متخصصان علم داده ها data scientists

👀 تذکره‌تُن: 🧐 همی الان ! در خبر فنآوری خواندم که ۲/۲ میلیارد نفر در جهان از اختلالات بینایی! رنج می‌برند. ۲/۲ میلیارد نفر آدم یعنی: یا نزدیک/دور بین اند یا آستیگمات یا پیرچَشم یا کور‌چَشم یا کم‌بینا یا کلا نابینا ، یا سیما‌بینا دختر مرحوم سرهنگ بینا، یا…

مرحله ۱) دریافت تصویر (Image Acquisition)
در نخستین مرحله، داده‌های تصویری از دنیای واقعی جمع‌آوری می‌شوند. این داده‌ها ممکن است از دوربین، حسگرهای صنعتی، تصاویر ماهواره‌ای، تصاویر پزشکی یا مجموعه‌داده‌های آماده به دست آیند.
خروجی دوربین دیجیتال معمولاً به شکل آرایه‌ای از مقادیر عددی نمایش داده می‌شود؛ یعنی چیزی که ما به‌صورت عکس می‌بینیم، برای کامپیوتر مجموعه‌ای از اعداد است.

🤹‍♂در یک تصویر رنگی با قالب RGB، هر پیکسل معمولاً سه مقدار دارد: قرمز (R)، سبز (G) و آبی (B).
اگر ابعاد تصویر H×W باشد، شکل آرایه آن معمولاً به صورت زیر است:
X€ R^(H.W.3)

🍭مثلا، تصویر 224×224 پیکسل، در مجموع 224×224×3 ینی 150528 مقدار رنگی دارد.

🎭نکته مهم این است که در این مرحله هنوز کامپیوتر معنای تصویر را نمی‌داند. فقط داده‌های عددی را دریافت کرده است!

مرحله۲) پیش‌پردازش (بیاد دکتر #عادلی عزیز در علم‌و‌صنعت ایران و امروز در استنفورد)

🤹‍♀هدف این مرحله، آماده‌کردن تصویر برای ورود به مدل است تا داده‌ها با قالب مورد انتظار مدل سازگار باشند و آموزش یا پیش‌بینی با کیفیت مناسبی انجام شود.

🤹مهم‌ترین عملیات پیش‌پردازش عبارت‌اند از:

🟢تغییر اندازه (Resize): تبدیل تصاویر به ابعاد مورد نیاز مدل؛
🔵نرمال‌سازی (Normalization): تغییر مقیاس مقادیر پیکسل، مثلاً تقسیم مقادیر ۰ تا ۲۵۵ بر ۲۵۵ تا در بازه صفر تا یک قرار بگیرند.
🔴کاهش نویز (Denoising): کاهش اختلالات ناخواسته تصویر، مانند نویز حسگر.
⚪️افزایش داده (Data Augmentation): تولید نمونه‌های متنوع از تصاویر آموزشی با روش‌هایی مانند برش، وارونه‌سازی یا تغییرات کنترل‌شده در روشنایی.

🔘افزایش داده معمولاً در زمان آموزش استفاده می‌شود تا مدل با تنوع بیشتری از تصاویر مواجه شود و بهتر به داده‌های جدید تعمیم پیدا کند.

یک نکته ظریف: همه مدل‌ها به یک نوع پیش‌پردازش نیاز ندارند. برای مثال، برخی مدل‌ها ورودی را در بازه صفر تا یک می‌خواهند و برخی دیگر از استانداردسازی با میانگین و انحراف معیار مشخص استفاده می‌کنند

مرحله۳) فیچر اکسترَکشن یا استخراج ویژگی‌ها ینی 🪏⛏🪎(دقیقا به همین شکل⛏🪏🪎)

💎 خب این مرحله یکی از مهم‌ترین بخش‌های بینایی ماشین مدرن است. مدل باید از میان مقادیر خام پیکسل‌ها، الگوهایی پیدا کند که برای تشخیص یا تحلیل تصویر مفید باشند.
در روش‌های قدیمی‌تر، مهندسان ویژگی‌ها را تا حد زیادی به‌صورت دستی طراحی می‌کردند؛ برای مثال، ویژگی‌های مربوط به لبه‌ها، گوشه‌ها یا بافت تصویر. ( اینجوری : بچه ها اون لبه های تصویر مهم اند!)

اما در بسیاری از مدل‌های یادگیری عمیق، به‌ویژه شبکه‌های عصبی کانولوشنی (CNN)، ویژگی‌ها در جریان آموزش به‌صورت خودکار یاد گرفته می‌شوند.

🖼این یادگیری را می‌توان تقریبا اینجوری تصور کرد:

🛍 لایه‌های ابتدایی: تشخیص الگوهای ساده‌تر، مانند لبه‌ها و تغییرات رنگ.
📑لایه‌های میانی: ترکیب الگوها برای شناسایی بافت‌ها، شکل‌ها و بخش‌هایی از اشیا.
🈁•••••لایه‌های عمیق‌تر: ساخت بازنمایی‌هایی که برای تشخیص اشیا یا مفاهیم پیچیده‌تر مناسب‌اند.
البته این تقسیم‌بندی یک تصویر ساده‌شده از فرایند یادگیری است؛ ویژگی‌های واقعی شبکه‌ها همیشه چنین مرزبندی روشنی ندارند.

به خروجی عددی این بخش، «بازنمایی ویژگی‌ها» (Feature Representation) گفته می‌شود. این بازنمایی لزوماً یک فهرست ساده از ویژگی‌ها نیست؛ ممکن است مجموعه‌ای از نقشه‌های ویژگی (Feature Maps) با ابعاد مختلف باشد.

نکته‌ی مهمب!:" مدل معمولاً مستقیماً «درخت» یا «خودرو» را از روی پیکسل‌ها به شکل یک نماد انسانی استخراج نمی‌کند؛ بلکه بازنمایی‌های عددی‌ای می‌سازد که تشخیص این مفاهیم را برای مراحل بعدی ممکن می‌کنند."

♿️خب مراحل ۴و۵و۶ هم یعنی
درک تصویر و انجام وظیفه (Understanding & Tasks)
یادگیری مدل (Training)
استنتاج یا پیش‌بینی (Inference)
که اصلا توضیح نیاز ندارند از بس که واضح‌اند 🔍
فقط باید سر کلاس گفته بشوند

بالاخص برای این کار جدید که عبارت است از "پروژه ملی بینایی‌ماشین در حمل و نقل ریلی"
که پیشنهاد ما ایجاد یک کنسرسیوم دانشگاهی از دانشگاه‌های برتر به رهبری علم‌و‌صنعت ایران بود! و در فصلنامه دگاژ مرکز تحقیقات و آموزش راه‌آهن شماره بهار ۱۴۰۵ بچاپ رسیده است

#ComputerVision
@toobabigdatascience

👏1

53 views09:41