{“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”：[[2024,6,18]]，“日期时间”：“2024-06-18T17:14:19Z”，“时间戳”：1718730859023}，“发布者位置”：“Cham”，“引用计数”：66，“发布商”：“Springer International Publishing”，“isbn-type”：[{“值”：“9783030585358”，“类型”：”打印“}，{“值”：“9783030585365”，“type”：“electronic”}]，“license”：[{“start”：{“date-parts”：[[2020,1,1]]，“date-time”：“2020-01-01T00:00:00Z”，“timestamp”：1577836800000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/www.springer.com\/tdm”}0:00:00Z“，”时间戳“：1577836800000}，”内容版本“：”vor“，“delay-in-days”：0，“URL”：“https:\/\/www.springer.com\/tdm”}，{“start”：{“date-parts”：[[2020,1,1]]，“date-time”：“2020-01-01T00:00:00Z”，“timestamp”：1577836800000}，“content-version”：“tdm”，“delay-in-days“：0，”URL“https:\\/www.spring nature.com\/gp\/researters\/text-and-data-mining”}、{“开始”：{“日期部分”：[[2020,1,1]]，“日期时间”：“2020-01-01T00:00:00Z”，“timestamp”：1577836800000}，“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“：[2020]]}”，“DOI”：“10.1007\/978-3-030-58536-5_5“，“类型”：“book-chapter”，“created”：{“date-parts”：[[2020,11,2]]，“date-time”：“2020-11-02T23:02:42Z”，“timestamp”：1604358162000}，“page”：“69-86”，“update-policy”：”http://\/dx.doi.org\/10.1007\/springer_crossmark_policy“，”source“：”Crossref“，“is-referenced-by-count”：52，“title”：[“训练后深层神经网络分段线性量化”]，“前缀”：“10.1007”，“作者”：[{“given”：“Jun”，“family”：“Fang”，“sequence”：“first”，“affiliation”：[]}，{“fivent”：“Ali”，”family“：”Shafiee“，”sequence“：”additional“，”affiliance“：[]{“给定的”：“Hamzah”，“家族”：“Abdel-Aziz”，“序列”：“additional”，“从属关系”：[]}，“givent”，“affiliation”：[]}，{“given”：“Georgios”，“family”：“Georgiadis”，“sequence”：“additional”，“affiliation”：[]}，{“given”：“Joseph H.”，”family“：”Hassoun“，”sequence“：”additional“，”affiliation:[]}]，“member”：“297”，“published-online”：{“date-parts”：[2020,11,3]]}；“reference”：[{“issue”：“2”，“key”：”5_CR1“，”doi-asserted-by“：“publisher”，《首页》：“208”，“doi”：“10.15803\/ijnc.7.2_208”，“卷”：“7”，“author”：“D Bakuns-Milanowski”，“year”：“2017年”，“unstructured”：“Bakuns-Milanowski，D.，Rego，V.，Sang，J.，Chansu，Y.：GPU上流压缩的高效算法。Int.J.Netw.Comput.7（2），208\u2013226（2017）”，“journal-title”：“Int.J.Netw.Compul.”}，{“key”：“5_CR2”，“非结构化”：“Banner，R.，Nahshan，Y.，Hoffer，E.，Soudry，D.：用于快速部署的卷积网络的后训练4位量化。CoRR，abs\/180.05723 1，2（2018）”}，{“key”：“5_CR3”，“非结构化”：“Baskin，C.等人：UNIQ：用于神经网络非均匀量化的均匀噪声注入。arXiv预印本arXiv:1804.10969（2018）”}，{“key”：“5_CR4”，“doi-asserted-by”：“crossref”，“unstructured”：“Cai，Z.，He，X.，Sun，J.，Vasconcelos，N.：通过半波高斯量化实现低精度的深度学习。摘自：IEEE计算机视觉和模式识别会议论文集，第5918\u20135926页（2017）”，“doi”：“10.1109\/CVPR.2017.574”}，{“key”：“5_CR5”，“series-title”：“计算机科学课堂讲稿”，“doi-asserted-by”：“publisher”，“first page”：“833”，“doi”：“10.1007\/978-3-030-01234-2_49”，“volume-title”：“Computer Vision\u2013 ECCV 2018”，“author”：“L-C Chen”，“year”：“2018”，”unstructured“：“Chen，L.-C.，Zhu，Y.，Papandreou，G.，Schroff，F.，Adam，H.：用于语义图像分割的带可分离卷积的编码器-解码器。收录：Ferrari，V.，Hebert，M.，Sminchisescu，C.，Weiss，Y.ECCV 2018。LNCS，第11211卷，第833\u2013851页。查姆施普林格（2018）。https:\/\/doi.org/10.1007\/978-3-030-01234-2_49“｝，｛“key”：“5_CR6”，“unstructured”：“Choi，J.，Wang，Z.，Venkataramani，S.，Chung，P.I.J.，Srinivasan，V.，Gopalakrishnan，K.:PACT:量化神经网络的参数化剪裁激活。arXiv预印本arXiv:180.5.06085（2018）”｝，｛“key”：“5_CR7”，“doi由”断言：“crossref”，“unstructured”：“Choukroun，Y.，Kravchik，E.，Kisilev，P.：用于有效推理的神经网络的低比特量化。arXiv预印本arXiv:1902.06822（2019）“，“DOI”：“10.1109\/ICCVW.2019.00363”}，{“key”：“5_CR8”，“unstructured”：“Courbariaux，M.，Bengio，Y.，David，J.P.：BinaryConnect:在传播过程中使用二进制权重训练深度神经网络。In:《神经信息处理系统进展》，pp.3123\u20133131（2015）”}、{“key”：《5_CR9》，“unsructured“：”Dhillon，G.S.等人：强健对抗性防御的随机激活剪枝。arXiv预印本arXiv:1803.01442（2018）“}，{“key”：“5_CR10”，“doi-asserted-by”：“crossref”，“unstructured”：“Dong，X.，Huang，J.，Yang，Y.，Yan，S.：更多即更少：推理复杂度更低的更复杂网络。摘自：IEEE计算机视觉和模式识别会议论文集，第5840\u20135848页（2017）”，“doi”：“10.1109\/CVPR.2017.205“}，{“issue”：“2”，“key”：“5_CR11”，“doi-asserted-by”：“publisher”，“first page”：：“303”，“doi”：“10.1007\/s11263-009-0275-4”，“volume”：”88“，“author”：“M Everingham”，”年份：“2010”，“unstructured”：“Everingham，M.，Van Gool，L.，Williams，C.K.，Winn，J.，Zisserman，A.：pascal visual object classes（VOC）挑战。国际期刊。计算。视觉。88（2），303\u2013338（2010）“，“期刊标题”：“国际计算杂志”。视觉。“}，{”key“：”5_CR12“，”doi-asserted-by“：”crossref“，”unstructured“：”Faraone，J.，Fraser，N.，Blott，M.，Leong，P.H.：SYQ：学习有效深度神经网络的对称量化。摘自：IEEE计算机视觉和模式识别会议论文集，第4300\u20134309页（2018）“，”doi“：”10.1109\/CVPR.2018.00452“}”，{“key”：“5_CR13”，“非结构化”：“Finkelstein，A.，Almog，U.，Grobman，M.：用偏差对抗量化偏差。arXiv预印本arXiv:1906.03193（2019）“}，{“key”：“5_CR14”，“doi-asserted-by”：“crossref”，“unstructured”：“Georgiadis，G.：通过激活图压缩加速卷积神经网络。摘自：IEEE计算机视觉和模式识别会议论文集，第7085\u20137095页（2019年）”，“doi”：“10.1109\/CVPR.2019.00725”}5_CR15“，“非结构化”：“龚，Y.，Liu，L.，Yang，M.，Bourdev，L.：使用矢量量化压缩深度卷积网络。arXiv预印本arXiv:1412.6115（2014）“}，{“key”：“5_CR16”，“unstructured”：“Gupta，S.，Agrawal，A.，Gopalakrishnan，K.，Narayanan，P.：数字精度有限的深度学习。摘自：国际机器学习会议，第1737\u20131746页（2015）”}，}Han，S.