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