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

Y-transform / YUV란 무엇인가

Y-transform과 YUV 색 공간은 이미지 처리와 비디오 압축의 중요한 구성 요소입니다. YUV 색 공간은 이미지 데이터를 밝기(Y)와 색도(U 및 V) 구성 요소로 분리하여 효율적인 데이터 처리 및 저장을 가능하게 합니다. 이 방법은 대역폭 사용을 최적화하면서 시각적 품질을 유지하는 데 널리 사용되며, MPEG 및 H.264와 같은 비디오 인코딩 형식에서도 사용됩니다.

Y-transform은 RGB 색 공간을 YUV로 변환하는 과정을 말합니다. 밝기를 색도와 별도로 처리함으로써 이 변환은 인간의 시각적 인식을 활용하는 더 효율적인 압축 기술을 허용합니다. 색도를 의미 있게 감소시키면서도 인식 품질을 크게 저하시키지 않는 능력은 YUV 색 공간의 주요 장점 중 하나입니다.

고품질 비디오 콘텐츠에 대한 수요가 증가함에 따라 YUV의 중요성은 계속해서 증가할 것입니다. 특히 실시간 비디오 스트리밍, 화상 회의 및 다양한 멀티미디어 애플리케이션에서 더욱 그렇습니다. 개발자와 엔지니어는 멀티미디어 콘텐츠 전송을 최적화하기 위해 Y-transform 기술을 효과적으로 구현하는 방법을 이해해야 합니다.