{“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”：[[2024,1,23]]，“日期时间”：“2024-01-23T20:56:28Z”，“时间戳”：1706043388414}，“出版商位置”：“查姆”，“参考计数”：42，“出版者”：“斯普林格国际出版公司”，“isbn-type”：[{“值”：“97830349943”，“类型”：”打印“}，{“值”：“9783030349950”，“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”：“http://\www.springer.com\/tdm”}]}，“short-container-title”：[]，“published-print”用法：{“date-parts”：[2019]]}，“DOI”：“10.1007\/978-3030-34995-0_56”，“type”：“book-chapter”，“created”：{”date-part“：[[2019,11,22]]，“date-time”：“2019-11-22T19:02:40Z”，“timestamp”：1574449360000}，”page“：”612-626“，”update-policy“：“http://\/dx.DOI.org\/10007\/springer_crossmark_policy”，“source“：”Crossref“，”is-referenced-by-count“：1，”title“：[“利用预先训练的CNN模型进行基于骨骼的动作识别”]，“前缀”：“10.1007”，“作者”：[{“ORCID”：“http://\/ORCID.org\/0000-0002-7937-4149”，“authenticated-ORCID”：false，“给定”：“Sohaab”，“family”：“Laraba”，“sequence”：“first”，“afliation”：[]}，{“given”：“：[]}，{“given”：“Thierry”，“family”：“Dutoit”，“sequence”：“additional”，“affiliation”：[]}]，“member”：“297”，“published-on-line”：{“date-parts”：[[2019,11,23]]}，“reference”：[{“key”：”56_CR1“，”doi-asserted-by“：”crossref“，“unstructured”：“Adel，H.，Sch\u00fctze，H.：探索不确定性检测的不同注意维度。arXiv预印本arXiv:1612.06549（2016）”，“DOI”：“10.18653\/v1\/E17-1003”}，{“key”：“56_CR2”，“非结构化”：“Bai，S.，Kolter，J.Z.，Koltun，V.：序列建模通用卷积和递归网络的实证评估。arXiv预印本arXiv:1803.01271（2018）”}，{“key”：“56_CR3”，“unstructured”：“Bengio，Y.，Goodfellow，I.，Courville，A.：深度学习，第1卷。Citeser（2017）“}，{”issue“：”2“，”key“：”56_CR4“，”doi-asserted-by“：”publisher“，”first page“：“157”，”doi“：”10.1109\/72.279181“，“volume”：“5”，“author”：“Y Bengio”，“year”：“1994”，“unstructured”：“Bengio，Y.，Simard，P.，Frasconi，P.等：学习梯度下降的长期依赖性是困难的。IEEE Trans.Neural Netw.5（2），157\u2013166（1994）“，”journal-title“：”IEEE Trans。神经网络。“}，{”key“：”56_CR5“，”unstructured“：”Broadwater，D.R.，Smith，N.E.：“一个微调的inception v3宪法神经网络（CNN）架构准确区分良性和恶性乳腺组织学。技术报告，59 MDW San Antonio United States（2018）“}”，{“key”：“56_CR6”，“doi-asserted-by”：“crossref”，“unstructure”：“Cho，K.，Van Merri\u00ebnboer，B.，Bahdanau，D.，Bengio，Y.：关于神经机器翻译的特性：编码器-解码器方法。arXiv预印本arXiv:1409.1259（2014）“，“DOI”：“10.3115\/v1\/W14-4012”}，{“key”：“56_CR7”，“DOI-asserted-by”：“crossref”，“unstructured”：“Du，Y.，Fu，Y.Wang，L.：基于骨架的动作识别与卷积神经网络。