随着自然语言处理领域的最新发展，在使用不同架构的神经机翻译中的使用情况上升了。变压器架构用于实现最先进的准确性，但它们是训练的非常昂贵的昂贵。每个人都不能拥有由高端GPU和其他资源组成的等待。我们在低计算资源上培训我们的模型，并调查结果。正如预期的那样，变形金刚表现出其他架构，但结果有一些令人惊讶的结果。由更多编码器和解码器组成的变形金刚需要花更多的时间来训练，但有更少的BLEU分数。LSTM在实验中表现良好，比较少花时间训练而不是变压器，适合在具有时间限制的情况下使用。

In this modern era of technology with e-commerce developing at a rapid pace, it is very important to understand customer requirements and details from a business conversation. It is very crucial for customer retention and satisfaction. Extracting key insights from these conversations is very important when it comes to developing their product or solving their issue. Understanding customer feedback, responses, and important details of the product are essential and it would be done using Named entity recognition (NER). For extracting the entities we would be converting the conversations to text using the optimal speech-to-text model. The model would be a two-stage network in which the conversation is converted to text. Then, suitable entities are extracted using robust techniques using a NER BERT transformer model. This will aid in the enrichment of customer experience when there is an issue which is faced by them. If a customer faces a problem he will call and register his complaint. The model will then extract the key features from this conversation which will be necessary to look into the problem. These features would include details like the order number, and the exact problem. All these would be extracted directly from the conversation and this would reduce the effort of going through the conversation again.

队列智能或CI是这种新型优化算法之一。自成立以来，在很短的范围内成功地应用于各个领域，并且观察到与同类算法相比，其结果是有效的。到目前为止，在CI及其相关应用程序上还没有进行过这种类型的文献计量分析。因此，对于那些希望将CI提升到新水平的人来说，这篇研究论文将是破冰船。在这篇研究论文中，Scopus中可用的CI出版物通过图表，有关作者，源标题，关键字的网络图进行分析，这些年来，期刊和期刊。在某种程度上，该文献计量学论文以其文献计量详细信息来展示CI，其应用和详细的系统审查。

通过医学成像检测疾病是由于其非侵入性的。医学成像支持多种数据模式，可以在人体内部进行彻底快速的外观。但是，解释成像数据通常是耗时的，需要大量的人类专业知识。深度学习模型可以加快解释并减轻人类专家的工作。但是，这些模型是数据密集型的，需要大量标记的图像进行培训。在新型疾病暴发（例如Covid-19）中，我们通常没有所需的标记成像数据，尤其是在流行病开始时。深度转移学习通过在公共领域中使用验证的模型来解决此问题，例如任何VGGNET，RESNET，INCEPTION，DENSENET等的变体都是功能学习者，以快速从较少的样本中适应目标任务。大多数审慎的模型都是深层建筑的深度。他们接受了大型多级数据集（例如ImageNet）的培训，并在建筑设计和超级参数调整方面进行了重大努力。我们提出了1个更简单的生成源模型，在单个但相关的概念上预估计，可以与现有较大的预审预周化模型一样有效。我们证明了生成转移学习的有用性，该学习需要较少的计算和培训数据，对于少数射击学习（FSL），使用COVID-19-19，二进制分类用例。我们将经典的深度转移学习与我们的方法进行了比较，还报告了FSL结果，三个设置为84、20和10个培训样本。用于COVID-19分类的生成FSL的模型实现可在https://github.com/suvarnak/generativefslcovid.git上公开获得。

预训练的语言模型（PLM）无法生成长形式的叙事文本，因为它们不考虑全局结构。结果，生成的文本通常是不巧妙的，重复的或缺乏内容的。故事发电的最新工作以提示，关键字或语义框架的形式重新引入了明确的内容计划。经过大型平行语料库的培训，这些模型可以生成更合乎逻辑的事件序列，从而产生更满足的故事。但是，这些中间表示通常不使用自然语言，并且不需要微调就无法使用。我们建议使用现成的PLM生成故事情节，同时保持内容计划的好处，以产生凝聚力和满足的故事。我们提出的方法ScratchPlot首先提示PLM构成内容计划。然后，我们生成故事的身体并以内容计划结束。此外，我们通过使用其他PLM来对生成的（故事，结尾）对进行排名。我们用各种基线基准测试我们的方法，并在人类和自动评估中取得了卓越的结果。

视觉径图旨在使用视觉传感器捕获的信息跟踪对象的增量运动。在这项工作中，我们研究了点云测量问题，其中仅使用LIDAR（光检测和测距）获得的点云扫描来估计对象的运动轨迹。提出了一种轻量点云测距溶液，并命名为绿点云机径（GPCO）方法。 GPCO是一种无监督的学习方法，可以通过匹配连续点云扫描的特征来预测对象运动。它由三个步骤组成。首先，使用几何特征感知点采样方案来选择来自大点云的判别点。其次，视图被划分为围绕对象的四个区域，并且尖端++方法用于提取点特征。第三，建立点对应，以估计两个连续扫描之间的对象运动。进行了基准数据集的实验，以证明GPCO方法的有效性。据观察，GPCO以准确性的准确性越优于深度学习方法，而模型规模明显较小，培训时间较少。

在大量人员中，在线社交媒体（OSMS）消费的广泛上升构成了遏制这些平台上仇恨内容的传播的关键问题。随着多种语言的效果越来越多，检测和表征仇恨的任务变得更加复杂。代码混合文本的微妙变化以及切换脚本仅增加了复杂性。本文介绍了哈索克2021多语种推特仇恨语音检测挑战的解决方案，由Team Precog IIIT Hyderabad。我们采用基于多语言变压器的方法，并为所有6个子任务描述了我们的架构作为挑战的一部分。在参加所有子特设券的6支球队中，我们的提交总体排名第3。