|
|
文档说明:本人针对该科精心汇总了历年题库及答案，形成一个完整的题库，并且每年都在更新。该题库对考生的复习、作业和考试起着非常重要的作用，会给您节省大量的时间。做考题时，利用本文档中的查找工具，把考题中的关键字输到查找工具的查找内容框内，就可迅速查找到该题答案。本文库还有期末考核试题、其他网核及教学考一体化、一网一平台复习试题与答案，敬请查看。
课程题目试题是随机的，请按题目关键词查找（或按Ctrl+F输入题目中的关键词，尽量不要输入整个题目，不要复制空格，连续的几个字就行）
本文由
江开
搜题提供，禁止复制盗取，违者必究
本文由
江开
搜题提供，禁止复制盗取，违者必究
本文由
江开
搜题提供，禁止复制盗取，违者必究
计算机视觉
学校: 无
问题 1: 1. 典型的计算机视觉浅层模型的处理流程为（ ）
选项:
•
A.
特征汇聚与特征变换、特征设计与提取、图像预处理、分类器与回归器设计
•
B.
图像预处理、分类器与回归器设计、特征汇聚与特征变换、特征设计与提取
•
C.
图像预处理、特征设计与提取、特征汇聚与特征变换、分类器与回归器设计
•
D.
图像预处理、特征汇聚与特征变换、特征设计与提取、分类器与回归器设计
答案: 图像预处理、特征设计与提取、特征汇聚与特征变换、分类器与回归器设计
问题 2: 2. “从数据中学习，⽣成⾼保真，多样化的图像”，描述的是下列哪⼀类任务（ ）
选项:
•
A.
⼈脸识别
•
B.
⽬标跟踪
•
C.
图像描述
•
D.
图像⽣成
答案: 图像⽣成
问题 3: 3. 在计算机视觉的浅层模型中，“特征汇聚与特征变换”的主要⽬的是（ ）
选项:
•
A.
采⽤机器学习或模式识别的⽅法对物体进⾏分类
•
B.
对图像实现亮度或颜⾊矫正等处理
•
C.
从图像中提取描述图像内容的特征
•
D.
对提取的特征（通常为向量）进⾏统计汇
聚或降维处理，得到新特征
答案: 对提取的特征（通常为向量）进⾏统计汇聚或降维处理，得到新特征
问题 4: 4. 图像和灰度直方图的对应关系为()
选项:
•
A.
多对一
•
B.
一对多
•
C.
一对一
•
D.
多对多
答案: 多对一
问题 5: 5. 在PyTorch中，⾃动计算某⼀变量的梯度需调⽤（ ）
选项:
•
A. torch.Tensor()
•
B. torch.ones()
•
C. .backward()
•
D. tensor.int()
答案: .backward()
问题 6: 6. 相较于语义分割，实例分割还可以做到（ ）
选项:
•
A.
⽣成⽂本描述图像内容
•
B.
区分同⼀类的不同实例
•
C.
⽣成⾼保真、多样化的图像
•
D.
对图⽚中的每个像素点进⾏标注，标注属于哪⼀类别
答案: 区分同⼀类的不同实例
问题 7: 7. 下列选项中，可应⽤于计算机视觉任务的模型有（ ）
选项:
•
A. AlexNet
•
B. SVM
•
C.
决策树
•
D. VGG
答案
:
请关注
查看答案
问题 8: 8. 下列应⽤计算机视觉系统的场景有（ ）
选项:
•
A.
⼈脸识别
•
B.
⾃动驾驶
•
C.
指纹识别
•
D.
医学图像处理
答案
:
请关注
查看答案
问题 9: 9. OpenCV的核⼼模块imgproc 能实现（ ）
选项:
•
A.
边缘或直线提取
•
B.
图像分割
•
C.
处理直⽅图
•
D.
形态分析
答案
:
请关注
查看答案
问题 10: 10. 数字图像的类型包括（ ）
选项:
•
A. RGB-D
深度图像
•
B.
灰度图像
•
C.
彩⾊图像
•
D.
