计算机视觉第五次形考（占形考成绩16％，对应总成绩8％）

课程名称: 计算机视觉 发布人: 张迁 来源: 第五学习单元 人脸识别 满分: 100.0 发布时间: 2025-06-20 作业要求: 占形考成绩16％，对应总成绩8％

单选题

1. 下图为⼈脸识别算法DeepFace的⽹络结构，红⾊框内为卷积层和池化层，⽤于对⼈脸进⾏特征提取，下列相关说法错误的是（    ） (分值: 3.0)

A. C1卷积层的主要⽬的是提取⼈脸低层次的特征

B. 输⼊C1卷积层的图像要求像素⼤⼩相同

C. L5卷积层使⽤参数不共享的卷积核

广东开放大学 D. C3、L4卷积层使⽤参数不共享的卷积核

2. 特征脸法和基于⼏何特征的⼈脸识别⽅法，都是常⽤的传统⼈脸识别⽅法，下列相关描述错误的是（    ） (分值: 3.0)

A. 使⽤特征脸法时，需计算⼈脸图像的特征向量，即“特征脸”

B. 使⽤基于⼏何特征的⼈脸识别⽅法时，不需要采⽤分类器进⾏⼈脸识别

C. 使⽤特征脸法时，每个⼈脸都可以表示为特征脸的线性组合< 渝粤文库 s://211tiku.com" title="国家开放大学">国家开放大学 /p>

D. 使⽤基于⼏何特征的⼈脸识别⽅法时，需要对脸部主要器官进⾏定位

3. DeepFace算法选择（）基准点进行检测。 (分值: 3.0)

A. 5

B. 7

C. 6

D. 4

4. 下图具体展示了使⽤深度学习⽅法，进⾏⼈脸识别的流程，下列相关说法错误的是（    ） (分值: 3.0)

A. B处检测⼈脸特征点的位置

B. C处进⾏⼈脸匹配，矫正⼈脸的形态，和数据库中的图像进⾏匹配

C. A处进⾏⼈脸检测，确定⼈脸在图像中的⼤⼩和位置

D. D处进⾏⼈脸表征，提取⼈脸特征信息

5. 下图为DeepID进⾏特征提取时，卷积神经⽹络的输⼊数据，即⼈脸图像经过处理后，得到的多个Patch。⼀张⼈脸图像输⼊卷积神经⽹络的Patch不包括（） (分值: 3.0)

A. 与该⼈脸相似的，其他⼈脸的图像

B. 同⼀图像经过放缩得到的不同尺度的图像

C. ⼈脸不同区域的图像，如眼睛、⿐⼦部分图像

D. 该⼈脸图像转换后的灰度图像

6. 采⽤深度学习⽅法进⾏⼈脸识别时，通常包括以下四个步骤，下列排序正确的是（    ）a.⼈脸对⻬b.⼈脸表征c.⼈脸检测d.⼈脸匹配 (分值: 3.0)

渝粤教育 A. a b c d

B. b d a c

C. c b a d

D. c a b d

多选题

1. FaceNet可以⽤于⼈脸验证、识别和聚类，下列相关描述错误的是（    ） (分值: 5.0)

A. FaceNet中图像嵌⼊的过程，是指计算特征向量的相关性

B. FaceNet将图像映射到欧⼏⾥得空间，再进⾏计算

C. FaceNet在经典⼈脸数据集LFW上能够达到较⾼的识别准确率

D. FaceNet中，图像相似度与图像的空间距离⽆关 < 成人学历 a href="https://www.jktiku.com" title="渝粤题库">渝粤题库 ，与提取的特征有关

2. 基于⼏何特征的⼈脸识别⽅法的计算过程包括（    ） (分值: 5.0)

A. 定位⼈脸眼、⼝、⿐等器官

B. 计算多个⼈脸的“平均脸”

C. 计算⼈脸特征点之间的距离

D. 采⽤主成分分析，计算⼈脸特征向量

3. 如今⼈脸识别算法越来越受到重视，下列关于⼈脸识别的描述，错误的是（    ） (分值: 5.0)

A. ⼈脸识别是通过提取⼈脸图像的信息，进⾏身份验证

B. 悲伤、快乐等表情不会对⼈脸识别造成影响

C. 特征脸法是常⽤的深度学习⽅法，⽤以进⾏⼈脸识别

D. 作为⽣物特征识别对象，⼈脸具有稳定、便捷、不易伪造等优点

4. DeepFace是经典的⼈脸识别算法，下列描述正确的是（    ） (分值: 5.0)

A. DeepFace对⼈脸进⾏3D对⻬的⽬的是将⼈脸图像更⽴体化

B. DeepFace⽹络中的第⼀层卷积，⽤于提取低层次的特征

C. 在使⽤DeepFace⽹络中后三个卷积层学习⼈脸部眼、⿐、嘴的特征时，应采⽤不同的卷积核学习，且参数不共享

D. DeepFace通过卷积神经⽹络实现⼈脸2D对⻬

5. DeepID算法可以使⽤联合⻉叶斯、神经⽹络两种⽅法进⾏⼈脸验证，下列相关描述错误的是（    ） (分值: 5.0)

A. 联合⻉叶斯算法采⽤EM算法估计参数

B. 神经⽹络算法得到的不同⼈脸的特征相似度较⾼、同⼀⼈脸的特征相似度较低

C. 神经⽹络算法将需要对⽐的两张图像，联合输⼊⽹络，进⾏特征提取

D. 联合⻉叶斯算法假设⼈脸特征为两个相关性较⾼的⾼斯分布之和

简答题/计算题

1. 简述人脸识别含义及主要挑战。 (分值: 10.0)

2. 简述人脸识别的应用。 (分值: 10.0)

3. 简述深度学习人脸识别方法及关键模块。 (分值: 15.0)

4. 简述基于特征脸的人脸识别方法。 (分值: 10.0)