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 |
|---|---|---|---|---|---|---|---|---|
13,157 | 2026-02-24T11:17:04.817000Z | 2026-02-24T11:17:04.817000Z | Lec. | Image Classification Using Deep Neural Network // Proceedings - IEEE 2020 2nd International Conference on Advances in Computing, Communication Control and Networking, ICACCCN 2020 | false | false | false | |
13,156 | 2026-02-24T11:17:02.873000Z | 2026-02-24T11:17:02.873000Z | Lec. | Tiwari V. и др | false | false | false | |
13,155 | 2026-02-24T11:17:01.449000Z | 2026-02-24T11:17:01.449000Z | Lec. | New York, NY: Springer New York, 2009. 16 | false | true | false | |
13,154 | 2026-02-24T11:16:59.576000Z | 2026-02-24T11:16:59.576000Z | Lec. | The Elements of Statistical Learning | false | true | false | |
13,153 | 2026-02-24T11:16:57.887000Z | 2026-02-24T11:16:57.887000Z | Lec. | Hastie T., Tibshirani R., Friedman J | false | false | false | |
13,152 | 2026-02-24T11:16:56.021000Z | 2026-02-24T11:16:56.021000Z | Lec. | Prml. 2006. 738 с. 15 | false | false | false | |
13,151 | 2026-02-24T11:16:54.222000Z | 2026-02-24T11:16:54.222000Z | Lec. | С. 511–530. 14 | false | false | false | |
13,150 | 2026-02-24T11:16:52.600000Z | 2026-02-24T11:16:52.600000Z | Lec. | Springer Science and Business Media B.V., 2024 | false | false | false | |
13,149 | 2026-02-24T11:16:50.775000Z | 2026-02-24T11:16:50.775000Z | Lec. | Developing approaches in building classification and extraction with synergy of YOLOV8 and SAM models // Spatial Information Research | false | false | false | |
13,148 | 2026-02-24T11:16:48.842000Z | 2026-02-24T11:16:48.842000Z | Lec. | Khatua A. и др | false | false | false | |
13,147 | 2026-02-24T11:16:47.168000Z | 2026-02-24T11:16:47.168000Z | Lec. | Point Cloud Labeling using 3D Convolutional Neural Network. 13 | false | true | false | |
13,146 | 2026-02-24T11:16:45.356000Z | 2026-02-24T11:16:45.356000Z | Lec. | Huang J., You S | false | false | false | |
13,145 | 2026-02-24T11:16:43.771000Z | 2026-02-24T11:16:43.771000Z | Lec. | С. 592–597. 12 | false | false | false | |
13,144 | 2026-02-24T11:16:41.995000Z | 2026-02-24T11:16:41.995000Z | Lec. | Change Detection Classification of Buildings from Satellite Images of Urban Area using Deep Learning Techniques // Proceedings of the 2nd International Conference on Artificial Intelligence and Smart Energy, ICAIS 2022 | false | false | false | |
13,143 | 2026-02-24T11:16:40.190000Z | 2026-02-24T11:16:40.190000Z | Lec. | Samreen H. и др | true | false | false | |
13,142 | 2026-02-24T11:16:38.416000Z | 2026-02-24T11:16:38.416000Z | Lec. | Buildings Classification using Very High Resolution Satellite Imagery. 2021. 11 | false | false | false | |
13,141 | 2026-02-24T11:16:36.456000Z | 2026-02-24T11:16:36.456000Z | Lec. | Dimassi M. и др | false | false | false | |
13,140 | 2026-02-24T11:16:34.975000Z | 2026-02-24T11:16:34.975000Z | Lec. | Convolutional Neural Networks for Multimodal Remote Sensing Data Classification // IEEE Transactions on Geoscience and Remote Sensing | false | false | false | |
13,139 | 2026-02-24T11:16:32.795000Z | 2026-02-24T11:16:32.795000Z | Lec. | Wu X., Hong D., Chanussot J | false | false | false | |
13,138 | 2026-02-24T11:16:31.086000Z | 2026-02-24T11:16:31.086000Z | Lec. | Wiley, 2010 | false | false | false | |
13,137 | 2026-02-24T11:16:29.344000Z | 2026-02-24T11:16:29.344000Z | Lec. | Volunteered Geographic Information and Crowdsourcing Disaster Relief: A Case Study of the Haitian Earthquake // World Med Health Policy | false | false | false | |
13,136 | 2026-02-24T11:16:27.525000Z | 2026-02-24T11:16:27.525000Z | Lec. | Zook M. и др | false | false | false | |
13,135 | 2026-02-24T11:16:26.164000Z | 2026-02-24T11:16:26.164000Z | Lec. | С. 12–18. 8 | false | false | false | |
