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