计算机视觉 - 图像分类 & 特征提取（1–10）

Q1. 在图像分类任务中，常用的损失函数是：

• A. MSE
• B. 交叉熵损失
• C. Hinge 损失
• D. KL 散度

✅ 答案：B

Q2. AlexNet 引入了哪项关键技术推动深度学习发展？

• A. 注意力机制
• B. Dropout + ReLU + GPU 训练
• C. 残差连接
• D. Transformer

✅ 答案：B

Q3. VGG 的主要特点是：

• A. 使用大卷积核
• B. 使用多层小卷积核堆叠
• C. 使用循环结构
• D. 使用 Transformer

✅ 答案：B

Q4. Batch Normalization 在图像分类网络中的主要作用是：

• A. 提高泛化
• B. 加快收敛并稳定训练
• C. 替代卷积层
• D. 减少参数

✅ 答案：B

Q5. ImageNet 比赛中的重大突破主要依赖于：

• A. 小模型
• B. 大规模标注数据集 + GPU 训练 + 深层网络
• C. 决策树
• D. 强化学习

✅ 答案：B

Q6. Swin Transformer 在图像分类中的特点是：

• A. 全局注意力
• B. 层次化局部注意力（shifted window）
• C. 卷积结构
• D. 循环网络

✅ 答案：B

Q7. 在图像分类中，数据增强的主要作用是：

• A. 提高推理速度
• B. 增强泛化能力
• C. 增加网络层数
• D. 替代卷积

✅ 答案：B

Q8. 图像分类中常用的正则化方法包括：

• A. Dropout、数据增强、Label Smoothing
• B. SGD
• C. 卷积
• D. 池化

✅ 答案：A

Q9. EfficientNet 的核心思想是：

• A. 使用 RNN
• B. 复合缩放（depth, width, resolution）
• C. 全连接层加深
• D. 对比学习

✅ 答案：B

Q10. Vision Transformer (ViT) 处理图像的方式是：

• A. CNN 卷积
• B. 将图像切分为 patch 并输入 Transformer
• C. 逐像素输入
• D. RNN 序列输入

✅ 答案：B

---

目标检测（11–20）

Q11. Faster R-CNN 的核心创新是：

• A. 使用 RNN 提取特征
• B. 引入 Region Proposal Network (RPN)
• C. 使用 GAN
• D. 使用全连接层代替卷积

