｛“status”：“ok”，“message type”：“work”，“message version”：“1.0.0”，“message”：｛“indexed”：｛“date parts”：[[2023,12,26]，“date time”：“2023-12-26T08:39Z”，“timestamp”：1703549319437｝，“publisher location”：“Singapore”，“reference count”：34，“publisher”：“Springer Nature Singapore”，“isbn type”：[｛“value”：“9789819985579”，“type”：“print”｝，｛“value”：“97898199855886”，“type”：“electronic”}]，“license”：[{“start”：{“date-parts”：[[2023,12,26]]，“date-time”：“2023-12-26T00:00:00Z”，“timestamp”：1703548800000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/www.springernature.com\/gp\/researters\/text-and-data-mining”}，{“tart”：“date-parts”：[2023,12,26]，“date-time”：“2023-12-26T00:00:00Z”，“时间戳”：1703548800000}，“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“：[2024]]}”，“DOI”：“10.1007\/978-978 981-99-8558-6_1“，”type“：”book-chapter“，“created”：{“date-parts”：[[2023,12,25]]，“date-time”：“2023-12-25T20:02:02Z”，“timestamp”：1703534522000}，“page”：“3-15”，“update-policy”：”http://\/dx.doi.org\/10.10007\/springer_crossmark_policy“，”source“：”Crossref“，“is-referenced-by-count”：0，“title”：[“Growth Simulation Network for \u00a0Poly Segmentation”]，“prefix”：“10.1007“，”作者“：[{”给定“：”洪斌“，“家族”：“卫”，“序列”：“第一”，“从属关系”：[]}，{“给定”：“小七”，“家庭”：“赵”，“顺序”：“附加”，“隶属关系”：【】}，}“给定的”：“龙”，“家人”：“吕”，”序列“：“附加的”，“附属关系”：[]}“Sun”，“sequence”：“additional”，“affiliation”：[]}，{“given”：“Huchuan”，“family”：“Lu”，“sequence”：“additional”，“affiliation”：[]}]，“member”：“297”，“published-on-line”：{“date-parts”：[2023,12,26]]}，“reference”：[{“issue”：“1”，“key”：”1_CR1“，“doi-asserted-by”：”publisher“，”first page“64”，“doi”：“10.5009\/gnl.2012.6.1.64”“，”volume“：”6“，”author“：”SB Ahn“，”year“：”2012“，”unstructured“：“Ahn，S.B.，Han，D.S.，Bae，J.H.，Byun，T.J.，Kim，J.P.，Eun，C.S.：通过质量调整的背对背结肠镜检查确定的大肠腺瘤漏诊率。《肠胃》6（1），64（2012）”，“期刊标题”：“肠胃”}，{“key”：“1_CR2”，“doi-asserted-by”：“crossref”，“unstructured”：“Bernal，J.，S\u00e1nchez，F.J.，Fern\u00e indez-Esparrach，G.，Gil，D.，Rodr\u00edguez，C.，Vilari\u00f1o，F.：结肠镜检查中准确显示息肉的WM-DOVA图：医生的验证与显著图。计算机医学成像图.43，99\u2013111（2015）”，“DOI”：“10.1016\/J.compemedimag.2015.02.007”}，{“key”：“1_CR3”，“非结构化”：“Bo，D.，Wenhai，W.，Deng-Ping，F.，Jinpeng，L.，Huazhu，F.和Ling，S.：Polyp-PVT:使用金字塔视觉变换器分割息肉（2023）”}，{“key”：“1_CR4”，“doi-asserted-by”：“crossref”，“unstructured”：“Chen，Y.，Dai，X.，Liu，M.，Chen，D.，Yuan，L.，Liu：“Fan，D.P.，Cheng，M.M.，Liu，Y.，Li，T.，Borji，A.：结构化度量：评估前景地图的新方法。摘自：IEEE计算机视觉国际会议论文集，第4548\u20134557页（2017）”，“DOI”：“10.1109\/ICCV.2017.487”}，{“key”：“1_CR6”，“DOI-asserted-by”：“crossref”，“unstructured”：“Fan，D.P.，Gong，C.，Cao，Y.，Ren，B.，Cheng，M.M.，Borji，A.：二元前景图评估的增强对齐度量。arXiv预打印arXiv:1805.10421（2018）”，“DOI”：“10.24963\/ijcai.2018\/97”}，{“key”：“1_CR7”，“series-title”：“计算机科学讲义”，“DOI-asserted-by”：“publisher”，“first-page”：“263”，“DOI”：“10.1007\/978-3-030-59725-2_26”，“volume-title”：“医学图像计算和计算机辅助干预\u2013 MICCAI 2020”，“author”：“D-P Fan”，“year”：“2020”，《unstructured》：“Fan，D.-P，et al.：PraNet：用于息肉分割的并行反向注意网络。In:Martel，A.L.，et al。（eds.）MICCAI2020。LNCS，第12266卷，第263\u2013273页。查姆施普林格（2020）。https:\/\/doi.org\/10.1007\/978-3-030-59725-2_26“}，{“key”：“1_CR8”，“series-title”：“计算机科学讲义”，“doi-asserted-by”：“publisher”，“首页”：“451”，“doi”：“10.1007\/978-300-37734-2_37”，“volume-title”：”多媒体建模“，“author”：“D Jha”，“年份”：“2020”，“非结构化”：“Jha，D.等人：Kvasir-SEG：分段息肉数据集。In：Ro，Y.M.等人（编辑）MMM 2020。LNCS，第11962卷，第451\u2013462页。查姆施普林格（2020）。https://doi.org \/10.1007\/978-3-030-37734-2_37“}，{“key”：“1_CR9”，“doi-asserted-by”：“crossref”，“unstructured”：“Jha，D.，et al.：ResUNet++：一种先进的医学图像分割架构。收录于：2019 IEEE多媒体国际研讨会（ISM），第225\u20132255页。IEEE（2019）“，”DOI“：”10.1109\/ISM46123.2019.00049“}，{“key”：“1_CR10”，“unstructured”：“Loshchilov，I.，Hutter，F.：解耦重量衰减正则化。arXiv预印本arXiv:1711.05101（2017）”}，“{”key“：”1_CR11“，”DOI-asserted-by“：”crossref“，”unstructure“：”Margolin，R.，Zelnik-Manor，L.，Tal，A.：如何评估前景地图？摘自：《IEEE计算机视觉和模式识别会议论文集》，第248\u2013255页（2014）“，“DOI”：“10.1109\/CVPR.2014.39”}，{“key”：“1_CR12”，“series-title”：“计算机科学讲义”，“DOI-asserted-by”：“publisher”，“first page”：”235“，“DOI”：”10.1007\/978-3030-58595-2_15“，“volume-title”：”计算机视觉\u2013 ECCVV 2020“，”作者”：“Y Pang”，“年份”：“2020”，“非结构化”：“Pang，Y.，Zhang，L.，Zhao，X.，Lu，H.：用于RGB-D显著对象检测的分层动态过滤网络。收录人：Vedaldi，A.、Bischof，H.、Brox，T.、Frahm，J.-M.（编辑）ECCV 2020。LNCS，第12370卷，第235\u2013252页。查姆施普林格（2020）。https:\/\/doi.org\/10.1007\/978-3-030-58595-2_15“}，{“key”：“1_CR13”，“doi-asserted-by”：“crossref”，“unstructured”：“Pang，Y.，Zhao，X.，Xian，T.Z.，Zhang，L.，Lu，H.：放大和缩小：用于伪装目标检测的混合尺度三重网络。in:CVPR，pp.2160\u20132170（2022）”，“doi”：“10.1109\/CVPR52688.2022.00220”}，}，“1_CR14”，“doi-asserted-by“：”crossref“，”unstructured“：”Pang，Y.，Zhao，X.，Zhang，L.，Lu，H.：用于显著目标检测的多尺度交互式网络。收录于：CVPR，第9413\u20139422页（2020）“，”DOI“：”10.1109\/CVPR42600.2020.00943“}，{“key”：“1_CR15”，“DOI-asserted-by”：“crossref”，“unstructured”：“Pang，Y.，Zhao，X.，Zhang，L.，Lu，H.：Caver：用于双模显著目标检测的跨模视控变压器。IEEE TIP 32，892\u2013904（2023）”，“DOI”：“10.1109\/TIP.2023.3234702”}，键“：”1_CR16“，”doi-asserted-by“：”crossref“，”unstructured“：”Qin，X.，Zhang，Z.，Huang，C.，Gao，C.，Dehghan，M.，Jagersand，M.：BASNet：边界感知显著对象检测。收录于：IEEE计算机视觉与模式识别会议论文集，第7479\u20137489（2019）页“，”DOI“：”10.1109\/CVPR.2019.00766“}，{“key”：“1_CR17”，“series-title”：“计算机科学讲义”，“DOI-asserted-by”：“publisher”，“first page”：”234“，”DOI“：“10.1007\/978-319-24574-4_28”，“volume-title”：医学图像计算和计算机辅助干预\u2013 MICCAI 2015”，“作者”：“O Ronneberger”，“年份”：“2015”，《非结构化》：“Ronneberge，O.，Fischer，P.，Brox，T.：U-Net:用于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“：”1_CR18“，”doi-asserted-by“：”crossref“，”unstructured“：”Siegel，R.L.，et al.：结直肠癌统计，2020。CA:a cancer journal for clinicians 70（3），145\u2013164（2020）“，”DOI“：”10.3322\/caac.21601“}，{”issue“：”12“，”key“：”1_CR19“，”DOI-asserted-by“：”publisher“，”first page“：“2179”，”DOI:“10.1136\/gutjnl-2019-319511”，“volume”：“68”，“author”：“RL Siegel”，“year”：“2019”，“unstructured”：“”Siegel，R.L.等人：年轻人结直肠癌发病率的全球模式和趋势。Gut 68（12），2179\u20132185（2019）“，”journal-title“：”Gut“}，{”issue“：”2“，”key“：”1_CR20“，”doi-asserted-by“：”publisher“，”first-page“：”283“，”doi“：”10.1007\/s11548-013-0926-3“，”volume“：“9”，”author“：”J Silva“，”year“：”2014“，”unstructured“：”Silva，J.，Histace，A.，Romain，O.，Dray，X.，Granado，B.：关于WCE图像中息肉的嵌入式检测，以早期诊断结直肠癌。国际期刊计算。协助。无线电。外科学9（2），283\u2013293（2014）“，“期刊标题”：“国际计算杂志”。协助。无线电。外科“}，{“问题”：“2”，“关键”：“1_CR21”，“doi-asserted-by”：“出版商”，“首页”：“630”，“doi”：“10.1109\/TMI.2015.2487997”，“卷”：“35”，“作者”：“N Tajbakhsh”，“年份”：“2015”，“非结构化”：“Tajbaghsh，N.，Gurudu，S.R.，Liang，J.：使用形状和上下文信息在结肠镜视频中自动检测息肉。IEEE Trans.Med.Imaging 35（2），630\u2013644（2015）”，“期刊标题”：“IEEE Trans。医学成像“}，{“key”：“1_CR22”，“doi-asserted-by”：“crossref”，“unstructured”：“Tajbakhsh，N.，Gurudu，S.R.，Liang，J.：使用卷积神经网络集成在结肠镜视频中自动检测息肉。摘自：2015年IEEE第12届国际生物医学成像研讨会（ISBI），第79\u201383页。IEEE（2015）“，”DOI“：”10.1109\/ISBI.2015.7163821“}，{“key”：“1_CR23”，“DOI-asserted-by”：“crossref”，“unstructured”：“V\u00e1zquez，D.