2025宇视科技算法岗笔试真题及答案 附代码实现过程

2025宇视科技算法岗笔试真题及答案附代码实现过程

一、单项选择题（总共10题，每题2分）1.以下哪项是解决过拟合的常用方法？A.增加模型参数B.正则化C.减少训练数据D.提高学习率2.CNN中卷积层的主要作用是？A.分类B.提取局部特征C.降低维度D.正则化3.目标检测算法YOLOv2中引入的Anchor机制主要用于？A.适配不同大小的目标B.减少计算量C.增强特征提取D.优化损失函数4.分类问题中常用的损失函数是？A.MSEB.MAEC.交叉熵D.HingeLoss5.以下排序算法的平均时间复杂度为O(nlogn)的是？A.冒泡排序B.快速排序C.插入排序D.选择排序6.以下激活函数中能有效缓解梯度消失问题的是？A.ReLUB.SigmoidC.TanhD.Softmax7.Transformer中的核心机制是？A.卷积B.池化C.循环单元D.自注意力8.以下属于实例分割算法的是？A.U-NetB.FCNC.MaskR-CNND.DeepLabv39.K-Means聚类中，初始centroids的选择会影响？A.簇的数量B.计算速度C.特征维度D.局部最优解10.结合动量和自适应学习率的优化器是？A.AdamB.SGDC.RMSpropD.Adagrad二、填空题（总共10题，每题2分）1.机器学习中，模型的泛化误差由____和____共同决定。2.CNN中的池化层主要用于____或减少计算量。3.目标检测中衡量预测框与真实框重叠程度的指标是____。4.Transformer中用于捕捉序列顺序信息的是____。5.数据增强中，常用于增加图像多样性的操作是____。6.过拟合的典型表现是____。7.ReLU激活函数在正区间的导数为____。8.聚类算法的常用评价指标是____。9.优化器SGD中的动量项用于缓解____问题。10.图像分类任务中最常用的大规模数据集是____。三、判断题（总共10题，每题2分）1.深度学习模型的参数越多，效果一定越好（）2.K-Means属于监督学习算法（）3.卷积层的参数数量与输入图像的大小无关（）4.Transformer不需要位置信息即可处理序列数据（）5.交叉熵损失可用于回归问题（）6.池化层会保留输入图像的位置信息（）7.Adam优化器的效果一定优于SGD（）8.实例分割与语义分割的区别是是否区分同一类别的不同个体（）9.增加训练数据量可缓解过拟合（）10.激活函数必须是非线性的才能让模型学习复杂模式（）四、简答题（总共4题，每题5分）1.请解释过拟合的原因及常用解决方法。2.请说明CNN在图像处理中的核心优势。3.请简述Transformer中自注意力机制的工作原理。4.请说明目标检测中IOU的作用及计算方式。五、讨论题（总共4题，每题5分）1.请设计一个适用于安防监控场景的实时目标检测系统。2.请分析数据增强在深度学习中的重要性，并列举3种安防场景常用的数据增强方法。3.请说明Transformer相对于CNN在长序列处理中的优势。4.请谈谈如何解决K-Means聚类中的局部最优问题。答案部分一、单项选择题答案1.B2.B3.A4.C5.B6.A7.D8.C9.D10.A二、填空题答案1.偏差；方差2.降低维度3.交并比4.位置编码5.随机裁剪6.训练集准确率高，测试集准确率低7.18.silhouette系数9.梯度震荡10.ImageNet三、判断题答案1.×2.×3.√4.×5.×6.×7.×8.√9.√10.√四、简答题答案1.过拟合原因：模型复杂度超过数据承载能力、训练数据量不足、数据噪声过多。解决方法：正则化（L1/L2正则）、数据增强（随机裁剪/翻转）、早停（监控验证集性能）、dropout（随机丢弃神经元）。2.CNN核心优势：局部连接（关注图像局部相关性）、权重共享（减少参数数量）、平移不变性（对目标位置变化不敏感，适配监控中目标移动场景）。3.自注意力机制步骤：1.将输入映射为查询Q、键K、值V；2.计算Q与K的点积（注意力分数）并归一化；3.softmax得到注意力权重；4.加权求和V得到输出。可捕捉序列中长距离依赖。4.IOU（交并比）是预测框与真实框交集面积除以并集面积。作用：筛选正样本（如IOU≥0.5视为正样本）、评估检测精度、非极大值抑制（NMS）过滤重复框。五、讨论题答案1.安防实时目标检测系统设计：1.算法选择：轻量级YOLOv8n/YOLOv7-Tiny，兼顾速度与精度；2.数据处理：使用安防场景标注数据（行人/车辆），数据增强（夜间亮度调整、小目标放大）；3.模型优化：量化/剪枝适配嵌入式设备；4.部署：硬件加速（NPU/GPU）确保≥30FPS，后处理用NMS过滤重复框；5.功能：加入目标跟踪（ByteTrack）与异常报警（如打架/越界）。2.数据增强重要性：增加数据多样性、缓解过拟合、模拟真实场景变化（如监控光照/角度变化）。常用方法：夜间图像亮度调整（适配夜间监控）、小目标放大（提升远距离目标检测精度）、随机遮挡（模拟障碍物遮挡）。3.Transformer优势：1.长距离依赖：自注意力直接计算任意元素相关性，无需堆叠卷积层；2.并行计算：无循环依赖，处理长序列速度更快；3.灵活性：适配可变长度序列（如视频帧/文本），无需固定感受野。4.K-Means局部最优解决：1.K-Means++初始化（选距离最远点，提升centroids多样性）；2.