Анализ сайта ericyi.github.io
Основное Готовность: 85%
Домен
ericyi.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://ericyi.github.io
301 MovedPermanently
https://ericyi.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
Кодировка символов страницы
?
Стандарт — UTF-8. Неправильная кодировка вызывает нечитаемые символы и мешает поисковику корректно распознать текст страницы.
Кодировка на странице не определена. Укажите явно кодировку документа!
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
~0,48сек
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 0,48сек оптимальна.
Объем документа
76Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 76Кб оптимален.
Структура html-документа корректна.
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 | ./Li_Yi_files/main.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 | "6a4e42c1-1314b" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | 6FB4:1D1C91:B72F2:C2044:6A88E3AE |
| x-github-edge-region | swedencentral |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Fri, 21 Aug 2026 23:47:58 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-bma-essb1270062-BMA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787356078.308247,VS0,VE113 |
| Vary | Accept-Encoding |
| x-fastly-request-id | d71513c518bb5a412520c38d7b4baef0f7d725af |
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: 17%
Title
Li Yi
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: 5, минимум: 25, оптимально: от 40 до 45)
Дублей словоформ в title не найдено.
Description
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.
Установите мета-тег description!
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: 0
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Мета-теги не найдены. Без них роботы и устройства действуют по умолчанию (не всегда это хорошо).
Оптимизация Готовность: 32%
Структура
Ошибок нет
Семантические HTML-элементы страницы
?
Проверяет наличие основных структурных элементов: nav, header, footer, main. Корректная семантическая структура помогает поисковику понять архитектуру страницы.
Структура документа корректна (теги <html> и <body> присутствуют по одному на документ).
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 303 достаточно.
Среднее число слов в абзаце 13 достаточно.
Кол-во знаков контента 24961 на странице оптимально.
Кол-во слов 3918 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 <h3> 4.
Тошнота
7,48
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
58,93%
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 |
|---|---|---|
| project | 56 | 1,43% |
| accepted | 32 | 0,82% |
| leonidas | 26 | 0,66% |
| guibas | 26 | 0,66% |
| learning | 25 | 0,64% |
| papers | 21 | 0,54% |
| object | 16 | 0,41% |
| understanding | 12 | 0,31% |
| zhang* | 11 | 0,28% |
| presentation | 11 | 0,28% |
| interaction | 10 | 0,26% |
| generalizable | 10 | 0,26% |
| neurips | 9 | 0,23% |
| contribution | 9 | 0,23% |
| motion | 9 | 0,23% |
| haoran | 9 | 0,23% |
| thomas | 8 | 0,20% |
| funkhouser | 8 | 0,20% |
| dexterous | 8 | 0,20% |
| manipulation | 8 | 0,20% |
Индексация Готовность: 0%
Индексирование
Есть ошибки
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 318 слишком много. Проведите ревизию и оптимизацию ссылок сайта.
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: 99
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 99 оптимально.
Показать внутренние ссылки
| Url | Анкор | Состояние | Анализировать |
|---|---|---|---|
| / |
Deep Object-Centric 3D Perception
|
|
Анализировать url |
| / |
Learning Athletic Humanoid Tennis Skills from Imperfect Human Motion Data
|
|
Анализировать url |
| / |
HumanTracker: Towards Comprehensive and Human-Aligned Motion Tracking Benchmark
|
|
Анализировать url |
| / |
RoboGesture: Real-Time Semantic-aligned Co-Speech Gestures Generation for Humanoid Interaction
|
|
Анализировать url |
| / |
UniPart: Towards Zero-shot Language-Grounded 3D Part Segmentation for Embodied Interaction
|
|
Анализировать url |
| / |
LDA-1B: Scaling Latent Dynamics Action Model via Universal Embodied Data Ingestion
|
|
Анализировать url |
| / |
LIMMT: Less Is More for Motion Tracking
|
|
Анализировать url |
| / |
Humanoid-GPT: Scaling Data and Structure for Zero-Shot Motion Tracking
|
|
Анализировать url |
| / |
AdaDexTrack: Dynamic Modulation for Adaptive and Generalizable Dexterous Manipulation Tracking
|
|
Анализировать url |
| / |
PAM: A Pose-Appearance-Motion Engine for Sim-to-Real HOI Video Generation
|
|
Анализировать url |
| / |
DexNDM: Closing the Reality Gap for Dexterous In-Hand Rotation via Joint-Wise Neural Dynamics Model
|
|
Анализировать url |
| / |
OmniSpatial: Towards Comprehensive Spatial Reasoning Benchmark for Vision Language Models
|
|
Анализировать url |
| / |
Track Any Motions under Any Disturbances
|
|
Анализировать url |
| / |
Dexora: Open-source VLA for High-DoF Bimanual Dexterity
|
|
Анализировать url |
| / |
MotionTrans: Human VR Data Enable Motion-Level Learning for Robotic Manipulation Policies
|
|
Анализировать url |
| / |
Unleashing Humanoid Reaching Potential via Real-world-Ready Skill Space
|
|
Анализировать url |
| / |
SoFar: Language-Grounded Orientation Bridges Spatial Reasoning and Object Manipulation
|
|
Анализировать url |
| / |
DreamVLA: A Vision-Language-Action Model Dreamed with Comprehensive World Knowledge
|
|
Анализировать url |
| / |
SyncDiff: Synchronized Motion Diffusion for Multi-Body Human-Object Interaction Synthesis
|
|
Анализировать url |
| / |
4DSegStreamer: Streaming 4D Panoptic Segmentation via Dual Threads
|
|
Анализировать url |
| / |
DexVLG: Dexterous Vision-Language-Grasp Model at Scale
|
|
Анализировать url |
| / |
Self-Supervised Monocular 4D Scene Reconstruction for Egocentric Videos
|
|
Анализировать url |
| / |
Learning Physics-Based Full-Body Human Reaching and Grasping from Brief Walking References
|
|
Анализировать url |
| / |
CORE4D : A 4D Human-Object-Human Interaction Dataset for Collaborative Object REarrangement
|
|
Анализировать url |
| / |
MobileH2R: Learning Generalizable Human to Mobile Robot Handover Exclusively from Scalable and Diverse Synthetic Data
|
|
Анализировать url |
| / |
MAP: Unleashing Hybrid Mamba-Transformer Vision Backbone's Potential with Masked Autoregressive Pretraining
|
|
Анализировать url |
| / |
PartRM: Modeling Part-Level Dynamics with Large Cross-State Reconstruction Model
|
|
Анализировать url |
| / |
DexTrack: Towards Generalizable Neural Tracking Control for Dexterous Manipulation from Human References
|
|
Анализировать url |
| / |
VILA-U: a Unified Foundation Model Integrating Visual Understanding and Generation
|
|
Анализировать url |
| / |
Interactive Humanoid: Online Full-Body Motion Reaction Synthesis with Social Affordance Canonicalization and Forecasting
|
|
Анализировать url |
| / |
ImOV3D: Learning Open Vocabulary Point Clouds 3D Object Detection from Only 2D Images
|
|
Анализировать url |
| / |
ShapeLLM: Universal 3D Object Understanding for Embodied Interaction
|
|
Анализировать url |
| / |
QuasiSim: Parameterized Quasi-Physical Simulators for Dexterous Manipulations Transfer
|
|
Анализировать url |
| / |
FreeMotion: MoCap-Free Human Motion Synthesis with Multimodal Large Language Models
|
|
Анализировать url |
| / |
PhysReaction: Physically Plausible Real-Time Humanoid Reaction Synthesis via Forward Dynamics Guided 4D Imitation
|
|
Анализировать url |
| / |
GenH2R: Learning Generalizable Human-to-Robot Handover via Scalable Simulation, Demonstration, and Imitation
|
|
Анализировать url |
| / |
TACO: Benchmarking Generalizable Bimanual Tool-ACtion-Object Understanding
|
|
Анализировать url |
| / |
GenN2N: Generative NeRF2NeRF Translation
|
|
Анализировать url |
| / |
Physics-aware Hand-object Interaction Denoising
|
|
Анализировать url |
| / |
DreamLLM: Synergistic Multimodal Comprehension and Creation
|
|
Анализировать url |
| / |
GeneOH Diffusion: Towards Generalizable Hand-Object Interaction Denoising via Denoising Diffusion
|
|
Анализировать url |
| / |
Enhancing Generalizable 6D Pose Tracking of an In-Hand Object with Tactile Sensing
|
|
Анализировать url |
| / |
CrossVideo: Self-supervised Cross-modal Contrastive Learning for Point Cloud Video Understanding
|
|
Анализировать url |
| / |
Semantic Complete Scene Forecasting from a 4D Dynamic Point Cloud Sequence
|
|
Анализировать url |
| / |
Full-Body Motion Reconstruction with Sparse Sensing from Graph Perspective
|
|
Анализировать url |
| / |
NSM4D: Neural Scene Model Based Online 4D Point Cloud Sequence Understanding
|
|
Анализировать url |
| / |
TransTouch: Learning Transparent Objects Depth Sensing Through Sparse Touches
|
|
Анализировать url |
| / |
LeaF: Learning Frames for 4D Point Cloud Sequence Understanding
|
|
Анализировать url |
| / |
Few-Shot Physically-Aware Articulated Mesh Generation via Hierarchical Deformation
|
|
Анализировать url |
| / |
UniDexGrasp++: Improving Dexterous Grasping Policy Learning via Geometry-aware Curriculum and Iterative Generalist-Specialist Learning
|
|
Анализировать url |
| / |
3D Implicit Transporter for Temporally Consistent Keypoint Discovery
|
|
Анализировать url |
| / |
ArrangementNet: Learning Scene Arrangements for Vectorized Indoor Scene Modeling
|
|
Анализировать url |
| / |
Contrast with Reconstruct: Contrastive 3D Representation Learning Guided by Generative Pretraining
|
|
Анализировать url |
| / |
Complete-to-Partial 4D Distillation for Self-Supervised Point Cloud Sequence Representation Learning
|
|
Анализировать url |
| / |
CAMS: CAnonicalized Manipulation Spaces for Category-Level Functional Hand-Object Manipulation Synthesis
|
|
Анализировать url |
| / |
JacobiNeRF: NeRF Shaping with Mutual Information Gradients
|
|
Анализировать url |
| / |
GAPartNet: Learning Generalizable and Actionable Parts for Cross-Category Object Perception and Manipulation
|
|
Анализировать url |
| / |
UniDexGrasp: Universal Robotic Dexterous Grasping via Learning Diverse Proposal Generation and Goal-Conditioned Policy
|
|
Анализировать url |
| / |
SparseViT: Revisiting Activation Sparsity for Efficient High-Resolution Vision Transformer
|
|
Анализировать url |
| / |
Semi-Weakly Supervised Object Kinematic Motion Prediction
|
|
Анализировать url |
| / |
Self-Supervised Category-Level Articulated Object Pose Estimation with Part-Level SE(3) Equivariance
|
|
Анализировать url |
| / |
Autoencoders as Cross-Modal Teachers: Can Pretrained 2D Image Transformers Help 3D Representation Learning?
|
|
Анализировать url |
| / |
Language-Assisted 3D Feature Learning for Semantic Scene Understanding
|
|
Анализировать url |
| / |
Tracking and Reconstructing Hand Object Interactions from Point Cloud Sequences in the Wild
|
|
Анализировать url |
| / |
MoRig: Motion-Aware Rigging of Character Meshes from Point Clouds
|
|
Анализировать url |
| / |
Point Primitive Transformer for Long-Term 4D Point Cloud Video Understanding
|
|
Анализировать url |
| / |
HOI4D: A 4D Egocentric Dataset for Category-Level Human-Object Interaction
|
|
Анализировать url |
| / |
Rotationally Equivariant 3D Object Detection
|
|
Анализировать url |
| / |
AutoGPart: Intermediate Supervision Search for Generalizable 3D Part Segmentation
|
|
Анализировать url |
| / |
CodedVTR: Codebook-based Sparse Voxel Transformer with Geometric Guidance
|
|
Анализировать url |
| / |
Multi-Robot Active Mapping via Neural Bipartite Graph Matching
|
|
Анализировать url |
| / |
APES: Articulated Part Extraction from Sprite Sheets
|
|
Анализировать url |
| / |
PDF
|
|
Анализировать url |
| / |
Fixing Malfunctional Objects With Learned Physical Simulation and Functional Prediction
|
|
Анализировать url |
| / |
PTR: A Benchmark for Part-based Conceptual, Relational, and Physical Reasoning
|
|
