28 أغسطس - لقاء الذكاء الاصطناعي والتعلم الآلي والرؤية الحاسوبية

**التاريخ والوقت** 28 أغسطس 2025 الساعة 10 صباحًا بالتوقيت الهادئ **الموقع** افتراضي - **[سجّل الدخول إلى Zoom](https://voxel51.com/events/ai-ml-and-computer-vision-meetup-aug-28-2025)** **استغلال الثغرات في نماذج الرؤية الحاسوبية من خلال الهجمات العدائية** مع استخدام نماذج الذكاء الاصطناعي والرؤية الحاسوبية على نطاق أوسع في المجتمع، يجب أن نكون أكثر استعدادًا للهجمات العدائية من قبل الجهات الخبيثة. في هذا الحديث، سنغطي بعض الطرق الشائعة لتنفيذ هجمات عدائية على نماذج الرؤية الحاسوبية. وتُعد الهجمات العدائية محاولات متعمدة لخداع الشبكات العصبية لتقديم تنبؤات خاطئة من خلال إدخال تغييرات طفيفة على بيانات الإدخال. *نبذة عن المتحدث* [إليسا تشين](https://www.linkedin.com/in/elisachenfin/) عالمة بيانات في شركة ميتا ضمن فريق بنية إعلانات الذكاء الاصطناعي، ولديها أكثر من 5 سنوات من الخبرة في المجال. **EffiDec3D: فك ترميز مُحسّن للتجزئة ثلاثية الأبعاد للصور الطبية عالية الأداء والكفاءة** أظهرت الشبكات العميقة ثلاثية الأبعاد الحديثة مثل SwinUNETR وSwinUNETRv2 و3D UX-Net أداءً واعدًا من خلال الاستفادة من الانتباه الذاتي والتلافيف ذات النواة الكبيرة لالتقاط السياق الحجمي. ومع ذلك، فإن متطلباتها الحاسوبية الكبيرة تحد من استخدامها في البيئات التي تتطلب أداءً فوريًا أو تكون محدودة الموارد. في هذا البحث، نقترح EffiDec3D، وهو فك ترميز ثلاثي الأبعاد مُحسّن يعتمد على استراتيجية تقليل القنوات عبر جميع مراحل فك الترميز، ويُزيل الطبقات عالية الدقة عندما يكون تأثيرها على جودة التجزئة ضئيلًا. يحقق فك الترميز EffiDec3D المُحسّن تقليلًا بنسبة 96.4٪ في عدد المعلمات (#Params) و93.0٪ في عدد العمليات الحسابية (#FLOPs) مقارنةً بفك الترميز في النموذج الأصلي 3D UX-Net. وقد أكدت تجاربنا الواسعة على 12 مهمة مختلفة في مجال التصوير الطبي أن EffiDec3D لا يقلل فقط من المتطلبات الحاسوبية بشكل كبير، بل ويحافظ أيضًا على مستوى أداء مماثل للنماذج الأصلية، مما يضع معيارًا جديدًا للتجزئة الفعالة للصور الطبية ثلاثية الأبعاد. *نبذة عن المتحدث* [محمد_mostafijur_رحمن](https://www.linkedin.com/in/mostafij-rahman/) مرشح دكتوراه في السنة الأخيرة في الهندسة الكهربائية وعلوم الحاسوب في جامعة تكساس في أوستن، بإشراف الدكتور رادو ماركوليسكو، ويعمل على بناء أساليب ذكاء اصطناعي فعالة لمهمات التصوير الحيوي مثل التجزئة والتوليد والتشخيص. ومن خلال دمج المعماريات الفعالة مع التدريب الفعّال للبيانات، يقدّم حلول تصوير قوية وفعالة يمكن نشرها سريريًا. **ما الذي يجعل مجموعة بيانات القيادة الذاتية جيدة؟ دروس من خطوط المواجهة في معايرة المستشعرات والإسقاط** إن إعداد بيانات المركبات الذاتية للإستخدام الفعلي، سواء للتدريب أو المحاكاة أو التقييم، لا يقتصر فقط على جمع إطارات الليدار والكاميرا. بل يتعلق بضمان وقوع كل نقطة في المكان الصحيح، والإطار الصحيح، والزمن الصحيح. في هذا الحديث، سنوضح ما يتطلبه الأمر فعليًا للانتقال من السجلات الأولية إلى مجموعة بيانات AV نظيفة وقابلة للاستخدام. وسنستعرض العملية العملية للتحقق من التحويلات، ومواءمة أنظمة الإحداثيات، والتحقق من المعاملات الداخلية والخارجية، والتأكد من أن نقاط الإسقاط تظهر فعليًا على صور الكاميرا. وخلال ذلك، سنشارك قائمة تحقق من أبرز نقاط الفشل الشائعة ونصائح قيمة في التصحيح تم اكتسابها من خلال التجربة. وأخيرًا، سنوضح كيف يمكن لهذا الإعداد الدقيق تمكين أدوات لاحقة مثل Omniverse Nurec وCosmos، مما يتيح سير عمل قوية مثل إعادة البناء الرقمي، والمحاكاة، وتوليد كميات كبيرة من البيانات الاصطناعية. *نبذة عن المتحدث* [دانيال جورال](https://www.linkedin.com/in/daniel-gural/) مهندس تعلم آلي ذو خبرة في شركة Voxel51، ويمتلك شغفًا قويًا بتمكين علماء البيانات ومهندسي التعلم الآلي من تحقيق أقصى إمكانات بياناتهم.