{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期部分”：[[2024,6,25]]，“日期时间”：“2024-06-25T15:14:50Z”，“时间戳”：1719328490362}，“出版商位置”：“查姆”，“引用计数”：45，“出版者”：“斯普林格国际出版”，“isbn-type”：[{“值”：“978303001235”，“类型”：”打印“}，{“值”：“9783030012342”，“type”：“electronic”}]，“license”：[{“start”：{“date-parts”：[[2018,1,1]]，“date-time”：“2018-01-01T00:00:00Z”，“timestamp”：1514764800000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“https:\\/www.springer.com\/tdm”}01T00:00:00Z“，”timestamp“：1514764800000}，”content-version“：”vor“，“delay-in-days”：0，“URL”：“https:\/\/www.springer.com//tdm”}]，“content-domain”：{“domain”:[“link.springer.com”]，“crossmark-restriction”：false}，“short-container-title”：[]，“published-print”：{“date-parts”：[[2018]]}，”DOI“：”10.1007\/978-3-030-01234-2_39“，”类型“：”book-chapter“，”创建“：{”date-part“：[[2018,10,5]]，“日期时间”：“2018-10-05T16:13:11Z”，“时间戳”：1538755991000}，“页面”：“660-676”，“更新策略”：“http://\/dx.doi.org\/10.1007\/springer_crossmark_policy”，“源”：“Crossref”，”is-referenced-by-count“：200，”title“：[”SegStereo:利用语义信息进行差异估计“]，”prefix“：”10.1007“，”author“：[{”given“：”Guorn“，”family“：”Yang“，”sequence“：”first“，”affiliation“：[]}，{“给定”：“横双”，“家庭”：“赵”，“序列”：“附加”，“从属”：[]}，{“给出”：“建平”，“家族”：“施”，“顺序”：“额外”，“隶属”：[]}，}“给定的”：“支东”，“家人”：“邓”，”序列“：“附加的”，“附属”：[[]}，{”给定“：“加亚”，“家”：“加”，“排序”：“添加”，“归属”：[4]}]，“成员”：“297”，“在线发布”：{“date-parts”：[[2018,10,6]]}，“reference”：[{“key”：“39_CR1”，“unstructured”：“Alhaija，H.A.，Mustikovela，S.K.，Mescheder，L.，Geiger，A.，Rother，C.：增强现实满足了城市场景中汽车实例分割的深度学习。in:BMVC（2017）”}，{“key”：，“首页”：“154”，“DOI”：“10.1007\/978-3-319-46466-4_10”，“volume-title”：“Computer Vision\u2013 ECCV 2016”，“author”：“M Bai”，“year”：“2016年”，“unstructured”：“Bai，M.，Luo，W.，Kundu，K.，Urtasun，R.：利用语义信息并对光流进行深度匹配。In:Leibe，B.，Matas，J.，Sebe，N.，Welling，M.（eds.）ECCV 2016。LNCS，第9910卷，第154\u2013170页。查姆施普林格（2016）。https:\/\/doi.org\/10.1007\/978-3-319-46466-4_10“}，{”key“：”39_CR3“，”unstructured“：”Barron，J.T.：更一般的稳健损失函数。arXiv预印本arXiv:1701.03077（2017）“}”，{“key”：“39_CR4”，“doi-asserted-by”：“crossref”，“unstructure”：“”Behl，A.、Jafari，O.H.、Mustikovela，S.K.、Alhaija，H.A.、Rother，C.、Geiger，A.：边界框、分割和对象坐标：在自动驾驶场景中，识别3D场景流估计有多重要？In:ICCV（2017）“，”DOI“：”10.1109\/ICCV.2017.281“}，{“issue”：“1”，“key”：“39_CR5”，“DOI-asserted-by”：“publisher”，“first page”：”43“，“DOI”：“10.1109\/TPAMI.2010.54”，“volume”：：“33”，“author”：“M Brown”，“year”：“2011”，“unstructured”：“Brown，M.