Datasets:

carlfeynman
/

Bharat_NanoSCIDOCS_or

_id stringlengths 40 40	text stringlengths 0 9.6k
1b2a0e8af5c1f18e47e71244973ce4ace4ac6034	ହିରାର୍କିକାଲ ପିଟମ୍ୟାନ-ୟୋର ପ୍ରୋସେସ ପ୍ରାଥମିକତା ଭାଷା ମଡେଲ ଶିଖିବା ପାଇଁ ଏକ ପ୍ରଭାବଶାଳୀ ପଦ୍ଧତି ଅଟେ, ଯାହା ପଏଣ୍ଟ-ଆକଳନ ଆଧାରିତ ପଦ୍ଧତିକୁ ଅତିକ୍ରମ କରିଥାଏ । ତେବେ ଏହି ମଡେଲ ଗୁଡ଼ିକ ଗଣନାତ୍ମକ ଓ ପରିସଂଖ୍ୟାନଗତ ଅନୁମାନ ସମସ୍ୟା, ଯେପରିକି ସ୍ମୃତି ଏବଂ ସମୟର ବ୍ୟବହାର, ଏବଂ ନମୁନା ସଂଗ୍ରହକାରୀଙ୍କର ଖରାପ ମିଶ୍ରଣ କାରଣରୁ ଲୋକପ୍ରିୟ ହୋଇପାରି ନାହିଁ । ଏହି କାମରେ ଆମେ ଏକ ନୂଆ ଢାଞ୍ଚା ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଏଚପିୱାଇପି ମଡେଲକୁ କମ୍ପ୍ରେସଡ ସଫିକ୍ସ ଟ୍ରି ବ୍ୟବହାର କରି କମ୍ପାକ୍ଟ ଭାବେ ଦର୍ଶାଇଥାଏ । ତାପରେ, ଆମେ ଏହି ଫ୍ରେମୱାର୍କରେ ଏକ ଦକ୍ଷ ଅନୁମାନିତ ଅନୁମାନ ଯୋଜନା ବିକଶିତ କରୁ ଯାହା ପୂର୍ଣ୍ଣ HPYP ତୁଳନାରେ ବହୁତ କମ୍ ମେମୋରୀ ଫୁଟପ୍ରିଣ୍ଟ୍ ଏବଂ ଅନୁମାନ ସମୟର ଦ୍ରୁତ ଅଟେ । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଦର୍ଶାଉଛି ଯେ ପୂର୍ବ HPYP ମଡେଲ ତୁଳନାରେ ଆମର ମଡେଲକୁ ବହୁ ପରିମାଣର ବଡ଼ ଡାଟାସେଟରେ ନିର୍ମାଣ କରାଯାଇପାରିବ, ଯେତେବେଳେ କି ଏହା ଅନେକ ପରିମାଣର ଛୋଟ, ତାଲିମ ଏବଂ ଅନୁମାନ ପାଇଁ ଦ୍ରୁତ ଏବଂ ଅତ୍ୟାଧୁନିକ ମୋଡିଫାଏଡ୍ କ୍ନିସର-ନେ ଗଣନା ଆଧାରିତ LM ସ୍ଲିସିଂର ଦ୍ୱନ୍ଦ୍ୱକୁ 15% ପର୍ଯ୍ୟନ୍ତ ଅତିକ୍ରମ କରିଥାଏ ।
6c9bd4bd7e30470e069f8600dadb4fd6d2de6bc1	ଏହି ପତ୍ରରେ ବାସ୍ତବ ଦୁନିଆର ପରିସ୍ଥିତିକୁ ବର୍ଣ୍ଣନା କରୁଥିବା ଘଟଣାଗୁଡ଼ିକର ଏକ ନୂତନ ଭାଷା ଉତ୍ସ ଏବଂ ଅର୍ଥନୈତିକ ଭୂମିକା ବର୍ଣ୍ଣନା କରାଯାଇଛି । ବର୍ଣ୍ଣନାତ୍ମକ ଯୋଜନାରେ ସମ୍ବନ୍ଧିତ ଘଟଣାଗୁଡ଼ିକର ଏକ ସେଟ୍ (ସମ୍ପାଦନା ଏବଂ ପ୍ରକାଶନ), ଘଟଣାଗୁଡ଼ିକର ଏକ କାଳୀନ କ୍ରମାଙ୍କ (ପ୍ରକାଶନ ପୂର୍ବରୁ ସମ୍ପାଦନା), ଏବଂ ଅଂଶଗ୍ରହଣକାରୀଙ୍କ ଅର୍ଥନୈତିକ ଭୂମିକା (ଲେଖକମାନେ ପୁସ୍ତକ ପ୍ରକାଶନ) ଅନ୍ତର୍ଭୁକ୍ତ । ଏହି ପ୍ରକାରର ବିଶ୍ୱ ଜ୍ଞାନ ପ୍ରାକୃତିକ ଭାଷା ବୁଝିବାରେ ପ୍ରାଥମିକ ଗବେଷଣାର କେନ୍ଦ୍ର ଥିଲା । ଲିପିଗୁଡ଼ିକ ମୁଖ୍ୟ ଫର୍ମାଲିଜିମ୍ ମଧ୍ୟରୁ ଗୋଟିଏ ଥିଲା, ଯାହା ବିଶ୍ୱରେ ଘଟୁଥିବା ଘଟଣାଗୁଡ଼ିକର ସାଧାରଣ କ୍ରମକୁ ପ୍ରତିନିଧିତ୍ୱ କରୁଥିଲା । ଦୁର୍ଭାଗ୍ୟବଶତଃ, ଏହି ଜ୍ଞାନର ଅଧିକାଂଶ ହାତକୁ ଲେଖା ଯାଇଥିଲା ଏବଂ ଏହାକୁ ତିଆରି କରିବା ପାଇଁ ସମୟ ଲାଗିଥିଲା । ବର୍ତ୍ତମାନର ମେସିନ ଲର୍ଣ୍ଣିଂ କୌଶଳ, ଏବଂ କୋରଫରେନ୍ସ ଚେନ୍ ମାଧ୍ୟମରେ ଶିକ୍ଷାଲାଭ ପାଇଁ ଏକ ନୂତନ ଆଭିମୁଖ୍ୟ ଆମକୁ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ମୁକ୍ତ ଡୋମେନ୍ ପାଠ୍ୟରୁ ବର୍ଣ୍ଣନାତ୍ମକ ଯୋଜନା ଆକାରରେ ସମୃଦ୍ଧ ଘଟଣା ସଂରଚନା ବାହାର କରିବାକୁ ଅନୁମତି ଦେଇଛି । ଏହି କାଗଜରେ ବର୍ଣ୍ଣିତ ବର୍ଣ୍ଣନାତ୍ମକ ସ୍କିମା ସମ୍ବଳରେ ପ୍ରାୟ ୫୦୦୦ ଅନନ୍ୟ ଘଟଣା ରହିଛି ଯାହା ବିଭିନ୍ନ ଆକାରର ସ୍କିମାରେ ମିଶ୍ରିତ ହୋଇଛି । ଆମେ ସମ୍ବଳ ବର୍ଣ୍ଣନା କରୁଛୁ, ଏହା କିପରି ଶିଖାଯାଏ, ଏବଂ ଅଦୃଶ୍ୟ ଦଲିଲ ଉପରେ ଏହି ଯୋଜନାଗୁଡ଼ିକର କଭରେଜ୍ ର ଏକ ନୂତନ ମୂଲ୍ୟାଙ୍କନ ।
8e508720cdb495b7821bf6e43c740eeb5f3a444a	ବକ୍ତବ୍ୟ, ରୋବୋଟିକ୍ସ, ଅର୍ଥ ଓ ଜୀବ ବିଜ୍ଞାନରେ ଅନେକ ପ୍ରୟୋଗ କ୍ରମିକ ତଥ୍ୟ ସହିତ ଜଡିତ, ଯେଉଁଠାରେ ବିଷୟଗୁଡିକର କ୍ରମାନୁସାରେ ଏବଂ ପୁନଃ ପୁନଃ ହେଉଥିବା ଢାଞ୍ଚାଗୁଡ଼ିକ ସାଧାରଣ ଅଟେ । ତେବେ ଏହି ସଂରଚନାକୁ ସହଜରେ ଷ୍ଟାଣ୍ଡାର୍ଡ କର୍ଣ୍ଣଲ ଫଙ୍କସନ ଦ୍ୱାରା ଧରାଯାଇପାରିବ ନାହିଁ । ଏହି ପ୍ରକାର ସଂରଚନାକୁ ମଡେଲ କରିବା ପାଇଁ ଆମେ ଗୌସିୟାନ ପ୍ରକ୍ରିୟା ପାଇଁ ଅଭିବ୍ୟକ୍ତିକୃତ ବନ୍ଦ-ଫର୍ମ କର୍ଣ୍ଣଲ ଫଙ୍କସନ ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଏହି ମଡେଲ GP-LSTM, ଯାହାକି ଦୀର୍ଘ ସ୍ୱଳ୍ପକାଳୀନ ସ୍ମୃତି (LSTM) ପୁନଃପୌନିକ ନେଟୱର୍କର ଇଣ୍ଡକ୍ଟିଭ୍ ପାର୍ଥକ୍ୟକୁ ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ଅନ୍ତର୍ଭୁକ୍ତ କରେ, ଗୌସିୟାନ ପ୍ରକ୍ରିୟାର ଅଣ-ପାରାମେଟ୍ରିକ୍ ସମ୍ଭାବ୍ୟତା ଲାଭକୁ ବଜାୟ ରଖିଥାଏ । ଆମେ ପ୍ରସ୍ତାବିତ କର୍ଣ୍ଣଲର ଗୁଣବତ୍ତା ଗୁଡିକୁ ଶିଖିବା ପାଇଁ ଗୌସିୟାନ ପ୍ରକ୍ରିୟା ମାର୍ଜିନାଲ ସମ୍ଭାବନାକୁ ଏକ ନୂଆ ପ୍ରମାଣିତ ଭାବେ ସମ୍ମିଳିତ ସେମି-ଷ୍ଟୋକାଷ୍ଟିକ ଗ୍ରାଡିଏଣ୍ଟ ପ୍ରକ୍ରିୟା ବ୍ୟବହାର କରି ଅପ୍ଟିମାଇଜ୍ କରିଥାଉ ଏବଂ ଏହି କର୍ଣ୍ଣଲର ସଂରଚନାକୁ ସ୍କେଲେବଲ୍ ଟ୍ରେନିଂ ଏବଂ ପୂର୍ବାନୁମାନ ପାଇଁ ବ୍ୟବହାର କରିଥାଉ । ଏହି ପଦ୍ଧତି ବେୟସୀୟ ଏଲଏସଟିଏମ ପାଇଁ ଏକ ବ୍ୟବହାରିକ ପ୍ରତିନିଧିତ୍ୱ ପ୍ରଦାନ କରିଥାଏ । ଆମେ ଅନେକ ମାନଦଣ୍ଡରେ ଅତ୍ୟାଧୁନିକ କାର୍ଯ୍ୟଦକ୍ଷତା ପ୍ରଦର୍ଶନ କରୁଛୁ ଏବଂ ସ୍ୱୟଂଚାଳିତ ଚାଳନା ପ୍ରୟୋଗର ସମ୍ପୂର୍ଣ୍ଣ ଅନୁସନ୍ଧାନ କରୁଛୁ, ଯେଉଁଠାରେ GP-LSTM ଦ୍ୱାରା ପ୍ରଦାନ କରାଯାଇଥିବା ପୂର୍ବାନୁମାନ ଅନିଶ୍ଚିତତା ଅତ୍ୟନ୍ତ ମୂଲ୍ୟବାନ ଅଟେ ।
033b62167e7358c429738092109311af696e9137	ଏହି କାଗଜରେ ସମୀକ୍ଷାଗୁଡ଼ିକୁ ସୁପାରିଶିତ (ଅଙ୍ଗୁଳି ଉପରକୁ) କିମ୍ବା ସୁପାରିଶିତ ନୁହେଁ (ଅଙ୍ଗୁଳି ତଳକୁ) ଭାବରେ ଶ୍ରେଣୀଭୁକ୍ତ କରିବା ପାଇଁ ଏକ ସରଳ ଅଣ-ନିରୀକ୍ଷିତ ଶିକ୍ଷଣ ଆଲଗୋରିଦମ ଉପସ୍ଥାପନ କରାଯାଇଛି । ସମୀକ୍ଷାର ଶ୍ରେଣୀକରଣ ସମୀକ୍ଷାରେ ଥିବା ବାକ୍ୟର ଶଦ୍ଦ ବା ବିଶେଷଣ ବା ବିଶେଷଣ ଥିବା ବାକ୍ୟର ହାରାହାରି ଅର୍ଥିକ ଦିଗ ଦ୍ୱାରା ପୂର୍ବାନୁମାନ କରାଯାଏ । ଏକ ବାକ୍ୟର ସକାରାତ୍ମକ ଅର୍ଥନୈତିକ ଦିଗ ରହିଛି ଯେତେବେଳେ ଏହାର ଭଲ ସମ୍ପର୍କ ଥାଏ (ଯେପରିକି, ସୂକ୍ଷ୍ମ ସୂକ୍ଷ୍ମତା) ଏବଂ ନକାରାତ୍ମକ ଅର୍ଥନୈତିକ ଦିଗ ରହିଛି ଯେତେବେଳେ ଏହାର ଖରାପ ସମ୍ପର୍କ ଥାଏ (ଯେପରିକି, ଅତ୍ୟନ୍ତ ଅହଂକାରୀ) । ଏହି ଲେଖାରେ, ଏକ ବାକ୍ୟର ଅର୍ଥିକ ଦିଗ ନିର୍ଣ୍ଣୟକୁ ଦିଆଯାଇଥିବା ବାକ୍ୟ ଓ ଶବ୍ଦ "ଉତ୍କୃଷ୍ଟ" ମଧ୍ୟରେ ଥିବା ଆପୋସ ସୂଚନାକୁ ବାଦ ଦେଇ ଦିଆଯାଇଥିବା ବାକ୍ୟ ଓ ଶବ୍ଦ "ଦରିଦ୍ର" ମଧ୍ୟରେ ଥିବା ଆପୋସ ସୂଚନା ହିସାବରେ ଗଣନା କରାଯାଇଛି । ଏକ ସମୀକ୍ଷାକୁ ସୁପାରିଶିତ ଭାବରେ ବର୍ଗୀକୃତ କରାଯାଏ ଯଦି ଏହାର ବାକ୍ୟର ହାରାହାରି ଅର୍ଥନୈତିକ ଦିଗଦର୍ଶନ ସକରାତ୍ମକ ହୋଇଥାଏ । ଏହି ଆଲଗୋରିଦମ ୪ଟି ଭିନ୍ନ ଭିନ୍ନ ଡୋମେନ (ଅଟୋମୋଟିଭ୍, ବ୍ୟାଙ୍କ, ସିନେମା ଓ ଭ୍ରମଣ ସ୍ଥଳ) ରୁ ନମୁନା ସଂଗ୍ରହ କରି ଏପିନିଅନ୍ସର ୪୧୦ଟି ସମୀକ୍ଷା ଉପରେ ମୂଲ୍ୟାଙ୍କନ କରିବା ପରେ ୭୪% ସଠିକତା ହାସଲ କରିଛି । ଏହି ସଠିକତା ଅଟୋମୋବାଇଲ ସମୀକ୍ଷା ପାଇଁ ୮୪%ରୁ ଆରମ୍ଭ କରି ସିନେମା ସମୀକ୍ଷା ପାଇଁ ୬୬% ପର୍ଯ୍ୟନ୍ତ ହୋଇଥାଏ ।
0eaa75861d9e17f2c95bd3f80f48db95bf68a50c	ଇଲେକ୍ଟ୍ରୋମିଗ୍ରେସନ (ଇଏମ) ହେଉଛି ଇଣ୍ଟିଗ୍ରେଟେଡ ସର୍କିଟ (ଆଇସି) ଡିଜାଇନରେ ଇଣ୍ଟରକନେକ୍ଟ ବିଶ୍ୱସନୀୟତା ପାଇଁ ଆଗକୁ ବଢ଼ୁଥିବା ପ୍ରମୁଖ ଚିନ୍ତା ମଧ୍ୟରୁ ଗୋଟିଏ । ଯଦିଓ ଆନାଲୋଗ୍ ଡିଜାଇନରମାନେ କିଛି ସମୟ ପୂର୍ବରୁ ଇଏମ ସମସ୍ୟା ବିଷୟରେ ଅବଗତ ଥିଲେ, ଡିଜିଟାଲ ସର୍କିଟ ମଧ୍ୟ ବର୍ତ୍ତମାନ ପ୍ରଭାବିତ ହେଉଛି । ଏହି ଆଲୋଚନାରେ ମୌଳିକ ଡିଜାଇନ ସମସ୍ୟା ଏବଂ ଇଣ୍ଟରକନେକ୍ଟ ଫିଜିକାଲ ଡିଜାଇନ ସମୟରେ ଇଲେକ୍ଟ୍ରୋମିଗ୍ରେସନ ଉପରେ ଏହାର ପ୍ରଭାବ ବିଷୟରେ ଆଲୋଚନା କରାଯିବ । ଇଲେକ୍ଟ୍ରୋମିଗ୍ରେସନ-ନିଷେଧକ ପଦକ୍ଷେପ ଗ୍ରହଣ କରି, ଯେପରିକି ସ୍ୱଳ୍ପ-ଲମ୍ବ ଏବଂ ଜଳାଶୟ ପ୍ରଭାବ ମାଧ୍ୟମରେ ଇଣ୍ଟରକନେକ୍ଟରେ ବର୍ତ୍ତମାନର ଘନତା ସୀମା ବୃଦ୍ଧି କରିବାର ଉଦ୍ଦେଶ୍ୟ ରହିଛି । ଏହି ପ୍ରଭାବର ଲାଭ ଉଠାଇବା ଦ୍ୱାରା ଆଇସି ଡିଜାଇନ ଫ୍ଲୋରେ ଇଏମ ସମସ୍ୟା ଦୂର ହୋଇପାରିବ ।
45e2e2a327ea696411b212492b053fd328963cc3	ସ୍ୱାସ୍ଥ୍ୟକୁ ପ୍ରୋତ୍ସାହନ ଦେବା ଏବଂ କ୍ରୋନିକ୍ ରୋଗକୁ ହ୍ରାସ କରିବା ପାଇଁ ଜନସ୍ୱାସ୍ଥ୍ୟରେ ଏକ ଜୀବନଶୈଳୀ ହସ୍ତକ୍ଷେପ ଭାବରେ ମୋବାଇଲ୍ ଆପ୍ ସେବା ପାଇଁ ପ୍ରତିଶ୍ରୁତି ଦେଉଛି, ତଥାପି କ୍ରୋନିକ୍ ରୋଗରେ ପୀଡିତ ବ୍ୟକ୍ତିମାନେ କିପରି ମୋବାଇଲ୍ ଆପ୍ ବ୍ୟବହାର କରନ୍ତି କିମ୍ବା ଗ୍ରହଣ କରନ୍ତି ସେ ବିଷୟରେ ବହୁତ କମ୍ ଜଣା ଅଛି । ଏହି ଅଧ୍ୟୟନର ଉଦ୍ଦେଶ୍ୟ ଥିଲା ଦୀର୍ଘସ୍ଥାୟୀ ରୋଗରେ ପୀଡ଼ିତ ବ୍ୟକ୍ତିଙ୍କ ମଧ୍ୟରେ ସ୍ୱାସ୍ଥ୍ୟ ପାଇଁ ମୋବାଇଲ ଫୋନ୍ ଆଧାରିତ ଆପ୍ ବିଷୟରେ ବ୍ୟବହାର ଏବଂ ଧାରଣାକୁ ଅନୁସନ୍ଧାନ କରିବା । ଏହି ତଥ୍ୟ ଯୁକ୍ତରାଷ୍ଟ୍ର ଆମେରିକାରେ ୧୬୦୪ ଜଣ ମୋବାଇଲ ଫୋନ୍ ବ୍ୟବହାରକାରୀଙ୍କ ଉପରେ ହୋଇଥିବା ଏକ ଜାତୀୟ କ୍ରସ ସେକ୍ସନ ସର୍ଭେରୁ ସଂଗ୍ରହ କରାଯାଇଥିଲା । ଏହି ସର୍ଭେରେ ମୋବାଇଲ ହେଲ୍ଥ ବ୍ୟବହାର, ବିଶ୍ୱାସ ଓ ପସନ୍ଦକୁ ଆକଳନ କରାଯାଇଥିଲା । ଏହି ଅଧ୍ୟୟନରେ ସ୍ୱାସ୍ଥ୍ୟ ଆପ୍ ବ୍ୟବହାର, ଡାଉନଲୋଡ୍ କରିବାର କାରଣ ଏବଂ କ୍ରୋନିକ୍ ଅବସ୍ଥା ଦ୍ୱାରା ପ୍ରଭାବକୁ ଅନୁଧ୍ୟାନ କରାଯାଇଥିଲା । ଏହି ସର୍ଭେରେ ଅଂଶଗ୍ରହଣ କରିଥିବା ୩୮.୯% (୩୧୪/୮୦୭) ରୋଗୀ ଏବଂ ୬.୬% (୨୪/୩୬୪) ଉଚ୍ଚ ରକ୍ତଚାପ ରୋଗୀ ଏକରୁ ୫ଟି ଆପ ବ୍ୟବହାର କରୁଥିବା ଜଣାଇଥିଲେ । ସ୍ୱାସ୍ଥ୍ୟ ସମ୍ବନ୍ଧୀୟ ଆପ୍ ର ବ୍ୟବହାର ଦିନକୁ ୨ ଥର କିମ୍ବା ଅଧିକ ଥର ୨୧.୩% (୧୭୨/୮୦୭) ରୋଗର ଶିକାର ହୋଇନଥିବା, ୨.୭% (୧୦/୩୬୪) ଉଚ୍ଚ ରକ୍ତଚାପ, ୧୩.୧% (୨୬/୧୯୮) ମୋଟାପଣ, ୧୨.୩% (୨୦/୧୬୩) ମଧୁମେହ, ୧୨.୦% (୩୨/୨୬୭) ଅବସାଦ ଏବଂ ୧୬.୬% (୫୩/୩୧୯) ଉଚ୍ଚ କୋଲେଷ୍ଟ୍ରଲ ରୋଗରେ ହୋଇଥିବା ରିପୋର୍ଟ କରାଯାଇଥିଲା । ଲଜିଷ୍ଟିକ୍ ରିଗ୍ରେସନର ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ, ସ୍ୱାସ୍ଥ୍ୟ ଆପ୍ ଡାଉନଲୋଡ୍ କରିବାରେ କୌଣସି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପାର୍ଥକ୍ୟ ନାହିଁ (ପି>.୦୫) । ସ୍ୱାସ୍ଥ୍ୟ ଖରାପ ଥିବା ବ୍ୟକ୍ତିଙ୍କ ତୁଳନାରେ, ସ୍ୱୟଂ-ବିବରଣୀ କରାଯାଇଥିବା ବହୁତ ଭଲ ସ୍ୱାସ୍ଥ୍ୟ (ଅନୁପାତ [OR] 3.80, 95% CI 2.38-6.09, P<.001) ଏବଂ ଉତ୍କୃଷ୍ଟ ସ୍ୱାସ୍ଥ୍ୟ (OR 4.77, 95% CI 2.70-8.42, P<.001) ଥିବା ବ୍ୟକ୍ତିଙ୍କ ମଧ୍ୟରେ ସ୍ୱାସ୍ଥ୍ୟ ଆପ୍ ଡାଉନଲୋଡ୍ ହେବାର ସମ୍ଭାବନା ଅଧିକ ଥିଲା । ସେହିପରି, ଯେଉଁ ବ୍ୟକ୍ତିମାନେ କେବେହେଲେ ବା କ୍ୱଚିତ୍ ଶାରୀରିକ କାର୍ଯ୍ୟକଳାପ କରିନଥିବା ବ୍ୟକ୍ତିଙ୍କ ତୁଳନାରେ, ଯେଉଁମାନେ ସପ୍ତାହରେ 1 ଦିନ (OR 2. 47, 95% CI 1. 6- 3. 83, P<. 001) ବ୍ୟାୟାମ କରନ୍ତି, ସପ୍ତାହରେ 2 ଦିନ (OR 4. 77, 95% CI 3. 27- 6. 94, P<. 001), ସପ୍ତାହରେ 3 ରୁ 4 ଦିନ (OR 5. 00, 95% CI 3. 52- 7. 10, P<. 001) ଏବଂ ସପ୍ତାହରେ 5 ରୁ 7 ଦିନ (OR 4. 64, 95% CI 3. 11- 6. 92, P<. 001) ବ୍ୟାୟାମ କରନ୍ତି ସେମାନଙ୍କ ମଧ୍ୟରେ ସ୍ୱାସ୍ଥ୍ୟ ଆପ୍ ଡାଉନଲୋଡ୍ ହେବାର ସମ୍ଭାବନା ଅଧିକ ଥିଲା । ସମସ୍ତ ଲଜିଷ୍ଟିକ ରିଗ୍ରେସନ ଫଳାଫଳ ବୟସ, ଲିଙ୍ଗ, ଏବଂ ଜାତି କିମ୍ବା ଜାତି ପାଇଁ ନିୟନ୍ତ୍ରିତ । ଏହି ଅଧ୍ୟୟନର ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ ଯେଉଁ ବ୍ୟକ୍ତିମାନେ ଖରାପ ସ୍ୱାସ୍ଥ୍ୟ ଏବଂ କମ୍ ଶାରୀରିକ କାର୍ଯ୍ୟକଳାପ ସହିତ ସ୍ୱ-ରିପୋର୍ଟ୍ କରିଛନ୍ତି, ସେମାନେ ସ୍ୱାସ୍ଥ୍ୟ ଆପ୍ ରୁ ଅଧିକ ଲାଭ ପାଇପାରିବେ, ଏହି ସ୍ୱାସ୍ଥ୍ୟ ଉପକରଣଗୁଡିକ ଡାଉନଲୋଡ୍ ଏବଂ ବ୍ୟବହାର କରିବାକୁ କମ୍ ସମ୍ଭାବନା ଅଛି ।
1935e0986939ea6ef2afa01eeef94dbfea6fb6da	ହାରାହାରି ଭାରିଆନ୍ସ ପୋର୍ଟଫୋଲିଓ ବିଶ୍ଳେଷଣ ଲାଭ ଓ ବିପଦ ମଧ୍ୟରେ ଥିବା ତାରତମ୍ୟର ପ୍ରଥମ ପରିମାଣିକ ଉପଚାର ପ୍ରଦାନ କରିଥିଲା । ଆମେ ବର୍ଣ୍ଣନା କରୁଛୁ ଯେ, ଅବଜେକ୍ଟିଭ୍ ଏବଂ କଣ୍ଟ୍ରାଇନ୍ସ୍ ମଧ୍ୟରେ ଥିବା ପାରସ୍ପରିକ ସମ୍ପର୍କକୁ ଆମେ ସେମିଭ୍ୟାରିଏନ୍ସ ମଡେଲ ସମେତ ଏକାଧିକ ଏକକାଳୀନ ପାର୍ଶ୍ୱରେ ବର୍ଣ୍ଣନା କରିଛୁ । ବିଶେଷକରି ଅଧିକ କାର୍ଯ୍ୟଦକ୍ଷତା ପାଇଁ ଦଣ୍ଡବିଧାନକୁ ଏଡ଼ାଇବା ଉପରେ ଗୁରୁତ୍ୱ ଦିଆଯାଇଛି । ଏହାର ପରିଣାମକୁ ଦୃଶ୍ୟପଟ୍ଟ ବୃକ୍ଷ ଉପରେ ଆଧାରିତ ବହୁକାଳୀନ ମଡେଲର ବିକାଶ ଏବଂ ତତ୍ତ୍ୱଜ୍ଞାନ ବିଶ୍ଳେଷଣରେ ନିର୍ମାଣ ବ୍ଲକ ଭାବରେ ବ୍ୟବହାର କରାଯାଏ । ଏକ ପ୍ରମୁଖ ଗୁଣ ହେଉଛି ଭବିଷ୍ୟତର ନିଷ୍ପତ୍ତିରେ ଅତିରିକ୍ତ ଅର୍ଥକୁ ହଟାଇବାର ସମ୍ଭାବନା, ଯାହାଦ୍ୱାରା ନିମ୍ନଗାମୀ ବିପଦକୁ ସର୍ବନିମ୍ନ କରାଯାଇପାରିବ ।
0e1431fa42d76c44911b07078610d4b9254bd4ce	ମୁଖ୍ୟ ଉପାଦାନ ବିଶ୍ଳେଷଣର ଏକ ଅଣ-ଲିଖନୀୟ ଫର୍ମ କରିବା ପାଇଁ ଏକ ନୂତନ ପଦ୍ଧତି ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । ସମନ୍ୱିତ ଅପରେଟର କର୍ଣ୍ଣଲ ଫଙ୍କସନ ବ୍ୟବହାର କରି, ଜଣେ ଉଚ୍ଚ-ଆକାର ବିଶିଷ୍ଟ ବୈଶିଷ୍ଟ୍ୟ ବିଶିଷ୍ଟ ସ୍ଥାନଗୁଡିକରେ ମୁଖ୍ୟ ଉପାଦାନଗୁଡ଼ିକୁ ଦକ୍ଷତାର ସହିତ ଗଣନା କରିପାରିବ, ଯାହାକି କୌଣସି ଅଣ-ଲିନିୟର ମ୍ୟାପ୍ ଦ୍ୱାରା ଇନପୁଟ୍ ସ୍ପେସ୍ ସହିତ ଜଡିତ, ଉଦାହରଣ ସ୍ୱରୂପ, 16 16 ପ୍ରତିଛବିରେ ସମସ୍ତ ସମ୍ଭାବ୍ୟ ପାଞ୍ଚ-ପିକ୍ସେଲ ଉତ୍ପାଦର ସ୍ଥାନ । ଆମେ ପଦ୍ଧତିର ନିର୍ଗମନ ଦେଇଛୁ ଏବଂ ପଦ୍ଧତିର ଚିହ୍ନଟ ପାଇଁ ବହୁପଦ ବିଶିଷ୍ଟ ବୈଶିଷ୍ଟ୍ୟ ଉତ୍ତୋଳନ ଉପରେ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଉପସ୍ଥାପନ କରିଛୁ ।
292eee24017356768f1f50b72701ea636dba7982	ଆମେ ବାହ୍ୟ ସହରୀ ଦୃଶ୍ୟକୁ ପ୍ରତିନିଧିତ୍ୱ କରୁଥିବା 3D ବିନ୍ଦୁ ମେଘରେ ସ୍ୱୟଂଚାଳିତ ବସ୍ତୁ ସ୍ଥାନୀୟକରଣ ଏବଂ ଚିହ୍ନଟ ପାଇଁ ଏକ ପଦ୍ଧତି ଉପସ୍ଥାପନ କରୁଛୁ । ଏହି ପଦ୍ଧତି ଇମ୍ପ୍ଲିସିଟ୍ ଶେପ୍ ମଡେଲ (ଆଇଏସ୍ଏମ୍) ଫ୍ରେମୱାର୍କ ଉପରେ ଆଧାରିତ, ଯାହା କେନ୍ଦ୍ର ସ୍ଥାନ ପାଇଁ ଭୋଟ୍ ଦେଇ ବସ୍ତୁଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରିଥାଏ । ଏହା ପାଇଁ ପ୍ରତି ଶ୍ରେଣୀରେ ଅଳ୍ପ ପ୍ରଶିକ୍ଷଣର ଆବଶ୍ୟକତା ରହିଛି, ଯାହାକି ବ୍ୟବହାରିକ ବ୍ୟବହାର ପାଇଁ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଗୁଣ । ଆମେ ମଧ୍ୟ ସ୍ପିନ ଇମେଜ ଡିସକ୍ରିପ୍ଟରର ଏକ ଉନ୍ନତ ସଂସ୍କରଣକୁ ପରିଚିତ କରାଇଛୁ ଏବଂ ଏହାର ମୂଲ୍ୟାଙ୍କନ କରୁଛୁ, ଯାହାକି ସାଧାରଣ ଦିଗ ଆକଳନ କ୍ଷେତ୍ରରେ ବିନ୍ଦୁ ଘନତା ପରିବର୍ତ୍ତନ ଏବଂ ଅନିଶ୍ଚିତତା ପାଇଁ ଅଧିକ ଦୃଢ଼ ଅଟେ । ଆମର ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ ଏହି ପରିବର୍ତ୍ତନଗୁଡ଼ିକର ଚିହ୍ନଟ କାର୍ଯ୍ୟଦକ୍ଷତା ଉପରେ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପ୍ରଭାବ ରହିଛି । ଆମେ ଆମର ଫଳାଫଳକୁ ଅତ୍ୟାଧୁନିକ ପଦ୍ଧତି ସହିତ ତୁଳନା କରିଥାଉ ଏବଂ ଓହିଓ ଡାଟାସେଟରେ ଉଭୟ ସଠିକତା ଏବଂ ସ୍ମରଣରେ ଉଲ୍ଲେଖନୀୟ ଉନ୍ନତି ପାଇଥାଉ, ଯେଉଁଥିରେ ସମୁଦାୟ ୧୫୦,୦୦୦ ମିଟର ସହରାଞ୍ଚଳର ମିଳିତ ଆକାଶ ଏବଂ ସ୍ଥଳ ଲୀଡାର ସ୍କାନ୍ ଅନ୍ତର୍ଭୁକ୍ତ ।
922b5eaa5ca03b12d9842b7b84e0e420ccd2feee	ଯୋଗାଯୋଗ ଓ ନିୟନ୍ତ୍ରଣ କ୍ଷେତ୍ରରେ ଥିବା ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପ୍ରକାରର ତତ୍ତ୍ୱଜ୍ଞାନ ଓ ବ୍ୟବହାରିକ ସମସ୍ୟା ହେଉଛି ପରିସଂଖ୍ୟାନ । ଏହିପରି ସମସ୍ୟାଗୁଡ଼ିକ ହେଲା: (i) ଆକସ୍ମିକ ସଂକେତର ପୂର୍ବାନୁମାନ; (ii) ଆକସ୍ମିକ ସଂକେତକୁ ଆକସ୍ମିକ ଶବ୍ଦରୁ ଅଲଗା କରିବା; (iii) ଆକସ୍ମିକ ଶବ୍ଦ ଉପସ୍ଥିତିରେ ଜଣାଶୁଣା ଫର୍ମର ସଂକେତ (ପଲସ୍, ସାଇନସୋଏଡ୍) ଚିହ୍ନଟ କରିବା । ୱିନର [1]3 ନିଜର ଅଗ୍ରଣୀ କାର୍ଯ୍ୟରେ ଦର୍ଶାଇଥିଲେ ଯେ ସମସ୍ୟା (i) ଏବଂ (ii) କୁ ନେଇ ତଥାକଥିତ ୱିନର-ହୋପଫ ସମୀକରଣର ସମାଧାନ କରାଯାଇପାରିବ । ସେ ମଧ୍ୟ ଏକ ପଦ୍ଧତି (ସ୍ପେକ୍ଟ୍ରାଲ ଫ୍ୟାକ୍ଟୋରିଜେସନ) ପ୍ରଦାନ କରିଥିଲେ । ଅନେକ ସଂପ୍ରସାରଣ ଓ ସାଧାରଣକରଣ ୱିନରଙ୍କ ମୌଳିକ କାର୍ଯ୍ୟକୁ ଅନୁସରଣ କରିଥିଲା । ଜାଦେହ ଓ ରାଗାଜିନି ସୀମିତ ସ୍ମୃତିର ସମାଧାନ କରିଥିଲେ । ବୋଡେ ଏବଂ ଶାନନ [3]ଙ୍କ ଠାରୁ ଅଲଗା ଭାବରେ ସେମାନେ ଏକ ସରଳୀକୃତ ଉପାୟ [୨] ମଧ୍ୟ ଦେଇଥିଲେ । ବୁଟନ ଅସ୍ଥିର ୱିନର-ହୋପ ସମୀକରଣ ଉପରେ ଆଲୋଚନା କରିଥିଲେ । ଏହି ଫଳାଫଳ ଏବେ ମାନକ ପାଠ୍ୟ [୫-୬]ରେ ରହିଛି । ଏହି ମୁଖ୍ୟ ଧାରା ଅନୁଯାୟୀ ଏକ ଭିନ୍ନ ଧାରଣା ନିକଟରେ ଡାର୍ଲିଂଟନ୍ [7] ଦ୍ୱାରା ଦିଆଯାଇଛି । ନମୁନା ସଂଗ୍ରହ ସିଗନାଲର ସମ୍ପ୍ରସାରଣ ପାଇଁ, ଉଦାହରଣ ସ୍ୱରୂପ, ଫ୍ରାଙ୍କଲିନ୍ [8], ଲିସ୍ [9] ଦେଖନ୍ତୁ । ୱିନରହୋଫ ସମୀକରଣର ସ୍ବତନ୍ତ୍ର କାର୍ଯ୍ୟ ଉପରେ ଆଧାରିତ ଅନ୍ୟ ଏକ ପଦ୍ଧତି (ଯାହା ନନ୍ ଷ୍ଟେସନାରୀ ସମସ୍ୟା ପାଇଁ ମଧ୍ୟ ପ୍ରଯୁଜ୍ୟ ହୋଇଥାଏ, କିନ୍ତୁ ପୂର୍ବବର୍ତ୍ତୀ ପଦ୍ଧତିଗୁଡିକ ସାଧାରଣତଃ ଏହା କରିନଥାଏ) ଡେଭିସ୍ [10] ଦ୍ୱାରା ପ୍ରବର୍ତ୍ତିତ ହୋଇଛି ଏବଂ ଅନ୍ୟମାନେ ମଧ୍ୟ ପ୍ରୟୋଗ କରିଛନ୍ତି, ଯେପରିକି, ଶିନ୍ବ୍ରଟ୍ [11], ବ୍ଲୁମ୍ [12], ପୁଗାଚେଭ୍ [13], ସୋଲୋଡୋଭନିକୋଭ୍ [14] । ଏହି ସମସ୍ତ କାର୍ଯ୍ୟରେ ଲକ୍ଷ୍ୟ ହେଉଛି ଏକ ରେଖୀଗତ ଗତିଶୀଳ ପ୍ରଣାଳୀର ନିର୍ଦ୍ଦିଷ୍ଟକରଣ (ୱାଇନର ଫିଲ୍ଟର) ଯାହା ଏକ ଆକସ୍ମିକ ସିଗନାଲର ପୂର୍ବାନୁମାନ, ପୃଥକତା କିମ୍ବା ଚିହ୍ନଟକୁ ହାସଲ କରିଥାଏ । 2 7212 ବେଲୋନା ଆଭେନ୍ଚୁ 3 କୁଣ୍ଡଳୀରେ ଥିବା ସଂଖ୍ୟାଗୁଡ଼ିକ କାଗଜପତ୍ରର ଶେଷରେ ଥିବା ରେଫରେନ୍ସକୁ ସୂଚିତ କରେ । ଅବଶ୍ୟ, ସାଧାରଣ ଭାବେ ଏହି କାର୍ଯ୍ୟଗୁଡ଼ିକ ଅଣ-ରେଖିକ ଫିଲ୍ଟର ଦ୍ୱାରା ଭଲ ଭାବରେ କରାଯାଇପାରିବ । କିନ୍ତୁ ବର୍ତ୍ତମାନ ଏହି ଅଣ-ଲିନିୟର ଫିଲ୍ଟର କିପରି ପ୍ରସ୍ତୁତ ହେବ ସେ ବିଷୟରେ ବହୁତ କମ କିମ୍ବା କିଛି ଜଣା ନାହିଁ । ଇନଷ୍ଟ୍ରୁମେଣ୍ଟ ଓ ରେଗୁଲେଟର ଡିଭିଜନ ଦ୍ୱାରା ପ୍ରସ୍ତୁତ ଏବଂ ମାର୍ଚ୍ଚ ୨୯- ଏପ୍ରିଲ ୨, ୧୯୫୯ରେ ଆମେରିକୀୟ ଇଞ୍ଜିନିୟର ସୋସାଇଟିର ଇନଷ୍ଟ୍ରୁମେଣ୍ଟ ଓ ରେଗୁଲେଟର ସମ୍ମିଳନୀରେ ଉପସ୍ଥାପିତ । ଟିପ୍ପଣୀ: ଏହି ପତ୍ରିକାରେ ଦିଆଯାଇଥିବା ବିବୃତ୍ତି ଓ ମତକୁ ଲେଖକମାନଙ୍କର ବ୍ୟକ୍ତିଗତ ମତ ଭାବରେ ବୁଝାଯିବା ଉଚିତ, ସୋସାଇଟିର ନୁହେଁ । ହସ୍ତଲିଖନ ଏଏସଏମଇ ମୁଖ୍ୟାଳୟରେ ଗ୍ରହଣ କରାଗଲା, ଫେବୃଆରୀ ୨୪, ୧୯୫୯ କାଗଜ ନଂ. 59-IRD-11 - ଏହିପରି ଭାବରେ ରେଖୀଆ ତନଖି ଓ ପୂର୍ବାନୁମାନ ସମସ୍ୟା ପାଇଁ ଏକ ନୂତନ ଦୃଷ୍ଟିକୋଣ
