Анализ сайта dongyp13.github.io
Основное Готовность: 95%
Домен
dongyp13.github.io
Состояние доменного имени
?
Проверяем корректность доменного имени и наличие технических проблем на уровне домена.
Используйте для продвижения только домен второго уровня.
Длина домена велика. Но если вы продвигаете запрос, входящий в название домена, то это хорошо.
Ответ сервера
200 Успешный ответ
HTTP-код ответа и цепочка редиректов
?
Код 200 — страница доступна. Коды 3xx — редиректы (цепочки замедляют загрузку и размывают ссылочный вес). Коды 4xx/5xx — ошибки, поисковик не сможет проиндексировать страницу.
Сервер настроен корректно.
Цепочка редиректов:
http://dongyp13.github.io
301 MovedPermanently
https://dongyp13.github.io/
200 OK
Безопасность
Сайт безопасен
Использование HTTPS и SSL-сертификат
?
HTTPS — обязательный стандарт. Google и Яндекс отдают предпочтение защищённым сайтам. Отсутствие SSL или просроченный сертификат ведут к предупреждениям в браузере и снижению позиций.
Не настроен HSTS (Strict-Transport-Security) — рекомендуется включить.
На сайте работает защищенный протокол ssl и сайт открывается по https.
Ssl-сертификат действителен до 01.11.2026 2:38:01.
HTTP автоматически перенаправляется на HTTPS.
Поздравляем! Сайт не содержится в реестре РКН.
Кодировка
utf-8
Кодировка символов страницы
?
Стандарт — UTF-8. Неправильная кодировка вызывает нечитаемые символы и мешает поисковику корректно распознать текст страницы.
Указана кодировка на странице utf-8.
Язык
Атрибут lang в HTML-теге
?
Атрибут lang (<html lang="ru">) сообщает поисковикам и браузерам, на каком языке написана страница. Помогает при ранжировании в региональном поиске.
Язык страницы не указан. Рекомендуется явно указать язык документа!
Скорость загрузки
~0,54сек
Время отклика сервера (TTFB)
?
Time To First Byte — время до получения первого байта от сервера. Норма до 200 мс. Медленный отклик ухудшает пользовательский опыт и ранжирование: Яндекс и Google учитывают скорость страниц.
Скорость загрузки сайта 0,54сек оптимальна.
Объем документа
55Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 55Кб оптимален.
Ресурсы
Ресурсы: 1
Внешние ресурсы страницы (CSS, JS, изображения)
?
Количество и тип подключённых ресурсов влияют на скорость загрузки. Большое число запросов увеличивает время рендеринга страницы.
Кол-во файлов ресурсов 1 достаточно.
Показать полный список ресурсов
| Тип | Название | Значение |
|---|---|---|
| stylesheet | text/css | ./files/jemdoc.css |
Серверные заголовки
Кол-во: 17
HTTP-заголовки ответа сервера
?
Заголовки сервера передают браузеру и поисковику служебную информацию: кеширование, безопасность (CSP, HSTS), сжатие (gzip). Правильная настройка ускоряет загрузку и повышает защищённость.
Найдены серверные заголовки 17шт. Подробнее про серверные заголовки.
Показать полный список серверных заголовков
| Ключ | Значение |
|---|---|
| Server | GitHub.com |
| Access-Control-Allow-Origin | * |
| ETag | "693e570e-dcaf" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | F6CE:12CAF9:14690C5:149365C:6A8946C4 |
| x-github-edge-region | fra |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sat, 22 Aug 2026 06:50:44 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-fra-eddf8230129-FRA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787381444.445036,VS0,VE120 |
| Vary | Accept-Encoding |
| x-fastly-request-id | 4fa6fd5b669572bbb9f94764dd6386cb408f0001 |
CMS
Не определена
Система управления сайтом (движок)
?
CMS — это движок, на котором работает сайт (WordPress, 1C-Bitrix, Tilda и др.). Знание CMS помогает понять возможности SEO-оптимизации и подобрать подходящие инструменты. «Не определена» — вероятно, самописный сайт или нестандартная сборка.
CMS не определена. Вероятно, сайт самописный либо движок надёжно скрыт. Это не ошибка.
Веб-сервер
GitHub.com
Программное обеспечение сервера
?
Веб-сервер — это ПО, которое отдаёт страницы посетителям (nginx, Apache, IIS, LiteSpeed и др.). Определяется по серверным заголовкам ответа (Server, X-Powered-By и т.п.). «Не определён» — сервер намеренно скрывает эти заголовки, это нормальная практика безопасности.
В заголовке Server указано: GitHub.com.
Мета-теги Готовность: 22%
Title
Yinpeng Dong
Заголовок страницы в браузере и поисковой выдаче
?
Title — главный SEO-заголовок страницы. Влияет на CTR в поиске и ранжирование. Оптимальная длина: 50–70 символов. Ключевые слова — ближе к началу.
Необходимо увеличить число символов в title (текущее значение мало: 12, минимум: 25, оптимально: от 40 до 45)
Дублей словоформ в title не найдено.
Description
Yinpeng Dong's homepage
Описание страницы в поисковой выдаче (сниппет)
?
Meta Description — текст под заголовком в выдаче. Напрямую на позиции не влияет, но влияет на CTR. Оптимальная длина: 120–160 символов.
Необходимо увеличить число символов в description (текущее значение мало: 23, минимум: 80, оптимально: от 120 до 130)
Keywords
Список ключевых слов страницы (устаревший тег)
?
Meta Keywords не учитывается Яндексом и Google для ранжирования с 2009–2012 годов. Заполнение не обязательно, но не вредит. Конкурент может использовать содержимое для анализа.
Установите мета-тег keywords!
Канонический Url
Указывает поисковику основную версию страницы
?
Canonical (rel=canonical) предотвращает проблему дублей страниц. Должен точно совпадать с URL проверяемой страницы. Неправильный canonical может передать ссылочный вес на другую страницу.
Рекомендуем прописать канонический Url.
Robots
Ошибок нет
Директивы для поисковых роботов на уровне страницы
?
Meta Robots управляет индексацией конкретной страницы: index/noindex — индексировать ли, follow/nofollow — следовать ли по ссылкам. Noindex полностью исключает страницу из поиска.
Meta-тег robots не указан. Страница свободна для индексации.
Адаптивность
Настройка масштабирования на мобильных устройствах
?
Тег viewport (<meta name="viewport">) сообщает браузеру, как масштабировать страницу на мобильных. Стандарт: width=device-width, initial-scale=1. Отсутствие — признак отсутствия мобильной версии.
Meta-тег viewport не указан. Страница не адаптивная.
Разметка OpenGraph
Не найдено
Мета-теги для красивых превью в соцсетях
?
OpenGraph (og:title, og:description, og:image) управляет тем, как страница выглядит при репосте в социальных сетях и мессенджерах. Отсутствие OG-тегов — невзрачный превью при шеринге.
Разметка OpenGraph не задана. Страница не оптимизирована под социальные сети. Мета-теги с разметкой Og помогают социальным роботам лучше структурировать Ваш сайт.
Все мета-теги
Кол-во: 1
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Найдены мета-теги 1шт. Мета-теги не видимы для человека и предназначены для обмена информацией между веб-страницей и поисковыми системами, браузерами и другими веб-службами. С ними роботы 🤖 и устройства ведут себя более ожидаемо.
Показать полный список мета-тегов
| Тип | Название | Значение |
|---|---|---|
| name | description | Yinpeng Dong's homepage |
Оптимизация Готовность: 47%
Структура
Есть замечания
Семантические HTML-элементы страницы
?
Проверяет наличие основных структурных элементов: nav, header, footer, main. Корректная семантическая структура помогает поисковику понять архитектуру страницы.
Не найден главный тег документа <html>. Проверьте структуру html-документа на наличие тега <html>!
Строго говоря, это не является ошибкой, а важным замечанием. В стандарте HTML теги html, body не являются обязательными, но все же лучше следовать общепринятым стандартам построения веб-страниц.
