2026年人工智能与计算机视觉技术考试试题及答案

2026年人工智能与计算机视觉技术考试试题及答案一、单项选择题（每题2分，共20分）1.在卷积神经网络中，两个3×A.3B.5C.7D.92.下列激活函数中，反向传播时最容易出现梯度消失问题的是？A.ReLUB.LeakyReLUC.SigmoidD.Maxout3.目标检测中，交并比（IoU）的取值范围是？A.[B.[C.[D.(4.输入特征图尺寸为32×32×A.30B.30C.32D.325.YOLO系列算法属于下列哪一类目标检测方法？A.两阶段方法B.单阶段方法C.传统人工特征方法D.实例分割方法6.训练集准确率接近100%而验证集准确率明显偏低，模型最可能出现了？A.欠拟合B.过拟合C.梯度爆炸D.学习率过低7.深度学习训练过程中，学习率设置过大会导致？A.模型收敛更平稳B.损失值震荡不收敛C.梯度消失D.模型参数量增加8.随机裁剪、水平翻转、色彩抖动等数据增强方法的主要作用是？A.减少模型参数量B.提升模型泛化能力C.加快前向传播速度D.增加模型网络深度9.精确率（Precision）与召回率（Recall）的调和平均称为？A.准确率（Accuracy）B.马修斯相关系数（MCC）C.F1-scoreD.AUC10.下列关于池化层作用的描述，错误的是？A.降低特征图的空间分辨率B.扩大感受野C.减少计算量与参数量D.必然提升模型精度二、判断题（每题2分，共20分）1.卷积神经网络的权值共享机制可以有效减少模型的参数数量。2.批量归一化（BatchNormalization）只能应用于卷积层之后。3.IoU值越大，表示预测框与真实框的重合程度越低。4.由于学习率越大梯度下降越快，因此可以将学习率设置为任意大的值。5.直方图均衡化通过变换灰度直方图来增强图像对比度。6.目标检测任务只需确定目标在图像中的位置，无需判断目标类别。7.当数据集类别分布不平衡时，仅用准确率（Accuracy）评价模型性能往往不够全面。8.与卷积层相比，全连接层的参数量与输入图像尺寸直接相关，通常更容易产生参数冗余。9.ReLU激活函数在输入小于0时导数为0。10.迁移学习可以利用大规模数据集上预训练的模型来提升小样本任务的性能。三、名词解释（每题4分，共20分）1.感受野（ReceptiveField）2.非极大值抑制（NMS）3.过拟合（Overfitting）4.交并比（IoU）5.迁移学习四、简答题（每题6分，共24分）1.简述卷积层的两大核心特性，并说明其意义。2.简述常见的图像数据增强方法（至少四种）及其作用。3.简述两阶段目标检测方法与单阶段目标检测方法的主要区别。4.什么是梯度消失和梯度爆炸？列举两种常见的缓解方法。五、综合题（每题8分，共16分）1.给定输入图像A（大小为5×A卷积核K为：K参数设置：stride=1，padding=0。试求：(1)输出特征图的尺寸；(2)写出输出特征图中O00(3)若卷积层包含偏置项，求该卷积层的参数量。答案：(1)由输出尺寸公式Hout=(Hin+2p−k(2)卷积过程为卷积核与输入图像对应位置的3×3窗口逐元素相乘后求和。O00O按stride=1依次滑动窗口计算，输出特征图为：O(3)单输入通道、单卷积核情况下，参数量为k×解析：输出尺寸需严格代入公式并注意padding与stride的取值；逐元素乘加运算时注意窗口与卷积核位置对齐；单卷积核情形下，参数量等于卷积核元素个数加偏置数。2.某智能安防系统需要在监控视频中实时完成行人检测与计数。请设计一个基于深度学习的解决方案，要求说明：(1)选择单阶段还是两阶段检测模型，并说明理由；(2)训练数据的来源与预处理方案；(3)模型的评价指标；(4)推理部署阶段的优化措施。参考答案与解析一、单项选择题1.答案：B解析：第一层卷积后，特征图上每个神经元对应输入3×3区域；第二层卷积后，每个神经元对应第一层特征图3×2.答案：C解析：Sigmoid导数最大值为0.25，且在饱和区导数接近0，多层链式求导后梯度逐层衰减，容易引发梯度消失。3.答案：B4.答案：C解析：代入公式Ho5.答案：B6.答案：B7.答案：B解析：学习率过大会使参数更新步长过大，损失函数在最优解附近震荡甚至发散。8.答案：B9.答案：C10.答案：D解析：池化通过下采样扩大感受野并减少计算量，但会丢失部分细节信息，并非必然提升精度。二、判断题1.答案：正确2.答案：错误解析：BN可插在卷积层或全连接层之后、激活函数之前，适用范围不限于卷积层。3.答案：错误4.答案：错误解析：学习率过大会导致损失震荡、不收敛甚至发散，需结合训练情况动态调整。5.答案：正确6.答案：错误解析：目标检测同时完成目标的定位与分类，二者缺一不可。7.答案：正确8.答案：正确解析：卷积层参数量由卷积核尺寸与输入输出通道数决定，与输入图像空间尺寸无关；全连接层权重矩阵大小直接取决于输入节点数，因而随输入尺寸变化，且规模通常更大。9.答案：正确解析：ReLU在输入大于0时导数为1，小于0时导数为0，在0点处通常约定导数为0。10.答案：正确三、名词解释1.答案：卷积神经网络中，特征图上某一神经元所对应的输入图像区域大小。感受野越大，神经元可利用的上下文信息越丰富，对全局结构的感知能力越强。2.答案：目标检测后处理中用于去除冗余候选框的方法：对同一目标产生的多个重叠候选框，先按置信度从高到低排序，保留得分最高的框，再抑制与其IoU大于设定阈值的其余框，最终每个目标仅保留一个检测结果。3.答案：模型在训练集上表现优异、在验证集或测试集上表现较差的现象，本质是模型过度学习了训练数据中的噪声和细节，缺乏泛化能力。4.答案：预测框与真实框交集面积与并集面积的比值，取值范围为[05.答案：将源任务上已学到的知识（如ImageNet预训练模型的特征提取能力）迁移到目标任务中，通过复用预训练权重、微调等方式提升目标任务在样本有限情况下的性能。四、简答题1.答案：(1)局部连接：每个神经元仅与输入的局部区域连接，符合图像的局部相关性先验，有效减少参数数量；(2)权值共享：同一卷积核在所有空间位置上滑动复用，参数被整幅特征图共享，进一步大幅削减参数量，同时使模型具备平移等变性。2.答案：(1)几何变换：随机裁剪、水平翻转、旋转、缩放等，增强模型对目标尺度与姿态变化的鲁棒性；(2)色彩变换：调整亮度、对比度、饱和度或进行色彩抖动，增强对光照变化的适应性；(3)噪声注入：添加高斯噪声、椒盐噪声，提高模型抗干扰能力；(4)样本混合：Mixup、CutMix等，扩充样本分布空间，缓解过拟合。3.答案：两阶段方法（如FasterR-CNN）先生成候选区域，再对每个候选区域进行分类和边界框回归，检测精度高但推理速度较慢；单阶段方法（如YOLO、SSD）直接在特征图上回归目标类别与边界框，省去候选区域生成步骤，推理速度快、适合实时场景，但精度相对略低，对密集小目标场景的检测能力较弱。4.答案：梯度消失指反向传播时梯度随网络层数逐层连乘而趋近于0，导致浅层参数几乎无法更新；梯度爆炸指梯度逐层连乘快速增长，导致参数更新剧烈、训练不稳定。常见缓解方法：(1)使用ReLU等非饱和激活函数；(2)采用批量归一化（BatchNormalization）；(3)引入残差结构；(4)使用梯度裁剪。五、综合题2.答案：(1)选择单阶段模型（如YOLO系列）。理由：监控场景对实时性要求高，单阶段方法在保证一定检测精度的同时推理速度快，更适合视频流的逐帧实时处理。(2)训练数据：使用公开行人数据集（如CityPersons、CaltechPedestrian）并结合监控场景采集的自有数据，对行人目标进行边界框标注。预处理：统一图像缩放、归一化，使用随机裁剪、水平翻转、色彩抖动等数据增强，并针对遮挡、密集场景进行难例挖掘。(3)评价指标：检测精度方面使用mAP、IoU；分类与定位质量综合使用Precision、Recall、F1-score；实时性方面使用FPS（每秒处理帧数），以及模型参数量、计算量（FLOPs）。(4)