id int64 18 21.1k | created_at timestamp[ns, tz=UTC]date 2026-02-23 07:30:20 2026-02-24 16:54:39 | updated_at timestamp[ns, tz=UTC]date 2026-02-23 08:08:14 2026-02-24 16:54:39 | 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 |
|---|---|---|---|---|---|---|---|---|
3,107 | 2026-02-23T11:55:56.488000Z | 2026-02-23T11:55:56.488000Z | Lec. | Dice + BCE. 0.027. 0.299. 0.050. 0.025 | false | false | false | |
3,106 | 2026-02-23T11:55:54.608000Z | 2026-02-23T11:55:54.608000Z | Lec. | Dice. 0.999. 0.008. 0.017. 0.008 | false | true | false | |
3,105 | 2026-02-23T11:55:52.768000Z | 2026-02-23T11:55:52.768000Z | Lec. | MSE. 0.986. 0.008. 0.017. 0.008 | false | false | false | |
3,104 | 2026-02-23T11:55:51.018000Z | 2026-02-23T11:55:51.018000Z | Lec. | Результаты обучения с фильтром Non-Local Means | false | true | false | |
3,103 | 2026-02-23T11:55:49.077000Z | 2026-02-23T11:55:49.077000Z | Lec. | Focal + Tversky. 0.000. 1.000. 0.072. 0.038 | false | false | false | |
3,102 | 2026-02-23T11:55:47.249000Z | 2026-02-23T11:55:47.249000Z | Lec. | Tversky. 0.039. 0.377. 0.057. 0.029 | false | false | false | |
3,101 | 2026-02-23T11:55:45.416000Z | 2026-02-23T11:55:45.416000Z | Lec. | Focal. 0.031. 0.362. 0.003. 0.001 | false | false | false | |
3,100 | 2026-02-23T11:55:43.591000Z | 2026-02-23T11:55:43.591000Z | Lec. | IoU. 0.001. 0.825. 0.067. 0.035 | false | false | false | |
3,099 | 2026-02-23T11:55:41.731000Z | 2026-02-23T11:55:41.731000Z | Lec. | Dice + BCE. 0.037. 0.397. 0.075. 0.039 | false | false | false | |
3,098 | 2026-02-23T11:55:39.912000Z | 2026-02-23T11:55:39.912000Z | Lec. | Dice. 0.996. 0.008. 0.017. 0.008 | false | false | false | |
3,097 | 2026-02-23T11:55:38.196000Z | 2026-02-23T11:55:38.196000Z | Lec. | BCE with Logits. 0.000. 1.000. 0.001. 0.000 | false | false | false | |
3,096 | 2026-02-23T11:55:36.433000Z | 2026-02-23T11:55:36.433000Z | Lec. | MSE. 1.000. 0.008. 0.017. 0.008 | false | false | false | |
3,095 | 2026-02-23T11:55:34.663000Z | 2026-02-23T15:56:56.076000Z | Lec. | Результаты обучения с фильтром CF | Результаты обучения с фильтром CF | false | true | true |
3,094 | 2026-02-23T11:55:33.192000Z | 2026-02-23T11:55:33.192000Z | Lec. | Combo. 0.958. 0.008. 0.016. 0.008 | false | false | false | |
3,093 | 2026-02-23T11:55:31.358000Z | 2026-02-23T11:55:31.358000Z | Lec. | Focal + Tversky. 0.032. 0.279. 0.059. 0.003 | false | false | false | |
3,092 | 2026-02-23T11:55:29.791000Z | 2026-02-23T11:55:29.791000Z | Lec. | Tversky. 0.034. 0.334. 0.062. 0.032 | false | false | false | |
3,091 | 2026-02-23T11:55:27.981000Z | 2026-02-23T11:55:27.981000Z | Lec. | Focal. 0.003. 0.955. 0.007. 0.003 | false | false | false | |
3,090 | 2026-02-23T11:55:26.184000Z | 2026-02-23T11:55:26.184000Z | Lec. | IoU. 0.04. 0.309. 0.072. 0.037 | false | false | false | |
3,089 | 2026-02-23T11:55:24.269000Z | 2026-02-23T11:55:24.269000Z | Lec. | Dice + BCE. 0.053. 0.376. 0.093. 0.049 | false | false | false | |
3,088 | 2026-02-23T11:55:22.354000Z | 2026-02-23T11:55:22.354000Z | Lec. | BCE with Logits. 0.002. 0.963. 0.005. 0.002 | false | false | false | |
3,087 | 2026-02-23T11:55:20.517000Z | 2026-02-23T13:43:34.737000Z | Lec. | Результаты обучения на датасете без фильтров | Результаты обучения на данных без фильтров | false | true | true |
3,086 | 2026-02-23T11:55:18.415000Z | 2026-02-23T11:55:18.415000Z | Lec. | Combo. 0.000. 1.000. 0.001. 0.000 | false | true | false | |
3,085 | 2026-02-23T11:55:16.566000Z | 2026-02-23T11:55:16.566000Z | Lec. | LovaszHinge. 0.000. 1.000. 0.001. 0.000 | false | false | false | |
3,084 | 2026-02-23T11:55:14.808000Z | 2026-02-23T11:55:14.808000Z | Lec. | Focal + Tversky. 0.000. 1.000. 0.001. 0.000 | false | false | false | |
3,083 | 2026-02-23T11:55:12.846000Z | 2026-02-23T11:55:12.846000Z | Lec. | Tversky. 0.037. 0.307. 0.067. 0.035 | false | false | false | |
3,082 | 2026-02-23T11:55:11.138000Z | 2026-02-23T11:55:11.138000Z | Lec. | Focal. 0.994. 0.008. 0.017. 0.008 | false | true | false | |
3,081 | 2026-02-23T11:55:09.342000Z | 2026-02-23T11:55:09.342000Z | Lec. | IoU. 0.035. 0.298. 0.068. 0.035 | false | false | false | |
3,080 | 2026-02-23T11:55:07.430000Z | 2026-02-23T11:55:07.430000Z | Lec. | Dice + BCE. 0.051. 0.363. 0.089. 0.047 | false | false | false | |
3,079 | 2026-02-23T11:55:05.552000Z | 2026-02-23T17:38:20.094000Z | Lec. | Dice. 0.994. 0.008. 0.017. 0.008 | 0.994, 0.008, 0.017 и 0.008. | false | true | true |
3,078 | 2026-02-23T11:55:03.538000Z | 2026-02-23T11:55:03.538000Z | Lec. | BCE with Logits. 0.004. 0.861. 0.008. 0.004 | false | false | false | |
3,077 | 2026-02-23T11:55:01.685000Z | 2026-02-23T11:55:01.685000Z | Lec. | MSE. 0.996. 0.008. 0.017. 0.008 | false | false | false | |
3,076 | 2026-02-23T11:54:59.740000Z | 2026-02-23T11:54:59.740000Z | Lec. | Функции потерь | false | false | false | |
3,075 | 2026-02-23T11:54:58.008000Z | 2026-02-23T11:54:58.008000Z | Lec. | Результаты решения задачи сегментации приведены ниже в таблицах | false | true | false | |
3,074 | 2026-02-23T11:54:56.136000Z | 2026-02-23T11:54:56.136000Z | Lec. | Также для оценки результатов использовались специфичные для задач сегментации раннее упомянутые метрики Dice и IoU | false | true | false | |
3,073 | 2026-02-23T11:54:54.409000Z | 2026-02-23T16:25:48.953000Z | Lec. | Для анализа результатов были выбраны метрики Precision и Recall, которые описаны следующими формулами:. где — истинное положительное предсказание,. — ложное положительное предсказание,. — ложное отрицательное предсказание, | Для анализа результатов были выбраны метрики Precision и Recall, которые описаны следующими формулами. где — истинное положительное предсказание, — ложное положительное предсказание, — ложное отрицательное предсказание, | false | true | true |
3,072 | 2026-02-23T11:54:51.932000Z | 2026-02-23T11:54:51.932000Z | Lec. | Каждая модель обучалась 200 эпох | false | true | false | |
3,071 | 2026-02-23T11:54:50.189000Z | 2026-02-23T11:54:50.189000Z | Lec. | При обучении моделей использовался классический оптимизатор Adam [] | false | true | false | |
3,070 | 2026-02-23T11:54:48.523000Z | 2026-02-23T11:54:48.523000Z | Lec. | Обучение модели и оценка результатов | false | true | false | |
3,069 | 2026-02-23T11:54:46.448000Z | 2026-02-23T11:54:46.448000Z | Lec. | Combo Loss [16] — гибридная функция потерь, объединяющая взвешенную кросс-энтропию BCE и Dice Loss:. где — регулировщик вклада каждой функции потерь | false | true | false | |
3,068 | 2026-02-23T11:54:44.738000Z | 2026-02-23T16:09:47.333000Z | Lec. | LovaszHinge Loss не имеет простой формулы, но является реализуемой с помощью кода | Lovasz-Hinge Loss не имеет простой формулы, но является реализуемым с помощью кода | false | true | true |
3,067 | 2026-02-23T11:54:42.463000Z | 2026-02-23T11:54:42.463000Z | Lec. | При реализации используются подсортированные ошибки и субградиенты IoU | false | false | false | |
3,066 | 2026-02-23T11:54:40.316000Z | 2026-02-23T18:26:35.943000Z | Lec. | LovaszHinge Loss [15] — функция потерь, идеей которой является напрямую оптимизировать IoU, даже если оно не дифференцируемое | Функция потерь Lovász-Hinge [15] — идеей которой является напрямую оптимизировать IoU, даже если оно не дифференцируемое. | false | true | true |
3,065 | 2026-02-23T11:54:38.392000Z | 2026-02-23T15:59:57.374000Z | Lec. | Focal + Tversky Loss [14] — совмещенная функция потерь, идея которой объединить Tversky Loss и возможность модели обучаться на трудных примерах:. где — фокусирующий параметр | Focal-Tversky loss [14] — сочетание функций потерь, идея которой заключается в объединении Tversky Loss и возможности модели обучаться на трудных примерах. Здесь — фокусирующий параметр. | false | true | true |
3,064 | 2026-02-23T11:54:36.639000Z | 2026-02-23T11:54:36.639000Z | Lec. | Tversky Loss [13] — обобщение Dice Loss, позволяющее по-разному штрафовать FP и FN предсказания:. где — истинное положительное предсказание,. — ложное положительное предсказание,. — ложное отрицательное предсказание,. и — регулировщики баланса между и | false | true | false | |
3,063 | 2026-02-23T11:54:34.732000Z | 2026-02-23T11:54:34.732000Z | Lec. | Focal Loss [12] — модифицированная версия BCE Loss, задачей которой является обучение модели на трудных примерах, что необходимо при работе с МРТ-изображениями:. где — предсказание модели,. — весовой коэффициент (для балансировки классов),. — фокусирующий параметр | false | true | false | |
3,062 | 2026-02-23T11:54:32.404000Z | 2026-02-23T11:54:32.404000Z | Lec. | Функция потерь измеряет насколько предсказанная область совпадает с истинной: | false | true | false | |
3,061 | 2026-02-23T11:54:30.841000Z | 2026-02-23T13:50:23.863000Z | Lec. | IoU Loss [11] (или Intersection over Union Loss) основана на метрике IoU (или коэффициент Жаккара) | IOU Loss [11] (или Intersection over Union Loss) основана на метрике IOU (или коэффициент Жаккара) | false | true | true |
3,060 | 2026-02-23T11:54:29.025000Z | 2026-02-23T11:54:29.025000Z | Lec. | Dice + BCE Loss [10] — комбинированная функция потерь, объединяющая Dice Loss и BCE: | false | true | false | |
3,059 | 2026-02-23T11:54:26.945000Z | 2026-02-23T16:20:56.829000Z | Lec. | Так как идеальное значение коэффициента Дайса стремится к 1, то функцию потерь необходимо привести к 0 и минимизировать: | Так как идеальное значение коэффициента Дайса стремится к 1, то функцию потерь необходимо привести к 0 и стремиться минимизировать: | false | true | true |
3,058 | 2026-02-23T11:54:25.396000Z | 2026-02-23T11:54:25.396000Z | Lec. | Dice Loss [9] — функция потерь, основанная на коэффициенте Дайса, который измеряет пересечение между предсказанием и истинной:. где — предсказанная маска,. — истинная маска | false | true | false | |
3,057 | 2026-02-23T11:54:23.528000Z | 2026-02-23T11:54:23.528000Z | Lec. | Если рассматривать каждый пиксель по отдельности, то задача сегментации превращается во множество подзадач бинарной классификации, результатом которых является булево значение принадлежности пикселя к позвоночной артерии. где — логит (предсказание модели до применения сигмоиды),. — действительное значение,. — сигмоида | false | true | false | |
3,056 | 2026-02-23T11:54:21.595000Z | 2026-02-23T11:54:21.595000Z | Lec. | BCE with Logits Loss используется в основном для бинарной классификации | false | true | false | |
3,055 | 2026-02-23T11:54:19.786000Z | 2026-02-23T13:42:27.276000Z | Lec. | BCE with Logits Loss [8] — функция потерь, сочетающая в себе сигмоиду и функцию потерь бинарной кросс-энтропии | Функция потерь BCE with Logits Loss [8] — это функция, сочетающая в себе сигмоиду и Binary Cross-Entropy loss function. | false | true | true |
3,054 | 2026-02-23T11:54:18.071000Z | 2026-02-23T11:54:18.071000Z | Lec. | Функция записывается следующим образом:. где — количество пар значений,. — действительное значение,. — предсказанное значение | false | true | false | |
3,053 | 2026-02-23T11:54:16.295000Z | 2026-02-23T18:24:53.026000Z | Lec. | MSE Loss (Mean Squared Error) [7] — функция среднеквадратичной ошибки между предсказанным и действительным значениями | МSE Loss (Mean Squared Error) [7] — функция среднеквадратичной ошибки между предсказанными и действительными значениями. | false | true | true |
3,052 | 2026-02-23T11:54:14.471000Z | 2026-02-23T11:54:14.471000Z | Lec. | Для обучения модели под решение задачи сегментации, были выбраны 10 различных функций потерь: | false | true | false | |
3,051 | 2026-02-23T11:54:12.910000Z | 2026-02-23T11:54:12.910000Z | Lec. | Идея функции потерь (loss function) заключается в минимизации разницы между предсказанным и действительным значениями | false | true | false | |
3,050 | 2026-02-23T11:54:11.207000Z | 2026-02-23T17:19:30.479000Z | Lec. | Для качественного обучения модели также необходимо выбрать правильные функции потерь [6] | Для качественного обучения модели также необходимо выбрать правильные функции потерь для [6] | false | true | true |
3,049 | 2026-02-23T11:54:09.558000Z | 2026-02-23T16:09:07.522000Z | Lec. | Выходной слой классификатора был модифицирован для корректной работы с изображениями разрешения 512x512 | Выходной слой классификатора был модифицирован для корректной работы с изображениями разрешения 512x512 пикселей. | false | true | true |
3,048 | 2026-02-23T11:54:07.864000Z | 2026-02-23T15:42:42.331000Z | Lec. | В результате структура первого входного была изменена под работу с одноканальными изображениями | В результате структура входных данных была изменена под работу с одноканальными изображениями. | false | true | true |
3,047 | 2026-02-23T11:54:06.230000Z | 2026-02-23T16:32:43.652000Z | Lec. | В работе присутствует необходимость работы с одноканальными (черно-белыми) изображениями, так как некоторые фильтры не способны работать с классическими трехканальными изображениями | В работе присутствует необходимость работы с моноканальными (черно-белыми) изображениями, так как некоторые фильтры не способны работать с классическими трехканальными изображениями. | false | true | true |
3,046 | 2026-02-23T11:54:04.535000Z | 2026-02-23T11:54:04.535000Z | Lec. | В архитектуру были также внесены технические изменения для корректного обучения: | false | true | false | |
3,045 | 2026-02-23T11:54:02.767000Z | 2026-02-23T11:54:02.767000Z | Lec. | Для обучения на изображениях была выбрана архитектура полносвязной модели ResNet101 [5], идеально подходящая для решения задач сегментации | false | true | false | |
3,044 | 2026-02-23T11:54:01.002000Z | 2026-02-23T13:28:33.131000Z | Lec. | Выбор модели и способа обучения | Выбор модели и способа обучения. | false | true | true |
3,043 | 2026-02-23T11:53:59.383000Z | 2026-02-23T11:53:59.383000Z | Lec. | Изображения, обработанные фильтрами NLM и Франги также были сохранены как отдельный датасет | false | true | false | |
3,042 | 2026-02-23T11:53:57.543000Z | 2026-02-23T11:53:57.543000Z | Lec. | Примеры работы фильтра Франги | false | true | false | |
3,041 | 2026-02-23T11:53:56.118000Z | 2026-02-23T11:53:56.118000Z | Lec. | Функция наложения фильтра Франги на изображения реализована с помощью библиотеки scikit-image и метода frangi. а б | false | false | false | |
3,040 | 2026-02-23T11:53:54.293000Z | 2026-02-23T13:49:39.343000Z | Lec. | Вычисляется параметр vesselness:. где — параметр вытянутости,. — мера структурности,. — параметры | Вычисляется параметр весельности:. где — параметр вытянутость,. — мера структуры,. — параметр | false | true | true |
3,039 | 2026-02-23T11:53:52.685000Z | 2026-02-23T13:46:13.757000Z | Lec. | Вычисляются собственные значения | Вычисляются собственные значения | false | true | true |
3,038 | 2026-02-23T11:53:51.010000Z | 2026-02-23T17:29:45.165000Z | Lec. | Находится матрица Гессе 2x2, содержащая | Найдется матрица Гессе 2x2, содержащая | false | true | true |
3,037 | 2026-02-23T11:53:49.267000Z | 2026-02-23T13:50:40.039000Z | Lec. | Фильтр Франги описывается уравнением, результатом которого является параметр «vesselness»: | Фильтр Франги описывается уравнением, результатом которого является параметр «вессельнес». | false | true | true |
3,036 | 2026-02-23T11:53:47.695000Z | 2026-02-23T13:25:06.762000Z | Lec. | На основе вычисленных значений находится параметр «vesselness», определяющий насколько пиксель похож на сосуд | На основе вычисленных значений определяется параметр "vesselness", определяющий насколько пиксель похож на сосуд | false | true | true |
3,035 | 2026-02-23T11:53:46.021000Z | 2026-02-23T17:56:36.420000Z | Lec. | Из матрицы вычисляются собственные значения, описывающие локальную геометрию изображения | Из матрицы вычисляются собственные значения, описывающие локальную геометрию изображения. | false | true | true |
3,034 | 2026-02-23T11:53:44.244000Z | 2026-02-23T13:38:28.641000Z | Lec. | Считается матрица Гессе [4] и вторые производные яркости для каждого пикселя | Считается матрица Гессе[4] и вторые производные яркости для каждого пикселя | false | true | true |
3,033 | 2026-02-23T11:53:42.585000Z | 2026-02-23T11:53:42.585000Z | Lec. | Фильтр работает следующим образом: | false | true | false | |
3,032 | 2026-02-23T11:53:39.149000Z | 2026-02-23T13:47:09.381000Z | Lec. | Фильтр Франги основан на анализе второго порядка производных матриц Гессе | Фильтр Френча основан на анализе второго порядка производных матриц Гессе | false | true | true |
3,031 | 2026-02-23T11:53:37.522000Z | 2026-02-23T11:53:37.522000Z | Lec. | Основная задача заключается в выделении вытянутых, трубчатых объектов, таких как кровеносные сосуды на МРТ/КТ, капилляры, трещины и артерии | false | true | false | |
3,030 | 2026-02-23T11:53:35.854000Z | 2026-02-23T11:53:35.854000Z | Lec. | Фильтр Frangi — анализатор сосудистых структур в изображении | false | true | false | |
3,029 | 2026-02-23T11:53:34.119000Z | 2026-02-23T11:53:34.119000Z | Lec. | Примеры работы NLM фильтра | false | true | false | |
3,028 | 2026-02-23T11:53:32.524000Z | 2026-02-23T11:53:32.524000Z | Lec. | После шум и изображение были обработаны методом denoise_image, который использует фильтр NLM. а б | false | true | false | |
3,027 | 2026-02-23T11:53:30.599000Z | 2026-02-23T13:46:44.359000Z | Lec. | Для начала был создан шум с одинаковым размером изображения | Для начала было создано изображение с одинаковым размером шума | false | true | true |
3,026 | 2026-02-23T11:53:28.461000Z | 2026-02-23T11:53:28.461000Z | Lec. | Функция применения фильтра Non-local Means реализована при помощи библиотеки ants-py | false | true | false | |
3,025 | 2026-02-23T11:53:26.903000Z | 2026-02-23T11:53:26.903000Z | Lec. | Математическая идея фильтра Non-local means записывается следующим образом:. где — значение пикселя ,. — вес, зависящий от сходства патча вокруг и патча вокруг ,. — область поиска,. — сумма весов, равная единице | false | true | false | |
3,024 | 2026-02-23T11:53:24.928000Z | 2026-02-23T16:18:14.503000Z | Lec. | Значения пикселей взвешиваются и вычисляется новое значение пикселя | Значения пикселей взвешиваются, а затем вычисляется новое значение пикселя | false | true | true |
3,023 | 2026-02-23T11:53:23.291000Z | 2026-02-23T16:34:47.172000Z | Lec. | Вычисляются веса на основе сходства найденных патчей | Вычисляются веса на основе сходства найденных патчей. | false | true | true |
3,022 | 2026-02-23T11:53:21.691000Z | 2026-02-23T11:53:21.691000Z | Lec. | В широком радиусе обозначаются другие патчи, похожие на окно вокруг | false | true | false | |
3,021 | 2026-02-23T11:53:19.835000Z | 2026-02-23T11:53:19.835000Z | Lec. | Берется патч (окно) вокруг пикселя | false | true | false | |
3,020 | 2026-02-23T11:53:18.333000Z | 2026-02-23T11:53:18.333000Z | Lec. | Работа фильтра описывается следующим образом: | false | true | false | |
3,019 | 2026-02-23T11:53:15.388000Z | 2026-02-23T11:53:15.388000Z | Lec. | В отличие от классических фильтров (среднего, гауссового, медианного), усредняющих только значения ближайших пикселей, NLM ищет похожие паттерны по всему изображению | false | true | false | |
3,018 | 2026-02-23T11:53:13.730000Z | 2026-02-23T11:53:13.730000Z | Lec. | Основная идея Non-local means (NLM) фильтра заключается в учитывании похожих объектов, даже несмотря на то, что они потенциально находятся далеко друг от друга | false | true | false | |
3,017 | 2026-02-23T11:53:11.944000Z | 2026-02-23T15:59:42.571000Z | Lec. | Примеры работы CurvatureFlow фильтра | Примеры работы CurvatureFlow фильтра. | false | true | true |
3,016 | 2026-02-23T11:53:10.196000Z | 2026-02-23T13:38:58.738000Z | Lec. | Обработанные изображения сохраняются в отдельный датасет для последующего тестирования. а б | Обработанные изображения сохраняются в отдельный датасет для последующего тестирования. А б | false | true | true |
3,015 | 2026-02-23T11:53:08.265000Z | 2026-02-23T11:53:08.265000Z | Lec. | Затем функция реализации применяется ко всем изображениям | false | true | false | |
3,014 | 2026-02-23T11:53:06.747000Z | 2026-02-23T13:28:05.989000Z | Lec. | Реализация фильтра выполняется через библиотеку SimpleITK при помощи метода CurvatureFlow | Реализация фильтра выполняется через библиотеку SimpleITK с помощью метода CurvatureFlow. | false | true | true |
3,013 | 2026-02-23T11:53:05.176000Z | 2026-02-23T13:32:48.943000Z | Lec. | Фильтр CurvatureFlow описывается следующей формулой:. где — изображение в момент времени ,. — градиент изображения,. — кривизна уровня яркости | Фильтр CurvatureFlow описывается следующей формулой: где — изображение в момент времени t, — градиент изображения, — кривизна уровня яркости. | false | true | true |
3,012 | 2026-02-23T11:53:03.641000Z | 2026-02-23T11:53:03.641000Z | Lec. | В сравнении с классическим гауссовым фильтром, который размывает абсолютно все, включая края, фильтр CurvatureFlow сглаживает только шум, не размывая важные структуры, такие как контуры объектов | false | true | false | |
3,011 | 2026-02-23T11:53:01.832000Z | 2026-02-23T11:53:01.832000Z | Lec. | Поверхность течет в направлении, уменьшающем ее кривизну — отсюда и название CurvatureFlow (течение по кривизне) | false | true | false | |
3,010 | 2026-02-23T11:53:00.084000Z | 2026-02-23T13:34:41.068000Z | Lec. | Фильтрация происходит путем деформации поверхности, управляемой кривизной уровня яркости | Фильтрация происходит путем деформации поверхности, управляемой кривизной уровня яркости. | false | true | true |
3,009 | 2026-02-23T11:52:58.532000Z | 2026-02-23T13:39:50.823000Z | Lec. | Изображение рассматривается как поверхность в трехмерном пространстве, где яркость пикселя — высота | Изображение рассматривается как поверхность в трехмерном пространстве, где яркость пикселя — высота точки на этой поверхности. | false | true | true |
3,008 | 2026-02-23T11:52:56.892000Z | 2026-02-23T13:45:57.633000Z | Lec. | CurvatureFlow (CF) фильтр — тип фильтра, основанный на эволюции кривизны поверхности и сохраняющий важные геометрические особенности | Curvature Flow (CF) фильтр — тип фильтра, основанный на эволюции кривизны поверхности и сохраняющий важные геометрические особенности. | false | true | true |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.