Строго говоря, это не является ошибкой, а важным замечанием. В стандарте HTML теги html, body не являются обязательными, но все же лучше следовать общепринятым стандартам построения веб-страниц.
Контент
Есть ошибки
Объём и качество текстового содержимого
?
Анализирует объём полезного текста на странице. Слишком мало — страница может считаться малополезной. Слишком много — ухудшается читаемость и восприятие.
Слова из title 2 встречаются в тексте редко. Добавьте в контент страницы слова из тега <title>!
Абзацев с текстом 3 слишком мало. Добавьте больше абзацев с текстом (тег <p>)!
Среднее число слов в абзаце 65 достаточно.
Кол-во знаков контента 29936 на странице оптимально.
Кол-во слов 4488 на странице оптимально.
Заголовки
Ошибок нет
Иерархия заголовков H1–H6
?
H1 должен быть один и содержать ключевой запрос. H2–H6 описывают подразделы. Пропуск уровней (H1 → H3) и несколько H1 — типичные ошибки, снижающие понятность страницы для поисковика.
На странице присутствуют заголовки <h1> 1. Это прекрасно.
На странице присутствуют заголовки <h2> 7. Это хорошо.
На странице присутствуют заголовки <h3> 11.
Тошнота
9,64
Насколько одно слово доминирует в тексте
?
Классическая тошнота = √(частота самого повторяющегося слова). Норма до 7–8: текст воспринимается естественно. Выше — поисковик может счесть страницу переспамленной.
Тошнота превышает норму 5. Измените текст страницы!
Академич. тошнота
188,84%
Насколько текст перенасыщен ключевыми словами
?
Академическая тошнота = (частота слова / общее количество слов) × 100%. Показывает долю конкретного слова в тексте. Норма 5–15%.
Академическая тошнота превышает норму 5-15%. Измените текст страницы!
Семантическое ядро
20
Наиболее часто встречающиеся слова на странице
?
Топ слов по частоте использования. Показывает, какие слова доминируют в тексте с точки зрения поисковика.
Контент страницы содержит осмысленный текст и слова.
Показать список слов
| Слово | Кол-во | Частота |
|---|---|---|
| yinpeng | 93 | 2,07% |
| adversarial | 70 | 1,56% |
| conference | 45 | 1,00% |
| computer | 37 | 0,82% |
| vision | 37 | 0,82% |
| learning | 35 | 0,78% |
| attacks | 28 | 0,62% |
| international | 27 | 0,60% |
| neurips | 26 | 0,58% |
| neural | 25 | 0,56% |
| recognition | 25 | 0,56% |
| systems | 23 | 0,51% |
| tianyu | 23 | 0,51% |
| models | 22 | 0,49% |
| tsinghua | 21 | 0,47% |
| machine | 21 | 0,47% |
| robustness | 21 | 0,47% |
| information | 21 | 0,47% |
| workshop | 20 | 0,45% |
| pattern | 20 | 0,45% |
Индексация Готовность: 0%
Индексирование
Ошибок нет
Разрешено ли индексирование страницы
?
Проверяет, не закрыта ли страница от индексации через robots.txt, meta robots или X-Robots-Tag. Страница, закрытая от индексации, не появится в поисковой выдаче.
Анкоров на странице 180 оптимально. Поисковые роботы обязательно проиндексируют сайт.
Robots.txt
Не найден
Файл управления сканированием сайта роботами
?
Robots.txt указывает поисковым роботам, какие страницы сканировать, а какие — нет. Ошибки в файле могут случайно закрыть важные разделы от индексации.
Файл robots.txt не найден (ошибка 404). Крайне рекомендуем добавить файл robots.txt, это правило хорошего тона для поисковых роботов.
Sitemap
Кол-во: 0
XML-карта сайта для поисковиков
?
Sitemap.xml помогает поисковику быстрее находить и индексировать страницы. Особенно важен для крупных сайтов и новых страниц, на которые ещё нет входящих ссылок.
