![]()
A) Le processus de filtrage et d'amélioration des images visuelles. B) L'utilisation d'écrans d'ordinateur pour afficher des images. C) Domaine d'étude qui permet aux ordinateurs d'interpréter et de comprendre les informations visuelles du monde réel. D) L'étude du fonctionnement de la vision humaine.
A) Amélioration de la qualité des images et réduction du bruit pour une meilleure analyse. B) Rendre les images floues pour un effet artistique. C) Modification des dimensions de l'image. D) Déformation aléatoire des images.
A) Combinaison de plusieurs images en une seule. B) Suppression des couleurs d'une image. C) Division d'une image en régions ou objets significatifs pour l'analyse. D) Création d'une image miroir de l'original.
A) R au carré B) Erreur quadratique moyenne C) Score F1 D) Précision
A) Régularisation de l'abandon B) Utilisation de lots plus petits C) Augmenter le taux d'apprentissage D) Ajouter des couches au réseau
A) Transfert de gradients pendant la rétropropagation. B) Transfert des pixels d'une image vers une nouvelle image. C) Utilisation de modèles pré-entraînés et adaptation à une tâche spécifique. D) Transfert d'images entre différents appareils.
A) Introduire la non-linéarité dans le réseau. B) Augmentation du nombre de paramètres. C) Normalisation des valeurs d'entrée. D) Réduire les dimensions spatiales de l'entrée.
A) ReLU (Rectified Linear Unit) B) Sigmoïde C) Linéaire D) Tanh
A) Conversion des images en niveaux de gris. B) Création d'images composites. C) Le floutage des images pour la protection de la vie privée. D) Résumer les performances d'un modèle de classification en utilisant les valeurs de vrais positifs, faux positifs, vrais négatifs et faux négatifs.
A) Classification des images B) Segmentation des images C) Détection d'objets D) Extraction des caractéristiques
A) Réseaux neuronaux convolutifs (CNN) B) Voisins les plus proches (K-Nearest Neighbors - KNN) C) Machines à vecteurs de support (SVM) D) Analyse en composantes principales (ACP)
A) VGGNet B) InceptionNet C) ResNet (Réseau résiduel) D) AlexNet
A) Suivi semi-intégré des visages B) Transformations de caractéristiques invariantes à l'échelle C) Segmentation des caractéristiques et des textures des images D) Technique de filtrage sélectif des images
A) Réseau de neurones informatisé B) Réseau neuronal contrôlé C) Réseau neuronal convolutif D) Réseau complexe de neurones
A) Débruitage non local B) Augmentation de la résolution de l'image C) Ajout de bruit aux images D) Rotation des images
A) Les limites de l'image sont floues. B) Normalisation des histogrammes d'images. C) Cartographie d'une image sur un autre plan d'image. D) Détection des bords des objets.
A) Couche entièrement connectée B) Couche d'activation C) Couche convolutive D) Couche de mise en commun
A) Perte d'entropie croisée binaire B) Erreur quadratique moyenne C) Perte de L1 D) Perte d'entropie croisée
A) Ensemble de données sur les paroles de chansons B) ImageNet C) Ensemble de données sur le spam D) Ensemble de données météorologiques
A) Recadrage des images B) Réduction de la dimensionnalité de l'ACP C) Apprentissage par transfert D) Injection de bruit
A) Flou gaussien B) Égalisation d'histogramme C) Méthode Lucas-Kanade D) Transformée de Fourier
A) Lissage des intensités des pixels. B) Application de filtres de couleur aux images. C) Identifier et délimiter des objets individuels dans une scène. D) Conversion des images en noir et blanc.
A) ReLU B) Softmax C) Sigmoïde D) Tanh |