_id
stringlengths 40
40
| text
stringlengths 0
9.6k
|
|---|---|
a0117ec4cd582974d06159644d12f65862a8daa3 | ଗଭୀର ବିଶ୍ୱାସ ନେଟୱାର୍କ (ଡିବିଏନ) ହେଉଛି ଅନେକ ସ୍ତର ଲୁକ୍କାୟିତ କାରଣ ପରିବର୍ତ୍ତନକାରୀ ସହିତ ସୃଷ୍ଟିକାରୀ ମଡେଲ, ଯାହା ନିକଟରେ ହିଣ୍ଟନ, ଓସିନ୍ଦେରା ଏବଂ ତେହ (୨୦୦୬) ଦ୍ୱାରା ଏକ ଲୋଭୀ ସ୍ତର-ବିଜ୍ଞ ଅଣ-ନିରୀକ୍ଷିତ ଶିକ୍ଷଣ ଆଲଗୋରିଦମ ସହିତ ଉପସ୍ଥାପିତ ହୋଇଛି । ଲେ ରୁକ୍ସ ଏବଂ ବେଙ୍ଗିଓ (୨୦୦୮) ଏବଂ ସୁଟସ୍କେଭର ଏବଂ ହିଣ୍ଟନ (୨୦୦୮) ଙ୍କ ଆଧାରରେ ଆମେ ଦେଖାଇଛୁ ଯେ ଗଭୀର କିନ୍ତୁ ସଂକୀର୍ଣ୍ଣ ଜେନେରେଟିଭ ନେଟୱାର୍କକୁ ସାର୍ବଜନୀନ ଅନୁପାତ ହାସଲ କରିବା ପାଇଁ ଅଧିକ ପାରାମିଟର ଆବଶ୍ୟକ ହୁଏ ନାହିଁ । ପ୍ରମାଣ କୌଶଳ ବ୍ୟବହାର କରି ଆମେ ପ୍ରମାଣ କରୁଛୁ ଯେ ଗଭୀର କିନ୍ତୁ ସଂକୀର୍ଣ୍ଣ ଫିଡଫରୱାର୍ଡ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ସିଗମୋଏଡଲ ୟୁନିଟ ସହିତ ଯେକୌଣସି ବୁଲିୟାନ ଅଭିବ୍ୟକ୍ତିକୁ ପ୍ରତିନିଧିତ୍ୱ କରିପାରିବ । |
274946a974bc2bbbfe89c7f6fd3751396f295625 | ଏହି ଲେଖାରେ ଆମେ ରୋବଷ୍ଟ ଅପ୍ଟିମାଇଜେସନ (ଆରଓ) କ୍ଷେତ୍ରରେ ପ୍ରାଥମିକ ଗବେଷଣା, ଉଭୟ ଥିଓରିଟିକାଲ ଏବଂ ଆପ୍ଲିକେଟେଡର ସମୀକ୍ଷା କରୁଛୁ । ଆମର ଧ୍ୟାନ ଆରଓ ଆଭିମୁଖ୍ୟର କମ୍ପ୍ୟୁଟେଶନାଲ ଆକର୍ଷଣୀୟତା ଉପରେ ରହିବ, ସେହିଭଳି ମଡେଲିଂ ଶକ୍ତି ଏବଂ ପଦ୍ଧତିର ବ୍ୟାପକ ପ୍ରୟୋଗ ଉପରେ ରହିବ । ବିଗତ ଦଶନ୍ଧି ମଧ୍ୟରେ ଆରଓର ସବୁଠାରୁ ପ୍ରମୁଖ ଥିଓରିଟିକାଲ ଫଳାଫଳର ସମୀକ୍ଷା କରିବା ସହିତ, ଆମେ ମଧ୍ୟ ଆରଓକୁ ବହୁ-ସ୍ତରୀୟ ନିଷ୍ପତ୍ତି ନେବା ସମସ୍ୟା ପାଇଁ ଅନୁକୂଳ ମଡେଲ ସହିତ ଯୋଡୁଥିବା କିଛି ସାମ୍ପ୍ରତିକ ଫଳାଫଳ ଉପସ୍ଥାପନ କରିବୁ । ଶେଷରେ, ଆମେ ଅର୍ଥ, ପରିସଂଖ୍ୟାନ, ଶିକ୍ଷା ଏବଂ ଇଞ୍ଜିନିୟରିଂର ବିଭିନ୍ନ କ୍ଷେତ୍ରରେ ଆରଓର ପ୍ରୟୋଗ ଉପରେ ଆଲୋକପାତ କରିବୁ । |
573cd4046fd8b899a7753652cd0f4cf6e351c5ae | ଆମେ ଏକ ଉପସ୍ଥାପନା କରୁଛୁ ଯାହା କି କଡ଼ ସୂଚନା ଉପରେ ଆଧାରିତ ଏକ ଜଟିଳ ଆକାରର ବସ୍ତୁକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ଏକ ଉପସ୍ଥାପନା । ଆମେ ପ୍ରଥମେ ଏକ ଲକ୍ଷଣୀୟ ବସ୍ତୁର ଉଦାହରଣ ଚିତ୍ରକୁ ବ୍ୟବହାର କରି ଏକ ବର୍ଗୀକରଣ କାସକେଡକୁ ପ୍ରଶିକ୍ଷଣ ଦେବା ପାଇଁ ଯାହା ନିର୍ଣ୍ଣୟ କରେ ଯେ ପ୍ରତିଛବିରେ ଥିବା ପ୍ରାନ୍ତ ପିକ୍ସେଲଗୁଡିକ ଇଚ୍ଛାକୃତ ବସ୍ତୁ କିମ୍ବା ଅଯଥାର ଏକ ଉଦାହରଣ ଅଟେ କି ନାହିଁ । ଏକ ନୂଆ ଚିତ୍ର ସହିତ ଉପସ୍ଥାପିତ, ଆମେ କାସକେଡ୍ ବ୍ୟବହାର କରି କ୍ଲଟର ଏଜ୍ ପିକ୍ସେଲକୁ ନଷ୍ଟ କରିଦେବୁ ଏବଂ ବସ୍ତୁ ଏଜ୍ ପିକ୍ସେଲକୁ ବସ୍ତୁର ସାମଗ୍ରିକ ଚିହ୍ନଟ ଭାବରେ ଗୋଷ୍ଠୀଭୁକ୍ତ କରିବୁ । ଏଜ ପିକ୍ସେଲ ଶ୍ରେଣୀକରଣ ପାଇଁ ବ୍ୟବହୃତ ହୋଇଥିବା ବୈଶିଷ୍ଟ୍ୟଗୁଡିକ ସ୍ଥାନୀୟ, ବିରଳ ଏଜ ଡେନସିଟି ଅପରେସନ ଅଟେ । ବିଭିନ୍ନ ପ୍ରକାରର ବିବର୍ତ୍ତିତ ଇନଡୋର ଦୃଶ୍ୟରେ ଜଟିଳ ବସ୍ତୁକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ଏହି କୌଶଳର ପ୍ରଭାବକୁ ପରୀକ୍ଷଣ ଦ୍ୱାରା ପ୍ରମାଣିତ କରାଯାଇଛି । ଏହା ବ୍ୟତୀତ, ଆମର ପରୀକ୍ଷଣରୁ ଜଣାପଡ଼ୁଛି ଯେ ଏହି କୌଶଳ ପ୍ରଶିକ୍ଷଣ ଏବଂ ପରୀକ୍ଷଣ ପରିବେଶ ମଧ୍ୟରେ ପରିବର୍ତ୍ତନକୁ ପ୍ରତିରୋଧ କରିପାରିବ ଏବଂ ରନ୍ଟାଇମ୍ ସମୟରେ ଏହା ପ୍ରଭାବଶାଳୀ ଅଟେ । |
e9b7367c63ba970cc9a0360116b160dbe1eb1bb4 | ଆମେ ଏକ ରିଏନଫୋର୍ସମେଣ୍ଟ ଲର୍ଣ୍ଣିଂ ଫ୍ରେମୱାର୍କ ଉପସ୍ଥାପନ କରୁଛୁ, ଯାହାକୁ ପ୍ରୋଗ୍ରାମାଟିକଲି ଇଣ୍ଟରଟେରେବଲ ରିଏନଫୋର୍ସମେଣ୍ଟ ଲର୍ଣ୍ଣିଂ (PIRL) କୁହାଯାଏ, ଯାହା ବ୍ୟାଖ୍ୟାଯୋଗ୍ୟ ଏବଂ ଯାଞ୍ଚଯୋଗ୍ୟ ଏଜେଣ୍ଟ ନୀତି ସୃଷ୍ଟି କରିବା ପାଇଁ ପରିକଳ୍ପିତ । ଲୋକପ୍ରିୟ ଡିପ୍ ରିନଫୋର୍ସମେଣ୍ଟ ଲର୍ଣ୍ଣିଂ (ଡିଆରଏଲ) ପାରାଡିଗମ ପରି, ଯାହା ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଦ୍ୱାରା ନୀତିଗୁଡିକର ପ୍ରତିନିଧିତ୍ୱ କରେ, ପିଆଇଆରଏଲ ଏକ ଉଚ୍ଚ ସ୍ତରୀୟ, ଡୋମେନ୍-ନିର୍ଦ୍ଦିଷ୍ଟ ପ୍ରୋଗ୍ରାମିଂ ଭାଷା ବ୍ୟବହାର କରି ନୀତିଗୁଡିକର ପ୍ରତିନିଧିତ୍ୱ କରେ । ଏହିପରି ପ୍ରୋଗ୍ରାମାଟିକ ନୀତିଗୁଡିକର ଲାଭ ହେଉଛି ଯେ, ଏହା ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଅପେକ୍ଷା ଅଧିକ ସହଜରେ ବ୍ୟାଖ୍ୟା କରାଯାଇପାରିବ ଏବଂ ପ୍ରତୀକାତ୍ମକ ପଦ୍ଧତି ଦ୍ୱାରା ଯାଞ୍ଚ କରାଯାଇପାରିବ । ଆମେ ଏକ ନୂଆ ପଦ୍ଧତିର ପ୍ରସ୍ତାବ ଦେଉଛୁ, ଯାହାକୁ ନ୍ୟୁରାଲି ଡାଇରେକ୍ଟେଡ୍ ପ୍ରୋଗ୍ରାମ ସର୍ଚ୍ଚ (ଏନଡିପିଏସ) କୁହାଯାଏ, ଯାହା ସର୍ବାଧିକ ପୁରସ୍କାର ସହିତ ଏକ ପ୍ରୋଗ୍ରାମାଟିକ୍ ନୀତି ଖୋଜିବାର ଆହ୍ୱାନପୂର୍ଣ୍ଣ ନନ୍-ସ୍ମୁଥ୍ ଅପ୍ଟିମାଇଜେସନ୍ ସମସ୍ୟାକୁ ସମାଧାନ କରିବା ପାଇଁ । NDPS ପ୍ରଥମେ DRL ବ୍ୟବହାର କରି ଏକ ନ୍ୟୁରାଲ ନୀତି ନେଟୱାର୍କକୁ ଶିଖିବା ଏବଂ ତାପରେ ପ୍ରୋଗ୍ରାମାଟିକ ନୀତି ଉପରେ ଏକ ସ୍ଥାନୀୟ ସନ୍ଧାନ କରିବା ଦ୍ୱାରା କାର୍ଯ୍ୟ କରେ ଯାହା ଏହି ନ୍ୟୁରାଲ ଓରାକଲ ଠାରୁ ଦୂରତାକୁ ସର୍ବନିମ୍ନ କରିବାକୁ ଚେଷ୍ଟା କରେ । ଆମେ NDPSର ମୂଲ୍ୟାୟନ କରୁ, ଟୋର୍କ୍ସ କାରରେସିଂ ପରିବେଶରେ ଏକ ସିମୁଲେଟେଡ୍ କାର ଚଳାଇବା ଶିଖିବା କାର୍ଯ୍ୟ ଉପରେ । ଆମେ ଦେଖାଇଛୁ ଯେ ଏନଡିପିଏସ ମନୁଷ୍ୟ ଦ୍ୱାରା ପଠନଯୋଗ୍ୟ ନୀତିଗୁଡିକୁ ଆବିଷ୍କାର କରିବାରେ ସକ୍ଷମ ଯାହା କିଛି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କାର୍ଯ୍ୟଦକ୍ଷତା ବାର୍ ପାସ୍ କରେ । ଆମେ ଏହା ମଧ୍ୟ ଦେଖାଇଛୁ ଯେ ପିଆଇଆରଏଲ ନୀତିଗୁଡ଼ିକର ଗତିପଥ ଅଧିକ ସୁଗମ ହୋଇପାରେ ଏବଂ ଡିଆରଏଲ ଦ୍ୱାରା ଆବିଷ୍କୃତ ନୀତି ଅପେକ୍ଷା ତାଲିମ ସମୟରେ ସମ୍ମୁଖୀନ ହୋଇନଥିବା ପରିବେଶକୁ ସହଜରେ ସ୍ଥାନାନ୍ତରିତ କରାଯାଇପାରିବ । |
48d103f81e9b70dc2de82508973bc35f61f8ed01 | ଏହି ଦସ୍ତାବିଜରେ ହାଇସ୍ପିଡ ଟ୍ରେନ ଏବଂ ଗ୍ରାଉଣ୍ଡ ଭେହିକିଲରେ ମୋବାଇଲ ସାଟେଲାଇଟ କମ୍ୟୁନିକେସନ ପାଇଁ ଟେକ୍ସଟାଇଲ କୁ-ବ୍ୟାଣ୍ଡ ଆଣ୍ଟେନା ଏବଂ କ୍ୟୁ-ବ୍ୟାଣ୍ଡ ଆଣ୍ଟେନା ପ୍ରଦର୍ଶନ ଉନ୍ନତି ଏବଂ କା-ବ୍ୟାଣ୍ଡ ଟର୍ମିନାଲକୁ ଅପଗ୍ରେଡ କରିବା ପାଇଁ ଏହାର ବିକାଶ ବିଷୟରେ ଉଲ୍ଲେଖ କରାଯାଇଛି । |
7294d9fa5c5524a43619ad7e52d132a90cfe91bb | ଏହି ଚିଠିର ସାଧାରଣ ପ୍ରସଙ୍ଗ ହେଉଛି ଉଚ୍ଚ ଡାଟା ହାର ସ୍ୟାଟ୍କମ ପାଇଁ ଏକ ପର୍ଯ୍ୟାୟଯୁକ୍ତ ଆରେ ଆଣ୍ଟିନା ଡିଜାଇନ । ଏକ ଶେଷ ପ୍ରଦର୍ଶନ ଆଣ୍ଟିନା ଏକ ମାନବବିହୀନ ବିମାନ ଯାନ (ୟୁଏଭି) ରେ ସ୍ଥାପିତ କରାଯାଇପାରିବ ଯାହା କ-ବ୍ୟାଣ୍ଡରେ ଉପଗ୍ରହ ସହିତ ଯୋଗାଯୋଗ କରିପାରିବ । ପ୍ରଥମେ ଏକ କମ୍ପାକ୍ଟ ପ୍ରତିଫଳନ ପ୍ରକାର ପର୍ଯ୍ୟାୟ ପରିବର୍ତ୍ତନକାରୀକୁ ଡିଜାଇନ ଓ ନିର୍ମାଣ କରାଯାଇଛି । ଦ୍ୱିତୀୟରେ, ଏକ ପର୍ଯ୍ୟାୟଯୁକ୍ତ ଆରେ ଆଣ୍ଟିନା ପ୍ରୋଟୋଟାଇପର ପରିକଳ୍ପନା ବିସ୍ତୃତ ଭାବରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ତୃତୀୟତଃ, ଏକ ନୂତନ କାଲିବ୍ରେସନ୍ ପଦ୍ଧତି ବ୍ୟବହାର କରାଯାଇଛି ଯାହା ଆବଶ୍ୟକୀୟ ଦିଗରେ ବିମ୍ ସ୍କାନ୍ କରିବା ପାଇଁ ପ୍ରତ୍ୟେକ ଫେଜ୍ ସିଫ୍ଟରରେ ପ୍ରୟୋଗ କରାଯିବାକୁ ଥିବା ବିୟାର୍ ଭୋଲ୍ଟେଜ୍ ପ୍ରଦାନ କରିପାରିବ । |
b40b8a2b528a88f45bba5ecd23cec02840798e72 | ଏକ କା-ବ୍ୟାଣ୍ଡ ସାଟେଲାଇଟ-ଅନ୍-ଦ-ମୋଭ୍ ଗ୍ରାଉଣ୍ଡ ୟୁଜର ଟର୍ମିନାଲ ପାଇଁ ଏକ 2D-ପେରୋଡିୟମ୍ ଲିକି-ୱେଭ୍ ଆଣ୍ଟିନା ଉପସ୍ଥାପିତ କରାଯାଇଛି । ଆଣ୍ଟିନା ପ୍ୟାନେଲ ୨୦ ଗିଗାହର୍ଟଜ ଡାଉନଲିଙ୍କ୍ ରେ ଏବଂ ୩୦ ଗିଗାହର୍ଟଜ ଅପଲିଙ୍କ୍ ବ୍ୟାଣ୍ଡରେ କାର୍ଯ୍ୟ କରିଥାଏ, ଯଥାକ୍ରମେ ଗୋଲ ଧ୍ରୁବୀକରଣ ସହିତ, ଏକ ସାଧାରଣ ବିକିରଣ ଆବରଣ ଏବଂ ଏକ ସାଧାରଣ ପର୍ଯ୍ୟାୟ କେନ୍ଦ୍ର ବ୍ୟବହାର କରି । ଏହି ଡବଲ ବ୍ୟାଣ୍ଡର କାର୍ଯ୍ୟଦକ୍ଷତା ଏକ ଯତ୍ନର ସହ ଡିଜାଇନ କରାଯାଇଥିବା ଦୁଇ ସ୍ତରୀୟ ଫ୍ରିକ୍ୱେନ୍ସି ସିଲେକ୍ଟିଭ୍ ପୃଷ୍ଠ ଦ୍ୱାରା ହାସଲ କରାଯାଇଥାଏ, ଯେଉଁଥିରେ ଗୋଟିଏ ସ୍ତର ୨୦ ଗିଗାହର୍ଟଜରେ କାର୍ଯ୍ୟ କରିଥାଏ ଏବଂ ୩୦ ଗିଗାହର୍ଟଜରେ ସ୍ୱଚ୍ଛ ହୋଇଥାଏ ଏବଂ ଦ୍ୱିତୀୟ ସ୍ତର ବିପରୀତ କାର୍ଯ୍ୟ କରିଥାଏ । ଏହି କାଗଜରେ ବୃତ୍ତାନ୍ତ ଆକାରରେ ଧ୍ରୁବୀକୃତ ପ୍ରାଥମିକ ଖାଦ୍ୟର ଡିଜାଇନ୍, ଦ୍ୱି-ସ୍ତରୀୟ ସଂରଚନା ଏବଂ ସମ୍ପୂର୍ଣ୍ଣ କମ୍ପାକ୍ଟ ଲିକ୍-ୱେଭ୍ ଆଣ୍ଟିନା ପ୍ୟାନେଲର ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଏହି ରେଡିଏସନ ରେପୋରେସନ ରେକର୍ଡ ୨୨ ଡିବିଏଲରୁ ଅଧିକ ଓ ୬୦%ରୁ ଅଧିକ ଇଫେକ୍ଟିଭିଟି ଦେଖାଇଥାଏ । କ୍ରସ-ପୋଲାରାଇଜେସନ ଭେଦଭାବ ଏବଂ ସାଇଡଲୋବ ସ୍ତର କା-ବ୍ୟାଣ୍ଡରେ ଉପଗ୍ରହ ଯୋଗାଯୋଗ ପାଇଁ ଶକ୍ତି ସ୍ପେକ୍ଟ୍ରମ ଆବଶ୍ୟକତାକୁ ପୂରଣ କରିବା ପାଇଁ ଉପଯୁକ୍ତ ଅଟେ । |
1f009366a901c403a8aad65c94ec2fecf3428081 | ପୂର୍ବବର୍ତ୍ତୀ ନ୍ୟୁରାଲ ମେସିନ ଟ୍ରାନ୍ସଲେସନ ମଡେଲଗୁଡିକ କିଛି ହେଉରିଷ୍ଟିକ ସର୍ଚ୍ଚ ଆଲଗୋରିଦମ ବ୍ୟବହାର କରିଥିଲେ (ଯେପରିକି ବିମ୍ ସର୍ଚ୍ଚ) ଯାହା ଦ୍ବାରା ପରୀକ୍ଷଣ ପର୍ଯ୍ୟାୟରେ ଅନୁବାଦ ବାକ୍ୟ ଉପରେ ସର୍ବାଧିକ ଏକ ପୋଷ୍ଟୋରିରି ସମସ୍ୟା ସମାଧାନକୁ ଏଡ଼ାଇ ଦିଆଯାଇପାରିବ । ଏହି କାଗଜରେ ଆମେ ଗମ୍ବଲ ଗ୍ରୀଡି ଡିକୋଡିଂର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଏକ ପ୍ରଶିକ୍ଷିତ ମଡେଲ ଅଧୀନରେ ଅନୁବାଦର ପୂର୍ବାନୁମାନ କରିବାକୁ ଏକ ଜେନେରେଟିଭ୍ ନେଟୱାର୍କକୁ ପ୍ରଶିକ୍ଷଣ ଦେଇଥାଏ । ଆମେ ଗୁମ୍ବେଲ-ସଫ୍ଟମାକ୍ସ ରିପ୍ୟାମେଟେରିଜେସନ ବ୍ୟବହାର କରି ଏହିପରି ଏକ ସମସ୍ୟା ସମାଧାନ କରିଥାଉ, ଯାହା ଆମର ଜେନେରେଟିଭ ନେଟୱାର୍କକୁ ଷ୍ଟାଣ୍ଡାର୍ଡ ଷ୍ଟୋକାଷ୍ଟିକ ଗ୍ରାଡିଏଣ୍ଟ ପଦ୍ଧତି ମାଧ୍ୟମରେ ଭିନ୍ନ ଏବଂ ପ୍ରଶିକ୍ଷଣଯୋଗ୍ୟ କରିଥାଏ । ଆମେ ଅନୁଭବୀକ ଭାବେ ଦର୍ଶାଇଛୁ ଯେ ଆମର ପ୍ରସ୍ତାବିତ ମଡେଲ ଭିନ୍ନ ଭିନ୍ନ ଶବ୍ଦଗୁଡିକର କ୍ରମ ସୃଷ୍ଟି କରିବା ପାଇଁ ପ୍ରଭାବଶାଳୀ ଅଟେ । |
8e49caba006e1832a70162f3a93a31be25927349 | ଏହି ଲେଖାରେ ଏକ ନୂତନ ଧାରଣା ଉପରେ ଆଲୋଚନା କରାଯାଇଛି ଯାହାକୁ କାଗଜପତ୍ର ରେଡାର କୁହାଯାଏ । କାଗଜପତ୍ର ରେଡାରର ଗଠନ ପାଇଁ ତିନୋଟି ଉପାଦାନ ଆବଶ୍ୟକ: 1) ବୁଦ୍ଧିମାନ ସିଗନାଲ୍ ପ୍ରୋସେସିଂ, ଯାହା ଆଖପାଖ ପରିବେଶ ସହିତ ରାଡାରର ପାରସ୍ପରିକ କ୍ରିୟା ମାଧ୍ୟମରେ ଶିଖିବା ଉପରେ ନିର୍ଭର କରେ; 2) ରିସିଭର୍ ଠାରୁ ଟ୍ରାନ୍ସମିଟରକୁ ପ୍ରତିକ୍ରିୟା, ଯାହା ବୁଦ୍ଧିମତାକୁ ସୁଗମ କରିଥାଏ; ଏବଂ 3) ରାଡାର ରିଟର୍ନ୍ର ସୂଚନା ବିଷୟବସ୍ତୁର ସଂରକ୍ଷଣ, ଯାହା ଟ୍ରାକିଂ ମାଧ୍ୟମରେ ଟାର୍ଗେଟ୍ ଚିହ୍ନଟ ପାଇଁ ବେଜେସୀୟ ଦୃଷ୍ଟିକୋଣ ଦ୍ୱାରା ହୃଦୟଙ୍ଗମ କରାଯାଏ । ଏହି ତିନୋଟି ଉପାଦାନ ବାଦୁଡ଼ିର ଇକୋ-ଲୋକେସନ୍ ସିଷ୍ଟମରେ ରହିଛି, ଯାହାକୁ କାଗଜପତ୍ର ରାଡାରର ଶାରୀରିକ ବାସ୍ତବିକତା (ଯଦିଓ ନ୍ୟୁରୋବାୟୋଲୋଜିକାଲ୍ ଭାଷାରେ) ଭାବରେ ଦେଖାଯାଏ । ରାଡାର ହେଉଛି ଏକ ରିମୋଟ୍ ସେନ୍ସିଂ ସିଷ୍ଟମ୍ ଯାହା ଉଭୟ ବେସାମରିକ ଏବଂ ସାମରିକ ଆବଶ୍ୟକତା ପାଇଁ ନିରୀକ୍ଷଣ, ଟ୍ରାକିଂ ଏବଂ ଇମେଜିଂ ପ୍ରୟୋଗ ପାଇଁ ବହୁଳ ଭାବରେ ବ୍ୟବହୃତ ହୁଏ । ଏହି ଲେଖାରେ ଆମେ ରାଡାରର ଭବିଷ୍ୟତ ସମ୍ଭାବନା ଉପରେ ଧ୍ୟାନ କେନ୍ଦ୍ରିତ କରିଛୁ, ବିଶେଷ କରି ଜ୍ଞାନ ଉପରେ ଗୁରୁତ୍ୱାରୋପ କରୁଛୁ । ଏହି ପଥରେ ଏକ ଉଦାହରଣମୂଳକ କେସ ଷ୍ଟଡି ଭାବରେ ଆମେ ସମୁଦ୍ର ପରିବେଶରେ ପ୍ରୟୋଗ କରାଯାଇଥିବା ରାଡାର ନିରୀକ୍ଷଣର ସମସ୍ୟା ଉପରେ ବିଚାର କରୁଛୁ । |
f584c3d1c2d0e4baa7f8fc72fcab7b9395970ef5 | ଏହି ଜଟିଳ ପ୍ରଶ୍ନଗୁଡିକର ଅଧ୍ୟୟନ କ୍ଷେତ୍ରରେ ଅଳ୍ପ କିଛି କରାଯାଇଛି, ଏବଂ ମୁଁ ଏହି ଧାରଣା ଦେବାକୁ ଚାହୁଁନାହିଁ ଯେ କୌଣସି ବ୍ୟାପକ ଧାରଣା ଅଛି ଯାହାକୁ "ବିଜ୍ଞାନ" କୁହାଯାଇପାରିବ । ବିଜ୍ଞାନ ଓ ଦର୍ଶନଶାସ୍ତ୍ରର ଇତିହାସକୁ ନେଇ ଯାହା ଆଶ୍ଚର୍ଯ୍ୟଜନକ, ତାହା ହେଉଛି ଯେ, ମସ୍ତିଷ୍କର ପ୍ରକ୍ରିୟା ପ୍ରତି ଆକର୍ଷଣର ଅଭିବୃଦ୍ଧି ପାଇଁ ମୁଖ୍ୟ ପ୍ରେରଣା, ଉଭୟ ମାନସିକ ଓ ଶାରୀରିକ, ଏକ ଉପକରଣ, ଏକ ଯନ୍ତ୍ର, ଡିଜିଟାଲ କମ୍ପ୍ୟୁଟରରୁ ଆସିଛି । ଜଣେ ମଣିଷ ଓ ସମାଜ ସହିତ ସମ୍ପର୍କ ରଖିବା ସମୟରେ ଆମେ ଅଯୌକ୍ତିକ, ଅଯୌକ୍ତିକ, ଅସ୍ଥିର ଓ ଅସମ୍ପୂର୍ଣ୍ଣ ହେବାର ବିଳାସକୁ ଉପଭୋଗ କରିଥାଉ, କିନ୍ତୁ ତା ସହିତ ମଧ୍ୟ ମୁକାବିଲା କରିଥାଉ । କମ୍ପ୍ୟୁଟର ପରିଚାଳନାରେ ଆମକୁ ବିସ୍ତୃତ ନିର୍ଦ୍ଦେଶାବଳୀ ଏବଂ ସମ୍ପୂର୍ଣ୍ଣ ସଠିକତାର କଠୋର ଆବଶ୍ୟକତା ପୂରଣ କରିବାକୁ ପଡିବ । ଯଦି ଆମେ ବୁଝିପାରିବା ଯେ ମନୁଷ୍ୟର ମନର କ୍ଷମତା ହେଉଛି ଜଟିଳତା, ଅନିଶ୍ଚିତତା ଏବଂ ଅଯୌକ୍ତିକତା ସମ୍ମୁଖୀନ ହେବା ସମୟରେ ପ୍ରଭାବଶାଳୀ ନିଷ୍ପତ୍ତି ନେବା ତାହେଲେ ଆମେ କମ୍ପ୍ୟୁଟରକୁ ଏକ ନିୟୁତ ଗୁଣ ଅଧିକ ପ୍ରଭାବଶାଳୀ ଭାବରେ ବ୍ୟବହାର କରିପାରିବା । ଏହି ତଥ୍ୟକୁ ସ୍ୱୀକାର କରିବା ଦ୍ୱାରା ନ୍ୟୁରୋଫିଜିଓଲୋଜି କ୍ଷେତ୍ରରେ ଗବେଷଣାକୁ ପ୍ରୋତ୍ସାହନ ମିଳିଛି । ଆମେ ଯେତେ ଅଧିକ ମସ୍ତିଷ୍କର ସୂଚନା ପ୍ରକ୍ରିୟାକରଣ ଦିଗକୁ ଅଧ୍ୟୟନ କରୁ, ଆମେ ସେତେ ଅଧିକ ବିସ୍ମିତ ଓ ପ୍ରଭାବିତ ହେଉ । ଏହି ପ୍ରକ୍ରିୟାଗୁଡ଼ିକୁ ବୁଝିବା ପାଇଁ ଏବଂ ସେଗୁଡ଼ିକୁ ପୁନଃ ଉତ୍ପାଦନ କରିବା ପାଇଁ ଆମକୁ ବହୁତ ସମୟ ଲାଗିବ । ଯେ କୌଣସି ପ୍ରକାରେ, ଗଣିତଜ୍ଞ ଶହ ଶହ ଏବଂ ହଜାର ହଜାର ନୂଆ ସମସ୍ୟାକୁ ଦେଖନ୍ତି, ଅନେକ ଉଜ୍ଜ୍ୱଳ କ୍ଷେତ୍ର, ଗେଜଲ, ଏବଂ ତାଙ୍କ ହୃଦୟର ବିଷୟବସ୍ତୁକୁ ଆହ୍ୱାନ କରେ । ସେ ହୁଏତ କେବେ ଏ ସବୁର ସମାଧାନ କରିନପାରେ, କିନ୍ତୁ ସେ କେବେ ବି ବିରକ୍ତ ହେବ ନାହିଁ । ସେ ଆଉ କ ଣ ମାଗିପାରେ? |
9d2222506f6a076e2c9803ac4ea5414eda881c73 | ସଡ଼କ ଦୁର୍ଘଟଣା ଘଟିବାରେ ଡ୍ରାଇଭରଙ୍କ ନିଦ ଏକ ପ୍ରମୁଖ କାରଣ । ଏହି ସମସ୍ୟାର ସମାଧାନ ପାଇଁ ଏକ ଉପାୟ ହେଉଛି ଡ୍ରାଇଭରଙ୍କ ନିଦକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ବୈଷୟିକ ପ୍ରତିକାର ବିକଶିତ କରିବା, ଯାହାଫଳରେ ଦୁର୍ଘଟଣା ଘଟିବା ପୂର୍ବରୁ ଡ୍ରାଇଭରକୁ ସତର୍କ କରାଯାଇପାରିବ । ଏହି ସମୀକ୍ଷାର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ବର୍ତ୍ତମାନର ଜ୍ଞାନକୁ ଦୃଷ୍ଟିରେ ରଖି, ଯାନର ମାପକୁ ବାସ୍ତବିକ ସମୟରେ ନିଦ୍ରାଶୀଳତାର ଭରସାଯୋଗ୍ୟ ପୂର୍ବାନୁମାନ ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ କି ନାହିଁ ତାହା ଆକଳନ କରିବା । [ଅନୁସୂଚୀ] କିନ୍ତୁ ଅଧିକାଂଶ ଅଧ୍ୟୟନ ରେ କାର୍ଯ୍ୟଦକ୍ଷତା ର ସରଳ ଫଙ୍କସନ (ଯେପରି ଲେନ ପୋଜିସନର ମାନକ ବିଚ୍ୟୁତି) ର ଅନୁସନ୍ଧାନ କରାଯାଇଛି ଏବଂ ଫଳାଫଳ ଗୁଡିକ ପ୍ରାୟତଃ ଡ୍ରାଇଭର ମାନଙ୍କ ମଧ୍ୟରେ ଓ ସମୟ ଅନୁସାରେ ହାରାହାରି ଭାବରେ ପ୍ରକାଶିତ ହୋଇଥାଏ । ଅଧିକ ଜଟିଳ କାର୍ଯ୍ୟ ଏବଂ ଡ୍ରାଇଭର ମଧ୍ୟରେ ବ୍ୟକ୍ତିଗତ ପାର୍ଥକ୍ୟକୁ ଯାଞ୍ଚ କରିବା ପାଇଁ ଅଧିକ ଗବେଷଣା ଆବଶ୍ୟକ । ଶିଳ୍ପ ଉପରେ ପ୍ରଭାବ ଡ୍ରାଇଭରଙ୍କ ନିଦକୁ ଆକଳନ କରିବା ପାଇଁ ସଫଳ ପ୍ରତିକାର ପାଇଁ ଅନେକ ମାନଦଣ୍ଡ ନିର୍ଦ୍ଧାରଣ କରିବା ଏବଂ ଅନେକ ପଦକ୍ଷେପ ଗ୍ରହଣ କରିବା ଆବଶ୍ୟକ । |
7bbd56f4050eb9f8b63f0eacb58ad667aaf49f25 | ମୋବାଇଲ ଡାଟା ଟ୍ରାଫିକର ଅଭୂତପୂର୍ବ ଅଭିବୃଦ୍ଧି ବର୍ତ୍ତମାନର 3G/4G ନେଟୱାର୍କରୁ ଅଧିକ ମୋବାଇଲ ନେଟୱାର୍କ କ୍ଷମତାକୁ ବ୍ୟାପକ ଭାବେ ବୃଦ୍ଧି କରିବା ଆବଶ୍ୟକ କରୁଛି । ଏହି କାଗଜରେ, ଆମେ ପରବର୍ତ୍ତୀ ପିଢ଼ିର ମୋବାଇଲ ଯୋଗାଯୋଗ ବ୍ୟବସ୍ଥା (5G) ପାଇଁ ଏକ ମିଲିମିଟର ୱେଭ୍ ମୋବାଇଲ ବ୍ରଡବ୍ୟାଣ୍ଡ (MMB) ବ୍ୟବସ୍ଥା ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଏହି ବୃଦ୍ଧି ପାଉଥିବା ଚାହିଦାକୁ ପୂରଣ କରିବା ପାଇଁ ଏମଏମବି 3-300 ଗିଗାହର୍ଟସ ରେଞ୍ଜରେ ବିଶାଳ ସ୍ପେକ୍ଟ୍ରମକୁ ଟ୍ୟାପ୍ କରିଥାଏ । ଆମେ ଦର୍ଶାଇଛୁ ଯେ, କାହିଁକି ମିଲିମିଟର ତରଙ୍ଗ ସ୍ପେକ୍ଟ୍ରମ ମୋବାଇଲ ବ୍ରଡବ୍ୟାଣ୍ଡ ପ୍ରୟୋଗ ପାଇଁ ଉପଯୁକ୍ତ । ଆମେ ମିଲିମିଟର ତରଙ୍ଗର ଅନନ୍ୟ ସୁବିଧା ବିଷୟରେ ଆଲୋଚନା କରୁଛୁ ଯେପରିକି ସ୍ପେକ୍ଟ୍ରମ ଉପଲବ୍ଧତା ଏବଂ ଛୋଟ ଫର୍ମ ଫ୍ୟାକ୍ଟରଗୁଡିକରେ ବଡ ବିମ୍ ଫର୍ମିଂ ଲାଭ । ଆମେ ମଧ୍ୟ ଏକ ବ୍ୟବହାରିକ ଏମଏମବି ସିଷ୍ଟମ ଡିଜାଇନ ବର୍ଣ୍ଣନା କରିଛୁ ଯାହା 500 ମିଟର ପର୍ଯ୍ୟନ୍ତ ଦୂରତାରେ ଗିଗାବାଇଟ/ସେକେଣ୍ଡ ଡାଟା ହାର ପ୍ରଦାନ କରିପାରିବ ଏବଂ 350 କିଲୋମିଟର/ଘଣ୍ଟା ପର୍ଯ୍ୟନ୍ତ ଗତିଶୀଳତାକୁ ସମର୍ଥନ କରିପାରିବ । ସିଷ୍ଟମ ସିମୁଲେସନ ମାଧ୍ୟମରେ ଆମେ ଦେଖାଇଛୁ ଯେ ଏକ ମୌଳିକ ଏମଏମବି ସିଷ୍ଟମ ହାରାହାରି ସେଲ ଥ୍ରୋପୁଟ ଏବଂ ସେଲ ଏଜ ଥ୍ରୋପୁଟ ପ୍ରଦର୍ଶନକୁ ବର୍ତ୍ତମାନର 20MHz ଏଲଟିଇ-ଆଡଭାନ୍ସ ସିଷ୍ଟମ ଠାରୁ 10-100 ଗୁଣ ଭଲ ପ୍ରଦାନ କରିବାରେ ସକ୍ଷମ ଅଟେ । |
3bc9f8eb5ba303816fd5f642f2e7408f0752d3c4 | |
0c83eeceee8f55fb47aed1420b5510aa185feace | ଆମେ ଭୌଗଳିକ "ମାସଚପ୍" ଦ୍ୱାରା ଅନୁପ୍ରାଣିତ ଏକ ଆଭିମୁଖ୍ୟ ପ୍ରସ୍ତାବ କରୁଛୁ ଯେଉଁଥିରେ ମୁକ୍ତ ଭାବରେ ଉପଲବ୍ଧ କାର୍ଯ୍ୟକାରିତା ଏବଂ ତଥ୍ୟକୁ ବାସ୍ତବିକ ବିନିମୟ ମାନକ ବ୍ୟବହାର କରି ନରମ କିନ୍ତୁ ନମନୀୟ ଭାବରେ ମିଶ୍ରଣ କରାଯାଇଥାଏ । ଆମର କେସ ଷ୍ଟଡିରେ MySQL, PHP ଏବଂ LandSerf GISକୁ ମିଶାଇ KMLରେ ବର୍ଣ୍ଣିତ କୋଡିଂ ସହିତ ଭିଜୁଆଲ ସିନ୍ଥେସିସ୍ ଏବଂ ଇଣ୍ଟରାକ୍ସନ ପାଇଁ ଗୁଗୁଲ ଆର୍ଥକୁ ବ୍ୟବହାର କରାଯାଇପାରିବ । ଏହି ପଦ୍ଧତିକୁ ଏକ ମୋବାଇଲ ଡିରେକ୍ଟୋରୀ ସେବାରେ କରାଯାଇଥିବା ୧.୪୨ ନିୟୁତ ଅନୁରୋଧର ଏକ ଲଗର ଅନୁସନ୍ଧାନରେ ପ୍ରୟୋଗ କରାଯାଇଛି । ଆନ୍ତଃପ୍ରତିକ୍ରିୟା ଓ ଭିଜୁଆଲ କୋଡିଂର ନୂଆ ନୂଆ ସଂଯୋଜନା ବିକଶିତ କରାଯାଇଛି ଯେଉଁଥିରେ ସ୍ପେସିଆଲ ଟ୍ୟାଗ କ୍ଲାଉଡ , ଟ୍ୟାଗ ମ୍ୟାପ , ଡାଟା ଡାଏଲ ଏବଂ ମଲ୍ଟି-ସ୍କେଲ ଡେନସିଟି ସଫେସ ସାମିଲ ରହିଛି । ଏହି ପଦ୍ଧତିର ଚାରୋଟି ଦିଗକୁ ଅନୌପଚାରିକ ଭାବେ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଛି: ବ୍ୟବହାର କରାଯାଇଥିବା ଭିଜୁଆଲ କୋଡିଂ, ଡାଟାସେଟର ଭିଜୁଆଲ ଏକ୍ସପ୍ଲୋରେସନରେ ଏହାର ସଫଳତା, ବ୍ୟବହାର କରାଯାଇଥିବା ବିଶେଷ ଉପକରଣ ଏବଂ ମ୍ୟାଶଅପ୍ ପଦ୍ଧତି । ପ୍ରାଥମିକ ଫଳାଫଳ ଅନ୍ୟମାନଙ୍କୁ ଉପଯୋଗୀ ହେବ ଯେଉଁମାନେ ଭିଜୁଆଲାଇଜେସନ ପାଇଁ ମାଶପ ବ୍ୟବହାର କରିବାକୁ ଚିନ୍ତା କରୁଛନ୍ତି । ଏଠାରେ ଯେଉଁ ବିଶେଷ ଜ୍ଞାନକୌଶଳ ବିକଶିତ କରାଯାଇଛି ତାହା ଅଧିକ ବ୍ୟାପକ ଭାବେ ପ୍ରୟୋଗ କରାଯାଇପାରିବ । ବଡ଼ ସଂରଚନା ବିଶିଷ୍ଟ, ବହୁମୁଖୀ ଆକାଶ-କାଳୀନ ତଥ୍ୟ ସେଟଗୁଡ଼ିକର ପ୍ରାଥମିକ ଅନୁସନ୍ଧାନ ପାଇଁ ଏକ୍ସପ୍ଲୋରେଟୋରୀ ଭିଜୁଆଲ୍ ବିଶ୍ଳେଷଣ ଉପଯୋଗୀ ଅଟେ । ଏହି ପ୍ରକ୍ରିୟାରେ ସମୟ, ସ୍ଥାନ ଏବଂ ଗୁଣବତ୍ତା ଅନୁସାରେ ରେକର୍ଡଗୁଡିକର ଚୟନ ଏବଂ ଏକତ୍ରୀକରଣ, ତଥ୍ୟକୁ ରୂପାନ୍ତର କରିବାର କ୍ଷମତା ଏବଂ ଉପଯୁକ୍ତ ଭିଜୁଆଲ୍ ଏନକୋଡିଂ ଏବଂ ପାରସ୍ପରିକ କ୍ରିୟାକୁ ପ୍ରୟୋଗ କରିବାର ନମନୀୟତା ଆବଶ୍ୟକ ହୋଇଥାଏ । |
11e907ef1dad5daead606ce6cb69ade18828cc39 | ଆମେ ଏକ ତୀବ୍ରତା ପଦ୍ଧତି ଅଧ୍ୟୟନ କରୁ ଯାହା ଦ୍ବାରା ବିନ୍ଦୁ-ବିନ୍ଦୁ କ୍ଷୁଦ୍ରତମ ପଥ ଗଣନା କରାଯାଇ ପାରିବ । ତ୍ୱରାନ୍ୱିତ କରିବାର ପଦ୍ଧତିକୁ ଆର୍କ-ଫ୍ଲାଗ୍ ଆଭିମୁଖ୍ୟ କୁହାଯାଏ ଏବଂ ଏହା ଡିଜକଷ୍ଟ୍ରାଙ୍କ ଆଲଗୋରିଦମ ଉପରେ ଆଧାରିତ । ଆର୍କ୍-ଫ୍ଲାଗ୍ ପଦ୍ଧତିରେ, ଆମେ ନେଟୱର୍କ ଡାଟାର ପ୍ରି-ପ୍ରୋସେସିଂକୁ ଅତିରିକ୍ତ ସୂଚନା ସୃଷ୍ଟି କରିବାକୁ ଅନୁମତି ଦେଇଥାଉ, ଯାହା ପରେ କ୍ଷୁଦ୍ରତମ ପଥ ପ୍ରଶ୍ନଗୁଡିକର ଗତି ବୃଦ୍ଧି ପାଇଁ ବ୍ୟବହୃତ ହୁଏ । ପ୍ରି-ପ୍ରୋସେସିଂ ପର୍ଯ୍ୟାୟରେ, ଗ୍ରାଫକୁ ବିଭିନ୍ନ ଅଞ୍ଚଳରେ ବିଭକ୍ତ କରାଯାଇଥାଏ ଏବଂ ସୂଚନା ସଂଗ୍ରହ କରାଯାଇଥାଏ ଯେ ଏକ ଅର୍କ କୌଣସି ନିର୍ଦ୍ଦିଷ୍ଟ ଅଞ୍ଚଳରେ ସବୁଠାରୁ କମ୍ ପଥରେ ଅଛି କି ନାହିଁ । ଆର୍କ୍-ଫ୍ଲାଗ୍ ପଦ୍ଧତି ସହିତ ଉପଯୁକ୍ତ ବିଭାଜନ ଏବଂ ଦ୍ୱି-ଆଧାରିତ ସନ୍ଧାନ ସହିତ ମିଶ୍ରିତ ହେବା ଦ୍ୱାରା ବଡ଼ ନେଟୱାର୍କରେ ଡିଜ୍କଷ୍ଟ୍ରାଙ୍କ ମାନକ ଆଲଗୋରିଦମ (୧ ନିୟୁତ ନୋଡ୍, ୨.୫ ନିୟୁତ ଆର୍କ) ତୁଳନାରେ ହାରାହାରି ୫୦୦ରୁ ଅଧିକ ବେଗ ବୃଦ୍ଧି ହୁଏ । ଏହି ମିଶ୍ରଣ ଦ୍ୱାରା ଡିଜକଷ୍ଟ୍ରାଙ୍କ ଆଲଗୋରିଦମର ସନ୍ଧାନ ସ୍ଥାନକୁ ପ୍ରାୟତଃ ଦୀର୍ଘ ଦୂରତା ବିଶିଷ୍ଟ ସଂକ୍ଷିପ୍ତ ପଥ ପ୍ରଶ୍ନ ପାଇଁ ଅନୁରୂପ ସଂକ୍ଷିପ୍ତ ପଥ ଆକାରରେ ସୀମିତ କରିଦିଆଯାଏ । ଆମେ ଏକ ପରୀକ୍ଷାମୂଳକ ଅଧ୍ୟୟନ କରୁଛୁ ଯାହାଦ୍ୱାରା ଆକଳନ କରାଯାଇପାରିବ ଯେ କେଉଁ ବିଭାଜନଗୁଡ଼ିକ ଆର୍କ-ଫ୍ଲାଗ୍ ପଦ୍ଧତି ପାଇଁ ସବୁଠାରୁ ଉପଯୁକ୍ତ । ବିଶେଷକରି, ଆମେ କମ୍ପ୍ୟୁଟେସନାଲ ଜ୍ୟାମିତିରୁ ବିଭାଜନ ଆଲଗୋରିଦମ ଏବଂ ଏକ ମଲ୍ଟିୱେ ଆର୍କ ସେପେରେଟର ବିଭାଜନକୁ ପରୀକ୍ଷା କରୁ । ଏହି ମୂଲ୍ୟାୟନ ଜର୍ମାନୀର ସଡ଼କ ନେଟୱାର୍କ ଉପରେ କରାଯାଇଥିଲା । କ୍ଷୁଦ୍ରତମ ପଥ ଆଲଗୋରିଦମର ଗତି ଉପରେ ବିଭିନ୍ନ ବିଭାଜନର ପ୍ରଭାବକୁ ତୁଳନା କରାଯାଇଛି । ଏହା ସହିତ, ଆମେ speedup କୌଶଳର ଏକ ସମ୍ପ୍ରସାରଣକୁ ଏକାଧିକ ସ୍ତରର ବିଭାଜନ ପାଇଁ ଉପସ୍ଥାପନ କରୁ. ଏହି ବହୁସ୍ତରୀୟ ଭାରିଆଣ୍ଟରେ, ସମାନ ସ୍ପିଡଅପ୍ କାରକଗୁଡ଼ିକୁ ଛୋଟ ସ୍ଥାନ ଆବଶ୍ୟକତା ସହିତ ହାସଲ କରାଯାଇପାରିବ । ତେଣୁ ଏହାକୁ ପୂର୍ବ-ଗଣିତ ତଥ୍ୟର ଏକ ସଙ୍କୋଚନ ଭାବରେ ଦେଖାଯାଏ ଯାହା ଗଣିତ ହୋଇଥିବା କ୍ଷୁଦ୍ରତମ ପଥଗୁଡ଼ିକର ସଠିକତାକୁ ବଜାୟ ରଖିଥାଏ । |
09be020a9738464799740602d7cf3273c1416c6a | ଆର୍ଟିକିଲ୍ ଟେକ୍ସଚର ସୃଷ୍ଟି କରିବା ଦ୍ୱାରା ଜଣେ କଳାକାରଙ୍କ ସାହାଯ୍ୟ ବିନା ଅଧିକ ସମୃଦ୍ଧ ଏବଂ ବିସ୍ତୃତ ଭର୍ଚୁଆଲ୍ ପରିବେଶ ସୃଷ୍ଟି କରାଯାଇପାରିବ । ତେବେ ବାସ୍ତବ ଦୁନିଆର ଏକ ନମନୀୟ ଜେନେରେଟିଭ ମଡେଲ ଖୋଜିବା ଏକ ଖୋଲା ସମସ୍ୟା ହୋଇ ରହିଛି । ଆମେ ଏକ ନୂଆ କନ୍ଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଆଧାରିତ ଟେକ୍ସଚର ମଡେଲ ଉପସ୍ଥାପନ କରୁଛୁ ଯେଉଁଥିରେ ଦୁଇଟି ସାରାଂଶିକ ପରିସଂଖ୍ୟାନ (ଗ୍ରାମିୟାନ ଏବଂ ଟ୍ରାନ୍ସଲେସନ୍ ଗ୍ରାମିୟାନ ମ୍ୟାଟ୍ରିକ୍ସ) ସହିତ ସ୍ପେକ୍ଟ୍ରାଲ ପ୍ରତିବନ୍ଧକ ମଧ୍ୟ ରହିଛି । ଆମେ ଫ୍ୟୁରିଅର ଟ୍ରାନ୍ସଫର୍ମ ବା ୱିଣ୍ଡୋ ଫ୍ୟୁରିଅର ଟ୍ରାନ୍ସଫର୍ମକୁ ସ୍ପେକ୍ଟ୍ରାଲ ପ୍ରତିବନ୍ଧକ ପ୍ରୟୋଗ କରି ଅନୁସନ୍ଧାନ କରିଥାଉ ଏବଂ ଦେଖୁ ଯେ ୱିଣ୍ଡୋ ଫ୍ୟୁରିଅର ଟ୍ରାନ୍ସଫର୍ମ ସୃଷ୍ଟି ହୋଇଥିବା ରଂଗର ଗୁଣରେ ଉନ୍ନତି ଆଣିଥାଏ । ଆମେ ଆମର ପ୍ରଣାଳୀର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ପ୍ରଯୁକ୍ତିର ଅତ୍ୟାଧୁନିକ ପ୍ରଣାଳୀର ଉତ୍ପାଦିତ ଉତ୍ପାଦ ସହିତ ତୁଳନା କରି ଦେଖାଇଥାଉ । |
9fa3c3f1fb6f1566638f97fcb993fe121646433e | |
f8f92624c8794d54e08b3a8f94910952ae03cade | ବ୍ୟକ୍ତି ପୁନଃ ଚିହ୍ନଟ (ରି-ଆଇଡି) ହେଉଛି ଏକ କ୍ରସ୍-କ୍ୟାମେରା ପୁନଃପ୍ରାପ୍ତ କାର୍ଯ୍ୟ ଯାହା ବିଭିନ୍ନ କ୍ୟାମେରା ଦ୍ୱାରା ସୃଷ୍ଟି ହୋଇଥିବା ପ୍ରତିଛବି ଶୈଳୀ ପରିବର୍ତ୍ତନ ଦ୍ୱାରା ପୀଡିତ । ଏହି ଆର୍ଟଟି ଏକ କ୍ୟାମେରା-ଅବନତିର ବର୍ଣ୍ଣନାକାରୀ ଉପ-ସ୍ଥାନ ଶିଖିବା ଦ୍ୱାରା ଏହି ସମସ୍ୟାକୁ ନିହିତ ଭାବରେ ସମାଧାନ କରିଥାଏ । ଏହି ଲେଖାରେ ଆମେ କ୍ୟାମେରା ଷ୍ଟାଇଲ (CamStyle) ର ଉପସ୍ଥାପନା କରି ଏହି ଆହ୍ୱାନକୁ ସ୍ପଷ୍ଟ ଭାବରେ ବିଚାର କରୁଛୁ । କ୍ୟାମଷ୍ଟାଇଲ ଏକ ଡାଟା ବୃଦ୍ଧି ପଦ୍ଧତି ଭାବରେ କାର୍ଯ୍ୟ କରିପାରେ ଯାହା ଗଭୀର ନେଟୱାର୍କ ଓଭରଫିଟିଂର ବିପଦକୁ ହ୍ରାସ କରିଥାଏ ଏବଂ ଏହା କ୍ୟାମଷ୍ଟାଇଲ ଅସମାନତାକୁ ସୁଗମ କରିଥାଏ । ବିଶେଷକରି, ଏକ ଷ୍ଟାଇଲ୍ ଟ୍ରାନ୍ସଫର ମଡେଲ ସହିତ, ଲେବଲ୍ ହୋଇଥିବା ତାଲିମ ପ୍ରତିଛବି ପ୍ରତ୍ୟେକ କ୍ୟାମେରାରେ ଷ୍ଟାଇଲ୍ ଟ୍ରାନ୍ସଫର ହୋଇପାରିବ, ଏବଂ ମୂଳ ତାଲିମ ନମୁନା ସହିତ, ବୃଦ୍ଧି ପାଇଥିବା ତାଲିମ ସେଟ୍ ଗଠନ କରେ । ଏହି ପଦ୍ଧତି ଦ୍ବାରା ଅଧିକ ପରିମାଣର ଡାଟା ବିବିଧତା ବୃଦ୍ଧି ପାଇଥାଏ, କିନ୍ତୁ ଏହାଦ୍ୱାରା ଅଧିକ ଶବ୍ଦ ମଧ୍ୟ ସୃଷ୍ଟି ହୋଇଥାଏ । ଶବ୍ଦ ପ୍ରଭାବକୁ ହ୍ରାସ କରିବା ପାଇଁ, ଲେବଲ ସୁଗମ ନିୟମିତକରଣ (ଏଲଏସଆର) କୁ ଗ୍ରହଣ କରାଯାଇଛି । ଆମ ପଦ୍ଧତିର ଭେନିଲା ସଂସ୍କରଣ (ଏଲଏସଆର ବିନା) କିଛି କ୍ୟାମେରା ସିଷ୍ଟମରେ ଯଥେଷ୍ଟ ଭଲ ଭାବରେ କାମ କରେ ଯେଉଁଠାରେ ଓଭରଫିଟିଂ ପ୍ରାୟତଃ ଘଟେ । ଏଲଏସଆର ସହିତ, ଆମେ ସମସ୍ତ ବ୍ୟବସ୍ଥାରେ ସ୍ଥିର ଉନ୍ନତି କରିଛୁ, ଅତିକ୍ରମଣର ପରିମାଣକୁ ବିଚାରକୁ ନ ନେଇ । ଆମେ ମଧ୍ୟ ବଜାର-1501 ଏବଂ ଡ୍ୟୁକ ଏମଟିଏମସି-ରି-ଆଇଡିର ଆଧୁନିକ ଜ୍ଞାନକୌଶଳ ସହିତ ତୁଳନା କରି ପ୍ରତିଯୋଗିତାମୂଳକ ସଠିକତା ବିଷୟରେ ରିପୋର୍ଟ କରୁଛୁ । ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କଥା ହେଉଛି, କ୍ୟାମଷ୍ଟାଇଲକୁ ଏକ ଦୃଶ୍ୟ ଶିକ୍ଷଣ ଏବଂ ଅଣ-ସୁରକ୍ଷିତ ଡୋମେନ୍ ଅନୁକୂଳନ (UDA) ର ଚ୍ୟାଲେଞ୍ଜିଂ ସମସ୍ୟା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ, ଯାହା ଉଭୟ ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ଅନୁସନ୍ଧାନ ଏବଂ ପ୍ରୟୋଗ ମହତ୍ତ୍ୱ ରଖିଥାଏ। ପୂର୍ବବର୍ତ୍ତୀଟି କେବଳ ଗୋଟିଏ କ୍ୟାମେରା ଦୃଶ୍ୟରେ ତଥ୍ୟକୁ ଲେବଲ କରିଥାଏ ଏବଂ ପରବର୍ତ୍ତୀଟି କେବଳ ଉତ୍ସ ଡୋମେନରେ ତଥ୍ୟକୁ ଲେବଲ କରିଥାଏ । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଦର୍ଶାଏ ଯେ, ଦୁଇଟି ସମସ୍ୟା ପାଇଁ ମୂଳ ରେଖାର କାର୍ଯ୍ୟଦକ୍ଷତାରେ CamStyle ଉଲ୍ଲେଖନୀୟ ଉନ୍ନତି ଆଣିଥାଏ । ବିଶେଷ କରି ୟୁଡିଏ ପାଇଁ, କ୍ୟାମଷ୍ଟାଇଲ ମାର୍କେଟ-୧୫୦୧ ଏବଂ ଡ୍ୟୁକ ଏମଟିଏମସି-ରିଆଇଡି ଉପରେ ଆଧାରିତ ଏକ ବେସଲାଇନ ଗଭୀର ପୁନଃ-ଚିହ୍ନଟ ମଡେଲ ଉପରେ ଆଧାରିତ ଅତ୍ୟାଧୁନିକ ସଠିକତା ହାସଲ କରିଥାଏ । ଆମର କୋଡ ଏହିଠାରେ ଉପଲବ୍ଧ: https://github.com/zhunzhong07/CamStyle. |
61ec08b1fd5dc1a0e000d9cddee6747f58d928ec | ଏହି ଲେଖାରେ ଭଲ ଆନୁମାନିକ ବିଶ୍ବାସ ଅନ୍ତରାଳ ସୃଷ୍ଟି କରିବା ପାଇଁ ବୁଟଷ୍ଟ୍ରାପ୍ ପଦ୍ଧତିଗୁଡ଼ିକର ସର୍ବେକ୍ଷଣ କରାଯାଇଛି । ଏହାର ଲକ୍ଷ୍ୟ ହେଉଛି ମାନକ ଅନ୍ତରାଳର ସଠିକତା ଉପରେ ଉନ୍ନତି ଆଣିବା, ଯାହାଦ୍ୱାରା ଅତି ଜଟିଳ ସମସ୍ୟାକୁ ମଧ୍ୟ ନିୟମିତ ପ୍ରୟୋଗ କରାଯାଇପାରିବ । ଏହା କିପରି କରାଯାଏ ତାହା ଦର୍ଶାଇବା ପାଇଁ ଉଭୟ ସିଦ୍ଧାନ୍ତ ଓ ଉଦାହରଣର ବ୍ୟବହାର କରାଯାଇଛି । ପ୍ରଥମ ସାତଟି ବିଭାଗରେ ଚାରୋଟି ବୁଟଷ୍ଟ୍ରାପ୍ ଭରସା ଅନ୍ତର ପ୍ରକ୍ରିୟା ବି.ସି.ଏ, ବୁଟଷ୍ଟ୍ରାପ୍-ଟି, ଏବିସି ଏବଂ କାଲିବ୍ରେସନ୍ ର ଏକ ହିରିଷ୍ଟିକ୍ ସମୀକ୍ଷା ପ୍ରଦାନ କରାଯାଇଛି । ଭାଗ 8 ଏବଂ 9ରେ ଏହି ପଦ୍ଧତିଗୁଡ଼ିକର ତତ୍ତ୍ୱାବଧାନ ଏବଂ ବାର୍ଣ୍ଡୋର୍ଫ-ନୀଲସନ, କକ୍ସ ଏବଂ ରିଡ ଏବଂ ଅନ୍ୟମାନଙ୍କ ଦ୍ୱାରା ବିକଶିତ କରାଯାଇଥିବା ସମ୍ଭାବନା-ଆଧାରିତ ବିଶ୍ବାସ ଅନ୍ତର ତତ୍ତ୍ୱାବଧାନ ସହିତ ସେମାନଙ୍କର ନିବିଡ଼ ସମ୍ପର୍କ ବିଷୟରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି । |
a9a6322f5d6575adb04d9ed670ffdef741840958 | ଫୋର୍ଡାଇସ୍ ସ୍ପଟ୍ସ ଏକ୍ଟୋପିକ୍ ସେବେସିୟସ୍ ଗ୍ରନ୍ଥି, ଯାହାର ବ୍ୟାସ ୨ରୁ ୩ ମିମି ମଧ୍ୟରେ ହୋଇଥାଏ । ଏହି ରୋଗର ଲକ୍ଷଣ ସାଧାରଣତଃ ପାଟି ପେଶା ଓ ଯୌନ ଅଙ୍ଗର ଚର୍ମରେ ଦେଖାଯାଏ । ବିଶେଷକରି ପୁରୁଷଙ୍କ ଯୌନ ଅଙ୍ଗରେ ଏହା ଯୌନ ସମ୍ପର୍କ ସମୟରେ ଯନ୍ତ୍ରଣା, ଯନ୍ତ୍ରଣା ଏବଂ ସୌନ୍ଦର୍ଯ୍ୟ ଦୃଷ୍ଟିରୁ ଅପ୍ରସଙ୍ଗିକତା ସୃଷ୍ଟି କରିଥାଏ । ବର୍ତ୍ତମାନ ପର୍ଯ୍ୟନ୍ତ ବିଭିନ୍ନ ପ୍ରକାର ଚିକିତ୍ସା ପଦ୍ଧତିର ସଫଳତା ଓ ପୁନଃ ଘଟଣାର ହାର ଭିନ୍ନ ଭିନ୍ନ ଥିବା ଜଣାଯାଇଛି । ବର୍ତ୍ତମାନର ରିଟ୍ରୋସ୍ପେକ୍ଟିଭ୍ ଅଧ୍ୟୟନରେ (୨୦୦୩ରୁ ୨୦୧୧ ମଧ୍ୟରେ ୨୩ ଜଣ ରୋଗୀ) ଆମେ ମାଇକ୍ରୋ-ପଞ୍ଚ୍ କୌଶଳ ମାଧ୍ୟମରେ ଆମର ସର୍ଜରୀ ପଦ୍ଧତିକୁ ଉପସ୍ଥାପନ କରୁଛୁ । ଏହି ପ୍ରଭାବଶାଳୀ ପଦ୍ଧତିର ବ୍ୟବହାର କରି ଆମେ ଅତ୍ୟନ୍ତ ସନ୍ତୋଷଜନକ କାର୍ଯ୍ୟକଳାପ ଏବଂ ସୌନ୍ଦର୍ଯ୍ୟର ପରିଣାମ ହାସଲ କରିଛୁ । 12 ରୁ 84 ମାସ ପର୍ଯ୍ୟନ୍ତ ଅପରେସନ ପରବର୍ତ୍ତୀ ଅବଲୋକନ ସମୟରେ ପୁନଃ ରୋଗର କୌଣସି ଲକ୍ଷଣ ନଥିଲା (ମଧ୍ୟମ = 51. 3 ମାସ) । |
970698bf0a66ddf935b14e433c81e1175c0e8307 | ଇଣ୍ଟରନେଟ ଅଫ୍ ଥିଙ୍ଗସ୍ ଶବ୍ଦର ପ୍ରତ୍ୟକ୍ଷ ବ୍ୟାଖ୍ୟା ହେଉଛି ଇଣ୍ଟରନେଟ ପ୍ରୋଟୋକଲର ବ୍ୟବହାର ଯାହା ମାନବ-ରୁ-ଥିଙ୍ଗ୍ କିମ୍ବା ଇଣ୍ଟରନେଟରେ ଥିବା ଜିନିଷ-ରୁ-ଥିଙ୍ଗ୍ ଯୋଗାଯୋଗ ପାଇଁ ବ୍ୟବହୃତ ହୋଇଥାଏ । ଯଦିଓ ଏହି କ୍ଷେତ୍ରରେ ସୁରକ୍ଷା ଆବଶ୍ୟକତାକୁ ଭଲ ଭାବେ ସ୍ୱୀକୃତି ଦିଆଯାଇଛି, ତଥାପି ବର୍ତ୍ତମାନର ଆଇପି ସୁରକ୍ଷା ପ୍ରୋଟୋକଲ ଏବଂ ସ୍ଥାପତ୍ୟ କିପରି ନିୟୋଜିତ ହୋଇପାରିବ ତାହା ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ବୁଝାଯାଇନାହିଁ । ଏହି ଲେଖାରେ ଆମେ ଇଣ୍ଟରନେଟ ଅଫ୍ ଥିଙ୍ଗସ୍ ପରିପ୍ରେକ୍ଷୀରେ ବର୍ତ୍ତମାନର ଇଣ୍ଟରନେଟ ପ୍ରୋଟୋକଲ ଏବଂ ସୁରକ୍ଷା ସ୍ଥାପତ୍ୟର ପ୍ରୟୋଗ ଏବଂ ସୀମିତତା ବିଷୟରେ ଆଲୋଚନା କରୁଛୁ । ପ୍ରଥମେ, ଆମେ ନିୟୋଜନ ମଡେଲ ଏବଂ ସାଧାରଣ ସୁରକ୍ଷା ଆବଶ୍ୟକତା ବିଷୟରେ ଏକ ସମୀକ୍ଷା ପ୍ରଦାନ କରୁ । ଏହା ପରେ ଆମେ ଆଇପି ଆଧାରିତ ସୁରକ୍ଷା ସମାଧାନ ପାଇଁ ଆହ୍ୱାନ ଏବଂ ଆବଶ୍ୟକତା ବିଷୟରେ ବର୍ଣ୍ଣନା କରିବା ଏବଂ ମାନକ ଆଇପି ସୁରକ୍ଷା ପ୍ରୋଟୋକଲର ନିର୍ଦ୍ଦିଷ୍ଟ ବୈଷୟିକ ସୀମିତତାକୁ ଆଲୋକପାତ କରିବା । |
140df6ceb211239b36ff1a7cfdc871f06d787d11 | କାର୍ଯ୍ୟକାରୀ ଏନକ୍ରିପସନ୍ ସୀମିତ ଡିକ୍ରିପସନ୍ କିକୁ ସମର୍ଥନ କରେ ଯାହା ବ୍ୟବହାରକାରୀଙ୍କୁ ଏନକ୍ରିପ୍ଟ ହୋଇଥିବା ମେସେଜର ନିର୍ଦ୍ଦିଷ୍ଟ କାର୍ଯ୍ୟ ଶିଖିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ଯଦିଓ ଫଙ୍କସନାଲ ଏନକ୍ରିପସନ୍ ଉପରେ ଅଧିକାଂଶ ଗବେଷଣା ଏପର୍ଯ୍ୟନ୍ତ ଏନକ୍ରିପ୍ଟ ହୋଇଥିବା ମେସେଜର ଗୋପନୀୟତା ଉପରେ ଧ୍ୟାନ ଦେଇଆସିଛି, ଅନେକ ବାସ୍ତବିକ ପରିସ୍ଥିତିରେ ଯେଉଁ କାର୍ଯ୍ୟଗୁଡ଼ିକ ପାଇଁ ଡିକ୍ରିପସନ୍ କି ପ୍ରଦାନ କରାଯାଇଥାଏ ସେଗୁଡ଼ିକ ପାଇଁ ମଧ୍ୟ ଗୋପନୀୟତା ପ୍ରଦାନ କରିବା ଅତ୍ୟନ୍ତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । ଯେତେବେଳେ କି ଫଙ୍କସନ ପ୍ରାଇଭେସି ପବ୍ଲିକ-କି ସେଟିଂରେ ଅନ୍ତର୍ନିହିତ ଭାବରେ ସୀମିତ ହୋଇଥାଏ, ପ୍ରାଇଭେଟ-କି ସେଟିଂରେ ଏହାର ଅପାର ସମ୍ଭାବନା ରହିଛି । ବିଶେଷକରି, ଆମେ ଏପରି ଯୋଜନା ନିର୍ମାଣ କରିପାରିବା ଯେଉଁଠାରେ ସନ୍ଦେଶ $$\mathsf{m}_1, \ldots , \mathsf{m}_T$$ m 1 , ... , m T କୁ ଡିକ୍ରିପ୍ଟ କରିବା ସହିତ ଫଙ୍କସନ $$f_1, \ldots , f_T$ f 1 , ... , f T କୁ ଡିକ୍ରିପ୍ଟ କରିବା ଦ୍ୱାରା ମୂଲ୍ୟ $$\{ f_i(\mathsf{m}_j) }_{i,j\in [T]}$ { f i (m j) } i , j ∈ [ T ] ବ୍ୟତୀତ ଅନ୍ୟ କୌଣସି ସୂଚନା ମିଳିପାରିବ ନାହିଁ । ଏହାର ମହାନ ସମ୍ଭାବନା ସତ୍ତ୍ୱେ, ଜଣାଶୁଣା ଫଙ୍କସନ-ପ୍ରାଇଭେଟ ପ୍ରାଇଭେଟ-କି ସ୍କିମଗୁଡ଼ିକ ଫଙ୍କସନଗୁଡ଼ିକର ସୀମିତ ପରିବାରକୁ ସମର୍ଥନ କରିଥାଏ (ଯେପରି ଇନଟର ପ୍ରଡକ୍ଟ) କିମ୍ବା ଫଙ୍କସନ ପ୍ରାଇଭେଟୀର କିଛି ଦୁର୍ବଳ ଧାରଣା ପ୍ରଦାନ କରିଥାଏ । ଆମେ ଏକ ଜେନେରିକ ପରିବର୍ତ୍ତନ ଉପସ୍ଥାପନ କରୁ ଯାହା ଏକ ଫଙ୍କସନ-ପ୍ରାଇଭେଟ ଫଙ୍କସନଲ ଏନକ୍ରିପସନ ସ୍କିମ ପ୍ରଦାନ କରେ, ଯଥେଷ୍ଟ ସମୃଦ୍ଧ ଫଙ୍କସନ ଶ୍ରେଣୀ ପାଇଁ କୌଣସି ନନ-ଫଙ୍କସନ-ପ୍ରାଇଭେଟ ସ୍କିମରୁ ଆରମ୍ଭ କରି । ଆମର ପରିବର୍ତ୍ତନ ମୂଳ ଯୋଜନାର ସନ୍ଦେଶ ଗୋପନୀୟତାକୁ ସଂରକ୍ଷିତ କରିଥାଏ ଏବଂ ବିଭିନ୍ନ ପ୍ରକାରର ପ୍ରଚଳିତ ଯୋଜନା ବ୍ୟବହାର କରି ଏହାକୁ ପ୍ରତିଫଳିତ କରାଯାଇପାରିବ । କାର୍ଯ୍ୟକାରୀ ଏନକ୍ରିପସନ୍ ସ୍କିମର ଜଣାଶୁଣା ନିର୍ମାଣରେ ପ୍ଲଗ୍ କରିବା ଦ୍ୱାରା, ଆମେ ଫଙ୍କସନ୍-ପ୍ରାଇଭେଟ୍ ସ୍କିମ୍ ପ୍ରାପ୍ତ କରୁ ଯାହା ତ୍ରୁଟିଯୁକ୍ତ ଶିକ୍ଷଣର ଅନୁମାନ ଉପରେ ଆଧାରିତ, ଅସ୍ପଷ୍ଟତା ଅନୁମାନ ଉପରେ, ସରଳ ମଲ୍ଟିଲିନାରୀ-ମ୍ୟାପ୍ ଅନୁମାନ ଉପରେ, ଏବଂ ଏପରିକି ଯେକୌଣସି ଏକ-ପଥ ଫଙ୍କସନ୍ ର ଅସ୍ତିତ୍ୱ ଉପରେ (ସୁରକ୍ଷା ଏବଂ ଦକ୍ଷତା ମଧ୍ୟରେ ବିଭିନ୍ନ ବାଣିଜ୍ୟ ଅଫ୍ ପ୍ରଦାନ) । |
d0895e18d0553b9a35cff80bd7bd5619a19d51fb | ଆମେ 107 GHz ବେସବ୍ୟାଣ୍ଡ ଡିଫେରେନସିଆଲ ଟ୍ରାନ୍ସଇମ୍ପେଡେନ୍ସ ଆମ୍ପ୍ଲିଫାୟର ଆଇସିର ସୂଚନା ଦେଉଛୁ ଯାହାକି ହାଇ ସ୍ପିଡ ଅପ୍ଟିକାଲ କମ୍ୟୁନିକେସନ ଲିଙ୍କ ପାଇଁ ଉଦ୍ଦିଷ୍ଟ । ଦୁଇଟି ଡାରଲିଙ୍ଗଟନ ରେସିଷ୍ଟିବ ଫିଡବ୍ୟାକ ଷ୍ଟେଜରେ ଗଠିତ ଏହି ଆମ୍ପ୍ଲିଫାୟର 500 ନନମିଟର ଇନପଏଚବିଟି ପ୍ରକ୍ରିୟାରେ କାର୍ଯ୍ୟକାରୀ ହୋଇଥିଲା ଏବଂ ଏହା 55 ଡିବିଓଏଚ ଡିଫେରେନସିଆଲ ଟ୍ରାନ୍ସଇମ୍ପେଡେନ୍ସ ଗେନ୍, 30 ପିଏସ ଗ୍ରୁପ୍ ଡେଲେୟାର୍, ପି1ଡିବି = 1 ଡିବିଏମ ପ୍ରଦର୍ଶନ କରିଥିଲା ଏବଂ ଏହା 5.2 ଭୋଲ୍ଟ ସପ୍ଲାଏ ଦ୍ୱାରା ସଞ୍ଚାଳିତ ହୋଇଥିଲା । ଇନପୁଟ୍ ଓ ଆଉଟପୁଟ୍ ଇମ୍ପେଡେନ୍ସ ମଧ୍ୟରେ ଥିବା ଅନ୍ତର ହେଉଛି 50Ω । ଆଇସି ଇନପୁଟରେ ୨ ଭୋଲ୍ଟ ସିସି ସହିତ ହାଇ ସ୍ପିଡ ଫୋଟୋଡିୟଡ ସଂଯୋଗ ପାଇଁ ଏବଂ -୪୫୦ ଏମଭି ସିସି ସହିତ ଇନପୁଟରେ ଗିଲବର୍ଟ ସେଲ ମିକ୍ସର ଏବଂ ଇସିଏଲ ଲଜିକ ସହିତ ଇନପୁଟରେ ସଂଯୋଗ କରିଥାଏ । |
b9d5f2da9408d176a5cfc6dc0912b6d72e0ea989 | |
6910f307fef66461f5cb561b4d4fc8caf8594af5 | ଗତ ଦୁଇ ବର୍ଷ ମଧ୍ୟରେ, ଶବ୍ଦ ଅନ୍ତର୍ଭୁକ୍ତ ଆଲଗୋରିଦମ ଏବଂ ସେଗୁଡ଼ିକ ଉପରେ ଗବେଷଣା ବୃଦ୍ଧି ପାଇଛି । କିନ୍ତୁ ମୂଲ୍ୟାୟନ ମୁଖ୍ୟତଃ ଏକ ସଂକ୍ଷିପ୍ତ କାର୍ଯ୍ୟ ଉପରେ କରାଯାଇଛି, ମୁଖ୍ୟତଃ ଶବ୍ଦ ସମାନତା/ସମ୍ବନ୍ଧ ଏବଂ ଶବ୍ଦ ସମ୍ପର୍କର ସମାନତା ଏବଂ ଗୋଟିଏ ଭାଷା, ଯଥା ଇଂରାଜୀ ଉପରେ । ଆମେ ବିଭିନ୍ନ ଭାଷାରେ ଏମ୍ବେଡିଂର ମୂଲ୍ୟାଙ୍କନ ପାଇଁ ଏକ ପଦ୍ଧତି ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ବିଭିନ୍ନ ବାକ୍ୟବିନ୍ୟାସ ବୈଶିଷ୍ଟ୍ୟ ସହିତ ଶବ୍ଦ ଏମ୍ବେଡିଂର କ୍ଲଷ୍ଟର କିପରି ଅନୁସନ୍ଧାନ କରି ଏମ୍ବେଡିଂ ସ୍ପେସର ସଂରଚନା ବିଷୟରେ ମଧ୍ୟ ଅନ୍ତର୍ଦୃଷ୍ଟି ପ୍ରଦାନ କରେ । ଆମେ ଦେଖାଇଛୁ ଯେ ସମସ୍ତ ଇମ୍ବେଡିଂ ପଦ୍ଧତି ଏହି କାର୍ଯ୍ୟରେ ସମାନ ଭାବରେ କାର୍ଯ୍ୟ କରିଥାଏ, ନିର୍ଭରଶୀଳତା ଆଧାରିତ ଇମ୍ବେଡିଂ ସବୁଠାରୁ ଭଲ ପ୍ରଦର୍ଶନ କରିଥାଏ । ଏହି ପ୍ରଭାବ ଆହୁରି ଅଧିକ ସ୍ପଷ୍ଟ ଭାବରେ ଦେଖାଯାଏ ଯେତେବେଳେ ନିମ୍ନ ଆକାରର ଇମ୍ବେଡ୍- |
8d31dbda7c58de30ada8616e1fcb011d32d5cf83 | ଯାନବାହାନରେ ନେଟୱର୍କ ପ୍ରଯୁକ୍ତିର ପରବର୍ତ୍ତୀ ପିଢ଼ି ଭାବେ ନମନୀୟ ଡାଟା ହାର ସହିତ କଂଟ୍ରୋଲର ଏରିଆ ନେଟୱର୍କ (CAN-FD) ପ୍ରତି ଧ୍ୟାନ ଆକର୍ଷିତ ହେଉଛି । ତେବେ ସୁରକ୍ଷା ପ୍ରସଙ୍ଗକୁ ସମ୍ପୂର୍ଣ୍ଣ ଭାବେ ବିଚାରକୁ ନିଆଯାଇନାହିଁ, ଯଦିଓ ଟ୍ରାନ୍ସମିଟ୍ ହେଉଥିବା ପ୍ରତ୍ୟେକ ସୂଚନା ଡ୍ରାଇଭରଙ୍କ ସୁରକ୍ଷା ପାଇଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । ଯଦି ଆମେ CAN-FDର ସୁରକ୍ଷା ଦୁର୍ବଳତାକୁ ସମାଧାନ କରିବାରେ ବିଫଳ ହେଉ, ତେବେ ଆମେ ଆଶା କରିପାରିବା ନାହିଁ ଯେ ଯାନ-ସୂଚନା ଏବଂ ଯୋଗାଯୋଗ ପ୍ରଯୁକ୍ତି (ଯାନ-ଆଇସିଟି) ର ସମନ୍ୱୟ ବିକାଶିତ ହେବ । ସୌଭାଗ୍ୟବଶତଃ, ସୁରକ୍ଷିତ ଇନ-ଭେଇକିଲ CAN-FD ଯୋଗାଯୋଗ ପରିବେଶକୁ CAN-FD ର ବୃହତ ଡାଟା ପଏଲୋଡ ବ୍ୟବହାର କରି ନିର୍ମାଣ କରାଯାଇପାରିବ । ଏହି କାଗଜରେ, ଆମେ ଏକ ପ୍ରତିରୋଧକ ବ୍ୟବସ୍ଥା ଭାବରେ ଯାନରେ ଥିବା CAN-FD ପାଇଁ ଏକ ସୁରକ୍ଷା ସ୍ଥାପତ୍ୟ ପ୍ରସ୍ତାବ ଦେଉଛୁ (CAN-FD ନିର୍ଦ୍ଦିଷ୍ଟତା ଅନୁଯାୟୀ ଡିଜାଇନ୍ କରାଯାଇଛି) । ଆମେ ଆନ୍ତର୍ଜାତିକ ମାନକ ସଂଗଠନ (ଆଇଏସଓ) 26262 ଅଟୋମୋଟିଭ୍ ନିରାପତ୍ତା ଏକତା ସ୍ତରର ବୈଶିଷ୍ଟ୍ୟ ଏବଂ ଏକ ବ୍ୟବହାରିକ ସୁରକ୍ଷା ସ୍ଥାପତ୍ୟ ଡିଜାଇନ୍ କରିବା ପାଇଁ ଯାନରେ ଉପ-ନେଟୱାର୍କକୁ ବିଚାର କରିଥିଲୁ । ଆମେ ମଧ୍ୟ ତିନି ପ୍ରକାରର ମାଇକ୍ରୋକଣ୍ଟ୍ରୋଲର ୟୁନିଟ ଏବଂ CANoe ସଫ୍ଟୱେର ବ୍ୟବହାର କରି ପ୍ରସ୍ତାବିତ ସୁରକ୍ଷା ସ୍ଥାପତ୍ୟର କାର୍ଯ୍ୟକାରିତା ମୂଲ୍ୟାଙ୍କନ କରିଥିଲୁ । ଆମର ମୂଲ୍ୟାୟନ ଫଳାଫଳ ପରବର୍ତ୍ତୀ ପିଢ଼ିର ଯାନ ନିର୍ମାଣ ପାଇଁ ଇଲେକ୍ଟ୍ରୋନିକ ନିୟନ୍ତ୍ରଣ ୟୁନିଟର କାର୍ଯ୍ୟଦକ୍ଷତା ସ୍ତରର ଏକ ସୂଚକ ଭାବରେ ବ୍ୟବହୃତ ହୋଇପାରେ । |
122ab8b1ac332bceacf556bc50268b9d80552bb3 | ଏକ ବ୍ୟାପକ ଭାବେ ସ୍ୱୀକୃତ ପ୍ରାରମ୍ଭିକ ଧାରଣା ହେଉଛି ଯେ ଜଟିଳ ସଫ୍ଟୱେରରେ ଅନେକ ସମୟରେ ତ୍ରୁଟି ରହିଥାଏ ଯାହାକୁ ଆକ୍ରମଣକାରୀମାନେ ଦୂରରୁ ବ୍ୟବହାର କରିପାରନ୍ତି । ଯେବେ ଏହି ସଫ୍ଟୱେର ଏକ ଯାନର ଇଲେକ୍ଟ୍ରୋନିକ କଣ୍ଟ୍ରୋଲ ୟୁନିଟ (ଇସିୟୁ) ରେ ଥାଏ, ଏହି ବଗ୍ସର ଶୋଷଣ ଜୀବନ କିମ୍ବା ମୃତ୍ୟୁର ପରିଣାମ ଦେଇପାରେ । ଯେହେତୁ ଯାନବାହାନ ସଫ୍ଟୱେର ସମୟ ସହିତ ଅଧିକରୁ ଅଧିକ ବ୍ୟାପକ ଓ ଜଟିଳ ହେବ, ତେଣୁ ଏହାର ବ୍ୟବହାର ପାଇଁ ଥିବା ଦୁର୍ବଳତା ସଂଖ୍ୟା ବୃଦ୍ଧି ପାଇବ । ଫଳସ୍ୱରୂପ, ନିର୍ମାତାମାନେ ସଫ୍ଟୱେୟାରର ଦୁର୍ବଳତାକୁ ଯଥାଶୀଘ୍ର ସମାଧାନ କରିବା ପାଇଁ ଶୀଘ୍ର ଏବଂ ଦକ୍ଷତାର ସହିତ ଅପଡେଟ୍ ନିୟୋଜନ କରିବାର ଆବଶ୍ୟକତା ବିଷୟରେ ସମ୍ପୂର୍ଣ୍ଣ ସଚେତନ ଅଛନ୍ତି । |
3a257a87ab5d1e317336a6cefb50fee1958bd84a | କ୍ଲାଉଡ କମ୍ପ୍ୟୁଟିଂରେ ନୂତନ କମ୍ପ୍ୟୁଟିଂ ଆବଶ୍ୟକତା ପୂରଣ କରିବା ପାଇଁ ଉଚ୍ଚସ୍ତରର ମାପକତା, ନମନୀୟତା ଏବଂ ବ୍ୟୟ-ପ୍ରଭାବୀତା ରହିଛି । ଏକ ବୃହତ ଉତ୍ପାଦନ କ୍ଲାଉଡ୍ କ୍ଲଷ୍ଟରରେ ବାସ୍ତବିକ କାର୍ଯ୍ୟଭାରର ବିଶେଷତ୍ୱକୁ ବୁଝିବା କେବଳ କ୍ଲାଉଡ୍ ସେବା ପ୍ରଦାନକାରୀଙ୍କୁ ନୁହେଁ ବରଂ ଗବେଷକ ଏବଂ ଦୈନନ୍ଦିନ ବ୍ୟବହାରକାରୀଙ୍କୁ ମଧ୍ୟ ଲାଭ ପ୍ରଦାନ କରିଥାଏ । ଏହି କାଗଜରେ ଏକ ବୃହତ ଆକାରର ଗୁଗୁଲ କ୍ଲଷ୍ଟର ବ୍ୟବହାର ଟ୍ରାକ୍ ଡାଟାସେଟର ଅଧ୍ୟୟନ କରାଯାଇଛି ଏବଂ ଏହା ବର୍ଣ୍ଣନା କରାଯାଇଛି ଯେ କିପରି କ୍ଲଷ୍ଟରରେ ଥିବା ମେସିନଗୁଡ଼ିକ ପରିଚାଳିତ ହେଉଛି ଏବଂ 29 ଦିନର ଅବଧି ମଧ୍ୟରେ ଦାଖଲ ହୋଇଥିବା କାର୍ଯ୍ୟଭାର କିପରି ବ୍ୟବହାର କରାଯାଏ । ଆମେ ଯନ୍ତ୍ରର ରକ୍ଷଣାବେକ୍ଷଣ ଘଟଣାର ବାରମ୍ବାରତା ଏବଂ ଢାଞ୍ଚା, କାର୍ଯ୍ୟ ଏବଂ କାର୍ଯ୍ୟ ସ୍ତରୀୟ କାର୍ଯ୍ୟଭାର ଆଚରଣ, ଏବଂ ସାମଗ୍ରିକ କ୍ଲଷ୍ଟର ସମ୍ବଳର ଉପଯୋଗ କିପରି କରାଯାଏ ତାହା ଉପରେ ଧ୍ୟାନ ଦେଇଥାଉ । |
7dfce578644bc101ae4ffcd0184d2227c6d07809 | ବିଶେଷ କରି ସ୍ୱାସ୍ଥ୍ୟ ସେବା କ୍ଷେତ୍ରରେ ସମ୍ବେଦନଶୀଳ ବ୍ୟକ୍ତିଗତ ତଥ୍ୟର ପରିଚାଳନା ପାଇଁ ପଲିମୋରଫିକ ଏନକ୍ରିପସନ୍ ଏବଂ ପ୍ସେଡୋନୋମିଜେସନ୍ (ପିଇପି) ଏକ ନୂଆ ଉପାୟ । ପାରମ୍ପରିକ ଏନକ୍ରିପସନ୍ ହେଉଛି କଠୋର: ଥରେ ଏନକ୍ରିପ୍ଟ ହୋଇଗଲେ, କେବଳ ଗୋଟିଏ ଚାବିକୁ ବ୍ୟବହାର କରାଯାଇପାରିବ ତଥ୍ୟକୁ ଡିକ୍ରିପ୍ଟ କରିବା ପାଇଁ । ଏହି କଠିନତା ବିଗ୍ ଡାଟା ଆନାଲିଟିକ୍ସ ପରିପ୍ରେକ୍ଷୀରେ ଏକ ବଡ ସମସ୍ୟା ପାଲଟିଛି, ଯେଉଁଠାରେ ଏକ ଏନକ୍ରିପ୍ଟ ହୋଇଥିବା ଡାଟା ସେଟର ବିଭିନ୍ନ ପକ୍ଷ ଅନୁସନ୍ଧାନ କରିବାକୁ ଚାହୁଁଛନ୍ତି, ସମସ୍ତ ଡିକ୍ରିପ୍ଟ ପାଇଁ ଗୋଟିଏ ଚାବି ଆବଶ୍ୟକ କରନ୍ତି । ପଲିମୋରଫିକ ଏନକ୍ରିପସନ ହେଉଛି ଏକ ନୂତନ କ୍ରିପ୍ଟୋଗ୍ରାଫିକ କୌଶଳ ଯାହା ଏହି ସମସ୍ୟାଗୁଡ଼ିକୁ ସମାଧାନ କରିଥାଏ । ଏହି ପଲିମୋରଫିକ୍ ପ୍ଲସୋଡୋନମିସେଶନ ଟେକ୍ନିକ୍ ସହିତ ମିଳିତ ଭାବରେ ନୂତନ ସୁରକ୍ଷା ଏବଂ ଗୋପନୀୟତା ଗ୍ୟାରେଣ୍ଟି ଦିଆଯାଇପାରିବ ଯାହା (ବ୍ୟକ୍ତିଗତ) ସ୍ୱାସ୍ଥ୍ୟ ସେବା, ସ୍ୱୟଂ-ମାପ ଆପ୍ ମାଧ୍ୟମରେ ଡାକ୍ତରୀ ତଥ୍ୟ ସଂଗ୍ରହ ଏବଂ ଗୋପନୀୟତା-ଅନୁକୂଳ ପରିଚୟ ପରିଚାଳନା ଏବଂ ତଥ୍ୟ ବିଶ୍ଳେଷଣ ଭଳି କ୍ଷେତ୍ରରେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଅଟେ । ବହୁମୂର୍ତ୍ତି ସଂଗୁପ୍ତକରଣର ମୁଖ୍ୟ ଧାରଣା ଗୁଡିକ ହେଲା: ସୃଷ୍ଟି ପରେ ସିଧାସଳଖ ତଥ୍ୟକୁ ପଲିମୋରଫିକ୍ ଉପାୟରେ ଏନକ୍ରିପ୍ଟ କରାଯାଇପାରିବ ଏବଂ ଷ୍ଟୋରେଜ୍ ପ୍ରଦାନକାରୀ ଏହାକୁ ଆକ୍ସେସ୍ କରିନପାରିବା ଭଳି (କ୍ଲୁଡ୍) ଷ୍ଟୋରେଜ୍ ସୁବିଧା ଉପରେ ଷ୍ଟୋର୍ କରାଯାଇପାରିବ । ସବୁଠାରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କଥା ହେଉଛି, ଡାଟା କିଏ ଦେଖିବ ତାହା ପୂର୍ବରୁ ସ୍ଥିର କରିବାର କୌଣସି ଆବଶ୍ୟକତା ନାହିଁ, ଯାହାଫଳରେ ଡାଟା ତୁରନ୍ତ ସୁରକ୍ଷିତ ହୋଇପାରିବ । ଉଦାହରଣ ସ୍ୱରୂପ, ଏକ ପିଇପି-ସକ୍ଷମ ସ୍ୱୟଂ-ମାପ ଉପକରଣ ଏହାର ସମସ୍ତ ମାପ ତଥ୍ୟକୁ ଏକ ବ୍ୟାକଏଣ୍ଡ ଡାଟାବେସରେ ପଲିମୋରଫିକ୍ ଭାବରେ ଏନକ୍ରିପ୍ଟ ହୋଇଥିବା ରୂପରେ ଷ୍ଟୋର କରିବ । ୨. କେଉଁ ବିଷୟ ଉପରେ ଧ୍ୟାନ ଦେବା ଆବଶ୍ୟକ ? ପରେ ସ୍ଥିର କରାଯିବ କିଏ ତଥ୍ୟକୁ ଡିକ୍ରିପ୍ଟ କରିବ । ଏହି ନିଷ୍ପତ୍ତି ଏକ ନୀତି ଆଧାରରେ ନିଆଯିବ ଯେଉଁଥିରେ ଡାଟା ବିଷୟ ଏକ ପ୍ରମୁଖ ଭୂମିକା ଗ୍ରହଣ କରିବ । PEP-ସକ୍ଷମ ଉପକରଣର ଉପଭୋକ୍ତା, ଉଦାହରଣ ସ୍ୱରୂପ, ନିଷ୍ପତ୍ତି ନେଇପାରିବେ ଯେ ଡାକ୍ତର X, Y, Z ସେମାନଙ୍କ ନିଦାନରେ ତଥ୍ୟ ବ୍ୟବହାର କରିବା ପାଇଁ କୌଣସି ସ୍ତରରେ ଡିକ୍ରିପ୍ଟ କରିପାରିବେ, କିମ୍ବା ଡାକ୍ତରୀ ଅନୁସନ୍ଧାନକାରୀ ଗୋଷ୍ଠୀ A, B, C ଏହାକୁ ସେମାନଙ୍କର ଅନୁସନ୍ଧାନ ପାଇଁ ବ୍ୟବହାର କରିପାରିବେ, କିମ୍ବା ତୃତୀୟ ପକ୍ଷ U, V, W ଏହାକୁ ଅତିରିକ୍ତ ସେବା ପାଇଁ ବ୍ୟବହାର କରିପାରିବେ ଇତ୍ୟାଦି । ୩. କେଉଁ ବିଷୟ ଉପରେ ଧ୍ୟାନ ଦେବା ଆବଶ୍ୟକ ? ଏହି ଟୁଇକିଙ୍ଗ ଏନକ୍ରିପ୍ଟ ହୋଇଥିବା ଡାଟାକୁ କୌଣସି ନିର୍ଦ୍ଦିଷ୍ଟ ପକ୍ଷ ଦ୍ୱାରା ଡିକ୍ରିପ୍ଟ କରିବା ପାଇଁ ଅନ୍ଧ ଭାବରେ କରାଯାଇପାରେ । ଏହାକୁ ଏକ ବିଶ୍ୱସ୍ତ ପକ୍ଷ ଦ୍ୱାରା କରିବାକୁ ହେବ ଯିଏ କି ଜାଣିଥିବ କି କାହା ପାଇଁ ସିଫ୍ଟ ଟେକ୍ସଟକୁ କିପରି ଟ୍ୱିକ୍ କରାଯିବ । ଏହି ପିଇପି ପ୍ରଯୁକ୍ତି ବିଦ୍ୟାରେ ବିଗ ଡାଟା ବିଶ୍ଳେଷଣ ପାଇଁ ଆବଶ୍ୟକ ସୁରକ୍ଷା ଏବଂ ଗୋପନୀୟତା ଭିତ୍ତିଭୂମି ଉପଲବ୍ଧ ହୋଇପାରିବ । ଲୋକମାନେ ସେମାନଙ୍କର ତଥ୍ୟକୁ ପଲିମର୍ଫିକ ଭାବରେ ଏନକ୍ରିପ୍ଟ ହୋଇଥିବା ଫର୍ମରେ ଦେଇପାରିବେ, ଏବଂ ପ୍ରତ୍ୟେକ ଥର ପରେ ନିର୍ଦ୍ଦିଷ୍ଟ ବିଶ୍ଳେଷଣ ଉଦ୍ଦେଶ୍ୟରେ ନିର୍ଦ୍ଦିଷ୍ଟ ପକ୍ଷମାନଙ୍କ ପାଇଁ (ଅଂଶ) ଉପଲବ୍ଧ (ଡି-କ୍ରିପ୍ଟେବଲ୍) କରିବାକୁ ନିଷ୍ପତ୍ତି ନେଇପାରିବେ । ଏହି ଉପାୟରେ ବ୍ୟବହାରକାରୀମାନେ ନିୟନ୍ତ୍ରଣରେ ରହିପାରିବେ ଏବଂ ସେମାନଙ୍କର କେଉଁ ତଥ୍ୟ କେଉଁଠାରେ ଏବଂ କାହା ଦ୍ୱାରା କେଉଁ ଉଦ୍ଦେଶ୍ୟରେ ବ୍ୟବହୃତ ହେଉଛି ତାହା ନିରୀକ୍ଷଣ କରିପାରିବେ । ଏହି ... |
0426408774fea8d724609769d6954dd75454a97e | ଅନିୟନ୍ତ୍ରିତ ଶିକ୍ଷଣ ପାଇଁ ଭେରିଏସନଲ ଅଟୋଏନକୋଡର ଏକ ଶକ୍ତିଶାଳୀ ଢାଞ୍ଚା । କିନ୍ତୁ ପୂର୍ବ କାର୍ଯ୍ୟଗୁଡ଼ିକ ସମ୍ପୂର୍ଣ୍ଣ ଭାବେ କାରକଯୁକ୍ତ ଷ୍ଟୋକାଷ୍ଟିକ୍ ଲେଟେଣ୍ଟ ଭେରିଏବଲ୍ସର ଏକ କିମ୍ବା ଦୁଇଟି ସ୍ତର ଥିବା ମଡେଲରେ ସୀମିତ ଥିଲା, ଯାହା ଲେଟେଣ୍ଟ ପ୍ରତିନିଧିତ୍ୱର ନମନୀୟତାକୁ ସୀମିତ କରିଥିଲା । ଆମେ ପରିବର୍ତ୍ତନଶୀଳ ଅଟୋଏନକୋଡର ଟ୍ରେନିଂ ଆଲଗୋରିଦମରେ ତିନୋଟି ଅଗ୍ରଗତି ପ୍ରସ୍ତାବ ଦେଉଛୁ, ଯାହା ପ୍ରଥମ ଥର ପାଇଁ ପାଞ୍ଚଟି ଷ୍ଟୋକାଷ୍ଟିକ୍ ସ୍ତରର ଗଭୀର ମଡେଲକୁ ଟ୍ରେନ୍ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ, (1) ସିଡ଼ି ନେଟୱାର୍କ ପରି ଏକ ଢାଞ୍ଚାକୁ ଅନୁମାନ ମଡେଲ ଭାବରେ ବ୍ୟବହାର କରି, (2) ଷ୍ଟୋକାଷ୍ଟିକ୍ ୟୁନିଟ୍ ଗୁଡିକୁ ପ୍ରାଥମିକ ତାଲିମରେ ସକ୍ରିୟ ରହିବା ପାଇଁ ସକ୍ରିୟ ସମୟ ଏବଂ (3) ବ୍ୟାଚ୍ ନର୍ମାଲାଇଜେସନର ବ୍ୟବହାର _ ଏହି ଉନ୍ନତିକୁ ବ୍ୟବହାର କରି ଆମେ ଅନେକ ମାନଦଣ୍ଡ ତଥ୍ୟ ସେଟ ଉପରେ ଜେନେରେଟିଭ ମଡେଲିଂ ପାଇଁ ଅତ୍ୟାଧୁନିକ ଲୋଗ-ସମ୍ଭବତା ଫଳାଫଳ ଦେଖାଉଛୁ । |
feebbb3378245c28c708a290a888248026b06ca8 | ଏହି କାଗଜରେ ମଲ୍ଟି ଆର୍ମ ଟେକନିକ ଉପରେ ଆଧାରିତ ଏକ ନୂଆ ମଲ୍ଟି ଫ୍ରିକ୍ୱେନ୍ସି ପ୍ରିଣ୍ଟିଙ୍ଗ୍ କ୍ୱାଡ୍ରିଫିଲାର୍ ହେଲିକ୍ସ ଆଣ୍ଟିନା ଉପସ୍ଥାପିତ କରାଯାଇଛି । ଦ୍ୱିଗୁଣିତ ଫ୍ରିକ୍ୱେନ୍ସି ଏବଂ ସନ୍ତୋଷଜନକ ଆଣ୍ଟିନା ବୈଶିଷ୍ଟ୍ୟ ହାସଲ କରାଯାଇଥାଏ । ଆଣ୍ଟିନା ଆକାରରେ କମ୍ପାକ୍ଟ ଏବଂ ହେମିସ୍ଫେରାଲ ପ୍ୟାଟର୍ନ ସହିତ ଚକ୍କର ପଲାର୍ଜିତ କଭରେଜରେ ଭଲ ଅଟେ । ଆଣ୍ଟିନା ଡିଜାଇନ ଏବଂ ସିମୁଲେସନ ପାଇଁ HFSS ସଫ୍ଟୱେର ବ୍ୟବହାର କରାଯାଇଛି । ସିମୁଲେସନ ଫଳାଫଳ ଓ ବିଶ୍ଳେଷଣ ଉପସ୍ଥାପିତ କରାଯାଇଛି । |
1ee72ed1db4ddbc49922255194890037c7a2f797 | ଏହି ଚିଠିରେ ଗ୍ୟାସ୍ ପ୍ରକ୍ରିୟାରେ ନିର୍ମିତ ଏକ ବ୍ରଡବ୍ୟାଣ୍ଡ ମୋନୋପଲସ୍ ତୁଳନାତ୍ମକ ଏମ୍ଏମ୍ଆଇସି (ମୋନୋଲିଥିକ୍ ମାଇକ୍ରୋୱେଭ୍ ଇଣ୍ଟିଗ୍ରେଟେଡ୍ ସର୍କିଟ୍) ର ଉପସ୍ଥାପନା କରାଯାଇଛି । ତିନୋଟି ମ୍ୟାଜିକ ଟି ଏବଂ ଗୋଟିଏ ଗଣ୍ଠିିତ ଶକ୍ତି ବିଭାଜକ ଦ୍ୱାରା ନିର୍ମିତ ତୁଳନାତ୍ମକ ନେଟୱାର୍କ ଗୋଟିଏ ସମୂହ ଚ୍ୟାନେଲ ଏବଂ ଦୁଇଟି ଡେଲଟା ଚ୍ୟାନେଲ ପାଇଁ ପ୍ରସ୍ତାବିତ ହୋଇଛି । ମାପ ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ ସମୁଦାୟ ଚ୍ୟାନେଲ ପାଇଁ ୨.୫ ଡିବିରୁ କମ୍ କ୍ଷତି ସହିତ ୧୫ ରୁ ୩୦ ଗିଗାହର୍ଟ୍ସ (ଆପରିକ୍ଷୀତ ସ୍ପିଡ ବ୍ୟାଣ୍ଡୱିଡଥ୍ ର ୬୬.୭%) ରୁ ବହୁତ ବ୍ୟାପକ ସ୍ପିଡ ବ୍ୟାଣ୍ଡ ହାସଲ କରାଯାଇପାରିବ । ଏବଂ ନୋଲ ଡିପ୍ଲୋୟଡ଼ ୨୨ ଡିସିଏଲରୁ ଅଧିକ ୧୫-୨୭ ଗିଗାହର୍ଜରେ ଏବଂ ୧୭ ଡିସିଏଲରୁ ଅଧିକ ୨୭-୩୦ ଗିଗାହର୍ଜରେ ଦୁଇଟି ଡେଲ୍ଟା ଚ୍ୟାନେଲ ପାଇଁ । ଏହି ଚିପର ଆକାର ୩.୪ ମିମି (୨୨.୫ ଗିଗାହର୍ଟଜ) । |
202b3b3bb4a5190ce53b77564f9ae1dc65f3489b | |
8eea0da60738a54c0fc6a092aecf0daf0c51cee3 | ଏହି ଅଧ୍ୟୟନରେ ଉପଭୋକ୍ତାଙ୍କ ସ୍ୱୀକୃତି, ଚିନ୍ତା ଏବଂ ଆଂଶିକ, ଉଚ୍ଚ ଏବଂ ସମ୍ପୂର୍ଣ୍ଣ ସ୍ୱୟଂଚାଳିତ ଯାନ କିଣିବା ପାଇଁ ଇଚ୍ଛା ଉପରେ ଅନୁସନ୍ଧାନ କରାଯାଇଥିଲା । 63ଟି ପ୍ରଶ୍ନର ଇଣ୍ଟରନେଟ ଆଧାରିତ ସର୍ଭେ ମାଧ୍ୟମରେ 109ଟି ଦେଶରୁ (ଅତିକମରେ 25 ଜଣ ଉତ୍ତରଦାତା ଥିବା 40ଟି ଦେଶ) 5000ଟି ଉତ୍ତର ସଂଗ୍ରହ କରାଯାଇଥିଲା । ଆମେ ବିଭିନ୍ନ ଦେଶ ମଧ୍ୟରେ ଥିବା ପାର୍ଥକ୍ୟକୁ ନିର୍ଦ୍ଧାରଣ କରିଛୁ ଏବଂ ବ୍ୟକ୍ତିଗତ ପରିବର୍ତ୍ତନକାରୀ ସହିତ ସମ୍ବନ୍ଧକୁ ଆକଳନ କରିଛୁ, ଯେପରିକି ବୟସ, ଲିଙ୍ଗ ଏବଂ ବ୍ୟକ୍ତିତ୍ୱ ଗୁଣ ଯାହା ବିଗ୍ ଫାଇଭ୍ ଇନଭେଣ୍ଟୋରୀର ଏକ ସଂକ୍ଷିପ୍ତ ସଂସ୍କରଣ ସହିତ ମାପ କରାଯାଇଥାଏ । ଏହି ସର୍ଭେରେ ସର୍ଭେ କରାଯାଇଥିବା ଲୋକମାନଙ୍କ ମତରେ ହାରାହାରି ଭାବେ ମାନୁଆଲ ଡ୍ରାଇଭିଂକୁ ସବୁଠାରୁ ଅଧିକ ଆନନ୍ଦଦାୟକ ବୋଲି କୁହାଯାଇଥିଲା । ଉତ୍ତରଗୁଡ଼ିକ ଭିନ୍ନ ଥିଲା: ୨୨% ଉତ୍ତରଦାତା ସମ୍ପୂର୍ଣ୍ଣ ସ୍ୱୟଂଚାଳିତ ଡ୍ରାଇଭିଂ ସିଷ୍ଟମ ପାଇଁ ୦ ଡଲାରରୁ ଅଧିକ ଦେବାକୁ ଚାହୁଁନଥିଲେ, ଯେତେବେଳେ କି ୫% ଦର୍ଶାଇଥିଲେ ଯେ ସେମାନେ ୩୦,୦୦୦ ଡଲାରରୁ ଅଧିକ ଦେବାକୁ ପ୍ରସ୍ତୁତ ଅଛନ୍ତି ଏବଂ ୩୩% ଦର୍ଶାଇଛନ୍ତି ଯେ ସମ୍ପୂର୍ଣ୍ଣ ସ୍ୱୟଂଚାଳିତ ଡ୍ରାଇଭିଂ ଅତ୍ୟନ୍ତ ମନୋରମ ହେବ । ୬୯% ଲୋକ ଅନୁମାନ କରିଛନ୍ତି ଯେ, ୨୦୫୦ ସୁଦ୍ଧା ସମ୍ପୂର୍ଣ୍ଣ ସ୍ୱୟଂଚାଳିତ ଗାଡ଼ି ଚାଳନା ୫୦% ବଜାର ଅଂଶ ହାସଲ କରିବ । ସର୍ଭେରେ ଅଂଶଗ୍ରହଣ କରିଥିବା ବ୍ୟକ୍ତିମାନେ ସଫ୍ଟୱେୟାର ହ୍ୟାକିଂ/ଅନୁପ୍ରୟୋଗକୁ ନେଇ ଅଧିକ ଚିନ୍ତିତ ଥିବା ବେଳେ ଆଇନଗତ ସମସ୍ୟା ଓ ସୁରକ୍ଷା ପ୍ରତି ମଧ୍ୟ ଅଧିକ ଚିନ୍ତିତ ଥିବା ଜଣାପଡିଛି । ଯେଉଁମାନଙ୍କୁ ନ୍ୟୁରୋଟିକ୍ସରେ ଅଧିକ ସ୍କୋର ମିଳିଥିଲା ସେମାନେ ତଥ୍ୟର ପ୍ରସାରଣରେ ସାମାନ୍ୟ ଅସହଜ ଥିବା ବେଳେ ଯେଉଁମାନଙ୍କୁ ସହମତିର ସ୍ତର ଅଧିକ ମିଳିଥିଲା ସେମାନେ ଏଥିରେ ସାମାନ୍ୟ ଅଧିକ ସନ୍ତୁଷ୍ଟ ଥିଲେ । ଅଧିକ ବିକଶିତ ଦେଶରୁ ଆସିଥିବା (ଅବନତି ଦୁର୍ଘଟଣା ପରିସଂଖ୍ୟାନ, ଉଚ୍ଚଶିକ୍ଷା ଏବଂ ଉଚ୍ଚ ଆୟ ପରିସଂଖ୍ୟାନ) ଉତ୍ତରଦାତାମାନେ ସେମାନଙ୍କ ଯାନ ଦ୍ୱାରା ତଥ୍ୟ ପ୍ରେରଣ କରିବାରେ କମ୍ ଆରାମଦାୟକ ମନେ କରନ୍ତି, q = 0.80 ଏବଂ q = 0.90 ମଧ୍ୟରେ ଆନ୍ତଃ-ରାଷ୍ଟ୍ରୀୟ ସମ୍ବନ୍ଧ ରହିଛି । ବର୍ତ୍ତମାନର ଫଳାଫଳ ଅନ୍ତର୍ଜାତୀୟ ଜନସାଧାରଣଙ୍କ ମଧ୍ୟରେ ଆଶାନୁରୂପ ଏବଂ ଚିନ୍ତାର ପ୍ରମୁଖ କ୍ଷେତ୍ରକୁ ସୂଚିତ କରେ ଏବଂ ଯାନ ବିକାଶକାରୀ ଏବଂ ଅନ୍ୟାନ୍ୟ ଅଂଶୀଦାରମାନଙ୍କ ପାଇଁ ଉପଯୋଗୀ ହୋଇପାରେ । 2015 ଏଲ୍ସେଭିୟର ଲିଃ ସମସ୍ତ ଅଧିକାର ସଂରକ୍ଷିତ। |
2d4f10ccd2503c37ec32aa0033d3e5b3559f4404 | ପରିସ୍ଥିତି ସଚେତନତା ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କାରଣ ହୋଇପାରିଛି ଯାହା ବିମାନର ନିରାପତ୍ତା ଏବଂ କାର୍ଯ୍ୟଦକ୍ଷତା ପାଇଁ ଯୋଗଦାନ ଦେଉଛି । ଆଧୁନିକ ବିମାନରେ ଉନ୍ନତ ଏଭିୟୋନିକ୍ସ ସିଷ୍ଟମ ସ୍ଥାପନ ସହିତ ଜଡିତ ମାନବ କାର୍ଯ୍ୟଦକ୍ଷତା ଆହ୍ୱାନର ମୁକାବିଲା ପାଇଁ ଅନୁସନ୍ଧାନ ବୃଦ୍ଧି ପାଇଛି । ପରିସ୍ଥିତିକୁ ନେଇ ସଚେତନତାର ବ୍ୟବସ୍ଥିତ ଅଧ୍ୟୟନ ଏବଂ ପ୍ରୟୋଗ କକପିଟ ବାହାରେ ମଧ୍ୟ ବ୍ୟାପିଛି, ଅନ୍ୟ ଜଟିଳ, ଉଚ୍ଚ ପରିଣାମ ବିଶିଷ୍ଟ କାର୍ଯ୍ୟ କ୍ଷେତ୍ର ମଧ୍ୟରେ କାର୍ଯ୍ୟ କରୁଥିବା ଏୟାର ଟ୍ରାଫିକ କଣ୍ଟ୍ରୋଲର ଏବଂ କର୍ମଚାରୀଙ୍କୁ ଅନ୍ତର୍ଭୁକ୍ତ କରିବା ପାଇଁ । ଏହି ପୁସ୍ତକରେ ଏଭଳି ପ୍ରବନ୍ଧର ଏକ ସଂଗ୍ରହ ପ୍ରଦାନ କରାଯାଇଛି ଯାହା ପରିସ୍ଥିତିଗତ ସଚେତନତା ଗବେଷଣା ଓ ବ୍ୟବହାରରେ ମହତ୍ୱପୂର୍ଣ୍ଣ ଯୋଗଦାନ ଦେଇଛି । ଏହି ଉଦ୍ଦେଶ୍ୟରେ, ଏହା ପରିସ୍ଥିତି ସଚେତନତାର ଧାରଣା ବିକାଶ, ଏହାର ମୂଲ୍ୟାଙ୍କନ ପାଇଁ ପଦ୍ଧତି ଏବଂ ତାଲିମ ଏବଂ ଡିଜାଇନ୍ ମାଧ୍ୟମରେ ପରିସ୍ଥିତି ସଚେତନତାକୁ ବୃଦ୍ଧି କରିବା ପାଇଁ ପ୍ରୟୋଗକୁ ସମାଧାନ କରୁଥିବା ପ୍ରମୁଖ ପାଠ୍ୟକୁ ଏକ ଅନନ୍ୟ ପ୍ରବେଶ ପ୍ରଦାନ କରେ _ |
a7621b4ec18719b08f3a2a444b6d37a2e20227b7 | କମ୍ପ୍ୟୁଟର ଭିଜନ ଏବଂ ମେସିନ ଲର୍ଣ୍ଣିଂରେ କନ୍ଭୋଲ୍ୟୁସନାଲ ନେଟୱାର୍କ ହେଉଛି ସର୍ବାଧିକ ବ୍ୟବହୃତ ସ୍ଥାପତ୍ୟ ମଧ୍ୟରୁ ଗୋଟିଏ । ଜଟିଳ କାର୍ଯ୍ୟ ଶିଖିବା ପାଇଁ ସେମାନଙ୍କର ଦକ୍ଷତାକୁ ଉପଯୋଗ କରିବା ପାଇଁ, ପ୍ରଶିକ୍ଷଣ ପାଇଁ ବିପୁଳ ପରିମାଣର ତଥ୍ୟ ଆବଶ୍ୟକ । ଆଧୁନିକ GPU ବ୍ୟବହାର କରି ମଧ୍ୟ ଅତ୍ୟାଧୁନିକ ଫଳାଫଳ ଉତ୍ପାଦନ କରିବା ପାଇଁ ଏକ ବୃହତ କଭୋଲ୍ୟୁସନାଲ ନେଟୱାର୍କକୁ ତାଲିମ ଦେବା ପାଇଁ ସପ୍ତାହ ସମୟ ଲାଗିପାରେ । ଏକ ପ୍ରଶିକ୍ଷିତ ନେଟୱର୍କ ବ୍ୟବହାର କରି ଲେବଲ ପ୍ରସ୍ତୁତ କରିବା ମଧ୍ୟ ମହଙ୍ଗା ହୋଇପାରେ ଯେତେବେଳେ ୱେବ-ସ୍କେଲ ଡାଟାସେଟ ସହିତ କାର୍ଯ୍ୟ କରାଯାଏ । ଏହି କାର୍ଯ୍ୟରେ, ଆମେ ଏକ ସରଳ ଆଲଗୋରିଦମ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ପ୍ରଶିକ୍ଷଣ ଏବଂ ଅନୁମାନକୁ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କାରକ ଦ୍ୱାରା ତ୍ୱରାନ୍ୱିତ କରେ, ଏବଂ ବର୍ତ୍ତମାନର ଅତ୍ୟାଧୁନିକ କାର୍ଯ୍ୟକାରିତା ତୁଳନାରେ ଏକ ଆକାରର ଉନ୍ନତି ଆଣିପାରେ । ଏହା ଫୌରିଏ ଡୋମେନରେ ବିନ୍ଦୁସମ୍ମୁଖୀ ଉତ୍ପାଦ ଭାବରେ କମ୍ପ୍ୟୁଟର୍ ଦ୍ୱାରା କରାଯାଏ, ଯେତେବେଳେ ସମାନ ରୂପାନ୍ତରିତ ବିଶେଷତା ମାନଚିତ୍ରକୁ ଅନେକ ଥର ପୁନଃ ବ୍ୟବହାର କରାଯାଏ । ଏହି ଆଲଗୋରିଦମ ଏକ GPU ସ୍ଥାପତ୍ୟରେ କାର୍ଯ୍ୟକାରୀ ହୋଇଛି ଏବଂ ଏହା ଅନେକ ସମ୍ବନ୍ଧୀୟ ଆହ୍ୱାନକୁ ସମାଧାନ କରିଥାଏ । |
0ee6f663f89e33eb84093ea9cd94212d1a8170c9 | ଏକ ଲିକ୍ ୱେଭ୍ ଆଣ୍ଟିନା (LWA) କୁ ଅନୁସନ୍ଧାନ କରାଯାଇ ବୃତ୍ତ ଧ୍ରୁବୀକରଣ ସହିତ କମ୍ପୋଜିଟ୍ ଡାହାଣ/ବାମହାତୀ (CRLH) ସବଷ୍ଟ୍ରେଟ୍ ଇଣ୍ଟିଗ୍ରେଟେଡ୍ ୱେଭ୍ ଗାଇଡ୍ (SIW) ଉପରେ ଆଧାରିତ । ସିରିଜ ଇଣ୍ଟରଡିଜିଟାଲ କଣ୍ଡେସଟରକୁ ସର୍କିଟରେ ଏଚଡି କରାଯାଇ ୱେବ ଗାଇଡର ପୃଷ୍ଠରେ ସ୍ଲଟକୁ ଏଚଡି କରାଯାଇ ସିଆରଏଲଏଚ କାର୍ଯ୍ୟକାରିତା ହାସଲ କରାଯାଇଛି । ଦୁଇଟି ସମତୁଲ ଲିକେଜ୍ ଟ୍ରାଭେଲିଂ ୱେଭ୍ ଟ୍ରାନ୍ସମିସନ୍ ଲାଇନ୍ ଓର୍ତୋଗୋନାଲ୍ ପୋଲାରିଜେସନ୍ ସହିତ ପାର୍ଶ୍ୱ-ପାର୍ଶ୍ୱରେ ରଖାଯାଇଥାଏ ଏବଂ 90 ° ପର୍ଯ୍ୟାୟ ପାର୍ଥକ୍ୟ ସହିତ ଉତ୍ତେଜିତ ହୋଇଥାଏ ଯାହା ଏକ ଶୁଦ୍ଧ ବୃତ୍ତାନ୍ତ ପୋଲାରିଜେସନ୍ ମୋଡ୍ ସୃଷ୍ଟି କରିଥାଏ । ଏହି ଆଣ୍ଟେନର ମୁଖ୍ୟ ଆଲୋକକୁ ନିରନ୍ତର ଭାବେ ଆକ୍ଟିଭ୍ କରାଯାଇପାରିବ, ଯାହାଦ୍ୱାରା ଏହାର ଫ୍ରିକ୍ୱେନ୍ସିକୁ ପରିବର୍ତ୍ତନ କରାଯାଇପାରିବ ଏବଂ ମୁଖ୍ୟ ଆଲୋକର ଦିଗ ମଧ୍ୟରେ ଏକ ନିମ୍ନ ଆକ୍ସିୟଲ ଅନୁପାତ (୩ ଡିସିଏଲ୍ ତଳେ) ବଜାୟ ରଖାଯାଇପାରିବ । ଏହି ଏଲଡବ୍ଲୁଏର କାର୍ଯ୍ୟଦକ୍ଷତା ଉଭୟ ପୂର୍ଣ୍ଣ ତରଙ୍ଗ ଅନୁକରଣ ଏବଂ ଏକ ଉତ୍ତମ ବୁଝାମଣା ଦେଖାଉଥିବା ଏକ ନିର୍ମିତ ପ୍ରୋଟୋଟାଇପର ମାପ ଦ୍ୱାରା ଯାଞ୍ଚ କରାଯାଇଥାଏ । |
50bc77f3ec070940b1923b823503a4c2b09e9921 | |
48b38420f9c39c601dcf81621609d131b8035f94 | ଗତ ଦୁଇ ଦଶନ୍ଧି ମଧ୍ୟରେ ସ୍ୱାସ୍ଥ୍ୟ ମନିଟରିଂ ସିଷ୍ଟମ ଦ୍ରୁତ ଗତିରେ ବିକଶିତ ହୋଇଛି ଏବଂ ବର୍ତ୍ତମାନ ସ୍ୱାସ୍ଥ୍ୟ ସେବା ପ୍ରଦାନର ପଦ୍ଧତିକୁ ପରିବର୍ତ୍ତନ କରିବାର କ୍ଷମତା ରହିଛି । ଯଦିଓ ସ୍ମାର୍ଟ ସ୍ୱାସ୍ଥ୍ୟ ମନିଟରିଂ ସିଷ୍ଟମ ରୋଗୀ ମନିଟରିଂ କାର୍ଯ୍ୟକୁ ସ୍ୱୟଂଚାଳିତ କରିଥାଏ ଏବଂ ଏହାଦ୍ୱାରା ରୋଗୀ କାର୍ଯ୍ୟପ୍ରବାହ ପରିଚାଳନାରେ ଉନ୍ନତି ଆସିଥାଏ, କ୍ଲିନିକାଲ ସେଟିଂରେ ଏହାର ପ୍ରଭାବୀତା ଉପରେ ଏବେ ମଧ୍ୟ ବିତର୍କ ଚାଲିଛି । ଏହି ଦସ୍ତାବିଜରେ ସ୍ମାର୍ଟ ସ୍ୱାସ୍ଥ୍ୟ ମନିଟରିଂ ସିଷ୍ଟମର ସମୀକ୍ଷା ଏବଂ ଏହାର ଡିଜାଇନ୍ ଏବଂ ମଡେଲିଂର ଏକ ସମୀକ୍ଷା ପ୍ରଦାନ କରାଯାଇଛି । ଏହାବ୍ୟତୀତ ବର୍ତ୍ତମାନର ସ୍ୱାସ୍ଥ୍ୟ ମନିଟରିଂ ସିଷ୍ଟମରେ ଉନ୍ନତି ଆଣିବା ପାଇଁ ପ୍ରଭାବ, କ୍ଲିନିକାଲ ଗ୍ରହଣୀୟତା, ରଣନୀତି ଏବଂ ସୁପାରିସ ଉପରେ ଏକ ସମାଲୋଚନାମୂଳକ ବିଶ୍ଳେଷଣ ଉପସ୍ଥାପନ କରାଯିବ । ଏହାର ମୁଖ୍ୟ ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ପ୍ରଯୁକ୍ତିର ଅତ୍ୟାଧୁନିକ ମନିଟରିଂ ସିଷ୍ଟମର ସମୀକ୍ଷା କରିବା ଏବଂ ସ୍ମାର୍ଟ ହେଲଥ ମନିଟରିଂ ସିଷ୍ଟମ କ୍ଷେତ୍ରରେ ହୋଇଥିବା ନିଷ୍କର୍ଷର ବ୍ୟାପକ ଏବଂ ଗଭୀର ବିଶ୍ଳେଷଣ କରିବା । ଏହି ଉଦ୍ଦେଶ୍ୟରେ ପଚାଶରୁ ଅଧିକ ବିଭିନ୍ନ ମନିଟରିଂ ସିଷ୍ଟମକୁ ଚୟନ, ଶ୍ରେଣୀଭୁକ୍ତ, ଶ୍ରେଣୀଭୁକ୍ତ ଏବଂ ତୁଳନା କରାଯାଇଛି । ଶେଷରେ, ସିଷ୍ଟମ ଡିଜାଇନ ସ୍ତରରେ ପ୍ରମୁଖ ଅଗ୍ରଗତି ଉପରେ ଆଲୋଚନା କରାଯାଇଛି, ସ୍ୱାସ୍ଥ୍ୟ ସେବା ପ୍ରଦାନକାରୀଙ୍କ ସମ୍ମୁଖରେ ଥିବା ସାମ୍ପ୍ରତିକ ସମସ୍ୟା ଏବଂ ସ୍ୱାସ୍ଥ୍ୟ ମନିଟରିଂ କ୍ଷେତ୍ରରେ ସମ୍ଭାବ୍ୟ ଆହ୍ୱାନଗୁଡିକ ଚିହ୍ନଟ କରାଯିବ ଏବଂ ଅନ୍ୟାନ୍ୟ ସମାନ ବ୍ୟବସ୍ଥା ସହିତ ତୁଳନା କରାଯିବ । |
66336d0b89c3eca3dec0a41d2696a0fda23b6957 | ଏକ ଉଚ୍ଚ ଲାଭ, ବ୍ରଡବ୍ୟାଣ୍ଡ, ଏବଂ ନିମ୍ନ-ପ୍ରୋଫାଇଲ ନିରନ୍ତର ଟ୍ରାନ୍ସଭର୍ସାଲ ଷ୍ଟବ ଆଣ୍ଟିନା ମଞ୍ଚ ଇ-ବ୍ୟାଣ୍ଡରେ ଉପସ୍ଥାପିତ ହୋଇଛି । ଏହି ଆରେରେ 32ଟି ଲମ୍ବା ସ୍ଲଟ୍ ରହିଛି ଯାହା ସମାନ୍ତରାଳ ଭାବେ ଏକ କମ୍ପାନୀର ସମାନ୍ତରାଳ-ପ୍ଲେଟ୍-ୱେଭ୍ ଗାଇଡ୍ ବିମ୍ ଫର୍ମିଂ ନେଟୱାର୍କ ଦ୍ୱାରା ଏକ ପିଲବକ୍ସ କପଲର ସହିତ ସଂଯୁକ୍ତ । ଆଲୁମିନିୟମରେ ନିର୍ମିତ ଏହି ରେଡିଏଟିଙ୍ଗ ସ୍ଲଟ ଏବଂ କର୍ପୋରେଟ ଫିଡ ନେଟୱାର୍କ, ଯେତେବେଳେ କି ପିଲ୍ବକ୍ସ କପଲର ଏବଂ ଏହାର ଫୋକାଲ ସ୍ରୋତ ପ୍ରିଣ୍ଟିଂ ସର୍କିଟ ବୋର୍ଡ ପ୍ରଯୁକ୍ତିରେ ନିର୍ମିତ । ଉଭୟ ଉତ୍ପାଦନ ପ୍ରଯୁକ୍ତିକୁ ମିଶ୍ରଣ କରିବା ପାଇଁ ସ୍ୱତନ୍ତ୍ର ପରିବର୍ତ୍ତନ କରାଯାଇଛି । ଏହାର ଡିଜାଇନ, ନିର୍ମାଣ ଏବଂ ମାପ ଫଳାଫଳ ବିଷୟରେ ବିସ୍ତୃତ ଭାବେ କୁହାଯାଇଛି ଏବଂ ଏକ ସରଳ ଡିଜାଇନ ପଦ୍ଧତିର ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । ଆଣ୍ଟିନାଟି ୭୧ରୁ ୮୬ ଗିଗାହର୍ଟଜ ମଧ୍ୟରେ ଭଲ ଭାବେ ମେଳ ଖାଉଥିବା (S_{11} < -13.6$ dB) ଏବଂ ସିମୁଲେସନ ଓ ମାପ ମଧ୍ୟରେ ଏକ ଉତ୍ତମ ବୁଝାମଣା ମିଳିଥାଏ, ଯାହା ପ୍ରସ୍ତାବିତ ଡିଜାଇନକୁ ବୈଧ କରିଥାଏ । ଆଣ୍ଟେନା ଲାଭ 29.3 dBi ଠାରୁ ଅଧିକ ଅଟେ, 82.25 GHz ରେ 30.8 dBi ର ଶିଖର ଲାଭ ସହିତ, ଏବଂ E ଏବଂ H- ବିମାନରେ ପ୍ରାୟ ସମାନ ଅଧା ଶକ୍ତି ବିମ୍ୱିଡଥ୍ ଥିବା ଏକ ବିମ୍ ଅଛି । ଏହି ଆଣ୍ଟିନା ସ୍ଥାପତ୍ୟକୁ ଇ-ବେଣ୍ଡରେ ପଞ୍ଚମ ପିଢ଼ିର ବ୍ୟାକହାଉଲିଂ ଭଳି ଦୂର ଦୂରତା ମିଲିମିଟର ତରଙ୍ଗ ଟେଲିକମ୍ୟୁନିକେସନ ପ୍ରୟୋଗ ପାଇଁ ଏକ ଅଭିନବ ସମାଧାନ ଭାବରେ ବିବେଚନା କରାଯାଏ । |
07d9dd5c25c944bf009256cdcb622feda53dabba | ମାର୍କୋଭ୍ ଚେନ୍ ମଣ୍ଟେ କାର୍ଲୋ (ଯଥା ମେଟ୍ରୋପଲିସ୍ ଆଲଗୋରିଦମ ଓ ଗିବ୍ସ ସାମ୍ପଲର) ହେଉଛି ଜଟିଳ ଷ୍ଟୋକାଷ୍ଟିକ୍ ପ୍ରକ୍ରିୟାର ସିମୁଲେସନ୍ ପାଇଁ ଏକ ସାଧାରଣ ଉପକରଣ ଯାହାକି ଅନେକ ପ୍ରକାରର ପରିସଂଖ୍ୟାନ ଅନୁମାନରେ ଉପଯୋଗୀ । ମର୍କୋଭ୍ ଚେନ୍ ମଣ୍ଟେ କାର୍ଲୋର ମୌଳିକ ବିଷୟଗୁଡ଼ିକର ସମୀକ୍ଷା କରାଯାଇଛି, ଯେଉଁଥିରେ ଆଲଗୋରିଦମ ଚୟନ ଏବଂ ବିବିଧତା ଆକଳନ ଅନ୍ତର୍ଭୁକ୍ତ ଏବଂ କିଛି ନୂତନ ପଦ୍ଧତି ପ୍ରବର୍ତ୍ତନ କରାଯାଇଛି । ସର୍ବାଧିକ ସମ୍ଭାବ୍ୟତା ଆକଳନ ପାଇଁ ମାର୍କୋଭ୍ ଚେନ୍ ମଣ୍ଟେ କାର୍ଲୋର ବ୍ୟବହାରକୁ ବ୍ୟାଖ୍ୟା କରାଯାଇଛି ଏବଂ ଏହାର କାର୍ଯ୍ୟଦକ୍ଷତା ସର୍ବାଧିକ ପ୍ଲେସୋଡୋ ସମ୍ଭାବ୍ୟତା ଆକଳନ ସହିତ ତୁଳନା କରାଯାଇଛି । |
2ffd5c401a958e88c80291c48738d21d96942c1a | ଆମେ ଏହା ଜାଣିବାକୁ ଚାହୁଁଛୁ ଯେ, କିଭଳି ଭାବେ ସୁଲଭତା ବିଷୟର ଧାରଣା ସ୍ୱୟଂକ୍ରିୟ ରୋବୋଟିକ ନିୟନ୍ତ୍ରଣ ଉପରେ ଆମର ମତକୁ ପ୍ରଭାବିତ କରିପାରିବ ଏବଂ ସ୍ୱୟଂକ୍ରିୟ ରୋବୋଟିକ୍ସରୁ ମିଳିଥିବା ଫଳାଫଳକୁ କିଭଳି ଭାବେ ସୁଲଭତା ବିଷୟର ଆଲୋଚନା ଏବଂ ଅଧ୍ୟୟନ ଉପରେ ପ୍ରତିଫଳିତ କରାଯାଇପାରିବ । ଏହି ଅଧ୍ୟୟନରେ ଆମେ ଅଧ୍ୟୟନ କରିଛୁ ଯେ କିପରି ଏକ ମୋବାଇଲ ରୋବଟ, 3D ଲେଜର ସ୍କାନର ସହିତ ସଜ୍ଜିତ, ଟ୍ରାସେବିଲିଟି ଅଫରଡାନ୍ସକୁ ଅନୁଭବ କରିବା ଶିଖିପାରିବ ଏବଂ ଏହାକୁ ଗୋଲ, ସିଲିଣ୍ଡର ଏବଂ ବକ୍ସ ସହିତ ଏକ କୋଠରୀରେ ବୁଲିବା ପାଇଁ ବ୍ୟବହାର କରିପାରିବ । ଏହି ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ ରୋବଟକୁ ଶିଖିବା ପରେ ସେ ଅତିକ୍ରମ କରିପାରୁନଥିବା ବସ୍ତୁ (ଯଥା, ହାତ, ଗୋଡ଼, ହାତ, ଗୋଡ଼, ହାତ, ଗୋଡ଼, ହାତ, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼, ଗୋଡ଼ । ବକ୍ସ, ସିଧା ସିଲଣ୍ଡର, କିମ୍ବା ନିର୍ଦ୍ଦିଷ୍ଟ ଦିଗବଳୟ ରେ ଥିବା ସିଲଣ୍ଡର), କିନ୍ତୁ ଟ୍ରାସେବଲ ବସ୍ତୁ ଉପରେ ଗତି କରୁଛି (ଯେପରି ଗୋଲ, ଏବଂ ରୋବଟ ସମ୍ବନ୍ଧରେ ଏକ ରୋଲେବଲ ଦିଗବଳୟ ରେ ଥିବା ସିଲଣ୍ଡର) ଏହାକୁ ନିଜ ପଥରୁ ବାହାର କରି ଘୁଞ୍ଚାଇଥାଏ। ଆମେ ଦେଖାଇଛୁ ଯେ ପ୍ରତ୍ୟେକ କାର୍ଯ୍ୟ ପାଇଁ ପ୍ରାୟ 1% ପରିଭାଷାଗତ ବୈଶିଷ୍ଟ୍ୟଗୁଡିକ ନିର୍ଣ୍ଣୟ କରିବା ପାଇଁ ପ୍ରାସଙ୍ଗିକ ଥିଲା କି ନାହିଁ ଏବଂ ଏହି ପ୍ରାସଙ୍ଗିକ ବୈଶିଷ୍ଟ୍ୟଗୁଡିକ ପରିସର ଚିତ୍ରର କିଛି ଅଞ୍ଚଳରେ ଅବସ୍ଥିତ । ଏହି ପରୀକ୍ଷଣ ଉଭୟ ଭୌତିକ ସିମୁଲେଟର ଏବଂ ବାସ୍ତବିକ ରୋବୋଟ ଉପରେ କରାଯାଉଛି । |
788121f29d86021a99a4d1d8ba53bb1312334b16 | ଏହି କାଗଜଟି ଟ୍ୟୁଟୋରିଆଲ ପ୍ରକ୍ରିୟାର ପ୍ରକୃତି ସହିତ ଜଡିତ; ଯେଉଁ ମାଧ୍ୟମରେ ଜଣେ ବୟସ୍କ କିମ୍ବା "ବିଜ୍ଞ" ଜଣେ କମ୍ ବୟସ୍କ କିମ୍ବା କମ୍ ବିଶେଷଜ୍ଞଙ୍କୁ ସାହାଯ୍ୟ କରନ୍ତି । ଏହାର ଉଦ୍ଦେଶ୍ୟ ସାଧାରଣ ହୋଇଥିଲେ ମଧ୍ୟ ଏହା ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ କାର୍ଯ୍ୟରେ ପ୍ରକାଶିତ ହୋଇଥାଏ: ଜଣେ ଶିକ୍ଷକ ୩, ୪ ଏବଂ ୫ ବର୍ଷର ପିଲାମାନଙ୍କୁ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ତ୍ରି-ଆକାରର ଢାଞ୍ଚା ନିର୍ମାଣ କରିବା ପାଇଁ ଶିକ୍ଷା ଦେବାକୁ ଚେଷ୍ଟା କରନ୍ତି ଯାହା ଏକ ଦକ୍ଷତା ଆବଶ୍ୟକ କରେ ଯାହା ପ୍ରାରମ୍ଭିକ ଭାବରେ ସେମାନଙ୍କଠାରୁ ବାହାରେ _ ଏହା ହେଉଛି ସାଧାରଣ ପ୍ରକାରର ଟ୍ୟୁସନ ପରିସ୍ଥିତି ଯେଉଁଥିରେ ଜଣେ ସଦସ୍ୟ "ଉତ୍ତର ଜାଣନ୍ତି" ଏବଂ ଅନ୍ୟଜଣେ ନୁହେଁ, ବରଂ ଏକ "ପ୍ରାକ୍ଟିକାଲ" ପରି ଯେଉଁଥିରେ କେବଳ ଶିକ୍ଷକଙ୍କ "ଜାଣେ କିପରି" । ଶିକ୍ଷକ ଓ ପିଲାଙ୍କ ମଧ୍ୟରେ ହେଉଥିବା ପରିବର୍ତ୍ତିତ ସମ୍ପର୍କ ହିଁ ଆମର ତଥ୍ୟ ପ୍ରଦାନ କରିଥାଏ । ବିକାଶଶୀଳ ଶିଶୁର ପ୍ରାରମ୍ଭିକ ସମସ୍ୟା ସମାଧାନର ଏକ ବଡ଼ ଅଂଶ ଏହି ପ୍ରକାର ଅଟେ । ଯଦିଓ ଜୀବନର ପ୍ରଥମ ମାସରୁ ସେ ନିଜସ୍ୱ ଅଧିକାରରେ ଏକ "ପ୍ରାକୃତିକ" ସମସ୍ୟା ସମାଧାନକାରୀ (ଯଥା, ବ୍ରୁନର, ୧୯୭୩) ଏହା ପ୍ରାୟତଃ ସହଜ ହୋଇଥାଏ ଯେ ତାଙ୍କର ପ୍ରୟାସରେ ଅନ୍ୟମାନେ ସହାୟତା କରିଥାନ୍ତି ଯେଉଁମାନେ ତାଙ୍କଠାରୁ ଅଧିକ ଦକ୍ଷ (କାୟେ, ୧୯୭୦) । ସେ ଉପସ୍ଥିତ ରହିବାର କୌଶଳ, ଯୋଗାଯୋଗ, ବସ୍ତୁ ପରିଚାଳନା, ଲୋକୋମୋଟିଂ, କିମ୍ବା ପ୍ରକୃତରେ ଏକ ପ୍ରଭାବଶାଳୀ ସମସ୍ୟା ସମାଧାନ ପ୍ରକ୍ରିୟା ନିଜେ ଶିଖୁଥାଉ ନା କାହିଁକି, ଉପସ୍ଥିତ ଥିବା ଅନ୍ୟମାନେ ସାଧାରଣତଃ ତାଙ୍କୁ ତାଙ୍କ ରାସ୍ତାରେ ସାହାଯ୍ୟ କରନ୍ତି । ସଂକ୍ଷେପରେ କହିବାକୁ ଗଲେ, ଟ୍ୟୁଟୋରିଆଲ ଇଣ୍ଟରଆକ୍ଟିଭ୍ ବା ଶିକ୍ଷଣୀୟ ଇଣ୍ଟରଆକ୍ଟିଭ୍ ବା ଶିକ୍ଷଣୀୟ ସମ୍ପର୍କ ଶିଶୁ ଏବଂ ପିଲାଦିନର ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ବୈଶିଷ୍ଟ୍ୟ । ଏହା ବ୍ୟତୀତ, ଆମ ପ୍ରଜାତି ଏକମାତ୍ର ପ୍ରଜାତି ଯେଉଁଠାରେ କୌଣସି "ଆକଳ୍ପିତ" ଟ୍ୟୁସନ ଚାଲିଥାଏ (ବ୍ରୁନର, ୧୯୭୨; ହିଣ୍ଡେ, ୧୯୭୧) । ଯଦିଓ ଏହା ସତ୍ୟ ଯେ ଉଚ୍ଚ ପ୍ରଜାତିର ଅନେକ ପ୍ରାଇମେଟ ନିଜ ବୟସ୍କଙ୍କ (ହମ୍ବର୍ଗ,୧୯୬୮; ଭାନ ଲୱିକ-ଗୁଡାଲ,୧୯୬୮) ଅନୁଧ୍ୟାନରୁ ଶିକ୍ଷା ଲାଭ କରନ୍ତି, ତେବେ ଏହି ବୟସ୍କମାନେ ସେମାନଙ୍କ ପିଲାମାନଙ୍କୁ ଏହି କୌଶଳ ପ୍ରଦର୍ଶନ କରିବା ପାଇଁ କୌଣସି ନିର୍ଦ୍ଦେଶ ଦେଉଥିବା କୌଣସି ପ୍ରମାଣ ନାହିଁ । ମଣିଷକୁ ଏକ ପ୍ରଜାତି ଭାବେ କେବଳ ଶିକ୍ଷାଲାଭ କରିବାର କ୍ଷମତା ନୁହେଁ, ଶିକ୍ଷାଦାନ କରିବାର କ୍ଷମତା ମଧ୍ୟ ବିବେଚନା କରାଯାଏ । ଏହି ଅଧ୍ୟୟନର ମୁଖ୍ୟ ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ବିକାଶଶୀଳ ଶିଶୁ ଏବଂ ତାର ବୟସ୍କମାନଙ୍କ ମଧ୍ୟରେ ଏହି ପାରସ୍ପରିକ, ଶିକ୍ଷଣୀୟ ସମ୍ପର୍କର କିଛି ପ୍ରମୁଖ ପ୍ରଭାବକୁ ଦକ୍ଷତା ଅର୍ଜନ ଏବଂ ସମସ୍ୟା ସମାଧାନର ଅଧ୍ୟୟନ ପାଇଁ ପରୀକ୍ଷା କରିବା । ମାନବ ଶିଶୁର ଦକ୍ଷତା ହାସଲକୁ ଏକ ଶ୍ରେଣୀଗତ କାର୍ଯ୍ୟକ୍ରମ ଭାବେ ଗ୍ରହଣ କରାଯାଇପାରେ ଯେଉଁଥିରେ ଉପାଦାନଗତ ଦକ୍ଷତା ଗୁଡ଼ିକ ନୂତନ, ଅଧିକ ଜଟିଳ କାର୍ଯ୍ୟ ଆବଶ୍ୟକତାକୁ ପୂରଣ କରିବା ପାଇଁ ଉପଯୁକ୍ତ ସଙ୍ଗୀତ ନିର୍ଦ୍ଦେଶ ଦ୍ୱାରା "ଉଚ୍ଚ ଦକ୍ଷତା"ରେ ଏକତ୍ରିତ କରାଯାଇଥାଏ (ବ୍ରୁନର, 1973) । ଏହି ପ୍ରକ୍ରିୟା ସମସ୍ୟା ସମାଧାନର ଅନୁରୂପ ଅଟେ ଯେଉଁଥିରେ "ନିମ୍ନ ଶୃଙ୍ଖଳ" ବା ସମ୍ବିଧାନିକ ସମସ୍ୟାକୁ ନିପୁଣତା ହାସଲ କରିବା ଏକ ବଡ଼ ସମସ୍ୟା ସହିତ ସଫଳତା ପାଇଁ ଏକ sine qua non ଅଟେ, ପ୍ରତ୍ୟେକ ସ୍ତର ଅନ୍ୟକୁ ପ୍ରଭାବିତ କରିଥାଏ - ଯେପରି ପାଠରେ ଶବ୍ଦଗୁଡ଼ିକର ଡିକ୍ରିପସନ୍ ବାକ୍ୟଗୁଡିକର ଡିକ୍ରିପସନ୍ ସମ୍ଭବ କରିଥାଏ ଏବଂ ବାକ୍ୟଗୁଡିକ ନିର୍ଦ୍ଦିଷ୍ଟ ଶବ୍ଦଗୁଡିକର ଡିକ୍ରିପସନ୍ରେ ସାହାଯ୍ୟ କରିଥାଏ (ଏଫ୍. ସ୍ମିଥ୍, 1971) । ଯୁବ ଶିକ୍ଷାର୍ଥୀମାନଙ୍କ ମଧ୍ୟରେ ଥିବା ଅବିରତ ଇଚ୍ଛା, ସେମାନଙ୍କର ପ୍ରତିନିଧିତ୍ୱ କରୁଥିବା ଦକ୍ଷତାର "ଶବ୍ଦକୋଷ"କୁ ଦେଖି, ଏହି ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ କାର୍ଯ୍ୟଟି ହେଉଛି ଅନେକ ସମୟରେ ଏକ କୌଶଳଗତ କାର୍ଯ୍ୟ । |
13eba30632154428725983fcd8343f3f1b3f0695 | ପ୍ରାୟ ସମସ୍ତ ସାମ୍ପ୍ରତିକ ନିର୍ଭରଶୀଳତା ପାର୍ସର ଲକ୍ଷ ଲକ୍ଷ ବିରଳ ସୂଚକ ବୈଶିଷ୍ଟ୍ୟ ଉପରେ ଆଧାର କରି ବର୍ଗୀକୃତ କରନ୍ତି । କେବଳ ଏହି ବୈଶିଷ୍ଟ୍ୟଗୁଡ଼ିକ ଖରାପ ଭାବେ ସାଧାରଣ ହୋଇଥାଏ ତାହା ନୁହେଁ, ବୈଶିଷ୍ଟ୍ୟ ଗଣନା ପାଇଁ ଖର୍ଚ୍ଚ ମଧ୍ୟ ପାର୍ସିଂ ସ୍ପିଡକୁ ଯଥେଷ୍ଟ ସୀମିତ କରିଥାଏ । ଏହି କାର୍ଯ୍ୟରେ, ଆମେ ଏକ ନୂଆ ଉପାୟରେ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ବର୍ଗୀକରଣକାରୀକୁ ଶିକ୍ଷା କରିବା ପାଇଁ ପ୍ରସ୍ତାବ ଦେଉଛୁ, ଯାହାର ବ୍ୟବହାର ଲୋଭୀ, ପରିବର୍ତ୍ତନ-ଆଧାରିତ ନିର୍ଭରଶୀଳତା ପାର୍ସରରେ କରାଯାଇପାରିବ । କାରଣ ଏହି ଶ୍ରେଣୀକରଣକାରୀ କେବଳ ଅଳ୍ପ ସଂଖ୍ୟକ ଘନ ବୈଶିଷ୍ଟ୍ୟ ଶିଖିଥାଏ ଏବଂ ବ୍ୟବହାର କରିଥାଏ, ଏହା ବହୁତ ଶୀଘ୍ର କାମ କରିପାରେ, ଯେତେବେଳେ ଉଭୟ ଇଂରାଜୀ ଏବଂ ଚାଇନିଜ୍ ଡାଟାସେଟରେ ଅଣ-ଲେବଲ୍ ଏବଂ ଲେବଲ୍ଯୁକ୍ତ ସଂଲଗ୍ନ ସ୍କୋରରେ ପ୍ରାୟ 2% ଉନ୍ନତି ହାସଲ କରିଥାଏ । ବିଶେଷକରି, ଆମର ପାର୍ସର ଇଂରାଜୀ ପେନ୍ ଟ୍ରିବ୍ୟାଙ୍କରେ 92.2% ବିନା ଲେବଲ୍ ସଂଲଗ୍ନତା ସ୍କୋର ସହିତ ପ୍ରତି ସେକେଣ୍ଡରେ 1000 ରୁ ଅଧିକ ବାକ୍ୟକୁ ପାର୍ସ କରିବାରେ ସକ୍ଷମ । |
c22f9e2f3cc1c2296f7edb4cf780c6503e244a49 | |
3dd9793bc7b1f97115c45e90c8874f786262f466 | ସେଲୁଲାରରୁ ୱାଇଫାଇକୁ ଡାଟା ଟ୍ରାଫିକକୁ ପ୍ରେରଣ କରିବା ହେଉଛି ଇଣ୍ଟର ରେଡିଓ ଆକ୍ସେସ ଟେକ୍ନୋଲୋଜି (ଆରଏଟି) ଅଫଲୋଡିଂର ଏକ ଉଦାହରଣ । ଯଦିଓ ଏହା ଅତ୍ୟଧିକ ଭାରସାମ୍ୟ ଥିବା ସେଲୁଲାର ନେଟୱାର୍କରେ ଭିଡ଼କୁ ହ୍ରାସ କରିଥାଏ, ଏହିପରି ଭାରସାମ୍ୟ ହ୍ରାସର ଚୂଡ଼ାନ୍ତ ସମ୍ଭାବନା ଏବଂ ଏହାର ସାମଗ୍ରିକ ସିଷ୍ଟମ କାର୍ଯ୍ୟଦକ୍ଷତା ଉପରେ ପ୍ରଭାବ ଭଲ ଭାବରେ ବୁଝି ହୋଇନାହିଁ । ଏହାକୁ ସମାଧାନ କରିବା ପାଇଁ ଆମେ ଏକ ସାଧାରଣ ଏବଂ ବ୍ୟବହାରଯୋଗ୍ୟ ମଡେଲ ବିକଶିତ କରିଛୁ ଯେଉଁଥିରେ M ଭିନ୍ନ ଭିନ୍ନ RATs ରହିଛି, ପ୍ରତ୍ୟେକଟି K ପର୍ଯ୍ୟନ୍ତ ଭିନ୍ନ ଭିନ୍ନ ସ୍ତରର ଆକ୍ସେସ ପଏଣ୍ଟ (APs) କୁ ନିୟୋଜିତ କରିଥାଏ, ଯେଉଁଠାରେ ପ୍ରତ୍ୟେକ ସ୍ତର ଟ୍ରାନ୍ସମିଟ୍ ପାୱାର, ପାଥ୍ ଲସ୍ ଏକ୍ସପୋନ୍ସେଣ୍ଟ, ନିୟୋଜନ ଘନତା ଏବଂ ବ୍ୟାଣ୍ଡୱିଡ୍ଥ୍ ରେ ଭିନ୍ନ ହୋଇଥାଏ । ପ୍ରତ୍ୟେକ ଶ୍ରେଣୀର ଏପିକୁ ଏକ ସ୍ୱାଧୀନ ପୋୟସନ ପଏଣ୍ଟ ପ୍ରକ୍ରିୟା (ପିପିପି) ଭାବରେ ମଡେଲ୍ କରାଯାଇଛି, ମୋବାଇଲ୍ ୟୁଜର୍ ଲୋକେସନ୍ ଅନ୍ୟ ଏକ ସ୍ୱାଧୀନ ପିପିପି ଭାବରେ ମଡେଲ୍ କରାଯାଇଛି, ସମସ୍ତ ଚ୍ୟାନେଲରେ ଆଇଆଇଡି ମଧ୍ୟ ଅନ୍ତର୍ଭୁକ୍ତ । ରେଲି ହଜି ଯାଉଛନ୍ତି । ସମଗ୍ର ନେଟୱର୍କରେ ଦର ବଣ୍ଟନ ପରେ ଏକ ଭାରଯୁକ୍ତ ଆସୋସିଏସନ ରଣନୀତି ପାଇଁ ପ୍ରାପ୍ତ ହୋଇଥାଏ, ଯେଉଁଠାରେ ଏହିପରି ଭାର ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଲକ୍ଷ୍ୟକୁ ଅନୁକୂଳ କରିବା ପାଇଁ ଟ୍ୟୁନ କରାଯାଇପାରିବ । ଆମେ ଦେଖାଇଛୁ ଯେ SINR କଭରେଜକୁ ସର୍ବାଧିକ କରିବା ପାଇଁ ଟ୍ରାଫିକର ସର୍ବୋତ୍ତମ ଅଂଶ ସାଧାରଣତ ସେହି ସମାନ ନୁହେଁ ଯାହା ହାର କଭରେଜକୁ ସର୍ବାଧିକ କରିଥାଏ, ଯାହା ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ହାର ହାସଲ କରୁଥିବା ଉପଭୋକ୍ତାଙ୍କ ଅଂଶ ଭାବରେ ପରିଭାଷିତ ହୋଇଥାଏ । |
e7b4ea66dff3966fc9da581f32cb69132a7bbd99 | ମାକ୍ରୋ ସେଲ ନେଟୱର୍କରେ ଫେମଟୋ ସେଲ ବ୍ୟବହାର କରିବା ଏକ ଅର୍ଥନୈତିକ ଏବଂ ପ୍ରଭାବଶାଳୀ ଉପାୟ ଯାହା ଦ୍ବାରା ନେଟୱର୍କର କ୍ଷମତା ଏବଂ କଭରେଜ ବୃଦ୍ଧି କରାଯାଇପାରିବ । ତଥାପି, ଏହିପରି ନିୟୋଜନ ଅନ୍ତଃ ସ୍ତରୀୟ ଏବଂ ଅନ୍ତଃ ସ୍ତରୀୟ ହସ୍ତକ୍ଷେପ ଏବଂ ଫେମଟୋ ସେଲଗୁଡ଼ିକର ଆଡହକ୍ କାର୍ଯ୍ୟକାରିତା ହେତୁ ଏକ ଆହ୍ୱାନ ଅଟେ । ଓଏଫଡିଏମଏର ନମନୀୟ ଉପ-ଚ୍ୟାନେଲ ଆବଣ୍ଟନ କ୍ଷମତା ଦ୍ୱାରା ଅନୁପ୍ରାଣିତ ହୋଇ ଆମେ ଦୁଇ ସ୍ତରୀୟ ନେଟୱାର୍କରେ ସ୍ପେକ୍ଟ୍ରମ ଆବଣ୍ଟନର ପ୍ରଭାବ ଅନୁସନ୍ଧାନ କରୁଛୁ, ଯେଉଁଠାରେ ମାକ୍ରୋସେଲଗୁଡ଼ିକ ବନ୍ଦ ପ୍ରବେଶ ନୀତିକୁ କାର୍ଯ୍ୟକାରୀ କରନ୍ତି ଏବଂ ଫେମଟୋସେଲଗୁଡ଼ିକ ଉଭୟ ଖୋଲା କିମ୍ବା ବନ୍ଦ ପ୍ରବେଶରେ କାର୍ଯ୍ୟ କରିପାରନ୍ତି । ଏକ ସରଳ ମଡେଲର ଉପଯୋଗ କରି ଆମେ ବିଭିନ୍ନ ସ୍ପେକ୍ଟ୍ରମ ଆବଣ୍ଟନ ଏବଂ ଫେମଟୋସେଲ ପ୍ରବେଶ ନୀତି ଅଧୀନରେ ପ୍ରତ୍ୟେକ ସ୍ତରର ସଫଳତା ସମ୍ଭାବନା ବାହାର କରିଥାଉ । ବିଶେଷ କରି, ଆମେ ଯୁଗ୍ମ ଉପ-ଚ୍ୟାନେଲ ଆବଣ୍ଟନକୁ ବିଚାର କରୁଛୁ, ଯେଉଁଥିରେ ସମସ୍ତ ସ୍ପେକ୍ଟ୍ରମ ଉଭୟ ସ୍ତର ଦ୍ୱାରା ବଣ୍ଟନ କରାଯାଏ, ଏବଂ ବିଚ୍ଛିନ୍ନ ଉପ-ଚ୍ୟାନେଲ ଆବଣ୍ଟନ, ଯେଉଁଥିରେ ବିଚ୍ଛିନ୍ନ ଉପ-ଚ୍ୟାନେଲ ସେଟ୍ ଉଭୟ ସ୍ତର ପାଇଁ ବଣ୍ଟନ କରାଯାଏ । ଆମେ ସଫଳତାର ସମ୍ଭାବନା ଏବଂ ପ୍ରତ୍ୟେକ ସ୍ତରର ସର୍ବନିମ୍ନ ହାର ହିସାବରେ ସେବା ଗୁଣବତ୍ତା ପ୍ରତିବନ୍ଧକକୁ ଦୃଷ୍ଟିରେ ରଖି ଥ୍ରୋପୁଟ ସର୍ବାଧିକରଣ ସମସ୍ୟାକୁ ପ୍ରସ୍ତୁତ କରିଥାଉ ଏବଂ ସର୍ବୋତ୍ତମ ସ୍ପେକ୍ଟ୍ରମ ଆବଣ୍ଟନ ବିଷୟରେ ଅନ୍ତର୍ଦୃଷ୍ଟି ପ୍ରଦାନ କରିଥାଉ । ଆମର ଫଳାଫଳ ଦର୍ଶାଏ ଯେ ବନ୍ଦ ପ୍ରବେଶ ପଥ femtocells ସହିତ, ଅପ୍ଟିମାଇଜ୍ ଯୁଗ୍ମ ଏବଂ disjoint subchannel ଆବଣ୍ଟନ ଯଥାକ୍ରମେ ବିରଳ ଏବଂ ଘନ femtocell ନେଟୱାର୍କରେ ସମସ୍ତ ଯୋଜନା ମଧ୍ୟରେ ସର୍ବାଧିକ throughput ପ୍ରଦାନ। ଖୋଲା ପ୍ରବେଶ ପଥ femtocells ସହିତ, ଅପ୍ଟିମାଇଜ୍ ଯୁଗ୍ମ ଉପ-ଚ୍ୟାନେଲ ଆବଣ୍ଟନ ସମସ୍ତ femtocell ଘନତା ପାଇଁ ସର୍ବାଧିକ ସମ୍ଭବ throughput ପ୍ରଦାନ କରେ _ |
09168f7259e0df1484115bfd44ce4fdcafdc15f7 | ଦୁଇ ସ୍ତରୀୟ ସେଲୁଲାର ନେଟୱର୍କରେ - ଯାହା ଏକ କେନ୍ଦ୍ରୀୟ ମାକ୍ରୋସେଲ ଦ୍ୱାରା ଗଠିତ, ଯାହା ଉପରେ କମ୍ ଦୂରତା ବିଶିଷ୍ଟ ଫେମଟୋସେଲ ହଟସ୍ପଟଗୁଡିକର ଆଧାର ଥାଏ - କ୍ରସ-ଲେୟାର୍ ଇଣ୍ଟରଫେରେନ୍ସ ସର୍ବସାଧାରଣ ଫ୍ରିକ୍ୱେନ୍ସି ପୁନଃବ୍ୟବହାର ସହିତ ସାମଗ୍ରିକ କ୍ଷମତାକୁ ସୀମିତ କରିଥାଏ । ସର୍ବବ୍ୟାପୀ ଫ୍ରିକ୍ୱେନ୍ସି ପୁନଃବ୍ୟବହାର ସହିତ ନିକଟ-ଦୂର ପ୍ରଭାବକୁ ପରିମାଣିକ କରିବା ପାଇଁ, ଏହି କାଗଜରେ ଏକ ମୌଳିକ ସମ୍ପର୍କକୁ ପ୍ରାପ୍ତ କରାଯାଇଛି ଯାହା ସର୍ବାଧିକ ସମ୍ଭବ ସେଲୁଲାର ସିଗନାଲ୍-ଟୁ-ଇଣ୍ଟରଫେନ୍ସ-ପ୍ଲସ୍-ନ୍ୟୁଜ୍ ଅନୁପାତ (SINR) ପ୍ରଦାନ କରିଥାଏ, ଯାହା କୌଣସି ସମ୍ଭାବ୍ୟ ଫେମଟୋସେଲ SINR ଗୁଡ଼ିକୁ ଦିଆଯାଇଥାଏ । ଆମେ ଏକ ଲିଙ୍କ୍ ବଜେଟ୍ ବିଶ୍ଳେଷଣ ପ୍ରଦାନ କରିଥାଉ ଯାହା ଦୁଇ ସ୍ତରୀୟ ନେଟୱାର୍କରେ ସରଳ ଏବଂ ସଠିକ୍ କାର୍ଯ୍ୟଦକ୍ଷତା ଅନ୍ତର୍ଦୃଷ୍ଟିକୁ ସକ୍ଷମ କରିଥାଏ । ଫେମଟୋସେଲରେ ବିତରିତ ଉପଯୋଗୀତା ଆଧାରିତ SINR ଅନୁକୂଳନ ପ୍ରସ୍ତାବିତ କରାଯାଇଛି ଯାହାଫଳରେ କୋଚାନେଲ ଫେମଟୋସେଲରୁ ମାକ୍ରୋସେଲରେ କ୍ରସ-ଟାୟାର ହସ୍ତକ୍ଷେପକୁ ହ୍ରାସ କରାଯାଇପାରିବ । ଫୋସଚିନି-ମିଲଜାନିକ (ଏଫଏମ) ଆଲଗୋରିଦମ ହେଉଛି ଅନୁକୂଳନର ଏକ ବିଶେଷ ମାମଲା । ପ୍ରତ୍ୟେକ ଫେମଟୋସେଲ ନିଜର ବ୍ୟକ୍ତିଗତ ଉପଯୋଗିତାକୁ ସର୍ବାଧିକ କରିଥାଏ ଯେଉଁଥିରେ ସିନ୍ଆର୍ ଆଧାରିତ ପୁରସ୍କାର ଏବଂ ଖର୍ଚ୍ଚ (ମ୍ୟାକ୍ରୋସେଲରେ ହସ୍ତକ୍ଷେପ) କୁ କଟିଯାଇଥାଏ । ସାଂଖ୍ୟିକ ଫଳାଫଳ ଦର୍ଶାଏ ଯେ ଏଫଏମ ତୁଳନାରେ ହାରାହାରି ଫେମଟୋସେଲ ଏସଆଇଏନଆର ରେ 30% ରୁ ଅଧିକ ଉନ୍ନତି ଘଟିଛି । ଯଦି କ୍ରସ-ଟାୟାର ଇଣ୍ଟରଫେରାନ୍ସ ସେଲୁଲାର ୟୁଜର୍ସଙ୍କୁ ଏହାର SINR ଟାର୍ଗେଟ ପାଇବାରେ ବାଧା ଦିଏ, ତେବେ ଏକ ଆଲଗୋରିଦମ ପ୍ରସ୍ତାବିତ କରାଯାଇଛି ଯାହା ସବୁଠାରୁ ଶକ୍ତିଶାଳୀ ଫେମଟୋସେଲ ଇଣ୍ଟରଫେରାନ୍ସର ଟ୍ରାନ୍ସମିଶନ ପାୱାରକୁ ହ୍ରାସ କରିଥାଏ । ଏହି ଆଲଗୋରିଦମ ନିଶ୍ଚିତ କରେ ଯେ ସେଲୁଲାର ବ୍ୟବହାରକାରୀ 100 ଫେମଟୋସେଲ/ସେଲ ସାଇଟ (ସାଧାରଣ ସେଲୁଲାର ପାରାମିଟର ସହିତ) ସହିତ ମଧ୍ୟ ଏହାର SINR ଲକ୍ଷ୍ୟ ହାସଲ କରିଥାଏ ଏବଂ ଫେମଟୋସେଲରେ ସବୁଠାରୁ ଖରାପ କ୍ଷେତ୍ରରେ SINR ହ୍ରାସ ମାତ୍ର 16% ଆବଶ୍ୟକ କରେ । ଏହି ଫଳାଫଳଗୁଡ଼ିକ ଶକ୍ତି ନିୟନ୍ତ୍ରଣ ଯୋଜନାକୁ ପ୍ରୋତ୍ସାହିତ କରିଥାଏ ଯାହା ସହଭାଗୀ ସ୍ପେକ୍ଟ୍ରମ ସହିତ ଦୁଇ ସ୍ତରୀୟ ନେଟୱାର୍କରେ ସର୍ବନିମ୍ନ ନେଟୱାର୍କ ଓଭରହେଡ୍ ଆବଶ୍ୟକ କରେ । |
5309b8f4723d44de2fa51cd2c15bffebf541ef57 | ପାରମ୍ପରିକ ପ୍ଲାନାର୍ ପ୍ରିଣ୍ଟ୍ କ୍ୱାସି-ୟାଗି ଆଣ୍ଟିନା ର ସରଳତା ଏବଂ ଅନ୍ତର୍ଦୃଷ୍ଟିଗତ ଡିଜାଇନ୍ ଏହାର ଉତ୍ତମ ନିର୍ଦ୍ଦେଶିତ୍ବ ପାଇଁ ଏହାର ବ୍ୟାପକ ଲୋକପ୍ରିୟତା ଆଣିଛି । ଏହି କାଗଜରେ ଏକ ନୂଆ କ୍ୱାସି-ୟାଗି ଆଣ୍ଟିନା ପ୍ରସ୍ତାବିତ କରାଯାଇଛି ଯେଉଁଥିରେ ଏକମାତ୍ର ନିର୍ଦ୍ଦେଶକ ଏବଂ ଏକ ଖଣ୍ଡୀଭୂତ ପାରାବୋଲିକ୍ ରିଫେକ୍ଟର ରହିବ, ଯାହା ଏସ୍-ବ୍ୟାଣ୍ଡରେ କାର୍ଯ୍ୟ କରିବ । ସିଏସଟି-ମାଇକ୍ରୋୱେଭ ଷ୍ଟୁଡିଓ ସହିତ ଇମ୍ପେଡେନ୍ସ ବୈଶିଷ୍ଟ୍ୟ ଏବଂ ବିକିରଣ ବୈଶିଷ୍ଟ୍ୟର ଅନୁକରଣ କରାଯାଇଥାଏ ଏବଂ ଆଣ୍ଟେନା ନିର୍ମାଣ ଏବଂ ମାପ କରାଯାଇଥାଏ । ମାପ ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ ଆଣ୍ଟେନା ୨.୨୮-୨.୬୩GHz ରେ କାର୍ଯ୍ୟ କରିପାରିବ, କାର୍ଯ୍ୟରତ ଫ୍ରିକ୍ୱେନ୍ସି ରେଞ୍ଜ ମଧ୍ୟରେ ହାରାହାରି ୬.୫dBi ଲାଭ ହାସଲ କରିପାରିବ, ବିଶେଷକରି ସର୍ବାଧିକ ଲାଭ ୭.୫dBi ୨.୫GHz ରେ । ପ୍ରସ୍ତାବିତ ଆଣ୍ଟିନା ୱାଇଏଲଏନ/ଟିଡି-ଏଲଟିଇ/ବିଡି୧ ଆଦି କ୍ଷେତ୍ରରେ ବ୍ୟାପକ ଭାବେ ବ୍ୟବହାର କରାଯାଇପାରିବ । |
c03c3583153d213f696f1cbd4cd65c57437473a5 | ଏହି କାଗଜରେ ଉଚ୍ଚ ଶକ୍ତି କାରକ ସହିତ ଏଲସିଏଲ ରିଜୋନାଣ୍ଟ କନ୍ଭର୍ଟର ଆଧାରିତ ଏଲଇଡି (ଲାଇଟ ଏମିଟିଙ୍ଗ ଡାୟୋଡ) ଲ୍ୟାମ୍ପ ଡ୍ରାଇଭର ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । ପ୍ରସ୍ତାବିତ ସର୍କିଟରେ ପିଏଫସି (ପାୱାର ଫ୍ୟାକ୍ଟର କୋରେକ୍ସନ) ପାଇଁ ଏକ ବୁଷ୍ଟ କନଭର୍ଟର ବ୍ୟବହାର କରାଯାଇଛି, ଯାହା କ୍ରମାଗତ କଣ୍ଡକ୍ଟିଭ୍ ମୋଡ (ସିସିଏମ୍) ରେ କାର୍ଯ୍ୟ କରିଥାଏ ଏବଂ ଏଲଇଡି ଲ୍ୟାମ୍ପ୍ ଲୋଡକୁ ଚଳାଇବା ପାଇଁ ଏକ କ୍ୱାସି ହାଫ୍ ବ୍ରିଜ୍ ରେଜୋନାଣ୍ଟ କନଭର୍ଟର ବ୍ୟବହାର କରାଯାଇଥାଏ । ଏଲସିସି କନ୍ଭର୍ଟର ଏପରି ଭାବରେ ଡିଜାଇନ କରାଯାଇଛି ଯେ, କ୍ୱାସି ହଫ ବ୍ରିଜ୍ର ସଲିଡ ଷ୍ଟେଟ୍ ସୁଇଚ୍ ଗୁଡ଼ିକ ଶୂନ ଭୋଲଟେଜ୍ ସୁଇଚ୍ (ଜିଭିଏସ୍) ରେ କାମ କରୁଛନ୍ତି ଯାହାଦ୍ୱାରା ସୁଇଚ୍ କ୍ଷତି ହ୍ରାସ ପାଇଥାଏ । 50 ୱାଟର ଏଲଇଡି ଡ୍ରାଇଭରର ବିଶ୍ଳେଷଣ, ଡିଜାଇନ, ମଡେଲିଂ ଏବଂ ସିମୁଲେସନ ୟୁନିଭର୍ସାଲ ଏସି ମେନ ପାଇଁ MATLAB/Simulink ଟୁଲ ବ୍ୟବହାର କରି କରାଯାଇଛି । ପ୍ରସ୍ତାବିତ ଏଲଇଡି ଲ୍ୟାମ୍ପ ଡ୍ରାଇଭରର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଆକଳନ କରିବା ପାଇଁ ଶକ୍ତି ଗୁଣବତ୍ତା ସୂଚକାଙ୍କଗୁଡ଼ିକ ହିସାବ କରାଯାଏ ଯେପରିକି ଏସି ମେନ କରେଣ୍ଟର ମୋଟ ହାର୍ମୋନିକ ବିକୃତି (THDi), ଶକ୍ତି କାରକ (PF) ଏବଂ କ୍ରେଷ୍ଟ କାରକ (CF) । |
94a62f470aeea69af436e2dd0b54cd50eaaa4b23 | ସୁପାରିଶକାରୀ ବ୍ୟବସ୍ଥା ନିର୍ମାଣର ସବୁଠାରୁ ସଫଳ ପଦ୍ଧତି ମଧ୍ୟରୁ ଗୋଟିଏ ହେଉଛି, ସହଯୋଗୀ ଫିଲ୍ଟରିଂ (ସିଏଫ୍) ଅନ୍ୟ ଉପଭୋକ୍ତାମାନଙ୍କ ପାଇଁ ଅଜଣା ପସନ୍ଦ ବିଷୟରେ ସୁପାରିଶ କିମ୍ବା ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ଉପଭୋକ୍ତାମାନଙ୍କ ଏକ ଗୋଷ୍ଠୀର ଜଣାଥିବା ପସନ୍ଦକୁ ବ୍ୟବହାର କରେ । ଏହି କାଗଜରେ ଆମେ ପ୍ରଥମେ ସିଏଫ କାର୍ଯ୍ୟ ଏବଂ ଏହାର ମୁଖ୍ୟ ଆହ୍ୱାନଗୁଡ଼ିକର ପରିଚୟ ଦେଉଛୁ, ଯେପରିକି ଡାଟା ସ୍ପେର୍ସଟି, ସ୍କେଲେବିଲିଟି, ସିନୋନିମି, ଗ୍ରେ ଶେଫ୍, ସିଲିଂ ଆଟାକ୍, ଗୋପନୀୟତା ସୁରକ୍ଷା ଇତ୍ୟାଦି ଏବଂ ଏହାର ସମ୍ଭାବ୍ୟ ସମାଧାନ । ଆମେ ତିନୋଟି ମୁଖ୍ୟ ଶ୍ରେଣୀରେ ସିଏଫ କୌଶଳ ଉପସ୍ଥାପନ କରୁଛୁ: ସ୍ମୃତି ଆଧାରିତ, ମଡେଲ ଆଧାରିତ ଏବଂ ହାଇବ୍ରିଡ ସିଏଫ ଆଲଗୋରିଦମ (ଯାହା ସିଏଫକୁ ଅନ୍ୟ ସୁପାରିଶ କୌଶଳ ସହିତ ମିଶ୍ରଣ କରେ), ପ୍ରତ୍ୟେକ ଶ୍ରେଣୀର ପ୍ରତିନିଧିତ୍ୱ ଆଲଗୋରିଦମର ଉଦାହରଣ ସହିତ, ଏବଂ ସେମାନଙ୍କର ପୂର୍ବାନୁମାନ କାର୍ଯ୍ୟଦକ୍ଷତା ଏବଂ ଆହ୍ୱାନଗୁଡିକର ମୁକାବିଲା କରିବାର କ୍ଷମତା ବିଶ୍ଳେଷଣ । ମୌଳିକ କୌଶଳ ଠାରୁ ଆରମ୍ଭ କରି ଅତ୍ୟାଧୁନିକ କୌଶଳ ପର୍ଯ୍ୟନ୍ତ, ଆମେ ସିଏଫ କୌଶଳ ପାଇଁ ଏକ ବ୍ୟାପକ ସମୀକ୍ଷା ଉପସ୍ଥାପନ କରିବାକୁ ଚେଷ୍ଟା କରୁଛୁ, ଯାହା ଏହି କ୍ଷେତ୍ରରେ ଗବେଷଣା ଏବଂ ଅଭ୍ୟାସ ପାଇଁ ଏକ ରୋଡମ୍ୟାପ୍ ଭାବରେ କାର୍ଯ୍ୟ କରିପାରିବ । |
ced981c28215dd218f05ecbba6512671b22d1cc6 | ସାରାଂଶ-ଆଜିକାଲି ସୋସିଆଲ ମିଡିଆରେ ଖବର, ଲିଙ୍କ, ଛବି, ଭିଡ଼ିଓ ଭଳି ସୂଚନା ବ୍ୟାପକ ଭାବେ ସେୟାର କରାଯାଉଛି । କିନ୍ତୁ ସୋସିଆଲ ମିଡିଆ ମାଧ୍ୟମରେ ସୂଚନା ପ୍ରସାରଣର ପ୍ରଭାବ ଗୁଣାତ୍ମକ ନୁହେଁ: ତଥ୍ୟ ଯାଞ୍ଚ କମ୍, ପକ୍ଷପାତିତା ଅଧିକ ଏବଂ ଅନେକ ଗୁଜବ । ଅନେକ ଗବେଷକ ଟ୍ୱିଟରରେ ବିଶ୍ୱସନୀୟତା ବିଷୟରେ ଅନୁସନ୍ଧାନ କରିଛନ୍ତି, କିନ୍ତୁ ଫେସବୁକରେ ବିଶ୍ୱସନୀୟତା ସୂଚନା ଉପରେ କୌଣସି ଗବେଷଣା ରିପୋର୍ଟ ନାହିଁ । ଏହି ଲେଖାରେ ଫେସବୁକ ସୂଚନା ଉପରେ ବିଶ୍ୱସନୀୟତା ମାପିବା ପାଇଁ ବିଶେଷତ୍ୱ ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । ଆମେ ଫେସବୁକରେ ବିଶ୍ୱସନୀୟତା ପାଇଁ ବ୍ୟବସ୍ଥା ବିକଶିତ କରିଛୁ । ପ୍ରଥମତଃ, ଆମେ ପ୍ରତ୍ୟେକ ପୋଷ୍ଟର ବିଶ୍ୱସନୀୟତାକୁ ମାନୁଆଲ ମାନବୀୟ ଲେବଲିଂ ଦ୍ୱାରା ମାପିବା ପାଇଁ ଏଫବି ବିଶ୍ୱସନୀୟତା ମୂଲ୍ୟାଙ୍କନକାରୀ ବିକଶିତ କରିଛୁ । ତାପରେ ଆମେ ଏସଭିଏମ୍ (ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ୍) ବ୍ୟବହାର କରି ଏକ ମଡେଲ ତିଆରି କରିବା ପାଇଁ ତାଲିମ ତଥ୍ୟ ସଂଗ୍ରହ କଲୁ । ଦ୍ୱିତୀୟରେ, ଆମେ ଫେସବୁକ୍ ବ୍ୟବହାରକାରୀଙ୍କ ପାଇଁ ଫେସବୁକ୍ ବିଶ୍ୱସନୀୟତାର ଏକ କ୍ରୋମ ଏକ୍ସଟେନସନ୍ ବିକଶିତ କରିଛୁ ଯାହା ପ୍ରତ୍ୟେକ ପୋଷ୍ଟର ବିଶ୍ୱସନୀୟତାକୁ ମୂଲ୍ୟାଙ୍କନ କରିବ । ଆମର ଏଫବି କ୍ରେଡିଟିଭିଟି କ୍ରୋମ ଏକ୍ସଟେନସନର ଉପଯୋଗ ବିଶ୍ଳେଷଣ ଆଧାରରେ ପ୍ରାୟ ୮୧% ଉପଭୋକ୍ତାଙ୍କ ଉତ୍ତର ପ୍ରସ୍ତାବିତ ସିଷ୍ଟମ ଦ୍ୱାରା ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଗଣନା କରାଯାଇଥିବା ବିଶ୍ୱାସଯୋଗ୍ୟତା ସହିତ ସହମତ । |
1b2a8dc42d6eebc937c9642799a6de87985c3da6 | ସୋସିଆଲ ମିଡିଆ ନେଟୱାର୍କର ଏହି ଘଟଣା ବହୁ ପରିମାଣର ମୂଲ୍ୟବାନ ତଥ୍ୟ ସୃଷ୍ଟି କରୁଛି ଯାହା ଅନଲାଇନରେ ଉପଲବ୍ଧ ଏବଂ ସହଜରେ ଉପଲବ୍ଧ । ଅନେକ ୟୁଜର୍ସ ବିଭିନ୍ନ ସୋସିଆଲ ନେଟୱର୍କିଂ ସାଇଟରେ ଫଟୋ, ଭିଡିଓ, କମେଣ୍ଟ, ରିଭ୍ୟୁ, ନ୍ୟୁଜ ଏବଂ ମତାମତ ସେୟାର କରିଥାନ୍ତି । ଟ୍ୱିଟରରେ ସଂଗୃହିତ ତଥ୍ୟ ଅତ୍ୟନ୍ତ ଅନିୟନ୍ତ୍ରିତ ଏବଂ ଟ୍ୱିଟରୁ ଉପଯୋଗୀ ସୂଚନା ବାହାର କରିବା ଏକ ଚ୍ୟାଲେଞ୍ଜପୂର୍ଣ୍ଣ କାର୍ଯ୍ୟ । ଟ୍ୱିଟରର ବହୁ ସଂଖ୍ୟକ ଆରବୀୟ ବ୍ୟବହାରକାରୀ ଅଛନ୍ତି ଯେଉଁମାନେ ଆରବୀ ଭାଷାରେ ଟ୍ୱିଟ କରନ୍ତି । ଯଦିଓ ଇଂରାଜୀରେ ଭାବନା ବିଶ୍ଳେଷଣ ଉପରେ ବହୁତ ଗବେଷଣା କରାଯାଇଛି, ଆରବୀ ଭାଷାରେ ଗବେଷଣା ଏବଂ ତଥ୍ୟ ସେଟ୍ ସୀମିତ । ଏହି ଲେଖାଟି ଆରବୀ ଭାଷାର ଏକ ଡାଟାସେଟର ପରିଚୟ ଦେଉଛି, ଯାହା ସ୍ୱାସ୍ଥ୍ୟ ସେବା ଉପରେ ମତାମତ ଉପରେ ଆଧାରିତ ଏବଂ ଟ୍ୱିଟରରେ ସଂଗ୍ରହ କରାଯାଇଛି । ଏହି କାଗଜରେ ପ୍ରଥମେ ଟ୍ୱିଟରରୁ ତଥ୍ୟ ସଂଗ୍ରହ କରିବାର ପ୍ରକ୍ରିୟା ଏବଂ ଆରବୀ ଭାଷାରେ ଏକ ବଡ଼ ଭାବନା ବିଶ୍ଳେଷଣ ତଥ୍ୟ ସେଟ୍ ନିର୍ମାଣ କରିବା ପାଇଁ ଆରବୀ ଭାଷାରେ ଲେଖା ସଫ୍ଟ କରିବା, ପୂର୍ବ-ପ୍ରକ୍ରିୟା ଏବଂ ଟିପ୍ପଣୀ କରିବାର ପ୍ରକ୍ରିୟା ବିଷୟରେ ବିସ୍ତୃତ ଭାବରେ ବର୍ଣ୍ଣନା କରାଯିବ । ଆମର ସ୍ୱାସ୍ଥ୍ୟ ଡାଟାସେଟରେ ଭାବନା ବିଶ୍ଳେଷଣର ପରୀକ୍ଷଣରେ ଗଭୀର ଏବଂ କନ୍ଭୋଲ୍ୟୁସନାଲ୍ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ ସହିତ ଅନେକ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ଆଲଗୋରିଦମ (ନାଇଭ୍ ବେୟସ୍, ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ୍ ଏବଂ ଲଜିଷ୍ଟିକ୍ ରିଗ୍ରେସନ୍) ବ୍ୟବହାର କରାଯାଇଥିଲା । |
d228e3e200c2c6f757b9b3579fa058b2953083c0 | |
f87b713182d39297e930c41e23ff26394cbdcade | |
838ec45eeb7f63875742a76aa1080563f44af619 | ଏହି ରିପୋର୍ଟରେ ଗବେଷଣା କ୍ଷେତ୍ରରେ ଉଦାହରଣ ଦିଆ ଯାଇଛି ଯାହା କେସ୍ ରିସର୍ଚ୍ଚ ଆଭିମୁଖ୍ୟକୁ ବ୍ୟବହାର କରି ଗବେଷଣା ପାଇଁ ଉପଯୁକ୍ତ । ଏସିଏମ ଶ୍ରେଣୀ: ଏଚଓ, ଜିଏଓ ଏହି ଲେଖାରେ ଏହି ଗୁଣାତ୍ମକ ପଦ୍ଧତି ମଧ୍ୟରୁ ଗୋଟିଏକୁ ପରିଭାଷିତ କରାଯାଇଛି ଏବଂ ଆଲୋଚନା କରାଯାଇଛି - କେସ୍ ରିସର୍ଚ୍ଚ ରଣନୀତି । ଏହି ଆଭିମୁଖ୍ୟକୁ ନେଇ ଗବେଷଣା କରିବାକୁ ଚାହୁଁଥିବା ଗବେଷକମାନଙ୍କ ପାଇଁ ଏହି ପୁସ୍ତକରେ କେତେକ ପରାମର୍ଶ ଦିଆଯାଇଛି । କେସ୍ ରିସର୍ଚ୍ଚର ମୂଲ୍ୟାଙ୍କନ ପାଇଁ ମାନଦଣ୍ଡ ନିର୍ଦ୍ଧାରିତ କରାଯାଇଛି ଏବଂ ଅଧ୍ୟୟନକୁ ଶ୍ରେଣୀଭୁକ୍ତ କରିବା ପାଇଁ ଉପଯୋଗୀ କେତେକ ବୈଶିଷ୍ଟ୍ୟ ଚିହ୍ନଟ କରାଯାଇଛି । ସୂଚନା ପ୍ରଣାଳୀ ପତ୍ରିକାରୁ ସଂଗ୍ରହ କରାଯାଇଥିବା ଏକ ନମୁନା ପତ୍ରର ସମୀକ୍ଷା କରାଯାଇଛି । |
9cf2c6d3ab15c1f23fc708e74111324fa82a8169 | ଏହି ଲେଖାରେ ଶିକ୍ଷା କ୍ଷେତ୍ରରେ ଆଇସିଟିର ଭୂମିକା ସମ୍ପର୍କରେ ଆଲୋଚନା କରାଯାଇଛି । ସୂଚନା ଓ ଯୋଗାଯୋଗ ପ୍ରଯୁକ୍ତି (ଆଇସିଟି) ବର୍ତ୍ତମାନ ମାନବ ଜୀବନର ପ୍ରତ୍ୟେକ ଦିଗକୁ ପ୍ରଭାବିତ କରୁଛି । [୫] ଏହିପରି ଏକ ଦୃଷ୍ଟାନ୍ତ ହେଉଛି, "ସମସ୍ତଙ୍କ ମଧ୍ୟରେ ଜଣେ ଜଣେ ଭ୍ରାତୃଭାବଭାବ ଓ ଅବିଚାରର ଭାବନା" । ଏହାବ୍ୟତୀତ, ଆଇସିଟି ପରିବର୍ତ୍ତନ ପାଇଁ ଏକ କାରକ ବୋଲି ଅନେକ ଲୋକ ସ୍ୱୀକାର କରନ୍ତି; କାର୍ଯ୍ୟର ସ୍ଥିତିରେ ପରିବର୍ତ୍ତନ, ସୂଚନା ପରିଚାଳନା ଏବଂ ବିନିମୟ, ଶିକ୍ଷାଦାନ ପଦ୍ଧତି, ଶିକ୍ଷଣ ପଦ୍ଧତି, ବୈଜ୍ଞାନିକ ଗବେଷଣା ଏବଂ ସୂଚନା ପାଇବାରେ ପରିବର୍ତ୍ତନ । ତେଣୁ ଏହି ସମୀକ୍ଷା ଆଲେଖ୍ୟରେ ଆଇସିଟିର ଭୂମିକା, ଶିକ୍ଷା ବ୍ୟବସ୍ଥାରେ ଏହାର ସମନ୍ୱୟ, ପ୍ରତିବନ୍ଧକ ଏବଂ ପ୍ରମୁଖ ଆହ୍ୱାନଗୁଡ଼ିକ ଉପରେ ଆଲୋଚନା କରାଯାଇଛି । ଏହି ସମୀକ୍ଷାରେ ନିମ୍ନଲିଖିତ ପ୍ରଶ୍ନର ଉତ୍ତର ଦେବାକୁ ଚେଷ୍ଟା କରାଯାଇଛି: (1) ଶିକ୍ଷାରେ ଆଇସିଟିର ଲାଭ କ ଣ? (2) କେତେକ ବିକାଶଶୀଳ ଦେଶର ଶିକ୍ଷା ବ୍ୟବସ୍ଥାରେ ଆଇସିଟି ବ୍ୟବହାରର ବର୍ତ୍ତମାନର ସମ୍ଭାବନା କ ଣ? (3) ଶିକ୍ଷାବ୍ୟବସ୍ଥାରେ ଆଇସିଟି ସମନ୍ୱୟର ସୀମା ଓ ମୁଖ୍ୟ ଆହ୍ୱାନଗୁଡ଼ିକ କ ଣ ? ସମୀକ୍ଷାରେ ଏହା ମଧ୍ୟ କୁହାଯାଇଛି ଯେ, ଆଇସିଟି ଶିକ୍ଷଣର ସମସ୍ତ ସୀମିତତା ସତ୍ତ୍ୱେ, ଏହା ଶିକ୍ଷାଦାନ ବ୍ୟବସ୍ଥାକୁ ଉନ୍ନତମାନର ଶିକ୍ଷା ପ୍ରଦାନ କରିବାରେ ସହାୟକ ହୋଇଥାଏ । |
bb73ea8dc36030735c1439acf93a0e77ac8a907c | ଏହି ଚିଠି ଟାବଲେଟ/ଲାପଟପ କମ୍ପ୍ୟୁଟର ପ୍ରୟୋଗ ପାଇଁ ଏକ ଆଭ୍ୟନ୍ତରୀଣ ୟୁନିପ୍ଲାନାର ଛୋଟ ଆକାରର ମଲ୍ଟିବ୍ୟାଣ୍ଡ ଆଣ୍ଟେନା ଉପସ୍ଥାପନ କରେ । ପ୍ରସ୍ତାବିତ ଆଣ୍ଟିନା ସାଧାରଣ ଏଲ୍ଟିଇ/ଡବ୍ଲୁଡବ୍ଲୁଏଏନ ଚ୍ୟାନେଲ ବ୍ୟତୀତ ବ୍ୟବସାୟିକ ଜିପିଏସ/ଗ୍ଲୋନାସ ଫ୍ରିକ୍ୱେନ୍ସି ବ୍ୟାଣ୍ଡକୁ ମଧ୍ୟ କଭର କରିବ । ଆଣ୍ଟିନା ତିନୋଟି ଭାଗରେ ବିଭକ୍ତ: କପଲ୍ଡ ଫିଡ୍, ସର୍ଟ-ଅପ୍ ଏବଂ ନିମ୍ନ-ଫ୍ରିକ୍ୱେନ୍ସି ସ୍ପିରାଲ୍ ଷ୍ଟ୍ରିପ୍ ଯାହା 50 × 11 × 0.8 mm2 ଆକାରର । ସ୍ପିରାଲ ଷ୍ଟ୍ରିପ୍ ସାହାଯ୍ୟରେ ୯୦୦ ମେଗାହର୍ଜରେ ନିମ୍ନ ବ୍ୟାଣ୍ଡର କାର୍ଯ୍ୟ ହାସଲ କରାଯାଇଥାଏ । ଦୁଇଟି କାର୍ଯ୍ୟକାରୀ ଫ୍ରିକ୍ୱେନ୍ସି ବ୍ୟାଣ୍ଡ ୮୭୦-୯୬୫ ଏବଂ ୧୫୫୬-୨୪୮୦ ମେଗାହର୍ଜକୁ କଭର କରିଥାଏ । ସିମୁଲେସନ ଫଳାଫଳକୁ ବୈଧ କରିବା ପାଇଁ, ପ୍ରସ୍ତାବିତ ମୁଦ୍ରିତ ଆଣ୍ଟେନର ଏକ ପ୍ରୋଟୋଟାଇପ ପ୍ରସ୍ତୁତ କରାଯାଇଥାଏ ଏବଂ ପରୀକ୍ଷା କରାଯାଇଥାଏ । ସିମୁଲେସନ ଓ ମାପ ଫଳାଫଳ ମଧ୍ୟରେ ଭଲ ବୁଝାମଣା ମିଳିଥାଏ । |
8308e7b39d1f556e4041b4630a41aa8435fe1a49 | MIMO (ମଲ୍ଟିପଲ-ଇନପୁଟ ମଲ୍ଟିପଲ-ଆଉଟପୁଟ) ରାଡାର ଏକ ଆର୍ଚେଟକ୍ଚରକୁ ବୁଝାଏ ଯାହା ବହୁ ସଂଖ୍ୟକ, ଭୌଗଳିକ ଭାବରେ ବଣ୍ଟିତ ଟ୍ରାନ୍ସମିଟର ଏବଂ ରିସିଭର ବ୍ୟବହାର କରେ । ଯଦିଓ, ସାଧାରଣ ଅର୍ଥରେ, MIMO ରାଡାରକୁ ଏକ ପ୍ରକାର ମଲ୍ଟିଷ୍ଟାଟିକ୍ ରାଡାର ଭାବରେ ଦେଖାଯାଏ, ପୃଥକ ନାମକରଣ ଅନନ୍ୟ ବ features ଶିଷ୍ଟ୍ୟକୁ ସୂଚିତ କରେ ଯାହା MIMO ରାଡାରକୁ ମଲ୍ଟିଷ୍ଟାଟିକ୍ ରାଡାର ସାହିତ୍ୟରୁ ପୃଥକ କରେ ଏବଂ ଯାହାର MIMO ଯୋଗାଯୋଗ ସହିତ ଘନିଷ୍ଠ ସମ୍ପର୍କ ଅଛି _ ଏହି ଲେଖାରେ ମାଇମୋ ରାଡାର ଉପରେ କିଛି ସଦ୍ୟତମ କାର୍ଯ୍ୟର ସମୀକ୍ଷା କରାଯାଇଛି । ବ୍ୟାପକ ଭାବରେ ପୃଥକ ହୋଇଥିବା ପ୍ରସାରଣ/ପ୍ରାପ୍ତ ଆଣ୍ଟିନାଗୁଡିକ ଲକ୍ଷ୍ୟସ୍ଥଳର ରାଡାର କ୍ରସ ସେକ୍ସନର (ଆରସିଏସ) ଆଭ୍ୟନ୍ତରୀଣ ବିବିଧତାକୁ ଧାରଣ କରିଥାଏ । ଏମଆଇଏମଓ ରାଡାରର ଅନନ୍ୟ ବୈଶିଷ୍ଟ୍ୟଗୁଡିକର ବ୍ୟାଖ୍ୟା ଓ ଉଦାହରଣ ଦିଆଯାଇଛି । ଏହା ଦର୍ଶାଯାଇଛି ଯେ ଅସଙ୍ଗତ ପ୍ରକ୍ରିୟାକରଣ ସହିତ, ଏକ ଲକ୍ଷ୍ଯର RCS ଆଭ୍ୟନ୍ତରୀଣ ପରିବର୍ତ୍ତନକୁ ଲକ୍ଷ୍ଯ ଚିହ୍ନଟ ପାଇଁ ଏବଂ ବିଭିନ୍ନ ପାରାମିଟରର ଆକଳନ ପାଇଁ ବିବିଧତା ଲାଭ ପାଇବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ, ଯେପରିକି ଆଗମନ କୋଣ ଏବଂ ଡପଲର । ଲକ୍ଷ୍ୟସ୍ଥଳ ପାଇଁ, ଏହା ଦର୍ଶାଯାଇଛି ଯେ ରାଡାର ତରଙ୍ଗର ଫର୍ମରେ ସମର୍ଥିତ ହୋଇଥିବା ରେଜୋଲୁସନ ଠାରୁ ଅଧିକ ରେଜୋଲୁସନ ପ୍ରଦାନ କରିପାରିବ । |
958d165f8bb77838ec915d4f214a2310e3adde19 | ଶବ୍ଦଗୁଡ଼ିକର ବିଭକ୍ତ ଉପସ୍ଥାପନାଗୁଡ଼ିକ ବାସ୍ତବ-ମୂଲ୍ୟଯୁକ୍ତ ଭେକ୍ଟର ଭାବରେ ଅପେକ୍ଷାକୃତ ନିମ୍ନ-ଆକାରର ସ୍ଥାନରେ ବିଭକ୍ତ ହୋଇଥାଏ, ଯାହାର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ବଡ଼ ପାଠ୍ୟ କୋରପୋରାରୁ ବାକ୍ୟରଚନା ଏବଂ ଅର୍ଥନୈତିକ ବିଶେଷତ୍ୱଗୁଡ଼ିକୁ ବାହାର କରିବା । ନିକଟରେ ଏକ ନ୍ୟୁରାଲ ନେଟୱର୍କର ନାମ ୱାର୍ଡ୨ଭେକ (ୱାର୍ଡ୨ଭେକ) ରଖାଯାଇଛି । ଏହି ସଂକ୍ଷିପ୍ତ ରିପୋର୍ଟରେ, ଶବ୍ଦକୋଷରେ ଶବ୍ଦ ମହତ୍ତ୍ୱକୁ ମାପିବା ପାଇଁ ଶବ୍ଦ ଫ୍ରିକ୍ୱେନ୍ସି ସହିତ ଭେକ୍ଟରର ଲମ୍ବ ବ୍ୟବହାର କରିବାକୁ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । ଏହି ପ୍ରସ୍ତାବକୁ ସମର୍ଥନ କରିବା ପାଇଁ ଡୋମେନ୍-ସ୍ପେଶିଫିକ୍ କୋରପସ୍ ଅଫ୍ ସାରାଂଶ ବ୍ୟବହାର କରି ପରୀକ୍ଷାମୂଳକ ପ୍ରମାଣ ଉପସ୍ଥାପନ କରାଯାଇଛି । ଲେଖା ପାଇଁ ଏକ ଉପଯୋଗୀ ଦୃଶ୍ୟମାନତା କୌଶଳ ସୃଷ୍ଟି ହୋଇଛି, ଯେଉଁଠାରେ ଶବ୍ଦଗୁଡ଼ିକ ଏକ ଦୁଇ-ଆକାରର ପ୍ଲେନ୍ରେ ମ୍ୟାପ୍ କରାଯାଇଥାଏ ଏବଂ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ମହତ୍ତ୍ୱ ଅନୁଯାୟୀ ସ୍ଥାନିତ ହୋଇଥାଏ । |
bb9e418469d018be7f5ac2c4b2435ccac50088a3 | ମଲ୍ଟିମିଡିଆ ସମ୍ପ୍ରଦାୟ ମଲ୍ଟିମିଡିଆ ବିଷୟବସ୍ତୁକୁ ଅଧିକ ପ୍ରଭାବଶାଳୀ ଭାବରେ ବିଶ୍ଳେଷଣ କରିବାରେ ଗଭୀର ଶିକ୍ଷା ଉପରେ ଆଧାରିତ କୌଶଳର ଉତ୍ଥାନ ଦେଖିଛି । ବିଗତ ଦଶନ୍ଧିରେ, ଗଭୀର ଶିକ୍ଷଣ ଏବଂ ମଲ୍ଟିମିଡିଆ ଆନାଲିଟିକ୍ସର ସମ୍ମିଶ୍ରଣ ଅନେକ ପାରମ୍ପରିକ କାର୍ଯ୍ୟର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ବୃଦ୍ଧି କରିଛି, ଯେପରିକି ଶ୍ରେଣୀକରଣ, ଚିହ୍ନଟ ଏବଂ ରିଗ୍ରେସନ୍, ଏବଂ ସିମେଣ୍ଟିକ୍ ସେଗମେଣ୍ଟେସନ୍, କ୍ୟାପ୍ସନିଂ ଏବଂ ବିଷୟବସ୍ତୁ ସୃଷ୍ଟି ପରି ଅନେକ ନୂତନ କ୍ଷେତ୍ରର ଦୃଶ୍ୟପଟକୁ ମଧ୍ୟ ପରିବର୍ତ୍ତନ କରିଛି । ଏହି ଲେଖାର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ମଲ୍ଟିମିଡିଆ ଆନାଲିଟିକ୍ସରେ ପ୍ରମୁଖ କାର୍ଯ୍ୟଗୁଡ଼ିକର ବିକାଶ ପଥକୁ ସମୀକ୍ଷା କରିବା ଏବଂ ଭବିଷ୍ୟତର ଦିଗ ଉପରେ ନଜର ପକାଇବା । ଆମେ ମଲ୍ଟିମିଡିଆ ଆନାଲିଟିକ୍ସ ସହିତ ଜଡିତ ମୌଳିକ ଗଭୀର କୌଶଳଗୁଡିକୁ ସାରାଂଶିତ କରି ଆରମ୍ଭ କରିବା, ବିଶେଷକରି ଭିଜୁଆଲ୍ ଡୋମେନରେ, ଏବଂ ତାପରେ ସାମ୍ପ୍ରତିକ ଅଗ୍ରଗତି ଦ୍ୱାରା ପରିଚାଳିତ ପ୍ରତିନିଧିତ୍ୱ ଉଚ୍ଚସ୍ତରୀୟ କାର୍ଯ୍ୟଗୁଡିକର ସମୀକ୍ଷା କରିବା । ଏହା ବ୍ୟତୀତ ଲୋକପ୍ରିୟ ମାନଦଣ୍ଡର ପ୍ରଦର୍ଶନ ସମୀକ୍ଷା ପ୍ରଯୁକ୍ତିର ଅଗ୍ରଗତି ପାଇଁ ମାର୍ଗ ପ୍ରଦାନ କରିଥାଏ ଏବଂ ଉଭୟ ମାଇଲଖୁଣ୍ଟ କାର୍ଯ୍ୟ ଏବଂ ଭବିଷ୍ୟତ ଦିଗରେ ଚିହ୍ନଟ କରିବାରେ ସାହାଯ୍ୟ କରିଥାଏ । |
c481fb721531640e047ac7f598bd7714a5e62b33 | ଶିକ୍ଷକମାନେ ପାରମ୍ପରିକ ଶିକ୍ଷା ବ୍ୟବସ୍ଥାରେ ପାଠ୍ୟ ପୁସ୍ତକ ସହିତ ମୌଖିକ ନିର୍ଦ୍ଦେଶ ସହିତ ସେମାନଙ୍କର ଛାତ୍ରମାନଙ୍କୁ ଶିକ୍ଷାଦାନ କରିବାକୁ ଚେଷ୍ଟା କରିଛନ୍ତି । ତେବେ ସୂଚନା ଓ ଯୋଗାଯୋଗ ପ୍ରଯୁକ୍ତି (ଆଇସିଟି) ର ବିକାଶ ପାଇଁ ଶିକ୍ଷାଦାନ ଓ ଶିକ୍ଷଣ ପଦ୍ଧତିରେ ପରିବର୍ତ୍ତନ କରାଯାଇପାରିବ । ଏବେ ସମୟ ଆସିଛି ଛାତ୍ରଛାତ୍ରୀଙ୍କୁ ଇଣ୍ଟରଆକ୍ଟିଭ୍ ଲର୍ଣ୍ଣିଂ ସିଷ୍ଟମ ସହିତ ଖାପଖୁଆଇବାକୁ ଯାହା ଫଳରେ ସେମାନେ ସେମାନଙ୍କର ଶିକ୍ଷାଲାଭ, ଧରିବା ଏବଂ ମନେରଖିବାର କ୍ଷମତାକୁ ଉନ୍ନତ କରିପାରିବେ । ଛାତ୍ରଛାତ୍ରୀଙ୍କ ପାଇଁ ଉଚ୍ଚମାନର ଏବଂ ବାସ୍ତବବାଦୀ ଶିକ୍ଷା ପରିବେଶ ସୃଷ୍ଟି କରିବା ଅନିବାର୍ଯ୍ୟ । ଦୃଶ୍ୟ ଶିକ୍ଷଣ ସେମାନଙ୍କ ଶିକ୍ଷଣକୁ ବୁଝିବା ଏବଂ ପରିଚାଳନା କରିବା ସହଜ ହୋଇପାରିବ । ଆମେ ବିଭିନ୍ନ ମଲ୍ଟିମିଡିଆ ଆପ୍ଲିକେସନ ଟୁଲ ବ୍ୟବହାର କରି ପ୍ରାଥମିକ ସ୍ତରର ଛାତ୍ରଛାତ୍ରୀଙ୍କ ପାଇଁ ଭିଡ଼ିଓ ଆକାରରେ ଭିଜୁଆଲ ଲର୍ଣ୍ଣିଂ ମେଟେରିଆଲ (ସୌର ମଣ୍ଡଳର ଏକ ସମୀକ୍ଷା) ପ୍ରସ୍ତୁତ କରିଛୁ । ଏହି ଅଧ୍ୟୟନର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଶିକ୍ଷାର୍ଥୀମାନଙ୍କର ଦୃଶ୍ୟ ଶିକ୍ଷଣ ସାମଗ୍ରୀ ଏବଂ ଶିକ୍ଷକମାନଙ୍କ ନିର୍ଦ୍ଦେଶ ସହିତ ଦୃଶ୍ୟ ଶିକ୍ଷଣ ସାମଗ୍ରୀର ସମନ୍ୱୟ ମାଧ୍ୟମରେ ନୂତନ ଜ୍ଞାନ କିମ୍ବା ଦକ୍ଷତା ହାସଲ କରିବାର ଦକ୍ଷତାର ପ୍ରଭାବକୁ ପରୀକ୍ଷା କରିବା । ଆମେ ଏହି ଅଧ୍ୟୟନ ପାଇଁ ଢାକା ସହରର ଏକ ପ୍ରାଥମିକ ବିଦ୍ୟାଳୟକୁ ଯାଇଥିଲୁ ଏବଂ ତିନୋଟି ଭିନ୍ନ ଭିନ୍ନ ଛାତ୍ର ଗୋଷ୍ଠୀ ସହିତ ଶିକ୍ଷାଦାନ କରିଥିଲୁ (i) ଶିକ୍ଷକମାନେ ସମାନ ସାମଗ୍ରୀରେ ଛାତ୍ରଛାତ୍ରୀଙ୍କୁ ପାରମ୍ପରିକ ପ୍ରଣାଳୀରେ ଶିକ୍ଷା ଦେଇଥିଲେ ଏବଂ ପ୍ରଶ୍ନର ଏକ ସେଟ୍ ଦ୍ୱାରା ଛାତ୍ରମାନଙ୍କର ଅନୁକୂଳତା ସ୍ତରକୁ ଚିହ୍ନଟ କରିଥିଲେ (ii) ଅନ୍ୟ ଏକ ଗୋଷ୍ଠୀ କେବଳ ଭିଜୁଆଲ୍ ଶିକ୍ଷଣ ସାମଗ୍ରୀ ସହିତ ଶିକ୍ଷା ଦେଇଥିଲେ ଏବଂ 15 ଟି ପ୍ରଶ୍ନପତ୍ର ସହିତ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଥିଲା, (iii) ତୃତୀୟ ଗୋଷ୍ଠୀ ଶିକ୍ଷକମାନଙ୍କ ନିର୍ଦ୍ଦେଶ ସହିତ ସୌର ପ୍ରଣାଳୀର ଭିଡିଓ ସହିତ ଶିକ୍ଷାଦାନ କରିଥିଲେ ଏବଂ ସମାନ ପ୍ରଶ୍ନପତ୍ର ସହିତ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଥିଲା । ଏହି ଦୃଷ୍ଟିଶକ୍ତିର ସାମଗ୍ରୀ (ସୌରଜଗତ) କୁ ମୌଖିକ ନିର୍ଦ୍ଦେଶ ସହିତ ଏକୀକରଣ କରିବା ହେଉଛି ଶିକ୍ଷାର ଏକ ମିଶ୍ରିତ ଉପାୟ । ଏହି ଇଣ୍ଟରାକ୍ଟିଭ୍ ବ୍ଲେଣ୍ଡ୍ ଆଭିମୁଖ୍ୟ ଛାତ୍ରଛାତ୍ରୀଙ୍କ ଜ୍ଞାନ ଓ ଦକ୍ଷତା ହାସଲ କରିବାରେ ସହାୟକ ହୋଇଛି । ଅନ୍ୟ ଦୁଇଟି ପଦ୍ଧତି ତୁଳନାରେ ଛାତ୍ରଛାତ୍ରୀଙ୍କ ପ୍ରତିକ୍ରିୟା ଓ ଧାରଣା ମିଶ୍ରିତ ପଦ୍ଧତି ପ୍ରତି ଅଧିକ ସକାରାତ୍ମକ ଥିଲା । ଏହି ଇଣ୍ଟରାକ୍ଟିଭ୍ ମିଶ୍ରଣ ଢଳିବା ପ୍ରଣାଳୀ ବିଶେଷ କରି ସ୍କୁଲ ପିଲାମାନଙ୍କ ପାଇଁ ଉପଯୁକ୍ତ ପଦ୍ଧତି ହୋଇପାରେ । |
bde40c638fd03b685114d8854de2349969f2e091 | ସହରୀ ବ୍ଲାକ ହୋଲ, ଏକ ଟ୍ରାଫିକ ବ୍ୟତିକ୍ରମ ଭାବରେ, ଆଜିକାଲି ଅନେକ ବଡ ସହରରେ ଅନେକ ବିପର୍ଯ୍ୟୟଜନକ ଦୁର୍ଘଟଣାର କାରଣ ହୋଇଛି । ପାରମ୍ପରିକ ପଦ୍ଧତି କେବଳ ଏକକ ଉତ୍ସ ତଥ୍ୟ ଉପରେ ନିର୍ଭର କରେ (ଯେପରିକି ଟ୍ୟାକ୍ସି ଟ୍ରାଫିକ) ଏକ ଦୃଷ୍ଟିକୋଣରୁ ବ୍ଲାକହୋଲ ଚିହ୍ନଟ ଆଲଗୋରିଦମକୁ ଡିଜାଇନ୍ କରିବା ପାଇଁ, ଯାହା ଆଞ୍ଚଳିକ ଭିଡ଼ ପ୍ରବାହକୁ ବର୍ଣ୍ଣନା କରିବା ପାଇଁ ଅସମ୍ପୂର୍ଣ୍ଣ ଅଟେ । ଏହି ଲେଖାରେ ଆମେ ନ୍ୟୁୟର୍କ ସହରର ପ୍ରତ୍ୟେକ ଅଞ୍ଚଳରେ ଥିବା ସହରାଞ୍ଚଳ ବ୍ଲାକ ହୋଲକୁ ବିଭିନ୍ନ ସମୟ ବ୍ୟବଧାନରେ ଏକ ତ୍ରି-ଆକାର ଟେନସର୍ ସହିତ ମଡେଲ୍ କରିଛୁ । ଟେନସରର ଅଭାବୀ ଏଣ୍ଟ୍ରିଗୁଡ଼ିକୁ ପରିସଂଖ୍ୟାନ-ସଚେତନ ଟେନସର ବିଖଣ୍ଡନ ପଦ୍ଧତି ମାଧ୍ୟମରେ ପୂରଣ କରି, ଆମେ ଭୌଗଳିକ ବୈଶିଷ୍ଟ୍ୟ, ୩୧୧ ଅଭିଯୋଗ ବୈଶିଷ୍ଟ୍ୟ ଏବଂ ମାନବ ଗତିଶୀଳତା ବୈଶିଷ୍ଟ୍ୟରୁ ଜ୍ଞାନକୁ ଉପଯୋଗ କରି ସମଗ୍ର NYC ରେ ବ୍ଲାକହୋଲ୍ ପରିସ୍ଥିତିକୁ ପୁନରୁଦ୍ଧାର କରିଥାଉ । ଏହି ସୂଚନା ସ୍ଥାନୀୟ ବାସିନ୍ଦା ଏବଂ ଅଧିକାରୀଙ୍କ ନିଷ୍ପତ୍ତି ନେବାରେ ସାହାଯ୍ୟ କରିପାରିବ । ଆମେ ଆମର ମଡେଲକୁ NYC ସହ ଜଡିତ ପାଞ୍ଚଟି ଡାଟାସେଟ ସହିତ ମୂଲ୍ୟାଙ୍କନ କରିଛୁ, ସହରୀ କଳା ଗର୍ତ୍ତର ନିଦାନ କରିଛୁ ଯାହା ଗୋଟିଏ ଡାଟାସେଟ ଦ୍ୱାରା ଚିହ୍ନଟ କରାଯାଇପାରିବ ନାହିଁ (କିମ୍ବା ଚିହ୍ନଟ ହୋଇଥିବାଠାରୁ ଶୀଘ୍ର) । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳରୁ ଚାରିଟି ମୂଳ ଧାରଣା ପଦ୍ଧତିର ଲାଭ ବିଷୟରେ ଜଣାପଡିଛି । |
09f83b83fd3b0114c2c902212101152c2d2d1259 | |
e905396dce34e495b32e40b93195deeba7096476 | ଏହି ସଂଚାରରେ ଏକ ବ୍ରଡବ୍ୟାଣ୍ଡ ଏବଂ ନିମ୍ନ ପ୍ରୋଫାଇଲ H-plane ହର୍ଣ୍ଣ ଆଣ୍ଟିନା ଉପସ୍ଥାପିତ କରାଯାଇଛି ଯାହା ଏକ ବଡ଼ କଣ୍ଡକ୍ଟିଙ୍ଗ ଗ୍ରାଉଣ୍ଡ ସହିତ ଏକ ରିଡ୍ ସବଷ୍ଟ୍ରେଟ୍ ଇଣ୍ଟିଗ୍ରେଟେଡ୍ ୱେଭ୍ ଗାଇଡ୍ (SIW) ଉପରେ ଆଧାରିତ । ହର୍ଣ୍ଣ ଆଣ୍ଟିନା ଏକକ ସବଷ୍ଟ୍ରେଟରେ କାର୍ଯ୍ୟକାରୀ ହୋଇଥାଏ ଯାହାର କେନ୍ଦ୍ର ଫ୍ରିକ୍ୱେନ୍ସିରେ ୦.୧୩ λ୦ର ମୋଟା ହୋଇଥାଏ । ଏହାର ନିମ୍ନ ପ୍ରୋଫାଇଲ ସତ୍ତ୍ୱେ, ନୂତନ ଏଚ-ପ୍ଲେନ ହର୍ଣ୍ଣ ଆଣ୍ଟେନା ଏକ ଆର୍ଚ-ଆକାରର ତମ୍ବା କପର୍ ପ୍ରିଣ୍ଟିଂ ଦ୍ୱାରା ଏକ ବହୁତ ବଡ଼ ବ୍ୟାଣ୍ଡୱିଡ୍ଥ ହାସଲ କରିଥାଏ । ସିଆଇଡବ୍ଲୁରେ ଥିବା ରେଡ୍ ଅପରେସନ୍ ବ୍ୟାଣ୍ଡୱିଡ୍ଥ୍ କୁ ବିସ୍ତାର କରିବା ଏବଂ ଚରିତ୍ରଗତ ଇମ୍ପେଡେନ୍ସକୁ ହ୍ରାସ କରିବା ପାଇଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଅଟେ ଯାହା ଦ୍ବାରା ଏକ୍ସିଆଲ ସୋଣ୍ଡରୁ ସଂକୀର୍ଣ୍ଣ ଏସଆଇଡବ୍ଲୁ ପର୍ଯ୍ୟନ୍ତ ଏକ ଉତ୍କୃଷ୍ଟ ଇମ୍ପେଡେନ୍ସ ମେଳଣ ଏକ ବ୍ୟାପକ ଫ୍ରିକ୍ୱେନ୍ସି ରେଞ୍ଜରେ ପ୍ରାପ୍ତ କରାଯାଇପାରିବ । ନିର୍ମିତ ହର୍ଣ୍ଣ ଆଣ୍ଟେନର ମାପ କରାଯାଇଥିବା ଭିଏସଡବ୍ଲୁଆର ୬.୬ ଗିଗାହର୍ଟଜରୁ ୧୮ ଗିଗାହର୍ଟଜ ପର୍ଯ୍ୟନ୍ତ ୨.୫ରୁ କମ୍ ଅଟେ । ଆଣ୍ଟିନା ମଧ୍ୟ ସମାନ ଫ୍ରିକ୍ୱେନ୍ସି ରେଞ୍ଜରେ ସ୍ଥିର ବିକିରଣ ବିମ୍ ପ୍ରଦର୍ଶନ କରେ । ଏହା ଦେଖାଯାଇଛି ଯେ ମାପିତ ଫଳାଫଳ ଅନୁକରଣିତ ଫଳାଫଳ ସହିତ ଭଲ ଭାବରେ ମେଳ ଖାଉଛି । |
a33a1c0f69327b9bc112ee4857112312c41b13ff | ଆମେ ଷ୍ଟାଇଲ୍ ଆଗୁମେଣ୍ଟେସନ୍, ଏକ ନୂତନ ପ୍ରକାର ଡାଟା ଆଗୁମେଣ୍ଟେସନ୍ ପ୍ରବର୍ତ୍ତନ କରୁଛୁ ଯାହା ଆକସ୍ମିକ ଷ୍ଟାଇଲ୍ ଟ୍ରାନ୍ସଫର ଉପରେ ଆଧାରିତ, ଉଭୟ ଶ୍ରେଣୀକରଣ ଏବଂ ରିଗ୍ରେସନ୍ ଆଧାରିତ କାର୍ଯ୍ୟ ଉପରେ କନଭୋଲ୍ୟୁସନାଲ୍ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ (ସିଏନ୍ଏନ୍) ର ଦୃଢ଼ତା ଉନ୍ନତ କରିବା ପାଇଁ _ ତାଲିମ ସମୟରେ, ଆମର ଶୈଳୀ ବୃଦ୍ଧି ବାହ୍ୟତା, ବିପରୀତତା ଏବଂ ରଙ୍ଗକୁ ଅନିୟମିତ କରିଥାଏ, ଆକାର ଏବଂ ଅର୍ଥ ବିଷୟବସ୍ତୁକୁ ସଂରକ୍ଷିତ କରି । ଏହା ଏକ ମନଇଚ୍ଛା ଶୈଳୀ ସ୍ଥାନାନ୍ତର ନେଟୱର୍କକୁ ଶୈଳୀ ରାଣ୍ଡମାଇଜେସନ କରିବା ପାଇଁ ଅନୁକୂଳ କରି, ଶୈଳୀ ପ୍ରତିଛବିରୁ ଅନୁମାନ କରିବା ପରିବର୍ତ୍ତେ ଏକ ବହୁମୂଖୀ ସାଧାରଣ ବଣ୍ଟନରୁ ଇନପୁଟ୍ ଶୈଳୀ ଇମ୍ବେଡିଂର ନମୁନା ନେଇ ହାସଲ କରାଯାଇଥାଏ । ମାନକ ବର୍ଗୀକରଣ ପରୀକ୍ଷଣ ବ୍ୟତୀତ, ଆମେ ଡୋମେନ୍ ସ୍ଥାନାନ୍ତର କାର୍ଯ୍ୟ ଉପରେ ଶୈଳୀ ବୃଦ୍ଧି (ଏବଂ ତଥ୍ୟ ବୃଦ୍ଧି) ର ପ୍ରଭାବ ଅନୁସନ୍ଧାନ କରୁ । ଆମେ ଜାଣିବାକୁ ପାଇଲୁ ଯେ ତଥ୍ୟ ବୃଦ୍ଧି କରିବା ଦ୍ୱାରା ଡୋମେନ୍ ପରିବର୍ତ୍ତନ ପାଇଁ ଦୃଢ଼ତା ଯଥେଷ୍ଟ ଉନ୍ନତ ହୋଇଥାଏ, ଏବଂ ଏହାକୁ ଡୋମେନ୍ ଅନୁକୂଳନର ଏକ ସରଳ, ଡୋମେନ୍ ଅଜ୍ଞାତ ବିକଳ୍ପ ଭାବରେ ବ୍ୟବହାର କରାଯାଇପାରିବ । ସାତଟି ପାରମ୍ପରିକ ଅଭିବୃଦ୍ଧି କୌଶଳର ମିଶ୍ରଣ ସହିତ ଶୈଳୀ ଅଭିବୃଦ୍ଧିକୁ ତୁଳନା କରି ଆମେ ପାଇଲୁ ଯେ ଏହା ସହଜରେ ନେଟୱାର୍କ କାର୍ଯ୍ୟଦକ୍ଷତା ଉନ୍ନତ କରିବା ପାଇଁ ସେମାନଙ୍କ ସହିତ ମିଶ୍ରିତ ହୋଇପାରିବ । ଆମେ ଆମ କୌଶଳର ପ୍ରଭାବକୁ ଶ୍ରେଣୀବିଭାଗ ଏବଂ ଏକକ ଦୃଷ୍ଟିକୋଣରେ ଗଭୀରତା ଆକଳନ କ୍ଷେତ୍ରରେ ଡୋମେନ୍ ସ୍ଥାନାନ୍ତର ପ୍ରୟୋଗ ସହିତ ବୈଧତା ପ୍ରଦାନ କରିଥାଉ, ଯାହା ସାଧାରଣକରଣରେ ସ୍ଥିର ଉନ୍ନତିକୁ ଦର୍ଶାଇଥାଏ । |
91acde3f3db1f793070d9e58b05c48401ff46925 | ପରିସଂଖ୍ୟାନ ତଥ୍ୟର ବର୍ଗୀକରଣରେ ନିର୍ଣ୍ଣୟ ବୃକ୍ଷ ଏକ ଲୋକପ୍ରିୟ କୌଶଳ । ସେମାନେ ପୁନଃ ପୁନଃ ସେହି ବିଶେଷତା ସ୍ଥାନକୁ ବିଭାଜିତ ଉପ-ବିଭାଗରେ ବିଭାଜିତ କରନ୍ତି ଯେପର୍ଯ୍ୟନ୍ତ ପ୍ରତ୍ୟେକ ଉପ-ବିଭାଗ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଶ୍ରେଣୀ ପାଇଁ ସମାନ ନହୁଏ । ମୌଳିକ ବର୍ଗୀକରଣ ଏବଂ ରିଗ୍ରେସନ ଟ୍ରୀ (CART) ଆଲଗୋରିଦମ ଅକ୍ଷ ସମାନ୍ତରାଳ ବିଭାଜନ ବ୍ୟବହାର କରି ବିଶେଷତା ସ୍ଥାନକୁ ବିଭାଜନ କରେ । ଯେତେବେଳେ ପ୍ରକୃତ ନିର୍ଣ୍ଣୟ ସୀମା ବୈଶିଷ୍ଟ୍ୟ ଅକ୍ଷ ସହିତ ସମାନ ହୋଇନଥାଏ, ଏହି ପଦ୍ଧତି ଏକ ଜଟିଳ ସୀମା ସଂରଚନା ସୃଷ୍ଟି କରିପାରେ । ବିବ୍ରତ ନିଷ୍ପତି ବୃକ୍ଷଗୁଡ଼ିକ ବିବ୍ରତ ନିଷ୍ପତି ସୀମା ବ୍ୟବହାର କରି ସମ୍ଭାବ୍ୟ ଭାବରେ ସୀମା ସଂରଚନାକୁ ସରଳ କରିଥାଏ । ଏହି ପଦ୍ଧତିର ମୁଖ୍ୟ ସୀମାବଦ୍ଧତା ହେଉଛି ଯେ ଗଛ ଅନୁପ୍ରବେଶ ଆଲଗୋରିଦମ ଗଣନାତ୍ମକ ଭାବରେ ମହଙ୍ଗା ଅଟେ । ଏହି ଲେଖାରେ ଆମେ ଏକ ନୂତନ ନିର୍ଣ୍ଣୟ ବୃକ୍ଷ ଆଲଗୋରିଦମ HHCART ନାମକ ଉପସ୍ଥାପନ କରୁଛୁ । ଏହି ପଦ୍ଧତିରେ ବୃକ୍ଷ ନିର୍ମାଣ ସମୟରେ ପ୍ରତ୍ୟେକ ନୋଡରେ ତାଲିମ ତଥ୍ୟକୁ ପ୍ରତିଫଳିତ କରିବା ପାଇଁ ଏକ ସିରିଜ୍ ହାଉସହୋଲ୍ଡର୍ ମ୍ୟାଟ୍ରିକ୍ସ ବ୍ୟବହାର କରାଯାଏ । ପ୍ରତ୍ୟେକ ପ୍ରତିଫଳନ ପ୍ରତ୍ୟେକ ଶ୍ରେଣୀ କୋଭାରିଏନ୍ସ ମାଟ୍ରିକ୍ସରୁ ସ୍ବୟଂ ଭେକ୍ଟରଗୁଡ଼ିକର ଦିଗ ଉପରେ ଆଧାରିତ । ପ୍ରତିଫଳିତ ତାଲିମ ତଥ୍ୟରେ ଅକ୍ଷ ସମାନ୍ତରାଳ ବିଭାଜନକୁ ବିଚାର କରିବା ଏକ ଦକ୍ଷ ଉପାୟରେ ପ୍ରତିଫଳିତ ତାଲିମ ତଥ୍ୟରେ ବକ୍ର ବିଭାଜନକୁ ଖୋଜିବା ପାଇଁ ଏକ ଦକ୍ଷ ଉପାୟ ପ୍ରଦାନ କରେ । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ HHCART ବୃକ୍ଷର ସଠିକତା ଏବଂ ଆକାର ସାହିତ୍ୟରେ ଥିବା କେତେକ ରେଫରେନ୍ସ ପଦ୍ଧତି ସହିତ ତୁଳନାଯୋଗ୍ୟ । HHCARTର ଆକର୍ଷଣୀୟ ବୈଶିଷ୍ଟ୍ୟ ହେଉଛି ଯେ ଏହା ଉଭୟ ଗୁଣାତ୍ମକ ଏବଂ ପରିମାଣାତ୍ମକ ବୈଶିଷ୍ଟ୍ୟକୁ ସମାନ ବକ୍ର ବିଭାଜନରେ ପରିଚାଳନା କରିପାରିବ । |
896e160b98d52d13a97caa664038e37e86075ee4 | ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଶିଖାଯାଇଥିବା ଛବି ମାନର ଆକଳନ ନିକଟରେ ଏକ ହଟ ବିଷୟ ହୋଇଛି କାରଣ ଏହାର ଉପଯୋଗିତା ବିଭିନ୍ନ ପ୍ରକାର ପ୍ରୟୋଗରେ ରହିଛି, ଯେପରିକି ଛବି କ୍ୟାପଚର ପାଇପଲାଇନ, ଷ୍ଟୋରେଜ କୌଶଳ, ଏବଂ ମିଡିଆ ସେୟାରିଂର ଆକଳନ କରିବା । ଏହି ସମସ୍ୟାର ବ୍ୟକ୍ତିଗତ ପ୍ରକୃତି ସତ୍ତ୍ୱେ, ଅଧିକାଂଶ ପ୍ରଚଳିତ ପଦ୍ଧତି କେବଳ AVA ଏବଂ TID2013 ପରି ଡାଟା ସେଟ୍ ଦ୍ୱାରା ପ୍ରଦାନ କରାଯାଇଥିବା ହାରାହାରି ମତାମତ ସ୍କୋରକୁ ପୂର୍ବାନୁମାନ କରିଥାଏ । ଆମର ଆଭିମୁଖ୍ୟ ଅନ୍ୟମାନଙ୍କଠାରୁ ଭିନ୍ନ କାରଣ ଆମେ ମାନବ ମତାମତ ସ୍କୋରର ବିତରଣକୁ ଏକ କଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ବ୍ୟବହାର କରି ପୂର୍ବାନୁମାନ କରିଥାଉ । ଆମର ସ୍ଥାପତ୍ୟର ମଧ୍ୟ ଏହି ଲାଭ ଅଛି ଯେ ଏହା ଅନ୍ୟ ଉପାୟ ଅପେକ୍ଷା ଯଥେଷ୍ଟ ସରଳ ଅଟେ ଯାହା ତୁଳନାତ୍ମକ କାର୍ଯ୍ୟଦକ୍ଷତା ସହିତ ହୋଇଥାଏ । ଆମର ପ୍ରସ୍ତାବିତ ଆଭିମୁଖ୍ୟ ପ୍ରମାଣିତ, ଅତ୍ୟାଧୁନିକ ଗଭୀର ବସ୍ତୁ ଚିହ୍ନଟ ନେଟୱାର୍କର ସଫଳତା (ଏବଂ ପୁନଃ ପ୍ରଶିକ୍ଷଣ) ଉପରେ ନିର୍ଭର କରେ । ଆମର ଏହି ନେଟୱାର୍କର ବ୍ୟବହାର କେବଳ ବିଶ୍ବାସଯୋଗ୍ୟ ଭାବରେ ଏବଂ ମାନବୀୟ ଧାରଣାର ଉଚ୍ଚ ଅନୁପାତ ସହିତ ଚିତ୍ରଗୁଡ଼ିକୁ ସ୍କୋର କରିବା ପାଇଁ ନୁହେଁ, ବରଂ ଏକ ଫଟୋଗ୍ରାଫିକ୍ ପାଇପଲାଇନରେ ଫଟୋ ଏଡିଟିଂ/ଉନ୍ନତି ଆଲଗୋରିଦମର ଅନୁକୂଳନ ଏବଂ ଅପ୍ଟିମାଇଜେସନ୍ରେ ସହାୟତା କରିବା ପାଇଁ ମଧ୍ୟ କରାଯାଇପାରିବ । ଏହି ସମସ୍ତ କାର୍ଯ୍ୟ ଏକ ସୁବର୍ଣ୍ଣ ରେଫରେନ୍ସ ଇମେଜର ଆବଶ୍ୟକତା ବିନା କରାଯାଇଥାଏ, ଯାହା ଫଳରେ ଏକକ ପ୍ରତିଛବି, ଅର୍ଥନୈତିକ ଏବଂ ଧାରଣାତ୍ମକ ଭାବରେ ସଚେତନ, କୌଣସି ରେଫରେନ୍ସ ଗୁଣବତ୍ତା ମୂଲ୍ୟାଙ୍କନ ପାଇଁ ଅନୁମତି ଦେଇଥାଏ । |
8cfb316b3233d9b598265e3b3d40b8b064014d63 | ବର୍ତ୍ତମାନର ଅତ୍ୟାଧୁନିକ ଭିଡିଓ ଶ୍ରେଣୀକରଣ ସ୍ଥାନୀୟ ଦୃଶ୍ୟ ବର୍ଣ୍ଣନାକାରୀ ବ୍ୟବହାର କରି ବ୍ୟାଗ୍ ଅଫ୍ ୱାର୍ଡ ଉପରେ ଆଧାରିତ । ସାଧାରଣତଃ ଏହା ଓରିଏଣ୍ଟେଡ୍ ଗ୍ରାଡିଏଣ୍ଟ୍ସ (ଏଚଓଜି) ର ହିଷ୍ଟୋଗ୍ରାମ୍, ଅପ୍ଟିକାଲ ଫ୍ଲୋ ହିଷ୍ଟୋଗ୍ରାମ୍ (ଏଚଓଏଫ) ଏବଂ ମୋଶନ୍ ବର୍ଡର ହିଷ୍ଟୋଗ୍ରାମ୍ (ଏମବିଏଚ) ର ବର୍ଣ୍ଣନାକାରୀ । ଏହି ପଦ୍ଧତି ବର୍ଗୀକରଣ ପାଇଁ ଅତ୍ୟନ୍ତ ଶକ୍ତିଶାଳୀ ହୋଇଥିଲେ ମଧ୍ୟ ଏହା ଗଣନାତ୍ମକ ଭାବରେ ମହଙ୍ଗା ଅଟେ । ଏହି କାଗଜରେ କମ୍ପ୍ୟୁଟେଶନାଲ ଦକ୍ଷତାର ସମସ୍ୟାକୁ ଦର୍ଶାଯାଇଛି । ବିଶେଷକରି: (1) ଆମେ ଘନ ନମୁନା HOG, HOF ଏବଂ MBH ବର୍ଣ୍ଣନାକାରୀ ପାଇଁ ଅନେକ ସ୍ପିଡ୍-ଅପ୍ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଏବଂ ମାଟଲାବ୍ କୋଡ୍ ପ୍ରକାଶ କରୁ; (2) ଫ୍ରେମ୍ ନମୁନା ହାର ଏବଂ ଅପ୍ଟିକାଲ୍ ଫ୍ଲୋ ପଦ୍ଧତିର ପ୍ରକାର ଦୃଷ୍ଟିରୁ ବର୍ଣ୍ଣନାକାରୀଙ୍କ ସଠିକତା ଏବଂ ଗଣନା ଦକ୍ଷତା ମଧ୍ୟରେ ଥିବା ତାରତମ୍ୟକୁ ଆମେ ଅନୁସନ୍ଧାନ କରୁ; (3) ଆମେ ସାଧାରଣ ଭାବରେ ଗ୍ରହଣ କରାଯାଇଥିବା ଭେକ୍ଟର କ୍ୱାଣ୍ଟାଇଜେସନ୍ କୌଶଳ ବ୍ୟବହାର କରି ଏବଂ ତୁଳନା କରି ଫିଚର ଶବ୍ଦାବଳୀ ଗଣନା ପାଇଁ ସଠିକତା ଏବଂ ଗଣନା ଦକ୍ଷତା ମଧ୍ୟରେ ଥିବା ତାରତମ୍ୟକୁ ଅନୁସନ୍ଧାନ କରୁଃ $ k k k k k k -means, ହାଇରାର୍କିକ୍ $ k k k k -means, ରାଣ୍ଡମ୍ ଫରେଷ୍ଟ, ଫିଶର୍ ଭେକ୍ଟର ଏବଂ VLAD _ |
9992626e8e063c1b23e1920efd63ab4f008710ac | |
1a8fd4b2f127d02f70f1c94f330628be31d18681 | |
d880d303ee0bfdbc80fc34df0978088cd15ce861 | ସାରାଂଶ- ଆମେ କେବଳ ସାଧାରଣ ନମୁନା ବ୍ୟବହାର କରି ଭିଡିଓ ବ୍ୟତିକ୍ରମ ଚିହ୍ନଟ ଏବଂ ସ୍ଥାନୀୟକରଣ ପାଇଁ ଏକ ନୂତନ ଏଣ୍ଡ-ଟୁ-ଏଣ୍ଡ ଆଂଶିକ ତଦାରଖ ଗଭୀର ଶିକ୍ଷଣ ପଦ୍ଧତି ଉପସ୍ଥାପନ କରୁଛୁ । ଏହି ଅଧ୍ୟୟନର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଯେ ସାଧାରଣ ନମୁନା ଗୁଡ଼ିକ ଗୌସିୟାନ ମିଶ୍ରଣ ମଡେଲ (ଜିଏମଏମ) ର ଅତି କମରେ ଗୋଟିଏ ଗୌସିୟାନ ଉପାଦାନ ସହିତ ଜଡିତ ହୋଇପାରେ, ଯେତେବେଳେ କି ବ୍ୟତିକ୍ରମଗୁଡ଼ିକ କୌଣସି ଗୌସିୟାନ ଉପାଦାନ ସହିତ ଜଡିତ ନୁହେଁ । ଏହି ପଦ୍ଧତି ଗୌସିୟାନ ମିଶ୍ରଣ ଭେରିଏସନ ଅଟୋଏନକୋଡର ଉପରେ ଆଧାରିତ, ଯାହା ଗଭୀର ଶିକ୍ଷଣ ବ୍ୟବହାର କରି ତାଲିମପ୍ରାପ୍ତ ଗୌସିୟାନ ମିଶ୍ରଣ ମଡେଲ ଭାବରେ ସାଧାରଣ ନମୁନାଗୁଡ଼ିକର ବୈଶିଷ୍ଟ୍ୟ ପ୍ରତିନିଧିତ୍ୱକୁ ଶିଖିପାରେ । ଏକ ସମ୍ପୂର୍ଣ୍ଣ କନଭୋଲ୍ୟୁସନାଲ ନେଟୱାର୍କ (ଏଫସିଏନ) ଯାହା ସମ୍ପୂର୍ଣ୍ଣ ସଂଯୁକ୍ତ ସ୍ତର ଧାରଣ କରେ ନାହିଁ ଇନକୋଡର-ଡିକୋଡର ସଂରଚନା ପାଇଁ ଇନପୁଟ୍ ପ୍ରତିଛବି ଏବଂ ଆଉଟପୁଟ୍ ଫିଚର ମ୍ୟାପ୍ ମଧ୍ୟରେ ଆପେକ୍ଷିକ ଆଭାସିକ କୋର୍ଡିନେଟ୍ ସଂରକ୍ଷଣ ପାଇଁ ବ୍ୟବହୃତ ହୁଏ । ପ୍ରତ୍ୟେକ ଗୌସିୟାନ ମିଶ୍ରଣ ଉପାଦାନର ମିଳିତ ସମ୍ଭାବନା ଉପରେ ଆଧାର କରି, ଆମେ ଏକ ନମୁନା ଶକ୍ତି ଆଧାରିତ ପଦ୍ଧତିକୁ ଚିତ୍ର ପରୀକ୍ଷଣ ପ୍ୟାଚର ବ୍ୟତିକ୍ରମକୁ ସ୍କୋର କରିବା ପାଇଁ ଉପସ୍ଥାପନ କରୁ । ଦୃଶ୍ୟ ଏବଂ ଗତିର ବ୍ୟତିକ୍ରମକୁ ମିଶ୍ରଣ କରିବା ପାଇଁ ଏକ ଦୁଇ-ଷ୍ଟ୍ରିମ୍ ନେଟୱାର୍କ ଫ୍ରେମୱାର୍କ ବ୍ୟବହାର କରାଯାଏ, ପୂର୍ବତନ ଏବଂ ଗତିଶୀଳ ପ୍ରବାହ ପ୍ରତିଛବି ପାଇଁ RGB ଫ୍ରେମ୍ ବ୍ୟବହାର କରି, ଦ୍ୱିତୀୟ ପାଇଁ । ଆମେ ଆମର ଆଭିମୁଖ୍ୟକୁ ଦୁଇଟି ଲୋକପ୍ରିୟ ମାନଦଣ୍ଡ (ୟୁସିଏସଡି ଡାଟାସେଟ ଏବଂ ଆଭେନ୍ୟୁ ଡାଟାସେଟ) ରେ ପରୀକ୍ଷା କରିଥାଉ । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ କଳାର ସ୍ଥିତି ତୁଳନାରେ ଆମର ପଦ୍ଧତିର ଉତ୍କୃଷ୍ଟତାକୁ ପ୍ରମାଣିତ କରିଛି । |
09f02eee625b7aa6ba7e6f31cfb56f6d4ddd0fdd | ୱାର୍ଲ୍ଡ ୱାଇଡ ୱେବ (ଡବ୍ଲୁଡବ୍ଲୁଡବ୍ଲୁ) ଏବଂ ସ୍ମାର୍ଟ ଫୋନ ପ୍ରଯୁକ୍ତିର ବିକାଶ ଆମ ଦୈନନ୍ଦିନ ଜୀବନରେ ଏକ ପ୍ରମୁଖ ଭୂମିକା ଗ୍ରହଣ କରିଛି । ଅବସ୍ଥାନ ଆଧାରିତ ସାମାଜିକ ନେଟୱାର୍କ (ଏଲବିଏସଏନ) ବିକଶିତ ହୋଇଛି ଏବଂ ଏହାଦ୍ୱାରା ବ୍ୟବହାରକାରୀମାନେ ଚେକ୍ ଇନ୍ ସୂଚନା ଏବଂ ମଲ୍ଟିମିଡିଆ ବିଷୟବସ୍ତୁକୁ ପରସ୍ପର ମଧ୍ୟରେ ବାଣ୍ଟିବାରେ ସହଜ ହୋଇଛି । ପଏଣ୍ଟ ଅଫ ଇଣ୍ଟରେଷ୍ଟ (ପିଓଆଇ) ସୁପାରିଶ ବ୍ୟବସ୍ଥାରେ ଚେକ୍ ଇନ୍ ସୂଚନାକୁ ବ୍ୟବହାର କରି ଚେକ୍ ଇନ୍ ପାଇଁ ସବୁଠାରୁ ଅଧିକ ସମ୍ଭାବ୍ୟ ସ୍ଥାନର ପୂର୍ବାନୁମାନ କରାଯାଇଥାଏ । ଚେକ୍ ଇନ୍ ସୂଚନାର ବିଭିନ୍ନ ଦିଗ, ଯେପରିକି ଭୌଗୋଳିକ ଦୂରତା, ଶ୍ରେଣୀ ଏବଂ ଏକ POI ର ସାମୟିକ ଲୋକପ୍ରିୟତା; ଏବଂ ସାମୟିକ ଚେକ୍ ଇନ୍ ଟ୍ରେଣ୍ଡ୍, ଏବଂ ଜଣେ ଉପଭୋକ୍ତାଙ୍କର ସାମାଜିକ (ବନ୍ଧୁତା) ସୂଚନା ଏକ ଦକ୍ଷ ସୁପାରିଶରେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଭୂମିକା ଗ୍ରହଣ କରେ _ ଏହି କାଗଜରେ ଆମେ ଏକ ମିଳିତ ସୁପାରିଶ ମଡେଲର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହାକୁ MAPS (ମଲ୍ଟି ଆସ୍ପେକ୍ଟ ପର୍ସନାଲାଇଜଡ୍ ପିଓଆଇ ସୁପାରିଶକାରୀ ବ୍ୟବସ୍ଥା) କୁହାଯାଏ ଯାହା ଆମର ଜ୍ଞାନରେ ପ୍ରଥମ ହେବ ଯାହା ଶ୍ରେଣୀଗତ, କାଳୀନ, ସାମାଜିକ ଏବଂ ଭୌଗୋଳିକ ଦିଗକୁ ଏକ ମଡେଲରେ ମିଶ୍ରଣ କରିବ । ଏହି କାଗଜରେ ମୁଖ୍ୟ ଅବଦାନ ହେଉଛି: (i) ଏହା ବର୍ଗ ଏବଂ ଦୂରତା ଦିଗ ଉପରେ ପ୍ରତିବନ୍ଧକ ସହିତ ଅବସ୍ଥାନ ନୋଡର ଏକ ଗ୍ରାଫ ଭାବରେ ସମସ୍ୟାକୁ ହୃଦୟଙ୍ଗମ କରେ (ଅର୍ଥାତ୍, ଦୁଇଟି ସ୍ଥାନ ମଧ୍ୟରେ ଥିବା ସୀମା ଏକ ସୀମା ଦୂରତା ଏବଂ ସ୍ଥାନର ଶ୍ରେଣୀ ଦ୍ୱାରା ସୀମିତ ହୋଇଥାଏ, (ii) ଏହା ଏକ ବହୁ-ଆସପେକ୍ଟ ଫ୍ୟୁଜଡ୍ ପିଓଆଇ ସୁପାରିଶ ମଡେଲ ପ୍ରସ୍ତାବିତ କରେ, ଏବଂ (iii) ଏହା ଦୁଇ ବାସ୍ତବ ଦୁନିଆ ଡାଟା ସେଟ୍ ସହିତ ମଡେଲକୁ ବ୍ୟାପକ ଭାବରେ ମୂଲ୍ୟାଙ୍କନ କରେ । |
04d7b7851683809cab561d09b5c5c80bd5c33c80 | କ୍ୱାଲିଟି ସିଷ୍ଟମଗୁଡ଼ିକ ପ୍ରାଥମିକ ବିଜ୍ଞାନ ପରୀକ୍ଷାର ଆହ୍ୱାନପୂର୍ଣ୍ଣ କ୍ଷେତ୍ରରେ ନିରନ୍ତର ଅଗ୍ରଗତି କରୁଛନ୍ତି । ଏହି କାର୍ଯ୍ୟରେ, ଆମେ ଜ୍ଞାନ ଏବଂ ଅନୁମାନ ଆବଶ୍ୟକତା ଉପରେ ଏକ ବ୍ୟାଖ୍ୟା-ଆଧାରିତ ବିଶ୍ଳେଷଣ ବିକଶିତ କରୁ, ଯାହା ଆହ୍ୱାନଗୁଡ଼ିକର ଏକ ସୂକ୍ଷ୍ମ-ଗ୍ରାନାଇଲ୍ ବର୍ଣ୍ଣନାକୁ ସମର୍ଥନ କରେ । ବିଶେଷକରି, ଆମେ ଗୁଣବତ୍ତା ସୁନିଶ୍ଚିତ କରିବା କାର୍ଯ୍ୟ ପାଇଁ ଉପଯୁକ୍ତ ପ୍ରମାଣ ଉତ୍ସ ଉପରେ ଆଧାର କରି ଆବଶ୍ୟକତାକୁ ମଡେଲ୍ କରୁଛୁ । ଆମେ ପ୍ରଥମେ ଜ୍ଞାନ ଆଧାରରେ ଉପଯୁକ୍ତ ବାକ୍ୟ ଚିହ୍ନଟ କରି ଆବଶ୍ୟକତାଗୁଡ଼ିକୁ ସୃଷ୍ଟି କରୁ ଯାହା ସଠିକ୍ ଉତ୍ତରକୁ ସମର୍ଥନ କରେ, ତାପରେ ବ୍ୟାଖ୍ୟା ନିର୍ମାଣ ପାଇଁ ଏହାକୁ ବ୍ୟବହାର କରି, ଯେକୌଣସି ଆବଶ୍ୟକୀୟ ଅଭାବୀ ସୂଚନା ପୂରଣ କରି । ଏହି ବ୍ୟାଖ୍ୟା ଗୁଡିକ ଆବଶ୍ୟକତାର ଏକ ସୂକ୍ଷ୍ମ ବର୍ଗୀକରଣ ସୃଷ୍ଟି କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୁଏ । ଏହି ଆବଶ୍ୟକତାକୁ ବ୍ୟବହାର କରି, ଆମେ ୨୧୨ଟି ପ୍ରଶ୍ନ ଉପରେ ଏକ ରିଟ୍ରିଭଲ ଏବଂ ଏକ ଇନଫେରାନ୍ସ ସଲଭରକୁ ତୁଳନା କରିଥାଉ । ବିଶ୍ଳେଷଣରୁ ଅନୁମାନ ସମାଧାନର ଲାଭକୁ ପ୍ରମାଣିତ କରାଯାଇଥାଏ, ଏହା ଦର୍ଶାଇଥାଏ ଯେ ଏହା ଜଟିଳ ଅନୁମାନ ଆବଶ୍ୟକ କରୁଥିବା ଅଧିକ ପ୍ରଶ୍ନର ଉତ୍ତର ଦେଇଥାଏ, ଏହା ସହିତ ସମାଧାନକାରୀ ଏବଂ ଜ୍ଞାନ ଉତ୍ସଗୁଡ଼ିକର ଆପେକ୍ଷିକ ଶକ୍ତି ବିଷୟରେ ମଧ୍ୟ ଅନ୍ତର୍ଦୃଷ୍ଟି ପ୍ରଦାନ କରିଥାଏ । ବିଜ୍ଞାନ ପରୀକ୍ଷା କ୍ୱାଲିଟି ଏଜେନ୍ସି ପାଇଁ ବ୍ୟାପକ ଉପଯୋଗିତା ସହିତ ବିଜ୍ଞାପିତ ପ୍ରଶ୍ନ ଏବଂ ବ୍ୟାଖ୍ୟାକୁ ଆମେ ଏକ ଉତ୍ସ ଭାବରେ ପ୍ରକାଶ କରୁଛୁ, ଯେଉଁଥିରେ ଜ୍ଞାନ ଆଧାର ନିର୍ମାଣ ଲକ୍ଷ୍ୟ ନିର୍ଦ୍ଧାରଣ କରିବା ସହିତ ସ୍ୱୟଂଚାଳିତ ଅନୁମାନରେ ସୂଚନା ଏକତ୍ରୀକରଣକୁ ସମର୍ଥନ କରିବା ଅନ୍ତର୍ଭୁକ୍ତ ଅଟେ । |
248040fa359a9f18527e28687822cf67d6adaf16 | ଆମେ ରୋବଟ ଲର୍ଣ୍ଣିଂ ଫର୍ମ ଡେମୋନ୍ଷ୍ଟ୍ରେସନ (ଏଲଏଫଡି) ର ଏକ ବ୍ୟାପକ ସର୍ବେକ୍ଷଣ ଉପସ୍ଥାପନ କରୁଛୁ, ଯାହା ଏକ କୌଶଳ ଯାହା ଉଦାହରଣରୁ କାର୍ଯ୍ୟ ମାନଚିତ୍ର ପର୍ଯ୍ୟନ୍ତ ନୀତି ବିକଶିତ କରେ । ଆମେ LfD ର ଡିଜାଇନ ବିକଳ୍ପକୁ ପ୍ରଦର୍ଶନକାରୀ, ସମସ୍ୟା ସ୍ଥାନ, ନୀତି ନିର୍ଦ୍ଧାରଣ ଏବଂ କାର୍ଯ୍ୟଦକ୍ଷତା ଦୃଷ୍ଟିରୁ ପରିଚିତ କରାଉଛୁ ଏବଂ LfD ଗବେଷଣାକୁ ଶ୍ରେଣୀଭୁକ୍ତ କରିବା ପାଇଁ ଏକ ସଂରଚନା ପାଇଁ ମୂଳଦୁଆ ଯୋଗାଉଛୁ । ବିଶେଷକରି, ଆମେ ଅନେକ ଉପାୟରେ ବିଶ୍ଳେଷଣ ଏବଂ ଶ୍ରେଣୀଭୁକ୍ତ କରିଥାଉ ଯେଉଁଥିରେ ଉଦାହରଣ ସଂଗ୍ରହ କରାଯାଏ, ଟେଲିଅପରେସନ୍ ଠାରୁ ନକଲ ପର୍ଯ୍ୟନ୍ତ, ନୀତି ନିର୍ଦ୍ଧାରଣ ପାଇଁ ବିଭିନ୍ନ କୌଶଳ, ମେଳ କରୁଥିବା କାର୍ଯ୍ୟ, ଗତିଶୀଳ ମଡେଲ ଏବଂ ଯୋଜନା ସହିତ । ଶେଷରେ ଆମେ ଏଲଏଫଡିର ସୀମିତତା ଏବଂ ଭବିଷ୍ୟତର ଗବେଷଣା ପାଇଁ ଏହା ସହ ଜଡ଼ିତ ଆଶାନୁରୂପ କ୍ଷେତ୍ର ବିଷୟରେ ଆଲୋଚନା କରିବା । |
38b1eb892e51661cd0e3c9f6c38f1f7f8def1317 | ସ୍ମାର୍ଟଫୋନ୍ ଏବଂ ଆପ୍ ବଜାରରେ ତୃତୀୟ ପକ୍ଷ ଆପ୍ଲିକେସନ୍ଗୁଡ଼ିକ କିପରି ବ୍ୟବହାରକାରୀଙ୍କ ଗୋପନୀୟତା ସମ୍ବେଦନଶୀଳ ତଥ୍ୟର ଅପବ୍ୟବହାର କିମ୍ବା ଅପବ୍ୟବହାର କରିପାରନ୍ତି ସେ ନେଇ ଚିନ୍ତା ପ୍ରକଟ ହୋଇଛି । ସୌଭାଗ୍ୟବଶତଃ, ପିସି ଦୁନିଆ ଭଳି ନୁହେଁ, ଆମର ପାଖରେ ଏକ ଅନନ୍ୟ ସୁଯୋଗ ରହିଛି ମୋବାଇଲ ଆପ୍ଲିକେସନର ସୁରକ୍ଷାକୁ ଉନ୍ନତ କରିବା ପାଇଁ ଲୋକପ୍ରିୟ ଆପ୍ଲିକେସନ ବଜାର ମାଧ୍ୟମରେ ଆପ୍ଲିକେସନ ବିତରଣର କେନ୍ଦ୍ରୀକୃତ ପ୍ରକୃତି ଯୋଗୁଁ । ଆପ୍ ମାର୍କେଟରେ ପ୍ରବେଶ ପ୍ରକ୍ରିୟା ଅନ୍ତର୍ଗତ ପ୍ରୟୋଗ କରାଯାଇଥିବା ଆପ୍ସର ସମ୍ପୂର୍ଣ୍ଣ ବୈଧତା ମୋବାଇଲ ଡିଭାଇସ୍ ସୁରକ୍ଷା ବୃଦ୍ଧି କରିବାର କ୍ଷମତା ରଖିଛି । ଏହି କାଗଜରେ, ଆମେ ଆପ୍ ଇନ୍ସପେକ୍ଟର, ଏକ ସ୍ୱୟଂଚାଳିତ ସୁରକ୍ଷା ଯାଞ୍ଚ ବ୍ୟବସ୍ଥାକୁ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଆପ୍ ଗୁଡିକୁ ବିଶ୍ଳେଷଣ କରେ ଏବଂ ସମ୍ଭାବ୍ୟ ସୁରକ୍ଷା ଏବଂ ଗୋପନୀୟତା ଉଲ୍ଲଂଘନ ବିଷୟରେ ରିପୋର୍ଟ ସୃଷ୍ଟି କରେ । ସ୍ୱୟଂଚାଳିତ ବୈଧତା ମାଧ୍ୟମରେ ସ୍ମାର୍ଟଫୋନ୍ ଆପ୍ଲିକେସନ୍ ଗୁଡ଼ିକୁ ଅଧିକ ସୁରକ୍ଷିତ କରିବା ପାଇଁ ଆମେ ଆମର ଦୃଷ୍ଟିକୋଣକୁ ବର୍ଣ୍ଣନା କରିଛୁ ଏବଂ ସୁରକ୍ଷା ଏବଂ ଗୋପନୀୟତା ଉଲ୍ଲଂଘନକୁ ଚିହ୍ନଟ ଏବଂ ବିଶ୍ଳେଷଣ କରିବା, ବିସ୍ତୃତ ପରୀକ୍ଷଣ କଭରେଜ୍ ସୁନିଶ୍ଚିତ କରିବା ଏବଂ ବହୁ ସଂଖ୍ୟକ ଆପ୍ଲିକେସନ୍ ପର୍ଯ୍ୟନ୍ତ ପହଞ୍ଚିବା ଭଳି ପ୍ରମୁଖ ଆହ୍ୱାନଗୁଡ଼ିକର ବର୍ଣ୍ଣନା କରିଛୁ । |
74640bdf33a1e8b7a319fbbbaeccf681f80861cc | |
b7634a0ac84902b135b6073b61ed6a1909f89bd2 | |
c7b007d546d24322152719898c2836910f0d3939 | ଅନୁସନ୍ଧାନମୂଳକ ବିଶ୍ଳେଷଣରୁ ଏହା ମଧ୍ୟ ଜଣାପଡିଛି ଯେ ଛାତ୍ରଛାତ୍ରୀମାନେ ଫେସବୁକ୍ ଭଳି ସାଇଟକୁ ମୁଖ୍ୟତଃ ବ୍ୟକ୍ତିଗତ ସମ୍ପର୍କ ବଜାୟ ରଖିବା ପାଇଁ ବ୍ୟବହାର କରନ୍ତି ଏବଂ ଏସଏନଏସରେ ନିଜର ଉପସ୍ଥାପନା ନିୟନ୍ତ୍ରଣ କରିବା ପାଇଁ ଗୋପନୀୟତା ସେଟିଙ୍ଗକୁ ଚୟନକୃତ ଭାବରେ ବ୍ୟବହାର କରନ୍ତି । ଏହି ଅଧ୍ୟୟନର ଫଳାଫଳଗୁଡ଼ିକ କଲେଜ ଛାତ୍ରମାନଙ୍କର ଏସଏନଏସ ଉପରେ ଆତ୍ମପ୍ରକାଶକୁ ବୁଝିବାରେ ସାହାଯ୍ୟ କରିଥାଏ, ବ୍ୟକ୍ତିତ୍ୱ ଏବଂ ଆତ୍ମପ୍ରକାଶ ଉପରେ ସାହିତ୍ୟକୁ ଯୋଡିଥାଏ ଏବଂ ଅନଲାଇନ୍ ଆତ୍ମପ୍ରକାଶ ଉପରେ ଗବେଷଣା ଏବଂ ଅଭ୍ୟାସ ପାଇଁ ଭବିଷ୍ୟତର ଦିଗକୁ ଆକୃତି ଦେଇଥାଏ । ଏଲ୍ସେଭିୟର ଲିଃ ଦ୍ବାରା ପ୍ରକାଶିତ । ଏହି ଗବେଷଣାର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଉଚ୍ଚ ଶିକ୍ଷାନୁଷ୍ଠାନରେ ସ୍ୱ-ପ୍ରକଟତା ଉପରେ ବର୍ତ୍ତମାନର ସିଦ୍ଧାନ୍ତକୁ ଅନଲାଇନ କ୍ଷେତ୍ରରେ ବିସ୍ତାର କରିବା ଏବଂ ଏକ ଲୋକପ୍ରିୟ ସାମାଜିକ ନେଟୱାର୍କିଂ ସାଇଟ୍ (ଏସଏନଏସ), ଫେସବୁକ୍, ର କଲେଜ ଛାତ୍ରମାନଙ୍କ ବ୍ୟବହାର ବିଷୟରେ ଜ୍ଞାନ ଆଧାର ଏବଂ ବୁଝାମଣାକୁ ଯୋଗଦାନ କରିବା । ଆମେ ଏକ ଅଣ-ପରୀକ୍ଷାମୂଳକ ଅଧ୍ୟୟନ କରି ଜାଣିବାକୁ ଚେଷ୍ଟା କଲୁ ଯେ ବିଶ୍ୱବିଦ୍ୟାଳୟର ଛାତ୍ରମାନେ (ଏନ = ୪୬୩) କିପରି ଫେସବୁକ ବ୍ୟବହାର କରନ୍ତି ଏବଂ ଅନଲାଇନ ଏସଏନଏସ ଆଧାରିତ ପରିବେଶରେ ସୂଚନା ପ୍ରକାଶରେ ବ୍ୟକ୍ତିତ୍ୱ ଏବଂ ସଂସ୍କୃତିର ଭୂମିକାକୁ ପରୀକ୍ଷା କରି ଦେଖିଲୁ । ଫଳାଫଳରୁ ଜଣାପଡ଼ିଲା ଯେ ବ୍ୟକ୍ତିମାନେ ଅନଲାଇନ୍ ଓ ବ୍ୟକ୍ତିଗତ ଭାବେ ଭିନ୍ନ ଭାବରେ ପ୍ରକାଶ କରନ୍ତି ଏବଂ ଉଭୟ ସଂସ୍କୃତି ଓ ବ୍ୟକ୍ତିତ୍ୱ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । ବିଶେଷ କରି, ଏହା ଜଣାପଡିଥିଲା ଯେ ଅନ୍ଲାଇନ୍ ପରିବେଶରେ କଥାବାର୍ତ୍ତା କରୁଥିବା ଏବଂ ବାହାର ଲୋକମାନଙ୍କ ପ୍ରତି କମ୍ ଆକର୍ଷିତ ହେଉଥିବା ବ୍ୟକ୍ତିମାନେ ଅନ୍ୟମାନଙ୍କ ତୁଳନାରେ କମ୍ ସଚ୍ଚୋଟ ଏବଂ ଦର୍ଶକମାନଙ୍କ ପାଇଁ ଅଧିକ ପ୍ରାସଙ୍ଗିକ ସୂଚନା ପ୍ରକାଶ କରନ୍ତି । |
c83abfeb5a2f7d431022cd1f8dd7da41431c4810 | ଆମେ ଏକ ଫ୍ରେମୱାର୍କ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହାଦ୍ୱାରା ଚକ୍କରରେ ଡ୍ରାଇଭରଙ୍କ ବ୍ୟବହାରକୁ ଆକଳନ କରାଯାଇପାରିବ ଏବଂ ଏହାର ପ୍ରୟୋଗ ସ୍ୱୟଂ ଚାଳିତ ଡ୍ରାଇଭିଂ ଏବଂ ଯାନର ସୁରକ୍ଷା କ୍ଷେତ୍ରରେ କରାଯାଇପାରିବ । ଏହି ଫ୍ରେମୱାର୍କ ଡ୍ରାଇଭରର ଆଚରଣ ଏବଂ ଯାନର ଗତିଶୀଳତାକୁ ହାଇବ୍ରିଡ ଷ୍ଟେଟ୍ ସିଷ୍ଟମ୍ (ଏଚଏସଏସ) ଭାବରେ ମଡେଲିଂ ଉପରେ ଆଧାରିତ, ଡ୍ରାଇଭର ନିଷ୍ପତ୍ତିକୁ ଏକ ପୃଥକ-ରାଜ୍ୟ ସିଷ୍ଟମ୍ ଭାବରେ ମଡେଲିଂ କରାଯାଏ ଏବଂ ଯାନର ଗତିଶୀଳତାକୁ ଏକ ନିରନ୍ତର-ରାଜ୍ୟ ସିଷ୍ଟମ୍ ଭାବରେ ମଡେଲିଂ କରାଯାଏ । ପ୍ରସ୍ତାବିତ ଆକଳନ ପଦ୍ଧତି ତତ୍କାଳ ନିରନ୍ତର ସ୍ଥିତିକୁ ଟ୍ରାକ୍ କରିବା ପାଇଁ ପର୍ଯ୍ୟବେକ୍ଷଣଯୋଗ୍ୟ ପାରାମିଟର ବ୍ୟବହାର କରିଥାଏ ଏବଂ ଏହି ପର୍ଯ୍ୟବେକ୍ଷଣକୁ ଦୃଷ୍ଟିରେ ରଖି ଡ୍ରାଇଭରଙ୍କ ସବୁଠାରୁ ସମ୍ଭାବ୍ୟ ଆଚରଣର ଆକଳନ କରିଥାଏ । ଏହି କାଗଜରେ ଏକ ଫ୍ରେମୱାର୍କର ବର୍ଣ୍ଣନା କରାଯାଇଛି ଯେଉଁଥିରେ ଯାନ-ଡ୍ରାଇଭର କପଲିଂର ହାଇବ୍ରିଡ୍ ଷ୍ଟ୍ରକଚର ଅନ୍ତର୍ଭୁକ୍ତ ଏବଂ ଏହା ଲୁକ୍କାୟିତ ମାର୍କୋଭ୍ ମଡେଲ (ଏଚଏମଏମ) ବ୍ୟବହାର କରି ଫିଲ୍ଟର ହୋଇଥିବା କ୍ରମାଗତ ପର୍ଯ୍ୟବେକ୍ଷଣରୁ ଡ୍ରାଇଭରର ଆଚରଣକୁ ଆକଳନ କରିଥାଏ । ଏହି ପଦ୍ଧତି ସେହି ପରିସ୍ଥିତି ପାଇଁ ଉପଯୁକ୍ତ ଯେଉଁଠାରେ ଅନ୍ୟ ଯାନଗୁଡ଼ିକର ଅଜଣା ନିଷ୍ପତ୍ତି ନିଆଯାଇଥାଏ, ଯେପରିକି ଲେନ୍ ପରିବର୍ତ୍ତନ କିମ୍ବା ଅନ୍ତରାଗ ପାଇଁ ପ୍ରବେଶ । ଏହି ପରିପ୍ରେକ୍ଷୀରେ, ବ୍ୟାପକ ତଥ୍ୟ ସଂଗ୍ରହ ଆବଶ୍ୟକ ଏବଂ ଲେଖକମାନେ ଯାନବାହନ ଚାଳନା ତଥ୍ୟ ସଂଗ୍ରହ ଏବଂ ବିଶ୍ଳେଷଣରେ ବ୍ୟବହୃତ ପ୍ରକ୍ରିୟା ବର୍ଣ୍ଣନା କରିଛନ୍ତି । ଉଦାହରଣ ସ୍ୱରୂପ, ପ୍ରସ୍ତାବିତ ହାଇବ୍ରିଡ୍ ଆର୍କିଟେକ୍ଚର ଏବଂ ଡ୍ରାଇଭର ବ୍ୟବହାର ଆକଳନ କୌଶଳଗୁଡିକ ପ୍ରଶିକ୍ଷଣ ଏବଂ ପରୀକ୍ଷା କରାଯାଇଥାଏ ଏବଂ ଉଦାହରଣମୂଳକ ଫଳାଫଳ ସହିତ ଅନ୍ତଃସର୍କିଟ ନିକଟରେ ପରୀକ୍ଷା କରାଯାଇଥାଏ । ପ୍ରସ୍ତାବିତ ଢାଞ୍ଚା, ସରଳ ଶ୍ରେଣୀକରଣ ଏବଂ ପ୍ରାକୃତିକ ଚାଳକ ଆକଳନ ମଧ୍ୟରେ ତୁଳନା କରାଯାଇଛି । ଏହି ଫଳାଫଳରୁ ଜଣାପଡ଼ୁଛି ଯେ HSS-HMM ଫ୍ରେମୱାର୍କର ବ୍ୟବହାର ପାଇଁ ଏହା ବେଶ୍ ସହାୟକ ହେବ । |
a8c1347b82ba3d7ce03122955762db86d44186d0 | ଏହି କାଗଜରେ ଏକ ନୂଆ ଢାଞ୍ଚା ବିକଶିତ କରାଯାଇଛି ଯାହାଦ୍ୱାରା ବଡ଼ ଆକାରର ଭିଡିଓକୁ ସଠିକ ଭାବେ ପୁନରୁଦ୍ଧାର କରାଯାଇପାରିବ । ଆମେ ଉଚ୍ଚ ସ୍ତରୀୟ ସମାନତା ଅନୁସାରେ ଭିଡିଓ ଖୋଜିବାକୁ ଲକ୍ଷ୍ୟ ରଖିଛୁ, ଯାହା ପାରମ୍ପରିକ ପାଖାପାଖି ନକଲି ସନ୍ଧାନର ପରିସର ବାହାରେ । ଲୋକପ୍ରିୟ ହ୍ୟାସିଂ କୌଶଳ ଅନୁସରଣ କରି ଆମେ ନିକଟତମ ପଡ଼ୋଶୀ ଖୋଜିବା ପାଇଁ କମ୍ପାକ୍ଟ ବାଇନାରୀ କୋଡ୍ ବ୍ୟବହାର କରୁ । ପୂର୍ବବର୍ତ୍ତୀ ପଦ୍ଧତିଗୁଡିକର ବିପରୀତ ଯେଉଁଗୁଡ଼ିକ କେବଳ ଗୋଟିଏ ପ୍ରକାରର ହ୍ୟାଶ କୋଡକୁ ପୁନରୁଦ୍ଧାର ପାଇଁ ବ୍ୟବହାର କରନ୍ତି, ଏହି କାଗଜରେ ଭିଡିଓରେ ବିବିଧ ଏବଂ ବହୁ-ମାପ ଭିଜୁଆଲ୍ ବିଷୟବସ୍ତୁକୁ ପ୍ରଭାବଶାଳୀ ଭାବରେ ବର୍ଣ୍ଣନା କରିବା ପାଇଁ ବିଭିନ୍ନ ପ୍ରକାରର ହ୍ୟାଶ କୋଡ୍ ମିଶ୍ରଣ କରାଯାଇଛି । ଆମର ପଦ୍ଧତି ଗୋଟିଏ ଢାଞ୍ଚାରେ ବୈଶିଷ୍ଟ୍ୟ ପୁଲିଂ ଏବଂ ହ୍ୟାସିଂକୁ ଏକୀକୃତ କରେ । ପୁଲିଂ ପର୍ଯ୍ୟାୟରେ, ଆମେ ଭିଡିଓ ଫ୍ରେମ୍ଗୁଡ଼ିକୁ ପୂର୍ବ ନିର୍ଦ୍ଧାରିତ ଉପାଦାନଗୁଡ଼ିକର ଏକ ସେଟରେ ପକାଇଥାଉ, ଯାହା ଭିଡିଓ ବିଷୟବସ୍ତୁର ବିଭିନ୍ନ ଅର୍ଥକୁ ଧାରଣ କରିଥାଏ । ହ୍ୟାସିଂ ପର୍ଯ୍ୟାୟରେ, ଆମେ ପ୍ରତ୍ୟେକ ଭିଡିଓ ଉପାଦାନକୁ ଏକ କମ୍ପାକ୍ଟ ହ୍ୟାଶ କୋଡ୍ ଭାବରେ ପ୍ରତିନିଧିତ୍ୱ କରୁ, ଏବଂ ପ୍ରଭାବଶାଳୀ ସନ୍ଧାନ ପାଇଁ ଏକାଧିକ ହ୍ୟାଶ କୋଡ୍ କୁ ହ୍ୟାଶ ଟେବୁଲରେ ମିଶ୍ରଣ କରୁ _ ଅଧିକ ସୂଚନା ପ୍ରଦାନକାରୀ କୋଡକୁ ବଜାୟ ରଖି ପୁନରୁଦ୍ଧାରକୁ ତ୍ୱରାନ୍ୱିତ କରିବା ପାଇଁ, ଆମେ ଗ୍ରାଫ ଆଧାରିତ ପ୍ରଭାବ ସର୍ବାଧିକକରଣ ପଦ୍ଧତିକୁ ପୁଲିଂ ଏବଂ ହ୍ୟାସିଂ ପର୍ଯ୍ୟାୟକୁ ସଂଯୋଗ କରିବାକୁ ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଆମେ ଦେଖାଇଛୁ ଯେ ପ୍ରଭାବ ସର୍ବାଧିକକରଣ ସମସ୍ୟା ହେଉଛି ସବମୋଡୁଲାର, ଯାହା ଏକ ଲୋଭୀ ଅପ୍ଟିମାଇଜେସନ୍ ପଦ୍ଧତିକୁ ଏକ ପ୍ରାୟ ସର୍ବୋତ୍ତମ ସମାଧାନ ହାସଲ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ଆମର ଏହି ପଦ୍ଧତି ବହୁତ ପ୍ରଭାବଶାଳୀ, TRECVID ଡାଟାସେଟରୁ ହଜାର ହଜାର ଭିଡିଓ କ୍ଲିପକୁ ପ୍ରାୟ ୦.୦୦୧ ସେକେଣ୍ଡରେ ବାହାର କରିପାରୁଛି । 1 ମିଲିୟନ ନମୁନା ସହିତ ଏକ ବୃହତ ସ୍ତରର ସିନ୍ଥେଟିକ୍ ଡାଟାସେଟ୍ ପାଇଁ, ଏହା 100 ଟି ପ୍ରଶ୍ନର ଉତ୍ତର ଦେବାକୁ 1 ସେକେଣ୍ଡରୁ କମ୍ ସମୟ ନେଇଥାଏ । ଆମର ଏହି ପଦ୍ଧତିକୁ ଉଭୟ ନିରୀକ୍ଷଣ ଏବଂ ନିରୀକ୍ଷଣ ପରିସ୍ଥିତିରେ ବ୍ୟାପକ ଭାବେ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଛି ଏବଂ TRECVID ମଲ୍ଟିମିଡିଆ ଇଭେଣ୍ଟ ଡିଟେକ୍ସନ ଏବଂ କଲମ୍ବିଆ କନଜ୍ୟୁମର ଭିଡିଓ ଡାଟାସେଟରେ ଏହାର ଫଳାଫଳ ଆମର ପ୍ରସ୍ତାବିତ କୌଶଳର ସଫଳତାକୁ ଦର୍ଶାଉଛି । |
0faccce84266d2a8f0c4fa08c33b357b42cf17f2 | ଅନେକ ଭାଷା ସୃଷ୍ଟି କାର୍ଯ୍ୟ ପାଇଁ ଉଭୟ ସଂରଚନା ଏବଂ ଅଣସଂରଚନା ଇନପୁଟ ଉପରେ ଆଧାରିତ ପାଠର ଉତ୍ପାଦନ ଆବଶ୍ୟକ ହୋଇଥାଏ । ଆମେ ଏକ ନୂତନ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ସ୍ଥାପତ୍ୟ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ସଂଖ୍ୟକ ଇନପୁଟ୍ ଫଙ୍କସନ୍ ଉପରେ ନିର୍ଭର କରି ଏକ ଆଉଟପୁଟ୍ ସିକ୍ୱେନ୍ସ ସୃଷ୍ଟି କରେ । ଆମର ଆଭିମୁଖ୍ୟ ଉଭୟ ସର୍ତ୍ତାବଳୀ ପ୍ରସଙ୍ଗର ପସନ୍ଦ ଏବଂ ସୃଷ୍ଟିର ବିସ୍ତୃତତା, ଉଦାହରଣ ସ୍ୱରୂପ ଅକ୍ଷର କିମ୍ବା ଟୋକନ୍, ପାର୍ଶ୍ୱବର୍ତ୍ତୀ ହେବାକୁ ଅନୁମତି ଦେଇଥାଏ, ଯାହାଦ୍ୱାରା ମାପଯୋଗ୍ୟ ଏବଂ ପ୍ରଭାବଶାଳୀ ତାଲିମକୁ ଅନୁମତି ଦେଇଥାଏ । ଏହି ଫ୍ରେମୱାର୍କକୁ ବ୍ୟବହାର କରି ଆମେ ପ୍ରାକୃତିକ ଭାଷା ଏବଂ ସଂରଚନା ନିର୍ଦ୍ଦିଷ୍ଟକରଣର ମିଶ୍ରଣରୁ ପ୍ରୋଗ୍ରାମିଂ କୋଡ୍ ସୃଷ୍ଟି କରିବାର ସମସ୍ୟାକୁ ସମାଧାନ କରିଥାଉ । ଆମେ ଏହି ପାରାଡିଗମ ପାଇଁ ଦୁଇଟି ନୂତନ ଡାଟା ସେଟ୍ ତିଆରି କରିଛୁ ଯାହା ସଂଗ୍ରହଯୋଗ୍ୟ କାର୍ଟ ଗେମ୍ସ ମ୍ୟାଜିକ୍ ଦି ଗେଥରିଂ ଏବଂ ହାର୍ଥଷ୍ଟୋନରୁ ଆସିଛି । ଏହିସବୁ ଏବଂ ତୃତୀୟ ପୂର୍ବରୁ ଥିବା କୋରପସ୍ ଉପରେ, ଆମେ ଦର୍ଶାଇଛୁ ଯେ ଏକାଧିକ ପୂର୍ବାନୁମାନକାରୀଙ୍କୁ ବାଦ ଦେବା ଦ୍ୱାରା ଆମର ମଡେଲ ଦୃଢ଼ ମାନଦଣ୍ଡକୁ ଅତିକ୍ରମ କରିପାରିବ । |
ac569822882547080d3dc51fed10c746946a6cfd | |
e70ea58d023df2c31325a9b409ee4493e38b6768 | |
3895912b187adee599b1ea662da92865dd0b197d | ଉଦ୍ଦେଶ୍ୟ ସ୍ୱାସ୍ଥ୍ୟ ସେବା କ୍ଷେତ୍ରରେ ବିଗ୍ ଡାଟା ବିଶ୍ଳେଷଣର ସମ୍ଭାବନା ଓ ସମ୍ଭାବନା ବିଷୟରେ ବର୍ଣ୍ଣନା କରିବା । ଏହି ପତ୍ରିକାରେ ସ୍ୱାସ୍ଥ୍ୟସେବାରେ ବିଗ୍ ଡାଟା ଆନାଲିଟିକ୍ସର ନୂତନ କ୍ଷେତ୍ରର ବର୍ଣ୍ଣନା କରାଯାଇଛି, ଏହାର ଲାଭ ବିଷୟରେ ଆଲୋଚନା କରାଯାଇଛି, ଏହାର ସ୍ଥାପତ୍ୟ ଢାଞ୍ଚା ଏବଂ ପଦ୍ଧତି ବିଷୟରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି, ସାହିତ୍ୟରେ ରିପୋର୍ଟ କରାଯାଇଥିବା ଉଦାହରଣଗୁଡ଼ିକର ବର୍ଣ୍ଣନା କରାଯାଇଛି, ଆହ୍ୱାନଗୁଡ଼ିକ ବିଷୟରେ ସଂକ୍ଷିପ୍ତ ଆଲୋଚନା କରାଯାଇଛି ଏବଂ ନିଷ୍କର୍ଷ ପ୍ରଦାନ କରାଯାଇଛି । ଏହି ରିପୋର୍ଟରେ ସ୍ୱାସ୍ଥ୍ୟସେବା ଗବେଷକ ଏବଂ ପ୍ରାକ୍ଟିସନରଙ୍କ ପାଇଁ ବିଗ୍ ଡାଟା ଆନାଲିଟିକ୍ସର ବ୍ୟାପକ ସମୀକ୍ଷା କରାଯାଇଛି । ସ୍ୱାସ୍ଥ୍ୟ ସେବା କ୍ଷେତ୍ରରେ ବିଗ୍ ଡାଟା ବିଶ୍ଳେଷଣ ଏକ ଆଶାନୁରୂପ କ୍ଷେତ୍ର ଭାବେ ବିକଶିତ ହେଉଛି ଯାହାକି ଅତି ବଡ଼ ଡାଟା ସେଟରୁ ଅନ୍ତର୍ଦୃଷ୍ଟି ପ୍ରଦାନ କରିବା ଏବଂ ଖର୍ଚ୍ଚ ହ୍ରାସ କରିବା ସହିତ ଫଳାଫଳରେ ଉନ୍ନତି ଆଣିବା ପାଇଁ ଉଦ୍ଦିଷ୍ଟ । ଏହାର ସମ୍ଭାବନା ବହୁତ ଅଧିକ; ତଥାପି, ଏହାର ସମାଧାନ ପାଇଁ ଅନେକ ଆହ୍ୱାନ ରହିଛି । |
73a19026fb8a6ef5bf238ff472f31100c33753d0 | ଏହି ଲେଖାରେ ଆମେ ସଂଘୀୟ ନିୟମ ଖନନ ସମ୍ବନ୍ଧରେ ମୌଳିକ ଧାରଣା ବିଷୟରେ ପ୍ରାଥମିକ ସୂଚନା ପ୍ରଦାନ କରିଛୁ ଏବଂ ବର୍ତ୍ତମାନର ସଂଘୀୟ ନିୟମ ଖନନ କୌଶଳଗୁଡ଼ିକର ତାଲିକାକୁ ସମୀକ୍ଷା କରିଛୁ । ଅବଶ୍ୟ, ଗୋଟିଏ ଲେଖାରେ ସମସ୍ତ ଆଲଗୋରିଦମର ସମ୍ପୂର୍ଣ୍ଣ ସମୀକ୍ଷା କରାଯାଇପାରିବ ନାହିଁ, ତଥାପି ଆମେ ଆଶା କରୁଛୁ ଯେ ଉଦ୍ଧୃତ ସନ୍ଦର୍ଭଗୁଡ଼ିକ ପ୍ରମୁଖ ଥିଓରିକଲ ପ୍ରସଙ୍ଗକୁ କଭର କରିବ, ଗବେଷକଙ୍କୁ ଆକର୍ଷଣୀୟ ଗବେଷଣା ଦିଗରେ ମାର୍ଗଦର୍ଶନ କରିବ ଯାହା ଏପର୍ଯ୍ୟନ୍ତ ଅନୁସନ୍ଧାନ କରାଯାଇନାହିଁ । |
75e5ba7621935b57b2be7bf4a10cad66a9c445b9 | ଆମେ ଏକ ପାରାମିଟର ମୁକ୍ତ ଚେହେରା ଚିହ୍ନଟ ଆଲଗୋରିଦମ ବିକଶିତ କରିଛୁ ଯାହା ଆଲୋକ, ଅଭିବ୍ୟକ୍ତି, ଅନ୍ଧକାର ଏବଂ ବୟସ ର ବଡ଼ ପରିବର୍ତ୍ତନ ପ୍ରତି ସମ୍ବେଦନଶୀଳ ନୁହେଁ ପ୍ରତି ବିଷୟ ପାଇଁ ଗୋଟିଏ ଗ୍ୟାଲେରୀ ନମୁନା ବ୍ୟବହାର କରି । ଆମେ ଏହି ଅବଲୋକନର ଲାଭ ଉଠାଇଛୁ ଯେ ସମାନ ଦୂରତା ବିଶିଷ୍ଟ ପ୍ରୋଟୋଟାଇପଗୁଡ଼ିକର ଅନ୍ତର୍ଭୁକ୍ତିକରଣ ହେଉଛି ଏକ ସର୍ବୋତ୍ତମ ଅନ୍ତର୍ଭୁକ୍ତିକରଣ ଯାହା ଶ୍ରେଣୀଗୁଡ଼ିକ ମଧ୍ୟରେ ସର୍ବନିମ୍ନ ଏକ-ବିରୋଧ-ଶେଷ ସୀମାକୁ ସର୍ବାଧିକ କରିଥାଏ । ତାଲିମ ତଥ୍ୟର ବିଶ୍ୱସ୍ତରୀୟ କିମ୍ବା ସ୍ଥାନୀୟ ସଂରଚନାକୁ ସଂରକ୍ଷଣ କରିବା ପରିବର୍ତ୍ତେ, ଆମର ପଦ୍ଧତି, ଯାହାକୁ ରେଖୀଗତ ରିଗ୍ରେସନ ବିଶ୍ଳେଷଣ (LRA) କୁହାଯାଏ, ତାଲିମ ତଥ୍ୟର ପ୍ରକୃତ ସଂରଚନାକୁ ବିଚାରକୁ ନ ନେଇ ସମାନ ଦୂରତା ଥିବା ସ୍ଥାନକୁ ଗ୍ୟାଲେରୀ ନମୁନା ମ୍ୟାପ୍ କରିବା ପାଇଁ ସର୍ବନିମ୍ନ-ସ୍କୋୟାର ରିଗ୍ରେସନ କୌଶଳ ପ୍ରୟୋଗ କରେ । ଏହାବ୍ୟତୀତ, ଏକ ନୂଆ ଜେନେରିକ୍ ଲର୍ଣ୍ଣିଂ ପଦ୍ଧତି, ଯାହା ଜେନେରିକ୍ ଚେହେରାଗୁଡ଼ିକର ଅନ୍ତଃ-ଶ୍ରେଣୀ ଚେହେରା ପାର୍ଥକ୍ୟକୁ ଶୂନ୍ୟ ଭେକ୍ଟର ପର୍ଯ୍ୟନ୍ତ ମ୍ୟାପ୍ କରିଥାଏ, LRA ର ସାଧାରଣକରଣ କ୍ଷମତାକୁ ବୃଦ୍ଧି କରିବା ପାଇଁ ଅନ୍ତର୍ଭୁକ୍ତ କରାଯାଇଛି । ଏହି ନୂଆ ପଦ୍ଧତି ବ୍ୟବହାର କରି, ଅଳ୍ପ କିଛି ଜେନେରିକ୍ ଶ୍ରେଣୀ ଉପରେ ଆଧାରିତ ଶିକ୍ଷାଲାଭ, ଚେହେରା ଚିହ୍ନଟ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଉନ୍ନତ କରିପାରିବ, ଏପରିକି ଯେତେବେଳେ ଜେନେରିକ୍ ତଥ୍ୟ ଏକ ଭିନ୍ନ ଡାଟାବେସ୍ ଏବଂ କ୍ୟାମେରା ସେଟ୍ ଅପ୍ ରୁ ସଂଗ୍ରହ କରାଯାଇଥାଏ । ଗ୍ରେଭିଲ୍ ଆଲଗୋରିଦମ ଉପରେ ଆଧାରିତ ବୃଦ୍ଧିଶୀଳ ଶିକ୍ଷଣ ନୂତନ ଭାବେ ଆସୁଥିବା ଗ୍ୟାଲେରୀ ଶ୍ରେଣୀ, ପ୍ରଶିକ୍ଷଣ ନମୁନା କିମ୍ବା ସାଧାରଣ ପରିବର୍ତ୍ତନରୁ ମ୍ୟାପିଂ ମାଟ୍ରିକ୍ସକୁ ଦକ୍ଷତାର ସହିତ ଅପଡେଟ୍ କରିଥାଏ । ଯଦିଓ ଏହା ସରଳ ଓ ପାରାମିଟର ମୁକ୍ତ, LRA, ସାଧାରଣ ଭାବରେ ବ୍ୟବହୃତ ସ୍ଥାନୀୟ ବର୍ଣ୍ଣନାକାରୀ ସହିତ ମିଳିତ, ଯେପରିକି ଗାବୋର ପ୍ରତିନିଧିତ୍ୱ ଏବଂ ସ୍ଥାନୀୟ ବାଇନାରୀ ପ୍ୟାଟର୍ନ, ବିସ୍ତୃତ ୟେଲ୍ B, CMU PIE, AR, ଏବଂ ଅନୁରୂପ ଲେଖକ ଉପରେ ଅନେକ ମାନକ ପରୀକ୍ଷଣ ପାଇଁ ଅତ୍ୟାଧୁନିକ ପଦ୍ଧତିକୁ ଅତିକ୍ରମ କରେ । ଟେଲି: +୮୬ ୧୦ ୬୨୮୩୦୫୯ ଫ୍ୟାକ୍ସ: +୮୬ ୧୦ ୬୨୮୫୦୧୯ ଇମେଲ ଠିକଣା: [email protected] (ୱେହଙ୍ଗ ଡେଙ୍ଗ) ପ୍ରିପ୍ରିଣ୍ଟ ଏଲସେଭିୟରଙ୍କୁ ୨୮ ମାର୍ଚ୍ଚ ୨୦୧୪ରେ ପଠାଯାଇଥିଲା |
b1cfe7f8b8557b03fa38036030f09b448d925041 | ଏହି କାଗଜରେ ମାନବ ଦୃଷ୍ଟି ପ୍ରଣାଳୀର ପ୍ରାରମ୍ଭିକ ପର୍ଯ୍ୟାୟରେ ଦୃଶ୍ୟ ସୂଚନା ପ୍ରକ୍ରିୟାକରଣ ପାଇଁ ବହୁ-ଚ୍ୟାନେଲ ଫିଲ୍ଟରିଂ ତତ୍ତ୍ୱ ଦ୍ୱାରା ଅନୁପ୍ରାଣିତ ଏକ ଟେକ୍ସଚର ସେଗମେଂଟେଶନ ଆଲଗୋରିଦମ ଉପସ୍ଥାପନ କରାଯାଇଛି । ଏହି ଚ୍ୟାନେଲ ଗୁଡ଼ିକ ଗାବୋର ଫିଲ୍ଟର ଦ୍ୱାରା ପରିଚିତ ଯାହାକି ପ୍ରାୟତଃ ସମାନ ଭାବରେ ସ୍ପେସିଆଲ ଫ୍ରିକ୍ୱେନ୍ସି ଡୋମେନକୁ କଭର କରିଥାଏ ଏବଂ ଏକ ବ୍ୟବସ୍ଥିତ ଫିଲ୍ଟର ଚୟନ ଯୋଜନା ପ୍ରସ୍ତାବିତ କରାଯାଇଛି, ଯାହା ଫିଲ୍ଟର ହୋଇଥିବା ପ୍ରତିଛବିରୁ ଇନପୁଟ୍ ପ୍ରତିଛବିର ପୁନଃନିର୍ମାଣ ଉପରେ ଆଧାରିତ । ପ୍ରତ୍ୟେକ (ନିର୍ବାଚିତ) ଫିଲ୍ଟର ହୋଇଥିବା ପ୍ରତିଛବିକୁ ଏକ ଅଣ-ଲିନିୟର ରୂପାନ୍ତରଣରେ ବହନ କରି ଏବଂ ପ୍ରତ୍ୟେକ ପିକ୍ସେଲ ଚାରିପାଖରେ ଏକ ୱିଣ୍ଡୋରେ "ଶକ୍ତି"ର ଏକ ମାପ ଗଣନା କରି ଟେକ୍ସଚର ବିଶେଷତା ପ୍ରାପ୍ତ ହୁଏ । ଏକ ବର୍ଗ-ତ୍ରୁଟି କ୍ଲଷ୍ଟରିଂ ଆଲଗୋରିଦମକୁ ବ୍ୟବହାର କରି ବିଶେଷତା ପ୍ରତିଛବିଗୁଡ଼ିକୁ ଏକୀକୃତ କରାଯାଇ ଏକ ସେଗମେଂଟେଶନ ସୃଷ୍ଟି କରାଯାଇଥାଏ । କ୍ଲଷ୍ଟର ପ୍ରକ୍ରିୟାରେ ଭୌଗଳିକ ସୂଚନାକୁ ସାମିଲ କରିବା ପାଇଁ ଏକ ସରଳ ପ୍ରକ୍ରିୟା ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । "ସତ୍ୟ" ସଂଖ୍ୟା ନିର୍ଣ୍ଣୟ କରିବା ପାଇଁ ଏକ ଆପେକ୍ଷିକ ସୂଚକାଙ୍କ ବ୍ୟବହାର କରାଯାଏ । ଟେକ୍ସଚର ସେଗମେଂଟ ମଲ୍ଟି-ଚ୍ୟାନେଲ ଫିଲ୍ଟରିଂ କ୍ଲଷ୍ଟରିଂ କ୍ଲଷ୍ଟରିଂ ଇଣ୍ଡେକ୍ସ ଗାବୋର ଫିଲ୍ଟର ୱେଭଲେଟ ଟ୍ରାନ୍ସଫର୍ମ I. ଅନେକ ପ୍ରତିଛବି ବିଶ୍ଳେଷଣ କିମ୍ବା କମ୍ପ୍ୟୁଟର ଭିଜନ ପ୍ରୟୋଗରେ ପ୍ରତିଛବି ବିଭାଜନ ଏକ କଷ୍ଟକର କିନ୍ତୁ ଅତ୍ୟନ୍ତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କାର୍ଯ୍ୟ _ ଛବି ବିଭାଜନ ପାଇଁ କେବଳ ଛୋଟ ପଡୋଶୀ ଅଞ୍ଚଳରେ ହାରାହାରି ଧୂସର ସ୍ତର କିମ୍ବା ରଙ୍ଗରେ ଭିନ୍ନତା ଯଥେଷ୍ଟ ନୁହେଁ । ବରଂ, ପଡ଼ୋଶୀ ପିକ୍ସେଲର ଧୂସର ରଙ୍ଗର ଆଭ୍ୟନ୍ତରୀଣ ସଂରଚନାରେ ଥିବା ପାର୍ଥକ୍ୟ ଉପରେ ନିର୍ଭର କରିବାକୁ ପଡିବ - ଅର୍ଥାତ୍, ରଚନାରେ ଥିବା ପାର୍ଥକ୍ୟ ଉପରେ । ଚିତ୍ରକୁ ଆକାର ଅନୁସାରେ ଭାଗ କରିବା ସମସ୍ୟାକୁ ଆକାର ବିଭାଜନ ସମସ୍ୟା କୁହାଯାଏ । ଆକାର ବିଭାଜନ ଅର୍ଥାତ୍ ଗୋଟିଏ ପ୍ରତିଛବିରେ "ଏକକ ପ୍ରକାର" ଆକାର ଥିବା ଅଞ୍ଚଳ ଚିହ୍ନଟ କରିବା । କୌଣସି ଅଞ୍ଚଳରେ ସମାନତା ଅଛି କି ନାହିଁ ତାହା ନିର୍ଣ୍ଣୟ କରିବା ପାଇଁ ଉପଯୁକ୍ତ ପରିମାଣର ଆକାରର ମାପ ଆବଶ୍ୟକ । ସ୍କ୍ଳାନସ୍କି (o) ନିମ୍ନଲିଖିତ ପରିଭାଷାଟି ପ୍ରସ୍ତାବ କରିଛନ୍ତି ଯାହା ସେଗମେଂଟେଶନ ପରିପ୍ରେକ୍ଷୀରେ ଉପଯୁକ୍ତ ଅଟେ: "ଯଦି ସ୍ଥାନୀୟ ପରିସଂଖ୍ୟାନ କିମ୍ବା ଚିତ୍ରର ଅନ୍ୟାନ୍ୟ ସ୍ଥାନୀୟ ଗୁଣଗୁଡ଼ିକର ଏକ ସେଟ୍ ସ୍ଥିର, ଧୀରେ ଧୀରେ ପରିବର୍ତ୍ତନଶୀଳ କିମ୍ବା ପ୍ରାୟତଃ ସମୟାନୁବର୍ତ୍ତୀ ହୋଇଥାଏ, ତେବେ ପ୍ରତିଛବିରେ ଏକ ଅଞ୍ଚଳର ସ୍ଥିର ଗଠନ ରହିଥାଏ ।" ତେଣୁ, ଆକାରର ଉଭୟ ସ୍ଥାନୀୟ ଏବଂ ବୈଶ୍ୱିକ ଅର୍ଥ ରହିଛି - ଏହା ଏକ ପ୍ରତିଛବି ଅଞ୍ଚଳରେ କିଛି ସ୍ଥାନୀୟ ମାପ କିମ୍ବା ଗୁଣର ଅସ୍ବାଭାବିକତା ଦ୍ୱାରା ବର୍ଣ୍ଣିତ । ପ୍ରାକୃତିକ ଓ କୃତ୍ରିମ ରଂଗର ବିବିଧତା ହେତୁ ଏହାର ସାର୍ବଜନୀନ ପରିଭାଷା ଦେବା ଅସମ୍ଭବ । ଗତ ଦୁଇ ଦଶନ୍ଧି ମଧ୍ୟରେ ଚିତ୍ରର ରଚନାବଳୀ ବିଶ୍ଳେଷଣ ପାଇଁ ଅନେକ କୌଶଳ ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । ଡୁ ପୋଣ୍ଟ ଡି ନେମୋର୍ସ ଆଣ୍ଡ କମ୍ପାନୀ ଇନ୍କର ମଲ୍ଟି-ଚ୍ୟାନେଲ ଫିଲ୍ଟରିଂ ପଦ୍ଧତିକୁ ଗ୍ରହଣ କରିଥିଲେ । ଏହି ଆଭିମୁଖ୍ୟ ମାନବ ଦୃଷ୍ଟି ପ୍ରଣାଳୀର ପ୍ରାରମ୍ଭିକ ପର୍ଯ୍ୟାୟରେ ଦୃଶ୍ୟ ସୂଚନା ପ୍ରକ୍ରିୟାକରଣ ପାଇଁ ଏକ ବହୁ-ଚ୍ୟାନେଲ ଫିଲ୍ଟରିଂ ସିଦ୍ଧାନ୍ତ ଦ୍ୱାରା ଅନୁପ୍ରାଣିତ । ପ୍ରଥମେ କାମ୍ବେଲ ଏବଂ ରବସନଙ୍କ ଦ୍ୱାରା ପ୍ରସ୍ତାବିତ ଏହି ସିଦ୍ଧାନ୍ତରେ କୁହାଯାଇଛି ଯେ ଦୃଶ୍ୟ ପ୍ରଣାଳୀ ରେଟିନା ପ୍ରତିଛବିକୁ ଅନେକ ଫିଲ୍ଟର ହୋଇଥିବା ପ୍ରତିଛବିରେ ବିଭକ୍ତ କରେ, ଯେଉଁଥିରେ ପ୍ରତ୍ୟେକଟି ଫ୍ରିକ୍ୱେନ୍ସି (ଆକାର) ଏବଂ ଦିଗ ନିର୍ଣ୍ଣୟର ଏକ ସଂକୀର୍ଣ୍ଣ ପରିସର ଉପରେ ତୀବ୍ରତା ପରିବର୍ତ୍ତନ ଧାରଣ କରିଥାଏ । ଏହି ପ୍ରକାର ବିଘଟନକୁ ସୂଚାଉଥିବା ମନସ୍ତତ୍ତ୍ବବୈଜ୍ଞାନିକ ପରୀକ୍ଷଣରେ ବିଭିନ୍ନ ପ୍ରକାରର ଗ୍ରେଟିଂ ପ୍ୟାଟର୍ନକୁ ପ୍ରେରଣା ଭାବରେ ବ୍ୟବହାର କରାଯାଇଥିଲା ଏବଂ ଏହା ଅନୁକୂଳତା କୌଶଳ ଉପରେ ଆଧାରିତ ଥିଲା । ପରବର୍ତ୍ତୀ ସମୟରେ ମନୋବିଜ୍ଞାନରେ କରାଯାଇଥିବା ପରୀକ୍ଷଣରେ ଏହି ସିଦ୍ଧାନ୍ତକୁ ସମର୍ଥନ କରୁଥିବା ଅତିରିକ୍ତ ପ୍ରମାଣ ମିଳିଥିଲା । ଡି ଭାଲୋୟସ୍ ଓ ଅନ୍ୟମାନେ , (୫) ଉଦାହରଣ ସ୍ୱରୂପ, ମକ୍କା ମାଙ୍କଡ଼ର ଦୃଷ୍ଟି କୋଷରେ ଥିବା ସରଳ କୋଷଗୁଡ଼ିକର ପ୍ରତିକ୍ରିୟା ବିଭିନ୍ନ ପ୍ରକାର ବାରମ୍ବାରତା ଓ ଦିଗବଳୟ ସହିତ ସାଇନସୋଏଡଲ ଗ୍ରେଡକୁ ନେଇ ରେକର୍ଡ କରାଯାଇଛି । ଏହା ଦେଖାଗଲା ଯେ ପ୍ରତ୍ୟେକ କୋଷ କେବଳ ଏକ ସଂକୀର୍ଣ୍ଣ ମାତ୍ରାର ଫ୍ରିକ୍ୱେନ୍ସି ଏବଂ ଦିଗକୁ ପ୍ରତିକ୍ରିୟା କରେ । ତେଣୁ, ଏହା ଜଣାପଡ଼େ ଯେ ସ୍ତନ୍ୟପାୟୀ ପ୍ରାଣୀମାନଙ୍କର ଦୃଷ୍ଟି କୋଷରେ ଏପରି କିଛି ପ୍ରଣାଳୀ ଅଛି ଯାହା ଏକ ସଂକୀର୍ଣ୍ଣ ପରିସର ମଧ୍ୟରେ ଫ୍ରିକ୍ୱେନ୍ସି ଏବଂ ଦିଗ ନିର୍ଣ୍ଣୟକୁ ସନ୍ତୁଳିତ କରିଥାଏ । ଏହିସବୁ ତନ୍ତ୍ରକୁ ଚ୍ୟାନେଲ କୁହାଯାଏ ଏବଂ ଏହାକୁ ବ୍ୟାଣ୍ଡ ପାସ୍ ଫିଲ୍ଟର କୁହାଯାଏ । ଏହି ମଲ୍ଟି-ଚ୍ୟାନେଲ ଫିଲ୍ଟରିଂ ଆଭିମୁଖ୍ୟର ଆକର୍ଷଣୀୟତା ହେଉଛି ଯେହେତୁ ଏହା ଆମକୁ ବିଭିନ୍ନ ଆକାରର ଆକାର ଏବଂ ଦିଗର ଭିନ୍ନତାକୁ ବ୍ୟବହାର କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ଆଜି, ଢାଞ୍ଚା ବିଶ୍ଳେଷଣ ପାଇଁ ଏକ ବହୁ-ବିଭେଦତା ଆଭିମୁଖ୍ୟର ଆବଶ୍ୟକତା ଭଲ ଭାବରେ ସ୍ୱୀକୃତ ହୋଇଛି । ଏହି ପାରାଡିଗମକୁ ଗ୍ରହଣ କରିବା ପାଇଁ ଟେକ୍ସଚର ବିଶ୍ଳେଷଣର ଅନ୍ୟ ପଦ୍ଧତିକୁ ବିସ୍ତାର କରିବାକୁ ପଡିଥିବାବେଳେ, ମଲ୍ଟି-ଚ୍ୟାନେଲ ଫିଲ୍ଟରିଂ ପଦ୍ଧତି, ଅନ୍ତର୍ନିହିତ ଭାବରେ ମଲ୍ଟି-ରିଜୋଲ୍ୟୁସନ ଅଟେ । ଆଉ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କଥା |
5757dd57950f6b3c4d90a342a170061c8c535536 | ଏହି କାଗଜରେ ଷ୍ଟେରିଓ ଭିଜନ ପାଇଁ ମେଳ ଖାଉଥିବା ମୂଲ୍ୟର ଗଣନା କରିବା ପାଇଁ ଏକ ନୂଆ ଉପାୟ ଉପସ୍ଥାପନ କରାଯାଇଛି । ଏହି ପଦ୍ଧତି ଏକ କନଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଉପରେ ଆଧାରିତ ଯାହା ଷ୍ଟେରିଓ ଇମେଜ ଯୋଡିରୁ ଇନପୁଟ ପ୍ୟାଚର ସମାନତାକୁ ଗଣନା କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୁଏ । ଅତ୍ୟାଧୁନିକ ଷ୍ଟେରିଓ ପାଇପଲାଇନ ପଦକ୍ଷେପ ସହିତ ମିଶ୍ରଣରେ, ଏହି ପଦ୍ଧତି ପ୍ରମୁଖ ଷ୍ଟେରିଓ ରେଙ୍କମାର୍କରେ ସର୍ବୋତ୍ତମ ଫଳାଫଳ ହାସଲ କରିଥାଏ । ଏହି ଲେଖାରେ ଷ୍ଟେରିଓ ମେଳଣର ସମସ୍ୟା ବିଷୟରେ ଆଲୋଚନା କରାଯାଇଛି, ପ୍ରସ୍ତାବିତ ପଦ୍ଧତି ଉପରେ ଆଲୋଚନା କରାଯାଇଛି ଏବଂ ନିକଟରେ ଷ୍ଟେରିଓ ଡାଟାସେଟରୁ ମିଳିଥିବା ଫଳାଫଳକୁ ପ୍ରଦର୍ଶିତ କରାଯାଇଛି । |
4b65024cd376067156a5ac967899a7748fa31f6f | ଅସୀମିତ, ଅନିୟମିତ, ବିଶ୍ୱସ୍ତରୀୟ ଡାଟାସେଟ ଦିନକୁ ଦିନ ବ୍ୟବସାୟରେ ଅଧିକ ସାଧାରଣ ହେଉଛି (ଯେପରିକି, ୱେବ୍ ଲଗ୍, ମୋବାଇଲ ବ୍ୟବହାର ପରିସଂଖ୍ୟାନ ଏବଂ ସେନସର ନେଟୱାର୍କ) । ସେହି ସମୟରେ, ଏହି ଡାଟାସେଟର ଉପଭୋକ୍ତାମାନେ ଉନ୍ନତ ଆବଶ୍ୟକତା ବିକଶିତ କରିଛନ୍ତି, ଯେପରିକି ଘଟଣାର ସମୟ ଅର୍ଡର ଏବଂ ତଥ୍ୟର ବିଶେଷତା ଦ୍ୱାରା ୱିଣ୍ଡୋ, ଶୀଘ୍ର ଉତ୍ତର ପାଇଁ ଏକ ଅସଂଖ୍ୟ ଭୋକ ସହିତ । ଏହି ସମୟରେ, ବ୍ୟବହାରିକତା ଏହା ନିର୍ଦ୍ଦେଶ କରେ ଯେ ଏହି ପ୍ରକାରର ଇନପୁଟ୍ ପାଇଁ ସଠିକତା, ଲେଟେନ୍ସି ଏବଂ ମୂଲ୍ୟର ସମସ୍ତ ଦିଗ ସହିତ ଜଣେ କଦାପି ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ଅପ୍ଟିମାଇଜ୍ କରିପାରିବ ନାହିଁ । ଫଳସ୍ୱରୂପ, ଡାଟା ପ୍ରୋସେସିଂ ପ୍ରାକ୍ଟିସନରମାନେ ଏହିପରି ପ୍ରତିଯୋଗୀ ପ୍ରସ୍ତାବଗୁଡ଼ିକ ମଧ୍ୟରେ ଉତ୍ତେଜନାକୁ କିପରି ସନ୍ତୁଳିତ କରିବେ, ତାହା ଜାଣିବା ପାଇଁ ଦ୍ୱନ୍ଦ୍ୱରେ ଅଛନ୍ତି, ଯାହା ପ୍ରାୟତଃ ଭିନ୍ନ କାର୍ଯ୍ୟାନ୍ୱୟନ ଏବଂ ସିଷ୍ଟମରେ ପରିଣତ ହୋଇଥାଏ । ଆମେ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯେ ଆଧୁନିକ ଡାଟା ପ୍ରୋସେସିଂରେ ଏହି ବିକଶିତ ଆବଶ୍ୟକତାକୁ ପୂରଣ କରିବା ପାଇଁ ଆଭିମୁଖ୍ୟରେ ଏକ ମୌଳିକ ପରିବର୍ତ୍ତନ ଆବଶ୍ୟକ । ଆମେ ଏକ କ୍ଷେତ୍ର ଭାବରେ ଅସୀମିତ ଡାଟାସେଟକୁ ସୀମିତ ପୁଲ ସୂଚନାରେ ପରିଣତ କରିବା ପାଇଁ ଚେଷ୍ଟା କରିବା ବନ୍ଦ କରିବା ଉଚିତ ଯାହା ଶେଷରେ ସମ୍ପୂର୍ଣ୍ଣ ହୋଇଯାଏ, ଏବଂ ଏହା ପରିବର୍ତ୍ତେ ବଞ୍ଚିବା ଏବଂ ନିଶ୍ୱାସ ନେବା ଅନୁମାନ କରି ଯେ ଆମେ କେବେ ଜାଣି ପାରିବୁ ନାହିଁ ଯେ ଆମେ ଆମର ସମସ୍ତ ତଥ୍ୟ ଦେଖିଛୁ କି ନାହିଁ, କେବଳ ନୂତନ ତଥ୍ୟ ଆସିବ, ପୁରୁଣା ତଥ୍ୟ ଫେରସ୍ତ ହୋଇପାରେ, ଏବଂ ଏହି ସମସ୍ୟାକୁ ସମାଧାନ କରିବାର ଏକମାତ୍ର ଉପାୟ ହେଉଛି ନୀତିଗତ ବିରଳତା ଯାହା ଅଭ୍ୟାସକାରୀଙ୍କୁ ଆଗ୍ରହର ଅକ୍ଷରେ ଉପଯୁକ୍ତ ବାଣିଜ୍ୟର ପସନ୍ଦ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏଃ ସଠିକତା, ବିଳମ୍ବ ଏବଂ ମୂଲ୍ୟ _ ଏହି ଲେଖାରେ ଆମେ ଏପରି ଏକ ଆଭିମୁଖ୍ୟ, ଡାଟା ଫ୍ଲୋ ମଡେଲ ବିଷୟରେ ଆଲୋଚନା କରୁଛୁ, ଯେଉଁଥିରେ ସେମାଣ୍ଟିକ୍ସର ବିସ୍ତୃତ ପରୀକ୍ଷା, ଏହାର ଡିଜାଇନ୍ ପାଇଁ ମାର୍ଗଦର୍ଶକ ମୂଳ ନୀତିଗୁଡିକର ଏକ ସମୀକ୍ଷା ଏବଂ ଏହାର ବିକାଶ ପାଇଁ ପ୍ରକୃତ ଦୁନିଆର ଅଭିଜ୍ଞତା ମାଧ୍ୟମରେ ମଡେଲର ବୈଧତା ବିଷୟରେ ଆଲୋଚନା କରାଯାଇଛି । ଆମେ ଗୁଗୁଲ କ୍ଲାଉଡ ଡାଟାଫ୍ଲୋ [୨୦] ର ପ୍ରୋସେସିଂ ମଡେଲକୁ ବର୍ଣ୍ଣନା କରିବା ପାଇଁ ଡାଟାଫ୍ଲୋ ମଡେଲ ଶବ୍ଦ ବ୍ୟବହାର କରୁ, ଯାହା ଫ୍ଲୁମଜାଭା [୧୨] ଏବଂ ମିଲ୍ୱିଲ୍ [୨] ର ଟେକ୍ନୋଲୋଜି ଉପରେ ଆଧାରିତ । ଏହି କାମଟି କ୍ରିଏଟିଭ କମନ୍ସ ଆଟ୍ରିବ୍ୟୁସନ ନନକମର୍ସିଆଲ-ନୋ-ଡେରିବ୍ସ ୩.୦ ଅନପୋର୍ଟ ଲାଇସେନ୍ସ ଅଧୀନରେ ଲାଇସେନ୍ସପ୍ରାପ୍ତ । ଏହି ଲାଇସେନ୍ସର ଏକ ନକଲ ଦେଖିବା ପାଇଁ, http://creativecommons.org/licenses/by-nc-nd/3.0/ କୁ ଯାଆନ୍ତୁ । ଲାଇସେନ୍ସରେ ଉଲ୍ଲେଖିତ ବ୍ୟତିକ୍ରମ ବ୍ୟତୀତ ଅନ୍ୟ କୌଣସି ବ୍ୟବହାର ପାଇଁ ଅନୁମତି ନିଅନ୍ତୁ । ସୂଚନା@vldb.org କୁ ଇମେଲ କରି କପିରାଇଟ ଧାରକଙ୍କୁ ଯୋଗାଯୋଗ କରନ୍ତୁ । ଏହି ପୁସ୍ତକର ଲେଖାଗୁଡ଼ିକର ଫଳାଫଳକୁ ବହୁତ ବଡ଼ ଡାଟାବେସ ଉପରେ ୪୧ତମ ଆନ୍ତର୍ଜାତିକ ସମ୍ମିଳନୀରେ ଉପସ୍ଥାପନ କରିବା ପାଇଁ ଆମନ୍ତ୍ରଣ କରାଯାଇଥିଲା । ଭିଏଲଡିବି ଏଣ୍ଡାଉସମେଣ୍ଟର କାର୍ଯ୍ୟାବଳୀ, ଖଣ୍ଡ ୮, ନା 12 କପିରାଇଟ୍ 2015 VLDB Endowment 2150-8097/15/08। |
40c3b350008ada8f3f53a758e69992b6db8a8f95 | ଗତ କିଛି ବର୍ଷ ମଧ୍ୟରେ ବସ୍ତୁ ଚିହ୍ନଟ ପାଇଁ HOG ବିଶେଷତା ଉପରେ ରେଖାପଥ SVM ବ୍ୟବହାର କରିବା ପାଇଁ ଏକତ୍ରିତ ହୋଇଛି । କିନ୍ତୁ ଏସଭିଏମ୍ ପାଇଁ ପ୍ରଶିକ୍ଷଣ ଦେବା ବହୁତ ମହଙ୍ଗା ହୋଇଥାଏ ଏବଂ ଶ୍ରେଣୀ ସଂଖ୍ୟା ବଢ଼ିବା ସହିତ ଏହା କଷ୍ଟକର ହୋଇପଡ଼େ । ଏହି କାମରେ ଆମେ ଏକ ପୁରୁଣା କୌଶଳକୁ ପୁନଃ ବ୍ୟବହାର କରୁଛୁ, ଯଥା - ରେଖୀଗତ ଭେଦଭାବ ବିଶ୍ଳେଷଣ, ଏବଂ ଦର୍ଶାଏ ଯେ LDA ମଡେଲଗୁଡ଼ିକୁ ପ୍ରାୟତଃ ସାଧାରଣ ଭାବରେ ପ୍ରଶିକ୍ଷଣ କରାଯାଇପାରିବ, ଏବଂ କାର୍ଯ୍ୟଦକ୍ଷତାରେ ଅଳ୍ପ କିମ୍ବା କୌଣସି କ୍ଷତି ନହୋଇପାରେ । ଆମେ ଅନୁମାନ କରିଥିବା କୋଭାରିଏନ୍ସ ମ୍ୟାଟ୍ରିକ୍ସ ପ୍ରାକୃତିକ ପ୍ରତିଛବିର ଗୁଣାବଳୀକୁ ଧାରଣ କରିଥାଏ । ଏହି କୋଭାରିଏନ୍ସ ସହିତ HOG ବିଶେଷତାକୁ ଧଳା କରିବା ଦ୍ବାରା HOG ବିଶେଷତା ମଧ୍ୟରେ ପ୍ରାକୃତିକ ଭାବରେ ହେଉଥିବା ସମ୍ବନ୍ଧକୁ ଦୂର କରିଥାଏ । ଆମେ ଦେଖାଇଲୁ ଯେ ଏହି ଧଳା ହୋଇଥିବା ବୈଶିଷ୍ଟ୍ୟ (ଯାହାକୁ ଆମେ WHO ବୋଲି କହୁ) ସମାନତା ଗଣନା ପାଇଁ ମୂଳ HOG ବୈଶିଷ୍ଟ୍ୟ ଅପେକ୍ଷା ଯଥେଷ୍ଟ ଭଲ ଏବଂ କ୍ଲଷ୍ଟରିଂରେ ସେମାନଙ୍କର ଉପଯୋଗୀତା ପ୍ରମାଣ କରେ । ଶେଷରେ, ଆମେ ଆମର ଆବିଷ୍କାରକୁ ଏକ ବସ୍ତୁ ଚିହ୍ନଟ ପ୍ରଣାଳୀ ଉତ୍ପାଦନ କରିବା ପାଇଁ ବ୍ୟବହାର କରୁ ଯାହା PASCAL VOC 2007 ସହିତ ପ୍ରତିଦ୍ୱନ୍ଦ୍ୱିତା କରୁଥିବାବେଳେ ତାଲିମ ଏବଂ ପରୀକ୍ଷଣ ପାଇଁ ଯଥେଷ୍ଟ ସହଜ ଅଟେ । |
28e0c6088cf444e8694e511148a8f19d9feaeb44 | ଏହି ପତ୍ରରେ କ୍ୟୁବସେଟ୍ ପାଇଁ ସ୍ୱୟଂ-ପ୍ରସାରିତ ହେଲିକଲ୍ ପାଣ୍ଟୋଗ୍ରାଫ ଆଣ୍ଟିନା ବ୍ୟବହାରର ଅନୁସନ୍ଧାନ କରାଯାଇଛି । ଏହି ଉପଗ୍ରହକୁ ଉପଗ୍ରହ ବସ ସହିତ ସଂଯୋଗ କରିବା ପାଇଁ ହେଲିକଲ୍ ପାଣ୍ଟୋଗ୍ରାଫର କଳ୍ପନା ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଆଠଟି ହେଲିକ୍ସ ଥିବା ଏକ ପାଣ୍ଟୋଗ୍ରାଫର ଫାଇନାଇଟ୍ ଏଲିମେଣ୍ଟ ଫୋଲ୍ଡିଂ ସିମୁଲେସନ୍ ଉପସ୍ଥାପିତ କରାଯାଇଛି ଏବଂ ଏକ ଆଣ୍ଟେନା ପ୍ରୋଟାଇପରେ କରାଯାଇଥିବା କମ୍ପାକସନ୍ ଫୋର୍ସ ପରୀକ୍ଷଣ ସହିତ ତୁଳନା କରାଯାଇଛି । ଏହି ଆଣ୍ଟିନା ପ୍ରୋଟାଇପର କାର୍ଯ୍ୟର ଫ୍ରିକ୍ୱେନ୍ସି ରେଞ୍ଜକୁ ଦର୍ଶାଇ ପ୍ରତିଫଳନ ଗୁଣକ ପରୀକ୍ଷଣ ମଧ୍ୟ କରାଯାଇଛି । ବର୍ତ୍ତମାନର ଛୋଟ ସାଟେଲାଇଟ୍ ଆଣ୍ଟିନା ସମାଧାନ ପାଇଁ ହେଲିକଲ୍ ପାଣ୍ଟୋଗ୍ରାଫ୍ ଏକ ଭଲ ବିକଳ୍ପ ବୋଲି ପ୍ରମାଣିତ ହୋଇଛି । |
1aad2da473888cb7ebc1bfaa15bfa0f1502ce005 | ଏହି ଲେଖାରେ ପ୍ରଥମ ବ୍ୟକ୍ତି ଦୃଷ୍ଟିକୋଣରୁ ମନୁଷ୍ୟର କ୍ରିୟାକଳାପକୁ ବୁଝିବା ପାଇଁ ଆଲୋଚନା କରାଯାଇଛି । ଏହାର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଜଣେ ପର୍ଯ୍ୟବେକ୍ଷକ (ଯେପରିକି ରୋବଟ କିମ୍ବା ଏକ ୱେରେବଲ କ୍ୟାମେରା) କୁ କ୍ରମାଗତ ଭିଡିଓ ଇନପୁଟରୁ ଅନ୍ୟମାନେ ଏହା ଉପରେ କେଉଁ କାର୍ଯ୍ୟ କରୁଛନ୍ତି ତାହା ବୁଝିବା ପାଇଁ ସକ୍ଷମ କରିବା । ଏଥିରେ ବନ୍ଧୁତାପୂର୍ଣ୍ଣ ଆଚରଣ ଯେପରିକି ଜଣେ ବ୍ୟକ୍ତି ପର୍ଯ୍ୟବେକ୍ଷକଙ୍କୁ ଆଲିଙ୍ଗନ କରିବା ଏବଂ ଶତ୍ରୁତାପୂର୍ଣ୍ଣ ଆଚରଣ ଯେପରିକି ନିରୀକ୍ଷକଙ୍କୁ ମାଡ଼ ମାରିବା କିମ୍ବା ନିରୀକ୍ଷକଙ୍କୁ ଜିନିଷ ଫିଙ୍ଗି ଦେବା ଅନ୍ତର୍ଭୁକ୍ତ, ଯାହାର ଭିଡିଓରେ ଶାରୀରିକ ଆଚରଣ ଦ୍ୱାରା ବହୁ ପରିମାଣରେ କ୍ୟାମେରା ଇଗୋ-ମୋସନ୍ ଅନ୍ତର୍ଭୁକ୍ତ । ଏହି କାଗଜରେ ବିଶ୍ୱ ଏବଂ ସ୍ଥାନୀୟ ଗତିବିଧି ସୂଚନାକୁ ଏକୀକୃତ କରିବା ପାଇଁ ବହୁ-ଚ୍ୟାନେଲ କେରନଗୁଡ଼ିକର ଅନୁସନ୍ଧାନ କରାଯାଇଛି ଏବଂ ଏକ ନୂତନ କାର୍ଯ୍ୟକଳାପ ଶିକ୍ଷା / ଚିହ୍ନଟ ପଦ୍ଧତି ଉପସ୍ଥାପନ କରାଯାଇଛି ଯାହା ପ୍ରଥମ ବ୍ୟକ୍ତି କାର୍ଯ୍ୟକଳାପ ଭିଡିଓରେ ପ୍ରଦର୍ଶିତ ହେଉଥିବା କାଳୀନ ସଂରଚନାକୁ ସ୍ପଷ୍ଟ ଭାବରେ ବିଚାର କରିଥାଏ । ଆମର ପରୀକ୍ଷଣରେ, ଆମେ କେବଳ ବିଭାଗିତ ଭିଡିଓ ସହିତ ଶ୍ରେଣୀଭୁକ୍ତ ଫଳାଫଳ ଦେଖାଉନାହୁଁ, କିନ୍ତୁ ଏହା ମଧ୍ୟ ନିଶ୍ଚିତ କରୁଛୁ ଯେ ଆମର ନୂତନ ଆଭିମୁଖ୍ୟ କ୍ରମାଗତ ଭିଡିଓରୁ କାର୍ଯ୍ୟକଳାପକୁ ନିର୍ଭରଯୋଗ୍ୟ ଭାବରେ ଚିହ୍ନଟ କରିବାରେ ସକ୍ଷମ ଅଟେ । |
97876c2195ad9c7a4be010d5cb4ba6af3547421c | |
259c25242db4a0dc1e1b5e61fd059f8949bdb79d | ଏବେ ବହୁ ସଂଖ୍ୟକ ପ୍ରୋସେସର କୋର ଥିବା କମ୍ପ୍ୟୁଟର ସବୁ ସ୍ଥାନରେ ଉପଲବ୍ଧ । ଏହି କାଗଜରେ, ଆମେ ଅନେକ ସମାନ୍ତରାଳ ଜ୍ୟାମିତିର ଆଲଗୋରିଦମ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ବିଶେଷ ଭାବରେ ଏହି ପରିବେଶକୁ ଟାର୍ଗେଟ କରିଥାଏ, ଅତିରିକ୍ତ କମ୍ପ୍ୟୁଟିଂ ଶକ୍ତିର ଲାଭ ଉଠାଇବା ଲକ୍ଷ୍ୟରେ _ ଆମେ ବର୍ଣ୍ଣନା କରୁଥିବା ଡି-ଆକାରର ଆଲଗୋରିଦମଗୁଡ଼ିକ ହେଉଛି (a) ବିନ୍ଦୁମାନଙ୍କର ଆଭ୍ୟନ୍ତରୀଣ ସର୍ଟିଙ୍ଗ୍, ଯାହା ସାଧାରଣତଃ ବୃଦ୍ଧିଶୀଳ ଆଲଗୋରିଦମ ବ୍ୟବହାର କରିବା ପୂର୍ବରୁ ପ୍ରି-ପ୍ରୋସେସିଂ ପାଇଁ ବ୍ୟବହୃତ ହୁଏ, (b) kd-ଟ୍ରି ନିର୍ମାଣ, (c) ଅକ୍ଷ-ସମାନ ବକ୍ସ ଅନ୍ତଃସାରଣୀ ଗଣନା, ଏବଂ ଶେଷରେ (d) ମେସ୍ ଜେନେରେସନ୍ ଆଲଗୋରିଦମ ପାଇଁ ଡେଲାଉନି ତ୍ରିଭୁଜରେ ବିନ୍ଦୁମାନଙ୍କର ବଲ୍କ ଇନସର୍ସନ୍ କିମ୍ବା କେବଳ ଡେଲାଉନି ତ୍ରିଭୁଜ ଗଣନା । ଆମେ ଏହି ଆଲଗୋରିଦମ ପାଇଁ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳକୁ 3D ରେ ଦେଖାଉଛୁ, କମ୍ପ୍ୟୁଟେସନାଲ ଜ୍ୟାମିତି ଆଲଗୋରିଦମ ଲାଇବ୍ରେରୀ (CGAL, http://www.cgal.org/) ଉପରେ ଆଧାରିତ ଆମର କାର୍ଯ୍ୟକାରିତା ବ୍ୟବହାର କରି । ଏହି କାର୍ଯ୍ୟ ସିଜିଏଏଲ ପାଇଁ ଏକ ସମାନ୍ତରାଳ ମୋଡରେ ପରିଣତ ହେବ ବୋଲି ଆମେ ଆଶା କରୁଛୁ, ଯେଉଁଠାରେ ଆଲଗୋରିଦମଗୁଡିକ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଉପଲବ୍ଧ ସମାନ୍ତରାଳ ଉତ୍ସଗୁଡିକ ବ୍ୟବହାର କରନ୍ତି ଯାହା ପାଇଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଉପଭୋକ୍ତା ହସ୍ତକ୍ଷେପ ଆବଶ୍ୟକ କରନ୍ତି ନାହିଁ । |
ac4a2337afdf63e9b3480ce9025736d71f8cec1a | ପୃଷ୍ଠଭୂମି ଅଗ୍ରଗତି ହୋଇଥିବା ପାର୍କିନ୍ସନ୍ ରୋଗ (ପିଡି) ଥିବା ପ୍ରାୟ ୫୦% ରୋଗୀଙ୍କର ଗେଜ୍ରେ ଫ୍ରିଜ୍ (ଏଫଓଜି) ହୁଏ, ଯାହା ହଠାତ୍ ଏବଂ ଅସ୍ଥାୟୀ ଭାବରେ ଚାଲିବା ଅକ୍ଷମତା । ଏହା ଅନେକ ସମୟରେ ଖସିପଡ଼ିବାର କାରଣ ହୋଇଥାଏ, ଦୈନନ୍ଦିନ କାର୍ଯ୍ୟରେ ବାଧା ସୃଷ୍ଟି କରିଥାଏ ଏବଂ ଜୀବନ ଧାରଣର ମାନକୁ ଗୁରୁତର ଭାବେ ହ୍ରାସ କରିଥାଏ । କାରଣ ପିଡି ରୋଗୀମାନଙ୍କ ଗାଇଡଲସ୍ ଅଭାବ ଔଷଧୀୟ ଚିକିତ୍ସା ପ୍ରତି ପ୍ରତିରୋଧକ ହୋଇଥାଏ, ଫଳପ୍ରଦ ଅଣ ଔଷଧୀୟ ଚିକିତ୍ସା ବିଶେଷ ଆଗ୍ରହଜନକ । ଆମର ଅଧ୍ୟୟନର ଲକ୍ଷ୍ୟ ହେଉଛି ଏକ ଏପରି ପରିଧାନଯୋଗ୍ୟ ଉପକରଣର ଧାରଣାକୁ ମୂଲ୍ୟାଙ୍କନ କରିବା ଯାହା ବାସ୍ତବ ସମୟ ଗାଇଡ ଡାଟା ହାସଲ କରିପାରିବ, ଏହାକୁ ପ୍ରକ୍ରିୟାକରଣ କରିପାରିବ ଏବଂ ପୂର୍ବ ନିର୍ଦ୍ଧାରିତ ନିର୍ଦ୍ଦିଷ୍ଟତା ଉପରେ ଆଧାର କରି ସହାୟତା ପ୍ରଦାନ କରିପାରିବ । ଆମେ ଏକ ବାସ୍ତବ ସମୟର ପୋଷାକରେ ପିନ୍ଧିପାରୁଥିବା ଏଫଓଜି ଚିହ୍ନଟ ପ୍ରଣାଳୀ ବିକଶିତ କରିଛୁ ଯାହା ଏଫଓଜି ଚିହ୍ନଟ ହେବା ପରେ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଏକ ସୂଚକ ଧ୍ୱନି ପ୍ରଦାନ କରିଥାଏ ଏବଂ ଏହା ବିଷୟଟି ଚାଲିବା ଆରମ୍ଭ ନକରିବା ପର୍ଯ୍ୟନ୍ତ ରହିଥାଏ । ଆମେ ଆମର ପୋଷାକରେ ଲଗାଯାଇଥିବା ସହାୟକ ପ୍ରଯୁକ୍ତିକୁ 10 ଜଣ ପିଡି ରୋଗୀଙ୍କ ସହିତ ଏକ ଅଧ୍ୟୟନରେ ମୂଲ୍ୟାଙ୍କନ କରିଥିଲୁ । ୮ ଘଣ୍ଟାରୁ ଅଧିକ ସମୟର ତଥ୍ୟ ସଂଗ୍ରହ କରାଯାଇଥିଲା ଏବଂ ପ୍ରତ୍ୟେକ ରୋଗୀ ଏକ ପ୍ରଶ୍ନପତ୍ର ପୂରଣ କରିଥିଲେ । ଫଳାଫଳ: ପେସାଦାର ଫିଜିଓଥେରାପିଷ୍ଟମାନେ ପୋଷ୍ଟ-ହୋକ ଭିଡିଓ ବିଶ୍ଳେଷଣରେ ୨୩୭ଟି ଏଫଓଜି ଘଟଣା ଚିହ୍ନଟ କରିଛନ୍ତି । ଏହି ଉପକରଣରେ ଅନ୍ ଲାଇନ୍ ଫୋଗ୍ ଘଟଣାକୁ ୭୩.୧% ସମ୍ବେଦନଶୀଳତା ଏବଂ ୦.୫ ସେକେଣ୍ଡ ଫ୍ରେମ୍ ଆଧାରିତ ମୂଲ୍ୟାଙ୍କନ ଉପରେ ୮୧.୬% ନିର୍ଦ୍ଦିଷ୍ଟତା ସହିତ ଚିହ୍ନଟ କରାଯାଇଥିଲା । ଏହି ଅଧ୍ୟୟନ ଦ୍ୱାରା ଆମେ ଦର୍ଶାଇଛୁ ଯେ ପିଡି ରୋଗୀଙ୍କ ପାଇଁ ଅନଲାଇନ ସହାୟକ ମତାମତ ସମ୍ଭବ ଅଟେ । ଆମେ ରୋଗୀ ଓ ଫିଜିଓଥେରାପିଷ୍ଟଙ୍କ ମତାମତ ଓ ଆଲୋଚନା କରିଥାଉ ଯେ, ଏହି ସହାୟକକୁ ପିନ୍ଧିବା ଏବଂ ବ୍ୟବହାର କରିବା କେତେ ସହଜ ଓ କେତେ କଷ୍ଟକର । ଆମର ଫଳାଫଳ ଏପରି ଏକ ପ୍ରସଙ୍ଗ-ସଚେତନ ବ୍ୟବସ୍ଥାର ଲାଭକୁ ଦର୍ଶାଉଛି ଏବଂ ପରବର୍ତ୍ତୀ ଅଧ୍ୟୟନକୁ ପ୍ରେରଣା ଦେଉଛି । |
2a68c39e3586f87da501bc2a5ae6138469f50613 | ସୁପରଭାଇଜଡ ଲର୍ଣ୍ଣିଂରେ ଗବେଷଣା ଏକ ବଡ଼ ଶରୀର ସିଙ୍ଗଲଲେବଲ ତଥ୍ୟର ବିଶ୍ଳେଷଣ ସହିତ ଜଡିତ, ଯେଉଁଠାରେ ତାଲିମ ଉଦାହରଣଗୁଡିକ ଏକ ଏକକ ଲେବଲ λ ସହିତ ଜଡିତ L. ଅବଶ୍ୟ, ଅନେକ ପ୍ରୟୋଗ ଡୋମେନରେ ତାଲିମ ଉଦାହରଣଗୁଡିକ ପ୍ରାୟତ label Y L.ର ଏକ ସେଟ୍ ସହିତ ଜଡିତ । ଏହିପରି ତଥ୍ୟକୁ ମଲ୍ଟି-ଲେବଲ୍ କୁହାଯାଏ । ଦସ୍ତାବିଜ ଏବଂ ୱେବ ପୃଷ୍ଠା ପରି ଲେଖା ତଥ୍ୟକୁ ଏକାଧିକ ଲେଟେଲ ସହିତ ଉଲ୍ଲେଖ କରାଯାଇଥାଏ । ଉଦାହରଣ ସ୍ୱରୂପ, ଦ ଭିନସି କୋଡ୍ ଚଳଚ୍ଚିତ୍ର ମୁକ୍ତିଲାଭ କରିବା ପରେ ଖ୍ରୀଷ୍ଟିଆନ ଚର୍ଚ୍ଚର ପ୍ରତିକ୍ରିୟା ସମ୍ବନ୍ଧରେ ଏକ ସମ୍ବାଦ ପ୍ରବନ୍ଧକୁ ଉଭୟ ଧର୍ମ ଏବଂ ଚଳଚ୍ଚିତ୍ର ଭାବରେ ନାମିତ କରାଯାଇପାରେ । ପାଠ୍ୟ ତଥ୍ୟର ଶ୍ରେଣୀକରଣ ବୋଧହୁଏ ବହୁ-ଲେବଲ୍ ପ୍ରୟୋଗର ପ୍ରମୁଖ ଅଟେ । ନିକଟରେ, ମଲ୍ଟି-ଲେବଲ୍ ଡାଟାରୁ ଶିଖିବା ପ୍ରସଙ୍ଗ ଅନେକ ଗବେଷକଙ୍କ ଧ୍ୟାନ ଆକର୍ଷଣ କରିଛି, ନୂତନ ପ୍ରୟୋଗର ସଂଖ୍ୟା ବୃଦ୍ଧି ପାଇଥିବା କାରଣରୁ, ଯେପରିକି ପ୍ରତିଛବି [୧, ୨, ୩] ଏବଂ ଭିଡିଓ [୪, ୫] ର ଅର୍ଥାତ୍ମକ ଟିପ୍ପଣୀ, କାର୍ଯ୍ୟକ୍ଷମ ଜେନୋମିକ୍ସ [୬, ୭, ୮, ୯, ୧୦], ସଙ୍ଗୀତର ବର୍ଗୀକରଣ ଭାବନା [୧୧, ୧୨, ୧୩, ୧୪] ଏବଂ ନିର୍ଦ୍ଦେଶିତ ମାର୍କେଟିଂ [୧୫] । ଟେବୁଲ ୧ ରେ ସାହିତ୍ୟରେ ଆଲୋଚନା କରାଯାଇଥିବା ବିଭିନ୍ନ ପ୍ରୟୋଗର ତାଲିକା ଦିଆଯାଇଛି । ଏହି ଅଧ୍ୟାୟରେ ଦ୍ରୁତ ଗତିରେ ବିକଶିତ ହେଉଥିବା ଗବେଷଣା କ୍ଷେତ୍ର ମଲ୍ଟିଲେବଲ୍ ଡାଟା ମାଇନିଂ ଉପରେ ଅତୀତର ଏବଂ ସାମ୍ପ୍ରତିକ କାର୍ଯ୍ୟର ସମୀକ୍ଷା କରାଯାଇଛି । ଭାଗ 2ରେ ମଲ୍ଟିଲେବଲ୍ ଡାଟାରୁ ଶିଖିବାର ଦୁଇଟି ମୁଖ୍ୟ କାର୍ଯ୍ୟକୁ ବର୍ଣ୍ଣନା କରାଯାଇଛି ଏବଂ ଅନେକ ଶିକ୍ଷଣ ପଦ୍ଧତିର ଉପସ୍ଥାପନା କରାଯାଇଛି । ଧାରା ୩ରେ ମଲ୍ଟି ଲେବଲ୍ ଡାଟା ପାଇଁ ଆକାର ହ୍ରାସ ପଦ୍ଧତି ଉପରେ ଆଲୋଚନା କରାଯାଇଛି । ବିଭାଗ 4 ଏବଂ 5 ରେ ଦୁଇଟି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଗବେଷଣା ଆହ୍ୱାନ ଉପରେ ଆଲୋଚନା କରାଯାଇଛି, ଯାହା ସଫଳତାର ସହିତ ପୂରଣ ହେଲେ, ବହୁ-ଲେବଲ୍ ଶିକ୍ଷଣ ପଦ୍ଧତିର ବାସ୍ତବ ଦୁନିଆର ପ୍ରୟୋଗକୁ ଯଥେଷ୍ଟ ବୃଦ୍ଧି କରିପାରିବଃ a) ଲେବଲ୍ ସଂରଚନାର ଉପଯୋଗ ଏବଂ b) ବହୁ ସଂଖ୍ୟକ ଲେବଲ୍ ଥିବା ଡୋମେନ୍ ପର୍ଯ୍ୟନ୍ତ ବୃଦ୍ଧି କରିବା _ ବିଭାଗ ୬ରେ ବହୁ-ଲେବଲ ତଥ୍ୟ ସେଟ ଏବଂ ଏହାର ପରିସଂଖ୍ୟାନର ପରିଚୟ ଦିଆଯାଇଥିଲା, ଯେତେବେଳେ କି ବିଭାଗ ୭ରେ ବହୁ-ଲେବଲ ଶିକ୍ଷଣ ପାଇଁ ସର୍ବାଧିକ ବ୍ୟବହୃତ ମୂଲ୍ୟାୟନ ପଦକ୍ଷେପଗୁଡ଼ିକର ଉପସ୍ଥାପନା କରାଯାଇଥିଲା । |
60686a80b91ce9518428e00dea95dfafadadd93c | ଏହି ସଂଚାରରେ ୨.୪ ଗିଗାହର୍ଟ୍ସ ପାଇଁ ପଲାରିସେଶନ ବିବିଧତା ସହିତ ଏକ ଡୁଆଲ ପୋର୍ଟ ପୁନଃନିର୍ମାଣ ଯୋଗ୍ୟ ବର୍ଗ ପ୍ୟାଚ୍ ଆଣ୍ଟେନା ଉପସ୍ଥାପନ କରାଯାଇଛି । ପ୍ୟାଚରେ ଥିବା ଚାରିଟି ପି-ଆଇ-ଏନ ଡାୟୋଡର ସ୍ଥିତିକୁ ନିୟନ୍ତ୍ରଣ କରି ପ୍ରସ୍ତାବିତ ଆଣ୍ଟେନା ପଲାରିଜେସନକୁ ପ୍ରତ୍ୟେକ ପୋର୍ଟରେ ରେଖୀ ପଲାରିଜେସନ (ଏଲପି), ବାମ କିମ୍ବା ଡାହାଣ ହାତର ସର୍କୁଲାର ପଲାରିଜେସନ (ସିପି) ମଧ୍ୟରେ ପରିବର୍ତ୍ତନ କରାଯାଇପାରିବ । ଏୟାର ସବଷ୍ଟ୍ରେଟ ଏବଂ ଆପେଚର-କପଲ୍ଡ ଫିଡ ଷ୍ଟ୍ରକଚର p-i-n ଡାୟୋଡର ବିୟାସ ସର୍କିଟକୁ ସରଳ କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୁଏ । ଉଚ୍ଚ ବିଚ୍ଛିନ୍ନତା ଏବଂ କମ୍ କ୍ରସ୍-ପୋଲାରାଇଜେସନ୍ ସ୍ତର ସହିତ LP ମୋଡରେ, ଉଭୟ ପୋର୍ଟ ଏକକାଳୀନ ପଲାରିମେଟ୍ରିକ୍ ରାଡାର ପାଇଁ ଏକ ଦ୍ୱିଗୁଣ ରେଖାପଥୀ ପଲାରିଜଡ୍ ଆଣ୍ଟେନା ଭାବରେ କାର୍ଯ୍ୟ କରିପାରିବ । ପ୍ରତ୍ୟେକ ବନ୍ଦରରେ ଭିନ୍ନ ଭିନ୍ନ ସିପି ତରଙ୍ଗ ପ୍ରାପ୍ତ ହୋଇଥାଏ, ଯାହା ଗତିଶୀଳତା, ପ୍ରତିକୂଳ ପାଣିପାଗ ଏବଂ ଦୃଷ୍ଟିର ରେଖା ନଥିବା ପ୍ରୟୋଗ ଠାରୁ ଆରମ୍ଭ କରି ବିଭିନ୍ନ ଆହ୍ୱାନର ମୁକାବିଲା ପାଇଁ ଉପଯୁକ୍ତ ହୋଇଥାଏ । ଆଣ୍ଟିନା ସରଳ ପଟ୍ଟା ନେଟୱାର୍କ, ସହଜ ନିର୍ମାଣ ଏବଂ ସଂରଚନାର ଲାଭ ପାଇଥାଏ, ଯାହା ପଟ୍ଟା ବିବିଧତା ପ୍ରୟୋଗରେ ବ୍ୟାପକ ଭାବରେ ପ୍ରୟୋଗ କରାଯାଇପାରିବ । |
0d11248c42d5a57bb28b00d64e21a32d31bcd760 | ଜୁଲାଇ ୧୯, ୨୦୦୧ରେ ଇଣ୍ଟରନେଟରେ ସଂଯୁକ୍ତ ୩୫୯,୦୦୦ରୁ ଅଧିକ କମ୍ପ୍ୟୁଟର ୧୪ ଘଣ୍ଟାରୁ କମ୍ ସମୟ ମଧ୍ୟରେ କୋଡ-ରେଡ (CRv2) କୀଟ ଦ୍ୱାରା ସଂକ୍ରମିତ ହୋଇଥିଲେ । ଏହି ମହାମାରୀର ମୂଲ୍ୟ, କୋଡ-ରେଡର ପରବର୍ତ୍ତୀ ଷ୍ଟ୍ରେନକୁ ମିଶାଇ, ୨.୬ ବିଲିୟନ ଡଲାରରୁ ଅଧିକ ବୋଲି ଆକଳନ କରାଯାଇଛି । ଏହି ଆକ୍ରମଣ ଦ୍ୱାରା ବିଶ୍ୱବ୍ୟାପୀ କ୍ଷତି ସତ୍ତ୍ୱେ, ଏହି ପୋକର ବିସ୍ତାରର ବର୍ଣ୍ଣନା କରିବା ପାଇଁ କିଛି ଗମ୍ଭୀର ପ୍ରୟାସ କରାଯାଇଛି, ଯାହା ପୋକ ବିଷୟରେ ବିଶ୍ୱସ୍ତରୀୟ ସୂଚନା ସଂଗ୍ରହ କରିବାର ଆହ୍ୱାନ ହେତୁ । ବିଶ୍ୱବ୍ୟାପୀ ଭୂତାଣୁ ସଂକ୍ରମଣ ଚିହ୍ନଟ କରିବା ପାଇଁ ଏକ କୌଶଳ ବ୍ୟବହାର କରି ଆମେ ଇଣ୍ଟରନେଟରେ କୋଡ-ରେଡର ବିସ୍ତାରର ଲକ୍ଷଣ ନିର୍ଦ୍ଧାରଣ କରିବା ପାଇଁ ଜୁଲାଇ ୨, ୨୦୦୧ରୁ ୪୫ ଦିନ ଧରି ତଥ୍ୟ ସଂଗ୍ରହ କରି ବିଶ୍ଳେଷଣ କରିଥିଲୁ । ଏହି ଲେଖାରେ ଆମେ କୋଡ-ରେଡର ବିସ୍ତାରକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ବ୍ୟବହାର କରୁଥିବା ପଦ୍ଧତି ବିଷୟରେ ବର୍ଣ୍ଣନା କରିଛୁ ଏବଂ ତା ପରେ ଆମର ଟ୍ରାସ୍ ବିଶ୍ଳେଷଣର ଫଳାଫଳ ବିଷୟରେ ବର୍ଣ୍ଣନା କରିଛୁ । ସଂକ୍ରମଣ ଏବଂ ନିଷ୍କ୍ରିୟତା ହାର ଦୃଷ୍ଟିରୁ କୋଡ୍-ରେଡ୍ ଏବଂ କୋଡ୍-ରେଡ୍ II ପୋକର ବିସ୍ତାର ବିଷୟରେ ଆମେ ପ୍ରଥମେ ବର୍ଣ୍ଣନା କରିବା । ସଂକ୍ରମଣର ପ୍ରସାର ପାଇଁ ଅନୁକୂଳ ନ ହୋଇ ମଧ୍ୟ କୋଡ୍-ରେଡ୍ ସଂକ୍ରମଣ ହାର ପ୍ରତି ମିନିଟରେ ୨,୦୦୦ରୁ ଅଧିକ ହୋଷ୍ଟରେ ପହଞ୍ଚିଥିଲା । ତାପରେ ଆମେ ସଂକ୍ରମିତ ହୋଷ୍ଟ ଜନସଂଖ୍ୟାର ଗୁଣବତ୍ତା ଯାଞ୍ଚ କରିଥାଉ, ଯେଉଁଥିରେ ଭୌଗୋଳିକ ଅବସ୍ଥାନ, ସାପ୍ତାହିକ ଏବଂ ଦୈନିକ ସମୟ ପ୍ରଭାବ, ଶୀର୍ଷ-ସ୍ତର ଡୋମେନ୍ ଏବଂ ଆଇଏସପି ଅନ୍ତର୍ଭୁକ୍ତ । ଆମେ ଦେଖାଇଲୁ ଯେ ଏହି କୀଟଟି ଏକ ଆନ୍ତର୍ଜାତୀୟ ଘଟଣା ଥିଲା, ସଂକ୍ରମଣ କାର୍ଯ୍ୟକଳାପ ଦିନର ସମୟ ପ୍ରଭାବ ଦେଖାଇଥିଲା, ଏବଂ ଏହା ମଧ୍ୟ ପାଇଲୁ ଯେ, ଯଦିଓ ଅଧିକାଂଶ ଧ୍ୟାନ ବଡ କମ୍ପାନୀ ଉପରେ କେନ୍ଦ୍ରିତ ଥିଲା, କୋଡ୍-ରେଡ୍ କୀଟ ମୁଖ୍ୟତଃ ଘରୋଇ ଏବଂ ଛୋଟ ବ୍ୟବସାୟ ବ୍ୟବହାରକାରୀଙ୍କ ଉପରେ ଶିକାର କରିଥିଲା । ଆମେ ମଧ୍ୟ ସଂକ୍ରମିତ ହୋଷ୍ଟଗୁଡ଼ିକର ମାପ ଉପରେ DHCPର ପ୍ରଭାବକୁ ମାନ୍ୟତା ଦେଇଥିଲୁ ଏବଂ ନିର୍ଣ୍ଣୟ କଲୁ ଯେ 24 ଘଣ୍ଟାରୁ ଅଧିକ ସମୟ ମଧ୍ୟରେ ଏକ କୀଟ ସଂକ୍ରମଣର ବିସ୍ତାର ପାଇଁ IP ଠିକଣା ଏକ ସଠିକ୍ ମାପ ନୁହେଁ । ଶେଷରେ, କୋଡ୍-ରେଡ୍ କୀଟ ସହିତ ହୋଇଥିବା ଅଭିଜ୍ଞତା ଦର୍ଶାଏ ଯେ ଇଣ୍ଟରନେଟ୍ ହୋଷ୍ଟରେ ବ୍ୟାପକ ଦୁର୍ବଳତା ଶୀଘ୍ର ଏବଂ ଚମତ୍କାର ଭାବରେ ବ୍ୟବହାର କରାଯାଇପାରିବ ଏବଂ ଇଣ୍ଟରନେଟ୍ କୀଟକୁ ହ୍ରାସ କରିବା ପାଇଁ ହୋଷ୍ଟ ପ୍ୟାଚ୍ ବ୍ୟତୀତ ଅନ୍ୟ କୌଶଳ ଆବଶ୍ୟକ। |
0462a4fcd991f8d6f814337882da182c504d1d7b | ଆମେ ଗୁଗୁଲ ବୁକ୍ସ ଏନଗ୍ରାମ କର୍ପସ ର ଏକ ନୂତନ ସଂସ୍କରଣ ଉପସ୍ଥାପନ କରୁଛୁ, ଯାହା ପାଞ୍ଚ ଶତାବ୍ଦୀ ମଧ୍ୟରେ ଆଠଟି ଭାଷାରେ କେତେ ଥର ଶବ୍ଦ ଏବଂ ବାକ୍ୟ ବ୍ୟବହାର କରାଯାଇଛି ତାହା ବର୍ଣ୍ଣନା କରେ; ଏହା ଏପର୍ଯ୍ୟନ୍ତ ପ୍ରକାଶିତ ସମସ୍ତ ପୁସ୍ତକର ୬% ପ୍ରତିଫଳିତ କରେ । ଏହି ନୂତନ ସଂସ୍କରଣରେ ବାକ୍ୟର ବିନ୍ୟାସୀକୃତ ବିଜ୍ଞପ୍ତିର ପ୍ରଚଳନ କରାଯାଇଛି: ଶବ୍ଦଗୁଡ଼ିକୁ ସେମାନଙ୍କର ବକ୍ତବ୍ୟର ଅଂଶ ସହିତ ଟ୍ୟାଗ୍ କରାଯାଇଛି ଏବଂ ହେଡମୋଡିଫାୟର ସମ୍ପର୍କଗୁଡ଼ିକ ରେକର୍ଡ କରାଯାଇଛି । ଏହି ଆନୋଟେଶନଗୁଡ଼ିକ ସ୍ୱୟଂଚାଳିତ ଭାବେ ପରିସଂଖ୍ୟାନ ମଡେଲଗୁଡ଼ିକ ସହିତ ପ୍ରସ୍ତୁତ ହୋଇଥାଏ ଯାହା ବିଶେଷ ଭାବେ ଐତିହାସିକ ପାଠ୍ୟ ସହିତ ଅନୁକୂଳ ହୋଇଥାଏ । ଏହି କୋରପସ୍ ଭାଷାଗତ ପ୍ରଗତି ବିଶେଷ କରି ବାକ୍ୟର ବିନ୍ୟାସ (syntax) ର ବିକାଶ ସମ୍ବନ୍ଧୀୟ ଅଧ୍ୟୟନର ସୁବିଧା କରିବ । |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.