2025年计算机视觉工程师考试题库（附答案和详细解析）（1225）.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LeNet-5的典型输入图像尺寸？

A.224×224

B.32×32

C.64×64

D.112×112

答案：B

解析：LeNet-5是1998年提出的经典卷积网络，设计用于手写数字识别（MNIST数据集），其输入尺寸为32×32的灰度图像。其他选项中，224×224是AlexNet及后续模型的常见输入尺寸，64×64和112×112为现代小目标检测的常用尺寸，均不符合LeNet的设计。

卷积神经网络中，感受野（ReceptiveField）的定义是？

A.卷积核的大小

B.输出特征图中一个像素对应的输入图像区域

C.网络的深度

D.池化层的步长

答案：B

解析：感受野指输出特征图中某个像素点对应输入图像的区域范围，该区域内的像素会影响该特征点的计算结果。卷积核大小（A）是感受野计算的参数之一，但非定义；网络深度（C）和池化步长（D）会影响感受野大小，但并非定义本身。

以下哪种方法最常用于解决模型过拟合问题？

A.增加网络层数

B.数据增强（DataAugmentation）

C.减少训练数据量

D.提高学习率

答案：B

解析：过拟合的本质是模型对训练数据过度记忆，泛化能力差。数据增强通过对训练数据进行旋转、翻转、裁剪等变换，增加数据多样性，可有效缓解过拟合。增加层数（A）可能加剧过拟合；减少数据量（C）和提高学习率（D）会恶化过拟合问题。

目标检测任务中，mAP（MeanAveragePrecision）的计算基于以下哪项指标？

A.准确率（Accuracy）

B.交并比（IoU）

C.召回率（Recall）

D.F1分数

答案：B

解析：mAP是目标检测的核心评价指标，计算方式为：对每个类别计算不同IoU阈值下的平均精度（AP），再取所有类别的AP均值。IoU（B）是衡量预测框与真实框重叠程度的关键指标，其他选项均不直接用于mAP计算。

语义分割任务中，FCN（FullyConvolutionalNetwork）的核心改进是？

A.引入全连接层

B.用卷积层替代全连接层

C.使用循环结构

D.加入注意力机制

答案：B

解析：传统CNN（如AlexNet）的全连接层会丢失空间信息，无法直接用于分割任务。FCN通过将全连接层替换为1×1卷积层，保留特征图的空间维度，实现端到端的像素级分类。全连接层（A）是FCN摒弃的设计，其他选项（C、D）并非FCN核心。

以下哪种数据增强方法属于“噪声添加”类？

A.随机水平翻转

B.颜色抖动（ColorJitter）

C.高斯模糊（GaussianBlur）

D.随机裁剪

答案：C

解析：噪声添加类增强通过向图像中添加干扰信息模拟真实场景噪声，高斯模糊（C）通过卷积高斯核实现，属于此类。随机翻转（A）和裁剪（D）是几何变换类，颜色抖动（B）是颜色空间变换类。

ReLU激活函数（RectifiedLinearUnit）的主要优势是？

A.输出范围在[-1,1]

B.缓解梯度消失问题

C.计算复杂度高

D.适用于所有层

答案：B

解析：ReLU在x0时梯度为1，避免了Sigmoid/tanh在饱和区梯度趋近于0的问题（梯度消失），加速训练。输出范围（A）是tanh的特性；计算复杂度（C）是劣势；ReLU在输出层可能不适用（D错误）。

YOLOv3模型的核心改进之一是？

A.使用单尺度预测

B.引入锚框（AnchorBox）

C.仅预测类别概率

D.采用全连接层输出

答案：B

解析：YOLOv3通过多尺度特征图（而非单尺度，A错误）和预定义锚框（B正确）提升小目标检测能力，输出包含边界框坐标、置信度和类别概率（C错误），网络整体为全卷积结构（D错误）。

分类任务中，交叉熵损失（Cross-EntropyLoss）的适用场景是？

A.回归任务

B.二分类或多分类

C.目标检测框回归

D.语义分割像素回归

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（二分类或多分类）。回归任务（A、C、D）通常使用MSE（均方误差）或SmoothL1损失。

SE-Net（Squeeze-and-ExcitationNetwork）的核心机制是？

A.空间注意力

B.通道注意力

C.时间注意力

D.自注意力

答案：B

解析：SE-Net通过“压缩-激励”操作（Squeeze:全局池化获取通道统计；Excitation:全连接层学习通道权重）为每个通道分配重要性权重，属于通道注意力机制（B正确）。空间注意力（A）如CBAM，时间注意力（C）用于视频任务，自注意力（D）是Transforme