प्रौद्योगिकी साझेदारी

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

लेख सारांश

दूरसंवेदितचित्रेषु (RSIs) सेतुपरिचयः विभिन्नेषु अनुप्रयोगेषु महत्त्वपूर्णां भूमिकां निर्वहति，परन्तु अन्येषां वस्तुपरिचयानां तुलने सेतुपरिचयः अद्वितीयचुनौत्यस्य सामनां करोति । आरएसआई-मध्ये सेतुषु स्थानिक-परिमाणे, आस्पेक्ट-अनुपाते च पर्याप्तं भिन्नता दृश्यते । अतः सेतुदृश्यतां अखण्डतां च सुनिश्चित्य बृहत्-परिमाणेन उच्च-संकल्प-(VHR) आरएसआई-मध्ये समग्र-सेतुनिरीक्षणम् आवश्यकम् अस्ति । परन्तु VHR RSIs इत्यस्य बृहत्-आकारस्य आँकडा-समूहस्य अभावः सेतु-परिचये गहन-शिक्षण-एल्गोरिदम्-प्रदर्शनं सीमितं करोति । बृहत्-आकारस्य चित्राणां संसाधनकाले GPU-स्मृतेः सीमायाः कारणात् गहनशिक्षण-आधारित-वस्तु-परिचय-विधयः प्रायः सस्य-रणनीतयः स्वीकरोति, यत् अनिवार्यतया लेबल-विखण्डनं भविष्यवाणी-विच्छेदं च जनयतिदत्तांशसमूहानां दुर्लभतां न्यूनीकर्तुं,लेखः GLH-Bridge इति बृहत्-परिमाणस्य आँकडा-समूहस्य प्रस्तावम् अयच्छति, यस्मिन् विश्वस्य विभिन्नभौगोलिकस्थानात् नमूनानि गृहीताः ६,००० VHR RSIs सन्ति चित्राणां आकारः २,०४८ × २,०४८ तः १६,३८४ × १६,३८४ पिक्सेल् पर्यन्तं भवति, अत्र कुलम् ५९,७३७ सेतुः सन्ति । सेतुः भिन्नपृष्ठभूमिषु व्याप्नोति, प्रत्येकं सेतुः उन्मुखसीमापेटिका (OBB) तथा क्षैतिजसीमापेटिका (HBB) इत्येतयोः उपयोगेन हस्तचलितरूपेण टिप्पणीकृतः भवतिअपि च, लेखकाः बृहत्-आकारस्य आरएसआई-मध्ये सेतु-परिचयार्थं कुशलं समग्र-सेतु-परिचय-जालम् (HBD-Net) प्रस्तावन्ति । एच् बी डी-नेट स्वतन्त्र डिटेक्टर-आधारित-विशेषता-संलयन (SDFF) आर्किटेक्चरं स्वीकरोति तथा च आकार-संवेदनशील-नमूना-पुनर्भार-(SSRW) रणनीत्याः माध्यमेन अनुकूलितं भवति SDFF आर्किटेक्चर बृहत्-आकारस्य चित्राणां गतिशील-प्रतिबिम्ब-पिरामिड (DIP) इत्यस्मिन् बहु-परिमाण-सन्दर्भे संलयनार्थं अन्तर-स्तर-विशेषता-संलयनं (IFF) करोति, तथा च SSRW-रणनीत्याः उपयोगः भिन्न-पक्षयुक्तानां सेतुनां कृते प्रतिगमन-भारस्य संतुलनं सुनिश्चित्य भवति अनुपाताः ।प्रस्तावितस्य GLH-Bridge आँकडासमूहस्य आधारेण लेखकाः OBB तथा HBB कार्याणि सहितं सेतुपरिचयमापदण्डं स्थापितवन्तः, प्रस्तावितस्य HBD-Net इत्यस्य प्रभावशीलतां च सत्यापितवन्तः।अपि च, सार्वजनिकरूपेण उपलब्धयोः दत्तांशसमूहयोः पार-दत्तांशसमूहसामान्यीकरणप्रयोगाः GLH-Bridge आँकडासंग्रहस्य प्रबलसामान्यीकरणक्षमतां प्रदर्शयन्ति ।

कागजस्य सम्बोधनम् : १.

https://ieeexplore.ieee.org/document/10509806 इति ग्रन्थः

दत्तांशसमूहः आकारेण विशालः, २०G अधिकः, डाउनलोड् कर्तुं अन्तर्जालस्य वैज्ञानिकप्रवेशः आवश्यकः अस्ति वयं सर्वेषां कृते पूर्वमेव अवतरणं कृतवन्तः ।

डाटा सेट् डाउनलोड् पता:

https://www.dilitanxianjia.com/15644/ ८.

भूतं वर्तमानं च

प्रमुखमूलसंरचनाघटकत्वेन सेतुः विविधक्षेत्रेषु विस्तृताः सन्ति, मूलभूतयानसुविधारूपेण च कार्यं कुर्वन्ति । नागरिकयानव्यवस्थायां, सैन्यकार्यक्रमेषु, आपदानिवारणे च तेषां महत्त्वम् अस्ति [१] ।तस्मिन् एव काले सेतुनिर्माणं द्रुतगत्या, बहुधा पुनः सज्जीकरणं च कृतम् . यथा, २०१२ तमे वर्षे अमेरिकादेशे प्रायः ६१७,००० सेतुः आसन्, तेषां क्षयः आगामिषु ५० वर्षेषु वर्धते, मरम्मतस्य पश्चात्तापस्य मरम्मतार्थं १२५ अरब डॉलरात् अधिकं आवश्यकं भविष्यति अतः सेतुनिरीक्षणस्य दक्षता प्रभावशीलता च नेविगेशननक्शानां समये अद्यतनीकरणाय तथा सेतुनां संरचनात्मकस्वास्थ्यस्य स्थितिस्य च अग्रे निरीक्षणाय महत्त्वपूर्णा अस्ति [2], [3 दूरसंवेदनप्रतिमाः (RSIs) विस्तृतभौगोलिकव्याप्तेः, पुनरागमनस्य उच्चावृत्तिः च इति कारणतः सेतुपरिचयार्थं मूलभूतदत्तांशरूपेण उपयुक्ताः सन्ति तस्मिन् एव काले गहनजालस्य शक्तिशालिनः विशेषताप्रतिपादनक्षमतां विचार्य गहनशिक्षणस्य आधारेण आरएसआई-परिचयस्य सेतुपरिचयस्य महती क्षमता अस्ति तथा च शोधस्य केन्द्रं जातम्

यथा चित्रे १ दर्शितं, अन्येषां सामान्यवस्तूनाम् तुलने आरएसआई-मध्ये बहु-परिमाण-सेतुनां पत्ताङ्गीकरणं मुख्य-लक्षणद्वयस्य कारणेन अत्यन्तं चुनौतीपूर्णं भवति: (i) विविध-वस्तु-मापदण्डाः उच्च-संकल्पयुक्तेषु (VHR) RSI-मध्ये सेतु-दृष्टान्तानां दीर्घता कतिपयेभ्यः पिक्सेल्-तः सहस्राणि पिक्सेल्-पर्यन्तं भवति । (ii) अत्यन्त आस्पेक्ट रेश्यो। सेतुषु विस्तारस्य विस्तारे महत्त्वपूर्णाः भेदाः सन्ति । लघु-संकीर्ण-सेतु-परिचय-क्षमता सुनिश्चित्य अत्यन्तं उच्च-संकल्प-(VHR)-प्रतिबिम्बस्य उपयोगः महत्त्वपूर्णः अस्ति । तस्मिन् एव काले VHR चित्रेषु बृहत्-दीर्घ-सेतुषु संरचनात्मक-अखण्डतां अनुसरणार्थं बृहत्-आकारस्य चित्रेषु समग्र-सेतु-परिचयः कर्तुं आवश्यकं भवति, यत् दत्तांश-समूहेषु, पद्धतौ च कठोर-आवश्यकताम् स्थापयति बहुवर्गीयवस्तुपरिचयस्य [१२], [१३], [१४], [१५], [१६] तथा सेतुपरिचयस्य [४], [११], [१७], .परन्तु बृहत्-आकारस्य वीएचआर आरएसआई-मध्ये समग्र-सेतु-परिचयार्थं बृहत्-परिमाणस्य आँकडा-समूहानां, समुचित-पद्धतीनां च अद्यापि अभावः अस्ति ।

