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 |
|---|---|---|---|---|---|---|---|---|
13,057 | 2026-02-24T11:14:10.873000Z | 2026-02-24T11:14:10.873000Z | Lec. | Помимо моделей детекции, в рамках дополнительного эксперимента было произведено исследование популярных моделей классификации различных архитектур | false | true | false | |
13,056 | 2026-02-24T11:14:09.120000Z | 2026-02-24T11:14:09.120000Z | Lec. | Несмотря на то, что высоких показателей не было достигнуто из-за малого числа данных, данные модели при достижении mAP около 0.45 значительно ускоряли процесс разметки данных | false | true | false | |
13,055 | 2026-02-24T11:14:07.376000Z | 2026-02-24T11:14:07.376000Z | Lec. | Дополнительно стоит упомянуть, что для ускорения разметки датасета на различных его ранних версиях обучались модели RF-DETR-Base, YOLOv11s, YOLOv8m | false | true | false | |
13,054 | 2026-02-24T11:14:05.523000Z | 2026-02-24T11:14:05.523000Z | Lec. | RF-DETR-Large, размер 129 миллионов параметров, mAP 0.663 | false | false | false | |
13,053 | 2026-02-24T11:14:03.724000Z | 2026-02-24T11:14:03.724000Z | Lec. | RF-DETR-Base, размер 29 миллионов параметров, mAP 0.643; | false | false | false | |
13,052 | 2026-02-24T11:14:01.973000Z | 2026-02-24T11:14:01.973000Z | Lec. | YOLOv11s, размер 9 миллионов параметров, mAP 0.567; | false | false | false | |
13,051 | 2026-02-24T11:14:00.126000Z | 2026-02-24T11:14:00.126000Z | Lec. | Лучшие три модели детекции определены: | false | true | false | |
13,050 | 2026-02-24T11:13:58.619000Z | 2026-02-24T11:13:58.619000Z | Lec. | Как можно увидеть из приведенных данных на рисунках и в таблице, качество на наших данных не всегда пропорционально размеру модели для линейки YOLO | false | true | false | |
13,049 | 2026-02-24T11:13:57.025000Z | 2026-02-24T11:13:57.025000Z | Lec. | Модель. mAP50. yolov10x. 0,55847. yolov8x. 0,55073. yolov10l. 0,55063. yolo12l. 0,54963. yolov10m. 0,54933. yolo12x. 0,54882. yolo11l. 0,54843. yolov8m. 0,54544. yolo11m. 0,54532. yolo12s. 0,54484. yolo11x. 0,54155. yolov8s. 0,53767 | false | false | false | |
13,048 | 2026-02-24T11:13:55.125000Z | 2026-02-24T11:13:55.125000Z | Lec. | Продолжение таблицы 2 | false | true | false | |
13,047 | 2026-02-24T11:13:53.486000Z | 2026-02-24T11:13:53.486000Z | Lec. | RF-DETR-Base. 0,64283. yolo11s. 0,56628. yolov10s. 0,56356. yolov8l. 0,5626. yolo12m. 0,55943 | false | false | false | |
13,046 | 2026-02-24T11:13:51.764000Z | 2026-02-24T11:13:51.764000Z | Lec. | RF-DETR-Large. 0,66255 | false | false | false | |
13,045 | 2026-02-24T11:13:50.243000Z | 2026-02-24T11:13:50.243000Z | Lec. | Модель. mAP50 | false | true | false | |
13,044 | 2026-02-24T11:13:48.523000Z | 2026-02-24T11:13:48.523000Z | Lec. | Итоговое сравнение моделей детекции | false | true | false | |
13,043 | 2026-02-24T11:13:47.034000Z | 2026-02-24T11:13:47.034000Z | Lec. | Результаты обучения RF-DETR-Large | false | false | false | |
13,042 | 2026-02-24T11:13:45.288000Z | 2026-02-24T11:13:45.288000Z | Lec. | Результаты обучения RF-DETR-Base | false | true | false | |
13,041 | 2026-02-24T11:13:43.560000Z | 2026-02-24T11:13:43.560000Z | Lec. | Программа обучения, предложенная создателями модели и частично измененная для данного исследования, доступна публично [87] | false | true | false | |
13,040 | 2026-02-24T11:13:41.268000Z | 2026-02-24T11:13:41.268000Z | Lec. | Результаты обучения версий RF-DETR размера Base и Large показано на рисунках 31 и 32 соответственно, общее сравнение результатов обучения представлено в таблице 4 | false | true | false | |
13,039 | 2026-02-24T11:13:39.608000Z | 2026-02-24T11:13:39.608000Z | Lec. | Сравнение версий YOLO | false | true | false | |
