Glossary

0-9

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

A

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

B

Backpropagation BERT Bias Boosting Batch Normalization

C

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

D

Data Augmentation Deep Learning Deepfake Deterministic Model Discriminative Model

E

Ensemble Learning Embedding Encoder Epoch Explainable AI (XAI)

F

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

G

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

H

Hidden Layer Hallucination Heuristic Hyperparameter Hierarchical Model

I

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

J

JAX Jittering Joint Embedding JSONL / JSON-lines Juxtaposition

K

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

L

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

M

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

N

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

O

Online Learning Objective Function One-hot Encoding Optimizer Overfitting

P

Parameter Policy / Reinforcement Learning Policy Pooling Pretraining Prompt

Q

Quality Estimation Queue / Buffer Q-learning Quantization Query

R

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

S

Sampling Self-Supervised Learning Supervised Learning Sequence Modeling Softmax

T

Training Data Tokenizer Transfer Learning Transformer Tuning / Hyperparameter Tuning

U

Unsupervised Learning Uncertainty Estimation Universal Approximation Theorem U-Net Underfitting

V

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

W

Weak Supervision Weight Decay Whitening / Whitening Transformation Word Embedding Workflow

X

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

Y

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

Z

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

O que é estimativa de pose 6DoF

A estimativa de pose 6DoF (seis graus de liberdade) é um conceito crucial nos campos de visão computacional e robótica que visa determinar a posição e a orientação de objetos em um espaço 3D. 6DoF refere-se aos três graus de liberdade de translação (movimento ao longo dos eixos X, Y e Z) e aos três graus de liberdade de rotação (rotação em torno dos eixos X, Y e Z). Essa tecnologia desempenha um papel significativo em aplicações como realidade aumentada (AR), realidade virtual (VR), condução autônoma, navegação de drones e robótica.

O funcionamento da estimativa de pose geralmente depende de dados de sensores (como câmeras e LiDAR) e algoritmos de aprendizado de máquina para coletar informações ambientais e inferir a posição e a orientação exatas dos objetos. Algoritmos comuns incluem métodos baseados em características, abordagens de aprendizado profundo e técnicas de filtragem. Esses métodos podem ser usados em diversos cenários, como localização interna, navegação externa e captura de movimento.

As vantagens da estimativa de pose 6DoF incluem a melhoria na precisão do reconhecimento e rastreamento de objetos, aprimorando a experiência do usuário, especialmente em aplicativos de AR e VR. No entanto, também apresenta desvantagens, como sensibilidade a mudanças de iluminação ambiental, alta demanda de recursos computacionais e possíveis erros em cenários complexos.

No futuro, com os avanços nas tecnologias de aprendizado profundo e melhorias no desempenho de hardware, espera-se que a estimativa de pose 6DoF se torne mais precisa e eficiente. Além disso, abordagens multimodais que integram dados de vários sensores podem melhorar ainda mais seu desempenho em ambientes dinâmicos.

As considerações incluem a escolha de algoritmos e sensores apropriados, a consideração das exigências de desempenho em tempo real e a capacidade de lidar com variações ambientais.