2025.pdf

📚 تازه های دنیای پژوهش

🆕️ عنوان مقاله ؛
📝 Innovative adaptive edge detection for noisy images using wavelet and 
Gaussian method

📃 این مقاله که به تازگی در Nature منتشر شده در زمینه تشخیص لبه ی تصاویر نویزی به تحقیق و بررسی پرداخته است.

📖 تشخیص لبه یک موضوع مهم در پردازش تصویر هست به‌ویژه برای شناسایی و تفکیک دقیق اشکال در تصاویر دیجیتال نویزی.
این مطالعه یک روش نوآورانه برای تشخیص لبه را ارائه می‌دهد که شامل یک ماژول کاهش نویز و تکنیک آستانه‌گذاری تطبیقی است تا به‌طور مؤثری چالش‌های مربوط به نویز گاوسی در تصاویر را برطرف کند.ویژگی‌های کلیدی روش پیشنهادی شامل؛

• استفاده از توابع کاهش نویز موجک و گاوسی برای تجزیه، فیلتر و بازسازی تصویر.

• بهبود کیفیت تصویر و کاهش تأثیر نویز.

• به کارگیری روش آستانه‌گذاری تطبیقی مبتنی بر روش OTSU اصلاح شده.

📖 برای ارزیابی عملکرد، معیارهای عینی مانند MSE، و PSNR مورد استفاده قرار گرفته است. نتایج مقایسه‌ای نشان می‌دهد که روش پیشنهادی از روش‌های سنتی مانند Canny و Roberts بهتر عمل می‌کند.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#article

🆕️ معرفی پروژه OpenBiomedVid

✅ ویدئوهای آموزشی منبعی مناسب برای آموزش هوش مصنوعی!

🔍 پروژه OpenBiomedVid

✳ ویدیوهای پزشکی منتشر شده در پلتفرم‌های مختلف به منبع مهمی برای دانشجویان تبدیل شده‌اند. این ویدیوها با ترکیبی از تصاویر، توضیحات صوتی و نمودارها، برای آموزش انسان‌ها طراحی شده‌اند.

✳ تحقیقی جدید به بررسی این موضوع پرداخته که آیا این ویدیوها می‌توانند به مدل‌های هوش مصنوعی در یادگیری زیست‌پزشکی کمک کنند. برای این منظور، دیتاست OpenBiomedVid با ۱۰۳۱ ساعت ویدیو و محتوای مرتبط جمع‌آوری شده است.

✳ مدل‌های Qwen-2-VL که با این دیتاست آموزش دیده‌اند، پیشرفت چشمگیری داشته‌اند؛ به‌طوری‌که مدل ۲ میلیارد پارامتری توانسته ۹۸.۷٪ در تسک‌های ویدیویی عملکرد خوبی داشته باشد. خیلی هیجان انگیز است که دو بنچمارک جدید به نام‌های MIMICEchoQA و SurgeryVideoQA برای ارزیابی بهتر این مدل‌ها معرفی شده است و مدل با امتیاز خوبی توانست از فیلم های آموزشی بیاموزد!
🔗 article
🔗GitHub
🔗neuraitex
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage

🆕️ دقت بالا در دوربین های فراطیفی

✅ دوربین‌های فراطیفی (Hyperspectral Cameras) ابزارهای پیشرفته‌ای هستند که قادرند طیف وسیعی از نور را در باندهای مختلف ثبت کنند. این دوربین‌ها به جای اینکه فقط رنگ‌های معمولی (قرمز، سبز و آبی) را ثبت کنند، می‌توانند اطلاعات بیشتری از طیف نوری را جمع‌آوری کنند. این ویژگی باعث می‌شود که دوربین‌های فراطیفی در کاربردهای مختلفی از جمله پزشکی، کشاورزی و محیط زیست بسیار مفید باشند.

✅ دوربین‌های فراطیفی با تجزیه و تحلیل نور منعکس شده از سطح پوست، می‌توانند اطلاعات دقیقی درباره ساختار زیرین آن ارائه دهند. این دوربین‌ها قادرند با شناسایی تفاوت‌های طیفی بین بافت‌های مختلف، رگ‌ها را از سایر بافت‌ها متمایز کنند. به عنوان مثال، رگ‌ها معمولاً رنگی تیره‌تر دارند و در نتیجه طیف نوری متفاوتی نسبت به بافت‌های اطراف خود دارند.