，Hua，G.，Winder，S.：局部图像描述符的判别学习。TPAMI 33（1），43\u201357（2011）“，”期刊标题“：”TPAMI“｝，｛”key“：”39_CR6“，”doi断言“：”crossref“，”非结构化“：”Chang，J.，Chen，Y.：金字塔立体匹配网络。In：CVPR（2018）“，”doi“：”10.1109\/CVPR.2018.00567“｝，｛”key“：”39_CR7“，”非结构化“：”Chen，L.，Papandreou，G.，Kokkinos，I.，Murphy，K.，Yuille，A.L.：用深度卷积网和全连通CRF进行语义图像分割（2015）“}，{“key”：“39_CR8”，“doi-asserted-by”：“crossref”，“unstructured”：“Chen，Z.，Sun，X.，Wang，L.，Yu，Y.，Huang，C.：立体匹配成本的深度视觉对应嵌入模型。In：ICCV（2015）“，”DOI“：”10.1109\/ICCV.2015.117“}，{“key”：“39_CR9”，“DOI-asserted-by”：“crossref”，“unstructured”：“Cheng，J.，Tsai，Y.H.，Wang，S.，Yang，M.H.：SegFlow：视频对象分割和光流的联合学习。In：ICCV（2017）”，“DOI”：“10.1109\/ICCV.2017.81”}，“key“：”39_CR10“，”DOI-assert-by“：”Crosref“，”非结构化“：”Cordts，M.等人：用于语义城市场景理解的城市景观数据集。In:CVPR（2016）“，”DOI“：”10.1109\/CVPR.2016.350“}，{“key”：“39_CR11”，“DOI-asserted-by”：“crossref”，“unstructured”：“Dosovitskiy，A.，et al.：FlowNet：用卷积网络学习光流。In:ICCV（2015）”，“DOI”：“10.1109\/ICCV.2015.316”}Flynn，J.、Neulander，I.、Philbin，J.和Snavely，N.：深度立体：学习从2019年的世界图像预测新观点。In:CVPR（2016）“，”DOI“：”10.1109\/CVPR.2016.595“}，{”key“：”39_CR13“，”series-title“：”计算机科学讲义“，”DOI-asserted-by“：”publisher“，”first page“：“740”，”DOI:“10.1007\/978-3319-46484-8_45”，“volume-title”：“Computer Vision\u2013 ECCV 2016”，“author”：“R Garg”，“year”：“2016”，”unstructured“：”Garg，R.，Vijay Kumar，B.G.，Carneiro，G.，Reid，I.：无监督CNN单视角深度估算：几何救援。收录人：Leibe，B.，Matas，J.，Sebe，N.，Welling，M.（编辑）ECCV 2016。LNCS，第9912卷，第740\u2013756页。查姆施普林格（2016）。https:\/\/doi.org\/10.1007\/978-3-319-46484-8_45“}，{“key”：“39_CR14”，“doi-asserted-by”：“crossref”，“unstructured”：“Geiger，A.，Lenz，P.，Urtasun，R.：我们准备好自动驾驶了吗？kitti视觉基准套件。In:CVPR（2012）”，“doi”：“10.1109\/CVPR.2012.6248074”}，“key“：”“39_CR15”，“series-title”：“计算机科学课堂笔记”，“doi-asserted-by“：”publisher“，”first page“：”25“，”doi“：”10.1007\/978-3-642-19315-6_3“，“volume-title”：“Computer Vision\u2013 ACCV 2010”，“author”：“A Geiger”，“year”：“2011”，“unstructured”：“Geiger，A.，Roser，M.，Urtasun，R.：高效大规模立体匹配。收录人：Kimmel，R.、Klette，R.和Sugimoto，A.（编辑）ACCV 2010。LNCS，第6492卷，第25\u201338页。施普林格，海德堡（2011）。https:\/\/doi.org\/10.1007\/978-3-642-19315-6_3“}，{“key”：“39_CR16”，“doi-asserted-by”：“crossref”，“unstructured”：“Gidaris，S.，Komodakis，N.：检测、替换、细化：像素级标记的深层结构预测。In:CVPR（2017）”，“doi”：“10.1109\/CVPR.2017.760”}，}“key”：”39_CR17“，”doi-assert-by“：”crossref.“非结构化”：“Godard，C.、Mac Aodha，O.、Brostow，G.J.：具有左右一致性的无监督单目深度估计。收录于：CVPR（2017）“，”DOI“：”10.1109\/CVPR.2017.699“}，{“key”：“39_CR18”，“DOI-asserted-by”：“crossref”，“unstructured”：“Guney，F.，Geiger，A.：Displets：使用对象知识解决立体歧义。收录于:CVPRHe，K.，Zhang，X.，Ren，S.，Sun，J.：图像识别的深度剩余学习。In:CVPR（2016）“，”DOI“：”10.1109\/CVPR.2016.90“}，{“key”：“39_CR20”，“DOI-asserted-by”：“crossref”，“unstructured”：“Heise，P.，Jensen，B.，Klose，S.，Knoll，A.：通过二进制位置敏感散列实现快速稠密立体对应。In:ICRA（2015）”，“DOI”：“10.1109\/ICRA.2015.7138987”}，}“issue”：“2”，“key“：”39_CR21“，”DOI-assert-B y“：”publisher“，”第一页“：”328“，”DOI“：”10.1109\/TPAMI.2007.1166“，”volume“：”30“，”author“：”H Hirschmuller“，”year“：”2008“，”unstructured“：”Hirschmuller，H：通过半全局匹配和互信息进行立体处理。TPAMI 30（2），328\u2013341（2008）“，”期刊标题“：”TPAMI“}，｛”期刊“：”9“，”密钥“：”39_CR22“，”doi断言“：”出版商“，”首页“：”1582“，”doi“：”10.1109\/TPAMI.2008.221“，”卷“：”31“，”作者“：”H Hirschmuller“，”年份“：”2009“，”非结构化“：”Hirschmuller，H.，Scharstein，D.：具有辐射差异的图像立体匹配成本评估。TPAMI 31（9），1582\u20131599（2009）“，“新闻标题”：“TPAMI”}，{“key”：“39_CR23”，“series-title”：“计算机科学课堂讲稿”，“doi-asserted-by”：“publisher”，“first page”：”3“，“doi”：“10.1007\/978-319-49409-8_1”，”volume-title“计算机视觉\u2013 ECCV 2016研讨会”，“author”：“JJ Yu”，“year”：“2016”，“unstructured”：“Yu，J.J.，Harley，A.W.，Derpanis，K.G.：回到基础：通过亮度恒定性和运动平滑度无监督学习光流。收录人：Hua，G.，J\u00e9gou，H.（编辑）ECCV 2016。LNCS，第9915卷，第3\u201310页。查姆施普林格（2016）。https:\/\/doi.org\/10.1007\/978-3-319-49409-8_1“}，{“key”：“39_CR24”，“doi-asserted-by”：“crossref”，“unstructured”：“Jia，Y.，et al.：Caffe:快速特征嵌入的卷积体系结构。In:ACM MM（2014）”，“doi”：“10.1145\/2647868.2654889”}，}，“key“：”39_CR25“doi-sserted-byKendall，A.等人：深入立体回归的几何和上下文的端到端学习。In:ICCV（2017）“，”DOI“：”10.1109\/ICCV.2017.17“}，{“key”：“39_CR26”，“DOI-asserted-by”：“crossref”，“unstructured”：“Kong，D.，Tao，H.：立体计算中学习匹配错误的方法。In:BMVC（2004）”，“DOI”：“10.5244\/C.18.11”}，“key“：”39_CR27“DOI-sserted-byKuznietsov，Y.，St\u00fckler，J.，Leibe，B.：单目深度图预测的半监督深度学习。其中：CVPR（2017）“，”DOI“：”10.1109\/CVPR.2017.238“}，{“key”：“39_CR28”，“DOI-asserted-by”：“crossref”，“unstructured”：“Liang，Z.，et al.：通过特征恒常性学习视差估计。In:CVPRLong，J.，Shelhamer，E.，Darrell，T.：语义分割的完全卷积网络。其中：CVPR（2015）“，”DOI“：”10.1109\/CVPR.2015.7298965“}，{“key”：“39_CR30”，“DOI-asserted-by”：“crossref”，“unstructured”：“Luo，W.，Schwing，A.G.，Urtasun，R.：立体匹配的高效深度学习。In:CVPRMayer，N.等人：一个大型数据集，用于训练用于视差、光流和场景流估计的卷积网络。In:CVPR（2016）“，”DOI“：”10.1109\/CVPR.2016.438“}，{“key”：“39_CR32”，“DOI-asserted-by”：“crossref”，“unstructured”：“Meister，S.，Hur，J.，Roth，S.：UnFlow：具有双向普查损失的光流无监督学习。In:AAAI“，”非结构化“：”Menze，M.，Geiger，A.：自动车辆的对象场景流。收录：CVPR（2015）“，”DOI“：”10.1109\/CVPR.2015.7298925“}，{“key”：“39_CR34”，“DOI-asserted-by”：“crossref”，“unstructured”：“Pang，J.，Sun，W.，Ren，J.、Yang，C.，Yan，Q.：级联剩余学习：立体匹配的两阶段卷积神经网络。收录：ICCV Workshop（2017）”，“DOI”：“10.1109\/ICCVW.2017.108”}，“{”key“：”39_CR35“，”DOI-assert-by”：“crossref”，“非结构化”：“Ren，Z.，Sun，D.，Kautz，J.，Sudderth，E.B.：使用语义分割的级联场景流预测。In:ICCV Workshop（2017）“，”DOI“：”10.1109\/3DV.2017.00034“}，{”issue“：”3“，”key“：”39_CR36“，”DOI-asserted-by“：”publisher“，”first page“：“300”，“DOI”：“10.1007\/s11263-016-0908-3”，“volume”：“120”，“author”：“J Revaud”，“year”：“2016”，“unstructured”：“Revaud，J.，Weinzaepfel，P.，Harchaoui，Z.，Schmid，C.：深度匹配：分层可变形密集匹配。IJCV 120（3），300\u2013323（2016）“，”journal-title“：”IJCV“}，{“key”：“39_CR37”，“doi-asserted-by”：“crossref”，“unstructured”：“Seki，A.，Pollefeys，M.：稠密视差图的基于补丁的置信度预测。In:BMVC（2016）”，“doi”：“10.5244\/C.30.23”}，“key“：”39_CR38“，”doi-assert-by“：”crossref.“，”非结构化“：”Shaked，A.，Wolf，L.：通过持续的高速公路网络和反射式自信学习改进立体匹配。In:CVPR（2017）“，”DOI“：”10.1109\/CVPR.2017.730“}，{“issue”：“12”，“key”：“39_CR39”，“DOI-asserted-by”：“publisher”，“first-page”：“2481”，“DOI”：“10.1109\/TPAMI.2016.2644615”，“volume”：”39“author”：“B Vijay”，“year”：“2017”，“unstructured”：“Vijay，B.，Alex，K.，Cipolla，R.：SegNet：用于图像分割的深度卷积编码器-解码器架构。TPAMI 39（12），2481\u20132495（2017）“，“日记标题”：“TPAMI”}，{“key”：“39_CR40”，“series-title”：“计算机科学讲义”，“doi-asserted-by”：“publisher”，“first page”：”842“，“doi”：“10.1007\/978-3-196493-0_51”，“volume-title”：”Computer Vision\u2013 ECCV 2016“，“author”：“J Xie”，“year”：“2016”，“unstructured”：“Xie，J.，Girshick，R.，Farhadi，A.：Deep3D：使用深度卷积神经网络的全自动2D到3D视频转换。收录人：Leibe，B.，Matas，J.，Sebe，N.，Welling，M.（编辑）ECCV 2016。LNCS，第9908卷，第842\u2013857页。查姆施普林格（2016）。https:\/\/doi.org\/10.1007\/978-3-319-46493-0_51“}，{”key“：”39_CR41“，”series-title“：”计算机科学讲义“，”doi-asserted-by“：”publisher“，”first page“：“756”，”doi“：”10.1007\/978-30-319-10602-1_49“，”volume-title“：“Computer Vision\u2013 ECCV 2014”，”author“：”K Yamaguchi“，“年份”：“2014”，“非结构化”：“Yamaguchi，K.、McAllester，D.、Urtasun，R.：有效的关节分割、遮挡标记、立体和流量估计。收录：Fleet，D.，Pajdla，T.，Schiele，B.，Tuytelaars，T.（编辑）ECCV 2014。LNCS，第8693卷，第756\u2013771页。查姆施普林格（2014）。https:\/\/doi.org/10.1007\/978-3-319-10602-1_49“｝，｛“key”：“39_CR42”，“doi断言者”：“crossref”，“非结构化”：“Yu，L.，Wang，Y.，Wu，Y.，Jia，Y.：具有显式成本聚合子架构的深度立体匹配。在：AAAI（2018）”，“doi”：“10.1609\/aai.v32i.12267”｝，｛“issue”：“1”，“key”：“39_CR43”，“首页”：“2287”，“卷”：“17“，”作者“：”J Zbontar”，“年份”：“2016年”，“非结构化”：“Zbontard，J.，LeCun，Y.：通过训练卷积神经网络进行立体匹配，以比较图像补丁。JMLR 17（1），2287\u20132318（2016）“，“journal-title”：“JMLR”}，{“key”：“39_CR44”，“doi-asserted-by”：“crossref”，“unstructured”：“Zhao，H.，Shi，J.，Qi，X.，WangZhou，C.，Zhang，H.，Shen，X.，Jia，J.：立体匹配的无监督学习。In:ICCV（2017）“，”DOI“：”10.1109\/ICCV.2017.174“}]，”container-title“：[”Computer Vision\u2013 ECCV 2018“，”计算机科学讲义“]，”original-title”：[]，”link“：[{”URL“：”https:\/\/link.springer.com\/content\/pdf\/10.10007\/978-3-30-01234-2_39“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”相似性检查“}]，“deposed”：{“date-parts”：[[2022,10,5]]，“date-time”：“2022-10-05T00:29:12Z”，“timestamp”：1664929752000}，“score”：1，“resource”：{“primary”：{:“URL”：“https:\\/link.springer.com\/10.1007\/978-3030-01234-2_39”}，”subtitle“：[]，”shorttitle“：[]，”issued“：{”date-part“：[2018]]}，‘ISBN’：[”9783030012335“，”978303012342“]，“引用计数”：45，“URL”：“http://\/dx.doi.org\/10.1007\/978-3-030-01234-2_39”，“关系”：{}，“ISSN”：[“0302-9743”，“1611-3349”]，“ISSN-type”：[{“值”：“0302-7743”“2018年10月6日”，“订单”：1，“名称”：“first_online”，“标签”：“第一在线”，“群组”：｛“name”：“ChapterHistory”，“label”：“ChapterHistory”｝｝，｛“value”：“ECCV”，“order”：1，“name”：“conference_name”，“label”：“ConferenceInfo”，“group”：｛“name”：“ConferenceInfo”，“label”：“ConferenceInformation”｝，｛“value”：“European conference on Computer Vision”，“order”：2，“name”：“conference_name”，“label”：“ConferenceName”，“group”：｛“name”：“ConferenceInfo”，“label”：“Conference Information”}}，{“value”：“Munich”，“order”：3，“name”：“Conference_city”，“label:“Conferency city”，“group”：{“name”，“ConfernceInfo”，“table”：“Meeting Information”{}，“value“：”德国“，“order:4，“name“：”Conference_country“，”label“：”Conference_country“：“2018”，“order”：5，“name”：“conference_year”，“label”：“会议年份”，“group”：{“name”:“ConferenceInfo”，“table”：“Conferency Information”}}，{“value”：“2018年9月8日”，“订单”：7，“name“：”conference_start_date“，”label“：”会议开始日期“，”group“：{”name“：：8，“name”：“conference_end_date”，“label”：“会议结束日期”，“group”：{“name”:“ConferenceInfo”，”label“：“会议信息”}}，{“value”：“15”，“order”：9，“name“：”conference_number“，”lable“：”ConferenceNumber“，”group“：{”name“：“ConferenceInfo”，“标签”：“会议ID”，“组”：{“name”：“ConferenceInfo”，“label”：“会议信息”}}，{“value”：“https:\/\/eccv2018.org\/”，“order”：11，“名称”：“Conference_url”，“标签”：“大会url”，“group”：{“name”:“ConferenceInfo”]}}