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