2025年计算机视觉工程师考试题库（附答案和详细解析）（1005）.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）

以下哪项是卷积神经网络（CNN）中池化层的主要作用？

A.增加特征图的空间分辨率

B.减少特征图的空间维度（降维）

C.引入非线性激活

D.学习特征间的全局依赖关系

答案：B

解析：池化层（如最大池化、平均池化）的核心作用是通过下采样减少特征图的空间尺寸（如高度和宽度），降低计算复杂度并增强平移不变性。选项A错误，池化会降低分辨率；选项C是激活函数（如ReLU）的作用；选项D是注意力机制或Transformer的作用。

在目标检测任务中，“锚框（AnchorBox）”的主要目的是？

A.生成图像的候选区域（Proposal）

B.定义不同长宽比的先验框以匹配目标形状

C.直接输出目标的精确坐标

D.计算预测框与真实框的交并比（IoU）

答案：B

解析：锚框是预先定义的不同长宽比（如1:1、1:2、2:1）的先验框，用于在特征图上匹配不同形状的目标，提升检测模型对多尺度目标的适应性。选项A是RPN（区域提议网络）的作用；选项C是回归头的输出功能；选项D是评估指标的计算方式。

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鲁棒性问题？

A.随机水平翻转（HorizontalFlip）

B.随机裁剪（RandomCrop）

C.亮度/对比度调整（Brightness/ContrastAdjustment）

D.仿射变换（AffineTransformation）

答案：C

解析：亮度和对比度调整直接模拟不同光照条件下的图像变化，帮助模型学习光照不变性。选项A用于增强左右对称性；选项B用于提升目标位置不变性；选项D用于模拟旋转、缩放等几何变换。

在语义分割任务中，U-Net网络的核心结构特点是？

A.仅使用下采样路径提取特征

B.下采样与上采样路径通过跳跃连接（SkipConnection）融合多尺度特征

C.采用残差块（ResidualBlock）解决梯度消失问题

D.引入自注意力机制（Self-Attention）建模长距离依赖

答案：B

解析：U-Net的关键设计是下采样（收缩路径）和上采样（扩展路径）之间的跳跃连接，将浅层高分辨率特征与深层低分辨率特征融合，保留细节信息以提升分割精度。选项A错误，U-Net包含上下采样；选项C是ResNet的特点；选项D是VisionTransformer的特点。

计算两个边界框（BoundingBox）的交并比（IoU）时，分母是？

A.两个框的交集面积

B.两个框的并集面积

C.第一个框的面积

D.第二个框的面积

答案：B

解析：IoU定义为两个框的交集面积除以并集面积（IoU=交集面积/并集面积），分母是并集面积。选项A是分子；选项C、D仅为单个框的面积，错误。

以下哪项是YOLOv3相比YOLOv2的主要改进？

A.引入锚框（AnchorBox）

B.使用多尺度检测（FPN结构）

C.采用残差网络（ResNet）作为骨干网

D.提出“特征金字塔”（FeaturePyramid）

答案：B

解析：YOLOv3通过FPN（特征金字塔网络）实现多尺度检测（在不同分辨率的特征图上预测目标），提升对小目标的检测能力。选项A是YOLOv2的改进；选项C是YOLOv4的改进；选项D表述不准确，FPN是多尺度融合的具体实现。

以下哪种损失函数常用于图像分类任务？

A.交叉熵损失（Cross-EntropyLoss）

B.平滑L1损失（SmoothL1Loss）

C.Dice损失（DiceLoss）

D.三元组损失（TripletLoss）

答案：A

解析：交叉熵损失用于衡量分类概率分布与真实标签的差异，是图像分类的标准损失函数。选项B用于目标检测的边界框回归；选项C用于语义分割；选项D用于度量学习（如人脸识别）。

在图像超分辨率（Super-Resolution）任务中，以下哪种技术通过学习低分辨率到高分辨率的映射关系？

A.双线性插值（BilinearInterpolation）

B.SRCNN（Super-ResolutionCNN）

C.高斯模糊（GaussianBlur）

D.中值滤波（MedianFilter）

答案：B

解析：SRCNN是经典的深度学习超分辨率模型，通过卷积层直接学习低分辨率到高分辨率的映射。选项A、C、D均为传统图像处理方法，不涉及学习。

以下哪项是“过拟合（Overfitting）”的典型表现？

A.训练集和验证集的准确率都很低

B.训练集准确率高，验证集准确率低

C.训练集准确率低，验证集准确率高

D.训练集和验证集的准确率接近

答案：B

解析：过拟合指模型在训练数据上表现