1. ভূমিকা

স্বয়ংক্রিয় চলচ্চিত্র বর্ণনা, বা অডিও ডেসক্রিপশন (AD), দৃষ্টিপ্রতিবন্ধী দর্শকদের জন্য দৃশ্যমান মিডিয়া প্রবেশযোগ্য করার জন্য নকশাকৃত একটি গুরুত্বপূর্ণ সহায়ক প্রযুক্তি। এতে সংলাপের স্বাভাবিক বিরতিতে সন্নিবেশিত, দৃশ্য বিষয়বস্তুর সংক্ষিপ্ত, প্লট-প্রাসঙ্গিক বর্ণনা তৈরি করা জড়িত। স্বল্প, বিচ্ছিন্ন ক্লিপ বর্ণনা করে এমন আদর্শ ভিডিও ক্যাপশনিংয়ের বিপরীতে, চলচ্চিত্র বর্ণনার জন্য একাধিক শট ও দৃশ্য জুড়ে প্রকাশিত প্লট, চরিত্রের গতিশীলতা, দৃশ্য পরিবর্তন এবং কার্যকারণ ঘটনার ক্রম বোঝা এবং সংক্ষিপ্ত করা প্রয়োজন। এই গবেষণাপত্রটি Movie101v2 উপস্থাপন করে, যা এই জটিল ক্ষেত্রে গবেষণাকে এগিয়ে নেওয়ার লক্ষ্যে একটি উল্লেখযোগ্যভাবে উন্নত, বৃহৎ-পরিসরের, দ্বিভাষিক মানদণ্ড ডেটাসেট। এই কাজটি কাজের জন্য একটি স্পষ্ট, তিন-পর্বের রোডম্যাপ প্রস্তাব করে এবং সর্বাধুনিক ভিশন-ল্যাঙ্গুয়েজ মডেল ব্যবহার করে ব্যাপক বেসলাইন মূল্যায়ন প্রদান করে।

2. সম্পর্কিত কাজ ও উদ্দেশ্য

LSMDC, M-VAD, MAD এবং মূল Movie101-এর মতো পূর্ববর্তী ডেটাসেটগুলি ভিত্তি তৈরি করেছে কিন্তু প্রধান সীমাবদ্ধতায় ভুগছে যা প্রয়োগযোগ্য, বাস্তব-বিশ্বের বর্ণনা ব্যবস্থার দিকে অগ্রগতিতে বাধা দেয়।

2.1. বিদ্যমান ডেটাসেটগুলোর সীমাবদ্ধতা

  • পরিসর ও ব্যাপ্তি: অনেক ডেটাসেট ছোট (যেমন, মূল Movie101: ১০১টি চলচ্চিত্র) বা স্বল্প ভিডিও ক্লিপ ধারণ করে (যেমন, ~৪-৬ সেকেন্ড), যা মডেলগুলিকে দীর্ঘমেয়াদী প্লট সুসংগতি শিখতে বাধা দেয়।
  • ভাষাগত বাধা: মূল Movie101 শুধুমাত্র চীনা ভাষায় ছিল, যা শক্তিশালী ইংরেজি-ভিত্তিক প্রাক-প্রশিক্ষিত মডেলগুলির প্রয়োগ সীমিত করে।
  • ডেটার মান: স্বয়ংক্রিয়ভাবে ক্রল করা মেটাডেটায় প্রায়শই ত্রুটি থাকে (যেমন, অনুপস্থিত চরিত্র, অসামঞ্জস্যপূর্ণ নাম), যা প্রশিক্ষণ ও মূল্যায়নের জন্য নির্ভরযোগ্যতা হ্রাস করে।
  • কাজের সরলীকরণ: কিছু ডেটাসেট, যেমন LSMDC, চরিত্রের নাম "কেউ" দিয়ে প্রতিস্থাপন করে, কাজটিকে সাধারণ ক্যাপশনিংয়ে পরিণত করে এবং অপরিহার্য বর্ণনামূলক উপাদান সরিয়ে দেয়।

