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