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 U-Net

U-Net ist eine für die Bildsegmentierung entwickelte Deep-Learning-Architektur, die ursprünglich bemerkenswerte Erfolge im Bereich der medizinischen Bildverarbeitung erzielte. Ihre Struktur ist von traditionellen Convolutional Neural Networks (CNN) inspiriert und weist eine symmetrische Encoder-Decoder-Struktur auf. Besonders hervorzuheben ist, dass U-Net in jeder Dekodierungsstufe Merkmale des Encoders integriert, was die Segmentierungsgenauigkeit erheblich steigert.

Die Bedeutung von U-Net liegt in seiner Fähigkeit, mit vergleichsweise wenigen Trainingsbeispielen eine hohe Leistung aufrechtzuerhalten, was in medizinischen Bereichen, in denen die Datenannotation teuer und die Proben selten sind, von entscheidender Bedeutung ist. Die Funktionsweise besteht darin, Bildmerkmale durch aufeinanderfolgende Convolution- und Pooling-Operationen zu extrahieren und schließlich die räumliche Auflösung des Bildes durch Upsampling und Convolution wiederherzustellen.

In der Praxis wird U-Net in verschiedenen Bildsegmentierungsaufgaben wie Zellsegmentierung, medizinischer Bildanalyse und Verarbeitung von Fernerkundungsbildern umfassend eingesetzt. Mit der fortwährenden Entwicklung der Deep-Learning-Technologien sind viele Varianten und verbesserte Versionen von U-Net entstanden, wie beispielsweise Attention U-Net und 3D U-Net, um unterschiedlichen Anwendungsbedürfnissen gerecht zu werden.

In Zukunft wird erwartet, dass U-Net und seine Varianten eine bedeutende Rolle bei der Verarbeitung hochdimensionaler Daten und der Segmentierung komplexer Szenen spielen werden. Mit stärkeren Rechenleistungen und reichhaltigeren Datensätzen wird erwartet, dass sich der Anwendungsbereich von U-Net weiter ausdehnt.

Zu den Vorteilen gehören Effizienz, der Bedarf an weniger Trainingsbeispielen und eine gute Segmentierungsgenauigkeit, während Nachteile möglicherweise zusätzliche Verbesserungen und Anpassungen für sehr komplexe Bilder erfordern.