Анализ страницы https://corlconf.github.io/corl2020/
Основное Готовность: 100%
Домен
corlconf.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.
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.
На сайте работает защищенный протокол ssl и сайт открывается по https.
Ssl-сертификат действителен до 15.10.2026 7:25:06.
Включён HSTS (Strict-Transport-Security) — защита от подмены на http.
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
en-US
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 документа указан явно: en-US.
Скорость загрузки
~0,32сек
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 0,32сек оптимальна.
Объем документа
37Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 37Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 5
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 5 достаточно.
Показать полный список ресурсов
| Тип | Название | Значение |
|---|---|---|
| stylesheet | https://corlconf.github.io/corl2020/assets/css/just-the-docs-light.css | |
| stylesheet | https://corlconf.github.io/corl2020/assets/css/custom.css | |
| stylesheet | https://maxcdn.bootstrapcdn.com/font-awesome/4.7.0/css/font-awesome.min.css | |
| js | text/javascript | https://corlconf.github.io/corl2020/assets/js/vendor/lunr.min.js |
| js | text/javascript | https://corlconf.github.io/corl2020/assets/js/just-the-docs.js |
Серверные заголовки
Кол-во: 18
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 18шт. Подробнее про серверные заголовки.
Показать полный список серверных заголовков
| Ключ | Значение |
|---|---|
| Server | GitHub.com |
| Access-Control-Allow-Origin | * |
| Strict-Transport-Security | max-age=31556952 |
| ETag | "60b6afe1-9580" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | 43E0:9FC9E:3C2D37A:3CB13D7:6A8AA6FE |
| x-github-edge-region | fra |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sun, 23 Aug 2026 07:53:34 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-fra-eddf8230193-FRA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787471614.192725,VS0,VE105 |
| Vary | Accept-Encoding |
| x-fastly-request-id | ce4a7c7666c483b25a22a24b8ae4ac68af3a266c |
CMS
Jekyll v3.9.0
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.
В мета-теге generator указано: Jekyll v3.9.0.
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: 48%
Title
Home - CoRL 2020 Papers
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: 23, минимум: 25, оптимально: от 40 до 45)
Дублей словоформ в title не найдено.
Description
Publications accepted to CoRL 2020.
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: 35, 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
https://corlconf.github.io/corl2020/
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.
Канонический Url прописан корректно.
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
width=device-width, initial-scale=1
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 со значением-константой width=device-width задаёт ширину страницы в соответствии с размером экрана.
Meta-тег viewport со значением initial-scale=1.0 определяет масштаб 1:1, т.е. «не масштабировать».
Разметка OpenGraph
Кол-во: 5
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 задана. Страница оптимизирована под социальные сети.
Показать полный список og мета-тегов
| Тип | Значение |
|---|---|
| og:title | Home |
| og:locale | en_US |
| og:description | Publications accepted to CoRL 2020. |
| og:url | https://corlconf.github.io/corl2020/ |
| og:site_name | CoRL 2020 Papers |
Все мета-теги
Кол-во: 10
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Найдены мета-теги 10шт. 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 | viewport | width=device-width, initial-scale=1 |
| name | generator | Jekyll v3.9.0 |
| name | description | Publications accepted to CoRL 2020. |
| name | twitter:card | summary |
| property | og:title | Home |
| property | og:locale | en_US |
| property | og:description | Publications accepted to CoRL 2020. |
| property | og:url | https://corlconf.github.io/corl2020/ |
| property | og:site_name | CoRL 2020 Papers |
| property | twitter:title | Home |
Оптимизация Готовность: 70%
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.
Абзацев с текстом 5 слишком мало. Добавьте больше абзацев с текстом (тег <p>)!
Среднее число слов в абзаце 7 слишком мало. Сделайте контент более читаемым!
Слова из title 3 встречаются в тексте достаточно.
Кол-во знаков контента 12515 на странице оптимально.
Кол-во слов 1487 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.
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
6,05%
Насколько текст перенасыщен ключевыми словами
?
Академическая тошнота = (частота слова / общее количество слов) × 100%. Показывает долю конкретного слова в тексте. Норма 5–15%.
Академическая тошнота страницы в пределах нормы.
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 |
|---|---|---|
| learning | 93 | 6,25% |
| reinforcement | 23 | 1,55% |
| control | 16 | 1,08% |
| planning | 13 | 0,87% |
| manipulation | 12 | 0,81% |
| visual | 11 | 0,74% |
| robotic | 10 | 0,67% |
| trajectory | 9 | 0,61% |
| prediction | 9 | 0,61% |
| object | 9 | 0,61% |
| self-supervised | 9 | 0,61% |
| navigation | 9 | 0,61% |
| motion | 8 | 0,54% |
| imitation | 7 | 0,47% |
| representations | 7 | 0,47% |
| autonomous | 7 | 0,47% |
| network | 6 | 0,40% |
| dynamics | 6 | 0,40% |
| robust | 6 | 0,40% |
| policy | 6 | 0,40% |
Индексация Готовность: 10%
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 179 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: 171
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 171 слишком много. Проведите оптимизацию сайта!
Показать первые 100 внутренних ссылок
| Url | Анкор | Состояние |
|---|---|---|
| /corl2020/ |
CoRL 2020 Papers
|
|
| /corl2020/all |
All Papers
|
|
| /corl2020/monday |
Monday
|
|
| /corl2020/paper_374/ |
3D-OES: Viewpoint-Invariant Object-Factorized Environment Simulators
|
|
| /corl2020/paper_25/ |
Augmenting GAIL with BC for sample efficient imitation learning
|
|
| /corl2020/paper_481/ |
Chaining Behaviors from Data with Model-Free Reinforcement Learning
|
|
| /corl2020/paper_36/ |
CoT-AMFlow: Adaptive Modulation Network with Co-Teaching Strategy for Unsupervised Optical Flow Estimation
|
|
| /corl2020/paper_506/ |
ContactNets: Learning Discontinuous Contact Dynamics with Smooth, Implicit Representations
|
|
| /corl2020/paper_420/ |
Deep Latent Competition: Learning to Race Using Visual Control Policies in Latent Space
|
|
| /corl2020/paper_530/ |
Deep Phase Correlation for End-to-End Heterogeneous Sensor Measurements Matching
|
|
| /corl2020/paper_439/ |
Deep Reactive Planning in Dynamic Environments
|
|
| /corl2020/paper_482/ |
Differentiable Logic Layer for Rule Guided Trajectory Prediction
|
|
| /corl2020/paper_415/ |
Diverse Plausible Shape Completions from Ambiguous Depth Images
|
|
| /corl2020/paper_417/ |
Few-shot Object Grounding and Mapping for Natural Language Robot Instruction Following
|
|
| /corl2020/paper_248/ |
Generation of Realistic Images for Learning in Simulation using FeatureGAN
|
|
| /corl2020/paper_329/ |
Generative adversarial training of product of policies for robust and adaptive movement primitives
|
|
| /corl2020/paper_496/ |
Harnessing Distribution Ratio Estimators for Learning Agents with Quality and Diversity
|
|
| /corl2020/paper_135/ |
High Acceleration Reinforcement Learning for Real-World Juggling with Binary Rewards
|
|
| /corl2020/paper_239/ |
IV-SLAM: Introspective Vision for Simultaneous Localization and Mapping
|
|
| /corl2020/paper_149/ |
Keypoints into the Future: Self-Supervised Correspondence in Model-Based Reinforcement Learning
|
|
| /corl2020/paper_59/ |
Learning Object Manipulation Skills via Approximate State Estimation from Real Videos
|
|
| /corl2020/paper_503/ |
Learning Predictive Models for Ergonomic Control of Prosthetic Devices
|
|
| /corl2020/paper_285/ |
Learning Trajectories for Visual-Inertial System Calibration via Model-based Heuristic Deep Reinforcement Learning
|
|
| /corl2020/paper_187/ |
Learning a Contact-Adaptive Controller for Robust, Efficient Legged Locomotion
|
|
| /corl2020/paper_4/ |
Learning a Decision Module by Imitating Driver’s Control Behaviors
|
|
| /corl2020/paper_385/ |
Learning a natural-language to LTL executable semantic parser for grounded robotics
|
|
| /corl2020/paper_346/ |
Learning an Expert Skill-Space for Replanning Dynamic Quadruped Locomotion over Obstacles
|
|
| /corl2020/paper_176/ |
Learning to Compose Hierarchical Object-Centric Controllers for Robotic Manipulation
|
|
| /corl2020/paper_296/ |
Map-Adaptive Goal-Based Trajectory Prediction
|
|
| /corl2020/paper_101/ |
Modeling Long-horizon Tasks as Sequential Interaction Landscapes
|
|
| /corl2020/paper_416/ |
Multiagent Rollout and Policy Iteration for POMDP with Application to Multi-Robot Repair Problems
|
|
| /corl2020/paper_65/ |
PLOP: Probabilistic poLynomial Objects trajectory Prediction for autonomous driving
|
|
| /corl2020/paper_195/ |
Planning Paths Through Unknown Space by Imagining What Lies Therein
|
|
| /corl2020/paper_340/ |
Policy learning in SE(3) action spaces
|
|
| /corl2020/paper_215/ |
ROLL: Visual Self-Supervised Reinforcement Learning with Object Reasoning
|
|
| /corl2020/paper_134/ |
Range Conditioned Dilated Convolutions for Scale Invariant 3D Object Detection
|
|
| /corl2020/paper_440/ |
Reactive motion planning with probabilisticsafety guarantees
|
|
| /corl2020/paper_58/ |
Reconfigurable Voxels: A New Representation for LiDAR-Based Point Clouds
|
|
| /corl2020/paper_89/ |
Recovering and Simulating Pedestrians in the Wild
|
|
| /corl2020/paper_178/ |
Relational Learning for Skill Preconditions
|
|
| /corl2020/paper_526/ |
Robust Policies via Mid-Level Visual Representations: An Experimental Study in Manipulation and Navigation
|
|
| /corl2020/paper_478/ |
S3CNet: A Sparse Semantic Scene Completion Network for LiDAR Point Clouds
|
|
| /corl2020/paper_53/ |
SMARTS: An Open-Source Scalable Multi-Agent RL Training School for Autonomous Driving
|
|
| /corl2020/paper_348/ |
Same Object, Different Grasps: Data and Semantic Knowledge for Task-Oriented Grasping
|
|
| /corl2020/paper_217/ |
Sample-efficient Cross-Entropy Method for Real-time Planning
|
|
| /corl2020/paper_464/ |
Self-Supervised 3D Keypoint Learning for Ego-Motion Estimation
|
|
| /corl2020/paper_219/ |
Sim2Real Transfer for Deep Reinforcement Learning with Stochastic State Transition Delays
|
|
| /corl2020/paper_182/ |
Social-VRNN: One-Shot Multi-modal Trajectory Prediction for Interacting Pedestrians
|
|
| /corl2020/paper_396/ |
Soft Multicopter Control Using Neural Dynamics Identification
|
|
| /corl2020/paper_282/ |
Stein Variational Model Predictive Control
|
|
| /corl2020/paper_50/ |
Task-Relevant Adversarial Imitation Learning
|
|
| /corl2020/paper_297/ |
The RobotSlang Benchmark: Dialog-guided Robot Localization and Navigation
|
|
| /corl2020/paper_153/ |
Transporter Networks: Rearranging the Visual World for Robotic Manipulation
|
|
| /corl2020/paper_205/ |
Universal Embeddings for Spatio-Temporal Tagging of Self-Driving Logs
|
|
| /corl2020/paper_427/ |
Unsupervised Monocular Depth Learning in Dynamic Scenes
|
|
| /corl2020/paper_166/ |
Untangling Dense Knots by Learning Task-Relevant Keypoints
|
|
| /corl2020/paper_359/ |
Volumetric Grasping Network: Real-time 6 DOF Grasp Detection in Clutter
|
|
| /corl2020/paper_111/ |
f-IRL: Inverse Reinforcement Learning via State Marginal Matching
|
|
| /corl2020/tuesday |
Tuesday
|
|
| /corl2020/paper_358/ |
A Long Horizon Planning Framework for Manipulating Rigid Pointcloud Objects
|
|
| /corl2020/paper_426/ |
ACNMP: Skill Transfer and Task Extrapolation through Learning from Demonstration and Reinforcement Learning via Representation Sharing
|
|
| /corl2020/paper_49/ |
Action-based Representation Learning for Autonomous Driving
|
|
| /corl2020/paper_158/ |
Assisted Perception: Optimizing Observations to Communicate State
|
|
| /corl2020/paper_84/ |
Attention-Privileged Reinforcement Learning
|
|
| /corl2020/paper_487/ |
Attentional Separation-and-Aggregation Network for Self-supervised Depth-Pose Learning in Dynamic Scenes
|
|
| /corl2020/paper_428/ |
BayesRace: Learning to race autonomously using prior experience
|
|
| /corl2020/paper_23/ |
CAMPs: Learning Context-Specific Abstractions for Efficient Planning in Factored MDPs
|
|
| /corl2020/paper_350/ |
DIRL: Domain-Invariant Representation Learning for Sim-to-Real Transfer
|
|
| /corl2020/paper_18/ |
DROGON: A Trajectory Prediction Model based on Intention-Conditioned Behavior Reasoning
|
|
| /corl2020/paper_450/ |
Deep Reinforcement Learning with Population-Coded Spiking Neural Network for Continuous Control
|
|
| /corl2020/paper_448/ |
DeepMPCVS: Deep Model Predictive Control for Visual Servoing
|
|
| /corl2020/paper_268/ |
EXI-Net: EXplicitly/Implicitly Conditioned Network for Multiple Environment Sim-to-Real Transfer
|
|
| /corl2020/paper_250/ |
Flightmare: A Flexible Quadrotor Simulator
|
|
| /corl2020/paper_28/ |
From pixels to legs: Hierarchical learning of quadruped locomotion
|
|
| /corl2020/paper_47/ |
GDN: A Coarse-To-Fine (C2F) Representation for End-To-End 6-DoF Grasp Detection
|
|
| /corl2020/paper_140/ |
Guaranteeing Safety of Learned Perception Modules via Measurement-Robust Control Barrier Functions
|
|
| /corl2020/paper_249/ |
Incremental learning of EMG-based control commands using Gaussian Processes
|
|
| /corl2020/paper_147/ |
Interactive Imitation Learning in State-Space
|
|
| /corl2020/paper_6/ |
Inverting the Pose Forecasting Pipeline with SPF2: Sequential Pointcloud Forecasting for Sequential Pose Forecasting
|
|
| /corl2020/paper_112/ |
Iterative Semi-parametric Dynamics Model Learning For Autonomous Racing
|
|
| /corl2020/paper_35/ |
Learning 3D Dynamic Scene Representations for Robot Manipulation
|
|
| /corl2020/paper_347/ |
Learning Certified Control Using Contraction Metric
|
|
| /corl2020/paper_198/ |
Learning Dexterous Manipulation from Suboptimal Experts
|
|
| /corl2020/paper_515/ |
Learning Equality Constraints for Motion Planning on Manifolds
|
|
| /corl2020/paper_351/ |
Learning Hierarchical Task Networks with Preferences from Unannotated Demonstrations
|
|
| /corl2020/paper_293/ |
Learning Hybrid Control Barrier Functions from Data
|
|
| /corl2020/paper_128/ |
Learning Latent Representations to Influence Multi-Agent Interaction
|
|
| /corl2020/paper_70/ |
Learning Obstacle Representations for Neural Motion Planning
|
|
| /corl2020/paper_290/ |
Learning Stability Certificates from Data
|
|
| /corl2020/paper_454/ |
Learning Vision-based Reactive Policies for Obstacle Avoidance
|
|
| /corl2020/paper_281/ |
Learning from Suboptimal Demonstration via Self-Supervised Reward Regression
|
|
| /corl2020/paper_108/ |
Learning hierarchical relationships for object-goal navigation
|
|
| /corl2020/paper_424/ |
Learning to Improve Multi-Robot Hallway Navigation
|
|
| /corl2020/paper_245/ |
Learning to Walk in the Real World with Minimal Human Effort
|
|
| /corl2020/paper_17/ |
LiRaNet: End-to-End Trajectory Prediction using Spatio-Temporal Radar Fusion
|
|
| /corl2020/paper_499/ |
MATS: An Interpretable Trajectory Forecasting Representation for Planning and Control
|
|
| /corl2020/paper_130/ |
Motion Planner Augmented Reinforcement Learning for Robot Manipulation in Obstructed Environments
|
|
| /corl2020/paper_516/ |
Multi-Level Structure vs. End-to-End-Learning in High-Performance Tactile Robotic Manipulation
|
|
| /corl2020/paper_392/ |
MultiPoint: Cross-spectral registration of thermal and optical aerial imagery
|
|
| /corl2020/paper_86/ |
One Thousand and One Hours: Self-driving Motion Prediction Dataset
|
|
Внешние ссылки
Кол-во: 1
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 1 оптимально.
Показать внешние ссылки
| Url | Анкор |
|---|---|
| github.com |
Just the Docs
|
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
Страница https://corlconf.github.io/corl2020/ готова к продвижению на 57%. Чтобы еще улучшить страницу и попасть на первые места поисковой выдачи необходимо:
Исправьте ошибки в мета-тегах.
Исправьте ошибки индексации.
Поделитесь с друзьями: