2025年计算机视觉工程师招聘复习题及答案

2025年计算机视觉工程师招聘复习题及答案一、单项选择题（每题2分，共20题，共40分）1.在数字图像处理中，灰度图像的像素值通常表示的是（）A.颜色饱和度B.亮度或灰度级C.色相角度D.透明度答案：B2.卷积神经网络中，若输入特征图尺寸为32×32×A.30B.32C.32D.28答案：B解析：输出尺寸=323.以下哪一项不是经典的目标检测网络？A.FasterR-CNNB.YOLOv5C.U-NetD.SSD答案：C解析：U-Net是图像分割网络，其余均为目标检测网络。4.在目标检测后处理中，非极大值抑制（NMS）的主要作用是（）A.提高召回率B.去除重叠的冗余检测框C.增加检测框数量D.调整分类阈值答案：B5.关于ReLU激活函数，下列说法错误的是（）A.计算简单，收敛较快B.可缓解梯度消失C.负半区输出为0，可能导致神经元“死亡”D.输出范围为(答案：D解析：ReLU的输出范围为[0,+6.ResNet解决深层网络训练困难的主要结构是（）A.注意力机制B.跳跃连接（残差连接）C.深度可分离卷积D.空洞卷积答案：B7.相机标定中，内参矩阵通常不包含以下哪一项（）A.焦距B.主点坐标C.旋转向量D.像素纵横比答案：C解析：旋转向量属于外参，描述相机与世界坐标系的位姿关系。8.关于BatchNormalization（BN），以下说法正确的是（）A.BN只作用于输入层B.BN能加速训练并起到一定正则化作用C.BN会增大内部协变量偏移D.BN必须放在激活函数之后才有效答案：B9.以下哪种数据增强方式不属于几何变换（）A.随机裁剪B.水平翻转C.色彩抖动D.旋转变换答案：C解析：色彩抖动属于颜色空间变换，不属于几何空间变换。10.语义分割任务中常用的损失函数是（）A.均方误差（MSE）B.交叉熵损失C.对比损失D.Hinge损失答案：B解析：语义分割本质是像素级分类，常用交叉熵损失。11.感受野（ReceptiveField）大小与下列哪一项无关（）A.卷积核大小B.步长C.池化操作D.批大小（batchsize）答案：D12.SSD与YOLO相比，显著的特征是（）A.仅使用单尺度特征图B.使用多尺度特征图进行检测C.使用区域提议网络D.只做实例分割答案：B13.评估目标检测模型整体精度的最常用指标是（）A.Top-1准确率B.mAP（meanAveragePrecision）C.AUCD.FPS答案：B14.关于光流（OpticalFlow），下列说法错误的是（）A.光流描述像素在时间上的运动B.光流计算基于亮度恒定假设C.光流可直接获得场景深度D.LK光流是一种局部方法答案：C解析：光流只能得到像素的视运动，深度需要结合相机几何或额外约束才能恢复。15.以下哪一项不是VisionTransformer（ViT）相对传统CNN的潜在优势（）A.全局感受野B.可建模长距离依赖C.对训练数据量要求较低D.结构适合大规模并行计算答案：C解析：ViT通常需要更多训练数据才能达到与CNN相当的性能，数据需求较高。16.训练GAN时常见的问题是（）A.梯度消失B.模式坍塌（ModeCollapse）C.过拟合D.欠拟合答案：B解析：模式坍塌是GAN训练中生成器只产生少数模式的问题。17.关于深度可分离卷积，以下说法正确的是（）A.相比标准卷积，参数量和计算量更大B.由逐通道卷积和逐点卷积组成C.只用于全连接层D.输出通道数与输入通道数必须相同答案：B18.输入为7×7的特征图，使用A.2B.3C.4D.5答案：B解析：输出尺寸=⌊19.关于交叉熵损失，以下说法正确的是（）A.常用于回归任务B.对预测概率的对数取负C.与KL散度无关D.只适用于二分类答案：B解析：交叉熵常用于分类任务，计算方式为−∑20.在图像分类训练过程中，若训练集准确率很高但验证集准确率明显偏低，最可能发生了（）A.欠拟合B.过拟合C.学习率过低D.数据增强过度答案：B解析：训练集表现好而验证集表现差是过拟合的典型表现。二、多项选择题（每题3分，共5题，共15分）1.