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