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 6DoF-Pose-Schätzung?

Die 6DoF (sechs Freiheitsgrade) Pose-Schätzung ist ein entscheidendes Konzept im Bereich der Computer Vision und Robotik, das darauf abzielt, die Position und Orientierung von Objekten im 3D-Raum zu bestimmen. 6DoF bezieht sich auf die drei Translationsfreiheitsgrade (Bewegung entlang der X-, Y- und Z-Achse) und die drei Rotationsfreiheitsgrade (Drehung um die X-, Y- und Z-Achse). Diese Technologie spielt eine bedeutende Rolle in Anwendungen wie Augmented Reality (AR), Virtual Reality (VR), autonomem Fahren, Drohnennavigation und Robotik.

Die Funktionsweise der Pose-Schätzung basiert in der Regel auf Sensordaten (wie Kameras und LiDAR) und maschinellen Lernalgorithmen, um Umgebungsinformationen zu sammeln und die genaue Position und Orientierung von Objekten abzuleiten. Zu den gängigen Algorithmen gehören merkmalsbasierte Methoden, Deep-Learning-Ansätze und Filtertechniken. Diese Methoden können in verschiedenen Szenarien wie der Innenlokalisierung, der Außenavigation und der Bewegungserfassung eingesetzt werden.

Die Vorteile der 6DoF-Pose-Schätzung umfassen eine verbesserte Genauigkeit bei der Objektidentifikation und -verfolgung, was insbesondere in AR- und VR-Anwendungen die Benutzererfahrung verbessert. Es gibt jedoch auch einige Nachteile, wie die Empfindlichkeit gegenüber Änderungen der Umgebungsbeleuchtung, hohe Anforderungen an die Rechenressourcen und mögliche Fehler in komplexen Szenen.

In Zukunft wird erwartet, dass die 6DoF-Pose-Schätzung durch Fortschritte in der Deep-Learning-Technologie und Verbesserungen der Hardwareleistung präziser und effizienter wird. Darüber hinaus könnte die Kombination von Daten aus mehreren Sensoren in multimodalen Ansätzen die Leistung in dynamischen Umgebungen weiter verbessern.

Zu den Überlegungen gehören die Auswahl geeigneter Algorithmen und Sensoren, die Berücksichtigung von Echtzeitanforderungen und die Fähigkeit, mit Umgebungsvariationen umzugehen.