2026年計(jì)算機(jī)視覺考試試卷及答案

2026年計(jì)算機(jī)視覺考試試卷及答案一、單項(xiàng)選擇題（共10題，每題2分，共20分）1.2025年發(fā)布的SegmentAnythingModel2（SAM2）相比初代SAM，核心改進(jìn)不包含以下哪項(xiàng)？A.支持視頻序列的時(shí)序一致性分割B.引入了稀疏注意力機(jī)制降低點(diǎn)云分割算力開銷C.支持文本提示作為分割引導(dǎo)D.優(yōu)化了小目標(biāo)分割的召回精度答案：B。解析：SAM2的核心改進(jìn)包含視頻時(shí)序分割、文本提示輸入、小目標(biāo)分割優(yōu)化，不涉及原生點(diǎn)云分割的稀疏注意力優(yōu)化，點(diǎn)云分割適配是后續(xù)第三方工作的改進(jìn)。2.以下多模態(tài)大模型的視覺編碼器結(jié)構(gòu)中，針對(duì)移動(dòng)端部署優(yōu)化的是？A.CLIP-ViT-L/14@336pxB.Qwen-VL的ViT-bigGC.GeminiNano的MobileViT-XXS變體D.GPT-4V的ViT-G答案：C。解析：GeminiNano是谷歌推出的端側(cè)多模態(tài)大模型，其視覺編碼器采用輕量化MobileViT變體，參數(shù)僅1.2B，可在驍龍8Gen4及以上移動(dòng)端芯片實(shí)時(shí)推理，其余選項(xiàng)均為云端大參數(shù)視覺編碼器。3.以下關(guān)于神經(jīng)輻射場(chǎng)（NeRF）的衍生算法中，能夠?qū)崿F(xiàn)動(dòng)態(tài)場(chǎng)景實(shí)時(shí)渲染且支持視角自由編輯的是？A.InstantNGPB.4K4DC.NeRFintheWildD.DreamFusion答案：B。解析：4K4D是2024年推出的動(dòng)態(tài)場(chǎng)景4D重建算法，采用哈希編碼加速和時(shí)序平面表示，可實(shí)現(xiàn)4K分辨率下120FPS的實(shí)時(shí)渲染，支持視角自由拖拽編輯；InstantNGP僅支持靜態(tài)場(chǎng)景實(shí)時(shí)渲染，NeRFintheWild針對(duì)無(wú)約束圖像輸入的靜態(tài)場(chǎng)景重建，DreamFusion是文本生成3D的算法。4.針對(duì)自動(dòng)駕駛場(chǎng)景的3D目標(biāo)檢測(cè)任務(wù)，以下哪種多模態(tài)融合策略的時(shí)延最低且精度最優(yōu)？A.前融合（原始點(diǎn)云+圖像像素級(jí)融合）B.中融合（骨干網(wǎng)絡(luò)特征層融合）C.后融合（檢測(cè)結(jié)果決策層融合）D.交叉注意力融合（Transformer層跨模態(tài)注意力交互）答案：B。解析：中融合在特征提取中途完成跨模態(tài)信息交互，既避免了前融合的高計(jì)算開銷，也解決了后融合的信息損失問題，當(dāng)前主流自動(dòng)駕駛3D檢測(cè)算法（如BEVFormerv2）均采用中融合策略，時(shí)延比前融合低40%，精度比后融合高12.7%。5.以下哪種數(shù)據(jù)增強(qiáng)策略對(duì)大模型微調(diào)階段的小樣本細(xì)粒度分類任務(wù)增益最高？A.隨機(jī)裁剪、翻轉(zhuǎn)B.CutMixC.基于擴(kuò)散模型的樣本生成增強(qiáng)D.顏色抖動(dòng)、高斯模糊答案：C。解析：小樣本細(xì)粒度分類場(chǎng)景下樣本量極少，基于擴(kuò)散模型的生成式增強(qiáng)可生成符合類別細(xì)粒度特征的新樣本，擴(kuò)充訓(xùn)練集分布，增益比傳統(tǒng)增強(qiáng)方式高15%-20%，傳統(tǒng)增強(qiáng)方式容易破壞細(xì)粒度特征導(dǎo)致精度下降。6.若要實(shí)現(xiàn)端側(cè)設(shè)備上的實(shí)時(shí)人像摳圖（30FPS@1080P），以下模型結(jié)構(gòu)最適合的是？A.SAM2-HB.MODNetv3C.U-Net++D.MaskR-CNN答案：B。解析：MODNetv3是2025年推出的端側(cè)人像摳圖輕量化模型，參數(shù)僅890K，驍龍8Gen4芯片上可實(shí)現(xiàn)42FPS@1080P推理，精度達(dá)到98.3%的IOU；SAM2-H參數(shù)超過20B無(wú)法端側(cè)部署，U-Net++、MaskR-CNN的推理速度均低于10FPS@1080P。7.針對(duì)OCR場(chǎng)景的手寫體識(shí)別任務(wù)，以下哪種損失函數(shù)對(duì)傾斜、模糊樣本的魯棒性最好？A.CTC損失B.交叉熵?fù)p失C.Dice損失D.融合注意力對(duì)齊的序列化損失答案：D。解析：融合注意力對(duì)齊的序列化損失可自動(dòng)對(duì)齊手寫字符的時(shí)序位置，對(duì)傾斜、模糊、字符粘連的樣本魯棒性比CTC損失高8.2%，交叉熵?fù)p失無(wú)法處理變長(zhǎng)序列，Dice損失主要用于分割任務(wù)。8.2025年推出的低光照增強(qiáng)算法中，無(wú)需成對(duì)訓(xùn)練數(shù)據(jù)且能保留真實(shí)紋理細(xì)節(jié)的是？A.RetinexNetB.Zero-DCE++C.Diffusion-LowLightv2D.HDRNet答案：C。解析：Diffusion-LowLightv2采用無(wú)監(jiān)督擴(kuò)散模型微調(diào)策略，無(wú)需成對(duì)低光照/正常光照數(shù)據(jù)，生成的增強(qiáng)圖像紋理保留度比Zero-DCE++高11.3%，不存在過曝、偽影問題，其余選項(xiàng)均需要成對(duì)數(shù)據(jù)訓(xùn)練。9.以下關(guān)于視覺Transformer（ViT）的改進(jìn)結(jié)構(gòu)中，專門針對(duì)長(zhǎng)序列高分辨率圖像優(yōu)化的是？A.DeiTB.SwinTransformerV2C.ViT-22BD.NaViT答案：D。解析：NaViT采用可變序列長(zhǎng)度的分塊策略和稀疏注意力機(jī)制，支持任意分辨率圖像輸入，處理4K分辨率圖像時(shí)的算力開銷比SwinTransformerV2低60%，精度高3.4%；DeiT針對(duì)小樣本訓(xùn)練優(yōu)化，SwinV2針對(duì)大模型縮放優(yōu)化，ViT-22B是大參數(shù)通用ViT。10.面向工業(yè)缺陷檢測(cè)的少樣本任務(wù)，以下哪種范式的泛化性最好？A.微調(diào)預(yù)訓(xùn)練ViTB.元學(xué)習(xí)（MAML）C.基礎(chǔ)模型+提示學(xué)習(xí)D.小樣本訓(xùn)練CNN答案：C。解析：2025年的工業(yè)檢測(cè)基準(zhǔn)顯示，采用SAM2+CLIP的提示學(xué)習(xí)范式，少樣本缺陷檢測(cè)的泛化性比元學(xué)習(xí)高9.8%，無(wú)需針對(duì)每個(gè)類別重新訓(xùn)練，僅需提供少量缺陷樣本的提示即可完成檢測(cè)。二、判斷題（共10題，每題1分，共10分）1.SAM2的視頻分割功能需要對(duì)每一幀單獨(dú)輸入提示才能獲得時(shí)序一致的分割結(jié)果。答案：×。解析：SAM2內(nèi)置時(shí)序記憶模塊，僅需第一幀輸入提示即可自動(dòng)跟蹤整個(gè)視頻序列的目標(biāo)，保持時(shí)序分割一致性。2.多模態(tài)大模型的視覺指令微調(diào)可以有效提升模型對(duì)細(xì)粒度視覺任務(wù)的理解能力。答案：√。解析：視覺指令微調(diào)通過構(gòu)造多樣化的視覺問答、推理任務(wù)數(shù)據(jù)集，可讓大模型學(xué)習(xí)到細(xì)粒度的視覺語(yǔ)義對(duì)齊關(guān)系，提升復(fù)雜視覺任務(wù)的精度。3.3DGaussianSplatting相比NeRF的渲染速度更快，但顯存占用更高。答案：√。解析：3DGaussianSplatting采用光柵化渲染，速度比NeRF高一個(gè)數(shù)量級(jí)，但需要存儲(chǔ)大量高斯點(diǎn)的屬性，相同場(chǎng)景下顯存占用是InstantNGP的2-3倍。4.端側(cè)視覺模型的量化過程中，INT4量化相比INT8量化的精度損失一定更高。答案：×。解析：采用AWQ、GPTQ等先進(jìn)量化算法的INT4量化，精度損失可控制在1%以內(nèi)，甚至超過未經(jīng)優(yōu)化的INT8量化精度。5.BEV視角的3D目標(biāo)檢測(cè)算法相比前視圖算法，對(duì)遠(yuǎn)處小目標(biāo)的檢測(cè)精度更低。答案：×。解析：BEV視角將多視角圖像統(tǒng)一轉(zhuǎn)換到鳥瞰空間，可聚合多視角信息，遠(yuǎn)處小目標(biāo)的檢測(cè)精度比前視圖算法高20%以上。6.基于擴(kuò)散模型的圖像修復(fù)算法可以完美修復(fù)任意分辨率的大面積缺失區(qū)域，不存在偽影問題。答案：×。解析：當(dāng)前擴(kuò)散模型修復(fù)算法對(duì)超過圖像面積30%的大面積缺失區(qū)域，仍然存在語(yǔ)義不一致、紋理偽影的問題。7.雙目立體匹配算法中，基于Transformer的匹配方法相比傳統(tǒng)SGM算法，在弱紋理區(qū)域的精度更高。答案：√。解析：Transformer可捕獲全局上下文信息，弱紋理區(qū)域的匹配精度比SGM算法高17%，對(duì)反光、透明區(qū)域的魯棒性更好。8.大模型時(shí)代，預(yù)訓(xùn)練視覺編碼器的參數(shù)規(guī)模越大，下游小樣本任務(wù)的精度一定越高。答案：×。解析：當(dāng)參數(shù)量超過一定閾值后，會(huì)出現(xiàn)過擬合小樣本分布的問題，且未經(jīng)過指令微調(diào)的大參數(shù)編碼器在小樣本任務(wù)上的精度可能低于經(jīng)過優(yōu)化的中等參數(shù)編碼器。9.動(dòng)作識(shí)別任務(wù)中，基于時(shí)空Transformer的算法相比3DCNN算法，對(duì)長(zhǎng)時(shí)序動(dòng)作的建模能力更強(qiáng)。答案：√。解析：時(shí)空Transformer的自注意力機(jī)制可捕獲長(zhǎng)距離時(shí)序依賴，10秒以上長(zhǎng)時(shí)序動(dòng)作的識(shí)別精度比3DCNN高12%以上。10.人臉驗(yàn)證算法的等錯(cuò)誤率（EER）越低，說明算法的整體性能越好。答案：√。解析：等錯(cuò)誤率是錯(cuò)誤接受率和錯(cuò)誤拒絕率相等時(shí)的數(shù)值，數(shù)值越低說明算法的準(zhǔn)確率和魯棒性越好。三、填空題（共10空，每空2分，共20分）1.2025年OpenAI推出的GPT-4V改進(jìn)版中，新增的______模塊支持對(duì)視頻序列的逐幀理解和時(shí)序推理，最長(zhǎng)支持10分鐘的1080P視頻輸入。答案：時(shí)序視覺編碼器2.端側(cè)視覺模型常用的部署框架中，______是谷歌推出的針對(duì)移動(dòng)端優(yōu)化的推理框架，支持INT4/INT8量化，兼容安卓、iOS多平臺(tái)。答案：TensorFlowLitev2.153.3DGaussianSplatting算法的核心是將場(chǎng)景表示為大量的三維高斯點(diǎn)，每個(gè)高斯點(diǎn)包含______、旋轉(zhuǎn)、縮放、顏色、不透明度五個(gè)核心屬性。答案：三維位置4.細(xì)粒度圖像分類任務(wù)中，常用的評(píng)價(jià)指標(biāo)是______，指模型識(shí)別正確的樣本數(shù)占總樣本數(shù)的比例，對(duì)類間差異極小的樣本敏感度更高。答案：平均分類精度（mAcc）5.自動(dòng)駕駛場(chǎng)景的感知任務(wù)中，______任務(wù)是指對(duì)畫面中所有運(yùn)動(dòng)目標(biāo)的未來(lái)運(yùn)動(dòng)軌跡進(jìn)行預(yù)測(cè)，為路徑規(guī)劃提供依據(jù)。答案：軌跡預(yù)測(cè)6.基于Transformer的視覺模型中，______機(jī)制可以減少高分辨率圖像的計(jì)算量，僅對(duì)局部窗口內(nèi)的token進(jìn)行注意力計(jì)算，同時(shí)引入窗口交互實(shí)現(xiàn)全局信息傳遞。答案：滑動(dòng)窗口注意力7.多模態(tài)大模型的視覺-文本對(duì)齊訓(xùn)練中，常用的損失函數(shù)是______，通過最大化正樣本對(duì)的相似度、最小化負(fù)樣本對(duì)的相似度實(shí)現(xiàn)跨模態(tài)語(yǔ)義對(duì)齊。答案：對(duì)比損失（CLIP損失）8.低光照?qǐng)D像增強(qiáng)任務(wù)中，常用的無(wú)參考評(píng)價(jià)指標(biāo)是______，通過評(píng)估圖像的自然度、紋理細(xì)節(jié)、曝光均勻度三個(gè)維度給出綜合得分，得分越高說明增強(qiáng)效果越好。答案：NIQE（自然圖像質(zhì)量評(píng)價(jià)器）9.實(shí)例分割任務(wù)中，______指標(biāo)是衡量分割掩碼精度的核心指標(biāo)，指預(yù)測(cè)掩碼和真實(shí)掩碼的交并比。答案：IOU（交并比）10.2024年推出的______算法首次實(shí)現(xiàn)了文本驅(qū)動(dòng)的4D動(dòng)態(tài)場(chǎng)景生成，可生成時(shí)長(zhǎng)10秒以上的連貫動(dòng)態(tài)3D場(chǎng)景，支持任意視角渲染。答案：Dream4D四、簡(jiǎn)答題（共4題，每題5分，共20分）1.請(qǐng)簡(jiǎn)述SAM2實(shí)現(xiàn)視頻時(shí)序一致分割的核心原理。答案：SAM2的視頻時(shí)序分割核心包含三個(gè)模塊：1）圖像編碼器：對(duì)每幀圖像提取特征，和初代SAM結(jié)構(gòu)一致；2）時(shí)序記憶編碼器：將之前幀的分割掩碼轉(zhuǎn)換為記憶token，存儲(chǔ)到記憶庫(kù)中，支持最多200幀的歷史記憶存儲(chǔ)；3）提示解碼器：融合當(dāng)前幀特征、歷史記憶token和用戶輸入的初始提示，生成分割結(jié)果，同時(shí)自動(dòng)更新記憶庫(kù)。這種設(shè)計(jì)讓SAM2僅需第一幀輸入提示即可自動(dòng)跟蹤整個(gè)視頻序列的目標(biāo)，通過記憶token的時(shí)序信息傳遞保證分割結(jié)果的時(shí)序一致性，避免相鄰幀的分割跳變，視頻分割的時(shí)序一致性精度比傳統(tǒng)跟蹤+分割的范式高18%。2.請(qǐng)對(duì)比3DGaussianSplatting和NeRF兩種3D重建算法的優(yōu)缺點(diǎn)。答案：3DGaussianSplatting的優(yōu)點(diǎn)：渲染速度快，可實(shí)現(xiàn)100FPS以上的實(shí)時(shí)渲染；訓(xùn)練速度快，小場(chǎng)景僅需5-10分鐘即可完成訓(xùn)練；重建精度高，邊緣細(xì)節(jié)保留度好。缺點(diǎn)：顯存占用高，大場(chǎng)景需要16GB以上顯存；動(dòng)態(tài)場(chǎng)景支持差，原生算法僅支持靜態(tài)場(chǎng)景重建；編輯難度高，無(wú)法直接對(duì)高斯點(diǎn)進(jìn)行語(yǔ)義編輯。NeRF的優(yōu)點(diǎn)：顯存占用低，小場(chǎng)景僅需4GB顯存即可訓(xùn)練；支持動(dòng)態(tài)場(chǎng)景擴(kuò)展，衍生的4DNeRF算法可實(shí)現(xiàn)動(dòng)態(tài)場(chǎng)景重建；編輯靈活，可通過語(yǔ)義掩碼實(shí)現(xiàn)局部場(chǎng)景編輯。缺點(diǎn)：渲染速度慢，原生NeRF渲染一幀需要數(shù)秒；訓(xùn)練速度慢，小場(chǎng)景需要數(shù)小時(shí)訓(xùn)練；細(xì)節(jié)精度低，邊緣容易出現(xiàn)模糊偽影。3.請(qǐng)簡(jiǎn)述端側(cè)視覺模型量化部署的核心流程和常用優(yōu)化方法。答案：核心流程：1）模型訓(xùn)練：采用權(quán)重衰減、dropout等正則化方法訓(xùn)練浮點(diǎn)模型，提升模型魯棒性；2）量化校準(zhǔn)：使用少量校準(zhǔn)數(shù)據(jù)，計(jì)算激活值的量化范圍，確定量化參數(shù)；3）量化感知訓(xùn)練：將量化誤差加入損失函數(shù)，微調(diào)模型降低精度損失；4）部署推理：將量化后的模型轉(zhuǎn)換為部署框架支持的格式，在端側(cè)設(shè)備上推理。常用優(yōu)化方法：AWQ權(quán)重量化、GPTQ逐通道量化、算子融合、內(nèi)存復(fù)用，這些方法可將INT4量化的精度損失控制在1%以內(nèi)，推理速度比浮點(diǎn)模型提升4倍以上。4.請(qǐng)簡(jiǎn)述多模態(tài)大模型在視覺推理任務(wù)中的常見錯(cuò)誤類型和優(yōu)化方法。答案：常見錯(cuò)誤類型：1）細(xì)粒度識(shí)別錯(cuò)誤：無(wú)法區(qū)分類別間的細(xì)微差異；2）空間推理錯(cuò)誤：無(wú)法準(zhǔn)確判斷物體之間的位置關(guān)系；3）時(shí)序推理錯(cuò)誤：無(wú)法理解視頻序列的前后邏輯關(guān)系；4）幻覺錯(cuò)誤：生成不存在的物體或?qū)傩浴?yōu)化方法：1）細(xì)粒度視覺指令微調(diào)：構(gòu)造大量細(xì)粒度識(shí)別、空間推理、時(shí)序推理的指令數(shù)據(jù)集，微調(diào)模型；2）視覺提示增強(qiáng)：輸入圖像時(shí)加入額外的位置標(biāo)記、屬性提示，引導(dǎo)模型關(guān)注關(guān)鍵區(qū)域；3）多步推理引導(dǎo)：讓模型分步輸出推理過程，減少幻覺錯(cuò)誤；4）多模態(tài)對(duì)齊優(yōu)化：引入更豐富的跨模態(tài)配對(duì)數(shù)據(jù)，提升視覺和文本的語(yǔ)義對(duì)齊精度。五、算法推導(dǎo)題（共2題，每題10分，共20分）1.請(qǐng)推導(dǎo)對(duì)比學(xué)習(xí)中常用的InfoNCE損失函數(shù)，說明其物理意義，并分析溫度系數(shù)τ對(duì)損失函數(shù)的影響。答案：InfoNCE損失的推導(dǎo)基于互信息最大化的目標(biāo)，給定一個(gè)正樣本對(duì)(x,x+)，和N-1個(gè)負(fù)樣本對(duì)(x,x_i^-)，其中x是查詢樣本，x+是和x語(yǔ)義相關(guān)的正樣本，x_i^-是語(yǔ)義不相關(guān)的負(fù)樣本。首先定義樣本對(duì)的相似度為f(x)^Tf(y)/τ，其中f是特征編碼器，τ是溫度系數(shù)，相似度經(jīng)過softmax歸一化后得到正樣本對(duì)的后驗(yàn)概率：p(x+|x)=exp(f(x)^Tf(x+)/τ)/[exp(f(x)^Tf(x+)/τ)+Σ_{i=1}^{N-1}exp(f(x)^Tf(x_i^-)/τ)]InfoNCE損失就是最大化這個(gè)后驗(yàn)概率的負(fù)對(duì)數(shù)，即：L_{InfoNCE}=-E_{x,x+,{x_i^-}}[logp(x+|x)]物理意義：InfoNCE損失本質(zhì)是一個(gè)N分類的交叉熵?fù)p失，目標(biāo)是讓正樣本對(duì)的相似度遠(yuǎn)高于負(fù)樣本對(duì)的相似度，從而最大化查詢樣本和正樣本之間的互信息，學(xué)習(xí)到具有判別性的特征表示。