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

6DoF 자세 추정이란?

6DoF(여섯 자유도) 자세 추정은 컴퓨터 비전 및 로봇 공학 분야에서 물체의 3D 공간 내 위치와 방향을 결정하는 중요한 개념입니다. 6DoF는 물체의 세 가지 이동 자유도(X, Y, Z 축을 따라 이동)와 세 가지 회전 자유도(X, Y, Z 축을 중심으로 회전)를 나타냅니다. 이 기술은 증강 현실(AR), 가상 현실(VR), 자율 주행, 드론 내비게이션 및 로봇 등 다양한 응용 분야에서 중요한 역할을 합니다.

자세 추정의 작동 방식은 일반적으로 센서 데이터(카메라, LiDAR 등)와 머신 러닝 알고리즘에 의존하여 환경 정보를 수집하고 물체의 정확한 위치와 방향을 추론합니다. 일반적인 알고리즘으로는 특징 기반 방법, 딥 러닝 접근법 및 필터링 기술이 있습니다. 이러한 방법은 실내 위치 확인, 외부 내비게이션 및 모션 캡처와 같은 다양한 시나리오에서 사용할 수 있습니다.

6DoF 자세 추정의 장점으로는 물체 인식 및 추적의 정확성이 향상되고, 특히 AR 및 VR 응용 프로그램에서 사용자 경험이 향상되는 점이 있습니다. 그러나 환경 조명 변화에 민감하고, 계산 자원 요구 사항이 높으며, 복잡한 장면에서 오류가 발생할 가능성이 있습니다.

앞으로 딥 러닝 기술의 발전과 하드웨어 성능 향상에 힘입어 6DoF 자세 추정이 더욱 정밀하고 효율적으로 발전할 것으로 기대됩니다. 또한 다양한 센서 데이터를 통합하는 다중 모드 접근 방식이 동적 환경에서의 성능을 더욱 향상시킬 수 있습니다.

주의 사항으로는 적절한 알고리즘과 센서를 선택하고, 실시간 성능 요구 사항을 고려하며, 환경 변화에 대처하는 능력이 포함됩니다.