پردازش تصویر هوشمندIntellimage

описание

"هُوالرزّاق" ✅پردازش تصویر هوشمندIntellimage 📚پژوهشگر و فناور در زمینه ی پردازش تصویر ⚙ طراحی و پیاده سازی پروژه های پردازش تصویر و بینایی ماشین 📞 ارتباط با ما: @Intellimage_admin

← к каналу @Intellimage

1 320

подписчиков

Охват к подписчикам

21,9%

ERR

Реакции к просмотрам

1,01%

211 на 47 постов

Пересылки к просмотрам

1,26%

264

Постов в день

0,7

всего 85

Где отзываются чаще

доля реакций к просмотрам

12 авг.یک کوچه و یک سیلی و یک مادر و یک طفل ؛ شرحِ غمِ اَسرارِ مفصل، شدنی نیست ... شهادت مظلومانه پیامبر رحمت و امام حسن مجتبی علیه السلام را گرامی میداریم 🥀🕯 🆔️ intellimage channel: https://t.me/Intellimage https://eitaa.com/intellimage5,00%
13 авг.أَلسَّلٰامُ عَلَیکَ یٰا عَلی اِبنِ موسَی أَلرّضٰآ أَلمُرتَضٰی🥀🕯 بعضی کلمه ها ؛ انگار صاحب دارند... صاحبِ کلمه ی " پناه " تا ابد امام رضا علیه السلام است... 🆔️ intellimage channel: https://t.me/Intellimage https://eitaa.com/intellimage4,38%
13 авг.ارزش واقعی چطور در اکوسیستم LLM ها خلق خواهد شد؟ 🆔️ intellimage channel: https://t.me/Intellimage https://eitaa.com/intellimage3,31%
7 авг.✍ گاهی یک عکس روزمره ، بهترین ورودی برای تحلیل رفتار یک الگوریتم کلاسیک هست. این بار، الگوریتم Canny Edge Detection :) این الگوریتم با وجود قدمتش، هنوز هم یکی از دقیق‌ترین روش‌های استخراج لبه و نقطه‌ی شروع بسیاری از Pipelineهای بینایی ماشین محسوب می‌شه. هنوز هم خیلی از زنجیره های پردازش ، از یک سؤال ساده آغاز می‌شن: مرز اشیاء کجاست؟ 🆔️ intellimage channel: https://t.me/Intellimage https://eitaa.com/intellimage2,69%
10 авг.🇮🇷🆕️ از ایران تا نقشه‌ای جهانی از سرطان: پایگاه داده namiRa پژوهشگران پژوهشگاه رویان به همراه دانشگاه دویسبورگ-اسن آلمان، موفق به ایجاد پایگاه داده‌ای جامع به نام namiRa شدند که شامل اطلاعات نزدیک به ۱۰ هزار مقاله درباره microRNAها و سرطان است. این پایگاه می‌تواند به محققان در سراسر جهان کمک کند تا مکانیسم‌های مولکولی سرطان را بهتر درک کرده و biomarkerهای جدید و اهداف درمانی را شناسایی کنند. این پروژه به رهبری دکتر شریف مرادی انجام شده و اطلاعات مربوط به ۱۰۹۵ microRNA انسانی و ۳۳ نوع سرطان را در یک چارچوب واحد گردآوری کرده است. namiRa که به معنای «جاودانه» در فارسی است، به پژوهشگران این امکان را می‌دهد که روابط میان miRNAها و ژن‌های هدف را به‌صورت یک سیستم منسجم بررسی کنند. این پایگاه داده شامل الگوهای بیان miRNA، روش‌های شناسایی، نقش‌های عملکردی و نتایج مطالعات مختلف است. به زودی، رویداد انجمن بیوتکنولوژی شبکه نخبگان ایران با حضور پژوهشگران مرتبط با این دستاورد برگزار خواهد شد. 🆔️ intellimage channel: https://t.me/Intellimage https://eitaa.com/intellimage2,58%
21 июл.اَلسَلامُ عَلَیْکَ یا رُقَیِه بِنْتُ الْحُسَینِ ﷺ 🥀🕯2,37%
8 авг.✍ گاهی یک عکس روزمره ، بهترین ورودی برای تحلیل رفتار یک الگوریتم کلاسیک هست. این بار، الگوریتم Canny Edge Detection :) این الگوریتم با وجود قدمتش، هنوز هم یکی از دقیق‌ترین روش‌های استخراج لبه و نقطه‌ی شروع بسیاری از Pipelineهای بینایی ماشین محسوب می‌شه. …2,15%
5 авг.پاسخ اکثر ما به سوالی که در پست قبل مطرح شد احتمالاً «افزایش دقت مدل» هست؛ چون سال‌هاست معیار موفقیت مدل‌های هوش مصنوعی رو با اعدادی مثل Accuracy، Dice Score، mAP یا IoU می‌سنجیم... اما اجازه بدین یک سناریوی واقعی رو تصور کنیم ؛ فرض کنین یک مدل تشخیص تومور با دقت ۹۹٪ آموزش دادین . حالا قراره که این مدل به‌صورت ۲۴ ساعته در یک بیمارستان به پزشکان خدمت کنه. روز اول همه چیز عالیه. اما چند هفته بعد... سرور به‌روزرسانی می‌شه. نسخه CUDA تغییر می‌کنه. ابزار OpenCV با نسخه جدید ناسازگار می‌شه. یکی از سرویس‌ها از کار می‌افته. مدل جدیدی آموزش داده می‌شه، اما جایگزینی مدل باعث اختلال در کل سامانه می‌شه. اگر مشکلی پیش بیاد، هیچ راهی برای بازگشت سریع به نسخه قبلی وجود نداره. حالا از خودمون بپرسیم: آیا مشکل از مدل بود؟ خیر. مشکل از زیرساخت تولید محصول بود... اینجاست که مفاهیمی مثل Docker، DevOps، CI/CD، Kubernetes و MLOps وارد می‌شن. این ابزارها دقت مدل رو بیشتر نمی‌کنن؛ اما تضمین می‌کنن همون مدلی که در آزمایشگاه عالی عمل کرده، در محیط واقعی هم پایدار، قابل اعتماد، مقیاس‌پذیر و قابل نگهداری باشه:) 🆔️ intellimage channel: https://t.me/Intellimage https://eitaa.com/intellimage2,05%
2 авг.ممنون از همه کسانی که در نظرسنجی شرکت کردند❤ تقریبا همه موارد درسته و جالب بود که پاسخ‌ها بین دقت مدل، کیفیت داده‌ها، زیرساخت DevOps و Docker تقسیم شده بود. حقیقت اینه که هیچ‌کدام از این گزینه‌ها به‌تنهایی ضامن موفقیت یک محصول بینایی ماشین نیستند ؛ اما یک نکته وجود داره که باید بهش توجه کنیم... اگر گزینه اول رو انتخاب کردید، تنها نیستید؛ بیشتر متخصصین همین پاسخ رو دارن. اما تجربه نشون میده در محصولات واقعی مبتنی بر هوش مصنوعی ؛ دقت مدل تنها یکی از اجزای موفقیت هستش . محصولی که نسخه‌بندی داده، Docker، CI/CD، مانیتورینگ، مدیریت مدل و استقرار استاندارد نداشته باشه، حتی با بهترین مدل هم ممکن هست در محیط واقعی شکست بخوره. در واقع، چیزی که محصول رو موفق می‌کنه، فقط مدل نیست؛ بلکه Pipeline توسعه و استقرار و پایش مداوم محصول هست.. 🆔️ intellimage channel: https://t.me/Intellimage https://eitaa.com/intellimage1,99%
30 июл.🆕️ فناوری HoME به حل معمای پردازش تصاویر سه‌بعدی پزشکی کمک می‌کند.. تقسیم‌بندی دقیق تصاویر سه‌بعدی پزشکی (مثل CT- Scan یا MRI ) یکی از چالش‌های بزرگ هوش مصنوعی در پزشکی است. هر تصویر حجم عظیمی از اطلاعات دارد و تنوع دستگاه‌ها و کیفیت‌های تصویر هم کار را سخت‌تر می‌کند. روش جدیدی به نام HoME مثل یک تیم متخصص عمل می‌کند: مرحله ۱: تصویر به بخش‌های کوچک‌تر تقسیم می‌شود و هر بخش به یک «متخصص محلی» سپرده می‌شود تا ویژگی‌های خاص آن ناحیه را استخراج کند. مرحله‌ی ۲: همه‌ی اطلاعات جمع‌آوری شده و یک «متخصص سراسری» آن‌ها را کنار هم می‌چیند تا تصویر کامل را با دقت بالا بازسازی کند. نتیجه‌اش این هست که سیستمی که هم جزئیات ریز را می‌بیند، هم تصویر بزرگ را، و روی انواع مختلف تصاویر پزشکی (با کیفیت‌های متفاوت) عالی عمل می‌کند ، حتی بهتر از بهترین روش‌های قبلی. 📌 کد این پروژه در دسترسه: https://github.com/gmum/MambaHoME 🆔️ intellimage channel: https://t.me/Intellimage https://eitaa.com/intellimage1,81%
8 нояб.без подписи1,69%
30 июл.без подписи1,48%