以通过哪个函数实现?(2.0)

答案:torch.nn.ConvTranspose2d以下哪个选项描述了目标检测中非极大值抑制(Non-MaximumSuppression，NMS)的流程?(2.0)

答案:对所有候选框按得分进行排序，选择得分最高的候选框作为初始选框，然后遍历所有候选框，计算其与初始选框的重叠程度，若重叠程度高于阈值则移除该候选框YOLOV1模型的损失函数不包含以下哪些内容?(2.0)

答案:分割损失以下哪个选项是使用OpenCV的waitKey函数的返回值的正确描述?(2.0)

答案:waitKey函数返回用户按下的键盘字符的ASCII码值语义分割与实例分割之间的区别是什么?(2.0)

答案:语义分割将图像分割成不同的区域并赋予每个区域一个语义标签，而实例分割不仅赋予每个区域一个语义标签，还将不同的实例分开fast-RCNN模型相比R-CNN模型有哪些改进?(2.0)

答案:以上都是torch.nn.Conv2d函数中的padding参数用于控制卷积操作中的边缘填充。以下哪个选项描述了padding参数的作用?(2.0)

答案:控制输入图像的填充大小超分辨率是指从低分辨率的图像中恢复高分辨率图像的过程。()

答案:对特征提取不是深度学习模型中必要的一步，因为深度学习模型可以从头开始自动学习所有特征。()

答案:错在计算机视觉中，边缘检测是一项用于识别图像中物体边界的技术。()

答案:对深度学习模型的训练不涉及损失函数，因为它只关注于特征的学习。()

答案:错卷积神经网络(CNN)中的卷积层能够学习图像的局部特征。()

答案:对Dropout正则化技术在测试阶段也会使用，以减少过拟合的风险。()

答案:错在深度学习中，损失函数用于衡量模型预测与真实标签之间的相似度。()

答案:对LeNet-5是一种非常深的卷积神经网络架构。()

答案:错在计算机视觉任务中，语义分割与实例分割是相同的概念。()

答案:错目标检测与实例分割任务不同，后者需要识别图像中对象的精确轮廓。()

答案:对对抗性生成网络(GANs)包含两个主要部分:生成器和鉴别器。()

答案:对超参数调优是深度学习项目中不必要的步骤。()

答案:错YOLO(YouOnlyLookOnce)是一种实时目标检测系统，它使用锚点框来预测对象。()

答案:对在深度学习中，反向传播算法用于更新网络权重，以减小损失函数的值。()

答案:对VGG网络的特点是拥有非常深的网络结构，其中VGG-16有16个隐藏层。()

答案:对VGG、ResNet和Inception是三种不同的深度学习架构。()

答案:对目标检测任务中，物体的大小不会影响最终检测的准确性。()

答案:错所有的深度学习模型都可以通过增加层数来提高性能。()

答案:错在深度学习中，池化层(Poolinglayer)的主要目的是提升模型的旋转不变性。()

答案:错在深度学习中，全连接层(FullyConnectedlayer)通常位于卷积神经网络的末端，用于最终的分类或回归任务。()

答案:对YOLO(YouOnlyLookOnce)是用于什么的深度学习框架?

答案:实时目标检测在目标检测任务中，IoU代表什么?

答案:交并比损失函数在深度学习中的作用是什么?

答案:衡量预测和真实值之间的差距下列哪个不是常见的目标检测算法?

答案:SVMLeNet-5是由哪位科学家提出的?

答案:YannLeCunU-Net是一种常用的网络架构，它主要用于:

答案:图像分割Inception模块是由哪个网络结构提出的?

答案:GoogLeNet什么是语义分割(SemanticSegmentation)任务的目标?

答案:对每个像素进行分类Sigmoid激活函数的数学表达式是什么?

答案:f(x)=(1+e^(-x))^{-1}在计算机视觉任务中，通常用什么损失函数来度量分类问题的性能?

答案:交叉熵损失以下哪种网络结构常用于图像语义分割任务?

答案:卷积神经网络(CNN)ResNet(残差网络)通过什么解决了深度网络中的梯度消失/爆炸问题?

答案:它引入了跳跃连接以下哪个激活函数在深度网络中有助于缓解梯度消失问题?

答案:ReLU(RectifiedLinearUnit)ResNet中的“Res”指的是什么?

答案:Residual(残差)在深度学习中，Softmax激活函数通常用于:

答案:多分类问题在深度学习中，一个"层"是指什么?

答案:网络中的一个计算阶段，可能包括多个神经元和操作Dropout是一种常用的正则化技术，它主要在哪两个过程中使用?

答案:只在训练时在计算机视觉中，用于检测图像中物体的任务是:

答案:物体识别LeNet-5是一种经典的什么类型的神经网络?

答案:卷积神经网络卷积神经网络(CNN)中，池化层(Poolinglayer)的作用是什么?

答案:减少计算量和参数数量什么是卷积神经网络中的局部感受野?

答案:网络能