13,134 | 2026-02-24T11:16:24.416000Z | 2026-02-24T11:16:24.416000Z | Lec. | OpenStreet map: User-generated street maps // IEEE Pervasive Comput. 2008 | false | true | false | |
13,133 | 2026-02-24T11:16:22.623000Z | 2026-02-24T11:16:22.623000Z | Lec. | Haklay M., Weber P | false | false | false | |
13,132 | 2026-02-24T11:16:20.965000Z | 2026-02-24T11:16:20.965000Z | Lec. | С. 211–221. 7 | false | true | false | |
13,131 | 2026-02-24T11:16:19.449000Z | 2026-02-24T11:16:19.449000Z | Lec. | Springer, 2007 | false | false | false | |
13,130 | 2026-02-24T11:16:17.858000Z | 2026-02-24T11:16:17.858000Z | Lec. | Citizens as sensors: The world of volunteered geography // GeoJournal | false | true | false | |
13,129 | 2026-02-24T11:16:15.946000Z | 2026-02-24T11:16:15.946000Z | Lec. | Goodchild M.F | true | false | false | |
13,128 | 2026-02-24T11:16:14.476000Z | 2026-02-24T11:16:14.476000Z | Lec. | A Review of Machine Learning and Deep Learning for Object Detection, Semantic Segmentation, and Human Action Recognition in Machine and Robotic Vision // Technologies 2024, Vol. 12, Page 15 | false | false | false | |
13,127 | 2026-02-24T11:16:12.515000Z | 2026-02-24T11:16:12.515000Z | Lec. | Manakitsa N. и др | true | false | false | |
13,126 | 2026-02-24T11:16:10.706000Z | 2026-02-24T11:16:10.706000Z | Lec. | An LLM Agent for Automatic Geospatial Data Analysis. 5 | false | true | false | |
13,125 | 2026-02-24T11:16:08.821000Z | 2026-02-24T11:16:08.821000Z | Lec. | Chen Y. и др | false | false | false | |
13,124 | 2026-02-24T11:16:07.182000Z | 2026-02-24T11:16:07.182000Z | Lec. | Deep Learning Techniques for Geospatial Data Analysis. 2020. 4 | false | true | false | |
13,123 | 2026-02-24T11:16:05.235000Z | 2026-02-24T11:16:05.235000Z | Lec. | Kiwelekar A.W. и др | false | false | false | |
13,122 | 2026-02-24T11:16:03.853000Z | 2026-02-24T11:16:03.853000Z | Lec. | Dordrecht: Springer Netherlands, 2010 | false | false | false | |
13,121 | 2026-02-24T11:16:02.088000Z | 2026-02-24T11:16:02.088000Z | Lec. | Jiang B., Yao X | false | false | false | |
13,120 | 2026-02-24T11:16:00.397000Z | 2026-02-24T11:16:00.398000Z | Lec. | Geospatial Analysis and Modelling of Urban Structure and Dynamics / под ред | false | false | false | |
13,119 | 2026-02-24T11:15:58.406000Z | 2026-02-24T11:15:58.406000Z | Lec. | Advanced Computing and Communications Society - ACCS, 2017. 2 | false | false | false | |
13,118 | 2026-02-24T11:15:56.585000Z | 2026-02-24T11:15:56.585000Z | Lec. | Geospatial Data Analysis: A Review of Theory and Methods // Advanced Computing and Communications | false | false | false | |
13,117 | 2026-02-24T11:15:54.533000Z | 2026-02-24T11:15:54.533000Z | Lec. | S Prof.R., Jayabal Y | true | false | false | |
13,116 | 2026-02-24T11:15:52.797000Z | 2026-02-24T11:15:52.797000Z | Lec. | В завершение, хочется сказать, что все поставленные задачи на практику успешно выполнены, что послужит отличным базисом для дальнейшей работы над дипломной работой. 1 | false | true | false | |
13,115 | 2026-02-24T11:15:50.898000Z | 2026-02-24T11:15:50.898000Z | Lec. | Подводя итоге, можно отметить, что в ходе практики были получены навыки сбора и обработки датасета, опыт администрирования сервера, опыт работы с Nginx, а также опыт написания академических статей | false | true | false | |
13,114 | 2026-02-24T11:15:49.120000Z | 2026-02-24T11:15:49.120000Z | Lec. | Также идёт подготовка к выступлению на других конференциях | false | true | false | |
13,113 | 2026-02-24T11:15:47.341000Z | 2026-02-24T11:15:47.341000Z | Lec. | Помимо этого, была подготовлена статья и выступление на научной конференции ПАВТ2025, что является вкладом в научное сообщество, а также послужило отличным практическим опытом, который пригодится при дальнейшей реализации работы | false | true | false | |
13,112 | 2026-02-24T11:15:45.563000Z | 2026-02-24T11:15:45.563000Z | Lec. | Весь код и сопутствующая документация были опубликованы в открытом репозитории [100] | false | true | false | |
13,111 | 2026-02-24T11:15:43.721000Z | 2026-02-24T11:15:43.721000Z | Lec. | Кроме того, было развёрнуто объектное хранилище, которое активно используется при сборе датасета | false | true | false | |
13,110 | 2026-02-24T11:15:41.921000Z | 2026-02-24T11:15:41.921000Z | Lec. | Была разработана система создания, сохранения и обработки датасета | false | true | false | |
13,109 | 2026-02-24T11:15:40.208000Z | 2026-02-24T11:15:40.208000Z | Lec. | В ходе прохождения преддипломной практики были получены различные программные и научно-исследовательские результаты | false | true | false | |
13,108 | 2026-02-24T11:15:38.376000Z | 2026-02-24T11:15:38.376000Z | Lec. | Полученную информацию можно использовать для уточнения результатов классификации и получения дополнительной информации об объектах с последующим выводом её на интерактивную веб-карту | false | true | false | |
13,107 | 2026-02-24T11:15:36.802000Z | 2026-02-24T11:15:36.802000Z | Lec. | How many floors this building has?. 5 | false | true | false | |
13,106 | 2026-02-24T11:15:35.158000Z | 2026-02-24T11:15:35.158000Z | Lec. | How many floors this building has?. 1 | false | true | false | |
13,105 | 2026-02-24T11:15:33.723000Z | 2026-02-24T11:15:33.723000Z | Lec. | How many floors this building has?. 3 | false | true | false | |
13,104 | 2026-02-24T11:15:32.055000Z | 2026-02-24T11:15:32.055000Z | Lec. | How many floors this building has?. 10 | false | true | false | |
13,103 | 2026-02-24T11:15:30.393000Z | 2026-02-24T11:15:30.393000Z | Lec. | Residential | false | true | false | |
13,102 | 2026-02-24T11:15:28.731000Z | 2026-02-24T11:15:28.731000Z | Lec. | What is type of the building? | false | true | false | |
13,101 | 2026-02-24T11:15:27.143000Z | 2026-02-24T11:15:27.143000Z | Lec. | Примеры результатов работы нейронной сети | false | false | false | |
13,100 | 2026-02-24T11:15:25.160000Z | 2026-02-24T11:15:25.160000Z | Lec. | Пример кода размещен в приложении Б | false | true | false | |
13,099 | 2026-02-24T11:15:23.188000Z | 2026-02-24T11:15:23.188000Z | Lec. | Для получения информации об объектах датасета небольшая выборка из него была предварительно обрезана, а также развёрнута сама нейронная сеть на Google Colab | false | true | false | |
13,098 | 2026-02-24T11:15:21.581000Z | 2026-02-24T11:15:21.581000Z | Lec. | Её способность обрабатывать изображения высокого разрешения позволяет сохранять и анализировать мелкие особенности элементов зданий, как показано в таблице 6 | false | true | false | |
13,097 | 2026-02-24T11:15:19.836000Z | 2026-02-24T11:15:19.836000Z | Lec. | Для исследовательских задач, требующих глубокого понимания архитектурных нюансов, Paligemma предоставляет более богатые возможности интерпретации и анализа | false | true | false | |
13,096 | 2026-02-24T11:15:18.078000Z | 2026-02-24T11:15:18.078000Z | Lec. | Задачах, требующих базового понимания взаимосвязи между текстом и изображением | false | true | false | |
13,095 | 2026-02-24T11:15:15.815000Z | 2026-02-24T11:15:15.815000Z | Lec. | Эффективности использования вычислительных ресурсов | false | true | false | |
13,094 | 2026-02-24T11:15:14.120000Z | 2026-02-24T11:15:14.120000Z | Lec. | Скорости обработки (в 3.5 раза быстрее Paligemma) | false | true | false | |
13,093 | 2026-02-24T11:15:11.966000Z | 2026-02-24T11:15:11.966000Z | Lec. | ViLT, однако, показывает преимущества в: | false | true | false | |
13,092 | 2026-02-24T11:15:10.461000Z | 2026-02-24T11:15:10.461000Z | Lec. | Генерации подробных текстовых описаний архитектурных особенностей | false | true | false | |
13,091 | 2026-02-24T11:15:08.683000Z | 2026-02-24T11:15:08.683000Z | Lec. | Идентификации структурных элементов зданий (точность 83% против 69%) | false | true | false | |
13,090 | 2026-02-24T11:15:06.915000Z | 2026-02-24T11:15:06.915000Z | Lec. | Детальной классификации архитектурных стилей (точность 87% против 72% у ViLT) | false | true | false | |
13,089 | 2026-02-24T11:15:05.045000Z | 2026-02-24T11:15:05.045000Z | Lec. | При анализе архитектурных изображений Paligemma демонстрирует превосходство в задачах: | false | true | false | |
13,088 | 2026-02-24T11:15:03.494000Z | 2026-02-24T11:15:03.494000Z | Lec. | Модель обрабатывает изображения с меньшим разрешением (224×224), но демонстрирует более высокую вычислительную эффективность | false | true | false | |
13,087 | 2026-02-24T11:15:01.738000Z | 2026-02-24T11:15:01.738000Z | Lec. | ViLT (Vision-and-Language Transformer) применяет более легковесный подход, используя единый трансформер с токенизацией как для текста, так и для патчей изображений [99] | false | true | false | |
13,086 | 2026-02-24T11:14:59.978000Z | 2026-02-24T11:14:59.978000Z | Lec. | Модель базируется на Gemma и PaLI-X, что обеспечивает ей значительную вычислительную мощность при обработке высококачественных изображений зданий с разрешением до 896×896 пикселей | false | true | false | |
13,085 | 2026-02-24T11:14:58.194000Z | 2026-02-24T11:14:58.194000Z | Lec. | Paligemma выпущена компанией Google в 2024 году и использует трансформерную архитектуру с раздельными энкодерами для изображений и текста, объединяемыми через механизм кросс-модальной аттенции [98] | false | true | false | |
13,084 | 2026-02-24T11:14:56.317000Z | 2026-02-24T11:14:56.317000Z | Lec. | Для проведения анализа были выбраны две модели - Paligemma и ViLT | false | true | false | |
13,083 | 2026-02-24T11:14:54.722000Z | 2026-02-24T11:14:54.722000Z | Lec. | Они умеют объединять визуальные признаки зданий с их текстовыми описаниями, способны интерпретировать архитектурные элементы с учетом их функционального и исторического контекста, а также позволяют выполнять трансферное обучение - перенос знаний, полученных на общих данных, на специфические архитектурные задачи | false | true | false | |
13,082 | 2026-02-24T11:14:52.728000Z | 2026-02-24T11:14:52.728000Z | Lec. | Современные VLM обладают рядом ключевых характеристик, делающих их применимыми для задач архитектурного анализа | false | true | false | |
13,081 | 2026-02-24T11:14:51.083000Z | 2026-02-24T11:14:51.083000Z | Lec. | В контексте анализа архитектурных изображений эти модели демонстрируют значительный потенциал для автоматической идентификации стилистических особенностей, структурных элементов и семантического содержания зданий | false | true | false | |
13,080 | 2026-02-24T11:14:49.052000Z | 2026-02-24T11:14:49.052000Z | Lec. | Визуально-языковые модели (VLM) представляют собой класс мультимодальных систем, способных обрабатывать и интерпретировать как визуальную, так и текстовую информацию | false | true | false | |
13,079 | 2026-02-24T11:14:47.291000Z | 2026-02-24T11:14:47.291000Z | Lec. | В данном случае лучшими по всем метрикам показали себя модели VGG19, VGG16, размером более 100 миллионов параметров, и MobileNetV3, размером около 5 миллионов параметров, превзошедшая все остальные модели кроме VGG19 и VGG16 по всем метрикам | false | true | false | |
13,078 | 2026-02-24T11:14:45.689000Z | 2026-02-24T11:14:45.689000Z | Lec. | Результаты снова демонстрируют, что качество модели не всегда зависит от её размера | false | true | false | |
13,077 | 2026-02-24T11:14:43.948000Z | 2026-02-24T11:14:43.948000Z | Lec. | Результаты обучения классификаторов | false | true | false | |
13,076 | 2026-02-24T11:14:42.271000Z | 2026-02-24T11:14:42.271000Z | Lec. | Итоги обучения представлены в графиках на рисунке 35 | false | true | false | |
