｛“status”：“ok”，“message type”：“work”，“message version”：“1.0.0”，“message”：｛“indexed”：｛“date parts”：[[2024,3,11]]，“date-time”：“2024-03-11T15:40:31Z”，“timestamp”：1710171631842｝，“publisher location”：“Cham”，“reference count”：24，“publisher”：“Springer International Publishing”，“isbn type”：[｛“value”：“9783030348687”，“type”：“print”｝，｛“value”：“9783030348694”，“type”：“electronic”}]，“license”：[{“start”：{“date-parts”：[[2019,1,1]]，“date-time”：“2019-01-01T00:00:00Z”，“timestamp”：1546300800000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“https:\\/www.springernature.com\/gp\/researters\/text-and-data-mining”}，“日期时间”：“2019-01-01T00:00:00Z”，“时间戳”：1546300800000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https://www.springernature.com//gp\/researters\/text-and-data-mining”}]，“content-domain”：{“domain”:[“link.springer.com”]，“crossmark-restriction”：false}，”short-container-title“：[]，”published-print“：{”date-parts“：[2019]]}”，“DOI”：“10.1007\/978-3030-30-30 34869-4_28“，”类型“：”书壳“，“created”：{“date-parts”：[[2019,11,25]]，“date-time”：“2019-11-25T00:02:57Z”，“timestamp”：1574640177000}，“page”：“250-259”，“update-policy”：”http://\/dx.doi.org\/10.1007\/springer_crossmark_policy“，”source“：”Crossref“，“is-referenced-by-count”：1，“title”：[“Data Driven Sensing for Action Recognition Using Deep Convolutional Neural Networks”]，“prefix”：“10.1007”，“作者”：[{“given”：“Ronak”，“family”：“Gupta”，“sequence”：“first”，“affiliation”：[]}，{“给定”：“Prashant”，“家庭”：“Anand”，“序列”：“additional”，“从属关系”：[]}“：”additional“，”affiliation“：[]}，{”given“：”Brejesh“，“family”：“Lall”，“sequence”：“additional”，“affiliation”：[]}]，“member”：“297”，“published-online”：{“date-parts”：[[2019,11,25]]}，“reference”：[{“key”：“28_CR1”，“doi-asserted-by”：”crossref“，”unstructured“：“Mousavi，A.，Dasarathy，G.，Baraniuk，R.G.：DeepCodec：通过深度卷积神经网络的自适应感知和恢复。arXiv预印本arXiv:1707.03386（2017）”，“DOI”：“10.1109\/ALLERTON.2017.8262812”}，{“key”：“28_CR2”，“DOI-asserted-by”：“crossref”，“unstructured”：“Xu，K.，Ren，F.：CSVideoNet:高帧速率视频压缩感知的实时端到端学习框架。收录于：2018 IEEE计算机视觉应用冬季会议（WACV），第1680\u20131688页。IEEE（2018）“，“DOI”：“10.1109\/WACV.2018.00187”}，{“key”：“28_CR3”，“unstructured”：“Lohit，S.，Singh，R.，Kulkarni，K.，Turaga，P.：空间多路复用器的速率自适应神经网络。arXiv预印本arXiv:1809.02850（2018）”}Shi，W.，et al.：使用有效的亚像素卷积神经网络实现实时单图像和视频超分辨率。摘自：IEEE计算机视觉和模式识别会议论文集，第1874\u20131883页（2016）“，“DOI”：“10.1109\/CVPR.2016.207”}，{“key”：“28_CR5”，“series-title”：“计算机科学讲稿”doi断言者：“publisher”，“first page”：“694”，“doi”：“10.1007\/978-3-319-46475-6_43”，“volume title”：“Computer Vision\u2013 ECCV 2016”，“author”：“J Johnson”，“year”：“2016”，“nonstructured”：“Johnson，J.，Alahi，A.，Fei Fei，L.：实时风格传输和超分辨率的感知损失。收录人：Leibe，B.，Matas，J.，Sebe，N.，Welling，M.（编辑）ECCV 2016。LNCS，第9906卷，第694\u2013711页。查姆施普林格（2016）。https:\/\/doi.org\/10.1007\/978-3-319-46475-6_43“}，{“key”：“28_CR6”，“series-title”：“计算机科学讲义”，“doi-asserted-by”：“publisher”，“首页”：“334”，“doi”：“10.1007\/978-30-11021-5_21”，“volume-title”：”计算机视觉\u2013 ECCV 2018研讨会“，”作者：“Y Blau”，“年份”：“2019”，“非结构化”：“Blau，Y.、Mechrez，R.、Timofte，R.，Michaeli，T.、Zelnik-Manor，L.：2018年PIRM对感知图像超分辨率的挑战。收录：Leal-Taix\u00e9，L.，Roth，S.（编辑）ECCV 2018。LNCS，第11133卷，第334\u2013355页。查姆施普林格（2019）。https:\/\/doi.org\/10.1007\/978-3-030-11021-5_21“}，{“key”：“28_CR7”，“doi-asserted-by”：“crossref”，“unstructured”：“Mousavi，A.，Patel，A.B.，Baraniuk，R.G.：结构化信号恢复的深度学习方法。摘自：2015年第53届Allerton通信、控制和计算年会（Allerton），第1336\u20131343页。IEEE（2015）“，”DOI“：”10.1109\/ALLERTON.2015.7447163“}，{”key“：”28_CR8“，”DOI-asserted-by“：”crossref“，”unstructured“：”Kulkarni，K.，Lohit，S.，Turaga，P.，Kerviche，R.，Ashok，A.：重设：从压缩感知测量值非迭代重建图像。摘自：IEEE计算机视觉和模式识别会议记录，第449\u2013458页（2016）“，“DOI”：“10.1109\/CVPR.2016.55”}，{“key”：“28_CR9”，“DOI-asserted-by”：“crossref”，“unstructured”：“Kulkarni，K.，Turaga，P.：从压缩相机识别人类活动的递归纹理。2012年IEEE第19届国际图像处理会议（ICIP），第1417\u20131420页。IEEE（2012）“，”DOI“：”10.1109\/ICIP.2012.6467135“}，{”issue“：”4“，”key“：”28_CR10“，”DOI-asserted-by“：”publisher“，”first page“：“772”，“DOI”：“10.1109\/TPAMI.2015.2469288”，“volume”：“38”，“author”：“K Kulkarni”，“year”：“2016”，“unstructured”：“Kulkarni，K.，Turaga，P.：压缩成像仪的无重构动作推断。IEEE传输。模式分析。机器。智力。38（4），772\u2013784（2016）“，“期刊标题”：“IEEE Trans。模式分析。机器。智力。“}，{”key“：”28_CR11“，”unstructured“：”Adler，A.，Elad，M.，Zibulevsky，M.：“压缩学习：深度神经网络方法。arXiv预印本arXiv:1610.09615（2016）“}”，{“key”：“28_CR12”，“doi-asserted-by”：“crossref”，“unstructure”：“”Lohit，S.、Kulkarni，K.、Turaga，P.：使用卷积神经网络对压缩测量进行直接推断。2016 IEEE图像处理国际会议（ICIP），第1913\u20131917页。IEEE（2016）“，”DOI“：”10.1109\/ICIP.2016.7532691“}，{”key“：”28_CR13“，”first page“：“1”，“volume”：“19”，“author”：“E Zisselman”，“year”：“2018”，“unstructured”：“Zisselman，E.，Adler，A.，Elad，M.：图像分类的压缩学习：深度神经网络方法。Process.Anal.Learn.Images Shapes Forms 19，1（2018）”，“journal-title”：“”过程。分析。学习。Images Shapes Forms“}，{“key”：“28_CR14”，“doi-asserted-by”：“crossref”，“unstructured”：“Szegedy，C.，et al.：深入卷积。摘自：IEEE计算机视觉与模式识别会议论文集，pp.1\u20139（2015）”，“doi”：“10.1109 \/CVPR.2015.7298594”}Simonyan，K.，Zisserman，A.：用于大规模图像识别的非常深卷积网络。arXiv预印本arXiv:1409.1556（2014）“}，{“key”：“28_CR16”，“doi-asserted-by”：“crossref”，“unstructured”：“Carreira，J.，Zisserman，A.：Quo-vadis，动作识别？一个新模型和动力学数据集。摘自：2017 IEEE计算机视觉和模式识别会议（CVPR），第4724\u20134733页。IEEE（2017）“，“DOI”：“10.1109\/CVPR.2017.502”}，{“key”：“28_CR17”，“unstructured”：“Soomro，K.，Zamir，A.R.，Shah，M.：Ucf101:来自野外视频的101个人类动作类数据集。arXiv预印本arXiv:12122.0402（2012）”}Kuehne，H.，Jhuang，H.，Garrote，E.，Poggio，T.，Serre，T.：HMDB：一个用于人类运动识别的大型视频数据库。2011年IEEE国际计算机视觉会议（ICCV），第2556\u20132563页。IEEE（2011）“，”DOI“：”10.1109\/ICCV.2011.6126543“}，{”issue“：”3“，”key“：”28_CR19“，”DOI-asserted-by“：”publisher“，”first-page“：”301“，“DOI”：“10.1016\/j.acha.2008.07.002”，“volume”：“26”，“author”：“D Needell”，“year”：“2009”，“unstructured”：“Needell，D.，Tropp，J.A.：Cosamp：不完整和不准确样本的迭代信号恢复。申请。计算。哈蒙。分析。26（3），301\u2013321（2009）“，“期刊标题”：“申请。计算。哈蒙。分析。“｝，｛”key“：”28_CR20“，”doi asserted by“：”crossref“，”非结构化“：”Wang，H.，Schmid，C.：具有改进轨迹的动作识别。在：IEEE国际计算机视觉会议论文集，第3551\u20133558页（2013）“，”doi“：”10.1109\/ICCV.2013.441“｝，｛”key“：”28_CR21“，”doi asserted by“：”crossref“，”非结构化“：”Tran，D.、Bourdev，L.、Fergus，R.、Torresani，L.和Paluri，M.：利用3D卷积网络学习时空特征。摘自：IEEE计算机视觉国际会议论文集，pp.4489\u20134497（2015）“，“DOI”：“10.1109\/ICCV.2015.510”}，{“key”：“28_CR22”，“DOI-asserted-by”：“crossref”，“unstructured”：“Chadha，A.，Abbas，A.，Andreopoulos，Y.：使用深度神经网络进行压缩域视频分类：解码矩阵的信息太多。摘自：2017 IEEE图像处理国际会议（ICIP），第1832页，第20131836页。IEEE（2017）“，“DOI”：“10.1109\/ICIP.2017.8296598”}，{“key”：“28_CR23”，“unstructured”：“Abadi，M.，et al.：TensorFlow:异构系统上的大规模机器学习（2015）。http://TensorFlow.org//，软件可从tensorfflow.org获得”}、{“key”：Nvidia gpu云张量流。nVIDIA通过nVIDIA GPU云（NGC）提供GPU加速容器，用于DGX系统。https:\/\/ngc.nvidia.com/catalog\/containers\/nvidia:tensorflow“}]，“container-title”：[“计算机科学讲义”，“模式识别和机器智能”]，“原始标题”：[]，“链接”：[{“URL”：“https:\//link.springer.com/content\/pdf\/10007\/978-3030-34869-4_28”，“内容类型”：“未指定”，“content-version”：“vor”，“intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[2024,3,11]]，”date-time“：”2024-03-11T15:14:39Z“，”timestamp“：1710170079000}，”score“：1，”resource“：{primary”：{“URL”：“https:\/\/link.springer.com\/10007\/978-3030-34869-4_28”}}，“subtitle”：[]，“shorttitle”：[]，“issued”：{“date-part”：[2019]]}，“ISBN”：[“9783030348687”，“9783030348694“]，“引用次数”：24，“URL”：“http:\/\/dx.doi.org/10.1007\/978-3-030-34869-4_28”，“关系”：{}，“ISSN”：[“0302-9743”，“1611-3349”]，“ISSN类型”：[{“值”：“0302-9743”，“类型”：“打印”}，{“值”：“1611-3349”，“类型”：“电子”}]，“主题”：[]，“已发布”：{“日期部分”：[[2019]}，“断言”：[｛“value”：“2019年11月25日”，“order”：1，“name”：“first_online，“label”：“first online”，“group”：{“name”：“ChapterHistory”，“label:”Chapter History“}}，{“value”：“PReMI”，“order”：1，“name”，“conference_acrombit”，“标签”：“conference acronym”，“群组”：{“name”:”ConferenceInfo“，”label“：”Conferency Information“}}}”，{”value“：”模式识别与机器智能国际会议“，”：2，“name“：”conference_name“，”label“：”会议名称“，”group“：国家“，”group“：{”name“：”ConferenceInfo“，”label“：”会议信息“}}，{”value“：”2019“，”order“：5，”name“:”Conference_year“，”label“：“会议年份”，“group”：{“name”：“ConferenceInformo”，“label”：“会议信息”}，“value”：“2019年12月17日”，“order”：7，“name”:“Conference_start_date”，“标签”：“大会开始日期”，”group“”:{“名称”：“confernceInfo”“，”label“：”Conference Information“}}，{“value”：“2019年12月20日”，“order”：8，“name”：“Conference_end_date”，“label”：“ConferenceEnd date”，“group”：{“name”:“ConferenceInfo”，”label“:”Conferency Information“{}，”value“：”premi2019“，”order“：10，”name“Conference_id”，“标签”：“会议id”，“group”：{name”：“”value“：”http://www.tezu.ernet.in\/~premi2019\/“，”order“：11，”name“：”conference_url“，”label“：”ConferenceURL“，”group“：{”name“:”ConferenceInfo“，”标签“：”会议信息“}}，{”value“:”Double-blind“，”订单“：1，”name”：“type”，“label”：“type”，“group”：{“name”：”ConfEventPeerReviewInformation“，”table“：”同行评议信息（由会议组织者提供）“}}，{”value“：”EasyChair“，”order“：2，”name“：”conference_management_system“，”label“：”会议管理系统“，”group“：number_of_submissions_sent_for_review“，”label“：“发送供审阅的提交数”，“group”：{“name”：“ConfEventPeerReviewInformation”，“label”：“同行审阅信息（由会议组织者提供）”}}，{“value”：“131”，“order”：4，“name”:“number_ of_full_papers_accepted”ConfEventPeerReviewInformation“，”label“：”同行评审信息（由会议组织者提供）38%-该值由等式“接受的完整论文数”/“提交供审查的论文数*100”计算，然后四舍五入为整数。“，”order“：6，”name“：”acceptance_rate_of_full_papers“，”label“：”全文接受率“，”group“：ConfEventPeerReviewInformation“，”label“：”同行评议信息（由会议组织者提供）“}}，{“value”：“3”，“order”：8，“name”：“average_number_of_papers_per_reviewer”，“label”：“每个审阅者的平均论文数”，“group”：}，{“value”：“Yes”，“order”：9，“name”：“external_reviewers_involved”，“label”：“涉及的外部审阅者”，“group”：{“name”:“ConfEventPeerReviewInformation”，“table”：“同侪审阅信息（由会议组织者提供）”}}，{