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