摘自：2015年第三届IAPR亚洲模式识别会议（ACPR），第579\u2013583页。IEEE（2015）“，”DOI“：”10.1109\/ACPR.2015.7486569“}，{”issue“：”7“，”key“：”56_CR8“，”DOI-asserted-by“：”publisher“，”first page“：“3010”，“DOI”：“10.1109\/TIP.2016.252404”，“volume”：“25”，“author”：“Y Du”，“year”：“2016”，“unstructured”：“Du，Y.，Fu，Y.Wang，L.：基于骨架的动作识别的时间动力学表征学习。IEEE传输。图像处理。25（7），3010\u20133022（2016）“，“期刊标题”：“IEEE Trans。图像处理。}，{“key”：“56_CR9”，“unstructured”：“Du，Y.，Wang，W.，Wang.，L.：基于骨架的动作识别的层次递归神经网络。摘自：IEEE计算机视觉和模式识别会议论文集，第1110\u20131118页（2015）”}，}，“key“：”56_CR10“，”doi-asserted-by“：”crossref“，”unstructure“：”Efros，A.A.，Berg，A.C.，Mori，G.，Malik，J.：识别远处的行动。收录：Null，第726页。IEEE（2003）“，”DOI“：”10.1109\/ICCV.2003.1238420“}，{“问题”：“4”，“关键”：“56_CR11”，“首页”：“83”，“卷”：“14”，“作者”：“H Fan”，“年份”：“2018”，“非结构化”：“Fan，H.，Zheng，L.，Yan，C.，Yang，Y.：无监督人员重新识别：聚类和微调。ACM Trans.Multimedia Compute.Commun.Appl.（TOMM）14（4），83（2018）”，“journ al标题“：”ACM事务处理。多媒体计算。Commun公司。申请。（TOMM）“}，{“key”：“56_CR12”，“doi-asserted-by”：“crossref”，“unstructured”：“Gehring，J.，Auli“内政部”：“10.1016\/j.eswa.2017.11.028“，“volume”：“95”，“author”：“D Han”，“year”：“2018”，“unstructured”：“Han，D.，Liu，Q.，Fan，W.：一种使用CNN传输学习和web数据增强的新图像分类方法。专家系统。申请。95，43\u201356（2018）“，“期刊标题”：“专家系统。申请。“}，{”key“：”56_CR14“，”doi-asserted-by“：”crossref“，”unstructured“：”He，K.，Zhang，X.，Ren，S.，Sun，J.：图像识别的深度剩余学习。摘自：IEEE计算机视觉和模式识别会议论文集，第770\u2013778页（2016）“，”doi“：”10.1109\/CVPR.2016.90“}”，{“issue”：“8”，“key”：“56_CR15”，“doi-assert-by”：“publisher”，“”第一页“：”1735“，”DOI“：”10.1162\/neco.1997.9.8.1735“，“卷”：“9”，“作者”：“S Hochreiter”，“年份”：“1997”，“非结构化”：“Hochreite，S.，Schmidhuber，J.：长短期记忆。神经计算。9（8），1735\u20131780（1997）“，“新闻标题”：“神经计算。“}，{”key“：”56_CR16“，”doi-asserted-by“：”crossref“，”unstructured“：”Huang，G.，Liu，Z.，Van Der Maaten，L.，Weinberger，K.Q.：稠密连接卷积网络。摘自：IEEE计算机视觉与模式识别会议论文集，第4700\u20134708页（2017）“，”doi“：”10.1109\/CVPR.2017.243“}”，{“key”：“56_CR17”，“doi-assert-by”：“”crossref“，”unstructured“：”Huang，Z.，Wan，C.，Probst，T.，Van Gool，L.：基于骨架的动作识别的谎言组深度学习。在：IEEE计算机视觉和模式识别会议论文集，pp.6099\u20136108（2017）“，DOI”：“10.1109\/CVPR.2017.137”}，｛“key”：“56_CR18”，“nonstructured”：“Iandola，F.N.，Han，S.，Moskewicz，M.W.，Ashraf，K.，Dally，W.J.，Keutzer，K.:SqueezeNet：AlexNet级精度，参数减少50倍，模型大小$<$$0.5 MB。arXiv-print arXiv:1602.07360（2016）“}，{“issue”：“10”，“key”：“56_CR19”，“doi-asserted-by”：“publisher”，“first-page”：“2896”，“doi”：“10.1109\/TCSVT.2017.2736553”，“volume”：”28“，“author”：“K Kang”，“year”：“2017”，“unstructured”：“Kang，K.等人：T-CNN：利用卷积神经网络从视频中检测物体的小管。IEEE传输。循环。系统。视频技术。28（10），2896\u20132907（2017）“，“期刊标题”：“IEEE Trans。循环。系统。视频技术。“｝，｛”key“：”56_CR20“，”doi asserted by“：”crossref“，”非结构化“：”Ke，Q.，Bennamon，M.，An，S.，Sohel，F.，Boussaid，F.：3D动作识别骨架序列的新表示。在：IEEE计算机视觉与模式识别会议论文集，pp.3288\u20133297（2017）“，”doi“：”10.1109\/CVPR.2017.486“｝，｛”key“：”56_CR21“，“非结构化”：”Krizhevsky，A.，Sutskever，I.，Hinton，G.E.：使用深度卷积神经网络进行ImageNet分类。摘自：《神经信息处理系统进展》，第1097\u20131105页（2012）“}，{“问题”：“3\u20134”，“关键”：“56_CR22”，“doi-asserted-by”：“出版商”，“首页”：“e1782”，“doi”：“10.1002\/cav.1782”，《卷》：“28”，“作者”：“S Laraba”，“年份”：“2017”，“非结构化”：“Laraba，S.、Brahimi，M.、Tilmanne，J.、Dutoit，T.：通过将运动捕捉序列表示为2D-RGB图像来进行基于3D骨骼的动作识别。计算。阿尼姆。虚拟世界28（3\u20134），e1782（2017）“，“新闻标题”：“计算。阿尼姆。虚拟世界“}，{“key”：“56_CR23”，“unstructured”：“Li，C.，Sun，S.，Min，X.，Lin，W.，Nie，B.，Zhang，X.：用于3D人体动作识别的深度卷积神经网络的端到端学习。收录于：2017 IEEE多媒体与博览会国际会议（ICMEW），第609\u2013612页。IEEE（2017）“}，{”issue“：”5“，”key“：”56_CR24“，”doi-asserted-by“：”publisher“，”first page“：“624”，“doi”：“10.1109\/LSP.2017.2678539”，“volume”：“24”，“author”：“C Li”，“year”：“2017”，“unstructured”：“Li，C.，Hou，Y.，Wang，P.，Li，W.：基于联合距离图的卷积神经网络动作识别。IEEE Signal Process.Lett.24（5），624\u2013628（2017）“，“日志标题”：“IEEE信号处理。莱特。}，{“key”：“56_CR25”，“doi-asserted-by”：“crossref”，“unstructured”：“Li，Q.，Qiu，Z.，Yao，T.，Mei，T.、Rui，Y.，Luo，J.：通过学习深度多粒度时空视频表示进行动作识别。摘自：《2016年ACM多媒体检索国际会议论文集》，第159\u2013166页。ACM（2016）“，“DOI”：“10.1145\/2911996.2912001”}，{“key”：“56_CR26”，“unstructured”：“Liu，H.，Tu，J.，Liu，M.：基于骨架的动作识别的双流3D卷积神经网络。arXiv预印本arXiv:1705.08106（2017）”}、{“密钥”：“56 _CR27”，“series-title”：“计算机科学讲义”，“DOI-asserted-by”：“publisher”，“首页”：“816”，“DOI“：”10.1007\/978-3-319-46487-9_50“，”volume-title“：”Computer Vision\u2013 ECCV 2016“，”author“：”J Liu“，”year“：”2016“，“unstructured”：“Liu，J.，Shahroudy，A.，Xu，D.，Wang，G.：具有信任门的时空LSTM，用于3D人体动作识别。收录人：Leibe，B.，Matas，J.，Sebe，N.，Welling，M.（编辑）ECCV 2016。LNCS，第9907卷，第816\u2013833页。查姆施普林格（2016）。https:\/\/doi.org\/10.1007\/978-3-319-46487-9_50“}，{“key”：“56_CR28”，“doi-asserted-by”：“publisher”，“doi”：“10.1007\/9783-540-74048-3”，“volume-title”：“音乐和运动信息检索”，“author”：“M M\u00fcller”，“year”：“2007”，“unstructured”：“M\u100fcller，M.：音乐和运动的信息检索，第2卷。斯普林格，海德堡（2007）。https:\/\/doi.org\/10.1007\/978-3-540-74048-3“}，{“key”：“56_CR29”，“doi-asserted-by”：“crossref”，“unstructured”：“Ohn-Bar，E.，Trivedi，M.：动作识别的关节角度相似性和HOG2。摘自：IEEE计算机视觉和模式识别研讨会会议记录，第465\u2013470页（2013）”，“doi”：“10.1109\/CVPRW.2013.76”}key“：”56_CR30“，”unstructured“：”Pascanu，R.，Mikolov，T.，Bengio，Y.：关于训练递归神经网络的难度。摘自：国际机器学习会议，pp.1310\u20131318（2013）“}，{“key”：“56_CR31”，“doi-asserted-by”：“crossref”，“unstructured”：“Shahroudy，A.，Liu，J.，Ng，T.T.，Wang，G.：NTU RGB+D：用于3D人类活动分析的大规模数据集。摘自：IEEE计算机视觉和模式识别会议论文集，第1010\u20131019页（2016）“，“DOI”：“10.1109\/CVPR.2016.115”}，{“key”：“56_CR32”，“unstructured”：“Simonyan，K.，Zisserman，A.：用于大规模图像识别的极深卷积网络。arXiv预印本arXiv:1409.1556（2014）”}、{“key”：”56_CR33“DOI-asserted-by”：“crossref”，“非结构化”：“Song，S.，Lan，C.，Xing，J.，Zeng，W.，Liu，J.：从骨骼数据中识别人类行为的端到端时空注意模型。In：第三十一届AAAI人工智能会议（2017年）“，”DOI“：”10.1609\/AAAI.v31i1.11212“}，{“key”：“56_CR34”，“unstructured”：“Srivastava，N.，Mansimov，E.，Salakhudinov，R.：使用LSTM的视频表示的无监督学习。In：国际机器学习会议，pp.843\u2013852（2015）”}，“key“：”56_CR35“，”doi-asserted-by“：”crossref“，”unstructured“：”Szegedy，C.，Vanhoucke，V.，Ioffe，S.，Shlens，J.，Wojna，Z.：重新思考计算机视觉的初始架构。摘自：IEEE计算机视觉和模式识别会议记录，第2818\u20132826页（2016）“，“DOI”：“10.1109\/CVPR.2016.308”}，{“key”：“56_CR36”，“DOI-asserted-by”：“crossref”，“unstructured”：“Veeriah，V.，Zhuang，N.，Qi，G.J.：动作识别的差分递归神经网络。摘自：IEEE计算机视觉国际会议论文集，第4041\u20134049页（2015）“，“DOI”：“10.1109\/ICCV.2015.460”}，{“key”：“56_CR37”，“DOI-asserted-by”：“crossref”，“unstructured”：“Vemulapalli，R.，Arrate，F.，Chellappa，R.：通过将3D骨骼表示为谎言组中的点来识别人类行为。摘自：IEEE计算机视觉和模式识别会议记录，第588\u2013595页（2014）“，“DOI”：“10.1109\/CVPR.2014.82”}，{“key”：“56_CR38”，“DOI-asserted-by”：“crossref”，“unstructured”：“Vinyals，O.，Toshev，A.，Bengio，S.，Erhan，D.：展示和讲述：神经图像字幕生成器。摘自：IEEE计算机视觉和模式识别会议记录，第3156\u20133164页（2015）“，”DOI“：”10.1109\/CVPR.2015.7298935“}，{”key“：”56_CR39“，”DOI-asserted-by“：”publisher“，”first page“：“43”，“DOI”：“10.1016\/j.knosys.2018.05.029”，“volume”：“158”，“author”：“P Wang”，“year”：“2018”，“unstructured”：“”王，P.，李，W.，李，C.，侯，Y.：基于联合轨迹图和卷积神经网络的动作识别。知识-基于系统。158，43\u201353（2018）“，“新闻标题”：“知道-基于系统。“｝，｛”key“：”56_CR40“，”doi asserted by“：”crossref“，”nonstructured“：”Wang，P.，Li，Z.，Hou，Y.，Li，W.：使用卷积神经网络基于联合轨迹图的动作识别。在：《第24届ACM国际多媒体会议论文集》，pp.102\u2013106。ACM（2016）“，“DOI”：“10.1145\/2964284.2967191”}，{“key”：“56_CR41”，“unstructured”：“Xu，K.，et al.：展示、出席和讲述：视觉注意下的神经图像字幕生成。In：国际机器学习会议，pp.2048\u20132057（2015）”}Zhang，Y.、Pezeshki，M.、Brakel，P.、Zhang、S.、Bengio，C.L.Y.、Courville，A.：利用深度卷积神经网络实现端到端语音识别。arXiv预打印arXiv:1701.02720（2017）“，”DOI“：”10.21437\/Interspeech.2016-1446“}]，”container-title“：[”计算机科学讲义“，”计算机视觉系统“]，”original-title”：[]，”link“：[{”URL“：”http://\/link.springer.com\/content\/pdf\/101007\/978-3030-34995-0_56“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-d“应用程序“：”相似性检查“}”，“存放”：{“日期-部分”：[[2022,10,6]]，“日期-时间”：“2022-10-06T19:41:40Z”，“时间戳”：1665085300000}，“分数”：1，“资源”：{-“主要”：{“URL”：“http://\/link.springer.com\/10.1007\/978-3030-34995-0_56”}，”副标题“：[]，”短标题“：[]，”发布“：{”日期-部分“：[2019]]}，“ISBN”：[“9783030349943”，“978330349950”]，“references-count“：42，”URL“：”http://\/dx.doi.org\/10.1007\/978-3-030-34995-0_56“，”关系“：{}，”ISSN“：[”0302-9743“，”1611-3349“]，”ISSN-type“：[{”value“：”0302-7743“、”type“:”print“}、{”value“：”1611-33049“、”类型“：”electronic“}”、“subject”：[]、“published”：{“date-parts”：[2019]}，“assertion”：[{“value”：“2019年11月23日”，“order”：1，“name”：“first_online”，“label”：“First Online”，“group”：｛“name”：“ChapterHistory”，“label”：“ChapterHistory”｝｝，｛“value”：“ICVS”，“order”：1，“name”：“conference_name”，“label”：“conference acronym”，“group”：｛“name”：“ConferenceInfo”，“label”：“conference Information”｝，｛“value”：“International conference on Computer Vision Systems”，“order”：2，“name”：“conference_name”，“label”：“会议名称“，”组“：{“Name”：“ConferenceInfo”，“label”：“conferenceInformation”}}，{“value”：“Thessaloniki”，“order”：3，“Name”:“Conference_city”，“标签”：“会议城市”，“group”：{名称“：”ConferenceInformo“，”标签“：”会议信息“}}”，{值“：”希腊“，”订单“：4，”名称“：会议信息“，”标签“：”会议信息“}}，{“value”：“2019”，“order”：5，“name”：“Conference_year”，“label”：“会议年”，“group”：{“name”:“ConferenceInfo”，“table”：“Conferency Information”}}会议信息“｝｝，｛“value”：“2019年9月25日”，“order”：8，“name”：“Conference_end_date”，“label”：“会议结束日期”，“group”：｛“name”：“ConferenceInfo”，“label”：“ConferenceInformation”｝｝，｛“value”：“12”，“order”：9，“name”：“Conference_number”，“label”：“ConferenceNumber”，“group”：｛“name”：“ConferenceInfo”，“label”：“ConferenceInformation”｝｝，｛“value”：“icvs2019“，”order“：10，”name“：”conference_id“，”label“：”会议id“，”group“：