2025年AI计算机视觉专项训练试卷附答案

2025年AI计算机视觉专项训练试卷附答案一、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，anchorfree检测头的感受野理论上会A.缩小为原来1/2B.保持不变C.扩大为原来2倍D.与特征金字塔层数成反比变化答案：B解析：YOLOv8采用anchorfree机制，依赖FPN+PAN结构，感受野由网络深度决定，与输入分辨率无关。分辨率增大仅提高空间采样密度，不改变理论感受野。2.使用VisionTransformer做目标检测时，若将patchsize从16×16改为8×8，模型参数量约A.增加4倍B.增加2倍C.减少2倍D.几乎不变答案：A解析：patch数量与面积成反比，8×8时patch数为16×16的4倍；Transformer编码器序列长度增加4倍，QKV投影矩阵参数量线性增长，故总参数量≈4倍。3.在自监督对比学习MoCov3中，若队列长度从65536减至4096，最可能出现的现象是A.训练速度线性下降B.负样本多样性降低导致精度下降C.梯度爆炸D.键编码器更新过快答案：B解析：MoCo依赖大队列维护大量负样本，队列缩短直接减少负样本多样性，对比学习目标变简单，表征质量下降。4.将RGB图像输入ConvNeXt前，若采用“通道顺序随机扰动”数据增强，对下列哪项指标影响最大A.ImageNetTop1精度B.模型推理延迟C.参数量D.FLOPs答案：A解析：通道扰动破坏颜色统计一致性，ImageNet预训练权重基于RGB顺序学习，顺序打乱后分布偏移，Top1精度显著下降；其余指标与数据无关。5.在CenterNet中，若高斯核σ固定为2.5，而输出步长从4变为8，同一目标中心heatmap峰值会A.降低为原来1/2B.不变C.降低为原来1/4D.消失答案：C解析：输出步长增大2倍，同一物理尺寸在特征图上缩小2倍，高斯核覆盖像素数减少为1/4，峰值按面积比例衰减。6.使用TensorRT8.6对YOLOv7进行INT8量化时，若校准集只含白天场景，夜晚场景mAP从0.42降至0.19，最主要原因是A.量化粒度不足B.校准集分布偏移C.激活函数非线性过强D.BatchNorm折叠错误答案：B解析：INT8缩放因子由校准集统计决定，夜晚亮度低、噪声高，激活分布与白天差异大，量化误差增大，导致mAP暴跌。7.在DINOv2中移除“局部自蒸馏”分支后，下列哪项能力几乎不受影响A.密集预测任务性能B.图像检索Recall@1C.线性probe精度D.小样本分类答案：B解析：局部自蒸馏主要提升空间密集特征，检索任务依赖全局特征，Recall@1对局部分支不敏感。8.将SwinTransformer的windowsize从7×7改为14×14，显存占用约A.增加4倍B.增加2倍C.减少2倍D.不变答案：A解析：windowattention计算复杂度与window面积成平方关系，14×14是7×7的4倍，显存占用线性增长。9.在MMSegmentation框架中，使用DeepLabV3+训练Cityscapes，若cropsize从512×512改为1024×1024，单卡batchsize=2可训练，但改为batchsize=8必现OOM，最合理策略是A.启用gradientcheckpointB.将backbone换成MobileNetV3C.降低学习率D.冻结BN层答案：A解析：crop增大4倍显存占用平方级增长，gradientcheckpoint以时间换空间，可缓解OOM；换backbone需重训，降低lr与冻结BN不解决显存瓶颈。10.在MMDetection3中，使用FasterRCNN+R50，若将FPNtop层通道从256改为128，检测小目标AP_s最可能A.提升1.5B.下降0.8C.提升0.3D.几乎不变答案：B解析：top层通道减半，特征表达能力下降，小目标依赖高分辨率弱语义特征，AP_s下降约0.8。二、多选题（每题3分，共15分）11.下列哪些操作可缓解ViT在少量数据上过拟合A.随机深度（StochasticDepth）B.MixupC.增加patchsizeD.LayerScale答案：A、B、D解析：随机深度与LayerScale为正则化技术；Mixup扩充数据分布；增大patchsize减少序列长度，降低容量，反而可能欠拟合。12.关于ConvNeXt与SwinT在ImageNet1K训练，下列说法正确的是A.ConvNeXt使用更少的归纳偏置B.SwinT的shiftedwindow可跨窗口交互C.ConvNeXt的invertedbottleneck降低内存访问成本D.二者在224×224输入下FLOPs接近答案：B、C、D解析：ConvNeXt仍基于卷积，归纳偏置强于Swin；shiftedwindow实现跨窗交互；invertedbottleneck减少激活内存；官方配置二者FLOPs约4.5G。13.在目标检测中，使用DIoU损失相较GIoU可带来A.收敛速度提升B.对旋转目标更鲁棒C.中心点距离惩罚D.