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