2025年计算机视觉工程师考试题库（附答案和详细解析）（1214）.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.引入更深的网络层数（超过100层）

B.提出残差连接（ResidualConnection）

C.使用更小的3×3卷积核

D.采用注意力机制（SEBlock）

答案：B

解析：ResNet的核心贡献是通过残差连接（F(x)+x）解决了深度网络的梯度消失问题，使训练超深层网络成为可能。选项A错误，更深层数是结果而非创新点；选项C是VGG的特点；选项D是SENet的创新。

图像分类任务中，感受野（ReceptiveField）指的是？

A.卷积核的尺寸大小

B.输入图像中影响某一输出特征图像素的区域范围

C.特征图的空间分辨率

D.全连接层的神经元数量

答案：B

解析：感受野定义为输出特征图中一个像素对应的输入图像区域，反映该像素能感知的原始图像范围。选项A是卷积核尺寸，与感受野相关但不等同；选项C是特征图大小；选项D与感受野无关。

以下哪种方法最适合解决过拟合问题？

A.增加训练数据量

B.减少网络层数

C.提高学习率

D.移除激活函数

答案：A

解析：过拟合的本质是模型对训练数据过度记忆，增加数据量（或数据增强）可提升模型泛化能力。选项B可能降低模型容量，但可能导致欠拟合；选项C会加剧参数震荡；选项D会破坏非线性表达能力。

YOLOv5中用于多尺度目标检测的模块是？

A.SPP（空间金字塔池化）

B.FPN（特征金字塔网络）

C.PAN（路径聚合网络）

D.以上都是

答案：D

解析：YOLOv5同时使用SPP增强特征多样性、FPN从高到低传递语义信息、PAN从低到高传递位置信息，三者结合实现多尺度检测。其他选项均为部分模块，不完整。

语义分割任务的输出通常是？

A.图像中每个像素的类别标签

B.图像中目标的边界框与类别

C.图像的全局类别标签

D.图像中目标的关键点坐标

答案：A

解析：语义分割要求为每个像素分配类别（如“道路”“车辆”），强调类别层面的分割。选项B是目标检测任务；选项C是图像分类；选项D是关键点检测。

以下哪种数据增强方法不属于几何变换？

A.随机裁剪（RandomCrop）

B.颜色抖动（ColorJitter）

C.水平翻转（HorizontalFlip）

D.旋转（Rotation）

答案：B

解析：几何变换改变图像空间结构（位置、角度等），颜色抖动属于颜色空间变换。其他选项均涉及几何变形。

迁移学习（TransferLearning）的主要应用场景是？

A.训练数据量极大时

B.目标任务与预训练任务差异显著时

C.目标任务数据量有限时

D.模型需要完全从头训练时

答案：C

解析：迁移学习通过复用预训练模型的特征提取能力，解决目标任务数据不足的问题。选项A无需迁移；选项B需调整模型结构；选项D是从头训练，与迁移学习无关。

对抗生成网络（GAN）中，生成器（Generator）的目标是？

A.最大化判别器判断真实数据的概率

B.最小化判别器判断生成数据为假的概率

C.最大化判别器判断生成数据为真的概率

D.最小化生成数据与真实数据的像素差异

答案：C

解析：GAN的博弈目标是生成器（G）试图让判别器（D）将生成数据误判为真实（最大化D(G(z))），判别器试图区分真实与生成数据。选项A是判别器对真实数据的目标；选项B表述不完整；选项D是Autoencoder的目标。

以下哪项是ViT（VisionTransformer）与传统CNN的核心差异？

A.不使用卷积操作，直接处理图像块（Patch）

B.采用更深的网络结构

C.需要更大的训练数据量

D.同时支持图像分类与目标检测

答案：A

解析：ViT将图像分割为Patch后展平，通过自注意力机制建模全局依赖，完全摒弃了卷积操作。选项B错误，ViT层数未必更深；选项C是ViT的特点但非核心差异；选项D两种模型均可扩展支持。

计算两个边界框的交并比（IoU）时，分母是？

A.两个框的面积之和

B.两个框的交集面积

C.两个框的并集面积

D.较大框的面积

答案：C

解析：IoU=交集面积/并集面积，分母是并集（两框面积之和减去交集面积）。选项A是分母的错误计算；选项B是分子；选项D无意义。

二、多项选择题（共10题，每题2分，共20分）

以下属于经典卷积神经网络的有？（多选）

A.LeNet-5

B.AlexNet

C.BERT

D.VGGNet

答案：ABD

解析：LeNet（手写数字识别）、AlexNet（ImageNet里程碑）、VGG（加深网络）均为经典CNN；BERT是自然语言处理的Transformer模型，不属于CV领域。

数据增