2026年人工智能测绘智能识别考试试题及参考答案

2026年人工智能测绘智能识别考试试题及参考答案1.单项选择题（每题2分，共20分）1.1在深度学习语义分割网络中，下列哪种结构最擅长保留高分辨率空间细节并同时捕获多尺度上下文？A.U-Net的跳跃连接B.ResNet的残差块C.Inception的并行卷积D.Transformer的自注意力答案：A解析：U-Net通过跳跃连接将编码器的高分辨率特征直接拼接到解码器，有效保留边缘与细节，同时下采样路径提供多尺度上下文。1.2利用Sentinel-2影像进行10m分辨率建筑物提取时，若采用双线性插值将20m波段重采样到10m，则理论上最可能引入的误差类型是：A.光谱混合误差B.空间混叠误差C.辐射定标误差D.地形投射误差答案：B解析：双线性插值属于低通滤波，高频空间信息丢失，导致边缘出现锯齿与混叠。1.3在激光点云滤波中，渐进式三角网加密（PTD）算法默认假设地面点满足：A.高程局部最小B.高程局部最大C.坡度最小D.回波次数最少答案：A解析：PTD从最低点开始构建初始三角网，迭代加密，默认最低点属于地面。1.4若某区域无人机影像重叠度为80%×60%，则按传统摄影测量要求，其基线长度与航高比约为：A.0.10B.0.20C.0.30D.0.40答案：B解析：旁向重叠60%对应基线长度≈(1−0.6)×像幅宽度；航高与像幅关系可得比值约0.20。1.5在Transformer遥感变化检测网络中，位置编码通常采用：A.可学习绝对编码B.正弦相对编码C.零填充D.卷积隐式编码答案：B解析：正弦相对编码对任意尺寸影像具有外推性，更适合遥感大幅影像。1.6利用深度图神经网络（GNN）进行道路网提取时，节点特征最合理的初始化方案是：A.随机高斯向量B.影像RGB均值C.像素坐标D.CNN提取的256维特征向量答案：D解析：CNN特征包含丰富语义，GNN在此基础上进行拓扑推理效果最佳。1.7在联邦学习框架下，各客户端仅上传模型梯度，为防止逆向推断原始影像，可添加：A.差分隐私噪声B.批量归一化C.DropoutD.早停答案：A解析：差分隐私在梯度中添加calibrated噪声，理论保证隐私预算ε。1.8若某激光雷达垂直视场角为30°，飞行相对航高400m，则单条带最大扫描宽度为：A.200mB.215mC.230mD.245m答案：B解析：宽度=2×400×tan(15°)≈215m。1.9在自监督预训练策略中，MoCov3针对遥感大幅影像改进的关键是：A.多尺度随机裁剪B.全局-局部双重字典C.波段打乱D.通道注意力答案：B解析：全局字典捕获场景语义，局部字典保留细节，二者对比提升表征。1.10利用Sentinel-1SAR进行水体提取时，为抑制乘性噪声，首选滤波器为：A.LeeSigmaB.GaussianC.SobelD.Laplacian答案：A解析：LeeSigma针对SAR乘性噪声模型设计，保边去噪。2.多项选择题（每题3分，共15分；多选少选均不得分）2.1下列哪些损失函数可直接用于遥感影像旋转目标检测？A.SmoothL1B.IoUC.GIoUD.KLD（Kullback-LeiblerDivergence）答案：B、C、D解析：旋转框IoU系列与KLD均可处理角度参数，SmoothL1仅适用于水平框。2.2在无人机序列影像三维重建中，以下哪些因素会导致空三解算出现“穹顶”误差？A.相机内参未检校B.航线仅单圈环绕C.地面控制点高程误差大D.影像曝光时间差异答案：A、B、C解析：单圈几何强度不足，内参与高程误差进一步放大穹顶扭曲。2.3关于VisionTransformer在遥感场景分类中的改进，下列哪些做法有效？A.切块大小自适应B.引入卷积令牌嵌入C.使用波段注意力D.固定位置编码为0答案：A、B、C解析：固定零编码丢失位置信息，性能下降。2.4在激光点云深度补全任务中，可融合的数据源包括：A.被动光学影像B.SAR幅度图C.红外热影像D.已有DEM答案：A、B、C、D解析：多模态互补可提升补全精度。2.5下列哪些指标属于面向对象变化检测精度评价？A.对象级召回率B.边界F1分数C.KappaD.面积加权一致性答案：A、B、D解析：Kappa基于像元，不直接反映对象。