2.2. Movie101v2-এর প্রয়োজনীয়তা

Movie101v2 সরাসরি এই ফাঁকগুলি পূরণের জন্য প্রস্তাবিত, যা চলচ্চিত্র বর্ণনা কাজের প্রকৃত জটিলতা প্রতিফলিত করে একটি উচ্চ-মানের, দ্বিভাষিক এবং বৃহৎ-পরিসরের সম্পদ সরবরাহ করে, আরও কঠোর মডেল উন্নয়ন ও মূল্যায়ন সক্ষম করে।

3. Movie101v2 ডেটাসেট

3.1. প্রধান বৈশিষ্ট্য ও উন্নতি

  • দ্বিভাষিক বর্ণনা: প্রতিটি ভিডিও ক্লিপের জন্য চীনা এবং ইংরেজি উভয় ভাষায় বর্ণনা প্রদান করে, প্রবেশযোগ্যতা এবং মডেলের প্রয়োগযোগ্যতা প্রসারিত করে।
  • উন্নত পরিসর: মূল ১০১টি চলচ্চিত্র থেকে উল্লেখযোগ্যভাবে সম্প্রসারিত, ভিডিও-বর্ণনা জোড়ার একটি বৃহত্তর এবং আরও বৈচিত্র্যময় সংগ্রহ অফার করে।
  • উন্নত ডেটার মান: ম্যানুয়ালি যাচাইকৃত এবং সংশোধিত মেটাডেটা, যার মধ্যে রয়েছে সঠিক চরিত্র তালিকা এবং বর্ণনা জুড়ে সামঞ্জস্যপূর্ণ নাম ব্যবহার।
  • দীর্ঘ ভিডিও অংশ: দীর্ঘ চলচ্চিত্র ক্লিপ বৈশিষ্ট্যযুক্ত যা আরও জটিল প্লট বিকাশ অন্তর্ভুক্ত করে, মডেলগুলিকে বর্ণনামূলক সুসংগতি বজায় রাখতে চ্যালেঞ্জ করে।

3.2. ডেটা পরিসংখ্যান

চলচ্চিত্র

উল্লেখযোগ্যভাবে > ১০১

ভিডিও-বর্ণনা জোড়া

উল্লেখযোগ্যভাবে > ১৪,০০০

ভাষা

২ (চীনা ও ইংরেজি)

গড় ক্লিপ সময়কাল

৪.১ সেকেন্ড (MAD) থেকে দীর্ঘ

4. তিন-পর্বের কাজের রোডম্যাপ

গবেষণাপত্রটি স্বয়ংক্রিয় চলচ্চিত্র বর্ণনাকে ক্রমবর্ধমান জটিলতার তিনটি স্বতন্ত্র পর্ব সহ একটি প্রগতিশীল চ্যালেঞ্জ হিসেবে পুনর্বিন্যাস করে।

4.1. পর্ব ১: দৃশ্যত তথ্য বর্ণনা

ভিত্তিগত পর্ব। মডেলগুলিকে অবশ্যই একটি একক শট বা একটি স্বল্প ক্লিপের মধ্যে দৃশ্যমান উপাদানগুলি সঠিকভাবে বর্ণনা করতে হবে: দৃশ্য, চরিত্র, বস্তু এবং পারমাণবিক ক্রিয়া। এটি ঐতিহ্যগত ঘন ভিডিও ক্যাপশনিংয়ের সাথে সামঞ্জস্যপূর্ণ। মূল্যায়ন দৃশ্য সত্তার নির্ভুলতা এবং পুনরুদ্ধারের উপর দৃষ্টি নিবদ্ধ করে।

4.2. পর্ব ২: প্লট অনুমান

মধ্যবর্তী পর্ব। মডেলগুলিকে অবশ্যই একাধিক শট জুড়ে কার্যকারণ সম্পর্ক, চরিত্রের উদ্দেশ্য এবং প্লট অগ্রগতি অনুমান করতে হবে। এর জন্য শুধুমাত্র যা দেখা যায় তা নয়, কেন এটি ঘটে এবং গল্পের জন্য এর কী তাৎপর্য তা বোঝা প্রয়োজন। এখানে মেট্রিক্স যৌক্তিক সামঞ্জস্য এবং প্লট প্রাসঙ্গিকতা মূল্যায়ন করে।

4.3. পর্ব ৩: সুসংগত বর্ণনা তৈরি

চূড়ান্ত, প্রয়োগ-প্রস্তুত পর্ব। মডেলগুলিকে অবশ্যই সাবলীল, সংক্ষিপ্ত এবং দর্শক-উপযুক্ত বর্ণনা তৈরি করতে হবে যা দৃশ্যত তথ্য এবং প্লট অনুমানকে নির্বিঘ্নে একীভূত করে। বর্ণনাটি সংলাপের বিরতিতে স্বাভাবিকভাবে ফিট হতে হবে, সময়গত সুসংগতি বজায় রাখতে হবে এবং দৃষ্টিপ্রতিবন্ধী দর্শকের জন্য উপযোগী হতে হবে। মূল্যায়নে BLEU, ROUGE, METEOR-এর মতো সামগ্রিক মেট্রিক্স এবং সাবলীলতা, সুসংগতি এবং উপযোগীতার উপর মানুষের বিচার জড়িত।

5. পরীক্ষামূলক সেটআপ ও বেসলাইন

5.1. মূল্যায়নকৃত মডেলসমূহ

গবেষণাটি বৃহৎ ভিশন-ল্যাঙ্গুয়েজ মডেল (VLM) এর একটি পরিসর ব্যবহার করে বেসলাইন স্থাপন করে, যার মধ্যে রয়েছে কিন্তু সীমাবদ্ধ নয়:

  • GPT-4V (ভিশন): OpenAI-এর GPT-4-এর মাল্টিমোডাল সংস্করণ।
  • BLIP-2, Flamingo এবং VideoLLaMA-এর মতো অন্যান্য সমসাময়িক VLM।

5.2. মূল্যায়ন মেট্রিক্স

  • পর্ব ১: চরিত্র, বস্তু, ক্রিয়ার জন্য সত্তা-ভিত্তিক মেট্রিক্স (প্রিসিশন, রিকল, F1)।
  • পর্ব ২: যুক্তি-ভিত্তিক মেট্রিক্স, সম্ভবত entailment মডেল বা কাঠামোগত ভবিষ্যদ্বাণী নির্ভুলতা ব্যবহার করে।
  • পর্ব ৩: টেক্সট জেনারেশন মেট্রিক্স (BLEU-4, ROUGE-L, METEOR, CIDEr) এবং মানুষের মূল্যায়ন স্কোর।

6. ফলাফল ও বিশ্লেষণ

6.1. বিভিন্ন পর্বে কর্মদক্ষতা

বেসলাইন ফলাফল তিনটি পর্ব জুড়ে একটি উল্লেখযোগ্য কর্মদক্ষতার ব্যবধান প্রকাশ করে:

  • পর্ব ১ (দৃশ্যত তথ্য): আধুনিক VLM-গুলি তুলনামূলকভাবে শক্তিশালী কর্মদক্ষতা অর্জন করে, ভাল বস্তু এবং দৃশ্য শনাক্তকরণ ক্ষমতা প্রদর্শন করে।
  • পর্ব ২ (প্লট অনুমান): কর্মদক্ষতা উল্লেখযোগ্যভাবে হ্রাস পায়। মডেলগুলি কার্যকারণ যুক্তি, চরিত্রের সম্পর্ক বোঝা এবং সময় জুড়ে ঘটনাগুলি সংযুক্ত করতে সংগ্রাম করে।
  • পর্ব ৩ (সুসংগত বর্ণনা): GPT-4V-এর মতো সেরা মডেলগুলিও এমন বর্ণনা তৈরি করে যা প্রায়শই তথ্যগতভাবে সঠিক কিন্তু প্লটের গভীরতা, বর্ণনামূলক প্রবাহ এবং বাস্তব AD-এর জন্য প্রয়োজনীয় সংক্ষিপ্ত সময়ের অভাব রয়েছে। স্বয়ংক্রিয় স্কোর (BLEU, ইত্যাদি) উপযোগীতার মানুষের বিচারের সাথে সম্পূর্ণরূপে সম্পর্কযুক্ত নয়।

6.2. চিহ্নিত প্রধান চ্যালেঞ্জসমূহ

  • দীর্ঘমেয়াদী নির্ভরতা মডেলিং: দীর্ঘ ভিডিও ক্রমের উপর প্রসঙ্গ বজায় রাখা একটি মৌলিক দুর্বলতা।
  • বর্ণনামূলক যুক্তি: বর্ণনার বাইরে গিয়ে প্লট, উদ্দেশ্য এবং অন্তর্নিহিত অর্থের অনুমানে যাওয়া।
  • দর্শক-কেন্দ্রিক তৈরি: অ-দৃশ্যমান দর্শকের জন্য সর্বাধিক তথ্যপূর্ণ হওয়ার জন্য আউটপুট তৈরি করা, যার জন্য মনের তত্ত্ব প্রয়োজন।
  • মূল্যায়নের ব্যবধান: প্রয়োগকৃত বর্ণনার মান মূল্যায়নের জন্য বর্তমান স্বয়ংক্রিয় মেট্রিক্স অপর্যাপ্ত।

7. প্রযুক্তিগত বিবরণ ও কাঠামো

তিন-পর্বের কাঠামোটি আনুষ্ঠানিক করা যেতে পারে। ধরা যাক $V = \{v_1, v_2, ..., v_T\}$ ভিডিও ফ্রেম/ক্লিপের একটি ক্রম প্রতিনিধিত্ব করে। লক্ষ্য হল একটি বর্ণনা $N = \{w_1, w_2, ..., w_M\}$ তৈরি করা।

পর্ব ১: দৃশ্যত তথ্য নিষ্কাশন করুন $F_t = \phi(v_t)$, যেখানে $\phi$ হল একটি ভিজুয়াল পারসেপশন মডিউল যা সময় $t$-এ সত্তা এবং ক্রিয়া শনাক্ত করে।

পর্ব ২: প্লট উপাদান অনুমান করুন $P = \psi(F_{1:T})$, যেখানে $\psi$ হল একটি বর্ণনামূলক যুক্তি মডিউল যা তথ্যের ক্রম থেকে একটি প্লট গ্রাফ বা কার্যকারণ শৃঙ্খলা তৈরি করে।

পর্ব ৩: বর্ণনা তৈরি করুন $N = \Gamma(F, P, C)$। এখানে, $\Gamma$ হল ভাষা তৈরি মডিউল যা শুধুমাত্র তথ্য $F$ এবং প্লট $P$-এর উপর নয়, বরং প্রাসঙ্গিক সীমাবদ্ধতা $C$-এর উপরও নির্ভর করে (যেমন, সংলাপের সাথে সম্পর্কিত সময়, সংক্ষিপ্ততা)।

বিশ্লেষণ কাঠামো উদাহরণ (নন-কোড): একটি মডেলের ব্যর্থতা নির্ণয় করতে, কেউ এই কাঠামো ব্যবহার করতে পারে। একটি নির্দিষ্ট দুর্বল বর্ণনা আউটপুটের জন্য, পরীক্ষা করুন: ১) পর্ব ১ থেকে প্রধান দৃশ্যত সত্তা অনুপস্থিত বা ভুল ছিল? ২) দুটি ঘটনার মধ্যে কার্যকারণ সংযোগ (পর্ব ২) ভুল ব্যাখ্যা করা হয়েছিল? ৩) ভাষা (পর্ব ৩) সাবলীল কিন্তু ভুল সময়ে বা অত্যধিক বিস্তারিত ছিল? এই কাঠামোগত নির্ণয় উন্নতির প্রয়োজনীয় নির্দিষ্ট মডিউল চিহ্নিত করতে সাহায্য করে।

8. মূল বিশ্লেষণ ও বিশেষজ্ঞের অন্তর্দৃষ্টি

মূল অন্তর্দৃষ্টি: Movie101v2 শুধু আরেকটি ডেটাসেট ড্রপ নয়; এটি একটি কৌশলগত হস্তক্ষেপ যা স্বয়ংক্রিয় AD গবেষণায় স্থবিরতার মূল কারণ সঠিকভাবে চিহ্নিত করে: সরল বর্ণনা থেকে প্রয়োগকৃত বর্ণনার দিকে একটি পর্যায়ক্রমিক, পরিমাপযোগ্য পথ-এর অভাব। একক "বর্ণনা তৈরি" কাজটিকে তিনটি পরিচালনাযোগ্য উপ-সমস্যায় বিভক্ত করে, লেখকরা ক্রমবর্ধমান অগ্রগতির জন্য একটি অত্যন্ত প্রয়োজনীয় কাঠামো প্রদান করেন, ঠিক যেমন ImageNet এবং এর শ্রেণিবদ্ধ কাঠামোর প্রবর্তন বস্তু শনাক্তকরণে বিপ্লব ঘটিয়েছিল।

