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 3D-Convolution

Die 3D-Convolution ist eine Erweiterung der traditionellen Convolution-Operationen, die im Deep Learning für die Bild- und Videoverarbeitung weit verbreitet ist. Im Gegensatz zur 2D-Convolution arbeitet die 3D-Convolution in drei Dimensionen (Breite, Höhe und Tiefe) und ermöglicht es, räumliche und zeitliche Merkmale effektiv zu erfassen.

Diese Methode ist besonders wichtig beim Umgang mit dreidimensionalen Daten, wie z.B. medizinischer Bildgebung und Videoanalyse. In der medizinischen Bildgebung kann die 3D-Convolution helfen, CT- oder MRT-Scans zu analysieren und die Diagnosegenauigkeit zu verbessern. In der Videoverarbeitung kann die 3D-Convolution Bewegungsmuster erkennen und zur Überwachung und Verhaltensanalyse beitragen.

Obwohl die 3D-Convolution viele Vorteile hat, wie z.B. eine umfassendere Merkmalsaufnahme, hat sie auch einige Nachteile. Beispielsweise ist die Rechenkomplexität hoch und die benötigten Ressourcen und der Speicherbedarf sind deutlich größer als bei der 2D-Convolution, was eine Abwägung zwischen Leistung und Ressourcenverbrauch erfordert.

Mit zunehmender Rechenleistung und der Weiterentwicklung von Deep Learning-Techniken wird erwartet, dass die Anwendung der 3D-Convolution in weiteren Bereichen zunimmt und den Fortschritt verwandter Technologien vorantreibt.