آموزش بینایی ماشین: از پردازش تصویر تا هوش مصنوعی مولد و ویژن ترنسفورمرها [ویدئویی] - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• مبانی بینایی ماشین و پردازش تصویر Foundations of CV & Image Processing

• مقدمه‌ای بر بینایی ماشین - اهداف یادگیری Introduction to Computer Vision - Learning Objectives

• آشنایی با بینایی ماشین Introduction to Computer Vision

• بینایی ماشین چیست؟ What is Computer Vision?

• شکاف معنایی: چالش اصلی بینایی ماشین The Semantic Gap The Core Challenge of CV

• توضیح مثال کد 1.1.1 Code Eg 1.1.1 Explaination

• تکامل بینایی ماشین The Evolution of Computer Vision

• لبه‌یابی سوبل (Sobel) Sobel Edge Detection

• لبه‌یابی کنی (Canny) Cannny Edge detection

• توضیح مثال کد 1.1.2 Code Eg 1.1.2 Explaination

• استخراج ویژگی‌های HoG Extracting HoG Features

• تشخیص ویژگی‌های SIFT Detect SIFT Features

• توضیح مثال کد 1.1.3 Code Eg 1.1.3 Explaination

• طبقه‌بندی‌های یادگیری ماشین روی ویژگی‌های استخراج شده ML Classifiers on learned Features

• آموزش ماشین‌های بردار پشتیبان (SVM) Train Support Vector Machines (SVM)

• آموزش k-نزدیک‌ترین همسایه (KNN) Train k-Nearest neighbour ( KNN )

• توضیح مثال کد 1.1.4 Code Eg 1.1.4 Explaination

• دوران دوم: عصر یادگیری عمیق Era 2 - The Deep Learning Era

• عصر هوش مصنوعی مولد The Generative AI Era

• گردش کار جهانی بینایی ماشین The Universal Computer Vision Workflow

• توضیح تمرین کد 1.1 Code Exercise 1.1 Explaination

• مبانی تصویر دیجیتال - اهداف یادگیری Digital Image Fundamentals - Learning Objectives

• اصول تصاویر دیجیتال Digital Image Fundamentals

• پیکسل: اتمِ بینایی Pixel The Atom of Vision

• تصویر به عنوان ماتریس: واقعیت ریاضی Image as Matrix - The Maths Reality

• تصاویر رنگی به عنوان ماتریس‌های سه بعدی Color Images as 3D Matrices

• توضیح مثال کد 1.2.1 Code Eg 1.2.1 Explaination

• فضاهای رنگی: RGB (جمع‌شونده) Color Spaces RGB The Additive

• فضاهای رنگی: HSV (تشخیص مقاوم) Color Spaces HSV Robust Detection

• فضاهای رنگی: مقیاس خاکستری (Grayscale) Color Spaces Grayscale

• توضیح مثال کد 1.2.2 Code Eg 1.2.2 Explaination

• عمق تصویر (Bit Depth) Image Depth (Bit Depth)

• توضیح مثال کد 1.2.3 Code Eg 1.2.3 Explaination

• کار عملی بینایی ماشین با OpenCV Hands-On CV with OpenCV

• توضیح مثال کد 1.2.4 Code Eg 1.2.4 Explaination

• توضیح تمرین کد 1.2 Code Exercise 1.2 Explaination

• تکنیک‌های ضروری پیش‌پردازش تصویر - اهداف یادگیری Essential Image Preprocessing Techniques - Learning Objectives

• پیش‌پردازش تصویر Image Preprocessing

• تغییر شکل تصویر (Transformation) Image Transformation

• توضیح مثال کد 1.3.1 Code Eg. 1.3.1 Explaination

• تبدیلات هندسی Geometric Transformations

• تبدیل هندسی 1: مقیاس‌بندی (Scaling) Geometric Transform 1 - Scaling

• تبدیل هندسی 2: چرخش و انتقال Geometric Transform 2 - Rotation & Translation

• کار عملی تبدیل‌های هندسی در OpenCV Hands-On OpenCV Geometric Transformations

• توضیح مثال کد 1.3.2 Code Eg. 1.3.2 Explaination

• تبدیل هندسی 3: آفین در مقابل پرسپکتیو Geometric Transform 3 - Affine vs. Perspective

• توضیح مثال کد 1.3.3 Code Eg. 1.3.3 Explaination

• ریاضیات تبدیل‌های هندسی The Math of Geometric Transformations

• تنظیمات فوتومتریک: اصلاح نور و کنتراست Photometric Adjustments Fixing Light & Contrast

• تنظیم فوتومتریک: یکنواخت‌سازی هیستوگرام Photometric Adjustment Histogram Equalization

• توضیح مثال کد 1.3.4 Code Eg. 1.3.4 Explaination

• فیلترگذاری: جادوی کانولوشن Filtering The Magic of Convolution

• کرنل‌ها: فیلترهای دست‌ساز برای بینایی The Kernels - Handcrafted Filters for Vision

