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