{“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”：[[2024,6,17]]，“日期-时间”：“2024-06-17T11:12:38Z”，“时间戳”：171862275834343}，“出版商位置”：“查姆”，“引用-计数”：86，“出版者”：“斯普林格国际出版”，“isbn-type”：[{“值”：“9783030012335”，“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_49“，”类型“：”book-capter“，”创建“：{”date-part“：[[2018,10,5]]，“日期时间”：“2018-10-05T16:13:11Z”，“时间戳”：1538755991000}，“页面”：“833-851”，“更新策略”：“http://\/dx.doi.org\/10.1007\/springer_crossmark_policy”，“源”：“Crossref”，”is-referenced-by-count“：5353，”title“：[”Encoder-Decoder with Atrous Separable Convolution for Semantical Image Segmentation“]，”prefix“：”10.1007“，”author“：[{”given“given”：“Liang-Chieh”，“family”：“Chen”，“sequence”：“第一个“，“从属关系”：[]｝，｛“给定”：“Yukun”，“家族”：“Zhu”，“序列”：“additional”，“从属关系”：[]｝，｛“给定”：“George”，“家族”：“Papandreou”，“序列”：“additional”，“从属关系”：[]｝，｛“给定”：“Florian”，“家族”：“Schroff”，“序列”：“additional”，“从属关系”：[]｝，｛“给定”：“Hartwig”，“家族”：“Adam”，“序列”：“additional”，“从属关系”：[]｝，”成员”：“297”，“published-online”：{“date-parts”：[[2018,10,6]]}，“reference”：[{“key”：“49_CR1”，“doi-asserted-by”：“publisher”，”first page“：”98“，”doi“：”10.1007\/s11263-014-0733-5“，”volume“：“111”，”author“：”M Everingham“，”year“：”2014“，”unstructured“：“Everingham，M.，Eslami，S.M.A.，Gool，L.V.，Williams，C.K.I.，Winn，J.，Zisserman，A.：PASCAL视觉对象类挑战-回顾。IJCV 111，98\u2013136（2014）”，“新闻标题”：“IJCV”}，{“key”：“49_CR2”，“doi-asserted-by”：“crossref”，“unstructured”：“Mottaghi，R.，Chen，X.，Liu，X.、Cho，N.G.、Lee，S.W.、Fidler，S.、Urtasun，R、Yuille，A.：上下文在野外对象检测和语义分割中的作用。in:CVPR（2014）”，“DOI”：“10.1109\/CVPR.2014.119”}，{“key”：“49_CR3”，“DOI-asserted-by”：“crossref”，“unstructured”：“Cordts，M.、Omran，M.，Ramos，S.、Rehfeld，T.、Enzweiler，M.和Benenson，R.、Franke，U.、Roth，S.和Schiele，B.：城市场景语义理解的城市场景数据集。In:CVPR（2016）”，“DOI”：“10.1109\/CVPR.2016.350”}，{“key”：“49_CR4”，“DOI-asserted-by”：“crossref”，“unstructured”：“Zhou，B.，Zhao，H.，Puig，X.，Fidler，S.，Barriuso，A.，Torralba，A.：通过ADE20K数据集进行场景解析。In：CVPR（2017）”，“DOI”：“10.1109\/CVPR.2017.544”}，{“key”：“49_CR5”，“DOI-asserted-by”：“crossref”，“unstructured”：“Caesar，H.、Uijlings，J.、Ferrari，V.：COCOCOCO-stuff:上下文中的事物和素材类。In（2018）”，《DOI》：“10.1109\/CVPR.2018.00132”}，{“key”：“49_CR6”，“doi-asserted-by”：“crossref”，“unstructured”：“LeCun，Y.，Bottou：“Krizhevsky，A.，Sutskever，I.，Hinton，G.E.：使用深度卷积神经网络进行ImageNet分类。In:NIPS（2012）”}，{“key”：“49_CR8”，“unstructured”：“Sermanet，P.