胡明涛 function addCurrentToHeadLink() { var content = $(‘#currentContent’).val(); $(‘.view-header-nav a’).each(function () { var $this = $(this); if ($this.attr(“content”) == content) { $this.addClass(“current”); } else { $this.removeClass(“current”); } }) } //判断是否有未读消息 function hasNewMessage(){ $.ajax({ type:”post”, url:CONTEXTPATH+”/portal/user/hasmessage.mooc”, dataType:”json”, success:function(response){ if (response.newMessage==1){ // $(“.newMsg”).css(“display”,”inline-block”); $(“.link-msg”).addClass(“new-msg”) } } }); } $(function () { //头标签加当前选中css addCurrentToHeadLink(); $(“.ib-select”).hover(function () { $(this).find(“.options”).stop(true, true).slideDown(); }, function () { $(this).find(“.options”).slideUp(); }); //判断是否有未读消息 hasNewMessage(); $(“.sub-nav-bar em”).on(“click”,function(e){ e.stopPropagation(); var _data_href=$(this).data(“href”); if(_data_href!=null&& $.trim(_data_href).length>0){ window.location.href=_data_href; } return false; }) $(“#planLink”).click(function(){ location.href=CONTEXTPATH+”/home/plan.mooc”; }) }); $(function () { //头标签加当前选中css addCurrentToHeadLink(); $(“.ib-select”).hover(function () { $(this).find(“.options”).stop(true, true).slideDown(); }, function () { $(this).find(“.options”).slideUp(); }); //判断是否有未读消息 hasNewMessage(); $(“.sub-nav-bar em”).on(“click”, function (e) { e.stopPropagation(); var _data_href = $(this).data(“href”); if (_data_href != null && $.trim(_data_href).length > 0) { window.location.href = _data_href; } return false; }) $(“#planLink”).click(function () { location.href = CONTEXTPATH + “/home/plan.mooc”; }) }); function addCurrentToHeadLink() { var content = $(‘#currentContent’).val(); $(‘.view-header-nav a’).each(function () { var $this = $(this); if ($this.attr(“content”) == content) { $this.addClass(“current”); } else { $this.removeClass(“current”); } }) } //判断是否有未读消息 function hasNewMessage() { $.ajax({ type:”post”, url:CONTEXTPATH+”/portal/user/hasmessage.mooc”, data:{}, dataType:”json”, success:function(result){ if (result.newMessage == 1) { $(“.newMsg”).css(“display”, “inline-block”); } } }); }
考试 > 查看试卷
模拟测试9
97.6分
提交时间： 2021-11-14 18:29
用户姓名：胡明涛
该分数不同于真实成绩，仅代表客观题目预测分数。
客观题总分：100.0分
| 判断题 | 单选题 | 多选题 | |
|---|---|---|---|
| 已答 | 14 | 90 | 45 |
| 未答 | 1 | 0 | 0 |
| 答对 | 13 | 90 | 44 |
| 答错 | 1 | 0 | 1 |
| 得分 | 4.29 | 59.40 | 33.88 |
我的错题本
判断题 单选题 多选题
查看试题
123456789101112131415
161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293949596979899100101102103104105
106107108109110111112113114115116117118119120121122123124125126127128129130131132133134135136137138139140141142143144145146147148149150
正确 错误 已做 未做
只看错题
判断题共5分，共15题 ，每道题有一个正确答案。
0
1
图片的下采样后，在进行上采样可以恢复原图。（）
A：正确
B：错误
正确答案： B
答对了！
答对率： 100%
题目解析： 丢失信息
正在加载…
查看解析或评论（0）
0
2
黑帽运算是原始图像减去图像开运算的结果。（）
A：正确
B：错误
正确答案： B
答对了！
答对率： 100%
题目解析： 形态学运算
正在加载…
查看解析或评论（0）
0
3
通常将卷积核的输出通道数叫做卷积核的个数。（）
A：正确
B：错误
正确答案： A
未答！
答对率： 96%
正在加载…
查看解析或评论（0）
0
4
百度图片搜索功能不需要用户自己上传图片，其实查询互联网上的相似图片。（）
A：正确
B：错误
正确答案： B
答错了！
答对率： 93%
题目解析： 图片检索功能需要自己上传图片库。
正在加载…
查看解析或评论（0）
0
5
Flask是一个使用Python编写的轻量级Web应用框架。关于Flask Web开发，使用Flask之前，需要安装，使用pip命令安装：pip install flask。（）
A：正确
B：错误
正确答案： A
答对了！
答对率： 100%
题目解析： Flask PIP安装
正在加载…
查看解析或评论（0）
0
6
灰度直方图能反映一幅图像各灰度级像元占图像的面积比。（）
A：正确
B：错误
正确答案： A
答对了！
答对率： 100%
题目解析： 灰度直方图概念
正在加载…
查看解析或评论（0）
0
7
边缘检测是将边缘像素标识出来的一种图像分割技术。（）
A：正确
B：错误
正确答案： A
答对了！
答对率： 96%
题目解析： 边缘检测概念
正在加载…
查看解析或评论（0）
0
8
logistic回归与线性回归一样，关注回归问题。（）
A：正确
B：错误
正确答案： B
答对了！
答对率： 93%
题目解析： logistic回归与线性回归不一样，是分类问题。
正在加载…
查看解析或评论（0）
0
9
人脸识别技术不能检测出用户的年龄。（）
A：正确
B：错误
正确答案： B
答对了！
答对率： 100%
题目解析： 人脸识别技术应用场景
正在加载…
查看解析或评论（0）
0
10
边缘计算可以被定义成数据的处理，远离集中的计算机基础设施，在数据源端设备或本地网络内。（）
A：正确
B：错误
正确答案： A
答对了！
答对率： 93%
题目解析： 边缘计算的基本概念
正在加载…
查看解析或评论（0）
0
11
中值滤波是一种边缘增强算子。（）
A：正确
B：错误
正确答案： B
答对了！
答对率： 96%
题目解析： 中值滤波
正在加载…
查看解析或评论（0）
0
12
结构元素S在区域X内移动时其原点位置的集合就是S对X的腐蚀。 （）
A：正确
B：错误
正确答案： A
答对了！
答对率： 100%
题目解析： 图像腐蚀
正在加载…
查看解析或评论（0）
0
13
人工神经网络前向计算是指 从输入计算输出的过程，顺序从网络前至后。（）
A：正确
B：错误
正确答案： A
答对了！
答对率： 96%
正在加载…
查看解析或评论（0）
0
14
文字识别技术因为存在一定的误判率，因此不适合应用在金融保险等对于数字敏感的行业。（）
A：正确
B：错误
正确答案： B
答对了！
答对率： 96%
题目解析： 文字识别技术已经在金融行业得到广发的应用
正在加载…
查看解析或评论（0）
0
15
Paddle Lite是百度飞桨基于Paddle Mobile全新升级推出的端侧推理引擎，其具有轻量级、高性能、软硬件通用性等特点。（）
A：正确
B：错误
正确答案： A
答对了！
答对率： 100%
题目解析： Paddle Lite 介绍
正在加载…
查看解析或评论（0）
进入下一类题型
单选题共60分，共90题 ，每道题有一个正确答案。
0
16
图像与灰度直方图间的对应关系是（）。
A：一一对应
B：多对一
C：一对多
D：都不对
正确答案： B
答对了！
答对率： 93%
题目解析： 图像与灰度直方图
正在加载…
查看解析或评论（0）
0
17
