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