{“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”：[[2024,5,24]]，“日期-时间”：“2024-05-24T17:31:38Z”，“时间戳”：1716571898529}，“发布者位置”：“查姆”，“引用-计数”：47，“出版商”：“斯普林格国际出版”，“isbn-type”：[{“值”：“9783030607982”，“类型”：”打印“}，{“值”：“9783030607999”，“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”}]，“content-domain”：{“domain”:[“link.springer.com”]，“crossmark-restriction”：false}，“short-container-title”：[]，“published-print”：{“date-parts”：[[2020]]}，”DOI“：”10.1007\/978-3-030-60799-9_34“，”type“：”book-chapter“，”created“：{”date-part“：[[2020,10,13]]，“日期时间”：“2020-10-13T18:04:35Z”，“时间戳”：1602612275000}，“页面”：“387-397”，“更新策略”：“http://\/dx.doi.org\/10.1007\/springer_crossmark_policy”，“源”：“Crossref”，”is-referenced-by-count“：3，”title“：[”位置注意引导学习用于不可见人员重新识别“]，”prefix“：”10.1007“，”author“：[{”given“：”Yong“，“family”：“Wu”，“sequence”：“first”，“从属关系“：[]}，{“给定”：“思哲”，“家族”：“万”，“序列”：“附加”，“从属”：[]{，{-“给定”:“地”，“家庭”：“吴”，“顺序”：“额外”，“隶属”：[]}，}“给定的”：“超”，“家人”：“王”，“排序”：“添加”，“附属”：[[]}.{“给定”：“肖”，“家族”：“秦”，“序列”：“additional”，“affiliation”：[]}，{“given”：“Hongjie”，“family”：“Wu”，“sequence”：“addressive”，“filiation“：[]{”given“：”Xingming“，”family“：”Zhao“，”sequence“：”additional“，”affiliance“：[]}]，“member”：“297”，“published-online”：{“date-parts”：[2020,10,5]]}、“reference”：[{“key”：”34_CR1“，“doi-asserted-by”：“crossref”，“非结构化”：“Ye，M.：深度学习用于人的重新识别：调查与展望（2020）”，“DOI”：“10.1109\/TPAMI.2021.3054775”}，{“key”：“34_CR2”，“DOI-asserted-by”：“crossref”，“unstructured”：“Wu，D.：基于深度学习的人的重新身份识别方法：综合评述。神经计算337，354\u2013371（2019）”，《DOI》：“10.1016\/j.neucom.2019.079”}，{“key”：“34_CR3”，“doi-asserted-by”：“crossref”，“unstructured”：“Wang，X.F.，Huang，D.S.，Xu，H.：用于图像分割的有效局部Chan-Vese模型。模式识别。43（3），603\u2013618（2010）”，“doi”：“10.1016\/j.patcog.2009.08.002”}，{：“Li，B.，Huang，D.S.：局部线性鉴别嵌入：一种有效的人脸识别方法。模式识别41（12），3813\u20133821（2008）”，“DOI”：“10.1016\/j.patcog.2008.05.027”}，{“key”：“34_CR5”，“非结构化”：“Zhao，Z.Q.，Glotin，H.，Xie，Z.，Gao，J.，Wu，X.：半监督图像注释在两个相反方向上的合作稀疏表示。IEEE Trans.image Process.（TIP）21（9），4218\u20134231（2012）”}，{“key”：“34_CR6”，“doi-asserted-by”：“crossref”，“unstructured”：“Huang，D.S.，Du，J.-X.：径向基概率神经网络的构造性混合结构优化方法。IEEE Trans.neural Netw.19（12），2099\u20132115（2008）”，“DOI”：“10.1109\/TNN.200.2004370”}，｛“key”：“34_CR7”，“nonstructured”：“Qian，X.，Fu，Y.，Xiang，T.，Jiang，Y.-G.，Xue，X.：基于领导者的多尺度关注深度架构，用于人的再识别。IEEE Trans.Pattern Anal.Mach.Intell.42，371\u2013385（2019）”}，{“key”：“34_CR8”，“doi-asserted-by”：“publisher”，“unstructured”：“Wu，Y.，Zhang，K.，Wu，D.：通过随机批特征掩码的多尺度特征表示学习进行人的重新识别。IEEE Trans.Cog.Dev.Syst.（2020）.https:\\/doi.org\/10.109\/tcds.2020.3003674”，“doi”：“10.1109 \\tcds.2020.3003674”}，{“key”：“34_CR9”，“doi-asserted-by”：“crossref”，“unstructured”：“Wu，D.：用于人员重新识别的全方位特征学习。IEEE Access 7，28402\u201328411（2019）”，“DOI”：“10.1109\/Access.2019.2901764”}，{“key”：“34_CR10”，“DOI-asserted-by”：“crossref”，“unstructured”：“Wang，X.F.，Huang，D.S.：一种使用水平集方法的基于密度的新型聚类框架。IEEE Trans.Knowl.Data Eng.21（11），1515\u20131531（2009）“，”DOI“：”10.1109\/TKDE.2009.21“}，{“key”：“34_CR11”，“DOI-asserted-by”：“crossref”，“unstructured”：“Shang，L.，Huang，D.S.，Du，J.-X.，Zheng，C.-H.：使用快速ICA算法和径向基概率神经网络进行掌纹识别。神经计算69（13\u201315），1782\u20131786（2006）”，“DOI”：“10.1016\/j.neucom.2005.11.004“}，{“key”：“34_CR12”，“unstructured”：“Zhao，Z.Q.，Huang，D.S.，Sun，B.-Y.：基于多特征的人脸识别使用神经网络委员会。模式识别。Lett.25（12），1351\u20131358Dai，Z.：批量DropBlock网络，用于人员重新识别和其他。摘自：IEEE国际计算机视觉会议论文集（2019）“，“DOI”：“10.1109\/ICCV.2019.00379”}，{“key”：“34_CR14”，“unstructured”：“Wu，D.，Zheng，S.，Yuan，C.，Huang，D.：人员再识别综合损失的深度模型。认知系统研究54，74\u201382（2018）”}Wu，D.，Zheng，S.J.，Bao，W.Z.：一种新的深度模型，具有多损失和有效的人员再识别训练。神经计算324（9），69\u201375（2018）“｝，｛“key”：“34_CR16”，“doi断言者”：“crossref”，“非结构化”：“Huang，D.S.，Ip，H.H.S.，Chi，Z.-R.：一种基于根矩的多项式神经寻根器。neural Comput.16（8），1721\u20131762（2004）”，“doi”：“10.1162\\089976604774201668”｝，｛“key”：“34_CR17”，“doi断言者”：“crossref”，“非结构化”：“Huang，D.S.：用神经网络求多项式任意根的构造性方法。IEEE传输。神经网络。15（2），477\u2013491（2004）“，“DOI”：“10.1109\/TNN.2004.824424”}，{“key”：“34_CR18”，“DOI-asserted-by”：“crossref”，“unstructured”：“Wu，A.：RGB红外跨模态人的重新识别。摘自：IEEE国际计算机视觉会议论文集，第5380\u20135389页（2017）”，“DOI:”10.1109\/ICCV.2017.575doi断言为“：”crossref“，”非结构化“：”Dai，P.，Ji，R.：跨模态人与生成对抗性训练的重新识别。摘自：《国际人工智能联合会议论文集》，第677\u2013683页（2018）“，“DOI”：“10.24963\/ijcai.2018\/94”}，{“key”：“34_CR20”，“DOI-asserted-by”：“crossref”，“unstructured”：“Huang，D.S.，Ip，H.H.H.S.，Law，K.C.K.，Chi，Z.：使用改进约束神经网络方法的归零多项式。IEEE Trans.neural Netw.16（3），721\u2013732（2005）“，”DOI“：”10.1109\/TNN.2005.844912“}，{“key”：“34_CR21”，“unstructured”：“Huang，D.S.，Ip，H.H.S.，Law，K.C.K.，Chi，Z.，Wong，H.S.：递归查找高阶任意多项式任意根的新划分神经网络模型。Appl.Math.Comput.162（3），1183\u20131200（2005）”}，“{”key“：”34_CR22“，”非结构化“：”Huang，D.S.，Zhao，W.-B.：通过递归正交最小二乘算法确定径向基概率神经网络的中心。申请。数学。计算。162（1），461\u2013473（2005）“}，{“key”：“34_CR23”，“doi-asserted-by”：“crossref”，“unstructured”：“Ye，M.，Lan，X.，Li，J.：可视热人重新识别的层次辨别学习。In:第三十二届AAAI人工智能会议（2018）”，“doi”：“10.1609\/AAAI.v32i1.12293”}，“key“：”34_CR24“，”doi-assert-by“：”crossref“，”unstructured“：”Ye，M.，Wang，Z.，Lan，X.，Yuen，P.C.：通过双重约束顶级重新识别可见热人。摘自：《国际人工智能联合会议论文集》，第1092\u20131099页（2018）“，“DOI”：“10.24963\/ijcai.2018\/152”}，{“key”：“34_CR25”，“DOI-asserted-by”：“crossref”，“unstructured”：“Wang，Z.，Wang，Z。，Zheng，Y.：学习减少红外可视人员重新识别的双重水平差异。摘自：IEEE计算机视觉和模式识别会议论文集，第618\u2013626页（2019）“，“DOI”：“10.1109\/CVPR.2019.00071”}，{“key”：“34_CR26”，“unstructured”：“Huang，D.S.，Chi，Z.，Siu，W.C.：约束学习神经根查找器的案例研究。应用数学计算.165（3），699\u2013718（2005）”}doi-asserted-by“：”crossref“，”unstructured“：”Huang，D.S.，Ip，H.H.S.，Chi，Z.，Wong，H.S.：基于约束学习神经网络寻找多项式闭根的扩张方法。物理学。莱特。A 309（5\u20136），443-451（2003）“，“DOI”：“10.1016\/S0375-9601（03）00216-0”}，{“key”：“34_CR28”，“series-title”：“计算机科学课堂讲稿”，“DOI-asserted-by”：“publisher”，“first page”：”501“，”DOI“：”10.1007\/978-3-030-01225-0_30“，”volume-title“：”计算机视觉\u2013 ECCV 2018“，”作者：“Y Sun”，“年份”：“2018年”，“非结构化”：“Sun，Y.、Zheng，L.、Yang，Y.，Tian，Q.、Wang，S.：超越部分模型：使用精细部分池（和强卷积基线）的人员检索。收件人：Ferrari，V.，Hebert，M.，Sminchisescu，C.，Weiss，Y.（编辑）ECCV 2018。LNCS，第11208卷，第501\u2013518页。查姆施普林格（2018）。https:\/\/doi.org\/10.1007\/978-3-030-01225-0_30“}，{“key”：“34_CR29”，“doi-asserted-by”：“crossref”，“unstructured”：“Wang，G.，Yuan，Y.，Chen，X.，Li，J.，Zhou，X.：学习具有多粒度的辨别特征以进行人的重新识别。摘自：2018 ACM多媒体会议，第274\u2013282页。ACM（2018）“，”DOI“：”10.1145\/3240508.3240552“}，{”key“：”34_CR30“，”unstructured“：”Park，J.，Woo，S.，Lee，J.、Kweon，I.S.：BAM：瓶颈注意模块，arXiv:计算机视觉和模式识别（2018）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”：“34_CR32”，“doi-asserted-by”：“crossref”，“unstructured”：“Hu，J.，Shen，L.，Sun，G.：挤压和激发网络。摘自：IEEE计算机视觉和模式识别会议论文集，第7132\u20137141页（2018）”，“doi”：“10.1109\/CVPR.2018.00745”}，}“keys”：“34.CR33”，“doi-asserted-by“：”crossref“，”unstructured“：”Li，W.