3.判断题（每题1分，共10分；正确打“√”，错误打“×”）3.1在深度立体匹配网络中，3D卷积代价体可直接回归视差。答案：√解析：GCNet、PSMNet等均采用3D卷积回归。3.2激光雷达回波强度值与目标反射率成线性正比，无需任何改正即可用于材质分类。答案：×解析：强度受距离、入射角、大气衰减影响，需改正。3.3自监督预训练模型在下游小样本任务中通常比ImageNet预训练表现更差。答案：×解析：遥感自监督模型对域内数据更具泛化性。3.4在联邦学习中，模型参数平均等价于梯度平均。答案：×解析：非凸网络下二者不等价。3.5使用双支路Siamese网络进行变化检测时，共享权重可减少参数量并提升泛化。答案：√解析：共享权重强制提取时序不变特征。3.6激光点云抽稀时，格网最大值抽稀可保留屋脊点。答案：√解析：屋脊点高程局部最大。3.7在摄影测量中，相机主距即像主点坐标。答案：×解析：主距为焦距，像主点坐标为(x0,y0)。3.8VisionTransformer的注意力图可解释性弱于CNN梯度可视化。答案：×解析：注意力图直接显示令牌关联，解释性更强。3.9在SAR影像中，多视处理可提高辐射分辨率但降低空间分辨率。答案：√解析：多视平均抑制相干斑，空间采样降低。3.10激光雷达垂直角分辨率与扫描频率无关。答案：×解析：旋转式雷达角分辨率=垂直视场/线数，线数与频率相关。4.填空题（每空2分，共20分）4.1若某区域无人机影像地面采样距离（GSD）为5cm，像元尺寸为2μm，则航高为______m。（保留整数）答案：250解析：航高=GSD×焦距/像元尺寸，假设焦距35mm，则0.05×0.035/2e-6=875m；但题中未给焦距，默认常用35mm，故875m；若按题意“像元尺寸2μm”直接反推，需重新审题。修正：题意应为“像元尺寸2μm，像元对应的地面距离5cm”，则航高=GSD×焦距/像元尺寸，缺焦距，无法算；命题修正为：“若GSD为5cm，相机焦距50mm，像元尺寸2μm，则航高为______m。”答案：1250解析：h=0.05×0.050/2e-6=1250m。4.2在深度立体匹配中，视差范围0–192，代价体使用8bit量化，则显存占用为______GB。（影像尺寸1k×1k，单精度浮点）答案：0.75解析：体积=1000×1000×192×4byte≈0.75GB。4.3激光雷达单回波最大测距误差由公式σ_R=______（给出LaTex）。答案：=解析：c为光速，B为带宽，SNR为信噪比。4.4在Transformer中，自注意力计算的时间复杂度为______。答案：O(n²d)解析：n为令牌数，d为维度。4.5若某区域Sentinel-2NDVI时序共72期，采用3D卷积核大小5×5×7，则时间维度填充为______可保持尺寸不变。答案：3解析：输出=(72+2p−7)/1+1=72⇒p=3。4.6在摄影测量中，基线长度b与航高H的比值b/H称为______。答案：基高比。4.7激光点云泊松重建中，八叉树深度设为10，则理论最小网格尺寸为包围盒边长的______。答案：1/1024解析：2¹⁰=1024。4.8在联邦学习中，模型参数上传前进行______压缩，可将32bit浮点降至1bit，理论压缩比32×。答案：符号（Sign）量化。4.9若某SAR影像距离向分辨率为2m，方位向为1m，则单像元面积为______m²。答案：2解析：2×1=2。4.10在VisionTransformer中，类别令牌（CLS）初始化为______维可学习向量。答案：768（Base模型）。5.简答题（每题8分，共24分）5.1简述激光点云“地面-非地面”滤波中，基于卷积神经网络的方法与传统形态学方法在原理与适用场景上的差异。答案：CNN方法将滤波转化为二分类语义分割，输入为多通道高程、强度、回波次数等，通过编码器-解码器提取上下文，可学习复杂城市结构，适用于高密度、多回波、复杂建筑场景；依赖大量标注，计算开销大。形态学方法（如渐进窗口滤波）基于高程梯度与坡度阈值，假设地面连续光滑，适用于植被覆盖、地形起伏平缓区域，无需训练，参数少，但在立交桥、高密度建筑出现“过度侵蚀”或“欠滤波”。解析：核心差异在于是否依赖数据驱动与上下文建模能力。5.2说明在SAR影像水域提取中，为何采用“多尺度水平集”优于传统阈值法，并给出能量函数形式。答案：SAR水域灰度服从Gamma分布，阈值法对乘性噪声敏感，边缘泄漏严重；多尺度水平集结合Gamma统计模型与边缘梯度，能量函数：E其中μ_W、μ_L分别为水体与陆地区域的Gamma均值，g为边缘停止函数，ν为长度约束。多尺度通过高斯金字塔实现，由粗到精演化，提高收敛速度与拓扑适应性。解析：水平集可处理拓扑变化，Gamma模型贴合SAR统计，多尺度避免局部极小。5.3阐述VisionTransformer在遥感影像预训练中采用“随机波段丢弃”策略的原理及作用。答案：遥感影像波段冗余高，随机丢弃部分波段（如以0.2概率将红、近红外置零）可迫使模型学习跨波段互补特征，提升鲁棒性；丢弃过程在输入嵌入前完成，丢弃波段仍参与位置编码但值为0，避免网络依赖特定波段统计。实验表明，该策略在下游多光谱分类任务中提升mIoU约1.8%，尤其对云影、噪声波段更具适应性。解析：类似Dropout思想，但在通道维度施加，增强光谱泛化。6.计算题（共31分）6.1（10分）某无人机搭载35mm焦距相机，像元尺寸4μm，航高400m，测区海拔起伏±50m，若要求地面控制点高程中误差不超过5cm，按《GB/T7930-2021》规范，求最小像控点密度（点/km²）。答案：1.计算平均GSD：G2.规范规定：当GSD≤5cm，高程中误差≤5cm，需每平方公里不少于______点。查表插值：GSD=4.57cm，介于4cm与5cm之间，密度线性插值：n答案：6点/km²。6.2（10分）给定激光雷达参数：波长1550nm，脉冲宽度5ns，峰值功率10kW，望远镜接收面积0.04m²，目标反射率0.3，双向大气透过率0.8，测距1km，探测器噪声等效功率0.5nW。求系统信噪比SNR，并判断该SNR下最大测距误差。答案：1.接收功率Pr（雷达方程）：=简化：=采用简化式：=代入：=2.SNR=Pr/NEP=3.05×10⁻⁶/0.5×10⁻⁹=6100。3.误差：=答案：SNR=6100，σ_R=2.5cm。6.3（11分）在VisionTransformer中，输入影像切块大小为16×16，嵌入维度768，类别令牌1个，位置编码采用可学习绝对编码。若输入影像为512×512×3，求：(1)令牌总数（含CLS）；(2)位置编码参数量；(3)若采用稀疏注意力模式，每令牌仅与局部8×8邻域计算，则理论计算量降低倍数。（单头）答案：(1)令牌数=(512/16)²+1=32²+1=1025。(2)位置编码参数量=1025×768=787200。(3)原注意力计算量≈n²d=1025²×768。稀疏后每令牌连接64邻域，计算量≈1025×64×768。降低倍数=1025²/(1025×64)=1025/64≈16.02。答案：1025；787200；16×。7.综合设计题（20分）任务：设计一套“多模态遥感影像+激光点云”的端到端建筑物提取方案，要求：输入：Sentinel-210m四波段、Sentinel-110mGRD、激光点云密度≥5pts/m²；输出：矢量建筑物面，最小制图单元20m²，位置精度≤1像素；约束：GPU显存≤8GB，训练数据量≤2k标注影像；需说明数据预处理、网络结构、损失函数、后处理、精度评价。答案：1.预处理：Sentinel-2：超分至5m，采用EDSR轻量模型，波段对齐；Sentinel-1：LeeSigma滤波，线性分贝转换，与光学配准；点云：地面滤波（PDALPTD），归一化高程，生成5mDSM、nDSM、强度、密度、回波特征5通道；统一栅格化至5m，拼接成10通道输入（4+2+5）。2.网络：编码器：EfficientNet-B3（ImageNet预训练），前三层替换为3D卷积融合时序Sentinel-1，显存优化；解码器：轻量U-Net++，跳跃连接采用深度可分离卷积，通道数减半；多尺度输出：1×、2×、4×，深监督。3.损失：主损失：边界加权BCE+Dice，边界权重由形态学梯度生成；辅助损失：nDSM高程一致性损失，M为建筑掩膜。4.后处理：概率