⼆值图像
答案
:
请关注
查看答案
问题 11: 11. 计算机视觉的主要研究⽅向有（ ）
选项:
•
A.
⽬标检测
•
B.
图像描述
•
C.
图像分类
•
D.
图像⽣成
答案
:
请关注
查看答案
问题 12: 12. 颜色的三要素包括：
选项:
•
A.
色调（色相）
•
B.
亮度（明度）
•
C.
饱和度
•
D.
光强
答案
:
请关注
查看答案
问题 13: 13. 下列属于深度学习框架的是（ ）
选项:
•
A. Cuda
•
B. Theano
•
C. TensorFlow
•
D. PyTorch
答案
:
请关注
查看答案
问题 14: 1. 下列关于Dropout的描述，正确的是（ ）
选项:
•
A.
通过随机删除部分神经元，提取出局部特征
•
B.
通过随机删除部分神经元，防⽌过拟合
•
C.
通过减少卷积层和池化层的个数，防⽌过拟合
•
D.
通过减少卷积层和池化层的个数，提取出局部特征
答案
:
请关注
查看答案
问题 15: 2. 相较于Sigmoid和Tanh函数，ReLU函数作为激活函数的特点是（ ）
选项:
•
A.
计算复杂，计算成本⾼昂
•
B.
能够有效缓解梯度消失的问题
•
C.
使模型收敛速度较慢
•
D.
是线性函数
答案
:
请关注
查看答案
问题 16: 3. VGGNet的参数量主要集中在（ ）
选项:
•
A.
池化层
•
B.
卷积层
•
C.
全连接层
•
D.
激活层
答案
:
请关注
查看答案
问题 17: 4. GoogLeNet⽹络额外增加了2个辅助的Softmax层作为辅助分类器。下列关于它的描述，错误的是（ ）
选项:
•
A.
辅助分类器⽤于训练和测试阶段
•
B.
辅助分类器提供了额外的正则化
•
C.
辅助分类器给⽹络增加了反向传播的梯度信号，⼀定程度解决了梯度消失的问题
•
D.
辅助分类器将中间某⼀层的输出也纳⼊到最终的分类结果中
答案
:
请关注
查看答案
问题 18: 5. 卷积神经⽹络中，若使⽤RGB图像作为输⼊，则输⼊层的通道数为（ ）
选项:
•
A. 2
•
B. 256×256
•
C. 256
•
D. 128
答案
:
请关注
查看答案
问题 19: 6. SENet中的Channel Attention机制包含的操作有（ ）
选项:
•
A.
Dropout
•
B. Shortcut Connection
•
C. Excitation
•
D. Squeeze
答案
:
请关注
查看答案
问题 20: 7. 数据增强常⽤的⽅法有（ ）
选项:
•
A.
平移变换
•
B.
随机裁剪
•
C.
⽔平翻转
•
D.
颜⾊光照变换
答案
:
请关注
查看答案
问题 21: 8. 卷积神经网络有许多神经层组成，主要包括（）
选项:
•
A.
卷积层
•
B.
池化层
•
C.
分类层
•
D.
归一化层
答案
:
请关注
查看答案
问题 22: 9. 图像分类的类别有（）
选项:
•
A.
多标签分类
•
B.
子类细粒度分类
•
C.
无标签分类
•
D.
实例级别分类
答案
:
请关注
查看答案
问题 23: 10. 卷积神经⽹络中，卷积过程的步骤包括（ ）
选项:
•
A.
将卷积核放在输⼊数据的某⼀像素区域上
•
B.
将卷积核中的每⼀个数值和区域中对应的数值成对相乘
•
C.
将乘积的结果线性叠加
•
D.
把结果输出在特征图的正确位置
答案
:
请关注
查看答案
问题 24: 1. 下图中，红⾊边框是包含狗的真实边框，使⽤YOLO模型进⾏⽬标检测时，A、B、C、D、E中负责预测狗的⽹格是（ ）
选项:
•
A. B
•
B. A
•
C. C
•
D. E
答案
:
请关注
查看答案
问题 25: 2. 从理论的⻆度来看，检测物体时，One-stage算法和Two-stage算法的区别在于（ ）
选项:
•
A. One-stage
算法的效率较⾼，计算速度较快；
Two-stage
算法的精度较⾼
•
B. One-stage
算法的精度较⾼；
Two-stage
算法的效率较⾼，计算速度较快
•
C.
