2025年计算机视觉工程师考试题库（附答案和详细解析）（1015）.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）

以下哪项是ResNet网络的核心创新？

A.引入Inception模块

B.使用全局平均池化替代全连接层

C.提出残差连接（ResidualConnection）

D.采用深度可分离卷积

答案：C

解析：ResNet（残差网络）的核心创新是通过残差块（ResidualBlock）引入短路连接（SkipConnection），解决了深度神经网络中的梯度消失和退化问题（随着网络加深，训练误差反而增大）。选项A是Inception系列的特点，选项B是GoogLeNet的改进，选项D是MobileNet的核心技术。

在目标检测任务中，FasterR-CNN的关键组件是？

A.滑动窗口分类器

B.区域提议网络（RPN）

C.多尺度特征金字塔（FPN）

D.非极大值抑制（NMS）

答案：B

解析：FasterR-CNN将区域提议（RegionProposal）和目标检测集成到同一网络中，通过区域提议网络（RPN）替代传统的SelectiveSearch算法，大幅提升了提议框的生成效率。选项A是传统目标检测（如Viola-Jones）的方法，选项C是YOLOv3及后续改进中常用的多尺度检测技术，选项D是所有目标检测算法中用于过滤重复框的后处理步骤。

语义分割任务的核心目标是？

A.检测图像中所有目标的边界框

B.对图像整体进行类别分类

C.提取图像中的边缘和角点

D.为每个像素分配类别标签

答案：D

解析：语义分割（SemanticSegmentation）要求对图像中每个像素点预测其所属的类别（如“人”“车”“道路”），实现像素级别的分类。选项A是目标检测的任务，选项B是图像分类的任务，选项C是特征提取的基础操作。

以下哪种数据增强方法属于几何变换？

A.随机裁剪（RandomCrop）

B.随机亮度调整（RandomBrightness）

C.随机高斯模糊（RandomGaussianBlur）

D.随机色彩抖动（RandomColorJitter）

答案：A

解析：几何变换主要改变图像的空间结构（如位置、形状），包括旋转、翻转、裁剪、缩放等；而亮度调整、模糊、色彩抖动属于像素值变换（photometrictransformation）。因此选项A正确。

目标检测中常用的评价指标mAP（MeanAveragePrecision）的计算基于？

A.精确率（Precision）和召回率（Recall）的平衡点

B.不同召回率下精确率的平均值

C.预测框与真实框的交并比（IoU）阈值

D.分类准确率和定位误差的加权和

答案：B

解析：mAP是多个类别（如COCO的80类）的平均AP（AveragePrecision），而AP是对精确率-召回率（P-R）曲线下面积的积分（即不同召回率点对应的精确率的平均值）。选项C是计算AP时的前提（需设定IoU阈值，如0.5），但不是mAP的直接计算依据。

两个3×3的卷积核（步长1，无填充）级联后的感受野（ReceptiveField）大小是？

A.3×3

B.4×4

C.5×5

D.7×7

答案：C

解析：感受野计算遵循递推公式：(RF_n=RF_{n-1}+(k_n-1)s_{n-1})（其中(k_n)为当前层核大小，(s_{n-1})为前一层步长）。第一个3×3卷积的感受野是3×3；第二个3×3卷积的感受野是3+(3-1)×1=5×5。因此选C。

YOLOv1的输出张量中，每个网格负责预测？

A.多个边界框（BoundingBox）

B.单个类别概率

C.图像级别的全局特征

D.多尺度特征图

答案：A

解析：YOLOv1将图像划分为(SS)的网格，每个网格预测(B)个边界框（含坐标、置信度）及(C)个类别概率。选项B错误（类别概率是网格共享的），选项C是图像分类的任务，选项D是YOLOv3引入的多尺度检测。

以下哪个模型是图像超分辨率（SuperResolution）的经典方法？

A.MaskR-CNN

B.U-Net

C.SSD

D.ESPCN（EfficientSub-PixelCNN）

答案：D

解析：ESPCN（高效子像素卷积网络）通过子像素卷积层（Sub-PixelConvolution）将低分辨率特征图上采样为高分辨率图像，是超分辨率任务的经典模型。选项A是实例分割模型，选项B是医学图像分割模型，选项C是目标检测模型。

光流估计（OpticalFlowEstimation）的主要目的是？

A.提取图像中的显著区域

B.增强图像的边缘信息

C.计算