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

Y-transform / YUV là gì

Y-transform và không gian màu YUV là những thành phần thiết yếu trong xử lý hình ảnh và nén video. Không gian màu YUV tách dữ liệu hình ảnh thành độ sáng (Y) và độ sắc (U và V), cho phép xử lý và lưu trữ dữ liệu hiệu quả. Phương pháp này tối ưu hóa việc sử dụng băng thông trong khi vẫn giữ được chất lượng hình ảnh, được sử dụng rộng rãi trong phát sóng truyền hình và các định dạng mã hóa video như MPEG và H.264.

Y-transform đề cập đến quá trình chuyển đổi không gian màu RGB thành YUV. Bằng cách tập trung vào độ sáng tách biệt với độ sắc, phép biến đổi này cho phép các kỹ thuật nén hiệu quả hơn, tận dụng sự nhận thức của con người. Khả năng giảm mẫu độ sắc mà không làm giảm chất lượng cảm nhận một cách đáng kể là một trong những lợi thế chính của không gian màu YUV.

Khi nhu cầu về nội dung video chất lượng cao tăng lên, độ liên quan của YUV sẽ tiếp tục tăng, đặc biệt là trong phát trực tiếp video thời gian thực, hội nghị video và nhiều ứng dụng đa phương tiện khác nhau. Các nhà phát triển và kỹ sư cần hiểu cách triển khai hiệu quả các kỹ thuật Y-transform để tối ưu hóa việc phân phối nội dung đa phương tiện.