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