✅ این دوربین می‌تواند از رگ‌های دست که زیر پوست است عکس بیاندازد و اگر مشکل خاصی وجود داشته باشد، مانند یک مریضی، آن ‌را به شما نشان دهد یا اینکه داخل یک میوه و غذا را برایتان به تصویر بکشد تا بدانید مناسب خوردن است یاخیر.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage

🆕️ عکسبرداری از ماه با کیفیتی بهتر از قبل

✅ به طور معمول چشم ما بهتر از دوربین موبایل می‌تواند از منظره یک شب مهتابی تصویربرداری کند و عکس‌های ماه و شب معمولا کیفیت مناسبی ندارند. سال‌ها قبل برای غلبه بر این مشکل و البته گرفتن اطلاعات از زیرلایه‌های سخت، دوربین‌های «فراطیفی» (Hyperspectral) اختراع شدند که در ماهواره‌های نظامی هم از آنها استفاده می‌شود.

✅ عملکرد این دوربین فوق العاده جذاب است!دانشگاه واشنگتن موفق به ساخت دوربین «فراطیفی» شده است که می‌تواند در گوشی‌های هوشمند نیز به کار رود و از درون میوه‌ها، پوسته زمین یا حتی رگ و پوست انسان، واقعیت‌های آنها را آشکار کند.

✅ اکنون تیمی متشکل از مهندسان دانشگاه واشنگتن و مایکروسافت، موفق شده‌اند نوعی از دوربین‌های فراطیفی را بسازند که قابلیت نصب در گوشی‌های تلفن همراه را داشته باشد و قیمت آن نیز بیشتر از 50 دلار تمام نشود.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing

📸 دوربین ترموگرافی

✅ عملکرد این دوربین خاص، ترکیب و تبدیل سیگنال‌های مادون قرمز به تصاویر قابل دیدن است، و این امکان را می‌دهد که هر دو نوع تصویر (مرئی و IR) را باهم تحلیل کنیم، که در مواردی مثل تشخیص موارد پنهان یا در شب، بسیار کاربردی است. از جمله موارد قابل توجه در این دوربین شامل موارد زیر است :

- لنزهای متفاوت: مثل لنزهای تمرکزی قابل تمرکز بر تصاویر مرئی و مادون قرمز (IR).
- حسگرها: شامل حسگرهای CMOS برای گرفتن تصویر.
- حالت‌های تصویربرداری: تصاویر مرئی و IR در این سیستم پردازش میشوند تا اطلاعات بیشتری را درباره هدف‌های مورد نظر ارائه بدهد.

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

🔗📸 نحوه عملکرد دوربین ترموگرافی

۱. ورودی تصویر مادون قرمز (IR)
- ورودی این سیستم، تصویر یا سیگنال مادون قرمز است که توسط سنسور IR حساس دریافت می‌شود (مثل Input IR Image در تصویر).
- این سیگنال‌ها معمولاً اطلاعات مربوط به حرارت، ویژگی‌های پنهان یا مواد خاص رو نشان می‌دهند که در دید مرئی قابل مشاهده نیستند.

۲. فوکوس و جداسازی طیف‌ها
- سیستم دارای چندین لنز است، از جمله:
- لنز مرئی (Visible focusing lens): تمرکز بر تصاویر قابل دیدن.
- لنز IR (IR focusing lens): تمرکز روی سیگنال‌های مادون قرمز.

۳. پردازش با عدسی‌های تطبیقی و فیلترهای خاص
- عدسی‌های مخصوص، این سیگنال‌ها را جمع‌آوری و تمرکز می‌کنند، و اطلاعات حاصل با توجه به نوع طول موج (مرئی یا IR) جدا می‌شود.
- در این مرحله، سیگنال‌های مرئی و IR به صورت همزمان جمع‌آوری می‌شوند.

۴. تبدیل IR به تصویر مرئی
- سیگنال‌های IR پس از عبور از فیلترهای ویژه و عدسی‌های حساس، وارد یک سیستم تبدیل IR-to-visible می‌شوند.
- در این قسمت، فناوری‌هایی مانند شبکه‌های عصبی، فیلترهای دیجیتال و الگوریتم‌های پردازش سیگنال برای ترجمه و تفسیر این داده‌های طیفی به تصاویر قابل فهم انسان، استفاده می‌شود.

