{“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”：[[2024,6,27]]，“日期-时间”：“2024-06-27T05:56:57Z”，“时间戳”：1719467817231}，“出版商位置”：“查姆”，“参考-计数”：83，“出版者”：“施普林格自然瑞士”，“isbn-type”：[{“值”：“9783031198175”，“类型”：”打印}，{“值”：“9783031198182”，“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”}，{“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.splingernature.com\/gp\/researters\/text-and-data-mining”}]，“日期-时间”：“2022-01-01T00:00:00Z”，“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”31-19818-2_7“，”type“：”book-chapter“，“created”：{“date-parts”：[[2022,10,21]]，“date-time”：“2022-10-21T16:21:10Z”，“timestamp”：1666369270000}，“page”：“108-126”，“update-policy”：”http://\/dx.doi.org\/10.1007\/springer_crossmark_policy“，”source“：”Crossref“，“is-referenced-by-count”：33，“title”：[“Few-Shot细分的4D卷积Swin变换器成本聚合”]，“前缀“：“10.1007”，“作者”：[{“给定”：“Sunghwan”，“家族”：“Hong”，“sequence”：“first”，“affiliation”：[]}，{“given”：“Seokju”，”family“：”Cho“，”sequence“：”additional“，”affiliance“：[]{”given“：”Jisu“，”faily“：“Nam”，“sequence”:“additional“：[]}，{”given“：”Seungryong“，”family“：“Kim”，“sequence”：“additional”，“affiliation”：[]}]，“member”：“297”，“published-online”：{“date-parts”：[2022,10,22]]}，“reference”：[{“key”：“7_CR1”，“unstructured”：“Ba，J.L.，Kiros，J.R.，Hinton，G.E.：层规范化。arXiv预印本arXiv:1607.06450（2016）”}，{“key”：：“Boudiaf，M.，Kervadec，H.，Masud，Z.I.，Piantanida，P.，Ben Ayed，I.，Dolz，J.：没有元学习的快速分割：一个好的传递性推理就是你所需要的吗？摘自：IEEE\/CVF计算机视觉和模式识别会议论文集（2021）”，“DOI”：“10.1109\/CVPR46437.2021.01376”}，{“key”：“7_CR3”，“DOI-asserted-by”：“crossref”，“unstructured”：“Chen，L.C.，Papandreou，G.，Kokkinos，I.，Murphy，K.，Yuille，A.L.：DeepLab：使用深度卷积网络、Atrous卷积和完全连接的CRF进行语义图像分割。IEEE Trans.Patt.Anal.Mach.Intell.（2017）”，“DOI”：“10.1109\/TPAMI.2017.2699184”}，{“key”：“7_CR4”，“DOI-asserted-by”：“crosdref”：“Chen，L.C.，Zhu，Y.，Papandreou，G.，Schroff，F.，Adam，H.：用于语义图像分割的可分离卷积编码器-解码器。摘自：《欧洲计算机视觉会议论文集》（2018）”，“DOI”：“10.1007\/978-3-030-01234-2_49”}，{“key”：“7_CR5”，“DOI-asserted-by”：“crossref”，“unstructured”：“Cheng，H.K.，Chung，J.，Tai，Y.W.，Tang，C.K.：级联PSP：通过全局和局部细化实现类识别和非常高分辨率的分割。In:CVPR（2020）”，“DOI”：“10.1109\/CVPR42600.2020.00891”}，{“key”：“7_CR6”，“unstructured”：“Cho，S.，Hong，S.、Jeon，S.和Lee，Y.、Sohn，K.、Kim，S.：CATs：视觉通信的成本聚合变换器。In:第三十五届神经信息处理系统会议（2021）”}，{“key”：“7_CR7”，“unstructured”：“Dai，Z.