A) L'estudi de com funciona la visió humana. B) L'ús de pantalles d'ordinador per mostrar imatges. C) El camp d'estudi que permet als ordinadors interpretar i comprendre informació visual del món real. D) El procés de filtrar i millorar imatges visuals.
A) Millorar la qualitat de la imatge i reduir el soroll per a una anàlisi més precisa. B) Distorsionar les imatges de manera aleatòria. C) Modificar les dimensions de la imatge. D) Aplicar un efecte de desenfocament a les imatges per a efectes artístics.
A) Crear una imatge especular de l'original. B) Eliminar els colors d'una imatge. C) Combinar múltiples imatges en una sola. D) Dividir una imatge en regions o objectes significatius per a l'anàlisi.
A) Precisió B) Puntuació F1 C) R-quadrat D) Error quadrat mitjà
A) Utilitzar mides de lot més petites B) Regularització Dropout C) Afegir més capes a la xarxa D) Augmentar la taxa d'aprenentatge
A) Transferir imatges entre dispositius diferents. B) Utilitzar models preentrenats i ajustar-los per a una tasca específica. C) Transferir gradients durant la retropropagació. D) Transferir píxels d'imatge a una imatge nova.
A) Reduir les dimensions espacials de la entrada. B) Normalitzar els valors de la entrada. C) Augmentar el nombre de paràmetres. D) Introduir no linealitat a la xarxa.
A) Lineal B) Tanh C) ReLU (Unitat lineal rectificada) D) Sigmoide
A) Aplicar desenfocament a les imatges per a la protecció de la privacitat. B) Convertir imatges a escala de grisos. C) Crear imatges compostes. D) Resumir el rendiment d'un model de classificació utilitzant els valors de positius veritables, positius falsos, negatius veritables i negatius falsos.
A) Tècnica de filtratge d'imatges selectiva B) Seguiment facial semi-integrat C) Segmentació de característiques i textures d'imatges D) Transformada de característiques invariant a l'escala
A) ImageNet B) Conjunt de dades meteorològiques C) Conjunt de dades de correu no sol·licitat (spam) D) Conjunt de dades de lletres de cançons
A) Xarxa neuronal convolucional B) Xarxa neuronal computacional C) Xarxa neuronal controlada D) Xarxa neuronal complexa
A) ReLU B) Sigmoid C) Tanh D) Softmax
A) Segmentació d'imatges B) Extracció de característiques C) Classificació d'imatges D) Detecció d'objectes
A) Capa totalment connectada B) Capa convolucional C) Capa de pooling (agrupació) D) Capa d'activació
A) Pèrdua d'entropia creuada B) Pèrdua de entropia creuada binària C) Error quadrat mitjà D) Pèrdua L1
A) Identificar i delimitar objectes individuals dins d'una escena. B) Aplicar filtres de color a les imatges. C) Convertir les imatges a blanc i negre. D) Suavitzar les intensitats dels píxels.
A) Reducció de soroll mitjançant mètodes no locals B) Augmentar la resolució de les imatges C) Rotar les imatges D) Afegir soroll a les imatges
A) Xarxes neuronals convolucionals (CNN) B) Vecins més propers (KNN) C) Anàlisi de components principals (PCA) D) Màquines de vectors de suport (SVM)
A) Detectar els contorns dels objectes. B) Mapejar una imatge a un altre pla d'imatge. C) Suavitzar els límits de la imatge. D) Normalitzar els histogrames de la imatge.
A) VGGNet B) AlexNet C) ResNet (Xarxa Residual) D) InceptionNet
A) Aprenentatge per transferència B) Retall de la imatge C) Reducció de la dimensionalitat per PCA D) Injecció de soroll
A) Ecualització d'histograma B) Desenvolupament gaussí C) Transformada de Fourier D) Mètode de Lucas-Kanade |