Анализ страницы https://junha1125.github.io/artificial-intelligence/
Основное Готовность: 100%
Домен
junha1125.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 16.10.2026 8:42:18.
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
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.
Скорость загрузки
~0,20сек
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 0,20сек оптимальна.
Объем документа
52Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 52Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 6
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 6 достаточно.
Показать полный список ресурсов
| Тип | Название | Значение |
|---|---|---|
| stylesheet | /assets/css/hydejack-9.0.5.css | |
| stylesheet | /assets/icomoon/style.css | |
| stylesheet | https://fonts.googleapis.com/css?family=Roboto+Slab:700%7CNoto+Sans:400,400i,700,700i&display=swap | |
| js | /assets/bower_components/MathJax/es5/tex-mml-chtml.js | |
| js | module | /assets/js/hydejack-9.0.5.js |
| js | /assets/js/LEGACY-hydejack-9.0.5.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 | "642a4322-d545" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | 1E8C:0A46:34DF58:39267E:6A8A5F58 |
| x-github-edge-region | swedencentral |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sun, 23 Aug 2026 02:47:52 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-bma-essb1270061-BMA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787453273.854719,VS0,VE114 |
| Vary | Accept-Encoding |
| x-fastly-request-id | 342a4dfc4463b7df4b7a38bacee9977b01ef5930 |
CMS
Jekyll v3.9.3
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 v3.9.3.
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: 18%
Title
Artificial Intelligence | Just Do It And Then Some
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 уменьшить число символов в title (текущее значение: 50, оптимально: от 40 до 45)
Дублей словоформ в title не найдено.
Description
인공지능에 관련된 게시물을 업로드합니다.
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: 22, 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://junha1125.github.io/artificial-intelligence/
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
Есть критические ошибки
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 со значением noindex запрещает индексацию этой страницы. Срочно уберите этот мета-тег!
Адаптивность
width=device-width, initial-scale=1, maximum-scale=1, user-scalable=no
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».
Meta-тег viewport со значением user-scalable определяет доступность масштабирования страницы пользователем.
Meta-тег viewport со значением maximum-scale определяет максимальный масштаб области просмотра.
Разметка OpenGraph
Кол-во: 6
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 | Artificial Intelligence |
| og:locale | en |
| og:description | 인공지능에 관련된 게시물을 업로드합니다. |
| og:url | https://junha1125.github.io/artificial-intelligence/ |
| og:site_name | Just Do It And Then Some |
| og:type | article |
Все мета-теги
Кол-во: 21
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Найдены мета-теги 21шт. 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 | robots | noindex |
| name | generator | Jekyll v3.9.3 |
| name | author | <JunHa> <Song> |
| name | description | 인공지능에 관련된 게시물을 업로드합니다. |
| name | twitter:card | summary |
| name | viewport | width=device-width, initial-scale=1, maximum-scale=1, user-scalable=no |
| name | mobile-web-app-capable | yes |
| name | apple-mobile-web-app-capable | yes |
| name | apple-mobile-web-app-title | Just Do It And Then Some |
| name | apple-mobile-web-app-status-bar-style | default |
| name | application-name | Just Do It And Then Some |
| name | theme-color | rgb(25,55,71) |
| name | generator | Hydejack v9.0.5 |
| property | og:title | Artificial Intelligence |
| property | og:locale | en |
| property | og:description | 인공지능에 관련된 게시물을 업로드합니다. |
| property | og:url | https://junha1125.github.io/artificial-intelligence/ |
| property | og:site_name | Just Do It And Then Some |
| property | og:type | article |
| property | article:published_time | 2023-04-03T03:07:49+00:00 |
| property | twitter:title | Artificial Intelligence |
Оптимизация Готовность: 80%
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 в единственном экземпляре).
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 4 слишком мало. Добавьте больше абзацев с текстом (тег <p>)!
Среднее число слов в абзаце 8 слишком мало. Сделайте контент более читаемым!
Слова из title 8 встречаются в тексте достаточно.
