2025年计算机视觉工程师考试题库（附答案和详细解析）（1219）.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）

ResNet网络的核心创新点是（）

A.引入更深的网络层数

B.提出残差连接（ResidualConnection）

C.使用注意力机制（Attention）

D.采用深度可分离卷积

答案：B

解析：ResNet（残差网络）的核心贡献是通过残差块（x+F(x)）解决了深层网络训练时的梯度消失问题。选项A错误，更深的层数本身会导致梯度消失；选项C注意力机制是后续如CBAM等模型的改进；选项D深度可分离卷积是MobileNet等轻量化模型的设计。

以下属于单阶段目标检测算法的是（）

A.FasterR-CNN

B.YOLOv5

C.MaskR-CNN

D.FPN（特征金字塔网络）

答案：B

解析：单阶段算法（One-stage）直接回归目标位置和类别（如YOLO、SSD），双阶段（Two-stage）先通过候选区域生成（如RPN）再分类（如FasterR-CNN）。选项A、C属于双阶段；选项D是特征增强模块，非检测算法。

图像预处理中“归一化（Normalization）”的主要目的是（）

A.减少图像尺寸，降低计算量

B.统一不同图像的亮度/对比度

C.将像素值映射到[0,1]或[-1,1]，加速模型收敛

D.增强图像边缘特征

答案：C

解析：归一化通过减去均值、除以标准差，将数据分布标准化，避免不同特征尺度差异导致的梯度更新不均衡，从而加速训练。选项A是下采样的目的；选项B是直方图均衡化的作用；选项D是边缘检测的目标。

语义分割（SemanticSegmentation）与实例分割（InstanceSegmentation）的本质区别是（）

A.语义分割输出类别标签，实例分割输出边界框

B.语义分割区分不同实例，实例分割仅区分类别

C.语义分割对同类别像素不区分个体，实例分割需区分不同个体

D.语义分割使用全连接层，实例分割使用卷积层

答案：C

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；实例分割需进一步区分同一类别中的不同实例（如“人1”“人2”）。选项A错误，实例分割也输出像素级标签；选项B描述相反；选项D无此区别。

自注意力机制（Self-Attention）中，“查询（Query）”的作用是（）

A.计算与所有键（Key）的相似度

B.生成特征的全局上下文信息

C.对值（Value）进行加权求和

D.降低特征维度

答案：A

解析：自注意力中，Q（查询）与K（键）通过点积计算相似度，得到注意力权重，再对V（值）加权求和。选项B是注意力机制的整体目标；选项C是加权求和的结果；选项D是线性投影的作用（如使用Wq、Wk、Wv矩阵）。

以下数据增强方法中，最可能破坏图像几何结构的是（）

A.随机水平翻转

B.随机裁剪（RandomCrop）

C.颜色抖动（ColorJitter）

D.随机旋转（RandomRotation）

答案：D

解析：旋转会改变物体的方向和位置关系（如垂直变倾斜），可能破坏几何结构；翻转、裁剪保持物体相对位置；颜色抖动仅改变颜色通道值。

深度卷积网络训练时出现“梯度消失”的主要原因是（）

A.学习率设置过高

B.激活函数（如Sigmoid）的导数在深层连乘后趋近于0

C.训练数据量不足

D.批量归一化（BatchNorm）未正确应用

答案：B

解析：梯度消失的根本原因是深层网络中激活函数（如Sigmoid）的导数小于1，反向传播时连乘导致梯度趋近于0。选项A会导致梯度爆炸；选项C导致过拟合；选项D可缓解梯度问题，但非原因。

目标检测中，交并比（IoU）的计算是（）

A.预测框面积/真实框面积

B.（预测框面积+真实框面积）/交集面积

C.交集面积/并集面积

D.并集面积/交集面积

答案：C

解析：IoU=交集面积/并集面积，是衡量预测框与真实框重叠程度的核心指标。

SIFT（尺度不变特征变换）的关键点检测不依赖以下哪个特性？（）

A.尺度空间极值

B.边缘响应抑制

C.方向赋值

D.颜色不变性

答案：D

解析：SIFT通过尺度空间（高斯差分）检测极值点，用Hessian矩阵抑制边缘响应，为关键点分配主方向，最终生成旋转不变的特征描述子。其不依赖颜色信息（基于灰度图）。

以下属于自监督学习（Self-SupervisedLearning）的是（）

A.用ImageNet预训练模型

B.训练时预测图像的旋转角度（如0°/90°/180°/270°）

C.基于标注框的目标检测训练

D.对抗生成网络（GAN）的判别器训练

答案：B

解析：自监督学习利用数据