طراحی و آموزش شبکه‌های CNN ،UNet و FCN برای داده‌های سه‌بعدی

ر این پروژه هدف، توسعه و آموزش یک مدل یادگیری عمیق برای بازسازی الگوهای سه‌بعدی از داده‌های ورودی عددی است. فرآیند شامل مراحل تولید مجموعه‌داده مصنوعی با استفاده از الگوریتم‌های شبیه‌سازی سه‌بعدی، طراحی شبکه عصبی کاملاً‌کانولوشنی با معماری مشابه UNet/FCN، و استفاده از تکنیک‌های رمزگذاری (Encoding) و رمزگشایی (Decoding) برای استخراج ویژگی و بازسازی خروجی است. مدل باید قادر باشد اجسام یا نواحی کوچک و پراکنده را در یک حجم سه‌بعدی شناسایی و بخش‌بندی کند، حتی زمانی که داده‌ها شامل نویز یا اشیاء با اندازه و شکل متفاوت باشند. در این پروژه از توابع زیان مخصوص داده‌های نامتوازن مانند Dice Loss استفاده خواهد شد و آموزش روی مجموعه‌داده‌های متنوع انجام می‌گیرد. خروجی نهایی باید یک مدل آموزش‌دیده با قابلیت پیش‌بینی سریع، مستندات کامل، و کد قابل اجرا باشد. توانایی‌های لازم برای اجرای کار تسلط کامل بر برنامه‌نویسی Python و یکی از کتابخانه‌های یادگیری عمیق (PyTorch یا TensorFlow). تجربه عملی در پیاده‌سازی معماری‌های CNN، UNet، FCN برای بخش‌بندی یا بازسازی داده‌های سه‌بعدی. آشنایی با طراحی و اعمال توابع زیان سفارشی (مانند Dice Loss) برای داده‌های نامتوازن. توانایی کار با آرایه‌های چندبعدی و داده‌های حجیم در NumPy و Pandas. تجربه در آماده‌سازی و پردازش مجموعه‌داده آموزشی و آزمایشی، شامل تولید داده مصنوعی و ایجاد تنوع در هندسه و ویژگی‌ها. مهارت در پیاده‌سازی بهینه‌سازی با الگوریتم‌هایی مانند Adam، مدیریت نرخ یادگیری و جلوگیری از overfitting با Dropout. توانایی ارزیابی مدل‌ با معیارهایی مانند خطای نسبی (Relative L2 Norm) و ضریب تعیین (R²) و تحلیل نتایج. مستندسازی دقیق کد، ساختار شبکه و روند آموزش به‌صورت قابل‌فهم برای مخاطب فنی. قابلیت کار با GPU و مدیریت پروژه‌های بزرگ‌مقیاس با بخش‌بندی داده‌ها و ترکیب خروجی‌ها.