{“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”：[[2024,4,10]]，“日期时间”：“2024-04-10T06:39:03Z”，“时间戳”：1712731143680}，“出版商位置”：“查姆”，“参考计数”：42，“出版者”：“斯普林格国际出版”，“isbn-type”：[{“值”：“9783030687984”，“类型”：”打印“}，{“值”：“9783030687991”，“type”：“electronic”}]，“license”：[{“start”：{“date-parts”：[[2021,1,1]]，“date-time”：“2021-01-01T00:00:00Z”，“timestamp”：1609459200000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“http://www.springer.com\/tdm”}，{“开始”：{“date-ports”：[2021,1,1]]，，“timestamp”：1609459200000}，“content-version”：“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”：[[2021]]}，”DOI“10.1007\/978-3-030-68799-1_8”，“type”：“book-chapter”，“created”:{“date-ports”：[[2021,3,4]]，“日期时间”：“2021-03-04T08:03:53Z”，“时间戳”：1614845033000}，“page”：“102-110”，“update-policy”：”http://\/dx.doi.org\/10.1007\/springer_crossmark_policy“，”source“：”Crossref“，“is-referenced-by-count”：5，“title”：[“软伪标记半监督学习应用于精细纹理视觉分类”]，“prefix”：“10.1007”，“author”：[{“given”：《Daniele》，“family”：“Mugnai”，”sequence“：”first“，“affiliation”：[]}，{“given”：“Federico”，“family”：“Pernici”，“sequence”：“additional”，“affaliance”：[]}日期部分“：[[2021,3,5]]}，”引用“：[{”发布“：“2”，“key”：“8_CR1”，“doi-asserted-by”：“publisher”，《first page》：“373”，“doi”：“10.1007\/s10994-019-05855-6”，“volume”：”109“，“author”：“JE van Engleen”，“year”：“2019”，“unstructured”：“van Engelen，J.E.，Hoos，H.H.H.H.：半监督学习调查。Mach.Learn.109（2），373\u2013440（2019）。https:\\/doi.org\/10007\/s10994-019-05855-6“，”日记标题“：“Mach.Learn.”}，{“key”：“8_CR2”，“doi-asserted-by”：“publisher”，“first page”：：“2109”，“doi”：“10.1109\/ACCES.2019.2962258”，“volume”：”8“，“author”：“OT Nartey”，“year”：“2019”，”unstructured“：”Nartey，O.T.，Yang，G.，Wu，J.，Asare，S.K.：通过自培训实现细粒度分类的半监督学习。IEEE ACCESS 8，2109\u20132121（2019）“，“期刊标题”：“IEEE Access”｝，｛“key”：“8_CR3”，“nonstructured”：“Tarvainen，A.，Valpola，H.：平均教师是更好的榜样：加权平均一致性目标提高半监督深度学习结果。In：Advances In Neural Information Processing Systems，pp.1195\u20131204（2017）”｝，｛“key”：“8_CR4”，“nonstructured”：“Grandvalet，Y.，Bengio，Y.：基于熵最小化的半监督学习。In:Advances In Neural Information Processing Systems，pp.529\u2013536（2005）”}，{“key”：“8_CR5”，“unstructured”：“Lee，D.-H.：伪标签：深度神经网络的简单高效的半监督学习方法。在：ICML:研讨会：表示学习的挑战（WREPL），2013年。美国佐治亚州亚特兰大（2013）“}，{“key”：“8_CR6”，“unstructured”：“Wei，X.-S.，Wu，J.，Cui，Q.：细粒度图像分析的深度学习：一项调查。arXiv预印本arXiv:1907.03069（2019）”}，}，“key“：”8_CR7“，”doi-asserted-by“：”crossref“，”unstructure“：”Ge，W.，Lin，X.，Yu，Y.：自下而上的细粒度图像分类的弱监督互补部分模型。在：《IEEE计算机视觉与模式识别会议论文集》，第3034\u20133043页（2019），“DOI”：“10.1109\/CVPR.2019.00315”｝，｛“key”：“8_CR8”，“系列标题”：“计算机科学讲义”，“DOI断言者”：“出版商”，“第一页”：“62”，“DOI”：“10.1007\/978-3-030-33676-9_5”，“卷标题”：“模式识别”，“作者”：“D Korsch”，“年份”：“2019年”，“非结构化”：“Korsch，D.，Bodesheim，P.，Denzler，J.：改进细粒度视觉分类的分类特定部分。收录人：Fink，G.A.、Frintrop，S.、Jiang，X.（编辑）DAGM GCPR 2019。LNCS，第11824卷，第62\u201375页。查姆施普林格（2019）。https:\/\/doi.org\/10.1007\/978-3-030-33676-9_5“}，{“key”：“8_CR9”，“doi-asserted-by”：“crossref”，“unstructured”：“Zhang，L.，Huang，S.，Liu，W.，Tao，D.：学习粒度分类专家的混合。IEEE国际计算机视觉会议论文集，第8331\u20138340页（2019）”，“doi”：“10.1109\/ICCV.2019.00842“}，{“key”：“8_CR10”，“doi-asserted-by”：“crossref”，“unstructured”：“Cui，Y.、Song，Y.，Sun，C.、Howard，A.、Belongie，S.：大规模细粒度分类和特定领域的迁移学习。摘自：IEEE计算机视觉和模式识别会议论文集，第4109\u20134118页（2018）”，“doi”：“10.1109\/CVPR.2018.00432“}，{“key”：“8_CR11”，“unstructured”：“Touvron，H.，Vedaldi，A.，Douze，M.，J\u00e9gou，H.：修复列车测试分辨率差异。In：《神经信息处理系统进展》，第8252\u20138262（2019）页”}，}，“key“：”8_CR12“，“series-title”：“计算机科学讲义”，“doi-asserted-by”：“publisher”，“第一页“：”301“，”DOI“：”10.1007\/978-3-319-46487-9_19“，”volume-title“：”Computer Vision\u2013 ECCV 2016“，”author“：”J Krause“，”year“：”2016“，“unstructured”：“Krause，J.，et al.：噪声数据对细粒度识别的不合理有效性。收录人：Leibe，B.，Matas，J.，Sebe，N.，Welling，M.（编辑）ECCV 2016。LNCS，第9907卷，第301\u2013320页。查姆施普林格（2016）。https:\/\/doi.org\/10.1007\/978-3-319-46487-9_19“}，{“key”：“8_CR13”，“doi-asserted-by”：“crossref”，“unstructured”：“Lin，T.-Y.，RoyChowdhury，A.，Maji，S.：细粒度视觉识别的双线性CNN模型。《IEEE国际计算机视觉会议论文集》，第1449\u20131457（2015）页”，“doi”：“10.1109\/ICCV.2015.170”}8_CR14“，”doi-asserted-by“：”publisher“，”first page“：”749“，”doi“：”10.1109\/TPAMI.2018.2885764“，“volume”：“42”，“author”：“M Simon”，“year”：“2018”，“unstructured”：“Simon，M.，Rodner，E.，Darrell，T.，Denzler，J.：整体大于部分？从显式到隐式姿势规范化。IEEE传输。模式分析。机器。因特尔。42，749\u2013763（2018）“，“期刊标题”：“IEEE Trans。模式分析。机器。智力。}，{“key”：“8_CR15”，“unstructured”：“Zheng，H.，Fu，J.，Zha，Z.-J.，Luo，J.：学习细粒度图像表示的深度双线性变换。In:Advances In Neural Information Processing Systems，pp.4277\u20134286（2019）”}，}，“key“：”8_CR16“非结构化”：“Ngiam，J.、Peng，D.、Vasudevan，V.、Kornblith，S.、Le，Q.V.、Pang，R.：具有专家模型的领域自适应迁移学习。arXiv预印本arXiv:1811.07056（2018）“}，{“key”：“8_CR17”，“doi-asserted-by”：“crossref”，“unstructured”：“Sun，C.，Shrivastava，A.，Singh，S.，Gupta，A.：重新审视深度学习时代数据的不合理有效性。摘自：IEEE国际计算机视觉会议论文集，第843\u2013852页（2017）”，“doi”：“10.1109\/ICCV.2017.97”}，}key“：”8_CR18“，”doi-asserted-by“：”crossref“，”unstructured“：”Real，E.，Aggarwal，A.，Huang，Y.，Le，Q.V.：图像分类器架构搜索的正则化进化。摘自：《AAAI人工智能会议论文集》，第33卷，第4780\u20134789页（2019）“，“DOI”：“10.1609\/AAAI.v33i01.33014780”}，{“key”：“8_CR19”，“unstructured”：“Dosovitskiy，A.，et al.：图像值16x16个单词：图像识别变压器（2020）”}瓦斯瓦尼：你所需要的就是专注。In:Advances In Neural Information Processing Systems，pp.5998\u20136008（2017）“}，{“key”：“8_CR21”，“unstructured”：“Oliver，A.，Odena8_CR22“，”doi-asserted-by“：”publisher“，”first page“：”1979“，”doi“：”10.1109\/TPAMI.2018.2858821“，”volume“：“41”，”author“：”T Miyato“，”year“：”2018“，”unstructured“：”Miyato，T.，Maeda，S.，Koyama，M.，Ishii，S.：虚拟对抗训练：用于监督和半监督学习的正规化方法。IEEE传输。模式分析。机器。因特尔。41（8），1979\u20131993（2018）“，“期刊标题”：“IEEE Trans。模式分析。机器。智力。“}，{”key“：”8_CR23“，”unstructured“：”Athiwaratkun，B.，Finzi，M.，Izmailov，P.，Wilson，A.G.：对未标记数据有许多一致的解释：为什么你应该取平均值。In:国际学习表征会议（2018）“}”，{“key”：“8_CR24”，“unstructure”：“”Krizhevsky，A.，et al.：Learning multiple layers of features from mini images（2009）“}，{“key”：“8_CR25”，“unstructured”：“Netzer，Y.，Wang，T.，Coates，A.，Bissacco，A.，Wu，B.，Ng，A.Y.：使用无监督特征学习读取自然图像中的数字（2011）”}，}“issue”：“3”，“key“：”8_CR26“，“doi-asserted-by”：“publisher”，“first page”：”211“，“doi”：“10.1007 \/s11263-015-0816-y“，“卷”：“115”，“作者”：“O Russakovsky”，“年份”：“2015”，“非结构化”：“Russakowsky，O.，et al.：Imagenet大规模视觉识别挑战。国际期刊计算。愿景115（3），211\u2013252（2015）“，“新闻标题”：“国际计算杂志”。Vision“}，{”key“：”8_CR27“，”doi-asserted-by“：”crossref“，”unstructured“：”Zhai，X.，Oliver，A.，Kolesnikov，A.，Beyer，L.：S4l：自我监督的半监督学习。摘自：IEEE计算机视觉国际会议论文集，第1476\u20131485（2019）页“，”doi“：”10.1109\/ICCV.2019.00156“}非结构化”：“Yao，T.，Pan，Y.，Ngo，C.-W.，Li，H.，Mei，T.：视觉识别的子空间学习半监督域自适应。摘自：IEEE计算机视觉和模式识别会议论文集，pp.2142\u20132150（2015）“，“DOI”：“10.1109\/CVPR.2015.7298826”}，{“key”：“8_CR29”，“DOI-asserted-by”：“crossref”，“unstructured”：“Saito，K.，Kim，D.，Sclaroff，S.，Darrell，T.，Saenko，K.：通过极大极小熵的半监督域适应。IEEE计算机视觉国际会议论文集，第8050\u20138058页（2019）“，“DOI”：“10.1109\/ICCV.2019.00814”}，{“key”：“8_CR30”，“DOI-asserted-by”：“crossref”，“unstructured”：“Pernici，F.，Bruni，M.，Del Bimbo，A.：视频流的自我监督在线累积学习。《计算机视觉和图像理解》，第102983页（2020）“，“DOI”：“10.1016\/j.cviu.2020.102983”}，{“key”：“8_CR31”，“DOI-asserted-by”：“crossref”，“unstructured”：“Pernici，F.，Del Bimbo，A.：视频流深层描述符的无监督增量学习。摘自：2017 IEEE多媒体与博览会国际会议研讨会（ICMEW），第477\u2013482页。IEEE（2017）“，”DOI“：”10.1109\/IMEW.2017.8026276“}，{”issue“：”7“，”key“：”8_CR32“，”DOI-asserted-by“：”publisher“，”first page“：“1071”，“DOI”：“10.1007\/s00138-016-0799-x”，“volume”：“27”，“author”：“G Lisanti”，“year”：“2016”，“unstructured”：“Lisanti，G.，Masi，I.，Pernici，F.，Del Bimbo，A.：用于广域跟踪的平移-倾斜-变焦相机的连续定位和映射。机器。视觉。申请。27（7），1071\u20131085（2016）“，“新闻标题”：“马赫数。视觉。申请。}，{“key”：“8_CR33”，“doi-asserted-by”：“crossref”，“unstructured”：“Salvagnini，P.等人：用单变焦相机进行多目标跟踪的信息理论传感器管理。摘自：IEEE计算机视觉应用冬季会议，第893\u2013900页。IEEE（2014）”，“DOI”：“10.1109\/WACV.2014.6836009”｝，｛“key”：“8_CR34”，“非结构化”：“Bertelot，D.等人：混合匹配：半监督学习的整体方法。在：神经信息处理系统进展，pp.5049\u20135059（2019）”｝，｛“key”：“8_CR35”，“非结构化”：“Sohn，K.等人：Fixmatch：以一致性和信心简化半监督学习。arXiv预打印arXiv:2001.07685（2020）“}，{“key”：“8_CR36”，“unstructured”：“Maji，S.，Rahtu，E.，Kannala，J.，Blaschko，M.，Vedaldi，A.：飞机的细粒度视觉分类。arXiv预先打印arXiv：1306.5151Krause，J.、Stark，M.、Deng，J.和Fei-Fei，L.：细粒度分类的3D对象表示。摘自：IEEE计算机视觉研讨会国际会议论文集，pp.554\u2013561（2013）“，”DOI“：”10.1109\/ICCVW.2013.77“}，{“key”：“8_CR38”，“unstructured”：“Wah，C.，Branson，S.，Welinder，P.，Perona，P.、Belongie，S.：caltech-ucsd birds-200-2011 dataset（2011）”}，“key“：”8_CR39“，”DOI-asserted-by“：”crossref“，”unstructure“：”Nilsback，M.-E.，Zisserman，A.：对大量类别进行自动花卉分类。印度计算机视觉、图形和图像处理会议，2008年12月”，“DOI”：“10.1109\/ICVGIP.2008.47”}，{“key”：“8_CR40”，“unstructured”：“Khosla，A.，Jayadevaprakash，N.，Yao，B.，Fei-Fei，L.：用于细粒度图像分类的新数据集。In：精细视觉分类第一次研讨会，IEEE计算机视觉和模式识别会议，科罗拉多州科罗拉多斯普林斯，2011年6月“}，{“key”：“8_CR41”，“doi-asserted-by”：“crossref”，“unstructured”：“Szegedy，C.，Ioffe，S.，Vanhoucke，V.，Alemi，A.：Inception-v4，Inception-resnet和剩余联系对学习的影响（2016年）10.1109\/CVPR.2016.90“}]，“container-title”：[“模式识别.ICPR国际研讨会和挑战”，“计算机科学课堂讲稿”]，“原始标题”：[]，“链接”：[{“URL”：“http://\/link.springer.com/content\/pdf\/10.1007\/978-3030-68799-1_8”，“内容类型”：“未指定”，“content-version”：“vor”，“intended-application”：“相似性检查“}”，“存放”：{“日期-部分”：[[2022,12,20]]，“日期-时间”：“2022-12-20T00:06:19Z”，“时间戳”：1671494779000}，“分数”：1，“资源”：{“主要”:{“URL”：“http://link.springer.com\/10.1007\/978-3-030-68799-1_8”}，”副标题“：[]，”短标题“：[]，”已发布“：{”日期-部分“：[2021]}，“ISBN”：[“9783030687984”，“978330687991”]，“references-count“：42，”URL“：”http:\/\/dx.doi.org\/10.1007\/978-3-030-68799-1_8“，”关系“：{}，”ISSN“：[”0302-9743“，”1611-3349“]，”ISSN-type“：[{”value“：”0302-7743“、”type“:”print“}、{”value“：”1611-33049“、”类型“：”electronic“}]、“subject”：[]、“published”：{“date-parts”：[2021]}，“assertion”：[{“value”：“2021年3月5日”，“order”：1，“name”：“first_online”，“label”：“First Online”，“group”：{“name”：“ChapterHistory”，“label”：“章节历史”}}，{“value”：“ICPR”，“order”：1，“name”:“conference_acrombior”，“table”：“conference-acronym”，“group”：{name”：”ConferenceInfo“，”label“：”会议信息“}}”，{value“：”模式识别国际会议“，”order“：2，”name“：”conference_name“，”标签“：”大会名称“，”group“：{”name“：”ConferenceInfo“，”label“：”Meeting Information“}}，{”value“：”2021“，”order“：5，”name“:”Conference_year“，”标签“：”会议年份“，”group“:信息“，”label“：”Conference Information“}}，{“value”：“2021年1月11日”，“order”：8，“name”：“Conference_end_date”，“label”：“ConferenceEnd date”，“group”：{“name”:“ConferenceInfo”，”label“:”Conferency Information“{}，”value“：”ICPR2020“，”order“：10，”name“Conference_id”，“标签”：“会议id”，“组”：{name“：”ConferenceInfo“，”lable“：”会议信息“}}}}，{“value“：”http://www.icpr2020.it“，”order“：11，”name“：”conference_url“，”label“：”conference url“，”group“：{”name“:”ConferenceInfo“，”table“：”会议信息“}}]}}