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 Vision Transformer (ViT)

Vision Transformer (ViT) es un modelo innovador presentado por Google Research en 2020 que aplica la arquitectura Transformer a tareas de visión por computadora, especialmente en la clasificación de imágenes. Las redes neuronales convolucionales (CNN) tradicionales han mostrado un buen rendimiento en el procesamiento de imágenes, pero ViT demuestra un rendimiento superior en tareas específicas al aprovechar el mecanismo de autoatención.

El mecanismo central de ViT implica dividir una imagen en parches de tamaño fijo, que luego se linealizan y se introducen en el Transformer para su procesamiento. A diferencia de las CNN, ViT no depende de capas convolucionales, sino que utiliza múltiples capas de autoatención para extraer características, permitiendo capturar eficazmente las dependencias de largo alcance.

A pesar de sus ventajas, ViT también tiene algunas desventajas. Generalmente, requiere una gran cantidad de datos para entrenar y recursos computacionales sustanciales. Además, el proceso de entrenamiento puede ser lento, especialmente con conjuntos de datos más pequeños. Sin embargo, ViT ha mostrado resultados prometedores en escenarios de aprendizaje por transferencia.

Mirando hacia el futuro, es probable que ViT se aplique a una gama más amplia de tareas visuales, especialmente en escenarios que requieren una comprensión contextual compleja. A medida que el hardware y los algoritmos continúan evolucionando, la disponibilidad y eficiencia de ViT pueden mejorar aún más.