سوف تتعمق في شبكات الخصومة لتوليد البيانات الأكثر واقعية بفضل هذه الشهادة الجامعية 100% عبر الإنترنت"

تشكل الرؤية الاصطناعية مجالًا للتعلم الآلي ذا أهمية كبيرة لمعظم شركات التكنولوجيا. تسمح هذه التقنية لكل من أجهزة الكمبيوتر والأنظمة باستخراج معلومات ذات معنى من الصور الرقمية ومقاطع الفيديو وحتى المدخلات المرئية الأخرى. من بين فوائدها العديدة، يبرز المستوى المتزايد من الدقة أثناء عمليات التصنيع والقضاء على الأخطاء البشرية. بالتالي، تضمن هذه الأدوات أعلى جودة للمنتجات مع تسهيل حل المشاكل أثناء الإنتاج.

نظرًا لهذا الواقع، تقوم TECH بتطوير درجة الماجستير الخاصة بها والتي ستتناول الرؤية الاصطناعية بالتفصيل. تم تصميم المنهج الدراسي من قبل خبراء في هذا المجال، وسوف يتعمق في معالجة الصور ثلاثية الأبعاد. في هذا الصدد، سيوفر التدريب للطلاب برامج المعالجة الأكثر تقدمًا لتصور البيانات. سيركز المنهج الدراسي أيضًا على تحليل التعلم العميق (Deep Learning)، نظرًا لأهميته في معالجة مجموعات البيانات الكبيرة والمعقدة. سيسمح ذلك للخريجين بإثراء إجراءات عملهم المعتادة باستخدام الخوارزميات والنماذج المتطورة. بالإضافة إلى ذلك، ستوفر المواد التعليمية مجموعة واسعة من تقنيات الرؤية الاصطناعية باستخدام أطر عمل مختلفة (من بينها Keras و Tensorflow v2 Pytorch).

فيما يتعلق بشكل هذه الشهادة الجامعية، فهي تعتمد على منهجية %100 عبر الإنترنت. الشيء الوحيد المطلوب هو أن يكون لدى الخريجين جهاز إلكتروني متصل بالإنترنت (مثل جهاز الكمبيوتر أو الهاتف المحمول أو الجهاز اللوحي) للدخول إلى الحرم الجامعي الافتراضي. سيجدون هناك مكتبة مليئة بموارد الوسائط المتعددة التي سيعززون بها معرفتهم بطريقة ديناميكية. تجدر الإشارة إلى أن TECH تستخدم منهجية إعادة التعلم (Relearning) المبتكرة في جميع مؤهلاتها العلمية، والتي ستسمح للطلاب باستيعاب المعرفة بشكل طبيعي، معززة بالموارد السمعية والبصرية لضمان استمرارها في الذاكرة ومع مرور الوقت.

سوف تتخصص في مجال رئيسي من مجالات تكنولوجيا المستقبل والذي سيجعلك تتقدم مهنيًا على الفور" 

تحتويدرجة الماجستير الخاص في الرؤية الاصطناعيةعلى البرنامج التعليمي الأكثر اكتمالا وحداثة في السوق. أبرز خصائصها هي:

تطوير الحالات العملية المقدمة من قبل خبراء في علوم الكمبيوتر والرؤية الاصطناعية
محتوياتها البيانية والتخطيطية والعملية البارزة التي يتم تصورها بها تجمع المعلومات العلمية والرعاية العملي حول تلك التخصصات الأساسية للممارسة المهنية.
التمارين العملية حيث يمكن إجراء عملية التقييم الذاتي لتحسين التعلم
تركيزها على المنهجيات المبتكرة 
كل هذا سيتم استكماله بدروس نظرية وأسئلة للخبراء ومنتديات مناقشة حول القضايا المثيرة للجدل وأعمال التفكير الفردية
توفر المحتوى من أي جهاز ثابت أو محمول متصل بالإنترنت

هل تتطلع إلى التخصص في مقاييس التقييم؟ تابع هذا التدريب في غضون 12 شهرًا فقط "

البرنامج يضم , في أعضاء هيئة تدريسه , محترفين في مجال الطاقات المتجددة يصبون في هذا التدريب خبرة عملهم، بالإضافة إلى متخصصين معترف بهم من الشركات الرائدة والجامعات المرموقة.

وسيتيح محتوى البرنامج المتعدد الوسائط، والذي صيغ بأحدث التقنيات التعليمية، للمهني التعلم السياقي والموقعي، أي في بيئة محاكاة توفر تدريبا غامرا مبرمجا للتدريب في حالات حقيقية.

يركز تصميم هذا البرنامج على التعلم القائم على حل المشكلات، والذي المهني في 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. 

ستستخدم التعلم العميق (Deep Learning) بشكل فعال لحل المشاكل الأكثر تعقيدًا"

سيتم توجيهك من خلال نظام التعلم القائم على إعادة التأكيد على ما تم تعلمه، مع منهج تدريس طبيعي وتقدمي على طول المنهج الدراسي بأكمله"

سيزود هذا البرنامج الطلاب برؤية شاملة لأحدث ما توصلت إليه التكنولوجيا في مجال الذكاء الاصطناعي. يتكون المسار الأكاديمي من 10 وحدات كاملة، وسيتناول خوارزميات الرؤية التقليدية ويقدم أحدث التطورات في التعلم العميق (Deep Learning). ستوفر المواد التعليمية تقنيات الرؤية الاصطناعية الأكثر تقدمًا، بهدف أن يتمكن الطلاب من دمجها على الفور في ممارساتهم المهنية. بالإضافة إلى ذلك، سيقوم المنهج الدراسي بتحليل الشبكات التلافيفية بالتفصيل حتى يتمكن الخريجون من تصنيف الكائنات الموجودة في الصور بشكل صحيح.

تدريس بدون جداول زمنية محددة وبمنهج دراسي متاح من اليوم الأول. حدد وتيرة التعلم الخاصة بك! "

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 االاصطناعية

1.2.1    البداية
2.2.1    التطور
3.2.1    أهمية الرؤية االاصطناعية

3.1    تكوين الصورة الرقمية

1.3.1    الصورة الرقمية
2.3.1    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
2.10.1    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 فيروس Covid-19
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    الحوسبة السحابية ( Cloud computing)

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    Top hat و Black hat
4.6.3    كشف المعالم
5.6.3    الهيكل العظمي
6.6.3    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 العناصر

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 الكشف عن النص
3.1.4 المعترف عن 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    لنتائج 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    3D Open

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 (Features) 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 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 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    حجم الدفعة (Batch Size) مقابل معدل التعلم (Learning Rate) مقابل اضمحلال الخطوة (Step Decay)
3.7.6    الأوزان

8.6    مقاييس تقييم الشبكة العصبية

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

9.6    Frameworks y 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    الارباك Matrix
2.3.7    Accuracy
3.3.7    الدقة
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    دراسة الحالة تصنيف الصور

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 العناصر

1.8    الكشف وتتبع العناصر

1.1.8    كشف العناصر
2.1.8    حالات استخدام
3.1.8    تتبع العناصر
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–Precisión 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 (2014)
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    دراسة: الكشف وتتبع العناصر

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 التعلم العميق (deep learning)

1.9    كشف العناصر 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. التدريب، 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

اغتنم الفرصة للتعرف على أحدث التطورات في هذه المادة لتطبيقها في ممارستك اليومية"