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