Telegram Web Link
اگر موبایل سری S25 سامسونگ داشته باشید از یک #هوش_مصنوعی پشتیبانی میکنه که اگه عکسی ناقص و یا پوشیده باشه و اونو براتون با کیفیتی قابل قبولتر کامل و تکمیلتر میکنه مقاله حاضر این روش رو بیشتر توضیح میده

▪️Towards Learning to Complete Anything in Lidar

پ.ن: این قابلیت برای آیفون های دارای ios 19 قابل دسترس هستش ولی کیفیتش به اندازه کیفیت سامسونگ خوب نیست

#علوم_پزشکی #مقاله #ایده_جذاب

🔸 مطالب بیشتر 👇👇

@AI_DeepMind
🔸 @AI_Person
دیجیاتو گزارش داده که chatgpt بدون vpn برلی ایران در دسترس هست من چک کردم بدون vpn اوکی بود برای شما هم در دسترس هست؟
Anonymous Poll
64%
بدون vpn تست کردم در دسترس هست!
36%
خیر با vpn در دسترس هستش!
هدف اصلی این تحقیق، توسعه مدلی است که بتواند از تصاویر چندنما بدون برچسب، موقعیت دوربین‌ها را بازیابی کرده، نمایشی از صحنه بسازد و نماهای جدیدی را سنتز کند. RayZer با استفاده از پیش‌بینی‌های خود از موقعیت دوربین‌ها، نماهای هدف را رندر می‌کند و نیازی به برچسب‌های واقعی دوربین ندارد، که امکان آموزش با نظارت دوبعدی را فراهم می‌سازد.

▪️ RayZer: A Self-supervised Large View Synthesis Model

#مقاله #ایده_جذاب

🔸 مطالب بیشتر 👇👇

@AI_DeepMind
🔸 @AI_Person
هدف اصلی این پژوهش، ارائهٔ روشی جدید برای بهینه‌سازی سیاست‌ها در #یادگیری_تقویتی است که از جریان‌های گرادیان Wasserstein بهره می‌برد. WPO تلاش می‌کند تا مزایای روش‌های گرادیان سیاست کلاسیک و گرادیان سیاست قطعی را ترکیب کند و در عین حال از محدودیت‌های آن‌ها اجتناب نماید.

▪️ Wasserstein Policy Optimization

#مقاله #ایده_جذاب

🔸 مطالب بیشتر 👇👇

@AI_DeepMind
🔸 @AI_Person
در #یادگیری_تقویتی (RL) سنتی، عامل‌ها برای یادگیری سیاست‌های موثر نیاز به تعاملات آنلاین گسترده با محیط دارند که می‌تواند پرهزینه، زمان‌بر یا حتی خطرناک باشد. این پژوهش به دنبال استفاده از داده‌های آفلاین جمع‌آوری‌شده از محیط‌های منبع با دینامیک متفاوت برای کاهش تعداد تعاملات موردنیاز در محیط هدف است.

▪️ Hybrid Transfer Reinforcement Learning: Provable Sample Efficiency from Shifted-Dynamics Data

#مقاله #ایده_جذاب

🔸 مطالب بیشتر 👇👇

@AI_DeepMind
🔸 @AI_Person
Estimate 1450 People 🚶‍♂🖤
دوستان من به تعدادی بُن کتاب برای خرید کتاب در نمایشگاه کتاب تهران نیاز دارم اگه کسی نیازش نداشت رفاقتی بُن کتابشو بده ما🚶‍♂
Forwarded from .AI _in _Healthcare. (Zeinab Habibi)
📌 آیا هوش مصنوعی می‌تواند جای یک روان‌درمانگر را بگیرد؟
💡 چند روز پیش، مقاله‌ای دیدم که به نظرم خیلی جالب بود .
نویسنده‌اش، «بایهان لین»، دانشجوی پزشکی با تجربه‌ی بالینی در روان‌پزشکی، توی این مقاله به بررسی چالش‌ها و فرصت‌هایی پرداخته که هوش مصنوعی توی درمان‌های روان‌شناختی به همراه داره.

🔑 سه نکته‌ی جالب از مقاله
1️⃣
هوش مصنوعی می‌تواند داده‌ها رو تحلیل کنه، ولی احساسات انسانی رو نمی‌تونه جایگزین کنه.
هرچقدر هم که مدل‌های هوش مصنوعی پیشرفته باشن، وقتی پای درمان‌های روان‌شناختی در میانه، چیزی که مهمه همدلی و درک احساسات بیمار توسط درمانگره. این چیزیه که هیچ‌وقت با ماشین نمی‌تونیم بدست بیاریم.
2️⃣
اعتماد، چیزی نیست که بشه با الگوریتم ساخت.
بله، ممکنه مدل‌ها بتونن کارهای پیچیده رو انجام بدن، ولی ، اعتماد و احساس امنیت از چیزهایی هستن که از دل ارتباط انسانی شکل می‌گیرن.
3️⃣
هوش مصنوعی باید به پزشکان کمک کنه، نه جایگزینشون.
هوش مصنوعی در صورت استفاده درست می‌تونه کمک کنه تا پزشکان وقت بیشتری برای ارتباط با بیماران داشته باشن و بر جنبه‌های انسانی درمان تمرکز کنن. بنابراین، نباید انتظار داشته باشیم که هوش مصنوعی جایگزین ارتباط درمانی انسان با انسان بشه.

📚 لینک مقاله :
The Machine Can't Replace the Human Heart
@Healthcaredataanalytics
Please open Telegram to view this post
VIEW IN TELEGRAM
یک مقاله جدید اومده که یک فریمورکی برای deep research معرفی کرده (یک جور AI Agent) به اسم WebThinker که به مدل‌های LLM و مدلهای reasoning این امکان را می‌دهد که به‌صورت مستقل در وب جستجو کنند، صفحات وب را به‌طور عمیق بررسی نمایند و گزارش‌های پژوهشی تهیه کنند. و یک سری مدل هم برای اینکار آموزش دادند که همه را میتونید دانلود و استفاده کنید.

🌐 WebThinker: Empowering Large Reasoning Models with Deep Research Capability
▪️ WebThinker: Empowering Large Reasoning Models with Deep Research Capability

#مقاله #ایده_جذاب #متن_باز

🔸 مطالب بیشتر 👇👇

@AI_DeepMind
🔸 @AI_Person
Forwarded from DeepMind AI Expert (Farzad)
این مقاله جدیدی که روی مدل SAM 2 برای دیتاهای پزشکی ترین شده و سوال خیلی از دوستان بوده که کاربردهای پزشکی در #هوش_مصنوعی چیه؟ این مقاله خوبی برای رفرنس هست.

◾️ Segment Anything in Medical Images and Videos: Benchmark and Deployment

◾️ SAM2 for Video Segmentation
◾️ MedSAM 2 Github
◾️ Slicer-SAM 2: 3D Slicer Plugin for Segment Anything in Images and Videos

Highlights:
1. SAM2 doesn’t always outperform SAM1 in 2D medical images, but excels in video segmentation, making it more accurate and efficient for 3D images, such as CT and MR scans.

2. MedSAM still outperforms SAM2 on most 2D modalities, but SAM2 surpasses MedSAM for 3D image segmentation in a slice-by-slice approach.

3. Segmentation performance varies with model size; sometimes the smallest model outperforms larger ones.

4. Fine-tuning SAM2 significantly boosts its performance for medical image segmentation.

پ.ن: میتونین با حداقل منابع GPU اجرا کنید. نه همه پروژه رو!

#مقاله #ایده_جذاب #پزشکی

🔸 مطالب بیشتر 👇👇

@AI_DeepMind
🔸 @AI_Person
اگه در سطح #مبتدی هستین و در جستجوی #یادگیری_ماشین #منابع تیوری هستین این منبع برای شماست

▪️ Fundamentals of Machine Learning (FunML)

🔸 مطالب بیشتر 👇👇

@AI_DeepMind
🔸 @AI_Person
هدف این تحقیق، درک بهتر تفاوت‌های معماری بین مدل‌های زبانی بزرگ و بهبود قابلیت‌های استدلالی آن‌ها از طریق معرفی لایه‌های Canon است. لایه‌های Canon، مولفه‌های معماری سبک‌وزنی هستند که جریان اطلاعات افقی بین توکن‌های مجاور را تسهیل می‌کنند. این لایه‌ها با محاسبه ترکیب‌های وزنی از نمایش‌های توکن‌های همسایه، به مدل‌ها امکان می‌دهند تا اطلاعات را به‌صورت موثرتری پردازش کنند.

▪️ Physics of Language Models: Part 4.1, Architecture Design and the Magic of Canon Layers

#مقاله

🔸 مطالب بیشتر 👇👇

@AI_DeepMind
🔸 @AI_Person
روشی نوین برای اجرای مدل‌های #ترنسفورمر مانند BERT و RoBERTa با استفاده کامل از محاسبات صحیح (integer-only) معرفی می‌کند. این رویکرد به منظور کاهش مصرف حافظه، تأخیر در استنتاج و مصرف انرژی، به ویژه در دستگاه‌های لبه‌ای و مراکز داده، طراحی شده است. مدل‌های ترنسفورمر پیشرفته، با وجود دقت بالای خود در وظایف #پردازش_زبان_طبیعی، به دلیل اندازه بزرگ و نیاز به محاسبات با دقت بالا، برای استقرار در محیط‌های با منابع محدود مناسب نیستند. روش‌های قبلی برای کوانتیزاسیون این مدل‌ها معمولاً از محاسبات شناور (floating-point) در مراحل استنتاج استفاده می‌کردند، که بهره‌برداری از واحدهای محاسباتی صحیح مانند Turing Tensor Cores یا پردازنده‌های ARM را محدود می‌کرد.
افزایش سرعت استنتاج بین ۲.۴ تا ۴ برابر در سیستم‌های مجهز به GPU T4 هنگام استفاده از کوانتیزاسیون INT8.

▪️ I-BERT: Integer-only BERT Quantization

#مقاله

🔸 مطالب بیشتر 👇👇

@AI_DeepMind
🔸 @AI_Person
آخر ای باد صبا بویی اگر می‌آری
سوی شیراز گذر کن که مرا یار آنجاست
آن‌که نشنیده‌ست هرگز بوی عشق
گو به شیراز آی و خاک ما ببوی

سعدی

روز شیراز مبارک شیرازی های عزیز ❤️
Please open Telegram to view this post
VIEW IN TELEGRAM
این سریال the last of us عجب جمله خفنی داشت....

بعضی آدم‌ها رو هیچوقت نمیشه نجات داد...
Please open Telegram to view this post
VIEW IN TELEGRAM
Media is too big
VIEW IN TELEGRAM
اگر با yolo11 کار کرده باشید Object Detection اگر فعالیت حرفه ای دارید اینجا یک چارچوب جدید برای #تشخیص_اشیا در realtimeمعرفی می‌کند که با بهبود دقت مکان‌یابی، عملکرد مدل‌های DETR را ارتقا می‌دهد. این مدل با قدرت و تشخیص بسیار زیادی که دارد از بقیه مدلهای موجود کارایی بهتری دارد.

▪️ Huggingface D-FINE: State-of-the-art real-time object detection model with Apache 2.0 licence
▪️ D-FINE: Redefine Regression Task in DETRs as Fine-grained Distribution Refinement
▪️ Fine-tuning D-Fine on a custom dataset
▪️ GitHub

#بینایی_ماشین #مقاله

🔸 مطالب بیشتر 👇👇

@AI_DeepMind
🔸 @AI_Person
2025/07/07 09:41:12
Back to Top
HTML Embed Code: