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) Τυχαία παραμόρφωση εικόνων. B) Θόλωση εικόνων για καλλιτεχνικό αποτέλεσμα. C) Αλλαγή των διαστάσεων της εικόνας. 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) Δημιουργία μιας κατοπτρικής εικόνας του πρωτοτύπου. D) Διαχωρισμός μιας εικόνας σε σημαντικές περιοχές ή αντικείμενα για ανάλυση.
A) Βαθμολογία F1 B) Μέσο τετραγωνικό σφάλμα C) Τετράγωνο R D) Ακρίβεια
A) Αύξηση του ρυθμού μάθησης B) Προσθήκη περισσότερων επιπέδων στο δίκτυο C) Ρύθμιση της εγκατάλειψης D) Χρήση μικρότερων μεγεθών παρτίδας
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) Μείωση των χωρικών διαστάσεων της εισόδου. B) Εισαγωγή μη γραμμικότητας στο δίκτυο. C) Αύξηση του αριθμού των παραμέτρων. D) Κανονικοποίηση τιμών εισόδου.
A) ReLU (διορθωμένη γραμμική μονάδα) B) Γραμμική C) Tanh D) Σιγμοειδές
A) Θόλωση εικόνων για την προστασία της ιδιωτικής ζωής. B) Μετατροπή εικόνων σε κλίμακα του γκρι. C) Δημιουργία σύνθετων εικόνων. D) Συνοπτική παρουσίαση της απόδοσης ενός μοντέλου ταξινόμησης με τη χρήση των τιμών αληθώς θετικών, ψευδώς θετικών, αληθώς αρνητικών και ψευδώς αρνητικών.
A) Μετασχηματισμός αναλλοίωτου χαρακτηριστικού με κλίμακα B) Τμηματοποίηση χαρακτηριστικών και υφών εικόνας C) Τεχνική επιλεκτικού φιλτραρίσματος εικόνας D) Ημι-ενσωματωμένη παρακολούθηση προσώπου
A) AlexNet B) ResNet (υπολειμματικό δίκτυο) C) VGGNet D) InceptionNet
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) Ανάλυση κύριων συνιστωσών (PCA) B) Μηχανές διανυσμάτων υποστήριξης (SVM) C) Συνελικτικά νευρωνικά δίκτυα (CNN) D) Κ-κοντινότεροι γείτονες (KNN)
A) Στρώμα ενεργοποίησης B) Στρώμα συγκέντρωσης C) Συνελικτικό στρώμα D) Πλήρως συνδεδεμένο επίπεδο
A) Χαρτογράφηση μιας εικόνας σε ένα άλλο επίπεδο εικόνας. B) Ανίχνευση ακμών αντικειμένων. C) Κανονικοποίηση ιστογραμμάτων εικόνας. D) Θόλωση των ορίων της εικόνας.
A) Συνελικτικό νευρωνικό δίκτυο B) Ελεγχόμενο νευρωνικό δίκτυο C) Υπολογιστικό δίκτυο νευρώνων D) Πολύπλοκο δίκτυο νευρώνων
A) ReLU B) Σιγμοειδές C) Softmax D) Tanh
A) Ισοστάθμιση ιστογράμματος B) Μετασχηματισμός Fourier C) Μέθοδος Lucas-Kanade D) Γκαουσιανή θολούρα
A) Μείωση διαστάσεων PCA B) Περικοπή εικόνας C) Μεταφορά μάθησης D) Έγχυση θορύβου
A) Ταξινόμηση εικόνων B) Ανίχνευση αντικειμένων C) Τμηματοποίηση εικόνας D) Εξαγωγή χαρακτηριστικών
A) Προσθήκη θορύβου σε εικόνες B) Αύξηση της ανάλυσης εικόνας C) Περιστρεφόμενες εικόνες D) Αποθορυβοποίηση μη τοπικών μέσων
A) Σύνολο δεδομένων στίχων τραγουδιών B) ImageNet C) Σύνολο δεδομένων spam D) Σύνολο δεδομένων καιρού
A) Δυαδική απώλεια διασταυρούμενης εντροπίας B) Μέσο τετραγωνικό σφάλμα C) Διασταυρούμενη απώλεια εντροπίας D) Απώλεια L1 |