Сгенерируй тест для школьников с учетом следующих параметров: 1. Предмет: Информатика 2. Тема теста: компьютерное зрение 3. Класс учеников: 11 4. Типы вопросов в тесте: Открытый вопрос 5. Количество вопросов: 30 6. Выводить ли тест с ответами: Да

Ниже представлен тест по информатике на тему компьютерное зрение для 11 класса. Все вопросы открытого типа. После каждого вопроса приведён примерный ответ-ключ. 1) Вопрос 1: Что такое компьютерное зрение? Какие задачи решает эта область в целом? Ответ: Компьютерное зрение — раздел искусственного интеллекта и информатики, который учит компьютеры «видеть» и понимать изображения и видео. Основные задачи: распознавание и идентификация объектов на изображениях, локализация их позиций, сегментация каждого пикселя, анализ сцены, вычисление параметров геометрии, отслеживание объектов во времени и т.д. 2) Вопрос 2: Опишите типовой конвейер обработки изображения в компьютерном зрении. Какие этапы в него включают? Ответ: Типовой конвейер включает: захват изображения, предобработку (напр., коррекция освещённости, шумоподавление), извлечение признаков или сегментацию, анализ задачи (распознавание/детекция/классификация), постобработку и вывод результатов. Пример: кадр камеры → фильтры шумоподавления → детектор объектов → подсчёт объектов → визуализация вывода. 3) Вопрос 3: Что такое цветовое пространство? Приведите примеры RGB и HSV. Как выбор цветового пространства влияет на задачи распознавания? Ответ: Цветовое пространство — способ кодирования цвета в изображении. В RGB цвет задаётся как сочетание красного, зелёного и синего каналов; в HSV цвет описывается по оттенку, насыщенности и яркости. Выбор пространства влияет на устойчивость к освещению и простоту выделения объектов по цвету: например, HSV удобнее для сегментации по цветовым характеристикам при переменном освещении. 4) Вопрос 4: Что такое гистограмма изображения и зачем она нужна? Как выполняется выравнивание гистограммы? Ответ: Гистограмма — распределение значений яркости или цветовых каналов по пикселям изображения. Выравнивание гистограммы (гистограмма-эквализация) повышает контрастности изображения за счёт перераспределения частот яркости, делая темные области светлее и наоборот, что облегчает последующую обработку. 5) Вопрос 5: Что такое оператор градиента и как работает оператор Собеля? Где его применяют? Ответ: Оператор градиента оценивает изменение интенсивности по соседним пикселям, чтобы выявить границы объектов. Оператор Собеля вычисляет приближённые производные по x и y с использованием свёртки фильтрами. Применение: детекция краёв, выделение контуров объектов, последующая сегментация. 6) Вопрос 6: Объясните различие между детекцией объектов и сегментацией. Приведите примеры задач, которые решаются каждым методом. Ответ: Детекция объектов возвращает ограничения вокруг объектов в виде ограничивающих прямоугольников (bounding boxes) и, возможно, классов объектов. Сегментация даёт пиксель-уровневую разметку каждого изображения (маски) для точного определения формы объектов. Примеры: детекция — обнаружение машин на трассе; сегментация — выделение каждого автомобиля по контуру на изображении. 7) Вопрос 7: Что такое пороговая обработка изображения? Приведите простой пример применения. Ответ: Пороговая обработка превращает серый уровень в бинарное изображение: пиксели выше порога помечаются как 1, ниже — как 0. Пример: выделение объектов на фоне однотонного фона, когда объект ярче фона. 8) Вопрос 8: Что такое свёртка (фильтрование) и зачем она нужна в анализе изображений? Ответ: Свёртка — это операция наложения фильтра на изображение с перемещением окна по пикселям. Она применяется для плавления (снижение шума), выделения признаков (градиенты, края), усиления структуры и др. Примеры фильтров: гауссов, Собель, Лапласа. 9) Вопрос 9: Что такое нейронная сеть и почему она полезна для изображений? Ответ: Нейронная сеть — модель из взаимосвязанныx нейронов, обучающаяся распознавать сложные зависимости в данных. Для изображений она эффективна благодаря иерархической обработке признаков: ранние слои выделяют простые паттерны (границы), поздние — сложные объекты. Это позволяет решать задачи распознавания, сегментации, детекции и др. 10) Вопрос 10: Что такое сверточная нейронная сеть (CNN)? Как она обрабатывает изображение? Ответ: CNN использует сверточные слои, которые применяют локальные фильтры к входному изображению и извлекают признаки по всей картины с помощью деления на receptive field. После нескольких слоёв идёт уплотнение (пулинг) и, в конце, полносвязные слои для классификации или другие задачи. Основная идея — локальная связность и повторное использование весов. 