Intellimage ( intelligent image processing ) – Telegram
Intellimage ( intelligent image processing )
1.33K subscribers
396 photos
101 videos
37 files
640 links
پردازش تصویر هوشمندIntellimage

📚پژوهشگر و فناور در زمینه ی پردازش تصویر

طراحی و پیاده سازی پروژه های پردازش تصویر و بینایی ماشین

📞 ارتباط با ما: @Intellimage_admin
Download Telegram
Forwarded from منِ با برنامه
📌📌📌

🎧صوت ۱۷ جلسه‌ای تفکر و برنامه‌ریزی استراتژیک
🔅با این جلسات تحول بنیادین در خود را تجربه کنید.🔅

🔗برای دسترس راحت‌تر به صوت‌ها، جلسه مورد نظر را انتخاب کنید:


جلسه‌ اول
جلسه دوم (سه بخش)
جلسه سوم (دو بخش)
جلسه چهارم
جلسه پنجم
جلسه ششم
جلسه هفتم(سه بخش)‌‌
جلسه هشتم‌ (دو بخش)‌
جلسه نهم (دو بخش)
جلسه دهــم‌ (چهاربخش)‌
جلسه یازدهم (دوبخش)‌
جلسه دوازدهم (چهاربخش)‌
جلسه سیزدهم‌ (سه‌بخش)‌
جلسه چاردهم‌ (سه‌بخش)‌
جلسه پانزدهم‌ (سه‌بخش)‌
جلسه شانزدهم‌ (دو بخش)‌
جلسه هفدهم (چهاربخش)‌.


📗📒📕
@manebabarname
1🥰1👏1
1_12628439082.pdf
1.4 MB
📚 مقاله

📄 Estimating infant age from skull X-ray images using deep learning


📝  این مقاله که به تازگی در nature به چاپ رسیده است از تصاویر اشعه ایکس جمجمه با استفاده از یادگیری عمیق برای تخمین سن نوزادان استفاده کرده است.

📝 یافته‌های این مقاله دقت یادگیری عمیق را در تخمین سن نوزاد از طریق روش‌های غیرتهاجمی نشان می‌دهد و پیشرفتهای موجود برای تشخیص بالینی را ارائه می‌کند.

📝 این پژوهش از شبکه های عصبی DenseNet و EfficientNet برای تجزیه و تحلیل دیتاها استفاده کرده است.

📝 این مقاله نواحی متمایز مهم را در رادیوگرافی‌ جمجمه، از جمله نواحی کرونال، ساژیتال و متوپیک در تصاویر اشعه ایکس جمجمه ، و ناحیه لامبدوئید و تراکم استخوان قشر مغز را شناسایی کرده و آنها را به‌عنوان شاخص‌های ارزیابی رشد جمجمه مشخص کرده است.

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#article
#image_processing
#artificial_network
#machin_vision
2👏1
This media is not supported in your browser
VIEW IN TELEGRAM
🎥 تصاویر فضایی چگونه خلق میشوند؟

🔭 تلسکوپ فضایی هابل با ثبت بیش از یک میلیون عکس، به ما تصاویری شگفت‌انگیز از جهان نشان داده است اما تصاویر رنگی که از هابل می‌بینیم، آن چیزی نیست که در واقع به نظر می‌رسد. این تصاویر چگونه خلق می‌شوند؟

🔍 منبع : IDS_Physics , NASA

🆔️ telegram channel:

https://news.1rj.ru/str/Intellimage
#HubbleTelescope
#top_news
#imaging
2👏1
📉 شبکه عصبی DenseNet (شبکه پیچشی متراکم)

شبکه پیچشی متراکم توسط یکی از مقالات 2017 CVPR مطرح شد که با بیش از 2000 ارجاع ، جایزه‌ی بهترین مقاله را به خود اختصاص داد.

ایجاد این شبکه‌ عصبی حاصل همکاری مشترک دانشگاه کرنول، دانشگاه سینگوا و تیم تحقیقاتی Facebook AI (FAIR) میباشد.

شبکه‌ های عصبی DenseNet به دلیل داشتن اتصالات متراکم، به پارامترهای کمتری نیاز دارند و دقت بالاتری نسبت به شبکه های ResNet و Pre-Activation ResNet نیز دارند.

🔍 مطالعه بیشتر: hooshio.com

با ماهمراه باشید 🌱

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#machin_vision
#image_processing
#artificial_network
🔥21
🚀 تازه های دنیای تصویر

میان مغز نوزاد و هوش مصنوعی شباهت هایی وجود دارد!