减少框回归震荡答案：A、C、D解析：DIoU显式加入中心点距离，加速收敛、抑制震荡；旋转鲁棒需CIoU或PIoU。14.关于SelfSupervisedLearning中的maskimagemodeling，下列哪些方法使用encoderdecoder结构A.BEiTB.MAEC.SimMIMD.MaskFeat答案：B、C解析：MAE与SimMIM采用非对称encoderdecoder；BEiT用离散tokenizer无需decoder；MaskFeat用HOG目标无需decoder。15.在TensorRT部署YOLOX时，下列哪些层可能导致INT8量化误差显著增大A.SiLU激活B.1×1卷积后接concatC.DCNv2D.输出层1×1卷积答案：A、C、D解析：SiLU在负半轴平滑，量化区间难估计；DCNv2为动态卷积，权重不固定；输出层靠近loss，梯度敏感，均易放大误差；concat本身无参数，误差来源为输入分布差异。三、判断题（每题1分，共10分）16.DeiT使用知识蒸馏，教师模型为RegNetY16GF。答案：√解析：DeiT原文采用RegNetY16GF作为教师，提供软标签。17.在MMRotate中，将旋转框表示为五点法比八参数法更易于学习。答案：×解析：五点法存在边界不连续问题，八参数法（中心+宽高+角度）更稳定。18.ConvNeXt完全去掉BatchNorm，改用LayerNorm。答案：√解析：ConvNeXt追随Transformer，使用LayerNorm替代BN。19.DETR中objectqueries数量越多，训练收敛所需epoch越少。答案：×解析：queries过多增加二分图匹配难度，收敛变慢。20.使用CutMix时，若混合区域面积比例λ=0.5，则图像级标签变为onehot与mix的硬标签。答案：√解析：CutMix按像素面积比例分配标签，λ=0.5即0.5×onehot_A+0.5×onehot_B。21.SwinTransformer的relativepositionbias表大小与windowsize平方成正比。答案：√解析：bias表尺寸为(2w1)×(2w1)，与w²成正比。22.在CenterNet训练阶段，若heatmap生成使用高斯半径r=0，则网络无法学习。答案：×解析：r=0退化为单像素峰值，仍可学习，但收敛慢、精度低。23.YOLOv5的anchor设置通过kmeans在COCO上聚类得到，类别不平衡会导致长宽比偏移。答案：√解析：kmeans受样本数量影响，小目标过多会拉低平均IoU，anchor偏向小框。24.使用RandAugment时，若Magnitude=10，则所有变换幅度固定为最大值。答案：×解析：Magnitude为上限，具体幅度在[0,M]均匀采样。25.DINOv2的L2标准化仅应用于学生网络输出。答案：×解析：教师与学生输出均做L2标准化，保证余弦相似度计算稳定。四、填空题（每空2分，共20分）26.在DeformableDETR中，若编码器层数为6，每层采样点数为K=4，则单头注意力计算时，偏移量预测分支输出通道数为________。答案：2×4=8解析：每个采样点预测二维偏移，4个点共8通道。27.使用MMDetection3训练MaskRCNN，若roi_head中mask_head的num_convs由4改为8，且保持输入通道256不变，则mask_head参数量增加________。答案：(84)×(256×3×3×256)=4×589824=2359296解析：每层conv参数=256×3×3×256=589824，增加4层。28.在ConvNeXtBase中，depthwiseconv的groups参数等于________。答案：输入通道数解析：depthwiseconv的groups=in_channels。29.若将SwinL的droppathrate线性增加至0.5，则第18层（共24层）的droppathrate为________。答案：0.5×18/23≈0.391解析：线性增长rate=l/L×max_rate，L=23（从0起计）。30.在BYOL中，预测器输出投影维度为________。答案：与投影器输出维度相同解析：BYOL预测器需匹配投影器输出维度，才能计算MSE。31.使用TensorRTINT8量化EfficientNetB0，若某层激活动态范围统计值为[3.2,6.8]，则scale=________。答案：max(abs(3.2),abs(6.8))/127=6.8/127≈0.0535解析：对称量化scale=max(abs(min),abs(max))/127。32.在YOLOv7的ELAN模块中，若base_channels=40，且growth_rate=2，则最终concat后的输出通道为________。答案：40×2+40×2×2=80+160=240解析：ELAN分支两倍通道再两倍，concat后相加。33.若ViTB/16在ImageNet1K上训练，patchsize=16，则序列长度为________。答案：(224/16)²+1=14²+1=197解析：加clstoken。34.在Mask2Former中，若decoder层数为9，queries=100，则单次前向的mask预测张量形状为________。答案：(B,100,H/4,W/4)解析：Mask2Former输出原图1/4分辨率mask。35.使用MMSegmentation的UperNet，若backbone输出4级特征，通道分别为[64,128,320,512]，则PPM（pyramidpoolingmodule）拼接后通道为________。答案：64+128+320+512+4×512=1024+2048=3072解析：PPM每级池化后升维至512，共4级，再加原特征。五、简答题（每题8分，共24分）36.描述DeiT与ViT在训练策略上的三点关键差异，并解释为何DeiT能在ImageNet1K上达到与ViTL相近的精度。答案与解析：1)蒸馏token：DeiT引入distillationtoken，与clstoken并行，通过hard蒸馏吸收CNN教师归纳偏置，弥补数据不足。2)数据增强：DeiT使用RandAugment、MixUp、CutMix、RandomErasing等强增广，提升泛化；ViT仅基础裁剪。3)优化器：DeiT采用AdamW+cosinelr+warmup，并加大weightdecay（0.05），防止过拟合；ViT使用较大初始lr易发散。得益于蒸馏与强正则，DeiT仅用ImageNet1K即可学习高质量表征，精度逼近需JFT300M预训练的ViTL。37.说明CenterNet在训练阶段如何生成高斯heatmap，并推导当输出步长为s、目标框高为h时，高斯半径r的计算公式。答案与解析：1)将目标中心(xc,yc)映射到特征图坐标(xc/s,yc/s)。2)计算半径：r=max(0,int((h/s)×0.3))，其中0.3为经验比例，保证覆盖目标核心区域。3)以中心为峰值，生成2D高斯核：heatmap[x,y]=exp(((xxc)²+(yyc)²)/(2σ²))，σ=r/3。推导：设目标在特征图高为h/s，期望高斯直径覆盖90%能量，取3σ原则，则σ=(h/s×0.3)/3=h/(10s)，故r=3σ=h/(3.33s)≈0.3h/s，向上取整。38.解释YOLOv5在anchorfree分支（AnchorFreeDetectHead）中，如何同时预测中心偏移、宽高与旋转角度，并说明旋转角度损失为何采用CircularSmoothLoss。答案与解析：1)对每格子预测：tx,ty,tw,th,tθ共5维，θ∈[π/2,π/2)。2)中心偏移：bx=(2σ(tx)0.5)+cx，by同理。3)宽高：bw=pw×e^tw，bh=ph×e^th，其中pw,ph为anchor宽高。4)角度：bθ=σ(tθ)×ππ/2，将无界回归转为有界。CircularSmoothLoss：L=1cos(θ_predθ_gt)，将角度周期性与边界不连续问题转化为连续余弦距离，避免π/π突变，提升回归稳定性。六、综合应用题（共31分）39.（15分）某自动驾驶团队需在OrinX（算力70TOPS，显存32GB）上部署实时分割模型，要求单帧延迟≤30ms，mIoU≥80%。给定Cityscapes验证集，现有方案：A)SegFormerB2，mIoU=82.1%，FP32推理46ms；B)DDRNet23，mIoU=80.3%，FP32推理22ms；C)ConvNeXtB+UperNet，mIoU=83.5%，FP32推理55ms。请设计一套完整的模型优化与部署方案，包括：1)模型选择及理由；2)量化与剪枝策略；3)TensorRT优化细节；4)多尺度测试与tta取舍；5)最终指标预估。答案与解析：1)选C：mIoU最高，具备80%以上余量，可通过蒸馏+量化保精度。2)量化：采用QAT，以Cityscapestrain+extra20k张夜晚图像做校准，激活采用Percentile99.9，权重采用通道级对称量化；剪枝：使用Taylor剪枝，以mIoU下降<0.5%为阈值，剪掉30%通道，再微调30epoch。3)TensorRT：启用FP16+INT8混用，backboneINT8，decoderFP16；构建plugin实现CrossCovarianceFusion，减少内存搬运；kernelautotuning阶段锁定最大workspace=8GB；启用DLAcore0跑backbone，GPU跑head，并行流水。4)多尺度：训练阶段采用[0.75,1.0,1.25]随机缩放，推理仅单尺度1024×2048，舍弃TTA，节省12ms。5)预估：经QAT+剪枝+TensorRT，mIoU降至81.2%，延迟28ms，满足要求。40.（16分）给定一个自定义工业零件检测数据集，含20类，平均每图300目标，最小目标6×6px，最大400×200px，图像分辨率2048×1536。训练集5k张，测试集1k张。要求设计一套基于YOLOv8的检测方案，达到AP50≥85%，单图GPU推理≤20ms（RTX3060）。请给出：1)数据预处理与增强策