{“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”：[[2023,12,28]]，“日期-时间”：“2023-12-28T00:02:59Z”，“时间戳”：1703721779574}，“参考-计数”：66，“出版商”：“Springer Science and Business Media LLC”我“：“2023-10-12T00:00:00Z”，“timestamp”：1697068800000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“https:\\/www.springernature.com//gp\/researters\/text-and-data-mining”}，{“start”：{“date-parts”：[[2023,10,12]，“date-time”：“2023-10-12T00:00Z”，“timetamp”：69706880000}：“https:\/\/www.springernature.com/gp\/researters\/text-and-data-mining”}]，“资助者”：[{“DOI”：“10.13039\/501100001809”，“名称”：“中国国家科学基金会”，“DOI-asserted-by”：“crossref”，“奖项”：[“61602283”]}]，”content-domain“：{”domain“:[”link.springer.com“]，”cross-mark-restriction“：false}，”short-container-title“：[”Neural Process Lett“]，“published-print”：{“date-parts”：[[2023,12]]}，“DOI”：“10.1007\/s11063-023-11425-8”，“type”：“journal-article”，“created”：{“date-parts”：[2023,10,12]，“date-time”：“2023-10-12T12:02:33Z”，“timestamp”：1697112153000}，”page“：”12401-12419“update-policy”：”http://dx.DOI.org\/10.10007\/springer_crossmark _策略“，”源“：”Crossref“，”is-referenced-by-count“：0，“title”：[“CTLC:A Co-Training-Based Label Correction Method for Webly-Supervised Learning”]，“prefix”：“10.1007”，“volume”：“55”，“author”：[{“给定”：“薛帅”，“family”：“Lv”，“sequence”：“first”，“affiliation”：[]}，{“given”：”Mengyao“，“faily”：”Li“sequence:”additional“，“afliance”：[]}，“givent”：“如蒙”，“家庭”：“张”，“序列”：“additional”“”，“affiliation”：[]}，{“given”：“Ling”，“family”：“Gao”，“sequence”：“additional”，“affaliation”:[]}]，“member”：“297”，“published-on-line”：{“date-parts”：[[2023,10,12]}，“reference”：[{“key”：”11425_CR1“，“doi-asserted-by”：”publisher“unstructured”：“Yao Y，Chen T，Xie G-S，Zhang C，Shen F，Wu Q，Tang Z，ZhangJ（2021）弱监督语义分割的非独立区域对象挖掘。摘自：IEEE计算机视觉和模式识别会议记录，第2623\u20132632页。https:\/\/doi.org\/10.109\/CVPR46437.2021.00265“，”doi“：”10.1109\/CVPR 46437.20021.00265”}，{“key”：“11425_CR2”，“doi-asserted-by”：“publisher”，“doi”：“10.1016\/j.patcog.2020.107620”，“volume”：”110“，“author”：“Z Sun”，“year”：“2021”，“unstructured”：“Sun Z，Yao Y，Xiao j，Zhang L，ZhangJ，Tang Z（2021）利用文本查询进行动态可视化消歧。图案识别110:107620。https:\/\/doi.org\/10.1016\/j.patcog.2020.107620“，”journal-title“：”Pattern Recognit“}，{“key”：“11425_CR3”，“doi-asserted-by”：“crossref”，“unstructured”：“周T，王S，周Y，姚Y，李j，邵L（2020）零快照视频对象分割的运动注意转换。摘自：AAAI人工智能会议记录，第34卷，第13066\u201313073页。https:\/\/ojs.aaai.org\/index.php\/aaai\/aarticle\/view\/7008“，“DOI”：“10.1609\/aaai.v34i07.7008”}，{“key”：“11425_CR4”，“DOI-asserted-by”：“publisher”，“unstructured”：“姚Y，Sun Z，Shen F，Liu L，Wang L，Zhu F，Ding L，Wu G，Shao L（2019）基于关键字的图像搜索的动态视觉消歧，pp 996\u20131002。https:\/\/doi.org\/10.24963\/ijcai.2019\/140“，”doi“：”10.24963\/ijcai.219\/1四十“}，{“key”：“11425_CR5”，“doi-asserted-by”：“crossref”，“unstructured”：“张C，姚Y，刘H，谢G-S，舒X，周T，张Z，沈F，唐Z（2020）具有软更新滴训练的网络监督网络，用于细粒度视觉分类。摘自：AAAI人工智能会议记录，第34卷，第12781\u201312788页。https:\/\/ojs.aaai.org\/index.php\/aaai\/article\/view\/6973“，“DOI”：“10.1609\/aaai.v34i07.6973”}，{“问题”：“7”，“密钥”：“11425_CR6”，“DOI-asserted-by”：“发布者”，“首页”：“2348”，“DOI:”10.1109\/TNNLS.2020.296644“，“卷”：“31”，“作者”：“Y Yao”，“年份”：“2020”，“非结构化”：“姚毅、沈飞、谢庚、刘磊、朱飞、张杰、沈HT（2020）利用web图像进行多输出分类：从类别到子类别。IEEE Trans Neural Netw学习系统31（7）：2348\u20132360。https:\/\/doi.org\/10.109\/TNNLS.2020.2966644“，”journal-title“：”IEEE Trans Neural Netw Learn Syst“}，{”key“：”11425_CR7“，”doi-asserted-by“：”crossref“，”unstructured“：”Chen Y，Zhu X，Li W，Gong S（2020）班级分布不匹配下的半监督学习。摘自：AAAI人工智能会议记录，第34卷，第3569\u20133576页。https:\/\/ojs.aaai.org/\/index.php\/aaai\/article\/view\/5763”，“DOI”：“10.1609\/aaai.v34i04.5763”｝，｛“key”：“11425_CR8”，“nonstructured”：“Arpit D，Jastrz\u0119bski S，Ballas N，Krueger D，Bengio E，Kanwal MS，Maharaj T，Fischer A，Courville A，Bengio Y等（2017）深入研究深度网络中的记忆。摘自：机器学习国际会议，第233\u2013242页。PMLR公司。http:\/\/processes.mlr.press\/v70\/arpit17a.html“}，{“key”：“11425_CR9”，“doi-asserted-by”：“crossref”，“unstructured”：“姚Y，张J，沈F，杨W，黄P，唐Z（2018）发现和区分多义词的多重视觉意义。摘自：AAAI人工智能会议论文集，第32卷。https:\/\/www.aaai.org\/ocs\/index.php\/AAAAI\/AAAI18\/paper\/view\/16538“，“DOI”：“10.1609\/aaai.v32i1.11255”}，{“key”：“11425_CR10”，“unstructured”：“Malach E，Shalev-Shwartz S（2017）从\u201chow到update\u201d的解耦\u201chen，pp 960\u2013970“}，”{“密钥”：“1125_CR11”，“非结构化“：”Sukhbaatar S、Bruna J、Paluri M、Bourdev L、Fergus R（2014）《带噪声标签的卷积网络训练》。arXiv:1406.2080“}，{“key”：“11425_CR12”，“doi-asserted-by”：“publisher”，“unstructured”：“Patrini G，Rozza A，Krishna\u00a0Menon A，Nock R，Qu L（2017）《使深层神经网络对标签噪声鲁棒：一种损失修正方法》。摘自：IEEE计算机视觉和模式识别会议论文集，第1944\u20131952页。https:\/\/doi.org\/10.109\/CVPR.2017.240“，”doi“：”10.1109\/CVPR.2017.240“}，{”key“：”11425_CR13“，”unstructured“：”Goldberger J，Ben-Reuven E（2017）《使用噪声适配层训练深层神经网络》}，“key”：“11425_CR14”，“unstructure”：“Hendrycks D，Mazeika M，Wilson D，Gimpel K（2018）使用可信数据在严重噪声破坏的标签上训练深层网络，pp 10477\u201310486“}，{“key”：“11425_CR15”，“unstructured”：“Jiang L，Zhou Z，Leung T，Li L-J，Fei-Fei L（2018）Mentornet：学习数据驱动的课程，用于在损坏的标签上建立非常深入的神经网络。