《計算機視覺應(yīng)用開發(fā)》試題及答案A卷

第1頁共4頁《計算機視覺應(yīng)用開發(fā)》期末考試試題A卷（開卷）適用班級：人工智能2001/2002專業(yè)：人工智能技術(shù)服務(wù)考試時長：120分鐘得分閱卷人得分閱卷人1.以下說法不正確的是：（）A.OpenCV是一個跨平臺計算機視覺和機器學習軟件庫B.OpenCV用C++語言編寫C.OpenCV實現(xiàn)了圖像處理和計算機視覺方面的很多通用算法D.OpenCV不支持Linux系統(tǒng)2．opencv畫矩形使用的方法是：（）A.cv2.line()B.cv2.rectangle()C.cv2.circle()D.cv2.ellipse()3.OpenCV中用于實現(xiàn)中值濾波的函數(shù)是（）A.blur()B.boxFilter()C.medianBlur()D.filter2D()4.神經(jīng)網(wǎng)絡(luò)的基本三層結(jié)構(gòu)不包括（）A.輸入層B.輸出層C.隱藏層D.卷積層5.下面關(guān)于卷積層，激活層以及池化層說法不正確的是（）A.卷積運算的目的是提取輸入的不同特征，不同的卷積層提取的特征不同。B.激活層通過設(shè)置激活函數(shù)來增加線性分割能力,一般在卷積層與池化層之間的激活函數(shù)通常為relu。C.池化層減少學習參數(shù)，降低網(wǎng)絡(luò)的復雜度，也叫下采樣層。D.池化層常用的有平均池化和最大池化。6.下面關(guān)于卷積網(wǎng)絡(luò)說法正確的是（）A.整個臉型屬于淺層卷積提取基礎(chǔ)特征。B.邊緣屬于深層卷積提取抽象特征。C.輪廓屬于深層卷積提取抽象特征。D.全連接層根據(jù)特征組合進行評分分類7.區(qū)域選取通常使用()算法。A.one-stage目標檢測B.two-stage目標檢測C.滑動窗口（SlidingWindows）D.邏輯回歸（Logisticregression）8．以下說法不正確的是（）A.COCO數(shù)據(jù)集有81個類別B.OpenCV人臉檢測是基于Haar特征實現(xiàn)的C.dlib人臉檢測是基于Hog特征D.評價人臉檢測效果的好壞，常用三個指標：召回率，誤檢數(shù)和檢測速度。9.下面哪個操作不屬于基本圖像增強操作？（）A．裁剪B．增加噪聲C．加大圖片尺寸D．提高亮度10.目前主流的語義分割網(wǎng)絡(luò)一般是遵循：（）A.下采樣，上采樣，特征融合 B.上采樣，下采樣，特征融合C.下采樣，上采樣，圖像融合 D.上采樣，下采樣，圖像融合11.以下那部分代碼是正確引用VGG19模塊的（）。A.fromkeras.applications.vgg19importVGG19B.fromkeras.modelsimportModeC.fromkeras.applications.vgg19importpreprocess_inputD.fromkeras.preprocessingimportimage12.關(guān)于TF-IDF算法說法不正確的是（）。A.TF算法和IDF算法可以單獨使用B.IDF的大小與詞語的常見程度成正比C.TF算法權(quán)衡詞出現(xiàn)的頻率，不考慮詞語對文檔的區(qū)分能力D.TF-IDF算法，從詞頻、逆文檔頻率兩個角度對詞語的重要性進行衡量13.基于機器學習的情感分析方法本質(zhì)是一個分類問題，該方法使用的經(jīng)典分類模型不包括（）。A.支持向量機B.樸素貝葉斯C.卡爾曼濾波D.最大熵模型14.下面不屬于基于插值的超分辨率重建方法步驟的是（）A.圖像重建B.上采樣C.圖像配準D.圖像池化15.場景文字識別相比于普通文字識別的不同，描述錯誤的是（）A.文本行可能有橫向、豎向、彎曲、旋轉(zhuǎn)、扭曲等式樣B.圖像中的文字區(qū)域還可能會產(chǎn)生變形(透視、仿射變換)、殘缺、模糊等現(xiàn)象C.場景圖像中的文字內(nèi)容與普通文字識別的文字內(nèi)容相同D.自然場景圖像的背景極其多樣得分閱卷人得分閱卷人1.通過對圖像輪廓的操作，就能獲取目標圖像的大小、位置、方向等信息。（）2.遷移學習是一種機器學習方法，就是把為任務(wù)A開發(fā)的模型作為初始點，重新使用在為任務(wù)B開發(fā)模型的過程中。（）3.通用目標檢測可以檢測圖像中多個類別的目標。（）4.檢測單張圖像所用的時間越長越好，檢測更精確。（）5.人臉識別完全可以用圖像識別的方法不需要更精確的預處理過程。（）6.單樣本圖像增強主要有幾何操作、顏色變換、隨機擦除、添加噪聲等方法。（）7.實例感知語義分割（instanceawaresemanticsegmentation）是標準語義分割或全像素語義分割的子類型，它將每個像素分類為屬于應(yīng)用類以及該類的實體ID。（）8.圖像像素數(shù)目越多，像素點越大，圖像越清晰、逼真，自然（）9.原始圖像與其評估版本(噪聲強度)之間圖像(信號強度)可能的最大像素值與最大均方誤差(MSE)的對數(shù)比率，PSNR值越小，重建效果越好。（）10.在遷移學習中，任務(wù)需要重新開始建立模型，不可以重用之前的模型。（）得分閱卷人得分閱卷人1．線段的繪制是使用方法、圓形的繪制使用方法。2.卷積網(wǎng)絡(luò)的核心是：_________和___________、___________。3.傳統(tǒng)算法對于目標檢測通常分為3個階段：、和。4.卷積操作使得 之間存在有位置上的連接關(guān)系。5.多圖像超分辨率重建算法根據(jù)重建過程所在域不同可分為_______和_________。6.基于的超分辨率重建，從圖像的降質(zhì)退化模型出發(fā)，假定高分辨率圖像是經(jīng)過了適當?shù)倪\動變換、模糊及噪聲才得到低分辨率圖像。7.SRGAN網(wǎng)絡(luò)結(jié)構(gòu)模型是由兩個網(wǎng)絡(luò)組成的深層次神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，將一個網(wǎng)絡(luò)與另一個網(wǎng)絡(luò)相互對立。一個神經(jīng)網(wǎng)絡(luò)稱為_________，另一個神經(jīng)網(wǎng)絡(luò)稱為__________。8.文字識別可根據(jù)待識別的文字特點采用不同的識別方法，一般分為_________和__________。9.不定長文字識別的常用方法：、CRNN、chineseocr。10.sigmoid神經(jīng)網(wǎng)絡(luò)層輸出0和1之間的數(shù)字，這個數(shù)字代表每個組件有多少比率的信息可以通過，表示不通過任何信息，______表示全部通過。11.OpenCV中顯示完成后，需調(diào)用釋放窗口占用的資源的方法_________。12.繪制直方圖的兩種方式分別為______、_________。13.圖像濾波的兩個目的是________（抽出對象的特征作為圖像識別的特征模式）和___________（為適應(yīng)圖像處理的要求，消除圖像數(shù)字化時所混入的噪聲）。得分閱卷人得分閱卷人編寫代碼實現(xiàn)加載cifar10數(shù)據(jù)并對數(shù)據(jù)進行標準化。得分閱卷人得分閱卷人先將圖像標準化到[0,1]范圍內(nèi)，接著圖片規(guī)范成(128,128)大小的，以匹配神經(jīng)網(wǎng)絡(luò)的輸入。得分閱卷人得分閱卷人請寫出如何構(gòu)造低分辨率圖像的主要程序代碼?！禤ython文本與語音應(yīng)用設(shè)計》期末考試試題A卷答題紙適用班級：人工智能2001/2002專業(yè)：人工智能技術(shù)服務(wù)得分閱卷人得分閱卷人1.2.3.4.5.6.7.8.9.10.11.12.13.14.15得分閱卷人得分閱卷人1.2.3.4.5.6.7.8.9.10.得分閱卷人得分閱卷人1.2.3.4.5.6.7.8.9.10.11.12.13.得分閱卷人得分閱卷人得分閱卷人得分閱卷人得分閱卷人得分閱卷人．《計算機視覺應(yīng)用開發(fā)》期末考試試題A卷答案適用班級：人工智能2001/2002專業(yè)：人工智能技術(shù)服務(wù)得分閱卷人得分閱卷人1.D2.B3.C4.A5.B6.D7.C8.A9.C10.A11.A12.B13.B14.D15.C得分閱卷人得分閱卷人1.對2.對3.對4.錯5.錯6.對7.錯8.對9.錯10.錯得分閱卷人得分閱卷人1.cv2.line（）、cv2.circle（）2.淺層卷積提取基礎(chǔ)特征深層卷積提取抽象特征全連接層根據(jù)特征組合進行評分分類3.區(qū)域選取、特征提取、體征分類4.輸入值和輸出值5.頻域法、空域法6.退化模型7.生成器、鑒別器8.定長文字、不定長文字9.LSTM+CTC10.0、111.cv2.destroyAllWindows()12.np.histogram()、np.bincount()13.提取特征、清除噪聲得分閱卷人得分閱卷人(train_images,train_labels),(test_images,test_labels)=datasets.cifar10.load_data()#數(shù)據(jù)標準化train_images,test_images=train_images/255.0,test_images/255.0得分閱卷人得分閱卷人defnormalize(input_image,input_mask):input_image=tf.cast(input_image,tf.float32)/128.0-1input_mask-=1returninput_image,input_maskdefload_image(datapoint):input_image=tf.image.resize(datapoint['image'],(128,128))input_mask=tf.image.resize(datapoint['segmentation_mask'],(128,128))input_image,input_mask=normalize(input_image,input