{“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”：[[2024,6,22]]，“日期时间”：“2024-06-22T15:58:41Z”，“时间戳”：1719071921751}，“发布者位置”：“查姆”，“引用计数”：65，“发布商”：“斯普林格国际出版”，“isbn-type”：[{“值”：“9783030585792”，“类型”：”打印}，{“值”：“9783030585808”，“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\/978-3-030-58580-8_42“，“类型”：“book-chapter”，“created”：{“date-parts”：[[2020,12,2]，“date-time”：“2020-12-02T07:03:09Z”，“timestamp”：1606892589000}，“page”：“715-732”，“update-policy”：”http://\/dx.doi.org\/10.1007\/springer_crossmark_policy“，”源“Crossref”，“is-referenced-by-count”：19，“title”：[“Towards Part-Aware Monocular 3D Human Pose Estimation:An Architecture Search Approach”]，“prefix”：“10.1007”，“author”：[{“given”：“Zerui”，“family”：“Chen”，“sequence”：“first”，“affiliation”：[]}，{“给定”：“additional”，“从属关系”：[]}，}“giving”：“Hongyuan”：“Bin”，“family”：“Xue”，“sequence”：“additional”，“affiliation”：[]}，{“given”：“Ke”，“家族”：“Han”，”sequence“：”additional“，”affiliance“：[]neneneep，{”given“：”Yiru“，”family“：”Guo“，”se序列“：”additional“、”affidiation“：[]}，“givent”：“Liang”，lished-online“：{”日期部分“：[[2020,12,3]]}，“reference”：[{“key”：“42_CR1”，“doi-asserted-by”：“crossref”，”unstructured“：”Alldieck，T.，Pons-Moll，G.，Theobalt，C.，Magnor，M.：Tex2shape:单个图像的详细人体几何体。In:ICCV：“Andriluka，M.，Pishchulin，L.，Gehler，P.，Schiele，B.：2D人体姿势估计：新的基准和最新的分析。在：CVPR（2014）”，“DOI”：“10.1109\/CVPR.2014.471”}，{“key”：“42_CR3”，“series-title”：“计算机科学课堂笔记”，“DOI-asserted-by”：“publisher”，“first page”：”561“DOI“：”10.1007\/978-319-4645-1_34“，“volume-title”：“Computer Vision\u2013 ECCV 2016”，“author”：“F Bogo”，“year”：“2016年”，“unstructured”：“Bogo，F.，Kanazawa，A.，Lassner，C.，Gehler，P.，Romero，J.，Black，M.J.：Keep it SMPL:从单个图像自动估计3D人体姿势和形状。In:Leibe，B.，Matas，J.、Sebe，N.，Welling，M.（编辑）ECCV 2016。LNCS，第9909卷，第561\u2013578页。查姆施普林格（2016）。https:\/\/doi.org\/10.1007\/978-3-319-46454-1_34“}，{”key“：”42_CR4“，”unstructured“：”Cai，H.，Zhu，L.，Han，S.：ProxylessNAS：目标任务和硬件的直接神经架构搜索。In:ICLR（2019）“}”，{“key”：“42_CR5”，“doi-asserted-by”：“crossref”，“unstructure”：“”Cai，Y.等：利用时空关系通过图卷积网络进行三维姿态估计。In：ICCV（2019）“，”DOI“：”10.1109\/ICCV.2019.00236“}，{“key”：“42_CR6”，“DOI-asserted-by”：“crossref”，“unstructured”：“Chen，C.H.，Ramanan，D.：3D人体姿势估计=2D姿势估计+匹配。In：CVPR（2017）”，“DOI”：“10.1109\/CVPR.2017.610”}Chen，L.C.等人：寻找高效的多尺度结构以进行密集图像预测。In：NeurIPS（2018）“}，{“key”：“42_CR8”，“unstructured”：“Chen，Y.，Yang，T.，Zhang，X.，Meng，G.，Xiao，X.Sun，J.