எமது செயற்பாடுகளின் போது, அபிவிருத்தி முன்னுரிமைகளை தீர்மானிப்பதில் நாம் அன்றாடம் சிக்கலை எதிர்கொள்கிறோம். தகவல் தொழில்நுட்பத் துறையின் வளர்ச்சியின் உயர் இயக்கவியல், புதிய தொழில்நுட்பங்களுக்கான வணிகம் மற்றும் அரசாங்கத்திடமிருந்து தொடர்ந்து அதிகரித்து வரும் தேவை ஆகியவற்றைக் கருத்தில் கொண்டு, ஒவ்வொரு முறையும் வளர்ச்சியின் திசையனைத் தீர்மானித்து, எங்கள் நிறுவனத்தின் அறிவியல் திறனில் நமது சொந்த சக்திகளையும் நிதியையும் முதலீடு செய்கிறோம். எங்கள் ஆராய்ச்சி மற்றும் திட்டங்கள் அனைத்தும் அடிப்படை மற்றும் இடைநிலை இயல்பு.
எனவே, எங்கள் முக்கிய தொழில்நுட்பத்தை - ஹைரோக்லிஃப் தரவு அங்கீகார கட்டமைப்பை உருவாக்குவதன் மூலம், ஆவண அங்கீகாரத்தின் தரத்தை மேம்படுத்துவது (எங்கள் முக்கிய வணிக வரி) மற்றும் தொடர்புடைய அங்கீகார சிக்கல்களைத் தீர்க்க தொழில்நுட்பத்தைப் பயன்படுத்துவதற்கான சாத்தியம் ஆகிய இரண்டிலும் நாங்கள் அக்கறை கொண்டுள்ளோம். இன்றைய கட்டுரையில், எங்கள் அங்கீகார இயந்திரத்தின் (ஆவணங்கள்) அடிப்படையில், வீடியோ ஸ்ட்ரீமில் பெரிய, மூலோபாய முக்கியத்துவம் வாய்ந்த பொருட்களை எவ்வாறு அங்கீகரித்தோம் என்பதை நாங்கள் உங்களுக்குக் கூறுவோம்.
பிரச்சனை அறிக்கை
தற்போதுள்ள மேம்பாடுகளைப் பயன்படுத்தி, ஒரு பொருளை வகைப்படுத்துவதை சாத்தியமாக்கும் தொட்டி அங்கீகார அமைப்பை உருவாக்கவும், அத்துடன் சிறப்பு உபகரணங்களைப் பயன்படுத்தாமல் மோசமாக கட்டுப்படுத்தப்பட்ட நிலையில் அடிப்படை வடிவியல் குறிகாட்டிகளை (நோக்குநிலை மற்றும் தூரம்) தீர்மானிக்கவும்.
முடிவு
சிக்கலைத் தீர்ப்பதற்கான முக்கிய வழிமுறையாக புள்ளியியல் இயந்திர கற்றல் அணுகுமுறையைத் தேர்ந்தெடுத்தோம். ஆனால் இயந்திர கற்றலின் முக்கிய பிரச்சனைகளில் ஒன்று போதிய அளவு பயிற்சி தரவுகளை வைத்திருக்க வேண்டும். வெளிப்படையாக, நமக்குத் தேவையான பொருட்களைக் கொண்ட உண்மையான காட்சிகளிலிருந்து பெறப்பட்ட இயற்கையான படங்கள் நமக்குக் கிடைக்காது. எனவே, அதிர்ஷ்டவசமாக, பயிற்சிக்குத் தேவையான தரவை உருவாக்குவதை நாட முடிவு செய்யப்பட்டது . இன்னும், இந்த பணிக்கான தரவை முழுமையாக ஒருங்கிணைப்பது இயற்கைக்கு மாறானதாகத் தோன்றியது, எனவே உண்மையான காட்சிகளை உருவகப்படுத்த ஒரு சிறப்பு தளவமைப்பு தயாரிக்கப்பட்டது. மாதிரியானது கிராமப்புறங்களை உருவகப்படுத்தும் பல்வேறு பொருட்களைக் கொண்டுள்ளது: சிறப்பியல்பு நிலப்பரப்பு, புதர்கள், மரங்கள், வேலிகள் போன்றவை. சிறிய வடிவிலான டிஜிட்டல் கேமராவைப் பயன்படுத்தி படங்கள் எடுக்கப்பட்டன. படம் பிடிப்பு செயல்முறையின் போது, பின்னணி மாற்றங்களுக்கு அல்காரிதம்களை மிகவும் வலுவானதாக மாற்ற காட்சியின் பின்னணி கணிசமாக மாறியது.
இலக்கு பொருள்கள் 4 போர் டாங்கிகளின் மாதிரிகள்: T-90 (ரஷ்யா), M1A2 ஆப்ராம்ஸ் (அமெரிக்கா), T-14 (ரஷ்யா), மெர்காவா III (இஸ்ரேல்). பலகோணத்தின் வெவ்வேறு நிலைகளில் பொருள்கள் அமைந்துள்ளன, இதன் மூலம் பொருளின் ஏற்றுக்கொள்ளக்கூடிய புலப்படும் கோணங்களின் பட்டியலை விரிவுபடுத்துகிறது. பொறியியல் தடைகள், மரங்கள், புதர்கள் மற்றும் பிற நிலப்பரப்பு கூறுகள் குறிப்பிடத்தக்க பங்கைக் கொண்டிருந்தன.
இவ்வாறு, ஓரிரு நாட்களில், பயிற்சிக்கான போதுமான தொகுப்பை சேகரித்தோம் மற்றும் அல்காரிதத்தின் தரத்தை மதிப்பீடு செய்தோம் (பல பல்லாயிரக்கணக்கான படங்கள்).
அவர்கள் அங்கீகாரத்தை இரண்டு பகுதிகளாகப் பிரிக்க முடிவு செய்தனர்: பொருள் உள்ளூர்மயமாக்கல் மற்றும் பொருள் வகைப்பாடு. பயிற்சி பெற்ற வயோலா மற்றும் ஜோன்ஸ் வகைப்படுத்தியைப் பயன்படுத்தி உள்ளூர்மயமாக்கல் செய்யப்பட்டது (எல்லாவற்றிற்கும் மேலாக, ஒரு தொட்டி ஒரு சாதாரண கடினமான பொருள், முகத்தை விட மோசமாக இல்லை, எனவே வயோலா மற்றும் ஜோன்ஸின் "விவர-குருட்டு" முறை இலக்கு பொருளை விரைவாக உள்ளூர்மயமாக்குகிறது). ஆனால் கோணத்தின் வகைப்பாடு மற்றும் நிர்ணயத்தை ஒரு கன்வல்யூஷனல் நியூரல் நெட்வொர்க்கிற்கு ஒப்படைத்தோம் - இந்த பணியில் டி -90 ஐ மெர்காவாவிலிருந்து வேறுபடுத்தும் அம்சங்களை டிடெக்டர் வெற்றிகரமாக அடையாளம் காண்பது எங்களுக்கு முக்கியம். இதன் விளைவாக, ஒரே மாதிரியான பொருள்களின் உள்ளூர்மயமாக்கல் மற்றும் வகைப்படுத்தலின் சிக்கலை வெற்றிகரமாக தீர்க்கும் வழிமுறைகளின் பயனுள்ள கலவையை உருவாக்க முடிந்தது.
அடுத்து, எங்களின் தற்போதைய அனைத்து இயங்குதளங்களிலும் (Intel, ARM, Elbrus, Baikal, KOMDIV) விளைவான நிரலை நாங்கள் தொடங்கினோம், செயல்திறனை அதிகரிக்க கணக்கீட்டு ரீதியாக கடினமான வழிமுறைகளை மேம்படுத்தினோம் (எங்கள் கட்டுரைகளில் இதைப் பற்றி ஏற்கனவே பலமுறை எழுதியுள்ளோம், எடுத்துக்காட்டாக இங்கே அல்லது ) மற்றும் உண்மையான நேரத்தில் சாதனத்தில் நிரலின் நிலையான செயல்பாட்டை அடைந்தது.
விவரிக்கப்பட்ட அனைத்து செயல்களின் விளைவாக, குறிப்பிடத்தக்க தந்திரோபாய மற்றும் தொழில்நுட்ப பண்புகளுடன் ஒரு முழு அளவிலான மென்பொருள் தயாரிப்பைப் பெற்றுள்ளோம்.
ஸ்மார்ட் டேங்க் ரீடர்
எனவே, எங்கள் புதிய மேம்பாட்டை நாங்கள் உங்களுக்கு வழங்குகிறோம் - வீடியோ ஸ்ட்ரீமில் தொட்டிகளின் படங்களை அங்கீகரிப்பதற்கான ஒரு திட்டம் ஸ்மார்ட் டேங்க் ரீடர், எந்த:
- கொடுக்கப்பட்ட பொருள்களின் "நண்பர் அல்லது எதிரி" சிக்கலை உண்மையான நேரத்தில் தீர்க்கிறது;
- வடிவியல் அளவுருக்களை தீர்மானிக்கிறது (பொருளுக்கான தூரம், பொருளின் விருப்பமான நோக்குநிலை);
- கட்டுப்பாடற்ற வானிலை நிலைகளில் வேலை செய்கிறது, அதே போல் வெளிநாட்டு பொருட்களால் பொருளைப் பகுதியளவு தடுக்கிறது;
- ரேடியோ தொடர்பு இல்லாதது உட்பட இலக்கு சாதனத்தில் முழு தன்னாட்சி செயல்பாடு;
- ஆதரிக்கப்படும் செயலி கட்டமைப்புகளின் பட்டியல்: Elbrus, Baikal, KOMDIV, அத்துடன் x86, x86_64, ARM;
- ஆதரிக்கப்படும் இயக்க முறைமைகளின் பட்டியல்: Elbrus OS, AstraLinux OS, Atlix OS, அத்துடன் MS Windows, macOS, gcc 4.8, Android, iOS ஆகியவற்றை ஆதரிக்கும் பல்வேறு Linux விநியோகங்கள்;
- முற்றிலும் உள்நாட்டு வளர்ச்சி.
வழக்கமாக, Habré பற்றிய எங்கள் கட்டுரைகளின் முடிவில், சந்தைக்கான இணைப்பை நாங்கள் வழங்குகிறோம், அங்கு தங்கள் மொபைல் ஃபோனைப் பயன்படுத்தும் எவரும் தொழில்நுட்பத்தின் செயல்திறனை உண்மையில் மதிப்பிடுவதற்காக பயன்பாட்டின் டெமோ பதிப்பைப் பதிவிறக்கலாம். இந்த நேரத்தில், பெறப்பட்ட பயன்பாட்டின் பிரத்தியேகங்களை கணக்கில் எடுத்துக்கொள்வதன் மூலம், எங்கள் வாசகர்கள் அனைவரும் தங்கள் வாழ்நாளில் ஒரு குறிப்பிட்ட பக்கத்திற்கு சொந்தமானதா என்பதை விரைவாக தீர்மானிக்கும் சிக்கலை எதிர்கொள்வதை நாங்கள் விரும்புகிறோம்.
ஆதாரம்: www.habr.com