اپلیکیشن اندرویدی فلش‌کارت آموزشی درک صحنه شهری با استفاده از داده‌های سه‌بعدی و دو‌بعدی (KITTI-360)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره درک صحنه شهری با استفاده از داده‌های سه‌بعدی و دو‌بعدی (KITTI-360)

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: بینایی ماشین و پردازش تصویر

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر درک صحنه شهری
• 2. مبانی یادگیری ماشین در بینایی ماشین
• 3. معرفی مجموعه داده KITTI-360
• 4. ساختار داده‌های دو‌بعدی KITTI-360
• 5. ساختار داده‌های سه‌بعدی KITTI-360
• 6. کالیبراسیون دوربین و سنسور
• 7. همزمانی داده‌های حسگرها
• 8. نمایش و پردازش تصاویر رنگی
• 9. تکنیک‌های پیش‌پردازش تصویر
• 10. تحلیل هیستوگرام تصویر
• 11. فیلترهای تصویر و کاربردها
• 12. تشخیص لبه و استخراج ویژگی
• 13. کاهش نویز در تصاویر
• 14. کشف نقاط کلیدی و توصیفگرها
• 15. مدل‌سازی هندسه سه‌بعدی صحنه
• 16. تکنیک‌های استریو ویژن
• 17. بازسازی سه‌بعدی از تصاویر
• 18. کاربرد LiDAR در درک صحنه
• 19. پردازش ابرهای نقطه
• 20. نمایش ابرهای نقطه و فیلترینگ
• 21. مفاهیم اصلی سگمنتاسیون تصویر
• 22. سگمنتاسیون معنایی (Semantic Segmentation)
• 23. سگمنتاسیون نمونه‌ای (Instance Segmentation)
• 24. تشخیص اشیاء در تصاویر دو‌بعدی
• 25. شبکه‌های کانولوشنال عصبی (CNN)
• 26. معماری‌های معروف CNN برای تشخیص اشیاء
• 27. شبکه‌های YOLO و SSD
• 28. مدل‌های Mask R-CNN برای سگمنتاسیون نمونه‌ای
• 29. تشخیص اشیاء در داده‌های سه‌بعدی
• 30. کاربرد شبکه‌های عصبی در پردازش ابر نقطه
• 31. تشخیص اشیاء با استفاده از voxelization
• 32. تشخیص اشیاء با استفاده از PointNet
• 33. مدل‌سازی صحنه سه‌بعدی با استفاده از داده‌های LiDAR
• 34. تکنیک‌های خوشه‌بندی در ابرهای نقطه
• 35. مدل‌سازی سطوح و هندسه سه‌بعدی
• 36. درک روابط فضایی بین اشیاء
• 37. تخمین فاصله و عمق از تصاویر
• 38. تخمین عمق با استفاده از شبکه‌های عصبی
• 39. ردیابی اشیاء در طول زمان
• 40. ردیابی اشیاء با استفاده از فیلتر کالمن
• 41. ردیابی اشیاء با استفاده از شبکه‌های عصبی
• 42. تکنیک‌های تخمین حرکت
• 43. تخمین حرکت اپتیکی
• 44. تخمین حرکت سه‌بعدی
• 45. درک ترافیک شهری
• 46. مدل‌سازی رفتار ترافیک
• 47. پیش‌بینی جریان ترافیک
• 48. تشخیص و طبقه‌بندی وسایل نقلیه
• 49. تشخیص عابر پیاده و دوچرخه‌سوار
• 50. تحلیل رفتار عابر پیاده
• 51. تشخیص و طبقه‌بندی علائم راهنمایی و رانندگی
• 52. درک صحنه در شرایط آب و هوایی مختلف
• 53. تأثیر نور و سایه بر درک صحنه
• 54. مقاومت در برابر انسداد (Occlusion)
• 55. استفاده از داده‌های چند حسگری برای افزایش دقت
• 56. ادغام داده‌های دوربین و LiDAR
• 57. کاربرد داده‌های حرارتی در درک صحنه
• 58. ارزیابی عملکرد مدل‌های درک صحنه
• 59. معیارهای ارزیابی تشخیص اشیاء
• 60. معیارهای ارزیابی سگمنتاسیون
• 61. معیارهای ارزیابی ردیابی
• 62. مجموعه داده‌های استاندارد برای ارزیابی
• 63. کاربرد درک صحنه در خودروهای خودران
• 64. سیستم‌های کمک راننده پیشرفته (ADAS)
• 65. مسیریابی و برنامه‌ریزی حرکت
• 66. تفسیر محیط برای ناوبری
• 67. شناسایی خطوط جاده و موانع
• 68. ایمنی در خودروهای خودران
• 69. تست و اعتبارسنجی سیستم‌های خودران
• 70. چالش‌های درک صحنه در محیط‌های شهری
• 71. ابهام و پیچیدگی صحنه‌های شهری
• 72. تنوع و تغییرپذیری اشیاء
• 73. محدودیت‌های محاسباتی
• 74. پردازش بلادرنگ (Real-time Processing)
• 75. نیاز به داده‌های بزرگ و متنوع
• 76. مدل‌های یادگیری عمیق برای درک صحنه
• 77. آموزش مدل‌های یادگیری عمیق
• 78. تنظیم دقیق (Fine-tuning) مدل‌های پیش‌آموزش‌داده‌شده
• 79. استفاده از تکنیک‌های Augmentation داده
• 80. تفسیرپذیری مدل‌های یادگیری عمیق
• 81. ارتباط با اخلاق و مسئولیت‌پذیری در هوش مصنوعی
• 82. کاربرد درک صحنه در شهر هوشمند
• 83. مدیریت ترافیک هوشمند
• 84. نظارت تصویری هوشمند
• 85. خدمات شهری مبتنی بر درک صحنه
• 86. اطلاع‌رسانی به شهروندان
• 87. بهبود زیرساخت‌های شهری
• 88. پژوهش‌های آینده در درک صحنه شهری
• 89. تکنیک‌های جدید در یادگیری عمیق
• 90. مدل‌های مولد برای درک صحنه
• 91. پردازش زبان طبیعی در درک صحنه
• 92. درک زمینه و هدف در صحنه
• 93. ارتباط با رباتیک و تعامل انسان و ربات
• 94. درس‌های آموخته از مجموعه داده KITTI-360
• 95. پتانسیل‌های توسعه بر اساس KITTI-360
• 96. جمع‌بندی و چشم‌انداز آینده