⚽ نتایج SoccerNet 2025! ⚽

🔹 رقابت‌های SoccerNet 2025 Challenges یک بنچمارک باز برای پیشبرد تحقیقات در حوزه بینایی کامپیوتری و تحلیل ویدیوهای فوتبال است.
این چالش‌ها روی درک رخدادها، شناسایی بازیکنان و تحلیل بازی تمرکز دارند و نتایج آن راه را برای سیستم‌های هوشمند ورزشی بازتر می‌کنند.

📌 منابع:
👉 Paper (arXiv)
👉 Project Page
👉 GitHub Repo

#AI #ComputerVision #SoccerNet #FootballTech

📑 منظور از RFP در پروژه‌های صنعتی هوش مصنوعی

وقتی سازمانی تصمیم می‌گیرد یک پروژه هوش مصنوعی را اجرا کند، اولین گام انتشار RFP (Request For Proposal یا «درخواست پیشنهاد») است.

🔹 در این سند مشخص می‌شود:
1️⃣ هدف و مسئله‌ای که باید حل شود 🎯
2️⃣ نیازها و الزامات فنی ⚙️
3️⃣ زمان‌بندی و بودجه تقریبی ⏱💰
4️⃣ معیارهای انتخاب بهترین پیشنهاد 📊

🔹 تیم‌ها و شرکت‌های متخصص پس از مطالعه RFP، پروپوزال‌های خود را ارائه می‌دهند. در نهایت سازمان می‌تواند بین گزینه‌های مختلف، بهترین راه‌حل را انتخاب کند.

✅ اهمیت RFP در صنعت این است که از همان ابتدا شفافیت ایجاد می‌کند و مانع اتلاف زمان و هزینه می‌شود.


⛔️⛔️⛔️در چند روز آینده RFP یکی از صنایع معدنی را قرار خواهیم داد تا بتوانید در صورتیکه شرکت دارید اقدام نمایید.
---

#هوش_مصنوعی #صنعت #RFP #پروژه #مدیریت_فنی

@rss_ai_ir

📌 انواع روش‌های عمق‌سنجی در بینایی ماشین و صنعت


🔹 ۱. روش‌های سنتی (Geometric Methods):

استریو ویژن (Stereo Vision):
مقایسه دو تصویر از زوایای مختلف برای محاسبه عمق.
استراکچر از موشن (Structure from Motion – SfM):
بازسازی سه‌بعدی با استفاده از تصاویر متوالی یک دوربین متحرک.
Shape from Shading / Defocus:
استفاده از سایه یا میزان فوکوس برای تخمین عمق.
Photometric Stereo:
نورپردازی از چند جهت و تحلیل تغییرات روشنایی.


🔹 ۲. سنسوری (Sensor-based):

LiDAR (Light Detection and Ranging):
پرتاب لیزر و اندازه‌گیری زمان بازگشت.
Time-of-Flight (ToF) Cameras:
سنجش عمق با زمان رفت و برگشت نور.
Structured Light:
تاباندن الگوهای نوری روی صحنه و اندازه‌گیری تغییر شکل آن‌ها (مثل Kinect قدیمی).
Radar & mmWave:
به‌ویژه در خودروهای خودران و محیط‌های صنعتی پر گردوغبار.


🔹 ۳. مبتنی بر یادگیری عمیق (Deep Learning–based):

Monocular Depth Estimation:
آموزش شبکه‌های CNN/Transformer برای تخمین عمق از یک تصویر.
Stereo Matching with Deep Nets:
جایگزینی الگوریتم‌های هندسی با شبکه‌های عصبی.
Depth Completion:
ترکیب داده‌های ناقص LiDAR با تصویر RGB.
Neural Radiance Fields (NeRF):
بازسازی سه‌بعدی از تصاویر چندگانه با استفاده از شبکه‌های عصبی ضمنی.
Gaussian Splatting 3DGS (۲۰۲۳–۲۰۲۵):
روشی جدیدتر نسبت به NeRF، سریع‌تر و کارآمدتر برای بازسازی صحنه‌ها.


🔹 ۴. ترکیبی و چندوجهی (Hybrid / Multimodal):

Fusion Approaches:
ترکیب LiDAR + RGB + IMU برای دقت بالاتر (مثلاً در خودروها).

Event Cameras + Depth:
استفاده از دوربین‌های رویدادی برای تخمین عمق در صحنه‌های بسیار سریع.

AI-driven SLAM (Simultaneous Localization and Mapping):
همزمانی نقشه‌برداری و عمق‌سنجی با یادگیری عمیق.


✨ کاربردها در صنعت:
👷 کنترل کیفیت قطعات صنعتی،
🚘 خودروهای خودران،
🤖 رباتیک و بازوهای هوشمند،
🏭 پایش خطوط تولید،
🩺 پزشکی (جراحی رباتیک، تصویربرداری سه‌بعدی).


🔖 هشتگ‌ها:
#هوش_مصنوعی #بینایی_ماشین #عمق_سنجی #DeepLearning #LiDAR #NeRF

@rss_ai_ir

🔰 فاصله کاری یا Working Distance در لنزهای صنعتی

🔻به فاصله میان لنز تا جسم اصطلاحاً فاصله کاری یا Working Distance می‌گویند.
🔻در لنزهای صنعتی یک پارامتر مهم به نام حداقل فاصله کاری (Minimum Working Distance) وجود دارد که نشان می‌دهد لنز تا چه حد می‌تواند به جسم نزدیک شود. بنابراین هنگام انتخاب لنز باید دقت کنیم که فاصله کاری موردنیاز ما بیشتر از حداقل فاصله کاری لنز باشد.

🔻گاهی به دلیل محدودیت فضا یا نیاز پروژه، تمایل داریم فاصله کاری را کاهش دهیم. اما کاهش این فاصله چالش‌هایی به همراه دارد:

1️⃣ پیچیدگی طراحی لنز افزایش می‌یابد.
2️⃣ قیمت لنز به دلیل طراحی خاص و استفاده از عدسی‌های بیشتر بالا می‌رود.
3️⃣ کارایی سیستم (مثل نورگیری و عمق میدان) کاهش پیدا می‌کند.

✨ بنابراین انتخاب درست فاصله کاری، یک تعادل میان فضای فیزیکی، هزینه و کیفیت تصویر ایجاد می‌کند.

#تجهیزات_صنعتی #لنز_صنعتی #دوربین_صنعتی #اتوماسیون_صنعتی #پروژه_صنعتی


🆔 @rss_ai_ir

🌹 مدل ROSE: حذف اشیا و اثرات محیطی 🌹

یکی از چالش‌های بزرگ در پردازش تصویر، حذف شیء ناخواسته به همراه اثرات محیطی آن است (مثل سایه، بازتاب، نور، شفافیت و آینه).
مدل جدید ROSE (Remove Objects & Effects) دقیقاً همین کار را انجام می‌دهد.

🔸 قابلیت‌ها:

♻️حذف شیء ناخواسته همراه با سایه‌ها و بازتاب‌ها
♻️اصلاح نور و شفافیت محیط
♻️پشتیبانی از آینه و سطوح انعکاسی


🔸 منابع در دسترس:
📄 مرور مقاله
📑 Paper
🌐 پروژه
🤖 مدل در HuggingFace
🖥 دمو
📊 دیتاست

این پیشرفت می‌تونه ابزار قدرتمندی برای طراحان گرافیک، فیلم‌سازان و کاربردهای صنعتی بینایی ماشین باشه. 🚀

#بینایی_ماشین #هوش_مصنوعی #پردازش_تصویر #ROSE #AI

@rss_ai_ir

🐕 ربات‌سگ‌ها در حال پیشروی سریع!

دیگه فقط ابزار آزمایشگاهی نیستن؛ ربات‌سگ‌ها دارن وارد صنعت، امنیت، لجستیک و حتی زندگی روزمره می‌شن. 🚀
از گشت‌زنی در کارخانه‌ها تا عملیات امداد و حتی همراهی در محیط‌های خانگی.

🔸 پیشرفت در هوش مصنوعی و بینایی ماشین باعث شده این ربات‌ها هوشمندتر، چابک‌تر و مستقل‌تر بشن.

🔸 شرکت‌های بزرگی مثل Boston Dynamics و Unitree حالا با نسل‌های جدید، توانایی حمل بار، شناسایی خطر و تعامل طبیعی با انسان رو به نمایش گذاشتن.

آیا این روند به معنای حضور گسترده‌ی «سگ‌های رباتیک» در زندگی روزمره ماست؟ 🐾

#رباتیک #هوش_مصنوعی #اتوماسیون #صنعت

@rss_ai_ir

🧠 هوش مصنوعی در خدمت تشخیص سریع خطرات مغزی نوزادان

🔹 یاندکس با همکاری پزشکان دانشگاه پزشکی کودکان سن‌پترزبورگ و دانشجویان شاد، سامانه‌ای مبتنی بر هوش مصنوعی توسعه داده که تصاویر MRI مغز نوزادان را تنها در چند ثانیه تحلیل می‌کند.

🔹 این مدل می‌تواند خطر بروز فلج مغزی (Cerebral Palsy) را شناسایی کند؛ کاری که تا پیش از این تا ۳ روز طول می‌کشید. اکنون با کمک هوش مصنوعی، این زمان به ۳ ثانیه کاهش یافته است – یعنی ۵۰ برابر سریع‌تر!

⚙️ جزئیات فنی:

♻️الگوریتم بر پایه‌ی U-Net با بَکبون ResNeXt-50 طراحی شده و از DiceLoss برای بهبود دقت استفاده می‌کند.
♻️تصاویر MRI ابتدا با BIBSNet پیش‌برچسب‌گذاری شدند و سپس پزشکان صحت آن را تکمیل کردند.
♻️کل فرایند در Yandex Cloud اجرا شده و نیازی به GPU در کلینیک‌ها ندارد.


📊 دقت مدل با شاخص IoU = 0.703 ارزیابی شد که آن را به یک ابزار مطمئن در تصمیم‌گیری بالینی تبدیل می‌کند.

🔗 کد این پروژه پس از تست‌های بالینی به صورت اوپن‌سورس منتشر خواهد شد تا پژوهشگران و پزشکان در سراسر جهان بتوانند از آن استفاده کنند.

#هوش_مصنوعی #پزشکی #MRI #تشخیص_زودهنگام

@rss_ai_ir