যৌক্তিক প্রবাহ: গবেষণাপত্রের যুক্তি আকর্ষণীয়। এটি শুরু করে কেন পূর্ববর্তী ডেটাসেট (স্বল্প ক্লিপ, একভাষিক, ত্রুটিপূর্ণ) এমন মডেলের দিকে নিয়ে গেছে যা একাডেমিক মেট্রিক্সে ভালো পারফর্ম করে কিন্তু ব্যবহারিক পরিবেশে ব্যর্থ হয়। সমাধানটি দ্বিগুণ: ১) একটি ভালো ডেটাসেট (Movie101v2) তৈরি করুন যা বাস্তব-বিশ্বের জটিলতা প্রতিফলিত করে, এবং ২) একটি স্পষ্ট মূল্যায়ন রোডম্যাপ (তিনটি পর্ব) সংজ্ঞায়িত করুন যা সম্প্রদায়কে বর্ণনামূলক যুক্তির ব্যবধান সরাসরি মোকাবেলা করতে বাধ্য করে, পৃষ্ঠ-স্তরের টেক্সট জেনারেশন স্কোরের পিছনে লুকিয়ে রাখার পরিবর্তে।

শক্তি ও ত্রুটি: প্রধান শক্তি হল এই ধারণাগত কাঠামো। তিন-পর্বের রোডম্যাপ হল গবেষণাপত্রের সবচেয়ে মূল্যবান অবদান, যা চলচ্চিত্র বর্ণনার বাইরেও ভবিষ্যতের মানদণ্ডকে প্রভাবিত করতে পারে। দ্বিভাষিক দিকটি ইংরেজি-প্রভাবিত VLM ইকোসিস্টেমের পূর্ণ শক্তি কাজে লাগানোর একটি ব্যবহারিক পদক্ষেপ। যাইহোক, একটি ত্রুটি অন্তর্নিহিত রৈখিকতায় রয়েছে। অনুশীলনে, এই পর্যায়গুলি গভীরভাবে পরস্পর সংযুক্ত; মানুষের বর্ণনাকারীরা তথ্য, প্লট এবং ভাষা আলাদা করে না। মূল্যায়ন এখনও বিচ্ছিন্ন থাকতে পারে। তদুপরি, যদিও ডেটাসেটটি বৃহত্তর, প্রকৃত পরীক্ষা হবে জেনার, পরিচালক এবং সিনেমাটিক শৈলী জুড়ে এর বৈচিত্র্য পক্ষপাত এড়ানোর জন্য, যা মুখ শনাক্তকরণ ডেটাসেটের চ্যালেঞ্জ থেকে শেখা একটি পাঠ।

কার্যকরী অন্তর্দৃষ্টি: গবেষকদের জন্য: পর্ব ২ (প্লট অনুমান) এর উপর ফোকাস করুন। এটি নতুন সীমান্ত। কম্পিউটেশনাল ন্যারেটিভ (যেমন, প্লট গ্রাফ জেনারেশন, স্ক্রিপ্ট লার্নিং) থেকে কৌশল এবং উন্নত সময়গত যুক্তি সহ মডেল (যেমন উন্নত ভিডিও ট্রান্সফরমার) অবশ্যই একীভূত করতে হবে। শিল্পের জন্য (যেমন, স্ট্রিমিং প্ল্যাটফর্ম): অভ্যন্তরীণ মডেল উন্নয়নের জন্য Movie101v2-এর মতো মানদণ্ড ব্যবহার করতে একাডেমিয়ার সাথে অংশীদারিত্ব করুন। লক্ষ্য হওয়া উচিত হাইব্রিড সিস্টেম যেখানে AI পর্ব ১ শক্তিশালীভাবে পরিচালনা করে, পর্ব ২-এ মানুষকে সহায়তা করে এবং মানুষ গুণমান নিয়ন্ত্রণের জন্য পর্ব ৩ পরিমার্জন করে—একটি সহযোগী বুদ্ধিমত্তা মডেল, যেমন MIT-এর Human-Computer Interaction ল্যাবের AI-সম্প্রসারিত সৃজনশীলতা গবেষণা দ্বারা প্রস্তাবিত। সম্পূর্ণ স্বয়ংক্রিয়, উচ্চ-মানের AD-এর পথ দীর্ঘ রয়ে গেছে, কিন্তু Movie101v2 প্রথম নির্ভরযোগ্য মানচিত্র প্রদান করে।

9. ভবিষ্যত প্রয়োগ ও দিকনির্দেশনা

  • প্রবেশযোগ্যতা-প্রথম মিডিয়া: স্ট্রিমিং পরিষেবাগুলিতে (Netflix, Disney+) একীভূতকরণ যা বিপুল পরিমাণ কন্টেন্টের লাইব্রেরির জন্য রিয়েল-টাইম বা প্রি-জেনারেটেড AD প্রদান করে।
  • শিক্ষামূলক সরঞ্জাম: শিক্ষামূলক ভিডিও এবং ডকুমেন্টারির জন্য বর্ণনামূলক বর্ণনা তৈরি করা, দৃষ্টিপ্রতিবন্ধী শিক্ষার্থীদের জন্য শেখার উন্নতি করা।
  • কন্টেন্ট বিশ্লেষণ ও অনুসন্ধান: অন্তর্নিহিত বর্ণনামূলক বোঝার মডেলগুলি ভিডিও আর্কাইভের মধ্যে উন্নত অনুসন্ধান চালাতে পারে (যেমন, "যে দৃশ্যগুলিতে একটি চরিত্রের নৈতিক দ্বিধা রয়েছে তা খুঁজুন")।
  • ইন্টারেক্টিভ স্টোরিটেলিং: গেমিং বা VR-এ, খেলোয়াড়ের ক্রিয়াকলাপের উপর ভিত্তি করে গতিশীল বর্ণনা তৈরি সমস্ত ব্যবহারকারীর জন্য আরও নিমগ্ন অভিজ্ঞতা তৈরি করতে পারে।
  • গবেষণার দিকনির্দেশনা: ১) ঐক্যবদ্ধ মডেল তৈরি করা যা তিনটি পর্ব আলাদাভাবে বিবেচনা করার পরিবর্তে যৌথভাবে শেখে। ২) ভালো মূল্যায়ন মেট্রিক্স তৈরি করা, সম্ভাব্যভাবে LLM-কে বিচারক হিসেবে ব্যবহার করে বা কাজ-নির্দিষ্ট মেট্রিক্স তৈরি করে। ৩) অতিরিক্ত প্রসঙ্গ হিসেবে চলচ্চিত্র স্ক্রিপ্ট এবং মেটাডেটা ব্যবহার করে নতুন চলচ্চিত্রে ফিউ-শট বা জিরো-শট অভিযোজন অন্বেষণ করা।

10. তথ্যসূত্র

  1. Yue, Z., Zhang, Y., Wang, Z., & Jin, Q. (2024). Movie101v2: Improved Movie Narration Benchmark. arXiv preprint arXiv:2404.13370v2.
  2. Han, Z., et al. (2023a). AutoAD II: Towards Synthesizing Audio Descriptions with Contextual Labeling. Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV).
  3. Han, Z., et al. (2023b). AutoAD: Movie Description in Context. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).
  4. Soldan, M., et al. (2022). MAD: A Scalable Dataset for Language Grounding in Videos from Movie Audio Descriptions. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).
  5. Rohrbach, A., et al. (2017). Movie Description. International Journal of Computer Vision (IJCV).
  6. Torabi, A., et al. (2015). Using Descriptive Video Services to Create a Large Data Source for Video Annotation Research. arXiv preprint arXiv:1503.01070.
  7. OpenAI. (2023). GPT-4V(ision) System Card. OpenAI.
  8. Zhu, J.-Y., et al. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. Proceedings of the IEEE International Conference on Computer Vision (ICCV). (একটি কাঠামোর উদাহরণ হিসেবে উদ্ধৃত যা একটি জটিল সমস্যা—ইমেজ ট্রান্সলেশন—কে ম্যাপিং এবং পুনর্গঠনের পরিচালনাযোগ্য চক্রে বিভক্ত করেছে)।