Glossary

0-9

1-shot learning 3D convolution 5G + AI 6DoF pose estimation 7D representation 8-bit quantization 2-stage detector 9-layer network 0-shot learning 4D data

A

AGI / Artificial General Intelligence Attention Autoencoder Algorithm Artificial Intelligence (AI)

B

Backpropagation Batch Normalization BERT Bias Boosting

C

Clustering CNN / Convolutional Neural Network Chatbot Classifier / Classification Cross-Validation

D

Data Augmentation Deep Learning Deepfake Deterministic Model Discriminative Model

E

Encoder Embedding Ensemble Learning Epoch Explainable AI (XAI)

F

Foundation Model Fine-tuning Fusion / Multimodal Fusion Feature Extraction Forward Propagation

G

Graph Neural Network (GNN)GAN / Generative Adversarial Network Generative AI Gradient Descent Grounding

H

Hierarchical Model Hyperparameter Hidden Layer Hallucination Heuristic

I

Instance / Sample Instruction tuning Intelligence Amplification / Augmentation Interpretability Imbalanced Data

J

JAX Jittering Joint Embedding JSONL / JSON-lines Juxtaposition

K

Kernel Trick KL Divergence (Kullback–Leibler Divergence)K-means Clustering K-Shot Learning Knowledge Distillation

L

Learning Rate Large Language Model (LLM)Latent Variable Loss Function LSTM / Long Short-Term Memory

M

Model Machine Learning (ML)Meta-learning Multi-head Attention Multimodal / Multimodality

N

Neural Network Novelty Detection / Anomaly Detection NLP / Natural Language Processing NLU / Natural Language Understanding Normalization

O

Objective Function Optimizer One-hot Encoding Online Learning Overfitting

P

Parameter Prompt Policy / Reinforcement Learning Policy Pooling Pretraining

Q

Query Q-learning Quality Estimation Quantization Queue / Buffer

R

Representation Learning Regularization Reinforcement Learning (RL)Retrieval Augmented Generation (RAG)RNN / Recurrent Neural Network

S

Sampling Self-Supervised Learning Sequence Modeling Softmax Supervised Learning

T

Tokenizer Transfer Learning Transformer Tuning / Hyperparameter Tuning Training Data

U

Universal Approximation Theorem U-Net Underfitting Uncertainty Estimation Unsupervised Learning

V

Validation Set Vanishing / Exploding Gradient Variational Autoencoder (VAE)Vector Embedding Vision Transformer (ViT)

W

Weak Supervision Weight Decay Whitening / Whitening Transformation Word Embedding Workflow

X

XOR problem X-axis / feature axis XAI / Explainable AI XLM XLNet

Y

Y-axis / feature axis Y-transform / YUV YAGNI (You Aren't Gonna Need It)Yield (model yield / throughput)Yoga of AI

Z

Zero-gradient phenomenon Zero-centric / Zero-bias initialization Z-score Normalization Zero-shot Learning / Zero-shot inference Zygosity in augmentation

Was ist ein 2-Stufen-Detektor

Der 2-Stufen-Detektor ist eine weit verbreitete Objektklassifizierungsmethode im Bereich der Computer Vision. Er verwendet einen zweiphasigen Ansatz, bei dem die erste Phase Kandidatenregionen generiert und die zweite Phase diese Regionen klassifiziert und regressiert.

Ein bekanntes Beispiel für einen 2-Stufen-Detektor ist Faster R-CNN, der in verschiedenen Anwendungen wie autonomem Fahren, Überwachung und Gesichtserkennung eingesetzt wird. Der Arbeitsablauf umfasst ein Region Proposal Network (RPN), das in der ersten Phase potenzielle Bounding Boxes erstellt und diese in der zweiten Phase klassifiziert.

Diese Detektoren sind bekannt für ihre hohe Genauigkeit und ihre Fähigkeit, komplexe Szenen zu verarbeiten, was sie für die Echtzeit-Erkennung von Fußgängern und Fahrzeugen in autonomen Fahrzeugen geeignet macht.

Allerdings haben sie eine höhere Rechenkomplexität im Vergleich zu einstufigen Detektoren wie YOLO, was sie langsamer in der Inferenz macht. Zukünftige Trends umfassen die Optimierung dieser Modelle für Geschwindigkeit und die Integration neuer Architekturen wie Transformers.

Bei der Implementierung eines 2-Stufen-Detektors ist es wichtig, die Ressourcenanforderungen und die Echtzeitleistung zu berücksichtigen und das geeignete Modell und die Parameter für Ihre spezifische Anwendung auszuwählen.