竞赛4级-4fcac2f5

更新时间：试题数量：购买人数：提供作者：

有效期：个月

章节介绍：共有个章节

收藏

我的练习

我的错题
(0道)

我的收藏
(0道)

我的斩题
(0道)

我的笔记
(0道)

专项练习

顺序练习 练习进度 0 / 0

随机练习 自定义设置练习量

模拟考试 仿真模拟

题型练习 按题型分类练习

易错题 精选高频易错题

学习资料 考试学习相关信息

搜索

题库预览

自动驾驶系统的道路交通标识图数据质量检测 1.1 · 业务数据质量检测 · 20分 · 20分钟备注: 本题没有要求在网站单独上传文件。M1 和 M2 在文本框填写图片编号，分别按每组或每张 2 分、最高 4 分；M3 至 M5 每个正确内容点 1 分。 M1 填写重复或冗余的图片编号：找到 1 组得 2 分，2 组及以上得 4 分文字 · 4 分 · 重复或冗余图片组：road196.png 与 road197.png · 重复或冗余图片组：road308.png 与 road309.png · 重复或冗余图片组：road855.png 与 road856.png M2 填写模糊或有严重遮挡的图片编号：找到 1 张得 2 分，2 张及以上得 4 分文字 · 4 分 · 模糊或有严重遮挡的图片：road816.png · 模糊或有严重遮挡的图片：road817.png · 模糊或有严重遮挡的图片：road330.png M3 撰写数据质量评估报告：图片尺寸与格式、清晰度与干扰、数据重复、道路标识类别分布各 1 分文字 · 4 分 · 图片尺寸与格式：大部分图片尺寸为 300×400，符合识别需求；格式为 PNG，图像质量和压缩效率较好；个别图片存在尺寸偏差或格式错误，应记录并处理 · 清晰度、噪声与干扰物：大部分图片清晰度满足识别要求；部分图片清晰度不足，或存在噪声、树枝遮挡、反光等干扰物，可能影响识别 · 数据重复：数据集中存在少量重复图片，可能导致训练偏差，应进行清理和去重以保证数据唯一性和有效性 · 道路标识类别分布：类别分布基本均匀并覆盖常见交通标识，有利于识别；仍需补充少数罕见标识以提高多样性和完整性 M4 填写数据采集范围和采集质量规范：道路类型、环境或时间范围、清晰度与分辨率、色彩准确性各 1 分文字 · 4 分 · 数据采集范围中的道路类型：覆盖城市道路、高速公路、乡村道路、交叉路口、环形路等多种道路类型 · 数据采集范围中的环境或时间：覆盖晴天、雨天、雾天、雪天等天气条件，或涵盖白天和夜晚等不同时间段 · 采集质量中的清晰度与分辨率：设备应具备足够清晰度和高分辨率，图像清晰完整、不模糊、不扭曲，曝光不过暗或过亮 · 采集质量中的色彩准确性：彩色图像应避免颜色失真，使系统能够正确识别道路标识和交通信号灯等颜色信息 M5 填写数据整理与归类规范：数据清洗、标准化处理、整体归类、具体归类各 1 分文字 · 4 分 · 数据清洗：去除无关图像、重复数据以及模糊、损坏、无法识别的图片 · 标准化处理：统一文件命名，如标识类型-道路类型-日期-编号.png；或进行亮度、对比度、色彩校正、去噪、尺寸和分辨率统一等合理标准化处理 · 数据归类整体规范：每张图片应准确归入相应类别，并采用树形目录结构进行归类 · 具体归类规范：先按交通标志、标线、信号灯等内容类型归类，再按晴天、雨天、雾天、雪天等天气或白天、夜晚等时间维度归类

公共交通工具识别图片数据集审核 1.1 · 业务数据质量检测 · 20分 · 20分钟备注: 本题没有要求在网站单独上传文件。M1 和 M2 在文本框填写图片编号，分别按每组或每张 2 分、最高 4 分；M3 至 M5 每个正确内容点 1 分。 M1 填写重复或冗余的图片编号：找到 1 组得 2 分，2 组及以上得 4 分文字 · 4 分 · 重复或冗余图片组：train_img_15.jpg 与 train_img_43.jpg · 重复或冗余图片组：train_img_18.jpg 与 train_img_44.jpg · 重复或冗余图片组：train_img_32.jpg 与 train_img_36.jpg M2 填写存在遮挡或包含多种公共交通工具的图片编号：找到 1 张得 2 分，2 张及以上得 4 分文字 · 4 分 · 存在遮挡或包含多种公共交通工具的问题图片：train_img_19.jpg · 存在遮挡或包含多种公共交通工具的问题图片：train_img_52.jpg · 存在遮挡或包含多种公共交通工具的问题图片：train_img_5.jpg M3 撰写数据集质量评估：图像格式与尺寸、清晰度、数据重复、类别分布各 1 分文字 · 4 分 · 图像格式与尺寸：图片主要为 JPG 格式，大部分分辨率为 640×480；少量图片尺寸不一致，建议统一尺寸 · 清晰度：大部分图片较清晰；部分图片存在光线偏暗、远距离模糊、遮挡主体、背景杂乱等问题，可能影响识别效果 · 数据重复：数据集中存在多组重复或冗余图片，建议进行去重处理 · 类别分布：包含飞机、火车、公共汽车、船等公共交通工具，类别较全面；不同类别数量可能不均衡，应补充样本较少的类别 M4 填写图像数据采集规范：环境条件、拍摄设备、拍摄角度、图像标注各 1 分文字 · 4 分 · 环境条件：采集图片应覆盖晴天、阴天、雨天、白天、夜晚等多种环境，提高模型适应能力 · 拍摄设备：使用清晰稳定的拍摄设备，分辨率尽量达到 1080P 以上，避免模糊、抖动和过度压缩 · 拍摄角度：采集正面、侧面、背面、斜侧面等不同角度的交通工具图片，保证样本多样性 · 图像标注：准确标注每张图片的交通工具类别，统一类别名称和编号，并可补充时间、地点、天气等信息 M5 填写图像数据处理规范：数据预处理、图像增强、标准化处理、标注与数据集划分各 1 分文字 · 4 分 · 数据预处理：删除重复图片，剔除严重模糊、严重遮挡、主体不完整或类别难以判断的低质量图片 · 图像增强：采用旋转、翻转、裁剪、亮度调整等增强操作，提高数据多样性 · 标准化处理：统一图像尺寸，如 256×256；统一颜色格式，如 RGB；并进行像素归一化处理 · 标注与划分：保证标签准确、格式统一，合理划分训练集、验证集和测试集，避免重复图片同时出现在不同数据集中

