建議先看完對應教學影片再作答，效果加倍。 👉 YouTube 教學頻道
第 1 題
某智慧工廠導入 CNN 模型進行表面瑕疵檢測，工程師發現第一層卷積層學到的濾波器主要是邊緣與紋理梯度，而非直接辨識「刮痕」這類高階概念。資深架構師解釋這是 CNN 層次化特徵提取的正常結果。下列何者最能正確描述 CNN 從淺層到深層的特徵學習邏輯？
(A) CNN 淺層學習低階局部特徵（邊緣、紋理），深層將低階特徵組合為高階語義特徵（形狀、物件類別），形成層次化表示
(B) CNN 每層卷積都對全圖進行全域掃描，淺層負責粗略分類、深層負責精細像素定位，兩者分工處理不同解析度的辨識任務
(C) CNN 的池化層（Pooling Layer）負責學習高階語義特徵，卷積層只負責降低空間維度以減少計算量，兩者功能嚴格分離
(D) CNN 的每一層都學習相同類型的特徵，層數增加只是為了提升模型容量，讓同一類特徵的辨識準確率隨層數線性提升
答案：A
深度導讀解析
正確答案：A
核心技術點：CNN 的層次化特徵提取機制
中級理論拆解：CNN 的設計邏輯是模擬視覺皮層的階層處理。淺層卷積核感受野小，學到的是邊緣、顏色梯度等低階局部特徵；中層將這些低階特徵組合為紋理、形狀；深層感受野涵蓋更大範圍，學到的是「刮痕」、「裂縫」等高階語義概念。這個層次化結構讓 CNN 不需要人工設計特徵，從原始像素自動提煉出任務相關的表示。
選項坑洞掃描：B 說每層做全域掃描，卷積操作是局部感受野而非全圖掃描，全域感知是 Transformer Self-Attention 的特性。C 把池化層說成學習高階特徵，池化的功能是降維與平移不變性，不是學習語義特徵。D 說各層學相同特徵，這違背 CNN 層次化的核心設計原則。
破題反射字：淺層邊緣紋理 → 低階特徵 ／ 深層語義概念 → 高階特徵 ／ 層次化表示 → CNN 核心設計邏輯
第 2 題
某電商平台建立商品圖片分類模型，使用自行收集的 8,000 張商品照片從頭訓練 CNN，但驗證集準確率僅達 61%，遠低於業務要求的 85%。資料科學家懷疑是訓練資料量不足所致。AI 規劃師建議改用遷移學習（Transfer Learning）。下列何者最能正確描述遷移學習在此情境中的核心價值與適用邏輯？
(A) 載入在 ImageNet 預訓練的 CNN 模型，凍結前段特徵提取層的權重，只微調後段分類層，讓模型保留通用視覺特徵並快速適應商品分類任務
(B) 將 8,000 張商品照片複製擴增為 80,000 張，透過大量資料擴增（Data Augmentation）讓模型從頭訓練，效果等同於在大型資料集上預訓練的遷移學習
(C) 遷移學習僅適用於來源任務與目標任務完全相同的情境，商品分類與 ImageNet 的類別不同，因此無法有效遷移特徵表示
(D) 載入預訓練模型後對所有層同步進行高學習率的全參數微調，讓模型快速遺忘原始 ImageNet 知識並重新學習商品圖片的特定視覺特徵
答案：A
深度導讀解析
正確答案：A
核心技術點：遷移學習的凍結策略與預訓練特徵的通用性
中級理論拆解：ImageNet 預訓練模型已從 120 萬張圖片學到邊緣、紋理、形狀等通用視覺特徵，這些低階特徵對商品分類同樣有效。凍結前段層保留這些通用特徵，只微調後段分類層讓模型適應新任務，大幅減少所需訓練資料量與計算成本。8,000 張從頭訓練不夠，但作為微調資料已足夠。
選項坑洞掃描：B 說資料擴增等同遷移學習，擴增只是讓模型見到更多變化，無法補充預訓練模型學到的豐富視覺知識，效果差距顯著。C 說來源與目標任務必須相同，遷移學習的核心價值恰恰是跨任務遷移，低階視覺特徵在不同分類任務間高度通用。D 說高學習率全參數微調，這會導致「災難性遺忘」，預訓練權重被破壞，效果反而更差。
破題反射字：資料量不足 → 遷移學習 ／ 凍結前段層 → 保留通用視覺特徵 ／ 災難性遺忘 → 全參數高學習率微調的風險
第 3 題
某零售業者在超市導入即時貨架缺貨偵測系統，需要同時完成兩件事：辨識畫面中有哪些商品類別，以及精確標出每個商品在畫面中的位置與邊界框（Bounding Box）。系統需在每幀 33 毫秒內完成推論。下列何者最能正確描述滿足此需求應選用的技術路線及其原因？
(A) 採用 YOLO（You Only Look Once）等單階段物件偵測架構，在單次前向傳播中同時輸出類別與邊界框，推論速度符合即時需求
(B) 採用兩階段偵測架構（如 Faster R-CNN），先生成候選區域再分類，雖然推論時間較長但邊界框精度更高，適合即時貨架偵測
(C) 採用純分類 CNN（如 ResNet），對整張貨架影像輸出商品類別列表，再由規則引擎根據類別數量推算貨架缺貨位置
(D) 採用語義分割（Semantic Segmentation）模型對每個像素進行分類，透過像素級的類別圖推算各商品的邊界框座標
答案：A
深度導讀解析
正確答案：A
核心技術點：單階段 vs. 兩階段物件偵測的速度與精度權衡
中級理論拆解：物件偵測需要同時完成「分類」與「定位」兩個子任務。兩階段架構（Faster R-CNN）先用 Region Proposal Network 生成候選框，再逐一分類，精度高但推論慢（通常 100ms 以上）。YOLO 等單階段架構將整張圖分成格子，每個格子同時預測類別與邊界框，單次前向傳播完成全部推論，現代版本可在 10ms 內完成，符合 33ms 的即時門檻。
選項坑洞掃描：B 說兩階段架構適合即時偵測，推論時間通常遠超 33ms，在即時需求下不可行。C 用純分類 CNN 無法輸出邊界框座標，只有類別資訊，規則引擎無法從類別推算位置。D 的語義分割是像素級分類，計算量更大且輸出是像素圖而非邊界框，需要後處理才能得到框座標，延遲更高。
破題反射字：即時推論 → 單階段偵測 ／ YOLO → 單次前向傳播輸出類別與框 ／ 兩階段 → 精度高但速度慢
第 4 題
某醫療影像團隊使用 CNN 訓練 X 光肺炎偵測模型，訓練集僅有 2,400 張影像，且正常樣本 1,800 張、肺炎樣本 600 張。初始模型整體準確率達 75%，但臨床醫師發現模型幾乎把所有影像都判定為正常。團隊計畫透過資料擴增（Data Augmentation）改善訓練資料品質。下列哪一組擴增策略最適合 X 光影像的醫療場景？
(A) 對肺炎樣本進行隨機水平翻轉、隨機旋轉（±15度）與亮度調整，同時對正常樣本進行欠採樣，使兩類樣本數量達到平衡
(B) 對所有訓練影像進行大角度旋轉（180度）、垂直翻轉與極端亮度調整，讓模型學習各種極端光線條件下的肺部特徵
(C) 對訓練影像套用文字浮水印與隨機裁切至 50% 大小，透過強迫模型從殘缺影像中辨識特徵來提升魯棒性
(D) 直接複製肺炎樣本三次使兩類數量相同，不做任何影像變換，讓模型透過重複學習加深對肺炎特徵的記憶
答案：A
深度導讀解析
正確答案：A
核心技術點：醫療影像資料擴增的合理性邊界與類別不平衡處理
中級理論拆解：醫療影像的擴增必須保留臨床意義。X 光片的水平翻轉和小角度旋轉（±15度）在臨床上仍然合理（人體有左右差異但不會 180 度倒置），亮度調整模擬不同曝光條件。同時對多數類（正常樣本）欠採樣，從兩個方向解決類別不平衡，比單純擴增少數類更有效。75% 準確率但全判正常，是典型的類別不平衡導致模型偏向多數類的症狀。
選項坑洞掃描：B 的 180 度旋轉與垂直翻轉在 X 光臨床上無意義（不會有倒置的肺部影像），會引入雜訊而非有效特徵。C 的文字浮水印與大幅裁切會破壞診斷關鍵區域，導致模型學到無效特徵。D 單純複製樣本不增加任何新資訊，模型只是重複記憶同樣的影像，對泛化能力毫無幫助。
破題反射字：類別不平衡 → 欠採樣 + 少數類擴增 ／ 醫療影像擴增 → 保留臨床意義 ／ 全判多數類 → 不平衡的典型症狀
第 5 題
某自駕車公司的電腦視覺系統需要在行車過程中即時辨識行人、車輛、號誌等多類物件。工程師評估後選用了錨框機制（Anchor Box）設計。下列何者最能正確描述錨框在物件偵測中的核心功能，以及它解決了什麼問題？
(A) 錨框是預先定義的一組不同長寬比與尺寸的參考框，讓模型學習預測真實物件框相對於錨框的偏移量，解決物件形狀與大小差異極大的偵測問題
(B) 錨框是在推論階段對偵測結果進行後處理的工具，透過非極大值抑制（NMS）合併重疊的預測框，確保每個物件只輸出一個最終邊界框
(C) 錨框是一種資料標註輔助工具，由標註人員在訓練資料上預先繪製候選框範圍，讓模型在訓練時只需學習框內物件的分類而不需預測座標
(D) 錨框等同於卷積層的濾波器，每個錨框對應一個特定的卷積核，專門用於偵測特定方向的邊緣特徵以辨識不同形狀的物件類別
答案：A
深度導讀解析
正確答案：A
核心技術點：錨框機制的設計動機與偵測多尺度物件的解決邏輯
中級理論拆解：自駕車場景中物件尺寸差異極大——遠處的行人可能只有 20×50 像素，近處的卡車可能佔畫面 30%。直接讓模型從零預測任意形狀的框非常困難。錨框預先定義一組覆蓋常見長寬比（1:1、1:2、2:1）與尺寸的參考框，模型只需學習預測真實框相對於最接近錨框的偏移量（dx、dy、dw、dh），大幅降低學習難度並提升對多尺度物件的偵測能力。
選項坑洞掃描：B 描述的是非極大值抑制（NMS）的功能，NMS 是後處理步驟用於去除重複框，不是錨框的定義。C 說錨框是標註工具，錨框是模型架構的組成部分，與人工標註流程無關。D 把錨框和卷積濾波器混為一談，兩者是完全不同層級的概念，錨框是偵測頭的設計，不是特徵提取的卷積核。
破題反射字：多尺度物件 → 錨框設計動機 ／ 預測偏移量 → 錨框的學習目標 ／ NMS → 後處理去重複框
還在用零散筆記備考？
這份《iPAS 中級白話備考筆記》把三科考綱重點全部用人話整理好，考點速記、實戰場景、常見陷阱一次收錄。適合非本科、時間有限、想快速抓住考試方向的自學者。
👉 立即取得備考筆記