13,038 | 2026-02-24T11:13:37.662000Z | 2026-02-24T11:13:37.662000Z | Lec. | Для облегчения восприятия к графикам применено гауссово сглаживание, которое не искажает итоги обучения, но делает линии более плавными, позволяя качественно оценить общие тенденции обучения моделей | false | true | false | |
13,037 | 2026-02-24T11:13:35.872000Z | 2026-02-24T11:13:35.872000Z | Lec. | Сравнение версий YOLO представлено на рисунке 30 | false | true | false | |
13,036 | 2026-02-24T11:13:34.239000Z | 2026-02-24T11:13:34.239000Z | Lec. | Для сравнения версий YOLO используются такие ранее упомянутые метрики как точность (precision), являющаяся отношением истинных меток класса к сумме истинных с ложными метками класса, полнота (recall), являющаяся отношением истинных меток класса к сумме истинных меток класса с ложно-ошибочными, и потеря по классу (loss) | false | true | false | |
13,035 | 2026-02-24T11:13:32.417000Z | 2026-02-24T11:13:32.417000Z | Lec. | Данная метрика вычисляется для одинакового выбранного диапазона метрики пересечения к объединению, intersection over union (IoU), отражающей соответствие границ предсказанной метки к реальной | false | true | false | |
13,034 | 2026-02-24T11:13:30.474000Z | 2026-02-24T11:13:30.474000Z | Lec. | Дополнительно применяется mean average precision (mAP), являющаяся средним показателем AP для всех классов, однако в нашем случае AP и mAP являются одной и той же метрикой, поскольку вычисляются одинаково | false | true | false | |
13,033 | 2026-02-24T11:13:28.888000Z | 2026-02-24T11:13:28.888000Z | Lec. | Основной метрикой сравнения моделей, выбрана average precision (AP), являющаяся площадью под кривой сопоставления точности с полнотой (precision и recall соответственно), фактически являющейся суммирующим показателем качества предсказаний модели | true | true | false | |
13,032 | 2026-02-24T11:13:26.955000Z | 2026-02-24T11:13:26.955000Z | Lec. | Метод сохранения информации обучения на Google Drive для RF-DETR | false | true | false | |
13,031 | 2026-02-24T11:13:24.614000Z | 2026-02-24T11:13:24.614000Z | Lec. | Метод сохранения информации обучения на Google Drive для YOLO | false | true | false | |
13,030 | 2026-02-24T11:13:22.502000Z | 2026-02-24T11:13:22.502000Z | Lec. | Для сохранения результатов обучения всех моделей в онлайн-хранилище Google Drive были написаны компактные методы, показанные на рисунке 28 и рисунке 29 для YOLO и RF-DETR моделей соответственно, а также для визуализации результатов обучения был создан ряд методов, извлекающий данные из файлов с информацией об обучении ... | false | true | false | |
13,029 | 2026-02-24T11:13:20.471000Z | 2026-02-24T11:13:20.471000Z | Lec. | В качестве обучающих данных была выбрана последняя версия датасета, опубликованная в сервисе Roboflow [72], содержащая более 6600 размеченных изображений | false | true | false | |
13,028 | 2026-02-24T11:13:18.916000Z | 2026-02-24T11:13:18.916000Z | Lec. | Для ускорения вычислений, а также возможности обучить особо крупные модели, были применены вычислительные блоки А100 | false | true | false | |
13,027 | 2026-02-24T11:13:17.166000Z | 2026-02-24T11:13:17.166000Z | Lec. | Для обучения RF-DETR моделей были подобраны параметры learning rate как 0.0001, как рекомендованный создателями, размер батча 16 изображений для малой модели и 8 для большой соответственно из-за ограничений в размере ОЗУ | false | true | false | |
13,026 | 2026-02-24T11:13:15.366000Z | 2026-02-24T11:13:15.366000Z | Lec. | Методы обучения и предобработки данных доступны публично [76] | false | false | false | |
13,025 | 2026-02-24T11:13:13.511000Z | 2026-02-24T11:13:13.511000Z | Lec. | Остальные гиперпараметры автоматически определяются с помощью методов библиотеки ultralytics [85], создателей YOLO, что значительно упрощает процесс из-за отсутствия необходимости подбора гиперпараметров | false | true | false | |
13,024 | 2026-02-24T11:13:11.917000Z | 2026-02-24T11:13:11.917000Z | Lec. | Для обучения моделей YOLO, принятых к сравнению, был создан скрипт в Google Colab, экспериментальным путем выбрано число эпох 50, и размер батча 24 как максимально допустимый для больших моделей из-за ограничений ОЗУ | false | true | false | |
13,023 | 2026-02-24T11:13:09.944000Z | 2026-02-24T11:13:09.944000Z | Lec. | RT-DETR-Large. 129,0 | false | false | false | |
13,022 | 2026-02-24T11:13:08.338000Z | 2026-02-24T11:13:08.338000Z | Lec. | RT-DETR-Base. 29,0 | false | false | false | |
13,021 | 2026-02-24T11:13:06.832000Z | 2026-02-24T11:13:06.832000Z | Lec. | YOLOv12-X. 59,1 | false | false | false | |
13,020 | 2026-02-24T11:13:04.889000Z | 2026-02-24T11:13:04.889000Z | Lec. | YOLOv12-L. 26,4 | false | false | false | |
13,019 | 2026-02-24T11:13:03.176000Z | 2026-02-24T11:13:03.176000Z | Lec. | YOLOv12-M. 20,2 | false | false | false | |
13,018 | 2026-02-24T11:13:01.702000Z | 2026-02-24T11:13:01.702000Z | Lec. | YOLOv12-S. 9,3 | false | false | false | |
13,017 | 2026-02-24T11:12:59.994000Z | 2026-02-24T11:12:59.994000Z | Lec. | YOLO11-X. 56,9 | false | false | false | |
13,016 | 2026-02-24T11:12:58.286000Z | 2026-02-24T11:12:58.286000Z | Lec. | YOLO11-L. 25,3 | false | false | false | |
13,015 | 2026-02-24T11:12:56.813000Z | 2026-02-24T11:12:56.813000Z | Lec. | YOLO11-M. 20,1 | false | false | false | |
13,014 | 2026-02-24T11:12:55.323000Z | 2026-02-24T11:12:55.323000Z | Lec. | YOLO11-S. 9,4 | false | false | false | |
13,013 | 2026-02-24T11:12:53.611000Z | 2026-02-24T11:12:53.611000Z | Lec. | YOLOv10-X. 29,5 | false | false | false | |
13,012 | 2026-02-24T11:12:51.899000Z | 2026-02-24T11:12:51.899000Z | Lec. | YOLOv10-L. 24,4 | false | false | false | |
13,011 | 2026-02-24T11:12:50.191000Z | 2026-02-24T11:12:50.191000Z | Lec. | YOLOv10-M. 15,4 | false | false | false | |
13,010 | 2026-02-24T11:12:48.482000Z | 2026-02-24T11:12:48.482000Z | Lec. | YOLOv10-S. 7,2 | false | false | false | |
13,009 | 2026-02-24T11:12:46.772000Z | 2026-02-24T11:12:46.772000Z | Lec. | YOLOv8-X. 68,2 | false | false | false | |
13,008 | 2026-02-24T11:12:45.089000Z | 2026-02-24T11:12:45.089000Z | Lec. | YOLOv8-L. 43,7 | false | false | false | |
13,007 | 2026-02-24T11:12:43.224000Z | 2026-02-24T11:12:43.224000Z | Lec. | YOLOv8-M. 25,9 | false | false | false | |
13,006 | 2026-02-24T11:12:41.517000Z | 2026-02-24T11:12:41.517000Z | Lec. | YOLOv8-S. 11,2 | false | false | false | |
13,005 | 2026-02-24T11:12:39.776000Z | 2026-02-24T11:12:39.776000Z | Lec. | Количество параметров, млн | false | true | false | |
13,004 | 2026-02-24T11:12:38.137000Z | 2026-02-24T11:12:38.137000Z | Lec. | Количество параметров в различных моделях | false | true | false | |
13,003 | 2026-02-24T11:12:36.120000Z | 2026-02-24T11:12:36.120000Z | Lec. | Для сравнения соответствия моделей согласно официальной документации [12–13], имеем возможность оценить размеры выбранных для сравнения моделей в таблице 3 | false | true | false | |
13,002 | 2026-02-24T11:12:34.351000Z | 2026-02-24T11:12:34.351000Z | Lec. | В качестве моделей, которые было решено разобрать в данном исследовании, была выбрана линейка моделей You Look Only Once (YOLO) [81] от 10 до 12 версии с добавлением 8 версии, как одна из самых современных и относительно компактных серии моделей, а так же RF-DETR [82], как современная мощная модель, которая может быть ... | false | true | false | |
13,001 | 2026-02-24T11:12:32.576000Z | 2026-02-24T11:12:32.576000Z | Lec. | Подбор модели, используемой в веб-сервисе, требует нахождения компромисса между мощностью модели и необходимостью выбрать наиболее малую и быструю версию | false | true | false | |
13,000 | 2026-02-24T11:12:31.054000Z | 2026-02-24T11:12:31.054000Z | Lec. | На момент окончания работы в рамках установленных сроков, общий набор данных составил более 6600 изображений, из которых автором данного документа было размечено более 2500 изображений | false | true | false | |
12,999 | 2026-02-24T11:12:29.296000Z | 2026-02-24T11:12:29.296000Z | Lec. | Расширение выложено в открытый доступ [80] и доступно всем желающим | false | true | false | |
12,998 | 2026-02-24T11:12:27.564000Z | 2026-02-24T11:12:27.564000Z | Lec. | Стоит также отметить, что для модели RF-DETR был написано собственное расширение для autodistill, что позволило эффективно его использовать | false | true | false | |
12,997 | 2026-02-24T11:12:25.926000Z | 2026-02-24T11:12:25.926000Z | Lec. | В результате подготовки скрипта для предварительной разметки, был создан collab notebook [79], доступный внешним пользователям, как пример использования различных нейросетевых моделей для разметки датасета | false | true | false | |
12,996 | 2026-02-24T11:12:24.053000Z | 2026-02-24T11:12:24.053000Z | Lec. | Код запуска разметки датасета с помощью RF-DETR | false | true | false | |
12,995 | 2026-02-24T11:12:21.781000Z | 2026-02-24T11:12:21.781000Z | Lec. | Благодаря библиотеке autodistill для разметки не требовалось писать большое количество кода (рисунок 28) | false | true | false | |
12,994 | 2026-02-24T11:12:20.211000Z | 2026-02-24T11:12:20.212000Z | Lec. | Помимо применения предварительной обработки в виде аугментаций, а также описанного метода очистки датасета от меток малого размера, для ускорения процесса разметки применялась предобработка в виде разметки фотографий с помощью, обученной на первых двух тысячах фотографий модели YOLOv8 размера medium, и позже RF-DETR-ba... | false | true | false | |
12,993 | 2026-02-24T11:12:18.304000Z | 2026-02-24T11:12:18.304000Z | Lec. | Данные тренировочной части датасета после удаления меток площадью менее 1 процента | false | true | false | |
12,992 | 2026-02-24T11:12:16.672000Z | 2026-02-24T11:12:16.672000Z | Lec. | Данные тренировочной части датасета в изначальной версии | false | true | false | |
12,991 | 2026-02-24T11:12:15.127000Z | 2026-02-24T11:12:15.127000Z | Lec. | График и распределение содержимого тренировочной части датасета приведен на рисунке 26, аналогичный график после удаления меток площадью менее 1 процента приведен на рисунке 27 | false | true | false | |
12,990 | 2026-02-24T11:12:13.531000Z | 2026-02-24T11:12:13.531000Z | Lec. | На данный момент экспериментальным путем определено, что метки площадью менее 1 процента изображения не составляют высокой значимости при предполагаемом применении из-за дублирования здания на нескольких фотографиях, однако являются достаточно сложными для обработки и усложняющими обучение, потому в обязательном порядк... | false | true | false | |
12,989 | 2026-02-24T11:12:11.880000Z | 2026-02-24T11:12:11.880000Z | Lec. | Работа с файлами проводилась с помощью библиотеки shutil [78] | false | true | false | |
12,988 | 2026-02-24T11:12:10.044000Z | 2026-02-24T11:12:10.044000Z | Lec. | Перед обучением, помимо необходимости применения аугментаций, проводилась визуализация содержимого датасета с помощью библиотеки matplotlib [77], и дополнительно удалялись метки размером менее некоторого процента | false | true | false | |
12,987 | 2026-02-24T11:12:08.343000Z | 2026-02-24T11:12:08.343000Z | Lec. | Данные методы представлены в файле google colab [76], как и другие наборы методов, и они включают:. подсчет числа меток различных классов и создание графика содержания классов в датасете;. создание списка изображений и соответствующих им файлов разметки, содержащих объекты заданного класса или нескольких классов;. созд... | false | true | false | |
12,986 | 2026-02-24T11:12:06.296000Z | 2026-02-24T11:12:06.296000Z | Lec. | Для разработки и применения данных методов использовалась среда Google Colab [75] с бесплатно доступными вычислительными блоками Т4 и язык программирования Python | false | true | false | |
12,985 | 2026-02-24T11:12:04.534000Z | 2026-02-24T11:12:04.534000Z | Lec. | Помимо перечисленных обязательных преобразований был разработан ряд методов преобразования данных | false | true | false | |
12,984 | 2026-02-24T11:12:02.898000Z | 2026-02-24T11:12:02.898000Z | Lec. | Пример фотографии с примененными аугментациями | false | true | false | |
12,983 | 2026-02-24T11:12:01.359000Z | 2026-02-24T11:12:01.359000Z | Lec. | Пример изображения с применением данных трансформаций на рисунке 25 | false | true | false | |
12,982 | 2026-02-24T11:11:59.695000Z | 2026-02-24T11:11:59.695000Z | Lec. | Преобразования, применяемые к изображениям, представлены в списке: горизонтальный поворот до 5 градусов в случайном направлении, сдвиг до 5 градусов в случайном направлении, зеркальное отражение изображения, зашумление до 1.01 процента пикселей, размытие силой до 0.7 пикселя, изменение оттенка изображения до 15 процент... | false | true | false | |
12,981 | 2026-02-24T11:11:57.589000Z | 2026-02-24T11:11:57.589000Z | Lec. | К каждому изображению из тренировочной выборки применяются два различных случайных набора из трех преобразований, создавая два изображения из одного, увеличивая количество данных обучения, в то же время не позволяя модели переобучаться и увеличивая её устойчивость к различным дефектам данных, как относящихся к качеству... | false | true | false | |
12,980 | 2026-02-24T11:11:55.680000Z | 2026-02-24T11:11:55.680000Z | Lec. | С помощью инструментария сервиса ко всем изображениям применялось:. изменение размера до 640 на 640 пикселей;. применение гистограммной эквализации контраста изображений [74];. увеличение числа изображений через применение серии аугментаций | false | false | false | |
12,979 | 2026-02-24T11:11:53.789000Z | 2026-02-24T11:11:53.789000Z | Lec. | Для проведения первичных преобразований, т.е. автоматизированного применения к изображениям независящих от конкретного изображения трансформаций, применялся сервис Roboflow, упомянутый ранее | false | true | false | |
12,978 | 2026-02-24T11:11:51.980000Z | 2026-02-24T11:11:51.980000Z | Lec. | В данном процессе можно выделить три задачи:. автоматизированная разметка с помощью модели;. удаление меток из размеченных фотографий по задаваемым признакам, очистка датасета от пустых изображений или изображений по заданным условиям;. применение аугментаций [73] к изображениям, изменение размерности | false | false | false | |
12,977 | 2026-02-24T11:11:50.066000Z | 2026-02-24T11:11:50.066000Z | Lec. | Помимо необходимости разметить фотографии вручную, что является задачей, требующей выделить большое количество времени, немаловажным этапом является автоматизированная предварительная обработка фотографий | false | true | false | |
12,976 | 2026-02-24T11:11:48.415000Z | 2026-02-24T11:11:48.415000Z | Lec. | В среднем, на разметку одной фотографии полностью вручную уходит полторы минуты | false | true | false | |
12,975 | 2026-02-24T11:11:46.645000Z | 2026-02-24T11:11:46.645000Z | Lec. | Для разметки вручную, как и для хранения датасета и проведения некоторых операций предобработки использовался сервис Roboflow [72] | false | true | false | |
12,974 | 2026-02-24T11:11:45.067000Z | 2026-02-24T11:11:45.067000Z | Lec. | Пример размеченной фотографии | false | true | false | |
12,973 | 2026-02-24T11:11:43.664000Z | 2026-02-24T11:11:43.664000Z | Lec. | Таким образом, после ручной разметки фотографии выглядят аналогично фотографии (рисунок 16) | false | true | false | |
12,972 | 2026-02-24T11:11:42.009000Z | 2026-02-24T11:11:42.009000Z | Lec. | В качестве основных правил ручной разметки были выработаны следующие требования:. все части здания должны попадать в рамку;. тип здания определяется по внешнему виду размечающим;. если здания стоят вплотную друг к другу, необходимо отмечать их отдельными рамками только при наличии визуально наблюдаемых границ между зда... | false | true | false | |
12,971 | 2026-02-24T11:11:39.900000Z | 2026-02-24T11:11:39.900000Z | Lec. | Данное разбиение является достаточно компактным в количестве классов, что позволяет обрабатывать его небольшими моделями, в то же время отображая типы зданий, по количеству которых является возможным определить характер анализируемой местности по соотношению типов зданий | false | true | false | |
12,970 | 2026-02-24T11:11:38.202000Z | 2026-02-24T11:11:38.202000Z | Lec. | К социально значимым отнесены образовательные, медицинские, правительственные и административные, правоохранительные, религиозные учреждения | false | true | false | |
12,969 | 2026-02-24T11:11:36.598000Z | 2026-02-24T11:11:36.598000Z | Lec. | К индустриальным – заводы и иные производственные здания, а также трубы, окрашенные в красные и белые полосы, не находящиеся на большом удалении, поскольку зачастую производственные здания можно однозначно определить по данным трубам, даже если основную часть здания не видно напрямую | false | true | false | |
12,968 | 2026-02-24T11:11:34.812000Z | 2026-02-24T11:11:34.812000Z | Lec. | К техническим – автобусные остановки, трансформаторные будки, подстанции, наземную вентиляцию, строящиеся или развалившиеся здания, сторожки и иные малые строения, характер которых определить затруднительно | false | true | false | |
12,967 | 2026-02-24T11:11:33.029000Z | 2026-02-24T11:11:33.029000Z | Lec. | К коммерческим – магазины, кафе, рестораны, как в отдельных зданиях, так и расположенные на первых этажах, торговые, развлекательные центры, бизнес-центры и небоскребы, торговые ларьки, иные здания подобного характера | false | true | false | |
12,966 | 2026-02-24T11:11:31.226000Z | 2026-02-24T11:11:31.226000Z | Lec. | К жилым – очевидным образом, жилые здания, будь то частные или многоэтажные, а также апартаменты | false | true | false | |
12,965 | 2026-02-24T11:11:29.564000Z | 2026-02-24T11:11:29.564000Z | Lec. | Относить здания к классам было решено по следующим спискам | false | true | false | |
12,964 | 2026-02-24T11:11:28.005000Z | 2026-02-24T11:11:28.005000Z | Lec. | В качестве основных классов зданий, которые в дальнейшем могут быть разделены на большее количество узких категорий выбраны 5 классов: жилое здание (residential), коммерческое (commercial), техническое (technical), индустриальное (industrial), социально значимое (social) | false | true | false | |
12,963 | 2026-02-24T11:11:26.427000Z | 2026-02-24T11:11:26.427000Z | Lec. | Пример панорамной фотографии | false | true | false | |
12,962 | 2026-02-24T11:11:24.992000Z | 2026-02-24T11:11:24.992000Z | Lec. | Пример фотографий, составляющих датасет (рисунок 15) | false | true | false | |
12,961 | 2026-02-24T11:11:23.226000Z | 2026-02-24T11:11:23.226000Z | Lec. | Дополнительно необходимо составить такой список классов зданий, где каждый класс возможно будет разбить на несколько других классов, что обеспечит возможность дальнейшего развития проекта | false | true | false | |
12,960 | 2026-02-24T11:11:20.669000Z | 2026-02-24T11:11:20.669000Z | Lec. | Таковой является, к примеру, информация о наличии магазинов на первых этажах зданий, назначении зданий, которые похожим образом выглядят на спутниковых снимках (небоскреб или торговый центр) | false | true | false | |
12,959 | 2026-02-24T11:11:18.896000Z | 2026-02-24T11:11:18.896000Z | Lec. | Цель работы заключается в обучении модели, которая сможет по фотографиям получать достаточно подробную информацию об анализируемой области, которую нельзя получить со спутниковых снимков | false | true | false | |
12,958 | 2026-02-24T11:11:17.257000Z | 2026-02-24T11:11:17.257000Z | Lec. | Первостепенным фактом, который необходимо принять во внимание при разработке правил разметки, является ожидаемый результат | false | true | false |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.