百科

数据引力 (Data Gravity) 是指数据体吸引应用程序、服务和其他数据的能力。 数据的质量和数量会随着时间的推移而增加，从而吸引更多的应用程序和服务连接到这些数据上。

梯度累积 (Gradient Accumulation) 是一种将用于训练神经网络的样本批次分成几个按顺序运行的小 Batch 样本的机制。

模型验证是在独立于训练数据集的数据集上评估机器学习 (ML) 模型性能的过程。这是 ML 模型开发过程中的重要一步，因为它可以帮助确保模型能够泛化到新的、未见过的数据，并且不会过度拟合训练数据。

基于池的采样是一种流行的主动学习方法，它选择信息丰富的示例进行标记。创建未标记的数据池，模型选择信息最丰富的示例进行人工注释。这些标记的示例用于重新训练模型，并重复该过程。

Bot Frame 框架是用来制造机器人并定义其行为的。

模型参数是控制机器学习 (ML) 模型行为的变量。他们经常接受数据训练，并根据新的、不可预见的事实做出预测或选择。模型参数是机器学习模型的重要组成部分，因为它们对模型的准确性和性能有很大影响。

噪声是一个术语，用于描述图像或视频中不需要的或不相关的信息。它可能由多种因素引起，包括传感器噪声、压缩伪影以及照明条件和反射等环境因素。噪声会严重影响图像或视频的质量和清晰度，并且会使准确分析或解释图像内容变得更加困难。

全景分割是一项计算机视觉任务，涉及将图像或视频分割成不同的对象及其各自的部分，并用相应的类别标记每个像素。

在机器学习中，当模型错误地预测实际存在的特定条件或属性不存在时，就会出现第 2 类错误（也称为漏报）。

在机器学习中，当模型错误地预测某个条件或属性的存在（而实际上并不存在）时，就会发生第 1 类错误，也称为误报 (FP) 。

预训练模型是一种机器学习 (ML) 模型，已在大型数据集上进行过训练，并且可以针对特定任务进行微调。预训练模型通常用作开发 ML 模型的起点，它们提供了一组初始权重和偏差，可以针对特定任务进行微调。

模型精度也叫模型准确性，是衡量机器学习 (ML) 模型基于数据做出预测或决策的能力的指标。它是用于评估 ML 模型性能的常用指标，可用于比较不同模型的性能或评估特定模型对于给定任务的有效性。

在数值分析这个数学分支中，多项式插值用多项式对一组给定数据进行插值的过程。换句话说就是，对于一组给定的数据（如来自于采样的数据），其目的就是寻找一个恰好通过这些数据点的多项式。

在机器学习 (ML) 领域，插值是指估计函数或数据集在已知数据点之间的点的值的过程。插值通常用于填充数据集中的缺失值或消除数据中的噪声或不规则性。

在机器学习 (ML) 中，学习率是一个超参数，用于确定训练期间更新模型参数的步长。

Keypoint（关键点）是计算机视觉领域中一个非常常见的概念。 Keypoint 是指图像或视频中可用于识别、描述或匹配场景中的对象或特征的独特或显着点。

平均精度 (mAP) 是机器学习中对象检测任务中广泛使用的性能指标。

机器学习 (ML) 中的生命周期是开发和部署 ML 模型以解决实际问题的过程。它通常涉及一系列步骤，包括数据准备、模型训练和评估、模型部署、模型监控和维护。

在机器学习 (ML) 领域，标签错误是指分配给数据集中的示例的不正确或不正确的标签。

计算机视觉中的标签是指分配给图像或视频中感兴趣的对象或区域的文本或数字注释。

并交交集（英文：Intersection over Union，缩写 IOU）是一种性能指标，用于评估注释、分割和对象检测算法的准确性。它量化数据集中的预测边界框或分段区域与地面实况边界框或注释区域之间的重叠。

实例分割是一种计算机视觉技术，可识别和分割图像中的单个对象；语义分割根据语义（例如道路、天空、人）对像素进行分组，而实例分割则不同，它区分同一对象类的多个实例。

在计算机视觉中，灰度 (Greyscale) 图像使用一系列灰度而不是全光谱来表示场景或对象。灰度图像通常是通过将全色图像转换为单通道图像来创建的，其中每个像素的强度由 0（黑色）到 255（白色）之间的单个值表示。

在机器学习中，特征 (Features) 是指用于训练模型的输入变量或属性。这些特征用于表示正在分析的数据的特征或属性，并由模型用来进行预测或分类。