，et al.：结肠镜图像管腔内场景分割的基准。J.Healthcare Eng.2017（2017）”，“DOI”：“10.1155\/2017\/4037190”}，“key“：”1_CR24Wang，W.，et al.：金字塔视觉变换器：无卷积密集预测的通用主干。收录于：IEEE计算机视觉国际会议论文集，第568\u2013578（2021）页“，”DOI“：”10.1109“/ICCV48922.2021.00061“}，{”key“：”1_CR25“，”DOI-asserted-by“：”crossref“，”unstructured“：”Wang，X.，Girshick，R.，Gupta，A.，He，K.：非局部神经网络。摘自：IEEE计算机视觉和模式识别会议记录，第7794\u20137803页（2018）“，“DOI”：“10.1109\/CVPR.2018.00813”}，{“key”：“1_CR26”，“DOI-asserted-by”：“crossref”，“unstructured”：“Wei，J.、Wang，S.、Huang，Q.：F$^3$$净：融合、反馈和聚焦用于显著目标检测。摘自：AAAI人工智能会议记录。第34卷，第12321\u201312328页（2020）“，“DOI”：“10.1609\/aaai.v34i07.6916”}，{“key”：“1_CR27”，“DOI-asserted-by”：“crossref”，“unstructured”：“Wei，J.，Wang，S.，Wu，Z.，Su，C.，Huang，Q.，Tian，Q.：显著对象检测的标签解耦框架。摘自：IEEE计算机视觉和模式识别会议论文集，第13025\u201313034页（2020）“，“DOI”：“10.1109”，{“key”：“1_CR28”，“unstructured”：“Yang，B.，Bender，G.，Le，Q.V.，Ngiam，J.：CondConv：有效推理的条件参数化卷积。In:Advances In Neural Information Processing Systems，vol.32（2019）“}，{“key”：“1_CR29”，“unstructured”：“Zhao，X.，et al.：M2SNet:用于医学图像分割的多尺度减法网络中的多尺度。arXiv预印本arXiv:2303.10894Zhao，X.，Pang，Y.，Zhang，L.，Lu，H.：显著目标检测、深度估计和轮廓提取的联合学习。IEEE TIP 31，7350\u20137362（2022）“，“日记标题”：“IEEE TIP”}，{“key”：“1_CR31”，“series-title”：“计算机科学课堂笔记”，“doi-asserted-by”：“publisher”，“首页”：“35”，“doi”：“10.1007\/978-3030-58536-5_3”，《volume-title》：“Computer Vision\u2013 ECCV 2020”，“author”：“X Zhao”，“年份”：“2020”，《非结构化》：“Zhao，X.，Pang，Y.，Zhang，L.，Lu，H.，Zhang，L.：抑制和平衡：用于显著对象检测的简单门控网络。收录人：Vedaldi，A.、Bischof，H.、Brox，T.、Frahm，J.-M.（编辑）ECCV 2020。LNCS，第12347卷，第35页\u201351。查姆施普林格（2020）。https:\/\/doi.org\/10.1007\/978-3-030-58536-5_3“}，{“key”：“1_CR32”，“unstructured”：“Zhao，X.，Pang，Y.，Zhang，L.，Lu，H.，Zhangs，L.：通过简单但通用的门控网络实现多样化的二进制分割。arXiv预印本arXiv:2303.10396（2023）”}，}，“key“：”1_CR33“，“series-title”：“计算机科学讲义”，“doi-asserted-by”：“publisher”，“第一页“：”120“，”DOI“：”10.1007\/978-3-030-87193-2_12“，”volume-title“：”医学图像计算和计算机辅助干预\u2013 MICCAI 2021“，”author“：”X Zhao“，”year“：”2021“；”unstructured“：”Zhao，X.，Zhang，L.，Lu，H.：通过多尺度减法网络自动分割息肉。In：de Bruijne，M.，et al.（eds.）MICCIAI 2021。LNCS，第12901卷，第120\u2013130页。施普林格，查姆（2021）。https:\/\/doi.org\/10.1007\/978-3-030-87193-2_12“}，{”key“：”1_CR34“，”series-title“：”计算机科学讲义“，”doi-asserted-by“：”publisher“，”first page“：“3”，”doi“：”10.1007\/978-30-00889-5_1“，“volume-title”：“医学图像分析的深度学习和临床决策支持的多模态学习”，“author”：“Z Zhou”，“year”：“2018”，“非结构化“：”Zhou，Z.，Rahman Siddiquee，M.M.，Tajbakhsh，N.，Liang，J.：UNet++：用于医学图像分割的嵌套U-Net架构。收录人：Stoyanov，D.等人（编辑）DLMIA-/ML-CDS-2018。LNCS，第11045卷，第3\u201311页。施普林格，查姆（2018）。https:\/\/doi.org\/10.1007\/978-3-030-00889-5_1“}]，“container-title”：[“模式识别和计算机视觉”，“计算机科学课堂讲稿”]，“原始标题”：[]，“链接”：[{“URL”：“https:\//link.springer.com\/content\/pdf\/10.10007\/978-99-8558-6_1”，“内容类型”：“未指定”，“content-version”：“vor”，“intended-application”：“相似性检查“}]，“存放”：{“日期部分”：[[2023,12,25]]，“日期时间”：“2023-12-25T20:02:17Z”，“时间戳”：1703534537000}，“分数”：1，“资源”：{-“主要”：{:“URL”：“https:\/\/link.springer.com\/10.1007\/978-99-8558-6_1”}}，”副标题：[]，“短标题”：[]6]]}，“ISBN”：[“9789819985579”，“978981 9985586”]，“references-count“：34，”URL“：”http://\/dx.doi.org\/10.1007\/978-99-199-8558-6_1“，”关系“：{}，”ISSN“：[”0302-9743“，”1611-3349“]，”ISSN-type“：[{“value”：“0302-974”，“type”：”print“}，{“value”：“1611-3399”，“类型”：“electronic”}]，“subject”：[]，“published”：{“date-parts”：[2023,12,2 6]]}，“断言”：[{“value”：“2023年12月26日”，“order”：1，“name”：“first_online”，“label“：”First Online“，”group“：{”name“：”ChapterHistory“，”label“:”Chapter History”}}，{”value“：”PRCV“，”order“：1，”name“:”conference_acrombit“，”标签“：”conference acronym“，“group”：{“name”：“ConferenceInfo”，“label”：“会议信息”}}}、{“value”：“中国模式识别与计算机视觉会议（PRCV）”，“order”：2，“name”会议名称，标签：会议名称，组：{名称：会议信息group“：{”name“：”ConferenceInfo“，”label“：”Meeting Information“}}，{”value“：”2023“，”order“：5，”name“:”Conference_year“，”标签“：”会议年份“，”group“:信息“，”label“：”Conference Information“}}，{“value”：“2023年10月15日”，“order”：8，“name”：“Conference_end_date”，“label”：“ConferenceEnd date”，“group”：{“name”:“ConferenceInfo”，”label“:”Conferency Information“{}，”value“：”6“order“”value“：”ccprcv2023“，”order“：10，”name“：”conference_id“，”label“：”会议id“，”group“：，{“value”：“双盲”，“order“：1，”name“：”type“，”label“：”type“，”group“：同行评审信息（由会议组织者提供）“}}，{“value”：“1420”，“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“：”37%-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“：”3,78“，”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“：”涉及外部审阅者“，”group“：{”name“：”ConfEventPeerReviewInformation“，”标签“：”同行审阅信息（由会议组织者提供）“}}]}}