2025人工智能领域计算机视觉算法技术考核试卷及答案

2025人工智能领域计算机视觉算法技术考核试卷及答案一、单选题（每题2分，共20分）1.在YOLOv8中，若输入图像尺寸为640×640，主干网络采用CSPDarknet53，则第3个CSP模块输出的特征图尺寸为A.80×80×256 B.40×40×512 C.20×20×1024 D.10×10×2048答案：B解析：CSPDarknet53下采样倍率为8，640/8=80，但第3个CSP位于第3次下采样后，倍率为16，故640/16=40，通道数512。2.VisionTransformer中，若patchsize=16，输入224×224×3，则Transformerencoder的序列长度（含clstoken）为A.196 B.197 C.198 D.199答案：B解析：(224/16)^2=196个patch，加1个clstoken，共197。3.使用FocalLoss训练RetinaNet时，若γ=2，某正样本pt=0.9，则其损失权重相对于pt=0.5的样本缩小倍数约为A.0.04 B.0.25 C.0.5 D.1答案：A解析：权重系数(1pt)^γ，0.1^2=0.01，0.5^2=0.25，缩小0.01/0.25=0.04。4.在CenterNet中，若heatmap峰值响应为1，高斯核σ=2，则距峰值点3像素处的响应值约为A.0.105 B.0.325 C.0.605 D.0.825答案：B解析：高斯公式exp(3²/2σ²)=exp(9/8)=0.325。5.使用RandAugment时，若N=2，M=9，则最多可生成的不同增强策略数为A.784 B.902 C.1024 D.1296答案：D解析：14种变换，每次选2种，顺序有关，重复允许，14×14×（M+1）²=14²×10²=19600，但官方实现去重后为1296。6.在MaskRCNN的ROIAlign中，若ROI宽高均为7像素，采样点数为4，则每个bin的采样点坐标步长为A.0.5 B.1.0 C.1.75 D.2.0答案：C解析：7像素分2×2bin，每bin宽高3.5，采样点2×2，步长3.5/2=1.75。7.使用KnowledgeDistillation，教师模型Softmax温度T=4，学生模型T=1，则蒸馏损失中KL散度权重通常应A.与T²成正比 B.与T²成反比 C.与T成正比 D.固定0.5答案：A解析：梯度幅度随T²增大而增大，故权重需乘以T²以平衡量级。8.在DeformableDETR中，若编码器层数为6，每层参考点偏移量维度为2，则单头注意力可学习偏移参数量占整个编码器参数量的比例约为A.0.3% B.1.2% C.3.8% D.8.5%答案：B解析：偏移仅两层线性映射，参数量2×2×256=1024，编码器总参数量约85M，占比≈1.2%。9.使用Mosaic数据增强时，若单张图概率为0.5，则4张图拼接的期望出现概率为A.0.0625 B.0.125 C.0.5 D.1.0答案：C解析：Mosaic开关由超控概率0.5决定，与内部4图无关，期望即0.5。10.在SwinTransformer中，若窗口大小为7×7，特征图尺寸14×14，则ShiftedWindow后，需计算mask的窗口数为A.4 B.9 C.16 D.25答案：B解析：14/7=2，移位后3×3=9个窗口，其中4个完整，5个需mask。二、多选题（每题3分，共15分，多选少选均不得分）11.下列哪些操作可缓解目标检测中小目标漏检A.增加P2特征层 B.使用AnchorFree头 C.引入CBAM注意力 D.提高NMS阈值至0.7答案：A、C解析：P2保留高分辨率，CBAM增强通道与空间权重；AnchorFree与NMS阈值对漏检无直接增益。12.关于SelfSupervisedLearning对比方法，正确的是A.MoCov3采用ViT作为编码器 B.SimSiam无需负样本 C.BYOL使用动量编码器 D.SwAV在线聚类答案：A、B、D解析：BYOL无需动量编码器，其在线网络即可。13.在TensorRT部署YOLOv7时，下列层可能导致重构失败A.DynamicReLU B.SiLU C.ImplicitKnowledge D.GridSampler答案：A、C、D解析：ImplicitKnowledge为Pytorch自定义，GridSampler动态形状，DynamicReLU条件分支；SiLU已原生支持。14.关于VisionTransformer位置编码，说法正确的是A.1D编码无法泛化到任意分辨率 B.2D编码可扩展至更大图 C.相对位置编码可插值 D.去掉位置编码掉点<0.5%答案：A、B、C解析：去掉位置编码ImageNet掉点约3%，非0.5%。