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