أنت على بعد خطوات قليلة من الانغماس في تجربة أكاديمية فريدة من نوعها ستكتسب من خلالها المعرفة النظرية والعملية اللازمة لتبرز كخبير في رؤية الكمبيوتر"

إن تطور الذكاء الاصطناعي والتعلم الآلي (Machine Learning)، فضلاً عن النمو التقني والمتخصص بشكل متزايد للروبوتات، والواقع المعزز، والبيانات الضخمة (Big Data) والأتمتة المفرطة، هو ما سمح بتطور الرؤية الاصطناعية. من خلال تطبيق أساليبهم، أصبح من الممكن اليوم، على سبيل المثال، اكتشاف الأخطاء أثناء الإنتاج، بالإضافة إلى تحديد النتائج المعيبة بشكل تمييزي. بفضل تعدد استخدامات أنظمة الخوارزمية المعقدة، فمن المعقول استخدامها في العديد من الصناعات والعمليات: الإلكترونيات (قراءة التعليمات البرمجية)، والتغليف (وضع العلامات أو التحقق من الطباعة)، والخدمات اللوجستية (الكشف عن المواد الخطرة)، والسيارات (مراقبة الجودة). ) أو الصحة (القراءة والتحقق من التغليف أو أخذ الأشعة السينية)، وما إلى ذلك.

حقيقة أنه قطاع له مستقبل مليء بالفرص والإمكانيات هو ما دفع TECH إلى تطوير الماجستير النصف حضوري في الرؤية الاصطناعية. هو برنامج مكثف وشامل يزود الخريج بمعرفة واسعة ومتخصصة حول هذا العلم وتقنياته وتطبيقاته الحالية. من خلال 1500 ساعة من أفضل التدريب النظري والعملي، سيتمكن عالم الكمبيوتر من معرفة تفاصيل الأنظمة الذكية وعمومياتها، وسيكون قادرًا على تطوير مشروع لنفسه مع ضمان كامل للنجاح.

لا يشتمل هذا البرنامج فقط على منهج دراسي كامل ومتخصص، تم تصميمه حصريًا من قبل مهندسين متمرسين في هذا القطاع، ولكنه يتضمن أيضًا مواد إضافية مقدمة بتنسيقات مختلفة للسماح لك بالتعمق في كل قسم بطريقة شخصية. كل هذا من خلال الفصول الافتراضية، والتي يمكنك الوصول إليها من أي جهاز متصل بالإنترنت وبجدول زمني ملائم تمامًا لتوافرك. أخيرًا، ستتمكن من إكمال 120 ساعة من الإقامة العملية في مركز مرجعي، مما سيسمح لك بتحسين مهاراتك من خلال المشاركة النشطة في مشاريع تكنولوجيا المعلومات وإضافة تمييز مرموق إلى سيرتك الذاتية مما يجعلك متميزًا في أي عملية اختيار. .شخصية.

مؤهل علمي كامل يجمع بين أفضل النظرية %100 عبر الإنترنت والممارسة المضمونة خلال 12 شهرًا من التدريب المتخصص"

يحتوي الماجستير النصف حضوري في الرؤية الاصطناعية على البرنامج الأكثر اكتمالا وحداثة في السوق. أبرز خصائصها هي:

تطوير أكثر من 100 حالة مقدمة من متخصصين في تكنولوجيا المعلومات وخبراء في إدارة المشاريع وتحليل وتصميم البرمجيات وبرمجة تطبيقات مراقبة الجودة وإدارة العملاء والموردين
محتوياته الرسومية والتخطيطية والعملية بشكل بارز والتي تم تصميمه بها، تجمع معلومات محدثة ومتقدمة عن الذكاء الاصطناعي والرؤية الاصطناعية
إدارة شاملة للصور التي سيتم تصديرها، وتحليل المحتوى والبيانات بناءً على أنظمة الرؤية الاصطناعية، والعمل مع منصات الحوسبة السحابية (Cloud Computing) المعتادة
فهم شامل لاستخدام أجهزة الواقع المعزز، بالإضافة إلى التحكم في برامج معالجة الصور ثلاثية الأبعاد الأكثر شيوعًا
كل هذا سيتم استكماله بدروس نظرية وأسئلة للخبراء ومنتديات مناقشة حول القضايا المثيرة للجدل وأعمال التفكير الفردية
توفر المحتوى من أي جهاز ثابت أو محمولمتصل بالإنترنت 
بالإضافة إلى ذلك، يمكنك الحصول على تدريب داخلي في واحدة من أفضل شركات تكنولوجيا المعلومات.

سيكون لديك مئات الساعات من المواد الإضافية عالية الجودة المقدمة بتنسيقات مختلفة، بحيث يمكنك التعمق في كل قسم بطريقة شخصية خلال الفترة النظرية"

في اقتراح الماجستير هذا، ذو الطبيعة المهنية والطريقة المختلطة، يهدف البرنامج إلى تحديث متخصصي تكنولوجيا المعلومات الذين يقومون بوظائفهم في القطاع الهندسي المتخصص في الذكاء الاصطناعي، والذين يحتاجون إلى مستوى عالٍ من التأهيل. تعتمد المحتويات على أحدث الأدلة من القطاع، وموجهة بطريقة تعليمية لدمج المعرفة النظرية في ممارسة الحوسبة،  وستسهل العناصر النظرية العملية تحديث المعرفة وتسمح باتخاذ القرار في إدارة المشاريع وتوجيهها .

بفضل محتوى الوسائط المتعددة المعد بأحدث التقنيات التعليمية، فإنها ستسمح للمتخصص بالاستمتاع بالتعلم المكاني والسياقي، أي؛ بيئة محاكاة توفر تدريبًا غامرًا مبرمجًا للتدريب في مواقف حقيقية. يركز تصميم هذا البرنامج على التعلم القائم على حل المشكلات، والذي يجب أن تحاول من خلاله حل المواقف المختلفة للممارسة المهنية التي تنشأ من خلاله. للقيام بذلك، سيحصل على مساعدة من نظام فيديو تفاعلي مبتكر من قبل خبراء مشهورين.

برنامج متخصص في معالجة الصور ثلاثية الأبعاد يمكنك من خلاله أن تتعلم بالتفصيل استراتيجيات التسجيل والربط الأكثر فعالية اليوم"

سوف تكتسب التمكن من معالجة الصور الرقمية المتقدمة من خبير في هذا القطاع"

لإعداد الخطة الدراسية لهذا البرنامج المقدم %100 عبر الإنترنت، أخذت TECH في الاعتبار معايير فريق التدريس، الذي، باتباع مقاييس الجودة الدقيقة التي يتطلبها هذا المركز، اختار أحدث المعلومات وأكثرها شمولاً بناءً على الرؤية الاصطناعية. بفضل هذا، أصبح من الممكن تطوير برنامج ديناميكي ومبتكر وتدريبي عالي بفضل استخدام المنهجية التربوية لإعادة التعلم (Relearning) واختيار أفضل المواد الإضافية المقدمة في أشكال مختلفة. فقط ما يحتاجه الطالب ليتقن، خلال 12 شهرًا فقط، هذا التخصص العلمي.

إن إجراء التجزئة الصحيحة للصور المتقدمة باستخدام أدوات إطارية مختلفة سيبدو وكأنه مهمة بسيطة يجب إكمالها بعد اجتياز هذا البرنامج"

الوحدة 1. الرؤية الاصطناعية

1.1    الإدراك البشري

1.1.1    النظام البصري البشري
2.1.1    اللون
3.1.1    الترددات المرئية وغير المرئية

2.1    تاريخ الرؤية الاصطناعية

1.2.1    البداية
2.2.1    التطور
3.2.1    أهمية الرؤية الاصطناعية

3.1    تكوين الصورة الرقمية

1.3.1    الصورة الرقمية
3.2.1    أنواع الصور
3.3.1    مساحات اللون
4.3.1    RGB
5.3.1    HSV و HSL
6.3.1    CMY-CMYK
7.3.1    YCbCr
8.3.1    الصورة المفهرسة

4.1    أنظمة التقاط الصور

1.4.1    تشغيل كاميرا الرقمية
2.4.1    التعرض الصحيح لكل حالة
3.4.1    عمق الميدان
4.4.1    الدقة
5.4.1    صيغ الصور
6.4.1    الوضع HDR
7.4.1    كاميرات عالية الدقة
8.4.1    كاميرات عالية السرعة

5.1    الأنظمة البصرية

1.5.1    المبادئ البصرية
2.5.1    العدسات التقليدية
3.5.1    العدسات المركزية عن بعد
4.5.1    أنواع التركيز التلقائي
5.5.1    المسافة البؤرية
6.5.1    عمق الميدان
7.5.1    التشويه البصري
8.5.1    معايرة الصورة

6.1    أنظمة الإضاءة

1.6.1    أهمية الإضاءة
2.6.1    استجابة التردد
3.6.1    الإنارة بالصمام المضيء
4.6.1    الإضاءة الخارجية
5.6.1    أنواع الإضاءة للتطبيقات الصناعية. التأثيرات

7.1    أنظمة التقاط ثلاثية الأبعاد

1.7.1    رؤية ستيريو
2.7.1    التثليث
3.7.1    الضوء المنظم
4.7.1    Time of Flight
5.7.1    Lidar

8.1    متعدد الأطياف

1.8.1    كاميرات متعددة الأطياف
2.8.1    الكاميرات الفائقة الطيفية

9.1    الطيف القريب غير مرئي

1.9.1    كاميرات الأشعة تحت الحمراء
2.9.1    كاميرات الأشعة فوق البنفسجية
3.9.1    تحويل من غير مرئي إلى مرئي بفضل الإضاءة

10.1    نطاقات أخرى من الطيف

1.10.1    الأشعة السينية
1.10.1    تيراهيرتز

الوحدة 2. التطبيقات وحالة الفن

1.2    التطبيقات الصناعية

1.1.2    مكتبات الرؤية الصناعية
2.1.2    الكاميرات المدمجة
3.1.2    الأنظمة المعتمدة على PC
4.1.2    الروبوتات الصناعية
5.1.2    Pick and place 2D
6.1.2    Bin picking
7.1.2    مراقبة الجودة
8.1.2    وجود غياب المكونات
9.1.2    التحكم في الأبعاد
10.1.2    التحكم في وضع العلامات
11.1.2    إمكانية التتبع

2.2    المركبات ذاتية القيادة

1.2.2    مساعدة السائق
2.2.2    القيادة الذاتية

3.2    الرؤية الاصطناعية لتحليل المحتوى

1.3.2    تصفية حسب المحتوى
2.3.2    الإشراف على المحتوى المرئي
3.3.2    أنظمة التتبع
4.3.2    التعرف على العلامات التجارية والشعارات
5.3.2    وضع علامات على الفيديو وتصنيفه
6.3.2    كشف تغيير المشهد
7.3.2    استخراج النصوص أو الاعتمادات

4.2    التطبيقات الطبية

1.4.2    كشف وتعقب الأمراض
2.4.2    السرطان وتحليل الأشعة السينية
3.4.2    التقدم في الرؤية الاصطناعية في ظل COVID 91
4.4.2    المساعدة في غرفة العمليات

5.2    تطبيقات الفضاء

1.5.2    تحليل الصور الفضائية
2.5.2    الرؤية الاصطناعية لدراسة الفضاء
3.5.2     مهمة إلى المريخ

6.2    التطبيقات التجارية

1.6.2    مراقبة المخزون
2.6.2    المراقبة بالفيديو، أمن المنزل
3.6.2    كاميرات مواقف السيارات
4.6.2    كاميرات مراقبة السكان
5.6.2    كاميرات السرعة

7.2    الرؤية المطبقة على الروبوتات

1.7.2    الدرونات
2.7.2    AGV
3.7.2    الرؤية في الروبوتات التعاونية
4.7.2    عيون الروبوتات

8.2    الواقع المعزز

1.8.2    التشغيل
2.8.2    الأجهزة
3.8.2    تطبيقات في الصناعة
4.8.2    التطبيقات التجارية

9.2    Cloud computing (الحوسبة السحابية)

1.9.2    منصات Cloud Computing
2.9.2 من Cloud Computing إلى الإنتاج

10.2    البحث والفن المقرن

1.10.2    المجتمع العلمي
2.10.2    ما الذي يطهى؟
3.10.2    مستقبل الرؤية الاصطناعية

