🔷 فرق بین کلاسبندی و رگرسیون
#رگرسیون
#کلاسبندی
@iust_bioelecteric

🔷 فرق بین رگرسیون و کلاسبندی

@iust_bioelecteric

✅ رگرسیون ، کلاسبندی و کاسترینگ (خوشه بندی)
@iust_bioelecteric

🔷 Redundant road sign (Germany)
#redundancy
@iust_bioelecteric

🔹 افزونگی
#pattern_recognition
@IUST_Bioelecteric

تهیه تصاویر ویدیویی از حرکات پیوسته قلب توسط محققان ایرانی
@iust_bioelecteric

پژوهشگران دانشگاه صنعتی امیرکبیر با استفاده از نرم افزارهای پردازش تصویر، ویدئویی از حرکات پیوسته دریچه قلب ارائه دادند.
به گزارش دیده بان علم ایران ‘نونا مهران نیا’ مجری طرح با اشاره به مشکلات دستگاه‌هایی چون اکوکاردیوگرافی و سونوگرافی، گفت: دستگاه اکوکاردیو گرافی یک سیستم اسکن اولتراسوند و پردازش تصویر است که به منظور تصویر برداری از ساختارهای قلب به کار می‌رود.
وی  یکی از مشکلات این دستگاه را پیوسته نبودن تصاویر آن دانست و ادامه داد: از آنجا که دستگاه‌های اولتراسوند دارای سرعت موج ثابت هستند امکان تصویر برداری با نرخ تصویربرداری بالاتر در آن وجود ندارد و در نتیجه در شرایطی مانند حرکات سریع دریچه قلب به دلیل سرعت بالا، پیوستگی لازم برای تشخیص بهتر بیماری وجود ندارد و از همین رو با اجرای تحقیقات، راهکاری برای این مشکل ارائه کردیم.
مهران نیا خاطرنشان کرد: از آنجا که تصویربرداری از برخی اندام ها مانند دریچه قلب همراه با حرکات سریع است، زنده بودن تصاویر بسیار مهم است که این امر از طریق پردازش تصاویر میسر خواهد بود که با توجه به این ضرورت، در این مطالعات از نرم افزارهای خاصی استفاده کردیم.
مهران نیا درباره جزئیات این طرح پژوهشی توضیح داد: در این پروژه با استفاده از ابزارهای کاهش بعد (منیفلد)، تعداد فریم‌های مورد نیاز مشخص شده و سپس با استفاده از روش‌های پردازش تصویری مانند registration این فریم‌ها تولید و بین فریم‌های قبلی قرار گرفتند.
وی ادامه داد: در انتها دو ویدئو که یکی دارای تصاویر طبیعی و دیگری حاوی افزایش فریم بوده، با هم مقایسه شدند که نتایج نشان داد با استفاده از این روش می‌توانیم تصاویری با کیفیت بهتر و پیوسته‌تر از دریچه قلب ارائه دهیم.
این تحقیق با عنوان «استفاده از کاهش بعد جهت افزایش تعداد فریم با هدف بهبود کیفیت تصاویر اکوکاردیوگرافی» در دانشکده مهندسی پزشکی دانشگاه صنعتی امیرکبیر اجرا شده است.
@iust_bioelecteric

#استخراج_ویژگی
🔹 در استخراج ویژگی، ویژگی‌هایی را استخراج می‌کنیم که قابلیت تفکیک بین کلاس‌ها را دارند.
#pattern_recognition

@IUST_Bioelecteric

حالت‌های آموزش شبکه عصبی
#pattern_mode
#batch_mode
#neural_network
@iust_bioelecteric

⚠️ مرغ، الهام بخش دوربین‌های ضد لرزش

https://telegram.me/joinchat/BcXDaEEL4FjSZ9Uxrki-9Q

🔷 شبکه عصبی پرسپترون چندلایه
#شبکه_عصبی
#MLP
https://telegram.me/joinchat/BcXDaEEL4FjSZ9Uxrki-9Q

🔷 داده خطی و پیچیده
#شبکه_عصبی
#MLP
https://telegram.me/joinchat/BcXDaEEL4FjSZ9Uxrki-9Q

🔷 الگوریتم خلاصه شده برای آموزش شبکه MLP
🔹جزئیات الگوریتم قبلا توضیح داده شده است.
#شبکه_عصبی_پرسپترون_چندلایه
https://telegram.me/joinchat/BcXDaEEL4FjSZ9Uxrki-9Q

🔷 الگوریتم خلاصه شده برای تست شبکه MLP
🔹جزئیات الگوریتم قبلا توضیح داده شده است.
#شبکه_عصبی_پرسپترون_چندلایه
https://telegram.me/joinchat/BcXDaEEL4FjSZ9Uxrki-9Q

🔷 کاهش نویز سیگنال ECG با استفاده از فیلتر synchronized averaging
🔹 فایل آموزشی + کد متلب
#pattern_recognition

https://telegram.me/joinchat/BcXDaEEL4FjSZ9Uxrki-9Q

🔷 کاهش نویز سیگنال ECG با استفاده از فیلتر synchronized averaging
#pattern_recognition

https://telegram.me/joinchat/BcXDaEEL4FjSZ9Uxrki-9Q

🔷 کاهش نویز سیگنال ECG با استفاده از فیلتر synchronized averaging
🔹 الگوریتم
#pattern_recognition

https://telegram.me/joinchat/BcXDaEEL4FjSZ9Uxrki-9Q

✅ گروه های خونی به چه افرادی می توانند خون اهدا کنند...
https://telegram.me/joinchat/BcXDaEEL4FjSZ9Uxrki-9Q

پیش‌بینی تصویری لحظات آینده با هوش مصنوعی محقق ایرانی
@iust_bioelecteric

محقق ایرانی دانشگاه مریلند آمریکا با همکاری محققانی از دانشگاه ام آی تی الگوریتمی ارائه کرده با آن می‌توان لحظاتی از آینده را در قالب عکس‌های ثابت و ویدئو پیش‌بینی کرد.
پژوهشگر ایرانی الگوریتمی برای پیش بینی لحظات آینده ابداع کرد.
به گزارش دیده‌بان علم ایران ‘حامد پیرسیاوش’ که این الگوریتم را ارائه کرده مدرک کارشناسی خود در رشته مهندسی برق را در سال ۲۰۰۳ از دانشگاه علم و صنعت ایران دریافت کرده و اکنون به عنوان عضو هیات علمی دانشگاه مریلند مشغول به فعالیت است.
این استاد ایرانی و محققان آزمایشگاه هوش مصنوعی و علوم رایانه دانشگاه ‘ام آی تی’ اخیرا الگوریتم هوش مصنوعی جدیدی را برای تهیه ویدئوهای کوتاه حاوی شبیه سازی آینده از رویدادهای قابل مشاهده در عکس های ثابت ابداع کرده اند.
به عنوان مثال این الگوریتم بعد از مشاهده تعدادی عکس از امواج ساحلی، ویدئویی کوتاه تولید کرده که نشان می دهد موجی ساحلی آرامش ساحل را بر هم می زند.
این الگوریتم با بررسی عکس هایی از بازی گلف نیز لحظات بعدی انجام این بازی توسط افراد را در قالب ویدئویی کوتاه به نمایش گذارده است.
‘کارل وندریک’ Carl Vondrick دانشجوی دکتری دانشگاه ام آی تی در این مورد می گوید: این موفقیت نشانگر درک عمیق هوش مصنوعی از شرایط حال است، زیرا در غیر این صورت پیش بینی آینده ممکن نخواهد بود.
این محققان در پژوهش های خود، دو گروه از شبکه های عصبی را برای تکمیل این تحقیق ابداع کرده و به کار گرفته اند که شبکه عصبی اول برای تولید ویدئو و شبکه دوم برای متمایز سازی آنچه که واقعی است و آنچه که بازسازی می شود به کار گرفته می شود.
هوش مصنوعی طراحی شده به تدریج قابلیت طراحی ویدئوهای شبیه سازی شده را تا آن حد بالا می برد که صحنه های پیش بینی شده در ویدئوها شباهت کاملی به صحنه های واقعی برگرفته از عکس ها داشته باشند.
با تداوم فعالیت هوش مصنوعی و افزایش خودآموزی و توان درک آن ویدئوهای تولید شده که آینده را پیش بینی می کنند حتی ۲۰ درصد واقعی تر از ویدئوهای تهیه شده از عکس های واقعی از حال هستند.
البته نباید انتظار داشت که در آینده نزدیک این فناوری منجر به تولید ویدئوهای طولانی حاوی پیش گویی آینده شود.
در زمان حاضر، از این طریق ویدئوهای ۱٫۵ ثانیه ای تولید می شود ولی امید می رود در آینده این زمان بیشتر شود.
از مدل سازی مذکور می توان برای شناسایی ناهنجارها و شرایط غیرعادی امنیتی و کشف برخی اشیا و اجزا در تصاویر که در حالت عادی قابل شناسایی نیستند، استفاده کرد.
@iust_bioelecteric

🔷 بیماری ایدز و تاثیر آن روی سیستم ایمنی بدن
https://telegram.me/joinchat/BcXDaEEL4FjSZ9Uxrki-9Q