人脸表情识别数据集审核 1.1 · 业务数据质量检测 · 20分 · 20分钟备注: 纯文字审核题，5项全TEXT，DeepSeek按rubric封顶判分：M1每组+2封顶4、M2人数+2/表情数+2、M3四点各+1封顶4、M4/M5每条+1封顶4。答题载体为1.1.3.docx；当前判分按文字槽，docx解析待统一方案。 M1 找出 2 组重复或冗余的图片（含图片编号）文字 · 4 分 · 第 1 组重复/冗余图片：KA.HA1.29.tiff 与 KA.HA2.30.tiff（同一受试者KA的高兴(HA)表情，高度相似/重复） · 第 2 组重复/冗余图片：KM.SU1.14.tiff 与 KM.SU2.15.tiff（同一受试者KM的惊讶(SU)表情，高度相似/重复） M2 统计数据集中的人数与表情种类数文字 · 4 分 · 受试者共 10 人，编号包括：KA、KL、KM、KR、MK、NA、NM、TM、UY、YM · 表情共 7 种：AN 愤怒、DI 厌恶、FE 恐惧、HA 高兴、NE 中性、SA 悲伤、SU 惊讶 M3 数据质量评估报告（尺寸格式/清晰度/数据重复/类别分布）文字 · 4 分 · 图片尺寸与格式：尺寸统一为 256×256，格式为 TIFF，主要为灰度人脸图像，格式较规范 · 清晰度：大部分图片人脸清晰、面部区域完整，但分辨率较低，只适合基础表情识别，不利于精细微表情分析 · 数据重复情况：数据集中存在同一人物、同一表情下高度相似的图片，建议去重或筛选 · 类别与场景分布：包含 7 类表情，类别较完整；但图片多为室内标准化拍摄，背景和光照较单一，缺少真实生活场景 M4 图像数据采集规范（环境条件/拍摄设备/图像标注等）文字 · 4 分 · 环境条件：采集不同光照、不同背景下的人脸表情图片，如自然光、弱光、室内、室外等场景 · 拍摄设备：使用清晰稳定的拍摄设备，分辨率不低于 720P，避免模糊、抖动和过度压缩 · 姿态与表情：采集正脸、侧脸、轻微低头或抬头等不同姿态；同一表情包含轻微、中等、强烈等不同强度 · 图像标注：每张图片准确标注表情类别，标签名称和编号统一，可补充光照、背景、拍摄设备等元信息 M5 图像数据处理规范（数据预处理/图像增强/标准化）文字 · 4 分 · 数据预处理：删除重复、模糊、遮挡严重、人脸不完整或标签错误的图片，保证训练数据质量 · 人脸检测与对齐：对图片进行人脸检测、裁剪和关键点对齐，使眼睛、鼻子、嘴巴等区域位置相对统一 · 图像增强：可进行水平翻转、亮度调整、对比度调整、轻微旋转、裁剪等增强操作，提高模型泛化能力 · 标准化处理：统一图片尺寸（如 256×256）、统一颜色空间（灰度或RGB）、像素值归一化到 [0,1]，便于模型训练

化妆品销售数据质量检测 1.1 · 业务数据质量检测 · 20分 · 20分钟备注: 纯文字检测题，4项全TEXT。M1 每发现 1 问题+1、维度正确+1，封顶4；M2=准确/完整/一致/重复各+2 共 8；M3=隐私/准确/完整/时效各+1；M4 每条+1 封顶 4。答题载体1.1.4.docx，当前按文字槽判分。 M1 数据质量审核：发现的问题及所参考的核心维度文字 · 4 分 · 完整性问题：订购数量、订购单价、金额等关键字段存在空值/缺失，影响后续销售金额统计与模型分析（维度：完整性） · 一致性/准确性问题：部分记录订购数量×订购单价≠金额，金额字段与业务计算规则不一致，需核查并修正（维度：一致性/准确性） · 格式一致性问题：订单日期存在多种格式，不利于统一排序、统计和时间分析（维度：一致性/格式规范） M2 数据集质量评价（准确性/完整性/一致性/重复性）文字 · 8 分 · 准确性：部分金额字段与订购数量×订购单价的计算结果不一致，说明数据准确性存在问题 · 完整性：订购数量、订购单价、金额等关键字段存在缺失，影响销售分析和建模 · 一致性：订单日期格式不统一、字段格式标准不一致，需要统一处理 · 重复性：数据中可能存在重复订单或重复记录，应根据订单编号、商品信息、日期等字段进行去重检查 M3 数据采集规范（用户隐私/数据准确性/数据完整性/数据时效性）文字 · 4 分 · 用户隐私保护：只采集销售分析所需的必要信息，对姓名、手机号、地址等敏感信息脱敏或匿名化处理，并设置访问权限 · 数据准确性：录入时设置业务校验规则，如订购数量、订购单价必须为有效数字，金额应等于订购数量×订购单价 · 数据完整性：订单编号、商品名称、订购数量、订购单价、金额、订单日期等关键字段应设为必填项，缺失时提示补全 · 数据时效性：销售数据应及时更新（按日或按周汇总），库存、销量、价格等变化较快的数据应定期同步 M4 数据清洗与预处理规范（4 条）文字 · 4 分 · 缺失值处理：对订购数量、订购单价、金额等关键字段缺失检查，能补全的按业务规则补全，无法补全的记录可删除 · 异常值处理：检查订购数量、订购单价、金额是否存在负数、非数字或明显异常值，错误数据应修正或删除 · 格式标准化：统一日期格式为 yyyy-mm-dd，统一商品类别、品牌名称等命名方式，避免同一含义多种写法 · 重复数据处理：根据订单编号、商品名称、日期、数量、金额等字段判断重复记录，完全重复的只保留一条

笔记本电脑评论数据质量检测 1.1 · 业务数据质量检测 · 20分 · 20分钟备注: 纯文字检测题，4项全TEXT。M1 每问题+1、维度+1封顶4；M2 准确/完整/平衡/重复每条+2 共 8；M3 采集规范每条+1 封顶4；M4 清洗每条+1 封顶4。答题载体1.1.5.docx，当前按文字槽判分。 M1 数据质量审核：发现的问题及所参考的核心维度文字 · 4 分 · 完整性问题：部分评分字段存在缺失，影响后续评分统计、情感分析和模型训练，建议补全或删除缺失记录（维度：完整性） · 准确性/相关性问题：数据中存在与笔记本电脑无关的评论（如"天气""冰箱"等），部分数据与任务主题不符，需要剔除（维度：准确性/相关性） · 一致性问题：好评/差评字段取值不统一（既有1，也有文字"好"），应统一为 1/0 格式（维度：一致性） M2 数据集质量评价（准确性/完整性/平衡性/重复性）文字 · 8 分 · 准确性：部分评论内容与笔记本电脑无关（如天气、冰箱等），影响评论分类和情感分析准确性 · 完整性：评分字段存在多条缺失记录，数据完整性不足，可能影响后续评分统计和模型训练，建议补全或删除缺失记录 · 平衡性：好评样本明显多于差评样本（甚至差评样本不足），类别分布严重不平衡，可能导致模型偏向预测好评 · 重复性：数据中存在重复或高度相似评论（如"散热令人满意""联想服务真的很棒"多次出现），建议去重处理 M3 数据采集规范（从电商平台爬取评论需遵守的规范）文字 · 4 分 · 合法合规：采集电商评论时应遵守平台规则和 robots 协议，不进行恶意高频爬取

补全代码：以数字编号重命名（0000.jpg起顺序累加） data_dir = './2.1.1pic' images = [img for img in os.listdir(data_dir) if img.lower().endswith('.jpg')] for i, old_name in enumerate(images): new_name = '{}.jpg'.format(i) os.rename(os.path.join(data_dir, old_name), os.path.join(data_dir, new_name))

补全代码：将图片样本格式修改为jpg data_dir = './2.1.2pic' images = [img for img in os.listdir(data_dir) if img.lower().endswith('.png')] for i, old_name in enumerate(images): new_name = '{}.jpg'.format(old_name.split('.')[0]) os.rename(os.path.join(data_dir, old_name), os.path.join(data_dir, new_name))

补全代码：以数字编号重命名（0000.jpg起顺序累加） data_dir = './2.1.2pic' images = [img for img in os.listdir(data_dir) if img.lower().endswith('.jpg')] for i, old_name in enumerate(images): new_name = '{}.jpg'.format(i) os.rename(os.path.join(data_dir, old_name), os.path.join(data_dir, new_name))

补全程序：遍历XML并提取filename、name、xmin、ymin、xmax、ymax，写入result.csv xmin = int(bbox.find('xmin').text) ymin = int(bbox.find('ymin').text) xmax = int(bbox.find('xmax').text) ymax = int(bbox.find('ymax').text) objects.append({ 'filename': os.path.splitext(os.path.basename(xml_file))[0], 'name': obj_name, 'xmin': xmin, 'ymin': ymin, 'xmax': xmax, 'ymax': ymax, }) return objects data_folder = 'dataset' output_csv = 'result.csv' all_objects = [] for filename in os.listdir(data_folder): if filename.endswith('.xml'):

补全程序：遍历XML并提取filename、name、xmin、ymin、xmax、ymax，写入result.csv xmin = int(bbox.find('xmin').text) ymin = int(bbox.find('ymin').text) xmax = int(bbox.find('xmax').text) ymax = int(bbox.find('ymax').text) objects.append({ 'filename': os.path.splitext(os.path.basename(xml_file))[0], 'name': obj_name, 'xmin': xmin, 'ymin': ymin, 'xmax': xmax, 'ymax': ymax, }) return objects data_folder = 'dataset' output_csv = 'result.csv' all_objects = [] for filename in os.listdir(data_folder): if filename.endswith('.xml'):

填写年龄标注完整度、性别标注完整度和总体标注完整度 label_age实际标注14条，完整度为14/15=93.3% label_gender实际标注14条，完整度为14/15=93.3% 总体标注完整度为两个字段完整度的算术平均值，即(93.3%+93.3%)/2=93.3%

填写年龄标注准确度、性别标注准确度和总体标注准确度 label_Lage有14条实际标注，其中1条错误，准确度为(14-1)/15=86.7% label_gender有14条实际标注，其中1条错误，准确度为(14-1)/15=86.7% 总体标注准确度为两个字段准确度的算术平均值，即(86.7%+86.7%)/2=86.7%

填写两处错误标注的文件名、字段和纠正值 36804.png的label_gender由Female纠正为Male 36809.png的label_age由(4-6)纠正为(0-3)

填写两处缺失标注的文件名、字段和补充值 36796.png缺失的label_Lage补充为(25-32) 36802.png缺失的label_gender补充为Female

按8.2列出训练数据和测试数据的文件名，并注明各自数量训练数据应为12条测试数据应为3条训练数据与测试数据合计15条训练数据与测试数据之间不能有重复文件；具体文件分配不限一种有效分配示例：训练集为29.png、36796.png、36797.png、36798.png、36799.png、36800.png、36801.png、36802.png、36803.png、36804.png、36805.png、36806.png；测试集为36807.png、36808.png、36809.png

填写性别标注完整度、肤色标注完整度和总体标注完整度 label_gender实际标注14条，完整度为14/15=93.3% label_skin colour实际标注14条，完整度为14/15=93.3% 总体标注完整度为两个字段完整度的算术平均值，即(93.3%+93.3%)/2=93.3%

填写性别标注准确度、肤色标注准确度和总体标注准确度 label_gender有14条实际标注，其中1条错误，准确度为(14-1)/15=86.7% label_skin colour有14条实际标注，其中1条错误，准确度为(14-1)/15=86.7% 总体标注准确度为两个字段准确度的算术平均值，即(86.7%+86.7%)/2=86.7%

填写两处错误标注的文件名、字段和纠正值 011.png的label_skin colour由White race纠正为Black race 014.png的label_gender由Female纠正为Male

填写两处缺失标注的文件名、字段和补充值 007.png缺失的label_gender补充为Female 008.png缺失的label_skin colour补充为Yellow race

按8.2列出训练数据和测试数据的文件名，并注明各自数量训练数据应为12条测试数据应为3条训练数据与测试数据合计15条训练数据与测试数据之间不能有重复文件；具体文件分配不限一种有效分配示例：训练集为000.png、001.png、002.png、003.png、004.png、005.png、006.png、007.png、008.png、009.png、010.png、011.png；测试集为012.png、013.png、014.png