کمپانی OpenAI به‌صورت پنهانی ابزار تشخیص هوش مصنوعی خود را متوقف کرد.

در ژانویه، شرکت OpenAI به عنوان یکی از قدرت‌های هوش مصنوعی اعلام کرد که یک ابزار جدید را معرفی می‌کند که می‌تواند با تشخیص اینکه آیا یک محتوا با استفاده از ابزارهای هوش مصنوعی مانند ChatGPT ساخته شده است یا خیر به استادان و معلمان کمک کند.

اما نیمه‌ی سال بعد، این ابزار متوقف شد؛ زیرا نتوانست به درستی عمل کند. OpenAI، به‌صورت پنهانی ابزار تشخیص هوش مصنوعی خود، AI Classifier، را در هفته گذشته به خاطر "دقت پایین آن" متوقف کرد. توضیحات این مسئله در یک اعلان جدید نبود، بلکه به‌صورت یادداشتی به نوشته وبلاگ اضافه شد که برای اولین بار ابزار را معرفی کرد:

"ما در حال تحقیق درباره تکنیک‌های موثرترهستیم و هم‌اکنون تصمیم به توسعه و استقرار مکانیزم‌هایی گرفته‌ایم که کاربران را قادر می‌سازد که بفهمند آیا محتوای صوتی یا تصویری با هوش مصنوعی تولید شده است یا خیر."

لینک خبر:
https://decrypt.co/149826/openai-quietly-shutters-its-ai-detection-tool

#هوش_مصنوعی

@myartificialintelligence2022

اطلاعیه رویداد اینوتکنیک هوش مصنوعی.

ده تا از بهترین تولید کنندگان کد هوش مصنوعی (سپتامبر ۲۰۲۳)

https://www.unite.ai/best-ai-code-generators/

#هوش_مصنوعی_مولد

@myartificialintelligence2022

ربات انسان نمای تسلا، "اپتیموس"، اکنون قادر به مرتب‌سازی اشیاء و انجام حرکات یوگا است.

ایلان ماسک در سال 2021 در رویداد روز هوش مصنوعی کمپانی تسلا به نام "تسلا بات" فعالیت خود را در زمینه یک ربات انسان‌نما مبتنی بر هوش مصنوعی معرفی کرد. تقریباً یک سال بعد، ماسک، ربات انسان‌نما معروف خود را با نام "اپتیموس" در رویداد دوم AI Day به نمایش گذاشت.

در سال 2023، تسلا پیشرفت قابل توجهی در پروژه تسلا بات را از طریق ویدئوهایی که در حساب رسمی خود منتشر کرده بود، نشان داد. در ماه می، تسلا چندین ربات اپتیموس را نشان داد که در محیط حرکت می‌کنند و درباره دنیای واقعی یاد می‌گیرند. این نشان داد که این ربات‌ها اکنون قادر به برداشتن و شناسایی اشیاء مختلف و انجام وظایف روزانه با پیچیدگی‌های در حال افزایش بدون نیاز به هیچ گونه کمکی هستند.

تسلا اکنون یک به‌روزرسانی جدید در مورد اپتیموس منتشر کرده است که ویدئویی از اپتیموس را در حال انجام فعالیت‌های جدید، از جمله مرتب‌سازی بلوک‌های رنگی و یوگا با تعادل روی یک پا، نشان می‌دهد.

یکی از وظایفی که این ربات انسان‌نما در ویدئوی جدید نشان می‌دهد، برداشتن یک دسته از بلوک‌ها و مرتب‌سازی آنها در ظرف های مطابق است. او می‌تواند به آرامی فعالیت‌های خود را با وقوع مداخله انسانی تغییر دهد و بلافاصله به موقعیت جدیدی تنظیم کند. علاوه بر این، ربات می‌تواند اشتباهاتی را اصلاح کند، مانند زمانی که یک بلوک به کناری می‌افتد و نیاز به چرخاندن دارد.

ویدئو همچنین انعطاف‌پذیری تسلا بات را با انجام برخی از حرکات یوگا که نیاز به ایستادن روی یک پا دارند نشان می‌دهد - فعالیتی که بسیاری از انسان‌ها ممکن است با مشکل مواجه شوند. اگرچه این حالات ممکن است کاربردهای عملی مستقیمی نداشته باشند، اما نشان می‌دهند که این ربات دارای کنترل بدنی و پایداری تاثیرگذاری است.

