“görüntü analizi” için sonuçlar
52 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
İnsan benzeri öğrenme yöntemi yapay zeka görüş sistemlerini güçlendiriyor
Bilgisayar bilimciler, son yıllarda görüntü analizi ve nesne tanıma konusunda etkileyici başarılar elde eden yapay zeka sistemleri geliştirdiler. Bu sistemler fotoğrafları hızla kategorilere ayırabiliyor, nesneleri ve yüzleri tanıyabiliyor, doğru tahminler yapabiliyor. Ancak araştırmacılar şimdi daha da ileri gidiyorlar: İnsan öğrenme süreçlerinden ilham alan yeni bir yaklaşım, bilgisayarla görü modellerinin eğitim sürecini devrim niteliğinde değiştirebilir. Bu yenilikçi pipeline, geleneksel makine öğrenmesi yöntemlerinin ötesine geçerek, yapay zeka sistemlerinin daha verimli ve etkili şekilde öğrenmesini sağlıyor. İnsan beyninin görsel bilgiyi işleme biçiminden esinlenen bu yaklaşım, yapay zeka teknolojisinin gelecekteki gelişimi için önemli bir adım teşkil ediyor.
Küçük AI Modelleri Radyoloji Alanında Büyük Başarı Gösterdi
Araştırmacılar, sadece 3-4 milyar parametreye sahip küçük yapay zeka modellerinin, özel eğitim teknikleriyle radyoloji alanında büyük modeller kadar başarılı olabileceğini gösterdi. RadLite projesi kapsamında geliştirilen bu modeller, hastane bilgisayarlarında bile çalışabilecek kadar hafif olmasına rağmen, tıbbi görüntü analizi, hastalık tespiti ve rapor yazma gibi 9 farklı radyoloji görevinde yüksek performans sergiledi. Özellikle RADS sınıflandırmasında %53, doğal dil anlamada %60, N-evrelendirmede %89 oranında performans artışı elde edildi. Bu gelişme, kaynak kısıtlı sağlık kurumlarının da yapay zeka destekli radyoloji hizmetlerinden faydalanmasının önünü açıyor.
Spektral Kesme Eğrileri ile Sinyal Analizi Sorunu Çözüldü
Variational Mode Decomposition (VMD) tekniğinde karşılaşılan temel bir sorun çözülüyor. Araştırmacılar, karmaşık sinyallerdeki doğal mod sayısının otomatik olarak belirlenmesi için yeni bir matematiksel çerçeve geliştirdi. Bu yöntem, spektral kesme eğrileri kullanarak sinyal işlemede önemli bir ilerleme sağlıyor. Geleneksel yaklaşımlar deneme yanılma yöntemleriyle çalışırken, yeni sistem teorik yakınsama garantisi sunuyor. Bu gelişme, ses işlemeden görüntü analizine kadar birçok alanda uygulanabilecek potansiyele sahip.
Yapay Zeka Klasik Tabloların Fırça Darbesini Gözler Önüne Seriyor
Penn State Üniversitesi ve Loughborough Üniversitesi'nden araştırmacılar, bilgisayarlı görü teknolojisi kullanarak sanat eserlerindeki fırça darbelerini analiz eden yenilikçi bir yöntem geliştirdi. Bu interdisipliner çalışma, çıplak gözle fark edilmesi zor olan binlerce küçük fırça darbesinin yönünü ve yapısını görünür kılarak, sanatçıların eserlerini nasıl yarattığına dair yeni perspektifler sunuyor. Geliştirilen görüntü analizi tekniği, sanat tarihçilerine ve araştırmacılara klasik tabloların teknik detaylarını daha iyi anlama fırsatı veriyor.
Kuantum Algoritmaları Uydu Görüntülerinden Arazi Sınıflandırmasında Test Edildi
Araştırmacılar, çok spektralli uydu görüntülerinden arazi örtüsü sınıflandırması için varyasyonel kuantum sınıflandırıcıları (VQC) geliştirdiler. EuroSAT-MS veri seti kullanılarak yapılan kapsamlı testlerde, kuantum algoritmaları klasik yöntemlerle karşılaştırıldı. Sonuçlar, kuantum devrelerinin doğrusal okuma ile tek başına klasik algoritmaları geçemediğini, ancak aynı kuantum özellik haritası çekirdek tabanlı karar sistemleriyle birleştirildiğinde performansın önemli ölçüde arttığını gösterdi. Bu çalışma, kuantum bilgisayarlarının uydu görüntü analizi gibi pratik uygulamalardaki potansiyelini araştıran önemli bir adım.
Uydu görüntüleri için devrim: EarthSight sistemi anlık analiz sağlıyor
Araştırmacılar, uydu görüntü analizinde köklü bir değişikliğe imza attı. Geleneksel sistemlerde uydular çektikleri tüm görüntüleri Dünya'ya göndermek zorunda kalıyor ve bu durum saatlerce süren gecikmeler yaratıyordu. Özellikle afet müdahalesi, istihbarat ve altyapı izleme gibi acil durumlar için bu gecikmeler kritik sorunlar oluşturuyordu. EarthSight adlı yeni sistem, uydular arası dağıtık işlem yaparak bu sorunu çözüyor. Sistem, her uyduyu bağımsız bir bilgisayar gibi değerlendirmek yerine, uzaydaki uydu ağını koordineli şekilde çalıştırıyor. Böylece gereksiz hesaplamalar önleniyor ve enerji tasarrufu sağlanıyor. Bu yaklaşım, uydu misyonlarının kapsamını genişletirken yanıt verme hızını da artırıyor. Geliştirilen çoklu görev çıkarımı teknolojisi sayesinde tek bir analiz ile birden fazla görev yerine getirilebiliyor.
Yapay Zeka Tıbbi Görüntü Analizinde Yeni Bir Döneme Kapı Açıyor
Araştırmacılar, tıbbi görüntü segmentasyonunda devrim yaratabilecek APEX adlı yeni bir yapay zeka sistemi geliştirdi. Bu sistem, her tıbbi görüntüye özel olarak uyarlanabilen akıllı promptlar kullanarak, farklı hastane ve cihazlardan gelen görüntüleri daha başarılı şekilde analiz edebiliyor. Geleneksel yöntemler tek bir prompt ile tüm görüntüleri işlerken, APEX her görüntünün özelliklerine göre en uygun promptu seçiyor. Bu yaklaşım, özellikle tıp alanında kritik öneme sahip olan görüntü çeşitliliği sorununu çözerek, yapay zekanın farklı koşullarda daha güvenilir sonuçlar vermesini sağlıyor.
Yapay Zeka Modellerinin Tıbbi Görüntü Analiz Yeteneği Sınırlı Kaldı
Araştırmacılar, yapay zeka modellerinin gerçek klinik ortamlarda karşılaştıkları çoklu görüntü analizinde ne kadar başarılı olduklarını test etti. MedThinkVQA adlı yeni benchmark, her vakada ortalama 6,62 görüntü içeren 8.067 tıbbi durumu kapsıyor. Çalışmanın sonuçları, en gelişmiş AI modellerinin bile bu konuda zorlandığını ortaya koydu. En iyi performans gösteren Claude ve GPT modelleri %55-57 doğruluk oranına ulaşırken, açık kaynak modeller daha da geride kaldı. Bu bulgular, AI'nın tıp alanındaki uygulamalarında hâlâ önemli sınırları olduğunu gösteriyor.
