الرؤية الاصطناعية هي تكنولوجيا الحاضر والمستقبل. تخصص في هذا البرنامج وحقق التقدم المهني الذي تبحث عنه " 

لبضع سنوات ، أحدث الذكاء الاصطناعي ثورة كبيرة في عالم التكنولوجيا. يسمح بتطوير برامج وآلات قادرة على التعلم وتوليد معرفة جديدة والعمل وفقًا لأفضل الحلول المتاحة في كل حالة. وبالتالي ، تتراوح تطبيقاتها من العلوم الحاسوبية ، مروراً بالبحث في مجالات مثل الصحة ، إلى تطوير أدوات مثل المركبات أو الروبوتات أو ألعاب الفيديو. 

وبالتالي ، فهي مجال في توسع مستمر وهذا أمر ضروري بالفعل في معظم شركات الكمبيوتر والتكنولوجيا. ومع ذلك ، وعلى وجه التحديد ، نظرًا لأهميتها الكبيرة وزخمها في السنوات الأخيرة ، ظهرت تخصصات تركز على أحد جوانبها المحددة. الرؤية الاصطناعية هي واحدة من أهمها. يركز هذا على كيفية معالجة الآلات للمعلومات المرئية المتلقاة وكيف يمكن استخدام هذه المعلومات ، إما لتحسين علاقة الآلة نفسها ببيئتها الخاصة ، أو بجعل عملياتها أكثر دقة ، أو لجمع البيانات بكفاءة. 

لهذا السبب ، يعد مجالًا أساسيًا ويرتبط ارتباطًا وثيقًا بتعلم الآلة ، وهذا هو السبب في أن المزيد والمزيد من الشركات تبحث عن متخصصين في الكمبيوتر في هذا المجال يمكنهم تقديم أفضل الحلول التكنولوجية في تطوير مشاريع الرؤية الاصطناعية.  . تيقدم الماجستير الخاص هذا تعمقًا في هذا المجال ، مما يوفر لك المعرفة والأدوات الأكثر ابتكارًا بحيث يمكنك ، عند إكمال الدرجة ، تحقيق تقدم احترافي فوري بفضل مهاراتك الجديدة. 

وسيتم تحقيق كل هذا باتباع منهجية 100٪ عبر الإنترنت لجامعة تيك التكنولوجية ، المصممة خصيصًا بحيث يمكن لعلماء ومهندسي الكمبيوتر العاملين الجمع بين هذا البرنامج ووظائفهم ، لأنه يتكيف مع ظروفهم الشخصية. بالإضافة إلى ذلك ، سيرافقهم خلال عملية التعلم طاقم تدريس خبير في هذا المجال وسوف يتمتعون بأفضل موارد التدريس متعددة الوسائط مثل الحالات العملية أو مقاطع الفيديو الفنية أو الفصول الرئيسية أو الملخصات التفاعلية ، من بين أشياء أخرى كثيرة. 

المستقبل موجود هنا لا تفوت الفرصة وكن خبيرًا كبيرًا في الرؤية الاصطناعية بفضل درجة الماجستير الخاص هذه " 

تحتوي درجة الماجستير الخاص هذه في الرؤية الاصطناعية على البرنامج التعليم الأكثر اكتمالًا وتحديثًا في السوق . أبرز ميزاته هي:  

تطوير الحالات العملية التي يقدمها خبراء في علوم الكمبيوتر والرؤية الاصطناعية 
محتوياتها الرسومية والتخطيطية والعملية البارزة التي يتم تصورها بها ، تجمع المعلومات العلمية والعملية حول تلك التخصصات الأساسية للممارسة المهنية. 
التدريبات العملية حيث يتم إجراء عملية التقييم الذاتي لتحسينها
التعليم 
تركيزها بشكل خاص على المنهجيات المبتكرة  
الدروس النظرية، والأسئلة الموجهة إلى الخبراء، ومنتديات المناقشة بشأن المواضيع المثيرة للجدل والتفكير الفردي 
توفر الوصول إلى المحتوى من أي جهاز ثابت أو محمول متصل بالإنترنت

لا تنتظر أكثر من ذلك وتخصص في مجال رئيسي لتكنولوجيا المستقبل التي ستجعلك تتقدم بشكل احترافي على الفور " 

تضم في هيئة التدريس مهنيين ينتمون إلى مجال التمريض ، يصبون خبراتهم العملية في هذا التدريب ، بالإضافة إلى متخصصين معترف بهم من مجتمعات رائدة وجامعات مرموقة. 

