🖇 عملکرد شبکه CMTNet روی تصاویر هایپر طیفی UAV

🎚در پست قبلی در مورد شبکه CMTNet صحبت کردیم.تصاویر هایپر طیفی که از پهپادها (UAV) به دست می‌آید، داده‌های دقیق و جامعی از نظر طیفی و فضایی ارائه می‌دهد که پتانسیل تحول‌آفرینی را برای کاربردهای کشاورزی دقیق دارد. این کاربردها شامل طبقه‌بندی محصولات، نظارت بر سلامت و برآورد محصول هستند. اما روش‌های سنتی در شناسایی ویژگی‌های محلی و جهانی در محیط‌های پیچیده کشاورزی با تنوع نوع محصولات و مراحل رشد مختلف با چالش‌هایی مواجه هستند.

🔍 برای رفع این چالش‌ها، CMTNet پیشنهاد شد ؛ یک چارچوب یادگیری عمیق نوآورانه که شبکه‌های عصبی کانولوشنی (CNN) و ترنسفورمرها را برای طبقه‌بندی محصولات هایپر طیفی ترکیب می‌کند. این مدل شامل:

۱. ماژول استخراج ویژگی‌های طیفی-فضایی: برای شناسایی ویژگی‌های سطحی.

۲. معماری دو شاخه: که به طور همزمان ویژگی‌های محلی و جهانی را استخراج می‌کند.

۳. ماژول محدودیت چندخروجی: برای افزایش دقت طبقه‌بندی از طریق محدودیت‌های متقابل در سطوح مختلف ویژگی‌ها.

🔍 آزمایش‌های گسترده‌ای بر روی سه مجموعه داده به دست آمده از UAV انجام داده شد. نتایج آزمایش‌ها نشان می‌دهد که CMTNet به دقت کلی (OA) 99.58٪، 97.29٪ و 98.31٪ در این سه مجموعه داده دست یافته است، که به ترتیب از روش پیشرفته فعلی (CTMixer) به میزان 0.19٪، 1.75٪ و 2.52٪ در دقت کلی فراتر رفته است.

🔍 این یافته‌ها نشان‌دهنده پتانسیل بالای CMTNet برای نظارت کشاورزی مبتنی بر UAV در محیط‌های پیچیده است و به دقت و قابلیت اطمینان طبقه‌بندی محصولات هایپر طیفی کمک می‌کند، و راه‌حلی ارزشمند برای چالش‌های کشاورزی دقیق ارائه می‌دهد.

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

🆕️ ایلان ماسک از کاربران خواسته است تا تصاویر PET ،X-Ray و MRI را به چت‌بات هوش مصنوعی Grok ارسال کنند.

■ ایلان ماسک، مالک xAI، از بیماران و ارائه‌دهندگان خدمات پزشکی خواسته است تا تصاویر X-Ray، PET و MRI خود را برای تحلیل به ربات چت هوش مصنوعی Grok ارسال کنند. او این درخواست را منتشر کرده و از کاربران خواسته تا بازخورد خود را درباره عملکرد Grok ارائه دهند.

■ ماسک اعلام کرد که Grok هنوز در مراحل اولیه است، اما دقت بالایی دارد و به زودی پیشرفته‌تر خواهد شد. در واکنش به این درخواست، رادیولوژیست‌ها نظرات خود را بیان کردند. دکتر تیبو ژاک و دکتر لورا هیکاک، هر دو به نتایج Grok انتقاد کردند و آن را «بیش از حد کلی» و فاقد دقت لازم دانستند.

■ هیکاک با اشاره به آزمایش‌هایش با Grok، گفت که این ربات در شناسایی تصاویر پزشکی دچار اشتباهاتی شده و نتوانسته تشخیص‌های دقیقی ارائه دهد. او همچنین افزود که Grok برای تشخیص‌های پزشکی مناسب نیست و هنوز نیاز به پیشرفت دارد.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage

🆕️ هوش مصنوعی، یاور جدید چشم‌پزشکان برای کنترل آب‌مروارید

✅ در سال‌های اخیر، الگوریتم‌های مبتنی بر هوش مصنوعی در زمینه‌های مختلف پزشکی، از جمله بیماری‌های چشمی، به کار گرفته شده‌اند. این فناوری به پزشکان کمک می‌کند تا بیماری‌هایی مانند آب مروارید را با دقت بالا و حتی پیش از بروز علائم تشخیص دهند. چنین قابلیتی می‌تواند نقش مهمی در پیشگیری از نابینایی و افزایش کیفیت زندگی بیماران ایفا کند.

🔍 تحقیقات جدید:
گروه فناوری اطلاعات سلامت دانشگاه علوم پزشکی فسا، با همکاری دانشگاه علوم پزشکی کرمان، پژوهشی را برای بررسی نقش تکنیک‌های هوش مصنوعی در تشخیص و مدیریت بیماری آب مروارید انجام داده‌اند. هدف آن‌ها این است که بفهمند آیا می‌توان از الگوریتم‌های یادگیری ماشینی و تحلیل داده برای کمک به پزشکان در تشخیص سریع‌تر و دقیق‌تر این بیماری استفاده کرد یا خیر.

📊 روش تحقیق:
محققان با استفاده از روش مرور سیستماتیک، مطالعات منتشرشده مرتبط را بررسی کردند و تمامی مقالات علمی انگلیسی‌زبان در این زمینه را از پایگاه‌های اطلاعاتی PubMed، Scopus و Web of Science استخراج و تحلیل کردند.

✅ نتایج:
این بررسی نشان داد که روش‌های مختلف هوش مصنوعی، از جمله شبکه عصبی پیچشی و یادگیری عمیق، توانسته‌اند در حدود ۷۰ درصد موارد در تشخیص بیماری، ۱۷ درصد در مدیریت و ۱۳ درصد در پیش‌بینی آن به کار گرفته شوند. این تکنیک‌ها به پزشکان کمک می‌کنند تا بیماران را با سرعت و دقت بیشتری نسبت به روش‌های سنتی شناسایی و درمان کنند.
🆔 telegram channel:
https://news.1rj.ru/str/Intellimage
#AI_news

🆕️ مجموعه داده HUMOTO از Adobe منتشر شد!

●شرکت Adobe از مجموعه داده‌ی HUMOTO رونمایی کرده که برای مدل‌سازی تعاملی انسان-اشیاءطراحی شده است. این دیتاست برای حوزه‌های زیر مناسب است:
- تولید حرکت (Motion Generation)
- بینایی ماشین
- رباتیک

● مشخصات دیتاست:
- شامل بیش از ۷۰۰ توالی (معادل ۷,۸۷۵ ثانیه با نرخ ۳۰ فریم بر ثانیه)
- تعامل با ۶۳ شیء مدل‌سازی‌شده با دقت بالا
- شامل ۷۲ قطعه مفصلی (articulated parts)

🔗 مقاله علمی 
🔗 لینک پروژه در سایت Adobe 

🔍 این دیتاست، گام بزرگی برای آموزش مدل‌های هوشمند در تعامل‌های فیزیکی واقع‌گرایانه محسوب می‌شود.
+📃TechnologicalIdeas
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#machinevision
#data

■▪︎ پردازش تصویر هوشمند Intellimage

✅ پژوهش‌ در حوزه ی تصویر در صنعت و سلامت

■▪︎ با ماهمراه باشید 🌱

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

✅ معرفی #پروژه انجام شده در حوزه ی پردازش تصویر :

انتخاب ویژگی های مناسب به منظور تشخیص و طبقه بندی ضایعات ملاتوسیتیک خوش خیم از بدخیم

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

🖇 توضیحات #پروژه:

✅ پروژه "انتخاب ویژگی‌های مناسب به منظور تشخیص و طبقه‌بندی ضایعات ملاتوسیتیک خوش‌خیم از بدخیم" بر پایه تحلیل و استخراج ویژگی‌های کلیدی از تصاویر پزشکی و داده‌های بالینی مرتبط با ضایعات ملاتوسیتیک استوار است.
✅ هدف اصلی این پروژه، توسعه یک مدل هوش مصنوعی است که قادر به تمایز دقیق بین ضایعات خوش‌خیم و بدخیم باشد. برای این منظور، ابتدا ویژگی‌های مختلفی از جمله اندازه، شکل، رنگ و بافت ضایعات استخراج می‌شود. سپس با استفاده از تکنیک‌های یادگیری ماشین و الگوریتم‌های انتخاب ویژگی، بهترین ترکیب ویژگی‌ها شناسایی می‌شود تا دقت و کارایی مدل افزایش یابد.
✅ این پروژه می‌تواند به پزشکان در تشخیص زودهنگام و دقیق‌تر انواع ضایعات ملاتوسیتیک کمک کند و در نهایت به بهبود نتایج درمانی بیماران منجر شود.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#project

🚀 شتاب شرکت‌های علوم زیستی به‌سوی عصر هوش مصنوعی در ۲۰۲۴!

✴ در سال ۲۰۲۴، همگرایی هوش مصنوعی و علوم زیستی به نقطه عطفی رسید. تقریباً ۱۰ میلیارد دلار در مشارکت‌های کلان سرمایه‌گذاری شده است که نشان‌دهنده تحول استراتژیک در صنعت داروسازی است.

✴ شرکت‌های بزرگی مانند Eli Lilly و Novartis در صدر این حرکت قرار دارند و به‌دنبال ادغام AI در فرآیندهای تحقیق و توسعه هستند. تغییر رویکرد از توسعه داخلی ابزارهای AI به همکاری با استارتاپ‌های نوآور مانند Isomorphic Labs، نشان‌دهنده یک پارادایم جدید در توسعه دارو است.

✴ هوش مصنوعی اکنون یک الزام در نوآوری‌های دارویی است و در تمام زنجیره ارزش دارویی نفوذ کرده است. شرکت‌ها با هدف کاهش زمان توسعه و افزایش دقت درمان‌ها، به سرعت در حال پیشرفت هستند.

✴ پیام سال ۲۰۲۴ واضح است: شرکت‌های علوم زیستی نه تنها ناظر بر انقلاب AI هستند، بلکه پیش‌برنده آن‌ نیز هستند!
🔗📃BioInformatics_Association
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage

📊 معرفی #دیتاست OpenMind

🩻 دیتاست OpenMind یک مجموعه بزرگ از تصاویر MRI سه‌بعدی ناحیه سر و گردن است که شامل 114 هزار تصویر MRI می‌باشد. هدف این دیتاست فراهم کردن دسترسی به داده‌های پزشکی سه‌بعدی برای تسریع در توسعه روش‌های یادگیری خودنظارتی در این زمینه است. این داده‌ها از 800 دیتاست مختلف در پلتفرم OpenNeuro جمع‌آوری شده و شامل 23 نوع مختلف تکنیک MRI از بیش از 30 اسکنر متفاوت می‌باشد.

✅ ویژگی‌های این دیتاست :

• ارائه متادیتای طبقه‌بندی شده برای هر یک از 114 هزار تصویر

• وجود ماسک‌های deface که نواحی ناشناس را مشخص می‌کند

• وجود ماسک‌های آناتومی برای شناسایی نواحی آناتومیک

📁 ساختار دیتاست:
دیتاست به صورت مشابه با دیتاست‌های OpenNeuro ساختاربندی شده و فرمت BIDS اصلاح‌شده‌ای را دنبال می‌کند. پیشنهاد می‌شود از فایل openneuro_metadata.csv برای دسترسی به مسیرهای نسبی تصاویر و ماسک‌ها استفاده کنید.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#Dataset

🅿️ دوره پایتون

✅ قسمت ۱۹ پردازش تصویر در #پایتون

✅ حاشیه‌نویسی تصاویر و بهبود کیفیت تصاویر

۱. حاشیه‌نویسی تصاویر

حاشیه‌نویسی تصاویر یک مهارت کلیدی در کار با داده‌های بصری است و در اینجا به چند تکنیک برای ویرایش و برچسب‌گذاری تصاویر اشاره میکنیم:

- کشیدن خطوط: اضافه کردن خطوط صاف و ساده برای برجسته کردن نواحی یا مسیرهای خاص در یک تصویر.

- کشیدن دایره‌ها: ضروری برای علامت‌گذاری اشیای مورد نظر یا تعریف نواحی درون یک تصویر.

- کشیدن مستطیل‌ها: ایجاد جعبه‌های محدودکننده برای حاشیه‌نویسی یا برجسته کردن بخش‌های خاص تصویر.

- اضافه کردن متن: نوشتن متن به‌منظور توصیف یا برچسب‌گذاری بخش‌های مختلف تصویر.

۲. بهبود کیفیت تصاویر

تکنیک‌های مختلف بهبود کیفیت تصاویر درجهت  افزایش کیفیت و وضوح تصاویر :

- عملیات ریاضی: بررسی قدرت جمع و ضرب ساده برای تنظیم روشنایی، کنتراست و وضوح تصویر.

- آستانه‌گذاری و ماسک‌گذاری: تکنیک‌هایی برای تقسیم‌بندی تصاویر، ایزوله کردن نواحی خاص و تأکید بر ویژگی‌های خاص.

- عملیات بیتی: کسب insight در مورد عملیات منطقی (AND، OR، XOR) برای ترکیب یا تغییر تصاویر در سطح پیکسل.

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

🆕️ محاسبات مبتنی بر نور: تحولی در هوش مصنوعی و پردازش تصویر

💡محاسبات مبتنی بر نور در حال redefining هوش مصنوعی است و پردازش سریع‌تر و با بهره‌وری انرژی بالاتر را ممکن می‌سازد.

〽️ پردازشگرهای فوتونیکی ، مانند شبکه‌های عصبی نانوفوتونیک، قادرند محاسبات را با سرعت نور انجام دهند.

〽️ این پیشرفت، وظایفی مانند طبقه‌بندی تصویر و شناسایی اشیاء را تسریع می‌بخشد و راه را برای خودروهای خودران، ربات‌ها و دستگاه‌های پزشکی هوشمند هموار می‌کند.

〽️ درنتیجه سیستم‌های هوش مصنوعی سریع‌تر، کارآمدتر و توانمند در پردازش داده‌های پیچیده با حداقل مصرف انرژی کار می‌کند.

+ در پست بعدی به سایر مزایای این فناوری می‌پردازیم ، با ماهمراه باشید.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing

🆕️🖇 مزایای محاسبات مبتنی بر نور در هوش مصنوعی و پردازش تصویر

✴ در پست قبل در رابطه با محاسبات مبتنی بر نور در هوش مصنوعی و پردازش تصویر صحبت کردیم ، علاوه بر مزایایی که نام بردیم، موارد دیگری نیز هستند که جزو مزیت های این فناوری می‌باشند . درواقع روندی که با واقعیت مجازی و گرافیک سه‌بعدی همراه است، می‌تواند واقع‌گرایی و غوطه‌وری را افزایش دهد:

- نقشه‌برداری ۳D مبتنی بر LiDAR: اسکن‌های لیزری دقیق، محیط‌های مجازی واقع‌نما را برای آموزش و شبیه‌سازی ایجاد می‌کنند.

- رندرینگ تقویت‌شده با هوش مصنوعی: شبکه‌های عصبی داده‌های LiDAR را پردازش می‌کنند تا مدل‌های سه‌بعدی پویا را به صورت real-time تولید کنند و تعامل بین دنیای مجازی و فیزیکی را تسهیل کنند.

- دوربین‌های نورومورفیک: این دوربین‌ها که از دید انسان الهام گرفته‌اند، حرکات چشم را ردیابی می‌کنند و فقط آنچه را که کاربر به آن نگاه می‌کند رندر می‌کنند، که باعث کاهش تأخیر و افزایش عملکرد می‌شود.

💡نور تنها دنیای ما را روشن نمی‌کند ؛ بلکه موتور ایجاد امواج بعدی پیشرفت‌های تکنولوژیکی است.!!
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#AI_news

🖇 اجزای معماری شبکه‌ های U-Net

۱. بخش Encoder:
- این بخش از لایه‌های کانولوشنی و عملیات پایپولینگ برای استخراج ویژگی‌ها از تصویر ورودی استفاده می‌کند. این کار به تدریج وضوح فضایی را کاهش داده و تعداد کانال‌های ویژگی را افزایش می‌دهد.

۲. بخش Decoder:
   - این بخش ویژگی‌های استخراج شده را با استفاده از عملیات Up-sampling بازسازی می‌کند و آنها را با نقشه‌های ویژگی مربوطه از Encoder از طریق Skip connections ترکیب می‌کند تا وضوح تصویر اصلی را بازسازى نماید.

۳. اتصالات Skip Connections:
   - این اتصالات به Decoder اجازه می‌دهند تا به ویژگی‌های دقیق‌تر به‌دست‌آمده در Encoder دسترسی داشته باشد، که برای محلی‌سازی دقیق اشیاء در تصویر بسیار حیاتی است.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage

🖇📉چالش های شبکه عصبی U-Net

🔗 در پست اخیر در رابطه با شبکه های عصبی کانولوشنی U-Net صحبت کردیم که یکی از مدل‌های معروف در پردازش تصویر، به ویژه در زمینه segmentaion تصویر پزشکی است. با این حال، مانند هر مدل دیگری، U-Net نیز با چالش‌هایی مواجه است. برخی از این چالش‌ها به شرح زیر است:

۱. مبحث Overfitting:

•شبکه  U-Net به دلیل معماری پیچیده‌اش ممکن است به راحتی بر روی داده‌های آموزشی بیش‌برازش (overfit) کند، به ویژه زمانی که داده‌های آموزشی محدود باشند.

۲. عدم تعادل کلاس‌ها:

• در بسیاری از کاربردها، تعداد پیکسل‌های متعلق به کلاس‌های مختلف ممکن است بسیار متفاوت باشد که می‌تواند منجر به یادگیری نامناسب مدل شود.

۳. حجم بالای محاسبات:

•شبکه U-Net به دلیل ساختار عمیق و تعداد زیاد پارامترها ممکن است به منابع محاسباتی زیادی نیاز داشته باشد.

۴. انتقال اطلاعات:

• در برخی موارد، اطلاعات مهم ممکن است در طول مراحل down-sampling و up-sampling از دست برود.
در ادامه همراه ما باشید تا در مورد روش حل این چالش ها بیشتر صحبت کنیم.!

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

✅ راه حل چالش‌های معماری U-Net

✳ در پست های قبل در رابطه با شبکه U-Net و اهمیت این معماری در پردازش تصویر صحبت کردیم . در کنار مزایای زیادی که این‌ شبکه دارد؛چالش هایی نیز وجود دارد که به آن اشاره کردیم. در ادامه به بخشی از روش های حل این چالش ها اشاره میکنیم؛

۱. استفاده از تکنیک‌های منظم‌سازی (Regularization):

• استفاده از Dropout، L2 regularization و Augmentation داده‌ها می‌تواند به کاهش overfitting کمک کند.

۲. استفاده از Weighted Loss:

• برای مقابله با عدم تعادل کلاس‌ها، می‌توان از تابع هزینه وزنی استفاده کرد که به کلاس‌های کمتر نمایان وزن بیشتری می‌دهد.

۳. استفاده از شبکه‌های پیشرفته‌تر:

• شبکه‌هایی مانند ResNet یا DenseNet می‌توانند به عنوان پایه‌ای برای U-Net استفاده شوند تا عملکرد آن را بهبود بخشند.

۴. تکنیک‌های Skip Connections:

•شبکه  U-Net از skip connections استفاده می‌کند که می‌تواند اطلاعات مهم را در طول مراحل down-sampling و up-sampling حفظ کند. این تکنیک می‌تواند با استفاده از شبکه‌های دیگر مانند FPN (Feature Pyramid Networks) تقویت شود.

۵. استفاده از شبکه‌های پیشرفته‌تر برای segmentaion:

• شبکه‌هایی مانند DeepLab، Mask R-CNN و SegNet نیز می‌توانند به عنوان جایگزین یا مکمل U-Net مورد استفاده قرار گیرند.

💡با توجه به این چالش‌ها و راه‌حل‌ها، انتخاب بهترین روش بستگی به نوع داده و کاربرد خاص دارد.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage