28 أغسطس - لقاء الذكاء الاصطناعي والتعلم الآلي والرؤية الحاسوبية

**التاريخ والوقت** 28 أغسطس 2025، الساعة 10 صباحًا (المنطقة الزمنية للساحل الهادئ) **المكان** افتراضي - **[سجّل الدخول 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 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 لشن هجمات عدائية على نماذج الرؤية الحاسوبية. وتُعد الهجمات العدائية محاولات متعمدة لتضليل الشبكات العصبية لتقديم تنبؤات خاطئة من خلال إجراء تعديلات بسيطة على بيانات الإدخال. *نبذة عن المتحدث* [إيليسا تشن](https://www.linkedin.com/in/elisachenfin/) عالمة بيانات في شركة ميتا ضمن فريق البنية التحتية للذكاء الاصطناعي في الإعلانات، ولديها خبرة تزيد عن 5 سنوات في المجال. **EffiDec3D: فك ترميز مُحسّن للتجزئة ثلاثية الأبعاد للصور الطبية عالية الأداء والكفاءة** أظهرت الشبكات العميقة الحديثة ثلاثية الأبعاد 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 أداءً فوريًا أو تكون محدودة بالموارد. 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 تكون مساهمتها في جودة التجزئة ضئيلة. يحقق فك الترميز EffiDec3D المُحسّن لدينا 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. وقد أكدت تجاربنا الواسعة على 12 مهمة مختلفة في التصوير الطبي أن EffiDec3D لا يقلل فقط من المتطلبات الحسابية بشكل كبير، بل ويحافظ أيضًا على مستوى أداء مماثل للنماذج الأصلية، مما يُرسّخ معيارًا جديدًا للتجزئة الفعّالة للصور الطبية ثلاثية الأبعاد. *نبذة عن المتحدث* [محمد مصطفى الرحمن](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 أساليب ذكاء اصطناعي فعّالة للمهام الطبية الحيوية مثل التجزئة والتوليد والتشخيص. ومن خلال الجمع بين المعمارية الفعّالة والتدريب الفعّال للبيانات، يقدّم حلول تصوير قوية وفعّالة يمكن نشرها سريريًا. **ما الذي يجعل مجموعة بيانات القيادة الذاتية جيدة؟ دروس من خطوط المواجهة في معايرة الحساسات وإسقاط البيانات** إعداد بيانات المركبات الذاتية للاستخدام الفعلي، سواء للتدريب أو المحاكاة أو التقييم، لا يتعلق فقط بجمع إطارات الليدار والكاميرات. بل يتعلق بالتأكد من أن كل نقطة تقع حيث ينبغي، في الإطار الصحيح، وفي الوقت المناسب. في هذا الحديث، سنوضح ما يتطلبه الأمر فعليًا للانتقال من السجلات الأولية إلى مجموعة بيانات مُعدة وقابلة للاستخدام للمركبات الذاتية. سنشرح العملية العملية للتحقق من التحويلات، ومواءمة أنظمة الإحداثيات، والتحقق من الخصائص الداخلية والخارجية، والتأكد من أن النقاط المنقولة تظهر فعليًا على صور الكاميرا. وفي طريقنا، سنشارك قائمة تحقق من أبرز نقاط الفشل الشائعة ونصائح قيمة في تصحيح الأخطاء اكتسبناها بصعوبة. وأخيرًا، سنوضح كيف يمكن لهذا الإعداد الدقيق تمكين أدوات لاحقة مثل Omniverse Nurec وCosmos، مما يسمح بسير عمل قوي مثل إعادة البناء الرقمي، والمحاكاة، وتوليد كميات كبيرة من البيانات الاصطناعية. *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 تحقيق أقصى إمكانات بياناتهم.