🟠 معرفی Region Adjacency Graph (RAG) که فوق العاده جذاب است!

✴ گراف هم‌جواری نواحی ( RAG) یک ساختار داده‌ای است که برای نمایش و تجزیه و تحلیل ویژگی‌های تصویر استفاده می‌شود. این گراف به طور خاص برای نشان دادن ارتباطات بین نواحی مختلف در یک تصویر به کار می‌رود. به عبارت دیگر، گراف هم‌جواری نواحی می‌تواند نواحی (مانند بخش‌های مختلف یک شیء یا پس‌زمینه) را به عنوان گره‌ها و ارتباطات بین آن‌ها (مانند پیوستگی یا تماس) را به عنوان یال‌ها نمایش دهد.

✴ هر ناحیه ای که در تصویر شناسایی شده، یک گره در گراف را تشکیل می‌دهد. این نواحی معمولاً با استفاده از تکنیک‌های نوینی مانند آستانه‌گذاری، خوشه‌بندی یا تقسیم‌بندی تصویر مشخص می‌شوند.

✴ در نهایت، گراف هم‌جواری نواحی ابزاری مفید برای درک و تحلیل تصاویر پیچیده است و می‌تواند به بهبود دقت الگوریتم‌های پردازش تصویر کمک کند.

با ماهمراه باشید🌱
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage

🖇چرا شبکه‌های عصبی گراف در سال ۲۰۲۴ اهمیت دارند؟

⚪هر سیستمی که شامل موجودیت‌ها و روابط بین آن‌ها باشد می‌تواند به‌عنوان یک گراف شناخته شود. اگرچه الگوریتم‌های یادگیری عمیق در دهه گذشته در زمینه‌هایی مانند پردازش زبان طبیعی، بینایی کامپیوتری و شناسایی گفتار پیشرفت‌های چشمگیری داشته‌اند، به دلیل توانایی آن‌ها در استخراج ویژگی‌های سطح بالا از داده‌ها با عبور از لایه‌های غیرخطی، اکثر معماری‌های یادگیری عمیق به‌طور خاص برای داده‌های ساختار اقلیدسی طراحی شده‌اند، مانند داده‌های جدولی، تصاویر، متن و صدا، در حالی که داده‌های گرافی به‌طور عمده نادیده گرفته شده‌اند.

⚪روش‌های هوش مصنوعی سنتی برای استخراج اطلاعات از اشیاء رمزگذاری شده با ساختارهای نسبتاً «سخت» طراحی شده‌اند. به عنوان مثال، تصاویر معمولاً به‌عنوان شبکه‌های ۲ بعدی ثابت از پیکسل‌ها رمزگذاری می‌شوند و متن به‌عنوان یک دنباله ۱ بعدی از کلمات (یا توکن‌ها). ساختار گراف اطلاعات ارزشمندی را که از نمایندگی داده با ابعاد بالاتر از این موجودیت‌ها و روابط آن‌ها ناشی می‌شود، مطرح می‌کند.

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

🪩شبکه های عصبی گراف(GNN) پشتیبان پیشرفت های اخیر هوش مصنوعی هستند!

◻در حالی که سیستم‌های هوش مصنوعی مانند ChatGPT اخیراً در کانون توجه قرار گرفته‌اند، شبکه‌های عصبی گراف (GNN) به سرعت در حال پیشرفت هستند.

◻در چند سال گذشته، GNN ها به آرامی به قهرمان پنهان پشت یک سری دستاوردهای هیجان‌انگیز تبدیل شده‌اند که از پیشرفتهای تحقیقاتی و دانشگاهی به راه‌حل‌های واقعی و به‌کارگیری شده در مقیاس بزرگ تبدیل شده‌اند.

◻شرکت‌هایی مانند اوبر، گوگل، علی‌بابا، پینترست و توییتر در حال تغییر به رویکردهای مبتنی بر GNN در برخی از محصولات اصلی خود هستند، که این تغییر به دلیل بهبودهای قابل توجه عملکرد که این روش‌ها در مقایسه با معماری‌های پیشرفته هوش مصنوعی قبلی نشان می‌دهند، صورت گرفته است.

◻داده‌های ساختار گرافی یک چارچوب عمومی و انعطاف‌پذیر برای توصیف و تحلیل هر مجموعه ممکن از موجودیت‌ها و تعاملات متقابل آن‌ها را فراهم می‌کند.
🆔️telegram channel:
https://news.1rj.ru/str/Intellimage
#deep_learning
#GNN

🩻 معرفی Cone Beam Computed Tomography (CBCT)

💠 تصویربرداری CBCT یک نوع فناوری تصویربرداری پزشکی است که برای تهیه تصاویر سه‌بعدی از ساختارهای داخلی بدن استفاده می‌شود.

💠 در این روش، به جای استفاده از تکنیک‌های رایج مانند سی‌تی‌اسکن معمولی، از یک منبع پرتو ایکس که به شکل مخروطی تابش می‌کند، استفاده می‌شود.

💠 روشCBCT به ویژه در دندانپزشکی، ارتودنسی و جراحی‌های فک و صورت کاربرد دارد و مزایای زیادی مانند دوز پایین پرتو، دقت بالاتر و سرعت بالای تصویربرداری را ارائه می‌دهد.

+ این تکنیک می‌تواند اطلاعات دقیقی درباره ساختارهای استخوانی و بافت نرم فراهم کند و به پزشکان در تشخیص و درمان کمک کند.

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

📄 تازه های دنیای پژوهش

▪️این مقاله که به تازگی در nature به چاپ رسیده است در رابطه با سرطان دهان است که یک چالش بهداشتی جهانی است و تشخیص بافت‌شناسی آن دشوار است.
▪️تفسیر دقیق بافت‌شناسی نمونه‌های بافت سرطان دهان هنوز با چالش‌هایی مواجه است و تشخیص زودهنگام بین مشاهده‌گران، بسیار دشوار است.
▪️استفاده از هوش مصنوعی (الگوریتم‌های یادگیری عمیق) برای تصاویر بافت‌شناسی سرطان دهان نویدبخش تشخیص سریع است. با این حال، این امر به یک مجموعه داده با کیفیت و حاوی نشانه‌گذاری نیاز دارد تا مدل‌های هوش مصنوعی ساخته شوند.▪️در این مقاله پایگاه داده ORCHID (پایگاه داده تصویر بافت‌شناسی سرطان دهان) معرفی شده است که به منظور پیشبرد تحقیقات در تجزیه و تحلیل تصاویر بافت‌شناسی مبتنی بر هوش مصنوعی برای سرطان و پیش‌سرطان دهان تهیه شده است.
▪️هدف این پایگاه داده کمک به توسعه تشخیص‌های سریع مبتنی بر هوش مصنوعی برای OSMF و OSCC و زیرگروه‌های آن‌هاست.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage

✳ سنجش و نظارت وضعیت محصولات کشاورزی با بینایی ماشین

◻ شرکت Slantrange ادعا می کند که هواپیمای بدون سرنشین مجهز به بینایی ماشین توسعه داده که به سیستم هوشمندی شامل سنسورها، پردازشگرها، ابزار ذخیره سازی، شبکه ها و برنامه های تحلیل هوش مصنوعی و دیگر واسط ها متصل است تا شرایط محصولات را اندازه گیری و نظارت کند.

◻ این شرکت ادعا می کند که هواپیماهای بدون سرنشین آن تصاویری از زمین های کشاورزی را ثبت کرده و نتایج حاصل از شرایط استرس زای محصول را در مقایسه با شرایطی که محصول در حالت استرس قرار ندارد، نشان می دهد. این عوامل استرس زا عبارتند از هجوم آفت ها، کمبود مواد غذایی و کمبود آب که معیارهایی برای برآورد بازده برداشت هستند.

◻ این نتایج به سیستم تحلیلی SlantView داده می شود تا داده ها تفسیر شوند و در نهایت به کشاورزان در تصمیم گیری برای درمان شرایط استرس زا کمک می کند.

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

AI selection process.pdf

🖇 مراحل انتخاب مناسب ترین ابزار هوش مصنوعی برای پروژه و کسب و کار

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

🚀 ده مرحله برای انتخاب ابزار هوش مصنوعی متناسب با پروژه و کسب و کار :

1️⃣ شناسایی مشکل:
مشکلی که می‌خواهید با هوش مصنوعی بهبود دهید را شناسایی کنید. این مشکل ممکن است از تشخیص بیماری تا مراقبت از بیمار، متغیر باشد.

2️⃣. تعریف هدف:
به وضوح مشخص کنید که با هوش مصنوعی می‌خواهید به چه چیزی دست یابید. این می‌تواند بهبود نتایج بیماران، کاهش هزینه‌های بهداشت و درمان یا ارتقاء پژوهش‌های پزشکی باشد.

3️⃣. جمع‌آوری و تحلیل داده‌ها:
مدل‌های هوش مصنوعی به کیفیت داده‌هایی که آموزش می‌بینند وابسته هستند. داده‌های بالینی مرتبط (مانند سوابق بیماران، تصاویر پزشکی و غیره) را جمع‌آوری و تحلیل کنید تا الگوها و روندها را درک کنید.

4️⃣. انتخاب فناوری هوش مصنوعی مناسب:
بر اساس مشکل و هدف خود، فناوری هوش مصنوعی مناسب را انتخاب کنید. این می‌تواند یادگیری ماشین برای تحلیل‌های پیش‌بینی، یادگیری عمیق برای تصاویر پزشکی یا پردازش زبان طبیعی برای یادداشت‌برداری پزشکی باشد.

5️⃣. انتخاب مدل هوش مصنوعی:
مدل‌های مختلفی از هوش مصنوعی وجود دارند؛ مانند درختان تصمیم‌گیری برای طبقه‌بندی ریسک یا شبکه‌های عصبی پیچشی برای تحلیل تصاویر. مدلی را انتخاب کنید که بهترین انطباق را با نیازهای بهداشت و درمان شما داشته باشد.

6️⃣. آموزش مدل هوش مصنوعی با داده‌ها:
از داده‌های بالینی خود برای آموزش مدل هوش مصنوعی استفاده کنید. این مرحله جایی است که مدل از داده‌ها یاد می‌گیرد تا پیش‌بینی‌ها یا تصمیمات را اتخاذ کند.

7️⃣. آزمایش مدل هوش مصنوعی با داده‌ها:
پس از آموزش مدل، آن را با مجموعه‌ای متفاوت از داده‌های بالینی تست کنید تا عملکردش را بررسی کنید.

8️⃣. ارزیابی نتایج:
نتایج مدل هوش مصنوعی را در زمینه مناسب ارزیابی کنید. اگر رضایت‌بخش نبود، ممکن است نیاز به بازگشت به مرحله آموزش یا حتی انتخاب مدل دیگری داشته باشید.

9️⃣. اجرای مدل هوش مصنوعی:
پس از اینکه از نتایج راضی هستید، مدل هوش مصنوعی را در سناریو واقعی بهداشت و درمان پیاده‌سازی کنید.

🔟. نظارت و به‌روزرسانی مدل هوش مصنوعی با داده‌های جدید:
هوش مصنوعی یک فرایند یک‌باره نیست. شما باید به‌طور مداوم مدل را نظارت کرده و با داده‌های جدید به‌روزرسانی کنید تا اطمینان حاصل کنید که همچنان موثر است.

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

🆕️ معرفی دوربین BBVK Machine Vision

🔵 دوربین BBVK Machine Vision یک دوربین پیشرفته است که برای کاربردهای بینایی ماشین طراحی شده است. این دوربین به‌طور خاص برای شناسایی و تحلیل تصاویر در فرآیندهای صنعتی و تولیدی استفاده می‌شود.

🔵 ویژگی‌ها و کاربردهای این دوربین عبارتند از:

۱. تشخیص اشیاء: قابلیت شناسایی و تعیین موقعیت اشیاء مختلف در یک خط تولید.
۲. کنترل کیفیت: استفاده برای ارزیابی کیفیت محصولات و شناسایی نقص‌ها.
۳. سرعت بالا: توانایی پردازش سریع تصاویر به‌منظور عملکرد بهتر در خطوط تولید.
۴. دقت بالا: ارائه تصاویری با وضوح بالا برای تحلیل دقیق‌تر.
۵. تنظیمات انعطاف‌پذیر: قابلیت تنظیم بر اساس نیازهای خاص هر صنعت و برنامه‌گذاری به‌منظور انجام وظایف مختلف.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#machin_vision

🚀 نظارت بر نقص‌ها در زمان واقعی با واقعیت مجازی

▪️این تصویر ، پایش دقیق و آنی ماشین‌های CNC را در صنعت نشان می‌دهد.

▪️بینایی ماشین در این کاربرد امکان شناسایی سریع و دقیق مشکلات احتمالی را فراهم می‌کند و به پاسخگویی فوری برای کاهش زمان خاموشی و بهینه‌سازی تولید کمک می‌کند.

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

🪩 معرفی پلتفرم Linus Health

◽▪️در حال حاضر بسیاری از شرکت‌های مطرح و استارتاپ‌ها در حال توسعه ابزارهای هوش مصنوعی در حوزه سلامت هستند.

◽▪️ این پلتفرم برای تشخیص سلامت مغز طراحی شده و می‌تواند ۱۵ تا ۲۰ سال زودتر از علائم قطعی آلزایمر، آن را در افراد تشخیص دهد.

◽▪️این پلتفرم با استفاده از داده‌های موجود و یادگیری ماشین توانسته با استفاده از آزمون‌ها و ارزیابی‌های شناختی دیجیتال میزان سلامت مغز را تشخیص می‌دهند. این شرکت به همین بسنده نکرده و علاوه بر این، در ادامه بر اساس اختلالات موجود سعی می‌کند مسیرهای درمانی مناسبی را پیشنهاد دهد.

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

🌐 معرفی شبکه ی DG-Net

▪️شبکه ی DG-Net یک شبکه‌ی یادگیری عمیق است که به‌منظور بخش‌بندی دقیق تصاویر پزشکی طراحی شده است. این شبکه از دو شاخه اصلی استفاده می‌کند:

۱. شاخه‌ی توجه دوطرفه (Bilateral Attention Branch): این شاخه به شناسایی و تمرکز بر جنبه‌های مختلف تصویر، از جمله پیش‌زمینه و پس‌زمینه، کمک می‌کند تا اطلاعات مهم را بهتر استخراج کند.

۲. شاخه‌ی تجمیع مرز (Boundary Aggregation Branch): این شاخه به شناسایی مرزها و جزئیات دقیق در تصاویر کمک می‌کند و به بهبود دقت بخش‌بندی کمک می‌کند.

▪️شبکه DG-Net از ساختارهای خاصی به نام بلوک‌های FBR و BFA به عنوان اجزای اصلی استفاده می‌کند و همچنین از بلوک‌های اضافی مانند ERF، PPD و BAE برای بهبود عملکرد کلی خود بهره می‌برد.
▪️هدف نهایی DG-Net ارائه‌ی نتایج بهتر و دقیق‌تر در وظایف بخش‌بندی تصاویر نسبت به روش‌های موجود است.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#deep_learning
#DG_Net

▪️medical images can be easily segmented with acceptable accuracy and execution time!

🔎 paper

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

⚪ تحلیل حرکت خاک در فرآیندهای آماده‌سازی زمین با استفاده از الگوریتمهای نوین پردازش تصویر

◽ملاحظات اقتصادی و زیست‌محیطی کشاورزان را مجبور به مدیریت خاک‌ورزی با پیکربندی‌های بهینه ابزارها می‌کند تا شرایط مطلوب خاک را به دست آورند.
◽روش‌های کنونی برای بررسی مخلوط شدن لایه‌های خاک محدود هستند، به‌ویژه زمانی که نیاز به بررسی مخلوط شدن چند لایه وجود دارد.
◽استفاده از نشانگرهای فیزیکی رایج‌ترین روش است. اگرچه این روش می‌تواند اطلاعات مفیدی ارائه دهد، اما به دلیل اینکه نمای کاملی از نحوه حرکت یا مخلوط شدن لایه‌های خاک ارائه نمی‌دهد، برآوردهای تقریبی نادرست اجتناب‌ناپذیر است.
◽مخلوط شدن لایه‌های خاک با استفاده از شن‌های رنگی مختلف که در لایه‌های مختلف با عمق‌های متفاوت قرار داده شده بودند، بررسی میشودتابه‌طور مداوم مخلوط شدن لایه‌های خاک را مورد بررسی قرار دهد. یک الگوریتم خوشه‌بندی رنگ جدید برای تحلیل عملکرد مخلوط شدن لایه‌های چندرنگ با استفاده از خوشه‌بندی K-means و رویکرد تحلیل مؤلفه‌های اصلی (PCA) میتواند به تحلیل بهتر شرایط کمک کند.
🆔️telegram channel:
https://news.1rj.ru/str/Intellimage
#top_news

🔗مفهوم تقسیم‌بندی خوشه‌ای(Clustering)در پردازش تصویر

◽الگوریتم clustering یکی از روش‌های مهم در پردازش تصاویر پزشکی است که به منظور شناسایی نواحی خاص و تحلیل ساختارهای موجود در تصاویر به کار می‌رود. این روش معمولاً به‌عنوان یک تکنیک بدون نظارت شناخته می‌شود که در آن داده‌ها به خوشه‌های مشابه تقسیم می‌شوند.

◽مزایا و کاربردهای تقسیم‌بندی خوشه‌ای در تصاویر پزشکی:

۱. شناسایی نواحی آسیب‌دیده: با استفاده از خوشه‌بندی، می‌توان نواحی غیرعادی یا آسیب‌دیده در تصاویر پزشکی (مانند تومورها یا زخم‌ها) را شناسایی کرد.

۲. کاهش نویز: خوشه‌بندی می‌تواند به کاهش نویز در تصاویر کمک کند و شفافیت بیشتری به تصاویر بدهد.

۳. کمک به تشخیص بیماری: با شناسایی نواحی خاص در تصویر، پزشکان می‌توانند تشخیص دقیق‌تری از بیماری‌ها داشته باشند.

۴. تحلیل بافت: خوشه‌بندی می‌تواند به تحلیل دقیق‌تر بافت‌های مختلف در تصویر کمک کند، که این امر در تشخیص بیماری‌هایی مانند سرطان اهمیت دارد.

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

🔗روش‌های متداول تقسیم‌بندی خوشه‌ای (clustering) در پردازش تصویر:

- الگوریتم K-means Clustering: یکی از روش‌های رایج که در آن داده‌ها به K خوشه تقسیم می‌شوند. این روش بر اساس فاصله بین نقاط داده و مرکز هر خوشه عمل می‌کند.

- الگوریتم Hierarchical Clustering: این روش خوشه‌ها را در یک ساختار درختی سازماندهی می‌کند و امکان شناسایی روابط بین خوشه‌ها را فراهم می‌آورد.

الگوریتم Mean Shift: این روش به‌دنبال نقاط با چگالی بالا می‌گردد و معمولاً برای شناسایی نواحی مناسب در تصاویر پزشکی است.

- الگوریتم DBSCAN: این الگوریتم قادر است خوشه‌های غیر کروی و شناسایی نقاط نویزی که در خوشه‌ها قرار نمی‌گیرند را بر عهده بگیرد.

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

⚙ معرفی حسگر تصویر CCD

🔬حسگر تصویر CCD (Charge-Coupled Device) یک نوع حسگر نوری است که برای تبدیل نور به سیگنال الکتریکی مورد استفاده قرار می‌گیرد. این حسگرها به‌طور گسترده‌ای در دوربین‌های دیجیتال، دوربین‌های فیلم‌برداری، میکروسکوپ‌ها و سایر دستگاه‌های تصویربرداری استفاده می‌شوند.

🔬این حسگر در موارد زیر مورد استفاده است:
- دوربین‌های عکاسی دیجیتال و فیلم‌برداری
- تلسکوپ‌ها و سیستم‌های تصویربرداری علمی
- تجهیزات پزشکی (مانند میکروسکوپ‌ها)
- سیستم‌های نظارت و امنیت

🔬در حال حاضر، حسگرهای تصویر CMOS به دلیل هزینه کمتر و قابلیت‌های بیشتر در بسیاری از کاربردها جایگزین CCDها شده‌اند، اما CCDها هنوز در برخی از زمینه‌ها به خاطر کیفیت تصویر بالا و حساسیت به نور، مورد استفاده قرار می‌گیرند.

با ما همراه باشید🌱

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

🎬 معرفی تصویر برداری Post-TAVI

🔳 تصویربرداری Post-TAVI به مجموعه‌ای از تکنیک‌ها و فرآیندها اطلاق می‌شود که بعد از انجام عمل ترمیم دریچه‌ای قلب برای ارزیابی وضعیت بیمار و عملکرد دریچه جدید استفاده می‌شود.

🔳 این تصویربرداری شامل موارد زیر می‌باشد:

◽. اکو کاردیوگرافی: به‌کارگیری اولتراسوند برای ارزیابی عملکرد دریچه جدید، اندازه‌گیری فشار خون و بررسی وجود نارسایی‌های احتمالی.

◽. تصویربرداری با MRI یا CT: این تکنیک‌ها برای بررسی ساختار آناتومیک قلب و عروق و همچنین ارزیابی عوارض احتمالی مانند لخته‌های خون استفاده می‌شوند.

◽. آنژیوگرافی: تصویربرداری اشعه ایکس از عروق خونی که اطلاعاتی درباره جریان خون و وجود تنگی یا انسداد ارائه می‌دهد.

+ هدف از این تصویربرداری‌ها، ارزیابی موفقیت عمل، شناسایی عوارض احتمالی و برنامه‌ریزی برای مراقبت‌های بعدی است.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage

🆕️ پیش بینی تعمیرات لازم برای تجهیزات با استفاده از بینایی ماشین

⚙ در خطوط تولید ، از تجهیزات، ربات‌ها و دستگاه‌های مختلفی استفاده می‌شود که با توجه به استفاده‌ای که دارند نیاز به تعمیرات، تعویض قطعه یا اسقاط دارند.

⚙ انجام دیرهنگام تعمیرات می‌تواند محصولات معیوب خط را به شدت افزایش دهد و علاوه بر ضرر مالی به تولیدی‌ها، اعتبار آنها را هم خدشه دار کند. از طرفی با توجه به هزینه‌ی بالای این تعمیرات نیاز است که بهینه‌ترین زمان و هزینه را برای این کار صرف کنیم.

⚙ در هوش مصنوعی با استفاده از یادگیری ماشین، سیستم‌های اینترنت اشیا (IoT) و بینایی ماشین می‌توان به بهینه ترین زمان برای تعمیر تجهیزات رسید.

+ این مورد را دقت داشته باشید که در صورتی که زمان مناسب برای تعمیرات انتخاب نکنید و خط تولید دچار مشکل شود، کارخانه با چه ضرری روبه‌رو خواهد شد و هزینه تعمیرات به موقع به مراتب بسیار کمتر از زمانی است که مشکلات ایجاد شود.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#machin_vision
#IOT

🔍معرفی (Single Shot MultiBox Detector (SSD

▪️ یک الگوریتم یادگیری عمیق که برای تشخیص اشیا در تصاویر استفاده می‌شود.در عمل هم مکان‌های احتمالی اشیا را پیشنهاد می‌کند و هم نوع آنها را پیش‌بینی می‌کند.

▪️مزایای استفاده از SSD :

◽ سرعت بالا: SSD بسیار سریع‌تر از بسیاری از روش‌های تشخیص اشیا دیگر است، زیرا از یک شبکه عصبی واحد برای انجام همه کارها استفاده می‌کند.

◽ دقت بالا: SSD دقت بالایی در تشخیص اشیا از اندازه‌های مختلف و در کلاس‌های مختلف دارد.

◽ انعطاف‌پذیری: SSD را می‌توان برای تشخیص اشیا در تصاویر با اندازه‌های مختلف و نسبت‌های مختلف تنظیم کرد.

▪️از SSD برای تشخیص اشیا در تصاویر ثابت استفاده می‌شود، مانند تشخیص چهره،تشخیص خودرو، تشخیص عابران پیاده و غیره.هم چنین SSD رامی‌توان برای تشخیص اشیادر ویدیوها نیز استفاده کرد، مانندسیستم‌های نظارت تصویری و خودروهای خودران.

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