الوحدة 3. المعالجة الرقمية للصور

1.3    بيئة تطوير الرؤية الاصطناعية

1.1.3    مكتبات الرؤية الاصطناعية
2.1.3    بيئة البرمجة
3.1.3    أدوات التصور

2.3    المعالجة الرقمية للصور

1.2.3    العلاقات بين وحدات البكسل
2.2.3    عمليات الصورة
3.2.3    التحولات الهندسية

3.3    عمليات وحدات البكسل

1.3.3    الرسم البياني
2.3.3    التحولات من الرسم البياني
3.3.3    العمليات على الصور الملونة

4.3    العمليات المنطقية والحسابية

1.4.3    الجمع والطرح
2.4.3    المنتج والتقسيم
3.4.3    And/Nand
4.4.3    Or/Nor
5.4.3    Xor/Xnor

5.3    المرشحات

1.5.3    الأقنعة والالتواء
2.5.3    الترشيح الخطي
3.5.3    الترشيح غير الخطي
4.5.3    تحليل Fourier

6.3    العمليات المورفولوجية

1.6.3    Erode and Dilating
2.6.3    Closing and Open
3.6.3    القبعة العالية (Top_hat) والقبعة السوداء (Black hat)
4.6.3    كشف المعالم
5.6.3    الهيكل العظمي
6.63    حشو الثقب
7.6.3    Convex hull

7.3    أدوات تحليلات الصور

1.7.3    كشف الحواف
2.7.3    كشف blobs
3.7.3    التحكم في الأبعاد
4.7.3    فحص اللون

8.3    تجزئة الأجسام

1.8.3    تقطيع الصورة
2.8.3    تقنيات التجزئة الكلاسيكية
3.8.3    تطبيقات حقيقية

9.3    معايرة الصور

1.9.3    معايرة الصورة
2.9.3    طرق المعايرة
3.9.3    عملية المعايرة في نظام الكاميرا/الروبوت ثنائي الأبعاد

10.3    معالجة الصور في بيئة حقيقية

1.10.3    تحليل الإشكالية
2.10.3    معالجة الصورة
3.10.3    استخراج الميزة
4.10.3    لنتائج النهائية

الوحدة 4. معالجة الصور الرقمية المتقدمة

1.4    التعرف البصري على الحروف (OCR)

1.1.4    المعالجة المسبقة للصورة
2.1.4    كشف النص
3.1.4    التعرف على النص

2.4    قراءة رموز

1.2.4    رموز 1D
2.2.4    رموز 2D
3.2.4    التطبيقات

3.4    البحث عن أنماط

1.3.4    البحث عن أنماط
2.3.4    الأنماط القائمة على المستوى الرمادي
3.3.4    أنماط المعتمدة على المعالم
4.3.4    أنماط مبنية على أشكال هندسية
5.3.4    تقنيات أخرى

4.4    تتبع الأشياء بالرؤية التقليدية

1.4.4    استخراج الخلفية
2.4.4    Meanshift
3.4.4    Camshift
4.4.4    Optical flow

5.4    التعرف على الوجه

1.5.4    Facial Landmark detection
2.5.4    التطبيقات
3.5.4    التعرف على الوجه
4.5.4    التعرف على المشاعر

6.4    المنظر العام والمحاذاة

1.6.4    Stitching
2.6.4    تكوين الصورة
3.6.4    تركيب الصورة

7.4    النطاق الديناميكي العالي (HDR) والستيريو الضوئي

1.7.4    زيادة النطاق الديناميكي
2.7.4    تكوين الصور لتحسين المعالم
3.7.4    تقنيات استخدام التطبيقات الديناميكية

8.4    ضغط الصورة

1.8.4    ضغط الصورة
2.8.4    أنواع الضواغط
3.8.4    تقنيات ضغط الصور

9.4    معالجة الفيديو

1.9.4    تسلسلات الصور
2.9.4    تنسيقات الفيديو وبرامج الترميز
3.9.4    قراءة الفيديو
4.9.4    معالجة اللقطات

10.4    التطبيق الحقيقي لمعالجة الصور

1.10.4    تحليل الإشكالية
2.10.4    معالجة الصورة
3.10.4    استخراج الميزة
4.10.4    النتائج النهائية

الوحدة 5. معالجة الصور ثلاثية الأبعاد

1.5    الصورة ثلاثية الأبعاد

1.1.5    الصورة ثلاثية الأبعاد
2.1.5    برامج معالجة الصور وتصورها ثلاثية الأبعاد
3.1.5    برامج علم القياس

2.5    Open3D

1.2.5    مكتبة لمعالجة البيانات ثلاثية الأبعاد
2.2.5    الخصائص
3.2.5    التثبيت والاستخدام

3.5    البيانات

1.3.5    خرائط العمق في صورة ثنائية الأبعاد
2.3.5    Pointclouds
3.3.5    العادية
4.3.5    السطحية

4.5    المشاهدة

1.4.5    المشاهدة المعلومات
2.4.5    التحكم
3.4.5    مشاهدة الويب

5.5    المرشحات

1.5.5    المسافة بين النقاط، وإزالة outliers
2.5.5    مرشح عالي الدقة
3.5.5    Downsampling

6.5    الهندسة واستخراج الميزات

1.6.5    استخراج ملف شخصي
2.6.5    قياس العمق
3.6.5    الحجم
4.6.5    أشكال هندسية ثلاثية الأبعاد
5.6.5    المخططات
6.6.5    إسقاط نقطة واحدة
7.6.5    مسافات المنحدر
8.6.5    Kd Tree
9.6.5    ميزات ثلاثية الأبعاد

7.5    التسجيل و Meshing

1.7.5    التسلسل
2.7.5    ICP
3.7.5    Ransac 3D

8.5    التعرف على الكائنات ثلاثية الأبعاد

1.8.5    البحث عن عنصر في المشهد ثلاثي الأبعاد
2.8.5    التجزئة
3.8.5    Bin picking

9.5    تحليل الأسطح

1.9.5    Smoothing
2.9.5    أسطح قابلة للتعديل
3.9.5    Octree

10.5    التثليث

1.10.5    من Mesh إلى Point Cloud
2.10.5    تثليث خريطة العمق
3.10.5    تثليث PointClouds الغير مرتبة

الوحدة 6. التعلم العميق (Deep Learning)

1.6    الذكاء الاصطناعي

1.1.6    التعلم الالي
2.1.6    التعلم العميق (Deep Learning)
3.1.6    انفجار التعلم العميق (Deep Learning) .. لماذا الآن؟

2.6    الشبكات العصبية

1.2.6    الشبكة العصبية
2.2.6    استخدامات الشبكات العصبية
3.2.6    الانحدار الخطي والإدراك (Perceptron)
4.2.6    Forward Propagation
5.2.6    Backpropagation
6.2.6    Feature vectors

3.6    Loss Functions

1.3.6    Loss Functions
2.3.6    أنواع Loss Functions
3.3.6    اختيار Loss Functions

4.6    وظائف التنشيط

1.4.6    وظيفة التنشيط
2.4.6    وظائف خطية
3.4.6    وظائف غير خطية
4.4.6    Output مقابل. Hidden Layer Activation Functions

5.6    التنظيم والتطبيع

1.5.6    التنظيم والتطبيع
2.5.6    Overfitting and Data Augmentation
3.5.6    Regularization Methods: L1, L2 and Dropout
4.5.6    Normalization Methods: Batch, Weight, Layer

6.6    التحسين

1.6.6    Gradient Descent
2.6.6    Stochastic Gradient Descent
3.6.6    Mini Batch Gradient Descent
4.6.6    Momentum
5.6.6    Adam

7.6    Hyperparameter Tuning والأوزان

1.7.6    المعلمات المفرطة
2.7.6    Batch Size مقابل. Learning Rate مقابل. Step Decay
3.7.6    الأوزان

8.6    مقاييس تقييم الشبكة العصبية

1.8.6    Accuracy
2.8.6    Dice Coefficient
3.8.6    Sensitivity مقابل. Specificity/Recall مقابل. Precision
4.8.6    منحنى ROC (AUC)
5.8.6    F1-score
6.8.6    Confusion Matrix
7.8.6    Cross-Validation

9.6    الأطر (Frameworks) والأجهزة (hardware)