• توضیح مثال کد 1.3.5 Code Eg. 1.3.5 Explaination

• کاربرد عملی: پیش‌پردازش برای تشخیص چهره Practical - Preprocessing for Face Recognition

• توضیح مثال کد 1.3.6 Code Eg. 1.3.6 Explaination

• توضیح تمرین کد 1.3 Code Exercise 1.3 Explaination

مبانی یادگیری عمیق و شبکه‌های عصبی پیچشی (CNNs) Deep Learning Foundations & Convolutional Neural Networks (CNNs)

• مبانی یادگیری عمیق و شبکه‌های عصبی پیچشی (CNN) Deep Learning Foundations & Convolutional Neural Networks (CNN)

• از پرسپترون‌ها تا شبکه‌های عصبی عمیق - اهداف یادگیری From Perceptrons to Deep Neural Networks - Learning Objectives

• تاریخچه بینایی ماشین (1950 تا 1990) Computer Vision History 1950-1990s

• عصر مدرن بینایی ماشین (1990 تا کنون) Computer Vision Modern Era 1990s - Present

• توضیح مثال کد 2.1.1 Code Eg. 2.1.1 Explaination

• لایه ورودی تا اولین لایه پنهان: ریاضیات کامل Input Layer to first hidden layer Complete Maths

• تابع فعال‌ساز (Activation Function) Activation Function

• لایه پنهان دوم در شبکه عصبی Hidden Layer 2 of Neural Network

• نورون لایه خروجی: ریاضیات کامل Output Layer Neuron Complete Maths

• انواع لایه‌ها و نقش آن‌ها Layer Types and Their Roles

• توضیح مثال کد 2.1.2 Code Eg. 2.1.2 Explaination

• فرآیند یادگیری دو مرحله‌ای: گذر رو به جلو (Forward Pass) The two step Learninng Process Forward Pass

• تابع زیان Cross Entropy در طبقه‌بندی دوگانه Cross-Entropy Loss Binary Classification

• تابع زیان Cross Entropy در طبقه‌بندی چندگانه Cross-Entropy Loss Multi-Class Classification

• گذر رو به عقب: یادگیری از اشتباهات Backward Pass - Learning from mistakes

• گرادیان کاهشی (Gradient Descent) Gradient Descent

• توضیح مثال کد 2.1.3 Code Eg. 2.1.3 Explaination

• خلاصه فرآیند یادگیری دو مرحله‌ای The two step Learninng Process - Summary

• هایپرپارامتر نرخ یادگیری و نقش بهینه‌ساز (Optimizer) The Learning Rate Hyperparameter & Role of Optimizer

• توضیح مثال کد 2.1.4 Code Eg. 2.1.4 Explaination

• توضیح تمرین کد 2.1 Code Exercise 2.1 Explaination

• معماری CNN - اهداف یادگیری The CNN Architecture - Learning Objectives

• چرا شبکه‌های عصبی عمیق (DNN) در وظایف بینایی ماشین شکست می‌خورند؟ Why DNNs fail at Computer Vision Tasks

• توضیح مثال کد 2.2.1 Code Eg. 2.2.1 Explaination

• درک شبکه‌های عصبی پیچشی (CNNs) Understanding Convolutional Neural Networks (CNNs)

• عملیات کانولوشن و فرآیند پنجره لغزان Convolution Operation & Sliding Window Process

• انواع فیلترهای کانولوشن Types of convolution filters

• گام‌ها (Strides) و پدینگ (Padding) Strides & Padding

• توضیح مثال کد 2.2.2 Code Eg. 2.2.2 Explaination

• فعال‌ساز ReLU و MaxPooling ReLU Activation & MaxPooling

• فعال‌ساز ReLU - درک مفهومی ReLU Activation – Conceptual Understanding

• پولینگ (Pooling) - درک مفهومی Pooling – Conceptual Understanding

• توضیح مثال کد 2.2.3 Code Eg. 2.2.3 Explaination

• مثال CNN دو لایه Two Layered CNN example

• لایه متراکم (Dense) یا تمام متصل و لایه خروجی Dense or Fully Connected Layer & Output Layer

• اتصالات محلی و اشتراک‌گذاری وزن‌ها در CNN CNN Local Connectivity & Weight Sharing

• ناوردا بودن نسبت به انتقال و ساخت ویژگی‌های سلسله‌مراتبی Translation Invariance & Hierarchical Feature Building

• توضیح مثال کد 2.2.4 Code Eg. 2.2.4 Explaination

• توضیح تمرین کد 2.2 Code Exercise 2.2 Explaination

• ساخت اولین CNN شما - اهداف یادگیری Building Your First CNN - Learning Objectives

• هدف عملی: آموزش یک CNN برای دیدن! Hands-On Goal Train a CNN to See!

• داده‌ها: مهم‌ترین جزء Data The Most Important Ingredient

• تنسورها به عنوان ورودی داده و GPU به عنوان شتاب‌دهنده Tensors as Data Input, & GPU as accelerator

• مزایای PyTorch The PyTorch Advantage

• توضیح مثال کد 2.3.1 Code Eg. 2.3.1 Explaination

• معماری CNN: اولین مدل ما CNN Architecture Our First Model

• خروجی لایه‌به‌لایه معماری CNN CNN Architecture Layer wise Output

• توضیح مثال کد 2.3.2 Code Eg. 2.3.2 Explaination

• گذر رو به جلو، پس‌انتشار (Backpropagation) و ارزیابی Forward Pass, Backpropagation, and Evaluation

• سه‌گانه آموزش (Training Triad) The Training Triad

• استراتژی‌های موثر آموزشی و عیب‌یابی Effective Training Strategies and Diagnostics

• حلقه آموزش: جایی که یادگیری واقعاً رخ می‌دهد The Training Loop Where Learning Actually Happens

• مشکلات رایج و راهکارهای آن‌ها Common Issues and Solutions

• توضیح مثال کد 2.3.3 Code Eg. 2.3.3 Explaination

• فراتر از آموزش: مدل ما چقدر خوب است؟ Beyond Training How Good Is Our Model

• چک‌لیست آموزش CNN CNN Training The Checklist

• توضیح مثال کد 2.3.4 Code Eg. 2.3.4 Explaination

• توضیح تمرین کد 2.3 Code Exercise 2.3 Explaination

معماری‌های پیشرفته CNN و یادگیری انتقالی Advanced CNN Architectures and Transfer Learning

• مقدمه‌ای بر معماری‌های پیشرفته CNN و یادگیری انتقالی Advanced CNN Architectures and Transfer Learning - Introduction

• معماری‌های شاخص CNN - اهداف درس Landmark CNN Architectures - Lecture Objectives

• معماری CNN: مدل LeNet 5 (1998) CNN Architectures LeNet-5 (1998)

• تکامل معماری‌های شاخص CNN Evolution of Landmark CNN Architectures

• مدل AlexNet (2012) AlexNet (2012)

• توضیح مثال کد 3.1.1 Code Eg 3.1.1 Explaination

• مدل VGGNet (2014) VGGNet (2014)

• مدل ResNet (2015) ResNet (2015)

• توضیح مثال کد 3.1.2 Code Eg 3.1.2 Explaination

• مدل Inception (GoogLeNet) 2014 Inception (GoogLeNet) - 2014

• مدل DenseNet 2017 DenseNet - 2017

• مدل EfficientNet (2019) EfficientNet (2019)

• چگونه معماری CNN مناسب (Backbone) را انتخاب کنیم؟ How to choose suitable CNN architecture (Backbone)

• یادگیری انتقالی و تنظیم دقیق (Fine Tuning) - اهداف یادگیری Transfer Learning and Fine-Tuning - Learning Objectives

• دو رویکرد: یادگیری انتقالی و تنظیم دقیق Two Approaches Transfer Learning & Fine-Tuning

• انگیزه: چرا از مدل‌های پیش‌آموزش‌دیده استفاده کنیم؟ The Motivation Why Reuse Pre-Trained Models

• استخراج ویژگی (Feature Extraction): راهکار امن Feature Extraction The Safe Bet

• مکانیسم: نحوه پیاده‌سازی استخراج ویژگی Mechanics How to Implement Feature Extraction

• توضیح مثال کد 3.2.1 Code Eg 3.2.1 Explaination

• تنظیم دقیق (Fine Tuning): راهکار با عملکرد بالا Fine-Tuning The High Performance Bet

• مرحله جریان گرادیان The Gradient Flow Step

• نرخ‌های یادگیری تفاضلی: کلید آموزش موفق Differential Learning Rates Key to Successful Training

• تثبیت وزن‌های الاستیک (EWC) Elastic Weight Consolidation (EWC)

• توضیح مثال کد 3.2.2 Code Eg 3.2.2 Explaination

• درک CNNها: از پیکسل‌ها تا آموزش‌های پیشرفته Understanding CNNs From Pixels to Advanced Training

• نکات حرفه‌ای برای آموزش موفق مدل در بینایی ماشین Pro-Tips for successful model training in Computer Vision

• گردش کار عملی: از صفر تا صد Practical Workflow From Zero to Hero

• توضیح مثال کد 3.2.3 Code Eg 3.2.3 Explaination

• بهبود عملکرد مدل CNN - اهداف یادگیری Improving CNN Model Performance - Learning Objectives

• عیب‌یابی مشکل: بیش‌برازش (Overfitting/واریانس بالا) Diagnosing the Problem Overfitting (High Variance)

• عیب‌یابی مشکل: کم‌برازش (Underfitting/بایاس بالا) Diagnosing the Problem Underfitting (High Bias)

• دو روش برای بهبود عملکرد مدل Two Methods for Improving Model Performance

• بهبود عملکرد مدل: استحکام و تعمیم‌پذیری Improving Model Performance Robustness & Generalization

• مثال کد 3.3.1 Code Eg 3.3.1

• افزایش داده‌ها (Data Augmentation): چگونه و چرا؟ Data Augmentation How & Why

• افزایش داده‌ها: شبیه‌سازی برای رسیدن به نتیجه Data Augmentation Fake It Till You Make It

• افزایش داده‌ها: ابزارهای هندسی Data Augmentation The Geometric Arsenal

• افزایش داده‌ها: ابزارهای فوتومتریک و MixUp Data Augmentation The Photometric Arsenal & MixUp

• مثال کد 3.3.2 Code Eg. 3.3.2

• منظم‌سازی (Regularization): محدود کردن مدل با Dropout Regularization Restraining the Model - Dropout

• کاهش وزن (L2 Regularization) Weight Decay (L2 Regularization)

• هموارسازی برچسب (Label Smoothing): مبارزه با اعتماد به نفس بیش از حد Label Smoothing - Fighting Overconfidence

• مثال کد 3.3.3 Code Eg. 3.3.3

• اثر هم‌افزایی: افزایش داده‌ها و منظم‌سازی The Synergy Effect Data Augmentation Regularization

• جمع‌بندی نهایی Putting It All Together5:17

• مثال کد 3.3.4 Code Eg. 3.3.4

تشخیص اشیاء با یادگیری عمیق Object Detection with Deep Learning

• مقدمه تشخیص اشیاء با یادگیری عمیق Object Detection with Deep Learning - Intro

• آشنایی با تشخیص اشیاء - اهداف درس Introduction to Object Detection - Lecture Objectives

• مقدمه‌ای بر تشخیص اشیاء Introduction to Object Detection

• تعریف وظیفه: «چیستی» و «کجایی» Defining the Task The What and the Where

• ساختار خروجی تشخیص The Structure of Detection Output

• بخش اول مثال کد 4.1 Code Eg. 4.1 part

• مثال بصری: تلاقی روی اجتماع (IoU) در عمل Visual Example Intersection over Union (IoU) in Practice

• معیارهای ارزیابی: تلاقی روی اجتماع (IoU) The Metrics Intersection over Union (IoU)

• تحلیل مقادیر IoU: خوب، بد و زشت The Good, the Bad and the Ugly of IoU values

• بخش دوم مثال کد 4.1 Code Eg. 4.1 part

• تبادل دقت-فراخوانی و نمایش هندسی mAP Precision-Recall Tradeoff & mAP Geometrical Representation

• میانگین دقت متوسط (mAP): محاسبه گام‌به‌گام Mean Average Precision (mAP) Step-wise calculation

• تفسیر مقادیر میانگین دقت متوسط (mAP) Mean Average Precision (mAP) Values interpretation

• بخش سوم مثال کد 4.1 Code Eg. 4.1 part

• سرکوب غیربیشینه (NMS) Non Maximum Suppression

• توضیح Non Maximum Suppression (NMS) با مثال Non-Maximum Suppression (NMS) Explained by an Example

• تشخیص اشیاء: خط لوله سطح بالا Object Detection The High-Level Pipeline

• بخش چهارم مثال کد 4.1 Code Eg. 4.1 part

• تشخیص‌دهنده‌های دو مرحله‌ای (خانواده R-CNN) - اهداف یادگیری Two-Stage Detectors (R-CNN Family) - Learning Objectives

• رویکرد و تکامل تشخیص‌دهنده‌های دو مرحله‌ای Two-Stage Detectors Approach & Evolution

• تشخیص‌دهنده‌های دو مرحله‌ای: خانواده R-CNN Two-Stage Detectors The R-CNN Family

• بخش اول مثال کد 4.2 Code Eg. 4.2 part

• مدل R-CNN (2014) و مشکلات آن R-CNN (2014) & the problem

• توضیح Fast R-CNN (2015) با مثال Fast R-CNN (2015) Explained with an example

• مدل Fast R-CNN (2015): مغز مشترک Fast R-CNN (2015) The Shared Brain

• بخش دوم مثال کد 4.2 Code Eg. 4.2 part

• مدل Faster R-CNN (2015): نوآوری شبکه پیشنهاد منطقه (RPN) Faster R-CNN (2015) The Region Proposal Network (RPN) Innovation

• مدل Faster R-CNN (2015): استاندارد مدرن Faster R-CNN (2015) The Modern Standard

• مدل Faster R-CNN (2015): خط لوله کامل Faster R CNN (2015) The Full Pipeline

• مقایسه خانواده R-CNN: مسیر تکامل R CNN Family Comparison The Evolution

• بخش سوم مثال کد 4.2 Code Eg. 4.2 part

• تشخیص‌دهنده‌های تک مرحله‌ای (YOLO, SSD) - اهداف یادگیری Single-Stage Detectors (YOLO, SSD) - Learning Objectives

• تغییر از تشخیص‌دهنده دو مرحله‌ای به تک مرحله‌ای Shift from Two Stage to Single Stage Object Detector

• انقلاب: رگرسیون در مقابل پیشنهاد The Revolution Regression vs. Proposal

• تفاوت‌های ریاضی و عملیاتی R-CNN در مقابل YOLO Mathematical & Operational Differences R CNN vs Yolo

• بخش اول مثال کد 4.3 Code Eg. 4.3 part

• مدل YOLO: فقط یک بار نگاه کن YOLO You Only Look Once

• ریاضیات تابع زیان در YOLO Yolo's Math of the Loss Function

• محدودیت‌های مدل YOLOv1 The Limitation of YOLOv1 Model

• بخش دوم مثال کد 4.3 Code Eg. 4.3 part

• مدل SSD: هرم ویژگی‌های چند مقیاسی SSD The Multi Scale Feature Pyramid

• باکس‌های لنگر (Anchor Boxes) در SSD SSD Anchor Boxes (Default Boxes)

• بخش سوم مثال کد 4.3 Code Eg. 4.3 part

• مقایسه تشخیص‌دهنده‌ها و راهنمای کاربردی Detector Comparison & Practical Guidance

• بخش چهارم مثال کد 4.3 Code Eg. 4.3 part

• معماری‌های مدرن: تشخیص‌دهنده‌های سرتاسری (DETR) - اهداف یادگیری Modern Architectures: End-to-End Detectors (DETR) - Learning Objectives

• معماری‌های مدرن: تشخیص‌دهنده‌های سرتاسری (DETR) Modern Architectures End to End Detectors (DETR)

• روش مدل ترنسفورمر تشخیص (DETR) Detection Transformer (DETR) Model method

• نوآوری اصلی: ترنسفورمرها در بینایی The Core Innovation Transformers in Vision

• بخش اول مثال کد 4.4 Code Eg. 4.4 part

• خط لوله DETR (۱ از ۳): ستون فقرات (Backbone) The DETR Pipeline (1 of 3) The Backbone

• خط لوله DETR (۲ از ۳): انکودر ترنسفورمر The DETR Pipeline (2 of 3) The Transformer Encoder

• خط لوله DETR (۳ از ۳): دکودر و پیش‌بینی‌ها The DETR Pipeline (33) Decoder & Predictions

• خط لوله DETR: شبکه‌های FFN پیش‌بینی The DETR Pipeline Prediction FFNs

• بخش دوم مثال کد 4.4 Code Eg. 4.4 part

• گردش کار کامل DETR DETR Complete workflow

• ترکیب جادویی: زیان تطبیق دوقسمتی (Bipartite Matching Loss) The Secret Sauce Bipartite Matching Loss

• مدل DETR در مقابل جهان: یک تغییر پارادایم DETR vs. The World A Paradigm Shift

• بخش سوم مثال کد 4.4 Code Eg. 4.4 part

بخش‌بندی تصویر با یادگیری عمیق Image Segmentation with Deep Learning

• مقدمه بخش‌بندی تصویر با یادگیری عمیق Image Segmentation with Deep Learning - Introduction

• بخش‌بندی تصویر با یادگیری عمیق Image Segmentation with Deep Learning

• بخش‌بندی معنایی (Semantic) در مقابل بخش‌بندی نمونه (Instance) Semantic vs. Instance Segmentation

• هدف: طبقه‌بندی در سطح پیکسل The Goal Pixel-Level Classification

• توضیح بخش اول مثال کد 5.1 Code Eg 5.1 part 1 Explaination

• بخش‌بندی معنایی: معماری Semantic Segmentation The Architecture

• بخش‌بندی معنایی: مفهوم Stuff Semantic Segmentation The Stuff

• دیدگاه ریاضی (زیان پیکسل‌-محور) Mathematical Insight (Pixel-wise Loss)

• توضیح بخش دوم مثال کد 5.1 Code Eg 5.1 part 2 Explaination

• بخش‌بندی نمونه: معماری Instance Segmentation The Architecture

• بخش‌بندی نمونه: مفهوم Things Instance Segmentation : "The Things"

• دیدگاه ریاضی: زیان ترکیبی چند-وظیفه‌ای Mathematical Insight Hybrid Multi-Task Loss

• توضیح بخش سوم مثال کد 5.1 Code Eg 5.1 part 3 Explaination

• معماری‌های بخش‌بندی معنایی (FCN, U-Net) - اهداف یادگیری Architectures for Semantic Segmentation (FCN, U-Net) - Learning Objectives

• تکامل معماری بخش‌بندی معنایی Semantic Segmentation Architecture Evolution

• مشکل اصلی: از برچسب جهانی به نقشه پیکسلی The Core Problem From Global Label to Pixel Map

• راهکار معماری‌ها The Architectures' Solution

• توضیح بخش اول مثال کد 5.2 Code Eg 5.2 part 1 Explaination

• طراحی انکودر-دکودر (۱ از ۲): انکودر The Encoder Decoder Design (1 of 2) The Encoder

• طراحی انکودر-دکودر (۲ از ۲): دکودر The Encoder-Decoder Design (2 of 2) The Decoder

• توضیح بخش دوم مثال کد 5.2 Code Eg 5.2 part 2 Explaination

• روش شبکه کاملاً پیچشی (FCN) Fully Convolutional Network Method

• طراحی شبکه کاملاً پیچشی (FCN) Fully Convolutional Network Design

• مشکل گلوگاه (Bottleneck) و راهکار اتصالات جهشی (Skip Connection) The Bottleneck Problem & The Skip Connection Solution

• توضیح بخش سوم مثال کد 5.2 Code Eg 5.2 part 3 Explaination

• روش بخش‌بندی معنایی U-Net U-Net Semantic Segmentation Method

• دقت جراحی U-Net (2015) U-Net Surgical Precision (2015)

• چرا الحاق (Concatenation) بهتر است؟ Why Concatenation is Better

• مقایسه FCN در مقابل U-Net و کاربردهای دنیای واقعی FCN vs. U-Net & Real-World Applications

• توضیح بخش چهارم مثال کد 5.2 Code Eg 5.2 part 4 Explaination

• معماری‌های بخش‌بندی نمونه (Mask R-CNN) - اهداف یادگیری Architectures for Instance Segmentation (Mask R-CNN) - Learning Objectives

• معماری‌های بخش‌بندی نمونه (Mask R-CNN) Architectures for Instance Segmentation (Mask R-CNN)

• گسترش معماری Faster R-CNN با سرِ ماسک (Mask Head) Extending Faster R-CNN Architecture with Mask Head

• ترفند جداسازی: ماسک‌های مستقل از کلاس The Decoupling Trick Class-Agnostic Masks

• توضیح بخش اول مثال کد 5.3 Code Eg 5.3 part 1 Explaination

• مشکل خطای کوانتایزاسیون در ROI Pooling The Problem ROI Pooling's Quantization Error

• راهکار ROI Align The Solution ROI Align

• مکانیسم‌های ریاضی Mask R-CNN Mathematical Mechanics of Mask R-CNN

• توضیح بخش دوم مثال کد 5.3 Code Eg 5.3 part 2 Explaination

• مدل‌های پایه برای بخش‌بندی (SAM) - اهداف یادگیری Foundation Models for Segmentation (SAM) - Learning Objectives

• مدل SAM به عنوان لحظه GPT برای تصاویر SAM as GPT moment for Images

• مدل‌های پایه برای بخش‌بندی (SAM) Foundation Models for Segmentation (SAM)

• تغییر از مدل‌های متخصص به مدل‌های همه‌منظوره The Shift From Specialists to Generalists

• توضیح بخش اول مثال کد 5.4 Code Eg 5.4 part 1 Explaination

• مرور کلی معماری SAM SAM Architecture Overview

• معماری SAM (۱ از ۲): انکودر تصویر SAM Architecture (12) The Image Encoder

• معماری SAM (۲ از ۲): انکودر پرامپت (مترجم) SAM Architecture (22) The Prompt Encoder (The Translator)

• معماری SAM (۳ از ۳): دکودر ماسک (هنرمند) SAM Architecture (33) The Mask Decoder (The Artist)

• توضیح بخش دوم مثال کد 5.4 Code Eg 5.4 part 2 Explaination

• معماری و تکامل SAM 2 SAM 2 Architecture & Evolution

• معماری و تکامل SAM 3 SAM 3 Architecture & Evolution

• مقایسه SAM در مقابل SAM 2 و SAM 3 و کاربردهای واقعی Comparison SAM vs SAM 2 vs SAM 3 & Real world applications

• توضیح بخش سوم مثال کد 5.4 Code Eg 5.4 part 3 Explaination

مدل‌های مولد و فراتر از CNNها Generative Models & Beyond CNNs

• مقدمه مدل‌های مولد و فراتر از CNNها Generative Models & Beyond CNNs - Intro

• اتوانکودرها (AEs) و اتوانکودرهای متغیر (VAEs) - اهداف یادگیری Autoencoders (AEs) and Variational Autoencoders (VAEs) - Learning Objectives

• مقایسه اتوانکودرهای معمولی (AE) و متغیر (VAE) Autoencoders (AEs) vs. Variational Autoencoder

• فضای محیطی (آشوب)، منیفولد و فضای نهفته (Latent Space) Ambient Space (The Chaos), Manifold,Latent Space

• هسته AI مولد: منیفولد، فضای نهفته و اتوانکودرها The Core of Gen AI: Manifold, Latent Space & Autoencoders

• دکودر: از نقشه به تصویر The Decoder - From Blueprint Back to Image

• توضیح بخش اول مثال کد 6.1 Code Eg 6.1 part 1 Explaination

• مرور کلی معماری اتوانکودر (AE) Autoencoder (AE) Architecture Overview

• پیاده‌سازی و محدودیت‌های اتوانکودر Autoencoder Implementation & Limitations

• تابع زیان اتوانکودر Autoencoder Loss function

• توضیح بخش دوم مثال کد 6.1 Code Eg 6.1 part 2 Explaination

• مرور کلی معماری اتوانکودر متغیر (VAE) Variational Auto-encoder (VAE) Architecture Overview

• اتوانکودرهای متغیر: انقلاب احتمالات Variational Autoencoders The Probabilistic Revolution

• ترفند بازپارامتری‌سازی در بینایی ماشین مولد (VAE) The Reparameterization Trick in Generative Computer Vision (VAE)

• درک زیان VAE و تقابل AE در مقابل VAE Understanding VAE Loss & The AE vs VAE Showdown

• توضیح بخش سوم مثال کد 6.1 Code Eg 6.1 part 3 Explaination

• مقایسه AE در مقابل VAE AE vs. VAE Comparison

• مدل β-VAE و بازنمایی‌های تفکیک‌شده β-VAE Disentangled Representations

• اتوانکودر متغیر شرطی (cVAE) Conditional VAE (cVAE)

• کاربردهای دنیای واقعی AEها و VAEها Real-World Applications of AEs & VAEs

• توضیح بخش چهارم مثال کد 6.1 Code Eg 6.1 part 4 Explaination

• شبکه‌های رقابتی مولد (GANs) - اهداف یادگیری Generative Adversarial Networks (GANs) - Learning Objectives

• شبکه‌های رقابتی مولد (GANs) Generative Adversarial Networks (GANs)

• حلقه آموزش GAN: مسیر رسیدن به تعادل نش GAN Training Loop Path to Nash Equilibrium

• موتور ریاضی: بازی مین-مکس (Minimax) The Mathematical Engine - The Minimax Game

• توضیح بخش اول مثال کد 6.2 Code Eg 6.2 part 1 Explaination

• معماری DCGAN: نقشه راه برای GANهای پایدار DCGAN Architecture The Blueprint for Stable GANs

• گام‌های آموزش GAN (۱): آموزش تشخیص‌دهنده (Discriminator) GAN Training Choreography 1 Discriminator Training

• گام‌های آموزش GAN (۲): آموزش مولد (Generator) GAN Training Choreography Part 2 Generator Training

• فرآیند کامل آموزش The Complete Choreography

• توضیح بخش دوم مثال کد 6.2 Code Eg 6.2 part 2 Explaination

• چالش‌های GAN: فروپاشی مود (Mode Collapse) و محو شدن گرادیان GAN Challenges - Mode Collapse & Vanishing Gradients

• راهکار: Wasserstein GAN (WGAN) 6232 The Solution - Wasserstein GAN (WGAN)

• مزایای WGAN و جزئیات پیاده‌سازی Advantages of WGAN & Implementation Details

• توضیح بخش سوم مثال کد 6.2 Code Eg 6.2 part 3 Explaination

• معماری StyleGAN: سنتز تفکیک‌شده StyleGAN Architecture The Disentangled Synthesis

• معماری‌های پیشرفته GAN: مدل StyleGAN Advanced GAN Architectures StyleGAN

• مدل CycleGAN: تبدیل تصویر به تصویر بدون جفت CycleGAN Unpaired Image to Image Translation

• تبدیل CycleGAN بدون داده‌های جفت‌شده CycleGAN Translation Without Paired Data

• ارزیابی معیارهای GAN بدون نظارت Evaluating the Unsupervised GAN Metrics

• توضیح بخش چهارم مثال کد 6.2 Code Eg 6.2 part 4 Explaination

• مقدمه‌ای بر ویژن ترنسفورمرها (ViT) - اهداف یادگیری Introduction to Vision Transformers (ViT) - Learning Objectives

• ویژن ترنسفورمرها (ViT): تغییر پارادایم Vision Transformers (ViT) - The Paradigm Shift

• معماری ویژن ترنسفورمر (ViT) The Vision Transformer ( ViT) Architecture

• چرا بینایی به یک دید کلی (Global View) نیاز دارد؟ Why Vision Needs a Global View

• مقایسه CNN در مقابل ViT: داستان دو دیدگاه CNN vs. ViT A Tale of Two Perspectives

• توضیح بخش اول مثال کد 6.3 Code Eg 6.3 part 1 Explaination

• موتور بینایی: توضیح Self-Attention The Engine of Vision - Self-Attention Explained

• خود-توجهی (Self-Attention) و توجه چند-سره (Multi-head) Self-Attention & Multi-head attention

• از پیکسل‌ها به توکن‌ها: فرآیند تکه-بندی (Patching) در ViT From Pixels to Tokens - The ViT Patching Process

• گام ۱: تبدیل تکه‌ها به Embeddingهای توکن Step 1 - Flattening Patches to Token Embeddings

• خط لوله کامل The Complete Pipeline

• گام ۲: تصویر خطی از پیکسل‌ها به کلمات بصری Step -2 Linear Projection From Pixels to Visual Words

• توضیح بخش دوم مثال کد 6.3 Code Eg 6.3 part 2 Explaination

• گام ۳: کدگذاری موقعیتی (Positional Encoding) و حافظه فضایی Step 3 - Positional Encoding Vision Spatial Memor

• گام ۴: انکودر ترنسفورمر - هسته پردازشی Step 4 - Transformer Encoder The Processing Core

• نرمال‌سازی لایه، MLP و اتصالات باقی‌مانده (Residual) Layer Normalisation, MLP & Residual Connections

• توضیح بخش سوم مثال کد 6.3 Code Eg 6.3 part 3 Explaination

• مدل ELA ViT (آگاه از چشم‌انداز انرژی) Energy Landscape-Aware ViT (ELA-ViT)

• ویژن ترنسفورمر هایپرگراف (HgVT) Hypergraph Vision Transformer (HgVT)

• نوآوری‌های ویژن ترنسفورمر در سال ۲۰۲۵ 2025 Vision Transformer Innovations

• ترنسفورمر تصویری بهینه در داده (DeiT) Data-efficient Image Transformer ( DeiT)

• ترنسفورمر Swin: ویژن ترنسفورمر سلسله‌مراتبی Swin Transformer Hierarchial Vision Transformer

• توضیح بخش چهارم مثال کد 6.3 Code Eg 6.3 part 4 Explaination

• جاسازی‌های بصری (Visual Embeddings) و جستجوی تصویر - اهداف یادگیری Visual Embeddings and Image Search - Learning Objectives

• درک مدل‌های Embedding در بینایی ماشین مولد Understanding Embedding Models in Generative CV

• جاسازی‌های بصری و جستجوی تصویر: نقشه تصاویر Visual Embeddings & Image Search - The Map of Images

• از پیکسل‌ها به بردارهای معنایی: خط لوله Embedding From Pixels to Semantic Vectors - The Embedding Pipeline

• پیش‌پردازش تصویر در CV مولد: تغییر اندازه و نرمال‌سازی Image Pre-processing in Generative CV Resize & Normalize

• نهایی کردن Embedding: تصویر (Projection) و نرمال‌سازی Finalizing the Embedding - Projection & Normalization

• نرمال‌سازی L2 و ارتباط با شباهت کسینوسی L2 Normalization Resonance with Cosine Similarity

• توضیح بخش اول مثال کد 6.4 Code Eg 6.4 part 1 Explaination

• مدل SimCLR: یادگیری بازنمایی بصری از نماهای افزوده شده SimCLR Learning Visual Repr. From Augmented Views

• یادگیری مقابله‌ای (Contrastive Learning) با SimCLR Contrastive Learning with SimCLRTeaching

• زیان Triplet در تشخیص چهره Triplet Loss in Face Recognition

• جستجوی بهینه: یافتن یک تصویر در میان میلیاردها تصویر Efficient Search - Finding an Image in Billion-Images

• استراتژی‌های ایندکس‌گذاری FAISS FAISS Indexing strategies

• توضیح بخش دوم مثال کد 6.4 Code Eg 6.4 part 2 Explaination

• ایندکس فایل معکوس (IVF) برای جستجوی بهینه Inverted File Index ( IVF ) for Efficient Search

• ایندکس کوانتایزاسیون محصول (PQI) برای جستجوی بهینه Product Quantization Index (PQI) for Efficient Search

• مدل HNSW برای جستجوی بهینه Hierarchical Navigable Small World ( HNSW) for Efficient Search

• توضیح بخش سوم مثال کد 6.4 Code Eg 6.4 part 3 Explaination

• کاربرد ۱: جستجوی معکوس تصویر Application 1 Reverse Image Search

• تشخیص چهره و ArcFace Face Recognition & ArcFace

• معماری انکودر دوگانه CLIP CLIP Dual-Encoder Architecture

• کاربردهای جستجوی چند-وجهی (Multimodal) با CLIP Applications of Multimodal search with CLIP

• توضیح بخش چهارم مثال کد 6.4 Code Eg 6.4 part 4 Explaination