28 أغسطس - لقاء الذكاء الاصطناعي، والتعلم الآلي، ورؤية الحاسوب

**التاريخ والوقت** 28 أغسطس 2025 الساعة 10 صباحًا (المنطقة الزمنية الباسيفيكية) **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، سنغطي بعض الطرق الشائعة لشن الهجمات العدائية على نماذج الرؤية الحاسوبية. وتشير الهجمات العدائية إلى محاولات متعمدة لخداع الشبكات العصبية لتقديم تنبؤات خاطئة من خلال إدخال تغييرات بسيطة على بيانات الإدخال. *نبذة عن المتحدث* [إليسا تشين](https://www.linkedin.com/in/elisachenfin/) عالمة بيانات في شركة ميتا ضمن فريق البنية التحتية للذكاء الاصطناعي للإعلانات، ولديها أكثر من 5 سنوات من الخبرة في المجال. **EffiDec3D: فك ترميز مُحسَّن للتجزئة ثلاثية الأبعاد للصور الطبية بأداء عالٍ وكفاءة** أظهرت الشبكات العميقة ثلاثية الأبعاد الحديثة مثل SwinUNETR وSwinUNETRv2 و3D UX-Net أداءً واعدًا من خلال استخدام الانتباه الذاتي والتحريجات ذات النواة الكبيرة لالتقاط السياق الحجمي. ومع ذلك، فإن متطلباتها الحاسوبية الكبيرة تحد من استخدامها في البيئات التي تتطلب وقتًا فعليًا أو تكون محدودة الموارد. في هذا البحث، نقترح EffiDec3D، وهو فك ترميز ثلاثي الأبعاد مُحسَّن يعتمد على استراتيجية تقليل القنوات عبر جميع مراحل فك الترميز، ويُزيل الطبقات عالية الدقة عندما يكون تأثيرها على جودة التجزئة ضئيلًا. يحقق فك الترميز المُحسَّن EffiDec3D 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. تؤكد تجاربنا الواسعة على 12 مهمة مختلفة في التصوير الطبي أن EffiDec3D لا يقلل فقط من المتطلبات الحاسوبية بشكل كبير، بل يحافظ أيضًا على مستوى أداء يُنافس النماذج الأصلية، وبالتالي يضع معيارًا جديدًا للتجزئة الفعالة للصور الطبية ثلاثية الأبعاد. *نبذة عن المتحدث* [محمد_mostafijur_الرحمن](https://www.linkedin.com/in/mostafij-rahman/) طالب دكتوراه في السنة الأخيرة في الهندسة الكهربائية وهندسة الحاسوب في جامعة تكساس في أوستن، بإشراف الدكتور رادو ماركوليسكو، ويعمل على بناء أساليب ذكاء اصطناعي فعالة للمهام الطبية الحيوية مثل التجزئة والتركيب والتشخيص. ومن خلال دمج المعماريات الفعالة مع التدريب الفعّال على البيانات، تقدم أبحاثه حلول تصوير قوية وفعالة يمكن نشرها سريريًا. **ما الذي يجعل مجموعة بيانات القيادة الذاتية جيدة؟ دروس من خطوط المواجهة في معايرة المستشعرات وإسقاطها** إعداد بيانات المركبات الذاتية للعمل الفعلي، سواء لأغراض التدريب 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، ومواءمة أنظمة الإحداثيات، والتحقق من المعاملات الداخلية والخارجية، والتأكد من أن النقاط المنقولة تظهر فعليًا على صور الكاميرا. وفي طريقنا، سنشارك قائمة تحقق من نقاط الفشل الشائعة ونصائح قيمة تم اكتسابها من تصحيح الأخطاء. وأخيرًا، سنوضح كيف يمكن لهذا الإجراء الصحيح أن يُفعّل أدوات لاحقة مثل Omniverse Nurec وCosmos، مما يمكّن من سير عمل قوي مثل إعادة البناء الرقمي، والمحاكاة، وإنشاء بيانات اصطناعية على نطاق واسع. *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.