پردازش تصویر هوشمندIntellimage
Open in Telegram
"هُوالرزّاق" ✅پردازش تصویر هوشمندIntellimage 📚پژوهشگر و فناور در زمینه ی پردازش تصویر ⚙ طراحی و پیاده سازی پروژه های پردازش تصویر و بینایی ماشین 📞 ارتباط با ما: @Intellimage_admin
Show more1 320
Subscribers
No data24 hours
-27 days
+1330 days
Data loading in progress...
Similar Channels
Tags Cloud
Incoming and Outgoing Mentions
---
---
---
---
---
---
Attracting Subscribers
September '26
September '26
+3
in 0 channels
August '26
+33
in 2 channels
Get PRO
July '26
+25
in 1 channels
Get PRO
June '26
+25
in 1 channels
Get PRO
May '26
+8
in 1 channels
Get PRO
April '26
+2
in 0 channels
Get PRO
March '26
+2
in 0 channels
Get PRO
February '26
+33
in 1 channels
Get PRO
January '26
+17
in 0 channels
Get PRO
December '25
+36
in 1 channels
Get PRO
November '25
+37
in 2 channels
Get PRO
October '25
+69
in 1 channels
Get PRO
September '25
+79
in 1 channels
Get PRO
August '25
+75
in 2 channels
Get PRO
July '25
+37
in 2 channels
Get PRO
June '25
+18
in 2 channels
Get PRO
May '25
+44
in 2 channels
Get PRO
April '25
+31
in 3 channels
Get PRO
March '25
+179
in 8 channels
Get PRO
February '25
+71
in 3 channels
Get PRO
January '25
+130
in 3 channels
Get PRO
December '24
+130
in 1 channels
Get PRO
November '24
+89
in 2 channels
Get PRO
October '24
+197
in 5 channels
Get PRO
September '24
+158
in 12 channels
Get PRO
August '24
+141
in 1 channels
Get PRO
July '240
in 2 channels
Get PRO
June '24
+111
in 1 channels
| Date | Subscriber Growth | Mentions | Channels | |
| 06 September | +1 | |||
| 05 September | 0 | |||
| 04 September | 0 | |||
| 03 September | 0 | |||
| 02 September | +2 | |||
| 01 September | 0 |
Channel Posts
📽 نحوه ی تولید پاسخ توسط هوش مصنوعی
• ویدئویی جذاب از نحوه ی عملکرد هوش مصنوعی در تولید پاسخ
💡این مکانیسم بر اساس این حقیقت کار می کند که هر تصمیم حتی کوچک، میتواند منتهی به مسیر متفاوتی شود...
🆔️ intellimage channel:
https://t.me/Intellimage
https://eitaa.com/intellimage
#deep_learning
#aql_masnouei
| 2 | اکوسیستم نودها و کاربردهای حرفهای :
انواع نودهای قابل توسعه: Terminal، AI Agent، Sticky Note، Group، Monaco Editor، Diff Viewer، Web/Video Node.
کاربردهای کلیدی:
· توسعهدهندگان Full-Stack با چندین سرویس همزمان
· تیمهای MLOps برای نظارت بر اجرای همزمان مدلها
· مهندسان Prompt برای ارزیابی همزمان چند Agent با زمینههای متفاوت
· مدرسان و ارائهدهندگان برای نمایش زنده جریانهای کاری پیچیده
🆔️ intellimage channel:
https://t.me/Intellimage
https://eitaa.com/intellimage | 116 |
| 3 | ✍قابلیتهای هسته و یکپارچهسازی :
۱. پشتیبانی از اکوسیستم Agent: سازگار با Claude Code، Codex، Gemini، GitHub Copilot، opencode و Grok؛ با امکان تعریف Agent سفارشی از طریق پلاگین.
۲. دو نمای عملیاتی: نمای Canvas برای چیدمان فضایی و نمای Kanban برای مدیریت گردش کار (Workflow) بدون قطع جریان اجرا.
۳. مانیتورینگ لحظهای: نمایش وضعیت (RUNNING/WAITING/COMPLETED)، Context Meter جهت نظارت بر مصرف توکن، و نمایش زنده Transcript زیرساختهای فرعی (Subagents).
۴. کنترل صوتی محلی: پیادهسازی Whisper بهصورت On-Device برای تبدیل گفتار به متن بدون ارسال داده به سرورهای خارجی.
