计算机视觉与图像识别 - 测验
A) 使计算机能够解释和理解现实世界中的视觉信息的研究领域。 B) 使用电脑屏幕显示图像。 C) 过滤和增强视觉图像的过程。 D) 研究人类视觉如何工作。
A) 模糊图像以获得艺术效果 B) 随机扭曲图像 C) 提高图像质量，减少噪音，以便更好地进行分析。 D) 更改图像尺寸
A) 创建原版的镜像 B) 去除图像中的颜色 C) 将图像划分为有意义的区域或对象进行分析。 D) 将多幅图像合成一幅。
A) 准确性 B) F1 分数 C) R 平方 D) 平均平方误差
A) 提高学习率 B) 辍学规范化 C) 使用较小的批量 D) 为网络增加更多层次
A) 在不同设备之间传输图像 B) 反向传播过程中的梯度转移 C) 将图像像素转移到新图像中。 D) 使用预先训练的模型，并针对特定任务进行微调。
A) 输入值标准化 B) 为网络引入非线性。 C) 增加参数数量。 D) 减少输入的空间维度。
A) 乙状结肠 B) Tanh C) 线性 D) ReLU（整流线性单元）
A) 创建合成图像 B) 将图像转换为灰度。 C) 模糊图像，保护隐私。 D) 使用真阳性、假阳性、真阴性和假阴性值总结分类模型的性能。
A) 全连接层 B) 卷积层 C) 激活层 D) 汇集层
A) 噪音注入 B) 图像裁剪 C) PCA 降维 D) 迁移学习
A) 为图像添加噪点 B) 提高图像分辨率 C) 非局部手段去噪 D) 旋转图像
A) 图像特征和纹理分割 B) 半集成式人脸跟踪 C) 选择性图像过滤技术 D) 尺度不变特征变换
A) 亚历克斯网 B) 启动网 C) VGGNet D) ResNet（剩余网络）
A) 软磁 B) 乙状结肠 C) Tanh D) 再卢
A) 卷积神经网络 B) 受控神经网络 C) 复杂神经元网络 D) 计算机神经元网络
A) 卷积神经网络 (CNN) B) 主成分分析（PCA） C) 支持向量机 (SVM) D) K-Nearest Neighbors（KNN）
A) 垃圾邮件数据集 B) 天气数据集 C) 图像网 D) 歌曲歌词数据集
A) 将图像转换为黑白图像 B) 识别和划分场景中的单个物体。 C) 为图像应用滤色器 D) 平滑像素强度
A) 将一个图像映射到另一个图像平面上。 B) 检测物体边缘 C) 图像直方图标准化 D) 模糊图像边界
A) 图像分割 B) 特征提取 C) 物体检测 D) 图像分类
A) 二元交叉熵损失 B) 平均平方误差 C) L1 损失 D) 交叉熵损失
A) 高斯模糊 B) 卢卡斯-卡纳德法 C) 直方图均衡化 D) 傅立叶变换 |
创建 That Quiz —
数学测试与其他学科的资源网站.