در این پژوهش، محققان از تصویربرداری مغزی استفاده کردند و دریافتند که بسیاری از سیستم‌ها در مغز نوزاد انسان قادرند، جریان‌های غنی اطلاعات را از حواس پردازش کنند.

پروفسور Charvet می‌گوید: در این مطالعه، رشد مغز در میان گونه‌های جانوری مقایسه شده است. این مطالعه از یک پروژه طولانی مدت به نام Translating Time گرفته شده است که سن‌های مربوط به گونه‌ها را برابر می‌کند تا ثابت کند که مغز انسان هنگام تولد بالغ‌تر از بسیاری از گونه‌های دیگر است.

تحقیقات اخیر نشان می‌دهد نوزادان از درماندگی اولیه (early helplessness) خود برای توسعه مدل‌های شناختی استفاده می‌کنند.

🔍 منبع :
Trends in Cognitive Sciences , HomeAI

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#top_news
3
القَلب یهدی الی القَلب...🫧🪽

اَلسّلامُ عَلَیکَ ایُّها الطِّفلُ الَّرضیع قَتَلوهُ عَطشانا...

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
1🥰1
مقدمه ای بر پردازش تصویر.pdf
1.2 MB
📑 آموزش پردازش تصویر

📝 مفاهیم پایه

🔍 منبع :
IUST_Bioelecteric , onlinebme

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#handout
2
💡استخراج ویژگی در پردازش تصویر

💬 استخراج ویژگی از تصویر یک فرآیند مهم در بینایی کامپیوتر و یادگیری ماشین است که شامل شناسایی و استخراج اطلاعات کلیدی از تصاویر می‌شود.

💬 به منظور استخراج ویژگی‌ها، می‌توانید از ابزارها و کتابخانه‌های مختلفی استفاده کنید، مانند OpenCV، scikit-image و TensorFlow.

💬 هدف این فرایند بهبود دقت مدل‌های یادگیری ماشین و شناسایی الگوها در تصاویر است.

با ماهمراه باشید 🌱

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#feature
#feature_selection
#python
#image_processing
1👏1
📌 انواع ویژگی های قابل استخراج از تصویر

🩻. ویژگی‌های رنگی : شامل histogram رنگی، میانگین و واریانس رنگ‌ها.

🩻. ویژگی‌های بافت: مثل گسسته‌گذاری محلی (Local Binary Patterns یا LBP) یا فیلتر گابور.

🩻. ویژگی‌های شکل: شامل محاسبه لبه‌ها (با استفاده از الگوریتم هایی نظیر Canny) و توصیف اشکال.

🩻. ویژگی‌های هندسی: ابعاد، مساحت و نسبت‌های مختلف اشکال.

🩻. ویژگی‌های عمیق: با استفاده از شبکه‌های عصبی کانولوشنی (CNNs) که می‌توانند ویژگی‌ها را به صورت خودکار از تصاویر استخراج کنند.

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#feature
#image_processing
🅿️ دوره پایتون

قسمت ۷ پردازش تصویر در #پایتون

👨‍💻 آموزش استخراج ویژگی از تصویر (feature extraction)

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#python
#feature_extraction
1👏1😍1
This media is not supported in your browser
VIEW IN TELEGRAM
🚀 تازه های دنیای فناوری

🆕 حضور اولین مدل هوش مصنوعی text2protein، انقلابی در تحقیقات بیوتکنولوژی!

✔️ این مدل که در سال 2021 توسط یک دانشمند ایرانی توسعه یافته است ، میلیاردها سال تجربه حیات را به یک هوش مصنوعی قدرتمند تبدیل کرده که پیام‌های متنی را به توالی‌های پروتئینی جدید و مفید تبدیل می‌کند.این دستاورد می‌تواند کاربرد زیست‌شناسی در پزشکی، صنعت و فراتر از آن را متحول کند.

✔️ محققین تا به الان با استفاده از این مدل به بیش از 800 پروتئین جدید، کاربردی و foldable دست یافتند!

🔍 منبع : BioTech_Association

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#top_news
2🔥1
1_12721709699.pdf
1.3 MB
🚀 نوآوری های پژوهشی در دنیای تصویر

🔍 بررسی مقاله :

📃Segmentation of liver CT images based on weighted medical transformer model


این مقاله که اخیرا در nature به چاپ رسیده است به بررسی کاربرد ساختارهای شبکه عصبی عمیق، به‌ویژه شبکه‌های کانولوشنی عمیق (CNN) در بخش تقسیم‌بندی تصاویر پزشکی می‌پردازد.