e50a316f97c9a405aa000d883a633bd5707f1a34	ବିଗତ 20 ବର୍ଷ ମଧ୍ୟରେ ସଂଗ୍ରହ କରାଯାଇଥିବା ପରୀକ୍ଷାମୂଳକ ପ୍ରମାଣ ଦର୍ଶାଏ ଯେ, ଉପଯୁକ୍ତ ଭାବରେ ଓଜନଯୁକ୍ତ ଏକକ ଶବ୍ଦଗୁଡିକର ଆବଣ୍ଟନ ଉପରେ ଆଧାରିତ ପାଠ୍ୟ ସୂଚୀକରଣ ପ୍ରଣାଳୀଗୁଡିକ ଅନ୍ୟାନ୍ୟ ଅଧିକ ବିସ୍ତୃତ ପାଠ୍ୟ ଉପସ୍ଥାପନା ସହିତ ପ୍ରାପ୍ତ ହେଉଥିବା ଫଳାଫଳଠାରୁ ଉନ୍ନତ ପୁନରୁଦ୍ଧାର ଫଳାଫଳ ପ୍ରଦାନ କରେ । ଏହି ଫଳାଫଳଗୁଡ଼ିକ ପ୍ରଭାବଶାଳୀ ଟର୍ମ ଭେଟିଙ୍ଗ୍ ସିଷ୍ଟମର ଚୟନ ଉପରେ ନିର୍ଭର କରେ । ଏହି ଲେଖାରେ ସ୍ୱୟଂଚାଳିତ ଶବ୍ଦ ଓଜନରୁ ପ୍ରାପ୍ତ ଅନ୍ତର୍ଦୃଷ୍ଟିର ସାରାଂଶ ଦିଆଯାଇଛି ଏବଂ ଏକକ-ଶବ୍ଦ-ପ୍ରୁଫ୍ଲେଇଂ ମଡେଲର ଆଧାର ପ୍ରଦାନ କରାଯାଇଛି ଯାହା ସହିତ ଅନ୍ୟ ଅଧିକ ବିସ୍ତୃତ ବିଷୟବସ୍ତୁ ବିଶ୍ଳେଷଣ ପ୍ରକ୍ରିୟା ତୁଳନା କରାଯାଇପାରିବ । ୧. କେଉଁ ବିଷୟ ଉପରେ ଆଲୋଚନା କରିବା? ସ୍ୱୟଂଚାଳିତ ପାଠ୍ୟ ବିଶ୍ଳେଷଣ ୧୯୫୦ ଦଶକର ଶେଷ ଭାଗରେ ଲୁହନ୍ [୧] ପ୍ରଥମେ ପ୍ରସ୍ତାବ ଦେଇଥିଲେ ଯେ ସ୍ୱୟଂଚାଳିତ ପାଠ୍ୟ ପୁନରୁଦ୍ଧାର ପ୍ରଣାଳୀକୁ ଉଭୟ ସଂରକ୍ଷିତ ପାଠ୍ୟ ଏବଂ ବ୍ୟବହାରକାରୀଙ୍କ ସୂଚନା ପ୍ରଶ୍ନ ସହିତ ସଂଯୁକ୍ତ ବିଷୟବସ୍ତୁ ପରିଚୟକଗୁଡ଼ିକର ତୁଳନା ଉପରେ ଆଧାର କରି ଡିଜାଇନ୍ କରାଯାଇପାରିବ । ସାଧାରଣତଃ, ଡକ୍ୟୁମେଣ୍ଟ୍ ଏବଂ ପ୍ରଶ୍ନର ପାଠରୁ ବାହାର କରାଯାଇଥିବା କିଛି ଶବ୍ଦ ବିଷୟବସ୍ତୁ ଚିହ୍ନଟ ପାଇଁ ବ୍ୟବହୃତ ହେବ; ବିକଳ୍ପ ଭାବରେ, ବିଷୟବସ୍ତୁ ଉପସ୍ଥାପନାଗୁଡିକ ମନୁଷ୍ୟକୃତ ଭାବରେ ପ୍ରଶିକ୍ଷିତ ସୂଚକମାନଙ୍କ ଦ୍ୱାରା ମନୋନୀତ କରାଯାଇପାରେ, ଯେଉଁମାନେ ବିଚାର କରାଯାଉଥିବା ବିଷୟବସ୍ତୁ କ୍ଷେତ୍ର ଏବଂ ଡକ୍ୟୁମେଣ୍ଟ୍ ସଂଗ୍ରହଗୁଡ଼ିକର ବିଷୟବସ୍ତୁ ସହିତ ପରିଚିତ ଅଟନ୍ତି । ଯେ କୌଣସି ପରିସ୍ଥିତିରେ, ଡକ୍ୟୁମେଣ୍ଟଗୁଡିକ D= (ti,tj,...ytp) (1) ର ଟର୍ମ ଭେକ୍ଟର ଦ୍ୱାରା ପ୍ରତିନିଧିତ୍ୱ କରାଯିବ ଯେଉଁଠାରେ ପ୍ରତ୍ୟେକ tk କିଛି ନମୁନା ଡକ୍ୟୁମେଣ୍ଟ D କୁ ଦିଆଯାଇଥିବା ବିଷୟବସ୍ତୁ ଟର୍ମକୁ ଚିହ୍ନଟ କରେ _ ସମାନ ଭାବରେ, ସୂଚନା ଅନୁରୋଧ, କିମ୍ବା ପ୍ରଶ୍ନଗୁଡିକ ଭେକ୍ଟର ଫର୍ମରେ କିମ୍ବା ବୁଲିୟାନ୍ ଷ୍ଟେଟମେଣ୍ଟଗୁଡିକର ଆକାରରେ ପ୍ରତିନିଧିତ୍ୱ କରାଯିବ _ ତେଣୁ, ଏକ ସାଧାରଣ ପ୍ରଶ୍ନ Q କୁ Q = (qa,qbr) ଭାବରେ ପ୍ରସ୍ତୁତ କରାଯାଇପାରେ । (୪ର) (୨)
6ac15e819701cd0d077d8157711c4c402106722c	ଏହି ବୈଷୟିକ ରିପୋର୍ଟରେ ଡିଏଆରପିଏ ସହରାଞ୍ଚଳ ଆହ୍ୱାନ ପାଇଁ ଟିମ୍ ଏମଆଇଟିର ଆଭିମୁଖ୍ୟ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଆମେ ଅନେକ ଶସ୍ତା ସେନସର ବ୍ୟବହାର କରି ଏକ ନୂଆ ରଣନୀତି ବିକଶିତ କରିଛୁ, ଯାହା ଯାନର ପେରିଫେରିରେ ଲଗାଯାଇଥାଏ ଏବଂ ଏକ ନୂଆ କ୍ରସ-ମୋଡାଲ କାଲିବ୍ରେସନ କୌଶଳ ସହିତ କାଲିବ୍ରେଟ କରାଯାଇଥାଏ । ଲିଡାର, କ୍ୟାମେରା ଏବଂ ରାଡାର ଡାଟା ଷ୍ଟ୍ରିମ୍ ଏକ ଅଭିନବ, ସ୍ଥାନୀୟ ଭାବରେ ସୁଗମ ସ୍ଥିତି ପ୍ରତିନିଧିତ୍ୱ ବ୍ୟବହାର କରି ପ୍ରକ୍ରିୟାକରଣ କରାଯାଏ ଯାହା ବାସ୍ତବ ସମୟ ସ୍ୱୟଂକ୍ରିୟ ନିୟନ୍ତ୍ରଣ ପାଇଁ ଦୃଢ ଧାରଣା ପ୍ରଦାନ କରେ । ଟ୍ରାଫିକରେ ଚଳାଇବା ପାଇଁ ଏକ ନମନୀୟ ଯୋଜନା ଏବଂ ନିୟନ୍ତ୍ରଣ ସ୍ଥାପତ୍ୟ ବିକଶିତ କରାଯାଇଛି, ଯେଉଁଥିରେ ମିଶନ ଯୋଜନା, ପରିସ୍ଥିତି ଯୋଜନା, ପରିସ୍ଥିତି ବ୍ୟାଖ୍ୟା ଏବଂ ପଥ ନିୟନ୍ତ୍ରଣ ପାଇଁ ଭଲ ଭାବରେ ପ୍ରମାଣିତ ଆଲଗୋରିଦମଗୁଡିକର ଏକ ଅଭିନବ ମିଶ୍ରଣ ଅନ୍ତର୍ଭୁକ୍ତ । ଏହି ନବସୃଜନକୁ ସହରାଞ୍ଚଳରେ ସ୍ୱୟଂଚାଳିତ ଚାଳନା ପାଇଁ ସଜ୍ଜିତ ଦୁଇଟି ନୂଆ ରୋବୋଟିକ୍ ଯାନରେ ସାମିଲ କରାଯାଇଛି । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ସମସ୍ତ ମୌଳିକ ଦିଗ ନିର୍ଣ୍ଣୟ ଏବଂ କେତେକ ମୌଳିକ ଟ୍ରାଫିକ ଆଚରଣକୁ ଦର୍ଶାଇଥାଏ, ଯେଉଁଥିରେ ନିରବଚ୍ଛିନ୍ନ ସ୍ୱୟଂକ୍ରିୟ ଚାଳନା, ଶୁଦ୍ଧ ଅନୁସରଣ ନିୟନ୍ତ୍ରଣ ଏବଂ ଆମର ସ୍ଥାନୀୟ ଫ୍ରେମ୍ ଧାରଣ ରଣନୀତି ବ୍ୟବହାର କରି ଲେନ୍ ଅନୁସରଣ, କିନୋ-ଡାଇନାମିକ RRT ପଥ ଯୋଜନା ବ୍ୟବହାର କରି ବାଧାବିଘ୍ନ ଏଡ଼ାଇବା, ଓଲଟିବା ଏବଂ ଆମର ପରିସ୍ଥିତି ଅନୁବାଦକ ବ୍ୟବହାର କରି କ୍ରସଓଭରରେ ଅନ୍ୟ କାରଗୁଡିକ ମଧ୍ୟରେ ପ୍ରାଥମିକତା ମୂଲ୍ୟାଙ୍କନ ଅନ୍ତର୍ଭୁକ୍ତ କରେ _ ଆମେ ଏହି ଉପାୟକୁ ଉନ୍ନତ ନୌପରିବହନ ଏବଂ ଟ୍ରାଫିକ ଦୃଶ୍ୟପଟ୍ଟରେ ବିସ୍ତାର କରିବା ପାଇଁ କାର୍ଯ୍ୟ କରୁଛୁ । ଏହି ବୈଷୟିକ ରିପୋର୍ଟରେ ଡିଏଆରପିଏ ସହରାଞ୍ଚଳ ଆହ୍ୱାନ ପାଇଁ ଟିମ୍ ଏମଆଇଟିର ଆଭିମୁଖ୍ୟ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଆମେ ଅନେକ ଶସ୍ତା ସେନସର ବ୍ୟବହାର କରି ଏକ ନୂଆ ରଣନୀତି ବିକଶିତ କରିଛୁ, ଯାହା ଯାନର ପରିଧିରେ ଲଗାଯାଇଛି ଏବଂ ଏକ ନୂତନ କ୍ରସ-ମୋଡାଲ କାଲିବ୍ରେସନ୍ କୌଶଳ ସହିତ କାଲିବ୍ରେଟ୍ କରାଯାଇଛି । ଲିଡାର, କ୍ୟାମେରା ଏବଂ ରାଡାର ଡାଟା ଷ୍ଟ୍ରିମ୍ ଏକ ଅଭିନବ, ସ୍ଥାନୀୟ ଭାବରେ ସୁଗମ ରାଜ୍ୟ ପ୍ରତିନିଧିତ୍ୱ ବ୍ୟବହାର କରି ପ୍ରକ୍ରିୟାକରଣ କରାଯାଏ ଯାହା ବାସ୍ତବ ସମୟ ସ୍ୱୟଂଚାଳିତ ନିୟନ୍ତ୍ରଣ ପାଇଁ ଦୃଢ ଧାରଣା ପ୍ରଦାନ କରେ । ଟ୍ରାଫିକରେ ଚଳାଇବା ପାଇଁ ଏକ ନମନୀୟ ଯୋଜନା ଏବଂ ନିୟନ୍ତ୍ରଣ ସ୍ଥାପତ୍ୟ ବିକଶିତ କରାଯାଇଛି, ଯେଉଁଥିରେ ମିଶନ ଯୋଜନା, ପରିସ୍ଥିତି ଯୋଜନା, ପରିସ୍ଥିତି ବ୍ୟାଖ୍ୟା ଏବଂ ଗତିପଥ ନିୟନ୍ତ୍ରଣ ପାଇଁ ଭଲ ଭାବରେ ପ୍ରମାଣିତ ଆଲଗୋରିଦମଗୁଡିକର ଏକ ଅଭିନବ ମିଶ୍ରଣ ଅନ୍ତର୍ଭୁକ୍ତ । ଏହି ନବସୃଜନକୁ ସହରାଞ୍ଚଳରେ ସ୍ୱୟଂଚାଳିତ ଚାଳନା ପାଇଁ ସଜ୍ଜିତ ଦୁଇଟି ନୂଆ ରୋବୋଟିକ୍ ଯାନରେ ସାମିଲ କରାଯାଇଛି । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ସମସ୍ତ ମୌଳିକ ଦିଗନିର୍ଦ୍ଦେଶ ଏବଂ କେତେକ ମୌଳିକ ଟ୍ରାଫିକ୍ ଆଚରଣକୁ ଦର୍ଶାଇଥାଏ, ଯେଉଁଥିରେ ନିରବଚ୍ଛିନ୍ନ ସ୍ୱୟଂଚାଳିତ ଡ୍ରାଇଭିଂ, ଶୁଦ୍ଧ-ଅନୁସରଣ ନିୟନ୍ତ୍ରଣ ଏବଂ ଆମର ସ୍ଥାନୀୟ ଫ୍ରେମ୍ ଧାରଣ ରଣନୀତି ବ୍ୟବହାର କରି ଲେନ୍ ଅନୁସରଣ, କିନୋ-ଡାଇନାମିକ୍ ଆରଆରଟି ପାଥ୍ ପ୍ଲାନିଂ ବ୍ୟବହାର କରି ବାଧାବିଘ୍ନ ଏଡ଼ାଇବା, ୟୁ-ଟର୍ଣ୍ଣ, ଏବଂ ଆମର ପରିସ୍ଥିତିଗତ ଇଣ୍ଟରପ୍ରିଟର ବ୍ୟବହାର କରି ଅନ୍ତରାଗରେ ଅନ୍ୟ କାରଗୁଡିକ ମଧ୍ୟରେ ପ୍ରାଥମିକତା ମୂଲ୍ୟାୟନ ଅନ୍ତର୍ଭୁକ୍ତ କରେ । ଆମେ ଏହି ଉପାୟକୁ ଉନ୍ନତ ନୌପରିବହନ ଏବଂ ଟ୍ରାଫିକ ଦୃଶ୍ୟପଟ୍ଟରେ ବିସ୍ତାର କରିବା ପାଇଁ କାର୍ଯ୍ୟ କରୁଛୁ । ଏହି ଦସ୍ତାବିଜରେ ଥିବା ସୂଚନା ପ୍ରତିରକ୍ଷା ଉନ୍ନତ ଗବେଷଣା ପ୍ରକଳ୍ପ ଏଜେନ୍ସି (ଡାରପା) କିମ୍ବା ପ୍ରତିରକ୍ଷା ବିଭାଗର ସରକାରୀ ନୀତିକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ ନାହିଁ । ଏହି ଦସ୍ତାବିଜରେ ଥିବା ତଥ୍ୟର ସଠିକତା କିମ୍ବା ବିଶ୍ୱସନୀୟତା ଉପରେ DARPA କୌଣସି ଗ୍ୟାରେଣ୍ଟି ଦିଏ ନାହିଁ । ଅତିରିକ୍ତ ସହାୟତା...
e275f643c97ca1f4c7715635bb72cf02df928d06
1e55bb7c095d3ea15bccb3df920c546ec54c86b5
8acaebdf9569adafb03793b23e77bf4ac8c09f83	ଆମେ ସ୍ଥିର ଭୌତିକ ଲମ୍ବ, ସ୍ପୁଫ୍ ସର୍ଫେସ୍ ପ୍ଲାସ୍ମନ୍ ପୋଲାରାଇଟନ୍ ଆଧାରିତ ୱେଭ୍ ଗାଇଡ୍ ର ବିଶ୍ଳେଷଣ ଏବଂ ଡିଜାଇନ୍ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ଟେରାହେର୍ଜ ଫ୍ରିକ୍ୱେନ୍ସିରେ ନିୟନ୍ତ୍ରିତ ବିଳମ୍ବ ସହିତ _ "କୋରାଫେଟେଡ ପ୍ଲାନର ଗୌବାଉ ଲାଇନ" (ସିପିଜିଏଲ) ବ୍ୟବହାର କରି ଏହାର କୋରାଫେଟେଡ ଗଭୀରତା ପରିବର୍ତ୍ତନ କରି ୱେବଗାଇଡର ମୋଟ ଭୌତିକ ଲମ୍ବ ପରିବର୍ତ୍ତନ ନକରି ନିୟନ୍ତ୍ରିତ ବିଳମ୍ବ ପ୍ରାପ୍ତ କରାଯାଇଥାଏ । ଆମର ଅନୁକରଣ ଫଳାଫଳ ଦର୍ଶାଉଛି ଯେ 237.9°, 220.6°, ଏବଂ 310.6°ର ବୈଦ୍ୟୁତିକ ଲମ୍ବ 250 μm ଏବଂ 200 μmର ଭୌତିକ ଲମ୍ବ ଦ୍ୱାରା 0.25, 0.275, ଏବଂ 0.3 THzରେ ଯଥାକ୍ରମେ ପ୍ରଦର୍ଶନ ଉଦ୍ଦେଶ୍ୟରେ ହାସଲ କରାଯାଇପାରିବ । ଏହି ସିମୁଲେସନ ଫଳାଫଳ ଆମର ବିଶ୍ଳେଷଣାତ୍ମକ ଗଣନା ସହିତ ମଧ୍ୟ ସମାନ ଅଟେ ଯାହା ଭୌତିକ ପାରାମିଟର ଏବଂ ସାମଗ୍ରୀ ଗୁଣ ବ୍ୟବହାର କରେ । ଯେତେବେଳେ ଆମେ ସମାନ ଲମ୍ବ ବିଳମ୍ବ ରେଖାର ଯୋଡିକୁ ମିଶାଇଥାଉ, ଯେପରି ସେଗୁଡିକ ଟେରାହେର୍ଟଜ ପର୍ଯ୍ୟାୟ ପରିବର୍ତ୍ତନକାରୀଙ୍କର ଦୁଇଟି ଶାଖା, ଆମେ 5.8% ରୁ ଭଲ ଆପେକ୍ଷିକ ପର୍ଯ୍ୟାୟ ପରିବର୍ତ୍ତନ ଆକଳନ ତ୍ରୁଟି ହାର ହାସଲ କରିଥାଉ । ଆମର ଜ୍ଞାନ ଅନୁସାରେ, ଏହା ପ୍ରଥମ ଥର ପାଇଁ ସୁପରଫେସ୍ ପ୍ଲାଜମନ୍ ପୋଲାରାଇଟନ୍ ଆଧାରିତ ସିପିଜିଏଲ୍ ଡେଲିମେଂଟ ଲାଇନର ପ୍ରଦର୍ଶନ । ଏହି ଧାରଣାକୁ ଟେରାହେର୍ଟଜ ବ୍ୟାଣ୍ଡ ସର୍କିଟ୍ରି ପାଇଁ ସ୍ଥିର ଲମ୍ବ ଏବଂ ପର୍ଯ୍ୟାୟ ପରିବର୍ତ୍ତନକାରୀ ସହିତ ଟ୍ୟୁନେବଲ ଡେଲେୟାର୍ ଲାଇନ୍ ପାଇବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ ।
325d145af5f38943e469da6369ab26883a3fd69e	ଏକ ଧୂସର ରଙ୍ଗର ଫୋଟୋକୁ ଇନପୁଟ ଭାବରେ ଦେଇ, ଏହି କାଗଜରେ ଫୋଟୋର ଏକ ସମ୍ଭାବ୍ୟ ରଙ୍ଗ ସଂସ୍କରଣକୁ ହାଲୁକା କରିବାର ସମସ୍ୟାକୁ ଆକ୍ରମଣ କରାଯାଇଛି । ଏହି ସମସ୍ୟା ସ୍ପଷ୍ଟ ଭାବରେ ସୀମିତ ହୋଇନାହିଁ, ତେଣୁ ପୂର୍ବବର୍ତ୍ତୀ ଉପାୟଗୁଡ଼ିକ ଯଥେଷ୍ଟ ଉପଭୋକ୍ତାଙ୍କ ପାରସ୍ପରିକ କ୍ରିୟା ଉପରେ ନିର୍ଭରଶୀଳ ଥିଲା କିମ୍ବା ଏହାର ପରିଣାମ ସ୍ୱରୂପ ଅସନ୍ତୁଷ୍ଟ ରଙ୍ଗରେ ପରିଣତ ହୋଇଥିଲା । ଆମେ ଏକ ସମ୍ପୂର୍ଣ୍ଣ ସ୍ୱୟଂଚାଳିତ ପଦ୍ଧତିର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଜୀବନ୍ତ ଏବଂ ବାସ୍ତବିକ ରଙ୍ଗ ପ୍ରଦାନ କରିଥାଏ । ଆମେ ଏହି ସମସ୍ୟାର ମୂଳ ଅନିଶ୍ଚିତତାକୁ ଏକ ଶ୍ରେଣୀକରଣ କାର୍ଯ୍ୟ ଭାବରେ ଗ୍ରହଣ କରିଛୁ ଏବଂ ଫଳାଫଳରେ ରଙ୍ଗର ବିବିଧତା ବୃଦ୍ଧି କରିବାକୁ ତାଲିମ ସମୟରେ ଶ୍ରେଣୀ ପୁନଃ ସନ୍ତୁଳନ ବ୍ୟବହାର କରିଛୁ । ଏହି ପ୍ରଣାଳୀକୁ ପରୀକ୍ଷଣ ସମୟରେ ସିଏନଏନରେ ଫିଡ ଫରୱାର୍ଡ ପାସ ଭାବରେ କାର୍ଯ୍ୟକାରୀ କରାଯାଇଛି ଏବଂ ଏକ ନିୟୁତରୁ ଅଧିକ ରଙ୍ଗୀନ୍ ପ୍ରତିଛବି ଉପରେ ତାଲିମ ଦିଆଯାଇଛି । ଆମେ ଆମର ଆଲଗୋରିଦମକୁ ଏକ "ରଙ୍ଗାୟନ ଟ୍ୟୁରିଙ୍ଗ ପରୀକ୍ଷା" ବ୍ୟବହାର କରି ମୂଲ୍ୟାଙ୍କନ କରିଥାଉ, ଯେଉଁଥିରେ ଅଂଶଗ୍ରହଣକାରୀମାନଙ୍କୁ ଏକ ଉତ୍ପାଦିତ ଏବଂ ବାସ୍ତବ ରଙ୍ଗ ପ୍ରତିଛବି ମଧ୍ୟରେ ବାଛିବାକୁ କୁହାଯାଇଥାଏ । ଆମର ଏହି ପଦ୍ଧତି ସଫଳତାର ସହ ମନୁଷ୍ୟକୁ ୩୨ ପ୍ରତିଶତ ପରୀକ୍ଷଣରେ ବୋକା ବନାଇଥାଏ, ଯାହାକି ପୂର୍ବ ପଦ୍ଧତି ତୁଳନାରେ ଯଥେଷ୍ଟ ଅଧିକ । ଏହା ସହିତ, ଆମେ ଦେଖାଇବୁ ଯେ ସ୍ୱ-ନିରୀକ୍ଷଣ ହୋଇଥିବା ବିଶେଷତା ଶିକ୍ଷଣ ପାଇଁ ରଙ୍ଗକରଣ ଏକ ଶକ୍ତିଶାଳୀ ବାହାନା ହୋଇପାରେ, ଯାହାକି ଏକ କ୍ରସ-ଚ୍ୟାନେଲ ଏନକୋଡର ଭାବରେ କାର୍ଯ୍ୟ କରିଥାଏ । ଏହି ଆଭିମୁଖ୍ୟର ପରିଣାମ ସ୍ୱରୂପ ଅନେକ ବୈଶିଷ୍ଟ୍ୟ ଶିକ୍ଷଣ ମାନଦଣ୍ଡରେ ଅତ୍ୟାଧୁନିକ ପ୍ରଦର୍ଶନ ହାସଲ କରାଯାଇଥାଏ ।
57bbbfea63019a57ef658a27622c357978400a50
7ffdf4d92b4bc5690249ed98e51e1699f39d0e71	ପ୍ରଥମ ଥର ପାଇଁ, 10 GHz ଉପରେ ଏକ ନମନୀୟ, ଜୈବିକ ସବଷ୍ଟ୍ରେଟ ଉପରେ ରେଡିଓ ଫ୍ରିକ୍ୱେନ୍ସି ମାଇକ୍ରୋ ଇଲେକ୍ଟ୍ରୋମେକାନିକାଲ ସିଷ୍ଟମ (RF MEMS) ସହିତ ଏକ ସମ୍ପୂର୍ଣ୍ଣ ସମନ୍ୱିତ ପର୍ଯ୍ୟାୟଯୁକ୍ତ ଆଣ୍ଟେନା ପ୍ରଦର୍ଶିତ ହୋଇଛି । ଏକ ସ୍ୱଳ୍ପ ଶବ୍ଦ ବର୍ଦ୍ଧକ (LNA), MEMS ପର୍ଯ୍ୟାୟ ପରିବର୍ତ୍ତନକାରୀ, ଏବଂ 2x2 ପ୍ୟାଚ୍ ଆଣ୍ଟିନା ଆରେ ଏକ ସିଷ୍ଟମ-ଅନ୍-ପ୍ୟାକେଜ୍ (SOP) ରେ ଏକ ତରଳ କ୍ରିଷ୍ଟାଲ୍ ପଲିମର୍ ସବଷ୍ଟ୍ରେଟ୍ ଉପରେ ଏକୀକୃତ ହୋଇଛି । ଦୁଇଟି ଆଣ୍ଟିନା ଆରେକୁ ତୁଳନା କରାଯାଇଛି; ଗୋଟିଏ ସିଙ୍ଗଲ ଲେୟାର୍ ଏସଓପି ବ୍ୟବହାର କରି କାର୍ଯ୍ୟକାରୀ କରାଯାଇଛି ଏବଂ ଦ୍ୱିତୀୟଟି ମଲ୍ଟିଲେୟାର୍ ଏସଓପି ସହିତ । ଉଭୟ କାର୍ଯ୍ୟାନ୍ୱୟନ ସ୍ୱଳ୍ପ କ୍ଷୟକ୍ଷତିଯୁକ୍ତ ଏବଂ ୧୨ ଡିଗ୍ରୀର ବିମ୍ ଷ୍ଟିଅରିଂ କ୍ଷମତା ବିଶିଷ୍ଟ । ଡିଜାଇନ୍ ଫ୍ରିକ୍ୱେନ୍ସି ହେଉଛି ୧୪ ଗିଗାହର୍ଟସ୍ ଏବଂ ମାପ କରାଯାଇଥିବା ରିଟର୍ନ ଲସ ୧୨ ଡିସିଏଲରୁ ଅଧିକ । ଏଲଏନଏର ବ୍ୟବହାର ଦ୍ୱାରା ଅଧିକ ଶକ୍ତି ସ୍ତର ବିକିରଣ ହୋଇଥାଏ । ଏହି ଆଣ୍ଟିନା ଗୁଡିକୁ ଯେକୌଣସି ଆକାର, ଫ୍ରିକ୍ୱେନ୍ସି ଏବଂ କାର୍ଯ୍ୟଦକ୍ଷତା ପାଇଁ ପ୍ରସ୍ତୁତ କରାଯାଇପାରିବ । ଏହି ଗବେଷଣା ଜୈବିକ ଏସଓପି ଉପକରଣର ଅତ୍ୟାଧୁନିକତାକୁ ପ୍ରୋତ୍ସାହିତ କରୁଛି ।
d00ef607a10e5be00a9e05504ab9771c0b05d4ea	ଉଚ୍ଚ ଭୋଲ୍ଟେଜ ରେଟେଡ ସଲିଡ ଷ୍ଟେଟ ସୁଇଚ ଯଥା ଆଇସୋଲେଟେଡ ଗେଟ ବାଇପୋଲାର ଟ୍ରାନଜିଷ୍ଟର (ଆଇଜିବିଟି) ୬.୫ କେଭି ପର୍ଯ୍ୟନ୍ତ ବ୍ୟବସାୟିକ ଭାବରେ ଉପଲବ୍ଧ । ଏହିଭଳି ଭୋଲଟେଜ ମାନ୍ୟତା ଇମ୍ପଲ୍ସଡ ପାୱାର ଏବଂ ଉଚ୍ଚ ଭୋଲଟେଜ ସୁଇଚ ମୋଡ କଭରେଟର ପ୍ରୟୋଗ ପାଇଁ ଆକର୍ଷଣୀୟ ଅଟେ । କିନ୍ତୁ ଆଇଜିବିଟି ଭୋଲଟେଜ ରେଟିଂ ବୃଦ୍ଧି ପାଇବା ସହିତ କରେଣ୍ଟ ବୃଦ୍ଧି ଓ ହ୍ରାସ ହାର ସାଧାରଣତଃ ହ୍ରାସ ପାଇଥାଏ । ଏହି ସନ୍ତୁଳନକୁ ଏଡ଼ାଇବା କଷ୍ଟକର କାରଣ IGBT ଗୁଡିକୁ ଏପିଟାକ୍ସିୟଲ କିମ୍ବା ଡ୍ରିଫ୍ଟ ଅଞ୍ଚଳ ସ୍ତରରେ କମ୍ ପ୍ରତିରୋଧ ବଜାୟ ରଖିବାକୁ ପଡିବ । ଉଚ୍ଚ ଭୋଲଟେଜ ରେଟେଡ ଆଇଜିବିଟି ପାଇଁ ବିପରୀତ ଭୋଲଟେଜକୁ ସମର୍ଥନ କରିବା ପାଇଁ ମୋଟା ଡ୍ରିଫ୍ଟ ଅଞ୍ଚଳ ସହିତ, ଆବଶ୍ୟକୀୟ ଉଚ୍ଚ କ୍ୟାରିୟର ସାନ୍ଧ୍ରତା ଟର୍ନ ଅନ୍ ସମୟରେ ଇଞ୍ଜେକ୍ଟ କରାଯାଏ ଏବଂ ଟର୍ନ ଅଫ୍ ସମୟରେ ଅପସାରଣ କରାଯାଏ, ଯାହା ସୁଇଚ୍ ସ୍ପିଡ୍ ହ୍ରାସ କରିଥାଏ _ ଦ୍ରୁତ ଗତିରେ ସୁଇଚ୍ କରିବା ପାଇଁ ଏକ ବିକଳ୍ପ ହେଉଛି ଏକାଧିକ, ନିମ୍ନ ଭୋଲଟେଜ୍ ରେଟେଡ୍ ଆଇଜିବିଟିକୁ ସିରିଜ୍ କରିବା । ଏକ IGBT-ଷ୍ଟେକ୍ ପ୍ରୋଟୋଟାଇପ ସହିତ ଛଅଟି, 1200 ଭୋଲ୍ଟ ରେଟିଂ IGBTକୁ ସିରିଜରେ ପରୀକ୍ଷାମୂଳକ ଭାବେ ପରୀକ୍ଷା କରାଯାଇଛି । ଛଅଟି ସିରିଜର ଆଇଜିବିଟି ଷ୍ଟେକରେ ବ୍ୟକ୍ତିଗତ, ଅପ୍ଟିକାଲ ଆଇସୋଲେଟେଡ ଗେଟ ଡ୍ରାଇଭର ଏବଂ ଆଲୁମିନିୟମ କୁଲିଂ ପ୍ଲେଟ ରହିଛି ଯାହା ଦ୍ୱାରା ବାୟୁକୁ ଶୀତଳ କରି ଏକ କମ୍ପାକ୍ଟ ପ୍ୟାକେଜରେ ପରିଣତ କରାଯାଇଥାଏ । ପ୍ରତ୍ୟେକ ଆଇଜିବିଟି ଅସ୍ଥାୟୀ ଭୋଲଟେଜ ସପ୍ରେସର ଦ୍ୱାରା ଅଧିକ ଭୋଲଟେଜରୁ ସୁରକ୍ଷିତ । ଛଅ-ଶୃଙ୍ଖଳା IGBT ଷ୍ଟେକର ଟର୍ନ-ଅନ୍ କରେଣ୍ଟ ବୃଦ୍ଧି ସମୟ ଏବଂ ଏକକ 6.5 kV ରେଟିଂ IGBT ପରୀକ୍ଷାମୂଳକ ଭାବରେ ଏକ ଇମ୍ପଲ୍ସଡ୍ ରେସିଷ୍ଟିବଲ୍ ଲୋଡ୍, କଣ୍ଡେସ୍ଟର ଡିସଚାର୍ଜ ସର୍କିଟରେ ମାପ କରାଯାଇଛି । ଆଇଜିବିଟି ଷ୍ଟେକକୁ ଦୁଇଟି ଆଇଜିବିଟି ମଡ୍ୟୁଲ ସହ ତୁଳନା କରାଯାଇଛି, ପ୍ରତ୍ୟେକର ରେଟିଂ ୩.୩ କେଭି, ଏକ ବୁଷ୍ଟ ସର୍କିଟ ଆପ୍ଲିକେସନ ସ୍ୱିଚରେ ୯ କେଭିଏଚଜେଡ ଏବଂ ୫ କେଭିର ଆଉଟପୁଟ ଉତ୍ପାଦନ କରିଥାଏ । ଛଅ-ଶୃଙ୍ଖଳାର IGBT ଷ୍ଟେକ୍ ସୁଧାରିଥିବା ଟର୍ନ-ଅନ୍ ସୁଇଚିଂ ସ୍ପିଡ୍ ଏବଂ ସୁନିଶ୍ଚିତ ଭାବରେ ଅଧିକ ପାୱାର ବୁଷ୍ଟର କନଭର୍ଟର ଦକ୍ଷତା ହ୍ରାସ କରେ କାରଣ ଟର୍ନ-ଅଫ୍ ସମୟରେ କମ୍ କରେଣ୍ଟ ଲାଞ୍ଜ ଥାଏ । ପରୀକ୍ଷାମୂଳକ ପରୀକ୍ଷଣର ପାରାମିଟର ଏବଂ ତୁଳନାତ୍ମକ ପରୀକ୍ଷଣର ଫଳାଫଳ ନିମ୍ନଲିଖିତ କାଗଜରେ ଆଲୋଚନା କରାଯାଇଛି ।
20f5b475effb8fd0bf26bc72b4490b033ac25129	ଆମେ ସହରାଞ୍ଚଳ ରାସ୍ତାରେ ଲେନ ମାର୍କର ଚିହ୍ନଟ ପାଇଁ ଏକ ଦୃଢ଼ ଏବଂ ବାସ୍ତବ ସମୟର ଉପାୟ ଉପସ୍ଥାପନ କରୁଛୁ । ଏହା ରାସ୍ତା ଉପରେ ଏକ ଉପର ଦୃଶ୍ୟ ସୃଷ୍ଟି କରିବା ଉପରେ ଆଧାରିତ, ଚୟନମୂଳକ ଦିଗବଳୟିତ ଗୌସୀୟନ ଫିଲ୍ଟର ବ୍ୟବହାର କରି ଫିଲ୍ଟରିଂ କରିବା, ବେଜିୟର ସ୍ପ୍ଲାଇନକୁ ଫିଟ କରିବା ପାଇଁ ଏକ ନୂତନ ଏବଂ ଦ୍ରୁତ RANSAC ଆଲଗୋରିଦମକୁ ପ୍ରାରମ୍ଭିକ ଅନୁମାନ ଦେବା ପାଇଁ RANSAC ଲାଇନ ଫିଟିଂ ବ୍ୟବହାର କରିବା, ଯାହା ପରେ ଏକ ପୋଷ୍ଟ-ପ୍ରୋସେସିଂ ପଦକ୍ଷେପ ଦ୍ୱାରା ଅନୁସରଣ କରାଯାଏ । ଆମର ଆଲଗୋରିଦମ ବିଭିନ୍ନ ପରିସ୍ଥିତିରେ ରାସ୍ତାର ଷ୍ଟିଲ୍ ଇମେଜରେ ସମସ୍ତ ଲେନ୍ ଚିହ୍ନଟ କରିପାରିବ, 50 Hz ହାରରେ କାର୍ଯ୍ୟ କରି ପୂର୍ବ କୌଶଳ ସହିତ ତୁଳନାତ୍ମକ ଫଳାଫଳ ହାସଲ କରିପାରିବ ।
e6bef595cb78bcad4880aea6a3a73ecd32fbfe06	ଅନଲାଇନ ସମୀକ୍ଷା ଓ ସୁପାରିଶର ଉପଲବ୍ଧତାରେ ବୃଦ୍ଧି ପାଉଥିବା ବୃଦ୍ଧି ଶୈକ୍ଷିକ ଓ ଶିଳ୍ପ ଗବେଷଣା କ୍ଷେତ୍ରରେ ଭାବନା ଶ୍ରେଣୀକରଣକୁ ଏକ ଆକର୍ଷଣୀୟ ବିଷୟବସ୍ତୁ କରିଛି । ସମୀକ୍ଷା ଏତେ ସାରା ବିଭିନ୍ନ କ୍ଷେତ୍ରକୁ ବ୍ୟାପିପାରେ ଯେ, ସେସବୁର ପ୍ରଶିକ୍ଷଣ ତଥ୍ୟ ସଂଗ୍ରହ କରିବା କଷ୍ଟକର ହୋଇପଡେ । ତେଣୁ, ଏହି କାଗଜରେ ଭାବନା ଶ୍ରେଣୀକରଣ ପାଇଁ ଡୋମେନ୍ ଅନୁକୂଳନର ସମସ୍ୟା ଅଧ୍ୟୟନ କରାଯାଇଛି, ଏହାଦ୍ୱାରା ଏକ ସିଷ୍ଟମକୁ ଏକ ଉତ୍ସ ଡୋମେନରୁ ଲେବଲ୍ ହୋଇଥିବା ସମୀକ୍ଷା ଉପରେ ତାଲିମ ଦିଆଯାଇଥାଏ କିନ୍ତୁ ଅନ୍ୟ ଏକ ଡୋମେନରେ ନିୟୋଜିତ ହେବା ପାଇଁ ଉଦ୍ଦିଷ୍ଟ । ଆମେ ଏକ ଗଭୀର ଶିକ୍ଷଣ ପଦ୍ଧତିର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ବିନା ତଦାରଖରେ ପ୍ରତ୍ୟେକ ସମୀକ୍ଷା ପାଇଁ ଏକ ଅର୍ଥପୂର୍ଣ୍ଣ ପ୍ରତିନିଧିତ୍ୱ ବାହାର କରିବାକୁ ଶିଖେ । [୨] [୩] [୪] [୫] [୬] [୭] [୮] [୮] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୧] [୧] [୧] [୧] [୧] [୧] [୧] [୧] [୧] [୧] [୧] ଆହୁରି ମଧ୍ୟ, ଏହି ପଦ୍ଧତି ଭଲ ଭାବରେ ମାପ କରିପାରୁଛି ଏବଂ ଆମକୁ 22ଟି ଡୋମେନର ଏକ ବୃହତ ଶିଳ୍ପ-ଶକ୍ତି ଡାଟାସେଟରେ ଡୋମେନ୍ ଅନୁକୂଳନ ସଫଳତାର ସହିତ କରିବାକୁ ଅନୁମତି ଦେଇଛି ।
7cbbe0025b71a265c6bee195b5595cfad397a734	ଲୋକମାନେ ବାରମ୍ବାର ଚେୟାର ସହିତ କଥାବାର୍ତ୍ତା କରନ୍ତି, ଯାହା ସେମାନଙ୍କୁ ଏକ ସମ୍ଭାବ୍ୟ ସ୍ଥାନ କରିଥାଏ ଯାହା ବ୍ୟବହାରକାରୀଙ୍କ ଦ୍ୱାରା କୌଣସି ଅତିରିକ୍ତ ପ୍ରୟାସ ଆବଶ୍ୟକ ନକରି ନିହିତ ସ୍ୱାସ୍ଥ୍ୟ ସେନ୍ସିଂ କରିଥାଏ । ଆମେ ୫୫୦ ଜଣ ଅଂଶଗ୍ରହଣକାରୀଙ୍କୁ ସର୍ଭେ କରି ବୁଝିଲୁ ଯେ ଲୋକମାନେ ଚେୟାରରେ କିପରି ବସନ୍ତି ଏବଂ ଚେୟାରର ଡିଜାଇନ୍ ବିଷୟରେ ସୂଚନା ଦେଲୁ ଯାହା ଯଥାକ୍ରମେ ଚେୟାରର ଆର୍ମ ରେଷ୍ଟ ଏବଂ ବ୍ୟାକ ରେଷ୍ଟରୁ ହୃଦୟ ଏବଂ ଶ୍ୱାସକ୍ରିୟା ହାରକୁ ଚିହ୍ନଟ କରେ । 18 ଜଣ ଅଂଶଗ୍ରହଣକାରୀଙ୍କ ସହିତ ଏକ ଲାବୋରେଟୋରୀ ଅଧ୍ୟୟନରେ, ଆମେ ହୃଦୟ ସ୍ପନ୍ଦନ ଏବଂ ଶ୍ୱାସକ୍ରିୟା ହାର ଚିହ୍ନଟ କରିବା ପାଇଁ ଏକ ସାଧାରଣ ବସିଥିବା ସ୍ଥିତିର ଆକଳନ କରିଥିଲୁ (ହୃଦୟ ସ୍ପନ୍ଦନ ହାର ପାଇଁ 32% ସମୟ, ଶ୍ୱାସକ୍ରିୟା ହାର ପାଇଁ 52%) ଏବଂ ଚିହ୍ନଟ ହାରର ସଠିକତା (83% ହାର୍ଟ ହାର୍ଟ ପାଇଁ, ଶ୍ୱାସକ୍ରିୟା ହାର ପାଇଁ 73%) ମୂଲ୍ୟାଙ୍କନ କରିଥିଲୁ । ଆମେ ଏହି ଅନୁଭୂତିକୁ ବନ୍ୟ ଜନ୍ତୁଙ୍କ ମଧ୍ୟରେ ସ୍ଥାନାନ୍ତର କରିବାର ଆହ୍ୱାନ ବିଷୟରେ ଆଲୋଚନା କରୁଛୁ, 11 ଜଣ ଅଂଶଗ୍ରହଣକାରୀଙ୍କ ସହିତ 40 ଘଣ୍ଟାର ଏକ ଇନ-ସିଟୁ ଅଧ୍ୟୟନର ମୂଲ୍ୟାଙ୍କନ କରି । ଆମେ ଦେଖାଇଲୁ ଯେ, ଏକ ନିହିତ ସେନସର ଭାବରେ, ଚେୟାରଟି ଚେୟାର ସହିତ ପ୍ରାକୃତିକ ପାରସ୍ପରିକ କ୍ରିୟା ମାଧ୍ୟମରେ ଏହାର ଉପଭୋକ୍ତାଙ୍କ ଠାରୁ ଜୀବନ ଚିହ୍ନ ତଥ୍ୟ ସଂଗ୍ରହ କରିପାରିବ ।
bf003bb2d52304fea114d824bc0bf7bfbc7c3106
9a59a3719bf08105d4632898ee178bd982da2204	ଏହି ସ୍ୱୟଂଚାଳିତ ଯାନ ଏକ ମୋବାଇଲ ରୋବଟ ଯେଉଁଥିରେ ମଲ୍ଟି ସେନସର ନାଭିଗେସନ ଓ ପୋଜିସନିଂ, ବୁଦ୍ଧିମାନ ନିଷ୍ପତ୍ତି ଗ୍ରହଣ ଓ ନିୟନ୍ତ୍ରଣ ପ୍ରଯୁକ୍ତିକୁ ଏକତ୍ରିତ କରାଯାଇଛି । ଏହି ପତ୍ରରେ ସ୍ୱୟଂଚାଳିତ ଯାନର ନିୟନ୍ତ୍ରଣ ପ୍ରଣାଳୀ ସ୍ଥାପତ୍ୟକୁ ଉପସ୍ଥାପନ କରାଯାଇଛି, ଯାହାକୁ "ଇଣ୍ଟେଲିଜେଣ୍ଟ ପିଅନ" କୁହାଯାଏ ଏବଂ ଅଜ୍ଞାତ ପରିବେଶରେ ପ୍ରଭାବଶାଳୀ ଭାବରେ ନେଭିଗେଟ୍ କରିବା ପାଇଁ ପଥ ଟ୍ରାକିଂ ଏବଂ ଗତିର ସ୍ଥିରତା ଉପରେ ଆଲୋଚନା କରାଯାଇଛି । ଏହି ପଦ୍ଧତିରେ, ଦୁଇଟି ଡିଗ୍ରୀର ସ୍ୱାଧୀନତା ବିଶିଷ୍ଟ ଗତିଶୀଳ ମଡେଲ ବିକଶିତ କରାଯାଇଥାଏ ଯାହା ପଥ-ଟ୍ରାକ କରିବା ସମସ୍ୟାକୁ ଷ୍ଟେଟ ସ୍ପେସ୍ ଫର୍ମାଟରେ ପ୍ରସ୍ତୁତ କରିଥାଏ । କ୍ଷଣିକ ପଥ ତ୍ରୁଟିକୁ ନିୟନ୍ତ୍ରଣ କରିବା ପାଇଁ ପାରମ୍ପରିକ ନିୟନ୍ତ୍ରକମାନେ ବ୍ୟାପକ ପରିମାପକ ପରିବର୍ତ୍ତନ ଏବଂ ବିଶୃଙ୍ଖଳା ଉପରେ କାର୍ଯ୍ୟଦକ୍ଷତା ଏବଂ ସ୍ଥିରତା ନିଶ୍ଚିତ କରିବାରେ ଅସୁବିଧା ଭୋଗୁଛନ୍ତି । ତେଣୁ, ଏକ ନୂତନ ବିକଶିତ ଆଡାପ୍ଟିଭ୍-ପିଆଇଡି ନିୟନ୍ତ୍ରକ ବ୍ୟବହୃତ ହେବ । ଏହି ପଦ୍ଧତିର ଉପଯୋଗ କରି ଯାନର ନିୟନ୍ତ୍ରଣ ପ୍ରଣାଳୀର ନମନୀୟତା ବୃଦ୍ଧି ପାଇବ ଏବଂ ବଡ଼ ଲାଭ ହାସଲ କରାଯାଇପାରିବ । ଏହି ସମସ୍ତ ପ୍ରସଙ୍ଗରେ ଆମେ ଇଣ୍ଟେଲିଜେଣ୍ଟ ପାଇୟୋନିୟର ଏବଂ ଏହି ଉପାୟକୁ ବ୍ୟବହାର କରି ସ୍ୱୟଂ ଚାଳିତ ଯାନର ଉଦାହରଣ ଏବଂ ଫଳାଫଳ ପ୍ରଦାନ କରୁଛୁ ଯାହା ୨୦୧୦ ଏବଂ ୨୦୧୧ରେ ଚାଇନାର ଭବିଷ୍ୟତ ଆହ୍ୱାନରେ ପ୍ରତିଦ୍ୱନ୍ଦ୍ୱିତା କରିଥିଲା । ଇଣ୍ଟେଲିଜେଣ୍ଟ ପାଇୟୋନିୟର ସମସ୍ତ ପ୍ରତିଯୋଗିତା କାର୍ଯ୍ୟକ୍ରମ ଶେଷ କରି ୨୦୧୦ରେ ପ୍ରଥମ ଏବଂ ୨୦୧୧ରେ ତୃତୀୟ ସ୍ଥାନ ଅଧିକାର କରିଥିଲା ।
7592f8a1d4fa2703b75cad6833775da2ff72fe7b	1998 ମସିହାରୁ ପ୍ରତିଦ୍ୱନ୍ଦ୍ୱୀତାପୂର୍ଣ୍ଣ MNIST ହସ୍ତଲିଖିତ ଅଙ୍କ ଚିହ୍ନଟ ମାନଦଣ୍ଡରେ ରେକର୍ଡ ସୃଷ୍ଟିର ଏକ ଦୀର୍ଘ ଇତିହାସ ରହିଛି । ଅନ୍ୟମାନଙ୍କ ଦ୍ୱାରା ସବୁଠାରୁ ସାମ୍ପ୍ରତିକ ଅଗ୍ରଗତି 8 ବର୍ଷ ତଳକୁ ଯାଇଥାଏ (ତ୍ରୁଟି ହାର 0.4%) । ସାଧାରଣ ବହୁସ୍ତରୀୟ ପରସେପ୍ଟ୍ରନ ପାଇଁ ପୁରୁଣା ଅନଲାଇନ ବ୍ୟାକ ପ୍ରପୋଗେସନ ଦ୍ୱାରା ଏକ ଏମଏଲପି ସହିତ MNISTର ହସ୍ତଲିଖିତ ଅଙ୍କ ମାନଦଣ୍ଡରେ 0.35% ଏବଂ ସାତଟି ଏମଏଲପିର ସମିତି ସହିତ 0.31%ର ତ୍ରୁଟି ହାର ମିଳିଥାଏ । 2011 ପର୍ଯ୍ୟନ୍ତ ଏହି ଶ୍ରେଷ୍ଠ ଫଳାଫଳ ହାସଲ କରିବା ପାଇଁ ଆମକୁ କେବଳ ଅନେକ ଗୁପ୍ତ ସ୍ତର, ସ୍ତର ପ୍ରତି ଅନେକ ନ୍ୟୁରନ୍, ଅନେକ ବିକୃତ ପ୍ରଶିକ୍ଷଣ ପ୍ରତିଛବି ଆବଶ୍ୟକ ଯାହାଦ୍ୱାରା ଅଧିକ ଫିଟ୍ ହେବ ନାହିଁ, ଏବଂ ଗ୍ରାଫିକ୍ସ କାର୍ଡ ଯାହାଦ୍ୱାରା ଶିକ୍ଷଣକୁ ଦ୍ରୁତ କରାଯାଇପାରିବ ।
cbcd9f32b526397f88d18163875d04255e72137f
14829636fee5a1cf8dee9737849a8e2bdaf9a91f	ବିଟକଏନ ଏକ ଡିଜିଟାଲ ମୁଦ୍ରା ଯାହା ବହୁ ସଂଖ୍ୟକ ବ୍ୟବହାରକାରୀଙ୍କୁ ଆକର୍ଷିତ କରିଛି । ବିଟକଏନକୁ ଏତେ ସଫଳ କରିବାର କାରଣ ଜାଣିବା ପାଇଁ ଆମେ ଗଭୀର ଅନୁସନ୍ଧାନ କରୁଛୁ, ଯେତେବେଳେ କି ଦଶନ୍ଧି ଦଶନ୍ଧି ଧରି କ୍ରିପ୍ଟୋଗ୍ରାଫିକ ଇ-କ୍ୟାସ ଉପରେ ଗବେଷଣା କରିବା ପରେ ମଧ୍ୟ ଏହାର ବ୍ୟାପକ ଭାବରେ ବ୍ୟବହାର ହୋଇପାରିଲା ନାହିଁ । ଆମେ ଏହା ମଧ୍ୟ ପଚାରୁଛୁ ଯେ ବିଟକଏନ୍ ଦୀର୍ଘକାଳୀନ ସ୍ଥିର ମୁଦ୍ରା ପାଇଁ କିପରି ଏକ ଭଲ ପ୍ରାର୍ଥୀ ହୋଇପାରିବ । ଏହା କରିବା ସମୟରେ, ଆମେ ବିଟକଏନର ଅନେକ ସମସ୍ୟା ଓ ଆକ୍ରମଣକୁ ଚିହ୍ନଟ କରି, ସେଗୁଡ଼ିକର ସମାଧାନ ପାଇଁ ଉପଯୁକ୍ତ କୌଶଳ ପ୍ରସ୍ତାବ ଦେଉଛୁ ।
3d16ed355757fc13b7c6d7d6d04e6e9c5c9c0b78
d19f938c790f0ffd8fa7fccc9fd7c40758a29f94
cd5b7d8fb4f8dc3872e773ec24460c9020da91ed	ଏହି କାଗଜରେ ପଞ୍ଚମ ପିଢ଼ିର (5G) ପୂର୍ଣ୍ଣ ଆକାରର ବହୁ-ଇନପୁଟ୍ ବହୁ-ଆଉଟପୁଟ୍ (ଏଫଡି-ଏମଆଇଏମଓ) ସିଷ୍ଟମ ପାଇଁ 29 ଗିଗାହର୍ଜ ଫ୍ରିକ୍ୱେନ୍ସିରେ ଡବ୍ଲୁଆର28 ୱେଭଗାଇଡ୍ ଉପରେ ଆଧାରିତ ଏକ ବିମ୍ ଷ୍ଟିଅରେବଲ୍ ହାଇଗିନି ଫେଜ୍ଡ ଆରେ ଆଣ୍ଟେନା ପାଇଁ ଏକ ନୂତନ ଡିଜାଇନ୍ କନ୍ସେପ୍ଟ ଉପସ୍ଥାପନ କରାଯାଇଛି । 8×8 ପ୍ଲାନର ଫାସେଡ୍ ଆରେକୁ ତ୍ରି-ଆକାରର ବିମ୍ଫର୍ମର ଦ୍ୱାରା ଖିଆଯାଏ ଯାହା ଆଜିମଥ୍ ଓ ଉଚ୍ଚତା ଦିଗରେ -60 ରୁ +60 ଡିଗ୍ରୀ ପର୍ଯ୍ୟନ୍ତ ବ୍ଲୁମେଟ୍ରିକ୍ ବିମ୍ ସ୍କାନିଂ ହାସଲ କରିଥାଏ । ବିମ୍ ଫର୍ମିଂ ନେଟୱର୍କ (ବିଏଫ୍ଏନ୍) କୁ 16 ସେଟ୍ 8 × 8 ବଟଲର ମାଟ୍ରିକ୍ସ ବିମ୍ ଫର୍ମିଂର ବ୍ୟବହାର କରି 64 ଟି ବିମ୍ ଷ୍ଟେଟ୍ ପାଇବା ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି, ଯାହା ଭୂସମାନ୍ତର ଏବଂ ଭୂଲମ୍ବ କୋଣକୁ ନିୟନ୍ତ୍ରଣ କରିଥାଏ । 5ଜି ପ୍ରୟୋଗ ଲାଗି କା ବ୍ୟାଣ୍ଡରେ ଆକାରଗତ ବହୁବିଷମ ପାଇଁ ୱେଭଗାଇଡ ଆଧାରିତ ଉଚ୍ଚ କ୍ଷମତା ବିଶିଷ୍ଟ ତ୍ରି-ଆକାର ବିଶିଷ୍ଟ ବିମଫର୍ମର ଡିଜାଇନ କରିବା ଲାଗି ଏହା ଏକ ନୂତନ ଧାରଣା । ଏହି ପର୍ଯ୍ୟାୟଯୁକ୍ତ ଆରେର ସର୍ବାଧିକ ଲାଭ ହେଉଛି 28.5 dBi ଯାହାକି 28.9 GHz ରୁ 29.4 GHz ଫ୍ରିକ୍ୱେନ୍ସି ବ୍ୟାଣ୍ଡକୁ କଭର କରେ ।
34feeafb5ff7757b67cf5c46da0869ffb9655310	କମ ଶକ୍ତି ବିଶିଷ୍ଟ ବେତାର ସେନସର ନେଟୱର୍କ ପାଇଁ ପରିବେଶ ଶକ୍ତି ଏକ ଆକର୍ଷଣୀୟ ଶକ୍ତି ଉତ୍ସ । ଆମେ ପ୍ରମିଥେୟସ୍ କୁ ଉପସ୍ଥାପନ କରୁଛୁ, ଏକ ବ୍ୟବସ୍ଥା ଯାହା ବୁଦ୍ଧିମାନ ଭାବରେ ଶକ୍ତି ସ୍ଥାନାନ୍ତରଣକୁ ପରିଚାଳନା କରେ ମାନବ ହସ୍ତକ୍ଷେପ କିମ୍ବା ସେବା ବିନା ନିରନ୍ତର କାର୍ଯ୍ୟ ପାଇଁ । ବିଭିନ୍ନ ଶକ୍ତି ସଂରକ୍ଷଣ ଉପାଦାନର ସକାରାତ୍ମକ ଗୁଣକୁ ମିଶାଇ ଏବଂ ମାଇକ୍ରୋପ୍ରୋସେସରର ବୁଦ୍ଧିମତାକୁ ଉପଯୋଗ କରି ଆମେ ଏକ ଦକ୍ଷ ବହୁ-ସ୍ତରୀୟ ଶକ୍ତି ସ୍ଥାନାନ୍ତର ବ୍ୟବସ୍ଥା ପ୍ରବର୍ତ୍ତନ କରିଛୁ ଯାହା ଏକକ ଶକ୍ତି ସଂରକ୍ଷଣ ବ୍ୟବସ୍ଥାର ସାଧାରଣ ସୀମିତତାକୁ ହ୍ରାସ କରି ପ୍ରାୟ ଚିରସ୍ଥାୟୀ କାର୍ଯ୍ୟ ହାସଲ କରିଥାଏ । ଆମେ ଆମର ଡିଜାଇନ୍ ବିକଳ୍ପ, ତଦବଦଳ, ସର୍କିଟ୍ ମୂଲ୍ୟାଙ୍କନ, କାର୍ଯ୍ୟଦକ୍ଷତା ବିଶ୍ଳେଷଣ ଏବଂ ମଡେଲଗୁଡ଼ିକ ଉପସ୍ଥାପନ କରୁଛୁ । ଆମେ ସିଷ୍ଟମ ଉପାଦାନଗୁଡ଼ିକ ମଧ୍ୟରେ ଥିବା ସମ୍ପର୍କ ବିଷୟରେ ଆଲୋଚନା କରିଥାଉ ଏବଂ ଆପ୍ଲିକେସନର ଆବଶ୍ୟକତା ପୂରଣ କରିବା ପାଇଁ ସର୍ବୋତ୍ତମ ହାର୍ଡୱେର ଚୟନକୁ ଚିହ୍ନଟ କରିଥାଉ । ଶେଷରେ ଆମେ ଏକ ବାସ୍ତବ ପ୍ରଣାଳୀର କାର୍ଯ୍ୟକାରିତା ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ବର୍କଲେର ଟେଲୋସ ମୋଟେକୁ ଶକ୍ତି ଯୋଗାଇବା ପାଇଁ ସୌର ଶକ୍ତି ବ୍ୟବହାର କରେ । ଆମର ବିଶ୍ଳେଷଣ ଅନୁସାରେ ୧% ଭାରରେ ଏହି ପ୍ରଣାଳୀ ୪୩ ବର୍ଷ, ୧୦% ଭାରରେ ୪ ବର୍ଷ ଏବଂ ୧୦୦% ଭାରରେ ୧ ବର୍ଷ ପର୍ଯ୍ୟନ୍ତ କାର୍ଯ୍ୟ କରିବ । ଆମର କାର୍ଯ୍ୟାନ୍ୱୟନ ଦୁଇଟି ପର୍ଯ୍ୟାୟ ବିଶିଷ୍ଟ ଏକ ଷ୍ଟୋରେଜ୍ ସିଷ୍ଟମ ବ୍ୟବହାର କରେ ଯେଉଁଥିରେ ସୁପରକ୍ୟାପାସିଟର (ପ୍ରାଥମିକ ବଫର୍) ଏବଂ ଏକ ଲିଥିୟମ୍ ରିଚାର୍ଜ ବ୍ୟାଟେରୀ (ଦ୍ବିତୀୟ ବଫର୍) ଥାଏ । ଏହି ମୋଟ୍ ଶକ୍ତି ସ୍ତର ବିଷୟରେ ସମ୍ପୂର୍ଣ୍ଣ ଜ୍ଞାନ ରଖିଥାଏ ଏବଂ ଜୀବନକାଳକୁ ସର୍ବାଧିକ କରିବା ପାଇଁ ଶକ୍ତି ସ୍ଥାନାନ୍ତରଣକୁ ବୁଦ୍ଧିମାନ ଭାବରେ ପରିଚାଳନା କରିଥାଏ ।
3689220c58f89e9e19cc0df51c0a573884486708	ଆମ୍ବିଆମ୍ୟାକ୍ସ ହେଉଛି ଏକ ଶକ୍ତି ସଂଗ୍ରହ ସର୍କିଟ ଏବଂ ୱାୟାରଲେସ୍ ସେନସର ନୋଡ (ଡବ୍ଲୁଏସଏନ) ପାଇଁ ଏକ ସୁପରକ୍ୟାପାସିଟର ଆଧାରିତ ଶକ୍ତି ସଂରକ୍ଷଣ ବ୍ୟବସ୍ଥା । ପୂର୍ବ WSNs ବିଭିନ୍ନ ଉତ୍ସରୁ ଶକ୍ତି ସଂଗ୍ରହ କରିବାକୁ ଚେଷ୍ଟା କରନ୍ତି, ଏବଂ କେତେକ ବ୍ୟାଟେରୀ ପରିବର୍ତ୍ତେ ସୁପରକ୍ୟାପାସିଟର ବ୍ୟବହାର କରନ୍ତି ଯାହା ବ୍ୟାଟେରୀ ବୃଦ୍ଧିର ସମସ୍ୟାକୁ ଦୂର କରିଥାଏ । କିନ୍ତୁ ଇମ୍ପେଡେନ୍ସ ଅସମତ କାରଣରୁ ସେମାନେ ବହୁତ ଶକ୍ତି ନଷ୍ଟ କରିଥାନ୍ତି କିମ୍ବା ସେମାନଙ୍କୁ ସକ୍ରିୟ ଡିଜିଟାଲ ନିୟନ୍ତ୍ରଣ ଆବଶ୍ୟକ ହୋଇଥାଏ ଯାହା ଓଭରହେଡ୍ ହୋଇଥାଏ କିମ୍ବା ସେମାନେ କେବଳ ଗୋଟିଏ ନିର୍ଦ୍ଦିଷ୍ଟ ପ୍ରକାରର ଉତ୍ସ ସହିତ କାମ କରନ୍ତି । ଏମ୍ବିମାକ୍ସ ଏହି ସମସ୍ୟାକୁ ସମାଧାନ କରିବା ପାଇଁ ସର୍ବପ୍ରଥମେ ସର୍ବାଧିକ ଶକ୍ତି ପଏଣ୍ଟ ଟ୍ରାକିଂ (ଏମ୍ପିପିଟି) କୁ ସ୍ୱୟଂଚାଳିତ ଭାବରେ କରିଥାଏ ଏବଂ ତାପରେ ସର୍ବାଧିକ ଦକ୍ଷତା ସହିତ ସୁପରକ୍ୟାପାସିଟର ଚାର୍ଜ କରିଥାଏ । ଏହା ବ୍ୟତୀତ ଆମ୍ବିଆକ୍ସ ମଡ୍ୟୁଲାର ଅଟେ ଏବଂ ସୌର, ପବନ, ତାପଜ ଏବଂ କମ୍ପନ ସମେତ ଏକାଧିକ ଶକ୍ତି ସଂଗ୍ରହ ଉତ୍ସକୁ ସକ୍ଷମ କରିଥାଏ, ପ୍ରତ୍ୟେକର ଭିନ୍ନ ଆକାର ଥାଏ । ଏକ ବାସ୍ତବିକ ୱେସଏନ ପ୍ଲାଟଫର୍ମ ଇକୋ ଉପରେ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଦର୍ଶାଉଛି ଯେ ଆମ୍ବିଆକ୍ସ ଏକକାଳୀନ ଏବଂ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଏକାଧିକ ଶକ୍ତି ଉତ୍ସକୁ ସଫଳତାର ସହିତ ପରିଚାଳନା କରିଥାଏ ।
4833d690f7e0a4020ef48c1a537dbb5b8b9b04c6	ଏକ ଫୋଟୋଭୋଲ୍ଟାଇକ (ପିଭି) ପ୍ୟାନେଲରେ ଏକୀକୃତ ହେବା ପାଇଁ ଏକ କମ ଶକ୍ତିର କମ ଖର୍ଚ୍ଚର ଉଚ୍ଚ ଦକ୍ଷତା ବିଶିଷ୍ଟ ସର୍ବାଧିକ ଶକ୍ତି ପଏଣ୍ଟ ଟ୍ରାକର୍ (ଏମପିପିଟି) ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । ଏହାଦ୍ୱାରା ଷ୍ଟାଣ୍ଡାର୍ଡ ଫୋଟୋଭୋଲ୍ଟାଇକ ପ୍ୟାନେଲ ତୁଳନାରେ ୨୫% ଅଧିକ ଶକ୍ତି ସଂଚୟ କରାଯାଇପାରିବ । ଏହା ବ୍ୟାଟେରୀ ଭୋଲଟେଜ ନିୟାମକ ଏବଂ ଭାର ସହିତ ପିଭି ଆରେର ମେଳ ଭଳି କାର୍ଯ୍ୟ କରିଥାଏ । ବାହ୍ୟ ସଂଯୋଗ ଥିବା ଏମପିପିଟି ପରିବର୍ତ୍ତେ, ପିଭି ପ୍ୟାନେଲର ଅଂଶ ଭାବରେ ଏକ ସମନ୍ୱିତ ଏମପିପିଟି କନ୍ଭର୍ଟର ବ୍ୟବହାର କରିବାକୁ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । ଏହି ସମନ୍ୱିତ ଏମପିପିଟିଟି ପାଇଁ ଏକ ସରଳ ନିୟନ୍ତ୍ରକ ବ୍ୟବହାର କରିବାର ପ୍ରସ୍ତାବ ରହିଛି । ଏହା ବ୍ୟତୀତ ସିଧାସଳଖ କପଲ ହୋଇଥିବା ସିଷ୍ଟମ ତୁଳନାରେ ଅଧିକ ଶକ୍ତିକୁ ଲୋଡକୁ ସ୍ଥାନାନ୍ତର କରିବା ପାଇଁ କନ୍ଭର୍ଟରକୁ ବହୁତ ଦକ୍ଷ ହେବାକୁ ପଡିବ । ଏହା ଏକ ସରଳ ନରମ-ସ୍ୱିଚ୍ ଟପୋଲୋଜି ବ୍ୟବହାର କରି ହାସଲ କରାଯାଇଥାଏ । ଏହାଦ୍ୱାରା କମ ଖର୍ଚ୍ଚରେ ଅଧିକ ସଂସ୍କାର ଦକ୍ଷତା ହାସଲ କରାଯାଇପାରିବ, ଯାହାଦ୍ୱାରା ଏମପିପିଟି ଛୋଟ ପିଭି ଶକ୍ତି ବ୍ୟବସ୍ଥା ପାଇଁ ଏକ ସୁଲଭ ସମାଧାନ ହୋଇପାରିବ ।
61c1d66defb225eda47462d1bc393906772c9196	ଆମ ସମାଜରେ ଏକ ସକାରାତ୍ମକ ପ୍ରଭାବ ପକାଇବା ପାଇଁ ୱାୟାରଲେସ୍ ସେନସର ନେଟୱାର୍କର ବିପୁଳ ସମ୍ଭାବନା ଏହି ବିଷୟରେ ଅନେକ ଗବେଷଣାକୁ ଜନ୍ମ ଦେଇଛି, ଏବଂ ଏହି ଗବେଷଣା ବର୍ତ୍ତମାନ ପରିବେଶ-ସମର୍ଥ ପ୍ରଣାଳୀ ଉତ୍ପାଦନ କରୁଛି । ବର୍ତ୍ତମାନର ଟେକ୍ନୋଲୋଜିର ସୀମାବଦ୍ଧତା ସହିତ ବହୁଳ ଭାବରେ ଭିନ୍ନ ଭିନ୍ନ ପ୍ରୟୋଗ ଆବଶ୍ୟକତା ଡିଜାଇନ୍ ସ୍ପେସର ବିଭିନ୍ନ ଅଂଶ ପାଇଁ ବିଭିନ୍ନ ପ୍ରକାରର ହାର୍ଡୱେର୍ ପ୍ଲାଟଫର୍ମକୁ ନେଇଥାଏ । ଏହାବ୍ୟତୀତ, ବିନା କୌଣସି ମାନବ ହସ୍ତକ୍ଷେପ ବିନା ମାସ ମାସ ଧରି କାର୍ଯ୍ୟ କରୁଥିବା ଏକ ବ୍ୟବସ୍ଥାର ଅନନ୍ୟ ଶକ୍ତି ଏବଂ ନିର୍ଭରଯୋଗ୍ୟତା ପ୍ରତିବନ୍ଧକଗୁଡିକ ସେନସର ନେଟୱାର୍କ ହାର୍ଡୱେୟାର ଉପରେ ଚାହିଦା ଷ୍ଟାଣ୍ଡାର୍ଡ ଇଣ୍ଟିଗ୍ରେଟେଡ୍ ସର୍କିଟଗୁଡିକର ଚାହିଦା ଠାରୁ ଭିନ୍ନ ଅଟେ । ଏହି ପତ୍ରରେ ସେନସର ନୋଡର ଡିଜାଇନ ଏବଂ ସେଗୁଡ଼ିକୁ ନିୟନ୍ତ୍ରଣ କରିବା ପାଇଁ ନିମ୍ନ ସ୍ତରର ସଫ୍ଟୱେର ଉପରେ ଆମର ଅଭିଜ୍ଞତା ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଜେବ୍ରା ନେଟ ପ୍ରଣାଳୀରେ ଆମେ ଜିପିଏସ ଟେକ୍ନୋଲୋଜି ବ୍ୟବହାର କରି ପଶୁମାନଙ୍କର ଦୀର୍ଘକାଳୀନ ପ୍ରବାସକୁ ଟ୍ରାକ୍ କରିବା ପାଇଁ ସୂକ୍ଷ୍ମ-ଗ୍ରାନାଇଲ ସ୍ଥିତି ତଥ୍ୟ ରେକର୍ଡ କରିଥାଉ । ଜେବ୍ରା ନେଟ ହାର୍ଡୱେର ୧୬ ବିଟ୍ ଟିଆଇ ମାଇକ୍ରୋ କଣ୍ଟ୍ରୋଲର, ୪ ଏମବିଟ୍ ଅଫ୍ ଚିପ୍ ଫ୍ଲାସ୍ ମେମୋରୀ, ୯୦୦ ମେଗାହର୍ଜ ରେଡିଓ ଏବଂ ଏକ କମ ଶକ୍ତି ବିଶିଷ୍ଟ ଜିପିଏସ୍ ଚିପ୍ ଦ୍ୱାରା ଗଠିତ । ଏହି ଲେଖାରେ ଆମେ ସେନସର ନେଟୱର୍କ ପାଇଁ ଦକ୍ଷ ବିଦ୍ୟୁତ ଯୋଗାଣର ପରିକଳ୍ପନା, ନୋଡର ଶକ୍ତି ଖର୍ଚ୍ଚ ପରିଚାଳନା ଏବଂ ରେଡିଓ, ଫ୍ଲାସ୍ ଏବଂ ସେନସର ସମେତ ପେରିଫେରାଲ୍ ଡିଭାଇସ୍ ପରିଚାଳନା ପାଇଁ ଆମର କୌଶଳ ବିଷୟରେ ଆଲୋଚନା କରୁଛୁ । ଆମେ ଜେବ୍ରା ନେଟ ନୋଡର ଡିଜାଇନକୁ ମୂଲ୍ୟାୟନ କରି ଏହାକୁ କିପରି ଉନ୍ନତ କରାଯାଇପାରିବ ସେ ବିଷୟରେ ଆଲୋଚନା କରିଛୁ । ଏହି ହାର୍ଡୱେର ବିକଶିତ କରିବା ସମୟରେ ଆମେ ଯାହା ଶିକ୍ଷା କରିଛୁ ତାହା ଭବିଷ୍ୟତରେ ସେନସର ନୋଡର ଡିଜାଇନ କରିବା ଏବଂ ବାସ୍ତବିକ ବ୍ୟବସ୍ଥାରେ ବ୍ୟବହାର କରିବା ପାଇଁ ଉପଯୋଗୀ ହୋଇପାରିବ ।
146da74cd886acbd4a593a55f0caacefa99714a6	କୃତ୍ରିମ ଧୀଶକ୍ତିର ବିକାଶ ପ୍ରଯୁକ୍ତି କ୍ଷେତ୍ରରେ ଏକ ସକ୍ରିୟ କାରକ ଭାବେ କାର୍ଯ୍ୟ କରିଛି । ଆମେ ଏବେ ସେହି ଜିନିଷର ବିକାଶ କରିପାରିବା ଯାହା ପୂର୍ବରୁ କେବଳ କଳ୍ପନା ଥିଲା । ଏଭଳି ଏକ ସୃଷ୍ଟି ହେଉଛି ସ୍ୱୟଂ ଚାଳିତ କାରର ଜନ୍ମ । ଆଜି ସେହି ସମୟ ଆସିଛି ଯେତେବେଳେ ଆପଣ ନିଜ କାମ କରିପାରିବେ କିମ୍ବା କାରରେ ଶୋଇପାରିବେ ଏବଂ ଷ୍ଟିଅରିଂ ହ୍ୱିଲ୍, ଏକ୍ସେଲରେଟରକୁ ଛୁଇଁବା ବିନା ମଧ୍ୟ ଆପଣ ନିରାପଦରେ ନିଜ ଗନ୍ତବ୍ୟ ସ୍ଥଳରେ ପହଞ୍ଚିପାରିବେ । ଏହି କାଗଜରେ ଏକ ସ୍ୱୟଂ ଚାଳିତ କାରର ଏକ କାର୍ଯ୍ୟକାରୀ ମଡେଲ ପ୍ରସ୍ତାବିତ କରାଯାଇଛି ଯାହା ଗୋଟିଏ ସ୍ଥାନରୁ ଅନ୍ୟ ସ୍ଥାନକୁ ଯିବା ପାଇଁ ସକ୍ଷମ କିମ୍ବା ବିଭିନ୍ନ ପ୍ରକାରର ଟ୍ରାକରେ ଯାତାୟାତ କରିପାରିବ ଯେପରିକି ବକ୍ର ଟ୍ରାକ, ସିଧା ଟ୍ରାକ ଏବଂ ସିଧା ଟ୍ରାକ ପରେ ବକ୍ର ଟ୍ରାକ । ଏକ କ୍ୟାମେରା ମଡ୍ୟୁଲ କାରର ଉପର ଭାଗରେ ଲଗାଯାଇଥାଏ ଏବଂ ରାସ୍ପବେରୀ ପାଈ ବାସ୍ତବ ଦୁନିଆରୁ ଚିତ୍ରଗୁଡ଼ିକୁ କନଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କକୁ ପଠାଇଥାଏ ଯାହା ତାପରେ ନିମ୍ନଲିଖିତ ଦିଗ ମଧ୍ୟରୁ ଗୋଟିଏର ପୂର୍ବାନୁମାନ କରିଥାଏ । ଅର୍ଥାତ୍ ଡାହାଣ, ବାମ, ଆଗକୁ କିମ୍ବା ଅଟକିବା, ଯାହା ପରେ ଆର୍ଡୁଇନୋରୁ ରିମୋଟ୍ କଣ୍ଟ୍ରୋଲ୍ କାରର କଣ୍ଟ୍ରୋଲରକୁ ଏକ ସିଗନାଲ୍ ପଠାଯାଏ ଏବଂ ଏହାର ଫଳସ୍ୱରୂପ କାରଟି ମନୁଷ୍ୟର ହସ୍ତକ୍ଷେପ ବିନା ଇଚ୍ଛାକୃତ ଦିଗରେ ଗତି କରେ ।
bb17e8858b0d3a5eba2bb91f45f4443d3e10b7cd
090a6772a1d69f07bfe7e89f99934294a0dac1b9
f07fd927971c40261dd7cef1ad6d2360b23fe294	ଆମେ ବିରଳ କାନୋନିକାଲ କୋରେଲେସନ ଆନାଲିସିସ (ସିସିଏ) ର ସମସ୍ୟାକୁ ବିଚାର କରୁଛୁ, ଅର୍ଥାତ୍ ଦୁଇଟି ରେଖୀକ କମ୍ପି ରାଷ୍ଟ୍ର ପାଇଁ ଖୋଜ, ପ୍ରତ୍ୟେକ ବହୁମୁଖୀ ପାଇଁ ଗୋଟିଏ, ଯାହା ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ସଂଖ୍ୟକ ଭେରିଏବଲ୍ ବ୍ୟବହାର କରି ସର୍ବାଧିକ ସମ୍ପର୍କ ପ୍ରଦାନ କରେ । ଆମେ ଏକ ଦକ୍ଷ ସଂଖ୍ୟାଗତ ଅନୁମାନ ପ୍ରସ୍ତାବ କରୁଛୁ ଯାହା ପ୍ରତ୍ୟକ୍ଷ ଲୋଭୀ ଆଭିମୁଖ୍ୟ ଉପରେ ଆଧାରିତ ଯାହା ପ୍ରତ୍ୟେକ ସ୍ତରରେ ସମ୍ବନ୍ଧକୁ ସୀମିତ କରିଥାଏ । ଏହି ପଦ୍ଧତି ବିଶେଷ ଭାବରେ ବଡ଼ ଡାଟା ସେଟକୁ ସମ୍ଭାଳିବା ପାଇଁ ପରିକଳ୍ପନା କରାଯାଇଛି ଏବଂ ଏହାର ଗଣନା ଜଟିଳତା କେବଳ ବିରଳତା ସ୍ତର ଉପରେ ନିର୍ଭର କରେ । ଆମେ ଆଲଗୋରିଦମ m ଙ୍କର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ବିଶ୍ଳେଷଣ କରିଥାଉ, ଯାହା ହେଉଛି ଅନୁପାତ ଓ ସଂଯମତା ମଧ୍ୟରେ ଥିବା ତାରତମ୍ୟ । ସଂଖ୍ୟାତ୍ମକ ଅନୁକରଣର ଫଳାଫଳରୁ ଜଣାପଡ଼େ ଯେ, ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ସଂଖ୍ୟକ ପରିବର୍ତ୍ତନକାରୀକୁ ବ୍ୟବହାର କରି ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଅଂଶକୁ ଧାରଣ କରାଯାଇପାରିବ । ଏହାବ୍ୟତୀତ, ଆମେ ଏକ ନିୟମିତକରଣ ପଦ୍ଧତି ଭାବରେ ବିରଳ ସିସିଏର ବ୍ୟବହାରକୁ ପରୀକ୍ଷା କରିଛୁ ଯେତେବେଳେ ଉପଲବ୍ଧ ନମୁନା ସଂଖ୍ୟା ବହୁ-ପରିବର୍ତ୍ତକଗୁଡ଼ିକର ଆକାର ତୁଳନାରେ ଛୋଟ । କାନୋନିକାଲ କୋରେଲେସନ ଆନାଲିସିସ (ସିସିଏ), ହାରେଲ ଡି ହୋଟେଲିଙ୍ଗ [1] ଦ୍ୱାରା ପ୍ରବର୍ତ୍ତିତ, ଏକ ଡାଟା ସୋର୍ସ ଯୋଡିରୁ ସାଧାରଣ ବୈଶିଷ୍ଟ୍ୟ ବାହାର କରିବା ପାଇଁ ବହୁ-ବିଭାଜନ ତଥ୍ୟର ଏକ ମାନକ କୌଶଳ ଅଟେ, [2] [3] । ଏହି ସମସ୍ତ ତଥ୍ୟ ଉତ୍ସ ଏକ ଅନିୟମିତ ଭେକ୍ଟର r ସୃଷ୍ଟି କରିଥାଏ ଯାହାକୁ ଆମେ ବହୁ-ପ୍ରକାରର ବୋଲି କହିଥାଉ । ପାରମ୍ପରିକ ଆକାର ହ୍ରାସ ପଦ୍ଧତି ଭଳି, ଯେଉଁଥିରେ ଗୋଟିଏ ବହୁ-ପରିବର୍ତ୍ତକକୁ ଧ୍ୟାନରେ ରଖାଯାଏ, ସିସିଏ ଦୁଇ ସ୍ଥାନରୁ ନମୁନା ମଧ୍ୟରେ ପରିସଂଖ୍ୟାନ ସମ୍ବନ୍ଧକୁ ଧ୍ୟାନରେ ରଖିଥାଏ, ଯାହାର ଆକାର ଏବଂ ଗଠନ ହୁଏତ ଭିନ୍ନ ହୋଇପାରେ । ବିଶେଷକରି, ଏହା ଦୁଇଟି ରେଖୀ ସଂଯୋଜନା ଖୋଜେ, ପ୍ରତ୍ୟେକ ବହୁ-ପ୍ରକାରର ପାଇଁ ଗୋଟିଏ, ସେମାନଙ୍କର ସମ୍ପର୍କକୁ ସର୍ବାଧିକ କରିବା ପାଇଁ । ବିଭିନ୍ନ କ୍ଷେତ୍ରରେ ଏହାକୁ ଏକ ସ୍ବତନ୍ତ୍ର ଉପକରଣ ଭାବେ କିମ୍ବା ଅନ୍ୟ ପରିସଂଖ୍ୟାନିକ ପଦ୍ଧତିର ପ୍ରାକ୍ ପ୍ରକ୍ରିୟାକରଣ ପଦକ୍ଷେପରେ ବ୍ୟବହାର କରାଯାଏ । ଆହୁରି ମଧ୍ୟ, ସିସିଏ ହେଉଛି ଏକ ସାଧାରଣ ଢାଞ୍ଚା ଯେଉଁଥିରେ ପରିସଂଖ୍ୟାନରେ ଅନେକ ଶାସ୍ତ୍ରୀୟ ପଦ୍ଧତି ଅନ୍ତର୍ଭୁକ୍ତ, ଯେପରିକି ମୁଖ୍ୟ ଉପାଦାନ ବିଶ୍ଳେଷଣ (ପିସିଏ), ଆଂଶିକ ସର୍ବନିମ୍ନ ବର୍ଗ (ପିଏଲଏସ) ଏବଂ ଏକାଧିକ ରେଖୀ ପ୍ରତିକ୍ରିୟା (ଏମ୍ଏଲଆର) । ନିକଟରେ କର୍ଣ୍ଣଲ ସିସିଏ ଏବଂ ଏହାର ପ୍ରୟୋଗ ସ୍ୱାଧୀନ ଉପାଦାନ ବିଶ୍ଳେଷଣ [5] [6] ରେ ଆସିବା ପରେ ସିସିଏ ଉପରେ ଧ୍ୟାନ ଦିଆଯାଉଛି । ଗତ ଦଶନ୍ଧିରେ ସିଗନାଲର ବିରଳ ପ୍ରତିନିଧିତ୍ୱ ଏବଂ ବିରଳ ସଂଖ୍ୟାଗତ ପଦ୍ଧତିର ସନ୍ଧାନରେ ଏକ ବୃଦ୍ଧି ପାଉଥିବା ଆଗ୍ରହ ଦେଖିବାକୁ ମିଳିଛି । ତେଣୁ, ଆମେ ବିରଳ ସିସିଏର ସମସ୍ୟାକୁ ବିଚାର କରୁଛୁ, ଅର୍ଥାତ୍, ଅଳ୍ପ ସଂଖ୍ୟକ ଭେରିଏବଲ୍ ବ୍ୟବହାର କରି ସର୍ବାଧିକ ସମ୍ବନ୍ଧ ଥିବା ରେଖାପଥୀ ସଂଯୋଗଗୁଡିକର ସନ୍ଧାନ । ବିଭିନ୍ନ କାରଣ ଯୋଗୁଁ ଏହି ଅନାବଶ୍ୟକତା ସୃଷ୍ଟି ହୋଇପାରେ । ପ୍ରଥମଟି ହେଉଛି ପରିଣାମକୁ ବ୍ୟାଖ୍ୟା କରିବା ଏବଂ ଦୃଶ୍ୟମାନ କରିବାର କ୍ଷମତା । ଅଳ୍ପ ସଂଖ୍ୟକ ପରିବର୍ତ୍ତନକାରୀ ଆମକୁ "ବୃହତ ଚିତ୍ର" ପାଇବାକୁ ଅନୁମତି ଦେଇଥାଏ, ଯେତେବେଳେ କି କିଛି ଛୋଟ ବିବରଣୀକୁ ବଳିଦାନ ଦେଇଥାଏ । ଏହା ସହିତ, ଏହି କୃତିର ପ୍ରଥମ ଦୁଇ ଲେଖକ ସମାନ ଭାବରେ ଏହି ଲେଖାରେ ଯୋଗଦାନ ଦେଇଛନ୍ତି । ଏହି କାର୍ଯ୍ୟକୁ ଆଂଶିକ ଭାବେ AFOSR MURI ଦ୍ୱାରା ଅନୁଦାନ FA9550-06-1-0 324 ଅନ୍ତର୍ଗତ ସହାୟତା ପ୍ରଦାନ କରାଯାଇଥିଲା । ଦ୍ୱିତୀୟ କାରଣ ହେଉଛି ନିୟମିତତା ଏବଂ ସ୍ଥିରତା । ସିସିଏର ଏକ ପ୍ରମୁଖ ଦୁର୍ବଳତା ହେଉଛି ଏହାର କମ୍ ସଂଖ୍ୟକ ପର୍ଯ୍ୟବେକ୍ଷଣ ପ୍ରତି ସମ୍ବେଦନଶୀଳତା । ତେଣୁ, ନିୟମିତ ପଦ୍ଧତି ଯେପରିକି ରେଜ୍ ସିସିଏ [7] ବ୍ୟବହାର କରାଯିବା ଉଚିତ । ଏହି ପରିପ୍ରେକ୍ଷୀରେ, ବିଚଳିତ ସିସିଏ ହେଉଛି ଏକ ଉପସମୂହ ଚୟନ ଯୋଜନା ଯାହା ଆମକୁ ଭେକ୍ଟରଗୁଡ଼ିକର ଆକାର ହ୍ରାସ କରିବାକୁ ଏବଂ ଏକ ସ୍ଥିର ସମାଧାନ ପାଇବାକୁ ଅନୁମତି ଦେଇଥାଏ । ଆମର ଜ୍ଞାନ ଅନୁସାରେ, ପ୍ରଥମ ଥର ପାଇଁ ବିରଳ ସିସିଏ ବିଷୟରେ ଉଲ୍ଲେଖ [2]ରେ କରାଯାଇଛି, ଯେଉଁଠାରେ ପଛୁଆ ଏବଂ ପର୍ଯ୍ୟାୟକ୍ରମେ ଉପସମୂହ ଚୟନ ପାଇଁ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । ଏହି ଆଲୋଚନା ଗୁଣାତ୍ମକ ପ୍ରକୃତିର ଥିଲା ଏବଂ କୌଣସି ନିର୍ଦ୍ଦିଷ୍ଟ ସଂଖ୍ୟାଗତ ଆଲଗୋରିଦମ ପ୍ରସ୍ତାବିତ ହୋଇନଥିଲା । ନିକଟରେ, ବହୁ-ଆକାରର ତଥ୍ୟ ପ୍ରକ୍ରିୟାକରଣ ପାଇଁ ବୃଦ୍ଧି ପାଉଥିବା ଚାହିଦା ଏବଂ ଗଣନା ଖର୍ଚ୍ଚ ହ୍ରାସ କରିବା ଦ୍ୱାରା ଏହି ବିଷୟ ପୁଣି ଥରେ ପ୍ରମୁଖତା ହାସଲ କରିଛି [1]-[2]। ଏହି ବର୍ତ୍ତମାନର ସମାଧାନର ମୁଖ୍ୟ ଅସୁବିଧା ହେଉଛି ଯେ, କ୍ଷୁଦ୍ରତା ଉପରେ କୌଣସି ପ୍ରତ୍ୟକ୍ଷ ନିୟନ୍ତ୍ରଣ ନାହିଁ ଏବଂ ସେମାନଙ୍କର ସର୍ବୋତ୍ତମ ହାଇପରପାରାମିଟର ବାଛିବା କଷ୍ଟକର (ଏବଂ ଅଣ-ସ୍ୱାଭାବିକ) । ଏହା ସହିତ, ଏହି ପଦ୍ଧତିଗୁଡ଼ିକର ଗଣନା ଜଟିଳତା ଉଚ୍ଚ ଆକାରର ତଥ୍ୟ ସେଟ୍ ସହିତ ବ୍ୟବହାରିକ ପ୍ରୟୋଗ ପାଇଁ ଅତ୍ୟଧିକ ଉଚ୍ଚ ଅଟେ । ବିରଳ ସିସିଏ ଉପରେ ମଧ୍ୟ ଅନାବଶ୍ୟକ ଭାବରେ ଆଲୋଚନା କରାଯାଇଛି [୯], [୧୪] ଏବଂ ଏହା ବିରଳ ପିସିଏ ଉପରେ ନିକଟରେ ମିଳିଥିବା ଫଳାଫଳ ସହିତ ଘନିଷ୍ଠ ଭାବରେ ଜଡିତ [୯], [୧୫]-[୧୭] । ବାସ୍ତବରେ, ଆମର ପ୍ରସ୍ତାବିତ ସମାଧାନ ହେଉଛି ସିସିଏ ପାଇଁ [17] ରେ ଥିବା ଫଳାଫଳର ଏକ ସମ୍ପ୍ରସାରଣ । ଏହି କାର୍ଯ୍ୟର ମୁଖ୍ୟ ଅବଦାନ ଦୁଇଗୁଣିତ । ପ୍ରଥମେ, ଆମେ ସିସିଏ ଆଲଗୋରିଦମକୁ ପ୍ରତ୍ୟକ୍ଷ ନିୟନ୍ତ୍ରଣ ସହିତ ପ୍ରତ୍ୟେକ ମଲ୍ଟିଭାରିଏଟ୍ରେ ସ୍ପାର୍ସିଟି ଉପରେ ନିର୍ଭର କରିଥାଉ ଏବଂ ସେମାନଙ୍କର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ପରୀକ୍ଷା କରିଥାଉ । ଆମର ଗଣନାତ୍ମକ ଦକ୍ଷତା ବିଶିଷ୍ଟ ପଦ୍ଧତି ବିଶେଷ ଭାବେ ଦୁଇଟି ବଡ଼ ଆକାରର ତଥ୍ୟ ସେଟ୍ ମଧ୍ୟରେ ସମ୍ପର୍କକୁ ବୁଝିବାରେ ସାହାଯ୍ୟ କରେ । ଆମେ ଏକ ଅଗ୍ରଗାମୀ (କିମ୍ବା ପଛୁଆ) ଲୋଭୀ ଆଭିମୁଖ୍ୟ ଗ୍ରହଣ କରୁ ଯାହା କ୍ରମାଗତ ଭାବରେ ବିବର୍ତକଗୁଡ଼ିକୁ ବାଛିବା (କିମ୍ବା ଛାଡ଼ିବା) ଉପରେ ଆଧାରିତ । ପ୍ରତ୍ୟେକ ପର୍ଯ୍ୟାୟରେ ଆମେ ସର୍ବୋତ୍ତମ ସିସିଏ ସମାଧାନକୁ ବାନ୍ଧି ରଖିଛୁ ଏବଂ ସମ୍ପୂର୍ଣ୍ଣ ସମସ୍ୟାର ସମାଧାନ କରିବାର ଆବଶ୍ୟକତାକୁ ଏଡ଼ାଇ ଦେଇଛୁ । ଏହା ସହିତ, ଫରୱାର୍ଡ ଗ୍ରୀଡି ପଦ୍ଧତିର ଗଣନା ଜଟିଳତା ତଥ୍ୟର ଆକାର ଉପରେ ନୁହେଁ ବରଂ କେବଳ କ୍ଷୁଦ୍ରତା ପାରାମିଟର ଉପରେ ନିର୍ଭର କରେ । ସଂଖ୍ୟାଗତ ଅନୁକରଣ ଫଳାଫଳ ଦର୍ଶାଏ ଯେ, ଶୂନ-ଅନୁପାତିକ ଗୁଣକ ସଂଖ୍ୟାକୁ ବ୍ୟବହାର କରି, ସମ୍ପର୍କର ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଅଂଶକୁ ଦକ୍ଷତାର ସହିତ ସୀମିତ କରାଯାଇପାରିବ । ଦ୍ୱିତୀୟ ଅବଦାନ ହେଉଛି ନିୟମିତକରଣ ପଦ୍ଧତି ଭାବେ ବିରଳ ସିସିଏର ଅନୁସନ୍ଧାନ । ଆମେ ବିଭିନ୍ନ ଆଲଗୋରିଦମର ବ୍ୟବହାରକୁ ଅନୁଶୀଳନ କରି ଦେଖୁଛୁ ଯେତେବେଳେ ବହୁ-ପରିବର୍ତ୍ତକଗୁଡ଼ିକର ଆକାର ନମୁନା ସଂଖ୍ୟାଠାରୁ ଅଧିକ (କିମ୍ବା ସମାନ କ୍ରମରେ) ହୋଇଥାଏ ଏବଂ ବିରଳ ସିସିଏର ଲାଭକୁ ଦର୍ଶାଇଥାଏ । ଏହି ପରିପ୍ରେକ୍ଷୀରେ, ଲୋଭୀ ଆଭିମୁଖ୍ୟର ଏକ ଲାଭ ହେଉଛି ଯେ ଏହା ଏକକ ଚଲାଣରେ ସମ୍ପୂର୍ଣ୍ଣ ବିରଳତା ପଥ ସୃଷ୍ଟି କରେ ଏବଂ ବ୍ୟବହାର କରି ଦକ୍ଷ ପାରାମିଟର ଟ୍ୟୁନିଂ ପାଇଁ ଅନୁମତି ଦେଇଥାଏ _
49afbe880b8bd419605beb84d3382647bf8e50ea
19b7e0786d9e093fdd8c8751dac0c4eb0aea0b74
0b3cfbf79d50dae4a16584533227bb728e3522aa	ବାରମ୍ବାର ବ୍ୟାକପ୍ରୋପାଗେସନ ଦ୍ୱାରା ଦୀର୍ଘ ସମୟ ବ୍ୟବଧାନରେ ସୂଚନା ସଂରକ୍ଷଣ କରିବା ଶିଖିବା ପାଇଁ ବହୁତ ସମୟ ଲାଗିଥାଏ, ମୁଖ୍ୟତଃ ଅସମର୍ଥତା, କ୍ଷୟଶୀଳ ତ୍ରୁଟି ବ୍ୟାକଫ୍ଲୋ କାରଣରୁ । ଆମେ ସଂକ୍ଷେପରେ Hochreiter s (1991) ର ଏହି ସମସ୍ୟାର ବିଶ୍ଳେଷଣର ସମୀକ୍ଷା କରିବା, ତାପରେ ଏକ ନୂତନ, ଦକ୍ଷ, ଗ୍ରାଡିଏଣ୍ଟ ଆଧାରିତ ପଦ୍ଧତିକୁ ଲମ୍ବା ସ୍ୱଳ୍ପକାଳୀନ ସ୍ମୃତି (LSTM) ନାମକ ଏକ ଉପସ୍ଥାପନା କରି ଏହାକୁ ସମାଧାନ କରିବା । ଯେଉଁଠାରେ ଏହା କ୍ଷତି ନ ଘଟାଏ, ସେଠାରେ ଗ୍ରାଡିଏଣ୍ଟକୁ କମ୍ କରି LSTM 1000 ଡିସକ୍ରିଟ-ଟାଇମ ଷ୍ଟେପରୁ ଅଧିକ ସର୍ବନିମ୍ନ ସମୟ ବ୍ୟବଧାନକୁ ବ୍ରିଜ କରିବା ପାଇଁ ଶିଖିପାରେ । ଗୁଣନକାରୀ ଗେଟ୍ ୟୁନିଟ୍ଗୁଡ଼ିକ ନିରନ୍ତର ତ୍ରୁଟି ପ୍ରବାହକୁ ଖୋଲିବା ଏବଂ ବନ୍ଦ କରିବା ଶିଖନ୍ତି । ଏଲଏସଟିଏମ ସ୍ଥାନ ଓ ସମୟ ଅନୁସାରେ ସ୍ଥାନୀୟ ଅଟେ; ଏହାର ଗଣନା ଜଟିଳତା ପ୍ରତି ସମୟ ପର୍ଯ୍ୟାୟ ଓ ଓଜନ ହେଉଛି O । ୧. କେଉଁ ବିଷୟ ଉପରେ ଆଲୋଚନା କରିବା? କୃତ୍ରିମ ତଥ୍ୟ ସହିତ ଆମର ପରୀକ୍ଷଣରେ ସ୍ଥାନୀୟ, ବଣ୍ଟିତ, ବାସ୍ତବ-ମୂଲ୍ୟଯୁକ୍ତ, ଏବଂ ଶବ୍ଦପୂର୍ଣ୍ଣ ପ୍ୟାଟର୍ନ ପ୍ରତିନିଧିତ୍ୱ ଅନ୍ତର୍ଭୁକ୍ତ । ବାସ୍ତବ ସମୟର ପୁନଃପୌନିକ ଶିକ୍ଷା, ସମୟ ମାଧ୍ୟମରେ ପଛକୁ ପ୍ରସାର, ପୁନଃପୌନିକ କାସକେଡ୍ ସମ୍ବନ୍ଧ, ଏଲମାନ ନେଟ୍ୱାର୍କ, ଏବଂ ନ୍ୟୁରାଲ୍ କ୍ରମ ଖଣ୍ଡନ ସହିତ ତୁଳନା କଲେ, LSTM ଅଧିକ ସଫଳ ରନ୍ କରିଥାଏ, ଏବଂ ବହୁତ ଶୀଘ୍ର ଶିଖିଥାଏ । LSTM ମଧ୍ୟ ଜଟିଳ, କୃତ୍ରିମ ଦୀର୍ଘ ସମୟ-ବିଳମ୍ବ କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ସମାଧାନ କରିଥାଏ ଯାହା ପୂର୍ବବର୍ତ୍ତୀ ପୁନଃପୌନିକ ନେଟୱାର୍କ ଆଲଗୋରିଦମ ଦ୍ୱାରା କେବେ ସମାଧାନ ହୋଇନଥାଏ ।
9eb67ca57fecc691853636507e2b852de3f56fac	ପୂର୍ବ ଅଧ୍ୟୟନରୁ ଜଣାପଡିଛି ଯେ ଶବ୍ଦ ଏବଂ ପାଠର ଅର୍ଥପୂର୍ଣ୍ଣ ଉପସ୍ଥାପନା ନ୍ୟୁରାଲ ଇମ୍ବେଡିଂ ମଡେଲ ମାଧ୍ୟମରେ ହାସଲ କରାଯାଇପାରିବ । ବିଶେଷକରି, ପାରାଗ୍ରାଫ ଭେକ୍ଟର (ପିଭି) ମଡେଲଗୁଡ଼ିକ ଦସ୍ତାବିଜ (ବିଷୟ) ସ୍ତରୀୟ ଭାଷା ମଡେଲର ଆକଳନ କରି କେତେକ ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ କାର୍ଯ୍ୟରେ ପ୍ରଭାବଶାଳୀ ପ୍ରଦର୍ଶନ ପ୍ରଦର୍ଶନ କରିଛନ୍ତି । କିନ୍ତୁ, ପାରମ୍ପରିକ ଭାଷା ମଡେଲ ଆଭିମୁଖ୍ୟ ସହିତ ପିଭି ମଡେଲକୁ ଏକୀକୃତ କରିବା ଦ୍ୱାରା ଅସ୍ଥିର କାର୍ଯ୍ୟଦକ୍ଷତା ଏବଂ ସୀମିତ ଉନ୍ନତି ହୋଇଥାଏ । ଏହି କାଗଜରେ, ଆମେ ମୂଳ ପିଭି ମଡେଲର ତିନୋଟି ଅନ୍ତର୍ନିହିତ ସମସ୍ୟା ବିଷୟରେ ଆନୁଷ୍ଠାନିକ ଭାବରେ ଆଲୋଚନା କରୁଛୁ ଯାହା ପୁନରୁଦ୍ଧାର କାର୍ଯ୍ୟରେ ଏହାର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ସୀମିତ କରିଥାଏ । ଆମେ ମଧ୍ୟ ଏହି ମଡେଲରେ ପରିବର୍ତ୍ତନ ବିଷୟରେ ବର୍ଣ୍ଣନା କରିଛୁ ଯାହା ଏହାକୁ ଆଇଆର କାର୍ଯ୍ୟ ପାଇଁ ଅଧିକ ଉପଯୁକ୍ତ କରିଥାଏ ଏବଂ ପରୀକ୍ଷଣ ଏବଂ କେସ ଷ୍ଟଡି ମାଧ୍ୟମରେ ଏହାର ପ୍ରଭାବକୁ ଦର୍ଶାଇଥାଏ । ଆମେ ଯେଉଁ ତିନୋଟି ପ୍ରସଙ୍ଗ ଉପରେ ଆଲୋଚନା କରୁଛୁ ତାହା ହେଉଛି (1) ପିଭିର ଅନିୟନ୍ତ୍ରିତ ତାଲିମ ପ୍ରକ୍ରିୟା ସଂକ୍ଷିପ୍ତ ଦଲିଲର ଅଧିକ ଫିଟିଂ ପାଇଁ ଦୁର୍ବଳ ଯାହା ଚୂଡ଼ାନ୍ତ ପୁନରୁଦ୍ଧାର ମଡେଲରେ ଲମ୍ବ ପାର୍ଥକ୍ୟ ସୃଷ୍ଟି କରେ; (2) ପିଭିର କର୍ପସ ଆଧାରିତ ନକାରାତ୍ମକ ନମୁନା ସଂଗ୍ରହ ଶବ୍ଦ ପାଇଁ ଏକ ଭାର ଯୋଜନାକୁ ନେଇଥାଏ ଯାହା ବାରମ୍ବାର ଶବ୍ଦଗୁଡ଼ିକର ଗୁରୁତ୍ୱକୁ ଅତ୍ୟଧିକ ଦମନ କରେ; ଏବଂ (3) ଶବ୍ଦ-ସମ୍ବନ୍ଧୀୟ ସୂଚନାର ଅଭାବ ପିଭିକୁ ଶବ୍ଦ ବଦଳ ସମ୍ପର୍କକୁ ଧରିବାରେ ଅସମର୍ଥ କରିଥାଏ ।
4df321947a2ac4365584a01d78a780913b171cf5	ଆସ୍ପେକ୍ଟ ବେସ୍ଡ ସେଣ୍ଟିମେଣ୍ଟ ଆନାଲିସିସ୍ (ଏବିଏସଏ) ହେଉଛି ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ବିଷୟ ଏବଂ ଏହାର ଦିଗ ବିଷୟରେ ପାଠ୍ୟରୁ ମତାମତ ଖନନ ଏବଂ ସାରାଂଶ କରିବାର କାର୍ଯ୍ୟ । ଏହି ଲେଖାରେ ଫ୍ରେଞ୍ଚ ଭାଷାରେ ABSA ସିଷ୍ଟମର ବିକାଶ ଏବଂ ପରୀକ୍ଷଣ ପାଇଁ ଦୁଇଟି ଡାଟାସେଟର ବର୍ଣ୍ଣନା କରାଯାଇଛି ଯେଉଁଥିରେ ଉପଭୋକ୍ତା ସମୀକ୍ଷା ଅନ୍ତର୍ଭୁକ୍ତ ହୋଇଛି ଯାହା ସମ୍ପୃକ୍ତ ସଂସ୍ଥା, ଦିଗ ଏବଂ ଧ୍ରୁବତା ମୂଲ୍ୟ ସହିତ ଆନୋଟେଡ୍ ହୋଇଛି । ପ୍ରଥମ ଡାଟାସେଟରେ ଏବିଏସଏ ସିଷ୍ଟମକୁ ପ୍ରଶିକ୍ଷଣ ଓ ପରୀକ୍ଷଣ ପାଇଁ ୪୫୭ ରେଷ୍ଟୁରାଣ୍ଟ ସମୀକ୍ଷା (୨୩୬୫ ବାକ୍ୟ) ରହିଛି । ଉଭୟ ଡାଟାସେଟକୁ ସେମଇଭାଲ-2016 ଟାସ୍କ 5 ଆସପେକ୍ଟ-ବେସଡ୍ ସେଣ୍ଟିମେଣ୍ଟ ଆନାଲିସିସର ଅଂଶ ଭାବରେ ନିର୍ମାଣ କରାଯାଇଥିଲା, ଯେଉଁଥିରେ ସାତଟି ଭିନ୍ନ ଭିନ୍ନ ଭାଷା ପ୍ରତିନିଧିତ୍ୱ କରାଯାଇଥିଲା ଏବଂ ଗବେଷଣା ଉଦ୍ଦେଶ୍ୟରେ ସର୍ବସାଧାରଣରେ ଉପଲବ୍ଧ । ଏହି ଲେଖାରେ ଆନୋଟେଶନ ପ୍ରକାର ଅନୁସାରେ ଉଦାହରଣ ଓ ପରିସଂଖ୍ୟାନ ପ୍ରଦାନ କରାଯାଇଛି, ଆନୋଟେଶନ ଗାଇଡଲାଇନକୁ ସାରାଂଶିତ କରାଯାଇଛି ଏବଂ ଏହାର ବିଭିନ୍ନ ଭାଷାରେ ପ୍ରୟୋଗ ଉପରେ ଆଲୋଚନା କରାଯାଇଛି । ଏହା ମଧ୍ୟ ବୁଝାଏ ଯେ ସେମେଭାଲ ଏବିଏସଏ କାର୍ଯ୍ୟରେ ମୂଲ୍ୟାଙ୍କନ ପାଇଁ କିପରି ତଥ୍ୟ ବ୍ୟବହାର କରାଯାଇଥିଲା ଏବଂ ଫ୍ରେଞ୍ଚ ପାଇଁ ପ୍ରାପ୍ତ ଫଳାଫଳକୁ ସଂକ୍ଷେପରେ ଉପସ୍ଥାପନ କରାଯାଇଛି ।
2445089d4277ccbec3727fecfe73eaa4cc57e414	ଏହି ଦସ୍ତାବିଜରେ 8ଟି ଭାଷା ଯୋଡି ପାଇଁ ମେସିନ ଅନୁବାଦ ପ୍ରଣାଳୀର ଅନୁବାଦ ଗୁଣବତ୍ତାର ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଛି: ଫ୍ରେଞ୍ଚ, ଜର୍ମାନ, ସ୍ପାନିଶ ଏବଂ ଚେକକୁ ଇଂରାଜୀ ଏବଂ ଅନ୍ୟ ଭାଷାକୁ ଅନୁବାଦ କରିବା । ଆମେ ଏକ ବ୍ୟାପକ ମାନବ ମୂଲ୍ୟାୟନ କରିଥିଲୁ ଯାହା ଆମକୁ କେବଳ ବିଭିନ୍ନ MT ସିଷ୍ଟମର ମାନ୍ୟତା ଦେବାରେ ସାହାଯ୍ୟ କରିନଥିଲା, ବରଂ ମୂଲ୍ୟାୟନ ପ୍ରକ୍ରିୟାର ଉଚ୍ଚ ସ୍ତରୀୟ ବିଶ୍ଳେଷଣ ମଧ୍ୟ କରିଥିଲା । ଆମେ ତିନୋଟି ପ୍ରକାରର ବ୍ୟକ୍ତିଗତ ମୂଲ୍ୟାୟନ ପାଇଁ ସମୟ ଏବଂ ଅନ୍ତଃ ଏବଂ ଅନ୍ତଃ-ସୂଚକ ରାଜିନାମାକୁ ମାପିଲୁ । ଆମେ ମାନବର ବିଚାର ସହିତ ସ୍ୱୟଂଚାଳିତ ମୂଲ୍ୟାୟନ ମାପଦଣ୍ଡର ସମ୍ପର୍କକୁ ମାପିଲୁ । ଏହି ମୂଲ୍ୟାୟନରୁ ସବୁଠାରୁ ଅଧିକ ବ୍ୟବହୃତ ପଦ୍ଧତି ବିଷୟରେ ଆଶ୍ଚର୍ଯ୍ୟଜନକ ତଥ୍ୟ ପଦାକୁ ଆସିଛି ।
1965a7d9a3eb0727c054fb235b1758c8ffbb8e22	ଏକ ଚକ୍ରବିଶିଷ୍ଟ ଏକ-ସ୍ତରୀୟ ୟୁ-ସ୍ଲଟ୍ ମାଇକ୍ରୋଷ୍ଟ୍ରିପ୍ ପ୍ୟାଚ୍ ଆଣ୍ଟିନା ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । ପ୍ରସ୍ତାବିତ ଅସନ୍ତୁଳିତ ୟୁ-ସ୍ଲଟ୍, ପ୍ରୋବ-ଫେଡ୍ ସ୍କ୍ୱାଡ୍ ପ୍ୟାଚ୍ ମାଇକ୍ରୋଷ୍ଟ୍ରିପ୍ ଆଣ୍ଟେନା କୌଣସି କୋଣକୁ ଚାମଫର ନକରି ଚକ୍କର ଧ୍ରୁବୀକରଣ ପାଇଁ ଦୁଇଟି ଅର୍ତଗୋନାଲ ମୋଡ୍ ସୃଷ୍ଟି କରିପାରିବ । ୟୁ-ସ୍ଲଟର ଭିନ୍ନ ଭିନ୍ନ ଆର୍ମ୍ ଲମ୍ବ ଦ୍ୱାରା ସୃଷ୍ଟି ହେଉଥିବା ପ୍ରଭାବକୁ ଅନୁସନ୍ଧାନ କରିବା ପାଇଁ ଏକ ପାରାମେଟ୍ରିକ୍ ଅଧ୍ୟୟନ କରାଯାଇଛି । ଏହି ପେନ୍ର ମୋଟା ଅଂଶଟି କାର୍ଯ୍ୟରତ ଫ୍ରିକ୍ୱେନ୍ସିରେ ତରଙ୍ଗ ଦୈର୍ଘ୍ୟର ପ୍ରାୟ ୮.୫% । ଆଣ୍ଟେନର ୩ ଡିସିଏଲ ଆକ୍ସିୟଲ ଅନୁପାତ ବ୍ୟାଣ୍ଡୱିଡଥ୍ ୪% ଅଟେ । ଆଣ୍ଟିନା ର ଉଭୟ ପରୀକ୍ଷାମୂଳକ ଓ ଥିଓରିଟିକାଲ ଫଳାଫଳ ଉପସ୍ଥାପିତ ଓ ଆଲୋଚନା କରାଯାଇଛି । ଚକ୍ରବ୍ୟୁହ ଧ୍ରୁବୀକରଣ, ଛପା ଯାଇଥିବା ଆଣ୍ଟିନା, ୟୁ-ସ୍ଲଟ୍ ।
9462cd1ec2e404b22f76c88b6149d1e84683acb7	ଏହି ଚିଠିରେ ଏକ ବ୍ରଡବ୍ୟାଣ୍ଡ କମ୍ପାକ୍ଟ ସର୍କୁଲାର ପଲାରିଜଡ (ସିପି) ପ୍ୟାଚ୍ ଆଣ୍ଟିନା ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । ଏହି ପ୍ୟାଚ୍ ଆଣ୍ଟିନା ଏକ ମୁଦ୍ରିତ ମେଣ୍ଡରିଂ ସୋଣ୍ଡ (M-ସୋଣ୍ଡ) ଏବଂ ସଂକୁଚିତ ପ୍ୟାଚ୍ ଯାହା ଏକ ବ୍ରଡବ୍ୟାଣ୍ଡ ସିପି ଅପରେସନ୍ ସୃଷ୍ଟି କରିବାକୁ ଅର୍ଥାନୋଲ ରେଜୋନାଣ୍ଟ ମୋଡ୍ କୁ ଉତ୍ତେଜିତ କରେ । 5G ୱାଇ-ଫାଇ ପ୍ରୟୋଗକୁ ସୁସଙ୍ଗତ କରିବା ପାଇଁ ଆକ୍ସିୟଲ-ରେସିଓ (ଏଆର) ବ୍ୟାଣ୍ଡୱିଡଥକୁ ଆହୁରି ଉନ୍ନତ କରିବା ପାଇଁ ଷ୍ଟାକ୍ ପ୍ୟାଚ୍ ବ୍ୟବହାର କରାଯାଏ । ପ୍ରସ୍ତାବିତ ଆଣ୍ଟିନା ଯଥାକ୍ରମେ 42.3% ଇମ୍ପେଡେନ୍ସ ବ୍ୟାଣ୍ଡୱିଡଥ୍ ଏବଂ 16.8% ଏଆର ବ୍ୟାଣ୍ଡୱିଡଥ୍ ହାସଲ କରିବ । ଆର୍ ବ୍ୟାଣ୍ଡୱିଡ୍ ଭିତରେ ହାରାହାରି ଲାଭ ୬.୬ ଡିସିବିଏଲ୍ ହୋଇଥାଏ, ଯେଉଁଥିରେ ୦.୫ ଡିସିବିଏଲ୍ ରୁ କମ୍ ପରିବର୍ତ୍ତନ ହୋଇଥାଏ । ଏହି କାର୍ଯ୍ୟ ଏକ ଏମ୍-ସୋଣ୍ଡ ଦ୍ୱାରା ସଞ୍ଚିତ ସିପି ପ୍ୟାଚ୍ ଆଣ୍ଟିନା ବ୍ୟାଣ୍ଡୱିଡ୍ଥ୍ ବିସ୍ତାର କରିବାର କୌଶଳ ପ୍ରଦର୍ଶନ କରେ । ଏହା ହେଉଛି ପ୍ରଥମ ଅଧ୍ୟୟନ ଯେଉଁଥିରେ ଏମ୍-ସୋଣ୍ଡର ବୈଦ୍ୟୁତିକ ଭାରଯୁକ୍ତ ପ୍ୟାଚ୍ ଆଣ୍ଟିନାରେ ବ୍ରଡବ୍ୟାଣ୍ଡ ବୈଶିଷ୍ଟ୍ୟ ପ୍ରଦାନ କରିପାରିବ । ଏହି ଆଣ୍ଟିନା 5G ୱାଇ-ଫାଇ ଏବଂ ସାଟେଲାଇଟ ଯୋଗାଯୋଗ ବ୍ୟବସ୍ଥାରେ ବ୍ୟବହାର କରାଯାଇପାରିବ ।
d6002a6cc8b5fc2218754aed970aac91c8d8e7e9	ଏହି କାଗଜରେ ଆମେ ବାସ୍ତବ ସମୟ ରେ ଏକାଧିକ ନିର୍ଦ୍ଦିଷ୍ଟ 3D ବସ୍ତୁକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ଏକ ନୂଆ ପଦ୍ଧତି ପ୍ରସ୍ତାବିତ କରୁଛୁ । ଆମେ Hinterstoisser et al. ଦ୍ୱାରା ନିକଟରେ ପ୍ରବର୍ତ୍ତିତ LINE2D/LINEMOD ପ୍ରତିନିଧିତ୍ୱ ଉପରେ ଆଧାରିତ ଟେମ୍ପଲେଟ୍ ଆଧାରିତ ପଦ୍ଧତିରୁ ଆରମ୍ଭ କରିଛୁ, ତଥାପି ଏହାକୁ ଦୁଇଟି ଉପାୟରେ ବିସ୍ତାର କରିଛୁ । ପ୍ରଥମେ, ଆମେ ଏକ ଭେଦଭାବପୂର୍ଣ୍ଣ ଢଙ୍ଗରେ ଟେମ୍ପଲେଟଗୁଡିକୁ ଶିଖିବାକୁ ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଆମେ ଦେଖାଇଛୁ ଯେ ଏହା ଅନଲାଇନରେ କରାଯାଇପାରିବ ଉଦାହରଣ ଚିତ୍ର ସଂଗ୍ରହ ସମୟରେ, ମାତ୍ର କିଛି ମିଲିସେକେଣ୍ଡରେ, ଏବଂ ଡିଟେକ୍ଟରର ସଠିକତା ଉପରେ ଏହାର ବଡ଼ ପ୍ରଭାବ ରହିଛି । ଦ୍ୱିତୀୟରେ, ଆମେ ଏକ ଯୋଜନା ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା କାସ୍କେଡ ଉପରେ ଆଧାରିତ ଯାହା ଚିହ୍ନଟକୁ ତ୍ୱରାନ୍ୱିତ କରିବ । ଯେହେତୁ କୌଣସି ବସ୍ତୁକୁ ଚିହ୍ନଟ କରିବା ସହଜ ହୋଇଥାଏ, ତେଣୁ ଅତି କମ୍ ଖର୍ଚ୍ଚରେ ନୂଆ ବସ୍ତୁ ଯୋଡ଼ାଯାଇପାରିବ, ଯାହାଦ୍ୱାରା ଆମର ଆଭିମୁଖ୍ୟ ଭଲ ଭାବେ ମାପି ହେବ । ଆମର ପରୀକ୍ଷଣରେ, ଆମେ ସହଜରେ 10-30ଟି 3D ବସ୍ତୁକୁ 10fpsରୁ ଅଧିକ ଫ୍ରେମ ରେଟ୍ରେ ଗୋଟିଏ CPU କୋର ବ୍ୟବହାର କରି ପରିଚାଳନା କରିପାରୁ । ଆମେ ଉଭୟ ସ୍ପିଡ ଏବଂ ସଠିକତା ଦୃଷ୍ଟିରୁ ଅତ୍ୟାଧୁନିକକୁ ଅତିକ୍ରମ କରିଛୁ, ଯାହାକି ତିନୋଟି ଭିନ୍ନ ଭିନ୍ନ ଡାଟାସେଟରେ ପ୍ରମାଣିତ ହୋଇଛି । ଏହା ଉଭୟ ଏକକ ରଙ୍ଗର ପ୍ରତିଛବି ବ୍ୟବହାର କରିବା ସମୟରେ (LINE2D ସହିତ) ଏବଂ RGBD ପ୍ରତିଛବି ବ୍ୟବହାର କରିବା ସମୟରେ (LINEEMOD ସହିତ) ଧାରଣ କରିଥାଏ । ଆହୁରି ମଧ୍ୟ, ଆମେ ଏକ ନୂଆ ତଥ୍ୟ ସେଟ ପ୍ରସ୍ତୁତ କରିଛୁ ଯେଉଁଥିରେ 12ଟି ବସ୍ତୁ ରହିଛି, ଯାହା ଭବିଷ୍ୟତରେ ଏକକ ରଙ୍ଗୀନ୍ ପ୍ରତିଛବି ଉପରେ ପ୍ରତିଯୋଗିତା କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯିବ ।
41d103f751d47f0c140d21c5baa4981b3d4c9a76	ଲୋକମାନେ ଇଣ୍ଟରନେଟ ୱେବ୍ଲୋଗରେ ଲେଖୁଥିବା ବ୍ୟକ୍ତିଗତ କାହାଣୀରେ ଦୈନନ୍ଦିନ ଘଟଣାଗୁଡ଼ିକ ମଧ୍ୟରେ ଥିବା କାରଣ ସମ୍ପର୍କ ବିଷୟରେ ଯଥେଷ୍ଟ ପରିମାଣର ସୂଚନା ଅନ୍ତର୍ଭୁକ୍ତ । ଏହି ଲେଖାରେ ଆମେ ଲକ୍ଷ ଲକ୍ଷ କାହାଣୀକୁ ସ୍ୱୟଂଚାଳିତ ସାଧାରଣ ବିବେକ ଯୁକ୍ତି ପାଇଁ ବ୍ୟବହାର କରିବାର ପ୍ରୟାସକୁ ବର୍ଣ୍ଣନା କରୁଛୁ । ସାଧାରଣ ବିବେକ ଯୁକ୍ତି ବା ଯୁକ୍ତି ତର୍କ ସମସ୍ୟାକୁ ଏକ ସମ୍ଭାବ୍ୟ ବିକଳ୍ପର ଚୟନ ଭାବରେ ବର୍ଣ୍ଣନା କରି ଆମେ ଚାରୋଟି ପରୀକ୍ଷଣର ବର୍ଣ୍ଣନା କରିଛୁ ଯାହା ବିଭିନ୍ନ ପରିସଂଖ୍ୟାନ ଏବଂ ସୂଚନା ପୁନରୁଦ୍ଧାର ପଦ୍ଧତିକୁ କାହାଣୀ କର୍ପୋରେସନରେ କାରଣ ସୂଚନାକୁ ବ୍ୟବହାର କରିବା ପାଇଁ ତୁଳନା କରେ । ଏହି ପରୀକ୍ଷଣରେ ଶ୍ରେଷ୍ଠ ପ୍ରଦର୍ଶନ କରୁଥିବା ପ୍ରଣାଳୀଟି ଲକ୍ଷ ଲକ୍ଷ ବ୍ୟକ୍ତିଗତ କାହାଣୀ ମଧ୍ୟରେ ଶବ୍ଦଗୁଡ଼ିକ ମଧ୍ୟରେ ପଏଣ୍ଟୱାଇଜ୍ ମ୍ୟୁଚୁଆଲ୍ ଇନଫରମେସନ୍ ଭାବରେ ଗଣନା କରାଯାଇଥିବା କାରଣ ପୂର୍ବବର୍ତ୍ତୀ ଏବଂ ପରବର୍ତ୍ତୀ ଶବ୍ଦଗୁଡ଼ିକ ମଧ୍ୟରେ ଏକ ସରଳ ସହ-ଘଟଣା ପରିସଂଖ୍ୟାନ ବ୍ୟବହାର କରେ ।
c9d1bcdb95aa748940b85508fd7277622f74c0a4	ସୂଚନା ପ୍ରଣାଳୀ (ଆଇଏସ) ବିଷୟରେ ଗବେଷଣା ପାଇଁ କେସ ରିସର୍ଚ୍ଚକୁ ଏକ ଦଶନ୍ଧିରୁ ଅଧିକ ସମୟ ହେଲାଣି ସମ୍ମାନ ଦିଆଯାଉଛି । କେସ ଷ୍ଟଡିର ପ୍ରାସଙ୍ଗିକତା ଏବଂ ସମ୍ଭାବ୍ୟ ମୂଲ୍ୟ ସତ୍ତ୍ୱେ, ଏହି ପଦ୍ଧତିଗତ ଆଭିମୁଖ୍ୟକୁ ଏକଦା ସର୍ବନିମ୍ନ ବ୍ୟବସ୍ଥିତ ବୋଲି ବିବେଚନା କରାଯାଉଥିଲା । ୧୯୮୦ ଦଶକର ଶେଷ ଭାଗରେ, ପ୍ରଥମ ଥର ପାଇଁ ଆଇଏସ କେସ ରିସର୍ଚ୍ଚର କଠୋରତା ଉପରେ ପ୍ରଶ୍ନ ଉଠିଥିଲା । ଆମ କ୍ଷେତ୍ରର ଗବେଷକମାନେ (ଯେପରିକି ବେନବାସତ ଆଦି) 1987; ଲି 1989) ଏବଂ ଅନ୍ୟାନ୍ୟ ବିଷୟ (ଯେପରିକି ଆଇଜେନହାର୍ଡ୍ଟ 1989; ୟିନ 1994) ରୁ କେସ୍ ରିସର୍ଚ୍ଚରେ ଅଧିକ କଠୋରତା ପାଇଁ ଆହ୍ୱାନ କରିଥିଲେ ଏବଂ ସେମାନଙ୍କ ସୁପାରିଶ ମାଧ୍ୟମରେ କେସ୍ ଷ୍ଟଡି ପଦ୍ଧତିର ଅଗ୍ରଗତି ପାଇଁ ଯୋଗଦାନ ଦେଇଥିଲେ । ଏହି ଅବଦାନକୁ ବିଚାରକୁ ନେଇ, ଏହି ଅଧ୍ୟୟନରେ ଏହା ନିର୍ଦ୍ଧାରଣ କରିବାକୁ ଚେଷ୍ଟା କରାଯାଇଛି ଯେ ଆଇଏସ କ୍ଷେତ୍ରରେ କେସ ଷ୍ଟଡି ପଦ୍ଧତିର ବ୍ୟବହାରିକ ବ୍ୟବହାରରେ କେତେ ପରିମାଣରେ ଅଗ୍ରଗତି ହୋଇଛି । ଗତ ଦଶନ୍ଧି ମଧ୍ୟରେ କରାଯାଇଥିବା ଆଇଏସ ମାମଲାର ଗବେଷଣାରେ କେତେ ପରିମାଣରେ ପଦ୍ଧତିଗତ ଦୃଢ଼ତା ରହିଛି ତାହା ଏହି ରିପୋର୍ଟରେ ଦର୍ଶାଯାଇଛି । ଏହି ଉଦ୍ଦେଶ୍ୟ ପୂରଣ କରିବା ପାଇଁ ଆମେ ସାତଟି ପ୍ରମୁଖ ଆଇଏସ ପତ୍ରିକାରୁ ୧୮୩ଟି ଲେଖାକୁ ଚିହ୍ନଟ କରି କୋଡ୍ କରିଛୁ । ଏହି ସମୀକ୍ଷାରେ ବିବେଚନା କରାଯାଇଥିବା ମୂଲ୍ୟାୟନ ଗୁଣ ବା ମାନଦଣ୍ଡ ତିନୋଟି ମୁଖ୍ୟ କ୍ଷେତ୍ର ଉପରେ ଧ୍ୟାନ କେନ୍ଦ୍ରିତ କରିଥାଏ, ଯଥା, ଡିଜାଇନ୍ ସମସ୍ୟା, ତଥ୍ୟ ସଂଗ୍ରହ ଏବଂ ତଥ୍ୟ ବିଶ୍ଳେଷଣ । ଯଦିଓ କିଛି ନିର୍ଦ୍ଦିଷ୍ଟ ଗୁଣବତ୍ତା ସମ୍ବନ୍ଧରେ ପଦ୍ଧତିଗତ କଠୋରତାର ସ୍ତରରେ ସାମାନ୍ୟ ଅଗ୍ରଗତି ହୋଇଛି, ସାମଗ୍ରିକ ଭାବରେ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଥିବା କଠୋରତା କିଛି ମାତ୍ରାରେ ଦ୍ୱନ୍ଦ୍ୱପୂର୍ଣ୍ଣ ଏବଂ ଉନ୍ନତି ପାଇଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କ୍ଷେତ୍ର ରହିଛି । ଏହାର ଏକ ପ୍ରମୁଖ କାରଣ ହେଉଛି ବିଶେଷ କରି ତଥ୍ୟ ସଂଗ୍ରହ ଓ ବ୍ୟବହାର ସହ ଜଡ଼ିତ ପ୍ରସଙ୍ଗରେ ଉନ୍ନତ ଦସ୍ତାବିଜକୁ ସାମିଲ କରିବା ।
025cdba37d191dc73859c51503e91b0dcf466741	ଆଙ୍ଗୁଠି ଚିହ୍ନ ଚିହ୍ନଟ ପ୍ରୟୋଗରେ ଆଙ୍ଗୁଠି ଚିହ୍ନଟ ଛବି ଉନ୍ନତି ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପ୍ରାକ୍ ପ୍ରକ୍ରିୟାକରଣ ପଦକ୍ଷେପ । ଏହି ଅଧ୍ୟୟନରେ ଆମେ ଏକ ଉପାୟ ବିଷୟରେ ଆଲୋଚନା କରିବା ଯାହା ଗାବର ୱେଭଲେଟ ଫିଲଟର ବ୍ୟାଙ୍କ ଦ୍ୱାରା ଏକକାଳୀନ ଆଙ୍ଗୁଠି ଛବିରେ ସ୍ଥାନୀୟ କ୍ରମର ଦିଗ ଏବଂ ଫ୍ରିକ୍ୱେନ୍ସି ବାହାର କରିଥାଏ ଏବଂ ସେଗୁଡ଼ିକୁ ଗାବର ଫିଲଟରିଂ ଇମେଜରେ ବ୍ୟବହାର କରିଥାଏ । ଏହାବ୍ୟତୀତ, ଆମେ ଫିଙ୍ଗରପ୍ରିଣ୍ଟ ଇମେଜ ଉନ୍ନତି ପାଇଁ ଏକ ଦୃଢ଼ ଆଭିମୁଖ୍ୟ ବର୍ଣ୍ଣନା କରୁଛୁ, ଯାହା ଗାବୋର ଫିଲ୍ଟର ଏବଂ ନିର୍ଦ୍ଦେଶିତ ମଧ୍ୟମ ଫିଲ୍ଟର (ଡିଏମଏଫ) ର ଏକୀକରଣ ଉପରେ ଆଧାରିତ । ବାସ୍ତବରେ, ଗାବୋର ଫିଲ୍ଟର ଦ୍ୱାରା ଗୌସିଆନ ବଣ୍ଟିତ ଶବ୍ଦକୁ ପ୍ରଭାବୀ ଢଙ୍ଗରେ ହ୍ରାସ କରାଯାଇଥାଏ ଏବଂ ଡିଏମଏଫ ଦ୍ୱାରା ଇମ୍ପଲସ ଶବ୍ଦକୁ ହ୍ରାସ କରାଯାଇଥାଏ । ପ୍ରସ୍ତାବିତ ଡିଏମଏଫ କେବଳ ନିଜର ମୂଳ କାର୍ଯ୍ୟକୁ ଶେଷ କରିପାରିବ ନାହିଁ, ଏହା ଭାଙ୍ଗି ଯାଇଥିବା ଫିଙ୍ଗର ପ୍ରିଣ୍ଟ ରେଜକୁ ଯୋଡ଼ିପାରିବ, ଫିଙ୍ଗର ପ୍ରିଣ୍ଟ ଇମେଜର ଗାତକୁ ପୂରଣ କରିପାରିବ, ଅନିୟମିତ ରେଜକୁ ସଳଖ କରିପାରିବ ଏବଂ ରେଜ ମଧ୍ୟରେ ଥିବା କିଛି ଛୋଟ ଛୋଟ ଆର୍ଟଫାକ୍ଟକୁ ମଧ୍ୟ ହଟାଇପାରିବ । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳରୁ ଜଣାପଡ଼ୁଛି ଯେ ଆମର ପଦ୍ଧତି ସାହିତ୍ୟରେ ବର୍ଣ୍ଣିତ ପଦ୍ଧତିଠାରୁ ଉନ୍ନତ ।
3dfce4601c3f413605399267b3314b90dc4b3362	ଆଜିକାଲିର ବିଶ୍ୱବ୍ୟାପୀ ନେଟୱାର୍କିଂ ସମାଜରେ ସୂଚନା ପ୍ରସାର ଓ ଆଦାନପ୍ରଦାନ ଉପରେ ଅଧିକ ଚାହିଦା ରହିଛି । ଯଦିଓ ଅତୀତରେ ପ୍ରକାଶିତ ସୂଚନା ମୁଖ୍ୟତଃ ସାରଣୀ ଏବଂ ପରିସଂଖ୍ୟାନ ଆକାରରେ ଥିଲା, ଆଜି ଅନେକ ପରିସ୍ଥିତିରେ ନିର୍ଦ୍ଦିଷ୍ଟ ତଥ୍ୟ (ମାଇକ୍ରୋଡାଟା) ପ୍ରକାଶ କରିବାର ଆବଶ୍ୟକତା ରହିଛି । ସୂଚନା ସମ୍ବନ୍ଧିତ ସଂସ୍ଥା (ଯାହାକୁ ଉତ୍ତରଦାତା କୁହାଯାଏ) ର ଅଜ୍ଞାତତାକୁ ସୁରକ୍ଷିତ ରଖିବା ପାଇଁ, ଡାଟା ଧାରକମାନେ ପ୍ରାୟତଃ ନାମ, ଠିକଣା ଏବଂ ଫୋନ୍ ନମ୍ବର ପରି ସ୍ପଷ୍ଟ ପରିଚୟକକୁ ହଟାଇ କିମ୍ବା ଏନକ୍ରିପ୍ଟ କରନ୍ତି । କିନ୍ତୁ, ପରିଚୟହୀନ ତଥ୍ୟ ଅଜ୍ଞାତତାର କୌଣସି ଗ୍ୟାରେଣ୍ଟି ଦିଏ ନାହିଁ । ପ୍ରକାଶିତ ସୂଚନାରେ ଅନେକ ସମୟରେ ଅନ୍ୟ ତଥ୍ୟ ରହିଥାଏ, ଯେପରିକି ଜାତି, ଜନ୍ମ ତାରିଖ, ଲିଙ୍ଗ ଏବଂ ଜିପ କୋଡ, ଯାହା ଜନସାଧାରଣଙ୍କ ପାଇଁ ଉପଲବ୍ଧ ସୂଚନା ସହିତ ଜଡିତ ହୋଇ ଉତ୍ତରଦାତାଙ୍କୁ ଚିହ୍ନଟ କରିବା ଏବଂ ସୂଚନାକୁ ଅନୁମାନ ଲଗାଇବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ ଯାହା ପ୍ରକାଶ ପାଇଁ ଉଦ୍ଦିଷ୍ଟ ନଥିଲା । ଏହି ଲେଖାରେ ଆମେ ମାଇକ୍ରୋ ଡାଟା ପ୍ରକାଶନ କରିବା ସହିତ ଡାଟା ରେଫରେନ୍ସ କରୁଥିବା ଉତ୍ତରଦାତାଙ୍କ ଅନାମନାପଣକୁ ସୁରକ୍ଷିତ ରଖିବା ସମସ୍ୟାକୁ ସମାଧାନ କରୁଛୁ । ଏହି ଆଭିମୁଖ୍ୟ k-anonymityର ପରିଭାଷା ଉପରେ ଆଧାରିତ । ଏକ ସାରଣୀ k-anonymity ପ୍ରଦାନ କରିଥାଏ ଯଦି ଏହାର ବିଷୟବସ୍ତୁ ସହିତ ସ୍ପଷ୍ଟ ଭାବରେ ଚିହ୍ନଟ ସୂଚନାକୁ ଲିଙ୍କ୍ କରିବାର ପ୍ରୟାସ ଅନ୍ତତଃ k ସଂସ୍ଥା ସହିତ ସୂଚନାକୁ ମ୍ୟାପ୍ କରିଥାଏ । ଆମେ ଦର୍ଶାଇବୁ କି କିପରି k-anonymity ପ୍ରଦାନ କରାଯାଇପାରିବ ବିନା ସାଲିସରେ ସଠିକତା (କିମ୍ବା ସତ୍ୟତା) ର ସୂଚନା ଜାରି କରି ସାଧାରଣକରଣ ଏବଂ ଦମନ କୌଶଳ ବ୍ୟବହାର କରି । ଆମେ ସର୍ବନିମ୍ନ ସାଧାରଣକରଣର ଧାରଣାକୁ ପ୍ରବର୍ତ୍ତନ କରୁ ଯାହା କି ମୁକ୍ତିକରଣ ପ୍ରକ୍ରିୟାର ଗୁଣକୁ ଧାରଣ କରେ ଯାହା କି k-ଅନାମଧେୟତା ହାସଲ କରିବା ପାଇଁ ଆବଶ୍ୟକ ଠାରୁ ଅଧିକ ତଥ୍ୟକୁ ବିକୃତ କରେ ନାହିଁ, ଏବଂ ଏପରି ସାଧାରଣକରଣର ଗଣନା ପାଇଁ ଏକ ଆଲଗୋରିଦମ ଉପସ୍ଥାପନ କରେ । ଆମେ ମଧ୍ୟ ବିଭିନ୍ନ ସର୍ବନିମ୍ନ
cd866d4510e397dbc18156f8d840d7745943cc1a
74c24d7454a2408f766e4d9e507a0e9c3d80312f	ସ୍ମାର୍ଟ କାର୍ଡ ଆଧାରିତ ଉପଭୋକ୍ତା ପ୍ରମାଣୀକରଣ ଯୋଜନା ୱାୟାରଲେସ୍ ସେନସର ନେଟୱାର୍କ ପାଇଁ (ସଂକ୍ଷେପରେ, ଏକ SUA-WSN ଯୋଜନା) କେବଳ ସ୍ମାର୍ଟ କାର୍ଡ ଏବଂ ସମ୍ପୃକ୍ତ ପାସୱାର୍ଡ ଥିବା ଉପଭୋକ୍ତାମାନଙ୍କୁ ସେନସର ତଥ୍ୟକୁ ପ୍ରବେଶ କରିବାକୁ ସୀମିତ କରିବାକୁ ଡିଜାଇନ୍ କରାଯାଇଛି । ଯଦିଓ ଗତ କିଛି ବର୍ଷ ମଧ୍ୟରେ ଅନେକ SUA-WSN ଯୋଜନା ପ୍ରସ୍ତାବିତ ହୋଇଛି, ସେମାନଙ୍କର ସୁରକ୍ଷା ଗୁଣଗୁଡିକର ଆନୁଷ୍ଠାନିକ ସଂଜ୍ଞା ଏବଂ ପ୍ରମାଣ ଏକ ବ୍ୟାପକ ସ୍ୱୀକୃତିପ୍ରାପ୍ତ ମଡେଲରେ ନାହିଁ । ଏହାର ଏକ ପରିଣାମ ହେଉଛି ଯେ ବିଭିନ୍ନ ଆକ୍ରମଣ ପ୍ରତି ଅସୁରକ୍ଷିତ SUA-WSN ଯୋଜନାଗୁଡ଼ିକ ବହୁଳ ମାତ୍ରାରେ ବୃଦ୍ଧି ପାଇଛି । ଏହି ଲେଖାରେ ଆମେ ବେଲାର, ପଏଣ୍ଟଚେଭାଲ ଏବଂ ରୋଗେଓ୍ବ (୨୦୦୦) ଙ୍କ ବହୁଳ ଭାବେ ସ୍ୱୀକୃତ ମଡେଲର ବିସ୍ତାର କରି ଏସୟୁଏ-ଡବ୍ଲୁଏସଏନ ଯୋଜନାଗୁଡ଼ିକର ବିଶ୍ଳେଷଣ ପାଇଁ ଏକ ସୁରକ୍ଷା ମଡେଲ ପ୍ରସ୍ତୁତ କରୁଛୁ । ଆମର ମଡେଲ ଆନୁଷ୍ଠାନିକ ସଂଜ୍ଞା ପ୍ରଦାନ କରିଥାଏ, ଯାହା କି ସିକ୍ରେଟ କୀ ଏକ୍ସଚେଞ୍ଜ ଏବଂ ୟୁଜର ଅନାମନାପଣକୁ ପ୍ରମାଣିତ କରିଥାଏ, ଯେତେବେଳେ ସାଇଡ-ଚ୍ୟାନେଲ ଆକ୍ରମଣକୁ ଧରିବା ସହିତ ଅନ୍ୟ ସାଧାରଣ ଆକ୍ରମଣକୁ ମଧ୍ୟ ଧରାଯାଇଥାଏ । ଆମେ ମଧ୍ୟ ଏଲିପ୍ଟିକ ବକ୍ର କ୍ରିପ୍ଟୋଗ୍ରାଫି (ଇସିସି) ଉପରେ ଆଧାରିତ ଏକ ନୂତନ ଏସୟୁଏ-ଡବ୍ଲୁଏସଏନ ଯୋଜନା ପ୍ରସ୍ତାବ ଦେଉଛୁ ଏବଂ ଆମର ସମ୍ପ୍ରସାରିତ ମଡେଲରେ ଏହାର ସୁରକ୍ଷା ଗୁଣକୁ ପ୍ରମାଣିତ କରୁଛୁ । ଆମର ଜ୍ଞାନ ଅନୁସାରେ, ଆମର ପ୍ରସ୍ତାବିତ ଯୋଜନା ହେଉଛି ପ୍ରଥମ SUA-WSN ଯୋଜନା ଯାହା ପ୍ରମାଣିତ ଭାବରେ ଉଭୟ ପ୍ରାମାଣିକ ଚାବି ବିନିମୟ ଏବଂ ବ୍ୟବହାରକାରୀଙ୍କ ଅନାମନାପଣ ହାସଲ କରିଥାଏ । ଆମର ଯୋଜନା ଅନ୍ୟ ଇସିସି ଆଧାରିତ (ପ୍ରମାଣଯୋଗ୍ୟ ସୁରକ୍ଷିତ ନୁହେଁ) ଯୋଜନା ସହିତ କମ୍ପ୍ୟୁଟିଂ ଦୃଷ୍ଟିରୁ ପ୍ରତିଦ୍ୱନ୍ଦ୍ୱୀ ମଧ୍ୟ ।
3973e14770350ed54ba1272aa3e19b4d21f5dad3	ଏହି କାଗଜରେ ବସ୍ ପାଇଁ ବିକଶିତ ବାଧାବିଘ୍ନ ଚିହ୍ନଟ ଏବଂ ଟ୍ରାକିଂ ଆଲଗୋରିଦମ ବିଷୟରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି, ଯାହା 2007 DARPA ସହରୀ ଆହ୍ୱାନରେ କାର୍ନେଗୀ ମେଲନ୍ ବିଶ୍ୱବିଦ୍ୟାଳୟର ବିଜୟୀ ପ୍ରବେଶ ଅଟେ । ଆମେ ଟ୍ରାକିଂ ସବ ସିଷ୍ଟମ ବିଷୟରେ ବର୍ଣ୍ଣନା କରିବା ଏବଂ ଏହା କିପରି ବୃହତ୍ତର ଧାରଣ ପ୍ରଣାଳୀ ପରିପ୍ରେକ୍ଷୀରେ କାର୍ଯ୍ୟ କରେ ତାହା ଦେଖାଇବା । ଟ୍ରାକିଂ ଉପ-ପ୍ରଣାଳୀ ରୋବଟକୁ ସହରାଞ୍ଚଳରେ ଗାଡ଼ି ଚଳାଇବା ସମୟରେ ଜଟିଳ ପରିସ୍ଥିତିକୁ ବୁଝିବା ପାଇଁ ସକ୍ଷମ କରିଥାଏ । ଏହି ଟ୍ରାକିଂ ସିଷ୍ଟମ ଏକ ଡଜନରୁ ଅଧିକ ସେନସରରୁ ସେନସର ଡାଟାକୁ ପରିବେଶ ବିଷୟରେ ଅତିରିକ୍ତ ସୂଚନା ସହିତ ମିଶାଇ ଏକ ସୁସଂଗତ ପରିସ୍ଥିତି ମଡେଲ ସୃଷ୍ଟି କରିଥାଏ । ସେନସର ତଥ୍ୟର ଗୁଣବତ୍ତା ଆଧାରରେ ବସ୍ତୁଗୁଡ଼ିକୁ ଟ୍ରାକ୍ କରିବା ପାଇଁ ଏକ ନୂଆ ମଲ୍ଟିପଲ-ମୋଡେଲ୍ ଆଭିମୁଖ୍ୟ ବ୍ୟବହାର କରାଯାଏ । ଶେଷରେ, ଟ୍ରାକିଂ ସବସିଷ୍ଟମର ସ୍ଥାପତ୍ୟ ସ୍ପଷ୍ଟ ଭାବରେ ପ୍ରତ୍ୟେକ ପ୍ରକ୍ରିୟାକରଣ ସ୍ତରକୁ ସଂକ୍ଷିପ୍ତ କରିଥାଏ । ନୂତନ ସେନସର ଏବଂ ବୈଧତା ଆଲଗୋରିଦମ ଯୋଗ କରି ଉପ-ପ୍ରଣାଳୀକୁ ସହଜରେ ବିସ୍ତାର କରାଯାଇପାରିବ ।
6a694487451957937adddbd682d3851fabd45626	ଅତ୍ୟାଧୁନିକ ପ୍ରଶ୍ନ ଉତ୍ତର ପ୍ରଣାଳୀ (QA) ଉତ୍ତର ଖଣ୍ଡକୁ ପୁନଃ ପ୍ରାପ୍ତ କରିବା ପାଇଁ ଶବ୍ଦ-ସଂଖ୍ୟାବଳୀର ମାନ୍ୟତା ପ୍ରଦାନ କରିଥାଏ । ଏହିପରି ପଦ୍ଧତିଗୁଡିକ ଅନେକ ସମୟରେ ଭୁଲ ପାଠ୍ୟକୁ ପୁନରୁଦ୍ଧାର କରିଥାଏ କାରଣ ପ୍ରଶ୍ନ ଶବ୍ଦଗୁଡ଼ିକ ମଧ୍ୟରେ ସମ୍ପର୍କକୁ ବିଚାରକୁ ନିଆଯାଇନଥାଏ । ପୂର୍ବ ଅଧ୍ୟୟନଗୁଡ଼ିକରେ ପ୍ରଶ୍ନ ଓ ଉତ୍ତର ମଧ୍ୟରେ ନିର୍ଭରଶୀଳତା ସମ୍ପର୍କକୁ ମେଳ କରି ଏହି ସମସ୍ୟାକୁ ସମାଧାନ କରିବା ପାଇଁ ପ୍ରୟାସ କରାଯାଇଥିଲା । ସେମାନେ କଡ଼ାକଡ଼ି ଭାବେ ମେଳ ଖାଉଥିବା ଶବ୍ଦ ବ୍ୟବହାର କରିଥିଲେ, ଯାହାକି ଅର୍ଥଗତ ଭାବେ ସମାନ ସମ୍ପର୍କକୁ ଭିନ୍ନ ଭାବରେ ବାକ୍ୟରେ ପ୍ରକାଶ କଲେ ବିଫଳ ହୁଏ । ଆମେ ପରିସଂଖ୍ୟାନିକ ମଡେଲ ଉପରେ ଆଧାରିତ ଫଜ୍ଜୀ ସମ୍ପର୍କ ମେଳ କରିବାର ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଆମେ ପୂର୍ବ କ୍ୱାଲିଟି କ୍ବାରେଣ୍ଟାଇନ୍ ଯୋଡିରୁ ଶିକ୍ଷା ସମ୍ପର୍କ ମ୍ୟାପିଂ ସ୍କୋର ପାଇଁ ଦୁଇଟି ପଦ୍ଧତି ଉପସ୍ଥାପନ କରୁଛୁ: ଗୋଟିଏ ପାରସ୍ପରିକ ସୂଚନା ଉପରେ ଆଧାରିତ ଏବଂ ଅନ୍ୟଟି ଆଶା ସର୍ବାଧିକକରଣ ଉପରେ ଆଧାରିତ । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଦର୍ଶାଉଛି ଯେ ଆମର ପଦ୍ଧତି ଆଧୁନିକ ଘନତା-ଆଧାରିତ ପାସାଗ୍ରାମ ପୁନରୁଦ୍ଧାର ପଦ୍ଧତିକୁ ଯଥେଷ୍ଟ ଉନ୍ନତ କରିଛି, ଯାହାକି ହାରାହାରି ପାରସ୍ପରିକ ରାଙ୍କରେ 78% ପର୍ଯ୍ୟନ୍ତ ଉନ୍ନତ ଅଟେ । ସମ୍ପର୍କ ମେଳ ମଧ୍ୟ ପ୍ରଶ୍ନ ସଂପ୍ରସାରଣ ଦ୍ୱାରା ଉନ୍ନତ ପ୍ରଣାଳୀରେ 50% ଉନ୍ନତି ଆଣିଥାଏ ।
2538e3eb24d26f31482c479d95d2e26c0e79b990	ଆମେ ଏକ ଏକୀକୃତ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ସ୍ଥାପତ୍ୟ ଏବଂ ଶିକ୍ଷଣ ଆଲଗୋରିଦମ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ବିଭିନ୍ନ ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ କାର୍ଯ୍ୟରେ ପ୍ରୟୋଗ କରାଯାଇପାରିବ, ଯେଉଁଥିରେ ଅନ୍ତର୍ଭୁକ୍ତଃ ଅଂଶ-ଭାଷା ଟ୍ୟାଗିଂ, ଖଣ୍ଡନ, ନାମିତ ସଂସ୍ଥା ଚିହ୍ନଟ, ଏବଂ ଅର୍ଥନୈତିକ ଭୂମିକା ଲେବଲିଂ । ଏହି ବହୁମୁଖୀତା କାର୍ଯ୍ୟ-ନିର୍ଦ୍ଦିଷ୍ଟ ଇଞ୍ଜିନିୟରିଂକୁ ଏଡ଼ାଇବା ପାଇଁ ଚେଷ୍ଟା କରି ଏବଂ ତେଣୁ ପୂର୍ବ ଜ୍ଞାନକୁ ଅଣଦେଖା କରି ହାସଲ କରାଯାଇଥାଏ । ପ୍ରତ୍ୟେକ କାର୍ଯ୍ୟ ପାଇଁ ଯତ୍ନର ସହିତ ଅନୁକୂଳିତ ମନୁଷ୍ୟକୃତ ଇନପୁଟ୍ ବିଶେଷତାଗୁଡ଼ିକୁ ବ୍ୟବହାର କରିବା ପରିବର୍ତ୍ତେ, ଆମ ସିଷ୍ଟମ୍ ବିଶାଳ ପରିମାଣର ଅଧିକାଂଶ ଅଣ-ଲେଟେବୁଲ ଟ୍ରେନିଂ ତଥ୍ୟ ଉପରେ ଆଧାର କରି ଆଭ୍ୟନ୍ତରୀଣ ପ୍ରତିନିଧିତ୍ୱ ଶିଖେ । ଏହି କାର୍ଯ୍ୟକୁ ଏକ ମୁକ୍ତ ଉପଲବ୍ଧ ଟ୍ୟାଗିଂ ସିଷ୍ଟମ ନିର୍ମାଣ ପାଇଁ ଆଧାର ଭାବରେ ବ୍ୟବହାର କରାଯାଏ, ଯାହାର ଭଲ କାର୍ଯ୍ୟଦକ୍ଷତା ଏବଂ ସର୍ବନିମ୍ନ ଗଣନା ଆବଶ୍ୟକତା ଅଛି ।
317deb87586baa4ee7c7b5dfc603ebed94d1da07	ଆମେ ଏକ ନୂଆ ଦ୍ରୁତ ବିଶୁଦ୍ଧ ଭେଦଭାବକାରୀ ଆଲଗୋରିଦମ ପ୍ରାକୃତିକ ଭାଷା ବିଶ୍ଳେଷଣ ପାଇଁ ପ୍ରସ୍ତାବ ଦେଉଛୁ, ଯାହାକି ଏକ ଗଭୀର ପୁନଃପୌନିକ କଭୋଲ୍ୟୁସନାଲ ଗ୍ରାଫ ଟ୍ରାନ୍ସଫର୍ମର ନେଟୱାର୍କ (ଜିଟିଏନ) ଉପରେ ଆଧାରିତ । ଏକ ପାର୍ସ ବୃକ୍ଷର ଏକ ସ୍ତରୀୟ ସ୍ତରୀୟ ସ୍ତରରେ ବିଭାଜନକୁ ଧରିନେଇ, ନେଟୱାର୍କ ପୂର୍ବ ସ୍ତରର ପୂର୍ବାନୁମାନକୁ ଧ୍ୟାନରେ ରଖି ବୃକ୍ଷର ସ୍ତରକୁ ପୂର୍ବାନୁମାନ କରିଥାଏ । କୋଲବର୍ଟ ଏବଂ ୱେଷ୍ଟନ (୨୦୦୮) ଙ୍କ ଠାରୁ ଶବ୍ଦ ପ୍ରତିନିଧିତ୍ୱକୁ ଉପଯୋଗ କରୁଥିବା କିଛି ମୌଳିକ ପାଠ୍ୟ ବ features ଶିଷ୍ଟ୍ୟ ବ୍ୟବହାର କରି, ଆମେ ବିଦ୍ୟମାନ ଶୁଦ୍ଧ ଭେଦଭାବପୂର୍ଣ୍ଣ ପାର୍ସର ଏବଂ ବିଦ୍ୟମାନ "ବେଞ୍ଚମାର୍କ" ପାର୍ସର (କଲିନ୍ସ ପାର୍ସର, ସମ୍ଭାବ୍ୟତା ଭିତ୍ତିକ ପ୍ରସଙ୍ଗ-ମୁକ୍ତ ବ୍ୟାକରଣ ଆଧାରିତ) ସହିତ ସମାନ କାର୍ଯ୍ୟଦକ୍ଷତା (ଏଫ 1 ସ୍କୋରରେ) ଦେଖାଇଥାଉ, ଏକ ବୃହତ ଗତି ଲାଭ ସହିତ _
04cc04457e09e17897f9256c86b45b92d70a401f	ଅନେକ ତଥ୍ୟ ଯେପରିକି ସାମାଜିକ ନେଟୱାର୍କ, ଚଳଚ୍ଚିତ୍ର ପସନ୍ଦ ବା ଜ୍ଞାନ ଆଧାର ବହୁ-ସଂପର୍କୀୟ, ଯେପରିକି ସେମାନେ ବିଭିନ୍ନ ସଂସ୍ଥା ମଧ୍ୟରେ ବହୁ ସମ୍ପର୍କକୁ ବର୍ଣ୍ଣନା କରନ୍ତି । ଏହି ତଥ୍ୟକୁ ମଡେଲ କରିବା ପାଇଁ ଅନେକ କାର୍ଯ୍ୟ କରାଯାଉଛି କିନ୍ତୁ ଏହି ବହୁ ପ୍ରକାରର ସମ୍ପର୍କକୁ ମିଳିତ ଭାବେ ମଡେଲ କରିବା ଏକ ଚ୍ୟାଲେଞ୍ଜ ହୋଇ ରହିଛି । ଆହୁରି ମଧ୍ୟ, ଏହି ପ୍ରକାରର ସଂଖ୍ୟା ବୃଦ୍ଧି ପାଇବା ସହିତ ବର୍ତ୍ତମାନର ଆଭିମୁଖ୍ୟଗୁଡ଼ିକ ବିଘଟିତ ହେବାର ସମ୍ଭାବନା ରହିଛି । ଏହି କାଗଜରେ, ଆମେ ଏକ ପଦ୍ଧତି ପ୍ରସ୍ତାବିତ କରୁଛୁ, ଯେଉଁଥିରେ ବଡ଼ ମଲ୍ଟି-ରିଲେସନାଲ ଡାଟାସେଟର ମଡେଲିଂ କରାଯାଇପାରିବ, ଯେଉଁଥିରେ ସମ୍ଭବତଃ ହଜାର ହଜାର ସମ୍ପର୍କ ଥାଇପାରେ । ଆମର ମଡେଲ ଏକ ବାଇଲିନୟର ଢାଞ୍ଚା ଉପରେ ଆଧାରିତ, ଯାହା ତଥ୍ୟର ବିଭିନ୍ନ ଆଦେଶର ପାରସ୍ପରିକ କ୍ରିୟାକୁ ଧାରଣ କରିଥାଏ, ଏବଂ ବିଭିନ୍ନ ସମ୍ପର୍କ ମଧ୍ୟରେ ବିରଳ ଗୁପ୍ତ କାରକଗୁଡ଼ିକୁ ମଧ୍ୟ ବାଣ୍ଟିଥାଏ । ଆମେ ମାନକ ଟେନସର-ଫ୍ୟାକ୍ଟୋରିଜେସନ୍ ଡାଟାସେଟ୍ ଉପରେ ଆମର ଆଭିମୁଖ୍ୟର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଦର୍ଶାଇବୁ ଯେଉଁଠାରେ ଆମେ ଅତ୍ୟାଧୁନିକ ଫଳାଫଳ ହାସଲ କରିଥାଉ କିମ୍ବା ଅତିକ୍ରମ କରିଥାଉ । ଶେଷରେ, ଏକ ଏନଏଲପି ପ୍ରୟୋଗ ଆମର ମାପଦଣ୍ଡ ଏବଂ ଆମର ମଡେଲର ଦକ୍ଷତା ଏବଂ ଅର୍ଥପୂର୍ଣ୍ଣ ଅର୍ଥପୂର୍ଣ୍ଣ କ୍ରିୟା ପ୍ରତିନିଧିତ୍ୱ ଶିଖିବାର କ୍ଷମତାକୁ ଦର୍ଶାଇଥାଏ ।
052b1d8ce63b07fec3de9dbb583772d860b7c769	ଆମେ ଏକ ନୂଆ ଶିକ୍ଷଣ ପଦ୍ଧତିର ବର୍ଣ୍ଣନା କରିଛୁ, ନାଇରୋନ୍ ଭଳି ୟୁନିଟ୍ ର ନେଟୱାର୍କ ପାଇଁ, ବ୍ୟାକ୍-ପ୍ରୋପାଗେସନ୍ । ଏହି ପ୍ରକ୍ରିୟା ନେଟୱର୍କରେ ସଂଯୋଗର ଓଜନକୁ ବାରମ୍ବାର ସଜାଡ଼େ ଯାହା ଦ୍ବାରା ନେଟୱର୍କର ବାସ୍ତବିକ ଆଉଟପୁଟ୍ ଭେକ୍ଟର ଓ ଇଚ୍ଛାକୃତ ଆଉଟପୁଟ୍ ଭେକ୍ଟର ମଧ୍ୟରେ ଥିବା ପାର୍ଥକ୍ୟକୁ କମ୍ କରାଯାଇପାରିବ । ଓଜନ ସଂଶୋଧନ ଫଳରେ, ଇନପୁଟ୍ କିମ୍ବା ଆଉଟପୁଟ୍ ର ଅଂଶବିଶେଷ ନଥିବା ଆଭ୍ୟନ୍ତରୀଣ "ଗୁପ୍ତ" ଏକକଗୁଡ଼ିକ କାର୍ଯ୍ୟ କ୍ଷେତ୍ରର ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ବୈଶିଷ୍ଟ୍ୟକୁ ପ୍ରତିନିଧିତ୍ୱ କରିବାକୁ ଆସେ, ଏବଂ କାର୍ଯ୍ୟରେ ନିୟମିତତା ଏହି ଏକକଗୁଡ଼ିକର ପାରସ୍ପରିକ କ୍ରିୟାକର୍ମ ଦ୍ୱାରା ଧରାଯାଏ । ଉପଯୋଗୀ ନୂଆ ବିଶେଷତ୍ୱ ସୃଷ୍ଟି କରିବାର କ୍ଷମତା, ପୂର୍ବବର୍ତ୍ତୀ, ସରଳ ପଦ୍ଧତି ଯେପରିକି ପରସେପ୍ଟ୍ରନ୍-କନଭରଜେନ୍ସ ପଦ୍ଧତି ଠାରୁ ବ୍ୟାକ ପ୍ରପାଗେସନକୁ ପୃଥକ କରିଥାଏ ।
07f3f736d90125cb2b04e7408782af411c67dd5a	ଅନେକ ପ୍ରାକୃତିକ ଭାଷା କାର୍ଯ୍ୟ ପାଇଁ ଅର୍ଥଗତ ମେଳ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ [୨,୨୮] । ଏକ ସଫଳ ମେଳ ଖାଉଥିବା ଆଲଗୋରିଦମ ଭାଷାର ବସ୍ତୁମାନଙ୍କର ଆଭ୍ୟନ୍ତରୀଣ ସଂରଚନା ଏବଂ ସେଗୁଡ଼ିକ ମଧ୍ୟରେ ପାରସ୍ପରିକ କ୍ରିୟାକଳାପକୁ ଉପଯୁକ୍ତ ଭାବରେ ମଡେଲ୍ କରିବା ଆବଶ୍ୟକ । ଏହି ଲକ୍ଷ୍ୟ ହାସଲ କରିବା ଦିଗରେ ଏକ ପଦକ୍ଷେପ ସ୍ୱରୂପ, ଆମେ ଦୁଇଟି ବାକ୍ୟର ମେଳ ପାଇଁ କଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ମଡେଲର ପ୍ରସ୍ତାବ ଦେଉଛୁ, ଯାହା ଦୃଷ୍ଟି ଏବଂ ବକ୍ତବ୍ୟରେ କଭୋଲ୍ୟୁସନାଲ ରଣନୀତିକୁ ଅନୁକୂଳ କରିଥାଏ । ପ୍ରସ୍ତାବିତ ମଡେଲଗୁଡ଼ିକ କେବଳ ଶବ୍ଦଗୁଡ଼ିକର ଶ୍ରେଣୀଗତ ଢାଞ୍ଚାକୁ ସେମାନଙ୍କର ସ୍ତର-ସ୍ତର ରଚନା ଏବଂ ପୁଲିଂ ସହିତ ସୁନ୍ଦର ଭାବରେ ପ୍ରତିନିଧିତ୍ୱ କରନ୍ତି ନାହିଁ, ବରଂ ବିଭିନ୍ନ ସ୍ତରରେ ସମୃଦ୍ଧ ମେଳ ଖାଉଥିବା ପ୍ୟାଟର୍ନଗୁଡ଼ିକୁ ମଧ୍ୟ ଧାରଣ କରନ୍ତି । ଆମର ମଡେଲଗୁଡ଼ିକ ସାଧାରଣ ଅଟେ, ଭାଷାର କୌଣସି ପୂର୍ବ ଜ୍ଞାନର ଆବଶ୍ୟକତା ନାହିଁ, ଏବଂ ତେଣୁ ବିଭିନ୍ନ ପ୍ରକୃତିର ଏବଂ ବିଭିନ୍ନ ଭାଷାରେ କାର୍ଯ୍ୟଗୁଡିକର ମେଳ କରିବାରେ ପ୍ରୟୋଗ କରାଯାଇପାରିବ । ବିଭିନ୍ନ ପ୍ରକାର ମେଳ ଖାଉଥିବା କାର୍ଯ୍ୟ ଉପରେ ହୋଇଥିବା ଅନୁଭୂତି ଆଧାରିତ ଅଧ୍ୟୟନ ବିଭିନ୍ନ ପ୍ରକାର ମେଳ ଖାଉଥିବା କାର୍ଯ୍ୟ ଉପରେ ପ୍ରସ୍ତାବିତ ମଡେଲର ପ୍ରଭାବ ଏବଂ ପ୍ରତିଦ୍ୱନ୍ଦୀ ମଡେଲ ତୁଳନାରେ ଏହାର ଉତ୍କୃଷ୍ଟତା ଦର୍ଶାଇଥାଏ ।
0af737eae02032e66e035dfed7f853ccb095d6f5	ଉତ୍ତର ଚୟନ (ଏଏସ), ବାକ୍ୟର ପୁନଃବିନ୍ୟାସ ଚିହ୍ନଟ (ପିଆଇ) ଏବଂ ପାଠ୍ୟ ଅନ୍ତର୍ଭୁକ୍ତୀକରଣ (ଟିଇ) ଭଳି ଅନେକ ଏନଏଲପି କାର୍ଯ୍ୟରେ ବାକ୍ୟର ଯୋଡି କିପରି ମଡେଲ୍ କରାଯିବ ତାହା ଏକ ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ପ୍ରସଙ୍ଗ । ଅଧିକାଂଶ ପୂର୍ବ କାର୍ଯ୍ୟ (i) ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ପ୍ରଣାଳୀକୁ ସୂକ୍ଷ୍ମ ଭାବରେ ଟ୍ୟୁନ୍ କରି ଏକ ବ୍ୟକ୍ତିଗତ କାର୍ଯ୍ୟ ସହିତ ଜଡିତ; (ii) ପ୍ରତ୍ୟେକ ବାକ୍ୟର ପ୍ରତିନିଧିତ୍ୱକୁ ପୃଥକ ଭାବରେ ମଡେଲ୍ କରେ, ଅନ୍ୟ ବାକ୍ୟର ପ୍ରଭାବକୁ କ୍ୱଚିତ୍ ବିଚାର କରେ; କିମ୍ବା (iii) ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ହସ୍ତନିର୍ମାଣ, କାର୍ଯ୍ୟ-ନିର୍ଦ୍ଦିଷ୍ଟ ଭାଷା ବିଶେଷତା ଉପରେ ନିର୍ଭର କରେ _ ଏହି କାର୍ଯ୍ୟରେ ଏକ ସାଧାରଣ ଧ୍ୟାନ ଆଧାରିତ କନଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କ (ଏବିସିଏନଏନ) ଉପସ୍ଥାପିତ କରାଯାଇଛି । ଆମେ ତିନୋଟି ଯୋଗଦାନ ଦେଉଛୁ । (i) ABCNNକୁ ବିଭିନ୍ନ ପ୍ରକାର କାର୍ଯ୍ୟରେ ପ୍ରୟୋଗ କରାଯାଇପାରିବ ଯେଉଁଥିପାଇଁ ବାକ୍ୟ ଯୋଡିର ମଡେଲିଂ ଆବଶ୍ୟକ । (ii) ଆମେ ତିନୋଟି ଧ୍ୟାନ ଯୋଜନା ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ସିଏନଏନରେ ବାକ୍ୟଗୁଡ଼ିକ ମଧ୍ୟରେ ପାରସ୍ପରିକ ପ୍ରଭାବକୁ ଏକୀକୃତ କରେ; ଏହିପରି ଭାବରେ, ପ୍ରତ୍ୟେକ ବାକ୍ୟର ପ୍ରତିନିଧିତ୍ୱ ଏହାର ପ୍ରତିପକ୍ଷକୁ ବିଚାରକୁ ନେଇଥାଏ । ଏହି ପରସ୍ପର ନିର୍ଭରଶୀଳ ବାକ୍ୟ ଯୋଡି ପ୍ରତିନିଧିତ୍ୱ ପୃଥକ ବାକ୍ୟ ପ୍ରତିନିଧିତ୍ୱ ଅପେକ୍ଷା ଅଧିକ ଶକ୍ତିଶାଳୀ । (iii) ଏସଏନବିଏନଗୁଡ଼ିକ ଏଏସ, ଆଇପି ଏବଂ ଟିଇ କାର୍ଯ୍ୟରେ ଅତ୍ୟାଧୁନିକ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରିଥାନ୍ତି । ଆମେ ଏହି କୋଡକୁ https://github.com/yinwenpeng/Answer_Selection ରେ ଜାରି କରୁଛୁ ।
1c059493904b2244d2280b8b4c0c7d3ca115be73	ନେଟୱର୍କରେ ନୋଡ ଏବଂ ଏଜ ଉପରେ ପୂର୍ବାନୁମାନ କାର୍ଯ୍ୟ ପାଇଁ ଇଞ୍ଜିନିୟରିଂ ବୈଶିଷ୍ଟ୍ୟରେ ଯତ୍ନଶୀଳ ପ୍ରୟାସ ଆବଶ୍ୟକ କରେ ଯାହା ଶିକ୍ଷଣ ଆଲଗୋରିଦମ ଦ୍ୱାରା ବ୍ୟବହୃତ ହୁଏ । ପ୍ରତିନିଧିତ୍ୱ ଶିକ୍ଷଣର ବ୍ୟାପକ କ୍ଷେତ୍ରରେ ସାମ୍ପ୍ରତିକ ଗବେଷଣା ଦ୍ୱାରା ବିଶେଷତ୍ୱଗୁଡ଼ିକ ନିଜେ ଶିକ୍ଷଣ କରି ପୂର୍ବାନୁମାନକୁ ସ୍ୱୟଂଚାଳିତ କରିବାରେ ଉଲ୍ଲେଖନୀୟ ଅଗ୍ରଗତି ହୋଇଛି । କିନ୍ତୁ ବର୍ତ୍ତମାନର ବୈଶିଷ୍ଟ୍ୟ ଶିକ୍ଷଣ ପଦ୍ଧତି ନେଟୱାର୍କରେ ଦେଖାଯାଉଥିବା ସଂଯୋଗୀକରଣର ବିଭିନ୍ନତା ପ୍ରତିଫଳିତ କରିବା ପାଇଁ ଯଥେଷ୍ଟ ନୁହେଁ । ଏଠାରେ ଆମେ ନୋଡ2ଭେକ୍ କୁ ପ୍ରସ୍ତାବ ଦେଉଛୁ, ନେଟୱର୍କରେ ନୋଡ ପାଇଁ ନିରନ୍ତର ବୈଶିଷ୍ଟ୍ୟ ପ୍ରତିନିଧିତ୍ୱ ଶିଖିବା ପାଇଁ ଏକ ଆଲଗୋରିଦମୀୟ ଢାଞ୍ଚା । node2vec ରେ, ଆମେ ନୋଡର ମ୍ୟାପିଂକୁ ଏକ ନିମ୍ନ-ଆକାର ବିଶିଷ୍ଟ ସ୍ପେସକୁ ଶିଖୁ ଯାହା ନୋଡର ନେଟୱର୍କ ପଡ଼ୋଶୀକୁ ସଂରକ୍ଷଣ କରିବାର ସମ୍ଭାବନାକୁ ସର୍ବାଧିକ କରିଥାଏ । ଆମେ ନୋଡର ନେଟୱର୍କ ପଡ଼ୋଶୀ ପାଇଁ ଏକ ନମନୀୟ ଧାରଣାକୁ ପରିଭାଷିତ କରିଥାଉ ଏବଂ ଏକ ପକ୍ଷପାତିତ ରାଣ୍ଡମ ୱାକ ପ୍ରକ୍ରିୟା ଡିଜାଇନ କରିଥାଉ, ଯାହା ବିଭିନ୍ନ ପଡ଼ୋଶୀକୁ ଦକ୍ଷତାର ସହିତ ଅନୁସନ୍ଧାନ କରିଥାଏ । ଆମର ଆଲଗୋରିଦମ ପୂର୍ବ କାର୍ଯ୍ୟକୁ ସାଧାରଣ କରିଥାଏ ଯାହାକି ନେଟୱର୍କ ପଡ଼ୋଶୀମାନଙ୍କର କଠିନ ଧାରଣା ଉପରେ ଆଧାରିତ ହୋଇଥାଏ, ଏବଂ ଆମେ ଯୁକ୍ତି କରିଥାଉ ଯେ ପଡ଼ୋଶୀମାନଙ୍କୁ ଅନୁସନ୍ଧାନ କରିବାରେ ଅତିରିକ୍ତ ନମନୀୟତା ହେଉଛି ଅଧିକ ସମୃଦ୍ଧ ପ୍ରତିନିଧିତ୍ୱ ଶିଖିବାର ଚାବି । ଆମେ ନୋଡ2ଭେକର ପ୍ରଭାବକୁ ବିଭିନ୍ନ କ୍ଷେତ୍ରରେ ଥିବା ବାସ୍ତବ ଦୁନିଆର ନେଟୱର୍କରେ ମଲ୍ଟି-ଲେବଲ ବର୍ଗୀକରଣ ଏବଂ ଲିଙ୍କ୍ ପୂର୍ବାନୁମାନ ଉପରେ ବର୍ତ୍ତମାନର ଅତ୍ୟାଧୁନିକ କୌଶଳ ଉପରେ ପ୍ରଦର୍ଶନ କରୁଛୁ । ଏକତ୍ରିତ ହୋଇ, ଆମର କାର୍ଯ୍ୟ ଜଟିଳ ନେଟୱାର୍କରେ ଅତ୍ୟାଧୁନିକ କାର୍ଯ୍ୟ-ସ୍ୱାଧୀନ ପ୍ରତିନିଧିତ୍ୱକୁ ଦକ୍ଷତାର ସହିତ ଶିଖିବାର ଏକ ନୂତନ ଉପାୟକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ ।
de93c4f886bdf55bfc1bcaefad648d5996ed3302	ଏହି ଅଧ୍ୟାୟରେ ଆଧୁନିକ ଅନୁପ୍ରବେଶ ଚିହ୍ନଟ କରିବାର ସ୍ଥିତି ଉପରେ ଆଲୋଚନା କରାଯାଇଛି, ଯେଉଁଥିରେ ଡାଟା ମାଇନିଂର ଉଦୀୟମାନ ଦୃଷ୍ଟିକୋଣ ଉପରେ ବିଶେଷ ଗୁରୁତ୍ୱ ଦିଆଯାଇଛି । ଏହି ଆଲୋଚନାରେ ଅନୁପ୍ରବେଶ ଚିହ୍ନଟ କରିବାର ଦୁଇଟି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଦିଗ ଉପରେ ଆଲୋଚନା କରାଯାଇଥିଲା: ସାଧାରଣ ଚିହ୍ନଟ ରଣନୀତି (ଅପବ୍ୟବହାର ଚିହ୍ନଟ ଓ ବ୍ୟତିକ୍ରମ ଚିହ୍ନଟ) ଏବଂ ତଥ୍ୟ ଉତ୍ସ (ଏକକ ହୋଷ୍ଟ ଓ ନେଟୱର୍କ ଟ୍ରାଫିକ) । ଅପବ୍ୟବହାର ଚିହ୍ନଟ ଜଣାଶୁଣା ଅନୁପ୍ରବେଶର ମଡେଲ ସହିତ ମେଳ କରିବାକୁ ଚେଷ୍ଟା କରେ , ଯେତେବେଳେ କି ବ୍ୟତିକ୍ରମ ଚିହ୍ନଟ ସାଧାରଣ ଆଚରଣରୁ ବିଚ୍ୟୁତି ଖୋଜେ _ ଦୁଇଟି ପଦ୍ଧତି ମଧ୍ୟରେ, କେବଳ ବ୍ୟତିକ୍ରମ ଚିହ୍ନଟ ଅଜଣା ଆକ୍ରମଣକୁ ଚିହ୍ନଟ କରିବାର କ୍ଷମତା ରଖିଥାଏ । ବିଶେଷକରି ଅସମାନତା ଚିହ୍ନଟ ପାଇଁ ଏକ ଆଶାନୁରୂପ ଉପାୟ ହେଉଛି ମେସିନ ଶିକ୍ଷଣର ଅନ୍ୟ ପ୍ରକାର ଯଥା ଶ୍ରେଣୀକରଣ ସହିତ ଆସୋସିଏସନ ଖନନକୁ ମିଶ୍ରଣ କରିବା । ଏହା ସହିତ, ଏକ ଇନଟ୍ରୁସନ୍ ଡିଟେକ୍ସନ୍ ସିଷ୍ଟମ୍ ବ୍ୟବହାର କରୁଥିବା ଡାଟା ଉତ୍ସ, ଏହା ଚିହ୍ନଟ କରିପାରୁଥିବା ଆକ୍ରମଣର ପ୍ରକାର ଉପରେ ଗୁରୁତର ପ୍ରଭାବ ପକାଇଥାଏ । ଉପଲବ୍ଧ ବିସ୍ତୃତ ସୂଚନାର ସ୍ତରରେ ଏକ ତାରତମ୍ୟ ରହିଛି । ବାରବାରା ଆଦି । (ସମ୍ପାଦନା) ), ଡାଟା ମାଇନିଂର ପ୍ରୟୋଗ କମ୍ପ୍ୟୁଟର ସୁରକ୍ଷା © କ୍ଲୁୱର ଏକାଡେମିକ୍ ପ୍ରକାଶକ 2002 s
9e00005045a23f3f6b2c9fca094930f8ce42f9f6
2ec2f8cd6cf1a393acbc7881b8c81a78269cf5f7	ଆମେ ଏକ ମଲ୍ଟି-ମୋଡାଲ୍ କଳ୍ପନା ପ୍ରତିନିଧିତ୍ୱ ନିର୍ମାଣ କରୁ ଯାହା ଏକ ସ୍କିପ୍-ଗ୍ରାମ ଭାଷା ପ୍ରତିନିଧିତ୍ୱ ଭେକ୍ଟରକୁ ଏକ ଭିଜୁଆଲ୍ କଳ୍ପନା ପ୍ରତିନିଧିତ୍ୱ ଭେକ୍ଟର ସହିତ ଏକ ଗଭୀର କଭୋଲ୍ୟୁସନାଲ୍ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ (ସିଏନ୍ଏନ୍) ର ଫିଚର୍ ଏକ୍ସଟ୍ରାକସନ୍ ସ୍ତର ବ୍ୟବହାର କରି ଗଣନା କରାଯାଇଥାଏ ଯାହା ଏକ ବୃହତ ଲେବଲ୍ ବସ୍ତୁ ଚିହ୍ନଟ ଡାଟାସେଟ୍ ଉପରେ ତାଲିମପ୍ରାପ୍ତ ହୋଇଥାଏ । ଏହି ଟ୍ରାନ୍ସଫର ଲର୍ଣ୍ଣିଂ ଆଭିମୁଖ୍ୟ ପାରମ୍ପରିକ ବ୍ୟାଗ୍ ଅଫ୍ ଭିଜୁଆଲ୍ ୱାର୍ଡ ଆଭିମୁଖ୍ୟ ଉପରେ ଆଧାରିତ ବୈଶିଷ୍ଟ୍ୟଗୁଡିକ ଉପରେ ସ୍ପଷ୍ଟ କାର୍ଯ୍ୟଦକ୍ଷତା ଲାଭ ଆଣିଥାଏ । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ WordSim353 ଏବଂ MEN ସେମାଂଟିକ୍ ସମ୍ବନ୍ଧୀୟତା ମୂଲ୍ୟାଙ୍କନ କାର୍ଯ୍ୟ ଉପରେ ରିପୋର୍ଟ କରାଯାଇଛି । ଆମେ ଇମେଜନେଟ କିମ୍ବା ଇଏସପି ଗେମ୍ ଇମେଜ ବ୍ୟବହାର କରି ଗଣିତ ହୋଇଥିବା ଭିଜୁଆଲ ଫିଚର ବ୍ୟବହାର କରୁ ।
a65e815895bed510c0549957ce6baa129c909813	ଆମେ ଅଣ-ସଂଯୋଗୀ ମର୍ଫୋଲୋଜି ଶିଖିବା ପାଇଁ ଏକ ଅଣ-ନିରୀକ୍ଷିତ ପଦ୍ଧତି ପ୍ରସ୍ତାବ ଦେଉଛୁ, ଯାହାକୁ ଆମେ ଆରବୀ ମୂଳ ଏବଂ ପ୍ୟାଟର୍ନ ଟେମ୍ପଲେଟର ଏକ ଶବ୍ଦକୋଷ ସୃଷ୍ଟି କରିବା ପାଇଁ ପ୍ରୟୋଗ କରୁ । ଏହି ପଦ୍ଧତିର ଆଧାର ହେଉଛି ଏହି ଧାରଣା ଯେ ମୂଳ ଏବଂ ମଡେଲ ଗୁଡିକୁ ପରସ୍ପରର ପୁନଃପୌନିକ ସ୍କୋରିଂ ମାଧ୍ୟମରେ ପ୍ରକାଶ କରାଯାଇପାରିବ ଯାହା ପରିକଳ୍ପିତ ମଡେଲ ଏବଂ ମୂଳ ଫ୍ରିକ୍ୱେନ୍ସି ଉପରେ ଆଧାରିତ । ପରବର୍ତ୍ତୀ ପର୍ଯ୍ୟାୟରେ ପୁନଃ କ୍ରମିକ ଉନ୍ନତି ପରେ, ଇଣ୍ଡ୍ୟୁସଡ ଲେକସିକନ ସହିତ ମର୍ଫୋଲୋଜିକାଲ ବିଶ୍ଳେଷଣ ୯୪% ରୁ ଅଧିକ ମୂଳ ଚିହ୍ନଟ ସଠିକତା ହାସଲ କରେ । ଆମର ଆଭିମୁଖ୍ୟ ପୂର୍ବ କାର୍ଯ୍ୟଠାରୁ ଭିନ୍ନ, ଯାହା ଆରବୀ ଶବ୍ଦକୋଷର ବିନା ତଦାରଖରେ ଶିକ୍ଷାଲାଭ ଉପରେ ଥିଲା, କାରଣ ଏହା ସ୍ୱାଭାବିକ ଭାବରେ ଲିଖିତ, ଅଶବ୍ଦହୀନ ପାଠ୍ୟ ପାଇଁ ପ୍ରଯୁଜ୍ୟ ।
3f4e71d715fce70c89e4503d747aad11fcac8a43	ଏହି କେସ ଷ୍ଟଡିରେ ଅଟୋ ଇନକର୍ପୋରେସନ୍ର ତିନିଟି ଭିନ୍ନ ଭିନ୍ନ ଡିଜିଟାଲ ନବସୃଜନ ପ୍ରକଳ୍ପର ସମୀକ୍ଷା କରାଯାଇଛି -- ଏକ ବୃହତ ୟୁରୋପୀୟ ଅଟୋ ନିର୍ମାତା । ପ୍ରତିଯୋଗିତାମୂଳକ ମୂଲ୍ୟବୋଧ ଢାଞ୍ଚାକୁ ଏକ ଥିଓରିଟିକାଲ ଲେନ୍ସ ଭାବେ ବ୍ୟବହାର କରି ଆମେ ଏକ ଫାର୍ମରେ କିପରି ଭାବେ ଗତିଶୀଳ ସାମର୍ଥ୍ୟ ସୃଷ୍ଟି ହୋଇଥାଏ ତାହା ଅନୁସନ୍ଧାନ କରିଥାଉ । ଏହି ଡିଜିଟାଲକରଣ ପ୍ରକ୍ରିୟାରେ, ଆମର ଅଧ୍ୟୟନ ସୂଚାଇ ଦେଉଛି ଯେ ପ୍ରତିଷ୍ଠିତ ସାମାଜିକ-ବୈଷୟିକ ସମାନତା ଆହ୍ୱାନର ସମ୍ମୁଖୀନ ହେଉଛି । ଅଧିକନ୍ତୁ, ଆମେ ସଂସ୍ଥାଗୁଡ଼ିକ ପାଇଁ ଡିଜିଟାଲାଇଜେସନ୍ ଯୁଗରେ ନୂତନ ପରୀକ୍ଷାମୂଳକ ଶିକ୍ଷଣ ପ୍ରକ୍ରିୟାକୁ ଗ୍ରହଣ କରିବାର ଉପାୟ ଖୋଜିବାର ଆବଶ୍ୟକତା ଉପରେ ଆଲୋକପାତ କରୁଛୁ । ଏହି ପରିବର୍ତ୍ତନ ପାଇଁ ଦୀର୍ଘକାଳୀନ ପ୍ରତିବଦ୍ଧତା ଏବଂ ଦୃଷ୍ଟିକୋଣ ଆବଶ୍ୟକ ଥିବାବେଳେ ଏହି ଅଧ୍ୟୟନ ଏହିପରି ପରୀକ୍ଷାମୂଳକ ପ୍ରକ୍ରିୟା ପାଇଁ ତିନୋଟି ଅଣଆନୁଷ୍ଠାନିକ ସକ୍ଷମକାରୀ ଉପସ୍ଥାପନ କରିଛି । ଏହି ସକ୍ଷମକାରୀମାନେ ହେଉଛନ୍ତି ସମୟ, ନିରନ୍ତରତା ଏବଂ ଯୋଗାଯୋଗ ।
c22366074e3b243f2caaeb2f78a2c8d56072905e	ଏକ ଲମ୍ବ-ସ୍ରୋତଯୁକ୍ତ ରେଜ ୱେବ ଗାଇଡ ଆଣ୍ଟିନା ମଞ୍ଚ ଏକ କମ୍ପାକ୍ଟ ଟ୍ରାନ୍ସଭର୍ସାଲ ଆକାର ସହିତ ଉପସ୍ଥାପିତ ହୋଇଛି । ଆରେର ବ୍ୟାଣ୍ଡୱିଡଥ୍ କୁ ବିସ୍ତାର କରିବା ପାଇଁ ଏହାକୁ ଦୁଇଟି ଉପ-ଆରେରେ ବିଭକ୍ତ କରାଯାଇଛି । ଡିଜାଇନର ବୈଧତା ଯାଞ୍ଚ କରିବା ପାଇଁ ଏକ ୧୬-ଏଲେମେଣ୍ଟ ୟୁନିଫର୍ମ ଲିନିୟର ଆରେକୁ X-ବ୍ୟାଣ୍ଡରେ ନିର୍ମାଣ କରାଯାଇଥିଲା ଏବଂ ମାପ କରାଯାଇଥିଲା । S11les-15 dBର ମାପିତ ବ୍ୟାଣ୍ଡୱିଡଥ୍ 14.9% ଏବଂ ମାପିତ କ୍ରସ୍-ପୋଲାରାଇଜେସନ୍ ସ୍ତର ସମଗ୍ର ବ୍ୟାଣ୍ଡୱିଡଥ୍ ଉପରେ -36 dBରୁ କମ୍ । ଏହି ଆରେକୁ ଏଜ-ସ୍ଲଟ୍ ୱେଭ୍ ଗାଇଡ୍ ଆରେ ସହିତ ମିଶାଇ ସିନ୍ଥେଟିକ୍ ଆପେଚର ରାଡାର (SAR) ପ୍ରୟୋଗ ପାଇଁ ଏକ ଦୁଇ-ଆକାରର ଦ୍ୱି-ପୋଲାରାଇଜେସନ୍ ଆଣ୍ଟିନା ଆରେ ନିର୍ମାଣ କରାଯାଇପାରିବ
0d57ba12a6d958e178d83be4c84513f7e42b24e5	ଗଭୀର ଶିକ୍ଷାଲାଭ ବଡ଼ ବଡ଼ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଓ ବଡ଼ ବଡ଼ ଡାଟାସେଟରେ ସଫଳ ହୁଏ । କିନ୍ତୁ ବଡ଼ ନେଟୱାର୍କ ଓ ବଡ଼ ଡାଟାସେଟ ଯୋଗୁ ତାଲିମ ସମୟ ବଢ଼ିଯାଏ, ଯାହା ଗବେଷଣା ଓ ବିକାଶର ଅଗ୍ରଗତିକୁ ବାଧାପ୍ରାପ୍ତ କରିଥାଏ । ବିଭାଜିତ ସମକାଳୀନ ଏସଜିଡି ଏହି ସମସ୍ୟାର ଏକ ସମ୍ଭାବ୍ୟ ସମାଧାନ ପ୍ରଦାନ କରିଥାଏ, ଯେଉଁଥିରେ ଏସଜିଡି ମିନି ବ୍ୟାଚକୁ ସମାନ୍ତରାଳ କର୍ମଚାରୀଙ୍କ ଏକ ପୁଲରେ ବିଭକ୍ତ କରାଯାଇଥାଏ । କିନ୍ତୁ ଏହି ଯୋଜନାକୁ ପ୍ରଭାବୀ କରିବା ପାଇଁ ପ୍ରତି ଶ୍ରମିକଙ୍କ ଉପରେ ଅଧିକ କାର୍ଯ୍ୟଭାର ରହିବା ଆବଶ୍ୟକ, ଯାହା ଏସଜିଡି ମିନି ବ୍ୟାଚର ଆକାରରେ ଯଥେଷ୍ଟ ବୃଦ୍ଧିକୁ ସୂଚାଉଛି । ଏହି କାଗଜରେ, ଆମେ ଅନୁଭବୀ ଭାବରେ ଦେଖାଇଛୁ ଯେ ଇମେଜନେଟ୍ ଡାଟାସେଟରେ ବଡ଼ ମିନି ବ୍ୟାଚ୍ ଅପ୍ଟିମାଇଜେସନ୍ ଅସୁବିଧା ସୃଷ୍ଟି କରେ, କିନ୍ତୁ ଯେତେବେଳେ ଏଗୁଡ଼ିକୁ ସମ୍ବୋଧିତ କରାଯାଏ ତାଲିମପ୍ରାପ୍ତ ନେଟୱାର୍କଗୁଡିକ ଭଲ ସାଧାରଣୀକରଣ ପ୍ରଦର୍ଶନ କରନ୍ତି । ବିଶେଷକରି, 8192ଟି ପ୍ରତିଛବି ପର୍ଯ୍ୟନ୍ତ ବଡ଼ ମିନି ବ୍ୟାଚ୍ ଆକାର ସହିତ ତାଲିମ ସମୟରେ ଆମେ କୌଣସି ସଠିକତା ହରାଇ ନଥିବା ଦେଖୁଛୁ । ଏହି ଫଳାଫଳକୁ ହାସଲ କରିବା ପାଇଁ, ଆମେ ଏକ ଲିନିୟର ସ୍କେଲିଂ ନିୟମକୁ ଗ୍ରହଣ କରିଛୁ, ଯାହାଦ୍ୱାରା ଲର୍ଣ୍ଣିଂ ହାରକୁ ମିନି ବ୍ୟାଚର ଆକାରର ଏକ ଫଙ୍କସନ ଭାବରେ ଆଡଜଷ୍ଟ କରାଯାଇପାରିବ ଏବଂ ଏକ ନୂତନ ୱାର୍ମ ଅପ୍ ସ୍କିମ୍ ବିକଶିତ କରାଯାଇପାରିବ ଯାହା ତାଲିମର ପ୍ରାରମ୍ଭିକ ପର୍ଯ୍ୟାୟରେ ଅପ୍ଟିମାଇଜେସନ୍ ଆହ୍ୱାନକୁ ଦୂର କରିପାରିବ । ଏହି ସରଳ କୌଶଳ ସହିତ, ଆମର Caffe2- ଆଧାରିତ ସିଷ୍ଟମ ଏକ ଘଣ୍ଟାରେ 256 GPU ରେ 8192 ମିନି ବ୍ୟାଚ୍ ଆକାର ସହିତ ResNet50 କୁ ତାଲିମ ଦେଇଥାଏ, ଯେତେବେଳେ ଛୋଟ ମିନି ବ୍ୟାଚ୍ ସଠିକତା ସହିତ ମେଳ ଖାଏ । କମୋଡିଟି ହାର୍ଡୱେର ବ୍ୟବହାର କରି, ଆମର କାର୍ଯ୍ୟକାରିତା ୮ ରୁ ୨୫୬ GPU କୁ ଯିବାବେଳେ ∼୯୦% ସ୍କେଲିଂ ଦକ୍ଷତା ହାସଲ କରିଥାଏ । ଏହି ବ୍ୟବସ୍ଥା ଆମକୁ ଇଣ୍ଟରନେଟ ପରିମାପକ ତଥ୍ୟ ଉପରେ ଉଚ୍ଚ ଦକ୍ଷତା ସହିତ ଦୃଶ୍ୟମାନ ଚିହ୍ନଟ ମଡେଲକୁ ପ୍ରଶିକ୍ଷଣ ଦେବାରେ ସକ୍ଷମ କରେ ।
2bbe9735b81e0978125dad005656503fca567902	କର୍ଣ୍ଣଲ ରୁଟକିଟ କମ୍ପ୍ୟୁଟର ସିଷ୍ଟମ ପାଇଁ ଏକ ଭୟଙ୍କର ବିପଦ । ସେମାନେ ଅଦୃଶ୍ୟ ଅଟନ୍ତି ଏବଂ ସିଷ୍ଟମ ସମ୍ବଳକୁ ଅସୀମିତ ପ୍ରବେଶ କରିପାରନ୍ତି । ଏହି କାଗଜରେ NumChecker, ଏକ ନୂତନ ଭର୍ଚୁଆଲ୍ ମେସିନ୍ (ଭିଏମ୍) ମନିଟର ଆଧାରିତ ଫ୍ରେମୱାର୍କକୁ ଉପସ୍ଥାପନ କରାଯାଇଛି ଯାହା ଏକ ଅତିଥି ଭର୍ଚୁଆଲ୍ ମେସିନରେ ନିୟନ୍ତ୍ରଣ-ପ୍ରବାହ ପରିବର୍ତ୍ତନ କରୁଥିବା କର୍ଣ୍ଣଲ୍ ରୁଟକିଟ୍ କୁ ଚିହ୍ନଟ ଏବଂ ଚିହ୍ନଟ କରିଥାଏ । NumChecker ସିଷ୍ଟମ କଲ ର କାର୍ଯ୍ୟକାରିତା ସମୟରେ ଘଟୁଥିବା କିଛି ହାର୍ଡୱେର ଘଟଣାର ସଂଖ୍ୟା ମାପ କରି ଅତିଥି VM ରେ ସିଷ୍ଟମ କଲ କୁ କ୍ଷତିକାରକ ପରିବର୍ତ୍ତନକୁ ଚିହ୍ନଟ କରେ ଏବଂ ଚିହ୍ନଟ କରେ। ଏହି ଘଟଣା ଗୁଡିକୁ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଗଣନା କରିବା ପାଇଁ, NumChecker ହାର୍ଡୱେୟାର ପରଫରମାନ୍ସ କାଉଣ୍ଟର (HPCs) କୁ ବ୍ୟବହାର କରିଥାଏ, ଯାହା ଆଧୁନିକ ପ୍ରୋସେସରରେ ରହିଛି । ଏଚପିସିର ବ୍ୟବହାର ଦ୍ୱାରା ଯାଞ୍ଚ ଖର୍ଚ୍ଚ ଯଥେଷ୍ଟ ହ୍ରାସ ପାଇଥାଏ ଏବଂ ତ୍ରୁଟି ପ୍ରତିରୋଧକ ଶକ୍ତି ବୃଦ୍ଧି ପାଇଥାଏ । ଆମେ ନମ୍ ଚେକର ର ଏକ ପ୍ରୋଟୋଟାଇପକୁ ଲିନକ୍ସ ରେ କର୍ଣ୍ଣଲ ଆଧାରିତ ଭିଆଇଏମ ସହିତ କାର୍ଯ୍ୟକାରୀ କରିଛୁ । HPC ଆଧାରିତ ଦୁଇ-ପର୍ଯ୍ୟାୟ କର୍ଣ୍ଣଲ ରୁଟକିଟ ଚିହ୍ନଟ ଏବଂ ଚିହ୍ନଟ କୌଶଳ ଉପସ୍ଥାପିତ ଏବଂ ଅନେକ ବାସ୍ତବ ଦୁନିଆ କର୍ଣ୍ଣଲ ରୁଟକିଟ ଉପରେ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଛି । ଏହାର ପରିଣାମ ଏହାର ବ୍ୟବହାରିକତା ଓ ପ୍ରଭାବକୁ ଦର୍ଶାଉଛି ।
a3d638ab304d3ef3862d37987c3a258a24339e05	ସାଇକେଲଗାନ [ଝୁ ଆଦିମ , ୨୦୧୭] ହେଉଛି ଦୁଇଟି ପ୍ରତିଛବି ବଣ୍ଟନ ମଧ୍ୟରେ ପରିବର୍ତ୍ତନ ଶିଖିବା ପାଇଁ ଏକ ସଫଳ ଆଭିମୁଖ୍ୟ । ଏକ ପରୀକ୍ଷଣ ଶୃଙ୍ଖଳରେ, ଆମେ ଏହି ମଡେଲର ଏକ ଆକର୍ଷଣୀୟ ଗୁଣ ପ୍ରଦର୍ଶନ କରିଛୁ: ସାଇକେଲଗାନ ଏକ ଉତ୍ସ ପ୍ରତିଛବି ବିଷୟରେ ସୂଚନାକୁ ଏକ ପ୍ରାୟ ଅଦୃଶ୍ୟ, ଉଚ୍ଚ-ସତୁରତା ସିଗନାଲରେ ସୃଷ୍ଟି କରୁଥିବା ପ୍ରତିଛବିରେ " ଲୁଚାଇବାକୁ " ଶିଖିଥାଏ । ଏହି କୌଶଳ ସୁନିଶ୍ଚିତ କରେ ଯେ ଜେନେରେଟର ମୂଳ ନମୁନାକୁ ପୁନରୁଦ୍ଧାର କରିପାରିବ ଏବଂ ଏହିପରି ଚକ୍ରବ୍ୟୁହ ସମାନତା ଆବଶ୍ୟକତାକୁ ପୂରଣ କରିପାରିବ, ଯେତେବେଳେ ସୃଷ୍ଟି ହୋଇଥିବା ପ୍ରତିଛବି ବାସ୍ତବବାଦୀ ରହିଥାଏ । ଆମେ ଏହି ଘଟଣାକୁ ବିରୋଧୀ ଆକ୍ରମଣ ସହିତ ଯୋଡିଛୁ, ସାଇକେଲଗାନର ପ୍ରଶିକ୍ଷଣ ପ୍ରକ୍ରିୟାକୁ ବିରୋଧୀ ଉଦାହରଣର ଏକ ଜେନେରେଟରକୁ ପ୍ରଶିକ୍ଷଣ ଭାବରେ ଦେଖିଛୁ ଏବଂ ଦର୍ଶାଇଛୁ ଯେ ଚକ୍ରବ୍ୟୁହରେ ସ୍ଥିରତା ହରାଇବା ଦ୍ୱାରା ସାଇକେଲଗାନ ବିରୋଧୀ ଆକ୍ରମଣ ପ୍ରତି ବିଶେଷ ଭାବରେ ଦୁର୍ବଳ ହୋଇପଡେ ।
c171faac12e0cf24e615a902e584a3444fcd8857
5a14949bcc06c0ae9eecd29b381ffce22e1e75b2	ଡାଟାବେସର ଏହି ସଂସ୍କରଣରେ ଥିବା ଲେଖାଗୁଡ଼ିକ ଏନ୍ଥୋନି ଜି. ଲଣ୍ଡନ ଗ୍ରାଜୁଏଟ ସ୍କୁଲ ଅଫ ବିଜନେସ ଷ୍ଟଡିଜରେ ଆକାଉଣ୍ଟିଂ ଓ ଫାଇନାନ୍ସ ରିପୋର୍ଟିଂର ପ୍ରଫେସର ହୋପୱୁଡ । ପ୍ରଫେସର ହପଉଡଙ୍କ ମତରେ ଏହି ଲେଖାଗୁଡ଼ିକରେ ସୂଚନା ପ୍ରଣାଳୀରେ ଆଗ୍ରହୀ ଥିବା ସମସ୍ତ ବ୍ୟକ୍ତି ବିଶେଷଙ୍କ ପାଇଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଧାରଣା ରହିଛି । ଏହି ଲେଖକମାନେ ହେଲେ କ୍ରିସ୍ ଆର୍ଗିରିସ୍, ଗ୍ରାଜୁଏଟ୍ ସ୍କୁଲ ଅଫ୍ ଏଜୁକେସନ୍, ହାର୍ଭାର୍ଡ ୟୁନିଭର୍ସିଟି; ବୋ ହେଡବର୍ଗ ଏବଂ ଷ୍ଟେନ୍ ଜୋନ୍ସନ୍, ଡିପାର୍ଟମେଣ୍ଟ ଅଫ୍ ବିଜନେସ୍ ଆଡମିନିଷ୍ଟ୍ରେସନ୍, ୟୁନିଭର୍ସିଟି ଅଫ୍ ଗୋଟେନବର୍ଗ; ଜେ. ଫ୍ରିକ୍ସୋ ଡେନ୍ ହେରଟୋଗ୍, ଏନ୍. ଭି. ଫିଲିପ୍ସ ଗ୍ଲୋଏଲ୍ୟାମ୍ପେନଫାବ୍ରିକେନ୍, ନେଦରଲାଣ୍ଡସ ଏବଂ ମାଇକେଲ ଜେ. ଅକ୍ସଫୋର୍ଡ ସେଣ୍ଟର ଫର ମ୍ୟାନେଜମେଣ୍ଟ ଷ୍ଟଡିଜରେ ଏର୍ଲ । ଏହି ଲେଖାଗୁଡ଼ିକ ମୂଳତଃ ଆକାଉଣ୍ଟିଂ, ଅର୍ଗାନାଇଜେସନ୍ ଆଣ୍ଡ ସୋସାଇଟିରେ ପ୍ରକାଶିତ ହୋଇଥିଲା, ଯାହା ପ୍ରଫେସର ହପଉଡଙ୍କ ମୁଖ୍ୟ ସମ୍ପାଦକ । ନୂତନ ବିକାଶର ଅନୁଧ୍ୟାନ କରିବା ଏବଂ ନୂତନ ଦୃଷ୍ଟିକୋଣ ଓ ଦୃଷ୍ଟିକୋଣକୁ ପ୍ରୋତ୍ସାହିତ କରିବା ପାଇଁ ଏଓଏସ ଗଠନ କରାଯାଇଛି ।
02227c94dd41fe0b439e050d377b0beb5d427cda	ପ୍ରାକୃତିକ ଚିତ୍ରରୁ ପାଠ୍ୟକୁ ଚିହ୍ନଟ କରିବା ଏବଂ ପଢ଼ିବା ଏକ କଠିନ କମ୍ପ୍ୟୁଟର ଭିଜନ କାର୍ଯ୍ୟ ଯାହା ବିଭିନ୍ନ ଉଦୀୟମାନ ପ୍ରୟୋଗ ପାଇଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଅଟେ । ଦଲିଲର ଅକ୍ଷର ଚିହ୍ନଟ ଭଳି ସମ୍ବନ୍ଧିତ ସମସ୍ୟା କମ୍ପ୍ୟୁଟର ଭିଜନ ଏବଂ ମେସିନ ଲର୍ଣ୍ଣିଂ ଗବେଷକମାନଙ୍କ ଦ୍ବାରା ବ୍ୟାପକ ଭାବରେ ଅଧ୍ୟୟନ କରାଯାଇଛି ଏବଂ ହସ୍ତଲିଖିତ ଅଙ୍କ ପଢ଼ିବା ପରି ବ୍ୟବହାରିକ ପ୍ରୟୋଗ ପାଇଁ ପ୍ରାୟତଃ ସମାଧାନ ହୋଇଛି । ଫଟୋଗ୍ରାଫ ଭଳି ଜଟିଳ ଦୃଶ୍ୟରେ ଚରିତ୍ରକୁ ବିଶ୍ବାସଯୋଗ୍ୟ ଭାବେ ଚିହ୍ନିବା ଅଧିକ କଷ୍ଟକର: ସର୍ବୋତ୍ତମ ପ୍ରଚଳିତ ପଦ୍ଧତିଗୁଡିକ ସମାନ କାର୍ଯ୍ୟରେ ମନୁଷ୍ୟର କାର୍ଯ୍ୟଦକ୍ଷତା ପଛରେ ପଡ଼ିଯାଇଥାଏ । ଏହି ଲେଖାରେ ଆମେ ଅସୁରକ୍ଷିତ ଫିଚର ଲର୍ଣ୍ଣିଂ ପଦ୍ଧତି ବ୍ୟବହାର କରି ବାସ୍ତବିକ ପ୍ରୟୋଗରେ ଅଙ୍କ ଚିହ୍ନଟ କରିବାର ସମସ୍ୟା ଉପରେ ଆକ୍ରମଣ କରୁଛୁ: ଷ୍ଟ୍ରିଟ୍ ସ୍ତର ଫଟୋରୁ ଘର ନମ୍ବର ପଢିବା । ଏହି ଉଦ୍ଦେଶ୍ୟରେ, ଆମେ ଗବେଷଣା ପାଇଁ ଏକ ନୂତନ ମାନଦଣ୍ଡ ଡାଟାସେଟ ଉପସ୍ଥାପନ କରୁଛୁ ଯେଉଁଥିରେ ଷ୍ଟ୍ରିଟ୍ ଭିଉ ଚିତ୍ରରୁ 600,000ରୁ ଅଧିକ ଲେବଲ୍ ହୋଇଥିବା ଅଙ୍କ କଟା ଯାଇଛି । ଆମେ ପରେ ଏହି ଅଙ୍କଗୁଡ଼ିକୁ ଚିହ୍ନିବାର ଅସୁବିଧା ଦେଖାଇବୁ ଯେତେବେଳେ ଏହି ସମସ୍ୟାକୁ ହାତ ତିଆରି ହୋଇଥିବା ବିଶେଷତ୍ୱ ସହିତ ଆଭିମୁଖ୍ୟ ଗ୍ରହଣ କରାଯାଏ । ଶେଷରେ, ଆମେ ନିକଟରେ ପ୍ରସ୍ତାବିତ ଦୁଇଟି ଅଣ-ଅନୁଧ୍ୟାନିତ ବୈଶିଷ୍ଟ୍ୟ ଶିକ୍ଷଣ ପଦ୍ଧତିର ବିକଳ୍ପ ବ୍ୟବହାର କରିଛୁ ଏବଂ ପାଇଛୁ ଯେ ସେମାନେ ଆମର ମାନଦଣ୍ଡରେ ନିଶ୍ଚିତ ଭାବରେ ଉନ୍ନତ ଅଟନ୍ତି ।
081651b38ff7533550a3adfc1c00da333a8fe86c	ପ୍ରାକୃତିକ ଚିତ୍ର ଉପରେ ତାଲିମପ୍ରାପ୍ତ ଅନେକ ଗଭୀର ସ୍ନାୟୁ ନେଟୱାର୍କରେ ଏକ ଅଜବ ଘଟଣା ଦେଖିବାକୁ ମିଳେ: ପ୍ରଥମ ସ୍ତରରେ ସେମାନେ ଗାବୋର ଫିଲ୍ଟର ଏବଂ ରଙ୍ଗର ବଟିକା ପରି ଲକ୍ଷଣ ଶିଖନ୍ତି । ଏହିଭଳି ପ୍ରଥମ ସ୍ତରର ବିଶେଷତ୍ୱ କୌଣସି ନିର୍ଦ୍ଦିଷ୍ଟ ଡାଟାସେଟ୍ ବା କାର୍ଯ୍ୟ ପାଇଁ ନିର୍ଦ୍ଦିଷ୍ଟ ନୁହେଁ, ବରଂ ଏହା ଅନେକ ଡାଟାସେଟ୍ ଓ କାର୍ଯ୍ୟ ପାଇଁ ସାଧାରଣ । ବିଶେଷତ୍ୱଗୁଡ଼ିକର ସାଧାରଣରୁ ନିର୍ଦ୍ଦିଷ୍ଟ ସ୍ତରକୁ ନେଟୱାର୍କର ଶେଷ ସ୍ତର ପର୍ଯ୍ୟନ୍ତ ପରିବର୍ତ୍ତନ ହେବା ଆବଶ୍ୟକ, କିନ୍ତୁ ଏହି ପରିବର୍ତ୍ତନ ଉପରେ ବ୍ୟାପକ ଅଧ୍ୟୟନ କରାଯାଇନାହିଁ । ଏହି ଅଧ୍ୟୟନରେ ଆମେ ଏକ ଗଭୀର କଣ୍ଟାଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କର ପ୍ରତ୍ୟେକ ସ୍ତରରେ ଥିବା ନ୍ୟୁରନର ବିଶେଷତା ତୁଳନାରେ ସାଧାରଣତାକୁ ପରିମାଣିକ ଭାବରେ ପରୀକ୍ଷା କରିଛୁ ଏବଂ କିଛି ଆଶ୍ଚର୍ଯ୍ୟଜନକ ଫଳାଫଳ ବିଷୟରେ ରିପୋର୍ଟ କରିଛୁ । ସ୍ଥାନାନ୍ତରିତ ହେବା ଉପରେ ଦୁଇଗୋଟି ଭିନ୍ନ ଭିନ୍ନ ସମସ୍ୟା ନକାରାତ୍ମକ ପ୍ରଭାବ ପକାଇଥାଏ: (୧) ଉଚ୍ଚସ୍ତରୀୟ ନ୍ୟୁରନ୍ ଗୁଡ଼ିକର ବିଶେଷଜ୍ଞତା ସେମାନଙ୍କର ମୂଳ କାର୍ଯ୍ୟରେ ଲକ୍ଷ୍ୟ କାର୍ଯ୍ୟରେ କାର୍ଯ୍ୟଦକ୍ଷତା ବ୍ୟୟ କରି, ଯାହା ଆଶା କରାଯାଉଥିଲା, ଏବଂ (୨) ସହ-ଆନୁକୂଳିତ ନ୍ୟୁରନ୍ ଗୁଡ଼ିକ ମଧ୍ୟରେ ନେଟୱାର୍କ୍ ଗୁଡ଼ିକୁ ବିଭାଜନ କରିବା ସହିତ ଜଡିତ ଅପ୍ଟିମାଇଜେସନ୍ ଅସୁବିଧା, ଯାହା ଆଶା କରାଯାଉନଥିଲା । ଇମେଜନେଟରେ ପ୍ରଶିକ୍ଷିତ ଏକ ନେଟୱର୍କ ଉଦାହରଣରେ, ଆମେ ଦର୍ଶାଇଛୁ ଯେ ଏହି ଦୁଇଟି ମଧ୍ୟରୁ ଯେକୌଣସି ଗୋଟିଏ ପ୍ରସଙ୍ଗ ପ୍ରାଧାନ୍ୟ ଲାଭ କରିପାରେ, ଏହା ନିର୍ଭର କରେ ଯେ ନେଟୱର୍କର ନିମ୍ନ, ମଧ୍ୟମ କିମ୍ବା ଉପର ଭାଗରୁ ବୈଶିଷ୍ଟ୍ୟଗୁଡିକ ସ୍ଥାନାନ୍ତରିତ ହୋଇଛି କି ନାହିଁ । ଆମେ ମଧ୍ୟ ଦସ୍ତାବିଜ କରିଛୁ ଯେ ମୂଳ କାର୍ଯ୍ୟ ଏବଂ ଲକ୍ଷ୍ୟ କାର୍ଯ୍ୟ ମଧ୍ୟରେ ଦୂରତା ବୃଦ୍ଧି ହେବା ସହିତ ବିଶେଷତ୍ୱର ସ୍ଥାନାନ୍ତରିତତା ହ୍ରାସ ପାଇଥାଏ, କିନ୍ତୁ ଦୂର କାର୍ଯ୍ୟରୁ ମଧ୍ୟ ବିଶେଷତ୍ୱ ସ୍ଥାନାନ୍ତରିତ କରିବା ଆକସ୍ମିକ ବିଶେଷତ୍ୱ ବ୍ୟବହାର କରିବା ଅପେକ୍ଷା ଭଲ ହୋଇପାରେ । ଏକ ଚମତ୍କାର ପରିଣାମ ହେଉଛି ଯେ ପ୍ରାୟତଃ ଯେକୌଣସି ସଂଖ୍ୟକ ସ୍ତରରୁ ସ୍ଥାନାନ୍ତରିତ ବିଶେଷତାଗୁଡ଼ିକ ସହିତ ଏକ ନେଟୱାର୍କକୁ ଆରମ୍ଭ କରିବା ଦ୍ୱାରା ସାଧାରଣକରଣକୁ ଏକ ପ୍ରୋତ୍ସାହନ ମିଳିପାରିବ ଯାହା ଟାର୍ଗେଟ୍ ଡାଟାସେଟ୍ ପାଇଁ ସୂକ୍ଷ୍ମ-ସଙ୍ଗଠନ ପରେ ମଧ୍ୟ ରହିଯାଏ ।
6c8d5d5eee5967958a2e03a84bcc00f1f81f4d9e	ଉଚ୍ଚ-ପ୍ରବାହୀ କ୍ରମ ନିର୍ଣ୍ଣୟ ଦ୍ୱାରା ଉଚ୍ଚ-ଗୁଣବତ୍ତା ଡି-ନୋଭୋ ସମ୍ମିଳିତ ଜେନୋମ କ୍ରମ ପ୍ରାପ୍ତ କରିବା ପାଇଁ ଏହା ସିଦ୍ଧାନ୍ତିକ ଭାବରେ ସମ୍ଭବ ହୋଇପାରିଛି କିନ୍ତୁ ବ୍ୟବହାରିକ ଭାବରେ ଡିଏନଏ ଉଦ୍ଧୃତ ଦ୍ରବ୍ୟ ଅନେକ ସମୟରେ ଅନ୍ୟ ଜୀବମାନଙ୍କ କ୍ରମ ଦ୍ୱାରା ଦୂଷିତ ହୋଇଥାଏ । ବର୍ତ୍ତମାନ ସମୟରେ, ୟୁକାୟୋଟିକ ସମୂହକୁ ସଂପୂର୍ଣ୍ଣ ରୂପେ ଦୂଷିତ କରିବା ପାଇଁ ଅଳ୍ପ କିଛି ପ୍ରଚଳିତ ପଦ୍ଧତି ରହିଛି । ଯେଉଁଗୁଡ଼ିକ ଅଛି, ସେଗୁଡ଼ିକ ପ୍ରଦୂଷକ ସହିତ ନ୍ୟୁକ୍ଲିଓଟାଇଡ୍ ସମାନତା ଉପରେ ଆଧାର କରି ସୂଚୀଗୁଡ଼ିକୁ ଫିଲ୍ଟର୍ କରିଥାଏ ଏବଂ ଲକ୍ଷ୍ୟ ଜୀବାଣୁରୁ ସୂଚୀଗୁଡ଼ିକୁ ବାହାର କରିବାର ବିପଦ ରହିଥାଏ । ଆମେ ଏକ ନୂତନ ପ୍ରୟୋଗ ଉପସ୍ଥାପନ କରୁଛୁ, ଯନ୍ତ୍ର ଶିକ୍ଷା ପଦ୍ଧତିର ଏକ ସ୍ଥାପିତ ପ୍ରୟୋଗ, ଏକ ନିର୍ଣ୍ଣୟ ବୃକ୍ଷ, ଯାହା କ୍ରମକୁ କଠୋର ଭାବରେ ଶ୍ରେଣୀଭୁକ୍ତ କରିପାରିବ । ନିର୍ଣ୍ଣୟ ବୃକ୍ଷର ମୁଖ୍ୟ ଶକ୍ତି ହେଉଛି ଯେ ଏହା ଯେକୌଣସି ମାପିତ ବୈଶିଷ୍ଟ୍ୟକୁ ଇନପୁଟ୍ ଭାବରେ ନେଇପାରେ ଏବଂ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ବର୍ଣ୍ଣନାକାରୀଙ୍କ ପ୍ରାଥମିକ ଚିହ୍ନଟ ଆବଶ୍ୟକ କରେ ନାହିଁ । ଆମେ ନିଷ୍ପତ୍ତି ଗଛ ବ୍ୟବହାର କରି ନୂତନ ଭାବରେ ଏକତ୍ରିତ ହୋଇଥିବା କ୍ରମକୁ ଶ୍ରେଣୀଭୁକ୍ତ କରିଥାଉ ଏବଂ ପ୍ରକାଶିତ ପ୍ରୋଟୋକଲ ସହିତ ପଦ୍ଧତିକୁ ତୁଳନା କରିଥାଉ । ଏକ ନିର୍ଣ୍ଣୟ ବୃକ୍ଷ ବର୍ତ୍ତମାନର ପଦ୍ଧତି ଅପେକ୍ଷା ଅଧିକ ଭଲ ଭାବରେ କାର୍ଯ୍ୟ କରେ ଯେତେବେଳେ ଏହା ନୂତନ ସୃଷ୍ଟିକାରୀ ବର୍ଗରେ କ୍ରମକୁ ଶ୍ରେଣୀଭୁକ୍ତ କରେ । ଏହା ଦକ୍ଷ, ସହଜରେ କାର୍ଯ୍ୟକାରୀ ହୁଏ ଏବଂ ଲକ୍ଷ୍ୟ ଏବଂ ଦୂଷିତ ପଦାର୍ଥର ସିକ୍ୱେନ୍ସକୁ ସଠିକ ଭାବରେ ଚିହ୍ନଟ କରିଥାଏ । ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କଥା ହେଉଛି, ମାପ ହୋଇଥିବା ବର୍ଣ୍ଣନା ଅନୁଯାୟୀ କ୍ରମକୁ ଶ୍ରେଣୀଭୁକ୍ତ କରିବା ପାଇଁ ଏକ ନିଷ୍ପତ୍ତି ଗଛ ବ୍ୟବହାର କରାଯାଇପାରିବ ଏବଂ ଜୈବିକ ତଥ୍ୟ ସେଟ୍ କୁ ବିଶୋଧିତ କରିବାରେ ଏହାର ଅନେକ ବ୍ୟବହାର ହୋଇପାରେ ।
26433d86b9c215b5a6871c70197ff4081d63054a	ବାୟୋମେଟ୍ରିକ ଚିହ୍ନଟ ପ୍ରଣାଳୀରେ ଏହାର ଉଚ୍ଚ କାର୍ଯ୍ୟଦକ୍ଷତା ପାଇଁ ବହୁମୁଖୀ ବାୟୋମେଟ୍ରିକ୍ସ ନିକଟରେ ଯଥେଷ୍ଟ ଆଗ୍ରହ ସୃଷ୍ଟି କରିଛି । ଏହି ଅଧ୍ୟୟନରେ ଆମେ ବିଶେଷତା ସ୍ତରରେ ମିଶ୍ରଣ କୌଶଳ ବ୍ୟବହାର କରି ମୁହଁ ଏବଂ ହାତର ଛବି ପାଇଁ ମଲ୍ଟିମୋଡାଲ ବାୟୋମେଟ୍ରିକ୍ସର ପରିଚୟ ଦେବୁ । ଗାବୋର ଆଧାରିତ ପ୍ରତିଛବି ପ୍ରକ୍ରିୟାକରଣକୁ ବ୍ୟବହାର କରି ଭେଦଭାବକାରୀ ବୈଶିଷ୍ଟ୍ୟ ବାହାର କରାଯାଏ, ଯେତେବେଳେ କି ମୁଖ୍ୟ ଉପାଦାନ ବିଶ୍ଳେଷଣ (ପିସିଏ) ଏବଂ ରେଖୀ ଭେଦଭାବକାରୀ ବିଶ୍ଳେଷଣ (ଏଲଡିଏ) ପ୍ରତ୍ୟେକ ମୋଡାଲିଟିର ଆକାର ହ୍ରାସ କରିବାକୁ ବ୍ୟବହୃତ ହୁଏ । LDA ର ଆଉଟପୁଟ୍ ବୈଶିଷ୍ଟ୍ୟଗୁଡିକ କ୍ରମିକ ଭାବରେ ଏକତ୍ରିତ ହୋଇଥାଏ ଏବଂ ଇଉକ୍ଲିଡିୟନ୍ ଦୂରତା ବର୍ଗୀକରଣକାରୀ ଦ୍ୱାରା ବର୍ଗୀକୃତ ହୋଇଥାଏ । ଓଆରଏଲ ଚେହେରା ଏବଂ ପଲି-ୟୁ ପାଲମପ୍ରିଣ୍ଟ ଡାଟାବେସ ଉପରେ ଆଧାରିତ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଦର୍ଶାଇଛି ଯେ ଏହି ଫ୍ୟୁଜନ କୌଶଳ ଏକକ ମୋଡାଲ ବାୟୋମେଟ୍ରିକ ଦ୍ୱାରା ଉତ୍ପାଦିତ ତୁଳନାରେ ବାୟୋମେଟ୍ରିକ ଚିହ୍ନଟ ହାରକୁ ବୃଦ୍ଧି କରିବାରେ ସକ୍ଷମ ଅଟେ ।
1c01e44df70d6fde616de1ef90e485b23a3ea549	ଆମେ ଏକ ମାର୍କୋଭ୍ ରାଣ୍ଡମ ଫିଲ୍ଡ (MRF) ର ଲଗ୍ ବଣ୍ଟନ ଫଙ୍କସନରେ ଏକ ନୂତନ ଶ୍ରେଣୀର ଉପର ସୀମାକୁ ପ୍ରବର୍ତ୍ତନ କରୁ. ଏହି ପରିମାଣ ବିଭିନ୍ନ ପ୍ରସଙ୍ଗରେ ଏକ ମହତ୍ୱପୂର୍ଣ୍ଣ ଭୂମିକା ଗ୍ରହଣ କରିଥାଏ, ଯେଉଁଥିରେ ଅନ୍ତରୀଣ ବଣ୍ଟନ, ପାରାମିଟର ଆକଳନ, ସଂଯୋଜକ ଗଣନା, ପରିସଂଖ୍ୟାନିକ ନିଷ୍ପତ୍ତି ସିଦ୍ଧାନ୍ତ, ଏବଂ ବଡ଼-ବିଚ୍ୟୁତି ସୀମା ଅନ୍ତର୍ଭୁକ୍ତ । ଆମର ନିର୍ଗମନ ବକ୍ର ଦ୍ୱୈତତା ଏବଂ ସୂଚନା ଜ୍ୟାମିତିର ଧାରଣା ଉପରେ ଆଧାରିତ: ବିଶେଷକରି, ଏହା ଏକ୍ସପୋନ୍ସିୟାଲ ଡୋମେନରେ ବଣ୍ଟନର ମିଶ୍ରଣ ଏବଂ ଏକ୍ସପୋନ୍ସିୟାଲ ଏବଂ ହାରାହାରି ପାରାମିଟର ମଧ୍ୟରେ ଲେଜେଣ୍ଡର ମ୍ୟାପିଂକୁ ବ୍ୟବହାର କରେ । ବୃକ୍ଷ-ନିର୍ମାଣ ବଣ୍ଟନର ବକ୍ର ସଂଯୋଗର ବିଶେଷ କ୍ଷେତ୍ରରେ, ଆମେ ବିବିଧତା ସମସ୍ୟାଗୁଡ଼ିକର ଏକ ପରିବାର ପ୍ରାପ୍ତ କରୁ, ଯାହାକି ବେଥେ ବିବିଧତା ସମସ୍ୟା ସହିତ ସମାନ, କିନ୍ତୁ ନିମ୍ନଲିଖିତ ଇଚ୍ଛାକୃତ ଗୁଣ ଦ୍ୱାରା ପୃଥକ ହୋଇଥାଏ: i) ସେମାନେ ବକ୍ର, ଏବଂ ଏକ ଅନନ୍ୟ ବିଶ୍ୱବ୍ୟାପୀ ସର୍ବୋତ୍ତମ ଅଛି; ଏବଂ ii) ସର୍ବୋତ୍ତମ ଲୋଗୋ ବିଭାଜନ ଫଳନ ଉପରେ ଏକ ଉପର ସୀମା ପ୍ରଦାନ କରେ । ଏହି ସର୍ବୋତ୍ତମକୁ ସ୍ଥିର ଅବସ୍ଥା ଦ୍ୱାରା ପରିଭାଷିତ କରାଯାଏ ଯାହା ସମ-ଉତ୍ପାଦ ଆଲଗୋରିଦମର ସ୍ଥିର ବିନ୍ଦୁକୁ ପରିଭାଷିତ କରେ, କିମ୍ବା ଅଧିକ ସାଧାରଣ ଭାବରେ, ବେଥେ ଭାରିଆସନାଲ ସମସ୍ୟାର ଯେକୌଣସି ସ୍ଥାନୀୟ ସର୍ବୋତ୍ତମ । ସମ-ଉତ୍ପାଦ ନିର୍ଦ୍ଧିଷ୍ଟ ବିନ୍ଦୁ ସହିତ, ଅପ୍ଟିମାଇଜିଂ ଯୁକ୍ତିର ଉପାଦାନଗୁଡ଼ିକୁ ମୂଳ ମଡେଲର ମାର୍ଜିନଲଗୁଡ଼ିକର ଅନୁମାନ ଭାବରେ ବ୍ୟବହାର କରାଯାଇପାରିବ । ଏହି ବିଶ୍ଳେଷଣ ହାଇପରଟ୍ରି-ସଂରଚନା ବଣ୍ଟନର ବକ୍ର ସଂଯୋଜନା ପର୍ଯ୍ୟନ୍ତ ପ୍ରାକୃତିକ ଭାବରେ ବ୍ୟାପିଥାଏ, ଯାହାଦ୍ୱାରା କିକୁଚି ଅନୁମାନ ଏବଂ ଭାରିଆଣ୍ଟ ସହିତ ଲିଙ୍କ୍ ସ୍ଥାପନ ହୋଇଥାଏ ।
39a6cc80b1590bcb2927a9d4c6c8f22d7480fbdd	ଏହି ଅଧ୍ୟୟନରେ ଆମେ ଭିଡିଓ କିମ୍ବା 3D ଚିତ୍ର ପାଇଁ ଏକ 3D (3D) SIFT ବର୍ଣ୍ଣନାକାରୀକୁ ପରିଚିତ କରାଇଛୁ ଯେପରିକି ଏମଆରଆଇ ତଥ୍ୟ । ଆମେ ଏହା ମଧ୍ୟ ଦେଖାଇବୁ ଯେ ଏହି ନୂତନ ବର୍ଣ୍ଣନାକାରୀ କିପରି କାର୍ଯ୍ୟ ଚିହ୍ନଟ ପ୍ରୟୋଗରେ ଭିଡିଓ ତଥ୍ୟର 3D ପ୍ରକୃତିକୁ ଭଲ ଭାବରେ ପ୍ରତିନିଧିତ୍ୱ କରିବାରେ ସକ୍ଷମ ଅଟେ । ଏହି କାଗଜରେ ଦର୍ଶାଯାଇଛି ଯେ 3D SIFT କିପରି ପୂର୍ବରୁ ବ୍ୟବହୃତ ହୋଇଥିବା ବର୍ଣ୍ଣନା ପଦ୍ଧତିକୁ ଏକ ସୁନ୍ଦର ଏବଂ ଦକ୍ଷ ଉପାୟରେ ଅତିକ୍ରମ କରିପାରିବ । ଆମେ ଭିଡିଓକୁ ବ୍ୟାଗ ଅଫ୍ ୱାର୍ଡ ବ୍ୟବହାର କରି ଉପସ୍ଥାପନ କରୁଛୁ ଏବଂ ଭିଡିଓ ଡାଟାକୁ ଭଲ ଭାବରେ ବର୍ଣ୍ଣନା କରିବା ପାଇଁ ସ୍ପେସିଓ-ଟାଇମର୍ଲ୍ ଶବ୍ଦ ମଧ୍ୟରେ ସମ୍ପର୍କ ଖୋଜିବା ପାଇଁ ଏକ ପଦ୍ଧତି ଉପସ୍ଥାପନ କରୁଛୁ ।
0a10d64beb0931efdc24a28edaa91d539194b2e2	ଆମେ ଦୁଇଟି ନୂଆ ମଡେଲ ଆର୍କିଟେକ୍ଚର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହାକି ବହୁତ ବଡ଼ ଡାଟା ସେଟରୁ ଶବ୍ଦଗୁଡ଼ିକର ନିରନ୍ତର ଭେକ୍ଟର ପ୍ରତିନିଧିତ୍ୱକୁ ଗଣନା କରିବ । ଏହି ପ୍ରତିନିଧିତ୍ୱର ଗୁଣବତ୍ତା ଏକ ଶବ୍ଦ ସମାନତା କାର୍ଯ୍ୟରେ ମାପ କରାଯାଏ, ଏବଂ ଫଳାଫଳଗୁଡିକ ବିଭିନ୍ନ ପ୍ରକାରର ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ ଉପରେ ଆଧାରିତ ପୂର୍ବତନ ସର୍ବୋତ୍ତମ କାର୍ଯ୍ୟକାରୀ କୌଶଳ ସହିତ ତୁଳନା କରାଯାଏ । ଆମେ ବହୁତ କମ୍ ଗଣନା ଖର୍ଚ୍ଚରେ ସଠିକତାରେ ବଡ଼ ଉନ୍ନତି ଦେଖୁଛୁ, ଅର୍ଥାତ୍ ୧.୬ ବିଲିୟନ ଶବ୍ଦ ତଥ୍ୟ ସେଟରୁ ଉଚ୍ଚ ଗୁଣବତ୍ତା ଶବ୍ଦ ଭେକ୍ଟର ଶିଖିବା ପାଇଁ ଗୋଟିଏ ଦିନରୁ କମ୍ ସମୟ ଲାଗିଥାଏ । ଆହୁରି ମଧ୍ୟ, ଆମେ ଦେଖାଇଛୁ ଯେ ଏହି ଭେକ୍ଟରଗୁଡ଼ିକ ଆମର ପରୀକ୍ଷଣ ସେଟରେ ସିଣ୍ଟାକ୍ଟିକ ଏବଂ ସେମାଂଟିକ ଶବ୍ଦ ସମାନତା ମାପିବା ପାଇଁ ଅତ୍ୟାଧୁନିକ କାର୍ଯ୍ୟଦକ୍ଷତା ପ୍ରଦାନ କରନ୍ତି ।

End of preview. Expand in Dataset Viewer.

Bharat-NanoBEIR: Indian Language Information Retrieval Dataset

Overview

This dataset is part of the Bharat-NanoBEIR collection, which provides information retrieval datasets for Indian languages. It is derived from the NanoBEIR project, which offers smaller versions of BEIR datasets containing 50 queries and up to 10K documents each.

Dataset Description

This particular dataset is the Odia (Oriya) version of the NanoSCIDOCS dataset, specifically adapted for information retrieval tasks. The translation and adaptation maintain the core structure of the original NanoBEIR while making it accessible for Odia (Oriya) language processing.

Usage

This dataset is designed for:

Information Retrieval (IR) system development in Odia (Oriya)
Evaluation of multilingual search capabilities
Cross-lingual information retrieval research
Benchmarking Odia (Oriya) language models for search tasks

Dataset Structure

The dataset consists of three main components:

Corpus: Collection of documents in Odia (Oriya)
Queries: Search queries in Odia (Oriya)
QRels: Relevance judgments connecting queries to relevant documents

Citation

If you use this dataset, please cite:

@misc{bharat-nanobeir,
  title={Bharat-NanoBEIR: Indian Language Information Retrieval Datasets},
  year={2024},
  url={https://huggingface.co/datasets/carlfeynman/Bharat_NanoSCIDOCS_or}
}