Glossary

0-9

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

A

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

B

Backpropagation BERT Boosting Batch Normalization Bias

C

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

D

Deep Learning Deepfake Discriminative Model Deterministic Model Data Augmentation

E

Embedding Encoder Epoch Ensemble Learning Explainable AI (XAI)

F

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

G

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

H

Hyperparameter Heuristic Hidden Layer Hierarchical Model Hallucination

I

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

J

JAX Jittering Joint Embedding JSONL / JSON-lines Juxtaposition

K

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

L

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

M

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

N

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

O

Objective Function Online Learning One-hot Encoding Overfitting Optimizer

P

Policy / Reinforcement Learning Policy Pooling Pretraining Prompt Parameter

Q

Queue / Buffer Quantization Q-learning Query Quality Estimation

R

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

S

Supervised Learning Self-Supervised Learning Sequence Modeling Sampling Softmax

T

Training Data Tokenizer Transfer Learning Transformer Tuning / Hyperparameter Tuning

U

Universal Approximation Theorem Unsupervised Learning U-Net Underfitting Uncertainty Estimation

V

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

W

Weak Supervision Weight Decay Whitening / Whitening Transformation Word Embedding Workflow

X

XOR problem X-axis / feature axis 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

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

Detektor 2 giai đoạn là gì

Detektor 2 giai đoạn là một phương pháp phát hiện đối tượng được sử dụng rộng rãi trong lĩnh vực thị giác máy tính. Nó áp dụng cách tiếp cận hai giai đoạn, trong đó giai đoạn đầu tiên tạo ra các vùng ứng viên và giai đoạn thứ hai phân loại và hồi quy các vùng này.

Một trong những ví dụ nổi bật nhất của detektor 2 giai đoạn là Faster R-CNN, được sử dụng trong nhiều ứng dụng như lái xe tự động, giám sát và nhận diện khuôn mặt. Quy trình làm việc bao gồm một Mạng Đề xuất Vùng (RPN) tạo ra các hộp giới hạn tiềm năng trong giai đoạn đầu tiên và phân loại những hộp này trong giai đoạn thứ hai.

Các detektor này nổi tiếng với độ chính xác cao và khả năng xử lý các cảnh phức tạp, khiến chúng phù hợp cho các nhiệm vụ phát hiện thời gian thực đối với người đi bộ và xe cộ trong xe tự lái.

Tuy nhiên, chúng có độ phức tạp tính toán cao hơn so với các detektor một giai đoạn như YOLO, khiến chúng chậm hơn trong thời gian suy diễn. Các xu hướng tương lai bao gồm tối ưu hóa các mô hình này cho tốc độ và tích hợp các kiến trúc mới như Transformers.

Khi triển khai một detektor 2 giai đoạn, điều quan trọng là phải xem xét các yêu cầu về tài nguyên và hiệu suất thời gian thực, đảm bảo chọn mô hình và tham số phù hợp cho ứng dụng cụ thể của bạn.