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