https://virgool.ir/feed/@za.haghguدانشجوی ارشد هوش مصنوعی. اینجا بیشتر درباره هوش مصنوعی و علوم داده می‌نویسم.fa2026-11-11 07:53:14https://files.virgool.ir/upload/users/268010/avatar/QmAvkD.pnghttps://virgool.ir/@za.haghguhttps://virgool.ir/@za.haghgu/شاخصگذاری-تصاویر-a1ppbuu9prh9شاخص گذاری تصاویر(Image Indexing) به دلیل کار دستی(handwork) مورد نیاز برای تفسیر متنی تصاویر و مفهومی بـودن حس بینایی انسان که باعث برداشت متفاوت افراد از تصاویر می‌شود، کاری وقت‌گیر و ناکارآمد است. بعدها به منظور حل این مسائل، مبحث بازیابی تصویر محتوا-محور مطرح شد که در آن به جای توصیف تصویر به صورت دستی، تصاویر براساس محتوایشان بـه صورت خودکار شاخص‌گذاری میشن. در سیستم‌های بازیابی تصویر از ویژگی‌های سطح پایین مانند رنگ، بافت و شکل یا ویژگی‌های سطح بالای اشیاء، برای شاخص‌گذاری تصاویر استفاده می‌شود.شاخص‌گذاری پایگاه داده معمولا بردارهای ویژگی تصاویر ابعاد بالایی دارند. پایگاه داده‌های تصویری نیز معمولا بسیار گسترده هستن و جستجو در آنها زمانبر و پیچیده است. شاخص‌گذاری، باعث کاهش فضای جستجو و بهبود سرعت بازیابی پایگاه داده میشه. بازیابی تصویر محتوا- محور، از مجموعه‌های بزرگ تصاویر، نیاز به پشتیبانی از ساختار شاخص‌گذاری چند بعدی دارد. انتخاب روش شاخص‌گذاری چند بعدی، به ابعاد داده‌ها بستگی دارد و چون بردار ویژگی تصاویر و ویدئو‌ها، با حدود ابعاد ۶۴تا ۵۰۰ بُعد، در دسته داده‌های با ابعاد بسیار بالا قرار می‌گیره، برای آنها روش‌های شاخص‌گذاری زیر پیشنهاد میشه:R tree (حالتهای تعمیم یافته R* Tree R+ Tree)B Tree (حالتهای تعمیم یافته B* Tree B+ Tree)SS TreeK-D-B Treeروش R-Treeایده اصلی ساختمان داده R-tree این است که اشیاء نزدیک هم را در یک گروه قرار دهیم و آنها را در کوچکترین مستطیل ممکن احاطه کنیم. در سطح برگ، هر مستطیل نشان دهنده یک شیء است و هرچه به سمت سطوح بالاتر حرکت کنیم، یک گره تعداد اشیاء بیشتری را نشان می دهد. مستطیل ها نیز می تونن با هم هم‌پوشانی داشته باشن. از آن جایی که همه اشیاء در مستطیل‌های احاطه‌کننده قرار می‌گیرن، اگه یه جستجو تداخلی با یک مستطیل احاطه‌کننده نداشته باشه، پس نمیتونه تداخلی با هیچ یک از اشیاء داخل آن نیز داشته باشه. در واقع، ایده اصلی استفاده از مستطیل احاطه‌کننده، تصمیم گیری در مورد این است که داخل یک زیر درخت جستجو شود یا خیر. به این ترتیب اکثر گره‌ها اصلا در طول جستجو دیده نمیشن. این باعث میشه که این روش برای مجموعه داده‌ها و پایگاه‌داده‌های بزرگ مناسب باشه.شاخص‌گذاری با روش R-Treeزهرا حقگوزهرا حقگوTue, 22 Sep 2020 16:30:38 +0330https://virgool.ir/@za.haghgu/ویژگیهای-تصویر-ifwdtdf3s3pqویژگی، یک مشخصه بصری از تصویر است که میتونه از از رنگ، بافت، شکل یا لبه‌های تصویر استخراج بشه. در واقع، استخراج ویژگی، فرایند تبدیل مقدارهای خام پیکسل‌های یک تصویر به اطلاعات مفید و معنادار است. در گذشته، طراحی این فرایند توسط متخصصان این حوزه انجام میشد و باید ویژگی‌ها رو به صورت دستی تعریف و استخراج می‌کردیم ولی امروزه با کمک شبکه‌های عصبی و یادگیری عمیق، این عمل به صورت خودکار در لایه‌های کانولوشنی شبکه‌های عصبی انجام میشه. از ویژگی‌ها در وظایفی مثل بخش‌بندی (segmentation) یا تشخیص اشیاء (object recognition) استفاده میشه.