_id
stringlengths 40
40
| text
stringlengths 0
9.6k
|
|---|---|
40baa5d4632d807cc5841874be73415775b500fd | ମୋଟର ଡ୍ରାଇଭ ପାଇଁ ପାରମ୍ପରିକ ଦୁଇ ସ୍ତରୀୟ ଉଚ୍ଚ-ଫ୍ରିକ୍ୱେନ୍ସି ଇନଭର୍ଟରଗୁଡ଼ିକରେ ଉଚ୍ଚ-ଫ୍ରିକ୍ୱେନ୍ସି ସୁଇଚିଙ୍ଗ ସହିତ ଜଡିତ ଅନେକ ସମସ୍ୟା ରହିଛି ଯାହା ସାଧାରଣ-ମୋଡ୍ ଭୋଲଟେଜ୍ ଏବଂ ଉଚ୍ଚ ଭୋଲଟେଜ୍ ପରିବର୍ତ୍ତନ (ଡିଭି / ଡିଟି) ହାରକୁ ମୋଟର ୱିଣ୍ଡିଂରେ ସୃଷ୍ଟି କରିଥାଏ । ବହୁସ୍ତରୀୟ ଇନଭର୍ଟର ଏହି ସମସ୍ୟାକୁ ସମାଧାନ କରିଥାଏ କାରଣ ଏହାର ଉପକରଣଗୁଡ଼ିକ ବହୁତ କମ୍ ଫ୍ରିକ୍ୱେନ୍ସିରେ ସୁଇଚ୍ କରିପାରେ । ବିଦ୍ୟୁତ ଚାଳିତ ଯନ୍ତ୍ର ପାଇଁ ଏକ କନ୍ଭର୍ଟର ଭାବେ ବ୍ୟବହାର ପାଇଁ ଦୁଇଟି ଭିନ୍ନ ମଲ୍ଟି ଲେଭଲ୍ ଟପୋଲୋଜି ଚିହ୍ନଟ କରାଯାଇଛି, ଗୋଟିଏ ଅଲଗା ସିସି ଉତ୍ସ ସହିତ କାସକେଡ୍ ଇନଭର୍ଟର ଏବଂ ଏକ ବ୍ୟାକ୍-ଟୁ-ବ୍ୟାକ୍ ଡାୟୋଡ୍ କ୍ଲାମପ୍ କନ୍ଭର୍ଟର । କାସକେଡ୍ ଇନଭର୍ଟର ବଡ଼ ଅଟୋମୋଟିଭ୍ ଏଲିଏଲେକ୍ଟ୍ରିକ୍ ଡ୍ରାଇଭ୍ ପାଇଁ ଏକ ସ୍ୱାଭାବିକ ଫିଟ୍ କାରଣ ଏହାର ଉଚ୍ଚ VA ରେଟିଂ ସମ୍ଭବ ଏବଂ କାରଣ ଏହା ଏକାଧିକ ସ୍ତରର DC ଭୋଲଟେଜ୍ ଉତ୍ସ ବ୍ୟବହାର କରେ ଯାହା ବ୍ୟାଟେରୀ କିମ୍ବା ଇନ୍ଧନ ସେଲରୁ ଉପଲବ୍ଧ ହେବ । ବ୍ୟାକ୍ ଟୁ ବ୍ୟାକ୍ ଡାୟୋଡ୍ କ୍ଲେମ୍ପଡ୍ କନ୍ଭର୍ଟର ଯେଉଁଠାରେ ଏସି ଭୋଲଟେଜ୍ ଉତ୍ସ ଉପଲବ୍ଧ ଥାଏ, ଯେପରିକି ହାଇବ୍ରିଡ୍ ଇଲେକ୍ଟ୍ରିକ୍ ଯାନ । ସିମୁଲେସନ ଓ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଏହି ଦୁଇଟି କନ୍ଭର୍ଟର ପିଡବ୍ଲୁଏମ ଆଧାରିତ ଡ୍ରାଇଭ୍ ତୁଳନାରେ ଅଧିକ ଭଲ ବୋଲି ଦର୍ଶାଉଛି । |
895fa1357bcfa9b845945c6505a6e48070fd5d89 | ଏହି କାର୍ଯ୍ୟରେ ଆମେ ଏକ ସୁରକ୍ଷିତ ଇଲେକ୍ଟ୍ରୋନିକ ଭୋଟିଂ ପ୍ରୋଟୋକଲ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଇଣ୍ଟରନେଟ ମାଧ୍ୟମରେ ବଡ଼ ଆକାରରେ ଭୋଟିଂ ପାଇଁ ଉପଯୁକ୍ତ । ଏହି ପ୍ରୋଟୋକଲ ଭୋଟରଙ୍କୁ ଅଜ୍ଞାତ ଭାବେ ମତଦାନ କରିବା ପାଇଁ ଅନୁମତି ଦେଇଥାଏ, ଅପରିଷ୍କାର ହୋଇପାରୁଥିବା କିନ୍ତୁ ପ୍ରାମାଣିକ ସନ୍ଦେଶର ଆଦାନପ୍ରଦାନ କରି । ଏହି ପ୍ରୋଟୋକଲ ଅନୁସାରେ (i) କେବଳ ଯୋଗ୍ୟ ଭୋଟରମାନେ ଭୋଟ ଦେଇପାରିବେ, (ii) ଜଣେ ଭୋଟର କେବଳ ଗୋଟିଏ ଭୋଟ ଦେଇପାରିବେ, (iii) ଜଣେ ଭୋଟର ଚୂଡ଼ାନ୍ତ ଗଣନାରେ ତାଙ୍କ ଭୋଟ ଗଣାଯାଉଥିବା ଯାଞ୍ଚ କରିପାରିବେ, (iv) ଭୋଟରଙ୍କ ବ୍ୟତୀତ ଅନ୍ୟ କେହି ମଧ୍ୟ ଭୋଟରଙ୍କ ସହ ଭୋଟରଙ୍କ ଭୋଟକୁ ଯୋଡ଼ିପାରିବେ ନାହିଁ ଏବଂ (v) ଯଦି ଭୋଟର ଭୋଟ ନଦେବା ପାଇଁ ନିଷ୍ପତ୍ତି ନିଅନ୍ତି, ତେବେ ଭୋଟରଙ୍କ ସ୍ଥାନରେ କେହି ମଧ୍ୟ ଭ୍ରାନ୍ତ ଭୋଟ ଦେଇପାରିବେ ନାହିଁ । ଏହି ପ୍ରୋଟୋକଲ ସମସ୍ତ ପଞ୍ଜିକୃତ ଭୋଟରଙ୍କ ସହଯୋଗ ଆବଶ୍ୟକ କରେ ନାହିଁ । ଏହା ମଧ୍ୟ ମତଦାନ ପାଇଁ କ୍ରମବୀକ୍ଷଣ କ୍ରିପ୍ଟୋ ସିଷ୍ଟମ କିମ୍ବା ଅଜ୍ଞାତ ଚ୍ୟାନେଲ ଭଳି ଜଟିଳ କ୍ରିପ୍ଟୋଗ୍ରାଫିକ କୌଶଳର ବ୍ୟବହାର ଆବଶ୍ୟକ କରେ ନାହିଁ । ଏହା ସାହିତ୍ୟରେ ପ୍ରସ୍ତାବିତ ଅନ୍ୟ ମତଦାନ ପ୍ରୋଟୋକଲଗୁଡିକର ବିପରୀତ ଅଟେ । ପ୍ରୋଟୋକଲ ଅନୁସାରେ, ସଫଳ କାର୍ଯ୍ୟ ପାଇଁ ଭୋଟରଙ୍କ ବ୍ୟତୀତ ଅନ୍ୟ ତିନିଜଣ ଏଜେଣ୍ଟଙ୍କୁ ବ୍ୟବହାର କରାଯାଏ । କିନ୍ତୁ ଆମେ ଏହି ଏଜେଣ୍ଟମାନଙ୍କ ମଧ୍ୟରୁ କୌଣସି ଗୋଟିଏ ଉପରେ ବିଶ୍ୱାସ କରିବା ପାଇଁ ବାଧ୍ୟ ନୁହେଁ । ଅର୍ଥାତ୍ ଏଜେଣ୍ଟମାନେ ଶାରୀରିକ ଭାବେ ଏକ ସ୍ଥାନରେ ରହିପାରନ୍ତି କିମ୍ବା ପରସ୍ପର ସହ ମିଶି ଠକେଇ କରିବାକୁ ଚେଷ୍ଟା କରିପାରନ୍ତି । ଯଦି କୌଣସି ପ୍ରକାର ଠକେଇ ହୁଏ, ତେବେ ଏହାକୁ ସହଜରେ ଚିହ୍ନଟ କରାଯାଇପାରିବ ଏବଂ ପ୍ରମାଣିତ କରାଯାଇପାରିବ, ଯାହା ଫଳରେ ମତଦାନକୁ ଅସିଦ୍ଧ ଘୋଷଣା କରାଯାଇପାରିବ । ଯଦିଓ ଆମେ ଇଲେକ୍ଟ୍ରୋନିକ ଭୋଟିଂକୁ ଦୃଷ୍ଟିରେ ରଖି ଏହି ପ୍ରୋଟୋକଲ ପ୍ରସ୍ତାବ ଦେଉଛୁ, ଏହି ପ୍ରୋଟୋକଲ ଅନ୍ୟ ପ୍ରୟୋଗରେ ମଧ୍ୟ ବ୍ୟବହାର କରାଯାଇପାରିବ ଯେଉଁଥିରେ ଏକ ଅପରିଷ୍କାର କିନ୍ତୁ ପ୍ରାମାଣିକ ସନ୍ଦେଶର ଆଦାନପ୍ରଦାନ ସାମିଲ ଅଛି । ଏହିପରି ପ୍ରୟୋଗର ଉଦାହରଣ ହେଉଛି ଗୋପନୀୟ ପ୍ରଶ୍ନପତ୍ରର ଉତ୍ତର ଅଜ୍ଞାତ ଭାବରେ ଦେବା କିମ୍ବା ଅଜ୍ଞାତ ଆର୍ଥିକ କାରବାର । |
cf9145aa55da660a8d32bf628235c615318463bf | ଗତ ଦଶନ୍ଧିରେ ଏହା ସ୍ପଷ୍ଟ ହୋଇଛି ଯେ ଏମ୍ବେଡେଟ୍ ସିଷ୍ଟମ୍ ଆମ ଦୈନନ୍ଦିନ ଜୀବନର ଏକ ଅଭିନ୍ନ ଅଙ୍ଗ । ଅନେକ ଏମ୍ବେଡଡ ଆପ୍ଲିକେସନର ବେତାର ପ୍ରକୃତି ଏବଂ ଏହାର ସର୍ବବ୍ୟାପୀ ଉପସ୍ଥିତି ସୁରକ୍ଷା ଏବଂ ଗୋପନୀୟତା ସଂରକ୍ଷଣ ବ୍ୟବସ୍ଥା ପାଇଁ ବିଶେଷ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କରିଛି । ତେଣୁ, ଯେହେତୁ ଏଫପିଜିଏ ଏମ୍ବେଡ ସିଷ୍ଟମର ଏକ ଅଭିନ୍ନ ଅଙ୍ଗ ହୋଇସାରିଛି, ତେଣୁ ଏହାର ସୁରକ୍ଷା ଉପରେ ସମ୍ପୂର୍ଣ୍ଣ ରୂପେ ବିଚାର କରିବା ଜରୁରୀ । ଏହି ଅବଦାନରେ ଏଫପିଜିଏ ଉପରେ ସୁରକ୍ଷା ପ୍ରସଙ୍ଗର ଅତ୍ୟାଧୁନିକ ବର୍ଣ୍ଣନା ପ୍ରଦାନ କରାଯାଇଛି, ଉଭୟ ପ୍ରଣାଳୀ ଏବଂ କାର୍ଯ୍ୟାନ୍ୱୟନ ଦୃଷ୍ଟିକୋଣରୁ । ଆମେ କ୍ରିପ୍ଟୋଗ୍ରାଫିକ ପ୍ରୟୋଗ ପାଇଁ ପୁନଃସଂକଳ୍ପନୀୟ ହାର୍ଡୱେର ଉପକାରିତା ବିଷୟରେ ଆଲୋଚନା କରୁଛୁ, ଏଫପିଜିଏର ସମ୍ଭାବ୍ୟ ସୁରକ୍ଷା ସମସ୍ୟା ବିଷୟରେ ଦର୍ଶାଉଛୁ ଏବଂ ଖୋଲା ଗବେଷଣା ସମସ୍ୟାଗୁଡ଼ିକର ଏକ ତାଲିକା ପ୍ରଦାନ କରୁଛୁ । ଏହା ସହିତ ଆମେ ଏଫପିଜିଏରେ ସାର୍ବଜନୀନ ଏବଂ ସିମେଟ୍ରିକ୍-କି ଆଲଗୋରିଦମ କାର୍ଯ୍ୟକାରିତା ବିଷୟରେ ସଂକ୍ଷିପ୍ତ ଭାବରେ ଉଲ୍ଲେଖ କରିଛୁ । |
748eb923d2c384d2b3af82af58d2e6692ef57aa1 | ଟେକ୍ସଟ ମାଇନିଂ ହେଉଛି କମ୍ପ୍ୟୁଟର ବିଜ୍ଞାନର ଏକ ନୂତନ ଏବଂ ରୋମାଞ୍ଚକର କ୍ଷେତ୍ର ଯାହା ତଥ୍ୟ ଖନନ, ମେସିନ ଲର୍ଣ୍ଣିଂ, ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ, ସୂଚନା ପୁନରୁଦ୍ଧାର ଏବଂ ଜ୍ଞାନ ପରିଚାଳନା ଠାରୁ କୌଶଳଗୁଡିକର ମିଶ୍ରଣ କରି ସୂଚନା ଓଭରଲୋଡର ସଙ୍କଟକୁ ସମାଧାନ କରିବାକୁ ଚେଷ୍ଟା କରେ । ଏହି ପାଠ୍ୟ ଖନନ ହ୍ୟାଣ୍ଡବୁକ୍ରେ ପାଠ୍ୟ ଖନନ ଓ ଲିଙ୍କ୍ ଚିହ୍ନଟ କ୍ଷେତ୍ରରେ ଅତ୍ୟାଧୁନିକ କୌଶଳଗୁଡ଼ିକର ବ୍ୟାପକ ଆଲୋଚନା କରାଯାଇଛି । ମୂଳ ପାଠ୍ୟ ଖନନ ଏବଂ ଲିଙ୍କ୍ ଚିହ୍ନଟ ଆଲଗୋରିଦମ ଏବଂ କାର୍ଯ୍ୟକଳାପର ଗଭୀର ପରୀକ୍ଷା ପ୍ରଦାନ କରିବା ସହିତ, ପୁସ୍ତକ ଉନ୍ନତ ପ୍ରି-ପ୍ରୋସେସିଂ କୌଶଳ, ଜ୍ଞାନ ପ୍ରତିନିଧିତ୍ୱ ବିଚାର ଏବଂ ଦୃଶ୍ୟମାନତା ଆଭିମୁଖ୍ୟକୁ ପରୀକ୍ଷା କରେ, ବାସ୍ତବ ଦୁନିଆର ପ୍ରୟୋଗ ସହିତ ସମାପ୍ତ ହୁଏ । |
d044d399049bb9bc6df8cc2a5d72610a95611eed | ଉଦ୍ଦେଶ୍ୟ: ସବ୍ଆକ୍ୟୁଟ୍ ଷ୍ଟ୍ରୋକ୍ ଥିବା ବ୍ୟକ୍ତିଙ୍କଠାରେ ଲୋକୋମ୍ୟାଟ୍ ସହିତ ରୋବୋଟ୍ ସହାୟତାରେ ଚାଲି ଶିଖିବାର ପ୍ରଭାବକୁ ପାରମ୍ପରିକ ଚାଲି ଶିଖିବା ସହିତ ତୁଳନା କରିବା । ୦. ୧ ରୁ ୦. ୬ ମିଟର/ ସେକେଣ୍ଡ ମଧ୍ୟରେ ପ୍ରାରମ୍ଭିକ ଚାଲିବା ବେଗ ସହିତ ଷ୍ଟ୍ରୋକ୍ ର ୬ ମାସ ପରେ ମୋଟ ୬୩ ଜଣ ଅଂଶଗ୍ରହଣକାରୀ ବହୁକେନ୍ଦ୍ରିକ, ରାଣ୍ଡମାଇଜ୍ କ୍ଲିନିକାଲ୍ ପରୀକ୍ଷଣ ସମାପ୍ତ କରିଥିଲେ । ସମସ୍ତ ଅଂଶଗ୍ରହଣକାରୀମାନେ ୨୪ଟି ଏକ ଘଣ୍ଟାର ଲୋକମାଟ କିମ୍ବା ପାରମ୍ପରିକ ଗାଇଡ୍ ଟ୍ରେନିଂ ନେଇଥିଲେ । ଏହି ଫଳାଫଳକୁ ପ୍ରଶିକ୍ଷଣ ପୂର୍ବରୁ, ୧୨ ଓ ୨୪ଟି ସେସନ୍ ପରେ ଏବଂ ୩ ମାସ ପରେ ହୋଇଥିବା ପରବର୍ତ୍ତୀ ପରୀକ୍ଷାରେ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଥିଲା । ଭୂମି ଉପରେ ଚାଲିବା ପାଇଁ ବ୍ୟକ୍ତି ନିଜେ ଚୟନ କରିଥିବା ବେଗ ଏବଂ ୬ ମିନିଟରେ ଚାଲିଥିବା ଦୂରତା ପ୍ରାଥମିକ ଫଳାଫଳ ମାପଦଣ୍ଡ ଥିଲା, ଯେତେବେଳେ କି ଦ୍ୱିତୀୟିକ ଫଳାଫଳ ମାପଦଣ୍ଡରେ ସନ୍ତୁଳନ, ଗତିଶୀଳତା ଏବଂ କାର୍ଯ୍ୟ, ଗତି ଏବଂ ସମୀକରଣ, ଅକ୍ଷମତା ସ୍ତର ଏବଂ ଜୀବନ ଗୁଣବତ୍ତା ମାପଦଣ୍ଡ ଅନ୍ତର୍ଭୁକ୍ତ ଥିଲା । ଫଳଃ ପାରମ୍ପରିକ ଗେଜ ଟ୍ରେନିଂ ନେଇଥିବା ଅଂଶଗ୍ରହଣକାରୀମାନେ ଲୋକୋମ୍ୟାଟରେ ତାଲିମ ନେଇଥିବା ଅଂଶଗ୍ରହଣକାରୀମାନଙ୍କ ତୁଳନାରେ ଗେଜ ସ୍ପିଡ (ପି=.୦୦୨) ଏବଂ ଦୂରତା (ପି=.୦୩) ରେ ଅଧିକ ଉନ୍ନତି ହାସଲ କରିଥିଲେ । ଏହି ପାର୍ଥକ୍ୟ ୩ ମାସର ପରବର୍ତ୍ତୀ ମୂଲ୍ୟାଙ୍କନରେ ବଜାୟ ରହିଥିଲା । ଏହି ଦୁଇଟି ଗୋଷ୍ଠୀ ମଧ୍ୟରେ ଦ୍ବିତୀୟ ମାପକଗୁଡ଼ିକରେ କୌଣସି ପାର୍ଥକ୍ୟ ନଥିଲା, ଯଦିଓ ପାରମ୍ପରିକ ବର୍ଗ ଏବଂ ଲୋକୋମାଟ ଗୋଷ୍ଠୀରେ ଗତିରେ ଦୁଇଗୁଣ ଉନ୍ନତି ପରିଲକ୍ଷିତ ହୋଇଥିଲା । ଉପସଂହାର: ମଝିରୁ ଗୁରୁତର ଗମନ ଅକ୍ଷମତା ଥିବା ସବ୍-ଆକ୍ୟୁଟ୍ ଷ୍ଟ୍ରୋକ୍ ରୋଗୀଙ୍କ କ୍ଷେତ୍ରରେ, ରୋବୋଟ୍ ସହାୟକ ଗମନ ତାଲିମ ଅପେକ୍ଷା ପାରମ୍ପରିକ ଗମନ ତାଲିମ ଅଧିକ ପ୍ରଭାବଶାଳୀ ବୋଲି ଜଣାପଡିଛି । |
098cc8b16697307a241658d69c213954ede76d59 | ଦୁଇଟି ପ୍ଲାଟଫର୍ମରେ 43 ଜଣ ବ୍ୟବହାରକାରୀଙ୍କ ତଥ୍ୟକୁ ବ୍ୟବହାର କରି ଆମେ ସ୍ମାର୍ଟଫୋନ୍ ଟ୍ରାଫିକ୍ ଉପରେ ଏକ ବିସ୍ତୃତ ନଜର ରଖିଛୁ । ଆମେ ଜାଣିବାକୁ ପାଇଲୁ ଯେ ବ୍ରାଉଜିଂ ଟ୍ରାଫିକର ଅଧାରୁ ଅଧିକ ଯୋଗଦାନ ଦେଇଥାଏ, ଯେତେବେଳେ କି ଇମେଲ୍, ମିଡିଆ ଏବଂ ମାନଚିତ୍ର ପ୍ରତ୍ୟେକ ପ୍ରାୟ ୧୦% ଯୋଗଦାନ ଦେଇଥାନ୍ତି । ଆମେ ଏହା ମଧ୍ୟ ଜାଣିବାକୁ ପାଇଲୁ ଯେ ନିମ୍ନ ସ୍ତର ପ୍ରୋଟୋକଲର ଓଭରହେଡ୍ ଅଧିକ କାରଣ ଟ୍ରାନ୍ସଫର ଆକାର ଛୋଟ । ଟ୍ରାନ୍ସପୋର୍ଟ ସ୍ତରର ସୁରକ୍ଷା ବ୍ୟବହାର କରୁଥିବା ଅଧା ଟ୍ରାନ୍ସଫର ପାଇଁ ହେଡର ବାଇଟ ମୋଟ ଟ୍ରାନ୍ସଫରର ୪୦% ଅଟେ । ଆମେ ଦେଖାଇଲୁ ଯେ ପ୍ୟାକେଟ୍ ହାନି ସ୍ମାର୍ଟଫୋନ୍ ଟ୍ରାଫିକର ଗତିକୁ ସୀମିତ କରୁଥିବା ମୁଖ୍ୟ କାରଣ ଅଟେ, ଇଣ୍ଟରନେଟ୍ ସର୍ଭରରେ ବଡ଼ ପଠାଇବା ବଫର୍ଗୁଡିକ ଟ୍ରାନ୍ସଫରର ଏକ ଚତୁର୍ଥାଂଶ ଗତିକୁ ଉନ୍ନତ କରିପାରିବ । ଶେଷରେ ସ୍ମାର୍ଟଫୋନ୍ ଟ୍ରାଫିକ୍ ଏବଂ ରେଡିଓ ପାୱାର ମ୍ୟାନେଜମେଣ୍ଟ ପଲିସି ମଧ୍ୟରେ ଥିବା ପାରସ୍ପରିକ କ୍ରିୟାକୁ ଅଧ୍ୟୟନ କରି ଆମେ ପାଇଲୁ ଯେ, ପ୍ୟାକେଟ୍ ଏକ୍ସଚେଞ୍ଜର କାର୍ଯ୍ୟଦକ୍ଷତା ଉପରେ ସର୍ବନିମ୍ନ ପ୍ରଭାବ ସହିତ ରେଡିଓର ଶକ୍ତି ଖର୍ଚ୍ଚକୁ ୩୫% ହ୍ରାସ କରାଯାଇପାରିବ । |
1e126cee4c1bddbfdd4e36bf91b8b1c2fe8d44c2 | ଏହି କାଗଜରେ ପାୱାରବୁଟରର ବର୍ଣ୍ଣନା କରାଯାଇଛି, ଯାହାକି ଏକ ସ୍ୱୟଂଚାଳିତ ଶକ୍ତି ମଡେଲ ନିର୍ମାଣ କୌଶଳ ଯାହା ବ୍ୟାଟେରୀ ଭୋଲଟେଜ୍ ସେନସର ଏବଂ ବ୍ୟାଟେରୀ ଡିସଚାର୍ଜ ଆଚରଣର ଜ୍ଞାନ ବ୍ୟବହାର କରି ବିଦ୍ୟୁତ୍ ବ୍ୟବହାରକୁ ମନିଟରିଂ କରିବା ସହିତ ବିଦ୍ୟୁତ୍ ପରିଚାଳନା ଏବଂ ବ୍ୟକ୍ତିଗତ ଉପାଦାନଗୁଡ଼ିକର କାର୍ଯ୍ୟକଳାପକୁ ସ୍ପଷ୍ଟ ଭାବରେ ନିୟନ୍ତ୍ରଣ କରିଥାଏ । ଏଥିପାଇଁ କୌଣସି ବାହ୍ୟ ମାପ ଯନ୍ତ୍ରର ଆବଶ୍ୟକତା ନାହିଁ । ଆମେ ମଧ୍ୟ PowerTutor, ଏକ ଉପାଦାନ ଶକ୍ତି ପରିଚାଳନା ଏବଂ କାର୍ଯ୍ୟକଳାପ ସ୍ଥିତି ଅନ୍ତର୍ଦୃଷ୍ଟି ଆଧାରିତ ଉପକରଣ ବର୍ଣ୍ଣନା କରୁଛୁ ଯାହା ଅନଲାଇନ୍ ଶକ୍ତି ଆକଳନ ପାଇଁ PowerBooter ଦ୍ୱାରା ସୃଷ୍ଟି ହୋଇଥିବା ମଡେଲକୁ ବ୍ୟବହାର କରେ । ପାୱାରବୁଟରର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଆପ୍ଲିକେସନ ଡେଭଲପର ଏବଂ ଶେଷ ଉପଭୋକ୍ତାମାନଙ୍କୁ ନୂଆ ସ୍ମାର୍ଟଫୋନ୍ ଭାରିଆଣ୍ଟ ପାଇଁ ପାୱାର ମଡେଲ ସୃଷ୍ଟି କରିବା ପାଇଁ ଶୀଘ୍ର ଏବଂ ସହଜ କରିବା, ଯାହାର ପ୍ରତ୍ୟେକର ଭିନ୍ନ ଶକ୍ତି ବ୍ୟବହାର ଗୁଣ ଅଛି ଏବଂ ତେଣୁ ଭିନ୍ନ ଶକ୍ତି ମଡେଲ ଆବଶ୍ୟକ _ ଇନବେଡିଡ ସିଷ୍ଟମ ପାଇଁ ଶକ୍ତି ସଂଚୟ ସଫ୍ଟୱେର ର ଡିଜାଇନ ଏବଂ ଚୟନକୁ ସହଜ କରିବା ପାଇଁ ପାୱାରଟ୍ୟୁଟରର ଉଦ୍ଦେଶ୍ୟ ରହିଛି । ପାୱାରବୁଟର ଓ ପାୱାରଟ୍ୟୁଟରର ମିଳିତ ଉଦ୍ଦେଶ୍ୟ ସ୍ମାର୍ଟଫୋନର ଅଧିକ ଭାରିଆଣ୍ଟ ଓ ଏହାର ବ୍ୟବହାରକାରୀଙ୍କ ପାଇଁ ପାୱାର ମଡେଲିଂ ଓ ବିଶ୍ଳେଷଣକୁ ଉନ୍ମୁକ୍ତ କରିବା । |
3f62fe7de3bf15af1e5871dd8f623db29d8f0c35 | 255 ଜଣ ବ୍ୟବହାରକାରୀଙ୍କ ଠାରୁ ମିଳିଥିବା ସବିଶେଷ ତଥ୍ୟକୁ ବ୍ୟବହାର କରି ଆମେ ସ୍ମାର୍ଟଫୋନ୍ ବ୍ୟବହାର ସମ୍ପର୍କରେ ଏକ ବ୍ୟାପକ ଅଧ୍ୟୟନ କରିଛୁ । ଆମେ ବ୍ୟବହାରକାରୀଙ୍କ ଉଦ୍ଦେଶ୍ୟମୂଳକ କାର୍ଯ୍ୟକଳାପକୁ ବର୍ଣ୍ଣନା କରିଥାଉ -- ଉପକରଣ ଏବଂ ପ୍ରୟୋଗଗୁଡ଼ିକ ସହିତ ପାରସ୍ପରିକ କ୍ରିୟା -- ଏବଂ ସେହି କାର୍ଯ୍ୟକଳାପର ନେଟୱାର୍କ ଏବଂ ଶକ୍ତି ବ୍ୟବହାର ଉପରେ ପ୍ରଭାବ । ଆମେ ବ୍ୟବହାରକାରୀଙ୍କ ମଧ୍ୟରେ ଅସୀମ ବିବିଧତା ପାଇଥାଉ । ଆମେ ଅଧ୍ୟୟନ କରୁଥିବା ସମସ୍ତ ଦିଗ ସହିତ, ବ୍ୟବହାରକାରୀମାନେ ଏକ କିମ୍ବା ଅଧିକ ଆକାରରେ ଭିନ୍ନ ଅଟନ୍ତି । ଉଦାହରଣ ସ୍ୱରୂପ, ଦୈନିକ ହାରାହାରି ସଂଯୋଗ ସଂଖ୍ୟା ୧୦ରୁ ୨୦୦ ମଧ୍ୟରେ ପରିବର୍ତିତ ହୋଇଥାଏ ଏବଂ ଦୈନିକ ହାରାହାରି ଗ୍ରହଣ କରାଯାଇଥିବା ତଥ୍ୟ ପରିମାଣ ୧ରୁ ୧୦୦୦ ଏମବି ମଧ୍ୟରେ ପରିବର୍ତିତ ହୋଇଥାଏ । ଏହି ସ୍ତରର ବିବିଧତା ଦର୍ଶାଏ ଯେ ଉପଭୋକ୍ତା ଅନୁଭୂତି କିମ୍ବା ଶକ୍ତି ବ୍ୟବହାରରେ ଉନ୍ନତି ଆଣିବା ପାଇଁ ବ୍ୟବସ୍ଥା ଅଧିକ ପ୍ରଭାବଶାଳୀ ହେବ ଯଦି ସେମାନେ ଉପଭୋକ୍ତାଙ୍କ ଆଚରଣକୁ ଶିଖନ୍ତି ଏବଂ ଅନୁକୂଳ କରନ୍ତି । ଆମେ ପାଇଲୁ ଯେ ବ୍ୟବହାରକାରୀଙ୍କ ମଧ୍ୟରେ ଗୁଣାତ୍ମକ ସମାନତା ରହିଛି ଯାହା ବ୍ୟବହାରକାରୀଙ୍କ ଆଚରଣ ଶିଖିବାର କାର୍ଯ୍ୟକୁ ସହଜ କରିଥାଏ । ଉଦାହରଣ ସ୍ୱରୂପ, ଆପ୍ଲିକେସନ ଲୋକପ୍ରିୟତା ପାଇଁ ଏକ ମାପକ ବଣ୍ଟନ ବ୍ୟବହାର କରି ମଡେଲ୍ କରାଯାଇପାରିବ, ବିଭିନ୍ନ ବ୍ୟବହାରକାରୀଙ୍କ ପାଇଁ ଭିନ୍ନ ବଣ୍ଟନ ପାରାମିଟର ସହିତ । ଆମେ ଭବିଷ୍ୟତର ଶକ୍ତି ଖର୍ଚ୍ଚର ପୂର୍ବାନୁମାନ ପାଇଁ ଏକ ପ୍ରଣାଳୀରେ ବ୍ୟବହାରକାରୀଙ୍କ ବ୍ୟବହାରକୁ ଅନୁକୂଳ କରିବାର ମୂଲ୍ୟକୁ ପ୍ରଦର୍ଶନ କରୁଛୁ । ଉପଭୋକ୍ତାମାନଙ୍କ ମଧ୍ୟରେ ହାରାହାରି ବ୍ୟବହାର ଉପରେ ଆଧାରିତ ଭବିଷ୍ୟବାଣୀ ତୁଳନାରେ ଅନୁକୂଳତା ସହିତ 90ତମ ଶତକଡା ତ୍ରୁଟି ଅଧାରୁ କମ୍ ଅଟେ । |
45654695f5cad20d2be36d45d280af5180004baf | ଏହି ଲେଖାରେ ଆମେ ଭବିଷ୍ୟତର 5G ନେଟୱାର୍କ ପାଇଁ ଏକ ନୂତନ ଫ୍ରଣ୍ଟହାଉଲ୍ ଇଣ୍ଟରଫେସର ଡିଜାଇନ୍ ବିଷୟରେ ଆଲୋଚନା କରୁଛୁ । ବର୍ତ୍ତମାନର ଫ୍ରଣ୍ଟହାଉଲ୍ ସମାଧାନର ପ୍ରମୁଖ ଅଭାବକୁ ପ୍ରଥମେ ବିଶ୍ଳେଷଣ କରାଯାଇଛି ଏବଂ ତା ପରେ ପରବର୍ତ୍ତୀ ପିଢ଼ିର ଫ୍ରଣ୍ଟହାଉଲ୍ ଇଣ୍ଟରଫେସ୍ (ଏନଜିଏଫ୍ଆଇ) ନାମକ ଏକ ନୂତନ ଫ୍ରଣ୍ଟହାଉଲ୍ ଇଣ୍ଟରଫେସ୍ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । ଏନଜିଏଫଆଇର ଡିଜାଇନ ସିଦ୍ଧାନ୍ତ ଉପସ୍ଥାପିତ କରାଯାଇଛି, ଯେଉଁଥିରେ ଆଣ୍ଟେନା ସଂଖ୍ୟା ଠାରୁ ଫ୍ରଣ୍ଟହାଉଲ ବ୍ୟାଣ୍ଡୱିଡଥକୁ ଅଲଗା କରିବା, ସେଲ ଏବଂ ୟୁଜର ଉପକରଣ ପ୍ରକ୍ରିୟାକରଣକୁ ଅଲଗା କରିବା ଏବଂ ଉଚ୍ଚ-କାର୍ଯ୍ୟଦକ୍ଷତା ଯୁକ୍ତ ସହଯୋଗୀ ପ୍ରଯୁକ୍ତି ଉପରେ ଧ୍ୟାନ ଦେବା ଅନ୍ତର୍ଭୁକ୍ତ । ଏନଜିଏଫଆଇର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ପ୍ରମୁଖ ୫ଜି ପ୍ରଯୁକ୍ତି ବିଶେଷ କରି କ୍ଲାଉଡ ରାନ, ନେଟୱାର୍କ ଫଙ୍କସନ ଭର୍ଚୁଆଲାଇଜେସନ ଏବଂ ବୃହତ ଆଣ୍ଟେନା ସିଷ୍ଟମକୁ ଉନ୍ନତ ଭାବେ ସମର୍ଥନ କରିବା । ମୋବାଇଲ ନେଟୱର୍କ ଟ୍ରାଫିକ ଉପରେ ଜଳପ୍ରବାହ ପ୍ରଭାବର ଉପଯୋଗ କରି କମ ବ୍ୟାଣ୍ଡୱିଡ୍ଟର ଫାଇଦା ଏବଂ ଉନ୍ନତ ଟ୍ରାନ୍ସମିଶନ ଦକ୍ଷତା NGFI ଦାବି କରିଛି । ନମନୀୟତା ଏବଂ ନିର୍ଭରଯୋଗ୍ୟତାର ଲାଭ ଉଠାଇବା ପାଇଁ ଏନଜିଏଫଆଇର ପ୍ରସାରଣ ଇଥରନେଟ ଉପରେ ଆଧାରିତ । ଇଥରନେଟ ଆଧାରିତ ଫ୍ରଣ୍ଟହାଉଲ ନେଟୱାର୍କର ପ୍ରମୁଖ ପ୍ରଭାବ, ଆହ୍ୱାନ ଏବଂ ସମ୍ଭାବ୍ୟ ସମାଧାନ ମଧ୍ୟ ବିଶ୍ଳେଷଣ କରାଯାଇଛି । ଜିତର, ଲେଟେନ୍ସି, ସମୟ ଏବଂ ଫ୍ରିକ୍ୱେନ୍ସି ସିଙ୍କ୍ରୋନାଇଜେସନ୍ ହେଉଛି ସମାଧାନ କରିବାର ପ୍ରମୁଖ ସମସ୍ୟା । |
a1bbd52c57ad6a36057f5aa69544887261eb1a83 | ଆମେ ଏକ ସିଣ୍ଟାକ୍ସ-ଆଧାରିତ ଆଲଗୋରିଦମ ବର୍ଣ୍ଣନା କରୁଛୁ ଯାହା ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଅର୍ଥନୈତିକ ଭାବରେ ସମାନ ଅନୁବାଦ ସେଟରୁ ସମାପ୍ତ ରାଜ୍ୟ ସ୍ୱୟଂଚାଳିତ (ଶବ୍ଦ ଗ୍ରୀଡ) ନିର୍ମାଣ କରେ । ଏହି ଏଫଏସଏଗୁଡ଼ିକ ହେଉଛି ପାରାଫ୍ରେସର ଭଲ ପ୍ରତିନିଧିତ୍ୱ । ସେଗୁଡ଼ିକର ବ୍ୟବହାର ଶବ୍ଦକୋଷିକ ଏବଂ ବାକ୍ୟରଚନାଗତ ପାରାଫ୍ରେଜ୍ ଯୋଡ଼ି ବାହାର କରିବା ପାଇଁ କରାଯାଇପାରିବ ଏବଂ ନୂତନ, ଅଦୃଶ୍ୟ ବାକ୍ୟ ସୃଷ୍ଟି କରିବା ପାଇଁ ଯାହାକି ଇନପୁଟ୍ ସେଟ୍ରେ ଥିବା ବାକ୍ୟର ସମାନ ଅର୍ଥ ପ୍ରକାଶ କରିଥାଏ । ଆମର ଏଫଏସଏ ମଧ୍ୟ ବିକଳ୍ପ ଅର୍ଥାତ୍ମକ ଅନୁବାଦର ସଠିକତାକୁ ପୂର୍ବାନୁମାନ କରିପାରିବ, ଯାହା ଅନୁବାଦର ଗୁଣବତ୍ତା ମୂଲ୍ୟାଙ୍କନ ପାଇଁ ବ୍ୟବହୃତ ହୋଇପାରେ । |
78e2cf228287d7e995c6718338e3ec58dc7cca50 | |
7674e4e66c60a4a31d0b68a07d4ea521cca8a84b | ଫଜିଲୋଗ୍ ହେଉଛି ଏକ ଆଂଶିକ ଭାବରେ ଅର୍ଡର ହୋଇଥିବା ଶେୟର ହୋଇଥିବା ଲଗ୍ ଅବଷ୍ଟ୍ରାକ୍ସନ । ବଣ୍ଟିତ ପ୍ରୟୋଗଗୁଡ଼ିକ ଏକ ସମୟରେ ଆଂଶିକ ଆଦେଶକୁ ଯୋଡ଼ିପାରିବେ ଏବଂ ଏହାକୁ ପୁନଃପ୍ରକାଶ କରିପାରିବେ । ଫଜ୍ଜିଲୋଗ୍ ଆପ୍ଲିକେସନ୍ଗୁଡିକ ଏକ ଅନ୍ତର୍ନିହିତ ସହଭାଗୀ ଲଗ୍ ର ଲାଭ ହାସଲ କରନ୍ତି - ଏହାର ଦୁର୍ବଳତା ଭୋଗ ନକରି ସରଳ ଉପାୟରେ ଦୃଢ଼ ସ୍ଥିରତା, ସ୍ଥାୟୀତ୍ୱ ଏବଂ ତ୍ରୁଟି ପରମାଣୁତ୍ବ ବାହାର କରନ୍ତି । ଆଂଶିକ କ୍ରମରେ ପ୍ରକାଶ କରି, ଫଜ୍ଜିଲୋଗ୍ ପ୍ରୟୋଗ ପାଇଁ ତିନୋଟି ମୁଖ୍ୟ କ୍ଷମତାକୁ ସକ୍ଷମ କରିଥାଏ: ଟର୍ନପୁଟ୍ ଏବଂ କ୍ଷମତା ପାଇଁ ରେଖାପାତ ମାପ (ଆଟୋମିକ୍ତା ବଳିଦାନ ନକରି), ଦୁର୍ବଳ ଏକତ୍ରୀକରଣ ଗ୍ୟାରେଣ୍ଟି, ଏବଂ ନେଟୱାର୍କ ବିଭାଜନ ପ୍ରତି ସହନଶୀଳତା । ଆମେ ଏଠାରେ ଡାପଲକୁ ଉପସ୍ଥାପନ କରୁଛୁ, ଯାହାକି ଫଜିଲୋଗ୍ ଅବଷ୍ଟ୍ରାକସନର ଏକ ବଣ୍ଟିତ କାର୍ଯ୍ୟକାରିତା ଯାହାକି ଆଂଶିକ କ୍ରମରେ କମ୍ପାକ୍ଟ ଭାବେ ସଂରକ୍ଷଣ କରିଥାଏ ଏବଂ ଏକ ନୂତନ ଅର୍ଡର ପ୍ରୋଟୋକଲ୍ ମାଧ୍ୟମରେ ଦକ୍ଷ ଆନେକ୍ସନ୍ / ପ୍ଲେବ୍ୟାକ୍ କୁ ସମର୍ଥନ କରିଥାଏ । ଆମେ ଅନେକ ତଥ୍ୟ ସଂରଚନା ଏବଂ ପ୍ରୟୋଗକୁ ଫଜିଲୋଗରେ କାର୍ଯ୍ୟକାରୀ କରିଛୁ, ଯେଉଁଥିରେ ଅନେକ ମାନଚିତ୍ର ଭାରିଆଣ୍ଟ ଏବଂ ଏକ ZooKeeper କାର୍ଯ୍ୟକାରିତା ଅନ୍ତର୍ଭୁକ୍ତ । ଆମର ମୂଲ୍ୟାୟନ ଦର୍ଶାଏ ଯେ ଏହି ପ୍ରୟୋଗଗୁଡ଼ିକ କମ୍ପାକ୍ଟ, ଦ୍ରୁତ ଏବଂ ନମନୀୟ ଅଟେ: ସେମାନେ ଏକ ଅଂଶୀଦାର ହୋଇଥିବା ଲଗ୍ ଡିଜାଇନ୍ ର ସରଳତା (କୋଡର ଶହେଟି ଧାଡି) ଏବଂ ଦୃଢ ଅର୍ଥଶାସ୍ତ୍ର (ସ୍ଥାୟୀତା ଏବଂ ବିଫଳତା ପରମାଣୁ) ବଜାୟ ରଖିଥାନ୍ତି, ଯେତେବେଳେ କି ରେଖାଗତ ମାପଯୋଗ୍ୟତା, ନମନୀୟ ସମାନତା ଗ୍ୟାରେଣ୍ଟି (ଯଥା, କାରଣ + ସମାନତା) ଏବଂ ନେଟୱାର୍କ ବିଭାଜନ ସହନଶୀଳତା ପାଇଁ ଫଜ୍ଜିଲୋଗ୍ର ଆଂଶିକ କ୍ରମରେ ଉପଯୋଗ କରନ୍ତି । 6-ନୋଡ ଡାପଲ ନିୟୋଜନ ଉପରେ, ଆମର ଫଜିଲୋଗ ଆଧାରିତ ଜୋଇକିପର 3M/ସେକେଣ୍ଡ ସିଙ୍ଗଲ-କି ଲେଖିବା ଏବଂ 150K/ସେକେଣ୍ଡ ପରମାଣୁ କ୍ରସ-ଶାର୍ଡ ପୁନଃ ନାମକରଣକୁ ସମର୍ଥନ କରେ । |
38bcf0bd4f8c35ff54d292d37cbdca1da677f3f5 | କାନରେ ଲଗାଯାଇଥିବା ବାୟୋସେନସର (ଡବ୍ଲୁବିଏସ) ଦ୍ୱାରା ଅନେକ ନୂଆ ନୂଆ କ୍ଷେତ୍ରରେ କ୍ରମାଗତ ଭାବେ ହୃତ୍ପିଣ୍ଡର (ସିଭି) ନିରୀକ୍ଷଣ ସମ୍ଭବ ହୋଇପାରିବ । ଅନେକ ପ୍ରମୁଖ ରୋଗର ନିଦାନ ଓ ଚିକିତ୍ସା କ୍ଷେତ୍ରରେ ଏହାର ଲାଭ ମିଳିପାରେ । ଉପଯୁକ୍ତ ଆଲଗୋରିଦମ ସହିତ ୱେବ୍ ସବଷ୍ଟେସନ, ଉଚ୍ଚ ବିପଦଜନକ ବିଷୟ ପାଇଁ CV ବିପର୍ଯ୍ୟୟ ପାଇଁ ନିରୀକ୍ଷଣ କ୍ଷମତା ବୃଦ୍ଧି କରିପାରିବ । WBS ମଧ୍ୟ କ୍ରୋନିକ୍ ରୋଗର ଚିକିତ୍ସାରେ ଏକ ଭୂମିକା ଗ୍ରହଣ କରିପାରେ, ଯାହା ଚିକିତ୍ସା ପାଇଁ ସଠିକ୍ ଟାଇଟ୍ରେସନ୍ କିମ୍ବା ରୋଗୀ ଅନୁପାଳନରେ ତ୍ରୁଟି ଚିହ୍ନଟ କରିବାକୁ ସକ୍ଷମ କରେ । ବିପଦପୂର୍ଣ୍ଣ କାର୍ଯ୍ୟକଳାପ (ସୈନିକ, ଅଗ୍ନି ନିର୍ବାପକ, ଇତ୍ୟାଦି) ସମୟରେ ଲୋକଙ୍କ ବେତାର ନିରୀକ୍ଷଣରେ ୱାଇବ୍ରେଡ୍ ସବଷ୍ଟେସନ୍ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଭୂମିକା ଗ୍ରହଣ କରିପାରିବ । ), କିମ୍ବା ଏଭଳି ସେନ୍ସର ସାମୂହିକ ନାଗରିକ ହତାହତ ଘଟଣା ସମୟରେ ଦିଆଯାଇପାରିବ । ଯେହେତୁ CV ଫିଜିଓ-ଲୋଜିକାଲ ପାରାମିଟରଗୁଡିକ "ଜୀବନଚର୍ଯ୍ୟା ସଂକେତ" ଗଠନ କରନ୍ତି ଯାହା ଜରୁରୀକାଳୀନ ଡାକ୍ତରୀ ପରିସ୍ଥିତିରେ ସବୁଠାରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ସୂଚନା, WBS ବିପଦରେ ଥିବା ବହୁ ସଂଖ୍ୟକ ବିଷୟ ପାଇଁ ଏକ ୱାୟାରଲେସ୍ ମନିଟରିଂ ସିଷ୍ଟମକୁ ସକ୍ଷମ କରିପାରେ _ ଏହି ସମାନ ପଦ୍ଧତି ଆଜିକାଲିର ଅତ୍ୟଧିକ ଭିଡ଼ ଥିବା ଜରୁରୀକାଳୀନ ବିଭାଗର ପ୍ରତୀକ୍ଷା କକ୍ଷକୁ ନିରୀକ୍ଷଣ କରିବାରେ ମଧ୍ୟ ଉପଯୋଗୀ ହୋଇପାରେ । ଯେଉଁ ହସ୍ପିଟାଲରେ ଭର୍ତ୍ତି ହୋଇଥିବା ରୋଗୀମାନଙ୍କ ପାଇଁ ହୃଦସ୍ପନ୍ଦନ ନିରୀକ୍ଷଣର ଆବଶ୍ୟକତା ରହିଛି, ସେମାନଙ୍କ ପାଇଁ ବର୍ତ୍ତମାନର ବାୟୋସେନସର ଟେକ୍ନୋଲୋଜି ସାଧାରଣତଃ ରୋଗୀମାନଙ୍କୁ କେବୁଲର ଏକ ଜଡ଼ରେ ବାନ୍ଧି ରଖିଥାଏ, ଯେତେବେଳେ କି ପିନ୍ଧିବା ଯୋଗ୍ୟ ହୃଦସ୍ପନ୍ଦନ ସେନସର ଦ୍ୱାରା ରୋଗୀମାନଙ୍କ ଆରାମ ବୃଦ୍ଧି ପାଇଥାଏ ଏବଂ ଝୁଣ୍ଟିବା ଏବଂ ପଡ଼ିବାର ଆଶଙ୍କା ମଧ୍ୟ ହ୍ରାସ ପାଇଥାଏ, ଯାହା ରୋଗୀ, ଔଷଧ ଏବଂ ଅଜଣା ପରିବେଶରେ ଭର୍ତ୍ତି ହୋଇଥିବା ରୋଗୀଙ୍କ ପାଇଁ ଏକ ସ୍ଥାୟୀ ସମସ୍ୟା । ପ୍ରତିଦିନ, ପିନ୍ଧିବା ଯୋଗ୍ୟ ସିଭି ସେନସରଗୁଡିକ ଔଷଧର ଏକ ଅବହେଳିତ ମାତ୍ରା ଚିହ୍ନଟ କରି ଚିକିତ୍ସା ନହୋଇଥିବା ଉଚ୍ଚ ରକ୍ତଚାପକୁ ଚିହ୍ନଟ କରିପାରେ ଏବଂ ରୋଗୀକୁ ଔଷଧ ନେବା ପାଇଁ ଏକ ସ୍ୱୟଂଚାଳିତ ସ୍ମାରକୀ ଟ୍ରିଗର୍ କରିପାରେ । ଏହା ବ୍ୟତୀତ, ଉଚ୍ଚ ରକ୍ତଚାପର ଚିକିତ୍ସା ପାଇଁ ଡାକ୍ତରମାନଙ୍କୁ ଟାଇଟ୍ରେଟ୍ କରିବା ଜରୁରୀ, କାରଣ ଉଭୟ ପର୍ଯ୍ୟାପ୍ତ ଚିକିତ୍ସା ଏବଂ ଅତ୍ୟଧିକ ଚିକିତ୍ସା (ଅସାଧାରଣ ଭାବରେ ନିମ୍ନ ରକ୍ତଚାପକୁ ନେଇଥାଏ) ମୃତ୍ୟୁହାରକୁ ବୃଦ୍ଧି କରିଥାଏ । କିନ୍ତୁ, ଚିକିତ୍ସା ପ୍ରଦାନକାରୀମାନେ କେବଳ ରକ୍ତଚାପର ବିଭାଜନମୂଳକ ମୂଲ୍ୟକୁ ଆଧାର କରି ଚିକିତ୍ସା ନିଷ୍ପତ୍ତି ନେଇଥାନ୍ତି; ଏହା ସମ୍ଭବ ଯେ, ନିରନ୍ତର ରକ୍ତଚାପ ନିରୀକ୍ଷଣ ଦ୍ୱାରା ଚିକିତ୍ସା ବୃଦ୍ଧି ଏବଂ ମୃତ୍ୟୁହାର ହ୍ରାସ କରାଯାଇପାରିବ । ସେହିପରି, ଡବ୍ଲୁବିଏସ୍ ରୋଗୀର ବ୍ୟାୟାମର ଶାରୀରିକ ଚିହ୍ନକୁ (ହୃଦୟ ସ୍ପନ୍ଦନ ଏବଂ ରକ୍ତଚାପରେ ପରିବର୍ତ୍ତନ ଭାବରେ ପ୍ରକାଶିତ) ଲଗ୍ କରିବାକୁ ସକ୍ଷମ ହେବ, ଯାହା ରୋଗୀ ଏବଂ ସ୍ୱାସ୍ଥ୍ୟ ସେବା ପ୍ରଦାନକାରୀଙ୍କୁ ସ୍ୱାସ୍ଥ୍ୟ ଫଳାଫଳକୁ ଉନ୍ନତ କରିବାକୁ ପ୍ରମାଣିତ ହୋଇଥିବା ଏକ ପଦ୍ଧତିର ଅନୁପାଳନକୁ ଆକଳନ କରିବାକୁ ଅନୁମତି ଦେବ । ହୃଦଘାତ ଭଳି କ୍ରୋନିକ୍ ହୃଦ୍ରୋଗ ରୋଗୀଙ୍କ କ୍ଷେତ୍ରରେ, ୱାଇବିଏସ୍ ବ୍ୟବହାର କରି ଘରେ ନିରୀକ୍ଷଣ କରିବା ଦ୍ୱାରା ରୋଗୀ ଅଧିକ ବିପଜ୍ଜନକ ସ୍ତରକୁ ଅଗ୍ରଗତି କରିବା ପୂର୍ବରୁ, ଅତି ପ୍ରାରମ୍ଭିକ (ଏବଂ ପ୍ରାୟତଃ ସହଜରେ ଚିକିତ୍ସା) ପର୍ଯ୍ୟାୟରେ, ରୋଗୀକୁ ଜରୁରୀକାଳୀନ ବିଭାଗ ପରିଦର୍ଶନ ଏବଂ ମହଙ୍ଗା ଡାକ୍ତରଖାନାରେ ଭର୍ତ୍ତି କରିବା ଆବଶ୍ୟକ ହେବା ପୂର୍ବରୁ, ଅଧିକ ଜଟିଳତା ଚିହ୍ନଟ କରାଯାଇପାରେ । ଏହି ଲେଖାରେ ଆମେ ଉଭୟ ବୈଷୟିକ ଓ କ୍ଲିନିକାଲ... |
86c9a59c7c4fcf0d10dbfdb6afd20dd3c5c1426c | ଆଙ୍ଗୁଠି ଚିହ୍ନର ବର୍ଗୀକରଣ ଆଙ୍ଗୁଠି ଚିହ୍ନ ଡାଟାବେସରେ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ସୂଚୀକରଣ ବ୍ୟବସ୍ଥା ପ୍ରଦାନ କରିଥାଏ । ଏକ ସଠିକ ଏବଂ ସମାନ ଶ୍ରେଣୀକରଣ ଏକ ବୃହତ ଡାଟାବେସ୍ ପାଇଁ ଆଙ୍ଗୁଠି ଚିହ୍ନ ମେଳ ସମୟକୁ ହ୍ରାସ କରିପାରିବ । ଆମେ ଏକ ଆଙ୍ଗୁଠି ଚିହ୍ନ ବର୍ଗୀକରଣ ଆଲଗୋରିଦମ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ସାହିତ୍ୟରେ ପୂର୍ବରୁ ରିପୋର୍ଟ କରାଯାଇଥିବା ଠାରୁ ଅଧିକ ସଠିକତା ହାସଲ କରିବାରେ ସକ୍ଷମ । ଆମେ ଆଙ୍ଗୁଠିର ଚିହ୍ନକୁ ପାଞ୍ଚଟି ଶ୍ରେଣୀରେ ବିଭକ୍ତ କରିଥାଉ: ଘୁରି ବୁଲୁଥିବା, ଡାହାଣ ଲାପ୍, ବାମ ଲାପ୍, ଆର୍କ୍, ଏବଂ ଟେଣ୍ଟେଡ୍ ଆର୍କ୍ । ଏହି ଆଲଗୋରିଦମ ଏକ ନୂଆ ପ୍ରତିନିଧିତ୍ୱ (ଫିଙ୍ଗରକୋଡ୍) ବ୍ୟବହାର କରିଥାଏ ଏବଂ ଏହା ଏକ ଶ୍ରେଣୀକରଣ କରିବା ପାଇଁ ଦୁଇ-ସ୍ତରୀୟ ଶ୍ରେଣୀକରଣ ଉପରେ ଆଧାରିତ । ଏହାକୁ ଏନଆଇଏସଟି-୪ ଡାଟାବେସରେ ଥିବା ୪୦୦୦ଟି ଚିତ୍ର ଉପରେ ପରୀକ୍ଷା କରାଯାଇଛି । ପାଞ୍ଚ ଶ୍ରେଣୀ ବିଶିଷ୍ଟ ସମସ୍ୟା ପାଇଁ, ୯୦ ପ୍ରତିଶତର ବର୍ଗୀକରଣ ସଠିକତା ହାସଲ କରାଯାଇଥାଏ (ବିଶିଷ୍ଟତା ଉତ୍ତୋଳନ ପର୍ଯ୍ୟାୟରେ ୧.୮ ପ୍ରତିଶତ ପ୍ରତ୍ୟାଖ୍ୟାନ ସହିତ) । ଚାରୋଟି ଶ୍ରେଣୀ ସମସ୍ୟା ପାଇଁ (ଆର୍କ ଏବଂ ଟେଣ୍ଟେଡ୍ ଆର୍କକୁ ଗୋଟିଏ ଶ୍ରେଣୀରେ ମିଶାଇ) ଆମେ 94.8 ପ୍ରତିଶତର ବର୍ଗୀକରଣ ସଠିକତା ହାସଲ କରିପାରିବା (1.8 ପ୍ରତିଶତ ପ୍ରତ୍ୟାଖ୍ୟାନ ସହିତ) । ଶ୍ରେଣୀକରଣରେ ଏକ ଅଗ୍ରାହ୍ୟ ବିକଳ୍ପକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରି, ଶ୍ରେଣୀକରଣ ସଠିକତା ପାଞ୍ଚ ଶ୍ରେଣୀ ଶ୍ରେଣୀକରଣ କାର୍ଯ୍ୟ ପାଇଁ 96 ପ୍ରତିଶତକୁ ବୃଦ୍ଧି କରାଯାଇପାରିବ ଏବଂ ମୋଟ 32.5 ପ୍ରତିଶତ ପ୍ରତିଛବି ପ୍ରତ୍ୟାଖ୍ୟାନ ହେବା ପରେ ଚାରି ଶ୍ରେଣୀ ଶ୍ରେଣୀକରଣ କାର୍ଯ୍ୟ ପାଇଁ 97.8 ପ୍ରତିଶତକୁ ବୃଦ୍ଧି କରାଯାଇପାରିବ । |
a2ed347d010aeae4ddd116676bdea2e77d942f6e | ଏହି କାଗଜରେ ଆଙ୍ଗୁଠିର ଚିହ୍ନର ଆଲଗୋରିଦମକୁ ଉପସ୍ଥାପିତ କରାଯାଇଛି । ଆଙ୍ଗୁଠିର ଛାପକୁ ପାଞ୍ଚଟି ଶ୍ରେଣୀରେ ବିଭକ୍ତ କରାଯାଇଛି: ଆର୍କ, ଟେଣ୍ଟେଡ୍ ଆର୍କ, ଲେଫ୍ଟ ଲୁପ୍, ରାଇଟ୍ ଲୁପ୍ ଏବଂ ୱର୍ଲ୍ । ଆଲଗୋରିଦମଟି ଏକ ଆଙ୍ଗୁଠି ଚିହ୍ନ ପ୍ରତିଛବିରେ ଏକକ ବିନ୍ଦୁ (କୋର ଏବଂ ଡେଲଟା) ବାହାର କରିଥାଏ ଏବଂ ଚିହ୍ନଟ ହୋଇଥିବା ଏକକ ବିନ୍ଦୁଗୁଡ଼ିକର ସଂଖ୍ୟା ଏବଂ ଅବସ୍ଥାନ ଉପରେ ଆଧାର କରି ବର୍ଗୀକରଣ କରିଥାଏ । ଏହି ଶ୍ରେଣୀକରଣର ପରିବର୍ତ୍ତନ ଘୂର୍ଣ୍ଣନ, ଅନୁବାଦ ଏବଂ ଅଳ୍ପ ପରିମାଣର ଆକାର ପରିବର୍ତ୍ତନ ଉପରେ ନିର୍ଭର କରେ । ଏହି ଶ୍ରେଣୀକରଣ ନିୟମ ଆଧାରିତ, ଯେଉଁଠାରେ ନିୟମଗୁଡିକ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଡାଟା ସେଟରୁ ସ୍ୱାଧୀନ ଭାବରେ ସୃଷ୍ଟି ହୋଇଥାଏ । ଏହି ବର୍ଗୀକରଣକୁ NIST-4 ଡାଟାବେସରେ 4000 ଚିତ୍ର ଏବଂ NIST-9 ଡାଟାବେସରେ 5400 ଚିତ୍ର ଉପରେ ପରୀକ୍ଷଣ କରାଯାଇଥିଲା । NIST-4 ଡାଟାବେସ୍ ପାଇଁ, ପାଞ୍ଚ ଶ୍ରେଣୀ ସମସ୍ୟା ପାଇଁ 85.4% ଏବଂ ଚାରି ଶ୍ରେଣୀ ସମସ୍ୟା ପାଇଁ 91.1% (ଆର୍କ ଏବଂ ଟେଣ୍ଟେଡ୍ ଆର୍କକୁ ସମାନ ଶ୍ରେଣୀରେ ରଖାଯାଇଥିବା) ର ଶ୍ରେଣୀକରଣ ସଠିକତା ହାସଲ କରାଯାଇଥିଲା । ଅଗ୍ରାହ୍ୟ ବିକଳ୍ପ ବ୍ୟବହାର କରି, ଚାରୋଟି ଶ୍ରେଣୀ ଶ୍ରେଣୀକରଣ ତ୍ରୁଟି 6% ରୁ କମ୍ ହୋଇପାରେ 10% ଟିପଚିହ୍ନ ପ୍ରତିଛବି ପ୍ରତ୍ୟାଖ୍ୟାନ କରାଯାଇପାରେ _ ଏହିପରି ଶ୍ରେଣୀକରଣ କାର୍ଯ୍ୟ NIST-9 ଡାଟାବେସରେ ମଧ୍ୟ କରାଯାଇଥିଲା । |
b07ce649d6f6eb636872527104b0209d3edc8188 | |
3337976b072405933a02f7d912d2b6432de38feb | ଏହି ଦସ୍ତାବିଜ ତିନୋଟି ଭାଗରେ ବିଭକ୍ତ ହୋଇଛି: ସାଧାରଣ ଭାବରେ ସାରାଂଶର ପ୍ରାଥମିକ ପ୍ରକାର; ବର୍ତ୍ତମାନର ଏବଂ ଯୋଜନା କରାଯାଇଥିବା ମଡ୍ୟୁଲଗୁଡ଼ିକର ବର୍ଣ୍ଣନା ଏବଂ SUMMARISTର କାର୍ଯ୍ୟଦକ୍ଷତା, ଯାହାକି ଏକ ସ୍ୱୟଂଚାଳିତ ବହୁଭାଷୀ ପାଠ୍ୟ ସାରାଂଶ ବ୍ୟବସ୍ଥା ଯାହା ସ୍ୟାଟ୍ ISI ଦ୍ୱାରା ନିର୍ମିତ ହେଉଛି, ଏବଂ ସାରାଂଶଗୁଡ଼ିକର ମୂଲ୍ୟାଙ୍କନ ପାଇଁ ତିନୋଟି ପଦ୍ଧତିର ଆଲୋଚନା । ୧. କେଉଁ ବିଷୟ ଉପରେ ଆଲୋଚନା କରିବା? T H E N A T U R E O F S U M A R I E S ୧୯୫୦ ଦଶକର ଶେଷ ଭାଗରେ ଏବଂ ୬୦ ଦଶକର ଆରମ୍ଭରେ ହୋଇଥିବା ପରୀକ୍ଷଣରୁ ଜଣାପଡିଥିଲା ଯେ କମ୍ପ୍ୟୁଟର ଦ୍ୱାରା ପାଠ୍ୟର ସାରାଂଶୀକରଣ ସମ୍ଭବ, ଯଦିଓ ଏହା ସହଜ ନଥିଲା (ଲୁହନ୍, ୫୯; ଏଡମଣ୍ଡସନ୍, ୬୮) । ସେତେବେଳେ ବିକଶିତ କରାଯାଇଥିବା ପଦ୍ଧତିଗୁଡିକ ଯଥେଷ୍ଟ ଅସ୍ପଷ୍ଟ ଥିଲା, ମୁଖ୍ୟତଃ ବାକ୍ୟର ସ୍ଥିତି ଏବଂ ଶବ୍ଦ ଫ୍ରିକ୍ୱେନ୍ସି ଗଣନା ପରି ପୃଷ୍ଠ ସ୍ତରୀୟ ଘଟଣା ଉପରେ ନିର୍ଭର କରି, ଏବଂ ସାରାଂଶ (ପାଠ୍ୟର ବ୍ୟାଖ୍ୟା କରାଯାଇଥିବା ଅଂଶ, ନୂତନ ଭାବରେ ସୃଷ୍ଟି ହୋଇଥିବା) ଅପେକ୍ଷା ଉଦ୍ଧୃତ (ପାଠ୍ୟରୁ ମନୋନୀତ ଅଂଶ, ଆକ୍ଷରିକ ଭାବରେ ପୁନଃପ୍ରକାଶିତ) ଉତ୍ପାଦନ ଉପରେ ଧ୍ୟାନ ଦେଇଥିଲା । କିଛି ଦଶନ୍ଧି ପରେ, ଅନଲାଇନ୍ ପାଠ୍ୟର ବୃହତ ପରିମାଣର ବୃଦ୍ଧି - କର୍ପୋରେସ ଏବଂ ବିଶେଷକରି ୱେବରେ - ସ୍ୱୟଂଚାଳିତ ପାଠ୍ୟ ସାରାଂଶରେ ଆଗ୍ରହକୁ ନୂତନ କରିଦେଲା । ଏହି ଦଶନ୍ଧି ମଧ୍ୟରେ ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ (ଏନଏଲପି) ରେ ପ୍ରଗତି, କମ୍ପ୍ୟୁଟର ସ୍ମୃତି ଏବଂ ଗତିର ବୃହତ ବୃଦ୍ଧି ସହିତ, ଅଧିକ ଉନ୍ନତ କୌଶଳ ସମ୍ଭବ କରିପାରିଛି, ଯାହାର ପରିଣାମ ଅତ୍ୟନ୍ତ ଉତ୍ସାହଜନକ । 1990 ଦଶକର ଶେଷ ଭାଗରେ, ଯୁକ୍ତରାଷ୍ଟ୍ର ଆମେରିକାରେ କେତେକ ଅପେକ୍ଷାକୃତ ଛୋଟ ଗବେଷଣା ନିବେଶ (Microsoft, Lexis-Nexis, Oracle, SRA, ଏବଂ TextWiseର ବ୍ୟବସାୟିକ ପ୍ରୟାସ ଏବଂ CMU, NMSU, UPenn, ଏବଂ USC/ISIର ବିଶ୍ୱବିଦ୍ୟାଳୟ ପ୍ରୟାସ ସମେତ 10ରୁ ଅଧିକ ପ୍ରକଳ୍ପ) ତିନି କିମ୍ବା ଚାରି ବର୍ଷ ମଧ୍ୟରେ ଅନେକ ବ୍ୟବସ୍ଥା ବିକ୍ରୟଯୋଗ୍ୟତା ପ୍ରଦର୍ଶନ କରିଛି, ଏବଂ ଅନେକ ନବସୃଜନ ଯାହା ନିରନ୍ତର ଉନ୍ନତିର ପ୍ରତିଶ୍ରୁତି ଦେଉଛି । ଏହାବ୍ୟତୀତ, ନିକଟରେ ଆୟୋଜିତ ଅନେକ କର୍ମଶାଳା, ଏକ ପୁସ୍ତକ ସଂଗ୍ରହ ଏବଂ ଅନେକ ଟ୍ୟୁଟୋରିଆଲରୁ ପ୍ରମାଣିତ ହୋଇଛି ଯେ ସ୍ୱୟଂଚାଳିତ ପାଠ୍ୟ ସାରାଂଶ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କ୍ଷେତ୍ର ହୋଇପାରିଛି । କିନ୍ତୁ ଯେତେବେଳେ ଜଣେ ବିଭିନ୍ନ ପ୍ରଣାଳୀକୁ ଅଧ୍ୟୟନ କରିବା ପାଇଁ କିଛି ସମୟ ନିଏ ଏବଂ ପ୍ରକୃତରେ କ ଣ ହାସଲ କରାଯାଇଛି ତାହା ବିଚାର କରେ, ସେତେବେଳେ ସେ ସେମାନଙ୍କର ଅନ୍ତର୍ନିହିତ ସମାନତା, ସେମାନଙ୍କର ଫୋକସର ସଂକୀର୍ଣ୍ଣତା ଏବଂ ସମସ୍ୟାକୁ ଘେରି ରହିଥିବା ବହୁ ସଂଖ୍ୟକ ଅଜ୍ଞାତ କାରକ ଦ୍ୱାରା ପ୍ରଭାବିତ ହେବା ଠାରୁ ବଞ୍ଚି ରହିପାରିବ ନାହିଁ । ଉଦାହରଣ ସ୍ୱରୂପ, ସଂକ୍ଷେପରେ କ ଣ? କେହି ବି ଠିକ୍ ଭାବେ ଜାଣି ନାହାନ୍ତି । ଆମର କାର୍ଯ୍ୟରେ, ଆମେ ସାରାଂଶକୁ ସାଧାରଣ ଶବ୍ଦ ଭାବରେ ବ୍ୟବହାର କରୁ ଏବଂ ଏହାକୁ ନିମ୍ନଲିଖିତ ଭାବରେ ବ୍ୟାଖ୍ୟା କରୁଃ ସାରାଂଶ ହେଉଛି ଏକ ପାଠ୍ୟ ଯାହା ଏକ କିମ୍ବା ଅଧିକ (ସମ୍ଭବତଃ ମଲ୍ଟିମିଡିଆ) ପାଠ୍ୟରୁ ଉତ୍ପାଦିତ ହୁଏ, ଯାହା ମୂଳ ପାଠ୍ୟର (କିଛି) ସମାନ ସୂଚନା ଧାରଣ କରିଥାଏ ଏବଂ ତାହା ମୂଳ ପାଠ୍ୟର ଅଧାରୁ ଅଧିକ ନୁହେଁ । ଚିତ୍ରକୁ ଟିକିଏ ସ୍ପଷ୍ଟ କରିବା ପାଇଁ, ଆମେ ଅନୁସରଣ କରିବା ଏବଂ ବିସ୍ତାର କରିବା (ସ୍ପର୍କ୍ ଜୋନ୍ସ, 97) ନିମ୍ନଲିଖିତ ପରିବର୍ତ୍ତନକୁ ଚିହ୍ନଟ କରି । ଯେକୌଣସି ସାରାଂଶକୁ (ଅତିକମରେ) ତିନୋଟି ପ୍ରମୁଖ ଶ୍ରେଣୀର ବିଶେଷତ୍ୱ ଦ୍ୱାରା ବର୍ଣ୍ଣନା କରାଯାଇପାରିବ: Invut: ମୂଳ ପାଠ୍ୟର ବିଶେଷତ୍ୱ (~ s) ମୂଳ ଆକାର: ଏକକ ଡକ୍ୟୁମେଣ୍ଟ v s. ଏକାଧିକ ଦସ୍ତାବିଜ: ଗୋଟିଏ ଦସ୍ତାବିଜରୁ ସାରାଂଶ ଗୋଟିଏ ଇନପୁଟ୍ ପାଠ୍ୟରୁ ପ୍ରାପ୍ତ ହୋଇଥାଏ (ଯଦିଓ ସାରାଂଶ ପ୍ରକ୍ରିୟା ନିଜେ ଅନ୍ୟ ପାଠ୍ୟରୁ ପୂର୍ବରୁ ସଂଗୃହିତ ସୂଚନା ବ୍ୟବହାର କରିପାରେ) । ଏକ ମଲ୍ଟି ଡକ୍ୟୁମେଣ୍ଟ୍ ସାରାଂଶ ହେଉଛି ଏକ ପାଠ୍ୟ ଯାହା ଏକରୁ ଅଧିକ ଇନପୁଟ୍ ପାଠ୍ୟର ବିଷୟବସ୍ତୁକୁ କଭର୍ କରିଥାଏ, ଏବଂ ସାଧାରଣତଃ କେବଳ ସେତେବେଳେ ବ୍ୟବହୃତ ହୁଏ ଯେତେବେଳେ ଇନପୁଟ୍ ପାଠ୍ୟଗୁଡ଼ିକ ବିଷୟଗତ ଭାବରେ ସମ୍ବନ୍ଧିତ ହୋଇଥାଏ । ନିର୍ଦ୍ଦିଷ୍ଟତା: ଡୋମେନ୍ ନିର୍ଦ୍ଦିଷ୍ଟ ବନାମ ସାଧାରଣ: ଯେତେବେଳେ ସମସ୍ତ ଇନପୁଟ୍ ପାଠ୍ୟ ଗୋଟିଏ ଡୋମେନ୍ ସହିତ ଜଡିତ, ସାଧାରଣ ମାମଲା ତୁଳନାରେ ଡୋମେନ୍ ନିର୍ଦ୍ଦିଷ୍ଟ ସାରାଂଶ କୌଶଳ ପ୍ରୟୋଗ କରିବା, ନିର୍ଦ୍ଦିଷ୍ଟ ବିଷୟବସ୍ତୁ ଉପରେ ଧ୍ୟାନ ଦେବା ଏବଂ ନିର୍ଦ୍ଦିଷ୍ଟ ଫର୍ମାଟ୍ ଆଉଟପୁଟ୍ କରିବା ଉପଯୁକ୍ତ ହୋଇପାରେ _ ଗୋଟିଏ ଡୋମେନ୍ ନିର୍ଦ୍ଦିଷ୍ଟ ସାରାଂଶ ଇନପୁଟ୍ ଟେକ୍ସଟ୍ (~) ରୁ ପ୍ରାପ୍ତ ହୋଇଥାଏ ଯାହାର ଥିମ୍ (~) ଗୋଟିଏ ସୀମିତ ଡୋମେନ୍ ସହିତ ଜଡିତ ହୋଇଥାଏ । ଏହିପରି ଭାବରେ, ଏହା କମ୍ ଶବ୍ଦ ଦ୍ୱନ୍ଦ୍ୱ, ସ୍ବତନ୍ତ୍ର ଶବ୍ଦ ଏବଂ ବ୍ୟାକରଣ ବ୍ୟବହାର, ବିଶେଷ ଫର୍ମାଟିଂ ଇତ୍ୟାଦି ଗ୍ରହଣ କରିପାରେ ଏବଂ ସାରାଂଶରେ ଏହାକୁ ପ୍ରତିଫଳିତ କରିପାରେ । |
25126128faa023d1a65a47abeb8c33219cc8ca5c | ଆମେ ନିଷ୍ଟ୍ରୋମ ପ୍ରକାର ଉପ-ନମୁନା ସଂଗ୍ରହ ପଦ୍ଧତିକୁ ବୃହତ ଆକାରର କର୍ଣ୍ଣଲ ପଦ୍ଧତିର ଅଧ୍ୟୟନ କରୁ, ଏବଂ ପରିସଂଖ୍ୟାନ ଶିକ୍ଷଣ ସେଟିଂରେ ଶିକ୍ଷଣ ସୀମାକୁ ପ୍ରମାଣ କରୁ, ଯେଉଁଠାରେ ଆକସ୍ମିକ ନମୁନା ସଂଗ୍ରହ ଏବଂ ଉଚ୍ଚ ସମ୍ଭାବ୍ୟତା ଆକଳନକୁ ବିଚାର କରାଯାଏ । ବିଶେଷକରି, ଆମେ ପ୍ରମାଣ କରୁଛୁ ଯେ ଏହି ପଦ୍ଧତିଗୁଡ଼ିକ ଦ୍ୱାରା ସର୍ବୋତ୍ତମ ଶିକ୍ଷଣ ସୀମା ହାସଲ କରାଯାଇପାରିବ, ଯଦି ଉପ-ନମୁନା ସ୍ତର ଉପଯୁକ୍ତ ଭାବରେ ଚୟନ କରାଯାଏ । ଏହି ଫଳାଫଳ Nyström Kernel ନିୟମିତ ସର୍ବନିମ୍ନ ବର୍ଗର ଏକ ସରଳ ବୃଦ୍ଧିଶୀଳ ଭାରିଆଣ୍ଟକୁ ସୂଚିତ କରେ, ଯେଉଁଠାରେ ଉପ-ନମୁନା ସ୍ତର ଏକ ପ୍ରକାର ଗଣନା ନିୟମିତକରଣ କାର୍ଯ୍ୟକାରୀ କରେ, ଅର୍ଥାତ୍ ଏହା ଏକ ସମୟରେ ନିୟମିତକରଣ ଏବଂ ଗଣନାକୁ ନିୟନ୍ତ୍ରଣ କରେ । ବ୍ୟାପକ ପରୀକ୍ଷାମୂଳକ ବିଶ୍ଳେଷଣରୁ ଜଣାପଡିଛି ଯେ, ବିଚାର କରାଯାଉଥିବା ପଦ୍ଧତିରେ ବଡ ଆକାରର ଡାଟାସେଟରେ ଅତ୍ୟାଧୁନିକ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରାଯାଇପାରିବ । |
414573bcd1849b4d3ec8a06dd4080b62f1db5607 | ଡିଷ୍ଟ୍ରିବ୍ୟୁଟେଡ୍ ଡିନାଇଲ୍ ଅଫ୍ ସର୍ଭିସ୍ (ଡିଡିଓଏସ୍) ଆକ୍ରମଣ ଇଣ୍ଟରନେଟ୍ ଉପରେ ଏକ ବଡ଼ ବିପଦ ସୃଷ୍ଟି କରିଛି । ଆମେ D-WARD, ଏକ DDoS ପ୍ରତିରକ୍ଷା ବ୍ୟବସ୍ଥାକୁ ଉତ୍ସ-ଅନ୍ତ ନେଟୱାର୍କରେ ନିୟୋଜିତ କରିବାକୁ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଏହି ନେଟୱାର୍କରୁ ଉତ୍ପନ୍ନ ହେଉଥିବା ଆକ୍ରମଣକୁ ଚିହ୍ନଟ କରି ରୋକିଥାଏ । ନେଟୱର୍କ ଏବଂ ଇଣ୍ଟରନେଟର ଅନ୍ୟ ଅଂଶ ମଧ୍ୟରେ ଦୁଇ ଦିଗର ଟ୍ରାଫିକ ପ୍ରବାହ ଉପରେ ଲଗାତାର ନଜର ରଖିବା ଏବଂ ନିୟମିତ ଭାବେ ସାଧାରଣ ପ୍ରବାହ ମଡେଲ ସହିତ ତୁଳନା କରିବା ଦ୍ୱାରା ଆକ୍ରମଣର ଚିହ୍ନଟ କରାଯାଇଥାଏ । ଅସନ୍ତୁଳିତ ପ୍ରବାହଗୁଡ଼ିକର ହାର ସେମାନଙ୍କ ଆକ୍ରମଣାତ୍ମକତା ଅନୁପାତରେ ସୀମିତ ହୋଇଥାଏ । D-WARD ଆକ୍ରମଣ ସମୟରେ ମଧ୍ୟ ବୈଧ ଟ୍ରାଫିକକୁ ଭଲ ସେବା ପ୍ରଦାନ କରିଥାଏ, ଯେତେବେଳେ କି DDoS ଟ୍ରାଫିକକୁ ଏକ ଅଳ୍ପ ପରିମାଣରେ ହ୍ରାସ କରିଥାଏ । ଏହି ସିଷ୍ଟମର ଏକ ପ୍ରୋଟୋଟାଇପକୁ ଲିନକ୍ସ ରାଉଟରରେ ନିର୍ମାଣ କରାଯାଇଛି । ଆମେ ଏହାର ପ୍ରଭାବକୁ ବିଭିନ୍ନ ଆକ୍ରମଣ ପରିଦୃଶ୍ୟରେ ଦେଖାଇଥାଉ, ଏହାର ଉପଯୋଗ ପାଇଁ ପ୍ରେରଣା ବିଷୟରେ ଆଲୋଚନା କରିଥାଉ ଏବଂ ଏହା ସହିତ ଜଡ଼ିତ ଖର୍ଚ୍ଚ ବିଷୟରେ ବର୍ଣ୍ଣନା କରିଥାଉ । |
705a24f4e1766a44bbba7cf335f74229ed443c7b | ଚେହେରା ଚିହ୍ନଟ ଆଲଗୋରିଦମ ସାଧାରଣତଃ ମାନି ନେଇଥାଏ ଯେ ଚେହେରା ଛବିଗୁଡ଼ିକ ଭଲ ଭାବରେ ସମାନ୍ତରାଳ ଏବଂ ସମାନ ସ୍ଥିତିରେ ଅଛି - ତଥାପି ଅନେକ ବ୍ୟବହାରିକ ପ୍ରୟୋଗରେ ଏହି ସର୍ତ୍ତଗୁଡିକ ପୂରଣ କରିବା ଅସମ୍ଭବ । ତେଣୁ ଚେହେରା ଚିହ୍ନଟକୁ ଅସଂଯୋଜିତ ଚେହେରା ପ୍ରତିଛବି ପର୍ଯ୍ୟନ୍ତ ବିସ୍ତାର କରିବା ଏକ ସକ୍ରିୟ ଗବେଷଣା କ୍ଷେତ୍ର ପାଲଟିଛି । ଏହି ଉଦ୍ଦେଶ୍ୟରେ, ସ୍ଥାନୀୟ ବାଇନାରୀ ପ୍ୟାଟର୍ନ (ଏଲବିପି) ର ହିଷ୍ଟୋଗ୍ରାମ୍ଗୁଡ଼ିକ ଚେହେରା ଚିହ୍ନଟ ପାଇଁ ଅତ୍ୟନ୍ତ ଭେଦଭାବପୂର୍ଣ୍ଣ ବର୍ଣ୍ଣନାକାରୀ ବୋଲି ପ୍ରମାଣିତ ହୋଇଛି । ତଥାପି, ଅଧିକାଂଶ LBP- ଆଧାରିତ ଆଲଗୋରିଦମ ଏକ କଠିନ ବର୍ଣ୍ଣନାକାରୀ ମେଳଣ ରଣନୀତି ବ୍ୟବହାର କରନ୍ତି ଯାହା ସ୍ଥିତି ପରିବର୍ତ୍ତନ ଏବଂ ଭୁଲ ସଂଯୋଜନ ବିରୁଦ୍ଧରେ ଦୃଢ଼ ନୁହେଁ । ଆମେ ଦୁଇଟି ଆଲଗୋରିଦମକୁ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଚେହେରା ଚିହ୍ନଟ ପାଇଁ ଡିଜାଇନ କରାଯାଇଛି ଯାହା ପୋଜ ଭେରିଏସନ ଏବଂ ଭୁଲ ଆଲାଇନମେଣ୍ଟ ସହିତ ମୁକାବିଲା କରିବା ପାଇଁ ଡିଜାଇନ କରାଯାଇଛି । ଆମେ ମଧ୍ୟ ଏକ ଆଲୋକୀକରଣ ସାଧାରଣକରଣ ପଦକ୍ଷେପକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରିଛୁ ଯାହା ଆଲୋକର ପରିବର୍ତ୍ତନ ବିରୁଦ୍ଧରେ ଦୃଢ଼ତା ବୃଦ୍ଧି କରେ । ପ୍ରସ୍ତାବିତ ଆଲଗୋରିଦମଗୁଡ଼ିକ LBP ର ହିଷ୍ଟୋଗ୍ରାମ୍ ଉପରେ ଆଧାରିତ ବର୍ଣ୍ଣନାକାରୀ ବ୍ୟବହାର କରନ୍ତି ଏବଂ ଯଥାକ୍ରମେ ସ୍ପେସିଆଲ୍ ପିରାମିଡ୍ ମେଳ (SPM) ଏବଂ ନାଇଭ୍ ବେଜ୍ ନିକଟତମ ପଡ଼ୋଶୀ (NBNN) ସହିତ ବର୍ଣ୍ଣନାକାରୀ ମେଳ କରନ୍ତି । ଆମର ଯୋଗଦାନ ହେଉଛି ନମନୀୟ ଆନ୍ତଃସ୍ଥଳୀୟ ମେଳଣ ଯୋଜନାକୁ ସାମିଲ କରିବା ଯାହା ଶ୍ରେଣୀ-ଭିତ୍ତିକ ପରିବର୍ତ୍ତନକୁ ଦୃଷ୍ଟିରେ ରଖି ଉନ୍ନତ ଦୃଢ଼ତା ପ୍ରଦାନ କରିବା ପାଇଁ ପ୍ରତିଛବି-ଶ୍ରେଣୀ ସମ୍ପର୍କକୁ ବ୍ୟବହାର କରିଥାଏ । ଆମେ ପ୍ରସ୍ତାବିତ ଆଲଗୋରିଦମର ସଠିକତାକୁ ଅହୋନେନ୍ଙ୍କ ମୂଳ ଏଲବିପି ଆଧାରିତ ଚେହେରା ଚିହ୍ନଟ ପ୍ରଣାଳୀ ଏବଂ ଦୁଇଟି ମୂଳ ଧାରାର ସାମଗ୍ରୀକ ବର୍ଗୀକରଣ ସହିତ ଚାରୋଟି ମାନକ ଡାଟାସେଟରେ ତୁଳନା କରିଛୁ । ଆମର ଫଳାଫଳ ଦର୍ଶାଉଛି ଯେ ଏନବିଏନଏନ ଉପରେ ଆଧାରିତ ଆଲଗୋରିଦମ ଅନ୍ୟ ସମାଧାନ ଠାରୁ ଅଧିକ ଭଲ ପ୍ରଦର୍ଶନ କରୁଛି, ଏବଂ ଏହା ବେଶୀ ସ୍ପଷ୍ଟ ଭାବରେ ପୋଜ୍ ଭେରିଏସନ୍ର ଉପସ୍ଥିତିରେ କରିଥାଏ । |
fb8704210358d0cbf5113c97e1f9f9f03f67e6fc | ଗତ 10 ବର୍ଷ ମଧ୍ୟରେ କମ୍ପ୍ୟୁଟର ଭିଜନ କ୍ଷେତ୍ରରେ ବିଷୟବସ୍ତୁ ଆଧାରିତ ଭିଜୁଆଲ ସୂଚନା ପୁନରୁଦ୍ଧାର (ସିବିଭିଆର) କିମ୍ବା ବିଷୟବସ୍ତୁ ଆଧାରିତ ପ୍ରତିଛବି ପୁନରୁଦ୍ଧାର (ସିବିଆଇଆର) ହେଉଛି ସବୁଠାରୁ ଜୀବନ୍ତ ଗବେଷଣା କ୍ଷେତ୍ର । ବିଶାଳ ଏବଂ କ୍ରମାଗତ ଭାବେ ବୃଦ୍ଧି ପାଉଥିବା ଭିଜୁଆଲ ଏବଂ ମଲ୍ଟିମିଡିଆ ଡାଟା ଉପଲବ୍ଧତା ଏବଂ ଇଣ୍ଟରନେଟର ବିକାଶ, ବିଷୟଗତ ପ୍ରବେଶ ପଦ୍ଧତି ସୃଷ୍ଟି କରିବାର ଆବଶ୍ୟକତାକୁ ଦର୍ଶାଉଛି ଯାହା ସରଳ ପାଠ୍ୟ ଆଧାରିତ ପ୍ରଶ୍ନ କିମ୍ବା ଡାଟାବେସ୍ କ୍ଷେତ୍ରର ସଠିକ୍ ମେଳ ଉପରେ ଆଧାରିତ ଅନୁରୋଧଠାରୁ ଅଧିକ ପ୍ରଦାନ କରେ । ଭିଜୁଆଲ କିମ୍ବା ଅଡିଓ ବିଷୟବସ୍ତୁ ଉପରେ ଆଧାର କରି ପ୍ରଶ୍ନଗୁଡିକୁ ପ୍ରସ୍ତୁତ କରିବା ଏବଂ କାର୍ଯ୍ୟକାରୀ କରିବା ପାଇଁ ଏବଂ ବୃହତ ମଲ୍ଟିମିଡିଆ ରିପୋଜିଟୋରୀଗୁଡିକ ବ୍ରାଉଜିଂ କରିବାରେ ସାହାଯ୍ୟ କରିବା ପାଇଁ ଅନେକ ପ୍ରୋଗ୍ରାମ ଏବଂ ଉପକରଣ ବିକଶିତ କରାଯାଇଛି । ତଥାପି, ବିଭିନ୍ନ ପ୍ରକାରର ଏବଂ ବିଭିନ୍ନ ପ୍ରକାରର ବୈଶିଷ୍ଟ୍ୟ ଥିବା ଦଲିଲ ସହିତ ବୃହତ ବିବିଧତାପୂର୍ଣ୍ଣ ଡାଟାବେସ୍ ସମ୍ବନ୍ଧରେ କୌଣସି ସାଧାରଣ ସଫଳତା ହାସଲ କରାଯାଇ ନାହିଁ । ଗତି, ଅର୍ଥନୈତିକ ବର୍ଣ୍ଣନା ବା ଉଦ୍ଦେଶ୍ୟମୂଳକ ପ୍ରତିଛବି ବ୍ୟାଖ୍ୟା ସମ୍ବନ୍ଧୀୟ ଅନେକ ପ୍ରଶ୍ନର ଉତ୍ତର ଏପର୍ଯ୍ୟନ୍ତ ମିଳିନାହିଁ । ଚିକିତ୍ସା କ୍ଷେତ୍ରରେ ପ୍ରତିଛବି, ବିଶେଷ କରି ଡିଜିଟାଲ ପ୍ରତିଛବି, ଅଧିକରୁ ଅଧିକ ମାତ୍ରାରେ ପ୍ରସ୍ତୁତ କରାଯାଉଛି ଏବଂ ରୋଗ ନିରୂପଣ ଓ ଚିକିତ୍ସା ପାଇଁ ବ୍ୟବହୃତ ହେଉଛି । ଜେନେଭା ବିଶ୍ୱବିଦ୍ୟାଳୟ ହସ୍ପିଟାଲର ରେଡିଓଲୋଜି ବିଭାଗ ଏକାକୀ ୨୦୦୨ ମସିହାରେ ପ୍ରତିଦିନ ୧୨,୦୦୦ରୁ ଅଧିକ ଫଟୋ ଉତ୍ତୋଳନ କରିଥିଲା । ବର୍ତ୍ତମାନ ସମୟରେ ହୃଦରୋଗ ବିଭାଗ ଡିଜିଟାଲ ଚିତ୍ରର ଦ୍ୱିତୀୟ ବୃହତ୍ତମ ଉତ୍ପାଦକ, ବିଶେଷ କରି ହୃଦରୋଗର କ୍ୟାଥେଟରିଜମ ଭିଡିଓ (ପ୍ରତି ବର୍ଷ ପ୍ରାୟ ୧୮୦୦ ପରୀକ୍ଷା ଯେଉଁଥିରେ ପ୍ରାୟ ୨,୦୦୦ ଚିତ୍ର ରହିଥାଏ) । ଜେନେଭା ବିଶ୍ୱବିଦ୍ୟାଳୟ ହସ୍ପିଟାଲରେ ପ୍ରସ୍ତୁତ କରାଯାଇଥିବା କାର୍ଡିଓଲୋଜିକାଲ ଇମେଜ ଡାଟାର ମୋଟ ପରିମାଣ ୨୦୦୨ରେ ପ୍ରାୟ ୧ ଟିବି ଥିଲା । ଏଣ୍ଡୋସ୍କୋପିକ୍ ଭିଡିଓ ମଧ୍ୟ ସମାନ ଭାବରେ ବିପୁଳ ପରିମାଣର ତଥ୍ୟ ଉତ୍ପାଦନ କରିପାରିବ । ଡିଜିଟାଲ ଇମେଜିଂ ଆଣ୍ଡ କମ୍ୟୁନିକେସନ ଇନ ମେଡିସିନ (ଡିଆଇସିଓଏମ) ମାଧ୍ୟମରେ ଇମେଜ କମ୍ୟୁନିକେସନ ପାଇଁ ଏକ ମାନକ ପ୍ରସ୍ତୁତ କରାଯାଇଛି ଏବଂ ରୋଗୀ ସୂଚନାକୁ ବାସ୍ତବିକ ଚିତ୍ର ସହିତ ଷ୍ଟୋର କରାଯାଇପାରିବ । ଅନେକ ଲେଖାରେ କ୍ଲିନିକାଲ ନିଷ୍ପତ୍ତି ନେବା ପାଇଁ ଡାକ୍ତରୀ ଛବି ଉପରେ ଆଧାରିତ ବିଷୟବସ୍ତୁ ଉପରେ ଆଧାରିତ ପ୍ରବେଶ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି ଯାହା କ୍ଲିନିକାଲ ତଥ୍ୟର ପରିଚାଳନାକୁ ସହଜ କରିବ ଏବଂ ଚିତ୍ର ଆର୍କାଇଭିଂ ଏବଂ ଯୋଗାଯୋଗ ବ୍ୟବସ୍ଥା (PACS) ରେ ବିଷୟବସ୍ତୁ ଆଧାରିତ ପ୍ରବେଶ ପଦ୍ଧତିର ଏକୀକରଣ ପାଇଁ ଦୃଶ୍ୟପଟ ସୃଷ୍ଟି କରାଯାଇଛି । ଏହି ଲେଖାରେ ମେଡିକାଲ ଇମେଜ ଡାଟା ଏବଂ ଏହି କ୍ଷେତ୍ରରେ ବ୍ୟବହୃତ ଟେକ୍ନୋଲୋଜି ଉପରେ ବିଷୟବସ୍ତୁ ଆଧାରିତ ପ୍ରବେଶ କ୍ଷେତ୍ରରେ ଉପଲବ୍ଧ ସାହିତ୍ୟର ଏକ ସମୀକ୍ଷା ଦିଆଯାଇଛି । ଭାଗ 1ରେ ସାଧାରଣ ବିଷୟବସ୍ତୁ ଆଧାରିତ ପ୍ରତିଛବି ପୁନରୁଦ୍ଧାର ଏବଂ ବ୍ୟବହୃତ ପ୍ରଯୁକ୍ତି ବିଷୟରେ ସୂଚନା ଦିଆଯାଇଛି । ବିଭାଗ ୨ରେ ଚିକିତ୍ସା ପଦ୍ଧତିରେ ପ୍ରତିଛବି ପୁନରୁଦ୍ଧାରର ବ୍ୟବହାର ଏବଂ ବିଭିନ୍ନ ଉପାୟ ବିଷୟରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଉଦାହରଣ ସ୍ୱରୂପ ପ୍ରଣାଳୀ ଏବଂ ପ୍ରୟୋଗ କ୍ଷେତ୍ରର ବର୍ଣ୍ଣନା କରାଯାଇଛି । ବିଭାଗ ୩ରେ କାର୍ଯ୍ୟକାରୀ ବ୍ୟବସ୍ଥାରେ ବ୍ୟବହୃତ କୌଶଳ, ଏହାର ଡାଟା ସେଟ୍ ଏବଂ ମୂଲ୍ୟାଙ୍କନ ବିଷୟରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ବିଭାଗ 4 ରେ କ୍ଲିନିକାଲ ପ୍ରୟୋଗ ସହିତ ଗବେଷଣା ଏବଂ ଶିକ୍ଷା କ୍ଷେତ୍ରରେ ପ୍ରତିଛବି ପୁନରୁଦ୍ଧାର ପ୍ରଣାଳୀର ସମ୍ଭାବ୍ୟ କ୍ଲିନିକାଲ ଲାଭକୁ ଚିହ୍ନଟ କରାଯାଇଛି । ନୂତନ ଗବେଷଣା ଦିଗ ନିର୍ଦ୍ଧାରଣ କରାଯାଉଛି ଯାହା ଉପଯୋଗୀ ପ୍ରମାଣିତ ହୋଇପାରେ । ଏହି ଆର୍ଟିକିଲରେ କ୍ଷେତ୍ରର କିଛି ସମସ୍ୟାକୁ ବୁଝାଇ ଦିଆଯାଇଛି କାରଣ ଏହା ଜଣାପଡୁଛି ଯେ ଚିକିତ୍ସା କ୍ଷେତ୍ରରେ ଅନେକ ପ୍ରସ୍ତାବ ପ୍ରସ୍ତୁତ କରାଯାଇଛି ଏବଂ ଡାକ୍ତରୀ ଡାଟାସେଟ ବ୍ୟବହାର କରି କମ୍ପ୍ୟୁଟର ବିଜ୍ଞାନ ବିଭାଗରେ ଗବେଷଣା ପ୍ରୋଟୋଟାଇପ ବିକଶିତ କରାଯାଇଛି । ତଥାପି, ବହୁତ କମ୍ ପ୍ରଣାଳୀ ଅଛି ଯାହା କ୍ଲିନିକାଲ ପ୍ରୟୋଗରେ ବ୍ୟବହୃତ ହୁଏ । ଏହା ମଧ୍ୟ ଉଲ୍ଲେଖ କରାଯିବା ଉଚିତ ଯେ, ସାଧାରଣ ଭାବେ, ଟେକ୍ସଟ ଆଧାରିତ ପୁନରୁଦ୍ଧାର ପଦ୍ଧତିକୁ ବଦଳାଇବା ପାଇଁ ନୁହେଁ ବରଂ ଦୃଶ୍ୟମାନ ସନ୍ଧାନ ଉପକରଣ ସହିତ ଏହାକୁ ପୂର୍ଣ୍ଣ କରିବା ପାଇଁ । |
38919649ae3fd207b96b62e95b3c8c8e69635c7f | ଏହି ଅଧ୍ୟୟନ ତିନୋଟି ରାଉଟିଂ ପ୍ରୋଟୋକଲର ତୁଳନା ଅଟେ ଯାହା ୱାୟାରଲେସ ମୋବାଇଲ ଆଡ-ହକ ନେଟୱର୍କ ପାଇଁ ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । ଏହି ପ୍ରୋଟୋକଲଗୁଡ଼ିକ ହେଲା: ଲକ୍ଷ୍ୟସ୍ଥଳ କ୍ରମାନୁସାରେ ଦୂରତା ଭେକ୍ଟର (ଡିଏସଡିଭି), ଆଡ-ହକ ଅନ ଡିମାଣ୍ଡ ଦୂରତା ଭେକ୍ଟର (ଏଓଡିଭି) ଏବଂ ଗତିଶୀଳ ଉତ୍ସ ରୁଟିଙ୍ଗ (ଡିଏସଆର) । ନୋଡଗୁଡିକର ଆକସ୍ମିକ ଗତି ଉପରେ ବ୍ୟାପକ ସିମୁଲେସନ କରାଯାଏ । ଫଳାଫଳକୁ ଏକ ନୂତନ ଗତିଶୀଳତା ମାପଦଣ୍ଡର ଏକ ଫଳନ ଭାବରେ ଉପସ୍ଥାପିତ କରାଯାଇଛି ଯାହା ଏକ ଦୃଶ୍ୟପଟ୍ଟରେ ନୋଡଗୁଡ଼ିକର ଆପେକ୍ଷିକ ଗତିକୁ ପ୍ରତିଫଳିତ କରିବା ପାଇଁ ପରିକଳ୍ପନା କରାଯାଇଛି । ଅଧିକ ବିଶେଷ ପରିସ୍ଥିତିରେ ପ୍ରୋଟୋକଲଗୁଡିକର ପରୀକ୍ଷଣ ପାଇଁ ତିନୋଟି ବାସ୍ତବିକ ଦୃଶ୍ୟମାନ ହେଉଛି । ଅଧିକାଂଶ ସିମୁଲେସନରେ ପ୍ରତିକ୍ରିୟାଶୀଳ ପ୍ରୋଟୋକଲ (ଏଓଡିଭି ଏବଂ ଡିଏସଆର) ଡିଏସଡିଭି ଠାରୁ ଭଲ ପ୍ରଦର୍ଶନ କରିଥିଲା । ମଧ୍ୟମ ଟ୍ରାଫିକ ଭାରରେ ଡିଏସଆର ସମସ୍ତ ପରୀକ୍ଷିତ ଗତିଶୀଳତା ମୂଲ୍ୟ ପାଇଁ ଏଓଡିଭି ଠାରୁ ଭଲ ପ୍ରଦର୍ଶନ କରିଥିଲା, ଯେତେବେଳେ କି ଏଓଡିଭି ଅଧିକ ଟ୍ରାଫିକ ଭାରରେ ଡିଏସଆର ଠାରୁ ଭଲ ପ୍ରଦର୍ଶନ କରିଥିଲା । ଡିଏସଆର ଡାଟା ପ୍ୟାକେଟରେ ଥିବା ଉତ୍ସ ମାର୍ଗ ଯୋଗୁଁ ଏହି ସମସ୍ୟା ସୃଷ୍ଟି ହୋଇଥାଏ, ଯାହାଦ୍ୱାରା ନେଟୱାର୍କ ଉପରେ ଅଧିକ ଭାରସାମ୍ୟ ରହିଥାଏ । ରାଉଟର ଏବଂ ହୋଷ୍ଟ, ତେଣୁ ନୋଡ ଅନ୍ୟ ନୋଡ ମଧ୍ୟରେ ପ୍ୟାକେଟ ପଠାଇପାରେ ଏବଂ ୟୁଜର ଆପ୍ଲିକେସନକୁ ଚଲାଇପାରେ । ମୋବାଇଲ ଆଡ-ହକ ନେଟୱର୍କ ନିକଟରେ ଅନେକ ଗବେଷଣା ଓ ବିକାଶ ପ୍ରୟାସର କେନ୍ଦ୍ରବିନ୍ଦୁ ପାଲଟିଛି । ଏ ପର୍ଯ୍ୟନ୍ତ ଆଡ-ହୋକ ପ୍ୟାକେଟ ରେଡିଓ ନେଟୱର୍କ ମୁଖ୍ୟତଃ ସାମରିକ ପ୍ରୟୋଗ ଉପରେ ଧ୍ୟାନ ଦେଇଆସିଛି, ଯେଉଁଠାରେ ଏକ ବିକେନ୍ଦ୍ରୀକୃତ ନେଟୱର୍କ ବିନ୍ୟାସ ଏକ କାର୍ଯ୍ୟକାରୀ ଲାଭ କିମ୍ବା ଆବଶ୍ୟକ ଅଟେ । ଆଡ-ହୋକ୍ କନଫିଗୁରେସନ କନ୍ସେପ୍ଟ ବ୍ୟବହାର କରୁଥିବା ନେଟୱର୍କକୁ ଅନେକ ସାମରିକ ପ୍ରୟୋଗରେ ବ୍ୟବହାର କରାଯାଇପାରିବ, ଯାହା ପରସ୍ପର ସହ ସଂଯୁକ୍ତ ବେତାର ଆକସେସ୍ ପଏଣ୍ଟରୁ ଆରମ୍ଭ କରି ବ୍ୟକ୍ତିବିଶେଷଙ୍କ ଦ୍ୱାରା ନିଆଯାଉଥିବା ବେତାର ଡିଭାଇସ୍ ନେଟୱର୍କ ପର୍ଯ୍ୟନ୍ତ, ଯେପରିକି ଡିଜିଟାଲ୍ ମ୍ୟାପ୍, ଶରୀରରେ ସଂଯୁକ୍ତ ସେନସର, ଭଏସ୍ ଯୋଗାଯୋଗ ଇତ୍ୟାଦି । ବ୍ୟାପକ ଦୂରତା ଏବଂ ସ୍ୱଳ୍ପ ଦୂରତା ଆଡ-ହୋକ ନେଟୱାର୍କର ମିଶ୍ରଣ ଦ୍ୱାରା ପ୍ରତିକୂଳ ପରିଚାଳନା ପରିସ୍ଥିତିରେ ମଧ୍ୟ ଦୃଢ଼, ବିଶ୍ୱବ୍ୟାପୀ କଭରେଜ ପ୍ରଦାନ କରିବାକୁ ଚେଷ୍ଟା କରାଯାଏ । |
0f7329cf0d388d4c5d5b94ee52ad2385bd2383ce | ସୁପରଭୋକ୍ସେଲ ସେଗମେଂଟେଶନକୁ ଆଦ୍ୟ ଭିଡିଓ ବିଶ୍ଳେଷଣରେ ସାମିଲ କରିବାର ଦୃଢ ସମ୍ଭାବନା ରହିଛି । ତେବେ, ଅନେକ ସୁପରଭୋକେଲ୍ ପଦ୍ଧତି ରହିଛି ଏବଂ କେଉଁ ସମୟରେ ଏବଂ କେଉଁଠାରେ ଏହା ଉପଯୁକ୍ତ ତାହା ଖୁବ୍ କମ୍ ଲୋକ ଜାଣିଛନ୍ତି । ବାସ୍ତବରେ, ସୁପରଭୋକେଲ୍ ସେଗମେଂଟେଶନ ଉପରେ ଗୋଟିଏ ବି ତୁଳନାତ୍ମକ ଅଧ୍ୟୟନ ବିଷୟରେ ଆମେ ଅବଗତ ନାହୁଁ । ସେହି ଉଦ୍ଦେଶ୍ୟରେ, ଆମେ ସାତଟି ସୁପରଭୋକେଲ୍ ଆଲଗୋରିଦମ ଅଧ୍ୟୟନ କରୁଛୁ, ଯେଉଁଥିରେ ଉଭୟ ଅଫଲାଇନ୍ ଏବଂ ଷ୍ଟ୍ରିମିଂ ପଦ୍ଧତି ଅନ୍ତର୍ଭୁକ୍ତ, ଯାହା ଆମେ ଏକ ଭଲ ସୁପରଭୋକେଲ୍ ବୋଲି ବିବେଚନା କରୁଃ ଯଥା, ସ୍ପେସିଓ-ଟାଇମର୍ଲ ୟୁନିଫର୍ମୀଟି, ବସ୍ତୁ / ଅଞ୍ଚଳ ସୀମା ଚିହ୍ନଟ, ଅଞ୍ଚଳ ସଙ୍କୋଚନ ଏବଂ ପାରସିମନି । ଏହି ମୂଲ୍ୟାୟନ ପାଇଁ ଆମେ ସାତଟି ଗୁଣବତ୍ତା ମାପଦଣ୍ଡର ଏକ ବ୍ୟାପକ ସ୍ୟୁଟ୍ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଏହି ଇଚ୍ଛୁକ ସୁପରଭୋକେଲ୍ ଗୁଣବତ୍ତାକୁ ମାପିବ । ଏହା ସହିତ, ଆମେ ସୁପରଭୋକ୍ସେଲ ଶ୍ରେଣୀକରଣ କାର୍ଯ୍ୟରେ ପଦ୍ଧତିଗୁଡ଼ିକୁ ମୂଲ୍ୟାଙ୍କନ କରୁ ଯାହା ପରବର୍ତ୍ତୀ ସମୟରେ ଭିଡିଓ ବିଶ୍ଳେଷଣରେ ସୁପରଭୋକ୍ସେଲର ଉଚ୍ଚସ୍ତରୀୟ ବ୍ୟବହାର ପାଇଁ ଏକ ପ୍ରତିନିଧୀ ଭାବରେ କାର୍ଯ୍ୟ କରେ । ଆମେ ଛଅଟି ବିଦ୍ୟମାନ ମାନକ ଭିଡିଓ ଡାଟାସେଟ ବ୍ୟବହାର କରିଛୁ ଯେଉଁଥିରେ ବିଭିନ୍ନ ପ୍ରକାରର ବିଷୟବସ୍ତୁ ଏବଂ ଘନ ମାନବୀୟ ଟିପ୍ପଣୀ ରହିଛି । ଆମର ଏହି ଗବେଷଣାରୁ ଆମକୁ ଏକ ନିର୍ଣ୍ଣାୟକ ପ୍ରମାଣ ମିଳିଛି ଯେ, ସାତଟି ପଦ୍ଧତି ମଧ୍ୟରୁ ଶ୍ରେଣୀଗତ ଗ୍ରାଫ ଆଧାରିତ (ଜିବିଏଚ), ଭାରୀ ସମଷ୍ଟି ଦ୍ୱାରା ବିଭାଜନ (ଏସଡବ୍ଲୁଏ) ଏବଂ କାଳୀନ ସୁପରପିକ୍ସେଲ (ଟିଏସପି) ପଦ୍ଧତିଗୁଡ଼ିକ ହେଉଛି ସର୍ବାଧିକ କାର୍ଯ୍ୟଦକ୍ଷତା ସମ୍ପନ୍ନ ପଦ୍ଧତି । ସେଗୁଡିକୁ ସମସ୍ତ ଭଲ ଭାବରେ ସେଗମେଂଟ ସଠିକତା ଦୃଷ୍ଟିରୁ କାର୍ଯ୍ୟ କରିଥାଏ, କିନ୍ତୁ ଅନ୍ୟ ଇଚ୍ଛାକୃତ ତଥ୍ୟ ସମ୍ବନ୍ଧରେ ଭିନ୍ନ ହୋଇଥାଏ: GBH ବସ୍ତୁ ସୀମାକୁ ସର୍ବୋତ୍ତମ ଭାବରେ ଧାରଣ କରିଥାଏ; SWA ରେ କ୍ଷେତ୍ର ସଙ୍କୋଚନ ପାଇଁ ସର୍ବୋତ୍ତମ ସମ୍ଭାବନା ଅଛି; ଏବଂ TSP ସର୍ବୋତ୍ତମ ଉପ-ବିଭାଗ ତ୍ରୁଟି ହାସଲ କରିଥାଏ । |
50dea03d4feb1797f1d5c260736e1cf7ad6d45ca | ଆମେ ଦ୍ରୁତ ଗତିରେ ବଢ଼ୁଥିବା ଫାଇବ୍ରୋ ଆଡେନୋମା ରୋଗର ଏକ ମାମଲା ରିପୋର୍ଟ କରୁଛୁ । ରୋଗୀ ୧୩ ବର୍ଷୀୟା ଝିଅଟି ବାମ ସ୍ତନ ଘା ବିଷୟରେ ଆମ୍ବୁଲାନ୍ସ କ୍ଲିନିକରେ ପରାମର୍ଶ ନେଲା । ଏହି ଜୀବାଣୁକୁ କ୍ଲିନିକାଲ ପରୀକ୍ଷଣରେ ଫାଇବ୍ରୋଆଡେନୋମା ବୋଲି ଚିହ୍ନଟ କରାଯାଇଥିଲା ଏବଂ ରୋଗୀ ଉପରେ ଯତ୍ନର ସହ ନଜର ରଖାଯାଇଥିଲା । ପ୍ରତ୍ୟେକ ଋତୁସ୍ରାବରେ ଏହି ବସ୍ତୁ ଦ୍ରୁତ ଗତିରେ ବଢ଼ିଚାଲିଥିଲା ଏବଂ ଚାରିମାସ ପରେ ଏହାର ପରିମାଣ ୫୦% ବୃଦ୍ଧି ପାଇଥିଲା । ଲମ୍ପେକ୍ଟୋମି କରାଯାଇଥିଲା । ଏହି ଟ୍ୟୁମରକୁ ହିଷ୍ଟୋଲୋଜିକାଲ ଭାବେ ଫାଇବ୍ରୋଆଡେନୋମା ସଂଗଠିତ ପ୍ରକାର ବୋଲି ଚିହ୍ନଟ କରାଯାଇଥିଲା ଏବଂ ଅନେକ ଗ୍ରନ୍ଥି ଏପିଥେଲିୟଲ କୋଷିକାରେ ଏଷ୍ଟ୍ରୋଜେନ ରିସେପ୍ଟର ଆଣ୍ଟିବଡି ପାଇଁ ଇମ୍ୟୁନୋହିଷ୍ଟୋକେମିକାଲ ରଙ୍ଗ ପଜିଟିଭ୍ ଥିଲା । ଉପସଂହାର ଟ୍ୟୁମର ର ଇଷ୍ଟ୍ରୋଜେନ ସମ୍ବେଦନଶୀଳତା ଦ୍ରୁତ ବୃଦ୍ଧି ପାଇଁ ଦାୟୀ ହୋଇପାରେ । |
0674c1e2fd78925a1baa6a28216ee05ed7b48ba0 | ପ୍ରୋସି. ଆନ୍ତର୍ଜାତିକ କମ୍ପ୍ୟୁଟର ଭିଜନ ସମ୍ମିଳନୀ, କୋରଫୁ (ସେପ୍ଟେମ୍ବର ୧୯୯୯) ରେ ଏକ ବସ୍ତୁ ଚିହ୍ନଟ ପ୍ରଣାଳୀ ବିକଶିତ କରାଯାଇଛି ଯାହା ସ୍ଥାନୀୟ ପ୍ରତିଛବି ବିଶେଷତ୍ୱର ଏକ ନୂତନ ଶ୍ରେଣୀ ବ୍ୟବହାର କରେ । ଚିତ୍ରର ଆକାର, ଅନୁବାଦ ଓ ଘୂର୍ଣ୍ଣନ ପାଇଁ ବୈଶିଷ୍ଟ୍ୟଗୁଡିକ ଅକ୍ଷୁର୍ଣ୍ଣ ରହିଥାଏ, ଏବଂ ଆଲୋକ ପରିବର୍ତ୍ତନ ଏବଂ ଆପ୍ଫିନ କିମ୍ବା 3D ପ୍ରୋଜେକ୍ସନ ପାଇଁ ଆଂଶିକ ଭାବରେ ଅକ୍ଷୁର୍ଣ୍ଣ ରହିଥାଏ । ଏହି ବିଶେଷତ୍ୱ ଗୁଡିକ ନିମ୍ନ କାଳ କୋଷ୍ଠରେ ଥିବା ନ୍ୟୁରନ ସହିତ ସମାନ ଗୁଣ ବାଣ୍ଟିଥାଏ ଯାହା ପ୍ରାଥମିକ ଦୃଷ୍ଟିରେ ବସ୍ତୁ ଚିହ୍ନଟ ପାଇଁ ବ୍ୟବହୃତ ହୁଏ । ବିଶେଷତ୍ୱଗୁଡ଼ିକର ଦକ୍ଷତା ଏକ ପର୍ଯ୍ୟାୟଯୁକ୍ତ ଫିଲ୍ଟରିଂ ପଦ୍ଧତି ମାଧ୍ୟମରେ ଚିହ୍ନଟ କରାଯାଇଥାଏ ଯାହା ସ୍କେଲ ସ୍ପେସରେ ସ୍ଥିର ବିନ୍ଦୁଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରିଥାଏ । ଚିତ୍ର ଚାବି ତିଆରି କରାଯାଏ ଯାହା ସ୍ଥାନୀୟ ଜ୍ୟାମିତିଗତ ବିକୃତି ପାଇଁ ଅନୁମତି ଦେଇଥାଏ । ଏହି କିଗୁଡ଼ିକ ନିକଟତମ-ପଡ଼ୋଶୀ ସୂଚୀକରଣ ପଦ୍ଧତିର ନିବେଶ ଭାବରେ ବ୍ୟବହୃତ ହୁଏ ଯାହା ପ୍ରାର୍ଥୀ ବସ୍ତୁ ମେଳ ଚିହ୍ନଟ କରିଥାଏ । ଅଜଣା ମଡେଲ ପାରାମିଟର ପାଇଁ କମ୍ ଅବଶିଷ୍ଟ ସର୍ବନିମ୍ନ-ଚତୁର୍ଥାଂଶ ସମାଧାନ ଖୋଜିବା ଦ୍ୱାରା ପ୍ରତ୍ୟେକ ମେଳାର ଚୂଡ଼ାନ୍ତ ଯାଞ୍ଚ ହାସଲ କରାଯାଇଥାଏ । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଦର୍ଶାଏ ଯେ 2 ସେକେଣ୍ଡରୁ କମ୍ ଗଣନା ସମୟ ସହିତ ଅଯଥା ଆଂଶିକ-ଅବଷେଧ ପ୍ରତିଛବିରେ ଦୃଢ଼ ବସ୍ତୁ ଚିହ୍ନଟ ହାସଲ କରାଯାଇପାରିବ । |
bbb9c3119edd9daa414fd8f2df5072587bfa3462 | ଏହି ଓପନ ସୋର୍ସ କମ୍ପ୍ୟୁଟିଂ ଫ୍ରେମୱାର୍କ ନୂତନ ଆପ୍ଲିକେସନକୁ ଉନ୍ମୁକ୍ତ କରିବା ପାଇଁ ଷ୍ଟ୍ରିମିଂ, ବ୍ୟାଚ୍ ଏବଂ ଇଣ୍ଟରଆକ୍ଟିଭ୍ ବିଗ ଡାଟା ୱାର୍କଲୋଡକୁ ଏକୀକୃତ କରିଥାଏ । |
18ca2837d280a6b2250024b6b0e59345601064a7 | ବିଜ୍ଞାନର ଅନେକ କ୍ଷେତ୍ର ଅନୁସନ୍ଧାନାତ୍ମକ ତଥ୍ୟ ବିଶ୍ଳେଷଣ ଓ ଦୃଶ୍ୟମାନତା ଉପରେ ନିର୍ଭର କରେ । ବହୁ-ବିଭାଜକ ତଥ୍ୟର ବିଶାଳ ପରିମାଣର ବିଶ୍ଳେଷଣ କରିବାର ଆବଶ୍ୟକତା ଆକାର ହ୍ରାସର ମୌଳିକ ସମସ୍ୟାକୁ ଉତ୍ଥାପନ କରେ: ଉଚ୍ଚ-ଆକାର ତଥ୍ୟର କମ୍ପାକ୍ଟ ପ୍ରତିନିଧିତ୍ୱ କିପରି ଆବିଷ୍କାର କରିବେ । ଏଠାରେ, ଆମେ ସ୍ଥାନୀୟ ରୀଖୀ ଅନ୍ତର୍ଭୁକ୍ତୀକରଣ (LLE) କୁ ଉପସ୍ଥାପନ କରୁ, ଏକ ଅଣ-ନିରୀକ୍ଷିତ ଶିକ୍ଷଣ ଆଲଗୋରିଦମ ଯାହା ଉଚ୍ଚ-ଆକାରର ନିବେଶର ନିମ୍ନ-ଆକାର, ପଡ଼ୋଶୀ-ସଂରକ୍ଷଣ ଅନ୍ତର୍ଭୁକ୍ତୀକରଣକୁ ଗଣନା କରେ । ସ୍ଥାନୀୟ ଆକାର ହ୍ରାସ ପାଇଁ କ୍ଲଷ୍ଟରିଂ ପଦ୍ଧତି ପରି LLE ଏହାର ଇନପୁଟକୁ ଏକକ ବିଶ୍ୱ କୋର୍ଡିନେଟ ସିଷ୍ଟମକୁ ନିମ୍ନ ଆକାରରେ ମ୍ୟାପ୍ କରିଥାଏ ଏବଂ ଏହାର ଅପ୍ଟିମାଇଜେସନ୍ ସ୍ଥାନୀୟ ସର୍ବନିମ୍ନକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରେ ନାହିଁ । ରେଖୀ ପୁନଃନିର୍ମାଣର ସ୍ଥାନୀୟ ସମୀକରଣକୁ ବ୍ୟବହାର କରି, LLE ଅଣ-ରେଖୀ ବିବିଧତାର ବିଶ୍ୱ ଗଠନକୁ ଶିଖିବାରେ ସକ୍ଷମ, ଯେପରିକି ଚେହେରା କିମ୍ବା ପାଠ୍ୟର ଡକ୍ୟୁମେଣ୍ଟଗୁଡ଼ିକର ପ୍ରତିଛବି ଦ୍ୱାରା ସୃଷ୍ଟି _ |
a3bfe87159938a96d3f2037ff0fe10adca0d21b0 | ଯାନବାହାନରେ ଅଧିକରୁ ଅଧିକ ସଫ୍ଟୱେୟାର ମଡ୍ୟୁଲ ଏବଂ ବାହ୍ୟ ଇଣ୍ଟରଫେସ ଯୋଡ଼ାଯିବା ସହିତ ନୂଆ ନୂଆ ଆକ୍ରମଣ ଏବଂ ଦୁର୍ବଳତା ମଧ୍ୟ ସାମ୍ନାକୁ ଆସୁଛି । ବୈଜ୍ଞାନିକମାନେ ଦେଖାଇଛନ୍ତି ଯେ, କିପରି ଇଲେକ୍ଟ୍ରୋନିକ କଣ୍ଟ୍ରୋଲ ୟୁନିଟ (ଇସିୟୁ) କୁ ହ୍ୟାକ୍ କରାଯାଇ ଗାଡ଼ିର ଗତିକୁ ନିୟନ୍ତ୍ରଣ କରାଯାଇପାରିବ । ଏହି ଦୁର୍ବଳତାକୁ ପ୍ରତିହତ କରିବା ପାଇଁ ବିଭିନ୍ନ ପ୍ରକାରର ପ୍ରତିରକ୍ଷା ପ୍ରଣାଳୀ ପ୍ରସ୍ତାବିତ କରାଯାଇଛି, କିନ୍ତୁ ସେମାନେ ଯାନବାହାନରେ ନେଟୱାର୍କ ଆକ୍ରମଣ ବିରୁଦ୍ଧରେ ନିରାପତ୍ତା-ସଙ୍କଟଜନକ ଇସିୟୁ ପାଇଁ ଦୃଢ଼ ସୁରକ୍ଷା ଆବଶ୍ୟକତା ପୂରଣ କରିବାରେ ସକ୍ଷମ ହୋଇନାହାଁନ୍ତି । ଏହି ଅଭାବକୁ ଦୂର କରିବା ପାଇଁ ଆମେ ଏକ ଅନିୟମିତତା ଆଧାରିତ ଅନୁପ୍ରବେଶ ଚିହ୍ନଟ ବ୍ୟବସ୍ଥା (ଆଇଡିଏସ) ପ୍ରସ୍ତାବ ଦେଉଛୁ, ଯାହାକୁ ଘଣ୍ଟା ଆଧାରିତ ଆଇଡିଏସ (ସିଆଇଡିଏସ) କୁହାଯାଏ । ଏହା ଇସିୟୁରେ ଫିଙ୍ଗର ପ୍ରିଣ୍ଟ ଲଗାଇବା ପାଇଁ ଯାନରେ ଲଗାଯାଇଥିବା ବାର୍ତ୍ତା ଗୁଡିକର ବ୍ୟବଧାନକୁ ମାପ କରିଥାଏ ଏବଂ ବ୍ୟବହାର କରିଥାଏ । ଏହିପରି ପ୍ରାପ୍ତ ହୋଇଥିବା ଫିଙ୍ଗର ପ୍ରିଣ୍ଟକୁ ରିକର୍ସିଭ୍ ଲିନଷ୍ଟ ସ୍କ୍ୱେୟାର (RLS) ଆଲଗୋରିଦମ ସହିତ ଇସିୟୁର ଘଣ୍ଟା ବ୍ୟବହାରର ଏକ ଆଧାର ନିର୍ମାଣ ପାଇଁ ବ୍ୟବହାର କରାଯାଏ । ଏହି ମୂଳଦୁଆ ଆଧାରରେ, CIDS ସଂଚୟ ସମୂହ (CUSUM) କୁ ବ୍ୟବହାର କରି ଚିହ୍ନଟ ତ୍ରୁଟିରେ କୌଣସି ଅସ୍ୱାଭାବିକ ପରିବର୍ତ୍ତନକୁ ଚିହ୍ନଟ କରିଥାଏ - ଏହା ଏକ ସ୍ପଷ୍ଟ ଅନୁପ୍ରବେଶର ସଙ୍କେତ ଅଟେ । ଏହାଦ୍ୱାରା ଯାନରେ ଥିବା ନେଟୱର୍କରେ ପ୍ରବେଶକୁ ଶୀଘ୍ର ଚିହ୍ନଟ କରାଯାଇପାରିବ ଏବଂ ଏଥିରେ ୦.୦୫୫%ର କମ୍ ମିଥ୍ୟା-ପଜିଟିଭ ହାର ଦେଖିବାକୁ ମିଳିଥାଏ । ଅତ୍ୟାଧୁନିକ ଆଇଡିଏସ ଭଳି ଯଦି କୌଣସି ଆକ୍ରମଣର ଚିହ୍ନଟ ହୁଏ, ତେବେ ସିଡବ୍ଲୁସିର ଇସିୟୁରେ ଫିଙ୍ଗରପ୍ରିଣ୍ଟ ଲଗାଇବା ଦ୍ୱାରା ମୂଳ କାରଣର ବିଶ୍ଳେଷଣ ସହଜ ହୋଇଥାଏ । ଆମର ପରୀକ୍ଷଣ ଗୋଟିଏ CAN ବସ୍ ପ୍ରୋଟୋଟାଇପରେ ଏବଂ ବାସ୍ତବିକ ଯାନରେ ସିଆଇଡିଏସକୁ ଦେଖାଇଛି ଯାନରେ ନେଟୱର୍କ ଆକ୍ରମଣର ଏକ ବ୍ୟାପକ ପରିସରକୁ ଚିହ୍ନଟ କରିବାରେ ସକ୍ଷମ । |
c567bdc35a40e568e0661446ac4f9b397787e40d | ଅତୀବ କମ ଶକ୍ତି ବିଶିଷ୍ଟ ବେତାର ସେନସର ନୋଡ ପାଇଁ ଏକ ୨.୪ ଗିଗାହର୍ଟଜ ବାଧା-ପ୍ରତିରୋଧକ ୱେକଅପ୍ ରିସିଭର ଏକ ଅନିଶ୍ଚିତ-ଆଇଏଫ ଦ୍ୱୈତ ରୂପାନ୍ତରଣ ଟପୋଲୋଜି ବ୍ୟବହାର କରେ, ଯାହା ଏକ ବଣ୍ଟିତ ମଲ୍ଟି-ଷ୍ଟେଜ୍ ଏନ-ପାଥ ଫିଲ୍ଟରିଂ କୌଶଳକୁ ଏକ ଅନଲକ୍ ହୋଇଥିବା ଲୋ-କ୍ୟୁ ରେଜୋନେଟର-ରେଫରଡ୍ ଲୋକାଲ ଓସିଲିଟର ସହିତ ମିଶ୍ରଣ କରେ । ଏହି ସଂରଚନା ଦ୍ବାରା ସ୍ୱଳ୍ପ-ବନ୍ଧ ଚୟନ କ୍ଷମତା ଏବଂ ବାଧା ଉପକାରକ ଶକ୍ତି ପ୍ରତି ଦୃଢ଼ ପ୍ରତିରୋଧକ ଶକ୍ତି ମିଳିଥାଏ, ଯେତେବେଳେ କି ବ୍ୟୟବହୁଳ ବାହ୍ୟ ରେଜୋନାଣ୍ଟ ଉପାଦାନ ଯେପରିକି BAW ରେଜୋନେଟର କିମ୍ବା କ୍ରିଷ୍ଟଲକୁ ଏଡ଼ାଇ ଦିଆଯାଇଥାଏ । 65 ନନ୍ ମିଟର ସିଏମଓଏସ ରିସିଭର ପ୍ରୋଟୋଟାଇପ -97 ଡିସିଏମ୍ର ସମ୍ବେଦନଶୀଳତା ଏବଂ 5 ମେଗାହର୍ଜ ଅଫସେଟରେ -27 ଡିସିଏଲରୁ ଅଧିକ କ୍ୟାରିୟର-ଟୁ-ଇଣ୍ଟରଫେରର୍ ଅନୁପାତ ପ୍ରଦାନ କରିଥାଏ, 10-3 ବିଟ୍ ତ୍ରୁଟି ହାରରେ 10 କେବି/ସେକେଣ୍ଡର ଡାଟା ହାର ପାଇଁ, ଯେତେବେଳେ ନିରନ୍ତର କାର୍ଯ୍ୟରେ 0.5 ଭୋଲ୍ଟ ଭୋଲଟେଜ୍ ଯୋଗାଣରୁ 99 ମାଇକ୍ରୋୱାଟ ବ୍ୟବହାର କରାଯାଇଥାଏ । |
703244978b61a709e0ba52f5450083f31e3345ec | ଏହି ପୁସ୍ତକରେ ଲେଖକମାନେ ଶିକ୍ଷଣର ସାତୋଟି ସାଧାରଣ ସିଦ୍ଧାନ୍ତକୁ ଉପସ୍ଥାପନ କରିଛନ୍ତି, ଯାହା ଗବେଷଣା ସାହିତ୍ୟରୁ ଏବଂ କଲେଜ ଅଧ୍ୟାପକଙ୍କ ସହ ଏକ-ଏକ କରି କାର୍ଯ୍ୟ କରିବାର ୨୭ ବର୍ଷର ଅଭିଜ୍ଞତାରୁ ଉତ୍ପନ୍ନ ହୋଇଛି । ସେମାନେ ବିଭିନ୍ନ ଦୃଷ୍ଟିକୋଣରୁ (ଜ୍ଞାନ, ବିକାଶ ଓ ସାମାଜିକ ମନୋବିଜ୍ଞାନ; ଶିକ୍ଷାଗତ ଗବେଷଣା; ମାନବ ବିଜ୍ଞାନ; ଜନସଂଖ୍ୟା ଓ ସଂଗଠନାତ୍ମକ ଆଚରଣ) ଗବେଷଣାକୁ ଆଧାର କରି ଶିକ୍ଷଣର ମୂଳଦୁଆ ଉପରେ ଥିବା ପ୍ରମୁଖ ସିଦ୍ଧାନ୍ତର ଏକ ସେଟକୁ ଚିହ୍ନଟ କରିଛନ୍ତି - ଯେପରିକି କିପରି ପ୍ରଭାବଶାଳୀ ସଂଗଠନ ସୂଚନା ସଂଗ୍ରହ ଓ ବ୍ୟବହାରକୁ ବୃଦ୍ଧି କରିଥାଏ ଏବଂ ପ୍ରେରଣା ଉପରେ କ ଣ ପ୍ରଭାବ ପକାଇଥାଏ । ଏହି ନୀତିଗୁଡ଼ିକ ଶିକ୍ଷକଙ୍କ ଶିକ୍ଷଣକୁ ବୁଝିବାରେ ସାହାଯ୍ୟ କରିଥାଏ ଯାହା ସେମାନଙ୍କୁ ବୁଝିବାରେ ସାହାଯ୍ୟ କରିଥାଏ ଯେ କାହିଁକି କିଛି ଶିକ୍ଷାଦାନ ପଦ୍ଧତି ଛାତ୍ରଙ୍କ ଶିକ୍ଷଣକୁ ସମର୍ଥନ କରୁଛି କିମ୍ବା କରୁନାହିଁ, ଶିକ୍ଷାଦାନ ପଦ୍ଧତି ଏବଂ ରଣନୀତି ସୃଷ୍ଟି କିମ୍ବା ସଂଶୋଧନ କରେ ଯାହା ନିର୍ଦ୍ଦିଷ୍ଟ ପ୍ରସଙ୍ଗରେ ଛାତ୍ରଙ୍କ ଶିକ୍ଷଣକୁ ଅଧିକ ପ୍ରଭାବଶାଳୀ ଭାବରେ ପ୍ରୋତ୍ସାହିତ କରେ, ଏବଂ ଏହି ନୀତିଗୁଡ଼ିକୁ ନୂତନ ପାଠ୍ୟକ୍ରମରେ ସ୍ଥାନାନ୍ତର ଏବଂ ପ୍ରୟୋଗ କରେ । |
52a345a29267107f92aec9260b6f8e8222305039 | ଏହି ଲେଖାଟି ବିୟାନଚିନି ଆଦିଙ୍କ Inside PageRank ଲେଖାର ଏକ ଅନୁଲଗ୍ନ ବା ସମ୍ପ୍ରସାରଣ । [୧୯] ଏହା ପେଜ ର୍ୟାଙ୍କ ସହ ଜଡ଼ିତ ସମସ୍ତ ପ୍ରସଙ୍ଗର ଏକ ବ୍ୟାପକ ସମୀକ୍ଷା ଅଟେ, ଯେଉଁଥିରେ ମୂଳ ପେଜ ର୍ୟାଙ୍କ ମଡେଲ, ଉପଲବ୍ଧ ଓ ସୁପାରିଶ କରାଯାଇଥିବା ସମାଧାନ ପଦ୍ଧତି, ଷ୍ଟୋରେଜ ସମସ୍ୟା, ଅସ୍ତିତ୍ୱ, ଅନନ୍ୟତା, ଓ ସମ୍ମିଶ୍ରଣ ଗୁଣ, ମୂଳ ମଡେଲରେ ସମ୍ଭାବ୍ୟ ପରିବର୍ତ୍ତନ, ପାରମ୍ପରିକ ସମାଧାନ ପଦ୍ଧତିର ବିକଳ୍ପ ପ୍ରସ୍ତାବ, ସମ୍ବେଦନଶୀଳତା ଓ ସର୍ତ୍ତାବଳୀ, ଏବଂ ଶେଷରେ ଅପଡେଟ ସମସ୍ୟାକୁ ସାମିଲ କରାଯାଇଛି । ଆମେ କିଛି ନୂଆ ଫଳାଫଳ ବିଷୟରେ ଜଣାଇଛୁ, ଏକ ବ୍ୟାପକ ରେଫରେନ୍ସ ତାଲିକା ପ୍ରଦାନ କରିଛୁ ଏବଂ ଭବିଷ୍ୟତର ଗବେଷଣାର ଉତ୍ସାହଜନକ କ୍ଷେତ୍ର ବିଷୟରେ ଅନୁମାନ କରିଛୁ । |
0e5c8094d3da52340b58761d441eb809ff96743f | 1, ଭାଗ 2 ବିଷୟ ବସ୍ତୁ ଏହି ଅଧ୍ୟୟନରେ ଆମେ ନୂତନ ଭାବେ ପ୍ରଚଳିତ ବଣ୍ଟିତ ସକ୍ରିୟ ଟ୍ରାନ୍ସଫର୍ମର (ଡିଏଟି) ଢାଞ୍ଚାର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ପାରମ୍ପରିକ ଚିପ୍ ଇମ୍ପେଡେନ୍ସ-ପରିବର୍ତ୍ତନ ପଦ୍ଧତି ସହିତ ତୁଳନା କରିଛୁ । ମାନକ ସିଲିକନ ପ୍ରକ୍ରିୟାର ପ୍ରଯୁକ୍ତିରେ ଉଚ୍ଚ କ୍ଷମତା ସମ୍ପନ୍ନ ସଂପୂର୍ଣ୍ଣ ସମନ୍ୱିତ ବର୍ଦ୍ଧକଗୁଡ଼ିକର ଡିଜାଇନରେ ସେମାନଙ୍କର ମୌଳିକ ଶକ୍ତି-ଦକ୍ଷତା ସୀମିତତାକୁ ବିଶ୍ଳେଷଣ କରାଯାଇଛି । ଡିଏଟି ଏକ ଦକ୍ଷ ଇମ୍ପେଡେନ୍ସ-ପରିବର୍ତ୍ତନ ଏବଂ ଶକ୍ତି-ସଂଯୋଗ ପଦ୍ଧତି ଭାବରେ ପ୍ରମାଣିତ ହୋଇଛି, ଯାହା ଚୁମ୍ବକୀୟ କପଲିଂ ଦ୍ୱାରା ସିରିଜରେ ଅନେକ ନିମ୍ନ ଭୋଲଟେଜ୍ ପୁସ୍-ପୁଲ୍ ଆମ୍ପ୍ଲିଫାୟରକୁ ସଂଯୋଗ କରେ । ନୂତନ ଧାରଣାକୁ ପ୍ରମାଣିତ କରିବା ପାଇଁ, ଏକ ୨.୪ ଗିଗାହର୍ଟଜ ୧.୯ ୱାଟ୍ ୨-ଭୋଲ୍ଟ ସମ୍ପୁର୍ଣ୍ଣ ସମନ୍ୱିତ ଶକ୍ତି-ପ୍ରବର୍ଦ୍ଧକକୁ ୪୧% ଶକ୍ତି-ଅନୁପଯୋଗୀତା ହାସଲ କରିବା ପାଇଁ ୫୦ ଇନପୁଟ୍ ଏବଂ ଆଉଟପୁଟ୍ ମେଳ ଖାଉଥିବା ୦.୩୫-ମିକ୍ ର ସିଏମଓଏସ୍ ଟ୍ରାନଜିଷ୍ଟର ବ୍ୟବହାର କରି ନିର୍ମାଣ କରାଯାଇଛି । ଅନୁମତି ନେଇ ପୁନଃ ମୁଦ୍ରଣ କରାଯାଇଛି । ମଇ ୨୭, ୨୦୦୧ରେ ହସ୍ତାକ୍ଷର ପ୍ରାପ୍ତ [ଅନ୍ଲାଇନ୍ ରେ ପ୍ରକାଶିତ: ୨୦୦୨-୦୮-୦୭] ଏହି କାର୍ଯ୍ୟ ଇଣ୍ଟେଲ୍ କର୍ପୋରେସନ୍, ଆର୍ମି ରିସର୍ଚ୍ଚ ଅଫିସ୍, ଜେଟ୍ ପ୍ରପୁଲସନ୍ ଲାବୋରେଟୋରୀ, ଇନ୍ଫିନିୟନ୍ ଏବଂ ନ୍ୟାସନାଲ୍ ସାଇନ୍ସ ଫାଉଣ୍ଡେସନ୍ ଦ୍ୱାରା ସମର୍ଥିତ ହୋଇଥିଲା । ଚିପ୍ ନିର୍ମାଣ ପାଇଁ ଲେଖକମାନେ କୋନେକ୍ସାଣ୍ଟ ସିଷ୍ଟମକୁ ଧନ୍ୟବାଦ ଜଣାଇଛନ୍ତି, ବିଶେଷ କରି ଆର. ମାଗୁନ୍, ଏଫ୍. ଇଣ୍ଟଭେଲ୍ଡ, ଜେ. ପାୱେଲ, ଏ. ଭୋ ଏବଂ କେ. ମୋୟେଙ୍କୁ । କେ.ପୋଟର, ଡି.ହାମ, ଏବଂ ଏଚ.ୱୁ, ସମସ୍ତେ କାଲିଫର୍ଣ୍ଣିଆ ଇନଷ୍ଟିଚ୍ୟୁଟ ଅଫ ଟେକ୍ନୋଲୋଜି (କ୍ୟାଲଟେକ), ପାସାଡେନା, ସେମାନଙ୍କର ସହଯୋଗ ପାଇଁ ବିଶେଷ ଧନ୍ୟବାଦର ଯୋଗ୍ୟ ଅଟନ୍ତି । ଏଜିଲାଣ୍ଟ ଟେକ୍ନୋଲୋଜି ଏବଂ ସୋନେଟ ସଫ୍ଟୱେର ଇନ୍କ, ଲିଭରପୁଲ, ନ୍ୟୁୟର୍କର ସିଏଡି ଉପକରଣ ପାଇଁ ବୈଷୟିକ ସହାୟତାକୁ ମଧ୍ୟ ପ୍ରଶଂସା କରାଯାଇଛି । ସିଲିକନ ଆଧାରିତ ଆର୍ଏଫ୍ ଏବଂ ମାଇକ୍ରୋୱେଭ୍ ଇଣ୍ଟିଗ୍ରେଟେଡ୍ ସର୍କିଟ ଉପରେ ବିଶେଷ ପ୍ରସଙ୍ଗ, ଆଇଇଇଇ ଟ୍ରାଞ୍ଜାକ୍ସନ ଅନ ମାଇକ୍ରୋୱେଭ୍ ଥିଓରୀ ଏବଂ ଟେକ୍ନିକ୍, ଖଣ୍ଡ ୫୦, ନା |
14fae9835ae65adfdc434b7b7e761487e7a9548f | ଏହା ଜଣା ପଡିଛି ଯେ ରେଡିଏଲ ପାୱାର କମ୍ବିନେଟର ବହୁ ସଂଖ୍ୟକ ପାୱାର ଆମ୍ପଲିଫାୟରକୁ ମିଶ୍ରଣ କରିବାରେ ଅତ୍ୟନ୍ତ ପ୍ରଭାବଶାଳୀ ଅଟେ, ଯେଉଁଠାରେ ଏକ ଉଚ୍ଚ ଦକ୍ଷତା (୯୦% ରୁ ଅଧିକ) ଏକ ଅପେକ୍ଷାକୃତ ବ୍ୟାଡ ବ୍ୟାଣ୍ଡରେ ହାସଲ କରାଯାଇପାରିବ । କିନ୍ତୁ ଏହାର ବର୍ତ୍ତମାନର ବ୍ୟବହାର ଏହାର ଡିଜାଇନ ଜଟିଳତା କାରଣରୁ ସୀମିତ ଅଟେ । ଏହି କାଗଜରେ, ଆମେ ଏକ ପର୍ଯ୍ୟାୟ-ପ୍ରକ୍ରିୟା ଡିଜାଇନ୍ ପ୍ରକ୍ରିୟା ବିକଶିତ କରୁଛୁ, ଯେଉଁଥିରେ ଉଭୟ ପ୍ରାରମ୍ଭିକ ଆନୁମାନିକ ଡିଜାଇନ୍ ଫର୍ମୁଲା ଏବଂ ଚୂଡ଼ାନ୍ତ ସଠିକ୍ ଡିଜାଇନ୍ ଅପ୍ଟିମାଇଜେସନ୍ ଉଦ୍ଦେଶ୍ୟ ପାଇଁ ଉପଯୁକ୍ତ ମଡେଲ ଅନ୍ତର୍ଭୁକ୍ତ _ ତ୍ରି-ଆକାରର ଇଲେକ୍ଟ୍ରୋମ୍ୟାଗ୍ନେଟିକ ମଡେଲିଂ ଆଧାରରେ, ପୂର୍ବାନୁମାନିତ ଫଳାଫଳଗୁଡ଼ିକ ମାପ ହୋଇଥିବା ଫଳାଫଳ ସହିତ ବହୁତ ଭଲ ଭାବରେ ଏକମତ ଥିଲା । ରେଡିୟଲ-କମ୍ବାଇନର ଦକ୍ଷତା, ଏହାର ସୁନ୍ଦର ଅବକ୍ଷୟ ଏବଂ ଉଚ୍ଚତର ପ୍ୟାକେଜ ରେଜୋନାନ୍ସର ପ୍ରଭାବ ସମ୍ବନ୍ଧୀୟ ବ୍ୟବହାରିକ ପ୍ରସଙ୍ଗ ଏଠାରେ ବିସ୍ତୃତ ଭାବରେ ଆଲୋଚନା କରାଯାଇଛି |
47fdb5ec9522019ef7e580d59c262b3dc9519b26 | ମାଇକ୍ରୋଷ୍ଟ୍ରିପ୍ ସୋଣ୍ଡ ଏବଂ ଡବ୍ଲୁଆର-୪୩୦ ରିଅଟଙ୍ଗୁଲାର ୱେଭଗାଇଡ ବ୍ୟବହାର କରି ୧ଃ୪ ପାୱାର ଡିଭାଇଡରର ସଫଳ ପ୍ରଦର୍ଶନ ପ୍ରଦର୍ଶିତ ହୋଇଛି । ଅଦୃଷ୍ଟିକୃତ ଢାଞ୍ଚାର ୧୫-ଡିବି ରିଟର୍ନ ଲସ ବ୍ୟାଣ୍ଡୱିଡଥ୍ ୨୨% ଓ ଏହାର ୦.୫-ଡିବି ଇନସର୍ଟନ ଲସ ବ୍ୟାଣ୍ଡୱିଡଥ୍ ୨୬% ବୋଲି ପ୍ରମାଣିତ ହୋଇଛି । ସାଧାରଣ ଯନ୍ତ୍ରପାତି ଦ୍ୱାରା ପ୍ରସ୍ତୁତ ହୋଇଥିବା ବେଳେ, ଏହିପରି ଏକ ସଂରଚନାକୁ ପ୍ରମାଣିତ ମିଲିମିଟର ଏବଂ ସବ୍ ମିଲିମିଟର-ୱେଭ୍ ମାଇକ୍ରୋ-ମେକାନିଜିଂ କୌଶଳ ସହିତ ଏକ ଫ୍ୟାଶନରେ ଏକତ୍ର କରାଯାଇଥାଏ । ଏହିପରି, ଏହି ସଂରଚନାରେ ଏକ ସମ୍ଭାବ୍ୟ ଶକ୍ତି ବିଭାଜନ ଏବଂ ଶକ୍ତି ସଂଯୋଜନା ସ୍ଥାପତ୍ୟ ରହିଛି, ଯାହା ମାଇକ୍ରୋମେଶିନିଂ ମାଧ୍ୟମରେ 100GHz ଉପରେ ପ୍ରୟୋଗ ପାଇଁ ବ୍ୟବହୃତ ହୋଇପାରେ । |
68218edaf08484871258387e95161a3ce0e6fe67 | ଏକ ଆଠ-ଡିଭାଇସ କା-ବ୍ୟାଣ୍ଡ ସଲିଡ ଷ୍ଟେଟ ପାୱାର ଆମ୍ପଲିଫାୟର ଡିଜାଇନ ଏବଂ ନିର୍ମାଣ କରାଯାଇଛି, ଯେଉଁଥିରେ ଟ୍ରାଭେଲ ୱେଭ ପାୱାର ଡିଭିଜନିଂ/କମ୍ବାଇନିଂ କୌଶଳ ବ୍ୟବହାର କରାଯାଇଛି । ଏହି ଡିଜାଇନରେ ବ୍ୟବହୃତ ହୋଇଥିବା ନିମ୍ନ-ପ୍ରୋଫାଇଲ୍ ସ୍ଲଟ୍-ୱେଭ୍ ଗାଇଡ୍ ସଂରଚନା କେବଳ ଏକ ବ୍ୟାପକ ବ୍ୟାଣ୍ଡୱିଡ୍ଥ୍ ଉପରେ ଉଚ୍ଚ ଶକ୍ତି-କମ୍ବାଇଣ୍ଟିଂ ଦକ୍ଷତା ପ୍ରଦାନ କରେ ନାହିଁ, ବରଂ ସକ୍ରିୟ ଉପକରଣଗୁଡିକ ପାଇଁ ଦକ୍ଷ ଉତ୍ତାପ ସଙ୍କୋଚନ ମଧ୍ୟ ପ୍ରଦାନ କରେ । ଆଠ ଉପକରଣ ବିଶିଷ୍ଟ ଶକ୍ତି ବର୍ଦ୍ଧକ ର ମାପ କରାଯାଇଥିବା ସର୍ବାଧିକ କ୍ଷୁଦ୍ର-ସିଗନାଲ୍ ଲାଭ ହେଉଛି ୩.୨ GHz ର ୩-ଡିବି ବ୍ୟାଣ୍ଡୱିଡ୍ଥ୍ ସହିତ ୩୪ GHz ରେ ୧୯.୪ dB (f/sub L/=୩୧.୮ GHz, f/sub H/=୩୫ GHz) । କ୍ଷମତାର ବର୍ଦ୍ଧକରୁ 1-ଡିବି ସଙ୍କୋଚନ (ପି/ସବ୍ ଆଉଟ୍/୧ ଡିବି) ରେ ମାପ କରାଯାଇଥିବା ସର୍ବାଧିକ ଆଉଟପୁଟ୍ ଶକ୍ତି ହେଉଛି 33 dBm (/spl sim/2 W) 32.2 GHz ରେ, 80 ପ୍ରତିଶତ ଶକ୍ତି-ଯୌଗିକ ଦକ୍ଷତା ସହିତ _ ଏହାବ୍ୟତୀତ ଉପକରଣର ତ୍ରୁଟି କାରଣରୁ ଏହି ପାୱାର ଆମ୍ପ୍ଲିଫାୟରର କାର୍ଯ୍ୟଦକ୍ଷତା ହ୍ରାସକୁ ମଧ୍ୟ ସିମୁଲେଟ କରାଯାଇ ମାପ କରାଯାଇଛି । |
db884813d6d764aea836c44f46604128735bffe0 | ଉଚ୍ଚ ଶକ୍ତି, ବ୍ୟାଡ୍ବାଇଡଥ୍, ଉଚ୍ଚ ରେଖାପାତ, ଏବଂ ନିମ୍ନ ଶବ୍ଦ ଆମ୍ଫିଲିଫାୟର ଡିଜାଇନର ସବୁଠାରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ବୈଶିଷ୍ଟ୍ୟ ମଧ୍ୟରେ ରହିଛି । ବ୍ରଡବ୍ୟାଣ୍ଡ ସ୍ପେସିଆଲ ପାୱାର କମ୍ବାଇଂ କୌଶଳ ଏହି ସମସ୍ତ ସମସ୍ୟାକୁ ଦୂର କରିଥାଏ, ଯଥା ବ୍ରଡବ୍ୟାଣ୍ଡ ସମକକ୍ଷ ତରଙ୍ଗନାଳୀ ପରିବେଶରେ ବହୁ ସଂଖ୍ୟକ ମାଇକ୍ରୋୱେଭ୍ ମୋନୋଲିଥିକ୍ ଇଣ୍ଟିଗ୍ରେଟେଡ୍ ସର୍କିଟ୍ (ଏମଏମଆଇସି) ଆମ୍ପ୍ଲିଫାୟର୍ର ଆଉଟପୁଟ୍ ପାୱାରକୁ ମିଶାଇ, ଭଲ ରେଖୀକରଣ ବଜାୟ ରଖିବା ଏବଂ ଏମଏମଆଇସି ଆମ୍ପ୍ଲିଫାୟର୍ର ପର୍ଯ୍ୟାୟ ଶବ୍ଦକୁ ଉନ୍ନତ କରିବା । ପ୍ରତ୍ୟେକ ଉପାଦାନକୁ ସମାନ ଭାବରେ ଇନପୁଟ୍ ପାୱାର ବିତରଣ କରି ବ୍ୟାପକ ବ୍ୟାଣ୍ଡୱିଡ୍ଥ୍ ଏବଂ ଉତ୍ତମ ଏକକତା ପାଇଁ ଏକ ସମକକ୍ଷ ୱେଭଗାଇଡ୍ କୁ ମିଶ୍ରଣ ସର୍କିଟର ହୋଷ୍ଟ ଭାବରେ ବ୍ୟବହାର କରାଯାଇଥିଲା । ଏକ ନୂତନ କମ୍ପାକ୍ଟ ସମକକ୍ଷିକ ସଂଯୋଜକ ଯାହାର ଆକାର ବହୁତ ଛୋଟ ତାହାର ଅନୁସନ୍ଧାନ କରାଯାଉଛି । ବାଣିଜ୍ୟିକ ଏମଏମଆଇସି ଆମ୍ପ୍ଲିଫାୟର ସହିତ ଉନ୍ନତ ସୁସଂଗତତା ପାଇଁ ବ୍ରଡବ୍ୟାଣ୍ଡ ସ୍ଲଟଲାଇନରୁ ମାଇକ୍ରୋଷ୍ଟ୍ରିପ ଲାଇନକୁ ପରିବର୍ତ୍ତନକୁ ଏକୀକୃତ କରାଯାଇଛି । ତାପଜ ଅନୁକରଣ କରାଯାଇଥାଏ ଏବଂ ଉଚ୍ଚ ଶକ୍ତି ପ୍ରୟୋଗରେ ଉତ୍ତାପ ସଙ୍କେତକୁ ଉନ୍ନତ କରିବା ପାଇଁ ପୂର୍ବ ଡିଜାଇନ୍ ତୁଳନାରେ ଉନ୍ନତ ତାପଜ ପରିଚାଳନା ଯୋଜନା ବ୍ୟବହୃତ ହୋଇଥାଏ । ଏକ ଉଚ୍ଚ କ୍ଷମତା ବିଶିଷ୍ଟ ଆମ୍ପ୍ଲିଫାୟର କମ୍ପାକ୍ଟ କମ୍ବିନେଟର ଡିଜାଇନ ବ୍ୟବହାର କରି ନିର୍ମିତ ହୋଇଛି ଏବଂ ଏହାର ବ୍ୟାଣ୍ଡୱିଡଥ୍ 6 ରୁ 17 GHz ଏବଂ ସର୍ବାଧିକ 44-W ଆଉଟପୁଟ୍ ପାୱାର ଥିବା ପ୍ରମାଣିତ ହୋଇଛି । ରେଖିକତା ମାପ 52 dBm ର ଉଚ୍ଚ ତୃତୀୟ-ଶ୍ରେଣୀ ଅନ୍ତର ବିନ୍ଦୁ ଦେଖାଇଲା । ବିଶ୍ଳେଷଣରୁ ଜଣାପଡିଛି ଯେ ଏହି ଆମ୍ପଲିଫାୟର ଦ୍ୱାରା ଅସ୍ପୃଶ୍ୟ-ମୁକ୍ତ ଗତିଶୀଳ ପରିସରକୁ ୨-୩ ଗୁଣ ବୃଦ୍ଧି କରାଯାଇପାରିବ । ଏହି ଆମ୍ପ୍ଲିଫାୟର ମଧ୍ୟ ୧୦ କିଲୋହର୍ଜରେ ବାକି ଥିବା ଫ୍ୟାସ ଫ୍ଲୋରକୁ ୧୪୦ ଡିସିସି ପାଖାପାଖି ଦେଖାଇଛି, ଯାହା ଏକ ଏମଏମଆଇସି ଆମ୍ପ୍ଲିଫାୟର ତୁଳନାରେ ୫-୬ ଡିସି କମ୍ ଅଟେ । |
e73ee8174589e9326d3b36484f1b95685cb1ca42 | ଆଗାମୀ ପଞ୍ଚମ ପିଢ଼ିର ସେଲୁଲାର ଯୋଗାଯୋଗ ପାଇଁ ପ୍ରଥମ 28 ଗିଗାହର୍ଜ ଆଣ୍ଟିନା ସମାଧାନ ବିଷୟରେ ବିସ୍ତୃତ ଭାବେ ଉପସ୍ଥାପନା କରାଯାଇଛି । ବ୍ୟାପକ ମାପ ଏବଂ ସିମୁଲେସନ ଦ୍ୱାରା 28 GHz ଆଣ୍ଟିନା ସମାଧାନ ବାସ୍ତବିକ ପ୍ରସାର ପରିବେଶରେ କାର୍ଯ୍ୟ କରୁଥିବା ସେଲୁଲାର ହ୍ୟାଣ୍ଡସେଟ ପାଇଁ ଅତ୍ୟନ୍ତ ପ୍ରଭାବଶାଳୀ ବୋଲି ଜଣାପଡିଛି । |
4e85503ef0e1559bc197bd9de0625b3792dcaa9b | ନେଟୱର୍କ ଆଧାରିତ ଆକ୍ରମଣ ସାଧାରଣ ଏବଂ ଜଟିଳ ହୋଇଗଲାଣି । ଏହି କାରଣରୁ, ଅନୁପ୍ରବେଶ ଚିହ୍ନଟ ପ୍ରଣାଳୀ ବର୍ତ୍ତମାନ ସେମାନଙ୍କର ଧ୍ୟାନ ହୋଷ୍ଟ ଏବଂ ସେମାନଙ୍କର ଅପରେଟିଂ ସିଷ୍ଟମରୁ ନେଟୱାର୍କକୁ ସ୍ଥାନାନ୍ତରିତ କରୁଛି । ନେଟୱର୍କ ଆଧାରିତ ଅନୁପ୍ରବେଶ ଚିହ୍ନଟ କରିବା ଏକ ଆହ୍ୱାନ କାରଣ ନେଟୱର୍କ ଅଡିଟିଂରେ ବହୁ ପରିମାଣର ତଥ୍ୟ ଉତ୍ପନ୍ନ ହୋଇଥାଏ ଏବଂ ନେଟୱର୍କର ବିଭିନ୍ନ ସ୍ଥାନରେ ଗୋଟିଏ ଅନୁପ୍ରବେଶ ସହିତ ଜଡିତ ବିଭିନ୍ନ ଘଟଣା ଦୃଶ୍ୟମାନ ହୋଇପାରେ । ଏହି ଦସ୍ତାବିଜରେ ନେଟ ଷ୍ଟେଟର ଉପସ୍ଥାପନା କରାଯାଇଛି, ଯାହାକି ନେଟୱର୍କରେ ଅନୁପ୍ରବେଶ ଚିହ୍ନଟ ପାଇଁ ଏକ ନୂଆ ପଦ୍ଧତି । ଉଭୟ ନେଟୱର୍କ ଏବଂ ଆକ୍ରମଣର ଏକ ଆନୁଷ୍ଠାନିକ ମଡେଲ ବ୍ୟବହାର କରି ନେଟଷ୍ଟାଟ ନିର୍ଦ୍ଧାରଣ କରିପାରିବ ଯେ କେଉଁ ନେଟୱର୍କ ଘଟଣାଗୁଡ଼ିକୁ ମନିଟରିଂ କରାଯିବା ଉଚିତ ଏବଂ କେଉଁଠାରେ ସେଗୁଡିକ ମନିଟରିଂ କରାଯାଇପାରିବ । |
818c13721db30a435044b37014fe7077e5a8a587 | ବୃହତ କ୍ଲଷ୍ଟର ଉପରେ ବିଶାଳ ତଥ୍ୟ ବିଶ୍ଳେଷଣ କ୍ୱେରୀ ଅପ୍ଟିମାଇଜେସନ୍ ପାଇଁ ନୂତନ ସୁଯୋଗ ଏବଂ ଆହ୍ୱାନ ପ୍ରଦାନ କରେ । ଏହି ପରିବେଶରେ କାର୍ଯ୍ୟଦକ୍ଷତା ପାଇଁ ତଥ୍ୟ ବିଭାଜନ ଅତ୍ୟନ୍ତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । ତେବେ ତଥ୍ୟର ପୁନଃବଣ୍ଟନ ଏକ ମହଙ୍ଗା କାର୍ଯ୍ୟ ଅଟେ ତେଣୁ ଏହିପରି କାର୍ଯ୍ୟର ସଂଖ୍ୟାକୁ କମ କରିବା ଦ୍ୱାରା କାର୍ଯ୍ୟଦକ୍ଷତା ବହୁତ ଉନ୍ନତ ହୋଇପାରିବ । ତେଣୁ ଏହି ପରିବେଶ ପାଇଁ ଏକ ପ୍ରଶ୍ନ ଅନୁକୂଳନକାରୀକୁ ତଥ୍ୟ ବିଭାଜନ ବିଷୟରେ ବିଚାର କରିବାକୁ ପଡିବ ଯେଉଁଥିରେ ସର୍ଟ କରିବା ଏବଂ ଗୋଷ୍ଠୀକରଣ ସହିତ ଏହାର ପାରସ୍ପରିକ କ୍ରିୟା ଅନ୍ତର୍ଭୁକ୍ତ । ସ୍କୋପ ହେଉଛି ଏକ ଏସକ୍ୟୁଏଲ ଭଳି ସ୍କ୍ରିପ୍ଟିଂ ଭାଷା ଯାହା ମାଇକ୍ରୋସଫ୍ଟରେ ବହୁ ପରିମାଣର ତଥ୍ୟ ବିଶ୍ଳେଷଣ ପାଇଁ ବ୍ୟବହୃତ ହୁଏ । ଏକ ପରିବର୍ତ୍ତନ-ଆଧାରିତ ଅପ୍ଟିମାଇଜର ସ୍କ୍ରିପ୍ଟଗୁଡ଼ିକୁ କସ୍ମସ୍ ବଣ୍ଟିତ କମ୍ପ୍ୟୁଟିଂ ପ୍ଲାଟଫର୍ମ ପାଇଁ ଦକ୍ଷ କାର୍ଯ୍ୟକାରିତା ଯୋଜନାରେ ରୂପାନ୍ତରିତ କରିବା ପାଇଁ ଦାୟୀ ଅଟେ । ଏହି କାଗଜରେ, ଆମେ ବର୍ଣ୍ଣନା କରୁଛୁ କି କିପରି ତଥ୍ୟ ବିଭାଜନ ବିଷୟରେ ଯୁକ୍ତି SCOPE ଅପ୍ଟିମାଇଜରରେ ଅନ୍ତର୍ଭୁକ୍ତ ହୋଇଛି । ଆମେ ଦେଖାଇବୁ କିପରି ରିଲେସନାଲ୍ ଅପରେଟରମାନେ ବିଭାଜନ, ସର୍ଟ ଏବଂ ଗ୍ରୁପିଂ ଗୁଣ ଉପରେ ପ୍ରଭାବ ପକାଇଥାନ୍ତି ଏବଂ ବର୍ଣ୍ଣନା କରିବେ ଯେ ଅପ୍ଟିମାଇଜର କିପରି ଅନାବଶ୍ୟକ କାର୍ଯ୍ୟକୁ ଏଡ଼ାଇବା ପାଇଁ ଏହିପରି ଗୁଣ ବିଷୟରେ କାରଣ ଏବଂ ଶୋଷଣ କରେ । ଅଧିକାଂଶ ଅପ୍ଟିମାଇଜରରେ, ସମାନ୍ତରାଳ ଯୋଜନାଗୁଡିକର ବିଚାର ଏକ ପୋଷ୍ଟପ୍ରସେସିଂ ଷ୍ଟେପରେ କରାଯାଇଥାଏ । ବିଭାଜନ ବିଷୟରେ ତର୍କବିତର୍କ କରିବା ଦ୍ୱାରା ସ୍କୋପ ଅପ୍ଟିମାଇଜର ସମତଳ, ସିରିୟଲ ଏବଂ ମିଶ୍ରିତ ଯୋଜନାକୁ ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ଖର୍ଚ୍ଚ ଆଧାରିତ ଅପ୍ଟିମାଇଜେସନରେ ଅନ୍ତର୍ଭୁକ୍ତ କରିପାରିବ । ଏହି ଉପକାରିତା ବିଷୟରେ ବର୍ଣ୍ଣନା କରିବା ପାଇଁ ଆମ ଆଭିମୁଖ୍ୟ ଦ୍ୱାରା କେତେ ଯୋଜନା ପ୍ରସ୍ତୁତ କରାଯାଇପାରିବ ତାହା ଦର୍ଶାଯାଇଛି । |
8420f2f686890d9675538ec831dbb43568af1cb3 | ରୋମାନ୍ ଲିପିରେ ଲେଖା ହୋଇଥିବା ହିଙ୍ଗ୍ଲିଶ୍ ଲେଖାର ଭାବନାତ୍ମକ ଧ୍ରୁବତା ନିର୍ଦ୍ଧାରଣ କରିବା ପାଇଁ, ଆମେ ବୈଶିଷ୍ଟ୍ୟ ଚୟନ ପଦ୍ଧତିର ବିଭିନ୍ନ ମିଶ୍ରଣ ସହିତ ପରୀକ୍ଷଣ କରିଥିଲୁ ଏବଂ ଶବ୍ଦ-ସଂଖ୍ୟାନ-ବିପରିତ ଦଲିଲ-ସଂଖ୍ୟାନ ବୈଶିଷ୍ଟ୍ୟ ପ୍ରତିନିଧିତ୍ୱ ବ୍ୟବହାର କରି ଅନେକ ଶ୍ରେଣୀକରଣକାରୀ ବ୍ୟବହାର କରିଥିଲୁ । ଆମେ ହିଙ୍ଗ୍ଲିଶ୍ ଭାଷାରେ ଲେଖା ଯାଇଥିବା ଖବର ଏବଂ ଫେସବୁକ୍ ମନ୍ତବ୍ୟରେ ପ୍ରକାଶିତ ଭାବନା ପାଇଁ ସର୍ବୋତ୍ତମ ଶ୍ରେଣୀଭୁକ୍ତକାରୀ ନିର୍ଣ୍ଣୟ କରିବା ପାଇଁ ମୋଟ 840ଟି ପରୀକ୍ଷଣ କରିଥିଲୁ । ଆମେ ଏହି ସିଦ୍ଧାନ୍ତରେ ଉପନୀତ ହେଲୁ ଯେ, ହିଙ୍ଗ୍ଲିଶ୍ ପାଠ୍ୟରେ ପ୍ରକାଶିତ ଭାବନାକୁ ଶ୍ରେଷ୍ଠ ଶ୍ରେଣୀଭୁକ୍ତ କରିବା ପାଇଁ ଶବ୍ଦ-ପ୍ରବାହ-ବିପରିତ ଦସ୍ତାବିଜ-ପ୍ରବାହ-ଆଧାରିତ ବିଶେଷତା ପ୍ରତିନିଧିତ୍ୱ, ଲାଭ ଅନୁପାତ-ଆଧାରିତ ବିଶେଷତା ଚୟନ ଏବଂ ରେଡିୟଲ୍ ବେସିସ୍ ଫଙ୍କସନ୍ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କର ଏକ ତ୍ରିଗୁଣଯୁକ୍ତ ସଂଯୋଗ ସର୍ବୋତ୍ତମ । |
c97ebb60531a86bea516d3582758a45ba494de10 | ଆଇଇଇଇ ଇଣ୍ଟେଲିଜେଣ୍ଟ ଟ୍ରାନ୍ସପୋର୍ଟ ସିଷ୍ଟମ ସୋସାଇଟି ଏବଂ ସର୍ବବ୍ୟାପୀ କମ୍ପ୍ୟୁଟିଂ ଗବେଷଣା ଗୋଷ୍ଠୀ ମଧ୍ୟରେ ଦୃଢ଼ ସହଯୋଗକୁ ପ୍ରୋତ୍ସାହିତ କରିବା ପାଇଁ ଲେଖକମାନେ ଆଇଟିଏସ ସୋସାଇଟି ବିଷୟରେ ପରିଚୟ ପ୍ରଦାନ କରିଛନ୍ତି ଏବଂ ଆଇଟିଏସ ସୋସାଇଟି ଗବେଷକମାନେ କାର୍ଯ୍ୟ କରୁଥିବା ଅନେକ ସର୍ବବ୍ୟାପୀ କମ୍ପ୍ୟୁଟିଂ ସମ୍ବନ୍ଧୀୟ ଗବେଷଣା ବିଷୟ ଉପସ୍ଥାପନ କରିଛନ୍ତି । ଏହି ବିଭାଗ ଇଣ୍ଟେଲିଜେଣ୍ଟ ଟ୍ରାନ୍ସପୋର୍ଟ ଉପରେ ଏକ ବିଶେଷ ପ୍ରସଙ୍ଗର ଅଂଶବିଶେଷ । |
e91196c1d0234da60314945c4812eda631004d8f | ଆମେ ଭାଷା ଶିକ୍ଷା ପାଇଁ ଏକ ଆଦାନପ୍ରଦାନକାରୀ ବହୁମୁଖୀ ଢାଂଚା ପ୍ରସ୍ତାବ ଦେଉଛୁ । ପ୍ରାକୃତିକ ପାଠ୍ୟର ବିପୁଳ ପରିମାଣର ନିଷ୍କ୍ରିୟ ଭାବରେ ପ୍ରକାଶିତ ହେବା ପରିବର୍ତ୍ତେ, ଆମର ଶିକ୍ଷାର୍ଥୀମାନେ (ଫୀଡ ଫରୱାର୍ଡ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଭାବରେ କାର୍ଯ୍ୟକାରୀ) ଏକ ଟାବୁଲା ରାସା ସେଟଅପ୍ ଠାରୁ ଆରମ୍ଭ କରି ସହଯୋଗୀ ରେଫରେନ୍ସିଆଲ ଗେମ୍ରେ ଜଡିତ ହୁଅନ୍ତି, ଏବଂ ଏହିପରି ଭାବରେ ଖେଳରେ ସଫଳତା ପାଇବା ପାଇଁ ଯୋଗାଯୋଗ କରିବାର ଆବଶ୍ୟକତାରୁ ସେମାନଙ୍କର ନିଜସ୍ୱ ଭାଷା ବିକାଶ କରନ୍ତି । ପ୍ରାଥମିକ ପରୀକ୍ଷଣରୁ ଆଶାନୁରୂପ ଫଳାଫଳ ମିଳୁଛି, କିନ୍ତୁ ଏହା ମଧ୍ୟ ସୁନିଶ୍ଚିତ କରିବା ଜରୁରୀ ଯେ ଏହିପରି ତାଲିମପ୍ରାପ୍ତ ଏଜେଣ୍ଟମାନେ କେବଳ ସେମାନେ ଖେଳୁଥିବା ଖେଳ ପାଇଁ ପ୍ରଭାବଶାଳୀ ଏକ ଆଡହକ୍ ଯୋଗାଯୋଗ କୋଡ୍ ବିକଶିତ କରିବେ ନାହିଁ । |
500b7d63e64e13fa47934ec9ad20fcfe0d4c17a7 | ନିକଟରେ, ତ୍ରି-ଆକାର (3D) ଏଲଟିସିସି ଆଧାରିତ ସିପି ପ୍ରୟୋଗରେ ଉଚ୍ଚ ସମନ୍ୱୟ ଘନତ୍ୱ ହେତୁ ଉଚ୍ଚ-ଫ୍ରିକ୍ୱେନ୍ସି ସିଗନାଲର ଟାଇମିଂ ନିୟନ୍ତ୍ରଣର ଦୃଢ ଚାହିଦା ରହିଛି । ତେଣୁ, ଟାଇମିଂ ବିଳମ୍ବକୁ ନିୟନ୍ତ୍ରଣ କରିବା ପାଇଁ, ନୂତନ 3D ବିଳମ୍ବ ରେଖା ପ୍ରସ୍ତାବିତ କରାଯିବ । ସିଗନାଲ୍ ଭିଆର ଦୁର୍ବଳତା ପାଇଁ ଆମେ ସମକକ୍ଷ ଲାଇନ୍ ର ଧାରଣାକୁ ଗ୍ରହଣ କରିଛୁ ଏବଂ କ୍ୱାସି ସମକକ୍ଷ ଗ୍ରାଉଣ୍ଡ (QCOX-GND) ଭିଆସ୍ ସହିତ ଏକ ଉନ୍ନତ ସିଗନାଲ୍ ଭିଆର ସଂରଚନା ପ୍ରସ୍ତାବ ଦେଇଛୁ । ଇଏମ ଏବଂ ସର୍କିଟ ସିମୁଲେଟର ବ୍ୟବହାର କରି ଆମେ ସିମୁଲେସନ ଫଳାଫଳ ଦେଖାଇବୁ । |
1a07186bc10592f0330655519ad91652125cd907 | ଆମେ ଏକ ଏକକ କଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ସ୍ଥାପତ୍ୟ ବର୍ଣ୍ଣନା କରୁଛୁ ଯାହା, ଏକ ବାକ୍ୟ ଦିଆଯିବା ପରେ, ଭାଷା ପ୍ରକ୍ରିୟାକରଣ ପୂର୍ବାନୁମାନର ଏକ ହୋଷ୍ଟକୁ ଆଉଟପୁଟ୍ କରେଃ ଭାଷା ମଡେଲ ବ୍ୟବହାର କରି ପାର୍ଟ-ଅଫ-ସ୍ପିଚ୍ ଟ୍ୟାଗ୍, ଖଣ୍ଡ, ନାମିତ ସଂସ୍ଥା ଟ୍ୟାଗ୍, ଅର୍ଥନୈତିକ ଭୂମିକା, ଅର୍ଥନୈତିକ ଭାବରେ ସମାନ ଶବ୍ଦ ଏବଂ ବାକ୍ୟର ଅର୍ଥ (ଆଚରଣ ଏବଂ ଅର୍ଥନୈତିକ ଭାବରେ) । ଏହି ସମସ୍ତ କାର୍ଯ୍ୟ ପାଇଁ ସମଗ୍ର ନେଟୱର୍କକୁ ମିଳିତ ଭାବେ ତାଲିମ ଦିଆଯାଏ ଓଜନ ବଣ୍ଟନ, ମଲ୍ଟି ଟାସ୍କ ଶିକ୍ଷଣର ଏକ ଉଦାହରଣ । ସମସ୍ତ କାର୍ଯ୍ୟରେ ଲେବଲ ଥିବା ତଥ୍ୟ ବ୍ୟବହାର କରାଯାଏ, କେବଳ ଭାଷା ମଡେଲକୁ ଛାଡ଼ି, ଯାହାକି ଲେବଲ ନଥିବା ପାଠ୍ୟରୁ ଶିକ୍ଷା କରାଯାଏ ଏବଂ ଏହା ସହଭାଗୀ କାର୍ଯ୍ୟ ପାଇଁ ଅର୍ଦ୍ଧ-ନିରୀକ୍ଷିତ ଶିକ୍ଷଣର ଏକ ନୂତନ ରୂପକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ । ଆମେ ଦେଖାଇବୁ କି କିପରି ଉଭୟ ମଲ୍ଟି ଟାସ୍କ ଲର୍ଣ୍ଣିଂ ଏବଂ ସେମି ସୁପରଭାଇଜଡ ଲର୍ଣ୍ଣିଂ ଦ୍ୱାରା ଶେୟାର କରାଯାଇଥିବା କାର୍ଯ୍ୟର ସାଧାରଣକରଣରେ ଉନ୍ନତି ଆସିଥାଏ, ଯାହାର ପରିଣାମ ସ୍ୱରୂପ ଅତ୍ୟାଧୁନିକ କାର୍ଯ୍ୟଦକ୍ଷତା ମିଳିଥାଏ । |
27e38351e48fe4b7da2775bf94341738bc4da07e | ଏକକ ଶବ୍ଦ ଭେକ୍ଟର ସ୍ପେସ୍ ମଡେଲଗୁଡିକ ଶବ୍ଦକୋଷୀୟ ସୂଚନାକୁ ଶିଖିବାରେ ଅତ୍ୟନ୍ତ ସଫଳ ହୋଇଛନ୍ତି । କିନ୍ତୁ ସେମାନେ ଦୀର୍ଘ ବାକ୍ୟର ରଚନାତ୍ମକ ଅର୍ଥକୁ ବୁଝିପାରନ୍ତି ନାହିଁ, ଯାହା ସେମାନଙ୍କୁ ଭାଷାର ଗଭୀର ବୁଝିବାରେ ବାଧା ଦେଇଥାଏ । ଆମେ ଏକ ରିକର୍ସିଭ୍ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ (ଆରଏନଏନ୍) ମଡେଲର ପରିଚୟ ଦେଉଛୁ ଯାହା ମନଇଚ୍ଛା ବାକ୍ୟବୋଧିକ ପ୍ରକାର ଏବଂ ଲମ୍ବର ବାକ୍ୟ ଏବଂ ବାକ୍ୟ ପାଇଁ ରଚନାତ୍ମକ ଭେକ୍ଟର ପ୍ରତିନିଧିତ୍ୱ ଶିଖେ । ଆମର ମଡେଲ ଏକ ପାର୍ସ ଗଛରେ ପ୍ରତ୍ୟେକ ନୋଡକୁ ଏକ ଭେକ୍ଟର ଏବଂ ଏକ ମାଟ୍ରିକ୍ସ ପ୍ରଦାନ କରିଥାଏ: ଭେକ୍ଟରଟି ଉପାଦାନର ଅନ୍ତର୍ନିହିତ ଅର୍ଥକୁ ଧାରଣ କରିଥାଏ, ଯେତେବେଳେ କି ମାଟ୍ରିକ୍ସ ଏହା ପଡୋଶୀ ଶବ୍ଦ କିମ୍ବା ବାକ୍ୟର ଅର୍ଥକୁ କିପରି ପରିବର୍ତ୍ତନ କରିଥାଏ ତାହା ଧାରଣ କରିଥାଏ । ଏହି ମାଟ୍ରିକ୍ସ ଭେକ୍ଟର RNN ପ୍ରସ୍ତାବନା ତର୍କ ଏବଂ ପ୍ରାକୃତିକ ଭାଷାରେ ଅପରେଟରର ଅର୍ଥ ଶିଖିପାରେ । ଏହି ମଡେଲ ତିନୋଟି ଭିନ୍ନ ଭିନ୍ନ ପରୀକ୍ଷଣରେ ଅତ୍ୟାଧୁନିକ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରିଥାଏ: ବିଶେଷଣ-ଆକ୍ଷରିକ ଯୋଡିର ସୂକ୍ଷ୍ମ-କଣିକା ଭାବନା ବଣ୍ଟନକୁ ପୂର୍ବାନୁମାନ କରିବା; ଚଳଚ୍ଚିତ୍ର ସମୀକ୍ଷାର ଭାବନା ଲେବଲକୁ ଶ୍ରେଣୀଭୁକ୍ତ କରିବା ଏବଂ ସଂଜ୍ଞା ସମ୍ପର୍କକୁ ଶ୍ରେଣୀଭୁକ୍ତ କରିବା ଯେପରିକି କାରଣ-ପ୍ରଭାବ କିମ୍ବା ବିଷୟ-ସଂଦେଶ ନାମଗୁଡିକ ମଧ୍ୟରେ ସେଗୁଡିକ ମଧ୍ୟରେ ବାକ୍ୟବିନ୍ୟାସ ପଥ ବ୍ୟବହାର କରି _ |
303b0b6e6812c60944a4ac9914222ac28b0813a2 | ଏହି ପତ୍ରିକାରେ ବାକ୍ୟ-ସ୍ତରୀୟ ଭାବନା ବିଶ୍ଳେଷଣ ପାଇଁ ଏକ ନୂତନ ପଦ୍ଧତି ଉପସ୍ଥାପନ କରାଯାଇଛି ଯାହା ପ୍ରଥମେ ଏକ ଅଭିବ୍ୟକ୍ତି ନିରପେକ୍ଷ କିମ୍ବା ଧ୍ରୁବୀୟ କି ନୁହେଁ ତାହା ନିର୍ଣ୍ଣୟ କରେ ଏବଂ ତାପରେ ଧ୍ରୁବୀୟ ଅଭିବ୍ୟକ୍ତିର ଧ୍ରୁବତାକୁ ସ୍ପଷ୍ଟ କରେ । ଏହି ପଦ୍ଧତି ମାଧ୍ୟମରେ, ସିଷ୍ଟମଟି ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଭାବନା ବ୍ୟକ୍ତିବିଶେଷଙ୍କ ଏକ ବୃହତ ଉପସମୂହ ପାଇଁ ପ୍ରସଙ୍ଗଗତ ପଟ୍ଟତା ଚିହ୍ନଟ କରିବାରେ ସକ୍ଷମ ହୋଇଛି, ମୂଳ ସ୍ତର ତୁଳନାରେ ଯଥେଷ୍ଟ ଭଲ ଫଳାଫଳ ହାସଲ କରିପାରିଛି । |
4eb943bf999ce49e5ebb629d7d0ffee44becff94 | ସମୟ ଅନେକ ମନୁଷ୍ୟର ଆଚରଣର ମୂଳଦୁଆ ହୋଇଥାଏ । ତେଣୁ ସଂଯୋଗବାଦୀ ମଡେଲରେ ସମୟକୁ କିପରି ପ୍ରତିନିଧିତ୍ୱ କରାଯିବ ତାହା ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପ୍ରଶ୍ନ । ଏକ ଉପାୟ ହେଉଛି ସମୟକୁ ସ୍ପଷ୍ଟ ଭାବରେ (ଯେପରି ଏକ ଆନ୍ତରିକ ପ୍ରତିନିଧିତ୍ୱରେ) ପରିବର୍ତ୍ତେ ପ୍ରକ୍ରିୟାକରଣ ଉପରେ ଏହାର ପ୍ରଭାବ ଦ୍ୱାରା ନିହିତ ଭାବରେ ପ୍ରତିନିଧିତ୍ୱ କରିବା । ଏହି ରିପୋର୍ଟରେ ଏହି ଧାରାରେ ଏକ ପ୍ରସ୍ତାବ ବିକଶିତ କରାଯାଇଛି ଯାହାକୁ ପ୍ରଥମେ ଜୋର୍ଡାନ (୧୯୮୬) ବର୍ଣ୍ଣନା କରିଥିଲେ । ଏହି ପଦ୍ଧତିରେ, ଲୁକ୍କାୟିତ ୟୁନିଟ୍ ପ୍ୟାଟର୍ନଗୁଡ଼ିକ ନିଜକୁ ନିଜେ ଫେଡ଼ ହୋଇଥାଏ; ଯେଉଁ ଆଭ୍ୟନ୍ତରୀଣ ପ୍ରତିନିଧିତ୍ୱ ବିକଶିତ ହୁଏ ତାହା ପୂର୍ବ ଆଭ୍ୟନ୍ତରୀଣ ସ୍ଥିତିର ପରିପ୍ରେକ୍ଷୀରେ କାର୍ଯ୍ୟର ଆବଶ୍ୟକତାକୁ ପ୍ରତିଫଳିତ କରେ । ଏହି ସିମୁଲେସନଗୁଡ଼ିକର ଏକ ସେଟ୍ ବିଷୟରେ କୁହାଯାଇଛି ଯାହା ଅପେକ୍ଷାକୃତ ସରଳ ସମସ୍ୟା (ଏକ୍ସଓଆର ର ସମୟାନୁବର୍ତ୍ତୀ ସଂସ୍କରଣ) ଠାରୁ ଆରମ୍ଭ କରି ଶବ୍ଦଗୁଡ଼ିକ ପାଇଁ ବାକ୍ୟବିନ୍ୟାସ/ବାକ୍ୟଜ୍ଞାନିକ ବିଶେଷତ୍ୱ ଆବିଷ୍କାର କରିବା ପର୍ଯ୍ୟନ୍ତ ରହିଛି । ନେଟୱର୍କଗୁଡ଼ିକ ଆକର୍ଷଣୀୟ ଆଭ୍ୟନ୍ତରୀଣ ପ୍ରତିନିଧିତ୍ୱ ଶିଖିବାରେ ସକ୍ଷମ ହୁଅନ୍ତି ଯାହା କାର୍ଯ୍ୟର ଆବଶ୍ୟକତାକୁ ସ୍ମୃତିର ଆବଶ୍ୟକତା ସହିତ ଅନ୍ତର୍ଭୁକ୍ତ କରେ; ପ୍ରକୃତରେ, ଏହି ଆଭିମୁଖ୍ୟରେ ସ୍ମୃତିର ଧାରଣା କାର୍ଯ୍ୟ ପ୍ରକ୍ରିୟାକରଣ ସହିତ ଅବିଚ୍ଛେଦ୍ୟ ଭାବରେ ଜଡିତ । ଏହି ପ୍ରତିନିଧିତ୍ୱଗୁଡ଼ିକ ଏକ ସମୃଦ୍ଧ ଢାଞ୍ଚାକୁ ପ୍ରକାଶ କରିଥାଏ, ଯାହା ସେମାନଙ୍କୁ ପ୍ରସଙ୍ଗ-ନିର୍ଭରଶୀଳ ହେବା ସହିତ ଆଇଟମଗୁଡିକର ଶ୍ରେଣୀଗୁଡିକରେ ସାଧାରଣକରଣକୁ ପ୍ରକାଶ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ଏହି ପ୍ରତିନିଧିତ୍ୱଗୁଡ଼ିକ ଶବ୍ଦକୋଷୀୟ ଶ୍ରେଣୀ ଏବଂ ପ୍ରକାର/ଟୋକନ୍ ଭେଦଭାବକୁ ପ୍ରତିନିଧିତ୍ୱ କରିବାର ଏକ ପଦ୍ଧତିକୁ ସୂଚିତ କରେ । |
2069c9389df8bb29b7fedf2c2ccfe7aaf82b2832 | ଏକ ନୂତନ ମେସିନ ଶିକ୍ଷଣ ପାରାଡିଗମ ଭାବରେ ଟ୍ରାନ୍ସଫର ଲର୍ଣ୍ଣିଂ ନିକଟ ଅତୀତରେ ଅଧିକ ଧ୍ୟାନ ପାଇଛି । ଯେଉଁ କ୍ଷେତ୍ରରେ ଟାର୍ଗେଟ ଡୋମେନରେ ପ୍ରଶିକ୍ଷଣ ତଥ୍ୟ ପ୍ରଭାବଶାଳୀ ଭାବରେ ପୂର୍ବାନୁମାନ ମଡେଲକୁ ଶିଖିବା ପାଇଁ ଯଥେଷ୍ଟ ନୁହେଁ, ସେହି କ୍ଷେତ୍ରରେ ଟ୍ରାନ୍ସଫର ଲର୍ଣ୍ଣିଂ ଅନ୍ୟ ସମ୍ବନ୍ଧିତ ସହାୟକ ଡୋମେନରୁ ଶିକ୍ଷଣ ପାଇଁ ସହାୟକ ଉତ୍ସ ତଥ୍ୟକୁ ଉପଯୋଗ କରିଥାଏ । ଏହି କ୍ଷେତ୍ରରେ ଅଧିକାଂଶ କାର୍ଯ୍ୟ କେବଳ ମୂଳ ତଥ୍ୟକୁ ଟାର୍ଗେଟ ତଥ୍ୟ ଭଳି ସମାନ ପ୍ରତିନିଧିତ୍ୱ ଢାଞ୍ଚାରେ ବ୍ୟବହାର କରିବା ଉପରେ ଧ୍ୟାନ ଦେଇଥାଏ, ଏହି କାଗଜରେ, ଆମେ ପାଠ୍ୟ ଏବଂ ପ୍ରତିଛବି ମଧ୍ୟରେ ଜ୍ଞାନ ସ୍ଥାନାନ୍ତର ପାଇଁ ଏକ ବିବିଧ ସ୍ଥାନାନ୍ତର ଶିକ୍ଷଣ ଢାଞ୍ଚାକୁ ବିସ୍ତାର କରି ଏହି ସୀମାକୁ ଆଗକୁ ବଢ଼ାଇଥାଉ । ଆମେ ଲକ୍ଷ୍ୟ କରିଛୁ ଯେ ଟାର୍ଗେଟ-ଡୋମେନ ବର୍ଗୀକରଣ ସମସ୍ୟା ପାଇଁ, କେତେକ ଏନାଟୋଟେଡ ଚିତ୍ର ଅନେକ ସାମାଜିକ ୱେବସାଇଟରେ ମିଳିପାରିବ, ଯାହା ୱେବରେ ଉପଲବ୍ଧ ପ୍ରଚୁର ପାଠ୍ୟ ଡକ୍ୟୁମେଣ୍ଟରୁ ଜ୍ଞାନ ସ୍ଥାନାନ୍ତର ପାଇଁ ଏକ ସେତୁ ଭାବରେ କାର୍ଯ୍ୟ କରିପାରିବ । ଏକ ପ୍ରମୁଖ ପ୍ରଶ୍ନ ହେଉଛି କିପରି ମୂଳ ତଥ୍ୟରେ ଥିବା ଜ୍ଞାନକୁ ପ୍ରଭାବୀ ଢଙ୍ଗରେ ସ୍ଥାନାନ୍ତରିତ କରାଯାଇପାରିବ ଯଦିଓ ପାଠ୍ୟ ଦସ୍ତାବିଜଗୁଡିକ ମନଇଚ୍ଛା ହୋଇଥାଏ । ଆମର ସମାଧାନ ହେଉଛି ମାଟ୍ରିକ୍ସ ଫ୍ୟାକ୍ଟୋରିଜେଶନ ମାଧ୍ୟମରେ ସହାୟକ ଉତ୍ସ ତଥ୍ୟରୁ ବାହାର କରାଯାଇଥିବା ଅର୍ଥନୈତିକ ଧାରଣା ସହିତ ଟାର୍ଗେଟ୍ ପ୍ରତିଛବିଗୁଡ଼ିକର ପ୍ରତିନିଧିତ୍ୱକୁ ସମୃଦ୍ଧ କରିବା ଏବଂ ଏକ ଉତ୍ତମ ପ୍ରତିଛବି ଶ୍ରେଣୀକରଣ ନିର୍ମାଣ ପାଇଁ ସହାୟକ ତଥ୍ୟ ଦ୍ୱାରା ସୃଷ୍ଟି ହୋଇଥିବା ଲୁକ୍କାୟିତ ଅର୍ଥନୈତିକ ବ features ଶିଷ୍ଟ୍ୟଗୁଡିକ ବ୍ୟବହାର କରିବା _ ଆମେ ଆମ ଆଲଗୋରିଦମର ପ୍ରଭାବକୁ କାଲ୍ଟେକ୍ -୨୫୬ ପ୍ରତିଛବି ଡାଟାସେଟରେ ପରୀକ୍ଷାମୂଳକ ଭାବେ ଯାଞ୍ଚ କରିଛୁ । |
381231eecd132199821c5aa3ff3f2278f593ea33 | |
a8823ab946321079c63b9bd42f58bd17b96a25e4 | ଅନେକ ପ୍ରୟୋଗରେ ଚେହେରା ଚିହ୍ନଟ ଏବଂ ଆଖି ବାହାର କରିବାର ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଭୂମିକା ରହିଛି ଯେପରିକି ଚେହେରା ଚିହ୍ନଟ, ଚେହେରା ଅଭିବ୍ୟକ୍ତି ବିଶ୍ଳେଷଣ, ସୁରକ୍ଷା ଲଗଇନ୍ ଇତ୍ୟାଦି । ମଣିଷର ମୁହଁ ଏବଂ ଆଖି, ନାକ ଭଳି ଚେହେରାକୁ ଚିହ୍ନଟ କରିବା କମ୍ପ୍ୟୁଟର ପାଇଁ ଏକ ଜଟିଳ ପ୍ରକ୍ରିୟା । ଏହି କାଗଜରେ ସୋବେଲ ଏଜ ଡିଟେକ୍ସନ ଏବଂ ମର୍ଫୋଲୋଜିକାଲ ଅପରେସନ ବ୍ୟବହାର କରି ସାମ୍ନା ମୁହଁର ଛବିରୁ ମୁହଁ ଚିହ୍ନଟ ଏବଂ ଆଖି ବାହାର କରିବା ପାଇଁ ଏକ ଆଲଗୋରିଦମ ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । ପ୍ରସ୍ତାବିତ ପଦ୍ଧତିକୁ ତିନୋଟି ପର୍ଯ୍ୟାୟରେ ବିଭକ୍ତ କରାଯାଇଛି: ପ୍ରି-ପ୍ରୋସେସିଂ, ଚେହେରା କ୍ଷେତ୍ର ଚିହ୍ନଟ ଏବଂ ଆଖି ବାହାର କରିବା । ଚିତ୍ରର ଆକାର ପରିବର୍ତ୍ତନ ଏବଂ ଧୂସର ଆକାରର ଚିତ୍ର ରୂପାନ୍ତରଣ ପୂର୍ବ ପ୍ରକ୍ରିୟାକରଣରେ ହାସଲ କରାଯାଇଥାଏ । ଚେହେରା କ୍ଷେତ୍ର ଚିହ୍ନଟ ସୋବେଲ କଡ଼ ଚିହ୍ନଟ ଏବଂ ଆକୃତିଗତ କାର୍ଯ୍ୟ ଦ୍ୱାରା କରାଯାଇଥାଏ । ଶେଷ ପର୍ଯ୍ୟାୟରେ ଆଖିକୁ ଆକୃତିଗତ କାର୍ଯ୍ୟକଳାପ ମାଧ୍ୟମରେ ମୁହଁରୁ ବାହାର କରାଯାଏ । ଏହି ପରୀକ୍ଷଣ ଯଥାକ୍ରମେ IMM ସମ୍ମୁଖ ମୁହଁ ଡାଟାବେସ, FEI ମୁହଁ ଡାଟାବେସ ଏବଂ IMM ମୁହଁ ଡାଟାବେସର ୧୨୦, ୭୫, ୪୦ଟି ପ୍ରତିଛବି ଉପରେ କରାଯାଇଛି । ଚେହେରା ଚିହ୍ନଟ କରିବାର ସଠିକତା ଯଥାକ୍ରମେ 100%, 100%, 97.50% ଏବଂ ଆଖି ବାହାର କରିବାର ସଠିକତା ହାର ଯଥାକ୍ରମେ 92.50%, 90.66%, 92.50% ଅଟେ । |
3b6911dc5d98faeb79d3d3e60bcdc40cfd7c9273 | ଏକ ସମୂହ ସ୍ବାକ୍ଷର ଯୋଜନା ହେଉଛି ଏକ ଡିଜିଟାଲ ସ୍ବାକ୍ଷର ଯାହା ସମୂହକୁ ସମର୍ଥନ କରେ: n ଭିନ୍ନ ଭିନ୍ନ ଉପଭୋକ୍ତାଙ୍କ ଠାରୁ n ଭିନ୍ନ ବାର୍ତ୍ତାରେ n ସ୍ବାକ୍ଷର ଦିଆଯାଇଥିଲେ, ଏହି ସମସ୍ତ ସ୍ବାକ୍ଷରକୁ ଏକ ଛୋଟ ସ୍ବାକ୍ଷରରେ ସମୂହ କରିବା ସମ୍ଭବ ଅଟେ । ଏହି ଏକକ ସ୍ବାକ୍ଷର (ଏବଂ n ଟି ମୂଳ ସନ୍ଦେଶ) ଯାଞ୍ଚକାରୀକୁ ନିଶ୍ଚିତ କରିବ ଯେ n ଉପଭୋକ୍ତା ପ୍ରକୃତରେ n ଟି ମୂଳ ସନ୍ଦେଶରେ ସ୍ବାକ୍ଷର କରିଛନ୍ତି (ଅର୍ଥାତ, ଉପଭୋକ୍ତା i i = 1 ପାଇଁ ସନ୍ଦେଶ Mi ରେ ସ୍ବାକ୍ଷର କରିଛନ୍ତି । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । , ନ) ଏହି ଲେଖାରେ ଆମେ ଏକ ସମୂହ ସ୍ବାକ୍ଷର (agregate signature) ର ଧାରଣାକୁ ପରିଚିତ କରାଇଛୁ, ଏହିପରି ସ୍ବାକ୍ଷର ପାଇଁ ସୁରକ୍ଷା ମଡେଲ ଉପସ୍ଥାପନ କରିଛୁ ଏବଂ ସମୂହ ସ୍ବାକ୍ଷର ପାଇଁ ଅନେକ ପ୍ରୟୋଗ ପ୍ରଦାନ କରିଛୁ । ଆମେ ବୋନେ, ଲିନ୍ ଏବଂ ଶଚାମଙ୍କ ଦ୍ୱାରା ପ୍ରସ୍ତୁତ ବାଇଲିନାରୀ ମାନଚିତ୍ର ଉପରେ ଆଧାରିତ ଏକ ସଦ୍ୟ କ୍ଷୁଦ୍ର ହସ୍ତାକ୍ଷର ଯୋଜନାରୁ ଏକ ଦକ୍ଷ ସମୂହ ହସ୍ତାକ୍ଷର ନିର୍ମାଣ କରିଛୁ । ଏକତ୍ରିତ ସ୍ବାକ୍ଷର ପ୍ରମାଣପତ୍ର ଶୃଙ୍ଖଳାର ଆକାରକୁ ହ୍ରାସ କରିବା ପାଇଁ ଉପଯୋଗୀ ହୋଇଥାଏ (ଶୃଙ୍ଖଳାର ସମସ୍ତ ସ୍ବାକ୍ଷରକୁ ଏକତ୍ର କରି) ଏବଂ SBGP ପରି ସୁରକ୍ଷିତ ରୁଟିଙ୍ଗ ପ୍ରୋଟୋକଲରେ ସନ୍ଦେଶ ଆକାରକୁ ହ୍ରାସ କରିବା ପାଇଁ ଉପଯୋଗୀ ହୋଇଥାଏ । ଆମେ ଏହା ମଧ୍ୟ ଦେଖାଇଛୁ ଯେ ସମୂହ ସ୍ବାକ୍ଷରଗୁଡିକ ଯାଞ୍ଚଯୋଗ୍ୟ ଭାବରେ ଏନକ୍ରିପ୍ଟ ହୋଇଥିବା ସ୍ବାକ୍ଷରଗୁଡିକର ଉତ୍ପତ୍ତି ହୋଇଥାଏ । ଏହିପରି ହସ୍ତାକ୍ଷର ଯାଞ୍ଚକାରୀଙ୍କୁ ଏହା ପରୀକ୍ଷା କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ ଯେ , କୌଣସି ଦିଆଯାଇଥିବା ସିଫ୍ଟ ଟେକ୍ସଟ C , କୌଣସି ଦିଆଯାଇଥିବା ମେସେଜ Mରେ ଥିବା ହସ୍ତାକ୍ଷରର ଏନକ୍ରିପସନ୍ ଅଟେ । ଚୁକ୍ତିନାମା ସ୍ୱାକ୍ଷର ପ୍ରୋଟୋକଲରେ ଯାଞ୍ଚଯୋଗ୍ୟ ଭାବରେ ଏନକ୍ରିପ୍ଟ ହୋଇଥିବା ହସ୍ତାକ୍ଷର ବ୍ୟବହାର କରାଯାଏ । ଶେଷରେ, ଆମେ ଦେଖାଇବୁ ଯେ ସମାନ ଧାରଣାକୁ ଛୋଟ ଦସ୍ତଖତ ଯୋଜନାକୁ ସରଳ ରିଙ୍ଗ୍ ଦସ୍ତଖତ ଦେବା ପାଇଁ ବିସ୍ତାର କରିବାକୁ ବ୍ୟବହାର କରାଯାଇପାରିବ । |
6d4fa4b9037b64b8383331583430711be321c587 | ଭାବନା ବିଶ୍ଳେଷଣ ହେଉଛି ଏକ ବୃଦ୍ଧି ପାଉଥିବା ଗବେଷଣା କ୍ଷେତ୍ର, ଯାହାକି ଉଭୟ ବାଣିଜ୍ୟିକ ପ୍ରୟୋଗ ଏବଂ ଏକାଡେମିକ୍ ଆଗ୍ରହ ଦ୍ୱାରା ପରିଚାଳିତ । ଏହି ଲେଖାରେ ଆମେ ଭାଲେନ୍ସ ଓ ଉତ୍ତେଜନା ଭାବର ପରିମାପ ପାଇଁ ଡାଏରୀ ଭଳି ବ୍ଲଗ ପୋଷ୍ଟର ବହୁ ଶ୍ରେଣୀ ବର୍ଗୀକରଣକୁ ଅନୁସନ୍ଧାନ କରୁଛୁ, ଯେଉଁଠାରେ କାର୍ଯ୍ୟର ଲକ୍ଷ୍ୟ ହେଉଛି ପାଞ୍ଚ ସ୍ତରୀୟ ସ୍କେଲରେ ଏକ ପୋଷ୍ଟର ଭାଲେନ୍ସ ଓ ଉତ୍ତେଜନା ସ୍ତରର ପୂର୍ବାନୁମାନ କରିବା, ଯଥାକ୍ରମେ ବହୁତ ନକାରାତ୍ମକ / ନିମ୍ନରୁ ବହୁତ ସକରାତ୍ମକ / ଉଚ୍ଚ ପର୍ଯ୍ୟନ୍ତ । ଆମେ ଦର୍ଶାଇବୁ କିପରି ଭିନ୍ନ ଭିନ୍ନ ଆବେଗିକ ସ୍ଥିତିକୁ ଏହି ଦୁଇ ଦିଗର ଅର୍ଡିନଲ ସ୍କେଲରେ ମ୍ୟାପ କରାଯିବ, ଯାହା ରସେଲଙ୍କ ସର୍କମ୍ପ୍ଲେକ୍ସ ଆବେଗିକ ମଡେଲର ମନସ୍ତାତ୍ତ୍ୱିକ ମଡେଲ ଉପରେ ଆଧାରିତ ଏବଂ ପୂର୍ବରୁ ଉପଲବ୍ଧ ଥିବା ଏକ କୋରପସକୁ ବହୁ-ଆକାରର, ବାସ୍ତବ-ମୂଲ୍ୟ ବିଶିଷ୍ଟ ଟିପ୍ପଣୀ ସହିତ ଲେବଲ କରାଯିବ । ରିଗ୍ରେସନ ଏବଂ ଏକ-ବିରୋଧ-ସମସ୍ତ ପଦ୍ଧତି ବ୍ୟବହାର କରି ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଦର୍ଶାଏ ଯେ ଯଦିଓ ଏହି ପଦ୍ଧତି ଉତ୍ତମ ସଠିକ ଅର୍ଡନାଲ ଶ୍ରେଣୀ ପୂର୍ବାନୁମାନ ସଠିକତା ପ୍ରଦାନ କରେ, ରିଗ୍ରେସନ କୌଶଳ ଛୋଟ ଆକାରର ତ୍ରୁଟି କରିଥାଏ । |
9931c6b050e723f5b2a189dd38c81322ac0511de | ଆମେ ମାନବ କାର୍ଯ୍ୟକଳାପ ଚିହ୍ନଟ ସମୁଦାୟ ମଧ୍ୟରେ ସର୍ବସାଧାରଣରେ ଉପଲବ୍ଧ ଡାଟାସେଟର ବର୍ତ୍ତମାନ ସ୍ଥିତି ଉପରେ ଏକ ସମୀକ୍ଷା ଉପସ୍ଥାପନ କରୁଛୁ; ପୋସ୍ ଆଧାରିତ ପଦ୍ଧତିର ପୁନରୁତ୍ଥାନ ଏବଂ ବ୍ୟକ୍ତି-ବ୍ୟକ୍ତିର ପାରସ୍ପରିକ ଆଦାନପ୍ରଦାନ ମଡେଲିଂକୁ ବୁଝିବାରେ ସାମ୍ପ୍ରତିକ ଅଗ୍ରଗତିକୁ ଆଲୋକପାତ କରି। ଆମେ ଅନେକ ଗୁଡିଏ ମୁଖ୍ୟ ଗୁଣବତ୍ତା ସମ୍ବନ୍ଧରେ ତଥ୍ୟ ସେଟକୁ ଶ୍ରେଣୀଭୁକ୍ତ କରିଥାଉ ଯାହା କି ଏକ ମାନଦଣ୍ଡ ତଥ୍ୟ ସେଟ ଭାବରେ ବ୍ୟବହାର କରାଯାଇପାରିବ । ଏଥିରେ ଶ୍ରେଣୀ ଲେବୁଲର ସଂଖ୍ୟା, ପ୍ରଦାନ କରାଯାଇଥିବା ଗ୍ରାଉଣ୍ଡ୍ ସତ୍ୟତା ଏବଂ ସେଗୁଡିକର ପ୍ରୟୋଗ କ୍ଷେତ୍ର ଅନ୍ତର୍ଭୁକ୍ତ । ଆମେ ମଧ୍ୟ ପ୍ରତ୍ୟେକ ଡାଟାସେଟର ଆବଷ୍ଟ୍ରାକସନ ସ୍ତରକୁ ବିଚାର କରୁଛୁ; କାର୍ଯ୍ୟକଳାପ, ପାରସ୍ପରିକ କ୍ରିୟା ଏବଂ ଉଚ୍ଚ ସ୍ତରୀୟ ଅର୍ଥନୈତିକ କାର୍ଯ୍ୟକଳାପକୁ ଉପସ୍ଥାପନ କରୁଥିବା ଗୋଷ୍ଠୀକରଣ । ଏହି ସର୍ଭେରେ ମୁଖ୍ୟ ଆକୃତି ଏବଂ ସ୍ଥିତି ଆଧାରିତ ଡାଟାସେଟକୁ ଚିହ୍ନଟ କରାଯାଇଛି, ସରଳ, ଗୁରୁତ୍ୱପ୍ରଦ କିମ୍ବା ସ୍କ୍ରିପ୍ଟଯୁକ୍ତ କାର୍ଯ୍ୟ ଶ୍ରେଣୀ ପାଇଁ ଏକ ପ୍ରବୃତ୍ତିକୁ ଉଲ୍ଲେଖ କରାଯାଇଛି ଯାହା ପ୍ରାୟତ sub sub sub sub sub କାର୍ଯ୍ୟର ସ୍ଥିର ସଂଗ୍ରହ ଦ୍ୱାରା ସହଜରେ ବ୍ୟାଖ୍ୟା କରାଯାଇପାରିବ _ ତଥ୍ୟ ସେଟଗୁଡ଼ିକର ଅଭାବ ରହିଛି ଯାହା ନିବିଡ଼ ଭାବେ ଜଡ଼ିତ କାର୍ଯ୍ୟକଳାପ ପ୍ରଦାନ କରିଥାଏ, ସେହି କାର୍ଯ୍ୟକଳାପଗୁଡ଼ିକ ଯାହା ନିହିତ ଭାବେ ଚିହ୍ନଟ କରାଯାଇନଥାଏ, କିନ୍ତୁ ଏହା ପରିବର୍ତ୍ତେ ଏକ ଗତିଶୀଳ କାର୍ଯ୍ୟକଳାପ ମାଧ୍ୟମରେ ଚିହ୍ନଟ କରାଯାଇଥାଏ । ତେଣୁ ଆମେ ଏକ ନୂଆ ଡାଟାସେଟର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଦୁଇଜଣ ବ୍ୟକ୍ତିଙ୍କ ମଧ୍ୟରେ ଜଟିଳ ବାର୍ତ୍ତାଳାପକୁ 3D ପୋଜ ମାଧ୍ୟମରେ ଦର୍ଶାଇଥାଏ । ଦୁଇଟି କିନେକ୍ଟ ଗଭୀରତା ସେନସର ବ୍ୟବହାର କରି 8ଟି ଯୋଡିରେ ମିଳୁଥିବା କଥାବାର୍ତ୍ତା ଉପରେ ଆଧାରିତ 7ଟି ପୃଥକ ଚିତ୍ର ସଂଗ୍ରହ କରାଯାଇଥିଲା । ଏହି ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଘଟଣାକୁ ପ୍ରଦାନ କରିବା ଯାହା ଏକ ସମୟ ଅବଧିରେ ଅନେକ ପ୍ରାଥମିକ କାର୍ଯ୍ୟ, ପାରସ୍ପରିକ କ୍ରିୟା ଏବଂ ଗତିବିଧିରୁ ନିର୍ମିତ ହୋଇଥାଏ; ସୂକ୍ଷ୍ମ କାର୍ଯ୍ୟ ଶ୍ରେଣୀର ଏକ ସେଟ୍ ପ୍ରଦାନ କରିବା ଯାହା ବାସ୍ତବ ଦୁନିଆର ଅଧିକ ପ୍ରତିନିଧିତ୍ୱ କରିଥାଏ, ଏବଂ ବର୍ତ୍ତମାନ ବିକଶିତ ସ୍ୱୀକୃତି ପଦ୍ଧତିକୁ ଏକ ଆହ୍ୱାନ ଦେଇଥାଏ । ଆମେ ବିଶ୍ୱାସ କରୁ ଯେ ଏହା ହେଉଛି ପ୍ରଥମ ଡାଟାସେଟ ମଧ୍ୟରୁ ଗୋଟିଏ ଯାହା 3D ପୋଜ୍ ପ୍ରିପ୍ରିଣ୍ଟ ବ୍ୟବହାର କରି ବାର୍ତ୍ତାଳାପ ପାରସ୍ପରିକ ବର୍ଗୀକରଣ ପାଇଁ ଉତ୍ସର୍ଗୀକୃତ _ ଏଲ୍ସେଭିୟର ଅକ୍ଟୋବର 27, 2015 ରେ ଦାଖଲ ହୋଇଥିବା ବୈଶିଷ୍ଟ୍ୟ ଏବଂ ଏହା ଦର୍ଶାଏ ଯେ ଏହି କାର୍ଯ୍ୟ ପ୍ରକୃତରେ ସମ୍ଭବ ଅଟେ _ ଏହି ସମ୍ପୂର୍ଣ୍ଣ ଡାଟାସେଟକୁ ଗବେଷଣା ଗୋଷ୍ଠୀ ପାଇଁ ସାର୍ବଜନୀନ ଭାବେ ଉପଲବ୍ଧ କରାଯାଇଛି । |
26e6b1675e081a514f4fdc0352d6cb211ba6d9c8 | ଆମେ ଆଧୁନିକ କାରରେ ବ୍ୟବହୃତ ପାସିଭ୍ କୀଲେସ୍ ଏଣ୍ଟ୍ରି ଏବଂ ଷ୍ଟାର୍ଟ (ପିକେଇଏସ୍) ସିଷ୍ଟମ ଉପରେ ରିଲେ ଆକ୍ରମଣ ପ୍ରଦର୍ଶନ କରୁଛୁ । ଆମେ ଦୁଇଟି ପ୍ରଭାବଶାଳୀ ଏବଂ ଶସ୍ତା ଆକ୍ରମଣର ବାସ୍ତବିକତା ନିର୍ମାଣ କରିଛୁ, ତାରଯୁକ୍ତ ଏବଂ ବେତାର ଭୌତିକ ସ୍ତରୀୟ ରିଲେ, ଯାହା ଆକ୍ରମଣକାରୀଙ୍କୁ କାରରେ ପ୍ରବେଶ କରିବାକୁ ଏବଂ ସ୍ମାର୍ଟ ଚାବି ମଧ୍ୟରେ ବାର୍ତ୍ତା ପଠାଇ କାର ଆରମ୍ଭ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ଆମର ରିଲେଗୁଡ଼ିକ ସଂଯୋଜନା, ପ୍ରୋଟୋକଲ, କିମ୍ବା ଦୃଢ଼ ପ୍ରମାଣୀକରଣ ଏବଂ ଏନକ୍ରିପସନ୍ ର ଉପସ୍ଥିତି ଠାରୁ ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ସ୍ୱାଧୀନ । ଆମେ 8ଟି ନିର୍ମାତାଙ୍କ 10ଟି କାର ମଡେଲ ଉପରେ ବ୍ୟାପକ ମୂଲ୍ୟାୟନ କରିଛୁ । ଆମର ଫଳାଫଳ ଦର୍ଶାଉଛି ଯେ ସିଗନାଲକୁ କେବଳ ଗୋଟିଏ ଦିଗରେ (କାରରୁ ଚାବି ପର୍ଯ୍ୟନ୍ତ) ପଠାଇବା ଆକ୍ରମଣ କରିବା ପାଇଁ ଯଥେଷ୍ଟ ଅଟେ, ଯେତେବେଳେ କି ଚାବି ଏବଂ କାର ମଧ୍ୟରେ ପ୍ରକୃତ ଦୂରତା ବଡ଼ ରହିଥାଏ (ପରୀକ୍ଷିତ 50 ମିଟର ପର୍ଯ୍ୟନ୍ତ, ଦୃଷ୍ଟିର ରେଖା ନୁହେଁ) । ଆମେ ଏହା ମଧ୍ୟ ଦେଖାଇଛୁ ଯେ, ଆମ ସେଟଅପ୍ ସହିତ, ସ୍ମାର୍ଟ କୀକୁ ୮ ମିଟର ପର୍ଯ୍ୟନ୍ତ ଉତ୍ତେଜିତ କରାଯାଇପାରିବ । ଏହାଦ୍ୱାରା ଆକ୍ରମଣକାରୀଙ୍କୁ ରିଲେ ସ୍ଥାପନ କରିବା ପାଇଁ ଚାବି ନିକଟକୁ ଯିବା ଆବଶ୍ୟକ ହୋଇନଥାଏ । ଆମେ ଅଧିକ ବିଶ୍ଳେଷଣ କରିବା ଏବଂ ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ସିଷ୍ଟମ ବିଶେଷତ୍ବ ଉପରେ ଆଲୋଚନା କରିବା । ରିଲେ ଆକ୍ରମଣର ସାଧାରଣତା ଏବଂ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଥିବା ସିଷ୍ଟମର ସଂଖ୍ୟାକୁ ଦୃଷ୍ଟିରେ ରଖି, ଏହା ସମ୍ଭବ ଯେ ସମାନ ଡିଜାଇନ୍ ଉପରେ ଆଧାରିତ ସମସ୍ତ ପିକେଇଏସ୍ ସିଷ୍ଟମ୍ ମଧ୍ୟ ସମାନ ଆକ୍ରମଣ ପାଇଁ ଦୁର୍ବଳ ଅଟେ । ଶେଷରେ, ଆମେ ତୁରନ୍ତ ପ୍ରତିକାର ପଦକ୍ଷେପ ପାଇଁ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ରିଲେ ଆକ୍ରମଣର ବିପଦକୁ ହ୍ରାସ କରିବା ସହିତ ନୂତନ ସମାଧାନକୁ ରୋକିପାରେ ଯାହା ବ୍ୟବହାରର ସୁବିଧା ବଜାୟ ରଖି ରିଲେ ଆକ୍ରମଣକୁ ରୋକିପାରେ, ଯାହା ପାଇଁ PKES ସିଷ୍ଟମ ପ୍ରାରମ୍ଭିକ ଭାବରେ ପ୍ରବର୍ତ୍ତିତ ହୋଇଥିଲା । |
69d685d0cf85dfe70d87c1548b03961366e83663 | ଆମେ ରକ୍ତ ଅମ୍ଳଜାନ ସ୍ତର (SpO2) ର ଅନୁଧ୍ୟାନ ପାଇଁ ଏକ ଅଣସଂଯୋଗୀ ପଦ୍ଧତି ଉପସ୍ଥାପନ କରୁଛୁ । ଏହି ପଦ୍ଧତି ଏକ ସିଏମଓଏସ କ୍ୟାମେରା ସହିତ ଟ୍ରିଗର କଣ୍ଟ୍ରୋଲ ବ୍ୟବହାର କରେ ଯାହା ଫୋଟୋପଲେଥିସ୍ମୋଗ୍ରାଫି (ପିପିଜି) ସିଗନାଲର ରେକର୍ଡିଂକୁ ଦୁଇଟି ନିର୍ଦ୍ଦିଷ୍ଟ ତରଙ୍ଗ ଦୈର୍ଘ୍ୟରେ ବିକଳ୍ପ ଭାବରେ ଅନୁମତି ଦେଇଥାଏ ଏବଂ ଏହି ତରଙ୍ଗ ଦୈର୍ଘ୍ୟରେ ପିପିଜି ସିଗନାଲର ପଲସେଟାଇଲ ଏବଂ ନନପଲସେଟାଇଲ ଉପାଦାନର ମାପିତ ଅନୁପାତରୁ SpO2 ନିର୍ଣ୍ଣୟ କରିଥାଏ । ସ୍ପୋକ୍-୨ ମୂଲ୍ୟର ସିଗନାଲ୍-ରୁ-ରୁଡି ଅନୁପାତ (SNR) ତରଙ୍ଗ ଦୈର୍ଘ୍ୟର ପସନ୍ଦ ଉପରେ ନିର୍ଭର କରେ । ଆମେ ପାଇଲୁ ଯେ କମଳା (λ = 611 nm) ଏବଂ ନିକଟ ଇନଫ୍ରାରେଡ (λ = 880 nm) ର ମିଶ୍ରଣ ଅଣସଂଯୋଗୀ ଭିଡିଓ-ଆଧାରିତ ଚିହ୍ନଟ ପଦ୍ଧତି ପାଇଁ ସର୍ବୋତ୍ତମ SNR ପ୍ରଦାନ କରେ । ଏହି ମିଶ୍ରଣ ପାରମ୍ପରିକ କଣ୍ଟାକ୍ଟ ଆଧାରିତ SpO2 ମାପନରେ ବ୍ୟବହୃତ ହୋଇଥିବା ଠାରୁ ଭିନ୍ନ କାରଣ ଏହି ତରଙ୍ଗ ଦୈର୍ଘ୍ୟରେ PPG ସିଗନାଲ୍ ଶକ୍ତି ଏବଂ କ୍ୟାମେରା କ୍ୱାଣ୍ଟମ୍ ଦକ୍ଷତା ଅଣ-ସଂଯୋଗ ପଦ୍ଧତି ବ୍ୟବହାର କରି SpO2 ମାପ ପାଇଁ ଅଧିକ ଗ୍ରହଣୀୟ ଅଟେ । ଆମେ ମଧ୍ୟ ଏକ ଛୋଟ ପାଇଲଟ ଅଧ୍ୟୟନ କରିଛୁ ଯାହାଦ୍ୱାରା ସ୍ପର୍ଶବିହୀନ ପଦ୍ଧତିକୁ 83%-98% SpO2 ରେଞ୍ଜରେ ବୈଧତା ପ୍ରଦାନ କରାଯାଇପାରିବ । ଏହି ଅଧ୍ୟୟନର ଫଳାଫଳ ରେଫରେନ୍ସ କଣ୍ଟାକ୍ଟ SpO2 ଉପକରଣ (r = 0.936, p <; 0.001) ବ୍ୟବହାର କରି ମାପ କରାଯାଇଥିବା ଫଳାଫଳ ସହିତ ସମାନ । ଏହି ପଦ୍ଧତି ବିଶେଷ କରି ଘରେ ସ୍ବାସ୍ଥ୍ୟ ଓ ସୁସ୍ଥତା ଉପରେ ନଜର ରଖିବା ପାଇଁ ଉପଯୁକ୍ତ ଅଟେ, ଯେଉଁଠାରେ ଲୋକମାନେ ମୁକ୍ତ ଜୀବନଯାପନ କରିଥାନ୍ତି ଏବଂ ଯେଉଁମାନେ ପାରମ୍ପରିକ କଣ୍ଟାକ୍ଟ ଆଧାରିତ ପିପିଜି ଉପକରଣ ବ୍ୟବହାର କରିପାରନ୍ତି ନାହିଁ । |
51c88134a668cdfaccda2fe5f88919ac122bceda | ୱେବ ଭିଡିଓରେ ମଲ୍ଟିମିଡିଆ ଘଟଣା ଚିହ୍ନଟ କରିବା ମଲ୍ଟିମିଡିଆ ଏବଂ କମ୍ପ୍ୟୁଟର ଭିଜନ କ୍ଷେତ୍ରରେ ଏକ ଉଦୀୟମାନ ଗବେଷଣା କ୍ଷେତ୍ର । ଏହି କାଗଜରେ ଆମେ ଇଭେଣ୍ଟ ଚିହ୍ନଟ କରିବାର ବିଭିନ୍ନ ଦିଗକୁ ସମାଧାନ କରିବା ପାଇଁ ଆନାଲିଟିକ ମିଡିଆ ପ୍ରୋସେସିଂ (ଇ-ଲ୍ୟାମ୍ପ) ସିଷ୍ଟମ ମାଧ୍ୟମରେ ଇଭେଣ୍ଟ ଲେବଲିଂ ପାଇଁ ନିକଟରେ ବିକଶିତ ହୋଇଥିବା ଫ୍ରେମୱାର୍କର ମୂଳ ପଦ୍ଧତି ଏବଂ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ବିଷୟରେ ଆଲୋଚନା କରୁଛୁ । ବିଶେଷକରି, ଆମେ ଫିଚର ଏକ୍ସଟ୍ରାକସନ୍ ପାଇଁ ଦକ୍ଷ ପଦ୍ଧତି ବିକଶିତ କରିଛୁ ଯାହା ଦ୍ୱାରା ଆମେ ହଜାର ହଜାର ଘଣ୍ଟାର ଭିଡିଓ ସହିତ ଭିଡିଓ ଡାଟାର ବଡ଼ ସଂଗ୍ରହକୁ ପରିଚାଳନା କରିବାରେ ସକ୍ଷମ ହୋଇପାରିବା । ଦ୍ୱିତୀୟରେ, ଆମେ ଏକ୍ସଟ୍ରାକ୍ଟ ହୋଇଥିବା ଅଶୋଧିତ ବୈଶିଷ୍ଟ୍ୟଗୁଡ଼ିକୁ ଏକ ସ୍ପେସିଆଲ ବ୍ୟାଗ୍-ଓଫ୍-ୱାର୍ଡ ମଡେଲରେ ଅଧିକ ପ୍ରଭାବଶାଳୀ ଟାଇଲିଂ ସହିତ ପ୍ରତିନିଧିତ୍ୱ କରୁ ଯାହା ଦ୍ବାରା ବିଭିନ୍ନ ବୈଶିଷ୍ଟ୍ୟ ଏବଂ ବିଭିନ୍ନ ଘଟଣାର ସ୍ପେସିଆଲ୍ ଲେଆଉଟ୍ ସୂଚନାକୁ ଭଲ ଭାବରେ କାବୁ କରାଯାଇପାରିବ, ତେଣୁ ସାମଗ୍ରିକ ଚିହ୍ନଟ କାର୍ଯ୍ୟଦକ୍ଷତା ଉନ୍ନତ ହୋଇପାରିବ । ତୃତୀୟତଃ, ବହୁଳ ଭାବେ ବ୍ୟବହୃତ ହେଉଥିବା ଆଗୁଆ ଏବଂ ବିଳମ୍ବିତ ଫ୍ୟୁଜନ ଯୋଜନାଠାରୁ ଭିନ୍ନ, ଏକ ନୂତନ ଆଲଗୋରିଦମ ବିକଶିତ କରାଯାଇଛି ଯାହାଦ୍ୱାରା ଏକାଧିକ ବିଶେଷତାରୁ ଏକ ଅଧିକ ଦୃଢ଼ ଏବଂ ଭେଦଭାବପୂର୍ଣ୍ଣ ମଧ୍ୟବର୍ତ୍ତୀ ବିଶେଷତା ପ୍ରତିନିଧିତ୍ୱ ଶିଖାଯାଇପାରିବ ଯାହାଦ୍ୱାରା ଉତ୍ତମ ଘଟଣା ମଡେଲଗୁଡ଼ିକ ଏହା ଉପରେ ନିର୍ମାଣ କରାଯାଇପାରିବ । ଶେଷରେ, ଅତି କମରେ ଅଳ୍ପ ସଂଖ୍ୟକ ସକାରାତ୍ମକ ଉଦାହରଣ ସହିତ ଘଟଣାଗୁଡ଼ିକର ଚିହ୍ନଟ ପାଇଁ ଅତିରିକ୍ତ ଆହ୍ୱାନର ମୁକାବିଲା କରିବା ପାଇଁ, ଆମେ ଏକ ନୂତନ ଆଲଗୋରିଦମ ବିକଶିତ କରିଛୁ ଯାହା ଘଟଣାଗୁଡ଼ିକର ଚିହ୍ନଟକୁ ସହାୟତା କରିବା ପାଇଁ ସହାୟକ ଉତ୍ସରୁ ଶିଖାଯାଇଥିବା ଜ୍ଞାନକୁ ପ୍ରଭାବଶାଳୀ ଭାବରେ ଅନୁକୂଳ କରିବାରେ ସକ୍ଷମ ଅଟେ । ଆମର ଅନୁଭବୀ ଫଳାଫଳ ଏବଂ TRECVID MED11 ଏବଂ MED12ର ସରକାରୀ ମୂଲ୍ୟାୟନ ଫଳାଫଳ ଏହି ବିଚାରର ଏକୀକରଣର ଉତ୍କୃଷ୍ଟ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଦର୍ଶାଇଥାଏ । |
10d6b12fa07c7c8d6c8c3f42c7f1c061c131d4c5 | ଦୃଢ଼ ଦୃଶ୍ୟମାନ ବସ୍ତୁ ଚିହ୍ନଟ ପାଇଁ ବୈଶିଷ୍ଟ୍ୟ ସେଟ୍ର ପ୍ରଶ୍ନ ଆମେ ଅଧ୍ୟୟନ କରୁଛୁ; ଏକ ପରୀକ୍ଷଣ ମାମଲା ଭାବରେ ରେଖାଗତ SVM ଆଧାରିତ ମାନବ ଚିହ୍ନଟକୁ ଗ୍ରହଣ କରିଛୁ । ବର୍ତ୍ତମାନର ଏଜ ଏବଂ ଗ୍ରାଡିଏଣ୍ଟ ଆଧାରିତ ବର୍ଣ୍ଣନାକାରୀମାନଙ୍କୁ ସମୀକ୍ଷା କରିବା ପରେ, ଆମେ ପରୀକ୍ଷାମୂଳକ ଭାବରେ ଦେଖାଇଛୁ ଯେ ଓରିଏଣ୍ଟେଡ୍ ଗ୍ରାଡିଏଣ୍ଟ (ଏଚଓଜି) ବର୍ଣ୍ଣନାକାରୀଙ୍କ ହିଷ୍ଟୋଗ୍ରାମ୍ ଗ୍ରୀଡ୍ ମାନବ ଚିହ୍ନଟ ପାଇଁ ବର୍ତ୍ତମାନର ଫିଚର ସେଟକୁ ଯଥେଷ୍ଟ ଉନ୍ନତ କରିଥାଏ । ଆମେ କାର୍ଯ୍ୟଦକ୍ଷତା ଉପରେ ଗଣନାର ପ୍ରତ୍ୟେକ ପର୍ଯ୍ୟାୟର ପ୍ରଭାବ ଅଧ୍ୟୟନ କରିଛୁ, ଏହି ସିଦ୍ଧାନ୍ତରେ ଯେ ସୂକ୍ଷ୍ମ-ମାପର ଗ୍ରାଡିଏଣ୍ଟ, ସୂକ୍ଷ୍ମ ଦିଗ ନିର୍ଣ୍ଣୟ, ଅପେକ୍ଷାକୃତ କଟାକ୍ଷିକ ସ୍ପେସିଆଲ୍ ବିନ୍ନିଂ, ଏବଂ ଓଭରଲପ୍ ଡେସ୍କ୍ରିପ୍ଟର ବ୍ଲକଗୁଡିକରେ ଉଚ୍ଚ-ଗୁଣାତ୍ମକ ସ୍ଥାନୀୟ ବିପରୀତ ନର୍ମାଲାଇଜେସନ୍ ଭଲ ଫଳାଫଳ ପାଇଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । ନୂତନ ଆଭିମୁଖ୍ୟ ମେଟ୍ରୋ ପ୍ରଯୁକ୍ତି ବିଦ୍ୟା ବିଭାଗର ମୂଳ ପାଦଚଲା ଡାଟାବେସରେ ପ୍ରାୟତଃ ପୂର୍ଣ୍ଣ ପୃଥକତା ପ୍ରଦାନ କରିଥାଏ, ତେଣୁ ଆମେ ଏକ ଅଧିକ ଆହ୍ୱାନପୂର୍ଣ୍ଣ ଡାଟାସେଟ ଉପସ୍ଥାପନ କରିଛୁ ଯେଉଁଥିରେ 1800ରୁ ଅଧିକ ଟିପ୍ପଣୀଯୁକ୍ତ ମାନବ ପ୍ରତିଛବି ରହିଛି ଯେଉଁଥିରେ ବ୍ୟାପକ ଧାରା ଓ ପୃଷ୍ଠଭୂମିର ପରିବର୍ତ୍ତନ ରହିଛି । |
2337ff38e6cfb09e28c0958f07e2090c993ef6e8 | ଅନେକ ନମୁନା ଚିହ୍ନଟ କାର୍ଯ୍ୟ ପାଇଁ, ଆଦର୍ଶ ଇନପୁଟ୍ ବୈଶିଷ୍ଟ୍ୟ ଏକାଧିକ ଦ୍ୱନ୍ଦ୍ୱପୂର୍ଣ୍ଣ ଗୁଣ ପାଇଁ ଅସ୍ବାଭାବିକ ହେବ (ଯେପରି ଆଲୋକ ଏବଂ ଦୃଶ୍ୟ କୋଣ, କମ୍ପ୍ୟୁଟର ଭିଜନ ପ୍ରୟୋଗରେ) । ନିକଟରେ, ବିନା ତଦାରଖରେ ପ୍ରଶିକ୍ଷିତ ଗଭୀର ସ୍ଥାପତ୍ୟକୁ ଉପଯୋଗୀ ବୈଶିଷ୍ଟ୍ୟ ବାହାର କରିବା ପାଇଁ ଏକ ସ୍ୱୟଂଚାଳିତ ପଦ୍ଧତି ଭାବରେ ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । କିନ୍ତୁ, ଏକ ଶ୍ରେଣୀକରଣରେ ବ୍ୟବହାର କରିବା ବ୍ୟତୀତ ଅନ୍ୟ କୌଣସି ଉପାୟରେ ଶିଖିଥିବା ବିଶେଷତ୍ୱର ମୂଲ୍ୟାଙ୍କନ କରିବା କଷ୍ଟକର । ଏହି କାଗଜରେ, ଆମେ ଅନେକ ପ୍ରକାର ଅନୁଭବୀ ପରୀକ୍ଷଣର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ସିଧାସଳଖ ଭାବରେ ଏହି ଶିକ୍ଷିତ ବୈଶିଷ୍ଟ୍ୟଗୁଡିକର ବିଭିନ୍ନ ଇନପୁଟ୍ ରୂପାନ୍ତରଣ ପାଇଁ ଅସ୍ଥିରତାର ମାତ୍ରା ମାପ କରେ । ଆମେ ଜାଣିବାକୁ ପାଇଲୁ ଯେ, ଷ୍ଟାକ୍ ହୋଇଥିବା ଅଟୋଏନକୋଡରଗୁଡ଼ିକ ପ୍ରାକୃତିକ ପ୍ରତିଛବି ଉପରେ ପ୍ରଶିକ୍ଷଣ ଦିଆଯିବା ପରେ ଗଭୀରତା ସହିତ ସାମାନ୍ୟ ଭାବରେ ଅସ୍ବାଭାବିକ ବୈଶିଷ୍ଟ୍ୟଗୁଡିକୁ ଶିଖନ୍ତି । ଆମେ ଜାଣିବାକୁ ପାଇଲୁ ଯେ, ଗଭୀର ବିଶ୍ୱାସ ନେଟୱାର୍କ ପ୍ରତ୍ୟେକ ସ୍ତରରେ ଅଧିକ ଅନିବର୍ତିତ ବୈଶିଷ୍ଟ୍ୟ ଶିକ୍ଷା କରିଥାଏ । ଏହି ଫଳାଫଳଗୁଡ଼ିକ deep ଏବଂ shallower ପ୍ରତିନିଧିତ୍ୱକୁ ଅଧିକ ଯୁକ୍ତିଯୁକ୍ତ କରିଥାଏ, କିନ୍ତୁ ଏହା ସୂଚାଇଥାଏ ଯେ ଗୋଟିଏ ଅଟୋଏନକୋଡରକୁ ଅନ୍ୟ ଏକ ଉପରେ ଷ୍ଟାକ୍ କରିବା ବ୍ୟତୀତ ଅନ୍ୟାନ୍ୟ ପ୍ରକ୍ରିୟା ଇନଭାରିଏନ୍ସ ହାସଲ କରିବା ପାଇଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ହୋଇପାରେ । ଆମର ମୂଲ୍ୟାୟନ ମାପଦଣ୍ଡକୁ ମଧ୍ୟ ଗଭୀର ଶିକ୍ଷଣରେ ଭବିଷ୍ୟତର କାର୍ଯ୍ୟର ମୂଲ୍ୟାଙ୍କନ ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ, ଏବଂ ଏହିପରି ଭବିଷ୍ୟତର ଆଲଗୋରିଦମର ବିକାଶରେ ସାହାଯ୍ୟ କରିବ । |
31b58ced31f22eab10bd3ee2d9174e7c14c27c01 | ଇଣ୍ଟରନେଟର ଆଗମନ ସହିତ, ଅଗଣିତ ଚିତ୍ର ଏବେ ଅନଲାଇନରେ ମୁକ୍ତ ଭାବରେ ଉପଲବ୍ଧ ଏବଂ ଦୃଶ୍ୟ ଜଗତର ଏକ ଘନ ନମୁନା ଗଠନ କରେ । ବିଭିନ୍ନ ଅଣ-ପାରାମେଟ୍ରିକ ପଦ୍ଧତି ବ୍ୟବହାର କରି ଆମେ ଇଣ୍ଟରନେଟରୁ ସଂଗ୍ରହ କରାଯାଇଥିବା ୭୯,୩୦,୦୧୭ଟି ଚିତ୍ରର ଏକ ବିଶାଳ ଡାଟାସେଟ ସାହାଯ୍ୟରେ ଏହି ଦୁନିଆକୁ ଅନୁସନ୍ଧାନ କରିଥାଉ । ମନସ୍ତାତ୍ତ୍ୱିକ ଫଳାଫଳରୁ ଅନୁମାନ କରାଯାଇଛି ଯେ, ପ୍ରତିଛବି ରିଜୋଲ୍ୟୁସନରେ ଅବନତି ପାଇଁ ମାନବ ଦୃଶ୍ୟ ପ୍ରଣାଳୀର ଉଲ୍ଲେଖନୀୟ ସହନଶୀଳତା, ଡାଟାସେଟରେ ଥିବା ପ୍ରତିଛବିଗୁଡ଼ିକୁ 32 x 32 ରଙ୍ଗ ପ୍ରତିଛବି ଭାବରେ ଗଚ୍ଛିତ କରାଯାଇଛି । ପ୍ରତି ଛବିରେ ଇଂରାଜୀରେ ୭୫,୦୬୨ଟି ଅଣ-ବିକଳ୍ପିତ ସଂଜ୍ଞା ମଧ୍ୟରୁ ଗୋଟିଏ ଲେଖା ଅଛି, ଯାହା ୱାର୍ଡନେଟ୍ ଶବ୍ଦକୋଷ ତଥ୍ୟଭଣ୍ଡାରରେ ତାଲିକାଭୁକ୍ତ ହୋଇଛି । ତେଣୁ ଏହି ପ୍ରତିଛବି ଡାଟାବେସ୍ ସମସ୍ତ ବସ୍ତୁ ଶ୍ରେଣୀ ଏବଂ ଦୃଶ୍ୟର ଏକ ବ୍ୟାପକ କଭରେଜ୍ ପ୍ରଦାନ କରେ । ୱାର୍ଡନେଟରୁ ମିଳିଥିବା ଅର୍ଥନୈତିକ ସୂଚନାକୁ ନିକଟତମ-ପଡ଼ୋଶୀ ପଦ୍ଧତି ସହିତ ମିଶାଇ ବିଭିନ୍ନ ଅର୍ଥନୈତିକ ସ୍ତରରେ ବସ୍ତୁ ବର୍ଗୀକରଣ କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ, ଯାହାଦ୍ୱାରା ଲେବଲିଂ ଶବ୍ଦ ପ୍ରଭାବକୁ ହ୍ରାସ କରାଯାଇପାରିବ । କିଛି ଶ୍ରେଣୀ ପାଇଁ ଯେଉଁମାନେ ବିଶେଷ ଭାବରେ ଡାଟାସେଟରେ ପ୍ରଚଳିତ, ଯେପରିକି ଲୋକ, ଆମେ ଶ୍ରେଣୀ-ନିର୍ଦ୍ଦିଷ୍ଟ ଭିଆଲା-ଜୋନସ୍ ଷ୍ଟାଇଲ୍ ଡିଟେକ୍ଟର ସହିତ ତୁଳନାଯୋଗ୍ୟ ଏକ ଚିହ୍ନଟ କାର୍ଯ୍ୟଦକ୍ଷତା ପ୍ରଦର୍ଶନ କରିବାରେ ସକ୍ଷମ ହୋଇଛୁ । |
4b605e6a9362485bfe69950432fa1f896e7d19bf | ଗଭୀର ଶିକ୍ଷଣରେ ଅଗ୍ରଗତି ଏବଂ ଗଭୀର ନେଟୱାର୍କକୁ ପ୍ରଶିକ୍ଷଣ ଦେବା ପାଇଁ ବୃହତ ଡାଟାସେଟର ଉପଲବ୍ଧତା ଯୋଗୁଁ ସ୍ୱୟଂଚାଳିତ ଚେହେରା ଚିହ୍ନଟ ପ୍ରଯୁକ୍ତିରେ କାର୍ଯ୍ୟଦକ୍ଷତାରେ ଉଲ୍ଲେଖନୀୟ ଉନ୍ନତି ପରିଲକ୍ଷିତ ହୋଇଛି । ଯେହେତୁ ଚେହେରା ଚିହ୍ନିବା ଏକ କାର୍ଯ୍ୟ ଯାହା ମନୁଷ୍ୟମାନେ ବହୁତ ଭଲ ବୋଲି ବିଶ୍ୱାସ କରାଯାଏ, ସ୍ୱୟଂଚାଳିତ ଚେହେରା ଚିହ୍ନଟ ଏବଂ ମନୁଷ୍ୟର ଆପେକ୍ଷିକ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ତୁଳନା କରିବା ସମ୍ପୂର୍ଣ୍ଣ ଅସଂଯୋଜିତ ଚେହେରା ପ୍ରତିଛବି ପ୍ରକ୍ରିୟାକରଣ କରିବା ସମୟରେ ସ୍ୱାଭାବିକ ଅଟେ । ଏହି କାର୍ଯ୍ୟରେ ଆମେ ପୂର୍ବ ଅଧ୍ୟୟନକୁ ବିସ୍ତାର କରିଛୁ, ଯେଉଁଥିରେ ମାନବ ଏବଂ ସ୍ୱୟଂଚାଳିତ ପ୍ରଣାଳୀର ଚିହ୍ନଟ ସଠିକତା ଉପରେ ଅନେକ ନୂଆ ବିଶ୍ଳେଷଣ କରାଯାଇଛି, ଯେଉଁଥିରେ ଅସଂଯୋଜିତ ଚେହେରା ଚିତ୍ର ବ୍ୟବହାର କରାଯାଇଛି । ଆମେ କାର୍ଯ୍ୟଦକ୍ଷତା ଉପରେ ପ୍ରଭାବକୁ ପରୀକ୍ଷା କରିଥାଉ ଯେତେବେଳେ ମାନବ ପରିଚୟକଙ୍କୁ ପ୍ରତି ବିଷୟ ପାଇଁ ବିଭିନ୍ନ ପରିମାଣର ଚିତ୍ର, ଲିଙ୍ଗ ଭଳି ଅକ୍ଷୟ ଗୁଣ ଏବଂ ଅନ୍ଧକାର, ଆଲୋକ ଏବଂ ସ୍ଥିତି ଭଳି ପରିସ୍ଥିତିଗତ ଗୁଣ ସହିତ ଉପସ୍ଥାପିତ କରାଯାଏ । ଏହି ପରୀକ୍ଷଣର ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ, ଆଇଜିବି-ଏ ଡାଟାସେଟରେ ମଣିଷର କାର୍ଯ୍ୟକଳାପ ଅତ୍ୟାଧୁନିକ ସ୍ୱୟଂଚାଳିତ ଚେହେରା ଚିହ୍ନଟ ଆଲଗୋରିଦମ ଠାରୁ ଅଧିକ । |
a4d510439644d52701f852d9dd34bbd37f4b8b78 | ସେଲ୍ୟୁଲାର ଅଟୋମେଟ (ସିଏ) ଉପରେ ଆଧାରିତ ସ୍ଲିଥ୍ ମଡେଲକୁ ସହରାଞ୍ଚଳରେ ସହର ବିକାଶର ସିମୁଲେସନ୍ ପାଇଁ ପ୍ରୟୋଗ କରାଯାଇପାରିବ । ଏହି ଅଧ୍ୟୟନରେ ସ୍ଲିଉଥ୍ ମଡେଲର ଉପଯୋଗ ସହରାଞ୍ଚଳ ବିସ୍ତାରର ମଡେଲ ପ୍ରସ୍ତୁତ କରିବା ଏବଂ ତେହେରାନ ସହରାଞ୍ଚଳରେ ସହରାଞ୍ଚଳ ବିକାଶର ଭବିଷ୍ୟତ ସମ୍ଭାବ୍ୟ ଆଚରଣର ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ କରାଯାଇଥିଲା । ମୂଳ ତଥ୍ୟଗୁଡ଼ିକ ହେଉଛି ୧୯୮୮, ୧୯୯୨, ୧୯୯୮, ୨୦୦୧ ଏବଂ ୨୦୧୦ର ପାଞ୍ଚଟି ଲ୍ୟାଣ୍ଡସାଟ୍ TM ଏବଂ ETM ଚିତ୍ର । ଏହି ତିନୋଟି ଦୃଶ୍ୟକୁ ଆନ୍ତର୍ଜାତିକ ଦୃଶ୍ୟକୁ ଅନୁକରଣ କରିବା ପାଇଁ ପ୍ରସ୍ତୁତ କରାଯାଇଥିଲା । ପ୍ରଥମ ଦୃଶ୍ୟପଟ୍ଟରେ ଅନୁମାନ କରାଯାଇଥିଲା ଯେ ଐତିହାସିକ ସହରୀକରଣ ଧାରା ଜାରି ରହିବ ଏବଂ ବିକାଶ ପାଇଁ ଏକମାତ୍ର ପ୍ରତିବନ୍ଧକ ହେଉଛି ଉଚ୍ଚତା ଏବଂ ଢଳଣ । ଦ୍ୱିତୀୟଟି ହେଉଛି ଏକ କମ୍ପାକ୍ଟ ଦୃଶ୍ୟପଟ ଯାହା ଅଭିବୃଦ୍ଧିକୁ ମୁଖ୍ୟତଃ ଆଭ୍ୟନ୍ତରୀଣ କରିଥାଏ ଏବଂ ଉପନଗରୀୟ କ୍ଷେତ୍ରର ବିସ୍ତାରକୁ ସୀମିତ କରିଥାଏ । ଶେଷ ଦୃଶ୍ୟପଟ୍ଟରେ ଏକ ବହୁକେନ୍ଦ୍ରିକ ସହରାଞ୍ଚଳ ଢାଞ୍ଚା ପ୍ରସ୍ତାବ ଦିଆଯାଇଥିଲା ଯାହାଦ୍ୱାରା ଛୋଟ ଛୋଟ ପ୍ୟାଚ୍ * ସମାନ ଲେଖକଙ୍କୁ ଛାଡିଯାଇପାରେ । ଟେଲି. +୯୮୯୧୨୩୫୭୨୯୧୩ ଇମେଲ ଠିକଣା: ଶଗେଇଗ.କାରଗୋଜାର@ଯାହୋ.କମ |
f19e6e8a06cba5fc8cf234881419de9193bba9d0 | ବର୍ଗୀକରଣ ଏବଂ ନିଷ୍ପତ୍ତି ନେବା କାର୍ଯ୍ୟରେ ନ୍ୟୁରାଲ ନେଟୱାର୍କର ବ୍ୟବହାର ସାଧାରଣତଃ କରାଯାଇଥାଏ । ଏହି ଲେଖାରେ ଆମେ ସେମାନଙ୍କ ଫଳାଫଳର ସ୍ଥାନୀୟ ଆତ୍ମବିଶ୍ୱାସର ସମସ୍ୟା ଉପରେ ଧ୍ୟାନ କେନ୍ଦ୍ରିତ କରୁଛୁ । ଆମେ ପରିସଂଖ୍ୟାନିକ ନିର୍ଣ୍ଣୟ ସିଦ୍ଧାନ୍ତରୁ କିଛି ଧାରଣାକୁ ସମୀକ୍ଷା କରୁଛୁ ଯାହା ନ୍ୟୁରାଲ ନେଟୱାର୍କ ସହିତ ଶ୍ରେଣୀଭୁକ୍ତ କରିବା ପାଇଁ ବିଶ୍ୱାସ ମାପଗୁଡିକର ନିର୍ଣ୍ଣୟ ଏବଂ ବ୍ୟବହାର ଉପରେ ଏକ ଅନ୍ତର୍ଦୃଷ୍ଟି ପ୍ରଦାନ କରେ । ଏହା ପରେ ଆମେ ବର୍ତ୍ତମାନର ଭରସା ମାପଗୁଡ଼ିକର ଏକ ସମୀକ୍ଷା ଉପସ୍ଥାପନ କରିବା ଏବଂ ଶେଷରେ ଏକ ସରଳ ମାପ ପ୍ରସ୍ତାବ ଦେବା ଯାହା ନେଟୱର୍କ ଆଉଟପୁଟର ସମ୍ଭାବ୍ୟତା-ସମ୍ପର୍କିତ ବ୍ୟାଖ୍ୟା ଏବଂ ବୁଟଷ୍ଟ୍ରାପ ତ୍ରୁଟି ଆକଳନ ଦ୍ୱାରା ମଡେଲର ଗୁଣବତ୍ତାର ଆକଳନକୁ ମିଶ୍ରଣ କରିଥାଏ । ଆମେ ବାସ୍ତବିକ ଦୁନିଆର ପ୍ରୟୋଗ ଏବଂ କୃତ୍ରିମ ସମସ୍ୟା ଉପରେ ଅନୁଭବୀ ଫଳାଫଳ ଉପରେ ଆଲୋଚନା କରି ଦେଖାଇବୁ ଯେ ସରଳତମ ମାପ ଅଧିକ ଜଟିଳ ମାପ ଅପେକ୍ଷା ଅଧିକ ଭଲ ବ୍ୟବହାର କରେ, କିନ୍ତୁ କିଛି ପରିସ୍ଥିତିରେ ବିପଜ୍ଜନକ ହୋଇପାରେ । |
4a5be26509557f0a1a911e639868bfe9d002d664 | ଉତ୍ପାଦନ ସନ୍ଦେଶ ନିର୍ଦ୍ଦିଷ୍ଟକରଣ (ଏମଏମଏସ) ପ୍ରୋଟୋକଲ ଶିଳ୍ପ ପ୍ରକ୍ରିୟାର ନିୟନ୍ତ୍ରଣ ପ୍ରୟୋଗରେ ବହୁଳ ଭାବରେ ବ୍ୟବହୃତ ହୁଏ, କିନ୍ତୁ ଏହା ଖରାପ ଭାବରେ ଦସ୍ତାବିଜିତ ହୋଇଛି । ଏହି ଲେଖାରେ ଆମେ ଏମ୍ଏମ୍ଏସ୍ ପ୍ରୋଟୋକଲର ବିଶ୍ଳେଷଣ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହାଦ୍ୱାରା ସୂଚନା ସୁରକ୍ଷା ପରିପ୍ରେକ୍ଷୀରେ ଏମ୍ଏମ୍ଏସ୍ ବିଷୟରେ ଅଧିକ ବୁଝିବା ସମ୍ଭବ ହୋଇପାରିବ । ଆମର ଅନୁସନ୍ଧାନରୁ ଜଣାପଡ଼ୁଛି ଯେ ଏମ୍ଏମ୍ଏସ୍ରେ ପର୍ଯ୍ୟାପ୍ତ ସୁରକ୍ଷା ବ୍ୟବସ୍ଥା ନାହିଁ ଏବଂ ଉପଲବ୍ଧ ସୁରକ୍ଷା ବ୍ୟବସ୍ଥାଗୁଡ଼ିକ ବ୍ୟବସାୟିକ ଉପକରଣରେ କାର୍ଯ୍ୟକାରୀ ହୋଇନାହିଁ । |
15a2ef5fac225c864759b28913b313908401043f | ଗ୍ରାହକଙ୍କ ବିଶ୍ୱାସ ହାସଲ କରିବା ପାଇଁ ସଫ୍ଟୱେୟାର ବିକ୍ରେତାମାନେ ସେମାନଙ୍କର ଉତ୍ପାଦକୁ ସୁରକ୍ଷା ମାନକ ଅନୁଯାୟୀ ପ୍ରମାଣୀକରଣ କରିପାରିବେ, ଯେପରିକି ସାଧାରଣ ମାନକ (ଆଇଏସଓ ୧୫୪୦୮) । କିନ୍ତୁ କମନ କ୍ରିଟରିଆ ସାର୍ଟିଫିକେଟ ପାଇଁ ସଫ୍ଟୱେର ପ୍ରଡକ୍ଟର ଏକ ସୁସ୍ପଷ୍ଟ ଡକ୍ୟୁମେଣ୍ଟ ଆବଶ୍ୟକ । ଏହି ଦସ୍ତାବିଜ ପ୍ରସ୍ତୁତ କରିବା ପାଇଁ ସମୟ ଓ ଅର୍ଥର ବହୁତ ଖର୍ଚ୍ଚ ହୋଇଥାଏ । ଆମେ ଏକ ସଫ୍ଟୱେର ବିକାଶ ପ୍ରକ୍ରିୟା ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା କମନ କ୍ରିଟରିଆ ସାର୍ଟିଫିକେଟ ପାଇଁ ଆବଶ୍ୟକ ଦସ୍ତାବିଜ ପ୍ରସ୍ତୁତ କରିବାରେ ସହାୟତା କରିବ । ତେଣୁ ସଫ୍ଟୱେର ତିଆରି ହେବା ପରେ ଆମକୁ ଦସ୍ତାବିଜ ତିଆରି କରିବାର ଆବଶ୍ୟକତା ନାହିଁ । ଏହାବ୍ୟତୀତ, ଆମେ ସାଧାରଣ ମାନଦଣ୍ଡ ଦସ୍ତାବିଜଗୁଡ଼ିକର ପ୍ରତିଷ୍ଠା ସହିତ ସମ୍ଭାବ୍ୟ ସମସ୍ୟାଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ଆବଶ୍ୟକତାଗୁଡ଼ିକ ଆଧାରିତ ସଫ୍ଟୱେର୍ ଇଞ୍ଜିନିୟରିଂ ପ୍ରକ୍ରିୟାର ଉନ୍ନତ ସଂସ୍କରଣକୁ ବ୍ୟବହାର କରିବାକୁ ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଆମେ ଏହି ସମସ୍ୟାଗୁଡ଼ିକୁ ସାର୍ଟିଫିକେଟ ପ୍ରକ୍ରିୟା ପୂର୍ବରୁ ଚିହ୍ନଟ କରିବାକୁ ଚାହୁଁଛୁ । ଏହିପରି ଭାବେ ଆମେ ସାର୍ଟିଫିକେଟ ପ୍ରଦାନ ପ୍ରକ୍ରିୟାରେ ବହୁମୂଲ୍ୟ ବିଳମ୍ବକୁ ଏଡ଼ାଇ ଦେଇଥାଉ । ADIT ଏକ ନିରବଚ୍ଛିନ୍ନ ବିକାଶ ପଦ୍ଧତି ପ୍ରଦାନ କରେ ଯାହା ବିଭିନ୍ନ ପ୍ରକାରର UML ମଡେଲ ମଧ୍ୟରେ ସମାନତା ଯାଞ୍ଚ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ଏଡିଟ୍ ସୁରକ୍ଷା ଆବଶ୍ୟକତା ଠାରୁ ଆରମ୍ଭ କରି ଡିଜାଇନ୍ ଡକ୍ୟୁମେଣ୍ଟ ପର୍ଯ୍ୟନ୍ତ ଟ୍ରାକ୍ କରିବା ପାଇଁ ମଧ୍ୟ ସହାୟତା କରିଥାଏ । ଆମେ ଆମର ଏହି ଆଭିମୁଖ୍ୟକୁ ଏକ ସ୍ମାର୍ଟ ମିଟରିଂ ଗେଟୱେ ସିଷ୍ଟମର ବିକାଶ ସହିତ ପ୍ରଦର୍ଶିତ କରୁଛୁ । |
21968ae000669eb4cf03718a0d97e23a6bf75926 | ନିକଟରେ ସୋସିଆଲ ନେଟୱାର୍କରେ ପ୍ରଭାବ ବିସ୍ତାରର ଘଟଣା ପ୍ରତି ପ୍ରବଳ ଆଗ୍ରହ ପ୍ରକାଶ ପାଇଛି । ଏହି କ୍ଷେତ୍ରରେ ଅଧ୍ୟୟନଗୁଡିକ ସେମାନଙ୍କର ସମସ୍ୟାକୁ ଏକ ସାମାଜିକ ଗ୍ରାଫରେ ପ୍ରବେଶ କରିଥାଆନ୍ତି ଯାହା ଉପଭୋକ୍ତାମାନଙ୍କ ମଧ୍ୟରେ ପ୍ରଭାବର ସମ୍ଭାବନା ସହିତ ଆଡକୁ ଟ୍ୟାଗ୍ ହୋଇଥାଏ । ତେବେ ଏହି ସମ୍ଭାବନା କେଉଁଠୁ ଆସୁଛି କିମ୍ବା ବାସ୍ତବିକ ସାମାଜିକ ନେଟୱର୍କ ତଥ୍ୟରୁ କିପରି ଏହାର ଗଣନା କରାଯାଇପାରିବ, ଏହି ପ୍ରଶ୍ନକୁ ବର୍ତ୍ତମାନ ପର୍ଯ୍ୟନ୍ତ ଅଣଦେଖା କରାଯାଇଛି । ତେଣୁ ଏହା ପଚାରିବା ଅତ୍ୟନ୍ତ ରୋଚକ ଯେ ସାମାଜିକ ଗ୍ରାଫ ଏବଂ ଏହାର ବ୍ୟବହାରକାରୀଙ୍କ କାର୍ଯ୍ୟକଳାପର ଏକ ଲୋଗ୍ ଦ୍ୱାରା ପ୍ରଭାବର ମଡେଲ ନିର୍ମାଣ କରାଯାଇପାରିବ କି? ଏହା ହେଉଛି ଏହି କାଗଜରେ ଆକ୍ରମଣ କରାଯାଇଥିବା ମୁଖ୍ୟ ସମସ୍ୟା । ମଡେଲ ପାରାମିଟର ଶିଖିବା ପାଇଁ ମଡେଲ ଓ ଆଲଗୋରିଦମ ପ୍ରସ୍ତାବ ଦେବା ସହିତ ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ଶିଖାଯାଇଥିବା ମଡେଲର ପରୀକ୍ଷଣ କରିବା ପାଇଁ ଆମେ ମଧ୍ୟ ଟେକନିକ୍ ବିକଶିତ କରୁଛୁ ଯାହା ଦ୍ୱାରା ଜଣେ ବ୍ୟବହାରକାରୀ ଏକ କାର୍ଯ୍ୟ କରିବାକୁ ଆଶା କରିପାରନ୍ତି । ଆମେ ଆମର ଚିନ୍ତାଧାରା ଏବଂ କୌଶଳଗୁଡ଼ିକୁ ପ୍ରମାଣିତ କରିବା ପାଇଁ ଫ୍ଲିକର ତଥ୍ୟକୁ ବ୍ୟବହାର କରିଥାଉ ଯେଉଁଥିରେ ୧.୩ ମିଲିୟନ ନୋଡ, ୪୦ ମିଲିୟନ ଏଜ ଏବଂ ୩୫ ମିଲିୟନ ଟାପୁଲସକୁ ନେଇ ଏକ ଆକ୍ସନ ଲଗ ରହିଥାଏ ଯାହାକି ୩୦୦,୦୦୦ ଭିନ୍ନ ଭିନ୍ନ କାର୍ଯ୍ୟକଳାପକୁ ସୂଚିତ କରିଥାଏ । ବାସ୍ତବିକ ସାମାଜିକ ନେଟୱାର୍କରେ ବାସ୍ତବିକ ପ୍ରଭାବ ଦେଖାଇବା ବ୍ୟତୀତ, ଆମେ ଦେଖାଇଛୁ ଯେ ଆମର କୌଶଳଗୁଡ଼ିକର ଉତ୍କୃଷ୍ଟ ପୂର୍ବାନୁମାନ ପ୍ରଦର୍ଶନ ରହିଛି । |
c8a04d0cbb9f70e86800b11b594c9a05d7b6bac0 | |
61dc8de84e0f4aab21a03833aeadcefa87d6d4e5 | ବିଭାଜିତ ଯୋଗାଯୋଗ ଏବଂ ନିୟନ୍ତ୍ରଣ ଆବଶ୍ୟକତା, ଗତିଶୀଳ ନେଟୱାର୍କ ଟପୋଲୋଜି, ଅବିଶ୍ୱସନୀୟ ଯୋଗାଯୋଗ ଲିଙ୍କ ଇତ୍ୟାଦିକୁ ବିଚାରକୁ ନେଇ ଆଡହକ ନେଟୱାର୍କରେ ଗୋପନୀୟତା ରକ୍ଷା କରୁଥିବା ତଥ୍ୟ ଏକତ୍ରିତ କରିବା ଏକ ଆହ୍ୱାନପୂର୍ଣ୍ଣ ସମସ୍ୟା । ଯେତେବେଳେ ଅସାଧୁ ନୋଡସ୍ ଥାଏ, ସେତେବେଳେ ଏହି ସମସ୍ୟା ଅଧିକ ହୋଇଥାଏ ଏବଂ ଅସାଧୁ ନୋଡସ୍ ବିରୋଧରେ ଗୋପନୀୟତା, ସଠିକତା ଏବଂ ଦୃଢ଼ତା କିପରି ସୁନିଶ୍ଚିତ କରାଯିବ ତାହା ଏକ ଖୋଲା ପ୍ରସଙ୍ଗ ହୋଇ ରହିଥାଏ । ବହୁଳ ଭାବେ ବ୍ୟବହୃତ କ୍ରିପ୍ଟୋଗ୍ରାଫିକ ଆଭିମୁଖ୍ୟଠାରୁ ଭିନ୍ନ ଭାବରେ, ଏହି କାଗଜରେ, ଆମେ ବିତରିତ ସହମତି କୌଶଳର ଉପଯୋଗ କରି ଏହି ଆହ୍ୱାନପୂର୍ଣ୍ଣ ସମସ୍ୟାକୁ ସମାଧାନ କରୁଛୁ । ଆମେ ପ୍ରଥମେ ଏକ ସୁରକ୍ଷିତ ସହମତି ଭିତ୍ତିକ ତଥ୍ୟ ଏକତ୍ରୀକରଣ (SCDA) ଆଲଗୋରିଦମକୁ ପ୍ରୋତ୍ସାହିତ କରୁଛୁ ଯାହା ସମ୍ବେଦନଶୀଳ ତଥ୍ୟର ଗୋପନୀୟତା ବଜାୟ ରଖି ଏକ ସଠିକ୍ ସମୁଦାୟ ଏକତ୍ରୀକରଣକୁ ଗ୍ୟାରେଣ୍ଟି ଦେଇଥାଏ । ତାପରେ, ଅସାଧୁ ନୋଡରୁ ପ୍ରଦୂଷଣକୁ ହ୍ରାସ କରିବା ପାଇଁ ଆମେ ଏକ ଉନ୍ନତ SCDA (E-SCDA) ଆଲଗୋରିଦମ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ପଡ଼ୋଶୀମାନଙ୍କୁ ଅସାଧୁ ନୋଡଗୁଡିକ ଚିହ୍ନଟ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ, ଏବଂ ଯେତେବେଳେ ଅସ୍ପଷ୍ଟ ଡିଶୋନ t ନୋଡଗୁଡିକ ଥାଏ ତ୍ରୁଟି ସୀମା ବାହାର କରିଥାଏ । ଆମେ ପ୍ରମାଣ କରିଛୁ ଯେ SCDA ଓ E-SCDA ଉଭୟର ସମ୍ମିଶ୍ରଣ ଅଛି । ଆମେ ମଧ୍ୟ ପ୍ରମାଣ କରିଥାଉ ଯେ ପ୍ରସ୍ତାବିତ ଆଲଗୋରିଦମ ହେଉଛି ((, σ) - ଡାଟା ପ୍ରାଇଭେସି, ଏବଂ ଏବଂ σ ମଧ୍ୟରେ ଗାଣିତିକ ସମ୍ପର୍କ ପ୍ରାପ୍ତ କରିଥାଉ । ବ୍ୟାପକ ଅନୁକରଣରୁ ଜଣାପଡିଛି ଯେ ପ୍ରସ୍ତାବିତ ଆଲଗୋରି ଥମଗୁଡ଼ିକର ଉଚ୍ଚ ସଠିକତା ଏବଂ କମ୍ ଜଟିଳତା ରହିଛି ଏବଂ ସେଗୁଡ଼ିକ ନେଟୱାର୍କ ଗତିଶୀଳତା ଏବଂ ଅସାଧୁ ନୋଡଗୁଡ଼ିକ ପ୍ରତି ଦୃଢ଼ । |
dbde4f47efed72cbb99f412a9a4c17fe39fa04fc | ପ୍ରାକୃତିକ ପ୍ରତିଛବି ସୃଷ୍ଟି ବର୍ତ୍ତମାନ ଗଭୀର ଶିକ୍ଷଣରେ ସବୁଠାରୁ ଅଧିକ ସକ୍ରିୟ ଭାବରେ ଅନୁସନ୍ଧାନ କରାଯାଇଥିବା କ୍ଷେତ୍ର ମଧ୍ୟରୁ ଗୋଟିଏ । ଅନେକ ଆଭିମୁଖ୍ୟ, ଯେପରିକି ଅତ୍ୟାଧୁନିକ କଳାତ୍ମକ ଶୈଳୀ ସ୍ଥାନାନ୍ତର କିମ୍ବା ପ୍ରାକୃତିକ ରଚନା ସଂଶ୍ଳେଷଣ ପାଇଁ, ନିରୀକ୍ଷଣ ଦ୍ୱାରା ତାଲିମପ୍ରାପ୍ତ ଗଭୀର ନ୍ୟୁରାଲ ନେଟୱାର୍କରେ ଥିବା ଜ୍ୟୋତିର୍ବିଜ୍ଞାନିକ ପ୍ରତିନିଧିତ୍ୱ ଉପରେ ନିର୍ଭର କରନ୍ତୁ । ତେବେ ଏହା ସ୍ପଷ୍ଟ ହୋଇନାହିଁ ଯେ ଏହି ବିଶେଷତା ପ୍ରତିନିଧିତ୍ୱର କେଉଁ ଦିଗଗୁଡ଼ିକ ପ୍ରାକୃତିକ ପ୍ରତିଛବି ସୃଷ୍ଟି ପାଇଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ: ଏହା ଗଭୀରତା, ପୁଲ୍ କିମ୍ବା ପ୍ରାକୃତିକ ପ୍ରତିଛବି ଉପରେ ବିଶେଷତାଗୁଡ଼ିକର ତାଲିମ? ଆମେ ଏଠାରେ ଏହି ପ୍ରଶ୍ନକୁ ପ୍ରାକୃତିକ ରଂଗ ସଂଶ୍ଳେଷଣ କାର୍ଯ୍ୟ ପାଇଁ ସମାଧାନ କରୁଛୁ ଏବଂ ଦେଖାଉଛୁ ଯେ ଉପରୋକ୍ତ କୌଣସି ଦିଗ ଅପରିହାର୍ଯ୍ୟ ନୁହେଁ । ଏହା ପରିବର୍ତ୍ତେ, ଆମେ ଦେଖାଇବୁ ଯେ ଉଚ୍ଚ ଧାରଣ ଗୁଣବତ୍ତାର ପ୍ରାକୃତିକ ଢାଞ୍ଚାଗୁଡ଼ିକ କେବଳ ଗୋଟିଏ ସ୍ତର, ପୁଲିଂ ଏବଂ ରାଣ୍ଡମ ଫିଲ୍ଟର ବିନା ନେଟୱାର୍କରୁ ସୃଷ୍ଟି କରାଯାଇପାରିବ । |
acdc3d8d8c880bc9b9e10b337b09bed4c0c762d8 | ବସ୍ତ୍ର ଏବଂ ପରିଧାନଯୋଗ୍ୟ ଉତ୍ପାଦ ମଧ୍ୟରେ ସମନ୍ୱିତ ଦୂରସଂଚାର ପ୍ରଣାଳୀ ହେଉଛି ଏପରି ଏକ ପଦ୍ଧତି ଯାହା ମାଧ୍ୟମରେ ଚିକିତ୍ସା ଉପକରଣଗୁଡ଼ିକ ଦିନରାତି ସ୍ୱାସ୍ଥ୍ୟସେବା ବ୍ୟବସ୍ଥାକୁ ଉନ୍ନତ କରିବାରେ ପ୍ରଭାବ ପକାଉଛି । ଯେତେବେଳେ ଏହି ପୋଷାକଗୁଡ଼ିକ ସମ୍ପୂର୍ଣ୍ଣ ରୂପେ ବିକଶିତ ହେବ ସେତେବେଳେ ଏହା ଆବଶ୍ୟକ ହେଲେ ସତର୍କ କରାଇବ ଏବଂ ଡାକ୍ତରଖାନାର ସମ୍ବଳ ଓ ଶ୍ରମକୁ ହ୍ରାସ କରିବ । ଏହାବ୍ୟତୀତ, ସୁସ୍ଥ ଦେଖାଯାଉଥିବା ବ୍ୟକ୍ତିଙ୍କଠାରେ ରୋଗ ପ୍ରତିରୋଧକ, ସ୍ୱାସ୍ଥ୍ୟଗତ ଅନିୟମିତତା ଏବଂ ଅଚାନକ ହୃଦରୋଗ କିମ୍ବା ମସ୍ତିଷ୍କ ରୋଗରେ ଏହା ପ୍ରମୁଖ ଭୂମିକା ଗ୍ରହଣ କରିପାରେ । ଏହି କାର୍ଯ୍ୟରେ ଏକ ଅଲ୍ଟ୍ରା-ୱାଇଡବ୍ୟାଣ୍ଡ (UWB) ଆଣ୍ଟିନା ଉପରେ ଅନୁସନ୍ଧାନ କରିବାର ସମ୍ଭାବନା ରହିଛି ଯାହା ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ଟେକ୍ସଟାଇଲ ସାମଗ୍ରୀରୁ ତିଆରି ହୋଇଛି ଯାହା ସବଷ୍ଟ୍ରେଟ ପାଇଁ ବ୍ୟବହୃତ ହୋଇଛି ଏବଂ ଡିଜାଇନ୍ ହୋଇଥିବା ଆଣ୍ଟିନାର କଣ୍ଡକ୍ଟିଭ୍ ଅଂଶଗୁଡିକ ମଧ୍ୟ । ସିମୁଲେସନ ଓ ମାପ ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ ପ୍ରସ୍ତାବିତ ଆଣ୍ଟିନା ଡିଜାଇନ ବ୍ୟାପକ କାର୍ଯ୍ୟ ବ୍ୟାଣ୍ଡୱିଡଥ୍ ର ଆବଶ୍ୟକତାକୁ ପୂରଣ କରିଥାଏ ଏବଂ କମ୍ ସାଇଜ, ଧୋଇବା ଯୋଗ୍ୟ ଓ ନମନୀୟ ସାମଗ୍ରୀ ସହିତ ୧୭GHz ବ୍ୟାଣ୍ଡୱିଡଥ୍ ପ୍ରଦାନ କରିଥାଏ । ବର୍ତ୍ତମାନର ହସ୍ତଲିଖନ ଡିଜାଇନର ଉପଯୋଗିତାକୁ ପ୍ରମାଣିତ କରିବା ପାଇଁ ରିଟର୍ଣ୍ଣ ଲସ, ବ୍ୟାଣ୍ଡୱିଡଥ୍, ରେଡିଏସନ୍ ପ୍ୟାଟର୍ନ, କରେଣ୍ଟ ଡିଷ୍ଟ୍ରିବ୍ୟୁସନ୍ ସହିତ ଗେନ୍ ଏବଂ ଇଫେକ୍ଟିଭିଟି ପରି ଫଳାଫଳ ଉପସ୍ଥାପିତ କରାଯାଇଛି । ଏଠାରେ ଉପସ୍ଥାପିତ କାର୍ଯ୍ୟର ଏକ ସ୍ୱତନ୍ତ୍ର ସୁଇଟର ଭବିଷ୍ୟତ ଅଧ୍ୟୟନ ପାଇଁ ଗଭୀର ପ୍ରଭାବ ରହିଛି ଯାହା ଦିନେ ପରିଧାନକାରୀ (ରୋଗୀ) ଙ୍କୁ ଏହିପରି ନିର୍ଭରଯୋଗ୍ୟ ଏବଂ ଆରାମଦାୟକ ଡାକ୍ତରୀ ତଦାରଖ କୌଶଳ ପ୍ରଦାନ କରିବାରେ ସାହାଯ୍ୟ କରିପାରେ । ୨୦୧୧ ଏପ୍ରିଲ ୧୨ରେ ଗ୍ରହଣ କରାଯାଇଥିଲା, ୨୦୧୧ ମେ ୨୩ରେ ଗ୍ରହଣ କରାଯାଇଥିଲା, ୨୦୧୧ ଜୁନ ୧୦ରେ କାର୍ଯ୍ୟସୂଚୀ ପ୍ରସ୍ତୁତ ହୋଇଥିଲା । |
aab8c9514b473c4ec9c47d780b7c79112add9008 | ଗବେଷଣା ରଣନୀତି ଭାବେ କେସ ଷ୍ଟଡି ଛାତ୍ରଛାତ୍ରୀ ଏବଂ ଅନ୍ୟ ନୂଆ ଗବେଷକମାନଙ୍କ ପାଇଁ ଏକ ସ୍ପଷ୍ଟ ବିକଳ୍ପ ଭାବେ ଉଭା ହୋଇଛି ଯେଉଁମାନେ ନିଜ କାର୍ଯ୍ୟସ୍ଥଳ କିମ୍ବା ସୀମିତ ସଂଖ୍ୟକ ସଂଗଠନର ତୁଳନା ଉପରେ ଆଧାରିତ ଏକ ସାମାନ୍ୟ ଆକାରର ଗବେଷଣା ପ୍ରକଳ୍ପ କରିବାକୁ ଚାହୁଁଛନ୍ତି । ଏହି ପରିପ୍ରେକ୍ଷୀରେ କେସ୍ ଷ୍ଟଡି ଗବେଷଣା ପ୍ରୟୋଗର ସବୁଠାରୁ ଆହ୍ୱାନପୂର୍ଣ୍ଣ ଦିଗ ହେଉଛି ଅନୁସନ୍ଧାନକୁ "କ ଣ ଘଟୁଛି"ର ବର୍ଣ୍ଣନାତ୍ମକ ବିବରଣୀରୁ ଏକ ଗବେଷଣା ଖଣ୍ଡକୁ ଉଠାଇବା ଯାହା ଜ୍ଞାନରେ ଏକ ମୂଲ୍ୟବାନ, ଯଦିଓ ସାମାନ୍ୟ ଯୋଗ ବୋଲି ଦାବି କରିପାରିବ । ଏହି ଲେଖା କେସ୍ ଷ୍ଟଡି ରିସର୍ଚ୍ଚ ଏବଂ ସମ୍ବନ୍ଧିତ କ୍ଷେତ୍ର ଉପରେ ପ୍ରତିଷ୍ଠିତ ପାଠ୍ୟପୁସ୍ତକ ଉପରେ ଆଧାରିତ, ଯେପରିକି ୟିନ, 1994, ହାମେଲ ଏବଂ ଅନ୍ୟମାନେ, 1993, ଇଟନ, 1992, ଗମ, 2000, ପେରୀ, 1998, ଏବଂ ସାଣ୍ଡର୍ସ ଏବଂ ଅନ୍ୟମାନେ, 2000 କିନ୍ତୁ ଏହି ଅନୁସନ୍ଧାନ ପଦ୍ଧତିର କିଛି ପ୍ରମୁଖ ନୀତି ସହିତ ନୂତନ ଅନୁସନ୍ଧାନକାରୀମାନଙ୍କୁ ମୁକାବିଲା କରିବାକୁ ଏବଂ ପ୍ରୟୋଗ କରିବାକୁ ଉତ୍ସାହିତ କରିବା ପାଇଁ କେସ୍ ଷ୍ଟଡି ରିସର୍ଚ୍ଚର ମୁଖ୍ୟ ଦିଗଗୁଡ଼ିକୁ ଅଲଗା କରିବାକୁ ଚେଷ୍ଟା କରେ _ ଏହି ଲେଖାରେ କେସ୍ ଷ୍ଟଡି ରିସର୍ଚ୍ଚ, ରିସର୍ଚ୍ଚ ଡିଜାଇନ୍, ଡାଟା ସଂଗ୍ରହ ଏବଂ ଡାଟା ବିଶ୍ଳେଷଣର ଉପଯୋଗ କରାଯିବା ଉଚିତ ଏବଂ ଶେଷରେ ରିପୋର୍ଟ କିମ୍ବା ଡିସର୍ଟେସନ୍ ଲେଖିବା ସମୟରେ ପ୍ରମାଣକୁ ଆଧାର କରି ପରାମର୍ଶ ଦିଆଯାଉଛି । |
a088bed7ac41ae77dbb23041626eb8424d96a5ba | ଏହି କାଗଜରେ ଏଫିରା ପ୍ରଶ୍ନ ଉତ୍ତର ଇଞ୍ଜିନର ବର୍ଣ୍ଣନା କରାଯାଇଛି, ଯାହା ଏକ ମଡ୍ୟୁଲାର ଏବଂ ବିସ୍ତାରଯୋଗ୍ୟ ଢାଞ୍ଚା ଯାହା ପ୍ରଶ୍ନ ଉତ୍ତର ପାଇଁ ଏକାଧିକ ଆଭିମୁଖ୍ୟକୁ ଏକ ସିଷ୍ଟମରେ ଏକୀକୃତ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ଆମର ଢାଂଚାକୁ ଇଂରାଜୀ ବ୍ୟତୀତ ଅନ୍ୟ ଭାଷାଗୁଡ଼ିକରେ ଭାଷା ନିର୍ଦ୍ଦିଷ୍ଟ ଉପାଦାନଗୁଡ଼ିକୁ ବଦଳାଇ ଅନୁକୂଳ କରାଯାଇପାରିବ । ଏହା ପ୍ରଶ୍ନ ଉତ୍ତର, ଜ୍ଞାନ ଆନୋଟେଶନ ଏବଂ ଜ୍ଞାନ ଖନନ ପାଇଁ ଦୁଇଟି ପ୍ରମୁଖ ପଦ୍ଧତିକୁ ସମର୍ଥନ କରେ । ଇଫ୍ରାଇ ୱେବକୁ ତଥ୍ୟ ଉତ୍ସ ଭାବରେ ବ୍ୟବହାର କରେ, କିନ୍ତୁ ଏହା ଛୋଟ କର୍ପୋରେସ ସହିତ ମଧ୍ୟ କାମ କରିପାରିବ । ଏହାବ୍ୟତୀତ ଆମେ ପ୍ରଶ୍ନର ବ୍ୟାଖ୍ୟା ପାଇଁ ଏକ ନୂଆ ଆଭିମୁଖ୍ୟର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ପ୍ରଶ୍ନର ମୂଳ ଫର୍ମୁଲା ଠାରୁ ବିସ୍ତୃତ । ପ୍ରଶ୍ନର ବ୍ୟାଖ୍ୟା କରିବା ପାଇଁ ଏବଂ ପାଠ୍ୟର ଅଂଶରୁ ଉତ୍ତର ବାହାର କରିବା ପାଇଁ ପାଠ୍ୟ ପ୍ୟାଟର୍ନ ବ୍ୟବହାର କରାଯାଏ । ଆମ ସିଷ୍ଟମ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଉତ୍ତର ବାହାର କରିବାର ପଦ୍ଧତି ଶିଖିଥାଏ, ପ୍ରଶ୍ନ-ଉତ୍ତର ଯୋଡିକୁ ପ୍ରଶିକ୍ଷଣ ତଥ୍ୟ ଭାବରେ ବ୍ୟବହାର କରି । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳରୁ ଏହି ପଦ୍ଧତିର ସମ୍ଭାବନା ପ୍ରତିଫଳିତ ହୋଇଛି । |
227ed02b3e5edf4c5b08539c779eca90683549e6 | ବର୍ତ୍ତମାନର ଅଧିକାଂଶ ଢାଂଚା କେତେକ ସାମାଜିକ-ଆର୍ଥିକ ଏବଂ ବୈଷୟିକ ପରିସ୍ଥିତି ଥିବା ଦେଶମାନଙ୍କରେ ଏହାର ସାର୍ବଜନୀନ ପ୍ରୟୋଗକୁ ଦୃଷ୍ଟିରେ ରଖି ପର୍ଯ୍ୟାପ୍ତ ନୁହେଁ । ଯଦିଓ ବର୍ତ୍ତମାନ ପର୍ଯ୍ୟନ୍ତ ଇ-ଗଭର୍ଣ୍ଣାନ୍ସ କାର୍ଯ୍ୟକାରୀ କରିବା ପାଇଁ ଏକକକୀ ରଣନୀତି ନାହିଁ, ତଥାପି ଏହି ପରିବର୍ତ୍ତନ ପାଇଁ କିଛି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ସାଧାରଣ ଉପାଦାନ ରହିଛି । ତେଣୁ ଏହି ଦସ୍ତାବିଜରେ ବିକାଶଶୀଳ ଏବଂ ବିକଶିତ ଦେଶର ଇ-ଭାଗିଦାରୀ ପଦକ୍ଷେପରୁ କିଛି ସିଦ୍ଧାନ୍ତ ଏବଂ ଶିକ୍ଷା ଉପରେ ଆଧାରିତ ଏକ ଏକକ ସ୍ଥାୟୀ ମଡେଲ ବିକଶିତ କରିବାକୁ ଚେଷ୍ଟା କରାଯାଇଛି, ଯାହାଦ୍ୱାରା ଆଇସିଟିର ଲାଭକୁ ସର୍ବାଧିକ କରାଯାଇପାରିବ ଏବଂ ଅଧିକ ଅଂଶଗ୍ରହଣ ସୁନିଶ୍ଚିତ କରାଯାଇପାରିବ । |
6afe5319630d966c1355f3812f9d4b4b4d6d9fd0 | |
a2c2999b134ba376c5ba3b610900a8d07722ccb3 | |
ab116cf4e1d5ed947f4d762518738305e3a0ab74 | |
64f51fe4f6b078142166395ed209d423454007fb | ସଠିକ ଏବଂ ଦୃଢ଼ ଗଭୀର ନେଟୱାର୍କ ମଡେଲକୁ ପ୍ରଶିକ୍ଷଣ ଦେବା ପାଇଁ ଏକ ବୃହତ ସଂଖ୍ୟକ ଆନୋଟେଡ୍ ପ୍ରଶିକ୍ଷଣ ପ୍ରତିଛବି ଅତ୍ୟନ୍ତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କିନ୍ତୁ ବୃହତ ସଂଖ୍ୟକ ଆନୋଟେଡ୍ ପ୍ରଶିକ୍ଷଣ ପ୍ରତିଛବି ସଂଗ୍ରହ କରିବା ପ୍ରାୟତଃ ସମୟସାପେକ୍ଷ ଏବଂ ବ୍ୟୟବହୁଳ ହୋଇଥାଏ । ଚିତ୍ର ସଂଶ୍ଳେଷଣ ଏହି ପ୍ରତିବନ୍ଧକକୁ ଦୂର କରିଥାଏ, ଯନ୍ତ୍ର ଦ୍ୱାରା ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଟିପ୍ପଣୀଯୁକ୍ତ ପ୍ରଶିକ୍ଷଣ ଚିତ୍ର ସୃଷ୍ଟି କରି, ଯାହା ନିକଟ ଅତୀତରେ ଗଭୀର ଶିକ୍ଷଣ ଗବେଷଣାରେ କ୍ରମାଗତ ଭାବରେ ଆଗ୍ରହ ସୃଷ୍ଟି କରିଛି । ଆମେ ଏକ ଅଭିନବ ଚିତ୍ର ସଂଯୋଜନା କୌଶଳ ବିକଶିତ କରିଛୁ ଯାହା ଆଗପଟ୍ର ଆଗ୍ରହୀ ବସ୍ତୁ (ଓଓଆଇ) କୁ ବାସ୍ତବିକ ଭାବରେ ପୃଷ୍ଠଭୂମି ପ୍ରତିଛବିରେ ଅନ୍ତର୍ଭୁକ୍ତ କରି ଟିପ୍ପଣୀଯୁକ୍ତ ତାଲିମ ପ୍ରତିଛବି ଗଠନ କରେ । ପ୍ରସ୍ତାବିତ କୌଶଳ ଦୁଇଟି ପ୍ରମୁଖ ଉପାଦାନକୁ ନେଇ ଗଠିତ ଯାହାକି ଗଭୀର ନେଟୱାର୍କ ପ୍ରଶିକ୍ଷଣରେ ସିନ୍ଥେସ୍ ଇମେଜର ଉପଯୋଗିତାକୁ ବୃଦ୍ଧି କରିଥାଏ । ପ୍ରଥମଟି ହେଉଛି ପ୍ରସଙ୍ଗ-ସଚେତନ ସେମାନ୍ଟିକ ସଂଯମତା ଯାହା ସୁନିଶ୍ଚିତ କରେ ଯେ OOI ଗୁଡିକ ପୃଷ୍ଠଭୂମି ପ୍ରତିଛବି ମଧ୍ୟରେ ସେମାନ୍ଟିକ ସଂଯୋଜିତ ଅଞ୍ଚଳଗୁଡ଼ିକର ଚାରିପାଖରେ ରଖାଯାଇଛି । ଦ୍ୱିତୀୟଟି ହେଉଛି ସୁସଙ୍ଗତ ଦୃଶ୍ୟ ଅନୁକୂଳତା ଯାହା ସୁନିଶ୍ଚିତ କରେ ଯେ ଇମ୍ବେଡ୍ ହୋଇଥିବା ଓଓଆଇ ଉଭୟ ଜ୍ୟାମିତିର ସମୀକରଣ ଏବଂ ଦୃଶ୍ୟ ବାସ୍ତବତା ଠାରୁ ଆଖପାଖର ପୃଷ୍ଠଭୂମି ସହିତ ସୁସଙ୍ଗତ ଅଟେ । ପ୍ରସ୍ତାବିତ କୌଶଳ ଦୁଇଟି ସମ୍ବନ୍ଧିତ କିନ୍ତୁ ବହୁତ ଭିନ୍ନ କମ୍ପ୍ୟୁଟର ଭିଜନ ଆହ୍ୱାନ ଉପରେ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଛି, ଯଥା ଦୃଶ୍ୟ ପାଠ୍ୟ ଚିହ୍ନଟ ଏବଂ ଦୃଶ୍ୟ ପାଠ୍ୟ ଚିହ୍ନଟ । ଅନେକ ସାର୍ବଜନୀନ ଡାଟାସେଟ ଉପରେ ପରୀକ୍ଷଣ ଆମର ପ୍ରସ୍ତାବିତ ପ୍ରତିଛବି ସଂଶ୍ଳେଷଣ କୌଶଳର ପ୍ରଭାବକୁ ଦର୍ଶାଇଥାଏ । ଗଭୀର ନେଟୱାର୍କ ପ୍ରଶିକ୍ଷଣରେ ଆମର ସଂଶ୍ଳେଷିତ ପ୍ରତିଛବିଗୁଡ଼ିକର ବ୍ୟବହାର ସମାନ କିମ୍ବା ଉତ୍ତମ ଦୃଶ୍ୟ ପାଠ ଚିହ୍ନଟ ଏବଂ ଦୃଶ୍ୟ ପାଠ ଚିହ୍ନଟ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରିବାରେ ସକ୍ଷମ ଅଟେ । |
ceb4040acf7f27b4ca55da61651a14e3a1ef26a8 | |
226cfb67d2d8eba835f2ec695fe28b78b556a19f | ଆମେ ବିଟକଏନ୍ ପ୍ରୋଟୋକଲରେ ଏକ ବ୍ୟବହାରିକ ପରିବର୍ତ୍ତନ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ସାଧାରଣ କ୍ଷେତ୍ରରେ ବିଟକଏନ୍ କୁ ସୁରକ୍ଷା ଦେଇଥାଏ । ଏହା ଏକ ମେଣ୍ଟ ଦ୍ୱାରା ସ୍ୱାର୍ଥପର ଖନନକୁ ନିଷିଦ୍ଧ କରେ ଯାହା ସମ୍ପଦର ଏକ ଚତୁର୍ଥାଂଶରୁ କମ୍ ନିୟନ୍ତ୍ରଣ କରେ । ଏହି ସୀମା ଭୁଲ ଭାବେ ଧରାଯାଇଥିବା 1/2 ସୀମାଠାରୁ କମ୍, କିନ୍ତୁ ବର୍ତ୍ତମାନର ବାସ୍ତବତାଠାରୁ ଭଲ ଯେଉଁଠାରେ ଯେକୌଣସି ଆକାରର ଏକ ମେଣ୍ଟ ବ୍ୟବସ୍ଥାକୁ କ୍ଷତିଗ୍ରସ୍ତ କରିପାରେ । ବିଟକଏନ କ୍ରିପ୍ଟୋକରେନ୍ସି ଏହାର କାରବାରକୁ ବ୍ଲକଚେନ ନାମକ ଏକ ସର୍ବସାଧାରଣ ରେକର୍ଡରେ ରେକର୍ଡ କରିଥାଏ । ଏହାର ସୁରକ୍ଷା ବ୍ଲକଚେନକୁ ପରିଚାଳନା କରୁଥିବା ବିତରିତ ପ୍ରୋଟୋକଲ ଉପରେ ନିର୍ଭର କରେ, ଯାହାକୁ ଖଣି ଖନନକାରୀମାନେ ପରିଚାଳନା କରନ୍ତି । ପାରମ୍ପରିକ ଜ୍ଞାନ ଅନୁସାରେ ଖଣି ପ୍ରୋଟୋକଲ ପ୍ରୋତ୍ସାହନ-ସଙ୍ଗତ ଏବଂ ସଂଖ୍ୟାଲଘୁ ଗୋଷ୍ଠୀମାନଙ୍କ ସହମତି ବିରୁଦ୍ଧରେ ସୁରକ୍ଷିତ, ଅର୍ଥାତ୍ ଏହା ଖଣିଜ କର୍ମୀଙ୍କୁ ପ୍ରୋଟୋକଲ ଅନୁସରଣ କରିବାକୁ ପ୍ରୋତ୍ସାହିତ କରେ । ଆମେ ଦେଖାଇଛୁ ଯେ ବିଟକଏନ ଖଣି ପ୍ରୋଟୋକଲ ପ୍ରୋତ୍ସାହନ-ସଙ୍ଗତ ନୁହେଁ । ଆମେ ଏପରି ଏକ ଆକ୍ରମଣର ଉପସ୍ଥାପନା କରୁଛୁ ଯେଉଁଥିରେ ଖଣିଜ ଶ୍ରମିକମାନଙ୍କ ରାଜସ୍ୱ ସେମାନଙ୍କ ନ୍ୟାୟସଙ୍ଗତ ଭାଗଠାରୁ ଅଧିକ । ଏହି ଆକ୍ରମଣ ବିଟକଏନ୍ ପାଇଁ ଗୁରୁତର ପରିଣାମ ଆଣିପାରେ: ବିବେକୀ ଖଣି ଖନନକାରୀମାନେ ଆକ୍ରମଣକାରୀମାନଙ୍କ ସହ ଯୋଗଦେବାକୁ ପସନ୍ଦ କରିବେ ଏବଂ ଏହି ଗୋଷ୍ଠୀ ସଂଖ୍ୟାଗରିଷ୍ଠତା ହାସଲ କରିବା ପର୍ଯ୍ୟନ୍ତ ସଂଖ୍ୟା ବୃଦ୍ଧି ପାଇବ । ଏହି ସମୟରେ ବିଟକଏନ ବ୍ୟବସ୍ଥା ଏକ ବିକେନ୍ଦ୍ରୀକୃତ ମୁଦ୍ରା ହୋଇ ରହିନଥାଏ । ଯଦି କିଛି ଅନୁମାନ କରାଯାଏ ନାହିଁ, ତେବେ ସ୍ୱାର୍ଥପର ଖଣି ଖନନ କୌଣସି ମଧ୍ୟ ଆକାରର ମିଳିତ ଖଣି ଖନନକାରୀମାନଙ୍କ ପାଇଁ ସମ୍ଭବ ହୋଇପାରେ । |
2b00e526490d65f2ec00107fb7bcce0ace5960c7 | ଏହି କାଗଜଟି ଇଣ୍ଟରନେଟ ଅଫ୍ ଥିଙ୍ଗ୍ସ ବିଷୟରେ । ଏହି ଆଶାନୁରୂପ ଦୃଷ୍ଟାନ୍ତର ମୁଖ୍ୟ ସକ୍ଷମକାରୀ ହେଉଛି ଅନେକ ପ୍ରଯୁକ୍ତି ଏବଂ ଯୋଗାଯୋଗ ସମାଧାନର ସମନ୍ୱୟ । ଚିହ୍ନଟ ଏବଂ ଟ୍ରାକିଂ ପ୍ରଯୁକ୍ତି, ତାରଯୁକ୍ତ ଏବଂ ବେତାର ସେନସର ଏବଂ ଆକ୍ଟ୍ୟୁଏଟର ନେଟୱାର୍କ, ଉନ୍ନତ ସଂଚାର ପ୍ରୋଟୋକଲ (ନେକ୍ସଟ ଜେନେରେସନ ଇଣ୍ଟରନେଟ ସହିତ ଅଂଶୀଦାର) ଏବଂ ସ୍ମାର୍ଟ ବସ୍ତୁ ପାଇଁ ବଣ୍ଟିତ ବୁଦ୍ଧି କେବଳ ସବୁଠାରୁ ପ୍ରାସଙ୍ଗିକ ଅଟେ । ଯେପରିକି ସହଜରେ କଳ୍ପନା କରାଯାଇପାରେ, ଇଣ୍ଟରନେଟ ଅଫ୍ ଥିଙ୍ଗ୍ସର ଅଗ୍ରଗତି ପାଇଁ ଯେକୌଣସି ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ଯୋଗଦାନ ନିଶ୍ଚିତ ଭାବରେ ବିଭିନ୍ନ ଜ୍ଞାନ କ୍ଷେତ୍ରରେ କରାଯାଇଥିବା ସିନର୍ଜିଟିକ୍ କାର୍ଯ୍ୟକଳାପର ଫଳାଫଳ ହେବା ଉଚିତ, ଯେପରିକି ଟେଲିକମ୍, ଇନଫରମେଟିକ୍ସ, ଇଲେକ୍ଟ୍ରୋନିକ୍ସ ଏବଂ ସାମାଜିକ ବିଜ୍ଞାନ । ଏଭଳି ଏକ ଜଟିଳ ପରିସ୍ଥିତିରେ ଏହି ସର୍ଭେ ସେହିମାନଙ୍କୁ ଲକ୍ଷ୍ୟ କରାଯାଇଛି ଯେଉଁମାନେ ଏହି ଜଟିଳ ବିଷୟକୁ ବୁଝିବାକୁ ଚାହୁଁଛନ୍ତି ଏବଂ ଏହାର ବିକାଶରେ ଯୋଗଦାନ ଦେବାକୁ ଚାହୁଁଛନ୍ତି । ଏହି ଇଣ୍ଟରନେଟ ଅଫ୍ ଥିଙ୍ଗସ୍ ଦୃଷ୍ଟାନ୍ତର ବିଭିନ୍ନ ଦୃଷ୍ଟିକୋଣ ବିଷୟରେ ରିପୋର୍ଟ କରାଯାଇଛି ଏବଂ ଟେକ୍ନୋଲୋଜିକୁ ସକ୍ଷମ କରିବା ଉପରେ ସମୀକ୍ଷା କରାଯାଇଛି । ଏଥିରୁ ଜଣାପଡ଼ୁଛି ଯେ ଗବେଷଣା ଗୋଷ୍ଠୀ ଏବେ ବି ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ପ୍ରସଙ୍ଗର ସମ୍ମୁଖୀନ ହେବାକୁ ପଡିବ । ଏମାନଙ୍କ ମଧ୍ୟରୁ ସବୁଠାରୁ ଅଧିକ ପ୍ରାସଙ୍ଗିକ ବିଷୟ ଉପରେ ବିସ୍ତୃତ ଭାବେ ଆଲୋଚନା କରାଯାଇଛି । 2010 ଏଲ୍ସେଭିୟର ବି.ଭି. ସମସ୍ତ ଅଧିକାର ସଂରକ୍ଷିତ. |
839a69a55d862563fe75528ec5d763fb01c09c61 | LSTM କିମ୍ବା ସରଳ କୌଶଳ ବ୍ୟବହାର କରି ଗଣନା କରାଯାଇଥିବା ନିମ୍ନ-ଆକାରର ଭେକ୍ଟର ଇମ୍ବେଡିଂ ହେଉଛି ପାଠର "ଅର୍ଥ"କୁ ଧାରଣ କରିବା ପାଇଁ ଏକ ଲୋକପ୍ରିୟ ପଦ୍ଧତି ଏବଂ ନିମ୍ନସ୍ତରୀୟ କାର୍ଯ୍ୟ ପାଇଁ ଉପଯୋଗୀ ଏକ ଅଣ-ନିରୀକ୍ଷିତ ଶିକ୍ଷଣର ଏକ ରୂପ । କିନ୍ତୁ, ସେମାନଙ୍କର ଶକ୍ତିକୁ ସିଦ୍ଧାନ୍ତିକ ଭାବେ ବୁଝାଯାଇନାହିଁ । ଏହି କାଗଜରେ ରେଖାପଥୀ ଅନ୍ତର୍ଭୁକ୍ତ ଯୋଜନାଗୁଡ଼ିକର ଉପ-ବିଷୟକୁ ଦେଖି ଆନୁଷ୍ଠାନିକ ବୁଝାମଣା ପ୍ରାପ୍ତ ହୋଇଛି । ସଙ୍କୋଚିତ ଅନୁଭୂତିର ସିଦ୍ଧାନ୍ତକୁ ବ୍ୟବହାର କରି ଆମେ ଦେଖାଇଛୁ ଯେ, ପ୍ରତିନିଧିତ୍ୱ କରୁଥିବା ଶବ୍ଦ ଭେକ୍ଟରଗୁଡ଼ିକୁ ମିଶାଇ ପ୍ରସ୍ତୁତ କରାଯାଇଥିବା ପ୍ରତିନିଧିତ୍ୱଗୁଡ଼ିକ ହେଉଛି ମୂଳତଃ ସୂଚନା ସଂରକ୍ଷଣ କରୁଥିବା ରେଖାପଥୀ ମାପଗୁଡ଼ିକର ବ୍ୟାଗ-ଅଫ୍-ଏନ୍-ଗ୍ରାମ୍ (ବୋନ୍-ଜି) ପାଠ୍ୟର ପ୍ରତିନିଧିତ୍ୱ । ଏହାଦ୍ୱାରା LSTM ବିଷୟରେ ଏକ ନୂତନ ଥିଓରିଟି ଫଳାଫଳ ମିଳିଥାଏ: ନିମ୍ନ-ଆକାରର ଏମ୍ବେଡିଙ୍ଗ୍ ଯାହା ନିମ୍ନ-ମେମୋରୀ LSTMରୁ ପ୍ରାପ୍ତ ହୋଇଥାଏ ତାହା ବର୍ଗୀକରଣ କାର୍ଯ୍ୟରେ ଅତି କମରେ ସେତିକି ଶକ୍ତିଶାଳୀ ହୋଇଥାଏ, ଛୋଟ ତ୍ରୁଟି ପର୍ଯ୍ୟନ୍ତ, ଯେପରିକି ଏକ ରେଖୀଗତ ବର୍ଗୀକରଣକାରୀ ଯାହା ବନ୍ ଜି ଭେକ୍ଟର ଉପରେ ହୋଇଥାଏ, ଏକ ଫଳାଫଳ ଯାହା ବ୍ୟାପକ ଅନୁଭବୀ କାର୍ଯ୍ୟ ଏପର୍ଯ୍ୟନ୍ତ ଦେଖାଇବାରେ ଅସମର୍ଥ ହୋଇଛି । ଆମର ପରୀକ୍ଷଣ ଏହି ସିଦ୍ଧାନ୍ତିକ ଫଳାଫଳକୁ ସମର୍ଥନ କରେ ଏବଂ ମାନକ ଆଧାରରେ ଦୃଢ଼, ସରଳ ଏବଂ ନିରୀକ୍ଷଣହୀନ ଆଧାର ନିର୍ଦ୍ଧାରଣ କରେ ଯାହା କିଛି କ୍ଷେତ୍ରରେ ଶବ୍ଦ ସ୍ତରୀୟ ପଦ୍ଧତି ମଧ୍ୟରେ କଳାର ସ୍ଥିତି ଅଟେ । ଆମେ ମଧ୍ୟ GloVe ଏବଂ word2vec ଭଳି ଇମ୍ବେଡର ଏକ ଆଶ୍ଚର୍ଯ୍ୟଜନକ ନୂତନ ଗୁଣ ଦେଖାଇଛୁ: ସେମାନେ ପାଠ୍ୟ ପାଇଁ ଏକ ଭଲ ସେନ୍ସିଂ ମ୍ୟାଟ୍ରିକ୍ସ ଗଠନ କରନ୍ତି ଯାହା ଅନିୟମିତ ମ୍ୟାଟ୍ରିକ୍ସ ଅପେକ୍ଷା ଅଧିକ ଦକ୍ଷ, ମାନକ ବିରଳ ପୁନରୁଦ୍ଧାର ଉପକରଣ, ଯାହା ବ୍ୟାଖ୍ୟା କରିପାରେ ଯେ ସେମାନେ କାହିଁକି ବ୍ୟବହାରରେ ଉନ୍ନତ ପ୍ରତିନିଧିତ୍ୱ କରନ୍ତି _ |
06e04fd496cd805bca69eea2c1977f90afeeef83 | ଆଲଗୋରିଦମୀୟ ନ୍ୟାୟଶୀଳତା ରେ ଅଧିକାଂଶ ପଦ୍ଧତି ମେସିନ ଶିକ୍ଷଣ ପଦ୍ଧତିକୁ ସୀମିତ କରିଥାଏ ତେଣୁ ଫଳସ୍ୱରୂପ ପୂର୍ବାନୁମାନ ନ୍ୟାୟଶୀଳତାର ଅନେକ ଅନ୍ତର୍ଦୃଷ୍ଟିଗତ ଧାରଣା ମଧ୍ୟରୁ ଗୋଟିଏକୁ ସନ୍ତୁଷ୍ଟ କରିଥାଏ । ଯଦିଓ ଏହା ଘରୋଇ କମ୍ପାନୀମାନଙ୍କୁ ଭେଦଭାବ ବିରୋଧୀ ଆଇନ ପାଳନ କରିବାରେ କିମ୍ବା ନକାରାତ୍ମକ ପ୍ରଚାରରୁ ଦୂରେଇ ରହିବାକୁ ସାହାଯ୍ୟ କରିପାରେ, ଆମେ ବିଶ୍ୱାସ କରୁ ଯେ ଏହା ପ୍ରାୟତଃ ବହୁତ କମ୍, ବହୁତ ବିଳମ୍ବରେ । ଯେତେବେଳେ ପ୍ରଶିକ୍ଷଣ ତଥ୍ୟ ସଂଗ୍ରହ କରାଯାଏ, ସେତେବେଳେ ଦୁର୍ବଳ ଶ୍ରେଣୀର ବ୍ୟକ୍ତିମାନେ ସେମାନଙ୍କ ନିୟନ୍ତ୍ରଣ ବାହାରେ ଥିବା କାରଣ ଯୋଗୁଁ ଭେଦଭାବର ଶିକାର ହୋଇଥାନ୍ତି ଏବଂ ସୁଯୋଗ ହରାଇଥାନ୍ତି । ବର୍ତ୍ତମାନର କାର୍ଯ୍ୟରେ ଆମେ ପରିବର୍ତ୍ତେ ଏକ ନୂତନ ସାର୍ବଜନୀନ ନୀତି ଭଳି ହସ୍ତକ୍ଷେପ ଉପରେ ଧ୍ୟାନ କେନ୍ଦ୍ରିତ କରୁଛୁ, ଏବଂ ବିଶେଷକରି, କିପରି ସେମାନଙ୍କର ସକାରାତ୍ମକ ପ୍ରଭାବକୁ ସର୍ବାଧିକ କରିବେ ଏବଂ ସାମଗ୍ରିକ ବ୍ୟବସ୍ଥାର ନ୍ୟାୟପୂର୍ଣ୍ଣତାକୁ ଉନ୍ନତ କରିବେ । ଆମେ ହସ୍ତକ୍ଷେପଗୁଡ଼ିକର ପ୍ରଭାବକୁ ମଡେଲ୍ କରିବା ପାଇଁ କାରଣ-କାରଣ ପଦ୍ଧତି ବ୍ୟବହାର କରିଥାଉ, ଯାହା ସମ୍ଭାବ୍ୟ ହସ୍ତକ୍ଷେପକୁ ଅନୁମତି ଦେଇଥାଏ - ପ୍ରତ୍ୟେକ ବ୍ୟକ୍ତିଙ୍କ ଫଳାଫଳ ହସ୍ତକ୍ଷେପ ଗ୍ରହଣ କରୁଥିବା ଅନ୍ୟ ବ୍ୟକ୍ତିଙ୍କ ଉପରେ ନିର୍ଭର କରିପାରେ । ଆମେ ଏହାକୁ ନ୍ୟୁୟର୍କ ସହରର ସ୍କୁଲର ଡାଟାସେଟ ବ୍ୟବହାର କରି ଶିକ୍ଷାଦାନ ସମ୍ବଳର ଏକ ବଜେଟ ଆବଣ୍ଟନ କରିବାର ଉଦାହରଣ ସହିତ ପ୍ରଦର୍ଶନ କରୁଛୁ । |
44dd6443a07f0d139717be74a98988e3ec80beb8 | ଇଣ୍ଡକ୍ଟିଭ୍ ଲର୍ଣ୍ଣିଂ ପାଇଁ ବର୍ତ୍ତମାନ ଅନେକ ବିକଶିତ ପଦ୍ଧତି ରହିଛି, କିନ୍ତୁ ପ୍ରତ୍ୟେକର ନିର୍ଦ୍ଦିଷ୍ଟ ସୀମାବଦ୍ଧତା ରହିଛି ଯାହା ଅତିକ୍ରମ କରିବା କଷ୍ଟକର । ବହୁ-ନୀତି ଶିକ୍ଷଣ ଏହି ସମସ୍ୟାକୁ ସମାଧାନ କରିବା ପାଇଁ ଚେଷ୍ଟା କରେ, ଏକାଧିକ ପଦ୍ଧତିକୁ ଗୋଟିଏ ଆଲଗୋରିଦମରେ ମିଶାଇ । ଏହି ଲେଖାରେ ଦୁଇଟି ବହୁଳ ଭାବେ ବ୍ୟବହୃତ ଅନୁଭବୀ ପଦ୍ଧତିର ଏକୀକରଣ ବର୍ଣ୍ଣନା କରାଯାଇଛି: ନିୟମ ଅନୁପ୍ରାଣିତ ଏବଂ ଉଦାହରଣ ଆଧାରିତ ଶିକ୍ଷା । ନୂତନ ଆଲଗୋରିଦମରେ, ଉଦାହରଣଗୁଡ଼ିକୁ ସର୍ବାଧିକ ନିର୍ଦ୍ଦିଷ୍ଟ ନିୟମ ଭାବରେ ବିବେଚନା କରାଯାଏ ଏବଂ ଶ୍ରେଣୀକରଣ ସର୍ବୋତ୍ତମ ମେଳଣ ରଣନୀତି ବ୍ୟବହାର କରି କରାଯାଏ । ନିୟମଗୁଡିକୁ ଧିରେ ଧିରେ ସାଧାରଣ କରି ଶିଖାଯାଏ ଯେପର୍ଯ୍ୟନ୍ତ ସ୍ପଷ୍ଟ ସଠିକତା ଉନ୍ନତ ନହୁଏ । ଏହି ତତ୍ତ୍ୱଜ୍ଞାନିକ ବିଶ୍ଳେଷଣରୁ ଏହି ଉପାୟଟି ପ୍ରଭାବଶାଳୀ ବୋଲି ଜଣାପଡିଛି । ଏହା ରାଇଜ୍ ୩.୧ ସିଷ୍ଟମରେ କାର୍ଯ୍ୟକାରୀ କରାଯାଇଛି । ଏକ ବ୍ୟାପକ ଅନୁଭବୀ ଅଧ୍ୟୟନରେ, RISE ଏହାର ଉଭୟ ମୂଳ ପଦ୍ଧତି (PEBLS ଏବଂ CN2) ର ଅତ୍ୟାଧୁନିକ ପ୍ରତିନିଧିମାନଙ୍କ ସହିତ ନିଷ୍ପତ୍ତି ଗଛ ଶିକ୍ଷାର୍ଥୀ (C4.5) ଅପେକ୍ଷା ସ୍ଥିର ଭାବରେ ଉଚ୍ଚ ସଠିକତା ହାସଲ କରେ । କ୍ଷୟକ୍ଷତି ଅଧ୍ୟୟନରୁ ଜଣାପଡିଛି ଯେ RISE ର ପ୍ରତ୍ୟେକ ଉପାଦାନ ଏହି କାର୍ଯ୍ୟ ପାଇଁ ଆବଶ୍ୟକ । ସବୁଠାରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କଥା ହେଲା, ଅଧ୍ୟୟନ କରାଯାଇଥିବା ୩୦ଟି କ୍ଷେତ୍ର ମଧ୍ୟରୁ ୧୪ଟିରେ RISE PEBLS ଓ CN2ର ସର୍ବୋତ୍ତମ ଠାରୁ ଅଧିକ ସଠିକ ଅଟେ । |
b38ac03b806a291593c51cb51818ce8e919a1a43 | |
4debb3fe83ea743a888aa2ec8f4252bbe6d0fcb8 | ଓପନ ସୋର୍ସ ସଫ୍ଟୱେର (ଓଏସଏସ) ନିକଟରେ ବ୍ୟବସାୟିକ ସ୍ୱାର୍ଥର ବିଷୟ ପାଲଟିଛି । ନିଶ୍ଚିତ ଭାବେ, ସଫ୍ଟୱେୟାର ସଙ୍କଟର ମୂଳ ସମସ୍ୟାକୁ ସମାଧାନ କରିବାରେ ଓଏସଏସ ବହୁତ ଆଶାନୁରୂପ ମନେହୁଏ, ଯଥା ସଫ୍ଟୱେୟାର ବିକାଶରେ ଅଧିକ ସମୟ ଲାଗିବା, ଏହାର ବଜେଟକୁ ଅତିକ୍ରମ କରିବା ଏବଂ ଭଲ ଭାବରେ କାମ ନକରିବା । ବାସ୍ତବରେ, ଅନେକ ଉଦାହରଣ ରହିଛି ଯେଉଁଠି ଓଏସଏସ ସଫଳତାର କାହାଣୀ ରହିଛି-ଲିନକ୍ସ ଅପରେଟିଂ ସିଷ୍ଟମ, ଆପାଚି ୱେବ ସର୍ଭର, ବିଣ୍ଡ ଡୋମେନ ନାମ ରିଜୋଲ୍ୟୁସନ ୟୁଟିଲିଟି, କେବଳ କିଛି ନାମ ଉଲ୍ଲେଖ କରିବା ପାଇଁ । କିନ୍ତୁ ଏ ପର୍ଯ୍ୟନ୍ତ ଓଏସଏସ ଉପରେ କୌଣସି ପ୍ରକାରର କଠୋର ଶିକ୍ଷାଗତ ଗବେଷଣା କରାଯାଇନାହିଁ । ଏହି ଅଧ୍ୟୟନରେ, ଦୁଇଟି ପୂର୍ବବର୍ତ୍ତୀ ଢାଞ୍ଚାରୁ ଏକ ଢାଞ୍ଚା ସୃଷ୍ଟି କରାଯାଇଥିଲା ଯାହା ଆଇଏସ କ୍ଷେତ୍ରରେ ଅତ୍ୟନ୍ତ ପ୍ରଭାବଶାଳୀ ଥିଲା, ଯଥା ଜାଚମ୍ୟାନ୍ଙ୍କ ଆଇଏସ ଆର୍କିଟେକଚର (ଆଇଏସଏ) ଏବଂ ସଫ୍ଟ ସିଷ୍ଟମ୍ ମେଟୋଲୋଜି (ଏସଏସଏମ) ରୁ ଚେକଲାଣ୍ଡର କ୍ୟାଟୱୋଏ ଫ୍ରେମୱାର୍କ । ଏହି ଫଳାଫଳ ଆଧାରରେ ଓଏସଏସ ଆଭିମୁଖ୍ୟକୁ ବିସ୍ତୃତ ଭାବେ ବିଶ୍ଳେଷଣ କରାଯାଇଥାଏ । ଓଏସଏସ ଗବେଷଣାର ସମ୍ଭାବ୍ୟ ଭବିଷ୍ୟତ ଉପରେ ମଧ୍ୟ ଆଲୋଚନା କରାଯାଇଛି । |
4bd48f4438ba7bf731e91cb29508a290e938a1d0 | ୨.୪ ଗିଗାହର୍ଜ ୱିଲ୍ୟାଣ୍ଡ୍ ଆକ୍ସେସ୍ ପଏଣ୍ଟ ଆପ୍ଲିକେସନ୍ ପାଇଁ ଏକ ସର୍କୁଲାର ପୋଲାରାଇଜେସନ୍ (ସିପି) ର ଏକ କମ୍ପାକ୍ଟ ଓମନି-ଡାଇରେକ୍ସନାଲ୍ ଆଣ୍ଟିନା ଉପସ୍ଥାପିତ କରାଯାଇଛି । ଆଣ୍ଟିନା ଚାରିଟି ମୋନୋପଲକୁ ବକ୍ର କରି ରଖିଥାଏ ଏବଂ ଏକ ସମୟରେ ଏହି ଚାରିଟି ମୋନୋପଲକୁ ଉତ୍ତେଜିତ କରୁଥିବା ଏକ ଫିଡିଂ ନେଟୱାର୍କ ଥାଏ । ସିପି ଆଣ୍ଟେନାର ବୈଦ୍ୟୁତିକ ଆକାର କେବଳ λ<sub>0</sub>/5×λ<sub>0</sub>/5×λ<sub>0</sub>/13 ଅଟେ । ଇମ୍ପେଡେନ୍ସ ବ୍ୟାଣ୍ଡୱିଡଥ୍ (Sgadgadgadgad <sub>11</sub>gadgad <;-10 dB) ହେଉଛି 3.85% (2.392 GHzରୁ 2.486 GHz) ଏବଂ ଆକ୍ସିୟଲ ଅନୁପାତ ଆଜିମଥ୍ ପ୍ଲେନରେ କାର୍ଯ୍ୟ ବ୍ୟାଣ୍ଡରେ 0.5 dBରୁ କମ୍ ଅଟେ । |
0015fa48e4ab633985df789920ef1e0c75d4b7a8 | ଚିହ୍ନଟ (CVPR 97ର କାର୍ଯ୍ୟାବଳୀରେ ୧୭-୧୯ ଜୁନ୍, ୧୯୯୭, ପୁଏରୋଟୋ ରିକୋରେ ପ୍ରକାଶିତ ହେବ) ଏଡଗାର ଓସୋନାଇ? ରବର୍ଟ ଫ୍ରଏଣ୍ଡ ? ଫେଡେରିକୋ ଗିରୁସିୟ ବାୟୋଲୋଜିକାଲ ଏବଂ କମ୍ପ୍ୟୁଟେସନାଲ ଲର୍ଣ୍ଣିଂ ଏବଂ ଅପରେସନ୍ସ ରିସର୍ଚ୍ଚ ସେଣ୍ଟର, ମାସାଚୁସେଟସ ଇନଷ୍ଟିଚ୍ୟୁଟ ଅଫ ଟେକ୍ନୋଲୋଜି, କେମ୍ବ୍ରିଜ, ଏମଏ, ୦୨୧୩୯, ଯୁକ୍ତରାଷ୍ଟ୍ର ଆମେରିକା ସାରାଂଶ ଆମେ କମ୍ପ୍ୟୁଟର ଭିଜନରେ ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ (ଏସଭିଏମ) ର ପ୍ରୟୋଗ ଉପରେ ଗବେଷଣା କରୁଛୁ । ଏସଭିଏମ୍ ହେଉଛି ଭି. ଭାପନିକ ଏବଂ ତାଙ୍କ ଟିମ୍ (ଏଟି ଆଣ୍ଡ ଟି ବେଲ୍ ଲ୍ୟାବ୍) ଦ୍ୱାରା ବିକଶିତ ଏକ ଶିକ୍ଷଣ କୌଶଳ । ଯାହା ଏକ ନୂଆ ପଦ୍ଧତି ଭାବେ ବହୁପଦ, ନ୍ୟୁରାଲ ନେଟୱାର୍କ, କିମ୍ବା ରେଡିୟଲ ବେସିସ ଫଙ୍କସନ ଶ୍ରେଣୀକରଣ ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ । ନିଷ୍ପତ୍ତିର ପୃଷ୍ଠଗୁଡ଼ିକ ଏକ ସରଳ ଭାବରେ ସୀମିତ ଚତୁର୍ଦ୍ଦଶିକ ପ୍ରୋଗ୍ରାମିଂ ସମସ୍ୟା ସମାଧାନ କରି ମିଳିଥାଏ । ଏହି ଅପ୍ଟିମାଇଜେସନ୍ ସମସ୍ୟାଟି ଚ୍ୟାଲେଞ୍ଜିଂ କାରଣ ଚତୁର୍ଦ୍ଦଶିକ ଫର୍ମଟି ସମ୍ପୂର୍ଣ୍ଣ ଘନ ଏବଂ ଡାଟା ପଏଣ୍ଟ ସଂଖ୍ୟା ବର୍ଗ ସହିତ ସ୍ମୃତି ଆବଶ୍ୟକତା ବଢ଼ିଥାଏ । ଆମେ ଏକ ବିଭାଜନ ଆଲଗୋରିଦମ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ବିଶ୍ୱସ୍ତରୀୟ ସର୍ବୋତ୍ତମତାକୁ ଗ୍ୟାରେଣ୍ଟି ଦେଇଥାଏ, ଏବଂ ଏହାକୁ ଅତି ବଡ଼ ଡାଟା ସେଟ୍ ଉପରେ SVM କୁ ତାଲିମ ଦେବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ । ବିଭାଜନ ପଛରେ ମୁଖ୍ୟ ଧାରଣା ହେଉଛି ଉପ-ପ୍ରସଙ୍ଗର ପୁନରାବୃତ୍ତି ସମାଧାନ ଏବଂ ସର୍ବୋତ୍ତମତାର ସ୍ଥିତିର ମୂଲ୍ୟାଙ୍କନ ଯାହାକି ଉନ୍ନତ ପୁନରାବୃତ୍ତି ମୂଲ୍ୟ ସୃଷ୍ଟି କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୁଏ, ଏବଂ ଆଲଗୋରିଦମ ପାଇଁ ଷ୍ଟପିଂ ମାନଦଣ୍ଡ ମଧ୍ୟ ସ୍ଥାପନ କରେ । ଆମେ SVM ର ପ୍ରୟୋଗର ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଉପସ୍ଥାପନ କରୁଛୁ, ଏବଂ ଆମର ଆଭିମୁଖ୍ୟର କାର୍ଯ୍ୟକାରିତା ପ୍ରଦର୍ଶନ କରୁଛୁ ଯାହା 50,000 ଡାଟା ପଏଣ୍ଟର ଡାଟା ସେଟ୍ ଅନ୍ତର୍ଭୁକ୍ତ କରେ । |
ca74a59166af72a14af031504e31d86c7953dc91 | |
0122e063ca5f0f9fb9d144d44d41421503252010 | ବିନା ତଦାରଖରେ ବୈଶିଷ୍ଟ୍ୟ ଶିକ୍ଷା ଓ ଗଭୀର ଶିକ୍ଷା କ୍ଷେତ୍ରରେ ସାମ୍ପ୍ରତିକ କାର୍ଯ୍ୟ ଦର୍ଶାଇଛି ଯେ ବଡ଼ ମଡେଲକୁ ପ୍ରଶିକ୍ଷଣ ଦେବା ଦ୍ୱାରା କାର୍ଯ୍ୟଦକ୍ଷତା ବୃଦ୍ଧି ପାଇଥାଏ । ଏହି ଅଧ୍ୟୟନରେ ଆମେ ଦଶ ହଜାର ସିପିୟୁ କୋର ବ୍ୟବହାର କରି କୋଟି କୋଟି ପାରାମିଟର ସହିତ ଏକ ଗଭୀର ନେଟୱାର୍କକୁ ପ୍ରଶିକ୍ଷଣ କରିବାର ସମସ୍ୟା ଉପରେ ବିଚାର କରୁଛୁ । ଆମେ ଏକ ସଫ୍ଟୱେର୍ ଫ୍ରେମୱାର୍କ ବିକଶିତ କରିଛୁ ଯାହାକୁ ଡିଷ୍ଟବିଲିଫ୍ କୁହାଯାଏ ଯାହା ହଜାର ହଜାର ମେସିନ୍ ସହିତ କମ୍ପ୍ୟୁଟିଂ କ୍ଲଷ୍ଟର ବ୍ୟବହାର କରି ବଡ଼ ମଡେଲକୁ ତାଲିମ ଦେଇଥାଏ । ଏହି ଢାଞ୍ଚା ମଧ୍ୟରେ, ଆମେ ବଡ଼ ଆକାରର ବଣ୍ଟିତ ତାଲିମ ପାଇଁ ଦୁଇଟି ଆଲଗୋରିଦମ ବିକଶିତ କରିଛୁ: (i) ଡାଉନପୋର୍ ଏସ୍ଜିଡି, ଏକ ଅସନ୍ତୁଳିତ ଷ୍ଟୋକାଷ୍ଟିକ୍ ଗ୍ରାଡିଏଣ୍ଟ ଅବତରଣ ପ୍ରକ୍ରିୟା ଯାହା ବହୁ ସଂଖ୍ୟକ ମଡେଲ ପ୍ରତିକୃତିକୁ ସମର୍ଥନ କରେ, ଏବଂ (ii) ସ୍ୟାଣ୍ଡବ୍ଲାଷ୍ଟର୍, ଏକ ଢାଞ୍ଚା ଯାହା ବିଭିନ୍ନ ବଣ୍ଟିତ ବ୍ୟାଚ୍ ଅପ୍ଟିମାଇଜେସନ୍ ପ୍ରକ୍ରିୟାକୁ ସମର୍ଥନ କରେ, ଯେଉଁଥିରେ L-BFGS ର ବଣ୍ଟିତ କାର୍ଯ୍ୟକାରିତା ଅନ୍ତର୍ଭୁକ୍ତ _ ଡାଉନପୋର୍ ଏସଜିଡି ଏବଂ ସ୍ୟାଣ୍ଡବ୍ଲାଷ୍ଟର ଏଲ-ବିଏଫଜିଏସ ଉଭୟ ଗଭୀର ନେଟୱାର୍କ ପ୍ରଶିକ୍ଷଣର ଆକାର ଏବଂ ଗତିକୁ ବୃଦ୍ଧି କରନ୍ତି । ଆମେ ସଫଳତା ପୂର୍ବକ ଆମର ସିଷ୍ଟମକୁ ବ୍ୟବହାର କରି ଏକ ଗଭୀର ନେଟୱାର୍କକୁ ପ୍ରଶିକ୍ଷଣ ଦେଇଛୁ ଯାହା ସାହିତ୍ୟରେ ପୂର୍ବରୁ ରିପୋର୍ଟ କରାଯାଇଥିବା 30x ଠାରୁ ବଡ ଏବଂ 16 ମିଲିୟନ ପ୍ରତିଛବି ଏବଂ 21k ବର୍ଗ ସହିତ ଏକ ଭିଜୁଆଲ୍ ଅବଜେକ୍ଟ ଚିହ୍ନଟ କାର୍ଯ୍ୟ, ଇମେଜ୍ ନେଟରେ ଅତ୍ୟାଧୁନିକ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରିଛି। ଆମେ ଦେଖାଇଲୁ ଯେ ଏହି ସମାନ କୌଶଳଗୁଡ଼ିକ ଏକ କମର୍ସିଆଲ ସ୍ପିଚ୍ ରେକଗନିସନ ସେବା ପାଇଁ ଏକ ଅଧିକ ସାମାନ୍ୟ ଆକାରର ଗଭୀର ନେଟୱାର୍କର ପ୍ରଶିକ୍ଷଣକୁ ନାଟକୀୟ ଭାବରେ ତ୍ୱରାନ୍ୱିତ କରିଥାଏ । ଯଦିଓ ଆମେ ଏହି ପଦ୍ଧତିଗୁଡ଼ିକର କାର୍ଯ୍ୟଦକ୍ଷତା ଉପରେ ଧ୍ୟାନ ଦେଇଛୁ ଏବଂ ରିପୋର୍ଟ କରିଛୁ ଯେପରିକି ବଡ଼ ନ୍ୟୁରାଲ ନେଟୱାର୍କକୁ ତାଲିମ ଦେବା ପାଇଁ ପ୍ରୟୋଗ କରାଯାଇଛି, ମୂଳ ଆଲଗୋରିଦମଗୁଡ଼ିକ ଯେକୌଣସି ଗ୍ରାଡିଏଣ୍ଟ-ଆଧାରିତ ମେସିନ୍ ଶିକ୍ଷଣ ଆଲଗୋରିଦମ ପାଇଁ ପ୍ରଯୁଜ୍ୟ ଅଟେ । |
f5fca08badb5f182bfc5bc9050e786d40e0196df | ଏକ ୱାୟାରଲେସ୍ ସେନସର ନେଟୱର୍କ ଉପରେ ଆଧାରିତ ଜଳ ପରିବେଶ ମନିଟରିଂ ସିଷ୍ଟମ ପାଇଁ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । ଏଥିରେ ତିନୋଟି ଭାଗ ରହିଛି: ଡାଟା ମନିଟରିଂ ନୋଡ, ଡାଟା ବେସ ଷ୍ଟେସନ ଏବଂ ରିମୋଟ ମନିଟରିଂ ସେଣ୍ଟର । ଏହି ବ୍ୟବସ୍ଥା ଜଳାଶୟ, ହ୍ରଦ, ନଦୀ, ଜଳାଶୟ, ମଇଳା ଜଳ, ଏବଂ ଗଭୀର କିମ୍ବା ନିବିଡ଼ ଭୂତଳ ଜଳ ପରି ଜଟିଳ ଏବଂ ବୃହତ ଜଳ ପରିବେଶ ନିରୀକ୍ଷଣ ପାଇଁ ଉପଯୁକ୍ତ । ଏହି ଦସ୍ତାବିଜରେ ଆମର ନୂତନ ଜଳ ପରିବେଶ ମନିଟରିଂ ସିଷ୍ଟମ ଡିଜାଇନ ପାଇଁ ବ୍ୟାଖ୍ୟା ଏବଂ ଚିତ୍ରଣ କରାଯାଇଛି । ଏହି ବ୍ୟବସ୍ଥା ଦ୍ୱାରା କୃତ୍ରିମ ହ୍ରଦର ଜଳ ତାପମାତ୍ରା ଏବଂ ପିଏଚ ମୂଲ୍ୟର ଅନଲାଇନ ସ୍ୱୟଂକ୍ରିୟ ଅନୁଧ୍ୟାନ ସଫଳତାର ସହ ସମ୍ପନ୍ନ ହୋଇଛି । ଏହି ସିଷ୍ଟମର ମାପ କ୍ଷମତା ଜଳ ତାପମାତ୍ରା ପାଇଁ ୦ରୁ ୮୦ ଡିଗ୍ରୀ ସେଲସିୟସ ପର୍ଯ୍ୟନ୍ତ ରହିଛି, ଯାହାର ସଠିକତା ±୦.୫ ଡିଗ୍ରୀ ସେଲସିୟସ ରହିଛି; pH ମୂଲ୍ୟ ପାଇଁ ୦ରୁ ୧୪ ଡିଗ୍ରୀ ସେଲସିୟସ ରହିଛି, ଯାହାର ସଠିକତା ±୦.୦୫ pH ୟୁନିଟ ରହିଛି । ବିଭିନ୍ନ ଜଳ ଗୁଣବତ୍ତା ଦୃଶ୍ୟପଟ୍ଟ ପାଇଁ ଉପଯୋଗୀ ସେନସର ନୋଡରେ ସ୍ଥାପିତ କରାଯିବା ଉଚିତ ଯାହାଦ୍ୱାରା ବିଭିନ୍ନ ଜଳ ପରିବେଶର ମନିଟରିଂ ଆବଶ୍ୟକତା ପୂରଣ କରାଯାଇପାରିବ ଏବଂ ବିଭିନ୍ନ ପାରାମିଟର ପ୍ରାପ୍ତ କରାଯାଇପାରିବ । ଏହିପରି ଭାବେ ଏହି ନିରୀକ୍ଷଣ ବ୍ୟବସ୍ଥା ବ୍ୟାପକ ପ୍ରୟୋଗ ସମ୍ଭାବନା ପ୍ରଦାନ କରୁଛି । |
0969bae35536395aff521f6fbcd9d5ff379664e3 | ଆମେ ମଲ୍ଟି-ରେଡିଓ, ମଲ୍ଟି-ହାପ୍ ୱାୟାରଲେସ୍ ନେଟୱାର୍କରେ ରୁଟିଙ୍ଗ ପାଇଁ ଏକ ନୂତନ ମେଟ୍ରିକ ଉପସ୍ଥାପନ କରୁଛୁ । ଆମେ ସ୍ଥିର ନୋଡ ଥିବା ବେତାର ନେଟୱାର୍କ ଉପରେ ଧ୍ୟାନ ଦେଇଥାଉ, ଯେପରିକି କମ୍ୟୁନିଟି ବେତାର ନେଟୱାର୍କ । ଏହି ମେଟ୍ରିକର ଲକ୍ଷ୍ୟ ହେଉଛି ଉତ୍ସ ଏବଂ ଲକ୍ଷ୍ୟସ୍ଥଳ ମଧ୍ୟରେ ଏକ ଉଚ୍ଚ-ପ୍ରବାହ ପଥ ବାଛିବା । ଆମର ମେଟ୍ରିକ ଲିଙ୍କ ଉପରେ ଏକ ପ୍ୟାକେଟର ଆଶା କରାଯାଉଥିବା ପ୍ରସାରଣ ସମୟ (ETT) ଆଧାରରେ ପୃଥକ ଲିଙ୍କକୁ ଓଜନ ପ୍ରଦାନ କରିଥାଏ । ETT ହେଉଛି ହାନି ହାର ଏବଂ ଲିଙ୍କର ବ୍ୟାଣ୍ଡୱିଡଥର ଏକ ଫଙ୍କସନ । ବ୍ୟକ୍ତିଗତ ଲିଙ୍କ ଓଜନକୁ ଏକ ପଥ ମେଟ୍ରିକରେ ମିଶ୍ରଣ କରାଯାଇଥାଏ ଯାହାକୁ ଓଜନଯୁକ୍ତ ସମୁଦାୟ ଇଟିଟି (ୱିସିଇଟିଟି) କୁହାଯାଏ ଯାହା ସ୍ପଷ୍ଟ ଭାବରେ ସେହି ଚ୍ୟାନେଲ ବ୍ୟବହାର କରୁଥିବା ଲିଙ୍କ ମଧ୍ୟରେ ହସ୍ତକ୍ଷେପକୁ ବର୍ଣ୍ଣନା କରିଥାଏ । WCETT ମେଟ୍ରିକକୁ ଆମେ ମଲ୍ଟି-ରେଡିଓ ଲିଙ୍କ-କ୍ୱାଲିଟି ସୋର୍ସ ରୁଟିଙ୍ଗ ନାମକ ଏକ ରୁଟିଙ୍ଗ ପ୍ରୋଟୋକଲରେ ସାମିଲ କରିଛୁ । ଆମେ ଏହାକୁ 23ଟି ନୋଡରେ ବିନିଯୋଗ କରି ମେଟ୍ରିକର କାର୍ଯ୍ୟଦକ୍ଷତା ଉପରେ ଅଧ୍ୟୟନ କରିଛୁ । ପ୍ରତ୍ୟେକ ନୋଡରେ ଦୁଇଟି 802.11 ୱାୟାରଲେସ କାର୍ଡ ରହିଛି । ଆମେ ପାଇଲୁ ଯେ ଏକ ମଲ୍ଟି-ରେଡିଓ ପରିବେଶରେ, ଆମର ମେଟ୍ରିକ ପୂର୍ବ ପ୍ରସ୍ତାବିତ ରୁଟିଙ୍ଗ ମେଟ୍ରିକ୍ସକୁ ଯଥେଷ୍ଟ ଉନ୍ନତ କରିଥାଏ ଦ୍ୱିତୀୟ ରେଡିଓର ଯଥାର୍ଥ ବ୍ୟବହାର କରି । |
3a01f9933066f0950435a509c2b7bf427a1ebd7f | ଏହି ଅଧ୍ୟୟନରେ ଆମେ ତଥ୍ୟ ପ୍ରତ୍ୟାହାର ପାଇଁ ଏକ ନୂଆ ଉପାୟ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହାଦ୍ୱାରା ମନିଟରର ଏଲଇଡିରୁ ସ୍ମାର୍ଟଫୋନର କ୍ୟାମେରାକୁ ତଥ୍ୟ ଲିକ୍ କରାଯାଇପାରିବ । ଏହି ନୂଆ ଆଭିମୁଖ୍ୟକୁ ଆଡଭାନ୍ସଡ୍ ପର୍ସିଷ୍ଟାଣ୍ଟ ଥ୍ରେଟ (ଏପିଟି) ର ଅଂଶ ଭାବରେ ଆକ୍ରମଣକାରୀମାନେ ବ୍ୟବହାର କରିପାରନ୍ତି । ଏହି କାଗଜରେ କଳ୍ପନା ର ପ୍ରମାଣ ବର୍ଣ୍ଣନା କରାଯାଇଛି, ଏହା ପରେ ଏକ ପରୀକ୍ଷଣର ବର୍ଣ୍ଣନା କରାଯାଇଛି ଯାହା ଦର୍ଶାଉଛି ଯେ ଲୋକମାନେ ଆକ୍ରମଣ ବିଷୟରେ ଅବଗତ ନୁହଁନ୍ତି । ଆମେ ଏଭଳି ଉପାୟମାନ ପ୍ରସ୍ତାବିତ କରୁଛୁ ଯାହାଦ୍ୱାରା ଏହିପରି ବିପଦଗୁଡିକର ଚିହ୍ନଟ ସହଜ ହୋଇପାରିବ ଏବଂ କିଛି ସମ୍ଭାବ୍ୟ ପ୍ରତିରୋଧକ ଉପାୟ ମଧ୍ୟ ପ୍ରସ୍ତୁତ କରାଯାଇପାରିବ । |
698b8181cd613a72adeac0d75252afe7f57a5180 | ଆମେ ଦୁଇଟି ନୂତନ ସମାନ୍ତରାଳ କାର୍ଯ୍ୟାନ୍ୱୟନ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ବୃକ୍ଷ-ସମୂହ ଆଲଗୋରିଦମ ରାଣ୍ଡମ ଫରେଷ୍ଟ (ଆରଏଫ) ଏବଂ ଅତି ରାଣ୍ଡମାଇଜଡ ଟ୍ରି (ଇଆରଟି) କୁ ଉଦୀୟମାନ ବହୁ-କୋର ପ୍ଲାଟଫର୍ମ ପାଇଁ ଉପଯୋଗୀ କରିଥାଏ, ଉଦାହରଣ ସ୍ୱରୂପ, ସାଧାରଣ ଉଦ୍ଦେଶ୍ୟ କମ୍ପ୍ୟୁଟିଂ (ଜିପିଜିପିୟୁ) ପାଇଁ ଉପଯୁକ୍ତ ସମସାମୟିକ ଗ୍ରାଫିକ୍ସ କାର୍ଡ । ରାଣ୍ଡମ ଫରେଷ୍ଟ ଏବଂ ଅତି ରାଣ୍ଡମାଇଜଡ ଟ୍ରୀ ହେଉଛି ଶ୍ରେଣୀବିଭାଗ ଏବଂ ରିଗ୍ରେସନ ପାଇଁ ଏକସଙ୍ଗ ଶିକ୍ଷାର୍ଥୀ । ସେମାନେ ତାଲିମ ସମୟରେ ଅନେକ ନିର୍ଣ୍ଣୟ ଗଛ ନିର୍ମାଣ କରି କାର୍ଯ୍ୟ କରନ୍ତି ଏବଂ ବ୍ୟକ୍ତିଗତ ଗଛର ଫଳାଫଳକୁ ତୁଳନା କରି ଏକ ପୂର୍ବାନୁମାନ ବାହାର କରନ୍ତି । ଏହି କାର୍ଯ୍ୟର ଅନ୍ତର୍ନିହିତ ସମାନ୍ତରାଳତା ହେତୁ, ଏହାର ଗଣନା ପାଇଁ ଏକ ସ୍ପଷ୍ଟ ପ୍ଲାଟଫର୍ମ ହେଉଛି ବହୁ ସଂଖ୍ୟକ ପ୍ରୋସେସିଂ କୋର୍ ସହିତ ସମସାମୟିକ GPU ବ୍ୟବହାର କରିବା । ସାହିତ୍ୟରେ ରାଣ୍ଡମ ଫରେଷ୍ଟ ପାଇଁ ପୂର୍ବବର୍ତ୍ତୀ ସମାନ୍ତରାଳ ଆଲଗୋରିଦମ ପାରମ୍ପରିକ ମଲ୍ଟି-କୋର ସିପିୟୁ ପ୍ଲାଟଫର୍ମ କିମ୍ବା ପ୍ରାରମ୍ଭିକ ଇତିହାସ ଜିପିୟୁ ପାଇଁ ସରଳ ହାର୍ଡୱେୟାର ସ୍ଥାପତ୍ୟ ଏବଂ ଅପେକ୍ଷାକୃତ ଅଳ୍ପ ସଂଖ୍ୟାକ କୋର ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି । ନୂତନ ସମାନ୍ତରାଳ ଆଲଗୋରିଦମ ସମସାମୟିକ GPU ପାଇଁ ବହୁ ସଂଖ୍ୟକ କୋର ସହିତ ଡିଜାଇନ୍ କରାଯାଇଛି ଏବଂ ନୂତନ ହାର୍ଡୱେର୍ ଆର୍କିଟେକଚର୍ ଯଥା ମେମୋରୀ ହିରାର୍କି ଏବଂ ଥ୍ରେଡ୍ ସିଡ୍ୟୁଲିଂର ଦିଗଗୁଡ଼ିକୁ ଧ୍ୟାନରେ ରଖିଥାଏ । ଏଗୁଡ଼ିକ ସି/ସି++ ଭାଷା ଏବଂ ସିୟୁଡିଏ ଇଣ୍ଟରଫେସ ବ୍ୟବହାର କରି ଏନ୍ଭିଡିଆ ଆଧାରିତ ଜିପିୟୁରେ ସର୍ବୋତ୍ତମ କାର୍ଯ୍ୟଦକ୍ଷତା ପାଇଁ କାର୍ଯ୍ୟକାରୀ କରାଯାଇଛି । ସିପିୟୁ ଏବଂ ଜିପିୟୁ ପ୍ଲାଟଫର୍ମ ପାଇଁ ସବୁଠାରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପୂର୍ବବର୍ତ୍ତୀ ସମାଧାନ ସହିତ ତୁଳନା କରୁଥିବା ଏକ ପରୀକ୍ଷାମୂଳକ ଅଧ୍ୟୟନ ନୂତନ କାର୍ଯ୍ୟାନ୍ୱୟନ ପାଇଁ ଅନେକଗୁଡ଼ିଏ ପରିମାଣର ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଉନ୍ନତି ଦେଖାଏ । |
1b4e04381ddd2afab1660437931cd62468370a98 | ଭାଷାଗତ ଗବେଷଣାର ଅନେକ କ୍ଷେତ୍ରରେ, ଭାଷାର କିଛି ଅଂଶକୁ ନେଇ ସୂଚନା ଥିବା ଲେଖା କୋରୋସ୍ ଉପଯୋଗୀ ହୋଇଥାଏ । ଏହି ଲେଖାରେ, ଏକ ନୂତନ ପାର୍ଟ-ଅଫ-ସ୍ପିଚ୍ ଟ୍ୟାଗିଂ ପଦ୍ଧତିକୁ ନ୍ୟୁରାଲ ନେଟୱାର୍କ (ନେଟ୍-ଟ୍ୟାଗର୍) ରେ ଉପସ୍ଥାପିତ କରାଯାଇଛି ଏବଂ ଏହାର କାର୍ଯ୍ୟଦକ୍ଷତା ଏକ llMM-ଟ୍ୟାଗର୍ (କଟିଂ ଏଟ ଅଲ, 1992) ଏବଂ ଏକ ଟ୍ରିଗ୍ରାମ ଆଧାରିତ ଟ୍ୟାଗର୍ (କେମ୍ପେ, 1993) ସହିତ ତୁଳନା କରାଯାଇଛି । ଏହା ଦର୍ଶାଯାଇଛି ଯେ ନେଟ-ଟ୍ୟାଗର୍ ଟ୍ରିଗ୍ରାମ ଆଧାରିତ ଟ୍ୟାଗର୍ ଭଳି ଏବଂ ଆଇଆଇଏମଏମ-ଟ୍ୟାଗର୍ ଠାରୁ ଭଲ ଭାବରେ କାର୍ଯ୍ୟ କରିଥାଏ । |
68ba338be70fd3c5bdbc1c271243740f2e0a0f0c | ଆମେ ଦ୍ରୁତ ଅନୁମାନିତ ଉତ୍ତର ସୃଷ୍ଟି କରିବା ପାଇଁ ଏକ ସମସ୍ୟା ଉପରେ ଗବେଷଣା କରୁଛୁ । ଆମେ ବିଶେଷକରି ଏହି ସମସ୍ୟା ପାଇଁ ସମ୍ଭାବ୍ୟତା ଆଧାରିତ ମୋଡ୍-l ଆଭିମୁଖ୍ୟ ଉପରେ ଧ୍ୟାନ ଦେଇଛୁ ଏବଂ ଅନେକ କୌଶଳ ବିକଶିତ କରିଛୁ ଯାହା ଏକ ମୂଳ ସ୍ୱାଧୀନତା ମଡେଲ ଅପେକ୍ଷା ଯଥେଷ୍ଟ ଅଧିକ ସଠିକ୍ ଅଟେ । ବିଶେଷକରି, ଆମେ ଦୁଇ ପ୍ରକାର କୌଶଳ ବ୍ୟବହାର କରି ବାରମ୍ବାର ଆଇଟମ ସେଟରୁ ସମ୍ଭାବ୍ୟତା ମଡେଲ ତିଆରି କରିବା ପାଇଁ ଉପସ୍ଥାପନ କରୁଛୁ: ଆଇଟମ ସେଟ ସର୍ବାଧିକ ଏଣ୍ଟ୍ରୋପି ପଦ୍ଧତି ଏବଂ ଆଇଟମ ସେଟ ଅନ୍ତର୍ଭୁକ୍ତୀକରଣ-ବିକଳ୍ପ ମଡେଲ । ସର୍ବାଧିକ ଏଣ୍ଟ୍ରୋପି ପଦ୍ଧତିରେ ଆମେ ଆଇଟମ ସେଟକୁ ପ୍ରଶ୍ନକୃତ ଭେରିଏବଲ ବଣ୍ଟନର ପ୍ରତିବନ୍ଧକ ଭାବରେ ବ୍ୟବହାର କରିଥାଉ ଏବଂ ସର୍ବାଧିକ ଏଣ୍ଟ୍ରୋପି ସିଦ୍ଧାନ୍ତକୁ ବ୍ୟବହାର କରି ଅନ୍ଲାଇନ୍ରେ ଟ୍ରିବ୍ୟୁଟ୍ସରେ ପ୍ରଶ୍ନ ପାଇଁ ଏକ ମିଳିତ ସମ୍ଭାବ୍ୟତା ମଡେଲ ତିଆରି କରିଥାଉ । ଅନ୍ତର୍ଭୁକ୍ତୀକରଣ-ବନ୍ଦୀକରଣ ମଡେଲରେ, ଆଇଟମ ସେଟ ଏବଂ ସେମାନଙ୍କର ଫ୍ରିକ୍ୱେନ୍ସିକୁ ଏକ ଡାଟା ଷ୍ଟ୍ରକଚରରେ ଷ୍ଟୋର କରାଯାଏ ଯାହା ଏକ ADtree ନାମକ ଏକ ଡାଟା ଷ୍ଟ୍ରକଚରରେ ଷ୍ଟୋର କରାଯାଏ ଯାହା ପ୍ରଶ୍ନର ଉତ୍ତର ଦେବା ପାଇଁ ଅନ୍ତର୍ଭୁକ୍ତୀକରଣ-ବନ୍ଦୀକରଣ ସିଦ୍ଧାନ୍ତର ଏକ ଦକ୍ଷ କାର୍ଯ୍ୟକାରିତାକୁ ସମର୍ଥନ କରେ । ଆମେ ଏହି ଦୁଇଟି ଆଇଟମ ସେଟ ଆଧାରିତ ମଡେଲକୁ ମୂଳ ତଥ୍ୟର ସିଧାସଳଖ ପ୍ରଶ୍ନ ପଚାରିବା, ମୂଳ ତଥ୍ୟର ନମୁନା ପ୍ରଶ୍ନ ପଚାରିବା ସହିତ ଅନ୍ୟ ସମ୍ଭାବ୍ୟତା ମଡେଲ ଯେପରିକି ଇଣ୍ଡେପେଣ୍ଡେନ୍ସ ମଡେଲ, ଚୌ-ଲିଉ ଟ୍ରି ମଡେଲ ଏବଂ ବର୍ଣ୍ଣୁଲି ମିଶ୍ରଣ ମଡେଲ ସହିତ ଅନୁଭବଗତ ଭାବରେ ତୁଳନା କରିଛୁ । ଏହି ମଡେଲଗୁଡିକ ଉଚ୍ଚ-ଆକାର (ଶହ ଶହ କିମ୍ବା ହଜାର ହଜାର ଗୁଣ) କୁ ସମ୍ଭାଳିବାରେ ସକ୍ଷମ ହୋଇଥିବାବେଳେ ଏହି ବିଷୟରେ ଅନ୍ୟାନ୍ୟ କାର୍ଯ୍ୟ ଅପେକ୍ଷାକୃତ ନିମ୍ନ-ଆକାର OLAP ସମସ୍ୟା ଉପରେ ଧ୍ୟାନ ଦେଇଥାଏ । ଉଭୟ ଅନୁକରଣ ଏବଂ ବାସ୍ତବିକ ତଥ୍ୟ ଉପରେ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ବିଭିନ୍ନ ମୌଳିକ ତାରତମ୍ୟକୁ ସୂଚାଇଥାଏ ଯାହା ଅନୁମାନ ତ୍ରୁଟି, ମଡେଲ ଜଟିଳତା ଏବଂ ଏକ ପ୍ରଶ୍ନର ଉତ୍ତର ଗଣନା କରିବା ପାଇଁ ଆବଶ୍ୟକ ଅନଲାଇନ୍ ସମୟ ମଧ୍ୟରେ ରହିଥାଏ । |
90522a98ccce3aa0ce20b4dfedb76518b886ed96 | ଏହି ପୁସ୍ତକର ପ୍ରାଚୀନ ସଂସ୍କରଣରେ ସହଯୋଗ ପାଇଁ ରବର୍ଟ ସ୍କିପର ଏବଂ ଆରନ ହାଇମ୍ୟାନଙ୍କୁ ବିଶେଷ ଧନ୍ୟବାଦ । ଶୋନ୍ ମ୍ୟାକ୍ୱିଟି, ରବିନ୍ ପିଟରସନ୍, ଚକ୍ ପିକେଟ୍, କେଭିନ୍ ଶାନାହାନ ଏବଂ ଜର୍ଣ୍ଣାଲ ଅଫ୍ ବିଜିନେସ୍ ରିସର୍ଚ୍ଚର ସମ୍ପାଦକ ଏବଂ ସମୀକ୍ଷକମାନଙ୍କୁ ମଧ୍ୟ ସେମାନଙ୍କର ଉପଯୋଗୀ ମନ୍ତବ୍ୟ ପାଇଁ ଧନ୍ୟବାଦ । ଏହି ହସ୍ତଲିଖନର ଏକ ପ୍ରାଚୀନ ସଂସ୍କରଣ ୨୦୦୧ରେ ସୋସାଇଟି ଫର ମାର୍କେଟିଂ ଆଡଭାନ୍ସ ସମ୍ମିଳନୀରେ ଶ୍ରେଷ୍ଠ କାଗଜ ପାଇଁ ଶୋ ପୁରସ୍କାର ଜିତିଥିଲା । ଏହି ହସ୍ତଲିଖନର ଏକ ସଂକ୍ଷିପ୍ତ ସଂସ୍କରଣ ଜର୍ଣ୍ଣାଲ ଅଫ୍ ବିଜିନେସ୍ ରିସର୍ଚ୍ଚରେ ପ୍ରକାଶିତ ହେବା ପାଇଁ ସ୍ୱୀକୃତି ପାଇଥିଲା । |
2e0db4d4c8bdc7e11541b362cb9f8972f66563ab | |
05c025af60aeab10a3069256674325802c844212 | ଆମେ ଭିଡିଓ ଏବଂ ମୋସନ କ୍ୟାପଚରରେ ମାନବ ଶରୀରର ସ୍ଥିତିକୁ ଚିହ୍ନିବା ଏବଂ ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ଏନକୋଡର-ରିକର୍ଭାଣ୍ଟ-ଡିକୋଡର (ଇଆରଡି) ମଡେଲର ପ୍ରସ୍ତାବ ଦେଉଛୁ । ERD ମଡେଲ ହେଉଛି ଏକ ପୁନଃପୌନିକ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଯାହା ପୁନଃପୌନିକ ସ୍ତର ପୂର୍ବରୁ ଏବଂ ପରେ ଅଣ-ଲିନୀୟର ଏନକୋଡର ଏବଂ ଡିକୋଡର ନେଟୱାର୍କକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରେ । ଆମେ ଇଆରଡି ଆର୍ଚେଟକ୍ଚରର ଇନଷ୍ଟେସନକୁ ମୋଶନ କ୍ୟାପଚର (ମୋକ୍ୟାପ୍) ଜେନେରେସନ, ବଡି ପୋଜ୍ ଲେବଲିଂ ଏବଂ ବଡି ପୋଜ୍ ପ୍ରୋଗ୍ନସିଂ ଭଳି କାର୍ଯ୍ୟରେ ପରୀକ୍ଷା କରିଥାଉ । ଆମର ମଡେଲ ଅନେକ ବିଷୟ ଏବଂ କାର୍ଯ୍ୟକଳାପ କ୍ଷେତ୍ରରେ ମୋକେପ୍ ତାଲିମ ତଥ୍ୟ ପରିଚାଳନା କରେ, ଏବଂ ଦୀର୍ଘ ସମୟ ଧରି ଘୁରି ବୁଲିବା ଠାରୁ ଦୂରେଇ ରହି ନୂତନ ଗତିକୁ ସଂଶ୍ଳେଷଣ କରେ । ମାନବ ସ୍ଥିତିର ଲେବଲିଂ ପାଇଁ, ଇଆରଡି ବାମ-ଡାହାଣ ଶରୀରର ଅଂଶର ଭ୍ରମକୁ ସମାଧାନ କରି ପ୍ରତି ଫ୍ରେମ୍ ଶରୀରର ଅଂଶ ଡିଟେକ୍ଟର ଠାରୁ ଅଧିକ କାର୍ଯ୍ୟ କରିଥାଏ । ଭିଡିଓ ପୋଜ ପୂର୍ବାନୁମାନ ପାଇଁ, ଇଆରଡି ୪୦୦ ମିମିର ଏକ କାଳୀୟ ପରିଧିରେ ଶରୀରର ମିଳିତ ସ୍ଥାନାନ୍ତରଣର ପୂର୍ବାନୁମାନ କରିଥାଏ ଏବଂ ଅପ୍ଟିକାଲ ପ୍ରବାହ ଉପରେ ଆଧାରିତ ପ୍ରଥମ ଆଦେଶର ମୋସନ ମଡେଲକୁ ଅତିକ୍ରମ କରିଥାଏ । ERD ଗୁଡିକ ସାହିତ୍ୟରେ ଥିବା ପୂର୍ବ ଲଙ୍ଗ୍ ସର୍ଟ ଟର୍ମ ମେମୋରି (LSTM) ମଡେଲକୁ ବିସ୍ତାର କରି ପ୍ରତିନିଧିତ୍ୱ ଏବଂ ସେମାନଙ୍କର ଗତିଶୀଳତାକୁ ମିଳିତ ଭାବରେ ଶିଖିବା ପାଇଁ _ ଆମର ପରୀକ୍ଷଣରୁ ଜଣାପଡ଼ୁଛି ଯେ, ଏହିଭଳି ପ୍ରତିନିଧିତ୍ୱ ଶିକ୍ଷା ଉଭୟ ଲେବଲିଂ ଏବଂ ସ୍ପେସ୍-ଟାଇମ୍ ରେ ପୂର୍ବାନୁମାନ ପାଇଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । ଆମେ ପାଇଲୁ ଯେ ଏହା ହେଉଛି ଏକ ଡିଜିଟାଲ ପାଠ୍ୟ, ବକ୍ତବ୍ୟ କିମ୍ବା ହସ୍ତଲିଖନ ତୁଳନାରେ ସ୍ପେସିଓ-ଟାଇମରାଲ୍ ଭିଜୁଆଲ୍ ଡୋମେନ୍ ମଧ୍ୟରେ ଏକ ବର୍ଣ୍ଣନାକାରୀ ବୈଶିଷ୍ଟ୍ୟ, ଯେଉଁଠାରେ ସିଧାସଳଖ ହାର୍ଡ କୋଡେଡ୍ ପ୍ରତିନିଧିତ୍ୱ ସିଧାସଳଖ ପୁନଃବିଚାରିତ ଏକକ ସହିତ ମିଶ୍ରିତ ହେଲେ ଉତ୍ତମ ଫଳାଫଳ ଦେଖାଇଥାଏ । [31] |
092b64ce89a7ec652da935758f5c6d59499cde6e | ଆମେ ଏକ ନୂତନ ଡାଟାସେଟ, ମାନବ 3.6M, 3.6 ମିଲିୟନ ସଠିକ 3D ମାନବ ସ୍ଥିତିର ପରିଚୟ ପ୍ରଦାନ କରୁଛୁ, ଯାହା 5 ଜଣ ମହିଳା ଏବଂ 6 ଜଣ ପୁରୁଷ ବିଷୟର ପ୍ରଦର୍ଶନକୁ ରେକର୍ଡ କରି 4 ଟି ଭିନ୍ନ ଦୃଷ୍ଟିକୋଣରେ ହାସଲ କରାଯାଇଛି, ବାସ୍ତବବାଦୀ ମାନବ ସେନ୍ସିଂ ସିଷ୍ଟମକୁ ପ୍ରଶିକ୍ଷଣ ଦେବା ଏବଂ ପରବର୍ତ୍ତୀ ପିଢ଼ିର ମାନବ ସ୍ଥିତି ଆକଳନ ମଡେଲ ଏବଂ ଆଲଗୋରିଦମର ମୂଲ୍ୟାଙ୍କନ କରିବା ପାଇଁ । ବର୍ତ୍ତମାନର ଅତ୍ୟାଧୁନିକ ଜ୍ଞାନକୌଶଳରେ ତଥ୍ୟ ସେଟଗୁଡ଼ିକର ଆକାରକୁ ଅନେକ ଗୁଣ ବୃଦ୍ଧି କରିବା ସହିତ, ଆମେ ମଧ୍ୟ ଏହିପରି ତଥ୍ୟ ସେଟଗୁଡ଼ିକୁ ସାଧାରଣ ମାନବ କାର୍ଯ୍ୟକଳାପ (ଫଟୋ ଉଠାଇବା, ଫୋନରେ କଥା ହେବା, ପୋଜିଂ, ଅଭିବାଦନ, ଖାଇବା ଇତ୍ୟାଦି) ର ଅଂଶ ଭାବରେ ବିଭିନ୍ନ ପ୍ରକାରର ଗତିବିଧି ଏବଂ ପୋଜ ସହିତ ପରିପୂରକ କରିବାକୁ ଲକ୍ଷ୍ୟ ରଖିଛୁ । ), ଅତିରିକ୍ତ ସିଙ୍କ୍ରୋନାଇଜ୍ ଇମେଜ୍, ମାନବ ଗତି କ୍ୟାପଚର୍, ଏବଂ ଫ୍ଲାଇଟ୍ ଟାଇମ୍ (ଗଭୀରତା) ଡାଟା ସହିତ ଏବଂ ସମସ୍ତ ସମ୍ପୃକ୍ତ ବିଷୟ ଅଭିନେତାଙ୍କ ସଠିକ୍ 3D ବଡି ସ୍କାନ୍ ସହିତ _ ଆମେ ମଧ୍ୟ ନିୟନ୍ତ୍ରିତ ମିଶ୍ରିତ ବାସ୍ତବତା ମୂଲ୍ୟାୟନ ଦୃଶ୍ୟପଟ୍ଟ ପ୍ରଦାନ କରୁ ଯେଉଁଠାରେ 3D ମାନବ ମଡେଲଗୁଡ଼ିକ ମୋଶନ୍ କ୍ୟାପଚର୍ ବ୍ୟବହାର କରି ଆନିମେଟ୍ କରାଯାଏ ଏବଂ ସଠିକ୍ 3D ଜ୍ୟାମିତି ବ୍ୟବହାର କରି ଭର୍ତ୍ତି କରାଯାଇଥାଏ, ଜଟିଳ ବାସ୍ତବ ପରିବେଶରେ, ଚଳନ୍ତା କ୍ୟାମେରା ସହିତ ଦେଖାଯାଏ, ଏବଂ ଅବରୋଧରେ । ଶେଷରେ, ଆମେ ଏକ ବୃହତ ସ୍ତରର ପରିସଂଖ୍ୟାନ ମଡେଲ ଏବଂ ତଥ୍ୟ ସେଟ ପାଇଁ ବିସ୍ତୃତ ମୂଲ୍ୟାଙ୍କନ ଆଧାରରେ ଏହାର ବିବିଧତା ଏବଂ ଗବେଷଣା ଗୋଷ୍ଠୀର ଭବିଷ୍ୟତ କାର୍ଯ୍ୟ ଦ୍ୱାରା ଉନ୍ନତିର ପରିସରକୁ ଦର୍ଶାଉଛୁ । ଆମର ପରୀକ୍ଷଣରୁ ଜଣାପଡ଼ୁଛି ଯେ ଆମର ସର୍ବୋତ୍ତମ ବୃହତ-ମାପକ ମଡେଲ ଆମର ସମ୍ପୂର୍ଣ୍ଣ ତାଲିମ ସେଟକୁ 20% ଉନ୍ନତି କରିବା ପାଇଁ ବ୍ୟବହାର କରିପାରିବ, ଯାହାକି ଏହି ସମସ୍ୟା ପାଇଁ ସର୍ବବୃହତ ସର୍ବସାଧାରଣ ଡାଟାସେଟର ସ୍ତରର ତାଲିମ ସେଟ ତୁଳନାରେ 20% ଉନ୍ନତି ଆଣିବ । କିନ୍ତୁ ଆମର ବିଶାଳ ଡାଟାସେଟରେ ଅଧିକ କ୍ଷମତା, ଅଧିକ ଜଟିଳ ମଡେଲର ଉପଯୋଗ କରି ଉନ୍ନତିର ସମ୍ଭାବନା ଯଥେଷ୍ଟ ଅଧିକ ଏବଂ ଏହା ଭବିଷ୍ୟତର ଗବେଷଣାକୁ ପ୍ରୋତ୍ସାହିତ କରିବ । ଏହି ଡାଟାସେଟ ସହିତ ସଂଯୁକ୍ତ ବୃହତ-ମାପକ ଶିକ୍ଷଣ ମଡେଲ, ବୈଶିଷ୍ଟ୍ୟ, ଦୃଶ୍ୟମାନ ଉପକରଣ ଏବଂ ମୂଲ୍ୟାଙ୍କନ ସର୍ଭର ପାଇଁ କୋଡ୍ http://vision.imar.ro/human3.6m ରେ ଅନଲାଇନରେ ଉପଲବ୍ଧ । |
ba4a037153bff392b1e56a4109de4b04521f17b2 | ସଙ୍କଟ ସୂଚନା ବିଜ୍ଞାନ (Crisis Informatics) ଅନୁସନ୍ଧାନ କରେ ଯେ ଟେକ୍ନୋଲୋଜି ପ୍ରତି ସମାଜର ବ୍ୟାପକ ପ୍ରବେଶ କିପରି ବିପୁଳ ଜରୁରୀକାଳୀନ ଘଟଣାଗୁଡ଼ିକର ପ୍ରତିକ୍ରିୟାକୁ ରୂପାନ୍ତରିତ କରୁଛି । ଏହି ପରିବର୍ତ୍ତନକୁ ଅଧ୍ୟୟନ କରିବା ପାଇଁ ଗବେଷକମାନଙ୍କୁ ବଡ଼ ବଡ଼ ତଥ୍ୟ ସଂଗ୍ରହ କରିବାକୁ ପଡ଼େ, ଯାହା ସଂଗ୍ରହ କରିବା ଏବଂ ବିଶ୍ଳେଷଣ କରିବା ସେମାନଙ୍କ ଆକାର ଏବଂ ଅସମାନ ପ୍ରକୃତି କାରଣରୁ କଷ୍ଟକର ହୋଇଥାଏ । ଏହି ଚିନ୍ତାର ସମାଧାନ ପାଇଁ ଆମେ ଏକ ପରିବେଶ - EPIC ବିଶ୍ଳେଷଣ - ପ୍ରସ୍ତୁତ କରିଛୁ ଏବଂ କାର୍ଯ୍ୟକାରୀ କରିଛୁ ଯାହା ସୋସିଆଲ ମିଡିଆ ତଥ୍ୟ ସଂଗ୍ରହ ଏବଂ ବିଶ୍ଳେଷଣରେ ଗବେଷକମାନଙ୍କୁ ସହାୟତା କରିଥାଏ । ଆମର ଗବେଷଣା ଦ୍ୱାରା ଚିହ୍ନଟ କରାଯାଇଛି ଯେ ଏହି ସେବାଗୁଡିକ ବିଶ୍ୱସନୀୟ, ମାପଯୋଗ୍ୟ, ବିସ୍ତାରଯୋଗ୍ୟ ଏବଂ ଦକ୍ଷତାପୂର୍ଣ୍ଣ ହେବା ପାଇଁ କେଉଁ ପ୍ରକାରର ଉପାଦାନ - ଯେପରିକି NoSQL, MapReduce, କ୍ୟାଚ୍ ଏବଂ ସନ୍ଧାନ ଆବଶ୍ୟକ । ଆମେ ଇପିକ ଆନାଲିଜ ନିର୍ମାଣ କରିବା ସମୟରେ ସମ୍ମୁଖୀନ ହୋଇଥିବା ଡିଜାଇନ ଚ୍ୟାଲେଞ୍ଜଗୁଡ଼ିକର ବର୍ଣ୍ଣନା କରିଛୁ - ଯେପରିକି ଡାଟା ମଡେଲିଂ, ସମୟ ବନାମ ସ୍ଥାନ ବାଣିଜ୍ୟ, ଏବଂ ଏକ ଉପଯୋଗୀ ଏବଂ ବ୍ୟବହାରଯୋଗ୍ୟ ସିଷ୍ଟମର ଆବଶ୍ୟକତା - ଏହାର ମାପକତା, କାର୍ଯ୍ୟଦକ୍ଷତା ଏବଂ କାର୍ଯ୍ୟକାରିତା ବିଷୟରେ ଆଲୋଚନା କରିବା । |
4416236e5ee4239e86e3cf3db6a2d1a2ff2ae720 | ଆଧୁନିକ ବିଶ୍ଳେଷଣ ପ୍ରୟୋଗଗୁଡିକ ବିଭିନ୍ନ ଲାଇବ୍ରେରୀ ଏବଂ ଫ୍ରେମୱାର୍କରୁ ଏକାଧିକ କାର୍ଯ୍ୟକୁ ମିଶାଇ ଅଧିକ ଜଟିଳ କାର୍ଯ୍ୟ ପ୍ରବାହ ନିର୍ମାଣ କରିଥାଏ । ଯଦିଓ ପ୍ରତ୍ୟେକ କାର୍ଯ୍ୟ ପୃଥକ ଭାବରେ ଉଚ୍ଚ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରିପାରେ, ମିଳିତ କାର୍ଯ୍ୟ ପ୍ରବାହର କାର୍ଯ୍ୟଦକ୍ଷତା ପ୍ରାୟତ ହାର୍ଡୱେୟାର ସୀମାରୁ କମ ହୋଇଥାଏ କାରଣ କାର୍ଯ୍ୟଗୁଡ଼ିକରେ ବ୍ୟାପକ ତଥ୍ୟ ଗତି ହୋଇଥାଏ । ଏହି ସମସ୍ୟାକୁ ସମାଧାନ କରିବା ପାଇଁ ଆମେ ୱେଲଡକୁ ପ୍ରସ୍ତାବ ଦେଉଛୁ, ଯାହାକି ଡାଟା-ଗଭୀର ପ୍ରୟୋଗ ପାଇଁ ଏକ ରନଟାଇମ୍ ଯାହା ବିଚ୍ଛିନ୍ନ ଲାଇବ୍ରେରୀ ଏବଂ ଫଙ୍କସନ୍ଗୁଡିକରେ ଅପ୍ଟିମାଇଜ୍ କରିଥାଏ । ୱେଲଡ ଏକ ସାଧାରଣ ମଧ୍ୟବର୍ତ୍ତୀ ପ୍ରତିନିଧିତ୍ୱ ବ୍ୟବହାର କରି ବିଭିନ୍ନ ଡାଟା ସମାନ୍ତରାଳ କାର୍ଯ୍ୟଭାରର ସଂରଚନାକୁ ଧାରଣ କରିଥାଏ, ଯେଉଁଥିରେ SQL, ମେସିନ ଲର୍ଣ୍ଣିଂ ଏବଂ ଗ୍ରାଫ ଆନାଲିଟିକ୍ସ ଅନ୍ତର୍ଭୁକ୍ତ । ଏହା ପରେ ଏହା ପ୍ରମୁଖ ଡାଟା ଗତି ଅପ୍ଟିମାଇଜେସନ କରିଥାଏ ଏବଂ ସମଗ୍ର କାର୍ଯ୍ୟ ପ୍ରବାହ ପାଇଁ ଦକ୍ଷ ସମାନ୍ତରାଳ କୋଡ୍ ସୃଷ୍ଟି କରିଥାଏ । ୱେଲଡକୁ ବର୍ତ୍ତମାନର ଫ୍ରେମୱାର୍କ ଯେପରିକି ଟେନସରଫ୍ଲୋ, ଆପାଚେ ସ୍ପାର୍କ, ନମ୍ପାଇ ଏବଂ ପାଣ୍ଡାସ୍ ରେ ବ୍ୟବହାରକାରୀ-ଆଧାରିତ ଏପିଆଇ ପରିବର୍ତ୍ତନ ନକରି ଅତିରିକ୍ତ ଭାବରେ ଏକୀକୃତ କରାଯାଇପାରିବ । ଆମେ ଦେଖାଇଛୁ ଯେ ୱେଲଡ୍ ଏହି ଫ୍ରେମୱାର୍କକୁ ତ୍ୱରାନ୍ୱିତ କରିପାରିବ, ଏବଂ ଆପ୍ଲିକେସନ୍ଗୁଡ଼ିକୁ ମଧ୍ୟ ତ୍ୱରାନ୍ୱିତ କରିପାରିବ, ଯାହାକି ସେମାନଙ୍କୁ 30x ପର୍ଯ୍ୟନ୍ତ ସଂଯୋଗ କରିପାରିବ । |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.