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