：DetNAS：用于对象检测的主干搜索。In：NeurIPS，2019）”}，“key“：”42_CR9“，“unsructuredkey“：”42_CR10“，”doi-asserted-by“：”crossref“，”unstructured“：”Ci，H.，Wang，C.，Ma，X.，Wang。In：ICCV（2019）“，”DOI“：”10.1109\/ICCV.2019.00235“}，{“key”：“42_CR11”，“DOI-asserted-by”：“crossref”，“unstructured”：“Fabbri，M.，Lanzi，F.，Calderara，S.，Alletto，S.、Cucchiara，R.：多人3D姿势估计的压缩体积热图。In：CVPR（2020）”，“DOI”：“10.1109\/CVPR42600.2020.00723”}，“key“：”42_CR12“，”unstructure“：”Fang，H.，Xu，Y.，Wang，W.，Liu，X.，Zhu，S.C.：学习用于三维人体姿势估计的知识引导姿势语法机。In:AAAI（2018）“}，{“key”：“42_CR13”，“doi-asserted-by”：“crossref”，“unstructured”：“Ghiasi，G.，Lin，T.Y.，Le，Q.V.：NAS-FPN：学习用于对象检测的可缩放特征金字塔体系结构。In:CVPR（2019）”，“doi”：“10.1109\/CVPR.2019.00720”}Guo，Z.，et al.：均匀采样的单路径一次性神经网络结构搜索。In：NeurIPS（2019）“，”DOI“：”10.1007\/978-3-030-58517-4_32“}，{“key”：“42_CR15”，“DOI-asserted-by”：“crossref”，“unstructured”：“Gupta，A.，Martinez，J.，Little，J.J.，Woodham，R.J.：通过非线性循环时间编码进行横视动作识别的运动三维姿势。In：CVPR（2014）”，“DOI”：“10.1109\/CVPR.2014.333”}series-title“：“计算机科学课堂讲稿”，“doi-asserted-by”：“publisher”，“first page”：“69”，“doi”：“10.1007\/978-3-030-01249-6_5”，“volume-title”：“Computer Vision\u2013 ECCV 2018”，“author”：“MRI Hossain”，《year》：“2018”，《unstructured》：“Hossain，M.R.I.，Little，J.J.J.：利用时间信息进行三维人体姿势估计。收件人：Ferrari，V.，Hebert，M.，Sminchisescu，C.，Weiss，Y.（编辑）ECCV 2018。LNCS，第11214卷，第69\u201386页。查姆施普林格（2018）。https:\/\/doi.org\/10.1007\/978-3-030-01249-6_5“}，{“key”：“42_CR17”，“doi-asserted-by”：“crossref”，“unstructured”：“Howard，A.等人：搜索MobileNetV3。其中：ICCV（2019）“，”DOI“：”10.1109\/ICCV.2019.00140“}，{“key”：“42_CR18”，“DOI-asserted-by”：“crossref”，“unstructured”：“Ionescu，C.，Papava，D.，Olaru，V.，Sminchisescu，C.:Human3.6M：自然环境中三维人体传感的大规模数据集和预测方法。In:TPAMI（2014）”，“DOI”：“10.1109\/TPAMI.2013.248”}，“{”key“：”42_CR19“，”doi-asserted-by“：”crossref“，”unstructured“：”Iskakov，K.，Burkov，E.，Lempitsky，V.，Malkov，Y.：人体姿势的可学习三角剖分。In:ICCV（2019）“，”DOI“：”10.1109\/ICCV.2019.00781“}，{“key”：“42_CR20”，“DOI-asserted-by”：“crossref”，“unstructured”：“Jiang，H.：使用数百万个示例进行三维人体姿势重建。In:ICPR（2010）”，“DOI”：“10.1109\/ICPR.2010.414”}，“key“：”42_CR21“，”DOI-assert-by“：”crossref.“，”unstructure“：”Jiang，W.，Kolotouros，N.，Pavlakos，G.，Zhou，X.，Danilidis，K.：从单个图像中连贯地重建多个人。收录人：CVPR（2020）“，”DOI“：”10.1109\/CVPR42600.2020.00562“}，{“key”：“42_CR22”，“DOI-asserted-by”：“crossref”，“unstructured”：“Kanazawa，A.，Black，M.J.，Jacobs，D.W.，Malik，J.：人体形状和姿势的端到端恢复。收录人:CVPRKasim，M.