📈 رمزنگاری همومورفیک کامل در یادگیری ماشین

⚙ رمزنگاری همومورفیک کامل ؛
درواقع (Full Homomorphic Encryption یا FHE) امکان انجام محاسبات روی داده‌های رمزنگاری‌شده را فراهم می‌کند، به گونه‌ای که عملیات‌هایی مثل جمع و ضرب حتی در حالت رمزنگاری‌شده حفظ می‌شوند.

⚙ این ویژگی اهمیت زیادی دارد زیرا امکان آموزش و استنتاج مدل‌های یادگیری ماشین روی داده‌های رمزنگاری‌شده را فراهم می‌کند و این می‌تواند بهبود چشمگیری در حفظ حریم خصوصی داشته باشد.

⚙ در این روش، شما فقط به عنوان پردازنده یاپیاده‌کننده مدل عمل می‌کنید. شما عملیات یادگیری ماشین را انجام می‌دهید، اما نتیجه و داده‌های خام را نمی‌بینید. شرکت (آمازون در این مثال) تنها کسی است که می‌تواند داده‌ها و نتایج نهایی را رمزگشایی کند و از آن استفاده کند.

⚙ این رویکرد بسیار مناسب است برای شرکت‌هایی که داده‌های حساس و مهمی دارند و نمی‌خواهند اطلاعاتشان افشاشود ، اما همچنان می‌خواهند از هوش مصنوعی و تحلیل داده‌ها بهره‌مند شوند.
🔎📄 paper

+Recomendersystem2023
🆔️ telegram channel:
https://www.tgoop.com/Intellimage
#machin_vision
#FHE

✅ بررسی مفهوم ground truth در پردازش تصویر

🔘 در پردازش تصویر، "ground truth" به اطلاعات واقعی و دقیق در مورد یک تصویر اشاره دارد. این اطلاعات توسط متخصصان یا ابزارهای اندازه‌گیری دقیق به دست می‌آید و به عنوان مرجع واقعی برای ارزیابی و مقایسه نتایج الگوریتم‌های پردازش تصویر استفاده می‌شود.

🔘 به طور کلی، ground truth به اطلاعات واقعی و قطعی درباره یک تصویر از جمله:

۱. محدوده و موقعیت اشیا
۲. نوع و شناسایی اشیا
۳. برچسب‌های مربوط به هر قسمت تصویر
۴. ویژگی‌های مرتبط با تصویر مانند بافت، رنگ، لبه‌ها و ...

🔘 این اطلاعات به عنوان مرجع معیار برای ارزیابی عملکرد الگوریتم‌های پردازش تصویر استفاده می‌شوند. به عنوان مثال، در بحث آموزش مدل‌های یادگیری ماشینی، ground truth به عنوان داده‌های برچسب‌گذاری شده به کار می‌رود تا مشخص شود الگوریتم‌های شناسایی و آنالیز تا چه حد به نتایج واقعی نزدیک هستند.
🆔️ telegram channel:
https://www.tgoop.com/Intellimage
#image_processing
#ground_truth

✔️ عملیات پردازش تصویر در آنژیوگرافی برای تشخیص رگ‌های مسدود شده

✳ پردازش تصویر در آنژیوگرافی به پزشکان کمک می‌کند تا تشخیص بیماری‌های قلبی عروقی را بهبود بخشند و پروسه ی درمان بیماران را بهینه سازند.
این روند را می‌توان در موارد زیر خلاصه کرد:

۱. تحلیل خودکار تصاویر آنژیوگرافی:
- تشخیص و شناسایی رگ‌های خونی در تصاویر
- شناسایی نقاط مسدود یا تنگ شده در رگ‌ها
- کمک به پزشکان برای تشخیص و تجزیه و تحلیل بهتر بیماری‌های قلبی عروقی

۲. اندازه‌گیری و کمّی‌سازی شدت مسدودی رگ‌ها:
- محاسبه درصد انسداد رگ‌ها
- ارزیابی میزان تنگی و مسدودی رگ‌ها

۳. پشتیبانی از روند تشخیص و درمان:
- کمک به پزشکان برای تصمیم‌گیری در مورد روش‌های درمانی مناسب
- پایش تغییرات رگ‌ها پس از درمان

۴. آموزش و تحقیقات پزشکی:
- استفاده در آموزش پزشکان برای تشخیص بیماری‌های قلبی عروقی
- کمک به تحقیقات پزشکی در زمینه بیماری‌های قلبی عروقی
🆔️ telegram channel:
https://www.tgoop.com/Intellimage
#image_processing

🆕️ ترکیب تصویربرداری اپتوآکوستیک و یادگیری عمیق در پایش دیابت
📄Dermal features derived from optoacoustic tomograms via machine learning correlate microangiopathy phenotypes with diabetes stage

✴ دیابت بر عروق خونی ،در لایه های مختلف پوست، به طور متفاوت تأثیر می گذارد.با ترکیب هوش مصنوعی و فناوری تصویربرداری اپتوآکوستیک با رزولوشن بالا ، می‌توان تغییرات را در عروق خونی کوچک پوست اندازه گیری کرد.

✴ با استفاده از این روش، ۳۲ ویژگی مهم تغییرات بافت عروقی پوست در بیماران دیابتی شناسایی می شود. این ویژگی ها شامل تعداد شاخه های عروق ، قطر عروق و.. هستند.

✴ روش تصویربرداری اپتوآکوستیک به صورت غیرتهاجمی ، سریع و بدون استفاده از تشعشع یا مواد کنتراست انجام می شود. همچنین این روش قادر است به طور همزمان اطلاعاتی از لایه های مختلف پوست را ارائه دهد.

✴ بااستفاده از این روش می توان شدت و پیشرفت بیماری دیابت را ارزیابی کرد و بیماران می‌توانند به طور مداوم ، آسان و بدون نیاز به آزمایشات تهاجمی ، وضعیت خود را پایش کنند.
🆔️ telegram channel:
https://www.tgoop.com/Intellimage
#image_processing
#top_news

● معرفی نرم افزار MedINRIA در پردازش تصاویر پزشکی

✔ نرم افزار MedINRIA یک نرم افزار پردازش و تجسم تصاویر پزشکی چند پلتفرمی ، رایگان و متن باز است که از طریق یک رابط کاربری بصری، عملکردهای پردازشی استاندارد تا پیشرفته را برای تصاویر پزشکی شما مانند تصویر 2D/3D/4D، ثبت تصویر، پردازش تصاویر MRI و tractography ارائه می دهد.

✔ این نرم افزار برای پردازش و تجزیه و تحلیل انواع زیادی از تصاویر (MRI) مورد استفاده قرار می‌گیرد.

✔ نرم افزار MedINRIA در ابتدا برای کارشناسان پزشکی توسعه داده شده ، اما برای سایر افرادی که علاقمند به پردازش تصاویر پزشکی هستند نیز مورد استفاده است.
🔎 partoyar

🆔️ telegram channel:
https://www.tgoop.com/Intellimage
#image_processing
#software

⭕ معرفی Vision Language models

● مدل‌های زبان‌بینایی به طور کلی به عنوان مدل‌های چندرسانه‌ای تعریف می‌شوند که می‌توانند از تصاویر و متون یاد بگیرند. آن‌ها نوعی از مدل‌های تولیدی هستند که ورودی‌های تصویر و متن را می‌گیرند و خروجی‌های متنی تولید می‌کنند.

● مدل‌های زبان‌بینایی بزرگ قابلیت‌های صفر‌آزمایی خوبی دارند، به خوبی تعمیم می‌یابند و می‌توانند با انواع مختلفی از تصاویر، از جمله اسناد، صفحات وب و غیره کار کنند. کاربردهای آن‌ها شامل چت در مورد تصاویر، شناسایی تصاویر از طریق دستورالعمل‌ها، پاسخگویی به سؤالات بینایی، درک اسناد، زیرنویس تصاویر و موارد دیگر است.

● برخی از مدل‌های زبان‌بینایی همچنین می‌توانند خواص فضایی را در یک تصویر درک کنند. این مدل‌ها می‌توانند هنگام درخواست برای شناسایی یا سگمنت‌بندی یک موضوع خاص، کادر‌های محدود کننده یا ماسک‌های سگمنت‌بندی تولید کنند، یا می‌توانند موجودیت‌های مختلف را لوکالیزه کرده و در مورد موقعیت نسبی یا مطلق آن‌ها پاسخ دهند.
🌐 website

🆔️ telegram channel:
https://www.tgoop.com/Intellimage
#image_processing
#deep_learning

📚 تازه های دنیای پژوهش

📄 Detection of diffusely abnormal white matter in multiple sclerosis on multiparametric brain MRI using semi-supervised deep learning

□■این مقاله به تازگی در nature منتشر شده است و در زمینه تشخیص ماده سفید غیرطبیعی منتشر شده در مولتیپل اسکلروزیس در MRI چند پارامتری مغز با استفاده از یادگیری عمیق نیمه نظارت شده ، تمرکز دارد.