🆔️ intellimage channel:
https://t.me/Intellimage
https://eitaa.com/intellimage | 112 |
| 4 | ✍ پروژه nodeterm یک پلتفرم متنباز برای یکپارچهسازی محیطهای ترمینال و عوامل هوش مصنوعی هستش که با الهام از مفاهیم گراف فضایی (Spatial Graph)، جایگزین رویکرد خطی تبمحور میشود. هسته اش بر پایه معماری کلاینت-سرور با لایههای مجزای مدیریت جلسات (tmux-based)، موتور رندرینگ دوبعدی و دروازه اتصال به Agentها طراحی شده . هر نمونه اجرایی (Session) بهصورت یک نود مستقل با چرخه حیات و وضعیت خاص خودش مدیریت میشود...
🆔️ intellimage channel:
https://t.me/Intellimage
https://eitaa.com/intellimage | 107 |
| 5 |  🆕️ معرفی پروژه GitHub Trend | nodeterm
با ما همراه باشید 🌱
🆔️ intellimage channel:
https://t.me/Intellimage
https://eitaa.com/intellimage | 142 |
| 6 |  🆔️ intellimage channel:
https://t.me/Intellimage
https://eitaa.com/intellimage | 142 |
| 7 | ✍ در این پردازش ، ۴ استراتژی اصلی انجام شده:
1️⃣ Early Fusion – ترکیب دادهها در ابتدای مسیر (قبل از ورود به شبکه)
2️⃣ Late Fusion – پردازش مجزای هر مدالیته و ترکیب در مرحله تصمیمگیری (مثلاً رأیگیری)
3️⃣ Joint Fusion – ترکیب ویژگیهای تصویری و بالینی قبل از ورود به لایههای نهایی
4️⃣ Slow Fusion – فیوژن تدریجی در طول شبکه (مخصوص دادههای ویدئویی و دنبالهای)
🆔️ intellimage channel:
https://t.me/Intellimage
https://eitaa.com/intellimage | 163 |
| 8 | چرا چندمدالیته؟
پزشکان برای تشخیص، فقط به یک تصویر اکتفا نمیکنند؛ بلکه دادههای بالینی، آزمایشگاهی و سابقه بیمار را هم در نظر میگیرند.
مدلهای هوش مصنوعی نیز وقتی چند منبع داده را همزمان ببینند، عملکرد بهتری دارند.
+ مثال معروف:
تشخیص پنومونی در عکس قفسهسینه (CXR) به تنهایی کافی نیست؛ علائمی مثل تب و شمارش گلبولهای سفید هم لازم است تا افتراق از بیماریهای مشابه ممکن شود...
🆔️ intellimage channel:
https://t.me/Intellimage
https://eitaa.com/intellimage | 148 |
| 9 |  +1#پروژه پردازش تصاویر چندوجهی
+ از فیوژن داده تا تشخیص دقیقتر تومورها
در این پست به یکی از جذابترین مباحث یادگیری عمیق چندوجهی (Multimodal Deep Learning) میپردازیم :
در این پردازش ، یک مدل برای پیشبینی متیلاسیون پروموتر MGMT در بیماران مبتلا به تومور گلیوبلاستوما (GBM) ساخته میشود.
از ۴ توالی MRI (T1, T1 post-contrast, T2, FLAIR) به همراه ماسک تومور استفاده شد.
🆔️ intellimage channel:
https://t.me/Intellimage
https://eitaa.com/intellimage | 115 |
| 10 |  🔴 مشارکت فوری برای جراحی غده سرطانی ادهم
#ویدیو_بالا_رو_ببینید👆
📌 ادهم ۲۹ ساله، یتیم و نانآور خانواده اهل بلوچستان، به دلیل درگیری با غده درحال خونریزی شرایط وخیمی دارد و پزشکان گفته اند تاخیر در عمل، خطر از دست رفتن جان او را دارد؛ هزینه این جراحی ۵۰۰ میلیون تومان است. خانوادهاش توان پرداخت این مبلغ را ندارند و در این روزهای سخت، چشمانتظار یاری ما هستند.
👈 حساب رسمی مرکز نیکوکاری خیرینه:
💳 6037997950416207
💳 6037997950394024
👈 مشارکت از طریق درگاه سایت:
🔗 kheyrine.ir/product/36755
(خیرینه کلیه مبالغ جمع شده را مطابق شرایط
مندرج در بیوی کانال زیر هزینه خواهد کرد.)
🆔️ @kheyrine_ir | 133 |
| 11 | ✍ این پروژه علاوه بر مزایایی که داره قطعا چالش های خاص خودش رو داره به عنوان مثال این فناوری مسئلهی «گنجایش» را حل کرده ، اما مسئلهی «زمان» را نه. روی سختافزار ضعیف، فرآیند آموزش به شدت کند خواهد شد. در عمل، شما بین هزینهی خرید GPU و هزینهی وقت (زمان انتظار برای اتمام آموزش) یکی را انتخاب میکنید. با این حال، از بین بردن وابستگی به فضای ابری برای پروژههای حساس، یک برگ برندهی غیرقابل انکار است.
به نظرم این پروژه یک پیام شفاف به صنعت میدهد : عصر حکمرانی هوش مصنوعی روی لپتاپهای معمولی، دیگر یک رویا نیست؛ دارد جدی میشود.
🆔️ intellimage channel:
https://t.me/Intellimage
https://eitaa.com/intellimage | 188 |
| 12 | ✍ برای من، جایی که این ادعا به اثبات میرسد، تست عملی توسعهدهندگان است: اجرای Llama 3.1 8B Instruct روی یک RTX 3050 لپتاپی با فقط ۴ گیگابایت VRAM و مصرف حداکثر ۳.۳۲ گیگابایت. این یعنی یک دیتاساینتیست با یک لپتاپ معمولی نیز میتواند آزمایشهای خود را اجرا کند، نه اینکه صرفاً به نوتبوکهای ابری وابسته باشد.
اکوسیستم قابلیتهای آن هم وسوسهکننده است:
· پشتیبانی از LoRA و QLoRA برای بهینهسازی حافظه
· تنوع در الگوریتمهای همترازی (DPO، ORPO، KTO، SimPO) که نشان از انعطافپذیری آن دارد.
· تشخیص خودکار GPU و تنظیم داینامیک Batch Size، نشان از بلوغ مهندسی آن دارد.
🆔️ intellimage channel:
https://t.me/Intellimage
https://eitaa.com/intellimage | 203 |
| 13 | ✍ این پروژه اومد که ثابت کنه دیگه برای لمس کردن دنیای مدلهای بزرگ، نیازی به قبضهای نجومی برق ابری یا کارتهای گرافیک چندهزار دلاری نیست. پروژهی متنباز Soup این ادعا را به چالش کشیده و فلسفهی فاینتیون را از یک پروسهی سنگین مهندسی، به یک فایل سادهی YAML و یک خط فرمان تقلیل داده است.
اما بیاید عمیقتر از ظاهر سادهاش نگاه کنیم. نقطهی عطف این پروژه، قابلیت Layer Streaming است؛ یعنی تکنیک انتقال لایهبهلایه از RAM به VRAM.این یعنی معماری حافظه دیگر یک بلوک یکپارچه نیست و مدل میتواند نفسهایش را بهصورت تکهتکه در حافظهی محدود گرافیکی جا بدهد...
🆔️ intellimage channel:
https://t.me/Intellimage
https://eitaa.com/intellimage | 164 |
| 14 |  🆕️ فاینتیون مدل ۸ میلیارد پارامتری روی لپتاپ ۴ گیگابایتی؟
پروژهی متنباز «Soup» با ترفند Layer Streaming این کار را ممکن کرده. یعنی لایههای مدل یکییکی به حافظهی گرافیکی میروند و کل مدل دیگر نباید یکجا در VRAM جا شود.
در نتیجه اجرای Llama 3.1 روی RTX 3050 لپتاپ با فقط ۳.۳۲ گیگابایت مصرف حافظه اجرا میشود..
🆔️ intellimage channel:
https://t.me/Intellimage
https://eitaa.com/intellimage | 184 |
| 15 |  No text... | 186 |
| 16 | ✍ درواقع ایده اینجاست که هر بیمارستان، همون MRIهایی که داره رو میده به یک ماژول به اسم Modality Alignment. اینجا دیگه برامون مهم نیست که ورودی دقیقاً FLAIR است یا T1ce یا T2؛ مدل فقط به تعداد کانالهای موجود نگاه میکنه و همه را در یک فضای ویژگی مشترک میریزد. بعدش هم با کمک CAM، نواحی که احتمالاً تومور هستند رو شناسایی میکنیم.
تا اینجا کار اولیه انجام شد، اما کیفیت مطلوب نیست. برای همین، MOSAIC یک شبکهٔ سگمنتیشن مجزا داره که این pseudo-maskهای مرحلهٔ اول را پردازش میکند، نویزهایشان را میگیرد و خروجی را اصلاح میکند. این بخش هم با معماری teacher–student جلو میرود تا یادگیری پایدارتری داشته باشیم.
نتیجه این هستش که چند بیمارستان میتوانند، بدون اینکه حتی یک تصویر بیمار را با هم به اشتراک بگذارند، با دادههای ناقص و نامتجانس و تنها با یک برچسب سادهٔ «تومور داره یا نه»، به مدلی برسند که عملکردش به مدلهای Fully Supervised نزدیک است.
جالبترین بخش ماجرا، نوآوری اصلیاش است: همترازسازی بازنماییها با کمک اطلاعات فشردهٔ حوزهٔ فرکانس، که کار را برای مدل خیلی راحتتر میکند.
🆔️ intellimage channel:
https://t.me/Intellimage
https://eitaa.com/intellimage | 288 |
| 17 | آیا میتوان با چند MRI ناقص و یک برچسب ساده، به عملکرد Fully Supervised رسید؟
در این رویکرد، هر بیمارستان تصاویر MRI موجود خود را به یک ماژول همترازسازی مدالیته (Modality Alignment Module) میدهد. اهمیت این ماژول در این است که مدل نیازی ندارد بداند ورودی دقیقاً از نوع FLAIR، T1ce یا T2 است؛ بلکه صرفاً بر اساس تعداد کانالهای در دسترس عمل کرده و همه را به یک فضای ویژگی مشترک نگاشت میکند. سپس با کمک CAM، نواحی مشکوک به تومور شناسایی میشوند.
از سوی دیگر، MOSAIC شامل یک شبکهٔ مستقل برای بخشبندی است که نقشههای شبهدانهای (pseudo-mask) تولیدشده در مرحلهٔ قبل را پالایش کرده و نویزهای آنها را کاهش میدهد. این بخش نیز از معماری معلم- شاگرد بهره میبرد.
نتیجهٔ نهایی نشان میدهد که با مدل MOSAIC، چند بیمارستان میتوانند بدون بهاشتراکگذاری تصاویر واقعی بیماران، تنها با تکیه بر MRIهای ناقص و غیریکسان و با در اختیار داشتن برچسبِ سادهٔ وجود/عدم وجود تومور، به یک مدل بخشبندی فدرال دست یابند که عملکردی نزدیک به روشهای کاملاً نظارتشده دارد. نقطهٔ قوت اصلی این روش، همترازسازی بازنماییهای بیمارستانها با استفاده از اطلاعات فشردهٔ حوزهٔ فرکانس است.
🆔️ intellimage channel:
https://t.me/Intellimage
https://eitaa.com/intellimage | 288 |
| 18 |  📸 هر سپیدهدم، یک آرایهی عظیم از دادههای نوریست برای دیدن جهان، پیکسلبهپیکسل :)
🆔️ intellimage channel:
https://t.me/Intellimage
https://eitaa.com/intellimage | 296 |
| 19 | و مورد دیگه بحث تنوع عمودیِ پذیرش (Vertical Diversity of Adoption)
صنایع مختلف، با سرعت و اولویتهای کاملاً متفاوت وارد بازی میشوند. سلامت، حقوق، مالی و تولید، هرکدام با مسئلهی منحصربهفرد خود به سراغ LLM میروند.
مدلهای پزشکی تخصصی به دقت ۸۵٪ در آزمونهای تخصصی میرسند، در حالی که مدلهای عمومی تنها ۷۸٪ عملکرد دارند. در بخش حقوق، تحلیل قراردادها و تحقیقات حقوقی بهسرعت در حال خودکارسازی است.
قانون "یک راهحل برای همه" یک توهم است. ارزش واقعی، درک عمیق از دامنهی مسئلهی هر صنعت و طراحی مدلی است که اصطلاحات، دادهها و الزامات قانونیِ آن صنعت را بومیسازی کرده باشد.
🆔️ intellimage channel:
https://t.me/Intellimage
https://eitaa.com/intellimage | 256 |
| 20 | در ادامه بررسی میکنیم که حاکمیت بهعنوان دروازهبان ورود (Governance as the Gatekeeper) نقش خواهد داشت :
وقتی مدلها وارد حوزههای حساس مانند مالی، سلامت و حقوق میشوند، قابلیت اعتماد از یک مزیت به یک شرط ضروری برای خرید تبدیل میشه.
قوانینی مثل EU AI Act، شفافیت در دادههای آموزش، قابلیت ممیزی، مدیریت تعصب و امنیت زنجیرهی تأمین را به الزامات جدی تبدیل کردند. در این فضا، پلتفرمی که بتواند «حکمرانی قابلاعتماد» را ارائه دهد، نه یک گزینه، بلکه تنها گزینهی قابلقبول برای سازمانهای بزرگ خواهد بود.
🆔️ intellimage channel:
https://t.me/Intellimage
https://eitaa.com/intellimage | 222 |
