2025年计算机视觉工程师考试题库（附答案和详细解析）（0921）.docxVIP

计算机视觉工程师考试试卷

一、单项选择题（共10题，每题1分，共10分）

以下哪个模型首次在图像分类任务中引入了“残差块”结构？

A.AlexNet

B.VGGNet

C.ResNet

D.GoogLeNet

答案：C

解析：ResNet（残差网络）由He等人提出，其核心创新是通过残差块（ResidualBlock）解决深层网络的梯度消失问题，允许训练超过100层的网络。AlexNet的贡献是ReLU激活函数和局部响应归一化（LRN）；VGGNet采用小卷积核（3×3）堆叠；GoogLeNet（Inceptionv1）引入多尺度卷积核并行的Inception模块。因此正确答案为C。

目标检测任务中，“IoU”（交并比）的计算对象是？

A.预测框与真实框的重叠区域面积

B.预测框面积与真实框面积的比值

C.预测框与真实框的交集面积除以并集面积

D.预测框与真实框的并集面积除以交集面积

答案：C

解析：IoU（IntersectionoverUnion）是目标检测中衡量预测框与真实框重叠程度的指标，定义为两者交集面积与并集面积的比值（IoU=交集面积/并集面积）。选项A仅描述了交集面积，未涉及并集；选项B是面积比值，与IoU无关；选项D颠倒了分子分母。因此正确答案为C。

以下哪种数据增强方法主要用于解决光照变化带来的模型鲁棒性问题？

A.随机水平翻转

B.颜色抖动（ColorJitter）

C.随机裁剪

D.仿射变换（旋转/平移）

答案：B

解析：颜色抖动通过调整图像的亮度、对比度、饱和度和色调，模拟不同光照条件下的图像变化，提升模型对光照变化的鲁棒性。随机翻转、裁剪和仿射变换主要增强模型对目标位置、尺度和方向的不变性，与光照无关。因此正确答案为B。

语义分割与实例分割的核心区别在于？

A.语义分割输出像素级类别，实例分割需区分同一类别的不同个体

B.语义分割仅输出边界框，实例分割输出像素级掩码

C.语义分割使用全连接层，实例分割使用卷积层

D.语义分割是二分类任务，实例分割是多分类任务

答案：A

解析：语义分割（SemanticSegmentation）为每个像素分配类别标签（如“汽车”“行人”），但不区分同一类别的不同个体；实例分割（InstanceSegmentation）不仅分配类别，还需为同一类别的不同个体（如多辆汽车）生成独立的掩码。选项B错误，语义分割也输出像素掩码；选项C和D均不符合两种任务的定义。因此正确答案为A。

在YOLOv1中，网络输出的张量维度通常为“7×7×30”，其中“30”的含义是？

A.每个网格预测30个边界框

B.每个网格预测2个边界框，每个框包含5个参数（x,y,w,h,置信度）+20类概率

C.每个网格预测30类目标的概率

D.每个网格包含30个特征通道

答案：B

解析：YOLOv1将图像划分为7×7的网格，每个网格预测2个边界框（BoundingBox），每个框包含4个坐标参数（x,y,w,h）和1个置信度（反映框内存在目标的概率及预测框与真实框的IoU），共2×5=10个参数；剩余20个参数为20类目标的条件概率（假设每个网格最多有一个类别）。因此7×7×(2×5+20)=7×7×30。选项A错误，每个网格预测2个框；选项C混淆了类别数（20类）；选项D与YOLOv1的输出结构无关。正确答案为B。

以下哪项不是Transformer在计算机视觉中应用的典型改进？

A.引入位置编码（PositionalEncoding）

B.将图像分块（Patch）作为输入序列

C.使用自注意力机制替代卷积

D.保留全连接层作为分类头

答案：D

解析：视觉Transformer（ViT）的典型改进包括：将图像分割为固定大小的Patch（如16×16），展平后添加位置编码作为输入序列；通过多头自注意力（Multi-HeadSelf-Attention）建模全局依赖；通常使用MLP（多层感知机）作为分类头，而非传统的全连接层。选项D描述的是传统CNN的分类方式，不是ViT的改进。因此正确答案为D。

以下哪种损失函数常用于目标检测任务中的边界框回归？

A.CrossEntropyLoss

B.SmoothL1Loss

C.FocalLoss

D.DiceLoss

答案：B

解析：SmoothL1Loss是L1Loss的平滑版本，对离群点（Outliers）不敏感，常用于边界框回归任务（如FasterR-CNN、YOLO系列）。CrossEntropyLoss用于分类任务；FocalLoss用于解决类别不平衡问题（如难样本挖掘）；DiceLoss常用于语义分割的像素级分类。因此正确答案为B。

在图像分类任务中，“过