1.9.6    Tensor Flow
2.9.6    Pytorch
3.9.6    Caffe
4.9.6    Keras
5.9.6    الأجهزة لمرحلة التدريب

10.6    إنشاء شبكة عصبية- التدريب والتحقق من الصحة

1.10.6    Dataset
2.10.6    بناء الشبكة
3.10.6    التمرين
4.10.6    عرض النتائج

الوحدة 7. الشبكات التلافيفية وتصنيف الصور

1.7    الشبكات العصبونية التفافية

1.1.7    المقدمة
2.1.7    التفافية
3.1.7    CNN Building Blocks

2.7    أنواع طبقات CNN

1.2.7    Convolutional
2.2.7    Activation
3.2.7    Batch normalization
4.2.7    Polling
5.2.7    Fully connected

3.7    المقاييس

1.3.7    Confusion Matrix
2.3.7    Accuracy
3.3.7    Precision
4.3.7    Recall
5.3.7    F1 Score
6.3.7    ROC Curve
7.3.7    AUC

4.7    البنى الرئيسية

1.4.7    AlexNet
2.4.7    VGG
3.4.7    ResNet
4.4.7    GoogleLeNet

5.7    تصنيف الصور

1.5.7    المقدمة
2.5.7    تحليل البيانات
3.5.7    إعداد البيانات
4.5.7    التدريب النموذجي
5.5.7    التحقق من صحة النموذج

6.7    اعتبارات عملية للتدريب على CNN

1.6.7    اختيار المحسن
2.6.7    Learning Rate Scheduler
3.6.7    التحقق من خط أنابيب التدريب
4.6.7    التدريب المنتظم

7.7    الممارسات الجيدة في Deep Learning

1.7.7    Transfer Learning
2.7.7    Fine Tuning
3.7.7    Data Augmentation

8.7    تقييم البيانات الإحصائية

1.8.7    عدد datasets
2.8.7    عدد الملصقات
3.8.7    عدد الصور
4.8.7    موازنة البيانات

9.7    Deployment

1.9.7    حفظ وتحميل النماذج
2.9.7    Onnx
3.9.7    الاستنتاج

10.7    حالة عملية: تصنيف الصورة

1.10.7    تحليل البيانات وإعدادها
2.10.7    اختبار pipeline للتدريب
3.10.7    التدريب النموذجي
4.10.7    التحقق من صحة النموذج

الوحدة 8. كشف الأجسام

1.8    الكشف وتتبع الأجسام

1.1.8    كشف الأجسام
2.1.8    حالات استخدام
3.1.8    تتبع الأجسام
4.1.8    حالات استخدام
5.1.8    الانسدادات، Rigid and No Rigid Poses

2.8    مقاييس التقييم

1.2.8    IOU - Intersection Over Union
2.2.8    Confidence Score
3.2.8    Recall
4.2.8    الدقة
5.2.8    Recall- Precision Curve
6.2.8    Mean Average Precision (mAP)

3.8    الطرق التقليدية

1.3.8    Sliding window
2.3.8    كاشف Viola
3.3.8    HOG
4.3.8    Non Maximal Supresion (NMS)

4.8    Datasets

1.4.8    Pascal VC
2.4.8    MS Coco
3.4.8    ImageNet (4102)
4.4.8    MOTA Challenge

5.8    Two Shot Object Detector

1.5.8    R-CNN
2.5.8    Fast R-CNN
3.5.8    Fast R-CNN
4.5.8    Fast R-CNN

6.8    Single Shot Object Detector

1.6.8    SSD
2.6.8    YOLO
3.6.8    RetinaNet
4.6.8    CenterNet
5.6.8    EfficientDet

7.8    Backbones

1.7.8    VGG
2.7.8    ResNet
3.7.8    Mobilenet
4.7.8    Shufflenet
5.7.8    Darknet

8.8    Object Tracking

1.8.8    الناهج الكلاسيكية
2.8.8    مرشحات الجسيمات
3.8.8    Kalman
4.8.8    Sort tracker
5.8.8    Deep Sort

9.8    الانتشار

1.9.8    منصة الحوسبة
2.9.8    إختيار Backbone
3.9.8    إختيار Framework
4.9.8    تحسين النموذج
5.9.8    إصدار النماذج

10.8    الدراسة: كشف وتتبع الأشخاص

1.10.8    الكشف عن الأشخاص
2.10.8    تتبع الأشخاص
3.10.8    إعادة تحديد الهوية
4.10.8    عد الناس في الحشود

الوحدة 9. تجزئة الصور مع deep learning (التعلم العميق)

1.9    كشف الأجسام وتجزئتها

1.1.9    التجزئة الدلالية

1.1.1.9 حالات استخدام التجزئة الدلالية

2.1.9    التجزئة الموثقة

1.2.1.9 حالات استخدام التجزئة الموثقة

2.9    مقاييس التقييم

1.2.9    التشابه مع الأساليب الأخرى
2.2.9    Pixel Accuracy
3.2.9    Dice Coefficient (F1 Score)

3.9    وظائف التكلفة

1.3.9    Dice Loss
2.3.9    Focal Loss
3.3.9    Tversky Loss
4.3.9    وظائف أخرى

4.9    طرق التجزئة التقليدية

1.4.9    تطبيق المستوى مع Otsu و Riddlen
2.4.9    خرائط التنظيم الذاتي
3.4.9    GMM-EM algorithm

5.9    تطبيق التجزئة الدلالية Deep Learning: FCN

1.5.9    FCN
2.5.9    البنيات
3.5.9    تطبيقات FCN

6.9    تطبيق التجزئة الدلالية Deep Learning: U-NET

1.6.9    U-NET
2.6.9    البنيات
3.6.9    تطبيق U-NET

7.9    تطبيق التجزئة الدلالية Deep Learning: Deep Lab

1.7.9    Deep Lab
2.7.9    البنيات
3.7.9    تطبيق Deep Lab

8.9    التجزئة الموثقة باستخدام Deep Learning: Mask RCNN

1.8.9    Mask RCNN
2.8.9    البنيات
3.8.9    تطبيق Mask RCNN

9.9    التقسيم في مقاطع الفيديو

1.9.9    STFCN
2.9.9    Semantic Video CNNs
3.9.9    Clockwork Convnets
4.9.9    Low-Latency

10.9    تجزئة في السحب النقطية

1.10.9    الرسم التخطيطي المبعثر
2.10.9    PointNet
3.10.9    A-CNN

الوحدة 10. تجزئة الصور المتقدمة وتقنيات الرؤية الاصطناعية المتقدمة

1.10    قاعدة بيانات لمشاكل التجزئة العامة

1.1.10    Pascal Context
2.1.10    CelebAMask-HQ
3.1.10    Cityscapes Dataset
4.1.10    CCP Dataset

2.10    التجزئة الدلالية في الطب

1.2.10    التجزئة الدلالية في الطب
2.2.10    Datasets للمشاكل الطبية
3.2.10    تطبيقات عملية

3.10    أدوات التعليق

1.3.10    Computer Vision Annotation Tool
2.3.10    LabelMe
3.3.10    أدوات أخرى

4.10    أدوات التقسيم باستخدام Frameworks

1.4.10    Keras
2.4.10    Tensorflow v2
3.4.10    Pytorch
4.4.10    آخرون

5.10    مشروع التجزئة الدلالية. البيانات. المرحلة 1

1.5.10    تحليل المشكلة
2.5.10    مصدر إدخال البيانات
3.5.10    تحليل البيانات
4.5.10    إعداد البيانات

6.10     مشروع التجزئة الدلالية. التمرين المرحلة 2

1.6.10    اختيار الخوارزمية
2.6.10    التمرين
3.6.10    التقييم

7.10    مشروع التجزئة الدلالية. النتائج المرحلة 3

1.7.10    ضبط دقيق
2.7.10    عرض الحل
3.7.10    الاستنتاجات

8.10    أجهزة الترميز التلقائي

1.8.10    أجهزة الترميز التلقائي
2.8.10    بنية التشفير التلقائي
3.8.10    تقليل الضوضاء لأجهزة الترميز التلقائي
4.8.10    التشفير التلقائي للتلوين التلقائي

9.10    شبكات الخصومة التوليدية (GAN)

1.9.10    شبكات الخصومة التوليدية (GAN)
2.9.10    بنية DCGAN
3.9.10    بنية GAN المشروطة

10.10    الشبكات التوليدية العدائية المحسنة

1.10.10    نظرة عامة على المشكلة
2.10.10    WGAN
3.10.10    LSGAN
4.10.10    ACGAN

لا تفكر طويلا، لأنك تدرك أنك مع هذا الماجيستير المتقدم ستصل إلي أبعد ما يكون”