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

Tổng quan về tích chập 3D

Tích chập 3D là một sự mở rộng của các phép toán tích chập truyền thống, được sử dụng rộng rãi trong học sâu cho xử lý hình ảnh và video. Khác với tích chập 2D, tích chập 3D hoạt động trong ba chiều (chiều rộng, chiều cao và chiều sâu), cho phép nó nắm bắt các đặc điểm không gian và thời gian một cách hiệu quả.

Phương pháp này đặc biệt quan trọng khi xử lý dữ liệu ba chiều, chẳng hạn như hình ảnh y tế và phân tích video. Trong hình ảnh y tế, tích chập 3D có thể giúp phân tích các phép quét CT hoặc MRI, từ đó nâng cao độ chính xác trong chẩn đoán. Trong xử lý video, tích chập 3D có thể nhận diện các mẫu chuyển động, hỗ trợ trong giám sát và nhận diện hành vi.

Mặc dù tích chập 3D có nhiều lợi thế, như khả năng nắm bắt đặc điểm dữ liệu toàn diện hơn, nhưng nó cũng tồn tại một số nhược điểm. Ví dụ, độ phức tạp tính toán cao và yêu cầu tài nguyên cũng như bộ nhớ lớn hơn nhiều so với tích chập 2D, vì vậy cần cân nhắc giữa hiệu suất và tiêu thụ tài nguyên.

Trong tương lai, khi sức mạnh tính toán ngày càng tăng và các kỹ thuật học sâu phát triển, việc ứng dụng tích chập 3D dự kiến sẽ mở rộng sang nhiều lĩnh vực hơn, thúc đẩy tiến bộ trong các công nghệ liên quan.