لینک خبر:
https://www.inceptivemind.com/teslas-optimus-sort-objects-autonomously-do-yoga/34484/

#رباتیک

@myartificialintelligence2022

این سایت ۱۰ تا از بهترین ابزارهای هوش مصنوعی را برای ساخت پرزنتیشن معرفی کرده و لینک دسترسی به آنها را نیز قرار داده است.

به کمک این ابزار ها شما می توانید ارائه های جذابتری بسازید.

لینک سایت:
https://www.unite.ai/best-ai-presentation-generators/

#هوش_مصنوعی
#هوش_مصنوعی_مولد

@myartificialintelligence2022

چت ربات Grok رقیب جدید ChatGPT.

کمپانی هوش مصنوعی ایلان ماسک، xAI، از انتشارنسخه بتا چت ربات هوش مصنوعی خود به نام Grok خبر داد. Grok به گونه ای طراحی شده است که رقیبی برای چت ربات حاکم، ChatGPT باشد. ماسک و xAI اشاره می کنند که چت ربات به گونه ای طراحی شده است که نسبت به سایر چت ربات ها طعنه آمیزتر باشد. Grok هم مانند ChatGPT بر اساس مدل LLM است. به عبارت دیگر، Grok بر روی میلیون ها مقاله و پست در سراسر وب آموزش دیده است، بنابراین می تواند  پاسخ های دقیقی برای کاربران خود ایجاد کند.

لینک خبر:
https://www.fastcompany.com/90978299/grok-ai-chatbot-sign-up-waitlist-elon-musk-chatgpt-alternative-explained

#چت_ربات

@myartificialintelligence2022

این سایت به کمک هوش مصنوعی به شما در تحلیل داده ها کمک می کند.

می توانید از آن سوال بپرسید، نمودار و جدول های تحلیل داده ها را دریافت کنید، از توابع پیش فرض استفاده کنید و‌ عملکرد هر سلول از داده ها را هم بررسی کنید.

لینک:

https://formulabot.com/

#هوش_مصنوعی

@myartificialintelligence2022

پخش خبری جدید تولید شده توسط هوش مصنوعی به زودی منتشر می شود.

اخبار Channel 1، یک برنامه خبری جدید تولید
شده توسط هوش مصنوعی، اولین قسمت نمایشی خود را منتشر کرده است و هیچ یک از مجریان آن انسان نیستند.

طبق گزارش‌ها، بنیان‌گذاران امیدوارند روزانه بین ۵۰۰ تا ۱۰۰۰ بخش تولید کنند که می‌تواند از طریق یک برنامه یا پلتفرم‌های ویدیویی پشتیبانی شود.

در دموی منتشر شده ما شاهد تولید ویدیوی پیشرفته با هوش مصنوعی و رندر پیشرفته از ارائه دهندگان آواتار هستیم که بسیار طبیعی و واقعی هستند. صداگذاری ها روان هستند و حتی حرکات لب نیز از استاندارد قابل قبولی برخوردار است.

لینک خبر و دمو:
https://readwrite.com/channel-1-news-the-new-ai-generated-newscast-coming-soon/


#هوش_مصنوعی_مولد

@myartificialintelligence2022

ترکیب هوش مصنوعی و محاسبات کوانتومی: آیا علم را متحول خواهد کرد؟

دانشمندان در حال بررسی پتانسیل یادگیری ماشین کوانتومی هستند. اما مشخص نیست که آیا برنامه های کاربردی مفیدی برای ادغام هوش مصنوعی و محاسبات کوانتومی وجود دارد یا خیر.

بسیاری از شرکت‌های فناوری، از جمله شرکت‌های معتبری مانند گوگل و آی‌بی‌ام، و همچنین شرکت‌های نوپا مانند Rigetti در برکلی کالیفرنیا، و IonQ در کالج پارک مریلند و همچنین دانشمندان دانشگاهی در حال بررسی پتانسیل یادگیری ماشین کوانتومی هستند.

سوفیا والکورسا، فیزیکدانی که رهبری یک گروه تحقیقاتی محاسبات کوانتومی و یادگیری ماشین در CERN را بر عهده دارد، می‌گوید: "ایده ما استفاده از رایانه‌های کوانتومی برای افزایش سرعت یا بهبود مدل‌های کلاسیک یادگیری ماشین است."

سوال بزرگ بدون پاسخ این است که آیا سناریوهایی وجود دارد که در آن یادگیری ماشین کوانتومی مزیتی نسبت به انواع کلاسیک ارائه دهد؟ تئوری نشان می‌دهد که برای کارهای محاسباتی تخصصی، مانند شبیه‌سازی مولکول‌ها یا یافتن عوامل اول اعداد بزرگ، رایانه‌های کوانتومی محاسبات را سرعت می‌بخشند که در غیر این صورت ممکن است بیشتر از سن کیهان طول بکشد. اما محققان هنوز شواهد کافی مبنی بر اینکه این مورد مزیتی برای یادگیری ماشین است، ندارند. دیگران می‌گویند که یادگیری ماشین کوانتومی می‌تواند الگوهایی را که رایانه‌های کلاسیک از دست می‌دهند، شناسایی کند حتی اگر سریع‌تر نباشد.

لینک گزارش:
https://www.nature.com/articles/d41586-023-04007-0

#هوش_مصنوعی 

@myartificialintelligence2022

مایکروسافت روز پنجشنبه اعلام کرد که کلید جدیدی را به صفحه کلید رایانه های شخصی و لپ تاپ هایی که از سیستم عامل ویندوز استفاده می کنند اضافه می کند که یک دستیار هوش مصنوعی را فراخوانی می کند.

این اولین تغییر عمده در طراحی در دهه های گذشته را نشان می دهد و بر تعهد این کمپانی به هوش مصنوعی تاکید می کند.

با فشار دادن این دکمه، Copilot مایکروسافت، یک چت ربات مجهز به هوش مصنوعی که می تواند به کاربران در تحقیق، پیش نویس متن، ایجاد تصاویر و حتی تبدیل ایده های خود به آهنگ کمک کند، فراخوانی می شود.

لینک خبر:
https://www.forbes.com/sites/roberthart/2024/01/04/microsoft-adds-new-ai-assistant-button-to-windows-keyboard/

#هوش_مصنوعی

@myartificialintelligence2022

یک مقایسه و معرفی کامل از دو چت بات Perlexity AI و ChatGPT:

https://explodingtopics.com/blog/perplexity-ai-vs-chatgpt

#چت_بات
#هوش_مصنوعی

@myartificialintelligence2022

۱۰ تا از بهترین هوش مصنوعی های مولد تصویر

اگر به ایجاد تصاویر به کمک هوش مصنوعی علاقه دارید این ابزارها می توانند به شما کمک کنند:

1. GetIMG
2. ArtSmart
3. Stylar
4. LimeWire
5. NightCafe
6. Midjourney
7. Shutterstock
8. Adobe Firefly
9. DALL-E3
10. Artbreeder

لینک معرفی هر ابزار:
https://www.unite.ai/ai-art-generators/

#هوش_مصنوعی_مولد

@myartificialintelligence2022

بازدیدکنندگان موزه تاریخ طبیعی می توانند با استفاده از هوش مصنوعی مولد با حیواناتی که به نمایش گذاشته شده اند گفتگوی دو طرفه داشته باشند.

موزه جانورشناسی دانشگاه کمبریج 13 نمونه را برای گفتگو انتخاب کرده است.

دستیار کارگردان، جک اشبی، گفت که هدف این است که مردم را با دنیای طبیعی درگیر کند و همچنین بینش هایی را در مورد آنچه بازدیدکنندگان می خواهند در مورد نمایشگرها بدانند، ارائه دهد.

بازدیدکنندگان یک کد QR را در نزدیکی نمایشگاه با تلفن های خود اسکن می کنند تا مکالمه با هر نمونه را آغاز کنند. آزمایش یک ماهه از روز سه شنبه شروع می شود.

آقای اشبی گفت: "ما کنجکاو هستیم که ببینیم آیا این کار موثر خواهد بود؟ و آیا چت کردن با حیوانات نگرش مردم را نسبت به آنها تغییر خواهد داد؟"

او آن را به عنوان فرصتی شگفت‌انگیز برای مردم برای آزمایش یک فناوری نوظهور در یک موزه، که قادر به برقراری ارتباط به بیش از 20 زبان است، توصیف کرد.

لینک خبر:
https://au.news.yahoo.com/museum-visitors-ai-chats-dodo-052558785.html

#هوش_مصنوعی_مولد

@myartificialintelligence2022

هوش مصنوعی در خدمت سلامت: تولید گزارش‌های پزشکی با کمک مدل‌های زبانی تصویری

پژوهشگران مرکز سلامت دیجیتال استرالیا (AEHRC) وابسته به سازمان تحقیقات علمی و صنعتی استرالیا (CSIRO)، از هوش مصنوعی برای تحلیل تصاویر پزشکی استفاده می‌کنند. آن‌ها با بهره‌گیری از فناوری نوینی به نام «مدل‌های زبانی تصویری» (Visual Language Models)، موفق شده‌اند از روی تصاویر اشعه ایکس، گزارش‌های تشخیصی تولید کنند.

این مدل‌ها ترکیبی از توانایی درک تصویر و فهم زبان هستند؛ به‌طوری‌که می‌توانند محتوای یک تصویر را ببینند، آن را توصیف کنند و سپس به زبان طبیعی گزارش‌ بنویسند. چنین قابلیتی، جهشی مهم در حوزه سلامت دیجیتال محسوب می‌شود.

هدف از این فناوری جایگزینی انسان نیست، بلکه کمک به رادیولوژیست‌هاست تا فشار کاری‌شان کاهش یابد، زمان تشخیص‌ها کوتاه‌تر شود و دقت گزارش‌ها بالاتر رود. در حال حاضر، تمرکز پژوهشگران بر روی تصاویر اشعه ایکس قفسه سینه است، چون این تصاویر در تشخیص بیماری‌هایی مانند مشکلات قلبی، ریوی و سرطان ریه بسیار حیاتی‌اند.

با افزایش روزافزون استفاده از هوش مصنوعی در زندگی روزمره، حالا نوبت آن رسیده که این فناوری در خدمت سلامت انسان‌ها قرار گیرد و ابزارهایی هوشمند برای کمک به متخصصان پزشکی توسعه یابد.

لینک خبر:
https://www.csiro.au/en/news/All/Articles/2025/August/Visual-Language-Models

#یادگیری_ماشین
#هوش_مصنوعی

@myartificialintelligence2022

آیا می‌توان به اطلاعات پزشکی ارائه‌شده توسط هوش مصنوعی اعتماد کرد؟

در دنیای امروز، مدل‌های هوش مصنوعی مانند ChatGPT، Gemini، Claude و Perplexity به منابع اولیه جستجوی اطلاعات پزشکی تبدیل شده‌اند. اما آیا می‌توان به اطلاعاتی که این مدل‌ها ارائه می‌دهند اعتماد کرد؟

مطالعه‌ای جدید نشان می‌دهد:

حدود ۶۲٪ از لینک‌هایی که این مدل‌ها ارائه می‌دهند، از وب‌سایت‌های معتبر و شناخته‌شده‌ای مانند PubMed Central، Mayo Clinic و Cleveland Clinic هستند. این منابع توسط متخصصان پزشکی بررسی شده‌اند و اطلاعات قابل اعتمادی ارائه می‌دهند.

این مدل‌ها تمایل دارند به محتوای ساده و قابل فهم اشاره کنند. تقریباً یک‌سوم از لینک‌ها به وب‌سایت‌های رسانه‌ای بهداشتی مانند Mayo Clinic و Cleveland Clinic ارجاع می‌دهند.

جالب است که این مدل‌ها کمتر به تحقیقات علمی مستقیم ارجاع می‌دهند. تنها حدود ۲۳٪ از ارجاعات آن‌ها به مطالعات مستقیم است. بیشتر آن‌ها به خلاصه‌ها و وبلاگ‌ها اشاره می‌کنند.

حدود ۶۷٪ از مقالات ارجاع‌شده توسط این مدل‌ها مربوط به سال‌های ۲۰۲۴ یا ۲۰۲۵ هستند، که نشان‌دهنده اطلاعات به‌روز است.

به طور کلی، مدل‌های هوش مصنوعی می‌توانند اطلاعات پزشکی مفیدی ارائه دهند، اما باید با دقت و احتیاط از آن‌ها استفاده کرد. همیشه توصیه می‌شود که اطلاعات پزشکی را از منابع معتبر و متخصصان حوزه بهداشت و درمان دریافت کنید.

لینک خبر:
https://www.gizchina.com/ai/can-you-trust-ai-for-medical-information-a-look-at-its-sources

#هوش_مصنوعی_در_پزشکی
#چت_بات

@myartificialintelligence2022

#پست_آموزشی

آماده‌سازی داده‌ها
قبل از اینکه بخواهید مدل AI بسازید یا آموزش بدهید، مهم‌ترین مرحله آماده‌سازی داده‌هاست. بدون این مرحله، مدل‌ها حتی اگر پیچیده باشند هم نتایج قابل اعتماد نمی‌دهند.

قدم های اول
1️⃣ جمع‌آوری داده‌ها: مطمئن شوید داده‌ها از منابع معتبر و به‌روز هستند.

2️⃣ پیش‌پردازش تصاویر: شامل نرمال‌سازی شدت تصاویر، resize و حذف نویز. این کار باعث می‌شود مدل راحت‌تر الگوها را یاد بگیرد.

3️⃣ تقسیم داده‌ها: داده‌ها به train و test تقسیم می‌شوند (۷۰–۸۰٪ برای آموزش، ۲۰–۳۰٪ برای ارزیابی).

4️⃣ برچسب‌گذاری دقیق: اگر پروژه شما شامل سگمنتیشن است، حتماً برچسب‌ها با دقت تهیه شوند. حتی خطای کوچک می‌تواند باعث افت دقت مدل شود.

رعایت این مراحل پایه باعث می‌شود حتی یک مدل ساده عملکرد قابل قبول و قابل اعتمادی ارائه دهد.

❓ تا حالا تجربه آماده‌سازی داده‌ها داشتید؟ چه چالشی برای شما سخت‌ترین قسمت بوده؟ تجربیات و پرسش‌هایتان را با ما به اشتراک بگذارید.


@myartificialintelligence2022

چگونه هوش مصنوعی در حال متحول کردن پزشکی اورژانس است؟ 🚑

هوش مصنوعی دیگر فقط در اتاق‌های تحقیقاتی نیست. در مقاله‌ای جدید از News-Medical ، بررسی شده که چطور الگوریتم‌های یادگیری عمیق و سیستم‌های داده‌محور در شرایط بحرانی پزشکی می‌توانند زمان تشخیص، تصمیم‌گیری و درمان بیماران اورژانسی را متحول کنند.


سیستم‌های هوش مصنوعی می‌توانند داده‌های پزشکی بیمار را در لحظه تحلیل کنند و به تریاژ سریع‌تر کمک کنند (مثلاً بیمارانی که نیاز فوری دارند را شناسایی کنند).

مدل‌های یادگیری عمیق حالا در تشخیص خونریزی مغزی، شکستگی استخوان یا سکته‌ی مغزی از روی تصاویر CT و MRI عملکردی نزدیک به متخصصان دارند.

الگوریتم‌ها به مدیریت منابع انسانی و تخت‌های بیمارستانی هم کمک می‌کنند تا خدمات سریع‌تر و دقیق‌تر ارائه بشود.

❗️با این حال، چالش‌هایی مثل سوگیری داده‌ها، اعتماد پزشکان و نظارت اخلاقی هنوز پابرجاست.

به طور کلی هوش مصنوعی نه‌تنها سرعت واکنش در اورژانس‌ها را افزایش میدهد، بلکه می‌تواند باعث کاهش مرگ‌ومیر بشود — به شرطی که با نظارت انسانی و داده‌های دقیق همراه باشد.

📎 منبع:
News-Medical – How AI Is Revolutionizing Emergency Medicine

#هوش_مصنوعی
#پزشکی_دیجیتال
#سلامت_هوشمند

@myartificialintelligence2022

#پست_آموزشی

پیش‌پردازش تصاویر پزشکی با پایتون

در پست قبلی درباره‌ی مراحل آماده‌سازی داده‌ها صحبت کردیم. حالا بیایید یک نمونه‌ی ساده از پیش‌پردازش تصاویر با پایتون رو ببینیم:

import cv2
import numpy as np
import matplotlib.pyplot as plt
from skimage.restoration import denoise_bilateral

# خواندن تصویر
img = cv2.imread("image.png", cv2.IMREAD_GRAYSCALE)

#  تغییر اندازه (resize)
img_resized = cv2.resize(img, (128, 128))

#  نرمال‌سازی شدت پیکسل‌ها
img_norm = img_resized / 255.0

# حذف نویز با فیلتر Bilateral
img_denoised = denoise_bilateral(img_norm, sigma_color=0.05, sigma_spatial=15, channel_axis=None)

# نمایش قبل و بعد
plt.figure(figsize=(8,4))
plt.subplot(1,2,1)
plt.title("Before")
plt.imshow(img_resized, cmap='gray')
plt.subplot(1,2,2)
plt.title("After Preprocessing")
plt.imshow(img_denoised, cmap='gray')
plt.show()


توضیح کد:
cv2.imread: برای خواندن تصویر در حالت سیاه‌وسفید
cv2.resize: تغییر اندازه تصاویر برای هماهنگی ورودی مدل
img / 255.0: نرمال‌سازی داده‌ها بین ۰ تا ۱ برای پایداری آموزش
denoise_bilateral: حذف نویز بدون از
بین بردن جزئیات مهم تصویر (مثل لبه‌ها)

این مراحل ساده اما مهم باعث می‌شن مدل شما ورودی تمیزتری داشته باشه و دقت نهایی بالا بره.

❓شما معمولاً برای پیش‌پردازش از چه فیلتر یا کتابخونه‌ای استفاده می‌کنید؟ تجربه‌تون رو برای ما ارسال کنید.

@myartificialintelligence2022

آمازون در حال اجرای یکی از بزرگ‌ترین پروژه‌های خودکارسازی در جهان است: جایگزینی بخش بزرگی از نیروی انسانی با ربات‌های هوشمند.

در گزارش جدید نیویورک‌تایمز آمده است که آمازون در سال ۲۰۲۵ فاز جدیدی از ربات‌های خود را معرفی کرده که می‌توانند وظایفی مانند بسته‌بندی، مرتب‌سازی و جابه‌جایی کالاها را به‌طور کامل انجام دهند — کارهایی که تا امروز نیاز به هزاران کارگر انسانی داشت.

یکی از ربات های معرفی شده در این گزارش، ربات جدید "Sequoia" است که قادر است اشیای مختلف را با دقت بالا تشخیص دهد و با بازوهای رباتیک آن‌ها را بسته‌بندی کند.

این سیستم از بینایی ماشین (Computer Vision)، شبکه‌های عصبی عمیق و سیستم‌های کنترل خودکار استفاده می‌کند.

هدف آمازون افزایش سرعت، دقت، و کاهش خطای انسانی است — اما منتقدان می‌گویند این تغییر می‌تواند صدها هزار شغل را از بین ببرد.

به گفته‌ی مدیران شرکت، هدف نهایی ایجاد زنجیره تأمین کاملاً خودکار (Fully Automated Supply Chain) است.

این حرکت، بخشی از روند بزرگ‌تر در دنیای فناوری است: ادغام کامل هوش مصنوعی با سیستم‌های فیزیکی.

از انبارهای آمازون گرفته تا بیمارستان‌های هوشمند، حالا دیگر بحث فقط درباره‌ی نرم‌افزار نیست — بلکه درباره‌ی ترکیب تصمیم‌گیری هوشمند با حرکت و درک فیزیکی دنیاست.

منبع:
https://www.nytimes.com/2025/10/21/technology/inside-amazons-plans-to-replace-workers-with-robots.html

#رباتیک
#هوش_مصنوعی

@myartificialintelligence2022

#پست_آموزشی

فیلترهای پرکاربرد در پردازش تصویر (Image Filtering)

قبل از اینکه تصاویر وارد مدل‌های هوش مصنوعی بشن، معمولاً با فیلترهای مختلف پردازش می‌شوند تا نویز حذف، جزئیات واضح‌تر و کنتراست بهتر بشود.
در ادامه چند فیلتر مهم و پرکاربرد رو معرفی می‌کنم :

1️⃣ Gaussian Filter
برای حذف نویزهای تصادفی (مثل نویز سنسور دوربین).
🔹 تصویر رو نرم‌تر می‌کند، ولی ممکنه لبه‌ها کمی محو بشوند.

2️⃣ Median Filter
برای حذف نویز نمک‌و‌فلفلی (Salt-and-Pepper).
🔹 در مقایسه با Gaussian، لبه‌ها رو بهتر حفظ می‌کند.

3️⃣ Bilateral Filter
ترکیبی از صاف‌سازی و حفظ لبه‌ها.
🔹 نویز رو حذف می‌کند بدون از بین بردن جزئیات ریز تصویر.

4️⃣ Sobel Filter
برای تشخیص لبه‌ها و مرزها در تصویر.
🔹 معمولاً در مرحله‌ی استخراج ویژگی استفاده می‌شود.

5️⃣ CLAHE (Contrast Limited Adaptive Histogram Equalization)
برای بهبود کنتراست و وضوح در نواحی تار یا روشن تصویر.


انتخاب فیلتر مناسب بستگی به نوع تصویر و هدف شما دارد.
مثلاً برای تصاویر طبیعت Gaussian عالی هست، ولی برای تشخیص لبه‌ها Sobel بهتر عمل می‌کند.

❓ شما تا حالا از کدوم فیلتر بیشتر استفاده کردید؟

@myartificialintelligence2022