۵. خروجی نهایی در قالب تصویر همزمان مرئی و IR
- سپس تصاویر مرئی و IR در کنار هم یا به صورت ترکیبی (تلفیق تصاویر) ارائه می‌شن.
- این کار اجازه می‌ده تا تحلیل جامع‌تر و دقیق‌تر انجام شود، مثلا در تشخیص هر نوع هدف، تشخیص حرارت، یا موارد تخصصی دیگر.

✅ تکنولوژی‌های کلیدی در این سیستم:
- حساسیت چندطیفی لنزها و حسگرها: برای جمع‌آوری هر دو نوع سیگنال مرئی و IR.
- عدسی‌های تطبیقی و فیلترهای تخصصی: جهت تمرکز بر طول موج‌های مختلف.
- مدارهای پردازش دیجیتال و هوشمند: برای ترجمه سیگنال‌های IR به تصاویر قابل دیدن، معمولا با کمک شبکه‌های عصبی یا الگوریتم‌های یادگیری ماشین.

✅ کاربردهای علمی و عملی:
- پزشکی: تشخیص تومورها یا مناطق گرم در بدن.
- امنیت و نظارت: دید در شب، تشخیص حرارت یا اشیای مخفی.
- در تحقیقات علمی: مطالعه مواد و خواص آنها در طیف‌های مختلف.
- نظام‌های ردیابی و ناوبری: در نظام‌های خودران یا پهپادها.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage

🆕️ عملکرد مثبت مدل بالینی VLST ریه در تصویربرداری بالینی

🔗📃article

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

🔗 نحوه ی عملکرد مدل بالینی VLST در غربالگری ریه

✅ آزمایش‌های تصویربرداری بالینی نقش حیاتی در پیشبرد نوآوری‌های پزشکی دارند، اما اغلب هزینه‌بر و با محدودیت‌هایی همراه هستند. آزمایش‌های تصویربرداری مجازی (VITs) به عنوان یک راه‌حل، اجزای آزمایش بالینی را در یک محیط کنترل‌شده و بدون ریسک شبیه‌سازی می‌کنند.

✅ یکی از نمونه‌های موفق این رویکرد، آزمایش مجازی غربالگری ریه (VLST) است که الهام‌گرفته از آزمایش ملی غربالگری ریه (NLST) می‌باشد. این مطالعه نشان می‌دهد که چگونه VITs می‌توانند به تسریع آزمایش‌های بالینی، کاهش ریسک برای شرکت‌کنندگان و ارتقاء استفاده بهینه از فناوری‌های تصویربرداری در حوزه بهداشت و درمان کمک کنند.

✅ هدف این مطالعه نشان دادن این نکته بود که پلتفرم آزمایش تصویربرداری مجازی می‌تواند برخی از عناصر کلیدی یک آزمایش بالینی بزرگ، به ویژه NLST را بررسی کند. این آزمایش به مقایسه تصویربرداری با توموگرافی کامپیوتری (CT) و رادیوگرافی قفسه سینه (CXR) برای غربالگری سرطان ریه پرداخته است.

✅ این عملکرد CT نشان‌دهنده پتانسیل VITs برای شبیه‌سازی مؤثر جنبه‌های خاصی از آزمایش‌های بالینی است و راه را برای یک روش ایمن و کارآمد در پیشبرد تشخیص‌های مبتنی بر تصویربرداری هموار می‌کند.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage

✳ معماری Arm، قلب دنیای دیجیتال

✅ معماری Arm، به‌عنوان پایه‌ترین سازه در بزرگ‌ترین اکوسیستم محاسباتی جهان، نقش کلیدی در ساخت فناوری‌های مدرن ایفا می‌کند. این معماری، راه را برای تولید دستگاه‌هایی نوآورانه، امن و اقتصادی هموار می‌سازد.

✅ شرکت‌ها با مجوزهای معماری Arm، تراشه‌هایی مطابق با استانداردهای آن طراحی می‌کنند که در حال حاضر در بیش از ۳۰۰ میلیارد دستگاه مختلف نقاط جهان حضور دارند.

