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 Vision Transformer (ViT)

Vision Transformer (ViT) ist ein bahnbrechendes Modell, das 2020 von Google Research eingeführt wurde und die Transformer-Architektur für Aufgaben der Computer Vision, insbesondere für die Bildklassifizierung, anwendet. Traditionelle Convolutional Neural Networks (CNNs) zeigen in der Bildverarbeitung gute Leistungen, aber ViT demonstriert in bestimmten Aufgaben eine überlegene Leistung, indem es den Mechanismus der Selbstaufmerksamkeit nutzt.

Der zentrale Mechanismus von ViT besteht darin, ein Bild in feste Patches zu unterteilen, die dann linearisiert und in den Transformer zur Verarbeitung eingegeben werden. Im Gegensatz zu CNNs verlässt sich ViT nicht auf Faltungsschichten, sondern verwendet mehrere Selbstaufmerksamkeitsschichten zur Merkmalsextraktion, was es ihm ermöglicht, langfristige Abhängigkeiten effektiv zu erfassen.

Obwohl ViT seine Vorteile hat, gibt es auch einige Nachteile. Es erfordert in der Regel eine große Menge an Daten zum Trainieren und erhebliche Rechenressourcen. Darüber hinaus kann der Trainingsprozess langsam sein, insbesondere bei kleineren Datensätzen. Dennoch hat ViT in Szenarien des Transferlernens vielversprechende Ergebnisse gezeigt.

In Zukunft wird ViT wahrscheinlich in einem breiteren Spektrum von visuellen Aufgaben eingesetzt, insbesondere in Szenarien, die ein komplexes kontextuelles Verständnis erfordern. Mit dem fortschreitenden Fortschritt von Hardware und Algorithmen könnte die Verfügbarkeit und Effizienz von ViT weiter steigen.