Тест на тему Понятие, система и источники римского права

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.

Вот тест по теме: А.С. Пушкин. Сказка о мёртвой царевне и семи богатырях Класс: 5 Тип вопросов: Множественный выбор Количество вопросов: 5 Ответы приведены ниже после теста.

Варианты ответов: A, B, C, D

1. Кто автор сказки Сказка о мёртвой царевне и семи богатырях?

• A) Лев Толстой
• B) Александр Пушкин
• C) Антон Чехов
• D) Михаил Лермонтов Правильный ответ: B

2. Какой жанр относится к этому тексту?

• A) роман
• B) сказка
• C) поэма
• D) рассказ Правильный ответ: B

3. Что охраняют семь богатырей?

• A) царевну
• B) царя
• C) замок
• D) город Правильный ответ: A

4. Что говорится в названии сказки о царевне?

• A) царевна живёт
• B) царевна мертва
• C) царевна исчезла
• D) царевна стала королевой Правильный ответ: B

5. Что означает слово «богатырь» в русском языке?

• A) богатый человек
• B) герой-воин
• C) старец
• D) мудрец Правильный ответ: B

Ответы: 1-B, 2-B, 3-A, 4-B, 5-B

Ниже представлен тест по физике на тему: Условия равновесия твердого тела. Тип вопросов — единичный выбор. 5 вопросов. В конце — ответы.

1. Какие еще условия должны выполняться для того, чтобы твердое тело было в состоянии равновесия?

• A) Только сумма сил равна нулю
• B) Только сумма моментов равна нулю
• C) И сумма сил равна нулю, и сумма моментов равна нулю
• D) Скорость тела должна быть равна нулю

2. Момент силы относительно точки O равен нулю, если сила направлена вдоль линии, проходящей через точку приложения силы и точку O. Это утверждение:

• A) Верно
• B) Неверно
• C) Верно только если сила равна нулю
• D) Верно только если расстояние r равно нулю

3. Для силы F, приложенной в точке P на расстоянии r от оси O, если направление силы параллельно радиусу OP (то есть φ = 0°), момент относительно O равен:

• A) τ = rF
• B) τ = 0
• C) τ = F/r
• D) τ = rF (модель неверна)

4. Стержень длиной L лежит горизонтально и закреплён в левом конце. В свободный конец стержня прикреплена нить, направление которой образует с стержнем угол θ. Груз весом W заставляет стержень пытаться вращаться вниз. Какое неравновесие должно компенсироваться для достижения равновесия? Выберите правильное выражение баланса моментов вокруг левого конца:

• A) T cos θ = W
• B) T sin θ = W/2
• C) T sin θ = 2W
• D) T = W

5. При какой ориентации силы по отношению к линии действия момента τ достигает максимального значения для фиксированных r и F?

• A) φ = 90°
• B) φ = 0°
• C) φ = 180°
• D) φ = 45°

Ответы: 1 – C 2 – A 3 – B 4 – B 5 – A

Ниже представлен тест по алгебре для 11 класса. Тип вопросов — открытые. Всего 15 задач. В конце — ответы/пошаговые решения.

Тест

1. Реши линейное уравнение: 3x − 7 = 2x + 5
2. Реши линейное уравнение с дробями: (2/3)x + 4 = (5/6)x + 1
3. Реши линейное уравнение: 2(3x − 4) = 5x + 1
4. Реши квадратное уравнение: x^2 − 5x + 6 = 0
5. Реши квадратное уравнение: x^2 − 6x + 5 = 0
6. Реши квадратное уравнение с иррациональными корнями: x^2 − 2x − 5 = 0
7. Реши рациональное уравнение: (x + 3)/(x − 1) = 2
8. Реши рациональное уравнение: x/(x + 2) = (x − 1)/(x + 4)
9. Реши иррациональное уравнение: √(2x + 3) = x − 1
10. Реши иррациональное уравнение: ∛(3x + 6) = x + 2
11. Реши логарифмическое уравнение: log2(x − 1) = 3
12. Реши логарифмическое уравнение: log(x − 1) = log(x + 3) − 1 (основание 10)
13. Реши логарифмическое уравнение: ln(x^2 − x) = ln(3)
14. Реши уравнение с модулем: |2x − 3| = 5
15. Реши логарифмическое уравнение: log2(x) + log2(x − 1) = 3

Ответы и решения

1. 3x − 7 = 2x + 5

• Переносим: x − 7 = 5; x = 12.
• Ответ: x = 12.

2. (2/3)x + 4 = (5/6)x + 1

• Умножим всё на 6: 4x + 24 = 5x + 6
• Переносим: 24 − 6 = x → x = 18.
• Ответ: x = 18.

3. 2(3x − 4) = 5x + 1

• Раскроем скобки: 6x − 8 = 5x + 1 → x = 9.
• Ответ: x = 9.

4. x^2 − 5x + 6 = 0

• Факторизация: (x − 2)(x − 3) = 0
• Корни: x = 2, 3.
• Ответ: x = 2 или x = 3.

5. x^2 − 6x + 5 = 0

• D = 36 − 20 = 16; x = (6 ± 4)/2 → x = 1 или x = 5.
• Ответ: x = 1 или x = 5.

6. x^2 − 2x − 5 = 0

• D = 4 + 20 = 24; x = (2 ± √24)/2 = 1 ± √6.
• Корни: x = 1 + √6, x = 1 − √6.
• Ответ: x = 1 + √6 или x = 1 − √6.

7. (x + 3)/(x − 1) = 2

• x + 3 = 2(x − 1) → x + 3 = 2x − 2 → x = 5.
• Ограничение: x ≠ 1. Применимо.
• Ответ: x = 5.

8. x/(x + 2) = (x − 1)/(x + 4)

• Перемножаем крестообразно: x(x + 4) = (x − 1)(x + 2)
• Раскрываем: x^2 + 4x = x^2 + x − 2 → 3x = −2 → x = −2/3.
• Ограничения: x ≠ −2, x ≠ −4. Решение допустимо.
• Ответ: x = −2/3.

9. √(2x + 3) = x − 1

• Требование: x ≥ 1. Возводим в квадрат: 2x + 3 = (x − 1)^2 = x^2 − 2x + 1
• Получаем: x^2 − 4x − 2 = 0 → x = (4 ± √(16 + 8))/2 = 2 ± √6
• Только x = 2 + √6 удовлетворяет x ≥ 1.
• Ответ: x = 2 + √6.

10. ∛(3x + 6) = x + 2

• Возведём куб: 3x + 6 = (x + 2)^3
• Раскрываем: x^3 + 6x^2 + 9x + 2 = 0
• Делением на (x + 2) получаем: (x + 2)(x^2 + 4x + 1) = 0
• Корни: x = −2, x = −2 ± √3
• Все корни допустимы (кубическое коренное уравнение не требует дополнительных условий).
• Ответ: x = −2, x = −2 + √3, x = −2 − √3.

11. log2(x − 1) = 3

• x − 1 = 2^3 = 8 → x = 9
• Ограничение: x > 1. Исполнимо.
• Ответ: x = 9.

12. log(x − 1) = log(x + 3) − 1

• Правило: log a − 1 = log(a/10)
• Получаем: log(x − 1) = log((x + 3)/10) → x − 1 = (x + 3)/10
• 10x − 10 = x + 3 → 9x = 13 → x = 13/9
• Ограничения: x > 1 и x + 3 > 0. Выполнимо.
• Ответ: x = 13/9.

13. ln(x^2 − x) = ln(3)

• Поскольку ln равны, их аргументы равны: x^2 − x = 3
• x^2 − x − 3 = 0 → x = [1 ± √(1 + 12)]/2 = (1 ± √13)/2
• Оценка аргумента: для обеих корней x^2 − x > 0, следовательно оба допустимы.
• Ответ: x = (1 + √13)/2 или x = (1 − √13)/2.

14. |2x − 3| = 5

• 2x − 3 = 5 → x = 4
• 2x − 3 = −5 → x = −1
• Ответ: x = 4 или x = −1.

15. log2(x) + log2(x − 1) = 3

• Объединяем: log2(x(x − 1)) = 3 → x(x − 1) = 2^3 = 8
• x^2 − x − 8 = 0 → x = [1 ± √(1 + 32)]/2 = (1 ± √33)/2
• Требование: домен x > 1 (логарифмы обеих аргументов должны быть положны). Из двух корней только x = (1 + √33)/2 удовлетворяет этому.
• Ответ: x = (1 + √33)/2.