{“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”：“2024-04-10T06:43:22Z”，“时间戳”：1712731402282}，“出版商位置”：“查姆”，“参考计数”：42，“出版者”：“斯普林格自然瑞士”，“isbn-type”：[{“值”：“9783031198021”，“类型”：”打印“}，{“值”：“9783031198038”，“类型”：“electronic”}]，“license”：[{“start”：{“date-parts”：[[2022,1,1]]，“date-time”：“2022-01-01T00:00:00Z”，“timestamp”：1640995200000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“https:\\/www.springer.com\/tdm”}：1640995200000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https://\\www.springer.com\/tdm”｝，｛“开始”：｛“日期部分”：[[2022,1,1]]，“日期时间”：“2022-01-01T00:00:00Z”，“时间戳”：1640995200000｝，“内容版本”：“tdm”，“延迟天数”：0，“URL”：“https://\\www.springer.com\/gp\/researchers\/text and data mining”｝，｛“开始”：｛“日期部分”：[[2022,1,1]]，“日期时间”：“2022-01-01T00:00:0 0Z”，“时间戳”：1640995200000}，“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“：[2022]]}，‘DOI’：“10.1007\/978-3-0”31-19803-8_31“，”type“：”book-chapter“，“created”：{“date-parts”：[[2022,10,22]]，“date-time”：“2022-10-22T13:05:16Z”，“timestamp”：1666443916000}，“page”：“523-539”，“update-policy”：”http://\/dx.doi.org\/10.1007\/springer_crossmark_policy“，”source“：”Crossref“，“is-referenced-by-count”：8，“title”：[“ConCL:概念对比学习\u00a0密集预测预训练u00a0病理图像“]，“前缀”：“10.1007”，“作者”：[｛“给定”：“家卫”，“家族”：“杨”，“序列”：“第一”，“隶属关系”：[]｝，｛“给定”：“韩波”，“家族”：“陈”，“序列”：“附加”，“隶属关系”：[]｝，｛“给定”：“元”，“家族”：“梁”，“序列”：“附加”，“隶属关系”：[]｝，｛“给定”：“军州”，“家族”：“黄”，“序列”：“附加”，“隶属关系”：[]｝，{“给定”：“雷”，“family”：“He”，“sequence”：“additional”，“affiliation”：[]}，{“given”：“Jianhua”，“failment”：“Yao”，“serquence”:“additionable”，“abfiliance”：[]}]，“member”：“297”，“published-online”：{“date-parts”：[2022,10,23]]}；“reference”：[{“key”：”31_CR1“，”doi-asserted-by“：”crossref“，“unstructured”：“Arbel\u00e1ez，P.，Pont-Tuset，J.，Barron，J.T.，Marques，F.，Malik，J.：多尺度组合分组。摘自：IEEE计算机视觉和模式识别会议论文集，第328\u2013335页（2014）”，“DOI”：“10.1109\/CVPR.2014.49”}，{“key”：“31_CR2”，“非结构化”：“Caron，M.、Misra，I.、Mairal，J.、Goyal，P.、Bojanowski，P.和Joulin，A.：通过对比聚类赋值对视觉特征进行无监督学习。arXiv预印本arXiv:2006.09882（2020）”}，{“key”：“31_CR3”，“非结构化”：“Chen，T.，Kornblith，S.，Norouzi，M.，Hinton，G.：视觉表征对比学习的简单框架。摘自：机器学习国际会议，第1597\u20131607页。PMLR（2020）“}，{“key”：“31_CR4”，“unstructured”：“Chen，X.，Fan，H.，Girshick，R.，He，K.：使用动量对比学习改进基线。arXiv预印本arXiv:2003.04297（2020）”}，}，“key“：”31_CR5“，”doi-asserted-by“：”crossref“，“unsructured“：”Chen，X.，He，K.：探索简单连词表征学习。收录于：IEEE计算机视觉和模式识别会议论文集，第15750\u201315758（2021）页，“DOI”：“10.1109\/CVPR46437.2021.01549”}，{“key”：“31_CR6”，“unstructured”：“Ciga，O.，Xu，T.，Martel，A.L.：数字组织病理学的自我监督对比学习。arXiv预印本arXiv：2011.13971（2020）”}31_CR7“，”doi-asserted-by“：”publisher“，”first page“：”167“，“doi”：“10.1023\/B:VISI.00022288.19776.77”，“volume”：“59”，“author”：“PF Felzenszwalb”，“year”：“2004”，“unstructured”：“Felzenszwalb，P.F.，Huttenlocher，D.P.：高效的基于图形的图像分割。国际期刊计算。Vision 59（2），167\u2013181（2004）“，“期刊标题”：“国际计算杂志”。Vision“}，{“key”：“31_CR8”，“doi-asserted-by”：“crossref”，“unstructured”：“Girshick，R.，Donahue，J.，Darrell，T.，Malik，J.：精确对象检测和语义分割的丰富特征层次。摘自：IEEE计算机视觉和模式识别会议论文集，第580\u2013587页（2014）”，“doi”：“10.1109\/CVPR.2014.81”}31_CR9“，”doi-asserted-by“：”publisher“，”first page“：”199“，“doi”：“10.1016\/j.media.2018.12.001”，“volume”：“52”，“author”：“S Graham”，“year”：“2019”，“unstructured”：“Graham，S.，et al.：MILD-Net：结肠组织学图像中腺体实例分割的最小信息损失扩张网络。医学图像分析。52，199\u2013211（2019）“，“新闻标题”：“医学图像分析。“｝，｛”key“：”31_CR10“，”非结构化“：”Grill，J.B.等人：引导你自己的潜能：一种自我监督学习的新方法。arXiv预印本arXiv:2006.007733（2020）“｝，｛”key“：”31_CR11“，”非结构化“：”Hadsell，R.，Chopra，S.，LeCun，Y.：通过学习不变映射降低维数。2006年IEEE计算机学会计算机视觉和模式识别会议（CVPR 2006），第2卷，第1735\u20131742页。IEEE（2006）“}，{“key”：“31_CR12”，“doi-asserted-by”：“crossref”，“unstructured”：“He，K.，Fan，H.，Wu，Y.，Xie，S.，Girshick，R.：无监督视觉表征学习的动量对比。摘自：IEEE计算机视觉与模式识别会议论文集，pp.9729\u20139738（2020）”，“doi”：“10.1109\/CVPR42600.2020.00975”}，}key“：”31_CR13“，”doi-asserted-by“：”crossref“，”unstructured“：”He，K.，Girshick，R.，Doll\u00e1r，P.：重新思考图像网预训练。收录于：IEEE计算机视觉国际会议论文集，第4918\u20134927（2019）页“，”DOI“：”10.1109\/ICCV.2019.00502“}，{“key”：“31_CR14”，“DOI-asserted-by”：“crossref”，“unstructured”：“He，K.，Gkioxari，G.，Doll\u00e1r，P.，Girshick，R.：面具R-CNN。摘自：IEEE计算机视觉国际会议论文集，第2961\u20132969页（2017）“，“DOI”：“10.1109\/ICCV.2017.322”}，{“key”：“31_CR15”，“DOI-asserted-by”：“crossref”，“unstructured”：“He，K.，Zhang，X.，Ren，S.，Sun，J.：图像识别的深度剩余学习。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”：“31_CR16”，“DOI-asserted-by”：“crossref”，“unstructured”：“H\u00e9naff，O.J.，Koppula，S.，Alayrac，J.B.，Oord，A.V.D.，Vinyals，O.，Carreira，J.：对比检测的有效视觉预训练。arXiv预印本arXiv:2103.10957（2021）“，“DOI”：“10.1109\/ICCV48922.2021.00993”}，{“key”：“31_CR17”，“DOI-asserted-by”：“publisher”，“unstructured”：“Kather，J.N.，Halama，N.，Marx，A.：人类结直肠癌和健康组织的100000张组织学图像，2018年4月。