A) Proses penyaringan dan peningkatan kualitas gambar visual. B) Studi tentang cara kerja penglihatan manusia. C) Bidang studi yang memungkinkan komputer untuk menafsirkan dan memahami informasi visual dari dunia nyata. D) Penggunaan layar komputer untuk menampilkan gambar.
A) Mengubah dimensi gambar. B) Melakukan distorsi acak pada gambar. C) Mengaburkan gambar untuk efek artistik. D) Meningkatkan kualitas gambar dan mengurangi kebisingan untuk analisis yang lebih baik.
A) Menciptakan citra cermin dari citra asli. B) Menggabungkan beberapa citra menjadi satu. C) Membagi sebuah citra menjadi wilayah atau objek yang bermakna untuk analisis. D) Menghilangkan warna dari sebuah citra.
A) Akurasi B) Kesalahan Kuadrat Rata-rata C) Skor F1 D) R-kuadrat
A) Regularisasi dropout B) Menggunakan ukuran batch yang lebih kecil C) Meningkatkan tingkat pembelajaran (learning rate) D) Menambahkan lebih banyak lapisan pada jaringan
A) Memindahkan gradien selama proses propagasi balik (backpropagation). B) Menggunakan model yang sudah dilatih sebelumnya dan melakukan penyesuaian (fine-tuning) untuk tugas tertentu. C) Memindahkan piksel gambar ke gambar yang baru. D) Memindahkan gambar antar perangkat yang berbeda.
A) Menormalisasi nilai input. B) Memperkenalkan non-linearitas ke dalam jaringan. C) Mengurangi dimensi spasial dari input. D) Meningkatkan jumlah parameter.
A) ReLU (Rectified Linear Unit) B) Linear C) Tanh D) Sigmoid
A) Mengaburkan gambar untuk melindungi privasi. B) Mengubah gambar menjadi skala abu-abu. C) Meringkas kinerja model klasifikasi menggunakan nilai positif benar, positif palsu, negatif benar, dan negatif palsu. D) Membuat gambar komposit.
A) Transformasi Fitur Invarian Skala B) Teknik Penyaringan Gambar Selektif C) Segmentasi Fitur dan Tekstur Gambar D) Pelacakan Wajah Terintegrasi Parsial
A) Kumpulan data spam B) ImageNet C) Kumpulan data lirik lagu D) Kumpulan data cuaca
A) Jaringan Neuron Kompleks B) Jaringan Neuron Terkomputerisasi C) Jaringan Neural Konvolusional D) Jaringan Neuron Terkontrol
A) Softmax B) Sigmoid C) ReLU D) Tanh
A) Ekstraksi fitur B) Segmentasi gambar C) Deteksi objek D) Klasifikasi gambar
A) Lapisan konvolusi B) Lapisan aktivasi C) Lapisan pooling D) Lapisan terhubung penuh
A) Cross-Entropy Loss (Kerugian Cross-Entropy) B) Binary Cross-Entropy Loss (Kerugian Cross-Entropy Biner) C) Mean Squared Error (Kesalahan Kuadrat Rata-rata) D) L1 Loss (Kerugian L1)
A) Mengubah gambar menjadi hitam putih. B) Menerapkan filter warna pada gambar. C) Menghaluskan intensitas piksel. D) Mengidentifikasi dan membatasi objek-objek individual dalam sebuah adegan.
A) Teknik pengurangan noise "non-local means" B) Menambahkan noise pada gambar C) Meningkatkan resolusi gambar D) Memutar gambar
A) Analisis Komponen Utama (PCA) B) Mesin Vektor Dukungan (SVM) C) Jaringan Saraf Konvolusional (CNN) D) K-Nearest Neighbors (KNN)
A) Mendeteksi tepi objek. B) Memetakan satu gambar ke bidang gambar lainnya. C) Mengaburkan batas-batas gambar. D) Menormalisasi histogram gambar.
A) ResNet (Jaringan Residual) B) AlexNet C) InceptionNet D) VGGNet
A) Reduksi Dimensi PCA (PCA Dimensionality Reduction) B) Penyuntikan Kebisingan (Noise Injection) C) Pemotongan Gambar (Image Cropping) D) Pembelajaran Transfer (Transfer Learning)
A) Metode Lucas-Kanade B) Equalisasi histogram C) Pengaburan Gaussian D) Transformasi Fourier |