id int64 18 18.8k | created_at timestamp[ns, tz=UTC]date 2026-02-23 07:30:20 2026-02-24 14:51:09 | updated_at timestamp[ns, tz=UTC]date 2026-02-23 08:08:14 2026-02-24 14:51:09 | doc_name stringclasses 1
value | input stringlengths 11 9.24k | output stringlengths 0 738 | is_personal bool 2
classes | is_sentence bool 2
classes | is_corrected bool 2
classes |
|---|---|---|---|---|---|---|---|---|
7,357 | 2026-02-24T08:23:37.468000Z | 2026-02-24T08:23:37.468000Z | Lec. | ROI pooling решал проблему разного размера регионов-кандидатов, преобразуя их в фиксированный размер для последующей классификации [22] | false | true | false | |
7,356 | 2026-02-24T08:23:35.709000Z | 2026-02-24T08:23:35.709000Z | Lec. | Последующее развитие направления привело к созданию Fast R-CNN, где был предложен механизм ROI pooling, позволивший ускорить обработку за счет совместного вычисления признаков для всех регионов | false | true | false | |
7,355 | 2026-02-24T08:23:33.945000Z | 2026-02-24T08:23:33.945000Z | Lec. | R-CNN имел несколько существенных недостатков, главным из которых была чрезвычайно высокая вычислительная сложность - обработка одного изображения занимала около 47 секунд на GPU, что делало метод непригодным для реального применения | false | true | false | |
7,354 | 2026-02-24T08:23:32.175000Z | 2026-02-24T08:23:32.175000Z | Lec. | Подход показал впечатляющее для своего времени улучшение точности на 30% по метрике mAP на датасете PASCAL VOC 2012 по сравнению с предыдущими методами | false | true | false | |
7,353 | 2026-02-24T08:23:30.330000Z | 2026-02-24T08:23:30.330000Z | Lec. | Рисунок 5 – архитектура R-CNN | false | true | false | |
7,352 | 2026-02-24T08:23:28.399000Z | 2026-02-24T08:23:28.399000Z | Lec. | Оригинальная архитектура R-CNN, предложенная Гиршиком и соавторами в 2014 году, состояла из трех основных этапов: генерации регионов с помощью алгоритма Selective Search, извлечения признаков для каждого региона с использованием предобученной CNN (обычно AlexNet), и последующей классификации через SVM (Рисунок 5) | false | true | false | |
7,351 | 2026-02-24T08:23:26.497000Z | 2026-02-24T08:23:26.497000Z | Lec. | Region-based методы (R-CNN, Fast R-CNN, Faster R-CNN) Семейство R-CNN методов стало первым успешным применением глубокого обучения для задач детекции объектов, пионерская работа [21] | false | true | false | |
7,350 | 2026-02-24T08:23:24.715000Z | 2026-02-24T08:23:24.715000Z | Lec. | Настоящий прорыв произошел с появлением глубоких сверточных нейронных сетей, которые позволили автоматизировать процесс извлечения признаков и повысить точность детекции [20] | false | true | false | |
7,349 | 2026-02-24T08:23:22.856000Z | 2026-02-24T08:23:22.856000Z | Lec. | Первые успешные попытки автоматической детекции объектов основывались на методах машинного обучения с ручным выделением признаков, таких как гистограммы ориентированных градиентов (HOG) в сочетании с классификаторами типа SVM, которые были описаны в работе ранее | false | true | false | |
7,348 | 2026-02-24T08:23:20.978000Z | 2026-02-24T08:23:20.978000Z | Lec. | Переход прошел через несколько ключевых этапов развития, каждый из которых решал определенные ограничения предыдущих подходов | false | true | false | |
7,347 | 2026-02-24T08:23:19.231000Z | 2026-02-24T08:23:19.231000Z | Lec. | Современные методы компьютерного зрения для задач детекции и трекинга объектов прошли эволюцию от классических алгоритмов обработки изображений к сложным нейросетевым архитектурам [19] | false | true | false | |
7,346 | 2026-02-24T08:23:17.450000Z | 2026-02-24T08:23:17.450000Z | Lec. | Ограничения подготовили почву для революции глубокого обучения, которая началась в начале 2010-х годов | false | true | false | |
