کامپیوتر بهتره یا مغز؟🤓🤔

اگر از افرادمختلف سؤال کنین که آیا دوست دارن مغزی شبیه‌ به کامپیوتر داشته باشن؟ فورامیگن آرررره😐
اما اگر به فعالیت‌های دو دهه‌ی اخیر دانشمندان در این زمینه نگاه کنین، متوجه می‌شین که سعی دارن کامپیوترهایی بسازن که شبیه‌ به مغز ما انسانها عمل کنه😎😌

در ادامه همراه باش تا شبکه عصبی مورد استفاده در پردازش تصاویر که باالهام از طبیعت تولید شده رو معرفی کنیم😉

#image_processing
#artificial_network

https://t.me/Intellimage

تا حالا در مورد پدیده ی انتشار شنیدی؟🤔


🌟 مدل انتشاری (Diffusion Model) یک نوع از مدل‌های مولد هستش . مدل انتشاری یک روش یادگیری مبتنی بر احتماله که برای مدل‌ سازی و تولید داده‌هایی با ساختار پیچیده استفاده میشه.

این مدل‌ها بر اساس ایده‌ای از فیزیک به نام “فرآیند انتشار” ساخته شدن که در آن، یک ذره‌ی مواد محلول در محیط محلول‌ کننده تا رسیدن به تعادل حرکت میکنه .

✅حالا نکته اینجاست که

در شبکه های عصبی مدل‌ های مولد (Generative Models) براساس پدیده ی انتشار ساخته شدن که کاملا الهام گرفته از طبیعته🌱

ادامه داره...

#image_processing
#artificial_network

https://t.me/Intellimage

☣مدل‌ های مولد (Generative Models)

انواع مختلفی از مدل‌ های عصبی هستن که طراحی شدن تا داده‌‌های جدیدی تولید کنن که شباهت‌‌هایی با داده‌ های آموزشی داشته باشه.

این داده‌ های جدید می‌تونن تصاویر، متن، صدا، و سایر انواع داده‌‌ها باشن...

مدل‌‌های مولد از طریق تقلید و تولید داده‌های جدید از توزیع احتمالاتی داده‌های آموزشی، به دنبال تولید داده‌هایی هستن که شبیه داده‌های واقعی باشن...

#image_processing
#artificial_network

https://t.me/Intellimage

📚 مقاله

📄 Estimating infant age from skull X-ray images using deep learning

📝  این مقاله که به تازگی در nature به چاپ رسیده است از تصاویر اشعه ایکس جمجمه با استفاده از یادگیری عمیق برای تخمین سن نوزادان استفاده کرده است.

📝 یافته‌های این مقاله دقت یادگیری عمیق را در تخمین سن نوزاد از طریق روش‌های غیرتهاجمی نشان می‌دهد و پیشرفتهای موجود برای تشخیص بالینی را ارائه می‌کند.

📝 این پژوهش از شبکه های عصبی DenseNet و EfficientNet برای تجزیه و تحلیل دیتاها استفاده کرده است.

📝 این مقاله نواحی متمایز مهم را در رادیوگرافی‌ جمجمه، از جمله نواحی کرونال، ساژیتال و متوپیک در تصاویر اشعه ایکس جمجمه ، و ناحیه لامبدوئید و تراکم استخوان قشر مغز را شناسایی کرده و آنها را به‌عنوان شاخص‌های ارزیابی رشد جمجمه مشخص کرده است.

🆔️ telegram channel:
https://t.me/Intellimage
#article
#image_processing
#artificial_network
#machin_vision

📉 شبکه عصبی DenseNet (شبکه پیچشی متراکم)

⚪ شبکه پیچشی متراکم توسط یکی از مقالات 2017 CVPR مطرح شد که با بیش از 2000 ارجاع ، جایزه‌ی بهترین مقاله را به خود اختصاص داد.

⚪ ایجاد این شبکه‌ عصبی حاصل همکاری مشترک دانشگاه کرنول، دانشگاه سینگوا و تیم تحقیقاتی Facebook AI (FAIR) میباشد.

⚪ شبکه‌ های عصبی DenseNet به دلیل داشتن اتصالات متراکم، به پارامترهای کمتری نیاز دارند و دقت بالاتری نسبت به شبکه های ResNet و Pre-Activation ResNet نیز دارند.

🔍 مطالعه بیشتر: hooshio.com

با ماهمراه باشید 🌱

🆔️ telegram channel:
https://t.me/Intellimage
#machin_vision
#image_processing
#artificial_network

📌معرفی #ماژول CBAM

🖇بهبود عملکرد مدل‌های یادگیری ماشین با تمرکز بر ویژگی‌های مهم تصویر

🔬ماژول CBAM که مخفف عبارت Convolutional Block Attention Moduleمی باشد ؛ یک مکانیزم توجه در شبکه‌های عصبی کانولوشنی است که بهبود عملکرد مدل‌ها را با تمرکز بر ویژگی‌های مهم تصویر امکان‌پذیر می‌سازد.

🔬ماژول CBAM به طور معمول از دو بخش اصلی تشکیل شده است:

۱. توجه فضایی (Spatial Attention): در این بخش، ماژول به نقاط مهم در فضای تصویر توجه بیشتری می‌کند و نقاطی که باعث بهبود دقت پیش‌بینی می‌شوند را شناسایی می‌کند.

۲. توجه کانالی (Channel Attention): در این بخش، ماژول توجه خود را به ویژگی‌های کانالی مختلف تصویر متمرکز می‌کند و کانال‌هایی که اطلاعات مفیدتری دارند را تقویت می‌کند.

🔬با ترکیب این دو نوع توجه، CBAM می‌تواند به مدل‌های عصبی کمک کند تا درک بهتری از ساختار تصویر داشته باشند و عملکرد بهتری را در وظایف بینایی کامپیوتری مانند شناسایی اشیا،تقسیم‌بندی و شناسایی چهره ارائه دهند.

🆔️ telegram channel :
https://t.me/Intellimage
#module
#CBAM
#artificial_network
#image_processing
#python

📉 معرفی شبکه عصبی Swin-Transformer

📍شبکه عصبی Swin-Transformer برای پردازش تصاویر طراحی شده و در زمینه بینایی کامپیوتری و یادگیری عمیق کاربرد دارد.

🧭 ویژگی‌ها و اصول کارکرد Swin -Transformer:

۱. معماری سلسله‌مراتبی (Hierarchical)
۲. استفاده از پنجره‌های متحرک (Shifted Windows)
۳. تغییر مقیاس (Scalability)
۴. نیاز به محاسبات کمتر

📍به طور کلی، Swin Transformer به لطف استفاده از پنجره‌های متحرک و طراحی سلسله‌مراتبی خود نسبت به Transformerهای سنتی به منابع محاسباتی کمتری نیاز دارد.

با ما همراه باشید 🌱

🆔️ telegram channel:
https://t.me/Intellimage
#machin_vision
#image_processing
#artificial_network

📉 معرفی شبکه عصبی Swin Transformer - ادامه

📍شبکه عصبی Swin Transformer در تعدادی از وظایف مختلف بینایی کامپیوتری استفاده شده است، از جمله:

- تشخیص اشیاء (Object Detection): با استفاده از مدل‌های چند مرحله‌ای برای شناسایی و تعیین موقعیت اشیاء در تصاویر.

- شناسایی چهره (Face Recognition): بهبود دقت در تشخیص چهره‌ها با بهره‌گیری از ویژگی‌های محلی و عمومی.

- تقسیم‌بندی تصویر (Image Segmentation): توانایی تقسیم تصاویر به نواحی مختلف با توجه به ویژگی‌های محلی.

🆔️ telegram channel:
https://t.me/Intellimage
#machin_vision
#image_processing
#artificial_network

🎥 کاهش نویز تصاویر با استفاده از مدل DVT (Denoising Vision Transformers)

◾مدل DVT ، یک ابزار قوی و نوآورانه در پردازش تصویر است که به کاهش نویز در تصاویر و بهبود کیفیت بصری آنها کمک می‌کند.

🆔️ telegram channel:
https://t.me/Intellimage
#machin_vision
#image_denoising
#image_processing
#artificial_network
#deep_learning

🚀 تازه های دنیای فناوری

✔ اولین جراحی دندان‌پزشکی تمام رباتیک جهان انجام شد!

◾شرکت دندان‌پزشکی رباتیک Perceptive اعلام کرد برای اولین‌ بار از ربات کنترل‌شده با هوش مصنوعی تمام‌خودکار روی بیمار انسانی استفاده کرده است. این ربات تقریباً می‌تواند عمل‌های خاصی، مانند تعویض تاج دندان، را هشت برابر سریع‌تر از دندان‌پزشک معمولی انجام دهد.

◾پرسپکتیو که سازنده این ربات است، ادعا می‌کند این سیستم می‌تواند زمان عمل‌ها را به‌صورت قابل‌توجهی کاهش دهد. این ربات می‌تواند تاج دندان‌ها را فقط در ١۵ دقیقه جایگزین کند؛ انجام این عمل توسط دندان‌پزشک انسان ٢ ساعت طول می‌کشد و باید در دو ویزیت تکمیل شود.

🆔️ telegram channel:
https://t.me/Intellimage
#top_news
#deep_learning
#artificial_network