多次初始化（选silhouette系数最高结果）；3.肘部法则选K值（损失下降趋缓时的K）；4.数据标准化（消除特征尺度影响）。代码实现过程1.K-Means算法Python实现```pythonimportnumpyasnpclassKMeans:def__init__(self,n_clusters=2,max_iter=100,tol=1e-4):self.n_clusters=n_clustersself.max_iter=max_iterself.tol=tolself.centroids=Nonedeffit(self,X):K-Means++初始化self.centroids=[X[np.random.choice(len(X))]]for_inrange(1,self.n_clusters):dists=np.min([np.linalg.norm(X-c,axis=1)forcinself.centroids],axis=0)probs=dists/dists.sum()next_c=X[np.random.choice(len(X),p=probs)]self.centroids.append(next_c)self.centroids=np.array(self.centroids)for_inrange(self.max_iter):labels=np.argmin(np.linalg.norm(X[:,np.newaxis]-self.centroids,axis=2),axis=1)new_centroids=np.array([X[labels==k].mean(axis=0)forkinrange(self.n_clusters)])ifnp.linalg.norm(new_centroids-self.centroids)<self.tol:breakself.centroids=new_centroidsreturnlabelsdefpredict(self,X):returnnp.argmin(np.linalg.norm(X[:,np.newaxis]-self.centroids,axis=2),axis=1)```2.简单CNN图像分类PyTorch实现```pythonimporttorchimporttorch.nnasnnclassSimpleCNN(nn.Module):def__init__(self,num_classes=10):super(SimpleCNN,self).__init__()self.conv1=nn.Conv2d(3,16,kernel_size=3,padding=1)self.relu=nn.ReLU()self.pool=nn.MaxPool2d(2,2)self.conv2=nn.Conv2d(16,32,kernel_size=3,padding=1)self.fc1=nn.Linear(3288,128)输入32x32图像self.fc2=nn.Linear(128,num_classes)defforward(self,x):x=self.pool(self.relu(self.conv1(x)))(3,32,32)→(16,16,16)x=self.pool(self.relu(self.conv2(x)))(16,16,16)→(32,8,8)x=torch.flatten(x,1)x=self.relu(self.fc1(x))x=self.fc2(x)returnx```3.自注意力机制Python实现```pythonimportnumpyasnpdefself_attention(Q,K,V,d_k):scores=np.matmul(Q,K.transpose(0,2,1))/np.sqrt(d_k)attn_weights=np.exp(scores)/np.sum(np.exp(scores),axis=-1,keepdims=True)output=np.matmul(attn_weights,V)returnoutput,attn_weights示例：batch=2，序列长度4，特征维度8batch_size=2seq_len=4d_k=8Q=np.random.randn(batch_size,seq_len,d_k)K=np.random.randn(batch_size,seq_len,d_k)V=np.random.randn(batch_size,seq_len,d_k)output,attn_weights=self_attention(Q,K,V,d_k)```4.YOLOv8目标检测推理代码（ultralytics库）```pythonfromultralyticsimportYOLOimportcv2加载模型model=YOLO("yolov8n.pt")读取监控图像img=cv2.imread("security_camera.jpg")推理（置信度≥0.5）results=model(img,conf=0.5)可视化结果forresultinresults:boxes=result.boxesforboxinboxes:x1,y1,x2,y2=map(int,box.xyxy[0])conf=box