词汇表

一次性学习是一种机器学习方法，在这种方法中，对模型进行训练，使其能够从非常有限的标签数据中识别对象或模式，通常每个班级只有一个示例。与需要大型数据集才能实现高精度的传统机器学习方法不同，一次性学习旨在从最少的数据中进行概括，这使得它在获取大型标签数据集困难或成本高昂的场景中特别有用。一次性学习的意义在面部识别、物体分类和医学诊断等应用中意义重大，在这些应用中，数据稀缺是一个共同的挑战。

One-hot 编码是一种用于机器学习和数据预处理的技术，用于将分类变量转换为可供算法使用的数值格式。它将分类特征中的每个类别转换为新的二进制列，其中类别的存在由 1 表示，不存在的由 0 表示。one-hot 编码的含义对于为需要数值输入的机器学习模型（例如逻辑回归、神经网络和基于树的模型）准备分类数据尤其重要。

以对象为中心的注释是指通过注解数据中特定对象的识别、标签和详细描述来对数据（尤其是图像或视频）进行注释的过程。这种方法强调对象本身，确保每个对象都使用相关的属性、分类以及与场景中其他对象的关系进行准确的注释。以对象为中心的注释的含义在物体检测、识别和场景理解等计算机视觉任务中尤为重要，在这些任务中，重点是理解对象在视觉环境中的作用和特征。

优化是指在一组给定的约束条件下使系统、设计或决策尽可能有效或发挥作用的过程。在数学、计算机科学和工程的背景下，优化涉及通过最大化或最小化特定的目标函数，在一组可能的选择中找到最佳的解决方案或结果。优化在运筹学、机器学习、金融和物流等各个领域尤为重要，在这些领域，提高效率、降低成本或提高绩效至关重要。

光学字符识别 (OCR) 是一种将不同类型的文档（例如扫描的纸质文档、PDF 或数码相机捕获的图像）转换为可编辑和可搜索数据的技术。OCR 系统分析数字图像中字符的形状并将其翻译成机器可读的文本。OCR 的含义在自动化数据输入、数字化打印文档以及实现各行各业的文本识别方面尤为重要。

分布不足 (OOD) 检测是指识别不在用于构建机器学习模型的训练数据分布范围内的数据点的过程。这些 OOD 数据点不符合模型学到的模式，因此被视为异常或意外。分布偏差检测的含义对于确保机器学习系统的可靠性和安全性尤其重要，因为它有助于防止模型在面对不熟悉的数据时做出不可靠的预测。

在线机器学习是一种机器学习方法，在这种方法中，模型会随着新数据的可用而逐步训练，而不是在固定、预先存在的数据集上进行训练。这使模型能够持续适应不断变化的数据模式和环境，使其特别适用于生成数据并需要即时处理的实时应用程序。在线机器学习的含义在金融市场、推荐系统和实时分析等动态环境中至关重要，在这些环境中，快速适应新信息至关重要。

基于对象的注释是计算机视觉和图像处理中的一种技术，其中使用特定的标签或类别来识别、标记和注释图像中的整个对象。该过程涉及识别和标记对象的边界，通常使用边界框、多边形或蒙版，将每个对象与特定标签（例如 “汽车”、“树” 或 “人”）相关联。对于需要对图像或视频中的对象进行分类、检测和跟踪的任务，例如自动驾驶、监控系统和内容标记，基于对象的注释的含义至关重要。

基于本体的注释是一种使用正式本体中定义的概念和关系来标记或标记数据的方法。这种方法利用本体论中表示的结构化知识来确保注释一致、有意义并与特定的知识领域保持一致。基于本体的注释在生物医学研究、语义网络技术和信息检索等领域意义重大，在这些领域，精确和情境感知的数据标签对于有效的数据组织、分析和检索至关重要。

对象部分注释是计算机视觉和图像处理中使用的一种技术，其中对图像中对象的特定部分或组件进行标记和注释。该过程包括识别和标记物体的各个部分，例如汽车的车轮、植物的树叶或人物的四肢，以提供有关该物体结构和构成的详细信息。对象部分注释的含义在需要精细分析的应用中尤为重要，例如在机器人、医学成像和高级对象识别系统中。

开源软件是指以许可证发布的软件，允许任何人查看、修改和分发其源代码。这意味着该软件的底层代码可以免费向公众公开，从而鼓励协作、透明度和创新。开源软件的含义在科技行业中尤为重要，它推动了社区驱动的开发，降低了成本，促进了知识和资源的共享。

异常值注释是识别和标注数据集中与大多数数据有显著差异的数据点的过程。这些异常值可能是不符合数据集中观察到的一般模式的异常、错误或罕见事件。异常值注释含义的含义在数据分析、机器学习和统计建模中尤为重要，在数据分析、机器学习和统计建模中，准确识别和处理异常值对于保持结果的完整性和准确性至关重要。

开放数据是指所有人可能无法受限制地免费使用、修改、共享。这些数据通常由政府、组织或机构构造提供，并根据开放许可发布，允许广大用户访问和使用。开放数据的含义促进政府、研究、商业和教育等各个领域的透明度、创新、协作至关重要。

在计算机科学和人工智能的背景下，本体论是指一组概念及其在特定领域中的关系的正式表现。它定义了该域中存在的实体、类别和属性，并描述了它们如何相互作用。本体论的含义在知识管理、语义网和信息系统等领域尤其重要，在这些领域，清晰地理解概念之间的关系对于组织和解释数据至关重要。

本体学习是指从一组数据（通常是非结构化或半结构化文本）中自动或半自动生成本体的过程。本体论是特定领域内知识的正式表现形式，由概念、类别及其之间的关系组成。本体学习的含义在知识管理、语义网络开发和人工智能等领域尤为重要，在这些领域，从大量数据中构建和更新本体可以增强数据互操作性、信息检索和自动推理。

物体检测是一项计算机视觉任务，涉及识别和定位图像或视频中的对象。与仅使用单一类别标记整个图像的图像分类不同，对象检测不仅可以对图像中的多个对象进行分类，还可以确定它们的精确位置，通常由边界框表示。物体检测的意义在各种应用中至关重要，在这些应用中，了解物体的存在、位置和分类至关重要，例如在自动驾驶、安全系统和图像识别中。

物体检测数据集成是带注释的图像或视频的集成，用于练习和评分估计体体检测模型。这些数据集包含图像或视频，其中使用边界面、分割码或其他形态的注释标记了各种各样的对象，以表情明它们在视觉内容中存在于和位置。物体检测数据集成的意义在于开发和测试机器人的学习模式至关重要，该模组可以自动检测和分类图像或视频流中的对对象，应用于自动驾驶汽车、安全系统和图像图像和图像识别中。

对象跟踪数据集是带注释的视频序列或图像序列的集合，用于训练和评估对象跟踪模型。这些数据集包含在多个帧中识别、标记和跟踪特定对象的视频帧，注释指明对象随时间推移的位置和轨迹。对象跟踪数据集的含义在开发机器学习模型时尤为重要，该模型可以持续跟踪动态环境中物体的运动，例如在监控系统、自动驾驶车辆和视频分析中。

离线学习是一种机器学习方法，其中模型在固定数据集上训练，该数据集在训练开始之前完全可用。该模型从这个静态数据集中学习，然后进行部署以实时做出预测或决策，无需对新数据进行进一步调整或更新。离线学习的意义在批量收集数据或不可能或没有必要进行实时数据收集和模型更新的场景中尤为重要。

空中 (OTA) 更新是指以无线方式向智能手机、车辆或物联网设备等设备提供软件更新、错误修复和其他系统增强功能的过程。这些更新通过无线网络（如 Wi-Fi、蜂窝网络或蓝牙）传输并远程安装，无需用户进行物理连接或手动干预。OTA 更新通常用于现代技术，以确保设备保持最新功能和安全补丁。

‍

过度拟合是机器学习中的一种建模错误，当模型学习训练数据中的细节和噪声时，就会发生这种错误，从而对新的、看不见的数据的性能产生负面影响。这导致模型在训练数据上表现异常出色，但无法推广到新数据，从而导致预测准确性差。过度拟合的含义对于理解机器学习中模型复杂性和泛化之间的平衡至关重要。