2025年计算机视觉工程师考试题库（附答案和详细解析）（1121）.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网络的核心创新点？

A.引入更深的全连接层

B.使用残差连接解决梯度消失

C.采用Inception模块提升特征多样性

D.增加注意力机制强化关键区域

答案：B

解析：ResNet（残差网络）的核心创新是通过残差块（ResidualBlock）引入跳跃连接（SkipConnection），将输入直接叠加到输出层（即(y=F(x)+x)），有效解决了深层网络训练时的梯度消失/爆炸问题。选项A错误，ResNet减少了全连接层；选项C是GoogLeNet的特点；选项D是SE-Net等网络的改进方向。

目标检测中，mAP（平均精度均值）的计算不依赖以下哪项指标？

A.准确率（Precision）

B.召回率（Recall）

C.交并比（IoU）阈值

D.图像分辨率

答案：D

解析：mAP的计算步骤为：对每个类别计算AP（平均精度，基于Precision-Recall曲线下面积），再取所有类别的AP均值。其中AP的计算需设定IoU阈值（如0.5），并依赖不同召回率下的准确率。图像分辨率是输入数据的属性，不直接影响mAP计算逻辑。

以下哪种方法属于图像语义分割的经典模型？

A.FasterR-CNN

B.U-Net

C.YOLOv5

D.AlexNet

答案：B

解析：U-Net是典型的语义分割网络，采用编码器-解码器结构+跳跃连接，适用于医学影像等小样本分割任务。选项A（FasterR-CNN）和C（YOLOv5）是目标检测模型；D（AlexNet）是图像分类模型。

视觉Transformer（ViT）中，PatchEmbedding的作用是？

A.对图像进行下采样以减少计算量

B.将图像分块并映射为序列向量

C.增强图像的局部空间信息

D.替代卷积层提取局部特征

答案：B

解析：ViT将输入图像分割为固定大小的Patch（如16×16），每个Patch通过线性投影展平为向量（即PatchEmbedding），形成长度为((H/16)(W/16))的序列，作为Transformer的输入。选项A是池化层的作用；C和D是卷积层的特性。

数据增强中，“随机裁剪（RandomCrop）”主要用于提升模型的？

A.对尺度变化的鲁棒性

B.对光照变化的鲁棒性

C.对旋转角度的鲁棒性

D.对遮挡的鲁棒性

答案：A

解析：随机裁剪通过调整裁剪区域的大小和位置，模拟图像中目标的尺度变化（如近景/远景），使模型学习到不同尺度下的特征。选项B对应亮度/对比度调整；C对应随机旋转；D对应随机遮挡（如Cutout）。

光流估计的核心任务是？

A.计算图像中的边缘轮廓

B.预测视频帧间的像素运动向量

C.恢复图像的深度信息

D.增强图像的纹理细节

答案：B

解析：光流估计通过分析视频连续帧的像素亮度变化，计算每个像素在两帧间的位移向量（光流场），用于运动分析、视频压缩等任务。选项A是边缘检测；C是深度估计；D是超分辨率或锐化。

以下哪项不是目标检测中AnchorBox的作用？

A.预定义目标的可能长宽比

B.减少边界框回归的难度

C.直接输出最终检测框

D.提高对不同形状目标的覆盖率

答案：C

解析：AnchorBox是预定义的候选框模板（如不同长宽比），用于指导模型学习目标的位置和形状，最终检测框需通过回归调整Anchor的偏移量得到。选项C错误，最终检测框由模型回归生成，而非Anchor直接输出。

图像超分辨率（SR）任务中，常用的损失函数是？

A.交叉熵损失（Cross-EntropyLoss）

B.L1/L2损失（像素级损失）

C.三元组损失（TripletLoss）

D.对比损失（ContrastiveLoss）

答案：B

解析：超分辨率目标是恢复高分辨率图像的像素细节，L1/L2损失直接最小化预测与真实高分辨率图像的像素差异，是最常用的损失函数。选项A用于分类；C和D用于度量学习（如人脸识别）。

三维重建技术中，SfM（运动恢复结构）的输入通常是？

A.单张RGB图像

B.多视角图像序列

C.RGB-D深度图像

D.激光雷达点云

答案：B

解析：SfM通过多幅不同视角的二维图像，估计相机位姿（运动）和场景三维结构（点云），输入需为多视角图像序列。选项A无法恢复三维；C是RGBD重建的输入；D是激光雷达直接获取的点云。

对抗攻击中，“无目标攻击”的目的是？

A.使模型将样本误分类为指定类别

B.使模型无法正确分类样本（任意错误类别）

C.增强模型对扰动的鲁棒性

D.生成与原样本视觉上差异显著的对抗样本

答案：B

解析：无目标攻击（U