13,075 | 2026-02-24T11:14:40.627000Z | 2026-02-24T11:14:40.627000Z | Lec. | В качестве метрик были выбраны ранее упомянутые accuracy или точность, полнота (recall), и ROC AUC [97] как основная метрика качества, отражающая вероятность верного предсказания моделью | false | true | false | |
13,074 | 2026-02-24T11:14:39.032000Z | 2026-02-24T11:14:39.032000Z | Lec. | После описанных изменений данных, было произведено обучение моделей с параметрами: learning rate равным 0.0001, размер батча в 64 изображения, количество эпох обучения 20, размер изображения 224 на 224 пикселя для всех моделей кроме InceptionV3, куда подавалось изображение размером 299 на 299 пикселей из-за особенносте... | false | true | false | |
13,073 | 2026-02-24T11:14:37.458000Z | 2026-02-24T11:14:37.458000Z | Lec. | Тренировочная часть датасета после удаления части изображений | false | true | false | |
13,072 | 2026-02-24T11:14:35.811000Z | 2026-02-24T11:14:35.811000Z | Lec. | Тренировочная часть датасета | false | true | false | |
13,071 | 2026-02-24T11:14:34.278000Z | 2026-02-24T11:14:34.278000Z | Lec. | Дополнительно было произведено уменьшение числа изображений для выравнивания количества изображений по классам, статистика тренировочной части датасета приведена на рисунке 33, статистика тренировочной части после удаления части изображений приведена на рисунке 34 | false | true | false | |
13,070 | 2026-02-24T11:14:32.683000Z | 2026-02-24T11:14:32.683000Z | Lec. | Аналогично процессу обучения моделей детекции, из датасета были вырезаны метки менее 1 процента площади изображения | false | true | false | |
13,069 | 2026-02-24T11:14:31.050000Z | 2026-02-24T11:14:31.050000Z | Lec. | Для создания методов обучения моделей применялась библиотека PyTorch [96] | false | true | false | |
13,068 | 2026-02-24T11:14:29.101000Z | 2026-02-24T11:14:29.101000Z | Lec. | Для обработки датасета, вырезания оттуда объектов и формирования датасета классификации, обучения и валидации моделей, визуализации результатов был написан ряд методов [95] | false | true | false | |
13,067 | 2026-02-24T11:14:27.432000Z | 2026-02-24T11:14:27.432000Z | Lec. | В качестве данных для классификатора подавались вырезанные с датасета объекты с соответствующими им метками классов, то есть предполагается возможное использование модели классификатора в связке с моделью детектором, которая, в отличие от приведенных в данном исследовании, не будет определять класс объекта, а только гр... | false | true | false | |
13,066 | 2026-02-24T11:14:25.752000Z | 2026-02-24T11:14:25.752000Z | Lec. | DenseNet161. 28,7 | false | false | false | |
13,065 | 2026-02-24T11:14:24.133000Z | 2026-02-24T11:14:24.133000Z | Lec. | ResNet152. 60,2 | false | false | false | |
13,064 | 2026-02-24T11:14:22.489000Z | 2026-02-24T11:14:22.489000Z | Lec. | InceptionV3. 23,8 | false | false | false | |
13,063 | 2026-02-24T11:14:20.799000Z | 2026-02-24T11:14:20.799000Z | Lec. | EfficientNetB3. 12 | false | false | false | |
13,062 | 2026-02-24T11:14:19.258000Z | 2026-02-24T11:14:19.258000Z | Lec. | MobileNetV3. 5,4 | false | false | false | |
13,061 | 2026-02-24T11:14:17.567000Z | 2026-02-24T11:14:17.567000Z | Lec. | Продолжение таблицы 3 | false | true | false | |
13,060 | 2026-02-24T11:14:15.940000Z | 2026-02-24T11:14:15.940000Z | Lec. | Размеры моделей классификации | false | true | false | |
13,059 | 2026-02-24T11:14:14.083000Z | 2026-02-24T11:14:14.083000Z | Lec. | Данные о числе параметров моделей приведены в таблице 5 | false | true | false | |
13,058 | 2026-02-24T11:14:12.508000Z | 2026-02-24T11:14:12.508000Z | Lec. | Были выбраны модели: VGG16 [88], VGG19 [89], MobileNetV3 [90], EfficientNetB3 [91], InceptionV3 [92], Resnet152 [93], DenseNet161 [94] | false | false | false |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.