A) Görsel görüntüleri filtreleme ve iyileştirme süreci. B) Bilgisayarların gerçek dünyadan gelen görsel bilgileri yorumlamasını ve anlamasını sağlayan çalışma alanı. C) Görüntüleri görüntülemek için bilgisayar ekranlarının kullanılması. D) İnsan görüşünün nasıl çalıştığının incelenmesi.
A) Daha iyi analiz için görüntü kalitesini artırma ve gürültüyü azaltma. B) Görüntü boyutlarını değiştirme. C) Sanatsal etki için görüntüleri bulanıklaştırma. D) Görüntüleri rastgele bozma.
A) Bir görüntüden renkleri kaldırma. B) Birden fazla görüntüyü bir araya getirme. C) Bir görüntünün analiz için anlamlı bölgelere veya nesnelere bölünmesi. D) Orijinalin ayna görüntüsünü oluşturmak.
A) F1 Skoru B) Doğruluk C) R-kare D) Ortalama Karesel Hata
A) Daha küçük parti boyutları kullanma B) Ağa daha fazla katman ekleme C) Bırakma düzenlemesi D) Öğrenme oranının artırılması
A) Görüntüleri farklı cihazlar arasında aktarma. B) Görüntü piksellerinin yeni bir görüntüye aktarılması. C) Geriye yayılma sırasında gradyanların aktarılması. D) Önceden eğitilmiş modellerin kullanılması ve belirli bir görev için ince ayar yapılması.
A) Ağa doğrusal olmama özelliğinin eklenmesi. B) Parametre sayısının artırılması. C) Giriş değerlerini normalleştirme. D) Girdinin uzamsal boyutlarının azaltılması.
A) Tanh B) Sigmoid C) ReLU (Doğrultulmuş Lineer Birim) D) Doğrusal
A) Kompozit görüntüler oluşturma. B) Görüntüleri gri tonlamaya dönüştürme. C) Doğru pozitif, yanlış pozitif, doğru negatif ve yanlış negatif değerlerini kullanarak bir sınıflandırma modelinin performansını özetleme. D) Gizlilik koruması için görüntüleri bulanıklaştırma.
A) Hava durumu veri seti B) Spam veri kümesi C) ImageNet D) Şarkı sözleri veri kümesi
A) Görüntülere renk filtreleri uygulama. B) Görüntüleri siyah beyaza dönüştürme. C) Piksel yoğunluklarını yumuşatma. D) Bir sahne içindeki nesnelerin tek tek tanımlanması ve tasvir edilmesi.
A) Lucas-Kanade yöntemi B) Gauss bulanıklığı C) Histogram eşitleme D) Fourier dönüşümü
A) Nesne kenarlarını algılama. B) Görüntü sınırlarını bulanıklaştırma. C) Görüntü histogramlarını normalleştirme. D) Bir görüntünün başka bir görüntü düzlemine eşlenmesi.
A) Görüntülere gürültü ekleme B) Yerel olmayan araçlar denoising C) Görüntü çözünürlüğünü artırma D) Dönen görüntüler
A) Görüntü sınıflandırma B) Özellik çıkarma C) Nesne algılama D) Görüntü segmentasyonu
A) Kontrollü Sinir Ağı B) Bilgisayarlı Nöron Ağı C) Evrişimli Sinir Ağı D) Karmaşık Nöron Ağı
A) Tam bağlantılı katman B) Konvolüsyonel katman C) Havuzlama katmanı D) Aktivasyon katmanı
A) Çapraz Entropi Kaybı B) Ortalama Karesel Hata C) İkili Çapraz Entropi Kaybı D) L1 Kaybı
A) VGGNet B) InceptionNet C) AlexNet D) ResNet (Artık Ağ)
A) Evrişimsel Sinir Ağları (CNN'ler) B) K-En Yakın Komşular (KNN) C) Temel Bileşen Analizi (PCA) D) Destek Vektör Makineleri (SVM)
A) Seçici Görüntü Filtreleme Tekniği B) Görüntü Özelliklerinin ve Dokularının Segmentasyonu C) Yarı Entegre Yüz İzleme D) Ölçekle Değişmeyen Özellik Dönüşümü
A) Softmax B) ReLU C) Tanh D) Sigmoid
A) Görüntü Kırpma B) Gürültü Enjeksiyonu C) Transfer Öğrenimi D) PCA Boyut Azaltma |