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 U-Net

U-Net é uma arquitetura de aprendizado profundo projetada para segmentação de imagens, que inicialmente obteve sucesso notável na área de processamento de imagens médicas. Sua estrutura é inspirada em redes neurais convolucionais (CNN) tradicionais, apresentando uma estrutura simétrica de codificador-decodificador. Notavelmente, o U-Net integra características do codificador em cada etapa de decodificação, aumentando significativamente a precisão da segmentação.

A importância do U-Net reside em sua capacidade de manter um alto desempenho com relativamente poucas amostras de treinamento, o que é crucial em campos médicos, onde o custo de anotação de dados é elevado e as amostras são escassas. Seu funcionamento envolve a extração de características de imagem por meio de operações sucessivas de convolução e pooling, e, finalmente, a restauração da resolução espacial da imagem por meio de upsampling e convolução.

Em aplicações práticas, o U-Net é amplamente utilizado em várias tarefas de segmentação de imagens, como segmentação celular, análise de imagens médicas e processamento de imagens de sensoriamento remoto. À medida que as tecnologias de aprendizado profundo continuam a evoluir, muitas variantes e versões melhoradas do U-Net surgiram, como o Attention U-Net e o 3D U-Net, para atender diferentes necessidades de aplicação.

No futuro, espera-se que o U-Net e suas variantes desempenhem um papel significativo no processamento de dados de alta dimensão e na segmentação de cenas complexas. Com capacidades computacionais mais fortes e conjuntos de dados mais ricos, o escopo de aplicação do U-Net deverá se expandir ainda mais.

As vantagens incluem eficiência, necessidade de menos amostras de treinamento e boa precisão de segmentação, enquanto as desvantagens podem incluir a necessidade de melhorias e ajustes adicionais para imagens muito complexas.