计算机显示器的颜色模型为（）。
A：CMYK
B：HIS
C：RGB
D：YIQ
正确答案： C
答对了！
答对率： 93%
题目解析： 颜色模型
正在加载…
查看解析或评论（0）
0
18
关于数学形态学处理, 以下说法正确的是（）。
A：先膨胀后腐蚀的运算称为开运算。
B：先腐蚀后膨胀的运算称为闭运算。
C：细化是将一个曲线型物体细化为一条单像素宽的线，以图形化显示出其拓扑性质。
D：消除连续区域内的小噪声点，可以通过连续多次使用开闭运
正确答案： D
答对了！
答对率： 93%
题目解析： 图像运算的过程
正在加载…
查看解析或评论（0）
0
19
下面属于图像腐蚀操作的函数是（）。
A：cv2.erode( src, kernel)
B：cv2.erode( src, kernel, Size)
C：cv2. dilate(src, kernel)
D：cv2. dilate(src, kernel, Size))
正确答案： A
答对了！
答对率： 93%
题目解析： 图像腐蚀操作函数
正在加载…
查看解析或评论（0）
0
20
下面不属于图像膨胀操作的过程的是（）。
A：读取灰度图像
B：多值化处理图像
C：声明结构元素
D：应用膨胀函数
正确答案： B
答对了！
答对率： 93%
题目解析： 二值化处理图像
正在加载…
查看解析或评论（0）
0
21
cv2.VideoWriter_forcc( )函数来指定视频的编码格式，表示MPEG-4编码类型的是（）。
A：cv2.VideoWriter_fourcc(‘X’,’V’,’I’,’D’)
B：cv2.VideoWriter_fourcc(‘F’, ‘L’, ‘V’, ‘1’)
C：cv2.VideoWriter_fourcc(‘P’,’I’,’M’,’1’)
D：cv2.VideoWriter_fourcc(‘T’,’H’,’E’,’O’)
正确答案： A
答对了！
答对率： 93%
题目解析： MPEG-4编码类型
正在加载…
查看解析或评论（0）
0
22
关于图像金字塔描述正确的是（）。
A：
图像金字塔是由单个图像通过不断地上采样所产生，最小的图像可能仅仅有一个像素点
B：
高斯金字塔是通过不断的使用高斯金字塔滤波，层级越高，图像越大
C：
上采样函数为cv2. pyrDown(src, dst, dstsize,)
D：
高斯金字塔向上采样上是由小图像不断放大图像的过程
正确答案： D
答对了！
答对率： 89%
题目解析：
图像金字塔描
正在加载…
查看解析或评论（0）
0
23
关于拉普拉斯金字塔描述错误的是（）。
A：一幅图像在经过向下采样之后，再对其进行向上采样，是可以恢复原始状态的
B：获取在采样过程中所丢失的信息，这些丢失的信息构成拉普拉斯金字塔
C：拉普拉斯金字塔可以认为是残差金字塔，用来存储下采样后图片与原始图片的差异。
D：拉普拉斯金字塔后的重建图像与原始图像可能存在差异
正确答案： A
答对了！
答对率： 100%
题目解析： 拉普拉斯金字塔
正在加载…
查看解析或评论（0）
0
24
关于特征提取说法正确的是（）。
A：特征提取可以获得所有的特征点
B：轮廓检测检测需要用到所有特征点
C：当这个物体发生旋转时，照样可以正确地辨认它，这就是所谓的尺度不变性
D：人类在识别一个物体时，不管这个物体或远或近，都能对它进行正确的辨认，这就是所谓的旋转不变性
正确答案： A
答对了！
答对率： 93%
题目解析： 特征提取
正在加载…
查看解析或评论（0）
0
25
设置播放视频每一帧的持续时间的函数是（）。
A：cap.release()
B：cv2.waitKey()
C：cv2.destroyAllWindows()
D：cv2.isOpened( )
正确答案： B
答对了！
答对率： 100%
题目解析： 视频操作
正在加载…
查看解析或评论（0）
0
26
关于cv2.VideoWriter(filename, fourcc, fps, frameSize, isColor )参数描述错误的是（）。
A：filename：输出目标视频的存放路径和文件名
B：forcc：视频编码/解码类型
C：frameSize：帧率
D：fps：帧速率
正确答案： C
答对了！
答对率： 100%
题目解析： 视频操作 VideoWriter
正在加载…
查看解析或评论（0）
0
27
（）技术是由图像处理向图像分析阶段过渡过程中必须的。
A：
数字化成像
B：
图像处理
C：
图像分析
D：
图像分割
正确答案： D
答对了！
答对率： 100%
题目解析：
图像分割作用
正在加载…
查看解析或评论（0）
0
28
下列属于机器学习领域无监督学习方法的是（）。
A：线性回归
B：聚类
C：人工神经网络
D：Logistic 回归
正确答案： B
答对了！
答对率： 100%
题目解析： 聚类属于无监督学习方法
正在加载…
查看解析或评论（0）
0
29
在神经网络中最常见的结构是多层感知机，通常以什么函数作为隐含层非线性传递函数（）。
A：线性函数
B：Logistic 函数
C：损失函数
D：径向基函数
正确答案： B
答对了！
答对率： 100%
题目解析： Logistic 函数
正在加载…
查看解析或评论（0）
0
30
在人工神经网络中，通常以tanh函数作为激活函数，其值域为（）。
A：
(-1,1)
B：
[-1,1]
C：
[-1,1)
D：
(-1,1]
正确答案： A
答对了！
答对率： 100%
题目解析：
tanh 与sigmoid 函数类似，但是值域为（-1，1）
正在加载…
查看解析或评论（0）
0
31
下列关于BP神经网络说法正确的是（）。
A：
该网络由9层神经元组成
B：
x变量是由网络权值和阈值组成
C：
y变量可以是误差平方、概率值等
D：
每一层神经元的状态可以影响上一层神经元状态
正确答案： C
答对了！
答对率： 96%
题目解析：
网络由9个神经元组成，x是输入变量数据，每一层神经元的状态不能影响上一层神经元状态
正在加载…
查看解析或评论（0）
0
32
对下面图像img数据进行归一化后得到（）。 
A：
[[0.008, 0.011] [0.011, 0]]
B：
[[0, 0] [0, 0]]
C：
[[1, 1] [1, 1]]
D：
[[0.009, 0.011] [0.011, 1]]
正确答案： A
答对了！
答对率： 100%
题目解析：
归一化是将数据缩小到0-1之间
正在加载…
查看解析或评论（0）
0
33
通过哪种方式可以设置paddlepaddle工作环境是GPU还是CPU（）。
A：fluid.dygraph.guard()
B：paddle.device
C：fluid.dygraph()
D：with paddle.device
正确答案： B
答对了！
答对率： 96%
题目解析： with fluid.dygraph.guard()创建工作环境
正在加载…
查看解析或评论（0）
0
34
下列卷积计算过程中采用步长为2的卷积核后计算结果是（）。
A：
[[7 13][14 7]]
B：
[[7 14][13 7]]
C：
[[13 7][7 14]]
D：
[[14 7][7 13]]
正确答案： A
答对了！
答对率： 100%
题目解析：
计算的到A
正在加载…
查看解析或评论（0）
0
35
迁移学习是一种机器学习方法，主要应用于（）。
A：
需要大量计算能力的计算机视觉和自然语言处理任务
B：
需要大量在计算机视觉和自然语言处理领域数据处理任务
C：
需要反复模型调优和模型评估任务
D：
需要大量分析能力的业务实现任务
正确答案： A
答对了！
答对率： 93%
题目解析：
迁移学习是一种机器学习方法，主要应用于需要大量计算能力的计算机视觉和自然语言处理任务
正在加载…
查看解析或评论（0）
0
36
下列关于VGG模型说法正确的是（）。
A：构筑了16~19层深的卷积神经网络
B：反复堆叠22的小型卷积核
C：反复堆叠33的平均值池化层
D：VGG16模型其中包含输出层
正确答案： A
答对了！
答对率： 100%
题目解析： 反复堆叠33的小型卷积核 反复堆叠22的平均值池化层 VGG16模型其中不包含输出层
正在加载…
查看解析或评论（0）
0
37
OCR 文字识别应用的后台一般使用的算法是（）。
A：随机森林
B：逻辑回归
C：支持向量机
D：神经网络
正确答案： D
答对了！
答对率： 100%
题目解析： 文字识别的后台深度学习框架通常也是使用卷积神经网络来实现的。
正在加载…
查看解析或评论（0）
0
38
Python的OpenCV库提供了颜色空间转换功能，具体函数名是（）。
A：cvtColor
B：convertColor
C：setColor
D：getColor
正确答案： A
答对了！
答对率： 100%
题目解析： OpenCV 颜色空间转换函数
正在加载…
查看解析或评论（0）
0
39
百度OCR的接口可以通过http的方式调用，也可以通过OCR Python SDK来调用。通过Python SDK调用时，下面（）说法有误。
A：SDK需要进行安装，可以执行pip install baidu-aip
B：需要在百度选择具体的应用类型创建应用
C：应用创建完成后会产生AppID、API Key、Secret Key
D：AipOcr是OCR的Python SDK客户端，只需要API Key、Secret Key两个参数
正确答案： D
答对了！
答对率： 100%
题目解析： OCR Python SDK 的使用
正在加载…
查看解析或评论（0）
0
40
在图像图像处理中，我们需要判断图片中的动物是“猫”还是“狗”属于（）问题。
A：检测
B：分类
C：回归
D：预测
正确答案： B
答对了！
答对率： 100%
题目解析： 图像识别的基本问题：分类、检测、回归。
正在加载…
查看解析或评论（0）
0
41
Python的OpenCV库中，以下可以用来检测图像中物体的边缘的函数是（）。
A：cv2.Canny
B：cv2.dilate
C：cv2.erode
D：cv2.drawContours
正确答案： A
答对了！
答对率： 100%
题目解析： OpenCV 图像边缘检测函数
正在加载…
查看解析或评论（0）
0
42
AipImageSearch是图像搜索的Python SDK启动入口，其支持多种方式删除图库中的图片，函数名称错误的是（）。
A：productDeleteByImage
B：productDeleteByUrl
C：productDeleteBySign
D：productDelete
正确答案： D
答对了！
答对率： 96%
题目解析： 删除图库中的图片，支持批量删除，签名删除。
正在加载…
查看解析或评论（0）
0
43
随着人工智能应用部署的兴起，越来越多的产品开始在端侧设备提供一定算力，即可以进行边缘计算。关于边缘计算下面说法错误的是（）。
A：远离集中的计算机基础设施
B：能够为本地端侧设备产生的数据进行计算
C：不需要依赖云端的算力
D：增加了网络延迟
正确答案： D
答对了！
答对率： 100%
题目解析： 边缘计算的基本概念
正在加载…
查看解析或评论（0）
0
44
Paddle Lite是百度飞桨基于Paddle Mobile全新升级推出的端侧推理引擎，定位支持包括手机移动端在内更多场景的高效预测。关于其特点，下面说法错误的是（）。
A：轻量级：执行阶段和计算优化阶段实现良好解耦拆分，移动端可以直接部署执行阶段，无任何第三方依赖
B：高性能：极致的 ARM CPU 性能优化，能最大提供模型训练性能
C：软硬件兼容：广泛的的边缘设备硬件支持，广泛的模型支持能力
D：框架兼容：PaddlePaddle无缝对接，对其他训练框架也提供兼容支持
正确答案： B
答对了！
答对率： 100%
题目解析： Paddle Lite 的特点
正在加载…
查看解析或评论（0）
0
45
在准备好预测库和模型之后，便可以使用Paddle Lite编写程序来执行预测。下列（）代码是执行预测的关键行。
A：predictor = create_paddle_predictor(config)
B：input_tensor = predictor.get_input(0)
C：predictor.run()
D：output_tensor = predictor.get_output(0)
正确答案： C
答对了！
答对率： 100%
题目解析： Paddle Lite
正在加载…
查看解析或评论（0）
0
46
Brute-Force匹配返回最佳匹配的函数是（）。
A：cv2.BFMatcher（normType, crossCheck）
B：BFMatcher.match()
C：BFMatcher.knnMatch（）
D：cv2.drawMatches()
正确答案： B
答对了！
答对率： 96%
题目解析： Brute-Force的使用
正在加载…
查看解析或评论（0）
0
47
颜色通常用多个独立的属性来描述，构成不同的颜色空间。以下不 属于颜色空间的是（）。
A：RGB颜色空间
B：HSV颜色空间
C：HSL颜色空间
D：RGA颜色空间
正确答案： D
答对了！
答对率： 100%
题目解析： 颜色空间
正在加载…
查看解析或评论（0）
0
48
关于图像的阀值处理表述正确的是（）。
A：通过设置阀值可以进行图片的二值化处理
B：阈值处理设置一个全局阈值，无法实现将图像的前景与背景分离
C：cv2.threshold( src, thresh, maxval, type)仅返回阈值处理后的图像矩阵
D：图像中存在高斯噪声的情况下，可以找到一个很好的阈值将图像的边界分开
正确答案： A
答对了！
答对率： 96%
题目解析： 图像的阀值处理
正在加载…
查看解析或评论（0）
0
49
函数cv2.threshold( src, thresh, maxval, type)中，type提供了阈值分割的类型，表示二值化阈值处理的是（）。
A：cv2.THRESH_BINARY_INV
B：cv2.THRESH_BINARY
C：cv2.THRESH_TRUNC
D：cv2.THRESH_TOZERO
正确答案： B
答对了！
答对率： 100%
题目解析： 图像的阀值处理-二值化
正在加载…
查看解析或评论（0）
0
50
数字图像的颜色可以用RGB颜色空间模型表示，当一幅24bit真彩色图像的RGB值都是0时，表示的颜色是（ ）。
A：黑色
B：白色
C：灰色
D：红色
正确答案： A
答对了！
答对率： 96%
题目解析： RGB颜色空间
正在加载…
查看解析或评论（0）
0
51
关于高斯滤波描述正确的是（）。
A：高斯噪声是指它的概率密度函数服从高斯分布的一类噪声
B：高斯滤波只能用于消除高斯噪声
C：高斯滤波也可去除椒盐噪声
D：高斯滤波模板就是用卷积框中像素的中值代替中心值
正确答案： A
答对了！
答对率： 96%
题目解析： 高斯滤波
正在加载…
查看解析或评论（0）
0
52
cv2.VideoWriter_forcc( )函数来指定视频的编码格式，表示视频为FLV格式的是（）。
A：cv2.VideoWriter_fourcc(‘X’,’V’,’I’,’D’)
B：cv2.VideoWriter_fourcc(‘F’, ‘L’, ‘V’, ‘1’)
C：cv2.VideoWriter_fourcc(‘P’,’I’,’M’,’1’)
D：cv2.VideoWriter_fourcc(‘T’,’H’,’E’,’O’)
正确答案： B
答对了！
答对率： 100%
题目解析： OpenCV 视频为FLV格式
正在加载…
查看解析或评论（0）
0
53
关于图像形态学运算函数表示顶帽运算的是（）。
A：cv2. morphologyEx(img, cv2.MORPH_CLOSE, kernel)
B：cv2. morphologyEx(src, cv2.MORPH_OPEN, kernel)
C：cv2. morphologyEx(src, cv2.MORPH_TOPHAT, kernel)
D：cv2. morphologyEx(src, cv2.MORPH_BLACKHAT, kernel)
正确答案： C
答对了！
答对率： 100%
题目解析： 图像顶帽运算函数
正在加载…
查看解析或评论（0）
0
54
通过对同一图像产生不同分辨率的子图，可以获得图像金字塔。如果将图像扩大2倍，正确的代码是（）。
A：img2 = cv2.pyUp(img)
B：img2 = cv2.pyDown(img)
C：img2 = cv2.pyUp(img,2)
D：img2 = cv2.pyDown(img,2)
正确答案： A
答对了！
答对率： 100%
题目解析： 图像金字塔
正在加载…
查看解析或评论（0）
0
55
对于角度不合适的图像，经常需要在预处理中进行几何变换，将改变平行性处理的是（）。
A：
仿射变换
B：
缩放
C：
旋转
D：
透视变换
正确答案： D
答对了！
答对率： 100%
题目解析：
透视变换改变平行性
正在加载…
查看解析或评论（0）
0
56
二值化图像经常可以作为图像处理中的掩模，用来获取图像中ROI区域。例如，当前掩模mask对应于图像的前景, 如果希望获取图像背景的掩模，应该采用下面（）操作。
A：mask_inv = cv.bitwise_and(mask)
B：mask_inv = cv.bitwise_or(mask)
C：mask_inv = cv.bitwise_not(mask)
D：mask_inv = cv.bitwise_xor(mask)
正确答案： C
答对了！
答对率： 96%
题目解析： 获取图像背景的掩模
正在加载…
查看解析或评论（0）
0
57
下面关于计算机视觉说法错误的是()。
A：计算机视觉是一门研究如何使机器“看”的科学
B：计算机视觉技术就是图像处理技术
C：计算机视觉从20世纪80年代就开始蓬勃发展
D：数据量，运算力和算法模型是影响计算机视觉行业发展的三大要素
正确答案： B
答对了！
答对率： 100%
题目解析： 计算机视觉的概念
正在加载…
查看解析或评论（0）
0
58
下列属于机器学习领域有监督学习方法的是（）。
A：
降维
B：
聚类
C：
卷积神经网络
D：
关联分析
正确答案： C
答对了！
答对率： 96%
题目解析：
卷积神经网络属于有监督学习方法
正在加载…
查看解析或评论（0）
0
59
在神经网络中由大量神经元节点构成，每个节点视为激活函数，其性质有（）。
A：线性函数
B：可导性
C：不单调
D：函数阈值只能在固定区间
正确答案： B
答对了！
答对率： 100%
题目解析： 激活函数可导，计算梯度时必须有此性质
正在加载…
查看解析或评论（0）
0
60
在人工神经网络中，通常以Sigmoid 函数作为激活函数，其值域为（）。
A：(0,1)
B：[0,1]
C：[0,1)
D：(0,1]
正确答案： A
答对了！
答对率： 100%
题目解析： tanh 与sigmoid 函数类似，但是值域为（-1，1）
正在加载…
查看解析或评论（0）
0
61
下列关于BP神经网络说法正确的是（）。
A：BP神经网络整个网络结构包含了：一层输入层，一层隐藏层，一层输出层
B：BP神经网络模型训练的学习过程由信号的反向传播和误差的正向传播两个过程
C：BP神经网络是为解决非线性问题
D：BP神经网络复杂、计算量大
正确答案： C
答对了！
答对率： 96%
题目解析： BP神经网络是为解决非线性问题
正在加载…
查看解析或评论（0）
0
62
对下面图像img数据进行最大-最小标准化后得到（）。
A：
[[0.666, 1.0] [1.0, 0.0]]
B：
[[0.666, 1.0] [0.0, 1.0]]
C：
[[1.0, 0.666] [0.0, 1.0]]
D：
[[1.0, 0.666] [1.0, 0.0]]
正确答案： A
答对了！
答对率： 100%
题目解析：
min-max标准化也称为离差标准化，是对原始数据的线性变换，使结果值映射到[0 - 1]之间
正在加载…
查看解析或评论（0）
0
63
使用paddlepaddle最新版实现全连接方法的是（）。
A：paddle.nn.Linear
B：paddle.nn.Linear.dygraph
C：paddle.dygraph.nn.Linear
D：paddle.Linear.
