计算机视觉笔试选择题：题组1

题目（共8小题）

1. （单选）在工业质检场景中，需检测微小缺陷(如芯片划痕)。使用YOLOv7时发现小目标漏检率高，编程优化时应优先调整哪个参数？

        A. 降低学习率

        B. 减少卷积层深度

        C. 增加输入图像尺寸

        D. 提高loU阈值

2. （单选）使用OpenCV处理H.264视频流时，硬件解码后出现绿屏的原因是

        A. 硬件不支持YUV420P格式

        B. 解码器未启用GPU加速

        C. 色彩空间转换错误

        D. 码流I帧丢失

3. （多选）在卷积神经网络中，以下哪些操作可以减小特征图尺寸？

        A. 1*1卷积(stride=1)

        B. Dilated Convolution

        C. MaxPooling(kernel=2)

        D. 3*3卷积(stride=2)

4. （单选）在智能安防系统中，需要实时检测多目标并平衡准确性，哪个深度学习模型最适合边缘计算场景？

        A. Faster R-CNN

        B. BERT

        C. YOLOv5

        D. ResNet-50

5. （单选）关于OpenCV的仿射变换函数warpAffine，错误的说法是

        A. 旋转变换需配合 cv2.getRotationMatrix2D 生成变换矩阵

        B. 透视变换是仿射变换的特例

        C. 平移变换可通过矩阵 [[1,0,dx],[0,1,dy]] 实现

        D. 仿射变换保持直线平行性，但不保持长度和角度

6. （单选）识别教育试卷中的手写数学公式时，为保留语义结构，最佳识别方案是

        A. 分离符号检测与规则重组

        B. 端到端Transformer+LaTeX生成

        C. CRNN(CNN+RNN+CTC)

        D. 基于YOLO的符号定位+OCR

7. （单选）关于卷积神经网络(CNN)的感受野，以下说法正确的是

        A. 感受野与输入图像分辨率成正比

        B. 堆叠3*3卷积核比直接使用7*7卷积核的感受野更小

        C. 空洞卷积(Dilated Convolution)可以增大感受野而不增加参数量

        D. 池化层会减小感受野

8. （单选）部署Mask R-CNN模型到嵌入式设备时出现内存溢出，在不显著降低精度的前提下，首选的轻量化改造方案是

        A. 使用半精度(FP16)推理

        B. 减少RPN候选框数量

        C. 替换Backbone为MobileNetV3

        D. 裁剪模型输出头

解答

1.【答案】C

【解析】​​​​问题核心​​：小目标（如芯片划痕）漏检率高，通常是因为小目标在原始图像中占据的像素很少，经过多层卷积下采样后，其特征信息在特征图上可能丢失或变得难以识别。

​​选项分析​​：

• ​​A 降低学习率​​：主要影响模型训练的收敛速度和稳定性，与解决特征丢失问题关系不大，不是优先选项。

• ​​B 减少卷积层深度​​：这会削弱模型的特征提取能力，虽然可能减少下采样次数，但会严重影响模型整体性能，得不偿失。

• ​​C 增加输入图像尺寸​​：​​这是最直接有效的办法​​。增大输入尺寸可以使小目标在输入网络时包含更多的像素，从而在经过下采样后，仍然能在特征图上保留足够的信息以供检测，直接针对了小目标漏检的根源。

• ​​D 提高IoU阈值​​：这会提高预测框与真实框之间的匹配标准，使检测标准更严格，可能会进一步增加漏检（尤其是对于本就难以检测的小目标），而不是降低漏检率。

​​结论​​：在YOLO等目标检测算法中，​​增大输入图像尺寸​​是公认的提升小目标检测精度最有效的手段之一。因此，编程优化时应优先调整此参数。

2.【答案】C

【解析】绿屏现象​​通常与视频解码后的色彩空间处理错误相关。H.264视频流通常使用YUV色彩空间（如YUV420P），而OpenCV在处理视频帧时默认期望BGR格式用于显示或处理。如果硬件解码后没有正确进行色彩空间转换（例如从YUV到BGR），会导致颜色失真，出现绿屏。

• ​​选项A​​：硬件不支持YUV420P格式的可能性较低，因为YUV420P是H.264标准的常见格式，大多数现代硬件解码器都支持。

• ​​选项B​​：解码器未启用GPU加速可能导致性能下降，但不会直接引起绿屏；它可能造成卡顿或延迟，但不是根本原因。

• ​​选项C​​：色彩空间转换错误是常见原因。OpenCV中，如果使用cv2.VideoCapture读取视频流时没有正确设置色彩转换参数（如使用cv2.CAP_PROP_FORMAT或后处理转换），就容易出现绿屏。

• ​​选项D​​：码流I帧丢失会导致解码错误或花屏，但通常表现为马赛克或 artifacts，而不是单一的绿屏。绿屏更特定于颜色数据问题。

因此，在OpenCV处理H.264视频流时，硬件解码后绿屏的根本原因是​​色彩空间转换错误​​。建议检查代码中的色彩转换步骤，确保使用cv2.cvtColor正确转换YUV帧到BGR。

3.【答案】CD

【解析】题目问的是“哪些操作可以减小特征图尺寸”。在卷积神经网络中，特征图尺寸的减小通常通过下采样（downsampling）操作实现，如池化或卷积步长（stride）大于1。

• ​​选项A: 1x1卷积(stride=1)​​

  1x1卷积主要用于改变通道数，但stride=1时，不会改变特征图的宽度和高度。因此，它不能减小特征图尺寸。

• ​​选项B: Dilated Convolution​​

  空洞卷积（Dilated Convolution）通过扩大感受野来捕获更多上下文信息，但通常默认stride=1，因此不会减小特征图尺寸。它可能保持尺寸不变或甚至增大（如果处理不当），但一般不会减小。

• ​​选项C: MaxPooling(kernel=2)​​

  最大池化（MaxPooling）是一种下采样操作。当kernel=2时，通常stride也默认为2，这将使特征图尺寸减半（例如，从H×W变为H/2×W/2）。因此，它可以减小特征图尺寸。

• ​​选项D: 3x3卷积(stride=2)​​

  卷积操作中，如果stride=2，则输出特征图尺寸会减小。对于3x3卷积，stride=2时，尺寸会大致减半（具体取决于padding方式）。因此，它可以减小特征图尺寸。

4.【答案】C

【解析】

• A. Faster R-CNN​​：这是一个两阶段目标检测模型，虽然准确性较高，但计算复杂度大、推理速度慢，不适合实时应用和边缘设备。

• ​​B. BERT​​：这是一个自然语言处理（NLP）模型，专注于文本理解，无法用于图像目标检测任务，因此不相关。

• ​​C. YOLOv5​​：这是一个单阶段目标检测模型，以其高速度和良好的准确性著称。YOLOv5优化了模型架构和推理效率，非常适合实时多目标检测，并且在边缘设备上部署时有较好的性能平衡，是智能安防系统的理想选择。

• ​​D. ResNet-50​​：这是一个深度卷积神经网络，主要用于图像分类，而非目标检测。它可能作为其他检测模型的主干网络，但本身不具备检测能力，因此不适合直接用于此场景。

因此，最适合的模型是 ​​C. YOLOv5​​。

5.【答案】B

【解析】

• 选项A​​：旋转变换需配合cv2.getRotationMatrix2D生成变换矩阵。这是正确的，因为cv2.getRotationMatrix2D是OpenCV中专门用于生成旋转变换矩阵的函数，然后通过warpAffine应用该矩阵。

• ​​选项B​​：透视变换是仿射变换的特例。这是错误的。实际上，仿射变换是透视变换的特例（或子集）。仿射变换保持直线平行性，而透视变换（使用warpPerspective）允许更复杂的变形，如消失点，不保持平行性。因此，透视变换不是仿射变换的特例。

• ​​选项C​​：平移变换可通过矩阵[[1,0,dx],[0,1,dy]]实现。这是正确的，这个矩阵正是仿射变换中用于平移的标准矩阵。

• ​​选项D​​：仿射变换保持直线平行性，但不保持长度和角度。这是正确的，因为仿射变换包括缩放、剪切等操作，会改变长度和角度，但平行线仍保持平行。

因此，错误的说法是选项B。

6.【答案】B

【解析】根据题目要求，识别手写数学公式时需要保留语义结构（如上下标、分数、根号等二维关系），最佳方案应能直接捕获公式的整体布局和语法关系。以下是对各选项的分析：

• ​​A. 分离符号检测与规则重组​​：这种方法先检测单个符号，然后通过预定义规则组合。但数学公式结构复杂，规则可能无法覆盖所有情况，容易丢失语义关系，且对变形手写适应性差。

• ​​B. 端到端Transformer+LaTeX生成​​：Transformer模型能直接处理序列数据，并利用自注意力机制捕获符号间的远程依赖和空间关系。生成LaTeX输出可以精确表示公式的语义结构（如\frac{}{}、^{}等），端到端训练减少了误差累积，是目前最先进和有效的方法。

• ​​C. CRNN (CNN+RNN+CTC)​​：CRNN适用于线性文本识别，但数学公式是二维结构，CRNN难以处理空间关系（如上下标重叠），CTC输出可能混淆语义顺序。

• ​​D. 基于YOLO的符号定位+OCR​​：YOLO用于符号检测，OCR识别单个符号，但同样无法有效捕获公式的整体语法结构，组合后易出现语义错误。

因此，​​B. 端到端Transformer+LaTeX生成​​是最佳方案，它能更好地保留语义结构，并已在多项研究中得到验证（如MathBERT、Im2LaTeX等）。

7.【答案】C

【解析】

• 选项A：感受野与输入图像分辨率成正比​​

  感受野是CNN中神经元所对应的输入图像上的区域大小，它主要由网络结构（如卷积核大小、步长、层数）决定，而与输入图像分辨率无关。输入分辨率的变化不会改变感受野的绝对大小（以像素为单位），只会影响感受野的相对覆盖范围。因此，该说法错误。

• ​​选项B：堆叠3x3卷积核比直接使用7x7卷积核的感受野更小​​

  堆叠多个3x3卷积核可以等效于更大的卷积核。例如，两个3x3卷积核堆叠的感受野相当于5x5，三个3x3卷积核堆叠的感受野相当于7x7。因此，堆叠3x3卷积核的感受野通常与直接使用7x7卷积核相同或更大，而不会更小。该说法错误。

• ​​选项C：空洞卷积（Dilated Convolution）可以增大感受野而不增加参数量​​

  空洞卷积通过引入膨胀率（dilation rate）来扩大卷积核的感受野，而不增加参数数量。例如，膨胀率为2的3x3卷积核，其感受野相当于5x5卷积核，但参数数量仍为3x3的9个参数。这使它在保持计算效率的同时增加感受野。该说法正确。

• ​​选项D：池化层会减小感受野​​

  池化层（如最大池化或平均池化）会减小特征图的尺寸，但会增大感受野。因为池化操作降低了空间分辨率，使每个神经元对应的输入区域变大。例如，2x2池化步长为2，感受野会加倍。因此，池化层不会减小感受野，而是增大它。该说法错误。

​​正确答案是选项C​​。空洞卷积是一种有效增大感受野的方法，且不增加参数量，常用于改进CNN性能。

8.【答案】C

【解析】

问题分析：

• ​​内存溢出原因​​：Mask R-CNN是一种计算密集型模型，尤其主干网络（Backbone）通常基于ResNet等大型架构，参数量和计算量较大，导致在嵌入式设备上内存不足。

• ​​轻量化目标​​：需要减少内存占用，同时保持精度不显著下降。

选项评估：

• ​​A. 使用半精度(FP16)推理​​：这将模型参数和计算从32位浮点（FP32）转换为16位浮点（FP16），可减少内存使用约50%，且通常对精度影响较小。但嵌入式设备可能不完全支持FP16加速，且如果模型本身过大，可能不足以彻底解决内存溢出问题。这是一种辅助措施，而非首选。

• ​​B. 减少RPN候选框数量​​：区域提议网络（RPN）生成候选区域，减少数量会降低计算量和内存，但可能显著降低检测召回率（尤其是小目标或密集目标），从而影响精度。因此，不符合“不显著降低精度”的要求。

• ​​C. 替换Backbone为MobileNetV3​​：MobileNetV3是专为移动和嵌入式设备设计的轻量级主干网络，参数量和计算量远小于ResNet等标准Backbone。通过替换，可以大幅减少内存占用（通常减少60-70%），且通过微调训练，精度损失较小。这是Mask R-CNN轻量化的常见做法，符合首选方案。

• ​​D. 裁剪模型输出头​​：输出头负责分类和掩码生成，裁剪可能减少少量参数，但内存节省有限，且会直接降低模型表达能力，导致精度显著下降。因此，不推荐。

替换Backbone为MobileNetV3（选项C）是最均衡的方案，能有效解决内存溢出问题，同时通过微调保持精度。在实际部署中，这也是一种标准轻量化策略。