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 qu'un détecteur à 2 étapes

Le détecteur à 2 étapes est une méthode de détection d'objets largement utilisée dans le domaine de la vision par ordinateur. Il adopte une approche en deux phases, où la première phase génère des régions candidates et la seconde phase classe et régresse ces régions.

Un des exemples les plus connus d'un détecteur à 2 étapes est Faster R-CNN, utilisé dans diverses applications telles que la conduite autonome, la surveillance et la reconnaissance faciale. Le flux de travail comprend un Réseau de Proposition de Régions (RPN) qui crée des boîtes englobantes potentielles à la première phase et classe ces boîtes à la seconde phase.

Ces détecteurs sont reconnus pour leur haute précision et leur capacité à traiter des scènes complexes, les rendant adaptés aux tâches de détection en temps réel de piétons et de véhicules dans les voitures autonomes.

Cependant, ils ont une complexité computationnelle plus élevée par rapport aux détecteurs à une étape tels que YOLO, ce qui les rend plus lents en temps d'inférence. Les tendances futures incluent l'optimisation de ces modèles pour la vitesse et l'intégration de nouvelles architectures comme les Transformers.

Lors de l'implémentation d'un détecteur à 2 étapes, il est crucial de prendre en compte les exigences en matière de ressources et la performance en temps réel, en garantissant le bon modèle et les bons paramètres pour votre application spécifique.