Анализировать url |
| / |
Leveraging SE(3) Equivariance for Self-supervised Category-Level Object Pose Estimation from Point Clouds
|
|
Анализировать url |
| / |
Contrastive Multimodal Fusion with TupleInfoNCE
|
|
Анализировать url |
| / |
P4Contrast: Contrastive Learning with Pairs of Point-Pixel Pairs for RGB-D Scene Understanding
|
|
Анализировать url |
| / |
Compositionally Generalizable 3D Structure Prediction
|
|
Анализировать url |
| / |
Robust Neural Routing Through Space Partitions for Camera Relocalization in Dynamic Indoor Environments
|
|
Анализировать url |
| / |
Complete & Label: A Domain Adaptation Approach to Semantic Segmentation of LiDAR Point Clouds
|
|
Анализировать url |
| / |
Rethinking Sampling in 3D Point Cloud Generative Adversarial Networks
|
|
Анализировать url |
| / |
Curriculum DeepSDF
|
|
Анализировать url |
| / |
SAPIEN: A SimulAted Part-based Interactive ENvironment
|
|
Анализировать url |
| / |
Category-Level Articulated Object Pose Estimation
|
|
Анализировать url |
| / |
StructEdit: Learning Structural Shape Variations
|
|
Анализировать url |
| / |
AdaCoSeg: Adaptive Shape Co-Segmentation with Group Consistency Loss
|
|
Анализировать url |
| / |
StructureNet: Hierarchical Graph Networks for 3D Shape Generation
|
|
Анализировать url |
| / |
GSPN: Generative Shape Proposal Network for 3D Instance Segmentation in Point Cloud
|
|
Анализировать url |
| / |
TextureNet: Consistent Local Parametrizations for Learning from High-Resolution Signals on Meshes
|
|
Анализировать url |
| / |
Supervised Fitting of Geometric Primitives to 3D Point Clouds
|
|
Анализировать url |
| / |
PartNet: A Large-scale Benchmark for Fine-grained and Hierarchical Part-level 3D Object Understanding
|
|
Анализировать url |
| / |
GeoNet: Deep Geodesic Networks for Point Cloud Analysis
|
|
Анализировать url |
| / |
Deep Part Induction from Articulated Object Pairs
|
|
Анализировать url |
| / |
Beyond Holistic Object Recognition: Enriching Image Understanding with Part States
|
|
Анализировать url |
| / |
PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space
|
|
Анализировать url |
| / |
Learning Hierarchical Shape Segmentation and Labeling from Online Repositories
|
|
Анализировать url |
| / |
SyncSpecCNN: Synchronized Spectral CNN for 3D Shape Segmentation
|
|
Анализировать url |
| / |
A Scalable Active Framework for Region Annotation in 3D Shape Collections
|
|
Анализировать url |
Внешние ссылки
Кол-во: 219
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 219 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]
|
|
| iiis.tsinghua.edu.cn |
Institute for Interdisciplinary Information Sciences (IIIS)
|
Анализировать url |
| geometry.stanford.edu |
Leonidas J. Guibas
|
Анализировать url |
| cs.princeton.edu |
Thomas Funkhouser
|
Анализировать url |
| tsinghua.edu.cn |
Tsinghua University
|
Анализировать url |
| vreai.ch |
Vision and Robotics for Embodied AI
|
Анализировать url |
| human-robot-scene.github.io |
Human-Robot-Scene Interaction and Collaboration (HRSIC) Workshop
|
Анализировать url |
| iccv.thecvf.com |
ICCV 2025
|
Анализировать url |
| rhobin-challenge.github.io |
the third Workshop on Reconstruction of Human-Object Interactions (RHOBIN)
|
Анализировать url |
| humanoid-agents.github.io |
the 1st Workshop on Humanoid Agents
|
Анализировать url |
| cvpr.thecvf.com |
CVPR 2025
|
Анализировать url |
| dex-manipulation.github.io |
Learning Robot Fine and Dexterous Manipulation Workshop
|
Анализировать url |
| youtube.com |
video recording
|
Анализировать url |
| cvpr.thecvf.com |
CVPR 2024
|
Анализировать url |
| nips.cc |
NeurIPS 2023
|
Анализировать url |
| cvpr2023.thecvf.com |
CVPR 2023
|
Анализировать url |
| cvpr2022.thecvf.com |
CVPR 2022
|
Анализировать url |
| iccv21-seai.github.io |
The 1st Workshop on Simulation Technology for Embodied AI
|
Анализировать url |
| iccv2021.thecvf.com |
ICCV 2021
|
Анализировать url |
| searchworks.stanford.edu |
PDF
|
Анализировать url |
| arxiv.org |
PDF
|
Анализировать url |
| zzk273.github.io |
Project
|
Анализировать url |
| github.com |
Code
|
Анализировать url |
| arxiv.org |
PDF
|
Анализировать url |
| pku-epic.github.io |
Project
|
Анализировать url |
| giraffeguan.github.io |
PDF
|
Анализировать url |
| giraffeguan.github.io |
Project
|
Анализировать url |
| arxiv.org |
PDF
|
Анализировать url |
| qizekun.github.io |
Project
|
Анализировать url |
| github.com |
Code
|
Анализировать url |
| openaccess.thecvf.com |
PDF
|
Анализировать url |
| janebek.github.io |
Project
|
Анализировать url |
| arxiv.org |
PDF
|
Анализировать url |
| gasaiyu.github.io |
Project
|
Анализировать url |
| github.com |
Code
|
Анализировать url |
| arxiv.org |
PDF
|
Анализировать url |
| meowuu7.github.io |
Project
|
Анализировать url |
| arxiv.org |
PDF
|
Анализировать url |
| qizekun.github.io |
Project
|
Анализировать url |
| arxiv.org |
PDF
|
Анализировать url |
| zzk273.github.io |
Project
|
Анализировать url |
| github.com |
Code
|
Анализировать url |
| arxiv.org |
PDF
|
Анализировать url |
| dexoravla.github.io |
Project
|
Анализировать url |
| github.com |
Code
|
Анализировать url |
| arxiv.org |
PDF
|
Анализировать url |
| motiontrans.github.io |
Project
|
Анализировать url |
| github.com |
Code
|
Анализировать url |
| huggingface.co |
Dataset
|
Анализировать url |
| arxiv.org |
PDF
|
Анализировать url |
| zzk273.github.io |
Project
|
Анализировать url |
| github.com |
Code
|
Анализировать url |
| arxiv.org |
PDF
|
Анализировать url |
| qizekun.github.io |
Project
|
Анализировать url |
| github.com |
Code
|
Анализировать url |
| arxiv.org |
PDF
|
Анализировать url |
| zhangwenyao1.github.io |
Project
|
Анализировать url |
| github.com |
Code
|
Анализировать url |
| arxiv.org |
PDF
|
Анализировать url |
| syncdiff.github.io |
Project
|
Анализировать url |
| arxiv.org |
PDF
|
Анализировать url |
| llada60.github.io |
Project
|
Анализировать url |
| arxiv.org |
PDF
|
Анализировать url |
| jiaweihe.com |
Project
|
Анализировать url |
| arxiv.org |
PDF
|
Анализировать url |
| egomono4d.github.io |
Project
|
Анализировать url |
| arxiv.org |
PDF
|
Анализировать url |
| liyitang22.github.io |
Project
|
Анализировать url |
| arxiv.org |
PDF
|
Анализировать url |
| core4d.github.io |
Project
|
Анализировать url |
| 1drv.ms |
Data
|
Анализировать url |
| github.com |
Code
|
Анализировать url |
| arxiv.org |
PDF
|
Анализировать url |
| youtube.com |
Video
|
Анализировать url |
| arxiv.org |
PDF
|
Анализировать url |
| github.com |
Code
|
Анализировать url |
| arxiv.org |
PDF
|
Анализировать url |
| partrm.c7w.tech |
Project
|
Анализировать url |
| huggingface.co |
Dataset&Models
|
Анализировать url |
| github.com |
Code
|
Анализировать url |
| arxiv.org |
PDF
|
Анализировать url |
| meowuu7.github.io |
Project
|
Анализировать url |
| github.com |
Code
|
Анализировать url |
| arxiv.org |
PDF
|
Анализировать url |
| hanlab.mit.edu |
Project
|
Анализировать url |
| github.com |
Code
|
Анализировать url |
| arxiv.org |
PDF
|
Анализировать url |
| yunzeliu.github.io |
Project
|
Анализировать url |
| arxiv.org |
PDF
|
Анализировать url |
| github.com |
Code
|
Анализировать url |
| arxiv.org |
PDF
|
Анализировать url |
| qizekun.github.io |
Project
|
Анализировать url |
| github.com |
Code
|
Анализировать url |
| arxiv.org |
PDF
|
Анализировать url |
| meowuu7.github.io |
Project
|
Анализировать url |
| github.com |
Code
|
Анализировать url |
| arxiv.org |
PDF
|
Анализировать url |
| zzk273.github.io |
Project
|
Анализировать url |
| arxiv.org |
PDF
|
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
Таким сайт ericyi.github.io видят поисковые системы. Процент оптимизации невысокий - 34%. Чтобы улучшить сайт и попасть в ТОП необходимо:
Исправьте ошибки в мета-тегах.
Исправьте ошибки оптимизации.
Исправьте ошибки индексации.
Поделитесь с друзьями: