Glossary

0-9

6DoF pose estimation 4D data 5G + AI 1-shot learning 0-shot learning 3D convolution 8-bit quantization 7D representation 2-stage detector 9-layer network

A

Artificial Intelligence (AI)AGI / Artificial General Intelligence Autoencoder Attention Algorithm

B

Backpropagation BERT Bias Boosting Batch Normalization

C

Classifier / Classification CNN / Convolutional Neural Network Clustering Cross-Validation Chatbot

D

Data Augmentation Deep Learning Deepfake Deterministic Model Discriminative Model

E

Ensemble Learning Encoder Embedding Epoch Explainable AI (XAI)

F

Fine-tuning Fusion / Multimodal Fusion Feature Extraction Forward Propagation Foundation Model

G

GAN / Generative Adversarial Network Gradient Descent Grounding Generative AI Graph Neural Network (GNN)

H

Hierarchical Model Heuristic Hallucination Hidden Layer Hyperparameter

I

Instance / Sample Instruction tuning Intelligence Amplification / Augmentation Interpretability Imbalanced Data

J

Juxtaposition Jittering JAX Joint Embedding JSONL / JSON-lines

K

K-Shot Learning Kernel Trick K-means Clustering Knowledge Distillation KL Divergence (Kullback–Leibler Divergence)

L

Learning Rate Large Language Model (LLM)Loss Function Latent Variable LSTM / Long Short-Term Memory

M

Machine Learning (ML)Meta-learning Model Multi-head Attention Multimodal / Multimodality

N

NLP / Natural Language Processing Novelty Detection / Anomaly Detection NLU / Natural Language Understanding Normalization Neural Network

O

Online Learning Objective Function One-hot Encoding Overfitting Optimizer

P

Pretraining Pooling Parameter Policy / Reinforcement Learning Policy Prompt

Q

Q-learning Queue / Buffer Quantization Quality Estimation Query

R

Reinforcement Learning (RL)Retrieval Augmented Generation (RAG)Representation Learning Regularization RNN / Recurrent Neural Network

S

Self-Supervised Learning Supervised Learning Sequence Modeling Sampling Softmax

T

Tuning / Hyperparameter Tuning Tokenizer Training Data Transfer Learning Transformer

U

Unsupervised Learning Universal Approximation Theorem Underfitting Uncertainty Estimation U-Net

V

Vector Embedding Variational Autoencoder (VAE)Validation Set Vision Transformer (ViT)Vanishing / Exploding Gradient

W

Weight Decay Weak Supervision Whitening / Whitening Transformation Word Embedding Workflow

X

XOR problem XAI / Explainable AI X-axis / feature axis XLM XLNet

Y

Y-axis / feature axis Yield (model yield / throughput)YAGNI (You Aren't Gonna Need It)Y-transform / YUV Yoga of AI

Z

Zero-shot Learning / Zero-shot inference Zero-centric / Zero-bias initialization Z-score Normalization Zero-gradient phenomenon Zygosity in augmentation

Qué es un detector de 2 etapas

El detector de 2 etapas es un método de detección de objetos ampliamente utilizado en visión por computadora. Utiliza un enfoque de dos fases, donde la primera fase genera regiones candidatas y la segunda fase clasifica y regresa estas regiones.

Uno de los ejemplos más prominentes de un detector de 2 etapas es Faster R-CNN, que se utiliza en diversas aplicaciones como conducción autónoma, vigilancia y reconocimiento facial. El flujo de trabajo incluye una Red de Propuesta de Regiones (RPN) que crea cuadros delimitadores potenciales en la primera fase y clasifica esos cuadros en la segunda fase.

Estos detectores son conocidos por su alta precisión y su capacidad para manejar escenas complejas, lo que los hace adecuados para tareas de detección en tiempo real de peatones y vehículos en automóviles autónomos.

Sin embargo, tienen una complejidad computacional más alta en comparación con los detectores de una sola etapa como YOLO, lo que los hace más lentos en el tiempo de inferencia. Las tendencias futuras incluyen la optimización de estos modelos para la velocidad y la integración de nuevas arquitecturas como Transformers.

Al implementar un detector de 2 etapas, es crucial considerar los requisitos de recursos y el rendimiento en tiempo real, asegurando el modelo y los parámetros correctos para su aplicación específica.