摘要
[1] , “ NTIRE 2017单图像超分辨率挑战:数据集与研究 ,“in 程序。 IEEE配置计算。 视觉。 模式识别器。 研讨会(CVPRW) , 2017年7月 ,第页。 126 —— 135 . 谷歌学者 [2] , “ 端到端优化的图像压缩 ,” 2016 , arXiv公司:1611.01704 。[在线]。 可用: http://arxiv.org/abs/1611.01704 谷歌学者 [3] , “ 神经网络中快速模型的条件计算 ,” 2015 , arXiv:1511.06297号 。[在线]。 可用: http://arxiv.org/abs/1511.06297 谷歌学者 [4] , “ 通过随机神经元估计或传播梯度以进行条件计算 ,” 2013 , arXiv公司:1308.3432 。[在线]。 可用: http://arxiv.org/abs/1308.3432 谷歌学者 [5] , 单纯形法:概率分析 ,卷。 1 . 德国柏林 : Springer-Verlag公司 , 2012 . 谷歌学者 [6] , 凸优化 . 英国剑桥。 : 剑桥大学出版社 , 2004 . 谷歌学者 交叉引用 [7] , “ Quo vadis,动作识别? 一种新的模型和动力学数据集 ,”中 程序。 IEEE配置计算。 视觉。 模式识别。 (CVPR) , 2017年7月 ,第页。 4724 —— 4733 . 谷歌学者 [8] , “ 基于CNN的视频分类:将编解码器用作时空活动传感器 ,” IEEE传输。 电路系统。 视频技术。 ,卷。 29 ,编号,第页。 475 —— 485 , 2月。 2019 . 谷歌学者 数字图书馆 [9] , “ 使用可伸缩的Blinn-Phong照明对移动云游戏进行分层编码 ,” IEEE传输。 图像处理。 ,卷。 25 ,没有。 7 ,第页。 3112 —— 3125 , 7月。 2016 . 谷歌学者 交叉引用 [10] , “ 使用拉普拉斯金字塔对抗网络的深度生成图像模型 ,“in 程序。 高级神经信息处理。 系统。 , 2015 ,第页。 1486 —— 1494 . 谷歌学者 [11] , “ 加速超分辨率卷积神经网络 ,”中 程序。 Eur.Conf.计算。 视觉。 瑞士查姆 : 施普林格 , 2016 ,第页。 391 —— 407 . 谷歌学者 [12] , “ 用于视频动作识别的卷积双流网络融合 ,“in 程序。 IEEE配置计算。 视觉。 模式识别。 (CVPR) , 2016年6月 ,第页。 1933 —— 1941 . 谷歌学者 [13] , 数据不精确的线性优化问题 . 美国纽约州纽约市 : 施普林格 , 2006 . 谷歌学者 [14] , “ 生成性对抗网络 ,“in 程序。 高级神经信息处理。 系统。 , 2014 ,第页。 2672 —— 2680 . 谷歌学者 [15] , “ 深度压缩:使用剪枝、训练量化和哈夫曼编码压缩深度神经网络 ,” 2015 , arXiv:1510.00149 。[在线]。 可用: http://arxiv.org/abs/1510.00149 谷歌学者 [16] , “ 学习有效神经网络的权值和连接 ,”中 程序。 高级神经信息处理。 系统。 , 2015 ,第页。 1135 —— 1143 . 谷歌学者 [17] , “ 用于图像识别的深度残差学习 ,”中 程序。 IEEE配置计算。 视觉。 模式识别。 (CVPR) , 2016年6月 ,第页。 770 —— 778 . 谷歌学者 [18] , “ 用神经网络降低数据的维数 ,” 科学类 ,卷。 313 ,没有。 5786 ,第页。 504 —— 507 , 7月。 2006 . 谷歌学者 交叉引用 [19] , “ MobileNets:用于移动视觉应用的高效卷积神经网络 ,” 2017 , arXiv:1704.04861 。[在线]。 可用: http://arxiv.org/abs/1704.04861 谷歌学者 [20] , “ 现代卷积目标检测器的速度/精度权衡 ,“in 程序。 IEEE配置计算。 视觉。 模式识别。 (CVPR) , 2017年7月 ,第页。 7310 —— 7311 . 谷歌学者 [21] , “ 深度卷积神经网络在视频分类中的速率-精度权衡 ,” IEEE传输。 电路系统。 视频技术。 ,卷。 30 ,没有。 1 ,第页。 145 —— 154 , 简。 2020 . 谷歌学者 交叉引用 [22] , “ 学习卷积神经网络进行图像压缩分辨率 ,” IEEE传输。 图像处理。 ,卷。 28 ,没有。 三 ,第页。 1092 —— 1107 , 3月。 2019 . 谷歌学者 交叉引用 [23] , “ 运行时神经剪枝 ,“in 程序。 高级神经信息处理。 系统。 , 2017 ,第页。 2181 —— 2191 . 谷歌学者 [24] , “ Microsoft COCO:上下文中的通用对象 ,“in 程序。 Eur.Conf.计算。 视觉。 瑞士查姆 : 施普林格 , 2014 ,第页。 740 —— 755 . 谷歌学者 [25] , “ SSD:单发多盒探测器 ,“in 程序。 Eur.Conf.计算。 视觉。 瑞士查姆 : 施普林格 , 2016 ,第页。 21 —— 37 . 谷歌学者 [26] , “ 条件对抗性领域自适应 ,“in 程序。 高级神经信息处理。 系统。 , 2018 ,第页。 1640 —— 1650 . 谷歌学者 [27] , “ 使用t-SNE可视化数据 ,” J.马赫。 学习。 物件。 ,卷。 9 ,第页。 2579 —— 2605 , 11月。 2008 . 谷歌学者 [28] , “ 对手自动编码器 ,” 2015 , arXiv公司:1511.05644 。[在线]。 可用: http://arxiv.org/abs/1511.05644 谷歌学者 [29] , “ Netflix带宽消耗特征 ,“in 程序。 IEEE第十次消费。 Commun公司。 Netw公司。 确认(CCNC) , 2013年1月 ,第页。 230 —— 235 . 谷歌学者 [30] , “ 实用的全分辨率学习无损图像压缩 ,“in 程序。 IEEE/CVF Conf.计算。 视觉。 模式识别。 (CVPR) , 2019年6月 ,第页。 10629 —— 10638 . 谷歌学者 [31] , “ 对抗性变分贝叶斯:统一变分自编码器和生成性对抗网络 ,“in 程序。 第34届国际会议马赫数。 学习。 ,卷。 70 , 2017年8月 ,第页。 2391 —— 2400 . 谷歌学者 [32] , 压缩图像文件格式:JPEG、PNG、GIF、XBM、BMP . 雷丁,马萨诸塞州,美国 : 出版商 , 1999 . 谷歌学者 [33] , “ 用于学习图像压缩的联合自回归和分层先验 ,“in 程序。 高级神经信息处理。 系统。 , 2018 ,第页。 10771 —— 10780 . 谷歌学者 [34] , “ 像素递归神经网络 ,” 2016 , arXiv:1601.06759 。[在线]。 可用: http://arxiv.org/abs/1601.06759 谷歌学者 [35] , “ 基于深度卷积生成对抗网络的无监督表示学习 ,” 2015 , arXiv:1511.06434号 。[在线]。 可用: http://arxiv.org/abs/1511.06434 谷歌学者 [36] , 巴布亚新几内亚:最终指南 . 美国加利福尼亚州塞瓦斯托波尔 : O'Reilly&Associates公司 , 1999 . 谷歌学者 [37] , “ 离散变分自动编码器 ,” 2016 , arXiv:1609.02200 。[在线]。 可用: http://arxiv.org/abs/1609.02200 谷歌学者 [38] , “ PixelCNN++:使用离散逻辑混合似然和其他修改改进Pixel有线电视新闻网 ,” 2017 , arXiv:1701.05517 。[在线]。 可用: http://arxiv.org/abs/1701.05517 谷歌学者 [39] , “ 生成以适应:使用生成性对抗网络对齐域 ,“in 程序。 IEEE/CVF Conf.计算。 视觉。 模式识别。 , 2018年6月 ,第页。 8503 —— 8512 . 谷歌学者 [40] , “ 光流与动作识别的集成 ,” 2017 , arXiv:1712.08416 。[在线]。 可用: http://arxiv.org/abs/1712.08416 谷歌学者 [41] , “ 超大神经网络:稀疏选通的专家混合层 ,” 2017 , arXiv:1701.06538 。[在线]。 可用: 网址:http://arxiv.org/abs/1701.06538 谷歌学者 [42] , “ 使用高效亚像素卷积神经网络的实时单图像和视频超分辨率 ,“in 程序。 IEEE配置计算。 视觉。 模式识别。 (CVPR) , 2016年6月 ,第页。 1874 —— 1883 . 谷歌学者 [43] , “ 用于纹理分类的刚体运动散射 ,” 2014 , arXiv:1403.1687 。[在线]。 可用: http://arxiv.org/abs/1403.1687 谷歌学者 [44] , “ 用于大规模图像识别的超深卷积网络 ,” 2014 , arXiv:1409.1556 。[在线]。 可用: http://arxiv.org/abs/1409.1556 谷歌学者 [45] , “ UCF101:来自野外视频的101个人类动作类的数据集 ,” 2012 , arXiv:1212.0402 。[在线]。 可用: http://arxiv.org/abs/1212.0402 谷歌学者 [46] , “ 基于超分辨率的移动平台医学图像压缩 ,“in 程序。 车间马赫数。 学习。 医疗保健 , 2015 ,第页。 1 —— 4 . 谷歌学者 [47] , “ NTIRE 2017单图像超分辨率挑战:方法和结果 ,“in 程序。 IEEE会议计算。 视觉。 模式识别器。 研讨会 , 2017年7月 ,第页。 114 —— 125 . 谷歌学者 [48] , “ 对抗性区分域适应 ,”中 程序。 IEEE配置计算。 视觉。 模式识别。 (CVPR) , 2017年7月 ,第页。 7167 —— 7176 . 谷歌学者 [49] , “ 使用PixelCNN解码器生成条件图像 ,“in 程序。 高级神经信息处理。 系统。 , 2016 ,第页。 4790 —— 4798 . 谷歌学者 [50] , “ 广义自动编码器:降维的神经网络框架 ,“in 程序。 IEEE配置计算。 视觉。 模式识别。 研讨会 , 2014年6月 ,第页。 490 —— 497 . 谷歌学者 [51] , “ 基于全卷积网络的视频显著目标检测 ,” IEEE传输。 图像处理。 ,卷。 27 ,没有。 1 ,第页。 38 —— 49 , 简。 2018 . 谷歌学者 交叉引用 [52] , “ 用于鲁棒图像特征提取的低秩嵌入 ,” IEEE传输。 图像处理。 ,体积。 26 ,没有。 6 ,第页。 2905 —— 2917 , 6月。 2017 . 谷歌学者 数字图书馆 [53] , “ 基于深度转移运动矢量CNN的实时动作识别 ,” IEEE传输。 图像处理。 ,体积。 27 ,没有。 5 ,第页。 2326 —— 2339 , 五月 2018 . 谷歌学者 数字图书馆 [54] , “ 基于有理分形插值的单幅图像超分辨率 ,” IEEE传输。 图像处理。 ,卷。 27 ,没有。 8 ,第页。 3782 —— 3797 , 八月。 2018 . 谷歌学者 交叉引用 [55] , “ 时间序列提取:视频中的少帧动作识别 ,” 2018 , arXiv:1808.05085 。[在线]。 可用: http://arxiv.org/abs/1808.05085 谷歌学者
建议
理解动态计算机模型中模型差异的专家组合 在科学和工程的许多领域,研究和决策都是使用计算机模型进行的。 这些计算机模型通常是确定性的,可能需要几分钟、几小时或几天的时间来生成单个值的输出。。。