Robots.txt не содержит ссылку на карту сайта. Рекомендуется добавить карту сайта и указать ссылку на нее в robots.txt.
Внутренние ссылки
Кол-во: 20
Ссылки на другие страницы своего сайта
?
Внутренние ссылки распределяют ссылочный вес между страницами и помогают поисковику обходить сайт. Пустые анкоры и ссылки на запрещённые robots.txt страницы — типичные ошибки.
Внутренних ссылок на странице 20 оптимально.
Показать внутренние ссылки
| Url | Анкор | Состояние | Анализировать |
|---|---|---|---|
| /cv/yinpeng_cv.pdf |
[Curriculum Vitae]
|
|
|
| /slides/ECCV2024.pdf |
here
|
|
|
| /thesis/thesis-yinpeng.pdf |
Adversarial Attacks and Robustness Evaluation in Deep Learning
|
|
|
| /slides/NeurIPS2022-ViewFool.pdf |
[slide]
|
|
|
| /slides/ICLR22-memorization.pdf |
[slide]
|
|
|
| /slides/ICCV2021-B3D.pdf |
[slide]
|
|
|
| /poster/ICCV2021-B3D.pdf |
[poster]
|
|
|
| /poster/neurips2020-5559.pdf |
[poster]
|
|
|
| /papers/CVPR2020-5414.mp4 |
[video]
|
|
Анализировать url |
| /slides/CVPR2020-5414.pdf |
[slide]
|
|
|
| /papers/CVPR2019-5297.mp4 |
[video]
|
|
Анализировать url |
| /poster/CVPR2019-5297.pdf |
[poster]
|
|
|
| /poster/CVPR2019-2676.pdf |
[poster]
|
|
|
| /poster/Attack-CVPR2018.pdf |
[poster]
|
|
|
| /slides/BMVC17.pdf |
[slide]
|
|
|
| /poster/BMVC17.pdf |
[poster]
|
|
|
| /papers/demo-cvpr17.mp4 |
[video]
|
|
Анализировать url |
| /poster/CVPR17.pdf |
[poster]
|
|
|
| /slides/IJCAI16.pdf |
[slide]
|
|
|
| /poster/IJCAI16.pdf |
[poster]
|
|
Внешние ссылки
Кол-во: 158
Ссылки на сторонние сайты
?
Исходящие внешние ссылки передают часть ссылочного веса на чужие сайты. Ссылки на авторитетные ресурсы безопасны; ссылки на мусорные сайты могут навредить репутации страницы.
Внешних ссылок на странице 158 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать первые 100 внешних ссылок
| Url | Анкор | Анализировать |
|---|---|---|
| scholar.google.com |
[Google Scholar]
|
Анализировать url |
| twitter.com |
[Twitter]
|
|
| github.com |
[Github]
|
Анализировать url |
| collegeai.tsinghua.edu.cn |
College of AI
|
Анализировать url |
| tsinghua.edu.cn |
Tsinghua University
|
Анализировать url |
| cs.tsinghua.edu.cn |
Department of Computer Science and Technology
|
Анализировать url |
| tsinghua.edu.cn |
Tsinghua University
|
Анализировать url |
| ml.cs.tsinghua.edu.cn |
Jun Zhu
|
Анализировать url |
| viscale.github.io |
Test-time Scaling for Computer Vision
|
Анализировать url |
| sites.google.com |
ECCV 2024 Workshop on The Dark Side of Generative AIs and Beyond
|
Анализировать url |
| elsevier.digitalcommonsdata.com |
world's top-2% scientists
|
Анализировать url |
| arxiv.org |
Omniview-Tuning: Boosting Viewpoint Invariance of Vision-Language Pre-training Models
|
Анализировать url |
| omniview-tuning.github.io |
project page
|
Анализировать url |
| arxiv.org |
paper
|
Анализировать url |
| github.com |
code
|
Анализировать url |
| elsevier.digitalcommonsdata.com |
world's top-2% scientists
|
Анализировать url |
| arxiv.org |
paper
|
Анализировать url |
| github.com |
Code
|
Анализировать url |
| arxiv.org |
BadDet: Backdoor Attacks on Object Detection
|
Анализировать url |
| eccv22-arow.github.io |
Adversarial Robustness in the Real World
|
Анализировать url |
| arxiv.org |
Red-Teaming Text-to-Image Systems by Rule-based Preference Modeling
|
Анализировать url |
| arxiv.org |
Mitigating Overthinking in Large Reasoning Models via Manifold Steering
|
Анализировать url |
| arxiv.org |
DeceptionBench: A Comprehensive Benchmark for AI Deception Behaviors in Real-world Scenarios
|
Анализировать url |
| arxiv.org |
STAIR: Improving Safety Alignment with Introspective Reasoning
|
Анализировать url |
| openaccess.thecvf.com |
Efficient Input-level Backdoor Defense on Text-to-Image Synthesis via Neuron Activation Variation
|
Анализировать url |
| openaccess.thecvf.com |
AdvDreamer Unveils: Are Vision-Language Models Truly Ready for Real-World 3D Variations?
|
Анализировать url |
| aclanthology.org |
Exploring the Generalizability of Factual Hallucination Mitigation via Enhancing Precise Knowledge Utilization
|
Анализировать url |
| aclanthology.org |
Breaking the Ceiling: Exploring the Potential of Jailbreak Attacks through Expanding Strategy Space
|
Анализировать url |
| link.springer.com |
A Comprehensive Study on Robustness of Image Classification Models: Benchmarking and Rethinking
|
Анализировать url |
| link.springer.com |
Face3DAdv: Exploiting Robust Adversarial 3D Patches on Physical Face Recognition
|
Анализировать url |
| ieeexplore.ieee.org |
Real-World Adversarial Defense Against Patch Attacks Based on Diffusion Model
|
Анализировать url |
| ieeexplore.ieee.org |
Distributionally Location-Aware Transferable Adversarial Patches for Facial Images
|
Анализировать url |
| openreview.net |
MultiTrust: A Comprehensive Benchmark Towards Trustworthy Multimodal Large Language Models
|
Анализировать url |
| openreview.net |
T2VSafetyBench: Evaluating the Safety of Text-to-Video Generative Models
|
Анализировать url |
| openreview.net |
Diffusion Models are Certifiably Robust Classifiers
|
Анализировать url |
| openreview.net |
Membership Inference on Text-to-Image Diffusion Models via Conditional Likelihood Discrepancy
|
Анализировать url |
| openreview.net |
Improving Robustness of 3D Point Cloud Recognition from a Fourier Perspective
|
Анализировать url |
| arxiv.org |
Omniview-Tuning: Boosting Viewpoint Invariance of Vision-Language Pre-training Models
|
Анализировать url |
| arxiv.org |
DIFFender: Diffusion-Based Adversarial Defense against Patch Attacks
|
Анализировать url |
| openreview.net |
Natural Language Induced Adversarial Images
|
Анализировать url |
| usenix.org |
Making Them Ask and Answer: Jailbreaking Large Language Models in Few Queries via Disguise and Reconstruction
|
Анализировать url |
| proceedings.mlr.press |
Robust Classification via a Single Diffusion Model
|
Анализировать url |
| proceedings.mlr.press |
Efficient Black-box Adversarial Attacks via Bayesian Optimization Guided by a Function Prior
|
Анализировать url |
| proceedings.mlr.press |
Machine Vision Therapy: Multimodal Large Language Models Can Enhance Visual Robustness via Denoising In-Context Learning
|
Анализировать url |
| proceedings.mlr.press |
Toward Availability Attacks in 3D Point Clouds
|
Анализировать url |
| openaccess.thecvf.com |
Exploring the Transferability of Visual Prompting for Multimodal Large Language Models
|
Анализировать url |
| openaccess.thecvf.com |
Towards Transferable Targeted 3D Adversarial Attack in the Physical World
|
Анализировать url |
| openaccess.thecvf.com |
Focus on Hiders: Exploring Hidden Threats for Enhancing Adversarial Training
|
Анализировать url |
| openreview.net |
Rethinking Model Ensemble in Transfer-based Adversarial Attacks
|
Анализировать url |
| openreview.net |
Embodied Active Defense: Leveraging Recurrent Feedback to Counter Adversarial Patches
|
Анализировать url |
| arxiv.org |
How Robust is Google’s Bard to Adversarial Image Attacks?
