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