यथा सारणी 1 मध्ये दर्शितं यद्यपि अनेके लोकप्रियाः RSIs वस्तुपरिचयदत्तांशसमूहाः निर्मिताः [6], [7], [8], [18] तथापि एतेषु दत्तांशसमूहेषु सेतुसङ्ख्या सीमिताः सन्तिअपि च, सेतुपरिचयार्थं विशेषतया निर्मिताः दत्तांशसमूहाः [4], [11] प्रायः नमूनाकारेण, चित्राकारेण च सीमिताः भवन्ति । केचन विद्यमानाः दत्तांशसमूहाः केवलं सटीक-उन्मुख-बाउण्डिंग-बॉक्स (OBB) टिप्पणीनां स्थाने क्षैतिज-बाउण्डिंग्-बॉक्स् (HBB) एनोटेशन्स् प्रदास्यन्ति । अतः उपर्युक्तदत्तांशसमूहस्य उपयोगेन एकं दृढं व्यापकरूपेण अनुकूलनीयं च सेतुपरिचयप्रतिरूपं प्रशिक्षितुं अवास्तविकं प्रतीयते । आँकडा-सीमा-समस्यायाः निवारणाय लेखकाः GLH-Bridge इति बृहत्-आकारस्य VHR RSI-इत्यस्य सेतु-परिचयार्थं बृहत्-परिमाणस्य आँकडा-समूहस्य निर्माणं कृतवन्तः । GLH-Bridge इत्यस्मिन् वैश्विकरूपेण नमूनाकृताः ६,००० VHR RSIs तथा च ५९,००० तः अधिकाः मैन्युअल् एनोटेटेड् सेतुः सन्ति । विद्यमानसेतुपरिचयदत्तांशसमूहानां तुलने जीएलएच-सेतुः बृहत्-आकारस्य वीएचआर आरएसआई-मध्ये बहु-परिमाणस्य सेतुषु टिप्पणीं कृत्वा वास्तविकदृश्येषु सेतुनां विशेषतां उत्तमरीत्या गृह्णाति, यत्र वनस्पतिः, शुष्क-नदी-तटाः, मार्ग-विशेषता च इत्यादीनां विविध-पृष्ठभूमि-प्रकारानाम् आच्छादनं करोति संक्षेपेण, GLH-Bridge विद्यमानसेतुपरिचयदत्तांशसमूहानां तुलने व्यापकलाभान् महत्त्वपूर्णलाभान् च प्रदर्शयति ।

अस्याः मौलिकव्यावहारिकसमस्यायाः विषये शोधं प्रवर्तयितुं लेखकाः एकं नूतनं चुनौतीपूर्णं सार्थकं च कार्यं प्रस्तावन्ति: बृहत्-परिमाणे वीएचआर-आरएसआई-मध्ये समग्र-सेतु-परिचयः।अस्य कार्यस्य समाधानार्थं सम्भाव्यसमाधानं चतुर्णां मुख्यक्षेत्रेषु विभक्तुं शक्यते : १. (i) GPU स्मृतेः सीमां दृष्ट्वा मुख्यधारायां गहनशिक्षण-आधारितवस्तुपरिचयविधयः [15], [16], [19], [20], [21] प्रायः सस्यरणनीतयः [7], [22] स्वीकुर्वन्ति परन्तु एतेषां रणनीतयः निहिताः सीमाः सन्ति, तेषां बृहत् सेतुः कटयितुं प्रवृत्ताः सन्ति, यथा चित्रे १ दर्शितम् अस्ति । क्रॉपिंग-रणनीतीनां अतिरिक्तं, केचन वस्तु-परिचय-विधयः नियत-विण्डो-डाउनसैम्पलिंग-रणनीत्याः माध्यमेन मूल-बृहत्-आकारस्य चित्राणि संसाधयन्ति [23], [24], [25], यस्य परिणामेण महत्त्वपूर्णं चित्र-सूचना-हानिः भवति [26] अग्रे पश्चात् च पासस्य कृते, परन्तु सामान्यीकरणेन सह गहनं तंत्रिकाजालं (DNN) समर्थयितुं न शक्नोति (iii) LMS पद्धतिः [27] प्रणालीस्मृतौ (CPU DRAM) तथा GPU स्मृतिसाझेदारी मध्ये स्मृतिं प्रसारयितुं स्मृति-अवरोहणस्य उपयोगं करोति परन्तु ते महत्त्वपूर्णसमयस्य उपरितनं प्रवर्तयन्ति तथा च अधिकतमस्मृतिविस्तारदरेण सीमिताः सन्ति (iv) बहु-GPU टेन्सर समानान्तरीकरणप्रविधयः [28], [29] बृहत्-आकारस्य चित्राणां समग्रप्रक्रियाकरणस्य समर्थनार्थं गहनजालस्य विस्तारं कर्तुं अपेक्षिताः सन्ति परन्तु ते प्रायः संसाधनगहनाः भवन्ति, नियमितपरिस्थितौ तेषां संचालनं कठिनं च भवति । सारांशेन, विद्यमानाः पद्धतयः साधारणगणनासंसाधनानाम् अन्तर्गतं बृहत्-आकारस्य VHR RSIs इत्यस्य समग्र-सेतु-परिचयं प्रभावीरूपेण कर्तुं न शक्नुवन्ति (यथा 24 GB स्मृत्या सह एकः GPU)

सम्भाव्यसमाधानस्य उपर्युक्तसीमानां विचारं कृत्वा लेखकाः बृहत्-आकारस्य VHR RSIs इत्यस्य सेतु-परिचयार्थं विशेषरूपेण डिजाइनं कृतं समग्र-सेतु-परिचय-जालम् (HBD-Net) प्रस्तावन्ति लेखकानां दृष्टिकोणस्य द्वौ प्रमुखौ लाभौ स्तः: (i) स्वतन्त्रा डिटेक्टर-आधारित-विशेषता-संलयन (SDFF) आर्किटेक्चर, यदा गतिशील-प्रतिबिम्ब-पिरामिड (DIP) इत्यत्र प्रयुक्ता, तदा न्यूनतम-संसाधन-उपभोगेन बृहत्-आकारस्य चित्राणि संसाधितुं कुशलं मार्गं प्रदर्शयति (ii) आकार-संवेदनशील-नमूना-पुनः-भारः (SSRW) रणनीतिः भिन्न-भिन्न-पक्ष-अनुपातैः सह सेतुनां प्रतिगमन-भारस्य संतुलनं करोति । GLH-Bridge इत्यस्य प्रयोगात्मकपरिणामाः प्रस्तावितस्य HBD-Net इत्यस्य उत्तमं प्रदर्शनं दर्शयन्ति।

सारांशेन लेखकानां ज्ञाने अयं पत्रः बृहत्-परिमाणे वीएचआर आरएसआई-मध्ये अभिन्न-सेतु-परिचयस्य अन्वेषणार्थं प्रथमः अस्ति ।अस्य लेखस्य मुख्यानि योगदानानि निम्नलिखितरूपेण सन्ति ।

• GLH-Bridge प्रस्तावितः अस्ति, बृहत्-आकारस्य VHR RSIs इत्यस्य सेतु-परिचयार्थं प्रथमः बृहत्-परिमाणस्य आँकडा-समूहः ।अस्मिन् दत्तांशसमूहे ५९,७३७ सेतुः सन्ति ये विविधपृष्ठभूमिं आच्छादयन्ति, येन वास्तविकजीवनस्य परिदृश्येषु सेतुनां व्यापकं प्रतिनिधित्वं प्राप्यते ।

• बृहत्-आकारस्य चित्राणां कृते न्यून-लाभ-समग्र-सेतु-परिचय-जालम् (अर्थात्, HBD-Net) प्रस्तावितं अस्ति, यत् कुशलतया बृहत्-आकारस्य चित्राणि संसाधितुं शक्नोति तथा च सुविकसित-SDFF आर्किटेक्चर तथा SSRW रणनीत्याः माध्यमेन बहु-परिमाण-सेतुनां समग्ररूपेण पत्ताङ्गीकरणं कर्तुं शक्नोति ।

• प्रस्तावितस्य GLH-Bridge आँकडासमूहस्य उपयोगेन लेखकाः OBB तथा HBB कार्याणि आच्छादयन् एकं सेतुपरिचयमापदण्डं निर्मान्ति । एच् बी डी-नेट् प्रदर्शने विद्यमानानाम् अत्याधुनिक-एल्गोरिदम्-भ्यः अधिकं प्रदर्शनं करोति । तदतिरिक्तं लेखकेन GLH-Bridge इत्यस्य प्रबलसामान्यीकरणक्षमतां प्रदर्शयितुं पार-दत्तांशसमूहसामान्यीकरणप्रयोगाः कृताः । लेखकाः आशान्ति यत् एषः मानदण्डः बृहत्-आकारस्य चित्रेषु वस्तु-परिचयस्य मूलभूत-मूल्यांकने योगदानं दातुं शक्नोति ।

चातुर्यम्

सेतुपरिचयार्थं नूतनदत्तांशसमूहस्य विकासे लेखकस्य लक्ष्यं द्विविधम् आसीत् । (i) बृहत्-परिमाणस्य उच्च-संकल्प-दूर-संवेदन-प्रतिबिम्बेषु (VHR RSIs) सेतु-परिचयार्थं बृहत्-परिमाणस्य आँकडा-समूहेषु अन्तरं पूरयन्तु। (ii) एकं नवीनं चुनौतीपूर्णं कार्यं च अग्रे सारयितुं : बृहत्-परिमाणे वीएचआर आरएसआई-मध्ये अभिन्न-सेतु-परिचयः।

चित्र 2. प्रस्ताविते GLH-Bridge आँकडासंग्रहात् नमूनाकृतानां चित्राणां भौगोलिकवितरणमानचित्रम्।

चित्र 3. मानकानुसारं लेबलिंग् इत्यस्य उदाहरणं, यत्र पीतं वृत्तं अलेबलयुक्तां स्थितिं सूचयति . (क) जलं लङ्घयन्तः मार्गाः ये अतिवक्राः अथवा अनियमिताः आकाराः सन्ति तेषां चिह्नं न भविष्यति। (ख) द्वौ टर्मिनल् संयोजनौ चिह्नितौ न भवतः।

चित्र 4. GLH-Bridge दत्तांशसमूहस्य विशेषतानां चित्रणम्। (क) विभिन्नेषु दत्तांशसमूहेषु सेतुलक्षणानाम् तुलना। (ख) GLH-Bridge इत्यस्मिन् सेतुक्षेत्रस्य वितरणम्। (ग) GLH-Bridge इत्यस्मिन् सेतुदीर्घतायाः वितरणम्। (घ) GLH-Bridge इत्यस्मिन् सेतुघनत्वस्य वितरणम्।

चित्र 5. GLH-Bridge दत्तांशसमूहे विभिन्नसन्दर्भेषु सेतुषु उदाहरणानि। (क) वनस्पतिं लङ्घयन् सेतुः। (ख) शुष्कं नदीतटं लङ्घयन् सेतुः। (ग) मार्गान् लङ्घयन्तः सेतुः। (घ) जलपिण्डान् लङ्घयन्तः सेतुः।

चित्र 6. प्रस्ताविता HBD-Net प्रक्रिया। अस्मिन् प्रस्तावितं SDFF आर्किटेक्चरं SSRW रणनीतिं च अस्ति । SDFF आर्किटेक्चर इत्यत्र स्वतन्त्राः डिटेक्टर्, IFF मॉड्यूल् च सन्ति । इनपुट् बृहत्-आकारस्य VHR इमेजतः आरभ्य लेखकाः DIP निर्माय SDFF इत्यस्य स्वतन्त्र डिटेक्टर् प्रति प्रेषयन्ति यत् विशेषताः प्राप्तुं शक्नुवन्ति । ततः, सर्वेषां SDFF डिटेक्टर्-विशेषतानां IFF-मॉड्यूल्-माध्यमेन संलयनं कृत्वा सन्दर्भ-विस्तृत-बनावट-सूचनाः साझाः भवन्ति । प्रतिगमनभारानाम् सन्तुलनार्थं वस्तुविज्ञापकस्य नमूनाचयनपदे SSRW रणनीतिः प्रयुक्ता भवति । अन्ते प्रत्येकस्य स्तरस्य परिणामं प्राप्तुं वस्तुविज्ञापकस्य शिरसि आउटपुट् फ्यूज्ड् विशेषताः प्रविष्टाः भवन्ति, येषां उपयोगेन तत्सम्बद्धैः ग्राउण्ड् ट्रूथ् लेबलैः सह हानिः गण्यते

चित्र 7. प्रस्तावितस्य IFF मॉड्यूलस्य योजनाबद्धचित्रम्।चित्रे द्वयोः समीपस्थस्तरयोः मध्ये विशेषतासंलयनविधिः दर्शिता अस्ति ।

चित्र 8. प्रस्तावितायाः एसएसआरडब्ल्यू रणनीत्याः योजनाबद्धचित्रम्। रक्तः नीलः च बिन्दुः क्रमशः वस्तुविज्ञापकेन चयनितस्य सकारात्मकस्य नकारात्मकस्य च नमूनानां प्रतिनिधित्वं करोति । लंगर-आधारित-विज्ञापकानाम् कृते एते बिन्दवः विशेषता-नक्शा-स्थानानां अनुरूपाः सन्ति यत्र लंगर-बिन्दवः अथवा प्रस्तावाः उत्पन्नाः आसन् । लंगररहितविज्ञापकानाम् कृते एते बिन्दवः विशेषतानक्शे एकं जालं सूचयन्ति । स्पष्टतां सरलतां च निर्वाहयितुम् अस्मिन् चित्रे नमूनाबिन्दुभिः सह सम्बद्धाः लंगराः अथवा प्रस्तावाः (लंगर-आधारित-विधिषु) न दर्शिताः

उत्तमं प्रदर्शनम्

भविष्यस्य दृष्टिकोणम्

अस्मिन् पत्रे बृहत्-परिमाणस्य उच्च-संकल्प-दूर-संवेदन-प्रतिबिम्बेषु समग्र-सेतु-परिचयार्थं GLH-Bridge इति नामकं बृहत्-परिमाणस्य आँकडा-समूहस्य प्रस्तावः कृतः अस्ति । प्रस्ताविते दत्तांशसमूहे ६,००० उच्च-संकल्प-दूरसंवेदन-प्रतिमाः सन्ति, येषां चित्र-आकारः २,०४८ × २,०४८ तः १६,३८४ × १६,३८४ पिक्सेलपर्यन्तं भवति, येषु भिन्न-भिन्न-पृष्ठभूमिषु विस्तृताः ५९,७३७ सेतुः सन्ति, यत्र ओबीबी-एच्बीबी-टिप्पणीः सन्ति बृहत् चित्रस्य आकारः, बृहत् नमूना आकारः, वस्तुपरिमाणानां पृष्ठभूमिप्रकारस्य च विविधता च GLH-Bridge इत्येतत् एकं बहुमूल्यं दत्तांशसमूहं करोति यत्र नूतनं चुनौतीपूर्णं किन्तु दूरगामी कार्यं प्रवर्तयितुं पूर्वापेक्षाः सन्ति: दूरसंवेदने बृहत्परिमाणेषु उच्चसंकल्पः बिम्बाः ।अपि च, लेखकाः HBD-Net इति प्रस्तावयन्ति, यत् बृहत् आकारस्य चित्रेषु समग्रसेतुपरिचयार्थं अनुकूलितं व्यय-प्रभावी समाधानम् अस्ति ।प्रस्तावितस्य GLH-Bridge दत्तांशसमूहस्य आधारेण,लेखकाः एकं मानदण्डं स्थापयित्वा प्रस्तावितस्य एच् बी डी-नेटस्य प्रभावशीलतां अनुभवजन्यरूपेण सत्यापितवन्तः। भविष्ये कार्ये लेखकाः GLH-Bridge दत्तांशसमूहस्य नमूना आकारं उपवर्गस्य टिप्पणीं च समृद्धं कुर्वन्ति एव । अपि च, लेखकानां लक्ष्याणि बृहत्-आकारस्य चित्रेषु बहु-वर्गीय-वस्तु-परिचयस्य सन्तुष्ट्यर्थं प्रस्तावितं HBD-Net-इत्यस्य सामान्यीकरणं समावेशितम् अस्ति । लेखकाः एतादृशीनां पद्धतीनां अन्वेषणं कर्तुं प्रयतन्ते ये बृहत्-परिमाणस्य लघु-परिमाणस्य च सेतुसटीकतायां सुधारं कर्तुं शक्नुवन्ति, येन विभिन्नेषु परिदृश्येषु एच् बी डी-नेटस्य प्रयोज्यता प्रभावशीलता च विस्तारिता भवति