✅ این معماری نه تنها در میان گوشی‌های هوشمند، که در میلیون‌ها دستگاه اینترنت اشیا، برنامه‌های هوش مصنوعی، تجهیزات شبکه و موارد دیگر کاربرد دارد.

✅ از تجهیزات ساده IoT گرفته تا سامانه‌های پیشرفته‌ی یادگیری ماشین، Arm امکان توسعه دستگاههای متنوع و نوآورانه را با ابزارهای کامل و اکوسیستم جهانی قدرتمند فراهم می‌کند.

✅ در نگاهی به آینده، معماری Arm همچنان به یکی از اصلی‌ترین عوامل تحول در فناوری‌های دیجیتال ادامه می‌دهد، و همراه ما، نسل جدیدی از فناوری‌های متصل و هوشمند را رقم می‌زند.

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

✅ ترکیب قدرتمند سخت‌افزارهای تصویربرداری و نرم‌افزارهای هوشمند ، در پروژه‌های صنعتی و تولیدی

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

🖇📉 نمونه پروژه ی صنعتی با ترکیب سخت‌افزارهای تصویربرداری و نرم‌افزارهای هوشمند

✅ این پروژه بر پایه استفاده همزمان از چند دوربین CV60 GigE در حالت عملیاتی و کنار آن، بهره‌گیری از کتابخانه تصویربرداری Aurora (که قبلاً با نام Matrox Imaging Library شناخته می‌شد) است. این کتابخانه قدرتمند، یک بسته توسعه نرم‌افزار (SDK) برای ماشین ویژن است که شامل قابلیت‌های 2D، 3D و یادگیری عمیق می‌شود.

✅ هدف از این پروژه، طراحی و پیاده‌سازی راهکارهای سفارشی ماشین ویژن است که با سادگی و انعطاف‌پذیری بالا، نیازهای ردیابی، بازرسی کیفیت و کنترل فرآیند را برآورده می‌کند.

++ پورتفولیوی ماشین ویژن Zebra Technologies، مجموعه‌ای جامع است که راه‌حل‌های نرم‌افزاری و سخت‌افزاری متنوعی را برای سطوح مختلف، از مبتدی تا پیشرفته، عرضه می‌کند. این راهکارها، امکان حل مشکلات مربوط به ردیابی محصولات و تضمین کیفیت در خطوط تولید را فراهم می‌کنند.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#industry

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

✳ طبقه بندی وضعیت چین های صوتی حقیقی حنجره بر اساس تصاویر لارینگوسکوپی

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

🆕️ معرفی یک مدل پایه ای و جدید در تصویربرداری MRI با توانایی بخش‌بندی خودکار و مستقل از ترتیب تصاویر (sequence-independent segmentation)

🔗📃 article

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

🖇📃 نحوه ی عملکرد مدل ارائه شده

✅ در پست قبل ، به معرفی یک مدل پایه ای و جدید برای تصویربرداری MRI پرداختیم که توانایی بخش‌بندی خودکار و مستقل از ترتیب تصاویر (sequence-independent segmentation) از آناتومی بدن را دارد.

✅ در واقع، انجام بخش‌بندی دستی در MRI معمولاً کند، متغیر و محدود به نوع سکانس است؛ اما این مدل، یعنی TotalSegmentator MRI، اولین نمونه متن‌باز است که قادر است به صورت خودکار و دقیق، بخش‌های مختلف بدن را در هر نوع اسکن MRI شناسایی و جدا کند. این مدل بر پایه آموزش چندحالت (multi-modal) و ساختن شبکه nnU-Net ساخته شده که روی هزاران تصویر واقعی از داده‌های بالینی آموزش دیده است.

✅ برخی نکات مهم:

- این مدل، بیش از ۸۰ ساختار آناتومیک را در هر نوع MRI، به صورت مستقل و بدون وابستگی به سکانس، segmentation می‌کند.

- در مقایسه با مدل‌های قبلی، عملکرد فوق‌العاده‌ای دارد و حتی عملکرد مدل‌های مخصوص CT را نیز تقریبا نزدیک می‌کند.

- در تحقیقاتی در مقیاس بزرگ، از این مدل برای بررسی روند پیری اعضای بدن روی بیش از ۸۶۷۲ تصویر MRI شکم استفاده شده است، و تغییرات حجمِ قابل اندازه‌گیری در کبد، کلیه، طحال و غدد آدرنال را شناسایی کرده است.

