2020年宇视科技算法岗笔试题及答案历年真题整合

2020年宇视科技算法岗笔试题及答案历年真题整合

一、单项选择题（每题2分，共20分）1.在YOLOv3中，负责预测大目标的特征图尺度为A.13×13B.26×26C.52×52D.104×1042.若对10万条样本做K-Means聚类，肘部法则判定最佳K值时，通常横坐标为A.样本量B.簇中心坐标C.K值D.迭代次数3.使用Adam优化器时，超参数β1的常用缺省值是A.0.5B.0.9C.0.99D.0.9994.在C++中，std::unordered_map底层采用的数据结构为A.红黑树B.哈希表C.B+树D.跳表5.对一幅400×600的灰度图做3×3均值滤波，输出图像尺寸为A.398×598B.400×600C.402×602D.399×5996.若ResNet50去掉最后一个全连接层，其backbone输出通道数为A.512B.1024C.2048D.40967.在Linux系统中，查看GPU实时功耗的命令是A.nvidia-smi-q-dPOWERB.lspci|grepVGAC.topD.iostat8.对二分类问题，若正负样本比为1:99，最适合的指标是A.AccuracyB.PrecisionC.RecallD.F1-score9.在Python中，numpy数组a.shape为(3,4,5)，执行a.transpose(2,0,1)后新shape为A.(5,3,4)B.(4,5,3)C.(3,5,4)D.(5,4,3)10.若卷积核尺寸为5×5，输入通道16，输出通道32，则参数总量为A.400B.800C.1280D.2560二、填空题（每题2分，共20分）11.FasterR-CNN中RPN产生的锚框共______种尺度与______种长宽比。12.在Canny边缘检测中，高低阈值比一般设为______。13.若学习率初始为0.1，采用余弦退火，T_max=100，第50轮时的学习率为______。14.对一幅图像做双线性插值缩放，其计算复杂度与图像像素数成______关系。15.在Linux下，将当前目录所有.jpg文件批量重命名为.png，可用命令：forfin.jpg;domv"$f"______;done16.若BatchSize=64，GPU显存占用12GB，则单张样本显存占用约______MB。17.在Python中，使用multiprocessing模块时，创建进程池的类名称是______。18.若矩阵A大小为m×n，其奇异值个数为______。19.在交叉熵损失中，若预测概率为0.0001，标签为1，则损失值约为______。20.对视频流进行抽帧，若帧率为30fps，每隔1秒抽1帧，则抽帧间隔为______帧。三、判断题（每题2分，共20分）21.L1正则化比L2更易产生稀疏解。22.在卷积神经网络中，空洞卷积会增大参数量。23.使用BatchNorm层后，可以完全不使用偏置项。24.在Python中，list的append操作时间复杂度为O(1)。25.对同一模型，TensorRT加速后mAP一般会下降0.5-1个百分点。26.在KCF跟踪算法中，核函数固定为高斯核，不可替换。27.若两张图像的直方图相同，则它们的像素排列也一定相同。28.在C++中，std::shared_ptr的引用计数是线程安全的。29.使用混合精度训练时，loss缩放系数过大可能导致梯度下溢。30.在OpenCV中，cv::Mat的data指针默认指向连续内存。四、简答题（每题5分，共20分）31.简述非极大值抑制（NMS）在目标检测中的作用及实现步骤。32.说明BatchNormalization在训练与推理阶段的差异及原因。33.列举三种降低卷积神经网络过拟合的方法并简要说明原理。34.解释IoU、GIoU、DIoU三种边框回归损失的区别与适用场景。五、讨论题（每题5分，共20分）35.针对夜间低照度场景，讨论如何在不增加硬件成本的前提下提升检测精度。36.当训练数据存在长尾分布时，如何设计损失函数与采样策略以保证头部与尾部类别性能均衡。37.若需在边缘设备部署人脸识别模型，请从模型压缩、推理框架、硬件加速三方面给出系统级方案。38.在多目标跟踪任务中，试分析Detection-Based与Detection-Free方法的优劣，并提出可能的融合思路。答案与解析1.A2.C3.B4.B5.B6.C7.A8.D9.A10.C11.3,312.2:113.0.0514.线性15."${f%.jpg}.png"16.19217.Pool18.min(m,n)19.9.2120.3021.T22.F23.T24.T25.T26.F27.F28.T29.F30.T31.NMS用于去除冗余检测框。步骤：1.按置信度降序排列；2.选最高分框，计算与其余框IoU；3.剔除IoU大于阈值者；4.重复至无剩余框。32.训练时BN用当前批统计量并更新滑动平均，推理时用滑动平均的均值方差，保证单样本推理稳定。33.1.Dropout：随机失活神经元，减弱共适应；2.数据增强：扩充样本多样性；3.权重衰减：L2约束参数幅度，降低模型复杂度。34.IoU仅度量重叠，GIoU引入外接框缓解无重叠梯度消失，DIoU加入中心点距离加速收敛，适用于不同尺度与密度场景。35.采用多帧融合提升信噪比，利用GAN进行低照度增强，设计光照不变特征提取子网络，并在损失函数中加入光照一致性约束。36.采用FocalLoss重加权，尾部类别权重提升；结合类平衡采样与重复因子采样；引入中心损失增大类间间隔，尾部类别特征存储库动态更新。37.模型压缩：知识蒸馏+通道剪枝+8bit量化；推理框架：MNN/Tengine，开启NEON汇编；硬件加速：绑定大核A7