2025年计算机视觉图像分割模型评估实操真题及答案.docxVIP

2025年计算机视觉图像分割模型评估实操真题及答案

考试时间：______分钟总分：______分姓名：______

选择题

1.在图像分割任务中，以下关于IoU（交并比）的描述，正确的是？

A.IoU=(预测掩码∩真实掩码)/(预测掩码∪真实掩码)，取值范围[0,1]，越大越好

B.当类别严重不平衡时，IoU能准确反映模型性能（如背景占95%，目标占5%）

C.对于二分类分割，IoU与Dice系数完全等价

D.多类别分割中，直接计算所有类别的IoU平均值（即mIoU）即可作为最终指标

2.以下模型中，最适合用于实时语义分割（如自动驾驶场景）的是？

A.DeepLabv3+（ResNet-101backbone）

B.U-Net（原始版本，4层下采样）

C.SegFormer-B0（轻量化Transformer）

D.MaskR-CNN

3.在医学影像分割（如肿瘤区域分割）中，以下评估指标最应优先关注的是？

A.像素准确率（PixelAccuracy）

B.敏感度（Sensitivity，召回率）

C.特异性（Specificity）

D.mIoU

4.以下关于PASCALVOC2012数据集的说法，错误的是？

A.包含20个类别，其中“背景”为单独类别

B.评估指标采用mIoU，需忽略“背景”类别计算

C.训练集/验证集共1464张图像，分割掩码为像素级标注

D.图像分辨率固定为512×512

5.在模型评估中，若训练集mIoU为85%，验证集mIoU为65%，最可能的原因是？

A.数据集规模太小（如训练集100张）

B.未使用数据增强（如旋转、翻转）

C.模型过拟合（容量过大，学习到训练集噪声）

D.评估指标计算错误（如未忽略背景类别）

填空题

1.对于二分类分割问题，真实掩码为`[1,1,0,0,1]`，预测掩码为`[1,0,1,0,1]`，则IoU为______，Dice系数为______。

2.在类别不平衡分割任务中，为解决IoU对大类样本的偏好，可采用______指标（加权计算各类别IoU）或______指标（兼顾查准率与查全率）。

3.COCO数据集的分割评估指标包括mAP（平均精度均值）和______，后者专门用于衡量分割边界与真实边界的______。

4.在模型评估中，若要验证“空洞卷积对大目标分割性能的影响”，应设计______实验，即固定其他变量（如backbone、损失函数），仅改变空洞率（如[1,2,4]）。

5.对于实时分割模型，除mIoU外，还需评估______指标（单位：FPS），即模型每秒处理的图像帧数，其计算公式为______。

简答题

1.简述mIoU（平均交并比）与PA（像素准确率）的优缺点，并说明在多类别分割任务中为何mIoU更常用。

2.设计一个实验方案，用于评估“不同backbone（ResNet-50vs.ViT-B/16）对U-Net分割性能的影响”，需说明数据集、评估指标、实验步骤及预期结果。

3.在自动驾驶场景的语义分割任务中，需评估模型对“道路”“车辆”“行人”类别的分割性能，说明应如何选择评估指标，并解释原因。

实操题

1.基于PyTorch实现多类别分割评估指标计算（20分）

题目要求：给定真实掩码`gt`（形状为[N,H,W]，值为类别索引，0为背景）和预测掩码`pred`（形状同`gt`），实现以下函数：-`compute_iou(gt,pred,num_classes)`：计算各类别IoU及mIoU；-`compute_dice(gt,pred,num_classes)`：计算各类别Dice系数及平均Dice；-要求：忽略背景类别（类别0），支持批量计算（N≥1）。

2.基于ISIC2019数据集评估U-Net与SegFormer的分割性能（20分）

题目要求：-数据集：ISIC2019皮肤病变分割（训练集：2531张，验证集：100张，类别：背景0，病变1，类别严重不平衡（病变占比~10%））；-模型：U-Net（ResNet-34backbone）、SegFormer-B0；-任务：①加载数据集，预处理（图像缩放到256×256，归一化到[0,1]）；②训练两个模型（超参数：batchsize=8，学习率=1e-4，训练50轮，早停patience=5）；③在验证集上评估：计算病变类别的IoU、Dice、敏感度、特异性，绘制预测掩码与真实掩码对比图；④输出评估报告（包含指标对比、可视化结果、性能分析）。

试卷答案

选择题

1.A

解析思路：IoU的定义为交集除以并集，取值范围[0,1