，Zhu，X.，Gong，S.：人的重新识别的和谐注意力网络。摘自：IEEE计算机视觉和模式识别会议记录，第2285\u20132294页（2018）“，“DOI”：“10.1109\/CVPR.2018.00243”}，{“key”：“34_CR34”，“DOI-asserted-by”：“crossref”，“unstructured”：“Song，C.，Huang，Y.，Ouyang，W.，Wang，L.：个体再认的面具引导对比注意模型。在：《IEEE计算机视觉与模式识别会议论文集》，第1179\u20131188页（2018），“DOI”：“10.1109\/CVPR.2018.00129”｝，｛“key”：“34_CR35”，“DOI断言”：“crossref”，“nonstructured”：“Zhu，Y.，Yang，Z.，Wang，L.：跨模态人再识别的异中心损失。神经计算386，97\u2013109（2019）”，“DOI”：“10.1016\/j.neucom.2019.12.100“}，{“key”：“34_CR36”，“doi-asserted-by”：“crossref”，“unstructured”：“Wang，X.，Girshick，R.，Gupta，A.：非局部神经网络。摘自：IEEE计算机视觉与模式识别会议论文集（2018）”，“doi”：“10.1109\/CVPR.2018.00813”}，}，“key“：”34_CR37“，”doi-assert-by“：”crossref.“，”非结构化“：”Zhu，Z.，Xu，M.，Bai，S.，Huang，T.，Bay，X.：用于语义分割的非对称非局部神经网络。摘自：《IEEE计算机视觉国际会议论文集（2019）》，“DOI”：“10.1109\/ICCV.2019.00068”}，{“key”：“34_CR38”，“unstructured”：“Dalal，N.，Triggs，B.：人类检测定向梯度直方图。摘自：IEEE计算机图像与模式识别会议论文集，第886\u2013893（2005）页”}34_CR39“，”doi-asserted-by“：”crossref“，”unstructured“：”Liao，S.，Hu，Y.，Zhu，X.：通过局部最大出现表示和度量学习重新识别人。摘自：IEEE计算机视觉和模式识别会议记录，第2197\u20132206页（2015）“，“DOI”：“10.1109\/CVPR.2015.7298832”}，{“key”：“34_CR40”，“DOI-asserted-by”：“crossref”，“unstructured”：“Wang，G.，Zhang，T.，Cheng，J.：通过联合像素和特征对齐进行RGB-红外交叉模态人的重新识别。摘自：IEEE计算机视觉国际会议论文集，第3623\u20133632页（2019）“，“DOI”：“10.1109\/ICCV.2019.00372”}，{“key”：“34_CR41”，“unstructured”：“Huang，D.S.：广义径向基函数网络在雷达目标识别中的应用。国际J.Pattern Recogn.Artif.Intell.13（6），945\u2013962（1999）”}34_CR42“，”doi-asserted-by“：”crossref“，”unstructured“：”Huang，D.S.，Ma，S.D.：线性和非线性前馈神经网络分类器：全面理解。J.智力。系统。9（1），1\u201338（1999）“，”DOI“：”10.1515\/JISYS.199.9.1.1“｝，｛”key“：”34_CR43“，”DOI断言“：”crossref“，”非结构化“：”Jiang，J.，Jin，K.，Qi，M.，Wang，Q.，Wu，J.，Chen，C.：用于RGB-IR人再识别的跨模态多粒度注意力网络。神经计算406，59\u201367（2020）“，”DOI“：”10.1016\/J.neucom.200.03.109“｝，｛”key“：”34_CR44“，”doi-asserted-by“：”crossref“，”unstructured“：”Wang，G.-A，Zhang，T.，Yang，Y.：RGB-红外人员再识别的交叉模态配对图像生成。In：第三十四届AAAI人工智能会议（2020）”，“DOI”：“10.1016\/j.neunet.2020.05.008”}，{“key”：“34_CR45”，“DOI-asserted-by”：“crossref”，“unstructured”：“Li，D.，Wei，X.，Hong，X.”，Gong，Y.：用X模态重新识别红外可见的跨模态人“，”DOI“：”10.1609\/aaai.v34i04.5891“}，{“key”：“34_CR46”，“DOI-asserted-by”：“crossref”，“unstructured”：“He，K.，Zhang，X.：图像识别的深度剩余学习。摘自：IEEE计算机视觉与模式识别会议论文集，pp.770\u2013778（2016）”，“DOI”：“10.1109\/CVPR.2016.90”}，“key“：”34_CR47“，”DOI-assert-by“：”crossref.“，”非结构化”：“Nguyen，D.T.，Hong，H.G.，Kim，K.W.：基于可见光和热像仪身体图像组合的人识别系统。传感器17（3），605（2017）“，”DOI“：”10.3390\/s17030605“}]，”container-title“：[”智能计算理论与应用“，”计算机科学课堂讲稿“]，”original-title”：[]，”link“：[{”URL“：”http://link.springer.com/content\/pdf\/10.1007\/978-3-030-60799-9_34“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-Application“：”相似性检查“}”，“存放”：{“日期部分”：[[2022,11,23]]，“日期时间”：“2022-11-23T04:10:45Z”，“时间戳”：1669176645000}，“分数”：1，“资源”：{“主要”：}“URL”：“http://\/link.springer.com\/10.1007\/978-3-030-60799-9_34”}}，”副标题“：[]，”短标题“：[]，”已发布“：{”日期部分“：[2020]]}，“ISBN”：[“9783030607982”，“978330607999”]，“references-count“：47，”URL“：”http://\/dx.doi.org\/10.1007\/978-3-030-60799-9_34“，”关系“：{}，”ISSN“：[”0302-9743“，”1611-3349“]，”ISSN-type“：[{”value“：”0302-7743“、”type“:”print“}、{”value“：”1611-33049“、”类型“：”electronic“}]、”subject“：【】，”published“：{”date-parts“：【2020】}，“assertion”：[{“value”：“2020年10月5日”，“order”：1，“name”：“first_online”，“label”：“First Online”，“group”：{“name”：“ChapterHistory”，“label”：“章节历史”}}，{“value”：“ICIC”，“order”：1，“name”:“conference_acrombit”，“table”：“conference-Acromnim”，“group”：{name”：”ConferenceInfo“，”label“：”Confection-Info“}，”{value“：”智能计算国际会议“，”order“：2，”name“：”conference_name“，”标签“：”会议名称“，”group“：{”name“：”ConferenceInfo“，”label“：”会议信息“}}，{”value“：”Bari“，”order“：3，”name“:”Conference_city“，”table“：”conferency city“，”group“；{”name:“ConferenceInformo”，“label”：“Conferency Information”}}；{“：”会议信息“}}，{”value“：”2020“，”order“：5，”name“：”Conference_year“，”label“：”Conference_year“，“group”：{“name”：“ConferenceInfo”，“label”：“会议信息”}}、{“value”：“2020年10月2日”，“order”：7，“name”:“Conference_start_date”，”lable“：”会议开始日期“，”group“：2020年10月5日“，”order“：8，”name“：”conference_end_date“，”label“：”会议结束日期“，”group“：：“conference_id“，”label“：”会议id“，”group“：{”name“：”ConferenceInfo“，”label“：“会议信息”}}，{”value“：”http://\/ic.tongji.edu.cn\/2020\/index.htm“，“order”：11，“name”：“conference_0rl”，“label”：“会议url”，“group”：{