A) İnsan görüşünün nasıl çalıştığının incelenmesi. B) Bilgisayarların gerçek dünyadan gelen görsel bilgileri yorumlamasını ve anlamasını sağlayan çalışma alanı. C) Görsel görüntüleri filtreleme ve iyileştirme süreci. D) Görüntüleri görüntülemek için bilgisayar ekranlarının kullanılması.
A) Daha iyi analiz için görüntü kalitesini artırma ve gürültüyü azaltma. B) Görüntü boyutlarını değiştirme. C) Görüntüleri rastgele bozma. D) Sanatsal etki için görüntüleri bulanıklaştırma.
A) Bir görüntüden renkleri kaldırma. B) Bir görüntünün analiz için anlamlı bölgelere veya nesnelere bölünmesi. C) Orijinalin ayna görüntüsünü oluşturmak. D) Birden fazla görüntüyü bir araya getirme.
A) F1 Skoru B) R-kare C) Ortalama Karesel Hata D) Doğruluk
A) Öğrenme oranının artırılması B) Bırakma düzenlemesi C) Ağa daha fazla katman ekleme D) Daha küçük parti boyutları kullanma
A) Önceden eğitilmiş modellerin kullanılması ve belirli bir görev için ince ayar yapılması. B) Görüntüleri farklı cihazlar arasında aktarma. C) Geriye yayılma sırasında gradyanların aktarılması. D) Görüntü piksellerinin yeni bir görüntüye aktarılması.
A) Girdinin uzamsal boyutlarının azaltılması. B) Parametre sayısının artırılması. C) Ağa doğrusal olmama özelliğinin eklenmesi. D) Giriş değerlerini normalleştirme.
A) ReLU (Doğrultulmuş Lineer Birim) B) Tanh C) Doğrusal D) Sigmoid
A) Görüntüleri gri tonlamaya dönüştürme. B) Gizlilik koruması için görüntüleri bulanıklaştırma. C) Kompozit görüntüler oluşturma. D) Doğru pozitif, yanlış pozitif, doğru negatif ve yanlış negatif değerlerini kullanarak bir sınıflandırma modelinin performansını özetleme.
A) Görüntü sınırlarını bulanıklaştırma. B) Nesne kenarlarını algılama. C) Görüntü histogramlarını normalleştirme. D) Bir görüntünün başka bir görüntü düzlemine eşlenmesi.
A) Bir sahne içindeki nesnelerin tek tek tanımlanması ve tasvir edilmesi. B) Piksel yoğunluklarını yumuşatma. C) Görüntülere renk filtreleri uygulama. D) Görüntüleri siyah beyaza dönüştürme.
A) Görüntü sınıflandırma B) Görüntü segmentasyonu C) Özellik çıkarma D) Nesne algılama
A) Tanh B) Softmax C) Sigmoid D) ReLU
A) Görüntü Özelliklerinin ve Dokularının Segmentasyonu B) Ölçekle Değişmeyen Özellik Dönüşümü C) Yarı Entegre Yüz İzleme D) Seçici Görüntü Filtreleme Tekniği
A) VGGNet B) AlexNet C) InceptionNet D) ResNet (Artık Ağ)
A) Lucas-Kanade yöntemi B) Histogram eşitleme C) Gauss bulanıklığı D) Fourier dönüşümü
A) Yerel olmayan araçlar denoising B) Görüntülere gürültü ekleme C) Görüntü çözünürlüğünü artırma D) Dönen görüntüler
A) Evrişimli Sinir Ağı B) Bilgisayarlı Nöron Ağı C) Kontrollü Sinir Ağı D) Karmaşık Nöron Ağı
A) Spam veri kümesi B) Şarkı sözleri veri kümesi C) ImageNet D) Hava durumu veri seti
A) Tam bağlantılı katman B) Havuzlama katmanı C) Aktivasyon katmanı D) Konvolüsyonel katman
A) Destek Vektör Makineleri (SVM) B) Evrişimsel Sinir Ağları (CNN'ler) C) K-En Yakın Komşular (KNN) D) Temel Bileşen Analizi (PCA)
A) Görüntü Kırpma B) Gürültü Enjeksiyonu C) Transfer Öğrenimi D) PCA Boyut Azaltma
A) Ortalama Karesel Hata B) Çapraz Entropi Kaybı C) İkili Çapraz Entropi Kaybı D) L1 Kaybı |