参见：机器学习国际会议，pp 2304\u20132313。PMLR。http:\/\/processes.mlr.press\/v80\/jiang18c.html“}，{“key”：“11425_CR16”，“unstructured”：“Ren M，Zeng W，Yang B，Urtasun R（2018）Learning to reweight examples for robust deep Learning。In:International conference on machine Learning，pp 4334\u20134343。PMLR公司。http:\/\/processes.mlr.press\/v80\/ren18a.html“}，{“key”：“11425_CR17”，“doi-asserted-by”：“publisher”，“unstructured”：“Sun Z，Hua X-S，Yao Y，Wei X-S，Hu G，Zhang J（2020）Crssc:从噪声数据中回收可重用样本以进行稳健学习。摘自：第28届ACM多媒体国际会议论文集，第92\u2013101页。https:\/\/doi.org\/10.1145\/3394171.3413978“，”doi“：”10.1145\/3394101.33978“}，{”key“：”11425_CR18“，”doi-asserted-by“：”publisher“，”unstructured“：”Wei H，Feng L，Chen X，An B（2020）通过协议与噪音标签作斗争：一种联合训练方法与联合规范。摘自：IEEE计算机视觉和模式识别会议记录，第13726\u201313735页。https:\/\/doi.org\/10.109\/CVPR42600.2020.01374“，”doi“：”10.1109\/CVPR 42600.2020.01374“}，{“key”：“11425_CR19”，“unstructured”：“Yu X，Han B，Yao J，Niu G，Tsang I，Sugiyama M（2019）不同意见如何有助于对标签腐败的概括？In:机器学习国际会议，pp 7164\u20137173。PMLR公司。http:\/\/procedures.mlr.press\/v97\/yu19b.html“}，{“key”：“11425_CR20”，“doi-asserted-by”：“publisher”，“unstructured”：“Xie Q，Luong M-T，Hovy E，Le QV（2020）有噪音学生的自我训练提高了图像网分类。摘自：IEEE \/CVF计算机视觉和模式识别会议论文集，pp 10687\u201310698。https:\/\/doi.org\/10.109\/CVPR42600.2020.01070“，”doi“：”10.1109\/CVPR12600.2020.01070“}，{“key”：“11425_CR21”，“unstructured”：“Han B，Yao Q，Yu X，Niu G，Xu M，Hu W，Tsang IW，Sugiyama M（2018）Co-teaching:用极其嘈杂的标签对深层神经网络进行稳健训练，pp 8536\u20138546“}”，{”issue“：”3“，”key“：”“11425-CR22”，“doi由“：”插入publisher“，”first page“：”107“，”DOI“：”10.1145 \/3446776“，”volume“：“64”，”author“：”C Zhang“，”year“：”2021“，”unstructured“：”Zhang C，Bengio S，Hardt M，Recht B，Vinyals O（2021）理解深度学习（仍然）需要重新思考泛化。通信ACM 64（3）：107\u2013115。https:\/\/doi.org\/10.1145\/3446776“，”journal-title“：”Commun ACM“}，{”key“：”11425_CR23“，”doi-asserted-by“：”crossref“，”unstructured“：”Gan C，Sun C，Nevatia R（2017）甲板：从网络图像中发现事件合成知识，以便在视频中进行零快照事件检测和重新计数。摘自：AAAI人工智能会议记录，第31卷。http://\/aaai.org\/ocs\/index.php\/aaai\/AAAII7\/paper\/view\/14624“，“DOI”：“10.1609\/aaai.v31i1.11222”}，{“key”：“11425_CR24”，“DOI-asserted-by”：“publisher”，“unstructured”：“Gan C，Sun C，Duan L，Gong B（2016）通过对相关网络图像和网络视频帧进行相互投票的网络监督视频识别。摘自：《计算机视觉学报》，2016年10月11日至14日，荷兰阿姆斯特丹，第三部分，第14届欧洲会议。施普林格，第849\u2013866页。https:\/\/doi.org\/10.1007\/978-3-319-46487-9_52“，”doi“：”10.1007\/9783-319-46487-9_52“}，{“key”：“11425_CR25”，“doi-asserted-by”：“publisher”，“unstructured”：“Zhang C，Yao Y，Zhang J，Chen J，Huang P，ZhangJ，Tang Z（2020）用于细粒度视觉分类的网络监督网络。2020年IEEE多媒体与博览会国际会议（ICME）。IEEE，第1\u20136页。https:\/\/doi.org\/10.109\/IME46284.2020.9102790“，”doi“：”10.1109\/IME460284.2020.102790“}，{”key“：”11425_CR26“，”doi-asserted-by“：”publisher“，”first page“：“1198”，“doi”：“10.1109\/TMM.2021.3134156”，“volume”：“24”，“author”：“C Zhang”，“year”：“2022”，“unstructured”：“Zhang C，Wang Q，Xie G，Wu Q，Shen F、Tang Z（2022）通过数据净化从含噪web图像中进行稳健学习以实现细粒度识别。IEEE跨多模式24:1198\u20131209。https:\/\/doi.org/10.1109\/TM.2021.3134156”，“期刊标题”：“IEEE跨多媒体”}，｛“key”：“11425_CR27”，“doi断言”：“crossref”，“非结构化”：“Sun Z，Yao Y，Wei X，Shen F，Liu H，Hua X-S（2022）通过在嘈杂的网络数据中利用可重复使用的样本来促进鲁棒学习。IEEE跨多媒体”，“doi”：“10.1109\/TM.2022.3158001”}，｛“key”：“11425_CR28“，”doi-asserted-by“：”publisher“，”doi“：”10.1016\/j.patcog.2022.109063“，”volume“：”134“，“author”：“Z Cai”，“year”：“2023”，“unstructured”：“Cai Z，Xie G，Huang X，Huangd D，Yao Y，Tang Z（2023）从噪声web数据中稳健学习以实现细粒度识别。图案设计134:109063。https:\/\/doi.org\/10.1016\/j.patcog.2022.109063“，”journal-title“：”Pattern Recogn“}，{”key“：”11425_CR29“，”doi-asserted-by“：”publisher“，”unstructured“：”Lam M，Mahasseni B，Todorovic S（2017）细粒度识别作为hsnet搜索信息图像部分。摘自：IEEE计算机视觉和模式识别会议记录，第2520\u20132529页。https:\/\/doi.org\/10.109\/CVPR.2017.688“，”doi“：”10.1109\/CVPR.2017.688“}，{”issue“：”10“，”key“：”11425_CR30“，”doi-asserted-by“：”publisher“，”first page“：“4858”，”doi:“10.1109\/TIP.2016.2599102”，“volume”：“25”，“author”：“H Yao”，“year”：“2016”，“unstructured”：“Yao H，Zhang S，Zhang-Y，Li J，田Q（2016）细粒度视觉分类的粗到细描述。IEEE Trans Image Process 25（10）：4858\u20134872。https:\/\/doi.org\/10.109\/TIP.2016.2599102“，”journal-title“：”IEEE Trans-Image Process“}，{“key”：“11425_CR31”，“doi-asserted-by”：“publisher”，“first page”：”704“，”doi“：”10.1016\/j.patcog.2017.10.002“，”volume“：”76“，”author“：”X Wei“，”year“：”2018“，”unstructured“：”Wei X，Xie C，Wu j，Shen C（2018）Mask-cnn：为细粒度鸟类物种分类定位部分并选择描述符。模式识别器76:704\u2013714。https:\/\/doi.org\/10.1016\/j.patcog.2017.10.002“，”journal-title“：”Pattern Recognit“}，{”key“：”11425_CR32“，”doi-asserted-by“：”publisher“，”unstructured“：”郑H，付j，梅T，罗j（2017）学习用于细粒度图像识别的多关注卷积神经网络。摘自：IEEE计算机视觉国际会议论文集，第5209\u20135217页。https:\/\/doi.org\/10.109\/ICCV.2017.557“，”doi“：”10.1109\/ICCV.2017.557“}，{”key“：”11425_CR33“，”doi-asserted-by“：”publisher“，”unstructured“：”Lin T-Y，RoyChowdhury A，Maji S（2015）《用于细粒度视觉识别的双线性CNN模型》。摘自：IEEE计算机视觉国际会议论文集，第1449\u20131457页。https:\/\/doi.org\/10.109\/ICCV.2015.170“，”doi“：”10.1109\/ICCV.2015.170“}，{”key“：”11425_CR34“，”doi-asserted-by“：”publisher“，”unstructured“：”Wang Y，Morariu VI，Davis LS（2018）学习CNN中的区分性过滤器库以进行细粒度识别。摘自：IEEE计算机视觉和模式识别会议记录，第4148\u20134157页。https:\/\/doi.org\/10.109\/CVPR.2018.00436“，”doi“：”10.1109\/CVPR.2018.00436“}，{”key“：”11425_CR35“，”doi-asserted-by“：”publisher“，”unstructured“：”Simon M，Rodner E（2015）神经激活星座：使用卷积网络的无监督零件模型发现。摘自：IEEE计算机视觉国际会议论文集，第1143\u20131151页。https:\/\/doi.org\/10.109\/ICCV.2015.136“，”doi“：”10.1109\/ICCV.2015.136“}，{“问题”：“4”，“密钥”：“11425_CR36”，“doi-asserted-by”：“publisher”，“首页”：“1713”，“doi”：“10.1109\/TIP.2016.2531289”，“卷”：“25”，“作者”：“Y Zhang”，“年份”：“2016”，“非结构化”：“Zhang Y，Wei X，Wu J，Cai J，Lu J，Nguyen VA，Do MN（2016年）基于部分图像表示的弱监督细粒度分类。IEEE Trans-Image Process 25（4）：1713\u20131725。https:\/\/doi.org\/10.109\/TIP.2016.2531289“，”journal-title“：”IEEE Trans-Image Process“}，{”key“：”11425_CR37“，”doi-asserted-by“：”publisher“，”unstructured“：”Xu Z，Huang S，Zhang Y，Tao D（2015）使用web数据加强对细粒度分类的有力监督。摘自：IEEE计算机视觉国际会议论文集，第2524\u20132532页。https:\/\/doi.org\/10.109\/ICCV.2015.290“，”doi“：”10.1109\/ICCV.2015.290“}，{”key“：”11425_CR38“，”doi-asserted-by“：”publisher“，”unstructured“：”Niu L，Veeraraghavan A，Sabharwal A（2018）网络监督学习满足零快照学习：一种用于细粒度分类的混合方法。摘自：IEEE计算机视觉和模式识别会议记录，第7171\u20137180页。https:\/\/doi.org\/10.109\/CVPR.2018.00749“，”doi“：”10.1109\/CVPR.2018.00749“}，{“key”：“11425_CR39”，“doi-asserted-by”：“publisher”，“unstructured”：“崔Y，周F，林Y，Belongie S（2016）细粒度分类和数据集引导，使用深度度量学习，并在循环中进行人工操作。摘自：IEEE计算机视觉和模式识别会议记录，第1153\u20131162页。https:\/\/doi.org\/10.109\/CVPR.2016.130“，”doi“：”10.1109\/CVPR.2016.130“}，{”key“：”11425_CR40“，”unstructured“：”Ma X，Wang Y，Houle ME，Zhou S，Erfani S，Xia S，Wijewickrema S，Bailey J（2018）Dimensionaly-driven learning with noise labels.In:International conference on machine learning。PMLR，pp 3355\u20133364。http://\/processes.mlr.press\/v80\/ma18d.html“}，{”key“：”11425_CR41“，”doi-asserted-by“：”publisher“，”unstructured“：”Yi K，Wu J（2019）《使用噪声标签进行学习的概率端到端噪声校正》。摘自：IEEE\/CVF计算机视觉和模式识别会议论文集，第7017\u20137025页。https:\/\/doi.org\/10.109\/CVPR.2019.00718“，“doi”：“10.1109\/CVPR.2019.00718”}，{“key”：“11425_CR42”，“doi-asserted-by”：“crossref”，“unstructured”：“Ghosh A，Kumar H，Sastry PS（2017）深度神经网络标签噪声下的鲁棒损失函数。摘自：AAAI人工智能会议论文集，第31卷。http:\/\/aai.org\/ocs\/index.php \/aaai\/AAAI17\/ppaper\/view\/14759”，“DOI”：“10.1609\/aai.v31i1.10894”｝，｛“key”：“11425_CR43”，“nonstructured”：“Zhang Z，Sabuncu MR（2018）用噪声标签训练深度神经网络的广义交叉熵损失，第8792\u20138802页”｝，｛“key”：“11425_CR44”，“DOI asserted by”：“publisher”，“nonstructured”：“Wang Y，Ma X，Chen Z，Luo Y，Yi J，Bailey J（2019）带噪声标签的鲁棒学习的对称交叉熵。摘自：IEEE计算机视觉国际会议论文集，第322\u2013330页。https:\/\/doi.org\/10.109\/ICCV.2019.00041“，”doi“：”10.1109\/ICCV.2019.00041“}，{”key“：”11425_CR45“，”unstructured“：”Song H，Kim M，Lee J-G（2019）Selfie:翻新不干净样本以实现稳健的深度学习。In:机器学习国际会议。PMLR，pp 5907\u20135915。http:\/\/processes.mlr.press\/v97\/song19b.html“}，{“key”：“11425_CR46”，“unstructured”：“Li J，Socher R，Hoi SC（2020）Dividemix:使用噪音标签的学习作为半监督学习。arXiv:2002.07394”}，}“issue”：“5”，“key“：”11425_CR47“，”doi-asserted-by“：”publisher“，”首页“：”1100“，“doi”：“10.1109\/TPAMI.2016.2637331”，“volume”：“40”，“作者”：“Z Xu”，“年份”：“2016年”，“非结构化”：“Xu Z，Huang S，Zhang Y，Tao D（2016）Webly-通过深度域自适应监督细粒度视觉分类。IEEE Trans-Pattern Ana Mach Intell 40（5）：1100\u20131113“，”journal-title“：”IEEE Trans-Pattern ANA Mach Intel}，{“key”：“11425_CR48”，“unstructured”：“Zhang H，Ciss\u00e9 M，Dauphin YN，Lopez-Paz D（2017）mixup：超越经验风险最小化。CoRR arxiv:1710.09412“}，”{“密钥”：“1125_CR49”，“doi-asserted-by”：“publisher”，“非结构化”：“Cubuk ED，Zoph B，Shlens J，Le QV（2020）Randegregart:减少搜索空间的实用自动数据增强。摘自：IEEE计算机视觉和模式识别研讨会会议记录，第702\u2013703页。https:\/\/doi.org\/10.109\/CVPRW50498.2020.00359“，”doi“：”10.1109\/CVPRV50498.020.00359“}，{“key”：“11425_CR50”，“doi-asserted-by”：“publisher”，“unstructured”：“Szegedy C，Vanhoucke V，Ioffe S，Shlens J，Wojna Z（2016）重新思考计算机视觉的初始架构。摘自：IEEE计算机视觉和模式识别会议记录，第2818\u20132826页。https:\/\/doi.org/10.1109\/CVPR.2016.308”，“doi”：“10.1109\/CVPR.2016.308”}，｛“key”：“11425_CR51”，“非结构化”：“Wah C，Branson S，Welinder P，Perona P，Belongie S（2011）The caltech ucsd birds-200-2011 dataset”｝，｛“key”：“11425_CR52”，“非结构化”：“Maji S，Rahtu E，Kannala J，Blaschko MB，Vedaldi A（2013）飞机的细粒度视觉分类。CoRR arxiv:1306.5151“}，{“key”：“11425_CR53”，“doi-asserted-by”：“publisher”，“unstructured”：“Krause J，Stark M，Deng J，Fei-Fei L（2013）细粒度分类的三维对象表示。摘自：IEEE计算机视觉研讨会国际会议论文集，pp 554\u2013561。https:\/\/doi.org\/10.109\/ICCVW.2013.77“，”doi“：”10.1109\/ICCVD.2013.77”}，{“key”：“11425_CR54”，“doi-asserted-by”：“crossref”，“unstructured”：“Huang S，Xu Z，Tao D，Zhang Y（2016）用于细粒度视觉分类的部分分类cnn。摘自：IEEE计算机视觉和模式识别会议记录，第1173\u20131182页。https:\/\/doi.org\/10.109\/CVPR.2016.132“，”doi“：”10.1109\/CVPR.2016.132“}，{”issue“：”10“，”key“：”11425_CR55“，”doi-asserted-by“：”publisher“，”first page“：“4858”，”doi:“10.1109\/TIP.2016.2599102”，“volume”：“25”，“author”：“H Yao”，“year”：“2016”，“unstructured”：“Yao H，Zhang S，Zhang-Y，Li J，田Q（2016）细粒度视觉分类的粗到细描述。IEEE Trans Image Process 25（10）：4858\u20134872。https:\/\/doi.org\/10.109\/TIP.2016.2599102“，”journal-title“：”IEEE Trans-Image Process“}，{“key”：“11425_CR56”，“doi-asserted-by”：“publisher”，“unstructured”：“傅J，郑H，梅T（2017）细粒度图像识别的递归注意卷积神经网络。摘自：IEEE计算机视觉和模式识别会议记录，第4438\u20134446页。https:\/\/doi.org\/10.109\/CVPR.2017.476“，”doi“：”10.1109\/CVPR.2017.476“}，{”key“：”11425_CR57“，”doi-asserted-by“：”publisher“，”unstructured“：”郑H，傅J，查Z，罗J（2019）《寻找细节中的魔鬼：学习细粒度图像识别的三线性注意采样网络》，pp 5012\u20135021。https:\/\/doi.org\/10.109\/CVPR.2019.00515“，”doi“：”10.1109\/CVPR.2019.00515“}，{“key”：“11425_CR58”，“doi-asserted-by”：“publisher”，“unstructured”：“Du R，Chang D，Bhunia AK，Xie J，Ma Z，Song Y，Guo J（2020）通过拼图补丁的渐进多粒度训练实现细粒度视觉分类，第12365卷，第153\u2013168页。https:\/\/doi.org\/10.1007\/978-3-030-58565-5_10“，”doi“：”10.1007\/978-30-58565-5_10“}，{“key”：“11425_CR59”，“doi-asserted-by”：“crossref”，“unstructured”：“崔Y，周F，林Y，Belongie S（2016）细粒度分类和数据集引导，使用深度度量学习，并在循环中进行人工操作。摘自：IEEE计算机视觉和模式识别会议论文集，第1153\u20131162页，“DOI”：“10.1109\/CVPR.2016.130”}，{“问题”：“5”，“关键”：“11425_CR60”，“DOI-asserted-by”：“出版商”，“首页”：“1100”，“DOI:“10.1109”，TPAMI.2016.2637331”，“卷”：“40”，“作者”：“Z Xu”，“年份”：“2018”，“非结构化”：“Xu Z，Huang S，Zhang Y，Tao D（2018）通过深度域适应实现网络监督的细粒度视觉分类。IEEE Trans-Pattern Ana Mach Intell 40（5）：1100\u20131113。https:\/\/doi.org\/10.109\/TPAMI.2016.2637331“，“journal-title”：“IEEE Trans-Pattern Ana Mach Intell”}，{“key”：“11425_CR61”，“doi-asserted-by”：“publisher”，“unstructured”：“Cui Y，Song Y，Sun C，Howard A，Belongie SJ（2018）大规模细粒度分类和特定域的迁移学习，第4109\u20134118页。https:\/\/doi.org\/10.109\/CVPR.2018.00432“，”doi“：”10.1109\/CVPR.2018.00432“}，{“key”：“11425_CR62”，“doi-asserted-by”：“publisher”，“unstructured”：“Zhang C，Yao Y，Shu X，Li Z，Tang Z，Wu Q（2020）基于数据驱动元集的细粒度视觉识别。收录：第28届ACM国际多媒体会议论文集，第2372\u20132381页。https:\/\/doi.org\/10.1145\/3394171.3414044“，”doi“：”10.1145\/339717.13.3414044“}，{”key“：”11425_CR63“，”doi-asserted-by“：”publisher“，”unstructured“：”牛L，李伟，徐D（2015）《通过网络数据学习的视觉识别：一种弱监督的领域泛化方法》，pp 2774\u20132783。https:\/\/doi.org\/10.109\/CVPR.2015.7298894“，”doi“：”10.1109\/CVPR.2015.7298894“}，{”key“：”11425_CR64“，”doi-asserted-by“：”publisher“，”first page“：“546”，“doi”：“10.1109\/TMM.2021.3055024”，“volume”：“24”，”author“：”H Liu“，”year“：”2022“，”unstructured“：”Liu H，Zhang C，Yao Y，Wei X，Shen F、唐哲、张杰（2022）通过消除开集噪声和利用硬示例，利用web图像进行细粒度视觉识别。IEEE Trans Multimed 24:546\u2013557。https:\/\/doi.org\/10.109\/TMM.2021.3055024“，“journal-title”：“IEEE Trans-Multimed”}，{“key”：“11425_CR65”，“doi-asserted-by”：“publisher”，“unstructured”：“Zhang C，Yao Y，Xu X，Shao J，Song J，Li Z，Tang Z（2021）通过数据净化从含噪web图像中提取有用知识以进行细粒度识别，第4063\u20134072页。https:\/\/doi.org\/10.1145\/3474085.3475536“，“doi”：“10.1145\/347485.3475536”}，{“key”：“11425_CR66”，“doi-asserted-by”：“publisher”，“unstructured”：“Sun Z，Hua X，Yao Y，Wei X，Hu G，Zhang J（2020）CRSSC:从噪声数据中回收可重用样本以进行稳健学习，第92\u2013101页。https:\/\/doi.org\/10.1145\/3394171.3413978“，”doi“：”10.1145\/33971.34139“}]，”container-title“：[”Neural Processing Letters“]，”original-title”：[]，”language“：”en“，”link“：[{”URL“：”https:\//link.springer.com\/content\/pdf\/10007\/s11063-023-11425-8.pdf“，”content-type“：”application\/pdf“，”content-version“：”vor，“预期应用程序”：文本挖掘”｝，｛“URL”：“https://link.springer.com\/article\/10.1007\/s1063-023-11425-8\/fulltext.html”，“内容类型”：“text\/html”，“内容版本”：“vor”，“预期应用程序”：“文本挖掘”｝，｛“URL”：“https://link.springer.com\/content/pdf\/10.1007\/s1063-023-11425-8.pdf”，“内容类型”：“application\/pdf”，“内容版本”：“vor”预期应用程序”：“相似性检查”}]，“存放”：｛“日期部分”：[[2023,12,27]，“日期-时间”：“2023-12-27T09:23:55Z”，“时间戳”：1703669035000｝，“分数”：1，“资源”：｛“主要”：｛“URL”：“https://link.springer.com\/10.1007\/s1063-023-11425-8”｝，“副标题”：[]，“短标题”：[]，“发布”：｛“日期部分”：[[2023,10,12]}，“引用计数”：66，”新闻期刊“：{”期刊“：“9”，“published-print”：{“date-parts”：[[2023,12]}}，“alternative-id”：[“11425”]，“URL”：“http://\/dx.doi.org\/10.1007\/s11063-023-11425-8”，“relation”：{}，”ISSN“：[”1370-4621“，”1573-773X“]，”ISSN-type“：[{”value“：”1370-4421“，“type”：“print”}，{“value“：“1573-773X”，“type”：“electronic”}]，“subject”：[]，“published”：{“date-parts”：[[2023,10,12]]}，“断言”：[{“value”：“2023年9月22日”，“order”：1，“name”：“accepted”，“label”：“accepted（接受）”，“group”：{“name”:“ArticleHistory”，“table”：“Article History（文章历史）”}}，{“value”：“12023年10月12日”