15.在DeepLabv3+中，ASPP模块包含A.1×1conv B.3×3convrate=6 C.3×3convrate=18 D.GlobalAveragePooling答案：A、B、C、D解析：官方实现四项俱全。三、填空题（每空2分，共20分）16.在EfficientDet中，BiFPN第3层输入分辨率为80×80，通道数________，重复堆叠次数________。答案：160；3解析：EfficientDetD0配置，通道160，BiFPN重复3次。17.使用CutMix时，若λ~Beta(1,1)采样得0.7，则图像A占比________，标签平滑后交叉熵权重为________。答案：0.7；0.7解析：Beta(1,1)即Uniform，λ=0.7直接作面积比与损失权重。18.在FairMOT中，ReID维度设为________，采用________损失度量特征。答案：128；CircleLoss解析：官方开源默认128维，CircleLoss优于Triplet。19.当使用SyncBN训练Mask2Former，BatchSizePerGPU=2，GPU=8，则实际等效BN批量为________。答案：16解析：SyncBN跨卡同步，2×8=16。20.在DINO中，教师模型EMA更新系数默认________，学生温度________。答案：0.996；0.1解析：DINO自监督设定。四、判断改错题（每题2分，共10分，先判对错，若错则给出正确表述）21.DeiT训练时，使用HardDistillation默认将clstoken替换为distillationtoken。答案：错。正确：DeiT仍保留clstoken，额外添加distillationtoken，两者并列。22.YOLOv5的anchor设置通过kmeans++聚类COCOtrain2017自动获得。答案：错。正确：YOLOv5作者直接手工设定9组anchor，未重新聚类。23.ConvNeXt将ResNet的3×3卷积全部替换为7×7深度可分离卷积。答案：错。正确：ConvNeXt使用7×7depthwise，但非“全部”，下采样层仍为4×4stride=2。24.在ViT微调时，若图像分辨率从224提至384，需对绝对位置编码进行2D线性插值。答案：对。25.FCOS的centerness分支采用BCE损失，标签为0~1连续值。答案：对。五、简答题（每题8分，共24分）26.描述MaskDINO相较于Mask2Former的三项核心改进，并给出在COCOval2017上的maskAP增益。答案：1)统一检测与分割query，共享decoder，减少冗余；2)引入对比式去噪训练，加速收敛；3)使用混合匹配cost，结合maskcost与boxcost，提升正样本质量。增益：maskAP+1.8（49.2→51.0）。27.解释为何在自监督学习中，BYOL不会出现模型坍塌，并给出其关键组件。答案：关键组件：1)在线网络+目标网络双分支；2)目标网络用EMA更新；3)预测器仅在线分支；4)不使用负样本，但通过EMA与预测器构成隐式对比，阻止常数输出；5)归一化保持方差。梯度分析表明，若在线输出恒定，预测器梯度为零，无法更新，故系统被迫学习有意义特征。28.列举三种可在边缘端部署的INT8量化误差校正方法，并比较其计算开销。答案：1)CrossLayerEqualization：逐通道缩放，无数据，开销<1s；2)BiasCorrection：用1024张校准图估计均值偏移，开销≈30s；3)AdaRound：优化取整阈值，需反向传播，开销≈10min；开销排序：CLE<BiasCorr<AdaRound。六、计算与推导题（共31分）29.（10分）给定RetinaNet输出特征图尺寸32×32×9×80，batch=8，采用FocalLossα=0.25，γ=2。若某正样本pt=0.95，负样本pt=0.05，分别计算其FocalLoss值，并给出整图正负样本比例1:3时的期望损失。答案：正样本：FL=0.25×(10.95)^2×log(0.95)=0.25×0.0025×(0.051)=3.19×10⁻⁵负样本：FL=0.75×(0.05)^2×log(0.95)=0.75×0.0025×(0.051)=9.56×10⁻⁵期望：E[FL]=(1/4)×3.19e5+(3/4)×9.56e5=7.96×10⁻⁵30.（11分）在DETR中，设匹配costL=λ_cls·L_cls+λ_L1·L_box+λ_giou·L_giou，其中λ_cls=2，λ_L1=5，λ_giou=2。对某预测框(bx,by,bw,bh)=(0.5,0.5,1.2,1.2)，真值(0.4,0.55,1.0,1.0)，计算L1损失与GIoU损失，并给出最终cost。答案：L1=|0.50.4|+|0.50.55|+|1.21.0|+|1.21.0|=0.1+0.05+0.2+0.2=0.55GIoU：交集面积=1×1=1，并集=1.2×1.2+1×11=1.44，IoU=1/1.44=0.694，GIoU=IoU(CA∪B)/C，C=(max(1.2,1))²=1.44，GIoU=0.694(1.441.44)/1.44=0.694，故L_giou=10.694=0.306cost=2×L_cls+5×0.55+2×0.306=2L_cls+2.75+0.612=2L_cls+3.362（L_cls视具体类别概率而定，此处保留表达式）。31.（10分）给定SwinTiny模型，输入224×224，patch=4×4，窗口=7×7，嵌入维96，层数[2,2,6,2]，自注意力头数[3,6,12,24]。计算整个模型WMSA与SWMSA的乘法次数（FLOPs）近似值，忽略偏置与激活。答案：阶段1：特征56×56，窗口数8×8=64，每窗口49²×96×3×2=6912×96×2=1.33e6FLOPs，共1.33e6×64×2=1.70e8阶段2：28×28，窗口4×4=16，头6，每窗口49²×192×6×2=2.66e6，共2.66e6×16×2=8.52e7阶段3：14×14，窗口2×2=4，头12，每窗口49²×384×12×2=1.06e7，共1.06e7×4×6=2.55e8阶段4：7×7，窗口1×1=1，头24，每窗口49²×768×24×2=8.51e7，共8.51e7×1×2=1.70e8总FLOPs≈1.70e8+8.52e7+2.55e8+1.70e8=6.8e8，乘2为SWMSA相同，故总1.36e9FLOPs。七、编程实现题（共30分）32.阅读下列PyTorch代码片段，补全缺失部分，实现“可变形卷积v2”前向，要求支持自定义步长与padding，且返回mask分支。```pythonimporttorchimporttorch.nnasnnfromtorchvision.opsimportdeform_conv2dclassDCNv2(nn.Module):def__init__(self,c_in,c_out,k=3,s=1,p=1,g=1):super().__init__()self.c_in,self.c_out,self.k,self.s,self.p,self.g=c_in,c_out,k,s,p,gself.conv_offset=nn.Conv2d(c_in,2kk,k,s,p,bias=True)self.conv_mask=nn.Conv2d(c_in,kk,k,s,p,bias=True)self.conv=nn.Conv2d(c_in,c_out,k,s,p,groups=g,bias=False)self.init_weights()definit_weights(self):nn.init.constant_(self.conv_offset.weight,0.)nn.init.constant_(self.conv_offset.bias,0.)nn.init.constant_(self.conv_mask.weight,0.)nn.init.constant_(self.conv_mask.bias,0.)defforward(self,x):offset=self.conv_offset(x)mask=torch.sigmoid(self.conv_mask(x))out=deform_conv2d(x,offset,self.conv.weight,self.conv.bias,stride=self.s,padding=self.p,dilation=1,mask=mask)returnout```答案：如上代码已完整，缺失部分为deform_conv2d调用中传入mask参数。33.实现“在线困难样本挖掘”（OHEM）交叉熵，要求topk比例=0.3，支持多卡同步。```pythonclassOhemCELoss(nn.Module):def__init__(self,topk=0.3,ignore_index=255):super().__init__()self.topk=topkself.ignore_index=ignore_indexself.crit=nn.CrossEntropyLoss(reduction='none')defforward(self,logits,labels):loss=self.crit(logits,labels)mask=labels!=self.ignore_indexloss=loss[mask]ifloss.numel()==0: