अवधारणा: डीप लर्निंग ने फ्रिंज प्रोजेक्शन प्रोफाइलोमेट्री (FPP) में महत्वपूर्ण उन्नति को बढ़ावा दिया है, जिससे उच्च गति और उच्च सटीकता वाली पुनर्निर्माण की अनुमति मिलती है, यहां तक कि असंवर्गीकृत वातावरण में भी। हालाँकि, वर्तमान डीप लर्निंग मॉडल अक्सर व्याख्यायित करने में कमी रखते हैं, और FPP में उनकी सटीकता और ट्रांसफरेबिलिटी अभी भी उपयुक्त नहीं है। यह समीक्षा FPP में डीप लर्निंग विधियों की संभावनाओं और व्यावहारिक अनुप्रयोग के बीच का अंतर को पाटने का लक्ष्य रखती है, जो डीप लर्निंग के माध्यम से संचालित सिंगल-फ्रेम FPP में प्रगति का व्यापक सर्वेक्षण करती है। हम डेटा सेट निर्माण के लिए विधियों की स्थापना करते हैं और फिजिक्स-इन्हेंस्ड आर्किटेक्चर सहित नवीनतम न्यूरल नेटवर्क का अन्वेषण करते हैं। विभिन्न FPP कार्यों के लिए सर्वोत्तम मॉडलों की पहचान करने के लिए, हम विभिन्न मैट्रिक्स और बेंचमार्किंग का समालोचनात्मक विश्लेषण करते हैं। हम ट्रांसफर लर्निंग जैसी सामान्यीकरण तकनीकों में भी गहराई से जाते हैं और प्रीट्रेनिंग लागतों को कम करने और FPP सिस्टम के प्रदर्शन को बढ़ाने के लिए बड़े दृष्टि मॉडल का लाभ उठाने का सुझाव देते हैं। इन प्रगतियों को प्रस्तावित करते हुए, यह समीक्षा FPP में डीप लर्निंग-प्रेरित व्यावहारिक अपनयन को बढ़ाने का प्रयास करती है और औद्योगिक, चिकित्सा और वैज्ञानिक क्षेत्रों में इसके परिवर्तनकारी अनुप्रयोगों के लिए मार्ग प्रशस्त करती है।
ली एट अल। (मंगल,) ने इस प्रश्न का अध्ययन किया।