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 |
|---|---|---|---|---|---|---|---|---|
1,757 | 2026-02-23T11:14:37.696000Z | 2026-02-23T18:12:34.834000Z | Lec. | Поиск и отбор наборов данных, применимых для предметной области | Поиск и отбор наборов данных, применимых для предметной области | false | true | true |
1,756 | 2026-02-23T11:14:35.847000Z | 2026-02-23T13:31:11.612000Z | Lec. | Исходя из перечисленных методов обработки изображений, учитывая сложность и новизну предметной области, и текущие тренды предметной области, можно сделать вывод, что основная задача – создание системы визуальной локализации БПЛА на основе алгоритмов сопоставления изображений, основанных на нейронных сетях: | Исходя из перечисленных методов обработки изображений. Учитывая сложность и новизну предметной области, и текущие тренды в этой области, можно сделать вывод, что основная задача – создание системы визуальной локализации БПЛА на основе алгоритмов сопоставления изображений, основанных на нейронных сетях. | false | true | true |
1,755 | 2026-02-23T11:14:34.067000Z | 2026-02-23T11:14:34.067000Z | Lec. | Кроме того, эта работа закладывает основу для будущих улучшений, включая интеграцию визуальной локализации с другими системами навигации | false | true | false | |
1,754 | 2026-02-23T11:14:32.187000Z | 2026-02-23T13:28:24.296000Z | Lec. | Ожидаемые результаты данного исследования должны подтвердить превосходство подходов на основе глубокого обучения в задачах визуальной локализации, предложив более надежную и безопасную альтернативу традиционным методам | Ожидаемые результаты данного исследования должны подтвердить преимущество подходов на основе глубокого обучения в задачах визуальной локализации, предложив более надежную и безопасную альтернативу традиционным методам | false | true | true |
1,753 | 2026-02-23T11:14:30.278000Z | 2026-02-23T13:25:41.264000Z | Lec. | Оценка производительности с использованием метрик, таких как ошибка позиционирования, ошибка ориентации, точность, полнота и скорость обработки, позволит всесторонне оценить возможности системы | Оценка производительности с использованием метрик, таких как ошибка позиционирования, ошибка ориентации, точность, полнота и скорость обработки, позволит всесторонне оценить возможности системы. | false | true | true |
1,752 | 2026-02-23T11:14:28.367000Z | 2026-02-23T11:14:28.367000Z | Lec. | Благодаря фокусу на обнаружении ключевых точек, система направлена на достижение высокой точности и надежности локализации БПЛА в реальном времени, даже в сложных условиях, таких как изменение освещения, масштаба и перспективы | false | true | false | |
1,751 | 2026-02-23T11:14:26.527000Z | 2026-02-23T11:14:26.527000Z | Lec. | Предложенная система визуальной локализации, основанная на алгоритмах сопоставления изображений, базирующихся на глубоком обучении, использует современные методы, чтобы преодолеть ограничения традиционных систем навигации, которые подвержены помехам и внешним атакам | false | true | false | |
1,750 | 2026-02-23T11:14:24.335000Z | 2026-02-23T17:14:45.824000Z | Lec. | Исходя из перечисленных выше аргументов, можно сделать вывод, что результатом исследования будет выступать как раз некоторые выбранные метрики и характеристики системы, описанные в разделах “обзор аналогов” и «описание методологии построения системы» и для системы визуальной локализации, основанной на алгоритмах сопост... | Исключительно в перечисленных выше аргументах можно сделать вывод, что результатом исследования будет выступать как раз некоторые выбранные метрики и характеристики системы, описанные в разделах «обзор аналогов» и «описание методологии построения системы», а также для системы визуальной локализации, основанной на алгор... | false | true | true |
1,749 | 2026-02-23T11:14:22.322000Z | 2026-02-23T11:14:22.322000Z | Lec. | Так как алгоритмы сопоставления изображений, основанные на глубоком обучении и нейронных сетях, учатся, в большей степени, на обычных изображениях мира вокруг нас, а не на специализированных наборах данных, вроде карт местности, нельзя заранее утверждать, что гипотеза о их лучшей точности в задаче визуальной локализаци... | false | true | false | |
1,748 | 2026-02-23T11:14:20.366000Z | 2026-02-23T16:14:04.359000Z | Lec. | Некоторые методы, представленные в подобных исследованиях, такие как: выставление специальных меток, в случае наличия доступа к объекту до запуска БПЛА или использование отдельных нейронных-сетей-детекторов отдельных объектов[25] могут быть интегрированы в разрабатываемую систему визуальной локализации БПЛА | Некоторые методы, представленные в подобных исследованиях, такие как: выставление специальных меток, в случае наличия доступа к объекту до запуска БПЛА или использование отдельных нейронных сетей-детекторов отдельных объектов[25], могут быть интегрированы в разрабатываемую систему визуальной локализации БПЛА. | false | true | true |
1,747 | 2026-02-23T11:14:18.089000Z | 2026-02-23T16:37:04.804000Z | Lec. | В качестве параллельно развивающихся систем, не являющихся прямыми конкурентами, можно рассматривать, например, системы визуальной локализации для поиска объектов и спасения людей[24], где в БПЛА также используются системы визуальной локализации, но для других целей | В качестве параллельно развивающихся систем, не являющихся прямыми конкурентами, можно рассматривать, например, системы визуальной локализации для поиска объектов и спасения людей[24], где в БПЛА также используются другие системы визуальной локализации, но для других целей | false | true | true |
1,746 | 2026-02-23T11:14:16.180000Z | 2026-02-23T11:14:16.180000Z | Lec. | Показатели алгоритмов, основанных на нейронных сетях, превосходят аналоги в сложных случаях: при наличии помех, при сложных условиях съемки и нестандартных случаях, что является их конкурентным преимуществом и подтверждает рациональность их использования для построения системы | false | true | false | |
1,745 | 2026-02-23T11:14:14.345000Z | 2026-02-23T11:14:14.345000Z | Lec. | Рассматривая сами алгоритмы, в обзорных статьях авторы четко указывают на преимущества методов, основанных на глубоком обучении и нейронных сетях перед классическими алгоритмами сопоставления изображений, несмотря на необходимую вычислительную сложность, предполагается, что производительность аппаратного обеспечения БП... | false | true | false | |
1,744 | 2026-02-23T11:14:12.397000Z | 2026-02-23T18:04:38.254000Z | Lec. | Описанные выше возможные аналоги системы нельзя напрямую сравнивать с разрабатываемой системой, однако, можно рассматривать как смежные параллельно развивающиеся области, методики которых могут быть интегрированы в разрабатываемую систему визуальной локализации БПЛА | Описанные выше возможные аналоги системы нельзя напрямую сравнивать с разрабатываемой системой, однако можно рассматривать их как смежные параллельно развивающиеся области, методики которых могут быть интегрированы в разрабатываемую систему визуальной локализации БПЛА. | false | true | true |
1,743 | 2026-02-23T11:14:10.375000Z | 2026-02-23T13:32:29.800000Z | Lec. | В качестве аналогов разрабатываемой системы можно рассмотреть либо сами алгоритмы сопоставления изображений, так как они являются основной частью системы, либо системы визуальной локализации, основанные на других методах локализации | В качестве аналогов разрабатываемой системы можно рассмотреть либо сами алгоритмы сопоставления изображений, так как они являются основной частью системы, либо системы визуальной локализации, основанные на других методах локализации и. | false | true | true |
1,742 | 2026-02-23T11:14:08.665000Z | 2026-02-23T13:45:19.725000Z | Lec. | Основная метрика, чаще всего использующаяся для оценки качества системы визуальной локализации – среднее евклидово расстояние, не может быть прямо противопоставлена такой же метрике в другом исследовании из-за разницы в наборе данных, качества аэрофотосъемки и прочих факторов, нарушающих принцип единственности испытан... | Основная метрика, чаще всего используемая для оценки качества системы визуальной локализации – среднее евклидово расстояние, не может быть прямо противопоставлена такой же метрике в другом исследовании из-за разницы в наборе данных, качества аэрофотосъемки и прочих факторов, нарушающих принцип единственности испытаний. | false | true | true |
1,741 | 2026-02-23T11:14:06.772000Z | 2026-02-23T11:14:06.772000Z | Lec. | Все алгоритмы, описанные в обзорных статьях, оценивались на разных наборах данных и разном аппаратном обеспечении, что не позволяет сравнивать их объективно | false | true | false | |
1,740 | 2026-02-23T11:14:04.972000Z | 2026-02-23T11:14:04.972000Z | Lec. | В обзорных статьях уже было указано, что результаты работ в области визуальной локализации БПЛА невозможно сравнивать из-за отсутствия каких-либо единых стандартизированных методов оценки или стандартов представления результатов | false | true | false | |
1,739 | 2026-02-23T11:14:03.292000Z | 2026-02-23T11:14:03.292000Z | Lec. | Уже указанный выше возможный вариант сопоставления двух глобальных карт может оказаться хорошим набором данных при тестировании системы, но, в случае, если в свободном доступе имеется набор специализированных данных, содержащий снимки карт и фотографии с реальных полетов беспилотных летательных аппаратов, определенно, ... | false | true | false | |
1,738 | 2026-02-23T11:14:01.533000Z | 2026-02-23T11:14:01.533000Z | Lec. | Также можно ввести и рассматривать условный критерий применимости набора | false | true | false | |
1,737 | 2026-02-23T11:13:59.952000Z | 2026-02-23T13:36:34.885000Z | Lec. | Один из основных критериев – использование набора данных в работах, которые могут быть рассмотрены как задел для нынешнего исследования | Один из основных критериев – использование набора данных в работах, которые могут рассматриваться как задел для нынешнего исследования. | false | true | true |
1,736 | 2026-02-23T11:13:57.982000Z | 2026-02-23T16:53:28.288000Z | Lec. | Критерии выбора набора данных могут быть самыми разными | Критерии выбора набора данных могут быть самыми разнообразными. | false | true | true |
1,735 | 2026-02-23T11:13:56.453000Z | 2026-02-23T16:48:11.349000Z | Lec. | Наборы данных могут быть совершенно разными, от сопоставления изображений одной глобальной карты с другой глобальной картой, до спутниковых снимков конкретной местности в хорошем качестве в паре с реальным полетом беспилотного летательного аппарата | Наборы данных могут быть совершенно разными, от сопоставления изображений одной глобальной карты с другой глобальной картой, до спутниковых снимков конкретной местности в паре с реальным полетом беспилотного летательного аппарата | false | true | true |
1,734 | 2026-02-23T11:13:54.778000Z | 2026-02-23T13:49:20.361000Z | Lec. | Один из самых важных этапов в разработке системы визуальной локализации БПЛА – выбор и обработка наборов данных (датасетов) | Один из самых важных этапов в разработке системы визуальной локализации БПЛА – выбор и обработка наборов данных (датабаз) | false | true | true |
1,733 | 2026-02-23T11:13:53.031000Z | 2026-02-23T13:50:53.688000Z | Lec. | Частота кадров (FPS) – количество кадров, которые система способна обработать в секунду | Частота кадров (FPS) – количество фреймов, которые система способна обработать в секунду | false | true | true |
1,732 | 2026-02-23T11:13:51.063000Z | 2026-02-23T11:13:51.063000Z | Lec. | Время обработки 1 кадра (измеряется в миллисекундах) – время от получения кадра алгоритмом до получение системой прогноза алгоритма по всем необходимым для дальнейшей обработки характеристикам | false | true | false | |
1,731 | 2026-02-23T11:13:49.217000Z | 2026-02-23T13:28:54.005000Z | Lec. | Данный тип ошибок может помочь нам выделить новые метрики и характеристики нашей модели, которые могут иметь немалую значимость при оценке, выборе и использовании системы визуальной локализации БПЛА | Данный тип ошибок может помочь нам выделить новые метрики и характеристики нашей модели, которые могут иметь значительную важность при оценке, выборе и использовании системы визуальной локализации БПЛА. | false | true | true |
1,730 | 2026-02-23T11:13:47.059000Z | 2026-02-23T11:13:47.059000Z | Lec. | Немаловажными характеристиками являются требования к системе, такие как скорость обработки кадра, вес модели, частота обработки кадров (FPS), возможность работы на разных вычислительных устройствах для разных алгоритмов (CPU, GPU) | false | true | false | |
1,729 | 2026-02-23T11:13:45.327000Z | 2026-02-23T11:13:45.327000Z | Lec. | Различные средние значения между полнотой и точностью | false | true | false | |
1,728 | 2026-02-23T11:13:43.734000Z | 2026-02-23T15:43:18.649000Z | Lec. | Полнота – доля правильно сопоставленных точек, относительно всех ключевых точек на изображении | Полнота — доля правильно сопоставленных точек к общему количеству ключевых точек на изображении. | false | true | true |
1,727 | 2026-02-23T11:13:41.762000Z | 2026-02-23T11:13:41.762000Z | Lec. | Точность – доля правильно сопоставленных точек, относительно общего числа сопоставлений | false | true | false | |
1,726 | 2026-02-23T11:13:40.056000Z | 2026-02-23T15:59:05.390000Z | Lec. | Ошибка поворота – средневзвешенная ошибка, возникающая из-за поворота изображения | Ошибка поворота – средневзвешенная ошибка, возникающая из-за поворота изображения. | false | true | true |
1,725 | 2026-02-23T11:13:38.120000Z | 2026-02-23T17:42:27.822000Z | Lec. | Ошибка масштабирования – ошибка приближения/отдаления карты по сравнению с реальным значением высоты полета БПЛА | Ошибка масштабирования – ошибка приближения/отдаления карты по сравнению с фактической высотой полета БПЛА. | false | true | true |
1,724 | 2026-02-23T11:13:36.214000Z | 2026-02-23T11:13:36.214000Z | Lec. | Ошибка позиционирования – среднее евклидово расстояние между истинным положением БПЛА и результатом работы алгоритма сопоставления изображений | false | false | false | |
1,723 | 2026-02-23T11:13:33.756000Z | 2026-02-23T11:13:33.756000Z | Lec. | Пример возможных метрик качества, которые могут быть применены для оценки результата на основании перечисленных признаков и характеристик: | false | true | false | |
1,722 | 2026-02-23T11:13:31.637000Z | 2026-02-23T11:13:31.637000Z | Lec. | По результатам приведенных выше характеристик можно построить график ошибок для каждого изображения в наборе данных, что позволит нам оценить качество работы алгоритма визуальной локализации беспилотного летательного аппарата | false | true | false | |
1,721 | 2026-02-23T11:13:29.688000Z | 2026-02-23T11:13:29.688000Z | Lec. | Рассмотрим основные признаки и характеристики, которые можно получить путем анализа изображений и сопоставить с эталонными на карте: положение (координата), угол поворота дрона (насколько изображение повернуто относительно карты), высота (масштаб) | false | true | false | |
1,720 | 2026-02-23T11:13:27.807000Z | 2026-02-23T11:13:27.807000Z | Lec. | Для тестирования алгоритмов сопоставления точек в задаче визуальной локализации БПЛА необходимо учитывать метрики, максимально приближенные к реальным | false | true | false | |
1,719 | 2026-02-23T11:13:26.126000Z | 2026-02-23T11:13:26.126000Z | Lec. | Систему визуальной локализации БПЛА, основанную на алгоритмах, построенных на базе нейронных сетей, как и любую другую инженерную систему, необходимо испытывать и тестировать, сравнивать полученные результаты с прочими методами, в том числе, классическими методами сопоставлений изображений | false | true | false | |
1,718 | 2026-02-23T11:13:24.332000Z | 2026-02-23T11:13:24.332000Z | Lec. | Скорость работы и универсальность систем, основанных на нейронных сетях, могут создать задел для будущих исследований и создания систем визуальной локализации БПЛА, интегрированных с прочими системами, такими как LiDAR и инерциальными датчиками (IMU) | false | true | false | |
1,717 | 2026-02-23T11:13:22.430000Z | 2026-02-23T11:13:22.430000Z | Lec. | Также, мы обязаны учитывать опыт из смежных областей, использующих компьютерное зрение для визуальной локализации, таких как, например, беспилотные автомобили, которые тоже используют именно алгоритмы, основанные на нейронных сетях для определения положения, обнаружения объектов и безопасности движения | false | true | false | |
1,716 | 2026-02-23T11:13:20.747000Z | 2026-02-23T11:13:20.747000Z | Lec. | Актуальность, как уже было указано в обзорных работах [3], подтверждается большим количеством исследований и перспективой развития именно алгоритмов, основанных на нейронных сетях | false | true | false | |
1,715 | 2026-02-23T11:13:18.899000Z | 2026-02-23T11:13:18.899000Z | Lec. | Точность – важный параметр, в условиях съемки с БПЛА именно алгоритмы, основанные на нейронных сетях способны нейтрализовать шумы, помехи, и, самое главное, изменяющиеся внешние условия съемки, такие как масштаб, угол поворота, и освещение | false | true | false | |
1,714 | 2026-02-23T11:13:17.084000Z | 2026-02-23T16:38:37.326000Z | Lec. | Причиной такого выбора стали объективные факторы, такие как: точность, скорость работы и универсальность | Причиной такого выбора стали объективные факторы: точность, скорость работы и универсальность. | false | true | true |
1,713 | 2026-02-23T11:13:15.304000Z | 2026-02-23T18:11:22.715000Z | Lec. | Для разработки системы визуальной локализации БПЛА выбраны алгоритмы на основе нейронных сетей | Для разработки системы визуальной локализации УАВ выбраны алгоритмы на основе нейронных сетей | false | true | true |
1,712 | 2026-02-23T11:13:13.181000Z | 2026-02-23T16:31:22.495000Z | Lec. | Подводя итоги анализа методов обработки видеопотка на языке Python, можно сделать вывод, что в описанной предметной области наиболее подходящим из представленных методов обработки видеопотока является библиотека OpenCV, из-за ее простоты, возможности легко изменять параметры видеопотока, такие как цветовая палитра и фо... | Подводя итоги анализа методов обработки видеопотока на языке Python, можно сделать вывод, что в описанной предметной области наиболее подходящим из представленных методов обработки видеопотока является библиотека OpenCV. Это связано с ее простотой и возможностью легко изменять параметры видеопотока, такие как цветовая ... | false | true | true |
1,711 | 2026-02-23T11:13:11.422000Z | 2026-02-23T15:49:46.800000Z | Lec. | FFmpeg, MoviePy и PyAV – крупные и мощные инструменты для работы с видео, однако, их функционал больше направлен на редактирование, конвертацию и задачи, направленные на работу с видео, например, создание САПР для видеомонтажа, сжатие и передача больших объемов видео, организации трансляций в реальном времени | FFmpeg, MoviePy и PyAV – крупные и мощные инструменты для работы с видео. Однако их функционал больше направлен на редактирование, конвертацию и другие задачи, связанные с видео, например, создание САПР для видеомонтажа, сжатие и передачу больших объемов видео, организацию трансляций в реальном времени. | false | true | true |
1,710 | 2026-02-23T11:13:09.477000Z | 2026-02-23T18:03:20.847000Z | Lec. | Наиболее важным фактором в выборе этого метода анализа видеопотока является его интеграция с библиотеками для нейронных сетей и машинного обучения, таких как TensorFlow и PyTorch | Наиболее важным фактором в выборе этого метода анализа видеопотока является его интеграция с библиотеками для нейронных сетей и машинного обучения, такими как TensorFlow и PyTorch. | false | true | true |
1,709 | 2026-02-23T11:13:07.680000Z | 2026-02-23T11:13:07.680000Z | Lec. | Проведем анализ приведенных методов обработки видеопотоков: OpenCV предоставляет простые интерфейсы для чтения и записи видео, а также множество функций для фильтрации и преобразования изображений, таких как изменения цветового пространства, обнаружение границ | false | true | false | |
1,708 | 2026-02-23T11:13:05.741000Z | 2026-02-23T13:28:12.667000Z | Lec. | PyAV – это обертка вокруг FFmpeg, которая предоставляет более низкоуровневый доступ к обработке видео и аудио | PyAV – это обертка вокруг FFmpeg, которая предоставляет более низкоуровневый доступ к обработке видео и аудио. | false | true | true |
1,707 | 2026-02-23T11:13:03.933000Z | 2026-02-23T11:13:03.933000Z | Lec. | MoviePy[23] – это библиотека для редактирования видео, которая позволяет легко выполнять такие задачи, как обрезка, наложение текста, добавление эффектов | false | true | false | |
1,706 | 2026-02-23T11:13:02.163000Z | 2026-02-23T13:46:02.031000Z | Lec. | FFmpeg[22] – мощная библиотека для обработки мультимедиа, которая может быть использована через Python с помощью оберток | FFmpeg[22] – мощная библиотека для обработки мультимедиа, которая может быть использована через Python с помощью оберток. | false | true | true |
1,705 | 2026-02-23T11:13:00.299000Z | 2026-02-23T11:13:00.299000Z | Lec. | Она поддерживает множество функций для обработки изображений и видео, включая чтение, запись, фильтрацию, обнаружение объектов и многое другое | false | true | false | |
1,704 | 2026-02-23T11:12:58.496000Z | 2026-02-23T13:49:43.785000Z | Lec. | OpenCV (Open Source Computer Vision Library) [21] – одна из самых популярных библиотек для работы с компьютерным зрением | OpenCV (Open Source Computer Vision Library) [21] – одна из самых популярных библиотек для работы с компьютерным зрением. | false | true | true |
1,703 | 2026-02-23T11:12:56.717000Z | 2026-02-23T13:45:12.256000Z | Lec. | Рассмотрим основные методы обработки видеопотока на Python: | Рассмотрим основные методы обработки видеопотока на языке программирования Python: | false | true | true |
1,702 | 2026-02-23T11:12:55.272000Z | 2026-02-23T13:37:18.460000Z | Lec. | Обработка видеопотоков — это важная задача в компьютерном зрении, которая включает в себя анализ, фильтрацию, обнаружение объектов и другие операции с видео | Обработка видеопотоков — это важная задача в компьютерном зрении, которая включает в себя анализ, фильтрацию, обнаружение объектов, другие операции с видео: обнаружение объектов и т.п. | false | true | true |
1,701 | 2026-02-23T11:12:53.696000Z | 2026-02-23T11:12:53.696000Z | Lec. | Важной частью системы визуальной локализации БПЛА являются методы обработки и анализа видеопотока, доступные на языке Python | false | true | false | |
1,700 | 2026-02-23T11:12:51.882000Z | 2026-02-23T11:12:51.882000Z | Lec. | Алгоритмы сопоставления изображений хоть и главная, но не единственная составляющая разрабатываемой системы | false | true | false | |
1,699 | 2026-02-23T11:12:50.002000Z | 2026-02-23T11:12:50.002000Z | Lec. | OmniGlue – это еще один современный алгоритм, который улучшает SuperGlue, добавляя возможность работы с гетерогенными данными (например, изображениями с разных камер или в разных условиях) [20] | false | true | false | |
1,698 | 2026-02-23T11:12:48.049000Z | 2026-02-23T11:12:48.049000Z | Lec. | LightGlue – улучшенная версия алгоритма SuperGlue, требующая меньше вычислительных ресурсов [19] | false | true | false | |
1,697 | 2026-02-23T11:12:45.981000Z | 2026-02-23T11:12:45.981000Z | Lec. | R2D2 (Reliable and Repeatable Detector and Descriptor) – алгоритм фокусируется на надежности и повторяемости ключевых точек [18] | false | true | false | |
1,696 | 2026-02-23T11:12:43.963000Z | 2026-02-23T13:41:08.673000Z | Lec. | LF-Net (Local Features Network) – алгоритм обучается на синтетических данных, обнаруживает ключевые точки с помощью CNN [17] | Алгоритм LF-Net (Local Features Network) обучается на синтетических данных. Он обнаруживает ключевые точки с помощью CNN [17]. | false | true | true |
1,695 | 2026-02-23T11:12:42.019000Z | 2026-02-23T13:26:57.368000Z | Lec. | Однако, детектор ключевых точек должен быть внешний, например, SuperPoint [16] | Однако детектор ключевых точек должен быть внешний, например, SuperPoint [16]. | false | true | true |
1,694 | 2026-02-23T11:12:40.356000Z | 2026-02-23T11:12:40.356000Z | Lec. | SuperGlue – алгоритм использует GNN (Графовые нейронные сети) для нахождения соответствий между ключевыми точками | false | true | false | |
1,693 | 2026-02-23T11:12:38.489000Z | 2026-02-23T18:20:04.986000Z | Lec. | D2-Net (Detection and Description Network) – алгоритм объединяет обнаружение ключевых точек и вычисление дескрипторов в одной модели [15] | D2-Net (Detection and Description Network) – алгоритм объединяет обнаружение ключевых точек и вычисление дескрипторов в одной модели [15]. | false | true | true |
1,692 | 2026-02-23T11:12:36.465000Z | 2026-02-23T13:51:17.693000Z | Lec. | SuperPoint – алгоритм, использующий CNN (свёрточная нейронная сеть) для обнаружения ключевых точек, после чего вычисляет их дескрипторы [14] | SuperPoint – алгоритм, использующий Convolutional Neural Network (свёрточную нейронную сеть) для обнаружения ключевых точек, после чего вычисляет их дескрипторы [14] | false | true | true |
1,691 | 2026-02-23T11:12:34.499000Z | 2026-02-23T11:12:34.499000Z | Lec. | LoFTR (Local Feature Matching with Transformers) – алгоритм, основанный на архитектуре Transformer [13] | false | true | false | |
1,690 | 2026-02-23T11:12:32.328000Z | 2026-02-23T11:12:32.328000Z | Lec. | Рассмотрим примеры алгоритмов сопоставления изображений на основе нейронных сетей: | false | true | false | |
1,689 | 2026-02-23T11:12:30.619000Z | 2026-02-23T11:12:30.619000Z | Lec. | Алгоритмы, основанные на нейронных сетях, в компьютерном зрении представляют собой множество различных алгоритмов для разных задач, таких как: классификация изображений, обнаружение объектов, в том числе, в видеопотоке, сегментация, сопоставление изображений, восстановление и генерация[12] | false | true | false | |
1,688 | 2026-02-23T11:12:28.688000Z | 2026-02-23T11:12:28.688000Z | Lec. | В результате можно сделать вывод, что исследования в области алгоритмов навигации с использованием нейронных сетей будет наиболее перспективной областью для исследования [3] | false | true | false | |
1,687 | 2026-02-23T11:12:26.873000Z | 2026-02-23T16:40:01.527000Z | Lec. | Также такие алгоритмы способны обучаться, что постепенно приводит к улучшению их точности и работоспособности | Такие алгоритмы также способны обучаться, что постепенно приводит к улучшению их точности и работоспособности | false | true | true |
1,686 | 2026-02-23T11:12:25.153000Z | 2026-02-23T11:12:25.154000Z | Lec. | В первую очередь, методы глубокого обучения проще адаптируются к сложным условиям, таким, как поворот, изменение освещения и масштаба | false | true | false | |
1,685 | 2026-02-23T11:12:23.470000Z | 2026-02-23T13:35:11.518000Z | Lec. | Однако, многие алгоритмы, основанные на глубоком обучении, решают другие проблемы, расширяя возможности визуальной локализации БПЛА по сравнению с алгоритмами, основанными на классических методах | Однако многие алгоритмы, основанные на глубоком обучении, решают другие проблемы, расширяя возможности визуальной локализации БПЛА по сравнению с алгоритмами, основанными на классических методах. | false | true | true |
1,684 | 2026-02-23T11:12:21.511000Z | 2026-02-23T17:47:45.139000Z | Lec. | Например, классические методы также имеют высокую вычислительную сложность | Классические методы также имеют высокую вычислительную сложность. | false | true | true |
1,683 | 2026-02-23T11:12:19.758000Z | 2026-02-23T16:47:38.614000Z | Lec. | Не все недостатки классических методов могут быть устранены путем использования алгоритмов, основанных на глубоком обучении | Не все недостатки классических методов могут быть устранены путем использования алгоритмов, основанных на глубоком обучении. | false | true | true |
1,682 | 2026-02-23T11:12:18.068000Z | 2026-02-23T13:34:05.685000Z | Lec. | Классические методы сопоставления изображений постепенно заменяются на другие методы, основанные на машинном обучении, в частности, глубоком обучении и нейронных сетях | Классические методы сопоставления изображений постепенно заменяются на другие методы, основанные на машинном обучении, в частности, глубокое обучение и нейронные сети. | false | true | true |
1,681 | 2026-02-23T11:12:16.243000Z | 2026-02-23T11:12:16.243000Z | Lec. | Создает бинарные дескрипторы [11] | false | true | false | |
1,680 | 2026-02-23T11:12:14.699000Z | 2026-02-23T11:12:14.699000Z | Lec. | Accelerated-KAZE (AKAZE) – алгоритм, основанный на нелинейной масштабной пирамиде для обнаружения ключевых точек | false | true | false | |
1,679 | 2026-02-23T11:12:12.666000Z | 2026-02-23T17:25:56.735000Z | Lec. | Oriented FAST and Rotated BRIEF (ORB) – алгоритм, основанный на комбинации детектора FAST для поиска ключевых точек и дескриптора BRIEF для их описания [10] | Ориентированный FAST и вращающийся BRIEF (ORB) – алгоритм, основанный на комбинации детектора FAST для поиска ключевых точек и дескриптора BRIEF для их описания [10] | false | true | true |
1,678 | 2026-02-23T11:12:10.874000Z | 2026-02-23T16:29:53.140000Z | Lec. | Speeded Up Robust Features (SURF) – ускоренный SIFT [9] | Speeded-up Robust Features (SURF) – ускоренная версия SIFT [9] | false | true | true |
1,677 | 2026-02-23T11:12:08.864000Z | 2026-02-23T15:49:58.742000Z | Lec. | Scale Invariant-Feature Transform (SIFT) – алгоритм, устойчивый к изменению масштаба и повороту изображения[8] | Scale Invariant-Feature Transform (SIFT) – алгоритм, устойчивый к изменению масштаба изображения. Он также устойчив к повороту изображения[8]. | false | true | true |
1,676 | 2026-02-23T11:12:06.882000Z | 2026-02-23T11:12:06.882000Z | Lec. | Для задачи визуальной локализации на основе сопоставления точек на изображении существуют классические методы компьютерного зрения: | false | true | false | |
1,675 | 2026-02-23T11:12:04.888000Z | 2026-02-23T16:01:26.534000Z | Lec. | Также, к аппаратному обеспечению выставляются повышенные требования к надежности и безопасности, так как БПЛА не всегда летает в хороших внешних условиях, в том числе погодных | Также к аппаратному обеспечению выставляются повышенные требования к надежности и безопасности, так как БПЛА не всегда летает в хороших внешних условиях, в том числе и погодных. | false | true | true |
