{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部件”：[[2024,6,21]]，“日期-时间”：“2024-06-21T16:11:24Z”，“时间戳”：1718986284858}，“参考-计数”：203“：”2022-10-19T00:00:00Z“，“timestamp”：166613760000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“https:\\/www.springernature.com//gp\/researters\/text-and-data-mining”}，{“start”：{“date-parts”：[[2022,10,19]]，“date-time”：“2022-10-19T00:00:00Z”，“timetamp”：16.61376000000}：“https:\/\/www.springernature.com/gp\/researters\/text-and-data-mining”}]，“资助者”：[{“DOI”：“10.13039\/501100001809”，“名称”：“中国国家自然科学基金会”，“DOI-asserted-by”：“crossref”，“奖项”：[“61962008”]}]，”content-domain“：{”domain“:[”link.springer.com“]，”cross-mark-restriction“：false}，”short-container-title“：[”多媒体系统“]，“published-print”：{“date-parts”：[[2023,4]]}，“DOI”：“10.1007\/s00530-022-01003-8”，“type”：“journal-article”，“created”：{“date-parts”：[2022,10,19]]，“date-time”：“2022-10-19T09:06:57Z”，“timestamp”：1666170417000}，”page“693-724”，“update-policy”：”http://dx.DOI.org\/10.1007\/springer _crossmark_policy“，“source”：“Crossref”，“is-referenced-by-count”：6，“标题”：[“视觉神经网络调查：当前趋势、挑战和机遇”]，“前缀”：“10.1007”，“卷”：“29”，“作者”：[{“给定”：“平”，“家庭”：“风”，“序列”：“第一”，“从属”：[]}，{“给出”：“振军”，“家族”：“唐”，“顺序”：“附加”，“隶属”：[]}]，“成员”：“297”，“在线发布”：{“日期段”：[2022,10,19]]}、，“reference”：[{“issue”：“3”，“key”：“1003_CR1”，“doi-asserted-by”：“publisher”，《first page》：“389”，“doi”：“10.1007\/s00530-020-00696-z”，“volume”：”27“，”author“：”X Liang“，”year“：”2021“，“unstructured”：“Liang，X.，Tang，z.，Xie，X.、Wu，J.，Zhang，X.：使用二维PCA的稳健快速图像散列。多媒体系统27（3），389\u2013401（2021年）”，“journal-title”：“多媒体系统”}，{“key”：“1003_CR2”，“doi-asserted-by”：“crossref”，“unstructured”：“Zoph，B.，Vasudevan，V.，Shlens，J.，Le，Q.V.：学习可扩展图像识别的可转换架构。摘自：IEEE计算机视觉和模式识别会议记录，第8697\u20138710页。（2018）“，”DOI“：”10.1109\/CVPR.2018.00907“}，{“key”：“1003_CR3”，“DOI-asserted-by”：“crossref”，“unstructured”：“Tan，M.，Pang，R.，Le，Q.V.：Efficientdet:可伸缩和高效的对象检测。摘自：IEEE\/CVF计算机视觉和模式识别会议记录，第10781\u201310790页。（2020）“，”DOI“：”10.1109\/CVPR42600.2020.01079“}，{“key”：“1003_CR4”，“DOI-asserted-by”：“publisher”，“DOI”：“10.1007\/s00530-022-00915-9”，“author”：“W Pang”，“year”：“2022”，“unstructured”：“Pang，W.，He，Q.，Li，Y.：使用骨架变换器进行视频异常检测预测骨架轨迹。Multimed.Syst.（2022）https:\/\/doi.org\/10.1007\/s00530-022-00915-9“，”journal-title“：”多媒体。系统。“}，{”key“：”1003_CR5“，”doi-asserted-by“：”publisher“，”first page“：“834”，”doi“：”10.1109\/TPAMI.2017.2699184“，“volume”：“40”，“author”：“LC Chen”，“year”：“2018”，“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传输。模式分析。机器。智力。40834\u2013848（2018）”，“期刊标题”：“IEEE Trans。模式分析。机器。智力。“}，{”key“：”1003_CR6“，”doi-asserted-by“：”publisher“，”first page“：“1655”，“doi”：“10.1109\/TPAMI.2018.2846566”，“volume”：“41”，“author”：“F Radenovi\u0107”，“year”：“2018”，“unstructured”：“Radenovi.u0107，F.，Tolias，G.，Chum，O.：无人工注释的微调CNN图像检索。IEEE Trans.Pattern Anal.Mach.Intell.41，1655\u2013166 8（2018）“，”journal-title“：”IEEE Trans。模式分析。机器。智力。}，{“key”：“1003_CR7”，“doi-asserted-by”：“crossref”，“unstructured”：“Radenovi\u0107，F.，Ischen，A.，Tolias，G.，Avrithis，Y.，Chum，O.：重温牛津和巴黎：大尺度图像检索基准。摘自：IEEE\/CVF计算机视觉和模式识别会议记录，第5706\u20135715页。（2018）“，”DOI“：”10.1109\/CVPR.2018.00598“}，{“key”：“1003_CR8”，“DOI-asserted-by”：“crossref”，“unstructured”：“Jarrett，K.，Kavukcuoglu，K.、Ranzato，M.A.，LeCun，Y.：什么是对象识别的最佳多级架构？摘自：2009 IEEE第12届国际计算机视觉会议论文集，第2146\u20132153页。（2009）“，”DOI“：”10.1109\/ICCV.2009.5459469“}，{“key”：“1003_CR9”，“DOI-asserted-by”：“crossref”，“unstructured”：“Bengio，Y.：学习人工智能的深层架构。Now Publishers Inc，2（1），1\u2013127（2009）”，“DOI”：“10.1561\/220000006”}，“key“：”1003_CR10“，”DOI-assert-by“：”publisher“，“DOI:”10.1007\/s00530-022-006 0916-8“，”作者“：”J Lv“，”年份“：”2022“，”非结构化”：“Lv，J.，Wang，X.，Shao，C.：TMIF：基于变压器的多模态交互式融合，用于自动谣言检测。多模式。系统。(2022). https:\/\/doi.org\/10.1007\/s00530-022-00916-8“，”journal-title“：”Multimed。系统。“}，{”key“：”1003_CR11“，”unstructured“：”Dosovitskiy，A.，Beyer，L.，Kolesnikov，A.，Weissenborn，D.，Zhai，X.，Unterthiner，T.，Dehghani，M.，Minderer，M.、Heigold，G.，Gelly，S.：图像值16x16个单词：图像识别的变形金刚（Transformers for image recognition at scale.In:Proceedings of the International Conference on Learning Representations）“}”，{“key”：“1003_CR12“，“非结构化”：“Chen，M.，Radford，A.，Child，R.，Wu，J.，Jun，H.，Luan，D.，Sutskever，I.：从像素进行生成性预处理。在：《国际机器学习会议录》，第1691\u20131703页（2020）“｝，｛“key”：“1003_CR13”，“非结构化”：“Goodfellow，I.J.，Shlens，J.，Szegedy，C.：解释和利用对抗性示例。在：《国际学习表征会议录》（2014）“｝，｛“issue”：“5”，“key”：“1003_CR14”，”doi-asserted-by“：”publisher“，”first page“：”726“，”doi“：”10.1109\/TETCI.2021.3100641“，”volume“：“5”，”author“：”Y Zhang“，”year“：”2021“，”unstructured“：”Zhang，Y.，Ti\u0148o，P.，Leonardis，A.，Tang，K.：神经网络可解释性调查。IEEE传输。Emerg.顶部。计算。智力。5（5），726\u2013742（2021）。“，”journal-title“：”IEEE Trans。Emerg.顶部。计算。智力。“｝，｛”key“：”1003_CR15“，”doi asserted by“：”publisher“，”first page“：”302“，”doi“：”10.1016\/j.neucom.20207.053“，”volume“：”417“，”author“：”M Alam“，”year“：”2020“，”非结构化“：”Alam，M.，Samad，M.D.，Vidyaratne，L.，Glandon，A.，Iftekharuddin，K.M.：语音和视觉系统深层神经网络调查。神经计算417，302\u2013321（2020）“，”journal-title“：”Neurocomputing“}，{”key“：”1003_CR16“，”unstructured“：”Bouvrie，J.：卷积神经网络注释publisher“，”first page“：”436“，”DOI“：”10.1038\/nature14539“，”volume“：“521”，”author“：”Y LeCun“，”year“：”2015“，”unstructured“：”LeCun，Y.，Bengio，Y.、Hinton，G.：深度学习。Nature 521，436\u2013444（2015）“，“journal-title”：“Nature”}，{“key”：“1003_CR19”，“doi-asserted-by”：“crossref”，“unstructured”：“Scherer，D.，M\u00fcller，A.，Behnke，S.：卷积结构中用于对象识别的池操作评估。摘自：《国际人工神经网络会议论文集》，第92\u2013101页。Springer，（2010）“，“DOI”：“10.1007\/978-3-642-15825-4_10”}，{“key”：“1003_CR20”，“unstructured”：“Wang，T.，Wu，D.J.，Coates，A.，Ng，A.Y.：用卷积神经网络进行端到端文本识别。In:Proceedings of the 21st International Conference on Pattern recognition，pp.3304\u20133308，（2012）”}、{“key”：publisher“，”first page“：”1904“，”DOI“：”10.1109\/TPAMI.2015.2389824“，“volume”：“37”，“author”：“K He”，“year”：“2015”，“unstructured”：“He，K.，Zhang，X.，Ren，S.，Sun，J.：视觉识别深层卷积网络中的空间金字塔池。IEEE传输。模式分析。机器。智力。37，1904\u20131916（2015）“，“期刊标题”：“IEEE Trans。模式分析。机器。智力。“}，{”key“：”1003_CR22“，”unstructured“：”Lin，M.，Chen，Q.，Yan，S.：“网络中的网络。in：《国际学习代表大会论文集》（2014）“}”，{“key”：“1003_CR2”，“doi-asserted-by”：“publisher”，“first page”：”2352“，”doi“：”10.1162\/neco_a_00990“，”volume“29”，“author”：“W Rawat”，“year”：“2017”，“unstructure”：“”Rawat，W.，Wang，Z.：用于图像分类的深度卷积神经网络：综合评述。神经计算。29，2352\u20132449（2017）“，“新闻标题”：“神经计算。“}，{”key“：”1003_CR24“，”unstructured“：”Nwankpa，C.，Ijomah，W.，Gachagan，A.，Marshall，S.：激活功能：深入学习实践和研究趋势的比较。arXiv预印本arXiv:1811.03378（2018）“}”，{“key”：“1003_CR2”，“doi-asserted-by”：“publisher”，“first page”：”107“，”doi“：”10.1142\/S021848859800094“，”卷：“6”，“作者”：“S Hochreiter，“年份”：“1998年”，“非结构化”：“Hochreite，S.：学习递归神经网络过程中的消失梯度问题和问题解决方案。国际期刊不确定性。模糊知识-基于系统。6，107\u2013116（1998）“，“期刊标题”：“国际期刊不确定性”。模糊知识-基于系统。}，{“key”：“1003_CR26”，“unstructured”：“Ioffe，S.，Szegedy，C.：批量规范化：通过减少内部协变量偏移来加速深层网络训练。摘自：《国际机器学习会议论文集》，第448\u2013456页。（2015）“}，{”key“：”1003_CR27“，”first page“：“2488”，“volume”：“31”，“author”：“S Santurkar”，“year”：“2018”，“unstructured”：“Santurkar，S.，Tsipras，D.，Ilyas，A.，Madry，A.：批次规范化如何帮助优化？Adv.Neural Inf.Process.Syst.31，2488\u20132498（2018）”，“journal title”：“Adv.Neral Inf.Process.System.”}，8英寸doi-asserted-by“：”publisher“，”first page“：”2278“，”doi“：”10.1109\/5.726791“，”volume“：“86”，”author“：”Y LeCun“，”year“：”1998“，”unstructured“：”LeCun，Y.、Bottou，L.、Bengio，Y.和Haffner，P.：基于梯度的学习应用于文档识别。程序。IEEE 86，2278\u20132324（1998）“，”期刊标题“：”。IEEE“}，{“key”：“1003_CR29”，“首页”：“84”，“卷”：“25”，“作者”：“A Krizhevsky”，“年份”：“2012”，“非结构化”：“Krizhovsky，A.，Sutskever，I.，Hinton，G.E.：用深度卷积神经网络进行图像元分类。Adv.neural Inf.Process.Syst.25，84\u201390（2012）”，“日记标题”：“Adv.neural Inf.Process.Syst.”}，}，“key“1003_CR30”，“doi-asserted-by“：”publisher“，”first page“：”211“，“doi”：“10.1007”，“volume”：“115”，“author”：“O Russakovsky”，“year”：“2015”，“unstructured”：“Russakowsky，O.，Deng，J.，Su，H.，Krause，J.、Satheesh，S.，Ma，S.、Huang，Z.，Karpathy，A.、Khosla，A.、Bernstein，M.：Imagenet大规模视觉识别挑战。国际期刊计算。Vision 115，211\u2013252（2015）”，“新闻标题”：“国际计算杂志”。Vision“}，{”key“：”1003_CR31“，”doi-asserted-by“：”crossref“，”unstructured“：”Zeiler，M.D.，Fergus，R.：可视化和理解卷积网络。摘自：《欧洲计算机视觉会议论文集》，第818\u2013833页。Springer，（2014）“，“DOI”：“10.1007\/978-3-319-10590-1_53”}，{“key”：“1003_CR32”，“unstructured”：“Simonyan，K.，Zisserman，A.：用于大规模图像识别的深度卷积网络。In:Proceedings of the International Conference on Learning Representations.（2015）”}、{“key”：《1003_CR 33》，“DOI-asserted-by”：“crossref”，“非结构化”：“Szegedy，C.，Liu，W.，Jia，Y.，Sermanet，P.，Reed，S.，Angelov，D.，Erhan，D.，Vanhoucke，V.，Rabinovich，A.：卷积更深入。摘自：IEEE计算机视觉和模式识别会议论文集，第1\u20139页。（2015）“，”DOI“：”10.1109\/CVPR.2015.7298594“}，{“key”：“1003_CR34”，“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\/CVF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”：“1003_CR35”，“DOI断言”：“crossref”，“非结构化”：“Szegedy，C.，Vanhoucke，V.，Ioffe，S.，Shlens，J.，Wojna，Z.：重新思考计算机视觉的初始架构。在：IEEE\/CFF计算机视觉和模式识别会议论文集，第2818\u20132826页。（2016）“，”DOI“：”10.1109\/CVPR.2016.308“}，{“key”：“1003_CR36”，“DOI-asserted-by”：“crossref”，“unstructured”：“Szegedy，C.，Ioffe，S.，Vanhoucke，V.，Alemi，A.A.：Inception-v4，Inception-resnet和剩余联系对学习的影响。摘自：《第三十届AAAI人工智能会议论文集》，第4278\u20134284页。（2017）“，”DOI“：”10.1609\/aaai.v31i1.11231“}，{“key”：“1003_CR37”，“DOI-asserted-by”：“crossref”，“unstructured”：“He，K.，Zhang，X.，Ren，S.，Sun，J.：深度剩余网络中的身份映射。摘自：《欧洲计算机视觉会议论文集》，第630\u2013645页。Springer，（2016）“，“DOI”：“10.1007\/978-3-319-46493-0_38”}，{“key”：“1003_CR38”，“DOI-asserted-by”：“crossref”，“unstructured”：“Xie，S.，Girshick，R.，Doll\u00e1r，P.，Tu，Z.，He，K.：深度神经网络的聚集残差变换。摘自：IEEE计算机视觉与模式识别会议论文集，第1492\u20131500页。（2017）“，”DOI“：”10.1109\/CVPR.2017.634“}，{“key”：“1003_CR39”，“DOI-asserted-by”：“crossref”，“unstructured”：“Zagoruyko，S.，Komodakis，N.：宽剩余网络。In:British Machine Vision Conference.（2016）”，“DOI”：“10.5244\/C.30.87”}，“key“：”1003_CR10“，“unsructured“：”Zhang，H.、Wu，C.、Zhang、Zhu，Y.、Lin，H.，Zhang和Z.、Sun，Y.，He，T.、Mueller，J.、Manmatha，R.：Resnest：分裂注意网络。arXiv预印本arXiv:2004.08955（2020）“}，{“key”：“1003_CR41”，“doi-asserted-by”：“crossref”，“unstructured”：“Huang，G.，Liu，Z.，Van Der Maaten，L.，Weinberger，K.Q.：紧密连接卷积网络。摘自：IEEE \/CVF计算机视觉和模式识别会议论文集，第4700\u20134708页。（2017）”，“DOI”：“10.1109\/CVPR.2017.243”}，{“key”：“1003_CR42”，“DOI-asserted-by”：“crossref”，“unstructured”：“Hu，J.，Shen，L.，Sun，G.：挤压和激励网络。摘自：IEEE计算机视觉和模式识别会议记录，第7132\u20137141页。（2018）“，”DOI“：”10.1109\/CVPR.2018.00745“}，{“key”：“1003_CR43”，“DOI-asserted-by”：“crossref”，“unstructured”：“Cholet，F.：Xception:深度学习与深度可分离卷积。摘自：IEEE计算机视觉与模式识别会议记录，pp.1251\u20131258。（2017）”，“DOI”：“10.1109\/CVPR.2017.195”｝，｛“key”：“1003_CR44”，“nonstructured”：“Howard，A.G.，Zhu，M.，Chen，B.，Kalenichenko，D.，Wang，W.，Weyand，T.，Andreetto，M.，Adam，H.：Mobilenets:用于移动视觉应用的高效卷积神经网络。arXiv预印本arXiv:1704.044861（2017）”｝，｛“key”：“1003_CR45”，DOI断言为“：”crossref“，”非结构化”：“Su，J.，Faraone，J.、Liu，J.、Zhao，Y.、Thomas，D.B.、Leong，P.H.、Cheung，P.Y.：基于可重构逻辑的冗余减少移动网络加速，用于图像网络分类。摘自：应用可重构计算国际研讨会，第16\u201328页。Springer，（2018）“，“DOI”：“10.1007\/978-319-78890-6_2”}，{“key”：“1003_CR46”，“unstructured”：“Han，S.，Mao，H.，Dally，W.J.：深度压缩：使用剪枝、训练量化和哈夫曼编码压缩深度神经网络。In:学习表征国际会议论文集。（2016）”}Zhou，S.，Wu，Y.，Ni，Z.，Zhou，X.，Wen，H.，Zou，Y.:Dorefa net：用低位宽梯度训练低位宽卷积神经网络。收录：IEEE\/CVF计算机视觉和模式识别会议论文集。（2018）“}，{”key“：”1003_CR48“，”unstructured“：”Tan，M.，Le，Q.：Efficientnet：卷积神经网络模型缩放的再思考。摘自：《国际机器学习会议论文集》，第6105\u20136114页。（2019）“}，{“key”：“1003_CR49”，“doi-asserted-by”：“crossref”，“unstructured”：“Pan，X.，Luo，P.，Shi，J.，Tang，X.：Two at once：通过ibn-net提高学习和泛化能力。摘自：《欧洲计算机视觉会议论文集》，第464\u2013479页。（2018）“，”DOI“：”10.1007\/978-3-030-01225-0_29“}，{”key“：”1003_CR50“，”first page“：“3965”，“volume”：“34”，“author”：“Z Dai”，“year”：“2021”，“unstructured”：“Dai，Z.，Liu，H.，Le，Q.，Tan，M.：Coatnet：结合卷积和所有数据大小的注意力。Adv.Neural.Inf.Process.Syst.34，3965\u20133977（2021）”，“journal title”：“Adv.Neral”。信息。过程。系统。“}，{”key“：”1003_CR51“，”unstructured“：”Han，K.，Wang，Y.，Guo，J.，Tang，Y.，Wu，E.：Vision GNN:图像是值得的节点图。arXiv预印本arXiv:2206.00272（2022）“}”，{“key”：“1003_CR52”，“首页”：“5998”，“卷”：“30”，“作者”：“A Vaswani”，“年份”：“2017”，“unstructure”：“”Vaswani，A.、Shazeer，N.、Parmar，N.，Uszkoreit，J.、Jones，L.、Gomez，A.N.、Kaiser，\u0141、Polosukhin，I.：注意力是你所需要的。高级神经。信息处理。系统。30，5998\u20136008（2017）“，“新闻标题”：“Adv.Neural。信息处理。系统。“}，{”key“：”1003_CR53“，”unstructured“：”Ba，J.L.，Kiros，J.R.，Hinton，G.E.：层规范化。arXiv预打印arXiv:1607.06450（2016）“}”，{“key”：“1003_CR54”，“unstructure”：“Hendrycks，D.，Gimpel，K.：高斯误差线性单位（gelus）。arXiv-print arXiv:1606.08415（2016）”}，“key“:”1003_CR55“，”doi-asserted-by“：”crossref“，”非结构化“：”Carion，N.、Massa，F.、Synnaeve，G.、Usunier，N.，Kirillov，A.、Zagoryko，S.：使用变压器进行端到端物体检测。摘自：《欧洲计算机视觉会议记录》，第213\u2013229页。Springer，（2020）“，”DOI“：”10.1007\/978-3-030-58452-8_13“}，{”key“：”1003_CR56“，”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。Adv.Neural.Inf.Process.Syst.28，91\u201399（2015）”，“journal-title”：“”高级神经。信息处理。系统。}，{“key”：“1003_CR57”，“doi-asserted-by”：“crossref”，“unstructured”：“Girshick，R.：Fast R-cnn.In：IEEE计算机视觉国际会议论文集，第1440\u20131448页。（2015）“，”DOI“：”10.1109\/ICCV.2015.169“}，{“key”：“1003_CR58”，“unstructured”：“Chen，T.，Kornblith，S.，Norouzi，M.，Hinton，G.：视觉表征对比学习的简单框架。摘自：《国际机器学习会议论文集》，第1597\u20131607页。（2020）“}，{“key”：“1003_CR59”，“首页”：“9”，“卷”：“1”，“作者”：“A Radford”，“年份”：“2019年”，“非结构化”：“Radford，A.，Wu，J.，Child，R.，Luan，D.，Amodei，D.，Sutskever，I.：语言模型是无监督的多任务学习者。OpenAI blog 1，9交叉参考“，”非结构化”：“Radosavovic，I.，Kosaraju，R.P.，Girshick，R.，He，K.，Doll\u00e1r，P.：设计网络设计空间。摘自：IEEE计算机视觉和模式识别会议记录，第10428\u201310436页。（2020）“，”DOI“：”10.1109\/CVPR42600.2020.01044“}，{”key“：”1003_CR61“，”unstructured“：”Touvron，H.，Cord，M.，Douze，M.、Massa，F.，Sablayrolles，A.，J\u00e9gou，H.：通过注意力训练数据高效的图像变换器和蒸馏。摘自：国际机器学习会议记录，第10347\u201310357页。（2021）“}，{”key“：”1003_CR62“，”doi-asserted-by“：”crossref“，”unstructured“：”Liu，Z.，Lin。（2021）“，”DOI“：”10.1109\/ICCV48922.2021.00986“}，{”key“：”1003_CR63“，”unstructured“：”Bello，I.：Lambdanetworks:建模无需注意的远程交互。arXiv预印本arXiv:2102.08602（2021Huang，Z.、Ben，Y.、Luo，G.、Cheng，P.、Yu，G.，Fu，B.：洗牌变换器：重新思考视觉变换器的空间洗牌。arXiv预打印arXiv:2106.03650（2021）“}，{“key”：“1003_CR65”，“doi-asserted-by”：“crossref”，“unstructured”：“Wang，W.，Xie，E.，Li，X.，Fan，D.-P，Song，K.，Liang，D.，Lu，T.，Luo，P.，Shao，L.：金字塔视觉转换器：无卷积密集预测的通用骨干。摘自：IEEE计算机视觉国际会议论文集，第568\u2013578页。（2021）“，”DOI“：”10.1109\/ICCV48922.2021.00061“}，{”key“：”1003_CR66“，”DOI-asserted-by“：”crossref“，”unstructured“：”Wang，W.，Xie，E.，Li，X.，Fan，D.-P.，Song，K.，Liang，D.，Lu，T.，Luo，P.，Shao，L.：PVT v2:使用金字塔视觉变换器改进基线。计算视觉媒体1\u201310（2022）“，“DOI”：“10.1007\/s41095-022-0274-8”}，{“密钥”：“1003_CR67“，“非结构化”：“周大全等：Deepvit：迈向更深层的视觉变压器。arXiv预印arXiv:2103.11886（2021）。“}，{”key“：”1003_CR68“，”unstructured“：”Li，Y.，Zhang，K.，Cao，J.，Timofte，R.，Van Gool，L.：Localvit:将局部性引入视觉变换器。arXiv预印本arXiv:2104.05707（2021）“}”，{“key”：“1003_CR 69”，“doi-asserted-by”：“crossref”，“unstructure”：“”Zhang，J.、Peng，H.、Wu，K.、Liu，M.、Xiao，B.、Fu，J.和Yuan，L.：MiniViT：使用权重复用压缩视觉变换器。摘自：IEEE计算机视觉和模式识别会议记录，第12145\u201312154页。（2022）“，”DOI“：”10.1109\/CVPR52688.2022.01183“}，{”key“：”1003_CR70“，”首页“：”26831“，”volume“：“34”，”author“：”Y Bai“，”year“：”2021“，“unstructured”：“Bai，Y.，Mei，J.，Yuille，A.L.，Xie，C.：Transformers是否比CNN更健壮？Adv.Neural.Inf.Process.Syst.34，26831\u201326843（2021）”，“journal title”：“Advv.Neuran.Inf.Process.系统“}，{”key”：“1003_CR71”，“非结构化”：“Kipf，T.N.，Welling，M.：图卷积网络的半监督分类。arXiv预印本arXiv:1609.02907（2016）“}，{“key”：“1003_CR72”，“unstructured”：“Hendrycks，D.，Dietterich，T.：神经网络对常见腐败和扰动的鲁棒性基准测试。In:Proceedings of the International Conference on Learning Representations，（2019）”}，}“key:”1003_CR 73“，”doi-asserted-by“：”crossref“，”unstructure“：”Hendrycks，D.，Zhao，K.，Basart，S.，Steinhardt，J.，Song，D.：自然对抗性示例。摘自：IEEE计算机视觉和模式识别会议记录，第15262\u201315271页。（2021）”，“DOI”：“10.1109\/CVPR4437.201.01501”}，{“key”：“1003_CR74”，“DOI断言者”：“crossref”，“非结构化”：“Zhang，Z.，Xie，Y.，Xing，F.，McGough，M.，Yang，L.:Mdnet:一个语义和视觉上可解释的医学图像诊断网络。摘自：IEEE计算机视觉和模式识别会议记录，第6428页，20136436页。（2017）“，”DOI“：”10.1109\/CVPR.2017.378“}，{”key“：”1003_CR75“，”DOI-asserted-by“：”publisher“，”first page“：“42”，“DOI”：“10.1109\/MSP.2021.3134634”，“volume”：“39”，“author”：“L Ericsson”，“year”：“2022”，“unstructured”：“Ericsson，L.、Gouk，H.、Loy，C.C.、Hospedales，T.M.：自我监督表征学习：介绍、进展和挑战。IEEE信号处理。Mag.39，42\u201362（2022）“，“日志标题”：“IEEE信号处理。Mag.“}，{“key”：“1003_CR76”，“unstructured”：“Zhang，Y.，Kang，B.，Hooi，B.，Yan，S.，Feng，J.：深长尾学习：一项调查。arXiv预印本arXiv:2110.04596（2021）”}，}，“key“：”1003_CR 77“，”doi-asserted-by“：”crossref“，”unstructure“：”Liu，W.，Wang，H.，Shen，X.，Tsang，I.：多标签学习的新兴趋势。IEEE模式分析与机器智能学报（2021）“，”DOI“：”10.1109\/TPAMI.2021.3119334“}，{”key“：”1003_CR78“，”DOI-asserted-by“：”publisher“，”first page“：“370”，”DOI:“10.1016\/j.neucom.2021.07.045“，”volume“：Liang，T.，Glossner，J.，Wang，L.，Shi，S.，Zhang，X.：深层神经网络加速的剪枝和量化：一项调查。Neurocomputing 461，370\u2013403（2021）“，”journal-title“：”Neurocumputing“}，{”key“：”1003_CR79“，”first page“：“129”，“volume”：“2”，“author”：“D Blalock”，“year”：“2020”，“unstructured”：“Blalock，D.，Gonzalez-Ortiz，J.J.J.J.，Frankle，J.，Guttag，J.：神经网络修剪的状态是什么？Proc.Mach.Learn.Syst.2，129\u2013146（2020）”，“journal-title”：“”程序。机器。学习。系统。“}，{”key“：”1003_CR80“，”unstructured“：”Liu，Z.，Sun，M.，Zhou，T.，Huang，G.，Darrell，T.：重新思考网络修剪的价值。In:《学习表征国际会议论文集》。（2019）“}”，{“key”：“1003_CR 81”，“unstructure”：“”Krishnamoorthi，R.：量化深层卷积网络以进行有效推断：白皮书。arXiv预印本arXiv:1806.08342（2018）“}，{“key”：“1003_CR82”，“首页”：“598”，“卷”：“2”，“author”：“Y LeCun”，“year”：“1989”，“unstructured”：“LeCun，Y.，Denker，J.，Solla，S.：最佳脑损伤。Adv.Neural.Inf.Process.Syst.2，598\u2013605 R83“，”非结构化“：”Hassibi，B.，Stork，D.G.，Wolff，G.J.：最佳脑外科医生和一般网络修剪。摘自：IEEE神经网络国际会议论文集，第293\u2013299（1993）页“}，{“key”：“1003_CR84”，“unstructured”：“Molchanov，D.，Ashukha，A.，Vetrov，D.：变分丢失稀疏化深度神经网络。摘自：《国际机器学习会议论文集》，第2498\u20132507（2017）页“doi-asserted-by“：”crossref“，”unstructured“：”Luo，J.-H.，Wu，J.，Lin，W.：Thinet：一种用于深层神经网络压缩的过滤器级剪枝方法。摘自：IEEE计算机视觉国际会议论文集，第5058\u20135066页（2017）“，“DOI”：“10.1109\/ICCV.2017.541”}，{“key”：“1003_CR86”，“unstructured”：“Louizos，C.，Welling，M.，Kingma，D.P.：通过L0正则化学习稀疏神经网络。arXiv预印本arXiv:1712.01312（2017）”}crossref”，“非结构化”：“He，Y.，Zhang，X.，Sun，J.：加速深度神经网络的通道修剪。摘自：IEEE计算机视觉国际会议论文集，第1389\u20131397页（2017）“，“DOI”：“10.1109\/ICCV.2017.155”}，{“key”：“1003_CR88”，“DOI-asserted-by”：“crossref”，“unstructured”：“Yu，R.，Li，A.，Chen，C.-F.，Lai，J.-H.，Morariu，V.I.，Han，X.，Gao，M.，Lin，C.-Y.，Davis，L.S.：Nisp：使用神经元重要性得分传播的修剪网络。摘自：IEEE计算机视觉和模式识别会议论文集，第9194\u20139203页（2018）“，“DOI”：“10.1109\/CVPR.2018.00958”}，{“key”：“1003_CR89”，“DOI-asserted-by”：“crossref”，“unstructured”：“Mittal，D.，Bhardwaj，S.，Khapra，M.M.，Ravindran，B.：从随机剪枝中恢复：深度卷积神经网络的可塑性。摘自：2018年IEEE计算机视觉应用冬季会议（WACV）论文集，第848\u2013857页（2018年）“，”DOI“：”10.1109\/WACV.2018.00098“}，{“key”：“1003_CR90”，“unstructured”：“Anwar，S.，Sung，W.：带粗剪枝的紧凑深度卷积神经网络。arXiv预印本arXiv:1610.09639（2016年）14014“，“卷”：“32”，“作者”：“P Michel”，“年份”：“2019”，“非结构化”：“Michel，P.，Levy，O.，Neubig，G.：十六个头真的比一个头好吗？高级神经。信息处理。系统。3214014\u201314024\u00a0（2019）”，“期刊标题”：“高级神经。信息处理。系统。“}，{”key“：”1003_CR92“，”first page“：“2181”，“volume”：“30”，“author”：“J Lin”，“year”：“2017”，“unstructured”：“Lin，J.，Rao，Y.，LuYu，J.，Yang，L.，Xu，N.，YangJ.，Huang，T.：可伸缩神经网络。arXiv预印本arXiv:1812.08928（2018）“}，{“key”：“1003_CR94”，“doi-asserted-by”：“crossref”，“unstructured”：“丁，X，张，X，马，N.，韩，J.，丁，G.，孙，J.：Repvgg：使vgg型convents再次伟大。摘自：IEEE\/CVF计算机视觉和模式识别会议论文集，第13733\u201313742（2021）页”，“doi”：“10.1109\/CVPR46437.2021.01352“}，{“key”：“1003_CR95”，“doi-asserted-by”：“crossref”，“unstructured”：“Guo，Z.，Zhang，X.，Mu，H.，Heng，W.，Liu，Z.、Wei，Y.，Sun，J.：均匀采样的单路径单步神经架构搜索。摘自：《欧洲计算机视觉会议论文集》，第544\u2013560页。Springer（2020）“，“DOI”：“10.1007\/978-3-030-58517-4_32”}，{“key”：“1003_CR96”，“DOI-asserted-by”：“crossref”，“unstructured”：“Yu，H.，Han，Q.，Li，J.，Shi，J..，Cheng，G.，Fan，B.：搜索你想要的：屏障面板nas用于混合精度量化。摘自：《欧洲计算机视觉会议论文集》，第1\u201316页。Springer（2020）“，“DOI”：“10.1007\/978-3-030-58545-7_1”}，{“key”：“1003_CR97”，“unstructured”：“Zhang，B.，Chen，H.，Yang，L.，Chen1003_CR98“，”doi-asserted-by“：”crossref“，”unstructured“：”Chen，M.，Peng，H.，Fu，J.，&Ling，H.:Autoformer：搜索变压器进行视觉识别。《IEEE计算机视觉国际会议论文集》，第12270\u201312280（2021）页“，”DOI“：”10.1109\/ICCV48922.2021.01205“}，{“key”：“1003_CR99”，“first page”：”8714“，”volume“：”34“，”author“：”M Chen“，”year“：”2021“，”unstructured“：”Chen，M.，Wu，K.，Ni，B.等人：搜索视觉变换器的搜索空间。Advv.Neural.Inf。过程。系统。34，8714\u20138726（2021）“，“新闻标题”：“高级神经。信息处理。系统。“}，{”key“：”1003_CR100“，”doi-asserted-by“：”crossref“，”unstructured“：”Tang，Y.，Han，K.，Wang，Y..，Xu，C.，Guo，J.，Xu1003_CR101“，“首页”：“1742”，“卷”：“30”，“作者”：“U K\u00f6ster”，“年份”：“2017”，“非结构化”：“K\u00 f6ster，U.，Webb，T.，Wang，X.，Nassar，M.，Bansal，A.K.，Constable，W.，Elibol，O.，Gray，S.，Hall，S.和Hornof，L.：Flexpoint：一种用于深度神经网络有效训练的自适应数字格式。高级神经。信息处理。系统。30，1742\u20131752（2017）“，“新闻标题”：“高级神经。信息处理。系统。“}，{”key“：”1003_CR102“，”unstructured“：”Micikevicius，P.，Narang，S.，Alben，J.，Diamos，G.，Elsen，E.，Garcia，D.，Ginsburg，B.，Houston，M.，Kuchaiev，O.，VenkateshDas，D.、Mellempudi，N.、Mudigere，D.、Kalamkar，D.、Avancha，S.、Banerjee，K.、Sridharan，S.，Vaidyanathan，K.，Kaul，B.、Georganas，E.：使用整数运算对卷积神经网络进行混合精度训练。arXiv预印本arXiv:1802.00930（2018）“}，{“key”：“1003_CR104”，“first page”：”5151“，“volume”：：“31”，“author”：“R Banner”，“year”：“2018”，“unstructured”：“Banner，R.，Hubara，I.，Hoffer，E.，Soudry，D.：神经网络8位训练的可扩展方法。Adv.neural.Inf.Process.Syst.31，515151\u20135159（2018）”，“journal-title”：“Adv.Neura.Inf。过程。系统。“}，{”key“：”1003_CR105“，”unstructured“：”Wu，S.，Li，G.，Chen，F.，Shi，L.：深度神经网络中整数的训练和推理。in:《学习表征国际会议论文集》（2018）“}”，{“key”：“1003_CR106”，“doi-asserted-by”：“publisher”，“first page”：《70》，“doi”：“10.1016\/j.neunet.2019.12.27”，“volume”：”125“，”author“：”Y Yang“，”year“：”2020“，”unstructured“：”Yang，Y.，Deng，L.，Wu，S.，Yan，T.，Xie，Y.、Li，G.：训练具有完整8位整数的高性能大规模深度神经网络。神经网络。125，70\u201382（2020）“，“新闻标题”：“神经网络。“}，{”key“：”1003_CR107“，”doi-asserted-by“：”crossref“，”unstructured“：”Zhu，F.，Gong，R.，Yu，F.、Liu，X.、Wang，Y.、Li，Z.、Yang，X.，Yan，J.：卷积神经网络的统一int8训练。摘自：IEEE\/CVF计算机视觉与模式识别会议论文集，1969\u20131979（2020）“，”doi“：”10.1109 \/CVPR42600.2020.00204“}，{“key”：“1003_CR108”，“首页”：“28092”，“卷”：“34”，“作者”：“Z Liu”，“年份”：“2021”，“非结构化”：“Liu，Z.，Wang，Y.，Han，K.，Zhang，W.，Ma，S.，Gao，W.：视觉变压器的训练后量化。Adv.Neural.Inf.Process.Syst.34，28092\u201328103（2021）”，“日记标题”：“Adv.Neura.Inf。过程。系统。“}，{”key“：”1003_CR109“，”unstructured“：”Li，Z.，Yang，T.，Wang，P.，Cheng，J.：Q-ViT:视觉变换器的完全可微量化。arXiv预印本arXiv:2201.07703（2022）“}”，{“key”：“1003_CR110”，“unstructure”：“Hinton，G.，Vinyals，O.，Dean，J.:在神经网络中提取知识。arXiv-预印本arXiv:1503.02531 2，（2015）”}，}“key“：”1003_CR111“，”doi-asserted-by“：”crossref“，”unstructured“：”Bucilu\u01ce，C.，Caruana，R.，Niculescu-Mizil，A.：模型压缩。摘自：第十二届ACM SIGKDD知识发现和数据挖掘国际会议论文集，pp.535\u2013541（2006）“，“DOI”：“10.1145\/1150402.1150464”}，{“key”：“1003_CR112”，“unstructured”：“Liu，S.，Yin，L.，Mocanu，D.C.，Pechenizkiy，M.：我们真的需要密集的过参数化吗？稀疏训练中的实时过参数化。摘自：《国际机器学习会议论文集》，第6989\u20137000（2021）页“}，{“key”：“1003_CR113”，“unstructured”：“Jia，D.，Han，K.，Wang，Y.，Tang，Y..，Guo，J.，Zhang，C.，Tao，D.：通过细粒度流形蒸馏实现高效视觉变换。arXiv预印本arXiv:2107.01378（2021Romero，A.，Ballas，N.，Kahou，S.E.，Chassang，A.，Gatta，C.，Bengio，Y.：Fitnets:薄深网提示。摘自：学习代表国际会议记录。（2015）“}，{”key“：”1003_CR115“，”unstructured“：”Zagoruyko，S.，Komodakis，N.：“更加关注注意力：通过注意力转移提高卷积神经网络的性能。In:Proceedings of the International Conference on Learning Representations（2017）”}，“”key”：“1003_CR116”，“unstructure”：“”Koratana，A.，Kang，D.，Bailis，P.，Zaharia，M.：Lit：学习了模型压缩的中间表示训练。摘自：《机器学习国际会议论文集》，第3509\u20133518页。（2019）“}，{“key”：“1003_CR117”，“doi-asserted-by”：“crossref”，“unstructured”：“Liu，Z.，Li，J.，Shen，Z.、Huang，G.、Yan，S.、Zhang，C.：通过网络精简学习有效卷积网络。摘自：IEEE国际计算机视觉会议论文集，pp.2736\u20132744（2017）”，“doi”：“10.1109\/ICCV.2017.298”}，“key“：”1003_CR118“，”doi-asserted-by“：”crossref“，”unstructured“：”Tung，F.，Mori，G.：保持相似性的知识蒸馏。摘自：IEEE计算机视觉国际会议论文集，第1365\u20131374（2019）页“，”DOI“：”10.1109\/ICCV.2019.00145“}，{“key”：“1003_CR119”，“DOI-asserted-by”：“crossref”，“unstructured”：“Tian，F.，Gao，B.，Cui，Q.，Chen，E.，Liu，T.-Y.：学习图聚类的深度表示法。在：《AAAI人工智能会议论文集》，第1293\u20131299（2014）页，“DOI”：“10.1609\/aai.v28i1.8916”}，{“key”：“1003_CR120”，“非结构化”：“Huang，Z.，Wang，N.:喜欢什么：通过神经元选择性转移提取知识。arXiv预印本arXiv:11707.01219（2017）”}，{“key”：“1003_CR121”，“非结构化”：“Wu，X.，Wu，Y.，Zhao，Y.：关于图像网分类任务的二值化神经网络。arXiv预印本arXiv:1604.03058（2016）“}，{“key”：“1003_CR122”，“doi-asserted-by”：“crossref”，“unstructured”：“Park，W.，Kim，D.，Lu，Y.，Cho，M.：关系知识蒸馏。摘自：IEEE\/CVF计算机视觉与模式识别会议论文集，第3967\u20133976（2019）页”，“doi”：“10.1109\/CVPR.2019.00409”}，}“key:”1003_CR123“，”doi-asserted-by“：”crossref“，”unstructured“：”Guo，J.，Han，K.，Wu，H.，Tang，Y.，Chen，X.，Wang，Y.Xu，C.：Cmt:卷积神经网络满足视觉变压器。收录于：IEEE计算机视觉和模式识别会议记录，第12175\u201312185（2022）页，“DOI”：“10.1109”，{“key”：“1003_CR124”，“DOI-asserted-by”：“crossref”，“unstructured”：“Sainath，T.N.、Kingsbury，B.、Sindhwani，V.、Arisoy，E.、Ramabhadran，B.：针对具有高维输出目标的深度神经网络训练的低秩矩阵分解。摘自：2013年IEEE声学、语音和信号处理国际会议论文集，第6655\u20136659页（2013）“，“DOI”：“10.1109\/ICASSP.2013.6638949”}，{“key”：“1003_CR125”，“unstructured”：“Lebedev，V.，Ganin，Y.，Rakhuba，M.，Oseledets，I.，Lempitsky，V.：使用微调cp-decosition加速卷积神经网络。In:Proceedings of the International Conference on Learning Representations（2015）“}，{”key“：”1003_CR126“，”first page“：“442”，“volume”：“22”，“author”：“A Novikov”，“year”：“2015”，“unstructured”：“Novikof，A.，Podoprikhin，D.，Osokin，A.，Vetrov，D.P.：神经网络张力化。Adv.neural.Inf.Process.Syst.22，442\u2013450（2015）”，“journal-title”：“”高级神经。信息处理。系统。“}，{”key“：”1003_CR127“，”doi-asserted-by“：”crossref“，”unstructured“：”Jaderberg，M.，Vedaldi，A.，Zisserman，A.：用低阶展开加速卷积神经网络。In:Proceedings of the British Machine Vision Conference（2014）“，”doi“：”10.5244\/C.28.88“}”，{“key”：“1003_CR128”，“unstructure”：“”Chen，W.，Wilson，J.，Tyree，S.，Weinberger，K.，Chen，Y.：用散列技巧压缩神经网络。摘自：《机器学习国际会议论文集》，第2285\u20132294页（2015）“}，{“key”：“1003_CR129”，“doi-asserted-by”：“publisher”，“first page”：”2889“，“doi”：“10.1109”，TPAMI.2018.2873305“，”volume“：”41“，”author“：”S Lin“，“year”：“2018”，“unstructured”：“Lin，S.，Ji，R.，Chen，C.，Tao，D.，Luo，J.：通过知识转移的低秩分解进行整体cnn压缩。IEEE传输。模式分析。机器。智力。41，2889\u20132905（2018）“，“期刊标题”：“IEEE Trans。模式分析。机器。智力。“}，{”key“：”1003_CR130“，”unstructured“：”Child，R.，Gray，S.，Radford，A.，Sutskever，I.：使用稀疏变换器生成长序列。arXiv预打印arXiv:1904.10509（2019）“}”，{“key”：“1003_CR131”，“doi-asserted-by”：“crossref”，”unsructured”：“”Sandler，M.、Howard，A.、Zhu，M.，Zhmoginov，A.、Chen，L.-C.：Mobilenetv2：倒置残差和线性瓶颈。摘自：IEEE计算机视觉和模式识别会议记录，第4510\u20134520页（2018）“，”DOI“：”10.1109\/CVPR.2018.00474“}，{“key”：“1003_CR132”，“DOI-asserted-by”：“crossref”，“unstructured”：“Howard，A.、Sandler，M.、Chu，G.、Chen，L.-C.、Chen、B.、Tan，M.，Wang，W.、Zhu，Y.、Pang，R.、Vasudevan，V.：搜索mobilenetv3。收录于：IEEE计算机视觉国际会议论文集，第1314\u20131324（2019）页“，”DOI“：”10.1109\/ICCV.2019.00140“}，{“key”：“1003_CR133”，“DOI-asserted-by”：“crossref”，“unstructured”：“Ma，N.，Zhang，X.，Zheng，H.-T.，Sun，J.：Shufflenet v2:高效cnn架构设计的实用指南。摘自：《欧洲计算机视觉会议论文集》，第116\u2013131（2018）页“，“DOI”：“10.1007\/978-3-030-01264-9_8”}，{“key”：“1003_CR134”，“unstructured”：“Sun，K.，Li，M.，Liu，D.，Wang，J.：Igcv3:高效深层神经网络的交错低阶群卷积。摘自：英国机器视觉会议论文，101，（2018）“}，{”key“：”1003_CR135“，”doi-asserted-by“：”crossref“，”unstructured“：”Zhang，X.，Zhou，X.、Lin，M.、Sun，J.：Shufflenet:一种用于移动设备的极为高效的卷积神经网络。摘自：IEEE\/CVF计算机视觉和模式识别会议论文集，第6848\u20136856页（2018）“，”doi“：”10.1109\/CVPR.2018.00716“}”，{“key”：“”1003_CR136“，”doi-asserted-by“：”crossref“，”unstructured“：”Zhang，T.，Qi，G.-J.，Xiao，B.，Wang，J.：交错群卷积。摘自：IEEE计算机视觉国际会议论文集，第4373\u20134382页（2017）“，“DOI”：“10.1109\/ICCV.2017.469”}，{“key”：“1003_CR137”，“DOI-asserted-by”：“crossref”，“unstructured”：“Huang，G.，Liu，S.，Van der Maaten，L.，Weinberger，K.Q.：凝聚：使用学习群卷积的高效密集集。收录于：IEEE计算机视觉和模式识别会议记录，第2752\u20132761页（2018）“，“DOI”：“10.1109\/CVPR.2018.00291”}，{“key”：“1003_CR138”，“DOI-asserted-by”：“crossref”，“unstructured”：“Zhang，Z.，Li，J.，Shao，W.，Peng，Z.Z.，Zang，R.，Wang，X.，Luo，P.：通过可分组卷积神经网络的不同学习到组的通道。摘自：IEEE计算机视觉国际会议论文集，第3542\u20133551（2019）页“，”DOI“：”10.1109\/ICCV.2019.00364“}，{“key”：“1003_CR139”，“first page”：”19974“，”volume“：”34“，”author“：”T Chen“，”year“：”2021“，”unstructured“：”Chen，T.、Cheng，Y.、Gan，Z.、Yuan，L.、Zhang，L.和Wang，Z.：视觉变换器中的稀疏性追逐：端到端探索。高级神经。信息处理。系统。34，19974\u201319988（2021）“，“新闻标题”：“高级神经。信息处理。系统。“}，{“key”：“1003_CR140”，“unstructured”：“Evci，U.，Gale，T.，Menick，J.，Castro，P.S.，Elsen，E.：操纵彩票：制作所有彩票中奖人。摘自：《机器学习国际会议论文集》，第2943\u20132952（2020）页”}，}卷：“8”，“作者”：“L Wu”，“年份”：“2021”，“非结构化”：“Wu，L.，Lin，X.，Chen，Z.，Huang，J.，Liu，H.，Yang，Y.：一种高效的二进制卷积神经网络，具有许多跳跃连接，用于fog计算。IEEE Internet Things J.8，11357\u201311367（2021）“，“journal-title”：“IEEE Internet Things J.”}，{“key”：“1003_CR142”，“doi-asserted-by”：“crossref”，“unstructured”：“Singh，P.，Namboodiri，V.P.：SkipConv：计算效率高的深层CNN的跳过卷积。摘自：2020年国际神经网络联合会议（IJCNN）论文集，pp.1\u20138（2020）“，“DOI”：“10.1109\/IJCNN48605.2020.9207705”}，{“key”：“1003_CR143”，“unstructured”：“Raghu，M.，Unterthiner，T.，Kornblith，S.，Zhang，C.，Dosovitskiy，A.：视觉变换器看到的是卷积神经网络吗？高级神经信息处理系统34，12116\u201312128（2021）”}Dong，Y.，Cordonnier，J.-B.，Loukas，A.：注意力并不是你所需要的全部：纯粹的注意力会随着深度成倍地降低排名。摘自：《机器学习国际会议论文集》，第2793\u20132803（2021）页“}，{“key”：“1003_CR145”，“doi-asserted-by”：“crossref”，“unstructured”：“Hosseini，H.，Xiao，B.，Poovendran，R.：谷歌的云视觉api对噪音不稳定。摘自：第16届IEEE机器学习与应用国际会议（ICMLA）论文集，第101\u2013105页（2017）“，”DOI“：”10.1109\/IMLA.2017.0-172“}，{“key”：“1003_CR146”，“unstructured”：“Recht，B.，Roelofs，R.，Schmidt，L.，Shankar，V.：CIFAR-10分类器是否概括为CIFAR-10？arXiv预印本arXiv:1806.00451（2018）”}，“key“：”1003_CR147“，“非结构化”：“Morrison，K.，Gilby，B.，Lipchak，C.，Mattioli，A.，Kovashka，A.：探索腐败稳健性：视觉变压器和MLP-Mixers中的感应偏见。arXiv预印本arXiv:2106.13122（2021）“}，{“key”：“1003_CR148”，“doi-asserted-by”：“crossref”，“unstructured”：“Cubuk，E.D.，Zoph，B.，Mane，D.，Vasudevan，V.，Le，Q.V.：自动增强：从数据中学习增强策略。摘自：IEEE\/CVF计算机视觉和模式识别会议论文集，第113\u2013123（2019）页”，“doi”：“10.1109\/CVPR.2019.00020“}，{“key”：“1003_CR149”，“unstructured”：“Hendrycks，D.，Mu，N.，Cubuk，E.D.，Zoph，B.，Gilmer，J.，Lakshminarayanan，B.：Augmix：一种提高稳健性和不确定性的简单数据处理方法。In:Proceedings of the International Conference on Learning Representations（2020）”}，}crossref”，“非结构化”：“Hendrycks，D.，Basart，S.，Mu，N.，Kadavath，S.、Wang，F.、Dorundo，E.、Desai，R.、Zhu，T.、Parajuli，S.和Guo，M.：稳健性的多方面：分布外泛化的批判性分析。收录于：IEEE计算机视觉国际会议论文集，第8340页，20138349（2021）“，”DOI“：”10.1109“/ICCV48922.2021.00823“}，{“key”：“1003_CR151”，“unstructured”：“DeVries，T.，Taylor，G.W.：改进的带截断的卷积神经网络正则化。arXiv预印本arXiv:1708.04552（2017）”}，“key“：”1003_CR152“，”doi-asserted-by“：”crossref“，”unstructured“：”Yun，S.，Han，D.，Oh，S.J.，Chun，S，Choe，J.，Yoo，Y.：Cutmix：训练具有可本地化特征的强分类器的正则化策略。摘自：IEEE计算机视觉国际会议论文集，第6023\u20136032（2019）页“，”DOI“：”10.1109\/ICCV.2019.00612“}，{“key”：“1003_CR153”，“unstructured”：“Zhang，H.，Cisse，M.，Dauphin，Y.N.，Lopez-Paz，D.：混淆：超越经验风险最小化。In:Proceedings of the International Conference on Learning Representations（2018）“}，{“key”：“1003_CR154”，“doi-asserted-by”：“crossref”，“unstructured”：“Cubuk，E.D.，Zoph，B.，Mane，D.，Vasudevan，V.，Le，Q.V.：自动增强：从数据中学习增强策略。arXiv预印本arXiv:1805.09501（2018）”，“doi”：“10.1109\/CVPR.2019.00020”}1003_CR155“，“非结构化”：“Lopes，R.G.，Yin，D.，Poole，B.，Gilmer，J.，Cubuk，E.D.：通过增加面片高斯，在不牺牲精度的情况下提高鲁棒性。arXiv预印本arXiv:1906.02611（2019）“}，{“key”：“1003_CR156”，“unstructured”：“Verma，V.，Lamb，A.，Beckham，C.，Najafi，A1003_CR157”，“非结构化”：“Raghunathan，A.，Xie，S.M.，Yang，F.，Duchi，J.C.，Liang，P.：对抗性训练会损害泛化。arXiv-print arXiv:1906.06032（2019）“}，{“key”：“1003_CR158”，“doi-asserted-by”：“crossref”，“unstructured”：“Modas，A.，Rade，R.，Ortiz-Jim\u00e9nez，G.，Moosavi-Dezfouli，S.-M.，Frossard，P.：PRIME:一些基本体可以增强对常见损坏的鲁棒性。arXiv:2112.13547（2021）”，“doi”：“10.1007\/978-3031-19806-9_36”}，{“键”：“1003_CR159“，”doi-asserted-by“：”publisher“，”first page“：”1849“，”doi“：”10.1109\/LSP.2015.2438008“，”volume“：“22”，”author“：”J Chen“，”year“：”2015“，”unstructured“：”Chen，J.，Kang，X.，Liu，Y.，Wang，Z.J.：基于卷积神经网络的中值过滤取证。IEEE信号处理。莱特。22，1849\u20131853（2015）“，“日志标题”：“IEEE信号处理。莱特。“}，{”key“：”1003_CR160“，”doi-asserted-by“：”crossref“，”unstructured“：”Bayar，B.，Stamm，M.C.：使用新卷积层进行通用图像操作检测的深度学习方法。摘自：《第四届ACM信息隐藏和多媒体安全研讨会论文集》，pp.5\u201310（2016）“，”doi“：”10.1145\/2909827.2930786“}”，{“key”：“”1003_CR161“，”doi-asserted-by“：”crossref“，”unstructured“：”Rao，Y.，Ni，J.：检测图像中拼接和复制移动伪造的深度学习方法。摘自：2016年IEEE信息取证与安全国际研讨会论文集，第1\u20136页（2016）“，“DOI”：“10.1109\/WIFS.2016.7823911”}，{“key”：“1003_CR162”，“DOI-asserted-by”：“crossref”，“unstructured”：“Bappy，J.H.，Roy-Chowdhury，A.K.，Bunk，J.，Nataraj，L.，Manjunath，B.：利用空间结构定位操纵图像区域。摘自：IEEE计算机视觉国际会议论文集，第4970\u20134979页（2017）“，“DOI”：“10.1109\/ICCV.2017.532”}，{“key”：“1003_CR163”，“DOI-asserted-by”：“crossref”，“unstructured”：“Wu，Y.，AbdAlmageed，W.，Natarajan，P.：Mantra-net：检测和定位具有异常特征的图像伪造的操纵跟踪网络。收录于：IEEE计算机视觉和模式识别会议论文集，第9543\u20139552（2019）页，“DOI”：“10.1109\/CVPR.2019.00977”}，{“key”：“1003_CR164”，“DOI-asserted-by”：“crossref”，“unstructured”：“Zhou，P.，Han，X.，Morariu，V.I.，Davis，L.S.：学习图像操作检测的丰富功能。摘自：IEEE计算机视觉和模式识别会议记录，第1053\u20131061（2018）页“，”DOI“：”10.1109\/CVPR.2018.00116“}，{“key”：“1003_CR165”，“DOI-asserted-by”：“crossref”，“unstructured”：“Bi，X.，Zhang，Z.，Xiao，B.：用于图像拼接伪造检测和定位的现实变换对抗生成器。收录于：IEEE计算机视觉国际会议论文集，第14294\u201314303（2021）页“，”DOI“：”10.1109\/ICCV48922.2021.01403“}，{”key“：”1003_CR166“，”DOI-asserted-by“：”crossref“，”unstructured“：”Hao，J.，Zhang，Z.，Yang，S.，Xie，D.，Pu，S.：法医学：图像伪造定位与高度自我关注。收录于：IEEE计算机视觉国际会议论文集，第15055\u201315064（2021）页，“DOI”：“10.1109”，{“key”：“1003_CR167”，“DOI-asserted-by”：“crossref”，“unstructured”：“Nguyen，E.，Bui，T.，Swaminathan，V.，Collomosse，J.：OSCAR-Net：图像属性的以对象为中心的场景图形关注。收录于：IEEE计算机视觉国际会议论文集，第14499页\u201314508（2021）“，“DOI”：“10.1109”\/ICCV48922.2021.01423“}，{“key”：“1003_CR168”，“DOI-asserted-by”：“crossref”，“unstructured”：“Bhojanapalli，S.、Chakrabarti，A.、Glassner，D.、Li，D.、Unterthiner，T.、Veit，A.：了解图像分类变压器的鲁棒性。摘自：IEEE计算机视觉国际会议论文集，第10231\u201310241（2021）页，“DOI”：“10.1109”，{“key”：“1003_CR169”，“unstructured”：“Szegedy，C.、Zaremba，W.、Sutskever，I.、Bruna，J.、Erhan，D.、Goodfellow，I.和Fergus，R.：神经网络的有趣特性。In:Proceedings of the International Conference on Learning Representations（2013）“}，{“key”：“1003_CR170”，“unstructured”：“Shaham，U.，Yamada，Y.，Negahban，S.：理解对抗训练：通过稳健优化提高神经网络的局部稳定性。arXiv预印本arXiv:1511.05432crossref”，“非结构化”：“Moosavi-Dezfouli，S.-M.，Fawzi，A.，Frossard，P.：Deepfoul：愚弄深层神经网络的简单而准确的方法。摘自：IEEE计算机视觉和模式识别会议记录，第2574\u20132582页（2016）“，”DOI“：”10.1109\/CVPR.2016.282“}，{”key“：”1003_CR172“，”unstructured“：”Tram\u00e8r，F.，Kurakin，A.，Papernot，N.，Goodfellow，I.，Boneh，D.，McDaniel，P.：合奏对抗性训练：攻击和防御。arXiv预印本arXiv:1705.07204（2017）“}，{“key”：“1003_CR173”，“unstructured”：“Wong，E.，Rice，L.，Kolter，J.Z.：快速胜于自由：重温对抗性训练。In：《学习代表性国际会议论文集》（2020）”}Madry，A.，Makelov，A.，Schmidt，L.，Tsipras，D.，Vladu，A.：建立抵抗对抗性攻击的深度学习模型。摘自：《学习表征国际会议论文集》（2018）“}，{“key”：“1003_CR175”，“first page”，“227”，“volume”：”32“，“author”：“D Zhang”，“year”：“2019”，“unstructured”：“Zhang，D.，Zhang、T.，Lu，Y.，Zhu，Dong，B.：你只传播一次：通过最大化原理加速对抗训练。Adv.Neural.Inf。过程。系统。32，227\u2013238（2019）“，“新闻标题”：“高级神经。信息处理。系统。}，{“key”：“1003_CR176”，“doi-asserted-by”：“crossref”，“unstructured”：“Shell，K.：蓬特里亚金最大值原理在经济学中的应用。数学系统理论与经济学I/II，第241\u2013292页。Springer（1969）“，“DOI”：“10.1007\/978-3-642-46196-5_12”}，{“key”：“1003_CR177”，“unstructured”：“Zhang，H.，Yu，Y.，Jiao，J.，Xing，E.，El Ghaoui，L.，Jordan，M.：稳健性和准确性之间的理论原则性权衡。摘自：《国际机器学习会议论文集》，第7472\u20137482页非结构化”：“Cisse，M.，Bojanowski，P.，Grave，E.，Dauphin，Y.，Usunier，N.：Parseval网络：提高对抗性示例的鲁棒性。在：《国际机器学习大会论文集》，第854\u2013863（2017）页“｝，｛“key”：“1003_CR179”，“first page”：“417”，“volume”：“31”，“author”：“Z Yan”，“year”：“2018”，“nonstructured”：“Yan，Z.，Guo，Y.，Zhang，C.：深度防御：训练具有提高对抗鲁棒性的dnns。Adv.Neural.Inf.Process.Syst.31417\u2013426（2018）”新闻标题“：”高级神经。信息处理。系统。“}，{”key“：”1003_CR180“，”first page“：“8322”，“volume”：“31”，“author”：“Y Song”，“year”：“2018”，“unstructured”：“Song，Y.，Shu，R.，Kushman，N.，Ermon，S.：用生成模型构建无限制的对抗性示例。Adv.Neural.Inf.Process.Syst.31，8322\u20138333（2018）”，“journal-title”：“Adv.Neral.Inf.Process.Syst.”}，}”key:“”1003_CR181“，“非结构化”：“Samangouei，P.，Kabkab，M.，Chellappa，R.：防御型：使用生成模型保护分类器免受对手攻击。在：《国际学习表征大会论文集》，第1\u201317（2018）页“｝，｛“key”：“1003_CR182”，“非结构化”：“Mu，N.，Wagner，D.：用稳健的自我注意防御对抗性补丁。在：ICML 2021深度学习中的不确定性和稳健性研讨会（2021）”｝，｛“key”：“1003_CR183”，“非结构化”：“Wickramanayake，S.，Hsu，W.，Lee，M.L.：走向完全可解释的深层神经网络：我们已经到了吗？arXiv预印本arXiv:2106.13164（2021）“}，{“key”：“1003_CR184”，“doi-asserted-by”：“crossref”，“unstructured”：“Zhou，B.，Khosla，A.，Lapedriza，A.，Oliva，A.，Torralba，A.：学习区分性定位的深层特征。摘自：IEEE\/CVF计算机视觉和模式识别会议论文集，pp.2921\u20132929（2016）”，“doi”：“10.1109\/CVPR.2016.319“}，{“key”：“1003_CR185”，“doi-asserted-by”：“crossref”，“unstructured”：“Selvaraju，R.R.，Cogswell，M.，Das，A.，Vedantam，R.，Parikh，D.，Batra，D.：Grad-cam：通过基于梯度的定位从深层网络中进行视觉解释。摘自：IEEE国际计算机视觉会议论文集，第618\u2013626页（2017）”，“DOI“：”10.1109\/ICCV.2017.74“}，{“key”：“1003_CR186”，“unstructured”：“Kim，B.、Wattenberg，M.、Gilmer，J.、Cai，C.、Wexler，J.和Viegas，F.：特征属性之外的可解释性：用概念激活向量进行定量测试（tcav）。摘自：《国际机器学习会议论文集》，pp.2668\u20132677（2018）”}1003_CR187“，”doi-asserted-by“：”crossref“，”unstructured“：”Zheng，H.，Fu，J.，Mei，T.，Luo，J.：学习多注意卷积神经网络用于细粒度图像识别。摘自：IEEE计算机视觉国际会议论文集，第5209\u20135217页。（2017）“，”DOI“：”10.1109\/ICCV.2017.557“}，{“key”：“1003_CR188”，“DOI-asserted-by”：“crossref”，“unstructured”：“Huang，Z.，Li，Y.：通过区域分组实现可解释和准确的细粒度识别。摘自：IEEE计算机视觉与模式识别会议论文集，第8662\u20138672页（2020）”，“DOI”：“10.1109\/CVPR42600.2020.00869”}，{“问题”：“3”，“关键”：“1003_CR189”，“首页”：“2431”，“卷”：“25”，“作者”：“V Pillai”，“年份”：“2021”，“非结构化”：“Pillai，V.，Pirsiavash，H.：解释一致的可解释模型。UMBC学生收藏25（3），2431\u20132439，“非结构化”：“Chefer，H.，Gur，S.，Wolf，L.：关注可视化之外的变压器可解释性。摘自：IEEE计算机视觉和模式识别会议论文集，第782\u2013791（2021）页”，“DOI”：“10.1109”，{“key”：“1003_CR191”，“DOI-asserted-by”：“publisher”，“first-page”：“1084”，“DOI”：“10.1007\/s11263-017-1059-x”，“volume”：“126”，“author”：“J Zhang”，“year”：“2018”，“unstructured”：“Zhang，J.、Bargal，S.A.、Lin，Z.、Brandt，J.，Shen，x.、Sclaroff，S.：通过激发backprop.Int.J.Compute.Vis.126、1084\u20131102（2018）”，“journal-title”：“Int.J.Compute.Vis.”}，{“key”：”1003_CR192“，“doi-asserted-by”：“crossref”，“unstructured”：“Williford，J.R.，May，B.B.，Byrne，J.：可解释的人脸识别。摘自：《欧洲计算机视觉会议论文集》，第248\u2013263页。Springer（2020）“，“DOI”：“10.1007\/978-3-030-58621-8_15”}，{“key”：“1003_CR193”，“unstructured”：“Petsiuk，V.，Das，A.，Saenko，K.：Rise:解释黑盒模型的随机输入采样。arXiv预印本arXiv:1806.07421（2018）”}Smilkov，D.，Thorat，N.，Kim，B.，Vi\u00e9gas，F.，Wattenberg，M.：Smoothgrad：通过添加噪音消除噪音。arXiv预印本arXiv:1706.03825（2017）“}，{“key”：“1003_CR195”，“unstructured”：“Springenberg，J.T.，Dosovitskiy，A.，Brox，T.，Riedmiller，M.：争取简单性：全卷积网络。In:国际学习代表大会研讨会论文集（2015）”}，}10.1371，“journal.pone.0130140”，“volume”：“10”，“author”：“S Bach”，“year”：“2015”，“unstructured”：“Bach，S.，Binder，A.，Montavon，G.，Klauschen，F.，M\u00fcller，K.-R.，Samek，W.：通过分层相关传播对非线性分类器决策的像素解释。PLoS\u00a0One 10，e0130140（2015）“，“journal-title”：“PLoS\u 00a0one”}，{“key”：“1003_CR197”，“unstructured”：“Shrikumar，A.，Greenside，P.，Kundaje，A.：通过传播激活差异学习重要特征。摘自：《国际机器学习会议论文集》，第3145\u20133153页。（2017）“}，{“key”：“1003_CR198”，“unstructured”：“Sundararajan，M.，Taly，A.，Yan，Q.：深度网络的公理化归因。摘自：《国际机器学习会议论文集》，第3319\u20133328页（2017）”}，}，“key“：”1003_CR199“，”doi-asserted-by“：”crossref“，“unsructured“：”Li，O.，Liu，H.，Chen，C.，Rudin，C.：通过原型深入学习基于案例的推理：解释其预测的神经网络。摘自：《AAAI人工智能会议论文集》，第3530\u20133537页（2018）“，“DOI”：“10.1609\/AAAI.v32i1.11771”}，{“key”：“1003_CR200”，“DOI-asserted-by”：“crossref”，“unstructured”：“Ancona，M.，Ceolini，E.，\u00d6ztireli，C.，Gross，M.：更好地理解深度神经网络的基于梯度的属性方法。摘自：《学习表征国际会议论文集》（2018），“DOI”：“10.1007\/978-3-030-28954-6_9”}，{“key”：“1003_CR201”，“DOI-asserted-by”：“crossref”，“unstructured”：“Voita，E.，Talbot，D.，Moiseev，F.，Sennrich，R.，Titov，I.：分析多头自我关注：专业化的头会起重任，其余的可以修剪。摘自：《计算语言学协会年会论文集》，第5797\u20135808页（2019）“，”DOI“：”10.18653\/v1\/P19-1580“}，{“key”：“1003_CR202”，“first page”：”8928“，”volume“：”32“，”author“：”C Chen“，”year“：”2019“，”unstructured“：”Chen，C.，Li，O.，Tao，D.，Barnett，A.，Ruding，C.，Su，J.K.：这看起来像是：可解释图像识别的深度学习。高级神经。信息处理。系统。32，8928\u20138939（2019）“，“新闻标题”：“高级神经。信息处理。系统。“}，{”key“：”1003_CR203“，”unstructured“：”Koh，P.W.，Liang，P.：通过影响函数理解黑盒预测。摘自：机器学习国际会议论文集，第1885\u20131894页（2017）“}]，”container-title“：[”Multimedia Systems“]，”original-title”：[]，“language”：“en”，“link”：[{”URL“：”https:\/\/link.springer.com/content\/pdf\/10.1007\/s00530-022-01003-8.pdf“，“content-type”：“application\/pdf”，“content-version”：“vor”，“intended-application”：“text-mining”}，{“URL”：“https:\\\/link.sringer.com/article\/10.10007\/s0050-022-0103-8\/fulltext.html”，“content-type“：”text\/html“，”content-versiion“：”vor“，“：”text-mining“}，{“URL”：“https:\/\/link.springer.com/content\/pdf\/10.1007\/s00530-022-01003-8.pdf”，“content-type”：“application\/pdf”、“content-version”：“vor”，“intended-application”：“similarity-checking”}]，“deposed”：{“date-parts”：[2023,2,27]]，“date-time”：”2023-02-27T20:20:29Z“，“timestamp”：1677528629000}，“score”：1，“资源”：{“主资源”：}“URL”：”https:\/\/link.springer.com/10.1007\/s00530-022-01003-8“}}，”副标题“：[]，”短标题“：[]，”已发布“：{”日期部分“：[2022,10,19]]}，“引用计数”：203，“日志发布”：{“发布”：“2”，“发布-发布”：.doi.org \/10.1007\/s00530-022-01003-8“，”关系“：{}，”ISSN“：[”0942-4962“，”1432-1882“]，”issn-type“：[{”value“：”0942-4962“，”type“:”print“}，{”value“：”1432-1881“，”类型“：”electronic“}]，”subject“：[]，”published“：{”date-parts“：[2022,10,19]}，”assertion“：[[{“value”：“2022年5月2日”，”order“：1，”name“：”received“，”label“：”received“，“group”：{“name”：“Article History”，“label”：“Article”历史“}}，{“value”：“2022年9月7日”，“order”：2，“name”：“accepted“，”label“：”accepted”，“group”：{“name”：“Article History”，“label”：“文章历史”}}，{“value”：“2022年10月19日”，“订单”：3，“名称”：“first_online”，“标签”：“first online”，”group“：{”name“：”Article History“，”标签“：”文章历史“值”：“作者声明没有相互竞争的利益。“，”order“：2，”name“：”Ethics“，”group“：{”name“:”EthicsHeading“，”label“：”利益冲突“}}]}}