Όραση υπολογιστών και αναγνώριση εικόνας - εξέταση
A) Το πεδίο μελέτης που επιτρέπει στους υπολογιστές να ερμηνεύουν και να κατανοούν οπτικές πληροφορίες από τον πραγματικό κόσμο. B) Η διαδικασία φιλτραρίσματος και βελτίωσης οπτικών εικόνων. C) Η χρήση οθονών υπολογιστών για την προβολή εικόνων. D) Η μελέτη της λειτουργίας της ανθρώπινης όρασης.
A) Τυχαία παραμόρφωση εικόνων. B) Αλλαγή των διαστάσεων της εικόνας. C) Βελτίωση της ποιότητας της εικόνας και μείωση του θορύβου για καλύτερη ανάλυση. D) Θόλωση εικόνων για καλλιτεχνικό αποτέλεσμα.
A) Αφαίρεση χρωμάτων από μια εικόνα. B) Συνδυασμός πολλαπλών εικόνων σε μία. C) Δημιουργία μιας κατοπτρικής εικόνας του πρωτοτύπου. D) Διαχωρισμός μιας εικόνας σε σημαντικές περιοχές ή αντικείμενα για ανάλυση.
A) Βαθμολογία F1 B) Τετράγωνο R C) Μέσο τετραγωνικό σφάλμα D) Ακρίβεια
A) Ρύθμιση της εγκατάλειψης B) Χρήση μικρότερων μεγεθών παρτίδας C) Αύξηση του ρυθμού μάθησης D) Προσθήκη περισσότερων επιπέδων στο δίκτυο
A) Μεταφορά εικονοστοιχείων εικόνας σε νέα εικόνα. B) Χρήση προ-εκπαιδευμένων μοντέλων και λεπτομερής ρύθμιση για μια συγκεκριμένη εργασία. C) Μεταφορά κλίσεων κατά την οπισθοδιάδοση. D) Μεταφορά εικόνων μεταξύ διαφορετικών συσκευών.
A) Μείωση των χωρικών διαστάσεων της εισόδου. B) Εισαγωγή μη γραμμικότητας στο δίκτυο. C) Κανονικοποίηση τιμών εισόδου. D) Αύξηση του αριθμού των παραμέτρων.
A) Tanh B) ReLU (διορθωμένη γραμμική μονάδα) C) Γραμμική D) Σιγμοειδές
A) Μετατροπή εικόνων σε κλίμακα του γκρι. B) Συνοπτική παρουσίαση της απόδοσης ενός μοντέλου ταξινόμησης με τη χρήση των τιμών αληθώς θετικών, ψευδώς θετικών, αληθώς αρνητικών και ψευδώς αρνητικών. C) Δημιουργία σύνθετων εικόνων. D) Θόλωση εικόνων για την προστασία της ιδιωτικής ζωής.
A) Απώλεια L1 B) Διασταυρούμενη απώλεια εντροπίας C) Δυαδική απώλεια διασταυρούμενης εντροπίας D) Μέσο τετραγωνικό σφάλμα
A) Μετατροπή εικόνων σε ασπρόμαυρες. B) Εφαρμογή χρωματικών φίλτρων σε εικόνες. C) Εξομάλυνση των εντάσεων των εικονοστοιχείων. D) Προσδιορισμός και οριοθέτηση μεμονωμένων αντικειμένων σε μια σκηνή.
A) Ταξινόμηση εικόνων B) Τμηματοποίηση εικόνας C) Ανίχνευση αντικειμένων D) Εξαγωγή χαρακτηριστικών
A) Κ-κοντινότεροι γείτονες (KNN) B) Ανάλυση κύριων συνιστωσών (PCA) C) Συνελικτικά νευρωνικά δίκτυα (CNN) D) Μηχανές διανυσμάτων υποστήριξης (SVM)
A) Θόλωση των ορίων της εικόνας. B) Ανίχνευση ακμών αντικειμένων. C) Χαρτογράφηση μιας εικόνας σε ένα άλλο επίπεδο εικόνας. D) Κανονικοποίηση ιστογραμμάτων εικόνας.
A) Προσθήκη θορύβου σε εικόνες B) Περιστρεφόμενες εικόνες C) Αποθορυβοποίηση μη τοπικών μέσων D) Αύξηση της ανάλυσης εικόνας
A) ReLU B) Tanh C) Softmax D) Σιγμοειδές
A) Στρώμα ενεργοποίησης B) Συνελικτικό στρώμα C) Στρώμα συγκέντρωσης D) Πλήρως συνδεδεμένο επίπεδο
A) Μείωση διαστάσεων PCA B) Έγχυση θορύβου C) Περικοπή εικόνας D) Μεταφορά μάθησης
A) Ισοστάθμιση ιστογράμματος B) Μέθοδος Lucas-Kanade C) Γκαουσιανή θολούρα D) Μετασχηματισμός Fourier
A) VGGNet B) InceptionNet C) ResNet (υπολειμματικό δίκτυο) D) AlexNet
A) Συνελικτικό νευρωνικό δίκτυο B) Υπολογιστικό δίκτυο νευρώνων C) Ελεγχόμενο νευρωνικό δίκτυο D) Πολύπλοκο δίκτυο νευρώνων
A) Σύνολο δεδομένων spam B) Σύνολο δεδομένων καιρού C) Σύνολο δεδομένων στίχων τραγουδιών D) ImageNet
A) Μετασχηματισμός αναλλοίωτου χαρακτηριστικού με κλίμακα B) Ημι-ενσωματωμένη παρακολούθηση προσώπου C) Τεχνική επιλεκτικού φιλτραρίσματος εικόνας D) Τμηματοποίηση χαρακτηριστικών και υφών εικόνας |
Δημιουργήθηκε με That Quiz —
Δημιουργώντας δοκιμασίες και εκτελώντας δραστηριότητες όλα γίνονται εύκολα στα μαθηματικά και στ` άλλα γνωστικά αντικείμενα.