Точное обнаружение городских отходов в реальном времени с использованием улучшенной архитектуры YOLOv9-EfficientViT
Ключевые слова:
обнаружение объектов, классификация отходов, компьютерное зрение, YOLOv9, EfficientViT, визуальный трансформер, реальное время, глубокое обучениеАннотация
Накопление небиоразлагаемых твердых отходов в густонаселенных городских районах представляет собой серьезную экологическую проблему. Хотя компьютерное зрение предлагает перспективное решение, современные подходы часто ограничены зависимостью от ограниченных синтетических данных и неспособностью охватить всю сложность реальных условий. Для решения этих ограничений в данной статье представлена система обнаружения объектов в реальном времени для городских неразлагаемых отходов, построенная на оптимизированной архитектуре YOLOv9. В основе работы лежит специально созданный гетерогенный набор данных, состоящий из 6340 аннотированных изображений, который охватывает восемь категорий отходов, включая пластиковые бутылки, банки и блистерные упаковки, в различных городских ландшафтах. Основное архитектурное улучшение заключается в замене исходного бэкбона на новый EfficientViT, который сочетает в себе преимущества многомасштабного извлечения признаков сверточных нейронных сетей с глобальным контекстным пониманием визуальных трансформеров. Такая гибридная архитектура особенно эффективна для обнаружения объектов отходов различных размеров в загроможденных городских средах. Дополнительные улучшения включают использование функции активации SiLU, масштабируемой функции потерь SIoU для точной регрессии ограничивающих рамок и фокальной функции потерь для противодействия дисбалансу классов. Модель, обученная с расширенной аугментацией данных, достигает mAP@0.5 95,1% и F1-меры 0,95 на отложенном тестовом наборе, превосходя все существующие детекторы отходов на основе YOLO. Все восемь классов достигают F1-меры выше 0,93, что свидетельствует о стабильной устойчивости системы даже в загроможденных средах. При работе со скоростью 38 кадров в секунду разработанная система подтверждает свою пригодность для практических применений в реальном времени. Используя передовые возможности YOLOv9 с современным бэкбоном EfficientViT и реалистичным набором данных, предлагаемая сеть устанавливает новый эталон точности и скорости в обнаружении отходов, демонстрируя большой потенциал для интеграции в автоматизированные системы сортировки и переработки.
Литература
1. Soni A., Das P.K., Kumar P. A review on the municipal solid waste management status, challenges and potential for the future Indian cities // Environment, Development and Sustainability. 2023. vol. 25. pp. 13755–13803. DOI: 10.1007/s10668-022-02688-7.
2. Anttiroiko A.-V. Smart circular cities: Governing the relationality, spatiality, and digitality in the promotion of circular economy in an urban region // Sustainability. 2023. vol. 15. no. 17. pp. 1–41. DOI: 10.3390/su151712680.
3. Sanchez-Garcia E., Martinez-Falco J., Marco-Lajara B., Manresa-Marhuenda E. Revolutionizing the circular economy through new technologies: A new era of sustainable progress // Environmental Technology & Innovation. 2024. vol. 33. 103509 p. DOI: 10.1016/j.eti.2023.103509.
4. Kokate A., Jadhav T. A Novel Approach to EEG Artifact Removal Using ADASYN and Optimized Hierarchical 1D CNN // Informatics and Automation. 2025. vol. 24. no. 5. pp. 1408–1443. DOI: 10.15622/ia.24.5.6.
5. Szpilko D., de la Torre Gallegos A., Jimenez Naharro F., Rzepka A., Remiszewska A. Waste Management in the Smart City: Current Practices and Future Directions // Resources. 2023. vol. 12. no. 10. pp. 1–15.
6. Dahr J.M., Gaafar A.S. Performance Evaluation of the Convolutional Neural Networks for Object Identification Using RGB and Binary Images // Informatica. 2024. vol. 48. pp. 177–188. DOI: 10.31449/inf.v48i21.6568.
7. Rittl L.G.F., Zaman A., de Oliveira F.H. Digital Transformation in Waste Management: Disruptive Innovation and Digital Governance for Zero-Waste Cities in the Global South as Keys to Future Sustainable Development // Sustainability. 2025. vol. 17. no. 4. 1608 p. DOI: 10.3390/su17041608.