One-stage
算法的计算速度和检测精度都⾼于
Two-stage
算法
•
D. Two-stage
算法的计算速度和检测精度都⾼于
One-stage
算法
答案
:
请关注
查看答案
问题 26: 3. 在YOLO模型中，若⼀个⽹格输出的数据维度为7 × 7 × 30。其中30个参数中，包含两个边
框各需要的5个参数，其余20个参数表示（ ）
选项:
•
A.
对于
20
类物体，当前⽹格检测的物体属于每种类别的概率
•
B.
对于
20
类物体，当前⽹格包含每类物体的个数
•
C.
当前⽹格临近的四个边框的需要的参数
•
D.
对于
10
类物体，两个边框包含每种类别的概率
答案
:
请关注
查看答案
问题 27: 4. 下列有关使⽤R-CNN算法进⾏⽬标检测的步骤，排序正确的是（ ）
① 候选框⽣成：⽤Selective Search算法在图像中⽣成候选框；
② 特征提取：提取候选框中的特征；
③ 类别判断：⽤分类器对候选框中的图像进⾏分类；
④ 候选框处理：将所有候选框的特征转换为同样⼤⼩。
选项:
•
A. ①④②③
•
B. ①②③④
•
C. ②①④③
•
D. ①②④③
答案
:
请关注
查看答案
问题 28: 5. YOLOv2算法中，维度为26 × 26 × 512的特征图经过Passthrough层将其拆，输出的特征维度为（ ）
选项:
•
A. 26 × 26 × 2048
•
B. 13 × 13 × 2048
•
C. 26 × 26 × 512
•
D. 13 × 13 × 512
答案
:
请关注
查看答案
问题 29: 6. 下列关于RoI Pooling的表述正确的是（ ）
选项:
•
A. RoI Pooling
输出的特征图⼤⼩⼀致
•
B.
由于
RoI
Pooling
的提出，不需要再对候选区域进⾏各向同性缩放的操作，避免了图像分辨率的降低
•
C.
相较于直接对候选区域剪裁，使⽤
RoI Pooling
变换特征图⼤⼩，能够显著提⾼计算速度
•
D. RoI Pooling
通过提取候选框内不同区域的像素，对候选框进⾏剪裁
答案
:
请关注
查看答案
问题 30: 7. 下列关于使⽤RPN算法⽣成锚框的描述，正确的是（ ）
选项:
•
A.
RPN
算法对特征图每个点⽣成
9
个锚框，锚框的尺度相同，只是中⼼点位置不同
•
B.
在
Faster R-CNN
中，
RPN
算法直接在图像上⽣成锚框
•
C. RPN
算法对特征图每个点⽣成
9
个锚框，锚框中⼼点相同，尺度⼤⼩不同
•
D.
在
Faster R-CNN
中，
RPN
算法在图像经过卷积后，在得到的特征图上⽣成锚框
答案
:
请关注
查看答案
问题 31: 8. 各向同性缩放是指将不同尺⼨的候选区域统⼀成相同⼤⼩，采⽤的两种缩放⽅式为（ ）
选项:
•
A.
复制填充：通过复制原候选框内的图像，扩展候选框，超
出部分进⾏剪裁
•
B.
直接缩放：通过缩放，将候选框的宽⾼直接变换为⼀致⼤⼩
•
C.
先裁剪后扩充：先将候选框按原尺⼨剪裁，再⽤颜⾊均值填充成正⽅形
•
D.
先扩充后裁剪：直接把候选框的边界扩展成正⽅形，再裁剪。如果已经延伸到了原始图像的外边
界，就⽤候选框中的颜⾊均值进⾏填充
答案
:
请关注
查看答案
问题 32: 9. YOLO算法属于Two-stage目标检测算法？
选项:
答案
:
请关注
查看答案
问题 33: 10. 目标检测的三个阶段包括 ， ，
选项:
答案
:
请关注
查看答案
问题 34: 1. 下列关于⻛格迁移算法的描述，错误的是（ ）
选项:
•
A.
深层卷积层得到的内容图的特征图，更加抽象
•
B.
特征图由内容图和⻛格图各⾃经过卷积神经⽹络后得到
•
C.
最⼩化内容损失，可以使⽣成图的特征图接近于内容图的特征图，保留图像⻛格
•
D.
损失函数由内容损失和⻛格损失两部分组成
答案
:
请关注
查看答案
问题 35: 2. Pixel RNN的核⼼思想为预测图像中像素值的（ ）
选项:
•
A.
条件分布
•
B.
灰度值
•
C.
边缘分布
•
D.
联合分布
答案
:
请关注
查看答案
问题 36: 3. Conditional Gated Pixel CNN的改进⽅向主要在于（ ）
选项:
•
A.
定向⽣成某种类别的图像
•
B.
⽣成多样化的图像
•
C.
提⾼⽣成图像的质量
•
D.
提⾼计算速度
答案
:
请关注
查看答案
问题 37: 4. 变分⾃编码器的结构，主要分为两部分（ ）
选项:
•
A.
检测分⽀
•
B.
⽣成⽹络
•
C.
模板分⽀
•
D.
推断⽹络
答案
:
请关注
查看答案
问题 38: 5. 下列关于⽣成对抗⽹络（GAN）的描述，正确的是（）
选项:
•
A.
判别⽹络对输⼊的假样本和真样本打分，使真样本得分⾼，假样本得分低
•
B.
判别⽹络的任务是：⽣成接近真实样本的数据，并判断图像⽣成效果
•
C.
⽣成⽹络的任务是：判断输⼊的数据是否为真实样本
•
D. GAN
⽹络结构主要分为：⽣成⽹络和判别⽹络
答案
:
请关注
查看答案
问题 39: 6. Pixel RNN采⽤了Diagonal BiLSTM和Residual Connections等结构，下列关于其描述正确的是（ ）
选项:
•
A.
当
Pixel RNN
⽹络较深时，采⽤
Residual Connections
能够提⾼收敛速度
•
B. Diagonal BiLSTM
将像素点前后的所有的像素值纳⼊计算
•
C. RGB
图像中，
R
通道会受到
G
和
B
通道的像素值的影响
•
D. Diagonal BiLSTM
将输⼊图映射到另⼀空间
答案
:
请关注
查看答案
问题 40: 7. 下列关于图像⽣成技术的描述，正确的是（ ）
选项:
•
A.
使⽤图像⽣成技术，可以修复图像
•
B.
图像⽣成技术只能⽣成相似图像，不能⽤于视频预测
•
C.
原始数据集的真实
分布可以直接求出
•
D.
图像⽣成属于⽆监督学习任务
答案
:
请关注
查看答案
问题 41: 8. VAE（变分自编码器）是Kingma等人基于马尔科夫链提出的生成模型？
选项:
答案
:
请关注
查看答案
问题 42: 1. 采⽤深度学习⽅法进⾏⼈脸识别时，通常包括以下四个步骤，下列排序正确的是（ ）
a.⼈脸对⻬
b.⼈脸表征
c.⼈脸检测
d.⼈脸匹配
选项:
•
A. c a b d
•
B. b d a c
•
C. c b a d
•
D. a b c d
答案
:
请关注
查看答案
问题 43: 2. 下图为DeepID进⾏特征提取时，卷积神经⽹络的输⼊数据，即⼈脸图像经过处理后，得到的
多个Patch。⼀张⼈脸图像输⼊卷积神经⽹络的Patch不包括（）
选项:
•
A.
⼈脸不同区域的图像，如眼睛、⿐⼦部分图像
•
B.
与该⼈脸相似的，其他⼈脸的图像
•
C.
该⼈脸图像转换后的灰度图像
•
D.
同⼀图像经过放缩得到的不同尺度的图像
答案
:
请关注
查看答案
问题 44: 3. 特征脸法和基于⼏何特征的⼈脸识别⽅法，都是常⽤的传统⼈脸识别⽅法，下列相关描述错误的是（ ）
选项:
•
A.
使⽤特征脸法时，每个⼈脸都可以表示为特征脸的线性组合
•
B.
使⽤基于⼏何特征的⼈脸识别⽅法时，需要对脸部主要器官进⾏定位
•
C.
使⽤基于⼏何特征的⼈脸识别⽅法时，不需要采⽤分类器进⾏⼈脸识别
•
D.
使⽤特征脸法时，需计算⼈脸图像的特征向量，即
“
特征脸
”
答案
:
请关注
查看答案
问题 45: 4. DeepFace算法选择（）基准点进行检测。
选项:
•
A. 6
•
B. 4
•
C. 5
•
D.
7
答案
:
请关注
查看答案
问题 46: 5. 下图为⼈脸识别算法DeepFace的⽹络结构，红⾊框内为卷积层和池化层，⽤于对⼈脸进⾏特征提取，下列相关说法错误的是（ ）
选项:
•
A.
输⼊
C1
卷积层的图像要求像素⼤⼩相同
•
B. C1
卷积层的主要⽬的是提取⼈脸低层次的特征
•
C. C3
、
L4
卷积层使⽤参数不共享的卷积核
•
D. L5
卷积层使⽤参数不共享的卷积核
答案
:
请关注
查看答案
问题 47: 6. 如今⼈脸识别算法越来越受到重视，下列关于⼈脸识别的描述，错误的是（ ）
选项:
•
A.
悲伤、快乐等表情不会对⼈脸识别造成影响
•
B.
特征脸法是常⽤的深度学习⽅法，⽤以进⾏⼈脸识别
•
C.
⼈脸识别是通过提取⼈脸图像的信息，进⾏身份验证
•
D.
作为⽣物特征识别对象，⼈脸具有稳定、便捷、不易伪造等优点
答案
:
请关注
查看答案
问题 48: 7. 基于⼏何特征的⼈脸识别⽅法的计算过程包括（ ）
选项:
•
A.
采⽤主成分分析，计算⼈脸特征向量
•
B.
定位⼈脸眼、⼝、⿐等器官
•
C.
计算⼈脸特征点之间的距离
•
D.
计算多个⼈脸的
“
平均脸
”
答案
:
请关注
查看答案
问题 49: 8. DeepID算法可以使⽤联合⻉叶斯、神经⽹络两种⽅法进⾏⼈脸验证，下列相关描述错误的是（ ）
选项:
•
A.
神经⽹络算法得到的不同⼈脸的特征相似度较⾼、同⼀⼈脸的特征相似度较低
•
B.
神经⽹络算法将需要对⽐的两张图像，联合输⼊⽹络，进⾏特征提取
•
C.
联合⻉叶斯算法采⽤
EM
算法估计参数
•
D.
联合⻉叶斯算法假设⼈脸特征为两个相关性较⾼的⾼斯分布之和
答案
:
请关注
查看答案
问题 50: 9. FaceNet可以⽤于⼈脸验证、识别和聚类，下列相关描述错误的是（ ）
选项:
•
A. FaceNet
中，图像相似度与图像的空间距离⽆关，与提取的特征有关
•
B. FaceNet
将图像映射到欧⼏⾥得空间，再进⾏计算
•
C. FaceNet
中图像嵌⼊的过程，是指计算特征向量的相关性
•
D. FaceNet
在经典⼈脸数据集
LFW
上能够达到较⾼的识别准确率
答案
:
请关注
查看答案
问题 51: 10. 传统人脸识别方法将人脸转换为一个几何特征矢量，用目标检测的方式对人脸进行检测识别。
选项:
答案
:
请关注
查看答案 |
本帖子中包含更多资源
您需要 登录 才可以下载或查看，没有帐号？立即注册
x
上一篇：2025年春江苏开放大学机电设备电气控制辅导资料下一篇：2025年春江苏开放大学建筑施工技术辅导资料
|
发表于 2025-3-22 10:22:34
中发现Ni：
中发现Ni：
中发现Ni：
中发现Ni：
中发现Ni：
中发现Ni：
QQ登录
