2025年计算机视觉工程师考试题库（附答案和详细解析）（1106）.docxVIP

计算机视觉工程师专业考试试卷

一、单项选择题（共10题，每题1分，共10分）

以下哪项是ResNet网络的核心创新点？

A.引入注意力机制（SE模块）

B.使用残差连接（ResidualConnection）

C.采用分组卷积（GroupConvolution）

D.设计更深的全连接层

答案：B

解析：ResNet（残差网络）的核心贡献是提出残差连接（B），通过跳跃连接解决了深层网络的梯度消失问题。A是SENet的创新，C是ShuffleNet的特点，D不符合CNN的典型结构（CNN以卷积层为主，全连接层通常较浅）。

在目标检测中，“锚框（AnchorBox）”的主要作用是？

A.提升图像分辨率

B.预定义不同长宽比的候选框

C.增强特征图的语义信息

D.替代非极大值抑制（NMS）

答案：B

解析：锚框是目标检测（如FasterR-CNN、YOLO）中预定义的不同长宽比的候选框（B），用于匹配真实物体的形状。A是上采样的作用，C是特征融合（如FPN）的目标，D中NMS用于过滤重复检测框，与锚框无关。

以下哪种数据增强方法主要用于解决光照变化带来的鲁棒性问题？

A.随机裁剪（RandomCrop）

B.水平翻转（HorizontalFlip）

C.亮度调整（BrightnessAdjustment）

D.随机旋转（RandomRotation）

答案：C

解析：亮度调整（C）通过改变图像的明暗程度，模拟不同光照条件，提升模型对光照变化的鲁棒性。A用于增加目标位置的多样性，B用于增强左右对称性的泛化，D用于应对旋转场景。

语义分割与实例分割的根本区别是？

A.语义分割输出类别概率图，实例分割输出边界框

B.语义分割区分不同类别，实例分割区分同一类别的不同个体

C.语义分割仅处理单类别，实例分割处理多类别

D.语义分割使用全连接层，实例分割使用卷积层

答案：B

解析：语义分割为每个像素分配类别（如“人”“车”），但不区分同一类别的不同个体；实例分割则进一步区分同一类别中的不同个体（如“人1”“人2”）（B）。A错误，实例分割也输出像素级结果；C错误，两者均支持多类别；D错误，两者均以卷积层为主。

光流估计（OpticalFlow）的主要应用场景是？

A.图像超分辨率

B.视频中的运动物体检测

C.图像风格迁移

D.目标检测中的锚框生成

答案：B

解析：光流估计通过计算相邻帧像素的位移场，主要用于分析视频中的运动信息（如运动物体检测）（B）。A是SRCNN等模型的任务，C是CycleGAN等模型的应用，D与锚框生成无关。

以下哪项是YOLOv1相对于FasterR-CNN的核心改进？

A.引入区域提议网络（RPN）

B.将检测问题转化为回归问题

C.使用特征金字塔（FPN）

D.采用多尺度训练

答案：B

解析：YOLOv1将目标检测从“先提议区域再分类”的两阶段流程，转化为直接回归边界框和类别概率的单阶段方法（B）。A是FasterR-CNN的创新，C是YOLOv3及后续版本引入的，D是常见优化策略，非YOLOv1特有。

在计算交并比（IoU）时，正确的公式是？

A.（预测框面积+真实框面积）/（预测框面积×真实框面积）

B.（预测框面积×真实框面积）/（预测框面积+真实框面积-交集面积）

C.交集面积/（预测框面积+真实框面积-交集面积）

D.交集面积/（预测框面积×真实框面积）

答案：C

解析：IoU定义为两个框交集面积与并集面积的比值，而并集面积=预测框面积+真实框面积-交集面积，因此IoU=交集面积/并集面积（C）。其他选项均不符合数学定义。

以下哪种网络结构主要用于解决小目标检测问题？

A.VGGNet

B.特征金字塔网络（FPN）

C.GoogLeNet（Inception）

D.AlexNet

答案：B

解析：FPN（特征金字塔网络）通过融合不同尺度的特征图，为小目标提供更丰富的上下文信息（B）。A、C、D均为分类网络，未针对多尺度目标检测优化。

以下哪项不是图像分类任务的常用评价指标？

A.准确率（Accuracy）

B.平均精度（mAP）

C._top-5准确率

D.错误率（ErrorRate）

答案：B

解析：mAP（平均精度均值）是目标检测的核心指标（B），而图像分类常用准确率、top-5准确率、错误率等。

以下哪种损失函数常用于语义分割任务？

A.交叉熵损失（Cross-EntropyLoss）

B.三元组损失（TripletLoss）

C.平滑L1损失（SmoothL1Loss）

D.对比损失（ContrastiveLoss）

答案：A

解析：语义分割是