雨课堂学堂在线学堂云《遥感图像模式识别(北京师范)》单元测试考核答案

第1题使用ENVI等遥感图像处理软件对给定的遥感图像上进行地物分类时，操作者需要（）A设置损失函数B选择分类器C选择训练样本D进行机器学习正确答案：BC第2题遥感模式识别系统的基本功能包括（）A遥感数据获取B特征提取C模式分类D精度评价正确答案：ABCD第3题归一化植被指数的计算公式是（）A(近红外波段-绿波段)/(近红外波段+绿波段)B(红波段-绿波段)/(红波段+绿波段)C(近红外波段-红波段)/(近红外波段+红波段)D(红波段-蓝波段-)/(红波段+蓝波段)第4题本课程在第一部分“特征空间像元分类”的主要内部涉及（）A如何选择样本B如何分类C如何学习分类器参数D如何选择模型超参数正确答案：ABCD第1题以下说法正确是（）A分类边界是线性函数的分类器被称为线性分类器B两个类的判别函数均是非线性函数，那么它们之间的分类边界一定是非线性的C两个类的判别函数均是线性函数，那么它们之间的分类边界一定是线性的D两个类的样本均服从高斯分布，那么它们之间的分类边界是非线性函数正确答案：AC第2题对于原始特征空间中线性不可分、但无重叠的两类样本，以下说法正确的是（）A可通过神经网络隐层将其变换到新的高维特征空间，使其在变换后的特征空间线性可分B可在原始特征空间组合多个线性分类器，从而构建非线性分类边界C可通过特征变换，将其变换到新的高维特征空间，使其线性可分D一定可以设计出分类器无误地将其分开正确答案：ABCD第3题关于感知器的说法正确的是（）A感知器是一个线性分类器B由于感知器包含非线性变换，所以感知器是一个非线性分类器C可以实现逻辑或、与、非等判断D感知器不能完全正确区分线性不可分的两类样本正确答案：AC第4题关于多层感知器的说法正确是（）A对于输入数据所在的特征空间线性不可分的数据，多层感知器通过中间隐层将其变换到新的特征空间中，有望在输出层实现线性可分B多层感知器的隐层数据较多时也被称为深度神经网络C3-4层的感知器随着隐层神经元数量的增加，可拟合更复杂的分类边界正确答案：ABC习题（第03讲）第1题给定训练数据以后，机器学习通常包括哪些环节（）A设定备选函数空间B选择函数拟合的评价准则C设置合适的学习算法D正则化正确答案：ABC第2题有关“梯度下降”，下面说法正确的是（）A梯度下降可以使模型参数值不断地沿着梯度的方向不断更新B梯度下降可以使模型参数值不断地沿着负梯度的方向不断更新C梯度下降中的超参数“步长”越大越好D梯度下降可以降低训练数据集上的损失值正确答案：AD第3题在误差后向传递算法中，网络不同层连结的权值更新量取决于（）A学习率B传递到该层的误差值C前一层的激活值D当前批次的训练样本正确答案：ABCD第4题关于多层感知器的说法正确是（）A交叉熵损失函数是0-1损失函数的一种替代函数（surrogatefunctions）B交叉熵损失函数是一个非负函数C交叉熵损失函数可反映网络预测的类别概率分布与one-hot类别编码向量之间的相似程度D交叉熵损失值随着训练的不断进行会一直下降正确答案：ABC习题（第04讲）第1题以下说法错误的是（）A层数很多的多层感知器是一种深度神经网络B卷积神经网络就是深度神经网络C对于一个给定的分类问题，神经网络层数越多越好D梯度不稳定是深度神经网络学习过程中的常见问题正确答案：BC第2题梯度不稳定包括哪些现象（）A梯度消失B激活值较小C梯度爆炸D损失值很大正确答案：AC第3题以下说法错误的是（）AReLu作为神经网络隐层神经元的激活函数可以有效减轻梯度消失现象BSigmoid函数作为神经网络隐层神经元的激活函数可以有效减轻梯度消失现象CSigmoid函数作为神经网络隐层神经元的激活函数可以减轻梯度爆炸现象D数据归一化可以在一定程度防止出现梯度爆炸现象第4题以下说法正确的是（）A批归一化可以在一定程度防止出现梯度爆炸现象BReLu作为神经网络隐层神经元的激活函数可以有效减轻梯度爆炸现象C神经网络的神经元越多，其可有效逼近的函数越多D神经网络的越深越好正确答案：AC习题（第05讲）第1题下面有模型拟合状态的说法，错误的是（）A模型过拟合是指把训练样本本身特点当做所有潜在样本都会具有的一般性质B分类器在训练数据上错误率很低，但在测试数据上的错误率仍然很高，此时模型很可能处于过拟合状态C分类器在测试数据上错误率很高就是处于过拟合状态D欠拟合是指模型在训练样本的一般性质尚未被学习器学好第2题评估模型泛化性能的主要方法有（）A留出法BROC曲线C交叉验证法D自助采样法正确答案：ACD第3题以下说法正确的有（）A当模型的复杂程度与分类问题的需求基本匹配是，增加训练数据，可有效提升验证数据集的精度B对于一个给定分类问题，使用相对复杂的网络（深度神经网络），随着正则化强度（如正则化率）的增加，模型很可能会经历从过拟合到欠拟合的转变过程C当模型的复杂程度与分类问题的需求相对简单时，增加训练数据，仍然难以将验证精度提升到较高的水平D当模型的复杂程度与分类问题的需求过于复杂：增加训练数据可以起到类似模型正则化的部分效果正确答案：ABCD第4题假设有两批从同样真实分布中采样得到去完成同一任务的数据A和B。A包含10万个样本；B包含1万个样本。按照9:1的同样比例随机将A和B划分为训练集和测试集。下图给出了数据集A和数据集B随着模型复杂度增加所对应的训练误差（A,Train和B，Train）和测试误差（A,Test和B,Test）曲线图，请指出哪个图正确表示了随着模型复杂度增加所对应训练误差和测试误差的变化曲线图（）ABCD习题（第06讲）第1题下面的描述正确的有（）A贝叶斯决策论的前提假设是决策所依据的概率结构是已知的，在分类问题中假设给定观测数据的类别后验概率是已知的B风险是期望的损失C生成式和判别式分类器都旨在逼近任意观测样本的类别后验概率，因此它们的分类过程是相同的D给定任意独立同分布的观测样本，使其风险最小化的决策规则一定可以极小化总体风险正确答案：ABD第2题对于同类地物光谱差异很大的遥感图像分类问题，宜采取（）A对于每个类别选择尽可能光谱多样化的样本作为训练样本B使用相对复杂的非线性分类器C使用相对简单的线性分类器D充分利用地物的图像平面上的纹理、几何等不随光谱特征改变而改变的地物共性特征。正确答案：ABD第3题对于不同类地物光谱差异很小、任意完全相同的地物分类问题，宜采取（）A增加地物在图像平面上的纹理或几何等特征，提升不同类地物的可分性B基于光谱特征，通过增加模型的复杂程度达到有效分类的目的C扩充同分布的训练数据规模D通过正则化简化分类边界第4题对于训练数据中不同类训练数据量非常不均衡的分类问题，宜采取（）A对于数量少的类别，通过重新采集、数据扩充、过采样等方式增加样本数量，实现平衡不同类训练数据规模的问题B在损失函数中增加数量较少类别样本的权重C修改决策规则，使分类边界适当远离数量少的类别的训练样本D通过欠采样的方式减少数据较多类别的样本数正确答案：ABCD第5题有关贝叶斯决策论的说法错误的是（）A贝叶斯决策论为理想条件下最优分类器设计奠定了理论基础B给定一组数据集，但每个样本的期望损失最低时，数据集的总体期望损失就最低C根据贝叶斯决策论，当采用0-1损失时，理想的分类规则是为样本分配后验概率最大的类别D贝叶斯决策论的假设是决策所依据的问题概率结果是已知的习题（第07讲）第1题有关遥感图像（场景）分类，下面描述错误的有（）A遥感图像中的地表场景通常由一组代表性地物（或局部要素）按某些方式组合而成，因此如何提取图像中局部特征及其空间布局是有效进行场景分类的关键B增加场景分类的遥感图像尺寸相当于增加用于分类的样本可用特征维度C与基于像元光谱特征进行地物分类一样，遥感图像场景分类也是基于遥感图像光谱特征进行场景分类D与传统的基于图像局部特征（如SIFT特征）进行图像分类不同，基于卷积神经网络的场景分类直接基于学习到的图像特征进行场景分类。第2题有关卷积神经网络，下面说法错误的有（）A卷积神经网络通常包含卷积、池化和全连接等基本网络结构B卷积神经网络中“池化”的唯一目的是扩大后续神经网络层提取图像特征的空间视野（亦称感受野）C相对于全连接神经网络而言，卷积神经网络中的卷积和池化一方面可以减少网络的参数量，还可以分别发挥提取图像局部特征和扩大后续神经网络层提取图像特征的空间视野D卷积神经网络进行图像分类的全连接层可以用于捕捉图像场景中不同组成要素组合关系第3题有关卷积神经网络的说法正确的有（）AResNet和DenseNet的工作机制完全相同B更大的卷积核可以从输入图像中提取更大空间范围的图像特征，因此卷积核尺寸越大越好C两个序列层叠的3*3的卷积核和一个5*5的卷积核所提取图像特征的空间范围相当D在卷积特征图中是使用Padding可以提供更多的图像特征习题（第08讲）第1题有关遥感图像对象检测的说法错误的是有关遥感图像对象检测的说法错误的是（）A遥感图像对象检测是指从图像中定位感兴趣的对象并确定其类别的过程B目前基本卷积神经网络的对象检测方法可以划分成“集成定位和分类的一阶段方法”和“先定位对象后分类的两阶段方法C遥感图像对象检测的目标定位表示方式通常为目标的最小包络矩阵D遥感图像对象检测就是遥感图像场景分类第2题有关遥感图像对象检测中的对象定位，说法错误的有（）A对象的中心位置、长宽等定位参数通常被设置为回归问题B对象的中心点位置回归时，通常以选择的锚框中心点坐标为基础，回归优化的目标是使锚框中心点坐标偏离对象真实中心点位置的量与所预测对象的中心点位置偏离对象真实中心点位置的量之间的差异越小越好C对象定位的目标是使预测对象的定位参数直接和对象真实外包络矩阵的参数差异越小越好D对象检测方法的学习是包括对象定位和对象分类的多任务学习问题习题（第09讲）第1题有关遥感图像语义分割的说法正确的有（）A遥感图像语义分割就是基于像元光谱特征分类的过程B全卷积网络是基于卷积神经网络的最早语义分割网络C反卷积也可以转化成经典的卷积过程D反卷积是语义分割中恢复卷积特征图的唯一有效方法正确答案：BC第2题有关遥感图像对象检测中的对象定位，说法错误的有（）A反卷积也被称作转置卷积B碎步（分数步）卷积也是一种反卷积C图像内插也是一种反卷积D反卷积的卷积核参数是可学习的习题（第10讲）第1题有关遥感图像实例分割，下面说法错误的有（）A遥感图像实例分割中的实例表示形式有栅格图和矢量图形两种常见的方式B基于MaskR-CNN的分割结果也可以有效地区分所有同一类型的不同实例C直接矢量化遥感图像实例的分割方法通常先利用对象检测方法定位感兴趣对象类实例，然后推断其矢量边界D大场景小目标强遮挡的图像实例分割仍是实例分割方法面临的主要难题之一第2题有关PolygonRNN的说法错误有（）APolygonRNN最初设计用于简化人工标注B基于PolygonRNN的实例分割是利用RNN序列地预测实例的轮廓点CPolygonRNN可以直接用于提取实例的内外轮廓DPolygonRNN并没有区分实例轮廓中不同类型的点，例如角点或线段上的边缘点习题（第11讲）第1题有关生成对抗网络的说法错误的有（）A生成对抗网络通常包括生成器和判别器两个网络B生成对抗网络和其它神经网络一样可以同时优化模型的所有参数C生成对抗网络的学习过程中生成器和判别器的优化目标并不一致D生成器的学习目标是产生尽可能解决用于训练的真实的图像第2题有关条件生成对抗网络的说法正确的有（）A条件生成对象网络与生成对抗网络的网络结构完全不同B条件生成对抗网络可以用于产生相同地理位置不同季节、不同成像条件下的遥感图像C条件生成对抗网络为生成器产生特定条件下的图像提供了必要的信息D条件生成对抗网络的条件必须为文字等高度抽象的语义信息正确答案：BC习题（第12讲）第1题有关地表土地覆盖遥感制图的说法正确的有（）A随着土地覆盖类型遥感制图的地理范围的扩大，地类的图像特征多样性会增加，因此一般需要添加新增加区域的地物样本B地表自然地物的遥感特征一般存在较强的区域差异，因此利用遥感进行不同区域的地类制图时需要为分类器提供能有效表征区域差异的输入数据C地表地物的时空特性是大尺度土地覆盖遥感制图时重点考虑的因素之一D样本数量很多时，无需顾及其空间分布就可以训练出很好的地表覆盖类型遥感识别模型正确答案：ABC第2题与遥感图像特征空间像元分类和图像平面对象识别相比，地表表层遥感制图的特点有（）A涉及地理范围大、数据量大B被识别对象的图像特征在不同时空背景下获取的遥感图像差异大C存在相同或相似图像特征的不同地物类型更难以在准备训练数据时事先辨识并有效使用D如何有效利用先验地理知识是全球尺度地类遥感制图成功的重要的因素正确答案：ABCD习题（第13讲）第1题下面有关梯度提升决策树的说法，错误的是（）A梯度提升决策树是一种组合分类器B梯度提升决策树属于统计学习中序列向前的加性/相加模型（additivemodel）C梯度提升树是通过序列添加新的决策树以拟合已有决策树预测损失的梯度D梯度提升决策和随机森林一样是基于多数投票的组合分类器第2题下面说法值得进一步商榷的有（）A目前多数遥感图像土地覆盖分类方法均假设待分类的类别是无序的，这种假设与土地覆盖制图的实践是完全吻合的B在遥感图