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

3D 컨볼루션이란 무엇인가

3D 컨볼루션은 전통적인 컨볼루션 작업의 확장이며, 이미지 및 비디오 처리에 널리 사용되는 딥 러닝의 한 부분입니다. 2D 컨볼루션과 달리, 3D 컨볼루션은 세 가지 차원(너비, 높이, 깊이)에서 작업을 수행하여 공간적 및 시간적 특징을 효과적으로 포착할 수 있습니다.

이 방법은 의료 이미징, 비디오 분석 및 3D 재구성과 같은 3차원 데이터를 처리할 때 특히 중요합니다. 의료 이미징에서 3D 컨볼루션은 CT 또는 MRI 스캔을 분석하여 진단의 정확성을 높이는 데 도움을 줄 수 있습니다. 비디오 처리에서 3D 컨볼루션은 운동 패턴을 인식하여 감시 및 행동 인식에 기여합니다.

그러나 3D 컨볼루션은 더 포괄적인 특징 캡처와 같은 많은 장점을 가지고 있지만, 2D 컨볼루션에 비해 계산 복잡도와 자원 요구량이 더 크기 때문에 단점도 존재합니다.

계산 능력이 향상되고 딥 러닝 기술이 발전함에 따라 3D 컨볼루션의 응용은 더욱 확대될 것으로 예상됩니다. 이는 관련 기술의 발전을 이끌 것입니다.