A) Görsel görüntüleri filtreleme ve iyileştirme süreci.
B) Bilgisayarların gerçek dünyadan gelen görsel bilgileri yorumlamasını ve anlamasını sağlayan çalışma alanı.
C) İnsan görüşünün nasıl çalıştığının incelenmesi.
D) Görüntüleri görüntülemek için bilgisayar ekranlarının kullanılması.

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) Orijinalin ayna görüntüsünü oluşturmak.
C) Bir görüntünün analiz için anlamlı bölgelere veya nesnelere bölünmesi.
D) Birden fazla görüntüyü bir araya getirme.

A) F1 Skoru
B) Doğruluk
C) R-kare
D) Ortalama Karesel Hata

A) Öğrenme oranının artırılması
B) Ağa daha fazla katman ekleme
C) Bırakma düzenlemesi
D) Daha küçük parti boyutları kullanma

A) Görüntü piksellerinin yeni bir görüntüye aktarılması.
B) Önceden eğitilmiş modellerin kullanılması ve belirli bir görev için ince ayar yapılması.
C) Görüntüleri farklı cihazlar arasında aktarma.
D) Geriye yayılma sırasında gradyanların aktarılması.

A) Giriş değerlerini normalleştirme.
B) Girdinin uzamsal boyutlarının azaltılması.
C) Ağa doğrusal olmama özelliğinin eklenmesi.
D) Parametre sayısının artırılması.

A) ReLU (Doğrultulmuş Lineer Birim)
B) Doğrusal
C) Tanh
D) Sigmoid

A) Görüntüleri gri tonlamaya dönüştürme.
B) Gizlilik koruması için görüntüleri bulanıklaştırma.
C) Kompozit görüntüler oluşturma.
D) Doğru pozitif, yanlış pozitif, doğru negatif ve yanlış negatif değerlerini kullanarak bir sınıflandırma modelinin performansını özetleme.

A) Nesne kenarlarını algılama.
B) Görüntü histogramlarını normalleştirme.
C) Bir görüntünün başka bir görüntü düzlemine eşlenmesi.
D) Görüntü sınırlarını bulanıklaştırma.

A) Görüntüleri siyah beyaza dönüştürme.
B) Görüntülere renk filtreleri uygulama.
C) Piksel yoğunluklarını yumuşatma.
D) Bir sahne içindeki nesnelerin tek tek tanımlanması ve tasvir edilmesi.

A) Nesne algılama
B) Görüntü sınıflandırma
C) Özellik çıkarma
D) Görüntü segmentasyonu

A) ReLU
B) Tanh
C) Sigmoid
D) Softmax

A) Seçici Görüntü Filtreleme Tekniği
B) Görüntü Özelliklerinin ve Dokularının Segmentasyonu
C) Ölçekle Değişmeyen Özellik Dönüşümü
D) Yarı Entegre Yüz İzleme

A) InceptionNet
B) AlexNet
C) ResNet (Artık Ağ)
D) VGGNet

A) Lucas-Kanade yöntemi
B) Fourier dönüşümü
C) Gauss bulanıklığı
D) Histogram eşitleme

A) Görüntülere gürültü ekleme
B) Görüntü çözünürlüğünü artırma
C) Yerel olmayan araçlar denoising
D) Dönen görüntüler

A) Evrişimli Sinir Ağı
B) Kontrollü Sinir Ağı
C) Bilgisayarlı Nöron Ağı
D) Karmaşık Nöron Ağı

A) Hava durumu veri seti
B) Spam veri kümesi
C) Şarkı sözleri veri kümesi
D) ImageNet

A) Havuzlama katmanı
B) Tam bağlantılı katman
C) Aktivasyon katmanı
D) Konvolüsyonel katman

A) Temel Bileşen Analizi (PCA)
B) K-En Yakın Komşular (KNN)
C) Destek Vektör Makineleri (SVM)
D) Evrişimsel Sinir Ağları (CNN'ler)

A) PCA Boyut Azaltma
B) Transfer Öğrenimi
C) Görüntü Kırpma
D) Gürültü Enjeksiyonu

A) Çapraz Entropi Kaybı
B) İkili Çapraz Entropi Kaybı
C) Ortalama Karesel Hata
D) L1 Kaybı