|
Анализировать url |
| papers.nips.cc |
Learning Sample Difficulty from Pre-trained Models for Reliable Prediction
|
Анализировать url |
| openaccess.thecvf.com |
Towards Viewpoint-Invariant Visual Recognition via Adversarial Training
|
Анализировать url |
| openaccess.thecvf.com |
Root Pose Decomposition Towards Generic Non-rigid 3D Reconstruction with Monocular Videos
|
Анализировать url |
| dl.acm.org |
Text-to-Image Diffusion Models can be Easily Backdoored through Multimodal Data Poisoning
|
Анализировать url |
| ieeexplore.ieee.org |
The Art of Defense: Letting Networks Fool the Attacker
|
Анализировать url |
| proceedings.mlr.press |
GNOT: A General Neural Operator Transformer for Operator Learning
|
Анализировать url |
| openaccess.thecvf.com |
Benchmarking Robustness of 3D Object Detection to Common Corruptions in Autonomous Driving
|
Анализировать url |
| github.com |
[code]
|
Анализировать url |
| openaccess.thecvf.com |
Towards Effective Adversarial Textured 3D Meshes on Physical Face Recognition (<font color="#FF0000"><strong>Highlight, Accept rate ~2.5%</strong></font>)
|
Анализировать url |
| openaccess.thecvf.com |
Understanding the Robustness of 3D Object Detectors with Bird’s-Eye-View Representations in Autonomous Driving
|
Анализировать url |
| openaccess.thecvf.com |
Compacting Binary Neural Networks by Sparse Kernel Selection
|
Анализировать url |
| proceedings.neurips.cc |
ViewFool: Evaluating the Robustness of Visual Recognition to Adversarial Viewpoints
|
Анализировать url |
| github.com |
[code]
|
Анализировать url |
| proceedings.neurips.cc |
Pre-trained Adversarial Perturbations
|
Анализировать url |
| github.com |
[code]
|
Анализировать url |
| openreview.net |
Isometric 3D Adversarial Examples in the Physical World
|
Анализировать url |
| proceedings.neurips.cc |
Kallima: A Clean-label Framework for Textual Backdoor Attacks
|
Анализировать url |
| ecva.net |
Boosting Transferability of Targeted Adversarial Examples via Hierarchical Generative Networks
|
Анализировать url |
| arxiv.org |
BadDet: Backdoor Attacks on Object Detection
|
Анализировать url |
| sciencedirect.com |
Towards Generalizable Detection of Face Forgery via Self-Guided Model-Agnostic Learning
|
Анализировать url |
| usenix.org |
AutoDA: Automated Decision-based Iterative Adversarial Attacks
|
Анализировать url |
| proceedings.mlr.press |
GSmooth: Certified Robustness against Semantic Transformations via Generalized Randomized Smoothing
|
Анализировать url |
| openaccess.thecvf.com |
Two Coupled Rejection Metrics Can Tell Adversarial Examples Apart
|
Анализировать url |
| openreview.net |
Exploring Memorization in Adversarial Training
|
Анализировать url |
| github.com |
[code]
|
Анализировать url |
| ieeexplore.ieee.org |
Query-Efficient Black-box Adversarial Attacks Guided by a Transfer-based Prior
|
Анализировать url |
| github.com |
[code]
|
Анализировать url |
| proceedings.neurips.cc |
Accumulative Poisoning Attacks on Real-time Data
|
Анализировать url |
| openaccess.thecvf.com |
Black-box Detection of Backdoor Attacks with Limited Information and Data
|
Анализировать url |
| openaccess.thecvf.com |
[appendix]
|
Анализировать url |
| openaccess.thecvf.com |
Towards Face Encryption by Generating Adversarial Identity Masks
|
Анализировать url |
| openaccess.thecvf.com |
Improving Transferability of Adversarial Patches on Face Recognition with Generative Models
|
Анализировать url |
| openreview.net |
Bag of Tricks for Adversarial Training
|
Анализировать url |
| papers.nips.cc |
Adversarial Distributional Training for Robust Deep Learning
|
Анализировать url |
| arxiv.org |
[arXiv]
|
Анализировать url |
| papers.nips.cc |
[appendix]
|
Анализировать url |
| github.com |
[code]
|
Анализировать url |
| papers.nips.cc |
Understanding and Exploring the Network with Stochastic Architectures
|
Анализировать url |
| papers.nips.cc |
Boosting Adversarial Training with Hypersphere Embedding
|
Анализировать url |
| openaccess.thecvf.com |
Benchmarking Adversarial Robustness on Image Classification
|
Анализировать url |
| arxiv.org |
[arXiv]
|
Анализировать url |
| openaccess.thecvf.com |
[appendix]
|
Анализировать url |
| github.com |
[code]
|
Анализировать url |
| arxiv.org |
Delving into the Adversarial Robustness on Face Recognition
|
Анализировать url |
| openreview.net |
Rethinking Softmax Cross-Entropy Loss for Adversarial Robustness
|
Анализировать url |
| papers.nips.cc |
Improving Black-box Adversarial Attacks with a Transfer-based Prior
|
Анализировать url |
| arxiv.org |
[arXiv]
|
Анализировать url |
| github.com |
[code]
|
Анализировать url |
| openaccess.thecvf.com |
Evading Defenses to Transferable Adversarial Examples by Translation-Invariant Attacks
|
Анализировать url |
Конкуренты Готовность: 0%
Конкуренты в Яндексе
Кол-во: 0
Топ сайтов-конкурентов в Яндексе
?
Сайты, чаще всего появляющиеся в ТОПе Яндекса по запросам из семантического ядра этой страницы.
Мы не нашли у вас конкурентов в Яндексе. Сайт или очень молодой или плохо продвигается.
Конкурентов в ТОП-10 Яндекса не нашлось.
Конкуренты в Google
Кол-во: 0
Топ сайтов-конкурентов в Google
?
Сайты, чаще всего появляющиеся в ТОПе Google по запросам из семантического ядра этой страницы.
Конкуренты в Google тоже не найдены. Займитесь продвижением сайта!
Конкурентов в ТОП-10 Google не нашлось.
ЗоЗПП: права потребителей Готовность: 100%
Нарушения
Не выявлены
Признаков дистанционной продажи товаров (интернет-магазина) не обнаружено — требования ЗоЗПП о раскрытии информации продавца к сайту не применяются. Нарушений нет.
ФЗ-149: рекомендательные технологии Готовность: 100%
Нарушения
Не выявлены
Рекомендательные блоки («с этим покупают», «похожие товары» и т.п.) на сайте не обнаружены — требования ст. 10.7 ФЗ-149 к сайту не применяются. Нарушений нет.
ФЗ-38: реклама Готовность: 100%
Нарушения
Не выявлены
Рекламных тематик с обязательными оговорками (медицина, БАД, кредиты и займы, новостройки) на сайте не обнаружено. Нарушений нет.
ФЗ-436: защита детей Готовность: 100%
Нарушения
Не выявлены
Признаков информационной продукции (новости, видео, книги, игры, курсы) не обнаружено — обязательная возрастная маркировка по ФЗ-436 сайту не требуется. Нарушений нет.
Вердикт
Анализ сайта dongyp13.github.io, слабо оптимизирован на 41%. Для хорошей оптимизации и выхода на первые места в поиске требуется:
Исправьте ошибки в мета-тегах.
Исправьте ошибки оптимизации.
Исправьте ошибки индексации.
Поделитесь с друзьями: