建議先看完影片在做題目，效果加倍https://youtu.be/wgPvMB4anV8
問題 1 (中級)
------------------------------
題目: 在深度學習的卷積神經網路 (CNN) 中，卷積層 (Convolutional Layer) 的核心作用為何？
選項:
A) 主要用於降低特徵圖的維度，減少計算量。
B) 透過滑動濾波器 (filter) 自動提取影像中的空間特徵。
C) 負責在模型訓練過程中調整學習率，以加快收斂。
D) 確保所有輸入影像尺寸一致，以便於模型處理。
答案: B) 透過滑動濾波器 (filter) 自動提取影像中的空間特徵。
解析: 卷積層是CNN的核心，其主要功能是透過卷積核（濾波器）在輸入影像上滑動，自動且分層次地提取影像中的局部空間特徵，例如邊緣、紋理等，而非降低維度或調整學習率。
問題 2 (中級)
------------------------------
題目: 一家物流公司希望開發一套系統，不僅能識別出包裹上的所有商品條碼，還能精確地用邊界框標示出每一個條碼的位置，即使有多個條碼也能區分。請問，實現此功能最適合的電腦視覺任務是下列何者？
選項:
A) 影像分類 (Image Classification)
B) 物件偵測 (Object Detection)
C) 語義分割 (Semantic Segmentation)
D) 姿勢估計 (Pose Estimation)
答案: B) 物件偵測 (Object Detection)
解析: 物件偵測的目標是在圖像中識別出所有感興趣的物件，並用邊界框標示其位置和類別，符合題目中「識別出所有商品條碼」並「精確地用邊界框標示出每一個條碼的位置，即使有多個條碼也能區分」的需求。影像分類僅判斷圖像整體類別，語義分割和姿勢估計不符合標示個別物件位置的需求。
問題 3 (中級)
------------------------------
題目: 相較於傳統電腦視覺方法，深度學習在電腦視覺領域取得突破性進展的主要原因之一是什麼？
選項:
A) 深度學習模型所需的訓練數據量遠少於傳統方法。
B) 深度學習模型能夠自動學習和提取高層次的影像特徵，無需人工設計。
C) 傳統方法無法處理彩色影像，而深度學習可以。
D) 深度學習模型的計算效率遠高於傳統方法。
答案: B) 深度學習模型能夠自動學習和提取高層次的影像特徵，無需人工設計。
解析: 深度學習，尤其是CNN，最主要的優勢在於能夠從原始像素數據中自動學習和提取分層次的抽象特徵，極大地減少了人工特徵工程的複雜性，這是其超越傳統方法的關鍵因素。
問題 4 (中級)
------------------------------
題目: 在進行醫療影像分析時，若要精確地標註出腫瘤的不規則邊界，以協助醫生進行診斷，下列哪種影像標註方式最能滿足此需求？
選項:
A) 邊界框 (Bounding Box)
B) 關鍵點標註 (Keypoint Annotation)
C) 多邊形標註 (Polygon Annotation)
D) 影像分類標註 (Image Classification Annotation)
答案: C) 多邊形標註 (Polygon Annotation)
解析: 多邊形標註能用一系列頂點精確勾勒出不規則物件的輪廓，非常適合標註如腫瘤邊界這類形狀複雜、需要高精確度的醫療影像目標。邊界框是矩形，不夠精確；關鍵點適用於姿勢；影像分類只給整體標籤。
問題 5 (中級)
------------------------------
題目: 在影像資料前處理中，執行資料增強 (Data Augmentation) 的主要目的是什麼？
選項:
A) 降低影像的解析度，以減少模型的計算負荷。
B) 縮減數據集大小，提高訓練速度。
C) 透過引入隨機變換來擴充訓練數據，增強模型的泛化能力並減少過擬合。
D) 將所有影像的像素值標準化到相同的範圍，以穩定梯度。
答案: C) 透過引入隨機變換來擴充訓練數據，增強模型的泛化能力並減少過擬合。
解析: 資料增強是透過對現有影像進行隨機轉換（如旋轉、翻轉、縮放等）來擴充訓練數據集，其核心目的是增加數據的多樣性，讓模型見識到更多樣的樣本，從而提高其泛化能力，減少模型在未見過數據上的表現不佳（過擬合）。
問題 6 (中級)
------------------------------
題目: 將影像的像素值從 [0, 255] 範圍正規化 (Normalization) 到 [0, 1] 範圍，對深度學習模型訓練的影響，下列敘述何者正確？
選項:
A) 主要目的是加速模型的收斂速度，因為所有特徵值都在相似的尺度上。
B) 這種正規化會增加影像的特徵維度，使模型學習更多細節。
C) 它可以有效去除影像中的雜訊，提高影像清晰度。
D) 主要用於防止模型在訓練過程中產生梯度爆炸，但對梯度消失無效。
答案: A) 主要目的是加速模型的收斂速度，因為所有特徵值都在相似的尺度上。
解析: 將像素值正規化到 [0, 1] 或 [-1, 1] 範圍，可以確保所有輸入特徵值都在相似的尺度上，有助於優化器更快地找到最佳解，從而加速模型的收斂。它並非去除雜訊、增加維度或僅對梯度爆炸有效。
問題 7 (中級)
------------------------------
題目: 在自動駕駛場景中，若AI系統需要區分道路上的每一輛不同的車輛（例如「第一輛車」、「第二輛車」），並且要精確地標示出每輛車的像素區域。請問這種需求最適合使用哪種電腦視覺任務？
選項:
A) 影像分類
B) 物件偵測
C) 語義分割
D) 實例分割
答案: D) 實例分割
解析: 語義分割將所有同類別的物件視為一個整體進行像素級標註，不區分個體。而實例分割在語義分割的基礎上，能區分同類別的不同個體（例如圖中的「第一輛車」和「第二輛車」），並進行像素級標註，完全符合題目要求。
問題 8 (中級)
------------------------------
題目: 在一個電腦視覺專案中，AI應用規劃師發現模型訓練結果不佳，即使調整了模型架構和訓練參數，表現依然停滯。在排除了程式碼錯誤後，最可能導致此問題且常常被忽略的原因是什麼？
選項:
A) 訓練集的影像解析度過高，導致計算資源不足。
B) 影像資料前處理步驟過於複雜，增加了額外雜訊。
C) 影像標註的品質低劣，存在大量錯誤或不一致的標註。
D) 選擇了不適合該任務的優化器 (Optimizer)，導致梯度更新效率低下。
答案: C) 影像標註的品質低劣，存在大量錯誤或不一致的標註。
解析: 影像標註是模型學習「真值」的依據。如果標註品質低劣，模型學到的就是錯誤的模式，即使模型架構和參數再好，也無法彌補數據本身的問題，最終導致模型表現不佳。這是數據驅動AI中一個核心且常見的問題。
問題 9 (中級)
------------------------------
題目: 早期傳統電腦視覺方法在處理複雜、多變化的影像時，常常面臨的主要挑戰是什麼？
選項:
A) 無法處理大型影像數據集。
B) 缺乏足夠的運算硬體支持。
C) 過於依賴人工設計的特徵提取器，難以應對光照、角度、形變等變化。
D) 只能處理灰度影像，無法處理彩色影像。
答案: C) 過於依賴人工設計的特徵提取器，難以應對光照、角度、形變等變化。
解析: 傳統電腦視覺方法高度依賴人工設計的特徵提取演算法（如SIFT, HOG等），這些特徵在面對光照、視角、尺度、物體形變等複雜變化時，魯棒性較差，難以泛化，這也是深度學習興起的重要原因。
問題 10 (中級)
------------------------------
題目: 在開發一個用於農作物病蟲害識別的電腦視覺系統時，若農田影像在不同時間點拍攝，導致光照條件差異極大，且部分影像模糊不清。為了提升模型的識別準確度，AI應用規劃師應優先考慮在資料前處理階段應用哪些技術？
選項:
A) 僅進行影像重塑大小 (Resizing) 和色彩空間轉換為灰度圖。
B) 著重於資料增強 (Data Augmentation) 中的亮度/對比度調整、模糊處理，並結合去噪 (Denoising) 技術。
C) 僅對影像進行正規化 (Normalization) 和邊界框標註。
D) 使用多邊形標註來精確標記病蟲害區域，並忽略影像品質問題。
答案: B) 著重於資料增強 (Data Augmentation) 中的亮度/對比度調整、模糊處理，並結合去噪 (Denoising) 技術。
解析: 針對光照條件差異大，亮度/對比度調整的資料增強能讓模型學習應對不同光照，而模糊處理也能增加模型對模糊影像的魯棒性。此外，影像模糊不清的情況下，去噪技術能有效提升影像質量，幫助模型更好地辨識病蟲害特徵。僅重塑或正規化不足以解決這些問題；標註是另一環節，不能取代前處理對品質的改善。
