人工智能图像分割工程师岗位招聘考试试卷及答案

人工智能图像分割工程师岗位招聘考试试卷及答案试题部分一、填空题（每题1分，共10分）1.经典语义分割网络FCN的全称是______。2.处理类别不平衡的常用损失函数是______（写1个即可）。3.图像分割评价指标“交并比”的英文缩写是______。4.医疗图像分割领域的经典网络是______。5.语义分割与实例分割的核心区别是是否区分______。6.Transformer-based分割模型如______（写1个即可）。7.图像分割后处理常用的形态学操作是______（如膨胀）。8.自适应学习率的优化器如______（写1个即可）。9.自动驾驶分割常用数据集是______。10.FCN将分类网络的全连接层替换为______。二、单项选择题（每题2分，共20分）1.属于实例分割的是？A.仅分像素类别B.区分同一类不同个体C.仅分割前景D.分语义+实例2.U-Net不包含的结构是？A.编码-解码对称B.跳跃连接C.全连接层D.卷积+池化3.适合类别不平衡分割的指标是？A.准确率B.召回率C.Dice系数D.混淆矩阵4.VOC2012的类别数是？A.20B.21C.30D.405.丢失空间位置信息的操作是？A.卷积B.池化C.转置卷积D.跳跃连接6.SwinTransformer分割的不足是？A.处理大图像B.捕捉长依赖C.计算效率高D.小模型部署难7.不属于数据增强的是？A.旋转B.翻转C.修改标注D.缩放8.第一个全卷积语义分割网络是？A.U-NetB.FCNC.MaskR-CNND.DeepLab9.医疗分割常用数据集是？A.CityscapesB.VOC2012C.BraTSD.COCO10.对小目标友好的损失函数是？A.Cross-EntropyB.DiceLossC.MSED.MAE三、多项选择题（每题2分，共20分）1.图像分割任务类型包括？A.语义分割B.实例分割C.全景分割D.目标检测2.U-Net编码部分包含？A.卷积层B.池化层C.跳跃连接D.转置卷积3.常用分割评价指标有？A.IoUB.Dice系数C.召回率D.准确率4.Transformer-based分割模型是？A.Swin-UnetB.SegFormerC.U-NetD.FCN5.解决类别不平衡的方法有？A.加权损失B.过采样C.欠采样D.类别平衡损失6.分割后处理操作有？A.膨胀B.腐蚀C.连通域分析D.阈值分割7.常用分割数据集有？A.CityscapesB.COCOC.BraTSD.VOC20128.可用于分割训练的优化器是？A.AdamB.SGDC.RMSpropD.Adagrad9.语义分割改进方向是？A.多尺度融合B.注意力机制C.Transformer引入D.保留全连接10.分割部署需考虑？A.推理速度B.硬件适配C.精度损失D.模型大小四、判断题（每题2分，共20分）1.FCN是第一个替换全连接为卷积的分割网络。（）2.U-Net跳跃连接融合编码-解码特征。（）3.IoU越大，分割效果越好。（）4.DiceLoss对类别不平衡不敏感。（）5.Cityscapes是医疗分割数据集。（）6.实例分割不区分同一类个体。（）7.Transformer仅能处理自然图像。（）8.池化降低图像分辨率。（）9.全景分割=语义+实例分割。（）10.Adam学习率固定。（）五、简答题（每题5分，共20分）1.简述U-Net的结构及核心优势。2.语义分割与实例分割的区别？3.列出3个分割评价指标并说明含义。4.如何解决分割中的类别不平衡问题？六、讨论题（每题5分，共10分）1.对比CNN-based（如U-Net）和Transformer-based（如Swin-Unet）分割模型的优劣势。2.结合实际项目，谈谈分割模型部署的关键问题。答案部分一、填空题答案1.FullyConvolutionalNetworks2.DiceLoss（或FocalLoss）3.IoU4.U-Net5.同一类别不同个体6.Swin-Unet（或SegFormer）7.膨胀（或腐蚀）8.Adam（或RMSprop）9.Cityscapes10.卷积层二、单项选择题答案1.B2.C3.C4.B5.B6.D7.C8.B9.C10.B三、多项选择题答案1.ABC2.AB3.ABCD4.AB5.ABCD6.ABC7.ABCD8.ABCD9.ABC10.ABCD四、判断题答案1.√2.√3.√4.×5.×6.×7.×8.√9.√10.×五、简答题答案1.U-Net含编码（卷积+池化下采样）和解码（转置卷积+跳跃连接上采样）两部分。优势：跳跃连接保留细粒度特征，适合小目标；无全连接层，可处理任意尺寸图像；结构简单易训练。2.语义分割：给每个像素分配类别，不区分同一类个体；实例分割：分配类别+区分同一类不同个体；全景分割是两者结合。3.①IoU：预测与真实区域交集/并集，衡量重叠度；②Dice系数：2×交集/(预测+真实)，适合类别不平衡；③召回率：真实正样本中被预测为正的比例，衡量漏检。4.①加权损失：给少数类加权重；②过采样：复制少数类；③欠采样：减少多数类；④类别平衡损失；⑤对少数类做数据增强（旋转、翻转）。六、讨论题答案1.CNN优势：计算效率高，小模型易部署，局部特征捕捉强；不足：长距离依赖弱，大图像处理差。Transformer优势：捕捉长依赖，大图像处理好，泛化性强；不足：计算量大，小模型部署难，训练成本高。实际可结合两者（CNN提局部+Transformer抓全局）。2.①