2025年(工科)人工智能(计算机视觉方向)试题及答案

2025年(工科)人工智能(计算机视觉方向)试题及答案一、单项选择题（每题2分，共20分）1.在YOLOv8中，若将输入图像由640×640放大至1280×1280，且保持anchorfree机制，下列哪一项最可能显著增加？A.正样本数量B.负样本数量C.检测头参数量D.损失函数中obj分支权重答案：A解析：输入分辨率翻倍后，网格密度翻倍，每个目标可被分配到的正样本中心点增多，故正样本数量显著上升；YOLOv8仍采用anchorfree，中心点落在目标内的网格点即为正样本。2.使用VisionTransformer做目标检测时，若将patchsize由16×16改为32×32，且保持图像尺寸不变，则模型感受野的变化为：A.缩小一半B.保持不变C.扩大一倍D.与patchsize无关答案：B解析：ViT的感受野在理论上始终覆盖全图，patchsize只影响token数量与局部纹理粒度，不改变全局感受野。3.在双目立体匹配中，采用Census变换代价聚合后，再使用SGM优化，其主要目的是：A.降低光照变化影响B.提高弱纹理区域精度C.减少遮挡区域误匹配D.加速GPU并行答案：B解析：Census对光照鲁棒，SGM通过多路径聚合平滑视差，特别改善弱纹理区域一致性。4.若将MaskRCNN的RoIAlign输出尺寸由7×7改为14×14，而mask分支FCN仍保持28×28上采样，则maskAP最可能：A.提升>1.5B.提升<0.5C.下降>1.0D.几乎不变答案：B解析：RoIAlign分辨率提高使空间细节更丰富，但mask分支上采样仍到28×28，增益有限，AP提升通常<0.5。5.在自监督对比学习MoCov3中，若将queuesize从65536减至4096，则InfoNCE损失的温度系数τ=0.07时，训练100epoch后ImageNet线性评估Top1最可能：A.上升0.8%B.下降1.2%C.下降3.5%D.几乎不变答案：C解析：队列缩小导致负样本多样性骤降，对比学习难度降低，表征泛化能力减弱，Top1下降约3~4%。6.将EfficientNetB0的SE模块替换为ECA模块，并保持FLOPs不变，则在ImageNet上的Top1准确率通常：A.提升0.3%B.下降0.1%C.下降0.8%D.提升1.5%答案：A解析：ECA用一维卷积替代SE的全连接，参数量减少，但通道交互略有损失，整体提升0.2~0.4%。7.使用TensorRT8.6对YOLOv5s做INT8量化时，若校准集仅含100张与训练集分布差异较大的图像，则mAP50的下降最可能：A.0.2%B.0.7%C.2.1%D.4.5%答案：D解析：校准集分布漂移导致量化尺度估计偏差，INT8下mAP50可掉3~5%。8.在3D点云分割中，将KPConv的kernelpoints数量由15增至30，而保持网格分辨率不变，则显存占用约：A.增加15%B.增加50%C.翻倍D.增加5%答案：B解析：kernelpoints翻倍使卷积核参数量翻倍，但显存占用还包括特征图与索引结构，综合约+50%。9.对于CenterNet，若将hm分支的focallossα从2改为4，则训练过程中负样本梯度权重：A.增大B.减小C.先增后减D.不变答案：B解析：focalloss中α越大，正样本权重越高，负样本梯度权重相对减小。10.在视频动作识别SlowFast网络中，若Fast路径α=8，帧率30fps，输入clip64帧，则Slow路径实际采样帧数为：A.4B.8C.16D.32答案：B解析：Slow路径时间采样率为Fast的1/α，64/8=8帧。二、多项选择题（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语义分割任务中的“域漂移”？A.使用FDA风格迁移做源域图像预处理B.在DeepLabv3+中加入ASPP模块C.采用AdversarialDropout做域适应D.在损失中加入类别重加权答案：A、C解析：FDA与AdvDrop直接对齐源域与目标域特征分布；ASPP与重加权不针对域漂移。12.关于VisionTransformer的位置编码，下列说法正确的是：A.1Dsincos编码无法扩展至任意分辨率B.相对位置编码在图像分类中一定优于绝对编码C.去掉位置编码后，纯ViT在ImageNet下降约3%D.CPVT的条件位置编码可实现任意分辨率零样本迁移答案：A、C、D解析：相对编码在检测分割任务更优，分类任务优势不绝对。13.在目标检测中，使用GIoU损失相比L1损失的优势包括：A.对框尺度变化更鲁棒B.收敛速度更快C.可直接优化IoU度量D.对旋转框仍可直接应用答案：A、B、C解析：GIoU需修改为RotatedIoU才能用于旋转框。14.下列哪些方法可用于提升小目标检测召回率？A.在FPN中增加P2层B.使用复制粘贴小目标数据增强C.将NMS阈值从0.5降至0.3D.将anchor面积缩小4倍答案：A、B、D解析：降低NMS阈值会引入更多冗余框，反而可能降低召回。15.关于知识蒸馏，下列说法正确的是：A.使用中间特征蒸馏时，通常需做spatialalignB.温度升高会使softlabel更尖锐C.自蒸馏可在无额外教师网络下提升性能D.蒸馏损失与任务损失加权比例通常需网格搜索答案：A、C、D解析：温度升高使softlabel更平滑，非更尖锐。三、填空题（每空2分，共20分）16.在DeiT中，用于蒸馏的token称为________token，其与classtoken共享________层。答案：distillation，Transformer解析：DeiT引入distillationtoken，与classtoken并行，通过Transformer层交互。17.若使用RANSAC估计单应矩阵，内点阈值设为2pixel，迭代次数自适应公式为N=log(1−p)/log(1−w^n)，其中w=0.5，n=4，置信度p=0.99，则N≈________。答案：72解析：log(1−0.99)/log(1−0.5^4)=log(0.01)/log(0.9375)≈72。18.在PSMNet中，代价聚合采用________小时glass模块，其参数量约占总网络的________%。答案：3D，80解析：PSMNet的3DCNNhourglass占参数量约80%。19.将MobileNetv2的ReLU6替换为________激活，可在INT8量化后减少________%的CLIPPING误差。答案：HSwish，40解析：HSwish平滑且边界无截断，实验测得clipping误差降约40%。20.在FairMOT中，将ReID特征维度从128降至64，MOTA会下降约________，但FPS提升约________。答案：0.8，15解析：FairMOT论文报告降维后MOTA掉0.8，GPU提速约15%。四、简答题（每题8分，共24分）21.描述DeformableDETR中multiscaledeformableattention的计算流程，并指出其相对标准Transformer的自注意力在计算复杂度上的优势。答案：流程：1)对多尺度特征图{P2,P3,P4,P5}，每个查询点q预测K个采样偏移Δp_k与注意力权重A_k；2)采用双线性插值在对应尺度上采样K个位置特征；3)加权求和得输出特征。复杂度优势：标准自注意力为O(HW)^2，而deformableattention仅对K个采样点（K<<HW）计算，复杂度降为O(HW·K)，显存与计算随空间尺寸线性增长，可处理高分辨率特征图。22.说明在3D点云检测中，VoxelRCNN为何在voxelization后仍能保持较高的几何精度，并给出其关键设计。答案：关键设计：1)采用voxelfeatureencoding（VFE）捕获点云内局部形状；2)提出voxelRoIpooling，直接在3Dvoxel空间提取proposal特征，避免BEV投影导致的高度信息损失；3)引入voxelkeysampling，仅对前景voxel做后续计算，减少量化误差累积；4)使用densevoxeltopoint映射，在refinement阶段恢复原始点级坐标，使定位误差<0.05m。23.对比SimCLR与BYOL在负样本使用上的差异，并解释BYOL为何不会出现“模型崩塌”。答案：SimCLR依赖大批量负样本，通过InfoNCE推开不同样本；BYOL完全无需负样本，采用online与target双网络，target网络用EMA更新，预测器p将online特征映射至target空间，损失为MSE。BYOL通过EMA与predictor引入不对称性，若online输出常数，target亦缓慢趋同，但predictor无梯度捷径，无法稳定收敛到常数，从而避免崩塌。五、计算与推导题（共21分）24.（10分）给定一个单目相机内参矩阵K=[[1000,0,320],[0,1000,240],[0,0,1]]，图像中检测到一个车辆底面矩形框，像素坐标(200,400),(600,400),(600,500),(200,500)，已知车辆实际宽1.8m、高1.5m，地面平面方程Y=0，相机高度h=1.6m。求相机相对于车辆中心的3D偏移量(X,Z)。答案：1)将像素坐标转为归一化坐标：x̂=(u−c_x)/f_x，得x1=−0.12，x2=0.28，平均x=0.08；2)实际半宽0.9m对应像素半宽200px，则比例尺s=0.9/200=0.0045m/px；3)深度Z=f_x·s=1000×0.0045=4.5m；4)中心像素u=400，X=(400−320)/1000·Z=0.08×4.5=0.36m；故相机位于车辆中心右0.36m，后4.5m，即(0.36,4.5)。25.（11分）在知识蒸馏中，给定教师logitsz_t=[3,1,−2]，学生logitsz_s=[2.5,0.8,−1.5]，温度τ=4，求：a)计算蒸馏损失L_KD（仅考虑交叉熵部分）；b)若真实标签y=0，加权系数α=0.7，总损失L=αL_CE+(1−α)L_KD，求L。答案：a)软化概率：p_t=softmax(z_t/τ)=[0.576,0.259,0.165]；p_s=softmax(z_s/τ)=[0.559,0.267,0.174]；L_KD=−Σp_tlogp_s=0.576×(−log0.559)+0.259×(−log0.267)+0.165×(−log0.174)=0.576×0.581+0.259×1.320+0.165×1.749≈0.335+0.342+0.289=0.966。b)L_CE=−logsoftmax(z_s)[0]=−log0.659=0.417；L=0.7×0.417+0.3×0.966≈0.292+0.290=0.582。六、综合设计题（共40分）26.某工业视觉项目需对传送带上直径5~15mm的金属螺母进行实时6D位姿估计，要求单帧延迟<30ms，GPU为RTX3060，内存6GB。请：1)提出完整算法方案（含检测、分割、位姿回归）；2)给出数据增强与标签策略；3)设计轻量化网络并估算显存与FLOPs；4)说明如何在不使用深度相机条件下仅利用单目RGB完成深度估计。答案：1)方案：a)检测：采用YOLOv5nano，输入640×480，输出螺母2D框；b)分割：在检测框内运行轻量MaskRCNN（ResNet18FPN），输出螺母mask；c)位姿：基于稠密对应（DenseFusion思想），在mask内均匀采样256点，用PointNet++提取几何特征，与RGB特征融合后回归3D关键点（螺母中心+三点），再用PnP+RANSAC求6D位姿；d)后处理：时序滤波（EKF）平滑抖动。2)数据增强：随机背景替换、HSJ噪点、随机阴影、螺母间遮挡合成；标签：使用Blender