محتوى الوسائط المتعددة ، الذي تم تطويره باستخدام أحدث التقنيات التعليمية ، سيسمح للممرضين بالتعلم في الوضع والسياق ، أي بيئة محاكاة ستوفر دراسة غامرة مبرمجة للتدريب في مواقف حقيقية. 

يركز تصميم هذا البرنامج على التعلم القائم على المشكلات، والذي من خلاله يجب على المهني محاولة حل المواقف المختلفة للممارسة المهنية التي تنشأ خلال العام الدراسي. للقيام بذلك ، ستحصل على مساعدة من نظام فيديو تفاعلي جديد صنعه خبراء مشهورون. 

تعمق في الذكاء الاصطناعي والتعلم العميق وكن مرجعًا في مجال الرؤية الاصطناعية "

سجل الآن وابدأ في تطوير مشاريع رؤية الكمبيوتر الواعدة بما ستتعلمه في هذا البرنامج "

تم تصميم محتويات درجة الماجستير في الرؤية الاصطناعية من قبل خبراء دوليين عظماء في هذا المجال ، حتى يتمكن علماء الكمبيوتر من الوصول إلى المعرفة المتخصصة للغاية التي ستضعهم كمرجع في هذا المجال. وبالتالي ، في هذا البرنامج ، ستتمكن من التعمق في جوانب مثل الرؤية الاصطناعية لدراسة الفضاء ولتحليل المحتوى ، في البحث عن الأنماط والرموز ، في مكتبات معالجة الصور ثلاثية الأبعاد أو في أجهزة التشفير التلقائي. 

المنهج الأكثر اكتمالا للرؤية الاصطناعية في انتظارك. أكمل هذا البرنامج وادخل إلى مستقبل المهنة "

وحدة 1. رؤية اصطناعية

1.1.    الإدراك الإنساني 
1.1.1.    النظام البصري البشري 
1.1.2.    اللون 
1.1.3.    الترددات المرئية وغير المرئية 
1.2.    وقائع الرؤية الاصطناعية 
1.2.1.    بدايات 
1.2.2.    تطور 
1.2.3.    أهمية الرؤية الاصطناعية 
1.3.    تكوين الصور الرقمية 
1.3.1.    الصورة الرقمية 
1.3.2.    أنواع الصور 
1.3.3.    مساحات اللون 
1.3.4.    ألوان RGB 
1.3.5.    HSV y HSL 
1.3.6.    CMY-CMYK 
1.3.7.    YCbCr 
1.3.8.    صورة مفهرسة 
1.4.    أنظمة التقاط الصور 
1.4.1.    كيف تعمل الكاميرا الرقمية 
1.4.2.    التعرض المناسب لكل حالة 
1.4.3.    عمق المجال 
1.4.4.    الدقة 
1.4.5.    تنسيقات الصور 
1.4.6.    وضع HDR 
1.4.7.    كاميرات عالية الدقة 
1.4.8.    كاميرات عالية السرعة 
1.5.    أنظمة بصرية 
1.5.1.    المبادئ البصرية 
1.5.2.    العدسات التقليدية 
1.5.3.    العدسات عن بعد 
1.5.4.    أنواع ضبط تلقائي للصورة 
1.5.5.    المسافة البؤرية 
1.5.6.    عمق المجال 
1.5.7.    تشويه بصري 
1.5.8.    معايرة الصورة 
1.6.    أنظمة الإضاءة 
1.6.1.    أهمية الإضاءة 
1.6.2.    استجابة التردد 
1.6.3.    إضاءة ليد 
1.6.4.    إضاءة خارجية 
1.6.5.    أنواع الإضاءة للتطبيقات الصناعية. تأثيرات 
1.7.    أنظمة الالتقاط ثلاثية الأبعاد 
1.7.1.    رؤية ستيريو 
1.7.2.    التثليث 
1.7.3.    ضوء منظم 
1.7.4.    وقت الرحلة 
1.7.5.    قائد 
1.8.    متعدد الطيف 
1.8.1.    كاميرات متعددة الأطياف 
1.8.2.    الكاميرات الفائقة الطيف 
1.9.    الطيف القريب غير مرئي 
1.9.1.    كاميرات الأشعة تحت الحمراء 
1.9.2.    غرف الأشعة فوق البنفسجية 
1.9.3.    تحويل من غير مرئي إلى مرئي بفضل الإضاءة 
1.10.     نطاقات أخرى من الطيف 
1.10.1.    الأشعة السينية 
1.10.2.    تيراهيرتز 

وحدة 2. التطبيقات وحالة الفن 

2.1.    تطبيقات صناعية 
2.1.1.    مكتبات الرؤية الصناعية 
2.1.2.    الكاميرات المدمجة 
2.1.3.    أنظمة قائمة على الكمبيوتر 
2.1.4.    الروبوتات الصناعية 
2.1.5.    انتقاء ووضع  2D 
2.1.6.    التقاط بن 
2.1.7.    مراقبة الجودة 
2.1.8.    عدم وجود عناصر 
2.1.9.    التحكم في الأبعاد 
2.1.10.     التحكم في وضع العلامات 
2.1.11.     إمكانية التتبع 
2.2.    المركبات ذاتية القيادة 
2.2.1.    مساعدة السائق 
2.2.2.    القيادة الذاتية 
2.3.    رؤية اصطناعية لتحليل المحتوى 
2.3.1.    تصفية حسب المحتوى 
2.3.2.    اعتدال المحتوى المرئي 
2.3.3.    نظم تتبع 
2.3.4.    تحديد العلامات التجارية والشعارات 
2.3.5.    وضع علامات على الفيديو وتصنيفه 
2.3.6.    الكشف عن تغيير المشهد 
2.3.7.    استخراج النصوص أو الاعتمادات 
2.4.    التطبيقات الطبية 
2.4.1.    كشف وتوطين الأمراض 
2.4.2.    السرطان وتحليل  الأشعة السينية 
2.4.3.    التطورات في الرؤية الاصطناعية في ظل فيروس كورونا Covid-19 
2.4.4.    المساعدة في غرفة العمليات 
2.5.    التطبيقات الفضائية 
2.5.1.    تحليل صور الأقمار الصناعية 
2.5.2.    رؤية اصطناعية لدراسة الفضاء 
2.5.3.    مهمة إلى المريخ 
2.6.    تطبيقات تجارية 
2.6.1.    مراقبة المخزون 
2.6.2.    المراقبة بالفيديو وأمن المنازل 
2.6.3.    كاميرات مواقف السيارات 
2.6.4.    كاميرات مراقبة السكان 
2.6.5.    كاميرات السرعة 
2.7.    تطبيق الرؤية على الروبوتات 
2.7.1.    طائرة بدون طيار 
2.7.2.    AGV 
2.7.3.    الرؤية في الروبوتات التعاونية 
2.7.4.    عيون الروبوتات 
2.8.    الواقع المعزز 
2.8.1.    المهام 
2.8.2.    الأجهزة 
2.8.3.    تطبيقات في الصناعة 
2.8.4.    تطبيقات تجارية 
2.9.    حوسبة سحابية 
2.9.1.    منصات الحوسبة السحابية  
2.9.2.    من الحوسبة السحابية إلى الإنتاج 
2.10.     البحث وحالة الفن 
2.10.1.    المجتمع العلمي 
2.10.2.    ما هو المطبوخ؟ 
2.10.3.    مستقبل الرؤية الاصطناعية 

