百度2017年计算机视觉笔试题
来源:互联网 发布:java小球下落 编辑:程序博客网 时间:2024/06/14 00:57
今年百度计算机视觉笔试题分布情况如下:
第一部分:30个选择题,每个2分
第二部分:2个简答题,一个20分,一个30分
第三部分:2个编程题,每个20分
第一部分(有些题目不记得了)
- 关于C++this指针说法正确的是: A,B,D
A. this在成员函数的开始前构造,在成员函数的结束后清除
B. this作用域仅限于类的内部
C. this指针只存放在栈上
D. 全局函数、静态函数都不能使用this
解析:
首先this指针的作用:
编译器在识别类时,要经历三个过程:
1.识别类名;
2.识别类中的成员变量;
3.识别函数并对函数进行改写(默认的为函数加上指针this)
在类中调用函数就是要通过this指针来保存这个类的地址,然后根据this指针提供的地址来对类成员变量进行操作。
this指针的特点;
this指针的类型是对应类类型*const this
this指针为类成员函数的第一个默认隐式参数,编写者不能明确的传递
this指针并不是类成员变量,所以不影响类的大小
this指针的作用域仅限于类的内部
this只能在成员函数中使用(全局函数,静态函数都不能使用this)
this 在成员函数的开始前构造,在成员函数结束后清除
this指针会因编译器不同而有不同的放置位置,可能是栈,可能是寄存器,甚至可能是全局变量。
- 下列关于模式识别的说法正确的是: A,B,C,D
A. 从处理问题的性质和解决问题的方法等角度考虑,模式识别可分为监督分类和无监督的分类
B. 决策理论方法引入鉴别函数,通过比较函数值进行分类
C.statistic pattern recognition的基本原理是“物以类聚”
D. 模式识别方法的选择取决于问题本身的性质
解析:
对于A. 模式识别又常称为模式分类,从处理问题的性质和解决问题的方法等角度,模式识别分为有监督的分类和无监督的分类两种,二者的主要差别在于,各实验样本所属的类别是否预先已知
对于B .模式识别中的决策理论方法又称为统计方法,决策理论的一般步骤:数字预处理,特征抽取,分类。为了分类,引入了鉴别函数,通过比较函数值进行分类。
对于C. 统计模式识别的基本原理是:有相似性的样本在模式空间中互相接近,并形成“集团”,即“物以类聚”。
对于D. 肯定是对的啦
- 页式存储管理下,把由4个页面构成的作业根据页表调入由8个物理块构成的存储器中,设定块长为1024B,则以下推断正确的是:A,B,C
A. 若访问的逻辑地址为(3,1010),物理地址为3058B,则页表中3号页对应2号块
B. 若访问的逻辑地址为(0,100),物理地址为3172B,则页表中0号页对应3号块
C.若访问的逻辑地址为(2,785),物理地址为6929B,则页表中2号对应6号块
D.若访问的逻辑地址为(4,21),物理地址为3172B,则页表中0号页对应3号块
考的操作系统存储的知识,看见题就吓了一跳,本来很简单的题,就是概念记不清了。。。
解析:
首先回顾一下页式存储的概念:
页式存储将程序的逻辑地址空间划分为固定大小的页(逻辑页),而物理内存划分为同样大小的页框(物理页)。【引入页式存储的优点:离散存储可以避免内存紧缩,减少碎片】
逻辑地址的组成:
逻辑地址由两部分组成,页号和页内地址(位移),其中逻辑页从0开始编号,每个页内地址也从0开始编址。
若给定逻辑地址A, 页面的大小为L, 则页号p和页内地址w(也称位移量)可以按照如下方式求得:
p=int [A/L]
w=A mod L
页式存储是根据进程页表来实现的,系统为每个进程建立一张页表,用于记录逻辑页与块之间的对应关系。地址空间里有多少页,该页表里就登记多少行,按照逻辑页的编号顺序排列:
地址映射过程:
