اپلیکیشن اندرویدی فلش‌کارت آموزشی بینایی ماشین و تشخیص اشیاء در خودروهای خودران

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بینایی ماشین و تشخیص اشیاء در خودروهای خودران

موضوع کلی: برنامه‌نویسی کامپیوترهای شخصی

موضوع میانی: AI in Autonomous Vehicles

📋 سرفصل‌های دوره

• 1. مقدمه ای بر بینایی ماشین
• 2. تاریخچه بینایی ماشین
• 3. کاربرد بینایی ماشین در خودروهای خودران
• 4. اصول پایه پردازش تصویر
• 5. فیلترهای تصویر برای حذف نویز
• 6. تشخیص لبه در تصاویر
• 7. استخراج ویژگی های تصویر
• 8. نظریه آشکارسازهای ویژگی
• 9. متریک های شباهت ویژگی
• 10. الگوریتم های برجسته سازی ویژگی (SIFT، SURF)
• 11. نمای کلی تشخیص اشیاء
• 12. مدل های کلاسیک تشخیص اشیاء
• 13. آستانه گذاری و جداسازی اشیاء
• 14. اشکال و الگوهای تصویر
• 15. شناسایی الگوهای آماری
• 16. روش های مبتنی بر ویژگی های دستی
• 17. ماشین های بردار پشتیبان (SVM) در تشخیص اشیاء
• 18. فصل بندی تصویر با استفاده از SVM
• 19. مدل های یادگیری عمیق برای بینایی ماشین
• 20. مقدمه ای بر شبکه های عصبی کانولوشنی (CNN)
• 21. معماری های پایه CNN (LeNet، AlexNet)
• 22. کاربرد CNN در دسته بندی تصاویر
• 23. استخراج ویژگی با CNN
• 24. کاربرد CNN در تشخیص اشیاء
• 25. مدل های تشخیص اشیاء مبتنی بر CNN
• 26. مدل های دو مرحله ای تشخیص اشیاء (R-CNN)
• 27. شبکه های CNN منطقه ای (R-CNN)
• 28. تکامل R-CNN به Fast R-CNN
• 29. Fast R-CNN برای تشخیص اشیاء سریعتر
• 30. Faster R-CNN و پیشنهاد دهنده های منطقه
• 31. شبکه های CNN تک مرحله ای (YOLO)
• 32. You Only Look Once (YOLO)
• 33. معماری YOLOv1
• 34. بهبودهای YOLOv2 (YOLO9000)
• 35. YOLOv3 و پیشرفت ها
• 36. YOLOv4 و معماری های جدید
• 37. YOLOv5 و قابلیت های پیشرفته
• 38. YOLOv6 و بهینه سازی ها
• 39. YOLOv7 و کارایی بالا
• 40. YOLOv8 و آخرین دستاوردها
• 41. شبکه های SSD (Single Shot MultiBox Detector)
• 42. معماری SSD
• 43. نحوه عملکرد SSD
• 44. مقایسه SSD با YOLO و Faster R-CNN
• 45. مدل های تشخیص اشیاء در زمان واقعی
• 46. چالش های تشخیص اشیاء در خودروهای خودران
• 47. تشخیص اشیاء در شرایط نوری مختلف
• 48. تشخیص اشیاء در شرایط آب و هوایی نامساعد
• 49. تشخیص اشیاء در شب
• 50. تشخیص اشیاء با مقیاس های مختلف
• 51. تشخیص اشیاء در زوایای دید متفاوت
• 52. کاهش خطای تشخیص (False Positives/Negatives)
• 53. دقت و سرعت در تشخیص اشیاء
• 54. کاربرد تشخیص اشیاء در هدایت خودرو
• 55. تشخیص علائم راهنمایی و رانندگی
• 56. تشخیص خطوط جاده
• 57. تشخیص عابران پیاده
• 58. تشخیص دوچرخه سواران
• 59. تشخیص موتورسیکلت ها
• 60. تشخیص خودروهای دیگر
• 61. تشخیص موانع در جاده
• 62. تشخیص حفره ها و ناهمواری ها
• 63. تشخیص شرایط جاده
• 64. تشخیص انواع خودروها (کامیون، اتوبوس)
• 65. تشخیص خودروهای اضطراری
• 66. تشخیص پلاک خودرو
• 67. تشخیص وضعیت چراغ های راهنمایی
• 68. تشخیص حالت عابر پیاده (ایستادن، عبور)
• 69. تشخیص حالت خودرو (ترمز، حرکت)
• 70. تعقیب اشیاء (Object Tracking)
• 71. الگوریتم های پایه تعقیب اشیاء
• 72. تعقیب با فیلتر کالمن
• 73. تعقیب با فیلتر ذرات
• 74. تعقیب مبتنی بر بینایی ماشین
• 75. تعقیب مبتنی بر CNN
• 76. تشخیص و شناسایی اشیاء (Detection and Recognition)
• 77. تفاوت بین تشخیص و شناسایی
• 78. استفاده از شناسایی چهره در خودروهای خودران
• 79. شناسایی راننده
• 80. شناسایی مسافران
• 81. تشخیص اشیاء در نمای 360 درجه
• 82. تشخیص اشیاء با استفاده از دوربین های استریو
• 83. تشخیص اشیاء با استفاده از LiDAR
• 84. ترکیب داده های سنسورها (Sensor Fusion)
• 85. کاربرد سنسورهای مختلف (دوربین، LiDAR، رادار)
• 86. مدل های ترکیب داده های سنسور
• 87. یادگیری ترجیحی (Few-Shot Learning) برای اشیاء نادر
• 88. یادگیری پیوسته (Continual Learning) در تشخیص اشیاء
• 89. بهبود مقاومت مدل ها در برابر حملات خصمانه
• 90. ارزیابی عملکرد مدل های تشخیص اشیاء
• 91. متریک های ارزیابی (Precision, Recall, mAP)
• 92. مجموعه داده های استاندارد برای تشخیص اشیاء (COCO, Pascal VOC)
• 93. برنامه های آینده بینایی ماشین در خودروهای خودران
• 94. اخلاقیات در هوش مصنوعی خودروهای خودران
• 95. مسائل مربوط به حریم خصوصی داده ها
• 96. آینده تشخیص اشیاء در خودروهای خودران