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