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 Vision Transformer (ViT)

Vision Transformer (ViT) est un modèle révolutionnaire introduit par Google Research en 2020 qui applique l'architecture Transformer aux tâches de vision par ordinateur, en particulier la classification des images. Les réseaux de neurones convolutifs (CNN) traditionnels ont bien performé dans le traitement des images, mais ViT démontre des performances supérieures dans des tâches spécifiques en exploitant le mécanisme d'attention auto.

Le mécanisme central de ViT consiste à diviser une image en patches de taille fixe, qui sont ensuite linéarisés et introduits dans le Transformer pour traitement. Contrairement aux CNN, ViT ne repose pas sur des couches de convolution, mais utilise plusieurs couches d'attention auto pour extraire des caractéristiques, permettant de capturer efficacement les dépendances à long terme.

Bien que ViT ait ses avantages, il présente également quelques inconvénients. Il nécessite généralement une grande quantité de données pour l'entraînement et des ressources informatiques substantielles. De plus, le processus d'entraînement peut être lent, en particulier avec de plus petits ensembles de données. Cependant, ViT a montré des résultats prometteurs dans des scénarios d'apprentissage par transfert.

À l'avenir, ViT sera probablement appliqué à un éventail plus large de tâches visuelles, en particulier dans des scénarios nécessitant une compréhension contextuelle complexe. À mesure que le matériel et les algorithmes continuent d'évoluer, la disponibilité et l'efficacité de ViT pourraient encore s'améliorer.