TopAIToolsTopAITools

Glossary

0-9
1-shot learning3D convolution5G + AI6DoF pose estimation7D representation8-bit quantization2-stage detector9-layer network0-shot learning4D data
A
AGI / Artificial General IntelligenceAttentionAutoencoderAlgorithmArtificial Intelligence (AI)
B
BackpropagationBatch NormalizationBERTBiasBoosting
C
ClusteringCNN / Convolutional Neural NetworkChatbotClassifier / ClassificationCross-Validation
D
Data AugmentationDeep LearningDeepfakeDeterministic ModelDiscriminative Model
E
EncoderEmbeddingEnsemble LearningEpochExplainable AI (XAI)
F
Foundation ModelFine-tuningFusion / Multimodal FusionFeature ExtractionForward Propagation
G
Graph Neural Network (GNN)GAN / Generative Adversarial NetworkGenerative AIGradient DescentGrounding
H
Hierarchical ModelHyperparameterHidden LayerHallucinationHeuristic
I
Instance / SampleInstruction tuningIntelligence Amplification / AugmentationInterpretabilityImbalanced Data
J
JAXJitteringJoint EmbeddingJSONL / JSON-linesJuxtaposition
K
Kernel TrickKL Divergence (Kullback–Leibler Divergence)K-means ClusteringK-Shot LearningKnowledge Distillation
L
Learning RateLarge Language Model (LLM)Latent VariableLoss FunctionLSTM / Long Short-Term Memory
M
ModelMachine Learning (ML)Meta-learningMulti-head AttentionMultimodal / Multimodality
N
Neural NetworkNovelty Detection / Anomaly DetectionNLP / Natural Language ProcessingNLU / Natural Language UnderstandingNormalization
O
Objective FunctionOptimizerOne-hot EncodingOnline LearningOverfitting
P
ParameterPromptPolicy / Reinforcement Learning PolicyPoolingPretraining
Q
QueryQ-learningQuality EstimationQuantizationQueue / Buffer
R
Representation LearningRegularizationReinforcement Learning (RL)Retrieval Augmented Generation (RAG)RNN / Recurrent Neural Network
S
SamplingSelf-Supervised LearningSequence ModelingSoftmaxSupervised Learning
T
TokenizerTransfer LearningTransformerTuning / Hyperparameter TuningTraining Data
U
Universal Approximation TheoremU-NetUnderfittingUncertainty EstimationUnsupervised Learning
V
Validation SetVanishing / Exploding GradientVariational Autoencoder (VAE)Vector EmbeddingVision Transformer (ViT)
W
Weak SupervisionWeight DecayWhitening / Whitening TransformationWord EmbeddingWorkflow
X
XOR problemX-axis / feature axisXAI / Explainable AIXLMXLNet
Y
Y-axis / feature axisY-transform / YUVYAGNI (You Aren't Gonna Need It)Yield (model yield / throughput)Yoga of AI
Z
Zero-gradient phenomenonZero-centric / Zero-bias initializationZ-score NormalizationZero-shot Learning / Zero-shot inferenceZygosity in augmentation

Was ist CNN / Convolutional Neural Network

Convolutional Neural Networks (CNNs) sind eine Kategorie von Deep-Learning-Modellen, die besonders effektiv für die Bildverarbeitung und -erkennung sind. Die grundlegende Idee ist, das menschliche visuelle System nachzuahmen, indem schrittweise Merkmale aus Bildern durch mehrere Convolutional Layers extrahiert werden. CNNs wurden erstmals in den 1980er Jahren von Yann LeCun eingeführt und gewannen signifikante Aufmerksamkeit nach ihrem Erfolg beim ImageNet-Wettbewerb 2012, was die Forschung und Anwendung von Deep Learning enorm vorantrieb.


CNNs bestehen normalerweise aus einer Eingabeschicht, mehreren Convolutional Layers, Pooling Layers, Fully Connected Layers und einer Ausgabeschicht. Die Convolutional Layers extrahieren lokale Merkmale durch Convolution-Operationen, während die Pooling Layers die Dimensionen der Merkmale reduzieren, die Rechenkomplexität verringern und wichtige Informationen bewahren. Nach mehreren Runden von Convolution und Pooling werden die endgültigen Merkmale über die Fully Connected Layers den Ausgabelabels zugeordnet.


CNNs finden breite Anwendung in Computer Vision-Aufgaben wie Bildklassifizierung, Objekterkennung und Bildsegmentierung. Beispielsweise sind Googles Inception-Modell und Facebooks Mask R-CNN erfolgreiche Implementierungen, die auf CNN basieren. Ihre Anwendungen finden sich zunehmend auch in der medizinischen Bildanalyse, im autonomen Fahren und in der Videoüberwachung.


Mit der Explosion von Daten und der Verbesserung der Rechenleistung werden die Anwendungsfelder von CNNs weiterhin wachsen. Das Aufkommen neuer Technologien wie Edge Computing, Augmented Reality und Virtual Reality wird auch weitere Innovationen in den CNNs fördern. Darüber hinaus kann die Kombination von CNNs mit Generative Adversarial Networks (GANs) neue Durchbrüche in generativen Modellen ermöglichen.


Obwohl CNNs in der Bilddatenverarbeitung außergewöhnliche Leistungen zeigen, haben sie auch bestimmte Einschränkungen, wie die Notwendigkeit großer Datensätze und den hohen Ressourcenverbrauch. Zudem bleibt das Problem der Interpretierbarkeit von Modellen ein wichtiges Forschungsthema. Bei der Verwendung von CNNs ist es wichtig, die Daten angemessen vorzubereiten, um die Genauigkeit des Modells zu verbessern.