下列哪些属于常见的图像滤波操作？A.高斯滤波B.中值滤波C.双边滤波D.拉普拉斯滤波答案：ABCD解析：四个选项分别属于平滑、统计排序、边缘保持和锐化滤波器。2.下列哪些方法可以缓解神经网络的过拟合？A.增加训练数据B.使用DropoutC.增大模型容量D.提前停止（EarlyStopping）答案：ABD解析：增大模型容量会使模型更容易拟合训练集，可能加剧过拟合。3.下列哪些是实例分割任务的特点？A.区分不同实例B.对每个像素赋予语义标签C.同时需要检测和分割D.输出结果不区分同一类别的不同个体答案：ABC解析：实例分割不仅对像素分类，还要区分同一类别的不同实例，因此同时包含检测与分割。4.关于卷积神经网络中的池化层，以下哪些说法正确？A.可以减小特征图尺寸B.最大池化取局部最大值C.平均池化取局部平均值D.池化层引入可训练参数答案：ABC解析：池化层没有可训练参数，其操作是固定的局部统计。5.下列哪些属于生成模型？A.VAEB.GANC.ResNetD.扩散模型（DiffusionModel）答案：ABD解析：ResNet是判别式分类网络，不属于生成模型。三、判断题（每题1分，共10题，共10分）1.在卷积神经网络中，卷积核的参数是通过反向传播学习得到的。答案：正确2.图像直方图均衡化可以增强图像对比度。答案：正确3.在目标检测中，IoU值越大表示预测框与真实框重叠程度越高。答案：正确4.语义分割需要对同一类别的不同个体进行区分。答案：错误解析：区分同类不同个体是实例分割的任务，语义分割只预测像素类别。5.学习率过大可能导致训练过程震荡或发散。答案：正确6.使用更深的网络一定能提高模型在测试集上的准确率。答案：错误解析：网络过深可能带来梯度消失、过拟合等问题，反而不利于测试性能。7.L2正则化会鼓励模型权重值增大。答案：错误解析：L2正则化通过惩罚大权重，鼓励权重值趋近于较小值。8.在图像分类任务中，Top-5准确率一定不低于Top-1准确率。答案：正确解析：Top-5判别范围包含Top-1，因此其准确率必然不低于Top-1。9.光流法假设视频帧之间亮度恒定。答案：正确10.空洞卷积可以在不增加参数量的情况下增大感受野。答案：正确四、简答题（每题5分，共4题，共20分）1.简述卷积神经网络中“感受野”的概念，并说明增大感受野的常见方式。答案：感受野指输出特征图上一个像素对应于输入图像中的区域大小。增大感受野的常见方式包括：(1)增大卷积核尺寸；(2)增加网络深度，堆叠多个卷积层；(3)使用池化或步长大于1的卷积；(4)使用空洞卷积。2.简述目标检测中非极大值抑制（NMS）的基本步骤。答案：(1)对每个类别的所有预测框按置信度从高到低排序；(2)选取置信度最高的框加入保留集合；(3)计算其余框与该框的IoU，若大于设定阈值则将其抑制删除；(4)对剩余未处理框重复上述过程，直到所有框都被处理。3.简述BatchNormalization的作用及其在训练和推理阶段的主要区别。答案：作用：加速网络收敛、稳定训练过程、允许使用更大的学习率，并具有一定的正则化效果。主要区别：训练阶段使用当前mini-batch的均值和方差进行归一化，并更新全局移动统计量；推理阶段使用训练阶段累积的全局均值和方差，进行确定性归一化。4.简述语义分割与实例分割的联系与区别。答案：联系：两者都是像素级任务，需要为图像中的每个像素预测语义类别。区别：语义分割只关注像素的类别，不区分同一类别的不同个体；实例分割不仅需要预测类别，还需要区分同一类别的不同实例，因此通常需要结合检测与分割技术。五、计算与综合题（共2题，共15分）1.（7分）某卷积层输入特征图尺寸为Hin×(1)输出特征图尺寸；(2)该层卷积核的参数量；(3)单张输入图像经过该层时的浮点乘加运算次数（MACs，不考虑加法偏置）。答案：(1)输出特征图尺寸计算如下：H宽度同理，通道数为64，因此输出尺寸为112×(2)参数量=7(3)每个输出点需要7×7×1122.（8分）已知目标检测中两个预测框P1=[0,0,(1)P1与G(2)