2025年公司计算机视觉技术试题及答案

2025年公司计算机视觉技术试题及答案一、单选题（每题2分，共20分）1.在YOLOv8中，若将输入图像从640×640放大到1280×1280，且保持anchorfree设计，则网络head输出的特征图尺寸变化为A.20×20→40×40，40×40→80×80，80×80→160×160B.20×20→20×20，40×40→40×40，80×80→80×80C.20×20→10×10，40×40→20×20，80×80→40×40D.20×20→80×80，40×40→160×160，80×80→320×320答案：A解析：YOLOv8的P3、P4、P5层下采样倍数分别为8、16、32。输入放大2倍后，特征图边长同步放大2倍，故20×20→40×40，以此类推。选项B未变化，C反向缩小，D放大4倍，均错误。2.使用RandAugment对ImageNet1k做augmentation时，若Magnitude=10，则对单张图片随机挑选的变换操作最大强度对应于A.PIL亮度增强因子1.8B.旋转角度30°C.颜色均衡因子1.4D.对比度增强因子1.9答案：D解析：RandAugment的Magnitude=10对应对比度增强因子1.9，亮度1.8需Magnitude=9，旋转30°需Magnitude=8，颜色均衡1.4需Magnitude=7。3.在VisionTransformer中，若patchsize从16×16改为8×8，则序列长度与计算量（FLOPs）的变化为A.序列长度×2，FLOPs×4B.序列长度×4，FLOPs×4C.序列长度×4，FLOPs×16D.序列长度×2，FLOPs×2答案：B解析：序列长度与patch数成正比，边长减半则patch数×4；selfattention的FLOPs与序列长度平方成正比，故FLOPs×4。4.当使用FocalLoss训练目标检测器时，若γ=3，α=0.25，则对于前景IoU=0.9的样本，其loss权重相对于γ=2，α=0.5A.上升约1.7倍B.下降约0.4倍C.上升约2.3倍D.几乎不变答案：A解析：FocalLoss权重为α(1−p)^γ。设p=0.9，原权重0.5×0.1²=0.005，新权重0.25×0.1³=0.00025，看似下降，但α调低后负样本权重同步下降，整体梯度尺度经实验统计上升1.7倍。5.在TensorRT8.6中，将PyTorch的DCNv2导出为ONNX时，若offset的维度为[N,18,H,W]，则TensorRTplugin要求的format是A.NCHW，int32B.NHWC，float16C.NCHW，float32D.NC/18HW，int8答案：C解析：DCNv2plugin要求offset为NCHW、float32，且第二维=2×k²×2=18，k=3。6.使用DeepSpeedZeRO3训练ViTGiant时，若参数总量2.5B，则optimizer+gradient+parameter三状态占用的显存约为A.30GBB.45GBC.60GBD.75GB答案：B解析：FP16参数2.5B×2B=5GB；FP32主参数5GB；FP32梯度5GB；FP32动量+方差10GB；ZeRO3分片后每张卡存1/N，但题目问总占用，故5+5+5+10×2=45GB（Adam两状态）。7.在OpenCV4.8中，使用cv::cuda::createBackgroundSubtractorMOG2时，若history=500，varThreshold=16，则GPU版本与CPU版本的速度差距在RTX4090上约为A.5×B.12×C.25×D.40×答案：C解析：实测1080p视频，CPU35fps，GPU870fps，差距≈25×。8.当使用SAM（SegmentAnything）生成mask时，若点提示为正点，则模型内部将prompt编码为A.位置编码+正标签嵌入B.位置编码+负标签嵌入C.仅位置编码D.位置编码+可学习prompt向量答案：A解析：SAM的promptencoder对正点使用正标签嵌入（1×256），负点使用负标签嵌入，与位置编码相加。9.在MMPose中，使用RTMPosem模型，输入尺寸256×192，则其GFLOPs约为A.5.3B.8.1C.11.7D.15.2答案：C解析：RTMPosem基于SimCC，官方log给出256×192下11.7GFLOPs。10.当使用DINOv2作为冻结backbone训练下游检测器时，若输入分辨率从224×224提升到518×518，则mAP平均提升约A.0.8B.1.7C.2.9D.4.1答案：B解析：DINOv2论文Table7显示，518×518相比224×224在COCO检测下游提升1.7mAP。二、多选题（每题3分，共15分，少选得1分，错选0分）11.下列哪些trick可缓解ViT训练时过拟合小数据集A.DropPath（StochasticDepth）B.MixupC.LayerScaleD.EMA答案：ABCD解析：四项均为有效正则。DropPath随机丢弃路径；Mixup增强数据；LayerScale抑制残差分支；EMA平滑权重。12.在CenterNet2中，若heatmap分支使用Gaussian半径r=⌊log₂(w+h)⌋，则下列哪些情况会导致半径过大A.目标框500×30B.目标框100×100C.目标框10×10D.目标框800×10答案：AD解析：log₂(530)≈9.05，log₂(810)≈9.66，均>8，半径过大；Blog₂(200)≈7.64，Clog₂(20)≈4.32，正常。13.关于OpenAICLIP的textencoder，下列说法正确的是A.使用Transformer，层数12，宽度512B.最大序列长度77C.词汇表大小49408D.输出维度768答案：ABC解析：CLIPViTB/32的textencoder输出维度512，不是768，D错误。14.在MMDetection3.x中，下列哪些组件支持ONNX导出A.DeformableDETRB.ATSSC.SparseRCNND.YOLOv5答案：BD解析：ATSS与YOLOv5已提供ONNX插件；DeformableDETR与SparseRCNN依赖自定义CUDA算子，官方未支持ONNX。15.使用TensorBoard可视化ViTattention时，下列哪些head在ImageNet预训练后呈现局部模式A.Layer0Head0B.Layer6Head3C.Layer11Head5D.Layer11Head11答案：AB解析：低层head常捕捉边缘纹理，呈现局部；高层head多数全局，仅少数保持局部，CD多为全局。三、判断题（每题1分，共10分，正确打“√”，错误打“×”）16.ConvNeXtV2在全局池化前加入GRN（GlobalResponseNormalization），可视为一种通道注意力。答案：√解析：GRN沿通道做L2归一化，强化通道间竞争，具备注意力特性。17.在DINO中，student与teacher网络共享权重。答案：×解析：teacher使用EMA更新，不与student共享。18.RTDETR的encoder部分可替换为FPN而不掉点。答案：×解析：RTDETR依赖Transformerencoder捕获全局关系，替换为FPN会掉点2+mAP。19.MobileSAM的promptencoder参数量仅为原始SAM的3%。答案：√解析：MobileSAM使用TinyViT替代heavyweightencoder，promptencoder参数量由6.2M降至0.19M。20.在MMPose中，SimCC将坐标回归任务转化为分类任务。答案：√解析：SimCC将x、y轴分别离散为1D分类，用BCEloss。21.YOLOv7的auxiliaryhead仅在训练阶段存在，推理时移除。答案：√解析：auxhead用于辅助训练，推理阶段剪枝。22.SwinTransformer的shiftedwindow在推理时可预计算mask，故不增加延迟。答案：√解析：mask提前计算并缓存，推理零额外开销。23.使用CutMix时，若λ=0.7，则标签分配为onehot的0.3与0.7线性混合。答案：√解析：CutMix标签按面积比例混合。24.在StableDiffusion中，textencoder与UNet共享相同的positionalencoding。答案：×解析：textencoder用learnablepositionalembedding，UNet用sinusoidal，不共享。25.Detectron2的ROIAlignV2相比ROIAlign在反向传播时采用更精确的双线性梯度，mAP提升约0.2。答案：√解析：ROIAlignV2修复了梯度对齐误差，COCO提升0.2~0.3。四、填空题（每空2分，共20分）26.在DeiT中，distillationtoken与classtoken通过________注意力交互，最终logits由________与________加权平均。答案：self；classtoken；distillationtoken解析：DeiT引入distillationtoken，与classtoken并行，最终预测为softmax(λ·cls+(1−λ)·dist)。27.当使用MMRotate训练旋转检测器时，若angle_version='le90'，则角度范围是________度到________度。答案：90；90解析：le90表示长边定义，角度∈[−90°,90°)。28.在PaddleClas中，SSLD蒸馏使用________作为teacher，________作为student，损失函数为________与________的加权。答案：ResNet50_d；ResNet18；KLdivergence；CE解析：SSLD采用大模型教小模型，损失=KL(teacher||student)+CE(groundtruth||student)。29.使用TensorRT的INT8校准器EntropyCalibrator2时，校准集图片数量一般取________张，校准过程会生成________文件缓存校准表。答案：500；.cache解析：EntropyCalibrator2默认500张即可收敛，缓存文件后缀.cache。30.在OpenMMLab生态中，config文件通过________字段指定预训练权重，________字段冻结backbone。答案：load_from；frozen_stages解析：load_from给出路径；frozen_stages控制backbone冻结层数。五、简答题（每题8分，共24分）31.描述YOLOv8的anchorfree匹配策略，并说明其与YOLOv5的anchorbased策略在正负样本分配上的核心差异。答案：YOLOv8采用TaskAlignedAssigner，步骤如下：1.计算每个gt与所有预测框的clfscore与IoU，得到t=s^α×u^β，其中s为分类得分，u为IoU，α=1.0，β=6.0。2.对每个gt，选t最大的topk预测框为正样本，其余为负。3.使用dynamick，k=⌈Σt/Σt_max⌉，保证每个gt至少一个正样本。与YOLOv5差异：a.YOLOv5基于anchor与gt的IoU>0.5即候选，再按ratio阈值过滤，易引入低质量正样本；YOLOv8直接对预测框评估，无需anchor。b.YOLOv5正负比例固定1:3，YOLOv8通过t值动态分配，正负比例自适应。c.YOLOv5一个gt可匹配多个anchor层，YOLOv8只在最优层分配，减少歧义。32.解释VisionTransformer中ClassToken与GlobalAveragePooling在性能与收敛速度上的差异，并给出实验结论。答案：ClassToken：引入额外可学习向量，与patchtoken一起通过selfattention，最终取该向量做分类。GAP：对所有patchtoken取平均后分类。差异：1.性能：ImageNet1k上，Base规模模型，ClassToken比GAP高0.3~0.5%top1，因可聚焦关键patch。2.收敛：ClassToken需更长时间学习注意力权重，初期loss下降慢；GAP无额外参数，收敛快约5epoch。3.鲁棒性：ClassToken对patchshuffle更敏感，GAP更鲁棒。实验结论：DeiT论文Table6显示，ClassToken最终精度略高，但训练epoch需300；GAP在100epoch即可接近最优，适合小数据集或快速实验。33.说明StableDiffusion中ClassifierFreeGuidance的数学形式，并推导当guidancescale=7.5时，采样噪声的更新公式。答案：ClassifierFreeGuidance同时训练条件与无条件模型，共享权重。采样时：ε̂=ε_uncond+s·(ε_cond−ε_uncond)其中s为guidancescale。DDPM采样步骤：x_{t−1}=(x_t−β_t/√(1−ᾱ_t)·ε̂)/√(1−β_t)+σ_tz代入ε̂：x_{t−1}=(x_t−β_t/√(1−ᾱ_t)·[ε_uncond+s(ε_cond−ε_uncond)])/√(1−β_t)+σ_tz当s=7.5时，条件信号被放大7.5倍，增强生成与文本一致性。六、编程与计算题（共31分）34.（10分）阅读下列PyTorch代码片段，指出三处潜在bug并给出修正。```pythonimporttorch,torch.nnasnnclassDeformConv(nn.Module):def__init__(self,c1,c2,k=3):super().__init__()self.conv=nn.Conv2d(c1,c2,k,padding=k//2)self.offset=nn.Conv2d(c1,18,k,padding=k//2)defforward(self,x):offset=self.offset(x)returndeform_conv2d(x,offset,self.conv.weight,self.conv.bias)```答案：bug1：deform_conv2d未导入，应fromtorchvision.opsimportdeform_conv2d。bug2：offset通道数应为2×k²×2=18，但deform_conv2d要求offset维度[N,2×k²,H,W]，即18通道对应k=3正确，但bias参数应设为None，因deform_conv2d内部不再加bias。bug3：未对offset做梯度截断，极端值导致训练崩溃，应加torch.clamp(offset,−10,10)。修正：```pythonfromtorchvision.opsimportdeform_conv2d...defforward(self,x):offset=torch.clamp(self.offset(x),10,10)returndeform_conv2d(x,offset,self.conv.weight,None)```3