，Liu，H.，Le，Q.，Tan，M.：CoAtNet：将卷积和注意力结合到所有数据大小。高级神经信息。过程。系统。34，3965\u20133977（2021）“}，{“key”：“7_CR8”，“doi-asserted-by”：“crossref”，“unstructured”：“d\u2019Ascoli，S.，Touvron，H.，Leavitt，M.，Morcos，A.，Biroli，G.，Sagun：“7_CR9”，“doi-asserted-by“：”crossref“，”unstructured“：”Deng，J.，Dong，W.，Socher，R.，Li，L.J.，Li.，K.，Fei-Fei，L.：ImageNet：大型分层图像数据库。2009年IEEE计算机视觉和模式识别会议。IEEE（2009）”，“DOI”：“10.1109\/CVPR.2009.5206848”｝，｛“key”：“7_CR10”，“nonstructured”：“Dong，N.，Xing，E.P.：带原型学习的少镜头语义分割。In：BMVC（2018）”｝，｛“key”：“7_CR11”，“nonstructured”：“Dosovitskiy，A.等人：一幅图像值16\u00a0$$\\乘以$$\u00a 016个单词：图像识别的变形金刚。arXiv预印本arXiv:2010.11929（2020）“}，{“key”：“7_CR12”，“doi-asserted-by”：“publisher”，“unstructured”：“Everingham，M.，Van Gool，L.，Williams，C.K.，Winn，J.，Zisserman，A.：pascal visual object classes（VOC）challenge.Int.J.Compute.Vis.（2010）.https:\/\/doi.org\/10.10007\/s11263-009-0275-4”，“doi”：“10.1007\/s11163-009-075-04”}，{“密钥”：“7_CR13“，”doi-asserted-by“：”crossref“，”unstructured“：”Ham，B.，Cho，M.，Schmid，C.，Ponce，J.：提案流。在：CVPR（2016）“，”DOI“：”10.1109\/CVPR.2016.378“｝，｛”key“：”7_CR14“，”DOI断言“：”crossref“，”非结构化“：”Ham，B.，Cho，M.，Schmid，C.，Ponce，J.：提案流：来自对象提案的语义对应。IEEE Trans.Patt.Anal.Mach.Intell.（2017）“，”DOI“：”10.1109\/TPAMI.2017.2724510“｝，｛”key“：”7_CR15“，”系列标题“：”《计算机科学课堂讲稿》，“doi-asserted-by”：“publisher”，“first page”：“297”，“doi”：“10.1007\/978-3-319-10584-0_20”，“volume-title”：“Computer Vision\u2013 ECCV 2014”，“author”：“B Hariharan”，“year”：“2014年”，“unstructured”：“Hariharen，B.，Arbel\u00e1ez，P.，Girshick，R.，Malik，J.：同时检测和分割。收录：Fleet，D.，Pajdla，T.，Schiele，B.，Tuytelaars，T.（编辑）ECCV 2014。LNCS，第8695卷，第297\u2013312页。查姆施普林格（2014）。https:\/\/doi.org\/10.1007\/978-3-319-10584-0_20“}，{“key”：“7_CR16”，“doi-asserted-by”：“crossref”，“unstructured”：“He，K.，Zhang，X.，Ren，S.，Sun，J.：图像识别的深度剩余学习。In:IEEE计算机视觉和模式识别会议（2016）论文集”，“doi”：“10.1109\/CVPR.2016.90”}，}“key:”7_CR17“，”doi-asserted-by“：”crossref“，”unstructured“：”Hong，S.，Kim，S.：深度匹配优先：密集通信的测试时间优化。收录于：IEEE国际计算机视觉会议（ICCV）（2021）论文集“，”DOI“：”10.1109“，”ICCV48922.2021.00976“}，{“key”：“7_CR18”，“DOI-asserted-by”：“crossref”，“unstructured”：“Hosni，A.，Rhemann，C.，Bleyer，M.，Rother，C.，Gelautz，M.：视觉通信及其以外的快速成本-体积过滤。PAMI（2012）”，“DOI”：“10.1109\/CVPR.2011.5995372“}，{“key”：“7_CR19”，“doi-asserted-by”：“crossref”，“unstructured”：“Hu，H.，Gu，J.，Z.，Dai，J.、Wei，Y.：对象检测的关系网络。摘自：IEEE计算机视觉和模式识别会议论文集，第3588\u20133597（2018）页”，“doi”：“10.1109\/CVPR.2018.00378”}，}doi断言：“crossref”，“非结构化”：“Hu，H.，Zhang，Z.，Xie，Z.，Lin，S.：图像识别的局部关系网络。收录于：IEEE计算机视觉国际会议论文集，第3464\u20133473页（2019年）“，”DOI“：”10.1109\/ICCV.2019.00356“}，{“key”：“7_CR21”，“DOI-asserted-by”：“crossref”，“unstructured”：“Huang，S.，Wang，Q.，Zhang，S.、Yan，S.和He，X.：语义对齐的动态上下文对应网络。收录：ICCV（2019）”，“DOI”：“10.1109\/ICCV.2019.00210“}，{“key”：“7_CR22”，“doi-asserted-by”：“publisher”，“unstructured”：“Jeon，S.，Min，D.，Kim，S.、Choe，J.，Sohn，K.：引导语义流。In:ECCV.Springer（2020）。https:\/\/doi.org\/10.10007\/978-3030-58604-1_38”，“doi”：“10.1007\/988-3-030-58604-1.38”}，}，“key“：”7_CR23“，”doi-assert ted-by“：”crossref“，”unstructured“：”Jiang，W.，Trulls，E.，Hosang，J.，Tagliasacchi，A.，Yi，K.M.：COTR：跨图像匹配的对应变换器。arXiv预印本arXiv:2103.14167（2021）“，”DOI“：”10.1109\/ICCV48922.2021.00615“}，{”key“：”7_CR24“，”unstructured“：”Katharopoulos，A.，Vyas，A.、Pappas，N.，Fleuret，F.：变形金刚：线性关注的快速自回归变形金刚玉：国际机器学习会议，第5156\u20135165页。PMLR（2020）“}，{“key”：“7_CR25”，“doi-asserted-by”：“crossref”，“unstructured”：“Kim，S.，Min，D.，Ham，B.，Jeon，S.、Lin，S.和Sohn，K.：FCSS：密集语义对应的完全卷积自相似性。In:CVPR（2017）”，“doi”：“10.1109\/CVPR.2017.73”}，}，“key“：”7_CR26“，“unsructured“：”Lee，J.Y.，DeGol，J.，Fragoso，V.，Sinha，S.N.：语义对应的基于Patchmatch的邻域共识。收录于：IEEE计算机视觉和模式识别（CVPR）会议记录“}，{“key”：“7_CR27”，“doi-asserted-by”：“crossref”，“unstructured”：“Lee，J.，Kim，D.，Ponce，J.、Ham，B.：SFNet:学习对象软件语义对应。收录于CVPR（2019）”，“doi”：“10.1109”，CVPR.2019.00238非结构化”：“Li，G.，Jampani，V.，Sevilla-Lara，L.，Sun，D.，Kim，J.，Kim。收录于：IEEE计算机视觉和模式识别会议论文集，第8334\u20138343（2021）页，“DOI”：“10.1109\/CVPR46437.2021.00823”}，{“key”：“7_CR29”，“DOI-asserted-by”：“crossref”，“unstructured”：“Li，S.，Han，K.，Costain，T.W.，Howard-Jenkins，H.，Prisacariu，V.：具有自适应邻域一致性的通信网络。收录于：CVPR（2020）“，”DOI“：”10.1109\/CVPR42600.2020.01021“}，{”key“：”7_CR30“，”DOI-asserted-by“：”crossref“，”unstructured“：”Li，X.，Wei，T.，Chen，Y.P.，Tai，Y.W.，Tang，C.K.：FSS-1000:一个1000级的数据集，用于少量分割。收录于《IEEE\/CVF计算机视觉和模式识别会议论文集（2020）》，“DOI”：“10.1109\/CVPR42600.2020.00294“}，{“key”：“7_CR31”，“doi-asserted-by”：“publisher”，“unstructured”：“Lin，T.-Y.，et al.：Microsoft COCO:common objects in context。in：Fleet，D.，Pajdla，T.，Schiele，B.，Tuytelaars，T.（eds.）