এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
কনেক্সনস স্কিপ (স্কিপ কানেকশনস)
এক বা একাধিক নেটওয়ার্ক স্তরকে বাইপাস করে সরাসরি সংযোগ, যা এনকোডারে সূক্ষ্ম স্থানিক তথ্য সংরক্ষণ এবং ডিকোডারে স্থানান্তর করতে সক্ষম করে।
প্যাডিং 'মিরর' (মিরর প্যাডিং)
ছবির সীমানা পিক্সেল প্রতিফলনের মাধ্যমে পূরণ করার কৌশল, যা U-Net-এ প্যাডিং ছাড়া কনভোলিউশনের সময় প্রান্তে তথ্য হারানো এড়াতে ব্যবহৃত হয়।
ডাইস লস (ডাইস লস)
ডাইস সহগের উপর ভিত্তি করে খরচ ফাংশন, যা ভবিষ্যদ্বাণী এবং গ্রাউন্ড ট্রুথের মধ্যে ওভারল্যাপ পরিমাপ করে ভারসাম্যহীন সেগমেন্টেশন সমস্যার জন্য অপ্টিমাইজ করা।
মাল্টি-ক্লাস সেগমেন্টেশন
একই সময়ে একাধিক বস্তু শ্রেণী ভবিষ্যদ্বাণী করার জন্য U-Net-এর সম্প্রসারণ, যা সফটম্যাক্স অ্যাক্টিভেশন সহ একটি আউটপুট স্তর এবং ওয়ান-হট এনকোডিং লেবেল ব্যবহার করে।
U-Net++ (নেস্টেড U-Net)
U-Net-এর উন্নত বৈকল্পিক যা নেস্টেড স্কিপ সংযোগ এবং মাত্রা হ্রাস ব্লক প্রবর্তন করে, গ্রেডিয়েন্ট ভ্যানিশিং হ্রাস করে এবং বৈশিষ্ট্য ফিউশন উন্নত করে।
অ্যাটেনশন U-Net
মনোযোগ প্রক্রিয়া দ্বারা উন্নত U-Net আর্কিটেকচার যা স্কিপ সংযোগের বৈশিষ্ট্যগুলিকে ওজন দেয়, মডেলটিকে সবচেয়ে প্রাসঙ্গিক কাঠামোতে ফোকাস করতে সক্ষম করে।
ইন্টারসেকশন ওভার ইউনিয়ন (IoU) রেট
মূল্যায়ন মেট্রিক যা ভবিষ্যদ্বাণী করা এবং প্রকৃত সেগমেন্টেশন মাস্কের ইন্টারসেকশন এবং ইউনিয়নের অনুপাত পরিমাপ করে, U-Net-এর কর্মক্ষমতা মূল্যায়নের জন্য স্ট্যান্ডার্ড।
কনভোলিউশনাল ব্লক
U-Net-এর মৌলিক ইউনিট যা ReLU অ্যাক্টিভেশন এবং ব্যাচ নরমালাইজেশন সহ দুটি পরপর 3x3 কনভোলিউশন নিয়ে গঠিত, এনকোডারে পুলিং অপারেশন দ্বারা অনুসরণ করা।