{“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”：[[2024,8,2]，“日期时间”：“2024-08-02T08:28:32Z”，“时间戳”：1722587312387}，“出版商位置”：“查姆”，“参考计数”：50，“出版者”：“斯普林格国际出版”，“isbn-type”：[{“值”：“9783030012571”，“类型”：”打印“}，{“值”：“9783030012588”，“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\/978-3-030-01258-8_45“，”type“：”book-capter“，”created“：{”date-part“：[[2018,10,5]]，“日期时间”：“2018-10-05T20:35:31Z”，“时间戳”：1538771731000}，“页面”：“749-765”，“更新策略”：“http://\/dx.doi.org\/10.1007\/springer_crossmark_policy”，“源”：“Crossref”，《is-referenced-by-count》：44，“标题”：[“高效语义场景完成网络与空间群卷积”]，“前缀”：“10.1007”，”作者：[{“given”：“佳惠”，“family”：“Zhang”，“sequence”：“first”，“affiliation”：[]}，{“给定”：“郝”，“家庭”：“赵”，”序列”：“附加”，“从属”：[]{，{“给定”:“安邦”，“家族”：“姚”，，“序列”：”附加“，从属”：[]}“given”：“Hongen”，“family”：“Liao”，“sequence”：“additional”，“affiliation”：[]}]，“member”：“297”，“published-on-line”：{“date-parts”：[[2018,10,6]]}，“reference”：[{“key”：“45_CR1”，“unstructured”：“Ben-Shabat，Y.，Lindenbaum，M.，Fischer，A.：使用卷积神经网络的三维修改fisher向量表示进行三维点云分类和分割。arXiv预印本arXiv:1711.08241（2017）”}，{“key”：“45_CR2”，“doi-asserted-by”：“crossref”，“unstructured”：“Chang，A.等人：Matterport3D：从室内环境中的RGB-D数据中学习。摘自：3DV，第667\u2013676页。IEEE（2017）“，“DOI”：“10.1109\/3DV.2017.0081”}，{“key”：“45_CR3”，“DOI-asserted-by”：“crossref”，“unstructured”：“Cholet，F.：Xception:深度学习与深度可分卷积。In:CVPR，pp.1251\u20131258（2017）”，“DOI:”10.1109\/CVPR.2017.195“}，“key“：”45_CR4“，”DOI-assert-by“：”crossref.“，”unstructure“：”Dai，A.，Qi，C.R.，Nie\u00dfner，M.：使用3D编码器预测细胞神经网络和形状合成的形状完成。收录于：CVPR，vol.3（2017）“，”DOI“：”10.1109\/CVPR.2017.693“}，{“key”：“45_CR5”，“DOI-asserted-by”：“crossref”，“unstructured”：“Dai，A.，Ritchie，D.，Bokeloh，M.，Reed，S.，Sturm，J.，Nie\u00dfner，M.：Scancomplete：大规模场景完成和三维扫描的语义分割。收录于CVPR第1卷第2页（2018）”，“DOI”：“10.1109\/CVPR.2018.00481”}，键“：”45_CR6“，“doi-asserted-by”：“crossref”，“unstructured”：“Engelcke，M.，Rao，D.，Wang，D.Z.，Tong，C.H.，Posner，I.：Vote3Deep：使用高效卷积神经网络在3D点云中快速检测物体。收录于：ICRA，第1355\u20131361页。IEEE（2017）“，”DOI“：”10.1109\/ICRA.2017.7989161“}，{“key”：“45_CR7”，“DOI-asserted-by”：“crossref”，“unstructured”：“Firman，M.，Mac Aodha，O.，Julier，S.，Brostow，G.J.：从单个深度图像中对未观测到的体素进行结构化预测。In:CVPR，pp.5431\u20135440（2016）”，“DOI”：“10.1109\/CVPR.2016.586”}，非结构化“：”Gong，Y.，Liu，L.，Yang，M.，Boudev，L.：使用矢量量化压缩深卷积网络。arXiv-print arXiv:1412.6115（2014）“}，{“key”：“45_CR9”，“doi-asserted-by”：“crossref”，“unstructured”：“Graham，B.：稀疏三维卷积神经网络。