_id
stringlengths 40
40
| text
stringlengths 0
9.6k
|
|---|---|
5a3306619ab02d8b9b022946f3ddac16af16bcce | ଭାଷାର ବିକାଶ ଉପରେ କମ୍ପ୍ୟୁଟର ମଡେଲିଂ ଗବେଷଣା ଉପରେ ଆମେ ସର୍ବେକ୍ଷଣ କରିଛୁ, ଯାହା ଏକ ନିୟମ-ଆଧାରିତ ମଡେଲ ଉପରେ ଧ୍ୟାନ ଦେଇଥାଏ ଯାହା ଶବ୍ଦକୋଷ-ବାକ୍ୟାଂଶର ସହ-ବିକାଶକୁ ଅନୁକରଣ କରିଥାଏ ଏବଂ ଏକ ସମୀକରଣ-ଆଧାରିତ ମଡେଲ ଯାହା ଭାଷା ପ୍ରତିଯୋଗିତା ଗତିଶୀଳତାକୁ ପରିମାଣିକ କରିଥାଏ । ଆମେ ଏହି ମଡେଲର ଚାରୋଟି ପୂର୍ବାନୁମାନ ବିଷୟରେ ଆଲୋଚନା କରୁଛୁ: (କ) ଡୋମେନ୍-ସାଧାରଣ ଦକ୍ଷତା ମଧ୍ୟରେ ସମ୍ପର୍କ (ଉଦାହରଣ ସ୍ୱରୂପ, କ୍ରମିକ ଶିକ୍ଷା) ଏବଂ ଭାଷା ନିର୍ଦ୍ଦିଷ୍ଟ ପ୍ରଣାଳୀ (ଯଥା (ଖ) ଭାଷା ଓ ପ୍ରାସଙ୍ଗିକ ଦକ୍ଷତାର ସମାବେଶୀ ବିକାଶ (ଉଦାହରଣ ସ୍ୱରୂପ, (ଗ) ସାଂସ୍କୃତିକ ପ୍ରସାର ଓ ସାମାଜିକ ଢାଞ୍ଚାର ପ୍ରଭାବ ଭାଷା ବୁଝିବା ଉପରେ; ଏବଂ (ଘ) ଭାଷା, ଜୈବିକ ଓ ଭୌତିକ ଘଟଣା ମଧ୍ୟରେ ସମାନତା । ଏହିସବୁ ଭାଷା ସଂରଚନା, ବ୍ୟକ୍ତିର ଶିକ୍ଷଣ ପ୍ରଣାଳୀ ଏବଂ ପ୍ରାସଙ୍ଗିକ ଜୈବିକ ଓ ସାମାଜିକ-ସାଂସ୍କୃତିକ କାରକଗୁଡ଼ିକର ବିକାଶକୁ ବୁଝିବାରେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଭୂମିକା ଗ୍ରହଣ କରିଥାଏ । ଭାଷାର ବିକାଶର ମଡେଲିଂ ଅଧ୍ୟୟନର ତିନୋଟି ଭବିଷ୍ୟତର ଦିଗ ଉପରେ ଆଲୋକପାତ କରି ଆମେ ଏହି ସର୍ବେକ୍ଷଣକୁ ସମାପ୍ତ କରୁଛୁ: (କ) ମଡେଲ୍ ମୂଲ୍ୟାଙ୍କନ ପାଇଁ ପରୀକ୍ଷାମୂଳକ ଉପାୟ ଗ୍ରହଣ କରିବା; (ଖ) ମଡେଲ୍ ର ଅନୁଭବୀ ମୂଳଦୁଆକୁ ଦୃଢ କରିବା; ଏବଂ (ଗ) ମଡେଲିଂ, ଭାଷାବିଜ୍ଞାନ ଏବଂ ଅନ୍ୟାନ୍ୟ ପ୍ରାସଙ୍ଗିକ ବିଷୟ ମଧ୍ୟରେ ବହୁ-ବିଷୟକ ସହଯୋଗ । |
dcbb2c33c082fedf009139a9456bd90e549aac3d | ବୟସ ବଢ଼ିବା ଏବଂ ହରମୋନ୍ ପରିବର୍ତ୍ତନ ହେତୁ ମଣିଷର ଅଙ୍ଗରେ ଯନ୍ତ୍ରଣା ହେବାର ସମ୍ଭାବନା ଅଧିକ ଥାଏ । ଯାହାର ପରିଣାମ ସ୍ୱରୂପ ମଣିଷର ମୌଳିକ କାର୍ଯ୍ୟକଳାପ ଯଥା ଅଙ୍ଗପ୍ରତ୍ୟଙ୍ଗର ଗତିଶୀଳତା, ଯାହାକୁ ଗାଇଡ କୁହାଯାଏ, ପ୍ରଭାବିତ ହୋଇଥାଏ । ଗୋଟିଏ ଗୋଡ଼ରେ ଯନ୍ତ୍ରଣା ନହେବା ପାଇଁ ଉଭୟ ଗୋଡ଼ରେ ଅସମାନ ଭାର ପ୍ରୟୋଗ କରି ମଣିଷ ଧୀରେ ଧୀରେ ଏକ ଅସ୍ୱାଭାବିକ ଗାଇଡଲାଇନ୍ ବିକଶିତ କରେ ଯେଉଁଥିରେ ଝୁଣ୍ଟିବା ଏବଂ ଶରୀରର ସ୍ଥିତିରେ ପାର୍ଶ୍ୱକୁ ମୋଡ଼ିହେବା ଅନ୍ତର୍ଭୁକ୍ତ । ଏହା ଅନେକ ସମୟରେ ଦୀର୍ଘ ସମୟ ପର୍ଯ୍ୟନ୍ତ ଅଜଣା ରହିଯାଏ । ଆମେ ଏକ ସ୍ମାର୍ଟଫୋନ୍ ବ୍ୟବହାର କରି ଏକ ବ୍ୟବସ୍ଥା ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଅସ୍ବାଭାବିକ ଚାଲିବା ପଦ୍ଧତିକୁ ଅନୁଭୂତ କରିପାରିବ ଏବଂ ଚିହ୍ନଟ କରିପାରିବ । ସ୍ମାର୍ଟଫୋନରେ ଏକ ଇନବେଡ୍ ଆକ୍ସେଲେରୋମିଟର ଦ୍ୱାରା ଅଙ୍ଗଗୁଡ଼ିକର ଗତିକୁ ଚିହ୍ନଟ କରାଯାଇଥାଏ ଏବଂ ଅସ୍ବାଭାବିକ ଚାଲିବା ପଦ୍ଧତିର ଚିହ୍ନଟ ପାଇଁ ବିଭିନ୍ନ ବୈଶିଷ୍ଟ୍ୟ ଯଥା ପାଦଚଲା ଲମ୍ବ, ଚାଲିବା ବେଗ ଆଦିର ବର୍ଗୀକରଣ କରାଯାଇଥାଏ । ନାଇଭ୍ ବେଜ୍ ଏବଂ ନିଷ୍ପତ୍ତି ଗଛର ବର୍ଗୀକରଣକୁ ସାମିଲ କରି ଆମେ ବିଭିନ୍ନ ସ୍ତରର ବ୍ୟତିକ୍ରମକୁ ବର୍ଗୀକରଣ କରିବାରେ 89% ସଠିକତା ହାସଲ କରିଛୁ । ଏହି ପରୀକ୍ଷଣରେ ପାଞ୍ଚ ଜଣ ବ୍ୟବହାରକାରୀଙ୍କ ମଧ୍ୟରେ ନିଷ୍ପତ୍ତି ବୃକ୍ଷ ଆଧାରିତ ଗାଇଡଲାଇନ ଭେରିଏସନ ଡିଟେକ୍ଟର ସ୍ମାର୍ଟଫୋନ୍ ଆପ୍ଲିକେସନକୁ କାର୍ଯ୍ୟକାରୀ କରାଯାଇଥିଲା । |
f19983b3e9b7fe8106c0375ebbd9f73a53295a28 | ଡାଟାବେସ ସର୍ଚ୍ଚ, ମାଇନିଂ ଏବଂ ବିଶ୍ଳେଷଣ ସହିତ ଜଡିତ ବିଗ ଡାଟା ଆନାଲିଟିକ୍ସକୁ ଏକ ଅଭିନବ ଆଇଟି କ୍ଷମତା ଭାବରେ ଦେଖାଯାଏ ଯାହା ଫାର୍ମର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଉନ୍ନତ କରିପାରିବ । ଯଦିଓ କେତେକ ଅଗ୍ରଣୀ କମ୍ପାନୀ ବଜାର ପ୍ରତିଯୋଗିତାକୁ ସୁଦୃଢ଼ କରିବା ଏବଂ ନୂତନ ବ୍ୟବସାୟ ସୁଯୋଗ ସୃଷ୍ଟି କରିବା ପାଇଁ ବିଗ ଡାଟା ବିଶ୍ଳେଷଣକୁ ସକ୍ରିୟ ଭାବେ ଗ୍ରହଣ କରୁଛନ୍ତି, ତଥାପି ଅନେକ କମ୍ପାନୀ ବିଗ ଡାଟା ବିଷୟରେ ବୁଝିବା ଏବଂ ଅଭିଜ୍ଞତା ନ ଥିବାରୁ ଏହାକୁ ଗ୍ରହଣ କରିବାର କ୍ରମର ପ୍ରାରମ୍ଭିକ ପର୍ଯ୍ୟାୟରେ ଅଛନ୍ତି । ତେଣୁ ବିଗ ଡାଟା ଗ୍ରହଣ କରିବା ପାଇଁ ପ୍ରାସଙ୍ଗିକ ପ୍ରସଙ୍ଗକୁ ବୁଝିବା ଅତ୍ୟନ୍ତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଏବଂ ସମୟୋଚିତ । ଏହି ଅଧ୍ୟୟନରେ, ବିଗ୍ ଡାଟା ଆନାଲିଟିକ୍ସର ଅଧିଗ୍ରହଣ ଉଦ୍ଦେଶ୍ୟକୁ ବ୍ୟାଖ୍ୟା କରିବା ପାଇଁ ଏକ ଗବେଷଣା ମଡେଲ ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । |
6834913a76b686957c0b8c755d1ca6ef3bd76914 | ଡାଟା ଡି-ଆଇଡେଣ୍ଟିଫିକେସନ ଗବେଷଣା ଉଦ୍ଦେଶ୍ୟରେ ଡାଟା ଜାରି କରିବା ଏବଂ ବ୍ୟକ୍ତିଙ୍କ ଗୋପନୀୟତା ଦାବିକୁ ସନ୍ତୁଳିତ କରିଥାଏ । ଏହି କାଗଜରେ କେ-ଅନାମକରଣ ନାମରେ ପରିଚିତ ଶକ୍ତିଶାଳୀ ଡି-ଆଇଡେଣ୍ଟିଫିକେସନ୍ ପ୍ରକ୍ରିୟା ପାଇଁ ଏକ ଅପ୍ଟିମାଇଜେସନ୍ ଆଲଗୋରିଦମକୁ ପ୍ରସ୍ତାବିତ ଏବଂ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଛି । ଏକ k- ଅନାମଧେୟ ଡାଟାସେଟର ଗୁଣ ହେଉଛି ପ୍ରତ୍ୟେକ ରେକର୍ଡ ଅତି କମରେ k-1 ଅନ୍ୟମାନଙ୍କ ଠାରୁ ଅଦୃଶ୍ୟ ଅଟେ । ଏପରିକି ସରଳ କଟକଣା ମଧ୍ୟ ଏନ୍ ପି-କଠିନ ହୋଇଥାଏ, ଯାହାଦ୍ୱାରା ଗଣନା ପାଇଁ ଅନେକ ସମସ୍ୟା ସୃଷ୍ଟି ହୋଇଥାଏ । ଆମେ ସମ୍ଭାବ୍ୟ ଅନାମକରଣର କ୍ଷେତ୍ରକୁ ଅନ୍ୱେଷଣ କରିବା ପାଇଁ ଏକ ନୂତନ ଦୃଷ୍ଟିକୋଣ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ସମସ୍ୟାର ସମ୍ମିଶ୍ରଣକୁ ନିୟନ୍ତ୍ରଣ କରିଥାଏ ଏବଂ ତଥ୍ୟ ପରିଚାଳନା ରଣନୀତି ବିକଶିତ କରିଥାଏ ଯାହା ବର୍ଗୀକରଣ ପରି ମହଙ୍ଗା କାର୍ଯ୍ୟ ଉପରେ ନିର୍ଭରଶୀଳତାକୁ ହ୍ରାସ କରିଥାଏ । ବାସ୍ତବ ଜନଗଣନା ତଥ୍ୟ ଉପରେ ପରୀକ୍ଷଣ ମାଧ୍ୟମରେ ଆମେ ଦେଖାଇଛୁ ଯେ, ପରିଣାମ ସ୍ୱରୂପ ଆଲଗୋରିଦମ ଦୁଇଟି ପ୍ରତିନିଧିତ୍ୱମୂଳକ ମୂଲ୍ୟ ମାପ ଏବଂ k ର ଏକ ବ୍ୟାପକ ପରିସର ଅଧୀନରେ ସର୍ବୋତ୍ତମ k-anonymizations ପାଇପାରେ । ଆମେ ଏହା ମଧ୍ୟ ଦେଖାଇଛୁ ଯେ, ଆଲଗୋରିଦମ ପରିସ୍ଥିତିରେ ଭଲ ଅନାମନାକରଣ ସୃଷ୍ଟି କରିପାରିବ ଯେଉଁଠାରେ ଇନପୁଟ୍ ଡାଟା କିମ୍ବା ଇନପୁଟ୍ ପାରାମିଟରଗୁଡିକ ଉଚିତ ସମୟରେ ଏକ ସର୍ବୋତ୍ତମ ସମାଧାନ ଖୋଜିବାକୁ ଅବରୋଧ କରିଥାଏ । ଶେଷରେ, ଆମେ ଆଲଗୋରିଦମକୁ ବିଭିନ୍ନ କୋଡିଂ ପଦ୍ଧତିର ପ୍ରଭାବ ଏବଂ ସମସ୍ୟା ଭେରିଏସନକୁ ଅନାମଧେୟ ଗୁଣବତ୍ତା ଏବଂ କାର୍ଯ୍ୟଦକ୍ଷତା ଉପରେ ଅନୁସନ୍ଧାନ କରିବାକୁ ବ୍ୟବହାର କରୁ । ଆମର ଜ୍ଞାନ ଅନୁସାରେ, ଏହା ହେଉଛି ପ୍ରଥମ ଫଳାଫଳ ଯାହାକି ସମସ୍ୟାର ସାଧାରଣ ମଡେଲ ଅଧୀନରେ ଏକ ଅଣ-ତିତ୍ତଳ ତଥ୍ୟ ସେଟର ସର୍ବୋତ୍ତମ k-anonymization ପ୍ରଦର୍ଶନ କରେ । |
1b7690012a25bb33b429dbd72eca7459b9f50653 | ଆମେ ଏକ ମଡେଲକୁ ନେଇ ମାର୍କୋଭ୍ ନିର୍ଣ୍ଣୟ ପ୍ରକ୍ରିୟା (ଏମଡିପି) କିମ୍ବା ଆଂଶିକ ଭାବେ ଅନୁଧ୍ୟାନଯୋଗ୍ୟ ମାର୍କୋଭ୍ ନିର୍ଣ୍ଣୟ ପ୍ରକ୍ରିୟା (ପିଓଏମଡିପି) ପାଇଁ ନୀତିର ଏକ ସ୍ଥାନ ଖୋଜିବା ସମସ୍ୟା ପାଇଁ ଏକ ନୂତନ ଦୃଷ୍ଟିକୋଣ ପ୍ରସ୍ତାବ କରୁଛୁ । ଆମର ଦୃଷ୍ଟିକୋଣ ନିମ୍ନଲିଖିତ ଅନୁଧ୍ୟାନ ଉପରେ ଆଧାରିତ: ଯେକୌଣସି (ପିଓ) ଏମଡିପିକୁ ଏକ "ସମାନ" ପିଓଏମଡିପିରେ ରୂପାନ୍ତରିତ କରାଯାଇପାରିବ ଯେଉଁଥିରେ ସମସ୍ତ ସ୍ଥିତି ପରିବର୍ତ୍ତନ (ବର୍ତ୍ତମାନର ସ୍ଥିତି ଏବଂ କାର୍ଯ୍ୟକୁ ଦୃଷ୍ଟିରେ ରଖି) ନିର୍ଣ୍ଣାୟକ ଅଟେ । ଏହା ନୀତି ଅନୁସନ୍ଧାନର ସାଧାରଣ ସମସ୍ୟାକୁ ହ୍ରାସ କରେ ଯାହା ଆମକୁ କେବଳ ନିର୍ଣ୍ଣାୟକ ପରିବର୍ତ୍ତନ ସହିତ POMDP ଗୁଡିକୁ ବିଚାର କରିବାକୁ ପଡିବ । ଆମେ ଏହି ପରିବର୍ତ୍ତିତ ପିଓଏମଡିପିରେ ସମସ୍ତ ନୀତିର ମୂଲ୍ୟ ଆକଳନ କରିବାର ଏକ ପ୍ରାକୃତିକ ଉପାୟ ପ୍ରଦାନ କରୁଛୁ । ପଲିସି ସର୍ଚ୍ଚ କରିବା ପାଇଁ କେବଳ ଉଚ୍ଚ ଆକଳନ ମୂଲ୍ୟର ପଲିସି ଖୋଜିବାକୁ ପଡିବ । ଆମେ ମଧ୍ୟ ସର୍ତ୍ତାବଳୀ ସ୍ଥିର କରିଥାଉ ଯେଉଁଥିରେ ଆମର ମୂଲ୍ୟ ଆକଳନ ଭଲ ହେବ, କୀରନ୍ସ, ମନସୁର ଏବଂ ଏନଜି [7] ପରି ଥିଓରିଟିକାଲ୍ ଫଳାଫଳ ପୁନରୁଦ୍ଧାର କରିଥାଉ, କିନ୍ତୁ "ନମୁନା ଜଟିଳତା" ସୀମା ସହିତ ଯାହା କେବଳ ବହୁପଦୀୟ ପରିବର୍ତ୍ତେ ସ୍ଥଳୀୟ ସମୟ ଉପରେ ନିର୍ଭରଶୀଳ _ ଆମର ପଦ୍ଧତି ମନଇଚ୍ଛା POMDPs ପାଇଁ ପ୍ରଯୁଜ୍ୟ, ଯେଉଁଥିରେ ଅନନ୍ତ ଅବସ୍ଥା ଏବଂ କାର୍ଯ୍ୟ ସ୍ଥାନ ଅଛି । ଆମେ ମଧ୍ୟ ଏକ ଛୋଟ ପୃଥକ ସମସ୍ୟା ଉପରେ ଆମର ଆଭିମୁଖ୍ୟ ପାଇଁ ଅନୁଭବୀ ଫଳାଫଳ ଉପସ୍ଥାପନ କରୁ, ଏବଂ ଏକ ଜଟିଳ ନିରନ୍ତର ରାଜ୍ୟ / ନିରନ୍ତର କାର୍ଯ୍ୟ ସମସ୍ୟା ଉପରେ ସାଇକେଲ ଚଳାଇବା ଶିଖିବା ସହିତ ଜଡିତ _ |
e60778347ffb55b8b42ba831ffb8f8f7269182a5 | ଆମର କାର୍ଯ୍ୟର ମୁଖ୍ୟ ଅବଦାନ ହେଉଛି ସିଟିଇଞ୍ଜିନ ଭଳି ଉଚ୍ଚ ବିଶେଷଜ୍ଞ ସଫ୍ଟୱେର ଏବଂ ଗ୍ରାସହୋପର ଭଳି ସାଧାରଣ ଉଦ୍ଦେଶ୍ୟର ପାରାମିଟ୍ରିକ ମଡେଲିଂ ପ୍ଲାଟଫର୍ମର ପାରାମିଟ୍ରିକ ସହରୀ ଡିଜାଇନ ପାଇଁ ପଦ୍ଧତିର ମିଶ୍ରଣ । ଆମର କାର୍ଯ୍ୟ ସହରୀ ଡିଜାଇନ ପାଇଁ ଆର୍କିଟେକ୍ଟ ଏବଂ ପ୍ଲାନରଙ୍କ ଦ୍ୱାରା ପାରାମେଟ୍ରିକ ଉପକରଣର ବ୍ୟବହାରକୁ ସହଜ ଏବଂ ପ୍ରୋତ୍ସାହିତ କରେ । ଏହି ଲେଖାରେ ଆମେ ରାସ୍ତାର ନେଟୱାର୍କ ସୃଷ୍ଟି ଏବଂ ବ୍ଲକ ଉପବିଭାଗ ପାଇଁ ଏକ କଷ୍ଟମ ଗ୍ରେସପ୍ୟାଡ ଉପାଦାନ ଉପସ୍ଥାପନ କରୁଛୁ । ଏହି ଉପାଦାନକୁ ରାଇନୋକମନ୍ ଏସଡିକେ ବ୍ୟବହାର କରି ସି#ରେ ବିକଶିତ କରାଯାଇଥିଲା । ଆମେ ଏକ ଶିକ୍ଷାଦାନ କାର୍ଯ୍ୟକ୍ରମରେ ଏକ ସହରାଞ୍ଚଳ ଡିଜାଇନ ପ୍ରସ୍ତାବର ବିକାଶ ପାଇଁ ଘାସଚୋପର ବ୍ୟବହାର କରିଥିଲୁ । ସହରୀ ଡିଜାଇନ ପ୍ରକଳ୍ପର ଆବଶ୍ୟକତା ପୂରଣ କରିବା ପାଇଁ ବର୍ତ୍ତମାନର ଗ୍ରାସହୋପର ଉପାଦାନରେ ଅତିରିକ୍ତ କାର୍ଯ୍ୟକାରିତା ଯୋଡ଼ିବାକୁ ପଡ଼ିଥିଲା । ବିଶେଷ କରି, ଆମକୁ ସଡ଼କ ନେଟୱାର୍କ ସୃଷ୍ଟି ଏବଂ ବ୍ଲକ ଉପବିଭାଗ ପାଇଁ ଉପାଦାନ ଆବଶ୍ୟକ ଥିଲା । ଏହି ଉପାଦାନର ବିକାଶ ପାଇଁ ଆମେ (ୱେବର ଏବଂ ଅନ୍ୟମାନେ, 2009) ରେ ବର୍ଣ୍ଣିତ ରାସ୍ତାର ବିସ୍ତାର ରଣନୀତି ଏବଂ ବ୍ଲକ ଉପବିଭାଗ ପାଇଁ ପଦ୍ଧତି (ଭାନେଗାସ ଏବଂ ଅନ୍ୟମାନେ, 2009) ରେ ବର୍ଣ୍ଣିତ କାର୍ଯ୍ୟକାରୀ କରିଛୁ । ଏହାବ୍ୟତୀତ, ଆମେ ରାଇନୋସରସର NURBS ମଡେଲିଂ କ୍ଷମତାକୁ ପୂରଣ କରିବା ପାଇଁ ରଣନୀତିକୁ ଅନୁକୂଳ ଏବଂ ଉନ୍ନତ କରିଛୁ । |
c763bf953a3381d7631ccad11843cb35e8a37441 | ଅନେକ ବ୍ୟବସାୟିକ ସଂସ୍ଥା ମାର୍କେଟିଂ ପାଇଁ ସୁପାରିଶକାରୀ ବ୍ୟବସ୍ଥା ବ୍ୟବହାର କରୁଛନ୍ତି । ସୁପାରିଶ ଆଲଗୋରିଦମ ବିଷୟବସ୍ତୁ ଉପରେ ଆଧାରିତ ହୋଇପାରେ କିମ୍ବା ସହଯୋଗୀ ଫିଲ୍ଟରିଂ ଦ୍ୱାରା ପରିଚାଳିତ ହୋଇପାରେ । ଆମେ ବିଭିନ୍ନ ଉପାୟରେ ବିଷୟବସ୍ତୁ ସୂଚନାକୁ ସିଧାସଳଖ ଭାବେ ମାଟ୍ରିକ୍ସ ଫ୍ୟାକ୍ଟୋରିଜେସନ ଆଭିମୁଖ୍ୟରେ ସମନ୍ୱିତ ଫିଲ୍ଟରିଂରେ ଅନ୍ତର୍ଭୁକ୍ତ କରିବା ପାଇଁ ଅଧ୍ୟୟନ କରୁଛୁ । ଏହି ବିଷୟବସ୍ତୁ-ବୃଦ୍ଧିଯୁକ୍ତ ମାଟ୍ରିକ୍ସ ଫ୍ୟାକ୍ଟୋରିଜେସନ୍ ଆଲଗୋରିଦମ କେବଳ ସୁପାରିଶ ସଠିକତାକୁ ଉନ୍ନତ କରେ ନାହିଁ, ବରଂ ବିଷୟବସ୍ତୁ ବିଷୟରେ ଉପଯୋଗୀ ଅନ୍ତର୍ଦୃଷ୍ଟି ପ୍ରଦାନ କରେ, ଏବଂ ସୁପାରିଶକୁ ଅଧିକ ସହଜରେ ବ୍ୟାଖ୍ୟା କରିପାରେ । |
25eb626f0024f9733f0381d6c907c31a3f75c9c5 | ଲେଖକମାନେ ୨ଟି ଅଧ୍ୟୟନର ଫଳାଫଳ ବିଷୟରେ ଉଲ୍ଲେଖ କରିଛନ୍ତି ଯେଉଁଥିରେ କି ନାର୍କିସିଜିମ୍ ଆତ୍ମ-ଆକଳନ ଏବଂ ଅନ୍ୟମାନଙ୍କ ନେତୃତ୍ୱ, କାର୍ଯ୍ୟସ୍ଥଳୀୟ ବିଭ୍ରାଟ, କାର୍ଯ୍ୟ ଏବଂ ପ୍ରସଙ୍ଗଗତ ପ୍ରଦର୍ଶନ ସହିତ କେତେ ମାତ୍ରାରେ ଜଡିତ ତାହା ଆକଳନ କରାଯାଇଛି । ଅଧ୍ୟୟନ ୧ ର ଫଳାଫଳ ଦର୍ଶାଇଛି ଯେ ନାର୍କିସିଜିମ୍ ନେତାଙ୍କ ଉନ୍ନତ ସ୍ୱ-ର୍ୟାଟିଂ ସହିତ ଜଡିତ, ଏପରିକି ଯେତେବେଳେ ବିଗ୍ ପାଞ୍ଚ ଗୁଣ ପାଇଁ ନିୟନ୍ତ୍ରଣ କରାଯାଏ । ଅଧ୍ୟୟନ ୨ର ଫଳାଫଳ ମଧ୍ୟ ଦର୍ଶାଇଛି ଯେ ନାର୍କିସିଜିମ୍ ଉନ୍ନତ ନେତୃତ୍ୱ ସ୍ୱ-ଦୃଷ୍ଟି ସହିତ ଜଡିତ; ବାସ୍ତବରେ, ଯେତେବେଳେ ନାର୍କିସିଜିମ୍ ନେତୃତ୍ୱର ସ୍ୱ-ପରିମାପ ସହିତ ଯଥେଷ୍ଟ ସକାରାତ୍ମକ ଭାବରେ ଜଡିତ ଥିଲା, ଏହା ନେତୃତ୍ୱର ଅନ୍ୟ ରେଟିଂ ସହିତ ଯଥେଷ୍ଟ ନକାରାତ୍ମକ ଭାବରେ ଜଡିତ ଥିଲା । ଅଧ୍ୟୟନ ୨ ମଧ୍ୟ ଦର୍ଶାଇଛି ଯେ ଅନ୍ୟ (ନିରୀକ୍ଷକ) ରେଟିଂ ତୁଳନାରେ କର୍ମକ୍ଷେତ୍ରରେ ବିଭ୍ରାଟ ଏବଂ ସାଂପ୍ରତିକ କାର୍ଯ୍ୟଦକ୍ଷତା ବିଷୟରେ ଅଧିକ ଅନୁକୂଳ ଆତ୍ମ-ରେଟିଂ ସହିତ ନାର୍କିସିଜିମ୍ ସମ୍ବନ୍ଧିତ ଥିଲା । ଶେଷରେ, ଅନୁମାନ ଅନୁସାରେ, କାମ କରିବା ଅପେକ୍ଷା ନାର୍କିସିଜିମ୍ ଅଧିକ ନକାରାତ୍ମକ ଭାବରେ ପ୍ରସଙ୍ଗଗତ କାର୍ଯ୍ୟଦକ୍ଷତା ସହିତ ଜଡିତ ଥିଲା । |
0ad0518637d61e8f4b151657797b067ec74418e4 | ଗଭୀର ନେଟୱାର୍କକୁ ସଫଳତାର ସହ ଶ୍ରେଣୀବିଭାଗୀକରଣ ମଡେଲ ଭାବେ ବ୍ୟବହାର କରାଯାଇଥାଏ । କିନ୍ତୁ ଏହି ମଡେଲଗୁଡିକ ସାଧାରଣତଃ ଅର୍ଦ୍ଧ-ନିରୀକ୍ଷିତ ସମସ୍ୟା ପାଇଁ ଅଧିକ ଉପଯୁକ୍ତ ହୋଇନଥାଏ କାରଣ ସେମାନେ ଅଳ୍ପ ପରିମାଣର ତଥ୍ୟ ଉପରେ ତାଲିମ ନେବା ସମୟରେ ଅତି ସହଜରେ ଅଧିକ ଫିଟ୍ ହୋଇଯାନ୍ତି । ଏହି କାର୍ଯ୍ୟରେ ଆମେ ଏକ ନୂତନ ପ୍ରଶିକ୍ଷଣ ଲକ୍ଷ୍ୟ ଅନୁସନ୍ଧାନ କରିବୁ ଯାହା ଆଂଶିକ ତଦାରଖ ବ୍ୟବସ୍ଥାକୁ ଲକ୍ଷ୍ୟ ରଖିଛି ଯାହା କେବଳ ଏକ ଛୋଟ ଉପସୂଚୀ ସହିତ ଲେବଲ୍ ହୋଇଥିବା ତଥ୍ୟ ସହିତ ଅଛି । ଏହି ମାନଦଣ୍ଡ ଲେବଲ ହୋଇଥିବା ନମୁନା ସମୂହ ମଧ୍ୟରେ ଦୂରତା ସମ୍ବନ୍ଧରେ ଗଭୀର ମେଟ୍ରିକ ଇମ୍ବେଡିଂ ଉପରେ ଆଧାରିତ, ଏବଂ ଲେବଲ ନଥିବା ସମୂହରେ ଇମ୍ବେଡିଂ ଉପରେ ପ୍ରତିବନ୍ଧକ ସହିତ । ଶେଷ ଶିଖାଯାଇଥିବା ପ୍ରତିନିଧିତ୍ୱ ଇଉକଲିଡିୟନ୍ ସ୍ପେସରେ ଭେଦଭାବକାରୀ ହୋଇଥାଏ, ଏବଂ ତେଣୁ ଏହା ପରବର୍ତ୍ତୀ ନିକଟତମ-ପଡ଼ୋଶୀ ଶ୍ରେଣୀକରଣ ସହିତ ବ୍ୟବହାର କରାଯାଇପାରିବ । |
e629bbeba17b8312fde05b0334760e6743d11a4d | |
308da0c615e83a4616c8a4d1cf8159bb35897dfe | ବିଟକଏନ ଅର୍ଥବ୍ୟବସ୍ଥାରେ ଅପରେଟରମାନଙ୍କ ଉପରେ ବିତରଣ କରାଯାଇଥିବା ସେବା-ଅସ୍ୱୀକାର (ଡିଡିଓଏସ) ଆକ୍ରମଣର ପ୍ରଭାବ ଏବଂ ପ୍ରଚଳନ ଉପରେ ଆମେ ଏକ ଅନୁଭୂତିଗତ ଅନୁସନ୍ଧାନ ଉପସ୍ଥାପନ କରୁଛୁ । ଏଥିପାଇଁ ଆମେ ଲୋକପ୍ରିୟ ବିଟକଏନ୍ ଫୋରମ୍ bitcointalk.org ରେ DDoS ବିଷୟରେ ଉଲ୍ଲେଖ ଥିବା ପୋଷ୍ଟଗୁଡ଼ିକୁ ସଂଗ୍ରହ କରି ବିଶ୍ଳେଷଣ କରୁଛୁ । ମେ ୨୦୧୧ରୁ ଅକ୍ଟୋବର ୨୦୧୩ ମଧ୍ୟରେ ୩୦୦୦ ପୃଥକ ପୃଥକ ପୋଷ୍ଟରୁ ଆରମ୍ଭ କରି, ଆମେ ୪୦ଟି ବିଟକଏନ ସେବା ଉପରେ ୧୪୨ଟି ଅନନ୍ୟ ଡିଡୋସ ଆକ୍ରମଣର ତଥ୍ୟ ସଂଗ୍ରହ କରିଛୁ । ଆମେ ଜାଣିବାକୁ ପାଇଲୁ ଯେ ସମସ୍ତ ଜଣାଶୁଣା ଅପରେଟରଙ୍କ ମଧ୍ୟରୁ ୭% ଆକ୍ରମଣର ଶିକାର ହୋଇଛନ୍ତି, କିନ୍ତୁ ମୁଦ୍ରା ବିନିମୟ, ଖଣିଜ ପୁଲ, ଜୁଆ ଖେଳ ଅପରେଟର, ଇ-ୱାଲେଟ ଏବଂ ଆର୍ଥିକ ସେବା ଅନ୍ୟ ସେବା ଅପେକ୍ଷା ଅଧିକ ଆକ୍ରମଣର ଶିକାର ହୋଇଛନ୍ତି । ଏହା କୌଣସି ସଂଯୋଗ ନୁହେଁ ଯେ ଆମେ ଦେଖୁଛୁ ଯେ ମୁଦ୍ରା ବିନିମୟ ଏବଂ ଖଣି ପୋଲଗୁଡିକରେ ଡି.ଡି.ଓ.ଏସ୍ ସୁରକ୍ଷା ଅଛି ଯେପରିକି କ୍ଲାଉଡ୍ ଫ୍ଲେୟାର, ଇନକ୍ୟାପସୁଲା, କିମ୍ବା ଆମାଜନ୍ କ୍ଲାଉଡ୍ । ଆମେ ଦେଖାଇଛୁ ଯେ ଯେଉଁ ସେବାଗୁଡିକ ଉପରେ ଆକ୍ରମଣ କରାଯାଇଛି, ସେମାନେ ଆକ୍ରମଣ ହୋଇନଥିବା ଅପରେଟରମାନଙ୍କ ତୁଳନାରେ ଆଣ୍ଟି-ଡିଡୋସ ସେବା କିଣିବା ସମ୍ଭାବନା ତିନି ଗୁଣରୁ ଅଧିକ । ଆମେ ଜାଣିବାକୁ ପାଇଲୁ ଯେ ବଡ଼ ଖଣି ପୋଲ (ଯେଉଁମାନଙ୍କର ହ୍ୟାସ ରେଟ ଅତିକମରେ ୫% ଥିଲା) ଛୋଟ ପୋଲ ଅପେକ୍ଷା ଅଧିକ DDoS ଦ୍ୱାରା ଆକ୍ରମଣ ହେବାର ସମ୍ଭାବନା ରହିଛି । ଆମେ ମାଉଣ୍ଟ୍ ଇନ୍ଫିଲ୍ଡିଂର ଅନୁସନ୍ଧାନ କରୁଛୁ । Gox ଏକ୍ସଚେଞ୍ଜରେ ଡିଡୋସ ଆକ୍ରମଣର ଏକ କେସ ଷ୍ଟଡି ଭାବରେ ବ୍ୟବହାର କରାଯାଇଛି ଏବଂ ୨୦୧୩ରେ କାରବାର ପରିମାଣ ଏବଂ ବିନିମୟ ମୂଲ୍ୟରେ ବଡ଼ ବୃଦ୍ଧି ସମୟରେ ଡିଡୋସ ଆକ୍ରମଣର ଏକ ଅସମାନ ପରିମାଣର ରିପୋର୍ଟ ମିଳିଛି । ଆମେ ବିଟକଏନ୍ ଉପରେ ଡି.ଡି.ଓ.ଏସ୍. ଆକ୍ରମଣର ଗବେଷଣା ପାଇଁ ଭବିଷ୍ୟତର ସୁଯୋଗର ବର୍ଣ୍ଣନା କରି ଏହି ଆଲୋଚନା ଶେଷ କରୁଛୁ । |
30acc826a84919f6474e2f91f9eba81c4b1824be | ବିଟକଏନକୁ ପୂର୍ବବର୍ତ୍ତୀ କ୍ରିପ୍ଟୋକରେନ୍ସି ତୁଳନାରେ ଅଧିକ ଲୋକ ଗ୍ରହଣ କରିଛନ୍ତି । ତଥାପି ଏହାର ସଫଳତା ଠକମାନଙ୍କ ଦୃଷ୍ଟି ଆକର୍ଷଣ କରିଛି ଯେଉଁମାନେ ଏହାର ଅପରେସନାଲ ଅସୁରକ୍ଷିତତା ଏବଂ ଟ୍ରାଞ୍ଜାକ୍ସନ ଅପରିବର୍ତ୍ତନୀୟତାର ଫାଇଦା ଉଠାଇଛନ୍ତି । ବିଟକଏନ ଏକ୍ସଚେଞ୍ଜରେ ନିବେଶକମାନେ ସମ୍ମୁଖୀନ ହେଉଥିବା ବିପଦକୁ ଆମେ ଅଧ୍ୟୟନ କରିଥାଉ, ଯାହା ବିଟକଏନ ଓ କଠିନ ମୁଦ୍ରା ମଧ୍ୟରେ ପରିବର୍ତ୍ତନ କରିଥାଏ । ବିଗତ ତିନି ବର୍ଷ ମଧ୍ୟରେ ସ୍ଥାପିତ ୪୦ଟି ବିଟକଏନ ଏକ୍ସଚେଞ୍ଜର ଟ୍ରାକ ରେକର୍ଡକୁ ଆମେ ଅନୁଧ୍ୟାନ କରି ଜାଣିବାକୁ ପାଇଲୁ ଯେ ୧୮ଟି ବନ୍ଦ ହୋଇଯାଇଛି, ଯେଉଁଥିପାଇଁ ଗ୍ରାହକ ଖାତାର ବାଲାନ୍ସ ପ୍ରାୟତଃ ନଷ୍ଟ ହୋଇଯାଇଛି । ବେଳେବେଳେ ଠକମାନେ ଦୋଷୀ ହୋଇଥାନ୍ତି, କିନ୍ତୁ ସବୁବେଳେ ନୁହେଁ । ଅନୁପାତିକ ବିପଦ ମଡେଲ ବ୍ୟବହାର କରି ଆମେ ଜାଣିବାକୁ ପାଇଲୁ ଯେ ଏକ୍ସଚେଞ୍ଜର କାରବାର ପରିମାଣ ସୂଚାଇଥାଏ ଯେ ଏହା ବନ୍ଦ ହେବାର ସମ୍ଭାବନା ଅଛି କି ନାହିଁ । ଲୋକପ୍ରିୟ ବିନିମୟଠାରୁ କମ୍ ଲୋକପ୍ରିୟ ବିନିମୟ ବନ୍ଦ ହେବାର ସମ୍ଭାବନା ଅଧିକ । ଆମେ ଏକ ଲଜିଷ୍ଟିକ ରିଗ୍ରେସନ ମଧ୍ୟ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ଦର୍ଶାଉଛି ଯେ ଲୋକପ୍ରିୟ ଏକ୍ସଚେଞ୍ଜଗୁଡିକରେ ସୁରକ୍ଷା ଉଲ୍ଲଂଘନ ହେବାର ସମ୍ଭାବନା ଅଧିକ । |
