计算机视觉算法工程师岗位招聘考试试卷及答案

计算机视觉算法工程师岗位招聘考试试卷及答案一、填空题（共10题，每题1分）1.OpenCV默认读取图像的通道顺序是______。2.卷积神经网络中，池化层的核心作用是______和保留关键特征。3.YOLOv5输入端常用的图像增强方法包括______和MixUp。4.图像分类任务最常用的损失函数是______损失。5.目标检测中IoU的全称是______。6.Transformer注意力机制的核心计算是______（Q、K、V的点积）。7.图像预处理中，常见的归一化方式是______归一化。8.语义分割基础网络FCN的全称是______。9.光流法的主要作用是计算图像序列中______。10.视觉SLAM中视觉里程计的缩写是______。二、单项选择题（共10题，每题2分）1.以下属于生成对抗网络的是（）A.VGGB.GANC.ResNetD.FCN2.不属于图像去噪的算法是（）A.高斯滤波B.中值滤波C.HOGD.均值滤波3.YOLOv1输出特征图的尺寸是（）A.7×7B.13×13C.26×26D.52×524.以下属于自监督学习方法的是（）A.图像分类B.目标检测C.对比学习D.语义分割5.常见8位图像的像素值范围是（）A.0-1B.0-255C.0-1024D.0-655356.卷积核3×3、步长2、输入5×5，输出尺寸是（）A.2×2B.3×3C.4×4D.5×57.U-Net的核心结构是（）A.仅下采样B.仅上采样C.编解码+跳连接D.无池化8.具有尺度不变性的特征提取算法是（）A.HOGB.SIFTC.HarrisD.Hough9.TensorFlow的静态图模式是（）A.EagerExecutionB.GraphModeC.PyTorchD.Keras10.SORT目标跟踪的核心是（）A.卡尔曼滤波+匈牙利算法B.仅卡尔曼滤波C.仅匈牙利算法D.Transformer三、多项选择题（共10题，每题2分）1.目标检测算法包括（）A.YOLOB.FasterR-CNNC.MaskR-CNND.SSD2.图像预处理步骤包括（）A.归一化B.ResizeC.马赛克增强D.去噪3.神经网络激活函数包括（）A.ReLUB.SigmoidC.TanhD.Linear4.视觉SLAM组成部分包括（）A.视觉里程计B.回环检测C.建图D.定位5.生成模型包括（）A.GANB.VAEC.DiffusionModelD.ResNet6.图像特征提取方法包括（）A.HOGB.SIFTC.CNND.ViT7.自监督学习任务包括（）A.图像旋转预测B.拼图游戏C.对比学习D.目标检测8.卷积层参数包括（）A.卷积核大小B.步长C.填充D.通道数9.语义分割评价指标包括（）A.mIoUB.PixelAccuracyC.F1ScoreD.Accuracy10.视频处理算法包括（）A.光流法B.3DCNNC.ViViTD.SIFT四、判断题（共10题，每题2分）1.OpenCV读取的图像是RGB顺序（）2.池化层可减少参数数量（）3.YOLOv5是单阶段检测算法（）4.Transformer无需卷积操作（）5.VGG16有16层全连接层（）6.FCN用全卷积代替全连接层（）7.GAN由生成器和判别器组成（）8.光流法可计算像素运动（）9.VO可实现全局定位（）10.对比学习正样本是同一图像的不同增强（）五、简答题（共4题，每题5分）1.简述卷积层的核心作用？2.对比单阶段（YOLO）和双阶段（FasterR-CNN）检测的区别？3.简述自注意力机制的计算过程？4.图像预处理为什么要归一化？六、讨论题（共2题，每题5分）1.如何提升小目标检测的性能？2.自监督学习在计算机视觉中的应用前景？---答案部分一、填空题1.BGR2.降维（减少计算量）3.马赛克增强4.交叉熵5.交并比（IntersectionoverUnion）6.QKV点积7.均值方差8.全卷积网络（FullyConvolutionalNetworks）9.像素运动信息10.VO二、单项选择题1-5:BCACB6-10:ACBBA三、多项选择题1.ABCD2.ABCD3.ABCD4.ABCD5.ABC6.ABCD7.ABC8.ABCD9.ABCD10.ABC四、判断题1.×2.√3.√4.√5.×6.√7.√8.√9.×10.√五、简答题1.卷积层通过卷积核滑动提取图像边缘、纹理等特征；参数共享减少计算量；步长/填充控制输出尺寸，适配网络结构。2.单阶段直接输出类别和位置，速度快精度稍低；双阶段先提候选框（RPN）再分类回归，精度高速度慢；单阶段适合实时场景，双阶段适合高精度需求。3.输入映射为Q（查询）、K（键）、V（值）；计算Q与K的点积相似度，Softmax归一化得权重；权重与V加权求和，捕捉全局特征依赖。4.使各通道像素分布一致，避免数值差异影响训练；加快梯度下降收敛；减少图像亮度/对比度差异对特征提取的干扰。六、讨论题1.①输入增强：小目标裁剪、缩放；②网络结构：多尺度融合（FPN）、增大感受野；③损失函数：调整小目标IoU权重（GIoU/DIoU）；④后处