Covid-19 is a rapidly spreading viral disease that infects not only humans, but animals are also infected because of this disease. The daily life of human beings, their health, and the economy of a country are affected due to this deadly viral disease. Covid-19 is a common spreading disease, and till now, not a single country can prepare a vaccine for COVID-19. A clinical study of COVID-19 infected patients has shown that these types of patients are mostly infected from a lung infection after coming in contact with this disease. Chest x-ray (i.e., radiography) and chest CT are a more effective imaging technique for diagnosing lunge related problems. Still, a substantial chest x-ray is a lower cost process in comparison to chest CT. Deep learning is the most successful technique of machine learning, which provides useful analysis to study a large amount of chest x-ray images that can critically impact on screening of Covid-19. In this work, we have taken the PA view of chest x-ray scans for covid-19 affected patients as well as healthy patients. After cleaning up the images and applying data augmentation, we have used deep learning-based CNN models and compared their performance. We have compared Inception V3, Xception, and ResNeXt models and examined their accuracy. To analyze the model performance, 6432 chest x-ray scans samples have been collected from the Kaggle repository, out of which 5467 were used for training and 965 for validation. In result analysis, the Xception model gives the highest accuracy (i.e., 97.97%) for detecting Chest X-rays images as compared to other models. This work only focuses on possible methods of classifying covid-19 infected patients and does not claim any medical accuracy.

India's art and craft, which represent its culture, customs, and social ideals, are its greatest attributes. One of India's largest and oldest sectors is the handicraft sector which includes handicrafts and handloom. About 7 million artisans are employed by it, and it is a significant provider of artisanal crafts to international markets. A significant portion of our economy's decentralised/unorganised sector is made up of handicrafts. Due to strong market demand throughout time, what began as a part-time hobby in rural areas has now developed into a thriving commercial sector. Handicrafts and handloom have enormous potential since they are essential to the continued existence of millions of current artisans dispersed throughout the nation as well as an ever-growing number of new participants in the craft industry. Handicrafts and handloom currently provide a significant contribution to export and job creation. Geographical indication (GI) has become a significant type of intellectual property rights in the Indian environment in recent times. It is an effective tool for protecting and valuing both the traditional knowledge that goes along with exclusive items and their commercial potential. The handicraft business may benefit greatly from GI, but its interests are compromised if it is only viewed as intellectual property. In India, handicrafts make up more than half of 542 GI-registered products, with agricultural products coming in second followed by manufactured products and foodstuffs. The present study throws light on the current status of diverse GI Tagged Handicrafts and handloom of the Indian states.In the context of Indian handicrafts, this research article examines the complex interrelationships among tradition, identity, and the preservation of cultural heritage via the lens of Geographical Indications (GIs). With an emphasis on the rich tapestry of India's varied cultural landscape, the paper explores how Geographical Indications (GIs) function as a vital mechanism for preserving traditional craftsmanship associated with certain geographical locations.

A particular kind of spinal condition called kyphosis is defined by an aberrant curvature of the top vertebrae, which makes the back rounded or stooped. For timely intervention and treatment planning, early identification and case classification are essential in cases of kyphosis. This study proposes a hybrid machine-learning approach for kyphosis sickness classification and prediction that combines Random Forest (RF) and Gradient Boosting (GB). Clinical features like age, the number of afflicted vertebrae, and the curvature angle are used in this work. Preprocessing involves splitting the dataset into two training and testing sets and fixing any missing values. Different RF and GB classifiers were trained independently on the training dataset. The hybrid model is created by the suggested way by combining the predictions from both classifiers using a majority vote strategy. The final prediction for each occurrence is determined by the class that is predicted the most frequently. Analyze the hybrid model's effectiveness using the F1-score, accuracy, precision, and recall metrics. The results demonstrate that the hybrid model outperforms individual classifiers in classification accuracy, attaining 86%. Using the advantages of both algorithms, the hybrid technology provides a more robust and accurate classification model for kyphosis illness by combining their predictive capabilities. This study advances the field of medical diagnostics by demonstrating the effectiveness of combining machine literacy algorithms to improve disease prognosis. This study employs a hybrid mode that can potentially improve treatment outcomes for patients with kyphosis by aiding physicians in making accurate and prompt decisions.

The roads are becoming overcrowded with increasing vehicles, expressways, and highways. Therefore, vehicles' detection, classification, tracking, and counting are crucial for various civilian, military, and government applications, including highway monitoring, toll collection, traffic planning, and traffic flow management. Vehicle detection is a critical step in traffic management. Computer Vision (CV) based techniques are well-suited for this task as they allow installation without disrupting traffic and can be easily modified. This paper proposes a cost-effective, portable system based on CV techniques for detecting and counting vehicles moving over the road. The proposed system analyses images extracted from video sequences to detect moving vehicles by separating the background from the images. The background extracted is subsequently used for additional analysis to identify and categorize various vehicles, including light, heavy, and motorcycles.

Because 3D face reconstruction has so many applications in virtual reality, biometrics, and entertainment, it has drawn a lot of interest in the domains of computer vision and graphics. Deep Convolutional Generative Adversarial Networks (DCGANs) have showed potential in producing realistic 3D facial structures from 2D photographs. This paper provides a comprehensive analysis of DCGANs for multi-dataset 3D face reconstruction. Although DCGANs have been successful in the past in reconstructing animal faces, this study demonstrates their promise for reconstructing human faces. Using an organized strategy, the DCGAN models were trained on several facial databases, such as the FaceWarehouse, Prospo, and CelebA datasets. Despite the encouraging results, the study discovered that DCGAN's effectiveness for 3D human facial reconstructions had limitations. Both qualitative and quantitative methods are applied to evaluate the suggested course of action. Standard deviation and mean square error are used in the quantitative analysis, while eye inspection of the reconstructed faces is used in the qualitative study. The researchers propose a hybrid model approach that combines DCGANs with additional techniques like landmark recognition and transfer learning to improve reconstruction accuracy and realism. This paper indicates topics for more research to develop the discipline and advances enhancing our comprehension of DCGANs in 3D face reconstruction.