A) Bidang studi yang memungkinkan komputer untuk menafsirkan dan memahami informasi visual dari dunia nyata. B) Proses penyaringan dan peningkatan kualitas gambar visual. C) Penggunaan layar komputer untuk menampilkan gambar. D) Studi tentang cara kerja penglihatan manusia.
A) Meningkatkan kualitas gambar dan mengurangi kebisingan untuk analisis yang lebih baik. B) Mengaburkan gambar untuk efek artistik. C) Melakukan distorsi acak pada gambar. D) Mengubah dimensi gambar.
A) Membagi sebuah citra menjadi wilayah atau objek yang bermakna untuk analisis. B) Menggabungkan beberapa citra menjadi satu. C) Menciptakan citra cermin dari citra asli. D) Menghilangkan warna dari sebuah citra.
A) R-kuadrat B) Kesalahan Kuadrat Rata-rata C) Skor F1 D) Akurasi
A) Menggunakan ukuran batch yang lebih kecil B) Menambahkan lebih banyak lapisan pada jaringan C) Regularisasi dropout D) Meningkatkan tingkat pembelajaran (learning rate)
A) Memindahkan gambar antar perangkat yang berbeda. B) Menggunakan model yang sudah dilatih sebelumnya dan melakukan penyesuaian (fine-tuning) untuk tugas tertentu. C) Memindahkan gradien selama proses propagasi balik (backpropagation). D) Memindahkan piksel gambar ke gambar yang baru.
A) Meningkatkan jumlah parameter. B) Menormalisasi nilai input. C) Mengurangi dimensi spasial dari input. D) Memperkenalkan non-linearitas ke dalam jaringan.
A) Linear B) Sigmoid C) Tanh D) ReLU (Rectified Linear Unit)
A) Membuat gambar komposit. B) Meringkas kinerja model klasifikasi menggunakan nilai positif benar, positif palsu, negatif benar, dan negatif palsu. C) Mengaburkan gambar untuk melindungi privasi. D) Mengubah gambar menjadi skala abu-abu.
A) Transformasi Fitur Invarian Skala B) Segmentasi Fitur dan Tekstur Gambar C) Teknik Penyaringan Gambar Selektif D) Pelacakan Wajah Terintegrasi Parsial
A) Kumpulan data spam B) Kumpulan data cuaca C) ImageNet D) Kumpulan data lirik lagu
A) Jaringan Neuron Kompleks B) Jaringan Neuron Terkomputerisasi C) Jaringan Neural Konvolusional D) Jaringan Neuron Terkontrol
A) ReLU B) Softmax C) Sigmoid D) Tanh
A) Deteksi objek B) Klasifikasi gambar C) Ekstraksi fitur D) Segmentasi gambar
A) Lapisan pooling B) Lapisan aktivasi C) Lapisan konvolusi D) Lapisan terhubung penuh
A) Mean Squared Error (Kesalahan Kuadrat Rata-rata) B) L1 Loss (Kerugian L1) C) Binary Cross-Entropy Loss (Kerugian Cross-Entropy Biner) D) Cross-Entropy Loss (Kerugian Cross-Entropy)
A) Menerapkan filter warna pada gambar. B) Menghaluskan intensitas piksel. C) Mengidentifikasi dan membatasi objek-objek individual dalam sebuah adegan. D) Mengubah gambar menjadi hitam putih.
A) Meningkatkan resolusi gambar B) Memutar gambar C) Teknik pengurangan noise "non-local means" D) Menambahkan noise pada gambar
A) Analisis Komponen Utama (PCA) B) Mesin Vektor Dukungan (SVM) C) K-Nearest Neighbors (KNN) D) Jaringan Saraf Konvolusional (CNN)
A) Memetakan satu gambar ke bidang gambar lainnya. B) Menormalisasi histogram gambar. C) Mendeteksi tepi objek. D) Mengaburkan batas-batas gambar.
A) ResNet (Jaringan Residual) B) VGGNet C) AlexNet D) InceptionNet
A) Penyuntikan Kebisingan (Noise Injection) B) Reduksi Dimensi PCA (PCA Dimensionality Reduction) C) Pembelajaran Transfer (Transfer Learning) D) Pemotongan Gambar (Image Cropping)
A) Equalisasi histogram B) Metode Lucas-Kanade C) Pengaburan Gaussian D) Transformasi Fourier |