2026年cv入社测试题及答案

2026年cv入社测试题及答案

一、单项选择题（每题2分，共20分）1.在计算机视觉中，用于衡量两个图像相似度且对光照变化最不敏感的指标是A.欧氏距离B.余弦相似度C.SSIMD.归一化互相关2.卷积神经网络中，若输入为256×256×3，使用32个5×5卷积核，步长为1，padding为2，则输出特征图尺寸为A.252×252×32B.256×256×32C.258×258×32D.254×254×323.下列哪种数据增强方式对目标检测任务中边界框坐标无需额外处理A.随机水平翻转B.随机旋转30°C.随机裁剪D.颜色抖动4.在YOLOv5中，负责预测物体中心点偏移量的分支位于A.BackboneB.NeckC.HeadD.Anchorgenerator5.使用双目相机进行深度估计时，基线距离增大将直接导致A.视差减小B.深度精度提高C.视差增大D.深度范围缩小6.在Transformer视觉模型中，位置编码通常采用A.正弦余弦函数B.可学习向量C.零填充D.高斯分布采样7.若一幅8bit灰度图的直方图呈单峰且靠近低灰度值，则最适合的二值化方法是A.OtsuB.固定阈值128C.自适应均值D.最大熵8.在图像分割任务中，DiceLoss相较于交叉熵损失的主要优势是A.对类别不平衡不敏感B.计算速度更快C.更容易收敛到全局最优D.可直接优化IoU9.使用SIFT算法提取特征时，尺度空间极值检测的第一步是A.构建高斯差分金字塔B.计算Harris角点C.生成方向直方图D.描述子归一化10.在OpenCV中，函数cv2.findHomography计算的单应矩阵自由度为A.6B.7C.8D.9二、填空题（每题2分，共20分）11.Canny边缘检测的双阈值中，高阈值与低阈值的推荐比例约为____:1。12.BatchNormalization在训练阶段使用的均值和方差是通过____统计得到的。13.在ResNet中，恒等映射分支被称为____连接。14.使用HOG特征时，一个细胞单元默认划分为____个方向bin。15.对于焦距为f、像元尺寸为μ的相机，其内参矩阵中fx的表达式为____。16.在MaskR-CNN中，RoIAlign相对于RoIPooling取消了____操作。17.光流法基本假设之一是在极短时间内____保持不变。18.若卷积核尺寸为3×3，dilation=2，则等效感受野大小为____。19.在图像检索中，将高维特征压缩为二进制编码的技术称为____。20.使用KL散度衡量两个高斯分布时，若二者协方差矩阵相同，则KL散度退化为____距离。三、判断题（每题2分，共20分）21.直方图均衡化能够消除图像中的椒盐噪声。22.在YOLO系列中，每个网格单元预测的边界框数量等于anchor数量。23.使用数据增强时，对语义分割标签必须采用与图像完全相同的插值方式。24.双目视觉的极线校正目的是使对应点位于同一行。25.卷积操作本身具有旋转不变性。26.在VisionTransformer中，PatchEmbedding可通过卷积实现。27.使用RANSAC估计单应矩阵时，迭代次数与内点比例无关。28.高斯滤波器在频域表现为低通滤波。29.在FasterR-CNN中，RPN网络的分类分支输出的是前景/背景概率。30.图像金字塔中的上层图像分辨率是下层的四分之一。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基本流程。32.说明BatchNormalization在卷积神经网络中能够缓解梯度消失的具体机制。33.列举三种常见的图像颜色空间并指出各自在计算机视觉中的典型应用。34.描述光流法中的亮度一致性假设及其在实际场景中的局限性。五、讨论题（每题5分，共20分）35.讨论在移动端部署视觉模型时，如何在精度、延迟与功耗之间取得平衡，并给出至少两种具体优化策略。36.针对小目标检测难题，分析FPN、Transformer与超分辨率三种思路的优劣，并提出一种融合方案。37.无监督域适应在视觉任务中日益重要，请对比图像级与特征级对齐方法，并讨论其适用场景差异。38.近年来VisionTransformer在多项视觉任务上超越CNN，请从归纳偏置、数据规模与计算效率角度探讨CNN是否会被完全替代。答案与解析一、单项选择题1.B2.B3.A4.C5.C6.A7.A8.A9.A10.C二、填空题11.212.滑动窗口（或mini-batch）13.残差（skip）14.915.f/μ16.量化（取整）17.灰度值18.5×519.哈希（或二值编码）20.马氏三、判断题21×22√23×24√25×26√27×28√29√30√四、简答题31.NMS用于去除冗余检测框。流程：按置信度排序；选最高置信度框；计算与其余框IoU；剔除IoU大于阈值的框；重复直至无剩余框。32.BN将每层输入归一到N(0,1)，避免信号落入激活函数饱和区，使梯度保持较大值；同时γ、β可恢复表达能力，兼顾收敛速度与稳定性。33.RGB用于通用显示与深度学习；HSV在色彩分割、跟踪中分离亮度与色度；LAB在颜色差异度量、图像增强中接近人眼感知。34.亮度一致性假设认为同一像素点在短时间内灰度不变；局限：受光照突变、遮挡、运动模糊影响，导致估计误差。五、讨论题35.可采用量化剪枝降低模型体积，配合知识蒸馏保持精度；使用NAS搜索适合移动端的轻量结构；利用DSP/GPU异构调度降低功耗；通过帧率自适应在静止场景降低计算频率。36.FPN通过多尺度特征融合提升小目标召回，但高层语义仍粗糙；Transformer全局建模强，却需大数据；超分辨率直接增加分辨率，计算开销大。融合方案：先用超分辨率模块重构图像，再输入带有多尺度cross-attention的Transformer-FPN混合neck，最后由细粒度anchor-free头输出。37.图像级对齐通过风格迁移或生成对抗将源域图像转换到目标域外观，易引入伪影，适合标签稀缺场景；特征级对齐在深度特征空间减小域差异，保留内容结构，需足够标签训练判别