8. Fuqaha S., Nursetiawan N. Artificial intelligence and IoT for smart waste management: Challenges, opportunities, and future directions // Journal of Future Artificial Intelligence and Technology. 2025. vol. 2. no. 1. pp. 24–46.
9. Fotovvatikhah F., Ahmedy I., Noor R.M., Munir M.U. A systematic review of AI-based techniques for automated waste classification // Sensors. 2025. vol. 25. no. 10. 3181 p.
10. Fang B., Yu J., Chen Z., et al. Artificial intelligence for waste management in smart cities: a review // Environmental Chemistry Letters. 2023. vol. 21. pp. 1959–1989. DOI: 10.1007/s10311-023-01604-3.
11. Hoque M.J., Islam M.S., Khaliluzzaman M. AI-Powered Precision in Diagnosing Tomato Leaf Diseases // Complexity. 2025. vol. 2025. no. 1. pp. 1–21. DOI: 10.1155/cplx/7838841.
12. Mahmood M., Chowdhury P., Yeassin R., Hasan M., Ahmad T., Chowdhury N.-U.-R. Impacts of digitalization on smart grids, renewable energy, and demand response: An updated review of current applications // Energy Conversion and Management X. 2024. vol. 24. 100790 p.
13. Elahi M., Afolaranmi S.O., Martinez Lastra J.L., et al. A comprehensive literature review of the applications of AI techniques through the lifecycle of industrial equipment // Discover Artificial Intelligence. 2023. vol. 3. 43 p. DOI: 10.1007/s44163-023-00089-x.
14. Zhang Q., Zhang J., Yang S. Enhancing YOLOv8 Object Detection with Shape-IoU Loss and Local Convolution for Small Target Recognition // Informatica. 2025. vol. 49. no. 21. pp. 2–24.
15. Vukicevic A.M., Petrovic M., Jurisevic N., et al. Versatile waste sorting in small batch and flexible manufacturing industries using deep learning techniques // Scientific Reports. 2025. vol. 15. no. 1. pp. 1–11. DOI: 10.1038/s41598-025-87226-x.
16. Hoque M.J., Ahmed M.R., Uddin M.J., Faisal M.M.A. Automation of Traditional Exam Invigilation using CCTV and Bio-Metric // International Journal of Advanced Computer Science and Applications (IJACSA). 2020. vol. 11. no. 6. pp. 392–399.
17. Abdu H., Mohd Noor M.H. A Survey on Waste Detection and Classification using Deep Learning // IEEE Access. 2022. vol. 10. pp. 1–9. DOI: 10.1109/ACCESS.2022.3226682.
18. Olawade D.B., Fapohunda O., Wada O.Z., Usman S.O., Ige A.O., Ajisafe O., Oladapo B.I. Smart waste management: A paradigm shift enabled by artificial intelligence // Waste Management Bulletin. 2024. vol. 2. no. 2. pp. 244–263. DOI: 10.1016/j.wmb.2024.05.001.
19. Hoque M.J., et al. Incorporating Meteorological Data and Pesticide Information to Forecast Crop Yields Using Machine Learning // IEEE Access. 2024. vol. 12. pp. 47768–47786. DOI: 10.1109/ACCESS.2024.3383309.
20. Dao S.V.T., Le T.M., Tran H.M., Pham H.V., Vu M.T., Chu T. Integrating artificial intelligence for sustainable waste management: Insights from machine learning and deep learning // Watershed Ecology and the Environment. 2025. vol. 7. pp. 353–382.
21. Ali A.K.A.A., Aydın Y. Vision Transformer-Based Approach: A Novel Method for Object Recognition // Karadeniz Fen Bilimleri Dergisi. 2025. vol. 15. no. 1. pp. 560–576. DOI: 10.31466/kfbd.1620640.
22. Islam M.R., et al. Deep Learning and Computer Vision Techniques for Enhanced Quality Control in Manufacturing Processes // IEEE Access. 2024. vol. 12. pp. 121449–121479. DOI: 10.1109/ACCESS.2024.3453664.
23. Singh J., El-Sappagh S., Ali F., et al. Smart waste management: a systematic review and scientometric analysis of artificial intelligence applications // Environ Dev Sustain. 2025. DOI: 10.1007/s10668-025-05975-1.
24. Abdullah M., Abedin M.Z. Assessment of Plastic Waste Management in Bangladesh: A Comprehensive Perspective on Sorting, Production, Separation, and Recycling // Results in Surfaces and Interfaces. 2024. vol. 15. 100221 p. DOI: 10.1016/j.rsurfi.2024.100221.
25. Jangsamsi K. Conventional Machine Learning Approach for Waste Classification // Proceedings 6th Artificial Intelligence Cloud Computing Conference (AICCC). 2023. pp. 7–12.
26. Ramos E., Lopes A.G., Mendonça F. Application of Machine Learning in Plastic Waste Detection and Classification: A Systematic Review // Processes. 2024. vol. 12. no. 8. 1632 p. DOI: 10.3390/pr12081632.
27. Zhang Q., Yang Q., Zhang X., Bao Q., Su J., Liu X. Waste image classification based on transfer learning and convolutional neural network // Waste Management. 2021. vol. 135. pp. 150–157. DOI: 10.1016/j.wasman.2021.08.038.
28. Majchrowska S., et al. Deep learning-based waste detection in natural and urban environments // Waste Management. 2022. vol. 138. pp. 274–284. DOI: 10.1016/j.wasman.2021.12.001.
29. Azis F.A., Suhaimi H., Abas E. Waste Classification using Convolutional Neural Network // Proceedings 2nd International Conference on Information Technology, Computing, and Communication. 2020. pp. 9–13. DOI: 10.1145/3417473.3417474.
30. Tamin O., et al. On-Shore Plastic Waste Detection with YOLOv5 and RGB-Near-Infrared Fusion: A State-of-the-Art Solution for Accurate and Efficient Environmental Monitoring // Big Data and Cognitive Computing. 2023. vol. 7. no. 2. pp. 1–27. DOI: 10.3390/bdcc7020103.
31. Oza P., et al. Solid waste classification using deep neural network: A transfer learning approach // Earth Science Informatics. 2025. vol. 18. 255 p. DOI: 10.1007/s12145-025-01743-x.
32. Liu C., Xie N., Yang X., Chen R., Chang X., Zhong R.Y., Peng S., Liu X. A Domestic Trash Detection Model Based on Improved YOLOX // Sensors. 2022. vol. 22. no. 18. 6974 p. DOI: 10.3390/s22186974.
33. Li J., Feng Y., Shao Y., Liu F. IDP-YOLOv9: Improvement of Object Detection Model in Severe Weather Scenarios from Drone Perspective // Applied Sciences. 2024. vol. 14. no. 12. 5277 p. DOI: 10.3390/app14125277.
34. Jabed M.R., Shamsuzzaman M. YOLObin: Non-Decomposable Garbage Identification and Classification Based on YOLOv7 // Journal of Computer and Communications. 2022. vol. 10. no. 10. pp. 104–121. DOI: 10.4236/jcc.2022.1010008.
35. Raj T.S.P., et al. Classification of Waste with the Assistance of YOLO // Proceedings 11th International Conference on Reliability, Infocom Technologies and Optimization (ICRITO). 2024. pp. 1–5.
36. Marelli A., Magri L., Arrigoni F., Boracchi G. Temporal-Consistent CAMs for Weakly Supervised Video Segmentation in Waste Sorting / In: Del Bue A., Canton C., Pont-Tuset J., Tommasi T. (eds) / Computer Vision – ECCV 2024 Workshops. ECCV 2024. Lecture Notes in Computer Science. Cham: Springer. 2025. vol. 15626. pp. 371–387. DOI: 10.1007/978-3-031-92805-5_22.
37. Wang A., Liu L., Chen H., Lin Z., Han J., Ding G. YOLOE: Real-Time Seeing Anything // Proceedings of the International Conference on Computer Vision (ICCV). 2025. pp. 1–15. DOI: 10.48550/arXiv.2503.07465.
38. Zhang S., Zhu H., He Y., Guo M., Lou Z., Chang S. WISNet: Pseudo Label Generation on Unbalanced and Patch Annotated Waste Images // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2025. pp. 15076–15085.
39. Zhang S., Zhang L., Liu Z. Test-time adaptation for object detection via Dynamic Dual Teaching // Image and Vision Computing. 2025. vol. 163. 105740 p.
