Анализ страницы https://ssgong.github.io/publication.html
Основное Готовность: 90%
Домен
ssgong.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 14.11.2026 14:49:03.
Поздравляем! Сайт не содержится в реестре РКН.
Кодировка
windows-1251
Кодировка символов страницы
?
Стандарт — UTF-8. Неправильная кодировка вызывает нечитаемые символы и мешает поисковику корректно распознать текст страницы.
Используется устаревшая кодировка windows-1251. Желательно перевести сайт на utf-8!
Кодировка указана явно: windows-1251.
В процессе разбора страница перекодирована в кодировку win-1251.
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
~0,36сек
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 0,36сек оптимальна.
Объем документа
207Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 207Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 0
Внешние ресурсы страницы (CSS, JS, изображения)
?
Количество и тип подключённых ресурсов влияют на скорость загрузки. Большое число запросов увеличивает время рендеринга страницы.
Ресурсы не найдены. Неужели ваш сайт на чистом html?
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 | "6a26d426-33cae" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | 0CA0:15BD:58A5902:5961295:6A8A64A6 |
| x-github-edge-region | fra |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sun, 23 Aug 2026 03:10:31 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-fra-eddf8230204-FRA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787454631.963322,VS0,VE105 |
| Vary | Accept-Encoding |
| x-fastly-request-id | 00d51c8be00c5f081ba3a7a62b3c50ee90229895 |
CMS
Microsoft Word 12
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: Microsoft Word 12.
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: 22%
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: 3
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Найдены мета-теги 3шт. 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 | ProgId | Word.Document |
| name | Generator | Microsoft Word 12 |
| name | Originator | Microsoft Word 12 |
Оптимизация Готовность: 32%
Структура
Ошибок нет
Семантические HTML-элементы страницы
?
Проверяет наличие основных структурных элементов: nav, header, footer, main. Корректная семантическая структура помогает поисковику понять архитектуру страницы.
Структура документа корректна (теги <html> и <body> присутствуют в одном 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 345 достаточно.
Среднее число слов в абзаце 36 достаточно.
Кол-во знаков контента 74691 на странице оптимально.
Кол-во слов 11333 на странице оптимально.
Заголовки
Ошибок нет
Иерархия заголовков H1–H6
?
H1 должен быть один и содержать ключевой запрос. H2–H6 описывают подразделы. Пропуск уровней (H1 → H3) и несколько H1 — типичные ошибки, снижающие понятность страницы для поисковика.
На странице присутствуют заголовки <h3> 1.
Тошнота
15,39
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
4,76%
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 | 237 | 2,09% |
| vision | 206 | 1,82% |
| computer | 135 | 1,19% |
| recognition | 115 | 1,01% |
| international | 107 | 0,94% |
| september | 94 | 0,83% |
| learning | 90 | 0,79% |
| shaogang | 86 | 0,76% |
| re-identification | 79 | 0,70% |
| machine | 79 | 0,70% |
| pattern | 74 | 0,65% |
| person | 73 | 0,64% |
| british | 62 | 0,55% |
| october | 52 | 0,46% |
| visual | 42 | 0,37% |
| analysis | 41 | 0,36% |
| intelligence | 35 | 0,31% |
| hospedales | 35 | 0,31% |
| detection | 31 | 0,27% |
| workshop | 29 | 0,26% |
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 407 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: 308
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 308 слишком много. Проведите оптимизацию сайта!
Показать первые 100 внутренних ссылок
| Url | Анкор | Состояние |
|---|---|---|
| /papers/XuGongHospedales_ZSLCrowdBehaviour2016.pdf |
Zero-Shot Crowd Behaviour Recognition
|
|
| /papers/GongEtAl_REIDChallengeSpringer14.pdf |
The
Re-Identification Challenge
|
|
| /papers/RajaGong_REIDSpringer14.pdf |
Scalable
Multi-Camera Tracking in a Metropolis
|
|
| /papers/ZhengEtAl_REIDSpringer14.pdf |
Group Association:
Assisting Re-Identification by Visual Context
|
|
| /papers/LiuEtAl_REIDSpringer14.pdf |
Evaluating
Feature Importance for Re-Identification
|
|
| /papers/LayneEtAl_REIDSpringer14.pdf |
Attributes-based
Re-identification
|
|
| /papers/LoyEtAl_CrowdAnalysisSpringer2013.pdf |
Crowd Counting and Profiling:
Methodology and Evaluation
|
|
| /papers/GongEtAl_SecuritySurveillance2011.pdf |
Security and Surveillance
|
|
| /papers/JiaGong_FaceSampleQuality2009.pdf |
Face Sample Quality
|
|
| /papers/Shan_etal_HCI05.pdf |
Appearance manifold of facial expression
|
|
| /papers/Leung_Gong_AMFG05.pdf |
Online feature selection using mutual
information for real-time multi-view object tracking
|
|
| /papers/ChangGong_EVS2001.pdf |
<span style="text-decoration: none;">Bayesian Modality Fusion for
tracking multiple people with a multi-camera system</span>
|
|
| /papers/SunEtAl_PR2026.pdf |
BenchCIR: Benchmarking Robustness in Composed Image Retrieval Across Modalities
|
|
| /papers/LiuEtAl_IJCV2026.pdf |
Large-Scale Pre-Trained Models Empowering Phrase Generalisation in Temporal Sentence Localisation
|
|
| /papers/LinEtAl_PR2026.pdf |
GridCLIP: One-Stage Object Detection by Grid-Level CLIP Representation Learning
|
|
| /papers/LiEtAl_PR2026.pdf |
Leverage Cross-domain Variations for Generalizable Person ReID Representation Learning
|
|
| /papers/HuEtAl_TMM2026.pdf |
Class-Aware Diversified Augmentation for Open-Set Single Domain Generalization
|
|
| /papers/CaiEtAl_PR2025.pdf |
MLLM as video narrator: Mitigating modality imbalance in video moment retrieval
|
|
| /papers/SunEtAl_PR2024.pdf |
Federated zero-shot learning with mid-level semantic knowledge transfer
|
|
| /papers/WangEtAl_PAMI2024.pdf |
Faster Person
Re-Identification: One-shot-Filter and Coarse-to-Fine Search
|
|
| /papers/LiEtAl_PR2022.pdf |
Neural Operator Search
|
|
| /papers/YinEtAl_NEPL2022.pdf |
Rapid Person Re-Identification via Sub-space Consistency Regularisation
|
|
| /papers/LanEtAl_PR2022.pdf |
Unsupervised Cross-Domain Person
Re-Identification by Instance and Distribution Alignment
|
|
| /papers/WuEtAl_PR2021.pdf |
Learning Hybrid Ranking Representation for Person Re-Identification
|
|
| /papers/ZhengEtAl_IJCV2022.pdf |
Joint Bilateral-Resolution Identity Modelling for Low-Resolution
Person Re-Identification
|
|
| /papers/YinEtAl_SPL2021.pdf |
Multi-View Label
Prediction for Unsupervised Learning Person Re-Identification
|
|
| /papers/Editorial_TCSVT2021.pdf |
Introduction to Large-Scale Visual Sensor Networks: Architectures and Applications
|
|
| /papers/LiEtAl_PR2021.pdf |
Hierarchical Distillation Learning for Scalable Person Search
|
|
| /papers/ZhuEtAl_IJCV2021_ICS.pdf |
Intra-Camera Supervised Person Re-Identification
|
|
| /papers/SuEtAl_CVIU2021.pdf |
Multi-Perspective Cross-Class Domain Adaptation for Open Logo Detection
|
|
| /papers/ChengEtAl_PR2020.pdf |
Face Re-Identification Challenge: Are Face Recognition Models Good Enough?
|
|
| /papers/LiEtAl_PAMI2019.pdf |
Unsupervised Tracklet Person Re-Identification
|
|
| /papers/LiEtAl_IJCV2019.pdf |
Scalable Person Re-Identification by Harmonious Attention
|
|
| /papers/AncongWuEtAl_IJCV2020.pdf |
RGB-IR Person Re-identification by Cross-Modality Similarity Preservation
|
|
| /papers/SuEtAl_PR2020.pdf |
Scalable Logo Detection by Self Co-Learning
|
|
| /papers/DongEtAl_PAMI2018.pdf |
Imbalanced Deep Learning by Minority Class Incremental Rectification
|
|
| /papers/WangEtAl_IJCV2018.pdf |
Person Re-Identification in Identity Regression Space
|
|
| /papers/FuEtAl_PAMI2017.pdf |
Zero-Shot Learning on Semantic Class Prototype Graph
|
|
| /papers/FuEtAl_IEEE-SPM2017.pdf |
Recent Advances in Zero-Shot Recognition: Towards Data-Efficient Understanding of Visual Content
|
|
| /papers/WangEtAl_AI2017.pdf |
Discovering Visual Concept Structure with Sparse and Incomplete Tags
|
|
| /papers/XuEtAl_IJCV2016.pdf |
Transductive Zero-Shot Action Recognition by Word-Vector Embedding
|
|
| /papers/XuEtAl_TCSVT2015.pdf |
Discovery of Shared Semantic Spaces for Multi-Scene Video Query and Summarisation
|
|
| /papers/MaEtAl_PR2016.pdf |
Person Re-Identification by Unsupervised Video Matching
|
|
| /papers/MurinoEtAl_CVIU2017Editoral.pdf |
Image and Video Understanding in Big Data
|
|
| /papers/LiEtAl_IJCV2016_Sketch.pdf |
Free-hand Sketch Synthesis with Deformable Stroke Models
|
|
| /papers/WangEtAl_PAMI2016.pdf |
Person Re-Identification by Discriminative Selection in Video Ranking
|
|
| /papers/ZhuLoyGong_TNNLS2015.pdf |
Constrained Clustering with Imperfect
Oracles
|
|
| /papers/ZhuLoyGong_IJCV2015.pdf |
Learning from Multiple Sources for Video Summarisation
|
|
| /papers/HuEtAl_TCSVT2015.pdf |
Exemplar-based Recognition of Human-Object Interactions
|
|
| /papers/ZhengEtAl_PAMI2015_TREID.pdf |
Towards Open-World Person Re-Identification by One-Shot Group-based Verification
|
|
| /papers/FuEtAl_PAMI2015_RobustRanking.pdf |
Robust Subjective Visual Property Prediction from Crowdsourced Pairwise
Labels
|
|
| /papers/FuEtAl_PAMI2015_ZSL.pdf |
Transductive Multi-View Zero-Shot Learning
|
|
| /papers/LiEtAl_CVIU2015.pdf |
Free-hand Sketch Recognition by
Multi-Kernel Feature Learning
|
|
| /papers/LiuGongLoy_PR2013.pdf |
On-the-fly Feature Importance Mining
for Person Re-Identification
|
|
| /papers/FuEtAl_PAMI2013.pdf |
Learning Multi-Modal Latent Attributes
|
|
| /papers/ZhengGongXiang_PAMI2012.pdf |
Re-identification
by Relative Distance Comparison
|
|
| /papers/HospedalesGongXiang_TKDE11.pdf |
Finding Rare Classes: Active
Learning with Generative and Discriminative Models
|
|
| /papers/LoyXiangGong_PAMI2012.pdf |
Incremental
Activity Modelling in Multiple Disjoint Cameras
|
|
| /papers/HospedalesGongXiang_IJCV12.pdf |
Video Behaviour Mining Using a
Dynamic Topic Model
|
|
| /papers/LiGongXiang_IJCV2011.pdf |
Learning
Behavioural Context
|
|
| /papers/ZhengGongXiang_PAMI2011.pdf |
Quantifying
and Transferring Contextual Information in Object Detection
|
|
| /papers/BregonzioXiangGong_PR2011.pdf |
Fusing
Appearance and Distribution Information of Interest Points for Action
Recognition
|
|
| /papers/HospedalesEtAl_PAMI11.pdf |
Identifying Rare and Subtle Behaviours:
A Weakly Supervised Joint Topic Model
|
|
| /papers/XiangGongIJCV06-Selection.pdf |
Model Selection for Unsupervised
Learning of Visual Context
|
|
| /papers/XiangGongIJCV06-Beyond.pdf |
Beyond Tracking: Modelling Activity
and Understanding Behaviour
|
|
| /papers/JiaGong_PRL06.pdf |
Hallucinating
Multiple Occluded Face Images of Different Resolutions
|
|
| /papers/LiEtAl_IVC2004.pdf |
Support Vector Machine based Multi-view Face
Detection and Recognition
|
|
| /papers/NgGong-IVC03.pdf |
Learning
Pixel-wise Signal Energy for Understanding Semantics
|
|
| /papers/LiEtAl-IVC03.pdf |
Recognising Trajectories of Facial Identities
Using Kernel Discriminant Analysis
|
|
| /papers/LiGongLiddellIJCV03.pdf |
Constructing Facial Identity Surfaces for
Recognition
|
|
| /papers/gsg.pdf |
Scene
Event Recognition Without Tracking
|
|
| /papers/GongBuxton-IVC02.pdf |
<span class="style11"><span style="text-decoration: none;">Understanding Visual Behaviour</span></span>
|
|
| /papers/GongEtAl-IVC02.pdf |
On the Semantics of Visual Behaviour,
Structured Events and Trajectories of Human Action
|
|
| /papers/GongEtAl-IVC02-DynamicAppearance.pdf |
Corresponding Dynamic
Appearances
|
|
| /papers/Psarrou-Gong-Walter-IVC2002.pdf |
Recognition of Human Gestures and
Behaviour
|
|
| /papers/Ng-Gong-IVC2002.pdf |
Composite Support Vector Machines for the
Detection of Faces across Views and Pose Estimation
|
|
| /papers/Ong-Gong-IVC2002.pdf |
The Dynamics of Linear Combinations
|
|
| /papers/SherrahEtAl-IVC01.pdf |
Face Distribution in Similarity Space under
Varying Head Pose
|
|
| /papers/SherrahGong-PR01.pdf |
Fusion of Perceptual Cues for Robust
Tracking of Head Pose and Position
|
|
| /papers/McKennaRajaGong-AdaptiveColorTracking-IVC99.pdf |
Tracking Colour Objects
Using Adaptive Mixture Models
|
|
| /papers/pr98.pdf |
Modelling Facial Colour and Identity with Gaussian
Mixtures
|
|
| /papers/rti98.pdf |
Real-time
Face Pose Estimation
|
|
| /papers/BuxtonGong-AI95.pdf |
Visual Surveillance in a Dynamic and
Uncertain World
|
|
| /papers/CaoEtAl_ICML2026.pdf |
LiteVSR: Enabling Cross-Domain Fine-Grained Detail Generation in Light-Weight Transformers for Video Super-Resolution
|
|
| /papers/ChengEtAl_CVPR2026.pdf |
V-STaR: Benchmarking Video-LLMs on Video Spatio-Temporal Reasoning
|
|
| /papers/TangEtAl_CVPR2026.pdf |
Beyond Syntax: Action Semantics Learning for
App Agents
|
|
| /papers/OsmanliEtAl_CVPR2026_VidLLMs.pdf |
Grounding Video Reasoning in Physical Signals
|
|
| /papers/LuoEtAl_ICLR2026.pdf |
ViMo: A Generative Visual GUI World Model for App Agents
|
|
| /papers/HuEtAl_NeurIPS2025.pdf |
Uncertainty-quantified Rollout Policy Adaptation for Unlabelled Cross-domain Temporal Grounding
|
|
| /papers/HaEtAl_ICCV2025.pdf |
Multi-modal Multi-platform Person
Re-Identification: Benchmark and Method
|
|
| /papers/ZhengEtAl_MICCAI2025.pdf |
XFMamba:
Cross-Fusion for Multi-View Medical Image Classification
|
|
| /papers/HuEtAl_IJCAI2025.pdf |
INT: Instance-Specific Negative Mining for Task-Generic Promptable Segmentation
|
|
| /papers/CaoEtAl_CVPR2025.pdf |
Temporal Score
Analysis for Understanding and Correcting Diffusion Artifacts
|
|
| /papers/ZhaoEtAl_CVPR2025.pdf |
AIM-Fair: Advancing Algorithmic Fairness via Selecting Fine-Tuning
Biased Models with Contextual Synthetic Data
|
|
| /papers/LuoEtAl_AAAI2025.pdf |
Generative Video Diffusion for Unseen Novel Semantic Video Moment Retrieval
|
|
| /papers/LinEtAl_AAAI2025.pdf |
InvSeg: Test-Time Prompt Inversion for Semantic Segmentation
|
|
| /papers/ZhaoEtAl_WACV2025.pdf |
Enhancing Zero-Shot Facial Expression Recognition by LLM Knowledge Transfer
|
|
| /papers/HuEtAl_NIPS2024.pdf |
Leveraging Hallucinations to Reduce Manual Prompt Dependency in Promptable Segmentation
|
|
| /papers/CaoGong_ECCV2024.pdf |
Few-Shot Image Generation by Conditional Relaxing Diffusion Inversion
|
|
| /papers/ChengEtAl_ECCV2024.pdf |
SHINE:
Saliency-aware Hierarchical Negative Ranking for Compositional Temoral
Grounding
|
|
Внешние ссылки
Кол-во: 99
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 99 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать внешние ссылки
| Url | Анкор |
|---|---|
| springer.com |
Person
Re-Identification
|
| eecs.qmul.ac.uk |
QMUL
i-LIDS Re-identification Dataset
|
| eecs.qmul.ac.uk |
QMUL Underground Re-Identification (GRID) Dataset
|
| eecs.qmul.ac.uk |
<span style="color: red;"><span style="color: blue;">QMUL Re-Identification Attribute Labelling (for VIPeR,
GRID and PRID datasets</span><span style="color: black;">)</span></span>
|
| springer.com |
<i>Video
Analytics for Business Intelligence</i>
|
| springer.com |
<i>Visual
Analysis of Behaviour: From Pixels to Semantics</i>
|
| eecs.qmul.ac.uk |
QMUL Junction Dataset
|
| eecs.qmul.ac.uk |
Mall Dataset
|
| eecs.qmul.ac.uk |
Roundabout Dataset
|
| eecs.qmul.ac.uk |
Junction 2 Dataset
|
| springer.com |
Analysis
and Modelling of Faces and Gestures
|
| springer.com |
<i>Analysis
and Modelling of Faces and Gestures</i>
|
| ieeexplore.ieee.org |
<i>Analysis
and Modelling of Faces and Gestures</i>
|
| worldscientific.com |
<i>Dynamic
Vision: From Images to Face Recognition</i>
|
| eecs.qmul.ac.uk |
QMUL Multiview Face Dataset
|
| elsevier.com |
<span style="font-style: italic;">Group and Crowd Behaviour Understanding in Computer Vision</span>
|
| springer.com |
Person
Re-Identification
|
| springer.com |
Person
Re-Identification
|
| springer.com |
Person
Re-Identification
|
| springer.com |
Person
Re-Identification
|
| springer.com |
Person
Re-Identification
|
| springer.com |
Modeling,
Simulation and Visual Analysis of Crowds
|
| springer.com |
Visual
Analysis of Humans: Looking at People
|
| springer.com |
Intelligent
Video Event Analysis and Understanding
|
| sciencedirect.com |
https://www.sciencedirect.com/science/article/pii/S003132032200694X
|
| sciencedirect.com |
https://www.sciencedirect.com/science/article/pii/S0031320321006907
|
| ieeexplore.ieee.org |
<span style="font-style: italic;">Large-Scale Visual Sensor Networks: Architectures and Applications</span>
|
| link.springer.com |
Online First
|
| link.springer.com |
Online First
|
| link.springer.com |
Springer Nature SharedIt
|
| sciencedirect.com |
Vol. 156
|
| eecs.qmul.ac.uk |
Detecting
and Discriminating Behavioural Anomalies
|
| eecs.qmul.ac.uk |
Time-Delayed
Correlation Analysis for Multi-Camera Activity Understanding
|
| eecs.qmul.ac.uk |
Gait
Recognition without Subject Cooperation
|
| eecs.qmul.ac.uk |
Action
Categorisation by Structural Probabilistic Latent Semantic Analysis
|
| eecs.qmul.ac.uk |
Action
Categorisation with Modified Hidden Conditional Random Field
|
| eecs.qmul.ac.uk |
Facial
Expression Recognition based on Local Binary Patterns: A Comprehensive Study
|
| eecs.qmul.ac.uk |
People
Detection in Low-Resolution Video with Non-Stationary Background
|
| eecs.qmul.ac.uk |
Combining
Global, Regional and Contextual Features for Automatic Image Annotation
|
| eecs.qmul.ac.uk |
Optimising
Dynamic Graphical Models for Video Content Analysis.
|
| eecs.qmul.ac.uk |
Incremental
and Adaptive Abnormal Behaviour Detection
|
| eecs.qmul.ac.uk |
Activity
based Surveillance Video Content Modelling
|
| eecs.qmul.ac.uk |
Generalised
Face Super-Resolution
|
| eecs.qmul.ac.uk |
Fusing Gait
and Face Cues for Human Gender Recognition
|
| eecs.qmul.ac.uk |
Video
Behaviour Profiling for Anomaly Detection
|
| eecs.qmul.ac.uk |
Spectral
Clustering with Eigenvector Selection
|
| sciencedirect.com |
<i>Understanding
Visual Behaviour</i>
|
| eecs.qmul.ac.uk |
QMUL Multiview Face Dataset
|
| dl.acm.org |
Special volume on computer vision
|
| v-star-bench.github.io |
https://v-star-bench.github.io
|
| github.com |
https://github.com/V-STaR-Bench/V-STaR
|
| huggingface.co |
https://huggingface.co/datasets/V-STaR-Bench/V-STaR
|
| mp-reid.github.io |
https://mp-reid.github.io
|
| yucao16.github.io |
https://yucao16.github.io/ASCED/
|
| zengqunzhao.github.io |
<span style="text-decoration: underline;">https://zengqunzhao.github.io/AIMFair</span>
|
| jylin8100.github.io |
https://jylin8100.github.io/InvSegProject/
|
| lwpyh.github.io |
https://lwpyh.github.io/ProMaC/
|
| yucao16.github.io |
https://yucao16.github.io/CRDI/
|
| github.com |
https://github.com/zxccade/SHINE
|
| lwpyh.github.io |
https://lwpyh.github.io/GenSAM/
|
| amazon.science |
Amazon Science Blog
|
| read.deeplearning.ai |
deeplearning.ai
|
| eecs.qmul.ac.uk |
iLIDS Video re-IDentification (iLIDS-VID) Dataset
|
| eecs.qmul.ac.uk |
Mobile Re-identification Platform (MRP) Drone Dataset
|
| eecs.qmul.ac.uk |
Unsupervised
Selective Transfer Learning for Object Recognition
|
| eecs.qmul.ac.uk |
Learning
Rare Behaviours
|
| eecs.qmul.ac.uk |
Stream-based
Active Anomaly Detection
|
| eecs.qmul.ac.uk |
Learning
Human Pose in Crowd
|
| eecs.qmul.ac.uk |
Person
Re-Identification by Support Vector Ranking
|
| eecs.qmul.ac.uk |
Discriminative
Topics Modelling for Action Feature Selection and Recognition
|
| eecs.qmul.ac.uk |
Cross-View
Gait Recognition Using Correlation Strength
|
| eecs.qmul.ac.uk |
Action
Recognition with Cascaded Feature Selection and Classification
|
| eecs.qmul.ac.uk |
Gait
Recognition Using Gait Entropy Image
|
| eecs.qmul.ac.uk |
Quantifying
Contextual Information for Object Detection
|
| eecs.qmul.ac.uk |
A
Markov Clustering Topic Model for Mining Behaviour in Video
|
| eecs.qmul.ac.uk |
Modelling
Activity Global Temporal Dependencies using Time Delayed Probabilistic
Graphical Model
|
| eecs.qmul.ac.uk |
Discovering
Multi-Camera Behaviour Correlations for On-the-Fly Global Activity Prediction
and Anomaly Detection
|
| eecs.qmul.ac.uk |
Space-Time
Audio-Visual Speech Recognition with Multiple Multi-Class Probabilistic Support
Vector Machines
|
| eecs.qmul.ac.uk |
Head
Pose Classification in Crowded Scenes
|
| eecs.qmul.ac.uk |
Associating
Groups of People
|
| eecs.qmul.ac.uk |
Gait
Representation Using Flow Fields
|
| eecs.qmul.ac.uk |
Multi-Object
Activity Modelling Using Gaussian Processes
|
| eecs.qmul.ac.uk |
A Unified
Approach for Adaptive Multiple Feature Tracking for Surveillance Applications
|
| eecs.qmul.ac.uk |
Recognising
Action as Clouds of Space-Time Interest Points
|
| eecs.qmul.ac.uk |
Multi-Camera
Activity Correlation Analysis
|
| eecs.qmul.ac.uk |
Scene
Segmentation for Behaviour Correlation
|
| eecs.qmul.ac.uk |
Multi-Layered
Decomposition of Recurrent Scenes
|
| eecs.qmul.ac.uk |
Multi-camera
Matching under Illumination Change Over Time
|
| eecs.qmul.ac.uk |
From
Local Temporal Correlation to Global Anomaly Detection
|
| eecs.qmul.ac.uk |
Global
Abnormal Behaviour Detection Using a Network of CCTV Cameras
|
| eecs.qmul.ac.uk |
Behaviour
Inference Using Probabilistic Latent Semantic Analysis
|
| eecs.qmul.ac.uk |
Multi-camera
Matching Using Bi-Directional Cumulative Brightness Transfer Functions
|
| eecs.qmul.ac.uk |
Video
Augmentation for Improving Audio Speech Recognition under Noise
|
| eecs.qmul.ac.uk |
Exploiting
Periodicity in Recurrent Scenes
|
| eecs.qmul.ac.uk |
Feature
Selection for Gait Recognition without Subject Cooperation
|
| eecs.qmul.ac.uk |
Macro-cuboids
based probabilistic matching for lip-reading digits
|
| eecs.qmul.ac.uk |
Coherent
image annotation by semantic distance learning
|
| eecs.qmul.ac.uk |
Feature
selection on gait energy image for human identification
|
| eecs.qmul.ac.uk |
QMUL Multiview Face Dataset
|
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://ssgong.github.io/publication.html готова к продвижению на 36%. 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: