گروه تخصصی پردازش تصویر هوشمند Intellimage

✔ تبدیل ایده‌ها به واقعیت

باماهمراه باشید 🌱

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

📚Intermediate Python

• لینک دسترسی به آموزش:

📥 https://book.pythontips.com/en/latest/index.html


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

🪩 پروژه InnerEye در لیست تحقیقات مایکروسافت

○• مایکروسافت با پروژه InnerEye، تجزیه و تحلیل تصاویر پزشکی با استفاده از هوش مصنوعی را بصورت دسترسی آزاد قرار میدهد. پلتفرم پیشرفته تحلیل تصاویر پزشکی مایکروسافت، با استفاده از هوش مصنوعی، دقت و کارایی خدمات بهداشتی را افزایش داده و تشخیص زودهنگام بیماری ها را بهبود می بخشد.

○• تیم تحقیقاتی مایکروسافت با توسعه یک پلتفرم با محوریت هوش مصنوعی ، که از یادگیری ماشینی برای ارائه پشتیبانی تشخیصی دقیق و کارآمد به پزشکان استفاده می کند، گام های مهمی در زمینه تحلیل تصاویر پزشکی برداشته اند. این پروژه به کاهش زمان انتظار در سیستم ملی بهداشت بریتانیا (NHS) و بهبود مراقبت از بیماران کمک می کند.

○• یکی از حوزه های موفق این سیستم، کاهش خطاهای تشخیصی در انکولوژی، بیماری های قلبی-عروقی و به ویژه رادیولوژی است.این سیستم قادر به تحلیل کمی خودکار تصاویر پزشکی سه بعدی و تفسیر الگوهای داده پیچیده است که حتی افراد با تجربه نیز به راحتی نمی توانند تشخیص دهند.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#machin_vision

🖇 معرفی فرمت COCO در داده کاوی

• فرمت COCO(Common Objects in Context) یک فرمت استاندارد داده است که برای توصیف و notation تصاویر استفاده می‌شود.

• توسط Microsoft، Google و Facebook توسعه داده شده است و به طور گسترده در پروژه‌های مربوط به تشخیص و شناسایی اشیا در تصاویر استفاده می‌شود.

• فرمت COCO، فرمت داده‌ای است که شامل موارد زیر است:

۱. تصاویر: مجموعه‌ای از تصاویر واقعی که در آن‌ها اشیا و موجودات مختلف وجود دارد.

۲. بحث Annotations: توصیف‌های متنی که در مورد هر تصویر ارائه شده است. این توصیف‌ها می‌تواند شامل bounding box‌ های مشخص کننده موقعیت اشیا، برچسب‌های مشخص کننده نوع اشیا، ماسک‌های سگمنتیشن برای هر شی و سایر توصیف‌های متنی باشد.

۳. بحث Metadata: اطلاعات تکمیلی در مورد هر تصویر مانند منبع تصویر، تاریخ و زمان ثبت آن و سایر مشخصات.

• فرمت COCO به صورت استاندارد و قابل خوانش JSON ذخیره می‌شود و به طور گسترده در پروژه‌های تشخیص اشیا و سگمنتیشن تصاویر مورد استفاده قرار می‌گیرد.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing

🆕️ فناوری بینایی ماشین در عملکرد ربات غریق نجات

○ در یک ربات غریق نجات، بینایی ماشین از طریق دوربین ها و سنسورهای مختلف، محیط آبی را تحلیل می کند و افراد در حال غرق شدن رابه سرعت تشخیص می دهد ؛ سپس ربات میتواند مسیر حرکت خود را برنامه ریزی کرده و با سرعت به محل حادثه برسد.

○ همچنین بینایی ماشین به ربات کمک می کند تا ویژگی های جسمی فرد، مانند اندازه و وزن را شناسایی کرده و در عملیات نجات از تجهیزات مناسب استفاده کند.
+ این قابلیت ها، نقش حیاتی بینایی ماشین در افزایش سرعت و دقت عملکرد ربات های غریق نجات را نشان می دهد.

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

📚 تازه های دنیای پژوهش

📄 بهبود تشخیص ضایعات dermatology با استفاده از مدل SkinGPT-4

• این مقاله به تازگی در nature به چاپ رسیده است و در زمینه مدل‌های زبانی بزرگ (LLMs) است که اخیراً به عنوان ابزاری با پتانسیل فوق‌العاده در پیشرفت تشخیص پزشکی، به‌ویژه در تشخیص بیماری‌های پوستی، مورد توجه قرار گرفته‌اند.

• در این پژوهش ، سیستم تشخیصی پوستی به نام SkinGPT-4 معرفی شده است که یک سیستم تشخیص Dermatology تعاملی مبتنی بر مدل‌های زبان بزرگ چندمدلی است و یک ترنسفورمر بصری پیش‌آموزش‌دیده با یک مدل LLM به نام Llama-2-13b-chat هماهنگ شده است.

• برای این کار، مجموعه‌ای گسترده شامل ۵۲,۹۲۹ تصویر بیماری پوستی، کنسپت‌های بالینی و یادداشت‌های پزشکان جمع‌آوری شده و یک استراتژی آموزشی دو مرحله‌ای طراحی شده است.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#article

🆕️ ربات STAR ، جراحی های پیچیده را انجام می‌دهد!

✅ دانشمندان بر این باورند که ربات هوشمند خودکار STAR توانایی انجام عمل‌های جراحی پیچیده را حتی بهتر از جراحان حاذق دارد.این ربات بر مبنای پردازش تصویر و بینایی ماشین طراحی شده است.

✅ در آزمایش‌های کوچکی که بر روی خوکها انجام شد، این بازوی رباتیک موفق شد تا کار خود را در دوخت بافت روده این حیوانات، حتی بهتر از جراحان متبحر انجام دهد.

+ اخیرا این پژوهش در مجله Science Translational Medicine منتشر شده است.

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

🧠 تحلیل داده با Claude

• آیا می‌خواهید تحلیل‌های پیچیده داده‌ها را به سرعت و دقت انجام دهید؟

• با Claude، ابزار پیشرفته آنالیز داده، می‌توانید از قدرت هوش مصنوعی برای استخراج اطلاعات ارزشمند از داده‌های خود بهره‌مند شوید.

🔍 فناوری Claude به شما این امکان را می‌دهد که:

✔️ داده‌های بزرگ را سریع و دقیق پردازش کنید.
✔️ الگوها و روندها را شناسایی کنید.
✔️ پیش‌بینی‌های هوشمندانه انجام دهید.
✔️ گزارش‌های تحلیلی جامع و مفصل تولید کنید.

🖥️ فناوری Claude به شما کمک می‌کند تا در دنیای داده‌ها یک قدم جلوتر باشید.

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

🚀 ساخت دستگاه تصویر برداری ترموگرافی در گروه Intellimage

✅ این دستگاه‌ توانایی شبیه‌سازی و تحلیل دقیق تغییرات دما را در سطوح مختلف فراهم می‌آورد و با دقت بالایی در پزشکی کاربرد دارد.

📍تبدیل ایده‌ها به واقعیت

• باماهمراه باشید 🌱
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#intellimage_project

✅ الگوریتم های SORT و DeepSORT قابل استفاده برای ردیابی اشیاء در ربات های هوشمند

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

🖇الگوریتم های SORT و DeepSORT چگونه برای ردیابی اشیاء در ربات های هوشمند استفاده می شوند؟

▪︎الگوریتم (Simple Online and Realtime Tracking) یک الگوریتم ساده و کارآمد برای ردیابی چندین هدف در حال حرکت در یک ویدیو است.

• این الگوریتم با استفاده از آشکارسازی اشیاء و ویژگی های حرکتی آنها، اشیاء را شناسایی و ردیابی می کند.

• الگوریتم SORT به طور مؤثر و در زمان واقعی کار می کند و به همین دلیل برای کاربردهای مبتنی بر ربات که نیازمند پاسخ سریع هستند، مناسب است.

• مزیت SORT سرعت بالا و استفاده آسان در ربات های هوشمند است.

▪︎الگوریتم DeepSORT (Deep learning SORT) یک پیشرفت در الگوریتم SORT است که از یادگیری عمیق برای بهبود دقت ردیابی استفاده می کند.

• در این روش، یک شبکه عصبی عمیق برای استخراج ویژگی های ظاهری اشیاء مورد استفاده قرار می گیرد.

• این ویژگی ها به همراه اطلاعات حرکتی، به الگوریتم SORT کمک می کنند تا دقت ردیابی را افزایش دهد.

+ الگوریتم DeepSORT مقاومت بیشتری در برابر شرایط دشوار مانند اختفا، اکلوژن و تداخل اشیاء دارد.

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

🎥✨ساخت ویدیو با Runway-ML و Act-One

🚀 آیا تا به حال به تولید ویدیوهای خلاقانه به کمک هوش مصنوعی فکر کرده‌اید؟

‼️ حالا با Act-One در Runway-ML، این رؤیا به واقعیت تبدیل شده است!!

✅ این مدل پیشرفته به شما امکان می‌دهد ویدیوهای منحصر‌به‌فرد و حرفه‌ای ایجاد کنید، بدون نیاز به دانش کدنویسی یا ابزارهای پیچیده.

✅ با استفاده از فناوری یادگیری عمیق، Act-One می‌تواند تصاویر و ایده‌های شما را به فیلم‌های متحرک و زیبا تبدیل کند.

✅ از محتوای تبلیغاتی تا داستان‌سرایی تصویری، با Runway-ML و Act-One، دنیای خلاقیت در دستان شماست!
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#top_news
#RunwayML
#ActOne

🆕️ ربات های HOVER حرکات یکساله را در کمتر از یک ساعت یاد می‌گیرند!!

✴ مدل HOVER که توسط آزمایشگاه NVIDIA GEAR ایجاد شده است با فقط 1.5 میلیون پارامتر نشان داده که یاد گرفتن مهارت‌های حرکتی پیچیده نیاز به مدل‌های خیلی بزرگ ندارد و شبیه‌سازی فیزیکی را تا ۱۰ هزار برابر سریع‌تر می‌کند، ربات های انسان نما می‌توانند به اندازه‌ ی یک سال حرکت را درکمتر از یک ساعت یاد بگیرند.

✴ جیم فن اعلام کرده است که لازم نیست هر مدل بنیادی خیلی بزرگ باشد. ما یک شبکه عصبی با ۱.۵ میلیون پارامتر را آموزش داده ایم که می‌تواند بدن یک ربات انسان‌نما را کنترل کند.

✴ راه رفتن، حفظ تعادل و حرکت دادن دست و پا به موقعیت‌های دلخواه ؛ پردازش ناخود آگاه زیادی می‌خواهد. این "ناخودآگاهی" در مدل HOVER جمع آوری شده است ، مدلی که یاد می‌گیرد چطور موتورهای یک ربات انسان‌ نما را هماهنگ کند تا بتواند حرکت و اشیاء رو کنترل کند.

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

🆕️ تحقیقات جدید دانشگاه بوستون درجهت بهبود عملکرد خودروهای خودران

🔅 ماشین‌های خودران با استفاده از الگوریتم‌های یادگیری ماشین کار می‌کنند و به مقادیر زیادی از داده‌های رانندگی نیاز دارند تا به طور ایمن عمل کنند.

🔅 محققان دانشگاه بوستون در تلاش هستند با مشاهده سایر خودروها در جاده، پیش‌بینی چگونگی واکنش آنها به محیط اطراف و استفاده از این اطلاعات برای تصمیم‌گیری رانندگی خودشان ، روش جدیدی را برای آموزش ایمنی رانندگی به ماشین‌های خودران ایجاد کنند.

🔅 این روش باعث می‌شود که ماشین‌های خودران با مشاهده رفتار سایر خودروها، آن را به ورودی های خود اعمال کنند و در نتیجه به مقدار کمتری از داده‌های رانندگی نیاز پیدا کنند. همچنین این روش همکاری و تبادل داده بین شرکت‌ها را افزایش می‌دهد.

🔅 آزمایش‌های اولیه نشان داده است که فقط بایک ساعت داده رانندگی، این الگوریتم ماشین‌های خودران را قادر می‌سازد که در ۹۲٪ موارد به مقصد خود برسند ، در حالی که روش‌های قبلی به ساعت‌ها داده رانندگی نیاز داشتند.

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

✴ هوش مصنوعی و مدل‌های pose estimation در حوزه علوم ورزشی برای تشخیص صحیح حرکات و آنالیز نهایی در تمرینات کاربرد دارد!

✅ هوش مصنوعی و به‌ویژه تکنیک‌های pose estimation به‌سرعت در حوزه ورزش در حال پیشرفت هستند. این تکنیک‌ها به‌کمک دوربین‌های ویدئویی یا سنسورهای حرکتی، وضعیت نقاط کلیدی بدن را در هر لحظه تشخیص می‌دهند.

✅ این اطلاعات می‌تواند برای آنالیز دقیق تکنیک و تشخیص صحیح حرکات ورزشکاران استفاده شود و در ارزیابی عملکرد و تشخیص آسیب‌های احتمالی نیز کاربرد داشته باشند.
📥 Github

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

📚 چگونه یک شبکه عصبی کانولوشن (ConvNet) را برای طبقه‌بندی تصاویر با استفاده از یادگیری انتقالی آموزش دهیم؟

✅ در عمل کمتر اتفاق میفتد شبکه‌های عصبی کانولوشن را از ابتدا آموزش دهند، زیرا رایج نیست که یک دیتاست با اندازه کافی بزرگ وجود داشته باشد. در عوض، معمول است که یک ConvNet را بر روی یک دیتاست بسیار بزرگ (مانند ImageNet که شامل ۱.۲ میلیون تصویر با ۱۰۰۰ دسته است) از پیش آموزش دهند و سپس از این ConvNet به عنوان یک آغازگر یا استخراج‌کننده ویژگی‌های ثابت برای وظیفه‌ی مورد نظر استفاده کنند.

✅ دو سناریوی اصلی یادگیری انتقالی به این صورت است:

۱. تنظیم دقیق ConvNet: به جای مقداردهی تصادفی، شبکه با یک شبکه از پیش آموزش دیده شده (مانند آنچه که بر روی دیتاست ImageNet آموزش دیده است)مقداردهی می‌شودوبقیه مراحل آموزش مشابه معمول ادامه می‌یابد.

۲. شبکه ConvNet به عنوان استخراج‌کننده ویژگی ثابت: در این حالت، وزن‌های همه‌ی شبکه به جز لایه fully connected layer ثابت می‌ماند. این لایه نهایی با یک لایه جدید با وزن‌های تصادفی جایگزین می‌شود و تنها این لایه آموزش داده می‌شود.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage

Genie2:A large-scale foundation world model

🆕️ معرفی مدل Genie 2

✳ مدل Genie 2 یک مدل هوش مصنوعی قدرتمند است که می تواند تنوع بی پایانی از محیط های قابل کنترل اکشن، با قابلیت بازی سه بعدی را بر اساس یک تصویر ورودی ایجاد کند.

✳ برخلاف مدل های جهانی قبلی، Genie 2 تعمیم پذیری بیشتری را نشان می دهد و می تواند دنیاهای مجازی با تعاملات پیچیده اشیا، انیمیشن های شخصیت، فیزیک و رفتار سایر عوامل را شبیه سازی کند.

✳ کاربران می توانند به سادگی یک دنیای مطلوب را در متن توصیف کنند ؛ یک تصویر از آن را با استفاده از مدل متن به تصویر مانند Imagen 3 تولید کنند و سپس مستقیماً با آن دنیا تعامل و آن را کاوش کنند.

✳ این تحقیق زمینه ساز جریان های کاری و خلاقانه جدید در اعتبارسنجی تجارب تعاملی و آموزش عوامل هوش مصنوعی با قابلیت بیشتر در مجموعه ای بی پایان از محیط های مجازی است.

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