28 أغسطس - لقاء الذكاء الاصطناعي والتعلم الآلي والرؤية الحاسوبية

**التاريخ والوقت** 28 أغسطس 2025، الساعة 10 صباحًا بالتوقيت الباسيفيكي **المكان** افتراضي - **[سجّل حضورك عبر 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 الاعتماد المتزايد على نماذج الذكاء الاصطناعي والرؤية الحاسوبية في المجتمع، يجب أن نكون أكثر استعدادًا للهجمات العدائية من قبل الجهات الخبيثة. في هذا العرض، سنستعرض بعض الطرق الشائعة لشن الهجمات العدائية على نماذج الرؤية الحاسوبية. وتشير الهجمات العدائية إلى محاولات متعمدة لتضليل الشبكات العصبية بهدف إجبارها على إنتاج تنبؤات خاطئة من خلال إدخال تغييرات بسيطة على بيانات الإدخال. *نبذة عن المتحدث* [إليسا تشن](https://www.linkedin.com/in/elisachenfin/) عالمة بيانات في شركة ميتا ضمن فريق البنية التحتية للذكاء الاصطناعي في الإعلانات، ولديها أكثر من 5 سنوات من الخبرة في المجال. **EffiDec3D: فك ترميز مُحسّن للتجزئة ثلاثية الأبعاد للصور الطبية بأداء عالٍ وكفاءة عالية** 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 الحسابية الكبيرة تحد من استخدامها في البيئات التي تتطلب تشغيلًا فوريًا أو تكون محدودة الموارد. في هذا البحث، نقترح EffiDec3D، وهو فك ترميز ثلاثي الأبعاد مُحسّن يستخدم استراتيجية تقليل القنوات عبر جميع مراحل فك الترميز، ويُزيل الطبقات عالية الدقة عندما يكون إسهامها في جودة التجزئة ضئيلًا. يحقق فك الترميز EffiDec3D المُحسّن انخفاضًا بنسبة 96.4% في عدد المعلمات (#Params) وانخفاضًا بنسبة 93.0% في عدد العمليات الحسابية (#FLOPs) مقارنةً بفك الترميز في النموذج الأصلي 3D UX-Net. أكدت تجاربنا الواسعة على 12 مهمة تصوير طبي مختلفة أن EffiDec3D لا يقلل فقط من المتطلبات الحسابية بشكل كبير، بل يحافظ أيضًا على مستوى أداء مشابه للنماذج الأصلية، مما يُرسّخ معيارًا جديدًا للتجزئة الفعّالة 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 وهندسة الحاسوب بجامعة تكساس في أوستن، بإشراف الدكتور رادو ماركوليسكو، ويعمل على بناء طرق ذكاء اصطناعي فعّالة لمهمات التصوير الحيوي مثل التجزئة والتركيب والتشخيص. ومن خلال دمج العمليات المعمارية الفعّالة مع التدريب الفعّال للبيانات، يقدم حلول تصوير قوية وفعّالة يمكن نشرها سريريًا. **ما الذي يجعل مجموعة بيانات القيادة الذاتية جيدة؟ دروس من خطوط المواجهة في معايرة المستشعرات والإسقاط** إعداد بيانات المركبات المستقلة للاستخدام الفعلي، سواء للتدريب أو المحاكاة أو التقييم، لا يقتصر فقط على جمع إطارات الليدار والكاميرات. بل يتعلق بضمان وقوع كل نقطة في المكان الصحيح، والإطار الصحيح، والزمن الصحيح. في هذا العرض، سنوضح ما الذي يتطلبه الأمر فعليًا للانتقال من السجلات الأولية إلى مجموعة بيانات AV نظيفة وقابلة للاستخدام. سنستعرض العملية العملية للتحقق من التحويلات، ومحاذاة أنظمة الإحداثيات، والتحقق من المعايير الداخلية والخارجية، والتأكد من أن النقاط المنقولة تظهر فعليًا على صور الكاميرا. وخلال العرض، سنشارك قائمة تحقق من أبرز نقاط الفشل الشائعة ونصائح قيمة في التصحيح تم اكتسابها بالتجربة. وأخيرًا، سنوضح كيف يمكن لهذا الإعداد الدقيق تمكين أدوات لاحقة مثل Omniverse Nurec وCosmos، ما يتيح سير عمل قوية مثل إعادة البناء الرقمي، والمحاكاة، وإنشاء بيانات اصطناعية على نطاق واسع. *نبذة عن المتحدث* [دانيال غورال](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 استخلاص الإمكانات الكاملة لبياناتهم.