40. Proença P.F., Simoes P. TACO: Trash Annotations in Context for Litter Detection // arXiv preprint arXiv:2003.06975. 2020.
41. Bashkirova D., Zhu Z., Akl J., Alladkani F., Hu P., Ablavsky V., Calli B., Bargal S.A., Saenko K. ZeroWaste Dataset: Towards Automated Waste Recycling // Proceedings Conference on Neural Information Processing Systems (NeurIPS). 2021.
42. Nnamoko N., Barrowclough J., Procter J. Solid Waste Image Classification Using Deep Convolutional Neural Network // Infrastructures. 2022. vol. 7. no. 4. pp. 1–18. DOI: 10.3390/infrastructures7040047.
43. Shroff M., Desai A., Garg D. YOLOv8-based Waste Detection System for Recycling Plants: A Deep Learning Approach // Proceedings International Conference on Self Sustainable Artificial Intelligence Systems (ICSSAS). 2023. pp. 1–9. DOI: 10.1109/ICSSAS57918.2023.10331643.
2. Anttiroiko A.-V. Smart circular cities: Governing the relationality, spatiality, and digitality in the promotion of circular economy in an urban region // Sustainability. 2023. vol. 15. no. 17. pp. 1–41. DOI: 10.3390/su151712680.
3. Sanchez-Garcia E., Martinez-Falco J., Marco-Lajara B., Manresa-Marhuenda E. Revolutionizing the circular economy through new technologies: A new era of sustainable progress // Environmental Technology & Innovation. 2024. vol. 33. 103509 p. DOI: 10.1016/j.eti.2023.103509.
4. Kokate A., Jadhav T. A Novel Approach to EEG Artifact Removal Using ADASYN and Optimized Hierarchical 1D CNN // Informatics and Automation. 2025. vol. 24. no. 5. pp. 1408–1443. DOI: 10.15622/ia.24.5.6.
5. Szpilko D., de la Torre Gallegos A., Jimenez Naharro F., Rzepka A., Remiszewska A. Waste Management in the Smart City: Current Practices and Future Directions // Resources. 2023. vol. 12. no. 10. pp. 1–15.
6. Dahr J.M., Gaafar A.S. Performance Evaluation of the Convolutional Neural Networks for Object Identification Using RGB and Binary Images // Informatica. 2024. vol. 48. pp. 177–188. DOI: 10.31449/inf.v48i21.6568.
7. Rittl L.G.F., Zaman A., de Oliveira F.H. Digital Transformation in Waste Management: Disruptive Innovation and Digital Governance for Zero-Waste Cities in the Global South as Keys to Future Sustainable Development // Sustainability. 2025. vol. 17. no. 4. 1608 p. DOI: 10.3390/su17041608.
8. Fuqaha S., Nursetiawan N. Artificial intelligence and IoT for smart waste management: Challenges, opportunities, and future directions // Journal of Future Artificial Intelligence and Technology. 2025. vol. 2. no. 1. pp. 24–46.
9. Fotovvatikhah F., Ahmedy I., Noor R.M., Munir M.U. A systematic review of AI-based techniques for automated waste classification // Sensors. 2025. vol. 25. no. 10. 3181 p.
10. Fang B., Yu J., Chen Z., et al. Artificial intelligence for waste management in smart cities: a review // Environmental Chemistry Letters. 2023. vol. 21. pp. 1959–1989. DOI: 10.1007/s10311-023-01604-3.
11. Hoque M.J., Islam M.S., Khaliluzzaman M. AI-Powered Precision in Diagnosing Tomato Leaf Diseases // Complexity. 2025. vol. 2025. no. 1. pp. 1–21. DOI: 10.1155/cplx/7838841.
12. Mahmood M., Chowdhury P., Yeassin R., Hasan M., Ahmad T., Chowdhury N.-U.-R. Impacts of digitalization on smart grids, renewable energy, and demand response: An updated review of current applications // Energy Conversion and Management X. 2024. vol. 24. 100790 p.
13. Elahi M., Afolaranmi S.O., Martinez Lastra J.L., et al. A comprehensive literature review of the applications of AI techniques through the lifecycle of industrial equipment // Discover Artificial Intelligence. 2023. vol. 3. 43 p. DOI: 10.1007/s44163-023-00089-x.
14. Zhang Q., Zhang J., Yang S. Enhancing YOLOv8 Object Detection with Shape-IoU Loss and Local Convolution for Small Target Recognition // Informatica. 2025. vol. 49. no. 21. pp. 2–24.
15. Vukicevic A.M., Petrovic M., Jurisevic N., et al. Versatile waste sorting in small batch and flexible manufacturing industries using deep learning techniques // Scientific Reports. 2025. vol. 15. no. 1. pp. 1–11. DOI: 10.1038/s41598-025-87226-x.
16. Hoque M.J., Ahmed M.R., Uddin M.J., Faisal M.M.A. Automation of Traditional Exam Invigilation using CCTV and Bio-Metric // International Journal of Advanced Computer Science and Applications (IJACSA). 2020. vol. 11. no. 6. pp. 392–399.
17. Abdu H., Mohd Noor M.H. A Survey on Waste Detection and Classification using Deep Learning // IEEE Access. 2022. vol. 10. pp. 1–9. DOI: 10.1109/ACCESS.2022.3226682.
18. Olawade D.B., Fapohunda O., Wada O.Z., Usman S.O., Ige A.O., Ajisafe O., Oladapo B.I. Smart waste management: A paradigm shift enabled by artificial intelligence // Waste Management Bulletin. 2024. vol. 2. no. 2. pp. 244–263. DOI: 10.1016/j.wmb.2024.05.001.
19. Hoque M.J., et al. Incorporating Meteorological Data and Pesticide Information to Forecast Crop Yields Using Machine Learning // IEEE Access. 2024. vol. 12. pp. 47768–47786. DOI: 10.1109/ACCESS.2024.3383309.
20. Dao S.V.T., Le T.M., Tran H.M., Pham H.V., Vu M.T., Chu T. Integrating artificial intelligence for sustainable waste management: Insights from machine learning and deep learning // Watershed Ecology and the Environment. 2025. vol. 7. pp. 353–382.
21. Ali A.K.A.A., Aydın Y. Vision Transformer-Based Approach: A Novel Method for Object Recognition // Karadeniz Fen Bilimleri Dergisi. 2025. vol. 15. no. 1. pp. 560–576. DOI: 10.31466/kfbd.1620640.
22. Islam M.R., et al. Deep Learning and Computer Vision Techniques for Enhanced Quality Control in Manufacturing Processes // IEEE Access. 2024. vol. 12. pp. 121449–121479. DOI: 10.1109/ACCESS.2024.3453664.
23. Singh J., El-Sappagh S., Ali F., et al. Smart waste management: a systematic review and scientometric analysis of artificial intelligence applications // Environ Dev Sustain. 2025. DOI: 10.1007/s10668-025-05975-1.
24. Abdullah M., Abedin M.Z. Assessment of Plastic Waste Management in Bangladesh: A Comprehensive Perspective on Sorting, Production, Separation, and Recycling // Results in Surfaces and Interfaces. 2024. vol. 15. 100221 p. DOI: 10.1016/j.rsurfi.2024.100221.
25. Jangsamsi K. Conventional Machine Learning Approach for Waste Classification // Proceedings 6th Artificial Intelligence Cloud Computing Conference (AICCC). 2023. pp. 7–12.
26. Ramos E., Lopes A.G., Mendonça F. Application of Machine Learning in Plastic Waste Detection and Classification: A Systematic Review // Processes. 2024. vol. 12. no. 8. 1632 p. DOI: 10.3390/pr12081632.
27. Zhang Q., Yang Q., Zhang X., Bao Q., Su J., Liu X. Waste image classification based on transfer learning and convolutional neural network // Waste Management. 2021. vol. 135. pp. 150–157. DOI: 10.1016/j.wasman.2021.08.038.
28. Majchrowska S., et al. Deep learning-based waste detection in natural and urban environments // Waste Management. 2022. vol. 138. pp. 274–284. DOI: 10.1016/j.wasman.2021.12.001.
29. Azis F.A., Suhaimi H., Abas E. Waste Classification using Convolutional Neural Network // Proceedings 2nd International Conference on Information Technology, Computing, and Communication. 2020. pp. 9–13. DOI: 10.1145/3417473.3417474.
30. Tamin O., et al. On-Shore Plastic Waste Detection with YOLOv5 and RGB-Near-Infrared Fusion: A State-of-the-Art Solution for Accurate and Efficient Environmental Monitoring // Big Data and Cognitive Computing. 2023. vol. 7. no. 2. pp. 1–27. DOI: 10.3390/bdcc7020103.
31. Oza P., et al. Solid waste classification using deep neural network: A transfer learning approach // Earth Science Informatics. 2025. vol. 18. 255 p. DOI: 10.1007/s12145-025-01743-x.
32. Liu C., Xie N., Yang X., Chen R., Chang X., Zhong R.Y., Peng S., Liu X. A Domestic Trash Detection Model Based on Improved YOLOX // Sensors. 2022. vol. 22. no. 18. 6974 p. DOI: 10.3390/s22186974.
33. Li J., Feng Y., Shao Y., Liu F. IDP-YOLOv9: Improvement of Object Detection Model in Severe Weather Scenarios from Drone Perspective // Applied Sciences. 2024. vol. 14. no. 12. 5277 p. DOI: 10.3390/app14125277.
34. Jabed M.R., Shamsuzzaman M. YOLObin: Non-Decomposable Garbage Identification and Classification Based on YOLOv7 // Journal of Computer and Communications. 2022. vol. 10. no. 10. pp. 104–121. DOI: 10.4236/jcc.2022.1010008.
35. Raj T.S.P., et al. Classification of Waste with the Assistance of YOLO // Proceedings 11th International Conference on Reliability, Infocom Technologies and Optimization (ICRITO). 2024. pp. 1–5.
36. Marelli A., Magri L., Arrigoni F., Boracchi G. Temporal-Consistent CAMs for Weakly Supervised Video Segmentation in Waste Sorting / In: Del Bue A., Canton C., Pont-Tuset J., Tommasi T. (eds) / Computer Vision – ECCV 2024 Workshops. ECCV 2024. Lecture Notes in Computer Science. Cham: Springer. 2025. vol. 15626. pp. 371–387. DOI: 10.1007/978-3-031-92805-5_22.
37. Wang A., Liu L., Chen H., Lin Z., Han J., Ding G. YOLOE: Real-Time Seeing Anything // Proceedings of the International Conference on Computer Vision (ICCV). 2025. pp. 1–15. DOI: 10.48550/arXiv.2503.07465.
38. Zhang S., Zhu H., He Y., Guo M., Lou Z., Chang S. WISNet: Pseudo Label Generation on Unbalanced and Patch Annotated Waste Images // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2025. pp. 15076–15085.
39. Zhang S., Zhang L., Liu Z. Test-time adaptation for object detection via Dynamic Dual Teaching // Image and Vision Computing. 2025. vol. 163. 105740 p.
40. Proença P.F., Simoes P. TACO: Trash Annotations in Context for Litter Detection // arXiv preprint arXiv:2003.06975. 2020.
41. Bashkirova D., Zhu Z., Akl J., Alladkani F., Hu P., Ablavsky V., Calli B., Bargal S.A., Saenko K. ZeroWaste Dataset: Towards Automated Waste Recycling // Proceedings Conference on Neural Information Processing Systems (NeurIPS). 2021.
42. Nnamoko N., Barrowclough J., Procter J. Solid Waste Image Classification Using Deep Convolutional Neural Network // Infrastructures. 2022. vol. 7. no. 4. pp. 1–18. DOI: 10.3390/infrastructures7040047.
43. Shroff M., Desai A., Garg D. YOLOv8-based Waste Detection System for Recycling Plants: A Deep Learning Approach // Proceedings International Conference on Self Sustainable Artificial Intelligence Systems (ICSSAS). 2023. pp. 1–9. DOI: 10.1109/ICSSAS57918.2023.10331643.
Опубликован
2026-06-08
Как цитировать
Майза, М., Шериф, Ч., Шураки, С., & Талеб-Ахмед, А. (2026). Точное обнаружение городских отходов в реальном времени с использованием улучшенной архитектуры YOLOv9-EfficientViT. Информатика и автоматизация, 25(3), 682-719. https://doi.org/10.15622/ia.25.3.3
Раздел
Искусственный интеллект, инженерия данных и знаний
Copyright (c) Mohammed MAIZA, Unknown, Unknown, Unknown
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).