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