1,674 | 2026-02-23T11:12:03.326000Z | 2026-02-23T11:12:03.326000Z | Lec. | Как уже было указано в пункте 1, у БПЛА ограничено энергопотребление и грузоподъемность | false | true | false | |
1,673 | 2026-02-23T11:12:01.525000Z | 2026-02-23T15:51:53.490000Z | Lec. | Механические и внешние условия | Механические и внешние условия | false | true | true |
1,672 | 2026-02-23T11:11:59.933000Z | 2026-02-23T11:11:59.933000Z | Lec. | Память нужна как для хранения карт, так и для обработки данных в реальном времени | false | true | false | |
1,671 | 2026-02-23T11:11:58.168000Z | 2026-02-23T11:11:58.168000Z | Lec. | Недостаток памяти | false | true | false | |
1,670 | 2026-02-23T11:11:56.445000Z | 2026-02-23T13:37:56.880000Z | Lec. | Ограниченная производительность CPU | Ограниченная производительности CPU | false | true | true |
1,669 | 2026-02-23T11:11:55.023000Z | 2026-02-23T11:11:55.023000Z | Lec. | Также использование GPU сильно увеличит энергопотребление, что критически важно для БПЛА повышенной дальности | false | true | false | |
1,668 | 2026-02-23T11:11:53.249000Z | 2026-02-23T13:36:45.382000Z | Lec. | Современные алгоритмы, основанные на глубоком обучении, требуют GPU, однако, использование GPU не всегда возможно | Современные алгоритмы, основанные на глубоком обучении, требуют использования GPU; однако, использование GPU не всегда возможно | false | true | true |
1,667 | 2026-02-23T11:11:51.468000Z | 2026-02-23T11:11:51.468000Z | Lec. | Необходимость использовать GPU | false | true | false | |
1,666 | 2026-02-23T11:11:50.036000Z | 2026-02-23T11:11:50.036000Z | Lec. | Основные проблемы, учитываемые при реализации систем визуальной локализации, связанные с аппаратной частью: | false | true | false | |
1,665 | 2026-02-23T11:11:48.418000Z | 2026-02-23T16:14:51.676000Z | Lec. | БПЛА, особенно легкие и средние, сталкиваются с этой проблемой особенно серьезно | БПЛА, особенно легкие и средние, сталкиваются с этой проблемой особенно серьезно. | false | true | true |
1,664 | 2026-02-23T11:11:46.660000Z | 2026-02-23T11:11:46.660000Z | Lec. | Вызовы, связанные с аппаратными возможностями БПЛА, а именно с ограниченностью вычислительных ресурсов | false | false | false | |
1,663 | 2026-02-23T11:11:44.925000Z | 2026-02-23T11:11:44.925000Z | Lec. | Такие трудности, как изменение освещения, изменения масштаба и ракурса и изменяющаяся внешняя среда мешают точно определять положение БПЛА [7] | false | true | false | |
1,662 | 2026-02-23T11:11:43.274000Z | 2026-02-23T11:11:43.274000Z | Lec. | Это, в первую очередь, ¬связано с неидеальными условиями получения кадров с камер | false | false | false | |
1,661 | 2026-02-23T11:11:41.508000Z | 2026-02-23T16:47:31.014000Z | Lec. | Вызовы, связанные с изображениями, как правило, являются общими вызовами для всей области и индустрии компьютерного зрения, распознавания изображений и визуальной локализацией | Вызовы, связанные с изображением, как правило, являются общими вызовами для всей области и индустрии компьютерного зрения, распознавания изображений и визуальной локализации | false | true | true |
1,660 | 2026-02-23T11:11:39.619000Z | 2026-02-23T11:11:39.619000Z | Lec. | Основные задачи и вызовы в данной предметной области, которые необходимо решить в области визуальной локализации БПЛА можно условно разделить на 2 части: связанные с полученным изображением с камеры и связанные с возможностями аппаратного обеспечения БПЛА | false | true | false | |
1,659 | 2026-02-23T11:11:37.665000Z | 2026-02-23T11:11:37.665000Z | Lec. | При решении задачи визуальной локализации БПЛА с помощью алгоритмов сопоставления изображений системы сравнивают изображения, полученные с камер БПЛА с изображением заранее известной карты, либо эталонными изображениями местности [6] | false | true | false | |
1,658 | 2026-02-23T11:11:35.941000Z | 2026-02-23T13:43:17.925000Z | Lec. | Они позволяют локально сравнивать и находить соответствия между изображениями | Они позволяют локально сравнивать и находить соответствия между изображениями. | false | true | true |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.