Кол-во знаков контента 7624 на странице оптимально.
Кол-во слов 1131 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> 2. Это прекрасно.
На странице присутствуют заголовки <h2> 5. Это хорошо.
Тошнота
4,80
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 3. Измените текст страницы!
Академич. тошнота
8,75%
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 |
|---|---|---|
| papers | 23 | 2,03% |
| survey | 20 | 1,77% |
| segmentation | 17 | 1,50% |
| 【paper】 | 17 | 1,50% |
| advice | 14 | 1,24% |
| learning | 9 | 0,80% |
| domain | 8 | 0,71% |
| object | 7 | 0,62% |
| detection | 7 | 0,62% |
| 【detection】understanding | 7 | 0,62% |
| recent | 6 | 0,53% |
| 【python-module】 | 6 | 0,53% |
| opencv | 6 | 0,53% |
| self-supervised | 5 | 0,44% |
| adaptation | 5 | 0,44% |
| 【self】 | 5 | 0,44% |
| transformers | 5 | 0,44% |
| review | 4 | 0,35% |
| relative | 4 | 0,35% |
| pyramid | 4 | 0,35% |
Индексация Готовность: 100%
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 133 оптимально. Поисковые роботы обязательно проиндексируют сайт.
Robots.txt
Найден корректный robots.txt
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.
Robots.txt настроен корректно. Размер файла: 49 байт. Загружен за: 64мсек.
Проверяемая страница не запрещена в robots.txt.
Robots.txt доступен по постоянному адресу
Показать содержимое robots.txt
Sitemap: https://junha1125.github.io/sitemap.xml
Sitemap
Кол-во: 1
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 содержит карту сайта. Это прекрасно!
Robots.txt не содержит ошибок в карте сайта.
Показать карту сайта
| Url | Статус |
|---|---|
| https://junha1125.github.io/sitemap.xml |
|
Внутренние ссылки
Кол-во: 129
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.
На странице присутствуют внутренние ссылки с пустым анкором: 1!
Внутренних ссылок на странице 129 оптимально.
Внутренние ссылки не запрещены к индексации в robots.txt.
На странице присутствуют изображения 1.
Показать первые 100 внутренних ссылок
| Url | Анкор | Состояние |
|---|---|---|
| /blog/artificial-intelligence/2022-12-02-DG_Long/ |
<span>【Data】 Domain Generalization and Long-tailed dataset</span>
|
|
| /blog/artificial-intelligence/2022-04-24-TTAsegmentation/ |
<span>【Adaptation】 TTA papers in 2022 and Urban scene segmentation</span>
|
|
| /blog/artificial-intelligence/2022-04-23-panoptic/ |
<span>【Panoptic】 Domain adaptive panoptic segmentation</span>
|
|
| /blog/artificial-intelligence/2022-04-21-reid/ |
<span>【Recog】 Organization for Recognition tasks (Tracking 2 Re-ID)</span>
|
|
| /blog/artificial-intelligence/2022-04-18-LabOR/ |
<span>【SemiDA】 LabOR paper review</span>
|
|
| /blog/artificial-intelligence/2022-04-14-interactive_seg/ |
<span>【SeSL】 Details of Interactive segmentation & PseudoSeg</span>
|
|
| /blog/artificial-intelligence/2022-04-11-CLIP/ |
<span>【NLP2CV】 From NLP to Computer Vision</span>
|
|
| /blog/artificial-intelligence/2022-03-23-survey_ssl/ |
<span>【SSL】 Survey on Self-supervised learning</span>
|
|
| /blog/artificial-intelligence/2022-01-08-FLsurvey/ |
<span>【Federated】 Federated learning Brief Survey</span>
|
|
| /blog/artificial-intelligence/2021-12-08-Self-loss2/ |
<span>【DA】 Self-Loss methods 2 in DA & DG</span>
|
|
| /blog/artificial-intelligence/2021-11-19-Self-loss/ |
<span>【DA】 Self-Loss methods in DA & DG</span>
|
|
| /blog/artificial-intelligence/2021-11-17-Measurement_Shift/ |
<span>【Distribution】 Source-Free to Measurement Shift via Feature Restoration</span>
|
|
| /blog/artificial-intelligence/2021-11-14-ICLRreviews_cite_papers/ |
<span>【Writing】 Review refered papsers of ICLR papers</span>
|
|
| /blog/artificial-intelligence/2021-11-13-ICLRreviews/ |
<span>【Writing】 Review analaysis of ICLR papers</span>
|
|
| /blog/artificial-intelligence/2021-11-05-DGpapers7/ |
<span>【DG】 Survey DG papers 7 - recent papers</span>
|
|
| /blog/artificial-intelligence/2021-10-25-DGpapers6/ |
<span>【DG】 Survey DG papers 6 - recent papers</span>
|
|
| /blog/artificial-intelligence/2021-10-14-DGpapers5/ |
<span>【DG】 Survey DG papers 5 - recent papers</span>
|
|
| /blog/artificial-intelligence/2021-09-26-DGpapersList/ |
<span>【DG】 Survey DG Paper Reading list & Advice</span>
|
|
| /blog/artificial-intelligence/2021-09-13-DGpapers4/ |
<span>【DG】 Survey DG papers 4 - 8 recent papers</span>
|
|
| /blog/artificial-intelligence/2021-08-19-DGpapers3_5/ |
<span>【DG】 Survey DG papers 3.5 - recent papers</span>
|
|
| /blog/artificial-intelligence/2021-08-11-DGpapers3/ |
<span>【DG】 Survey DG papers 3 - recent papers</span>
|
|
| /blog/artificial-intelligence/2021-07-29-DGpapers2_5/ |
<span>【DG】 Survey DG papers 2.5 - RobustNet and relative papers</span>
|
|
| /blog/artificial-intelligence/2021-07-16-DGpapers2/ |
<span>【DG】 Survey DG papers 2 - RobustNet and relative papers</span>
|
|
| /blog/artificial-intelligence/2021-07-01-DGpapers1_5/ |
<span>【DG】 Survey DG papers 1.5 - IBN-net and Relative papers</span>
|
|
| /blog/artificial-intelligence/2021-06-24-DGpapers1/ |
<span>【DG】 Survey DG papers 1 - IBN-net and Relative papers</span>
|
|
| /blog/artificial-intelligence/2021-06-12-DGsurvey/ |
<span>【DG】 IntraDA & DG survey</span>
|
|
| /blog/artificial-intelligence/2021-06-12-DA+MoCo/ |
<span>【DA】 Self-supervised Augmentation Consistency for DA</span>
|
|
| /blog/artificial-intelligence/2021-06-07-Zero-refer-lowLight/ |
<span>【IE】 Zero-Reference or Low-Light Image Enhancement</span>
|
|
| /blog/artificial-intelligence/2021-06-04-HDRrecon/ |
<span>【HDR】 Single-Image HDR Reconstruction</span>
|
|
| /blog/artificial-intelligence/2021-06-03-CycleISP/ |
<span>【Denoising】 CycleISP- Real Image Restoration via Improved Data Synthesis</span>
|
|
| /blog/artificial-intelligence/2021-05-25-DHA-opencopundDA/ |
<span>【DA】 DHA-Open compound domain adaptation</span>
|
|
| /blog/artificial-intelligence/2021-05-22-RobustNet/ |
<span>【DG】 RobustNet- Improving Domain Generalization</span>
|
|
| /blog/artificial-intelligence/2021-05-09-DualAtten&ScaleAware/ |
<span>【Attention】 Dual-attention & Scale-aware for segmentation</span>
|
|
| /blog/artificial-intelligence/2021-05-08-3SimSiam/ |
<span>【Self】 Self-supervised learning 3 - SimSiam</span>
|
|
| /blog/artificial-intelligence/2021-05-08-2SaAV/ |
<span>【Self】 Self-supervised learning 2 - SwAV</span>
|
|
| /blog/artificial-intelligence/2021-05-08-1MoCo/ |
<span>【Self】 Self-supervised learning 1 - MoCo</span>
|
|
| /blog/artificial-intelligence/2021-05-06-selfsup_ProxyContrastive/ |
<span>【Self】 Contrastive and Proxy Task</span>
|
|
| /blog/artificial-intelligence/2021-05-04-SimCLR/ |
<span>【Self】 Contrastive-learning based - SimCLR</span>
|
|
| /blog/artificial-intelligence/2021-04-27-Sparse-R-CNN/ |
<span>【Detection】Sparse R -CNN-End-to-End Object Detection with Learnable Proposals</span>
|
|
| /blog/artificial-intelligence/2021-04-26-RepVGG/ |
<span>【RepVGG】 RepVGG- Making VGG style ConvNets Great Again</span>
|
|
| /blog/artificial-intelligence/2021-04-14-DeiT/ |
<span>【Transformer】DeiT-Training data-efficient image transformers & distillation</span>
|
|
| /blog/artificial-intelligence/2021-04-13-BYOL/ |
<span>【Self】Self-Supervised-Learning & BYOL(Bootstrap Your Own Latent)</span>
|
|
| /blog/artificial-intelligence/2021-04-11-ADVENT/ |
<span>【DA】ADVENT-Entropy Minimization for DA</span>
|
|
| /blog/artificial-intelligence/2021-04-10-VideoTransformer/ |
<span>【Transformer+Video】VisTR & TrackFormer & 3D conv</span>
|
|
| /blog/artificial-intelligence/2021-04-10-AdapSeg/ |
<span>【DA】AdaptSegNet-Learning to Adapt Structured Output Space</span>
|
|
| /blog/artificial-intelligence/2021-04-04-PVF/ |
<span>【Transformer】Pyramid Vision Transformer</span>
|
|
| /blog/artificial-intelligence/2021-04-02-ProDA/ |
<span>【DA】ProDA -Prototypical Pseudo Label Denoising by Microsoft</span>
|
|
| /blog/artificial-intelligence/2021-04-01-DAusingWeakLabels/ |
<span>【DA】Domain Adaptive Semantic Segmentation Using Weak Labels</span>
|
|
| /blog/artificial-intelligence/2021-03-26-PreTrained-Transformer/ |
<span>【Transformer】Pre-Trained Image Processing Transformer</span>
|
|
| /blog/artificial-intelligence/2021-03-25-T2T/ |
<span>【Detection】Tokens-to-Token ViT</span>
|
|
| /blog/artificial-intelligence/2021-03-24-FeaturePyramidT/ |
<span>【Detection】Feature Pyramid Transformer</span>
|
|
| /blog/artificial-intelligence/2021-03-23-BottleNetTransformer/ |
<span>【Detection】Bottleneck Transformers for Visual Recognition</span>
|
|
| /blog/artificial-intelligence/2021-03-18-RethinkingSemacticSeg/ |
<span>【Se-Segmen】Rethinking Semantic Segmentation with Transformers</span>
|
|
| /blog/artificial-intelligence/2021-03-14-AxialDeepLab/ |
<span>【Pa-Segmen】Axial-DeepLab - Stand-Alone Axial-Attention</span>
|
|
| /blog/artificial-intelligence/2021-03-13-NoisyStudent/ |
<span>【Self】Self-training with Noisy Student improves ImageNet classification</span>
|
|
| /blog/artificial-intelligence/2021-03-12-DeformableDETR/ |
<span>【Transformer+OD】Deformable DETR w/ advice</span>
|
|
| /blog/artificial-intelligence/2021-03-11-TridentNet/ |
<span>【Detection】TridentNet - Scale-Aware Trident Networks for Object Detection</span>
|
|
| /blog/artificial-intelligence/2021-03-10-BlendMask/ |
<span>【In-Segmen】BlendMask - Top-Down Meets Bottom-Up w/ my advice</span>
|
|
| /blog/artificial-intelligence/2021-03-09-MaskScore/ |
<span>【In-Segmen】Mask Scoring R-CNN & YOLACT++</span>
|
|
| /blog/artificial-intelligence/2021-03-07-CenterMask/ |
<span>【In-Segmen】CenterMask - Real-Time Anchor-Free Instance Segmentation</span>
|
|
| /blog/artificial-intelligence/2021-03-06-FCOS/ |
<span>【Detection】FCOS - Fully Convolutional One-Stage Object Detection</span>
|
|
| /blog/artificial-intelligence/2021-03-05-YOLACT/ |
<span>【In-Segmen】YOLACT - Real-time Instance Segmentation w/ my advice</span>
|
|
| /blog/artificial-intelligence/2021-03-04-AllyouneedAttention/ |
<span>【Transformer】Attention Is All You Need 공부 필기</span>
|
|
| /blog/artificial-intelligence/2021-03-03-DERT/ |
<span>【Transformer+OD】DETR-End-to-End Object Detection with Transformers w/ my advice</span>
|
|
| /blog/artificial-intelligence/2021-03-02-16x16_Transformer/ |
<span>【Transformer】An Image is worth 16x16 words - Image Transformers</span>
|
|
| /blog/artificial-intelligence/2021-02-19-MOTS/ |
<span>【MOT】MOTS - Multi-Object Tracking and Segmentation</span>
|
|
| /blog/artificial-intelligence/2021-02-17-reID_Survey/ |
<span>【Re-ID】Person Re-identification A Survey and Outlook w/ my advice</span>
|
|
| /blog/artificial-intelligence/2021-02-16-FSAF/ |
<span>【Detection】FSAF Module for Single-Shot Object Detection w/ code + my advice</span>
|
|
| /blog/artificial-intelligence/2021-02-13-threeDimentionOD/ |
<span>【3D-Detect】A Survey on 3D object-detection for self-driving</span>
|
|
| /blog/artificial-intelligence/2021-02-10-EfficentNet/ |
<span>【LightWeight】Understanding EfficientNet+EfficientDet paper w/ code</span>
|
|
| /blog/artificial-intelligence/2021-02-09-NASNet/ |
<span>【LightWeight】Understanding MnasNet+NAS-FPN from youtube w/ code</span>
|
|
| /blog/artificial-intelligence/2021-02-08-YoloV4withCode/ |
<span>【Detection】Understanding YOLOv4 paper w/ code, my advice</span>
|
|
| /blog/artificial-intelligence/2021-02-07-MobileNet3_youtube/ |
<span>【LightWeight】Understanding DenseNet, MobileNet V3 from youtube w/ advice</span>
|
|
| /blog/artificial-intelligence/2021-02-06-MobileNet_youtube/ |
<span>【LightWeight】Understanding Xception, MobileNet V1,V2 from youtube w/ advice</span>
|
|
| /blog/artificial-intelligence/2021-02-05-M2DetwithCode/ |
<span>【Detection】Understanding M2Det paper w/ code, my advice</span>
|
|
| /blog/artificial-intelligence/2021-02-04-CascadeRCNNwithCode/ |
<span>【Detection】Understanding Cascade R-CNN paper with code</span>
|
|
| /blog/artificial-intelligence/2021-02-03-RefineDetwithCode/ |
<span>【Detection】Understanding RefineDet paper with code</span>
|
|
| /blog/artificial-intelligence/2021-02-02-Yolo3withCode/ |
<span>【Detection】Understanding YOLOv3 paper without code</span>
|
|
| /blog/artificial-intelligence/2021-02-01-RetinaNetwithCode/ |
<span>【Detection】Understanding RetinaNet paper with code</span>
|
|
| /blog/artificial-intelligence/2021-01-30-MaskRCNNwithCode/ |
<span>【In-Segmen】Understanding Mask-RCNN(+RPN) paper with code</span>
|
|
| /blog/artificial-intelligence/2021-01-29-SSDwithCode/ |
<span>【Detection】Understanding SSD paper with code w/ my advice</span>
|
|
| /blog/artificial-intelligence/2021-01-26-Large-Scale-Long-Tailed/ |
<span>【ClassBlance】Large-Scale Long-Tailed Recognition in an Open World = OLTR w/ advice</span>
|
|
| /blog/artificial-intelligence/2021-01-22-AdversarialDiscriminativeDomainAdaptation/ |
<span>【Domain】Adversarial Discriminative Domain Adaptation = ADDA</span>
|
|
| /blog/artificial-intelligence/2021-01-21-OpenCompoundDomainAdaptation/ |
<span>【Domain】Open Compound Domain Adaptation</span>
|
|
| /blog/artificial-intelligence/2021-01-20-Two-phasePseudoLabeDensification/ |
<span>【Domain】Two-phase Pseudo Label based Domain Adaptation</span>
|
|
| /blog/artificial-intelligence/2021-01-19-TheDevilintheBoundary/ |
<span>【segmentation】The Devil Boundary for Instance Segmentation w/ advice</span>
|
|
| /blog/artificial-intelligence/2021-01-17-Attention/ |
<span>【Attention】Attention Mechanism Overveiw</span>
|
|
| /blog/artificial-intelligence/2021-01-16-domain-adaptation/ |
<span>【Domain-Adaptation】Deep Domain Adaptation Basics</span>
|
|
| /blog/artificial-intelligence/2021-01-15-Self-supervise/ |
<span>【Self-Supervise】 Self-Supervised-Learning Basics</span>
|
|
| /blog/artificial-intelligence/2021-01-14-survey-ObjectDetection/ |
<span>【Paper】 Deep Learning for Generic Object Detection, A Survey - Summary</span>
|
|
| /blog/artificial-intelligence/2021-01-14-CBAM/ |
<span>【Paper】 convolutional Block Attention Module - Paper Summary</span>
|
|
| /blog/artificial-intelligence/2020-09-01-2OpencvMask/ |
<span>【Python-Module】 Mask-RCNN 수행하기 - OpenCV DNN 모듈</span>
|
|
| /blog/artificial-intelligence/2020-09-01-1mask-rcnn/ |
<span>【Paper】 Mask R-CNN 논문 핵심 정리</span>
|
|
| /blog/artificial-intelligence/2020-08-23-RetinaNet/ |
<span>【Paper】 RetinaNet - Focal Loss, FPN</span>
|
|
| /blog/artificial-intelligence/2020-08-19-YOLO_OpenCV_DNN/ |
<span>【Python-Module】 YOLO 수행하기 - OpenCV DNN 모듈</span>
|
|
| /blog/artificial-intelligence/2020-08-18-YOLO/ |
<span>【Paper】 YOLO (You Only Live Once) V1 V2 V3 핵심정리</span>
|
|
| /blog/artificial-intelligence/2020-08-16-SSD2OpenCV/ |
<span>【Python-Module】 SSD 수행하기 - OpenCV DNN 모듈</span>
|
|
| /blog/artificial-intelligence/2020-08-16-SSD/ |
<span>【Paper】 SSD(SIngle Shot Multibox Detector)</span>
|
|
| /blog/artificial-intelligence/2020-08-15-2OpenCVcode/ |
<span>【Python-Module】 Faster RCNN 수행하기 - OpenCV DNN 모듈</span>
|
|
| /blog/artificial-intelligence/2020-08-15-1FastRCNN/ |
<span>【Paper】 Faster RCNN 개념 정리 + OpenCV DNN 모듈 기본</span>
|
|
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 |
<span class="icon-github"></span> <span class="sr-only">GitHub</span>
|
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://junha1125.github.io/artificial-intelligence/ готова к продвижению на 74%. Чтобы еще улучшить страницу и попасть на первые места поисковой выдачи необходимо:
Исправьте ошибки в мета-тегах.
Поделитесь с друзьями: