Анализ страницы https://ml4ad.github.io/2019
Основное Готовность: 95%
Домен
ml4ad.github.io
Состояние доменного имени
?
Проверяем корректность доменного имени и наличие технических проблем на уровне домена.
Используйте для продвижения только домен второго уровня.
Отличный запоминающийся домен.
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:
https://ml4ad.github.io/2019
301 MovedPermanently
https://ml4ad.github.io/2019/
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.
На сайте работает защищенный протокол ssl и сайт открывается по https.
Ssl-сертификат действителен до 09.01.2027 2:59:59.
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
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
~0,53сек
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 0,53сек оптимальна.
Объем документа
55Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 55Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 3
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 3 достаточно.
Показать полный список ресурсов
| Тип | Название | Значение |
|---|---|---|
| stylesheet | text/css | https://ml4ad.github.io/css/main.css |
| js | https://ajax.googleapis.com/ajax/libs/jquery/1.11.0/jquery.min.js | |
| js | https://www.google-analytics.com/analytics.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 | "67c6718f-dca3" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | CA7A:1073C4:23E4F65:2430FBF:6A89CB65 |
| x-github-edge-region | fra |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sat, 22 Aug 2026 16:16:38 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-fra-eddf8230228-FRA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787415398.961899,VS0,VE111 |
| Vary | Accept-Encoding |
| x-fastly-request-id | fdf721e5cf7659e11b91c6d8555f123511adb631 |
CMS
Hugo 0.55.6
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: Hugo 0.55.6.
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
Machine Learning for Autonomous Driving
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: 39, оптимально: от 40 до 45)
Дублей словоформ в title не найдено.
Description
NeurIPS 2019 Workshop
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: 21, минимум: 80, оптимально: от 120 до 130)
Keywords
Список ключевых слов страницы (устаревший тег)
?
Meta Keywords не учитывается Яндексом и Google для ранжирования с 2009–2012 годов. Заполнение не обязательно, но не вредит. Конкурент может использовать содержимое для анализа.
Установите мета-тег keywords!
Канонический Url
Указывает поисковику основную версию страницы
?
Canonical (rel=canonical) предотвращает проблему дублей страниц. Должен точно совпадать с URL проверяемой страницы. Неправильный canonical может передать ссылочный вес на другую страницу.
Рекомендуем прописать канонический Url.
Robots
Ошибок нет
Директивы для поисковых роботов на уровне страницы
?
Meta Robots управляет индексацией конкретной страницы: index/noindex — индексировать ли, follow/nofollow — следовать ли по ссылкам. Noindex полностью исключает страницу из поиска.
Meta-тег robots не указан. Страница свободна для индексации.
Адаптивность
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 | Workshop on Machine Learning for Autonomous Driving |
| og:description | NeurIPS 2019 Workshop |
| og:type | website |
| og:url | https://ml4ad.github.io/ |
| og:image | https://ml4ad.github.io/img/badge.jpg |
Все мета-теги
Кол-во: 14
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Найдены мета-теги 14шт. 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 | author | Machine Learning for Autonomous Driving |
| name | description | NeurIPS 2019 Workshop |
| name | viewport | width=device-width |
| name | generator | Hugo 0.55.6 |
| name | twitter:card | summary_large_image |
| name | twitter:image | https://ml4ad.github.io/img/badge.jpg |
| name | twitter:title | Workshop on Machine Learning for Autonomous Driving |
| name | twitter:description | NeurIPS 2019 Workshop |
| name | viewport | width=device-width, initial-scale=1 |
| property | og:title | Workshop on Machine Learning for Autonomous Driving |
| property | og:description | NeurIPS 2019 Workshop |
| property | og:type | website |
| property | og:url | https://ml4ad.github.io/ |
| property | og:image | https://ml4ad.github.io/img/badge.jpg |
Оптимизация Готовность: 92%
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
Ошибок нет
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 5 встречаются в тексте достаточно.
Абзацев с текстом 34 достаточно.
Среднее число слов в абзаце 118 достаточно.
Кол-во знаков контента 13692 на странице оптимально.
Кол-во слов 1919 на странице оптимально.
Заголовки
Ошибок нет
Иерархия заголовков H1–H6
?
H1 должен быть один и содержать ключевой запрос. H2–H6 описывают подразделы. Пропуск уровней (H1 → H3) и несколько H1 — типичные ошибки, снижающие понятность страницы для поисковика.
На странице присутствуют заголовки <h1> 1. Это прекрасно.
На странице присутствуют заголовки <h2> 13. Это хорошо.
На странице присутствуют заголовки <h3> 19.
Тошнота
5,20
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
12,56%
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 |
|---|---|---|
| autonomous | 27 | 1,41% |
| driving | 27 | 1,41% |
| learning | 24 | 1,25% |
| detection | 12 | 0,63% |
| vehicles | 10 | 0,52% |
| prediction | 10 | 0,52% |
| workshop | 9 | 0,47% |
| object | 8 | 0,42% |
| submissions | 7 | 0,36% |
| reinforcement | 7 | 0,36% |
| papers | 6 | 0,31% |
| machine | 6 | 0,31% |
| december | 6 | 0,31% |
| challenge | 6 | 0,31% |
| berkeley | 5 | 0,26% |
| mohamed | 5 | 0,26% |
| vancouver | 4 | 0,21% |
| accepted | 4 | 0,21% |
| research | 4 | 0,21% |
| planning | 4 | 0,21% |
Индексация Готовность: 0%
Индексирование
Ошибок нет
Разрешено ли индексирование страницы
?
Проверяет, не закрыта ли страница от индексации через robots.txt, meta robots или X-Robots-Tag. Страница, закрытая от индексации, не появится в поисковой выдаче.
Анкоров на странице 151 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: 42
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 42 оптимально.
Показать внутренние ссылки
| Url | Анкор | Состояние |
|---|---|---|
| /files/neurips_2019_ml4ad.tex |
neurips_2019_ml4ad.tex
|
|
| /files/neurips_2019_ml4ad.sty |
neurips_2019_ml4ad.sty
|
|
| /files/neurips_2019_ml4ad.pdf |
neurips_2019_ml4ad.pdf
|
|
| /files/papers/Self-Driving like a Human driver instead of a Robocar: Personalized comfortable driving experience for autonomous vehicles.pdf |
Self-Driving like a Human driver instead of a Robocar: Personalized comfortable driving experience for autonomous vehicles
|
|
| /files/papers/End-to-End Deep Path Planning and AutomaticEmergency Braking Camera Cocoon-based Solution.pdf |
End-to-End Deep Path Planning and AutomaticEmergency Braking Camera Cocoon-based Solution
|
|
| /files/papers/Spatial Influence-aware Reinforcement Learning for Intelligent Transportation System.pdf |
Spatial Influence-aware Reinforcement Learning for Intelligent Transportation System
|
|
| /files/papers/Meta Learning Deep Visual Words for Fast Video Object Segmentation.pdf |
Meta Learning Deep Visual Words for Fast Video Object Segmentation
|
|
| /files/papers/DynaNet: Neural Kalman Dynamical Model for Motion Estimation and Prediction.pdf |
DynaNet: Neural Kalman Dynamical Model for Motion Estimation and Prediction
|
|
| /files/papers/Joint Triangulation and Mapping via Differentiable Sensor Fusion.pdf |
Joint Triangulation and Mapping via Differentiable Sensor Fusion
|
|
| /files/papers/SoildNet: Soiling Degradation Detection in Autonomous Driving.pdf |
SoildNet: Soiling Degradation Detection in Autonomous Driving
|
|
| /files/papers/Visibility Guided NMS: Efficient Boosting of Amodal Object Detection in Crowded Traffic Scenes.pdf |
Visibility Guided NMS: Efficient Boosting of Amodal Object Detection in Crowded Traffic Scenes
|
|
| /files/papers/Urban Driving With Conditional Imitation Learning.pdf |
Urban Driving With Conditional Imitation Learning
|
|
| /files/papers/Hybrid Sensor Fusion Framework for Perception in Autonomous Vehicles.pdf |
Hybrid Sensor Fusion Framework for Perception in Autonomous Vehicles
|
|
| /files/papers/End-to-End Delay Analysis and Optimization of Object Detection Module for Autonomous Driving.pdf |
End-to-End Delay Analysis and Optimization of Object Detection Module for Autonomous Driving
|
|
| /files/papers/Learning Adaptive driving behavior using Recurrent Deterministic Policy Gradients.pdf |
Learning Adaptive driving behavior using Recurrent Deterministic Policy Gradients
|
|
| /files/papers/Patch Refinement.pdf |
Patch Refinement - Localized 3D Object Detection
|
|
| /files/papers/Social Attention for Autonomous Decision-Making in Dense Traffic.pdf |
Social Attention for Autonomous Decision-Making in Dense Traffic
|
|
| /files/papers/Radar and Camera Early Fusion for Vehicle Detection in Advanced Driver Assistance Systems.pdf |
Radar and Camera Early Fusion for Vehicle Detection in Advanced Driver Assistance Systems
|
|
| /files/papers/Benchmarking Robustness in Object~Detection: Autonomous Driving when Winter is Coming.pdf |
Benchmarking Robustness in Object~Detection: Autonomous Driving when Winter is Coming
|
|
| /files/papers/Improving Movement Prediction of Traffic Actors using Off-road Loss and Bias Mitigation.pdf |
Improving Movement Prediction of Traffic Actors using Off-road Loss and Bias Mitigation
|
|
| /files/papers/Boosting semantic segmentation with multi-task self-supervised learning for autonomous driving applications.pdf |
Boosting semantic segmentation with multi-task self-supervised learning for autonomous driving applications
|
|
| /files/papers/Simulation-based reinforcement learning for real-world autonomous driving.pdf |
Simulation-based reinforcement learning for real-world autonomous driving
|
|
| /files/papers/Understanding Natural Language Parking Instructions and Grounding for Self-driving Cars.pdf |
Understanding Natural Language Parking Instructions and Grounding for Self-driving Cars
|
|
| /files/papers/Multi-Agent Connected Autonomous Driving using Deep Reinforcement Learning.pdf |
Multi-Agent Connected Autonomous Driving using Deep Reinforcement Learning
|
|
| /files/papers/RST-MODNet: Real-time Spatio-temporal MovingObject Detection for Autonomous Driving.pdf |
RST-MODNet: Real-time Spatio-temporal MovingObject Detection for Autonomous Driving
|
|
| /files/papers/CNNs for Interference Mitigation and Denoising in Automotive Radar Using Real-World Data.pdf |
CNNs for Interference Mitigation and Denoising in Automotive Radar Using Real-World Data
|
|
| /files/papers/Single-step Options for Adversary Driving.pdf |
Single-step Options for Adversary Driving
|
|
| /files/papers/Unsupervised Neural Sensor Models for Synthetic LiDAR Data Augmentation.pdf |
Unsupervised Neural Sensor Models for Synthetic LiDAR Data Augmentation
|
|
| /files/papers/Scribble Supervised Annotation Algorithms of Panoptic Segmentation for Autonomous Driving.pdf |
Scribble Supervised Annotation Algorithms of Panoptic Segmentation for Autonomous Driving
|
|
| /files/papers/Approaching Neural Network Uncertainty Realism.pdf |
Approaching Neural Network Uncertainty Realism
|
|
| /files/papers/Efficient Black-box Assessment of Autonomous Vehicle Safety.pdf |
Efficient Black-box Assessment of Autonomous Vehicle Safety
|
|
| /files/papers/Robust Imitative Planning: Planning from Demonstrations Under Uncertainty.pdf |
Robust Imitative Planning: Planning from Demonstrations Under Uncertainty
|
|
| /files/papers/Quadratic Q-network for Learning Continuous Control for Autonomous Vehicles.pdf |
Quadratic Q-network for Learning Continuous Control for Autonomous Vehicles
|
|
| /files/papers/Inverse Reinforcement Learning with ModelPredictive Control.pdf |
Inverse Reinforcement Learning with ModelPredictive Control
|
|
| /files/papers/Learning to Drive using Waypoints.pdf |
Learning to Drive using Waypoints
|
|
| /files/papers/Prediction by Imagination: A prediction method for handling low-probable actions.pdf |
Prediction by Imagination: A prediction method for handling low-probable actions
|
|
| /files/papers/Conditional Flow Variational Autoencoders for Structured Sequence Prediction.pdf |
Conditional Flow Variational Autoencoders for Structured Sequence Prediction
|
|
| /files/papers/Joint Interaction and Trajectory Prediction for Autonomous Driving using Graph Neural Networks.pdf |
Joint Interaction and Trajectory Prediction for Autonomous Driving using Graph Neural Networks
|
|
| /files/papers/On the Role of Receptive Field in Unsupervised Sim-to-Real Image Translation.pdf |
On the Role of Receptive Field in Unsupervised Sim-to-Real Image Translation
|
|
| /files/papers/Semantic Domain Adaptation for Deep Classifiers via GAN-based Data Augmentation.pdf |
Semantic Domain Adaptation for Deep Classifiers via GAN-based Data Augmentation
|
|
| /files/papers/StarNet: Targeted Computation for Object Detection in Point Clouds.pdf |
StarNet: Targeted Computation for Object Detection in Point Clouds
|
|
| /files/papers/A Reinforcement Learning Based Algorithm for Multi-hop Ride-sharing: Model-free Approach.pdf |
A Reinforcement Learning Based Algorithm for Multi-hop Ride-sharing: Model-free Approach
|
|
Внешние ссылки
Кол-во: 94
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 94 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать внешние ссылки
| Url | Анкор |
|---|---|
| neurips.cc |
NeurIPS
|
| sites.google.com |
2016
|
| sites.google.com |
2017
|
| sites.google.com |
2018
|
| vladlen.info |
<img class="photo" src="https://ml4ad.github.io/img/vladlen.jpg" alt="Vladlen Koltun" itemprop="image">
|
| vladlen.info |
Vladlen Koltun
|
| gilitschenski.org |
<img class="photo" src="https://ml4ad.github.io/img/igor.jpeg" alt="Igor Gilitschenski" itemprop="image">
|
| gilitschenski.org |
Igor Gilitschenski
|
| scholar.google.com |
<img class="photo" src="https://ml4ad.github.io/img/chris.jpeg" alt="Chris Baker" itemprop="image">
|
| scholar.google.com |
Chris Baker
|
| cs.toronto.edu |
<img class="photo" src="https://ml4ad.github.io/img/raquel.jpg" alt="Raquel Urtasun" itemprop="image">
|
| cs.toronto.edu |
Raquel Urtasun
|
| ericmwolff.com |
<img class="photo" src="https://ml4ad.github.io/img/eric.jpg" alt="Eric Wolff" itemprop="image">
|
| ericmwolff.com |
Eric Wolff
|
| people.eecs.berkeley.edu |
<img class="photo" src="https://ml4ad.github.io/img/jaime.jpg" alt="Jaime Fisac" itemprop="image">
|
| people.eecs.berkeley.edu |
Jaime Fisac
|
| wucathy.com |
<img class="photo" src="https://ml4ad.github.io/img/cathy.jpg" alt="Cathy Wu" itemprop="image">
|
| wucathy.com |
Cathy Wu
|
| cmt3.research.microsoft.com |
https://cmt3.research.microsoft.com/ML4AD2019
|
| tph.ca |
https://www.tph.ca/printing-near-me/vancouver
|
| stores.staples.ca |
https://stores.staples.ca/staples-vancouver-1
|
| slideslive.com |
video
|
| slideslive.com |
video
|
| slideslive.com |
video
|
| slideslive.com |
video
|
| slideslive.com |
video
|
| slideslive.com |
video
|
| slideslive.com |
video
|
| slideslive.com |
video
|
| slideslive.com |
video
|
| slideslive.com |
video
|
| argoverse.org |
Argoverse
|
| evalai.cloudcv.org |
3d tracking
|
| evalai.cloudcv.org |
motion forecasting
|
| argo.ai |
here
|
| outreach.didichuxing.com |
Detection Domain Adaptation Challenge
|
| rowanmcallister.com |
<img class="photo" src="https://ml4ad.github.io/img/rowan2.jpg" alt="Rowan McAllister" itemprop="image">
|
| rowanmcallister.com |
Rowan McAllister
|
| cs.cmu.edu |
<img class="photo" src="https://ml4ad.github.io/img/nick.jpg" alt="Nicholas Rhinehart" itemprop="image">
|
| cs.cmu.edu |
Nicholas Rhinehart
|
| yf.io |
<img class="photo" src="https://ml4ad.github.io/img/fisher.png" alt="Fisher Yu" itemprop="image">
|
| yf.io |
Fisher Yu
|
| cs.columbia.edu |
<img class="photo" src="https://ml4ad.github.io/img/erran.png" alt="Li Erran Li" itemprop="image">
|
| cs.columbia.edu |
Li Erran Li
|
| people.eecs.berkeley.edu |
<img class="photo" src="https://ml4ad.github.io/img/anca.jpg" alt="Anca Dragan" itemprop="image">
|
| people.eecs.berkeley.edu |
Anca Dragan
|
| abouelnaga.io |
Yehya Abouelnaga
|
| linkedin.com |
Elmira Amirloo
|
| csc.kth.se |
Hossein Azizpour
|
| princeton.edu |
Arjun Nitin Bhagoji
|
| linkedin.com |
Sebastian Bujwid
|
| www-scf.usc.edu |
Wei-Lun Chao
|
| chenweikai.github.io |
Weikai Chen
|
| jungyhuk.github.io |
Xinyun Chen
|
| linkedin.com |
Fang-Chieh Chou
|
| cuihenggang.github.io |
Henggang Cui
|
| astro.temple.edu |
Nemanja Djuric
|
| lmb.informatik.uni-freiburg.de |
Alexey Dosovitskiy
|
| heshameraqi.github.io |
Hesham M. Eraqi
|
| linkedin.com |
Andrien Gaidon
|
| yang-gao.weebly.com |
Yang Gao
|
| mimuw.edu.pl |
Paweł Gora
|
| mikaelhenaff.com |
Mikael Henaff
|
| beedotkiran.github.io |
Ravi Kiran
|
| edouardleurent.com |
Edouard Leurent
|
| lizhuwen.com |
Zhuwen Li
|
| web.njit.edu |
Xiaoyuan Liang
|
| linkedin.com |
Xiao-Yang Liu
|
| linkedin.com |
Jun Luo
|
| linkedin.com |
Sergio Macua
|
| linkedin.com |
Miquel Martí
|
| robots.ox.ac.uk |
Lukas Neumann
|
| linkedin.com |
Thi Nguyen
|
| gauravraina.net |
Gaurav Raina
|
| germanros.net |
German Ros
|
| linkedin.com |
Ahmad El Sallab
|
| axelsauer.com |
Axel Sauer
|
| linkedin.com |
Mark Schutera
|
| linkedin.com |
Ibrahim Sobh
|
| sydney.edu.au |
Anthony Tompkins
|
| stephentu.github.io |
Stephen Tu
|
| robots.ox.ac.uk |
Andrea Vedaldi
|
| dequan.wang |
Dequan Wang
|
| personal.psu.edu |
Hua Wei
|
| linkedin.com |
Peyman Yadmellat
|
| sites.google.com |
Xinchen Yan
|
| hengshuaiyao.github.io |
Hengshuai Yao
|
| linkedin.com |
Mohamed Zahran
|
| linkedin.com |
Jiakai Zhang
|
| linkedin.com |
Yuzheng Zhuang
|
| vancouverconventioncentre.com |
East Meeting Room 1,2,3
|
| goo.gl |
Vancouver Convention Center
|
| docs.google.com |
Workshop Feedback Form
|
| github.com |
Conf Boilerplate
|
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://ml4ad.github.io/2019 готова к продвижению на 59%. Чтобы еще улучшить страницу и попасть на первые места поисковой выдачи необходимо:
Исправьте ошибки в мета-тегах.
Исправьте ошибки индексации.
Поделитесь с друзьями: