ကျွန်ုပ်တို့၏လုပ်ဆောင်မှုများတွင်၊ ကျွန်ုပ်တို့သည် ဖွံ့ဖြိုးတိုးတက်ရေးဆိုင်ရာ ဦးစားပေးများကို ဆုံးဖြတ်ခြင်းဆိုင်ရာ ပြဿနာကို နေ့စဉ်ကြုံတွေ့နေရပါသည်။ အိုင်တီစက်မှုလုပ်ငန်း၏ မြင့်မားသော ဖွံ့ဖြိုးတိုးတက်မှုကို ထည့်သွင်းစဉ်းစားခြင်းဖြင့် နည်းပညာအသစ်များအတွက် စီးပွားရေးနှင့် အစိုးရထံမှ အဆက်မပြတ် တိုးလာနေသည့် ဖွံ့ဖြိုးတိုးတက်မှုဆိုင်ရာ အားနည်းချက်ကို ဆုံးဖြတ်ပြီး ကျွန်ုပ်တို့၏ ကုမ္ပဏီ၏ သိပ္ပံပညာဆိုင်ရာ အလားအလာများတွင် ကျွန်ုပ်တို့၏ကိုယ်ပိုင်စွမ်းအားနှင့် ရန်ပုံငွေများကို ရင်းနှီးမြုပ်နှံလိုက်တိုင်း၊ ကျွန်ုပ်တို့သည် သေချာပါသည်။ ကျွန်ုပ်တို့၏ သုတေသနနှင့် ပရောဂျက်များအားလုံးသည် အခြေခံကျပြီး သင်ကြားရေးဆိုင်ရာ သဘောသဘာဝများဖြစ်သည်။
ထို့ကြောင့် ကျွန်ုပ်တို့၏ ပင်မနည်းပညာ - HIEROGLYPH ဒေတာအသိအမှတ်ပြုမှုမူဘောင်ကို ဖော်ဆောင်ခြင်းဖြင့်၊ ကျွန်ုပ်တို့သည် စာရွက်စာတမ်းအသိအမှတ်ပြုမှုအရည်အသွေး (ကျွန်ုပ်တို့၏အဓိကစီးပွားရေးလုပ်ငန်းလိုင်း) နှင့် ဆက်စပ်သောအသိအမှတ်ပြုမှုပြဿနာများကိုဖြေရှင်းရန် နည်းပညာကိုအသုံးပြု၍ ဖြစ်နိုင်ခြေနှစ်ခုလုံးအတွက် စိုးရိမ်ပါသည်။ ယနေ့ဆောင်းပါးတွင် ကျွန်ုပ်တို့၏ အသိအမှတ်ပြုမှုအင်ဂျင် (စာရွက်စာတမ်းများ) ကိုအခြေခံ၍ ကျွန်ုပ်တို့သည် ဗီဒီယိုစီးကြောင်းတစ်ခုတွင် ဗျူဟာမြောက်အရေးကြီးသော အရာဝတ္ထုများကို မည်ကဲ့သို့ အသိအမှတ်ပြုကြောင်း ပြောပြပါမည်။
ပြဿနာကိုပုံဖော်ခြင်း
ရှိပြီးသား တိုးတက်မှုများကို အသုံးပြု၍ အရာဝတ္ထုတစ်ခုအား အမျိုးအစားခွဲခြားနိုင်စေမည့် တင့်ကားအသိအမှတ်ပြုမှုစနစ်ကို တည်ဆောက်ကာ အထူးပြုကိရိယာကို အသုံးမပြုဘဲ ထိန်းချုပ်မှုအားနည်းသော အခြေအနေများတွင် အခြေခံဂျီဩမေတြီညွှန်းကိန်းများ (ဦးတည်ချက်နှင့် အကွာအဝေး) ကို ဆုံးဖြတ်ပါ။
ဆုံးဖြတ်ချက်
ကျွန်ုပ်တို့သည် ပြဿနာကိုဖြေရှင်းရန်အတွက် ပင်မ အယ်လဂိုရီသမ်အဖြစ် စာရင်းအင်းဆိုင်ရာ စက်သင်ယူမှုနည်းလမ်းကို ရွေးချယ်ခဲ့သည်။ သို့သော် စက်သင်ယူခြင်း၏ အဓိကပြဿနာများထဲမှတစ်ခုမှာ လုံလောက်သော လေ့ကျင့်ရေးဒေတာရှိရန် လိုအပ်ခြင်းဖြစ်သည်။ ကျွန်ုပ်တို့လိုအပ်သောအရာများပါရှိသော တကယ့်မြင်ကွင်းများမှရရှိသော သဘာဝရုပ်ပုံများသည် ကျွန်ုပ်တို့အတွက်မရနိုင်သည်မှာ ထင်ရှားပါသည်။ ထို့ကြောင့်၊ လေ့ကျင့်ရေးအတွက် လိုအပ်သော အချက်အလက်များကို ဖန်တီးရန် ကံအားလျော်စွာ ဆုံးဖြတ်ခဲ့သည်။ . သို့သော်၊ ဤလုပ်ငန်းအတွက် ဒေတာကို လုံးလုံးလျားလျား ပေါင်းစပ်ခြင်းမှာ သဘာဝမကျပုံရပြီး တကယ့်မြင်ကွင်းများကို အတုယူရန် အထူးအပြင်အဆင်ကို ပြင်ဆင်ထားသည်။ မော်ဒယ်တွင် ကျေးလက်ဒေသကို ပုံဖော်ထားသည့် အရာဝတ္ထုမျိုးစုံ ပါဝင်သည်- ရှုခင်းအဖုံးများ၊ ချုံပုတ်များ၊ သစ်ပင်များ၊ ခြံစည်းရိုးများ စသည်တို့ ပါဝင်ပါသည်။ ပုံများကို ဒစ်ဂျစ်တယ် ကင်မရာအသေးစားဖြင့် ရိုက်ကူးထားသည်။ ဓါတ်ပုံရိုက်ကူးခြင်းလုပ်ငန်းစဉ်အတွင်း၊ အယ်လဂိုရီသမ်များကို နောက်ခံပြောင်းလဲမှုများသို့ ပိုမိုခိုင်မာစေရန်အတွက် မြင်ကွင်း၏နောက်ခံကို သိသိသာသာပြောင်းလဲသွားသည်။
ပစ်မှတ်တွင် တင့်ကားအမျိုးအစား ၄ မျိုးမှာ T-4 (Russia), M90A1 Abrams (USA), T-2 (Russia), Merkava III (Israel) တို့ဖြစ်သည်။ အရာဝတ္ထုများသည် polygon ၏ မတူညီသော အနေအထားများတွင် တည်ရှိနေသောကြောင့် အရာဝတ္ထု၏ လက်ခံနိုင်သော မြင်နိုင်သောထောင့်များစာရင်းကို ချဲ့ထွင်သည်။ အင်ဂျင်နီယာအတားအဆီးများ၊ သစ်ပင်များ၊ ချုံပုတ်များနှင့် အခြားရှုခင်းဆိုင်ရာ အစိတ်အပိုင်းများသည် အရေးပါသောအခန်းကဏ္ဍမှ ပါဝင်ခဲ့သည်။
ထို့ကြောင့် ရက်အနည်းငယ်အတွင်း ကျွန်ုပ်တို့သည် လေ့ကျင့်ရေးနှင့် အယ်လဂိုရီသမ် အရည်အသွေး၏ နောက်ဆက်တွဲအကဲဖြတ်မှုအတွက် လုံလောက်သော အစုံအလင်ကို စုဆောင်းခဲ့သည် (ပုံပေါင်း ထောင်သောင်းများစွာ)။
၎င်းတို့သည် အသိအမှတ်ပြုမှုကို အပိုင်းနှစ်ပိုင်းခွဲရန် ဆုံးဖြတ်ခဲ့သည်- အရာဝတ္တု နယ်မြေသတ်မှတ်ခြင်းနှင့် အရာဝတ္ထုအမျိုးအစားခွဲခြားခြင်းတို့ကို ဆုံးဖြတ်ခဲ့သည်။ လေ့ကျင့်သင်ကြားထားသော Viola နှင့် Jones အမျိုးအစားခွဲစက်ကို အသုံးပြု၍ ဒေသအလိုက်ပြောင်းလဲခြင်းကို လုပ်ဆောင်ခဲ့သည် (နောက်ဆုံးတွင်၊ တင့်ကားသည် သာမန်တင်းကျပ်သည့်အရာတစ်ခုဖြစ်ပြီး မျက်နှာထက်မဆိုးပါ၊ ထို့ကြောင့် Viola နှင့် Jones ၏အသေးစိတ်-ကန်းသည့်နည်းလမ်းသည် ပစ်မှတ်ကို လျင်မြန်စွာဒေသခံအဖြစ်သတ်မှတ်သည်)။ သို့သော် ကျွန်ုပ်တို့သည် ထောင့်၏ အမျိုးအစားခွဲခြင်းနှင့် ဆုံးဖြတ်ခြင်းကို convolutional neural network တစ်ခုသို့ အပ်နှင်းထားပါသည် - ဤလုပ်ငန်းတွင် Merkava နှင့် T-90 ကို ခွဲခြားသိမြင်နိုင်သော အဆိုပါအင်္ဂါရပ်များကို detector မှ အောင်မြင်စွာဖော်ထုတ်နိုင်စေရန် အရေးကြီးပါသည်။ ရလဒ်အနေဖြင့်၊ ဒေသအလိုက်သတ်မှတ်ခြင်းနှင့် အမျိုးအစားတူအရာဝတ္ထုများကို အမျိုးအစားခွဲခြင်းပြဿနာကို အောင်မြင်စွာဖြေရှင်းပေးနိုင်သည့် ထိရောက်သောဖွဲ့စည်းမှုဆိုင်ရာ အယ်လဂိုရီသမ်တစ်ခုကို တည်ဆောက်နိုင်ခဲ့သည်။
ထို့နောက် ကျွန်ုပ်တို့သည် ကျွန်ုပ်တို့၏ လက်ရှိပလပ်ဖောင်းများ (Intel၊ ARM၊ Elbrus၊ Baikal၊ KOMDIV) တွင် ရလဒ်ထွက်ရှိမည့် ပရိုဂရမ်ကို စွမ်းဆောင်ရည်တိုးမြင့်ရန်အတွက် ကွန်ပျူတာဆိုင်ရာ ခက်ခဲသော အယ်လဂိုရီသမ်များကို ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ထားသည် (ဥပမာ ဤနေရာတွင် ကျွန်ုပ်တို့၏ဆောင်းပါးများတွင် ဤအကြောင်းကို အကြိမ်ပေါင်းများစွာ ရေးထားပြီးဖြစ်သည်၊ ဥပမာ ဤနေရာတွင်၊ သို့မဟုတ် ) နှင့် စက်ပေါ်ရှိ ပရိုဂရမ်၏ တည်ငြိမ်သော လုပ်ဆောင်ချက်ကို အချိန်နှင့်တပြေးညီ ရရှိခဲ့သည်။
ဖော်ပြထားသော လုပ်ဆောင်ချက်အားလုံး၏ ရလဒ်အနေဖြင့်၊ ကျွန်ုပ်တို့သည် သိသာထင်ရှားသော နည်းဗျူဟာနှင့် နည်းပညာဆိုင်ရာ ဝိသေသလက္ခဏာများဖြင့် ပြည့်စုံသောဆော့ဖ်ဝဲထုတ်ကုန်ကို ရရှိခဲ့ပါသည်။
Smart Tank Reader
ထို့ကြောင့် ကျွန်ုပ်တို့၏ ဖွံ့ဖြိုးတိုးတက်မှုအသစ် - ဗီဒီယိုစီးကြောင်းတွင် တင့်ကားများ၏ပုံများကို အသိအမှတ်ပြုသည့် ပရိုဂရမ်တစ်ခုကို သင့်အား တင်ပြထားပါသည်။ Smart Tank Reader၊
- ပေးထားသည့် အရာဝတ္ထုအစုံအတွက် "မိတ်ဆွေ သို့မဟုတ် ရန်သူ" ပြဿနာကို အချိန်နှင့်တပြေးညီ ဖြေရှင်းပေးသည်။
- ဂျီဩမေတြီ ဘောင်များကို သတ်မှတ်သည် (အရာဝတ္တုနှင့် အကွာအဝေး၊ အရာဝတ္ထု၏ နှစ်သက်ရာ တိမ်းညွှတ်မှု);
- အထိန်းအကွပ်မရှိသော ရာသီဥတုအခြေအနေတွင်သာမက ပြင်ပအရာဝတ္ထုများဖြင့် အရာဝတ္ထုကို တစ်စိတ်တစ်ပိုင်းပိတ်ဆို့ခြင်းအတွက် လုပ်ဆောင်နိုင်သည်;
- ရေဒီယိုဆက်သွယ်ရေးမရှိခြင်းအပါအဝင် ပစ်မှတ်ကိရိယာပေါ်တွင် အပြည့်အဝကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရစစ်ဆင်ရေး၊
- ပံ့ပိုးပေးထားသော ပရိုဆက်ဆာ ဗိသုကာများစာရင်း- Elbrus၊ Baikal၊ KOMDIV အပြင် x86၊ x86_64၊ ARM;
- ပံ့ပိုးပေးထားသော လည်ပတ်မှုစနစ်များစာရင်း- Elbrus OS၊ AstraLinux OS၊ Atlix OS၊ အပြင် MS Windows၊ macOS၊ gcc 4.8၊ Android၊ iOS တို့ကို ပံ့ပိုးပေးသည့် Linux ဖြန့်ချီမှုများ၊
- ပြည်တွင်း ဖွံ့ဖြိုးတိုးတက်မှု အပြည့်။
ပုံမှန်အားဖြင့်၊ Habré ပါ ကျွန်ုပ်တို့၏ဆောင်းပါးများ၏နိဂုံးချုပ်တွင်၊ ကျွန်ုပ်တို့သည် ၎င်းတို့၏မိုဘိုင်းလ်ဖုန်းအသုံးပြုသူတိုင်း နည်းပညာ၏စွမ်းဆောင်ရည်ကို အမှန်တကယ်အကဲဖြတ်ရန်အတွက် အပလီကေးရှင်း၏သရုပ်ပြဗားရှင်းကို ဒေါင်းလုဒ်လုပ်နိုင်သည့် စျေးကွက်သို့ လင့်ခ်တစ်ခုပေးပါသည်။ ယခုတစ်ကြိမ်ထွက်ပေါ်လာသောလျှောက်လွှာ၏အသေးစိတ်အချက်အလက်များကိုထည့်သွင်းစဉ်းစားခြင်းဖြင့်၊ ကျွန်ုပ်တို့၏စာဖတ်သူများအားလုံးသည် တင့်ကားတစ်စုံနှင့်သက်ဆိုင်သည်ရှိမရှိ အမြန်ဆုံးဖြတ်ခြင်းပြဿနာကို မိမိတို့ဘ၀တွင် ဘယ်တော့မှမရင်ဆိုင်ကြစေလိုပါ။
source: www.habr.com