{“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”：[[2024,7,31]]，“日期时间”：“2024-07-31T19:56:40Z”，“时间戳”：1722455800567}，“出版商位置”：“查姆”，“参考计数”：66，“出版者”：“斯普林格国际出版”，“isbn-type”：[{“值”：“9783030586034”，“类型”：”打印“}，{“值”：“9783030586041”，“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”：“http://www.springer.com\/tdm”}0:00:00Z“，”时间戳“：1577836800000}，”内容版本“：”vor“，“delay-in-days”：0，“URL”：“http:\/\/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.springer.com\/tdm”}1,1]]，“日期时间”：“2020-01-01T00:00:00Z”，“时间戳”：1577836800000}，“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”：[2020]]}，”DOI“10.1007\/978-3030-58604-1_1”，“type”：“book-capter”，“created”“：{”日期部分“：[[2020,11,2]，”日期时间“：“2020-11-02T22:02:49Z”，“时间戳”：1604354569000}，“页面”：“1-19”，“更新策略”：“http://\/dx.doi.org\/10.1007\/springer_crossmark_policy”，“源”：“Crossref”，”is-referenced-by-count“：188，”title“：[”SqueezeSegV3:高效点云分割的空间自适应卷积“]，”prefix“：”10.1007“，”author“：[{”given“：”Chenfeng“，”家庭”：“徐”，“sequence”：“first”，“affiliation”：[]}，{“given”：“Bichen”，“family”：“Wu”，“segment”：“additional”，“filiance”：[]}：“附加”，“从属关系”：[]}，{“给定”：“Kurt”，“family”：“Keutzer”，“sequence”：“additional”，“affiliation”：[]}，{“given”：“Masayoshi”，”family“：”Tomizuka“，”sequence“：”additional“，”affiliation:[]}]，“member”：“297”，“published-online”：{“date-parts”：[2020,11,3]]}：“Behley，J.，et al.：SemanticKITTI:一个用于理解LiDAR序列语义场景的数据集。摘自：IEEE\/CVF国际计算机视觉会议（ICCV）（2019）论文集”，“DOI”：“10.1109\/ICCV.2019.00939”}，{“key”：“1_CR2”，“DOI-asserted-by”：“crossref”，“unstructured”：“Behley，J.，Stachniss，C.：在城市环境中使用3D激光测距数据进行高效的基于表面的SLAM。in:Robotics:Science and Systems（2018）”，“DOI”：“10.15607\/RSS.2018.XIV.016”}，{“key”：“1_CR3”，“DOI-asserted-by”：“crossref”，“unstructured”：“Chen，X.，Ma，H.，Wan，J.，Li，B.，Xia，T.：用于自动驾驶的多视图3D物体检测网络。摘自：IEEE计算机视觉和模式识别会议论文集，第1907\u20131915页（2017）”，“DOI”：“10.1109\/CVPR.2017.691”}，{“key”：“1_CR4”，“DOI-asserted-by”：“crossref”，“unstructured”：“Chen，X.，Milioto，A.，Palazzolo，E.，Gigu\u00e8re，P.，Behley，J.，Stachniss，C.：SuMa++：基于LiDAR的高效语义SLAM。收录于：2019 IEEE\/RSJ智能机器人与系统国际会议（IROS），第4530\u20134537页。IEEE（2019）“，“DOI”：“10.1109\/IROS40897.2019.8967704”}，{“key”：“1_CR5”，“DOI-asserted-by”：“crossref”，“unstructured”：“Chen，Y.，Mensink，T.，Gavves，E.：3D邻域卷积：RGB-D和RGB语义分割的学习深度软件特征。In:2019年国际3D视觉会议（3DV），第173\u2013182页。IEEE（2019）“，“DOI”：“10.1109\/3DV.2019.00028”}，{“key”：“1_CR6”，“DOI-asserted-by”：“crossref”，“unstructured”：“Dai，J.，et al.：可变形卷积网络。摘自：IEEE国际计算机视觉会议论文集，第764\u2013773页（2017）”，“DOI:”10.1109\/ICCV.2017.89“}，}”key“：”1_CR7“，”DOI-assert-by“：”Crosref“，”非结构化“：”Dai，X.，et al.：ChamNet：通过平台软件模型自适应实现高效网络设计。摘自：IEEE计算机视觉和模式识别会议记录，第11398\u201311407页（2019）“，“DOI”：“10.1109\/CVPR.2019.01166”}，{“key”：“1_CR8”，“DOI-asserted-by”：“crossref”，“unstructured”：“Dovrat，O.，Lang，I.，Avidan，S.：学习采样。摘自：IEEE计算机视觉和模式识别会议记录，第2760\u20132769（2019）页“，”DOI“：”10.1109\/CVPR.2019.00287“}，{“issue”：“11”，“key”：“1_CR9”，“DOI-asserted-by”：“publisher”，“first-pages”：“1231”，“DOI”：“10.1177\/02783649134297”，“volume”：”32“author”：“A Geiger”，“year”：“2013”，“unstructured”：“Geiger，A.，Lenz，P.，Stiller，C.，Urtasun，R.：视觉与机器人：KITTI数据集。国际J机器人。第32（11）号决议，1231\u20131237（2013）“，“新闻标题”：“国际机器人杂志”。研究“}，{“key”：“1_CR10”，“doi-asserted-by”：“crossref”，“unstructured”：“Ghoma，A.，et al.：SqueezeNext：硬件神经网络设计。摘自：IEEE计算机视觉和模式识别研讨会会议记录，pp.1638\u20131647（2018）”，“doi”：“10.1109\/CVPRW.2018.0215”}，}“key:”1_CR11“，”doi-assert-by“：”crossref.“，”非结构化“：”Howard，A.等人：搜索MobileNetV3。摘自：IEEE计算机视觉国际会议论文集，第1314\u20131324（2019）页“，”DOI“：”10.1109\/ICCV.2019.00140“}，{“key”：“1_CR12”，“unstructured”：“Howard，A.G.，et al.：MobileNets:移动视觉应用的高效卷积神经网络。arXiv预印本arXiv:1704.04861（2017）”}，“key“：”1_CR13“，”unstructure“：”Hu，J.，Shen，L.，Albanie，S.，Sun，G.，Vedaldi，A.：收集兴奋：利用卷积神经网络中的特征上下文。In:Advances In Neural Information Processing Systems，pp.9401\u20139411（2018）“}，{“key”：“1_CR14”，“doi-asserted-by”：“crossref”，“unstructured”：“Hu，J.，Shen，L.，Sun，G.：挤压和激发网络。In:IEEE Conference on Computer Vision and Pattern Recognition，pp.7132\u20137141（2018）”，“doi”：“10.1109\/CVPR.2018.00745”}key“：”1_CR15“，”doi-asserted-by“：”crossref“，”unstructured“：”Hu，Q.，et al.：RandLA-Net：大规模点云的高效语义分割。arXiv预打印arXiv:1911.11236（2019）“，”DOI“：”10.1109\/CVPR42600.2020.01112“}，{”key“：”1_CR16“，”unstructured“：”Iandola，F.N.，Han，S.，Moskewicz，M.W.，Ashraf，K.，Dally，W.J.，Keutzer，K.:SqueezeNet:Alexnet级精度，参数少50倍，模型大小${<0.5}$mb。arXiv预印本arXiv:1602.07360（2016）“}，{“key”：“1_CR17”，“doi-asserted-by”：“crossref”，“unstructured”：“Jaritz，M.，Vu，T.H.，de Charette，R.，\u00c9milie Wirbel，P\u00e9rez，P.：xMUDA:三维语义切分的跨模态非监督域适配（2019）”，“doi”：“10.1109\/CVPR42600.2020.01262”}，}，“key“：”1_CR18“，“series title“：”《计算机科学课堂讲稿》，“doi-asserted-by”：“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年”，“unstructured”：“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“：”1_CR19“，”非结构化“：”Kim，B.，Ponce，J.，Ham，B.：用于联合图像过滤的可变形内核网络。arXiv预印本arXiv:1910.08373（2019）“｝，｛”key“：”1_CR20“，”doi断言“：”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。在：《IEEE国际计算机视觉会议论文集》，第863\u2013872页（2017），“DOI”：“10.1109\/ICCV.2017.99”}，{“key”：“1_CR21”，“非结构化”：“Krizhevsky，A.，Hinton，G.等人：从微小图像中学习多层特征（2009）”}，{“key”：“1_CR22”，“DOI断言为”：“crossref”，“非结构化”：“Landrieu，L.，Simonovsky，M.：用叠加图进行大尺度点云语义分割。摘自：IEEE计算机视觉和模式识别会议记录，第4558\u20134567页（2018）“，“DOI”：“10.1109\/CVPR.2018.00479”}，{“key”：“1_CR23”，“DOI-asserted-by”：“crossref”，“unstructured”：“Li，J.，Chen，B.M.，Hee Lee，G.：SO Net：点云分析的自组织网络。摘自：IEEE计算机视觉和模式识别会议记录，第9397\u20139406页（2018）“，“DOI”：“10.1109\/CVPR.2018.00979”}，{“key”：“1_CR24”，“unstructured”：“Li，Y.，Bu，R.，Sun，M.，Wu，W.，Di，X.，Chen，B.：PointCNN：X变换点上的卷积。摘自：《神经信息处理系统进展》，第820\u2013830（2018）页“}，{“key”：“1_CR25”，“series-title”：“计算机科学讲义”，“doi-asserted-by”：“publisher”，“first page”：《740》，“doi”：“10.1007\/978-3319-10602-1_48”，“volume-title”：《Computer Vision\u2013 ECCV 2014》，“author”：“TY Lin”，《年份》：“2014”，“非结构化”：“Lin，T.Y.，等：微软COCO:上下文中的通用对象。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“：”1_CR26“，”doi-asserted-by“：”crossref“，”unstructured“：”Liu，F.，Li，S.，Zhang，L.，Zhou，C.，Ye，R.，Wang，Y.，Lu，J.：3DCNN-DQN-RNN：大型三维点云语义解析的深度强化学习框架。摘自：IEEE计算机视觉国际会议论文集，pp.5678\u20135687（2017）“，“DOI”：“10.1109\/ICCV.2017.605”}，{“key”：“1_CR27”，“unstructured”：“Liu，Z.，Tang，H.，Lin，Y.，Han，S.：有效3D深度学习的点-盒CNN。摘自：《神经信息处理系统的进展》，pp.963\u2013973（2019）series-title“：“计算机科学课堂讲稿”，“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“：”1_CR29“，”doi-asserted-by“：”crossref“，”unstructured“：”Meng，H.Y.，Gao，L.，Lai，Y.K.，Manocha，D.：VV-Net:Voxel VAE Net with group convolutions for point cloud segmentation。In:IEEE International Conference on Computer Vision，pp.8500\u20138508（2019）“，”doi“：”10.1109 \/ICCV.2019.00859“}，{“key”：“1_CR30”，“doi-asserted-by”：“crossref”，“unstructured”：“Milioto，A.，Vizzo，I.，Behley，J.，Stachniss，C.：RangeNet++：快速准确的LiDAR语义分割。摘自：IEEE \/RSJ智能机器人和系统国际会议（IROS）（2019）论文集”，“doi”：“10.1109 \/IROS40897.2019.8967762”}，}“key“：”1_CR31“，”doi-asserted-by“：”crossref“，”unstructured“：”Mo，K.，et al.：PartNet：用于细粒度和层次化部分级3D对象理解的大规模基准。摘自：IEEE计算机视觉和模式识别会议记录，第909\u2013918页（2019）“，“DOI”：“10.1109\/CVPR.2019.00100”}，{“key”：“1_CR32”，“series-title”：“计算机科学讲义”，“DOI-asserted-by”：“publisher”，“first page”：”483“，“DOI”：”10.1007\/978-3-319-46484-8_29“，“volume-title”：”计算机视觉\u2013 ECCV 2016“作者：“A Newell”，“year”：“2016”，“unstructured”：“Newell，A.，Yang，K.，Deng，J.：用于人体姿势估计的堆积沙漏网络。收录人：Leibe，B.，Matas，J.，Sebe，N.，Welling，M.