https:\/\/doi.org\/10.5281\/zenodo.1214456“，”doi“：”10.5281\/zenodo.1214456“}，{“问题”：“10”，“密钥”：“31_CR18”，“doi-asserted-by”：“发布者”，“首页”：“2845”，“doi”：“10.1109\/TMI.2021.3056023”，“卷”：“40”，“作者”：“NA Koohbanani”，“年份”：“2021”，“非结构化”：“Koohbanani，N.A.、Unnikrishnan，B.、Khurram，S.A.、Krishnaswamy，P.、Rajpoot，N.：自我路径：有限注释的病理图像分类的自我监督。IEEE传输。医学成像40（10），2845\u20132856（2021）“，“期刊标题”：“IEEE Trans。医学影像学“}，{“key”：“31_CR19”，“unstructured”：“Li，J.，Zhou，P.，Xiong，C.，Hoi，S.C.：无监督表征的原型对比学习。arXiv预印本arXiv:2005.04966（2020）”}，}，“key“：”31_CR20“，”doi-asserted-by“：”crossref“，”unstructure“：”Lin，T.Y.，Doll\u00e1r，P.，Girshick，R.，He，K.，Hariharan，B.，Belongie，S.：目标检测的特征金字塔网络。摘自：IEEE计算机视觉和模式识别会议记录，第2117\u20132125页（2017）“，“DOI”：“10.1109\/CVPR.2017.106”}，{“key”：“31_CR21”，“DOI-asserted-by”：“crossref”，“unstructured”：“Lin，T.Y.，Goyal，P.，Girshick，R.，He，K.，Doll\u00e1r，P.：密集目标检测的焦点丢失。摘自：IEEE计算机视觉国际会议论文集，第2980\u20132988页（2017）“，“DOI”：“10.1109\/ICCV.2017.324”}，{“key”：“31_CR22”，“unstructured”：“Liu，S.，Li，Z.，Sun，J.：Self-EMD:无ImageNet.arXiv预印本arXiv:2011.13677（2020）”}Nguyen，D.T.等人：Deepusps：具有自我监督的深度稳健无监督显著性预测。arXiv预印本arXiv:1909.13055（2019）“}，{“key”：“31_CR24”，“unstructured”：“Oord，A.V.D.，Li，Y.，Vinyals，O.：使用对比预测编码进行表征学习。arXiv预先印本arX iv:1807.03748（2018）”}，}，“key“：”31_CR25“，”doi-asserted-by“：”crossref“，”unstructure“：”Qin，X.，Zhang，Z.，Huang，C.，Gao，C.，Dehghan，M.，Jagersand，M.：Basnet：边界感知显著对象检测。摘自：IEEE计算机视觉和模式识别会议记录，第7479\u20137489（2019）页“，”DOI“：”10.1109\/CVPR.2019.00766“}，{“key”：“31_CR26”，“first page”：”91“，”volume“：”28“，”author“：”S Ren“，”year“：”2015“，”unstructured“：”Ren，S.，He，K.，Girshick，R.，Sun，J.：更快的R-CNN：利用区域提议网络实现实时目标检测。高级神经。信息处理。系统。28，91\u201399（2015）”，“期刊标题”：“高级神经。信息处理。系统。“}，{”key“：”31_CR27“，”doi-asserted-by“：”crossref“，”unstructured“：”Roh，B.，Shin，W.，Kim，I.，Kim首页“：”489“，”DOI“：”10.1016\/j.media.2016.08.008“，”卷“：”35“，”作者“：”K Sirinukunwattana“，”年份“：”2017“，”非结构化“：”Sirinukundawattana，K.等人：结肠组织学图像中的腺体分割：GlaS挑战赛。医学图像分析。35，489\u2013502（2017）“，“新闻标题”：“医学图像分析。“}，{”key“：”31_CR29“，”doi-asserted-by“：”publisher“，”first page“：“101813”，”doi“：”10.1016\/j.media.2020.101813“，“volume”：“67”，“author”：“CL Srinidhi”，“year”：“2021”，“unstructured”：“Srinidhy，C.L.，Ciga，O.，Martel，A.L.：计算组织病理学的深层神经网络模型：调查。Med.Image Anal.67，101813（2021）”，“journal-title“：”医学。图像分析。“}，{”key“：”31_CR30“，”doi-asserted-by“：”crossref“，”unstructured“：”Van Gansbeke，W.，Vandenhende，S.，Georgoulis，S.和Van Gool，L.：通过对比对象掩码提议进行无监督语义分割。arXiv预印本arXiv:2102.06191（2021）“，”doi“：”10.1109\/ICCCV48922.2021.00990“Vincent，P.，Larochelle，H.，Bengio，Y.，Manzagol，P.A.：使用去噪自动编码器提取和合成鲁棒特征。摘自：《第25届国际机器学习会议论文集》，第1096\u20131103页（2008）“，“DOI”：“10.1145\/1390156.1390294”}，{“key”：“31_CR32”，“DOI-asserted-by”：“crossref”，“unstructured”：“Wang，W.，Zhou，T.，Yu，F.，Dai，J.，Konukoglu，E.，Van Gool，L.：探索用于语义分割的跨图像像素对比度。arXiv预打印arXiv:2101.11939（2021）“，”DOI“：”10.1109\/ICCV48922.2021.00721“}，{”key“：”31_CR33“，”DOI-asserted-by“：”crossref“，”unstructured“：”Wang，X.，Zhang，R.，Shen，C.，Kong，T.，Li，L.：针对自我监督视觉预训练的密集对比学习。收录于：IEEE计算机视觉和模式识别会议记录，第3024\u20133033（2021）页，“DOI”：“10.1109”，{“key”：“31_CR34”，“DOI-asserted-by”：“crossref”，“unstructured”：“Wu，Z.，Xiong，Y.，Yu，S.X.，Lin，D.：通过非参数实例判别的无监督特征学习。摘自：IEEE计算机视觉和模式识别会议记录，第3733\u20133742页（2018）“，“DOI”：“10.1109\/CVPR.2018.00393”}，{“key”：“31_CR35”，“DOI-asserted-by”：“crossref”，“unstructured”：“Xie，E.等：DetCo：用于物体检测的无监督对比学习。收录于：IEEE计算机视觉国际会议论文集，第8392\u20138401（2021）页，“DOI”：“10.1109”，{“key”：“31_CR36”，“DOI-asserted-by”：“crossref”，“unstructured”：“谢，Z，林，Y，张，Z，曹，Y，林，S，胡，H：宣传自己：探索无监督视觉表征学习的像素级一致性。摘自：IEEE计算机视觉和模式识别会议记录，第16684\u201316693（2021）页，“DOI”：“10.1109”，{“key”：“31_CR37”，“DOI-asserted-by”：“crossref”，“unstructured”：“Yang，C.，Wu，Z.，Zhou，B.，Lin，S.：自我监督检测预训练的实例本地化。摘自：IEEE计算机视觉和模式识别会议论文集，第3987\u20133996（2021）页，“DOI”：“10.1109\/CVPR46437.2021.00398”}，{“key”：“31_CR38”，“unstructured”：“Zbontar，J.，Jing，L.，Misra，I.，LeCun，Y.，Deny，S.：Barlow双胞胎：通过冗余减少实现自我监督学习。arXiv预印本arXiv:2103.03230（2021key“：”31_CR39“，”series-title“：”计算机科学课堂讲稿“，”doi-asserted-by“：”publisher“，”first page“：“649”，”doi“：”10.1007\/978-3319-46487-9_40“，”volume-title“：“Computer Vision\u2013 ECCV 2016”，”author“：”R Zhang“，”year“：”2016“，”unstructured“：”Zhang，R.，Isola，P.，Efros，A.A.：彩色图像着色。收录人：Leibe，B.，Matas，J.，Sebe，N.，Welling，M.（编辑）ECCV 2016。LNCS，第9907卷，第649\u2013666页。查姆施普林格（2016）。https:\/\/doi.org/10.1007\/978-3-319-46487-9_40“｝，｛“key”：“31_CR40”，“doi断言”：“crossref”，“非结构化”：“Zhang，R.，Isola，P.，Efros，A.A.：分裂大脑自动编码器：通过跨通道预测进行无监督学习。在：IEEE计算机视觉和模式识别会议论文集，pp.1058\u20131067（2017）”，“doi”：“10.1109\/CVPR.2017.76“}，{“key”：“31_CR41”，“unstructured”：“Zhao，N.，Wu，Z.，Lau，R.W.，Lin，S.：提取自我监督表征学习的本地化。arXiv预印本arXiv:2004.06638（2020）”}，}，“key“：”31_CR42“，”doi-asserted-by“：”crossref“，”unstructure“：”Zhao，X.，et al.：用于标签高效语义分割的对比学习。摘自：IEEE\/CVF国际计算机视觉会议记录，第10623\u201310633（2021）页“，”DOI“：”10.1109\/ICCV48922.2021.01045“}]，”container-title“：[”计算机科学讲义“，”Computer Vision\u2013 ECCV 2022“]，”original title“：[]，”link“：[{”URL“：”https:\/\/link.springer.com\/content\/pdf\/10.10007\/978-3031-19803-8_31“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[[2023,4,27]]，”date-time“：“2023-04-27T14:09:39Z”，”timestamp“：1682604579000}，”score“：1，”resource“：{primary“：”URL“https:\/\/link.springer.com\/10007\/978-3-031-19803-8_31”}}，“subtitle”：[]，“短标题”：[]，“已发布”：{“date-parts“：[[2022]]}，”ISBN“：[”9783031198021“，”978301198038“]，”references-count“：42，”URL“：”http://\/dx.doi.org\/10.1007\/978-3-031-19803-8_31“，“relationship”：{}，“ISSN”：[“0302-9743”，“1611-3349”]，“ISSN-type”：[{“value”：“032-9743”，“type”:“print”}，{“value”：“1611-349”“，”type“：”electronic“}]，”subject“：[]，”published“：{”date-parts“：[2022]]}，”assertion“：[{”value“：”2022年10月23日“，”order“：1，”name“：”first_online“，”label“：”first online“，“group”：{“name”：“ChapterHistory”，“label”：“chapterHiology”}}，{“value”：“ECCV”，“order”：1，“name”:“conference_acrombior”，“tabel”：”conference acronym“，”group“：“ConferenceInfo”，”label:“Conferency Information”}}}、{“value”：“欧洲计算机视觉会议”，“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”：“2022”，“order”：5，“名称”：“Conference_year”，“标签”：“会议年”，“group”：{name”：”ConferenceInformo“，”label“：”会议信息“}}”，{value“：”2022年10月23日“，”order“：7，”name“：”Conference_start_date“，”标签“：”“会议开始日期“，”group“：{”name“：“会议信息“，”标签“：”会议信息“}}，{“value”：“2022年10月27日”，“order”：8，“name”：“Conference_end_date”，“label”：“会议结束日期”，“group”：{“name”:“ConferenceInfo”，标签“：“Conferency Information”}}会议信息“}}，{“value”：“eccv2022”，“order”：10，“name”：“Conference_id”，“label”：“Conference id”，“group”：{“name”:“ConferenceInfo”，“标签”：“会议信息”}}会议信息“}}，{”value“：”Double-blind“，”order“：1，”name“：”type“，”label“：”type“，”group“：同行评审信息（由会议组织者提供）“}}，{“value”：“5804”，“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“：”28%-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“：”3.21“，”order“：7，”name“:”average_number_of_reviews_per_paper“，”标签“：”每篇论文的平均评论数“，”google“：同行评审信息（由会议组织者提供）external_reviewers_involved“，”label“：”涉及的外部审阅者“，”group“：{”name“：”ConfEventPeerReviewInformation“，”标签“：”同侪审阅信息（由会议组织者提供）“}}，”value“：”从研讨会中，367篇已审阅的完整论文被选中发表“，”order“：10，”name“，”additional_info_on_Review_process“，”table“：”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）”}}]}}