等人：通过深度神经架构搜索，科学模拟加速了20亿倍。arXiv预印本arXiv:2001.08055（2020）“}，{“key”：“42_CR24”，“unstructured”：“Kingma，D.P.，Ba，J.：Adam:一种随机优化方法。在：ICLR（2014）”}中，{”key“：”42_CR25“，”doi-asserted-by“：”crossref“，”unstructure“：”Kocabas，M.，Karagoz，S.，Akbas，E.：使用多视图几何体的三维人体姿势的自我监督学习。在：CVPR（2019）“，”doi“：”10.1109 \/CVPR.2019.00117“}，{“key”：“42_CR26”，“doi-asserted-by”：“crossref”，“unstructured”：“Kolotous，N.，Pavlakos，G.，Danilidis，K.：用于非结构化图像人体形状重建的卷积网格回归。In:CVPR（2019）”，“doi”：“10.1109Lee，H.J.，Chen，Z.：从单一角度确定3D人体姿势。在：CVGIP（1985）”中，“DOI”：“10.1016/0734-189X（85）90137-9”}，｛“key”：“42_CR28”，“nonstructured”：“Li，S.，Chan，A.B.：利用深度卷积神经网络从单目图像中进行三维人体姿态估计。在：ACCV（2014）”｝，｛“key”：“42_CR29”，“series title”：“计算机科学讲义”，“DOI asserted by”：“publisher”，“first page”：“740”，“DOI”：“10.1007\/978-3-319-10602-1_48”，“卷标题”：“计算机视觉\u2013 ECCV 2014”，“作者”：“T-Y Lin”，“年份”：“2014”，“非结构化”：“Lin，T.-Y等人：Microsoft COCO:上下文中的常见对象。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”：“42_CR30”，“doi-asserted-by”：“crossref”，“unstructured”：“Liu，C.，et al.：Auto-DeepLab:语义图像分割的分层神经体系结构搜索。In:CVPR（2019）”，“doi”：“10.1109\/CVPR.2019.00017”}Liu，H.，Simonyan，K.，Yang，Y.：DARTS：差异化建筑搜索。In:ICLR（2019）“}，{“key”：“42_CR32”，“doi-asserted-by”：“crossref”，“unstructured”：“Martinez，J.，Hossain，R.，Romero，J.、Little，J.J.：3D人体姿势估计的简单而有效的基线。In:ICCV（2017）”，“doi”：“10.1109\/ICCV.2017.288”}Mehta，D.等人：使用改进的CNN监督在野外进行单目3D人体姿势估计。In：3DV（2017）“，”DOI“：”10.1109\/3DV.2017.0064“}，{“key”：“42_CR34”，“DOI-asserted-by”：“crossref”，“unstructured”：“Mehta，D.，et al.：从单目RGB进行单点多人三维姿势估计。In：3D V（2018）”，“DOI”：“10.1109\/3DV.2018.00024”}，“key“：”42_CR35“，”DOI-assert-by“：”crossref.“，“unsructured“：”Moon，G.，Chang，J.Y.，Lee，K.M.：从单个RGB图像进行3D多人姿势估计的摄像机距离软件自顶向下方法。In:ICCV（2019）“，”DOI“：”10.1109\/ICCV.2019.01023“}，{“key”：“42_CR36”，“DOI-asserted-by”：“crossref”，“unstructured”：“Moreno-Noguer，F.：通过距离矩阵回归从单个图像进行三维人体姿势估计。In:CVPR（2017）”，“DOI”：“10.1109\/CVPR.2017.170”}，“key“：”42_CR37“，”DOI-assert-by“：”crossref.“，”非结构化“：”Omran，M.，Lassner，C.，Pons-Moll，G.，Gehler，P.，Schiele，B.：神经身体拟合：统一深度学习和基于模型的人体姿势和形状估计。In:3DV（2018）“，”DOI“：”10.1109\/3DV.2018.0062“}，{”key“：”42_CR38“，”series-title“：”计算机科学讲义“，”DOI-asserted-by“：”publisher“，”first page“：“156”，“DOI”：“10.1007\/978-3-319-49409-8_15”，“volume-title”：“Computer Vision\u2013 ECCV 2016 Workshops”，“author”：“S Park”，“year”：“2016”，“unstructured”：“Park，S.、Hwang，J.、Kwak，N.：使用卷积神经网络和2D姿势信息进行3D人体姿势估计。收录人：Hua，G.，J\u00e9gou，H.（编辑）ECCV 2016。LNCS，第9915卷，第156\u2013169页。查姆施普林格（2016）。https:\/\/doi.org\/10.1007\/978-3-319-49409-8_15“}，{“key”：“42_CR39”，“doi-asserted-by”：“crossref”，“unstructured”：“Pavlakos，G.，Zhou，X.，Danilidis，K.：三维人体姿势估计的顺序深度监督。In:CVPR（2018）”，“doi”：“10.1109\/CVPR.2018.00763”}，}“keys”：“428_CR40”，“doi-asserted-by”Pavlakos，G.，Zhou，X.，Derpanis，K.G.，Danilidis，K.：单幅图像3D人体姿势的粗略到精细体积预测。中：CVPR（2017）“，”DOI“：”10.1109\/CVPR.2017.139“}，{“key”：“42_CR41”，“DOI-asserted-by”：“crossref”，“unstructured”：“Pavlakos，G.，Zhou，X.，Derpanis，K.G.，Danilidis，K.：为无标记三维人体姿势注释收集多个视图。中：CVRP（2017）”，“DOI”：“10.1109\/CVPR.2017.138”}，“key“：”42_CR42“，”非结构化“：”Peng，J.，Sun，M.，ZHANG，Z.X.，Tan，T.，Yan，J.：用于目标检测的通道级高效神经架构转换搜索。In：NeurIPS（2019）“}，{“key”：“42_CR43”，“doi-asserted-by”：“crossref”，“unstructured”：“邱，H.，Wang，C.，WangRogez，G.，Schmid，C.：野外三维姿势估计的Mocap引导数据增强。In：NeurIPS（2016）“}，{“key”：“42_CR45”，“doi-asserted-by”：“crossref”，“unstructured”：“Rogez，G.，Weinzaepfel，P.，Schmid，C.：LCR-Net:人体姿势的定位分类回归。In：CVPR（2017）”，“doi”：“10.1109\/CVPR.2017.134”}S\u00e1r\u00eIndi，I.，Linder，T.，Arras，K.O.，Leibe，B.：2018年ECCV PoseTrack 3D人体姿势估计挑战中使用体积热图的合成遮挡增强。In：ECCVW（2018）“}，{“key”：“42_CR47”，“doi-asserted-by”：“crossref”，“unstructured”：“Sun，X.，Shang，J.，Liang，S.，Wei，Y.：合成人体姿势回归。In：ICCV（2017）”，“doi”：“10.1109\/ICCV.2017.284”}，}“key:”42_CR48“series-title”：“计算机科学讲义”，“doi-asserted-by”:“publisher”，”第一页：“536”，“DEI”“：”10.1007\/978-3-030-01231-1_33“，“volume-title”：“Computer Vision\u2013 ECCV 2018”，“author”：“X Sun”，“year”：“2018”，“unstructured”：“Sun，X.，Xiao，B.，Wei，F.，Liang，S.，Wei。在：Ferrari，V.，Hebert，M.，Sminchisescu，C.，Weiss，Y.（编辑）ECCV 2018。LNCS，第11210卷，第536\u2013553页。查姆施普林格（2018）。https:\/\/doi.org\/10.1007\/978-3-030-01231-1_33“}，{“key”：“42_CR49”，“doi-asserted-by”：“crossref”，“unstructured”：“Tan，M.，et al.：MnasNet:platform-aware neural architecture searchitecture for mobile.In:CVPR（2019）”，“doi”：“10.1109\/CVPR.2019.00293”}，}，“key“：”42_CR50“，”doi-assert-by“：”crossref.“，“unstratezed”：”Taylor，C.J.：从单个未校准图像中的点对应重建铰接对象。其中：CVIU（2000）“，”DOI“：”10.1006\/CVIU.2000.0878“}，{“key”：“42_CR51”，“DOI-asserted-by”：“crossref”，“unstructured”：“Tome，D.，Russell，C.，Agapito，L.：从深层提升：从单个图像进行卷积3D姿势估计。In:CVPR（2017）”，“DOI”：“10.1109\/CVPR.2017.603”}，“key“：”42_CR52“，”DOI-assert-by“：”publisher“，”unstructure“：”Tu，H.，Wang，C.，Zeng，W.：VoxelPose：走向野生环境中的多摄像机3D人体姿势估计。收录于：Vedaldi A.、Bischof H.、Brox T.、Frahm JM.（编辑）ECCV，第197\u2013212页。施普林格，查姆（2020）。https:\/\/doi.org\/10.1007\/978-3-030-58452-8_12“，”doi“：”10.1007\/9783-030-58452-8 _12“}，{“key”：“42_CR53”，“doi-asserted-by”：“crossref”，“unstructured”：“Varol，G.等人：向人造人类学习。In:CVPR（2017）”，“doi”：“10.1109\/CVPR.2017.492”}，“key“：”42_CR54“，”doi-asserted-by“：”crossref“，”非结构化“：”Wang，J.，Huang，S.，Wang，X.，Tao，D.：并非所有部位都是平等的：通过建模身体部位的双向相关性来进行三维姿势估计。In：ICCV（2019）“，”DOI“：”10.1109\/ICCV.2019.00786“}，{“key”：“42_CR55”，“DOI-asserted-by”：“crossref”，“unstructured”：“Wei，S.E.，Ramakrishna，V.，Kanade，T.，Sheikh，Y.：卷积姿势机。In：CVPR（2016）”，“DOI”：“10.1109\/CVPR.2016.511”}，“key“：”42_CR56“，“unsructured“：”Xu，Y.，等：PC-DARTS：节省内存的架构搜索的部分通道连接。在：ICLR（2020）“｝，｛”key“：”42_CR57“，”doi断言“：”crossref“，”非结构化“：”Yang，W.，Ouyang，W.，Wang，X.，Ren，J.，Li，H.，Wang，X.：通过对抗性学习在野外进行三维人体姿态估计。在：CVPR（2018）“，”doi“：”10.1109\/CVPR.2018.00551“｝，｛”key“：”42_CR58“，”doi断言“：”crossref“，”非结构化“：”Yasin，H.，Iqbal，U.，Kruger，B.，Weber，A.，Gall，J.：一种从单个图像进行3D姿态估计的双源方法。In:CVPR（2016）“，”DOI“：”10.1109\/CVPR.2016.535“}，{“key”：“42_CR59”，“DOI-asserted-by”：“crossref”，“unstructured”：“Zhang，X.，Zhou，X.、Lin，M.，Sun，J.：ShuffleNet:一种非常高效的移动设备卷积神经网络。In:CVPR非结构化“：”Zhang，Y.、Qiu，Z.、Liu，J.、Yao，T.、Liu、D.、Mei，T.：用于语义分段的可定制架构搜索。In:CVPR（2019）“，”DOI“：”10.1109\/CVPR.2019.01191“}，{“key”：“42_CR61”，“DOI-asserted-by”：“crossref”，“unstructured”：“Zhang，Wang，C.，Qin，W.，Zeng“交叉引用”，“非结构化”：“周，K，韩，X，江，N，贾，K，卢，J。：HEMlets姿势：学习以局部为中心的热图三元组，以准确估计3D人体姿势。In:ICCV（2019）“，”DOI“：”10.1109\/ICCV.2019.00243“}，{“key”：“42_CR63”，“DOI-asserted-by”：“crossref”，“unstructured”：“Zhou，X.，Zhu，M.，Leonardos，S.，Derpanis，K.G.，Danilidis，K.：稀疏满足深度：单目视频中的三维人体姿势估计ted-by“：”crossref“，”非结构化”：“Zhou，X.，Zhu，M.，Pavlakos，G.，Leonardos，S.，Derpanis，K.G.，Danilidis，K.：MonoCap：使用CNN和几何先验进行单目人体运动捕捉。其中：TPAMI（2018）“，”DOI“：”10.1109\/TPAMI.2018.2816031“}，{“key”：“42_CR65”，“DOI-asserted-by”：“crossref”，“unstructured”：“Zhou，X.，Huang，Q.，Sun，X.、Xue，X.和Wei，Y.：走向野外三维人体姿势估计：一种弱监督方法。In:ICCV（2017）”，“DOI”：“10.1109\/ICCV.2017.51”}]，“container-title”：[“Computer Vision\u2013 ECCV 2020“，”计算机科学课堂讲稿“]，”original-title“：[]，”link“：[{”URL“：”https:\/\/link.springer.com/content\/pdf\/10.1007\/978-3-030-58580-8_42“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[2024,3,13]]，”date-time“：“2024-03-13T18:22:31Z”，“timestamp”：171030 54151000}，“score“：1，”resource“：{”primary”：{“URL”：“https:\/\/link.springer.com/10.1007\/978-3-030-58580-8_42”}}，”subtitle“：[]，”shorttitle“：[]，”issued“:{”date-parts“：[2020]]}，“ISBN”：[“9783030585792”，“97830.30585808”]，”references-count“：65，”URL“：”http:\/\/dx.doi.org\/10007\/978 3-0 30-58580-8_42“，”关系“：{}，”ISSN“：[”0302-9743“，”1611-3349“]，”ISSN-type“：[{”value“：”0302-9743“，”type“：“print”}，{“value”：“1611-3349”，“type”：”electronic“}]，“subject”：[]，“published”：{“date-parts”：[[2020]]}，“assertion”：[{“value”：“2020年12月3日”，“order”：1，“name”：“first_online”，“label”：“first online”，“order”：1，“name”：“conference_acrombit”，“label”：“会议缩写词“，”group“：{”name“：”ConferenceInfo“，”label“：”会议信息“}}，{”value“：”European Conference on Computer Vision“，”order“：2，“name”：“Conference_name”，“label”：“ConferenceName”，“group”：{“name”:“ConferenceInfo”，“label”：”Concement Information“}}}”，{“value”：“Glasgow”，“order”：3，”name“Conference_city”，“table”：“会议城市”，“group“：{”name“：”ConferenceInfo“，”label“：”会议信息“}}，{”value“：”United Kingdom“，”order“：4，“name”：“Conference_country”，“label”：“ConferenceCountry”，”group“:{”name:“ConferenceInfo”，“标签”：“会议信息”}}、{“value”：“2020”，“order”：5，“name“：“：”会议信息“}}，{“value”：“2020年8月23日”，“order”：7，“name”：“Conference_start_date”，“label”：“Conference start date”，“group”：{“name”:“ConferenceInfo”，”label“：“会议信息”}}会议信息“}}，{”value“：”16“，”order“：9，”name“：”Conference_number“，”label“：”ConferenceNumber“，”group“：https:\/\/eccv2020.eu\/“，”order“：11，”name“：”conference_url“，”label“：”conference url“，”group“：{”name“:”ConferenceInfo“，”标签“：”会议信息“}}，{”value“：”Double-blind“，”订单“：1，”name”：“type”，”label:“type”，”groups“：”{“name”：”ConfEventPeerReviewInformation“，”table“：”同行评审信息（由会议组织者提供）“}}}”，{value“：”OpenReview“，”order“：2，”name“：”conference_management_system“，”label“：”会议管理系统“，”group“：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“：”1360“，”order“：4，”name“:”Number_of_full_papers_accepted“，”标签“：”接受的全文数“同行评议信息（由会议组织者提供）“}}，{”value“：”0“，”order“：5，”name“：”number_of_short_papers_accepted“，”label“：”接受的短文数“，”group“：27%-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”：“7”，“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”：“external reviewers involved”：“会议实际上是由于新冠肺炎疫情而召开的。在ECCV研讨会上，共有467份提交文件，其中发表了249篇全文、18篇短文和21篇其他稿件。”，“order”：10，“name”：“additional_info_on_review_process”，“label”：“additional info on review process”，“group”：{“name”:“ConfEventPeerReviewInformation”，“label”：“同行评审信息（由会议组织者提供）”}}]}}