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