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“，”doi“：”10.1007\/9783-319-10602-1_48“}，{“key”：“7_CR32”，“unstructured”：“Liu，W.，Zhang，C.，Ding，H.，Hung，T.Y.，Lin，G.：具有最佳传输匹配和消息流的少量快照分段。arXiv预打印arXiv:2108.08518（2021）“}”，{，“key“：”7_CR33“，”doi-asserted-by“：”crossref“，”unstructure“：”Liu，W.，Zhang，C.，Lin，G.，Liu，F.：CRNet：用于少数镜头分割的交叉参考网络。收录于：IEEE计算机视觉和模式识别会议论文集（2020）”，“DOI”：“10.1109”，{“key”：“7_CR34”，“DOI-asserted-by”：“crossref”，“unstructured”：“Liu，Y.，Zhu，L.，Yamada，M.，Yang，Y.：语义对应是一个最优运输问题。摘自：《IEEE计算机视觉与模式识别会议论文集（2020）》，“DOI”：“10.1109”，{“key”：“7_CR35”，“series-title”：“计算机科学讲义”，“DOI-asserted-by”：“publisher”，“first page”：”142“，“DOI:”10.1007\/978-3-030-58545-7_9“，“volume-title”：”Computer Vision\u2013 ECCV 2020“，“author”：“刘毅”，“年份”：“2020年”，“非结构化”：“刘毅，张毅，X，张毅，何毅：用于少量语义分割的Part-aware原型网络。收录人：Vedaldi，A.、Bischof，H.、Brox，T.、Frahm，J.-M.（编辑）ECCV 2020。LNCS，第12354卷，第142\u2013158页。查姆施普林格（2020）。https:\/\/doi.org\/10.1007\/978-3-030-58545-7_9“}，{“key”：“7_CR36”，“doi-asserted-by”：“crossref”，“unstructured”：“Liu，Z.，et al.：Swin transformer：使用移位窗口的分层视觉变换器。arXiv预印本arXiv:2103.14030（2021）”，“doi”：“10.1109\/ICCCV48922.2021.00986”}，“{”key“：”7_CR37“，”doi-assert-by“：“cross-ref”，“非结构化”：“Long，J.，Shelhamer，E.，Darrell，T.：用于语义分割的全卷积网络。摘自：《IEEE计算机视觉和模式识别会议论文集》（2015），“DOI”：“10.1109\/CVPR.2015.7298965”}，{“key”：“7_CR38”，“unstructured”：“Loshchilov，I.，Hutter，F.：解耦重量衰减正则化。arXiv预印本arXiv:1711.05101（2017）”}Lu，Z.，He，S.，Zhu，X.，Zhang，L.，Song，Y.Z.，Xiang，T.：越简单越好：使用分类器权重变换器进行少镜头语义分割。收录于：IEEE计算机视觉国际会议论文集（2021）“，”DOI“：”10.1109“/ICCV48922.2021.00862“}，”key“：”7_CR40“，”DOI-asserted-by“：”crossref“，”unstructured“：”Min，J.，Kang，D.，Cho，M.：“超相关压缩，用于少热点分割。arXiv预印本arXiv:2104.01538（2021key“：”7_CR41“，”unstructured“：”Min，J.，Kim，S.，Cho，M.：卷积hough匹配网络，用于稳健高效的视觉通信。arXiv预印本arXiv:2109.05221（2021）“}，{“key”：“7_CR42”，“doi-asserted-by”：“crossref”，“unstructured”：“Min，J.，Lee，J.、Ponce，J.和Cho，M.：超像素流：与多层神经特征的语义对应。In:Proceedings of the IEEE\/CVF International Conference on Computer Vision（2019）”，“doi”：“10.1109\/ICCV.2019.00349”}7_CR43”，“非结构化”：“Min，J.，Lee，J.，Ponce，J.，Cho，M.：SPair 71k：语义对应的大规模基准。arXiv预印本arXiv:1908.10543（2019）“}，{“key”：“7_CR44”，“series-title”：“计算机科学课堂讲稿”，“doi-asserted-by”：“publisher”，“first page”：”346“，“doi”：“10.1007\/978-3-030-58555-6_21”，“volume-title”：”计算机视觉\u2013 ECCV 2020“，”author“：”J Min“，”年份“：”2020“，“非结构化”：“Min，J.