குழு புகைப்படத்தில் முகங்களை அடையாளம் காணும் திறன் உங்கள் ஸ்மார்ட்போனின் கேமராவால் நீங்கள் எப்போதாவது ஈர்க்கப்பட்டிருக்கிறீர்களா?
நம்பமுடியாத துல்லியத்துடன் பாதசாரிகள் மற்றும் பிற வாகனங்களை அடையாளம் காணும் வகையில், சுய-ஓட்டுநர் கார்கள் எவ்வாறு தடையின்றி போக்குவரத்தை வழிநடத்துகின்றன என்பதைக் கண்டு நீங்கள் ஆச்சரியப்பட்டிருக்கலாம்.
இந்த வெளித்தோற்றத்தில் இயற்கைக்கு அப்பாற்பட்ட சாதனைகள், ஒரு கவர்ச்சிகரமான ஆராய்ச்சிப் பொருளான, பொருள் கண்டறிதல் மூலம் சாத்தியமாகின்றன. எளிமையாகச் சொன்னால், பொருள் கண்டறிதல் என்பது படங்கள் அல்லது வீடியோக்களில் உள்ள பொருட்களை அடையாளம் கண்டு உள்ளூர்மயமாக்குவதாகும்.
கணினிகள் தங்களைச் சுற்றியுள்ள உலகத்தை "பார்க்கவும்" புரிந்துகொள்ளவும் அனுமதிக்கும் தொழில்நுட்பம் இது.
ஆனால் இந்த நம்பமுடியாத செயல்முறை எவ்வாறு செயல்படுகிறது? அதை நாங்கள் பார்க்கிறோம் ஆழ்ந்த கற்றல் உள்ளது பொருள் அடையாளம் காணும் பகுதியில் புரட்சியை ஏற்படுத்தியது. இது நமது அன்றாட வாழ்வில் நேரடி தாக்கத்தை ஏற்படுத்தும் பயன்பாடுகளின் வரிசைக்கு வழி திறக்கிறது.
இந்த இடுகையில், ஆழ்ந்த கற்றல் அடிப்படையிலான பொருள் அடையாளத்தின் கவர்ச்சிகரமான மண்டலத்தின் வழியாகச் செல்வோம், தொழில்நுட்பத்துடன் நாம் தொடர்பு கொள்ளும் விதத்தை மறுவடிவமைக்கும் திறனை அது எவ்வாறு கொண்டுள்ளது என்பதைக் கற்றுக்கொள்வோம்.
பொருள் கண்டறிதல் என்றால் என்ன?
மிக ஒன்று அடிப்படை கணினி பார்வை பணிகள் என்பது பொருள் கண்டறிதல் ஆகும், இது ஒரு படம் அல்லது வீடியோவில் உள்ள பல்வேறு பொருட்களைக் கண்டுபிடித்து கண்டறிவதை உள்ளடக்கியது.
ஒவ்வொரு பொருளின் வகுப்பு லேபிளும் தீர்மானிக்கப்படும் பட வகைப்பாட்டுடன் ஒப்பிடும் போது, பொருள் கண்டறிதல் ஒரு படி மேலே செல்கிறது, ஒவ்வொரு பொருளின் இருப்பையும் அடையாளம் காண்பது மட்டுமல்லாமல், ஒவ்வொன்றையும் சுற்றி எல்லைப் பெட்டிகளை வரைகிறது.
இதன் விளைவாக, ஆர்வமுள்ள பொருட்களின் வகைகளை ஒரே நேரத்தில் கண்டறிந்து அவற்றை துல்லியமாக கண்டுபிடிக்க முடியும்.
பொருள்களைக் கண்டறியும் திறன் பல பயன்பாடுகளுக்கு இன்றியமையாதது தன்னாட்சி ஓட்டுநர், கண்காணிப்பு, முகம் அடையாளம் காணுதல் மற்றும் மருத்துவ இமேஜிங்.
இந்த கடினமான சவாலை மிகச்சிறந்த துல்லியம் மற்றும் நிகழ்நேர செயல்திறனுடன் கையாள, ஆழ்ந்த கற்றல் அடிப்படையிலான நுட்பங்கள் பொருள் கண்டறிதலை மாற்றியுள்ளன.
