Datasets:
alexanderpl
/
init1

Dataset card Data Studio Files
xet
 Community
1
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
12,857
2026-02-24T11:08:16.218000Z
2026-02-24T11:08:16.218000Z
Lec.
Процесс состоит из инициализации весов модели, составления предсказаний для выборки, вычисления потерь, на основании ошибок в предсказаниях
false
true
false
12,856
2026-02-24T11:08:14.472000Z
2026-02-24T11:08:14.472000Z
Lec.
Общие принципы обучения моделей методами deep learning описаны в [56]
false
true
false
12,855
2026-02-24T11:08:12.757000Z
2026-02-24T11:08:12.757000Z
Lec.
Архитектура MobileNet, описанная и примененная в исследовании [54], обученная на большом датасете ImageNet, создание которого описано в [55], после дообучения на датасете классификации типов рака кожи по фото показала точность 86.89%, что является хорошим показателем при достаточно малых размерах, от 0.5 миллионов пара...
false
true
false
12,854
2026-02-24T11:08:10.853000Z
2026-02-24T11:08:10.853000Z
Lec.
Исследование [53] сравнивает различные архитектуры для выполнения задачи классификации, в том числе ResNet, VGG16, MobileNet
false
true
false
12,853
2026-02-24T11:08:09.088000Z
2026-02-24T11:08:09.088000Z
Lec.
Они были выбраны на основе двух исследований: первое [52] сравнивает модели Resnet и MobileNet в контексте точности при применении на датасете классификации архитектурных стилей строений, приходя к выводу о превосходящей на 10% точности архитектуры Resnet
false
true
false
12,852
2026-02-24T11:08:07.233000Z
2026-02-24T11:08:07.233000Z
Lec.
Подобное применение описано в [a12], где модель применяется в качестве извлекателя признаков
false
true
false
12,851
2026-02-24T11:08:05.669000Z
2026-02-24T11:08:05.669000Z
Lec.
Resnet50 является мощной сверточной архитектурой, применяемой для задачи классификации изображений или для извлечения признаков в более глубоких и каскадных архитектурах [51]
false
true
false
12,850
2026-02-24T11:08:03.895000Z
2026-02-24T11:08:03.895000Z
Lec.
К примеру, в упомянутом исследовании достигается точность около 98%
false
true
false
12,849
2026-02-24T11:08:02.036000Z
2026-02-24T11:08:02.036000Z
Lec.
VGG16 является современной архитектурой, описанной в [50], на различных датасетах показывает точность классификации от 90% в среднем
false
true
false
12,848
2026-02-24T11:08:00.280000Z
2026-02-24T11:08:00.280000Z
Lec.
В качестве основных моделей классификации для сравнения выступают модели архитектур ResNet50, MobileNet, VGG
false
true
false
12,847
2026-02-24T11:07:58.380000Z
2026-02-24T11:07:58.380000Z
Lec.
Модель классификации будет использоваться для разбиения зданий на уже заданные списки классов, а также на дополнительные, которые могут быть созданы
false
true
false
12,846
2026-02-24T11:07:56.802000Z
2026-02-24T11:07:56.802000Z
Lec.
Однако, для подтверждения предсказаний моделей детекции мы предполагаем применение моделей классификации, относящихся к сверточным нейронным сетям, как второй ступени, которые будут применяться к вырезанным с фотографий зданиям, границы которых определила модель детекции
false
true
false
12,845
2026-02-24T11:07:54.900000Z
2026-02-24T11:07:54.900000Z
Lec.
В качестве первой ступени выступают модели детекции которые обнаруживают здания на изображениях и предварительно производят классификацию
false
true
false
12,844
2026-02-24T11:07:53.265000Z
2026-02-24T11:07:53.265000Z
Lec.
Так как задачей является наиболее точная характеризация зданий, обнаруживаемых на панорамных изображениях, мы предполагаем применение каскадности
false
true
false
12,843
2026-02-24T11:07:51.621000Z
2026-02-24T11:07:51.621000Z
Lec.
Архитектура модели YOLOv11
false
false
false
12,842
2026-02-24T11:07:49.823000Z
2026-02-24T11:07:49.823000Z
Lec.
Архитектура модели YOLOv10
false
false
false
12,841
2026-02-24T11:07:48.251000Z
2026-02-24T11:07:48.251000Z
Lec.
Архитектура модели YOLOv11 (рисунок 10) применена и описана в [49], авторы поясняют и демонстрируют эффективность применения в приложении к аргопромышленной области
false
true
false
12,840
2026-02-24T11:07:46.405000Z
2026-02-24T11:07:46.405000Z
Lec.
Показано достижение крайне высоких показателей, в том числе метрики mAP (mean average precision, описана в [48]) выше 90% при 8.1 миллисекундах на обработку изображения
false
true
false
12,839
2026-02-24T11:07:44.531000Z
2026-02-24T11:07:44.531000Z
Lec.
В данной статье также представлены методы её обучения и оценивания на датасете детекции оружия на изображениях с камер городского видеонаблюдения
false
true
false
12,838
2026-02-24T11:07:42.866000Z
2026-02-24T11:07:42.866000Z
Lec.
Архитектура модели YOLOv10 и ее применение описаны в [47], схема архитектуры модели приведена на рисунке 9
false
true
false
12,837
2026-02-24T11:07:40.915000Z
2026-02-24T11:07:40.915000Z
Lec.
При анализе ранее упомянутого исследования, сравнивающего модели YOLO, становится очевидно, что в качестве основных кандидатов выступают две модели, YOLOv10 как самая быстрая и YOLOv11 как более точная, но менее быстрая, чем версия 10
false
true
false
12,836
2026-02-24T11:07:39.248000Z
2026-02-24T11:07:39.248000Z
Lec.
Архитектура основных моделей в серии и сравнение их на различных датасетах приведены в источнике [46]
false
true
false
12,835
2026-02-24T11:07:37.667000Z
2026-02-24T11:07:37.667000Z
Lec.
Одной из самых популярных и быстрых архитектур, немалым преимуществом которой является совместимость с сервисом Roboflow, упомянутым ранее, является серия архитектур предобученных моделей YOLO (You Look Only Once)
false
true
false
12,834
2026-02-24T11:07:35.908000Z
2026-02-24T11:07:35.908000Z
Lec.
Так как мы предполагаем анализ большого количества фотографий, первоочередным параметром выбираемой для детекции модели является скорость работы и малое количество параметров
false
true
false
12,833
2026-02-24T11:07:33.817000Z
2026-02-24T11:07:33.817000Z
Lec.
Первоочередной является задача детекции, зачастую объединяющая в себе задачу нахождения объекта на фотографии и определения прямоугольной области, в которой он находится, и задачу классификации, т.е. разбиения найденных на фото объектов на заданные классы
false
true
false
12,832
2026-02-24T11:07:32.101000Z
2026-02-24T11:07:32.101000Z
Lec.
Для анализа полученных данных существует несколько основных архитектур
false
true
false
12,831
2026-02-24T11:07:30.591000Z
2026-02-24T11:07:30.591000Z
Lec.
Grounding dino для предразметки датасета;. программное обеспечение с пользовательским интерфейсов для исправления разметки;. инструменты для аугментации для повышения финальной точности обученной модели
false
true
false
12,830
2026-02-24T11:07:28.578000Z
2026-02-24T11:07:28.578000Z
Lec.
Анализ показал, что для разметки датасета важно использовать комплексный набор инструментов, включающий в себя:
false
true
false
12,829
2026-02-24T11:07:27.031000Z
2026-02-24T11:07:27.031000Z
Lec.
Набор аугментированных изображений
false
false
false
12,828
2026-02-24T11:07:25.190000Z
2026-02-24T11:07:25.190000Z
Lec.
Разметка изображения в Roboflow
false
true
false
12,827
2026-02-24T11:07:23.649000Z
2026-02-24T11:07:23.649000Z
Lec.
Хотя и может показаться, что датасет с некоторыми помехами может, наоборот, уменьшить точность, однако [45] приводит исследование, в котором наглядно показывается, что использование датасета, в котором отсутствуют какие-либо помехи может приводить к переобучению, чего мы хотим избежать
false
true
false
12,826
2026-02-24T11:07:21.961000Z
2026-02-24T11:07:21.961000Z
Lec.
Пример набора аугментированных изображений представлен на рисунке 8
false
true
false
12,825
2026-02-24T11:07:19.526000Z
2026-02-24T11:07:19.526000Z
Lec.
Аугментация – процесс добавления в некоторые изображения датасета различных помех. [44] подтверждает, что данный процесс имеет хорошее влияние на финальную точность обученной модели
false
true
false
12,824
2026-02-24T11:07:17.748000Z
2026-02-24T11:07:17.748000Z
Lec.
После предобработки необходимо исправить неточности, которые были допущены нейросетью. [42] представляет платформу Roboflow [43], которая предоставляет удобные инструменты для разметки и аугментации датасета (рисунок 7)
false
true
false
12,823
2026-02-24T11:07:15.959000Z
2026-02-24T11:07:15.959000Z
Lec.
Хотя в нашей работе и не предусмотрена обработка видео, высокая скорость нам не помешает в связи с необходимостью предобрабатывать большой датасет
false
true
false
12,822
2026-02-24T11:07:14.175000Z
2026-02-24T11:07:14.175000Z
Lec.
Исследование отмечает высокую точность модели, а также высокую скорость работы, что может быть полезно при обработке видео
false
true
false
12,821
2026-02-24T11:07:12.420000Z
2026-02-24T11:07:12.420000Z
Lec.
Ручная разметка без предварительной обработки фотографий может быть трудозатратна, однако благодаря нейронным сетям это можно упростить. [41] приводит обзор Grounding DINO – нейросетевой модели, которая может находить объекты на изображении по описанию без предварительного обучения
false
true
false
12,820
2026-02-24T11:07:10.635000Z
2026-02-24T11:07:10.635000Z
Lec.
Примером является датасет COCO [40], где объекты на изображениях аннотируются с указанием их класса и координат ограничивающей рамки
false
true
false
12,819
2026-02-24T11:07:08.914000Z
2026-02-24T11:07:08.914000Z
Lec.
Задача идентификации заключается в локализации объектов определенного класса на изображении с помощью ограничивающих рамок
false
true
false
12,818
2026-02-24T11:07:07.280000Z
2026-02-24T11:07:07.280000Z
Lec.
Например, в датасете ImageNet [39] изображениям присваиваются метки, соответствующие объектам на них (например, "кошка", "собака", "автомобиль")
false
true
false
12,817
2026-02-24T11:07:05.519000Z
2026-02-24T11:07:05.519000Z
Lec.
В классификации аннотаторы присваивают каждому изображению одну или несколько меток из предопределенного набора классов
false
true
false
12,816
2026-02-24T11:07:03.677000Z
2026-02-24T11:07:03.677000Z
Lec.
Существует множество задач, требующих ручной разметки данных, но для данного исследования наиболее значимыми являются задачи классификации и детекции
false
true
false
12,815
2026-02-24T11:07:01.832000Z
2026-02-24T11:07:01.832000Z
Lec.
Одним из ключевых этапов подготовки таких данных является процесс разметки, который заключается в присвоении определенных меток или аннотаций элементам данных
false
true
false
12,814
2026-02-24T11:07:00.070000Z
2026-02-24T11:07:00.070000Z
Lec.
Развитие методов машинного обучения неразрывно связано с наличием качественных обучающих данных [38]
false
true
false
12,813
2026-02-24T11:06:58.338000Z
2026-02-24T11:06:58.338000Z
Lec.
Под разметкой подразумевается установка границ зданий и присвоения им характеристик, что необходимо для корректного обучения нейронных моделей
false
true
false
12,812
2026-02-24T11:06:56.733000Z
2026-02-24T11:06:56.733000Z
Lec.
После успешного сбора и сохранения фотографий для датасета, необходимо их разметить
false
true
false
12,811
2026-02-24T11:06:55.122000Z
2026-02-24T11:06:55.122000Z
Lec.
В результате изучения темы в качестве будущего хранилища собранных фото было решено использовать S3 хранилище MinIO, благодаря её открытости, а также подробной документации
false
true
false
12,810
2026-02-24T11:06:53.628000Z
2026-02-24T11:06:53.628000Z
Lec.
График сравнения производительности различных систем
false
true
false
12,809
2026-02-24T11:06:52.103000Z
2026-02-24T11:06:52.103000Z
Lec.
Помимо этого преимущества, эта система обладает также подробной документацией [37], что позволяет запустить её без долгих затрат во времени
false
true
false
12,808
2026-02-24T11:06:50.534000Z
2026-02-24T11:06:50.534000Z
Lec.
Из его результатов видно, что отличным решений с точки зрения производительности (рисунок 6) является MinIO
false
true
false
12,807
2026-02-24T11:06:49.011000Z
2026-02-24T11:06:49.011000Z
Lec.
К счастью, [36] приводит исследование готовых open-source решений S3 хранилищ
false
true
false
12,806
2026-02-24T11:06:47.126000Z
2026-02-24T11:06:47.126000Z
Lec.
К сожалению, разработка подобного решения может занять слишком много времени, которое можно было бы потратить на более глубокое исследование темы текущей работы
false
true
false
12,805
2026-02-24T11:06:45.371000Z
2026-02-24T11:06:45.371000Z
Lec.
Архитектура S3 хранилища
false
true
false
12,804
2026-02-24T11:06:43.351000Z
2026-02-24T11:06:43.351000Z
Lec.
Авторы подчёркивают повышение «эластичности» данных, а также описывают подходящую архитектуру для такого хранилища, включающую в себя систему маршрутизации, авторизации, API сервер и т.д. (рисунок 5)
false
true
false
12,803
2026-02-24T11:06:41.641000Z
2026-02-24T11:06:41.641000Z
Lec.
Исследование [35] рассматривает решение задач удалённого хранения файлов с помощью построение своей simple storage service (S3) платформы
false
true
false
12,802
2026-02-24T11:06:39.890000Z
2026-02-24T11:06:39.890000Z
Lec.
Хранение всех изображений на локальном компьютере повышает риск их утери, а также делает дальнейшую работу с ними затруднительной при взаимодействии с ними с помощью удалённых платформ
false
true
false
12,801
2026-02-24T11:06:38.160000Z
2026-02-24T11:06:38.160000Z
Lec.
Главным минусом использования данных форматов является потеря человекочитаемости данных
false
true
false
12,800
2026-02-24T11:06:36.481000Z
2026-02-24T11:06:36.481000Z
Lec.
Каждый из них имеет свои особенности, однако в целом они увеличивают скорость чтения данных за счет оптимизированного хранения и использования буферизации, а также поддерживают эффективную потоковую загрузку
false
true
false
12,799
2026-02-24T11:06:34.706000Z
2026-02-24T11:06:34.706000Z
Lec.
Специализированные форматы, такие как TFRecord [31], HDF5 [32], WebDataset [33], LMDB [34], разработаны для хранения больших объемов данных
false
true
false
12,798
2026-02-24T11:06:32.890000Z
2026-02-24T11:06:32.890000Z
Lec.
Архивирование уменьшает занимаемый данными объем на файловой системе и ускоряет копирования, но вместе с тем требует дополнительных вычислительных затрат на распаковку
false
true
false
12,797
2026-02-24T11:06:31.326000Z
2026-02-24T11:06:31.326000Z
Lec.
В качестве развития данного подхода можно рассмотреть хранение данных в архивах и в виде специализированных форматов
false
true
false
12,796
2026-02-24T11:06:29.391000Z
2026-02-24T11:06:29.391000Z
Lec.
Недостатками же являются снижение производительности при чтении большого количества мелких файлов, особенно с традиционных жестких дисков (HDD), риск их утери ввиду отсутствия резервирования, а также сложность управления метаданными
false
true
false
12,795
2026-02-24T11:06:27.570000Z
2026-02-24T11:06:27.570000Z
Lec.
Основными преимуществами данного подхода является простота реализации, возможность визуальной инспекции данных, поддержка стандартными средствами библиотек глубокого обучения (например, в TensorFlow [29] и в PyTorch [30])
false
true
false
12,794
2026-02-24T11:06:25.741000Z
2026-02-24T11:06:25.741000Z
Lec.
Дополнительно может использоваться отдельный файл (например, CSV, JSON) с метаданными, связывающий имена файлов с метками или другой релевантной информацией
false
true
false
12,793
2026-02-24T11:06:23.724000Z
2026-02-24T11:06:23.724000Z
Lec.
Наиболее часто структура директорий отражает метки классов, что упрощает загрузку данных для обучения
false
true
false
12,792
2026-02-24T11:06:21.938000Z
2026-02-24T11:06:21.938000Z
Lec.
Изображения сохраняются в виде отдельных файлов стандартных форматов (JPEG, PNG и др.) в иерархической структуре директорий
false
true
false
12,791
2026-02-24T11:06:20.387000Z
2026-02-24T11:06:20.387000Z
Lec.
Наиболее интуитивно понятным и широко распространенным подходом является файловое хранение данных [28]
false
true
false
12,790
2026-02-24T11:06:18.772000Z
2026-02-24T11:06:18.772000Z
Lec.
В связи с этим, организация хранения и эффективный доступ к изображениям становятся значимыми инженерными и исследовательскими задачами
false
true
false
12,789
2026-02-24T11:06:17.018000Z
2026-02-24T11:06:17.018000Z
Lec.
Это обусловлено необходимостью обеспечения обобщающей способности моделей и их устойчивости к разнообразным входным данным
false
true
false
12,788
2026-02-24T11:06:15.467000Z
2026-02-24T11:06:15.467000Z
Lec.
В современных исследованиях в области глубокого обучения размеры наборов данных для обучения моделей компьютерного зрения неуклонно растут
false
true
false
12,787
2026-02-24T11:06:13.704000Z
2026-02-24T11:06:13.704000Z
Lec.
Неотделимым этапом от получения изображений является их сохранение
false
true
false
12,786
2026-02-24T11:06:11.994000Z
2026-02-24T11:06:11.994000Z
Lec.
В связи с проведённым анализом, было выяснено, что для целей сбора изображений, содержащих здания, наиболее релевантным источником является Google Streetview API, благодаря возможности сохранять изображения и отсутствия ограничения на это в лицензионном соглашении
false
true
false
12,785
2026-02-24T11:06:10.444000Z
2026-02-24T11:06:10.444000Z
Lec.
Более того, согласно условиям использования Яндекс карт [27], пользователь не имеет право «Сохранять, обрабатывать и видоизменять полученные через Сервисы Данные, Данные личного кабинета (включая результаты ответа на запросы HTTP Геокодирования, Геокодирования и Маршрутизации), за исключением случаев временного хранени...
false
true
false
12,784
2026-02-24T11:06:08.716000Z
2026-02-24T11:06:08.716000Z
Lec.
Если перейти в документацию к Yandex map javascript API [26], то в ней не обнаружится метода для сохранения изображений панорам
false
true
false
12,783
2026-02-24T11:06:07.042000Z
2026-02-24T11:06:07.042000Z
Lec.
The request may succeed if you try again
false
true
false
12,782
2026-02-24T11:06:05.551000Z
2026-02-24T11:06:05.551000Z
Lec.
This issue is often temporary
false
true
false
12,781
2026-02-24T11:06:04.021000Z
2026-02-24T11:06:04.021000Z
Lec.
Indicates that the request couldn't be processed due to a server error
false
true
false
12,780
2026-02-24T11:06:02.559000Z
2026-02-24T11:06:02.559000Z
Lec.
Generally, indicates that the query parameters (address, latitude and longitude coordinates, or components) are missing. "UNKNOWN_ERROR"
false
true
false
12,779
2026-02-24T11:06:00.977000Z
2026-02-24T11:06:00.977000Z
Lec.
This message may occur if you did not authorize your request, or if the Street View Static API is not activated in the Google Cloud console project containing your API key. "INVALID_REQUEST"
false
true
false
12,778
2026-02-24T11:05:59.519000Z
2026-02-24T11:05:59.519000Z
Lec.
Indicates that your request was denied
false
false
false
12,777
2026-02-24T11:05:58.048000Z
2026-02-24T11:05:58.048000Z
Lec.
Indicates that you have exceeded your daily quota or per-second quota for this API. "REQUEST_DENIED"
false
false
false
12,776
2026-02-24T11:05:56.385000Z
2026-02-24T11:05:56.385000Z
Lec.
This message may occur if a non-existent address is given. "OVER_QUERY_LIMIT"
false
true
false
12,775
2026-02-24T11:05:54.973000Z
2026-02-24T11:05:54.973000Z
Lec.
Indicates that the address string provided in the location parameter couldn't be found
false
true
false
12,774
2026-02-24T11:05:53.579000Z
2026-02-24T11:05:53.579000Z
Lec.
See [Refresh deleted panorama IDs](#refresh-pano). "NOT_FOUND"
false
true
false
12,773
2026-02-24T11:05:51.904000Z
2026-02-24T11:05:51.904000Z
Lec.
This response can occur if you provide a non-existent or invalid panorama ID
false
true
false
12,772
2026-02-24T11:05:50.518000Z
2026-02-24T11:05:50.518000Z
Lec.
Indicates that no panorama could be found near the provided location
false
false
false
12,771
2026-02-24T11:05:49.079000Z
2026-02-24T11:05:49.079000Z
Lec.
Indicates that no errors occurred; a panorama is found and metadata is returned. "ZERO_RESULTS"
false
true
false
12,770
2026-02-24T11:05:47.385000Z
2026-02-24T11:05:47.385000Z
Lec.
Description. “OK”
false
true
false
12,769
2026-02-24T11:05:45.771000Z
2026-02-24T11:05:45.771000Z
Lec.
Ответы системы в зависимости от запроса
false
true
false
12,768
2026-02-24T11:05:43.359000Z
2026-02-24T11:05:43.359000Z
Lec.
Пример ответа системы
false
true
false
12,767
2026-02-24T11:05:41.815000Z
2026-02-24T11:05:41.815000Z
Lec.
Помимо удобного формата изображения, Streetview API имеет подробную документацию, которая помимо описания требований и форматов обращений, также описывает форматы вывода, как показано на рисунке 4, а ещё возможные ответы системы, включая ошибки (таблица 2)
false
true
false
12,766
2026-02-24T11:05:39.811000Z
2026-02-24T11:05:39.811000Z
Lec.
Такой подход к формированию изображений очень полезен, так как включает в себя сразу все объекты без необходимости указывать направления камеры
false
true
false
12,765
2026-02-24T11:05:38.179000Z
2026-02-24T11:05:38.179000Z
Lec.
Пример панорамного изображения
false
true
false
12,764
2026-02-24T11:05:36.638000Z
2026-02-24T11:05:36.638000Z
Lec.
В исследовании [25] особое внимание уделяется тому, как были собраны данные для панорам – автомобилями, оборудованными системой из 15 небольших камер, собранных в шар, что позволило получить изображения, включающие информацию обо всех объектах вокруг, как показано на рисунке 3
false
true
false
12,763
2026-02-24T11:05:34.835000Z
2026-02-24T11:05:34.835000Z
Lec.
Для получения доступа к панорамам в системе google maps разработан инструмент Streetview API [24]
false
true
false
12,762
2026-02-24T11:05:33.062000Z
2026-02-24T11:05:33.062000Z
Lec.
Стоит отметить, что оба решения имеют у себя в наличии панорамы городов, но большое внимание в приведённых исследованиях им не уделяется
false
true
false
12,761
2026-02-24T11:05:31.401000Z
2026-02-24T11:05:31.401000Z
Lec.
Тем не менее, исследователи отмечают, что документация google maps более подробна, относительно конкурента, что может быть ключевым критерием
false
true
false
12,760
2026-02-24T11:05:29.787000Z
2026-02-24T11:05:29.787000Z
Lec.
Так, [22] отмечает более высокое покрытие карт городов России, а также более высокую детализацию в Яндекс картах, помимо этого, [23] отмечают более подробное описание некоторых категорий объектов в Яндекс картах, а также недоступность многих объектов в google maps
false
true
false
12,759
2026-02-24T11:05:28.015000Z
2026-02-24T11:05:28.015000Z
Lec.
Обе разработки имеют в себе различные особенности, на которые стоит обратить внимание при выборе
false
true
false
12,758
2026-02-24T11:05:26.301000Z
2026-02-24T11:05:26.301000Z
Lec.
На текущий момент на рынке представлено несколько решений в среде интерактивных карт, однако основными из них являются google maps [20]и Яндекс карты [21]
false
true
false