Glossaryالمصطلحات

The intermediate outputs each layer produces for one input; during inference they must be held in memory alongside the weights, and during training they are also stored for the backward pass.المخرجات الوسيطة التي تنتجها كل طبقة لمُدخل واحد؛ وأثناء الاستدلال يجب الاحتفاظ بها في الذاكرة مع الأوزان، وأثناء التدريب تُخزَّن أيضًا لأجل التمرير العكسي (backward pass).

• Slide 11الشريحة 11

The study of attacks that manipulate a model's inputs or training to make it fail, and of defenses that make models robust to them.دراسة الهجمات التي تتلاعب بمدخلات النموذج أو بتدريبه لتجعله يخطئ، ودراسة الدفاعات التي تجعل النماذج متينة (robust) أمام هذه الهجمات.

• Slide 2الشريحة 2

Using cameras and vision models to find defects, such as cracks or missing parts on rail car undercarriages, without manual inspection.استخدام الكاميرات ونماذج الرؤية لاكتشاف العيوب، مثل الشقوق أو القطع المفقودة في الأجزاء السفلية لعربات القطار، دون فحص يدوي.

• Slide 3الشريحة 3
• Slide 8الشريحة 8

The number of bits used to store one weight or activation; weight size in bytes is parameter count times bit width divided by eight.عدد البتات المستخدمة لتخزين وزن واحد أو تنشيط واحد؛ وحجم الأوزان بالبايت يساوي عدد المعاملات مضروبًا في عرض البت (bit width) ومقسومًا على ثمانية.

• Slide 11الشريحة 11

KFUPM's learning management system, where the COE 592 syllabus is posted.نظام إدارة التعلم في جامعة الملك فهد للبترول والمعادن (KFUPM)، حيث نُشرت الخطة الدراسية (syllabus) لمقرر COE 592.

• Slide 12الشريحة 12

The number a detector attaches to each box, such as UAV 0.93, expressing how certain it is of the class; boxes below a chosen threshold are discarded.الرقم الذي يرفقه الكاشف بكل مربع، مثل UAV 0.93، ويعبّر عن مدى تأكده من الفئة؛ وتُحذف المربعات التي تقل عن عتبة مختارة.

• Slide 5الشريحة 5

The cut-off below which a detector discards its boxes; raising it removes low-confidence false positives but also drops correct boxes that scored low.الحد الذي يحذف الكاشف مربعاته تحته؛ رفعه يزيل الإيجابيات الكاذبة (false positives) منخفضة الثقة، لكنه يُسقط أيضًا مربعات صحيحة حصلت على درجة منخفضة.

• Slide 5الشريحة 5

A neural network that learns filters applied across its input by convolution, widely used for images and adapted in PNet-IDS to network traffic features.شبكة عصبية تتعلم مرشحات (filters) تُطبَّق على مدخلاتها بعملية الالتفاف (convolution)، تُستخدم كثيرًا للصور، وكُيّفت في PNet-IDS للعمل على خصائص حركة الشبكة.

• Slide 6الشريحة 6

Implementing a model on the target hardware and software stack so it runs in the real application.تنفيذ النموذج على العتاد ومجموعة البرمجيات المستهدفة ليعمل في التطبيق الحقيقي.

• Slide 11الشريحة 11

A change between the data a model was trained on and the data it meets in deployment, such as rain-degraded images or unseen network traffic; also called domain shift.تغيّر بين البيانات التي تدرب عليها النموذج والبيانات التي يواجهها عند النشر، مثل الصور المتدهورة بسبب المطر أو حركة شبكة لم يرها من قبل؛ ويُسمى أيضًا domain shift.

• Slide 5الشريحة 5
• Slide 6الشريحة 6

A lightweight, computationally and energy-efficient weed detection model proposed for low-carbon consumer electronics in precision agriculture.نموذج خفيف وفعّال حسابيًا وفي استهلاك الطاقة لكشف الحشائش الضارة، مقترح للإلكترونيات الاستهلاكية منخفضة الكربون في الزراعة الدقيقة (precision agriculture).

• Slide 4الشريحة 4

Running machine learning inference on or near the device that captures the data, instead of sending the data to a distant cloud server.تشغيل الاستدلال (inference) لنماذج تعلم الآلة على الجهاز الذي يلتقط البيانات أو بالقرب منه، بدلًا من إرسال البيانات إلى خادم سحابي بعيد.