，Mao，H.，Dally，W.J.：深度压缩：使用修剪、训练量化和哈夫曼编码压缩深度神经网络。arXiv预印本arXiv:1510.00149（2015）“}，{“key”：“5_CR18”，“doi-asserted-by”：“crossref”，“unstructured”：“He，K.，Gkioxari，G.，Doll\u00e1r，P.，Girshick，R.：Mask R-CNN。摘自：IEEE国际计算机视觉会议论文集，第2961\u20132969页（2017）”，“doi”：“10.1109\/ICCV.2017.322”}交叉参考“，”非结构化”：“He，K.，Zhang，X.，Ren，S.，Sun，J.：图像识别的深度残差学习。摘自：IEEE计算机视觉和模式识别会议记录，第770\u2013778页（2016）“，“DOI”：“10.1109\/CVPR.2016.90”}，{“key”：“5_CR20”，“DOI-asserted-by”：“crossref”，“unstructured”：“He，Y.，Zhang，X.，Sun，J.：用于加速超深层神经网络的通道修剪。摘自：IEEE计算机视觉国际会议论文集，第1389\u20131397页（2017）“，”DOI“：”10.1109\/ICCV.2017.155“}，{“key”：“5_CR21”，“unstructured”：“Hinton，G.，Vinyals，O.，Dean，J.：在神经网络中提取知识。arXiv预印本arXiv:1503.02531（2015）”}，“key“：”5_CR22“非结构化”：“Howard，A.G.等人：MobileNets：用于移动视觉应用的高效卷积神经网络。arXiv预印本arXiv:1704.04861（2017）“}，{“key”：“5_CR23”，“doi-asserted-by”：“crossref”，“unstructured”：“Hu，J.，Shen，L.，Sun，G.：压缩和激发网络。摘自：IEEE计算机视觉和模式识别会议论文集，pp.7132\u20137141（2018）”，“doi”：“10.1109\/CVPR.2018.00745”}，}“key”：“5-CR24”，“doi-assertd-by”：“crossref”，“非结构化”：“Huang，G.，Liu，Z.，Van Der Maaten，L.，Weinberger，K.Q.：紧密连接卷积网络。摘自：IEEE计算机视觉和模式识别会议记录，第4700\u20134708页（2017）“，“DOI”：“10.1109\/CVPR.2017.243”}，{“key”：“5_CR25”，“DOI-asserted-by”：“crossref”，“unstructured”：“Jacob，B.等人：用于有效的仅整数算术推理的神经网络的量化和训练。摘自：IEEE计算机视觉和模式识别会议记录，第2704\u20132713页（2018）“，“DOI”：“10.1109\/CVPR.2018.00286”}，{“key”：“5_CR26”，“DOI-asserted-by”：“crossref”，“unstructured”：“Jain，S.、Venkataramani，S.，Srinivasan，V.、Choi，J.、Gopalakrishnan，K.、Chang，L.：BiScaled-DNN：用深度神经网络的两个尺度因子量化长尾数据结构。2019年第56届ACM IEEE设计自动化会议（DAC），第1\u20136页。IEEE（2019）“，”DOI“：”10.1145\/3316781.3317783“}，{”key“：”5_CR27“，”DOI-asserted-by“：”crossref“，”unstructured“：”Jung，S.等：“学习通过优化量化间隔和任务损失来量化深层网络。摘自：IEEE计算机视觉和模式识别会议论文集，第4350\u20134359页（2019年）”，“DOI”：“10.1109\/CVPR.2019.00448“}，{“key”：“5_CR28”，“unstructured”：“Krishnamoorthi，R.：量化深度卷积网络以进行有效推理：白皮书。arXiv预印本arXiv:1806.08342（2018）”}Krizhevsky，A.，Sutskever，I.，Hinton，G.E.：深度卷积神经网络的ImageNet分类。摘自：《神经信息处理系统的进展》，第1097\u20131105页（2012）“}，{“key”：“5_CR30”，“doi-asserted-by”：“publisher”，“first pages”：“2599”，“doi”：“10.1109\/TPAMI.2018.2865304”，“volume”：”41“，“author”：“WS Lai”，“year”：“2018”，“unstructured”：“Lai，W.S.，Huang，J.B.，Ahuja，N.，Yang，M.H.：利用深拉普拉斯金字塔网络快速准确地进行图像超分辨率处理。IEEE传输。模式分析。机器。智力。41，2599\u20132613（2018）“，“期刊标题”：“IEEE Trans。模式分析。机器。智力。“}，{”key“：”5_CR31“，”unstructured“：”Lee，J.H.，Ha，S.，Choi，S，Lee，W.J.，LeeLi，H.、Kadav，A.、Durdanovic，I.、Samet，H.和Graf，H.P.：修剪过滤器以实现高效转换。arXiv预印本arXiv:1608.08710（2016）“｝，｛”key“：”5_CR33“，”doi断言“：”crossref“，”非结构化“：”Li，R.，Wang，Y.，Liang，F.，Qin，H.，Yan，J.，Fan，R.：用于对象检测的全量化网络。在：IEEE计算机视觉和模式识别会议论文集，pp.2810\u20132819（2019）“，”doi“：”10.1109\/CVPR.2019.00292“｝，｛”key“：”5_CR34“，”unstructured“：”Li，Y.，Dong，X.，Wang，W.：二次量化的加法幂：神经网络的有效非均匀离散化。参加：国际学习代表大会（2020年）。https:\/\/openreview.net\/forum？id=BkgXT24tDS“}，{“key”：“5_CR35”，“unstructured”：“Lin，D.，Talathi，S.，Annapureddy，S.：深度卷积网络的定点量化。In:机器学习国际会议，pp.2849\u20132858（2016）”}，}，“key“：”5_CR36“，“series-title”：“计算机科学讲义”，“doi-asserted-by”：“publisher”，“first page”：”21“，“doi”：“”10.1007\/978-3-319-464480-0_2”，“卷标题”：“计算机视觉\u2013 ECCV 2016”，“作者”：“W Liu”，“年份”：“2016”，“非结构化”：“Liu，W.等人：SSD：单次多盒探测器。收录人：Leibe，B.，Matas，J.，Sebe，N.，Welling，M.（编辑）ECCV 2016。LNCS，第9905卷，第21\u201337页。查姆施普林格（2016）。https:\/\/doi.org\/10.1007\/978-3-319-46448-0_2“}，{“key”：“5_CR37”，“doi-asserted-by”：“crossref”，“unstructured”：“Luo，J.H.，Wu，J.，Lin，W.：ThiNet:一种用于深层神经网络压缩的过滤器级修剪方法。摘自：IEEE国际计算机视觉会议论文集，第5058\u20135066页（2017）”，“doi”：“10.1109\/ICCV.2017.541”}，}“key“：”5_CR38“，”series-title“：”计算机科学讲义“，”doi-asserted-by“：”publisher“，”first page“：“122”，”doi“：”10.1007\/978-3-030-01264-9_8“，”volume-title“：“Computer Vision\u2013 ECCV 2018”，”author“：”N Ma“，“year”：“2018”，“unstructured”：“Ma，N.，Zhang，X.，Zheng，H.-T.，Sun，J.：ShuffleNet V2：高效CNN架构设计的实用指南。收件人：Ferrari，V.，Hebert，M.，Sminchisescu，C.，Weiss，Y.（编辑）Computer Vision\u2013 ECCV 2018。LNCS，第11218卷，第122\u2013138页。查姆施普林格（2018）。https:\/\/doi.org\/10.1007\/978-3-030-01264-9_8“}，{“key”：“5_CR39”，“unstructured”：“Meller，E.，Finkelstein，A.，Almog，U.，Grobman，M.：通过权重分解恢复相同但不同的神经网络量化误差。arXiv预印本arXiv:1902.01917Micikevicius，P.等人：混合精度训练。arXiv预印本arXiv:1710.03740（2017）“}，{“key”：“5_CR41”，“unstructured”：“Miyashita，D.，Lee，E.H.，Murmann，B.：使用对数数据表示的卷积神经网络。arXiv预先印本arX iv:1603.01025（2016）”}，}，“key“：”5_CR42“，”doi-asserted-by“：”crossref“，”unstructure“：”Nagel，M.、van Baalen，M.，Blankevort，T.、Welling，M.：通过权重均衡和偏差校正实现无数据量化。arXiv预印本arXiv:1906.04721（2019）“，”DOI“：”10.1109\/ICCV.2019.00141“}，{”key“：”5_CR43“，”series-title“：”计算机科学讲义“，”DOI-asserted-by“：”publisher“，”first page“：“608”，“DOI”：“10.1007\/978-3030-01225-0_36”，“volume-title”：“Computer Vision\u2013 ECCV 2018”，“author”：“E Park”，“year”：“2018”，”unstructured“：“Park，E.，Yoo，S.，Vajda，P.：神经网络训练和推理的价值软件量化。收件人：Ferrari，V.，Hebert，M.，Sminchisescu，C.，Weiss，Y.（编辑）ECCV 2018。LNCS，第11208卷，第608\u2013624页。查姆施普林格（2018）。https:\/\/doi.org\/10.1007\/978-3-030-01225-0_36“}，{“key”：“5_CR44”，“unstructured”：“Paszke，A.，et al.：PyTorch中的自动区分。in:第31届神经信息处理系统会议（2017年）”}，}Polino，A.，Pascanu，R.，Alistarh，D.：通过蒸馏和量化进行模型压缩。arXiv预印本arXiv:1802.05668（2018）“}，{“key”：“5_CR46”，“series-title”：“计算机科学课堂讲稿”，“doi-asserted-by”：“publisher”，“first page”：《525》，“doi”：“10.1007\/978-3-319-46493-0_32”，“volume-title”：《Computer Vision\u2013 ECCV 2016》，“author”：“M Rastegari”，“year”：“2016”，“unstructured”：“Rastegari，M.、Ordonez，V.、Redmon，J.、Farhadi，A.：XNOR-Net：使用二进制卷积神经网络的ImageNet分类。收录人：Leibe，B.，Matas，J.，Sebe，N.，Welling，M.（编辑）ECCV 2016。LNCS，第9908卷，第525\u2013542页。查姆施普林格（2016）。https:\/\/doi.org\/10.1007\/978-3-319-46493-0_32“}，{“key”：“5_CR47”，“doi-asserted-by”：“crossref”，“unstructured”：“Redmon，J.，Farhadi，A.：Yolo9000:更好、更快、更强。摘自：IEEE计算机视觉和模式识别会议记录，第7263\u20137271页（2017）”，“doi”：“10.1109\/CVPR.2017.690”}，}“key:”“5_CR18”，“非结构化”：“Ren，S.，He，K.，Girschick，R.，Sun，J.：更快的R-CNN：使用区域建议网络实现实时对象检测。In:Advances In Neural Information Processing Systems，pp.91\u201399（2015）“}，{“key”：“5_CR49”，“series-title”：“Telection Notes In Computer Science”，“doi-asserted-by”：“publisher”，“first-page”：“234”，“doi”：“10.1007\/978-3-1924574-4_28”，“volume-title”：《医学图像计算与计算机辅助干预》，“author”：“O Ronneberger”，“年份”：“2015年”，“非结构化”：“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\/10007\/978-3-319-24574-4_28“}，{”issue“：”6088“，”key“：”5_CR50“，”doi-asserted-by“：”publisher“，”first-page“：”533“，”doi“：”10.1038\/323533a0“，”volume“：“323”，”author“：”DE Rumelhart“，”year“：”1986“，”unstructured“：”Rumelhart，D.E.，Hinton，G.E.，Williams，R.J.：通过back-propag学习表示评级错误。性质323（6088），533\u2013536（1986）“，”journal-title“：”Nature“}，{”issue“：”3“，”key“：”5_CR51“，”doi-asserted-by“：”publisher“，”first page“：“211”，”doi“：”10.1007\/s11263-015-0816-y“，”volume“：见115（3），211\u2013252（2015）“，“期刊标题”：“国际计算杂志”。视觉。“}，{”key“：”5_CR52“，”doi-asserted-by“：”crossref“，”unstructured“：”Sandler，M.，Howard，A.，Zhu，M.、Zhmoginov，A.，Chen，L.C.：MobileNetV2:反向残差和线性瓶颈。摘自：IEEE计算机视觉和模式识别会议论文集，第4510\u20134520页（2018）“，”doi“：”10.1109\/CVPR.2018.00474“}”，{“key”：“5_CR53”，“非结构化”：“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”：“5_CR54”，“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计算机视觉与模式识别会议论文集，第2818\u20132826页（2016）”，“doi”：“10.1109\/CVPR.2016.308“｝，｛”键“：”5_CR55“，”非结构化“：”Tan，M.，Le，Q.V.：EfficientNet：重新思考卷积神经网络的模型缩放。arXiv预印本arXiv:1905.11946（2019）“｝，｛”键“：”5_CR56“，”非结构化“：”Ullrich，K.，Meeds，E.，Welling，M.：神经网络压缩的软权重共享。arXiv预印本arXiv:1702.04008（2017）“}，{”key“：”5_CR57“，”doi-asserted-by“：”crossref“，”unstructured“：”Wu，J.，Leng，C.，Wang，Y.，Hu，Q.，Cheng，J.：移动设备量化卷积神经网络。摘自：IEEE计算机视觉与模式识别会议论文集，第4820\u20134828页（2016）“，”doi“：”10.1109\/CVPR.2016.521“}”，{“key”：“5_CR58”，“doi-assert-by”：“”publisher“，”DOI“：”10.1007\/978-1-4419-1754-6“，”volume-title“：”音频编码：理论与应用“，”author“：”Y You“，“year”：“2010”，“unstructured”：“You，Y.：音频编码：原理与应用”。施普林格，纽约（2010年）。https:\/\/doi.org\/10.1007\/978-1-4419-1754-6“}，{“key”：“5_CR59”，“doi-asserted-by”：“crossref”，“unstructured”：“Zagoruyko，S.，Komodakis，N.：广域残余网络。arXiv预印本arXiv:1605.07146（2016）”，“doi”：“10.5244\/C.30.87”}，“key“：”5_CR60“，”series-title“：”计算机科学课堂讲稿“，”doi-assert-by“：“publisher”，“first page”：“373”，“DOI”：“10.1007\/978-3-030-01237-3_23”，“卷标题”：“计算机视觉\u2013 ECCV 2018”，“作者”：“D Zhang”，“年份”：“2018”，“非结构化”：“Zhang，D.，Yang，J.，Ye，D.，Hua，G.:LQ Nets:用于高精度和紧凑深度神经网络的学习量化。收件人：Ferrari，V.，Hebert，M.，Sminchisescu，C.，Weiss，Y.（编辑）ECCV 2018。LNCS，第11212卷，第373\u2013390页。查姆施普林格（2018）。https:\/\/doi.org\/10.1007\/978-3-030-01237-3_23“}，{”key“：”5_CR61“，”doi-asserted-by“：”crossref“，”unstructured“：”Zhang，X.，Zhou，X.、Lin，M.，Sun，J.：ShuffleNet:一种非常有效的移动设备卷积神经网络。摘自：IEEE计算机视觉和模式识别会议论文集，pp.6848\u20136856（2018）“，”DOI“：”10.1109\/CVPR.2018.00716“}，{“key”：“5_CR62”，“unstructured”：“Zhao，R.，Hu，Y.，Dotzel，J.，De Sa，C.，Zhang，Z.：改进神经网络量化，而不使用离群信道分裂进行再训练。In:国际机器学习会议，pp.7543\u20137552（2019）”}，}，“key“：”5_CR63“unstrustured”Zhou，A.，Yao，A.，Guo，Y.，Xu，L.，Chen，Y.：增量网络量化：朝向具有低精度权重的无损CNN。arXiv预印本arXiv:1702.03044（2017）“}，{“key”：“5_CR64”，“unstructured”：“周，S.，Wu，Y.，Ni，Z.，周，X.，Wen，H.，ZouZhou，Y.，Moosavi-Dezfuli，S.M.，Cheung，N.M.，Frossard，P.：深度神经网络的自适应量化。In:第三十二届AAAI人工智能会议（2018）“，“DOI”：“10.1609\/AAAI.v32i1.11623”}，{“key”：“5_CR66”，“unstructured”：“Zhu，C.，Han，S.，Mao，H.，Dally，W.J.：经过训练的三元量化。arXiv-print arXiv:1612.01064（2016）“}]，“container-title”：[“Computer Vision\u2013 ECCV 2020”，“计算机科学课堂讲稿”]，“原始标题”：[]，“链接”：[{“URL”：“https:\/\/link.springer.com\/content\/pdf\/10.1007\/978-3030-58536-5_5”，“content-type”：“未指定”，“内容版本”：“vor”，“intended-application”：“相似性检查”}]存放“：{“date-parts”：[[2024,3,13]]，“date-time”：“2024-03-13T14:37:27Z”，“timestamp”：1710340647000}，“score”：1，“resource”：{”primary“：{“URL”：“https:\/\/link.springer.com\/10.1007\/978-3030-58536-5_5”}}，”subtitle“：[]，”shorttitle“：[]，”issued“{”date-part“：[2020]]}，‘ISBN’：[”97830 30585358“，”9783030585365“]，”references-count“：66，”URL“：”http:\/\/dx.doi.org\/10.1007\/978-3-030-58536-5_5“，”关系“：{}，”ISSN“：[”0302-9743“，”1611-3349“]，”ISSN-type“：[{”值“：”0302-7743“”，”类型“：”打印“}，{”数值“：”1611-33049“，”类型”：“电子”}]，”主题“：[]，”发布“：{”日期段“：[2020]]}，“断言”：[}2020年11月3日“，”订单“：1，”名称“：”first_online“，”标签“：”first online“，“group”：{“name“：”ChapterHistory“，”label“：”Chapter History”}}，{“value”：“ECCV”，“order”：1，“name”：“conference_acrombit”，“label”：“conference缩写”，“group”：{“name”:“ConferenceInfo”，”lable“：”ConferenceInformation“}，”value“：”European conference-on-Computer Vision“，”order“：2，”name“:”conference_name“，”标签“：”会议名称“，”group“：{”name“：label“：”会议信息“}}，{“value”：“格拉斯哥”，“order”：3，“name”：“Conference_city”，“label”：“ConferenceCity”，“group”：{“name”:“ConferenceInfo”，“标签”：“会议信息”}}value“：”2020“，”order“：5，”name“：”conference_year“，”label“：”会议年份“，”group“：，“name“：”conference_end_date“，”label“：”会议结束日期“，”group“：{”name“：“ConferenceInfo”，“label”：“会议信息”}}，{“value”：“16”，“order”：9，“name”：“conference_number”，”label:“会议编号”，“group”：{：“会议ID“，”组“：{“name”：“ConferenceInfo”，“label”：“会议信息”}}，{“value”：“https:\/\/eccv2020.eu\/”，“order”：11，”名称“：”Conference_url“，”标签“：“会议url”，“group”：{名称“：“ConfenceInfo”：{“名称”：ConfEventPeerReviewInformation“，”label“：”同行评审信息（由会议组织者提供）“}}，{”value“：”OpenReview“，”order“：2，”name“：”conference_management_system“，”标签“：”会议管理系统“，”group“：value“：”5025“，”order“：3，”name“：”number_of_submissions_sent_for_review“，”label“：”发送供审阅的提交数“，”group“：接受的全文数“，”组“：{“name”：“ConfEventPeerReviewInformation”，“label”：“同行评审信息（由会议组织者提供）”}}，{“value”：“0”，“order”：5，“name”:“Number_of_short_Papers_Accepted”，“table”：“接受的短文数”，“group”：{同行评审信息（由会议组织者提供）“}}，{”value“：”27%-该值由等式“接受的全文数”/“发送供评审的提交数*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“：{”name“ConfEventPeerReviewInformation“，”label“：”同行评审信息（由会议组织者提供）value“：”7“，”order“：8，”name“：”average_number_of_papers_per_reviewer“，”label“：”每个审阅者的平均论文数“，”group“：{”name“:”ConfEventPeerReviewInformation“，”label“：“同行审阅信息（由会议组织者提供）”}}，{“value”：“是”，“order”：9，“name”：“external_reviewers_involved”，“label”：“涉及的外部审阅者”，“group”：｛“name”：“ConfEventPeerReviewInformation”，“label”：“同行评审信息（由会议组织者提供）”｝｝，｛“value”：“会议实际上是由于新冠肺炎疫情而举行的。在总共467份提交的材料中，ECCV研讨会发表了249篇全文、18篇短文和21篇进一步的贡献。”，“order”：10，“name“：”additional_info_on_review_process“，”label“：”审查过程的附加信息“，”group“：{”name“：“ConfEventPeerReviewInformation”，”label:“同行审查信息（由会议组织者提供）”}}]}}