✳ معرفی PCAlign

⚪ الگوریتم PCAlign یک چارچوب عمومی برای افزایش داده‌ها در ابرنقاط است.

⚪این سیستم به منظور بهبود کیفیت و کمیت داده‌های مربوط به ابرنقاط طراحی شده است. با استفاده از تکنیک‌های مختلف، PCAlign به مدل‌ها کمک می‌کند تا ویژگی‌های بیشتری از داده‌ها استخراج کنند و عملکرد بهتری در وظایف مختلف یادگیری ماشین داشته باشند.

⚪این چارچوب به صورت عمومی و قابل انعطاف طراحی شده تا به راحتی در پروژه‌های مختلف قابل استفاده باشد.

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#PCAlign
#deep_learning
#image_processing

📈 معرفی شبکه های عصبی فازی (Fuzzy Neural Networks)

🔴 در شبکه های فازی ؛ مفاهیم فازی و شبکه های عصبی با هم ترکیب می‌شوند تا مزایای هر دو را به دست آورند. این شبکه‌ها قادر به مدل‌سازی سیستم‌های پیچیده و غیرخطی هستند و می‌توانند با عدم قطعیت و ابهام موجود در داده‌ها به خوبی کنار بیایند.

🔴 در این شبکه‌ها، ورودی‌ها و خروجی‌ها به صورت مجموعه‌های فازی تعریف می‌شوند و قوانین فازی برای تعیین ارتباط بین آن‌ها استفاده می‌شود. همچنین، وزن‌های اتصالات بین نورون‌ها نیز به صورت مقادیر فازی در نظر گرفته می‌شوند.

🔴 مزایای شبکه‌های عصبی فازی عبارتند از:
- قابلیت مدل‌سازی سیستم‌های پیچیده و غیرخطی
- توانایی کار با داده‌های ناقص و مبهم
- قابلیت تفسیر و توضیح نتایج به صورت قوانین فازی
- سرعت بالا در یادگیری و محاسبات

+ این شبکه‌ها در زمینه‌های مختلفی مانند کنترل، تشخیص الگو، پردازش تصویر و پیش‌بینی کاربرد دارند.

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#python
#deep_learning

🆕️ بینایی ماشین اینبار در بازی سنگ کاغذ قیچی!


🔘 استفاده از الگوریتم YOLOv8 برای شناسایی زنده بازی «سنگ، کاغذ، قیچی» در یک دست رباتیک که با ۵ موتور سرور کنترل می‌شود.

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

📚 تعدادی از پروژه های انجام شده پردازش تصویر و بینایی ماشین در حوزه ی پزشکی

◾مواردی که در ادامه به عنوان‌ پروژه های انجام شده در زمینه ی پردازش تصویر و بینایی ماشین معرفی می‌شود، می‌تواند به عنوان امری مهم در پیشرفت تشخیص در علم پزشکی امروز محسوب شود:

◽تشخیص نوع تومور در کانسر های مختلف

◽تشخیص رتینوپاتی دیابتی در اشخاص مبتلا به دیابت

◽تشخیص MS و مراحل مختلف آن بر اساس MRI

◽تشخیص سلول‌های سرطانی

◽تشخیص میزان درگیری ریه در بیماری‌های تنفسی (مانند COVID-19)

◽تشخیص ناهنجاری‌های پوستی

◽تشخیص آسیب‌های استخوان

◽تشخیص آسیب‌دیدگی‌ها و پوسیدگی‌های دندان

و...

+ هرکدام از این پروژه ها که تا به الان انجام شده ؛ سرآغازی برای پیشرفت های آینده و ارائه ی تکنولوژی های جديد در حوزه سلامت و علوم مختلف دیگر است.

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

✳بازسازی صحنه های شهری با Omni

🟩 رویکرد OmniRe یک رویکرد کل نگر جدید برای بازسازی موثر تصاویر پویای HD در شهر میباشد.

🟩 این رویکرد می تواند در شبیه سازی سناریوهای بازسازی شده باحضور افراد در زمان واقعی (~60 هرتز) کمک کننده باشد.

🔎 paper

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

🪩 معرفی DeepLens شرکت آمازون

◾نوآوری DeepLens ، یک سرویس وب از شرکت آمازون است.
◾یکی از برنامه های مراقبت پزشکی که از DeepLens استفاده می کند DermLens است. DermLens هدفش کمک به بیمار برای مدیریت بیماری پوستی psoriasis است. این برنامه داده های گزارش شده را در دسترس تیم پزشکی قرار می دهد.

◾ابزار بینایی ماشین، داده ها را به برنامه میفرستد و کاربر می تواند تخمین شدت بیماری را مشاهده کند. تیم DermLens یک برنامه موبایل برای گزارش علائم اضافی مانند خارش و خستگی را هم توسعه داده است.

◾در طی تحقیقی که این تیم در ژونال American Dermatology به ثبت رسانده، این شرکت ادعا کرده که DermLens در ۹۲ بیمار تست شده و ۷۲ درصد از بیماران اعلام کرده اند که ترجیح می دهند از دوربین های DermLens به جای گوشی های هوشمند استفاده کنند.

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

🪩تحلیل تصاویر آنژیوگرافی با مدل SE-RegUNet

◾شبکه SE-RegUNet یک نوع شبکه عصبی کانولوشنی است که به‌طور خاص برای تقسیم‌بندی تصاویر پزشکی طراحی شده است.

◾این مدل از ویژگی‌های انکودرهای RegNet بهره‌برداری می‌کند و به‌دنبال بهینه‌سازی فرایند استخراج ویژگی‌ها از تصاویر پیچیده است.

◾مدل SE-RegUNet دارای بلوک‌هایی برای فشرده‌سازی و فعال‌سازی است که کارایی آن را در استخراج ویژگی‌های دقیق بهبود می‌بخشد.

◾هدف اصلی این مدل دقت بالا در شناسایی و تقسیم‌بندی نواحی خاص در تصاویر پزشکی (مانند عروق کرونر در آنژیوگرافی) است.

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

🪩 معرفی شبکه های Large Language Models

◽شبکه‌های LLM (Large Language Models) به مدل‌های یادگیری ماشینی اطلاق می‌شوند که به‌طور خاص برای پردازش و تولید زبان طبیعی طراحی شده‌اند.

◽این مدل‌ها با استفاده از تعداد بسیار بالایی پارامتر، توانایی درک و تولید متنی را دارند و می‌توانند در طیف گسترده‌ای از وظایف زبانی از جمله تولید متن، ترجمه، پاسخ به سوالات، تحلیل احساسات و غیره به کار گرفته شوند.

◽برخی از مثال‌های معروف LLMها شامل GPT-3 و GPT-4 (توسعه‌یافته توسط OpenAI)، BERT و RoBERTa (توسعه‌یافته توسط Google) و LLaMA (توسعه‌یافته توسط Meta) هستند.

◽این مدل‌ها به دلیل قدرت و دقت بالایشان در پردازش متن به طور گسترده در زمینه های مختلف مورد استفاده قرار می‌گیرند.

🆔️telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#deep_learning
#LLM

🪩توانایی LLM در شخصی سازی درمان بیماران

◾هوش مصنوعی (AI) در حوزه بهداشت و درمان پیشرفت‌های قابل توجهی در درمان‌های پزشکی هوشمند داشته است. با این حال، سیستم‌های بهداشت و درمان هوشمند سنتی به داده‌های ایستا و استانداردهای یکپارچه محدود هستند و این امر مانع از ادغام کامل با شرایط فردی و دیگر چالش‌ها می‌شود. بنابراین، یک روش حرفه‌ای و دقیق‌تر در حوزه بهداشت هوشمند برای توسعه مورد نیاز است.

◾به این منظور،چارچوب نوآورانه Heath-LLM پیشنهاد می‌شود که استخراج ویژگی‌های بزرگ‌مقیاس و نمره‌دهی مبادله‌ای دانش پزشکی را ترکیب می‌کند.
در مقایسه با روش‌های سنتی مدیریت سلامت، این روش دارای سه مزیت اصلی است:
◽اول، این روش گزارش‌های سلامت را در یک مدل بزرگ ادغام می‌کند تا اطلاعات دقیق‌تری درباره وظایف ارائه دهد.
◽دوم، از تخصص پزشکی حرفه‌ای برای تنظیم نمرات وزنی ویژگی‌های سلامت استفاده می‌شود.
◽سوم،از یک چارچوب استخراج ویژگی نیمه‌خودکار برای افزایش توان تحلیلی مدل‌های زبانی استفاده می‌شود و بینش کارشناسان برای بهبود دقت پیش‌بینی بیماری‌ها بهره‌برداری می‌شود.
🆔️telegram channel:
https://news.1rj.ru/str/Intellimage
#LLM

🖇معرفی الگوریتم Soft Actor-Critic (SAC)

🔘 الگوریتم Soft Actor-Critic (SAC) یک روش یادگیری تقویتی است که برای بهینه‌سازی تصمیم‌گیری در محیط‌های پیوسته طراحی شده است.

🔘 الگوریتم SAC از یک سیاست نرم استفاده می‌کند که به جای تمرکز فقط بر حداکثر کردن پاداش، به ماکسیمم کردن پاداش به همراه کاهش عدم قطعیت (Entropy) می‌پردازد. این رویکرد کمک می‌کند تا یادگیری بهتر و پایدارتر انجام شود و از یادگیری فقط بر اساس پاداش جلوگیری می‌کند.

🔘 الگوریتم SAC از روش‌های بهینه‌سازی برپایه گرادیان برای به‌روزرسانی پارامترهاو عملگرهای خود استفاده می‌کند.

🔘 با توجه به این ویژگی‌ها، الگوریتم SAC به عنوان یکی از الگوریتم‌های کارآمد و قوی در زمینه یادگیری تقویتی شناخته می‌شود، به ویژه در مسائلی با فضای عمل پیوسته.

باماهمراه باشید 🌱
🆔️telegram channel:
https://news.1rj.ru/str/Intellimage
#deep_learning
#machin_vision
#image_processing

🌐 عملکرد پردازش تصویر در نظارت بر خون از دست رفته

⚪ شرکت gauss surgical روش هایی را برای نظارت بر از دست رفتن خون توسعه داده که می تواند زمان از دست رفتن خون را در شرایط پزشکی به صورت بلادرنگ تخمین بزند. این روش، انتقال خون را به حداکثر می رساند و همچنین خونریزی را بهتر از چشم انسان تشخیص می دهد.

⚪ خط تریتون شرکت Gauss Surgical برای نظارت بر خون از دست رفته، شامل تریتون اتاق جراحی است که از یک برنامه ی مبتنی بر iPad برای گرفتن تصاویری از خون در اسفنج های جراحی و محفظه های مکش استفاده می کند. این تصاویر توسط الگوریتم های بینایی ماشین برای تخمین مقدار خون از دست رفته پردازش می شود. این شرکت ادعا می کند که این برنامه توسط مختصصان پزشکی در بیمارستان ها طی عملیات جراحی استفاده می شود.

⚪ برای تعیین صحت و درستی برنامه تریتون اتاق جراحی، این برنامه در حین عمل های جراحی مورد مطالعه قرار گرفته و توسط سازمان غذا و داروی آمریکا درسال ۲۰۱۷ تایید شده است.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#machin_vision
#image_processing

📽 بررسی برخی از کاربردهای پردازش تصویر در صنعت :

- بررسی عیوب بافت
- بررسی عیوب قطعات
- تشخیص خرابی چاپ
- تشخیص خرابی جوش در جوشکاری
- تشخیص عیوب روی مواد پلاستیکی
- بررسی اشکالات بسته بندی

🔎 vision system

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

SegGPT: Segmenting Everything In Context

🆕️ ما SegGPT را معرفی می‌کنیم!
یک مدل عمومی برای تقسیم‌بندی همه چیز در یک زمینه مشخص!

🟡 انواع مختلف وظایف تقسیم‌بندی در یک چارچوب یادگیری درون‌متنی عمومی ادغام شده است که داده‌های تقسیم‌بندی مختلف را با تبدیل آن‌ها به یک فرمت مشترک از تصاویر، سازگار می‌کند.

🟡 آموزش SegGPT به‌صورت یک مسئله رنگ‌آمیزی درون‌متنی با نقشه‌برداری رنگ تصادفی برای هر نمونه داده فرموله شده است.

🟡 پس از آموزش، SegGPT می‌تواند وظایف تقسیم‌بندی دلخواه را در تصاویر یا ویدیوها از طریق استنتاج درون‌متنی انجام دهد، از جمله تقسیم‌بندی اشیاء، مواد، قطعات، حاشیه و متن.

🟡 مدل SegGPT بر روی دامنه وسیعی از وظایف، از جمله تقسیم‌بندی معنایی با نمونه‌های محدود، تقسیم‌بندی اشیاء ویدئویی، تقسیم‌بندی معنایی و تقسیم‌بندی پانورامیک ارزیابی شده است و نتایج مثبتی به صورت کیفی و کمی داشته است.
🧾paper

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

در این مقاله، نویسندگان CancerLLM، یک مدل 7 میلیارد پارامتری را ارائه می‌کنند که برای وظایف خاص سرطان طراحی شده است. از قبل بر روی 2.67 میلیون یادداشت بالینی و 515524 گزارش #پاتولوژی در 17 نوع #سرطان آموزش دیده است.

◾️ CancerLLM: A Large Language Model in Cancer Domain

#علوم_پزشکی #ایده_جذاب

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

کمک Masked Attention به شبکه های عصبی گراف

▪️شبکه‌های عصبی گراف (GNN) به دلیل انعطاف‌پذیری، کارایی و عملکرد خوب، به روشی برای یادگیری بر روی داده‌های ساختار یافته گراف تبدیل شده‌اند. با این حال، طراحی GNN های قدرتمند و همه منظوره اغلب به تلاش های تحقیقاتی قابل توجهی نیاز دارد و بر اپراتورهای ارسال پیام ، به دقت ساخته شده است. این می تواند زمان بر باشد و ممکن است همیشه به بهینه ترین راه حل برای یادگیری نمودار معین منجر نشود.

▪️بااین وجود Masked Attention for Graphs (MAG) یک جایگزین ساده اما موثر برای GNN های سنتی ارائه می دهد. MAG به جای تکیه بر عملگرهای پیچیده ارسال پیام، نمودارها را به عنوان مجموعه گره یا لبه نشان می دهد و با پوشاندن ماتریس وزن توجه، اتصال را تقویت می کند. این الگوهای توجه به مدل اجازه می دهد مستقیماً از ساختار نمودار یاد بگیرد. علیرغم سادگی، MAG به عملکرد پیشرفته‌ای در کارهای دوربرد دست می‌یابد و از خطوط پایه ارسال پیام قوی و روش‌های مبتنی بر توجه در سطح گره و گراف بهتر عمل می‌کند.

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

🔗 معرفی کتابخانه Dynamic-Link Library

◽کتابخانه DLL (Dynamic-Link Library) یک نوع فایل در سیستم‌عامل ویندوز است که شامل توابع، کلاس‌ها و داده‌هایی است که برنامه‌ها می‌توانند به‌صورت مشترک از آن استفاده کنند.

◽این کتابخانه‌ها به برنامه‌ها اجازه می‌دهند که فقط قسمتی از کد را به‌صورت جداگانه بارگذاری کنند و در نتیجه، استفاده بهینه‌تری از حافظه و منابع سیستم داشته باشند.

◽با استفاده از DLL‌ها، توسعه‌دهندگان می‌توانند قابلیت‌ها را بین برنامه‌ها به‌اشتراک بگذارند و همچنین به راحتی قابلیت‌های جدیدی اضافه کنند.

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

🪩 معرفی پژوهش های پردازش تصویر و بینایی ماشین در صنعت

▪️ در سال‌های اخیر، پردازش تصویر و بینایی ماشین به سرعت در حال رشد بوده‌اند و در صنعت کاربردهای متنوع و جدیدی یافته‌اند. در اینجا به یکسری از موارد مهم و جدید اشاره می کنیم:

◽. تشخیص عیوب محصول: استفاده از بینایی ماشین برای شناسایی عیوب تولید در خطوط تولید.

◽. بصری‌سازی داده‌ها: تبدیل داده‌های صنعتی به تصاویر قابل تحلیل به کمک تکنیک‌های پردازش تصویر.

◽. پایش وضعیت سلامت ماشین‌آلات: استفاده از بینایی ماشین برای تشخیص مشکلات و نقص‌های ماشین‌آلات.

◽. تحلیل ویدئویی در زمان واقعی: نظارت بر فرآیندها و کنترل کیفیت با استفاده از ویدئوهای زنده.

◽. خودروهای خودران: استفاده از تکنیک‌های بینایی ماشین برای ناوبری و شناسایی موانع.

◽. تحلیل تصویر برای کشاورزی دقیق: استفاده از بینایی ماشین برای بررسی سلامت و کیفیت محصولات کشاورزی.

◽. بازیابی آنلاین تصاویر: جستجوی مقایسه و شناسایی تصاویر صنعتی در بانک‌های اطلاعاتی.

◽. تشخیص رفتار غیرعادی در خط تولید: شناسایی رفتارهایی که ممکن است به وقوع حوادث منجر شوند.

◽. افزایش کارایی انبارها: استفاده از دید ماشین برای مدیریت موجودی و مکان‌یابی اتوماتیک کالاها.

◽. پایش آنالیز تصویری در فرآیندهای شیمیایی: بررسی و تحلیل تصاویر برای بهینه‌سازی فرآیندهای تولید.

◽. تشخیص و پردازش چهره برای امنیت: استفاده از فناوری شناسایی چهره در سیستم‌های امنیتی صنعتی.

◽. تحلیل تصاویر پزشکی برای تجهیزات پزشکی: بهبود تشخیص و تحلیل تصویر با استفاده از بینایی ماشین.

◽. مدل‌سازی و شبیه‌سازی رفتار مواد: استفاده از تصاویر برای شبیه‌سازی رفتار مواد تحت شرایط مختلف.

◽. راهنمایی و هدایت ماشین‌های صنعتی: استفاده از بینایی ماشین برای هدایت و کنترل ماشین‌آلات و روبات‌ها.

◽. تشخیص و شناسایی اشیاء در محیط‌های پیچیده: بهبود سیستم‌های تشخیص اشیاء در محیط‌های شلوغ و غیرمترقبه.

◽. بهبود سیستم‌های نسل پنجم ارتباطات: استفاده از بینایی ماشین برای بهینه‌سازی عملکرد شبکه‌ها.

◽. آشکارسازی نشت‌ها: استفاده از تکنیک‌های پردازش تصویر برای شناسایی نشت‌ها در فرآیندهای صنعتی.

◽. تحلیل تصاویر هوایی و ماهواره‌ای: استفاده از بینایی ماشین برای تحلیل داده‌های فضایی در فضاهای بزرگ صنعتی.

◽. سیستم‌های واقعیت افزوده (AR) برای آموزش: ایجاد سیستم‌های آموزشی تعاملی با استفاده از بینایی ماشین و AR.

◽. تشخیص ناهنجاری در داده‌های تولید: شناسایی و تحلیل ناهنجاری‌ها برای ارتقاء کیفیت و کارایی.

▪️این مسائل تنها نمونه‌هایی از مباحث روز در پردازش تصویر و بینایی ماشین در صنعت هستند و با پیشرفت تکنولوژی، این حوزه‌ها همچنان در حال گسترش و نوآوری هستند.

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

🪩 معرفی بهترین سایت ها برای پیاده سازی و اجرای کدهای پروژه های سنگین هوش مصنوعی به صورت آنلاین :
▪️. Google Colab

◽. Kaggle

▪️. Deepnote

◽. AWS SageMaker

▪️. GCP Notebooks

◽. Azure Notebooks

▪️. Cocalc

◽. Binder

▪️. Saturncloud

◽. Datablore

▪️. IBM Notebooks

◽. Ola kutrim

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

💢 تشخیص سرقت در فروشگاه به کمک بینایی ماشین

✳ شرکت StopLift ادعا می کند که یک سیستم بینایی ماشین توسعه داده که دزدی ها و دیگر کمبود ها را در فروشگاه های زنجیره ای کاهش می دهد.

◽محصول شرکت که ScanItAll نام دارد سیستمی است که خطاهای فروشندگان و همچنین فروشندگانی که محصولات را اسکن نمی کنند را مشخص می کند. نام دیگر این محصول sweethearting است. sweethearting به معنای اسکن تقلبی یک محصول توسط فروشنده است. در sweethearting فروشنده برای مشتری خود که دوست، خانواده یا همکار او است، اجناسی را اسکن نمی کند.

◽تکنولوژی بینایی ماشین موجود در ScanItAll در دوربین های متصل به سقف و سیستم های POS فروشگاه وجود دارد. نرم افزار از طریق دوربین، مشاهده می کند که آیا صندوقدار همه ی کالاها را اسکن می کند. اگر محصولی در POS اسکن نشود، با عنوان “گم شده” توسط نرم افزار برچسب می خورد. بعد از ثبت این مورد، نوبت مدیریت است که تدابیری را برای جلوگیری از موارد مشابه در آینده اتخاذ کند.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#machin_vision

بهبود عملکرد LLM با تصحیح خودکار ، به سبک گوگل!

▪️تصحیح خودکار یک قابلیت بسیار مطلوب برای LLMها است، اما تاکنون عمدتاً نا موفق بوده است.

▪️درواقع رویکردهای موجود یا به مدل‌های چندگانه نیاز دارند یا به نظارت خارجی تکیه می‌کنند.

▪️روش جدید DeepMind گوگل به نام SCoRe، توانایی تصحیح خودکار یک LLM را با استفاده از داده‌های تولید شده توسط خودش به طور قابل توجهی بهبود می‌بخشد.

✔ این روش به این صورت کار می‌کند:

۱. مدل به تنهایی مجموعه‌ای از آثار تصحیح را تولید می‌کند.

۲. سپس بر روی این آثار با استفاده از یادگیری تقویتی آموزش می‌بیند و یاد می‌گیرد که چگونه پاداش را برای تصحیح خودکار موثر حداکثری کند.

۳. نکته کلیدی این است که SCoRe از تکنیک‌های تنظیم (regularization) استفاده می‌کند تا از حفظ پاسخ‌های با پاداش بالا جلوگیری کند. به جای این، مدل یک استراتژی قوی برای تصحیح خودکار را یاد می‌گیرد.

+ وقتی که این روش بر روی مدل‌های Gemini 1.0 Pro و 1.5 Flash اعمال شد، عملکرد تصحیح خودکار آنها به ترتیب 15.6٪ و 9.1٪ در معیارهای MATH و HumanEval افزایش یافت.

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