இந்தச் சிரமங்களைச் சமாளிப்பதற்கும், பொருள் அங்கீகாரத் தொழிலை மாற்றுவதற்குமான ஒரு சக்திவாய்ந்த உத்தியாக ஆழ்ந்த கற்றல் சமீபத்தில் வெளிப்பட்டுள்ளது.
ஆர்-சிஎன்என் குடும்பம் மற்றும் தி YOLO குடும்பம் என்பது பொருள் அடையாளத்தில் நன்கு அறியப்பட்ட இரண்டு மாதிரி குடும்பங்கள், அவை இந்த கட்டுரையில் ஆராயப்படும்.
R-CNN குடும்பம்: முன்னோடி பொருள் கண்டறிதல்
ஆர்-சிஎன்என், ஃபாஸ்ட் ஆர்-சிஎன்என் மற்றும் ஃபாஸ்டர் ஆர்-சிஎன்என் ஆகியவற்றை உள்ளடக்கிய ஆர்-சிஎன்என் குடும்பத்திற்கு நன்றி, ஆரம்பகால பொருள் அங்கீகார ஆராய்ச்சி கணிசமான முன்னேற்றங்களைக் கண்டது.
அதன் மூன்று-தொகுதி கட்டமைப்புடன், R-CNN முன்மொழியப்பட்ட பகுதிகள் அம்சங்களைப் பிரித்தெடுக்க CNN ஐப் பயன்படுத்தியது, மற்றும் நேரியல் SVMகளைப் பயன்படுத்தி வகைப்படுத்தப்பட்ட பொருள்கள்.
R-CNN சரியாக இருந்தது, இருப்பினும் வேட்பாளர் பிராந்திய ஏலங்கள் தேவைப்படுவதால் சிறிது நேரம் எடுத்தது. இது ஃபாஸ்ட் ஆர்-சிஎன்என் மூலம் கையாளப்பட்டது, இது அனைத்து தொகுதிகளையும் ஒரே மாதிரியாக இணைப்பதன் மூலம் செயல்திறனை அதிகரித்தது.
பயிற்சியின் போது பிராந்திய முன்மொழிவுகளை உருவாக்கி மேம்படுத்திய பிராந்திய முன்மொழிவு நெட்வொர்க்கை (RPN) சேர்ப்பதன் மூலம், வேகமான R-CNN செயல்திறனை கணிசமாக மேம்படுத்தியது மற்றும் கிட்டத்தட்ட நிகழ்நேர பொருள் அங்கீகாரத்தை அடைந்தது.
R-CNN இலிருந்து வேகமான R-CNN வரை
R-CNN குடும்பம், இது "பிராந்திய அடிப்படையிலானது கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள், பொருள் கண்டறிதலில் முன்னோடியாக முன்னேறியுள்ளது.
இந்தக் குடும்பத்தில் R-CNN, Fast R-CNN மற்றும் Faster R-CNN ஆகியவை அடங்கும், இவை அனைத்தும் பொருளின் உள்ளூர்மயமாக்கல் மற்றும் அங்கீகாரப் பணிகளைச் சமாளிக்க வடிவமைக்கப்பட்டுள்ளன.
அசல் R-CNN, 2014 இல் அறிமுகப்படுத்தப்பட்டது, பொருள் கண்டறிதல் மற்றும் உள்ளூர்மயமாக்கலுக்கான கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகளை வெற்றிகரமாகப் பயன்படுத்துவதை நிரூபித்தது.
பிராந்திய ஆலோசனை, சிஎன்என் மூலம் அம்சம் பிரித்தெடுத்தல் மற்றும் லீனியர் சப்போர்ட் வெக்டர் மெஷின் (எஸ்விஎம்) வகைப்படுத்திகளுடன் பொருள் வகைப்பாடு ஆகியவற்றை உள்ளடக்கிய மூன்று-படி உத்தியை இது எடுத்தது.
2015 இல் ஃபாஸ்ட் ஆர்-சிஎன்என் தொடங்கப்பட்டதைத் தொடர்ந்து, பிராந்திய முன்மொழிவு மற்றும் வகைப்படுத்தலை ஒரு மாதிரியாக இணைப்பதன் மூலம் வேக சிக்கல்கள் தீர்க்கப்பட்டன, பயிற்சி மற்றும் அனுமான நேரத்தை வியத்தகு முறையில் குறைத்தது.
வேகமான R-CNN, 2016 இல் வெளியிடப்பட்டது, பயிற்சியின் போது பகுதிகளை விரைவாக முன்மொழிவதற்கும் திருத்துவதற்கும் பிராந்திய முன்மொழிவு நெட்வொர்க்கை (RPN) சேர்ப்பதன் மூலம் வேகம் மற்றும் துல்லியத்தை மேம்படுத்தியது.
இதன் விளைவாக, ஃபாஸ்டர் ஆர்-சிஎன்என், பொருள் கண்டறிதல் பணிகளுக்கான முன்னணி அல்காரிதம்களில் ஒன்றாக தன்னை நிலைநிறுத்திக் கொண்டது.
SVM வகைப்படுத்திகளின் ஒருங்கிணைப்பு R-CNN குடும்பத்தின் வெற்றிக்கு முக்கியமானது, கணினி பார்வையின் பகுதியை மாற்றியது மற்றும் ஆழ்ந்த கற்றல் அடிப்படையிலான பொருள் கண்டறிதலில் எதிர்கால சாதனைகளுக்கு வழி வகுத்தது.
பலம்:
- உயர் உள்ளூர்மயமாக்கல் பொருள் கண்டறிதல் துல்லியம்.
- துல்லியம் மற்றும் செயல்திறன் ஆகியவை வேகமான R-CNN இன் ஒருங்கிணைந்த வடிவமைப்பால் சமப்படுத்தப்படுகின்றன.
பலவீனங்கள்:
- R-CNN மற்றும் Fast R-CNN உடனான அனுமானம் மிகவும் கடினமானதாக இருக்கும்.
- வேகமான R-CNN சிறப்பாகச் செயல்பட, பல பிராந்திய முன்மொழிவுகள் இன்னும் தேவைப்படலாம்.
YOLO குடும்பம்: நிகழ்நேரத்தில் பொருள் கண்டறிதல்
YOLO குடும்பம், "யூ ஒன்லி லுக் ஒன்ஸ்" என்ற கருத்தின் அடிப்படையில் துல்லியமாக தியாகம் செய்யும் போது நிகழ் நேர பொருள் அங்கீகாரத்தை வலியுறுத்துகிறது.
அசல் YOLO மாதிரியானது ஒற்றை நரம்பியல் வலையமைப்பைக் கொண்டிருந்தது, இது நேரடியாக எல்லைப் பெட்டிகள் மற்றும் வகுப்பு லேபிள்களைக் கணித்துள்ளது.
குறைவான கணிப்புத் துல்லியம் இருந்தாலும், YOLO ஆனது வினாடிக்கு 155 பிரேம்கள் வரை வேகத்தில் இயங்க முடியும். YOLO2 என்றும் அறியப்படும் YOLOv9000, 9,000 ஆப்ஜெக்ட் வகுப்புகளைக் கணிப்பதன் மூலமும், மேலும் உறுதியான கணிப்புகளுக்கு நங்கூரப் பெட்டிகளைச் சேர்ப்பதன் மூலமும் அசல் மாதிரியின் சில குறைபாடுகளை நிவர்த்தி செய்தது.
YOLOv3 மேலும் மேம்பட்ட அம்சத்தைக் கண்டறியும் நெட்வொர்க்குடன்.
YOLO குடும்பத்தின் உள் செயல்பாடுகள்
YOLO (நீங்கள் ஒருமுறை மட்டும் பாருங்கள்) குடும்பத்தில் உள்ள பொருள் அடையாள மாதிரிகள் கணினி பார்வையில் குறிப்பிடத்தக்க சாதனையாக வெளிப்பட்டுள்ளது.
2015 இல் அறிமுகப்படுத்தப்பட்ட YOLO, எல்லைப் பெட்டிகள் மற்றும் வகுப்பு லேபிள்களை நேரடியாக எதிர்பார்த்து, வேகம் மற்றும் நிகழ்நேர பொருள் அடையாளத்தை முதன்மைப்படுத்துகிறது.
சில துல்லியம் தியாகம் செய்யப்பட்டாலும், இது புகைப்படங்களை நிகழ்நேரத்தில் பகுப்பாய்வு செய்கிறது, இது நேரத்தை முக்கியமான பயன்பாடுகளுக்கு பயனுள்ளதாக்குகிறது.
YOLOv2 ஆனது பலதரப்பட்ட பொருள் அளவுகளைக் கையாள்வதற்காக நங்கூரப் பெட்டிகளை இணைத்தது மற்றும் 9,000 க்கும் மேற்பட்ட பொருள் வகுப்புகளை எதிர்பார்க்கும் வகையில் பல தரவுத்தொகுப்புகளில் பயிற்சி பெற்றது.
2018 ஆம் ஆண்டில், YOLOv3 ஒரு ஆழமான அம்சத்தைக் கண்டறியும் நெட்வொர்க்குடன் குடும்பத்தை மேலும் மேம்படுத்தியது, செயல்திறனைத் தியாகம் செய்யாமல் துல்லியத்தை மேம்படுத்தியது.
YOLO குடும்பம் படத்தை ஒரு கட்டமாகப் பிரிப்பதன் மூலம் எல்லைப் பெட்டிகள், வகுப்பு நிகழ்தகவுகள் மற்றும் பொருளின்மை மதிப்பெண்களைக் கணிக்கின்றது. இது வேகத்தையும் துல்லியத்தையும் திறமையாக ஒருங்கிணைக்கிறது, இது பயன்படுத்துவதற்கு ஏற்றதாக அமைகிறது தன்னாட்சி வாகனங்கள், கண்காணிப்பு, சுகாதாரம் மற்றும் பிற துறைகள்.
YOLO தொடர் குறிப்பிடத்தக்க துல்லியத்தை இழக்காமல் நிகழ்நேர தீர்வுகளை வழங்குவதன் மூலம் பொருள் அடையாளத்தை மாற்றியுள்ளது.
YOLO இலிருந்து YOLOv2 மற்றும் YOLOv3 வரை, இந்த குடும்பம் தொழில்கள் முழுவதும் பொருள் அங்கீகாரத்தை மேம்படுத்துவதில் கணிசமான முன்னேற்றங்களைச் செய்துள்ளது, நவீன ஆழ்ந்த கற்றல் அடிப்படையிலான பொருள் கண்டறிதல் அமைப்புகளுக்கான தரநிலையை நிறுவுகிறது.
பலம்:
- அதிக பிரேம் விகிதத்தில் நிகழ்நேரத்தில் பொருட்களைக் கண்டறிதல்.
- எல்லைப் பெட்டி கணிப்புகளில் நிலைத்தன்மை YOLOv2 மற்றும் YOLOv3 இல் அறிமுகப்படுத்தப்பட்டுள்ளது.
பலவீனங்கள்:
- YOLO மாதிரிகள் வேகத்திற்கு ஈடாக சில துல்லியத்தை விட்டுவிடலாம்.
மாதிரி குடும்ப ஒப்பீடு: துல்லியம் மற்றும் செயல்திறன்
R-CNN மற்றும் YOLO குடும்பங்களை ஒப்பிடும் போது, துல்லியம் மற்றும் செயல்திறன் ஆகியவை முக்கியமான வர்த்தக பரிமாற்றங்கள் என்பது தெளிவாகிறது. R-CNN குடும்ப மாதிரிகள் துல்லியத்தில் சிறந்து விளங்குகின்றன, ஆனால் அவற்றின் மூன்று தொகுதிக் கட்டமைப்பின் காரணமாக அனுமானத்தின் போது மெதுவாக இருக்கும்.
YOLO குடும்பம், மறுபுறம், நிகழ்நேர செயல்திறனுக்கு முன்னுரிமை அளிக்கிறது, சில துல்லியத்தை இழக்கும் போது சிறந்த வேகத்தை வழங்குகிறது. இந்த மாதிரி குடும்பங்களுக்கு இடையிலான முடிவு பயன்பாட்டின் குறிப்பிட்ட தேவைகளால் தீர்மானிக்கப்படுகிறது.
தீவிர துல்லியம் தேவைப்படும் பணிச்சுமைகளுக்கு R-CNN குடும்ப மாதிரிகள் விரும்பத்தக்கதாக இருக்கும், அதேசமயம் YOLO குடும்ப மாதிரிகள் நிகழ்நேர பயன்பாடுகளுக்கு ஏற்றதாக இருக்கும்.
பொருள் அங்கீகாரத்திற்கு அப்பால்: நிஜ-உலகப் பயன்பாடுகள்
நிலையான பொருள் அங்கீகார பணிகளுக்கு அப்பால், ஆழ்ந்த கற்றல் அடிப்படையிலான பொருள் கண்டறிதல் பரந்த அளவிலான பயன்பாடுகளைக் கண்டறிந்துள்ளது.
அதன் தகவமைப்பு மற்றும் துல்லியமானது பல்வேறு துறைகளில் புதிய வாய்ப்புகளை உருவாக்கி, சிக்கலான சவால்களை எதிர்கொள்ளும் மற்றும் வணிகங்களை மாற்றியமைக்கிறது.
தன்னாட்சி வாகனங்கள்: பாதுகாப்பான ஓட்டுதலுக்கான தரத்தை அமைத்தல்
பாதுகாப்பான மற்றும் நம்பகமான வழிசெலுத்தலை உறுதிப்படுத்த தன்னாட்சி கார்களில் பொருள் கண்டறிதல் முக்கியமானது.
ஆழமான கற்றல் மாதிரிகள் பாதசாரிகள், சைக்கிள் ஓட்டுபவர்கள், பிற கார்கள் மற்றும் சாத்தியமான சாலை அபாயங்களை அங்கீகரித்து உள்ளூர்மயமாக்குவதன் மூலம் தன்னாட்சி ஓட்டுநர் அமைப்புகளுக்கு முக்கியமான தகவல்களை வழங்குதல்.
இந்த மாதிரிகள் வாகனங்களை நிகழ்நேரத் தேர்வுகளை எடுக்கவும், மோதல்களைத் தடுக்கவும் அனுமதிக்கின்றன, சுய-ஓட்டுநர் கார்கள் மனித ஓட்டுநர்களுடன் இணைந்து செயல்படும் எதிர்காலத்திற்கு நம்மை நெருக்கமாகக் கொண்டுவருகின்றன.
சில்லறை வர்த்தகத்தில் செயல்திறன் மற்றும் பாதுகாப்பை அதிகரித்தல்
சில்லறை வணிகமானது அதன் செயல்பாடுகளை பெரிதும் மேம்படுத்த ஆழமான கற்றல் அடிப்படையிலான பொருள் கண்டறிதலை ஏற்றுக்கொண்டது.
பொருள் கண்டறிதல், கடை அலமாரிகளில் உள்ள தயாரிப்புகளை அடையாளம் கண்டு கண்காணிப்பதில் உதவுகிறது, இது மிகவும் பயனுள்ள மறுதொடக்கம் மற்றும் கையிருப்பில் இல்லாத சூழ்நிலைகளைக் குறைக்க அனுமதிக்கிறது.
மேலும், பொருள் கண்டறிதல் வழிமுறைகள் பொருத்தப்பட்ட கண்காணிப்பு அமைப்புகள் திருட்டைத் தடுக்கவும், கடையின் பாதுகாப்பைப் பராமரிக்கவும் உதவுகின்றன.
ஹெல்த்கேரில் மெடிக்கல் இமேஜிங் முன்னேற்றம்
ஆழ்ந்த கற்றல் அடிப்படையிலான பொருள் கண்டறிதல் என்பது சுகாதாரத் துறையில் மருத்துவ இமேஜிங்கில் ஒரு முக்கிய கருவியாக மாறியுள்ளது.
எக்ஸ்-கதிர்கள், எம்ஆர்ஐ ஸ்கேன்கள் மற்றும் புற்றுநோய்கள் அல்லது குறைபாடுகள் போன்ற பிற மருத்துவப் படங்களில் உள்ள அசாதாரணங்களைக் கண்டறிய இது சுகாதாரப் பயிற்சியாளர்களுக்கு உதவுகிறது.
குறிப்பிட்ட இடங்களைக் கண்டறிந்து சிறப்பித்துக் காட்டுவதன் மூலம் ஆரம்பகால நோயறிதல் மற்றும் சிகிச்சை திட்டமிடலில் பொருள் அடையாளம் காண உதவுகிறது.
பாதுகாப்பு மற்றும் கண்காணிப்பு மூலம் பாதுகாப்பை மேம்படுத்துதல்
பாதுகாப்பு மற்றும் கண்காணிப்பு பயன்பாடுகளில் பொருள் கண்டறிதல் நம்பமுடியாத அளவிற்கு பயனுள்ளதாக இருக்கும்.
ஆழ்ந்த கற்றல் வழிமுறைகள் கூட்டத்தைக் கண்காணிக்கவும், சந்தேகத்திற்கிடமான நடத்தையை அடையாளம் காணவும், பொது இடங்கள், விமான நிலையங்கள் மற்றும் போக்குவரத்து மையங்களில் சாத்தியமான ஆபத்துகளைக் கண்டறியவும் உதவுங்கள்.
வீடியோ ஊட்டங்களைத் தொடர்ந்து மதிப்பீடு செய்வதன் மூலமும், பாதுகாப்பு மீறல்களைத் தடுப்பதன் மூலமும், பொதுப் பாதுகாப்பை உறுதி செய்வதன் மூலமும் இந்த அமைப்புகள் பாதுகாப்பு நிபுணர்களை நிகழ்நேரத்தில் எச்சரிக்க முடியும்.
தற்போதைய தடைகள் மற்றும் எதிர்கால வாய்ப்புகள்
ஆழ்ந்த கற்றல் அடிப்படையிலான பொருள் கண்டறிதலில் குறிப்பிடத்தக்க முன்னேற்றங்கள் இருந்தபோதிலும், சிக்கல்கள் உள்ளன. தரவு தனியுரிமை என்பது ஒரு தீவிரமான கவலையாகும், ஏனெனில் பொருள் கண்டறிதல் அடிக்கடி முக்கியமான தகவலை நிர்வகிப்பதை உள்ளடக்குகிறது.
மற்றொரு முக்கிய பிரச்சனை, எதிரிகளின் தாக்குதலுக்கு எதிரான பின்னடைவை உறுதி செய்வதாகும்.
மாதிரி பொதுமைப்படுத்தல் மற்றும் விளக்கத்தை அதிகரிப்பதற்கான வழிகளை ஆராய்ச்சியாளர்கள் இன்னும் தேடுகின்றனர்.
மல்டி-ஆப்ஜெக்ட் ஐடெண்டிஃபிகேஷன், வீடியோ ஆப்ஜெக்ட் டிராக்கிங் மற்றும் நிகழ்நேர 3டி ஆப்ஜெக்ட் அறிகனிஷன் ஆகியவற்றில் கவனம் செலுத்தி வரும் ஆராய்ச்சியின் மூலம், எதிர்காலம் பிரகாசமாகத் தெரிகிறது.
ஆழ்ந்த கற்றல் மாதிரிகள் தொடர்ந்து வளர்ந்து வருவதால், இன்னும் துல்லியமான மற்றும் திறமையான தீர்வுகளை நாம் விரைவில் எதிர்பார்க்க வேண்டும்.
தீர்மானம்
ஆழ்ந்த கற்றல் பொருள் கண்டறிதலை மாற்றியுள்ளது, அதிக துல்லியம் மற்றும் செயல்திறனுடைய சகாப்தத்தை உருவாக்குகிறது. R-CNN மற்றும் YOLO குடும்பங்கள் முக்கியமான பாத்திரங்களை வகித்துள்ளன, ஒவ்வொன்றும் குறிப்பிட்ட பயன்பாடுகளுக்கு தனித்தனியான திறன்களைக் கொண்டுள்ளன.
ஆழ்ந்த கற்றல் அடிப்படையிலான பொருள் அடையாளம் என்பது துறைகளில் புரட்சியை ஏற்படுத்துகிறது மற்றும் தன்னாட்சி வாகனங்கள் முதல் சுகாதார பராமரிப்பு வரை பாதுகாப்பு மற்றும் செயல்திறனை மேம்படுத்துகிறது.
ஆராய்ச்சி முன்னேற்றங்கள், சிரமங்களை நிவர்த்தி செய்தல் மற்றும் புதிய பகுதிகளை ஆராய்வதன் மூலம் பொருள் கண்டறிதலின் எதிர்காலம் முன்னெப்போதையும் விட பிரகாசமாகத் தோன்றுகிறது.
கணினிப் பார்வையில் ஒரு புதிய யுகத்தின் பிறப்பை நாம் கண்கூடாகக் காண்கிறோம், நாம் ஆழ்ந்த கற்றலின் ஆற்றலைத் தழுவி, பொருள் கண்டறிதல் வழி நடத்துகிறது.
ஒரு பதில் விடவும்