✅ 答案：B

Q12. YOLO 的主要优势是：

• A. 检测速度快（单阶段检测）
• B. 精度比两阶段更高
• C. 参数更少
• D. 使用 RNN

✅ 答案：A

Q13. SSD 检测器的特点是：

• A. 单阶段检测 + 多尺度特征图预测
• B. 使用注意力机制
• C. 使用全连接层检测
• D. 使用 RNN

✅ 答案：A

Q14. Anchor 的作用是：

• A. 提高计算效率
• B. 提供预定义的候选框
• C. 替代分类器
• D. 减少训练时间

✅ 答案：B

Q15. NMS (非极大值抑制) 的主要作用是：

• A. 提高召回率
• B. 去除冗余检测框
• C. 增加训练速度
• D. 减少梯度消失

✅ 答案：B

Q16. YOLOv5 相比 YOLOv3 的改进包括：

• A. Transformer backbone
• B. 更高效的数据增强与更轻量结构
• C. 使用 GAN
• D. 使用 CNN-RNN 混合

✅ 答案：B

Q17. DETR 的关键创新是：

• A. 使用 CNN
• B. 使用 Transformer 直接进行端到端检测
• C. 使用 GAN
• D. 使用强化学习

✅ 答案：B

Q18. 在目标检测中，mAP 衡量的是：

• A. 平均检测时间
• B. 平均精度均值
• C. 平均 IOU
• D. 平均梯度

✅ 答案：B

Q19. RetinaNet 提出的 Focal Loss 主要解决：

• A. 类别不平衡问题
• B. 过拟合问题
• C. 梯度消失问题
• D. 参数过多问题

✅ 答案：A

Q20. Anchor-free 检测方法（如 CenterNet）的主要思想是：

• A. 放弃候选框，直接预测目标中心点和大小
• B. 增加更多 Anchor
• C. 使用 GAN
• D. 使用多尺度特征

✅ 答案：A

---

语义分割 & 图像生成（21–30）

Q21. FCN (全卷积网络) 的核心是：

• A. 使用全连接层
• B. 将全连接替换为卷积以进行像素级预测
• C. 使用 Transformer
• D. 使用循环网络

✅ 答案：B

Q22. U-Net 结构广泛用于医学图像分割的原因是：

• A. 使用 GAN
• B. 编码器-解码器结构 + 跳跃连接
• C. 仅使用卷积
• D. 仅使用 RNN

✅ 答案：B

Q23. Mask R-CNN 相比 Faster R-CNN 的改进是：

• A. 增加一个分割分支
• B. 使用注意力机制
• C. 使用 GAN
• D. 使用强化学习

✅ 答案：A

Q24. 语义分割和实例分割的区别是：

• A. 实例分割区分不同目标个体
• B. 语义分割区分不同类别，不区分个体
• C. 二者无区别
• D. 都依赖 RNN

✅ 答案：A + B

Q25. StyleGAN 的核心优势是：

• A. 高分辨率、逼真图像生成
• B. 实例分割
• C. 检测速度快
• D. 对比学习

✅ 答案：A

Q26. CycleGAN 的主要应用是：

• A. 图像到图像的风格迁移
• B. 语义分割
• C. 目标检测
• D. NLP 文本生成

✅ 答案：A

Q27. Diffusion 模型在图像生成中的核心思想是：

• A. 逐步向噪声加扰动并学习反向过程
• B. 使用 GAN 判别器
• C. 使用 Transformer
• D. 使用 RNN

✅ 答案：A

Q28. 图像分割评估指标 IoU 的定义是：

• A. 交并比 (Intersection over Union)
• B. 精度
• C. 召回率
• D. F1 分数

✅ 答案：A

Q29. 超分辨率模型 SRGAN 的主要目标是：

• A. 提高图像分辨率
• B. 实例分割
• C. 文本分类
• D. 增加训练速度

✅ 答案：A

Q30. 图像描述（Image Captioning）通常使用的模型结构是：

• A. CNN + RNN/Transformer
• B. RNN + GAN
• C. 仅 CNN
• D. 仅 Transformer

✅ 答案：A

---

NLP - 词向量 & 基础模型（31–40）

Q31. Word2Vec 的 Skip-gram 模型的目标是：

• A. 预测当前词
• B. 根据当前词预测上下文词
• C. 根据上下文预测当前词
• D. 预测句子长度

✅ 答案：B

Q32. GloVe 的主要思想是：

• A. 基于共现矩阵和矩阵分解得到词向量
• B. 使用 Transformer
• C. 使用 RNN
• D. 使用对比学习

✅ 答案：A

Q33. One-hot 编码的主要缺点是：

• A. 过拟合
• B. 高维稀疏，无法表达词义相似性
• C. 低维密集
• D. 训练过快

✅ 答案：B

Q34. 在 NLP 中，OOV（Out of Vocabulary）问题的常见解决方法是：

• A. 使用子词分词（BPE、SentencePiece）
• B. 使用全连接层
• C. 使用 CNN
• D. 使用 GAN

✅ 答案：A

Q35. RNN 处理文本的主要缺点是：

• A. 无法建模上下文
• B. 长序列训练难，梯度消失/爆炸
• C. 参数过少
• D. 计算太快

✅ 答案：B

Q36. Seq2Seq 模型通常用于：

• A. 机器翻译
• B. 图像分类
• C. 目标检测
• D. 分割

✅ 答案：A

Q37. Attention 机制在 NLP 中的优势是：

• A. 捕捉长程依赖关系
• B. 减少梯度消失
• C. 提高并行能力
• D. 以上全部

✅ 答案：D

Q38. Transformer 相比 RNN 的主要优势是：

• A. 并行训练效率高
• B. 更强的长程依赖建模能力
• C. 训练更稳定
• D. 以上全部

✅ 答案：D

Q39. BERT 的输入使用了哪种分词方式？

• A. Word-level
• B. Subword-level (WordPiece)
• C. Sentence-level
• D. Character-level

✅ 答案：B

Q40. GPT 模型在训练时的目标函数是：

• A. 预测下一个词（自回归语言模型）
• B. Masked Language Model
• C. Seq2Seq
• D. 对比学习

✅ 答案：A

---

NLP - 预训练 &应用（41–50）

Q41. BERT 的训练任务之一 NSP (Next Sentence Prediction) 的作用是：

• A. 预测句子长度
• B. 学习句间关系
• C. 预测下一个词
• D. 学习图像特征

✅ 答案：B

Q42. RoBERTa 相比 BERT 的改进包括：

• A. 移除 NSP，使用更大数据和更长训练
• B. 使用 CNN
• C. 使用 RNN
• D. 使用 GAN

✅ 答案：A

Q43. T5 (Text-to-Text Transfer Transformer) 的核心思想是：

• A. 将所有 NLP 任务统一为文本到文本
• B. 使用 GAN
• C. 使用卷积
• D. 使用对比学习

✅ 答案：A

Q44. XLNet 的改进是：

• A. 使用自回归 + 自编码结合的训练方式
• B. 使用 CNN
• C. 使用强化学习
• D. 使用稀疏注意力

✅ 答案：A

Q45. ALBERT 相比 BERT 的主要改进是：

• A. 参数共享，降低模型规模
• B. 使用 RNN
• C. 使用 GAN
• D. 使用 CNN

✅ 答案：A

Q46. ChatGPT 属于：

• A. Encoder-only 模型
• B. Decoder-only 模型（GPT 系列）
• C. Encoder-Decoder 模型
• D. CNN 模型

✅ 答案：B

Q47. NLP 中文本分类任务常用的损失函数是：

• A. MSE
• B. 交叉熵损失
• C. KL 散度
• D. Hinge 损失

✅ 答案：B

Q48. BLEU 常用于评价：

• A. 图像分割
• B. 机器翻译质量
• C. 文本分类准确率
• D. 文本相似度 ✅ 答案：B

Q49. ROUGE 常用于评价：

• A. 文本摘要质量
• B. 图像分类
• C. 文本情感分析
• D. 图像检测

✅ 答案：A

Q50. 在问答系统中，Retriever-Reader 结构的作用是：

• A. Retriever 负责检索文档，Reader 负责答案抽取
• B. Retriever 负责翻译，Reader 负责生成
• C. Retriever 负责分词，Reader 负责编码
• D. Retriever 负责优化，Reader 负责训练

✅ 答案：A