PrinceofAI Weekly

هفته نامه شماره هفتاد و چهارم

اخبار:

DRIVEN یک روش تشخیص اختلالات خواب با دقت بالا

آپنه و هیپوپنه اختلالات خواب هستند که با انسداد راه هوایی همراه هستند. پلی سومنوگرافی (PSG) معمولاً برای تشخیص این اختلالات با محاسبه شاخص آپنه-هیپوپنه (AHI) استفاده می شود، اما نظارت طولانی مدت PSG به دلیل هزینه و ناراحتی آن غیرعملی است. برای غلبه بر این مشکلات، روش پیشنهادی، DRIVEN، AHI را در خانه با استفاده از دستگاه‌های پوشیدنی که حرکات شکم، حرکت قفسه سینه، یا پالس اکسیمتری را نظارت می‌کنند، تخمین می‌زند. با دو حسگر، DRIVEN به طور دقیق 72.4٪ از بیماران آزمایش را در کلاس AHI صحیح و 99.3٪ را در یک کلاس از کلاس واقعی طبقه بندی می کند. با استفاده از داده های 14370 ضبط شده از سه مطالعه خواب، DRIVEN از شبکه های عصبی کانولوشنال عمیق و یک LightGBM برای طبقه بندی استفاده می کند. این روش نظارت طولانی مدت و مقرون به صرفه در خانه را تسهیل می کند و به تشخیص زودهنگام و درمان اختلالات خواب کمک می کند.

صنعت:

روش یادگیری عمیق مبتنی بر انتشار برای تقویت تصویربرداری فراساختاری و میکروسکوپ الکترونی حجمی

میکروسکوپ الکترونی (EM) مصورسازی فراساختار سلولی را تغییر داده است و EM) vEM حجمی) این را به تصویربرداری در مقیاس نانو سه بعدی گسترش داده است. با این حال، محدودیت در سرعت و کیفیت تصویربرداری، توانایی دستیابی به تصویربرداری ایزوتروپیک در مقیاس بزرگ را مختل می کند. برای پرداختن به این موضوع، EMDiffuse توسعه یافت - مجموعه ای از الگوریتم ها با استفاده از یک مدل انتشار تصویر پیشرفته. EMDiffuse قابلیت های EM و vEM را با ایجاد پیش بینی های با وضوح بالا و واقعی از حداقل داده های آموزشی افزایش می دهد. در کارهایی مانند حذف نویز، سوپررزولوشن، و بازسازی همسانگرد vEM، حتی بدون داده های آموزشی همسانگرد برتری دارد. EMDiffuse که با استفاده از هفت مجموعه داده عمومی از تکنیک‌های مختلف vEM نشان داده شده است، تحلیل‌های فراساختاری نانومقیاس سه‌بعدی دقیقی را تولید می‌کند و شامل ویژگی‌های خودارزیابی برای قابلیت اطمینان پیش‌بینی می‌شود. این نوآوری نوید پیشرفت مطالعه ساختارهای درون سلولی را در حجم های بیولوژیکی بزرگ می دهد.

مقاله:

YOLOv10: Real-Time End-to-End Object Detection

YOLOها به دلیل تعادل هزینه محاسباتی و عملکرد تشخیص، به رویکرد پیشرو در تشخیص اشیا در زمان واقعی تبدیل شده اند. علیرغم پیشرفت در طراحی معماری، بهینه سازی و تقویت داده ها، اتکای YOLOها به NMS برای پس پردازش، استقرار انتها به انتها را مختل می کند و تأخیر استنتاج را افزایش می دهد. علاوه بر این، طراحی ناکارآمد اجزای YOLO منجر به افزونگی محاسباتی و محدود کردن عملکرد می شود. این کار پیشرفت هایی را برای بهبود کارایی و عملکرد YOLO ها معرفی می کند. یک روش جدید، تکالیف دوگانه ثابت برای آموزش بدون NMS، عملکرد را افزایش می‌دهد و تأخیر را کاهش می‌دهد. استراتژی طراحی مبتنی بر راندمان-دقت جامع، اجزای YOLO را بهینه می‌کند، سربار محاسباتی را کاهش می‌دهد و قابلیت را بهبود می‌بخشد. این نوآوری ها در YOLOv10 به اوج خود می رسند، نسل جدیدی از YOLO که به عملکرد و کارایی پیشرفته در مقیاس های مختلف مدل دست می یابد.

آموزش:

Non-Maximum Suppression چیست؟

Non-Maximum Suppression تکنیکی است که در بینایی کامپیوتر، به‌ویژه در الگوریتم‌های تشخیص اشیا، برای حذف جعبه‌های مرزی اضافی یا همپوشانی استفاده می‌شود. هدف اصلی NMS حفظ دقیق ترین جعبه مرزی برای هر شی شناسایی شده و در عین حال دور انداختن جعبه های دیگر با دقت کمتری است که احتمالاً با همان شی مطابقت دارند. این روش در بهبود عملکرد مدل های تشخیص اشیا با کاهش مثبت کاذب و افزایش وضوح نتایج تشخیص بسیار مهم است.

کدینگ:

کتابخانه pyglet در پایتون چیست؟

Pygletیک کتابخانه قدرتمند و همه کاره برای توسعه بازی ها و سایر برنامه های کاربردی بصری غنی در پایتون است. این کتابخانه یک رابط کاربری آسان برای مدیریت گرافیک، مدیریت پنجره، چند رسانه ای و ورودی کاربر فراهم می کند. Pyglet به گونه ای طراحی شده است که سبک و کارآمد باشد و برای برنامه های بلادرنگ مانند بازی ها مناسب باشد.