{“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”：[[2024,3,12]，“日期时间”：“2024-03-12T15:48:51Z”，“时间戳”：1710258531940}，“发布者位置”：“Cham”，“引用计数”：35，“发布商”：“Springer International Publishing”，“isbn-type”：[{“值”：“978331997306”，“类型”：”打印“}，{“值”：“9783319973043”，“type”：“electronic”}]，“license”：[{“start”：{“date-parts”：[[2018,1,1]]，“date-time”：“2018-01-01T00:00:00Z”，“timestamp”：1514764800000}，“content-version”：“unspecified”，“delay-in-days”：0，“URL”：“http:\\/www.springer.com\/tdm”}]}，“short-container-title”：[]，“published-print”用法：{“date-parts”：[[2018]]}，“DOI”：“10.1007\/978-3-319-97304-3_39”，“type”：“book-chapter”，“created”：{”date-part“：[[2018，7，26]]，“date-time”：“2018-07-26T14:34:06Z”，“timestamp”：1532615646000}，”page“：”503-517“，”update-policy“：“http://\/dx.DOI.org\/10007\/springer_crossmark_policy”，“source”：“Crossref”，“is-referenced-by-count”：3，“title”：[“3SP-Net：用于城市场景解析的立体图像对语义分割网络”]，“前缀”：“10.1007”，“作者”：[{“给定”：“凌厉”、“家族”：“周”、“序列”：“第一”、“从属”：[]}，{“给出”：“浩峰”、“家庭”：“张”、“顺序”：“附加”、“附属”：[]}，“成员”：“297”，“在线发布”：{“日期段”：[[2018,7,27]]}，“参考”：[{“key”：“39_CR1”，“unstructured”：“Abadi，M.，et al.：TensorFlow:一个大规模机器学习系统（2016）”}，{“issue”：“12”，“key“：”39_CR2“，”doi-asserted-by“：”publisher“，”first page“：“2481”，”doi“：”10.1109\/TPAMI.2016.2644615“，”volume“：：“Badrinarayan，V.，Kendall，A.，Cipolla，R.：SegNet:用于图像分割的深度卷积编码器-解码器架构。PAMI 39（12），2481\u20132495（2017）”，“日志标题”：“PAMI”}，{“key”：“39_CR3”，“first page”：”357“，“volume”：：“4”，“author”：“LC Chen”，“year”：“2014”，“unstructured”：“Chen，L.C.，Papandreou，G.，Kokkinos，I.，Murphy，K.，Yuille，A.L.：使用深度卷积网络和完全连接的CRF进行语义图像分割。Compute.Sci.4，357\u2013361（2014）”，“journal-title”：“Compute.Sic.”}，{“key”：“39_CR4”，“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。PAMI PP（99），1（2018）”，“DOI”：“10.1109\/TPAMI.2017.2699184”}，{“key”：“39_CR5”，“非结构化”：“Chen，L.C.，Papandreou，G.，Schroff，F.，Adam，H.：重新思考用于语义图像分割的萎缩卷积。arXiv预印本arXiv:1706.05587（2017）”}，{“key”：“39_CR6”，“doi asserted by”：“crossref”，“nonstructured”：“Chen，L.C.，Yang，Y.，Wang，J.，Xu，W.，Yuille，A.L.：关注尺度：有尺度意识的语义图像分割。In:CVPR，pp.3640\u20133649（2016）”，“DOI”：“10.1109\/CVPR.2016.396”}，{“key”：“39_CR7”，“DOI-asserted-by”：“crossref”，“unstructured”：“Cordts，M.，et al.：语义城市场景理解的城市景观数据集。In:CVPR，pp.3213\u20133223（2016）”，“DOI”：“10.1109\/CVPR.2016.350”}，{“key”：“39_CR8”，“unstructured”：“Couprie，C.，Farabet，C.，Najman，L.，LeCun，Y.：使用深度信息的室内语义分割。arXiv预印本arXiv:1301.3572（2013）”}：“39_CR9”，“doi-asserted-by”：“publisher”，“first page”：“98”，“doi”：“10.1007 \/s11263-014-0733-5”，“volume”：”111“，“author”：“M Everingham”，”year“：”2015“，“unstructured”：“Everingham，M.，Eslami，S.M.A.，Gool，L.V.，Williams，C.K.I.，Winn，J.，Zisserman，A.：pascal可视对象类挑战：回顾性。国际计算机视觉.111（1），98\u2013136（2015）“，”期刊标题“：”国际计算杂志。视觉。“}，{”key“：”39_CR10“，”doi-asserted-by“：”crossref“，”unstructured“：”Girshick，R.，Donahue，J.，Darrell，T.，Malik，J.：用于准确对象检测和语义分割的丰富特征层次。In:CVPR，pp.580\u2013587（2014）“，”doi“：”10.1109\/CVPR.2014.81“}”，{“key”：“39_CR11”，“unstructure”：“”Goodfellow，I.J.等人：生成对抗性网络。In:ICONIP，pp.2672\u20132680（2014）“}，{“key”：“39_CR12”，“doi-asserted-by”：“crossref”，“unstructured”：“Gupta，S.，Arbelaez，P.，Malik，J.：RGB-d图像中室内场景的感知组织和识别。In:CVPR，pp.564\u2013571。IEEE（2013）“，”DOI“：”10.1109\/CVPR.2013.79“}，{”key“：”39_CR13“，”series-title“：”计算机科学讲义“，”DOI-asserted-by“：”publisher“，”first page“：“345”，“DOI”：“10.1007\/978-3-319-10584-0_23”，“volume-title”：“Computer Vision\u2013 ECCV 2014”，“author”：“S Gupta”，“year”：“2014”，”unstructured“：”Gupta，S.、Girshick，R.、Arbel\u00e1ez，P.、Malik，J.：从RGB-D图像中学习丰富的特征，用于对象检测和分割。收录：Fleet，D.，Pajdla，T.，Schiele，B.，Tuytelaars，T.（编辑）ECCV 2014。LNCS，第8695卷，第345\u2013360页。查姆施普林格（2014）。https:\/\/doi.org\/10.1007\/978-3-319-10584-0_23“}，{“key”：“39_CR14”，“series-title”：“计算机科学讲义”，“doi-asserted-by”：“publisher”，“首页”：“297”，“doi”：“10.1007\/978-30-319-10594-0_20”，“volume-title”：”计算机视觉\u2013 ECCV 2014“，“author”：“B Hariharan”，“年份”：“2014”，“非结构化”：“Hariharan，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”：“39_CR15”，“unstructured”：“Kr\u00e4henb\u00fchl，P.，Koltun，V.：具有高斯边势的全连通CRF中的有效推理。in:《神经信息处理系统进展》，第109\u2013117（2011）页”}，}，“key“：”39_CR16“，“unsructured“：”Krizhevsky，A.，Sutskever，I.，Hinton，G.E.：基于深度卷积神经网络的Imagenet分类。In:ICONIP，pp.1097\u20131105（2012）“}，{“key”：“39_CR17”，“doi-asserted-by”：“crossref”，“unstructured”：“Lin，D.，Chen，G.，Cohen-Or，D.、Heng，P.A.，Huang，H.：RGB-D图像语义分割的级联特征网络。In:ICCV，pp.1320\u20131328交叉参考“，”非结构化”：“Lin，G.，Milan，A.，Shen，C.，Reid，I.：Refinenet：高分辨率语义分割的多路径优化网络（2016）”，“DOI”：“10.1109\/CVPR.2017.549”}，{“key”：“39_CR19”，“DOI-asserted-by”：“crossref”，“unstructured”：“Long，J.，Shelhamer，E.，Darrell，T.：语义分割的完全卷积网络。收录于：CVPR，pp.3431\u20133440（2015）“，“DOI”：“10.1109\/CVPR.2015.7298965”}，{“key”：“39_CR20”，“unstructured”：“Luc，P.，Couprie，C.，Chintala，S.，Verbeek，J.:Semantic segmentation using againtial networks（2016）”}、{“密钥”：“39 _ CR21”，“DOI-asserted-by”：“crossref”，“非结构化”：“Luo，W.，Schwing，A.G.，Urtasun，R.：立体匹配的高效深度学习。CVPR，pp.5695\u20135703（2016）“，“DOI”：“10.1109\/CVPR.2016.614”}，{“key”：“39_CR22”，“unstructured”：“Mirza，M.，Osindero，S.：条件生成对抗网。arXiv预印本arXiv:1411.1784（2014）”}Nguyen，A.，Yosinski，J.，Clune，J.：深层神经网络很容易被愚弄：无法识别图像的高置信预测，第427\u2013436页（2014）“，“DOI”：“10.1109\/CVPR.2015.7298640”}，{“key”：“39_CR24”，“DOI-asserted-by”：“crossref”，“unstructured”：“Papandreou，G.，Kokkinos，I.，Savalle，P.A.：深度学习中的局部和全局变形建模：缩影卷积、多实例学习和滑动窗口检测。收录于：CVPR，第390\u2013399页。IEEE（2015）“，“DOI”：“10.1109\/CVPR.2015.7298636”}，{“key”：“39_CR25”，“unstructured”：“Radford，A.，Metz，L.，Chintala，S.：深度卷积生成对抗网络的无监督表示学习。arXiv预印本arXiv:1511.06434（2015）”}publisher“，”first page“：”234“，”DOI“：”10.1007\/978-3-319-24574-4_28“，”volume-title“：”Medical Image Computing and Computer-Assisted Intervention\u2013 MICCAI 2015“，”author“：”O Ronneberger“，”year“：”2015“，“unstructured”：“Ronneberge，O.，Fischer，P.，Brox，T.：U-Net：生物医学图像分割的卷积网络。收录人：Navab，N.、Horneger，J.、Wells，W.M.、Frangi，A.F.（编辑）MICCAI 2015。LNCS，第9351卷，第234\u2013241页。查姆施普林格（2015）。https:\/\/doi.org/10.1007\/978-3-319-24574-4_28“｝，｛“key”：“39_CR27”，“nonstructured”：“Salimans，T.，Goodfellow，I.，Zaremba，W.，Cheung，V.，Radford，A.，Chen，X.：训练gans的改进技术。In：Advances In Neural Information Processing Systems，pp.2234\u20132242（2016）”｝，｛“key”：“39_CR28”，“doi断言为”：“crossref”，“nonstructured”：“Schwarz，M.、Schulz，H.、Behnke，S.：基于预处理卷积神经网络特征的RGB-D目标识别和姿态估计。收录于：ICRA，第1329\u20131335页。IEEE（2015）“，“DOI”：“10.1109\/ICRA.2015.7139363”}，{“key”：“39_CR29”，“unstructured”：“Simonyan，K.，Zisserman，A.：用于大规模图像识别的深度卷积网络。arXiv预印本arXiv:1409.1556（2014）”}Szegedy，C.等人：卷积更深入。收录于：CVPR，pp.1\u20139（2015）“，“DOI”：“10.1109\/CVPR.2015.7298594”}，{“key”：“39_CR31”，“unstructured”：“Szegedy，C.，et al.：神经网络的有趣特性。arXiv预印本arXiv:1312.6199（2013）”}Tarlow，D.，Zemel，R.：具有高阶损失函数的结构化输出学习。摘自：《人工智能与统计》，第1212\u20131220（2012）页“}，{“key”：“39_CR33”，“unstructured”：“Yu，F.，Koltun，V.：通过扩展卷积进行多尺度上下文聚合。arXiv预印本arXiv:1511.07122（2015）”}，}，“key“：”39_CR34“，”doi-asserted-by“：”crossref“，”unstructure“：”Zhao，H.，Shi，J.，Qi，X.，Wang，X.和Jia，J.：金字塔场景解析网络。In:CVPR，pp.2881\u20132890（2017）“，“DOI”：“10.1109\/CVPR.2017.660”}，{“key”：“39_CR35”，“DOI-asserted-by”：“crossref”，“unstructured”：“Zia，S.，Y\u00fcksel，B.，Y\u00fcret，D.，Yemez，Y.：使用深度卷积神经网络的RGB-D对象识别。收录于：CVPR，第896\u2013903页（2017）“，“DOI”：“10.1109\/ICCVW.2017.109”}]，“container-title”：[“计算机科学讲义”，“PRICAI 2018:人工智能趋势”]，“原始标题”：[]，“链接”：[{“URL”：“http://\/link.springer.com\/content\/pdf\/10007\/978-3-319-97304-3_39”，“内容类型”：“未指定”，“content-version”：“vor”，“intended-application“：”相似性检查“}]，”存放“：{”日期部分“：[[2019,10,21]]，”日期时间“：”2019-10-21T05:54:57Z“，”时间戳“：1571637297000}，”分数“：1，”资源“：{“primary”：{“URL”：“http://\link.springer.com\/10007\/978-3-319-97304-339”}}，“副标题”：[]，“短标题”：[]，“已发布”：{“日期部分”：[[2018]]}，“ISBN”：[“9783319973036”，“9783319973043“]，”references-count“：35，”URL“：”http://\/dx.doi.org\/10.1007\/978-3-319-97304-3_39“，”关系“：{}，”ISSN“：[”0302-9743“，”1611-3349“]，“ISSN-type”：[{“value”：“0302-974”，”type“：”print“}，{“value”：“1611-3399”，”类型“：”electronic“}]，”subject“：[]，”published“：{”date-pa rts”：【2018年】}}}