28 أغسطس - لقاء حول الذكاء الاصطناعي والتعلم الآلي والرؤية الحاسوبية

**التاريخ والوقت** 28 أغسطس 2025 الساعة 10 صباحًا بالتوقيت الباسيفيكي **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، ينبغي أن نكون أكثر استعدادًا للهجمات العدائية من قبل الجهات الخبيثة. في هذا الحديث، سنغطي بعض الطرق الشائعة لشن هجمات عدائية على نماذج الرؤية الحاسوبية. إن الهجمات العدائية هي محاولات متعمدة لتضليل الشبكات العصبية لتقديم تنبؤات خاطئة من خلال إدخال تغييرات طفيفة على بيانات الإدخال. *نبذة عن المتحدث* [إيليسا تشين](https://www.linkedin.com/in/elisachenfin/) عالمة بيانات في شركة ميتا ضمن فريق البنية التحتية للذكاء الاصطناعي للإعلانات، ولديها خبرة تزيد عن 5 سنوات في المجال. **EffiDec3D: فكتر مُحسَّن 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 والتحريجات ذات النواة الكبيرة لالتقاط السياق الحجمي. ومع ذلك، فإن متطلباتها الحسابية الكبيرة تحد من استخدامها في البيئات التي تتطلب الوقت الفعلي أو التي تكون فيها الموارد محدودة. في هذه الورقة، نقترح EffiDec3D، وهو فكتر ثلاثي الأبعاد مُحسَّن يعتمد استراتيجية تقليل القنوات عبر جميع مراحل الفكتر، ويزيل الطبقات عالية الدقة عندما يكون تأثيرها على جودة التجزئة ضئيلًا. يحقق فكترنا المُحسَّن EffiDec3D انخفاضًا بنسبة 96.4% في عدد المعلمات (#Params) وانخفاضًا بنسبة 93.0% في عدد العمليات الحسابية (#FLOPs) مقارنةً بفكتر نموذج 3D UX-Net الأصلي. وقد 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 مماثل 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 وعلوم الحاسوب في جامعة تكساس في أوستن، بإشراف الدكتور رادو ماركوليسكو، ويعمل على بناء أساليب ذكاء اصطناعي فعّالة للمهام الطبية الحيوية مثل التجزئة والتوليد والتشخيص. ومن خلال دمج المعماريات الفعّالة مع التدريب القائم على الكفاءة في استخدام البيانات، تُقدّم أبحاثه حلول تصوير قوية وفعّالة قابلة للنشر السريري. **ما الذي يجعل مجموعة بيانات القيادة الذاتية جيدة؟ دروس من خطوط المواجهة في معايرة الحساسات وإسقاطها** إن إعداد بيانات المركبات الذاتية للتطبيق العملي، 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 الحديث، 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. وخلال ذلك، سنشارك قائمة تحقق من نقاط الفشل الشائعة ونصائح قيمة اكتسبناها من عملية التصحيح. 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 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 استغلال الإمكانات الكاملة لبياناتهم.