ویژگی‌های استخراج شده از تصاویر، در قالب مقادیر عددی نشون داده میشن و معمولا نسبت به تصویر اصلی، ابعاد بسیار کمتری دارند.معیارهای انتخاب یک ویژگی:کارایی: اون ویژگی باید علاوه بر اینکه قدرت تمایز بین اشیاء رو به ما بده، خیلی سریع در تصویر شناسایی و محاسبه بشه.مقیاس‌پذیری: عملکرد سیستم تحت تاثیر سایز پایگاه داده قرار نگیره. مخصوصا که معمولا ما با پایگاه‌داده‌های چندین بعدی و بسیار بزرگ سروکار داریم.پایداری: نسبت به تغییر شرایط تصویر مانند تغییر زاویه نور یا زاویه دید مقاوم باشه و سعی کنیم تغییر در شرایط ویژگی، تا حد امکان، روی تصمیم‌گیری مدل اثر نذاره.به صورت کلی، ویژگی‌های استخراج شده از تصاویر به دو دسته تقسیم میشن: سراسری و محلی۱. ویژگی های سراسریاین ویژگی‌ها را میتونیم از تصویر خام، در گام اول پردازش تصویر استخراج کنیم. آن‌ها معمولا نسبت به مواردی همچون تغییر زاویه نور پایدار نیستن. در بازیابی تصویر از این ویژگی‌ها برای «شناسایی اشیاء» ( بررسی حضور یا عدم حضور یک شی خاص در تصویر) استفاده میشه. البته صرفا استفاده از این ویژگی‌ها برای دریافت محتوا و معنای یک تصویر کافی نیست.۲. ویژگی های محلیبعد از استخراج ویژگی‌های سراسری و شناسایی قسمتی از تصویر که احتمال حضور یک شی در اون وجود داره، تشکیل کادرهای Region of Interest= RoI، با تقسیم آن بخش‌ها، به بلوک‌هایی کوچکتر، به بررسی جزئی‌تر ویژگی‌ها در هر یک از بلوک‌ها می‌پردازیم تا ماهیت آن شی (‌برچسب اون) تشخیص داده بشه. استخراج این ویژگی‌ها، برای توصیف محتوای تصویر ضروری است. نقش ویژگی‌ها در شناسایی و تشخیص اشیاء تصویرخلاصه بگم‌: چون اشیاء با ویژگی‌های تشکیل‌دهنده خود معرفی میشن.در پردازش تصاویر، ابتدا ویژگی‌های سطح پایین (low-level features) موجود در تصویر مانند رنگ، بافت و شکل شناسایی میشن. پس از شناسایی بخشی از تصویر، که احتمالا یک شی در آن قرار دارد، تشخیص هویت آن شی انجام می‌شود تا نام آن مشخص شود. ویژگی‌های استخراج شده از تصاویر، می‌توانند سطح پایین یا سطح بالا باشند. ویژگی‌های سطح بالا(high-level features) به کمک ویژگی‌های سطح پایین کشف میشن. در تشخیص اشیاء، هدف طبقه‌بندی اشیاء موجود در تصویر، در مجموعه‌ای از کلاس‌های از پیش تعیین شده است. هرکدام از کلاس‌ها، مجموعه‌ای از ویژگی‌های مختص به خود دارند که به طبقه‌بندی اشیاء متعلق به این کلاس‌ها کمک میکند. برای مشخص کردن اینکه چه چیزهایی در یک تصویر و در کجای آن قرار دارند، از مدل‌های یادگیری ماشین استفاده می‌شود.امروزه، مدل‌های یادگیری عمیق نظیر شبکه‌های عصبی کانولوشنی(CNNها)، محبوبیت زیادی در این حوزه دارند. مزیت این مدل‌ها در این است که به سیستم‌ها اجازه میدهند تا یک تصویر را در چندین کلاس دسته‌بندی کنند یا به عبارتی چندین شی را همزمان در تصویر شناسایی کنند.در ادامه ویژگی‌های اصلی تصاویر رنگ، بافت و شکل/لبه‌ها رو خواهیم شناختبرای هر کانال رنگ، یه ماتریس جدا داریم.دار هر پیکسل شدت یک رنگ رو نشون میده. اطلاعات اولیه هر تصویر به شکل ماتریس‌هایی از این مقادیر ذخیره میشه. ۱. ویژگی رنگ (Color)رنگ، پراستفاده‌ترین ویژگی و شاخص استفاده شده در جستجوی تصاویره. تصاویر با مقادیر پیکسل‌هاشون ذخیره میشن. یک تصویر gray-scale با یک ماتریس نشان داده میشه. هر درایه این ماتریس، که عددی بین ۰تا ۲۵۵دارد، شدت رنگ یک پیکسل تصویر را نشان میده. برای یک تصویر رنگی مثلا در فضای رنگRGB، به ازای هر یک از رنگ‌های قرمز، سبز و آبی یک ماتریس مشابه، برای هر کانال رنگ داریم. متاسفانه این نوع نمایش تصویر، به درک محتوای اون کمکی نمیکنه. برای توصیف رنگ میشه از روش‌های بهتری مثل هیستوگرام رنگ، ماتریس هم-رخدادی (co-occurrence matrix) و momentهای رنگ استفاده کرد. در ویژگی رنگ، مکان قرار گرفتن رنگ و اینکه در چه تعداد از پیکسل‌های تصویر گسترده و تکرار شده هم اهمیت زیادی داره. مثلا مدل شما رنگ آبی رو در تصویر تشخیص داده، حالا برای اینکه ببینه در اون قسمت دریا واقع شده یا آسمان (برای مرحله طبقه‌بندی و برچسب‌زدن به تصویر) می‌تونه به موقعیت مکانی پیکسل‌ها توجه کنه چون آسمان همیشه در بالای یک تصویر و دریا در پایین یک تصویر قرار می‌گیره.مثالی از هیستوگرام رنگ برای یک عکس در فضای رنگی RGB ( محور X مقیاس و محور Y شدت رنگ هر پیکسل است)۲. ویژگی بافت (Texture)اگرچه بافت، به خوش تعریفی ویژگی‌های رنگ و شکل نیست ولی یک ویژگی مهم در تعریف معنای تصویر محسوب میشه و میتونه طبیعت و ماهیت بسیاری از اشیاء همچون پوست میوه‌ها، ابرها، درختان، کاشی‌ها و تاروپود رو به خوبی توصیف کنه. بافت به نسبت رنگ دقیق‌تر یک شیء را توصیف میکنه ولی به نویز و شکل اشیاء حساسه. قبلا معیار استانداردی برای تشخیص بافت وجود نداشت. تا اینکه تامورا(Tamura)، مجموعه‌ای از ۶ ویژگی زبری، تضاد، جهت، خطوط، تکرار و ناهمواری را تعریف کرد که امروزه به عنوان معیار استاندارد استفاده میشن. برای هرکدوم از این ویژگی‌ها درجاتی از کم به زیاد تعریف شد. مثلا میزان ناهمواری یک بافت در ۴سطح سنجیده میشه: از صفر (= بافت تصادفی و بدون الگو) تا ۳ (=یک الگوی منظم و تکرارشونده)ویژگی‌های تاموراسطوح ناهمواریروش‌های تشخیص بافت به دو دسته کلی ساختاری و آماری تقسیم میشن. روش‌های ساختاری، بافت رو با ساختار ذاتی اون توصیف میکنن؛ مانند عملگرهای مورفولوژی و گراف مجاورت. این روش‌ها مناسب تشخیص بافت‌های منظم (periodic) هستن. روش‌های آماری، بافت را توسط یک توزیع آماری توصیف میکنن. از روش‌های معروف میشه به ماتریس هم‌رخدادی، ویژگی‌های تامورا و روش‌های فیلترینگ گابور و تبدیل موجک Haar اشاره کرد. برای بافت بیشتر از روش‌های آماری استفاده میشه. فیلتر گابور (Gabor Filter) یک فیلتر خطی است که برای تحلیل بافت استفاده میشه و تحلیل میکنه که آیا محتوای فرکانسی خاصی در تصویر، در جهت خاصی، در یک منطقه محلی در اطراف یک منطقه وجود داره یا نه؟ این روش ادعا میکنه که فرکانس و جهت‌گیری فیلترهای گابور شبیه به سیستم بصری انسان است. فیلتر گابور، مخصوصا برای تشخیص تضاد در بافت بسیار مناسب است. فیلترهای گابور مستقیما با موجک‌های گابور مرتبط هستند. معمولا برای سادگی کار، یک بانک فیلتر از فیلترهای گابور با مقیاس‌ها و چرخش‌های مختلف ایجاد میشه. فیلترها و سیگنال‌ها در هم کانوالو میشن و فضای گابور را تشکیل میدن. تشخیص بافت با فیلتر گابور۳. ویژگی شکل/لبه (Shape/Edge)انسان می تونه بسیاری از اشیاء رو از روی تصویر خطوط اون‌ها شناسایی کنه. کشف لبه، مرحله مهمی در بسیاری از سیستم‌های پردازش تصویر محسوب میشه. اشکال معمولا با روش‌های کانتوریابی( کانتور= منحنی‌های بسته که حوزه یک شی رو مشخص می‌کنن) و با در نظر گرفتن ناحیه، شناسایی میشن. برای تشخیص اشکال یا لبه های یک تصویر:۱. تصاویر رنگی باید به تصاویر gray-scale تبدیل شوند.۲. از یک الگوریتم کانتوریابی مناسب برای به دست آوردن کانتورهای اشیاء استفاده شود.۳. الگوریتم‌های استخراج ویژگی را لازم داریم. ویژگی‌ها باید نسبت به چرخش، تغییر اندازه و انتقال پایدار باشن.مقایسه بردارهای ویژگی اشکال مختلفبه شکل بالا توجه کنید. هر چه یک شیء انحنا و گوشه‌های بیشتری داشته باشد، بردار ویژگی شکل آن، ابعاد بیشتری خواهد داشت.برای استخراج لبه‌ها در تصویر، از الگوریتم‌هایی مانند Sobel ، Prewitt ،Roberts ،Canny استفاده میشه.الگوریتم لبه‌یابی Sobelاین الگوریتم، لبه‌ها را با استفاده از تخمین زدن مشتق پیدا میکنه. در فیلتر سوبل دو ماسک وجود داره. ماسک سوبل افقی لبه های افقی را مشخص میکند و ماسک سوبل عمودی، لبه های عمودی را.الگوریتم لبه‌یابی Cannyاین لبه‌یاب در سال ۱۹۸۶ ایجاد شد و هنوز یکی از بهترین‌های لبه‌یابی تا به امروز است. این الگوریتم از سه بخش اصلی زیر تشکیل شده:۱. تضعیف نویز۲. پیدا کردن نقاطی که بتوان آنها را به عنوان لبه در نظر گرفت.۳. حذف نقاطی که احتمال لبه بودن آنها کم است.این الگوریتم سعی میکند تا حد امکان هیچ لبه‌ای در تصویر گم نشود، چیزی که لبه نیست به جای لبه فرض نشه، لبه‌های پیدا شده تا حد ممکن به لبه‌های اصلی نزدیک باشن و در مکان واقعی خود باشند یا تا حد ممکن کمترینفاصله را با مکان واقعی خود داشته باشند.لبه یاب Canny بخاطر توانایی خوبش در تولید لبه‌های نازک تا حد یک پیکسل برای لبه‌های پیوسته، معروف شده است. در یک تصویر gray-scale جایی‌که بیشترین تغییرات را داشته باشد، به عنوان لبه در نظر گرفته می‌شود و این مکان‌ها با گرفتن گرادیان تصویر با استفاده از عملگر Sobel بدست می آیند. سپس لبه‌های مات یافت شده به لبه‌های تیزتر تبدیل میشن. البته برخی از لبه‌های یافت شده ممکنه نویز باشند که با استفاده دو مقدار آستانه بالا و پایین از این اشتباه جلوگیری میشه.نتیجه اعمال الگوریتم Cannyمنابع:1. Ramadass Sudhir, "A Survey on Image Mining Techniques: Theory and Applications", Computer Engineering and Intelligent Systems-20112. J.B. Judah, Multi-dimensional Indexing Review and Techniques, aster’s thesis3. Rajshree S. Dubey Niket, Bhargava Rajnish Choubey, "Image Mining using Content Based Image Retrieval System", International Journal on Computer Science and Engineering, Vol. 02, No. 07, 20104. Afshan Latif, Umer Sajid, “Content-Based Image Retrieval and Feature Extraction: AComprehensive Review”, Mathematical Problems in Engineering Volume 20195. D. Ping Tian, “A review on image feature extraction and representation techniques,” International Journal of Multimedia and Ubiquitous Engineering, vol. 8, no. 4, pp. 385-396, 20136. S.Vijayarani, M.Vinupriya,“Performance Analysis of Canny and Sobel Edge DetectionAlgorithms in Image Mining”, International Journal of Innovative Research in Computerand Communication Engineering, Vol. 1, Issue 8, October 2013۷. کتاب مباحث پیشرفته در داده کاوی - محمدرضا کیوان پور، فرانک حسن زاده، محمد مرادیزهرا حقگوزهرا حقگوTue, 22 Sep 2020 14:59:22 +0330https://virgool.ir/@za.haghgu/بازیابی-تصویر-mstw8dmpabugساختار کلی یه سیستم بازیابی تصویر محتوا محوربازیابی تصویر یعنی جستجو، کاوش و بازیابی تصاویر از یک پایگاه داده بزرگ دیجیتال. توی بازیابی تصویر، تعدادی تصویر با خصوصیات مشابه از پایگاه داده انتخاب میشه و شبیه‌ترین اون‌ها برای کاربر بازیابی میشه. شاخص‌گذاری دقیق تصاویر و انتخاب معیار شباهت مناسب، تاثیر قابل ملاحظه‌ای روی عملکرد سیستم بازیابی تصویر میذاره.بازیابی تصویر به سه صورت کلی انجام میشود:۱. بازیابی تصویر توصیفی(روش سنتی): بازیابی با تفسیرهای متنی از پیش نوشته‌شده برای تصاویر؛ مانند عنوان، اندازه،زمان ثبت شدن، مالک تصویر، کلمات کلیدی، برچسب‌ها و...۲. بازیابی تصویر محتوایی(روش امروزی‌): توضیح و تفسیر تصویر با استخراج خودکار ویژگی‌ها و اشیاء موجود در تصویر برای تصویر فراهم میشه.۳. ترکیبی از دو روش بالاامروزه روش سنتی به تنهایی جوابگو نیست و به سیستم‌های بازیابی تصویر محتوامحور، برای استفاده موثر و مناسب از پایگاه داده‌های بزرگ تصویری احتیاج داریم.انواع سیستم‌های بازیابی تصویر۱. سیستم‌های بازیابی تصویر متن محور (Concept based)در این سیستم‌ها، تصاویر توسط متاداده‌های متنی (نوشتاری) مثل کلمات کلیدی، عنوان، برچسب‌ها و... تفسیر یا به اصطلاح حاشیه نویسی (annotating) میشدن. این کار به صورت دستی و توسط نیروی انسانی انجام میشد.مزیتپیاده‌سازی راحت و بازیابی سریعمعایب۱. اضافه‌کردن دستی حاشیه نویسی برای پایگاه‌داده‌های بزرگ کار سختیه.۲. تصاویری که محتوای زیادی دارن، نیاز به توضیح بیشتری دارن۳.دقیق نبودن حاشیه نویسی دستی و امکان تفسیر شدن غلط یک تصویرسیستم بازیابی تصویر متن محور۲. سیستم‌های بازیابی تصویر محتوا محور (Content based)بعد از توسعه سرویس های اینترنتی که تصاویر صنعتی، درسی، پزشکی، دارویی و... را در اختیار کاربران قرار میدادن و پررنگ تر شدن مشکلات سیستمهای متن محور، توجه زیادی به سمت سیستم‌های محتوا محور جلب شد. در این سیستم‌ها، بردار ویژگی تصاویر پایگاه داده از قبل استخراج شده‌اند. این بردارهای ویژگی، تشکیل یک «پایگاه داده ویژگی» میدن. کاربر یک تصویر یا بخشی از اون را به عنوان کوئری ارسال میکنه. با استخراج ویژگی‌های تصویر کوئری، شاخص و در نتیجه محتوای اون تصویر مشخص میشه. عملکرد این سیستم‌ها بسیار به میزان دقت در شناسایی ویژگی‌ها بستگی دارد. در نهایت، فاصله میان بردار ویژگی تصویر کوئری شده و تصاویر پایگاه داده محاسبه میشه و شبیه‌ترین تصاویر بازیابی میشن.مزیت استخراج ویژگی‌های تصاویر به صورت خودکار و کاهش چشمگیر خطا در حاشیه‌نویسی تصاویرایراد هزینه محاسباتی بالاترمحققان بازیابی تصویر محتوامحور ۲ مسیر عمده رو دنبال میکنن:۱. چگونگی مدل کردن دستی محتوای تصاویر به صورت مجموعه‌ای از ویژگی‌های سطح پایین۲. استفاده از یک سیستم استخراج ویژگی/تشخیص اشیاء برای استخراج خودکار ویژگی‌های سطح پایین و سطح بالاسیستم بازیابی تصویر محتوا محورحالا، توی بازیابی تصویر محتوا محور، کامپیوتر باید یاد بگیره تا تصاویر را مثل انسان‌ها ببینه و درک کنه. با «بازخورد ارتباط» (relevance feedback) میتونیم یک لینک ارتباطی بین تفسیر سطح پایین کامپیوتر از تصاویر (یه ماتریس از عدد و رقم که از عملیات روی پیکسل‌های تصویر به دست میان) و تفسیر سطح بالای انسان‌ها (اشیاء درون تصاویر؛ ما گربه و پرنده و ماشین رو می‌بینیم) برقرار کنیم. همانند قبل، براییک کوئری کاربر (یک تصویر) سیستم لیستی از تصاویر رو که بیشترین امتیاز را از معیار شباهت دریافت کرده‌اند، بازیابی میکنه. کاربر تصاویر بازیابی شده را به عنوان مرتبط (مثال‌های مثبت) و غیر مرتبط (مثالهای منفی) علامت‌گذاری می‌کند و بعد با توجه به بازخورد کاربر، مجددا به پایگاه داده رجوع می‌کنه، تصاویر دیگه‌ای رو انتخاب می‌کنه و یه لیست جدید از تصاویر رو به کاربر نمایش میده. یادتون باشه بازخورد ارتباط صفر و یکی نیست. یعنی ممکنه کامپیوتر ۱۰ تا تصویر رو برای بازیابی انتخاب کنه و ۳ تا از اون‌ها مناسب بازیابی نباشن.معمولا ما از کامپیوتر انتظار داریم، موقعی که کلاس یه تصویر رو تشخیص داد، تصاویری رو برای بازیابی انتخاب کنه که از همون کلاس باشن و اگه تصاویر انتخاب شده از کلاس‌های دیگه باشن، اون موقع عملکرد سیستم امتیاز منفی از ما می‌گیره ولی کامپیوتر هم مثل ماهاست :> تا وقتی که اشتباه نکنه یاد نمی‌گیره. پس چالش کلی ما، نحوه ترکیب کردن مثال‌های مثبت و منفی با یکدیگر است تا پاسخ به کوئری کاربر رو بهتر کنیم و کامپیوتر یاد بگیره چه تصاویری رو باید انتخاب کنه و چه تصاویری رو نباید انتخاب کنه. انتخاب معیار شباهت مناسب هم خیلی مهمه. یادتونه که ویژگی‌های تصاویر به صورت یه بردار ذخیره می‌شن؟ اگه بردارهای ویژگی به درستی تعریف و استخراج شده باشن، ما انتظار داریم که بردار ویژگی تصاویر مشابه، در نزدیکی هم قرار داشته باشه ( تصاویر مشابه، ویژگی‌های مشابهی داشته باشن) پس معمولا از مقایسه، فاصله بین ۲ بردار ویژگی یا زاویه بین ۲ بردار ویژگی، برای سنجش شباهت بین تصاویر استفاده می‌کنن.منابع1. J.B. Judah, Multi-dimensional Indexing Review and Techniques, master’s thesis2. Rajshree S. Dubey Niket, Bhargava Rajnish Choubey, Image Mining using Content Based Image Retrieval System, International Journal on Computer Science and Engineering, Vol. 02, No. 07, 20103. Manar Abdulkareem Al-Abaji, A Review of Content Based Image Mining System, Journal of University of Babylon for Pure and Applied Sciences,Vol 27, No.4, 2019زهرا حقگوزهرا حقگوTue, 22 Sep 2020 10:29:41 +0330https://virgool.ir/@za.haghgu/اینجا-قراره-چیکار-کنیم-و-از-چی-بگیم-c2pjsim5k06tبه نام خدااینجا قراره یه وبلاگ کوچولو برای نوشته‌های من درباره هوش مصنوعی باشه. ممکنه کنارش از چیزهای دیگه‌ای که درباره‌شون می‌خونم و توجه‌ام رو جلب می‌کنه هم بنویسم. حوزه کاری (و بیشتر پژوهشی) من computer vision است. توی بیشتر مطالب هم می‌خوایم درباره پردازش تصویر، بازیابی تصویر و ابزارها و روش‌هایی که توی اون حوزه‌ها استفاده می‌شه، حرف بزنیم.امیدوارم مطالب رو بخونید و از یاد گرفتن‌شون لذت ببرید، سوال بپرسید، اگه جایی رو دارم اشتباه میگم حتما بگید.ارادتمند شمازهرا حقگو زهرا حقگوزهرا حقگوTue, 22 Sep 2020 10:15:31 +0330