Glossary

0-9

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

A

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

B

BERT Batch Normalization Backpropagation Bias Boosting

C

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

D

Deterministic Model Discriminative Model Deepfake Data Augmentation Deep Learning

E

Epoch Encoder Ensemble Learning Embedding Explainable AI (XAI)

F

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

G

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

H

Hyperparameter Hidden Layer Hallucination Heuristic Hierarchical Model

I

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

J

JAX Joint Embedding JSONL / JSON-lines Juxtaposition Jittering

K

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

L

Large Language Model (LLM)Latent Variable Loss Function Learning Rate 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

Optimizer Online Learning Objective Function Overfitting One-hot Encoding

P

Parameter Prompt Policy / Reinforcement Learning Policy Pooling Pretraining

Q

Query Quality Estimation Quantization Q-learning Queue / Buffer

R

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

S

Self-Supervised Learning Supervised Learning Sampling Sequence Modeling Softmax

T

Tokenizer Transfer Learning Transformer Tuning / Hyperparameter Tuning Training Data

U

Unsupervised Learning Uncertainty Estimation Underfitting Universal Approximation Theorem U-Net

V

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

W

Weak Supervision Weight Decay Whitening / Whitening Transformation Word Embedding Workflow

X

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

Y

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

Z

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

Qu'est-ce que U-Net

U-Net est une architecture de deep learning conçue pour la segmentation d'images, ayant initialement obtenu un succès remarquable dans le domaine du traitement d'images médicales. Sa structure s'inspire des réseaux de neurones convolutifs (CNN) traditionnels, présentant une architecture symétrique d'encodeur-décodeur. Notamment, U-Net intègre les caractéristiques de l'encodeur à chaque étape de décodage, augmentant ainsi considérablement la précision de la segmentation.

L'importance de U-Net réside dans sa capacité à maintenir une haute performance avec relativement peu d'échantillons d'entraînement, ce qui est crucial dans les domaines médicaux où le coût de l'annotation des données est élevé et les échantillons rares. Son fonctionnement consiste à extraire les caractéristiques de l'image par le biais d'opérations successives de convolution et de pooling, et enfin à restaurer la résolution spatiale de l'image par le biais de suréchantillonnage et de convolution.

Dans les applications pratiques, U-Net est largement utilisé dans diverses tâches de segmentation d'images telles que la segmentation cellulaire, l'analyse d'images médicales et le traitement d'images par télédétection. À mesure que les technologies de deep learning continuent d'évoluer, de nombreuses variantes et versions améliorées de U-Net ont émergé, comme Attention U-Net et 3D U-Net, pour répondre à différents besoins d'application.

À l'avenir, U-Net et ses variantes devraient continuer à jouer un rôle important dans le traitement des données de haute dimension et la segmentation de scènes complexes. Avec des capacités de calcul plus puissantes et des ensembles de données plus riches, l'application de U-Net devrait s'élargir encore davantage.

Les avantages incluent l'efficacité, le besoin de moins d'échantillons d'entraînement et une bonne précision de segmentation, tandis que les inconvénients peuvent inclure la nécessité d'améliorations et d'ajustements supplémentaires pour des images très complexes.