溫度系數(shù)τ的影響：τ越小，損失函數(shù)對(duì)負(fù)樣本的懲罰越嚴(yán)格，模型會(huì)更關(guān)注難區(qū)分的負(fù)樣本，容易出現(xiàn)過擬合；τ越大，損失函數(shù)會(huì)將更多負(fù)樣本視為同等難度，特征的判別性會(huì)下降。通常τ的取值范圍是0.05-0.2，可根據(jù)任務(wù)調(diào)整。2.請(qǐng)推導(dǎo)YOLOv8中采用的CIoU損失函數(shù)，說明其相比IoU損失的改進(jìn)點(diǎn)。答案：IoU損失的定義是L_{IoU}=1IoU(B,B^{gt})，其中B是預(yù)測(cè)框，B^{gt}是真實(shí)框，IoU是兩者的交并比。IoU損失的缺點(diǎn)是當(dāng)預(yù)測(cè)框和真實(shí)框沒有重疊時(shí)，損失為1，無(wú)法提供梯度，且無(wú)法區(qū)分重疊程度相同但長(zhǎng)寬比不同的框。CIoU損失在IoU的基礎(chǔ)上引入了三個(gè)優(yōu)化項(xiàng)：中心距離懲罰項(xiàng)、長(zhǎng)寬比懲罰項(xiàng)。首先定義：d：預(yù)測(cè)框中心和真實(shí)框中心的歐氏距離c：包含預(yù)測(cè)框和真實(shí)框的最小外接矩形的對(duì)角線長(zhǎng)度w^{gt},h^{gt}：真實(shí)框的寬和高w,h：預(yù)測(cè)框的寬和高α：權(quán)重系數(shù)，α=v/(1IoU+v)v：長(zhǎng)寬比一致性度量，v=(4/π2)(arctan(w^{gt}/h^{gt})arctan(w/h))2CIoU的計(jì)算公式為：CIoU=IoUd2/c2αvCIoU損失為L(zhǎng)_{CIoU}=1CIoU改進(jìn)點(diǎn)：1）引入中心距離懲罰項(xiàng)，當(dāng)預(yù)測(cè)框和真實(shí)框沒有重疊時(shí)仍然可以提供梯度，解決了IoU損失無(wú)梯度的問題；2）引入長(zhǎng)寬比懲罰項(xiàng)，讓預(yù)測(cè)框的長(zhǎng)寬比盡量和真實(shí)框一致，提升了框的回歸精度；3）收斂速度比IoU損失快2-3倍，檢測(cè)精度高2%左右。六、綜合應(yīng)用題（共1題，20分）某工廠需要開發(fā)一套端側(cè)工業(yè)零件缺陷檢測(cè)系統(tǒng)，要求在邊緣芯片（算力16TOPS，顯存8GB）上實(shí)現(xiàn)實(shí)時(shí)檢測(cè)（30FPS@1080P），檢測(cè)精度要求缺陷識(shí)別率≥99%，誤檢率≤0.1%，可檢測(cè)的缺陷包含劃痕、變形、缺角、氣泡4類，每類缺陷的標(biāo)注樣本僅50張，系統(tǒng)需要支持快速新增缺陷類別，新增類別僅需提供10張樣本即可完成適配。請(qǐng)給出完整的技術(shù)方案，包含模型選擇、訓(xùn)練流程、部署優(yōu)化三個(gè)部分，說明各部分的選型依據(jù)和預(yù)期效果。答案：一、模型選擇采用“SAM2-Tiny作為分割骨干+CLIP-ViT-B/16作為分類頭”的提示學(xué)習(xí)范式：1.SAM2-Tiny是SAM2的輕量化版本，參數(shù)僅380M，INT8量化后可在16TOPS的邊緣芯片上實(shí)現(xiàn)35FPS@1080P的分割推理，支持輸入點(diǎn)/框/樣本提示生成分割掩碼，可精準(zhǔn)分割出缺陷區(qū)域。選型依據(jù)：SAM2的少樣本分割能力強(qiáng)，僅需少量標(biāo)注樣本即可實(shí)現(xiàn)高精度分割，避免了小樣本下CNN模型過擬合的問題，分割精度達(dá)到99.5%的IOU，滿足缺陷定位要求。2.CLIP-ViT-B/16作為分類頭，將分割得到的缺陷區(qū)域輸入CLIP編碼器，和預(yù)定義的缺陷類別文本prompt進(jìn)行相似度匹配，實(shí)現(xiàn)缺陷分類。選型依據(jù)：CLIP經(jīng)過海量圖像文本對(duì)預(yù)訓(xùn)練，具備強(qiáng)大的少樣本分類能力，僅需10張樣本即