2025年计算机视觉工程师考试题库（附答案和详细解析）（1111）.docxVIP

计算机视觉工程师考试试卷（总分100分）

一、单项选择题（共10题，每题1分，共10分）

以下哪个是第一个成功应用于实际场景的卷积神经网络（CNN）？

A.AlexNet

B.LeNet

C.VGGNet

D.ResNet

答案：B

解析：LeNet（1998年）由YannLeCun提出，是第一个成功应用于手写数字识别（MNIST数据集）的卷积神经网络，奠定了CNN的基础。AlexNet（2012年）是ImageNet竞赛的突破，但晚于LeNet；VGGNet（2014年）以深度著称；ResNet（2015年）引入残差连接解决梯度消失问题。

在目标检测任务中，mAP（平均精度均值）的计算基于以下哪项指标？

A.召回率（Recall）

B.精确率（Precision）

C.IoU（交并比）

D.F1分数

答案：C

解析：mAP是目标检测的核心评估指标，计算时需先为每个类别计算不同IoU阈值下的平均精度（AP），再取所有类别的均值。IoU是预测框与真实框的交集面积除以并集面积，通常默认阈值为0.5（COCO数据集常用0.5:0.95的多阈值）。其他选项中，召回率和精确率是二分类指标，F1分数是二者的调和平均，均非mAP的直接计算基础。

以下哪种技术不属于图像数据增强方法？

A.随机裁剪（RandomCrop）

B.高斯模糊（GaussianBlur）

C.标签平滑（LabelSmoothing）

D.水平翻转（HorizontalFlip）

答案：C

解析：数据增强是对输入图像进行变换以增加数据多样性，常用方法包括随机裁剪、翻转、旋转、模糊等。标签平滑（LabelSmoothing）是正则化技术，通过将硬标签（如[1,0,0]）转换为软标签（如[0.9,0.05,0.05]）来防止模型过拟合，属于损失函数优化范畴，而非数据增强。

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.语义分割使用全卷积网络，实例分割使用R-CNN系列

C.语义分割不要求边界精度，实例分割要求高精度

D.语义分割仅处理单类别，实例分割处理多类别

答案：A

解析：语义分割（SemanticSegmentation）为每个像素分配类别标签（如“人”“车”），但不区分同一类别的不同个体（如两个不同的人）；实例分割（InstanceSegmentation）不仅分配类别，还需将同一类别的不同个体（实例）区分开（如“人1”“人2”）。其他选项中，全卷积网络（FCN）是语义分割的基础模型，但实例分割也可基于FCN扩展（如MaskR-CNN）；边界精度是两者的共同要求；语义分割和实例分割均支持多类别。

在卷积操作中，“感受野（ReceptiveField）”指的是？

A.卷积核的大小（如3×3）

B.特征图中一个像素对应原始图像的区域

C.卷积层的步长（Stride）

D.输入图像的分辨率

答案：B

解析：感受野是指特征图中一个像素点对应原始输入图像的区域大小，反映该像素受输入图像中哪些区域的影响。卷积核大小（如3×3）是局部感受野的直接影响因素，但感受野的最终大小还与层数、步长、填充等有关。步长影响特征图的下采样比例，输入分辨率是原始数据属性，均非感受野的定义。

以下哪项是YOLO系列算法的核心特点？

A.基于候选区域（RegionProposal）

B.单阶段（One-stage）端到端检测

C.多尺度特征融合（FPN）

D.高召回率的锚框（Anchor）设计

答案：B

解析：YOLO（YouOnlyLookOnce）是典型的单阶段目标检测算法，直接在特征图上回归目标的位置和类别，无需生成候选区域（如R-CNN系列的两阶段方法）。多尺度特征融合（FPN）是YOLOv3及后续版本引入的改进，但非核心特点；高召回率锚框设计是SSD等算法的特点；基于候选区域是FasterR-CNN的核心。

以下哪种损失函数常用于图像分割任务？

A.交叉熵损失（CrossEntropyLoss）

B.均方误差（MSE）

C.三元组损失（TripletLoss）

D.对比损失（ContrastiveLoss）

答案：A

解析：图像分割是像素级分类任务，交叉熵损失（或其变体，如DiceLoss、FocalLoss）用于衡量预测类别分布与真实标签的差异，是最常用的损失函数。均方误差用于回归任务（如图像重建）；三元组损失和对比损失用于度量学习（如人脸识别）。

以下哪项不属于视觉Transformer（ViT）的关键组件？

A.自注意力层（Self-Attention）

B.位置编码（PositionEmbedding）

C.卷积核（Conv