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 la convolution 3D

La convolution 3D est une extension des opérations de convolution traditionnelles, largement utilisée dans l'apprentissage profond pour le traitement d'images et de vidéos. Contrairement à la convolution 2D, la convolution 3D opère dans trois dimensions (largeur, hauteur et profondeur), permettant de capturer efficacement des caractéristiques spatiales et temporelles.

Cette méthode est particulièrement importante lorsqu'il s'agit de données tridimensionnelles, telles que l'imagerie médicale et l'analyse vidéo. Dans l'imagerie médicale, la convolution 3D peut aider à analyser les tomographies ou IRM, améliorant ainsi la précision du diagnostic. Dans le traitement vidéo, la convolution 3D peut reconnaître des motifs de mouvement, contribuant ainsi à la surveillance et à la reconnaissance d'activités.

Cependant, bien que la convolution 3D présente de nombreux avantages, tels qu'une capture plus complète des caractéristiques des données, elle présente également certains inconvénients. Par exemple, la complexité computationnelle est élevée et les besoins en ressources et en mémoire sont bien plus importants que ceux de la convolution 2D, nécessitant une évaluation minutieuse entre les performances et la consommation de ressources.

À mesure que la puissance de calcul augmente et que les techniques d'apprentissage profond évoluent, on s'attend à ce que l'application de la convolution 3D s'étende à davantage de domaines, propulsant ainsi les avancées technologiques connexes.