Анализ страницы https://kywang.github.io/pubs.html
Основное Готовность: 75%
Домен
kywang.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.
Не настроен HSTS (Strict-Transport-Security) — рекомендуется включить.
На сайте работает защищенный протокол ssl и сайт открывается по https.
Ssl-сертификат действителен до 09.01.2027 2:59:59.
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
~0,35сек
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 0,35сек оптимальна.
Объем документа
53Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 53Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 2
Внешние ресурсы страницы (CSS, JS, изображения)
?
Количество и тип подключённых ресурсов влияют на скорость загрузки. Большое число запросов увеличивает время рендеринга страницы.
В одном из файлов ресурсов встречается путь без https. Все подгружаемые файлы ресурсов должны открываться по защищенному протоколу ssl/https!
Кол-во файлов ресурсов 2 достаточно.
Показать полный список ресурсов
| Тип | Название | Значение |
|---|---|---|
| stylesheet | text/css | http://fonts.googleapis.com/css?family=Open+Sans |
| stylesheet | text/css | homepage.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 | "6a53984d-d5f5" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | 37C2:12CAF9:2333A1D:237F974:6A89CB9A |
| x-github-edge-region | fra |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sat, 22 Aug 2026 16:17:30 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-fra-eddf8230055-FRA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787415450.381786,VS0,VE124 |
| Vary | Accept-Encoding |
| x-fastly-request-id | 34cb771c7828f6f01d369ec5e4f52ec6e1b8de31 |
CMS
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.
Сайт работает на CMS WordPress.
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
Publications
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
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: 0%
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.
Слова из title 1 встречаются в тексте редко. Добавьте в контент страницы слова из тега <title>!
Абзацев с текстом 0 слишком мало. Добавьте больше абзацев с текстом (тег <p>)!
Среднее число слов в абзаце 0 слишком мало. Сделайте контент более читаемым!
Кол-во знаков контента 37289 на странице оптимально.
Кол-во слов 5465 на странице оптимально.
Заголовки
Есть ошибки
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.
Не обнаружено заголовков на странице. Добавьте заголовки (<h1>, <h2> или <h3>)
Тошнота
10,68
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
2,42%
Насколько текст перенасыщен ключевыми словами
?
Академическая тошнота = (частота слова / общее количество слов) × 100%. Показывает долю конкретного слова в тексте. Норма 5–15%.
Академическая тошнота не дотягивает до нормы 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 |
|---|---|---|
| conference | 114 | 2,09% |
| vision | 78 | 1,43% |
| computer | 62 | 1,13% |
| learning | 58 | 1,06% |
| international | 53 | 0,97% |
| recognition | 47 | 0,86% |
| pattern | 32 | 0,59% |
| mrigank | 27 | 0,49% |
| rochan | 27 | 0,49% |
| machine | 25 | 0,46% |
| zhixiang | 22 | 0,40% |
| adaptation | 21 | 0,38% |
| test-time | 19 | 0,35% |
| object | 19 | 0,35% |
| linwei | 19 | 0,35% |
| processing | 18 | 0,33% |
| segmentation | 17 | 0,31% |
| systems | 17 | 0,31% |
| transactions | 17 | 0,31% |
| detection | 17 | 0,31% |
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 225 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: 83
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 83 оптимально.
Показать внутренние ссылки
| Url | Анкор | Состояние |
|---|---|---|
| / |
DA-MergeLoRA: Hypernetwork-Based LoRA Merging for Few-Shot Test-Time Domain Adaptation
|
|
| / |
No Adaptation without Observation: Observability-Constrained Test-Time Prompt Tuning for LiDAR Semantic Segmentation
|
|
| / |
SpatialNBV: Spatial Distribution and Occlusion Aware Next-Best-View Planning for RGB-Only 3D Reconstruction
|
|
| / |
HierT2S: Enhancing Part-Level Text-to-Shape Generation via Hierarchical Structure Modeling
|
|
| / |
V2X-TTA: Meta-Auxiliary Test-Time Adaptation for Sim2Real V2X Cooperative Perception
|
|
| / |
ProtoAug: Prototype-Guided Uncertainty-Aware Augmentation for Long-Tail Motion Prediction
|
|
| / |
Dynamic Neural Graph Encoding of Inference Processes in Deep Weight Space
|
|
| / |
ETR: Entropy Trend Reward for Efficient Chain-of-Thought Reasoning
|
|
| / |
RecTTA: Reconstruction-based
Test-Time Adaptation for Robust Human Trajectory Prediction
|
|
| / |
An Empirical Study of Self-Supervised Pretraining in X-ray Security Screening
|
|
| / |
Controllable Diffusion-based Data Augmentation for X-ray Object Detection
|
|
| / |
Few-Shot Adaptation of CLIP for Security X-Ray Image Analysis: An Empirical Study
|
|
| / |
Robust Multimodal Crowd Counting with Modality Reconfigurability
|
|
| / |
Bridging the Modality Gap in Compositional Zero-Shot Learning via Sparse Alignment and Unimodal Memory Bank
|
|
| / |
RDFace: A Benchmark Dataset for Rare Disease Facial Image Analysis under Extreme Data Scarcity and Phenotype-Aware Synthetic Generation
|
|
| / |
TALON: Test-time Adaptive Learning for On-the-Fly Category Discovery
|
|
| / |
Widget2Code: From Visual Widgets to UI Code via Multimodal LLMs.
|
|
| / |
Learning through Creation: A Hash-Free Framework for On-the-Fly Category Discovery
|
|
| / |
FACT-GS: Frequency-Aligned Complexity-Aware Texture Reparameterization for 2D Gaussian Splatting
|
|
| / |
Test-time Adaptation for 3D Human Pose and Shape Estimation
|
|
| / |
Task Consistent Prototype Learning for Incremental Few-shot Semantic Segmentation
|
|
| / |
Privacy-Preserving Learning via Data and Knowledge Distillation
|
|
| / |
Black-Box Attribute Inference Protection With Adversarial Reprogramming
|
|
| / |
Dynamic Transfer for Domain Adaptation in Crowd Counting
|
|
| / |
Few-Shot Personality-Specific Image Captioning via Meta-Learning
|
|
| /pdf/DASS22.pdf |
PDF
|
|
| / |
Feasibility Study of Stress Detection with Machine Learning through EDA from Wearable Devices
|
|
| /pdf/ICC22.pdf |
PDF
|
|
| / |
Hierarchical Deep Learning Model with Inertial and Physiological Sensors Fusion for Wearable-based Human Activity Recognition
|
|
| /pdf/ICASSP22.pdf |
PDF
|
|
| /pdf/tcsvt22_gaze.pdf |
PDF
|
|
| /pdf/tmm22_pose.pdf |
PDF
|
|
| /pdf/tmm22_videosaliency.pdf |
PDF
|
|
| /pdf/tmm22_cosaliency.pdf |
PDF
|
|
| / |
Toward Personalized Emotion Recognition: A Face Recognition Based Attention Method for Facial Emotion Recognition
|
|
| /pdf/fg21_emotion.pdf |
PDF
|
|
| / |
An integrative deep learning framework for classifying molecular subtypes of breast cancer
|
|
| / |
Fine-grained Image Classification with Coarse and Fine Labels on One-shot Learning
|
|
| /papers/crv20.pdf |
Domain Adaptation in Crowd Counting
|
|
| /papers/mmsp19_compress.pdf |
Semantic Segmentation in Compressed Videos
|
|
| /papers/mmsp19_videoseg.pdf |
One-Shot Video Segmentation Using Attention Transfer
|
|
| /papers/avss19_nonlocal.pdf |
Non-local Attentive Temporal Network for Video-based Person Re-Identification
|
|
| /papers/avss19_anomaly.pdf |
Future Frame Prediction Using Convolutional VRNN for Anomaly Detection
|
|
| /papers/avss19_refine.pdf |
Video-based Person Re-identification Using Refined Attention Networks
|
|
| /papers/icip19.pdf |
Compression Artifact Removal with Stacked Multi-context Channel-wise Attention Network
|
|
| /papers/wacv19.pdf |
Crowd Counting Using Scale-Aware Attention Networks
|
|
| / |
Hybrid Deep Learning Model for Stock Price Prediction
|
|
| /papers/mmsp18.pdf |
Privacy-Preserving Age Estimation for Content Rating
|
|
| /papers/icpr18.pdf |
Visual Relationship Detection Using Joint Visual-Semantic Embedding
|
|
| /papers/crv18.pdf |
Context-Aware Action Detection in Untrimmed Videos Using Bidirectional LSTM
|
|
| /papers/wacv18.pdf |
Learning Semantic Segmentation with Diverse Supervision
|
|
| /papers/vcip17.pdf |
Object Localization in Weakly Labeled Data Using Regularized Attention Networks
|
|
| /papers/bmvc17_personid.pdf |
Person Re-Identification by Localizing Discriminative Regions
|
|
| /papers/bmvc17_adapt.pdf |
Adapting Object Detectors from Images to Weakly Labeled Videos
|
|
| /papers/bmvc17_detection.pdf |
Salient Object Detection using a Context-Aware Refinement Network
|
|
| /papers/icip17.pdf |
Depth-Aware Object Instance Segmentation
|
|
| /papers/cvpr17.pdf |
Gated Feedback Refinement Network for Dense Image Labeling
|
|
| /papers/crv17.pdf |
Weakly Supervised Image Classification with Coarse and Fine Labels
|
|
| / |
Somatic Copy Number Alteration-Based Prediction of Molecular Subtypes of Breast Cancer Using Deep Learning
|
|
| /papers/ivc16.pdf |
Weakly Supervised Object Localization and Segmentation in Videos
|
|
| /papers/isvc16.pdf |
Optimizing Intersection-Over-Union in Deep Neural Networks for Image Segmentation
|
|
| /papers/bmvc16_attention.pdf |
Attention Networks for Weakly Supervised Object Localization
|
|
| /papers/bmvc16_lstm.pdf |
LSTM for Image Annotation with Relative Visual Importance
|
|
| /papers/icpr16_videotext.pdf |
Beyond Verbs: Understanding Actions in Videos with Text
|
|
| /papers/icpr16_segment.pdf |
Object Figure-Ground Segmentation Using Zero-Shot Learning
|
|
| /papers/crv16_seg.pdf |
Dense Image Labeling Using Deep Convolutional Neural Networks
|
|
| /papers/crv16_action.pdf |
Learning Neural Networks with Ranking-based Losses for Action Retrieval
|
|
| /papers/cvpr15.pdf |
Weakly Supervised Localization of Novel Objects using Appearance Transfer
|
|
| /papers/crv15_zeroshot.pdf |
Zero-Shot Object Recognition Using Semantic Label Vectors
|
|
| /papers/crv15_lsvm.pdf |
Latent SVM for Object Localization in Weakly Labeled Videos
|
|
| /papers/isvc14_weakly.pdf |
Efficient Object Localization and Segmentation in Weakly Labeled Videos
|
|
| /papers/isvc14_hierarchy.pdf |
Object Classification Using a Semantic Hierarchy
|
|
| / |
Examining Visual Saliency Prediction in Naturalistic Scenes
|
|
| /papers/ideas14.pdf |
Machine Learning Approach for Stock Price Prediction
|
|
| /papers/icme14.pdf |
Human Parsing with a Cascade of Hierarchical Poselet Based Pruners
|
|
| /papers/crv14.pdf |
Segmenting Objects in Weakly Labeled Videos
|
|
| /papers/wacv14.pdf |
Learning Mid-Level Features from Object Hierarchy for Image Classification
|
|
| /papers/liao_cvpr13.pdf |
Non-Parametric Filtering for Geometric Detail Extraction and Material Representation
|
|
| /papers/icme13.pdf |
Large Multi-class Image Categorization with Ensembles of Label Trees
|
|
| /papers/crv13_kinect.pdf |
Enabling User Interactions with Video Contents
|
|
| /crv13_supp/video.mp4 |
video demo
|
|
| /papers/crv13_jigsaw.pdf |
Robust Solvers for Square Jigsaw Puzzles
|
|
| /papers/mmm13.pdf |
Discovering Latent Clusters from Geotagged Beach Images
|
|
Внешние ссылки
Кол-во: 141
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 141 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать первые 100 внешних ссылок
| Url | Анкор |
|---|---|
| scholar.google.com |
Google Scholar
|
| arxiv.org |
Agent-SAMA: State-Aware Mobile Assistant
|
| arxiv.org |
PointMAC: Meta-Learned Adaptation for Robust Test-Time Point Cloud Completion
|
| github.com |
Code
|
| drive.google.com |
Collaborative Cloud-edge Generalized Category Discovery
|
| arxiv.org |
Plug-in Feedback Self-adaptive Attention in CLIP for Training-free Open-Vocabulary Segmentation
|
| github.com |
Code
|
| arxiv.org |
arXiv version
|
| arxiv.org |
MetaWriter: Personalized Handwritten Text Recognition Using Meta-Learned Prompt Tuning
|
| github.com |
Code
|
| drive.google.com |
PathTTT: Test-Time Training with Meta-Auxiliary Learning for Pathology Image Classification
|
| arxiv.org |
Learning to Adapt Frozen CLIP for Few-Shot Test-Time Domain Adaptation
|
| github.com |
Code
|
| arxiv.org |
DocTTT: Test-Time Training for Handwritten Document Recognition Using Meta-Auxiliary Learning
|
| arxiv.org |
Distribution Alignment for Fully Test-Time Adaptation with Dynamic Online Data Streams
|
| github.com |
Code
|
| arxiv.org |
CLIP-based Point Cloud Classification via Point Cloud to Image Translation
|
| doi.org |
Crowd Counting Using Meta Test-Time Adaptation
|
| ieeexplore.ieee.org |
TTAGaze: Self-Supervised Test-Time Adaptation for Personalized Gaze Estimation
|
| arxiv.org |
ELF-UA: Efficient Label-Free User Adaptation in Gaze Estimation
|
| arxiv.org |
Meta Episodic Learning with Dynamic Task Sampling for CLIP-based Point Cloud Classification
|
| link.springer.com |
Attribute inference privacy protection for pre-trained models
|
| openreview.net |
Adapting to Distribution Shift by Visual Domain Prompt Generation
|
| github.com |
Code
|
| chi-chi-zx.github.io |
Project page
|
| sciencedirect.com |
MetaUSACC: Unlabeled scene adaptation for crowd counting via meta-auxiliary learning
|
| sciencedirect.com |
Unlabeled scene adaptive crowd counting via meta-ensemble learning
|
| arxiv.org |
Test-Time Personalization with Meta Prompt for Gaze Estimation
|
| github.com |
Code
|
| arxiv.org |
Test-Time Domain Adaptation by Learning Domain-Aware Batch Normalization
|
| openaccess.thecvf.com |
Visually Guided Audio Source Separation with Meta Consistency Learning
|
| ieeexplore.ieee.org |
Test-Time Adaptation for Optical Flow Estimation Using Motion Vectors
|
| arxiv.org |
MetaGCD: Learning to Continually Learn in Generalized Category Discovery
|
| github.com |
Code
|
| arxiv.org |
Point-TTA: Test-Time Adaptation for Point Cloud Registration Using Multitask Meta-Auxiliary Learning
|
| openaccess.thecvf.com |
Video Action Recognition with Adaptive Zooming Using Motion Residuals
|
| arxiv.org |
Test-Time Adaptation for Point Cloud Upsampling Using Meta-Learning
|
| arxiv.org |
Semantic-Aware Graph Matching Mechanism for Multi-Label Image Recognition
|
| ieeexplore.ieee.org |
Stress Detection Through Wrist-Based Electrodermal Activity Monitoring and Machine Learning
|
| ojs.aaai.org |
MetaZSCIL: A Meta-Learning Approach for Generalized Zero-Shot Class Incremental Learning
|
| openaccess.thecvf.com |
Few-Shot Learning of Compact Models via Task-Specific Meta Distillation
|
| openaccess.thecvf.com |
Meta-Auxiliary Learning for Future Depth Prediction in Videos
|
| nowpublishers.com |
Video Summarization Overview
|
| arxiv.org |
arXiv version
|
| arxiv.org |
Meta-DMoE: Adapting to Domain Shift by Meta-Distillation from Mixture-of-Experts
|
| github.com |
Code
|
| ieeexplore.ieee.org |
Generating Privacy Preserving Synthetic Medical Data
|
| arxiv.org |
Few-Shot Class-Incremental Learning via Entropy-Regularized Data-Free Replay
|
| frontiersin.org |
Differential Private Deep Learning Models for analyzing breast cancer omics data
|
| sciencedirect.com |
Region-of-Interest and Channel Attention-based Joint Optimization of Image Compression and Computer Vision
|
| openaccess.thecvf.com |
MetaFSCIL: A Meta-Learning Approach for Few-Shot Class Incremental Learning
|
| openaccess.thecvf.com |
Contrastive Learning for Unsupervised Video Highlight Detection
|
| aaai.org |
Self-supervised Spatiotemporal Representation Learning by Exploiting Video Continuity
|
| ieeexplore.ieee.org |
Gaze Estimation via Modulation-based Adaptive Network with Auxiliary Self-Learning
|
| ieeexplore.ieee.org |
Fast Human Pose Estimation in Compressed Videos
|
| ieeexplore.ieee.org |
Spatio-Temporal Self-Attention Network for Video Saliency Prediction
|
| ieeexplore.ieee.org |
Adaptive Group-wise Consistency Network for Co-saliency Detection
|
| mdpi.com |
A Maximum Flow-Based Approach to Prioritize Drugs for Drug Repurposing of Chronic Diseases
|
| openaccess.thecvf.com |
Joint Visual and Audio Learning for Video Highlight Detection
|
| sciencedirect.com |
Circular Complement Network for RGB-D Salient Object Detection
|
| sciencedirect.com |
ATCC: Accurate tracking by criss-cross location attention
|
| openaccess.thecvf.com |
Test-Time Fast Adaptation for Dynamic Scene Deblurring via Meta-Auxiliary Learning
|
| openaccess.thecvf.com |
Image Change Captioning by Learning from an Auxiliary Task
|
| arxiv.org |
AdaCrowd: Unlabeled Scene Adaptation for Crowd Counting
|
| github.com |
Code
|
| arxiv.org |
Referring Segmentation in Images and Videos with Cross-Modal Self-Attention Network
|
| openaccess.thecvf.com |
Video Captioning of Future Frames
|
| sciencedirect.com |
Weakly supervised instance segmentation using multi-stage erasing refinement and saliency-guided proposals ordering
|
| arxiv.org |
Sentence Guided Temporal Modulation for Dynamic Video Thumbnail Generation
|
| arxiv.org |
Adaptive Video Highlight Detection by Learning from User History
|
| github.com |
Code
|
| arxiv.org |
Few-Shot Scene-Adaptive Anomaly Detection
|
| github.com |
Code
|
| arxiv.org |
Cross-Modal Weighting Network for RGB-D Salient Object Detection
|
| github.com |
Code
|
| openaccess.thecvf.com |
Composed Query Image Retrieval Using Locally Bounded Features
|
| doi.org |
Attentional coarse-and-fine generative adversarial networks for image inpainting
|
| arxiv.org |
Dual Convolutional LSTM Network for Referring Image Segmentation
|
| arxiv.org |
Few-Shot Scene Adaptive Crowd Counting Using Meta-Learning
|
| github.com |
Code on Github
|
| arxiv.org |
Unsupervised Learning of Camera Pose with Compositional Re-estimation
|
| arxiv.org |
Deep Learning-based Image Compression with Trellis Coded Quantization
|
| igi-global.com |
A Deep Learning Framework for Malware Classification
|
| dl.acm.org |
Homoglyph Attack Detection with Unpaired Data
|
| sciencedirect.com |
Saliency Detection via Multi-level Integration and Multi-scale Fusion Neural Networks
|
| doi.org |
Weakly Labeled Fine-grained Classification with Hierarchy Relationship of Fine and Coarse Labels
|
| github.com |
Code on Github
|
| bmvc2019.org |
One-Shot Scene-Specific Crowd Counting
|
| arxiv.org |
Convolutional Temporal Attention Model for Video-based Person Re-identification
|
| arxiv.org |
Video Summarization by Learning from Unpaired Data
|
| arxiv.org |
Cross-Modal Self-Attention Network for Referring Image Segmentation
|
| github.com |
Code on Github
|
| bmcproc.biomedcentral.com |
A deep neural network based regression model for triglyceride concentrations prediction using epigenome-wide DNA methylation profiles
|
| openaccess.thecvf.com |
Video Summarization Using Fully Convolutional Sequence Networks
|
| arxiv.org |
Future Semantic Segmentation with Convolutional LSTM
|
| intechopen.com |
Deep learning models for predicting phenotypic traits and diseases from omic data
|
| tdp.cat |
Membership Inference Attack against Differentially Private Deep Learning Model
|
| ieeexplore.ieee.org |
Malware Classification with Deep Convolutional Neural Networks
|
| cgp.iiarjournals.org |
Applications of Support Vector Machine (SVM) Learning in Cancer Genomics
|
| sciencedirect.com |
Obfuscated Image Classification for Secure Image-centric Friend Recommendation
|
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://kywang.github.io/pubs.html готова к продвижению на 23%. Чтобы еще улучшить страницу и попасть на первые места поисковой выдачи необходимо:
Исправьте ошибки в мета-тегах.
Исправьте ошибки оптимизации.
Исправьте ошибки индексации.
Поделитесь с друзьями: