A) Az emberi látás működésének tanulmányozása. B) A vizuális képek szűrésének és javításának folyamata. C) Az a tudományterület, amely lehetővé teszi a számítógépek számára, hogy értelmezzék és megértsék a valós világ vizuális információit. D) A számítógép képernyőinek használata a képek megjelenítésére.
A) Elmosódó képek művészi hatásra. B) A képminőség javítása és a zaj csökkentése a jobb elemzés érdekében. C) Véletlenszerűen torzító képek. D) A képméretek megváltoztatása.
A) A kép értelmes régiókra vagy objektumokra való felosztása elemzés céljából. B) Színek eltávolítása egy képből. C) Több kép kombinálása eggyé. D) Az eredeti tükörképének létrehozása.
A) Átlagos négyzetes hiba B) Pontosság C) R-négyzet D) F1 pontszám
A) A tanulási arány növelése B) Kisebb tételméretek használata C) További rétegek hozzáadása a hálózathoz D) Kiesés rendezése
A) Képpixelek átvitele egy új képre. B) Képek átvitele különböző eszközök között. C) Előre betanított modellek használata és finomhangolás egy adott feladatra. D) A gradiensek átvitele a backpropagáció során.
A) A bemenet térbeli dimenzióinak csökkentése. B) A bemeneti értékek normalizálása. C) A paraméterek számának növelése. D) Nemlinearitás bevezetése a hálózatba.
A) Lineáris B) Tanh C) ReLU (egyenirányított lineáris egység) D) Sigmoid
A) Egy osztályozási modell teljesítményének összegzése a valódi pozitív, hamis pozitív, valódi negatív és hamis negatív értékek segítségével. B) Összetett képek létrehozása. C) Képek átalakítása szürkeárnyalatossá. D) A képek elmosódása az adatvédelem érdekében.
A) Átlagos négyzetes hiba B) Kereszt-entrópia veszteség C) Bináris kereszt-entrópia veszteség D) L1 veszteség
A) Irányított neurális hálózat B) Konvolúciós neurális hálózat C) Számítógépes neuronhálózat D) Komplex neuronhálózat
A) Zaj hozzáadása a képekhez B) Forgatható képek C) Nem lokális eszközök denoising D) A képfelbontás növelése
A) Összevonó réteg B) Teljesen összekapcsolt réteg C) Aktiváló réteg D) Konvolúciós réteg
A) InceptionNet B) AlexNet C) ResNet (maradék hálózat) D) VGGNet
A) Objektumélek felismerése. B) Egy kép leképezése egy másik képsíkra. C) Képhisztogramok normalizálása. D) A képhatárok elmosódása.
A) Zaj injektálás B) PCA dimenziócsökkentés C) Képvágás D) Transzfer tanulás
A) Softmax B) Sigmoid C) ReLU D) Tanh
A) Képosztályozás B) Objektum észlelés C) Képszegmentálás D) Jellemzők kinyerése
A) Konvolúciós neurális hálózatok (CNN) B) K-közelebbi szomszédok (KNN) C) Főkomponens-elemzés (PCA) D) Támogató vektoros gépek (SVM)
A) Képi jellemzők és textúrák szegmentálása B) Félig integrált arckövetés C) Skála-invariáns jellemző transzformáció D) Szelektív képszűrési technika
A) Színszűrők alkalmazása a képekre. B) Az egyes objektumok azonosítása és elhatárolása egy jeleneten belül. C) Képek átalakítása fekete-fehérre. D) A képpontok intenzitásának simítása.
A) Spam-adatkészlet B) Időjárási adatkészlet C) ImageNet D) Dalszöveg-adatkészlet
A) Fourier-transzformáció B) Hisztogram kiegyenlítés C) Lucas-Kanade módszer D) Gauss-féle elmosódás |