11) Вопрос 11: Опишите основные этапы обучения нейронной сети на примере задачи распознавания объектов. Ответ: Этапы: сбор и разметка датасета; выбор архитектуры; разделение данных на обучение/валидацию; настройка гиперпараметров; обучение на обучающей выборке с функцией потерь; контроль качества на валидационной выборке; полная проверка на тестовой выборке; при необходимости регуляризация и нормализация. 12) Вопрос 12: Что такое датасеты и аннотации в компьютерном зрении? Какие форматы аннотаций используют для детекции и сегментации? Ответ: Датасет — набор изображений (иногда видео) с соответствующими метками. Аннотации — метки к изображениям: для детекции обычно это ограничивающие прямоугольники и класс объекта; для сегментации — пиксельные маски. Форматы: COCO, Pascal VOC (детекция/сегментация) с указанием координат прямоугольников и/или масок; YOLO форматы для детекции; маски для сегментации. 13) Вопрос 13: Что такое метрики оценки детекции: точность (precision), полнота (recall), IoU? Как они рассчитываются и зачем нужны? Ответ: Precision — доля правильно найденных объектов среди всех обнаруженных; Recall — доля найденных объектов среди всех реальных объектов; IoU (Intersection over Union) — пересечение предсказанной области и реальной области, разделённое на их объединение. Эти метрики помогают судить, насколько детекция верна и полно охватывает объекты. 14) Вопрос 14: Что такое IoU и как он используется для оценки согласованности детекции? Ответ: IoU — отношение площади пересечения предсказанной и истинной области к площади их объединения. Используется как порог для принятия детекции как корректной: например, IoU ≥ 0.5 считается допустимым. Чем выше IoU, тем точнее локализация. 15) Вопрос 15: Приведите пример проблемы переобучения в компьютерном зрении и способы её избежать. Ответ: Модель слишком точно запоминает обучающие примеры и плохо работает на новых данных (low generalization). Способы: увеличить набор данных (генерация, аугментация), использовать регуляризацию (dropout, weight decay), упрощать модель, кросс-валидацию, раннюю остановку. 16) Вопрос 16: Что такое калибровка камеры и зачем она нужна? Ответ: Калибровка камеры — процесс определения параметров камеры (внутренних искажений, фокуса, опорной точки) для точного восстановления реальных геометрических размеров. Нужна, чтобы правильно интерпретировать углы, расстояния и положения объектов на изображении. 17) Вопрос 17: Опишите внутренние (интринсики) и внешние параметры камеры. Как они используются в задачах 3D-восстановления? Ответ: Внутренние параметры (матрица калибровки, искажения) описывают характер изображения в самой камере; внешние параметры — положение и ориентация камеры относительно мира (повороты и сдвиги). Для 3D-восстановления эти параметры позволяют переводить пиксели в мировые координаты и наоборот, строить геометрические связи между сценой и изображением. 18) Вопрос 18: Что такое стереозрение? Как работает базовый принцип сопоставления изображений и получения глубины? Ответ: Стereo-видение использует две камеры с близко размещённым базисом. Различие в позиции объекта на левом и правом кадрах (диспаритет) связано с его глубиной. По диспаритету можно восстановить расстояние до объекта, создавая глубинную карту. 19) Вопрос 19: Что такое глубинная карта? Как её получить различными способами? Ответ: Глубинная карта — карта пикселей, где каждому пикселю сопоставлена его глубина (расстояние до камеры). Методы: стереозрение (диспаритет), активные сенсоры (структурированное освещение, LiDAR), глубинное обучение (модели, предсказывающие глубину по одному изображению). 20) Вопрос 20: Какие подходы к сегментации существуют? Приведите примеры: пороговая, кластеризация, методы на основе нейронных сетей. Ответ: Пороговая сегментация — разделение по интенсивности; кластеризация (k-means) — группировка пикселей по цвету/яркости; методы на основе нейронных сетей (U-Net, Mask R-CNN) — пиксел-уровневая разметка. В реальности часто комбинируют несколько подходов. 21) Вопрос 21: Что такое детекция и трекинг объектов (object tracking)? Какие подходы существуют? Ответ: Детекция — обнаружение объектов на кадре; трекинг — отслеживание уже обнаруженных объектов во времени. Подходы: детекция + трекинг через фильтры Калмана, SORT/Deep SORT, трекинг без явной детекции в каждом кадре (особо сложные задачи). 22) Вопрос 22: Какие основные проблемы в реальных условиях встречаются в компьютерном зрении? Как они влияют на качество решений? Ответ: Проблемы: изменчивость освещения, шум, движение камеры/объектов, неоднородные фоны, частичное скрытие объектов (occlusion), ракурсы и перспективы. Эти факторы снижают точность детекции и сегментации и требуют устойчивых признаков, аугментации и устойчивых моделей. 23) Вопрос 23: Что такое U-Net? Какова идея архитектуры и для чего её используют в сегментации? Ответ: U-Net — архитектура энкодер-декодер с пропускными соединениями (skip connections). Энкодер последовательно сжимает изображение, извлекая признаки, декодер восстанавливает разрешение, а skip-соединения передают детали колебаний между слоями. Это позволяет эффективно сегментировать объекты даже при ограниченном объёме данных. 24) Вопрос 24: Что такое детекция лиц? Какие современные подходы применяют и какие этические аспекты следует учитывать? Ответ: Детекция лиц — поиск и локализация лиц на изображениях/видео. Современные подходы используют CNN-детекторы и сверточные архитектуры. Этические аспекты: приватность, риск дискриминации, необходимость согласия и соблюдение законов о защите данных. 25) Вопрос 25: Какие методы повышения устойчивости моделей к изменениям освещённости и условий съёмки? Ответ: Нормализация цвета, адаптивная обработка контраста, аугментация данных (разные яркости/контрасты/цветовые сдвиги), использование цветовых пространств, обучение на более разнообразном датасете, доменная адаптация. 26) Вопрос 26: Что такое фильтр Гаусса и зачем его применяют? Ответ: Фильтр Гаусса — ядро, которое сглаживает изображение, снижаeт шум и мелкие детали, при этом сохраняет общую структуру. Применение: предварительная обработка перед детектированием границ, уменьшение шума. 27) Вопрос 27: Объясните различие между обучением с учителем и без учителя в контексте компьютерного зрения. Приведите примеры. Ответ: Обучение с учителем требует размеченных данных (изображение + метка). Примеры: классификация, детекция, сегментация. Обучение без учителя использует данные без разметки (кластеризация, поощрение скрытых признаков). Примеры: кластеризация по цвету, предобучение моделей на больших неразмеченных данных через самосупервизированные задачи. 28) Вопрос 28: Как в компьютерном зрении применяется подсчёт объектов на кадре? Что такое плотностные карты? Ответ: Подсчёт объектов может осуществляться по количеству обнаруженных объектов (детекция) или по плотностным картам, где каждому пикселю сопоставлено значение «вероятности присутствия объекта» или «плотность объектов»; интегрируя карту по кадру, получают общее число объектов. Применение: подсчёт людей в толпе, авто на дороге, клетки в микроскопии. 29) Вопрос 29: Что такое матрица ошибок (confusion matrix) и какие значения в ней бывают? Как она помогает в оценке моделей? Ответ: Матрица ошибок сопоставляет предсказанные классы с истинными. Элементы: истинно-положительные (TP), ложно-положительные (FP), истинно-отрицательные (TN), ложно-отрицательные (FN). По ней вычисляют точность, полноту, F1-скор, а также анализируют типы ошибок. 30) Вопрос 30: Какие направления в компьютерном зрении являются наиболее перспективными и почему? Упомяните для примера самообучение (self-supervised), трансформеры в CV, edge AI и мультимодальные подходы. Ответ: Перспективные направления включают: self-supervised обучение — обучение моделей на неразмеченных данных для улучшения обобщения; трансформеры в CV — улучшение качества и контекстуального понимания через архитектуры на базе внимания; edge AI — выполнение задач локально на устройствах с ограниченными ресурсами (энергия, скорость); мультимодальные подходы — объединение визуальной информации с текстовой/звуковой для более точного понимания сцены. Эти направления обобщают данные, повышают точность и позволяют работать в реальном времени и в ограниченных условиях. Ключ к тесту — краткие краткие обоснования (что такое каждое понятие) и базовые принципы. Если нужно, могу расширить каждую ответную секцию примерами задач или привести более подробные формулировки критериев оценивания.