页式存储管理采用动态重定位,在程序的执行过程中完成地址转换,处理器每执行一条指令,就将指令中的逻辑地址(p,w),取来从中得到逻辑页号(p),硬件机构按此页号查页表,得到内存的块号(B),便形成绝对地址(物理地址)(B,w),处理器即按此地址访问主页。
物理地址的计算公式:
物理地址=块的大小(即页的大小L)*块号B+页内地址w
知道上面的知识之后这个题就不难了:
首先对于A: 知道逻辑地址(3,1010)即,p=3,w=1010, 物理地址为:3058=1024*B+1010,计算得B=2, 也就是页表中的3号页对应2号块
对于B:知道逻辑地址(0,100),即p=0,w=100,物理地址为:3172=1024*B+100,计算得B=3,也就是页表中的0号页对应3号块
对于C:知道逻辑地址(2,785),即p=2,w=785,物理地址为:6929=1024*B+785,计算得B=6,也就是页表中的2号页对应6号块
对于D:知道逻辑地址(4,21),即p=4,w=21, 物理地址为:3172=1024*B+21,计算得B=3, 应该是页表中的4号页对应3号块
给你2G的数据2G的内存,下面哪种算法可能导致内存溢出:A
A. 归并排序————空间复杂度O(n)
B. 冒泡排序————空间复杂度O(1)
C. 选择排序————空间复杂度O(1)
D. 堆排序————–空间复杂度O(1)利用分支限界法可以解决下列哪些问题:A,B,C,D
A. 电路板排列问题
B. 批处理作业调度问题
C. 装载问题
D. 最大团问题
分支限界法一般用来求解整数线性规划问题,具体四个问题另写一篇展开讲
- 下列关于图像边缘检测所用到的算子说法错误的是(B)
A. Sobel算子是把各个方向上的灰度值加权之和作为输出
B. Robinson算子是一个边缘模板算子,由八个方向的样板组成,225度角模板为{2,1,0;1,2,-1;0,-1,-2}
C. Kirsch算子是一个边缘模板算子,由八个方向的样板组成,255度角模板为{-3,-3,-3;5,0,-3,;5,5,-3}
D. Prewitt算子是一个边缘模板算子,由八个方向的样板组成,255度角模板为
{-1,-1,1;-1,-2,1;1,1,1}
解析:
这个题就有点过分了,平时只注意用了,用到的时候再查,完全没有去记具体的值,又是一懵
迄今为止,已经出现了许多成熟的边缘检测算法,例如微分算法、掩膜算法。在微分算法中通常使用N*N的像素块来进行近似求导。这里
如果设
Roberts算子
gx=∣∣∣100−1∣∣∣×f(x,y) gy=∣∣∣0−110∣∣∣×f(x,y)g(x,y)=sqrt((f(i,j)−f(i+1,j+1))2+(f(i,j+1)−f(i+1,j))2)或g(x,y)=|f(i,j)−f(i+1,j+1)|+|f(i,j+1)−f(i+1,j)| Sobel算子(又称加权平均差分法)
gx=∣∣∣∣−1−2−1000121∣∣∣∣×f(x,y) gy=∣∣∣∣10−120−210−1∣∣∣∣×f(x,y)同样,g(x,y)=g2x+g2y−−−−−−√,或g(x,y)=|gx|+∣∣gy∣∣
Sobel算子对数字图像的每一个像素f(i,j) ,考察它的上、下、左、右邻域灰度的加权值,把各个方向上0度,45度,90度,135度的灰度加权之和作为输出,可以达到提取图像边缘的效果。Laplace算子 他是一种二阶微分算子。有两种形式:4阶邻域微分算子和8阶邻域微分算子
4阶微分算子
g(x,y)=∣∣∣∣0−10−14−10−10∣∣∣∣×f(x,y) 8阶微分算子
g(x,y)=∣∣∣∣−1−1−1−18−1−1−1−1∣∣∣∣×f(x,y) Prewitt算子
prewitt算子是一个边缘模板算子,由八个方向的样板组成,能够在0度,45度,90度,135度,180度,225度等8个方向检测边缘。8个3*3边缘模板以及方向如下:
-90度角g(x,y)=∣∣∣∣11−11−2−111−1∣∣∣∣×f(x,y) -45度角
g(x,y)=∣∣∣∣−111−1−21−111∣∣∣∣×f(x,y) -0度角
g(x,y)=∣∣∣∣−1−1−11−21111∣∣∣∣×f(x,y) -135度角
g(x,y)=∣∣∣∣111−1−21−1−11∣∣∣∣×f(x,y) -180度角
g(x,y)=∣∣∣∣1111−2−11−1−1∣∣∣∣×f(x,y) -225度角
g(x,y)=∣∣∣∣−1−11−1−21111∣∣∣∣×f(x,y) Robinson算子
Robinson算子是一个边缘模板算子,由八个方向的样板组成,能够在0度,45度,90度,135度,180度,225度等8个方向检测边缘。8个3*3边缘模板以及方向如下:
-90度角g(x,y)=∣∣∣∣10−120−210−1∣∣∣∣×f(x,y) -45度角
g(x,y)=∣∣∣∣0−1−210−1211∣∣∣∣×f(x,y) -0度角
g(x,y)=∣∣∣∣−1−2−1000121∣∣∣∣×f(x,y) -135度角
g(x,y)=∣∣∣∣21010−10−1−2∣∣∣∣×f(x,y) -180度角
g(x,y)=∣∣∣∣121000−1−2−1∣∣∣∣×f(x,y) -225度角
g(x,y)=∣∣∣∣012−101−2−10∣∣∣∣×f(x,y) Kirsch算子
Kirsch算子是一个边缘模板算子,由八个方向的样板组成,能够在0度,45度,90度,135度,180度,225度等8个方向检测边缘。8个3*3边缘模板以及方向如下:
-90度角g(x,y)=∣∣∣∣5−3−350−3−5−3−3∣∣∣∣×f(x,y) -45度角
g(x,y)=∣∣∣∣−3−3−350−355−3∣∣∣∣×f(x,y) -0度角
g(x,y)=∣∣∣∣−3−3−3−30−3555∣∣∣∣×f(x,y) -135度角
g(x,y)=∣∣∣∣55−350−3−3−33∣∣∣∣×f(x,y) -180度角
g(x,y)=∣∣∣∣555−30−3−3−3−3∣∣∣∣×f(x,y) -225度角
g(x,y)=∣∣∣∣−355−305−3−3−3∣∣∣∣×f(x,y)
- 百度2017年计算机视觉笔试题
- 百度2017年计算机视觉笔试题---续
- 百度2013年计算机视觉算法研发工程师笔试题
- 百度笔试--计算机视觉算法工程师
- 百度笔试--计算机视觉算法工程师
- 网易计算机视觉笔试题
- 北京-百度计算机视觉算法工程师笔试-回忆版
- 一道2017年百度笔试编程题
- 【笔试面试】美图2015计算机视觉工程师实习生
- BaiDu校招2016计算机视觉笔试试题
- BaiDu校招2016计算机视觉笔试试题
- 2017网易计算机视觉题目
- 2017网易计算机视觉题目
- 2017网易计算机视觉题目
- 计算机视觉库整理2017
- 计算机笔试题集锦
- 计算机类笔试题
- 网易内推笔试题2017机器视觉算法工程师
- Windows10下配置虚拟机Virtual Box安装CentOS(Linux)详细教程
- ES6——Iterator(遍历器)
- Android事件处理之View$dispatchTouchEvent(ev)
- hdu 1285 确定比赛名次(拓扑排序)
- Service面试题目整理
- 百度2017年计算机视觉笔试题
- 观察者模式
- [HDU](1241)Oil Deposits ---dfs
- cout的输出流顺序
- 稀疏表示
- jqObj.eq(num)和jqObj.get(num)的区别
- 太上感应篇0024
- 容错
- 折半枚举(双向搜索) poj 4 Values whose Sum is 0