，Eigen，D.，Zhang，X.，Mathieu，M.，Fergus，R.，LeCun，Y.：OverFeat:使用卷积网络进行集成识别、定位和检测。In:ICLR：“49_CR9”，“非结构化”：“Simonyan，K.，Zisserman，A.：用于大规模图像识别的深度卷积网络。In：ICLR（2015）”}，{“key”：“49.CR10”，“doi-asserted-by”：“crossref”，“unstructured”：“Szegedy，C.，et al.：深入卷积。In:CVPR（2015：“crossref”，“unstructured”：“Long，J.，Shelhamer，E.，Darrell，T.：用于语义分割的全卷积网络。In：CVPR（2015）”，“DOI”：“10.1109\/CVPR.2015.72989965”｝，｛“key”：“49_CR12”，“unstructured”：“He，X.，Zemel，R.S.，Carreira Perpindn，M.：用于图像标记的多尺度条件随机场。In：CVPR（2004）”｝，｛“issue”：“2”，“key”：“49_CR13”，“doi-asserted-by”：“publisher”，“first page”：“2”，“doi”：“10.1007\/s11263-007-0109-1”，《卷》：“81”，“作者”：“J Shotton”，“年份”：“2009”，“非结构化”：“Shotton，J.、Winn，J.，Rother，C.、Criminisi，A.：用于图像理解的TextonBoost：通过联合建模纹理、布局和上下文来识别和分割多类对象。IJCV 81（2），2\u201323（2009）”，“journal-title”：“IJCV”}，{“issue”：“3”，“key”：“49_CR14”，“doi-asserted-by”：“publisher”，“first-pages”：“302”，”doi“：“10.1007\/s11263-008-0202-0”，“volume”：“82”，“author”：“P Kohli”，“year”：“2009”，“unstructured”：“Kohli，P.，Torr，P.H.，et al.：增强标签一致性的强大高阶潜能。IJCV 82（3），302\u2013324（2009）”，“journal-title”：“IJCV”}，{“key”：”49_CR15“doi-asserted-by”：“crossref”，“非结构化”：“Ladicky，L.，Russell，C.，Kohli，P.，Torr，P.H.：对象类图像分割的关联层次CRF。In：ICCV（2009）”，“DOI”：“10.1109\/ICCV.2009.5459248”}，{“key”：“49_CR16”，“DOI-asserted-by”：“crossref”，“unstructured”：“Gould，S.，Fulton，R.，Koller，D.：将场景分解为几何和语义一致的区域。In：ICCV（2009）”，“DOI”：“10.1109\/ICCV.2009.5459211”}，{“key”：“49_CR17”，“unstructured”：“Yao，J.，Fidler，S.和Urtasun，R.：将场景描述为一个整体：联合对象检测、场景分类和语义分割。In:CVPR（2012）”}，{“key”：“49_CR18”，“doi-asserted-by”：“crossref”，“unstructured”：“Grauman，K.，Darrell，T.：金字塔匹配核：具有图像特征集的鉴别分类。In:ICCV（2005）”，“doi”：“10.1109\/ICCV.2005.239”}，{：“Lazebnik，S.，Schmid，C.，Ponce，J.：超越特征袋：用于识别自然场景类别的空间金字塔匹配。In:CVPR（2006）”}，{“key”：“49_CR20”，“doi-asserted-by”：“crossref”，“unstructured”：“He，K.，Zhang，X.，Ren，S.、Sun，J.:用于视觉识别的深层卷积网络中的空间金字塔池。In:ECCV（2014）”，“doi”：“10.1007\/978-3-319-10578-9_23”}，{“key”：“49_CR21”，“doi-asserted-by”：“crossref”，“unstructured”：“Ronneberger，O.，Fischer，P.，Brox，T.：U-Net:用于生物医学图像分割的卷积网络。In:MICCAI（2015）”，“doi”：“10.107\/9783-319-24574-4_28”}：“Badrinarayan，V.，Kendall，A.，Cipolla，R.：SegNet:用于图像分割的深度卷积编码器-解码器架构。PAMI（2017）”，“DOI”：“10.1109 \/TPAMI.2016.2644615”}，{“key”：“49_CR23”，“unstructured”：“Chen，L.C.，Papandreou，G.，Schroff，F.，Adam，H.：重新思考用于语义图像分割的atrous卷积。arXiv:1706.05587（2017）“}，{”key“：”49_CR24“，”doi-asserted-by“：”crossref“，”unstructured“：”Zhao，H.，Shi，J.，Qi，X，Wang，X.，Jia，J.：金字塔场景解析网络。In：CVPR（2017）“，”doi“：”10.1109\/CVPR.2017.660“}”，{“key”：“49_CR25”，“doi-assert-by”：“Crosref”，“unstructure”：“”He，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”：“49_CR26”，“DOI-asserted-by”：“crossref”，“unstructured”：“Cholet，F.：Xception：深度学习与深度可分卷积。In:CVRP（2017）”，“DOI”：“10.1109\/CVPR.2017.195”}，“key“：”49_CR27“非结构化”：“Sifre，L.：图像分类的Rigid-motion散射。博士论文（2014）”}，{“key”：“49_CR28”，“unstructured”：“Vanhoucke，V.：在规模上学习视觉表征（邀请演讲）。In:ICLR（2014）”}，{（key）：“49.CR29”，“非结构化”：“Howard，A.G.，et al.：MobileNets:移动视觉应用的高效卷积神经网络。arXiv:1704.04861（2017）”：“Zhang，X.，Zhou，X.、Lin，M.、Sun，J.：ShuffleNet:一种用于移动设备的非常高效的卷积神经网络。In:CVPR（2018）”，“DOI”：“10.1109\/CVPR.2018.00716”}，{“key”：“49_CR31”，“unstructured”：“Qi，H.，et al.：可变形卷积网络-COCO检测和分割挑战2017条目。In:ICCV COCO挑战研讨会（2017）”}，{“key”：“49_CR32”，“doi-asserted-by”：“crossref”，“unstructured”：“Mostajabi，M.，Yadollahpour，P.，Shakhnarovich，G.：具有缩小功能的前馈语义分割。In:CVPR（2015）”，“doi”：“10.1109\/CVPR.2015.7298959”}，{“key”：“49_CR33”，“doi-asserted-by”：“crossref”，“unstructured”：“Dai，J.，He，K.，Sun，J.：用于联合对象和内容分割的卷积特征掩盖。In:CVPR（2015）”，“doi”：“10.109\/CVPR.2015.7299025”}：“Farabet，C.，Couprie，C.，Najman，L.，LeCun，Y.：学习场景标记的层次化特征。PAMI（2013）”，“DOI”：“10.1109\/TPAMI.2012.231”}，{“key”：“49_CR35”，“DOI-asserted-by”：“crossref”，“unstructured”：“Eigen，D.，Fergus，R.：使用通用多尺度卷积结构预测深度、表面法线和语义标签。In：ICCV（2015）”，“DOI”：“10.1109\/ICCV.2015.304”}，{“key”：“49_CR36”，“unstructured”：“Pinheiro，P.，Collobert，R.:场景标记的递归卷积神经网络。In:ICML（2014）”}，“doi-asserted-by”：“crossref”，“unstructured”：“Lin，G.，Shen，C.，van den Hengel，A.，Reid，I.：语义切分的深层结构模型的高效分段训练。In:CVPR（2016）”，“doi”：“10.1109\/CVPR.2016.348”}，{“key”：“49_CR38”，“doi-asserted-by”：：“Chen，L.C.，Yang，Y.，Wang，J.，Xu，W.，Yuille，A.L.：关注尺度：尺度软件语义图像分割。In:CVPR（2016）”，“DOI”：“10.1109\/CVPR.2016.396”}，{“key”：“49_CR39”，“DOI-asserted-by”：“publisher”，“first page”：《834》，“DOI:”10.1109\/TPAMI.2017.2699184“，”volume：“40”，“author”：“LC Chen”，“year”：“2017”，“unstructured”：“Chen，L.C.，Papandreou，G.，Kokkinos，I.，Murphy，K.，Yuille，A.L.：DeepLab：使用深度卷积网络、atrous卷积和完全连接的CRF进行语义图像分割。TPAMI 40，834\u2013848（2017）”，“日记标题”：“TPAMI”}，{“key”：“49_CR40”，“非结构化”：“Kr\u00e4henb\u00fchl，P.，Koltun，V.：具有高斯边势的全连通CRF中的有效推断。in:NIPS（2011）”}，{“key”：“49_CR41”，“doi-asserted-by”：“crossref”，“unstructured”：“Adams，A.，Baek，J.，Davis，M.A.：使用置换自面体晶格的快速高维滤波。in:Eurographics（2010）”，“doi”：“10.1111\/j.1467-8659.2009.01645.x”}，｛“key”：“49_CR42”，“非结构化”：“Chen，L.C.，Papandreou，G.，Kokkinos，I.，Murphy，K.，Yuille，A.L.：使用深度卷积网和完全连接的CRF进行语义图像分割。在：ICLR（2015）”}，｛“key”：“49_CR43”，“doi由”断言：“crossref”，“非结构化”：“Bell，S.，Upchurch，P.，Snavely，N.，Bala，K.：使用上下文数据库中的材料进行野外材料识别。in:CVPR（2015）”，“DOI”：“10.1109\/CVPR.2015.7298970”}，{“key”：“49_CR44”，“DOI-asserted-by”：“crossref”，“unstructured”：“Zheng，S.等：条件随机场作为递归神经网络。in:ICCV（2015：“10.1109\/ICCV.2015.179”}，{“key”：“49_CR45”，“doi-asserted-by”：“crossref”，“unstructured”：“Liu，Z.，Li，X.，Luo，P.，Loy，C.C.，Tang，X.：通过深度解析网络进行语义图像分割。In:ICCV（2015）”，“doi”：“10.109\/ICCV.2015.162”}、{“key”：”49_CR46“doi-ased-by”：“Crosref“，”unstructure“：“Papandreou，G.，Chen，L.C.，Murphy，K.，Yuille，A.L.：用于语义图像分割的DCNN弱监督和半监督学习。In：ICCV（2015）”，“DOI”：“10.1109\/ICCV.2015.203”}，{“key”：“49_CR47”，“unstructured”：“Schwing，A.G.，Urtasun，R.：完全连接的深层结构网络。arXiv:1503.02351（2015）：“crossref”，“unstructured”：“Jampani，V.，Kiefel，M.，Gehler，P.V.：学习稀疏高维滤波器：图像滤波，密集CRF和双边神经网络。In:CVPR（2016）”，“DOI”：“10.1109\/CVPR.2016.482”}，{“key”：“49_CR49”，“DOI-asserted-by”：“crostref”，“非结构化”：“Vemulapalli，R.，Tuzel，O.，Liu，M.Y.，Chellappa，R.：用于语义分割的高斯条件随机场网络。In:CVPR（2016）”，“DOI”：“10.1109\/CVPR.2016.351”}，{“key”：“49_CR50”，“series-title”：“计算机科学课堂笔记”，“DOI-asserted-by”：“publisher”，“first page”：”402“DOI“10.1007\/978-3-196478-7_25”，“volume-title”：“计算机视觉\u2013 ECCV 2016”，“作者”：“S Chandra”，“年份”：“2016”，“非结构化”：“Chandra，S.，Kokkinos，I.：利用深度高斯CRFs进行语义图像分割的快速、精确和多尺度推理。In：Leibe，B.，Matas，J.，Sebe，N.，Welling，M.（编辑）ECCV 2016。LNCS，第9911卷，第402\u2013418页。查姆施普林格（2016）。https:\/\/doi.org\/10007\/978-3-319-46478-7_25“}，{“key”：“49_CR51”，“doi-asserted-by”：“crossref”，“unstructured”：“Chandra，S.，Usunier，N.，Kokkinos，I.：使用深度嵌入的密集和低阶高斯CRF。In:ICCV（2017）”，“doi”：“10.1109\/ICCV.2017.546”}，“key“：”49_CR52“，”非结构化“：”Liu，W.，Rabinovich，A.，Berg，A.C.：ParseNet：看得更宽，看得更好。arXiv:1506.04579（2015）“}，{“key”：“49_CR53”，“doi-asserted-by”：“crossref”，“unstructured”：“Newell，A.，Yang，K.，DengLin，T.Y.，Doll\u00e1r，P.，Girshick，R.，He，K.，Hariharan，B.，Belongie，S.：目标检测的特征金字塔网络。In:CVPR（2017）“，”DOI“：”10.1109\/CVPR.2017.106“}，{“key”：“49_CR55”，“unstructured”：“Shrivastava，A.，Sukthankar，R.，Malik，J.，Gupta，A.：超越跳过连接：对象检测的自上而下调制。arXiv:1612.06851（2016）”}，“key“：”49_CR56“，”非结构化“：”Fu，C.Y.，Liu，W.，Ranga，A.，Tyagi，A.，Berg，A.C.：DSSD：反褶积单炮探测器。arXiv:1701.06659（2017）“}，{“key”：“49_CR57”，“doi断言者”：“crossref”，“非结构化”：“Noh，H.，Hong，S.，Han，B.：用于语义分割的学习反卷积网络。In：ICCV（2015）”，“doi”：“10.1109\/ICCV.2015.178”}，{“key”：“49_CR58”，“doi断言者”：“crossref”，“非结构化”：“Lin，G.，Milan，A.，Shen，C.，Reid，I.：RefineNet：具有身份映射的多路径细化网络，用于高分辨率语义分割。其中：CVPR（2017）“，”DOI“：”10.1109\/CVPR.2017.549“}，{“key”：“49_CR59”，“DOI-asserted-by”：“crossref”，“unstructured”：“Pohlen，T.，Hermans，A.，Mathias，M.，Leibe，B.：街头场景语义分割的全分辨率残差网络。In:CVPR“非结构化”：“Peng，C.、Zhang，X.、Yu，G.、Luo，G.和Sun，J.：大内核问题-通过全局卷积网络改进语义分割。In:CVPR（2017）“，”DOI“：”10.1109\/CVPR.2017.189“}，{“key”：“49_CR61”，“DOI-asserted-by”：“crossref”，“unstructured”：“Islam，M.A.，Rochan，M.，Bruce，N.D.，Wang，Y.：密集图像标记的门控反馈优化网络。In:CVPR（2017）“，”DOI“：”10.1109\/CVPR.2017.518“}，{“key”：“49_CR62”，“DOI-asserted-by”：“crossref”，“unstructured”：“Wojna，Z.，et al.：魔鬼在解码器中。In:BMVC（2017）”，“DOI”：“10.5244\/C.31.10”}，“key“：”49_CR63“DOI-sserted-byFu，J.，Liu，J.、Wang，Y.、Lu，H.：用于语义分割的堆叠反褶积网络。arXiv:1708.04943（2017）“，”DOI“：”10.1109\/ICIP.2017.8296850“}，{”key“：”49_CR64“，”DOI-asserted-by“：”crossref“，”unstructured“：”Zhang，X.，Peng，C.，Cheng，D.，Sun，J.：ExFuse:增强语义切分的特征融合。arXiv:1804.03821（2018）“，ted-by“：”crossref“，”非结构化“：”Xie，S.，Girshick，R.，Doll\u00e1r，P.，Tu，Z.，He，K.：深度神经网络的聚合残差变换。In:CVPR（2017）“，”DOI“：”10.1109\/CVPR.2017.634“}，{“key”：“49_CR66”，“unstructured”：“Jin，J.，Dundar，A.，Culurciello，E.：用于前馈加速的平坦卷积神经网络。arXiv:1412.5474（2014）”}，”{“key”：”49_CR67“，”unstructure“：”Wang，M.，Liu，B.，Foroosh，H.：使用单通道内卷积、拓扑细分和空间瓶颈结构设计高效卷积层。arXiv:1608.04337（2016）“}，{“key”：“49_CR68”，“doi-asserted-by”：“crossref”，“unstructured”：“Zoph，B.，Vasudevan，V.，Shlens，J.，Le，Q.V.：学习可扩展图像识别的可转换架构。In:CVPR（2018）”，“doi”：“10.1109\/CVPR.2018.00907”}，}“key:”49_CR69“，”doi-assert-by“：”publisher“，”first page“：”289“，”doi“：”10.1007\/978-3-642-75988-8_28“，“volume-title”：“小波：时频方法和相空间”，“author”：“M Holschneider”，“year”：“1989”，“unstructured”：“Holschneier，M.，Kronland-Martinet，R.，Morlet，J.，Tchamitchian，P.：借助小波变换进行信号分析的实时算法。摘自：Combes，J.M.，Grossmann，A.，Tchamitchian，P.（编辑）《小波：时频方法和相空间》，第289页\u2013297。斯普林格，海德堡（1989）。https:\/\/doi.org\/10007\/978-3642-75988-8_28“}，{“key”：“49_CR70”，“doi-asserted-by”：“crossref”，“unstructured”：“Giusti，A.，Ciresan，D.，Masci，J.，Gambardella，L.，Schmidhuber，J.：使用深度最大值卷积神经网络进行快速图像扫描。In:ICIP（2013）”，“doi”：“10.1109\/ICIP.2013.6738831”}，}，“key“：”49_CR71“，”doi-asserted-by“：”crossref”，“非结构化”：“Papandreou，G.，Kokkinos，I.，Savalle，P.A.：深度学习中的局部和全局变形建模：缩影卷积、多实例学习和滑动窗口检测。In:CVPR（2015）“，”DOI“：”10.1109\/CVPR.2015.7298636“}，{“key”：“49_CR72”，“unstructured”：“Abadi，M.，Agarwal，A.，et al.：TensorFlow:异构分布式系统上的大规模机器学习。arXiv:1603.04467（2016）”}，}，”key“：”49_CR73“，”DOI-asserted-by“：”crossref“，”unstructure“：”Hariharan，B.，Arbel\u00e1ez，P.，Girshick，R.，Malik，J.：用于对象分割和细粒度定位的超列。In:CVPR（2015）“，”DOI“：”10.1109\/CVPR.2015.7298642“}，{“issue”：“3”，“key”：“49_CR74”，“DOI-asserted-by”：“publisher”，“first page”：《211》，“DOI”：“10.1007\/s11263-015-0816-y”，“volume”：”115“，“author”：“Olga Russakovsky”，”year“2015”，“unstructured”：“Russakowsky，O.，et al.：ImageNet大规模视觉识别挑战。IJCV 115、211\u2013252（2015）“，”journal-title“：”《国际计算机视觉杂志》“}，{”key“：”49_CR75“，”unstructured“：”Ioffe，S.，Szegedy，C.：“批量规范化：通过减少内部协变量偏移来加速深度网络训练。In:ICML（2015）“}”，{“key”：“49_CR76”，“doi-asserted-by”：“crossref”，“unstructure”：“”Hariharan，B.，Arbel\u00e1ez，P.，Bourdev，L.，Maji，S.，Malik，J.：反向检测器的语义轮廓。In:ICCV（2011）“，”DOI“：”10.1109\/ICCV.2011.6126343“}，{“key”：“49_CR77”，“DOI-asserted-by”：“crossref”，“unstructured”：“Wang，P.，et al.：理解卷积用于语义分割。arXiv:1702.08502（2017）”，“DOI”：“10.1109\/WACV.2018.00163”}，“key“：”49_CR78“，”DOI-assert-by“：”crossref.“，”unstructure“：”Dai，J.，Qi，H.，Xiong，Y.，Li，Y.，Zhang，G.，Hu，H.，Wei，Y.：可变形卷积网络。In:ICCV（2017）“，”DOI“：”10.1109\/ICCV.2017.89“}，{“key”：“49_CR79”，“DOI-asserted-by”：“publisher”，“first page”：”740“，”DOI“：“10.1007\/978-3319-10602-1_48”，“volume-title”：“Computer Vision\u2013 ECCV 2014”，“author”：“Tsung-Yi Lin”，”year“：”2014“，”unstructured“：”Lin，T.-Y.，等：微软COCO：上下文中的通用对象。收录：Fleet，D.，Pajdla，T.，Schiele，B.，Tuytelaars，T.（编辑）ECCV 2014。LNCS，第8693卷，第740\u2013755页。查姆施普林格（2014）。https:\/\/doi.org\/10.1007\/978-3-319-10602-1_48“}，{”key“：”49_CR80“，”unstructured“：”Hinton，G.，Vinyals，O.，Dean，J.：提取神经网络中的知识。in:NIPS（2014）“}”，{“key”：“49_CR81”，“doi-asserted-by”：“crossref”，“unstructure”：“Sun，C.，Shrivastava，A.，Singh，S.，Gupta，A.：重新审视深度学习时代数据的不合理有效性。In:ICCV（2017）“，”DOI“：”10.1109\/ICCV.2017.97“}，{“key”：“49_CR82”，“DOI-asserted-by”：“crossref”，“unstructured”：“Li，X.，Liu，Z.，Luo，P.，Loy，C.C.，Tang，X.：并非所有像素都相等：通过深层级联进行困难感知语义分割。In:CVPR（2017Wu，Z.，Shen，C.，van den Hengel，A.：更广或更深：重新审视视觉识别的ResNet模型。arXiv:1611.10080（2016）“}，{“key”：“49_CR84”，“doi-asserted-by”：“crossref”，“unstructured”：“Wang，G.，Luo，P.，Lin，L.，Wang，X.：学习对象交互和语义图像分割描述。In:CVPR（2017）”，“doi”：“10.1109\/CVPR.2017.556”}Luo，P.，Wang，G.，Lin，L.，Wag，X.：语义图像分割的深度双重学习。In:ICCV（2017）“，”DOI“：”10.1109\/ICCV.2017.296“}，{“key”：“49_CR86”，“DOI-asserted-by”：“crossref”，“unstructured”：“Bul\u00f2，S.R.，Porzi，L.，Kontschieder，P.：用于DNN记忆优化培训的In-place激活BatchNorm。In:CVPR（2018）”，“DOI”：“10.1109\/CVPR.2018.00591”}]，“container-title”：[“Computer Vision\u2013 ECCV”2018年“计算机科学课堂讲稿“]，”original-title“：[]，”link“：[{”URL“：”https:\/\/link.springer.com/content\/pdf\/10.1007\/978-3-030-01234-2_49“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[2022,10,5]]，”date-time“：“2022-10-05T00:32:28Z”，“timestamp”：166 4929948000}，“score“：1，”resource“：{”primary”：{“URL”：“https:\/\/link.springer.com/10.1007\/978-3-030-01234-2_49”}}，”subtitle“：[]，”shorttitle“：[]，”issued“：{date-parts”：[[2018]]}，“ISBN”：[“9783030012335”，“97830.30012342”]，“references-count”：86，”URL“：”http://\/dx.doi.org\/10007\/978-30-012 34-2_49“，”关系“：{}，”ISSN“：[”0302-9743“，”1611-3349“]，”ISSN-type“：[{”value“：”0302-9743“，”type“：“print”}，{“value”：“1611-3349”，“type”：”electronic“}]，“subject”：[]，“published”：{“date-parts”：[[2018]]}，“assertion”：[{“value”：“2018年10月6日”，“order”：1，“name”：“first_online”，“label”：“first online”，“order”：1，“name”：“conference_acrombit”，“label”：“会议缩写“，”group“：｛”name“：”ConferenceInfo“，”label“：”ConferenceInformation“｝｝，｛”value“：”欧洲计算机视觉会议“，”order“：2，”name“：”Conference_name“，”label“：”ConferenceName“，”group“：｛”name“：”ConferenceInfo“，”label“：”ConferenceInformation“｝｝，｛”value“：”Munich“，”order“：3，”name“：”Conference_city“，”label“：”ConferenceCity“，”group“：{”name“：”ConferenceInfo“，”label“：”会议信息“}}，{”value“：”Germany“，”order“：4，”name“:”Conference_country“，”标签“：”conferency country“，“group”：{“name”：“ConferenceInformo”，”label:“Conferency Information”}，“value”：“2018”，“order”：5，“name”:“Conference_year”，“label”：“conferencyYear”，”group“：“会议信息“}}，{“value”：“2018年9月8日”，“order”：7，“name”：“Conference_start_date”，“label”：“Conference start date”，“group”：{“name”:“ConferenceInfo”，”label“：“Confection Information”}}会议信息“}}，{”value“：”15“，”order“：9，”name“：”Conference_number“，”label“：”ConferenceNumber“，”group“：https:\/\/eccv2018.org\/“，”order“：11，”name“：”conference_url“，”label“：”会议url“，”group“：