2026年计算机视觉工程师考试题库（附答案和详细解析）（0107）.docxVIP

计算机视觉工程师专业考试试卷

一、单项选择题（共10题，每题1分，共10分）

以下哪项是第一个在ImageNet竞赛中显著超越传统方法的深度卷积神经网络？

A.LeNet-5

B.AlexNet

C.VGGNet

D.GoogLeNet

答案：B

解析：AlexNet（2012年）是首个在ImageNet大规模视觉识别竞赛（ILSVRC）中以显著优势击败传统方法的深度卷积神经网络，其创新点包括ReLU激活函数、Dropout正则化和GPU加速训练。LeNet-5（1998年）是早期CNN但规模较小；VGGNet（2014年）和GoogLeNet（2014年）均晚于AlexNet。

在目标检测任务中，YOLOv3的输出特征图中每个预测框不直接包含以下哪项信息？

A.边界框坐标（x,y,w,h）

B.目标类别置信度

C.目标存在概率（ObjectnessScore）

D.图像全局上下文特征

答案：D

解析：YOLO系列采用单阶段检测框架，输出特征图的每个网格预测多个边界框，包含坐标（x,y,w,h）、目标存在概率（Objectness）和类别置信度。图像全局上下文特征通常通过特征金字塔（如FPN）或注意力机制获取，非YOLOv3直接输出。

以下哪种数据增强方法主要用于解决光照变化导致的模型泛化问题？

A.随机水平翻转

B.高斯模糊

C.亮度/对比度调整

D.随机裁剪

答案：C

解析：亮度/对比度调整通过改变图像的亮度值和对比度范围，模拟不同光照条件下的输入，提升模型对光照变化的鲁棒性。随机翻转和裁剪主要增强几何不变性，高斯模糊用于模拟模糊场景。

感受野（ReceptiveField）的计算与以下哪项无关？

A.卷积核尺寸

B.卷积步长（Stride）

C.输入图像分辨率

D.网络层数

答案：C

解析：感受野是指特征图中一个像素对应输入图像的区域大小，其计算仅与卷积核尺寸、步长、网络层数（堆叠的卷积操作）有关，与输入图像的绝对分辨率无关（仅与相对位置有关）。

在语义分割任务中，U-Net模型的核心结构是？

A.编码器-解码器结构+跳跃连接

B.多尺度特征融合

C.自注意力机制

D.空洞卷积（DilatedConvolution）

答案：A

解析：U-Net的典型结构是对称的编码器（下采样）和解码器（上采样），通过跳跃连接（SkipConnection）将编码器的浅层特征与解码器的深层特征融合，解决上采样过程中细节丢失的问题。多尺度融合是DeepLab系列的特点，自注意力用于Transformer模型，空洞卷积用于扩大感受野。

以下哪项不是解决过拟合的常用方法？

A.增加训练数据量

B.减小模型复杂度（如减少层数）

C.使用权重衰减（L2正则化）

D.提高学习率

答案：D

解析：过拟合的本质是模型对训练数据过度记忆，解决方法包括增加数据、降低模型复杂度、正则化（如L2）、Dropout等。提高学习率可能导致训练不稳定或无法收敛，与过拟合无直接关联。

在计算交并比（IoU）时，两个边界框的交集面积除以？

A.两个框的面积之和

B.两个框的面积之积

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，是目标检测中衡量预测框与真实框重合度的核心指标。

以下哪种损失函数适用于多类别分类任务？

A.均方误差（MSE）

B.二元交叉熵（BinaryCross-Entropy）

C.三元组损失（TripletLoss）

D.多类别交叉熵（Multi-classCross-Entropy）

答案：D

解析：多类别交叉熵损失（通过Softmax+交叉熵实现）直接对应多类别分类的概率输出；MSE用于回归，二元交叉熵用于二分类，三元组损失用于度量学习（如人脸识别）。

光流法（OpticalFlow）主要用于分析图像序列中的？

A.颜色分布

B.运动信息

C.纹理特征

D.边缘轮廓

答案：B

解析：光流法通过计算连续帧中像素点的位移，捕捉物体的运动轨迹，是视频分析（如动作识别）的重要技术。

以下哪项是OpenCV库中用于特征点匹配的经典算法？

A.SIFT（尺度不变特征变换）

B.Canny边缘检测

C.霍夫变换（HoughTransform）

D.高斯模糊

答案：A

解析：SIFT是经典的局部特征描述子，具有尺度、旋转不变性，广泛用于图像匹配和拼接；Canny用于边缘检测，霍夫变换用于直线/圆检测，高斯模糊是平滑操作。

二、多项选择题（共10题，每题2分，共20分）

以下属于目标检测中的两阶段（Two-stage）算法的有？

A.FasterR-CNN

B.YOLOv5

C.SSD

D.R-CNN

答案：AD