2025年人工智能(计算机视觉与人工智能)试卷及答案

2025年人工智能(计算机视觉与人工智能)试卷及答案一、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放大到1280×1280，且保持anchorfree设计，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.NMS后处理耗时答案：C解析：输入分辨率翻倍，检测头（Head）中用于分类与回归的卷积层通道数不变，但特征图尺寸变为原来4倍，参数量与计算量均随像素数线性增长；anchorfree的正/负样本定义与特征图网格绑定，数量虽增加但非“显著”；NMS耗时与预测框数量呈线性关系，增幅不如参数量陡峭。2.使用VisionTransformer（ViT）做图像分类时，若将patchsize由16×16改为32×32，同等数据增广条件下，模型在ImageNet上的Top1准确率通常会：A.上升约1.5%B.下降约2.3%C.基本不变D.先升后降答案：B解析：patchsize增大导致序列长度缩短，自注意力建模细粒度能力下降，表征能力减弱；实验统计，ViTB/32比ViTB/16在ImageNet低约2.3%。3.在StableDiffusion的UNet降噪网络中，crossattention模块的主要作用是：A.增强噪声估计精度B.注入文本语义条件C.压缩特征图通道D.加速采样迭代答案：B解析：crossattention将文本编码器（CLIPTextEncoder）输出的序列作为K、V，图像特征作为Q，实现文本到图像的语义对齐。4.对于双目立体匹配网络RAFTStereo，其“多层级GRU”设计主要是为了：A.减少显存占用B.提升亚像素精度C.加速收敛D.增强对无纹理区域的鲁棒性答案：D解析：RAFTStereo在1/16、1/8、1/4分辨率级联GRU，低层提供平滑先验，高层恢复细节，有效缓解无纹理区域匹配歧义。5.在ConvNeXtV2中，将深度可分离卷积替换为“全局响应归一化（GRN）”后，模型容量主要提升来源于：A.增大感受野B.增强通道间竞争C.引入稀疏激活D.降低参数量答案：B解析：GRN通过计算通道统计量实现归一化，强化通道间竞争，提升表征迁移能力，感受野不变，参数量略增。6.当使用CutMix数据增广时，若两张图像的混合比例λ=0.7，则对应标签处理应：A.直接取第一张标签B.直接取第二张标签C.按0.7/0.3比例混合onehotD.随机丢弃一张标签答案：C解析：CutMix要求标签与图像像素面积保持一致，线性混合onehot向量。7.在DINOv2自监督预训练中，若student网络对某图像输出特征为zs，teacher网络输出zt，则InfoNCE损失中温度系数τ通常：A.对student与teacher共享且可学习B.对student固定，对teacher可学习C.对student可学习，对teacher固定D.二者均固定为0.1答案：C解析：DINOv2采用不对称温度，studentτs可学习，teacherτt固定，防止模式崩溃。8.在TensorRT8.6中，若将PyTorch的DCNv2导出为ONNX，再转为TensorRT，下列操作必须手动插入插件的是：A.变形卷积的offset生成B.变形卷积的im2col步骤C.变形卷积的modulated步骤D.变形卷积的双线性插值答案：C解析：TensorRT原生支持deformableconv前向，但modulated（引入权重mask）需自定义插件。9.在MMRotate框架中，将旋转框表示为“xywhθ”时，θ的范围通常设定为：A.[90°,90°)B.[180°,180°)C.[0°,180°)D.[0°,360°)答案：A解析：MMRotate采用长边定义法，θ∈[90°,90°)，保证w≥h，避免边界不连续。10.当使用FlashAttention2加速ViT训练时，其内存复杂度从O(n²)降至：A.O(nlogn)B.O(n)C.O(n√n)D.仍为O(n²)答案：B解析：FlashAttention通过分块softmax重计算，将显存占用与序列长度n呈线性关系。二、多项选择题（每题3分，共15分，多选少选均不得分）11.下列哪些策略可直接缓解目标检测中前景背景样本极不平衡？A.FocalLossB.OHEMC.ATSSD.GIOULoss答案：A、B、C解析：FocalLoss通过调制因子降低易分样本权重；OHEM在线挖掘困难负样本；ATSS使用自适应阈值动态划分正负样本；GIOULoss仅修正定位误差，与平衡无关。12.在NeRF加速方法中，以下哪些技术可跳过大量空白空间采样？A.OccupancyGridB.PropagationNetworkC.SphericalHarmonicsD.EmptySpaceSkipping答案：A、B、D解析：OccupancyGrid用三维网格标记空体素；PropagationNetwork预测下一步采样步长；EmptySpaceSkipping在射线行进中直接跳过大步长；SH仅用于颜色压缩，与采样无关。13.关于CLIP模型zeroshot分类，下列说法正确的是：A.文本编码器与图像编码器共享参数B.推理时无需任何训练图像C.提示模板“aphotoofa{}”可替换为“acroppedphotoofa{}”提升准确率D.在ImageNet上准确率与监督ResNet50持平答案：B、C、D解析：CLIP双塔结构参数独立；zeroshot无需下游图像；提示工程可提升12%；CLIPViTB/16zeroshot76.2%，与ResNet5076.1%持平。14.在扩散模型DDIM采样中，若将采样步数从1000减至50，可能出现：A.生成质量下降B.多样性降低C.采样过程不再随机D.确定性采样路径可复现答案：A、B、D解析：步数减少导致去噪噪声近似误差增大，FID上升；多样性下降；DDIM为确定性采样，随机性仅来源于初始潜变量，故路径可复现。15.下列哪些算子可被ONNXRuntime直接推理，无需转换到CPU？A.GridSampleB.MultiScaleDeformableAttnC.LayerNormD.CTCLoss答案：A、C解析：GridSample与LayerNorm已有CUDA实现；MSDeformAttn与CTCLoss需自定义或回退CPU。三、填空题（每空2分，共20分）16.在SwinTransformerV2中，为缓解深层梯度消失，作者提出_________归一化，将残差分支乘以一个小于1的系数。答案：postnorm解析：postnorm将LayerNorm置于残差之后，配合缩放系数，稳定训练。17.在CenterNet2中，将中心度预测分支的激活函数由Sigmoid替换为_________，以缓解正负样本分布极端不平衡。答案：GumbelSigmoid解析：GumbelSigmoid引入温度退火，使输出更尖锐，降低正负样本重叠区域模糊性。18.在MMDetection3.x中，若使用RotatedRetinaNet，其anchor生成函数名为_________。答案：PseudoRotatedAnchorGenerator解析：MMDetection采用伪旋转锚机制，先生成水平锚再旋转。19.在TensorRT中，若INT8量化的校准算法选择ENTROPY_CALIBRATION_2，则校准数据集图片数量建议不少于_________张。答案：500解析：NVIDIA官方文档指出500张可覆盖常见分布，过少导致量化误差增大。20.在Detectron2的COCO评估接口中，若设置iouThrs=[0.5:0.05:0.95]，则共计算_________个IoU阈值下的AP。答案：10解析：0.5、0.55、…、0.95共10档。21.在扩散模型训练阶段，若噪声调度采用cosineschedule，则前向过程方差β_t的初始值约为_________。答案：0.0001解析：cosineschedule起始β₀=0.0001，终值β_T=0.02。22.在DeformableDETR中，若编码器层数为6，每层采样点数为4，特征层数为3，则单头自注意力计算时，key的总数为_________。答案：12解析：每层4点×3层=12，跨层共享。23.在PyTorch2.0编译模式（pile）中，默认后端_________可将动态shape图优化为静态图。答案：inductor解析：inductor使用Triton生成GPU内核，支持动态shape缓存。24.在VisionTransformer中，若输入图像224×224，patchsize16，则序列长度为_________。答案：197解析：(224/16)²=196，外加1个clstoken。25.在RAFT光流估计网络中，若迭代次数为12，则GRU隐藏状态维度为_________。答案：128解析：RAFT原文固定隐藏状态128维。四、判断题（每题1分，共10分，正确打“√”，错误打“×”）26.ConvNeXt使用LayerNorm替代BatchNorm后，ImageNet准确率下降，因此作者又改回BatchNorm。答案：×解析：ConvNeXt全程使用LayerNorm，准确率提升，未回退。27.在Mosaic数据增广中，若四张图像分辨率不一致，可直接resize到统一尺寸再拼接，不影响检测性能。答案：×解析：直接resize导致目标形变，需保持原比例填充。28.在NeRF中，若将位置编码（PosEnc）维度降低，则高频细节会丢失。答案：√解析：PosEnc提供高频基函数，维度降低导致高频衰减。29.在CenterNet中，若将高斯核σ固定为1，对小目标检测更友好。答案：×解析：σ应与目标尺寸成正比，固定为1使大目标中心度过于尖锐，小目标仍受益有限。30.在DDPM中，反向过程均值μθ(x_t,t)可直接用x_t与预测噪声εθ计算得到。答案：√解析：贝叶斯推导给出闭式解μθ=(x_tβ_t/√(1ᾱ_t)εθ)/√α_t。31.在YOLOv7的ELAN模块中，将concat后的通道数减半可提升速度但mAP下降。答案：√解析：通道减半降低计算量，信息损失导致mAP下降约0.5。32.在SimCLR中，温度系数τ越大，对比损失对困难负样本的惩罚越强。答案：×解析：τ越大，softmax分布越平滑，惩罚减弱。33.在MMDeploy中，将旋转检测模型导出ONNX后，无需编写自定义算子即可直接TensorRT推理。答案：×解析：旋转NMS需自定义插件。34.在VisionTransformer中，去掉clstoken改用平均池化，ImageNet准确率通常下降。答案：√解析：clstoken提供全局可学习表示，平均池化易受损耗。35.在StableDiffusion中，将UNet通道数翻倍可线性增加生成图像分辨率。答案：×解析：通道数翻倍提升容量，但分辨率由潜空间尺寸决定，需重新训练。五、简答题（每题8分，共24分）36.描述DeformableAttention相比标准SelfAttention在计算复杂度上的具体优化，并给出复杂度公式。答案：标准SelfAttention复杂度为O(n²d)，其中n为token数，d为维度。DeformableAttention仅对参考点周围固定数量k个采样点计算注意力，复杂度降至O(nkd)。k通常远小于n（如4），故显存与计算均显著下降。解析：通过可学习的偏移量Δp，仅对稀疏位置计算加权，避免全局稠密矩阵乘。37.解释为何在NeRFOSR（户外场景反射）中需要引入“反射辐射场”与“透射辐射场”双分支，并给出合成公式。答案：户外镜面反射违反Lambert假设，单一场无法同时建模漫反射与镜面反射。双分支公式：L_o=L_t+L_sL_t=∫σ_t(t)T(t)c_t(t)dtL_s=∫σ_s(t)T(t)∫M(ω_i,ω_o)c_s(ω_i)dω_idt其中σ_t、σ_s分别为透射与反射密度，T为累积透射率，M为镜面BRDF。解析：透射分支建模漫反射与透射光，反射分支通过环境贴图积分建模镜面高光，二者密度分离，提升真实感。38.说明在DETR中“二分图匹配损失”如何缓解检测中的重复框问题，并写出匈牙利算法代价矩阵构建方式。答案：DETR将预测框与真值框视为二分图两端，代价矩阵C∈R^{N×M}，元素为分类损失与L1框回归损失加权和：C_{i,j}=p_i(c_j)+λ_{box}(|b_ib_j|)通过匈牙利算法求最小权匹配，确保每个真值唯一对应一个预测，消除重复。解析：无NMS后处理，训练端到端，匹配代价同时考虑类别置信度与定位精度，λ_{box}=5。六、综合应用题（共31分）39.（算法设计题，15分）给定一张2048×1024的街景图像，需实时检测20类交通要素（含小目标行人、交通灯）。硬件为RTX4060Laptop（8GB显存），要求FPS≥30。请设计一套完整方案，含：1）模型选择及理由；2）输入分辨率与增广；3）量化与加速；4）关键超参；5）潜在问题与缓解。答案：1）模型：YOLOv8s，理由：参数量仅8.7M，COCOmAP44.5，TensorRTINT7后1.2ms，满足实时。2）输入：640×640，保持长宽比letterbox；增广：Mosaic+HSV+随机旋转90°，提升小目标。3）量化：PTQINT8，校准500张，使用EntropyCalibration2，激活值采用Percentile=99.99%，防止小目标激活被截断；TensorRTbuild时开启fp16fallback。4）超参：conf=0.25，iou=0.45，maxdet=300，anchorfree；训练300epoch，coslr，初始1e3，warmup3epoch。5）问题：小目标经降采样后特征消失→引入SPDConv替换前两层下采样，保留细粒度；INT8后置信度漂移→在检测头后插入QAT微调1epoch，恢复0.8%mAP；显存峰值→开启torch.cuda.empty_cache()，训练batch=32，梯度累积=2。解析：整体方案兼顾精度与速度，INT8加速3.2×，SPDConv提升小目标AP2.1%，最终FPS=38，mAP42.3。40.（编程题，16分）请用PyTorch实现一个“可变形卷积v2”前向内核，要求：1）支持modulated（即带mask）；(2)CUDA实现，支持半精度；(3)给出Python接口与单元测试。答案：```pythonimporttorchimporttorch.nnasnnfromtorch.autogradimportFunctionimportdeform_conv_cuda假设已编译classDeformConvFunction(Function):@staticmethoddefforward(ctx,input,offset,mask,weight,bias,stride,padding,dilation,groups,deformable_groups):ctx.save_for_backward(input,offset,mask,weight,bias)ctx.stride,ctx.padding,ctx.dilation=stride,padding,dilationctx.groups,ctx.deformable_groups=groups,deformable_groupsoutput=deform_conv_cuda.forward(input,offset,mask,weight,bias,stride,padding,dilation,groups,deformable_groups)returnoutput@staticmethoddefbackward(ctx,grad_output):input,offset,mask,weight,bias=ctx.saved_tensorsgrad_input,grad_offset,grad_mask,grad_weight,grad_bias=\deform_conv_cuda.backward(grad_output,input,offset,mask,weight,bias,ctx.stride,ctx.padding,ctx.dilation,ctx.groups,ctx.deformable_groups)returngrad_input,grad_offset,grad_mask,grad_weight,grad_bias,None,None,None,None,NoneclassDeformConv2d(nn.Module):def__init__(self,in_c,out_c,k,stride=1,pad=0,dil=1,groups=1,deformable_groups=1):super().__init__()self.weight=nn.Par