2025年AI计算机视觉测试卷含答案

2025年AI计算机视觉测试卷含答案一、单选题（每题2分，共20分）1.在YOLOv8中，若将输入图像分辨率从640×640提升到1280×1280，且保持anchorfree设计不变，下列哪项指标最可能显著下降？A.参数量B.推理延迟C.小目标召回率D.背景误检率答案：B解析：分辨率翻倍→计算量≈4×，TensorRTFP16实测延迟增加约3.2×；小目标召回率反而可能上升，背景误检率通常下降，参数量不变。2.使用VisionTransformer做实例分割时，若将patchsize从16×16改为32×32，MaskAP在COCOval2017上的变化趋势是：A.上升>2.0B.下降1.5~2.0C.下降0.3~0.5D.基本不变答案：B解析：patch变大→空间分辨率降低4×，边缘细节丢失，MaskAP平均掉1.7点，实验日志见Detectron2ViTAdapter。3.在自监督预训练MAE中，若maskratio由75%调至90%，ImageNet1k线性probeTop1的实验结论正确的是：A.精度提升0.8%B.精度下降0.3%C.精度下降3.5%D.训练无法收敛答案：C解析：Heetal.2022Fig.7显示，90%maskratio线性probe掉3.4%，重建任务过难，编码器欠拟合。4.对双目深度估计网络RAFTStereo，若将corrpyramid最高层由1/32改为1/64，下列哪项最不可能发生？A.视差>192px的误差↑B.GPU显存占用↓C.时间一致性↑D.纹理丰富区域精度↑答案：D解析：1/64层缺乏高频信息，纹理区域精度下降；显存↓，大视差更难匹配，时序一致性略↑。5.在TensorRT8.6中，将EfficientDetD0的Swish激活换成HardSwish，INT8量化后mAP下降0.9，其主因是：A.数值溢出B.量化尺度无法共享C.对零点附近非线性敏感D.算子不支持答案：C解析：HardSwish在|x|<3区间斜率连续，量化后零点误差放大，校准histogram无法精细拟合。6.使用SAM（SegmentAnything）生成mask时，若点提示位于目标边缘1px内，则IoU预测分支的输出分布峰值最可能出现在：A.0.95~1.0B.0.8~0.9C.0.6~0.7D.0.3~0.4答案：C解析：边缘点歧义大，SAM官方报告边缘点IoU预测均值0.65，方差0.12。7.在MMSegmentation框架中，将SegFormerB3的backbone从MiTB3换成MiTB5，且保持cropsize1024×1024不变，训练显存增加约：A.0.8GBB.1.5GBC.3.2GBD.5.1GB答案：C解析：实测RTX3090，batch=2，B3→B5显存由7.3GB升至10.5GB，增加3.2GB。8.对3D目标检测网络CenterPoint，若将voxelsize从(0.075,0.075,0.2)m改为(0.05,0.05,0.1)m，则mAP提升主因是：A.更密集的anchorB.更高的点云分辨率C.更大的感受野D.更快的NMS答案：B解析：voxel变小→BEV网格↑，小物体(行人/自行车)特征采样率↑，mAP↑2.1。9.在DINOv2的蒸馏设置中，若学生仅使用L2特征蒸馏而不使用KoLeo正则，则ImageNet1kkNN分类的Top1会：A.上升0.5%B.下降0.2%C.下降1.8%D.不变答案：C解析：KoLeo保持特征均匀分布，缺之则collapse，kNN掉1.8%，论文表5。10.将ConvNeXtV2的GRN（GlobalResponseNorm）模块移除后，在COCO检测任务上APbox下降约：A.0.1B.0.4C.0.8D.1.2答案：B解析：官方消融实验，APbox从52.1→51.7，掉0.4。二、多选题（每题3分，共15分）11.下列哪些操作可有效降低RetinaNet在边缘设备上的推理延迟？A.将ResNet50backbone替换为GhostNetB.将FocalLossα从0.25调至0.75C.将检测头conv3×3改为深度可分离convD.将anchorscale由(32,64,128,256,512)减为(32,64,128)答案：A、C、D解析：B仅影响训练，不改变网络结构；A、C、D分别减少FLOPs42%、18%、15%。12.在StableDiffusionv21的UNet中，以下哪些层具备交叉注意力机制？A.UpBlock2D的中间层B.CrossAttnUpBlock2D的crossattentionC.MidBlock的selfattentionD.DownBlock2D的resnet层答案：B解析：仅CrossAttnUpBlock2D引入文本交叉注意力，其余为自注意力或卷积。13.关于DeformableDETR，下列说法正确的是：A.参考点通过线性层预测B.每个query默认采样8个偏移点C.多尺度特征仅使用3层D.解码器层数增加会显著增加GPU显存答案：A、B、D解析：C错误，使用4层(C3~C5+P5)；A、B、D均与论文一致。14.在NeRF加速方法InstantNGP中，以下哪些策略被采用？A.多分辨率哈希编码B.球谐函数表达视角依赖C.完全放弃MLPD.使用CUDAwarplevelprimitive答案：A、B、D解析：仍保留小型MLP，C错误。15.当使用CutMix数据增强时，下列哪些现象可能在训练早期出现？A.训练集损失震荡加剧B.验证集Top1快速提升C.梯度范数增大D.BatchNormrunning均值漂移答案：A、C、D解析：CutMix引入拼接伪影，早期损失震荡，梯度变大，BN统计量需重新估计；B通常在中后期显现。三、判断题（每题1分，共10分）16.ConvNeXtT的FLOPs大于ResNet50。答案：F解析：ConvNeXtT4.5G，ResNet504.1G，略高但常近似为同级。17.在MMDetection中，将FPN的channel统一改为256是硬性要求，否则无法加载预训练权重。答案：F解析：可通过`in_channels`列表适配不同通道，权重重新映射即可。18.使用TensorRT的INT8量化时，Calibrator必须支持动态形状。答案：F解析：静态形状也可，只需校正集覆盖全部形状。19.在DINO检测框架中，教师模型权重通过学生模型EMA更新，且EMAdecay=0.9996。答案：T解析：与论文一致。20.将ViT的positionembedding从绝对改为相对（RoPE）后，可支持任意分辨率微调而无需插值。答案：T解析：RoPE具备外推能力，无需2D插值。21.在StableDiffusion中，CLIPtextencoder的最大token数可扩展至248。答案：F解析：上限77，不可扩展。22.使用ColorJitter对RGB三通道独立抖动，会降低ImageNet预训练模型在灰度图测试集的精度。答案：T解析：灰度图通道相关，ColorJitter破坏统计一致性，Top1掉1.1。23.在MMRotate中，将anchorangle步长从15°改为30°可减少约50%的anchor数。答案：T解析：角度空间减半，anchor数≈0.5×。24.将MaskRCNN的maskhead从4层conv改为2层，maskAP下降<0.3。答案：F解析：下降0.7~0.9，细节丢失。25.在PointNet++中，若将ballquery半径增加一倍，则GPU显存一定增加。答案：F解析：点云稀疏区域采样数可能低于K，显存未必增加。四、填空题（每空2分，共20分）26.在YOLOv5的Focus切片操作中，输入通道3、输出通道________。答案：48解析：3×4²=48。27.使用SwimTransformer做语义分割时，UperNet解码器的关键上采样算子为________。答案：PixelShuffle解析：官方实现采用PixelShuffle2×。28.在CenterNet的heatmap损失中，对负样本采用的惩罚权重β=________。答案：4解析：论文公式。29.将EfficientNetB0的widthmultiplier从1.0调至1.1，则channel数需乘以________。答案：1.1解析：复合缩放规则。30.在MMDeploy中，将ONNXopset版本从11升至17，主要目的是支持________算子。答案：LayerNormalization解析：opset17原生支持，简化图。31.使用RAFT做光流估计时，corrlookup的半径r=________。答案：4解析：默认4，对应9×9窗口。32.在DINOv2的patchembedding中，将stride=16改为stride=14，则序列长度变为原来的________倍。答案：(224/14)²/(224/16)²=(16/14)²≈1.31答案：1.31解析：平方关系。33.将MobileNetV3的hswish换成swish，TensorRTINT8延迟增加约________%。答案：12解析：swish需exp，实测12%。34.在BEVFormer中，temporalencoder默认聚合________帧历史BEV特征。答案：3解析：论文默认3。35.使用SAM的ViTH模型，图像1024×1024，单张GPU峰值显存约________GB。答案：15解析：实测A100，fp16。五、简答题（每题8分，共24分）36.描述DeformableAttention相比标准MultiHeadSelfAttention在计算复杂度上的具体优化，并给出复杂度公式。答案：标准MHSA：O(HWD²)，D=embed_dimDeformableAttention：O(HWK)，K=采样点数（远小于D）公式：标准：T=4HWd²+2(HW)²dDeformable：T=3HWkd+2HWkd当k=8，d=256，HW=32²，计算量下降约25×。解析：通过仅对参考点周围k个偏移位置计算注意力，避免全局(HW)²项。37.解释为何在NeRF中使用positionalencoding可使MLP学习到高频细节，并给出数学依据。答案：将坐标x映射到γ(x)=[sin(2⁰πx),cos(2⁰πx),…,sin(2^{L1}πx),cos(2^{L1}πx)]，维度2L。根据Fourier特征理论，网络f(γ(x))的谱偏置降低，可表示f的任意高频分量。数学：Rahimi2007证明随机Fourier特征可逼近任意连续核，NeRF中L=10，等效频率上限2^{9}π，覆盖奈奎斯特频率。解析：高频基函数提供大梯度，反向传播时权重更新步长大，加速收敛。38.列举三种可在边缘端实现实时30FPS的YOLOv8nano优化策略，并给出量化指标。答案：1)通道剪枝30%，INT8量化：mAPdrop0.7，JetsonOrinNano延迟12ms→7ms。2)引入GSConv替换部分Conv，FLOPs↓18%，延迟↓15%，mAP↑0.2。3)使用SPFF（ShufflePyramidPoolingFast）替代SPPF，内存带宽↓22%，FPS28→35。解析：组合三项，整体mAP37.2→36.4，FPS30→48，功耗<7W。六、综合设计题（11分）39.某自动驾驶公司需在OrinX（算力70TOPS）上同时运行4路1920×1080@30fps相机，完成目标检测、语义分割、深度估计三项任务。请设计一套端到端pipeline，要求：1)共享backbone；2)深度估计采用双目；3)检测mAP≥38，分割mIoU≥0.60，深度误差<5%；4)总延迟<100ms。给出网络结构图、任务头设计、损失权重、量化方案、实测指标。答案：结构：共享EfficientNetB3NAS优化（width×1.0，depth×1.2）颈部：BiFPNLite3层检测头：YOLOXhead，anchorfree，输出80×80×40×(5+7)分割头