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 la convolución 3D

La convolución 3D es una extensión de las operaciones de convolución tradicionales, ampliamente utilizada en el aprendizaje profundo para el procesamiento de imágenes y videos. A diferencia de la convolución 2D, la convolución 3D opera en tres dimensiones (ancho, alto y profundidad), lo que permite capturar características espaciales y temporales de manera efectiva.

Este método es especialmente importante al tratar con datos tridimensionales, como imágenes médicas y análisis de video. En la imagen médica, la convolución 3D puede ayudar a analizar escaneos de tomografía computarizada o resonancia magnética, mejorando la precisión del diagnóstico. En el procesamiento de video, la convolución 3D puede reconocer patrones de movimiento, ayudando en la vigilancia y el reconocimiento de actividades.

Sin embargo, aunque la convolución 3D tiene muchas ventajas, como una captura más completa de las características de los datos, también presenta algunas desventajas. Por ejemplo, la complejidad computacional es alta y los requisitos de recursos y memoria son mucho mayores que en la convolución 2D, por lo que es necesario un equilibrio entre el rendimiento y el consumo de recursos.

A medida que la capacidad computacional aumenta y las técnicas de aprendizaje profundo evolucionan, se espera que la aplicación de la convolución 3D se expanda a más áreas, impulsando el progreso de las tecnologías relacionadas.