Yapay zeka tıbbi görüntülerin arkasına saklanarak doktorları kandırabiliyor
Araştırmacılar, tıbbi görüntü analizi yapan yapay zeka sistemlerine karşı yeni bir saldırı yöntemi geliştirdi. MedFocusLeak adı verilen bu teknik, görüntülerin arka plan bölgelerine gözle fark edilmeyen değişiklikler yaparak yapay zekanın yanlış tanı koymasına neden oluyor. Saldırı, hastalıklı bölgelere odaklanması gereken yapay zekanın dikkatini başka yönlere çekerek, klinik açıdan makul görünen ama yanlış teşhisler üretmesini sağlıyor. Altı farklı tıbbi görüntüleme modalitesinde test edilen yöntem, mevcut güvenlik önlemlerinin yetersizliğini ortaya koyuyor ve tıbbi yapay zeka sistemlerinin güvenilirliği konusunda önemli endişeler yaratıyor.
Yapay Zeka ile Tıbbi Görüntü Tanıda Devrim: T-DuMpRa Sistemi
Araştırmacılar, tıbbi görüntü analizinde benzer hastalıkları birbirinden ayırt etme sorununu çözmek için yenilikçi bir yapay zeka sistemi geliştirdi. T-DuMpRa adı verilen bu sistem, öğretmen-rehberli çift yollu yaklaşımla çalışıyor ve prototype tabanlı hafıza bankası kullanıyor. Geleneksel sınıflandırıcıların aksine, bu sistem belirsizlik durumlarında daha güvenilir sonuçlar üretiyor. Sistem, hem ayırt edici sınıflandırma hem de çoklu prototype geri getirme yöntemlerini bir arada kullanarak eğitim ve tahmin süreçlerini iyileştiriyor. Özellikle görsel olarak belirsiz vakalarda, sistem aşırı güvenli olmak yerine belirsizlik tahminleri sunarak daha kalibre edilmiş sonuçlar elde ediyor. Bu gelişme, tıbbi teşhis alanında yapay zekanın doğruluğunu artırarak sağlık profesyonellerine daha güvenilir karar destek sistemi sunma potansiyeli taşıyor.
Yapay Zeka Tıbbi Görüntülerde Segmentasyonu Eğitim Gerektirmeden Geliştirebiliyor
Araştırmacılar, tıbbi görüntü segmentasyonunu eğitim gerektirmeden iyileştiren SegTTA adlı yeni bir framework geliştirdi. Bu sistem, farklı hastanelerdeki ekipman ve operatör farklılıklarından kaynaklanan görüntü kalitesi sorunlarını çözmek için tasarlandı. Framework, gamma düzeltme, kontrast artırma, Gaussian bulanıklaştırma ve gürültü ekleme gibi dört farklı veri artırma tekniğini birleştiriyor. Sistemi test etmek için sağlıklı rahim segmentasyonu, rahim miyomu tespiti ve karaciğer yapıları segmentasyonu gibi üç farklı dataset kullanıldı. Sonuçlar, büyük organların yoğunluk artırımından, küçük lezyonların ise gürültü artırımından faydalandığını gösterdi. Bu yaklaşım, mevcut modelleri yeniden eğitmeye gerek kalmadan tıbbi görüntü analizi performansını artırabiliyor.
BioVLM: Tıbbi Yapay Zeka Modellerinde Yeni Bir Çıkışyolu
Araştırmacılar, tıbbi görüntü ve metin analizi yapan yapay zeka modellerinin performansını artıran yeni bir yaklaşım geliştirdi. BioVLM adı verilen bu sistem, farklı tıbbi görüntüleme yöntemleri arasında daha başarılı genelleme yapabiliyor. Özellikle az sayıda örnek verinin bulunduğu durumlarda, modelin farklı tıbbi modalitelere uyum sağlamasını kolaylaştırıyor. Sistem, dinamik prompt seçimi ve güçlü dil modeli entegrasyonu kullanarak, geleneksel yöntemlere göre daha etkili sonuçlar elde ediyor. Bu gelişme, tıbbi teşhis ve görüntü analizi alanında yapay zekanın daha geniş kullanım imkanları sunabileceğini gösteriyor.
Yapay zeka cerrahi videoları anlatabilir mi? Yeni sistem doktorların yükünü hafifletebilir
Araştırmacılar, cerrahi operasyonların video kayıtlarını büyük dil modelleriyle otomatik olarak açıklayabilen LIME adlı yeni bir sistem geliştirdi. Bu teknoloji, ameliyat videolarını analiz ederek insan müdahalesi olmadan açıklayıcı metinler üretiyor. Ancak yapay zekanın ürettiği bu açıklamalar hatalı bilgiler içerebileceğinden, araştırmacılar SurgLIME adlı özel bir eğitim sistemi tasarladı. Bu sistem, hatalı açıklamaları filtreleyerek güvenilir tıbbi bilgileri korumayı amaçlıyor. Geliştirilen teknoloji, tıp eğitiminde ve cerrahi prosedürlerin dokümantasyonunda devrim yaratabilir, uzmanların manuel açıklama yapma yükünü önemli ölçüde azaltabilir.
SAM3 yapay zekası patoloji görüntülerini analiz etmede ne kadar başarılı?
Araştırmacılar, Segment Anything Model 3 (SAM3) yapay zekası sisteminin patoloji görüntülerini analiz etme yeteneğini kapsamlı olarak değerlendirdi. SAM3, metin komutlarıyla görüntülerdeki farklı yapıları otomatik olarak tespit edebilen yenilikçi bir AI modeli. Çalışmada, modelin hücre çekirdeği ve doku seviyesindeki yapıları ne kadar iyi tanımlayabildiği test edildi. Sonuçlar, SAM3'ün sadece metin komutlarıyla hücre yapılarını tanımlamakta zorlandığını, ancak görsel ipuçlarıyla birlikte kullanıldığında daha başarılı olduğunu gösterdi. Bu araştırma, AI destekli tıbbi görüntü analizinin geleceği açısından önemli bulgular sunuyor ve teknolojinin mevcut sınırlarını ortaya koyuyor.
Kuantum yapay zeka meme kanseri teşhisinde çığır açtı
Araştırmacılar, meme kanseri teşhisinde kullanılan termografik görüntü analizi için devrim niteliğinde bir yapay zeka sistemi geliştirdi. Bu yeni sistem, kuantum bilgisayarların hesaplama gücünü klasik yapay zeka ağlarıyla birleştiren hibrit bir mimari kullanıyor. Geleneksel derin öğrenme yöntemlerinin karmaşık termal paternleri sınıflandırmada yaşadığı sınırlamaları aşmak için tasarlanan sistem, kuantum devrelerini çok başlı dikkat mekanizmalarıyla harmanlıyor. 4 kübit kullanan değişkensel kuantum devreleri ve güçlü dolanıklık katmanları ile desteklenen bu yaklaşım, meme kanseri termografik verilerinde mevcut en gelişmiş yöntemlere kıyasla önemli performans artışları gösterdi. Bu çalışma, kuantum hesaplamanın tıbbi görüntüleme alanındaki potansiyelini ortaya koyarken, erken tanı imkanlarını geliştirebilecek yeni nesil hibrit teknolojilerin önünü açıyor.
Yapay Zeka Meme Kanseri Alt Tiplerini Mikroskop Görüntüsünden Tespit Ediyor
Araştırmacılar, meme kanserinin genetik alt tiplerini belirlemek için maliyetli moleküler testler yerine histopatoloji görüntülerini kullanan yenilikçi bir yapay zeka sistemi geliştirdi. PAM50 gen imzası olarak bilinen standart sınıflandırma yöntemini taklit eden bu sistem, H&E boyalı doku kesitlerinden kanser alt tiplerini tahmin edebiliyor. Çok amaçlı optimizasyon algoritması kullanan yöntem, görüntüdeki en bilgilendirici bölgeleri seçerek yüksek doğrulukta sonuçlar üretiyor. Bu gelişme, kişiselleştirilmiş kanser tedavisi için gerekli olan alt tip belirleme sürecini daha hızlı ve ekonomik hale getirebilir. Sistem ResNet18 mimarisi ve genetik algoritma kombinasyonu kullanarak görüntü analizi yapıyor.
