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