（编辑）ECCV 2016。LNCS，第9912卷，第483\u2013499页。查姆施普林格（2016）。https:\/\/doi.org\/10.1007\/978-3-319-46484-8_29“}，{”issue“：”2“，”key“：”1_CR33“，”doi-asserted-by“：”publisher“，”first-page“：”39“，”doi“：”10.1109\/MDAT.2016.2573586“，”volume“：“34”，”author“：”A Pedram“，”year“：”2016“，”unstructured“：”Pedram，A.、Richardson，S.、Horowitz，M.、Galal，S.和Kvatinsky，S.：黑暗硅时代的黑暗内存和加速器丰富的系统优化。IEEE设计。测试34（2），39\u201350（2016）“，“日志标题”：“IEEE Des。Test“}，{”key“：”1_CR34“，”doi-asserted-by“：”crossref“，”unstructured“：”Qi，C.R.，Liu，W.，Wu，C.，Su，H.，Guibas，L.J.：从RGB-D数据检测三维物体的Frustum PointNets。摘自：《IEEE计算机视觉和模式识别会议论文集》，第918\u2013927页（2018）“，”doi“：”10.1109\/CVPR.2018.00102“}”，{“key”：“1_CR35”，“unstructure”：“”Qi，C.R.，Su，H.，Mo，K.，Guibas，L.J.：PointNet：针对3D分类和分割的点集深度学习。收录于：IEEE计算机视觉和模式识别会议论文集，第652\u2013660页（2017）“}，{“key”：“1_CR36”，“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《神经信息处理系统进展》，第5099\u20135108页（2017年）”}，}“key“：”1_CR37“，”series-title“：”计算机科学课堂讲稿“，”doi-asserted-by“：”publisher“，”first page“：“625”，”doi“：”10.1007\/978-3-030-01225-0_37“，”volume-title“：“Computer Vision\u2013 ECCV 2018”，”author“：”D Rethage“，”year“：”2018“，”unstructured“：”Rethage，D.，Wald，J.，Sturm，J.；Navab，N.，Tombari，F.：用于大规模点云的全卷积点网络。收件人：Ferrari，V.，Hebert，M.，Sminchisescu，C.，Weiss，Y.（编辑）ECCV 2018。LNCS，第11208卷，第625\u2013640页。查姆施普林格（2018）。https:\/\/doi.org/10.1007\/978-3-030-01225-0_37“｝，｛“key”：“1_CR38”，“doi断言者”：“crossref”，“非结构化”：“Riegler，G.，Osman Ulusoy，A.，Geiger，A.：OctNet:学习高分辨率的深度3D表示。In：《IEEE计算机视觉与模式识别会议论文集》，pp.3577\u20133586（2017）”，“doi”：“10.1109\/CVPR.2017.701“}，{“key”：“1_CR39”，“doi-asserted-by”：“crossref”，“unstructured”：“Sandler，M.，Howard，A.，Zhukey“：“1_CR40”，“doi-asserted-by”：“crossref”，“unstructured”：“Shen，W.，Wang，B.，Jiang，Y.，Wang.，Y.和Yuille，A.：神经元边界检测的多级多递归输入完全卷积网络。在：《IEEE国际计算机视觉会议论文集》，第2391\u20132400页（2017），“DOI”：“10.1109\/ICCV.2017.262”｝，｛“key”：“1_CR41”，“DOI断言”：“crossref”，“非结构化”：“Song，S.，Xiao，J.：GB-D图像中非对称3D物体检测的深滑动形状。摘自：IEEE计算机视觉和模式识别会议记录，第808\u2013816页（2016）“，“DOI”：“10.1109\/CVPR.2016.94”}，{“key”：“1_CR42”，“DOI-asserted-by”：“crossref”，“unstructured”：“Su，H.，Jampani，V.，Sun，D.，Gallo，O.，Learnd-Miller，E.，Kautz，J.：像素自适应卷积神经网络。摘自：IEEE计算机视觉和模式识别会议记录，第11166\u201311175页（2019）“，“DOI”：“10.1109\/CVPR.2019.01142”}，{“key”：“1_CR43”，“DOI-asserted-by”：“crossref”，“unstructured”：“Su，H.，et al.：SPLATNet：点云处理的稀疏晶格网络。摘自：IEEE计算机视觉和模式识别会议记录，pp.2530\u20132539（2018）“，“DOI”：“10.1109\/CVPR.2018.00268”}，{“key”：“1_CR44”，“DOI-asserted-by”：“crossref”，“unstructured”：“Tan，M.