Tıbbi Görüntü Analizinde Yapay Zeka Modellerinin Adaptasyon Sorunu
Derin öğrenme teknolojileri tıbbi görüntü analizinde devrim yaratsa da, farklı hastaneler ve hasta grupları arasındaki veri farklılıkları nedeniyle pratik uygulamada ciddi sorunlar yaşanıyor. Bir hastanede eğitilen yapay zeka modelleri, başka bir hastanede kullanıldığında performansları düşebiliyor. Araştırmacılar bu 'dağılım kayması' sorununu çözmek için yeni stratejiler geliştiriyor. Bu kapsamlı araştırma, klinikteki gerçek kısıtlamaları - sınırlı veri erişimi, gizlilik gereksinimleri ve farklı işbirliği protokolleri - dikkate alarak çözüm önerilerini sistematik olarak inceliyor. Çalışma, tıbbi yapay zeka uygulamalarının hastaneler arası kullanımının önündeki teknik ve pratik engelleri aşmaya yönelik mevcut yaklaşımları değerlendiriyor.
Yapay Zeka MS Tanısında Belirsizlik Faktörlerini Açıklayabilecek
Araştırmacılar, multipl skleroz (MS) hastalığında korteks lezyonlarının yapay zeka ile tespitinde belirsizlik kaynaklarını analiz eden yeni bir yöntem geliştirdi. Çalışma, sadece tahmin hatalarına odaklanmak yerine, klinik açıdan anlamlı faktörlerin belirsizliğe etkisini inceliyor. Bulgular, yapay zekanın tahmin belirsizliğinin büyük ölçüde lezyon boyutu, şekli ve korteks tutulumu ile ilişkili olduğunu gösteriyor. Uzman doktorların geri bildirimleri de bu sonuçları destekliyor. Güvenilir yapay zeka sistemleri, özellikle tıbbi görüntü analizi gibi kritik alanlarda hayati önem taşıyor. Bu çalışma, MS tanı ve takibinde kullanılan yapay zeka sistemlerinin daha şeffaf ve güvenilir hale getirilmesine katkı sağlayabilir.
Yapay Zeka ile Yüz Morflama Saldırılarını Tek Fotoğraftan Tespit Etme
Yüz tanıma sistemlerini aldatmak için kullanılan morflama saldırıları, pasaport güvenliğinden dijital kimlik doğrulamaya kadar birçok alanda ciddi güvenlik açıkları yaratıyor. Araştırmacılar, bu saldırıları tek bir fotoğraftan tespit edebilen yenilikçi bir yapay zeka sistemi geliştirdi. R-FLoRA adlı sistem, yüksek frekanslı görüntü analizi ile büyük ölçekli görsel transformatör teknolojisini birleştirerek, sahte yüz görüntülerindeki gizli izleri ortaya çıkarabiliyor. Bu gelişme, güvenlik sistemlerinin kandırılmasını önlemede önemli bir adım olarak değerlendiriliyor.
MARCO: Yapay Zeka Görsel Eşleştirmede Yeni Dönem Başlatıyor
Araştırmacılar, görsel öğeler arasında anlam bağlantısı kurma konusunda devrim niteliğinde bir yapay zeka modeli geliştirdi. MARCO adlı bu sistem, farklı görsellerdeki benzer nesneleri ve bölgeleri eşleştirme konusunda şimdiye kadarki en başarılı sonuçları elde etti. Mevcut sistemler milyarlarca parametre kullanmasına rağmen yeni durumlarla karşılaştıklarında yetersiz kalıyordu. MARCO ise daha az kaynak kullanarak hem hassas konum belirleme hem de anlam genellemesinde üstün performans sergiliyor. Bu gelişme, robotik, artırılmış gerçeklik ve görüntü analizi alanlarında önemli ilerlemeler sağlayabilir.
StrEBM: Sinyal ayrıştırma için yeni yapay zeka modeli geliştirildi
Araştırmacılar, karışık sinyalleri kaynaklarına ayırmak için StrEBM adlı yenilikçi bir yapay zeka modeli geliştirdi. Bu model, geleneksel yaklaşımların aksine her gizli boyuta kendi öğrenilebilir yapısal önyargılarını atayarak, daha tanımlanabilir ve ayrışmış temsiller oluşturmayı hedefliyor. Kör kaynak ayrıştırma problemi üzerinden test edilen sistem, farklı gizli bileşenlerin eğitim sırasında nasıl farklı kaynak benzeri rollere evrildiğini doğrudan inceleme imkanı sunuyor. Bu gelişme, ses işleme, görüntü analizi ve sinyal işleme gibi alanlarda önemli uygulamalara sahip olabilir.
Optik ve Radar Görüntülerini Birleştiren Yeni Yapay Zeka Modeli Geliştirildi
Araştırmacılar, optik ve sentetik açıklıklı radar (SAR) görüntülerini etkili bir şekilde birleştiren CoDe-MAE adlı yeni bir yapay zeka modeli geliştirdi. Bu model, farklı modalitelerden gelen görüntü verilerinin yüksek çözünürlükte işlenmesindeki temel zorluğu çözüyor. Optik ve radar görüntülerinin fiziksel farklılıkları, geleneksel yöntemlerde özellik kaybına veya veri kirliliğine neden oluyordu. Yeni yaklaşım, 'azla daha iyi' felsefesiyle çalışarak, maskelenmiş otokodlayıcı teknolojisini kullanıyor. Bu gelişme, uydu görüntüleme, güvenlik, çevresel izleme ve askeri uygulamalar gibi alanlarda daha doğru ve güvenilir görüntü analizi imkanı sunuyor.
URVIS 2026: Zorlu Hava Koşullarında Yapay Zeka Görüş Sistemleri Yarışması
URVIS 2026 yarışması, yapay zekanın zorlu hava koşullarında görüntü analizi yeteneklerini test eden ilk büyük ölçekli etkinlik olarak tamamlandı. Fırtına, kar ve aşırı yağış gibi ekstrem koşullarda çalışabilen görüntü segmentasyon algoritmaları üzerine düzenlenen yarışmaya 17 katılımcı kayıt yaptırdı ve toplam 47 çözüm sunuldu. MUSES veri seti kullanılarak gerçekleştirilen etkinlik, RGB kameralar, LiDAR, radar ve olay kameralarından elde edilen verileri harmanlayarak gerçek dünya koşullarını simüle etti. Yarışma sonuçları, mevcut yapay zeka sistemlerinin zorlu hava koşullarında hala önemli sınırlılıkları olduğunu gösterdi. Bu tür araştırmalar, otonom araçlar ve güvenlik sistemleri için kritik öneme sahip.
Uzaktan Algılama Görüntülerinde Yapay Zekâ Önyargısını Aşan Yeni Ödül Sistemi
Araştırmacılar, uydu görüntülerini analiz eden yapay zekâ modellerinin 'algısal atalet' adını verdikleri önemli bir sorunu tespit ettiler. Bu modeller, karmaşık uzaktan algılama görüntülerini analiz ederken hızlı sonuç elde etmek için yalnızca belirli alanları inceliyor ve kapsamlı görsel kanıt toplama yerine kısayollar kullanıyorlar. Bu durum, modellerin farklı görevlerde görsel odaklarını esnek şekilde değiştirmelerini engelliyor. Sorunun üstesinden gelmek için geliştirilen RS-HyRe-R1 hibrit ödül sistemi, yapılandırılmış görsel mantık yürütmeyi teşvik eden ve farklı uzaktan algılama görevlerinde uyarlanabilir kalite çıpaları sağlayan yenilikçi bir yaklaşım sunuyor. Bu gelişme, uydu görüntü analizi ve coğrafi bilgi sistemlerinde daha güvenilir sonuçlar elde edilmesine katkı sağlayabilir.