2025年计算机视觉工程师考试题库（附答案和详细解析）（1223）.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？

A.引入注意力机制（SE模块）

B.通过跳跃连接解决梯度消失问题

C.采用深度可分离卷积降低计算量

D.直接回归边界框坐标实现实时检测

答案：B

解析：ResNet（残差网络）的核心贡献是通过跳跃连接（SkipConnection）引入残差块，解决了深层网络训练时的梯度消失/爆炸问题（选项B正确）。选项A是SE-Net的创新；选项C是MobileNet的特点；选项D是YOLO目标检测模型的特性，均错误。

在目标检测任务中，mAP（平均精度均值）的计算基于以下哪项指标？

A.交并比（IoU）阈值

B.召回率（Recall）

C.精确率（Precision）

D.以上均是

答案：D

解析：mAP的计算需先对每个类别计算不同IoU阈值下的精确率-召回率（P-R）曲线，再求曲线下面积（AP），最后对所有类别AP取平均（选项D正确）。A、B、C均为计算mAP的关键步骤，单独选不完整。

以下哪种数据增强方法主要用于解决光照变化带来的模型泛化问题？

A.随机裁剪

B.水平翻转

C.颜色抖动（ColorJitter）

D.随机旋转

答案：C

解析：颜色抖动通过调整图像的亮度、对比度、饱和度和色调，模拟不同光照条件下的图像变化，提升模型对光照变化的鲁棒性（选项C正确）。A、D属于几何变换增强，B是镜像对称增强，均与光照无关。

语义分割任务中，U-Net网络的核心结构特征是？

A.编码器-解码器对称结构+跳跃连接

B.金字塔池化模块（PPM）

C.空洞卷积（DilatedConvolution）

D.自注意力机制（Self-Attention）

答案：A

解析：U-Net的典型结构是“编码器（下采样）-解码器（上采样）”对称结构，且通过跳跃连接将浅层细节特征与深层语义特征融合，解决上采样时的信息丢失问题（选项A正确）。B是PSPNet的创新，C是DeepLab的技术，D是Transformer类模型的特性。

以下哪项损失函数最适合解决类别不平衡问题？

A.交叉熵损失（Cross-EntropyLoss）

B.FocalLoss

C.均方误差（MSE）

D.三元组损失（TripletLoss）

答案：B

解析：FocalLoss通过引入调制因子（1-p_t）^γ，降低易分类样本的损失权重，重点关注难分类样本，有效缓解类别不平衡问题（选项B正确）。A对所有样本等权处理，C用于回归任务，D用于度量学习，均不适用。

在图像分类任务中，AlexNet相比LeNet的关键改进是？

A.使用全连接层替代卷积层

B.引入ReLU激活函数替代Sigmoid

C.采用批量归一化（BatchNorm）

D.提出多尺度特征融合

答案：B

解析：AlexNet的重要创新之一是使用ReLU激活函数，解决了Sigmoid在深层网络中的梯度饱和问题，加速训练（选项B正确）。A违背CNN基本结构；C由后续的BatchNorm论文提出；D是后期模型（如Inception）的改进。

目标检测中，非极大值抑制（NMS）的主要作用是？

A.生成候选区域（RegionProposal）

B.过滤重复的检测框

C.提升小目标检测精度

D.优化边界框回归

答案：B

解析：NMS通过抑制同一目标上重叠率过高的检测框（保留置信度最高的框），消除重复检测结果（选项B正确）。A是RPN（FasterR-CNN）的功能；C需通过多尺度特征或锚框设计实现；D由边界框回归损失（如SmoothL1）优化。

以下哪种技术属于三维计算机视觉范畴？

A.光流估计（OpticalFlow）

B.点云配准（PointCloudRegistration）

C.图像风格迁移（StyleTransfer）

D.目标跟踪（ObjectTracking）

答案：B

解析：点云是三维空间中离散点的集合，点云配准（如ICP算法）用于对齐不同视角的点云数据，属于三维视觉任务（选项B正确）。A、D是视频/序列图像分析技术；C是跨风格图像生成任务。

自注意力机制（Self-Attention）在视觉Transformer（ViT）中的核心作用是？

A.减少计算复杂度

B.建立全局上下文关联

C.替代卷积操作提取局部特征

D.加速模型推理

答案：B

解析：自注意力机制通过计算特征图中任意两个位置的相关性，捕捉长距离依赖关系，弥补了卷积操作仅关注局部区域的局限性（选项B正确）。A错误，自注意力复杂度为O(n2)；C错误，ViT仍依赖分块（Patch）操作提取局部特征；D错误，自注意力通常增加计算量。

以下哪项不是图像超分辨率（SR