• Slide 2الشريحة 2
• Slide 4الشريحة 4

Measures of the cost of deep learning computing, such as model size, memory, compute, latency, throughput and energy, used alongside accuracy.مقاييس تكلفة الحوسبة في التعلم العميق، مثل حجم النموذج والذاكرة والحوسبة وزمن الاستجابة (latency) والإنتاجية (throughput) والطاقة، وتُستخدم إلى جانب الدقة.

• Slide 11الشريحة 11

A computer built into a larger device to perform a dedicated function under tight limits on memory, compute, power and cost, such as the processor on a drone, robot or IoT sensor.حاسوب مدمج داخل جهاز أكبر لأداء وظيفة محددة ضمن قيود صارمة على الذاكرة والحوسبة والطاقة والتكلفة، مثل المعالج داخل طائرة مسيّرة أو روبوت أو حساس IoT.

• Slide 1الشريحة 1

A detection of something that is not there or is the wrong class, such as YOLOv5-m labelling a bird as a UAV with confidence 0.29.كشف لشيء غير موجود أو بفئة خاطئة، مثل تصنيف YOLOv5-m لطائر على أنه UAV بثقة 0.29.

• Slide 5الشريحة 5

The non-volatile storage on a microcontroller that holds program code and, in a deployed model, the weights; its size caps the model size that can be stored.وحدة التخزين غير المتطايرة (non-volatile) في المتحكم الدقيق، تحفظ شيفرة البرنامج والأوزان في النموذج المنشور؛ وحجمها يحدد أقصى حجم للنموذج يمكن تخزينه.

• Slide 11الشريحة 11

Floating point operations needed for one inference, a hardware-independent measure of compute cost; a GFLOP is a billion of them.عدد العمليات الحسابية العائمة (floating point operations) اللازمة لاستدلال واحد، وهو مقياس لتكلفة الحوسبة لا يعتمد على العتاد؛ والـ GFLOP يساوي مليار عملية.

• Slide 4الشريحة 4
• Slide 6الشريحة 6
• Slide 11الشريحة 11

A gradient-based visualization that produces a heatmap of the image regions that most influenced a network's prediction.أسلوب تصوير مبني على التدرجات (gradients) ينتج خريطة حرارية (heatmap) لمناطق الصورة الأكثر تأثيرًا في تنبؤ الشبكة.

• Slide 4الشريحة 4

Running a trained neural network on new inputs to produce predictions.تشغيل شبكة عصبية مدرَّبة على مدخلات جديدة لإنتاج التنبؤات.

• Slide 11الشريحة 11

Applying sensing, communication and analytics to road and rail transport to improve safety and efficiency, for example detecting conflicts between turning vehicles and pedestrians.تطبيق الاستشعار والاتصالات والتحليلات على النقل البري والسككي لتحسين السلامة والكفاءة، مثل اكتشاف التعارض بين المركبات المنعطفة والمشاة.

• Slide 2الشريحة 2
• Slide 7الشريحة 7

Networks of connected physical devices and sensors that exchange data, typically with limited compute and energy.شبكات من الأجهزة المادية والحساسات المتصلة التي تتبادل البيانات، وتكون عادةً محدودة القدرة الحسابية والطاقة.

• Slide 2الشريحة 2
• Slide 6الشريحة 6

A system that monitors network traffic or host activity and flags malicious behaviour or attacks.نظام يراقب حركة الشبكة أو نشاط الجهاز المضيف (host) ويُنبّه إلى السلوك الخبيث أو الهجمات.

• Slide 6الشريحة 6

Training a small student network to reproduce the outputs of a larger teacher network, so the student keeps most of the teacher's accuracy at a fraction of its size; PNet-IDS uses it to hold up under distribution shift.تدريب شبكة طالب (student) صغيرة لتحاكي مخرجات شبكة معلّم (teacher) أكبر، فيحتفظ الطالب بمعظم دقة المعلّم بجزء صغير من حجمه؛ ويستخدمها PNet-IDS ليصمد أمام تغيّر التوزيع (distribution shift).

• Slide 6الشريحة 6

The time from one input reaching a model to its output being ready; for a moving vehicle or a passing wagon the scene changes while it elapses, so it is a safety budget as well as a performance metric.الزمن من وصول مُدخل واحد إلى النموذج حتى يصبح مُخرجه جاهزًا؛ وبما أن المشهد يتغير خلال هذا الزمن مع مركبة متحركة أو عربة مارّة، فهو ميزانية سلامة إضافة إلى كونه مقياس أداء.

• Slide 7الشريحة 7
• Slide 8الشريحة 8
• Slide 11الشريحة 11

The intersection safety pattern in which a vehicle turning left across oncoming traffic enters a crosswalk a pedestrian is already using, drawn on slide 7 as a red vehicle arrow crossing a blue pedestrian arrow.نمط خطر في التقاطعات تدخل فيه مركبة منعطفة يسارًا عبر حركة المرور المقابلة إلى ممر مشاة يستخدمه أحد المشاة بالفعل، ويظهر في الشريحة 7 كسهم مركبة أحمر يتقاطع مع سهم مشاة أزرق.

• Slide 7الشريحة 7

Light detection and ranging: a sensor that measures distance with laser pulses and produces a 3D point cloud of the scene.كشف الضوء وتحديد المدى (Light detection and ranging): حساس يقيس المسافة بنبضات الليزر وينتج سحابة نقاط (point cloud) ثلاثية الأبعاد للمشهد.

• Slide 3الشريحة 3

A neural network designed with few parameters and low compute so it can run on constrained hardware with acceptable accuracy.شبكة عصبية مصممة بعدد قليل من المعاملات (parameters) وحوسبة منخفضة لتعمل على عتاد محدود بدقة مقبولة.

• Slide 4الشريحة 4
• Slide 6الشريحة 6

The full data rate of a network link; a detector runs at line rate when it decides on every packet or flow as fast as the link delivers them, without falling behind.معدل البيانات الكامل لوصلة الشبكة؛ يعمل الكاشف بـ line rate عندما يتخذ قراره في كل حزمة (packet) أو تدفق (flow) بنفس سرعة وصولها عبر الوصلة دون أن يتأخر.

• Slide 6الشريحة 6

Mean average precision: the standard object detection accuracy score, averaging precision over recall levels and classes; mAP@0.5 counts a box correct at 50% overlap with the truth, and mAP50-95 averages over overlap thresholds from 50% to 95%.متوسط الدقة المتوسطة (Mean average precision): المقياس المعياري لدقة كشف الأجسام، ويحسب متوسط الـ precision عبر مستويات الـ recall وعبر الفئات؛ في mAP@0.5 يُعد المربع صحيحًا إذا تداخل بنسبة 50% مع الحقيقة، أما mAP50-95 فيأخذ المتوسط على عتبات تداخل من 50% إلى 95%.

• Slide 4الشريحة 4
• Slide 5الشريحة 5

A single chip that combines a small processor, flash memory and SRAM for a dedicated task, typically with kilobytes to a few megabytes of memory and no operating system; the smallest deployment target in the course.شريحة واحدة تجمع معالجًا صغيرًا وذاكرة flash وذاكرة SRAM لمهمة محددة، عادةً بذاكرة من كيلوبايتات إلى بضعة ميغابايتات ودون نظام تشغيل؛ وهو أصغر هدف للنشر في المقرر.

• Slide 11الشريحة 11

Techniques that shrink a trained model's size and compute, such as pruning and quantization, so it can be deployed on constrained devices.تقنيات تقلّص حجم النموذج المدرَّب وحوسبته، مثل التقليم (pruning) والتكميم (quantization)، ليمكن نشره على أجهزة محدودة الموارد.

• Slide 11الشريحة 11

A vehicle or UAV carrying several sensors, such as visual and thermal cameras, LiDAR and GPS, whose data are combined for inspection.مركبة أو طائرة مسيّرة (UAV) تحمل عدة حساسات، مثل الكاميرات المرئية والحرارية وLiDAR وGPS، وتُدمج بياناتها معًا لأغراض الفحص.

• Slide 3الشريحة 3

Automatically searching over network designs, such as depth, width and layer types, to find architectures that meet an accuracy target within a hardware budget.البحث الآلي في تصاميم الشبكات، مثل العمق والعرض وأنواع الطبقات، لإيجاد معماريات تحقق هدف دقة معين ضمن ميزانية العتاد.

• Slide 11الشريحة 11

The task of locating objects in an image with bounding boxes and assigning each box a class label and a confidence score.مهمة تحديد مواقع الأجسام في الصورة بمربعات محيطة (bounding boxes)، وإعطاء كل مربع تسمية فئة (class label) ودرجة ثقة (confidence score).