7,345 | 2026-02-24T08:23:15.724000Z | 2026-02-24T08:23:15.724000Z | Lec. | Дополнительные проблемы включали неспособность автоматически извлекать иерархические представления и ограниченную адаптивность к радикальным изменениям внешнего вида объектов | false | true | false | |
7,344 | 2026-02-24T08:23:13.918000Z | 2026-02-24T08:23:13.918000Z | Lec. | Несмотря на прогресс, методы машинного обучения первого поколения страдали от фундаментальных ограничений | false | true | false | |
7,343 | 2026-02-24T08:23:12.175000Z | 2026-02-24T08:23:12.175000Z | Lec. | В задачах трекинга Random Forests проявляли себя при обработке нелинейных преобразований объекта, адаптации к изменению освещения и частичным окклюзиям | false | true | false | |
7,342 | 2026-02-24T08:23:10.601000Z | 2026-02-24T08:23:10.601000Z | Lec. | Рисунок 4 – пример работы метода Random Forests | false | true | false | |
7,341 | 2026-02-24T08:23:08.694000Z | 2026-02-24T08:23:08.694000Z | Lec. | Ключевым преимуществом было устойчивость к переобучению за счет ансамблирования множества деревьев, возможность обработки разнородных признаков, эффективную работу с высоко-размерными данными благодаря feature selection на уровне узлов (Рисунок 4) | false | true | false | |
7,340 | 2026-02-24T08:23:06.921000Z | 2026-02-24T08:23:06.921000Z | Lec. | Альтернативный подход предложили в виде Random Forests [18] | false | true | false | |
7,339 | 2026-02-24T08:23:05.356000Z | 2026-02-24T08:23:05.356000Z | Lec. | Оставались нерешенными проблемы дрейфа при длительном трекинге (особенно при частичных окклюзиях) и сильной зависимости от качества начальной детекции [17] | false | true | false | |
7,338 | 2026-02-24T08:23:03.770000Z | 2026-02-24T08:23:03.770000Z | Lec. | В контексте трекинга метод позволял: адаптироваться к изменяющемуся внешнему виду объекта за счет онлайн-обучения, эффективно отфильтровывать фоновые регионы (негативные примеры), достигать высокой скорости работы благодаря каскадной архитектуре | false | true | false | |
7,337 | 2026-02-24T08:23:01.844000Z | 2026-02-24T08:23:01.844000Z | Lec. | Известным применением AdaBoost стала работа [16], где авторы предложили каскадную архитектуру для детекции лиц, достигающую скорости обработки 15 кадров в секунду на процессоре 700 МГц - невероятный результат для того времени | false | true | false | |
7,336 | 2026-02-24T08:23:00.073000Z | 2026-02-24T08:23:00.073000Z | Lec. | Параллельно с SVM широкое распространение получил алгоритм AdaBoost и его вариации (RealAdaBoost, GentleAdaBoost) | false | true | false | |
7,335 | 2026-02-24T08:22:58.311000Z | 2026-02-24T08:22:58.311000Z | Lec. | При применении SVM к задачам трекинга быстро выявились серьезные ограничения: необходимость частого переобучения модели при изменении внешнего вида объекта (что требовало вычислительных ресурсов), чувствительность к дисбалансу классов при обновлении модели, отсутствие механизмов учета временной согласованности между ка... | false | true | false | |
7,334 | 2026-02-24T08:22:56.476000Z | 2026-02-24T08:22:56.476000Z | Lec. | Их метод достигал точности 89% на стандартном датасете MIT pedestrian database, что было существенным прорывом для того времени | false | true | false | |
7,333 | 2026-02-24T08:22:54.647000Z | 2026-02-24T08:22:54.647000Z | Lec. | Переломным моментом стала работа [8], где была предложена комбинация гистограмм ориентированных градиентов (HOG) с SVM [15] | false | true | false | |
7,332 | 2026-02-24T08:22:52.808000Z | 2026-02-24T08:22:52.808000Z | Lec. | Рисунок 3 – kernel trick | false | true | false | |
7,331 | 2026-02-24T08:22:51.051000Z | 2026-02-24T08:22:51.051000Z | Lec. | SVM также использовал нелинейные функции для преобразования данных в другие по размерности пространства, что позволило использовать метод в компьютерном зрении | false | true | false | |
7,330 | 2026-02-24T08:22:49.296000Z | 2026-02-24T08:22:49.296000Z | Lec. | В-третьих, возможность использования различных ядерных функций (гауссова, полиномиальная и др.) позволяла эффективно решать задачи нелинейного разделения классов (Рисунок 3) | false | true | false | |
7,329 | 2026-02-24T08:22:47.439000Z | 2026-02-24T08:22:47.439000Z | Lec. | Во-вторых метод демонстрировал хорошие свойства обобщения даже при ограниченном количестве обучающих данных | false | true | false | |
7,328 | 2026-02-24T08:22:45.689000Z | 2026-02-24T08:22:45.689000Z | Lec. | Во-первых, благодаря ядерному трюку (kernel trick) SVM способен эффективно работать в высокоразмерных пространствах признаков | false | true | false | |
7,327 | 2026-02-24T08:22:43.941000Z | 2026-02-24T08:22:43.941000Z | Lec. | Его математический аппарат, основанный на максимизации зазора между классами [14], обеспечивал несколько ключевых преимуществ | false | true | false | |
7,326 | 2026-02-24T08:22:42.202000Z | 2026-02-24T08:22:42.202000Z | Lec. | Метод опорных векторов (SVM) занял особое место среди первых успешных применений машинного обучения для задач детекции и трекинга | false | true | false | |
7,325 | 2026-02-24T08:22:40.449000Z | 2026-02-24T08:22:40.449000Z | Lec. | Как отмечают Wu et al. в своем фундаментальном обзоре [13], «Этот период ознаменовал смену парадигмы от hand-crafted features к learned features в компьютерном зрении» | false | true | false | |
7,324 | 2026-02-24T08:22:38.619000Z | 2026-02-24T08:22:38.619000Z | Lec. | Переход особенно ярко проявился в задаче трекинга объектов, где классические подходы, основанные на корреляционных фильтрах и оптических потоках, начали уступать место методам с обучаемыми классификаторами | false | true | false | |
7,323 | 2026-02-24T08:22:36.884000Z | 2026-02-24T08:22:36.884000Z | Lec. | В начале 2000-х годов компьютерное зрение переживало период активного перехода от традиционных методов обработки изображений к алгоритмам машинного обучения | false | true | false | |
7,322 | 2026-02-24T08:22:35.127000Z | 2026-02-24T08:22:35.127000Z | Lec. | Все нерешенные проблемы привели к переходу к методам машинного обучения, таким как SVM, AdaBoost и Random Forests, которые использовали обучаемые классификаторы для детекции и трекинга | false | true | false | |
7,321 | 2026-02-24T08:22:33.486000Z | 2026-02-24T08:22:33.486000Z | Lec. | Также метод является довольно вычислительно затратным, что делает его непригодным для низко-производительных систем | false | true | false | |
7,320 | 2026-02-24T08:22:31.807000Z | 2026-02-24T08:22:31.807000Z | Lec. | Основными же проблемами оптических потоков были такими же, как и в корреляционных фильтрах : чувствительность к шуму, неустойчивость к быстрым перемещениям объекта детекции и зависимость от текстуры и окклюзий | false | true | false | |
7,319 | 2026-02-24T08:22:30.032000Z | 2026-02-24T08:22:30.032000Z | Lec. | Подход работал эффективно для медленных движений, но требовал наличия текстурированных областей для выделения устойчивых ключевых точек | false | true | false | |
7,318 | 2026-02-24T08:22:28.284000Z | 2026-02-24T08:22:28.284000Z | Lec. | Метод Lucas-Kanade основывался на предположении, что движение пикселей в небольшом окне можно аппроксимировать аффинным преобразованием | false | true | false | |
7,317 | 2026-02-24T08:22:26.656000Z | 2026-02-24T08:22:26.656000Z | Lec. | Классические алгоритмы, такие как Lucas-Kanade [12], использовали локальные градиенты для вычисления векторов перемещения | false | true | false | |
7,316 | 2026-02-24T08:22:25.064000Z | 2026-02-24T08:22:25.064000Z | Lec. | Параллельно с корреляционными фильтрами развивались методы, основанные на оптических потоках, которые оценивали движение объектов по смещению ключевых точек между кадрами | false | true | false | |
7,315 | 2026-02-24T08:22:23.425000Z | 2026-02-24T08:22:23.425000Z | Lec. | Корреляционные фильтры часто сочетались с другими методами, например фильтром оценки состояния Калмана [5],он предполагал линейную динамику и гауссов шум, что ограничивало его в сложных сценах | false | true | false | |
7,314 | 2026-02-24T08:22:21.656000Z | 2026-02-24T08:22:21.656000Z | Lec. | Сравнение различных корреляционных фильтров представлено в работе [11] | false | true | false | |
7,313 | 2026-02-24T08:22:19.824000Z | 2026-02-24T08:22:19.824000Z | Lec. | Несмотря на улучшении в качестве трекинга объектов на видеопотоке, корреляционные фильтры все еще оставались уязвимы к изменением освещения (резкие перепады яркости ухудшали качество трекинга), частичным окклюзиям (потеря объекта при перекрытии его другим элементом), быстрым движением (динамическое изменение положение ... | false | true | false | |
7,312 | 2026-02-24T08:22:17.869000Z | 2026-02-24T08:22:17.869000Z | Lec. | Рисунок 2 - Discriminative Scale Space Tracker [10] | false | true | false | |
7,311 | 2026-02-24T08:22:16.136000Z | 2026-02-24T08:22:16.136000Z | Lec. | Механизм работы данного метода (Рисунок 2) | false | true | false | |
7,310 | 2026-02-24T08:22:13.939000Z | 2026-02-24T08:22:13.939000Z | Lec. | Подробно метод описан в статье [10] | false | true | false | |
7,309 | 2026-02-24T08:22:12.429000Z | 2026-02-24T08:22:12.429000Z | Lec. | Дальнейшие улучшения, такие как DSST (Discriminative Scale Space Tracker) [9], добавили адаптивное масштабирование, что позволило лучше обрабатывать изменения размера объекта | false | true | false | |
7,308 | 2026-02-24T08:22:10.686000Z | 2026-02-24T08:22:10.686000Z | Lec. | KCF демонстрировал лучшую точность по сравнению с MOSSE, но по-прежнему страдал от дрейфа при длительных окклюзиях | false | true | false | |
7,307 | 2026-02-24T08:22:08.927000Z | 2026-02-24T08:22:08.927000Z | Lec. | Для повышения устойчивости были разработаны более продвинутые методы, такие как Kernelized Correlation Filters (KCF) [8], который использовал ядерные функции для работы с нелинейными пространствами признаков | false | true | false | |
7,306 | 2026-02-24T08:22:07.168000Z | 2026-02-24T08:22:07.168000Z | Lec. | MOSSE был чувствителен к изменению масштаба и вращению объекта, что ограничивало его применение в сложных сценах | false | true | false | |
7,305 | 2026-02-24T08:22:05.422000Z | 2026-02-24T08:22:05.422000Z | Lec. | Метод обеспечивал высокую скорость обработки (сотни кадров в секунду) за счет использования быстрого преобразования Фурье (FFT) для вычисления корреляции между шаблоном объекта и областью поиска | false | true | false | |
7,304 | 2026-02-24T08:22:03.668000Z | 2026-02-24T08:22:03.668000Z | Lec. | Из наиболее известных алгоритмов этого класса является MOSSE (Minimum Output Sum of Squared Errors), предложенный в работе [7] | false | true | false | |
7,303 | 2026-02-24T08:22:02.043000Z | 2026-02-24T08:22:02.043000Z | Lec. | Одним из первых эффективных методов трекинга стали корреляционные фильтры, которые позволяли предсказывать перемещение объекта между кадрами на основе свёрточных операций | false | true | false | |
7,302 | 2026-02-24T08:22:00.267000Z | 2026-02-24T08:22:00.267000Z | Lec. | Рисунок 1 - Методы детекции, ретроспектива [6] | false | true | false | |
7,301 | 2026-02-24T08:21:58.714000Z | 2026-02-24T08:21:58.714000Z | Lec. | Развитие методов трекинга объектов отлично отражено в статье [6], где подробно объяснено развитие трекинга объектов до текущего десятилетия (Рисунок 1) | false | true | false | |
7,300 | 2026-02-24T08:21:56.899000Z | 2026-02-24T08:21:56.899000Z | Lec. | В данном разделе рассматривается развитие методов, их преимущества и недостатки, а также ключевые работы, повлиявшие на дальнейший прогресс в области компьютерного зрения | false | true | false | |
7,299 | 2026-02-24T08:21:55.248000Z | 2026-02-24T08:21:55.248000Z | Lec. | Классические подходы, основанные на корреляционных фильтрах и оптических потоках, заложили фундамент для современных решений, но имели существенные ограничения, связанные с устойчивостью к изменениям освещения, окклюзиям и сложным траекториям движения | false | true | false | |
7,298 | 2026-02-24T08:21:53.470000Z | 2026-02-24T08:21:53.470000Z | Lec. | Алгоритмы трекинга объектов в видеопотоках прошли эволюцию, начиная с простых корреляционных и оптических методов и заканчивая сложными нейросетевыми архитектурами | false | true | false | |
7,297 | 2026-02-24T08:21:51.704000Z | 2026-02-24T08:21:51.704000Z | Lec. | Тестирование системы на открытых источниках (фильмы, видео), которые включают в себя сложные сцены | false | true | false | |
7,296 | 2026-02-24T08:21:50.016000Z | 2026-02-24T08:21:50.016000Z | Lec. | Оптимизация трекера по скорости и качеству | false | true | false | |
7,295 | 2026-02-24T08:21:48.527000Z | 2026-02-24T08:21:48.527000Z | Lec. | Интеграция модели SAM2 в данную работу | false | true | false | |
7,294 | 2026-02-24T08:21:46.966000Z | 2026-02-24T08:21:46.966000Z | Lec. | Разработка модели, которая предоставляет сегментационные маски трекеру для дальнейшей работы | false | true | false | |
7,293 | 2026-02-24T08:21:45.373000Z | 2026-02-24T08:21:45.373000Z | Lec. | Разработка и интеграция корреляционных фильтров в устойчивый трекер движущихся объектов в видеопотоке | false | true | false | |
7,292 | 2026-02-24T08:21:43.759000Z | 2026-02-24T08:21:43.759000Z | Lec. | Подбор и интеграция существующих решений в работу | false | true | false | |
7,291 | 2026-02-24T08:21:42.254000Z | 2026-02-24T08:21:42.254000Z | Lec. | Обзор существующих решений и анализ | false | true | false | |
7,290 | 2026-02-24T08:21:40.529000Z | 2026-02-24T08:21:40.529000Z | Lec. | Задачи, поставленные в ходе реализации решения: | false | true | false | |
7,289 | 2026-02-24T08:21:37.354000Z | 2026-02-24T08:21:37.354000Z | Lec. | Целью выпускной квалификационной работы является разработка устойчивого трекера объектов в видеопотоке и получение преимущества, над существующими открытыми решениями в данной области | false | true | false | |
7,288 | 2026-02-24T08:21:35.580000Z | 2026-02-24T08:21:35.580000Z | Lec. | Использование трекера позволяет следить за объектами в видеопотоке в сложных сценах, включающих в себя: размытие изображение, перекрытие объектов, потеря из кадра объекта, вспышки света, дым и прочие трудности | false | true | false | |
7,287 | 2026-02-24T08:21:33.791000Z | 2026-02-24T08:21:33.791000Z | Lec. | Разработанный трекер движущихся объектов использует современные решения в области компьютерного зрения, такие как метод «Zero-shot filtering» для SAM2 модели [4] или фильтр Калмана [5], а также прочие корреляционные фильтры и квантизацию SAM2 | false | true | false | |
7,286 | 2026-02-24T08:21:32Z | 2026-02-24T08:21:32Z | Lec. | Устойчивый трекер движущихся объектов в видеопотоке является новаторским решением в области компьютерного зрения в силу того, что имеет некоторые превосходства над существующими решениями | false | true | false | |
7,285 | 2026-02-24T08:21:30.191000Z | 2026-02-24T08:21:30.191000Z | Lec. | Также они имеют трудности в условиях съемки с динамичными изменениями фона или перекрыванием объектов [3] | false | true | false | |
7,284 | 2026-02-24T08:21:28.429000Z | 2026-02-24T08:21:28.429000Z | Lec. | Существующие реализации [2] часто сталкиваются с проблемами дороговизны и доступности для конечного потребителя | false | true | false | |
7,283 | 2026-02-24T08:21:26.670000Z | 2026-02-24T08:21:26.670000Z | Lec. | Появляются существенные трудности при проектировании архитектуры системы, вынуждая исследователей искать оптимальные компромиссы между производительностью и точностью, что является предметом активных научных изысканий в области компьютерного зрения и машинного обучения | false | true | false | |
7,282 | 2026-02-24T08:21:24.920000Z | 2026-02-24T08:21:24.920000Z | Lec. | С другой стороны, требования к точности прогнозирования траекторий движения и устойчивости к окклюзиям диктуют необходимость использования сложных математических моделей, что неизбежно увеличивает временные затраты на обработку каждого кадра | false | true | false | |
7,281 | 2026-02-24T08:21:23.262000Z | 2026-02-24T08:21:23.262000Z | Lec. | С одной стороны, системе необходимо обеспечивать минимальную латентность обработки для функционирования в режиме реального времени, что накладывает жесткие ограничения на вычислительную сложность алгоритмов | false | true | false | |
7,280 | 2026-02-24T08:21:21.607000Z | 2026-02-24T08:21:21.607000Z | Lec. | Данная проблема порождает фундаментальный компромисс между скоростью обработки видеопотока и точностью пространственной локализации объектов | false | true | false | |
7,279 | 2026-02-24T08:21:20.003000Z | 2026-02-24T08:21:20.003000Z | Lec. | Ключевая проблема заключается в необходимости одновременного решения двух взаимосвязанных задач: детектирования объектов в пределах видеокадра и поддержания их идентификации во временной последовательности | false | true | false | |
7,278 | 2026-02-24T08:21:18.364000Z | 2026-02-24T08:21:18.364000Z | Lec. | Разработка высокоэффективных систем трекинга движущихся объектов, несмотря на их широкую применимость в различных областях, сопряжена с существенными методологическими и техническими сложностями, требующими комплексного научно-инженерного подхода | false | true | false | |
7,277 | 2026-02-24T08:21:16.515000Z | 2026-02-24T08:21:16.515000Z | Lec. | Решение представленных задач открывает возможности для создания универсальных систем трекинга, применимых в таких областях, как видеонаблюдение, автономные транспортные средства и анализ спортивной динамики | false | true | false | |
7,276 | 2026-02-24T08:21:14.743000Z | 2026-02-24T08:21:14.743000Z | Lec. | Перспективными направлениями развития являются использование пространственно-временных attention-механизмов [1] для контекстного анализа сцены, а также интеграция метрического обучения | false | true | false | |
7,275 | 2026-02-24T08:21:12.978000Z | 2026-02-24T08:21:12.978000Z | Lec. | Дополнительным вызовом остается обеспечение вычислительной эффективности, особенно при работе с потоковыми данными высокого разрешения, где требуется баланс между точностью и латентностью | false | true | false | |
7,274 | 2026-02-24T08:21:11.349000Z | 2026-02-24T08:21:11.349000Z | Lec. | В рамках данной проблемы применяются гибридные подходы, сочетающие методы детектирования на основе глубокого обучения с алгоритмами фильтрации, такими как фильтр Калмана и другими, что позволяет компенсировать погрешности предсказания | false | true | false | |
7,273 | 2026-02-24T08:21:09.561000Z | 2026-02-24T08:21:09.561000Z | Lec. | Ключевым аспектом устойчивости является способность системы адаптироваться к нелинейным траекториям движения объектов, сохраняя идентификацию даже при временном перекрытии другими элементами сцены | false | true | false | |
7,272 | 2026-02-24T08:21:07.783000Z | 2026-02-24T08:21:07.783000Z | Lec. | Современным алгоритмам трекинга необходимо обеспечивать высокую робастность к таким факторам, как частичная окклюзия, изменение освещенности, вариации масштаба и ракурса, а также наличие фоновых помех | false | true | false | |
7,271 | 2026-02-24T08:21:06.142000Z | 2026-02-24T08:21:06.142000Z | Lec. | В последние десятилетия развития компьютерного зрения данная задача является актуальной | false | true | false | |
7,270 | 2026-02-24T08:21:04.410000Z | 2026-02-24T08:21:04.410000Z | Lec. | Устойчивый трекинг движущихся объектов в видеоизображениях представляет собой сложную задачу компьютерного зрения, направленную на непрерывное и точное сопровождение целевых объектов в условиях динамически изменяющейся сцены | false | true | false | |
7,269 | 2026-02-24T08:21:02.635000Z | 2026-02-24T08:21:02.635000Z | Lec. | Введение 10. 1.1 Актуальность 10. 1.2 Новизна 11. 1.3 Цель работы 12. 1.4 Задачи 12. 2 Обзорная часть 13. 2.1 Классические методы 13. 2.2 Методы машинного обучения в детекции объектов. 15. 2.3 Современные методы включающие в себя использование нейронных сетей для детекции объектов в видеопотоке. 18. 2.4 Вывод по обзорн... | false | false | false | |
7,268 | 2026-02-24T08:21:00.282000Z | 2026-02-24T08:21:00.282000Z | Lec. | The work consists of 59 pages, 44 sources, 12 figures and 1 table | false | true | false | |
7,267 | 2026-02-24T08:20:58.260000Z | 2026-02-24T08:20:58.260000Z | Lec. | Thus, the result of the work is software tool for tracking moving objects in a video stream using various methods and algorithms | false | true | false | |
7,266 | 2026-02-24T08:20:56.562000Z | 2026-02-24T08:20:56.562000Z | Lec. | In the course of the work, existing approaches and methods for tracking moving objects in a video stream were investigated, and their own tracker with competitive quality and speed metrics was developed in the modern market for such solutions | false | true | false | |
7,265 | 2026-02-24T08:20:54.799000Z | 2026-02-24T08:20:54.799000Z | Lec. | To solve this problem, this paper proposes a tracker that includes a set of methods to improve quality and sustainability, as well as minimize the computing resources of the system | false | true | false | |
7,264 | 2026-02-24T08:20:53.054000Z | 2026-02-24T08:20:53.054000Z | Lec. | Currently, most of the existing solutions cannot satisfy the end user due to the high cost or quality of the solution | false | true | false | |
7,263 | 2026-02-24T08:20:51.515000Z | 2026-02-24T08:20:51.515000Z | Lec. | But the quality and speed problem of such models and trackers is still relevant | false | true | false | |
7,262 | 2026-02-24T08:20:49.987000Z | 2026-02-24T08:20:49.987000Z | Lec. | Tracking moving objects in a video stream is an important task in many technological solutions of mankind, such as security systems, cars with autopilot, robots | false | true | false | |
7,261 | 2026-02-24T08:20:48.224000Z | 2026-02-24T08:20:48.224000Z | Lec. | Работа состоит из 59 страниц, 44 источников, 12 рисунков и 1 таблиц | false | false | false | |
7,260 | 2026-02-24T08:20:46.344000Z | 2026-02-24T08:20:46.344000Z | Lec. | Результатом работы является программное средство для отслеживания движущихся объектов видеопотоке с применением различных методов и алгоритмов | false | true | false | |
7,259 | 2026-02-24T08:20:44.592000Z | 2026-02-24T08:20:44.592000Z | Lec. | В ходе работы исследованы существующие подходы и методы по отслеживанию движущихся объектов в видеопотоке, разработан свой собственный трекер с конкурентноспособными метриками качества и скорости на современном рынке подобных решений | false | true | false | |
7,258 | 2026-02-24T08:20:42.767000Z | 2026-02-24T08:20:42.767000Z | Lec. | Для решения проблемы в данной работе предложен трекер, включающий в себя совокупность методов для улучшения качества и устойчивости, а также минимизации вычислительных ресурсов системы | false | true | false |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.