□■در کنار ضایعات کانونی، ماده سفید غیر طبیعی به صورت انتشار یافته (DAWM) در MRI مغز بیماران مبتلا MS مشاهده می‌شود که ممکن است نمایانگر فرایندهای بیماری زودرس MS باشد. نقش DAWM در MRI به دلیل کمبود روش‌های ارزیابی خودکار به خوبی مورد مطالعه قرار نگرفته است.

□■روش‌های یادگیری عمیق نظارت‌شده (DL) در این زمینه توانمندی بالایی دارند، اما نیاز به مجموعه‌های داده برچسب‌گذاری شده بزرگ دارند. برای غلبه بر این چالش،در این مقاله،یک شبکه مبتنی بر DL به نام DAWM-Net با استفاده از یادگیری نیمه‌نظارت‌شده ارزیابی شده است.

🆔️telegram channel:
https://www.tgoop.com/Intellimage
#image_compressing
#deep_learning
#article

🆕️ محققان دانشگاه MIT با فناوری جدید ردیابی اشیا به ربات ها کمک می کنند تا روی چیزهایی که مهم هستند تمرکز کنند !!

✴ یکی از چالش‌های مهم در حوزه بینایی ماشین و اتوماسیون، توانایی ربات در شناسایی و اولویت‌بندی اشیاء در محیط‌های پیچیده مانند صحنه‌های آشفته با انواع مختلف اشیاء، اشکال و رنگ‌ها است.

✴ با توجه به اینکه صنایعی مانند تولید، لجستیک و بهداشت به سیستم‌های خودکارتر وابسته می‌شوند، نیاز به ربات‌های کارآمدتر بیشتر احساس می‌شود.

✴ برای رفع این مشکل، محققان MIT یک روش جدید معرفی کرده‌اند که به ربات‌ها امکان می‌دهد تا از میان صحنه‌های آشفته ، فیلتر کرده و سریعاً بر روی اشیایی که مرتبط با جستجوی خاصی هستند، متمرکز شوند. این پیشرفت می‌تواند موجب انقلابی شدن نحوه عملکرد ربات‌ها شود.

باماهمراه باشید🌱
🆔️ telegram channel:
https://www.tgoop.com/Intellimage
#image_processing
#machin_vision

🚀 تکنیک جدید MIT به نام " Clio " نیاز به پردازش داده‌های غیرضروری را کاهش می‌دهد !!

✔ اطلاعات در مورد یک چالش اساسی در تشخیص آزاد یا باز-مجموعه ای (open-set recognition) ارائه شده است ؛ ربات "Clio" سطح جزییات مورد نیاز برای درک محیط اطراف را تعیین می‌کند و فقط قسمت‌های مرتبط یک صحنه را به خاطر می‌سپارد، که آن را برای بسیاری از کاربردهای تصمیم‌گیری در زمان واقعی مفید می‌سازد.

✔ آزمایش "Clio" در محیط‌های طبیعی نشان داد که این سیستم قادر است با توجه به وظایف داده شده، به سرعت صحنه‌ها را بخش‌بندی کرده و اشیاء مرتبط را شناسایی کند. همچنین در آزمایشی دیگر، این سیستم توانست در کنار ربات چهارپای Boston Dynamics، اشیاء مرتبط با وظایف داده شده را شناسایی و نقشه آنها را ارائه دهد.

✔ در آینده، تیم تحقیقاتی قصد دارد "Clio" را برای انجام وظایف پیچیده‌تر مانند جست‌وجو و نجات یا تأمین برق، سازگار کنند تا درک انسان‌گونه‌تری از چگونگی انجام چنین وظایف پیچیده‌ای کسب کنند.
🆔️ telegram channel:
https://www.tgoop.com/Intellimage
#image_processing
#machin_vision

🆕️تولید ویدیوهای جدید با زاویه دوربین های متفاوت

⚡فناوری ReCapture روشی برای تولید ویدیوهای
جدید است که با زاویه دوربین های متفاوت از یک ویدیوی منبع کار می‌کند. این روش به چند مرحله اصلی تقسیم میشود:

۱) ابتدا یک ویدیوی مبنا (anchor video) با نویز تولید میکند که دارای مسیر دوربین جدید است. این ویدیوی مبنا با استفاده از مدل های multiview diffusion models یا رندر ابر نقطه مبتنی بر عمق ایجاد میشود.

۲) سپس، ویدیوی مبنای نویزدار را با استفاده از تکنیک پیشنهادی "فاین-تیونینگ ویدیوی ماسک دار" دنویز و همسو با زمان بازسازی میکند. این تکنیک شامل دو مرحله است:
•فاین-تیونینگ یک LoRA زمانی روی ویدیوی مبنای ماسک دار برای یادگیری دینامیک صحنه
•فاین-تیونینگ یک LoRA مکانی روی فریم های افزوده از ویدیوی منبع برای یادگیری ظاهر صحنه

⚡این روش ماسک دار، فقط بخش های مفید ویدیوی مبنا را یاد میگیرد و بخش های گم شده را نادیده میگیرد.
⚡در مجموع، ReCapture امکان بازتولید ویدیوی منبع با تمام حرکات صحنه موجود را از زوایای بسیار متفاوت و با حرکات دوربین سینمایی فراهم میکند.
🔎 website
🆔️telegram channel:
https://www.tgoop.com/Intellimage

✴ بهبود عملکرد وزنه برادران در طی تمرینات بااستفاده از پردازش دیجیتال دوربین های حرارتی مبتنی بر هوش مصنوعی

✅ روش جدیدی که ترکیبی از فیلم‌برداری دوربین‌های حرارتی و پردازش دیجیتال مبتنی بر هوش مصنوعی است، می‌تواند عملکرد و ایمنی را در طیف گسترده‌ای از کاربردهای ورزشی و بهداشتی بهینه‌سازی کند. در حالی که بیشتر روش‌های موجود از لحظات قبل و بعد استفاده می‌کنند، این روش جدید قادر است فعال‌سازی عضلات و شناسایی نواحی با کشش یا خستگی را رصد کند.

✅ این روش جدید با استفاده از دوربین‌های حرارتی ارزان‌قیمت متصل به گوشی هوشمند یا دستگاه‌های حرارتی با کیفیت بالا قابل اجرااست، بنابراین دسترسی به آن برای نیازهای آموزشی مختلف بهبود می‌یابد.با تحلیل کامل حرکت به جای لحظات خاص، می‌تواند روند تغییرات دمایی را در زمان‌واقعی رصد کند و متوجه شود که در طول تمرین چه اتفاقی می‌افتد.

✅ این فناوری می‌تواند در حوزه‌های مراقبت‌های بهداشتی مورد استفاده قرار گیرد و اطلاعات مربوط به دماو وضعیت بدن را به متخصصان ارائه دهدوبه بازتوانی موثرتر پس از بیماری یا آسیب کمک کند.
🆔️ telegram channel:
https://www.tgoop.com/Intellimage
#image_processing

گروه تخصصی پردازش تصویر هوشمند Intellimage

✔ تبدیل ایده‌ها به واقعیت

باماهمراه باشید 🌱

🆔️ telegram channel:
https://www.tgoop.com/Intellimage

📚Intermediate Python

• لینک دسترسی به آموزش:

📥 https://book.pythontips.com/en/latest/index.html


🔎 Machine_learn
🆔️ telegram channel:
https://www.tgoop.com/Intellimage
#programming
#Python

🪩 پروژه InnerEye در لیست تحقیقات مایکروسافت

○• مایکروسافت با پروژه InnerEye، تجزیه و تحلیل تصاویر پزشکی با استفاده از هوش مصنوعی را دموکراتیک می کند. این پلتفرم پیشرفته تحلیل تصاویر پزشکی مایکروسافت، با استفاده از هوش مصنوعی، دقت و کارایی خدمات بهداشتی را افزایش داده و تشخیص زودهنگام بیماری ها را بهبود می بخشد.

○• تیم تحقیقاتی مایکروسافت با توسعه یک پلتفرم با محوریت هوش مصنوعی ، که از یادگیری ماشینی برای ارائه پشتیبانی تشخیصی دقیق و کارآمد به پزشکان استفاده می کند، گام های مهمی در زمینه تحلیل تصاویر پزشکی برداشته اند. این پروژه به کاهش زمان انتظار در سیستم ملی بهداشت بریتانیا (NHS) و بهبود مراقبت از بیماران کمک می کند.

○• یکی از حوزه های موفق این سیستم، کاهش خطاهای تشخیصی در انکولوژی، بیماری های قلبی-عروقی و به ویژه رادیولوژی است.این سیستم قادر به تحلیل کمی خودکار تصاویر پزشکی سه بعدی و تفسیر الگوهای داده پیچیده است که حتی افراد با تجربه نیز به راحتی نمی توانند تشخیص دهند.
🆔️ telegram channel:
https://www.tgoop.com/Intellimage
#image_processing
#machin_vision