Glossary

0-9

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

A

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

B

Batch Normalization Boosting Backpropagation Bias BERT

C

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

D

Deterministic Model Data Augmentation Deep Learning Discriminative Model Deepfake

E

Explainable AI (XAI)Ensemble Learning Encoder Embedding Epoch

F

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

G

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

H

Hierarchical Model Hidden Layer Hyperparameter Hallucination Heuristic

I

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

J

Juxtaposition Joint Embedding Jittering JAX JSONL / JSON-lines

K

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

L

Large Language Model (LLM)Loss Function Latent Variable Learning Rate LSTM / Long Short-Term Memory

M

Machine Learning (ML)Multimodal / Multimodality Multi-head Attention Meta-learning Model

N

Novelty Detection / Anomaly Detection Neural Network Normalization NLP / Natural Language Processing NLU / Natural Language Understanding

O

Objective Function Overfitting Online Learning Optimizer One-hot Encoding

P

Parameter Policy / Reinforcement Learning Policy Prompt Pretraining Pooling

Q

Quantization Query Queue / Buffer Quality Estimation Q-learning

R

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

S

Supervised Learning Sampling Sequence Modeling Self-Supervised Learning Softmax

T

Transfer Learning Tokenizer Tuning / Hyperparameter Tuning Transformer Training Data

U

Uncertainty Estimation Unsupervised Learning Underfitting Universal Approximation Theorem U-Net

V

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

W

Whitening / Whitening Transformation Weak Supervision Word Embedding Workflow Weight Decay

X

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

Y

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

Z

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

2단계 감지기는 무엇입니까

2단계 감지기는 컴퓨터 비전 분야에서 널리 사용되는 객체 감지 방법입니다. 두 단계 접근 방식을 사용하여 첫 번째 단계에서 후보 영역을 생성하고 두 번째 단계에서 이러한 영역을 분류 및 회귀합니다.

가장 유명한 2단계 감지기는 Faster R-CNN으로 자율 주행, 감시 및 얼굴 인식과 같은 다양한 응용 프로그램에서 사용됩니다. 작업 흐름은 첫 번째 단계에서 잠재적인 경계 상자를 생성하는 영역 제안 네트워크(RPN)를 포함하고 두 번째 단계에서 이러한 상자를 분류합니다.

이 감지기는 높은 정확도와 복잡한 장면을 처리하는 능력으로 잘 알려져 있어 자율 주행 자동차에서 보행자 및 차량을 실시간으로 감지하는 작업에 적합합니다.

그러나 YOLO와 같은 단일 단계 감지기에 비해 계산 복잡성이 높아 추론 속도가 느립니다. 향후 트렌드는 이러한 모델을 속도에 맞게 최적화하고 Transformer와 같은 새로운 아키텍처를 통합하는 것입니다.

2단계 감지기를 구현할 때는 리소스 요구 사항과 실시간 성능을 고려하는 것이 중요하며 특정 애플리케이션에 적합한 모델과 매개변수를 선택해야 합니다.