Split (1)

train · 20.9k rows

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	is_personal bool 2 classes	is_sentence bool 2 classes	is_corrected bool 2 classes
12,907	2026-02-24T11:09:43.543000Z	2026-02-24T11:09:43.543000Z	Lec.	Для избежания дублирования фото, Google Streetview API предоставляет уникальные идентификаторы для каждой панорамы, что позволяет отслеживать, не было ли сохранено такой панорамы уже	false	true	false
12,906	2026-02-24T11:09:41.908000Z	2026-02-24T11:09:41.908000Z	Lec.	Для эффективного сохранения фото, было решено сформировать отдельную функцию для выгрузки в объектное хранилище, о котором будет рассказано в следующем пункте	false	true	false
12,905	2026-02-24T11:09:40.282000Z	2026-02-24T11:09:40.282000Z	Lec.	Основными проблемами на данном этапе являлись:. эффективное сохранение фото, которое позволит не хранить их на локальном компьютере;. избежание дублирование фотографий;. выбор координат панорамы в зависимости от направления дороги	false	false	false
12,904	2026-02-24T11:09:38.395000Z	2026-02-24T11:09:38.395000Z	Lec.	Помимо внесения изменений, было необходимо написать собственный скрипт, который собирает и сохраняет изображения	false	true	false
12,903	2026-02-24T11:09:35.984000Z	2026-02-24T11:09:35.984000Z	Lec.	Главным изменением является переход с от протокола HTTP (Hypertext Transfer Protocol) к HTTPS (Hypertext Transfer Protocol Secure)	false	true	false
12,902	2026-02-24T11:09:34.463000Z	2026-02-24T11:09:34.463000Z	Lec.	Несмотря на относительно недавнее обновление библиотеки, некоторые функции потребовали изменения для их корректной работы	false	true	false
12,901	2026-02-24T11:09:32.715000Z	2026-02-24T11:09:32.715000Z	Lec.	Streetview предоставляет набор функций, который позволяет сохранять панорамы улиц в виде изображений	false	true	false
12,900	2026-02-24T11:09:30.951000Z	2026-02-24T11:09:30.951000Z	Lec.	Репозиторий библиотеки на сайте github.com	false	true	false
12,899	2026-02-24T11:09:29.406000Z	2026-02-24T11:09:29.406000Z	Lec.	Одним из примеров бесплатного использования сервиса стала python библиотека Streetview (рисунок 17)	false	true	false
12,898	2026-02-24T11:09:27.672000Z	2026-02-24T11:09:27.672000Z	Lec.	К сожалению, использование сервиса платно и требует привязки иностранной карты, однако в интернете есть примеры использования этого API бесплатно, без ограничений, с меньшим функционалом, который не требуется в данной работе	false	true	false
12,897	2026-02-24T11:09:25.953000Z	2026-02-24T11:09:25.953000Z	Lec.	Помимо возможности сохранять и обрабатывать изображения панорам, Google maps предоставляют сервис Google Streetview API, который позволяет удобно получать панорамы с определённых координат	false	true	false
12,896	2026-02-24T11:09:24.178000Z	2026-02-24T11:09:24.178000Z	Lec.	В связи с данными ограничениями выбор был сделан в пользу сервиса Google maps	false	true	false
12,895	2026-02-24T11:09:22.633000Z	2026-02-24T11:09:22.633000Z	Lec.	Несмотря на то, что Yandex Maps имеет более глубокую направленность на Российскую аудиторию и имеет более высокое покрытие на территории Российской Федерации, в соответствии с пользовательским соглашением, пользователь не имеет право сохранять и обрабатывать данные с данных карт	false	true	false
12,894	2026-02-24T11:09:20.880000Z	2026-02-24T11:09:20.880000Z	Lec.	Интерфейс Yandex maps	false	true	false
12,893	2026-02-24T11:09:19.288000Z	2026-02-24T11:09:19.288000Z	Lec.	Интерфейс Google maps	false	true	false
12,892	2026-02-24T11:09:17.562000Z	2026-02-24T11:09:17.562000Z	Lec.	Наиболее известными представителями являются Google maps (рисунок 15) и Yandex maps (рисунок 16)	false	true	false
12,891	2026-02-24T11:09:15.809000Z	2026-02-24T11:09:15.809000Z	Lec.	Одним из потенциальных источников стали общедоступные карты с возможностью просмотра панорам улиц	false	true	false
12,890	2026-02-24T11:09:14.159000Z	2026-02-24T11:09:14.159000Z	Lec.	Подобная гибкость и производительность позволит эффективно использовать данный инструмент для выполнения нашей работы	false	true	false
12,889	2026-02-24T11:09:12.430000Z	2026-02-24T11:09:12.430000Z	Lec.	Пример карты созданной с помощью MapLibre	false	true	false
12,888	2026-02-24T11:09:10.904000Z	2026-02-24T11:09:10.904000Z	Lec.	Помимо этого, стоит отметить хорошую кастомизацию MapLibre, пример которой показан на рисунке 14	false	true	false
12,887	2026-02-24T11:09:09.376000Z	2026-02-24T11:09:09.376000Z	Lec.	Сравнение скорости загрузки страницы при различном количестве точек на карте	false	true	false
12,886	2026-02-24T11:09:07.748000Z	2026-02-24T11:09:07.748000Z	Lec.	На рисунке 13 демонстрируется полученная статистика	false	true	false
12,885	2026-02-24T11:09:05.865000Z	2026-02-24T11:09:05.865000Z	Lec.	Однако помимо самого фреймворка, нужно подумать и о карте, которая будет показываться на нашем сайте. [70] демонстрирует высокую скорость работы MaplLibre GL JS и deck.io при демонстрации большого количества объектов на карте, что может быть полезно для нашей работы	false	true	false
12,884	2026-02-24T11:09:04.140000Z	2026-02-24T11:09:04.140000Z	Lec.	В качестве основных преимуществах он и [69] приводят:. продвинутую маршрутизацию;. быстродействие;. подробную документацию;. удобную стилизацию сайта;. простую работу с получением данных извне	false	true	false
12,883	2026-02-24T11:09:02.118000Z	2026-02-24T11:09:02.118000Z	Lec.	В качестве демонстрационного стенда было решено создать небольшой веб сайт с интерактивной картой. [68] приводит обоснование использования фреймворка NextJS для создания современных сайтов	false	true	false
12,882	2026-02-24T11:09:00.503000Z	2026-02-24T11:09:00.503000Z	Lec.	Важной частью нашей работы является демонстрация конечного результата работы нашего кластера	false	true	false
12,881	2026-02-24T11:08:58.754000Z	2026-02-24T11:08:58.754000Z	Lec.	Пример работы модели VILT	false	true	false
12,880	2026-02-24T11:08:57.050000Z	2026-02-24T11:08:57.050000Z	Lec.	Применение данной модели может являться дополнением к использованию модели классификации изображений благодаря её высокой скорости работы, качественно превышающей скорость моделей visual language modelling	false	true	false
12,879	2026-02-24T11:08:55.201000Z	2026-02-24T11:08:55.201000Z	Lec.	Задача, выполняемая моделью, называется visual question answering	false	true	false
12,878	2026-02-24T11:08:53.048000Z	2026-02-24T11:08:53.048000Z	Lec.	Данная модель не генерирует описательные характеристики представленного изображения, как и не ведет с пользователем полноценный диалог, однако качественно отвечает на один вопрос относительно данного изображения (рисунок 12)	false	true	false
12,877	2026-02-24T11:08:51.131000Z	2026-02-24T11:08:51.131000Z	Lec.	Для аналогичного подхода, но более упрощенного, может использоваться модель VILT, архитектура которой описана в [67]	false	true	false
12,876	2026-02-24T11:08:49.565000Z	2026-02-24T11:08:49.565000Z	Lec.	Использование подобной модели может качественно улучшить получаемые характеристики зданий, что позволит производить более объективный анализ районов города [66]	false	true	false
12,875	2026-02-24T11:08:47.804000Z	2026-02-24T11:08:47.804000Z	Lec.	Пример описания от PaliGemma 2	false	true	false
12,874	2026-02-24T11:08:46.260000Z	2026-02-24T11:08:46.260000Z	Lec.	Это visual language model, которая умеет создавать описания для переданных в неё изображений (рисунок 11)	false	true	false
12,873	2026-02-24T11:08:44.627000Z	2026-02-24T11:08:44.627000Z	Lec.	Такой подход предлагает модель PaliGemma 2, представленная в [65]	false	true	false
12,872	2026-02-24T11:08:42.637000Z	2026-02-24T11:08:42.637000Z	Lec.	Помимо использования методов детекции и классификации объектов для решения задачи геопространственного анализа, было принято решение рассмотреть другие подходы к анализу изображений, которые позволят извлекать различные описательные характеристики об объектах изображений	false	true	false
12,871	2026-02-24T11:08:40.813000Z	2026-02-24T11:08:40.813000Z	Lec.	Для оптимизации моделей классификации также будут рассмотрены оптимизаторы SGD (stochastic gradient descent) [63], Adam (adaptive moment estimation) [64]	false	false	false
12,870	2026-02-24T11:08:38.910000Z	2026-02-24T11:08:38.910000Z	Lec.	Также применяется изменение параметра скорости обучения (learning rate) в процессе обучения модели, данный подход описан в a14	false	true	false
12,869	2026-02-24T11:08:37.313000Z	2026-02-24T11:08:37.313000Z	Lec.	Это параметр, учитывающий предыдущие изменения весов, который интегрируется в функцию изменения весов для предотвращения «шума» в их изменениях	false	true	false
12,868	2026-02-24T11:08:35.550000Z	2026-02-24T11:08:35.550000Z	Lec.	Еще одним преимуществом данного оптимизатора является применение импульса (momentum) [62]	false	true	false
12,867	2026-02-24T11:08:33.814000Z	2026-02-24T11:08:33.814000Z	Lec.	Данный подход описан в [61]	false	true	false
12,866	2026-02-24T11:08:32.156000Z	2026-02-24T11:08:32.156000Z	Lec.	Особенность данного оптимизатора состоит в корректном применении затухания весов, методики, предотвращающей переобучение	false	true	false
12,865	2026-02-24T11:08:30.408000Z	2026-02-24T11:08:30.408000Z	Lec.	В качестве оптимизатора для моделей YOLO применяется AdamW (adam with Weight Decay), описанный в [60]	false	true	false
12,864	2026-02-24T11:08:28.780000Z	2026-02-24T11:08:28.780000Z	Lec.	Для обучения YOLO все данные функции суммируются, а для классификаторов только потери кросс-энтропии	false	true	false
12,863	2026-02-24T11:08:26.802000Z	2026-02-24T11:08:26.802000Z	Lec.	Дополнительно применяется функция потерь обнаружения, objectness loss, применение которой описано в [59]	false	true	false
12,862	2026-02-24T11:08:25.160000Z	2026-02-24T11:08:25.160000Z	Lec.	В качестве функций потерь применены, для задачи классификации, функция потерь кросс-энтропии [57], для определения потерь определения границ объектов предполагается функция CIOU [58]	false	true	false
12,861	2026-02-24T11:08:23.560000Z	2026-02-24T11:08:23.560000Z	Lec.	В нашем исследовании для дообучения моделей YOLO применяются следующие техники	false	true	false
12,860	2026-02-24T11:08:21.613000Z	2026-02-24T11:08:21.613000Z	Lec.	Заканчивается обучение или при остановке в повышении качества предсказаний модели, или когда заканчиваются данные	false	true	false
12,859	2026-02-24T11:08:19.827000Z	2026-02-24T11:08:19.827000Z	Lec.	Далее весь процесс, кроме инициализации весов, повторяется со следующей выборкой данных	false	true	false
12,858	2026-02-24T11:08:17.874000Z	2026-02-24T11:08:17.874000Z	Lec.	После вычисления потерь происходит применение оптимизатора к модели, для изменения весов	false	true	false
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 параметров до 6 миллионов параметров, в то время, как размер VGG16 составляет 138.35 миллионов параметров	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

Subsets and Splits

No community queries yet

The top public SQL queries from the community will appear here once available.