arXiv-Print arX iv:1505.02890（2015）”，“doi”：“10.5244\/C.29.150”}，“key“：”45_CR10“，”doi-assert-by“：”Crosref“，”unstructure“：”Graham，B.，Engelcke，M.，van der Maaten，L.：子流形稀疏卷积网络的三维语义分割。其中：CVPR（2018）“，”DOI“：”10.1109\/CVPR.2018.00961“}，{“key”：“45_CR11”，“DOI-asserted-by”：“crossref”，“unstructured”：“Graham，B.，van der Maaten，L.：子流形稀疏卷积网络。arXiv预印本arXiv:1706.01307（2017）”，“DOI”：“10.1109\/CVPR.2018.00961”}，“key“：”45_CR12“，”非结构化“：”Guo，R.，Zou，C.，Hoiem，D.：预测室内场景的完整3D模型。arXiv-print arXiv:1504.02437（2015）“}，{“key”：“45_CR13”，“doi-asserted-by”：“crossref”，“unstructured”：“Hackel，T.，Usvyatsov，M.，Galliani，S.，Wegner，J.D.，Schindler，K.：利用和保持卷积网络稀疏性的推理、学习和注意机制。arXiv-Print arX iv:1801.10585（2018）”，“doi”：“10.1007\/978-3-030-12939-2_41“}，{“key”：“45_CR14”，“unstructured”：“Han，S.，Pool，J.，Tran，J.和Dally，W.：学习有效神经网络的权重和连接。摘自：NIPS，pp.1135\u20131143（2015）”}，}，“key“：”45_CR15“，”doi-asserted-by“：”crossref“，”unstructure“：”Han，X.，Li，Z.，Huang，H.，Kalogerakis，E.，Yu，Y.：使用深度神经网络进行全局结构和局部几何推断的高分辨率形状完成。收录于：CVPR，第85\u201393页（2017年）“，”DOI“：”10.1109\/ICCV.2017.19“}，{”key“：”45_CR16“，”DOI-asserted-by“：”crossref“，”unstructured“：”Handa，A.，Patraucean，V.，Badrinayanan，V.、Stent，S.，Cipolla，R.：用合成数据理解真实世界的室内场景。收录于：“45_CR17”，“doi-asserted-by“：”crossref“，”unstructured“：”H\u00e4ne，C.，Tulsiani，S.，Malik，J.：三维物体重建的层次曲面预测。In：3DV（2017）“，”DOI“：”10.1109\/3DV.2017.0054“}，{“key”：“45_CR18”，“DOI-asserted-by”：“crossref”，“unstructured”：“He，K.，Zhang，X.，Ren，S.，Sun，J.：图像识别的深度剩余学习。In：CVPR，pp.770\u2013778（2016）”，“DOI”：“10.1109\/CVPR.2016.90”}，“key“：”45_CR19“，“series-title”：“计算机科学课堂讲稿”，“DOI-asserted-by”：“publisher“，”first page“：”630“，”DOI“：”10.1007\/978-3-319-46493-0_38“，”volume-title“：”Computer Vision\u2013 ECCV 2016“，”author“：”K He“，“year”：“2016”，”unstructured“：”He，K.，Zhang，X.，Ren，S.，Sun，J.：深度剩余网络中的身份映射。收录人：Leibe，B.，Matas，J.，Sebe，N.，Welling，M.（编辑）ECCV 2016。LNCS，第9908卷，第630\u2013645页。查姆施普林格（2016）。https:\/\/doi.org/10.1007\/978-3-319-46493-0_38“｝，｛“key”：“45_CR20”，“nonstructured”：“Howard，A.G.等人：MobileNets:用于移动视觉应用的高效卷积神经网络。arXiv e-prints，2017年4月”｝，｛“key”：“45_CR21”，“nonstructured”：“Ioffe，S.，Szegedy，C.：批量规范化：通过减少内部协变量的转移来加速深层网络训练。在：ICML，pp.448\u2013456（2015）“}，{“key”：“45_CR22”，“doi-asserted-by”：“crossref”，“unstructured”：“Johnston，A.，Garg，R.，Carneiro，G.，Reid，I.，vd Hengel，A.：从单个图像进行高分辨率体积重建的缩放CNN。在：ICCV Workshops（2017）”，“doi”：“10.1109\/ICCVW.2017.114”}，}，“key“：”45_CR23“，”doi-assert-by“：”crossref.“，”非结构化“：”Klokov，R.，Lempitsky，V.：逃离细胞：用于识别3D点云模型的深层KD网络。收录于：ICCV，第863\u2013872页。IEEE（2017）“，“DOI”：“10.1109\/ICCV.2017.99”}，{“key”：“45_CR24”，“unstructured”：“Krizhevsky，A.，Sutskever，I.，Hinton，G.E.：基于深度卷积神经网络的Imagenet分类。In:NIPS，pp.1097\u20131105Le Cun，Y.、Denker，J.S.、Solla，S.A.：最佳脑损伤。在：NIPS，NIPS 1989，第598\u2013605页。麻省理工学院出版社，剑桥（1989）“}，{“key”：“45_CR26”，“doi-asserted-by”：“crossref”，“unstructured”：“Li，X.，Liu，Z.，Luo，P.，Change Loy，C.，Tang，X.：并非所有像素都是相等的：通过深层级联进行困难感知的语义分割。In:CVPR，pp.3193\u20133202（2017）”，“doi”：“10.1109\/CVPR.2017.684”}，}“key:”45_CR27“，”unstructure“：”Li，Y.，Bu，R.，Sun，M.，Chen，B.：美国有线电视新闻网。arXiv e-prints，2018年1月“}，{“key”：“45_CR28”，“unstructured”：“Li，Y.，Pirk，S.，Su，H.，Qi，C.R.，Guibas，L.J.：FPNN：三维数据的场探测神经网络。In:NIPS，pp.307\u2013315（2016）”}，}，“key“：”45_CR29“doi-asserted-by”：“crossref”，“非结构化”：“Liu，F.，et al.：3DCNN-DQN-RNN：大型三维点云语义解析的深度强化学习框架。收录于：CVPR，pp.5678\u20135687（2017）“，“DOI”：“10.1109\/ICCV.2017.605”}，{“key”：“45_CR30”，“DOI-asserted-by”：“crossref”，“unstructured”：“Maturana，D.，Scherer，S.：VoxNet：用于实时对象识别的3D卷积神经网络。收录于IROS，pp.922\u2013928。IEEE（2015）“，“DOI”：“10.1109\/IROS.2015.7353481”}，{“key”：“45_CR31”，“unstructured”：“Qi，C.R.，Su，H.，Mo，K.，Guibas，L.J.：PointNet:三维分类和分割的点集深度学习。In:CVPR，pp.652\u2013660（2017）”}、{“key”：”45_CR32“DOI-asserted-by”：“crossref”，“非结构化”：“Qi，C.R.，Su，H.，Nie\u00dfner，M.，Dai，A.，Yan，M.、Guibas，L.J.：三维数据对象分类的体积和多视图CNN。收录于：CVPR，pp.5648\u20135656（2016）“，“DOI”：“10.1109\/CVPR.2016.609”}，{“key”：“45_CR33”，“unstructured”：“Qi，C.R.，Yi，L.，Su，H.，Guibas，L.J.：Pointnet++：度量空间中点集的深度分层特征学习。收录于NIPS，pp.5105\u20135114Qi，X.，Liao，R.，Jia，J.，Fidler，S.，Urtasun，R.:RGBD语义分割的3D图形神经网络。In:ICCV（2017）“，”DOI“：”10.1109\/ICCV.2017.556“}，{“key”：“45_CR35”，“DOI-asserted-by”：“crossref”，“unstructured”：“Ren，M.，Pokrovsky，A.，Yang，B.，Urtasun，R.：SBNet：快速推理的稀疏块网络。In:CVPR，pp.8711\u20138720（2018）”，“DOI”：“10.1109\/CVPR.2018.00908”}，“key“：”45_CR36“，”DOI-assert-by“：”crossref“，”unstructured“：”Riegler，G.，Ulusoy，A.O.，Bischof，H.，Geiger，A.：OctNetFusion：从数据中学习深度融合。In：3DV（2017）“，”DOI“：”10.1109\/3DV.2017.00017“}，{“key”：“45_CR37”，“DOI-asserted-by”：“crossref”，“unstructured”：“Riegler，G.，Ulusoy，A.O.，Geiger，A.：OctNet：学习高分辨率的深度3D表示法。In：CVPR，vol.3（2017）”，“DOI”：“10.1109\/CVPR.2017.701”}，“key“：”45_CR38“，“series-title”：“计算机科学课堂笔记”，“doi-asserted-by“：”publisher“，”first page“：”234“，”doi“：”10.1007 \/978-3-319-24574-4_28“，”volume-title“：”Medical Image Computing and Computer-Assisted Intervention\u2013 MICCAI 2015“，”author“：”O Ronneberger“，”year“：”2015“，“unstructured”：“Ronneberge，O.，Fischer，P.，Brox，T.：U-net：生物医学图像分割的卷积网络。收录人：Navab，N.、Horneger，J.、Wells，W.M.、Frangi，A.F.（编辑）MICCAI 2015。LNCS，第9351卷，第234\u2013241页。查姆施普林格（2015）。https:\/\/doi.org\/10.1007\/978-3-319-24574-4_28“}，{”key“：”45_CR39“，”series-title“：”计算机科学讲义“，”doi-asserted-by“：”publisher“，”首页“：”746“，”doi“：”10.1007\/9783-642-33715-4_54“，”volume-title“：“Computer Vision\u2013 ECCV 2012”，”author“：”N Silberman“，”年份“：”2012“，”非结构化“：”Silberman，N.、Hoiem，D.、Kohli，P.、Fergus，R.：室内分割和支持RGBD图像的推断。收录人：Fitzgibbon，A.、Lazebnik，S.、Perona，P.、Sato，Y.、Schmid，C.（编辑）ECCV 2012。LNCS，第7576卷，第746\u2013760页。施普林格，海德堡（2012）。https:\/\/doi.org\/10.1007\/978-3642-33715-4_54“}，{“key”：“45_CR40”，“doi-asserted-by”：“crossref”，“unstructured”：“Song，S.，Yu，F.，Zeng，A.，Chang，A.X.，Savva，M.，Funkhouser，T.：单深度图像的语义场景完成。收录：CVPR，第190\u2013198页。IEEE（2017）“，“DOI”：“10.1109\/CVPR.2017.28”}，{“key”：“45_CR41”，“DOI-asserted-by”：“crossref”，“unstructured”：“Tatarenko，M.，Dosovitskiy，A.，Brox，T.：八叉树生成网络：高分辨率3D输出的高效卷积结构。In:CVPR，pp.2088\u20132096（2017）”，“DOI:”10.1109\/ICCV.2017.230“}，}“key:”45_CR42“，”doi-asserted-by“：”crossref“，”unstructured“：”Uhrig，J.，Schneider，N.，Schniedre，L.，Franke，U.，Brox，T.，Geiger，A.：稀疏不变CNN。收录：3DV（2017）“，”DOI“：”10.1109\/3DV.2017.00012“}，{“key”：“45_CR43”，“DOI-asserted-by”：“crossref”，“unstructured”：“Varley，J.，DeChant，C.，Richardson，A.，Ruales，J.和Allen，P.：支持形状完成的机器人抓取。收录：IROS，第2442\u20132447页。IEEE（2017）“，”DOI“：”10.1109\/IROS.2017.8206060“}，{“问题”：“4”，“关键”：“45_CR44”，“首页”：“72”，“卷”：“36”，“作者”：“PS Wang”，“年份”：“2017”，“非结构化”：“Wang，P.S.，Liu，Y.，Guo，Y.X.，Sun，C.Y.，Tong，X.：O-CNN:基于十进制的卷积神经网络用于三维形状分析。TOG 36（4），72（2017）”，“日志标题”：“TOG”}，{“键”：“45_CR45”，“非结构化“：”Wu，Z.等人：3D ShapeNets：体积形状的深度表示。收录于：CVPR，第1912\u20131920（2015）页“}，{“key”：“45_CR46”，“doi-asserted-by”：“crossref”，“unstructured”：“Xie，S.，Girshick，R.，Doll\u00e1r，P.，Tu，Z.，He，K.：深度神经网络的聚合残差变换。收录于CVPR第5987\u20135995页。IEEE（2017）“，”DOI“：”10.1109\/CVPR.2017.634“}，{“key”：“45_CR47”，“DOI-asserted-by”：“crossref”，“unstructured”：“Yang，B.，Rosa，S.，Markham，A.，Trigoni，N.，Wen，H.：从单个深度视图进行三维对象密集重建。arXiv预印本arXiv:1802.00411（2018）”，“DOI”：“10.1109\/ICCVW.2017.86”}，}“issue”：“4”，“key“：”45_CR48“，“DOI-asserted-by”：“publisher，“首页”：“70”，“DOI”：“10.1145\/3072959.3073652”，“卷”：“36”，“作者”：“L Yi”，“年份”：“2017年”，“非结构化”：“Yi，L.，Guibas，L.、Hertzmann，A.，Kim，V.G.，Su，H.，Yumer，E.：从在线存储库学习分层形状分割和标记。TOG 36（4），70（2017）”，“期刊标题”：“TOG”}，{“键”：“45_CR49”，“非结构化”：“Yi，L.等人：ShapeNet Core55（2017）的大规模3D形状重建和分割”}，{“键”：“45_CR50”，“doi断言”：“crossref”，“非结构化”：“Zhang，X.，Zhou，X.、Lin，M.、Sun，J.：ShuffleNet：一种用于移动设备的非常有效的卷积神经网络。In:CVPR（2018）“，”DOI“：”10.1109\/CVPR.2018.00716“}]，”container-title“：[”计算机科学课堂讲稿“，”Computer Vision\u2013 ECCV 2018“]，”original-title”：[]，”link“：[{”URL“：”https:\/\/link.springer.com/content\/pdf\/10.10007\/978-3-30-01258-8_45“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”相似性检查“}”，“存放”：{“日期-部分”：[[2022,10,5]]，“日期-时间”：“2022-10-05T00:46:04Z”，“时间戳”：1664930764000}，“分数”：1，“资源”：{“主要”:{“URL”：“https:\/\/link.springer.com\/10.1007\/978-3030-01258-8_45”}，”副标题“：[]，”短标题“：[]，”已发布“：{”日期-部分“：[2018]]}，“ISBN”：[“9783030012571”，“97830.30012588”]，“references-count“：50，”URL“：”http://\/dx.doi.org\/10.1007\/978-3-030-01258-8_45“，”关系“：{}，”ISSN“：[”0302-9743“，”1611-3349“]，”ISSN-type“：[{”value“：”0302-7743“、”type“:”print“}、{”value“：”1611-349“、”类型“：”electronic“}]、”subject“：【】，”published“：{”date-parts“：【2018】】}，“断言”：[{“value”：“2018年10月6日”，“order”：1，“name”：“first_online”，“label”：“First Online”，“group”：{“name”：“ChapterHistory”，“label”：“章节历史”}}，{“value”：“ECCV”，“order”：1，“name”:“conference_acrombit”，“标签”：“conference-Acromnim”，“group”：{name:“ConferenceInfo”，”label“：”conference-Info“}，”{value“：”European conference on Computer Vision“，”order“：2，”name“conference_name”，”标签“：”会议名称“，”group“：{”name“：”ConferenceInfo“，”label“：”会议信息“}}，{“value”：“Munich”，“order”：3，“name”：“Conference_city”，“label”：“ConferenceCity”，“group”：{“name”:“ConferenceInfo”，“标签”：“会议信息”}}、{“value”：“Germany”，“rder”：4，“name“Conference_country”，“table”：“MeferenceCountry”会议信息“｝｝，｛“value”：“2018”，“order”：5，“name”：“Conference_eyear”，“label”：“ConferenceYear”，“group”：｛“name”：“ConferenceInfo”，“label”：“ConferenceInformation”｝｝，｛“value”：“2018年9月8日”，“order”：7，“name”：“Conference_start_date”，“label”：“Conference_start_date”，“group”：｛“name”：“ConferenceInfo”，“label”：“ConferenceInformation”｝｝，｛“value”：“2018年9月14日“，”order“：8，”name“：”conference_end_date“，”label“：”会议结束日期“，”group“：“：”conference_id“，”label“：”会议id“，”group“：{”name“：”ConferenceInfo“，”label“：“会议信息”}}，{”value“：”https:\/\/eccv2018.org\/“，”order“：11，“name”：“conference_ url”，“label”：“会议url”，“group”：{“name”:“ConferenceInformo”，“table”：“ConferencieInformation”}}}、{“value”：“此内容对所有人都可用。”，“name“：“free”，“标签“：”免费阅读“}]}}