_id
stringlengths 40
40
| text
stringlengths 0
9.75k
|
|---|---|
2f991be8d35e4c1a45bfb0d646673b1ef5239a1f | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲਾਂ ਦਾ ਵਿਵਹਾਰ ਇਸ ਤਰ੍ਹਾਂ ਕਿਉਂ ਹੁੰਦਾ ਹੈ, ਇਹ ਸਮਝਣ ਨਾਲ ਸਿਸਟਮ ਡਿਜ਼ਾਈਨਰਾਂ ਅਤੇ ਅੰਤ-ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਕਈ ਤਰੀਕਿਆਂ ਨਾਲ ਸ਼ਕਤੀ ਮਿਲਦੀ ਹੈਃ ਮਾਡਲ ਦੀ ਚੋਣ, ਵਿਸ਼ੇਸ਼ਤਾ ਇੰਜੀਨੀਅਰਿੰਗ, ਭਵਿੱਖਬਾਣੀਆਂ ਤੇ ਭਰੋਸਾ ਕਰਨ ਅਤੇ ਕੰਮ ਕਰਨ ਲਈ, ਅਤੇ ਵਧੇਰੇ ਅਨੁਭਵੀ ਉਪਭੋਗਤਾ ਇੰਟਰਫੇਸਾਂ ਵਿੱਚ. ਇਸ ਤਰ੍ਹਾਂ, ਵਿਆਖਿਆਯੋਗਤਾ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਣ ਚਿੰਤਾ ਬਣ ਗਈ ਹੈ, ਅਤੇ ਵਿਆਖਿਆਯੋਗ ਮਾਡਲਾਂ ਦੇ ਖੇਤਰ ਵਿੱਚ ਕੰਮ ਨੂੰ ਨਵੀਂ ਦਿਲਚਸਪੀ ਮਿਲੀ ਹੈ। ਕੁਝ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ, ਅਜਿਹੇ ਮਾਡਲ ਗੈਰ-ਵਿਆਖਿਆਯੋਗ ਮਾਡਲਾਂ ਜਿੰਨੇ ਸਹੀ ਹੁੰਦੇ ਹਨ, ਅਤੇ ਇਸ ਲਈ ਉਨ੍ਹਾਂ ਦੀ ਪਾਰਦਰਸ਼ਤਾ ਲਈ ਤਰਜੀਹ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ। ਭਾਵੇਂ ਉਹ ਸਹੀ ਨਾ ਹੋਣ, ਫਿਰ ਵੀ ਉਨ੍ਹਾਂ ਨੂੰ ਤਰਜੀਹ ਦਿੱਤੀ ਜਾ ਸਕਦੀ ਹੈ ਜਦੋਂ ਵਿਆਖਿਆਤਮਕਤਾ ਬਹੁਤ ਮਹੱਤਵਪੂਰਨ ਹੁੰਦੀ ਹੈ. ਹਾਲਾਂਕਿ, ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਨੂੰ ਵਿਆਖਿਆਯੋਗ ਮਾਡਲਾਂ ਤੱਕ ਸੀਮਤ ਕਰਨਾ ਅਕਸਰ ਇੱਕ ਗੰਭੀਰ ਸੀਮਾ ਹੁੰਦੀ ਹੈ। ਇਸ ਪੇਪਰ ਵਿੱਚ ਅਸੀਂ ਮਾਡਲ-ਅਗਨੋਸਟਿਕ ਪਹੁੰਚਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਲਈ ਦਲੀਲ ਦਿੰਦੇ ਹਾਂ। ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲਾਂ ਨੂੰ ਬਲੈਕ ਬਾਕਸ ਫੰਕਸ਼ਨ ਵਜੋਂ ਵਰਤ ਕੇ, ਇਹ ਪਹੁੰਚ ਮਾਡਲਾਂ, ਵਿਆਖਿਆਵਾਂ ਅਤੇ ਨੁਮਾਇੰਦਗੀ ਦੀ ਚੋਣ ਵਿੱਚ ਮਹੱਤਵਪੂਰਣ ਲਚਕਤਾ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ, ਵੱਖ-ਵੱਖ ਉਪਭੋਗਤਾਵਾਂ ਅਤੇ ਮਾਡਲਾਂ ਲਈ ਡੀਬੱਗਿੰਗ, ਤੁਲਨਾ ਅਤੇ ਇੰਟਰਫੇਸਾਂ ਵਿੱਚ ਸੁਧਾਰ ਕਰਦੇ ਹਨ। ਅਸੀਂ ਅਜਿਹੀਆਂ ਵਿਧੀਆਂ ਲਈ ਮੁੱਖ ਚੁਣੌਤੀਆਂ ਦੀ ਰੂਪ ਰੇਖਾ ਵੀ ਦਿੰਦੇ ਹਾਂ, ਅਤੇ ਹਾਲ ਹੀ ਵਿੱਚ ਪੇਸ਼ ਕੀਤੇ ਗਏ ਮਾਡਲ-ਅਗਨੋਸਟਿਕ ਵਿਆਖਿਆ ਪਹੁੰਚ (LIME) ਦੀ ਸਮੀਖਿਆ ਕਰਦੇ ਹਾਂ ਜੋ ਇਨ੍ਹਾਂ ਚੁਣੌਤੀਆਂ ਦਾ ਹੱਲ ਕਰਦਾ ਹੈ। |
546add32740ac350dda44bab06f56d4e206622ab | ਡੂੰਘੇ ਨਯੂਰਲ ਨੈਟਵਰਕ ਨੇ ਚਿੱਤਰ ਵਰਗੀਕਰਣ ਵਿੱਚ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਪ੍ਰਯੋਗਾਤਮਕ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕੀਤੇ ਹਨ, ਪਰ ਹੈਰਾਨੀ ਦੀ ਗੱਲ ਹੈ ਕਿ ਵਿਰੋਧੀ ਪਰੇਸ਼ਾਨੀਆਂ ਦੇ ਸੰਬੰਧ ਵਿੱਚ ਅਸਥਿਰ ਹੋ ਸਕਦੇ ਹਨ, ਭਾਵ, ਇਨਪੁਟ ਚਿੱਤਰ ਵਿੱਚ ਘੱਟੋ ਘੱਟ ਤਬਦੀਲੀਆਂ ਜੋ ਨੈਟਵਰਕ ਨੂੰ ਗਲਤ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਦਾ ਕਾਰਨ ਬਣਦੀਆਂ ਹਨ. ਸਵੈ-ਚਾਲਿਤ ਕਾਰਾਂ ਲਈ ਸੰਵੇਦਨਸ਼ੀਲ ਮੋਡੀਊਲ ਅਤੇ ਅੰਤ ਤੋਂ ਅੰਤ ਤੱਕ ਕੰਟਰੋਲਰਾਂ ਸਮੇਤ ਸੰਭਾਵੀ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੇ ਨਾਲ, ਇਹ ਉਨ੍ਹਾਂ ਦੀ ਸੁਰੱਖਿਆ ਬਾਰੇ ਚਿੰਤਾਵਾਂ ਨੂੰ ਉਭਾਰਦਾ ਹੈ। ਅਸੀਂ ਸੰਤੁਸ਼ਟੀ ਮਾਡੂਲੋ ਥਿਊਰੀ (ਐੱਸਐੱਮਟੀ) ਦੇ ਅਧਾਰ ਤੇ ਫੀਡ-ਫਾਰਵਰਡ ਮਲਟੀ-ਲੇਅਰ ਨਿਊਰਲ ਨੈਟਵਰਕ ਲਈ ਇੱਕ ਨਵੀਨਤਾਕਾਰੀ ਆਟੋਮੈਟਿਕ ਤਸਦੀਕ ਫਰੇਮਵਰਕ ਵਿਕਸਿਤ ਕਰਦੇ ਹਾਂ। ਅਸੀਂ ਚਿੱਤਰਾਂ ਦੀ ਹੇਰਾਫੇਰੀ ਤੇ ਧਿਆਨ ਕੇਂਦਰਤ ਕਰਦੇ ਹਾਂ, ਜਿਵੇਂ ਕਿ ਖੁਰਚੀਆਂ ਜਾਂ ਕੈਮਰਾ ਐਂਗਲ ਜਾਂ ਰੋਸ਼ਨੀ ਦੀਆਂ ਸਥਿਤੀਆਂ ਵਿੱਚ ਤਬਦੀਲੀਆਂ, ਅਤੇ ਚਿੱਤਰਾਂ ਦੇ ਵਰਗੀਕਰਣ ਦੇ ਫੈਸਲੇ ਲਈ ਸੁਰੱਖਿਆ ਨੂੰ ਵਰਗੀਕਰਣ ਦੇ ਅਚਾਨਕਤਾ ਦੇ ਰੂਪ ਵਿੱਚ ਪਰਿਭਾਸ਼ਤ ਕਰਦੇ ਹਾਂ ਜੋ ਕਿ ਚਿੱਤਰਾਂ ਦੇ ਇੱਕ ਖੇਤਰ ਦੇ ਅੰਦਰ ਮੂਲ ਚਿੱਤਰ ਦੀ ਹੇਰਾਫੇਰੀ ਦੇ ਸੰਬੰਧ ਵਿੱਚ ਹੈ ਜੋ ਇਸਦੇ ਨੇੜੇ ਹਨ. ਅਸੀਂ ਵਿਵੇਕਸ਼ੀਲਤਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਖੇਤਰ ਦੀ ਪੂਰੀ ਖੋਜ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦੇ ਹਾਂ, ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਪਰਤ-ਪਰਤ ਨਾਲ ਫੈਲਾਉਂਦੇ ਹਾਂ। ਸਾਡਾ ਤਰੀਕਾ ਸਿੱਧੇ ਤੌਰ ਤੇ ਨੈਟਵਰਕ ਕੋਡ ਨਾਲ ਕੰਮ ਕਰਦਾ ਹੈ ਅਤੇ, ਮੌਜੂਦਾ ਤਰੀਕਿਆਂ ਦੇ ਉਲਟ, ਇਹ ਗਾਰੰਟੀ ਦੇ ਸਕਦਾ ਹੈ ਕਿ ਵਿਰੋਧੀ ਉਦਾਹਰਣਾਂ, ਜੇ ਉਹ ਮੌਜੂਦ ਹਨ, ਤਾਂ ਦਿੱਤੇ ਗਏ ਖੇਤਰ ਅਤੇ ਹੇਰਾਫੇਰੀਆਂ ਦੇ ਪਰਿਵਾਰ ਲਈ ਲੱਭੀਆਂ ਜਾਂਦੀਆਂ ਹਨ. ਜੇਕਰ ਇਹ ਲੱਭੇ ਜਾਂਦੇ ਹਨ, ਤਾਂ ਵਿਰੋਧੀ ਉਦਾਹਰਣਾਂ ਮਨੁੱਖੀ ਟੈਸਟਰਾਂ ਨੂੰ ਦਿਖਾਈਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ ਅਤੇ/ਜਾਂ ਨੈਟਵਰਕ ਨੂੰ ਵਧੀਆ ਬਣਾਉਣ ਲਈ ਵਰਤੀਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ। ਅਸੀਂ Z3 ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਤਕਨੀਕਾਂ ਨੂੰ ਲਾਗੂ ਕਰਦੇ ਹਾਂ ਅਤੇ ਨਿਯਮਿਤ ਅਤੇ ਡੂੰਘੀ ਸਿੱਖਣ ਵਾਲੇ ਨੈਟਵਰਕਾਂ ਸਮੇਤ ਅਤਿ ਆਧੁਨਿਕ ਨੈਟਵਰਕਾਂ ਤੇ ਉਨ੍ਹਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦੇ ਹਾਂ। ਅਸੀਂ ਵਿਰੋਧੀ ਉਦਾਹਰਣਾਂ ਦੀ ਭਾਲ ਕਰਨ ਅਤੇ ਨੈਟਵਰਕ ਦੀ ਮਜ਼ਬੂਤੀ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣ ਲਈ ਮੌਜੂਦਾ ਤਕਨੀਕਾਂ ਨਾਲ ਤੁਲਨਾ ਕਰਦੇ ਹਾਂ। |
8db9df2eadea654f128c1887722c677c708e8a47 | ਇਹ ਸੰਬੰਧਤ ਜਾਣਕਾਰੀ ਤੇ ਧਿਆਨ ਕੇਂਦਰਤ ਕਰਨ ਲਈ ਧਿਆਨ ਦੇ ਮਾਡਲਾਂ ਤੇ ਹਾਲ ਹੀ ਦੇ ਕੰਮ ਨੂੰ ਵੀ ਏਕੀਕ੍ਰਿਤ ਕਰਦਾ ਹੈ, ਇਸ ਤਰ੍ਹਾਂ ਏਮਬੇਡਡ ਹਾਰਡਵੇਅਰ ਤੇ ਤਾਇਨਾਤੀ ਲਈ ਕੰਪਿutਟੇਸ਼ਨਲ ਗੁੰਝਲਤਾ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ. ਫਰੇਮਵਰਕ ਨੂੰ ਇੱਕ ਓਪਨ ਸੋਰਸ 3 ਡੀ ਕਾਰ ਰੇਸਿੰਗ ਸਿਮੂਲੇਟਰ ਵਿੱਚ ਟੈਸਟ ਕੀਤਾ ਗਿਆ ਸੀ ਜਿਸ ਨੂੰ ਟੋਰਕਸ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਸਾਡੇ ਸਿਮੂਲੇਸ਼ਨ ਨਤੀਜੇ ਗੁੰਝਲਦਾਰ ਸੜਕ ਦੇ ਕਰਵਚਰ ਅਤੇ ਹੋਰ ਵਾਹਨਾਂ ਦੀ ਸਧਾਰਨ ਪਰਸਪਰ ਪ੍ਰਭਾਵ ਦੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਵਿੱਚ ਆਟੋਨੋਮਸ ਮੈਨੂਵਰਿੰਗ ਦੀ ਸਿਖਲਾਈ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦਾ ਲੰਬੇ ਸਮੇਂ ਤੋਂ ਟੀਚਾ ਹੈ ਕਿ ਰੋਬੋਟ ਕਾਰ ਜੋ ਖੁਦਮੁਖਤਿਆਰੀ ਨਾਲ ਚਲਦੀ ਹੈ। ਵਾਹਨ ਚਲਾਉਣਾ ਇੱਕ ਅਜਿਹਾ ਕੰਮ ਹੈ ਜਿਸ ਲਈ ਮਨੁੱਖੀ ਡਰਾਈਵਰ ਤੋਂ ਉੱਚ ਪੱਧਰੀ ਹੁਨਰ, ਧਿਆਨ ਅਤੇ ਅਨੁਭਵ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਹਾਲਾਂਕਿ ਕੰਪਿਊਟਰ ਮਨੁੱਖਾਂ ਨਾਲੋਂ ਨਿਰੰਤਰ ਧਿਆਨ ਅਤੇ ਫੋਕਸ ਕਰਨ ਦੇ ਸਮਰੱਥ ਹਨ, ਪੂਰੀ ਤਰ੍ਹਾਂ ਆਟੋਮੈਟਿਕ ਡਰਾਈਵਿੰਗ ਲਈ ਇੱਕ ਬੁੱਧੀਮਤਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜੋ ਕਿ ਏਆਈ ਏਜੰਟਾਂ ਦੁਆਰਾ ਹੁਣ ਤੱਕ ਪ੍ਰਾਪਤ ਕੀਤੀ ਗਈ ਹੈ. ਆਟੋਨੋਮਸ ਡਰਾਈਵਿੰਗ ਏਜੰਟ ਬਣਾਉਣ ਵਿੱਚ ਸ਼ਾਮਲ ਕੰਮਾਂ ਨੂੰ 3 ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਵੰਡਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਚਿੱਤਰ 1: 1 ਵਿੱਚ ਦਰਸਾਇਆ ਗਿਆ ਹੈ: ਇਸ ਦੀਆਂ ਉਦਾਹਰਣਾਂ ਪੈਦਲ ਚੱਲਣ ਵਾਲਿਆਂ ਦਾ ਪਤਾ ਲਗਾਉਣਾ, ਟ੍ਰੈਫਿਕ ਸੰਕੇਤ ਪਛਾਣਨਾ ਆਦਿ ਹਨ। ਹਾਲਾਂਕਿ ਮਾਮੂਲੀ ਤੋਂ ਬਹੁਤ ਦੂਰ, ਮਾਨਤਾ ਅੱਜ ਕੱਲ ਇੱਕ ਮੁਕਾਬਲਤਨ ਆਸਾਨ ਕੰਮ ਹੈ ਡੂੰਘੀ ਸਿਖਲਾਈ (ਡੀ.ਐਲ.) ਐਲਗੋਰਿਥਮ ਵਿੱਚ ਤਰੱਕੀ ਦੇ ਕਾਰਨ, ਜੋ ਕਿ ਕਈ ਆਬਜੈਕਟ ਖੋਜ ਅਤੇ ਵਰਗੀਕਰਣ ਸਮੱਸਿਆਵਾਂ ਵਿੱਚ ਮਨੁੱਖੀ ਪੱਧਰ ਦੀ ਮਾਨਤਾ ਜਾਂ ਇਸ ਤੋਂ ਉੱਪਰ ਪਹੁੰਚ ਗਈ ਹੈ [1] [2]। ਡੂੰਘੀ ਸਿੱਖਣ ਦੇ ਮਾਡਲ ਕੱਚੇ ਇਨਪੁਟ ਡੇਟਾ ਤੋਂ ਗੁੰਝਲਦਾਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਨੁਮਾਇੰਦਗੀ ਸਿੱਖਣ ਦੇ ਯੋਗ ਹੁੰਦੇ ਹਨ, ਹੱਥ ਨਾਲ ਬਣੇ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਜ਼ਰੂਰਤ ਨੂੰ ਛੱਡਦੇ ਹੋਏ [15] [2] [7]. ਇਸ ਸਬੰਧ ਵਿੱਚ, ਕਨਵੋਲੂਸ਼ਨਲ ਨਯੂਰਲ ਨੈਟਵਰਕ (ਸੀਐਨਐਨ) ਸ਼ਾਇਦ ਸਭ ਤੋਂ ਸਫਲ ਡੂੰਘੀ ਸਿਖਲਾਈ ਮਾਡਲ ਹਨ, ਅਤੇ ਅਲੈਕਸਨੈੱਟ [8] ਤੋਂ ਬਾਅਦ ਇਮੇਜਨੇਟ ਚੁਣੌਤੀ ਵਿੱਚ ਹਰ ਜੇਤੂ ਦਾਖਲੇ ਦਾ ਅਧਾਰ ਬਣ ਗਏ ਹਨ। ਇਸ ਸਫਲਤਾ ਨੂੰ ਆਟੋਮੈਟਿਕ ਡਰਾਈਵਿੰਗ ਲਈ ਲੇਨ ਅਤੇ ਵਾਹਨ ਖੋਜ ਵਿੱਚ ਦੁਹਰਾਇਆ ਗਿਆ ਹੈ [6]. 2) ਭਵਿੱਖਬਾਣੀਃ ਇਹ ਆਪਣੇ ਆਪ ਨੂੰ ਚਲਾਉਣ ਵਾਲੇ ਏਜੰਟ ਲਈ ਆਪਣੇ ਵਾਤਾਵਰਣ ਨੂੰ ਪਛਾਣਨ ਲਈ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ; ਇਸ ਨੂੰ ਅੰਦਰੂਨੀ ਮਾਡਲਾਂ ਬਣਾਉਣ ਦੇ ਯੋਗ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਜੋ ਵਾਤਾਵਰਣ ਦੀਆਂ ਭਵਿੱਖ ਦੀਆਂ ਸਥਿਤੀਆਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦੇ ਹਨ. ਇਸ ਕਿਸਮ ਦੀ ਸਮੱਸਿਆ ਦੀਆਂ ਉਦਾਹਰਣਾਂ ਵਿੱਚ ਵਾਤਾਵਰਣ ਦਾ ਨਕਸ਼ਾ ਬਣਾਉਣਾ ਜਾਂ ਕਿਸੇ ਵਸਤੂ ਦਾ ਪਤਾ ਲਗਾਉਣਾ ਸ਼ਾਮਲ ਹੈ। ਭਵਿੱਖ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੇ ਯੋਗ ਹੋਣ ਲਈ, ਪਿਛਲੇ ਜਾਣਕਾਰੀ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਨਾ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ, ਇਸ ਕਿਸਮ ਦੀ ਸਮੱਸਿਆ ਲਈ ਰੀਕੁਰੈਂਟ ਨਯੂਰਲ ਨੈਟਵਰਕ (ਆਰ.ਐੱਨ.ਐੱਨ.) ਜ਼ਰੂਰੀ ਹਨ। ਲੌਂਗ-ਸ਼ਾਰਟ ਟਰਮ ਮੈਮੋਰੀ (ਐਲਐਸਟੀਐਮ) ਨੈਟਵਰਕ [5] ਆਰਐਨਐਨ ਦੀ ਅਜਿਹੀ ਸ਼੍ਰੇਣੀ ਹੈ ਜੋ ਐਂਡ-ਟੂ-ਐਂਡ ਸੀਨ ਲੇਬਲਿੰਗ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਵਰਤੀ ਗਈ ਹੈ [14]. ਹਾਲ ਹੀ ਵਿੱਚ, ਆਰਐਨਐਨਜ਼ ਦੀ ਵਰਤੋਂ ਡੀਪਟ੍ਰੈਕਿੰਗ ਮਾਡਲ ਵਿੱਚ ਆਬਜੈਕਟ ਟਰੈਕਿੰਗ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਵੀ ਕੀਤੀ ਗਈ ਹੈ [13]। 3) ਯੋਜਨਾਬੰਦੀਃ ਇੱਕ ਕੁਸ਼ਲ ਮਾਡਲ ਦੀ ਸਿਰਜਣਾ ਜੋ ਭਵਿੱਖ ਵਿੱਚ ਡਰਾਈਵਿੰਗ ਕਿਰਿਆਵਾਂ ਦੀ ਯੋਜਨਾ ਬਣਾਉਣ ਲਈ ਪਛਾਣ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਨੂੰ ਸ਼ਾਮਲ ਕਰਦੀ ਹੈ ਜੋ ਵਾਹਨ ਨੂੰ ਸਫਲਤਾਪੂਰਵਕ ਨੈਵੀਗੇਟ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਏਗੀ. ਯੋਜਨਾਬੰਦੀ ਤਿੰਨ ਵਿੱਚੋਂ ਸਭ ਤੋਂ ਔਖਾ ਕੰਮ ਹੈ। ਮੁਸ਼ਕਲ ਵਾਤਾਵਰਣ (ਮਾਨਤਾ) ਅਤੇ ਇਸ ਦੀ ਗਤੀਸ਼ੀਲਤਾ (ਭਵਿੱਖਬਾਣੀ) ਨੂੰ ਸਮਝਣ ਲਈ ਮਾਡਲ ਦੀ ਯੋਗਤਾ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਨ ਵਿੱਚ ਹੈ ਜੋ ਇਸ ਨੂੰ ਭਵਿੱਖ ਦੀਆਂ ਕਾਰਵਾਈਆਂ ਦੀ ਯੋਜਨਾ ਬਣਾਉਣ ਦੇ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ ਤਾਂ ਜੋ ਇਹ ਅਣਚਾਹੇ ਸਥਿਤੀਆਂ (ਦੰਡਾਂ) ਤੋਂ ਬਚ ਸਕੇ ਅਤੇ ਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਆਪਣੀ ਮੰਜ਼ਿਲ (ਇਨਾਮ) ਤੱਕ ਪਹੁੰਚ ਸਕੇ. ਚਿੱਤਰ 1: ਉੱਚ ਪੱਧਰੀ ਆਟੋਮੈਟਿਕ ਡਰਾਈਵਿੰਗ ਕਾਰਜਾਂ ਨੂੰ ਰੀਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ (ਆਰਐਲ) ਫਰੇਮਵਰਕ [17] [20] ਨੂੰ ਨਿਯੰਤਰਣ ਕਾਰਜਾਂ ਵਿੱਚ ਲੰਬੇ ਸਮੇਂ ਤੋਂ ਵਰਤਿਆ ਜਾਂਦਾ ਰਿਹਾ ਹੈ। RL ਅਤੇ DL ਦਾ ਮਿਸ਼ਰਣ ਮਨੁੱਖੀ ਪੱਧਰ ਦੇ ਨਿਯੰਤਰਣ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਸਭ ਤੋਂ ਵੱਧ ਵਾਅਦਾ ਕਰਨ ਵਾਲੇ ਤਰੀਕਿਆਂ ਵਿੱਚੋਂ ਇੱਕ ਮੰਨਿਆ ਗਿਆ ਸੀ [9]. [12] ਅਤੇ [11] ਵਿੱਚ, ਇਹ ਮਨੁੱਖੀ ਪੱਧਰ ਦਾ ਨਿਯੰਤਰਣ ਅਟਾਰੀ ਗੇਮਾਂ ਤੇ ਡੂੰਘੇ Q ਨੈਟਵਰਕ (ਡੀਕਿਯੂਐਨ) ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਦਿਖਾਇਆ ਗਿਆ ਸੀ, ਜਿਸ ਵਿੱਚ ਆਰਐਲ ਯੋਜਨਾਬੰਦੀ ਦੇ ਹਿੱਸੇ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਹੈ ਜਦੋਂ ਕਿ ਡੀਐਲ ਪ੍ਰਤੀਨਿਧਤਾ ਸਿਖਲਾਈ ਦੇ ਹਿੱਸੇ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਹੈ। ਬਾਅਦ ਵਿੱਚ, ਅੰਸ਼ਕ ਤੌਰ ਤੇ ਦੇਖੇ ਜਾ ਸਕਣ ਵਾਲੇ ਦ੍ਰਿਸ਼ਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣ ਲਈ ਆਰ.ਐੱਨ.ਐੱਨ. ਨੂੰ ਮਿਸ਼ਰਣ ਵਿੱਚ ਜੋੜਿਆ ਗਿਆ ਸੀ। ਆਟੋਮੈਟਿਕ ਡਰਾਈਵਿੰਗ ਲਈ ਜਾਣਕਾਰੀ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ 02 53 2v 1 [ ਸ੍ਟ੍ਰੀਟ ਤੇ .M L ] 8 A pr 2 01 7 ਮਲਟੀਪਲ ਸੈਂਸਰ ਤੋਂ. ਉਨ੍ਹਾਂ ਵਿੱਚੋਂ ਕੁਝ ਘੱਟ ਅਯਾਮੀ ਹਨ, ਜਿਵੇਂ ਕਿ ਲੀਡਰ, ਜਦੋਂ ਕਿ ਦੂਸਰੇ ਉੱਚ ਅਯਾਮੀ ਹਨ, ਜਿਵੇਂ ਕੈਮਰੇ। ਇਸ ਖਾਸ ਉਦਾਹਰਣ ਵਿੱਚ ਇਹ ਧਿਆਨ ਦੇਣ ਯੋਗ ਹੈ ਕਿ ਹਾਲਾਂਕਿ ਕੱਚੇ ਕੈਮਰੇ ਦੀਆਂ ਤਸਵੀਰਾਂ ਉੱਚ ਆਯਾਮੀ ਹਨ, ਪਰ ਆਟੋਮੈਟਿਕ ਡਰਾਈਵਿੰਗ ਟਾਸਕ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਲੋੜੀਂਦੀ ਉਪਯੋਗੀ ਜਾਣਕਾਰੀ ਬਹੁਤ ਘੱਟ ਮਾਪ ਦੀ ਹੈ. ਉਦਾਹਰਣ ਦੇ ਲਈ, ਦ੍ਰਿਸ਼ ਦੇ ਮਹੱਤਵਪੂਰਣ ਹਿੱਸੇ ਜੋ ਡਰਾਈਵਿੰਗ ਫੈਸਲਿਆਂ ਨੂੰ ਪ੍ਰਭਾਵਤ ਕਰਦੇ ਹਨ, ਚਲਦੇ ਵਾਹਨ, ਅੱਗੇ ਸੜਕ ਤੇ ਖਾਲੀ ਜਗ੍ਹਾ, ਕਰਬਾਂ ਦੀ ਸਥਿਤੀ, ਆਦਿ ਤੱਕ ਸੀਮਿਤ ਹਨ. ਵਾਹਨਾਂ ਦੇ ਵਧੀਆ ਵੇਰਵੇ ਵੀ ਮਹੱਤਵਪੂਰਨ ਨਹੀਂ ਹਨ, ਕਿਉਂਕਿ ਸਮੱਸਿਆ ਲਈ ਸਿਰਫ ਉਨ੍ਹਾਂ ਦੀ ਸਥਾਨਿਕ ਸਥਿਤੀ ਅਸਲ ਵਿੱਚ ਜ਼ਰੂਰੀ ਹੈ। ਇਸ ਲਈ ਸੰਬੰਧਿਤ ਜਾਣਕਾਰੀ ਲਈ ਮੈਮੋਰੀ ਬੈਂਡਵਿਡਥ ਬਹੁਤ ਘੱਟ ਹੈ। ਜੇਕਰ ਇਹ ਢੁਕਵੀਂ ਜਾਣਕਾਰੀ ਕੱਢੀ ਜਾ ਸਕੇ, ਜਦੋਂ ਕਿ ਹੋਰ ਗੈਰ-ਸਬੰਧਤ ਹਿੱਸੇ ਫਿਲਟਰ ਕੀਤੇ ਗਏ ਹਨ, ਤਾਂ ਇਹ ਆਟੋਨੋਮਸ ਡਰਾਈਵਿੰਗ ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਸ਼ੁੱਧਤਾ ਅਤੇ ਕੁਸ਼ਲਤਾ ਦੋਵਾਂ ਵਿੱਚ ਸੁਧਾਰ ਕਰੇਗਾ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਹ ਸਿਸਟਮ ਦੀ ਗਣਨਾ ਅਤੇ ਮੈਮੋਰੀ ਦੀਆਂ ਜ਼ਰੂਰਤਾਂ ਨੂੰ ਘਟਾ ਦੇਵੇਗਾ, ਜੋ ਕਿ ਏਮਬੇਡਡ ਪ੍ਰਣਾਲੀਆਂ ਤੇ ਮਹੱਤਵਪੂਰਣ ਰੁਕਾਵਟਾਂ ਹਨ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਖੁਦਮੁਖਤਿਆਰੀ ਡਰਾਈਵਿੰਗ ਕੰਟਰੋਲ ਯੂਨਿਟ ਸ਼ਾਮਲ ਹੋਵੇਗੀ। ਧਿਆਨ ਦੇ ਮਾਡਲ ਅਜਿਹੀ ਜਾਣਕਾਰੀ ਫਿਲਟਰਿੰਗ ਪ੍ਰਕਿਰਿਆ ਲਈ ਇੱਕ ਕੁਦਰਤੀ ਫਿਟ ਹਨ। ਹਾਲ ਹੀ ਵਿੱਚ, ਇਹ ਮਾਡਲ ਸਫਲਤਾਪੂਰਵਕ [23] ਅਤੇ [10] ਵਿੱਚ ਚਿੱਤਰ ਪਛਾਣ ਲਈ ਤਾਇਨਾਤ ਕੀਤੇ ਗਏ ਸਨ, ਜਿਸ ਵਿੱਚ RL ਨੂੰ RNNs ਨਾਲ ਮਿਲਾਇਆ ਗਿਆ ਸੀ ਤਾਂ ਜੋ ਚਿੱਤਰ ਦੇ ਹਿੱਸੇ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਧਿਆਨ ਦਿੱਤਾ ਜਾ ਸਕੇ. ਅਜਿਹੇ ਮਾਡਲਾਂ ਨੂੰ ਆਸਾਨੀ ਨਾਲ ਡੀਕਿਊਐਨ [11] ਅਤੇ ਡੂੰਘੀ ਰੀਕੁਰੈਂਟ ਕਿਊ ਨੈੱਟਵਰਕ (ਡੀਆਰਕਿਊਐਨ) [4] ਮਾਡਲਾਂ ਵਿੱਚ ਵਿਸਤਾਰਿਤ ਅਤੇ ਏਕੀਕ੍ਰਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਏਕੀਕਰਣ [16] ਵਿੱਚ ਕੀਤਾ ਗਿਆ ਸੀ। ਧਿਆਨ ਮਾਡਲਾਂ ਦੀ ਸਫਲਤਾ ਸਾਨੂੰ ਆਟੋਮੈਟਿਕ ਡਰਾਈਵਿੰਗ ਕਰਨ ਲਈ ਕੱਚੀ ਸੰਵੇਦਨਾਤਮਕ ਜਾਣਕਾਰੀ ਤੋਂ ਘੱਟ ਪੱਧਰ ਦੀ ਜਾਣਕਾਰੀ ਨੂੰ ਕੱਢਣ ਲਈ ਪ੍ਰਸਤਾਵਿਤ ਕਰਨ ਲਈ ਪ੍ਰੇਰਿਤ ਕਰਦੀ ਹੈ। ਇਸ ਪੇਪਰ ਵਿੱਚ, ਅਸੀਂ ਇੱਕ ਐਂਡ-ਐਂਡ ਆਟੋਨੋਮਸ ਡਰਾਈਵਿੰਗ ਮਾਡਲ ਲਈ ਇੱਕ ਫਰੇਮਵਰਕ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ ਜੋ ਕੱਚੇ ਸੈਂਸਰ ਇਨਪੁਟਸ ਅਤੇ ਆਉਟਪੁੱਟ ਡਰਾਈਵਿੰਗ ਐਕਸ਼ਨ ਲੈਂਦਾ ਹੈ। ਮਾਡਲ ਅੰਸ਼ਕ ਤੌਰ ਤੇ ਦੇਖਣਯੋਗ ਦ੍ਰਿਸ਼ਾਂ ਨੂੰ ਸੰਭਾਲਣ ਦੇ ਸਮਰੱਥ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਅਸੀਂ ਪ੍ਰਾਪਤ ਸੈਂਸਰ ਡੇਟਾ ਤੋਂ ਸਿਰਫ relevantੁਕਵੀਂ ਜਾਣਕਾਰੀ ਕੱractਣ ਲਈ ਧਿਆਨ ਦੇ ਮਾਡਲਾਂ ਵਿਚ ਹਾਲ ਹੀ ਵਿਚ ਹੋਈਆਂ ਤਰੱਕੀ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਨ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ, ਇਸ ਤਰ੍ਹਾਂ ਇਸ ਨੂੰ ਰੀਅਲ-ਟਾਈਮ ਏਮਬੇਡਡ ਪ੍ਰਣਾਲੀਆਂ ਲਈ suitableੁਕਵਾਂ ਬਣਾਉਣਾ. ਇਸ ਪੇਪਰ ਦੇ ਮੁੱਖ ਯੋਗਦਾਨਃ 1) ਡੂੰਘੀ ਸੁਧਾਰ ਸਿਖਲਾਈ ਦੇ ਹਾਲ ਹੀ ਦੇ ਵਿਕਾਸ ਦੀ ਇੱਕ ਸਮੀਖਿਆ ਪੇਸ਼ ਕਰਨਾ ਅਤੇ 2) ਆਟੋਮੋਟਿਵ ਕਮਿਊਨਿਟੀ ਨੂੰ ਡੂੰਘੀ ਸੁਧਾਰ ਸਿਖਲਾਈ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਆਟੋਮੈਟਿਕ ਡ੍ਰਾਈਵਿੰਗ ਨੂੰ ਖਤਮ ਕਰਨ ਲਈ ਇੱਕ ਫਰੇਮਵਰਕ ਪੇਸ਼ ਕਰਨਾ. ਬਾਕੀ ਕਾਗਜ਼ ਨੂੰ ਦੋ ਹਿੱਸਿਆਂ ਵਿੱਚ ਵੰਡਿਆ ਗਿਆ ਹੈ। ਪਹਿਲਾ ਭਾਗ ਡੂੰਘੇ ਸੁਧਾਰਨ ਵਾਲੇ ਸਿੱਖਣ ਐਲਗੋਰਿਥਮ ਦਾ ਇੱਕ ਸਰਵੇਖਣ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਜੋ ਕਿ ਰਵਾਇਤੀ ਐਮਡੀਪੀ ਫਰੇਮਵਰਕ ਅਤੇ ਕਿਊ-ਲਰਨਿੰਗ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ, ਜਿਸਦੇ ਬਾਅਦ ਡੀਕਿਊਐਨ, ਡੀਆਰਕਿਊਐਨ ਅਤੇ ਡੂੰਘੀ ਧਿਆਨ ਲਗਾਤਾਰ ਕਿਊ ਨੈਟਵਰਕ (ਡੀਏਆਰਕਿਊਐਨ) ਹੁੰਦੇ ਹਨ। ਕਾਗਜ਼ ਦੇ ਦੂਜੇ ਹਿੱਸੇ ਵਿੱਚ ਪ੍ਰਸਤਾਵਿਤ ਢਾਂਚੇ ਦਾ ਵਰਣਨ ਕੀਤਾ ਗਿਆ ਹੈ ਜੋ ਡੂੰਘੀ ਪੁਨਰ-ਸੁਰਜੀਤੀ ਸਿਖਲਾਈ ਵਿੱਚ ਹਾਲ ਹੀ ਵਿੱਚ ਹੋਈਆਂ ਤਰੱਕੀ ਨੂੰ ਜੋੜਦਾ ਹੈ। ਅੰਤ ਵਿੱਚ, ਅਸੀਂ ਸਿੱਟਾ ਕੱ andਦੇ ਹਾਂ ਅਤੇ ਭਵਿੱਖ ਦੇ ਕੰਮ ਲਈ ਨਿਰਦੇਸ਼ਾਂ ਦਾ ਸੁਝਾਅ ਦਿੰਦੇ ਹਾਂ. ਰੀਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਦੀ ਸਮੀਖਿਆ ਰੀਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਦੀ ਇੱਕ ਵਿਆਪਕ ਸਮੀਖਿਆ ਲਈ, ਕਿਰਪਾ ਕਰਕੇ ਰਿਚ ਸੱਟਨ ਦੀ ਪਾਠ ਪੁਸਤਕ ਦੇ ਦੂਜੇ ਸੰਸਕਰਣ [18] ਨੂੰ ਵੇਖੋ. ਅਸੀਂ ਇਸ ਭਾਗ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਵਿਸ਼ਿਆਂ ਦੀ ਇੱਕ ਸੰਖੇਪ ਸਮੀਖਿਆ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਾਂ। ਰੀਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਫਰੇਮਵਰਕ ਨੂੰ [17] ਵਿੱਚ ਇੱਕ ਮਾਡਲ ਦੇ ਤੌਰ ਤੇ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਸੀ ਤਾਂ ਜੋ ਇੱਕ ਏਜੰਟ ਸਭ ਤੋਂ ਵਧੀਆ ਨੀਤੀ ਪ੍ਰਦਾਨ ਕਰ ਸਕੇ (ਦਿੱਤੀ ਗਈ ਸਥਿਤੀ ਵਿੱਚ ਲੈਣ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਕਾਰਵਾਈ), ਤਾਂ ਜੋ ਕੁੱਲ ਇਕੱਠੇ ਕੀਤੇ ਇਨਾਮ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਕੀਤਾ ਜਾ ਸਕੇ ਜਦੋਂ ਏਜੰਟ ਮੌਜੂਦਾ ਤੋਂ ਉਸ ਨੀਤੀ ਦੀ ਪਾਲਣਾ ਕਰਦਾ ਹੈ ਅਤੇ ਜਦੋਂ ਤੱਕ ਇੱਕ ਟਰਮੀਨਲ ਸਟੇਟ ਨਹੀਂ ਪਹੁੰਚ ਜਾਂਦਾ. ਆਰਐਲ ਪੈਰਾਡਿਜ਼ਮ ਡਰਾਈਵਿੰਗ ਲਈ ਪ੍ਰੇਰਣਾ ਇੱਕ ਮਲਟੀ-ਏਜੰਟ ਇੰਟਰੈਕਸ਼ਨ ਸਮੱਸਿਆ ਹੈ। ਇੱਕ ਮਨੁੱਖੀ ਡਰਾਈਵਰ ਦੇ ਤੌਰ ਤੇ, ਭਾਰੀ ਟ੍ਰੈਫਿਕ ਵਿੱਚ ਲੇਨਾਂ ਬਦਲਣ ਨਾਲੋਂ ਹੋਰ ਕਾਰਾਂ ਨਾਲ ਕੋਈ ਗੱਲਬਾਤ ਕੀਤੇ ਬਿਨਾਂ ਲੇਨ ਦੇ ਅੰਦਰ ਰਹਿਣਾ ਬਹੁਤ ਸੌਖਾ ਹੈ। ਬਾਅਦ ਵਾਲਾ ਹੋਰ ਡਰਾਈਵਰਾਂ ਦੇ ਵਿਵਹਾਰ ਵਿੱਚ ਪੈਦਾ ਹੋਈ ਅਨਿਸ਼ਚਿਤਤਾ ਦੇ ਕਾਰਨ ਵਧੇਰੇ ਮੁਸ਼ਕਲ ਹੈ। ਆਪਸ ਵਿੱਚ ਜੁੜੇ ਵਾਹਨਾਂ ਦੀ ਗਿਣਤੀ, ਉਨ੍ਹਾਂ ਦੀ ਜਿਓਮੈਟ੍ਰਿਕ ਸੰਰਚਨਾ ਅਤੇ ਡਰਾਈਵਰਾਂ ਦੇ ਵਿਵਹਾਰ ਵਿੱਚ ਬਹੁਤ ਭਿੰਨਤਾ ਹੋ ਸਕਦੀ ਹੈ ਅਤੇ ਸਾਰੇ ਦ੍ਰਿਸ਼ਾਂ ਦੇ ਵਿਸਤ੍ਰਿਤ ਕਵਰੇਜ ਦੇ ਨਾਲ ਇੱਕ ਨਿਗਰਾਨੀ ਸਿਖਲਾਈ ਡੇਟਾ ਸੈਟ ਤਿਆਰ ਕਰਨਾ ਚੁਣੌਤੀਪੂਰਨ ਹੈ। ਮਨੁੱਖੀ ਡਰਾਈਵਰ ਕਿਸੇ ਕਿਸਮ ਦੀ reinforcementਨਲਾਈਨ ਰੀਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਨੂੰ ਦੂਜੇ ਡਰਾਈਵਰਾਂ ਦੇ ਵਿਵਹਾਰ ਨੂੰ ਸਮਝਣ ਲਈ ਵਰਤਦੇ ਹਨ ਜਿਵੇਂ ਕਿ ਉਹ ਰੱਖਿਆਤਮਕ ਜਾਂ ਹਮਲਾਵਰ ਹਨ, ਤਜਰਬੇਕਾਰ ਹਨ ਜਾਂ ਤਜਰਬੇਕਾਰ ਨਹੀਂ ਹਨ, ਆਦਿ. ਇਹ ਵਿਸ਼ੇਸ਼ ਤੌਰ ਤੇ ਉਨ੍ਹਾਂ ਦ੍ਰਿਸ਼ਾਂ ਵਿੱਚ ਲਾਭਦਾਇਕ ਹੈ ਜਿਨ੍ਹਾਂ ਲਈ ਗੱਲਬਾਤ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਅਰਥਾਤ ਇੱਕ ਗੋਲ ਗੋਲ ਵਿੱਚ ਦਾਖਲ ਹੋਣਾ, ਟ੍ਰੈਫਿਕ ਲਾਈਟਾਂ ਤੋਂ ਬਿਨਾਂ ਜੰਕਸ਼ਨ ਨੂੰ ਨੈਵੀਗੇਟ ਕਰਨਾ, ਭਾਰੀ ਟ੍ਰੈਫਿਕ ਦੇ ਦੌਰਾਨ ਲੇਨ ਬਦਲਣਾ, ਆਦਿ। ਆਟੋਨੋਮਸ ਡਰਾਈਵਿੰਗ ਵਿੱਚ ਮੁੱਖ ਚੁਣੌਤੀ ਕੋਨੇ ਦੇ ਮਾਮਲਿਆਂ ਨਾਲ ਨਜਿੱਠਣਾ ਹੈ ਜੋ ਮਨੁੱਖੀ ਡਰਾਈਵਰ ਲਈ ਵੀ ਅਚਾਨਕ ਹੁੰਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਜੀਪੀਐਸ ਤੋਂ ਬਿਨਾਂ ਕਿਸੇ ਅਣਜਾਣ ਖੇਤਰ ਵਿੱਚ ਗੁੰਮ ਜਾਣ ਤੋਂ ਬਾਅਦ ਮੁੜ ਪ੍ਰਾਪਤ ਕਰਨਾ ਜਾਂ ਹੜ੍ਹ ਜਾਂ ਜ਼ਮੀਨ ਤੇ ਸਿੰਕਹੋਲ ਦੀ ਦਿੱਖ ਵਰਗੀਆਂ ਆਫ਼ਤ ਦੀਆਂ ਸਥਿਤੀਆਂ ਨਾਲ ਨਜਿੱਠਣਾ। ਆਰਐਲ ਪੈਰਾਡਿਜ਼ਮ ਅਣਜਾਣ ਖੇਤਰ ਨੂੰ ਮਾਡਲ ਕਰਦਾ ਹੈ ਅਤੇ ਕਾਰਵਾਈਆਂ ਕਰਕੇ ਆਪਣੇ ਤਜ਼ਰਬੇ ਤੋਂ ਸਿੱਖਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਆਰਐਲ ਗੈਰ-ਵਿਸ਼ੇਸ਼ਿਤ ਲਾਗਤ ਫੰਕਸ਼ਨ ਨੂੰ ਸੰਭਾਲਣ ਦੇ ਯੋਗ ਹੋ ਸਕਦਾ ਹੈ ਜੋ ਨਿਗਰਾਨੀ ਵਾਲੀਆਂ ਸਿੱਖਣ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਲਈ ਚੁਣੌਤੀਆਂ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ। ਵਰਤਮਾਨ ਵਿੱਚ, ਆਟੋਨੋਮਸ ਡਰਾਈਵਿੰਗ ਲਈ ਮਿਆਰੀ ਪਹੁੰਚ ਸਿਸਟਮ ਨੂੰ ਅਲੱਗ-ਥਲੱਗ ਉਪ-ਪ੍ਰੇਸ਼ਾਨੀਆਂ ਵਿੱਚ ਵੰਡਣਾ ਹੈ, ਆਮ ਤੌਰ ਤੇ ਸੁਪਰਵਾਈਜ਼ਡ-ਲਰਨਿੰਗ-ਵਰਗੇ ਆਬਜੈਕਟ ਡਿਟੈਕਸ਼ਨ, ਵਿਜ਼ੂਅਲ ਓਡੋਮੀਟਰੀ, ਆਦਿ ਅਤੇ ਫਿਰ ਪਿਛਲੇ ਪੜਾਵਾਂ ਦੇ ਸਾਰੇ ਨਤੀਜਿਆਂ ਨੂੰ ਜੋੜਨ ਲਈ ਇੱਕ ਪੋਸਟ ਪ੍ਰੋਸੈਸਿੰਗ ਪਰਤ ਹੈ। ਇਸ ਪਹੁੰਚ ਦੇ ਨਾਲ ਦੋ ਮੁੱਖ ਮੁੱਦੇ ਹਨ: ਪਹਿਲਾਂ, ਉਪ-ਸਮੱਸਿਆਵਾਂ ਜੋ ਹੱਲ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ ਉਹ ਖੁਦਮੁਖਤਿਆਰ ਡਰਾਈਵਿੰਗ ਨਾਲੋਂ ਵਧੇਰੇ ਮੁਸ਼ਕਲ ਹੋ ਸਕਦੀਆਂ ਹਨ. ਉਦਾਹਰਣ ਦੇ ਲਈ, ਕੋਈ ਵਿਅਕਤੀ ਅਰਥ ਸ਼ਾਸਤਰ ਵਿਭਾਜਨ ਦੁਆਰਾ ਆਬਜੈਕਟ ਖੋਜ ਨੂੰ ਹੱਲ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਚੁਣੌਤੀ ਭਰਪੂਰ ਅਤੇ ਬੇਲੋੜਾ ਹੈ। ਮਨੁੱਖੀ ਡਰਾਈਵਰ ਡਰਾਈਵਿੰਗ ਦੌਰਾਨ ਸਾਰੀਆਂ ਦਿਸਣ ਵਾਲੀਆਂ ਵਸਤੂਆਂ ਦਾ ਪਤਾ ਨਹੀਂ ਲਗਾਉਂਦੇ ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਨਹੀਂ ਕਰਦੇ, ਸਿਰਫ ਸਭ ਤੋਂ relevantੁਕਵੇਂ. ਦੂਜਾ, ਵੱਖਰੀਆਂ ਉਪ-ਮੁਸ਼ਕਲਾਂ ਨੂੰ ਇਕਸਾਰਤਾ ਨਾਲ ਜੋੜ ਕੇ ਪ੍ਰਾਪਤ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਰੀਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਨੂੰ ਇੱਕ ਮਜ਼ਬੂਤ ਏਆਈ ਪੈਰਾਡਿਜ਼ਮ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ ਜਿਸਦੀ ਵਰਤੋਂ ਮਸ਼ੀਨਾਂ ਨੂੰ ਵਾਤਾਵਰਣ ਨਾਲ ਗੱਲਬਾਤ ਕਰਕੇ ਅਤੇ ਉਨ੍ਹਾਂ ਦੀਆਂ ਗਲਤੀਆਂ ਤੋਂ ਸਿੱਖਣ ਲਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਇਸਦੀ ਸਮਝੀ ਗਈ ਉਪਯੋਗਤਾ ਦੇ ਬਾਵਜੂਦ, ਇਸ ਨੂੰ ਅਜੇ ਤੱਕ ਆਟੋਮੋਟਿਵ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ ਸਫਲਤਾਪੂਰਵਕ ਲਾਗੂ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਹੈ। ਅਟਾਰੀ ਗੇਮਜ਼ ਅਤੇ ਗੂਗਲ ਦੀਪਮਾਈਂਡ ਦੁਆਰਾ ਗੋ ਦੀ ਸਿਖਲਾਈ ਦੇ ਸਫਲ ਪ੍ਰਦਰਸ਼ਨਾਂ ਤੋਂ ਪ੍ਰੇਰਿਤ, ਅਸੀਂ ਡੂੰਘੀ ਪੁਨਰ-ਸੁਰਜੀਤੀ ਸਿਖਲਾਈ ਦੀ ਵਰਤੋਂ ਕਰਦਿਆਂ ਆਟੋਨੋਮਸ ਡਰਾਈਵਿੰਗ ਲਈ ਇੱਕ ਫਰੇਮਵਰਕ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ। ਇਹ ਵਿਸ਼ੇਸ਼ ਤੌਰ ਤੇ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿਉਂਕਿ ਆਟੋਮੈਟਿਕ ਡਰਾਈਵਿੰਗ ਨੂੰ ਸੁਪਰਵਾਈਜ਼ਡ ਲਰਨਿੰਗ ਸਮੱਸਿਆ ਵਜੋਂ ਪੇਸ਼ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੈ ਕਿਉਂਕਿ ਇਸ ਦੇ ਵਾਤਾਵਰਣ ਨਾਲ ਮਜ਼ਬੂਤ ਪਰਸਪਰ ਪ੍ਰਭਾਵ ਹਨ, ਜਿਸ ਵਿੱਚ ਹੋਰ ਵਾਹਨ, ਪੈਦਲ ਯਾਤਰੀ ਅਤੇ ਸੜਕ ਦੇ ਕੰਮ ਸ਼ਾਮਲ ਹਨ। ਕਿਉਂਕਿ ਇਹ ਆਟੋਨੋਮਸ ਡਰਾਈਵਿੰਗ ਲਈ ਖੋਜ ਦਾ ਇੱਕ ਮੁਕਾਬਲਤਨ ਨਵਾਂ ਖੇਤਰ ਹੈ, ਅਸੀਂ ਡੂੰਘੀ ਸੁਧਾਰ ਸਿਖਲਾਈ ਦਾ ਸੰਖੇਪ ਸੰਖੇਪ ਜਾਣਕਾਰੀ ਦਿੰਦੇ ਹਾਂ ਅਤੇ ਫਿਰ ਸਾਡੇ ਪ੍ਰਸਤਾਵਿਤ ਫਰੇਮਵਰਕ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਾਂ। ਇਹ ਜਾਣਕਾਰੀ ਏਕੀਕਰਣ ਲਈ ਰੀਕਰਰੈਂਟ ਨਿਊਰਲ ਨੈਟਵਰਕ ਨੂੰ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਕਾਰ ਅੰਸ਼ਕ ਤੌਰ ਤੇ ਦੇਖਣਯੋਗ ਦ੍ਰਿਸ਼ਾਂ ਨੂੰ ਸੰਭਾਲਣ ਦੇ ਯੋਗ ਹੁੰਦੀ ਹੈ। |
a4d513cfc9d4902ef1a80198582f29b8ba46ac28 | ਇਹ ਰਿਪੋਰਟ ਏਆਈ ਦੇ ਖਤਰਨਾਕ ਉਪਯੋਗਾਂ ਤੋਂ ਸੰਭਾਵਿਤ ਸੁਰੱਖਿਆ ਖਤਰਿਆਂ ਦੀ ਸਥਿਤੀ ਦਾ ਸਰਵੇਖਣ ਕਰਦੀ ਹੈ, ਅਤੇ ਇਨ੍ਹਾਂ ਖਤਰਿਆਂ ਦੀ ਬਿਹਤਰ ਭਵਿੱਖਬਾਣੀ, ਰੋਕਥਾਮ ਅਤੇ ਘੱਟ ਕਰਨ ਦੇ ਤਰੀਕਿਆਂ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੀ ਹੈ। ਡਿਜੀਟਲ, ਭੌਤਿਕ ਅਤੇ ਰਾਜਨੀਤਿਕ ਖੇਤਰਾਂ ਵਿੱਚ ਖਤਰੇ ਦੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਨ ਦੇ ਤਰੀਕਿਆਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਅਸੀਂ ਏਆਈ ਖੋਜਕਰਤਾਵਾਂ ਅਤੇ ਹੋਰ ਹਿੱਸੇਦਾਰਾਂ ਲਈ ਚਾਰ ਉੱਚ ਪੱਧਰੀ ਸਿਫਾਰਸ਼ਾਂ ਕਰਦੇ ਹਾਂ। ਅਸੀਂ ਅੱਗੇ ਦੀ ਖੋਜ ਲਈ ਕਈ ਵਾਅਦਾ ਕੀਤੇ ਖੇਤਰਾਂ ਦਾ ਸੁਝਾਅ ਵੀ ਦਿੰਦੇ ਹਾਂ ਜੋ ਰੱਖਿਆ ਦੇ ਪੋਰਟਫੋਲੀਓ ਦਾ ਵਿਸਥਾਰ ਕਰ ਸਕਦੇ ਹਨ, ਜਾਂ ਹਮਲੇ ਨੂੰ ਘੱਟ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਜਾਂ ਚਲਾਉਣ ਲਈ ਮੁਸ਼ਕਲ ਬਣਾ ਸਕਦੇ ਹਨ। ਅੰਤ ਵਿੱਚ, ਅਸੀਂ ਹਮਲਾਵਰਾਂ ਅਤੇ ਬਚਾਅ ਕਰਨ ਵਾਲਿਆਂ ਦੇ ਲੰਮੇ ਸਮੇਂ ਦੇ ਸੰਤੁਲਨ ਬਾਰੇ ਚਰਚਾ ਕਰਦੇ ਹਾਂ, ਪਰ ਇਸ ਦਾ ਕੋਈ ਸਿੱਧਾ ਹੱਲ ਨਹੀਂ ਕਰਦੇ। |
b5a047dffc3d70dce19de61257605dfc8c69535c | ਗਹਿਰੇ ਨਯੂਰਨਲ ਨੈੱਟਵਰਕ ਗੁੰਝਲਦਾਰ, ਅਸਲ-ਵਿਸ਼ਵ ਸਮੱਸਿਆਵਾਂ ਨਾਲ ਨਜਿੱਠਣ ਲਈ ਇੱਕ ਵਿਆਪਕ ਤੌਰ ਤੇ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਅਤੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸਾਧਨ ਵਜੋਂ ਉਭਰ ਆਏ ਹਨ। ਹਾਲਾਂਕਿ, ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਪ੍ਰਣਾਲੀਆਂ ਤੇ ਇਨ੍ਹਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਵਿੱਚ ਇੱਕ ਵੱਡੀ ਰੁਕਾਵਟ ਉਨ੍ਹਾਂ ਦੇ ਵਿਵਹਾਰ ਬਾਰੇ ਰਸਮੀ ਗਾਰੰਟੀ ਪ੍ਰਦਾਨ ਕਰਨ ਵਿੱਚ ਬਹੁਤ ਮੁਸ਼ਕਲ ਹੈ। ਅਸੀਂ ਡੂੰਘੇ ਨਯੂਰਲ ਨੈਟਵਰਕ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਲਈ (ਜਾਂ ਵਿਰੋਧੀ ਉਦਾਹਰਣਾਂ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ) ਇੱਕ ਨਾਵਲ, ਸਕੇਲੇਬਲ ਅਤੇ ਕੁਸ਼ਲ ਤਕਨੀਕ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ। ਇਹ ਤਕਨੀਕ ਸਿਮਪਲੈਕਸ ਵਿਧੀ ਤੇ ਅਧਾਰਤ ਹੈ, ਜਿਸ ਨੂੰ ਗੈਰ-ਕਨਵੈਕਸ ਰੀਕਟਿਫਾਈਡ ਲੀਨੀਅਰ ਯੂਨਿਟ (ਆਰ.ਐੱਲ.ਯੂ.) ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨ ਨੂੰ ਸੰਭਾਲਣ ਲਈ ਵਧਾਇਆ ਗਿਆ ਹੈ, ਜੋ ਕਿ ਬਹੁਤ ਸਾਰੇ ਆਧੁਨਿਕ ਨਯੂਰਲ ਨੈਟਵਰਕਾਂ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਣ ਤੱਤ ਹੈ। ਤਸਦੀਕ ਪ੍ਰਕਿਰਿਆ ਨੇਰੋਲ ਨੈਟਵਰਕ ਨੂੰ ਸਮੁੱਚੇ ਤੌਰ ਤੇ ਸੰਬੋਧਿਤ ਕਰਦੀ ਹੈ, ਬਿਨਾਂ ਕਿਸੇ ਸਰਲਤਾਪੂਰਣ ਧਾਰਨਾ ਦੇ। ਅਸੀਂ ਅਗਲੀ ਪੀੜ੍ਹੀ ਦੇ ਏਅਰਬੋਰਨ ਟਕਰਾਅ ਤੋਂ ਬਚਣ ਪ੍ਰਣਾਲੀ ਦੇ ਪ੍ਰੋਟੋਟਾਈਪ ਡੂੰਘੇ ਨਯੂਰਨਲ ਨੈਟਵਰਕ ਲਾਗੂ ਕਰਨ ਤੇ ਆਪਣੀ ਤਕਨੀਕ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ। ਨਤੀਜੇ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਸਾਡੀ ਤਕਨੀਕ ਸਫਲਤਾਪੂਰਵਕ ਨੈਟਵਰਕ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਸਾਬਤ ਕਰ ਸਕਦੀ ਹੈ ਜੋ ਮੌਜੂਦਾ ਤਰੀਕਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪ੍ਰਮਾਣਿਤ ਸਭ ਤੋਂ ਵੱਡੇ ਨੈਟਵਰਕਾਂ ਨਾਲੋਂ ਵੱਡੇ ਆਕਾਰ ਦੇ ਆਦੇਸ਼ ਹਨ। |
b4bd9fab8439da4939a980a950838d1299a9b030 | ਵਰਤੋਂ ਦੀਆਂ ਪੂਰੀਆਂ ਸ਼ਰਤਾਂ ਅਤੇ ਸ਼ਰਤਾਂਃ http://pubsonline.informs.org/page/terms-and-conditions ਇਸ ਲੇਖ ਦੀ ਵਰਤੋਂ ਸਿਰਫ ਖੋਜ, ਸਿੱਖਿਆ ਅਤੇ/ਜਾਂ ਨਿੱਜੀ ਅਧਿਐਨ ਦੇ ਉਦੇਸ਼ਾਂ ਲਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਵਪਾਰਕ ਵਰਤੋਂ ਜਾਂ ਯੋਜਨਾਬੱਧ ਡਾਊਨਲੋਡਿੰਗ (ਰੋਬੋਟਾਂ ਜਾਂ ਹੋਰ ਆਟੋਮੈਟਿਕ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੁਆਰਾ) ਪ੍ਰਕਾਸ਼ਕ ਦੀ ਸਪੱਸ਼ਟ ਪ੍ਰਵਾਨਗੀ ਤੋਂ ਬਿਨਾਂ ਵਰਜਿਤ ਹੈ, ਜਦੋਂ ਤੱਕ ਹੋਰ ਦੱਸਿਆ ਨਹੀਂ ਜਾਂਦਾ. ਵਧੇਰੇ ਜਾਣਕਾਰੀ ਲਈ, [email protected] ਨਾਲ ਸੰਪਰਕ ਕਰੋ। ਪ੍ਰਕਾਸ਼ਕ ਲੇਖ ਦੀ ਸ਼ੁੱਧਤਾ, ਸੰਪੂਰਨਤਾ, ਵਪਾਰਕਤਾ, ਕਿਸੇ ਖਾਸ ਉਦੇਸ਼ ਲਈ ਯੋਗਤਾ ਜਾਂ ਗੈਰ-ਅਨੁਸ਼ਾਸਨ ਦੀ ਗਰੰਟੀ ਜਾਂ ਗਰੰਟੀ ਨਹੀਂ ਦਿੰਦਾ ਹੈ। ਉਤਪਾਦਾਂ ਜਾਂ ਪ੍ਰਕਾਸ਼ਨਾਂ ਦੇ ਵਰਣਨ, ਜਾਂ ਸੰਦਰਭ, ਜਾਂ ਇਸ ਲੇਖ ਵਿੱਚ ਕਿਸੇ ਇਸ਼ਤਿਹਾਰ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨਾ, ਉਸ ਉਤਪਾਦ, ਪ੍ਰਕਾਸ਼ਨ ਜਾਂ ਸੇਵਾ ਦੇ ਦਾਅਵਿਆਂ ਦੀ ਗਰੰਟੀ, ਸਮਰਥਨ ਜਾਂ ਸਮਰਥਨ ਦਾ ਗਠਨ ਨਹੀਂ ਕਰਦਾ ਅਤੇ ਨਾ ਹੀ ਇਹ ਸੰਕੇਤ ਦਿੰਦਾ ਹੈ। © 1990 INFORMS |
5288d14f6a3937df5e10109d4e23d79b7ddf080f | |
c9946fedf333df0c6404765ba6ccbf8006779753 | ਆਟੋਮੈਟਿਕ ਡਰਾਈਵਿੰਗ ਨੇ ਡਰਾਈਵਰ ਦੀ ਸਹੂਲਤ ਪ੍ਰਦਾਨ ਕਰਨ ਅਤੇ ਸੁਰੱਖਿਆ ਵਧਾਉਣ ਦੀ ਸਮਰੱਥਾ ਦਿਖਾਈ ਹੈ। ਆਟੋਮੈਟਿਕ ਡਰਾਈਵਿੰਗ ਨੂੰ ਸਾਡੇ ਮੌਜੂਦਾ ਟ੍ਰੈਫਿਕ ਸਿਸਟਮ ਵਿੱਚ ਪੇਸ਼ ਕਰਦੇ ਸਮੇਂ, ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਮੁੱਦਾ ਇਹ ਹੈ ਕਿ ਆਟੋਮੈਟਿਕ ਵਾਹਨ ਨੂੰ ਅਸਲ ਮਨੁੱਖੀ ਡਰਾਈਵਰਾਂ ਵਾਂਗ ਉਸੇ ਤਰ੍ਹਾਂ ਪ੍ਰਤੀਕ੍ਰਿਆ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਣਾ ਹੈ। ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਕਿ ਭਵਿੱਖ ਦਾ ਆਟੋਨੋਮਸ ਵਾਹਨ ਮਨੁੱਖੀ ਡਰਾਈਵਰਾਂ ਵਾਂਗ ਕੰਮ ਕਰੇਗਾ, ਇਹ ਪੇਪਰ ਵਾਹਨ ਦੀ ਗਤੀ ਯੋਜਨਾਬੰਦੀ ਮਾਡਲ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦਾ ਹੈ, ਜੋ ਦਰਸਾ ਸਕਦਾ ਹੈ ਕਿ ਕਿਵੇਂ ਡਰਾਈਵਰਾਂ ਨੇ ਅਸਲ ਸੰਕੇਤ ਕੀਤੇ ਚੌਰਾਹੇ ਵਿਚ ਟ੍ਰੈਫਿਕ ਵਾਤਾਵਰਣ ਦੇ ਮੁਲਾਂਕਣ ਦੇ ਅਧਾਰ ਤੇ ਵਾਹਨਾਂ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕੀਤਾ ਹੈ. ਪ੍ਰਸਤਾਵਿਤ ਗਤੀ ਯੋਜਨਾ ਮਾਡਲ ਵਿੱਚ ਪੈਦਲ ਯਾਤਰੀਆਂ ਦੇ ਇਰਾਦੇ ਦਾ ਪਤਾ ਲਗਾਉਣ, ਖਾਲੀ ਥਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣ ਅਤੇ ਵਾਹਨ ਦੀ ਗਤੀਸ਼ੀਲ ਨਿਯੰਤਰਣ ਦੇ ਕਾਰਜ ਸ਼ਾਮਲ ਹਨ। ਇਹ ਤਿੰਨ ਫੰਕਸ਼ਨ ਅਸਲ ਟ੍ਰੈਫਿਕ ਵਾਤਾਵਰਣ ਤੋਂ ਇਕੱਠੇ ਕੀਤੇ ਗਏ ਅਸਲ ਡੇਟਾ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਅਧਾਰ ਤੇ ਬਣਾਏ ਗਏ ਹਨ. ਅੰਤ ਵਿੱਚ, ਇਹ ਪੇਪਰ ਸਾਡੇ ਮਾਡਲ ਦੇ ਵਿਵਹਾਰ ਨੂੰ ਅਸਲ ਪੈਦਲ ਯਾਤਰੀਆਂ ਅਤੇ ਮਨੁੱਖੀ ਡਰਾਈਵਰਾਂ ਦੇ ਵਿਵਹਾਰ ਨਾਲ ਤੁਲਨਾ ਕਰਕੇ ਪ੍ਰਸਤਾਵਿਤ ਵਿਧੀ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਪ੍ਰਯੋਗਾਤਮਕ ਨਤੀਜਿਆਂ ਤੋਂ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ ਸਾਡੇ ਪ੍ਰਸਤਾਵਿਤ ਮਾਡਲ ਪੈਦਲ ਯਾਤਰੀਆਂ ਦੇ ਪਾਰ ਹੋਣ ਦੇ ਇਰਾਦੇ ਲਈ 85% ਪਛਾਣ ਦਰ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਪ੍ਰਸਤਾਵਿਤ ਮੋਸ਼ਨ ਪਲਾਨਿੰਗ ਮਾਡਲ ਦੁਆਰਾ ਨਿਯੰਤਰਿਤ ਵਾਹਨ ਅਤੇ ਅਸਲ ਮਨੁੱਖੀ-ਚਾਲਿਤ ਵਾਹਨ ਬਹੁਤ ਹੀ ਸਮਾਨ ਹਨ ਜੋ ਕਿ ਲਾਂਘਿਆਂ ਵਿੱਚ ਪਾੜੇ ਦੀ ਪ੍ਰਵਾਨਗੀ ਦੇ ਸੰਬੰਧ ਵਿੱਚ ਹਨ। |
061356704ec86334dbbc073985375fe13cd39088 | ਇਸ ਕੰਮ ਵਿੱਚ ਅਸੀਂ ਵੱਡੇ ਪੈਮਾਨੇ ਦੀ ਚਿੱਤਰ ਪਛਾਣ ਸੈਟਿੰਗ ਵਿੱਚ ਇਸਦੀ ਸ਼ੁੱਧਤਾ ਤੇ ਕਨਵੋਲੂਸ਼ਨਲ ਨੈਟਵਰਕ ਡੂੰਘਾਈ ਦੇ ਪ੍ਰਭਾਵ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹਾਂ। ਸਾਡਾ ਮੁੱਖ ਯੋਗਦਾਨ ਵਧਦੀ ਡੂੰਘਾਈ ਦੇ ਨੈਟਵਰਕ ਦਾ ਇੱਕ ਚੰਗੀ ਤਰ੍ਹਾਂ ਮੁਲਾਂਕਣ ਹੈ, ਜੋ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਪਹਿਲਾਂ ਦੀ ਤਕਨੀਕ ਦੀ ਸੰਰਚਨਾ ਤੇ ਇੱਕ ਮਹੱਤਵਪੂਰਣ ਸੁਧਾਰ ਡੂੰਘਾਈ ਨੂੰ 16-19 ਭਾਰ ਦੀਆਂ ਪਰਤਾਂ ਤੱਕ ਧੱਕ ਕੇ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ. ਇਹ ਖੋਜਾਂ ਸਾਡੇ ਇਮੇਜਨੇਟ ਚੈਲੇਂਜ 2014 ਦੀ ਬੇਨਤੀ ਦਾ ਆਧਾਰ ਸਨ, ਜਿੱਥੇ ਸਾਡੀ ਟੀਮ ਨੇ ਅਨੁਵਾਦ ਅਤੇ ਵਰਗੀਕਰਨ ਟਰੈਕਾਂ ਵਿੱਚ ਕ੍ਰਮਵਾਰ ਪਹਿਲਾ ਅਤੇ ਦੂਜਾ ਸਥਾਨ ਸੁਰੱਖਿਅਤ ਕੀਤਾ। ਅਸੀਂ ਇਹ ਵੀ ਦਿਖਾਉਂਦੇ ਹਾਂ ਕਿ ਸਾਡੇ ਨੁਮਾਇੰਦਗੀ ਨੂੰ ਹੋਰ ਡਾਟਾ ਸੈੱਟਾਂ ਲਈ ਚੰਗੀ ਤਰ੍ਹਾਂ ਆਮ ਬਣਾਇਆ ਗਿਆ ਹੈ, ਜਦੋਂ ਕਿ ਅਤਿ-ਆਧੁਨਿਕ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕੀਤੇ ਜਾਂਦੇ ਹਨ. ਮਹੱਤਵਪੂਰਨ ਗੱਲ ਇਹ ਹੈ ਕਿ ਅਸੀਂ ਆਪਣੇ ਦੋ ਬੇਸਟ-ਪਰਫਾਰਮਿੰਗ ਕਾਨਵਨੇਟ ਮਾਡਲਾਂ ਨੂੰ ਜਨਤਕ ਤੌਰ ਤੇ ਉਪਲਬਧ ਕਰਵਾਇਆ ਹੈ ਤਾਂ ਜੋ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਵਿੱਚ ਡੂੰਘੀ ਵਿਜ਼ੁਅਲ ਪ੍ਰਸਤੁਤੀਆਂ ਦੀ ਵਰਤੋਂ ਬਾਰੇ ਹੋਰ ਖੋਜ ਦੀ ਸਹੂਲਤ ਦਿੱਤੀ ਜਾ ਸਕੇ। |
14318685b5959b51d0f1e3db34643eb2855dc6d9 | ਅਸੀਂ ਇੱਕ ਡੂੰਘੀ ਕਨਵੋਲੂਸ਼ਨਲ ਨਯੂਰਲ ਨੈਟਵਰਕ ਆਰਕੀਟੈਕਚਰ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ ਜਿਸਦਾ ਕੋਡ ਨਾਮ ਇਨਸੈਪਸ਼ਨ ਹੈ ਜੋ ਇਮੇਜਨੇਟ ਲਾਰਜ-ਸਕੇਲ ਵਿਜ਼ੂਅਲ ਰੀਕੋਗਨੀਸ਼ਨ ਚੈਲੇਂਜ 2014 (ਆਈਐਲਐਸਵੀਆਰਸੀ 14) ਵਿੱਚ ਵਰਗੀਕਰਣ ਅਤੇ ਖੋਜ ਲਈ ਕਲਾ ਦੀ ਨਵੀਂ ਸਥਿਤੀ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ। ਇਸ ਆਰਕੀਟੈਕਚਰ ਦੀ ਮੁੱਖ ਪਛਾਣ ਨੈੱਟਵਰਕ ਦੇ ਅੰਦਰ ਕੰਪਿਊਟਿੰਗ ਸਰੋਤਾਂ ਦੀ ਬਿਹਤਰ ਵਰਤੋਂ ਹੈ। ਧਿਆਨ ਨਾਲ ਤਿਆਰ ਕੀਤੇ ਡਿਜ਼ਾਇਨ ਦੁਆਰਾ, ਅਸੀਂ ਕੰਪਿਊਟੇਸ਼ਨਲ ਬਜਟ ਨੂੰ ਸਥਿਰ ਰੱਖਦੇ ਹੋਏ ਨੈਟਵਰਕ ਦੀ ਡੂੰਘਾਈ ਅਤੇ ਚੌੜਾਈ ਨੂੰ ਵਧਾ ਦਿੱਤਾ। ਗੁਣਵੱਤਾ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਲਈ, ਆਰਕੀਟੈਕਚਰਲ ਫੈਸਲੇ ਹੇਬਬੀਅਨ ਸਿਧਾਂਤ ਅਤੇ ਮਲਟੀ-ਸਕੇਲ ਪ੍ਰੋਸੈਸਿੰਗ ਦੀ ਸੂਝ ਤੇ ਅਧਾਰਤ ਸਨ। ਆਈਐੱਲਐੱਸਵੀਆਰਸੀ 14 ਲਈ ਸਾਡੀ ਬੇਨਤੀ ਵਿੱਚ ਵਰਤੀ ਗਈ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਰੂਪ ਨੂੰ ਗੂਗਲਨੇਟ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਇੱਕ 22 ਲੇਅਰ ਡੂੰਘੇ ਨੈੱਟਵਰਕ, ਜਿਸਦੀ ਗੁਣਵੱਤਾ ਦਾ ਮੁਲਾਂਕਣ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਅਤੇ ਖੋਜ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। |
1827de6fa9c9c1b3d647a9d707042e89cf94abf0 | ਡੂੰਘੇ ਨਯੂਰਨ ਨੈਟਵਰਕ ਦੀ ਸਿਖਲਾਈ ਇਸ ਤੱਥ ਦੁਆਰਾ ਗੁੰਝਲਦਾਰ ਹੈ ਕਿ ਸਿਖਲਾਈ ਦੇ ਦੌਰਾਨ ਹਰੇਕ ਪਰਤ ਦੇ ਇੰਪੁੱਟਾਂ ਦੀ ਵੰਡ ਬਦਲਦੀ ਹੈ, ਕਿਉਂਕਿ ਪਿਛਲੀਆਂ ਪਰਤਾਂ ਦੇ ਪੈਰਾਮੀਟਰ ਬਦਲਦੇ ਹਨ. ਇਹ ਘੱਟ ਸਿੱਖਣ ਦੀਆਂ ਦਰਾਂ ਅਤੇ ਧਿਆਨ ਨਾਲ ਪੈਰਾਮੀਟਰ ਸ਼ੁਰੂਆਤੀਕਰਨ ਦੀ ਲੋੜ ਕਰਕੇ ਸਿਖਲਾਈ ਨੂੰ ਹੌਲੀ ਕਰਦਾ ਹੈ, ਅਤੇ ਇਹ ਸੰਤ੍ਰਿਪਤ ਗੈਰ-ਰੁਖਵੀਆਂ ਦੇ ਨਾਲ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣਾ ਬਹੁਤ ਮੁਸ਼ਕਲ ਬਣਾਉਂਦਾ ਹੈ. ਅਸੀਂ ਇਸ ਵਰਤਾਰੇ ਨੂੰ ਅੰਦਰੂਨੀ ਸਹਿ-ਵਿਰਤ ਤਬਦੀਲੀ ਵਜੋਂ ਦਰਸਾਉਂਦੇ ਹਾਂ, ਅਤੇ ਪਰਤ ਇੰਪੁੱਟ ਨੂੰ ਸਧਾਰਣ ਬਣਾ ਕੇ ਸਮੱਸਿਆ ਦਾ ਹੱਲ ਕਰਦੇ ਹਾਂ। ਸਾਡੀ ਵਿਧੀ ਆਪਣੀ ਤਾਕਤ ਨੂੰ ਨਾਰਮਲ ਬਣਾਉਣ ਦੇ ਮਾਡਲ ਆਰਕੀਟੈਕਚਰ ਦਾ ਹਿੱਸਾ ਬਣਾਉਂਦੀ ਹੈ ਅਤੇ ਹਰੇਕ ਸਿਖਲਾਈ ਮਿੰਨੀ-ਬੈਚ ਲਈ ਨਾਰਮਲ ਬਣਾਉਣ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਕਰਦੀ ਹੈ. ਬੈਚ ਸਧਾਰਣਕਰਣ ਸਾਨੂੰ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸਿਖਲਾਈ ਦੀਆਂ ਦਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਅਤੇ ਸ਼ੁਰੂਆਤੀਕਰਨ ਬਾਰੇ ਘੱਟ ਸਾਵਧਾਨ ਰਹਿਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ, ਅਤੇ ਕੁਝ ਮਾਮਲਿਆਂ ਵਿੱਚ ਡਰਾਪਆਉਟ ਦੀ ਜ਼ਰੂਰਤ ਨੂੰ ਖਤਮ ਕਰਦਾ ਹੈ. ਇੱਕ ਅਤਿ ਆਧੁਨਿਕ ਚਿੱਤਰ ਵਰਗੀਕਰਣ ਮਾਡਲ ਤੇ ਲਾਗੂ ਕੀਤਾ ਗਿਆ, ਬੈਚ ਸਧਾਰਣਕਰਣ 14 ਗੁਣਾ ਘੱਟ ਸਿਖਲਾਈ ਦੇ ਕਦਮਾਂ ਨਾਲ ਉਹੀ ਸ਼ੁੱਧਤਾ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ, ਅਤੇ ਅਸਲ ਮਾਡਲ ਨੂੰ ਇੱਕ ਮਹੱਤਵਪੂਰਣ ਹਾਸ਼ੀਏ ਨਾਲ ਹਰਾਉਂਦਾ ਹੈ. ਬੈਚ-ਸਧਾਰਣ ਨੈੱਟਵਰਕ ਦੇ ਇੱਕ ਸਮੂਹ ਦੀ ਵਰਤੋਂ ਕਰਦਿਆਂ, ਅਸੀਂ ਇਮੇਜਨੇਟ ਵਰਗੀਕਰਣ ਤੇ ਸਭ ਤੋਂ ਵਧੀਆ ਪ੍ਰਕਾਸ਼ਤ ਨਤੀਜੇ ਤੇ ਸੁਧਾਰ ਕਰਦੇ ਹਾਂਃ 4.82% ਚੋਟੀ ਦੇ 5 ਟੈਸਟ ਗਲਤੀ ਤੱਕ ਪਹੁੰਚਣਾ, ਮਨੁੱਖੀ ਰੇਟਰਾਂ ਦੀ ਸ਼ੁੱਧਤਾ ਤੋਂ ਵੱਧਣਾ. |
6e80768219b2ab5a3247444cfb280e8d33d369f0 | ਇਸ ਪੇਪਰ ਵਿੱਚ ਇੱਕ ਅਤਿ-ਵਿਆਪਕ ਬੈਂਡ (UWB) ਪਾਵਰ ਡਿਵਾਈਡਰ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਸ ਪਾਵਰ ਡਿਵਾਈਡਰ ਦੀ ਯੂਡਬਲਯੂਬੀ ਕਾਰਗੁਜ਼ਾਰੀ ਇੱਕ ਕੋਨੇਡ ਮਾਈਕਰੋਸਟ੍ਰਿਪ ਲਾਈਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪ੍ਰਾਪਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਜਿਸ ਵਿੱਚ ਐਕਸਪੋਨੇਂਸ਼ੀਅਲ ਅਤੇ ਅੰਡਾਕਾਰ ਭਾਗ ਹੁੰਦੇ ਹਨ। ਮੋਟੇ-ਅਨਾਜ ਵਾਲੇ ਪੈਰਲਲ ਮਾਈਕਰੋ-ਜੈਨੇਟਿਕ ਐਲਗੋਰਿਥਮ (ਪੀ.ਐੱਮ.ਜੀ.ਏ.) ਅਤੇ ਸੀ.ਐੱਸ.ਟੀ. ਮਾਈਕ੍ਰੋਵੇਵ ਸਟੂਡੀਓ ਨੂੰ ਇੱਕ ਆਟੋਮੈਟਿਕ ਪੈਰਲਲ ਡਿਜ਼ਾਈਨ ਪ੍ਰਕਿਰਿਆ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਜੋੜਿਆ ਗਿਆ ਹੈ। ਇਹ ਵਿਧੀ ਯੂਡਬਲਿਊਬੀ ਪਾਵਰ ਡਿਵਾਈਡਰ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਲਈ ਲਾਗੂ ਕੀਤੀ ਗਈ ਹੈ। ਅਨੁਕੂਲਿਤ ਪਾਵਰ ਡਿਵਾਈਡਰ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ ਅਤੇ ਮਾਪਿਆ ਗਿਆ ਹੈ। ਮਾਪੇ ਗਏ ਨਤੀਜੇ ਪੂਰੇ ਯੂਡਬਲਯੂਬੀ (3.1-10.6 ਗੀਗਾਹਰਟਜ਼) ਵਿੱਚ ਮੁਕਾਬਲਤਨ ਘੱਟ ਸੰਮਿਲਨ ਨੁਕਸਾਨ, ਚੰਗਾ ਵਾਪਸੀ ਦਾ ਨੁਕਸਾਨ ਅਤੇ ਆਉਟਪੁੱਟ ਪੋਰਟਾਂ ਵਿਚਕਾਰ ਉੱਚ ਇਕੱਲਤਾ ਦਰਸਾਉਂਦੇ ਹਨ। |
2532d0567c8334e4cadf282a73ffe399c1c32476 | ਇਸ ਲਈ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਮਾਪ ਪ੍ਰਾਪਤ ਇਨਾਮ ਦਾ ਜੋੜ ਹੈ। ਉਦਾਹਰਣ ਦੇ ਲਈ, ਜਦੋਂ ਇੱਕ ਬੰਬਲ ਬੀ ਫੋਰਜ ਕਰਦਾ ਹੈ, ਤਾਂ ਹਰੇਕ ਸਮੇਂ ਦੇ ਕਦਮ ਤੇ ਇਨਾਮ ਫੰਕਸ਼ਨ ਉਡਾਣ ਦੀ ਦੂਰੀ (ਨਕਾਰਾਤਮਕ ਤੌਰ ਤੇ ਭਾਰ) ਅਤੇ ਨਿਗਲਣ ਵਾਲੇ ਨਿੰਟਰ ਦਾ ਕੁਝ ਸੁਮੇਲ ਹੋ ਸਕਦਾ ਹੈ. ਰੀਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ (ਆਰਐੱਲ) ਵਿਧੀਆਂ ਜ਼ਰੂਰੀ ਤੌਰ ਤੇ ਮਾਰਕੋਵ ਫੈਸਲੇ ਲੈਣ ਦੀਆਂ ਪ੍ਰਕਿਰਿਆਵਾਂ (ਐੱਮਡੀਪੀਜ਼) ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਔਨਲਾਈਨ ਐਲਗੋਰਿਥਮ ਹਨ। ਇੱਕ ਐਮਡੀਪੀ ਨੂੰ ਇਨਾਮ ਫੰਕਸ਼ਨ ਅਤੇ ਇੱਕ ਮਾਡਲ ਦੁਆਰਾ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਭਾਵ, ਹਰ ਸੰਭਵ ਕਾਰਵਾਈ ਤੇ ਸ਼ਰਤ ਵਾਲੇ ਰਾਜ ਪਰਿਵਰਤਨ ਸੰਭਾਵਨਾਵਾਂ. ਆਰਐਲ ਐਲਗੋਰਿਥਮ ਮਾਡਲ-ਅਧਾਰਤ ਹੋ ਸਕਦੇ ਹਨ, ਜਿੱਥੇ ਏਜੰਟ ਇੱਕ ਮਾਡਲ ਸਿੱਖਦਾ ਹੈ, ਜਾਂ ਮਾਡਲ-ਮੁਕਤ-ਜਿਵੇਂ ਕਿ, ਕਿਊ-ਲਰਨਿੰਗ ਵਾਟਸਨਃ 1989, ਜੋ ਕਿ ਸਿਰਫ ਇੱਕ ਫੰਕਸ਼ਨ Q ((s) ਸਿੱਖਦਾ ਹੈ, ਇੱਕ) ਰਾਜ ਵਿੱਚ ਕਾਰਵਾਈ ਕਰਨ ਦੀ ਲੰਮੀ ਮਿਆਦ ਦੀ ਕੀਮਤ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ ਅਤੇ ਉਸ ਤੋਂ ਬਾਅਦ ਵਧੀਆ ਢੰਗ ਨਾਲ ਕੰਮ ਕਰਦਾ ਹੈ. ਆਪਣੀਆਂ ਸਫਲਤਾਵਾਂ ਦੇ ਬਾਵਜੂਦ, ਆਰਐਲ ਵਿਧੀਆਂ ਵੱਡੇ ਪੱਧਰ ਤੇ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਜ਼ਰ ਆਉਣ ਯੋਗ ਐਮਡੀਪੀਜ਼ ਤੱਕ ਸੀਮਿਤ ਹਨ, ਜਿਸ ਵਿੱਚ ਹਰੇਕ ਰਾਜ ਵਿੱਚ ਸੂਚਕ ਇੰਪੁੱਟ ਰਾਜ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਕਾਫ਼ੀ ਹੈ। ਸਪੱਸ਼ਟ ਤੌਰ ਤੇ, ਅਸਲ ਸੰਸਾਰ ਵਿੱਚ, ਸਾਨੂੰ ਅਕਸਰ ਅੰਸ਼ਕ ਤੌਰ ਤੇ ਵੇਖਣਯੋਗ ਐਮਡੀਪੀਜ਼ (ਪੀਓਐਮਡੀਪੀਜ਼) ਨਾਲ ਨਜਿੱਠਣਾ ਪੈਂਦਾ ਹੈ. ਐਸਟ੍ਰੋਮ (1965) ਨੇ ਸਾਬਤ ਕੀਤਾ ਕਿ ਪੀਓਐਮਡੀਪੀਜ਼ ਵਿੱਚ ਅਨੁਕੂਲ ਫੈਸਲੇ ਸਮੇਂ ਦੇ ਹਰੇਕ ਬਿੰਦੂ ਤੇ ਵਿਸ਼ਵਾਸ ਦੀ ਸਥਿਤੀ ਬੀ ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ, ਭਾਵ, ਸਾਰੇ ਸੰਭਵ ਅਸਲ ਰਾਜਾਂ ਤੇ ਪਿਛਲੀ ਸੰਭਾਵਨਾ ਦੀ ਵੰਡ, ਅੱਜ ਤੱਕ ਦੇ ਸਾਰੇ ਸਬੂਤ ਦਿੱਤੇ ਗਏ ਹਨ। ਫੰਕਸ਼ਨ V ਅਤੇ Q ਫਿਰ s ਦੀ ਬਜਾਏ b ਦੇ ਫੰਕਸ਼ਨ ਬਣ ਜਾਂਦੇ ਹਨ. ਪਾਰ ਅਤੇ ਰਸਲ (1995) ਨੇ ਬੀ ਦੀ ਸੰਭਾਵਨਾ ਦੇ ਵੈਕਟਰ ਦੇ ਤੌਰ ਤੇ ਸਪੱਸ਼ਟ ਨੁਮਾਇੰਦਗੀ ਦੀ ਵਰਤੋਂ ਕਰਦਿਆਂ ਇੱਕ ਬਹੁਤ ਹੀ ਸਧਾਰਨ POMDP RL ਐਲਗੋਰਿਦਮ ਦਾ ਵਰਣਨ ਕੀਤਾ ਹੈ, ਅਤੇ ਮੈਕਲਮ (1993) ਨੇ ਹਾਲ ਹੀ ਦੇ ਧਾਰਨਾ ਕ੍ਰਮ ਦੀ ਵਰਤੋਂ ਕਰਦਿਆਂ ਵਿਸ਼ਵਾਸ ਦੀ ਸਥਿਤੀ ਨੂੰ ਅਨੁਮਾਨਿਤ ਕਰਨ ਦਾ ਇੱਕ ਤਰੀਕਾ ਦਰਸਾਇਆ ਹੈ। ਕਿਸੇ ਵੀ ਪਹੁੰਚ ਦੀ ਸਥਿਤੀ ਵਿੱਚ ਵੱਡੀ ਗਿਣਤੀ ਵਿੱਚ ਰਾਜ ਪਰਿਵਰਤਨਸ਼ੀਲ ਅਤੇ ਲੰਬੇ ਸਮੇਂ ਦੀ ਸਮੇਂ ਦੀ ਨਿਰਭਰਤਾ ਦੇ ਨਾਲ ਸਥਿਤੀਆਂ ਤੱਕ ਪਹੁੰਚਣ ਦੀ ਸੰਭਾਵਨਾ ਨਹੀਂ ਹੈ। ਜੋ ਲੋੜੀਂਦਾ ਹੈ ਉਹ ਮਾਡਲ ਨੂੰ ਸੰਖੇਪ ਰੂਪ ਵਿੱਚ ਦਰਸਾਉਣ ਦਾ ਇੱਕ ਤਰੀਕਾ ਹੈ ਅਤੇ ਮਾਡਲ ਅਤੇ ਹਰੇਕ ਨਵੇਂ ਨਿਰੀਖਣ ਨੂੰ ਦਿੱਤੇ ਹੋਏ ਵਿਸ਼ਵਾਸ ਦੀ ਸਥਿਤੀ ਨੂੰ ਕੁਸ਼ਲਤਾ ਨਾਲ ਅਪਡੇਟ ਕਰਨਾ ਹੈ। ਡਾਇਨਾਮਿਕ ਬੇਜ਼ੀਅਨ ਨੈਟਵਰਕ (ਡੀਨ ਅਤੇ ਕਾਨਾਜ਼ਾਵਾ, 1989) ਵਿੱਚ ਕੁਝ ਲੋੜੀਂਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਹਨ; ਖਾਸ ਤੌਰ ਤੇ, ਉਨ੍ਹਾਂ ਕੋਲ ਹੋਰ ਪਹੁੰਚਾਂ ਜਿਵੇਂ ਕਿ ਕਲਮੈਨ ਫਿਲਟਰ ਅਤੇ ਲੁਕਵੇਂ ਮਾਰਕੋਵ ਮਾਡਲਾਂ ਦੇ ਮੁਕਾਬਲੇ ਮਹੱਤਵਪੂਰਨ ਫਾਇਦੇ ਹਨ। ਸਾਡਾ ਬੇਸਲਾਈਨ ਆਰਕੀਟੈਕਚਰ, ਚਿੱਤਰ 1 ਵਿੱਚ ਦਿਖਾਇਆ ਗਿਆ ਹੈ, ਨਵੀਂ ਸੈਂਸਰ ਜਾਣਕਾਰੀ ਆਉਣ ਤੇ ਵਿਸ਼ਵਾਸ ਦੀ ਸਥਿਤੀ ਨੂੰ ਦਰਸਾਉਣ ਅਤੇ ਅਪਡੇਟ ਕਰਨ ਲਈ ਡੀਬੀਐਨ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਬੀ ਲਈ ਇੱਕ ਨੁਮਾਇੰਦਗੀ ਦਿੱਤੀ ਗਈ ਹੈ, ਇਨਾਮ ਸਿਗਨਲ ਨੂੰ ਇੱਕ Q-ਫੰਕਸ਼ਨ ਸਿੱਖਣ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ ਜਿਸਦਾ ਨੁਮਾਇੰਦਗੀ ਕੁਝ ਬਲੈਕ-ਬਾਕਸ ਫੰਕਸ਼ਨ ਅਨੁਮਾਨਕ ਜਿਵੇਂ ਕਿ ਇੱਕ ਨਯੂਰਲ ਨੈਟਵਰਕ ਦੁਆਰਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਬਸ਼ਰਤੇ ਅਸੀਂ ਹਾਈਬ੍ਰਿਡ (ਡਿਸ- ਇਹ ਭਾਸ਼ਣ ਇੱਕ ਸਿੱਖਣ ਵਾਲੇ ਏਜੰਟ ਲਈ ਇੱਕ ਬਹੁਤ ਹੀ ਸਧਾਰਨ "ਬੇਸਲਾਈਨ ਆਰਕੀਟੈਕਚਰ" ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦਾ ਹੈ ਜੋ ਸਟੋਚੈਸਟਿਕ, ਅੰਸ਼ਕ ਤੌਰ ਤੇ ਦੇਖਣਯੋਗ ਵਾਤਾਵਰਣ ਨੂੰ ਸੰਭਾਲ ਸਕਦਾ ਹੈ. ਆਰਕੀਟੈਕਚਰ ਗਰਾਫਿਕਲ ਮਾਡਲਾਂ ਦੇ ਤੌਰ ਤੇ ਸਮੇਂ ਦੇ ਕਾਰਜਾਂ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਇੱਕ ਵਿਧੀ ਦੇ ਨਾਲ ਨਾਲ ਰੀਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ. ਮੈਂ ਸੰਵੇਦਨਾਤਮਕ ਇੰਪੁੱਟਾਂ ਤੋਂ ਅਜਿਹੇ ਪ੍ਰਤੀਨਿਧਤਾਵਾਂ ਦੇ ਪੈਰਾਮੀਟਰਾਂ ਅਤੇ ਢਾਂਚੇ ਨੂੰ ਸਮਝਣ ਲਈ ਅਤੇ ਪਿਛਲੀਆਂ ਸੰਭਾਵਨਾਵਾਂ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਵਿਧੀਆਂ ਬਾਰੇ ਚਰਚਾ ਕਰਾਂਗਾ। ਕੁਝ ਖੁੱਲ੍ਹੀਆਂ ਸਮੱਸਿਆਵਾਂ ਬਾਕੀ ਹਨ, ਜਦੋਂ ਤੱਕ ਅਸੀਂ ਸੰਪੂਰਨ ਏਜੰਟ ਦੀ ਕੋਸ਼ਿਸ਼ ਨਹੀਂ ਕਰ ਸਕਦੇ; ਜਦੋਂ ਅਸੀਂ ਸਕੇਲਿੰਗ ਨੂੰ ਵਧਾਉਣ ਬਾਰੇ ਵਿਚਾਰ ਕਰਦੇ ਹਾਂ ਤਾਂ ਹੋਰ ਉੱਠਦੇ ਹਨ। ਭਾਸ਼ਣ ਦਾ ਦੂਜਾ ਵਿਸ਼ਾ ਇਹ ਹੋਵੇਗਾ ਕਿ ਕੀ ਪੁਨਰ-ਸੁਰਜੀਤੀ ਸਿਖਲਾਈ ਜਾਨਵਰਾਂ ਅਤੇ ਮਨੁੱਖਾਂ ਦੀ ਸਿਖਲਾਈ ਦਾ ਇੱਕ ਚੰਗਾ ਮਾਡਲ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੀ ਹੈ। ਇਸ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦੇਣ ਲਈ, ਸਾਨੂੰ ਇਨਵਰਸ ਰੀਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਕਰਨੀ ਪਵੇਗੀ: ਦੇਖਿਆ ਗਿਆ ਵਿਵਹਾਰ ਦਿੱਤਾ ਗਿਆ ਹੈ, ਕਿਹੜਾ ਇਨਾਮ ਸਿਗਨਲ, ਜੇ ਕੋਈ ਹੈ, ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਇਆ ਜਾ ਰਿਹਾ ਹੈ? ਇਹ COLT, UAI, ਅਤੇ ML ਭਾਈਚਾਰਿਆਂ ਲਈ ਇੱਕ ਬਹੁਤ ਹੀ ਦਿਲਚਸਪ ਸਮੱਸਿਆ ਜਾਪਦੀ ਹੈ, ਅਤੇ ਮਾਰਕੋਵ ਫੈਸਲੇ ਦੀਆਂ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੇ ਢਾਂਚਾਗਤ ਅਨੁਮਾਨ ਦੇ ਸਿਰਲੇਖ ਹੇਠ ਇਕੋਨੋਮੈਟ੍ਰਿਕਸ ਵਿੱਚ ਸੰਬੋਧਿਤ ਕੀਤਾ ਗਿਆ ਹੈ. 1 ਅਨਿਸ਼ਚਿਤ ਵਾਤਾਵਰਣ ਵਿੱਚ ਸਿੱਖਣਾ ਏਆਈ ਬੁੱਧੀਮਾਨ ਏਜੰਟਾਂ ਦੀ ਉਸਾਰੀ ਬਾਰੇ ਹੈ, ਭਾਵ, ਉਹ ਪ੍ਰਣਾਲੀਆਂ ਜੋ ਵਾਤਾਵਰਣ ਵਿੱਚ ਪ੍ਰਭਾਵਸ਼ਾਲੀ perceiveੰਗ ਨਾਲ ਸਮਝਦੀਆਂ ਹਨ ਅਤੇ ਕੰਮ ਕਰਦੀਆਂ ਹਨ (ਕੁਝ ਪ੍ਰਦਰਸ਼ਨ ਦੇ ਮਾਪ ਅਨੁਸਾਰ). ਮੈਂ ਰਸਲ ਅਤੇ ਨੌਰਵਿਗ (1995) ਦੇ ਹੋਰ ਸਥਾਨਾਂ ਤੇ ਬਹਿਸ ਕੀਤੀ ਹੈ ਕਿ ਜ਼ਿਆਦਾਤਰ ਏਆਈ ਖੋਜਾਂ ਨੇ ਵਾਤਾਵਰਣ ਤੇ ਧਿਆਨ ਕੇਂਦਰਤ ਕੀਤਾ ਹੈ ਜੋ ਸਥਿਰ, ਨਿਰਧਾਰਤ, ਵੱਖਰੇ ਅਤੇ ਪੂਰੀ ਤਰ੍ਹਾਂ ਦੇਖਣ ਯੋਗ ਹਨ। ਜਦੋਂ, ਅਸਲ ਸੰਸਾਰ ਵਿੱਚ, ਵਾਤਾਵਰਣ ਗਤੀਸ਼ੀਲ, ਸਥਿਰ, ਨਿਰੰਤਰ ਅਤੇ ਅੰਸ਼ਕ ਤੌਰ ਤੇ ਵੇਖਣਯੋਗ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਕੀ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ? ਇਹ ਪੇਪਰ ਐੱਨਐੱਸਐੱਫ (NSF) @I-9634215), ਓਐੱਨਆਰ (ONR) (N00014-97-l-0941) ਅਤੇ ਏਆਰ0 (DAAH04-96-1-0341) ਦੁਆਰਾ ਸਮਰਥਿਤ ਖੋਜ ਯਤਨਾਂ ਦੀ ਇੱਕ ਕਿਸਮ ਤੇ ਆਧਾਰਿਤ ਹੈ। ਇਸ ਕੰਮ ਦੀਆਂ ਸਾਰੀਆਂ ਜਾਂ ਕੁਝ ਕਾਪੀਆਂ ਨੂੰ ਨਿੱਜੀ ਜਾਂ ਕਲਾਸਰੂਮ ਵਰਤੋਂ ਲਈ ਡਿਜੀਟਲ ਜਾਂ ਪ੍ਰਿੰਟ ਕਾਪੀਆਂ ਬਣਾਉਣ ਦੀ ਇਜਾਜ਼ਤ ਬਿਨਾਂ ਕਿਸੇ ਫੀਸ ਦੇ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ, ਬਸ਼ਰਤੇ ਕਿ ਕਾਪੀਆਂ ਨੂੰ ਪ੍ਰੋਲੀਟ ਜਾਂ ਵਪਾਰਕ ਲਾਭ ਲਈ ਨਹੀਂ ਬਣਾਇਆ ਜਾਂ ਵੰਡਿਆ ਜਾਂਦਾ ਅਤੇ ਕਾਪੀਆਂ ਇਸ ਨੋਟਿਸ ਅਤੇ ਪਹਿਲੇ ਪੰਨੇ ਤੇ ਪੂਰੇ ਹਵਾਲੇ ਨਾਲ ਹੋਣ। ਨਕਲ ਕਰਨ ਲਈ ਨਹੀਂ। ਦੁਬਾਰਾ ਪ੍ਰਕਾਸ਼ਤ ਕਰਨ, ਸਰਵਰਾਂ ਤੇ ਪੋਸਟ ਕਰਨ ਜਾਂ ਸੂਚੀਆਂ ਵਿੱਚ ਦੁਬਾਰਾ ਵੰਡਣ ਲਈ, ਪਹਿਲਾਂ ਵਿਸ਼ੇਸ਼ ਆਗਿਆ ਅਤੇ/ਜਾਂ ਫੀਸ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। COLT 98 ਮੈਡੀਸਨ WI IJSA Copyright ACM 1998 1-5X1 13-057--0/9X/ 7...$5.00 ਹਾਲ ਹੀ ਦੇ ਸਾਲਾਂ ਵਿੱਚ, ਪੁਨਰ-ਸਮਰਥਨ ਸਿਖਲਾਈ (ਜਿਸ ਨੂੰ ਨਿਊਰੋਡਾਇਨਾਮਿਕ ਪ੍ਰੋਗਰਾਮਿੰਗ ਵੀ ਕਿਹਾ ਜਾਂਦਾ ਹੈ) ਨੇ ਆਟੋਮੈਟਿਕ ਤੌਰ ਤੇ ਏਜੰਟਾਂ ਨੂੰ ਬਣਾਉਣ ਲਈ ਇੱਕ ਪਹੁੰਚ ਦੇ ਰੂਪ ਵਿੱਚ ਤੇਜ਼ੀ ਨਾਲ ਤਰੱਕੀ ਕੀਤੀ ਹੈ (ਸੈਟਨ, 1988; ਕੇਲਬਲਿੰਗ ਐਟ ਅਲ., 1996; ਬਰਟਸੇਕਸ ਅਤੇ ਚਿਟਸਿਕਲਿਸ, 1996) । ਮੂਲ ਵਿਚਾਰ ਇਹ ਹੈ ਕਿ ਕਾਰਗੁਜ਼ਾਰੀ ਮਾਪ ਏਜੰਟ ਨੂੰ ਇੱਕ ਇਨਾਮ ਫੰਕਸ਼ਨ ਦੇ ਰੂਪ ਵਿੱਚ ਉਪਲਬਧ ਕਰਵਾਇਆ ਜਾਂਦਾ ਹੈ ਜੋ ਹਰੇਕ ਰਾਜ ਲਈ ਇਨਾਮ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ ਜਿਸ ਦੁਆਰਾ ਏਜੰਟ ਲੰਘਦਾ ਹੈ. |
6f20506ce955b7f82f587a14301213c08e79463b | |
d14ddc01cff72066c6655aa39f3e207e34fb8591 | ਇਹ ਪੇਪਰ ਮਾਈਕਰੋਇਲੈਕਟ੍ਰੋਮੈੱਕਨਿਕਲ ਸਿਸਟਮ (ਐਮਈਐਮਐਸ) ਤੇ ਅਧਾਰਤ ਰੇਡੀਓ-ਬਾਰੰਬਾਰਤਾ (ਆਰਐਫ) ਤਕਨਾਲੋਜੀ ਦੇ ਮੁਕਾਬਲਤਨ ਨਵੇਂ ਖੇਤਰ ਨਾਲ ਸੰਬੰਧਿਤ ਹੈ। ਆਰਐਫ ਐਮਈਐਮਐਸ ਨਵੇਂ ਉਪਕਰਣਾਂ ਅਤੇ ਭਾਗਾਂ ਦੀ ਇੱਕ ਸ਼੍ਰੇਣੀ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜੋ ਰਵਾਇਤੀ (ਆਮ ਤੌਰ ਤੇ ਅਰਧ-ਕੰਡਕਟਰ) ਉਪਕਰਣਾਂ ਦੇ ਮੁਕਾਬਲੇ ਵਧੀਆ ਉੱਚ-ਬਾਰੰਬਾਰਤਾ ਪ੍ਰਦਰਸ਼ਨ ਪ੍ਰਦਰਸ਼ਤ ਕਰਦੇ ਹਨ, ਅਤੇ ਜੋ ਨਵੀਂ ਪ੍ਰਣਾਲੀ ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਸਮਰੱਥ ਕਰਦੇ ਹਨ. ਇਸ ਤੋਂ ਇਲਾਵਾ, ਐਮਈਐਮਐਸ ਉਪਕਰਣਾਂ ਨੂੰ ਬਹੁਤ ਵੱਡੇ ਪੈਮਾਨੇ ਦੇ ਏਕੀਕਰਣ ਦੇ ਸਮਾਨ ਤਕਨੀਕਾਂ ਦੁਆਰਾ ਡਿਜ਼ਾਇਨ ਅਤੇ ਨਿਰਮਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਰਵਾਇਤੀ ਬੈਚ-ਪ੍ਰੋਸੈਸਿੰਗ ਵਿਧੀਆਂ ਦੁਆਰਾ ਨਿਰਮਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਸ ਪੇਪਰ ਵਿੱਚ, ਸਿਰਫ ਉਪਕਰਣ ਦਾ ਸੰਬੋਧਨ ਇਲੈਕਟ੍ਰੋਸਟੈਟਿਕ ਮਾਈਕਰੋ ਸਵਿੱਚ ਹੈ - ਸ਼ਾਇਦ ਪੈਰਾਡਾਈਮ ਆਰਐਫ-ਐਮਈਐਮਐਸ ਉਪਕਰਣ. ਇਸ ਦੀਆਂ ਉੱਤਮ ਪ੍ਰਦਰਸ਼ਨ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਜ਼ਰੀਏ, ਮਾਈਕਰੋ ਸਵਿੱਚ ਨੂੰ ਕਈ ਮੌਜੂਦਾ ਸਰਕਟਾਂ ਅਤੇ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਵਿਕਸਤ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਰੇਡੀਓ ਫਰੰਟ-ਐਂਡਜ਼, ਕੈਪਸੀਟਰ ਬੈਂਕ ਅਤੇ ਟਾਈਮ-ਡਿਲੇਅ ਨੈਟਵਰਕ ਸ਼ਾਮਲ ਹਨ। ਸੁਪਰ-ਲੋ-ਪਾਵਰ ਡਿਸਪੈਸ਼ਨ ਅਤੇ ਵੱਡੇ ਪੈਮਾਨੇ ਤੇ ਏਕੀਕਰਣ ਦੇ ਨਾਲ ਸੁਪਰ ਪਰਫਾਰਮੈਂਸ ਨੇ ਸਿਸਟਮ ਦੀ ਨਵੀਂ ਕਾਰਜਸ਼ੀਲਤਾ ਨੂੰ ਵੀ ਸਮਰੱਥ ਬਣਾਇਆ ਹੈ। ਇੱਥੇ ਦੋ ਸੰਭਾਵਨਾਵਾਂ ਦਾ ਜ਼ਿਕਰ ਕੀਤਾ ਗਿਆ ਹੈ ਕਿ ਕੁਆਜ਼ੀ-ਆਪਟੀਕਲ ਬੀਮ ਸਟੀਰਿੰਗ ਅਤੇ ਇਲੈਕਟ੍ਰਿਕਲੀ ਰੂਪ ਵਿੱਚ ਮੁੜ-ਸੰਰਚਿਤ ਕੀਤੇ ਜਾਣ ਵਾਲੇ ਐਂਟੀਨਾ ਹਨ. |
9d5f36b92ac155fccdae6730660ab44d46ad501a | ਜੋਖਮ ਸਮਾਨਤਾ ਵਿਭਿੰਨ ਪੋਰਟਫੋਲੀਓ ਬਣਾਉਣ ਲਈ ਵਰਤੀ ਜਾਂਦੀ ਇੱਕ ਵੰਡਣ ਦੀ ਵਿਧੀ ਹੈ ਜੋ ਕਿਸੇ ਵੀ ਅਨੁਮਾਨਿਤ ਰਿਟਰਨ ਤੇ ਨਿਰਭਰ ਨਹੀਂ ਕਰਦੀ, ਇਸ ਤਰ੍ਹਾਂ ਜੋਖਮ ਪ੍ਰਬੰਧਨ ਨੂੰ ਰਣਨੀਤੀ ਦੇ ਕੇਂਦਰ ਵਿੱਚ ਰੱਖਦੀ ਹੈ। ਇਹ ਦੱਸਦਾ ਹੈ ਕਿ 2008 ਵਿੱਚ ਆਲਮੀ ਵਿੱਤੀ ਸੰਕਟ ਤੋਂ ਬਾਅਦ ਜੋਖਮ ਸਮਾਨਤਾ ਇੱਕ ਪ੍ਰਸਿੱਧ ਨਿਵੇਸ਼ ਮਾਡਲ ਕਿਉਂ ਬਣ ਗਈ। ਹਾਲਾਂਕਿ, ਜੋਖਮ ਸਮਾਨਤਾ ਦੀ ਵੀ ਅਲੋਚਨਾ ਕੀਤੀ ਗਈ ਹੈ ਕਿਉਂਕਿ ਇਹ ਪੋਰਟਫੋਲੀਓ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਬਜਾਏ ਜੋਖਮ ਦੀ ਇਕਾਗਰਤਾ ਦੇ ਪ੍ਰਬੰਧਨ ਤੇ ਕੇਂਦ੍ਰਤ ਕਰਦੀ ਹੈ, ਅਤੇ ਇਸ ਲਈ ਇਸਨੂੰ ਸਰਗਰਮ ਪ੍ਰਬੰਧਨ ਨਾਲੋਂ ਪੈਸਿਵ ਪ੍ਰਬੰਧਨ ਦੇ ਨੇੜੇ ਸਮਝਿਆ ਜਾਂਦਾ ਹੈ। ਇਸ ਲੇਖ ਵਿੱਚ, ਅਸੀਂ ਦਿਖਾਉਂਦੇ ਹਾਂ ਕਿ ਕਿਵੇਂ ਜੋਖਮ ਪੈਰਿਟੀ ਪੋਰਟਫੋਲੀਓ ਵਿੱਚ ਉਮੀਦ ਕੀਤੀ ਰਿਟਰਨ ਦੀ ਧਾਰਨਾ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨਾ ਹੈ। ਅਜਿਹਾ ਕਰਨ ਲਈ, ਅਸੀਂ ਇੱਕ ਆਮ ਜੋਖਮ ਮਾਪ ਤੇ ਵਿਚਾਰ ਕਰਦੇ ਹਾਂ ਜੋ ਪੋਰਟਫੋਲੀਓ ਰਿਟਰਨ ਅਤੇ ਅਸਥਿਰਤਾ ਦੋਵਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦਾ ਹੈ। ਪਰ, ਕਾਰਗੁਜ਼ਾਰੀ ਅਤੇ ਅਸਥਿਰਤਾ ਯੋਗਦਾਨ ਦੇ ਵਿਚਕਾਰ ਵਪਾਰ ਕੁਝ ਮੁਸ਼ਕਲ ਪੈਦਾ ਕਰਦਾ ਹੈ, ਜਦਕਿ ਜੋਖਮ ਬਜਟ ਦੀ ਸਮੱਸਿਆ ਨੂੰ ਸਪਸ਼ਟ ਰੂਪ ਵਿੱਚ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ. ਅਜਿਹੇ ਜੋਖਮ ਬਜਟ ਪੋਰਟਫੋਲੀਓ ਦੇ ਸਿਧਾਂਤਕ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਅਸੀਂ ਇਸ ਨਵੇਂ ਮਾਡਲ ਨੂੰ ਸੰਪਤੀ ਵੰਡਣ ਲਈ ਲਾਗੂ ਕਰਦੇ ਹਾਂ. ਪਹਿਲਾਂ, ਅਸੀਂ ਲੰਮੇ ਸਮੇਂ ਦੀ ਨਿਵੇਸ਼ ਨੀਤੀ ਅਤੇ ਰਣਨੀਤਕ ਸੰਪਤੀ ਵੰਡ ਦੀ ਪਰਿਭਾਸ਼ਾ ਤੇ ਵਿਚਾਰ ਕਰਦੇ ਹਾਂ। ਅਸੀਂ ਫਿਰ ਗਤੀਸ਼ੀਲ ਵੰਡ ਤੇ ਵਿਚਾਰ ਕਰਦੇ ਹਾਂ ਅਤੇ ਦਿਖਾਉਂਦੇ ਹਾਂ ਕਿ ਕਿਵੇਂ ਜੋਖਮ ਪੈਰਿਟੀ ਫੰਡ ਬਣਾਉਣਾ ਹੈ ਜੋ ਉਮੀਦ ਕੀਤੀ ਗਈ ਰਿਟਰਨ ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ. |
006df3db364f2a6d7cc23f46d22cc63081dd70db | ਇੱਕ ਐਡ-ਹੋਕ ਨੈੱਟਵਰਕ ਇੱਕ ਵਾਇਰਲੈੱਸ ਮੋਬਾਈਲ ਹੋਸਟਾਂ ਦਾ ਸੰਗ੍ਰਹਿ ਹੈ ਜੋ ਕਿਸੇ ਸਥਾਪਤ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਜਾਂ ਕੇਂਦਰੀ ਪ੍ਰਸ਼ਾਸਨ ਦੀ ਸਹਾਇਤਾ ਤੋਂ ਬਿਨਾਂ ਇੱਕ ਅਸਥਾਈ ਨੈੱਟਵਰਕ ਬਣਾਉਂਦਾ ਹੈ। ਅਜਿਹੇ ਵਾਤਾਵਰਣ ਵਿੱਚ, ਇੱਕ ਮੋਬਾਈਲ ਹੋਸਟ ਲਈ ਪੈਕੇਟ ਨੂੰ ਇਸਦੇ ਮੰਜ਼ਿਲ ਤੇ ਭੇਜਣ ਲਈ ਦੂਜੇ ਹੋਸਟਾਂ ਦੀ ਸਹਾਇਤਾ ਲੈਣ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ, ਕਿਉਂਕਿ ਹਰੇਕ ਮੋਬਾਈਲ ਹੋਸਟ ਦੇ ਵਾਇਰਲੈੱਸ ਪ੍ਰਸਾਰਣ ਦੀ ਸੀਮਤ ਸੀਮਾ ਹੈ। ਇਹ ਪੇਪਰ ਐਡ-ਹੋਕ ਨੈਟਵਰਕ ਵਿੱਚ ਰੂਟਿੰਗ ਲਈ ਇੱਕ ਪ੍ਰੋਟੋਕੋਲ ਪੇਸ਼ ਕਰਦਾ ਹੈ ਜੋ ਡਾਇਨਾਮਿਕ ਸਰੋਤ ਰੂਟਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਪ੍ਰੋਟੋਕੋਲ ਰੂਟਿੰਗ ਤਬਦੀਲੀਆਂ ਦੇ ਅਨੁਕੂਲ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਹੋਸਟ ਦੀ ਗਤੀ ਅਕਸਰ ਹੁੰਦੀ ਹੈ, ਫਿਰ ਵੀ ਉਹਨਾਂ ਸਮੇਂ ਦੌਰਾਨ ਥੋੜ੍ਹੀ ਜਾਂ ਕੋਈ ਓਵਰਹੈੱਡ ਦੀ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ ਜਦੋਂ ਹੋਸਟ ਘੱਟ ਅਕਸਰ ਚਲਦੇ ਹਨ। ਐਡ ਹੋਕ ਨੈਟਵਰਕ ਵਿੱਚ ਕੰਮ ਕਰਨ ਵਾਲੇ ਮੋਬਾਈਲ ਹੋਸਟਾਂ ਦੇ ਪੈਕੇਟ-ਪੱਧਰ ਦੇ ਸਿਮੂਲੇਸ਼ਨ ਦੇ ਨਤੀਜਿਆਂ ਦੇ ਅਧਾਰ ਤੇ, ਪ੍ਰੋਟੋਕੋਲ ਵੱਖ-ਵੱਖ ਵਾਤਾਵਰਣ ਦੀਆਂ ਸਥਿਤੀਆਂ ਜਿਵੇਂ ਕਿ ਹੋਸਟ ਘਣਤਾ ਅਤੇ ਅੰਦੋਲਨ ਦੀਆਂ ਦਰਾਂ ਤੇ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ। ਸਭ ਤੋਂ ਵੱਧ ਗਤੀ ਦੇ ਮੇਜ਼ਬਾਨ ਦੀ ਗਤੀ ਦੇ ਸਿਮੂਲੇਸ਼ਨ ਲਈ, ਪ੍ਰੋਟੋਕੋਲ ਦਾ ਓਵਰਹੈੱਡ ਕਾਫ਼ੀ ਘੱਟ ਹੈ, 24 ਮੋਬਾਈਲ ਮੇਜ਼ਬਾਨਾਂ ਦੇ ਨੈਟਵਰਕ ਵਿੱਚ ਮੱਧਮ ਗਤੀ ਦੀਆਂ ਗਤੀ ਲਈ ਸੰਚਾਰਿਤ ਕੁੱਲ ਡਾਟਾ ਪੈਕੇਟਾਂ ਦਾ ਸਿਰਫ 1% ਤੱਕ ਡਿੱਗਣਾ. ਸਾਰੇ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਵਰਤੇ ਗਏ ਰੂਟਾਂ ਅਤੇ ਅਨੁਕੂਲ ਰੂਟ ਲੰਬਾਈ ਦੇ ਵਿਚਕਾਰ ਲੰਬਾਈ ਵਿੱਚ ਅੰਤਰ ਨਜ਼ਰਅੰਦਾਜ਼ ਹੈ, ਅਤੇ ਜ਼ਿਆਦਾਤਰ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਰੂਟ ਲੰਬਾਈ ਔਸਤਨ 1.01 ਦੇ ਕਾਰਕ ਦੇ ਅੰਦਰ ਅਨੁਕੂਲ ਹੈ। |
25a26b86f4a2ebca2b154effbaf894aef690c03c | ਹਾਲ ਹੀ ਵਿੱਚ ਸੁਪਰਵਾਈਜ਼ਡ ਲਰਨਿੰਗ ਐਲਗੋਰਿਥਮ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਦਿਲਚਸਪੀ ਆਈ ਹੈ ਜੋ ਟੈਕਸਟ ਲਰਨਿੰਗ ਟਾਸਕ ਲਈ ਲੇਬਲ ਵਾਲੇ ਅਤੇ ਅਨਲੇਬਲਡ ਡੇਟਾ ਨੂੰ ਜੋੜਦੇ ਹਨ। ਸਹਿ-ਸਿਖਲਾਈ ਸੈਟਿੰਗ [1] ਡੇਟਾ ਸੈੱਟਾਂ ਤੇ ਲਾਗੂ ਹੁੰਦੀ ਹੈ ਜਿਨ੍ਹਾਂ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੋ ਵੱਖਰੇ ਸੈੱਟਾਂ ਵਿੱਚ ਕੁਦਰਤੀ ਤੌਰ ਤੇ ਵੱਖ ਹੁੰਦੀਆਂ ਹਨ. ਅਸੀਂ ਦਿਖਾਉਂਦੇ ਹਾਂ ਕਿ ਲੇਬਲ ਵਾਲੇ ਅਤੇ ਅਨਲੇਬਲਡ ਡੇਟਾ ਤੋਂ ਸਿੱਖਣ ਵੇਲੇ, ਐਲਗੋਰਿਦਮ ਸਪੱਸ਼ਟ ਤੌਰ ਤੇ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਕੁਦਰਤੀ ਸੁਤੰਤਰ ਵੰਡ ਦਾ ਲਾਭ ਉਠਾਉਂਦੇ ਹਨ ਜੋ ਐਲਗੋਰਿਦਮ ਨੂੰ ਪਛਾੜਦੇ ਹਨ ਜੋ ਨਹੀਂ ਕਰਦੇ. ਜਦੋਂ ਇੱਕ ਕੁਦਰਤੀ ਵੰਡ ਮੌਜੂਦ ਨਹੀਂ ਹੁੰਦੀ, ਤਾਂ ਸਹਿ-ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਜੋ ਇੱਕ ਵਿਸ਼ੇਸ਼ਤਾ ਵੰਡ ਦਾ ਨਿਰਮਾਣ ਕਰਦੇ ਹਨ, ਇੱਕ ਵੰਡ ਦੀ ਵਰਤੋਂ ਨਾ ਕਰਨ ਵਾਲੇ ਐਲਗੋਰਿਦਮ ਨੂੰ ਪਛਾੜ ਸਕਦੇ ਹਨ। ਇਹ ਨਤੀਜੇ ਇਹ ਸਮਝਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ ਕਿ ਸਹਿ-ਸਿਖਲਾਈ ਐਲਗੋਰਿਥਮ ਕੁਦਰਤ ਵਿੱਚ ਵਿਤਕਰੇ ਵਾਲੇ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਏਮਬੇਡਡ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਵਾਲਿਆਂ ਦੀਆਂ ਧਾਰਨਾਵਾਂ ਲਈ ਮਜ਼ਬੂਤ ਕਿਉਂ ਹਨ। |
78beead3a05f7e8f2dc812298f813c5bacdc3061 | |
1d6889c44e11141cc82ef28bba1afe07f3c0a2b4 | ਪਿਛਲੇ ਕੁਝ ਸਾਲਾਂ ਵਿੱਚ ਇੰਟਰਨੈੱਟ ਆਫ਼ ਥਿੰਗਸ (ਆਈਓਟੀ) ਨੇ ਵਿਆਪਕ ਐਪਲੀਕੇਸ਼ਨ ਨੂੰ ਵੇਖਿਆ ਹੈ ਅਤੇ ਹਰ ਖੇਤਰ ਵਿੱਚ ਪਾਇਆ ਜਾ ਸਕਦਾ ਹੈ। ਆਈਓਟੀ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਡਿਵਾਈਸਾਂ ਦਰਮਿਆਨ ਸੁਰੱਖਿਅਤ ਸੰਚਾਰ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਣ ਲਈ ਪ੍ਰਮਾਣਿਕਤਾ ਅਤੇ ਪਹੁੰਚ ਨਿਯੰਤਰਣ ਮਹੱਤਵਪੂਰਨ ਅਤੇ ਨਾਜ਼ੁਕ ਕਾਰਜਸ਼ੀਲਤਾ ਹਨ। ਗਤੀਸ਼ੀਲਤਾ, ਗਤੀਸ਼ੀਲ ਨੈਟਵਰਕ ਟੋਪੋਲੋਜੀ ਅਤੇ ਆਈਓਟੀ ਨੈਟਵਰਕ ਵਿੱਚ ਘੱਟ ਬਿਜਲੀ ਵਾਲੇ ਉਪਕਰਣਾਂ ਦੀ ਕਮਜ਼ੋਰ ਭੌਤਿਕ ਸੁਰੱਖਿਆ ਸੁਰੱਖਿਆ ਕਮਜ਼ੋਰੀਆਂ ਦੇ ਸੰਭਾਵਿਤ ਸਰੋਤ ਹਨ। ਇਹ ਇੱਕ ਸਰੋਤ ਸੀਮਤ ਅਤੇ ਵੰਡਿਆ ਆਈਓਟੀ ਵਾਤਾਵਰਣ ਵਿੱਚ ਪ੍ਰਮਾਣਿਕਤਾ ਅਤੇ ਪਹੁੰਚ ਨਿਯੰਤਰਣ ਹਮਲੇ ਪ੍ਰਤੀ ਰੋਧਕ ਅਤੇ ਹਲਕਾ ਬਣਾਉਣ ਦਾ ਵਾਅਦਾ ਕਰਦਾ ਹੈ। ਇਹ ਪੇਪਰ ਪ੍ਰੋਟੋਕੋਲ ਮੁਲਾਂਕਣ ਅਤੇ ਕਾਰਗੁਜ਼ਾਰੀ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਨਾਲ ਪਛਾਣ ਪ੍ਰਮਾਣਿਕਤਾ ਅਤੇ ਸਮਰੱਥਾ ਅਧਾਰਤ ਪਹੁੰਚ ਨਿਯੰਤਰਣ (ਆਈਏਸੀਏਸੀ) ਮਾਡਲ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਮੈਨ-ਇਨ-ਦਿ-ਮਿਡਲ, ਰੀਪਲੇਅ ਅਤੇ ਡਾਇਲ ਆਫ ਸਰਵਿਸ (ਡੀਓਐੱਸ) ਹਮਲਿਆਂ ਤੋਂ ਆਈਓਟੀ ਦੀ ਰੱਖਿਆ ਲਈ, ਐਕਸੈਸ ਕੰਟਰੋਲ ਲਈ ਸਮਰੱਥਾ ਦੀ ਧਾਰਨਾ ਪੇਸ਼ ਕੀਤੀ ਗਈ ਹੈ। ਇਸ ਮਾਡਲ ਦੀ ਨਵੀਨਤਾ ਇਹ ਹੈ ਕਿ, ਇਹ ਆਈਓਟੀ ਉਪਕਰਣਾਂ ਲਈ ਪ੍ਰਮਾਣਿਕਤਾ ਅਤੇ ਪਹੁੰਚ ਨਿਯੰਤਰਣ ਦੀ ਇੱਕ ਏਕੀਕ੍ਰਿਤ ਪਹੁੰਚ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਸਾਡੇ ਨਤੀਜਿਆਂ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਅਤੇ ਸਮਰਥਨ ਕਰਨ ਲਈ ਹੋਰ ਸਬੰਧਤ ਅਧਿਐਨ ਦੇ ਨਤੀਜਿਆਂ ਦਾ ਵੀ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਗਿਆ ਹੈ। ਅੰਤ ਵਿੱਚ, ਪ੍ਰਸਤਾਵਿਤ ਪ੍ਰੋਟੋਕੋਲ ਦਾ ਮੁਲਾਂਕਣ ਸੁਰੱਖਿਆ ਪ੍ਰੋਟੋਕੋਲ ਤਸਦੀਕ ਟੂਲ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਤਸਦੀਕ ਦੇ ਨਤੀਜੇ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਆਈਏਸੀਏਸੀ ਉਪਰੋਕਤ ਹਮਲਿਆਂ ਦੇ ਵਿਰੁੱਧ ਸੁਰੱਖਿਅਤ ਹੈ। ਇਸ ਪੇਪਰ ਵਿੱਚ ਹੋਰ ਜਰਨਲ ਆਫ਼ ਸਾਈਬਰ ਸਕਿਓਰਿਟੀ ਐਂਡ ਮੋਬਿਲਿਟੀ, ਵੋਲ. 1, 309-348 c © 2013 ਰਿਵਰ ਪਬਲਿਸ਼ਰਜ਼. ਸਾਰੇ ਹੱਕ ਰਾਖਵੇਂ ਹਨ। 310 ਪੀ.ਐਨ. ਮਹੱਲੇ ਐਟ ਅਲ ਮੌਜੂਦਾ ਹੱਲ ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਹ ਪੇਪਰ ਆਈਓਟੀ ਵਿੱਚ ਚੁਣੌਤੀਆਂ ਨੂੰ ਸੰਬੋਧਿਤ ਕਰਦਾ ਹੈ ਅਤੇ ਆਈਓਟੀ ਨੈਟਵਰਕ ਦਾ ਅਸਲ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਦੇਣ ਲਈ ਵਰਤੋਂ ਦੇ ਮਾਮਲਿਆਂ ਦੇ ਨਾਲ ਸੁਰੱਖਿਆ ਹਮਲਿਆਂ ਦਾ ਨਮੂਨਾ ਤਿਆਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। |
310b72fbc3d384ca88ca994b33476b8a2be2e27f | ਅਸੀਂ ਸੇਂਟੀਮੈਂਟ ਐਨਾਲਾਈਜ਼ਰ (ਐਸਏ) ਪੇਸ਼ ਕਰਦੇ ਹਾਂ ਜੋ ਆਨਲਾਈਨ ਟੈਕਸਟ ਦਸਤਾਵੇਜ਼ਾਂ ਤੋਂ ਕਿਸੇ ਵਿਸ਼ੇ ਬਾਰੇ ਭਾਵਨਾ (ਜਾਂ ਰਾਏ) ਨੂੰ ਕੱਢਦਾ ਹੈ। ਕਿਸੇ ਵਿਸ਼ੇ ਬਾਰੇ ਪੂਰੇ ਦਸਤਾਵੇਜ਼ ਦੀ ਭਾਵਨਾ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਦੀ ਬਜਾਏ, ਐਸਏ ਦਿੱਤੇ ਗਏ ਵਿਸ਼ੇ ਦੇ ਸਾਰੇ ਹਵਾਲਿਆਂ ਦਾ ਪਤਾ ਲਗਾਉਂਦਾ ਹੈ, ਅਤੇ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ (ਐਨਐਲਪੀ) ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦਿਆਂ ਹਰੇਕ ਹਵਾਲੇ ਵਿੱਚ ਭਾਵਨਾ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ। ਸਾਡਾ ਭਾਵਨਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ 1) ਵਿਸ਼ੇ ਵਿਸ਼ੇਸ਼ ਵਿਸ਼ੇਸ਼ਤਾ ਸ਼ਬਦ ਕੱਢਣਾ, 2) ਭਾਵਨਾ ਕੱਢਣਾ, ਅਤੇ 3) (ਵਿਸ਼ਾ, ਭਾਵਨਾ) ਸਬੰਧ ਵਿਸ਼ਲੇਸ਼ਣ ਦੁਆਰਾ ਸਬੰਧ ਸ਼ਾਮਲ ਹਨ। ਐਸਏ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਦੋ ਭਾਸ਼ਾਈ ਸਰੋਤਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈਃ ਭਾਵਨਾ ਸ਼ਬਦਾਵਲੀ ਅਤੇ ਭਾਵਨਾ ਪੈਟਰਨ ਡੇਟਾਬੇਸ। ਐਲਗੋਰਿਥਮ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਜਾਂਚ ਔਨਲਾਈਨ ਉਤਪਾਦ ਸਮੀਖਿਆ ਲੇਖਾਂ (ਡਿਜੀਟਲ ਕੈਮਰਾ ਅਤੇ ਮਿਊਜ਼ਿਕ ਸਮੀਖਿਆਵਾਂ) ਅਤੇ ਹੋਰ ਆਮ ਦਸਤਾਵੇਜ਼ਾਂ ਸਮੇਤ ਆਮ ਵੈਬ ਪੇਜਾਂ ਅਤੇ ਨਿਊਜ਼ ਲੇਖਾਂ ਤੇ ਕੀਤੀ ਗਈ ਸੀ। |
59d9160780bf3eac8c621983a36ff332a3497219 | ਆਟੋਮੈਟਿਕ ਭਾਵਨਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਬਹੁਤ ਸਾਰੇ ਪਹੁੰਚ ਸ਼ਬਦਾਂ ਦੇ ਇੱਕ ਵੱਡੇ ਸ਼ਬਦਾਵਲੀ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦੇ ਹਨ ਜੋ ਉਹਨਾਂ ਦੀ ਪਹਿਲਾਂ ਦੀ ਧਰੁਵੀਤਾ (ਜਿਸ ਨੂੰ ਅਰਥਿਕ ਰੁਝਾਨ ਵੀ ਕਿਹਾ ਜਾਂਦਾ ਹੈ) ਨਾਲ ਨਿਸ਼ਾਨਬੱਧ ਕੀਤਾ ਜਾਂਦਾ ਹੈ. ਹਾਲਾਂਕਿ, ਉਸ ਵਾਕੰਸ਼ ਦੀ ਸੰਦਰਭਵਾਦੀ ਧਰੁਵੀਤਾ ਜਿਸ ਵਿੱਚ ਇੱਕ ਸ਼ਬਦ ਦੀ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਉਦਾਹਰਣ ਪ੍ਰਗਟ ਹੁੰਦੀ ਹੈ, ਸ਼ਬਦ ਦੀ ਪਹਿਲਾਂ ਦੀ ਧਰੁਵੀਤਾ ਤੋਂ ਬਿਲਕੁਲ ਵੱਖ ਹੋ ਸਕਦੀ ਹੈ। ਸਕਾਰਾਤਮਕ ਸ਼ਬਦਾਂ ਦੀ ਵਰਤੋਂ ਨਕਾਰਾਤਮਕ ਭਾਵਨਾਵਾਂ ਨੂੰ ਪ੍ਰਗਟ ਕਰਨ ਵਾਲੇ ਵਾਕਾਂ ਵਿੱਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਜਾਂ ਉਲਟ. ਨਾਲ ਹੀ, ਅਕਸਰ ਸ਼ਬਦ ਜੋ ਪ੍ਰਸੰਗ ਤੋਂ ਬਾਹਰ ਸਕਾਰਾਤਮਕ ਜਾਂ ਨਕਾਰਾਤਮਕ ਹੁੰਦੇ ਹਨ, ਪ੍ਰਸੰਗ ਵਿੱਚ ਨਿਰਪੱਖ ਹੁੰਦੇ ਹਨ, ਭਾਵ ਉਹ ਭਾਵਨਾ ਨੂੰ ਜ਼ਾਹਰ ਕਰਨ ਲਈ ਵੀ ਨਹੀਂ ਵਰਤੇ ਜਾ ਰਹੇ ਹਨ। ਇਸ ਕੰਮ ਦਾ ਉਦੇਸ਼ ਆਪਣੇ ਆਪ ਹੀ ਪੂਰਵ ਅਤੇ ਪ੍ਰਸੰਗਿਕ ਧਰੁਵੀਕਰਨ ਦੇ ਵਿਚਕਾਰ ਅੰਤਰ ਕਰਨਾ ਹੈ, ਇਸ ਕੰਮ ਲਈ ਕਿਹੜੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਮਹੱਤਵਪੂਰਣ ਹਨ ਇਸ ਨੂੰ ਸਮਝਣ ਤੇ ਧਿਆਨ ਕੇਂਦ੍ਰਤ ਕਰਦਿਆਂ. ਕਿਉਂਕਿ ਸਮੱਸਿਆ ਦਾ ਇੱਕ ਮਹੱਤਵਪੂਰਣ ਪਹਿਲੂ ਇਹ ਪਛਾਣ ਰਿਹਾ ਹੈ ਕਿ ਜਦੋਂ ਧਰੁਵੀ ਸ਼ਬਦਾਂ ਨੂੰ ਨਿਰਪੱਖ ਸੰਦਰਭਾਂ ਵਿੱਚ ਵਰਤਿਆ ਜਾ ਰਿਹਾ ਹੈ, ਨਿਰਪੱਖ ਅਤੇ ਧਰੁਵੀ ਉਦਾਹਰਣਾਂ ਦੇ ਵਿਚਕਾਰ ਫਰਕ ਕਰਨ ਲਈ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਨਾਲ ਹੀ ਸਕਾਰਾਤਮਕ ਅਤੇ ਨਕਾਰਾਤਮਕ ਪ੍ਰਸੰਗਿਕ ਧਰੁਵੀਤਾ ਦੇ ਵਿਚਕਾਰ ਫਰਕ ਕਰਨ ਲਈ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ. ਮੁਲਾਂਕਣ ਵਿੱਚ ਮਲਟੀਪਲ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਥਮ ਵਿੱਚ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ। ਇੱਕ ਨੂੰ ਛੱਡ ਕੇ ਸਾਰੇ ਸਿੱਖਣ ਵਾਲੇ ਐਲਗੋਰਿਥਮ ਲਈ, ਸਾਰੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦਾ ਸੁਮੇਲ ਮਿਲ ਕੇ ਸਭ ਤੋਂ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਦਿੰਦਾ ਹੈ। ਮੁਲਾਂਕਣ ਦਾ ਇੱਕ ਹੋਰ ਪਹਿਲੂ ਇਹ ਵਿਚਾਰਦਾ ਹੈ ਕਿ ਨਿਰਪੱਖ ਉਦਾਹਰਣਾਂ ਦੀ ਮੌਜੂਦਗੀ ਸਕਾਰਾਤਮਕ ਅਤੇ ਨਕਾਰਾਤਮਕ ਧਰੁਵੀਤਾ ਦੇ ਵਿਚਕਾਰ ਫਰਕ ਕਰਨ ਲਈ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਤ ਕਰਦੀ ਹੈ। ਇਹ ਪ੍ਰਯੋਗ ਦਿਖਾਉਂਦੇ ਹਨ ਕਿ ਨਿਰਪੱਖ ਉਦਾਹਰਣਾਂ ਦੀ ਮੌਜੂਦਗੀ ਇਹਨਾਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਬਹੁਤ ਘੱਟ ਕਰਦੀ ਹੈ, ਅਤੇ ਇਹ ਕਿ ਸ਼ਾਇਦ ਸਾਰੇ ਧਰੁਵੀ ਕਲਾਸਾਂ ਵਿੱਚ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਦਾ ਸਭ ਤੋਂ ਵਧੀਆ ਤਰੀਕਾ ਇਹ ਹੈ ਕਿ ਸਿਸਟਮ ਦੀ ਪਛਾਣ ਕਰਨ ਦੀ ਯੋਗਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨਾ ਹੈ ਕਿ ਜਦੋਂ ਇੱਕ ਉਦਾਹਰਣ ਨਿਰਪੱਖ ਹੈ. |
7c89cbf5d860819c9b5e5217d079dc8aafcba336 | ਇਸ ਪੇਪਰ ਵਿੱਚ, ਅਸੀਂ ਇੱਕ ਸਜ਼ਾ-ਪੱਧਰ ਦੀ ਸ਼੍ਰੇਣੀਬੱਧਤਾ ਦੇ ਇੱਕ ਕੇਸ ਅਧਿਐਨ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਾਂ ਜਿਸ ਵਿੱਚ ਟੈਗਿੰਗ ਨਿਰਦੇਸ਼ਾਂ ਨੂੰ ਵਿਕਸਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਚਾਰ ਜੱਜਾਂ ਦੁਆਰਾ ਵਾਲ ਸਟ੍ਰੀਟ ਜਰਨਲ ਦੇ ਉਪਬੰਧਾਂ ਨੂੰ ਵਿਅਕਤੀਗਤ ਜਾਂ ਉਦੇਸ਼ ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ. ਚਾਰ ਜੱਜਾਂ ਵਿਚਾਲੇ ਸਹਿਮਤੀ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਉਸ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਆਧਾਰ ਤੇ ਹਰੇਕ ਧਾਰਾ ਨੂੰ ਅੰਤਿਮ ਵਰਗੀਕਰਨ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ। ਵਰਗੀਕਰਣ ਲਈ ਅਨੁਭਵੀ ਸਮਰਥਨ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ, ਅਨੁਭਵੀ ਸ਼੍ਰੇਣੀ ਅਤੇ ਕੁਇਰਕ ਐਟ ਅਲ ਦੁਆਰਾ ਪੇਸ਼ ਕੀਤੇ ਗਏ ਇੱਕ ਬੁਨਿਆਦੀ ਅਰਥ ਸ਼੍ਰੇਣੀ ਦੇ ਵਿਚਕਾਰ ਡੇਟਾ ਵਿੱਚ ਸਬੰਧਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ. (1985). |
9141d85998eadb1bca5cca027ae07670cfafb015 | ਭਾਵਨਾਵਾਂ (ਵਿਚਾਰਾਂ ਦੇ ਭਾਵਨਾਤਮਕ ਹਿੱਸੇ) ਦੀ ਪਛਾਣ ਕਰਨਾ ਇੱਕ ਚੁਣੌਤੀਪੂਰਨ ਸਮੱਸਿਆ ਹੈ। ਅਸੀਂ ਇੱਕ ਅਜਿਹੀ ਪ੍ਰਣਾਲੀ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ ਜੋ ਕਿਸੇ ਵਿਸ਼ੇ ਨੂੰ ਦਿੱਤੇ ਜਾਣ ਤੇ, ਆਪਣੇ ਆਪ ਹੀ ਉਨ੍ਹਾਂ ਲੋਕਾਂ ਨੂੰ ਲੱਭ ਲੈਂਦੀ ਹੈ ਜੋ ਉਸ ਵਿਸ਼ੇ ਬਾਰੇ ਵਿਚਾਰ ਰੱਖਦੇ ਹਨ ਅਤੇ ਹਰੇਕ ਵਿਚਾਰ ਦੀ ਭਾਵਨਾ। ਇਸ ਪ੍ਰਣਾਲੀ ਵਿੱਚ ਸ਼ਬਦ ਭਾਵਨਾ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਇੱਕ ਮੋਡੀਊਲ ਅਤੇ ਇੱਕ ਵਾਕ ਦੇ ਅੰਦਰ ਭਾਵਨਾਵਾਂ ਨੂੰ ਜੋੜਨ ਲਈ ਇੱਕ ਹੋਰ ਮੋਡੀਊਲ ਸ਼ਾਮਲ ਹੈ। ਅਸੀਂ ਸ਼ਬਦ ਅਤੇ ਵਾਕ ਪੱਧਰ ਤੇ ਭਾਵਨਾ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਅਤੇ ਜੋੜਨ ਦੇ ਵੱਖ-ਵੱਖ ਮਾਡਲਾਂ ਨਾਲ ਪ੍ਰਯੋਗ ਕਰਦੇ ਹਾਂ, ਜਿਸ ਦੇ ਵਾਅਦਾ ਨਤੀਜੇ ਹਨ। |
c2ac213982e189e4ad4c7f60608914a489ec9051 | ਸਾਡੇ ਤਿੰਨ ਸਾਲਾਂ ਦੇ ਅਨੁਭਵ ਤੋਂ ਵਿਆਪਕ ਪੱਧਰ ਤੇ ਅਰਬੀ ਟੈਕਸਟ ਦੇ ਕੋਰਸ ਨੂੰ ਵਿਕਸਿਤ ਕਰਨ ਦੇ ਸਾਡੇ ਤਜਰਬੇ ਤੋਂ, ਸਾਡਾ ਪੇਪਰ ਹੇਠ ਲਿਖਿਆਂ ਨੂੰ ਸੰਬੋਧਿਤ ਕਰੇਗਾਃ (ਏ) ਪ੍ਰਭਾਵੀ ਅਰਬੀ ਭਾਸ਼ਾ ਦੇ ਮੁੱਦਿਆਂ ਦੀ ਸਮੀਖਿਆ ਜਿਵੇਂ ਕਿ ਉਹ ਵਿਧੀ ਦੀਆਂ ਚੋਣਾਂ ਨਾਲ ਸੰਬੰਧਿਤ ਹਨ, (ਬੀ) ਸਾਡੀ ਚੋਣ ਨੂੰ ਪੈਨ ਇੰਗਲਿਸ਼ ਟ੍ਰੀਬੈਂਕ ਸ਼ੈਲੀ ਦੇ ਦਿਸ਼ਾ ਨਿਰਦੇਸ਼ਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਵਿਆਖਿਆ ਕਰੋ, (ਅਰਬੀ ਬੋਲਣ ਵਾਲੇ ਐਨੋਟੇਟਰਾਂ ਨੂੰ ਇੱਕ ਨਵੇਂ ਵਿਆਕਰਣ ਨਾਲ ਨਜਿੱਠਣ ਦੀ ਲੋੜ ਹੈ) (c) ਕਈ ਤਰੀਕੇ ਦਿਖਾਓ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਮਨੁੱਖੀ ਟਿੱਪਣੀ ਮਹੱਤਵਪੂਰਨ ਹੈ ਅਤੇ ਆਟੋਮੈਟਿਕ ਵਿਸ਼ਲੇਸ਼ਣ ਮੁਸ਼ਕਲ ਹੈ, ਜਿਸ ਵਿੱਚ ਮੌਰਫੋਲੋਜੀਕਲ ਵਿਸ਼ਲੇਸ਼ਕ ਅਤੇ ਮਨੁੱਖੀ ਟਿੱਪਣੀਕਾਰ ਦੋਵਾਂ ਦੁਆਰਾ ਔਰਥੋਗ੍ਰਾਫਿਕ ਅਸਪਸ਼ਟਤਾ ਦਾ ਪ੍ਰਬੰਧਨ ਸ਼ਾਮਲ ਹੈ; (d) ਦੀ ਇੱਕ ਉਦਾਹਰਣ ਦਿਓ ਅਰਬੀ ਟ੍ਰੀਬੈਂਕ ਵਿਧੀ, ਜੋ ਕਿ ਮੌਰਫੋਲੋਜੀਕਲ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਟੈਗਿੰਗ ਅਤੇ ਸੰਟੈਕਸਿਕ ਵਿਸ਼ਲੇਸ਼ਣ ਦੋਵਾਂ ਵਿੱਚ ਇੱਕ ਖਾਸ ਉਸਾਰੀ ਤੇ ਧਿਆਨ ਕੇਂਦ੍ਰਤ ਕਰਦੀ ਹੈ ਅਤੇ ਪੂਰੀ ਐਨੋਟੇਸ਼ਨ ਪ੍ਰਕਿਰਿਆ ਦੇ ਦੌਰਾਨ ਇਸ ਨੂੰ ਵਿਸਥਾਰ ਨਾਲ ਪਾਲਣਾ ਕਰਦੀ ਹੈ, ਅਤੇ ਅੰਤ ਵਿੱਚ, (e) ਹੁਣ ਤੱਕ ਕੀ ਪ੍ਰਾਪਤ ਹੋਇਆ ਹੈ ਅਤੇ ਕੀ ਕਰਨਾ ਬਾਕੀ ਹੈ. |
e33a3487f9b656631159186db4b2aebaed230b36 | ਜਿਵੇਂ ਕਿ ਡਿਜੀਟਲ ਪਲੇਟਫਾਰਮ ਅੱਜ ਤਕਰੀਬਨ ਹਰ ਉਦਯੋਗ ਨੂੰ ਬਦਲ ਰਹੇ ਹਨ, ਉਹ ਹੌਲੀ ਹੌਲੀ ਮੁੱਖ ਧਾਰਾ ਦੇ ਸੂਚਨਾ ਪ੍ਰਣਾਲੀਆਂ (ਆਈਐਸ) ਸਾਹਿਤ ਵਿੱਚ ਆਪਣਾ ਰਸਤਾ ਲੱਭ ਰਹੇ ਹਨ। ਡਿਜੀਟਲ ਪਲੇਟਫਾਰਮਸ ਇੱਕ ਚੁਣੌਤੀਪੂਰਨ ਖੋਜ ਆਬਜੈਕਟ ਹਨ ਕਿਉਂਕਿ ਉਨ੍ਹਾਂ ਦਾ ਵਿਤਰਿਤ ਸੁਭਾਅ ਅਤੇ ਸੰਸਥਾਵਾਂ, ਬਾਜ਼ਾਰਾਂ ਅਤੇ ਤਕਨਾਲੋਜੀਆਂ ਨਾਲ ਜੁੜਿਆ ਹੋਇਆ ਹੈ। ਪਲੇਟਫਾਰਮ ਨਵੀਨਤਾ ਦੇ ਤੇਜ਼ੀ ਨਾਲ ਵਧ ਰਹੇ ਪੈਮਾਨੇ, ਪਲੇਟਫਾਰਮ ਆਰਕੀਟੈਕਚਰ ਦੀ ਵੱਧ ਰਹੀ ਗੁੰਝਲਤਾ ਅਤੇ ਬਹੁਤ ਸਾਰੇ ਵੱਖ-ਵੱਖ ਉਦਯੋਗਾਂ ਵਿੱਚ ਡਿਜੀਟਲ ਪਲੇਟਫਾਰਮਾਂ ਦੇ ਫੈਲਣ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਨਵੀਆਂ ਖੋਜ ਚੁਣੌਤੀਆਂ ਪੈਦਾ ਹੁੰਦੀਆਂ ਹਨ। ਇਸ ਪੇਪਰ ਵਿੱਚ ਆਈਐੱਸ ਵਿੱਚ ਡਿਜੀਟਲ ਪਲੇਟਫਾਰਮ ਖੋਜ ਲਈ ਇੱਕ ਖੋਜ ਏਜੰਡਾ ਵਿਕਸਿਤ ਕੀਤਾ ਗਿਆ ਹੈ। ਅਸੀਂ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਸਿਫਾਰਸ਼ ਕਰਦੇ ਹਾਂ ਕਿ ਉਹ (1) ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਇਕਾਈ, ਡਿਜੀਟਲਾਈਜ਼ੇਸ਼ਨ ਦੀ ਡਿਗਰੀ ਅਤੇ ਡਿਜੀਟਲ ਪਲੇਟਫਾਰਮਾਂ ਦੀ ਸਮਾਜਿਕ-ਤਕਨੀਕੀ ਪ੍ਰਕਿਰਤੀ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਵਾਲੀਆਂ ਸਪਸ਼ਟ ਪਰਿਭਾਸ਼ਾਵਾਂ ਪ੍ਰਦਾਨ ਕਰਕੇ ਸੰਕਲਪਿਕ ਸਪਸ਼ਟਤਾ ਨੂੰ ਅੱਗੇ ਵਧਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨ; (2) ਵੱਖ-ਵੱਖ ਆਰਕੀਟੈਕਚਰਲ ਪੱਧਰਾਂ ਅਤੇ ਵੱਖ-ਵੱਖ ਉਦਯੋਗ ਸੈਟਿੰਗਾਂ ਵਿੱਚ ਪਲੇਟਫਾਰਮਾਂ ਦਾ ਅਧਿਐਨ ਕਰਕੇ ਡਿਜੀਟਲ ਪਲੇਟਫਾਰਮ ਸੰਕਲਪਾਂ ਦੀ ਸਹੀ ਸਕੋਪਿੰਗ ਨੂੰ ਪਰਿਭਾਸ਼ਤ ਕਰੋ; ਅਤੇ (3) ਏਮਬੇਡਡ ਕੇਸ ਸਟੱਡੀਜ਼, ਲੰਬਕਾਰੀ ਅਧਿਐਨ, ਡਿਜ਼ਾਈਨ ਖੋਜ, ਡੇਟਾ-ਦੁਆਰਾ ਸੰਚਾਲਿਤ ਮਾਡਲਿੰਗ ਅਤੇ ਵਿਜ਼ੁਅਲਾਈਜ਼ੇਸ਼ਨ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵਿਧੀਵਾਦੀ ਸਖਤੀ ਨੂੰ ਅੱਗੇ ਵਧਾਓ। ਕਾਰੋਬਾਰ ਦੇ ਖੇਤਰ ਵਿੱਚ ਮੌਜੂਦਾ ਵਿਕਾਸ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ, ਅਸੀਂ ਅੱਗੇ ਦੀ ਖੋਜ ਲਈ ਛੇ ਪ੍ਰਸ਼ਨ ਸੁਝਾਉਂਦੇ ਹਾਂ: (1) ਕੀ ਪਲੇਟਫਾਰਮ ਇੱਥੇ ਰਹਿਣ ਲਈ ਹਨ? (2) ਪਲੇਟਫਾਰਮ ਕਿਵੇਂ ਡਿਜ਼ਾਇਨ ਕੀਤੇ ਜਾਣੇ ਚਾਹੀਦੇ ਹਨ? ਡਿਜੀਟਲ ਪਲੇਟਫਾਰਮ ਉਦਯੋਗਾਂ ਨੂੰ ਕਿਵੇਂ ਬਦਲਦੇ ਹਨ? ; (4) ਡਾਟਾ-ਅਧਾਰਿਤ ਪਹੁੰਚ ਡਿਜੀਟਲ ਪਲੇਟਫਾਰਮ ਖੋਜ ਨੂੰ ਕਿਵੇਂ ਸੂਚਿਤ ਕਰ ਸਕਦੀ ਹੈ? ; (5) ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਡਿਜੀਟਲ ਪਲੇਟਫਾਰਮਾਂ ਲਈ ਸਿਧਾਂਤ ਕਿਵੇਂ ਵਿਕਸਿਤ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ? ਅਤੇ (6) ਡਿਜੀਟਲ ਪਲੇਟਫਾਰਮ ਰੋਜ਼ਾਨਾ ਜੀਵਨ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਤ ਕਰਦੇ ਹਨ? |
1be8cab8701586e751d6ed6d186ca0b6f58a54e7 | ਸਿਸਟਮ ਸਪੈਸੀਫਿਕੇਸ਼ਨ ਦੀ ਉਪਯੋਗਤਾ ਕੁਝ ਹੱਦ ਤੱਕ ਲੋੜਾਂ ਦੀ ਪੂਰਨਤਾ ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਹਾਲਾਂਕਿ, ਸਾਰੀਆਂ ਲੋੜੀਂਦੀਆਂ ਜ਼ਰੂਰਤਾਂ ਦੀ ਸੂਚੀ ਬਣਾਉਣਾ ਮੁਸ਼ਕਲ ਹੈ, ਖ਼ਾਸਕਰ ਜਦੋਂ ਜ਼ਰੂਰਤਾਂ ਇੱਕ ਅਣਪਛਾਤੇ ਵਾਤਾਵਰਣ ਨਾਲ ਗੱਲਬਾਤ ਕਰਦੀਆਂ ਹਨ. ਇੱਕ ਆਦਰਸ਼ ਵਾਤਾਵਰਣ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਨਾਲ ਬਣਾਇਆ ਗਿਆ ਇੱਕ ਨਿਰਧਾਰਨ ਅਧੂਰਾ ਹੈ ਜੇ ਇਸ ਵਿੱਚ ਗੈਰ-ਆਦਰਸ਼ ਵਿਵਹਾਰ ਨੂੰ ਸੰਭਾਲਣ ਲਈ ਜ਼ਰੂਰਤਾਂ ਸ਼ਾਮਲ ਨਹੀਂ ਹਨ। ਅਕਸਰ ਅਧੂਰੇ ਲੋੜਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ, ਟੈਸਟਿੰਗ, ਜਾਂ ਇਸ ਤੋਂ ਵੀ ਮਾੜੀ, ਤੈਨਾਤੀ ਤੋਂ ਬਾਅਦ ਤੱਕ ਖੋਜਿਆ ਨਹੀਂ ਜਾਂਦਾ। ਲੋੜਾਂ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੌਰਾਨ ਕੀਤੇ ਜਾਣ ਤੇ ਵੀ, ਅਧੂਰੇ ਲੋੜਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣਾ ਆਮ ਤੌਰ ਤੇ ਇੱਕ ਗਲਤੀ, ਥਕਾਵਟ ਅਤੇ ਮੈਨੂਅਲ ਕੰਮ ਹੁੰਦਾ ਹੈ. ਇਹ ਪੇਪਰ ਏਰਿਸ, ਹਾਇਰਾਰਕੀਕਲ ਲੋੜਾਂ ਦੇ ਮਾਡਲਾਂ ਦੇ ਪ੍ਰਤੀਕ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਧੂਰੇ ਲੋੜਾਂ ਦੇ ਵਿਗਾੜ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ ਇੱਕ ਡਿਜ਼ਾਇਨ-ਟਾਈਮ ਪਹੁੰਚ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਅਸੀਂ ਉਦਯੋਗ ਅਧਾਰਿਤ ਆਟੋਮੋਟਿਵ ਅਨੁਕੂਲ ਕਰੂਜ਼ ਕੰਟਰੋਲ ਸਿਸਟਮ ਦੇ ਲੋੜਾਂ ਦੇ ਮਾਡਲ ਨੂੰ ਲਾਗੂ ਕਰਕੇ ਏਰਿਸ ਨੂੰ ਲਾਗੂ ਕਰਕੇ ਆਪਣੀ ਪਹੁੰਚ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਾਂ. ਏਰਿਸ ਡਿਜ਼ਾਇਨ ਸਮੇਂ ਅਧੂਰੇ ਲੋੜਾਂ ਦੇ ਵਿਗਾੜ ਦੇ ਖਾਸ ਮਾਮਲਿਆਂ ਨੂੰ ਆਟੋਮੈਟਿਕ ਤੌਰ ਤੇ ਖੋਜਣ ਦੇ ਯੋਗ ਹੈ, ਜਿਨ੍ਹਾਂ ਵਿੱਚੋਂ ਬਹੁਤ ਸਾਰੇ ਸੂਖਮ ਹਨ ਅਤੇ ਹੱਥੀਂ ਜਾਂ ਟੈਸਟਿੰਗ ਨਾਲ ਖੋਜਣਾ ਮੁਸ਼ਕਲ ਹੋਵੇਗਾ. |
155ed7834a8a44a195b80719985a8b4ca11e6fdc | ਮਲਟੀਪਲ-ਇਨਪੁੱਟ ਮਲਟੀਪਲ-ਆਉਟਪੁੱਟ (ਐਮਆਈਐਮਓ) ਰਡਾਰ ਰਵਾਇਤੀ ਪੜਾਅ-ਅਰੇਅ ਰਡਾਰ ਪ੍ਰਣਾਲੀਆਂ ਨਾਲੋਂ ਤਰੰਗਾਂ ਦੀ ਵਿਭਿੰਨਤਾ ਦੁਆਰਾ ਉੱਤਮ ਪ੍ਰਦਰਸ਼ਨ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦਾ ਹੈ। ਜਦੋਂ ਇੱਕ ਮਿਮੋ ਰਾਡਾਰ ਔਰਥੋਗੋਨਲ ਵੇਵਫਾਰਮਸ ਪ੍ਰਸਾਰਿਤ ਕਰਦਾ ਹੈ, ਤਾਂ ਸਕੈਟਰਰਾਂ ਤੋਂ ਪ੍ਰਤੀਬਿੰਬਿਤ ਸੰਕੇਤ ਇਕ ਦੂਜੇ ਤੋਂ ਲਾਈਨਰੀ ਤੌਰ ਤੇ ਸੁਤੰਤਰ ਹੁੰਦੇ ਹਨ। ਇਸ ਲਈ, ਅਨੁਕੂਲ ਪ੍ਰਾਪਤ ਫਿਲਟਰ, ਜਿਵੇਂ ਕਿ ਕੈਪੋਨ ਅਤੇ ਐਂਪਲੀਟਿਊਡ ਅਤੇ ਪੜਾਅ ਅਨੁਮਾਨ (ਏਪੀਈਐਸ) ਫਿਲਟਰ, ਨੂੰ ਸਿੱਧੇ ਤੌਰ ਤੇ ਮੀਮੋ ਰਾਡਾਰ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਉੱਚ ਪੱਧਰੀ ਸ਼ੋਰ ਅਤੇ ਮਜ਼ਬੂਤ ਗੜਬੜ, ਹਾਲਾਂਕਿ, ਡਾਟਾ-ਨਿਰਭਰ ਬੀਮਫਾਰਮਰਾਂ ਦੀ ਖੋਜ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਮਹੱਤਵਪੂਰਣ ਰੂਪ ਵਿੱਚ ਵਿਗੜਦੀ ਹੈ ਕਿਉਂਕਿ ਸਨੈਪਸ਼ਾਟ ਦੀ ਘਾਟ ਹੈ। ਆਵਰਤੀ ਅਨੁਕੂਲ ਪਹੁੰਚ (ਆਈਏਏ), ਇੱਕ ਗੈਰ-ਪੈਰਾਮੀਟਰਿਕ ਅਤੇ ਉਪਭੋਗਤਾ ਪੈਰਾਮੀਟਰ-ਮੁਕਤ ਭਾਰ ਵਾਲਾ ਘੱਟੋ ਘੱਟ-ਵਰਗ ਐਲਗੋਰਿਥਮ, ਨੂੰ ਹਾਲ ਹੀ ਵਿੱਚ ਕਈ ਪੈਸਿਵ ਅਤੇ ਐਕਟਿਵ ਸੈਂਸਿੰਗ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ ਸੁਧਾਰੀ ਰੈਜ਼ੋਲੂਸ਼ਨ ਅਤੇ ਦਖਲਅੰਦਾਜ਼ੀ ਰੱਦ ਕਰਨ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਪੇਸ਼ਕਸ਼ ਕੀਤੀ ਗਈ ਸੀ। ਇਸ ਪੇਪਰ ਵਿੱਚ, ਅਸੀਂ ਦਿਖਾਉਂਦੇ ਹਾਂ ਕਿ ਕਿਵੇਂ ਆਈਏਏ ਨੂੰ ਮਿਮੋ ਰਾਡਾਰ ਇਮੇਜਿੰਗ ਤੱਕ ਵਧਾਇਆ ਜਾ ਸਕਦਾ ਹੈ, ਦੋਵੇਂ ਮਾਮੂਲੀ ਅਤੇ ਨਾਮਾਤਰ ਇੰਟਰਾਪੁਲਸ ਡੌਪਲਰ ਕੇਸਾਂ ਵਿੱਚ, ਅਤੇ ਅਸੀਂ ਆਈਏਏ ਦੀਆਂ ਕੁਝ ਸਿਧਾਂਤਕ ਕਨਵਰਜੈਂਸ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵੀ ਸਥਾਪਤ ਕਰਦੇ ਹਾਂ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਅਸੀਂ ਇੱਕ ਨਿਯਮਤ ਆਈਏਏ ਐਲਗੋਰਿਦਮ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ, ਜਿਸ ਨੂੰ ਆਈਏਏ-ਆਰ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਜੋ ਕਿ ਸਿਗਨਲ ਮਾਡਲ ਵਿੱਚ ਗੈਰ-ਪ੍ਰਤੀਨਿਧਤਾ ਵਾਲੇ ਐਡਿਟਿਵ ਸ਼ੋਰ ਸ਼ਰਤਾਂ ਲਈ ਲੇਖਾ ਦੇ ਕੇ ਆਈਏਏ ਨਾਲੋਂ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕਰ ਸਕਦਾ ਹੈ। ਸਿੰਗਲ-ਇਨਪੁੱਟ ਮਲਟੀਪਲ-ਆਊਟਪੁੱਟ (SIMO) ਰਾਡਾਰ ਦੇ ਮੁਕਾਬਲੇ ਮਾਈਮੋ ਰਾਡਾਰ ਦੀ ਉੱਤਮ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਸੰਖਿਆਤਮਕ ਉਦਾਹਰਣਾਂ ਪੇਸ਼ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ ਅਤੇ ਟੀਚੇ ਦੀ ਪ੍ਰਤੀਬਿੰਬ ਲਈ ਪ੍ਰਸਤਾਵਿਤ ਆਈਏਏ-ਆਰ ਵਿਧੀ ਨਾਲ ਪ੍ਰਾਪਤ ਕੀਤੀ ਬਿਹਤਰ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਹੋਰ ਉਜਾਗਰ ਕੀਤਾ ਗਿਆ ਹੈ। |
0cfe588996f1bc319f87c6f75160d1cf1542d9a9 | |
20efcba63a0d9f12251a5e5dda745ac75a6a84a9 | |
ccaab0cee02fe1e5ffde33b79274b66aedeccc65 | ਆਵਾਜਾਈ ਦੇ ਭਵਿੱਖ ਦੇ ਰੂਪ ਵਿੱਚ, ਸਵੈ-ਡ੍ਰਾਈਵਿੰਗ ਕਾਰਾਂ ਦੀ ਸਮਾਜਿਕ, ਆਰਥਿਕ, ਇੰਜੀਨੀਅਰਿੰਗ, ਕੰਪਿਊਟਰ ਵਿਗਿਆਨ, ਡਿਜ਼ਾਈਨ ਅਤੇ ਨੈਤਿਕਤਾ ਸਮੇਤ ਵੱਖ-ਵੱਖ ਦ੍ਰਿਸ਼ਟੀਕੋਣਾਂ ਤੋਂ ਚਰਚਾ ਕੀਤੀ ਜਾ ਰਹੀ ਹੈ। ਇੱਕ ਪਾਸੇ, ਸਵੈ-ਡ੍ਰਾਈਵਿੰਗ ਕਾਰਾਂ ਨਵੀਆਂ ਇੰਜੀਨੀਅਰਿੰਗ ਸਮੱਸਿਆਵਾਂ ਪੇਸ਼ ਕਰਦੀਆਂ ਹਨ ਜੋ ਹੌਲੀ ਹੌਲੀ ਸਫਲਤਾਪੂਰਵਕ ਹੱਲ ਕੀਤੀਆਂ ਜਾ ਰਹੀਆਂ ਹਨ। ਦੂਜੇ ਪਾਸੇ, ਸਮਾਜਿਕ ਅਤੇ ਨੈਤਿਕ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਆਮ ਤੌਰ ਤੇ ਇੱਕ ਆਦਰਸ਼ਿਤ ਹੱਲ ਨਾ ਹੋਣ ਵਾਲੀ ਫੈਸਲੇ ਲੈਣ ਦੀ ਸਮੱਸਿਆ ਦੇ ਰੂਪ ਵਿੱਚ ਪੇਸ਼ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ, ਜਿਸ ਨੂੰ ਅਖੌਤੀ ਟਰਾਲੀ ਸਮੱਸਿਆ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਜੋ ਕਿ ਬਹੁਤ ਗੁੰਮਰਾਹਕੁੰਨ ਹੈ। ਅਸੀਂ ਦਲੀਲ ਦਿੰਦੇ ਹਾਂ ਕਿ ਨਵੀਂ ਟੈਕਨੋਲੋਜੀ ਦੇ ਵਿਕਾਸ ਲਈ ਇੱਕ ਲਾਗੂ ਇੰਜੀਨੀਅਰਿੰਗ ਨੈਤਿਕ ਪਹੁੰਚ ਦੀ ਲੋੜ ਹੈ; ਪਹੁੰਚ ਨੂੰ ਲਾਗੂ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਭਾਵ ਇਸ ਨੂੰ ਗੁੰਝਲਦਾਰ ਅਸਲ-ਵਿਸ਼ਵ ਇੰਜੀਨੀਅਰਿੰਗ ਸਮੱਸਿਆਵਾਂ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਤੇ ਧਿਆਨ ਕੇਂਦਰਤ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। ਸਵੈ-ਚਾਲਿਤ ਕਾਰਾਂ ਦੇ ਨਿਯੰਤਰਣ ਲਈ ਸਾੱਫਟਵੇਅਰ ਇੱਕ ਮਹੱਤਵਪੂਰਣ ਭੂਮਿਕਾ ਨਿਭਾਉਂਦਾ ਹੈ; ਇਸ ਲਈ, ਸਾੱਫਟਵੇਅਰ ਇੰਜੀਨੀਅਰਿੰਗ ਹੱਲਾਂ ਨੂੰ ਨੈਤਿਕ ਅਤੇ ਸਮਾਜਿਕ ਵਿਚਾਰਾਂ ਨੂੰ ਗੰਭੀਰਤਾ ਨਾਲ ਸੰਭਾਲਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਸ ਪੇਪਰ ਵਿੱਚ ਅਸੀਂ ਨਿਯਮਿਤ ਸਾਧਨਾਂ, ਮਿਆਰਾਂ, ਡਿਜ਼ਾਈਨ ਅਤੇ ਕੰਪੋਨੈਂਟਸ, ਪ੍ਰਣਾਲੀਆਂ ਅਤੇ ਸੇਵਾਵਾਂ ਦੇ ਲਾਗੂਕਰਨ ਤੇ ਧਿਆਨ ਨਾਲ ਨਜ਼ਰ ਮਾਰਦੇ ਹਾਂ ਅਤੇ ਅਸੀਂ ਵਿਵਹਾਰਕ ਸਮਾਜਿਕ ਅਤੇ ਨੈਤਿਕ ਚੁਣੌਤੀਆਂ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ ਜਿਨ੍ਹਾਂ ਨੂੰ ਪੂਰਾ ਕਰਨਾ ਪੈਂਦਾ ਹੈ, ਅਤੇ ਨਾਲ ਹੀ ਸਾੱਫਟਵੇਅਰ ਇੰਜੀਨੀਅਰਿੰਗ ਲਈ ਨਵੀਆਂ ਉਮੀਦਾਂ. |
