📑 آموزش پردازش تصویر

📝 مفاهیم پایه

🔍 منبع :
IUST_Bioelecteric , onlinebme

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#handout

💡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

📌 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

🚀 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

🚀 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

🎥 شبیه سازی گرافیکی عملکرد شبکه عصبی کانولوشنی (CNN)

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#chatgpt
#python
#machin_vision

🔗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

🔗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

📌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

🚀 تازه های دنیای فناوری

🆕 دانشمندان با کمک هوش مصنوعی «الفبای آوایی» نهنگ‌های عنبر را کشف کردند!!

🆒 از زمان کشف آواز نهنگ‌های عنبر در ۶۰ سال پیش، دانشمندان در پی این بودند که دریابند این موجودات غول‌پیکر دریا چه می‌گویند و چگونه از این آواها برای برقراری ارتباط با هم بهره می‌برند.

🆒 به همین منظور تیمی از محققان از سال ۲۰۰۵ دسته‌ای متشکل از ۴۰۰ نهنگ عنبر را در آب‌های اطراف جزیره دومینیکا، کشوری در شرق کارائیب، نشان کرده و با میکروفن‌های زیرآب از آن‌ها استراق سمع می‌کنند.

🆒 دانشمندان به این ترتیب ۱۴۳ ترکیب از متغیرهایی را شناسایی کردند که می‌گویند در واقع «الفبای آوایی نهنگ عنبر» هستند.

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#top_news

📚تعدادی از بهترین کتابخانه‌های یادگیری عمیق در پایتون

1⃣ TensorFlow
2⃣ Keras
3⃣ PyTorch
4⃣ Caffe
5⃣ DeepLearning4j

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#Python
#image_processing
#library
#programming

📉 معرفی شبکه عصبی Swin-Transformer

📍شبکه عصبی Swin-Transformer برای پردازش تصاویر طراحی شده و در زمینه بینایی کامپیوتری و یادگیری عمیق کاربرد دارد.

🧭 ویژگی‌ها و اصول کارکرد Swin -Transformer:

۱. معماری سلسله‌مراتبی (Hierarchical)
۲. استفاده از پنجره‌های متحرک (Shifted Windows)
۳. تغییر مقیاس (Scalability)
۴. نیاز به محاسبات کمتر

📍به طور کلی، Swin Transformer به لطف استفاده از پنجره‌های متحرک و طراحی سلسله‌مراتبی خود نسبت به Transformerهای سنتی به منابع محاسباتی کمتری نیاز دارد.

با ما همراه باشید 🌱

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#machin_vision
#image_processing
#artificial_network

📉 معرفی شبکه عصبی Swin Transformer - ادامه

📍شبکه عصبی Swin Transformer در تعدادی از وظایف مختلف بینایی کامپیوتری استفاده شده است، از جمله:

- تشخیص اشیاء (Object Detection): با استفاده از مدل‌های چند مرحله‌ای برای شناسایی و تعیین موقعیت اشیاء در تصاویر.

- شناسایی چهره (Face Recognition): بهبود دقت در تشخیص چهره‌ها با بهره‌گیری از ویژگی‌های محلی و عمومی.

- تقسیم‌بندی تصویر (Image Segmentation): توانایی تقسیم تصاویر به نواحی مختلف با توجه به ویژگی‌های محلی.

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#machin_vision
#image_processing
#artificial_network

🚀 نوآوری های دنیای تصویر

🪩 مدل VEO محصولی از Deep Mind

◾مدل VEO توسط شرکت DeepMind رونمایی شد . این مدل توانایی تولید ویدیوهایی با کیفیت 1080p از روی متن ورودی دارد و بدون محدودیت زمانی کار می کند. ویدیویی که در این پست مشاهده می کنید ، با پرامپت زیر تولید شده است:
Prompt: Crochet elephant in intricate patterns walking on the savanna

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#top_news
#image_processing
#OpenCv_olc
#machin_vision

📌معرفی #ماژول Grad-CAM

💭 ماژول Grad-CAM که مخفف عبارت Gradient-weighted Class Activation Mapping می‌باشد ؛ یک تکنیک بصری‌سازی در یادگیری عمیق است که به کمک آن می‌توان تشخیص داد که مدل‌های شبکه عصبی در چه نواحی از تصویر بیشتر تمرکز کرده‌اند تا یک پیش‌بینی خاص را انجام دهند. این روش به ویژه در کاربردهای بینایی کامپیوتری (Computer Vision) مفید است.

💭 چگونگی کارکرد Grad-CAM:
۱. محاسبه گرادیان
۲. وزن‌دهی ویژگی‌ها
۳. تولید نقشه حرارتی

💭 ماژول Grad-CAM معمولاً به عنوان یک نقشه حرارتی روی تصویر اصلی نمایش داده می‌شود و می‌تواند درک بهتری از نحوه عملکرد مدل و قابلیت‌های آن در تشخیص فراهم کند. این تکنیک به محققان و توسعه‌دهندگان کمک می‌کند تا بیشتر بفهمند که مدل‌ها چه نواحی از تصویر را برای تصمیم‌گیری‌های خود به کار می‌برند.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#module
#Grad_Cam
#python