等人：MnasNet：移动平台软件神经架构搜索。摘自：IEEE计算机视觉和模式识别会议论文集，第2820\u20132828页（2019）“，“DOI”：“10.1109\/CVPR.2019.00293”}，{“key”：“1_CR45”，“unstructured”：“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（2019crossref”，“非结构化”：“Tatarchenko，M.，Park，J.，Koltun，V.，Zhou，Q.Y.：三维密集预测的切线卷积。摘自：IEEE计算机视觉和模式识别会议记录，第3887\u20133896页（2018）“，“DOI”：“10.1109\/CVPR.2018.00409”}，{“key”：“1_CR47”，“DOI-asserted-by”：“crossref”，“unstructured”：“Tchapmi，L.，Choy，C.，Armeni，I.，Gwak，J.，Savarese，S.：SEGCloud：三维点云的语义分割。2017年国际3D视觉会议（3DV），第537\u2013547页。IEEE（2017）“，“DOI”：“10.1109\/3DV.2017.0067”}，{“key”：“1_CR48”，“DOI-asserted-by”：“crossref”，“unstructured”：“Wang，B.，Wu，V.，Wu和B.，Keutzer，K.：LATTE：通过传感器融合、一键注释和跟踪加速LiDAR点云注释。摘自：2019 IEEE智能交通系统会议（ITSC），第265\u2013272页。IEEE（2019）“，”DOI“：”10.1109\/ITSC.2019.8916980“}，{”key“：”1_CR49“，”series-title“：”计算机科学讲义“，”DOI-asserted-by“：”publisher“，”first page“：“144”，“DOI”：“10.1007\/978-3-030-01252-6_9”，“volume-title”：“Computer Vision\u2013 ECCV 2018”，“author”：“W Wang”，“year”：“2018”，”unstructured“：”Wang，W.，Neumann，U.：用于RGB-D分割的深度软件CNN。收件人：Ferrari，V.，Hebert，M.，Sminchisescu，C.，Weiss，Y.（编辑）ECCV 2018。LNCS，第11215卷，第144\u2013161页。查姆施普林格（2018）。https:\/\/doi.org\/10.1007\/978-3-030-01252-6_9“}，{“问题”：“5”，“密钥”：“1_CR50”，“doi-asserted-by”：“出版商”，“首页”：“1”，“doi”：“10.1145\/3326362”，“卷”：“38”，“作者”：“Y Wang”，“年份”：“2019”，“非结构化”：“Wang，Y.、Sun，Y.，Liu，Z.、Sarma，S.E.、Bronstein，M.M.、Solomon，J.M.：用于学习点云的动态图CNN。ACM事务处理。图表。（TOG）38（5），1\u201312（2019）“，“期刊标题”：“ACM Trans。图表。（TOG）“}，{”key“：”1_CR51“，”series-title“：”计算机科学课堂讲稿“，”doi-asserted-by“：”publisher“，”first page“：“3”，”doi“：”10.1007\/978-3-030-01234-2_1“，“volume-title”：“Computer Vision\u2013 ECCV 2018”，“author”：“S Woo”，“year”：“2018”，”unstructured“：”Woo，S.、Park，J.、Lee，J.-Y.、Kweon，I.S.:CBAM：卷积块注意模块。收件人：Ferrari，V.，Hebert，M.，Sminchisescu，C.，Weiss，Y.（编辑）ECCV 2018。LNCS，第11211卷，第3\u201319页。查姆施普林格（2018）。https:\/\/doi.org\/10.1007\/978-3-030-01234-2_1“}，{“key”：“1_CR52”，“unstructured”：“Wu，B.：高效深度神经网络。arXiv预印本arXiv:1908.08926（2019）”}，}，“key“：”1_CR53“，”doi-asserted-by“：”crossref“，”unstructure“：”Wu，B.等人：FBNet：通过可微分神经架构搜索实现硬件高效ConvNet设计。摘自：IEEE计算机视觉和模式识别会议记录，第10734\u201310742页（2019）“，“DOI”：“10.1109\/CVPR.2019.01099”}，{“key”：“1_CR54”，“DOI-asserted-by”：“crossref”，“unstructured”：“Wu，B.，Iandola，F.，Jin，P.H.，Keutzer，K.：SqueezeDet：用于自动驾驶实时目标检测的统一、小型、低功耗全卷积神经网络。摘自：IEEE计算机视觉和模式识别研讨会会议记录，第129\u2013137页（2017）“，“DOI”：“10.1109\/CVPRW.2017.60”}，{“key”：“1_CR55”，“DOI-asserted-by”：“crossref”，“unstructured”：“Wu，B.等人：Shift：零FLOP，零参数替代空间卷积。在：《IEEE计算机视觉与模式识别会议论文集》，第9127\u20139135页（2018），“DOI”：“10.1109\/CVPR.2018.00951”｝，｛“key”：“1_CR56”，“DOI asserted by”：“crossref”，“nonstructured”：“Wu，B.，Wan，A.，Yue，X.，Keutzer，K.：SqueezeSeg：具有递归CRF的卷积神经网络，用于从3D LiDAR点云实时分割道路对象。在：ICRA（2018）”中，“DOI”：“10.1109\/ICRA.2018.8462926”}，｛“key”：“1_CR57”，“nonstructured”：“Wu，B.，Wang，Y.，Zhang，P.，Tian，Y.，Vajda，P.，Keutzer，K.：通过可微神经结构搜索对凸网进行混合精度量化。arXiv预印本arXiv:11812.00090（2018）”}，｛“key”：“1_CR58”，DOI断言为“：”crossref“，”nonstructured“：”Wu，B.、Zhou，X.、Zhao，S.、Yue，X.和Keutzer，K.：SqueezeSegV2：改进的模型结构和无监督的域自适应，用于从LiDAR点云进行道路对象分割。In:ICRA（2019）“，”DOI“：”10.1109\/ICRA.2019.8793495“}，{“key”：“1_CR59”，“unstructured”：“Xie，Y.，Tian，J.，Zhu，X.X.：点云语义分割综述。arXiv预印本arXiv:1908.08854（2019Xu，C.，Qiu，K.，Fu，J.，Bai，S.，Xu，Y.，Bai，X.：学习缩放：生成用于人群计数的多极归一化密度图。摘自：IEEE计算机视觉国际会议论文集，第8382\u20138390页（2019）“，“DOI”：“10.1109\/ICCV.2019.00847”}，{“key”：“1_CR61”，“DOI-asserted-by”：“crossref”，“unstructured”：“Yang，Y.等：Synetgy：嵌入式FPGA上ConvNet加速器的算法硬件协同设计。收录于：2019年ACM SIGDA现场可编程门阵列国际研讨会论文集，第23页，201332（2019）“，“DOI”：“10.1145”，{“key”：“1_CR62”，“DOI-asserted-by”：“crossref”，“unstructured”：“Yue，X.，Wu，B.，Seshia，S.A.，Keutzer，K.，Sangiovanni-Vincentelli，A.L.：激光雷达点云生成器：从虚拟世界到自动驾驶。摘自：《2018年ACM多媒体检索国际会议论文集》，第458\u2013464页（2018），“DOI”：“10.1145\/3206025.320608”}，{“key”：“1_CR63”，“DOI-asserted-by”：“crossref”，“unstructured”：“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。摘自：IEEE计算机视觉和模式识别会议论文集，第6848\u20136856页（2018年）“，”DOI“：”10.1109\/CVPR.2018.00716“}，{“key”：“1_CR64”，“unstructured”：“Zhou，Y.，et al.：LiDAR点云中三维物体检测的端到端多视图融合。arXiv预印本arXiv:1910.06528（2019）“}crossref”，“非结构化”：“Zhou，Y.，Tuzel，O.：VoxelNet：基于点云的三维对象检测的端到端学习。摘自：IEEE计算机视觉和模式识别会议记录，pp.4490\u20134499（2018）“，“DOI”：“10.1109\/CVPR.2018.00472”}，{“key”：“1_CR66”，“DOI-asserted-by”：“crossref”，“unstructured”：“Zhu，X.，Hu，H.，Lin，S.，Dai，J.：可变形ConvNets v2：可变形性更强，效果更好。摘自：IEEE计算机视觉和模式识别会议记录，第9308\u20139316页（2019年）“，”DOI“：”10.1109\/CVPR.2019.00953“}]，”container-title“：[”Computer Vision\u2013 ECCV 2020“，”计算机科学讲义“]，”original-title”：[]，”link“：[{”URL“：”https:\/\/link.springer.com/content\/pdf\/10.10007\/978-3030-58604-1_1“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[2021,4,24]]，”date-time“：“2021-04-24T06:56:33Z”，“timestamp”：1619247393000}，“score”：1，“resource”：{“primary”:{“URL”：“https:\/\/link.springer.com//10007\/978-3-030-58604-1_1”}，”subtitle“：[]，“短标题”：[]，“已发布”：{date-parts“：[[2020]]}，”ISBN“：[”9783030586034“，”978330586041“]，”references-count“：66，”URL“：”http://\/dx.doi.org\/10.1007\/978-3-030-58604-1_1“，”relation“：{}，“ISSN”：[”0302-9743“，”1611-3349“]，“ISSN-type”：[{“value”：“0302-974”，”type“：”print“}，{“value”：“1611-3399”，“type”：“electronic”}]，“subject”：[]，“published”：{“date-parts”：[[2020]]}，“assertion”：[{value“：”2020年11月3日“，”order“：1，”name“：”first_online“，”label“：”first online“，“group”：{“name”：“ChapterHistory”，“label”：“Chapter History“}}，{“value”：“ECCV”，“order”：1，“name”:“conference_acrombit”，“tabel”：”conference acronym“，”group“：order“：2，”name“：”conference_name“，”label“：”会议名称“，”group“：“标签”：“会议国家/地区“，”组“：{”name“：”ConferenceInfo“，”label“：”会议信息“}}，{”value“：”2020“，”order“：5，”name“:”Conference_year“，”标签“：”会议年“，”group“：会议信息“，”标签“：”会议信息“}}，{“value”：“2020年8月28日”，“order”：8，“name”：“Conference_end_date”，“label”：“会议结束日期”，“group”：{“name”:“ConferenceInformo”，“table”：“Conferency Information”}}会议信息“}}，{“value”：“eccv2020”，“order”：10，“name”：“Conference_id”，“label”：“Conference id”，“group”：{“name”:“ConferenceInfo”，“标签”：“会议信息”}}}}，{“值”：“Double-blind“，”order“：1，”name“：”type“，”label“：”type“，”group“：同行评审信息（由会议组织者提供）“}}，{“value”：“5025”，“order”：3，“name”：“number_of_submissions_sent_for_Review”，“label”：“发送供评审的提交数”，“group”：{“name”:“ConfEventPeerReviewInformation”，“table”：“同行评审信息”（由会议主办方提供）number_of_full_papers_accepted“，”label“：”接受的全文数“，”group“：{”name“：”ConfEventPeerReviewInformation“，”标签“：”同行评审信息（由会议组织者提供）“}}，{”value“：”0“，”order“：5，”name“:”number_ of_short_papers_Accepteded“，”table“：”已接受的短文数“，“group”：{“name”：“”ConfEventPeerReviewInformation“，”label“：”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“，”标签“：”全文接受率“，”group“：{”name“：”ConfEventPeerReviewInformation“，”label“：”Peer Review Information（由会议组织者提供）“}}，{”value“：”3“，”order“：7，”name“:”average_number_of_reviews_per_paper“，”标签“：”每篇论文的平均评论数“，”google“：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”：{“name”:“ConfEventPeerReviewInformation”，“table”：“同行评审信息（由大会组织者提供）”}}external_reviewers_involved“，”label“：”涉及的外部审阅者“，”group“：{”name“：”ConfEventPeerReviewInformation“，”标签“：”同行审阅信息（由会议组织者提供）“}}，”{“value”：“会议实际上是由于新冠肺炎疫情而召开的。”，“order”：10，“name”：“additional_info_on_Review_process”，“label”：“”评审过程附加信息“，”组“：{“name”：“ConfEventPeerReviewInformation”，“label”：“同行评审信息（由会议组织者提供）”}}]}}