A) Η χρήση οθονών υπολογιστών για την προβολή εικόνων. B) Η μελέτη της λειτουργίας της ανθρώπινης όρασης. C) Η διαδικασία φιλτραρίσματος και βελτίωσης οπτικών εικόνων. D) Το πεδίο μελέτης που επιτρέπει στους υπολογιστές να ερμηνεύουν και να κατανοούν οπτικές πληροφορίες από τον πραγματικό κόσμο.
A) Αλλαγή των διαστάσεων της εικόνας. B) Τυχαία παραμόρφωση εικόνων. C) Βελτίωση της ποιότητας της εικόνας και μείωση του θορύβου για καλύτερη ανάλυση. D) Θόλωση εικόνων για καλλιτεχνικό αποτέλεσμα.
A) Δημιουργία μιας κατοπτρικής εικόνας του πρωτοτύπου. B) Διαχωρισμός μιας εικόνας σε σημαντικές περιοχές ή αντικείμενα για ανάλυση. C) Συνδυασμός πολλαπλών εικόνων σε μία. D) Αφαίρεση χρωμάτων από μια εικόνα.
A) Βαθμολογία F1 B) Μέσο τετραγωνικό σφάλμα C) Ακρίβεια D) Τετράγωνο R
A) Αύξηση του ρυθμού μάθησης B) Ρύθμιση της εγκατάλειψης C) Προσθήκη περισσότερων επιπέδων στο δίκτυο D) Χρήση μικρότερων μεγεθών παρτίδας
A) Μεταφορά κλίσεων κατά την οπισθοδιάδοση. B) Χρήση προ-εκπαιδευμένων μοντέλων και λεπτομερής ρύθμιση για μια συγκεκριμένη εργασία. C) Μεταφορά εικονοστοιχείων εικόνας σε νέα εικόνα. D) Μεταφορά εικόνων μεταξύ διαφορετικών συσκευών.
A) Εισαγωγή μη γραμμικότητας στο δίκτυο. B) Αύξηση του αριθμού των παραμέτρων. C) Μείωση των χωρικών διαστάσεων της εισόδου. D) Κανονικοποίηση τιμών εισόδου.
A) ReLU (διορθωμένη γραμμική μονάδα) B) Σιγμοειδές C) Γραμμική D) Tanh
A) Συνοπτική παρουσίαση της απόδοσης ενός μοντέλου ταξινόμησης με τη χρήση των τιμών αληθώς θετικών, ψευδώς θετικών, αληθώς αρνητικών και ψευδώς αρνητικών. B) Θόλωση εικόνων για την προστασία της ιδιωτικής ζωής. C) Μετατροπή εικόνων σε κλίμακα του γκρι. D) Δημιουργία σύνθετων εικόνων.
A) Σύνολο δεδομένων καιρού B) Σύνολο δεδομένων στίχων τραγουδιών C) Σύνολο δεδομένων spam D) ImageNet
A) Προσδιορισμός και οριοθέτηση μεμονωμένων αντικειμένων σε μια σκηνή. B) Εξομάλυνση των εντάσεων των εικονοστοιχείων. C) Εφαρμογή χρωματικών φίλτρων σε εικόνες. D) Μετατροπή εικόνων σε ασπρόμαυρες.
A) Γκαουσιανή θολούρα B) Μετασχηματισμός Fourier C) Ισοστάθμιση ιστογράμματος D) Μέθοδος Lucas-Kanade
A) Θόλωση των ορίων της εικόνας. B) Κανονικοποίηση ιστογραμμάτων εικόνας. C) Ανίχνευση ακμών αντικειμένων. D) Χαρτογράφηση μιας εικόνας σε ένα άλλο επίπεδο εικόνας.
A) Αποθορυβοποίηση μη τοπικών μέσων B) Περιστρεφόμενες εικόνες C) Προσθήκη θορύβου σε εικόνες D) Αύξηση της ανάλυσης εικόνας
A) Τμηματοποίηση εικόνας B) Ταξινόμηση εικόνων C) Εξαγωγή χαρακτηριστικών D) Ανίχνευση αντικειμένων
A) Υπολογιστικό δίκτυο νευρώνων B) Ελεγχόμενο νευρωνικό δίκτυο C) Πολύπλοκο δίκτυο νευρώνων D) Συνελικτικό νευρωνικό δίκτυο
A) Πλήρως συνδεδεμένο επίπεδο B) Συνελικτικό στρώμα C) Στρώμα συγκέντρωσης D) Στρώμα ενεργοποίησης
A) Απώλεια L1 B) Δυαδική απώλεια διασταυρούμενης εντροπίας C) Μέσο τετραγωνικό σφάλμα D) Διασταυρούμενη απώλεια εντροπίας
A) InceptionNet B) VGGNet C) AlexNet D) ResNet (υπολειμματικό δίκτυο)
A) Συνελικτικά νευρωνικά δίκτυα (CNN) B) Ανάλυση κύριων συνιστωσών (PCA) C) Κ-κοντινότεροι γείτονες (KNN) D) Μηχανές διανυσμάτων υποστήριξης (SVM)
A) Τμηματοποίηση χαρακτηριστικών και υφών εικόνας B) Μετασχηματισμός αναλλοίωτου χαρακτηριστικού με κλίμακα C) Ημι-ενσωματωμένη παρακολούθηση προσώπου D) Τεχνική επιλεκτικού φιλτραρίσματος εικόνας
A) Σιγμοειδές B) ReLU C) Softmax D) Tanh
A) Μεταφορά μάθησης B) Περικοπή εικόνας C) Μείωση διαστάσεων PCA D) Έγχυση θορύβου |