• Slide 4الشريحة 4
• Slide 5الشريحة 5

The balance between the benefits of an optimization technique, such as smaller size or lower latency, and its costs, such as lost accuracy or extra engineering.الموازنة بين فوائد تقنية التحسين، مثل الحجم الأصغر أو زمن الاستجابة الأقل، وتكاليفها، مثل فقدان الدقة أو الجهد الهندسي الإضافي.

• Slide 11الشريحة 11

A top-down image of an area assembled from many overlapping aerial photographs, each corrected for perspective and placed by its GPS position, such as the track corridor strips on slide 3.صورة علوية لمنطقة مُجمَّعة من صور جوية كثيرة متداخلة، صُحِّح منظور كل منها ووُضعت حسب موقعها في GPS، مثل شرائط ممر السكة في الشريحة 3.

• Slide 3الشريحة 3

The number of learnable weights and biases in a model, usually quoted in millions; it sets the memory needed to store the model, such as 2.6M for YOLO11n.عدد الأوزان والانحيازات (weights and biases) القابلة للتعلم في النموذج، ويُذكر عادةً بالملايين؛ وهو يحدد الذاكرة اللازمة لتخزين النموذج، مثل 2.6M في YOLO11n.

• Slide 4الشريحة 4
• Slide 6الشريحة 6
• Slide 11الشريحة 11

A lightweight and generalizable convolutional neural network for intrusion detection in the Internet of Things, published in IEEE Access in 2025.شبكة عصبية التفافية (CNN) خفيفة وقابلة للتعميم لكشف التسلل في إنترنت الأشياء (IoT)، نُشرت في IEEE Access عام 2025.

• Slide 6الشريحة 6

A set of 3D points sampled from surfaces in a scene, produced by LiDAR or photogrammetry and often coloured by elevation.مجموعة من النقاط ثلاثية الأبعاد مأخوذة من أسطح المشهد، ينتجها LiDAR أو التصوير المساحي (photogrammetry)، وغالبًا تُلوَّن حسب الارتفاع.

• Slide 3الشريحة 3

The form students fill in at the start of the course so the instructor learns their background, skills and expectations.الاستبيان الذي يملؤه الطلاب في بداية المقرر ليتعرف المحاضر على خلفياتهم ومهاراتهم وتوقعاتهم.

• Slide 10الشريحة 10

The fraction of a detector's reported boxes that are correct: true positives divided by true positives plus false positives.نسبة المربعات الصحيحة من بين كل المربعات التي يعلنها الكاشف: الإيجابيات الصحيحة (TP) مقسومة على مجموع الإيجابيات الصحيحة والإيجابيات الكاذبة (TP + FP).

• Slide 5الشريحة 5

Farming that uses sensors, robots and data analysis to act on individual plants or small areas, for example automated weed detection.زراعة تستخدم الحساسات والروبوتات وتحليل البيانات للتعامل مع كل نبتة أو مساحة صغيرة على حدة، مثل الكشف الآلي عن الحشائش الضارة.

• Slide 4الشريحة 4

Removing weights, connections or whole channels that contribute little to a network's output, then usually retraining, so the model has fewer parameters and operations.إزالة الأوزان أو الاتصالات أو القنوات (channels) الكاملة التي تساهم قليلًا في مخرجات الشبكة، ثم إعادة التدريب عادةً، فيصبح للنموذج معاملات وعمليات أقل.

• Slide 11الشريحة 11

Storing and computing a network's weights and activations in fewer bits, for example 8-bit integers instead of 32-bit floats, which divides model size and speeds up arithmetic at some accuracy cost.تخزين أوزان الشبكة وتنشيطاتها (activations) والحساب بها بعدد أقل من البتات، مثل أعداد صحيحة 8-bit بدلًا من أعداد عائمة 32-bit، مما يقسم حجم النموذج ويسرّع العمليات الحسابية مقابل بعض الخسارة في الدقة.

• Slide 11الشريحة 11

The fraction of the real objects a detector finds: true positives divided by true positives plus false negatives.نسبة الأجسام الحقيقية التي يجدها الكاشف: الإيجابيات الصحيحة (TP) مقسومة على مجموع الإيجابيات الصحيحة والسلبيات الكاذبة (TP + FN).

• Slide 5الشريحة 5

Hardware whose memory, storage, compute and energy budget are small enough that a deep learning model must be optimized before it can run on it.عتاد تكون ذاكرته وسعته التخزينية وقدرته الحسابية وميزانية طاقته صغيرة لدرجة أن نموذج التعلم العميق (deep learning) يجب تحسينه قبل أن يعمل عليه.

• Slide 11الشريحة 11

The wheeled vehicles that run on a railway, such as wagons and carriages, whose undercarriages are photographed for inspection on slide 8.المركبات ذات العجلات التي تسير على السكك الحديدية، مثل العربات وعربات الركاب، وتُصوَّر أجزاؤها السفلية لفحصها في الشريحة 8.

• Slide 8الشريحة 8

The SDAIA-KFUPM Joint Research Center for Artificial Intelligence, where the instructor is a research scholar.مركز الأبحاث المشترك للذكاء الاصطناعي بين سدايا (SDAIA) وجامعة الملك فهد للبترول والمعادن (KFUPM)، ويعمل فيه المحاضر باحثًا.

• Slide 1الشريحة 1
• Slide 2الشريحة 2

The Secure, Efficient, Robust Vision lab led by Dr. Abdul Jabbar Siddiqui at KFUPM.مختبر الرؤية الآمنة والفعالة والمتينة (Secure, Efficient, Robust Vision) بقيادة د. عبدالجبار صديقي في جامعة الملك فهد للبترول والمعادن (KFUPM).

• Slide 2الشريحة 2

Static random-access memory, the small, fast working memory of a microcontroller that must hold the activations during inference; it is usually far smaller than flash.ذاكرة الوصول العشوائي الساكنة (Static random-access memory)، وهي ذاكرة العمل الصغيرة والسريعة في المتحكم الدقيق التي يجب أن تحمل التنشيطات (activations) أثناء الاستدلال؛ وهي عادةً أصغر بكثير من ذاكرة flash.

• Slide 11الشريحة 11

A camera that images infrared radiation, so it shows temperature differences rather than visible colour; labelled IR camera on the slide.كاميرا تلتقط الأشعة تحت الحمراء، فتُظهر فروق درجات الحرارة بدلًا من الألوان المرئية؛ وتظهر في الشريحة باسم IR camera.

• Slide 3الشريحة 3

The number of inferences a system completes per second; it can rise through batching while the latency of each individual input stays the same or grows.عدد عمليات الاستدلال التي ينجزها النظام في الثانية؛ ويمكن أن يرتفع بالتجميع (batching) بينما يبقى زمن الاستجابة (latency) لكل مُدخل كما هو أو يزيد.

• Slide 11الشريحة 11

Machine learning that runs on microcontrollers and other devices with kilobytes of memory and milliwatts of power; the field this course's deployment work belongs to.تعلم الآلة الذي يعمل على المتحكمات الدقيقة (microcontrollers) وأجهزة أخرى بذاكرة بالكيلوبايت وطاقة بالميلي واط؛ وهو المجال الذي ينتمي إليه عمل النشر في هذا المقرر.

• Slide 11الشريحة 11

Adjusting a neural network's weights from data, which needs far more memory and compute than inference.ضبط أوزان الشبكة العصبية من البيانات، وهو يحتاج ذاكرة وحوسبة أكثر بكثير من الاستدلال (inference).

• Slide 11الشريحة 11

Unmanned aerial vehicle: an aircraft without an on-board pilot, used here as a sensor platform for inspection and monitoring.المركبة الجوية غير المأهولة (Unmanned aerial vehicle): طائرة بلا طيار على متنها، تُستخدم هنا منصةً للحساسات في الفحص والمراقبة.

• Slide 2الشريحة 2
• Slide 3الشريحة 3
• Slide 5الشريحة 5

You Only Look Once: a family of single-stage object detectors that predict boxes and class scores in one network pass; the n suffix (YOLO11n, YOLO12n) marks the smallest nano variant and m the medium one.اختصار You Only Look Once: عائلة من كواشف الأجسام أحادية المرحلة (single-stage) تتنبأ بالمربعات ودرجات الفئات في تمريرة واحدة عبر الشبكة؛ اللاحقة n (مثل YOLO11n وYOLO12n) تعني أصغر نسخة nano، واللاحقة m تعني النسخة المتوسطة medium.

• Slide 4الشريحة 4
• Slide 5الشريحة 5

The lab's detector shown correctly separating birds from UAVs in rain-degraded images where YOLOv5-m confused them.كاشف المختبر الذي يظهر وهو يميّز الطيور عن الطائرات المسيّرة (UAV) بشكل صحيح في الصور المتدهورة بالمطر، حيث خلط YOLOv5-m بينهما.

• Slide 5الشريحة 5