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 U-Net

U-Net es una arquitectura de aprendizaje profundo diseñada para la segmentación de imágenes, que inicialmente logró un notable éxito en el campo del procesamiento de imágenes médicas. Su estructura está inspirada en redes neuronales convolucionales (CNN) tradicionales, presentando una estructura simétrica de codificador-decodificador. Notablemente, U-Net integra características del codificador en cada etapa de decodificación, lo que aumenta significativamente la precisión de la segmentación.

La importancia de U-Net radica en su capacidad para mantener un alto rendimiento con relativamente pocas muestras de entrenamiento, lo cual es crucial en campos médicos, donde el costo de anotación de datos es elevado y las muestras son escasas. Su funcionamiento implica la extracción de características de imagen a través de operaciones sucesivas de convolución y agrupamiento, y finalmente, la restauración de la resolución espacial de la imagen mediante upsampling y convolución.

En aplicaciones prácticas, U-Net se utiliza ampliamente en varias tareas de segmentación de imágenes, como segmentación celular, análisis de imágenes médicas y procesamiento de imágenes de teledetección. A medida que las tecnologías de aprendizaje profundo continúan evolucionando, han surgido muchas variantes y versiones mejoradas de U-Net, como Attention U-Net y 3D U-Net, para satisfacer diferentes necesidades de aplicación.

En el futuro, se espera que U-Net y sus variantes desempeñen un papel significativo en el procesamiento de datos de alta dimensión y en la segmentación de escenas complejas. Con capacidades computacionales más fuertes y conjuntos de datos más ricos, se anticipa que el alcance de aplicación de U-Net se expanda aún más.

Las ventajas incluyen eficiencia, necesidad de menos muestras de entrenamiento y buena precisión de segmentación, mientras que las desventajas pueden incluir la necesidad de mejoras y ajustes adicionales para imágenes muy complejas.