2025年计算机视觉工程师考试题库（附答案和详细解析）（1105）.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）

卷积神经网络（CNN）中，卷积核的核心作用是？

A.实现全局信息的特征融合

B.通过局部感受野提取空间特征

C.对输入数据进行降维处理

D.直接输出分类概率

答案：B

解析：卷积核的本质是通过局部感受野（LocalReceptiveField）和权值共享（WeightSharing）机制提取图像的局部空间特征（如边缘、纹理等）。选项A错误，全局信息融合通常由全连接层或注意力机制完成；选项C错误，降维是池化层的功能；选项D错误，输出分类概率是全连接层+Softmax的作用。

以下属于单阶段（One-stage）目标检测算法的是？

A.FasterR-CNN

B.MaskR-CNN

C.YOLOv5

D.R-CNN

答案：C

解析：单阶段算法直接在特征图上回归目标位置和类别（如YOLO、SSD），双阶段算法先通过区域建议网络（RPN）生成候选框再分类（如R-CNN系列）。选项A、B、D均为双阶段算法，只有C是单阶段。

图像分类任务中，常用的损失函数是？

A.均方误差（MSE）损失

B.交叉熵（Cross-Entropy）损失

C.平滑L1（SmoothL1）损失

D.Dice损失

答案：B

解析：交叉熵损失用于衡量预测概率分布与真实分布的差异，适用于分类任务（输出为概率）。选项A用于回归任务（如关键点检测）；选项C用于目标检测中的边界框回归；选项D用于图像分割（衡量预测与真实区域的重叠）。

以下数据增强方法中，属于“颜色空间变换”的是？

A.随机旋转

B.随机水平翻转

C.随机亮度调整

D.随机裁剪

答案：C

解析：颜色空间变换包括调整亮度、对比度、饱和度、色调等（改变像素值的颜色属性）。选项A、B、D均为几何变换（改变图像空间位置或形状）。

在CNN中，特征提取层通常由哪些组件构成？

A.全连接层+激活函数

B.卷积层+池化层

C.归一化层+损失函数

D.循环层+注意力机制

答案：B

解析：特征提取层的核心是卷积层（提取局部特征）和池化层（降维并保留关键信息）。选项A是分类层的组件；选项C中归一化层（如BatchNorm）是辅助层，损失函数不属于网络层；选项D是RNN或Transformer的组件。

以下哪项不是目标检测的评价指标？

A.mAP（平均精度均值）

B.IoU（交并比）

C.PSNR（峰值信噪比）

D.FPS（每秒处理帧数）

答案：C

解析：PSNR是衡量图像质量的指标（如超分辨率任务），目标检测评价指标包括mAP（精度）、IoU（检测框与真实框的重叠度）、FPS（速度）。

图像分割中，“语义分割”与“实例分割”的核心区别是？

A.语义分割不区分同一类别的不同实例，实例分割区分

B.语义分割输出像素级类别，实例分割输出边界框

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CNN，实例分割使用RNN

答案：A

解析：语义分割为每个像素分配类别（如“所有汽车”），实例分割进一步区分同一类别的不同个体（如“汽车1”“汽车2”）。选项B错误，实例分割也输出像素级标签；选项C错误，两者均可处理多类别；选项D错误，均以CNN为基础。

以下哪种网络结构引入了“残差连接”（ResidualConnection）？

A.VGGNet

B.GoogLeNet

C.ResNet

D.AlexNet

答案：C

解析：ResNet（残差网络）通过残差块（F(x)+x）解决深层网络梯度消失问题。其他选项均未使用残差连接。

在目标检测中，“锚框”（AnchorBox）的主要作用是？

A.减少计算量

B.适应不同目标的形状和尺度

C.替代全连接层

D.增强图像对比度

答案：B

解析：锚框是预设的不同长宽比（如1:1、2:1、1:2）的候选框，用于匹配不同形状和大小的目标（如行人、车辆）。选项A错误，锚框会增加计算量；选项C错误，锚框与全连接层功能无关；选项D错误，属于数据增强。

以下哪项属于“自监督学习”在计算机视觉中的应用？

A.使用ImageNet预训练模型

B.基于图像旋转预测的无监督训练

C.标注数据集的有监督训练

D.对抗生成网络（GAN）生成图像

答案：B

解析：自监督学习通过构造代理任务（如旋转角度预测、图像补全）从无标注数据中学习特征。选项A是迁移学习（有监督预训练）；选项C是有监督学习；选项D是生成模型，不属于自监督学习。

二、多项选择题（共10题，每题2分，共20分）

以下属于深度学习框架的有？（至少2个正确选项）

A.PyTorch

B.TensorFlow

C.OpenCV

D.MXNet

答案：ABD

解析：PyTorch、Tens