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

U-Net이란 무엇인가

U-Net은 이미지 분할을 위해 설계된 딥러닝 아키텍처로, 처음에는 의료 이미지 처리 분야에서 놀라운 성공을 거두었습니다. 그 구조는 전통적인 컨볼루션 신경망(CNN)에서 영감을 받아 대칭적인 인코더-디코더 구조를 가지고 있습니다. 특히 U-Net은 각 디코딩 단계에서 인코더의 피처 맵을 통합하여 분할 정확도를 크게 향상시킵니다.

U-Net의 중요성은 상대적으로 적은 훈련 샘플로도 높은 성능을 유지할 수 있다는 점에 있습니다. 이는 데이터 주석 비용이 비싸고 샘플이 부족한 의료 분야에서 특히 중요합니다. U-Net의 작동 방식은 연속적인 컨볼루션 및 풀링 작업을 통해 이미지 특징을 추출하고, 마지막으로 업샘플링 및 컨볼루션을 통해 이미지의 공간 해상도를 복원하는 것입니다.

실제 응용 프로그램에서 U-Net은 세포 분할, 의료 이미지 분석 및 원거리 탐지 이미지 처리와 같은 다양한 이미지 분할 작업에 널리 사용됩니다. 딥러닝 기술이 지속적으로 발전함에 따라 U-Net의 변형 및 개선된 버전이 Attention U-Net 및 3D U-Net과 같은 다양한 응용 요구에 맞게 나타났습니다.

미래에는 U-Net과 그 변형이 고차원 데이터 처리 및 복잡한 장면 분할에서 중요한 역할을 계속할 것입니다. 더 강력한 컴퓨팅 능력과 더 풍부한 데이터 세트를 통해 U-Net의 응용 범위가 더욱 확장될 것으로 예상됩니다.

장점으로는 효율성, 적은 훈련 샘플 요구 및 좋은 분할 정확도가 있으며, 단점으로는 매우 복잡한 이미지에 대해 추가적인 개선 및 조정이 필요할 수 있습니다.