正确答案： A
答对了！
答对率： 93%
题目解析： paddle.nn.Linear实现神经网络的全连接层
正在加载…
查看解析或评论（0）
0
64
输入大小为5 X 5，卷积核的大小为3 X 3 ，步长为2，最后的得到特征图大小是（）。
A：2 X 2
B：3 X 3
C：6 X 6
D：4 X 4
正确答案： A
答对了！
答对率： 100%
题目解析： （5-3）/2 +1 =2计算的到A
正在加载…
查看解析或评论（0）
0
65
下面关于池化说法正确的是（）。
A：
采用 2 X 2窗口，步长为2
B：
采用 3 X 3窗口，步长为1
C：
采用 2 X 2窗口，步长为1
D：
采用 3X 3窗口，步长为2
正确答案： A
答对了！
答对率： 96%
题目解析：
采用 2 X 2窗口，步长为2
正在加载…
查看解析或评论（0）
0
66
下列关于VGG模型说法正确的是（）。
A：构筑了16~19层深的卷积神经网络
B：反复堆叠22的小型卷积核
C：反复堆叠33的平均值池化层
D：VGG16模型其中包含输出层
正确答案： A
答对了！
答对率： 100%
题目解析： 反复堆叠33的小型卷积核 反复堆叠22的平均值池化层 VGG16模型其中不包含输出层
正在加载…
查看解析或评论（0）
0
67
HSV是根据颜色的直观特性，创建的一种颜色空间, 也称六角锥体模型。下面说法正确的是（）。
A：颜色的参数分别是：色调（H），饱和度（S），明度（V）
B：颜色的参数分别是：饱和度（H），色调（S），明度（V）
C：颜色的参数分别是：明度（H），饱和度（S），色调（V）
D：颜色的参数分别是：饱和度（H），明度（S），色调（V）
正确答案： A
答对了！
答对率： 96%
题目解析： HSV 颜色空间的基本概念
正在加载…
查看解析或评论（0）
0
68
Python的OpenCV库中，以下可以从图片中提取出物体的轮廓的方法是（）。
A：cv2.contourArea
B：cv2.findContours
C：cv2.boundingRect
D：cv2.drawContours
正确答案： B
答对了！
答对率： 81%
题目解析： OpenCV 检测物体的轮廓函数
正在加载…
查看解析或评论（0）
0
69
用OCR技术将图像中的文字识别成文本后，为保证文本内容的正确，通常需要对识别后的文本进行（）。
A：划分区域
B：扫描
C：删除所有内容
D：校对
正确答案： D
答对了！
答对率： 100%
题目解析： 文字识别主要解决的问题是每个文字是什么。识别出的文本通常需要再次核对以保证其正确性。
正在加载…
查看解析或评论（0）
0
70
Python的OpenCV库中，以下可以对图片做腐蚀操作，使图像的形态发生变化的函数是（）。
A：cv2.Canny
B：cv2.dilate
C：cv2.erode
D：cv2.drawContours
正确答案： C
答对了！
答对率： 96%
题目解析： OpenCV 腐蚀操作函数
正在加载…
查看解析或评论（0）
0
71
在使用百度商品图片检索时，不需要我们执行的操作有（）。
A：上传自己的图片库
B：为每个图片生成特征
C：管理自己的图片库
D：检索图片
正确答案： B
答对了！
答对率： 100%
题目解析： 百度商品图片检索功能不需要我们自己为图片生成特征。
正在加载…
查看解析或评论（0）
0
72
我们在使用某些银行APP办理业务时，有时需要使用人脸识别来判断是否本人在操作，此时会要求用户眨眼，要求眨眼的目的是（）。
A：五官关键点检测
B：人脸检测与追踪
C：活体检测与验证
D：面部分析
正确答案： C
答对了！
答对率： 100%
题目解析： 人脸检测的核心技术
正在加载…
查看解析或评论（0）
0
73
关于边缘计算与云计算的关系，下面说法正确的是（）。
A：
云计算与边缘计算应各自发挥自身优势进行数据处理
B：
边缘计算与云计算是协同关系
C：
边云协同将放大边缘计算和云计算价值
D：
边缘计算可以替代云计算
正确答案： A
答对了！
答对率： 89%
题目解析：
边缘计算对比云计算
正在加载…
查看解析或评论（0）
0
74
树莓派，英语：Raspberry Pi，是可以运行Linux系统的电脑，为英国树莓派基金会所开发，其主要特点为机身小巧和价格低廉，一经推出便受到各种计算机爱好者、开发者的喜爱。其处理器（CPU）使用的是（）架构。
A：x86
B：EPIC
C：ARM
D：POWER
正确答案： C
答对了！
答对率： 100%
题目解析： 树莓派 CPU架构
正在加载…
查看解析或评论（0）
0
75
在PaddlePaddle训练完成的模型，想要在在树莓派上的推测，需要转换成Paddlelite格式，转换需要使用工具为（）。
A：convert
B：covt
C：mconvert
D：opt
正确答案： D
答对了！
答对率： 96%
题目解析： Paddle Lite 模型转换
正在加载…
查看解析或评论（0）
0
76
关于cv2.VideoCapture(cameraId)描述错误的是（）。
A：可以打开视频
B：可以打开摄像头
C：cameraId参数是摄像头设备的ID编号，默认值为0
D：cameraId参数也可以为一个视频的文件
正确答案： C
答对了！
答对率： 100%
题目解析： cv2.VideoCapture用法
正在加载…
查看解析或评论（0）
0
77
VideoCapture类对象的get()方法获取的视频帧率 属性是（）。
A：cv2.CAPPROPFRAMEWIDTH
B：cv2.CAPPROPFRAMEHEIGHT
C：cv2.CAPPROPFPS
D：cv2.CAPPROPPOSMSEC
正确答案： C
答对了！
答对率： 100%
题目解析： VideoCapture获取属性
正在加载…
查看解析或评论（0）
0
78
通过OpenCV读入图像image.jpg后获取图像结构，运行以下代码： import cv2 img = cv2.imread(“image.jpg”) print(img.shape) 运行结果是 (360,720,3) 对于该图像的说法正确的是（ ）。
A：宽度为720像素，高度为360像素的彩色图像
B：宽度为360像素，高度为720像素的彩色图像
C：宽度为720像素，高度为360像素的黑白图像
D：宽度为360像素，高度为720像素的黑白图像
正确答案： A
答对了！
答对率： 100%
题目解析： OpenCV图像形状
正在加载…
查看解析或评论（0）
0
79
在目标检测的任务中，使用以下代码 cv2.circle(img, (30, 30), 20,(255, 0, 0), 1) 在图像上框选出检测到的物体。 这段代码的效果描述正确的是（ ）。
A：在图像左下角绘制半径为30像素的红色空心圆，线条宽度为1像素
B：在图像左上角绘制半径为30像素的蓝色实心圆
C：在图像左下角绘制半径为30像素的红色实心圆
D：在图像左上角绘制半径为30像素的蓝色空心圆，线条宽度为1像素
正确答案： D
答对了！
答对率： 96%
题目解析： OpenCV 圆的处理
正在加载…
查看解析或评论（0）
0
80
关于边缘检测描述错误的是（）。
A：图像的边缘包括灰度级的突变，颜色的突变，纹理结构的突变
B：图像边缘是一个区域的结束，也是另一个区域的开始
C：边缘广泛存在于目标与目标、物体与背景、区域与区域之间
D：图像边缘是指图像局部特性的连续性
正确答案： D
答对了！
答对率： 100%
题目解析： 不连续性
正在加载…
查看解析或评论（0）
0
81
关于图像梯度描述正确的是（）。
A：图像处理中的梯度与灰度值成反比关系
B：当图像中有比较平滑的部分时，灰度值变化较大
C：图片梯度的方向是函数f(x,y)变化较慢的方向
D：图像中存在边缘时，一定有较大的梯度值
正确答案： D
答对了！
答对率： 93%
题目解析： 图像梯度
正在加载…
查看解析或评论（0）
0
82
关于Canny边缘检测说法错误的是（）。
A：Canny边缘检测算法是具有严格定义的
B：Canny算法具有满足边缘检测的三个标准和实现过程简单的优势
C：Canny算法其目标是找到一个局部最优的边缘检测解
D：Canny算法寻找一幅图像中灰度强度变化最强的位置
正确答案： C
答对了！
答对率： 93%
题目解析： Canny算法全局最优的边缘检测算法
正在加载…
查看解析或评论（0）
0
83
关于图像处理的阈值的选择，表述错误的是（）。
A：阈值选择127即可满足所有需求
B：Otsu’s算法就可以找到一个认为最好的阈值
C：Otsu’s算法适合于图像灰度直方图(只有灰度图像才有)具有双峰的情况
D：Otsu’s算法使用方式为cv2.threshold(img, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)
正确答案： A
答对了！
答对率： 96%
题目解析： 图像处理的阈值
正在加载…
查看解析或评论（0）
0
84
关于轮廓查找cv2.findContours( image, mode, method) 中mode参数（）值，表示对检测到的轮廓不建立等级关系。
A：cv2.RETR_EXTERNAL
B：cv2.RETR_LIST
C：cv2.RETR_CCOMP
D：cv2.RETR_TREE
正确答案： B
答对了！
答对率： 96%
题目解析： 轮廓查找函数参数
正在加载…
查看解析或评论（0）
0
85
关于轮廓查找cv2.findContours( image, mode, method) 中method参数（）值，表示采用压缩方法表达轮廓。
A：
cv2.CHAIN_APPROX_NONE
B：
cv2.CHAIN_APPROX_TC89_L1
C：
cv2.CHAIN_APPROX_SIMPLE
D：
cv2.CHAIN_APPROX_TC89_KCOS
正确答案： C
答对了！
答对率： 96%
题目解析：
轮廓查找函数参数
正在加载…
查看解析或评论（0）
0
86
下面（）函数是计算图像轮廓面积的。
A：cv2.arcLength()
B：cv2.convexHull()
C：cv2.isContourConvex()
D：cv2.contourArea()
正确答案： D
答对了！
答对率： 96%
题目解析： 计算图像轮廓面积
正在加载…
查看解析或评论（0）
0
87
关于图像形态学处理, 以下说法正确的是（）。
A：先膨胀后腐蚀的运算称为开运算。
B：先腐蚀后膨胀的运算称为闭运算。
C：膨胀是运行结果图比原图的高亮区域小。
D：消除连续区域内的小噪声点，可以通过连续多次使用开闭运
正确答案： D
答对了！
答对率： 100%
题目解析： 图像形态学处理,
正在加载…
查看解析或评论（0）
0
88
人工神经网络属于哪种机器学习方法（）。
A：监督学习方法
B：无监督学习方法
C：半监督学习方法
D：强化学习方法
正确答案： A
答对了！
答对率： 96%
题目解析： 人工神经网络属于有监督学习方法
正在加载…
查看解析或评论（0）
0
89
在神经网络中最常见的结构是多层感知机，通常以什么函数作为隐含层非线性传递函数（）。
A：线性函数
B：Sigmoid 函数
C：损失函数
D：代价函数
正确答案： B
答对了！
答对率： 96%
题目解析： Logistic 函数
正在加载…
查看解析或评论（0）
0
90
在人工神经网络中，通常以softmax函数作为激活函数，其值域为（）。
A：(0,1)
B：[0,1]
C：[0,1)
D：(0,1]
正确答案： A
答对了！
答对率： 100%
题目解析： softmax 与sigmoid 函数类似，但是值域为（0，1）
正在加载…
查看解析或评论（0）
0
91
下列不属于BP神经网络隐含层各单元输入源的是（）。
A：连接权值
B：阈值
C：激活函数
D：神经元个数
正确答案： C
答对了！
答对率： 100%
题目解析： 隐含层各个单元的输入有：输入层至中间层的连接权值，隐含层单元的阈值，隐含层的神经元个数
正在加载…
查看解析或评论（0）
0
92
下列选项中对下图描述正确的是（）。
A：
对于小批量（即batch size = 4），BN会降低性能
B：
对于大批量（即batch size = 128），BN会降低性能
C：
对于批量batch size = 64时，BN会增强性能
D：
对于批量batch size = 16时，BN会降低性能
正确答案： A
答对了！
答对率： 96%
题目解析：
对于小批量（即batch size = 4），BN会降低性能
正在加载…
查看解析或评论（0）
0
93
迁移学习是一种机器学习方法，下列说法正确的是（）。
A：不需要训练模型
B：不需要数据处理
C：不需要反复模型调优和模型评估
D：不需要定义网络结构
正确答案： D
答对了！
答对率： 96%
题目解析： 迁移学习是一种机器学习方法，迁移学习的方式是借用网络的结构
正在加载…
查看解析或评论（0）
0
94
下列关于VGG模型说法正确的是（）。
A：构筑了16~19层深的卷积神经网络
B：反复堆叠22的小型卷积核
C：反复堆叠33的平均值池化层
D：VGG16模型其中包含输出层
正确答案： A
答对了！
答对率： 100%
题目解析： 反复堆叠33的小型卷积核 反复堆叠22的平均值池化层 VGG16模型其中不包含输出层
正在加载…
查看解析或评论（0）
0
95
PaddlePaddle 的fluid.dygraph模式来指定在CPU设备上运行程序方法是（）。
A：fluid.dygraph.CPUPlace(0)
B：fluid.dygraph.CPUPlace()
C：fluid.CPUPlace(0)
D：fluid.CPUPlace()
正确答案： D
答对了！
答对率： 89%
题目解析： 此处调用fluid.CPUPlace() API来指定在CPU设备上运行程序
正在加载…
查看解析或评论（0）
0
96
下左图经过卷积得到右图，padding=2，其卷积核大小和步长分别是（）。 
A：
3 X 3，3
B：
2 X 2，2
C：
3 X 3，2
D：
2 X 2，3
正确答案： A
答对了！
答对率： 96%
题目解析：
计算的到A
正在加载…
查看解析或评论（0）
0
97
以下关于百度银行卡识别接口的优势说法正确的是（）。
A：能识别出银行卡上的所有的文字信息
B：识别准确率高，能达到100%的正确率
C：服务稳定，依托百度云技术实力，提供高可靠性，高并发的服务
D：免费试用
正确答案： C
答对了！
答对率： 100%
题目解析： 能识别出卡号、有效期、发卡行、卡片类型4个关键字段，识别准确率超过99%，限量免费。
正在加载…
查看解析或评论（0）
0
98
Python的OpenCV库中，最适合绘制物品的轮廓，以便能提取出其中的物品的方法是（）。
A：cv2.contourArea
B：cv2.findContours;
C：cv2.boundingRect
D：cv2.drawContours
正确答案： D
答对了！
答对率： 81%
题目解析： OpenCV 绘制物体的轮廓函数
正在加载…
查看解析或评论（0）
0
99
手机上广泛使用的手写输入技术，主要用到了（）。
A：光学字符识别技术
B：手写文字识别技术
C：语音识别技术
D：机器翻译技术
正确答案： A
答对了！
答对率： 96%
题目解析： OCR的定义
正在加载…
查看解析或评论（0）
0
100
Python的OpenCV库中，以下可以对图片做膨胀操作，使图像的形态发生变化的函数是（）。
A：cv2.Canny
B：cv2.dilate
C：cv2.erode
D：cv2.drawContours
正确答案： B
答对了！
答对率： 89%
题目解析： OpenCV 膨胀操作函数
正在加载…
查看解析或评论（0）
0
101
百度为图像搜索提供了Python SDK，SDK包括了图像搜索的客户端的类，其提供了一系列交互方法，类名是（）。
A：AipImgSearch
B：ImageSearch
C：AipImageSearch
D：ImgSearch
正确答案： C
答对了！
答对率： 96%
题目解析： 图像搜索的Python SDK客户端
正在加载…
查看解析或评论（0）
0
102
百度提供了人脸识别接口，其中人脸搜索可以在指定人脸集合中，找到最相似的人脸。在发起请求URL时，下列（）参数非必须。
A：image：图片信息(总数据大小应小于10M)
B：image_type：图片类型，支持：BASE64、URL、FACE_TOKEN
C：group_id_list：从指定的group中进行查找 用逗号分隔，上限10个
D：quality_control：图片质量控制，支持：NONE、LOW、NORMAL、HIGH
正确答案： D
答对了！
答对率： 100%
题目解析： 百度人脸识别-人脸搜索接口参数
正在加载…
查看解析或评论（0）
0
103
利用树莓派摄像头采集大量商场环境图片，然后数据上传到云端进行数据处理再训练模型，再将模型导入到树莓派进行基于摄像头捕捉图片的人形检测。这样的边云协同属于（）类型。
A：边缘收集数据，云端训练+推理
B：边缘收集数据+推理，云端训练
C：边缘收集数据+推理，分布式边缘训练
D：边缘在线学习+推理
正确答案： B
答对了！
答对率： 96%
题目解析： 边云协同的类型
正在加载…
查看解析或评论（0）
0
104
树莓派支持很多种操作系统，官方推荐的操作系统是（）。
A：CentOS
B：Raspbian
C：Debian
D：Ubuntu
正确答案： B
答对了！
答对率： 100%
题目解析： 树莓派 操作系统
正在加载…
查看解析或评论（0）
0
105
在使用Paddle Lite进行推理时需要对数据进行数据预处理，参考如下代码： img = cv2.resize(img, (50, 50)) img = np.array(img).astype(‘float32’) img = img.transpose((2, 0, 1)) img = img / 255.0 下面对代码解释正确的是（）。
A：第一行调整了图像尺寸到50*50
B：第二行转换数据类型为float32
C：第三行修改数据形状为paddle默认的（通道，宽度，高度）
D：第四行对图像数据进行归一化
正确答案： C
答对了！
答对率： 100%
题目解析： Paddle Lite 推理
正在加载…
查看解析或评论（0）
进入下一类题型
多选题共35分，共45题 ，每道题有一个或多个正确答案,选错或漏选都不得分。
0
106
关于特征检测与提取说法正确的有（）。
A：提取物品的特征点是为了让计算机做良品检测
B：物体的良好特性包括尺度不变性与旋转不变性
C：SIFT提取特征的函数为detectAndCompute
D：SIFT是一种全局检测的算法
正确答案： A,B,C
答对了！
答对率： 96%
题目解析： SIFT特征提取
正在加载…
查看解析或评论（0）
0
107
关于Brute-Force特征匹配说法正确的有（）。
A：Brute-Force匹配是计算图像之间关键点的距离，返回全部距离的关键点
B：BFMatcher.match()返回最佳匹配
C：BFMatcher.knnMatch（）返回最佳匹配
D：cv2.BFMatcher(normType, crossCheck）创建BFMatcher对象
正确答案： B,D
答错了！
答对率： 78%
题目解析： 概念的理解
正在加载…
查看解析或评论（0）
0
108
OpenCV操作摄像头的说法正确的是（）。
A：cv2.VideoCapture(cameraId) 用来初始化摄像头
B：cv2.VideoCapture.read( )用来捕获视频帧
C：cv2.VideoCapture.get()用来捕获视频帧
D：cv2.waitKey()用来设置等待时间
正确答案： A,B,D
答对了！
答对率： 100%
题目解析： VideoCapture
正在加载…
查看解析或评论（0）
0
109
关于OpenCV视频流说法正确的是（）。
A：OpenCV的cv2.VideoWriter类可以将帧序列转换为视频文件
B：cv2.VideoWriter_forcc( )函数来指定视频的编码格式
C：cv2.VideoCapture.set()设置类对象的属性
D：cv2.VideoWriter_forcc（’X’，’V’，’I’，’D ‘）将视频保存为flv格式
正确答案： A,B,C
答对了！
答对率： 85%
题目解析： flv格式
正在加载…
查看解析或评论（0）
0
110
关于轮廓操作过程中使用的各种函数，下面解释正确的是（）。
A：cv2.findContours( image, mode, method)返回图像、轮廓、轮廓层次
B：cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)将RGB转换为HSV
C：cv2.drawContours( image, contours, contoursIdx, color, thickness)绘制轮廓
D：cv2.arcLength()计算得到轮廓面积
正确答案： A,C
答对了！
答对率： 78%
题目解析： 图像轮廓提取及相关操作
正在加载…
查看解析或评论（0）
0
111
关于图像梯度与Canny边缘检测说法正确的是（）。
A：图像梯度是指图像某像素在x和y两个方向上的变化率（与相邻像素比较），是一个n维向量
B：图像梯度沿X轴的变化是指当前像素右侧（X加1）的像素值减去当前像素左侧（X减1）的像素值
C：Canny算法其目标是找到一个最优的边缘检测解或寻找一幅图像中灰度强度变化最强的位置
D：Canny边缘检测应用中值滤波来平滑图像
正确答案： B,C
答对了！
答对率： 85%
题目解析： 图像梯度与Canny边缘检测
正在加载…
查看解析或评论（0）
0
112
机器学习是一门涉及计算机科学、脑科学等诸多领域的交叉学科，研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，下列（）属于涉及机器学习过程范畴。
A：数据
B：经验
C：归纳
D：预测
正确答案： A,D
答对了！
答对率： 100%
题目解析： 历史数据、训练、模型、预测等属于机器学习过程范畴
正在加载…
查看解析或评论（0）
0
113
深度学习框架的作用有（）。
A：节省编写大量底层代码的精力
B：省去了部署和适配环境的烦恼
C：模型训练准确
D：模型泛化能力强
正确答案： A,B
答对了！
答对率： 96%
题目解析： 深度学习框架的作用有节省编写大量底层代码的精力，省去了部署和适配环境的烦恼
正在加载…
查看解析或评论（0）
0
114
下面是某图像卷积层后的特征切片，采用2X2，步长为2池化，下列说法正确的是（）。 
A：
最大池化后为[[8 5][4 6]]
B：
最小池化后为[[2 1][1 1]]
C：
平均池化后为[[8 5][4 6]]
D：
随机池化后为[[8 5][4 6]]
正确答案： A,B,C,D
答对了！
答对率： 100%
题目解析：
常用的池化操作有平均池化、最大池化，除此之外还有最小池化、随机池化。
正在加载…
查看解析或评论（0）
0
115
常见优化器有（）。
A：随机梯度下降法
B：自适应梯度算法
C：自适应矩估计
D：交叉熵损失最小
正确答案： A,B,C
答对了！
答对率： 93%
题目解析： 交叉熵损失最小不属于
正在加载…
查看解析或评论（0）
0
116
PaddlePaddle 读取数据时需要生成数据提供器reader,使用 Image 读取的图像信息有（）。
A：个数
B：通道
C：高度
D：宽度
正确答案： B,C,D
答对了！
答对率： 96%
题目解析： 个数不属于
正在加载…
查看解析或评论（0）
0
117
OCR，英文：Optical Character Recognition，即光学字符识别，以下（）是OCR技术的实际应用。
A：车牌识别
B：手写字识别
C：人脸识别
D：自动驾驶
正确答案： A,B
答对了！
答对率： 81%
题目解析： OCR （Optical Character Recognition，光学字符识别）是指电子设备（例如扫描仪或数码相机）检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程。
正在加载…
查看解析或评论（0）
0
118
百度银行卡识别接口可以识别出卡片的（）信息。
A：发卡行
B：卡片类型
C：有效期
D：持卡人姓名
正确答案： A,B,C
答对了！
答对率： 96%
题目解析： 百度银行卡识别接口支持对主流银行卡的卡号、有效期、发卡行、卡片类型4个关键字段进行结构化识别，识别准确率超过99%。
正在加载…
查看解析或评论（0）
0
119
人脸识别技术可以用在以下（）场景。
A：银行叫号取号
B：交管局出入大厅
C：会议签到
D：ATM转账汇款
正确答案： A,B,C,D
答对了！
答对率： 100%
题目解析： 人脸识别技术应用场景
正在加载…
查看解析或评论（0）
0
120
使用Flask开发Web应用的主要步骤包括（）。
A：创建Flask对象
B：为每个请求创建一个处理的函数
C：在函数上使用注解的形式标识该函数处理哪个请求
D：在函数入口中使用Flask对象的run方法来启动该应用
正确答案： A,B,C,D
答对了！
答对率： 96%
题目解析： Flask开发
正在加载…
查看解析或评论（0）
0
121
数字图像中有（）基本特征。
A：颜色特征
B：纹理特征
C：形状特征
D：空间关系特征
正确答案： A,B,C,D
答对了！
答对率： 89%
题目解析： 图像匹配的原则
正在加载…
查看解析或评论（0）
0
122
下面是中值滤波的特点的有（）。
A：中值滤波法是一种线性平滑技术
B：中值滤波对脉冲噪声有良好的滤除作用，特别是在滤除噪声的同时，能够保护信号的边缘，使之不被模糊
C：中值滤波去噪就是对整幅图像像素值进行加权平均
D：中值滤波是在“最小绝对误差”准则下的最优滤波。
正确答案： B,D
答对了！
答对率： 74%
题目解析： 中值滤波
正在加载…
查看解析或评论（0）
0
123
颜色的几个要素分别是（）。
A：亮度(明度)
B：色调(色相)
C：饱和度
D：灰度
正确答案： A,B,C
答对了！
答对率： 96%
题目解析： HSV参数
正在加载…
查看解析或评论（0）
0
124
从图像工程的角度上，属于机器视觉过程的阶段有（）。
A：括数字化成像
B：图像处理
C：图像分析
D：图像分割
正确答案： A,B,C
答对了！
答对率： 85%
题目解析： 机器视觉过程
正在加载…
查看解析或评论（0）
0
125
关于开运算和闭运算分别在图像处理与分析中的作用说法正确的有（）。
A：先腐蚀后膨胀称为开运算
B：开运算在不明显改变物体面积的情况下平滑物体的边缘
C：先膨胀后腐蚀称为闭运算
D：闭运算能够有效地填充物体内部细小的空洞
正确答案： A,C,D
答对了！
答对率： 93%
题目解析： 开运算和闭运算
正在加载…
查看解析或评论（0）
0
126
关于图像平滑、图像锐化和边缘检测模板各自的特点，说法正确的是（）。
A：图像平滑的特点：模板内系数全为正，且之和为1；对一般图像处理前后平均亮度减弱。
B：图像锐化特点： 模板内系数有正有负， 且之和为1; 对一般图像处理前后平均亮度不变。
C：边缘检测模板的特点：模板内系数有正有负，且之和为0；对常数图像处理后为0，对一般图像处理后为边缘点。
D：图像平滑对常数图像处理前后发生改变。
正确答案： B,C
答对了！
答对率： 85%
题目解析： 图像平滑、图像锐化和边缘检测模板
正在加载…
查看解析或评论（0）
0
127
迁移学习是一种机器学习方法，主要方法有（）。
A：样本迁移
B：特征迁移
C：模型迁移
D：关系迁移
正确答案： A,B,C,D
答对了！
答对率： 93%
题目解析： 样本迁移、特征迁移、模型迁移、关系迁移
正在加载…
查看解析或评论（0）
0
128
深度学习框架的作用有（）。
A：节省编写大量底层代码的精力
B：省去了部署和适配环境的烦恼
C：模型训练准确
D：模型泛化能力强
正确答案： A,B
答对了！
答对率： 100%
题目解析： 深度学习框架的作用有节省编写大量底层代码的精力，省去了部署和适配环境的烦恼
正在加载…
查看解析或评论（0）
0
129
生成神经网络模型过程涉及步骤有（）。
A：构建数据提供器
B：网络配置
C：训练模型
D：模型评估
正确答案： A,B,C,D
答对了！
答对率： 96%
题目解析： 一个完整神经网络模型生成过程，涉及数据预处理，模型搭建，训练，评估和推理应用的全流程
正在加载…
查看解析或评论（0）
0
130
常见优化器有（）。
A：随机梯度下降法
B：自适应梯度算法
C：自适应矩估计
D：交叉熵损失最小
正确答案： A,B,C
答对了！
答对率： 96%
题目解析： 交叉熵损失最小不属于
正在加载…
查看解析或评论（0）
0
131
2016年，百度开源了PaddlcPaddle，已经发展成为国际主流认可的深度学习平台，下列关于paddlepaddle说法正确的是（）。
A：主要包括图像识别、语音识别、情感分析等
B：可以实现CPU/GPU单机和分布式模式
C：支持海量数据、数台机器并行运算
D：该平台易用、高效、灵活和可伸缩等特点
正确答案： A,B,C,D
答对了！
答对率： 93%
题目解析： 主要包括图像识别、语音识别、情感分析等，可以实现CPU/GPU单机和分布式模式，支持海量数据、数台机器并行运算，该平台易用、高效、灵活和可伸缩等特点
正在加载…
查看解析或评论（0）
0
132
文字识别的过程一般包括以下（）。
A：读取图片
B：提取文字区域
C：识别区域中的文字
D：输出结果
正确答案： A,B,C,D
答对了！
答对率： 93%
题目解析： 文字识别的一般过程。
正在加载…
查看解析或评论（0）
0
133
计算机图像识别技术可以实现的功能包括（）。
A：检测图像中是否包含行人
B：识别出图像中是“猫”还是“狗”
C：识别出人的喜怒哀乐表情
D：识别出图片中人的年龄
正确答案： A,B,C,D
答对了！
答对率： 96%
题目解析： 图像识别技术可以处理检测、分类、回归等问题。
正在加载…
查看解析或评论（0）
0
134
百度人脸识别产品提供了丰富的功能，主要包括（）。
A：人脸检测
B：人脸对比
C：人脸搜索
D：人脸库管理
正确答案： A,B,C,D
答对了！
答对率： 96%
题目解析： 百度人脸识别产品功能
正在加载…
查看解析或评论（0）
0
135
近年随着各种实时智能应用场景的出现，边缘计算的使用越来越频繁。关于边缘计算的特点，下面说法正确的是（）。
A：数据存储安全性高
B：数据处理延迟低
C：设备故障影响小
D：数据存储便利
正确答案： A,B,C,D
答对了！
答对率： 96%
题目解析： 边缘计算的特点
正在加载…
查看解析或评论（0）
0
136
关于图像阈值说法正确的有()。
A：阈值处理就是选取一个全局阈值，然后将图像的前景与背景分离
B：设置阈值参数T将图像分割成两部分：大于T的像素群设置为255，小于T的像素群设置为0，这种形式称为图像的二值化处理
C：阈值的采用127即可满足要求
D：阈值选择采用Otsu’s算法可以自主选择合理阈值
正确答案： A,B,D
答对了！
答对率： 96%
题目解析： 图像阈值
正在加载…
查看解析或评论（0）
0
137
关于高斯滤波说法正确的有（）。
A：高斯噪声是指它的概率密度函数服从高斯分布的一类噪声，可以使用高斯模糊和双边模糊处理
B：高斯滤波适用于消除高斯噪声，广泛应用于图像处理的减噪过程
C：高斯滤波是一种非线性平滑滤波
D：高斯滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点
正确答案： A,B
答对了！
答对率： 70%
题目解析： 高斯滤波
正在加载…
查看解析或评论（0）
0
138
图像识别技术可以使用在多种场景，下面（）属于图像识别的应用。
A：文字识别
B：人脸识别
C：生物医学图像识别
D：反黄，识别网络违规图片
正确答案： A,B,C,D
答对了！
答对率： 100%
题目解析： 图像识别的应用
正在加载…
查看解析或评论（0）
0
139
关于图像腐蚀与膨胀操作说法正确有（）。
A：腐蚀操作能够将图像的边界点消除，使图像沿着边界向内收缩
B：腐蚀操作常常用来收缩或细化二值图像中的前景，借此去除噪声
C：膨胀操作将当前图像接触到的背景合并到当前对象内，从而实现将图像的边界点向外扩张
D：膨胀操作的函数为cv2.erode( src, kernel)
正确答案： A,B,C
答对了！
答对率： 85%
题目解析： 图像腐蚀与膨胀操作
正在加载…
查看解析或评论（0）
0
140
关于高斯金字塔说法正确的是（）。
A：高斯金字塔是通过不断的使用高斯金字塔滤波，采样所产生的。层级越高，图像越小
B：下层样使得图像像素增加
C：上采样是的图像像素增加
D：图像经过下采用操作，随后进行上采用操作能否还原原来图像
正确答案： A,C
答对了！
答对率： 96%
题目解析： 高斯金字塔
正在加载…
查看解析或评论（0）
0
141
关于拉普拉斯金字塔说法正确的是（）。
A：拉普拉斯金字塔获取在采样过程中所丢失的信息
B：拉普拉斯金字塔的数据为原图值减去下采样后的图像值
C：拉普拉斯金字塔的数据为原图值减去上采样后的图像值
D：拉普拉斯金字塔的数据为原图值减去上采用与下采样的差值
正确答案： A,D
答对了！
答对率： 93%
题目解析： 拉普拉斯金字塔
正在加载…
查看解析或评论（0）
0
142
paddlepaddle的Fluid 中使用 fluid.layers.data 来接收输入数据，必须提供输入信息有（）。
A：Tensor 的通道
B：Tensor 的宽度
C：Tensor 的高度
D：Tensor 的方向信息
正确答案： A,B,C
答对了！
答对率： 93%
题目解析： fluid.layers.data 需要提供输入 Tensor 的形状信息
正在加载…
查看解析或评论（0）
0
143
深度学习模型参数过多，容易发生过拟合，一般采用什么方法可以避免（）。
A：Dropout
B：L2正则化
C：L1正则化
D：批归一化（Batch Normalization）
正确答案： A,B,C,D
答对了！
答对率： 89%
题目解析： 防止过拟合方法有Dropout、L2正则化、L1正则化、批归一化（Batch Normalization）
正在加载…
查看解析或评论（0）
0
144
下列属于深度学习模型的有（）。
A：LeNet
B：AlexNet
C：googleNet
D：MXNet
正确答案： A,B,C
答对了！
答对率： 96%
题目解析： 深度学习框架的作用有节省编写大量底层代码的精力，省去了部署和适配环境的烦恼
正在加载…
查看解析或评论（0）
0
145
下面是某图像卷积层后的特征切片，采用2X2，步长为2池化，下列说法正确的是（）。
A：
最大池化后为[[8 5][4 6]]
B：
最小池化后为[[2 1][1 1]]
C：
平均池化后为[[8 5][4 6]]
D：
随机池化后为[[8 5][4 6]]
正确答案： A,B,C,D
答对了！
答对率： 100%
题目解析：
常用的池化操作有平均池化、最大池化，除此之外还有最小池化、随机池化。
正在加载…
查看解析或评论（0）
0
146
不同的深度学习任务需要有各自适宜的损失函数，常见损失函数或方法有些（）。
A：均方误差
B：Softmax函数
C：激活函数
D：交叉熵损失最小
正确答案： A,B,D
答对了！
答对率： 89%
题目解析： 激活函数不属于
正在加载…
查看解析或评论（0）
0
147
以下关于ORC技术的应用场景说法正确的是（）。
A：文字识别可以帮助进行图像文字反作弊，也就是识别图片上面的违规文字
B：文字识别技术因为存在一定的误判率，因此不适合应用在金融保险等对于数字敏感的行业
C：文字识别技术只能识别图片上的文字，不能识别视频上的文字；
D：教育领域，可以使用OCR能力进行题目识别，题目输入，题目搜索等操作
正确答案： A,D
答对了！
答对率： 89%
题目解析： ORC技术的应用领域很广，金融保险业也广泛使用。
正在加载…
查看解析或评论（0）
0
148
人脸识别的关键技术包括（）。
A：图像采集
B：图像处理
C：特征定位
D：身份的确认和查找
正确答案： A,B,C,D
答对了！
答对率： 96%
题目解析： 人脸识别技术包括：图像的采集、处理，特征定位、身份的确定。
正在加载…
查看解析或评论（0）
0
149
百度商品图片搜索Python SDK提供了多个接口，关于接口函数下面解释正确的有（）。
A：productAdd为图片入库接口函数
B：productUpdate函数可以更新图库中图片的摘要和分类信息
C：productDeleteByImage函数可以删除图库中的图片
D：productSearch函数可以实现相似商品图片检索
正确答案： A,B,C,D
答对了！
答对率： 96%
题目解析： 百度商品图片搜索API
正在加载…
查看解析或评论（0）
0
150
相比边缘计算，云计算的主要特点包括（）。
A：计算中心的高性能服务器可以提供高算力
B：对于网络环境要求低
C：提供了统一协作功能，访问便利
D：计算机算力扩展容易
正确答案： A,C,D
答对了！
答对率： 78%
题目解析： 边缘计算对比云计算
正在加载…
查看解析或评论（0）
进入下一类题型
var ot; var umArr = new Array(); var status = ‘50’; var fullScore = parseInt(‘100’); $(function () { MathJax.Hub.Queue([“Typeset”, MathJax.Hub]); $(“html .mathquill-embedded-latex:not(.mathquill-rendered-math)”).mathquill(); $(“script[id^=’responseContent‘]”).each(function () { var id = $(this).attr(“quiz_id”); var umEdit = UM.getEditor(‘responseContent‘ + id); umArr.push(umEdit); $(this).parent(‘.test-ana-s’).attr(“um”, umEdit); umEdit.setDisabled(‘fullscreen’); }) //$(“.view-progressbar”).hide(); ot = $(“.p-fix”).offset().top; var quizScoreAll = 0; $(“.quiz-struct”).each(function () { var $struct = $(this); var type = $struct.attr(“quizType”); var quizScore = $struct.attr(“quizScore”); var quizObjs = $struct.find(“.view-test”); var correctNum = 0; //答对 var errorNum = 0; //答错 var unAnswertNum = 0; //未答 var answertNum = 0; //已答 var allScore = 0; quizObjs.each(function () { var quizObj = $(this); var quizId = quizObj.attr(“quizId”); var correctFlag = quizObj.attr(“correct”); var index = quizObj.find(‘.test-no’).html(); var score = quizObj.attr(“score”); var type2 = quizObj.attr(“quizType”); var css = “”; if (correctFlag == ‘1’) { css = ‘right’; if (type == “itt005”) { css = ‘success’; } correctNum = correctNum + 1; allScore = allScore + parseInt(score); } else if (correctFlag == ‘2’) { css = ‘error’; errorNum = errorNum + 1; allScore = allScore + parseInt(score); } else { css = ‘blank’ unAnswertNum = unAnswertNum + 1; } answertNum = correctNum + errorNum; //gM.log(isDone); var html = ‘‘ + index + ‘‘; $(“.practice-no”).find(‘[class=’ + type + ‘]’).append(html); }) $(“.table-count tbody “).find(‘#unAnswer‘ + type + ‘’).html(unAnswertNum); $(“.table-count tbody “).find(‘#answer‘ + type + ‘’).html(answertNum); if (parseInt(status) < 50 && type == ‘itt005’) { var msg =Msg.get(“examine.esViewSubAnalysis.jq.status.lt.50”); $(“.table-count tbody “).find(‘#correct‘ + type + ‘’).html(msg); $(“.table-count tbody “).find(‘#error‘ + type + ‘’).html(msg); $(“.table-count tbody “).find(‘#score‘ + type + ‘’).html(msg); } else { if (type == ‘itt005’) { $(“.table-count tbody “).find(‘#correct‘ + type + ‘’).html(“—“); $(“.table-count tbody “).find(‘#error‘ + type + ‘’).html(“—“); } else { $(“.table-count tbody “).find(‘#correct‘ + type + ‘’).html(correctNum); $(“.table-count tbody “).find(‘#error‘ + type + ‘’).html(errorNum); } $(“.table-count tbody “).find(‘#score‘ + type + ‘’).html((allScore / 100).toFixed(2)); } if (type != “itt005”) { quizScoreAll = quizScoreAll + parseInt(quizScore); } }) $(“#quizScore”).html((quizScoreAll / 100 * fullScore).toFixed(1)) $(“div[id^=’responseContent‘]”).blur(function () { var quizId = $(this).parents(‘.view-test’).attr(“quizId”); for (var i = 0; i < umArr.length; i++) { umEdit = umArr[i]; var id = umEdit.id; var d = id.split(‘‘)[1]; if (d == quizId) { v = $.trim(umEdit.getContent()); if (typeof v == ‘undefined’ || v.length == 0) { $(“.practice-no”).find(‘.p-no[quizId=’ + quizId + ‘]’).removeClass(‘done’); } else { $(“.practice-no”).find(‘.p-no[quizId=’ + quizId + ‘]’).addClass(‘done’); } } } }) $(“.view_error”).click(function () { var cObj = $(this).toggleClass(“selected”); if (cObj.hasClass(‘selected’)) { $(“.view-test[correct=’1’]”).addClass(“publicTip”); $(“.view-test[correct=’0’]”).addClass(“publicTip”); $(“.view-test[quizType=’itt005’]”).addClass(“publicTip”); } else { $(“.view-test[correct=’0’]”).removeClass(“publicTip”); $(“.view-test[correct=’1’]”).removeClass(“publicTip”); $(“.view-test[quizType=’itt005’]”).removeClass(“publicTip”); } }) $(“body”).on(“click”, “.changeQuiz”, function () { changeQuiz(paperId, $(this).parents(‘.view-test’).attr(“quizId”), $(this).parents(‘.view-test’).attr(“quizType”)); }) $(“.edui-container”).css(“width”, “90%”); $(“.edui-body-container”).css(“width”, “98%”); $(“.edui-container”).css(“z-index”, “9”); $(“.practice-no”).children(‘div’).append(‘
版权所有 © 2016 知途学习云 yundaxue.org苏 ICP备15040316号-4
产品服务 首页 课程 实训 使用帮助 技术支持 电话：400-828-1210 邮箱：feedback@yundaxue.org 联系我们 电话：400-828-1210
邮箱：feedback@yundaxue.org
function importIntroJs(cookieName){ } $(function () { }) function importIntroJs(cookieName){ } var mainMinHeight; function minMain(){ mainMinHeight=$(window).height()-($(“#header”).outerHeight()+$(“#footer”).outerHeight()); $(“#main”).css(“min-height”,mainMinHeight); var viewTable = $(“.bd-layout-login .view-table”); if(viewTable && viewTable != “undefined”){ $(“.bd-layout-login .view-table”).css(“min-height”,mainMinHeight); } } minMain(); $(window).resize(function(){ minMain(); }) $(function () { var scrollFixFalse = $(“#scrollFixFalse”).val(); if (scrollFixFalse == null || scrollFixFalse != 1){ $(“#header”).scrollFix(); } }) $(function(){ minMain(); function minMain(){ mainMinHeight=$(window).height()-($(“#ztBodyHeader”).outerHeight()+$(“#ztBodyFooter”).outerHeight()) $(“#ztBodyMain”).css(“min-height”,mainMinHeight); } $(window).resize(function(){ minMain(); }); }) MathJax.Hub.Config({ showMathMenu:false, tex2jax: {inlineMath: [[“$MathJax”,”$MathJax”]], displayMath: [[“&&MathJax”,”&&MathJax”]]} });
若有收获，就点个赞吧
0 人点赞