，Lee，J.、Ponce，J.和Cho，M.：学习为视觉通信撰写超列。收录人：Vedaldi，A.、Bischof，H.、Brox，T.、Frahm，J.-M.（编辑）ECCV 2020。LNCS，第12360卷，第346\u2013363页。查姆施普林格（2020）。https:\/\/doi.org\/10.1007\/978-3-030-58555-6_21“}，{“key”：“7_CR45”，“doi-asserted-by”：“crossref”，“unstructured”：“Nguyen，K.，Todorovic，S.：特征加权和增强，用于少量分割。摘自：IEEE\/CVF国际计算机视觉会议论文集，第622\u2013631页（2019）”，“doi”：“10.1109\/ICCV.2019.00071”}，}7_CR46“，”doi-asserted-by“：”crossref“，”unstructured“：”Noh，H.，Hong，S.，Han，B.：语义分段的学习反卷积网络。摘自：IEEE计算机视觉国际会议论文集（2015）“，”DOI“：”10.1109\/ICCV.2015.178“}，{“key”：“7_CR47”，“DOI-asserted-by”：“crossref”，“unstructured”：“Philbin，J.，Chum，O.，Isard，M.，Sivic，J.和Zisserman，A.：大词汇表和快速空间匹配的对象检索。摘自：CVPR.IEEE（2007）”，“DOI”：“10.1109\/CVPR.2007.383172“}，{“key”：“7_CR48”，“unstructured”：“Ravi，S.，Larochelle，H.：优化作为少快照学习的模型（2016）”}，}，“key“：”7_CR49“，”doi-asserted-by“：”crossref“，”unstructure“：”Rocco，I.，Arandjelovic，R.，Sivic，J.：几何匹配的卷积神经网络体系结构。In:CVPR（2017）“，”doi“：”10.1109\/CVPR.2017.12“｝，｛“key”：“7_CR50”，“doi asserted by”：“crossref”，“unstructured”：“Rocco，I.，Arandjelovi\u0107，R.，Sivic，J.：端到端弱监督语义对齐。In：CVPR（2018）”，“doi”：“10.1109\/CVPR.2018.00723”｝，｛“key”：“7_CR51”，“系列标题”：“计算机科学讲义”，“doi asserted by”：“publisher”，“首页”：“605”，“DOI“：”10.1007\/978-3-030-58545-7_35“，”volume-title“：”Computer Vision\u2013 ECCV 2020“，”author“：”I Rocco“，”year“：”2020“，“unstructured”：“Rocco，I.，Arandjelovi\u0107，R.，Sivic，J.：通过子流形稀疏卷积实现高效邻域共识网络。收录人：Vedaldi，A.、Bischof，H.、Brox，T.、Frahm，J.-M.（编辑）ECCV 2020。LNCS，第12354卷，第605\u2013621页。查姆施普林格（2020）。https:\/\/doi.org\/10.1007\/978-3-030-58545-7_35“}，{“key”：“7_CR52”，“unstructured”：“Rocco，I.，Cimpoi，M.，Arandjelovi\u0107，R.，Torii，A.，Pajdla，T.，Sivic，J.：邻里共识网络。arXiv预印本arXiv:1810.10510（2018）”}，}“密钥”：“7-CR53”，“doi-asserted-by”：“publisher”，“非结构化”：“Scharstein，D.，Szeliski，R.：密集双帧立体对应算法的分类和评估。国际期刊计算。视觉。(2002). https:\/\/doi.org\/101023\/A:1014573219977“，”doi“：”10.1023\/A:101457321977“}，{“key”：“7_CR54”，“doi-asserted-by”：“crossref”，“unstructured”：“Shaban，A.，Bansal，S.，Liu，Z.，Essa，I.，Boots，B.：语义分段的一对一学习。arXiv预印本arXiv:1709.03410（2017）”，“doi”：“10.5244\/C.31.167”}，{“key”：“7_CR55”，“doi-asserted-by”：“crossref“，”unstructured“：”Siam，M.，Oreshkin，B.，Jagersand，M.：针对少量快照分段的自适应屏蔽代理。arXiv预印本arXiv:1902.11123（2019）“，“DOI”：“10.1109\/ICCV.2019.00535”}，{“key”：“7_CR56”，“unstructured”：“Simonyan，K.，Zisserman，A.：用于大规模图像识别的极深卷积网络。arXiv预先印本arX iv:1409.1556（2014）”}Snell，J.、Swersky，K.、Zemel，R.S.：用于少量学习的原型网络。arXiv预印本arXiv:1703.05175（2017）“}，{“key”：“7_CR58”，“doi-asserted-by”：“crossref”，“unstructured”：“Sun，D.，Yang，X.，Liu，M.Y.，Kautz，J.：PWC-Net：使用金字塔、翘曲和成本-体积的光流CNN。In:CVPR（2018）”，“doi”：“10.1109\/CVPR.2018.00931”}，}，“key“：”：“7-CR59”，“非结构化”：“Sun，G.，Liu，Y.，Liang，J.，Van Gool，L.：使用变形金刚提升少数镜头语义分割。arXiv预印本arXiv:2108.02266（2021）“}，{“key”：“7_CR60”，“unstructured”：“Tao，A.，Sapra，K.，Catanzaro，B.：语义分割的层次多尺度关注。arXiv前印本arX iv:2005.10821（2020）”}，}，“key“：”7_CR61“，”doi-asserted-by“：”crossref“，”unstructure“：”Tetko，I.V.，Livingstone，D.J.，Luik，A.I.：神经网络研究，1。过度训练与过度训练的比较。化学杂志。Inf.计算。科学。35，826\u2013833（1995）“，“DOI”：“10.1021\/ci00027a006”}，{“key”：“7_CR62”，“unstructured”：“田，Z.，赵，H.，Shu，M.，Yang，Z..，Li，R.，Jia，J.：用于少数热点分割的先验引导特征富集网络。IEEE Trans.Patt.Anal.Mach.Intell.（2020）”}Tolstikhin，I.O.等人：MLP-mixer：一种全MLP视觉架构。高级神经信息处理。系统。34，24261\u201324272（2021）“}，{“key”：“7_CR64”，“doi-asserted-by”：“crossref”，“unstructured”：“Truong，P.，Danelljan，M.，Timofte，R.：GLU-Net:稠密流和通信的全球-本地通用网络。摘自：IEEE\/CVF计算机视觉和模式识别会议论文集，pp.6258\u20136268（2020）”，“doi”：“10.1109 \/CVPR42600.2020.00629“}，{“key”：“7_CR65”，“unstructured”：“Vaswani，A.等人：注意是你所需要的。In:Advances In Neural Information Processing Systems（2017）”}，}，“key“：”7_CR66“，”unstructure“：”Vinyals，O.，Blundell，C.，Lillicrap，T.，Wierstra，D.等人：一次学习的匹配网络。Adv.Neural Inf.Process.Syst.（2016）“}，{”key“：”7_CR67“，”series-title“：”计算机科学讲义“，”doi-asserted-by“：”publisher“，”first page“：“730”，”doi“：”10.1007\/978-3-030-58601-0_43“，”volume-title“：“Computer Vision\u2013 ECCV 2020”，”author“：”H Wang“，”year“：”2020“，”unstructured“：”Wang，H.，Zhang，X.，Hu，Y.，Yang，Y.、Cao，X.、Zhen，X.：民主注意网络中的少量语义切分。收录人：Vedaldi，A.、Bischof，H.、Brox，T.、Frahm，J.-M.（编辑）ECCV 2020。LNCS，第12358卷，第730\u2013746页。查姆施普林格（2020）。https:\/\/doi.org\/10.1007\/978-3-030-58601-0_43“}，{“key”：“7_CR68”，“doi-asserted-by”：“crossref”，“unstructured”：“Wang，K.，Liew，J.H.，Zou，Y.，Zhou，D.，Feng，J.：PANet:few-shot image semantical segmentation with prototype alignment.In:IEEE\/CVF International Conference on Computer Vision（2019）”，“doi”：“10.1109\/ICCV.2019.00929“}，{“key”：“7_CR69”，“unstructured”：“Wang，S.，Li，B.Z.，Khabsa，M.，Fang，H.，Ma，H.：Linformer：线性复杂度下的自我关注。arXiv预印本arXiv:2006.04768（2020）”}，}，“key“：”7_CR70“非结构化”：“Wu，C.，Wu，F.，Qi，T.，Huang，Y.，Xie，X.：快速成型者：额外的注意力可以是你所需要的。arXiv-print arXiv:2108.09084（2021）“}，{“key”：“7_CR71”，“unstructured”：“Wu，S.，Wu，T.，Lin，F.，Tian，S.、Guo，G.：语义图像分割的完全变换网络。arXiv-Print arX iv:2106.04108（2021Xiao，T.、Singh，M.、Mintun，E.、Darrell，T.，Doll\u00e1r，P.、Girshick，R.：早期卷积有助于变压器更好地观察。arXiv预印本arXiv:2106.14881（2021）“}，{“key”：“7_CR73”，“doi-asserted-by”：“crossref”，“unstructured”：“Xie，G.S.，Liu，J.，Xiong，H.，Shao，L.：用于少量语义分割的尺度感知图形神经网络。摘自：IEEE\/CVF计算机视觉和模式识别会议论文集，pp.5475\u20135484（2021年）”，“doi”：“10.1109\/CVPR44637.2021.00543“｝，｛“key”：“7_CR74”，“doi断言者”：“crossref”，“非结构化”：“Xie，G.S.，Xiong，H.，Liu，J.，Yao，Y.，Shao，L.：循环记忆网络的少镜头语义分割。在：IEEE\/CFF国际计算机视觉会议论文集（2021）”中，“doi”：“10.1109\/ICCV48922.2021.00720”｝，｛“key”：“7_CR75”，“doi-asserted-by“：”crossref“，”unstructured“：”Xiong，Y.，et al.：Nystr\u00f6mformer:一种基于Nystr\u 00f6m的近似自我注意算法（2021）“，”doi“：”10.1609\/aaaai.v35i16.17664“}，{“key”：“7_CR76”，“series-title”：“计算机科学讲义”，“doi-assert-by”：“publisher”，“first page”：”763“，“doi”：“10.1007\/97”8-3-030-58598-3_45“，”“volume-title”：“Computer Vision\u2013 ECCV 2020”，“author”：“B Yang”，“year”：“2020年”，“unstructured”：“Yang，B.，Liu，C.，Li，B.，Jiao，J.，Ye，Q.：用于少量语义切分的原型混合模型。收录人：Vedaldi，A.、Bischof，H.、Brox，T.、Frahm，J.-M.（编辑）ECCV 2020。LNCS，第12353卷，第763\u2013778页。查姆施普林格（2020）。https:\/\/doi.org\/10.1007\/978-3-030-58598-3_45“}，{“key”：“7_CR77”，“doi-asserted-by”：“crossref”，“unstructured”：“Yang，L.，Zhoo，W.，Qi，L.、Shi，Y.，Gao，Y.：挖掘潜在类以进行少量切分。arXiv-print arXiv:2103.15402（2021）”，“doi”：“10.1109\/ICCCV48922.2021.00860”}，}，“key“：”7_CR78“，”doi-as serted-by“：”crossref“，”unstructured“：”Zhang，B.，Xiao，J.，Qin，T.：针对少数镜头分割的自我引导和交叉引导学习。收录：IEEE计算机视觉和模式识别会议论文集（2021）“，”DOI“：”10.1109“，{”key“：”7_CR79“，”DOI-asserted-by“：”crossref“，”unstructured“：”Zhang，C.，Lin，G.，Liu，F.，Guo，J.，Wu，Q.，Yao，R.：基于区域的一次语义分割的金字塔图网络，注意连接。在：《IEEE\/CVF国际计算机视觉会议论文集》，第9587\u20139595页（2019），“DOI”：“10.1109\/ICCV.2019.00968”｝，｛“key”：“7_CR80”，“DOI asserted by”：“crossref”，“nonstructured”：“Zhang，C.，Lin，G.，Liu，F.，Yao，R.，Shen，C.：CANet：具有迭代求精和专注的少量学习的类认知分段网络。收录于：IEEE计算机视觉与模式识别会议论文集，第5217页，20135226（2019）“，”DOI“：”10.1109“/CVPR.2019.00536“}，{“key”：“7_CR81”，“unstructured”：“Zhang，G.，Kang，G.、Wei，Y.，Yang，Y.：通过循环一致变换器进行的少热点分割。arXiv预印本arXiv:2106.02320（2021）”}，“key“：”7_CR82“，”doi-asserted-by“：”crossref“，”unstructured“：”Zhang，H.，Ding，H.：零快照语义分割的原型匹配和开集拒绝。收录于：IEEE计算机视觉国际会议论文集（2021）“，”DOI“：”10.1109“/ICCV48922.2021.00689“}，{”key“：”7_CR83“，”DOI-asserted-by“：”crossref“，”unstructured“：”赵，D.，宋，Z，季，Z，赵，G.，葛，W，余，Y：语义对应的多尺度匹配网络。摘自：IEEE\/CVF国际计算机视觉会议记录，第3354\u20133364（2021）页“，”DOI“：”10.1109\/ICCV48922.2021.00334“}]，”container-title“：[”计算机科学讲义“，”Computer Vision\u2013 ECCV 2022“]，”original-title”：[]，”link“：[{”URL“：”https:\/\/link.springer.com\/content\/pdf\/10007\/978-3031-19818-2_7“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[[2024,3,13]]，”date-time“：“2024-03-13T14:19:36Z”，”timestamp“：1710339576000}，”score“：1，”resource“：{primary“：”URL“https:\/\/link.springer.com\/10007\/978-3-031-19818-2_7”}}，“subtitle”：[]，“短标题”：[]，“已发布”：{date-parts“：[[2022]]}，”ISBN“：[”9783031198175“，”9783331198182“]，”references-count“：83，”URL“：”http://\/dx.doi.org\/10.1007\/978-3-031-19818-2_7“，”relation“：{}，“ISSN”：[”0302-9743“，”1611-3349“]，“ISSN-type”：[{“value”：“0302-974”，”type“：”print“}，{“value”：“1611-3349'”，“type”：“electronic”}]，“subject”：[]，“published”：{“date-parts”：[[2022]]}，“assertion”：[{value“：”2022年10月22日“，”order“：1，”name“：”first_online“，”label“：”first online“，“group”：{“name”：“ChapterHistory”，“label”：“Chapter History“}}，{“value”：“ECCV”，“order”：1，“name”:“conference_acrombior”，“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”：“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“：“ConferenceInfo“，”label“：”ConferenceInformation“}}，{”value“：”2022年10月27“，”order“：8，”name“：”Conference_end_date“，“label”：“会议结束日期”，“group”：{“name”：“ConferenceInfo”，“lable”：“Meeting Information”}}、{“value”：“17”，“order”：9、“name”:“Conference_number”、“label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“：同行评议信息（由会议组织者提供）“}}，{“value”：“3.91”，“order”：8，“name”：“average_number_of_papers_per_reviewer”，“label”：“每个审阅者的平均论文数”，“group”：{“name”:“ConfEventPeerReviewInformation”，“tabel”：”同行评议资讯（由会议组织方提供）“{}}”，{（value）：“Yes”，“订单”：9，“name“：”external_reviewers_involved”，“label”：“涉及的外部评审员”，“group”：｛“name”：“ConfEventPeerReviewInformation”，“label”：“同行评审信息（由会议组织者提供）”｝｝