به طور کلی، این مقاله نوآوری‌هایی در زمینه استفاده از ساختار ترنسفورمرها برای بهبود تقسیم‌بندی تصاویر پزشکی ارائه می‌دهد و بر قابلیت‌های مدل پیشنهادی در کار با مجموعه‌های داده های کوچک تأکید دارد.

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#article
2🔥1
This media is not supported in your browser
VIEW IN TELEGRAM
🎥 شبیه سازی گرافیکی عملکرد شبکه عصبی کانولوشنی (CNN)

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#chatgpt
#python
#machin_vision
1👏1👌1
👨‍💻 کدامیک از الگوریتم های پردازش تصویر در feature matching (تناظر یابی ویژگی‌های تصاویر) مورد استفاده است؟
Anonymous Quiz
20%
Harris
50%
ORB
10%
kLT Tracker
5%
Roberts
15%
Laplacian
2👌1
🔗معرفی الگوریتم ORB در پردازش تصویر

✔️ الگوریتم ORB که درواقع مخفف عبارت زیر می باشد؛
  (Oriented FAST and Rotated BRIEF)
یک روش برای شناسایی و توصیف نقاط کلیدی در تصاویر در حوزه پردازش تصویر و بینایی ماشین است.

✔️ به طور کلی، ORB یک ابزار قدرتمند و کارآمد در پردازش تصویر است که به دلیل عملکرد سریع و دقت بالا به طور گسترده‌ در تناظر یابی ویژگی‌ها در تصاویر مورد استفاده قرار می‌گیرد.

با ما همراه باشید 🌱

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#ORB
2
🔗معرفی الگوریتم ORB در پردازش تصویر

✔️ الگوریتم ORB ترکیبی از دو تکنیک زیر است:

. FAST (Features from Accelerated Segment Test)
. BRIEF (Binary Robust Invariant Scalable Denoscriptors).

✔️ این الگوریتم به خاطر سرعت و دقت بالا ؛ مورد توجه قرار دارد و به طور خاص برای کار با تصاویر متغیر و در شرایط مختلف طراحی شده است.

✔️ الگوریتم ORB در بسیاری از برنامه‌ها و پروژه‌ها به کار می‌رود، از جمله:
- شناسایی اشیا
- ردیابی تصاویر در ویدیو
- شناسایی نقاط کلیدی در واقعیت افزوده (AR)
- تطابق تصاویر در بینایی ماشین
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#ORB
1👏1
🅿️ دوره پایتون

قسمت ۸ پردازش تصویر در
#پایتون

👨‍💻 آموزش تناظر ویژگی‌های دو تصویر (feature matching) با استفاده از الگوریتم ORB


🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#python
#feature_matching
2👌1
📌معرفی #ماژول CBAM

🖇بهبود عملکرد مدل‌های یادگیری ماشین با تمرکز بر ویژگی‌های مهم تصویر

🔬ماژول CBAM که مخفف عبارت Convolutional Block Attention Moduleمی باشد ؛ یک مکانیزم توجه در شبکه‌های عصبی کانولوشنی است که بهبود عملکرد مدل‌ها را با تمرکز بر ویژگی‌های مهم تصویر امکان‌پذیر می‌سازد.

🔬ماژول CBAM به طور معمول از دو بخش اصلی تشکیل شده است:

۱. توجه فضایی (Spatial Attention): در این بخش، ماژول به نقاط مهم در فضای تصویر توجه بیشتری می‌کند و نقاطی که باعث بهبود دقت پیش‌بینی می‌شوند را شناسایی می‌کند.

۲. توجه کانالی (Channel Attention): در این بخش، ماژول توجه خود را به ویژگی‌های کانالی مختلف تصویر متمرکز می‌کند و کانال‌هایی که اطلاعات مفیدتری دارند را تقویت می‌کند.

🔬با ترکیب این دو نوع توجه، CBAM می‌تواند به مدل‌های عصبی کمک کند تا درک بهتری از ساختار تصویر داشته باشند و عملکرد بهتری را در وظایف بینایی کامپیوتری مانند شناسایی اشیا،تقسیم‌بندی و شناسایی چهره ارائه دهند.

🆔️ telegram channel :
https://news.1rj.ru/str/Intellimage
#module
#CBAM
#artificial_network
#image_processing
#python
3