اپلیکیشن اندرویدی فلش‌کارت آموزشی تشخیص ناهنجاری در تصاویر ابرطیفی با یادگیری دیکشنری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تشخیص ناهنجاری در تصاویر ابرطیفی با یادگیری دیکشنری

موضوع کلی: هوش مصنوعی و پردازش تصاویر

موضوع میانی: پردازش تصاویر ابرطیفی و تشخیص ناهنجاری

📋 سرفصل‌های دوره

• 1. مبانی تصاویر ابرطیفی و ساختار داده‌های طیفی
• 2. مکعب داده ابرطیفی و نمایش پیکسل‌های طیفی
• 3. ویژگی‌های طیفی و مکانی در تصاویر ابرطیفی
• 4. چالش‌های تشخیص ناهنجاری در تصاویر ابرطیفی
• 5. تعریف ناهنجاری و تفاوت آن با اهداف معمولی
• 6. مدل‌سازی پس‌زمینه و اهداف نادر در تصاویر ابرطیفی
• 7. روش‌های آماری پایه برای تشخیص ناهنجاری
• 8. معیارهای فاصله و شباهت طیفی
• 9. مقدمه‌ای بر یادگیری دیکشنری
• 10. دیکشنری، اتم‌ها و کدهای تنک
• 11. مدل بازسازی تنک و نمایش داده
• 12. فرمول‌بندی مسئله یادگیری دیکشنری
• 13. مقایسه یادگیری دیکشنری با PCA و روش‌های زیرفضایی
• 14. مبانی Sparse Coding در داده‌های ابرطیفی
• 15. بهینه‌سازی کدهای تنک با L1 و روش‌های مشابه
• 16. یادگیری دیکشنری با روش K-SVD
• 17. یادگیری آنلاین دیکشنری برای داده‌های بزرگ
• 18. انتخاب اندازه مناسب دیکشنری
• 19. ساخت دیکشنری پس‌زمینه از داده‌های ابرطیفی
• 20. نمایش پیکسل‌های عادی با دیکشنری پس‌زمینه
• 21. مدل‌سازی ناهنجاری با اتم‌های دیکشنری
• 22. تفکیک مؤلفه‌های پس‌زمینه و ناهنجاری
• 23. معیار خطای بازسازی برای تشخیص ناهنجاری
• 24. Residual-Based Anomaly Detection
• 25. استفاده از Sparse Reconstruction Error برای امتیازدهی ناهنجاری
• 26. مدل‌های کم‌رتبه و تنک در تشخیص ناهنجاری
• 27. یادگیری دیکشنری تفکیک‌پذیر برای پس‌زمینه و ناهنجاری
• 28. دیکشنری‌های ساختاریافته برای داده‌های ابرطیفی
• 29. ادغام اطلاعات مکانی و طیفی در یادگیری دیکشنری
• 30. همسایگی فضایی و پچ‌های ابرطیفی
• 31. یادگیری دیکشنری مبتنی بر پچ‌های مکانی ـ طیفی
• 32. کاهش اثر نویز در فرآیند یادگیری دیکشنری
• 33. مقابله با داده‌های پرت هنگام آموزش دیکشنری
• 34. تنظیم پارامترهای Sparse Coding
• 35. تنظیم پارامترهای یادگیری دیکشنری
• 36. انتخاب آستانه برای تشخیص ناهنجاری
• 37. ساخت نقشه ناهنجاری از امتیازهای پیکسل‌ها
• 38. نرمال‌سازی و کالیبراسیون نقشه ناهنجاری
• 39. مقایسه روش‌های دیکشنری‌محور با RX و نسخه‌های آن
• 40. ترکیب RX با نمایش تنک
• 41. مقایسه روش‌های کم‌رتبه، تنک و دیکشنری‌محور
• 42. تشخیص ناهنجاری بدون نمونه آموزشی برچسب‌دار
• 43. تشخیص ناهنجاری با دیکشنری یادگرفته‌شده از تصویر
• 44. یادگیری دیکشنری تطبیقی برای تصاویر متنوع
• 45. به‌روزرسانی دیکشنری در محیط‌های غیرایستا
• 46. مقابله با تغییرات طیفی پس‌زمینه
• 47. مقابله با تغییرات روشنایی و شرایط تصویربرداری
• 48. کاهش پیچیدگی محاسباتی الگوریتم‌های دیکشنری
• 49. پیاده‌سازی الگوریتم‌های Sparse Coding با Python
• 50. پیاده‌سازی یادگیری دیکشنری با NumPy و Scikit-learn
• 51. پیش‌پردازش و آماده‌سازی داده‌های ابرطیفی
• 52. مدیریت ابعاد بالای داده‌های ابرطیفی
• 53. انتخاب باند و کاهش ابعاد پیش از یادگیری دیکشنری
• 54. پیاده‌سازی خط لوله کامل تشخیص ناهنجاری
• 55. ارزیابی عملکرد با ROC و AUC
• 56. معیارهای Detection Probability و False Alarm Rate
• 57. ارزیابی Precision، Recall و F1 در تشخیص ناهنجاری
• 58. تحلیل اثر عدم توازن شدید کلاس‌ها
• 59. انتخاب مجموعه‌داده‌های استاندارد ابرطیفی
• 60. طراحی آزمایش برای مقایسه الگوریتم‌ها
• 61. تحلیل حساسیت نسبت به پارامترهای مدل
• 62. تحلیل حساسیت نسبت به اندازه دیکشنری
• 63. تحلیل حساسیت نسبت به میزان تنکی
• 64. تحلیل حساسیت نسبت به نویز و کیفیت داده
• 65. تحلیل خطا و بررسی موارد مثبت و منفی کاذب
• 66. ترکیب چند دیکشنری برای نمایش چندگانه پس‌زمینه
• 67. یادگیری دیکشنری غیرمنفی برای داده‌های طیفی
• 68. مدل‌های Robust Dictionary Learning
• 69. یادگیری دیکشنری با قیود ساختاری
• 70. روش‌های مبتنی بر Dictionary Pair
• 71. یادگیری دیکشنری عمیق و ارتباط آن با روش‌های کلاسیک
• 72. ارتباط Dictionary Learning با Autoencoderها
• 73. استفاده از مدل‌های یادگیری عمیق برای بهبود تشخیص ناهنجاری
• 74. ترکیب یادگیری دیکشنری با روش‌های یادگیری نیمه‌نظارتی
• 75. طراحی یک سامانه عملی تشخیص ناهنجاری ابرطیفی
• 76. بهینه‌سازی نهایی مدل برای داده‌های واقعی