1621f05894ad5fd6a8fcb8827a8c7aca36c81775 | ଏହି ଲେଖାରେ ଏକ ମହତ୍ୱପୂର୍ଣ୍ଣ ଶ୍ରେଣୀର ବକ୍ର ପ୍ରୋଗ୍ରାମିଂ (ସିପି) ସମସ୍ୟାକୁ ବିଚାର କରାଯାଇଛି, ଯଥା ଷ୍ଟୋକାଷ୍ଟିକ୍ କମ୍ପୋଜିଟ୍ ଅପ୍ଟିମାଇଜେସନ୍ (ଏସସିଓ), ଯାହାର ଉଦ୍ଦେଶ୍ୟ କାର୍ଯ୍ୟ ସାଧାରଣ ନନ୍ସ୍ମୁତ ଏବଂ ସୁଗମ ଷ୍ଟୋକାଷ୍ଟିକ୍ ଉପାଦାନଗୁଡ଼ିକର ସମୁଦାୟ ଦ୍ୱାରା ଦିଆଯାଇଥାଏ । ଯେହେତୁ ଏସସିଓ କେତେକ ବିଶେଷ ମାମଲା ଭାବରେ ନନ୍-ସ୍ମୁତ, ସ୍ମୁତ ଏବଂ ଷ୍ଟୋକାଷ୍ଟିକ୍ ସିପିକୁ କଭର୍ କରିଥାଏ, ତେଣୁ ଏହି ସମସ୍ୟାଗୁଡ଼ିକର ସମାଧାନ ପାଇଁ ସମ୍ମିଶ୍ରଣ ହାରର ଏକ ବୈଧ ନିମ୍ନ ସୀମା କ୍ଲାସିକ୍ ଜଟିଳତା ସିଦ୍ଧାନ୍ତରୁ ଜଣା ପଡିଥାଏ । ତେବେ ଧ୍ୟାନ ଦିଅନ୍ତୁ ଯେ ଏହି ନିମ୍ନ ସୀମାକୁ ହାସଲ କରିପାରୁଥିବା ଅପ୍ଟିମାଇଜେସନ୍ ଆଲଗୋରିଦମ କେବେ ବିକଶିତ ହୋଇନଥିଲା । ଏହି ଲେଖାରେ ଆମେ ଦେଖାଇବୁ ଯେ ସରଳ ଆଇନା-ଅବତରଣ ଷ୍ଟୋକାଷ୍ଟିକ୍ ଅନୁପାତ ପଦ୍ଧତି ଏହି ସମସ୍ୟାଗୁଡ଼ିକର ସମାଧାନ ପାଇଁ ସର୍ବୋତ୍ତମ ପରିଚିତ ହାରର ସମ୍ମିଶ୍ରଣକୁ ପ୍ରଦର୍ଶିତ କରେ । ଆମର ମୁଖ୍ୟ ଅବଦାନ ହେଉଛି ତ୍ୱରିତ ଷ୍ଟୋକାଷ୍ଟିକ୍ ଆପ୍ରୋଚମେଣ୍ଟ (ଏସି-ଏସଏ) ଆଲଗୋରିଦମକୁ ପ୍ରବର୍ତ୍ତନ କରିବା ଯାହା ସୁଗମ ସିପି ପାଇଁ ନେଷ୍ଟରୋଭଙ୍କ ସର୍ବୋତ୍ତମ ପଦ୍ଧତି ଉପରେ ଆଧାରିତ [32,34], ଏବଂ ଦର୍ଶାଇଥାଏ ଯେ ଏସି-ଏସଏ ଆଲଗୋରିଦମ ଏସସିଓ ପାଇଁ ସମ୍ମିଶ୍ରଣ ହାର ଉପରେ ଉପରୋକ୍ତ ନିମ୍ନ ସୀମା ହାସଲ କରିପାରିବ । ଆମର ଜ୍ଞାନ ଅନୁସାରେ, ଏହା ମଧ୍ୟ ହେଉଛି ସାହିତ୍ୟରେ ପ୍ରଥମ ସର୍ବୋତ୍ତମ ଆଲଗୋରିଦମ ଯାହାକି ନନ-ସ୍ମୁଥ୍, ସ୍ମୁଥ୍ ଏବଂ ଷ୍ଟୋକାଷ୍ଟିକ୍ ସିପି ସମସ୍ୟାକୁ ସମାଧାନ କରିଥାଏ । ଆମେ AC-SA ଆଲଗୋରିଦମର ମହତ୍ତ୍ୱପୂର୍ଣ୍ଣ ଲାଭକୁ ବର୍ତ୍ତମାନର ପଦ୍ଧତିଗୁଡ଼ିକ ଉପରେ ଦର୍ଶାଇଛୁ ଯାହାକି ଏକ ବିଶେଷ କିନ୍ତୁ ବ୍ୟାପକ ଶ୍ରେଣୀର ଷ୍ଟୋକାଷ୍ଟିକ୍ ପ୍ରୋଗ୍ରାମିଂ ସମସ୍ୟାକୁ ସମାଧାନ କରିଥାଏ । |
0dd72887465046b0f8fc655793c6eaaac9c03a3d | [୧] ଜେ. ସିଓ, ଏସ. ବେକର, ଆଇ. ମାଥ୍ୟୁସ, ଟି. କାନାଡେ, ରିୟଲ-ଟାଇମ୍ କମ୍ବିନେଟେଡ ୨ଡି + ୩ଡି ଆକ୍ଟିଭ୍ ଆପେରିଏନ୍ସ ମଡେଲ, ସିଭିପିଆର, ପୃ. ୫୩୫-୫୪୨, ୨୦୦୪ । [2] ଏନ. ଗୌରିଅର, ଡି. ହଲ, ଜେ. ଏଲ. କ୍ରାଉଲି, ଉଚ୍ଚମୁଖୀ ମୁଖର ବିଶେଷତ୍ୱର ଦୃଢ ଚିହ୍ନଟରୁ ମୁଖର ଦିଗ ନିର୍ଣ୍ଣୟ କରିବା, ପ୍ରୋସିଡିଙ୍ଗ୍ସ ଅଫ ପଏଣ୍ଟିଙ୍ଗ୍ 2004, ଆଇସିପିଆର୍, ଡିଏକ୍ଟିକ୍ ଜିଷ୍ଟର ଭିଜୁଆଲ୍ ଅବଜରଭେସନ୍ ଉପରେ ଆନ୍ତର୍ଜାତୀୟ କର୍ମଶାଳା, 2004 । [3] ଜି. ଫାନେଲି, ଏମ୍. ଡାଣ୍ଟୋନ୍, ଜେ. ଗଲ୍, ଏ. ଜସତି, ଏଲ୍. ଭାନ୍ ଗୁଲ, ରିୟଲ ଟାଇମ୍ 3D ଫେସ୍ ଆନାଲିସିସ୍ ପାଇଁ ରାଣ୍ଡମ ଫରେଷ୍ଟ, ଆଇଜେସିଭି, ପୃ. 437-458, 2013 । [4] ୟେ. ଲେକନ, ଆର. ବୋଟ୍ଟୁ, ୟେ. ବେଙ୍ଗିଓ, ପି. ହଫନର, ଗ୍ରାଡିଏଣ୍ଟ ଆଧାରିତ ଶିକ୍ଷା ଦସ୍ତାବିଜ ଚିହ୍ନଟ ପାଇଁ ପ୍ରୟୋଗ, ପ୍ରାକ. ଆଇଇଇଇ, ପୁ. ୮୬, ନା । 11, ପୃ. ୨୨୭୮-୨୩୨୪, ୧୯୯୮ [5] ଏ. କ୍ରିଜେବସ୍କି, ଆଇ. ସୁଟସ୍କେଭର, ଜି. ଇ. ହିଣ୍ଟନ, ଗଭୀର କନ୍ଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ସହିତ ଇମେଜନେଟ୍ ବର୍ଗୀକରଣ, ଏନଆଇପିଏସ, ପୃ. 1106-1114, 2012. ଏହି କାର୍ଯ୍ୟ କୋରିଆ ସରକାରଙ୍କ ଦ୍ୱାରା ଅନୁଦାନ ପ୍ରାପ୍ତ କୋରିଆର ଜାତୀୟ ଗବେଷଣା ପ୍ରତିଷ୍ଠାନ (ଏନଆରଏଫ) ଅନୁଦାନ ଦ୍ୱାରା ସମର୍ଥିତ ହୋଇଥିଲା । 2010-0028680) ରେ ଉଲ୍ଲେଖ କରାଯାଇଛି । ପ୍ରସ୍ତାବିତ ପଦ୍ଧତି ପାରମ୍ପରିକ ମୁଣ୍ଡ ସ୍ଥିତି ଆକଳନ ପଦ୍ଧତି |
93ffe14e172976135d167fb593c4b97e0ff14faa | ବିଶେଷକରି ଡ୍ରାଇଭର ସହାୟତା ପ୍ରଣାଳୀରେ ବିଶେଷ ଆଗ୍ରହ ଦେଖିବାକୁ ମିଳୁଛି, ଯେଉଁଥିରେ ମୁଣ୍ଡର ସ୍ଥିତି ଦୃଷ୍ଟିଶକ୍ତିର କେନ୍ଦ୍ରସ୍ଥଳ ଏବଂ ମାନସିକ ସ୍ଥିତିର ସୂଚକ ଭାବରେ ବ୍ୟବହୃତ ହେଉଛି । ବାସ୍ତବରେ, ମୁଣ୍ଡର ସ୍ଥିତି ଆକଳନ ଏକ କୌଶଳ ଯାହା କ୍ୟାମେରାର ଦୃଶ୍ୟପଟ୍ଟରେ ମୁଣ୍ଡର ଦିଗ ନିର୍ଦ୍ଧାରଣ କରିବାରେ ସାହାଯ୍ୟ କରେ ଏବଂ ଏହା ମଡେଲ ଆଧାରିତ କିମ୍ବା ଉପସ୍ଥିତି ଆଧାରିତ ପଦ୍ଧତି ଦ୍ୱାରା କରାଯାଇପାରିବ । ମଡେଲ ଆଧାରିତ ପଦ୍ଧତିଗୁଡ଼ିକ ସାଧାରଣତଃ ଚେହେରା ବିଶେଷତା ଠାରୁ ପ୍ରାପ୍ତ ଏକ ଚେହେରା ଜ୍ୟାମିତିଗତ ମଡେଲ ବ୍ୟବହାର କରନ୍ତି, ଯେତେବେଳେ କି ଦୃଶ୍ୟମାନତା ଆଧାରିତ ପଦ୍ଧତିଗୁଡ଼ିକ ସମ୍ପୂର୍ଣ୍ଣ ଚେହେରା ପ୍ରତିଛବିକୁ ଏକ ବର୍ଣ୍ଣନାକାରୀ ଦ୍ୱାରା ବର୍ଣ୍ଣନା କରନ୍ତି ଏବଂ ସାଧାରଣତଃ ପୋଜ୍ ଆକଳନକୁ ଏକ ଶ୍ରେଣୀକରଣ ସମସ୍ୟା ଭାବରେ ବିଚାର କରନ୍ତି । ଦୃଶ୍ୟମାନତା ଆଧାରିତ ପଦ୍ଧତିଗୁଡିକ ଦ୍ରୁତତର ଏବଂ ଭିନ୍ନ ଭିନ୍ନ ସ୍ଥିତି ଆକଳନ ପାଇଁ ଅଧିକ ଅନୁକୂଳ । କିନ୍ତୁ ଏହାର କାର୍ଯ୍ୟଦକ୍ଷତା ମୁଖ୍ୟତଃ ମୁଣ୍ଡର ବର୍ଣ୍ଣନା ଉପରେ ନିର୍ଭର କରିଥାଏ, ଯାହା ଚେହେରାକୁ ଚିହ୍ନିବା ଏବଂ ଆଲୋକ ବିଷୟରେ ସୂଚନାକୁ ହ୍ରାସ କରିବା ପାଇଁ ଭଲ ଭାବରେ ଚୟନ କରାଯିବା ଉଚିତ । ଏହି ଅଧ୍ୟୟନରେ, ଆମେ ଏକ ଭିନ୍ନ ମୁଣ୍ଡ ସ୍ଥିତି ଆକଳନ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଏକକ ଦୃଶ୍ୟମାନ ସ୍ପେକ୍ଟ୍ରମ ପ୍ରତିଛବିରୁ ଡ୍ରାଇଭରଙ୍କ ଧ୍ୟାନ ସ୍ତର ନିର୍ଣ୍ଣୟ କରିବାକୁ ଲକ୍ଷ୍ୟ ରଖିଛି, ଯଦିଓ ମୁହଁର ବୈଶିଷ୍ଟ୍ୟ ଦୃଶ୍ୟମାନ ନୁହେଁ । ସ୍ପଷ୍ଟ ଭାବରେ, ଆମେ ପ୍ରଥମେ ଏକ ନୂତନ ବର୍ଣ୍ଣନାକାରୀ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଚାରୋଟି ପ୍ରାସଙ୍ଗିକ ଦିଗ-ଆଧାରିତ ହେଡ୍ ବର୍ଣ୍ଣନାକାରୀଙ୍କ ମିଶ୍ରଣରୁ ସୃଷ୍ଟି ହୋଇଛି, ଯଥା ଷ୍ଟିଅରେବଲ୍ ଫିଲ୍ଟର୍, ଦିଗଯୁକ୍ତ ଗ୍ରାଡିଏଣ୍ଟ (HOG) ର ହିଷ୍ଟୋଗ୍ରାମ୍, ହାର୍ ବୈଶିଷ୍ଟ୍ୟ ଏବଂ ତ୍ୱରିତ ଦୃଢ଼ ବୈଶିଷ୍ଟ୍ୟ (SURF) ବର୍ଣ୍ଣନାକାରୀର ଏକ ଅନୁକୂଳ ସଂସ୍କରଣ _ ଦ୍ୱିତୀୟରେ, ବର୍ଣ୍ଣନାକାରୀଙ୍କର ବିଶେଷତ୍ୱର ଏକ ସଠିକ, ପ୍ରାସଙ୍ଗିକ ଏବଂ ସମାନ ଉପସୂଚୀ ବାହାର କରିବା ପାଇଁ, କେତେକ ଜଣାଶୁଣା ବିଶେଷତ୍ୱ ଚୟନ ଆଲଗୋରିଦମ ଉପରେ ଏକ ତୁଳନାତ୍ମକ ଅଧ୍ୟୟନ କରାଯାଇଥାଏ । ଶେଷରେ, ପ୍ରାପ୍ତ ଉପସୂଚୀକୁ ଶ୍ରେଣୀଭୁକ୍ତ କରିବା ପ୍ରକ୍ରିୟା ଅଧୀନରେ ରଖାଯାଏ, ଯାହା ସହାୟକ ଭେକ୍ଟର ମେସିନ୍ (SVM) ଦ୍ୱାରା କରାଯାଇଥାଏ, ମୁଣ୍ଡର ସ୍ଥିତି ପରିବର୍ତ୍ତନକୁ ଶିଖିବା ପାଇଁ । ଆମେ ସର୍ବସାଧାରଣ ଡାଟାବେସ୍ (ପଏଣ୍ଟିଂ୦୪) ସହିତ ପରୀକ୍ଷଣ କରି ଦେଖାଇଛୁ ଯେ ଆମର ଆଭିମୁଖ୍ୟ ଉଚ୍ଚ ସଠିକତା ସହିତ ମୁଣ୍ଡକୁ ବର୍ଣ୍ଣନା କରେ ଏବଂ ଅତ୍ୟାଧୁନିକ ପଦ୍ଧତି ତୁଳନାରେ ମୁଣ୍ଡର ସ୍ଥିତିର ଦୃଢ ଆକଳନ ପ୍ରଦାନ କରେ । |
a6c04f3ba5a59bdeedb042835c8278e0d80e81ff | ଏହି କାଗଜରେ Q-LINKPAN ପ୍ରୟୋଗ ପାଇଁ ଏକ ନିମ୍ନ-ପ୍ରୋଫାଇଲ୍ ସବଷ୍ଟ୍ରାଟ୍-ସଂଯୁକ୍ତ ୱେଭ୍ ଗାଇଡ୍ ଗୁହାଳ-ପ୍ରତିରୋଧିତ ଇ-ଆକାର ପ୍ୟାଚ୍ ଆଣ୍ଟେନା ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । କାର୍ଯ୍ୟକାରୀ ବ୍ୟାଣ୍ଡୱିଡଥ୍ ବିସ୍ତାର କରିବା ପାଇଁ, ଏକ କୋ-ପ୍ଲାନାର୍ ୱେଭ୍ ଗାଇଡ୍ (ସିପିଡବ୍ଲୁ) କୁ ଏକ ଧାତୁଯୁକ୍ତ ମାଧ୍ୟମରେ ପ୍ରସ୍ତାବିତ ଆଣ୍ଟିନାକୁ ଫିଡ୍ କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୁଏ ଯାହା ଏକ ରିଜୋନାସ୍ ମୋଡ୍ ସୃଷ୍ଟି କରିଥାଏ । ଏହାବ୍ୟତୀତ, ପୃଷ୍ଠ ଲହରୀକୁ ଦମନ କରିବା ଏବଂ ବିକିରଣ ଦକ୍ଷତା ବୃଦ୍ଧି କରିବା ପାଇଁ ଏକ ସବଷ୍ଟ୍ରେଟ୍-ସଂଯୁକ୍ତ ଗୁହାଳ ବ୍ୟବହୃତ ହୁଏ । ଇ-ପ୍ଲାନ ରେଡିଏସନ ପ୍ୟାଟର୍ନ ଏବଂ ଏଚ-ପ୍ଲାନ କ୍ରସ ପୋଲାରାଇଜେସନର ସିମେଟ୍ରିକୁ ଉନ୍ନତ କରିବା ପାଇଁ ଡିଜାଇନରେ ଏକ ଡିଫେରେନସିଆଲ ଫିଡିଂ ନେଟୱାର୍କ ବ୍ୟବହାର କରାଯାଇଛି । $2 \times 2$ ପ୍ରୋଟୋଟାଇପକୁ ଡିଜାଇନ, ନିର୍ମାଣ ଏବଂ ମାପ କରାଯାଇ ପ୍ରଦର୍ଶନୀ ପାଇଁ ବ୍ୟବହାର କରାଯାଏ । ମାପ ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ ଏହି ପ୍ରୋଟାଇପର ୧୦ ଡିସିଏଲ ଇମ୍ପେଡେନ୍ସ ବ୍ୟାଣ୍ଡୱିଡଥ୍ ୩୪.୪% ଅଟେ, ଦୂର ଦୂରାନ୍ତ ପ୍ରୟୋଗ ପାଇଁ ୩୭.୫-୪୬ ଗିଗାହର୍ଟ୍ସ ମଧ୍ୟରେ ଏକ ସଂକୀର୍ଣ୍ଣ ଇ-ପ୍ଲାନ ରେଡିଏସନ୍ ବିମ୍ ସହିତ ପ୍ରାୟ ୧୨.୫ ଡିସିଏଲ ଲାଭ ଏବଂ ଦୂର ଦୂରାନ୍ତ ପ୍ରୟୋଗ ପାଇଁ ୪୭-୫୩ ଗିଗାହର୍ଟ୍ସ ମଧ୍ୟରେ ଏକ ବ୍ୟାଡ ଇ-ପ୍ଲାନ ରେଡିଏସନ୍ ବିମ୍ ସହିତ ପ୍ରାୟ ୮ ଡିସିଏଲ ଲାଭ । ପ୍ରସ୍ତାବିତ କୌଶଳ ବ୍ୟବହାର କରି କମପ୍ୟାକ୍ଟ ପ୍ଲାନର ଆଣ୍ଟିନା ବିକଶିତ କରାଯାଇପାରିବ ଯାହା କି ଉଦୀୟମାନ Q-LINKPAN ବେତାର ସିଷ୍ଟମର ଉଭୟ ସ୍ୱଳ୍ପ ଓ ଦୀର୍ଘ ଦୂରତା ଯୋଗାଯୋଗ ଆବଶ୍ୟକତାକୁ ପୂରଣ କରିପାରିବ । |
2dec5b671af983b1e57418434932f0320f51e9ca | ପୂର୍ବରୁ ଅନେକ ଶ୍ରେଣୀକରଣ କାର୍ଯ୍ୟରେ ନିଭ ବେଜ ଇଣ୍ଡକସନ୍ ଆଲଗୋରିଦମ ଆଶ୍ଚର୍ଯ୍ୟଜନକ ଭାବରେ ସଠିକ୍ ବୋଲି ପ୍ରମାଣିତ ହୋଇଥିଲା, ଏପରିକି ଯେତେବେଳେ ସେମାନେ ଆଧାରିତ ସର୍ତ୍ତମୂଳକ ସ୍ୱାଧୀନତା ଅନୁମାନ ଉଲ୍ଲଂଘନ କରାଯାଇଥିଲା _ ତଥାପି ଅଧିକାଂଶ ଅଧ୍ୟୟନ ଛୋଟ ଡାଟାବେସ୍ ଉପରେ କରାଯାଇଥିଲା _ ଆମେ ଦେଖୁଛୁ ଯେ କିଛି ବଡ ଡାଟାବେସ୍ ରେ ନିଭ ବେଜ୍ର ସଠିକତା ନିଷ୍ପତ୍ତି ଗଛ ସହିତ ମାପ ହୁଏ ନାହିଁ _ ଆମେ ତାପରେ ଏକ ନୂତନ ଆଲଗୋରିଦମ NBTree ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ନିଷ୍ପତ୍ତି ଗଛ ଶ୍ରେଣୀକର୍ତ୍ତା ଏବଂ ନିଭ ବେଜ୍ର ଶ୍ରେଣୀକର୍ତ୍ତାଙ୍କ ଏକ ମିଶ୍ରଣ _ ନିଷ୍ପତ୍ତି ଗଛର ନୋଡଗୁଡିକରେ ନିୟମିତ ନିଷ୍ପତ୍ତି ଗଛ ପରି ବିଭିନ୍ନ ବିଭାଜନ ଅଛି କିନ୍ତୁ ପତ୍ରଗୁଡ଼ିକରେ ନିଭ ବେଜୀୟାନ ଶ୍ରେଣୀକର୍ତ୍ତା ଅଛନ୍ତି _ ଏହି ପଦ୍ଧତି ନିଭ ବେଜ ଏବଂ ନିଷ୍ପତ୍ତି ଗଛର ବ୍ୟାଖ୍ୟାକୁ ନିୟନ୍ତ୍ରଣ କରିଥାଏ, ଯାହାଫଳରେ ଶ୍ରେଣୀକରଣ ହେଉଛି ଯାହା ଉଭୟ ବଡ ଉପାଦାନକୁ ବିଶେଷ କରି ପରୀକ୍ଷିତ ଡାଟାବେସ୍ ରେ କାର୍ଯ୍ୟକାରୀ କରିଥାଏ _ |
43c0ff1070def3d98f548b7cbf523fdd4a83827a | ଆଜିକାଲି ୱେବ୍ ସୂଚନା ମଲ୍ଟିମିଡିଆ ବିଷୟବସ୍ତୁ ଉପରେ ଅଧିକ ପ୍ରଭାବ ପକାଉଛି । ମଲ୍ଟିମିଡିଆ ଉପଭୋକ୍ତା-ଆବଜେକ୍ଟର ପାରସ୍ପରିକ କ୍ରିୟାର ପ୍ରକୃତି ହେଉଛି 1/0 ବାଇନାରୀ ଇମ୍ପ୍ଲିସିଟ୍ ଫିଡବ୍ୟାକ୍ (ଯେପରିକି ଫଟୋ ପସନ୍ଦ, ଭିଡିଓ ଭିୟୁ, ଗୀତ ଡାଉନଲୋଡ୍ ଇତ୍ୟାଦି) । ), ଯାହା ସ୍ପଷ୍ଟ ମତାମତ (ଉଦାହରଣ ସ୍ୱରୂପ ଉତ୍ପାଦ ମାନ୍ୟତା) ଅପେକ୍ଷା ବହୁତ କମ୍ ମୂଲ୍ୟରେ ଅଧିକ ମାତ୍ରାରେ ସଂଗ୍ରହ କରାଯାଇପାରିବ । ଅବଶ୍ୟ, ବର୍ତ୍ତମାନର ଅଧିକାଂଶ ସହଯୋଗୀ ଫିଲ୍ଟରିଂ (ସିଏଫ୍) ସିଷ୍ଟମ ମଲ୍ଟିମିଡିଆ ସୁପାରିଶ ପାଇଁ ଭଲ ଭାବରେ ଡିଜାଇନ୍ କରାଯାଇନାହିଁ, କାରଣ ସେମାନେ ମଲ୍ଟିମିଡିଆ ବିଷୟବସ୍ତୁ ସହିତ ଉପଭୋକ୍ତାଙ୍କ ପାରସ୍ପରିକ କ୍ରିୟାରେ ଅନ୍ତର୍ନିହିତତାକୁ ଅଣଦେଖା କରନ୍ତି । ଆମେ ଯୁକ୍ତି କରୁଛୁ ଯେ ମଲ୍ଟିମିଡିଆ ସୁପାରିଶରେ, ଉପାଦାନ ଏବଂ ଉପାଦାନ ସ୍ତରରେ ଏକ ନିହିତତା ଅଛି ଯାହା ବ୍ୟବହାରକାରୀଙ୍କ ପସନ୍ଦକୁ ଅସ୍ପଷ୍ଟ କରିଥାଏ । ବସ୍ତୁ-ସ୍ତରୀୟ ନିହିତ ଅର୍ଥ ହେଉଛି ଯେ ବସ୍ତୁ ଉପରେ ଉପଭୋକ୍ତାଙ୍କର ପସନ୍ଦ (ଯେପରିକି ଫଟୋ, ଭିଡିଓ, ଗୀତ ଇତ୍ୟାଦି) ଅଜ୍ଞାତ ଥିବା ବେଳେ ଉପାଦାନ ସ୍ତରରେ ନିହିତ ଅର୍ଥ ହେଉଛି ପ୍ରତ୍ୟେକ ଆଇଟମ୍ ଭିତରେ ବିଭିନ୍ନ ଉପାଦାନ ଉପରେ ଉପଭୋକ୍ତାଙ୍କର ପସନ୍ଦ (ଯଥା ଗୋଟିଏ ଚିତ୍ରରେ ଥିବା ଅଞ୍ଚଳ, ଭିଡିଓର ଫ୍ରେମ୍ ଆଦି) ଜଣା ନାହିଁ । ଉଦାହରଣ ସ୍ୱରୂପ, ଏକ ଭିଡିଓରେ ଦେଖିବା ଉପଭୋକ୍ତାଙ୍କୁ ଭିଡିଓ କିପରି ପସନ୍ଦ ଆସୁଛି (ଅର୍ଥଃ ଆଇଟମ୍ ସ୍ତର) ଏବଂ ଉପଭୋକ୍ତା ଭିଡିଓର କେଉଁ ଅଂଶରେ ଆଗ୍ରହୀ ଅଛନ୍ତି (ଅର୍ଥଃ ଉପାଦାନ ସ୍ତର) ସେ ବିଷୟରେ କୌଣସି ନିର୍ଦ୍ଦିଷ୍ଟ ସୂଚନା ପ୍ରଦାନ କରେ ନାହିଁ । ଏହି କାଗଜରେ ଆମେ ଏକ ନୂଆ ଧ୍ୟାନ ମେକାନିଜମ ବିଷୟରେ ଆଲୋଚନା କରୁଛୁ ଯାହା ମଲ୍ଟିମିଡିଆ ସୁପାରିଶରେ ଆଇଟମ୍ ଏବଂ ଉପାଦାନ ସ୍ତରରେ ଥିବା ଇମ୍ପ୍ଲିସିଟ୍ ଫିଡବ୍ୟାକ୍ କୁ ସମାଧାନ କରିବ । ଏହାକୁ ଆଟେନଟିଭ୍ କୋଲାବରେଟିଭ୍ ଫିଲ୍ଟରିଂ (ଏସିଏଫ୍) କୁହାଯାଏ । ବିଶେଷକରି, ଆମର ଧ୍ୟାନ ମଡେଲ ହେଉଛି ଏକ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଯାହା ଦୁଇଟି ଧ୍ୟାନ ମଡ୍ୟୁଲରୁ ଗଠିତ: ଉପାଦାନ ସ୍ତରୀୟ ଧ୍ୟାନ ମଡ୍ୟୁଲ, ଯେକୌଣସି ବିଷୟବସ୍ତୁ ବୈଶିଷ୍ଟ୍ୟ ଉତ୍ତୋଳନ ନେଟୱାର୍କରୁ ଆରମ୍ଭ (ଯେପରିକି. ଚିତ୍ର/ଭିଡିଓ ପାଇଁ ସିଏନଏନ), ଯାହା ମଲ୍ଟିମିଡିଆ ଆଇଟମଗୁଡିକର ସୂଚନା ଉପାଦାନଗୁଡିକ ବାଛିବା ଶିଖେ, ଏବଂ ଆଇଟମ ସ୍ତରୀୟ ଧ୍ୟାନ ମଡ୍ୟୁଲ, ଯାହା ଆଇଟମ ପସନ୍ଦଗୁଡିକ ସ୍କୋର କରିବାକୁ ଶିଖେ । ଏସିଏଫକୁ କ୍ଲାସିକ୍ ସିଏଫ ମଡେଲରେ ନିରବଚ୍ଛିନ୍ନ ଭାବରେ ଅନ୍ତର୍ଭୁକ୍ତ କରାଯାଇପାରିବ, ଯେପରିକି ବିପିଆର ଏବଂ ଏସଭିଡି ++ ଏବଂ ଏସଜିଡି ବ୍ୟବହାର କରି ଦକ୍ଷତାର ସହିତ ତାଲିମ ଦିଆଯାଇପାରିବ । ଦୁଇଟି ବାସ୍ତବିକ ମଲ୍ଟିମିଡିଆ ୱେବ୍ ସେବା ଉପରେ ବ୍ୟାପକ ପରୀକ୍ଷଣ ମାଧ୍ୟମରେ: ଭାଇନ୍ ଏବଂ ପିଣ୍ଟରେଷ୍ଟ, ଆମେ ଦେଖୁଛୁ ଯେ ଏସିଏଫ୍ ଯଥେଷ୍ଟ ଉନ୍ନତ କୌଶଳଯୁକ୍ତ ସିଏଫ୍ ପଦ୍ଧତିକୁ ଅତିକ୍ରମ କରେ । |
421703f469c46e06bddf0642224e75189b208af6 | |
25ac694fa23f733679496a139e9168472e267865 | ଏହି ଅଧ୍ୟୟନରେ ଆମେ ସ୍ୱୟଂଚାଳିତ ବୈଶିଷ୍ଟ୍ୟ ଇଞ୍ଜିନିୟରିଂ ପାଇଁ ଦୁଇଟି ଅତ୍ୟାଧୁନିକ ଆଭିମୁଖ୍ୟର ଅଧ୍ୟୟନ, ତୁଳନା ଏବଂ ମିଶ୍ରଣ କରିଛୁ: ପ୍ରଶ୍ନ ଉତ୍ତର (QA) ସେଟିଂରେ ଉତ୍ତର ବାକ୍ୟଗୁଡିକର ର୍ୟାଙ୍କ୍ କରିବା ପାଇଁ ଶିଖିବା ପାଇଁ କନଭୋଲ୍ୟୁସନ୍ ଟ୍ରି କେର୍ନଲ୍ (CTKs) ଏବଂ କନଭୋଲ୍ୟୁସନାଲ୍ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ୍ (CNNs) । କ୍ୱାଲିଟି ଏଜେନ୍ସି ସହିତ କାରବାର କରିବା ସମୟରେ, ଶିକ୍ଷଣ ଆଲଗୋରିଦମରେ ପ୍ରଶ୍ନ ଏବଂ ଉତ୍ତରର ଉପାଦାନଗୁଡ଼ିକ ମଧ୍ୟରେ ସମ୍ପର୍କୀୟ ସୂଚନାକୁ ଏନକୋଡ୍ କରିବା ହେଉଛି ମୁଖ୍ୟ ଦିଗ । ଏହି ଉଦ୍ଦେଶ୍ୟରେ, ଆମେ ନୂଆ ସିଏନଏନଗୁଡ଼ିକୁ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ସମ୍ପର୍କରେ ସୂଚନା ବ୍ୟବହାର କରି ଏବଂ ସେଗୁଡ଼ିକୁ ସମ୍ପର୍କରେ ସିଟିକେ ସହିତ ମିଶାଇ । ଫଳାଫଳରୁ ଜଣାପଡ଼ୁଛି ଯେ (i) ଉଭୟ ପଦ୍ଧତି ପ୍ରଶ୍ନ ଉତ୍ତର କାର୍ଯ୍ୟରେ ଅତ୍ୟାଧୁନିକ ଜ୍ଞାନକୌଶଳ ହାସଲ କରିଥାଏ, ଯେଉଁଠାରେ CTK ଅଧିକ ସଠିକତା ପ୍ରଦାନ କରିଥାଏ ଏବଂ (ii) ଏହିପରି ପଦ୍ଧତିର ମିଶ୍ରଣ ଅଭୂତପୂର୍ବ ଉଚ୍ଚ ଫଳାଫଳ ପ୍ରଦାନ କରିଥାଏ । |
6882dcb241f5aaefe85025bf754f8dd1c1502df1 | ଆମର ଲକ୍ଷ୍ୟ ହେଉଛି ରୋବୋଟିକ୍ସ ଏବଂ ସ୍ୱୟଂଚାଳିତ ପ୍ରଯୁକ୍ତିକୁ ପ୍ରୟୋଗ କରି ନ୍ୟୁରୋ ରିହାବିଲିଟେସନକୁ ସହାୟତା, ଉନ୍ନତି, ପରିମାଣ ଏବଂ ଦସ୍ତାବିଜ କରିବା । ଏହି ଅଧ୍ୟୟନରେ 20 ଜଣ ଷ୍ଟ୍ରୋକ ରୋଗୀଙ୍କ ଉପରେ କରାଯାଇଥିବା ଏକ କ୍ଲିନିକାଲ ପରୀକ୍ଷଣର ସମୀକ୍ଷା କରାଯାଇଛି ଯେଉଁଥିରେ କି ମେସାଚୁସେଟସ ଇନଷ୍ଟିଚ୍ୟୁଟ ଅଫ ଟେକ୍ନୋଲୋଜି, କେମ୍ବ୍ରିଜ (ଏମଆଇଟି) ରେ ବିକଶିତ ଏକ ରୋବଟ ସହାୟକ ପୁନର୍ବାସ ସୁବିଧା ଏବଂ ନ୍ୟୁୟର୍କର ହ୍ୱାଇଟ ପ୍ଲେନ୍ସ ସ୍ଥିତ ବର୍କ ପୁନର୍ବାସ ଡାକ୍ତରଖାନାରେ ଏହାର ପରୀକ୍ଷଣ କରାଯାଇଛି । ଏହା ସହିତ ରୋବଟ ସହାୟକ ମୂଲ୍ୟାୟନ ପ୍ରକ୍ରିୟାରେ ସଂଗୃହିତ ହୋଇଥିବା ଗତିମୈଥୁନ ତଥ୍ୟକୁ ବିଶ୍ଳେଷଣ କରିବା ପାଇଁ ଆମର ଆଭିମୁଖ୍ୟ ବିଷୟରେ ମଧ୍ୟ ଏଥିରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ବିଶେଷ କରି, ଆମେ ପ୍ରମାଣ ଉପସ୍ଥାପନ କରୁଛୁ 1) ରୋବୋଟ୍ ସହାୟକ ଚିକିତ୍ସା ପଦ୍ଧତିର କୌଣସି ପ୍ରତିକୂଳ ପ୍ରଭାବ ନାହିଁ, 2) ରୋଗୀମାନେ ଏହି ପଦ୍ଧତିକୁ ସହ୍ୟ କରନ୍ତି, ଏବଂ 3) କ୍ଷତିଗ୍ରସ୍ତ ଅଙ୍ଗର ପେରିଫେରାଲ୍ ମନିପ୍ୟୁଲେସନ୍ ମସ୍ତିଷ୍କର ପୁନରୁଦ୍ଧାରକୁ ପ୍ରଭାବିତ କରିପାରେ । ଏହି ଫଳାଫଳ ମାନକ କ୍ଲିନିକାଲ ମୂଲ୍ୟାୟନ ପଦ୍ଧତି ଉପରେ ଆଧାରିତ । ଆମେ ମଧ୍ୟ ଏକ ରୋବଟ ସହାୟକ ମୂଲ୍ୟାୟନ ପ୍ରକ୍ରିୟାରେ ଚଳନାତ୍ମକ ତଥ୍ୟ ବ୍ୟବହାର କରି ଏକ ଉପାୟ ଉପସ୍ଥାପନ କରୁଛୁ । |
106804244aeca715094e12266e3233adca5b78af | ଅସ୍ଥାୟୀ ଯନ୍ତ୍ରପାତି କ୍ଷେତ୍ରରେ ଅଭିନବ ବୈଷୟିକ ପ୍ରଗତି, ଯେପରିକି ପୋର୍ଟେବଲ ପାୱାରଯୁକ୍ତ ଅସ୍ଥାୟୀ ଯନ୍ତ୍ରପାତି, ପୁନର୍ବାସର କାର୍ଯ୍ୟକ୍ଷମ ପରିଣାମରେ ଉନ୍ନତି ଆଣିବା ପାଇଁ ନୂତନ ଚିକିତ୍ସା ପଦ୍ଧତି ସୃଷ୍ଟି କରିପାରିବ । ଏହି ଲେଖାରେ ଆମେ ଏକ ନୂଆ ପୋର୍ଟେବଲ ପାୱାର ଆଣ୍ଠୁ-ପାଦ ଅଥୋସିସ (ପିପିଏଏଫଓ) ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ଚାଲିବା ସମୟରେ ବିନା ବନ୍ଧନରେ ସାହାଯ୍ୟ କରିଥାଏ । ପିପିଏଏଫଓ ଉଭୟ ପ୍ଲାଣ୍ଟାର ଫ୍ଲେକ୍ସର ଏବଂ ଡୋର୍ସିଫ୍ଲେକ୍ସର ଟର୍କ ସହାୟତାକୁ ଏକ ଦ୍ୱି-ଦିଗଯୁକ୍ତ ନିମୋଟିକ ରୋଟେରୀ ଆକ୍ଟ୍ୟୁଏଟର ମାଧ୍ୟମରେ ପ୍ରଦାନ କରିଥାଏ । ଏହି ସିଷ୍ଟମ ପାଦର କାର୍ଯ୍ୟକୁ ନିୟନ୍ତ୍ରଣ କରିବା ପାଇଁ ଏକ ପୋର୍ଟେବଲ ନିଉମେଟିକ ଶକ୍ତି ଉତ୍ସ (କମ୍ପ୍ରେସଡ କାର୍ବନ ଡାଇଅକ୍ସାଇଡ ବୋତଲ) ଏବଂ ଇମେଜ ଇଲେକ୍ଟ୍ରୋନିକ୍ସ ବ୍ୟବହାର କରିଥାଏ । ଆମେ ଏକ ବିକଳାଙ୍ଗ ଏବଂ ତିନିଜଣ ଅଣ-ବିକଳାଙ୍ଗଙ୍କ ଠାରୁ ପରୀକ୍ଷାମୂଳକ ତଥ୍ୟ ସଂଗ୍ରହ କରି ଡିଜାଇନ୍ କାର୍ଯ୍ୟକାରିତା ପ୍ରଦର୍ଶନ କରିଥିଲୁ । ଏହି ରୋଗରେ ଥିବା ବ୍ୟକ୍ତିଙ୍କ ତଳ ଗୋଡ଼ର ଦୁଇ ପାର୍ଶ୍ବରେ କାଉଡା ଇକ୍ୱିନା ସିଣ୍ଡ୍ରୋମ କାରଣରୁ ଦୁର୍ବଳତା ଦେଖାଦେଇଥିଲା । ଆମେ ଜାଣିବାକୁ ପାଇଲୁ ଯେ, ଅଣ-ଅକ୍ଷମ ଚାଳକମାନଙ୍କ ଠାରୁ ମିଳିଥିବା ତଥ୍ୟ ଦର୍ଶାଉଛି ଯେ, ପିପିଏଫଓର କ୍ଷମତା ହେଉଛି ଠିକ୍ ସମୟରେ ପାଦ ଆଣ୍ଠୁ ଓ ପିଠି ଆଣ୍ଠୁକୁ ସାହାଯ୍ୟ କରିବା । ଆଙ୍ଗୁଠିର ଆଭ୍ୟନ୍ତରୀଣ ଅଙ୍ଗୁଳିର ସକ୍ରିୟତା ହ୍ରାସ ପାଇବା ମଧ୍ୟ ଅସହାୟ ବ୍ୟକ୍ତିଙ୍କ ସହ ଚାଲିଚାଲି ପରୀକ୍ଷଣ ସମୟରେ ଦେଖାଯାଇଥିଲା । ବିକୃତ ବ୍ୟକ୍ତିଙ୍କ ପାଇଁ ସହାୟତା ପ୍ରାପ୍ତ ପରୀକ୍ଷଣ ସମୟରେ ସ୍ଥିତିର ଦ୍ୱିତୀୟ ଭାଗରେ ଭୂମି ପ୍ରତିକ୍ରିୟା ବଳର ବୃଦ୍ଧି ଘଟିଥିଲା । ଅଣ-ଅକ୍ଷମ ଚାଳକଙ୍କ ତଥ୍ୟ କାର୍ଯ୍ୟକାରିତା ଦର୍ଶାଇଥିଲା ଏବଂ ଏକ ଦୁର୍ବଳ ଚାଳକଙ୍କ ତଥ୍ୟ କାର୍ଯ୍ୟକ୍ଷମ ପାଦ ଆଣ୍ଠୁ ଫ୍ଲେକ୍ସର ସହାୟତା ପ୍ରଦାନ କରିବାର କ୍ଷମତା ଦର୍ଶାଇଥିଲା । |
8ef2a5e3dffb0a155a14575c8333b175b61e0675 | |
8d2dd62b1784794e545d44332a5cb66649af0eca | ଏହି ଲେଖାରେ ନେଟୱର୍କ ଘନତ୍ୱକୁ ପରବର୍ତ୍ତୀ ଦଶନ୍ଧିରେ ବେତାର ବିକାଶର ମୁଖ୍ୟ ତନ୍ତ୍ର ଭାବରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ନେଟୱର୍କ ଘନତା ବୃଦ୍ଧିରେ ଅନ୍ତରୀକ୍ଷରେ ଘନତା ବୃଦ୍ଧି (ଉଦାହରଣ ସ୍ୱରୂପ, ଛୋଟ କୋଷର ଘନ ବିସ୍ତାର) ଏବଂ ଫ୍ରିକ୍ୱେନ୍ସି (ବିଭିନ୍ନ ବ୍ୟାଣ୍ଡରେ ରେଡିଓ ସ୍ପେକ୍ଟ୍ରମର ବୃହତ ଅଂଶ ବ୍ୟବହାର) ଅନ୍ତର୍ଭୁକ୍ତ । ସ୍ୱୟଂ ସଂଗଠିତ ନେଟୱାର୍କ ଏବଂ ଇଣ୍ଟରସେଲ୍ ଇଣ୍ଟରଫେରାନ୍ସ ପରିଚାଳନା ଦ୍ୱାରା ବୃହତ ଆକାରର ବ୍ୟୟ-ପ୍ରଭାବୀ ଆଞ୍ଚଳିକ ଘନତା ବୃଦ୍ଧି କରାଯାଇଥାଏ । ନେଟୱାର୍କ ଘନତ୍ୱର ସମ୍ପୂର୍ଣ୍ଣ ଲାଭ ସେତେବେଳେ ପ୍ରାପ୍ତ କରାଯାଇପାରିବ ଯେତେବେଳେ ଏହା ବ୍ୟାକହାଉଲ ଘନତ୍ୱ ଏବଂ ଅତ୍ୟାଧୁନିକ ରିସିଭର ଦ୍ୱାରା ପୂରଣ କରାଯାଇପାରିବ ଯାହା ହସ୍ତକ୍ଷେପ ରଦ୍ଦ କରିବାରେ ସକ୍ଷମ ହେବ । |
cdee17ad8dc9cf6cf074512d8c2e776e0ff4d18c | ଆଜିକାଲି ପ୍ରଯୁକ୍ତିର ଦ୍ରୁତ ବିକାଶ ଲୋକମାନଙ୍କୁ ଏକ ନୂତନ ଏବଂ ବିପ୍ଳବୀ ଧାରଣା ଆଡ଼କୁ ନେଇଯାଇଛି, ଯାହାର ନାମ ହେଉଛି ଇଣ୍ଟରନେଟ୍ ଅଫ୍ ଥିଙ୍ଗସ୍ । ଏହି ମଡେଲରେ ସମସ୍ତ "ବସ୍ତୁ" ଯଥା ବ୍ୟକ୍ତିଗତ ବସ୍ତୁ (ସ୍ମାର୍ଟଫୋନ, ନୋଟବୁକ୍, ସ୍ମାର୍ଟ ଘଡ଼ି, ଟାବଲେଟ୍ ଇତ୍ୟାଦି), ସେନସର ସହିତ ଇଲେକ୍ଟ୍ରୋନିକ୍ ଉପକରଣ ଏବଂ ଅନ୍ୟାନ୍ୟ ପରିବେଶ ଉପାଦାନଗୁଡିକ ସର୍ବଦା ଏକ ସାଧାରଣ ନେଟୱାର୍କ ସହିତ ସଂଯୁକ୍ତ ହୋଇଥାଏ । ତେଣୁ, ନେଟୱାର୍କରେ ଚିହ୍ନଟ ହୋଇଥିବା କୌଣସି ଉପକରଣ ବ୍ୟବହାର କରି ଯେକୌଣସି ସମୟରେ ଯେକୌଣସି ସମ୍ବଳକୁ ଆକ୍ସେସ କରାଯାଇପାରିବ । ଯଦିଓ ଆଇଓଟି ଅର୍ଥନୈତିକ ଏବଂ ସାମାଜିକ ଦୃଷ୍ଟିରୁ ଲାଭଦାୟକ ହୋଇପାରେ, ଏପରି ଏକ ବ୍ୟବସ୍ଥାର କାର୍ଯ୍ୟାନ୍ୱୟନ ଅନେକ ଅସୁବିଧା, ବିପଦ ଏବଂ ସୁରକ୍ଷା ପ୍ରସଙ୍ଗ ସୃଷ୍ଟି କରେ ଯାହା ଉପରେ ଧ୍ୟାନ ଦେବା ଆବଶ୍ୟକ । ଆଜିକାଲି ଇଣ୍ଟରନେଟର ସ୍ଥାପତ୍ୟକୁ ଅପଡେଟ୍ କରିବା ଏବଂ ପୁନଃ ଚିନ୍ତା କରିବା ଆବଶ୍ୟକ, ଯାହାଦ୍ୱାରା ଟ୍ରିଲିୟନ ସଂଖ୍ୟକ ଡିଭାଇସକୁ ପରସ୍ପର ସହ ଯୋଡ଼ାଯାଇପାରିବ ଏବଂ ସେମାନଙ୍କ ମଧ୍ୟରେ ପାରସ୍ପରିକ କାର୍ଯ୍ୟକ୍ଷମତା ସୁନିଶ୍ଚିତ ହୋଇପାରିବ । ତଥାପି, ସବୁଠାରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ସମସ୍ୟା ହେଉଛି ଆଇଓଟିର ସୁରକ୍ଷା ଆବଶ୍ୟକତା, ଯାହା ବୋଧହୁଏ ଏହି କ୍ଷେତ୍ରର ଅପେକ୍ଷାକୃତ ଧୀର ବିକାଶର ମୁଖ୍ୟ କାରଣ ମଧ୍ୟରୁ ଗୋଟିଏ । ଏହି କାଗଜରେ ସବୁଠାରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଆପ୍ଲିକେସନ ଲେୟାର ପ୍ରୋଟୋକଲଗୁଡ଼ିକର ଉପସ୍ଥାପନା କରାଯାଇଛି ଯାହା ବର୍ତ୍ତମାନ IoT ପ୍ରସଙ୍ଗରେ ବ୍ୟବହୃତ ହେଉଛି: CoAP, MQTT, XMPP । ଆମେ ଉଭୟ ପ୍ରୋଟୋକଲକୁ ପୃଥକ ଭାବରେ ଏବଂ ତୁଳନାତ୍ମକ ଭାବରେ ଆଲୋଚନା କରୁଛୁ, ଏହି ପ୍ରୋଟୋକଲ ଦ୍ୱାରା ପ୍ରଦାନ କରାଯାଇଥିବା ସୁରକ୍ଷା ଉପରେ ଧ୍ୟାନ ଦେଇଛୁ । ଶେଷରେ, ଆମେ ଭବିଷ୍ୟତର ଗବେଷଣା ସୁଯୋଗ ଏବଂ ନିଷ୍କର୍ଷ ପ୍ରଦାନ କରୁଛୁ । |
e4f7706213ee2bc9b1255c82c88990992ed0fddc | ଏହି ଚିଠିରେ ଏକ ବ୍ରଡବ୍ୟାଣ୍ଡ ଷ୍ଟାକ୍ ହୋଇଥିବା ସର୍କୁଲାର ପ୍ୟାଚ୍ ଆଣ୍ଟିନା ଉପସ୍ଥାପିତ କରାଯାଇଛି । ବ୍ରଡବ୍ୟାଣ୍ଡ ବୈଶିଷ୍ଟ୍ୟ କ୍ଷମତାଯୁକ୍ତ ସଂଯୁକ୍ତ ଫିଡ ଷ୍ଟ୍ରକଚର ବ୍ୟବହାର କରି ହାସଲ କରାଯାଇଥାଏ । ଆଣ୍ଟେନାକୁ ସମାନ ଆକାରର ଏବଂ ୯୦ ଡିଗ୍ରୀର ପର୍ଯ୍ୟାୟ ପରିବର୍ତ୍ତନ ସହିତ ଚାରୋଟି ଆଉଟପୁଟ୍ ପୋର୍ଟ ଫିଡ୍ ନେଟୱାର୍କ ଦ୍ୱାରା ସଞ୍ଚାରିତ ହୋଇଥାଏ । ଏହି ଆଣ୍ଟିନା ଜିପିଏସ୍, ଗ୍ଲୋନାସ, ଗାଲିଲିଓ ଏବଂ କମ୍ପାସ୍ ସମେତ ଗ୍ଲୋବାଲ ନାଭିଗେସନ୍ ସାଟେଲାଇଟ୍ ସିଷ୍ଟମ୍ ଆପ୍ଲିକେସନ୍ ପାଇଁ ବହୁତ ଭଲ ସର୍କୁଲାର ପଲାରିଜଡ୍ ରେଡିଏସନ୍ ପ୍ରଦାନ କରିଥାଏ । |
bd0b7181eb8b2cb09a4e1318649d442986cf9697 | ଏହି କାଗଜରେ ଏକ ଦ୍ୱି-ଦିଗାନ୍ତକାରୀ ପୁଶ-ପୁଲ୍ ଡିସି-ଡିସି କନ୍ଭର୍ଟର ପାଇଁ ବିଶ୍ଳେଷଣ ଏବଂ ମଡେଲିଂ ଉପସ୍ଥାପନ କରାଯାଇଛି । ବିଶେଷକରି, ପିଡବ୍ଲୁଏମ୍ ସହିତ ଫେଜ୍-ସିଫ୍ଟ ନିୟନ୍ତ୍ରଣ ସହିତ ଲିକେଜ୍ କରେଣ୍ଟ୍ ହ୍ରାସ ଉପରେ ଧ୍ୟାନ ଦିଆଯାଉଛି । ବିଭିନ୍ନ ପ୍ରକାର କାର୍ଯ୍ୟ ଅବସ୍ଥା ପାଇଁ ଦକ୍ଷତାପୂର୍ଣ୍ଣ ଅବସ୍ଥାକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ବିଭିନ୍ନ ପ୍ରକାର କାର୍ଯ୍ୟ ଅବସ୍ଥାରେ ଲିକେଜ୍ କରେଣ୍ଟକୁ ତୁଳନା କରାଯାଇଛି । କ୍ଷୁଦ୍ର ସିଗନାଲ୍ ଏବଂ ବୃହତ ସିଗନାଲ୍ ମଡେଲକୁ ସବୁଠାରୁ ଅଧିକ ଦକ୍ଷ ମୋଡ୍ ପାଇଁ ଷ୍ଟେଟ୍ ସ୍ପେସ୍ ଏଭରେଜିଂ ପଦ୍ଧତି ଗ୍ରହଣ କରାଯାଇଛି । ଏହାର ଏକ ୩୦~୭୦/୩୦୦ ଭୋଲ୍ଟର ପ୍ରୋଟୋଟାଇପ ନିର୍ମାଣ କରାଯାଇଥିଲା । ଉଭୟ ଅନୁକରଣ ଫଳାଫଳ ଏବଂ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ମଡେଲର ବୈଧତାକୁ ପ୍ରମାଣିତ କରିଥାଏ । |
60e3f74c98407e362560edbcb10a094e2a64c3ce | ମାଇକ୍ରୋବ୍ଲଗ୍ ବାର୍ତ୍ତା ଗୁଡିକ ବର୍ତ୍ତମାନର ଭାବନା ବିଶ୍ଳେଷଣ କୌଶଳ ପାଇଁ କିଛି ଅସ୍ୱାଭାବିକ ଗୁଣ ଯୋଗୁଁ ଗୁରୁତର ଆହ୍ୱାନ ସୃଷ୍ଟି କରେ ଯେପରିକି ଲମ୍ବ ସୀମା ଏବଂ ଅନୌପଚାରିକ ଲେଖା ଶୈଳୀ । ଏହି ଲେଖାରେ ଆମେ ଚୀନର ମାଇକ୍ରୋବ୍ଲଗରେ ଲେଖାଥିବା ବାର୍ତ୍ତାଗୁଡ଼ିକରୁ ମତାମତ ସଂଗ୍ରହ କରିବା ପାଇଁ ଚେଷ୍ଟା କରୁଛୁ । ମାଇକ୍ରୋବ୍ଲଗରେ ଏ ପର୍ଯ୍ୟନ୍ତ ଏହିଭଳି ସୂକ୍ଷ୍ମ ଶବ୍ଦ ସ୍ତରୀୟ କାର୍ଯ୍ୟର ଭଲ ଭାବରେ ଅନୁସନ୍ଧାନ କରାଯାଇନାହିଁ । ଆମେ ଏହି ସମସ୍ୟାର ସମାଧାନ ପାଇଁ ଏକ ଅଣ-ନିରୀକ୍ଷିତ ଲେବଲ୍ ପ୍ରସାର ଆଲଗୋରିଦମ ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଗୋଟିଏ ବିଷୟର ସମସ୍ତ ବାର୍ତ୍ତାର ମତାମତ ଲକ୍ଷ୍ୟକୁ ଏକତ୍ରିତ ଭାବେ ବାହାର କରାଯାଏ, ଏହି ଧାରଣା ଆଧାରରେ ଯେ ସମାନ ବାର୍ତ୍ତା ସମାନ ମତାମତ ଲକ୍ଷ୍ୟ ଉପରେ ଧ୍ୟାନ ଦେଇପାରେ । ମାଇକ୍ରୋବ୍ଲଗରେ ଥିବା ପ୍ରସଙ୍ଗ ଗୁଡିକୁ ହ୍ୟାସଟ୍ୟାଗ ବା କ୍ଲଷ୍ଟରିଂ ଆଲଗୋରିଦମ ବ୍ୟବହାର କରି ଚିହ୍ନଟ କରାଯାଇଥାଏ । ଚାଇନିଜ୍ ମାଇକ୍ରୋବ୍ଲଗ୍ ରେ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଆମର ଫ୍ରେମୱାର୍କ ଏବଂ ଆଲଗୋରିଦମର ପ୍ରଭାବକୁ ଦର୍ଶାଉଛି । |
04e34e689386604ab37780c48797352321f95102 | ସିଗନାଲ୍ ପ୍ରୋସେସିଂ ଏବଂ ପ୍ୟାଟର୍ନ୍ ରେକଗନିସନ୍ ଆଲଗୋରିଦମ୍ ଗୁଡିକ କଭୋଲସନ୍ ର ବ୍ୟାପକ ବ୍ୟବହାର କରନ୍ତି । ଅନେକ କ୍ଷେତ୍ରରେ, ଗଣନାତ୍ମକ ସଠିକତା ଗଣନାତ୍ମକ ଗତି ପରି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ନୁହେଁ । ବିଶେଷତ୍ୱ ଉତ୍ତୋଳନ କ୍ଷେତ୍ରରେ, ଉଦାହରଣ ସ୍ୱରୂପ, ଏକ ସିଗନାଲରେ ଆଗ୍ରହର ବିଶେଷତ୍ୱ ସାଧାରଣତଃ ସମ୍ପୂର୍ଣ୍ଣ ବିକୃତ ହୋଇଥାଏ । ଏହି ପ୍ରକାର ଶବ୍ଦ ପାଇଁ କିଛି ପରିମାଣର କ୍ୱାଣ୍ଟାଇଜେସନ ଆବଶ୍ୟକ ହୋଇଥାଏ ଯାହାଦ୍ୱାରା ଦ୍ରୁତ ଗତିରେ ବୈଶିଷ୍ଟ୍ୟ ଉତ୍ତୋଳନ କରାଯାଇପାରିବ । ଆମର ଆଭିମୁଖ୍ୟ ହେଉଛି ସିଗନାଲର କ୍ଷେତ୍ରଗୁଡ଼ିକୁ ନିମ୍ନ ସ୍ତରର ବହୁପଦାର୍ଥ ସହିତ ଅନୁମାନ କରିବା ଏବଂ ତାପରେ ଇମ୍ପଲସ ଫଙ୍କସନ (କିମ୍ବା ଇମ୍ପଲସ ଫଙ୍କସନର ଡେରାଇଭେଟ) ପାଇବା ପାଇଁ ଫଳାଫଳ ସିଗନାଲଗୁଡ଼ିକୁ ଭିନ୍ନ କରିବା । ଏହି ପ୍ରତିନିଧିତ୍ୱ ସହିତ, କଭୋଲ୍ୟୁସନ ଅତି ସରଳ ହୋଇଯାଏ ଏବଂ ଏହାକୁ ବହୁତ ପ୍ରଭାବୀ ଢଙ୍ଗରେ କାର୍ଯ୍ୟକାରୀ କରାଯାଇପାରିବ । ପ୍ରକୃତ କଭୋଲସନ୍ କୁ କଭୋଲସନ୍ ର ପରିଣାମକୁ ସମନ୍ୱିତ କରି ପୁନଃ ପ୍ରାପ୍ତ କରାଯାଇପାରେ । ଏହି ପଦ୍ଧତି ବିଶେଷତ୍ୱ ଉତ୍ତୋଳନ କରିବାରେ ଯଥେଷ୍ଟ ତ୍ୱରାନ୍ୱିତ କରିଥାଏ ଏବଂ ଏହା କଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କରେ ପ୍ରୟୋଗ କରାଯାଇପାରିବ । |
0fb1b0ce8b93abcfd30a4bb41d4d9b266b1c0f64 | ଏହି କାଗଜରେ ଏକ ଭିଜୁଆଲ ଅବଜେକ୍ଟ ଡିଟେକ୍ସନ ଫ୍ରେମୱାର୍କର ବର୍ଣ୍ଣନା କରାଯାଇଛି ଯାହା ଉଚ୍ଚ ଡିଟେକ୍ସନ ହାର ହାସଲ କରିବା ସମୟରେ ଅତି ଶୀଘ୍ର ଚିତ୍ର ପ୍ରକ୍ରିୟାକରଣ କରିବାରେ ସକ୍ଷମ । ଏଥିରେ ତିନୋଟି ମୁଖ୍ୟ ଯୋଗଦାନ ରହିଛି । ପ୍ରଥମଟି ହେଉଛି ଏକ ନୂତନ ପ୍ରତିଛବି ପ୍ରତିନିଧିତ୍ୱର ପ୍ରବର୍ତ୍ତନ ଯାହାକୁ "ସାମଗ୍ରିକ ପ୍ରତିଛବି" କୁହାଯାଏ ଯାହା ଆମର ଡିଟେକ୍ଟର ଦ୍ୱାରା ବ୍ୟବହୃତ ବୈଶିଷ୍ଟ୍ୟଗୁଡିକର ଶୀଘ୍ର ଗଣନା କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ଦ୍ୱିତୀୟଟି ହେଉଛି ଆଡାବୁଷ୍ଟ ଉପରେ ଆଧାରିତ ଏକ ଶିକ୍ଷଣ ଆଲଗୋରିଦମ, ଯାହା ଅଳ୍ପ ସଂଖ୍ୟକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଭିଜୁଆଲ୍ ବୈଶିଷ୍ଟ୍ୟ ଚୟନ କରେ ଏବଂ ଅତ୍ୟନ୍ତ ଦକ୍ଷ ବର୍ଗୀକରଣକାରୀ ସୃଷ୍ଟି କରେ । ତୃତୀୟ ଅବଦାନ ହେଉଛି ଏକ "କାସ୍କେଡ୍"ରେ ଶ୍ରେଣୀଭୁକ୍ତକାରୀକୁ ମିଶ୍ରଣ କରିବାର ଏକ ପଦ୍ଧତି ଯାହା ପ୍ରତିଛବିର ପୃଷ୍ଠଭୂମି ଅଞ୍ଚଳକୁ ଶୀଘ୍ର ନଷ୍ଟ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ, ଯେତେବେଳେ କି ଅଧିକ ପ୍ରତିଜ୍ଞା କରୁଥିବା ବସ୍ତୁ-ସମାନ ଅଞ୍ଚଳରେ ଅଧିକ ଗଣନା ଖର୍ଚ୍ଚ କରିଥାଏ । ଚେହେରା ଚିହ୍ନଟ କ୍ଷେତ୍ରରେ ଏକ ପରୀକ୍ଷଣର ସେଟ ଉପସ୍ଥାପିତ କରାଯାଇଛି । ଏହି ସିଷ୍ଟମ ଚେହେରା ଚିହ୍ନଟ କରିବାର କ୍ଷମତା ପୂର୍ବ ସିଷ୍ଟମଗୁଡ଼ିକର ସର୍ବୋତ୍ତମ ସିଷ୍ଟମ ସହ ତୁଳନା କରାଯାଇପାରିବ [୧୮, ୧୩, ୧୬, ୧୨, ୧] । ସାଧାରଣ ଡେସ୍କଟପ ଉପରେ କାର୍ଯ୍ୟକାରୀ ହୋଇଥିବା ଚେହେରା ଚିହ୍ନଟ ପ୍ରକ୍ରିୟା ପ୍ରତି ସେକେଣ୍ଡରେ ୧୫ ଫ୍ରେମ ପର୍ଯ୍ୟନ୍ତ ଚାଲିଥାଏ । |
2d0f96c27695b213a55bcd5681bf1dba9dc5ad94 | ଆମେ ସଫ୍ଟୱେରରେ ଅନ୍ତର୍ଭୁକ୍ତ ବୌଦ୍ଧିକ ସମ୍ପତ୍ତି ଉପରେ ତିନି ପ୍ରକାରର ଆକ୍ରମଣ ଏବଂ ତିନୋଟି ଅନୁରୂପ ବୈଷୟିକ ପ୍ରତିରକ୍ଷା ଚିହ୍ନଟ କରିଛୁ । ରିଭର୍ସ ଇଞ୍ଜିନିୟରିଂ ବିପକ୍ଷରେ ଏକ ଶକ୍ତିଶାଳୀ ପ୍ରତିରକ୍ଷା ହେଉଛି ଅସ୍ପଷ୍ଟିକରଣ, ଏକ ପ୍ରକ୍ରିୟା ଯାହା ସଫ୍ଟୱେରକୁ ଅସ୍ପଷ୍ଟ କରିଥାଏ କିନ୍ତୁ ତଥାପି କାର୍ଯ୍ୟକ୍ଷମ କରିଥାଏ । ସଫ୍ଟୱେର ଡକାୟତି ବିରୁଦ୍ଧରେ ଏକ ପ୍ରତିରକ୍ଷା ହେଉଛି ୱାଟରମାର୍କିଂ, ଏକ ପ୍ରକ୍ରିୟା ଯାହା ସଫ୍ଟୱେର ଉତ୍ପତ୍ତି ନିର୍ଣ୍ଣୟ କରିବା ସମ୍ଭବ କରିଥାଏ । ତ୍ରୁଟି ବିରୁଦ୍ଧରେ ରକ୍ଷା ହେଉଛି ତ୍ରୁଟି-ପ୍ରୁଫ୍, ଯାହାଫଳରେ ସଫ୍ଟୱେୟାରରେ ଅନଧିକୃତ ପରିବର୍ତ୍ତନ (ଉଦାହରଣ ସ୍ୱରୂପ ୱାଟରମାର୍କ ଅପସାରଣ କରିବା ପାଇଁ) ଅଣ-କାର୍ଯ୍ୟକ୍ଷମ କୋଡ୍ ସୃଷ୍ଟି କରିବ । ଆମେ ସଂକ୍ଷେପରେ ପ୍ରତି ପ୍ରକାରର ପ୍ରତିରକ୍ଷା ପାଇଁ ଉପଲବ୍ଧ ପ୍ରଯୁକ୍ତିର ସମୀକ୍ଷା କରୁଛୁ । |
51fe1d8999b48a499fc711df1a27ce6966fd2f65 | ଏକ କ୍ଷୁଦ୍ର ଆଣ୍ଟିନା ଭାବରେ କାର୍ଯ୍ୟ କରୁଥିବା ଏକ କଣ୍ଡେସଟର କିମ୍ବା ଇଣ୍ଡକ୍ଟର ସିଦ୍ଧାନ୍ତିକ ଭାବରେ ଏହାର ଆକାର ଠାରୁ ନିର୍ବିଶେଷରେ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ପରିମାଣର ଶକ୍ତିକୁ ଅବରୋଧ କରିବାରେ ସକ୍ଷମ ଅଟେ, ସର୍କିଟ୍ କ୍ଷତି ବିନା ଟ୍ୟୁନିଂର ଧାରଣା ଉପରେ । ଏହି ଆଦର୍ଶର ବ୍ୟବହାରିକ ଦକ୍ଷତା ଆଣ୍ଟେନର ଶକ୍ତି କାରକ ଏବଂ ଆଣ୍ଟେନା ଟ୍ୟୁନିଂର ବ୍ୟାଣ୍ଡୱିଡଥ୍ ତୁଳନାରେ ଆଣ୍ଟେନର "ରେଡିଏସନ୍ ପାୱାର ଫ୍ୟାକ୍ଟର" ଦ୍ୱାରା ସୀମିତ । ଆଣ୍ଟେନା ର ରେଡିଏସନ ପାୱାର ଫ୍ୟାକ୍ଟର ୧/୬π (Ab/l2) ରୁ କିଛି ଅଧିକ ହୋଇଥାଏ ଯେଉଁଥିରେ Ab ହେଉଛି ଆଣ୍ଟେନା ର ସିଲିଣ୍ଡର ଆକାର ଏବଂ l ହେଉଛି ରେଡିଏନ ଲମ୍ବ (୧/୨π ତରଙ୍ଗ ଲମ୍ବ ଭାବରେ ପରିଭାଷିତ) କାର୍ଯ୍ୟର ଫ୍ରିକ୍ୱେନ୍ସିରେ । ଆଣ୍ଟିନା ଓ ଏହାର ଟ୍ୟୁନରର କପଲିଂର ନିବିଡ଼ତା ଦ୍ୱାରା ଏହାର ଦକ୍ଷତା ଆହୁରି ସୀମିତ ହୋଇଥାଏ । ଛୋଟ ଆଣ୍ଟିନା ଓ ସରଳ ସର୍କିଟରେ ସେମାନଙ୍କର ବ୍ୟବହାର ପାଇଁ ଅନ୍ୟ ସରଳ ସୂତ୍ର ଦିଆଯାଇଛି । 1-Mc ର ଉଦାହରଣ ସାଧାରଣ ସର୍କିଟରେ କାର୍ଯ୍ୟ କରିବା ଦ୍ୱାରା ଆଇ.ଆର.ଇ. ପାଇଁ ପ୍ରାୟ ୩୫ ଡି.ବି.ର କ୍ଷତି ହୋଇଥାଏ । ଏକ ଷ୍ଟାଣ୍ଡାର୍ଡ କାପାସିଟିଭ୍ ଆଣ୍ଟିନା, ୧ ମିଟର ବର୍ଗର ଓ ୦.୫ ମିଟର ଆକ୍ସିୟଲ ଲମ୍ବ ବିଶିଷ୍ଟ ଏକ ବଡ଼ ଲୁପ୍ ପାଇଁ ୪୩ ଡେସିମିଲିଟର ଏବଂ ଏହି ପରିମାପର ୧/୫ ଭାଗ ଲୁପ୍ ପାଇଁ ୬୪ ଡେସିମିଲିଟର । |
b3a7ef30218832c1ab69cf18bee5aebb39dc746f | ଏକ ନୂତନ ±45° ଦ୍ୱୈତ-ପୋଲାରାଇଜଡ ଏକ ଦିଗଯୁକ୍ତ ଆଣ୍ଟିନା ଉପାଦାନ ଉପସ୍ଥାପିତ କରାଯାଇଛି, ଯେଉଁଥିରେ ଦୁଇଟି କ୍ରସ୍ ସେଣ୍ଟର୍-ଫେଡ୍ କୋପର ମୋନୋ-ଲୁପ୍ ଏବଂ ଅଲ୍ଟ୍ରାୱାଇଡବ୍ୟାଣ୍ଡ ପ୍ରୟୋଗ ପାଇଁ ଏକ ପ୍ରତିଫଳକ ବିପକ୍ଷରେ ଅବସ୍ଥିତ ଦୁଇଟି କ୍ରସ୍ ଇଲେକ୍ଟ୍ରିକ୍ ଡାଇପୋଲ୍ ଅନ୍ତର୍ଭୁକ୍ତ । ଆଣ୍ଟେନର କାର୍ଯ୍ୟକାରିତା ସିଦ୍ଧାନ୍ତର ବର୍ଣ୍ଣନା କରାଯାଇଛି ଯେଉଁଥିରେ ଅସନ୍ତୁଳିତ ଶକ୍ତିକୁ ସନ୍ତୁଳିତ ଶକ୍ତିକୁ ଟ୍ରାନଜିଟ୍ କରିବା ପାଇଁ ଏଲିପ୍ଟିକ୍ କାନେରାଲ୍ ଟ୍ରାନ୍ସମିସନ୍ ଲାଇନ୍ ବ୍ୟବହାର କରାଯାଇଛି । ବିଭିନ୍ନ ପ୍ରକାର ପ୍ରତିବିମ୍ବକ-ପ୍ଲାନାର କିମ୍ବା କୋନିକଲ- ସହିତ ଡିଜାଇନଗୁଡିକର ଅନୁସନ୍ଧାନ କରାଯାଉଛି । 126% (SWR <; 2) ର ଏକ ମାପିତ ଆବରଣ ବ୍ୟାଣ୍ଡୱିଡଥ୍ ପ୍ରଦର୍ଶିତ ହୋଇଛି । ଏହାର ସଂଯୋଜନା ପରିପୂରକ ହୋଇଥିବାରୁ ଆଣ୍ଟିନାଟି ଏକ ସ୍ଥିର ବ୍ରଡସାଇଡ ରେଡିଏସନ ପ୍ୟାଟର୍ନ ସହିତ କମ କ୍ରସ ପୋଲାରାଇଜେସନ ଓ କମ ବ୍ୟାକ ଲୋବ ରେଡିଏସନ ସହିତ କାର୍ଯ୍ୟକାରୀ ବ୍ୟାଣ୍ଡରେ ରହିଛି । ପ୍ରସ୍ତାବିତ ଆଣ୍ଟେନାର ମାପିତ ଲାଭ ଯଥାକ୍ରମେ ପୋର୍ଟ ୧ ଓ ପୋର୍ଟ ୨ ପାଇଁ ୪ରୁ ୧୩ ଡିବିଏଲ ଓ ୭ରୁ ୧୪.୫ ଡିବିଏଲ ମଧ୍ୟରେ ପରିବର୍ତନ ହୋଇଥାଏ, ଯେତେବେଳେ ଏହା ଏକ କୋନିକାଲ ବ୍ୟାକର୍ଡ ରିଫ୍ଲେକ୍ଟର ଉପରେ ଲଗାଯାଇଥାଏ । ଦୁଇ ପୋର୍ଟ ମଧ୍ୟରେ ମାପ କରାଯାଇଥିବା କପଲ -୨୫ ଡିସିଏଲରୁ କମ ରହିଛି । |
ef7d230c4f24ccc1c70fe9fbfb8936488aea92ba | ଏହି ଅଧ୍ୟୟନରେ, ଆମେ ନ୍ୟୁରାଲ ମେସିନ ଟ୍ରାନ୍ସଲେସନ ରୂପରେଖ ବ୍ୟବହାର କରି ୬ଟି ଭିନ୍ନ ଭିନ୍ନ ଭାଷାରେ ସଂଯୁକ୍ତ ବାକ୍ୟର ଉପସ୍ଥାପନା ଶିଖିବା । ଆମର ଲକ୍ଷ୍ୟ ହେଉଛି ଏକ ପ୍ରତିନିଧିତ୍ୱ ଯାହା ଭାଷାଠାରୁ ସ୍ୱାଧୀନ, ଏହା ମୂଳ ସିମାନ୍ଟିକ୍ସକୁ ଧାରଣ କରିବାର ସମ୍ଭାବନା ରହିଛି । ଆମେ ଏକ ନୂଆ କ୍ରସଲିଙ୍ଗୁଆଲ ସମାନତା ମାପକକୁ ପରିଭାଷିତ କରିଛୁ, 1.4 ମିଲିୟନ ବାକ୍ୟର ପ୍ରତିନିଧିତ୍ୱକୁ ତୁଳନା କରିଛୁ ଏବଂ ନିକଟତର ବାକ୍ୟର ବିଶେଷତ୍ୱ ଅଧ୍ୟୟନ କରିଛୁ । ଆମେ ପରୀକ୍ଷାମୂଳକ ପ୍ରମାଣ ପ୍ରଦାନ କରୁଛୁ ଯେ ଯେଉଁ ବାକ୍ୟଗୁଡ଼ିକର ସ୍ଥାନ ସମାନ ହୋଇଥାଏ ସେଗୁଡ଼ିକର ଅର୍ଥଗତ ସମ୍ପର୍କ ଅତ୍ୟନ୍ତ ଉଚ୍ଚ ହୋଇଥାଏ, କିନ୍ତୁ ଅନେକ ସମୟରେ ସେମାନଙ୍କର ଢାଞ୍ଚା ଓ ବାକ୍ୟବିନ୍ୟାସ ସମ୍ପୂର୍ଣ୍ଣ ଭିନ୍ନ ହୋଇଥାଏ । ବିଭିନ୍ନ ଭାଷାର ବାକ୍ୟଗୁଡିକୁ ତୁଳନା କରିବା ସମୟରେ ମଧ୍ୟ ଏହି ସମ୍ପର୍କଗୁଡିକ ପ୍ରାସଙ୍ଗିକ । |
620b7d0d5e2ceeba58d808dc3d7b09a9fb57831c | |
44561e7a54649b2b7aa2ba08f2842d754f648e23 | ଏହି କାର୍ଯ୍ୟରେ ଆମେ ୧୫୭ଟି କ୍ରିୟା ଶ୍ରେଣୀ ଥିବା ଚରଦ କ୍ରିୟା ଚିହ୍ନଟ ଡାଟାସେଟ ବ୍ୟବହାର କରି କ୍ରିୟା ଚିହ୍ନଟ ସମସ୍ୟା ଉପରେ ଗବେଷଣା କରିଛୁ । ଆମେ ବିଭିନ୍ନ କୌଶଳ ଯଥା ଅତିଶୟ ଶିକ୍ଷଣ ଯନ୍ତ୍ର, ସହାୟତା ଭେକ୍ଟର ଯନ୍ତ୍ର ଏବଂ ନିର୍ଣ୍ଣୟ ବୃକ୍ଷର ଫଳାଫଳକୁ ତୁଳନା କରିଛୁ, ଯାହାକି ଗଭୀର ସ୍ନାୟୁ ନେଟୱାର୍କ ଏବଂ ଦୃଶ୍ୟ-କାର୍ଯ୍ୟ ସର୍ତ୍ତମୂଳକ ସମ୍ଭାବନା ସହିତ ବାହାର କରାଯାଇଥିବା ବିଶେଷତା ଉପରେ ପ୍ରୟୋଗ କରାଯାଇଛି । |
171a4ef673e40d09d7091082c7fd23b3758fc3c2 | ଭିଡ଼ିଓ କ୍ୟାମେରାରେ ଦେଖାଯାଉଥିବା ବ୍ୟକ୍ତିଙ୍କ ଚେହେରାକୁ ଚିହ୍ନିବା ପାଇଁ ଅଧିକରୁ ଅଧିକ ନିରୀକ୍ଷଣ ଏବଂ ବାୟୋମେଟ୍ରିକ୍ ଆପ୍ଲିକେସନ୍ ବ୍ୟବହାର କରାଯାଉଛି । ଭିଡିଓ ଆଧାରିତ ଏଫଆର ସିଷ୍ଟମକୁ କଠିନ କାର୍ଯ୍ୟ ପରିବେଶରେ ବ୍ୟବହାର କରାଯାଇପାରିବ, ଯେଉଁଠାରେ ଭିଡିଓ କ୍ୟାମେରାରେ କଏଦ ହୋଇଥିବା ଚେହେରାଗୁଡ଼ିକର ଦୃଶ୍ୟପଟ୍ଟରେ ପରିବର୍ତ୍ତନ, ଆଲୋକ, ଆକାର, ଅସ୍ପଷ୍ଟତା, ଅଭିବ୍ୟକ୍ତି, ଅବରୋଧ ଇତ୍ୟାଦି କାରଣରୁ ଉଲ୍ଲେଖନୀୟ ପରିବର୍ତ୍ତନ ହୋଇଥାଏ । ବିଶେଷକରି, ଷ୍ଟିଲ୍-ଟୁ-ଭିଡିଓ ଏଫଆର ସହିତ, ସିଷ୍ଟମରେ ଜଣେ ବ୍ୟକ୍ତିଙ୍କ ନାମ ପଞ୍ଜୀକରଣ ପାଇଁ ସୀମିତ ସଂଖ୍ୟକ ଉଚ୍ଚ-ଗୁଣାତ୍ମକ ଚେହେରା ପ୍ରତିଛବି ଧରାଯାଏ, ଯେତେବେଳେ କି ଭିଡିଓ କ୍ୟାମେରା ବ୍ୟବହାର କରି ଅପରେସନ୍ ସମୟରେ, ବିଭିନ୍ନ ଦୃଶ୍ୟପଟ ଏବଂ ଅଣ-ନିୟନ୍ତ୍ରିତ ପରିସ୍ଥିତିରେ ବହୁ ସଂଖ୍ୟକ ଚେହେରା ଟ୍ରାଫେକ୍ଟୋରୀ ଧରାଯାଇପାରିବ । ଏହି କାଗଜରେ ଏକ ଗଭୀର ଶିକ୍ଷଣ ସ୍ଥାପତ୍ୟ ଉପସ୍ଥାପନ କରାଯାଇଛି ଯାହା ପଞ୍ଜୀକରଣ ସମୟରେ ପ୍ରତ୍ୟେକ ଲକ୍ଷ୍ୟ ବ୍ୟକ୍ତିଙ୍କ ପାଇଁ ଏକ ଦୃଢ଼ ଚେହେରା ପ୍ରତିନିଧିତ୍ୱ ଶିଖିପାରିବ ଏବଂ ତାପରେ ଏକ ଷ୍ଟିଲ୍ ରେଫରେନ୍ସ ଇମେଜରୁ (ଲକ୍ଷ୍ୟ ବ୍ୟକ୍ତିଙ୍କ) ବାହାର କରାଯାଇଥିବା ରୁଚିପୂର୍ଣ୍ଣ ଚେହେରା ଅଞ୍ଚଳ (ROIs) କୁ ଲାଇଭ୍ କିମ୍ବା ଆର୍କାଇଭ୍ ଭିଡିଓରୁ ବାହାର କରାଯାଇଥିବା ROIs ସହିତ ସଠିକ୍ ଭାବରେ ତୁଳନା କରିପାରିବ । ହାର୍ ନେଟ୍ ନାମକ ଏକ ଗଭୀର କଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କ (ଡିସିଏନଏନ) ର ଏକ ସମୂହ ପ୍ରସ୍ତାବିତ ହୋଇଛି, ଯେଉଁଠାରେ ଏକ ଟ୍ରଙ୍କ ନେଟୱାର୍କ ପ୍ରଥମେ ଫେସିଆଲ ଆରଓଆଇ (ସାମଗ୍ରିକ ପ୍ରତିନିଧିତ୍ୱ) ର ବିଶ୍ୱ ଦୃଶ୍ୟରୁ ବିଶେଷତ୍ୱ ବାହାର କରିଥାଏ । ତାପରେ, ତିନୋଟି ଶାଖା ନେଟୱାର୍କ ପ୍ରଭାବଶାଳୀ ଭାବରେ ଅସାମିଚିକ ଏବଂ ଜଟିଳ ଚେହେରା ବିଶେଷତା (ସ୍ଥାନୀୟ ପ୍ରତିନିଧିତ୍ୱ) ହାର୍-ସମାନ ବିଶେଷତା ଉପରେ ଆଧାରିତ। ଚେହେରା ପ୍ରତିନିଧିତ୍ୱର ଭେଦଭାବକୁ ବୃଦ୍ଧି କରିବା ପାଇଁ ଏକ ନୂଆ ନିୟମିତ ତ୍ରିଗୁଣ-ହାନି ଫଙ୍କସନ୍ ପ୍ରସ୍ତାବିତ କରାଯାଇଛି ଯାହା ଅନ୍ତଃ-ଶ୍ରେଣୀ ପରିବର୍ତ୍ତନକୁ ହ୍ରାସ କରିବା ସହିତ ଅନ୍ତଃ-ଶ୍ରେଣୀ ପରିବର୍ତ୍ତନକୁ ବୃଦ୍ଧି କରିଥାଏ । ପ୍ରତି ଟାର୍ଗେଟ ବ୍ୟକ୍ତିଙ୍କ ପାଇଁ ଏକକ ରେଫରେନ୍ସ ଷ୍ଟିଲକୁ ଦୃଷ୍ଟିରେ ରଖି, ଅପରେସନାଲ ପରିବେଶରେ ମିଳୁଥିବା କ୍ୟାପଚର ପରିସ୍ଥିତିକୁ ଅନୁକରଣ କରୁଥିବା ସିନ୍ଥେଟିକ ଭାବରେ ସୃଷ୍ଟି ହୋଇଥିବା ଫେସିଆଲ ଷ୍ଟିଲ୍ ROIs ସହିତ ହାର୍ ନେଟକୁ ସୂକ୍ଷ୍ମ-ଟ୍ୟୁନ୍ କରି ପ୍ରସ୍ତାବିତ DCNNର ଦୃଢତା ଆହୁରି ଉନ୍ନତ ହୋଇଛି । ପ୍ରସ୍ତାବିତ ବ୍ୟବସ୍ଥାକୁ ସଠିକତା ଏବଂ ଜଟିଳତା ଅନୁସାରେ COX ଫେସ୍ ଏବଂ ଚୋକ୍ ପଏଣ୍ଟ ଡାଟାସେଟରୁ ଷ୍ଟିଲ୍ ଏବଂ ଭିଡିଓ ଉପରେ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଛି । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ ପ୍ରସ୍ତାବିତ ପଦ୍ଧତି ଭିଡିଓ ଆଧାରିତ ଏଫଆର ପାଇଁ ଅତ୍ୟାଧୁନିକ ପ୍ରଣାଳୀ ସହିତ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଯଥେଷ୍ଟ ଉନ୍ନତ କରିପାରିବ । |
71d55130ae9a96564ec176ff081ac5cba574db5c | |
c9c9b50b51dc677ff83f58f1a5433b2a41321ec3 | ଦୁଇ ଗୋଷ୍ଠୀ ବିଶିଷ୍ଟ ବର୍ଗୀକରଣ ସମସ୍ୟା ପାଇଁ ସପୋର୍ଟ ଭେକ୍ଟର ନେଟୱର୍କ ହେଉଛି ଏକ ନୂତନ ଶିକ୍ଷଣ ଯନ୍ତ୍ର । ଏହି ମେସିନ ପରିକଳ୍ପନାତ୍ମକ ଭାବରେ ନିମ୍ନଲିଖିତ ଧାରଣାକୁ କାର୍ଯ୍ୟକାରୀ କରିଥାଏ: ଇନପୁଟ ଭେକ୍ଟରଗୁଡ଼ିକ ଏକ ଅତି ଉଚ୍ଚ-ଆକାର ବିଶିଷ୍ଟ ବୈଶିଷ୍ଟ୍ୟ ସ୍ଥାନକୁ ଅଣ-ଲିନିୟର ଭାବରେ ମ୍ୟାପ୍ କରାଯାଇଥାଏ । ଏହି ବିଶେଷତା ସ୍ଥାନରେ ଏକ ରେଖୀ ନିର୍ଣ୍ଣୟ କ୍ଷେତ୍ର ନିର୍ମାଣ କରାଯାଏ । ନିର୍ଣ୍ଣୟ ପୃଷ୍ଠର ବିଶେଷ ଗୁଣଗୁଡ଼ିକ ଶିକ୍ଷଣ ଯନ୍ତ୍ରର ଉଚ୍ଚ ସାଧାରଣକରଣ କ୍ଷମତାକୁ ସୁନିଶ୍ଚିତ କରିଥାଏ । ପୂର୍ବରୁ ସପୋର୍ଟ ଭେକ୍ଟର ନେଟୱର୍କର ଚିନ୍ତାଧାରାକୁ ସୀମିତ କ୍ଷେତ୍ରରେ କାର୍ଯ୍ୟକାରୀ କରାଯାଇଥିଲା ଯେଉଁଠାରେ ପ୍ରଶିକ୍ଷଣ ତଥ୍ୟକୁ ବିନା ତ୍ରୁଟିରେ ପୃଥକ କରାଯାଇପାରିବ । ଆମେ ଏଠାରେ ଏହି ଫଳାଫଳକୁ ଅଣ-ବିଭାଜନୀୟ ତାଲିମ ତଥ୍ୟକୁ ବିସ୍ତାର କରିଛୁ । ବହୁପଦୀୟ ନିବେଶ ରୂପାନ୍ତରଣକୁ ବ୍ୟବହାର କରି ସପୋର୍ଟ ଭେକ୍ଟର ନେଟୱର୍କର ଉଚ୍ଚ ସାଧାରଣକରଣ କ୍ଷମତା ପ୍ରଦର୍ଶିତ ହୋଇଛି । ଆମେ ମଧ୍ୟ ବିଭିନ୍ନ କ୍ଲାସିକାଲ ଲର୍ଣ୍ଣିଂ ଆଲଗୋରିଦମ ସହିତ ସପୋର୍ଟ ଭେକ୍ଟର ନେଟୱାର୍କର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ତୁଳନା କରିଛୁ ଯାହା ସମସ୍ତେ ଅପ୍ଟିକାଲ ଚରିତ୍ର ଚିହ୍ନଟ ଉପରେ ଏକ ରେଙ୍କମାର୍କ ଅଧ୍ୟୟନରେ ଅଂଶଗ୍ରହଣ କରିଥିଲେ । |
ffdceba3805493828cf9b65f29edd4d29eee9622 | |
3115d42d3a2a7ac8a0148d93511bd282613b8396 | ବହୁ ସଂଖ୍ୟକ ପ୍ରାର୍ଥିମାନଙ୍କ ଠାରୁ ବହୁ ସଂଖ୍ୟକ ଉପଭୋକ୍ତାଙ୍କୁ ସଠିକ୍ ଭାବରେ ପ୍ରାସଙ୍ଗିକ ଆଇଟମ ସୁପାରିଶ କରିବା ଅନେକ ଅନଲାଇନ୍ ପ୍ଲାଟଫର୍ମରେ (ଯେପରିକି ଆମାଜନ୍ ଡଟ୍ କମ୍ ଏବଂ ନେଟଫ୍ଲିକ୍ସ ଡଟ୍ କମ୍) ଏକ ଅପରିହାର୍ଯ୍ୟ କିନ୍ତୁ ଗଣନାତ୍ମକ ଭାବରେ ମହଙ୍ଗା କାର୍ଯ୍ୟ ଅଟେ । ଏକ ଆଶାନୁରୂପ ଉପାୟ ହେଉଛି ବ୍ୟବହାରକାରୀ ଓ ବସ୍ତୁଗୁଡ଼ିକୁ ହାମିଙ୍ଗ୍ ସ୍ପେସ୍ ରେ ପରିକଳ୍ପନା କରିବା ଏବଂ ତାପରେ ହାମିଙ୍ଗ୍ ଦୂରତା ମାଧ୍ୟମରେ ବସ୍ତୁଗୁଡ଼ିକୁ ସୁପାରିଶ କରିବା । କିନ୍ତୁ ପୂର୍ବ ଅଧ୍ୟୟନଗୁଡ଼ିକରେ ଥଣ୍ଡା ଆରମ୍ଭର ସମସ୍ୟାକୁ ସମାଧାନ କରାଯାଇନଥିଲା ଏବଂ ଇମ୍ପ୍ଲିସିଟ୍ ଫିଡବ୍ୟାକ୍ ଭଳି ପସନ୍ଦ ତଥ୍ୟର ସର୍ବୋତ୍ତମ ବ୍ୟବହାର କରାଯାଇନଥିଲା । ଏହି ବ୍ୟବଧାନକୁ ପୂରଣ କରିବା ପାଇଁ ଆମେ ଏକ ଡିସକ୍ରିଟ କଣ୍ଟେଣ୍ଟ-ଅୱାର୍ଡ଼ ମେଟ୍ରିକ୍ସ ଫ୍ୟାକ୍ଟୋରିଜେସନ୍ (ଡିସିଏମ୍ଏଫ୍) ମଡେଲର ପ୍ରସ୍ତାବ ଦେଉଛୁ, 1) ଉପଭୋକ୍ତା / ଆଇଟମ୍ ବିଷୟବସ୍ତୁ ସୂଚନା ଉପସ୍ଥିତିରେ କମ୍ପାକ୍ଟ ତଥାପି ସୂଚନା ପ୍ରଦାନକାରୀ ବାଇନାରୀ କୋଡ୍ ପ୍ରାପ୍ତ କରିବା ପାଇଁ; 2) ଲଜିଟ୍ ହାନିର ଏକ ସ୍ଥାନୀୟ ଉପର ସୀମା ଉପରେ ଆଧାର କରି ବର୍ଗୀକରଣ କାର୍ଯ୍ୟକୁ ସମର୍ଥନ କରିବା ପାଇଁ; 3) ସ୍ପାର୍ସିଟି ସମସ୍ୟାକୁ ମୁକାବିଲା କରିବା ପାଇଁ ଏକ ପାରସ୍ପରିକ ନିୟମିତକରଣ ପ୍ରବର୍ତ୍ତନ କରିବା ପାଇଁ । ଆମେ ପରାମିଟର ଶିକ୍ଷଣ ପାଇଁ ଏକ ଦକ୍ଷ ଭିନ୍ନ ଅଲିଗୋରିଦମ ବିକଶିତ କରିଛୁ । ତିନୋଟି ବାସ୍ତବିକ ତଥ୍ୟ ଉପରେ ବ୍ୟାପକ ପରୀକ୍ଷଣ ଆଧାରରେ ଆମେ ଦେଖାଇଛୁ ଯେ ଡିସିଏଫଏମ ଉଭୟ ରିଗ୍ରେସନ ଏବଂ ଶ୍ରେଣୀକରଣ କାର୍ଯ୍ୟରେ ଅତ୍ୟାଧୁନିକ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରିଛି । |
48327aaf21902c09a92b90b1122f5bf2de62f56e | ଗତ କିଛି ବର୍ଷ ମଧ୍ୟରେ ଆମେ ଦ୍ରୁତ ଗତିରେ ବାର୍ଦ୍ଧକ୍ୟ ଜନିତ ସମାଜ କାରଣରୁ ସହାୟକ ଜୀବନ ପ୍ରଯୁକ୍ତିର ଦ୍ରୁତ ବୃଦ୍ଧି ଦେଖିଛୁ । ଜନସଂଖ୍ୟାର ବାର୍ଦ୍ଧକ୍ୟ, ଔପଚାରିକ ସ୍ୱାସ୍ଥ୍ୟସେବାର ବର୍ଦ୍ଧିତ ଖର୍ଚ୍ଚ, ଯତ୍ନଦାତାଙ୍କ ଉପରେ ବୋଝ ଏବଂ ବ୍ୟକ୍ତିମାନେ ସ୍ୱାଧୀନ ଭାବେ ବଞ୍ଚିବା ଉପରେ ଗୁରୁତ୍ୱ ଦେଉଛନ୍ତି । ଏହି ସର୍ବେକ୍ଷଣରେ ଆମେ ବୟସ୍କମାନଙ୍କ ପାଇଁ ପରିବେଶ-ସହାୟକ ଜୀବନଯାପନ (ଏଏଏଲ) ଉପକରଣର ଉତ୍ପତ୍ତିର ସାରାଂଶ ପ୍ରସ୍ତୁତ କରିବୁ । ଆମେ ଅତ୍ୟାଧୁନିକ ଏଏଲ ଟେକ୍ନୋଲୋଜି, ଉପକରଣ ଏବଂ କୌଶଳ ବିଷୟରେ ସମୀକ୍ଷା କରିବୁ ଏବଂ ବର୍ତ୍ତମାନ ଏବଂ ଭବିଷ୍ୟତର ଆହ୍ୱାନଗୁଡ଼ିକ ଉପରେ ଦୃଷ୍ଟି ଦେବୁ । |
5cf52b914bfed5aa5babf340b489392c0d961d38 | ଏହି ଅଧ୍ୟୟନରେ ଆମେ ଘରେ ହେଉଥିବା କାର୍ଯ୍ୟକଳାପକୁ ଅନୁଧ୍ୟାନ କରିବା ସହ ୪ଟି କେସ ଷ୍ଟଡି ମାଧ୍ୟମରେ ୨୨ ଜଣ ବାସିନ୍ଦାଙ୍କ ଉପରେ କରାଯାଇଥିବା ଏକ ଆକ୍ଟିଭିଟି ମନିଟରିଂ ପାଇଲଟ ଷ୍ଟଡିରୁ ପ୍ରାପ୍ତ ହୋଇଥିବା ଏକ ଡଜନ ବ୍ୟବହାରିକ ମଡେଲକୁ ଉପସ୍ଥାପନ କରୁଛୁ । ଏକ ପରିସଂଖ୍ୟାନ ପୂର୍ବାନୁମାନ ଆଲଗୋରିଦମ ଉପରେ ଆଧାରିତ କଷ୍ଟମ ସଫ୍ଟୱେୟାର ବ୍ୟବହାର କରି ପ୍ରତିଷ୍ଠିତ ଆଚରଣଗତ ପଦ୍ଧତିଗୁଡିକ ଧରାଯାଇଛି ଯାହା ସର୍କାଡିୟାନ କାର୍ଯ୍ୟକଳାପ ଲୟ (CARs) ଏବଂ ସେମାନଙ୍କର ବିଭ୍ରାଟକୁ ମଡେଲ୍ କରେ । ଆରଏସିର ଆକଳନ, ଜଣେ ବାସିନ୍ଦା ନିଜ ଆବାସିକ କୋଠରୀରେ ରହୁଥିବା ସମୟରେ ହାରାହାରି କେତେ ସମୟ ବିତାଉଛନ୍ତି ଏବଂ ହାରାହାରି କେତେ ଥର ସେ କୋଠରୀରେ ରହୁଛନ୍ତି ତାହା ଉପରେ ଆଧାରିତ । ଏକ ବୈଧ ଗୃହ ନିରୀକ୍ଷଣ ପ୍ରଣାଳୀ (ଆଇଏମଏସ) ନିରୀକ୍ଷଣ କରାଯାଇଥିବା ବାସିନ୍ଦାଙ୍କ ଗତିବିଧି ତଥ୍ୟକୁ ରେକର୍ଡ କରିଥିଲା ଏବଂ ପ୍ରତ୍ୟେକ କୋଠରୀ ପାଇଁ ଭଡା ସମୟ ଏବଂ କାର୍ଯ୍ୟକଳାପ ସ୍ତର ସ୍ଥିର କରିଥିଲା । ଏହି ତଥ୍ୟ ବ୍ୟବହାର କରି, ବାସିନ୍ଦାଙ୍କ ସର୍କାଡିୟନ୍ ଆଚରଣ ବାହାର କରାଯାଇଥିଲା, ବ୍ୟତିକ୍ରମ ଦର୍ଶାଉଥିବା ବିଭ୍ରାଟ ଚିହ୍ନଟ କରାଯାଇଥିଲା, ଏବଂ IMS ଦ୍ୱାରା ସୃଷ୍ଟି ହୋଇଥିବା କାର୍ଯ୍ୟକଳାପ ରିପୋର୍ଟ ସହିତ ଅନୁଧ୍ୟାନ କରାଯାଇଥିବା ବାସିନ୍ଦାଙ୍କ ଉପରେ ସୁବିଧା ର ବୃତ୍ତିଗତ ଯତ୍ନକାରୀଙ୍କ ନୋଟ୍ ସହିତ ଏହି ଶେଷକୁ ଅନୁରୂପ କରାଯାଇଥିଲା । ଏହି ବ୍ୟବସ୍ଥା ଦ୍ବାରା କାର୍ଯ୍ୟକଳାପ ପଦ୍ଧତିରେ ଥିବା ତ୍ରୁଟିଗୁଡିକୁ ଚିହ୍ନଟ କରାଯାଇପାରିବ ଏବଂ ଯତ୍ନ ନେଉଥିବା ବ୍ୟକ୍ତିଙ୍କୁ ଏପରି ତ୍ରୁଟିଗୁଡିକୁ ନେଇ ସତର୍କ କରାଯାଇପାରିବ, ଯାହା ସ୍ୱାସ୍ଥ୍ୟ ସ୍ଥିତିରେ ପରିବର୍ତ୍ତନକୁ ପ୍ରତିଫଳିତ କରିପାରେ, ଯାହାଦ୍ୱାରା ଯତ୍ନ ନେଉଥିବା ବ୍ୟକ୍ତିମାନଙ୍କୁ ଷ୍ଟାଣ୍ଡାର୍ଡ କେୟାର ଡାଇଗ୍ନୋଷ୍ଟିକ ପ୍ରୟୋଗ କରିବା ଏବଂ ସମୟାନୁବର୍ତ୍ତୀ ଭାବରେ ହସ୍ତକ୍ଷେପ କରିବାର ସୁଯୋଗ ମିଳିପାରିବ । |
20faa2ef4bb4e84b1d68750cda28d0a45fb16075 | ବିଭିନ୍ନ କ୍ଷେତ୍ରରେ ଉପଯୋଗୀ ସୂଚନା ପ୍ରଦାନ କରିବାରେ ସମୟ ଶୃଙ୍ଖଳାର କ୍ଲଷ୍ଟରିଂ ପ୍ରଭାବୀ ବୋଲି ପ୍ରମାଣିତ ହୋଇଛି । ସମୟଗତ ତଥ୍ୟ ଖନନ ଗବେଷଣାରେ ସମୟ କ୍ରମାଙ୍କ କ୍ଲଷ୍ଟରିଂ ପ୍ରତି ଆଗ୍ରହ ବୃଦ୍ଧି ପାଇଛି । ଏକ ସମୀକ୍ଷା ପ୍ରଦାନ କରିବା ପାଇଁ, ଏହି କାଗଜରେ ବିଭିନ୍ନ ପ୍ରୟୋଗ କ୍ଷେତ୍ରରେ ସମୟ ଶୃଙ୍ଖଳ ତଥ୍ୟର କ୍ଲଷ୍ଟରିଂ ଅନୁସନ୍ଧାନ କରିଥିବା ପୂର୍ବ କାର୍ଯ୍ୟର ସର୍ଭେ ଏବଂ ସାରାଂଶ ଦିଆଯାଇଛି । ସମୟ ଶୃଙ୍ଖଳା କ୍ଲଷ୍ଟରିଂର ମୂଳତତ୍ବ ଉପସ୍ଥାପିତ କରାଯାଇଛି, ଯେଉଁଥିରେ ସମୟ ଶୃଙ୍ଖଳା କ୍ଲଷ୍ଟରିଂ ଅଧ୍ୟୟନରେ ସାଧାରଣ ଭାବରେ ବ୍ୟବହୃତ ସାଧାରଣ ଉଦ୍ଦେଶ୍ୟ କ୍ଲଷ୍ଟରିଂ ଆଲଗୋରିଦମ, କ୍ଲଷ୍ଟରିଂ ଫଳାଫଳର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ମୂଲ୍ୟାଙ୍କନ କରିବା ପାଇଁ ମାନଦଣ୍ଡ ଏବଂ ଦୁଇଟି ସମୟ ଶୃଙ୍ଖଳା ମଧ୍ୟରେ ସମାନତା / ଅସମାନତା ନିର୍ଣ୍ଣୟ କରିବା ପାଇଁ ପଦକ୍ଷେପଗୁଡିକ ଉପସ୍ଥାପିତ କରାଯାଇଛି, କଞ୍ଚା ତଥ୍ୟ, ବାହାର କରାଯାଇଥିବା ବୈଶିଷ୍ଟ୍ୟ କିମ୍ବା କିଛି ମଡେଲ ପାରାମିଟର ରୂପରେ _ ଅତୀତର ଗବେଷଣାକୁ ତିନୋଟି ଶ୍ରେଣୀରେ ବିଭକ୍ତ କରାଯାଇଛି, ଯାହା ନିର୍ଭର କରେ ଯେ ସେମାନେ କ୍ରମିକ ତଥ୍ୟ ସହିତ ପ୍ରତ୍ୟକ୍ଷ ଭାବରେ କାର୍ଯ୍ୟ କରୁଛନ୍ତି କି ନାହିଁ, କ୍ରମିକ ତଥ୍ୟ ସହିତ ପରୋକ୍ଷ ଭାବରେ କାର୍ଯ୍ୟ କରୁଛନ୍ତି କି ନାହିଁ, କ୍ରମିକ ତଥ୍ୟରୁ ବାହାର କରାଯାଇଥିବା ବିଶେଷତ୍ୱ ସହିତ ପରୋକ୍ଷ ଭାବରେ କାର୍ଯ୍ୟ କରୁଛନ୍ତି କି ନାହିଁ, କିମ୍ବା କ୍ରମିକ ତଥ୍ୟରୁ ନିର୍ମିତ ମଡେଲ ସହିତ ପରୋକ୍ଷ ଭାବରେ କାର୍ଯ୍ୟ କରୁଛନ୍ତି କି ନାହିଁ । ପୂର୍ବ ଗବେଷଣାର ବିଶେଷତ୍ୱ ଓ ସୀମିତତା ଉପରେ ଆଲୋଚନା କରାଯାଇଛି ଏବଂ ଭବିଷ୍ୟତର ଗବେଷଣା ପାଇଁ ଅନେକ ସମ୍ଭାବ୍ୟ ବିଷୟ ଚିହ୍ନଟ କରାଯାଇଛି । ଆହୁରି ମଧ୍ୟ, ଯେଉଁ କ୍ଷେତ୍ରରେ ସମୟ ଶୃଙ୍ଖଳା କ୍ଲଷ୍ଟରିଂ ପ୍ରୟୋଗ କରାଯାଇଛି, ତାହାର ମଧ୍ୟ ସାରାଂଶ ଦିଆଯାଇଛି, ଯେଉଁଥିରେ ବ୍ୟବହୃତ ତଥ୍ୟର ଉତ୍ସ ମଧ୍ୟ ଅନ୍ତର୍ଭୁକ୍ତ । ଏହି ସମୀକ୍ଷା ଏହି ଗବେଷଣା କ୍ଷେତ୍ରରେ ଆଗ୍ରହୀ ଥିବା ବ୍ୟକ୍ତିମାନଙ୍କ ପାଇଁ ଏକ ମାର୍ଗଦର୍ଶକ ଭାବେ କାର୍ଯ୍ୟ କରିବ ବୋଲି ଆଶା କରାଯାଉଛି । ୨୦୦୫ ମଡେଲ ରିକଗନିସନ ସୋସାଇଟି ଏଲ୍ସେଭିୟର ଲିଃଦ୍ୱାରା ପ୍ରକାଶିତ । ସମସ୍ତ ଅଧିକାର ସଂରକ୍ଷିତ । |
363601765e56e4a68c22da3760a2e4f8d7db3e68 | ଏହି କାର୍ଯ୍ୟରେ ଏକ କ୍ଷୁଦ୍ର ଆକାରର ଅଲଟ୍ରା-ୱାଇଡବ୍ୟାଣ୍ଡ (UWB) ଶକ୍ତି ବିଭାଜକ (PD) ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । ଦୁଇ ପର୍ଯ୍ୟାୟ ବିଶିଷ୍ଟ ୱିଲକିନ୍ସନ୍ ପିଡିର ଟ୍ରାନ୍ସମିସନ୍ ଲାଇନ୍ରେ ବ୍ରିଜ୍ ଟି-କୋଏଲ୍ ବ୍ୟବହାର କରି ବ୍ୟାଣ୍ଡୱିଡ୍ଥ୍ ରେ କୌଣସି ହ୍ରାସ ନକରି ଅତି କମ୍ ଆକାରର ଟ୍ରାନ୍ସମିସନ୍ ଲାଇନ୍ ପ୍ରସ୍ତୁତ କରାଯାଇପାରିବ । ବିଶେଷ କରି, ଏକ ପ୍ରସ୍ତାବିତ UWB ଦୁଇ-ଦିଗ PD ସହିତ ଏକ କେନ୍ଦ୍ର ଫ୍ରିକ୍ୱେନ୍ସି f<sub>0</sub>=5.5 GHz ବ୍ୟବସାୟିକ GaAs pHEMT ପ୍ରକ୍ରିୟା ବ୍ୟବହାର କରି କାର୍ଯ୍ୟକାରୀ କରାଯାଇଛି । ବିନା ପ୍ୟାଡରେ ସର୍କିଟର ଆକାର ମାତ୍ର ୧.୪୫ ମିମି × ୦.୮୪ ମିମି, ଯାହାକି f < sub> ୦ ରେ ପାଖାପାଖି ୦.୦୨୭ λ < sub> ୦ × ୦.୦୧୬ λ < sub> ୦ । 15 dB ଇନପୁଟ୍/ଆଉଟପୁଟ୍ ରିଟର୍ଣ୍ଣ ଲସ ଏବଂ ଆଇସୋଲେସନ୍ ପାଇଁ ବ୍ରାଫେକ୍ଟାଲ ବ୍ୟାଣ୍ଡୱିଡ୍ଥ 110% ଅଟେ, ଏବଂ ଇନ-ବ୍ୟାଣ୍ଡ ଇନସର୍ଟନ ଲସ 1.3 ± 0.36 dB ଭିତରେ ଅଛି । |
0f42befba8435c7e7aad8ea3d150504304eb3695 | ଏକ ସରଳ ଏବଂ କମ୍ପାକ୍ଟ ସ୍ଲଟ୍ ଆଣ୍ଟିନା ଯାହା ବହୁତ ବ୍ୟାପକ ଟ୍ୟୁନିଂ ରେଞ୍ଜ ସହିତ ପ୍ରସ୍ତାବିତ ହୋଇଛି । ମାଟିର କଡ଼ରେ 25 ମିମି (ଲଘୁଚାପ λH/8 ସହିତ ସମାନ, ଯେଉଁଠାରେ λH ଟ୍ୟୁନିଂ ରେଞ୍ଜର ସର୍ବାଧିକ ଫ୍ରିକ୍ୱେନ୍ସି ସହ ସମାନ) ଖୋଲା ସ୍ଲଟ୍ ଗଢ଼ା ଯାଇଥାଏ । ଟ୍ୟୁନେବିଲିଟି ହାସଲ କରିବା ପାଇଁ, କେବଳ ଦୁଇଟି ଗଣ୍ଠିଯୁକ୍ତ ଉପାଦାନ, ଯଥା, ଏକ ପିନ୍ ଡାୟୋଡ୍ ଏବଂ ଏକ ଭାରାକ୍ଟର ଡାୟୋଡ୍, ଷ୍ଟ୍ରକ୍ଚରରେ ବ୍ୟବହୃତ ହୋଇଥାଏ । ସ୍ଲଟର ଖୋଲା ସ୍ଥାନରେ ଥିବା ପିନ୍ ଡାୟୋଡକୁ ସୁଇଚ୍ କରି ସ୍ଲଟ୍ ଆଣ୍ଟିନା ଷ୍ଟାଣ୍ଡାର୍ଡ ସ୍ଲଟ୍ (ଯେତେବେଳେ ସୁଇଚ୍ ଅନ ଥାଏ) କିମ୍ବା ଅଧା ସ୍ଲଟ୍ (ଯେତେବେଳେ ସୁଇଚ୍ ଅଫ ଥାଏ) ଭଳି ରିଜୋନ୍ ଦେଇଥାଏ । ଏହି ଦୁଇଟି ମୋଡରେ ବ୍ୟାପକ ଫ୍ରିକ୍ୱେନ୍ସି ରେଣ୍ଟିଙ୍ଗ୍ ରେ କ୍ରମାଗତ ଟ୍ୟୁନିଂକୁ ସ୍ଲଟରେ ଭର୍ତ୍ତି ଭାରାକ୍ଟର ଡାୟୋଡର ରିଭର୍ସ ବିୟାସ (ବିଭିନ୍ନ କ୍ଷମତା ପ୍ରଦାନ) କୁ ସଜାଡ଼ି ହାସଲ କରାଯାଇପାରିବ । ଉତ୍ତମ ଡିଜାଇନ ଦ୍ୱାରା ଦୁଇଟି ମୋଡର ଟ୍ୟୁନିଂ ବ୍ୟାଣ୍ଡକୁ ଏକାଠି ସିଲାଇ କରାଯାଇଥାଏ ଯାହାଦ୍ୱାରା ଏକ ବହୁତ ବଡ଼ ଟ୍ୟୁନିଂ ରେଞ୍ଜ ସୃଷ୍ଟି ହୋଇଥାଏ । ଏହି ପ୍ରୋଟୋଟାଇପର ଟ୍ୟୁନିଂ ଫ୍ରିକ୍ୱେନ୍ସି ରେଞ୍ଜ ୦.୪୨ ଗିଗାହର୍ଟଜରୁ ୧.୪୮ ଗିଗାହର୍ଟଜ ପର୍ଯ୍ୟନ୍ତ ରହିଛି । ମାପ କରାଯାଇଥିବା ସମ୍ପୂର୍ଣ୍ଣ ଗୋଲ ବିକିରଣ ପଦ୍ଧତିଗୁଡ଼ିକ ସମଗ୍ର ଟ୍ୟୁନିଂ ରେଞ୍ଜ ମଧ୍ୟରେ ପ୍ରସ୍ତାବିତ ଆଣ୍ଟେନାର ସମାନ ବିକିରଣ ଗୁଣାବଳୀ ଦର୍ଶାଇଥାଏ । |
bf77b3a8fa0ec0e4ef5f40089ca86001a6901f2d | |
d2c4e319a7351f1091ae08a6fc870309003ace31 | |
0abb49fe138e8fb7332c26b148a48d0db39724fc | ଆମେ ଚାରୋଟି ଚିତ୍ର ଡାଟାସେଟରେ ଅତ୍ୟାଧୁନିକ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରିଛୁ, ଅନ୍ୟ ଆଭିମୁଖ୍ୟ ତୁଳନାରେ ଯାହା ତଥ୍ୟ ବୃଦ୍ଧିକୁ ବ୍ୟବହାର କରେ ନାହିଁ । ଆମେ ଏକ ସରଳ ଏବଂ ପ୍ରଭାବଶାଳୀ ପଦ୍ଧତିର ପରିଚୟ ଦେଉଛୁ ଯାହାକି ବୃହତ କଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କକୁ ନିୟମିତ କରିଥାଏ । ଆମେ ପାରମ୍ପରିକ ନିର୍ଣ୍ଣାୟକ ପୁଲିଂ କାର୍ଯ୍ୟକୁ ଏକ ଷ୍ଟୋକାଷ୍ଟିକ୍ ପ୍ରକ୍ରିୟା ସହିତ ବଦଳାଇ ଦେଇଛୁ, ପ୍ରତ୍ୟେକ ପୁଲିଂ ଅଞ୍ଚଳରେ ଆନୁସଙ୍ଗିକ ଭାବରେ ସକ୍ରିୟକରଣକୁ ମନଇଚ୍ଛା ବାଛିଛୁ, ପୁଲିଂ ଅଞ୍ଚଳରେ କାର୍ଯ୍ୟକଳାପ ଦ୍ୱାରା ଦିଆଯାଇଥିବା ଏକ ବହୁମୁଖୀ ବଣ୍ଟନ ଅନୁଯାୟୀ । ଏହି ପଦ୍ଧତି ହାଇପର-ପାରାମିଟର ମୁକ୍ତ ଅଟେ ଏବଂ ଏହାକୁ ଅନ୍ୟ ନିୟମିତକରଣ ପଦ୍ଧତି ସହିତ ମିଶାଯାଇପାରିବ, ଯେପରିକି ଡ୍ରପଆଉଟ୍ ଏବଂ ଡାଟା ବୃଦ୍ଧି । |
23ae5fa0e8d581b184a8749d764d2ded128fd87e | ସାରାଂଶ ଆମେ ଗଭୀର ସ୍ନାୟୁ ନେଟୱାର୍କକୁ ଉନ୍ନତ କରିବାକୁ ଚାହୁଁଛୁ, ବର୍ତ୍ତମାନର ସ୍ଥାପତ୍ୟରେ କେନ୍ଦ୍ରୀୟ ଭୂମିକା ଗ୍ରହଣ କରୁଥିବା ପୁଲିଂ କାର୍ଯ୍ୟକୁ ସାଧାରଣ କରି । ଆମେ ଏକ ଯତ୍ନର ସହ ଅନୁସନ୍ଧାନ କରୁଛୁ ଯାହା ଦ୍ୱାରା ସମୂହକୁ ଶିଖିବା ଏବଂ ଜଟିଳ ଏବଂ ପରିବର୍ତ୍ତନଶୀଳ ଢାଞ୍ଚାରେ ଅନୁକୂଳ ହେବା ପାଇଁ ଅନୁମତି ଦେଇପାରିବ । ଦୁଇଟି ପ୍ରାଥମିକ ଦିଗ ହେଉଛି (1) ସର୍ବାଧିକ ଓ ହାରାହାରି ପୁଲିଂର ମିଶ୍ରଣ ମାଧ୍ୟମରେ ପୁଲିଂ ଫଙ୍କସନ ଶିଖିବା (ଦୁଇଟି ରଣନୀତି) ଏବଂ (2) ପୁଲିଂ ଫିଲ୍ଟରର ଏକ ବୃକ୍ଷ-ବନାଯାଇଥିବା ମିଶ୍ରଣ ରୂପରେ ପୁଲିଂ ଫଙ୍କସନ ଶିଖିବା । ଆମ ପରୀକ୍ଷଣରେ ଆମେ ଅନୁସନ୍ଧାନ କରୁଥିବା ପ୍ରତ୍ୟେକ ସାଧାରଣ ପୁଲିଂ କାର୍ଯ୍ୟକଳାପ ହାରାହାରି କିମ୍ବା ସର୍ବାଧିକ ପୁଲିଂ ସ୍ଥାନରେ ବ୍ୟବହାର ହେଲେ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଉନ୍ନତ କରିଥାଏ । ଆମେ ପରୀକ୍ଷାମୂଳକ ଭାବରେ ଦର୍ଶାଇଛୁ ଯେ ପ୍ରସ୍ତାବିତ ପୁଲିଂ କାର୍ଯ୍ୟ ପାରମ୍ପରିକ ପୁଲିଂ ତୁଳନାରେ ଇନଭାରିଏନ୍ସ ଗୁଣରେ ବୃଦ୍ଧି ପ୍ରଦାନ କରେ ଏବଂ ଅନେକ ବ୍ୟାପକ ଗ୍ରହଣ କରାଯାଇଥିବା ବେଞ୍ଚମାର୍କ ଡାଟାସେଟରେ କଳାର ସ୍ଥିତି ସ୍ଥିର କରେ; ସେଗୁଡିକ କାର୍ଯ୍ୟକାରୀ କରିବା ମଧ୍ୟ ସହଜ ଏବଂ ବିଭିନ୍ନ ଗଭୀର ସ୍ନାୟୁ ନେଟୱାର୍କ ସ୍ଥାପତ୍ୟ ମଧ୍ୟରେ ପ୍ରୟୋଗ କରାଯାଇପାରିବ _ ଏହି ଲାଭଗୁଡ଼ିକ ତାଲିମ ସମୟରେ କମ୍ପ୍ୟୁଟେଶନାଲ ଓଭରହେଡରେ ସାମାନ୍ୟ ବୃଦ୍ଧି ସହିତ ଆସିଥାଏ (ଟାଇମିଂ ପରୀକ୍ଷଣରେ ୫% ରୁ ୧୫% ମଧ୍ୟରେ) ଏବଂ ମଡେଲ ପାରାମିଟରର ସଂଖ୍ୟାରେ ବହୁତ ସାମାନ୍ୟ ବୃଦ୍ଧି ହୋଇଥାଏ । ଉଦାହରଣ ସ୍ୱରୂପ, 45ଟି ଅତିରିକ୍ତ ପାରାମିଟର ବ୍ୟବହାର କରି ଆମେ ଆଲେକ୍ସନେଟର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଛବି ନେଟରେ 6% ତୁଳନାତ୍ମକ ଉନ୍ନତି କରିଛୁ (ପ୍ରଥମ -5, ଏକକ ଦୃଶ୍ୟ) । |
fd6d101967259f9f8c86f5f5a9871e34d22c63e6 | ଗ୍ରାଫ ମାଇନିଂ ଡାଟା ମାଇନିଂ କ୍ଷେତ୍ରରେ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଗବେଷଣା କ୍ଷେତ୍ର । ଏହି ଅଧ୍ୟୟନ କ୍ଷେତ୍ର ଗ୍ରାଫ ଡାଟା ସେଟ ମଧ୍ୟରେ ବାରମ୍ବାର ଉପଗ୍ରାଫର ଚିହ୍ନଟ ଉପରେ ଧ୍ୟାନ ଦେଇଥାଏ । ଗବେଷଣାର ଲକ୍ଷ୍ୟ ହେଉଛି: (i) ପ୍ରାର୍ଥୀ ସବଗ୍ରାଫ ସୃଷ୍ଟି କରିବା ପାଇଁ ପ୍ରଭାବଶାଳୀ ତନ୍ତ୍ର (ଡୁପ୍ଲିକେଟ ସୃଷ୍ଟି ନକରି) ଏବଂ (ii) ସୃଷ୍ଟି ହୋଇଥିବା ପ୍ରାର୍ଥୀ ସବଗ୍ରାଫକୁ କିପରି ଉତ୍ତମ ଭାବରେ ପ୍ରକ୍ରିୟାକରଣ କରାଯିବ ଯାହାଦ୍ୱାରା ଆବଶ୍ୟକୀୟ ବାରମ୍ବାର ସବଗ୍ରାଫକୁ ଏକ ଉପାୟରେ ଚିହ୍ନଟ କରାଯାଇପାରିବ ଯାହା ଗଣନାତ୍ମକ ଭାବରେ ଦକ୍ଷ ଏବଂ ପ୍ରକ୍ରିୟାଗତ ଭାବରେ ପ୍ରଭାବଶାଳୀ ଅଟେ । ଏହି ଦସ୍ତାବିଜରେ ବାରମ୍ବାର ସବଗ୍ରାଫ ଖନନ କ୍ଷେତ୍ରରେ ବର୍ତ୍ତମାନର ଗବେଷଣା ଉପରେ ଏକ ସମୀକ୍ଷା ଏବଂ ମୁଖ୍ୟ ଗବେଷଣା ପ୍ରସଙ୍ଗର ସମାଧାନ ପାଇଁ ପ୍ରସ୍ତାବିତ ସମାଧାନର ଉପସ୍ଥାପନ କରାଯାଇଛି । |
97862a468d375d6fbd83ed1baf2bd8d74ffefdee | ସଠିକ କୃଷି ମନିଟରିଂ ସିଷ୍ଟମ (ପିଏଏମଏସ) ଏକ ବୁଦ୍ଧିମାନ ବ୍ୟବସ୍ଥା ଯାହା ଫସଲର କୃଷି ପରିବେଶ ଉପରେ ନଜର ରଖିପାରିବ ଏବଂ କୃଷକମାନଙ୍କୁ ସେବା ଯୋଗାଇପାରିବ । ଗତ କିଛି ବର୍ଷ ମଧ୍ୟରେ ୱାୟାରଲେସ୍ ସେନସର ନେଟୱର୍କ (ଡବ୍ଲୁଏସଏନ) ଉପରେ ଆଧାରିତ ପ୍ୟାମସ କୌଶଳ ଅଧିକ ଧ୍ୟାନ ଆକର୍ଷଣ କରୁଛି । ଏହିପରି ବ୍ୟବସ୍ଥାର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ବୃଦ୍ଧିର ସମୟର ପରିଚାଳନା ଏବଂ ଅନୁଧ୍ୟାନ ମାଧ୍ୟମରେ ଫସଲର ଉତ୍ପାଦନରେ ଉନ୍ନତି ଆଣିବା । ଏହି ଦସ୍ତାବିଜରେ ପ୍ୟାମସ ପାଇଁ ୱେବ୍ ସଫ୍ଟୱେର ନେଟୱାର୍କର ଡିଜାଇନକୁ ଉପସ୍ଥାପନ କରାଯାଇଛି, ଆମର ବାସ୍ତବ ଦୁନିଆର ଅଭିଜ୍ଞତାକୁ ବାଣ୍ଟାଯାଇଛି ଏବଂ କାର୍ଯ୍ୟାନ୍ୱୟନ ଏବଂ ନିୟୋଜନ କ୍ଷେତ୍ରରେ ଗବେଷଣା ଏବଂ ଇଞ୍ଜିନିୟରିଂ ଆହ୍ୱାନଗୁଡିକ ଉପରେ ଆଲୋଚନା କରାଯାଇଛି । |
1a736409c7711f8673f31d366f583ddc8759547f | ଗ୍ରେଡିଏଣ୍ଟ ଅବତରଣ ଦ୍ୱାରା ତାଲିମପ୍ରାପ୍ତ ଦୀର୍ଘ ସ୍ୱଳ୍ପକାଳୀନ ସ୍ମୃତି (LSTM) ନେଟୱାର୍କ କଠିନ ସମସ୍ୟା ସମାଧାନ କରିଥାଏ ଯାହା ପାରମ୍ପରିକ ପୁନଃପୌନିକ ନ୍ୟୁରାଲ ନେଟୱାର୍କଗୁଡ଼ିକ ସାଧାରଣତ cannot କରିପାରିବେ ନାହିଁ । ଆମେ ନିକଟରେ ଲକ୍ଷ୍ୟ କରିଛୁ ଯେ, ଡିସକପଲ୍ଡ ଏଷ୍ଟେଣ୍ଡେଡ୍ କଲମାନ ଫିଲ୍ଟର ଟ୍ରେନିଂ ଆଲଗୋରିଦମ ଅଧିକ ଭଲ ପ୍ରଦର୍ଶନ ପାଇଁ ଅନୁମତି ଦେଇଥାଏ, ମୂଳ ଗ୍ରାଡିଏଣ୍ଟ ଡସେଣ୍ଟ ଟ୍ରେନିଂ ଆଲଗୋରିଦମ ତୁଳନାରେ ଟ୍ରେନିଂ ଷ୍ଟେପ୍ ସଂଖ୍ୟାକୁ ଯଥେଷ୍ଟ ହ୍ରାସ କରିଥାଏ । ଏହି ଅଧ୍ୟୟନରେ ଆମେ ଏକ ସେଟ୍ ପରୀକ୍ଷଣ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା କ୍ଲାସିକାଲ୍ ରିକର୍ଭାଣ୍ଟ ନେଟୱାର୍କ ଦ୍ୱାରା ସମାଧାନ ହୋଇନଥାଏ କିନ୍ତୁ କଲ୍ମାନ ଫିଲ୍ଟର ସହିତ ମିଳିତ LSTM ଦ୍ୱାରା ଆଧୁନିକ ଏବଂ ଦୃଢ ଏବଂ ଶୀଘ୍ର ସମାଧାନ ହୋଇଥାଏ । |
52b0c5495e8341c7a6f0afe4bba6b2e0c0dc3a68 | ଏହି କାଗଜରେ ଲିନକ୍ସ କେରନେଲ ଇଣ୍ଟିଗ୍ରେଟି ମନିଟର (ଏଲକେଆଇଏମ) କୁ ସଫ୍ଟୱେର ଇଣ୍ଟିଗ୍ରେଟି ମାପିବାର ପାରମ୍ପରିକ ପଦ୍ଧତି ଉପରେ ଉନ୍ନତି ଭାବରେ ଉପସ୍ଥାପନ କରାଯାଇଛି । LKIM ଏକ ଚାଲୁଥିବା କର୍ଣ୍ଣଲର କାର୍ଯ୍ୟକ୍ଷମ ଅଖଣ୍ଡତାକୁ ଅଧିକ ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ବର୍ଣ୍ଣନା କରିବା ପାଇଁ ସାଂପ୍ରତିକ ଯାଞ୍ଚକୁ ବ୍ୟବହାର କରେ । କ୍ରେନେଲରେ ଷ୍ଟାଟିକ କୋଡ ଏବଂ ଡାଟାକୁ କ୍ରିପ୍ଟୋଗ୍ରାଫିକ ହ୍ୟାସିଂ କରିବା ସହିତ ଉନ୍ନତ ନିରପେକ୍ଷତା ମାପ ପ୍ରଦାନ କରିବା ପାଇଁ ଡାଇନାମିକ୍ ଡାଟା ଷ୍ଟ୍ରକ୍ଚରଗୁଡିକର ପରୀକ୍ଷା କରାଯାଏ । ମୂଳ ପଦ୍ଧତିର ତତ୍ତ୍ୱାବଧାନରେ, ଫଙ୍କସନ ପଏଣ୍ଟର ବ୍ୟବହାର ଏବଂ ଅନ୍ୟ ତଥ୍ୟ ଯାହା କର୍ଣ୍ଣଲର କାର୍ଯ୍ୟକୁ ପ୍ରଭାବିତ କରିଥାଏ ତାହା ମାଧ୍ୟମରେ କର୍ଣ୍ଣଲର କାର୍ଯ୍ୟକାରିତା ପ୍ରବାହକୁ ନିୟନ୍ତ୍ରଣ କରୁଥିବା ସଂରଚନାଗୁଡ଼ିକୁ ପରୀକ୍ଷା କରାଯାଇଥାଏ । ଏହିପରି ଢାଞ୍ଚାଗୁଡ଼ିକ କର୍ଣ୍ଣଲ କାର୍ଯ୍ୟକଳାପକୁ ବିସ୍ତାର କରିବାର ଏକ ଦକ୍ଷ ମାଧ୍ୟମ ପ୍ରଦାନ କରିଥାଏ, କିନ୍ତୁ ଏହା ମଧ୍ୟ ସ୍ଥିର ଅଂଶକୁ ପରିବର୍ତ୍ତନ ନକରି ମାଲିସିୟସ କୋଡକୁ ଭର୍ତ୍ତି କରିବାର ଏକ ମାଧ୍ୟମ ଅଟେ । LKIMର କାର୍ଯ୍ୟକାରିତା ଉପରେ ଆଲୋଚନା କରାଯାଇଛି ଏବଂ ପ୍ରାରମ୍ଭିକ କାର୍ଯ୍ୟଦକ୍ଷତା ତଥ୍ୟ ଉପସ୍ଥାପନ କରାଯାଇଛି ଯାହା ଦର୍ଶାଉଛି ଯେ ସାଂପ୍ରତିକ ଯାଞ୍ଚ ବ୍ୟବହାରିକ ଅଟେ । |
589d06db45e2319b29fc96582ea6c8be369f57ed | ଏହି ଅଧ୍ୟୟନରେ ଆମେ ଭିଡିଓ ଆଧାରିତ ବ୍ୟକ୍ତି ପୁନଃ ଚିହ୍ନଟ ସମସ୍ୟା ଉପରେ ଅଧ୍ୟୟନ କରୁଛୁ । ଏହା ପାରମ୍ପରିକ ପ୍ରତିଛବି ଆଧାରିତ ବ୍ୟକ୍ତି ପୁନଃ ଚିହ୍ନଟ ଠାରୁ ଅଧିକ ଆହ୍ୱାନପୂର୍ଣ୍ଣ ଏବଂ ଅଧିକ ବ୍ୟବହାରିକ ସ୍ୱାର୍ଥର । ଏହି ସମସ୍ୟାର ସମାଧାନ ପାଇଁ ଆମେ ଲଙ୍ଗ୍ ସର୍ଟ ଟର୍ମ ମେମୋରି (ଏଲଏସଟିଏମ୍) ଆଧାରିତ ନେଟୱାର୍କର ବ୍ୟବହାର କରିବାକୁ ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଏହି ଉଦ୍ଦେଶ୍ୟରେ ଆମେ ଗଭୀର କନ୍ଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କ (ସିଏନଏନ) ଏବଂ ଏଲଏସଟିଏମ ନେଟୱାର୍କର ମିଳିତ ଉପଯୋଗ କରିବା ଲାଗି ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଗୋଟିଏ ବ୍ୟକ୍ତିର କ୍ରମିକ ଭିଡିଓ ଫ୍ରେମ୍ ଦିଆଯିବା ପରେ ଫ୍ରେମ୍ରେ ଥିବା ଆନ୍ତଃସ୍ଥଳୀ ସୂଚନା ପ୍ରଥମେ ସିଏନ୍ଏନ୍ ଦ୍ୱାରା ବାହାର କରାଯାଇଥାଏ । ଏସଟିଏମରୁ ପ୍ରାପ୍ତ ଏକ ଏନକୋଡର-କୋଡର ଫ୍ରେମୱାର୍କ ସିଏନଏନ ଆଉଟପୁଟର ଫଳାଫଳ ସମୟିକକୁ ଏନକୋଡ କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୁଏ । ଏହି ପଦ୍ଧତି ଏକ ସୁକ୍ଷ୍ମ ବୈଶିଷ୍ଟ୍ୟ ପ୍ରତିନିଧିତ୍ୱକୁ ନେଇଥାଏ ଯାହା ସ୍ପେସିଆଲ ସୂଚନାକୁ ସଂରକ୍ଷଣ କରି ଏକ ଆଦେଶିତ କ୍ରମ ଭାବରେ ଭିଡିଓକୁ ସ୍ପଷ୍ଟ ଭାବରେ ମଡେଲ୍ କରିବାରେ ସକ୍ଷମ ହୋଇଥାଏ । ତୁଳନାତ୍ମକ ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ ଆମର ଆଭିମୁଖ୍ୟ iLIDS-VID ଏବଂ PRID 2011 ଉପରେ ଭିଡିଓ ଆଧାରିତ ବ୍ୟକ୍ତି ପୁନଃ ଚିହ୍ନଟ ପାଇଁ ଅତ୍ୟାଧୁନିକ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରେ, ଏହି ଉଦ୍ଦେଶ୍ୟ ପାଇଁ ଦୁଇଟି ପ୍ରାଥମିକ ସର୍ବସାଧାରଣ ଡାଟାସେଟ୍ _ |
ab41136c0a73b42463db10f9dd2913f8d8735155 | |
c0bf57b798b7350ab8ace771faad6320663300bd | ଆରଜିବି-ଡି (ରେଡ ଗ୍ରୀନ ବ୍ଲୁ ଆଣ୍ଡ ଡିପଥ) ସେନସର ହେଉଛି ଏପରି ଏକ ଯନ୍ତ୍ର ଯାହା ଏକ ସମୟରେ ଦୃଶ୍ୟରୁ ରଙ୍ଗ ଏବଂ ଗଭୀରତା ସୂଚନା ପ୍ରଦାନ କରିପାରିବ । ନିକଟରେ, ମନୋରଞ୍ଜନ ବଜାରରୁ ଅନେକ ବିବିଧ କ୍ଷେତ୍ରରେ (ଯେପରିକି ରୋବୋଟିକ୍ସ, CAD, ଇତ୍ୟାଦି) ସେମାନଙ୍କର ବାଣିଜ୍ୟିକ ଅଭିବୃଦ୍ଧି ହେତୁ ଅନେକ ସମାଧାନରେ ସେଗୁଡିକ ବହୁଳ ଭାବରେ ବ୍ୟବହୃତ ହୋଇଛି । ଗବେଷଣା ଗୋଷ୍ଠୀ ମଧ୍ୟରେ ଏହି ଉପକରଣଗୁଡ଼ିକର ଗ୍ରହଣୀୟତା ରହିଛି କାରଣ ଅନେକ ପ୍ରୟୋଗ ପାଇଁ ଏହାର ସଠିକତା ଏବଂ ଏହାର ମୂଲ୍ୟ କମ୍, କିନ୍ତୁ କେତେକ କ୍ଷେତ୍ରରେ ଏହା ନିଜର ସମ୍ବେଦନଶୀଳତାର ସୀମାରେ କାର୍ଯ୍ୟ କରିଥାଏ, ଯାହାକି ସର୍ବନିମ୍ନ ଆକାରର ଉପକରଣ ଯାହା ଅନୁଭୂତ କରାଯାଇପାରିବ । ଏହି କାରଣରୁ, କାଲିବ୍ରେସନ୍ ପ୍ରକ୍ରିୟା ଗୁଡ଼ିକର ସଠିକତା ବୃଦ୍ଧି କରିବା ପାଇଁ ଏବଂ ସେଗୁଡ଼ିକୁ ଏହି ପ୍ରକାରର ପ୍ରୟୋଗର ଆବଶ୍ୟକତା ପୂରଣ କରିବା ପାଇଁ ସକ୍ଷମ କରିବା ପାଇଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଅଟେ । ଆମର ଜ୍ଞାନ ଅନୁସାରେ, ଏକାଧିକ ଆରଜିବି-ଡି ସେନ୍ସରରେ ଏହାର ଫଳାଫଳକୁ ଆକଳନ କରୁଥିବା କାଲିବ୍ରେସନ୍ ଆଲଗୋରିଦମର ତୁଳନାତ୍ମକ ଅଧ୍ୟୟନ ନାହିଁ । ବିଶେଷକରି, ଏହି କାଗଜରେ, ତିନିଟି ଭିନ୍ନ ଭିନ୍ନ RGB-D ସେନସର ଉପରେ ବ୍ୟବହୃତ ତିନିଟି ସର୍ବାଧିକ ବ୍ୟବହୃତ କାଲିବ୍ରେସନ୍ ପଦ୍ଧତିର ତୁଳନା କରାଯାଇଛି, ଯାହା ସଂରଚନା ଆଲୋକ ଏବଂ ସମୟ-ପରିବର୍ତ୍ତନ ଉପରେ ଆଧାରିତ । ଗଭୀରତା ମାପନର ସଠିକତା ଆକଳନ କରିବା ପାଇଁ ବିଭିନ୍ନ ପ୍ରକାର ପରୀକ୍ଷଣ ମାଧ୍ୟମରେ ଏହି ପଦ୍ଧତିର ତୁଳନା କରାଯାଇଛି । ଏହା ସହିତ, ଏକ ବସ୍ତୁ ପୁନଃନିର୍ମାଣ ପ୍ରୟୋଗକୁ ଏକ ପ୍ରୟୋଗର ଉଦାହରଣ ଭାବରେ ବ୍ୟବହାର କରାଯାଇଛି ଯେଉଁଥିରେ ସେନସର ଏହାର ସମ୍ବେଦନଶୀଳତାର ସୀମାରେ କାର୍ଯ୍ୟ କରିଥାଏ । ପୁନଃନିର୍ମାଣର ଫଳାଫଳକୁ ଦୃଶ୍ୟମାନ ଯାଞ୍ଚ ଏବଂ ପରିମାଣିକ ମାପ ଦ୍ୱାରା ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଛି । |
6a636ea58ecf86cba2f25579c3e9806bbd5ddce9 | ଏହି ଚିଠିରେ ଏକ ନୂଆ ରେକ୍ଟେନା ଉପସ୍ଥାପିତ କରାଯାଇଛି ଯାହା ସମସ୍ତ ଧ୍ରୁବୀକରଣ ଗ୍ରହଣ କ୍ଷମତା ସହିତ ବେତାର ଶକ୍ତି ପରିବହନ ପ୍ରୟୋଗ ପାଇଁ ଉଦ୍ଦିଷ୍ଟ । ଏକ ଦ୍ୱୈତ ରେଖୀ-ଧ୍ରୁବୀୟ ଆଣ୍ଟିନା ବ୍ୟବହାର କରି, ମନଇଚ୍ଛା ଧ୍ରୁବୀକରଣର ଘଟଣା ତରଙ୍ଗକୁ ଏହାର ଦୁଇଟି ବନ୍ଦରରେ ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ସଂଗ୍ରହ କରାଯାଇପାରିବ । ଆଣ୍ଟିନା ସହିତ ଏକ ରେକ୍ଟେନା ଭାବରେ ସଂଯୋଗ କରିବା ପାଇଁ, ଏକ ଡୁଆଲ୍-ଇନପୁଟ୍ ରେକ୍ଟିଫାୟର୍ ଏପରି ଡିଜାଇନ୍ କରାଯାଇଛି ଯେ ଆଣ୍ଟିନା ର ଦୁଇଟି ପୋର୍ଟ ଦ୍ୱାରା ଯୋଗାଣ ହେଉଥିବା ଆର୍ଏଫ୍ ପାୱାରକୁ ଦକ୍ଷତାର ସହିତ ସଜାଡ଼ାଯାଇପାରିବ । ଉପଯୁକ୍ତ ଭାବେ ଇନସିଡେଣ୍ଟ ୱେଭ୍ ପଲାରିସେଶନ ଦ୍ୱାରା ପ୍ରସ୍ତାବିତ ରେକ୍ଟେନା ସର୍ବାଧିକ 78% ଦକ୍ଷତା ପ୍ରଦର୍ଶନ କରିଥାଏ । ଏହା ବ୍ୟତୀତ, ସମାନ ଶକ୍ତି ଘନତାରେ, ରେକ୍ଟେନା ର ଦକ୍ଷତା ସର୍ବଦା 61% ରୁ ଅଧିକ ରହିପାରେ, ଇନସିଡେଣ୍ଟ ତରଙ୍ଗର ଧ୍ରୁବତା ନିର୍ବିଶେଷରେ । |
23a0a9b16462b96bf7b5aa6bb4709e919d7d7626 | ମାଇକ୍ରୋ ଏୟାର ଭେଇକିଲ (ଏମଏଭି) କୁ ବିଶୃଙ୍ଖଳିତ ପରିବେଶରେ କିମ୍ବା ବିଶୃଙ୍ଖଳାରେ ପରିଚାଳନା କରିବା ପାଇଁ ସଠିକ ପଥ ଅନୁସରଣ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଗୁଣ ଅଟେ । ଏହି ଲେଖାରେ ଆମେ ଏମଏଭି ଟ୍ରାକ୍ଟର ଟ୍ରାକିଂ ପାଇଁ ଦୁଇଟି ଅତ୍ୟାଧୁନିକ ମଡେଲ ଆଧାରିତ ନିୟନ୍ତ୍ରଣ କୌଶଳ ମଧ୍ୟରେ ବିସ୍ତୃତ ତୁଳନା ଉପସ୍ଥାପନ କରୁଛୁ । ଏକ କ୍ଲାସିକାଲ ଲିନିୟର ମଡେଲ ପ୍ରଡକ୍ଟିଭ କଂଟ୍ରୋଲର (ଏଲଏମପିସି) କୁ ଉପସ୍ଥାପିତ କରାଯାଇଛି ଏବଂ ଏହାର ତୁଳନା ଏକ ଉନ୍ନତ ଅଣ-ଲିନିୟର ମଡେଲ ପ୍ରଡକ୍ଟିଭ କଂଟ୍ରୋଲର (ଏନଏମପିସି) ସହିତ କରାଯାଇଛି ଯାହା ସମ୍ପୂର୍ଣ୍ଣ ସିଷ୍ଟମ ମଡେଲକୁ ବିଚାର କରିଥାଏ । ଏକ ଯତ୍ନର ସହ ବିଶ୍ଳେଷଣ କରି ଆମେ ଦୁଇ ପ୍ରକାର କାର୍ଯ୍ୟାନ୍ୱୟନ ର ସୁବିଧା ଓ ଅସୁବିଧା କୁ ଦେଖାଇବୁ ଯାହା ଗତି ଓ ଟ୍ରାକିଂ କାର୍ଯ୍ୟଦକ୍ଷତା ର ପରିପ୍ରେକ୍ଷୀରେ ଅଛି । ଏହା ନୋମିନଲ ସ୍ଥିତିରେ ଏବଂ ବାହ୍ୟ ବାୟୁରେ ଘୁଞ୍ଚିବା, ପାଦ ପ୍ରତିରୋଧ ଏବଂ ଆକ୍ରମଣାତ୍ମକ ଗତିପଥ ଅନୁସରଣର ମୂଲ୍ୟାଙ୍କନ କରି ହାସଲ କରାଯାଇଥାଏ । |
11c116b2750e064ce32b3b8de8760234de508314 | ଗତ କିଛି ବର୍ଷ ମଧ୍ୟରେ ମୁଖ୍ୟ ମେମୋରୀ ଏବଂ ବହୁଳ ଭାବେ ସମାନ୍ତରାଳ ମଲ୍ଟି-କୋର ପ୍ରୋସେସିଂ ବୃଦ୍ଧି କରୁଥିବା ଦୁଇଟି ମୁଖ୍ୟ ହାର୍ଡୱେର୍ ଟ୍ରେଣ୍ଡ ଦ୍ୱାରା ପରିଚାଳିତ, ଜଣାଶୁଣା ଜଏନ୍ ଆଲଗୋରିଦମକୁ ସମାନ୍ତରାଳ କରିବାରେ ଅନେକ ଗବେଷଣା ପ୍ରୟାସ ହୋଇଛି । ତେବେ ଏହି ଆର୍ଚେଟେକ୍ଚରଗୁଡ଼ିକର ମୁଖ୍ୟ ମେମୋରୀକୁ ଅଣ-ସମାନ ସ୍ମୃତି ପ୍ରବେଶ (NUMA) ଏହି ଆଲଗୋରିଦମଗୁଡ଼ିକର ଡିଜାଇନ୍ରେ ସୀମିତ ଧ୍ୟାନ ପାଇଛି । ଆମେ ମୁଖ୍ୟ ସ୍ମୃତି ହ୍ୟାଶ ଜଏନ କାର୍ଯ୍ୟାନ୍ୱୟନ ପାଇଁ ନିକଟରେ କରାଯାଇଥିବା ପ୍ରସ୍ତାବଗୁଡ଼ିକର ଅଧ୍ୟୟନ କରିଛୁ ଏବଂ NUMA ସ୍ଥାପତ୍ୟ ଉପରେ ସେମାନଙ୍କର ପ୍ରମୁଖ କାର୍ଯ୍ୟଦକ୍ଷତା ସମସ୍ୟାଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରିଛୁ । ଏହା ପରେ ଆମେ ଏକ NUMA- ସଚେତନ ହ୍ୟାଶ ଜଏନକୁ ବିକଶିତ କରିଥାଉ ଯାହା ବହୁଳ ଭାବେ ସମାନ୍ତରାଳ ପରିବେଶ ପାଇଁ ବ୍ୟବହାର କରାଯାଇଥାଏ ଏବଂ ଏହା ଦର୍ଶାଇଥାଉ ଯେ କିପରି ଭାବେ ନିର୍ଦ୍ଦିଷ୍ଟ କାର୍ଯ୍ୟାନ୍ୱୟନ ବିବରଣୀ NUMA ସିଷ୍ଟମରେ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ପ୍ରଭାବିତ କରିଥାଏ । ଆମର ପରୀକ୍ଷାମୂଳକ ମୂଲ୍ୟାୟନ ଦର୍ଶାଏ ଯେ ଏକ ଯତ୍ନର ସହିତ ଇଞ୍ଜିନିୟରିଂ ହୋଇଥିବା ହ୍ୟାଶ ଜଏନ କାର୍ଯ୍ୟାନ୍ୱୟନ ପୂର୍ବ ଉଚ୍ଚ କାର୍ଯ୍ୟଦକ୍ଷତା ହ୍ୟାଶ ଜଏନକୁ ଦୁଇ ଗୁଣରୁ ଅଧିକ କରିପାରେ, ଯାହାଫଳରେ ସେକେଣ୍ଡରେ ୩/୪ ବିଲିୟନ ଜଏନ ଆର୍ଗୁମେଣ୍ଟ ଟାପୁଲର ଅଭୂତପୂର୍ବ ଥ୍ରୋପୁଟ ମିଳିଥାଏ । |
5678ade24d18e146574ad5c74b64b9030ed8cf44 | ଗତ କିଛି ବର୍ଷ ମଧ୍ୟରେ କମ୍ପ୍ୟୁଟର ନେଟୱାର୍କର ଦ୍ରୁତ ବିସ୍ତାର ସହିତ, ସୁରକ୍ଷା ଆଧୁନିକ କମ୍ପ୍ୟୁଟର ସିଷ୍ଟମ ପାଇଁ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପ୍ରସଙ୍ଗ ହୋଇପାରିଛି । ବେଆଇନ ବ୍ୟବହାରକୁ ଚିହ୍ନଟ କରିବାର ଏକ ଭଲ ଉପାୟ ହେଉଛି ଅସାଧାରଣ ବ୍ୟବହାରକାରୀଙ୍କ କାର୍ଯ୍ୟକଳାପ ଉପରେ ନଜର ରଖିବା । ହସ୍ତକୋଡ ନିୟମ ସେଟ ଉପରେ ଆଧାରିତ ଅଥବା ଅନଲାଇନ କମାଣ୍ଡର ପୂର୍ବାନୁମାନ ଉପରେ ଆଧାରିତ ଅନୁପ୍ରବେଶ ଚିହ୍ନଟ ପଦ୍ଧତିଗୁଡିକ ନିର୍ମାଣ କରିବା କଷ୍ଟକର କିମ୍ବା ଅତି ନିର୍ଭରଯୋଗ୍ୟ ନୁହେଁ । ଏହି କାଗଜରେ ଅନୁପ୍ରବେଶକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ନ୍ୟୁରାଲ ନେଟୱାର୍କକୁ ପ୍ରୟୋଗ କରିବାର ଏକ ନୂତନ ଉପାୟ ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । ଆମେ ବିଶ୍ୱାସ କରୁ ଯେ ଜଣେ ବ୍ୟବହାରକାରୀ ସିଷ୍ଟମ ବ୍ୟବହାର କରିବା ସମୟରେ ଏକ "ପ୍ରିଣ୍ଟ" ଛାଡିଥାଏ; ଏକ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଏହି ପ୍ରିଣ୍ଟକୁ ଶିଖିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ ଏବଂ ପ୍ରତ୍ୟେକ ଉପଭୋକ୍ତାଙ୍କୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ଡିଟେକ୍ଟିଭ୍ମାନେ ଅପରାଧ ସ୍ଥଳରେ ଲୋକଙ୍କୁ ସ୍ଥାନିତ କରିବା ପାଇଁ ଆଙ୍ଗୁଠିର ଛାପ ବ୍ୟବହାର କରିବା ପରି । ଯଦି କୌଣସି ବ୍ୟବହାରକାରୀଙ୍କ ଆଚରଣ ତାଙ୍କ ଆଚରଣ ସହିତ ମେଳ ଖାଉନାହିଁ, ତେବେ ସୁରକ୍ଷା ଉଲ୍ଲଂଘନ ସମ୍ପର୍କରେ ସିଷ୍ଟମ ପ୍ରଶାସକଙ୍କୁ ସତର୍କ କରାଯାଇପାରିବ । ଏନଏନଆଇଡି (ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଇନଟ୍ରୁଜନ ଡିଟେକ୍ଟର) ନାମକ ଏକ ବ୍ୟାକପ୍ରୋପାଗେସନ ନ୍ୟୁରାଲ ନେଟୱାର୍କକୁ ଚିହ୍ନଟ କାର୍ଯ୍ୟରେ ପ୍ରଶିକ୍ଷଣ ଦିଆଯାଇଥିଲା ଏବଂ 10 ଜଣ ବ୍ୟବହାରକାରୀଙ୍କ ଏକ ସିଷ୍ଟମରେ ପରୀକ୍ଷାମୂଳକ ଭାବରେ ପରୀକ୍ଷା କରାଯାଇଥିଲା । ଏହି ବ୍ୟବସ୍ଥାରେ ୯୬% ସଠିକତା ସହିତ ଅସାଧାରଣ କାର୍ଯ୍ୟକଳାପକୁ ଚିହ୍ନଟ କରାଯାଇଥିଲା, ଏଥିରେ ୭% ମିଥ୍ୟା ଆଲାର୍ମ ହାର ଥିଲା । ଏହି ଫଳାଫଳରୁ ଜଣାପଡ଼ୁଛି ଯେ, ଅନୁପ୍ରବେଶକାରୀଙ୍କୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ବ୍ୟବହାରକାରୀଙ୍କ ପ୍ରୋଫାଇଲକୁ ଜାଣିବା ଏକ ପ୍ରଭାବଶାଳୀ ଉପାୟ । |
cf528f9fe6588b71efa94c219979ce111fc9c1c9 | ଏକ କଠିନ ବସ୍ତୁର ସ୍ଥିତିରେ ୬ଟି ସ୍ୱାଧୀନତା ରହିଛି ଏବଂ ଏହାର ସମ୍ପୂର୍ଣ୍ଣ ଜ୍ଞାନ ଅନେକ ରୋବୋଟିକ ଏବଂ ଦୃଶ୍ୟ ବୁଝିବା ପ୍ରୟୋଗରେ ଆବଶ୍ୟକ । 6D ବସ୍ତୁ ର ଅବସ୍ଥାନ ଆକଳନ କରିବା ସହଜ ନୁହେଁ । ବସ୍ତୁ ସନ୍ତୁଳନ ଓ ଅବରୋଧ କାରଣରୁ ବସ୍ତୁ ର ସ୍ଥିତି ଅସ୍ପଷ୍ଟ ହୋଇପାରେ, ଯଥା: ଅନେକ ବସ୍ତୁ ରହିପାରେ ଯାହା ଦିଆଯାଇଥିବା ଛବିରେ ଅଦୃଶ୍ୟ ହୋଇଯାଏ ଏବଂ ତେଣୁ ଏହାକୁ ସମାନ ଭାବରେ ବିବେଚନା କରାଯିବା ଉଚିତ । ଏହି ପତ୍ରିକାରେ 6D ବସ୍ତୁ ପୋଜ୍ ଆକଳନ ସମସ୍ୟାକୁ ବ୍ୟାଖ୍ୟା କରାଯାଇଛି, ଏକ ମୂଲ୍ୟାଙ୍କନ ପଦ୍ଧତିର ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି ଏବଂ ତିନୋଟି ନୂତନ ପୋଜ୍ ତ୍ରୁଟି ଫଙ୍କସନ୍ ଉପସ୍ଥାପିତ କରାଯାଇଛି ଯାହା ପୋଜ୍ ଦ୍ୱନ୍ଦ୍ୱତା ସହିତ ଜଡିତ । ନୂତନ ତ୍ରୁଟି ଫଳନଗୁଡ଼ିକ ସାହିତ୍ୟରେ ସାଧାରଣ ଭାବରେ ବ୍ୟବହୃତ ଫଳନଗୁଡ଼ିକ ସହିତ ତୁଳନା କରାଯାଏ ଏବଂ କେତେକ ପ୍ରକାରର ଅଣ-ସ୍ୱାଭାବିକ ପରିଣାମକୁ ହଟାଇବା ପାଇଁ ପ୍ରଦର୍ଶିତ ହୁଏ । ମୂଲ୍ୟାୟନ ଉପକରଣଗୁଡ଼ିକ ନିମ୍ନଲିଖିତ ଠିକଣାରେ ଉପଲବ୍ଧ: https: //github.com/thodan/obj pose eval |
356827905c70ef763e3aa373f966fe6d8cf753f9 | କମ୍ପ୍ୟୁଟର ଗ୍ରାଫିକ୍ସ, ଭିଜନ ଏବଂ ଇମେଜ ପ୍ରୋସେସିଂରେ ଅନେକ ପ୍ରୟୋଗ ପାଇଁ ଟେକ୍ସଚର ସିନ୍ଥେସିସ୍ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । ତଥାପି, ଏକ ଆଲଗୋରିଦମ ଡିଜାଇନ କରିବା କଷ୍ଟକର ଯାହା ଉଭୟ ଦକ୍ଷ ଏବଂ ଉଚ୍ଚ ଗୁଣବତ୍ତା ଫଳାଫଳ ସୃଷ୍ଟି କରିବାରେ ସକ୍ଷମ । ଏହି କାଗଜରେ, ଆମେ ବାସ୍ତବିକତାପୂର୍ଣ୍ଣ ଢାଞ୍ଚା ସଂଶ୍ଳେଷଣ ପାଇଁ ଏକ ଦକ୍ଷ ଆଲଗୋରିଦମ ଉପସ୍ଥାପନ କରୁଛୁ । ଏହି ଆଲଗୋରିଦମ ବ୍ୟବହାର କରିବା ସହଜ ଏବଂ ଏଥିପାଇଁ କେବଳ ଏକ ନମୁନା ଟେକ୍ସଚର ଆବଶ୍ୟକ ହୋଇଥାଏ । ଏହା ପୂର୍ବ କୌଶଳ ଦ୍ବାରା ଉତ୍ପାଦିତ କୌଶଳ ଠାରୁ ସମାନ କିମ୍ବା ଉନ୍ନତ ମାନର ସୂତ୍ର ସୃଷ୍ଟି କରିଥାଏ, କିନ୍ତୁ ଦୁଇ ଗୁଣ ଅଧିକ ବେଗରେ ଚାଲିଥାଏ । ଏହା ଆମକୁ ସେହି ସମସ୍ୟାଗୁଡ଼ିକରେ ଟେକ୍ସଚର ସିନ୍ଥେସିସ୍ ପ୍ରୟୋଗ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ ଯେଉଁଠାରେ ଏହା ପାରମ୍ପରିକ ଭାବରେ ଅପ୍ରାକ୍ଟିକାଲ୍ ଭାବରେ ବିବେଚନା କରାଯାଏ । ବିଶେଷ କରି, ଆମେ ଏହାକୁ ପ୍ରତିଛବି ସଂପାଦନ ଏବଂ କାଳୀନ ରଚନା ସୃଷ୍ଟି ପାଇଁ ସୀମିତ ସଂଶ୍ଳେଷଣରେ ପ୍ରୟୋଗ କରିଛୁ । ଆମର ଆଲଗୋରିଦମ ମାର୍କୋଭ ରାଣ୍ଡମ ଫିଲ୍ଡ ଟେକ୍ସଚର ମଡେଲରୁ ପ୍ରାପ୍ତ ହୋଇଛି ଏବଂ ନିର୍ଣ୍ଣାୟକ ସନ୍ଧାନ ପ୍ରକ୍ରିୟା ମାଧ୍ୟମରେ ଟେକ୍ସଚର ସୃଷ୍ଟି କରିଥାଏ । ଆମେ ଏହି ସଂଶ୍ଳେଷଣ ପ୍ରକ୍ରିୟାକୁ ତ୍ୱରାନ୍ୱିତ କରିବା ପାଇଁ ବୃକ୍ଷ-ସଂରଚନା ଭେକ୍ଟର କ୍ୱାଣ୍ଟାଇଜେସନ ବ୍ୟବହାର କରିଥାଉ । |
c0de99c5f15898e2d28f9946436fec2b831d4eae | ବାସ୍ତବବାଦୀ ପୋଷାକ ଡିଜାଇନ କରିବା ଏବଂ ନକଲ କରିବା ଏକ ଚ୍ୟାଲେଞ୍ଜ । 3D ସ୍କାନରୁ ପୋଷାକ ଧରିବା ପାଇଁ ପୂର୍ବରୁ ଯେଉଁ ଉପାୟମାନ ବ୍ୟବହୃତ ହେଉଥିଲା ତାହା କେବଳ ଗୋଟିଏ ବସ୍ତ୍ର ଏବଂ ସରଳ ଗତି ସହିତ ସୀମିତ ଥିଲା, ଏଥିରେ ସବିଶେଷ ତଥ୍ୟର ଅଭାବ ଥିଲା କିମ୍ବା ବିଶେଷ ଟେକ୍ସଚର ପ୍ୟାଟର୍ନର ଆବଶ୍ୟକତା ଥିଲା । ଏଠାରେ ଆମେ ସାଧାରଣ ପୋଷାକକୁ ଚଳପ୍ରଚଳ କରୁଥିବା ସମ୍ପୂର୍ଣ୍ଣ ପୋଷାକ ପିନ୍ଧିଥିବା ବ୍ୟକ୍ତିଙ୍କ ଉପରେ ଧରିବାର ସମସ୍ୟା ବିଷୟରେ ଆଲୋଚନା କରୁଛୁ । ସାଧାରଣତଃ ଲୋକମାନେ ଏକାଧିକ ପୋଷାକ ପିନ୍ଧିଥାନ୍ତି । ଏପରି ପୋଷାକର ଆକୃତିକୁ ଆକଳନ କରିବା, ସମୟାନୁକ୍ରମେ ଏହାର ଅନୁସନ୍ଧାନ କରିବା ଏବଂ ଏହାକୁ ବିଶ୍ୱାସଯୋଗ୍ୟ ଭାବରେ ପ୍ରସ୍ତୁତ କରିବା ପାଇଁ, ପ୍ରତ୍ୟେକ ପୋଷାକକୁ ଅନ୍ୟମାନଙ୍କଠାରୁ ଏବଂ ଶରୀରରୁ ଅଲଗା କରାଯିବା ଆବଶ୍ୟକ । ଆମର କ୍ଲଥ କ୍ୟାପ ଆଭିମୁଖ୍ୟ ପୋଷାକ ପିନ୍ଧିଥିବା ଶରୀରର ଏକ ନୂତନ ବହୁ-ଭାଗ 3D ମଡେଲ ବ୍ୟବହାର କରେ, ସ୍ୱୟଂଚାଳିତ ଭାବରେ ପ୍ରତ୍ୟେକ ପୋଷାକକୁ ଭାଗ କରେ, ପୋଷାକ ତଳେ ସର୍ବନିମ୍ନ ପୋଷାକ ପିନ୍ଧିଥିବା ଶରୀରର ଆକୃତି ଏବଂ ସ୍ଥିତିକୁ ଆକଳନ କରେ, ଏବଂ ସମୟ ସହିତ ପୋଷାକର 3D ବିକୃତିକୁ ଟ୍ରାକ୍ କରେ । ଆମେ ୪ଡି ସ୍କାନରୁ ପୋଷାକ ଓ ସେମାନଙ୍କର ଗତି ଆକଳନ କରିଥାଉ; ଅର୍ଥାତ୍ ୬୦ ଏଫପିଏସ ବେଗରେ ଗତି କରୁଥିବା ବିଷୟର ଉଚ୍ଚ-ବିଭେଦାତ୍ମକ ୩ଡି ସ୍କାନରୁ । କ୍ଲଥକ୍ୟାପ ଏକ ପୋଷାକ ପିନ୍ଧିଥିବା ବ୍ୟକ୍ତିକୁ ଚଳପ୍ରଚଳ ଅବସ୍ଥାରେ ଧରିବାରେ ସକ୍ଷମ, ସେମାନଙ୍କ ପୋଷାକ ବାହାର କରି, ଏବଂ ପୋଷାକକୁ ନୂଆ ଶରୀରର ଆକୃତିକୁ ପୁନଃ ଟାର୍ଗେଟ କରିଥାଏ; ଏହା ଭର୍ଚୁଆଲ ଟ୍ରାଏ-ଅନ୍ ଦିଗରେ ଏକ ପଦକ୍ଷେପ ପ୍ରଦାନ କରିଥାଏ । |
ec614c4f636aeeb6ea10accddfcb1a2f7a1ce603 | ସାମାଜିକ ଉଦ୍ୟୋଗୀତା ଉପରେ କାର୍ଯ୍ୟ କରିବା ଏକ ଅଧ୍ୟୟନ କ୍ଷେତ୍ର ଯାହା ଉଦ୍ୟୋଗୀତା ଅଧ୍ୟୟନ, ସାମାଜିକ ନବସୃଜନ ଏବଂ ଅଣଲାଭକାରୀ ପରିଚାଳନା ସହିତ ଅନେକ କ୍ଷେତ୍ରକୁ ସଂଯୋଗ କରେ । ଏହି ନୂଆ ଅନୁଶାସନକୁ ବିକଶିତ କରିବା ପାଇଁ ଗବେଷକମାନେ ସାମାଜିକ ଉଦ୍ୟୋଗୀତା ସୃଷ୍ଟିର ମୂଳଦୁଆକୁ ଖୋଜିବା ସହିତ ଏହାକୁ ପାରମ୍ପରିକ ଉଦ୍ୟୋଗୀତା ଭଳି ଅନ୍ୟାନ୍ୟ ସଂଗଠନ ଗତିବିଧି ସହ ତୁଳନା କରିବା ଆରମ୍ଭ କରିଛନ୍ତି । ତେବେ, ଏକ ନବଜାତ କ୍ଷେତ୍ର ଭାବରେ, ସାମାଜିକ ଉଦ୍ୟୋଗୀତା ପଣ୍ଡିତମାନେ ସଂଜ୍ଞା ଏବଂ ଧାରଣା ସ୍ପଷ୍ଟତା, କ୍ଷେତ୍ରର ସୀମା ଏବଂ ପ୍ରାସଙ୍ଗିକ ଏବଂ ଅର୍ଥପୂର୍ଣ୍ଣ ଅନୁସନ୍ଧାନ ପ୍ରଶ୍ନର ଏକ ସେଟକୁ ପହଞ୍ଚିବା ପାଇଁ ସଂଘର୍ଷ ସହିତ ଅନେକ ବିତର୍କ ମଧ୍ୟରେ ଅଛନ୍ତି । ଏହି ପତ୍ରିକାରେ ସାମାଜିକ ଉଦ୍ୟୋଗୀତା ଉପରେ ଗବେଷଣା କରାଯିବା ସହ ଭବିଷ୍ୟତରେ ଗବେଷଣା ପାଇଁ କେତେକ ଗବେଷଣା କ୍ଷେତ୍ର ଓ ଗବେଷଣା ପ୍ରଶ୍ନର ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । |
40e153460564ed0dbb2523394438c7a1172ca9dc | 1990 ଦଶକର ମଧ୍ୟଭାଗରେ ସହଯୋଗୀ ଫିଲ୍ଟରିଂ ଉପରେ ପ୍ରଥମ କାଗଜ ପ୍ରକାଶିତ ହେବା ପରଠାରୁ ସୁପାରିଶକାରୀ ପ୍ରଣାଳୀ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଗବେଷଣା କ୍ଷେତ୍ର ହୋଇପାରିଛି । ସାଧାରଣ ଭାବେ, ସୁପାରିଶକାରୀ ପ୍ରଣାଳୀକୁ ସହାୟତା ପ୍ରଣାଳୀ ଭାବେ ପରିଭାଷିତ କରାଯାଏ ଯାହା ଅନ୍ୟ ଉପଭୋକ୍ତାମାନଙ୍କ ଠାରୁ ପରାମର୍ଶ ସଂଗ୍ରହ କରି ବିଶ୍ଳେଷଣ କରି ସୂଚନା, ଉତ୍ପାଦ କିମ୍ବା ସେବା (ଯେପରିକି ପୁସ୍ତକ, ଚଳଚ୍ଚିତ୍ର, ସଙ୍ଗୀତ, ଡିଜିଟାଲ୍ ଉତ୍ପାଦ, ୱେବସାଇଟ୍ ଏବଂ ଟିଭି କାର୍ଯ୍ୟକ୍ରମ) ଖୋଜିବାରେ ସାହାଯ୍ୟ କରେ, ଯାହାର ଅର୍ଥ ହେଉଛି ବିଭିନ୍ନ କର୍ତ୍ତୃପକ୍ଷଙ୍କ ଠାରୁ ସମୀକ୍ଷା ଏବଂ ଉପଭୋକ୍ତା ଗୁଣଗୁଡିକ । କିନ୍ତୁ ଗତ ଦଶ ବର୍ଷ ମଧ୍ୟରେ ସୁପାରିଶକାରୀ ବ୍ୟବସ୍ଥା ଉପରେ ଏକାଡେମିକ୍ ଗବେଷଣା ଯଥେଷ୍ଟ ବୃଦ୍ଧି ପାଇଛି, ତେଣୁ ବାସ୍ତବ ଦୁନିଆର ପରିସ୍ଥିତିରେ ପ୍ରୟୋଗ ହେବା ପାଇଁ ଅଧିକ ଗବେଷଣା ଆବଶ୍ୟକ । କାରଣ ସୁପାରିଶକାରୀ ବ୍ୟବସ୍ଥା ଉପରେ ଗବେଷଣା କ୍ଷେତ୍ର ଏବେ ବି ଅନ୍ୟ ଗବେଷଣା କ୍ଷେତ୍ର ତୁଳନାରେ ବ୍ୟାପକ ଏବଂ କମ୍ ପରିପକ୍ୱ । ତେଣୁ ସୁପାରିଶକାରୀ ବ୍ୟବସ୍ଥା ଉପରେ ବର୍ତ୍ତମାନର ଲେଖାକୁ ପରବର୍ତ୍ତୀ ପିଢ଼ିର ସୁପାରିଶକାରୀ ବ୍ୟବସ୍ଥା ଦିଗରେ ସମୀକ୍ଷା କରାଯିବା ଆବଶ୍ୟକ । କିନ୍ତୁ ସୁପାରିଶକାରୀ ବ୍ୟବସ୍ଥାରେ ହେଉଥିବା ଗବେଷଣାକୁ ନିର୍ଦ୍ଦିଷ୍ଟ ବିଷୟବସ୍ତୁ ମଧ୍ୟରେ ସୀମିତ ରଖିବା ସହଜ ନୁହେଁ । ତେଣୁ, ଆମେ ୩୭ଟି ପତ୍ରିକାର ସୁପାରିଶକାରୀ ପ୍ରଣାଳୀ ଉପରେ ସମସ୍ତ ଲେଖାର ସମୀକ୍ଷା କରିଥିଲୁ ଯାହା ୨୦୦୧ରୁ ୨୦୧୦ ମଧ୍ୟରେ ପ୍ରକାଶିତ ହୋଇଥିଲା । ଏହି 37ଟି ପତ୍ରିକା ଏମଆଇଏସ ଜର୍ଣ୍ଣାଲ ରାଙ୍କିଙ୍ଗର ଶ୍ରେଷ୍ଠ 125ଟି ପତ୍ରିକା ମଧ୍ୟରୁ ଚୟନ କରାଯାଇଛି । ଏହା ସହିତ ସାହିତ୍ୟ ସର୍ଚ୍ଚରେ ସୁପାରିଶକାରୀ ବ୍ୟବସ୍ଥା, ସୁପାରିଶ ବ୍ୟବସ୍ଥା, ବ୍ୟକ୍ତିଗତକରଣ ବ୍ୟବସ୍ଥା, ସହଯୋଗୀ ଫିଲ୍ଟରିଂ ଏବଂ |
aa0b03716596832e93f67f99d5c3fed553f89f44 | ଆମେ ଏକ ନୂତନ ନମନୀୟ ବହୁସ୍ତରୀୟ ଟ୍ରାଇବୋଇଲେକ୍ଟ୍ରିକ ନାନୋଗେନେରେଟର (ଟେଙ୍ଗ) ର ପ୍ରଦର୍ଶନ କରିଛୁ ଯାହା ଅତି କମ୍ ମୂଲ୍ୟ, ସରଳ ସଂରଚନା, ଛୋଟ ଆକାର (୩.୮ ସେମି × ୩.୮ ସେମି × ୦.୯୫ ସେମି) ଏବଂ ହାଲୁକା (୭ ଗ୍ରାମ) ଅଟେ । ଏହି ଅଦ୍ଭୁତ ସଂରଚନା ଏବଂ ଧାତୁ ପୃଷ୍ଠରେ ନାନୋ-ପୋର ଆଧାରିତ ପୃଷ୍ଠ ସଂଶୋଧନ ହେତୁ କ୍ଷଣିକ ସର୍ଟ-ସର୍କିଟ କରେଣ୍ଟ (Isc) ଏବଂ ଓପନ-ସର୍କିଟ ଭୋଲଟେଜ (Voc) 0.66 mA ଏବଂ 215 V ପର୍ଯ୍ୟନ୍ତ ପହଞ୍ଚିପାରେ ଏବଂ କ୍ଷଣିକ ସର୍ବାଧିକ ଶକ୍ତି ଘନତା 9.8 mW/cm2 ଏବଂ 10.24 mW/cm3 ହୋଇପାରେ । ଏହା ହେଉଛି ପ୍ରଥମ 3D ସମନ୍ୱିତ TENG ଯାହା ଆଉଟପୁଟ୍ ଶକ୍ତି ବୃଦ୍ଧି କରିଥାଏ । ସାଧାରଣ ଚାଲିବା ସମୟରେ ପ୍ରେସ ଦ୍ୱାରା ଟ୍ରିଗର ହୋଇଥିବା TENG ଜୋତା ପ୍ୟାଡରେ ଲାଗି ଏକାଧିକ ବାଣିଜ୍ୟିକ LED ବଲ୍ବକୁ ତତ୍କ୍ଷଣାତ୍ ଚଳାଇବାରେ ସକ୍ଷମ ହୋଇଥିଲା । ଏହାର ନମନୀୟ ଢାଞ୍ଚା ସହିତ, ଟେଙ୍ଗକୁ ପୋଷାକରେ ଆହୁରି ଏକୀକୃତ କରାଯାଇପାରିବ କିମ୍ବା ମାନବ ଶରୀରରେ ସଂଲଗ୍ନ କରାଯାଇପାରିବ ଯାହାଦ୍ୱାରା ମାନବ ଗତିବିଧିରେ କୌଣସି ବାଧା ଏବଂ ଅସୁବିଧା ସୃଷ୍ଟି ହେବ ନାହିଁ । ଏଠାରେ ପ୍ରଦର୍ଶିତ ହୋଇଥିବା ଟେଙ୍ଗର ନୂଆ ଡିଜାଇନକୁ ସ୍ୱୟଂ ଚାଳିତ ପୋର୍ଟେବଲ ଇଲେକ୍ଟ୍ରୋନିକ୍ସ ହାସଲ କରିବା ପାଇଁ ପ୍ରୟୋଗ କରାଯାଇପାରିବ । |
2c38ef0c12c0a3dabb7015c77638d171609654f5 | ଭାବନା ବିଶ୍ଳେଷଣରେ ଲୋକମାନଙ୍କ ଦ୍ୱାରା ବର୍ଣ୍ଣିତ ବାକ୍ୟରେ ଥିବା ଭାବନା, ମତ ଏବଂ ତଥ୍ୟର ବିଶ୍ଳେଷଣ କରାଯାଇଥାଏ । ଏହା ଆମକୁ ବ୍ଲଗ, କମେଣ୍ଟ, ରିଭ୍ୟୁ ଏବଂ ଟୁଇଟକୁ ବିଶ୍ଳେଷଣ କରି ଲୋକମାନଙ୍କ ମନୋଭାବ ଏବଂ ଭାବନାକୁ ଟ୍ରାକ୍ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ଇଣ୍ଟରନେଟର ବିକାଶ ପର୍ଯ୍ୟଟନ, ସ୍ୱାସ୍ଥ୍ୟସେବା ଏବଂ ଯେକୌଣସି ବ୍ୟବସାୟ ଭଳି ସମସ୍ତ ପ୍ରକାରର ଶିଳ୍ପରେ ଦୃଢ଼ ପ୍ରଭାବ ପକାଇଥାଏ । ଇଣ୍ଟରନେଟର ଉପଲବ୍ଧତା ସୂଚନା ପାଇବା ଏବଂ ଉପଭୋକ୍ତାମାନଙ୍କ ମଧ୍ୟରେ ଅଭିଜ୍ଞତା ବାଣ୍ଟିବାର ଉପାୟକୁ ବଦଳାଇ ଦେଇଛି । ସୋସିଆଲ ମିଡିଆରେ ଏହି ସୂଚନା ଉପଲବ୍ଧ ହେଉଛି ଏବଂ ଏହି ମନ୍ତବ୍ୟ ଉପରେ ଅନ୍ୟ ବ୍ୟବହାରକାରୀମାନେ ବିଶ୍ୱାସ କରୁଛନ୍ତି । ଏହି ରିପୋର୍ଟରେ ସ୍ବାଧୀନ ପାଠ୍ୟର ଆକାରରେ ପ୍ରକାଶିତ ଉପଭୋକ୍ତାଙ୍କ ଭାବନା ବିଶ୍ଳେଷଣ କରି ସ୍ୱାସ୍ଥ୍ୟସେବା ଉଦ୍ୟୋଗ ଉପରେ ସୋସିଆଲ ମିଡିଆର ବ୍ୟବହାର ଏବଂ ପ୍ରଭାବକୁ ଚିହ୍ନଟ କରାଯାଇଛି । ଏହି କାଗଜରେ ଅନଲାଇନ ସମୀକ୍ଷା, ଟ୍ୱିଟ କିମ୍ବା ଗ୍ରାହକ ମତାମତକୁ ବିଭିନ୍ନ ବୈଶିଷ୍ଟ୍ୟ ପାଇଁ ଶ୍ରେଣୀଭୁକ୍ତ କରିବା ପାଇଁ ଉନ୍ନତ ଟର୍ମ ଫ୍ରିକ୍ୱେନ୍ସି ଇନଭର୍ସ ଡକ୍ୟୁମେଣ୍ଟ ଫ୍ରିକ୍ୱେନ୍ସି (TFIDF) ପଦ୍ଧତି ଏବଂ ରେଖୀ ରିଗ୍ରେସନ ମଡେଲ ବ୍ୟବହାର କରି ଏକ ଭାବନା ବର୍ଗୀକରଣ ମଡେଲ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । ଏହି ମଡେଲରେ ଡାକ୍ତରଖାନା ବିଷୟରେ ଅନଲାଇନ ବ୍ୟବହାରକାରୀଙ୍କ ସମୀକ୍ଷା ସଂଗ୍ରହ କରିବା ଏବଂ ସେସବୁ ସମୀକ୍ଷାକୁ ଭାବନା ଆଧାରରେ ବିଶ୍ଳେଷଣ କରିବା ପ୍ରକ୍ରିୟା ଅନ୍ତର୍ଭୁକ୍ତ । ସୂଚନା ଉତ୍ତୋଳନ ପ୍ରକ୍ରିୟା ଅପ୍ରାସଙ୍ଗିକ ସମୀକ୍ଷାଗୁଡ଼ିକୁ ଫିଲ୍ଟର କରିଥାଏ, ଚିହ୍ନଟ ହୋଇଥିବା ବୈଶିଷ୍ଟ୍ୟଗୁଡ଼ିକର ଭାବନାତ୍ମକ ଶବ୍ଦଗୁଡ଼ିକୁ ବାହାର କରିଥାଏ ଏବଂ ଭାବନାତ୍ମକ ଶବ୍ଦକୋଷ ବ୍ୟବହାର କରି ବୈଶିଷ୍ଟ୍ୟଗୁଡ଼ିକର ଭାବନାକୁ ପରିମାଣିକ କରିଥାଏ । ଭାବନାତ୍ମକ ଭାବେ ପ୍ରକାଶିତ ସକାରାତ୍ମକ ବା ନକାରାତ୍ମକ ଶବ୍ଦଗୁଡିକୁ ଶବ୍ଦକୋଷରେ ନିର୍ଦ୍ଧାରିତ ଶ୍ରେଣୀକରଣ ବ୍ୟବହାର କରି ଓଜନ ଦିଆଯାଏ । ବିଭିନ୍ନ ବୈଶିଷ୍ଟ୍ୟ ପାଇଁ ଟୁଇଟ/ରିଭ୍ୟୁ ଉପରେ ଭାବନା ବିଶ୍ଳେଷଣ ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ (ଏନଏଲପି) ଏବଂ ସୂଚନା ପୁନରୁଦ୍ଧାର (ଆଇଆର) କୌଶଳ ବ୍ୟବହାର କରି କରାଯାଇଥାଏ । ସେଣ୍ଟି-ସ୍କୋର ବ୍ୟବହାର କରି ପ୍ରସ୍ତାବିତ ରେଖାପଥୀ ରିଗ୍ରେସନ ମଡେଲ ସେବା ବିଶେଷତାର ଷ୍ଟାର ରେଟିଂକୁ ପୂର୍ବାନୁମାନ କରିଥାଏ । ପରିସଂଖ୍ୟାନଗତ ଫଳାଫଳରୁ ଜଣାପଡ଼ୁଛି ଯେ ଉନ୍ନତ TF-IDF ପଦ୍ଧତିର ସଠିକତା, TF ଓ TF-IDF ପଦ୍ଧତି ତୁଳନାରେ ଅଧିକ । ବୈଶିଷ୍ଟ୍ୟ ଉପରେ ପାଠ୍ୟ ବିଶ୍ଳେଷଣ (ଉପଭୋକ୍ତା ମତାମତ) ର ଫଳସ୍ୱରୂପ ପ୍ରାପ୍ତ ହୋଇଥିବା ସେଣ୍ଟି-ସ୍କୋର କେବଳ ମତାମତ ସାରାଂଶ ନୁହେଁ ବରଂ ବିଭିନ୍ନ ପ୍ରତିଯୋଗୀମାନଙ୍କର ବିଭିନ୍ନ ବୈଶିଷ୍ଟ୍ୟ ଉପରେ ତୁଳନାତ୍ମକ ଫଳାଫଳ ମଧ୍ୟ ପ୍ରଦାନ କରେ । ଏହି ସୂଚନାକୁ ବ୍ୟବହାର କରି ବ୍ୟବସାୟରେ ଉନ୍ନତି ଆଣିବା ଏବଂ ଉପଭୋକ୍ତାଙ୍କ ସନ୍ତୁଷ୍ଟିର ଉଚ୍ଚ ସ୍ତରକୁ ସୁନିଶ୍ଚିତ କରିବା ପାଇଁ ନିମ୍ନ ସ୍କୋର ହୋଇଥିବା ବୈଶିଷ୍ଟ୍ୟ ଉପରେ ଧ୍ୟାନ ଦେଇପାରିବେ । |
841a5de1d71a0b51957d9be9d9bebed33fb5d9fa | ଏହି କାଗଜରେ, ଆମେ ପ୍ରତିଛବି ଶ୍ରେଣୀକରଣ ପାଇଁ ଏକ ସରଳ ଗଭୀର ଶିକ୍ଷଣ ନେଟୱାର୍କର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଅତି ମୌଳିକ ଡାଟା ପ୍ରୋସେସିଂ ଉପାଦାନ ଉପରେ ଆଧାରିତ: 1) କାସକେଡ୍ ପ୍ରିନ୍ସିପାଲ୍ କମ୍ପୋନ୍ଟେନ୍ ଆନାଲିସିସ୍ (ପିସିଏ); 2) ବାଇନାରୀ ହ୍ୟାସିଂ; ଏବଂ 3) ବ୍ଲକ୍ ୱାଇ ହିଷ୍ଟୋଗ୍ରାମ୍ । ପ୍ରସ୍ତାବିତ ସ୍ଥାପତ୍ୟରେ, ପିସିଏକୁ ବହୁସ୍ତରୀୟ ଫିଲ୍ଟର ବ୍ୟାଙ୍କକୁ ଶିଖିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଏ । ଏହା ପରେ ସରଳ ବାଇନାରୀ ହ୍ୟାସିଂ ଏବଂ ଇଣ୍ଡେକ୍ସିଂ ଏବଂ ପୁଲିଂ ପାଇଁ ବ୍ଲକ୍ ହିଷ୍ଟୋଗ୍ରାମ୍ ବ୍ୟବହାର କରାଯାଇଥାଏ । ଏହି ଆର୍ଚେଟକ୍ଚରକୁ ପିସିଏ ନେଟୱର୍କ (ପିସିଏନଇଟି) କୁହାଯାଏ ଏବଂ ଏହାକୁ ଅତି ସହଜରେ ଓ ଦକ୍ଷତାର ସହିତ ଡିଜାଇନ ଓ ଶିଖାଯାଇପାରିବ । ତୁଳନାତ୍ମକ ଦୃଷ୍ଟିରୁ ଏବଂ ଏହାକୁ ଭଲ ଭାବରେ ବୁଝିବା ପାଇଁ ଆମେ PCANet ର ଦୁଇଟି ସରଳ ଭାରିଆଣ୍ଟକୁ ମଧ୍ୟ ଉପସ୍ଥାପନ କରିଛୁ ଏବଂ ଅଧ୍ୟୟନ କରିଛୁ: 1) RandNet ଏବଂ 2) LDANet । PCANet ଭଳି ସମାନ ଟପୋଲୋଜିର ସେୟାର କରିଥାନ୍ତି, କିନ୍ତୁ ସେମାନଙ୍କର କାସକେଡ୍ ଫିଲ୍ଟରଗୁଡିକ ଅନିୟମିତ ଭାବରେ ଚୟନ କରାଯାଇଥାଏ କିମ୍ବା ରେଖୀଗତ ଭେଦଭାବ ବିଶ୍ଳେଷଣରୁ ଶିଖିଯାଇଥାଏ । ଆମେ ଏହି ମୌଳିକ ନେଟୱାର୍କକୁ ବିଭିନ୍ନ କାର୍ଯ୍ୟ ପାଇଁ ଅନେକ ଭ୍ୟୁଆଲ ଡାଟା ସେଟ ଉପରେ ବ୍ୟାପକ ଭାବରେ ପରୀକ୍ଷା କରିଛୁ, ଯେଉଁଥିରେ ଚେହେରା ଯାଞ୍ଚ ପାଇଁ ଲେବଲଡ ଫେସେସ ଇନ ୱାଇଲ୍ଡ (ଏଲଏଫଡବ୍ଲୁ) ଅନ୍ତର୍ଭୁକ୍ତ; ଚେହେରା ଚିହ୍ନଟ ପାଇଁ ମଲ୍ଟିପିଆଇଇ, ଏକ୍ସଟେଣ୍ଡେଡ ୟେଲ୍ ବି, ଏଆର, ଫେସିଆଲ ରେକଗନିସନ ଟେକ୍ନୋଲୋଜି (ଏଫଇଆରଇଟି) ଡାଟା ସେଟ; ଏବଂ ହାତ ଲେଖା ଅଙ୍କ ଚିହ୍ନଟ ପାଇଁ ଏମଏନଆଇଏସଟି । ଆଶ୍ଚର୍ଯ୍ୟଜନକ ଭାବେ, ସମସ୍ତ କାର୍ଯ୍ୟ ପାଇଁ, ଏପରି ଏକ ସରଳ PCANet ମଡେଲ ଅତ୍ୟାଧୁନିକ ବୈଶିଷ୍ଟ୍ୟ ସହିତ ସମାନ ଅଟେ ଯାହା ପ୍ରିଫିକ୍ସେଡ୍, ଉଚ୍ଚ ହସ୍ତକଳା କିମ୍ବା ଯତ୍ନର ସହିତ ଶିଖିଛି [ଗଭୀର ସ୍ନାୟୁ ନେଟୱାର୍କ (DNNs) ଦ୍ୱାରା] । ଆହୁରି ଆଶ୍ଚର୍ଯ୍ୟଜନକ କଥା ହେଉଛି, ଏହି ମଡେଲ ଅନେକ ବର୍ଗୀକରଣ କାର୍ଯ୍ୟ ପାଇଁ ନୂତନ ରେକର୍ଡ ସ୍ଥାପନ କରିଛି, ଯଥା ବିସ୍ତୃତ ୟେଲ୍ ବି, ଏଆର, ଏବଂ ଫେରେଟ୍ ଡାଟା ସେଟ୍ ଏବଂ ଏମଏନଆଇଏସଟି ଭେରିଏସନ୍ ଉପରେ । ଅନ୍ୟାନ୍ୟ ସର୍ବସାଧାରଣ ଡାଟା ସେଟ ଉପରେ ଅତିରିକ୍ତ ପରୀକ୍ଷଣ ମଧ୍ୟ PCANet ର ସମ୍ଭାବନାକୁ ଦର୍ଶାଇଥାଏ ଯାହା ସରଳ କିନ୍ତୁ ଉଚ୍ଚ ପ୍ରତିଦ୍ୱନ୍ଦ୍ୱୀ ମୂଳଦୁଆ ଭାବରେ କାର୍ଯ୍ୟ କରିଥାଏ। |
d10ffc7a9f94c757f68a1aab8e7ed69ec974c831 | |
08639cd6b89ac8f375cdc1076b9485ac9d657083 | ଏହି ଅଧ୍ୟୟନରେ ଆମେ ପରୀକ୍ଷାମୂଳକ ଭାବରେ ମୁଖ୍ୟ-ସ୍ମୃତି, ସମାନ୍ତରାଳ, ମଲ୍ଟି-କୋର ଯୋଡିବା ଆଲଗୋରିଦମଗୁଡ଼ିକର କାର୍ଯ୍ୟଦକ୍ଷତା ଅଧ୍ୟୟନ କରିଛୁ, ଯାହା ସର୍ଟ-ମିଶ୍ରଣ ଏବଂ (ରାଡିକ୍ସ-) ହ୍ୟାଶ ଯୋଡିବା ଉପରେ ଧ୍ୟାନ ଦେଇଥାଏ । ଏହି ଦୁଇଟି ଯୋଡ଼ିବା ପଦ୍ଧତିର ଆପେକ୍ଷିକ କାର୍ଯ୍ୟଦକ୍ଷତା ଦୀର୍ଘ ସମୟ ଧରି ଚର୍ଚ୍ଚାର ବିଷୟ ହୋଇ ରହିଛି । ଆଧୁନିକ ମଲ୍ଟିକୋର ଆର୍କିଟେକଚର ଆସିବା ପରେ, ଏହା ଯୁକ୍ତି କରାଯାଇଛି ଯେ ସର୍ଟ-ମିଶ୍ରଣ ସଂଯୋଗ ବର୍ତ୍ତମାନ ରେଡିକ୍ସ-ହାଶ୍ ସଂଯୋଗ ଅପେକ୍ଷା ଏକ ଉତ୍ତମ ବିକଳ୍ପ ଅଟେ । ଏହି ଦାବି SIMD ନିର୍ଦ୍ଦେଶର ପ୍ରସ୍ଥ ଉପରେ ଆଧାରିତ (Sort-merge ରେଡିକ୍ସ-ହେଶ୍-ଜଏନ ଠାରୁ ଅଧିକ ଭଲ ହୋଇଥାଏ, ଯେବେ SIMD ଯଥେଷ୍ଟ ପ୍ରସ୍ଥ ହୋଇଥାଏ) ଏବଂ NUMA ସଚେତନତା (Sort-merge NUMA ଆର୍କିଟେକଚରରେ ହାଶ୍-ଜଏନ ଠାରୁ ଅଧିକ ଭଲ ହୋଇଥାଏ) । ଆମେ ଏହି ଆଲଗୋରିଦମର ମୂଳ ଏବଂ ଅପ୍ଟିମାଇଜ୍ ହୋଇଥିବା ସଂସ୍କରଣ ଉପରେ ବ୍ୟାପକ ପରୀକ୍ଷଣ କରୁଛୁ । ଏହି ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ, ଏହି ଦାବିଗୁଡିକର ବିପରୀତ ରେଡିକ୍ସ ହ୍ୟାଶ ଜଏନ ଏବେ ମଧ୍ୟ ସ୍ପଷ୍ଟ ଭାବରେ ଉନ୍ନତ ଅଟେ, ଏବଂ ସର୍ଟ-ମିଶ୍ରଣ ପଦ୍ଧତି ରେଡିକ୍ସର କାର୍ଯ୍ୟଦକ୍ଷତା ପାଇଁ କେବଳ ଯେତେବେଳେ ବହୁତ ବଡ଼ ପରିମାଣର ତଥ୍ୟ ଅନ୍ତର୍ଭୁକ୍ତ ହୋଇଥାଏ । ଏହି କାଗଜରେ ଏହି ଆଲଗୋରିଦମର ଦ୍ରୁତତମ କାର୍ଯ୍ୟାନ୍ୱୟନ ମଧ୍ୟ ପ୍ରଦାନ କରାଯାଇଛି ଏବଂ ଏହା ଆଧୁନିକ ହାର୍ଡୱେର ଆର୍କିଟେକଚରର ଅନେକ ଦିଗକୁ କଭର କରେ ଯାହା କେବଳ ଯୋଡି ନୁହେଁ ବରଂ ଯେକୌଣସି ସମାନ୍ତରାଳ ଡାଟା ପ୍ରୋସେସିଂ ଅପରେଟର ପାଇଁ ପ୍ରାସଙ୍ଗିକ ଅଟେ । |
0a5033c0b2bb2421f8c46e196fb0fb1464a636b6 | ଆଧୁନିକ ସିପିୟୁରେ ନିର୍ଦ୍ଦେଶାବଳୀ ରହିଛି ଯାହା ଏକାଧିକ ତଥ୍ୟ ଉପାଦାନ ଉପରେ ସମାନ୍ତରାଳ ଭାବେ ମୌଳିକ କାର୍ଯ୍ୟ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ଏହି ନିର୍ଦ୍ଦେଶକୁ ସିମଡି ନିର୍ଦ୍ଦେଶ କୁହାଯାଏ କାରଣ ଏହା ଏକାଧିକ ତଥ୍ୟ ଉପାଦାନ ପାଇଁ ଗୋଟିଏ ନିର୍ଦ୍ଦେଶ ପ୍ରୟୋଗ କରିଥାଏ । ମଲ୍ଟିମିଡିଆ ଆପ୍ଲିକେସନର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ତ୍ୱରାନ୍ୱିତ କରିବା ପାଇଁ ସିମଡି ପ୍ରଯୁକ୍ତିକୁ ପ୍ରଥମେ କମୋଡିଟି ପ୍ରୋସେସରରେ ଅନ୍ତର୍ଭୁକ୍ତ କରାଯାଇଥିଲା । ସିମଡି ନିର୍ଦ୍ଦେଶାବଳୀ ଡାଟାବେସ ଇଞ୍ଜିନର ଡିଜାଇନ ଏବଂ କାର୍ଯ୍ୟାନ୍ୱୟନ ପାଇଁ ନୂତନ ସୁଯୋଗ ପ୍ରଦାନ କରିଥାଏ । ଆମେ ବିଭିନ୍ନ ପ୍ରକାରର କାର୍ଯ୍ୟକଳାପକୁ ଏକ ଡାଟାବେସ ପରିପ୍ରେକ୍ଷୀରେ ଅଧ୍ୟୟନ କରୁ, ଏବଂ ଦେଖାଉ ଯେ କିପରି SIMD ନିର୍ଦ୍ଦେଶକୁ ବ୍ୟବହାର କରି କାର୍ଯ୍ୟକଳାପର ଆଭ୍ୟନ୍ତରୀଣ ଲୁପକୁ ତ୍ୱରାନ୍ୱିତ କରାଯାଇପାରିବ । ସିମଡି ନିର୍ଦ୍ଦେଶର ବ୍ୟବହାର ଦ୍ୱାରା ଦୁଇଟି ତତ୍କାଳ କାର୍ଯ୍ୟଦକ୍ଷତା ଲାଭ ମିଳିଥାଏ: ଏହା ଏକ ସ୍ତରର ସମାନ୍ତରାଳତାକୁ ଅନୁମତି ଦେଇଥାଏ, ଯାହାଫଳରେ ଅନେକ ଅପରେଣ୍ଡକୁ ଏକାସାଙ୍ଗରେ ପ୍ରକ୍ରିୟାକରଣ କରାଯାଇପାରିବ । ଏହା ମଧ୍ୟ ଅନେକ ସମୟରେ ସର୍ତ୍ତମୂଳକ ଶାଖା ନିର୍ଦ୍ଦେଶକୁ ସମାପ୍ତ କରିଥାଏ, ଶାଖା ଭୁଲ ପୂର୍ବାନୁମାନକୁ ହ୍ରାସ କରିଥାଏ । ଆମେ ସବୁଠାରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଡାଟାବେସ୍ ଅପରେସନ୍ଗୁଡିକ ଉପରେ ବିଚାର କରୁ, ଯେଉଁଥିରେ କ୍ରମିକ ସ୍କାନ୍, ଏକତ୍ରୀକରଣ, ସୂଚକାଙ୍କ ଅପରେସନ୍ ଏବଂ ଯୋଗ ଅନ୍ତର୍ଭୁକ୍ତ । ଆମେ SIMD ନିର୍ଦ୍ଦେଶାବଳୀ ବ୍ୟବହାର କରି ଏହାକୁ କାର୍ଯ୍ୟକାରୀ କରିବା ପାଇଁ କୌଶଳ ଉପସ୍ଥାପନ କରୁଛୁ । ଆମେ ଦେଖାଇଛୁ ଯେ ପାରମ୍ପରିକ ପ୍ରଶ୍ନ ପ୍ରକ୍ରିୟାକରଣ ଆଲଗୋରିଦମକୁ ପୁନଃ ଡିଜାଇନ୍ କରିବାରେ ଯଥେଷ୍ଟ ଲାଭ ଅଛି ଯାହା ଦ୍ୱାରା ସେମାନେ SIMD ଟେକ୍ନୋଲୋଜିର ଭଲ ବ୍ୟବହାର କରିପାରିବେ । ଆମର ଅଧ୍ୟୟନରୁ ଜଣାପଡିଛି ଯେ SIMD ସମାନ୍ତରାଳତା ଚାରୋଟି ବ୍ୟବହାର କରି, ନୂତନ ଆଲଗୋରିଦମ ପାଇଁ CPU ସମୟ ପାରମ୍ପରିକ ଆଲଗୋରିଦମ ଅପେକ୍ଷା 10%ରୁ ଚାରି ଗୁଣରୁ ଅଧିକ କମ୍ ଅଟେ । ସୁପରଲାଇନାରୀ ଗତି ବୃଦ୍ଧି ଶାଖା ଭୁଲ୍ ପୂର୍ବାନୁମାନ ପ୍ରଭାବକୁ ଦୂର କରିବା ଦ୍ୱାରା ପ୍ରାପ୍ତ ହୋଇଥାଏ । |
30b1293e39c52ddd0e2a617de47c1ad843621258 | ଆଡ-ହୋକ୍ ପ୍ରଶ୍ନର ଅଧିକ ବ୍ୟବହାର ଏବଂ ବହୁକୋର୍, ଭେକ୍ଟର-ସକ୍ଷମ ହାର୍ଡୱେର ଅଧିକ ଉପଲବ୍ଧତା ହେତୁ ଟେବୁଲ ସ୍କାନ୍ ଅଧିକ ଆକର୍ଷଣୀୟ ହୋଇଛି । ମୂଲ୍ୟ ପ୍ରତିନିଧିତ୍ୱ, ଟେବୁଲ ଲେଆଉଟ ଏବଂ ପ୍ରକ୍ରିୟାକରଣ କୌଶଳ ଦ୍ୱାରା ଟେବୁଲ ସ୍କାନ କାର୍ଯ୍ୟଦକ୍ଷତା ସୀମିତ । ଏହି ଅଧ୍ୟୟନରେ ଆମେ ଏକ ନୂଆ ଲେଆଉଟ୍ ଓ ପ୍ରୋସେସିଂ କୌଶଳ ପାଇଁ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଏକ-ପାସ୍ ପ୍ରେଡିକେଟ୍ ମୂଲ୍ୟାଙ୍କନ ପାଇଁ ପ୍ରଭାବଶାଳୀ । ଗୋଟିଏ ସ୍ତମ୍ଭରେ ବିଟ୍ ର ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ସଂଖ୍ୟକ ଧାଡିର ଏକ ସେଟ୍ ସହିତ ଆରମ୍ଭ କରି, ଆମେ ସ୍ତମ୍ଭଗୁଡ଼ିକୁ ଯୋଡି ଏକ ବ୍ୟାଙ୍କ ସେଟ୍ ଗଠନ କରୁ ଏବଂ ତାପରେ ପ୍ରତ୍ୟେକ ବ୍ୟାଙ୍କକୁ ଏକ ସମର୍ଥିତ ମେସିନ୍ ୱାର୍ଡ ଲମ୍ବ, ସାଧାରଣତ 16, 32 କିମ୍ବା 64 ବିଟ୍ ପର୍ଯ୍ୟନ୍ତ ପ୍ୟାଡ୍ କରୁ _ ତାପରେ ଆମେ ପ୍ରତ୍ୟେକ ବ୍ୟାଙ୍କର ସ୍ତମ୍ଭରେ ଆଂଶିକ ଉପାଦାନଗୁଡ଼ିକୁ ମୂଲ୍ୟାଙ୍କନ କରୁ, ଏକ ନୂତନ ମୂଲ୍ୟାଙ୍କନ କୌଶଳ ବ୍ୟବହାର କରି ଯାହା ସ୍ତମ୍ଭ ସ୍ତର ସମାନତା, ପରିସର ପରୀକ୍ଷଣ, IN- ତାଲିକା ଉପାଦାନଗୁଡ଼ିକୁ ମୂଲ୍ୟାଙ୍କନ କରେ, ଏବଂ ଏହି ଉପାଦାନଗୁଡ଼ିକର ସଂଯୋଜକ, ଏକ ସମୟରେ ଏକ ବ୍ୟାଙ୍କର ଏକାଧିକ ସ୍ତମ୍ଭରେ, ଏବଂ ଏକ ମେସିନ୍ ରେଜିଷ୍ଟରରେ ଏକାଧିକ ଧାଡ଼ିରେ । ଏହି ପଦ୍ଧତି ବିଶୁଦ୍ଧ ସ୍ତମ୍ଭ ସଂରକ୍ଷଣକୁ ଅତିକ୍ରମ କରିଥାଏ, ଯାହା ଏକ ସମୟରେ ଗୋଟିଏ ସ୍ତମ୍ଭର ଆଂଶିକ ଉପାଦାନଗୁଡ଼ିକୁ ମୂଲ୍ୟାଙ୍କନ କରିବା ଆବଶ୍ୟକ କରିଥାଏ । ଆମେ ଏହି ନୂତନ ଆଭିମୁଖ୍ୟର କାର୍ଯ୍ୟଦକ୍ଷତା ଏବଂ ପ୍ରତିନିଧିତ୍ୱ ଓଭରହେଡ୍ ଏବଂ ଅନେକ ପ୍ରସ୍ତାବିତ ବିକଳ୍ପର ମୂଲ୍ୟାଙ୍କନ ଏବଂ ତୁଳନା କରୁଛୁ । |
313e8120c31fda6877ea426d8a3be9bcf1b6e088 | ଏହି କାଗଜରେ ଭର୍ଟିକା ଆନାଲିଟିକ ଡାଟାବେସର ସିଷ୍ଟମ ଆର୍କିଟେକଚର ବର୍ଣ୍ଣନା କରାଯାଇଛି, ଯାହା ସି-ଷ୍ଟୋର ରିସର୍ଚ୍ଚ ପ୍ରୋଟୋଟାଇପର ଡିଜାଇନର ବ୍ୟବସାୟିକରଣ ଅଟେ । ଭର୍ଟିକା ଏକ ଆଧୁନିକ ବ୍ୟବସାୟିକ ଆରଡିବିଏମଏସ ସିଷ୍ଟମକୁ ପ୍ରଦର୍ଶିତ କରୁଛି ଯାହା ଏକ କ୍ଲାସିକାଲ ରିଲେସନାଲ ଇଣ୍ଟରଫେସକୁ ଉପସ୍ଥାପନ କରିଥାଏ ଏବଂ ସେହି ସମୟରେ ଆଧୁନିକ ୱେବ ସ୍କେଲ ଆନାଲିଟିକ ସିଷ୍ଟମରୁ ଆଶା କରାଯାଉଥିବା ଉଚ୍ଚ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରିଥାଏ । ଶିକ୍ଷଣୀୟ ପ୍ରଣାଳୀ ଗବେଷଣାକୁ କିପରି ସିଧାସଳଖ ଏକ ସଫଳ ଉତ୍ପାଦରେ ବ୍ୟବସାୟିକରଣ କରାଯାଇପାରିବ ସେ ବିଷୟରେ ମଧ୍ୟ ଭର୍ଟିକା ଏକ ଶିକ୍ଷଣୀୟ ଶିକ୍ଷା । |
370e1fcea7074072fe5946d3e728affd582a9a44 | ମୋନେଟଡିବି ହେଉଛି ଏକ ଅତ୍ୟାଧୁନିକ ଓପନ ସୋର୍ସ କଲୋନ ଷ୍ଟୋର ଡାଟାବେସ ମ୍ୟାନେଜମେଣ୍ଟ ସିଷ୍ଟମ ଯାହା ବିଶାଳ ଡାଟା ସଂଗ୍ରହ ଉପରେ ବିଶ୍ଳେଷଣ ଆବଶ୍ୟକ କରୁଥିବା ଆପ୍ଲିକେସନକୁ ଟାର୍ଗେଟ କରିଥାଏ । MonetDB ବର୍ତ୍ତମାନ ସ୍ୱାସ୍ଥ୍ୟ ସେବା, ଟେଲିକମ୍ୟୁନିକେସନ, ବୈଜ୍ଞାନିକ ଡାଟାବେସ ଏବଂ ଡାଟା ମ୍ୟାନେଜମେଣ୍ଟ ଗବେଷଣା କ୍ଷେତ୍ରରେ ସକ୍ରିୟ ଭାବେ ବ୍ୟବହୃତ ହେଉଛି, ଯାହା ପ୍ରତିମାସରେ ହାରାହାରି ୧୦,୦୦୦ରୁ ଅଧିକ ଥର ଡାଉନଲୋଡ ହେଉଛି । ଏହି ଦସ୍ତାବିଜରେ ଗତ ଦୁଇ ଦଶନ୍ଧି ମଧ୍ୟରେ ବିକଶିତ ହୋଇଥିବା ମୋନେଟିବି ଟେକ୍ନୋଲୋଜିର ସଂକ୍ଷିପ୍ତ ସମୀକ୍ଷା ଏବଂ ମୁଖ୍ୟ ଗବେଷଣା ହାଇଲାଇଟ୍ସ ଦିଆଯାଇଛି ଯାହା ବର୍ତ୍ତମାନର ମୋନେଟିବି ଡିଜାଇନକୁ ଆଗେଇ ନେଉଛି ଏବଂ ଏହାର ଭବିଷ୍ୟତ ବିକାଶ ପାଇଁ ଆଧାର ଗଠନ କରୁଛି । |
22b26297e0cc5df3efdba54a45714e4e27b59e17 | ଏକ ରେଫରେନ୍ସ ପରିମାଣ ଏବଂ ଏହାର ଅନୁମାନିତ/ନିୟନ୍ତ୍ରିତ ମୂଲ୍ୟ ମଧ୍ୟରେ ଏକ ମିସ୍-ଡିଷ୍ଟାନ୍ସ ବା ତ୍ରୁଟିର ଧାରଣା, ଯେକୌଣସି ଫିଲ୍ଟରିଂ/ନିୟନ୍ତ୍ରିତ ସମସ୍ୟାରେ ଏକ ମୌଳିକ ଭୂମିକା ଗ୍ରହଣ କରିଥାଏ । କିନ୍ତୁ ମଲ୍ଟି-ଅବଜେକ୍ଟ ଫିଲ୍ଟରିଂର ସୁ-ପ୍ରତିଷ୍ଠିତ କ୍ଷେତ୍ରରେ ମିସ୍-ଡିଷ୍ଟାନ୍ସର କୌଣସି ସନ୍ତୋଷଜନକ ଧାରଣା ନାହିଁ । ଏହି ଲେଖାରେ ଆମେ ପ୍ରଦର୍ଶନ ମୂଲ୍ୟାୟନ ପାଇଁ ବହୁ-ଅବଜେକ୍ଟ ମିସ୍-ଡିଷ୍ଟାନ୍ସ ପରିପ୍ରେକ୍ଷୀରେ ବର୍ତ୍ତମାନର ମେଟ୍ରିକ୍ସର ଅସଙ୍ଗତିଗୁଡ଼ିକର ଆଲୋକପାତ କରୁଛୁ । ତାପରେ ଆମେ ଏକ ନୂତନ ଗାଣିତିକ ଏବଂ ଅନ୍ତର୍ଦୃଷ୍ଟିଗତ ଭାବରେ ସ୍ଥିର ମାପକ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ବର୍ତ୍ତମାନର ମଲ୍ଟି-ଅବଜେକ୍ଟ କାର୍ଯ୍ୟଦକ୍ଷତା ମୂଲ୍ୟାଙ୍କନ ମାପକଗୁଡ଼ିକର ତ୍ରୁଟିଗୁଡ଼ିକୁ ସମାଧାନ କରିଥାଏ । |
9fbf7bb9f8bd898cfb2f2164c269518359ef5f18 | ମିସ୍ ଦୂରତା-ଇଉକଲିଡିୟନ୍, ମହାଲାନୋବିସ୍, ଇତ୍ୟାଦିର ଧାରଣା ହେଉଛି ଏକକ-ଲକ୍ଷ୍ୟ ପ୍ରଣାଳୀର ଇଞ୍ଜିନିୟରିଂ ସିଦ୍ଧାନ୍ତ ଏବଂ ଅଭ୍ୟାସର ଏକ ମୌଳିକ, ଦୂରଗାମୀ ଏବଂ ଗ୍ରହଣୀୟ ଉପାଦାନ । ଏହି ଲେଖାରେ ଆମେ ମଲ୍ଟି ଟାର୍ଗେଟ୍ (ଏବଂ, ଅଧିକ ସାଧାରଣ ଭାବେ, ମଲ୍ଟି ଅବଜେକ୍ଟ) ସିଷ୍ଟମ ପାଇଁ ଦୂରତା ମାପକ ପାଇଁ ଏକ ବିସ୍ତୃତ L/sub p/ ପ୍ରକାର ସିଦ୍ଧାନ୍ତର ପରିଚୟ ଦେଉଛୁ । ଆମେ ଦେଖାଇବୁ ଯେ ଏହି ସିଦ୍ଧାନ୍ତ ବ୍ୟାପକ ଅଟେ, ଏବଂ ଏକ କଠୋର ଥିଓରିଟିକାଲ ଆଧାର ପ୍ରଦାନ କରେ, ଏକ ଅନ୍ତର୍ଦୃଷ୍ଟିଗତ ଭାବରେ ଆକର୍ଷଣୀୟ ସର୍ବୋତ୍ତମ-ଅନୁଦାନ ଆଭିମୁଖ୍ୟ ପାଇଁ ଡ୍ରମଣ୍ଡ ଦ୍ୱାରା ପ୍ରସ୍ତାବିତ ମଲ୍ଟିଟାରଗେଟ୍ ଟ୍ରାକିଂ ଆଲଗୋରିଦମର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ମୂଲ୍ୟାଙ୍କନ କରିବା ପାଇଁ । ଆମେ ମାନକ ସର୍ବୋତ୍ତମ ଆସାଇନମେଣ୍ଟ କିମ୍ବା ବକ୍ର ଅପ୍ଟିମାଇଜେସନ୍ କୌଶଳ ଉପରେ ଆଧାର କରି ଏପରି ମାପକାଠିକୁ ଗଣନା କରିବା ପାଇଁ ଟ୍ରେଟେରେବଲ୍ କମ୍ପ୍ୟୁଟେସନାଲ୍ ଆଭିମୁଖ୍ୟକୁ ବର୍ଣ୍ଣନା କରୁ । କାର୍ଯ୍ୟଦକ୍ଷତା ମୂଲ୍ୟାୟନ ଏବଂ ସେନସର ପରିଚାଳନା ଭଳି ପ୍ରୟୋଗ ପାଇଁ ଏହି ମାପଦଣ୍ଡର ସମ୍ଭାବ୍ୟ ଦୂରଗାମୀ ପ୍ରଭାବ ବିଷୟରେ ଆମେ ବର୍ଣ୍ଣନା କରୁଛୁ । ପ୍ରଥମ କ୍ଷେତ୍ରରେ, ଆମେ ମଲ୍ଟିଟାରଗେଟ୍ ମିସ୍-ଡିଷ୍ଟାନ୍ସ ମେଟ୍ରିକ୍ସକୁ ମଲ୍ଟିଟାରଗେଟ୍ ଟ୍ରାକିଂ ଆଲଗୋରିଦମ ପାଇଁ ପ୍ରଭାବଶାଳୀତା ମାପକ (ଏମଓଇ) ଭାବରେ ପ୍ରୟୋଗ କରିଥାଉ । |
859af6e67aec769c58ec1ea6a971108a60df0b9d | ଅସଂଯତ ଅନୁମାନ ସହିତ ସଂରଚନାଗତ ଶିକ୍ଷା ଏକ ମୌଳିକ ସମସ୍ୟା । ଆମେ ସଂରଚନାଗତ ପରସେପ୍ଟ୍ରନ୍ ଆଲଗୋରିଦମର ବିଭିନ୍ନ ପ୍ରକାରକୁ ଏକ ସାଧାରଣ "ଲଙ୍ଘନ-ସଂଶୋଧନ" ଢାଞ୍ଚା ଅନ୍ତର୍ଗତ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଏକୀକରଣକୁ ଗ୍ୟାରେଣ୍ଟି ଦେଇଥାଏ । ଏହି ଫ୍ରେମୱାର୍କ ପୂର୍ବବର୍ତ୍ତୀ ସମାଧାନକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରେ ଯେଉଁଥିରେ "ପ୍ରାରମ୍ଭିକ ଅପଡେଟ୍" ଅନ୍ତର୍ଭୁକ୍ତ, ବିଶେଷ ମାମଲା ଭାବରେ, ଏବଂ ଏହା ମଧ୍ୟ ବ୍ୟାଖ୍ୟା କରେ ଯେ କାହିଁକି ମାନକ ପର୍ସେପ୍ଟ୍ରନ୍ ଭୁଲ ସନ୍ଧାନରେ ବିଫଳ ହୋଇପାରେ । ଆମେ ଏହି ଢାଞ୍ଚାରେ ନୂଆ ଅପଡେଟ୍ ପଦ୍ଧତି ମଧ୍ୟ ପ୍ରସ୍ତାବିତ କରୁଛୁ ଯାହା ଉନ୍ନତ ମଡେଲକୁ ଶିଖିବା ସହିତ ଅତ୍ୟାଧୁନିକ ପାର୍ଟ-ଅଫ୍-ସ୍ପିଚ୍ ଟ୍ୟାଗିଂ ଏବଂ ଇନକ୍ରମେଂଟାଲ ପାର୍ସିଂ ସିଷ୍ଟମ ଉପରେ ପ୍ରଶିକ୍ଷଣ ସମୟକୁ ହ୍ରାସ କରିଥାଏ । |
b78c04c7f29ddaeaeb208d4eae684ffccd71e04f | କ୍ରମିକ ଗଣନା ପାଇଁ ଭନନ୍ୟୁମାନ ମଡେଲର ସଫଳତା ଏହି କଥାର କାରଣ ଯେ ଏହା ସଫ୍ଟୱେର ଏବଂ ହାର୍ଡୱେର ମଧ୍ୟରେ ଏକ ଦକ୍ଷ ସେତୁ ଅଟେ: ଉଚ୍ଚ ସ୍ତରୀୟ ଭାଷାଗୁଡ଼ିକୁ ଏହି ମଡେଲ ଉପରେ ଦକ୍ଷତାର ସହିତ କମ୍ପାଇଲ କରାଯାଇପାରିବ; ତଥାପି ଏହାକୁ ହାର୍ଡୱେର ରେ ପ୍ରଭାବଶାଳୀ ଭାବରେ କାର୍ଯ୍ୟକାରୀ କରାଯାଇପାରିବ । ଲେଖକ ଯୁକ୍ତି ବାଢ଼ନ୍ତି ଯେ ସଫ୍ଟୱେର୍ ଏବଂ ହାର୍ଡୱେର୍ ମଧ୍ୟରେ ଏକ ସମାନ୍ତରାଳ ସେତୁ ସମାନ୍ତରାଳ ଗଣନା ପାଇଁ ଆବଶ୍ୟକ ଯଦି ଏହା ବ୍ୟାପକ ଭାବରେ ବ୍ୟବହୃତ ହେବ । ଏହି ଲେଖାରେ ଏହି ଭୂମିକା ପାଇଁ ପ୍ରାର୍ଥୀ ଭାବରେ ବଲ୍କ-ସିଙ୍କ୍ରୋନସ ପାରାଲେଲ (ବିଏସପି) ମଡେଲର ପରିଚୟ ଦିଆଯାଇଛି ଏବଂ ଉଚ୍ଚ ସ୍ତରୀୟ ଭାଷା ବୈଶିଷ୍ଟ୍ୟ ଏବଂ ଆଲଗୋରିଦମ କାର୍ଯ୍ୟକାରୀ କରିବା ସହିତ ହାର୍ଡୱେରରେ କାର୍ଯ୍ୟକାରୀ ହେବା ପାଇଁ ଏହାର ଦକ୍ଷତା ପରିମାଣିକରଣର ଫଳାଫଳ ଦିଆଯାଇଛି । |
1d5a7c0bd3b6c445127c6861cea6c69f2291d9d8 | ଏହି ଅଧ୍ୟୟନରେ ଆମେ ମୋବାଇଲ ଫୋନ ନେଟୱର୍କରେ ସଂଚାର ସେବା ବ୍ୟବହାର କରି ମାଲୱେର ପ୍ରସାରିତ ହେବାର ପ୍ରଭାବକୁ ମୂଲ୍ୟାଙ୍କନ କରୁଛୁ । ଯଦିଓ ଇଣ୍ଟରନେଟରେ ସ୍ୱୟଂ ପ୍ରସାରିତ ମାଲୱେୟାରକୁ ଭଲ ଭାବରେ ବୁଝାଯାଏ, ମୋବାଇଲ ଫୋନ୍ ନେଟୱାର୍କରେ ଟପୋଲୋଜି, ସେବା, ପ୍ରୋଭିଜନିଂ ଏବଂ କ୍ଷମତା, ଡିଭାଇସ୍ ଏବଂ ଯୋଗାଯୋଗ ପ୍ୟାଟର୍ନଗୁଡିକର ଦୃଷ୍ଟିରୁ ବହୁତ ଭିନ୍ନ ଗୁଣ ଅଛି । ଏହି ନୂତନ ପରିବେଶରେ ମାଲୱେର ଅନୁସନ୍ଧାନ କରିବା ପାଇଁ, ଆମେ ଏକ ଇଭେଣ୍ଟ-ଡ୍ରାଇଭର ସିମୁଲେଟର ବିକଶିତ କରିଛୁ ଯାହା ମୋବାଇଲ ଫୋନ୍ ନେଟୱାର୍କର ବିଶେଷତା ଏବଂ ପ୍ରତିବନ୍ଧକଗୁଡ଼ିକୁ ଗ୍ରହଣ କରିଥାଏ । ବିଶେଷ କରି ସିମୁଲେଟର ନେଟୱର୍କ ଭିତ୍ତିଭୂମିର ବାସ୍ତବିକ ଟପୋଲୋଜି ଏବଂ ପ୍ରାବଧାନିତ କ୍ଷମତାର ମଡେଲ ପ୍ରସ୍ତୁତ କରିଥାଏ, ଏବଂ ସେଲ୍ୟୁଲାର୍ ଫୋନ୍ ଠିକଣା ପୁସ୍ତକ ଦ୍ୱାରା ନିର୍ଦ୍ଧାରିତ କଣ୍ଟାକ୍ଟ ଗ୍ରାଫକୁ ମଧ୍ୟ ପ୍ରସ୍ତୁତ କରିଥାଏ । ମୋବାଇଲ ଫୋନ ନେଟୱାର୍କରେ ଆକସ୍ମିକ ସଂଯୋଗ କୀଟଙ୍କ ଗତି ଓ ଭୟାବହତାର ଆକଳନ କରି, ନେଟୱାର୍କରେ ଏଭଳି କୀଟଙ୍କ ଦ୍ୱାରା ସୃଷ୍ଟି ହେଉଥିବା ସେବା ନଦେବାର ପ୍ରଭାବକୁ ବର୍ଣ୍ଣନା କରି, ମାଲୱେୟାର ପ୍ରସାରକୁ ତ୍ୱରାନ୍ୱିତ କରିବା ପାଇଁ ଉପାୟ ଅନୁସନ୍ଧାନ କରି ଏବଂ ନେଟୱାର୍କକୁ ଏଭଳି ଆକ୍ରମଣରୁ ରକ୍ଷା କରିବାର ପ୍ରଭାବ ବିଷୟରେ ଆଲୋଚନା କରି । |
013dfaac7508a46d6781cb58e7be0ddad2920a23 | ଏହି ଦସ୍ତାବିଜ ISO 26262 ହାର୍ଡୱେର ଆବଶ୍ୟକତା ସହିତ ଅଟୋମୋଟିଭ୍ ନିରାପତ୍ତା ମାଇକ୍ରୋପ୍ରୋସେସରର ମୂଲ୍ୟାଙ୍କନ ପାଇଁ ଏକ ପର୍ଯ୍ୟାୟ-ପ୍ରାପ୍ତ ନିର୍ଦ୍ଦେଶାବଳୀ ପ୍ରଦାନ କରେ । ଆଇଏସଓ ୨୬୨୬୨ ଭାଗ ୫ - ହାର୍ଡୱେର ସ୍ତରରେ ଉତ୍ପାଦ ବିକାଶ - ଅଟୋମୋବାଇଲ ହାର୍ଡୱେର ବିକାଶ ପର୍ଯ୍ୟାୟରେ ନିରାପତ୍ତା କାର୍ଯ୍ୟକଳାପକୁ ନିର୍ଦ୍ଦିଷ୍ଟ କରେ । ଏହି ପର୍ଯ୍ୟାୟରେ, ହାର୍ଡୱେର ନିରାପତ୍ତା ଡିଜାଇନ (ISO 26262 ଭାଗ 3 ଏବଂ 4 ର ଫଳାଫଳରୁ) ପ୍ରାପ୍ତ, କାର୍ଯ୍ୟକାରୀ, ଏକୀକୃତ ଏବଂ ପରୀକ୍ଷଣ କରାଯାଇଥାଏ । ISO 26262 ହାର୍ଡୱେର ବିକାଶ ପ୍ରକ୍ରିୟାର ଅନୁପାଳନକୁ ପ୍ରମାଣିତ କରିବା ପାଇଁ ହାର୍ଡୱେର ଉପରେ ପରିମାଣିକ ମୂଲ୍ୟାୟନ ଅନିବାର୍ଯ୍ୟ ଅଟେ । ଏହି ପରିମାଣିକ ମୂଲ୍ୟାୟନକୁ ହାର୍ଡୱେର ଆର୍କିଟେକଚର ମେଟ୍ରିକ୍ସ ଏବଂ ସମ୍ଭାବ୍ୟତା ହାର୍ଡୱେର ମେଟ୍ରିକ୍ସ କୁହାଯାଏ । ଏହି ମୂଲ୍ୟାୟନ ଫଳାଫଳ ଏକ ଡିଜାଇନକୁ ଏକ ଅଟୋମୋବାଇଲ ନିରାପତ୍ତା ଅଖଣ୍ଡତା ସ୍ତର (ଏଏସଆଇଏଲ) ସହିତ ଯୋଗ୍ୟତା ପ୍ରଦାନ କରେ ଯାହା ଏଏସଆଇଏଲ-ଏ (ସର୍ବନିମ୍ନ) ରୁ ଏଏସଆଇଏଲ-ଡି (ସର୍ବୋଚ୍ଚ) ପର୍ଯ୍ୟନ୍ତ ଥାଏ । ଏହି କାଗଜରେ, ଆମେ ISO 26262 ହାର୍ଡୱେର ମୂଲ୍ୟାୟନ ପ୍ରକ୍ରିୟାକୁ ପ୍ରଦର୍ଶନ କରିବା ପାଇଁ ଏକ ଉଦାହରଣ ସୁରକ୍ଷା ମାଇକ୍ରୋପ୍ରୋସେସର କାର୍ଯ୍ୟକାରୀ କରିଛୁ । ହାର୍ଡୱେର ଆର୍କିଟେକ୍ଚର ମେଟ୍ରିକ୍ସ ଏବଂ ପ୍ରାବ୍ୟତିକ ହାର୍ଡୱେର ମେଟ୍ରିକ୍ସରୁ ଏଏସଆଇଏଲ ସ୍ତରର ପ୍ରବାହ ପ୍ରକ୍ରିୟା ଉପରେ ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ଆଲୋଚନା କରାଯାଇଛି । ମୂଲ୍ୟାୟନ ଫଳାଫଳ ଆଧାରରେ ଆମେ ଆଇଏସଓ ୨୬୨୬୨ ସୁରକ୍ଷା ହାର୍ଡୱେର ଡିଜାଇନ ପାଇଁ ଡିଜାଇନ ପ୍ରସ୍ତାବ ମଧ୍ୟ ପ୍ରଦାନ କରୁ । |
78cec49ca0acd3b961021bc27d5cf78cbbbafc7e | ସାହିତ୍ୟରେ କମ୍ପ୍ରେସିବ ସେନସିଂ ଚେହେରା ଚିହ୍ନଟ କରିବାର ଏକ ମାନକ ପଦ୍ଧତି ପାଲଟିଛି । କିନ୍ତୁ ଆମେ ଦେଖାଇ ଦେଉଛୁ ଯେ, ଏହି କାର୍ଯ୍ୟର ଆଧାରରେ ଥିବା ଅଳ୍ପ ପରିମାଣର ଅର୍ଥକୁ ତଥ୍ୟରେ ସମର୍ଥନ କରାଯାଇନାହିଁ । ତଥ୍ୟରେ ଏହି ଅଭାବର ଅର୍ଥ ହେଉଛି ଯେ ସଙ୍କୋଚନ ସେନ୍ସିଂ ପଦ୍ଧତି ସଠିକ୍ ସିଗନାଲ୍ ପୁନରୁଦ୍ଧାର ପାଇଁ ଗ୍ୟାରେଣ୍ଟି ଦେଇପାରିବ ନାହିଁ, ଏବଂ ତେଣୁ ବିରଳ ଅନୁମାନ ଆବଶ୍ୟକ ଶକ୍ତି କିମ୍ବା କାର୍ଯ୍ୟଦକ୍ଷତା ପ୍ରଦାନ କରିପାରିବ ନାହିଁ । ଏହି ଧାରାରେ ଆମେ ଦେଖୁଛୁ ଯେ, ଚେହେରା ଚିହ୍ନଟ ସମସ୍ୟା ପାଇଁ ଏକ ସରଳ ୨ ପାଉଣ୍ଡର ପଦ୍ଧତି କେବଳ ଅତ୍ୟାଧୁନିକ ପଦ୍ଧତି ଅପେକ୍ଷା ଯଥେଷ୍ଟ ଅଧିକ ସଠିକ ନୁହେଁ, ଏହା ଅଧିକ ଦୃଢ଼ ଏବଂ ବହୁତ ଶୀଘ୍ର ମଧ୍ୟ । ଏହି ଫଳାଫଳ ସର୍ବସାଧାରଣରେ ଉପଲବ୍ଧ ୟେଲେବି ଏବଂ ଏଆର ଚେହେରା ଡାଟାସେଟରେ ପ୍ରଦର୍ଶିତ ହୋଇଛି କିନ୍ତୁ ଏହା କମ୍ପ୍ରେସିଭ୍ ସେନ୍ସିଂର ପ୍ରୟୋଗ ପାଇଁ ବ୍ୟାପକ ଭାବରେ ପ୍ରଭାବ ପକାଇଥାଏ । |
c530fbb3950ccdc88db60eff6627feb9200f6bda | |
be515b4070f746cc39e49e9e80ef0e419cadb1f0 | ଗତ କିଛି ବର୍ଷ ମଧ୍ୟରେ ମାନବୀୟ କାର୍ଯ୍ୟକଳାପକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ଅନେକ ଗବେଷକଙ୍କ ପାଇଁ ଏକ ଆଗ୍ରହ ରହିଛି । ଏହି ପତ୍ରିକାରେ ଆମେ ଗଭୀର ଶିକ୍ଷଣ (ଡିଏଲ) ଆଲଗୋରିଦମ ଦ୍ୱାରା ମାନବ ଗତିବିଧିକୁ ଚିହ୍ନିବା ପାଇଁ ଗବେଷଣା ପ୍ରସ୍ତାବ ଦେଉଛୁ । ମାନବୀୟ କାର୍ଯ୍ୟକଳାପକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ଆମେ ଅଂଶଗ୍ରହଣକାରୀଙ୍କ ଠାରୁ ତଥ୍ୟ ସଂଗ୍ରହ କରିଥିଲୁ । ଗଭୀର ନେଟୱାର୍କକୁ ପ୍ରାକ୍ ପ୍ରଶିକ୍ଷଣ ପରେ, ସୂକ୍ଷ୍ମ-ସୂତ୍ରକରଣ ପ୍ରକ୍ରିୟା ଆରମ୍ଭ ହୁଏ । ଲୁକ୍କାୟିତ ମାର୍କୋଭ ମଡେଲ (ଏଚଏମଏମ) ଏବଂ ନିରପେକ୍ଷ ବେୟସ ବର୍ଗୀକରଣ (ଏନବିସି) ସହିତ ତୁଳନା କରି ପରୀକ୍ଷଣ ଫଳାଫଳ ଦର୍ଶାଉଛି ଯେ ପ୍ରସ୍ତାବିତ ଗଭୀର ଶିକ୍ଷଣ ଆଲଗୋରିଦମ ସ୍ମାର୍ଟ ହୋମରେ ମାନବ କାର୍ଯ୍ୟକଳାପକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ଏକ ପ୍ରଭାବଶାଳୀ ଉପାୟ ଅଟେ । |
c79a608694c3d9a75ef06ed6baa80c6d1ce71bd4 | ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣରେ ସାମ୍ପ୍ରତିକ ଅଗ୍ରଗତି ଫଳରେ ପାଠାଗାରର ସୃଷ୍ଟି ହୋଇଛି ଯାହା କଞ୍ଚା ଲେଖା ସଂଗ୍ରହରୁ ନିମ୍ନସ୍ତରୀୟ ବୈଶିଷ୍ଟ୍ୟ ବାହାର କରିଥାଏ । ଏହି ବିଶେଷତ୍ୱ, ଯାହାକୁ ଏନାଟୋସନ କୁହାଯାଏ, ସାଧାରଣତଃ ଆଭ୍ୟନ୍ତରୀଣ ଭାବରେ ଶ୍ରେଣୀଗତ, ବୃକ୍ଷ-ଆଧାରିତ ତଥ୍ୟ ସଂରଚନାରେ ଗଚ୍ଛିତ ହୋଇଥାଏ । ଏହି ପତ୍ରିକାରେ ଏକ ଡାଟା ମଡେଲର ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି ଯାହା ଆନୋଟେଶନକୁ ନର୍ମାଲାଇଜଡ ରିଲେସନାଲ ଡାଟା ଟେବୁଲର ଏକ ସଂଗ୍ରହ ଭାବରେ ଦର୍ଶାଇଥାଏ ଯାହା ଏକ୍ସପ୍ଲୋରେଟରୀ ଡାଟା ବିଶ୍ଳେଷଣ ଏବଂ ପୂର୍ବାନୁମାନ ମଡେଲିଂ ପାଇଁ ଅନୁକୂଳ ଅଟେ । ଏହି ଡାଟା ମଡେଲର କାର୍ଯ୍ୟକାରିତା ଭାବରେ R ପ୍ୟାକେଜ cleanNLP, ଯାହାକି ଦୁଇଟି ଅତ୍ୟାଧୁନିକ NLP ଲାଇବ୍ରେରୀ (CoreNLP କିମ୍ବା spaCy) ମଧ୍ୟରୁ ଗୋଟିଏକୁ ଡାକୁଛି । ଏହା ଏକ ଇନପୁଟ୍ ଭାବରେ କଞ୍ଚା ପାଠ୍ୟ ଗ୍ରହଣ କରେ ଏବଂ ସାଧାରଣ ଟେବୁଲ୍ ର ଏକ ତାଲିକା ଫେରାଇଥାଏ. ନିର୍ଦ୍ଦିଷ୍ଟ ଟିପ୍ପଣୀଗୁଡିକ ମଧ୍ୟରେ ଟୋକେନାଇଜେସନ୍, ସ୍ପିଚ୍ ଟ୍ୟାଗିଂର ଅଂଶ, ନାମିତ ସଂସ୍ଥା ଚିହ୍ନଟ, ଭାବନା ବିଶ୍ଳେଷଣ, ନିର୍ଭରଶୀଳତା ପାର୍ସିଂ, କୋରଫରେନ୍ସ ରିଜୋଲ୍ୟୁସନ୍ ଏବଂ ଶବ୍ଦ ଇମ୍ବେଡିଂ ଅନ୍ତର୍ଭୁକ୍ତ । ଏହି ପ୍ୟାକେଜ ବର୍ତ୍ତମାନ ଇଂରାଜୀ, ଜର୍ମାନୀ, ଫରାସୀ ଏବଂ ସ୍ପାନିଶ ଭାଷାରେ ଇନପୁଟ ଟେକ୍ସଟକୁ ସମର୍ଥନ କରେ. |
5854f613c1617e8f27f3406f9319b88e200783ca | |
178c3df6059d9fc20f8b643254289642c47b5d9d | ଏହି ପ୍ରସ୍ତାବିତ ମଡେଲର ବିକାଶର ଚିନ୍ତାଧାରା ସମାଜ ପ୍ରତି ସାମାଜିକ ଦାୟିତ୍ୱବୋଧରୁ ଆସିଛି । ଦୁର୍ଘଟଣା ସମୟରେ ତୁରନ୍ତ ପ୍ରାଥମିକ ଚିକିତ୍ସା ଏବଂ ଜରୁରୀକାଳୀନ ଚିକିତ୍ସା ସେବା ନ ମିଳିବା ଦୁର୍ଘଟଣା ଘଟଣାରେ ମୃତ୍ୟୁର ମୁଖ୍ୟ କାରଣ । ଏହାର ଏକ ମୁଖ୍ୟ କାରଣ ହୋଇପାରେ ଆମ୍ବୁଲାନ୍ସ ବିଳମ୍ବରେ ପହଞ୍ଚିବା, ଆମ୍ବୁଲାନ୍ସକୁ ସୂଚନା ଦେବା ପାଇଁ ଦୁର୍ଘଟଣାସ୍ଥଳରେ କୌଣସି ବ୍ୟକ୍ତି ନଥିବା । ସମାଜର ଦାୟିତ୍ୱ ନେବା ପାଇଁ ଏହି ଚିନ୍ତାଧାରା ଆମର ପ୍ରସ୍ତାବିତ ମଡେଲ ଜିଏସଏମ ଏବଂ ଜିପିଆରଏସ ବ୍ୟବହାର କରି ମାଇକ୍ରୋକଣ୍ଟ୍ରୋଲର ଆଧାରିତ ସ୍ମାର୍ଟ ହେଲମେଟ ରେ ପରିଣତ ହୋଇଛି । ଏହି ପ୍ରସ୍ତାବିତ ମଡେଲ ଡିଜାଇନର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଦୁର୍ଘଟଣା ବିଷୟରେ ଉତ୍ତରଦାୟୀ ବ୍ୟକ୍ତିଙ୍କୁ ଯଥାଶୀଘ୍ର ସୂଚନା ଦେବା ଯାହାଦ୍ୱାରା ସେମାନେ ଆହତ ବ୍ୟକ୍ତିଙ୍କ ଜୀବନ ବଞ୍ଚାଇବା ପାଇଁ ଆବଶ୍ୟକ ପଦକ୍ଷେପ ନେଇପାରିବେ । ଆମର ପ୍ରସ୍ତାବିତ ବ୍ୟବସ୍ଥାରେ ଆର୍ଡୁଇନୋ ମାଇକ୍ରୋକଣ୍ଟ୍ରୋଲର ଭାବେ, ଜିଏସ୍ଏମ୍ କଲ୍ ଉଦ୍ଦେଶ୍ୟରେ, ଜିପିଆରଏସ୍ ଟ୍ରାକିଂ ଉଦ୍ଦେଶ୍ୟରେ ଏବଂ ମୁଖ୍ୟତଃ ଦୁର୍ଘଟଣାକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ସେନ୍ସର ରହିଛି । ଆମର ପ୍ରସ୍ତାବିତ ବ୍ୟବସ୍ଥା ଦୁର୍ଘଟଣାକୁ ଚିହ୍ନଟ କରି ଏକ ମିନିଟ ମଧ୍ୟରେ ଏକ ସ୍ୱର ବାର୍ତ୍ତା ସହିତ ଏକ ଟେକ୍ସଟ ମେସେଜ ପଞ୍ଜିକୃତ ନମ୍ବରକୁ ପଠାଇଥାଏ । |
2878bd8a17c2ba7c4df445cd88dd7fc2cb44e15d | ଗୌସିୟାନ ପ୍ରକ୍ରିୟା (ଜିପି) ସମ୍ଭାବ୍ୟତା ମଡେଲିଂ ଉଦ୍ଦେଶ୍ୟରେ ଏକ ଶକ୍ତିଶାଳୀ ଉପକରଣ । ବର୍ଗୀକୃତ ବେୟେସୀୟ ମଡେଲରେ ଲ୍ୟାଟେଣ୍ଟ ଫଙ୍କସନ ଉପରେ ପୂର୍ବ ବଣ୍ଟନକୁ ବ୍ୟାଖ୍ୟା କରିବା ପାଇଁ ସେଗୁଡିକ ବ୍ୟବହାର କରାଯାଇପାରେ । ପୂର୍ବବର୍ତ୍ତୀ ଓଭର ଫଙ୍କସନକୁ ନିହିତ ଭାବରେ ମଧ୍ୟମ ଓ ସମବେତ ଫଙ୍କସନ ଦ୍ବାରା ପରିଭାଷିତ କରାଯାଏ, ଯାହା ଫଙ୍କସନର ସୁଗମତା ଓ ପରିବର୍ତ୍ତନଶୀଳତାକୁ ନିର୍ଣ୍ଣୟ କରିଥାଏ । ପରବର୍ତ୍ତୀ ପ୍ରକ୍ରିୟାକୁ ମୂଲ୍ୟାଙ୍କନ କରି କିମ୍ବା ଅନୁମାନ କରି ସିଧାସଳଖ ଫଳନ ସ୍ଥାନରେ ଅନୁମାନ କରାଯାଇପାରେ । ଏହିସବୁ ଉପଚାରର ଆକର୍ଷଣୀୟ ବୈଷୟିକ ଗୁଣ ସତ୍ତ୍ୱେ, ଏଗୁଡ଼ିକର ପ୍ରୟୋଗ କ୍ଷେତ୍ରରେ ଜିପିମାନେ ବ୍ୟବହାରିକ ଆହ୍ୱାନର ସମ୍ମୁଖୀନ ହୁଅନ୍ତି । GPstuff ହେଉଛି GP ମଡେଲ ପାଇଁ ଏକ ବହୁମୁଖୀ ଗଣନା ଉପକରଣର ସଂଗ୍ରହ ଯାହା ଲିନକ୍ସ ଏବଂ ୱିଣ୍ଡୋଜ୍ MATLAB ଏବଂ Octave ସହିତ ସୁସଙ୍ଗତ ଅଟେ । ଏଥିରେ ଅନ୍ୟମାନଙ୍କ ମଧ୍ୟରେ ବିଭିନ୍ନ ଅନୁମାନ ପଦ୍ଧତି, ବିରଳ ଅନୁମାନ ଏବଂ ମଡେଲ ଆକଳନ ପାଇଁ ଉପକରଣ ଅନ୍ତର୍ଭୁକ୍ତ । ଏହି କାର୍ଯ୍ୟରେ ଆମେ ଏହିସବୁ ଉପକରଣର ସମୀକ୍ଷା କରିବା ଏବଂ ବିଭିନ୍ନ ମଡେଲରେ ଜିପିଷ୍ଟାଫର ବ୍ୟବହାରକୁ ପ୍ରଦର୍ଶନ କରିବା । |
accbf0cd5f19a9ec5bbdd97f11db8c3bfdbb4913 | ଏହି କାଗଜରେ, ଏକ ଅଣସଂଯୋଗୀ ନିକଟତା ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ସଙ୍କେତ ସେନସର, ଭୋଲଟେଜ୍ ନିୟନ୍ତ୍ରିତ ଓସିଲିଟର (VCO) ସହିତ ଏକ ପର୍ଯ୍ୟାୟ ଲକ୍ ହୋଇଥିବା ଲିକ୍ (PLL) ବ୍ୟବହାର କରି ଭେରିଏବଲ୍ ଟାଇପ୍ ସର୍କୁଲାର ରେଜୋନେଟର୍ ସହିତ ଅନ୍ତର୍ନିହିତ, କଠୋର ପରିବେଶରେ ସମ୍ବେଦନଶୀଳତା ବୃଦ୍ଧି କରିବାକୁ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । ଏହି ସିଲ୍କର ରିଜୋନେଟର ଭିଆରସିଓର ସିରିୟଲ ଫିଡବ୍ୟାକ ଏଲିମେଣ୍ଟ ଏବଂ ନିକଟସ୍ଥ କ୍ଷେତ୍ରର ରିସିଭ୍ ଆଣ୍ଟିନା ଭଳି କାମ କରିଥାଏ । ଶରୀରର ନିକଟତା ପ୍ରଭାବ ସହିତ ଜଡିତ VCO ର ଫ୍ରିକ୍ୱେନ୍ସି ଡିଭାଇଆଲ 0.07 MHz/mm ରୁ 1.8 MHz/mm (ସମ୍ବେଦନଶୀଳତା 6.8 mV/mm ରୁ 205 mV/mm) ପର୍ଯ୍ୟନ୍ତ 50 mm ଦୂରତା ପର୍ଯ୍ୟନ୍ତ ହୋଇଥାଏ, ଯେତେବେଳେ କି VCO ଡ୍ରିଫ୍ଟର ପରିମାଣ 60 °C ତାପମାତ୍ରା ପରିସର ଏବଂ ± 5%ର ପୃଥକ ଉପାଦାନ ସହନଶୀଳତା ଅବସ୍ଥାରେ ପ୍ରାୟ 21 MHz ଅଟେ । ମୋଟ ଫ୍ରିକ୍ୱେନ୍ସି ପରିବର୍ତ୍ତନ ପିଏଲଏଲର କ୍ୟାପଚର ରେଞ୍ଜରେ ହୋଇଥାଏ, ଯାହା ୬୦ ମେଗାହର୍ଟଜ । ଏହିପରି ଏହାର ଲୁପ୍ କଣ୍ଟ୍ରୋଲ୍ ଭୋଲଟେଜ୍ ଫ୍ରିକ୍ୱେନ୍ସି ଡିଭାଇଆର୍ସନକୁ ସିଧା ପ୍ରବାହ (ଡିସି) ଭୋଲଟେଜ୍ ଫରକକୁ ରୂପାନ୍ତରିତ କରିଥାଏ, ଯାହା ଆଭ୍ୟନ୍ତରୀଣ ତାପମାତ୍ରାକୁ ବିଚାରକୁ ନ ନେଇ ଜୀବନ ସଂକେତଗୁଡ଼ିକୁ ବାହାର କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୋଇଥାଏ । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ ପ୍ରସ୍ତାବିତ ସେନସରକୁ ଜଣେ ବ୍ୟକ୍ତିଙ୍କଠାରୁ ୫୦ ମିମି ଦୂରରେ ରଖାଯାଇ ୨.୪ ଗିଗାହର୍ଟ୍ସର କାର୍ଯ୍ୟକାରୀ ଫ୍ରିକ୍ୱେନ୍ସିରେ ଶ୍ୱାସକ୍ରିୟା ସିଗନାଲ୍ ଦ୍ୱାରା ସୃଷ୍ଟି ହେଉଥିବା ହାର୍ମୋନିକ୍ ସିଗନାଲ୍ ର ଦ୍ୱନ୍ଦ୍ୱ ବିନା ଶ୍ୱାସକ୍ରିୟା ଏବଂ ହୃଦସ୍ପନ୍ଦନ ସଙ୍କେତକୁ ନିର୍ଭରଯୋଗ୍ୟ ଭାବରେ ଚିହ୍ନଟ କରିପାରିବ । |
519da94369c1d87e09c592f239b55cc9486b5b7c | ବିଗତ କିଛି ବର୍ଷ ମଧ୍ୟରେ ଭାଷା ଭିତ୍ତିକ ଭିଡିଓ ପୁନରୁଦ୍ଧାର (ଲିଙ୍ଗୁଏଜ ବେସଡ ଭିଡିଓ ରିଟ୍ରିଭରି) ଉପରେ ଅଧିକ ଧ୍ୟାନ ଦିଆଯାଉଛି । ତେବେ, ଏକ ପ୍ରାକୃତିକ ସମ୍ପ୍ରସାରଣ ଭାବରେ, ଏକ ବର୍ଣ୍ଣନା ପ୍ରଶ୍ନକୁ ଦିଆଯାଇଥିବା ଏକ ଭିଡିଓ ମଧ୍ୟରେ ନିର୍ଦ୍ଦିଷ୍ଟ ଭିଡିଓ ମୁହୂର୍ତ୍ତଗୁଡ଼ିକୁ ସ୍ଥାନୀୟକରଣ କରିବା କ୍ୱଚିତ୍ ଅନୁସନ୍ଧାନ କରାଯାଏ । ଯଦିଓ ଏହି ଦୁଇଟି କାର୍ଯ୍ୟ ସମାନ ଦେଖାଯାଏ, କିନ୍ତୁ ଦୁଇଟି ମୁଖ୍ୟ କାରଣ ହେତୁ ଦ୍ୱିତୀୟଟି ଅଧିକ ଚ୍ୟାଲେଞ୍ଜିଂ ଅଟେ: 1) ପୂର୍ବ କାର୍ଯ୍ୟ କେବଳ ବିଚାର କରିବାକୁ ଆବଶ୍ୟକ କରେ ଯେ ପ୍ରଶ୍ନ ଏକ ଭିଡିଓରେ ଘଟେ କି ନାହିଁ ଏବଂ ଏକ ସମ୍ପୂର୍ଣ୍ଣ ଭିଡିଓ ଫେରାଇଥାଏ, କିନ୍ତୁ ଦ୍ୱିତୀୟଟି ଏକ ଭିଡିଓ ମଧ୍ୟରେ କେଉଁ ମୁହୂର୍ତ୍ତ ପ୍ରଶ୍ନ ସହିତ ମେଳ ଖାଏ ଏବଂ ସଠିକ୍ ଭାବରେ ମୂହୁର୍ତ୍ତର ଆରମ୍ଭ ଏବଂ ଶେଷ ପଏଣ୍ଟ ଫେରାଇଥାଏ ବୋଲି ଆଶା କରାଯାଏ _ କାରଣ ଭିଡିଓରେ ଭିନ୍ନ ଭିନ୍ନ ମୁହୂର୍ତ୍ତର ସମୟ ଓ ସ୍ଥାନ ଓ ସମୟର ଭିନ୍ନ ଭିନ୍ନ ଗୁଣ ଥାଏ, ତେଣୁ ମୂଳ ମୁହୂର୍ତ୍ତକୁ ଖୋଜି ବାହାର କରିବା ଅତ୍ୟନ୍ତ କଷ୍ଟକର ହୋଇଥାଏ । 2) ପ୍ରାସଙ୍ଗିକତା ଆକଳନ ପାଇଁ ମୁଖ୍ୟ ଉପାଦାନ ହେଉଛି, ପ୍ରଥମଟି ସାଧାରଣତଃ ଏକ ଭିଡିଓ ଏବଂ ପ୍ରଶ୍ନକୁ ଏକ ସାଧାରଣ ସ୍ଥାନରେ ରଖିଥାଏ ଯାହାଦ୍ୱାରା ପ୍ରାସଙ୍ଗିକତା ସ୍କୋର ଗଣନା କରାଯାଇଥାଏ । କିନ୍ତୁ ପରବର୍ତ୍ତୀ କାର୍ଯ୍ୟଟି ହେଉଛି ମୁହୂର୍ତ୍ତର ସ୍ଥାନୀୟକରଣ ଯେଉଁଠି କେବଳ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ମୁହୂର୍ତ୍ତର ବିଶେଷତ୍ୱ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ନୁହେଁ, ବରଂ ମୁହୂର୍ତ୍ତର ସାଂଗଠନିକ ସୂଚନା ମଧ୍ୟ ବହୁତ ଅବଦାନ ରଖେ । ଉଦାହରଣ ସ୍ୱରୂପ, ପ୍ରଶ୍ନରେ କାଳଗତ ପ୍ରତିବନ୍ଧକ ଶବ୍ଦ ରହିପାରେ, ଯେପରିକି "ପ୍ରଥମ ତେଣୁ ସେଗୁଡ଼ିକୁ ସଠିକ ଭାବରେ ବୁଝିବା ପାଇଁ କାଳଗତ ପ୍ରସଙ୍ଗର ଆବଶ୍ୟକତା ରହିଛି । ଏହି ସମସ୍ୟାଗୁଡ଼ିକର ସମାଧାନ ପାଇଁ ଆମେ ଏକ ଆଟେନସିବ କ୍ରସ-ମୋଡାଲ ରିଟ୍ରିଭେଲ ନେଟୱାର୍କ ବିକଶିତ କରୁଛୁ । ବିଶେଷକରି, ଆମେ ଏକ ସ୍ମରଣୀୟ ଧ୍ୟାନ ବ୍ୟବସ୍ଥା ଡିଜାଇନ୍ କରୁଛୁ ଯାହା ପ୍ରଶ୍ନରେ ଉଲ୍ଲେଖ କରାଯାଇଥିବା ଭିଜୁଆଲ୍ ବିଶେଷତାକୁ ଗୁରୁତ୍ୱ ଦେଇଥାଏ ଏବଂ ଏକକାଳୀନ ଏହାର ପ୍ରସଙ୍ଗକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରିଥାଏ । ଏହି ଆଲୋକରେ ଆମେ ବୃଦ୍ଧି ପାଇଥିବା କ୍ଷଣ ପ୍ରତିନିଧିତ୍ୱ ପ୍ରାପ୍ତ କରୁ । ଏହି ସମୟରେ, ଏକ କ୍ରସ-ମୋଡାଲ ଫ୍ୟୁଜନ୍ ସବ-ନେଟୱାର୍କ ଉଭୟ ଇଣ୍ଟ୍ରା-ମୋଡାଲିଟି ଏବଂ ଇଣ୍ଟର-ମୋଡାଲିଟି ଗତିଶୀଳତା ଶିଖିଥାଏ, ଯାହା ମୁହୂର୍ତ୍ତ-କ୍ୱେରୀ ପ୍ରତିନିଧିତ୍ୱର ଶିକ୍ଷାକୁ ବୃଦ୍ଧି କରିପାରେ । ଆମେ ଆମର ପଦ୍ଧତିକୁ ଦୁଇଟି ଡାଟାସେଟରେ ମୂଲ୍ୟାଙ୍କନ କରୁ: ଡିଡିମୋ ଏବଂ ଟାକୋସ । ବ୍ୟାପକ ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ ଅତ୍ୟାଧୁନିକ ପଦ୍ଧତି ତୁଳନାରେ ଆମର ମଡେଲ କେତେ ପ୍ରଭାବଶାଳୀ । |
9eab375b7add5f02a0ae1293d0aa7880ea70233a | |
977f48fe151c06176049b832f2574d8c41309c3a | ଅନଲାଇନ ପାଠ୍ୟର ପରିମାଣ ବୃଦ୍ଧି ପାଇବା ସହିତ ପାଠ୍ୟର ବିଶ୍ଳେଷଣ ଏବଂ ପରିଚାଳନାରେ ସହାୟତା ପାଇଁ ପାଠ୍ୟ ଶ୍ରେଣୀକରଣର ଚାହିଦା ବୃଦ୍ଧି ପାଉଛି । ଲେଖା ଶସ୍ତା କିନ୍ତୁ ସୂଚନା, କେଉଁ ଶ୍ରେଣୀରେ ଲେଖା ଅଛି ତାହା ଜାଣିବା, ମହଙ୍ଗା । ସ୍ୱୟଂଚାଳିତ ଭାବରେ ପାଠ୍ୟର ଶ୍ରେଣୀକରଣ ଏହି ସୂଚନାକୁ କମ୍ ଖର୍ଚ୍ଚରେ ପ୍ରଦାନ କରିପାରିବ, କିନ୍ତୁ ଶ୍ରେଣୀକରଣକାରୀମାନଙ୍କୁ ମହଙ୍ଗା ମାନବ ପ୍ରୟାସ ସହିତ ନିର୍ମାଣ କରାଯିବା ଉଚିତ, କିମ୍ବା ପାଠ୍ୟଗୁଡିକରୁ ପ୍ରଶିକ୍ଷଣ ଦିଆଯିବା ଉଚିତ ଯାହା ନିଜେ ମାନୁଆଲ ଭାବରେ ଶ୍ରେଣୀଭୁକ୍ତ ହୋଇଛି । ଏହି ଲେଖାରେ ଆମେ ତଥ୍ୟ ଖନନ ସମ୍ବନ୍ଧୀୟ ନିୟମର ଧାରଣାକୁ ବ୍ୟବହାର କରି ପାଠ୍ୟର ଶ୍ରେଣୀକରଣ ପ୍ରକ୍ରିୟା ବିଷୟରେ ଆଲୋଚନା କରିବୁ । ପୂର୍ବ-ବର୍ଗୀକୃତ ପାଠ୍ୟ ଦସ୍ତାବିଜରୁ ବିଶେଷତା ସେଟ ବାହାର କରିବା ପାଇଁ ଆସୋସିଏସନ ନିୟମ ଖନନ କୌଶଳ ବ୍ୟବହାର କରାଯାଇଛି । ତାପରେ ଅନ୍ତିମ ବର୍ଗୀକରଣ ପାଇଁ ନିର୍ମିତ ବୈଶିଷ୍ଟ୍ୟ ଉପରେ ନୈଭ ବେୟସ ବର୍ଗୀକରଣ ବ୍ୟବହୃତ ହୁଏ । |
2e6d28d44016a6cfab7f949f74fc129e27960575 | ଏହି କାଗଜରେ ଲେଖକମାନେ ଏକ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ପ୍ରସ୍ତାବ ଦେଇଛନ୍ତି ଯାହା ଦ୍ବାରା ଲାଭ ବୃଦ୍ଧି କରାଯାଇପାରିବ, H-plane ବିମ୍ୱାଇଡ୍ଥ୍ କମ୍ କରାଯାଇପାରିବ ଏବଂ ଫ୍ରେକ୍ୱେନ୍ସି ସହିତ ଫେଜ୍ ସେଣ୍ଟର୍ ଭେରିଏସନ୍ କମ୍ କରାଯାଇପାରିବ । ଏକ ନମୁନା ଆଣ୍ଟେନା ନିର୍ମାଣ ଏବଂ ମାପ କରାଯାଇଥିଲା ଏବଂ ପ୍ରାଥମିକ ମାପ ଫଳାଫଳ ବହୁତ ଆଶାଜନକ ଏବଂ ସିମୁଲେସନ ଫଳାଫଳ ସହିତ ଭଲ ଭାବରେ ଏକମତ । |
7740bc0f8afdcf2199b797c904b07cddb401682a | ଓମ୍ ନିୟମର ସରଳୀକରଣ ଅନୁମାନକୁ ଆଗକୁ ବଢ଼ାଇ, ଗ୍ରେଫିନ ରିବନ୍ (GRs) ର ଉଚ୍ଚ-ଫ୍ରିକ୍ୱେନ୍ସି ଆଚରଣକୁ ସଠିକ୍ ଭାବରେ ଧରିବା ପାଇଁ ଏକ ହାରାହାରି ମୁକ୍ତ ପଥ ମଧ୍ୟରେ ବିଦ୍ୟୁତ୍ କ୍ଷେତ୍ରର ପରିବର୍ତ୍ତନ ଏବଂ ଅଣ-ସ୍ଥାନୀୟ ବିଦ୍ୟୁତ୍ କ୍ଷେତ୍ର ଉପରେ ବର୍ତ୍ତମାନର ନିର୍ଭରଶୀଳତାର ପ୍ରଭାବକୁ ଧ୍ୟାନରେ ରଖାଯାଏ । ଏଥିସହିତ, ଏକ ସରଳୀକୃତ ପଦ୍ଧତି ମଧ୍ୟ ବର୍ଣ୍ଣନା କରାଯାଇଛି ଯାହା କମ୍ ବାରମ୍ବାରତା ପାଇଁ ଗ୍ରହଣ କରାଯାଇପାରିବ । ମୌଳିକ ବୋଲଜମାନ ସମୀକରଣରୁ ଆରମ୍ଭ କରି ଏହାର ଷଡଭୁଜ ବ୍ରେଲିଉନ ଜୋନରେ ଗ୍ରାଫେନ ପାଇଁ ଅନନ୍ୟ ବିସର୍ଜନ ସମ୍ପର୍କ ସହିତ ମିଶ୍ରଣ କରି, GR ସଂରଚନାରେ ବର୍ତ୍ତମାନର ଘନତା ପ୍ରାପ୍ତ ହୁଏ । ପ୍ରଥମେ, GR ର ଏକ ଅର୍ଦ୍ଧ-ଅନନ୍ତ ସ୍ଲାବକୁ ଫ୍ୟୁରିଅର ଇଣ୍ଟିଗ୍ରେଲ୍ସ ତତ୍ତ୍ୱ ବ୍ୟବହାର କରି ବିଶ୍ଳେଷଣ କରାଯାଏ, ଯାହା ପରେ ଗ୍ରୀନ୍ ଫଙ୍କସନ୍ ଆଭିମୁଖ୍ୟ ବ୍ୟବହାର କରି ପ୍ରାପ୍ତ କରେଣ୍ଟ ଡେନସିଟିର ଏକ ସ୍ୱୟଂ-ସଂଯୁକ୍ତ ସଂଖ୍ୟାଗତ ଗଣନା ଉପରେ ଆଧାର କରି ବ୍ୟବହାରିକ ସୀମିତ ସଂରଚନା ପାଇଁ ଏକ କଠୋର ପଦ୍ଧତିର ବିକାଶ କରାଯାଏ । ଏହି କାଗଜରେ ଗ୍ରାଫେନ ଆଧାରିତ ସଂରଚନାର ଉଚ୍ଚ-ଫ୍ରିକ୍ୱେନ୍ସି ଇମ୍ପେଡେନ୍ସର ସଠିକ ମୂଲ୍ୟାଙ୍କନ ପାଇଁ ପ୍ରଥମ ବିସ୍ତୃତ ପଦ୍ଧତି ଉପସ୍ଥାପନ କରାଯାଇଛି ଯାହା ଚୀପ ଇଣ୍ଟରକନେକ୍ଟ ଏବଂ ଇଣ୍ଡକ୍ଟର ପ୍ରୟୋଗ ପାଇଁ ପ୍ରାସଙ୍ଗିକ ଅଟେ । |
21a1654b856cf0c64e60e58258669b374cb05539 | ଆମେ YOLOକୁ ଉପସ୍ଥାପନ କରୁଛୁ, ଯାହା ହେଉଛି ବସ୍ତୁ ଚିହ୍ନଟ ପାଇଁ ଏକ ନୂତନ ଉପାୟ । ବସ୍ତୁ ଚିହ୍ନଟ ଉପରେ ପୂର୍ବ କାର୍ଯ୍ୟ ଚିହ୍ନଟ କରିବା ପାଇଁ ବର୍ଗୀକରଣକାରୀମାନଙ୍କୁ ପୁନଃ ବ୍ୟବହାର କରିଥାଏ । ଏହା ପରିବର୍ତ୍ତେ, ଆମେ ବସ୍ତୁ ଚିହ୍ନଟକୁ ଏକ ରିଗ୍ରେସନ ସମସ୍ୟା ଭାବରେ ଅନ୍ତରୀଣ ବକ୍ସ ଏବଂ ସମ୍ପୃକ୍ତ ଶ୍ରେଣୀ ସମ୍ଭାବ୍ୟତା ପାଇଁ ଫ୍ରେମ୍ କରିଥାଉ । ଗୋଟିଏ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ସିଧାସଳଖ ଭାବରେ ବଡିଂ ବକ୍ସ ଏବଂ ଶ୍ରେଣୀ ସମ୍ଭାବନାକୁ ପୂର୍ଣ୍ଣ ଚିତ୍ରରୁ ଏକ ମୂଲ୍ୟାଙ୍କନରେ ପୂର୍ବାନୁମାନ କରିଥାଏ । ଯେହେତୁ ସମ୍ପୂର୍ଣ୍ଣ ଚିହ୍ନଟ ପାଇପଲାଇନ ଏକକ ନେଟୱାର୍କ ଅଟେ, ତେଣୁ ଏହାକୁ ସିଧାସଳଖ ଚିହ୍ନଟ କାର୍ଯ୍ୟଦକ୍ଷତା ଉପରେ ଏଣ୍ଡ-ଟୁ-ଏଣ୍ଡ ଅପ୍ଟିମାଇଜ୍ କରାଯାଇପାରିବ । ଆମର ଏକୀକୃତ ସ୍ଥାପତ୍ୟ ଅତ୍ୟନ୍ତ ଦ୍ରୁତ । ଆମର ମୂଳ YOLO ମଡେଲ ପ୍ରତିଛବିକୁ ବାସ୍ତବ ସମୟରେ ପ୍ରକ୍ରିୟାକରଣ କରିଥାଏ ପ୍ରତି ସେକେଣ୍ଡରେ 45 ଫ୍ରେମ୍ ରେ । ଏହି ନେଟୱାର୍କର ଏକ ଛୋଟ ସଂସ୍କରଣ ଫାଷ୍ଟ ୟୋଲୋ, ପ୍ରତି ସେକେଣ୍ଡରେ 155 ଫ୍ରେମ ପ୍ରକ୍ରିୟାକରଣ କରି ଅନ୍ୟ ରିଅଲ ଟାଇମ ଡିଟେକ୍ଟରଙ୍କ ଠାରୁ ଦୁଇଗୁଣ ଅଧିକ mAP ହାସଲ କରିଥାଏ । ଅତ୍ୟାଧୁନିକ ଆବିଷ୍କାର ପ୍ରଣାଳୀ ତୁଳନାରେ ୟୋଲୋ ଅଧିକ ସ୍ଥାନୀୟକରଣ ତ୍ରୁଟି କରିଥାଏ କିନ୍ତୁ ଏହା ବ୍ୟାକଗ୍ରାଉଣ୍ଡରେ ଭୁଲ ପଜିଟିଭ୍ ଆକଳନ କରିବାର ସମ୍ଭାବନା କମ୍ । ଶେଷରେ, YOLO ବସ୍ତୁମାନଙ୍କର ଅତି ସାଧାରଣ ପ୍ରତିନିଧିତ୍ୱ ଶିଖେ । ଏହା ଡିପିଏମ୍ ଏବଂ ଆର-ସିଏନ୍ଏନ୍ ସମେତ ଅନ୍ୟାନ୍ୟ ଚିହ୍ନଟ ପଦ୍ଧତିକୁ ଅତିକ୍ରମ କରିଥାଏ ଯେତେବେଳେ ପ୍ରାକୃତିକ ପ୍ରତିଛବିରୁ ଅନ୍ୟ ଡୋମେନ୍ ଯେପରିକି କଳାକୃତିକୁ ସାଧାରଣ କରିଥାଏ । |
5a39d6c1bb04737cc81634f3ea2e81d3bc1ee6dd | ଅସଂଯତ ପ୍ରାକୃତିକ ଫଟୋଗ୍ରାଫରେ ମନଇଚ୍ଛା ବହୁ ଅକ୍ଷର ଥିବା ଲେଖାକୁ ଚିହ୍ନିବା ଏକ କଠିନ ସମସ୍ୟା । ଏହି ଲେଖାରେ ଆମେ ଏହି କ୍ଷେତ୍ରରେ ଏକ କଷ୍ଟକର ଉପ-ପ୍ରସଙ୍ଗକୁ ସମାଧାନ କରୁଛୁ । ଷ୍ଟ୍ରିଟ୍ ଭିଉ ଚିତ୍ରରୁ ମନଇଚ୍ଛା ବହୁ ଅଙ୍କ ବିଶିଷ୍ଟ ସଂଖ୍ୟାଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରିବା । ଏହି ସମସ୍ୟାର ସମାଧାନ ପାଇଁ ପାରମ୍ପରିକ ଉପାୟରେ ସ୍ଥାନୀୟକରଣ, ବିଭାଜନ ଏବଂ ଚିହ୍ନଟ ପଦକ୍ଷେପକୁ ପୃଥକ କରାଯାଇଥାଏ । ଏହି କାଗଜରେ ଆମେ ଏକ ଏକୀକୃତ ଆଭିମୁଖ୍ୟ ପ୍ରସ୍ତାବିତ କରୁଛୁ ଯାହା ଏହି ତିନୋଟି ପଦକ୍ଷେପକୁ ଏକ ଗଭୀର କଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କର ବ୍ୟବହାର ମାଧ୍ୟମରେ ଏକୀକୃତ କରେ ଯାହା ସିଧାସଳଖ ପ୍ରତିଛବି ପିକ୍ସେଲରେ କାର୍ଯ୍ୟ କରେ । ଆମେ ଡିଷ୍ଟବିଲିଫ (ଡିନ୍ ଆଦିମ, ୨୦୧୨) କୁ ବ୍ୟବହାର କରି ଗଭୀର ନ୍ୟୁରାଲ ନେଟୱାର୍କକୁ ଉଚ୍ଚ ଗୁଣବତ୍ତା ବିଶିଷ୍ଟ ପ୍ରତିଛବି ଉପରେ ପ୍ରଶିକ୍ଷଣ ଦେଉଛୁ । ଆମେ ପାଇଲୁ ଯେ ଏହି ପଦ୍ଧତିର କାର୍ଯ୍ୟଦକ୍ଷତା କଭୋଲ୍ୟୁସନାଲ ନେଟୱାର୍କର ଗଭୀରତା ସହିତ ବୃଦ୍ଧି ପାଉଛି, ସର୍ବୋତ୍ତମ କାର୍ଯ୍ୟଦକ୍ଷତା ଆମେ ତାଲିମ ଦେଇଥିବା ଗଭୀରତମ ସ୍ଥାପତ୍ୟରେ ଘଟିଥାଏ, ଏକାଦଶଟି ଲୁକ୍କାୟିତ ସ୍ତର ସହିତ _ ଆମେ ଏହି ପଦ୍ଧତିକୁ ସର୍ବସାଧାରଣରେ ଉପଲବ୍ଧ SVHN ଡାଟାସେଟରେ ମୂଲ୍ୟାଙ୍କନ କରିଛୁ ଏବଂ ସମ୍ପୂର୍ଣ୍ଣ ରାସ୍ତାର ନମ୍ବର ଚିହ୍ନିବାରେ 96%ରୁ ଅଧିକ ସଠିକତା ହାସଲ କରିଛୁ । ଆମେ ଦେଖାଇଛୁ ଯେ ପ୍ରତି ଅଙ୍କ ଚିହ୍ନଟ କାର୍ଯ୍ୟରେ ଆମେ ଅତ୍ୟାଧୁନିକ ଜ୍ଞାନକୌଶଳ ଉପରେ ଉନ୍ନତି କରି 97.84% ସଠିକତା ହାସଲ କରିଛୁ । ଆମେ ଏହି ଉପାୟକୁ ଷ୍ଟ୍ରିଟ୍ ଭିଉ ଚିତ୍ରରୁ ସୃଷ୍ଟି ହୋଇଥିବା ଆହୁରି ଅଧିକ ଚାଲେଞ୍ଜପୂର୍ଣ୍ଣ ଡାଟାସେଟରେ ମଧ୍ୟ ମୂଲ୍ୟାଙ୍କନ କରିଛୁ ଯେଉଁଥିରେ ଅନେକ ଦଶ ନିୟୁତ ଷ୍ଟ୍ରିଟ୍ ନମ୍ବର ଆନୋଟେସନ୍ ରହିଛି ଏବଂ 90%ରୁ ଅଧିକ ସଠିକତା ହାସଲ କରିଛୁ । ଆମର ମୂଲ୍ୟାୟନ ଆହୁରି ଦର୍ଶାଉଛି ଯେ ନିର୍ଦ୍ଦିଷ୍ଟ କାର୍ଯ୍ୟକ୍ଷମ ସୀମା ଉପରେ, ପ୍ରସ୍ତାବିତ ବ୍ୟବସ୍ଥାର କାର୍ଯ୍ୟଦକ୍ଷତା ମାନବ ଅପରେଟରଙ୍କ ସହ ତୁଳନାଯୋଗ୍ୟ । ଆଜି ପର୍ଯ୍ୟନ୍ତ, ଆମର ସିଷ୍ଟମ ଆମକୁ ସାରା ବିଶ୍ୱରେ ଷ୍ଟ୍ରିଟ୍ ଭିଉ ଚିତ୍ରରୁ ପାଖାପାଖି ୧୦୦ ନିୟୁତ ଭୌତିକ ଗଳି ନମ୍ବର ବାହାର କରିବାରେ ସାହାଯ୍ୟ କରିଛି । |
746add3fde7424f55d8424894e663eee51dc8f1c | ମାନବବିହୀନ ବିମାନ ଯାନ (ୟୁଏଭି) କୁ ଏୟାର ବେସ୍ ଷ୍ଟେସନ (ବିଏସ) ର ବ୍ୟବହାର ଭବିଷ୍ୟତରେ ବେତାର ନେଟୱାର୍କରେ ବିଶେଷ କରି ଅସ୍ଥାୟୀ ଘଟଣା ଏବଂ ଜରୁରୀକାଳୀନ ପରିସ୍ଥିତିରେ ଚାହିଦା ଅନୁଯାୟୀ ନିୟୋଜନ ପାଇଁ ମହତ୍ତ୍ୱପୂର୍ଣ୍ଣ ଅଟେ । ଯଦିଓ ପୂର୍ବ କାର୍ଯ୍ୟଗୁଡ଼ିକରେ UAV ଗତିଶୀଳତା ଦ୍ୱାରା କାର୍ଯ୍ୟଦକ୍ଷତା ଉନ୍ନତିର ପ୍ରମାଣିତ ହୋଇଛି, ସେମାନେ ମୁଖ୍ୟତଃ ବିଳମ୍ବ-ସହିଷ୍ଣୁ ପ୍ରୟୋଗ ଉପରେ ଧ୍ୟାନ ଦେଇଥାନ୍ତି ଯେପରିକି ଫାଇଲ୍ ସ୍ଥାନାନ୍ତର ଏବଂ ତଥ୍ୟ ସଂଗ୍ରହ । ତେଣୁ, ଏହା ଅଜ୍ଞାତ ଯେ, ୟୁଏଭି ଗତିଶୀଳତା ବିଳମ୍ବିତ-ସଂକୀର୍ଣ୍ଣ ପ୍ରୟୋଗ ପାଇଁ କାର୍ଯ୍ୟଦକ୍ଷତା ଲାଭ ପ୍ରଦାନ କରିବାରେ ସକ୍ଷମ ଅଟେ, ଯେପରିକି ଭିଡିଓ କନଫରେନ୍ସିଂ ଏବଂ ଅନଲାଇନ୍ ଗେମିଂ । ଏହି କାରଣରୁ, ଆମେ ଏହି କାଗଜରେ ଏକ ୟୁଏଭି-ସକ୍ଷମ ଡାଉନଲିଙ୍କ୍ ଅର୍ଥୋଗୋନାଲ୍ ଡିଭିଜନ ମଲ୍ଟିପଲ୍ ଆକ୍ସେସ୍ (ଓଏଫଡିଏମଏ) ନେଟୱାର୍କର ଅଧ୍ୟୟନ କରୁଛୁ ଯେଉଁଠାରେ ଏକ ୟୁଏଭିକୁ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଉଡାଣ ଅବଧି ମଧ୍ୟରେ ଦୁଇଟି ଗ୍ରାଉଣ୍ଡ ୟୁଜର୍ଙ୍କୁ ସେବା କରିବାକୁ ପଠାଯାଇଥାଏ । ୟୁଜର୍ସଙ୍କ ଦ୍ୱାରା ନିର୍ଦ୍ଧାରିତ ସର୍ବନିମ୍ନ ବିଳମ୍ବ-ହାର-ହାର-ସଂପର୍କକୁ ଧ୍ୟାନରେ ରଖି, ଆମର ଲକ୍ଷ୍ୟ ହେଉଛି ୟୁଏଭି ଟ୍ରାଜେକ୍ଟୋରୀ ଏବଂ ଯୋଗାଯୋଗ ସମ୍ବଳ ଆବଣ୍ଟନକୁ ମିଳିତ ଭାବେ ଅପ୍ଟିମାଇଜ୍ କରି ସର୍ବନିମ୍ନ ୟୁଜର୍ ଥ୍ରୋପୁଟ୍ କୁ ସର୍ବାଧିକ କରିବା । ଆମେ ଦେଖାଇଛୁ ଯେ ସର୍ବନିମ୍ନ-ସର୍ବୋଚ୍ଚ ବ୍ୟବହାରକାରୀ ଗତି ସାଧାରଣତଃ ହ୍ରାସ ପାଉଛି କାରଣ ସର୍ବନିମ୍ନ-ହାର-ପ୍ରତିଶତ ପ୍ରତିବନ୍ଧକ ଅଧିକ କଠୋର ହୋଇଯାଏ, ଯାହା UAV ଗତିଶୀଳତାର ଉପଯୋଗ କରି ବ୍ୟବହାରକାରୀ ଗତିର ଲାଭ ଏବଂ ବ୍ୟବହାରକାରୀଙ୍କ ବିଳମ୍ବ ଆବଶ୍ୟକତା ମଧ୍ୟରେ ଏକ ମୌଳିକ ବାଣିଜ୍ୟକୁ ପ୍ରକାଶ କରେ । ସିମୁଲେସନ ଫଳାଫଳ ଆମର ଥିଓରିଟିକାଲ ଫଳାଫଳକୁ ପ୍ରମାଣିତ କରୁଛି ଏବଂ ଆମର ପ୍ରସ୍ତାବିତ ଡିଜାଇନର ପ୍ରଭାବକୁ ମଧ୍ୟ ଦର୍ଶାଉଛି । |
929bb4a0088a0b420cbf08684e374761690b19f2 | |
32f140fbb9514fd3ead5177025c467b50896db30 | |
5d3158674e1a0fedf69299a905151949fb8b01a5 | ଆରଡିଏଫ ହେଉଛି ସ୍କିମା ମୁକ୍ତ ଢାଞ୍ଚାଗତ ସୂଚନା ପାଇଁ ଏକ ଡାଟା ମଡେଲ ଯାହାକି ସେମାନ୍ଟିକ-ୱେବ ଡାଟା, ଲାଇଫ ସାଇନ୍ସ ଏବଂ ୱେବ୍ ୨.୦ ପ୍ଲାଟଫର୍ମ ପରିପ୍ରେକ୍ଷୀରେ ଗତିଶୀଳ ହେଉଛି । ଆରଡିଏଫର "ପେ-ଆଉ-ଗୋ" ପ୍ରକୃତି ଏବଂ ଏହାର ପ୍ରଶ୍ନ ଭାଷା ସ୍ପାର୍କଲର ନମନୀୟ ପ୍ୟାଟର୍-ମାଚିଂ କ୍ଷମତା ଦୀର୍ଘ ଯୋଗ ପଥ ସମେତ ଜଟିଳ ପ୍ରଶ୍ନ ପାଇଁ ଦକ୍ଷତା ଏବଂ ମାପକତା ଆହ୍ୱାନକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରେ । ଏହି କାଗଜରେ RDF-3X ଇଞ୍ଜିନର ଉପସ୍ଥାପନା କରାଯାଇଛି, ଯାହା SPARQLର ଏକ କାର୍ଯ୍ୟକାରିତା ଯାହା RISC-ଶୈଳୀ ସ୍ଥାପତ୍ୟକୁ ଅନୁସରଣ କରି ଉତ୍ତମ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରିଥାଏ ଏବଂ ସୁଗମ ସୂଚୀକରଣ ଏବଂ ପ୍ରଶ୍ନ ପ୍ରକ୍ରିୟାକରଣ କରିଥାଏ । ସମସ୍ତ ଆରଡିଏଫ-୩ଏକ୍ସ ଡାଟାବେସ ପାଇଁ ଭୌତିକ ଡିଜାଇନ ସମାନ ଅଟେ, ସେମାନଙ୍କର କାର୍ଯ୍ୟଭାର ନିର୍ବିଶେଷରେ, ଏବଂ ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ବିଷୟ-ସମ୍ପତ୍ତି-ଅବଜେକ୍ଟ ଟ୍ରିପଲ ଏବଂ ସେମାନଙ୍କର ବାଇନାରୀ ଏବଂ ୟୁନାରୀ ପ୍ରୋଜେକ୍ସନର ସମସ୍ତ ପରମିଟସନ ପାଇଁ ବିସ୍ତୃତ ସୂଚକାଙ୍କ ଦ୍ୱାରା ଇଣ୍ଡେକ୍ସ ଟ୍ୟୁନିଂର ଆବଶ୍ୟକତାକୁ ଦୂର କରିଥାଏ । ଏହି ସୂଚକାଙ୍କଗୁଡ଼ିକ ଅତ୍ୟନ୍ତ ସଙ୍କୋଚିତ ହୋଇଥାଏ, ଏବଂ ପ୍ରଶ୍ନ ପ୍ରୋସେସର ପ୍ରୋସେସର କ୍ୟାଶର ଉତ୍କୃଷ୍ଟ କାର୍ଯ୍ୟଦକ୍ଷତା ସହିତ ଦ୍ରୁତ ମିଶ୍ରଣ ସଂଯୋଗକୁ ଆକ୍ରମଣାତ୍ମକ ଭାବରେ ଉପଯୋଗ କରିପାରିବ । କ୍ୱେରୀ ଅପ୍ଟିମାଇଜର ଜଟିଳ କ୍ୱେରୀ ପାଇଁ ମଧ୍ୟ ସର୍ବୋତ୍ତମ ଜଏନ୍ ଅର୍ଡର ବାଛିପାରେ, ଏକ ମୂଲ୍ୟ ମଡେଲ ସହିତ ଯାହା ସମ୍ପୂର୍ଣ୍ଣ ଜଏନ୍ ପାଥ୍ ପାଇଁ ପରିସଂଖ୍ୟାନ ସିନୋପ୍ସ୍ ଅନ୍ତର୍ଭୁକ୍ତ କରେ । ଯଦିଓ ଆରଡିଏଫ-୩ଏକ୍ସ ପ୍ରଶ୍ନ ପାଇଁ ଅନୁକୂଳିତ, ଏହା ମଧ୍ୟ ଏକ ପର୍ଯ୍ୟାୟ ସ୍ଥାପତ୍ୟ ମାଧ୍ୟମରେ ଦକ୍ଷ ଅନଲାଇନ ଅପଡେଟ ପାଇଁ ଭଲ ସମର୍ଥନ ପ୍ରଦାନ କରେ: ମୁଖ୍ୟ ଡାଟାବେସ ସୂଚକାଙ୍କଗୁଡିକର ପ୍ରତ୍ୟକ୍ଷ ଅପଡେଟଗୁଡିକ ସ୍ଥଗିତ ରଖାଯାଏ, ଏବଂ ଏହା ପରିବର୍ତ୍ତେ କମ୍ପାକ୍ଟ ଡିଫେରେନସିଆଲ ସୂଚକାଙ୍କଗୁଡିକରେ ପ୍ରୟୋଗ କରାଯାଏ ଯାହା ପରବର୍ତ୍ତୀ ସମୟରେ ମୁଖ୍ୟ ସୂଚକାଙ୍କରେ ଏକତ୍ରିତ ହୋଇଥାଏ । 50 ନିୟୁତରୁ ଅଧିକ ଆରଡିଏଫ ଟ୍ରିପଲ ଏବଂ ମଲ୍ଟିନେୱେ ଷ୍ଟାର-ଜଏନସ ଏବଂ ଲଙ୍ଗ ପଥ-ଜଏନସ ସହିତ ଅନେକ ବୃହତ ଡାଟାସେଟ ସହିତ ପରୀକ୍ଷାମୂଳକ ଅଧ୍ୟୟନ ଦର୍ଶାଏ ଯେ ଆରଡିଏଫ-3X ପୂର୍ବବର୍ତ୍ତୀ ସର୍ବୋତ୍ତମ ବିକଳ୍ପକୁ ଏକ କିମ୍ବା ଦୁଇ ଆକାରରେ ଅତିକ୍ରମ କରିପାରିବ । |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.