وحدة 3. معالجة الصور الرقمية 

3.1.    بيئة التطوير في رؤية الحاسب 
3.1.1.    مكتبات الرؤية الحاسوبية 
3.1.2.    بيئة البرمجة 
3.1.3.    أدوات التصور 
3.2.    معالجة الصور الرقمية 
3.2.1.    العلاقات بين البكسلات 
3.2.2.    عمليات مع الصور 
3.2.3.    التحولات الهندسية 
3.3.    عمليات البكسل 
3.3.1.    الرسم البياني 
3.3.2.    التحولات من مخطط نسيجي 
3.3.3.    العمليات في الصور الملونة 
3.4.    العمليات المنطقية والحسابية 
3.4.1.    جمع وطرح 
3.4.2.    المنتج والتقسيم 
3.4.3.    و / ناند 
3.4.4.    أو / لا 
3.4.5.    Xor / Xnor 
3.5.    المرشحات 
3.5.1.    الأقنعة والتلافيف 
3.5.2.    ترشيح خطي 
3.5.3.    ترشيح خطي 
3.5.4.    تحليل فورييه 
3.6.    العمليات المورفولوجية 
3.6.1.    التآكل والتوسع 
3.6.2.    إغلاق وفتح 
3.6.3.    القبعة العلوية وقبعة سوداء 
3.6.4.    كشف الخطوط العريضة 
3.6.5.    هيكل عظمي 
3.6.6.    ملء الحفرة 
3.6.7.    هيكل محدب 
3.7.    أدوات تحليل الصور 
3.7.1.    كشف الحافة 
3.7.2.    كشف blobs 
3.7.3.    التحكم في الأبعاد 
3.7.4.    تفتيش اللون 
3.8.    تجزئة الاشياء 
3.8.1.    تجزئة الصور 
3.8.2.    تقنيات التجزئة الكلاسيكية 
3.8.3.    تطبيقات حقيقية 
3.9.    معايرة الصورة 
3.9.1.    معايرة الصورة 
3.9.2.    طرق المعايرة 
3.9.3.    عملية المعايرة في نظام كاميرا/روبوت ثنائي الأبعاد 
3.10.     معالجة الصور في بيئة حقيقية 
3.10.1.    تحليل المشكلة 
3.10.2.    معالجة الصور 
3.10.3.    ميزة الاستخراج 
3.10.4.    النتائج النهائية 

وحدة 4. معالجة الصور الرقمية المتقدم 

4.1.    التعرف البصري على الحروف (OCR) 
4.1.1.    معالجة الصور 
4.1.2.    كشف النص 
4.1.3.    التعرف على النص 
4.2.    قراءة الكود 
4.2.1.    رموز 1D 
4.2.2.    رموز 2D 
4.2.3.    التطبيقات 
4.3.    البحث عن الأنماط 
4.3.1.    البحث عن الأنماط 
4.3.2.    الأنماط القائمة على المستوى الرمادي 
4.3.3.    الأنماط المستندة إلى الخطوط العريضة 
4.3.4.    أنماط تعتمد على الأشكال الهندسية 
4.3.5.    تقنيات أخرى 
4.4.    تتبع الاشياء بالرؤية التقليدية 
4.4.1.    استخراج الخلفية 
4.4.2.    الانزياح 
4.4.3.    التحول الكام 
4.4.4.    تدفق البصر 
4.5.    تمييز الوجوه 
4.5.1.    كشف معالم الوجه 
4.5.2.    التطبيقات 
4.5.3.    تمييز الوجوه 
4.5.4.    التعرف على المشاعر 
4.6.    التحريك والمحاذاة 
4.6.1.    التطريز 
4.6.2.    تكوين الصور 
4.6.3.    تركيب الصورة 
4.7.    نطاق ديناميكي عالٍ (HDR) واستريو مضيء ()   
4.7.1.    زيادة النطاق الديناميكي 
4.7.2.    تركيب الصور لتحسين الخطوط العريضة 
4.7.3.    تقنيات الاستخدام في التطبيقات الدينامكية 
4.8.    ضغط الصور 
4.8.1.    ضغط الصور 
4.8.2.    أنواع الضاغطات 
4.8.3.    تقنيات ضغط الصورة 
4.9.    تجهيز الفيديو 
4.9.1.    تسلسل الصورة 
4.9.2.    تنسيقات الفيديو ورموز الفيديو 
4.9.3.    قراءة مقطع فيديو
4.9.4.    تجهيز الإطارات 
4.10.     التطبيق الحقيقي لمعالجة الصور 
4.10.1.    تحليل المشكلة 
4.10.2.    معالجة الصور 
4.10.3.    ميزة الاستخراج 
4.10.4.    النتائج النهائية 

وحدة 5. معالجة الصور ثلاثية الأبعاد 

5.1.    صورة ثلاثية الابعاد 
5.1.1.    صورة ثلاثية الابعاد 
5.1.2.    برامج معالجة الصور ثلاثية الأبعاد وتصوراتها 
5.1.3.    برامج القياس 
5.2.    فتح ثلاثي الأبعاد 
5.2.1.    مكتبة لمعالجة البيانات ثلاثية الأبعاد 
5.2.2.    صفة مميزة 
5.2.3.    التثبيت والاستخدام 
5.3.    البيانات 
5.3.1.    خرائط العمق في صورة ثنائية الأبعاد 
5.3.2.    بوينت كلاودس 
5.3.3.    طبيعي 
5.3.4.    الأسطح 
5.4.    عرض 
5.4.1.    عرض مرئي للمعلومات 
5.4.2.    ضوابط. 
5.4.3.    تصور الويب 
5.5.    المرشحات 
5.5.1.    المسافة بين النقاط وإزالة القيم المتطرفة  
5.5.2.    مرشح دقيق 
5.5.3.    الاختزال 
5.6.    الهندسة واستخراج الميزات 
5.6.1.    استخراج ملف تعريفي 
5.6.2.    قياس العمق 
5.6.3.    مقدار 
5.6.4.    أشكال هندسية ثلاثية الأبعاد 
5.6.5.    المخططات 
5.6.6.    إسقاط نقطة واحدة 
5.6.7.    مسافات هندسية 
5.6.8.    Kd Tree 
5.6.9.    ميزات ثلاثية الأبعاد 
5.7.    السجل والوسيطy  
5.7.1.    التسلسل 
5.7.2.    ICP 
5.7.3.    رانساك ثلاثي الأبعاد 
5.8.    التعرف على الأشياء ثلاثية الأبعاد 
5.8.1.    بحث عن عنصر في المشهد ثلاثي الأبعاد 
5.8.2.    تجزئة 
5.8.3.    التقاط بن 
5.9.    تحليل السطح 
5.9.1.    التنعيم 
5.9.2.    أسطح قابلة للتوجيه 
5.9.3.    Octree 
5.10.     التثليث 
5.10.1.    من شبكة إلى نقطة سحابة 
5.10.2.    عمق خريطة التثليث 
5.10.3.    تثليث بوينت كلاودس غير مرتبة s 

وحدة 6. التعلم العميق  

6.1.    الذكاء الاصطناعي 
6.1.1.    تعلم الاله 
6.1.2.    التعلم العميق 
6.1.3.    انفجار التعلم العميق.. لماذا الآن؟ 
6.2.    الشبكات العصبية 
6.2.1.    الشبكة العصبية 
6.2.2.    استخدامات الشبكات العصبية 
6.2.3.    الانحدار الخطي والإدراك 
6.2.4.    امتداد الى الامام 
6.2.5.    الامتداد العكسي 
6.2.6.    نواقل الميزات 
6.3.    خسارة الوظيفة 
6.3.1.    خسارة الوظيفة 
6.3.2.    خسارة الوظيفة 
6.3.3.    اختيار  خسارة الوظيفة 
6.4.    وظائف التنشيط 
6.4.1.    وظيفة التنشيط 
6.4.2.    الوظائف الخطية 
6.4.3.    الوظائف غير الخطية 
6.4.4.    الناتج مقابل . وظائف تنشيط الطبقة المخفية 
6.5.    التنظيم والتطبيع 
6.5.1.    التنظيم والتطبيع 
6.5.2.    فرط التجهيز وزيادة البيانات 
6.5.3.    طرق التسوية: L1, L2 و L2 و التسرب 
6.5.4.    طرق التطبيع: دفعة ، وزن ، طبقة
6.6.    تهيئة 
6.6.1.    نزول متدرج 
6.6.2.    الانحدار العشوائي 
6.6.3.    نزول دفعة صغيرة متدرجة 
6.6.4.    قوة الدفع 
6.6.5.    آدم 
6.7.    هايبربارامتر ضبط y اوزان 
6.7.1.    مقاييس فرط البارامامتر 
6.7.2.    حجم الدفعة مقابل. . معدل التعلم مقابل. . خطوة الاضمحلال 
6.7.3.    اوزان 
6.8.    مقاييس تقييم الشبكة العصبية 
6.8.1.    دقة 
6.8.2.    Dice coefficient 
6.8.3.    الحساسية مقابل.. خصوصية / استدعاء مقابل./vs. دقة 
6.8.4.    منحنى ROC (AUC) 
6.8.5.    -درجة F1 
6.8.6.    مصفوفة ماتريكس 
6.8.7.    عبر المصادقة 
6.9.    الإطار والأجهزة y  
6.9.1.    شداد التدفق 
6.9.2.    Pytorch 
6.9.3.    قهوة 
6.9.4.    كيراس 
6.9.5.    المعدات اللازمة لمرحلة التدريب  
6.10.     بناء شبكة عصبية - التدريب والتحقق  
6.10.1.    مجموعة البيانات 
6.10.2.    بناء الشبكة 
6.10.3.    تمرين 
6.10.4.    عرض النتائج 

وحدة 7. الشبكات التلافيقية وتصنيف الصور    

7.1.    الشبكات العصبية التلافيفية 
7.1.1.    مقدمة 
7.1.2.    الالتفاف
7.1.3.    كتل بناء CNN 
7.2.    أنواع طبقات CNN 
7.2.1.    تلافيفي 
7.2.2.    التنشيط 
7.2.3.    تطبيع الدفعة 
7.2.4.    الاقتراع 
7.2.5.    متصل بالكامل 
7.3.    مترية 
7.3.1.    مصفوفة ماتريكس 
7.3.2.    دقة 
7.3.3.    دقة 
7.3.4.    اعادة الاتصال 
7.3.5.    -درجة F1 
7.3.6.    ROC منحنى 
7.3.7.    AUC 
7.4.    الهندسة المعمارية الرئيسية 
7.4.1.    AlexNet 
7.4.2.    VGG 
7.4.3.    ResNet 
7.4.4.    شبكة جوجل 
7.5.    تصنيف الصور 
7.5.1.    مقدمة 
7.5.2.    تحليل البيانات 
7.5.3.    تحضير البيانات 
7.5.4.    التدريب النموذجي 
7.5.5.    التحقق من صحة النموذج 
7.6.    اعتبارات عملية لتدريب CNN 
7.6.1.    اختيار المحسن 
7.6.2.    جدولة معدل التعلم 
7.6.3.    تحقق من خط أنابيب التدريب 
7.6.4.    التدريب على تسوية الأوضاع 
7.7.    الممارسات الجيدة في التعلم العميق 
7.7.1.    نقل التعلم 
7.7.2.    ضبط دقيق 
7.7.3.    زيادة البيانات 
7.8.    التقييم الإحصائي للبيانات 
7.8.1.    عدد مجموعات البيانات 
7.8.2.    عدد الملصقات 
7.8.3.    عدد الصور 
7.8.4.    موازنة البيانات 
7.9.    النشر 
7.9.1.    نماذج التوفير والتحميل 
7.9.2.    Onnx 
7.9.3.    استدلال 
7.10.     دراسة حالة إفرادية: تصنيف الصور 
7.10.1.    تحليل البيانات وإعدادها 
7.10.2.    اختبار خط أنابيب التدريب 
7.10.3.    التدريب النموذجي 
7.10.4.    التحقق من صحة النموذج 

وحدة 8. الكشف عن الاشياء 

8.1.    الكشف عن الأشياء وتتبعها 
8.1.1.    الكشف عن الاشياء 
8.1.2.    حالات الاستخدام 
8.1.3.    تتبع الاشياء 
8.1.4.    حالات الاستخدام 
8.1.5.    الانسدادات والأوضاع الصلبة وغير الصلبة 
8.2.    مقاييس التقييم 
8.2.1.    -تقاطع IOU على الاتحاد 
8.2.2.    نقاط الثقة 
8.2.3.    اعادة الاتصال 
8.2.4.    دقة 
8.2.5.    –منحنى الاستدعاء الدقيق 
8.2.6.    متوسط ​​الدقة المتوسطة (mAP) 
8.3.    الطرق التقليدية 
8.3.1.    نافذة منزلقة 
8.3.2.    كاشف فيولا 
8.3.3.    HOG 
8.3.4.    قمع غير قصوى (NMS) 
8.4.    مجموعات البيانات 
8.4.1.    باسكال VC 
8.4.2.    إم إس كوكو 
8.4.3.    شبكة إيماجنت (2014) 
8.4.4.    تحدي MOTA 
8.5.    جهازي كشف الاشياء 
8.5.1.    R-CNN 
8.5.2.    سريعR-CNN 
8.5.3.    سريعR-CNN 
8.5.4.    سريعR-CNN 
8.6.     جهاز كشف الاشياء  
8.6.1.    SSD 
8.6.2.    YOLO 
8.6.3.    شبكة نت 
8.6.4.    سنترنت 
8.6.5.    كفاءة Det 
8.7.    العمود الفقري 
8.7.1.    VGG 
8.7.2.    ResNet 
8.7.3.    Mobilenet 
8.7.4.    Shufflenet 
8.7.5.    الانترنت المظلم 
8.8.    تتبع الأشياء 
8.8.1.    النهج الكلاسيكية 
8.8.2.    فلاتر الجسيمات 
8.8.3.    كالمان 
8.8.4.    Sorttracker 
8.8.5.    فرز عميق 
8.9.    تعيين 
8.9.1.    منصة الحوسبة 
8.9.2.    اختيار العمود الفقريl  
8.9.3.    اختيار الإطارl  
8.9.4.    تحسين النموذج 
8.9.5.    إصدار النماذج 
8.10.     الدراسة: الكشف عن الأشخاص ومراقبتهم  
8.10.1.    الكشف عن الناس 
8.10.2.    تتبع الناس 
8.10.3.    إعادة تحديد الهوية 
8.10.4.    عد الناس في الحشود 

وحدة 9. تجزئة الصورة مع التعلم العميق   

9.1.    الكشف عن الأشياء وتقسيمها 
9.1.1.    التقسيم الدلالي 
    9.1.1.1. حالات استخدام التقسيم الدلالي 
9.1.2.    التقسيم الفوري 
    9.1.2.1. حالات استخدام التقسيم الموثق 
9.2.    مقاييس التقييم 
9.2.1.    أوجه التشابه مع الطرق الأخرى 
9.2.2.    دقة البكسل 
9.2.3.    معامل النرد (درجة F1) () 
9.3.    وظائف التكلفة 
9.3.1.    Dice Loss 
9.3.2.    خسارة بؤرية 
9.3.3.    خسارة تفيرسكي 
9.3.4.    وظائف أخرى 
9.4.    طرق التقسيم التقليدية 
9.4.1.    تطبيق عتبة مع Otsu و y 
9.4.2.    خرائط التنظيم الذاتي 
9.4.3.    خوارزمية GMM-EM 
9.5.    التقسيم الدلالي لتطبيق التعلم العميق: : FCN 
9.5.1.    FCN 
9.5.2.    هندسة معمارية 
9.5.3.    تطبيقات FCN 
9.6.    التقسيم الدلالي لتطبيق التعلم العميق: : U-NET 
9.6.1.    U-NET 
9.6.2.    هندسة معمارية 
9.6.3.    تطبيق U-NET 
9.7.    التقسيم الدلالي لتطبيق التعلم العميق: : مختبر عميق 
9.7.1.    مختبر عميق 
9.7.2.    هندسة معمارية 
9.7.3.    تطبيق مختبر عميق 
9.8.    التقسيم الدلالي لتطبيق التعلم العميق: : قناع RCNN 
9.8.1.    قناع RCNN 
9.8.2.    هندسة معمارية 
9.8.3.    تطبيق Mas RCNN 
9.9.    تقسيم الفيديو 
9.9.1.    STFCN 
9.9.2.    CNNs الفيديو الدلالي 
9.9.3.    اتفاقيات آلية الساعة 
9.9.4.    زمن انتقال منخفض 
9.10.     التقسيم في السحب النقطية 
9.10.1.    سحابة النقاط 
9.10.2.    PointNet 
9.10.3.    A-CNN 

وحدة 10. تقسيم الصور المتقدمة وتقنيات الرؤية الحاسوبية المتقدمة    

10.1.    قاعدة بيانات خاصة بمشاكل التقسيم العامة  
10.1.1.    سياق باسكال 
10.1.2.    CelebAMask-HQ 
10.1.3.    مجموعة بيانات Cityscapes 
10.1.4.    CCP Dataset 
10.2.    التقسيم الدلالي في الطب 
10.2.1.    التقسيم الدلالي في الطب 
10.2.2.    مجموعات بيانات للمشاكل الطبية 
10.2.3.    تطبيقات عملية 
10.3.    أدوات التعليق 
10.3.1.    أداة شرح رؤية الكمبيوتر 
10.3.2.    LabelMe 
10.3.3.    أدوات أخرى 
10.4.    أدوات التقسيم باستخدام أطر مختلفةs 
10.4.1.    كيراس 
10.4.2.    Tensorflow الإصدار الثاني 
10.4.3.    Pytorch 
10.4.4.    آخرون 
10.5.    مشروع التقسيم الدلالي. البيانات ، المرحلة 1 
10.5.1.    تحليل المشكلة 
10.5.2.    مصدر إدخال البيانات 
10.5.3.    تحليل البيانات 
10.5.4.    تحضير البيانات 
10.6.    مشروع التقسيم الدلالي. مرحلة التدريب 2 
10.6.1.    اختيار الخوارزمية 
10.6.2.    تمرين 
10.6.3.    التقييم 
10.7.    مشروع التقسيم الدلالي. النتائج ، المرحلة 3 
10.7.1.    ضبط دقيق 
10.7.2.    عرض الحل 
10.7.3.    الاستنتاجات 
10.8.    أجهزة فك التشفير 
10.8.1.     أجهزة فك التشفير 
10.8.2.    بنية جهاز فك التشفير 
10.8.3.    أجهزة فك تشفير لإزالة الضوضاء 
10.8.4.    تلوين اجهوة فك الشفرة 
10.9.    الشبكات التوليدية العدائية (GAN) 
10.9.1.    الشبكات التوليدية العدائية (GAN) 
10.9.2.    الهندسة المعمارية DCGAN 
10.9.3.    بنية GAN المشروطة 
10.10.     الشبكات التوليدية المعادية المحسنة 
10.10.1.    نظرة عامة على المشكلة 
10.10.2.    WGAN 
10.10.3.    LSGAN 
10.10.4.    ACGAN

يحتوي الماجستير الخاص هذا على أعمق وأحدث محتوى في رؤية الكمبيوتر. لا تفوت الفرصة وقم بالتسجيل الآن "