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