✅ در عین حال، آموزش این مدل‌های با وضوح بالا هزینه زیادی دارد؛ به همین دلیل، محققان ساخت چندین مدل مجزا برای ساختارهای مختلف، در ۶ گروه انجام دادند که راهکار عملی و کارآمدی ارائه شد.
🆔️ telegram channel :
https://news.1rj.ru/str/Intellimage

🖇🩻 ترجمه ی تصاویر پزشکی ؛ موضوعی کاربردی در تحلیل تصاویر

☢ همانطور که در تست قبل مشاهده کردید، برای ترجمه‌ی تصاویر پزشکی از یک نوع به نوع دیگر، چند روش متداول و موثر وجود دارد که بسته به نیاز و داده‌ها می‌توانید از آن‌ها استفاده کنید:

🟡. شبکه‌های CycleGAN یا دیگر GANهای ترجمه تصویر :

- شبکه CycleGAN بهترین گزینه در زمانی است که نیاز دارید بدون جفت‌سازی مستقیم داده‌ها، تغییر دامنه‌ی تصاویر پزشکی (مثلاً MRI به CT یا تصویربرداری‌های مختلف) انجام دهید.
این مدل‌ها می‌توانند تصاویر را به شکل واقعی و بدون نیاز به نمونه‌های جفت، ترجمه کنند.

🟡. شبکه‌های Pix2Pix :

-شبکه های Pix2Pix بر پایه‌ی GAN است و باید تصاویر جفت (مثلاً MRI و نسخه‌ی مرتبط CT) داشته باشید.برای مواردی که داده‌های جفت دارید، این روش عالی است.

🟡. شبکه‌های ترجمه‌ی مبتنی بر Unet و دیگر معماری‌های خاص :

- در موارد خاص، معماری‌هایی مانند U-Net برای segmentation و ترجمه‌های پزشکی بکار می‌روند، اما بیشتر برای segmentation است.

- در صورت نیاز به تغییر کلی، بهتر است از GANهای ترجمه تصویر استفاده کنید.

🟡. روش‌های مبتنی بر یادگیری عمیق و autoencoders :

- شبکه های Autoencoders و Variational Autoencoders (VAE) هم در ترجمه تصویر کمک می‌کنند، اما معمولا در کنار GANها و روش‌های دیگر کاربرد دارند.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage

✅ نمونه پردازش انجام شده با استفاده از CycleGAN برای ترجمه تصاویر پزشکی

• مزیت اصلی CycleGAN، نیاز نداشتن به داده‌های جفت‌سازی است، که در حوزه پزشکی بسیار مفید است.

• می‌توانید مجموعه‌ تصاویر MRI و CT را در دامنه‌های مختلف آموزش دهید و مدل بتواند تصاویر را ترجمه کند.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage

📸 معرفی دوربین های pinhole

🔶️ دوربین‌های پین هول در دو تکنولوژی تحت شبکه (IP) و آنالوگ تولید می‌شوند.
این دوربین‌ها بر اساس چگونگی عملکرد با یکدیگر متفاوت هستند.

🔶️ دوربین پین هول IP در مقایسه با دوربین پین هول آنالوگ دارای قابلیت‌های بیشتری است. دوربین‌های پین هول آنالوگ برای ضبط تصاویر، نیاز به دستگاه ضبط دارند. اما در دوربین مخفی IP برای ثبت تصاویر نیاز به دستگاه ضبط وجود ندارد.

+ دوربین‌های مینیاتوری جدید دارای قابلیت‌هایی مانند کاهش نویز در تصویر، قابلیت ضد نور و… هستند.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#camera

📸🔗 ساختار دوربین های pinhole

🔶️ همانطور که در پست قبلی صحبت کردیم، دوربین مینیاتوری یا پین هول به عنوان کوچکترین دوربین مداربسته شناخته می‌شود.

🔶️ این دوربین‌ها دارای ابعاد کوچکی هستند. لنز این دوربین‌ها از نوع ثابت است. لنزهای دوربین مینیاتوری از بدنه دوربین نیز کوچکتر است.

🔶️ دوربین‌های پین هول را به دلیل ابعاد کوچکی که دارند، می‌توان در مکان‌های مختلف نصب کرد. دوربین‌های pinhole را می‌توان داخل خودرو، منزل، پشت اجسام مختلف مانند گلدان، تابلو و…. قرار داد.

🔶️ نحوه ساخت این دوربین‌ها به گونه‌ای است که افراد به راحتی نمی‌توانند دوربین جاسازی شده را تشخیص دهند.!
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#camera

📉 شبکه‌های کاملاً کانولوشنی مبتنی بر معماری Inception

🔷️ شبکه‌های کاملاً کانولوشنی (Fully Convolutional Networks یا FCNs) نوعی معماری شبکه عصبی عمیق هستند که به طور خاص برای وظایف تشخیص تصویر و پردازش تصویر طراحی شده‌اند.

🔷️ یکی از مشهورترین معماری‌ها برای این شبکه‌ها، معماری Inception است که به خاطر طراحی نوآورانه‌اش شناخته می‌شود.

🔷️ مزایای FCN مبتنی بر Inception:

- دقت بالا: به دلیل استفاده از چندین اندازه فیلتر و استخراج ویژگی‌های مختلف، FCNها می‌توانند دقت بالایی در تشخیص اشیاء و تقسیم‌بندی تصاویر داشته باشند.

- قابلیت مقیاس‌پذیری: این شبکه‌ها به راحتی می‌توانند برای ورودی‌های مختلف و اندازه‌های مختلف تصویر همانند تصاویر ویدئویی و ثابت استفاده شوند.

- کارایی: FCN های مبتنی بر Inception به طور معمول سریع‌تر از شبکه‌های متداول با لایه‌های پرکننده هستند، زیرا تعداد پارامترهای آنها کمتر است.

🔷️ در کل، شبکه‌های کاملاً کانولوشنی که بر اساس معماری Inception طراحی شده‌اند، به دلیل ترکیبی از ساختار پیچیده و قابلیت‌های پردازش تصویر عالی‌شان، به یکی از ابزارهای محبوب در یادگیری عمیق و بینایی ماشین تبدیل شده‌اند.

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

🔗📉 ویژگی‌های کلیدی FCN مبتنی بر Inception:

1️⃣. ساختار Inception:

   - معماری Inception از بلوک‌های متعددی تشکیل شده است که هر کدام تعدادی لایه کانولوشنی با اندازه‌های مختلف را به کار می‌برند. این لایه‌ها به شبکه این امکان را می‌دهند که ویژگی‌های مختلفی از تصویر را در سطوح مختلف ابعاد استخراج کند.

   - به طور مثال، یک بلوک Inception می‌تواند کانولوشن‌های ۱x۱، ۳x۳ و ۵x۵ را در کنار هم قرار دهد و نتایج را در نهایت ترکیب کند. این باعث می‌شود که شبکه به خوبی قادر به تشخیص اشیای مختلف با اندازه‌های متفاوت باشد.

2️⃣ . کانولوشن‌های کاملاً فراگیر:

   - در FCNها به جای لایه‌های پرکننده (Fully Connected Layers)، از لایه‌های کانولوشنی استفاده می‌شود که می‌توانند هر ابعادی از ورودی را پردازش کنند. این ویژگی به شبکه اجازه می‌دهد تا خروجی‌هایی به صورت نقشه‌های حرارتی (Heat Maps) ارائه دهد که اطلاعات مکانی دقیقی را در سطح پیکسل به همراه دارد.

3️⃣. بازیابی ویژگی‌ها:

   - شبکه FCN های مبتنی بر Inception می‌توانند ویژگی‌های پیچیده‌ای را از تصاویر ورودی استخراج کنند و سپس این ویژگی‌ها را برای طبقه‌بندی و تشخیص در مقیاس پیکسل استفاده نمایند. به این ترتیب، می‌توانند برای کارهایی مانند segmentation (تقسیم‌بندی تصویر) بسیار موثر باشند.

4️⃣. کاربردها:

   - این شبکه‌ها به طور گسترده‌ای در زمینه‌های مختلف پزشکی (تحلیل تصاویر پزشکی)، خودران‌ها (شناسایی موانع) و تحلیل تصاویر ماهواره‌ای (شناسایی نواحی مختلف) مورد استفاده قرار می‌گیرند.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage