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 |
|---|---|---|---|---|---|---|---|---|
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 особенностей архитектуры модели | 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 границы, в которых он находится | 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 | |
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 и полученных метриках, созданные методы представлены в блокноте [86], где возможно просмотреть весь процесс визуализации данных обученных моделей и сборки таблицы метрик | 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 |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.