288c67457f09c0c30cadd7439040114e9c377bc3 | ਐਸੋਸੀਏਸ਼ਨ ਨਿਯਮ, ਜੋ ਅਗਰਵਾਲ, ਇਮੀਲਿੰਸਕੀ ਅਤੇ ਸਵਾਮੀ ਦੁਆਰਾ ਪੇਸ਼ ਕੀਤੇ ਗਏ ਹਨ, ਉਹ ਨਿਯਮ ਹਨ ਜੋ ਰਿਸ਼ਤੇ ਦੇ 90% ਕਤਾਰਾਂ ਲਈ ਦੇ ਰੂਪ ਵਿੱਚ ਹਨ, ਜੇ ਕਤਾਰ ਦੀ ਵੈਲਯੂ ਸੈੱਟ W ਦੇ ਕਾਲਮਾਂ ਵਿੱਚ 1 ਹੈ, ਤਾਂ ਇਸ ਵਿੱਚ ਕਾਲਮ ਬੀ ਵਿੱਚ ਵੀ 1 ਹੈ. ਵੱਡੇ ਅੰਕੜਿਆਂ ਦੇ ਸੰਗ੍ਰਹਿ ਤੋਂ ਸੰਗਤ ਨਿਯਮਾਂ ਦੀ ਖੋਜ ਕਰਨ ਲਈ ਕੁਸ਼ਲ ਢੰਗ ਮੌਜੂਦ ਹਨ। ਹਾਲਾਂਕਿ, ਖੋਜੇ ਗਏ ਨਿਯਮਾਂ ਦੀ ਗਿਣਤੀ ਇੰਨੀ ਵੱਡੀ ਹੋ ਸਕਦੀ ਹੈ ਕਿ ਨਿਯਮ ਸੈੱਟ ਦੀ ਝਲਕ ਅਤੇ ਇਸ ਤੋਂ ਦਿਲਚਸਪ ਨਿਯਮ ਲੱਭਣਾ ਉਪਭੋਗਤਾ ਲਈ ਕਾਫ਼ੀ ਮੁਸ਼ਕਲ ਹੋ ਸਕਦਾ ਹੈ। ਅਸੀਂ ਦਿਖਾਉਂਦੇ ਹਾਂ ਕਿ ਕਿਵੇਂ ਨਿਯਮ ਦੇ ਟੈਂਪਲੇਟਾਂ ਦਾ ਇੱਕ ਸਧਾਰਨ ਰੂਪਵਾਦ ਦਿਲਚਸਪ ਨਿਯਮਾਂ ਦੀ ਬਣਤਰ ਦਾ ਅਸਾਨੀ ਨਾਲ ਵਰਣਨ ਕਰਨਾ ਸੰਭਵ ਬਣਾਉਂਦਾ ਹੈ। ਅਸੀਂ ਨਿਯਮਾਂ ਦੀ ਵਿਜ਼ੁਅਲਤਾ ਦੀਆਂ ਉਦਾਹਰਣਾਂ ਵੀ ਦਿੰਦੇ ਹਾਂ, ਅਤੇ ਦਿਖਾਉਂਦੇ ਹਾਂ ਕਿ ਕਿਵੇਂ ਵਿਜ਼ੁਅਲਤਾ ਟੂਲ ਨਿਯਮ ਦੇ ਟੈਂਪਲੇਟਾਂ ਨਾਲ ਇੰਟਰਫੇਸ ਕਰਦਾ ਹੈ. |
384bb3944abe9441dcd2cede5e7cd7353e9ee5f7 | |
47f0f6a2fd518932734cc90936292775cc95aa5d | |
b336f946d34cb427452517f503ada4bbe0181d3c | ਵੀਡੀਓ ਸਮਝ ਵਿੱਚ ਹਾਲੀਆ ਤਰੱਕੀ ਅਤੇ ਸਾਲਾਂ ਦੌਰਾਨ ਟਾਈਮਲ ਐਕਸ਼ਨ ਲੋਕਲਾਈਜ਼ੇਸ਼ਨ ਵਿੱਚ ਸੁਧਾਰ ਦੀ ਨਿਰੰਤਰ ਦਰ ਦੇ ਬਾਵਜੂਦ, ਇਹ ਅਜੇ ਵੀ ਅਸਪਸ਼ਟ ਹੈ ਕਿ ਕਿੰਨੀ ਦੂਰ (ਜਾਂ ਨੇੜੇ? ਅਸੀਂ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਹਾਂ। ਇਸ ਉਦੇਸ਼ ਲਈ, ਅਸੀਂ ਵੀਡੀਓ ਵਿੱਚ ਟਾਈਮਲ ਐਕਸ਼ਨ ਡਿਟੈਕਟਰਾਂ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਅਤੇ ਇੱਕ ਸਿੰਗਲ ਸਕੇਲਰ ਮੈਟ੍ਰਿਕ ਤੋਂ ਪਰੇ ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ ਦੀ ਤੁਲਨਾ ਕਰਨ ਲਈ ਇੱਕ ਨਵਾਂ ਡਾਇਗਨੌਸਟਿਕ ਟੂਲ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ। ਅਸੀਂ ਆਪਣੇ ਟੂਲ ਦੀ ਵਰਤੋਂ ਦੀ ਉਦਾਹਰਣ ਦੇ ਰਹੇ ਹਾਂ ਤਾਜ਼ਾ ਐਕਟੀਵਿਟੀਨੈੱਟ ਐਕਸ਼ਨ ਲੋਕਲਾਈਜ਼ੇਸ਼ਨ ਚੁਣੌਤੀ ਵਿੱਚ ਚੋਟੀ ਦੇ ਇਨਾਮ ਪ੍ਰਾਪਤ ਐਂਟਰੀਆਂ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਕੇ। ਸਾਡਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਕੰਮ ਕਰਨ ਲਈ ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਖੇਤਰ ਹਨਃ ਉਦਾਹਰਣਾਂ ਦੇ ਆਲੇ ਦੁਆਲੇ ਸਮੇਂ ਦੇ ਸੰਦਰਭ ਨੂੰ ਬਿਹਤਰ handleੰਗ ਨਾਲ ਸੰਭਾਲਣ ਦੀਆਂ ਰਣਨੀਤੀਆਂ, w.r.t. ਦੀ ਮਜ਼ਬੂਤੀ ਵਿੱਚ ਸੁਧਾਰ ਉਦਾਹਰਨ ਦੇ ਪੂਰਨ ਅਤੇ ਅਨੁਸਾਰੀ ਆਕਾਰ, ਅਤੇ ਸਥਾਨਕਕਰਨ ਗਲਤੀਆਂ ਨੂੰ ਘਟਾਉਣ ਲਈ ਰਣਨੀਤੀਆਂ. ਇਸ ਤੋਂ ਇਲਾਵਾ, ਸਾਡੇ ਪ੍ਰਯੋਗਾਤਮਕ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਪਾਇਆ ਗਿਆ ਹੈ ਕਿ ਐਨੋਟੇਟਰਾਂ ਵਿੱਚ ਸਹਿਮਤੀ ਦੀ ਘਾਟ ਇਸ ਖੇਤਰ ਵਿੱਚ ਤਰੱਕੀ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਇੱਕ ਵੱਡੀ ਰੁਕਾਵਟ ਨਹੀਂ ਹੈ। ਸਾਡਾ ਡਾਇਗਨੌਸਟਿਕ ਟੂਲ ਜਨਤਕ ਤੌਰ ਤੇ ਉਪਲਬਧ ਹੈ ਤਾਂ ਜੋ ਹੋਰ ਖੋਜਕਰਤਾਵਾਂ ਦੇ ਦਿਮਾਗ ਨੂੰ ਉਨ੍ਹਾਂ ਦੇ ਐਲਗੋਰਿਦਮ ਬਾਰੇ ਵਾਧੂ ਸਮਝ ਦੇ ਨਾਲ ਉਤਸ਼ਾਹਤ ਕੀਤਾ ਜਾ ਸਕੇ। |
160404fb0d05a1a2efa593c448fcb8796c24b873 | ਨੁਮਾਇੰਦਗੀ ਦੇ ਨਕਲ ਸਿਧਾਂਤ ਨੂੰ ਇੱਕ ਫਰੇਮਵਰਕ ਦੇ ਰੂਪ ਵਿੱਚ ਵਿਕਸਤ ਅਤੇ ਖੋਜਿਆ ਗਿਆ ਹੈ ਜੋ ਦਿਮਾਗ ਦੇ ਨੁਮਾਇੰਦਗੀ ਕਾਰਜਾਂ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਕਿਸਮ ਦੇ ਸੰਸ਼ੋਧਿਤ ਕਰ ਸਕਦਾ ਹੈ. ਇਹ ਫਰੇਮਵਰਕ ਕੰਟਰੋਲ ਥਿਊਰੀ (ਫਾਰਵਰਡ ਮਾਡਲ) ਅਤੇ ਸਿਗਨਲ ਪ੍ਰੋਸੈਸਿੰਗ (ਕਲਮੈਨ ਫਿਲਟਰ) ਤੋਂ ਬਣੀਆਂ ਬਣਤਰਾਂ ਤੇ ਅਧਾਰਤ ਹੈ। ਇਹ ਵਿਚਾਰ ਇਹ ਹੈ ਕਿ ਸਰੀਰ ਅਤੇ ਵਾਤਾਵਰਣ ਨਾਲ ਜੁੜਨ ਤੋਂ ਇਲਾਵਾ, ਦਿਮਾਗ ਨਯੂਰਲ ਸਰਕਟਾਂ ਬਣਾਉਂਦਾ ਹੈ ਜੋ ਸਰੀਰ ਅਤੇ ਵਾਤਾਵਰਣ ਦੇ ਮਾਡਲਾਂ ਵਜੋਂ ਕੰਮ ਕਰਦੇ ਹਨ। ਸਪੱਸ਼ਟ ਸੈਂਸਰ-ਮੋਟਰ ਸ਼ਮੂਲੀਅਤ ਦੇ ਦੌਰਾਨ, ਇਹ ਮਾਡਲ ਸਰੀਰ ਅਤੇ ਵਾਤਾਵਰਣ ਦੇ ਸਮਾਨਾਂਤਰ ਰੂਪ ਵਿੱਚ ਇਫੇਰੈਂਸ ਕਾਪੀਆਂ ਦੁਆਰਾ ਚਲਾਏ ਜਾਂਦੇ ਹਨ, ਤਾਂ ਜੋ ਸੰਵੇਦਨਾਤਮਕ ਫੀਡਬੈਕ ਦੀਆਂ ਉਮੀਦਾਂ ਪ੍ਰਦਾਨ ਕੀਤੀਆਂ ਜਾ ਸਕਣ, ਅਤੇ ਸੰਵੇਦਨਾਤਮਕ ਜਾਣਕਾਰੀ ਨੂੰ ਵਧਾਉਣ ਅਤੇ ਪ੍ਰੋਸੈਸ ਕਰਨ ਲਈ. ਇਹ ਮਾਡਲ ਚਿੱਤਰ ਤਿਆਰ ਕਰਨ, ਵੱਖ-ਵੱਖ ਕਿਰਿਆਵਾਂ ਦੇ ਨਤੀਜਿਆਂ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣ, ਅਤੇ ਮੋਟਰ ਯੋਜਨਾਵਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਅਤੇ ਵਿਕਸਿਤ ਕਰਨ ਲਈ ਆਫ-ਲਾਈਨ ਵੀ ਚਲਾਏ ਜਾ ਸਕਦੇ ਹਨ। ਇਸ ਢਾਂਚੇ ਨੂੰ ਸ਼ੁਰੂ ਵਿੱਚ ਮੋਟਰ ਕੰਟਰੋਲ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਵਿਕਸਿਤ ਕੀਤਾ ਗਿਆ ਹੈ, ਜਿੱਥੇ ਇਹ ਦਿਖਾਇਆ ਗਿਆ ਹੈ ਕਿ ਸਰੀਰ ਦੇ ਨਾਲ ਸਮਾਨ ਰੂਪ ਵਿੱਚ ਚੱਲਣ ਵਾਲੇ ਅੰਦਰੂਨੀ ਮਾਡਲਾਂ ਫੀਡਬੈਕ ਦੇਰੀ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਦੇ ਪ੍ਰਭਾਵਾਂ ਨੂੰ ਘਟਾ ਸਕਦੀਆਂ ਹਨ। ਉਹੀ ਵਿਧੀ ਮੋਟਰ ਚਿੱਤਰਾਂ ਨੂੰ ਈਮੂਲੇਟਰ ਦੇ ਆਫ-ਲਾਈਨ ਡਰਾਈਵਿੰਗ ਦੇ ਤੌਰ ਤੇ ਇਫੇਰੈਂਸ ਕਾਪੀਆਂ ਰਾਹੀਂ ਗਿਣਿਆ ਜਾ ਸਕਦਾ ਹੈ. ਫਰੇਮਵਰਕ ਨੂੰ ਵਿਜ਼ੂਅਲ ਚਿੱਤਰਾਂ ਨੂੰ ਮੋਟਰ-ਵਿਜ਼ੂਅਲ ਲੂਪ ਦੇ ਇੱਕ ਈਮੂਲੇਟਰ ਦੇ ਆਫ-ਲਾਈਨ ਡਰਾਈਵਿੰਗ ਦੇ ਰੂਪ ਵਿੱਚ ਗਿਣਨ ਲਈ ਵਧਾਇਆ ਗਿਆ ਹੈ. ਮੈਂ ਇਹ ਵੀ ਦਿਖਾਉਂਦਾ ਹਾਂ ਕਿ ਅਜਿਹੀਆਂ ਪ੍ਰਣਾਲੀਆਂ ਕਿਵੇਂ ਅਮੋਡਲ ਸਪੇਸੀਅਲ ਇਮੇਜਰੀ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੀਆਂ ਹਨ। ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਸਮੇਤ ਧਾਰਨਾ, ਅਜਿਹੇ ਮਾਡਲਾਂ ਤੋਂ ਪ੍ਰਾਪਤ ਹੁੰਦੀ ਹੈ ਜੋ ਇੰਦਰੀਆਂ ਦੇ ਇੰਪੁੱਟ ਦੀ ਉਮੀਦਾਂ ਨੂੰ ਬਣਾਉਣ ਅਤੇ ਵਿਆਖਿਆ ਕਰਨ ਲਈ ਵਰਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ। ਮੈਂ ਸੰਖੇਪ ਵਿੱਚ ਹੋਰ ਗਿਆਨ ਕਾਰਜਾਂ ਦੀ ਰੂਪ ਰੇਖਾ ਦੇ ਕੇ ਸਮਾਪਤ ਕਰਦਾ ਹਾਂ ਜੋ ਇਸ ਢਾਂਚੇ ਦੇ ਅੰਦਰ ਸੰਸ਼ਲੇਸ਼ਿਤ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ, ਜਿਸ ਵਿੱਚ ਤਰਕ, ਮਨ ਦੀ ਘਟਨਾ ਦੇ ਸਿਧਾਂਤ ਅਤੇ ਭਾਸ਼ਾ ਸ਼ਾਮਲ ਹਨ। |
65c85498be307ee940976db668dae4546943a4c8 | |
761f2288b1b0cea385b0b9a89bb068593d94d6bd | 3ਡੀ ਚਿਹਰੇ ਦੀ ਪਛਾਣ ਉਦਯੋਗ ਅਤੇ ਅਕਾਦਮਿਕ ਖੇਤਰ ਦੋਵਾਂ ਵਿੱਚ ਇੱਕ ਰੁਝਾਨ ਖੋਜ ਦਿਸ਼ਾ ਬਣ ਗਈ ਹੈ। ਇਸ ਵਿੱਚ ਰਵਾਇਤੀ 2 ਡੀ ਚਿਹਰੇ ਦੀ ਪਛਾਣ ਤੋਂ ਲਾਭ ਪ੍ਰਾਪਤ ਹੁੰਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਕੁਦਰਤੀ ਮਾਨਤਾ ਪ੍ਰਕਿਰਿਆ ਅਤੇ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ। ਇਸ ਤੋਂ ਇਲਾਵਾ, 3ਡੀ ਚਿਹਰੇ ਦੀ ਪਛਾਣ ਪ੍ਰਣਾਲੀ ਕਮਜ਼ੋਰ ਰੋਸ਼ਨੀ ਅਤੇ ਵੱਖ-ਵੱਖ ਚਿਹਰੇ ਦੀਆਂ ਅਵਸਥਾਵਾਂ ਅਤੇ ਪ੍ਰਗਟਾਵਾਂ ਦੇ ਨਾਲ ਵੀ ਮਨੁੱਖੀ ਚਿਹਰੇ ਨੂੰ ਸਹੀ ਤਰ੍ਹਾਂ ਪਛਾਣ ਸਕਦੀ ਹੈ, ਅਜਿਹੇ ਹਾਲਾਤਾਂ ਵਿੱਚ 2ਡੀ ਚਿਹਰੇ ਦੀ ਪਛਾਣ ਪ੍ਰਣਾਲੀ ਨੂੰ ਕੰਮ ਕਰਨ ਵਿੱਚ ਬਹੁਤ ਮੁਸ਼ਕਲ ਆਵੇਗੀ। ਇਹ ਪੇਪਰ 3 ਡੀ ਚਿਹਰੇ ਦੀ ਪਛਾਣ ਖੋਜ ਖੇਤਰ ਵਿੱਚ ਇਤਿਹਾਸ ਅਤੇ ਸਭ ਤੋਂ ਤਾਜ਼ਾ ਤਰੱਕੀ ਦਾ ਸਾਰ ਦਿੰਦਾ ਹੈ। ਸਰਹੱਦੀ ਖੋਜ ਦੇ ਨਤੀਜੇ ਤਿੰਨ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਪੇਸ਼ ਕੀਤੇ ਗਏ ਹਨਃ ਪੋਜ-ਇਨਵਰਿਏਂਟ ਮਾਨਤਾ, ਪ੍ਰਗਟਾਵਾ-ਇਨਵਰਿਏਂਟ ਮਾਨਤਾ, ਅਤੇ ਅੜਿੱਕਾ-ਇਨਵਰਿਏਂਟ ਮਾਨਤਾ। ਭਵਿੱਖ ਦੀ ਖੋਜ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਨ ਲਈ, ਇਹ ਪੇਪਰ ਜਨਤਕ ਤੌਰ ਤੇ ਉਪਲਬਧ 3D ਚਿਹਰੇ ਦੇ ਡੇਟਾਬੇਸ ਬਾਰੇ ਜਾਣਕਾਰੀ ਇਕੱਠੀ ਕਰਦਾ ਹੈ। ਇਸ ਪੇਪਰ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਖੁੱਲ੍ਹੀਆਂ ਸਮੱਸਿਆਵਾਂ ਦੀ ਸੂਚੀ ਵੀ ਦਿੱਤੀ ਗਈ ਹੈ। |
2d2b1f9446e9b4cdb46327cda32a8d9621944e29 | ਸੋਸ਼ਲ ਨੈੱਟਵਰਕਿੰਗ ਸਾਈਟਾਂ ਵਿਚ ਹਿੱਸਾ ਲੈਣ ਦੀ ਗਿਣਤੀ ਹਾਲ ਦੇ ਸਾਲਾਂ ਵਿਚ ਬਹੁਤ ਜ਼ਿਆਦਾ ਵਧੀ ਹੈ। ਫ੍ਰੈਂਡਸਟਰ, ਟਰਾਈਬ ਜਾਂ ਫੇਸਬੁੱਕ ਵਰਗੀਆਂ ਸੇਵਾਵਾਂ ਲੱਖਾਂ ਲੋਕਾਂ ਨੂੰ ਆਨਲਾਈਨ ਪ੍ਰੋਫਾਈਲ ਬਣਾਉਣ ਅਤੇ ਦੋਸਤਾਂ ਦੇ ਵਿਸ਼ਾਲ ਨੈਟਵਰਕ ਨਾਲ ਨਿੱਜੀ ਜਾਣਕਾਰੀ ਸਾਂਝੀ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦੀਆਂ ਹਨ - ਅਤੇ ਅਕਸਰ ਅਣਜਾਣ ਲੋਕਾਂ ਦੀ ਅਣਜਾਣ ਗਿਣਤੀ. ਇਸ ਪੇਪਰ ਵਿੱਚ ਅਸੀਂ ਆਨਲਾਈਨ ਸੋਸ਼ਲ ਨੈਟਵਰਕਸ ਵਿੱਚ ਜਾਣਕਾਰੀ ਦੇ ਪ੍ਰਗਟਾਵੇ ਦੇ ਪੈਟਰਨ ਅਤੇ ਉਨ੍ਹਾਂ ਦੀ ਗੋਪਨੀਯਤਾ ਦੇ ਪ੍ਰਭਾਵ ਦਾ ਅਧਿਐਨ ਕਰਦੇ ਹਾਂ। ਅਸੀਂ ਕਾਰਨੇਗੀ ਮੇਲਨ ਯੂਨੀਵਰਸਿਟੀ ਦੇ 4,000 ਤੋਂ ਵੱਧ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਆਨਲਾਈਨ ਵਿਵਹਾਰ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਹੈ ਜੋ ਕਾਲਜਾਂ ਲਈ ਤਿਆਰ ਕੀਤੀ ਗਈ ਇੱਕ ਪ੍ਰਸਿੱਧ ਸੋਸ਼ਲ ਨੈਟਵਰਕਿੰਗ ਸਾਈਟ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਏ ਹਨ। ਅਸੀਂ ਉਨ੍ਹਾਂ ਵੱਲੋਂ ਪ੍ਰਗਟ ਕੀਤੀ ਜਾਣ ਵਾਲੀ ਜਾਣਕਾਰੀ ਦੀ ਮਾਤਰਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦੇ ਹਾਂ ਅਤੇ ਸਾਈਟ ਦੀ ਗੋਪਨੀਯਤਾ ਸੈਟਿੰਗਾਂ ਦੀ ਉਨ੍ਹਾਂ ਦੀ ਵਰਤੋਂ ਦਾ ਅਧਿਐਨ ਕਰਦੇ ਹਾਂ। ਅਸੀਂ ਉਨ੍ਹਾਂ ਦੀ ਨਿੱਜਤਾ ਦੇ ਵੱਖ-ਵੱਖ ਪਹਿਲੂਆਂ ਤੇ ਸੰਭਾਵਿਤ ਹਮਲਿਆਂ ਨੂੰ ਉਜਾਗਰ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਅਸੀਂ ਦਿਖਾਉਂਦੇ ਹਾਂ ਕਿ ਉਪਭੋਗਤਾਵਾਂ ਦੀ ਸਿਰਫ ਇੱਕ ਬਹੁਤ ਘੱਟ ਪ੍ਰਤੀਸ਼ਤਤਾ ਬਹੁਤ ਜ਼ਿਆਦਾ ਪ੍ਰਵੇਸ਼ ਯੋਗ ਗੋਪਨੀਯਤਾ ਤਰਜੀਹਾਂ ਨੂੰ ਬਦਲਦੀ ਹੈ. |
e9c525679fed4dad85699d09b5ce1ccaffe8f11d | |
192687300b76bca25d06744b6586f2826c722645 | ਇਸ ਪੇਪਰ ਵਿੱਚ ਅਸੀਂ ਡੂੰਘੀ ਗੌਸੀਅਨ ਪ੍ਰਕਿਰਿਆ (ਜੀਪੀ) ਮਾਡਲਾਂ ਦੀ ਜਾਣ-ਪਛਾਣ ਕਰਾਉਂਦੇ ਹਾਂ। ਡੂੰਘੇ ਜੀਪੀ ਗੌਸਸੀਅਨ ਪ੍ਰਕਿਰਿਆ ਮੈਪਿੰਗ ਤੇ ਅਧਾਰਤ ਇੱਕ ਡੂੰਘੀ ਵਿਸ਼ਵਾਸ ਨੈਟਵਰਕ ਹਨ। ਡਾਟਾ ਨੂੰ ਮਲਟੀਵਰਆਇਟ ਜੀਪੀ ਦੇ ਆਉਟਪੁੱਟ ਦੇ ਰੂਪ ਵਿੱਚ ਮਾਡਲ ਕੀਤਾ ਗਿਆ ਹੈ। ਉਸ ਗੌਸਸੀ ਪ੍ਰਕਿਰਿਆ ਦੇ ਇੰਪੁੱਟ ਫਿਰ ਕਿਸੇ ਹੋਰ ਜੀਪੀ ਦੁਆਰਾ ਨਿਯੰਤਰਿਤ ਕੀਤੇ ਜਾਂਦੇ ਹਨ. ਇੱਕ ਸਿੰਗਲ ਲੇਅਰ ਮਾਡਲ ਇੱਕ ਮਿਆਰੀ ਜੀਪੀ ਜਾਂ ਜੀਪੀ ਲਾਈਟੈਂਟ ਵੇਰੀਏਬਲ ਮਾਡਲ (ਜੀਪੀ-ਐਲਵੀਐਮ) ਦੇ ਬਰਾਬਰ ਹੈ। ਅਸੀਂ ਮਾਡਲ ਵਿੱਚ ਅਨੁਮਾਨਿਤ ਭਿੰਨਤਾਵਾਦੀ ਹਾਸ਼ੀਏ ਦੁਆਰਾ ਅਨੁਮਾਨ ਲਗਾਉਂਦੇ ਹਾਂ। ਇਸ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਮਾਡਲ ਦੀ ਹੱਦ ਦੀ ਸੰਭਾਵਨਾ ਤੇ ਸਖਤ ਹੇਠਲੀ ਸੀਮਾ ਹੁੰਦੀ ਹੈ ਜਿਸਦੀ ਵਰਤੋਂ ਅਸੀਂ ਮਾਡਲ ਚੋਣ ਲਈ ਕਰਦੇ ਹਾਂ (ਪ੍ਰਤੀ ਪਰਤ ਪ੍ਰਤੀ ਪਰਤਾਂ ਅਤੇ ਨੋਡਾਂ ਦੀ ਗਿਣਤੀ). ਡੂੰਘੇ ਵਿਸ਼ਵਾਸ ਨੈਟਵਰਕ ਆਮ ਤੌਰ ਤੇ ਅਨੁਕੂਲਤਾ ਲਈ ਸਟੋਚੈਸਟਿਕ ਗਰੇਡੀਐਂਟ ਉਤਰਾਅ-ਚੜ੍ਹਾਅ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਮੁਕਾਬਲਤਨ ਵੱਡੇ ਡੇਟਾ ਸੈਟਾਂ ਤੇ ਲਾਗੂ ਕੀਤੇ ਜਾਂਦੇ ਹਨ. ਸਾਡਾ ਪੂਰੀ ਤਰ੍ਹਾਂ ਬੇਯਸੀਅਨ ਇਲਾਜ ਡੂੰਘੇ ਮਾਡਲਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ ਭਾਵੇਂ ਡੇਟਾ ਘੱਟ ਹੋਵੇ। ਸਾਡੇ ਪਰਿਵਰਤਨਸ਼ੀਲ ਬਾਂਡ ਦੁਆਰਾ ਮਾਡਲ ਚੋਣ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ਪੰਜ ਲੇਅਰ ਲੜੀਵਾਰਤਾ ਨੂੰ ਸਿਰਫ 150 ਉਦਾਹਰਣਾਂ ਵਾਲੇ ਇੱਕ ਡਿਜੀਟ ਡੇਟਾ ਸੈਟ ਨੂੰ ਮਾਡਲਿੰਗ ਕਰਨ ਵੇਲੇ ਵੀ ਜਾਇਜ਼ ਠਹਿਰਾਇਆ ਜਾਂਦਾ ਹੈ। |
2cac0942a692c3dbb46bcf826d71d202ab0f2e02 | ਅਸੀਂ ਇੱਕ ਮਾਨਤਾ ਮਾਡਲ ਨਾਲ ਡੂੰਘੀ ਗੌਸੀਅਨ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਵਧਾ ਕੇ ਇੱਕ ਸਕੇਲੇਬਲ ਡੂੰਘੀ ਗੈਰ-ਪੈਰਾਮੇਟ੍ਰਿਕ ਜਨਰੇਟਿਵ ਮਾਡਲ ਵਿਕਸਿਤ ਕਰਦੇ ਹਾਂ। ਅਨੁਮਾਨ ਇੱਕ ਨਾਵਲ ਸਕੇਲੇਬਲ ਪਰਿਵਰਤਨਸ਼ੀਲ ਢਾਂਚੇ ਵਿੱਚ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜਿੱਥੇ ਪਰਿਵਰਤਨਸ਼ੀਲ ਪਿਛਲੀ ਵੰਡ ਨੂੰ ਬਹੁ-ਪਰਤ ਪਰਸਪਰਟਰੋਨ ਦੁਆਰਾ ਮੁੜ-ਪੈਰਾਮੀਟਰਾਈਜ਼ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇਸ ਪੁਨਰ-ਰਚਨਾ ਦਾ ਮੁੱਖ ਪਹਿਲੂ ਇਹ ਹੈ ਕਿ ਇਹ ਪਰਿਵਰਤਨਸ਼ੀਲ ਪੈਰਾਮੀਟਰਾਂ ਦੇ ਪ੍ਰਸਾਰ ਨੂੰ ਰੋਕਦਾ ਹੈ ਜੋ ਹੋਰਨਾਂ ਮਾਮਲਿਆਂ ਵਿੱਚ ਸੈਂਪਲ ਦੇ ਆਕਾਰ ਦੇ ਅਨੁਪਾਤ ਵਿੱਚ ਰੇਖਿਕ ਤੌਰ ਤੇ ਵਧਦੇ ਹਨ। ਅਸੀਂ ਪਰਿਵਰਤਨਸ਼ੀਲ ਹੇਠਲੇ ਸੀਮਾ ਦਾ ਇੱਕ ਨਵਾਂ ਫਾਰਮੂਲਾ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਾਂ ਜੋ ਸਾਨੂੰ ਜ਼ਿਆਦਾਤਰ ਗਣਨਾ ਨੂੰ ਇਸ ਤਰੀਕੇ ਨਾਲ ਵੰਡਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ ਜੋ ਮੁੱਖ ਧਾਰਾ ਦੇ ਡੂੰਘੇ ਸਿੱਖਣ ਦੇ ਕੰਮਾਂ ਦੇ ਆਕਾਰ ਦੇ ਡੇਟਾ ਸੈੱਟਾਂ ਨੂੰ ਸੰਭਾਲਣ ਦੇ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ. ਅਸੀਂ ਵਿਭਿੰਨ ਚੁਣੌਤੀਆਂ ਤੇ ਵਿਧੀ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਾਂ ਜਿਸ ਵਿੱਚ ਡੂੰਘੀ ਨਿਗਰਾਨੀ ਰਹਿਤ ਸਿਖਲਾਈ ਅਤੇ ਡੂੰਘੀ ਬੇਜ਼ੀਅਨ ਅਨੁਕੂਲਤਾ ਸ਼ਾਮਲ ਹੈ। |
722fcc35def20cfcca3ada76c8dd7a585d6de386 | ਕੈਫੇ ਮਲਟੀਮੀਡੀਆ ਵਿਗਿਆਨੀਆਂ ਅਤੇ ਪ੍ਰੈਕਟੀਸ਼ਨਰਾਂ ਨੂੰ ਅਤਿ ਆਧੁਨਿਕ ਡੂੰਘੀ ਸਿੱਖਣ ਐਲਗੋਰਿਥਮ ਅਤੇ ਹਵਾਲਾ ਮਾਡਲਾਂ ਦੇ ਸੰਗ੍ਰਹਿ ਲਈ ਇੱਕ ਸਾਫ਼ ਅਤੇ ਸੋਧਣ ਯੋਗ frameworkਾਂਚਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ. ਫਰੇਮਵਰਕ ਇੱਕ ਬੀਐਸਡੀ-ਲਾਇਸੈਂਸਡ ਸੀ ++ ਲਾਇਬ੍ਰੇਰੀ ਹੈ ਜਿਸ ਵਿੱਚ ਪਾਈਥਨ ਅਤੇ ਮੈਟਲਾਬ ਬਾਈਡਿੰਗਸ ਸਿਖਲਾਈ ਅਤੇ ਆਮ-ਉਦੇਸ਼ ਵਾਲੇ ਕਨਵੋਲੂਸ਼ਨਲ ਨਯੂਰਲ ਨੈਟਵਰਕ ਅਤੇ ਹੋਰ ਡੂੰਘੇ ਮਾਡਲਾਂ ਨੂੰ ਵਸਤੂ ਆਰਕੀਟੈਕਚਰ ਤੇ ਕੁਸ਼ਲਤਾ ਨਾਲ ਤਾਇਨਾਤ ਕਰਨ ਲਈ ਹਨ। ਕੈਫੇ ਉਦਯੋਗ ਅਤੇ ਇੰਟਰਨੈਟ-ਪੱਧਰ ਦੀਆਂ ਮੀਡੀਆ ਜ਼ਰੂਰਤਾਂ ਨੂੰ CUDA GPU ਕੰਪਿutingਟਿੰਗ ਦੁਆਰਾ ਪੂਰਾ ਕਰਦਾ ਹੈ, ਇੱਕ ਸਿੰਗਲ ਕੇ 40 ਜਾਂ ਟਾਈਟਨ ਜੀਪੀਯੂ (ਪ੍ਰਤੀ ਚਿੱਤਰ ਲਗਭਗ 2 ਐਮਐਸ) ਤੇ ਇੱਕ ਦਿਨ ਵਿੱਚ 40 ਮਿਲੀਅਨ ਤੋਂ ਵੱਧ ਚਿੱਤਰਾਂ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਦਾ ਹੈ. ਅਸਲ ਲਾਗੂਕਰਨ ਤੋਂ ਮਾਡਲ ਪ੍ਰਤੀਨਿਧਤਾ ਨੂੰ ਵੱਖ ਕਰਕੇ, ਕੈਫੇ ਪ੍ਰਯੋਗ ਅਤੇ ਪਲੇਟਫਾਰਮਾਂ ਵਿਚਕਾਰ ਸਹਿਜ ਸਵਿਚਿੰਗ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ ਤਾਂ ਜੋ ਵਿਕਾਸ ਅਤੇ ਪ੍ਰੋਟੋਟਾਈਪਿੰਗ ਮਸ਼ੀਨਾਂ ਤੋਂ ਕਲਾਉਡ ਵਾਤਾਵਰਣ ਤੱਕ ਤਾਇਨਾਤੀ ਦੀ ਸੌਖ ਲਈ. ਕੈਫੇ ਨੂੰ ਬਰਕਲੇ ਵਿਜ਼ਨ ਐਂਡ ਲਰਨਿੰਗ ਸੈਂਟਰ (ਬੀਵੀਐਲਸੀ) ਦੁਆਰਾ ਗਿੱਟਹਬ ਤੇ ਯੋਗਦਾਨ ਪਾਉਣ ਵਾਲਿਆਂ ਦੇ ਸਰਗਰਮ ਭਾਈਚਾਰੇ ਦੀ ਮਦਦ ਨਾਲ ਬਣਾਈ ਰੱਖਿਆ ਅਤੇ ਵਿਕਸਤ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਹ ਚੱਲ ਰਹੇ ਖੋਜ ਪ੍ਰੋਜੈਕਟਾਂ, ਵੱਡੇ ਪੈਮਾਨੇ ਦੀਆਂ ਉਦਯੋਗਿਕ ਐਪਲੀਕੇਸ਼ਨਾਂ ਅਤੇ ਵਿਜ਼ਨ, ਸਪੀਚ ਅਤੇ ਮਲਟੀਮੀਡੀਆ ਵਿੱਚ ਸ਼ੁਰੂਆਤੀ ਪ੍ਰੋਟੋਟਾਈਪਾਂ ਨੂੰ ਸ਼ਕਤੀ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। |
fd50fa6954e1f6f78ca66f43346e7e86b196b137 | ਲਗਾਤਾਰ ਵਧਦੀ ਸ਼ਹਿਰੀਕਰਨ ਪ੍ਰਕਿਰਿਆ ਦੇ ਨਾਲ, ਸ਼ਹਿਰੀ ਸਪੇਸ ਵਿੱਚ ਲੋਕਾਂ ਦੀਆਂ ਗਤੀਵਿਧੀਆਂ ਦਾ ਯੋਜਨਾਬੱਧ ਢੰਗ ਨਾਲ ਨਮੂਨਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਸਮਾਜਿਕ-ਆਰਥਿਕ ਕਾਰਜ ਵਜੋਂ ਮਾਨਤਾ ਪ੍ਰਾਪਤ ਹੈ। ਭਰੋਸੇਯੋਗ ਡਾਟਾ ਸਰੋਤਾਂ ਦੀ ਘਾਟ ਕਾਰਨ ਇਹ ਕੰਮ ਕਈ ਸਾਲ ਪਹਿਲਾਂ ਤਕਰੀਬਨ ਅਸੰਭਵ ਸੀ, ਫਿਰ ਵੀ ਜੀਓ-ਟੈਗ ਕੀਤੇ ਸੋਸ਼ਲ ਮੀਡੀਆ (ਜੀਟੀਐਸਐਮ) ਦੇ ਅੰਕੜਿਆਂ ਦੇ ਉਭਾਰ ਨੇ ਇਸ ਤੇ ਨਵੀਂ ਰੋਸ਼ਨੀ ਪਾਈ ਹੈ। ਹਾਲ ਹੀ ਵਿੱਚ, ਜੀਟੀਐਸਐਮ ਡੇਟਾ ਤੋਂ ਭੂਗੋਲਿਕ ਵਿਸ਼ਿਆਂ ਦੀ ਖੋਜ ਕਰਨ ਬਾਰੇ ਫਲਦਾਇਕ ਅਧਿਐਨ ਹੋਏ ਹਨ। ਹਾਲਾਂਕਿ, ਉਨ੍ਹਾਂ ਦੀਆਂ ਉੱਚ ਕੰਪਿ computerਟੇਸ਼ਨਲ ਲਾਗਤਾਂ ਅਤੇ ਲੁਕਵੇਂ ਵਿਸ਼ਿਆਂ ਬਾਰੇ ਮਜ਼ਬੂਤ ਵੰਡ ਦੀਆਂ ਧਾਰਨਾਵਾਂ ਉਨ੍ਹਾਂ ਨੂੰ ਜੀਟੀਐਸਐਮ ਦੀ ਸ਼ਕਤੀ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਜਾਰੀ ਕਰਨ ਤੋਂ ਰੋਕਦੀਆਂ ਹਨ. ਇਸ ਪਾੜੇ ਨੂੰ ਦੂਰ ਕਰਨ ਲਈ, ਅਸੀਂ ਕ੍ਰਾਸਮੈਪ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ, ਇੱਕ ਨਾਵਲ ਕ੍ਰਾਸਮੋਡਲ ਪ੍ਰਸਤੁਤੀ ਸਿੱਖਣ ਦੀ ਵਿਧੀ ਜੋ ਵੱਡੇ ਜੀਟੀਐਸਐਮ ਡੇਟਾ ਦੇ ਨਾਲ ਸ਼ਹਿਰੀ ਗਤੀਸ਼ੀਲਤਾ ਨੂੰ ਉਜਾਗਰ ਕਰਦੀ ਹੈ। ਕ੍ਰਾਸਮੈਪ ਪਹਿਲਾਂ ਲੋਕਾਂ ਦੀਆਂ ਗਤੀਵਿਧੀਆਂ ਦੇ ਅਧਾਰ ਤੇ ਸਪੇਸ-ਟਾਈਮੋਰਲ ਹੌਟਸਪੌਟਸ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ ਇੱਕ ਤੇਜ਼ ਮੋਡ ਖੋਜ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਲਾਗੂ ਕਰਦਾ ਹੈ. ਇਹ ਖੋਜੇ ਗਏ ਹੌਟਸਪੌਟਸ ਨਾ ਸਿਰਫ ਸਪੇਸ-ਟਾਈਮ ਫਰਕ ਨੂੰ ਸੰਬੋਧਿਤ ਕਰਦੇ ਹਨ, ਬਲਕਿ ਜੀਟੀਐਸਐਮ ਡੇਟਾ ਦੀ ਘਾਟ ਨੂੰ ਵੀ ਬਹੁਤ ਹੱਦ ਤੱਕ ਘਟਾਉਂਦੇ ਹਨ। ਖੋਜੇ ਗਏ ਹੌਟਸਪੌਟਸ ਦੇ ਨਾਲ, ਕ੍ਰਾਸਮੈਪ ਫਿਰ ਦੋ ਵੱਖ-ਵੱਖ ਰਣਨੀਤੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦਿਆਂ ਸਾਰੇ ਸਥਾਨਿਕ, ਸਮੇਂ ਅਤੇ ਪਾਠ ਇਕਾਈਆਂ ਨੂੰ ਸਾਂਝੇ ਤੌਰ ਤੇ ਉਸੇ ਜਗ੍ਹਾ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈਃ ਇੱਕ ਪੁਨਰ ਨਿਰਮਾਣ ਅਧਾਰਤ ਹੈ ਅਤੇ ਦੂਜਾ ਗ੍ਰਾਫ ਅਧਾਰਤ ਹੈ. ਦੋਵੇਂ ਰਣਨੀਤੀਆਂ ਇਕਾਈਆਂ ਦੇ ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਨੂੰ ਉਹਨਾਂ ਦੇ ਸਹਿ-ਸੰਬੰਧਾਂ ਅਤੇ ਗੁਆਂਢੀ ਸਬੰਧਾਂ ਨੂੰ ਕੋਡ ਕਰਕੇ ਹਾਸਲ ਕਰਦੀਆਂ ਹਨ, ਅਤੇ ਅਜਿਹੇ ਸਬੰਧਾਂ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਣ ਲਈ ਘੱਟ-ਅਯਾਮੀ ਨੁਮਾਇੰਦਗੀ ਸਿੱਖਦੀਆਂ ਹਨ। ਸਾਡੇ ਪ੍ਰਯੋਗਾਂ ਤੋਂ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ ਕ੍ਰਾਸਮੈਪ ਨਾ ਸਿਰਫ ਗਤੀਵਿਧੀ ਦੀ ਰਿਕਵਰੀ ਅਤੇ ਵਰਗੀਕਰਨ ਲਈ ਅਤਿ-ਆਧੁਨਿਕ ਤਰੀਕਿਆਂ ਨੂੰ ਮਹੱਤਵਪੂਰਣ ਰੂਪ ਵਿੱਚ ਪਛਾੜਦਾ ਹੈ, ਬਲਕਿ ਬਹੁਤ ਵਧੀਆ ਕੁਸ਼ਲਤਾ ਵੀ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ। |
ce8d99e5b270d15dc09422c08c500c5d86ed3703 | ਮਨੁੱਖੀ ਤੁਰਨ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਨਾਲ ਇੱਕ ਅੰਦਰੂਨੀ ਤੁਰਨ ਦੇ ਦਸਤਖਤ ਨੂੰ ਲੱਭਣ ਵਿੱਚ ਮਦਦ ਮਿਲਦੀ ਹੈ ਜਿਸਦੇ ਦੁਆਰਾ ਵਿਆਪਕ ਮਨੁੱਖੀ ਪਛਾਣ ਅਤੇ ਡਾਕਟਰੀ ਵਿਗਾੜ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਦੀ ਵਿਆਪਕ ਸਪੈਕਟ੍ਰਮ ਵਿੱਚ ਜਾਂਚ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਗੈਚ ਬਾਇਓਮੈਟ੍ਰਿਕ ਇੱਕ ਅਵਿਸ਼ਵਾਸੀ ਵਿਸ਼ੇਸ਼ਤਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜਿਸਦੇ ਦੁਆਰਾ ਵੀਡੀਓ ਗੈਚ ਡੇਟਾ ਨੂੰ ਵਿਸ਼ੇ ਦੀ ਪਹਿਲਾਂ ਤੋਂ ਜਾਗਰੂਕਤਾ ਤੋਂ ਬਿਨਾਂ ਇੱਕ ਵੱਡੀ ਦੂਰੀ ਤੇ ਕੈਪਚਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਸ ਪੇਪਰ ਵਿੱਚ, ਕਿਨੈਕਟ ਐਕਸਬਾਕਸ ਉਪਕਰਣ ਨਾਲ ਮਨੁੱਖੀ ਤੁਰਨ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦਾ ਅਧਿਐਨ ਕਰਨ ਲਈ ਇੱਕ ਨਵੀਂ ਤਕਨੀਕ ਨੂੰ ਸੰਬੋਧਿਤ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਹ ਸਾਨੂੰ ਸਵੈਚਾਲਿਤ ਪਿਛੋਕੜ ਘਟਾਉਣ ਦੀ ਤਕਨੀਕ ਨਾਲ ਖੰਡਨ ਦੀਆਂ ਗਲਤੀਆਂ ਨੂੰ ਘੱਟ ਤੋਂ ਘੱਟ ਕਰਨ ਲਈ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ। ਨਜ਼ਦੀਕੀ ਸਮਾਨ ਮਨੁੱਖੀ ਪਿੰਜਰ ਮਾਡਲ ਨੂੰ ਪਿਛੋਕੜ ਤੋਂ ਘਟਾਏ ਗਏ ਗੈਚ ਚਿੱਤਰਾਂ ਤੋਂ ਤਿਆਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਜੋ ਕਿ ਕੋਵਾਰੀਏਟ ਹਾਲਤਾਂ ਦੁਆਰਾ ਬਦਲਿਆ ਜਾਂਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਤੁਰਨ ਦੀ ਗਤੀ ਵਿੱਚ ਤਬਦੀਲੀ ਅਤੇ ਕੱਪੜੇ ਦੀ ਕਿਸਮ ਵਿੱਚ ਭਿੰਨਤਾਵਾਂ. ਤੁਰਨ ਦੇ ਨਿਸ਼ਾਨ ਵਿਸ਼ੇ ਦੇ ਪਿੰਜਰ ਮਾਡਲ ਦੇ ਖੱਬੇ ਕਮਰ, ਖੱਬੇ ਗੋਡੇ, ਸੱਜੇ ਕਮਰ ਅਤੇ ਸੱਜੇ ਗੋਡੇ ਦੇ ਸੰਯੁਕਤ ਕੋਣ ਦੇ ਮਾਰਗ ਤੋਂ ਫੜੇ ਜਾਂਦੇ ਹਨ। ਕਿਨੈਕਟ ਗੈਚ ਡੇਟਾ ਤੇ ਪ੍ਰਯੋਗਾਤਮਕ ਤਸਦੀਕ ਦੀ ਤੁਲਨਾ ਸੈਂਸਰ ਅਧਾਰਿਤ ਬਾਇਓਮੈਟ੍ਰਿਕ ਸੂਟ, ਇੰਟੈਲੀਜੈਂਟ ਗੈਚ ਓਸਿਲੇਸ਼ਨ ਡਿਟੈਕਟਰ (ਆਈਜੀਓਡੀ) ਦੇ ਸਾਡੇ ਅੰਦਰੂਨੀ ਵਿਕਾਸ ਨਾਲ ਕੀਤੀ ਗਈ ਹੈ। ਇਹ ਜਾਂਚ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਗਈ ਹੈ ਕਿ ਕੀ ਇਸ ਸੈਂਸਰ ਅਧਾਰਤ ਬਾਇਓਮੈਟ੍ਰਿਕ ਸੂਟ ਨੂੰ ਮਜ਼ਬੂਤ ਗੈਚ ਪਛਾਣ ਪ੍ਰਣਾਲੀ ਦੇ ਪ੍ਰਸਾਰ ਲਈ ਕਿਨੈਕਟ ਉਪਕਰਣ ਨਾਲ ਬਦਲਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਫੀਚਰ ਵੈਕਟਰ ਦੀ ਵਿਤਕਰਾਤਮਕ ਸ਼ਕਤੀ ਨੂੰ ਵੇਖਣ ਲਈ ਫਿਸ਼ਰ ਵਿਤਕਰਾਤਮਕ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਸਿਖਲਾਈ ਦੇ ਪੈਦਲ ਦਸਤਖਤ ਤੇ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਹੈ. ਨਾਇਵ ਬੇਯਸੀਅਨ ਵਰਗੀਕਰਤਾ ਕਿਨੈਕਟ ਸੈਂਸਰ ਦੁਆਰਾ ਕੈਪਚਰ ਕੀਤੇ ਗਏ ਸੀਮਤ ਡੇਟਾ ਸੈੱਟ ਤੇ ਗਲਤੀਆਂ ਦੇ ਅਨੁਮਾਨ ਦੇ ਨਾਲ ਇੱਕ ਉਤਸ਼ਾਹਜਨਕ ਵਰਗੀਕਰਣ ਨਤੀਜਾ ਦਰਸਾਉਂਦਾ ਹੈ। |
582ea307db25c5764e7d2ed82c4846757f4e95d7 | ਫੰਕਸ਼ਨ ਅਨੁਪਾਤ ਨੂੰ ਪੈਰਾਮੀਟਰ ਸਪੇਸ ਦੀ ਬਜਾਏ ਫੰਕਸ਼ਨ ਸਪੇਸ ਵਿੱਚ ਸੰਖਿਆਤਮਕ ਅਨੁਕੂਲਤਾ ਦੇ ਨਜ਼ਰੀਏ ਤੋਂ ਦੇਖਿਆ ਜਾਂਦਾ ਹੈ। ਇੱਕ ਲਿੰਕ ਪੜਾਅਵਾਰ ਐਡਿਟਿਵ ਵਿਸਥਾਰ ਅਤੇ ਸਭ ਤੋਂ ਵੱਧ ਉਤਰਨ ਦੇ ਘੱਟੋ ਘੱਟ ਕਰਨ ਦੇ ਵਿਚਕਾਰ ਬਣਾਇਆ ਗਿਆ ਹੈ. ਕਿਸੇ ਵੀ ਮਾਪਦੰਡ ਦੇ ਆਧਾਰ ਤੇ ਐਡਿਟਿਵ ਵਿਸਥਾਰ ਲਈ ਇੱਕ ਆਮ ਗਰੇਡੀਐਂਟ {ਉਤਰਨ \boosting" ਪੈਰਾਡਿਜ਼ਮ ਵਿਕਸਿਤ ਕੀਤਾ ਗਿਆ ਹੈ. ਘੱਟੋ-ਘੱਟ {ਸਕਵੇਅਰ, ਘੱਟੋ-ਘੱਟ {ਅਸਲ} ਭਟਕਣਾ, ਅਤੇ ਹਿਊਬਰ {ਐਮ} ਨੁਕਸਾਨ ਫੰਕਸ਼ਨ ਲਈ ਰੈਗਰੈਸ਼ਨ, ਅਤੇ ਮਲਟੀ {ਕਲਾਸ ਲੌਜਿਸਟਿਕ ਸੰਭਾਵਨਾ ਲਈ ਵਰਗੀਕਰਣ ਲਈ ਵਿਸ਼ੇਸ਼ ਐਲਗੋਰਿਥਮ ਪੇਸ਼ ਕੀਤੇ ਗਏ ਹਨ. ਵਿਸ਼ੇਸ਼ ਸੁਧਾਰਾਂ ਨੂੰ ਵਿਸ਼ੇਸ਼ ਕੇਸ ਲਈ ਲਿਆ ਗਿਆ ਹੈ ਜਿੱਥੇ ਵਿਅਕਤੀਗਤ ਐਡਿਟਿਵ ਕੰਪੋਨੈਂਟਸ ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਹੁੰਦੇ ਹਨ, ਅਤੇ ਅਜਿਹੇ "ਟ੍ਰੀ ਬੂਸਟ" ਮਾਡਲਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਲਈ ਸੰਦ ਪੇਸ਼ ਕੀਤੇ ਜਾਂਦੇ ਹਨ. ਫੈਸਲਾ ਲੈਣ ਵਾਲੇ ਰੁੱਖਾਂ ਦੀ ਗਰੇਡੀਐਂਟ ਬੂਸਟਿੰਗ ਪ੍ਰਤੀਯੋਗੀ, ਬਹੁਤ ਮਜ਼ਬੂਤ, ਪਰਿਭਾਸ਼ਿਤ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਰੈਗ੍ਰੇਸ਼ਨ ਅਤੇ ਵਰਗੀਕਰਣ ਲਈ ਪੈਦਾ ਕਰਦੀ ਹੈ, ਖਾਸ ਤੌਰ ਤੇ ਸਾਫ਼ ਡੇਟਾ ਤੋਂ ਘੱਟ ਖਣਨ ਲਈ ਢੁਕਵੀਂ ਹੈ। ਇਸ ਪਹੁੰਚ ਅਤੇ ਫ੍ਰਾਇਂਡ ਅਤੇ ਸ਼ਾਪਾਇਰ 1996 ਅਤੇ ਫ੍ਰੀਡਮੈਨ, ਹਸਤੀ ਅਤੇ ਟਿਬਸ਼ੀਰਾਨੀ 1998 ਦੀਆਂ ਉਤੇਜਕ ਵਿਧੀਆਂ ਦੇ ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਬਾਰੇ ਚਰਚਾ ਕੀਤੀ ਗਈ ਹੈ। 1 ਫੰਕਸ਼ਨ ਅਨੁਮਾਨ ਫੰਕਸ਼ਨ ਅਨੁਮਾਨ ਸਮੱਸਿਆ ਵਿੱਚ ਇੱਕ ਸਿਸਟਮ ਹੈ ਜਿਸ ਵਿੱਚ ਇੱਕ ਬੇਤਰਤੀਬ \output" ਜਾਂ \response" ਵੇਰੀਏਬਲ y ਅਤੇ ਬੇਤਰਤੀਬ \input" ਜਾਂ \explanatory" ਵੇਰੀਏਬਲ x = fx1; ; xng ਦਾ ਇੱਕ ਸੈੱਟ ਹੈ। ਜਾਣੇ ਜਾਂਦੇ (y;x) {ਵੈਲਯੂਜ਼ ਦੇ \training" ਨਮੂਨੇ fyi;xig N 1 ਨੂੰ ਦਿੱਤਾ ਗਿਆ ਹੈ, ਟੀਚਾ ਫੰਕਸ਼ਨ F (x) ਨੂੰ ਲੱਭਣਾ ਹੈ ਜੋ x ਨੂੰ y ਨਾਲ ਮੈਪ ਕਰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਸਾਰੇ (y;x) {ਵੈਲਯੂਜ਼ ਦੇ ਸਾਂਝੇ ਵਿਤਰਣ ਤੇ, ਕੁਝ ਖਾਸ ਨੁਕਸਾਨ ਫੰਕਸ਼ਨ (y; F (x)) ਦਾ ਅਨੁਮਾਨਿਤ ਮੁੱਲ ਘੱਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ F (x) = argmin F (x) Ey;x (y; F (x)) = argmin F (x) Ex [Ey (y; F (x)) jx]: (1) ਅਕਸਰ ਵਰਤੇ ਜਾਂਦੇ ਨੁਕਸਾਨ ਫੰਕਸ਼ਨ (y; F) ਵਿੱਚ ਸਕੁਏਰਡ {ਰੈੱਸ (y F ) ਅਤੇ ਪੂਰਨ ਗਲਤੀ jy F ਲਈ y 2 R (ਰੈਗ੍ਰੇਸ਼ਨ), ਅਤੇ ਨਕਾਰਾਤਮਕ ਬਾਈਨਲ ਲੋਗੋਮੀ {ਇੱਕਸਾਰਤਾ, ਲੌਗ 1 + e 2y F), ਜਦੋਂ y 2 f 1 g (ਵਰਗੀਕਰਨ 1) । ਇੱਕ ਆਮ ਵਿਧੀ F (x) ਨੂੰ ਫੰਕਸ਼ਨ F (x;P) ਦੀ ਇੱਕ ਪੈਰਾਮੀਟਰਾਈਜ਼ਡ ਕਲਾਸ ਦਾ ਮੈਂਬਰ ਮੰਨਣਾ ਹੈ, ਜਿੱਥੇ P = fP1; P2; g ਪੈਰਾਮੀਟਰਾਂ ਦਾ ਸਮੂਹ ਹੈ। ਇਸ ਪੇਪਰ ਵਿੱਚ ਅਸੀਂ ਫਾਰਮ ਦੇ "ਐਡਿਟਿਵ" ਵਿਸਥਾਰਾਂ ਤੇ ਧਿਆਨ ਕੇਂਦਰਤ ਕਰਦੇ ਹਾਂ |
6a7c63a73724c0ca68b1675e256bb8b9a35c94f4 | ਜੇਸਟੋਰ ਆਰਕਾਈਵ ਦੀ ਤੁਹਾਡੀ ਵਰਤੋਂ, ਜੇਸਟੋਰ ਦੇ ਨਿਯਮਾਂ ਅਤੇ ਵਰਤੋਂ ਦੀਆਂ ਸ਼ਰਤਾਂ ਨੂੰ ਸਵੀਕਾਰ ਕਰਨ ਦਾ ਸੰਕੇਤ ਦਿੰਦੀ ਹੈ, ਜੋ ਕਿ http://www.jstor.org/about/terms.html ਤੇ ਉਪਲਬਧ ਹੈ। ਜੇਐਸਟੀਓਆਰ ਦੇ ਵਰਤੋਂ ਦੇ ਨਿਯਮ ਅਤੇ ਸ਼ਰਤਾਂ ਅੰਸ਼ਕ ਤੌਰ ਤੇ ਇਹ ਪ੍ਰਦਾਨ ਕਰਦੀਆਂ ਹਨ ਕਿ ਜਦੋਂ ਤੱਕ ਤੁਸੀਂ ਪਹਿਲਾਂ ਤੋਂ ਇਜਾਜ਼ਤ ਪ੍ਰਾਪਤ ਨਹੀਂ ਕਰਦੇ, ਤੁਸੀਂ ਕਿਸੇ ਰਸਾਲੇ ਦੇ ਪੂਰੇ ਅੰਕ ਜਾਂ ਲੇਖਾਂ ਦੀਆਂ ਕਈ ਕਾਪੀਆਂ ਡਾ downloadਨਲੋਡ ਨਹੀਂ ਕਰ ਸਕਦੇ, ਅਤੇ ਤੁਸੀਂ ਜੇਐਸਟੀਓਆਰ ਪੁਰਾਲੇਖ ਵਿਚਲੀ ਸਮੱਗਰੀ ਦੀ ਵਰਤੋਂ ਸਿਰਫ ਆਪਣੀ ਨਿੱਜੀ, ਗੈਰ-ਵਪਾਰਕ ਵਰਤੋਂ ਲਈ ਕਰ ਸਕਦੇ ਹੋ. ਕਿਰਪਾ ਕਰਕੇ ਇਸ ਕੰਮ ਦੀ ਵਰਤੋਂ ਬਾਰੇ ਪ੍ਰਕਾਸ਼ਕ ਨਾਲ ਸੰਪਰਕ ਕਰੋ। ਪ੍ਰਕਾਸ਼ਕਾਂ ਦੀ ਸੰਪਰਕ ਜਾਣਕਾਰੀ http://www.jstor.org/journals/econosoc.html ਤੋਂ ਪ੍ਰਾਪਤ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਜੇ.ਐਸ.ਟੀ.ਓ.ਆਰ. ਪ੍ਰਸਾਰਣ ਦੇ ਕਿਸੇ ਵੀ ਹਿੱਸੇ ਦੀ ਹਰੇਕ ਕਾਪੀ ਵਿੱਚ ਉਹੀ ਕਾਪੀਰਾਈਟ ਨੋਟਿਸ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਜੋ ਅਜਿਹੇ ਪ੍ਰਸਾਰਣ ਦੀ ਸਕ੍ਰੀਨ ਜਾਂ ਪ੍ਰਿੰਟਿਡ ਪੇਜ ਤੇ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ। |
8eca169f19425c76fa72078824e6a91a5b37f470 | ਘੱਟ ਲਾਗਤ ਅਤੇ ਉੱਚ ਪ੍ਰਦਰਸ਼ਨ ਵਾਲੀ ਰਾਡਾਰ ਪ੍ਰਣਾਲੀਆਂ ਦੇ ਸਫਲ ਡਿਜ਼ਾਈਨ ਲਈ ਸਹੀ ਅਤੇ ਕੁਸ਼ਲ ਸਿਸਟਮ ਸਿਮੂਲੇਸ਼ਨ ਇੱਕ ਮੁੱਖ ਲੋੜ ਹੈ। ਇਸ ਪੇਪਰ ਵਿੱਚ ਅਸੀਂ ਬਾਰੰਬਾਰਤਾ-ਮਾਡਿਊਲਡ ਨਿਰੰਤਰ-ਵੇਵ ਰਡਾਰ ਪ੍ਰਣਾਲੀਆਂ ਲਈ ਇੱਕ ਨਵਾਂ ਬਹੁਪੱਖੀ ਸਿਮੂਲੇਸ਼ਨ ਵਾਤਾਵਰਣ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ। ਆਮ ਹਾਰਡਵੇਅਰ ਸਿਮੂਲੇਸ਼ਨ ਤੋਂ ਇਲਾਵਾ ਇਸ ਵਿੱਚ ਸੰਕੇਤ ਸੰਸ਼ਲੇਸ਼ਣ ਤੋਂ ਬੇਸਬੈਂਡ ਤੱਕ ਏਕੀਕ੍ਰਿਤ ਸਿਸਟਮ ਸਿਮੂਲੇਸ਼ਨ ਅਤੇ ਸੰਕਲਪ ਵਿਸ਼ਲੇਸ਼ਣ ਸ਼ਾਮਲ ਹੈ। ਇਸ ਵਿੱਚ ਇੱਕ ਲਚਕਦਾਰ ਦ੍ਰਿਸ਼ ਜਨਰੇਟਰ, ਸਹੀ ਸ਼ੋਰ ਮਾਡਲਿੰਗ ਸ਼ਾਮਲ ਹੈ, ਅਤੇ ਸੰਕੇਤ ਪ੍ਰੋਸੈਸਿੰਗ ਐਲਗੋਰਿਥਮ ਦੇ ਵਿਕਾਸ ਅਤੇ ਟੈਸਟਿੰਗ ਲਈ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਸਿਮੂਲੇਸ਼ਨ ਡੇਟਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਇੱਕ ਏਕੀਕ੍ਰਿਤ 77-ਗਿਗਾਹਰਟਜ਼ ਰਾਡਾਰ ਪ੍ਰੋਟੋਟਾਈਪ ਲਈ ਸਿਮੂਲੇਸ਼ਨ ਅਤੇ ਮਾਪ ਨਤੀਜਿਆਂ ਦੀ ਤੁਲਨਾ ਦੋ ਵੱਖ-ਵੱਖ ਦ੍ਰਿਸ਼ਾਂ ਤੇ ਸਿਮੂਲੇਟਰ ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ। |
71337276460b50a2cb37959a2d843e593dc4fdcc | ਇੱਕ ਨਾਵਲ ਗੈਰ-ਅਲੱਗ-ਥਰੀ-ਪੋਰਟ ਕਨਵਰਟਰ (ਐਨਆਈ-ਟੀਪੀਸੀ) ਇੱਕ ਪੀਵੀ ਪੋਰਟ, ਇੱਕ ਦੋ-ਦਿਸ਼ਾਵੀ ਬੈਟਰੀ ਪੋਰਟ ਅਤੇ ਇੱਕ ਲੋਡ ਪੋਰਟ ਨਾਲ ਜੁੜਨ ਲਈ ਪ੍ਰਸਤਾਵਿਤ ਹੈ। ਕਿਸੇ ਵੀ ਦੋ ਤਿੰਨ ਪੋਰਟਾਂ ਵਿਚਕਾਰ ਸਿੰਗਲ ਸਟੇਜ ਪਾਵਰ ਪਰਿਵਰਤਨ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਟੌਪੋਲੋਜੀ ਨੂੰ ਰਵਾਇਤੀ ਢਾਂਚੇ ਦੇ ਦੋ-ਦਿਸ਼ਾਵੀ ਪਾਵਰ ਫਲੋ ਮਾਰਗ ਨੂੰ ਦੋ ਇਕ-ਦਿਸ਼ਾਵੀ ਲੋਕਾਂ ਵਿੱਚ ਵੱਖ ਕਰਕੇ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਤਿੰਨ ਵਿੱਚੋਂ ਦੋ ਪੋਰਟਾਂ ਨੂੰ ਫੋਟੋਵੋਲਟਿਕ ਜਾਂ ਬੈਟਰੀ ਲਈ ਚਾਰਜ ਕੰਟਰੋਲ ਲਈ ਵੱਧ ਤੋਂ ਵੱਧ ਪਾਵਰ ਕਟਾਈ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਸਖਤ ਨਿਯੰਤ੍ਰਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਅਤੇ ਉਸੇ ਸਮੇਂ ਲੋਡ ਵੋਲਟੇਜ ਨੂੰ ਸਥਿਰ ਰੱਖ ਸਕਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਤੀਜੇ ਪੋਰਟ ਨੂੰ ਪਰਿਵਰਤਕ ਦੇ ਪਾਵਰ ਅਸੰਤੁਲਨ ਦੀ ਭਰਪਾਈ ਲਈ ਲਚਕਦਾਰ ਛੱਡ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ। ਆਪਰੇਸ਼ਨ ਸਟੇਟਸ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਮਲਟੀ-ਰੈਗੂਲੇਟਰ ਮੁਕਾਬਲੇ ਦੀ ਨਿਯੰਤਰਣ ਰਣਨੀਤੀ ਪੇਸ਼ ਕੀਤੀ ਗਈ ਹੈ ਤਾਂ ਜੋ ਸਵੈ-ਨਿਰਭਰ ਅਤੇ ਨਿਰਵਿਘਨ ਰਾਜ ਬਦਲਣ ਨੂੰ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾ ਸਕੇ ਜਦੋਂ ਪੀਵੀ ਇਨਪੁਟ ਪਾਵਰ ਵਿੱਚ ਅਸਥਿਰਤਾ ਹੁੰਦੀ ਹੈ. ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਪ੍ਰਯੋਗਾਤਮਕ ਨਤੀਜਿਆਂ ਦੁਆਰਾ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। |
ac8877b0e87625e26f52ab75e84c534a576b1e77 | ਡਿਜੀਟਲ ਦੁਨੀਆ ਵਿੱਚ, ਕਾਰੋਬਾਰੀ ਅਧਿਕਾਰੀਆਂ ਨੂੰ ਆਪਣੀਆਂ ਕੰਪਨੀਆਂ ਲਈ ਮੁੱਲ ਸਿਰਜਣ ਲਈ ਸੂਚਨਾ ਅਤੇ ਸੂਚਨਾ ਪ੍ਰਬੰਧਨ ਦੇ ਰਣਨੀਤਕ ਮਹੱਤਵ ਬਾਰੇ ਵੱਧ ਤੋਂ ਵੱਧ ਜਾਗਰੂਕਤਾ ਹੈ। ਇਹ ਸੀਆਈਓਜ਼ ਲਈ ਲੀਡਰਸ਼ਿਪ ਦੇ ਮੌਕੇ ਅਤੇ ਚੁਣੌਤੀਆਂ ਦੋਵੇਂ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਸੀਆਈਓ ਅਹੁਦੇ ਨੂੰ ਹਾਸ਼ੀਏ ਤੇ ਜਾਣ ਤੋਂ ਰੋਕਣ ਅਤੇ ਕਾਰੋਬਾਰੀ ਮੁੱਲ ਸਿਰਜਣ ਵਿੱਚ ਸੀਆਈਓ ਦੇ ਯੋਗਦਾਨ ਨੂੰ ਵਧਾਉਣ ਲਈ, ਉਨ੍ਹਾਂ ਨੂੰ ਯੋਗ ਆਈਟੀ ਸਹੂਲਤ ਪ੍ਰਬੰਧਕਾਂ ਤੋਂ ਪਰੇ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਆਪਣੀਆਂ ਕੰਪਨੀਆਂ ਨੂੰ ਮਜ਼ਬੂਤ ਜਾਣਕਾਰੀ ਵਰਤੋਂ ਸਭਿਆਚਾਰ ਬਣਾਉਣ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਨ ਵਿੱਚ ਸਰਗਰਮ ਭੂਮਿਕਾ ਨਿਭਾਉਣੀ ਚਾਹੀਦੀ ਹੈ। ਇਸ ਲੇਖ ਦਾ ਉਦੇਸ਼ ਲੀਡਰਸ਼ਿਪ ਦੇ ਤਰੀਕਿਆਂ ਦੀ ਬਿਹਤਰ ਸਮਝ ਪ੍ਰਦਾਨ ਕਰਨਾ ਹੈ ਜੋ ਸੀਆਈਓ ਅਤੇ ਕਾਰੋਬਾਰੀ ਕਾਰਜਕਾਰੀ ਆਪਣੇ ਕੰਪਨੀਆਂ ਦੀ ਜਾਣਕਾਰੀ ਰੁਝਾਨ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਅਪਣਾ ਸਕਦੇ ਹਨ। ਚਾਰ ਕੇਸ ਸਟੱਡੀਜ਼ ਦੇ ਸਾਡੇ ਨਤੀਜਿਆਂ ਦੇ ਆਧਾਰ ਤੇ, ਅਸੀਂ ਚਾਰ-ਚੌਂਕ ਦੀ ਲੀਡਰਸ਼ਿਪ-ਸਥਿਤੀ ਢਾਂਚਾ ਬਣਾਇਆ ਹੈ। ਇਹ ਢਾਂਚਾ ਸੀਆਈਓ ਦੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਤੋਂ ਬਣਾਇਆ ਗਿਆ ਹੈ ਅਤੇ ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਇੱਕ ਸੀਆਈਓ ਕੰਪਨੀ ਦੇ ਸੂਚਨਾ ਅਨੁਕੂਲਤਾ ਨੂੰ ਵਿਕਸਿਤ ਕਰਨ ਵਿੱਚ ਇੱਕ ਨੇਤਾ, ਇੱਕ ਅਨੁਸਰਣ ਕਰਨ ਵਾਲਾ ਜਾਂ ਇੱਕ ਗੈਰ-ਖਿਡਾਰੀ ਵਜੋਂ ਕੰਮ ਕਰ ਸਕਦਾ ਹੈ ਤਾਂ ਜੋ ਇਸਦੇ ਰਣਨੀਤਕ ਫੋਕਸ ਨੂੰ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾ ਸਕੇ। ਲੇਖ ਗਾਈਡਲਾਈਨਜ਼ ਦੇ ਨਾਲ ਸਮਾਪਤ ਹੁੰਦਾ ਹੈ ਜਿਸ ਦੀ ਵਰਤੋਂ ਸੀਆਈਓ ਆਪਣੇ ਲੀਡਰਸ਼ਿਪ ਦੀਆਂ ਚੁਣੌਤੀਆਂ ਨੂੰ ਸਥਾਪਤ ਕਰਨ ਜਾਂ ਉਨ੍ਹਾਂ ਦੀਆਂ ਕੰਪਨੀਆਂ ਨੂੰ ਜਾਰੀ ਰੱਖਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੇ ਹਨ। ਜਾਣਕਾਰੀ-ਅਧਾਰਤ ਪਹਿਲਕਦਮੀਆਂ ਅਤੇ ਸੀਆਈਓ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ ਸਥਿਤੀਆਂ ਦੇ ਅਧਾਰ ਤੇ ਵਿਸ਼ੇਸ਼ ਲੀਡਰਸ਼ਿਪ ਪਹੁੰਚ ਦੀ ਸਿਫਾਰਸ਼ ਕਰਦਾ ਹੈ। |
5c6b51bb44c9b2297733b58daaf26af01c98fe09 | ਪੇਪਰ ਯੋਜਨਾਬੱਧ ਤੌਰ ਤੇ ਦੋ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਕੱractionਣ ਦੇ ਐਲਗੋਰਿਦਮ ਦੀ ਤੁਲਨਾ ਗਾਹਕ ਸਮੀਖਿਆਵਾਂ ਵਿੱਚ ਟਿੱਪਣੀ ਕੀਤੀ ਗਈ ਮੇਰੀ ਉਤਪਾਦ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨਾਲ ਕਰਦਾ ਹੈ. ਪਹਿਲੀ ਪਹੁੰਚ [17] POS ਪੈਟਰਨ ਦੇ ਇੱਕ ਸਮੂਹ ਨੂੰ ਲਾਗੂ ਕਰਕੇ ਅਤੇ ਲੌਗ ਸੰਭਾਵਨਾ ਅਨੁਪਾਤ ਟੈਸਟ ਦੇ ਅਧਾਰ ਤੇ ਉਮੀਦਵਾਰ ਸੈੱਟ ਨੂੰ ਛਾਂਟ ਕੇ ਉਮੀਦਵਾਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਪਛਾਣ ਕਰਦੀ ਹੈ। ਦੂਜਾ ਤਰੀਕਾ [11] ਅਕਸਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਐਸੋਸੀਏਸ਼ਨ ਨਿਯਮ ਖਨਨ ਅਤੇ ਘੱਟ ਆਮ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਭਾਵਨਾ ਦੀਆਂ ਸ਼ਰਤਾਂ ਦੀ ਮੌਜੂਦਗੀ ਤੇ ਅਧਾਰਤ ਇਕ ਅਨੁਭਵੀ ਨੂੰ ਲਾਗੂ ਕਰਦਾ ਹੈ। ਅਸੀਂ ਖਪਤਕਾਰ ਇਲੈਕਟ੍ਰਾਨਿਕ ਉਪਕਰਣਾਂ ਦੇ ਸੰਬੰਧ ਵਿੱਚ ਪੰਜ ਉਤਪਾਦ ਵਿਸ਼ੇਸ਼ ਦਸਤਾਵੇਜ਼ ਸੰਗ੍ਰਹਿਾਂ ਤੇ ਐਲਗੋਰਿਦਮ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦੇ ਹਾਂ. ਅਸੀਂ ਗਲਤੀਆਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦੇ ਹਾਂ ਅਤੇ ਐਲਗੋਰਿਦਮ ਦੇ ਫਾਇਦਿਆਂ ਅਤੇ ਸੀਮਾਵਾਂ ਬਾਰੇ ਵਿਚਾਰ-ਵਟਾਂਦਰਾ ਕਰਦੇ ਹਾਂ। |
623fd6adaa5585707d8d7339b5125185af6e3bf1 | ਮੌਜੂਦਾ ਅਧਿਐਨ ਇੰਟਰਨੈੱਟ ਗੇਮਿੰਗ ਡਿਸਆਰਡਰ (ਆਈਜੀਡੀ) ਲਈ ਦਖਲਅੰਦਾਜ਼ੀ ਦਾ ਇੱਕ ਕਵਾਸੀ-ਪ੍ਰਯੋਗਾਤਮਕ, ਭਵਿੱਖਮੁਖੀ ਅਧਿਐਨ ਹੈ। 104 ਮਾਪਿਆਂ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਕਿਸ਼ੋਰ ਬੱਚਿਆਂ ਨੂੰ ਚਾਰ ਇਲਾਜ ਸਮੂਹਾਂ ਵਿੱਚੋਂ ਇੱਕ ਵਿੱਚ ਦਾਖਲ ਕੀਤਾ ਗਿਆ ਅਤੇ ਵੰਡਿਆ ਗਿਆ; 7 ਦਿਨਾਂ ਦਾ ਸਿਰੀਰਾਜ ਥੈਰੇਪਿਊਟਿਕ ਰੈਜ਼ੀਡੈਂਸ਼ੀਅਲ ਕੈਂਪ (ਐਸ-ਟੀਆਰਸੀ) ਇਕੱਲਾ, 8 ਹਫ਼ਤੇ ਦਾ ਮਾਪਿਆਂ ਲਈ ਗੇਮ ਦੀ ਆਦਤ ਲਈ ਪ੍ਰਬੰਧਨ ਸਿਖਲਾਈ (ਪੀਐਮਟੀ-ਜੀ) ਇਕੱਲਾ, ਐਸ-ਟੀਆਰਸੀ ਅਤੇ ਪੀਐਮਟੀ-ਜੀ ਦਾ ਸੰਯੋਜਿਤ, ਅਤੇ ਬੁਨਿਆਦੀ ਮਨੋਵਿਗਿਆਨਕ ਸਿੱਖਿਆ (ਨਿਯੰਤਰਣ) । ਆਈਜੀਡੀ ਦੀ ਗੰਭੀਰਤਾ ਨੂੰ ਗੇਮ ਅਡਿਕਸ਼ਨ ਸਕ੍ਰੀਨਿੰਗ ਟੈਸਟ (ਜੀਏਐਸਟੀ) ਦੁਆਰਾ ਮਾਪਿਆ ਗਿਆ ਸੀ। ਗਰੁੱਪਾਂ ਵਿੱਚ GAST ਸਕੋਰਾਂ ਵਿੱਚ ਔਸਤ ਅੰਤਰ ਅੰਕੜਾਤਮਕ ਤੌਰ ਤੇ ਮਹੱਤਵਪੂਰਨ ਸੀ, ਜਿਸ ਵਿੱਚ P ਮੁੱਲ ਕ੍ਰਮਵਾਰ 0. 001, 0. 002 ਅਤੇ 0. 005 ਦੇ ਸਨ, ਜੋ ਕਿ 1, 3, ਅਤੇ 6 ਮਹੀਨਿਆਂ ਬਾਅਦ ਦਖਲਅੰਦਾਜ਼ੀ ਤੋਂ ਬਾਅਦ ਸਨ। ਸਾਰੇ ਗਰੁੱਪਾਂ ਨੇ ਕੰਟਰੋਲ ਗਰੁੱਪ ਦੇ ਮੁਕਾਬਲੇ ਸੁਧਾਰ ਦਿਖਾਇਆ। ਐੱਸ-ਟੀਆਰਸੀ, ਪੀਐੱਮਟੀ-ਜੀ ਅਤੇ ਸੰਯੋਜਿਤ ਸਮੂਹਾਂ ਵਿੱਚ ਨਸ਼ੇ ਦੇ ਸ਼ਿਕਾਰ ਜਾਂ ਸੰਭਾਵਿਤ ਤੌਰ ਤੇ ਨਸ਼ੇ ਦੇ ਸ਼ਿਕਾਰ ਸਮੂਹਾਂ ਵਿੱਚ ਰਹਿਣ ਵਾਲੇ ਕਿਸ਼ੋਰਾਂ ਦੀ ਪ੍ਰਤੀਸ਼ਤਤਾ 50% ਤੋਂ ਘੱਟ ਸੀ। ਸਿੱਟੇ ਵਜੋਂ, ਐਸ-ਟੀਆਰਸੀ ਅਤੇ ਪੀਐਮਟੀ-ਜੀ ਦੋਵੇਂ ਆਈਜੀਡੀ ਲਈ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਮਨੋਵਿਗਿਆਨਕ ਦਖਲਅੰਦਾਜ਼ੀ ਸਨ ਅਤੇ ਇਕੱਲੇ ਬੁਨਿਆਦੀ ਮਨੋਵਿਗਿਆਨਕ ਸਿੱਖਿਆ ਨਾਲੋਂ ਉੱਤਮ ਸਨ। |
aca437e9e2a453c84a38d716ca9a7a7683ae58b6 | ਇਹ ਪੇਪਰ ਅਨੁਭਵੀ ਮਕੈਨਿਕਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਆਬਜੈਕਟ ਸਥਿਰਤਾ ਅਤੇ ਸੁਰੱਖਿਆ ਨੂੰ ਤਰਕਸ਼ੀਲ ਕਰਕੇ 3 ਡੀ ਸੀਨ ਸਮਝਣ ਲਈ ਇੱਕ ਨਵਾਂ ਦ੍ਰਿਸ਼ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਸਾਡੀ ਪਹੁੰਚ ਇੱਕ ਸਧਾਰਨ ਨਿਰੀਖਣ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ ਕਿ ਮਨੁੱਖੀ ਡਿਜ਼ਾਈਨ ਦੁਆਰਾ, ਸਥਿਰ ਦ੍ਰਿਸ਼ਾਂ ਵਿੱਚ ਆਬਜੈਕਟ ਗੰਭੀਰਤਾ ਦੇ ਖੇਤਰ ਵਿੱਚ ਸਥਿਰ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ ਅਤੇ ਮਨੁੱਖੀ ਗਤੀਵਿਧੀਆਂ ਵਰਗੇ ਵੱਖ-ਵੱਖ ਭੌਤਿਕ ਵਿਗਾੜਾਂ ਦੇ ਸੰਬੰਧ ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ। ਇਹ ਧਾਰਨਾ ਸਾਰੀਆਂ ਸੀਨ ਸ਼੍ਰੇਣੀਆਂ ਲਈ ਲਾਗੂ ਹੁੰਦੀ ਹੈ ਅਤੇ ਸੀਨ ਸਮਝਣ ਵਿੱਚ ਸੰਭਾਵਿਤ ਵਿਆਖਿਆਵਾਂ (ਪਾਰਸ) ਲਈ ਉਪਯੋਗੀ ਰੁਕਾਵਟਾਂ ਪੇਸ਼ ਕਰਦੀ ਹੈ। ਡੂੰਘਾਈ ਕੈਮਰਿਆਂ ਦੁਆਰਾ ਸਥਿਰ ਦ੍ਰਿਸ਼ ਲਈ ਕੈਪਚਰ ਕੀਤੇ ਗਏ ਇੱਕ 3D ਪੁਆਇੰਟ ਕਲਾਉਡ ਨੂੰ ਦਿੱਤਾ ਗਿਆ ਹੈ, ਸਾਡੀ ਵਿਧੀ ਵਿੱਚ ਤਿੰਨ ਕਦਮ ਸ਼ਾਮਲ ਹਨਃ (i) ਵੋਕਸਲ ਤੋਂ ਠੋਸ 3D ਵੋਲਯੂਮੈਟ੍ਰਿਕ ਪ੍ਰਿਮੀਟਿਵਜ਼ ਨੂੰ ਮੁੜ ਪ੍ਰਾਪਤ ਕਰਨਾ; (ii) ਅਸਥਿਰ ਪ੍ਰਿਮੀਟਿਵਜ਼ ਨੂੰ ਸਥਿਰਤਾ ਅਤੇ ਦ੍ਰਿਸ਼ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾ ਕੇ ਸਰੀਰਕ ਤੌਰ ਤੇ ਸਥਿਰ ਵਸਤੂਆਂ ਵਿੱਚ ਸਮੂਹ ਬਣਾ ਕੇ ਤਰਕਸ਼ੀਲ ਸਥਿਰਤਾ; ਅਤੇ (iii) ਮਨੁੱਖੀ ਗਤੀਵਿਧੀ, ਹਵਾ ਜਾਂ ਭੁਚਾਲਾਂ ਵਰਗੇ ਸਰੀਰਕ ਵਿਗਾੜਾਂ ਅਧੀਨ ਆਬਜੈਕਟਾਂ ਲਈ ਸਰੀਰਕ ਜੋਖਮਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਕੇ ਤਰਕਸ਼ੀਲ ਸੁਰੱਖਿਆ. ਅਸੀਂ ਇੱਕ ਨਾਵਲ ਅਨੁਭਵੀ ਭੌਤਿਕ ਮਾਡਲ ਅਪਣਾਉਂਦੇ ਹਾਂ ਅਤੇ ਇੱਕ ਡਿਸਕਨੈਕਟਿਵਿਟੀ ਗ੍ਰਾਫ (ਡੀਜੀ) ਦੁਆਰਾ ਦ੍ਰਿਸ਼ ਵਿੱਚ ਹਰੇਕ ਪ੍ਰਾਚੀਨ ਅਤੇ ਆਬਜੈਕਟ ਦੇ energyਰਜਾ ਦੇ ਦ੍ਰਿਸ਼ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਾਂ. ਅਸੀਂ ਇੱਕ ਸੰਪਰਕ ਗ੍ਰਾਫ ਬਣਾਉਂਦੇ ਹਾਂ ਜਿਸ ਵਿੱਚ ਨੋਡ 3D ਵੋਲਯੂਮੈਟ੍ਰਿਕ ਪ੍ਰਾਇਮਿਟਿਵ ਹੁੰਦੇ ਹਨ ਅਤੇ ਕਿਨਾਰੇ ਸਹਿਯੋਗੀ ਸਬੰਧਾਂ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ। ਫਿਰ ਅਸੀਂ ਇੱਕ ਸਵੈਨਡਸਨ-ਵਾਂਗ ਕੱਟ ਐਲਗੋਰਿਥਮ ਅਪਣਾਉਂਦੇ ਹਾਂ ਸੰਪਰਕ ਗ੍ਰਾਫ ਨੂੰ ਸਮੂਹਾਂ ਵਿੱਚ ਵੰਡਣ ਲਈ, ਜਿਸ ਵਿੱਚੋਂ ਹਰ ਇੱਕ ਸਥਿਰ ਵਸਤੂ ਹੈ। ਸਥਿਰ ਦ੍ਰਿਸ਼ ਵਿੱਚ ਅਸੁਰੱਖਿਅਤ ਵਸਤੂਆਂ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ, ਸਾਡੀ ਵਿਧੀ ਦ੍ਰਿਸ਼ ਵਿੱਚ ਲੁਕਵੇਂ ਅਤੇ ਸਥਿਤ ਕਾਰਨਾਂ (ਵਿਘਨ) ਨੂੰ ਹੋਰ ਅੱਗੇ ਵਧਾਉਂਦੀ ਹੈ, ਅਤੇ ਫਿਰ ਵਿਘਨ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਸੰਭਾਵਿਤ ਪ੍ਰਭਾਵਾਂ (ਜਿਵੇਂ ਕਿ, ਡਿੱਗਣ) ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਅਨੁਭਵੀ ਭੌਤਿਕ ਮਕੈਨਿਕ ਪੇਸ਼ ਕਰਦੀ ਹੈ. ਪ੍ਰਯੋਗਾਂ ਵਿੱਚ, ਅਸੀਂ ਦਿਖਾਉਂਦੇ ਹਾਂ ਕਿ ਐਲਗੋਰਿਦਮ ਹੋਰ ਅਤਿ-ਆਧੁਨਿਕ ਤਰੀਕਿਆਂ ਦੇ ਸੰਬੰਧ ਵਿੱਚ (i) ਆਬਜੈਕਟ ਸੈਗਮੈਂਟੇਸ਼ਨ, (ii) 3 ਡੀ ਵੋਲਯੂਮੈਟ੍ਰਿਕ ਰਿਕਵਰੀ, ਅਤੇ (iii) ਸੀਨ ਸਮਝ ਲਈ ਇੱਕ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ। ਅਸੀਂ ਅਨੁਭਵੀ ਮਕੈਨਿਕ ਮਾਡਲ ਤੋਂ ਸੁਰੱਖਿਆ ਭਵਿੱਖਬਾਣੀ ਦੀ ਤੁਲਨਾ ਮਨੁੱਖੀ ਨਿਰਣੇ ਨਾਲ ਵੀ ਕਰਦੇ ਹਾਂ। |
7e9507924ceebd784503fd25128218a7119ff722 | ਸਾਡੀ ਪਹੁੰਚ ਹਰੇਕ ਪਾਠਕ ਕੋਰਸ ਨੂੰ ਵਿਸ਼ਾ ਗ੍ਰਾਫ ਦੇ ਰੂਪ ਵਿੱਚ ਮਾਡਲ ਕਰਦੀ ਹੈ। ਫਿਰ ਇਨ੍ਹਾਂ ਗ੍ਰਾਫਾਂ ਨੂੰ ਇਕਸਾਰ ਗ੍ਰਾਫ ਮੇਲ ਕਰਨ ਦੀ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮੇਲਿਆ ਜਾਂਦਾ ਹੈ। ਅੱਗੇ, ਅਸੀਂ ਵਿਸਤ੍ਰਿਤ ਪੱਧਰ (ਐੱਲਓਡੀ) ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਵਿਕਸਿਤ ਕਰਦੇ ਹਾਂ ਜੋ ਪੜ੍ਹਨਯੋਗਤਾ ਅਤੇ ਸਥਿਰਤਾ ਦੋਵਾਂ ਨੂੰ ਸੰਤੁਲਿਤ ਕਰਦਾ ਹੈ। ਇਸ ਅਨੁਸਾਰ, ਨਤੀਜੇ ਵਜੋਂ ਵਿਜ਼ੁਅਲਤਾ ਉਪਭੋਗਤਾਵਾਂ ਦੀ ਅਨੁਕੂਲ ਗ੍ਰਾਫ ਨੂੰ ਕਈ ਦ੍ਰਿਸ਼ਟੀਕੋਣਾਂ ਤੋਂ ਸਮਝਣ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਦੀ ਯੋਗਤਾ ਨੂੰ ਵਧਾਉਂਦੀ ਹੈ। ਮੈਟ੍ਰਿਕ ਲਰਨਿੰਗ ਅਤੇ ਫੀਚਰ ਸਿਲੈਕਸ਼ਨ ਨੂੰ ਗ੍ਰਾਫ ਮੈਚਿੰਗ ਐਲਗੋਰਿਥਮ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰਕੇ, ਅਸੀਂ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਉਨ੍ਹਾਂ ਦੀਆਂ ਜਾਣਕਾਰੀ ਦੀਆਂ ਜ਼ਰੂਰਤਾਂ ਦੇ ਅਧਾਰ ਤੇ ਗ੍ਰਾਫ ਮੈਚਿੰਗ ਨਤੀਜੇ ਨੂੰ ਇੰਟਰਐਕਟਿਵ ਰੂਪ ਵਿੱਚ ਸੋਧਣ ਦੀ ਆਗਿਆ ਦਿੰਦੇ ਹਾਂ। ਅਸੀਂ ਆਪਣੀ ਪਹੁੰਚ ਨੂੰ ਵੱਖ-ਵੱਖ ਪ੍ਰਕਾਰ ਦੇ ਡੇਟਾ ਤੇ ਲਾਗੂ ਕੀਤਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਖ਼ਬਰਾਂ ਦੇ ਲੇਖ, ਟਵੀਟ ਅਤੇ ਬਲੌਗ ਡੇਟਾ ਸ਼ਾਮਲ ਹਨ। ਮਾਤਰਾਤਮਕ ਮੁਲਾਂਕਣ ਅਤੇ ਅਸਲ-ਵਿਸ਼ਵ ਦੇ ਕੇਸ ਅਧਿਐਨ ਸਾਡੀ ਪਹੁੰਚ ਦੇ ਵਾਅਦੇ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ, ਖਾਸ ਕਰਕੇ ਵਿਸ਼ੇ-ਗ੍ਰਾਫ-ਅਧਾਰਤ ਪੂਰੀ ਤਸਵੀਰ ਦੀ ਵੱਖ-ਵੱਖ ਪੱਧਰ ਦੇ ਵੇਰਵੇ ਤੇ ਜਾਂਚ ਕਰਨ ਦੇ ਸਮਰਥਨ ਵਿੱਚ. ਇਹ ਪੇਪਰ ਕਈ ਸਰੋਤਾਂ ਵਿੱਚ ਚਰਚਾ ਕੀਤੇ ਗਏ ਸੰਬੰਧਤ ਵਿਸ਼ਿਆਂ ਦੀ ਪੂਰੀ ਤਸਵੀਰ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਇੱਕ ਵਿਜ਼ੂਅਲ ਵਿਸ਼ਲੇਸ਼ਣ ਪਹੁੰਚ ਪੇਸ਼ ਕਰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਖ਼ਬਰਾਂ, ਬਲੌਗ ਜਾਂ ਮਾਈਕਰੋ-ਬਲੌਗ. ਪੂਰੀ ਤਸਵੀਰ ਵਿੱਚ ਕਈ ਸਰੋਤਾਂ ਦੁਆਰਾ ਕਵਰ ਕੀਤੇ ਗਏ ਕਈ ਆਮ ਵਿਸ਼ਿਆਂ ਦੇ ਨਾਲ ਨਾਲ ਹਰੇਕ ਸਰੋਤ ਦੇ ਵੱਖਰੇ ਵਿਸ਼ਿਆਂ ਦੇ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ। |
b04a503487bc6505aa8972fd690da573f771badb | ਡੂੰਘੀ ਨਯੂਰਨਲ ਧਾਰਨਾ ਅਤੇ ਨਿਯੰਤਰਣ ਨੈਟਵਰਕ ਸਵੈ-ਡ੍ਰਾਈਵਿੰਗ ਵਾਹਨਾਂ ਦਾ ਇੱਕ ਮੁੱਖ ਹਿੱਸਾ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਹੈ। ਇਨ੍ਹਾਂ ਮਾਡਲਾਂ ਨੂੰ ਸਮਝਾਉਣ ਯੋਗ ਹੋਣ ਦੀ ਜ਼ਰੂਰਤ ਹੈ - ਉਨ੍ਹਾਂ ਨੂੰ ਆਪਣੇ ਵਿਵਹਾਰ ਲਈ ਅਸਾਨੀ ਨਾਲ ਵਿਆਖਿਆ ਕਰਨ ਵਾਲੇ ਤਰਕ ਪ੍ਰਦਾਨ ਕਰਨੇ ਚਾਹੀਦੇ ਹਨ - ਤਾਂ ਜੋ ਯਾਤਰੀ, ਬੀਮਾ ਕੰਪਨੀਆਂ, ਕਾਨੂੰਨ ਲਾਗੂ ਕਰਨ ਵਾਲੇ, ਡਿਵੈਲਪਰ ਆਦਿ, ਇਹ ਸਮਝ ਸਕਣ ਕਿ ਕਿਸੇ ਖਾਸ ਵਿਵਹਾਰ ਨੂੰ ਕੀ ਚਾਲੂ ਕੀਤਾ ਗਿਆ ਹੈ. ਇੱਥੇ ਅਸੀਂ ਵਿਜ਼ੂਅਲ ਸਪੱਸ਼ਟੀਕਰਨ ਦੀ ਵਰਤੋਂ ਦੀ ਪੜਚੋਲ ਕਰਦੇ ਹਾਂ। ਇਹ ਵਿਆਖਿਆਵਾਂ ਇੱਕ ਚਿੱਤਰ ਦੇ ਰੀਅਲ-ਟਾਈਮ ਹਾਈਲਾਈਟ ਕੀਤੇ ਖੇਤਰਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਹੁੰਦੀਆਂ ਹਨ ਜੋ ਨੈਟਵਰਕ ਦੇ ਆਉਟਪੁੱਟ (ਸਟੀਅਰਿੰਗ ਕੰਟਰੋਲ) ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀਆਂ ਹਨ. ਸਾਡਾ ਤਰੀਕਾ ਦੋ-ਪੜਾਅ ਵਾਲਾ ਹੈ। ਪਹਿਲੇ ਪੜਾਅ ਵਿੱਚ, ਅਸੀਂ ਇੱਕ ਵਿਜ਼ੂਅਲ ਧਿਆਨ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ ਤਾਂ ਜੋ ਇੱਕ ਕਨਵੋਲੂਸ਼ਨ ਨੈਟਵਰਕ ਨੂੰ ਅੰਤ ਤੋਂ ਅੰਤ ਤੱਕ ਚਿੱਤਰਾਂ ਤੋਂ ਸਟੀਅਰਿੰਗ ਐਂਗਲ ਤੱਕ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾ ਸਕੇ। ਧਿਆਨ ਮਾਡਲ ਚਿੱਤਰ ਖੇਤਰਾਂ ਨੂੰ ਉਜਾਗਰ ਕਰਦਾ ਹੈ ਜੋ ਸੰਭਾਵੀ ਤੌਰ ਤੇ ਨੈਟਵਰਕ ਦੇ ਆਉਟਪੁੱਟ ਨੂੰ ਪ੍ਰਭਾਵਤ ਕਰਦੇ ਹਨ. ਇਨ੍ਹਾਂ ਵਿੱਚੋਂ ਕੁਝ ਅਸਲੀ ਪ੍ਰਭਾਵ ਹਨ, ਪਰ ਕੁਝ ਝੂਠੇ ਹਨ। ਫਿਰ ਅਸੀਂ ਇਹ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਇੱਕ ਕਾਰਨ ਫਿਲਟਰਿੰਗ ਕਦਮ ਲਾਗੂ ਕਰਦੇ ਹਾਂ ਕਿ ਕਿਹੜੇ ਇਨਪੁਟ ਖੇਤਰ ਅਸਲ ਵਿੱਚ ਆਉਟਪੁੱਟ ਨੂੰ ਪ੍ਰਭਾਵਤ ਕਰਦੇ ਹਨ. ਇਸ ਨਾਲ ਵਧੇਰੇ ਸੰਖੇਪ ਵਿਜ਼ੂਅਲ ਵਿਆਖਿਆਵਾਂ ਪੈਦਾ ਹੁੰਦੀਆਂ ਹਨ ਅਤੇ ਨੈਟਵਰਕ ਦੇ ਵਿਵਹਾਰ ਨੂੰ ਵਧੇਰੇ ਸਹੀ ਢੰਗ ਨਾਲ ਪ੍ਰਗਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਅਸੀਂ ਆਪਣੇ ਮਾਡਲ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਨੂੰ 16 ਘੰਟੇ ਦੀ ਡਰਾਈਵਿੰਗ ਦੇ ਤਿੰਨ ਡੇਟਾ ਸੈੱਟਾਂ ਤੇ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਦੇ ਹਾਂ। ਅਸੀਂ ਪਹਿਲਾਂ ਦਿਖਾਉਂਦੇ ਹਾਂ ਕਿ ਧਿਆਨ ਨਾਲ ਸਿਖਲਾਈ ਅੰਤ ਤੋਂ ਅੰਤ ਦੇ ਨੈਟਵਰਕ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਘਟਾ ਨਹੀਂ ਦਿੰਦੀ. ਫਿਰ ਅਸੀਂ ਦਿਖਾਉਂਦੇ ਹਾਂ ਕਿ ਨੈੱਟਵਰਕ ਕਾਰਣਕ ਤੌਰ ਤੇ ਕਈ ਤਰ੍ਹਾਂ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਤੇ ਸੰਕੇਤ ਦਿੰਦਾ ਹੈ ਜੋ ਡਰਾਈਵਿੰਗ ਕਰਦੇ ਸਮੇਂ ਮਨੁੱਖ ਦੁਆਰਾ ਵਰਤੇ ਜਾਂਦੇ ਹਨ। |
4954bb26107d69eb79bb32ffa247c8731cf20fcf | ਐਟ੍ਰਬਿਊਟ ਆਧਾਰਿਤ ਐਨਕ੍ਰਿਪਸ਼ਨ (ਏਬੀਈ) [13] ਉਪਭੋਗਤਾ ਦੇ ਗੁਣਾਂ ਦੇ ਆਧਾਰ ਤੇ ਡੀਕ੍ਰਿਪਸ਼ਨ ਸਮਰੱਥਾ ਨਿਰਧਾਰਤ ਕਰਦੀ ਹੈ। ਬਹੁ-ਅਧਿਕਾਰਤ ਏਬੀਈ ਸਕੀਮ ਵਿੱਚ, ਕਈ ਗੁਣ-ਅਧਿਕਾਰਤ ਵੱਖ-ਵੱਖ ਗੁਣਾਂ ਦੇ ਸੈੱਟਾਂ ਦੀ ਨਿਗਰਾਨੀ ਕਰਦੇ ਹਨ ਅਤੇ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਸੰਬੰਧਿਤ ਡਿਕ੍ਰਿਪਸ਼ਨ ਕੁੰਜੀਆਂ ਜਾਰੀ ਕਰਦੇ ਹਨ, ਅਤੇ ਐਨਕ੍ਰਿਪਟਰ ਇੱਕ ਉਪਭੋਗਤਾ ਨੂੰ ਇੱਕ ਸੰਦੇਸ਼ ਨੂੰ ਡਿਕ੍ਰਿਪਟ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਹਰੇਕ ਅਥਾਰਟੀ ਤੋਂ ਉਚਿਤ ਗੁਣਾਂ ਲਈ ਕੁੰਜੀਆਂ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਲੋੜ ਕਰ ਸਕਦੇ ਹਨ। ਚੈਸ਼ [5] ਨੇ ਇੱਕ ਬਹੁ-ਅਧਿਕਾਰਤ ਏਬੀਈ ਸਕੀਮ ਦਿੱਤੀ ਜਿਸ ਵਿੱਚ ਇੱਕ ਭਰੋਸੇਯੋਗ ਕੇਂਦਰੀ ਅਥਾਰਟੀ (ਸੀਏ) ਅਤੇ ਗਲੋਬਲ ਪਛਾਣਕਰਤਾਵਾਂ (ਜੀਆਈਡੀ) ਦੀਆਂ ਧਾਰਨਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਹੈ। ਹਾਲਾਂਕਿ, ਉਸ ਨਿਰਮਾਣ ਵਿੱਚ ਸੀਏ ਕੋਲ ਹਰ ਸਿਫਰਟੈਕਸਟ ਨੂੰ ਡੀਕ੍ਰਿਪਟ ਕਰਨ ਦੀ ਸ਼ਕਤੀ ਹੈ, ਜੋ ਕਿ ਕਈ ਸੰਭਾਵਿਤ ਤੌਰ ਤੇ ਭਰੋਸੇਯੋਗ ਅਧਿਕਾਰੀਆਂ ਉੱਤੇ ਨਿਯੰਤਰਣ ਵੰਡਣ ਦੇ ਮੂਲ ਟੀਚੇ ਦੇ ਉਲਟ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਉਸ ਉਸਾਰੀ ਵਿੱਚ, ਇਕਸਾਰ ਜੀਆਈਡੀ ਦੀ ਵਰਤੋਂ ਨੇ ਅਧਿਕਾਰੀਆਂ ਨੂੰ ਉਪਭੋਗਤਾ ਦੇ ਸਾਰੇ ਗੁਣਾਂ ਨਾਲ ਇੱਕ ਪੂਰੀ ਪ੍ਰੋਫਾਈਲ ਬਣਾਉਣ ਲਈ ਆਪਣੀ ਜਾਣਕਾਰੀ ਨੂੰ ਜੋੜਨ ਦੀ ਆਗਿਆ ਦਿੱਤੀ, ਜੋ ਉਪਭੋਗਤਾ ਦੀ ਗੋਪਨੀਯਤਾ ਨੂੰ ਬੇਲੋੜੀ ਤੌਰ ਤੇ ਖਤਰੇ ਵਿੱਚ ਪਾਉਂਦੀ ਹੈ। ਇਸ ਪੇਪਰ ਵਿੱਚ, ਅਸੀਂ ਇੱਕ ਅਜਿਹਾ ਹੱਲ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ ਜੋ ਭਰੋਸੇਯੋਗ ਕੇਂਦਰੀ ਅਥਾਰਟੀ ਨੂੰ ਹਟਾ ਦਿੰਦਾ ਹੈ, ਅਤੇ ਅਧਿਕਾਰੀਆਂ ਨੂੰ ਖਾਸ ਉਪਭੋਗਤਾਵਾਂ ਬਾਰੇ ਆਪਣੀ ਜਾਣਕਾਰੀ ਨੂੰ ਜੋੜਨ ਤੋਂ ਰੋਕ ਕੇ ਉਪਭੋਗਤਾਵਾਂ ਦੀ ਗੋਪਨੀਯਤਾ ਦੀ ਰੱਖਿਆ ਕਰਦਾ ਹੈ, ਇਸ ਤਰ੍ਹਾਂ ਏਬੀਈ ਨੂੰ ਪ੍ਰੈਕਟਿਸ ਵਿੱਚ ਵਧੇਰੇ ਵਰਤੋਂ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ। |
25098861749fe9eab62fbe90c1ebeaed58c211bb | ਇਸ ਪੇਪਰ ਵਿੱਚ ਅਸੀਂ ਨਵੇਂ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਤੋਂ ਬੂਸਟਿੰਗ ਵਿਧੀਆਂ ਦਾ ਅਧਿਐਨ ਕਰਦੇ ਹਾਂ। ਅਸੀਂ ਈਫਰੋਨ ਅਤੇ ਹੋਰਾਂ ਦੁਆਰਾ ਹਾਲ ਹੀ ਵਿੱਚ ਕੀਤੇ ਕੰਮ ਤੇ ਨਿਰਮਾਣ ਕਰਦੇ ਹਾਂ। ਇਹ ਦਰਸਾਉਣ ਲਈ ਕਿ ਲਗਭਗ (ਅਤੇ ਕੁਝ ਮਾਮਲਿਆਂ ਵਿੱਚ ਬਿਲਕੁਲ) ਵਧਾਉਣ ਨਾਲ ਇਸ ਦੇ ਨੁਕਸਾਨ ਦੇ ਮਾਪਦੰਡ ਨੂੰ ਘਟਾ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ ਜਿਸ ਨਾਲ ਇਕੁਇਟੀ ਵੈਕਟਰ ਤੇ l1 ਦੀ ਪਾਬੰਦੀ ਹੁੰਦੀ ਹੈ. ਇਹ ਨੁਕਸਾਨ ਦੇ ਮਾਪਦੰਡ ਦੇ ਨਿਯਮਤ ਫਿਟਿੰਗ ਦੇ ਤੌਰ ਤੇ ਛੇਤੀ ਬੰਦ ਹੋਣ ਦੇ ਨਾਲ ਉਤਸ਼ਾਹ ਦੀ ਸਫਲਤਾ ਨੂੰ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ. ਦੋ ਸਭ ਤੋਂ ਵੱਧ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਮਾਪਦੰਡਾਂ (ਐਕਸਪੋਨੈਂਸ਼ੀਅਲ ਅਤੇ ਬਾਈਨੋਮੀਅਲ ਲੌਗ-ਸੰਭਾਵਨਾ) ਲਈ, ਅਸੀਂ ਅੱਗੇ ਦਿਖਾਉਂਦੇ ਹਾਂ ਕਿ ਜਿਵੇਂ ਕਿ ਰੁਕਾਵਟ ਨੂੰ ਆਰਾਮ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ-ਜਾਂ ਬਰਾਬਰ ਦੇ ਤੌਰ ਤੇ ਉਤਸ਼ਾਹਤ ਆਵਰਤੀ ਜਾਰੀ ਹੈ-ਮੁੱਦਾ ਹੱਲ (ਵੱਖਰੇਵੇਂ ਵਾਲੇ ਕੇਸ ਵਿੱਚ) ਇੱਕ l1-ਅਨੁਕੂਲ ਵੱਖ ਕਰਨ ਵਾਲੇ ਹਾਈਪਰ-ਪਲੇਨ ਵਿੱਚ. ਅਸੀਂ ਸਾਬਤ ਕਰਦੇ ਹਾਂ ਕਿ ਇਸ l1-ਅਨੁਕੂਲ ਵੱਖ ਕਰਨ ਵਾਲੇ ਹਾਈਪਰ-ਪਲੇਨ ਦੀ ਵਿਸ਼ੇਸ਼ਤਾ ਹੈ ਸਿਖਲਾਈ ਦੇ ਅੰਕੜਿਆਂ ਦੇ ਘੱਟੋ ਘੱਟ l1-ਮਾਰਜਿਨ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਕਰਨ ਦੀ, ਜਿਵੇਂ ਕਿ ਪੁਸ਼ਟੀ ਸਾਹਿਤ ਵਿੱਚ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਹੈ. ਬੂਸਟਿੰਗ ਅਤੇ ਕੇਰਨਲ ਸਪੋਰਟ ਵੈਕਟਰ ਮਸ਼ੀਨਾਂ ਵਿਚਕਾਰ ਇੱਕ ਦਿਲਚਸਪ ਬੁਨਿਆਦੀ ਸਮਾਨਤਾ ਉੱਭਰਦੀ ਹੈ, ਕਿਉਂਕਿ ਦੋਵਾਂ ਨੂੰ ਉੱਚ-ਅਯਾਮੀ ਭਵਿੱਖਬਾਣੀ ਸਪੇਸ ਵਿੱਚ ਨਿਯਮਤ ਅਨੁਕੂਲਤਾ ਲਈ ਵਿਧੀਆਂ ਵਜੋਂ ਵਰਣਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਗਣਨਾ ਨੂੰ ਵਿਵਹਾਰਕ ਬਣਾਉਣ ਲਈ ਇੱਕ ਕੰਪਿutਟੇਸ਼ਨਲ ਚਾਲ ਦੀ ਵਰਤੋਂ ਕਰਦਿਆਂ, ਅਤੇ ਹਾਸ਼ੀਏ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਕਰਨ ਵਾਲੇ ਹੱਲਾਂ ਵੱਲ ਸੰਚਾਰਿਤ ਕਰਨਾ. ਹਾਲਾਂਕਿ ਇਹ ਬਿਆਨ ਐਸਵੀਐਮ ਦਾ ਬਿਲਕੁਲ ਵਰਣਨ ਕਰਦਾ ਹੈ, ਇਹ ਸਿਰਫ ਲਗਭਗ ਵਧਾਉਣ ਲਈ ਲਾਗੂ ਹੁੰਦਾ ਹੈ. |
0825788b9b5a18e3dfea5b0af123b5e939a4f564 | ਸ਼ਬਦਾਂ ਦੀ ਵੈਕਟਰ ਸਪੇਸ ਪ੍ਰਤੀਨਿਧਤਾ ਸਿੱਖਣ ਲਈ ਹਾਲੀਆ ਢੰਗ ਵੈਕਟਰ ਗਣਿਤ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਵਧੀਆ-ਅੰਕੜੇ ਵਾਲੇ ਅਰਥ ਅਤੇ ਸੰਟੈਕਸਿਕ ਨਿਯਮਿਤਤਾਵਾਂ ਨੂੰ ਹਾਸਲ ਕਰਨ ਵਿੱਚ ਸਫਲ ਹੋਏ ਹਨ, ਪਰ ਇਹਨਾਂ ਨਿਯਮਿਤਤਾਵਾਂ ਦੀ ਸ਼ੁਰੂਆਤ ਅਸਪਸ਼ਟ ਰਹੀ ਹੈ। ਅਸੀਂ ਸ਼ਬਦ ਵੈਕਟਰਾਂ ਵਿੱਚ ਅਜਿਹੀਆਂ ਨਿਯਮਿਤਤਾਵਾਂ ਦੇ ਉਭਰਨ ਲਈ ਲੋੜੀਂਦੀਆਂ ਮਾਡਲ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦੇ ਹਾਂ ਅਤੇ ਸਪਸ਼ਟ ਕਰਦੇ ਹਾਂ। ਨਤੀਜਾ ਇੱਕ ਨਵਾਂ ਗਲੋਬਲ ਲੌਗਬਿਲਿਨਰ ਰਿਗਰੈਸ਼ਨ ਮਾਡਲ ਹੈ ਜੋ ਸਾਹਿਤ ਵਿੱਚ ਦੋ ਪ੍ਰਮੁੱਖ ਮਾਡਲ ਪਰਿਵਾਰਾਂ ਦੇ ਫਾਇਦਿਆਂ ਨੂੰ ਜੋੜਦਾ ਹੈਃ ਗਲੋਬਲ ਮੈਟ੍ਰਿਕਸ ਫੈਕਟਰਾਈਜ਼ੇਸ਼ਨ ਅਤੇ ਸਥਾਨਕ ਪ੍ਰਸੰਗ ਵਿੰਡੋ ਵਿਧੀਆਂ. ਸਾਡਾ ਮਾਡਲ ਕੁਸ਼ਲਤਾ ਨਾਲ ਅੰਕੜਾ ਜਾਣਕਾਰੀ ਦਾ ਲਾਭ ਉਠਾਉਂਦਾ ਹੈ ਸ਼ਬਦ-ਸ਼ਬਦ ਦੀ ਸਹਿ-ਉਪਭਾਰ ਮੈਟ੍ਰਿਕਸ ਵਿੱਚ ਸਿਰਫ ਗੈਰ-ਜ਼ੀਰੋ ਤੱਤਾਂ ਤੇ ਸਿਖਲਾਈ ਦੇ ਕੇ, ਪੂਰੇ ਵਿਅਰਥ ਮੈਟ੍ਰਿਕਸ ਜਾਂ ਵੱਡੇ ਕੋਰਸ ਵਿੱਚ ਵਿਅਕਤੀਗਤ ਸੰਦਰਭ ਵਿੰਡੋਜ਼ ਤੇ ਨਹੀਂ. ਮਾਡਲ ਅਰਥਪੂਰਨ ਸਬਸਟ੍ਰਕਚਰ ਦੇ ਨਾਲ ਇੱਕ ਵੈਕਟਰ ਸਪੇਸ ਪੈਦਾ ਕਰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਹਾਲ ਹੀ ਵਿੱਚ ਸ਼ਬਦ ਸਮਾਨਤਾ ਕਾਰਜ ਤੇ 75% ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਦੁਆਰਾ ਸਾਬਤ ਕੀਤਾ ਗਿਆ ਹੈ. ਇਹ ਸਮਾਨਤਾ ਦੇ ਕੰਮਾਂ ਅਤੇ ਨਾਮਿਤ ਇਕਾਈ ਦੀ ਮਾਨਤਾ ਤੇ ਵੀ ਸੰਬੰਧਿਤ ਮਾਡਲਾਂ ਨੂੰ ਪਛਾੜਦਾ ਹੈ। |
326cfa1ffff97bd923bb6ff58d9cb6a3f60edbe5 | ਅਸੀਂ ਸਮੱਗਰੀ-ਅਧਾਰਿਤ ਚਿੱਤਰ ਪ੍ਰਾਪਤੀ ਲਈ ਦੋ ਵੰਡਾਂ, ਧਰਤੀ ਮੂਵਰ ਦੀ ਦੂਰੀ (ਈਐਮਡੀ) ਦੇ ਵਿਚਕਾਰ ਇੱਕ ਮੈਟ੍ਰਿਕ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹਾਂ। ਈਐਮਡੀ ਘੱਟੋ ਘੱਟ ਲਾਗਤ ਤੇ ਅਧਾਰਤ ਹੈ ਜੋ ਇੱਕ ਵੰਡ ਨੂੰ ਦੂਜੇ ਵਿੱਚ ਬਦਲਣ ਲਈ ਅਦਾ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ, ਇੱਕ ਸਹੀ ਅਰਥ ਵਿੱਚ, ਅਤੇ ਪਹਿਲਾਂ ਪੇਲੇਗ, ਵਰਮਨ ਅਤੇ ਰੋਮ ਦੁਆਰਾ ਕੁਝ ਦਰਸ਼ਣ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਲਈ ਪ੍ਰਸਤਾਵਿਤ ਕੀਤਾ ਗਿਆ ਸੀ। ਚਿੱਤਰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ, ਅਸੀਂ ਇਸ ਵਿਚਾਰ ਨੂੰ ਵੰਡ ਲਈ ਇੱਕ ਨੁਮਾਇੰਦਗੀ ਸਕੀਮ ਨਾਲ ਜੋੜਦੇ ਹਾਂ ਜੋ ਵੈਕਟਰ ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ ਤੇ ਅਧਾਰਤ ਹੈ. ਇਹ ਸੁਮੇਲ ਇੱਕ ਚਿੱਤਰ ਤੁਲਨਾ ਫਰੇਮਵਰਕ ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ ਜੋ ਅਕਸਰ ਪਹਿਲਾਂ ਪ੍ਰਸਤਾਵਿਤ ਹੋਰ ਤਰੀਕਿਆਂ ਨਾਲੋਂ ਬਿਹਤਰ ਧਾਰਨਾਤਮਕ ਸਮਾਨਤਾ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਹੁੰਦਾ ਹੈ. ਈਐਮਡੀ ਲੀਨੀਅਰ ਓਪਟੀਮਾਈਜ਼ੇਸ਼ਨ ਤੋਂ ਆਵਾਜਾਈ ਸਮੱਸਿਆ ਦੇ ਹੱਲ ਤੇ ਅਧਾਰਤ ਹੈ, ਜਿਸ ਲਈ ਕੁਸ਼ਲ ਐਲਗੋਰਿਦਮ ਉਪਲਬਧ ਹਨ, ਅਤੇ ਕੁਦਰਤੀ ਤੌਰ ਤੇ ਅੰਸ਼ਕ ਮੇਲ ਕਰਨ ਦੀ ਆਗਿਆ ਵੀ ਦਿੰਦਾ ਹੈ. ਇਹ ਹਿਸਟੋਗ੍ਰਾਮ ਮੇਲ ਖਾਂਦੀਆਂ ਤਕਨੀਕਾਂ ਨਾਲੋਂ ਵਧੇਰੇ ਮਜ਼ਬੂਤ ਹੈ, ਇਸ ਵਿੱਚ ਇਹ ਵਿਤਰਣਾਂ ਦੀ ਪਰਿਵਰਤਨਸ਼ੀਲ-ਲੰਬਾਈ ਪ੍ਰਤੀਨਿਧਤਾਵਾਂ ਤੇ ਕੰਮ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਕਿ ਹਿਸਟੋਗ੍ਰਾਮਾਂ ਦੀ ਵਿਸ਼ੇਸ਼ਤਾ ਵਾਲੇ ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ ਅਤੇ ਹੋਰ ਬਿੰਡਿੰਗ ਸਮੱਸਿਆਵਾਂ ਤੋਂ ਬਚਦਾ ਹੈ। ਜਦੋਂ ਇੱਕੋ ਸਮੁੱਚੇ ਪੁੰਜ ਦੇ ਨਾਲ ਵੰਡਾਂ ਦੀ ਤੁਲਨਾ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਈਐਮਡੀ ਇੱਕ ਸੱਚੀ ਮੀਟ੍ਰਿਕ ਹੈ। ਇਸ ਪੇਪਰ ਵਿੱਚ ਅਸੀਂ ਰੰਗ ਅਤੇ ਟੈਕਸਟ ਦੇ ਕਾਰਜਾਂ ਤੇ ਧਿਆਨ ਕੇਂਦਰਤ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਅਸੀਂ ਈਐਮਡੀ ਦੀ ਰਿਕਵਰੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਤੁਲਨਾ ਹੋਰ ਦੂਰੀਆਂ ਨਾਲ ਕਰਦੇ ਹਾਂ। |
508d8c1dbc250732bd2067689565a8225013292f | ਸਥਾਨਕ ਪਲਸ ਵੇਵ ਸਪੀਡ (ਪੀਡਬਲਿਊਵੀ) ਲਈ ਇੱਕ ਨਵੀਨਤਾਕਾਰੀ ਦੋਹਰਾ ਫੋਟੋਪਲੇਥਿਸਮੋਗ੍ਰਾਫ (ਪੀਪੀਜੀ) ਸੂਂਡ ਅਤੇ ਮਾਪ ਪ੍ਰਣਾਲੀ ਪ੍ਰਸਤਾਵਿਤ ਅਤੇ ਪ੍ਰਦਰਸ਼ਿਤ ਕੀਤੀ ਗਈ ਹੈ। ਵਿਕਸਿਤ ਕੀਤੇ ਗਏ ਸੈਂਬ ਡਿਜ਼ਾਇਨ ਵਿੱਚ ਦੋ ਨਾਲ ਲੱਗਦੇ ਮਾਪ ਬਿੰਦੂਆਂ (28 ਮਿਲੀਮੀਟਰ ਦੀ ਦੂਰੀ ਤੋਂ) ਤੋਂ ਖੂਨ ਦੇ ਪਲਸ ਪ੍ਰਸਾਰ ਦੇ ਵੇਵਫਾਰਮ ਦੀ ਗੈਰ-ਹਮਲਾਵਰ ਖੋਜ ਲਈ ਪ੍ਰਤੀਬਿੰਬ ਪੀਪੀਜੀ ਟ੍ਰਾਂਸਡਿਊਸਰ ਵਰਤੇ ਗਏ ਹਨ। ਲਗਾਤਾਰ ਪ੍ਰਾਪਤ ਕੀਤੇ ਗਏ ਦੋਹਰੇ ਪਲਸ ਵੇਵ ਫਾਰਮ ਦੇ ਵਿਚਕਾਰ ਟ੍ਰਾਂਜ਼ਿਟ ਟਾਈਮ ਲੇਟ ਨੂੰ ਬੀਟ-ਟੂ-ਬੀਟ ਸਥਾਨਕ ਪੀਡਬਲਯੂਵੀ ਮਾਪ ਲਈ ਵਰਤਿਆ ਗਿਆ ਸੀ। ਪੀਪੀਜੀ ਸੂਂਡ ਡਿਜ਼ਾਇਨ ਦੀ ਪ੍ਰਮਾਣਿਕਤਾ ਅਤੇ ਸਥਾਨਕ ਪੀਡਬਲਯੂਵੀ ਮਾਪ ਪ੍ਰਣਾਲੀ ਨੂੰ ਵਿਕਸਿਤ ਕਰਨ ਲਈ 10 ਸਿਹਤਮੰਦ ਵਲੰਟੀਅਰਾਂ (8 ਮਰਦ ਅਤੇ 2 ਔਰਤਾਂ, 21 ਤੋਂ 33 ਸਾਲ ਦੀ ਉਮਰ) ਤੇ ਇਕ ਇਨ-ਵਿਵੋ ਪ੍ਰਯੋਗਾਤਮਕ ਪ੍ਰਮਾਣਿਕਤਾ ਅਧਿਐਨ ਕੀਤਾ ਗਿਆ ਸੀ। ਪ੍ਰਸਤਾਵਿਤ ਪ੍ਰਣਾਲੀ ਕਈ ਵਿਸ਼ਿਆਂ ਤੋਂ ਕੈਰੋਟਿਡ ਸਥਾਨਕ ਪੀਡਬਲਯੂਵੀ ਨੂੰ ਮਾਪਣ ਦੇ ਯੋਗ ਸੀ। ਬੇਸਲਾਈਨ ਕੈਰੋਟਾਇਡ ਪੀਡਬਲਿਊਵੀ ਦੀ ਬੀਟ-ਟੂ-ਬੀਟ ਪਰਿਵਰਤਨ 10 ਵਿੱਚੋਂ 7 ਵਿਅਕਤੀਆਂ ਲਈ 7. 5% ਤੋਂ ਘੱਟ ਸੀ, ਅਧਿਐਨ ਦੌਰਾਨ 16% ਦੀ ਅਧਿਕਤਮ ਬੀਟ-ਟੂ-ਬੀਟ ਪਰਿਵਰਤਨ ਦੇਖਿਆ ਗਿਆ ਸੀ। ਕਸਰਤ ਤੋਂ ਬਾਅਦ ਰਿਕਵਰੀ ਪੀਰੀਅਡ ਦੌਰਾਨ ਬ੍ਰੇਚਿਅਲ ਬਲੱਡ ਪ੍ਰੈਸ਼ਰ (ਬੀਪੀ) ਅਤੇ ਕੈਰੋਟਿਡ ਲੋਕਲ ਪੀਡਬਲਿਊਵੀ ਦੀਆਂ ਬ੍ਰੇਕ-ਟੂ-ਬ੍ਰੇਕ ਮੁੱਲਾਂ ਵਿੱਚ ਤਬਦੀਲੀ ਦੀ ਵੀ ਜਾਂਚ ਕੀਤੀ ਗਈ। ਇਨਟ੍ਰਾ- ਵਿਸ਼ੇ ਲੋਕਲ ਪੀਡਬਲਿਊਵੀ ਪਰਿਵਰਤਨ ਅਤੇ ਬ੍ਰੈਚਿਅਲ ਬੀਪੀ ਪੈਰਾਮੀਟਰਾਂ ਵਿਚਕਾਰ ਇੱਕ ਅੰਕੜਾਤਮਕ ਤੌਰ ਤੇ ਮਹੱਤਵਪੂਰਨ ਸੰਬੰਧ ਦੇਖਿਆ ਗਿਆ ਸੀ (r > 0. 85, p < 0. 001). ਨਤੀਜਿਆਂ ਨੇ ਕੈਰੋਟਿਡ ਧਮਣੀ ਤੋਂ ਨਿਰੰਤਰ ਧੜਕਣ-ਤੋਂ-ਧੜਕਣ ਸਥਾਨਕ ਪੀਡਬਲਯੂਵੀ ਮਾਪ ਲਈ ਪ੍ਰਸਤਾਵਿਤ ਪੀਪੀਜੀ ਸੂਂਡ ਦੀ ਵਿਵਹਾਰਕਤਾ ਨੂੰ ਦਰਸਾਇਆ। ਅਜਿਹੀ ਗੈਰ-ਹਮਲਾਵਰ ਸਥਾਨਕ ਪੀਡਬਲਯੂਵੀ ਮਾਪ ਇਕਾਈ ਨੂੰ ਸੰਭਾਵਤ ਤੌਰ ਤੇ ਨਿਰੰਤਰ ਐਂਬੂਲਟਰੀ ਬੀਪੀ ਮਾਪਾਂ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ। |
79465f3bac4fb9f8cc66dcbe676022ddcd9c05c6 | ਇਹ ਪੇਪਰ ਡੂੰਘਾਈ ਦੇ ਨਕਸ਼ਿਆਂ ਦੇ ਕ੍ਰਮ ਤੋਂ ਮਨੁੱਖੀ ਕਿਰਿਆਵਾਂ ਨੂੰ ਪਛਾਣਨ ਲਈ ਇੱਕ ਵਿਧੀ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਵਿਸ਼ੇਸ਼ ਤੌਰ ਤੇ, ਅਸੀਂ ਐਕਸ਼ਨ ਗ੍ਰਾਫ ਨੂੰ ਵਰਤਦੇ ਹਾਂ ਐਕਸ਼ਨ ਗ੍ਰਾਫ ਦੇ ਨੋਡਾਂ ਨਾਲ ਸੰਬੰਧਿਤ ਹੈ ਜੋ ਕਿ ਐਕਸ਼ਨ ਗ੍ਰਾਫ ਦੇ ਨੋਡਾਂ ਨਾਲ ਸੰਬੰਧਿਤ ਹੈ, ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਐਕਸ਼ਨ ਗ੍ਰਾਫ ਦੀ ਗਤੀਸ਼ੀਲਤਾ ਅਤੇ 3D ਪੁਆਇੰਟਾਂ ਦੇ ਇੱਕ ਬੈਗ ਨੂੰ ਸਪੱਸ਼ਟ ਤੌਰ ਤੇ ਮਾਡਲ ਕਰਨ ਲਈ. ਇਸ ਤੋਂ ਇਲਾਵਾ, ਅਸੀਂ ਡੂੰਘਾਈ ਦੇ ਨਕਸ਼ਿਆਂ ਤੋਂ 3D ਪੁਆਇੰਟਾਂ ਦੇ ਬੈਗ ਦਾ ਨਮੂਨਾ ਲੈਣ ਲਈ ਇੱਕ ਸਧਾਰਨ, ਪਰ ਪ੍ਰਭਾਵੀ ਪ੍ਰੋਜੈਕਸ਼ਨ ਅਧਾਰਤ ਨਮੂਨਾ ਯੋਜਨਾ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ। ਪ੍ਰਯੋਗਾਤਮਕ ਨਤੀਜਿਆਂ ਨੇ ਦਿਖਾਇਆ ਹੈ ਕਿ ਡੂੰਘਾਈ ਦੇ ਨਕਸ਼ਿਆਂ ਤੋਂ ਸਿਰਫ 1% 3D ਪੁਆਇੰਟਾਂ ਦਾ ਨਮੂਨਾ ਲੈ ਕੇ 90% ਤੋਂ ਵੱਧ ਮਾਨਤਾ ਦੀ ਸ਼ੁੱਧਤਾ ਪ੍ਰਾਪਤ ਕੀਤੀ ਗਈ ਸੀ। 2ਡੀ ਸਿਲੂਏਟ ਅਧਾਰਿਤ ਮਾਨਤਾ ਦੀ ਤੁਲਨਾ ਵਿੱਚ, ਮਾਨਤਾ ਗਲਤੀਆਂ ਅੱਧੀਆਂ ਹੋ ਗਈਆਂ ਸਨ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਅਸੀਂ ਸਿਮੂਲੇਸ਼ਨ ਰਾਹੀਂ ਓਕਲੂਸ਼ਨ ਨਾਲ ਨਜਿੱਠਣ ਲਈ ਬਿੰਦੂਆਂ ਦੇ ਅਵਸਥਾ ਦੇ ਮਾਡਲ ਦੀ ਸਮਰੱਥਾ ਨੂੰ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਦੇ ਹਾਂ। |
46fd85775cab39ecb32cf2e41642ed2d0984c760 | ਇਸ ਪੇਪਰ ਵਿੱਚ ਏਆਈ ਰੋਬੋਟਾਂ ਦੀ ਕਾਨੂੰਨੀ ਸਥਿਤੀ ਬਾਰੇ ਅੱਜ ਦੀ ਬਹਿਸ ਦੀ ਜਾਂਚ ਕੀਤੀ ਗਈ ਹੈ ਅਤੇ ਕਿੰਨੀ ਵਾਰ ਵਿਦਵਾਨ ਅਤੇ ਨੀਤੀ ਨਿਰਮਾਤਾ ਇਨ੍ਹਾਂ ਨਕਲੀ ਏਜੰਟਾਂ ਦੀ ਕਾਨੂੰਨੀ ਏਜੰਟਸ਼ਿਪ ਨੂੰ ਕਾਨੂੰਨੀ ਵਿਅਕਤੀ ਦੀ ਸਥਿਤੀ ਨਾਲ ਉਲਝਾਉਂਦੇ ਹਨ। ਇਸ ਖੇਤਰ ਵਿੱਚ ਮੌਜੂਦਾ ਰੁਝਾਨਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦਿਆਂ, ਪੇਪਰ ਦੋਹਰੀ ਸਥਿਤੀ ਦਾ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ। ਪਹਿਲਾਂ, ਨੀਤੀ ਨਿਰਮਾਤਾਵਾਂ ਨੂੰ ਠੇਕੇ ਅਤੇ ਵਪਾਰਕ ਕਾਨੂੰਨ ਵਿੱਚ ਏਆਈ ਰੋਬੋਟਾਂ ਦੀਆਂ ਗਤੀਵਿਧੀਆਂ ਲਈ ਜਵਾਬਦੇਹੀ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਦੇ ਨਵੇਂ ਰੂਪਾਂ ਨੂੰ ਸਥਾਪਤ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ ਤੇ ਗੰਭੀਰਤਾ ਨਾਲ ਵਿਚਾਰ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ, ਉਦਾਹਰਣ ਵਜੋਂ, ਗੁੰਝਲਦਾਰ ਵੰਡਿਆ ਜ਼ਿੰਮੇਵਾਰੀ ਦੇ ਮਾਮਲਿਆਂ ਵਿੱਚ ਕਾਨੂੰਨੀ ਏਜੰਟ ਦੇ ਨਵੇਂ ਰੂਪ. ਦੂਜਾ, ਭਵਿੱਖ ਵਿੱਚ ਏਆਈ ਰੋਬੋਟਾਂ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਕਾਨੂੰਨੀ ਸ਼ਖਸੀਅਤ ਦੇਣ ਦੀ ਕਿਸੇ ਵੀ ਅਨੁਮਾਨਤ ਨੂੰ ਰੱਦ ਕਰਨਾ ਪਵੇਗਾ। ਪਰ, ਸੋਫੀਆ ਨਾਲ ਕਿਵੇਂ ਨਜਿੱਠਣਾ ਹੈ, ਜੋ ਕਿ ਕਿਸੇ ਵੀ ਦੇਸ਼ ਦੀ ਨਾਗਰਿਕਤਾ ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲੀ ਪਹਿਲੀ ਏਆਈ ਐਪਲੀਕੇਸ਼ਨ ਬਣ ਗਈ, ਅਰਥਾਤ ਅਕਤੂਬਰ 2017 ਵਿੱਚ ਸਾਊਦੀ ਅਰਬ? ਇਹ ਮੰਨਣਾ ਜਰੂਰੀ ਹੈ ਕਿ ਕਿਸੇ ਨੂੰ ਜਾਂ ਕਿਸੇ ਚੀਜ਼ ਨੂੰ ਕਾਨੂੰਨੀ ਸ਼ਖਸੀਅਤ ਦੇਣਾ ਇੱਕ ਬਹੁਤ ਹੀ ਸੰਵੇਦਨਸ਼ੀਲ ਰਾਜਨੀਤਿਕ ਮੁੱਦਾ ਹੈ ਜੋ ਕਿ ਸਿਰਫ ਤਰਕਸ਼ੀਲ ਚੋਣਾਂ ਅਤੇ ਅਨੁਭਵੀ ਸਬੂਤ ਤੇ ਨਿਰਭਰ ਨਹੀਂ ਕਰਦਾ ਹੈ। ਇਸ ਸੰਦਰਭ ਵਿੱਚ ਸਮਝਦਾਰੀ, ਅਚਾਨਕਤਾ ਅਤੇ ਅਜੀਬ ਫੈਸਲੇ ਵੀ ਭੂਮਿਕਾ ਨਿਭਾਉਂਦੇ ਹਨ। ਹਾਲਾਂਕਿ, ਕਾਨੂੰਨੀ ਪ੍ਰਣਾਲੀਆਂ ਮਨੁੱਖੀ ਅਤੇ ਨਕਲੀ ਸੰਸਥਾਵਾਂ ਜਿਵੇਂ ਕਿ ਕਾਰਪੋਰੇਸ਼ਨਾਂ ਨੂੰ ਉਨ੍ਹਾਂ ਦੀ ਸਥਿਤੀ ਦੇਣ ਦੇ ਨਿਯਮਿਤ ਕਾਰਨ, ਸਾਨੂੰ ਏਆਈ ਰੋਬੋਟਾਂ ਦੀ ਕਾਨੂੰਨੀ ਸ਼ਖਸੀਅਤ ਦੀ ਅੱਜ ਦੀ ਭਾਲ ਵਿੱਚ ਪੱਖ ਲੈਣ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਦੇ ਹਨ। ਕੀ ਨਾਗਰਿਕ ਸੋਫੀਆ ਸੱਚਮੁੱਚ ਚੇਤੰਨ ਹੈ, ਜਾਂ ਬੇਰਹਿਮ ਵਿਦਵਾਨਾਂ ਦੇ ਸਿਲਿੰਗਾਂ ਅਤੇ ਤੀਰ ਨੂੰ ਸਹਿਣ ਕਰਨ ਦੇ ਯੋਗ ਹੈ? |
0943ed739c909d17f8686280d43d50769fe2c2f8 | ਅਸੀਂ ਮਨੁੱਖੀ ਵਿਵਹਾਰ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਸੰਸ਼ੋਧਨ ਕਰਨ ਲਈ ਇੱਕ ਪਹੁੰਚ ਦੇ ਤੌਰ ਤੇ ਐਕਸ਼ਨ-ਰਿਐਕਸ਼ਨ ਲਰਨਿੰਗ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ। ਇਹ ਪੈਰਾਡਿਜ਼ਮ ਅਤੀਤ ਅਤੇ ਭਵਿੱਖ ਦੀਆਂ ਘਟਨਾਵਾਂ ਦੇ ਵਿਚਕਾਰ ਜਾਂ ਸਮੇਂ ਦੇ ਕ੍ਰਮ ਨੂੰ ਦੇਖ ਕੇ ਕਿਸੇ ਕਿਰਿਆ ਅਤੇ ਇਸ ਦੀ ਪ੍ਰਤੀਕ੍ਰਿਆ ਦੇ ਵਿਚਕਾਰ ਕਾਰਨ ਸੰਬੰਧਾਂ ਨੂੰ ਪ੍ਰਗਟ ਕਰਦਾ ਹੈ। ਅਸੀਂ ਇਸ ਵਿਧੀ ਨੂੰ ਮਨੁੱਖੀ ਪਰਸਪਰ ਪ੍ਰਭਾਵ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਅਤੇ ਬਾਅਦ ਵਿੱਚ ਮਨੁੱਖੀ ਵਿਵਹਾਰ ਨੂੰ ਸੰਸ਼ੋਧਿਤ ਕਰਨ ਲਈ ਲਾਗੂ ਕਰਦੇ ਹਾਂ। ਧਾਰਨਾਤਮਕ ਮਾਪਾਂ ਦੀ ਇੱਕ ਸਮਾਂ ਲੜੀ ਦੀ ਵਰਤੋਂ ਕਰਦਿਆਂ, ਇੱਕ ਪ੍ਰਣਾਲੀ ਆਪਣੇ ਆਪ ਇੱਕ ਮਨੁੱਖੀ ਭਾਗੀਦਾਰ (ਇੱਕ ਕਿਰਿਆ) ਅਤੇ ਇੱਕ ਹੋਰ ਭਾਗੀਦਾਰ ਤੋਂ ਬਾਅਦ ਦੇ ਇਸ਼ਾਰੇ (ਇੱਕ ਪ੍ਰਤੀਕ੍ਰਿਆ) ਦੇ ਵਿਚਕਾਰ ਇੱਕ ਮੈਪਿੰਗ ਨੂੰ ਪ੍ਰਗਟ ਕਰਦੀ ਹੈ। ਇੱਕ ਸੰਭਾਵਨਾਵਾਦੀ ਮਾਡਲ ਨੂੰ ਇੱਕ ਨਾਵਲ ਅਨੁਮਾਨ ਤਕਨੀਕ, ਕੰਡੀਸ਼ਨਲ ਐਕਸਪੇਕਟੇਸ਼ਨ ਮੈਕਸੀਮਾਈਜ਼ੇਸ਼ਨ (ਸੀਈਐਮ) ਦੀ ਵਰਤੋਂ ਕਰਦਿਆਂ ਮਨੁੱਖੀ ਪਰਸਪਰ ਪ੍ਰਭਾਵ ਦੇ ਡੇਟਾ ਤੋਂ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ। ਸਿਸਟਮ ਇੱਕ ਗ੍ਰਾਫਿਕਲ ਇੰਟਰਐਕਟਿਵ ਚਰਿੱਤਰ ਨੂੰ ਚਲਾਉਂਦਾ ਹੈ ਜੋ ਉਪਭੋਗਤਾ ਦੇ ਵਿਵਹਾਰ ਦੇ ਸਭ ਤੋਂ ਸੰਭਾਵਤ ਪ੍ਰਤੀਕਰਮ ਦੀ ਸੰਭਾਵਨਾਪੂਰਣ ਰੂਪ ਵਿੱਚ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ ਅਤੇ ਇਸਨੂੰ ਇੰਟਰਐਕਟਿਵ ਰੂਪ ਵਿੱਚ ਕਰਦਾ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ, ਭਾਗੀਦਾਰਾਂ ਦੇ ਇੱਕ ਜੋੜੇ ਵਿੱਚ ਮਨੁੱਖੀ ਪਰਸਪਰ ਪ੍ਰਭਾਵ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਸਿਸਟਮ ਉਨ੍ਹਾਂ ਵਿੱਚੋਂ ਇੱਕ ਨੂੰ ਬਦਲਣ ਦੇ ਯੋਗ ਹੈ ਅਤੇ ਇੱਕ ਸਿੰਗਲ ਬਾਕੀ ਉਪਭੋਗਤਾ ਨਾਲ ਗੱਲਬਾਤ ਕਰਦਾ ਹੈ। |
272216c1f097706721096669d85b2843c23fa77d | ਅਸੀਂ ਐਡਮ ਨੂੰ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ, ਜੋ ਕਿ ਘੱਟ-ਕ੍ਰਮ ਦੇ ਪਲ ਦੇ ਅਨੁਕੂਲ ਅਨੁਮਾਨਾਂ ਦੇ ਅਧਾਰ ਤੇ, ਸਟੋਚੈਸਟਿਕ ਉਦੇਸ਼ ਫੰਕਸ਼ਨ ਦੇ ਪਹਿਲੇ-ਕ੍ਰਮ ਦੇ ਗਰੇਡੀਐਂਟ-ਅਧਾਰਿਤ ਅਨੁਕੂਲਤਾ ਲਈ ਇੱਕ ਐਲਗੋਰਿਥਮ ਹੈ। ਇਹ ਵਿਧੀ ਲਾਗੂ ਕਰਨ ਲਈ ਸਿੱਧੀ ਹੈ, ਕੰਪਿਊਟੇਸ਼ਨਲ ਤੌਰ ਤੇ ਕੁਸ਼ਲ ਹੈ, ਇਸਦੀ ਮੈਮੋਰੀ ਲੋੜਾਂ ਘੱਟ ਹਨ, ਇਹ ਗਰੇਡੀਐਂਟਸ ਦੀ ਵਿਕਾਰਿਕ ਮੁੜ-ਸਕੇਲਿੰਗ ਲਈ ਅਚਾਨਕ ਹੈ, ਅਤੇ ਸਮੱਸਿਆਵਾਂ ਲਈ ਚੰਗੀ ਤਰ੍ਹਾਂ ਢੁਕਵਾਂ ਹੈ ਜੋ ਡੇਟਾ ਅਤੇ / ਜਾਂ ਪੈਰਾਮੀਟਰਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਵੱਡੇ ਹਨ. ਇਹ ਵਿਧੀ ਗੈਰ-ਸਥਿਰ ਉਦੇਸ਼ਾਂ ਅਤੇ ਬਹੁਤ ਹੀ ਸ਼ੋਰ ਅਤੇ/ਜਾਂ ਘੱਟ ਗਰੇਡੀਐਂਟ ਵਾਲੀਆਂ ਸਮੱਸਿਆਵਾਂ ਲਈ ਵੀ ਉਚਿਤ ਹੈ। ਹਾਈਪਰ-ਪੈਰਾਮੀਟਰਾਂ ਦੀ ਅਨੁਭਵੀ ਵਿਆਖਿਆ ਹੁੰਦੀ ਹੈ ਅਤੇ ਆਮ ਤੌਰ ਤੇ ਥੋੜ੍ਹੀ ਜਿਹੀ ਟਿਊਨਿੰਗ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਸੰਬੰਧਿਤ ਐਲਗੋਰਿਥਮ ਨਾਲ ਕੁਝ ਕੁਨੈਕਸ਼ਨ, ਜਿਸ ਉੱਤੇ ਐਡਮ ਪ੍ਰੇਰਿਤ ਸੀ, ਦੀ ਚਰਚਾ ਕੀਤੀ ਗਈ ਹੈ। ਅਸੀਂ ਐਲਗੋਰਿਥਮ ਦੀਆਂ ਸਿਧਾਂਤਕ ਸੰਜੋਗ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦਾ ਵੀ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦੇ ਹਾਂ ਅਤੇ ਸੰਜੋਗ ਦਰ ਤੇ ਇਕ ਅਫ਼ਸੋਸ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਾਂ ਜੋ ਕਿ ਆਨਲਾਈਨ ਕਨਵੇਕਸ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਫਰੇਮਵਰਕ ਦੇ ਤਹਿਤ ਸਭ ਤੋਂ ਵਧੀਆ ਜਾਣੇ ਜਾਂਦੇ ਨਤੀਜਿਆਂ ਨਾਲ ਤੁਲਨਾਯੋਗ ਹੈ. ਅਨੁਭਵੀ ਨਤੀਜੇ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਐਡਮ ਅਭਿਆਸ ਵਿੱਚ ਚੰਗੀ ਤਰ੍ਹਾਂ ਕੰਮ ਕਰਦਾ ਹੈ ਅਤੇ ਹੋਰ ਸਟੋਚੈਸਟਿਕ ਅਨੁਕੂਲਤਾ ਵਿਧੀਆਂ ਨਾਲ ਅਨੁਕੂਲਤਾ ਨਾਲ ਤੁਲਨਾ ਕਰਦਾ ਹੈ। ਅੰਤ ਵਿੱਚ, ਅਸੀਂ ਅਡਮਾਕਸ ਬਾਰੇ ਚਰਚਾ ਕਰਦੇ ਹਾਂ, ਜੋ ਕਿ ਅਨੰਤਤਾ ਦੇ ਨਿਯਮ ਦੇ ਅਧਾਰ ਤੇ ਆਦਮ ਦਾ ਇੱਕ ਰੂਪ ਹੈ। |
05aba481e8a221df5d8775a3bb749001e7f2525e | ਅਸੀਂ ਸਬਗ੍ਰੇਡੀਐਂਟ ਵਿਧੀਆਂ ਦੇ ਇੱਕ ਨਵੇਂ ਪਰਿਵਾਰ ਨੂੰ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ ਜੋ ਪਹਿਲਾਂ ਦੇ ਦੁਹਰਾਓ ਵਿੱਚ ਦੇਖੇ ਗਏ ਡੇਟਾ ਦੀ ਜਿਓਮੈਟਰੀ ਦੇ ਗਿਆਨ ਨੂੰ ਗਤੀਸ਼ੀਲ ਰੂਪ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰਦੇ ਹਨ ਤਾਂ ਜੋ ਵਧੇਰੇ ਜਾਣਕਾਰੀ ਭਰਪੂਰ ਗ੍ਰੇਡੀਐਂਟ-ਅਧਾਰਤ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾ ਸਕੇ। ਰੂਪਕ ਰੂਪ ਵਿੱਚ, ਅਨੁਕੂਲਤਾ ਸਾਨੂੰ ਬਹੁਤ ਹੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਪਰ ਬਹੁਤ ਘੱਟ ਵੇਖੇ ਗਏ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਫਸਲਾਂ ਦੇ ਢੇਰ ਵਿੱਚ ਨੀਂਦਲਾਂ ਲੱਭਣ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ. ਸਾਡਾ ਪੈਰਾਡਾਈਮ ਸਟੋਚੈਸਟਿਕ ਅਨੁਕੂਲਤਾ ਅਤੇ ਔਨਲਾਈਨ ਸਿੱਖਣ ਵਿੱਚ ਹਾਲ ਹੀ ਵਿੱਚ ਹੋਈਆਂ ਤਰੱਕੀ ਤੋਂ ਪੈਦਾ ਹੁੰਦਾ ਹੈ ਜੋ ਐਲਗੋਰਿਥਮ ਦੇ ਗਰੇਡੀਐਂਟ ਕਦਮਾਂ ਨੂੰ ਕੰਟਰੋਲ ਕਰਨ ਲਈ ਪ੍ਰੌਕਸੀਮਲ ਫੰਕਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ। ਅਸੀਂ ਪ੍ਰੌਕਸੀਮਲ ਫੰਕਸ਼ਨ ਨੂੰ ਅਨੁਕੂਲ ਰੂਪ ਵਿੱਚ ਸੋਧਣ ਲਈ ਇੱਕ ਉਪਕਰਣ ਦਾ ਵਰਣਨ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦੇ ਹਾਂ, ਜੋ ਇੱਕ ਸਿੱਖਣ ਦੀ ਦਰ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨਾ ਬਹੁਤ ਸੌਖਾ ਬਣਾਉਂਦਾ ਹੈ ਅਤੇ ਨਤੀਜਿਆਂ ਵਿੱਚ ਪਛਤਾਵਾ ਗਾਰੰਟੀ ਦਿੰਦਾ ਹੈ ਜੋ ਸਾਬਤ ਤੌਰ ਤੇ ਸਭ ਤੋਂ ਵਧੀਆ ਪ੍ਰੌਕਸੀਮਲ ਫੰਕਸ਼ਨ ਜਿੰਨਾ ਚੰਗਾ ਹੁੰਦਾ ਹੈ ਜੋ ਬਾਅਦ ਵਿੱਚ ਚੁਣਿਆ ਜਾ ਸਕਦਾ ਹੈ. ਅਸੀਂ ਆਮ ਅਤੇ ਮਹੱਤਵਪੂਰਨ ਨਿਯਮਿਤਕਰਣ ਫੰਕਸ਼ਨ ਅਤੇ ਡੋਮੇਨ ਪਾਬੰਦੀਆਂ ਦੇ ਨਾਲ ਅਨੁਭਵੀ ਜੋਖਮ ਨੂੰ ਘੱਟ ਕਰਨ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਲਈ ਕਈ ਕੁਸ਼ਲ ਐਲਗੋਰਿਥਮ ਦਿੰਦੇ ਹਾਂ. ਅਸੀਂ ਪ੍ਰਯੋਗਿਕ ਤੌਰ ਤੇ ਸਾਡੇ ਸਿਧਾਂਤਕ ਵਿਸ਼ਲੇਸ਼ਣ ਦਾ ਅਧਿਐਨ ਕਰਦੇ ਹਾਂ ਅਤੇ ਦਿਖਾਉਂਦੇ ਹਾਂ ਕਿ ਅਨੁਕੂਲ ਉਪ-ਗ੍ਰੈਡਿਏਂਟ ਵਿਧੀਆਂ ਰਾਜ-ਓ-ਫ-ਦਿ-ਆਰਟ, ਫਿਰ ਵੀ ਗੈਰ-ਅਨੁਕੂਲ, ਉਪ-ਗ੍ਰੈਡਿਏਂਟ ਐਲਗੋਰਿਦਮ ਨੂੰ ਪਛਾੜਦੀਆਂ ਹਨ. |
f2bc77fdcea85738d1062da83d84dfa3371d378d | ਇਹ ਪੇਪਰ ਚਿੱਪ-ਟੂ-ਚਿੱਪ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ 90 ਐਨਐਮਸੀਐਮਐਸ ਵਿੱਚ ਇੱਕ 6.25-ਜੀਬੀ / ਐਸ 14-ਮੈਗਾਵਾਟ ਟ੍ਰਾਂਸਸੀਵਰ ਦਾ ਵਰਣਨ ਕਰਦਾ ਹੈ। ਟ੍ਰਾਂਸਾਈਵਰ ਬਿਜਲੀ ਦੀ ਖਪਤ ਨੂੰ ਘਟਾਉਣ ਲਈ ਕਈ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਵਰਤਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਇੱਕ ਸਾਂਝਾ ਐਲਸੀ-ਪੀਐਲਐਲ ਘੜੀ ਗੁਣਕ, ਇੱਕ ਇੰਡਕਟਰ-ਲੋਡ ਕੀਤੇ ਰੌਸ਼ਨ ਘੜੀ ਵੰਡ ਨੈੱਟਵਰਕ, ਇੱਕ ਘੱਟ- ਅਤੇ ਪ੍ਰੋਗਰਾਮੇਬਲ-ਸਵਿੰਗ ਵੋਲਟੇਜ-ਮੋਡ ਟ੍ਰਾਂਸਮੀਟਰ, ਸਾੱਫਟਵੇਅਰ-ਨਿਯੰਤਰਿਤ ਘੜੀ ਅਤੇ ਡਾਟਾ ਰਿਕਵਰੀ (ਸੀਡੀਆਰ) ਅਤੇ ਰਿਸੀਵਰ ਦੇ ਅੰਦਰ ਅਨੁਕੂਲ ਸਮਾਨਤਾ, ਅਤੇ ਸੀਡੀਆਰ ਲਈ ਇੱਕ ਨਾਵਲ ਪੀਐਲਐਲ-ਅਧਾਰਤ ਪੜਾਅ ਰੋਟਰ ਸ਼ਾਮਲ ਹੈ। ਡਿਜ਼ਾਇਨ 10-15 ਜਾਂ ਇਸ ਤੋਂ ਘੱਟ ਦੀ ਬਿੱਟ-ਗਲਤੀ ਦਰ ਨਾਲ -15 ਡੀਬੀ ਜਾਂ ਇਸ ਤੋਂ ਵੱਧ ਦੇ ਚੈਨਲ ਅਟੈਨਿਊਸ਼ਨ ਨਾਲ ਕੰਮ ਕਰ ਸਕਦਾ ਹੈ, ਜਦਕਿ ਪ੍ਰਤੀ ਟ੍ਰਾਂਸਸੀਵਰ 2.25 mW/Gb/s ਤੋਂ ਘੱਟ ਦੀ ਖਪਤ ਕਰਦਾ ਹੈ। |
9da870dbbc32c23013ef92dd9b30db60a3cd7628 | 3 ਡੀ ਆਕਾਰ ਦੀ ਗੈਰ-ਰਿਜੀਡ ਰਜਿਸਟ੍ਰੇਸ਼ਨ ਇੱਕ ਜ਼ਰੂਰੀ ਕੰਮ ਹੈ ਜੋ ਵੱਧ ਤੋਂ ਵੱਧ ਮਹੱਤਵ ਰੱਖਦਾ ਹੈ ਕਿਉਂਕਿ ਡਾਇਨਾਮਿਕ ਦ੍ਰਿਸ਼ਾਂ ਦੀ ਸਕੈਨਿੰਗ ਲਈ ਵਸਤੂ ਡੂੰਘਾਈ ਸੂਚਕ ਵਧੇਰੇ ਵਿਆਪਕ ਤੌਰ ਤੇ ਉਪਲਬਧ ਹੁੰਦੇ ਹਨ। ਗੈਰ-ਸਖ਼ਤ ਰਜਿਸਟ੍ਰੇਸ਼ਨ ਸਖ਼ਤ ਰਜਿਸਟ੍ਰੇਸ਼ਨ ਨਾਲੋਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਚੁਣੌਤੀਪੂਰਨ ਹੈ ਕਿਉਂਕਿ ਇਹ ਇੱਕ ਸਿੰਗਲ ਗਲੋਬਲ ਪਰਿਵਰਤਨ ਦੀ ਬਜਾਏ ਸਥਾਨਕ ਪਰਿਵਰਤਨ ਦੇ ਇੱਕ ਸਮੂਹ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਂਦੀ ਹੈ, ਅਤੇ ਇਸ ਲਈ ਅੰਡਰਡੈਟੀਨੇਸ਼ਨ ਦੇ ਕਾਰਨ ਓਵਰਫਿਟਿੰਗ ਮੁੱਦੇ ਦਾ ਸ਼ਿਕਾਰ ਹੈ। ਪਿਛਲੀਆਂ ਵਿਧੀਆਂ ਵਿੱਚ ਆਮ ਬੁੱਧੀ ਸਥਾਨਕ ਪਰਿਵਰਤਨ ਅੰਤਰਾਂ ਤੇ ਇੱਕ l2-ਨੌਰਮ ਨਿਯਮਿਤ ਕਰਨਾ ਹੈ. ਹਾਲਾਂਕਿ, l2-ਨੌਰਮ ਰੈਗੂਲਰਾਈਜ਼ੇਸ਼ਨ ਹੱਲ ਨੂੰ ਭਾਰੀ-ਪੂਛ ਵਾਲੇ ਵਿਤਰਣ ਦੇ ਨਾਲ ਆਉਟਲਿਅਰਜ਼ ਅਤੇ ਸ਼ੋਰ ਵੱਲ ਝੁਕਾਉਂਦੀ ਹੈ, ਜੋ ਕਿ ਪਰਿਵਰਤਨ ਅੰਤਰਾਂ ਤੇ ਗੌਸੀਅਨ ਵਿਤਰਣ ਦੀ ਮਾੜੀ ਭਲਾਈ-ਫਿੱਟ ਦੁਆਰਾ ਪ੍ਰਮਾਣਿਤ ਹੈ। ਇਸ ਦੇ ਉਲਟ, ਲੈਪਲੇਸੀਅਨ ਵੰਡ ਪਰਿਵਰਤਨ ਦੇ ਅੰਤਰਾਂ ਨਾਲ ਚੰਗੀ ਤਰ੍ਹਾਂ ਫਿੱਟ ਬੈਠਦੀ ਹੈ, ਜੋ ਕਿ ਇੱਕ ਸਪਾਰਸਟੀ ਪ੍ਰੀਰੀ ਦੀ ਵਰਤੋਂ ਦਾ ਸੁਝਾਅ ਦਿੰਦੀ ਹੈ। ਅਸੀਂ ਪਰਿਵਰਤਨ ਅਨੁਮਾਨ ਲਈ ਇੱਕ l1-ਨੌਰਮ ਨਿਯਮਤ ਮਾਡਲ ਦੇ ਨਾਲ ਇੱਕ ਖਰਾਬ ਗੈਰ-ਸਖ਼ਤ ਰਜਿਸਟ੍ਰੇਸ਼ਨ (SNR) ਵਿਧੀ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ, ਜੋ ਕਿ ਵਧੇ ਹੋਏ ਲਗਰੇਜਿਅਨ ਫਰੇਮਵਰਕ ਦੇ ਤਹਿਤ ਇੱਕ ਵਿਕਲਪਕ ਦਿਸ਼ਾ ਵਿਧੀ (ਏਡੀਐਮ) ਦੁਆਰਾ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਹੱਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ. ਅਸੀਂ ਮਜ਼ਬੂਤ ਅਤੇ ਪ੍ਰਗਤੀਸ਼ੀਲ ਰਜਿਸਟ੍ਰੇਸ਼ਨ ਲਈ ਬਹੁ-ਰੈਜ਼ੋਲੂਸ਼ਨ ਸਕੀਮ ਵੀ ਤਿਆਰ ਕਰਦੇ ਹਾਂ। ਜਨਤਕ ਡਾਟਾ ਸੈੱਟਾਂ ਅਤੇ ਸਾਡੇ ਸਕੈਨ ਕੀਤੇ ਡਾਟਾ ਸੈੱਟਾਂ ਦੋਵਾਂ ਦੇ ਨਤੀਜੇ ਸਾਡੀ ਵਿਧੀ ਦੀ ਉੱਤਮਤਾ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ, ਖਾਸ ਕਰਕੇ ਵੱਡੇ ਪੈਮਾਨੇ ਦੇ ਵਿਗਾੜਾਂ ਦੇ ਨਾਲ ਨਾਲ ਅਟੱਲ ਅਤੇ ਸ਼ੋਰ ਨੂੰ ਸੰਭਾਲਣ ਵਿੱਚ. |
e36ecd4250fac29cc990330e01c9abee4c67a9d6 | ਇਸ ਪੱਤਰ ਵਿੱਚ ਇੱਕ ਨਾਵਲ ਕਾ-ਬੈਂਡ ਦੋਹਰੀ-ਬੈਂਡ ਦੋਹਰੀ-ਸਰਕੂਲਰ-ਪੋਲਰਾਈਜ਼ਡ ਐਂਟੀਨਾ ਐਰੇ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਹੈ। ਕਾ-ਬੈਂਡ ਡਾਊਨਲਿੰਕ ਫ੍ਰੀਕੁਐਂਸੀਜ਼ ਲਈ ਖੱਬੇ-ਹੱਥ ਚੱਕਰੀ ਧਰੁਵੀਕਰਨ ਅਤੇ ਕਾ-ਬੈਂਡ ਅਪਲਿੰਕ ਫ੍ਰੀਕੁਐਂਸੀਜ਼ ਲਈ ਸੱਜੇ-ਹੱਥ ਚੱਕਰੀ ਧਰੁਵੀਕਰਨ ਦੇ ਨਾਲ ਇੱਕ ਦੋਹਰੀ-ਬੈਂਡ ਐਂਟੀਨਾ ਸੰਖੇਪ ਅੰਨ੍ਹੇ ਰਿੰਗ ਸਲੋਟਾਂ ਨਾਲ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਕ੍ਰਮਵਾਰ ਘੁੰਮਣ ਦੀ ਤਕਨੀਕ ਨੂੰ ਲਾਗੂ ਕਰਕੇ, ਇੱਕ 2 × 2 ਸਬ-ਐਰੇ ਚੰਗੀ ਕਾਰਗੁਜ਼ਾਰੀ ਨਾਲ ਪ੍ਰਾਪਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ. ਇਹ ਪੱਤਰ ਡਿਜ਼ਾਇਨ ਪ੍ਰਕਿਰਿਆ ਦਾ ਵਰਣਨ ਕਰਦਾ ਹੈ ਅਤੇ ਸਿਮੂਲੇਸ਼ਨ ਅਤੇ ਮਾਪ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਪੇਸ਼ ਕਰਦਾ ਹੈ। |
0bb71e91b29cf9739c0e1334f905baad01b663e6 | ਇਸ ਪੇਪਰ ਵਿੱਚ ਐਲਟੀਈ ਨੈਟਵਰਕ ਵਿੱਚ ਤਾਇਨਾਤ ਬੈਟਰੀ ਨਾਲ ਚੱਲਣ ਵਾਲੇ ਉਪਕਰਣਾਂ ਲਈ ਊਰਜਾ ਦੀ ਖਪਤ ਨੂੰ ਘੱਟ ਤੋਂ ਘੱਟ ਕਰਨ ਲਈ ਅਨੁਸੂਚੀ ਅਤੇ ਪ੍ਰਸਾਰਣ ਸ਼ਕਤੀ ਨਿਯੰਤਰਣ ਦੀ ਜਾਂਚ ਕੀਤੀ ਗਈ ਹੈ। ਮਸ਼ੀਨ-ਕਿਸਮ ਦੇ ਗਾਹਕਾਂ ਦੀ ਇੱਕ ਵੱਡੀ ਗਿਣਤੀ ਲਈ ਕੁਸ਼ਲ ਤਹਿ ਕਰਨ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਣ ਲਈ, ਇੱਕ ਨਾਵਲ ਵੰਡਿਆ ਸਕੀਮ ਨੂੰ ਮਸ਼ੀਨ ਨੋਡਾਂ ਨੂੰ ਸਥਾਨਕ ਕਲੱਸਟਰ ਬਣਾਉਣ ਅਤੇ ਕਲੱਸਟਰ-ਹੈਡਾਂ ਰਾਹੀਂ ਬੇਸ-ਸਟੇਸ਼ਨ ਨਾਲ ਸੰਚਾਰ ਕਰਨ ਦੀ ਆਗਿਆ ਦੇਣ ਲਈ ਪ੍ਰਸਤਾਵਿਤ ਕੀਤਾ ਗਿਆ ਹੈ। ਫਿਰ, ਐਲਟੀਈ ਨੈਟਵਰਕ ਵਿੱਚ ਅਪਲਿੰਕ ਸ਼ਡਿਊਲਿੰਗ ਅਤੇ ਪਾਵਰ ਕੰਟਰੋਲ ਪੇਸ਼ ਕੀਤੇ ਜਾਂਦੇ ਹਨ ਅਤੇ ਕਲੱਸਟਰ-ਹੈਡਸ ਅਤੇ ਬੇਸ-ਸਟੇਸ਼ਨ ਦੇ ਵਿਚਕਾਰ ਸੰਚਾਰ ਲਈ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਜੀਵਨ-ਸਮੇਂ ਦੇ ਹੱਲ ਦੀ ਜਾਂਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ. ਸਹੀ ਹੱਲਾਂ ਤੋਂ ਇਲਾਵਾ, ਘੱਟ-ਗੁੰਝਲਦਾਰਤਾ ਵਾਲੇ ਸਬ-ਅਨੁਕੂਲ ਹੱਲ ਇਸ ਕੰਮ ਵਿੱਚ ਪੇਸ਼ ਕੀਤੇ ਗਏ ਹਨ ਜੋ ਬਹੁਤ ਘੱਟ ਗਣਨਾਤਮਕ ਗੁੰਝਲਤਾ ਦੇ ਨਾਲ ਅਨੁਕੂਲ ਪ੍ਰਦਰਸ਼ਨ ਦੇ ਨੇੜੇ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਨ. ਕਾਰਗੁਜ਼ਾਰੀ ਮੁਲਾਂਕਣ ਤੋਂ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ ਪ੍ਰਸਤਾਵਿਤ ਪ੍ਰੋਟੋਕੋਲ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਨੈੱਟਵਰਕ ਦਾ ਜੀਵਨ ਕਾਲ ਕਾਫ਼ੀ ਹੱਦ ਤੱਕ ਵਧਾਇਆ ਜਾਂਦਾ ਹੈ। |
6dc4be33a07c277ee68d42c151b4ee866108281f | ਕੰਪਰੈਸ਼ਨ ਮਾਪਾਂ ਤੋਂ ਕੋਵਾਰੀਐਂਸ ਮੈਟ੍ਰਿਕਸ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣ ਲਈ ਵਿਗਿਆਨ ਅਤੇ ਇੰਜੀਨੀਅਰਿੰਗ ਦੇ ਵੱਖ ਵੱਖ ਖੇਤਰਾਂ ਵਿੱਚ ਹਾਲ ਹੀ ਵਿੱਚ ਕਾਫ਼ੀ ਖੋਜ ਯਤਨ ਕੀਤੇ ਗਏ ਹਨ। ਨਿਰੀਖਣਾਂ ਦੀ ਛੋਟੀ ਗਿਣਤੀ ਦੇ ਕਾਰਨ, ਸਹਿ-ਵਿਰਿਆਇਆਂਕਤਾ ਮੈਟ੍ਰਿਕਸ ਦਾ ਅਨੁਮਾਨ ਇੱਕ ਗੰਭੀਰ ਤੌਰ ਤੇ ਗਲਤ ਸਮੱਸਿਆ ਹੈ। ਇਸ ਨੂੰ ਸਹਿ-ਪਰਿਵਰਤਨ ਮੈਟ੍ਰਿਕਸ ਦੀ ਬਣਤਰ ਬਾਰੇ ਪਹਿਲਾਂ ਦੀ ਜਾਣਕਾਰੀ ਦਾ ਸ਼ੋਸ਼ਣ ਕਰਕੇ ਦੂਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਪੇਪਰ ਸੰਕੁਚਿਤ ਮਾਪਾਂ ਦੇ ਤਹਿਤ ਉੱਚ-ਅਯਾਮੀ ਕੋਵਾਰੀਐਂਸ ਮੈਟ੍ਰਿਕਸ ਅਨੁਮਾਨ ਸਮੱਸਿਆ ਲਈ ਘੁੰਮਣ ਵਾਲੇ ਫਾਰਮੂਲੇਸ਼ਨ ਅਤੇ ਸੰਬੰਧਿਤ ਹੱਲਾਂ ਦੀ ਇੱਕ ਸ਼੍ਰੇਣੀ ਪੇਸ਼ ਕਰਦਾ ਹੈ, ਜੋ ਸਕਾਰਾਤਮਕ ਅਰਧ-ਨਿਸ਼ਚਿਤਤਾ ਤੋਂ ਇਲਾਵਾ, ਹੱਲ ਤੇ ਟੋਪਲਿਟਜ਼, ਸਪਾਰਸਨੇਸ, ਨਲ-ਪੈਟਰਨ, ਘੱਟ ਰੈਂਕ, ਜਾਂ ਘੱਟ ਪਰਮੂਟਡ ਰੈਂਕ structureਾਂਚਾ ਲਗਾਉਂਦਾ ਹੈ. ਅਨੁਕੂਲਤਾ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ, ਅਸੀਂ ਕੋ-ਵਿਰਾਂਪਣ ਨੂੰ ਐਗਮੈਂਟਡ ਲਗਰੇਂਜਿਅਨ ਸੁੰਗੜਨ ਐਲਗੋਰਿਦਮ (ਸੀਓਵੀਏਐਲਐਸਏ) ਦੁਆਰਾ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ, ਜੋ ਸਪਲਿਟ ਐਗਮੈਂਟਡ ਲਗਰੇਂਜਿਅਨ ਸੁੰਗੜਨ ਐਲਗੋਰਿਦਮ (ਐਸਏਐਲਐਸਏ) ਦੀ ਇੱਕ ਉਦਾਹਰਣ ਹੈ। ਅਸੀਂ ਅਤਿ-ਆਧੁਨਿਕ ਐਲਗੋਰਿਥਮ ਦੀ ਤੁਲਨਾ ਵਿੱਚ ਆਪਣੇ ਪਹੁੰਚ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਾਂ। |
05357314fe2da7c2248b03d89b7ab9e358cbf01e | ਸਾਰੇ ਹੱਕ ਰਾਖਵੇਂ ਹਨ। ਇਸ ਕਿਤਾਬ ਦਾ ਕੋਈ ਵੀ ਹਿੱਸਾ ਪ੍ਰਕਾਸ਼ਕ ਦੀ ਲਿਖਤੀ ਇਜਾਜ਼ਤ ਤੋਂ ਬਿਨਾਂ ਕਿਸੇ ਵੀ ਰੂਪ ਵਿੱਚ ਕਿਸੇ ਵੀ ਇਲੈਕਟ੍ਰਾਨਿਕ ਜਾਂ ਮਕੈਨੀਕਲ ਸਾਧਨਾਂ (ਫੋਟੋਕਾਪੀ, ਰਿਕਾਰਡਿੰਗ, ਜਾਂ ਜਾਣਕਾਰੀ ਸਟੋਰੇਜ ਅਤੇ ਰਿਕਵਰੀ ਸਮੇਤ) ਦੁਆਰਾ ਦੁਬਾਰਾ ਨਹੀਂ ਬਣਾਇਆ ਜਾ ਸਕਦਾ। |
06d0a9697a0f0242dbdeeff08ec5266b74bfe457 | ਅਸੀਂ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਦੇ ਰੁੱਖਾਂ ਦੇ ਢਾਂਚੇ ਲਈ ਇੱਕ ਨਵਾਂ ਜਨਰੇਟਿਵ ਮਾਡਲ ਪੇਸ਼ ਕੀਤਾ ਹੈ ਜਿਸ ਵਿੱਚ ਅਰਥਿਕ (ਲੇਕਸੀਕਲ ਨਿਰਭਰਤਾ) ਅਤੇ ਸੰਟੈਕਸਿਕ ਢਾਂਚੇ ਨੂੰ ਵੱਖਰੇ ਮਾਡਲਾਂ ਨਾਲ ਸਕੋਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇਹ ਕਾਰਕਧਾਰਣ ਸੰਕਲਪਿਕ ਸਰਲਤਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਕੰਪੋਨੈਂਟ ਮਾਡਲਾਂ ਨੂੰ ਵੱਖਰੇ ਤੌਰ ਤੇ ਸੁਧਾਰਨ ਲਈ ਸਿੱਧੇ ਮੌਕੇ, ਅਤੇ ਸਮਾਨ, ਗੈਰ-ਕਾਰਕਧਾਰਣ ਮਾਡਲਾਂ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਦੇ ਪੱਧਰ ਦੇ ਨੇੜੇ ਪਹਿਲਾਂ ਹੀ. ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਗੱਲ ਇਹ ਹੈ ਕਿ, ਹੋਰ ਆਧੁਨਿਕ ਪਾਰਸਿੰਗ ਮਾਡਲਾਂ ਦੇ ਉਲਟ, ਕਾਰਕਧਾਰਣ ਮਾਡਲ ਇੱਕ ਬਹੁਤ ਹੀ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਪਾਰਸਿੰਗ ਐਲਗੋਰਿਥਮ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦਾ ਹੈ, ਜੋ ਇੱਕ ਕੁਸ਼ਲ, ਸਹੀ ਅਨੁਮਾਨ ਨੂੰ ਸੰਭਵ ਬਣਾਉਂਦਾ ਹੈ। |
8f76334bd276a2b92bd79203774f292318f42dc6 | ਇਹ ਪੇਪਰ ਇੱਕ L-ਆਕਾਰ ਦੀ ਸੂਂਡ ਦੁਆਰਾ ਸੰਚਾਲਿਤ ਇੱਕ ਚੱਕਰੀ ਰਿੰਗ ਐਂਟੀਨਾ ਨਾਲ ਸੰਬੰਧਿਤ ਹੈ। 50 ਓਮੇਗਾ ਕੋਐਸ਼ੀਅਲ ਕੇਬਲ ਨਾਲ ਮੇਲ ਖਾਂਦੀ ਬ੍ਰੌਡਬੈਂਡ ਲਈ ਡਿਜ਼ਾਇਨ ਪ੍ਰਕਿਰਿਆ ਅਤੇ ਧੁਰੇ ਦੇ ਅਨੁਪਾਤ ਅਤੇ ਲਾਭ ਵਿੱਚ ਐਂਟੀਨਾ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਪੇਸ਼ ਕੀਤੀ ਗਈ ਹੈ। ਇਸ ਪੇਪਰ ਦੇ ਸਿਮੂਲੇਸ਼ਨ ਨਤੀਜੇ Ansoft HFSS 9.2 ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪ੍ਰਾਪਤ ਕੀਤੇ ਗਏ ਸਨ |
41c987b8a7e916d56fed2ea7311397e0f2286f3b | ਰਵਾਇਤੀ ਪਹੁੰਚਾਂ ਦੇ ਉਲਟ ਜੋ ਨੈਟਵਰਕ ਪੱਧਰ ਤੇ ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ ਤੇ ਕੇਂਦ੍ਰਤ ਕਰਦੇ ਹਨ, ਇਸ ਕੰਮ ਵਿਚ ਅਸੀਂ ਟੈਂਸਰ ਪੱਧਰ ਤੇ ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ ਪ੍ਰਭਾਵ ਨੂੰ ਘੱਟ ਤੋਂ ਘੱਟ ਕਰਨ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ. ਅਸੀਂ ਘੱਟ ਸ਼ੁੱਧਤਾ ਵਾਲੇ ਨੈਟਵਰਕਾਂ ਵਿੱਚ ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ ਸ਼ੋਰ ਅਤੇ ਕੱਟਣ ਦੇ ਵਿਗਾੜ ਦੇ ਵਿਚਕਾਰ ਵਪਾਰ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦੇ ਹਾਂ। ਅਸੀਂ ਵੱਖ ਵੱਖ ਟੈਂਸਰ ਦੇ ਅੰਕੜਿਆਂ ਦੀ ਪਛਾਣ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਕੱਟਣ ਕਾਰਨ ਮੀਨ-ਸਕਵੇਅਰ-ਗਲਤੀ ਦੇ ਪਤਨ ਲਈ ਸਹੀ ਸਮੀਕਰਨ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਾਂ. ਇਹਨਾਂ ਸਮੀਕਰਨਾਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾ ਕੇ, ਅਸੀਂ ਮਿਆਰੀ ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ ਸਕੀਮਾਂ ਵਿੱਚ ਜ਼ਿਕਰਯੋਗ ਸੁਧਾਰ ਦਿਖਾਉਂਦੇ ਹਾਂ ਜੋ ਆਮ ਤੌਰ ਤੇ ਕੱਟਣ ਤੋਂ ਬਚਦੇ ਹਨ. ਉਦਾਹਰਣ ਦੇ ਲਈ, ਸਿਰਫ ਸਹੀ ਕੱਟਣ ਦੇ ਮੁੱਲਾਂ ਦੀ ਚੋਣ ਕਰਕੇ, VGG16-BN ਦੇ ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ ਲਈ 4-ਬਿੱਟ ਦੀ ਸ਼ੁੱਧਤਾ ਲਈ 40% ਤੋਂ ਵੱਧ ਸ਼ੁੱਧਤਾ ਸੁਧਾਰ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ. ਸਾਡੇ ਨਤੀਜਿਆਂ ਵਿੱਚ ਸਿਖਲਾਈ ਅਤੇ ਅਨੁਮਾਨ ਸਮੇਂ ਦੋਵਾਂ ਵਿੱਚ ਨਯੂਰਲ ਨੈਟਵਰਕ ਦੇ ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ ਲਈ ਬਹੁਤ ਸਾਰੇ ਉਪਯੋਗ ਹਨ। ਇੱਕ ਤੁਰੰਤ ਐਪਲੀਕੇਸ਼ਨ ਨਯੂਰਲ ਨੈਟਵਰਕ ਨੂੰ ਘੱਟ-ਸੁਧਾਈ ਐਕਸਲੇਟਰਾਂ ਲਈ ਤੇਜ਼ੀ ਨਾਲ ਤਾਇਨਾਤ ਕਰਨ ਲਈ ਹੈ, ਬਿਨਾਂ ਸਮੇਂ ਦੀ ਖਪਤ ਵਾਲੇ ਫਾਈਨ ਟਿਊਨਿੰਗ ਜਾਂ ਪੂਰੇ ਡੇਟਾ ਸੈੱਟਾਂ ਦੀ ਉਪਲਬਧਤਾ ਦੇ। |
1bde4205a9f1395390c451a37f9014c8bea32a8a | ਰੇਂਜ ਚਿੱਤਰਾਂ ਵਿੱਚ ਪੁੱਛੇ ਗਏ ਵਸਤੂਆਂ ਨੂੰ ਪਛਾਣਨਾ ਅਤੇ ਸਥਾਪਤ ਕਰਨਾ ਰੋਬੋਟਿਕ ਹੇਰਾਫੇਰੀ ਅਤੇ ਨੈਵੀਗੇਸ਼ਨ ਲਈ ਮਹੱਤਵਪੂਰਣ ਭੂਮਿਕਾ ਅਦਾ ਕਰਦਾ ਹੈ। ਭਾਵੇਂ ਇਸ ਦਾ ਲਗਾਤਾਰ ਅਧਿਐਨ ਕੀਤਾ ਗਿਆ ਹੈ, ਫਿਰ ਵੀ ਇਹ ਦ੍ਰਿਸ਼ਾਂ ਲਈ ਇੱਕ ਚੁਣੌਤੀਪੂਰਨ ਕੰਮ ਹੈ ਜਿਸ ਵਿੱਚ ਰੁਕਾਵਟ ਅਤੇ ਅਸ਼ੁੱਧਤਾ ਹੈ। |
242caa8e04b73f56a8d4adae36028cc176364540 | ਅਸੀਂ ਵੋਟਿੰਗ ਅਧਾਰਤ ਪੋਜ਼ ਅਨੁਮਾਨ ਐਲਗੋਰਿਦਮ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ ਜੋ 3 ਡੀ ਸੈਂਸਰਾਂ ਤੇ ਲਾਗੂ ਹੁੰਦਾ ਹੈ, ਜੋ ਬਹੁਤ ਸਾਰੇ ਰੋਬੋਟਿਕਸ, ਕੰਪਿ computerਟਰ ਵਿਜ਼ਨ ਅਤੇ ਗੇਮਿੰਗ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ ਆਪਣੇ 2 ਡੀ ਹਮਰੁਤਬਾ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਬਦਲ ਰਹੇ ਹਨ. ਹਾਲ ਹੀ ਵਿੱਚ ਇਹ ਦਿਖਾਇਆ ਗਿਆ ਹੈ ਕਿ ਵੋਟਿੰਗ ਫਰੇਮਵਰਕ ਵਿੱਚ ਇੱਕ ਓਰੀਐਂਟਿਡ 3 ਡੀ ਪੁਆਇੰਟ, ਜੋ ਕਿ ਨਾਰਮਲ ਦੇ ਨਾਲ ਆਬਜੈਕਟ ਸਤਹ ਤੇ ਪੁਆਇੰਟ ਹਨ, ਤੇਜ਼ ਅਤੇ ਮਜ਼ਬੂਤ ਪੋਜ਼ ਅਨੁਮਾਨ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦੇ ਹਨ। ਹਾਲਾਂਕਿ ਓਰੀਐਂਟਿਡ ਸਤਹ ਦੇ ਬਿੰਦੂ ਕਾਫ਼ੀ ਕਰਵਚਰ ਤਬਦੀਲੀਆਂ ਵਾਲੀਆਂ ਵਸਤੂਆਂ ਲਈ ਵਿਤਕਰਾਤਮਕ ਹੁੰਦੇ ਹਨ, ਪਰ ਉਹ ਬਹੁਤ ਸਾਰੇ ਉਦਯੋਗਿਕ ਅਤੇ ਅਸਲ-ਵਿਸ਼ਵ ਦੀਆਂ ਵਸਤੂਆਂ ਲਈ ਸੰਖੇਪ ਅਤੇ ਵਿਤਕਰਾਤਮਕ ਨਹੀਂ ਹੁੰਦੇ ਜੋ ਜਿਆਦਾਤਰ ਸਮਤਲ ਹੁੰਦੇ ਹਨ. ਜਿਵੇਂ ਕਿ ਕਿਨਾਰੇ 2 ਡੀ ਰਜਿਸਟ੍ਰੇਸ਼ਨ ਵਿੱਚ ਮੁੱਖ ਭੂਮਿਕਾ ਨਿਭਾਉਂਦੇ ਹਨ, ਡੂੰਘਾਈ ਦੀਆਂ ਅਸਥਿਰਤਾਵਾਂ 3 ਡੀ ਵਿੱਚ ਮਹੱਤਵਪੂਰਣ ਹਨ. ਇਸ ਪੇਪਰ ਵਿੱਚ, ਅਸੀਂ ਪੋਜ ਅਨੁਮਾਨ ਐਲਗੋਰਿਥਮ ਦੇ ਇੱਕ ਪਰਿਵਾਰ ਦੀ ਜਾਂਚ ਅਤੇ ਵਿਕਾਸ ਕਰਦੇ ਹਾਂ ਜੋ ਇਸ ਸੀਮਾ ਜਾਣਕਾਰੀ ਦਾ ਬਿਹਤਰ ਸ਼ੋਸ਼ਣ ਕਰਦੇ ਹਨ। ਓਰੀਐਂਟਿਡ ਸਤਹ ਪੁਆਇੰਟਾਂ ਤੋਂ ਇਲਾਵਾ, ਅਸੀਂ ਦੋ ਹੋਰ ਪ੍ਰਾਚੀਨ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂਃ ਦਿਸ਼ਾਵਾਂ ਅਤੇ ਸੀਮਾ ਲਾਈਨ ਹਿੱਸੇ ਦੇ ਨਾਲ ਸੀਮਾ ਬਿੰਦੂ. ਸਾਡੇ ਪ੍ਰਯੋਗਾਂ ਤੋਂ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ ਇਹ ਧਿਆਨ ਨਾਲ ਚੁਣੇ ਗਏ ਪ੍ਰਾਇਮਿਟਿਵ ਵਧੇਰੇ ਜਾਣਕਾਰੀ ਨੂੰ ਸੰਖੇਪ ਰੂਪ ਵਿੱਚ ਏਨਕੋਡ ਕਰਦੇ ਹਨ ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ ਉਦਯੋਗਿਕ ਹਿੱਸਿਆਂ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ ਲਈ ਉੱਚ ਸ਼ੁੱਧਤਾ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ ਅਤੇ ਤੇਜ਼ ਗਣਨਾ ਨੂੰ ਸਮਰੱਥ ਕਰਦੇ ਹਨ। ਅਸੀਂ ਪ੍ਰਸਤਾਵਿਤ ਐਲਗੋਰਿਥਮ ਅਤੇ 3 ਡੀ ਸੈਂਸਰ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਇੱਕ ਵਿਹਾਰਕ ਰੋਬੋਟਿਕ ਕੂੜਾ-ਕਰਕਟ-ਚੋਣ ਪ੍ਰਣਾਲੀ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੇ ਹਾਂ। |
5df318e4aac5313124571ecc7e186cba9e84a264 | ਅਧਿਕਾਰਤ ਮੋਬਾਈਲ ਐਪ ਮਾਰਕੀਟ ਵਿੱਚ ਲਗਾਤਾਰ ਵੱਧ ਰਹੇ ਮਾਲਵੇਅਰ ਘੁਸਪੈਠਾਂ ਦੀ ਗਿਣਤੀ ਅੰਤਿਮ ਉਪਭੋਗਤਾਵਾਂ ਦੀ ਨਿੱਜੀ ਅਤੇ ਸੰਵੇਦਨਸ਼ੀਲ ਜਾਣਕਾਰੀ ਦੀ ਗੁਪਤਤਾ ਅਤੇ ਗੋਪਨੀਯਤਾ ਲਈ ਇੱਕ ਉੱਚ ਸੁਰੱਖਿਆ ਖਤਰਾ ਹੈ। ਅਕਾਦਮਿਕ ਅਤੇ ਉਦਯੋਗਿਕ ਖੇਤਰ ਵਿੱਚ ਸੁਰੱਖਿਆ ਖੋਜੀਆਂ/ਇੰਜੀਨੀਅਰਾਂ ਲਈ ਅੰਤਿਮ ਉਪਭੋਗਤਾ ਉਪਕਰਣਾਂ ਨੂੰ ਵਿਰੋਧੀ ਐਪਸ ਦੇ ਸ਼ਿਕਾਰ ਹੋਣ ਤੋਂ ਬਚਾਉਣਾ ਇੱਕ ਤਕਨੀਕੀ ਅਤੇ ਖੋਜ ਚੁਣੌਤੀ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਐਪ ਮਾਰਕੀਟ ਵਿੱਚ ਤਾਇਨਾਤ ਸੁਰੱਖਿਆ ਅਭਿਆਸਾਂ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਜਾਂਚਾਂ ਦੇ ਬਾਵਜੂਦ, ਮਾਲਵੇਅਰ ਸੁਰੱਖਿਆ ਦੁਆਰਾ ਘੁਸਪੈਠ ਕਰਦਾ ਹੈ ਅਤੇ ਉਪਭੋਗਤਾ ਉਪਕਰਣਾਂ ਨੂੰ ਸੰਕਰਮਿਤ ਕਰਦਾ ਹੈ। ਮਾਲਵੇਅਰ ਦੇ ਵਿਕਾਸ ਨੇ ਇਸ ਨੂੰ ਸੂਝਵਾਨ ਅਤੇ ਗਤੀਸ਼ੀਲ ਰੂਪ ਵਿੱਚ ਬਦਲਦੇ ਸਾੱਫਟਵੇਅਰ ਵਜੋਂ ਵੇਖਿਆ ਹੈ ਜੋ ਆਮ ਤੌਰ ਤੇ ਜਾਇਜ਼ ਐਪਸ ਦੇ ਰੂਪ ਵਿੱਚ ਭੇਸਿਆ ਜਾਂਦਾ ਹੈ। ਬਹੁਤ ਹੀ ਉੱਨਤ ਭਟਕਣ ਵਾਲੀਆਂ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ, ਜਿਵੇਂ ਕਿ ਏਨਕ੍ਰਿਪਟਡ ਕੋਡ, ਓਫਸਕੇਸ਼ਨ ਅਤੇ ਡਾਇਨਾਮਿਕ ਕੋਡ ਅਪਡੇਟਸ, ਆਦਿ, ਨੋਵਲ ਮਾਲਵੇਅਰ ਵਿੱਚ ਪਾਏ ਜਾਣ ਵਾਲੇ ਆਮ ਅਭਿਆਸ ਹਨ। ਡਾਇਨਾਮਿਕ ਕੋਡ ਅਪਡੇਟਸ ਦੀ ਭਟਕਣ ਵਾਲੀ ਵਰਤੋਂ ਨਾਲ, ਇੱਕ ਮਾਲਵੇਅਰ ਇੱਕ ਨਿਰਦੋਸ਼ ਐਪ ਦਾ ਵਿਖਾਵਾ ਕਰਕੇ ਵਿਸ਼ਲੇਸ਼ਣ ਜਾਂਚਾਂ ਨੂੰ ਬਾਈਪਾਸ ਕਰਦਾ ਹੈ ਅਤੇ ਉਪਭੋਗਤਾ ਦੇ ਉਪਕਰਣ ਤੇ ਸਥਾਪਤ ਹੋਣ ਤੇ ਹੀ ਇਸਦੀ ਖਤਰਨਾਕ ਕਾਰਜਸ਼ੀਲਤਾ ਦਾ ਖੁਲਾਸਾ ਕਰਦਾ ਹੈ। ਇਹ ਖੋਜ ਪੱਤਰ ਐਂਡਰਾਇਡ ਐਪਸ ਵਿੱਚ ਡਾਇਨਾਮਿਕ ਕੋਡ ਅਪਡੇਟਸ ਦੀ ਵਰਤੋਂ ਅਤੇ ਵਰਤੋਂ ਦੇ ਤਰੀਕੇ ਬਾਰੇ ਇੱਕ ਚੰਗੀ ਤਰ੍ਹਾਂ ਅਧਿਐਨ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਅਸੀਂ ਇੱਕ ਹਾਈਬ੍ਰਿਡ ਵਿਸ਼ਲੇਸ਼ਣ ਪਹੁੰਚ, ਸਟੈਡਾਰਟ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ, ਜੋ ਕਿ ਗਤੀਸ਼ੀਲ ਕੋਡ ਅਪਡੇਟਾਂ ਦੀ ਮੌਜੂਦਗੀ ਵਿੱਚ ਐਪਸ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਸਥਿਰ ਵਿਸ਼ਲੇਸ਼ਣ ਤਕਨੀਕਾਂ ਦੀਆਂ ਅੰਦਰੂਨੀ ਕਮੀਆਂ ਨੂੰ ਕਵਰ ਕਰਨ ਲਈ ਸਥਿਰ ਅਤੇ ਗਤੀਸ਼ੀਲ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਜੋੜਦਾ ਹੈ। ਅਸਲੀ ਦੁਨੀਆਂ ਦੀਆਂ ਐਪਸ ਤੇ ਸਾਡੇ ਮੁਲਾਂਕਣ ਦੇ ਨਤੀਜੇ ਸਟੈਡਾਰਟ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ। ਹਾਲਾਂਕਿ, ਆਮ ਤੌਰ ਤੇ ਗਤੀਸ਼ੀਲ ਵਿਸ਼ਲੇਸ਼ਣ, ਅਤੇ ਇਸ ਮਾਮਲੇ ਲਈ ਹਾਈਬ੍ਰਿਡ ਵਿਸ਼ਲੇਸ਼ਣ ਵੀ, ਐਪ ਦੇ ਵਿਵਹਾਰ ਨੂੰ ਉਤੇਜਿਤ ਕਰਨ ਦੀ ਸਮੱਸਿਆ ਲਿਆਉਂਦਾ ਹੈ ਜੋ ਸਵੈਚਾਲਿਤ ਵਿਸ਼ਲੇਸ਼ਣ ਸਾਧਨਾਂ ਲਈ ਇੱਕ ਗੈਰ-ਤਿੱਖੀ ਚੁਣੌਤੀ ਹੈ. ਇਸ ਉਦੇਸ਼ ਲਈ, ਅਸੀਂ ਇੱਕ ਬੈਕਵਰਡ ਸਲਾਈਸਿੰਗ ਅਧਾਰਿਤ ਟਾਰਗੇਟਡ ਇੰਟਰ ਕੰਪੋਨੈਂਟ ਕੋਡ ਪਾਥ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਤਕਨੀਕ, ਟੀਆਈਸੀਸੀ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ। TeICC ਐਪ ਵਿੱਚ ਇੱਕ ਟੀਚੇ ਦੇ ਬਿੰਦੂ ਤੋਂ ਸ਼ੁਰੂ ਹੋਣ ਵਾਲੇ ਕੋਡ ਮਾਰਗਾਂ ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰਨ ਲਈ ਇੱਕ ਬੈਕਵਰਡ ਸਲਾਈਸਿੰਗ ਵਿਧੀ ਦਾ ਲਾਭ ਲੈਂਦਾ ਹੈ। ਇਹ ਕੋਡ ਮਾਰਗਾਂ ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰਨ ਲਈ ਸਿਸਟਮ ਨਿਰਭਰਤਾ ਗ੍ਰਾਫ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਇੰਟਰ ਕੰਪੋਨੈਂਟ ਸੰਚਾਰ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ। ਕੱਢੇ ਗਏ ਕੋਡ ਮਾਰਗਾਂ ਨੂੰ ਫਿਰ ਸੰਵੇਦਨਸ਼ੀਲ ਗਤੀਸ਼ੀਲ ਵਿਵਹਾਰ ਨੂੰ ਹਾਸਲ ਕਰਨ, ਗਤੀਸ਼ੀਲ ਕੋਡ ਅਪਡੇਟਸ ਅਤੇ ਓਫਸਕੇਸ਼ਨ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਐਪ ਦੇ ਸੰਦਰਭ ਦੇ ਅੰਦਰ ਇੰਸਟ੍ਰੂਮੈਂਟਡ ਅਤੇ ਚਲਾਇਆ ਜਾਂਦਾ ਹੈ. TeICC ਦੇ ਸਾਡੇ ਮੁਲਾਂਕਣ ਤੋਂ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ ਇਸ ਨੂੰ ਅਸਰਦਾਰ ਤਰੀਕੇ ਨਾਲ ਐਂਡਰਾਇਡ ਐਪਸ ਵਿੱਚ ਇੰਟਰ ਕੰਪੋਨੈਂਟ ਕੋਡ ਮਾਰਗਾਂ ਦੇ ਨਿਸ਼ਾਨਾ ਬਣਾਏ ਕਾਰਜ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਸ ਦੇ ਨਾਲ, ਅਜੇ ਵੀ ਵਿਰੋਧੀ ਉਪਭੋਗੀ ਜੰਤਰ ਤੱਕ ਪਹੁੰਚਣ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਬਾਹਰ ਨਾ, ਸਾਨੂੰ ਇੱਕ ਤੇ-ਫੋਨ API ਨੂੰ hooking ਦਾ ਪ੍ਰਸਤਾਵ |
5ed4b57999d2a6c28c66341179e2888c9ca96a25 | ਇਸ ਲੇਖ ਵਿੱਚ, ਅਸੀਂ ਏਜੰਟਾਂ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਦੇ ਟੀਚੇ ਵੱਲ ਕੰਮ ਕਰਦੇ ਹਾਂ ਜੋ ਗੁੰਝਲਦਾਰ ਸੰਸਾਰਾਂ ਵਿੱਚ ਕੰਮ ਕਰਨਾ ਸਿੱਖ ਸਕਦੇ ਹਨ। ਅਸੀਂ ਇੱਕ ਸੰਭਾਵਨਾਵਾਦੀ, ਰਿਲੇਸ਼ਨਲ ਯੋਜਨਾਬੰਦੀ ਨਿਯਮ ਪ੍ਰਤੀਨਿਧਤਾ ਵਿਕਸਿਤ ਕਰਦੇ ਹਾਂ ਜੋ ਸੰਖੇਪ ਰੂਪ ਵਿੱਚ ਨੋਡੈਟਰਮਿਨਿਸਟਿਕ ਐਕਸ਼ਨ ਪ੍ਰਭਾਵਾਂ ਦੇ ਮਾਡਲਾਂ ਨੂੰ ਸੰਖੇਪ ਰੂਪ ਵਿੱਚ ਦਰਸਾਉਂਦਾ ਹੈ, ਅਤੇ ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਅਜਿਹੇ ਨਿਯਮਾਂ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ learnੰਗ ਨਾਲ ਕਿਵੇਂ ਸਿੱਖਿਆ ਜਾ ਸਕਦਾ ਹੈ. ਸਧਾਰਨ ਯੋਜਨਾਬੰਦੀ ਦੇ ਖੇਤਰਾਂ ਵਿੱਚ ਪ੍ਰਯੋਗਾਂ ਅਤੇ ਇੱਕ 3D ਸਿਮੂਲੇਟ ਬਲਾਕ ਸੰਸਾਰ ਵਿੱਚ ਯਥਾਰਥਵਾਦੀ ਭੌਤਿਕ ਵਿਗਿਆਨ ਦੇ ਨਾਲ, ਅਸੀਂ ਦਿਖਾਉਂਦੇ ਹਾਂ ਕਿ ਇਹ ਸਿੱਖਣ ਵਾਲਾ ਐਲਗੋਰਿਥਮ ਏਜੰਟਾਂ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਵਿਸ਼ਵ ਗਤੀਸ਼ੀਲਤਾ ਦਾ ਮਾਡਲ ਬਣਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। |
55c769b5829ca88ba940e0050497f4956c233445 | ਵਿਜ਼ੂਅਲ ਓਡੋਮੀਟਰ ਨੂੰ ਡੂੰਘਾਈ ਜਾਣਕਾਰੀ ਦੁਆਰਾ ਵਧਾਇਆ ਜਾ ਸਕਦਾ ਹੈ ਜਿਵੇਂ ਕਿ ਆਰਜੀਬੀ-ਡੀ ਕੈਮਰੇ ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜਾਂ ਕੈਮਰੇ ਨਾਲ ਜੁੜੇ ਲੀਡਾਰਾਂ ਤੋਂ. ਹਾਲਾਂਕਿ, ਅਜਿਹੀ ਡੂੰਘਾਈ ਜਾਣਕਾਰੀ ਨੂੰ ਸੈਂਸਰਾਂ ਦੁਆਰਾ ਸੀਮਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਵਿਜ਼ੂਅਲ ਚਿੱਤਰਾਂ ਵਿੱਚ ਵੱਡੇ ਖੇਤਰ ਛੱਡਦੇ ਹੋਏ ਜਿੱਥੇ ਡੂੰਘਾਈ ਉਪਲਬਧ ਨਹੀਂ ਹੁੰਦੀ. ਇੱਥੇ, ਅਸੀਂ ਕੈਮਰਾ ਮੋਸ਼ਨ ਦੀ ਰਿਕਵਰੀ ਵਿੱਚ ਡੂੰਘਾਈ ਦੀ ਵਰਤੋਂ ਕਰਨ ਲਈ ਇੱਕ ਵਿਧੀ ਦਾ ਪ੍ਰਸਤਾਵ ਕਰਦੇ ਹਾਂ, ਭਾਵੇਂ ਕਿ ਬਹੁਤ ਘੱਟ ਉਪਲਬਧ ਹੋਵੇ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਵਿਧੀ ਪਹਿਲਾਂ ਤੋਂ ਅੰਦਾਜ਼ਨ ਗਤੀ ਦੀ ਵਰਤੋਂ ਕਰਦਿਆਂ ਗਤੀ ਤੋਂ ਬਣਤਰ ਦੁਆਰਾ ਡੂੰਘਾਈ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ, ਅਤੇ ਮਹੱਤਵਪੂਰਣ ਵਿਜ਼ੂਅਲ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਜਿਨ੍ਹਾਂ ਲਈ ਡੂੰਘਾਈ ਉਪਲਬਧ ਨਹੀਂ ਹੈ. ਇਸ ਲਈ, ਇਹ ਵਿਧੀ ਵੱਡੇ ਪੈਮਾਨੇ ਤੇ ਆਰਜੀਬੀਡੀ ਵਿਜ਼ੂਅਲ ਓਡੋਮੀਟਰਰੀ ਨੂੰ ਵਧਾਉਣ ਦੇ ਯੋਗ ਹੈ, ਖੁੱਲੇ ਵਾਤਾਵਰਣ ਜਿੱਥੇ ਡੂੰਘਾਈ ਅਕਸਰ ਕਾਫ਼ੀ ਪ੍ਰਾਪਤ ਨਹੀਂ ਕੀਤੀ ਜਾ ਸਕਦੀ. ਸਾਡੀ ਵਿਧੀ ਦਾ ਮੁੱਖ ਹਿੱਸਾ ਇੱਕ ਬੰਡਲ ਐਡਜਸਟਮੈਂਟ ਕਦਮ ਹੈ ਜੋ ਕਿ ਬੈਚ ਅਨੁਕੂਲਤਾ ਵਿੱਚ ਚਿੱਤਰਾਂ ਦੇ ਕ੍ਰਮ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰਕੇ ਸਮਾਨਾਂਤਰ ਰੂਪ ਵਿੱਚ ਅੰਦੋਲਨ ਦੇ ਅਨੁਮਾਨਾਂ ਨੂੰ ਸੁਧਾਰਦਾ ਹੈ। ਅਸੀਂ ਆਪਣੀ ਵਿਧੀ ਦਾ ਤਿੰਨ ਸੈਂਸਰ ਸੈਟਅੱਪ ਵਿੱਚ ਮੁਲਾਂਕਣ ਕੀਤਾ ਹੈ, ਇੱਕ ਆਰਜੀਬੀ-ਡੀ ਕੈਮਰਾ ਵਰਤ ਕੇ, ਅਤੇ ਦੋ ਕੈਮਰਾ ਅਤੇ 3 ਡੀ ਲੀਡਰ ਦੇ ਸੰਜੋਗਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ। ਸਾਡੀ ਵਿਧੀ ਨੂੰ ਕਿੱਟੀ ਓਡੋਮੀਟਰਰੀ ਬੈਂਚਮਾਰਕ ਤੇ ਨੰਬਰ 4 ਦਾ ਦਰਜਾ ਦਿੱਤਾ ਗਿਆ ਹੈ, ਜੋ ਕਿ ਸਟੀਰੀਓ ਵਿਜ਼ੂਅਲ ਓਡੋਮੀਟਰਰੀ ਵਿਧੀਆਂ ਦੀ ਤੁਲਨਾ ਵਿਚ ਹੈ ਜੋ ਤਿਕੋਣ ਦੁਆਰਾ ਡੂੰਘਾਈ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ। ਨਤੀਜੇ ਵਜੋਂ ਔਸਤ ਸਥਿਤੀ ਗਲਤੀ 1.14% ਹੈ। |
0c668ee24d58ecca165f788d40765e79ed615471 | |
9cccd211c9208f790d71fa5b3499d8f827744aa0 | ਵਿਭਿੰਨ ਵਿਦਿਅਕ-ਅਧਾਰਿਤ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਵਿਦਿਅਕ ਡਾਟਾ ਮਾਈਨਿੰਗ ਦੁਆਰਾ ਹੱਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜੋ ਕਿ ਡਾਟਾ ਮਾਈਨਿੰਗ ਦਾ ਸਭ ਤੋਂ ਪ੍ਰਚਲਿਤ ਕਾਰਜ ਹੈ। ਇਸ ਪੇਪਰ ਦਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਟੀਚਾ ਈਡੀਐਮ ਉੱਤੇ ਕੀਤੇ ਗਏ ਸਭ ਤੋਂ ਤਾਜ਼ਾ ਕੰਮਾਂ ਦਾ ਅਧਿਐਨ ਕਰਨਾ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਫ਼ਾਇਦੇ ਅਤੇ ਨੁਕਸਾਨਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ ਹੈ। ਇਸ ਪੇਪਰ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਡੇਟਾ ਮਾਈਨਿੰਗ ਪ੍ਰਥਾਵਾਂ ਅਤੇ ਤਕਨੀਕਾਂ ਦੇ ਸੰਚਤ ਨਤੀਜਿਆਂ ਨੂੰ ਵੀ ਉਜਾਗਰ ਕੀਤਾ ਗਿਆ ਹੈ ਜੋ ਸਰਵੇਖਣ ਕੀਤੇ ਲੇਖਾਂ ਵਿੱਚ ਲਾਗੂ ਕੀਤੇ ਗਏ ਹਨ, ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਈਡੀਐਮ ਦੇ ਭਵਿੱਖ ਦੇ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ਾਂ ਬਾਰੇ ਸੁਝਾਅ ਦਿੰਦੇ ਹਨ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਭਵਿੱਖ ਦੀਆਂ ਖੋਜਾਂ ਲਈ ਸਭ ਤੋਂ ਭਰੋਸੇਮੰਦ ਐਲਗੋਰਿਥਮ ਦਾ ਪਾਲਣ ਕਰਨ ਲਈ ਕੁਝ ਵਰਗੀਕਰਣ ਅਤੇ ਕਲੱਸਟਰਿੰਗ ਐਲਗੋਰਿਥਮ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਇੱਕ ਪ੍ਰਯੋਗ ਵੀ ਕੀਤਾ ਗਿਆ ਸੀ। |
197a7fc2f8d57d93727b348851b59b34ce990afd | ਐਸਆਰਆਈਐਲਐਮ ਸੀ ++ ਲਾਇਬ੍ਰੇਰੀਆਂ, ਕਾਰਜਸ਼ੀਲ ਪ੍ਰੋਗਰਾਮਾਂ ਅਤੇ ਸਹਾਇਕ ਸਕ੍ਰਿਪਟਾਂ ਦਾ ਸੰਗ੍ਰਹਿ ਹੈ ਜੋ ਭਾਸ਼ਣ ਮਾਨਤਾ ਅਤੇ ਹੋਰ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਅੰਕੜਾ ਭਾਸ਼ਾ ਦੇ ਮਾਡਲਾਂ ਦੇ ਉਤਪਾਦਨ ਅਤੇ ਪ੍ਰਯੋਗ ਦੋਵਾਂ ਦੀ ਆਗਿਆ ਦੇਣ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ। SRILM ਗੈਰ-ਵਪਾਰਕ ਉਦੇਸ਼ਾਂ ਲਈ ਮੁਫ਼ਤ ਉਪਲੱਬਧ ਹੈ। ਟੂਲਕਿੱਟ ਐਨ-ਗ੍ਰਾਮ ਅੰਕੜਿਆਂ ਦੇ ਅਧਾਰ ਤੇ ਵੱਖ ਵੱਖ ਭਾਸ਼ਾ ਮਾਡਲ ਕਿਸਮਾਂ ਦੀ ਸਿਰਜਣਾ ਅਤੇ ਮੁਲਾਂਕਣ ਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ, ਅਤੇ ਨਾਲ ਹੀ ਕਈ ਸਬੰਧਤ ਕਾਰਜਾਂ, ਜਿਵੇਂ ਕਿ ਅੰਕੜਾ ਟੈਗਿੰਗ ਅਤੇ ਐਨ-ਸਭ ਤੋਂ ਵਧੀਆ ਸੂਚੀਆਂ ਅਤੇ ਸ਼ਬਦਾਂ ਦੀਆਂ ਲਾਲਚਾਂ ਦੀ ਹੇਰਾਫੇਰੀ. ਇਹ ਪੇਪਰ ਟੂਲਕਿੱਟ ਦੀ ਕਾਰਜਸ਼ੀਲਤਾ ਦਾ ਸੰਖੇਪ ਦੱਸਦਾ ਹੈ ਅਤੇ ਇਸ ਦੇ ਡਿਜ਼ਾਈਨ ਅਤੇ ਲਾਗੂ ਕਰਨ ਬਾਰੇ ਚਰਚਾ ਕਰਦਾ ਹੈ, ਤੇਜ਼ੀ ਨਾਲ ਪ੍ਰੋਟੋਟਾਈਪਿੰਗ ਦੀ ਸੌਖ, ਮੁੜ ਵਰਤੋਂਯੋਗਤਾ ਅਤੇ ਸੰਦਾਂ ਦੀ ਸੰਜੋਗਤਾ ਨੂੰ ਉਜਾਗਰ ਕਰਦਾ ਹੈ। |
12f661171799cbd899e1ff4ae0a7e2170c3d547b | ਅੰਕੜਾ ਭਾਸ਼ਾ ਮਾਡਲ ਬੋਲਣ ਦੀ ਪਛਾਣ ਅਤੇ ਹੋਰ ਭਾਸ਼ਾ ਤਕਨਾਲੋਜੀਆਂ ਦੇ ਉਦੇਸ਼ ਲਈ ਵੱਖ-ਵੱਖ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਵਰਤਾਰੇ ਦੀ ਵੰਡ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਂਦੇ ਹਨ। 1980 ਵਿੱਚ ਪਹਿਲੇ ਮਹੱਤਵਪੂਰਨ ਮਾਡਲ ਦੀ ਤਜਵੀਜ਼ ਤੋਂ ਬਾਅਦ, ਕਲਾ ਦੀ ਸਥਿਤੀ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਬਹੁਤ ਸਾਰੇ ਯਤਨ ਕੀਤੇ ਗਏ ਹਨ। ਅਸੀਂ ਉਹਨਾਂ ਦੀ ਸਮੀਖਿਆ ਕਰਦੇ ਹਾਂ, ਕੁਝ ਵਾਅਦਾਸ਼ੀਲ ਦਿਸ਼ਾਵਾਂ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਡਾਟਾ ਦੇ ਨਾਲ ਭਾਸ਼ਾਈ ਸਿਧਾਂਤਾਂ ਦੇ ਏਕੀਕਰਣ ਲਈ ਬੇਯਸੀਅਨ ਪਹੁੰਚ ਲਈ ਬਹਿਸ ਕਰਦੇ ਹਾਂ। |
395f4b41578c3ff5139ddcf9e90eb60801b50394 | ਸੀ.ਐੱਮ.ਯੂ. ਸਟੈਟਿਸਟਿਕਲ ਲੈਂਗਵੇਜ ਮਾਡਲਿੰਗ ਟੂਲਕਿੱਟ ਨੂੰ ਬਿਗ੍ਰਾਮ ਅਤੇ ਟ੍ਰਿਗ੍ਰਾਮ ਲੈਂਗਵੇਜ ਮਾਡਲਾਂ ਦੀ ਉਸਾਰੀ ਅਤੇ ਟੈਸਟਿੰਗ ਦੀ ਸਹੂਲਤ ਲਈ 2005 ਵਿੱਚ ਦੁਬਾਰਾ ਕਿਰਾਏ ਤੇ ਦਿੱਤਾ ਗਿਆ ਸੀ। ਇਹ ਵਰਤਮਾਨ ਵਿੱਚ 200 ਤੋਂ ਵੱਧ ਦੇਸ਼ਾਂ ਵਿੱਚ ਅਕਾਦਮਿਕ, ਸਰਕਾਰੀ ਅਤੇ ਉਦਯੋਗਿਕ ਪ੍ਰਯੋਗਸ਼ਾਲਾਵਾਂ ਵਿੱਚ ਵਰਤਿਆ ਜਾ ਰਿਹਾ ਹੈ। ਇਹ ਪੇਪਰ ਟੂਲਕਿੱਟ ਦਾ ਇੱਕ ਨਵਾਂ ਸੰਸਕਰਣ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਅਸੀਂ ਟੂਲਕਿੱਟ ਵਿੱਚ ਲਾਗੂ ਕੀਤੀ ਗਈ ਕਨਵੈਨਸ਼ਨਲ ਲੈਂਗਵੇਜ ਮਾਡਲਿੰਗ ਤਕਨਾਲੋਜੀ ਦੀ ਰੂਪ ਰੇਖਾ ਦਿੰਦੇ ਹਾਂ ਅਤੇ ਉਸ ਵਾਧੂ ਕੁਸ਼ਲਤਾ ਅਤੇ ਕਾਰਜਸ਼ੀਲਤਾ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਾਂ ਜੋ ਨਵਾਂ ਟੂਲਕਿੱਟ ਇਸ ਕੰਮ ਲਈ ਪਿਛਲੇ ਸਾੱਫਟਵੇਅਰ ਦੀ ਤੁਲਨਾ ਵਿੱਚ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਅੰਤ ਵਿੱਚ ਅਸੀਂ ਇੱਕ ਸਧਾਰਨ ਭਾਸ਼ਾ ਮਾਡਲ ਬਣਾਉਣ ਅਤੇ ਟੈਸਟ ਕਰਨ ਵਿੱਚ ਟੂਲਕਿੱਟ ਦੀ ਵਰਤੋਂ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹਾਂ। |
0b8f4edf1a7b4d19d47d419f41cde432b9708ab7 | ਅਸੀਂ ਸਿਲੀਕਾਨ ਨਾਲ ਭਰੇ ਇੰਟੀਗ੍ਰੇਟਿਡ ਵੇਵ ਗਾਈਡਾਂ ਦੇ ਨਿਰਮਾਣ ਲਈ ਇੱਕ ਟੈਕਨੋਲੋਜੀ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ ਜੋ ਘੱਟ-ਖਰਾਬ ਉੱਚ-ਪ੍ਰਦਰਸ਼ਨ ਵਾਲੀ ਮਿਲੀਮੀਟਰ-ਵੇਵ ਪੈਸਿਵ ਕੰਪੋਨੈਂਟਸ ਅਤੇ ਉੱਚ-ਗੈਨ ਐਰੇ ਐਂਟੀਨਾ ਦੀ ਪ੍ਰਾਪਤੀ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦੀ ਹੈ, ਇਸ ਤਰ੍ਹਾਂ ਉੱਚ-ਇੰਟੀਗ੍ਰੇਟਿਡ ਮਿਲੀਮੀਟਰ-ਵੇਵ ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਪ੍ਰਾਪਤੀ ਦੀ ਸਹੂਲਤ ਦਿੰਦੀ ਹੈ। ਪ੍ਰਸਤਾਵਿਤ ਟੈਕਨੋਲੋਜੀ ਵਿੱਚ ਉੱਚ ਜਿਓਮੈਟ੍ਰਿਕਲ ਸ਼ੁੱਧਤਾ ਅਤੇ ਨਿਰੰਤਰ ਧਾਤੂ ਸਾਈਡ ਕੰਧਾਂ ਵਾਲੇ ਆਇਤਾਕਾਰ ਵੇਵ ਗਾਈਡਾਂ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਨ ਲਈ ਅਲਮੀਨੀਅਮ ਮੈਟਲਾਈਜ਼ੇਸ਼ਨ ਕਦਮਾਂ ਨਾਲ ਡੂੰਘੀ ਪ੍ਰਤੀਕਿਰਿਆਸ਼ੀਲ-ਆਇਨ ਐਚਿੰਗ (ਡੀ.ਆਰ.ਆਈ.ਈ.) ਤਕਨੀਕਾਂ ਨੂੰ ਅਪਣਾਇਆ ਗਿਆ ਹੈ। ਇੰਟੀਗਰੇਟਡ ਆਇਤਾਕਾਰ ਵੇਵ ਗਾਈਡਾਂ ਦੇ ਮਾਪ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ ਗਈ ਹੈ ਜੋ 105 ਗੀਗਾਹਰਟਜ਼ ਤੇ 0. 15 ਡੀਬੀ / ਐਲ ਜੀ ਦੇ ਨੁਕਸਾਨ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ. ਇਸ ਤੋਂ ਇਲਾਵਾ, ਅਤਿ-ਵਿਆਪਕ ਬੈਂਡ ਕੋਪਲੈਨਰ ਤੋਂ ਵੇਵ ਗਾਈਡ ਪਰਿਵਰਤਨ ਦੇ ਨਾਲ 0.6 ਡੀਬੀਐਸ ਇਨਸਰਸ਼ਨ ਨੁਕਸਾਨ 105 ਗੀਗਾਹਰਟਜ਼ ਅਤੇ ਵਾਪਸੀ ਦਾ ਨੁਕਸਾਨ 15 ਡੀਬੀਐਸ ਤੋਂ ਵਧੀਆ 80 ਤੋਂ 110 ਗੀਗਾਹਰਟਜ਼ ਤੱਕ ਵਰਣਿਤ ਅਤੇ ਗੁਣਾਂਕਿਤ ਕੀਤਾ ਗਿਆ ਹੈ. ਇੱਕ ਬਾਰੰਬਾਰਤਾ ਸਕੈਨਿੰਗ ਸਲੋਟਡ ਵੇਵਗਾਈਡ ਐਰੇ ਐਂਟੀਨਾ ਦੇ ਡਿਜ਼ਾਇਨ, ਏਕੀਕਰਣ ਅਤੇ ਮਾਪੇ ਗਏ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ ਗਈ ਹੈ, ਜੋ ਕਿ 23 ਗੀਗਾਹਰਟਜ਼ ਦੇ ਬੈਂਡ ਦੇ ਅੰਦਰ 82 ° ਦੀ ਇੱਕ ਮਾਪੀ ਗਈ ਬੀਮ ਸਟੀਰਿੰਗ ਸਮਰੱਥਾ ਅਤੇ 96 ਗੀਗਾਹਰਟਜ਼ ਤੇ 8.5 ° ਦੀ ਅੱਧੀ ਸ਼ਕਤੀ ਬੀਮ-ਚੌੜਾਈ (ਐਚਪੀਬੀਡਬਲਯੂ) ਪ੍ਰਾਪਤ ਕਰਦੀ ਹੈ. ਅੰਤ ਵਿੱਚ, ਘੱਟ ਲਾਗਤ ਵਾਲੀ ਮਿਲੀਮੀਟਰ-ਵੇਵ ਸਿਸਟਮ ਪੱਧਰ ਦੇ ਏਕੀਕਰਣ ਦੀ ਸਹੂਲਤ ਲਈ ਇਸ ਤਕਨਾਲੋਜੀ ਦੀ ਸਮਰੱਥਾ ਨੂੰ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਨ ਲਈ, ਇੱਕ ਬਾਰੰਬਾਰਤਾ ਮਾਡਿਊਲਡ ਨਿਰੰਤਰ ਵੇਵ (ਐਫਐਮਸੀਡਬਲਯੂ) ਸੰਚਾਰ-ਪ੍ਰਾਪਤ ਆਈਸੀ ਇਮੇਜਿੰਗ ਰਡਾਰ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਫਲਿੱਪ-ਚਿੱਪ ਸਿੱਧੇ ਏਕੀਕ੍ਰਿਤ ਐਰੇ ਤੇ ਮਾਊਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਪ੍ਰਯੋਗਾਤਮਕ ਤੌਰ ਤੇ ਗੁਣਾਂਕਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। |
31864e13a9b3473ebb07b4f991f0ae3363517244 | ਇਹ ਪੇਪਰ ਕਿਨਾਰੇ ਦੀ ਖੋਜ ਲਈ ਇੱਕ ਕੰਪਿਊਟੇਸ਼ਨਲ ਪਹੁੰਚ ਦਾ ਵਰਣਨ ਕਰਦਾ ਹੈ। ਇਸ ਪਹੁੰਚ ਦੀ ਸਫਲਤਾ ਕਿਨਾਰੇ ਦੇ ਬਿੰਦੂਆਂ ਦੀ ਗਣਨਾ ਲਈ ਟੀਚਿਆਂ ਦੇ ਇੱਕ ਵਿਆਪਕ ਸਮੂਹ ਦੀ ਪਰਿਭਾਸ਼ਾ ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਇਹ ਟੀਚੇ ਹੱਲ ਦੇ ਰੂਪ ਬਾਰੇ ਘੱਟੋ ਘੱਟ ਧਾਰਨਾਵਾਂ ਕਰਦੇ ਹੋਏ ਡਿਟੈਕਟਰ ਦੇ ਲੋੜੀਂਦੇ ਵਿਵਹਾਰ ਨੂੰ ਸੀਮਿਤ ਕਰਨ ਲਈ ਕਾਫ਼ੀ ਸਹੀ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ. ਅਸੀਂ ਕਿਨਾਰਿਆਂ ਦੀ ਇੱਕ ਸ਼੍ਰੇਣੀ ਲਈ ਖੋਜ ਅਤੇ ਸਥਾਨਿਕਤਾ ਮਾਪਦੰਡ ਪਰਿਭਾਸ਼ਤ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਇਹਨਾਂ ਮਾਪਦੰਡਾਂ ਲਈ ਗਣਿਤਿਕ ਰੂਪਾਂ ਨੂੰ ਆਪਰੇਟਰ ਦੇ ਪ੍ਰਭਾਵ ਪ੍ਰਤੀਕਰਮ ਤੇ ਕਾਰਜਸ਼ੀਲ ਵਜੋਂ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ. ਫਿਰ ਇੱਕ ਤੀਜਾ ਮਾਪਦੰਡ ਜੋੜਿਆ ਜਾਂਦਾ ਹੈ ਤਾਂ ਜੋ ਇਹ ਯਕੀਨੀ ਬਣਾਇਆ ਜਾ ਸਕੇ ਕਿ ਡਿਟੈਕਟਰ ਨੂੰ ਇੱਕ ਕਿਨਾਰੇ ਤੇ ਸਿਰਫ ਇੱਕ ਹੀ ਜਵਾਬ ਮਿਲਦਾ ਹੈ। ਅਸੀਂ ਸੰਖਿਆਤਮਕ ਅਨੁਕੂਲਤਾ ਵਿੱਚ ਮਾਪਦੰਡਾਂ ਦੀ ਵਰਤੋਂ ਕਈ ਆਮ ਚਿੱਤਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਲਈ ਡਿਟੈਕਟਰਾਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਕਰਦੇ ਹਾਂ, ਜਿਸ ਵਿੱਚ ਕਦਮ ਦੇ ਕਿਨਾਰਿਆਂ ਸ਼ਾਮਲ ਹਨ. ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਸਟੈਪ ਕਿਨਾਰਿਆਂ ਤੇ ਵਿਸ਼ੇਸ਼ ਬਣਾਉਣ ਤੇ, ਅਸੀਂ ਪਾਉਂਦੇ ਹਾਂ ਕਿ ਖੋਜ ਅਤੇ ਸਥਾਨਿਕਤਾ ਪ੍ਰਦਰਸ਼ਨ ਦੇ ਵਿਚਕਾਰ ਇੱਕ ਕੁਦਰਤੀ ਅਨਿਸ਼ਚਿਤਤਾ ਸਿਧਾਂਤ ਹੈ, ਜੋ ਕਿ ਦੋ ਮੁੱਖ ਟੀਚੇ ਹਨ. ਇਸ ਸਿਧਾਂਤ ਨਾਲ ਅਸੀਂ ਇੱਕ ਸਿੰਗਲ ਆਪਰੇਟਰ ਸ਼ਕਲ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਾਂ ਜੋ ਕਿਸੇ ਵੀ ਪੈਮਾਨੇ ਤੇ ਅਨੁਕੂਲ ਹੈ। ਸਰਵੋਤਮ ਡਿਟੈਕਟਰ ਦੀ ਇੱਕ ਸਧਾਰਨ ਅਨੁਮਾਨਿਤ ਲਾਗੂਕਰਣ ਹੈ ਜਿਸ ਵਿੱਚ ਕਿਨਾਰਿਆਂ ਨੂੰ ਗੌਸੀਅਨ-ਸਮਿੱਥ ਚਿੱਤਰ ਦੇ ਗਰੇਡੀਐਂਟ ਮੈਗਨੀਟਿਡ ਵਿੱਚ ਅਧਿਕਤਮ ਤੇ ਮਾਰਕ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਅਸੀਂ ਇਸ ਸਧਾਰਨ ਡਿਟੈਕਟਰ ਨੂੰ ਕਈ ਚੌੜਾਈ ਦੇ ਆਪਰੇਟਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵਿਸਥਾਰ ਕਰਦੇ ਹਾਂ ਤਾਂ ਜੋ ਚਿੱਤਰ ਵਿੱਚ ਵੱਖਰੇ ਸੰਕੇਤ-ਰੋਜ਼ ਅਨੁਪਾਤ ਦਾ ਸਾਹਮਣਾ ਕੀਤਾ ਜਾ ਸਕੇ। ਅਸੀਂ ਵੱਖ ਵੱਖ ਪੈਮਾਨਿਆਂ ਤੇ ਆਪਰੇਟਰਾਂ ਤੋਂ ਜਾਣਕਾਰੀ ਦੇ ਵਧੀਆ ਤੋਂ ਮੋਟੇ ਏਕੀਕਰਣ ਲਈ ਵਿਸ਼ੇਸ਼ਤਾ ਸੰਸ਼ਲੇਸ਼ਣ ਕਹਿੰਦੇ ਹਾਂ, ਇੱਕ ਆਮ ਵਿਧੀ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ। ਅੰਤ ਵਿੱਚ ਅਸੀਂ ਦਿਖਾਉਂਦੇ ਹਾਂ ਕਿ ਸਟੈਪ ਕਿਨਾਰੇ ਡਿਟੈਕਟਰ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਵਿੱਚ ਕਾਫ਼ੀ ਸੁਧਾਰ ਹੁੰਦਾ ਹੈ ਕਿਉਂਕਿ ਓਪਰੇਟਰ ਪੁਆਇੰਟ ਫੈਲਾ ਫੰਕਸ਼ਨ ਕਿਨਾਰੇ ਦੇ ਨਾਲ ਵਧਾਇਆ ਜਾਂਦਾ ਹੈ. |
b41c45b2ca0c38a4514f0779395ebdf3d34cecc0 | |
7e19f7a82528fa79349f1fc61c7f0d35a9ad3a5e | ਚਿਹਰੇ ਗੁੰਝਲਦਾਰ, ਬਹੁ-ਅਯਾਮੀ, ਅਰਥਪੂਰਨ ਵਿਜ਼ੂਅਲ ਉਤੇਜਨਾਵਾਂ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ ਅਤੇ ਚਿਹਰੇ ਦੀ ਪਛਾਣ ਲਈ ਇੱਕ ਕੰਪਿਊਟੇਸ਼ਨਲ ਮਾਡਲ ਵਿਕਸਿਤ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੈ [42]. ਅਸੀਂ ਇੱਕ ਹਾਈਬ੍ਰਿਡ ਨਯੂਰਲ ਨੈੱਟਵਰਕ ਹੱਲ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ ਜੋ ਕਿ ਹੋਰ ਵਿਧੀਆਂ ਨਾਲ ਅਨੁਕੂਲ ਹੈ। ਇਹ ਪ੍ਰਣਾਲੀ ਸਥਾਨਕ ਚਿੱਤਰ ਨਮੂਨੇ, ਇੱਕ ਸਵੈ-ਸੰਗਠਿਤ ਨਕਸ਼ਾ ਨਯੂਰਲ ਨੈਟਵਰਕ, ਅਤੇ ਇੱਕ ਕਨਵੋਲੂਸ਼ਨਲ ਨਯੂਰਲ ਨੈਟਵਰਕ ਨੂੰ ਜੋੜਦੀ ਹੈ। ਸਵੈ-ਸੰਗਠਿਤ ਨਕਸ਼ਾ ਚਿੱਤਰ ਦੇ ਨਮੂਨਿਆਂ ਦਾ ਇੱਕ ਟੌਪੋਲੋਜੀਕਲ ਸਪੇਸ ਵਿੱਚ ਇੱਕ ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜਿੱਥੇ ਮੂਲ ਸਪੇਸ ਵਿੱਚ ਨੇੜੇ ਦੇ ਇੰਪੁੱਟ ਵੀ ਆਉਟਪੁੱਟ ਸਪੇਸ ਵਿੱਚ ਨੇੜੇ ਹੁੰਦੇ ਹਨ, ਇਸ ਤਰ੍ਹਾਂ ਚਿੱਤਰ ਨਮੂਨੇ ਵਿੱਚ ਮਾਮੂਲੀ ਤਬਦੀਲੀਆਂ ਲਈ ਅਯਾਮੀਕਰਨ ਅਤੇ ਅਚਾਨਕਤਾ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ, ਅਤੇ ਕਨਵੋਲੂਸ਼ਨਲ ਨਯੂਰਲ ਨੈਟਵਰਕ ਅਨੁਵਾਦ, ਘੁੰਮਾਉਣ, ਸਕੇਲ ਅਤੇ ਵਿਗਾੜ ਲਈ ਅੰਸ਼ਕ ਅਚਾਨਕਤਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ. ਕਨਵੋਲੂਸ਼ਨਲ ਨੈੱਟ ਵਰਕ ਲੇਅਰਾਂ ਦੇ ਇੱਕ ਲੜੀਵਾਰ ਸਮੂਹ ਵਿੱਚ ਲਗਾਤਾਰ ਵੱਡੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਕੱਢਦਾ ਹੈ। ਅਸੀਂ ਸਵੈ-ਸੰਗਠਿਤ ਨਕਸ਼ੇ ਦੀ ਥਾਂ ਤੇ ਕਾਰਹੂਨਨ-ਲੋਏਵ ਪਰਿਵਰਤਨ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਨਤੀਜੇ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਸੰਘਰਸ਼ ਦੇ ਨੈਟਵਰਕ ਦੀ ਥਾਂ ਤੇ ਇੱਕ ਬਹੁ-ਪਰਤ ਪਰਸਪਰਕਟਰਨ. ਕਰਹੂਨਨ-ਲੋਏਵ ਪਰਿਵਰਤਨ ਲਗਭਗ ਵੀ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ (5.3% ਗਲਤੀ ਬਨਾਮ 3.8%). ਮਲਟੀ-ਲੇਅਰ ਪਰਸਪਰਟ੍ਰੋਨ ਬਹੁਤ ਮਾੜੀ ਕਾਰਗੁਜ਼ਾਰੀ ਕਰਦਾ ਹੈ (40% ਗਲਤੀ ਬਨਾਮ 3.8%). ਇਹ ਵਿਧੀ ਤੇਜ਼ ਵਰਗੀਕਰਨ ਦੀ ਸਮਰੱਥਾ ਰੱਖਦੀ ਹੈ, ਸਿਰਫ ਤੇਜ਼, ਅਨੁਮਾਨਿਤ ਸਧਾਰਣਕਰਨ ਅਤੇ ਪੂਰਵ-ਪ੍ਰੋਸੈਸਿੰਗ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਅਤੇ ਨਿਰੰਤਰ ਰੂਪ ਵਿੱਚ ਡੇਟਾਬੇਸ ਤੇ ਈਗੈਨਫੇਸ ਪਹੁੰਚ [42] ਨਾਲੋਂ ਬਿਹਤਰ ਵਰਗੀਕਰਣ ਪ੍ਰਦਰਸ਼ਨ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਦੀ ਹੈ ਕਿਉਂਕਿ ਸਿਖਲਾਈ ਡੇਟਾਬੇਸ ਵਿੱਚ ਪ੍ਰਤੀ ਵਿਅਕਤੀ ਚਿੱਤਰਾਂ ਦੀ ਗਿਣਤੀ 1 ਤੋਂ 5 ਤੱਕ ਬਦਲਦੀ ਹੈ. ਪ੍ਰਤੀ ਵਿਅਕਤੀ 5 ਚਿੱਤਰਾਂ ਦੇ ਨਾਲ ਪ੍ਰਸਤਾਵਿਤ ਵਿਧੀ ਅਤੇ ਐਜੀਨਫੇਸ ਨਤੀਜੇ ਕ੍ਰਮਵਾਰ 3.8% ਅਤੇ 10.5% ਗਲਤੀ ਹੈ. ਮਾਨਕ ਆਪਣੇ ਆਉਟਪੁੱਟ ਵਿੱਚ ਭਰੋਸੇ ਦਾ ਇੱਕ ਮਾਪ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਅਤੇ 10% ਉਦਾਹਰਣਾਂ ਨੂੰ ਰੱਦ ਕਰਨ ਵੇਲੇ ਵਰਗੀਕਰਣ ਗਲਤੀ ਜ਼ੀਰੋ ਦੇ ਨੇੜੇ ਆਉਂਦੀ ਹੈ। ਅਸੀਂ 40 ਵਿਅਕਤੀਆਂ ਦੀਆਂ 400 ਤਸਵੀਰਾਂ ਦਾ ਇੱਕ ਡਾਟਾਬੇਸ ਵਰਤਦੇ ਹਾਂ ਜਿਸ ਵਿੱਚ ਪ੍ਰਗਟਾਵੇ, ਪੋਜ ਅਤੇ ਚਿਹਰੇ ਦੇ ਵੇਰਵਿਆਂ ਵਿੱਚ ਕਾਫ਼ੀ ਉੱਚ ਪੱਧਰ ਦੀ ਪਰਿਵਰਤਨਸ਼ੀਲਤਾ ਹੈ। ਅਸੀਂ ਕੰਪਿਊਟੇਸ਼ਨਲ ਕੰਪਲੈਕਸਤਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦੇ ਹਾਂ ਅਤੇ ਚਰਚਾ ਕਰਦੇ ਹਾਂ ਕਿ ਕਿਵੇਂ ਨਵੇਂ ਕਲਾਸਾਂ ਨੂੰ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਪਛਾਣਕਰਤਾ ਵਿੱਚ ਜੋੜਿਆ ਜਾ ਸਕਦਾ ਹੈ. |
5dd9dc47c4acc9ea3e597751194db52119398ac6 | ਸ਼ਿਫਟ ਰਜਿਸਟਰ ਇੱਕ ਕਿਸਮ ਦਾ ਕ੍ਰਮਵਾਰ ਤਰਕਸ਼ੀਲ ਸਰਕਟ ਹੈ ਜੋ ਜਿਆਦਾਤਰ ਡਿਜੀਟਲ ਡੇਟਾ ਨੂੰ ਸਟੋਰ ਕਰਨ ਜਾਂ ਸਿਸਟਮ ਦੀ ਸੁਰੱਖਿਆ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਰੇਡੀਓ ਫ੍ਰੀਕੁਐਂਸੀ ਪਛਾਣ (ਆਰ.ਐਫ.ਆਈ.ਡੀ.) ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ ਬਾਈਨਰੀ ਨੰਬਰਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਡੇਟਾ ਨੂੰ ਟ੍ਰਾਂਸਫਰ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਇਸ ਲੇਖ ਵਿੱਚ ਇੱਕ ਨਵੇਂ ਫਲਿੱਪ-ਫਲੌਪ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਇੱਕ ਪਾਵਰ-ਕੁਸ਼ਲ ਸ਼ਿਫਟ ਰਜਿਸਟਰ ਨੂੰ ਇੱਕ ਸੰਕੇਤ-ਪ੍ਰੇਰਿਤ ਢਾਂਚੇ ਨਾਲ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਹੈ। ਪ੍ਰਸਤਾਵਿਤ ਫਲਿੱਪ-ਫਲੌਪ ਵਿੱਚ ਉੱਚ ਪ੍ਰਦਰਸ਼ਨ ਅਤੇ ਘੱਟ ਬਿਜਲੀ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਹਨ। ਇਹ ਪੰਜ ਟ੍ਰਾਂਜਿਸਟਰਾਂ ਦੁਆਰਾ ਲਾਗੂ ਕੀਤੇ ਗਏ ਇੱਕ ਨਮੂਨੇ ਲੈਣ ਵਾਲੇ ਸਰਕਟ, ਉਚਾਈ ਅਤੇ ਪਤਨ ਦੇ ਮਾਰਗਾਂ ਲਈ ਇੱਕ ਸੀ-ਐਲੀਮੈਂਟ, ਅਤੇ ਇੱਕ ਕੀਪਰ ਸਟੇਜ ਤੋਂ ਬਣਿਆ ਹੈ। ਇਸ ਦੀ ਗਤੀ ਨੂੰ ਚਾਰ ਟਰਾਂਜਿਸਟਰਾਂ ਨੂੰ ਇੱਕ ਪਰਿਵਰਤਨ ਸਥਿਤੀ ਤਕਨੀਕ ਦੇ ਨਾਲ ਇੱਕਠੇ ਚਲਾ ਕੇ ਵਧਾਇਆ ਜਾਂਦਾ ਹੈ। ਸਿਮੂਲੇਸ਼ਨ ਦੇ ਨਤੀਜੇ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ ਕਿ ਪ੍ਰਸਤਾਵਿਤ ਟੌਪੋਲੋਜੀ ਕ੍ਰਮਵਾਰ 22.7071 ਅਤੇ 30.1997 nW ਦੀ ਸਭ ਤੋਂ ਘੱਟ ਬਿਜਲੀ ਖਪਤ ਕਰਦੀ ਹੈ ਜੋ ਕ੍ਰਮਵਾਰ 22 μm2 ਚਿੱਪ ਖੇਤਰ ਨੂੰ ਕਵਰ ਕਰਨ ਵਾਲੇ ਪੈਰਲਲ ਇਨ-ਪੈਰਲਲਲ ਆਉਟ (ਪੀਆਈਪੀਓ) ਅਤੇ ਸੀਰੀਅਲ ਇਨ-ਸੀਰੀਅਲ ਆਉਟ (ਐਸਆਈਐਸਓ) ਸ਼ਿਫਟ ਰਜਿਸਟਰ ਲਈ ਹੈ। ਸਮੁੱਚੇ ਡਿਜ਼ਾਇਨ ਵਿੱਚ ਸਿਰਫ 16 ਟ੍ਰਾਂਜਿਸਟਰ ਹੁੰਦੇ ਹਨ ਅਤੇ ਇਹ 1.2 V ਪਾਵਰ ਸਪਲਾਈ ਦੇ ਨਾਲ 130 ਐਨਐਮ ਪੂਰਕ-ਮੈਟਲ-ਆਕਸਾਈਡ-ਸੇਮੀਕੰਡਕਟਰ (ਸੀਐਮਓਐਸ) ਤਕਨਾਲੋਜੀ ਵਿੱਚ ਸਿਮੂਲੇਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। |
d76beb59a23c01c9bec1940c4cec1ca26e00480a | ਏਅਰ ਫੋਰਸ ਰਿਸਰਚ ਲੈਬਾਰਟਰੀ ਨੇ ਦੋ ਦਿਮਾਗ-ਕੰਪਿਊਟਰ ਇੰਟਰਫੇਸ (ਬੀਸੀਆਈ) ਲਾਗੂ ਕੀਤੇ ਹਨ ਅਤੇ ਉਨ੍ਹਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ ਹੈ ਜੋ ਸਥਿਰ-ਸਥਿਤੀ ਵਿਜ਼ੂਅਲ ਪ੍ਰੇਰਿਤ ਪ੍ਰਤੀਕ੍ਰਿਆ ਨੂੰ ਇੱਕ ਭੌਤਿਕ ਉਪਕਰਣ ਜਾਂ ਕੰਪਿਊਟਰ ਪ੍ਰੋਗਰਾਮ ਨੂੰ ਚਲਾਉਣ ਲਈ ਇੱਕ ਨਿਯੰਤਰਣ ਸੰਕੇਤ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰਦੇ ਹਨ। ਇੱਕ ਪਹੁੰਚ ਵਿੱਚ, ਆਪਰੇਟਰ ਦਿਮਾਗ ਦੇ ਜਵਾਬ ਨੂੰ ਸਵੈ-ਨਿਯੰਤ੍ਰਿਤ ਕਰਦੇ ਹਨ; ਦੂਜੀ ਪਹੁੰਚ ਕਈ ਪ੍ਰੇਰਿਤ ਪ੍ਰਤੀਕ੍ਰਿਆਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ। |
8a65dc637d39c14323dccd5cbcc08eed2553880e | ਇਹ ਲੇਖ ਦੱਖਣੀ ਅਫਰੀਕਾ ਵਿੱਚ ਜ਼ਿਲ੍ਹਾ ਪ੍ਰਬੰਧਨ ਦਾ ਸਮਰਥਨ ਕਰਨ ਲਈ ਸਿਹਤ ਜਾਣਕਾਰੀ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਲਈ ਇੱਕ ਚੱਲ ਰਹੇ ਕਾਰਜ ਖੋਜ ਪ੍ਰੋਜੈਕਟ ਦੇ ਸ਼ੁਰੂਆਤੀ ਸਮੇਂ (1994-2001) ਦਾ ਵਰਣਨ ਕਰਦਾ ਹੈ। ਸਵਿੰਗ ਸੇਵਾ ਦੀ ਸਪੁਰਦਗੀ ਵਿੱਚ ਬਰਾਬਰੀ ਲਈ ਕੋਸ਼ਿਸ਼ ਅਤੇ ਸਿਹਤ ਜ਼ਿਲ੍ਹਿਆਂ ਦੇ ਅਧਾਰ ਤੇ ਇੱਕ ਵਿਕੇਂਦਰੀਕ੍ਰਿਤ ਢਾਂਚੇ ਦੀ ਉਸਾਰੀ। ਸੂਚਨਾ ਪ੍ਰਣਾਲੀ (ਆਈਐੱਸ) ਦੇ ਵਿਕਾਸ ਦੇ ਮਾਮਲੇ ਵਿੱਚ, ਇਹ ਸੁਧਾਰ ਪ੍ਰਕਿਰਿਆ ਸਿਹਤ ਡਾਟਾ ਦੇ ਮਾਨਕੀਕਰਨ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰਦੀ ਹੈ ਜੋ ਕਿ ਸੂਚਨਾ ਪ੍ਰਬੰਧਨ ਦੇ ਸਥਾਨਕ ਨਿਯੰਤਰਣ ਅਤੇ ਏਕੀਕਰਣ ਨੂੰ ਵਧਾ ਕੇ ਨਵੇਂ ਦੱਖਣੀ ਅਫਰੀਕਾ ਦੇ ਟੀਚਿਆਂ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ। ਅਸੀਂ ਐਕਸ਼ਨ ਰਿਸਰਚ ਲਈ ਆਪਣੇ ਪਹੁੰਚ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਾਂ ਅਤੇ ਕੇਸ ਸਮੱਗਰੀ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਵਿੱਚ ਅਦਾਕਾਰ-ਨੈਟਵਰਕ ਅਤੇ ਢਾਂਚਾਗਤ ਸਿਧਾਂਤਾਂ ਤੋਂ ਸੰਕਲਪਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ. ਆਈ.ਐਸ. ਵਿਕਾਸ ਦੀ ਵਿਸਤ੍ਰਿਤ ਵਰਣਨ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ, ਅਸੀਂ ਮਿਆਰੀਕਰਨ ਅਤੇ ਸਥਾਨਕ ਲਚਕੀਲੇਪਣ (ਸਥਾਨਕਕਰਨ) ਨੂੰ ਸੰਤੁਲਿਤ ਕਰਨ ਦੀ ਲੋੜ ਤੇ ਧਿਆਨ ਕੇਂਦਰਤ ਕਰਦੇ ਹਾਂ; ਮਿਆਰੀਕਰਨ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਵਿਭਿੰਨ ਕਿਰਿਆਵਾਂ ਦੀ ਇੱਕ ਲੜੀ ਦੇ ਹੇਠਾਂ ਤੋਂ ਉੱਪਰ ਤੱਕ ਇਕਸਾਰਤਾ ਵਜੋਂ ਦੇਖਿਆ ਜਾਂਦਾ ਹੈ। ਸੂਚਨਾ ਪ੍ਰਣਾਲੀਆਂ ਦੇ ਇੱਕ ਸਮਾਜਿਕ ਪ੍ਰਣਾਲੀ ਦੇ ਮਾਡਲ ਤੇ ਨਿਰਮਾਣ ਕਰਦੇ ਹੋਏ, ਅਸੀਂ ਆਈਐਸ ਡਿਜ਼ਾਈਨ ਰਣਨੀਤੀ ਨੂੰ ਵਿਕਸਤ ਅਤੇ ਇਸਤੇਮਾਲ ਕੀਤਾ ਹੈ ਜਿਸ ਨਾਲ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੀ ਕਾਸ਼ਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਜਿਸ ਦੁਆਰਾ ਇਹ ਅਦਾਕਾਰ ਆਪਣੇ ਹਿੱਤਾਂ ਦਾ ਅਨੁਵਾਦ ਅਤੇ ਅਨੁਕੂਲਤਾ ਕਰ ਰਹੇ ਹਨ. ਅਸੀਂ ਇੱਕ ਫਰੇਮਵਰਕ ਦੇ ਰੂਪ ਵਿੱਚ ਗਲੋਬਲ ਅਤੇ ਸਥਾਨਕ ਡੇਟਾਸੇਟ ਦੀ ਇੱਕ ਮਾਡਯੂਲਰ ਲੜੀ ਵਿਕਸਿਤ ਕਰਦੇ ਹਾਂ ਜਿਸ ਦੇ ਅੰਦਰ ਮਿਆਰੀਕਰਨ ਅਤੇ ਸਥਾਨਕਕਰਨ ਦੇ ਵਿਚਕਾਰ ਤਣਾਅ ਨੂੰ ਸਮਝਿਆ ਅਤੇ ਸੰਬੋਧਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਅੰਤ ਵਿੱਚ, ਅਸੀਂ ਖੋਜ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਹੋਰ ਦੇਸ਼ਾਂ ਵਿੱਚ ਸੰਭਾਵਿਤ ਸਾਰਥਕਤਾ ਬਾਰੇ ਵਿਚਾਰ-ਵਟਾਂਦਰਾ ਕਰਦੇ ਹਾਂ। |
600434c6255c160b53ad26912c1c0b96f0d48ce6 | ਰੈਂਡਮ ਫੋਰੈਸਟ ਇੱਕ ਕੰਪਿਊਟੇਸ਼ਨਲ ਤੌਰ ਤੇ ਕੁਸ਼ਲ ਤਕਨੀਕ ਹੈ ਜੋ ਵੱਡੇ ਡੇਟਾ ਸੈੱਟਾਂ ਤੇ ਤੇਜ਼ੀ ਨਾਲ ਕੰਮ ਕਰ ਸਕਦੀ ਹੈ। ਇਸਦੀ ਵਰਤੋਂ ਹਾਲ ਹੀ ਦੇ ਬਹੁਤ ਸਾਰੇ ਖੋਜ ਪ੍ਰੋਜੈਕਟਾਂ ਅਤੇ ਵੱਖ-ਵੱਖ ਖੇਤਰਾਂ ਵਿੱਚ ਅਸਲ-ਵਿਸ਼ਵ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ ਕੀਤੀ ਗਈ ਹੈ। ਹਾਲਾਂਕਿ, ਸੰਬੰਧਿਤ ਸਾਹਿਤ ਲਗਭਗ ਕੋਈ ਨਿਰਦੇਸ਼ ਪ੍ਰਦਾਨ ਨਹੀਂ ਕਰਦਾ ਹੈ ਕਿ ਰੈਂਡਮ ਫੋਰੈਸਟ ਨੂੰ ਬਣਾਉਣ ਲਈ ਕਿੰਨੇ ਰੁੱਖਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ. ਇੱਥੇ ਰਿਪੋਰਟ ਕੀਤੀ ਗਈ ਖੋਜ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਗਿਆ ਹੈ ਕਿ ਕੀ ਰੈਂਡਮ ਫੋਰੈਸਟ ਦੇ ਅੰਦਰ ਰੁੱਖਾਂ ਦੀ ਇੱਕ ਅਨੁਕੂਲ ਗਿਣਤੀ ਹੈ, ਯਾਨੀ, ਇੱਕ ਥ੍ਰੈਸ਼ੋਲਡ ਜਿਸ ਤੋਂ ਰੁੱਖਾਂ ਦੀ ਗਿਣਤੀ ਵਧਾਉਣ ਨਾਲ ਕੋਈ ਮਹੱਤਵਪੂਰਨ ਪ੍ਰਦਰਸ਼ਨ ਲਾਭ ਨਹੀਂ ਮਿਲੇਗਾ, ਅਤੇ ਸਿਰਫ ਗਣਨਾਤਮਕ ਲਾਗਤ ਵਿੱਚ ਵਾਧਾ ਹੋਵੇਗਾ. ਸਾਡੇ ਮੁੱਖ ਸਿੱਟੇ ਇਹ ਹਨਃ ਜਿਵੇਂ ਕਿ ਰੁੱਖਾਂ ਦੀ ਗਿਣਤੀ ਵਧਦੀ ਹੈ, ਇਸਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਹੁੰਦਾ ਕਿ ਜੰਗਲ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਪਿਛਲੇ ਜੰਗਲਾਂ (ਘੱਟ ਰੁੱਖਾਂ) ਨਾਲੋਂ ਕਾਫ਼ੀ ਬਿਹਤਰ ਹੈ, ਅਤੇ ਰੁੱਖਾਂ ਦੀ ਗਿਣਤੀ ਨੂੰ ਦੁੱਗਣਾ ਕਰਨਾ ਬੇਕਾਰ ਹੈ. ਇਹ ਵੀ ਸੰਭਵ ਹੈ ਕਿ ਇਹ ਦੱਸਣ ਕਿ ਇੱਕ ਥ੍ਰੈਸ਼ੋਲਡ ਹੈ ਜਿਸ ਤੋਂ ਬਾਅਦ ਕੋਈ ਮਹੱਤਵਪੂਰਨ ਲਾਭ ਨਹੀਂ ਹੁੰਦਾ, ਜਦੋਂ ਤੱਕ ਇੱਕ ਵਿਸ਼ਾਲ ਕੰਪਿਊਟੇਸ਼ਨਲ ਵਾਤਾਵਰਣ ਉਪਲਬਧ ਨਹੀਂ ਹੁੰਦਾ. ਇਸ ਤੋਂ ਇਲਾਵਾ, ਕਿਸੇ ਵੀ ਜੰਗਲ ਵਿੱਚ ਦਰੱਖਤਾਂ ਦੀ ਗਿਣਤੀ ਦੁੱਗਣੀ ਕਰਨ ਤੇ ਏਯੂਸੀ ਲਾਭ ਲਈ ਇੱਕ ਪ੍ਰਯੋਗਾਤਮਕ ਸਬੰਧ ਪਾਇਆ ਗਿਆ ਸੀ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਜਿਵੇਂ ਕਿ ਰੁੱਖਾਂ ਦੀ ਗਿਣਤੀ ਵਧਦੀ ਹੈ, ਗੁਣਾਂ ਦਾ ਪੂਰਾ ਸਮੂਹ ਰੈਂਡਮ ਫੋਰੈਸਟ ਦੇ ਅੰਦਰ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਜੋ ਕਿ ਬਾਇਓਮੈਡੀਕਲ ਡੋਮੇਨ ਵਿੱਚ ਦਿਲਚਸਪ ਨਹੀਂ ਹੋ ਸਕਦਾ. ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇੱਥੇ ਪ੍ਰਸਤਾਵਿਤ ਡੇਟਾਸੇਟ ਘਣਤਾ ਅਧਾਰਤ ਮੈਟ੍ਰਿਕਸ ਸ਼ਾਇਦ ਫੈਸਲੇ ਦੇ ਰੁੱਖਾਂ ਤੇ ਵੀਸੀ ਮਾਪ ਦੇ ਕੁਝ ਪਹਿਲੂਆਂ ਨੂੰ ਹਾਸਲ ਕਰਦੇ ਹਨ ਅਤੇ ਘੱਟ ਘਣਤਾ ਵਾਲੇ ਡੇਟਾਸੇਟ ਲਈ ਵੱਡੀ ਸਮਰੱਥਾ ਵਾਲੀਆਂ ਮਸ਼ੀਨਾਂ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ ਜਦੋਂ ਕਿ ਇਸਦੇ ਉਲਟ ਵੀ ਸੱਚ ਜਾਪਦਾ ਹੈ। |
4cbadc5f4afe9ac178fd14a6875ef1956a528313 | ਪਿਛਲੇ ਕਈ ਸਾਲਾਂ ਦੌਰਾਨ ਤਕਨਾਲੋਜੀ ਵਿੱਚ ਤਰੱਕੀ ਨੇ ਛੋਟੇ ਸੈਂਸਰ ਨੋਡਾਂ ਨੂੰ ਬਾਕੀ ਇੰਟਰਨੈਟ ਨਾਲ ਵਾਇਰਲੈੱਸ ਸੰਚਾਰ ਕਰਨਾ ਸੰਭਵ ਬਣਾਇਆ ਹੈ। ਇਸ ਪ੍ਰਾਪਤੀ ਦੇ ਨਾਲ ਅਜਿਹੇ ਆਈਪੀ-ਸਮਰਥਿਤ ਵਾਇਰਲੈੱਸ ਸੈਂਸਰ ਨੈਟਵਰਕ (ਆਈਪੀ-ਡਬਲਯੂਐਸਐਨਜ਼) ਨੂੰ ਸੁਰੱਖਿਅਤ ਕਰਨ ਦਾ ਸਵਾਲ ਉੱਭਰਿਆ ਅਤੇ ਉਦੋਂ ਤੋਂ ਇਹ ਇਕ ਮਹੱਤਵਪੂਰਨ ਖੋਜ ਵਿਸ਼ਾ ਰਿਹਾ ਹੈ। ਇਸ ਥੀਸਿਸ ਵਿੱਚ ਅਸੀਂ ਕੰਟਿਕੀ ਓਪਰੇਟਿੰਗ ਸਿਸਟਮ ਲਈ ਇੱਕ ਪ੍ਰੀ-ਸ਼ੇਅਰਡ ਕੁੰਜੀ ਸਿਫਰ ਸੂਟ (ਟੀਐਲਐਸ ਪੀਐਸਕੇ ਨਾਲ ਏਈਐਸ 128 ਸੀਸੀਐਮ 8) ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਟੀਐਲਐਸ ਅਤੇ ਡੀਟੀਐਲਐਸ ਪ੍ਰੋਟੋਕੋਲ ਦੇ ਸਾਡੇ ਲਾਗੂਕਰਨ ਬਾਰੇ ਚਰਚਾ ਕਰਦੇ ਹਾਂ। ਕੰਟੀਕੀ ਓਐਸ ਦੁਆਰਾ ਸਮਰਥਿਤ ਪ੍ਰੋਟੋਕੋਲ ਦੇ ਸੈੱਟ ਵਿੱਚ ਇੱਕ ਨਵਾਂ ਪ੍ਰੋਟੋਕੋਲ ਜੋੜਨ ਤੋਂ ਇਲਾਵਾ, ਇਹ ਪ੍ਰੋਜੈਕਟ ਸਾਨੂੰ ਇਹ ਮੁਲਾਂਕਣ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ ਕਿ ਆਈਪੀ-ਡਬਲਯੂਐਸਐਨਜ਼ ਲਈ ਟ੍ਰਾਂਸਪੋਰਟ ਲੇਅਰ ਸੁਰੱਖਿਆ ਅਤੇ ਪ੍ਰੀ-ਸ਼ੇਅਰਡ ਕੁੰਜੀ ਪ੍ਰਬੰਧਨ ਯੋਜਨਾਵਾਂ ਕਿੰਨੀਆਂ ਢੁਕਵੀਂ ਹਨ। |
0ab99aa04e3a8340a7552355fb547374a5604b24 | ਬਹੁਤ ਸਾਰੇ ਡਾਇਗਨੌਸਟਿਕ ਕੰਮਾਂ ਲਈ ਅਸਧਾਰਨਤਾਵਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣ ਅਤੇ ਸਮੇਂ ਦੇ ਨਾਲ ਮਾਪਾਂ ਅਤੇ ਤਬਦੀਲੀਆਂ ਦੀ ਮਾਤਰਾ ਨੂੰ ਮਾਪਣ ਲਈ ਸ਼ੁਰੂਆਤੀ ਖੋਜ ਪ੍ਰਕਿਰਿਆ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਕੰਪਿਊਟਰਾਈਜ਼ਡ ਟੂਲ, ਖਾਸ ਤੌਰ ਤੇ ਚਿੱਤਰ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ, ਨਿਦਾਨ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਮੁੱਖ ਯੋਗਦਾਨ ਪਾਉਣ ਵਾਲੇ ਹਨ, ਜੋ ਕਿ ਇਲਾਜ ਦੀ ਲੋੜ ਵਾਲੇ ਨਤੀਜਿਆਂ ਦੀ ਪਛਾਣ ਦੀ ਸਹੂਲਤ ਦੇ ਕੇ ਅਤੇ ਮਾਹਰ ਦੇ ਕੰਮ ਦੇ ਪ੍ਰਵਾਹ ਦਾ ਸਮਰਥਨ ਕਰਨ ਲਈ. ਇਨ੍ਹਾਂ ਸਾਧਨਾਂ ਵਿੱਚ, ਡੂੰਘੀ ਸਿਖਲਾਈ ਤੇਜ਼ੀ ਨਾਲ ਅਤਿ ਆਧੁਨਿਕ ਬੁਨਿਆਦ ਸਾਬਤ ਹੋ ਰਹੀ ਹੈ, ਜਿਸ ਨਾਲ ਸ਼ੁੱਧਤਾ ਵਿੱਚ ਸੁਧਾਰ ਹੁੰਦਾ ਹੈ। ਇਸ ਨੇ ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਵੀ ਨਵੀਆਂ ਹੱਦਾਂ ਖੋਲ੍ਹ ਦਿੱਤੀਆਂ ਹਨ, ਜਿਸ ਵਿੱਚ ਪਹਿਲਾਂ ਕਦੇ ਪ੍ਰਗਤੀ ਨਹੀਂ ਹੋਈ। ਈਈਪੀ ਸਿੱਖਣ ਦਾ ਆਮ ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਇੱਕ ਵਧ ਰਿਹਾ ਰੁਝਾਨ ਹੈ ਅਤੇ ਇਸ ਨੂੰ 2013 ਦੀਆਂ 10 ਸਫਲ ਤਕਨੀਕਾਂ ਵਿੱਚੋਂ ਇੱਕ ਕਿਹਾ ਗਿਆ ਹੈ। ਡੂੰਘੀ ਸਿਖਲਾਈ ਨਕਲੀ ਨਯੂਰਲ ਨੈਟਵਰਕ ਦਾ ਸੁਧਾਰ ਹੈ, ਜਿਸ ਵਿੱਚ ਵਧੇਰੇ ਪਰਤਾਂ ਸ਼ਾਮਲ ਹੁੰਦੀਆਂ ਹਨ ਜੋ ਵਧੇਰੇ ਪੱਧਰ ਦੇ ਵੱਖਰੇਪਣ ਅਤੇ ਡੇਟਾ ਤੋਂ ਬਿਹਤਰ ਭਵਿੱਖਬਾਣੀਆਂ ਦੀ ਆਗਿਆ ਦਿੰਦੀਆਂ ਹਨ [2]। ਅੱਜ ਤੱਕ, ਇਹ ਆਮ ਚਿੱਤਰਣ ਅਤੇ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਡੋਮੇਨ ਵਿੱਚ ਮੋਹਰੀ ਮਸ਼ੀਨ-ਲਰਨਿੰਗ ਟੂਲ ਵਜੋਂ ਉਭਰ ਰਿਹਾ ਹੈ। ਵਿਸ਼ੇਸ਼ ਤੌਰ ਤੇ, ਕਨਵੋਲੂਸ਼ਨਲ ਨਯੂਰਲ ਨੈਟਵਰਕ (ਸੀਐਨਐਨ) ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਕਾਰਜਾਂ ਦੀ ਇੱਕ ਵਿਆਪਕ ਲੜੀ ਲਈ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਾਧਨ ਸਾਬਤ ਹੋਏ ਹਨ। ਡੂੰਘੇ ਸੀਐਨਐਨਜ਼ ਆਪਣੇ ਆਪ ਹੀ ਕੱਚੇ ਡੇਟਾ (ਜਿਵੇਂ ਕਿ ਚਿੱਤਰ) ਤੋਂ ਪ੍ਰਾਪਤ ਮੱਧ-ਪੱਧਰ ਅਤੇ ਉੱਚ-ਪੱਧਰ ਦੀਆਂ ਅਬਸਟ੍ਰੈਕਸ਼ਨਾਂ ਸਿੱਖਦੇ ਹਨ। ਹਾਲੀਆ ਨਤੀਜਿਆਂ ਤੋਂ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ ਸੀ.ਐੱਨ.ਐੱਨ. ਤੋਂ ਕੱਢੇ ਗਏ ਆਮ ਵਰਣਨਕਰਤਾ ਕੁਦਰਤੀ ਚਿੱਤਰਾਂ ਵਿੱਚ ਵਸਤੂਆਂ ਦੀ ਪਛਾਣ ਅਤੇ ਸਥਾਨਿਕਤਾ ਵਿੱਚ ਬਹੁਤ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹਨ। ਦੁਨੀਆ ਭਰ ਵਿੱਚ ਮੈਡੀਕਲ ਚਿੱਤਰ ਵਿਸ਼ਲੇਸ਼ਣ ਸਮੂਹ ਛੇਤੀ ਹੀ ਖੇਤਰ ਵਿੱਚ ਦਾਖਲ ਹੋ ਰਹੇ ਹਨ ਅਤੇ ਸੀ ਐਨ ਐਨ ਅਤੇ ਹੋਰ ਡੂੰਘੇ ਸਿੱਖਣ ਦੀਆਂ ਵਿਧੀਆਂ ਨੂੰ ਬਹੁਤ ਸਾਰੇ ਐਪਲੀਕੇਸ਼ਨਾਂ ਤੇ ਲਾਗੂ ਕਰ ਰਹੇ ਹਨ। ਵਾਅਦਾਪੂਰਨ ਨਤੀਜੇ ਸਾਹਮਣੇ ਆ ਰਹੇ ਹਨ। ਮੈਡੀਕਲ ਇਮੇਜਿੰਗ ਵਿੱਚ, ਕਿਸੇ ਬਿਮਾਰੀ ਦੀ ਸਹੀ ਤਸ਼ਖੀਸ ਅਤੇ/ਜਾਂ ਮੁਲਾਂਕਣ ਚਿੱਤਰ ਪ੍ਰਾਪਤੀ ਅਤੇ ਚਿੱਤਰ ਵਿਆਖਿਆ ਦੋਵਾਂ ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਹਾਲ ਹੀ ਦੇ ਸਾਲਾਂ ਵਿੱਚ ਚਿੱਤਰ ਪ੍ਰਾਪਤੀ ਵਿੱਚ ਕਾਫ਼ੀ ਸੁਧਾਰ ਹੋਇਆ ਹੈ, ਜਿਸ ਵਿੱਚ ਉਪਕਰਣ ਤੇਜ਼ ਦਰਾਂ ਅਤੇ ਵਧੇ ਹੋਏ ਰੈਜ਼ੋਲੂਸ਼ਨ ਤੇ ਡਾਟਾ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ। ਹਾਲਾਂਕਿ, ਚਿੱਤਰ ਵਿਆਖਿਆ ਪ੍ਰਕਿਰਿਆ ਨੇ ਹਾਲ ਹੀ ਵਿੱਚ ਕੰਪਿਊਟਰ ਤਕਨਾਲੋਜੀ ਤੋਂ ਲਾਭ ਲੈਣਾ ਸ਼ੁਰੂ ਕੀਤਾ ਹੈ। ਮੈਡੀਕਲ ਚਿੱਤਰਾਂ ਦੀ ਜ਼ਿਆਦਾਤਰ ਵਿਆਖਿਆ ਡਾਕਟਰਾਂ ਦੁਆਰਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ; ਹਾਲਾਂਕਿ, ਮਨੁੱਖਾਂ ਦੁਆਰਾ ਚਿੱਤਰ ਦੀ ਵਿਆਖਿਆ ਇਸਦੀ ਵਿਅਕਤੀਗਤਤਾ, ਵਿਆਖਿਆਕਾਰਾਂ ਵਿੱਚ ਵੱਡੇ ਭਿੰਨਤਾਵਾਂ ਅਤੇ ਥਕਾਵਟ ਦੇ ਕਾਰਨ ਸੀਮਿਤ ਹੈ. |
5343b6d5c9f3a2c4d9648991162a6cc13c1c5e70 | ਬਿਨਾਂ ਨਿਗਰਾਨੀ ਵਾਲੇ ਚਿੱਤਰ ਅਨੁਵਾਦ, ਜਿਸਦਾ ਉਦੇਸ਼ ਚਿੱਤਰਾਂ ਦੇ ਦੋ ਸੁਤੰਤਰ ਸੈਟਾਂ ਦਾ ਅਨੁਵਾਦ ਕਰਨਾ ਹੈ, ਜੋੜੀ ਡੇਟਾ ਤੋਂ ਬਿਨਾਂ ਸਹੀ ਮੇਲ ਖਾਂਦਾ ਲੱਭਣ ਵਿੱਚ ਚੁਣੌਤੀ ਭਰਪੂਰ ਹੈ। ਮੌਜੂਦਾ ਕੰਮ ਜਨਰੇਟਿਵ ਐਡਵੈਸਰੀਅਲ ਨੈਟਵਰਕਸ (ਜੀਏਐਨਜ਼) ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਅਨੁਵਾਦਿਤ ਚਿੱਤਰਾਂ ਦੀ ਵੰਡ ਟੀਚੇ ਵਾਲੇ ਸਮੂਹ ਦੀ ਵੰਡ ਤੋਂ ਵੱਖ ਨਹੀਂ ਹੁੰਦੀ। ਹਾਲਾਂਕਿ, ਅਜਿਹੇ ਸੈੱਟ-ਪੱਧਰ ਦੇ ਪਾਬੰਦੀਆਂ ਉਦਾਹਰਨ-ਪੱਧਰ ਦੇ ਪੱਤਰ-ਵਿਹਾਰਾਂ ਨੂੰ ਨਹੀਂ ਸਿੱਖ ਸਕਦੀਆਂ (ਉਦਾਹਰਨ ਲਈ. ਆਬਜੈਕਟ ਟ੍ਰਾਂਸਫਿਗਰੇਸ਼ਨ ਟਾਸਕ ਵਿੱਚ ਅਨੁਕੂਲਿਤ ਅਰਥਵਾਦੀ ਹਿੱਸੇ). ਇਹ ਸੀਮਾ ਅਕਸਰ ਗਲਤ ਸਕਾਰਾਤਮਕ ਨਤੀਜਿਆਂ (ਜਿਵੇਂ ਕਿ ਜਿਓਮੈਟ੍ਰਿਕ ਜਾਂ ਅਰਥਵਾਦੀ ਕਲਾਤਮਕ), ਅਤੇ ਅੱਗੇ ਮੋਡ ਦੇ ਢਹਿਣ ਦੀ ਸਮੱਸਿਆ ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ. ਉਪਰੋਕਤ ਮੁੱਦਿਆਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ, ਅਸੀਂ ਡੂੰਘੀ ਧਿਆਨ ਦੇਣ ਵਾਲੀ ਗੈਨ (ਡੀਏ-ਗੈਨ) ਦੁਆਰਾ ਉਦਾਹਰਣ-ਪੱਧਰ ਦੇ ਚਿੱਤਰ ਅਨੁਵਾਦ ਲਈ ਇੱਕ ਨਾਵਲ ਫਰੇਮਵਰਕ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ। ਇਸ ਤਰ੍ਹਾਂ ਦਾ ਡਿਜ਼ਾਇਨ ਡੀਏ-ਜੀਏਐਨ ਨੂੰ ਦੋ ਸੈੱਟਾਂ ਤੋਂ ਨਮੂਨਿਆਂ ਦਾ ਅਨੁਵਾਦ ਕਰਨ ਦੇ ਕੰਮ ਨੂੰ ਇੱਕ ਉੱਚ-ਸੰਗਠਿਤ ਲੁਕਵੇਂ ਸਪੇਸ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰਨ ਦੇ ਕੰਮ ਵਿੱਚ ਵੰਡਣ ਦੇ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ। ਵਿਸ਼ੇਸ਼ ਤੌਰ ਤੇ, ਅਸੀਂ ਸਾਂਝੇ ਤੌਰ ਤੇ ਇੱਕ ਡੂੰਘੀ ਧਿਆਨ ਕੋਡਰ ਸਿੱਖਦੇ ਹਾਂ, ਅਤੇ ਇਸ ਲਈ ਸਿੱਖੀਆਂ ਗਈਆਂ ਉਦਾਹਰਣਾਂ ਤੇ ਹਾਜ਼ਰ ਹੋਣ ਦੁਆਰਾ ਉਦਾਹਰਣ-ਪੱਧਰ ਦੇ ਪੱਤਰ-ਵਿਹਾਰ ਦੀ ਖੋਜ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ. ਇਸ ਲਈ, ਸੀਮਾਵਾਂ ਦਾ ਉਪਯੋਗ ਸੈੱਟ ਪੱਧਰ ਅਤੇ ਉਦਾਹਰਣ ਪੱਧਰ ਦੋਵਾਂ ਤੇ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਕਈ ਸਟੇਟ ਆਫ ਦਿ ਆਰਟਸ ਦੇ ਮੁਕਾਬਲੇ ਤੁਲਨਾ ਸਾਡੀ ਪਹੁੰਚ ਦੀ ਉੱਤਮਤਾ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ, ਅਤੇ ਵਿਆਪਕ ਐਪਲੀਕੇਸ਼ਨ ਸਮਰੱਥਾ, ਉਦਾਹਰਣ ਵਜੋਂ, ਪੋਜ ਮੋਰਫਿੰਗ, ਡੇਟਾ ਐਗਮੈਂਟੇਸ਼ਨ, ਆਦਿ, ਡੋਮੇਨ ਟ੍ਰਾਂਸਲੇਸ਼ਨ ਸਮੱਸਿਆ ਦੇ ਹਾਸ਼ੀਏ ਨੂੰ ਅੱਗੇ ਵਧਾਉਂਦੀ ਹੈ। |
f1526054914997591ffdb8cd523bea219ce7a26e | ਇਸ ਸਾਲ ਮਾਰਚ ਵਿੱਚ, ਅਮੈਰੀਕਨ ਸਟੈਟਿਸਟਿਕਲ ਐਸੋਸੀਏਸ਼ਨ (ਏਐਸਏ) ਨੇ ਪੀ-ਵੈਲਯੂ ਦੀ ਸਹੀ ਵਰਤੋਂ ਬਾਰੇ ਇੱਕ ਬਿਆਨ ਪ੍ਰਕਾਸ਼ਤ ਕੀਤਾ, ਜਿਸ ਵਿੱਚ ਇੱਕ ਵਧਦੀ ਚਿੰਤਾ ਦੇ ਜਵਾਬ ਵਿੱਚ ਕਿਹਾ ਗਿਆ ਕਿ ਪੀ-ਵੈਲਯੂ ਦੀ ਆਮ ਤੌਰ ਤੇ ਗਲਤ ਵਰਤੋਂ ਅਤੇ ਗਲਤ ਵਿਆਖਿਆ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਸਾਡਾ ਉਦੇਸ਼ ਏਐਸਏ ਦੁਆਰਾ ਦਿੱਤੀਆਂ ਗਈਆਂ ਇਨ੍ਹਾਂ ਚੇਤਾਵਨੀਆਂ ਦਾ ਅਨੁਵਾਦ ਅਜਿਹੀ ਭਾਸ਼ਾ ਵਿੱਚ ਕਰਨਾ ਹੈ ਜੋ ਕਿ ਅੰਕੜਿਆਂ ਵਿੱਚ ਡੂੰਘੀ ਪਿਛੋਕੜ ਤੋਂ ਬਿਨਾਂ ਕਲੀਨਿਕਲ ਅਤੇ ਖੋਜਕਰਤਾਵਾਂ ਦੁਆਰਾ ਵਧੇਰੇ ਅਸਾਨੀ ਨਾਲ ਸਮਝਿਆ ਜਾ ਸਕੇ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਅਸੀਂ ਪੀ-ਮੁੱਲਾਂ ਦੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਦਰਸਾਉਣ ਦਾ ਇਰਾਦਾ ਰੱਖਦੇ ਹਾਂ, ਭਾਵੇਂ ਕਿ ਸਹੀ ਤਰ੍ਹਾਂ ਵਰਤੇ ਅਤੇ ਵਿਆਖਿਆ ਕੀਤੀ ਗਈ ਹੋਵੇ, ਅਤੇ ਦੋ ਹਾਲ ਹੀ ਵਿੱਚ ਰਿਪੋਰਟ ਕੀਤੇ ਗਏ ਅਧਿਐਨਾਂ ਦੀ ਉਦਾਹਰਣ ਦੇ ਤੌਰ ਤੇ ਅਧਿਐਨ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਕਲੀਨਿਕਲ ਸਾਰਥਕਤਾ ਵੱਲ ਵਧੇਰੇ ਧਿਆਨ ਖਿੱਚਣਾ ਹੈ। ਸਾਡਾ ਤਰਕ ਹੈ ਕਿ ਪੀ-ਮੁੱਲਾਂ ਦੀ ਅਕਸਰ ਗਲਤ ਵਿਆਖਿਆ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇੱਕ ਆਮ ਗਲਤੀ ਇਹ ਕਹਿ ਰਹੀ ਹੈ ਕਿ P < 0.05 ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਨਲ ਅਨੁਮਾਨ ਗਲਤ ਹੈ, ਅਤੇ P ≥0.05 ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਨਲ ਅਨੁਮਾਨ ਸਹੀ ਹੈ। 0.05 ਦੇ ਪੀ-ਵੈਲਯੂ ਦੀ ਸਹੀ ਵਿਆਖਿਆ ਇਹ ਹੈ ਕਿ ਜੇ ਨਲ ਅਨੁਮਾਨ ਸੱਚਮੁੱਚ ਸਹੀ ਹੁੰਦਾ, ਤਾਂ ਸਮਾਨ ਜਾਂ ਵਧੇਰੇ ਅਤਿਅੰਤ ਨਤੀਜਾ ਸਮਾਨ ਨਮੂਨੇ ਵਿੱਚ ਅਧਿਐਨ ਨੂੰ ਦੁਹਰਾਉਣ ਤੇ 5% ਵਾਰ ਵਾਪਰਦਾ ਹੈ. ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਪੀ-ਵੈਲਯੂ, ਨਲ ਅਨੁਮਾਨ ਨੂੰ ਦਿੱਤੇ ਗਏ ਡੇਟਾ ਦੀ ਸੰਭਾਵਨਾ ਬਾਰੇ ਸੂਚਿਤ ਕਰਦਾ ਹੈ ਨਾ ਕਿ ਦੂਜੇ ਤਰੀਕੇ ਨਾਲ. ਪੀ-ਵੈਲਯੂ ਨਾਲ ਸਬੰਧਤ ਇੱਕ ਸੰਭਵ ਵਿਕਲਪ ਹੈ ਭਰੋਸੇਯੋਗ ਅੰਤਰਾਲ (ਸੀਆਈ) । ਇਹ ਪ੍ਰਭਾਵ ਦੀ ਮਾਤਰਾ ਅਤੇ ਉਸ ਅਸਪਸ਼ਟਤਾ ਬਾਰੇ ਵਧੇਰੇ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜਿਸ ਨਾਲ ਉਸ ਪ੍ਰਭਾਵ ਦਾ ਅਨੁਮਾਨ ਲਗਾਇਆ ਗਿਆ ਸੀ। ਹਾਲਾਂਕਿ, ਪੀ-ਵੈਲਯੂਜ਼ ਨੂੰ ਬਦਲਣ ਅਤੇ ਵਿਗਿਆਨਕ ਨਤੀਜਿਆਂ ਦੀ ਗਲਤ ਵਿਆਖਿਆ ਨੂੰ ਰੋਕਣ ਲਈ ਕੋਈ ਜਾਦੂਈ ਗੋਲ਼ੀ ਨਹੀਂ ਹੈ। ਵਿਗਿਆਨੀਆਂ ਅਤੇ ਪਾਠਕਾਂ ਨੂੰ ਇਕੋ ਜਿਹੇ ਆਪਣੇ ਆਪ ਨੂੰ ਅੰਕੜਾ ਟੈਸਟਾਂ, ਪੀ-ਵੈਲਯੂ ਅਤੇ ਸੀਆਈ ਦੀ ਸਹੀ, ਸੂਖਮ ਵਿਆਖਿਆ ਨਾਲ ਜਾਣੂ ਕਰਵਾਉਣਾ ਚਾਹੀਦਾ ਹੈ. |
50ca90bc847694a7a2d9a291f0d903a15e408481 | ਅਸੀਂ ਮਨੁੱਖੀ ਇਸ਼ਾਰਿਆਂ ਦੀ ਪਛਾਣ ਲਈ ਇੱਕ ਆਮ ਪਹੁੰਚ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ ਜੋ ਕਿ ਡੂੰਘਾਈ ਵੀਡੀਓ, ਸਪੱਸ਼ਟ ਰੂਪ ਅਤੇ ਭਾਸ਼ਣ ਵਰਗੇ ਕਈ ਡਾਟਾ ਵਿਧੀਆਂ ਤੇ ਅਧਾਰਤ ਹੈ। ਸਾਡੇ ਸਿਸਟਮ ਵਿੱਚ, ਹਰ ਇਸ਼ਾਰੇ ਨੂੰ ਵੱਡੇ ਪੈਮਾਨੇ ਤੇ ਸਰੀਰ ਦੀ ਗਤੀ ਅਤੇ ਸਥਾਨਕ ਸੂਖਮ ਅੰਦੋਲਨਾਂ ਜਿਵੇਂ ਹੱਥਾਂ ਦੀ ਕਥਾ ਵਿੱਚ ਵੰਡਿਆ ਜਾਂਦਾ ਹੈ। ਬਹੁ-ਪੱਧਰੀ ਪੈਮਾਨੇ ਤੇ ਸਿੱਖਣ ਦਾ ਵਿਚਾਰ ਸਮੇਂ ਦੇ ਮਾਪ ਲਈ ਵੀ ਲਾਗੂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਇੱਕ ਇਸ਼ਾਰੇ ਨੂੰ ਵਿਸ਼ੇਸ਼ ਗਤੀ ਪ੍ਰੇਰਣਾ, ਜਾਂ ਗਤੀਸ਼ੀਲ ਪੋਜਾਂ ਦੇ ਸਮੂਹ ਦੇ ਰੂਪ ਵਿੱਚ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ। ਹਰੇਕ ਮੋਡੈਲਿਟੀ ਨੂੰ ਪਹਿਲਾਂ ਛੋਟੇ ਸਪੇਸੀਓ-ਟਾਈਮੋਰਲ ਬਲਾਕਾਂ ਵਿੱਚ ਵੱਖਰੇ ਤੌਰ ਤੇ ਪ੍ਰੋਸੈਸ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜਿੱਥੇ ਵਿਤਕਰੇ ਵਾਲੇ ਡੇਟਾ-ਵਿਸ਼ੇਸ਼ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਜਾਂ ਤਾਂ ਹੱਥੀਂ ਕੱractedੀਆਂ ਜਾਂ ਸਿੱਖੀਆਂ ਜਾਂਦੀਆਂ ਹਨ. ਅੰਤ ਵਿੱਚ, ਅਸੀਂ ਵੱਡੇ ਪੈਮਾਨੇ ਤੇ ਸਮੇਂ ਦੇ ਨਿਰਭਰਤਾ, ਡਾਟਾ ਫਿਊਜ਼ਨ ਅਤੇ ਆਖਰਕਾਰ ਇਸ਼ਾਰਿਆਂ ਦੀ ਸ਼੍ਰੇਣੀਬੱਧਤਾ ਲਈ ਇੱਕ ਰੀਕਰਰੈਂਟ ਨਯੂਰਲ ਨੈਟਵਰਕ ਨੂੰ ਨਿਯੁਕਤ ਕਰਦੇ ਹਾਂ। ਮਲਟੀਮੋਡਲ ਜੈਸਚਰ ਰੀਕੋਗਨੀਸ਼ਨ ਡੇਟਾ ਸੈੱਟ ਤੇ 2013 ਦੀ ਚੁਣੌਤੀ ਤੇ ਸਾਡੇ ਪ੍ਰਯੋਗਾਂ ਨੇ ਦਿਖਾਇਆ ਹੈ ਕਿ ਕਈ ਸਪੇਸੀਅਲ ਅਤੇ ਟਾਈਮਲ ਸਕੇਲ ਤੇ ਮਲਟੀਪਲ ਮੋਡੈਲਿਟੀਜ਼ ਦੀ ਵਰਤੋਂ ਕਰਨ ਨਾਲ ਕਾਰਗੁਜ਼ਾਰੀ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਵਾਧਾ ਹੁੰਦਾ ਹੈ ਜਿਸ ਨਾਲ ਮਾਡਲ ਨੂੰ ਵਿਅਕਤੀਗਤ ਵਰਗੀਕਰਤਾਵਾਂ ਦੀਆਂ ਗਲਤੀਆਂ ਦੇ ਨਾਲ ਨਾਲ ਵੱਖਰੇ ਚੈਨਲਾਂ ਵਿੱਚ ਸ਼ੋਰ ਦੀ ਭਰਪਾਈ ਕਰਨ ਦੀ ਆਗਿਆ ਮਿਲਦੀ ਹੈ। |
586d7b215d1174f01a1dc2f6abf6b2eb0f740ab6 | ਅਸੀਂ ਇੱਕ ਅਣ-ਨਿਗਰਾਨੀ ਵਾਲੀ ਵਿਧੀ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ ਜੋ ਕਿ ਛੋਟੇ-ਛੋਟੇ ਬਦਲਾਅ ਅਤੇ ਵਿਗਾੜਾਂ ਲਈ ਅਨਿਯਮਿਤ ਵਿਸ਼ੇਸ਼ਤਾ ਖੋਜਕਰਤਾਵਾਂ ਦੀ ਇੱਕ ਲੜੀ ਨੂੰ ਸਿੱਖਣ ਲਈ ਹੈ। ਨਤੀਜੇ ਵਜੋਂ ਫੀਚਰ ਐਕਸਟਰੈਕਟਰ ਵਿੱਚ ਮਲਟੀਪਲ ਕਨਵੋਲਯੂਸ਼ਨ ਫਿਲਟਰ ਹੁੰਦੇ ਹਨ, ਜਿਸਦੇ ਬਾਅਦ ਇੱਕ ਫੀਚਰ-ਪੂਲਿੰਗ ਲੇਅਰ ਹੁੰਦੀ ਹੈ ਜੋ ਕਿ ਨਾਲ ਲੱਗਦੇ ਵਿੰਡੋਜ਼ ਦੇ ਅੰਦਰ ਹਰੇਕ ਫਿਲਟਰ ਆਉਟਪੁੱਟ ਦੇ ਮੈਕਸ ਦੀ ਗਣਨਾ ਕਰਦੀ ਹੈ, ਅਤੇ ਇੱਕ ਪੁਆਇੰਟ-ਵਾਈਜ਼ ਸਿਗਮੋਇਡ ਗੈਰ-ਲੀਨੀਅਰਿਟੀ ਹੁੰਦੀ ਹੈ। ਪਹਿਲੇ ਪੱਧਰ ਤੋਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਪੈਚਾਂ ਤੇ ਇਕੋ ਐਲਗੋਰਿਦਮ ਨੂੰ ਸਿਖਲਾਈ ਦੇ ਕੇ ਵੱਡੇ ਅਤੇ ਵਧੇਰੇ ਅਚਾਨਕ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦਾ ਦੂਜਾ ਪੱਧਰ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ. ਇਹਨਾਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਤੇ ਨਿਗਰਾਨੀ ਵਾਲੇ ਵਰਗੀਕਰਤਾ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਨਾਲ ਐੱਮ.ਐੱਨ.ਆਈ.ਐੱਸ.ਟੀ. ਤੇ 0.64% ਗਲਤੀ ਹੁੰਦੀ ਹੈ, ਅਤੇ ਕੈਲਟੈਕ 101 ਤੇ 54% ਔਸਤ ਮਾਨਤਾ ਦਰ ਪ੍ਰਤੀ ਸ਼੍ਰੇਣੀ 30 ਸਿਖਲਾਈ ਦੇ ਨਮੂਨਿਆਂ ਨਾਲ ਹੁੰਦੀ ਹੈ। ਜਦੋਂ ਕਿ ਨਤੀਜੇ ਵਜੋਂ ਬਣਿਆ ਢਾਂਚਾ ਕਨਵੋਲੂਸ਼ਨਲ ਨੈਟਵਰਕ ਦੇ ਸਮਾਨ ਹੈ, ਲੇਅਰ-ਵਿਸ਼ੇ ਅਨੁਸਾਰ ਨਿਰਦੇਸਿਤ ਸਿਖਲਾਈ ਪ੍ਰਕਿਰਿਆ ਓਵਰ-ਪੈਰਾਮੀਟਰਾਈਜ਼ੇਸ਼ਨ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਦੂਰ ਕਰਦੀ ਹੈ ਜੋ ਸ਼ੁੱਧ ਤੌਰ ਤੇ ਨਿਗਰਾਨੀ ਵਾਲੀਆਂ ਸਿਖਲਾਈ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਪਰੇਸ਼ਾਨ ਕਰਦੀ ਹੈ, ਅਤੇ ਬਹੁਤ ਘੱਟ ਲੇਬਲ ਵਾਲੇ ਸਿਖਲਾਈ ਦੇ ਨਮੂਨਿਆਂ ਨਾਲ ਵਧੀਆ ਕਾਰਗੁਜ਼ਾਰੀ ਦਿੰਦੀ ਹੈ। |
80bcfbb1a30149e636ff1a08aeb715dad6dd9285 | 0.15μm GaN HEMT ਪ੍ਰਕਿਰਿਆ ਤਕਨਾਲੋਜੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਦੋ ਉੱਚ ਕੁਸ਼ਲਤਾ ਵਾਲੇ Ka-ਬੈਂਡ ਪਾਵਰ ਐਂਪਲੀਫਾਇਰ MMICs ਦਾ ਡਿਜ਼ਾਇਨ ਅਤੇ ਪ੍ਰਦਰਸ਼ਨ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਹੈ। 3-ਪੜਾਅ ਦੇ ਸੰਤੁਲਿਤ ਐਂਪਲੀਫਾਇਰ ਲਈ ਮਾਪੇ ਗਏ ਇਨ-ਫਿਕਚਰ ਨਿਰੰਤਰ ਵੇਵ (ਸੀਡਬਲਯੂ) ਦੇ ਨਤੀਜੇ 11W ਤੱਕ ਦੀ ਆਉਟਪੁੱਟ ਪਾਵਰ ਅਤੇ 30GHz ਤੇ 30% ਪਾਵਰ ਐਡਡਡ ਕੁਸ਼ਲਤਾ (ਪੀਏਈ) ਦਰਸਾਉਂਦੇ ਹਨ. ਤਿੰਨ ਪੜਾਅ ਦੇ ਸਿੰਗਲ-ਐਂਡਡ ਡਿਜ਼ਾਈਨ ਨੇ 6W ਤੋਂ ਵੱਧ ਆਉਟਪੁੱਟ ਪਾਵਰ ਅਤੇ 34% ਤੱਕ ਪੀਏਈ ਪੈਦਾ ਕੀਤਾ. ਸੰਤੁਲਿਤ ਅਤੇ ਸਿੰਗਲ-ਐਂਡਡ ਐਮਐਮਆਈਸੀ ਲਈ ਮੋਲਡ ਦਾ ਆਕਾਰ ਕ੍ਰਮਵਾਰ 3.24 × 3.60mm2 ਅਤੇ 1.74 × 3.24mm2 ਹੈ. |
284de726e700a6c52f9f8fb9f3de4d4b0ff778bb | ਰੀਕੁਰੈਂਟ ਨਯੂਰਲ ਨੈਟਵਰਕ (ਆਰ.ਐੱਨ.ਐੱਨ.) ਕੁਦਰਤੀ ਤੌਰ ਤੇ ਭਾਸ਼ਣ ਦੀ ਪਛਾਣ ਲਈ ਢੁਕਵੇਂ ਹਨ ਕਿਉਂਕਿ ਉਨ੍ਹਾਂ ਦੀ ਗਤੀਸ਼ੀਲ ਰੂਪ ਨਾਲ ਬਦਲਦੀ ਸਮਕਾਲੀ ਜਾਣਕਾਰੀ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਹੈ। ਡੂੰਘੇ ਆਰ.ਐੱਨ.ਐੱਨ. ਨੂੰ ਵੱਖ-ਵੱਖ ਸਮੇਂ ਦੀਆਂ ਗ੍ਰੇਨੂਲਰਿਟੀਜ਼ ਤੇ ਸਮੇਂ ਦੇ ਸਬੰਧਾਂ ਨੂੰ ਮਾਡਲ ਕਰਨ ਦੇ ਯੋਗ ਹੋਣ ਲਈ ਦਲੀਲ ਦਿੱਤੀ ਗਈ ਹੈ, ਪਰ ਗਾਇਬ ਹੋਣ ਵਾਲੀ ਗਰੇਡੀਐਂਟ ਸਮੱਸਿਆਵਾਂ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪੈਂਦਾ ਹੈ। ਇਸ ਪੇਪਰ ਵਿੱਚ, ਅਸੀਂ ਗ੍ਰੀਡ ਐਲਐਸਟੀਐਮ ਬਲਾਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਟੈਕਡ ਲੰਬੀ ਥੋੜ੍ਹੇ ਸਮੇਂ ਦੀ ਮੈਮੋਰੀ (ਐਲਐਸਟੀਐਮ) ਆਰਐਨਐਨਜ਼ ਨੂੰ ਵਧਾਉਂਦੇ ਹਾਂ ਜੋ ਇਸ ਮੁੱਦੇ ਨੂੰ ਦੂਰ ਕਰਨ ਲਈ ਨਾ ਸਿਰਫ ਸਮੇਂ ਦੇ ਮਾਪ, ਬਲਕਿ ਡੂੰਘਾਈ ਦੇ ਮਾਪ ਦੇ ਨਾਲ ਗਣਨਾ ਨੂੰ ਤਿਆਰ ਕਰਦੇ ਹਨ. ਇਸ ਤੋਂ ਇਲਾਵਾ, ਅਸੀਂ ਡੂੰਘਾਈ ਦੇ ਮਾਪ ਨੂੰ ਸਮੇਂ ਦੇ ਇੱਕ ਉੱਤੇ ਤਰਜੀਹ ਦਿੰਦੇ ਹਾਂ ਤਾਂ ਜੋ ਡੂੰਘਾਈ ਦੇ ਮਾਪ ਨੂੰ ਵਧੇਰੇ ਅਪਡੇਟ ਕੀਤੀ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕੀਤੀ ਜਾ ਸਕੇ, ਕਿਉਂਕਿ ਇਸ ਤੋਂ ਆਉਟਪੁੱਟ ਵਰਗੀਕਰਣ ਲਈ ਵਰਤੀ ਜਾਏਗੀ. ਅਸੀਂ ਇਸ ਮਾਡਲ ਨੂੰ ਪ੍ਰਾਥਮਿਕਤਾ ਪ੍ਰਾਪਤ ਗਰਿੱਡ ਐਲਐਸਟੀਐਮ (ਪੀਜੀਐਲਐਸਟੀਐਮ) ਕਹਿੰਦੇ ਹਾਂ। ਚਾਰ ਵੱਡੇ ਡੇਟਾ ਸੈਟਾਂ (ਏਐਮਆਈ, ਐਚਯੂਐਸਟੀ, ਗੈਲ, ਅਤੇ ਐਮਜੀਬੀ) ਤੇ ਵਿਆਪਕ ਪ੍ਰਯੋਗ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਪੀਜੀਐਲਐਸਟੀਐਮ ਵਿਕਲਪਕ ਡੂੰਘੇ ਐਲਐਸਟੀਐਮ ਮਾਡਲਾਂ ਨੂੰ ਪਛਾੜਦਾ ਹੈ, ਸਟੈਕਡ ਐਲਐਸਟੀਐਮ ਨੂੰ 4% ਤੋਂ 7% ਦੇ ਅਨੁਸਾਰੀ ਸੁਧਾਰ ਨਾਲ ਹਰਾਉਂਦਾ ਹੈ, ਅਤੇ ਸਾਰੇ ਡੇਟਾ ਸੈਟਾਂ ਤੇ ਯੂਨੀ-ਡਾਇਰੈਕਸ਼ਨਲ ਮਾਡਲਾਂ ਵਿਚ ਨਵੇਂ ਬੈਂਚਮਾਰਕ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ। |
Subsets and Splits