{“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”：[[2024,5,16]]，“日期-时间”：“2024-05-16T00:51:44Z”，“时间戳”：1715820704579}，“参考-计数”：212，“出版商”：“Springer Science and Business Media LLC”，“问题”：“3”，“许可证”：[{“开始”：{'日期-部件“：[2021,3,4]]，“时间”：“2021-03-04T00:00:00Z”，“timestamp”：1614816000000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/creativecommons.org\/licenses\/by\/4.0”}，{“start”：{“date-parts”：[[2021,3,4]]，“date-time”：“2021-03-04T00:00:00Z”，“timetamp”：614816000000}，”content-versiion“：”vor“，”delay-in-days“：0，”URL“https:\\/creative commons”。org\/licenses\/by\/4.0“}]，”内容域“用法：{“domain”：[“link.springer.com”]，“crossmark-restriction”：false}，“short-container-title”：[”Int.J.Autom.Compute.“]，“published-print”：{”date-parts“：[[2021,6]]}，”abstract“：”摘要<\/jats:title>最近，深度学习在视觉跟踪任务中取得了巨大成功，尤其是在单目标跟踪中。本文对基于深度学习的单目标跟踪算法进行了全面综述。首先，我们介绍了深度视觉跟踪的基本知识，包括基本概念、现有算法和以前的综述。其次，我们简要回顾了现有的深度学习方法，根据它们是否可以动态更改模型参数或体系结构，将其分为数据不可变和数据自适应方法。然后，我们总结了深度跟踪器的一般组件。通过这种方式，我们系统地分析了最近提出的几种深度跟踪器的新颖性。随后，讨论了常用的数据集，如对象跟踪基准（OTB）和可视对象跟踪（VOT），以及几种深度跟踪器的性能。最后，基于观测和实验结果，我们讨论了深度跟踪器的三个不同特征，即它们的一般组件之间的关系、探索更有效的跟踪框架以及它们的运动估计组件的可解释性<\/jats:p>“，”DOI“：”10.1007\/s11633-020-1274-8“，”type“：”journal-article“，”created“：{”date-parts“：[[2021,3,4]]，”date-time“：”2021-03-04T04:42:05Z“，”timestamp“：1614832925000}“，”page“：by-count“：13，”title“：[”视觉跟踪深度学习方法的进展：文献综述和基础知识，“前缀”：“10.1007”，“卷”：“18”，“作者”：[｛“ORCID”：”：“”：经过身份验证的orcid“：false，”given“：”Run Hua“，”family“：”Jiang“，”sequence“：”additional“，”附属关系“：[]｝，｛”orcid“：”http:\/\/orcid.org/0000-0002-8793-1726“，”authenticated orcid“：false，”given“：”Chen Xiang“，”family“：”Fan“，”sequence“：”additional“，”附属关系“：[]｝，｛”orcid“：”http:\/\/orcid.org/0000-0001-7045-8867“，”经过身份验证的orcid“：false，”given“：”天宇”，“家族”：“童”，“序列”：“附加”，“从属关系”：[]}，{“ORCID”：“http://\/ORCID.org\/0000-0002-0202-0174”，“authenticated-ORCID”：false，“给定”：“道”，“家庭”：“王”，“sequence”：“additional”，“affiliation”：[]}，}“ORCID”：“http:\\/ORCID.org\/00000-0003-3695-222”，“authenticated-ORCID“false，”：“鹏成”，“family”“：”Huang“，”sequence“：”附加”，“附属关系”：[]｝]，“成员”：“297”，“在线发布”：{“日期部分”：[[2021,3,4]]｝，“参考文献”：[{“问题”：“5”，“密钥”：“1274_CR1”，“doi断言者”：“出版商”，“首页”：“564”，“doi”：“10.1109\/TPAMI.2003.195991”，“卷”：“25”，“作者”：“D Comaniciu”，“年份”：“2003”，“非结构化”：“D.Comaniciu，V.Ramesh，P。密尔。基于内核的对象跟踪。IEEE模式分析和机器智能汇刊，第25卷，第5期，第564\u20135772003页。DOI:https:\/\/DOI.org\/10.109\/TPAMI.2003.1195991.“，”journal-title“：”IEEE Transactions on Pattern Analysis and Machine Intelligence“}，{”key“：”1274_CR2“，”DOI-asserted-by“：”publisher“，”first page“：“661”，“DOI”：“10.1007\/3_540-47969-4_44”，“volume-title”：“Proceedings of the 7th European Conference on Computer Vision”，“author”：“P Perez”，“year”：“2002”，“非结构化”：“P.Perez，C.Hue，J.Vermaak，M.Gangnet。基于颜色的概率跟踪。《第七届欧洲计算机视觉会议论文集》，斯普林格，哥本哈根，丹麦，第661\u20136752002页。DOI:https:\/\/DOI.org\/10.1007\/3_540-47969-4_44.“}，{“问题”：“5”，“密钥”：“1274_CR3”，“DOI-asserted-by”：“发布者”，“首页”：“603”，”DOI“：“10.1109\/34.1000236”，“卷”：“24”，“作者”：“D Comaniciu”，“年份”：“2002”，“非结构化”：“D.Comanicui，P。密尔。均值偏移：一种稳健的特征空间分析方法。IEEE模式分析和机器智能汇刊，第24卷，第5期，第603\u20136192002页。DOI:https:\/\/DOI.org\/10.1009\/34.1000236.“，”journal-title“：”IEEE Transactions on Pattern Analysis and Machine Intelligence“}，{”issue“：”1“，”key“：”1274_CR4“，”DOI-asserted-by“：”publisher“，”first page“：“5”，“DOI”：“10.1023\/A:1008078328650”，“volume”：“29”，“author”：“M Isard”，“year”：“1998”，“unstructured”：“M.Isard，A。布莱克。冷凝-视觉跟踪的条件密度传播。《国际计算机视觉杂志》，第29卷，第1期，第5\u2013281998页。DOI:https:\/\/DOI.org\/10.1023\/A:1008078328650.“，”journal-title“：”International journal of Computer Vision“}，{”issue“：”7“，”key“：”1274_CR5“，”DOI-asserted-by“：”publisher“，”first page“：“1428”，“DOI”：“10.1109\/TPAMI.2013.213”，“volume”：“36”，“author”：“J Kwon”，“year”：“2014”，“unstructured”：“J.Kwon，K.M。李。通过采样和集成多个跟踪器进行跟踪。IEEE模式分析和机器智能学报，第36卷，第7期，第1428\u201314412014页。DOI:https:\/\/DOI.org\/10.109\/TPAMI.2013.213.“，”journal-title“：”IEEE模式分析和机器智能事务“}，{“key”：“1274_CR6”，“DOI-asserted-by”：“publisher”，“first page”：”798“，”DOI“：”10.1109\/CVPR.2006.256“，”volume-title”：“IEEE计算机视觉和模式识别学会会议论文集”，“author”：“A Adam”，“年份”：“2006年”，“非结构化”：“A.Adam，E.Rivlin，I.Shimshoni。使用积分直方图进行基于碎片的鲁棒跟踪。《IEEE计算机学会计算机视觉和模式识别会议论文集》，IEEE，美国纽约，第798\u20138052006页。DOI:https:\/\/DOI.org\/10.109\/CVPR.2006.256.“}，{“问题”：“1\u20133”，“密钥”：“1274_CR7”，“DOI-asserted-by”：“发布者”，“首页”：“125”，“DOI”：“10.1007\/s11263-007-0075-7”，《卷》：“77”，“作者”：“DA Ross”，“年份”：“2008”，“非结构化”：“D.A.Ross，J.Lim，R.S.Lin，M.H。杨。用于鲁棒视觉跟踪的增量学习。《国际计算机视觉杂志》，第77卷，第1\u20133号，第125\u2013141页，2008年。DOI:https:\/\/DOI.org\/10.1007\/s11263-007-0075-7.“，”journal-title“：”International journal of Computer Vision“}，{”issue“：”11“，”key“：”1274_CR8“，”DOI-asserted-by“：”publisher“，”first-page“：”2259“，”DOI“：”10.1109\/TPAMI.2011.66“，”volument“：”33“，”author“：”X Mei“，”year“：”2011“，”unstructured“：”X.Mei，H.B。凌。通过稀疏表示实现稳健的视觉跟踪和车辆分类。IEEE模式分析和机器智能汇刊，第33卷，第11期，第2259页\u201322722011年。DOI:https:\/\/DOI.org\/10.109\/TPAMI.2011.66.“，”journal-title“：”IEEE Transactions on Pattern Analysis and Machine Intelligence“}，{”issue“：”1“，”key“：”1274_CR9“，”DOI-asserted-by“：”publisher“，”first page“：“314”，“DOI”：“10.1109\/TIP.202677”，“volume”：“22”，“author”：“D Wang”，“year”：“2013”，“unstructured”：“D.Wang，H.C.Lu，M.H.先生。杨。使用稀疏原型进行在线对象跟踪。IEEE图像处理汇刊，第22卷，第1期，第314页\u20133252013。DOI:https:\/\/DOI.org/10.1109\/TIP.2012.2202677.”，“期刊标题”：“IEEE图像处理汇刊”}，｛“密钥”：“1274_CR10”，“DOI断言者”：“出版商”，“首页”：“260”，“DOI”：“10.1109\/CVPR.2006.215”，“卷标题”：“IEEE计算机学会计算机视觉与模式识别会议论文集”，“作者”：“H Grabner”，“年份”：“2006年”，“非结构化”：“H.Grabner，H.Bischof。在线提升和视觉。《IEEE计算机学会计算机视觉和模式识别会议论文集》，IEEE，美国纽约，第260\u20132672006页。DOI:https:\/\/DOI.org\/10.109\/CVPR.2006.215.“}，{”issue“：”2“，”key“：”1274_CR11“，”DOI-asserted-by“：”publisher“，”首页“：”261“，“DOI”：“10.1109\/TPAMI.2007.35”，“volume”：“29”，“author”：“S Avidan”，“year”：“2007”，“unstructured”：“S。阿维丹。信号群跟踪。IEEE模式分析和机器智能汇刊，第29卷，第2期，第261\u20132712007页。DOI:https:\/\/DOI.org\/10.109\/TPAMI.2007.35.“，”journal-title“：”IEEE Transactions on Pattern Analysis and Machine Intelligence“}，{”issue“：”8“，”key“：”1274_CR12“，”DOI-asserted-by“：”publisher“，”first page“：“1064”，“DOI”：“10.1109\/TPAMI.2004.53”，“volume”：“26”，“author”：“S Avidan”，“year”：“2004”，“unstructured”：“S。阿维丹。支持矢量跟踪。IEEE模式分析和机器智能汇刊，第26卷，第8期，第1064\u201310722004页。DOI:https:\/\/DOI.org\/10.109\/TPAMI.2004.53.“，”journal-title“：”IEEE模式分析和机器智能事务“}，{“key”：“1274_CR13”，“DOI-asserted-by”：“publisher”，“first page”：”1393“，”DOI“：”10.1109\/ICCVW.2009.5457447“，”volume-title”：“第十二届IEEE国际计算机视觉研讨会论文集”，“author”：“A Saffari”，“年份”：“2009年”，“非结构化”：“A.Saffri，C.Leistner，J.Santner，M.Godec，H.Bischof。在线随机森林。第12届IEEE国际计算机视觉研讨会会议记录，IEEE，日本京都，第1393\u201314002009页。DOI:https:\/\/DOI.org\/10.109\/ICCVW.2009.5457447.“}，{“问题”：“8”，“密钥”：“1274_CR14”，“DOI-asserted-by”：“发布者”，“首页”：“1619”，“DOI”：“10.1109\/TPAMI.2010.226”，“卷”：“33”，“作者”：“B Babenko”，“年份”：“2010”，“非结构化”：“B.Babenko，M.H.Yang，S。归属。具有在线多实例学习的鲁棒对象跟踪。IEEE模式分析和机器智能汇刊，第33卷，第8期，第1619\u201316322010页。DOI:https:\/\/DOI.org\/10.109\/TPAMI.2010.226.“，”journal-title“：”IEEE Transactions on Pattern Analysis and Machine Intelligence“}，{”issue“：”8“，”key“：”1274_CR15“，”DOI-asserted-by“：”publisher“，“first page”：“2288”，“DOI”：“10.1109\/TIP.2011.2114895”，“volume”：”20“author”：“N Jiang”，“year”：“2011”，“unstructured”：“N.Jiang，W.Y.Liu，年。吴。学习用于鲁棒视觉跟踪的自适应度量。IEEE图像处理汇刊，第20卷，第8期，第2288\u201323002011页。DOI:https:\/\/DOI.org\/10.109\/TIP.2011.2114895.“，”journal-title“：”IEEE Transactions on Image Processing“}，{“issue”：“7553”，“key”：“1274_CR16”，“DOI-asserted-by”：“publisher”，“first page”：”436“，”DOI“：”10.1038\/nature14539“，”volume“：”521“author”：“Y LeCun”，“year”：“2015”，“unstructured”：“Y.LeCun，Y.Bengio，G。辛顿。深度学习。《自然》，第521卷，第7553号，第436\u2013444页，2015年。DOI:https:\/\/DOI.org\/10.1038\/nature14539.“，”journal-title“：”Nature“}，{”issue“：”1“，”key“：”1274_CR17“，”DOI-asserted-by“：”publisher“，”first page“：“142”，“DOI”：“10.1109\/TPAMI.2015.2437384”，“volume”：“38”，“author”：“R Girshick”，“year”：“2016”，“unstructured”：“R.Girshik，J.Donahue，T.Darrell，J。马利克。基于区域的卷积网络用于准确的目标检测和分割。IEEE模式分析和机器智能汇刊，第38卷，第1期，第142\u2013158页，2016年。DOI:https:\/\/DOI.org\/10.109\/TPAMI.2015.2437384.“，”journal-title“：”IEEE Transactions on Pattern Analysis and Machine Intelligence“}，{“key”：“1274_CR18”，“DOI-asserted-by”：“publisher”，“unstructured”：“X.Q.Zhang，R.H.Jiang，T.Wang，P.C.Huang，L.Zhao。视频去模糊的基于注意的内插网络。神经计算，2020。DOI:https:\/\/DOI.org\/10.1016\/j.neucom.2020.04.147.“，”DOI“：”10.1016\/j-neucom.202.004.147“}，{“key”：“1274_CR19”，“DOI-asserted-by”：“publisher”，“first page”：”4835“，”DOI“：“10.1109\/ICASSP.2017.7953075”，“volume-title”：“IEEE声学、语音和信号处理国际会议论文集”，“author”：“S Kim”，“year”：“2017”，“非结构化“：”S.Kim，T.Hori，S.Watanabe。使用多任务学习的基于联合CTC注意的端到端语音识别。《IEEE声学、语音和信号处理国际会议论文集》，IEEE，美国新奥尔良，第4835\u20134839页，2017年。DOI:https:\/\/DOI.org/10.1109\/ICSP.2017.7953075.“｝，｛“key”：“1274_CR20”，“DOI断言者”：”，”，”，”：”非“发布者”，”，”和。沃茨，S.金。采用多任务学习和堆叠瓶颈特征的深度神经网络用于语音合成。《IEEE声学、语音和信号处理国际会议论文集》，IEEE，澳大利亚布里斯班，第4460\u201344642015页。DOI:https:\/\/DOI.org\/10.109\/ICASSP.2015.7178814.“}，{“key”：“1274_CR21”，“unstructured”：“D.Bahdanau，K.Cho，Y.Bengio.通过联合学习对齐和翻译的神经机翻译。[在线]，可用：https:\//arxiv.org\/abs\/1409.04732014。”}，}，“key“：”1274_CR2“，”非结构化“：”O.Vinyals，L.Kaiser，T.Koo，S.Petrov，I。Sutskever，G.Hinton。语法作为一门外语。《第28届神经信息处理系统国际会议论文集》，美国剑桥，第2773\u201327812015页。“}，{”key“：”1274_CR23“，”doi-asserted-by“：”publisher“，”first page“：“3119”，”doi“：”10.1109\/ICCV.2015.357“，”volume-title“：”IEEE国际计算机视觉会议论文集“，”author“：”L J Wang“，”year“：”2015年”，“非结构化”：“L.J.Wang、W.L.Ouyang、X.G.Wang和H.C.Lu.使用完全卷积网络进行视觉跟踪。《IEEE计算机视觉国际会议论文集》，IEEE，智利圣地亚哥，第3119\u201331272015页。DOI:https:\/\/DOI.org\/10.109\/ICCV.2015.357.“}，{”key“：”1274_CR24“，”DOI-asserted-by“：”publisher“，”first page“：“4293”，”DOI“：”10.1109\/CVPR.2016.465“，”volume-title“：”IEEE Computer Vision and Pattern Recognition会议记录“，”author“：”H Nam“，”year“：”2016“，”unstructured“：”H.Nam，B。韩。学习用于视觉跟踪的多域卷积神经网络。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国拉斯维加斯，pp.4293\u201343022016。DOI:https:\/\/DOI.org\/10.109\/CVPR.2016.465.“}，{“key”：“1274_CR25”，“DOI-asserted-by”：“publisher”，“first page”：”1373“，“DOI”：“10.1109\/CVPR.2016.153”，“volume-title”：“IEEE计算机视觉和模式识别会议论文集”，“author”：“L J Wang”，“year”：“2016”，“unstructured”：“L.Wang，W.L.Ouyang，X.G.Wang和H.C.Lu。STCT：用于视觉跟踪的连续训练卷积网络。《IEEE计算机视觉和模式识别会议记录》，IEEE，美国拉斯维加斯，pp.1373 \u201313812016。DOI:https:\/\/DOI.org\/10.109\/CVPR.2016.153.“}，{”key“：”1274_CR26“，”DOI-asserted-by“：”publisher“，”first page“：“1420”，”DOI“：”10.1109\/CVPR.2016.158“，”volume-title“：”IEEE Computer Vision and Pattern Recognition会议记录“，”author“：”R Tao“，”year“：”2016“，”unstructured“：”R.Tao，E.Gavves，A.W.M。斯默尔德斯。暹罗实例搜索以进行跟踪。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国拉斯维加斯，pp.1420\u201314292016。DOI:https:\/\/DOI.org\/10.109\/CVPR.2016.158.“}，{”key“：”1274_CR27“，”DOI-asserted-by“：”publisher“，”first page“：“2411”，”DOI“：”10.1109\/CVPR.2013.312“，”volume-title“：”IEEE Conference on Computer Vision and Pattern Recognition“，“author”：“Y Wu”，“year”：“2013”，“unstructured”：“Y.Wu，J.Lim，M.H.Yang。在线对象跟踪：基准。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国波特兰，第2411\u20132418页，2013年。DOI:https:\/\/DOI.org\/10.109\/CVPR.2013.312.“}，{“key”：“1274_CR28”，“unstructured”：“M.Kristan，R.Pflugfelder，A.Leonardis，J.Matas，F.Porikli，L.Cehovin，G.Nebehay，G.Fernandez，T.Vojir。VOT2013挑战：概述和其他结果。第19届计算机视觉冬季研讨会论文集，捷克共和国Krtini，2014年。”}key“：”1274_CR29“，”doi-asserted-by“：”publisher“，”unstructured“：”X.Li，W.M.Hu，C.H.Shen，Z.F.Zhang，A.Dick，A.Van Den Hengel。视觉对象跟踪中的外观模型综述。《ACM智能系统与技术交易》，第4卷，第4号，第58条，2013年。DOI:https:\/\/DOI.org\/10.1145\/2508037.2508039.“，”DOI“：”10.1145\/25080 37.2508039“}，{“问题”：“1”，“密钥”：“1274_CR30”，“DOI-asserted-by”：“发布者”，“首页”：“61”，“DOI”：“10.16451\/j.cnki.issn1003-6059.201801006”，“卷”：“31”，“作者”：“H C Lu”，“年份”：“2018”，“非结构化”：“H.C.Lu、P.X.Li、D。王。视觉目标跟踪：一项调查。模式识别与人工智能，第31卷，第1期，第61\u201376页，2018年。DOI:https:\/\/DOI.org\/10.16451\/j.cnki.issn1003-6059.201801006。（中文）“，”journal-title“：”Pattern Recognition and Artificial Intelligence“}，{“key”：“1274_CR31”，“doi-asserted-by”：“publisher”，“首页”：“323”，“doi”：“10.1016\/j.patcog.2017.11.007”，“卷”：“76”，“作者”：“PX Li”，”年份：“2018”，“非结构化”：“P.X.Li，D.Wang，L.j.Wang，H.C.Lu。深度视觉跟踪：回顾和实验比较。模式识别，第76卷，第323\u20133382018页。DOI:https:\/\/DOI.org\/10.1016\/j.patcog.2017.11.007.“，”journal-title“：”模式识别“}，{“问题”：“12”，“关键”：“1274_CR32”，“首页”：“2057”，“卷”：“24”，“作者”：“X Li”，“年份”：“2019”，“非结构化”：“X.Li，Y.F.Zha，T.Z.Z.Zhang，Z.Cui，W.M.Zuo，Z.Q.Hou，H.C.Lu，H.Z。王。基于深度学习的视觉目标跟踪算法综述。《图像与图形学杂志》，第24卷，第12期，第2057\u2013208019页。（中文）”，“期刊标题”：“图像与图形学杂志”}，{“密钥”：“1274_CR33”，“doi断言”：“出版商”，“首页”：“17”，“doi”：“10.1016\/j.neucom.2018.01.092”，“卷”：“300”，“作者”：“A Brunetti”，“年份”：“2018”，“非结构化”：“A.Brunetti，D.Buongiorno，G.F.Trotta，V。贝维拉夸。行人检测和跟踪的计算机视觉和深度学习技术：一项调查。神经计算，第300卷，第17\u201333页，2018年。DOI:https:\/\/DOI.org\/10.1016\/j.neucom.2018.01.92.“，”journal-title“：”Neurocomputing“}，{”key“：”1274_CR34“，”DOI-asserted-by“：”publisher“，”unstructured“：”R.Yao，G.S.Lin，S.X.Xia，j.Q.Zhao，Y。周。视频对象分割和跟踪：一项调查。《ACM智能系统与技术交易》，第11卷，第4期，第36条，2020年。DOI:https:\/\/DOI.org\/10.1145\/3391743.“，”DOI“：”10.1145\/339173“}，{”key“：”1274_CR35“，”DOI-asserted-by“：”publisher“，”first page“：“3642”，“DOI”：“10.1109\/CVPR.2012.6248110”，“volume-title”：“IEEE计算机视觉和模式识别会议论文集”，“author”：“D Ciregan”，“year”：“2012”，“unstructured”：“D.Ciregan，U.Meier，J。施密杜贝尔。用于图像分类的多列深度神经网络。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国普罗维登斯，第3642\u201336492012页。DOI:https:\/\/DOI.org\/10.109\/CVPR.2012.6248110.“}，{“问题”：“11”，“密钥”：“1274_CR36”，“DOI-asserted-by”：“发布者”，“首页”：“3212”，“DOI”：“10.1109\/TNNLS.2018.28768665”，“卷”：“30”，“作者”：“Z Q Zhao”，“年份”：“2019”，“非结构化”：“Z.Q.Zhao，P.Zheng，S.T.Xu，X.D。吴。深度学习目标检测：综述。IEEE神经网络和学习系统汇刊，第30卷，第11期，第3212\u201332322019页。DOI:https:\/\/DOI.org\/10.109\/TNNLS.2018.2876865.“，”journal-title“：”IEEE神经网络和学习系统事务“}，{“key”：“1274_CR37”，“DOI-asserted-by”：“publisher”，“first page”：”3431“，“DOI”：“10.1109\/CVPR.2015.7298965”，“volume-title”：“IEEE计算机视觉和模式识别会议论文集”，“author”：“J Long”，“年份”：“2015年”，“非结构化”：“J.Long，E.Shelhamer，T.Darrell。语义分割的完全卷积网络。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国波士顿，第3431\u201334402015页。DOI:https:\/\/DOI.org\/10.109\/CVPR.2015.7298965.“}，{“key”：“1274_CR38”，“DOI-asserted-by”：“publisher”，“first page”：：“3929”，“DOI”：“10.1109\/CVPR.2017.300”，“volume-title”：“IEEE计算机视觉和模式识别会议论文集”，“author”：“K Zhang”，“year”：“2017”，“unstructured”：“K.Zhang，W.M.Zuo，S.H.Gu，L。张。在图像恢复之前学习深度CNN去噪器。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国檀香山，pp.3929\u201339382017。DOI:https:\/\/DOI.org\/10.109\/CVPR.2017.300.“}，{“问题”：“4”，“密钥”：“1274_CR39”，“DOI-asserted-by”：“发布者”，“首页”：“961”，“DOI”：“10.1109\/TNN.2002.1021896”，“卷”：“13”，“作者”：“X O Tang”，“年份”：“2002”，“非结构化”：“X.O Tang，X.B.Gao，J.Z.Liu，H.J.J。张。一种用于视频字幕检测和识别的时空方法。IEEE神经网络汇刊，第13卷，第4期，第961\u20139712002页。DOI:https:\/\/DOI.org\/10.109\/TNN.2002.1021896.“，”journal-title“：”IEEE Transactions on Neural Networks“}，{”key“：”1274_CR40“，”DOI-asserted-by“：”publisher“，”first page“：“10”，“DOI”：“10.24963\/ijcai.2018\/2”，“volume-title”：“第27届国际人工智能联合会议论文集”，“作者”：“H Geffner”，“年份”：“2018”，“非结构化“：”H.Geffner。无模型、基于模型和通用智能。《第27届国际人工智能联合会议论文集》，AAAI出版社，瑞典斯德哥尔摩，第10页，201317，2018年。DOI:https:\/\/DOI.org\/10.24963\/ijcai.2018\/2.“}，{“key”：“1274_CR41”，“unstructured”：“T.Elsken，J.H.Metzen，F.Hutter.神经体系结构搜索：调查。[在线]，可用：https:\//arxiv.org\/abs\/1808.053772018。”}，}，[key“：”1274_CR42“，”unstructure“：”K.Simonyan，A。齐瑟曼。用于大规模图像识别的深度卷积网络。《第三届学习表征国际会议论文集》，美国圣地亚哥，2015年。他、X.Y.Zhang、S.Q.Ren、J.Sun。用于图像识别的深度残差学习。在《IEEE计算机视觉与模式识别会议论文集》中，IEEE，美国拉斯维加斯，第770\u20137782016页。DOI:https:\/\/DOI.org\/10.109\/CVPR.2016.90.“}，{“key”：“1274_CR44”，“DOI-asserted-by”：“publisher”，“first page”：”4700“，“DOI”：“10.1109\/CVPR.2017.243”，“volume-title”：“IEEE计算机视觉和模式识别会议记录”，“author”：“G Huang”，”year“2017”，“unstructured”：“G.Huang，Z.Liu，L.Van Der Maaten，K.Q。温伯格。紧密连接的卷积网络。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国檀香山，第4700\u20134708页，2017年。DOI:https:\/\/DOI.org\/10.109\/CVPR.2017.243.“}，{”key“：”1274_CR45“，”首页“：”4278“，”volume-title“：”第31届AAAI人工智能会议论文集“，”author“：”C Szegedy“，”year“：”2016“，”unstructured“：”C.Szegety，S.Ioffe，V.Vanhoucke，A.A。阿莱米。Inception-v4、Inception-ResNet和残余联系对学习的影响。《第31届AAAI人工智能会议论文集》，美国旧金山，AAAI出版社，第4278\u201342842016页“2015年”，“非结构化”：“C.Szegedy，W.Liu，Y.Q.Jia，P.Sermanet，S.Reed，D.Angelov，D.Erhan，V.Vanhoucke，A.Rabinovich。用卷积深入。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国波士顿，第1\u201392015页。DOI:https:\/\/DOI.org\/10.109\/CVPR.2015.7298594.“}，{“key”：“1274_CR47”，“DOI-asserted-by”：“crossref”，“unstructured”：“C.S.Brito，W.Gerstner。非线性希伯来学习作为接受野形成的统一原则。PLoS计算生物学，第12卷，第9期，文章编号e1005070，2016。”，“DOI”：“10.1371\/journal.pcbi.1005070”}1274_CR48“，”doi-asserted-by“：”publisher“，”first page“：”2818“，”doi“：”10.1109\/CVPR.2016.308“，”volume-title“：”IEEE计算机视觉和模式识别会议论文集“，”author“：”C Szegedy“，”year“：”2016“，”unstructured“：”C.Szegety，V.Vanhoucke，S.Ioffe，J.Shlens，Z.Wojna。重新思考计算机视觉的初始架构。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国拉斯维加斯，第2818\u20132826页，2016年。DOI:https:\/\/DOI.org\/10.109\/CVPR.2016.308.“}，{”key“：”1274_CR49“，”first page“：“6660”，“volume-title”：“第32届神经信息处理系统国际会议论文集”，“author”：“Z Y Huo”，“year”：“2018”，“unstructured”：“Z.Y.Huo，B.Gu，H。黄。使用特征回放训练神经网络。《第32届神经信息处理系统国际会议论文集》，ACM，Red Hook，USA，pp.6660\u201366692018。“}，{“key”：“1274_CR50”，“unstructured”：“J.Jeong，J。小腿。通过选择性渠道分配培训CNN。第36届机器学习国际会议论文集，长滩，第3080\u201330902019页。“}，{“key”：“1274_CR51”，“unstructured”：“S.Y.Qiao，Z.S.Zhang，W.Shen，B.Wang，A。尤耶。用于大规模图像识别的逐步更新的神经网络。《第35届机器学习国际会议论文集》，瑞典斯德哥尔摩，第4188\u201341972018页2020年”，“非结构化”：“K.Han，Y.H.Wang，Q.Tian，J.Y.Guo，C.J.Xu，C.Xu。GhostNet：廉价操作带来的更多功能。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国西雅图，第1580页，201315892020年。DOI:https:\/\/DOI.org\/10.109\/CVPR42600.2020.00165.“}，{“key”：“1274_CR53”，“unstructured”：“R.Geirhos，P.Rubisch，C.Michaelis，M.Bethge，F.A.Wichmann，W.Brendel。图像网络训练CNN偏向于纹理；增加形状偏差可提高准确性和鲁棒性。[在线]，可用：https:\//arxiv.org\/abs\/1811.122312018。”}，}“key“：”1274_CR54“，”doi-asserted-by“：”publisher“，”first page“：“248”，”doi“：”10.1109\/CVPR.2009.5206848“，”volume-title“：”IEEE计算机视觉与模式识别会议论文集“，”author“：”J Deng“，”year“：”2009“，”unstructured“：”J.Deng，W.Dong，R.Socher，L.J.Li，K.Li，L.Fei-Fei。ImageNet：大型分层图像数据库。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国迈阿密，第248\u2013255页，2009年。DOI:https:\/\/DOI.org\/10.109\/CVPR.2009.5206848.“}，{“key”：“1274_CR55”，“unstructured”：“J.Frankle，M.Carbin.彩票假设：寻找稀疏、可训练的神经网络。[在线]，可用：https:\/\/arxiv.org\/abs\/1803.036352018。”}，}，[key“：”1274_CR56“，”unstructure“：”J.You，J.Leskovec，K.He，S。谢。神经网络的图形结构。第37届国际机器学习会议论文集，奥地利维也纳，第10881\u2013108912020页。“}，{”key“：”1274_CR57“，”doi-asserted-by“：”publisher“，”first page“：“501”，”doi“：”10.1109\/CVPR.2019.00059“，”volume-title“：”IEEE\/CVF计算机视觉和模式识别会议论文集“，”author“：”C H Xie“，”year“：”2019”，“非结构化”：“C.H.Xie，Y.X.Wu，L.Van Der Maaten，A.L.Yuille，K.M.He。用于提高对抗性鲁棒性的特征去噪。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国长滩，第501\u20135092019页。DOI:https:\/\/DOI.org/10.1109\/CVPR.2019.00059.“｝，｛“key”：“1274_CR58”，“非结构化”：“S.Kanai，Y.Fujiwara，S.Iwamura。防止门控复发单元中的梯度爆炸。在《第31届国际神经信息处理系统会议论文集》中，美国长滩，pp.435\u20134442017。”｝，｛“issue”：“2”，“key”：“1274_CR59”，“doi-asserted-by“：”publisher“，”first page“：”157“，“doi”：“10.1109\/72.279181”，“volume”：“5”，“author”：“Y Bengio”，“year”：“1994”，“unstructured”：“Y.Bengio，P.Simard，P.Frasconi。学习梯度下降的长期依赖性是困难的。IEEE神经网络汇刊，第5卷，第2期，第157\u20131661994页。DOI:https:\/\/DOI.org\/10.109\/72.279181.“，”journal-title“：”IEEE Transactions on Neural Networks“}，{“key”：“1274_CR60”，“unstructured”：“T.Mikolov。基于神经网络的统计语言模型。谷歌展示，第80卷，文章编号26，2012年。”}，“key“：”1274_CR 61“，”unstructure“：”R.Pascanu，T.Micolov，Y。本吉奥。关于训练递归神经网络的困难。《第三十届国际机器学习会议论文集》，美国亚特兰大，第1310\u20131318页，2013年。施密杜贝尔。长短期记忆。神经计算，第9卷，第8期，第1735\u201317801997页。DOI:https:\/\/DOI.org\/10.1162\/neco.1997.9.8.1735.“，”journal-title“：”Neural Computation“}，{”key“：”1274_CR63“，”DOI-asserted-by“：”publisher“，”unstructured“：”K.Cho，B.Van Merrienboer，C.Gulcehre，D.Bahdanau，F.Bougares，H.Schwenk，Y。本吉奥。使用RNN编码器-解码器学习短语表示，用于统计机器翻译。《自然语言处理实证方法会议记录》，卡塔尔多哈，第1724\u201317342014页。DOI:https:\/\/DOI.org\/10.3115\/v1\/D14-1179.“，”DOI“：”10.3115\/v1\/D14-1179“}，{“key”：“1274_CR64”，“first page”：”2342“，“volume-title”：“第32届国际机器学习会议论文集”，“author”：“R Jozefowicz”，“year”：“2015”，“unstructured”：“R.Jozefowicz，W.Zaremba，I。萨茨克弗。递归网络体系结构的实证研究。《第32届国际机器学习会议论文集》，JMLR.org，法国里尔，第2342\u20132350页，2015年。Wu，C.L.Zhang，Z.H.Zhou。递归神经网络的最小选通单元。《国际自动化与计算杂志》，第13卷，第3期，第226\u20132342016页。DOI:https:\/\/DOI.org\/10.1007\/s11633-016-1006-2.“，”journal-title“：”国际自动化与计算杂志“}，{“issue”：“3”，“key”：“1274_CR66”，“DOI-asserted-by”：“publisher”，“first page”：”972“，”DOI“：”10.1109\/TITS.2019.2900481“，”author“：”B W Du“，“year”：“2020”，“unstructured”：“B.W.Du，H.Peng，S.Z.Wang、M.Z.A.Bhuiyan、L。王海荣，龚庆瑞，刘立立。城市交通客流预测的深度不规则卷积残差最小二乘法。IEEE智能交通系统汇刊，第21卷，第3期，第972\u20139852020页。DOI:https:\/\/DOI.org\/10.109\/TITS.2019.2900481.“，”journal-title“：”IEEE Transactions on Intelligent Transportation Systems“}，{“key”：“1274_CR67”，“first-page”：“735”，“volume-title”：“第27届国际机器学习会议论文集”，“author”：“J Martens”，“year”：“2010”，“unstructured”：“J。马滕斯。通过无hessian优化进行深度学习。第27届国际机器学习会议论文集，美国麦迪逊ACM，第735\u20137422010页。“}，{“key”：“1274_CR68”，“unstructured”：“J.Martens，I。萨茨克弗。用无hessian优化学习递归神经网络。《第28届国际机器学习会议论文集》，美国麦迪逊，第1033\u20131040页，2011年。“}，{“key”：“1274_CR69”，“unstructured”：“I.Sutskever，J.Martens，G.Dahl，G。辛顿。关于深度学习中初始化和动量的重要性。《第三十届国际机器学习会议论文集》，美国亚特兰大，第1139\u201311472013页。帕利瓦尔。双向递归神经网络。IEEE信号处理学报，第45卷，第11期，第2673\u20132681997页。DOI:https:\/\/DOI.org/10.1109\/78.650093。”，“期刊标题”：“IEEE信号处理汇刊”}，｛“密钥”：“1274_CR71”，“DOI断言者”：“crossref”，“非结构化”：“M.Sundermeyer，T.Alkhouli，J.Wuebker，H。奈伊。双向递归神经网络的翻译建模。《自然语言处理实证方法会议论文集》，卡塔尔多哈，第14\u201325页，2014年。“，”DOI“：”10.3115\/v1\/D14-1003“}，{”key“：”1274_CR72“，”DOI-asserted-by“：”publisher“，”first page“：“7587”，“DOI”：“10.1109\/ACCESS.2019.2962505”，“volume”：“8”，“author”：“R H Jiang”，“year”：“2019”，“unstructured”：“R.H.Jiang，L.Zhao，T。Wang，J.X.Wang，X.Q.Zhang。通过时空变异递归神经网络进行视频去模糊。IEEE Access，第8卷，第7587\u201375972019页。DOI:https:\/\/DOI.org\/10.109\/ACCESS.2019.2962505.“，”journal-title“：”IEEE ACCESS“}，{”key“：”1274_CR73“，”DOI-asserted-by“：”publisher“，”first page“：“560”，“DOI”：“10.1007\/978-3-319-46493-0_34”，“volume-title”：“第十四届欧洲计算机视觉会议论文集”，“author”：“S F Liu”，“year”：“2016”，“unstructured”：“S.Liu，J.S.Pan、M.H。杨。通过混合神经网络学习低水平视觉的递归滤波器。《第14届欧洲计算机视觉会议论文集》，荷兰阿姆斯特丹斯普林格，第560\u20135762016页。DOI:https:\/\/DOI.org\/10.1007\/978-3-319-46493-0_34.“}，{”key“：”1274_CR74“，”DOI-asserted-by“：”publisher“，”first page“：“8690”，”DOI“：”10.1609\/aaaai.v33i01.33018690“，”volume“：。张。带有文本描述的零炮目标检测。《第33届AAAI人工智能会议论文集》，美国檀香山，第33卷，第8690\u201386972019页。DOI:https:\/\/DOI.org\/10.1609\/aaai.v33i01.33018690.“，”journal-title“：“第33届aaai人工智能会议论文集”}，{“key”：“1274_CR75”，“DOI-asserted-by”：“crossref”，“unstructured”：“G.Papandreou，L.C.Chen，K.Murphy，A.L.Yuille.语义图像分割的DCNN弱监督和半监督学习。[在线]，在线阅读：https:\/\/arxiv.org\/abs\/1502.027342015。“，”DOI“：”10.1109\/ICCV.2015.203“}，{“key”：“1274_CR76”，“DOI-asserted-by”：“publisher”，“first page”：”1“，“DOI”：“10.1109\/ISCAS.2017.8050867”，“volume-title”：“IEEE国际电路与系统研讨会论文集”，“author”：“G H Ning”，“year”：“2017”，“unstructured”：“G.H Ning，Z。张，C.Huang，X.B.Ren，H.H.Wang，C.H.Cai，Z.H.He。用于视觉目标跟踪的空间监督递归卷积神经网络。《IEEE电路与系统国际研讨会论文集》，IEEE，美国巴尔的摩，pp.1\u201342017。DOI:https:\/\/DOI.org\/10.109\/ISCAS.2017.8050867.“}，{“问题”：“4”，“密钥”：“1274_CR77”，“DOI-asserted-by”：“发布者”，“首页”：“1297”，“DOI”：“10.1109\/TNNLS.2019.2919676”，“卷”：“31”，“作者”：“Y D Chu”，“年份”：“2020”，“非结构化”：“Y.D.Chu，J.T.Fei，S.X。侯。基于双隐层递归神经网络结构的动态系统自适应全局滑模控制。IEEE神经网络和学习系统汇刊，第31卷，第4期，第1297\u201313092020页。DOI:https:\/\/DOI.org\/10.109\/TNNLS.2019.2919676.“，”journal-title“：”IEEE神经网络和学习系统事务“}，{“key”：“1274_CR78”，“DOI-asserted-by”：“publisher”，“first page”：”5555“，”DOI“：”10.1109\/CVPR.2019.00570“，”volume-title”：“IEEE\/CVF计算机视觉和模式识别会议论文集”，“作者”：“R Wang”，““2019年”，“非结构化”：“R.Wang，S.M.Pizer，J.M.Frahm。用于单目视频视觉里程计和深度的（非）监督学习的递归神经网络。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国长滩，第5555\u201355642019页。DOI:https:\/\/DOI.org\/10.109\/CVPR.2019.00570.“}，{“问题”：“1”，“密钥”：“1274_CR79”，“DOI-asserted-by”：“发布者”，“首页”：“4”，“DOI”：“10.1109\/TNNLS.2020.2978386”，“卷”：“32”，“作者”：“Z H Wu”，“年份”：“2021”，《非结构化》：“Z.H.Wu，S.R.Pan，F.W.Chen，G.D.Long，C.Q.Zhang，P.美国。于。图形神经网络综述。IEEE神经网络和学习系统汇刊，第32卷，第1期，第4\u2013242021页。DOI:https:\/\/DOI.org\/10.109\/TNNLS.2020.2978386.“，”journal-title“：”IEEE神经网络和学习系统事务“}，{“key”：“1274_CR80”，“DOI-asserted-by”：“publisher”，“first page”：”729“，”DOI“：”10.1109\/IJCNN.2005.1555942“，”volume-title”：“IEEE国际神经网络联合会议论文集”，“author”：“M Gori”，“year”：“”2005年”，“非结构化”：“M.Gori，G.Monfardini，F.Scarselli。一种新的图域学习模型。《IEEE神经网络国际联合会议论文集》，IEEE，加拿大蒙特利尔，第729\u20137342005页。DOI:https:\/\/DOI.org\/10.109\/IJCNN.2005.1555942.“}，{“问题”：“1”，“密钥”：“1274_CR81”，“DOI-asserted-by”：“发布者”，“首页”：“61”，“DOI”：“10.1109\/TNN.2008.2005605”，“卷”：“20”，“作者”：“F Scarselli”，“年份”：“2009”，“非结构化”：“F.Scarselli-M.Gori，A.C.Tsoi，M.Hagenbuchner，G。蒙法迪尼。图形神经网络模型。IEEE神经网络汇刊，第20卷，第1期，第61\u2013802009页。DOI:https:\/\/DOI.org/10.1109\/TNN.200.2005605.”，“期刊标题”：“IEEE神经网络汇刊”}，｛“密钥”：“1274_CR82”，“DOI断言者”：“出版商”，“DOI”：“10.1109\/IJCNN.2010.5596796”，“卷标题”：“国际神经网络联合会议论文集”，“作者”：“C Gallicchio”，“年份”：“2010”，“非结构化”：“C.Gallicchio，A。米凯利。绘制回波状态网络图。《国际神经网络联合会议论文集》，IEEE，西班牙巴塞罗那，2010年。DOI:https:\/\/DOI.org\/10.109\/IJCNN.2010.5596796.“}，{“key”：“1274_CR83”，“unstructured”：“J.Bruna，W.Zaremba，A.Szlam，Y.LeCun。图上光谱网络和本地连接网络。加拿大班夫第二届学习表征国际会议论文集，2013年。”}，}“issue”：“40”，“key“：”1274_CR184“，”首页“：”1201“，”卷：“11”，“作者”：“S V N Vishwanathan”，“年份”：“2010”，“非结构化”：“S.V.N.Vishwanathan，N.N.Schraudolph，R.Kondor，K.M.Borgwardt。图形内核。《机器学习研究杂志》，第11卷，第40期，第1201\u20131242页，2010年。“，“Journal-title”：“The Journal of Machine Learning Research”}，{“key”：“1274_CR85”，“doi-asserted-by”：“publisher”，“first page”：”129“，“doi”：“10.1007\/978-3-540-45167-9_11”，“volume-title“：”第16届学习理论年会和第7届学习理论和核心机器核心研讨会论文集”，“作者”：“T Gartner”，“年份”：“2003年”，“非结构化”：“T.Gartner，P.Flach，S.Wrobel。关于图核：硬度结果和有效的替代品。《第16届学习理论年会和第7届学习理论和内核机器核心研讨会论文集》，美国华盛顿州斯普林格，第129\u2013143页，2003年。DOI:https:\/\/DOI.org\/10.1007\/978-3-540-45167-9_11.“}，{”key“：”1274_CR86“，”DOI-asserted-by“：”publisher“，”first page“：“541”，”DOI“：”10.1007\/978-30-58536-5_32“，”volume-title“第十六届欧洲计算机视觉会议论文集”，“author”：“M Liang”，“year”：“2020”，“unstructured”：“M.Liang，B.Yang，R.Hu，Y.Chen，R.J.Liao，S.Feng，R。乌尔塔松。学习用于运动预测的车道图表示。《第16届欧洲计算机视觉会议论文集》，英国格拉斯哥斯普林格，第541\u20135562020页。DOI:https:\/\/DOI.org\/10.1007\/978-3-030-58536-5_32publisher”，“首页”：“379”，“DOI”：“10.1007\/978-3-030-58571-6_23”，“卷标”：“第十六届欧洲计算机视觉会议论文集”，“作者”：“C Q Yu”，“年份”：“2020”，“非结构化”：“C.Q Yu，Y.F.Liu，C.X.Gao，C.H.Shen，N.Sang。代表性图形神经网络。《第16届欧洲计算机视觉会议论文集》，英国格拉斯哥斯普林格，第379\u20133962020页。DOI:https:\/\/DOI.org\/10.1007\/978-3-030-58571-6_23.“}，{“key”：“1274_CR89”，“DOI-asserted-by”：“publisher”，“unstructured”：“M.T.Luong，H.Pham，C.D。曼宁。基于注意的神经机器翻译的有效方法。《自然语言处理实证方法会议记录》，计算语言学协会，葡萄牙里斯本，第1412\u20131421页，2015年。DOI:https:\/\/DOI.org\/10.18653\/v1\/D15-1166.“，”DOI“：”10.18653\/v1\/D15-1166“}，{“key”：“1274_CR90”，“unstructured”：“A.Vaswani，N.Shazeer，N.Parmar，J.Uszkoreit，L.Jones，A.N.Gomez，L.Kaiser，I。波卢什金。注意力是你所需要的。《第31届神经信息处理系统国际会议论文集》，美国长滩，第5998\u20136008页，2017年。萨拉库丁诺夫。Transformer-XL：超出固定长度上下文的专注语言模型。[在线]，可用：https:\/\/arxiv.org\/abs\/1901.02860，2019.“，”DOI“：”10.18653\/v1\/P19-1285“}，{“key”：“1274_CR92”，“DOI-asserted-by”：“crossref”，“unstructured”：“P.Shaw，J.Uszkoreit，A.Vaswani.相对位置表示法的自我关注。[在线]53\/v1\/N18-2074“}，{“key”：“1274_CR93”，“doi-asserted-by”：“publisher”，“unstructured”：“X.Q.Zhang，T.Wang，J.X.Wang，G.Y.Tang，L.Zhao。基于金字塔通道的图像去叠特征注意网络。计算机视觉与图像理解，第197\u2013198卷，文章编号103003，2020。DOI:https:\/\/DOI.org\/10.1016\/j.cviu.2020.103003.“，”DOI“：”10.1016\/j.cviu.202.0103003“}，{“key”：“1274_CR94”，“unstructured”：“K.Xu，j.L.Ba，R.Kiros，K.Cho，A.Courville，R.Salakhutdinov，R.S.Zemel，Y。本吉奥。展示、出席和讲述：用视觉注意力生成神经图像字幕。第32届国际机器学习会议论文集，第2048\u20132057页，2015。“}，{”key“：”1274_CR95“，”doi-asserted-by“：”publisher“，”first page“：“1316”，”doi“：”10.1109\/CV-PR.2018.0143“，”volume-title“：”IEEE\/CVF计算机视觉和模式识别会议论文集“，”author“：”T Xu“，”“年份”：“2018年”，“非结构化”：“T.Xu，P.C.Zhang，Q.Y.Huang，H.Zhang、Z.Gan，X.L.Huang、X.D.He。AttnGAN：利用注意力生成对抗性网络生成细粒度的文本到图像。在IEEE计算机视觉和模式识别会议论文集，IEEE，美国盐湖城，第1316\u201313242018页。DOI:https:\/\/DOI.org\/10.109\/CV-PR.2018.0143.“}，{”key“：”1274_CR96“，”DOI-asserted-by“：”publisher“，”first page“：“3588”，”DOI“：”10.1109\/CVPR.2018.00378“，”volume-title“：”IEEE\/CVF Computer Vision and Pattern Recognition会议论文集“，”author“：”H Hu“，“year”：“2018”，”unstructured“：”H.Hu，J.Y.Gu，Z.Z.Zhang，J.F.Dai，Y.C。世界环境学会。用于对象检测的关系网络。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国盐湖城，第3588页，20133597页，2018年。DOI:https:\/\/DOI.org\/10.109\/CVPR.2018.00378.“}，{”key“：”1274_CR97“，”DOI-asserted-by“：”publisher“，”first page“：“7794”，”DOI“：”10.1109\/CVPR.2018.00813“，”volume-title“：”IEEE\/CVF计算机视觉和模式识别会议论文集“，”author“：”X L Wang“，”year“：”2018“，”unstructured“：”X.L.Wang，R.Girshick，A.Gupta，K.M。他。非局部神经网络。在IEEE计算机视觉和模式识别会议论文集，IEEE，美国盐湖城，pp.7794\u201378032018。DOI:https:\/\/DOI.org\/10.109\/CVPR.2018.00813.“}，{”key“：”1274_CR98“，”DOI-asserted-by“：”publisher“，”first page“：“408”，”DOI“：”10.1109\/ICCV.2017.52“，”volume-title“：”IEEE国际计算机视觉会议论文集“，”author“：”X Z Zu“，”year“：”2017“，”unstructured“：”X.Z.Zhu，Y.J.Wang，J.F.Dai，L.Y.C。世界环境学会。用于视频对象检测的流引导特征聚合。《IEEE计算机视觉国际会议论文集》，IEEE，意大利威尼斯，第408\u2013417页，2017年。DOI:https:\/\/DOI.org\/10.109\/ICCV.2017.52.“}，{”key“：”1274_CR99“，”DOI-asserted-by“：”publisher“，”first page“：“485”，”DOI“：”10.1007\/978-3-030-01237-3_30“，”volume-title“：”Proceedings of the 15th European Conference on Computer Vision“，”author“：”F Y Xiao“，”year“：”2018“，”unstructured“：”F.Y.Xiao，Y.J。李。具有对齐时空存储器的视频对象检测。《第十五届欧洲计算机视觉会议论文集》，德国慕尼黑施普林格，第485\u2013501页，2018年。DOI:https:\/\/DOI.org\/10.1007\/978-3-030-01237-3_30.“}，{“key”：“1274_CR100”，“DOI-asserted-by”：“publisher”，“first page”：：“4706”，“DOI”：“10.1109\/CVPR42600.2020.00476”，“volume-title”：“IEEE\/CVF计算机视觉和模式识别会议论文集”，“author”：“X H Jiang”，《年份》：“2020”，“非结构化”：“X.H.Jiang，L.Zhang，M.L.Xu，T.ZZ●●●●。张鹏、吕鹏、周斌、X.Yang、彭玉伟。人群计数的注意力缩放。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国西雅图，第4706\u201347152020页。DOI:https:\/\/DOI.org\/10.109\/CVPR42600.2020.00476.“}，{”key“：”1274_CR101“，”unstructured“：”H.Zhang，I.Goodfellow，D.Metaxas，A.Odena。自我注意生成对抗网络。《第36届国际机器学习会议论文集》，美国长滩，第7354\u201373632019页。“}”，{“key”：“1274_CR102”，“DOI-asserted-by”：“publisher“，”first page“：”11065“，”DOI“：”10.1109\/CV-PR.2019.01132“，”volume-title“：”IEEE\/CVF计算机视觉和模式识别会议记录“，”author“：”T Dai“，”year“：”2019“，”unstructured“：”T.Dai，J.R.Cai，Y.B.Zhang，S.T.Xia，L.Zhang。用于单图像超分辨率的二阶注意网络。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国长滩，第11065\u2013110742019页。DOI:https:\/\/DOI.org\/10.109\/CV-PR.2019.01132.“}，{”key“：”1274_CR103“，”DOI-asserted-by“：”publisher“，”first page“：“80”，”DOI“：”10.1016\/j.patcog.2018.10.005“，”volume“:”87“，”author“：”B Y Chen“，”year“：”2019“，”unstructured“：”B.Y.Chen，P.X.Li，C.Sun，D.Wang，G.Yang，H.C.Lu。用于视觉跟踪的多注意力模块。模式识别，第87卷，第80\u201393页，2019年。DOI:https:\/\/DOI.org\/10.1016\/j.pat-cog.2018.10.005.“，”journal-title“：”模式识别“}，{“key”：“1274_CR104”，“DOI-asserted-by”：“publisher”，“first-page:“8817”，“DOI”：“10.1109\/CVPR.2018.00919”，“volume-title”：“IEEE\/CVF计算机视觉和模式识别会议论文集”，“author”：“Z X Wu”，“year”：“2018”，“unstructured”：“ZX Wu.X。Wu，T.Nagarajan，A.Kumar，S.Rennie，L.S.Davis，K.Grauman，R.Feris。BlockDrop:残余网络中的动态推理路径。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国盐湖城，第8817页，20138826页，2018年。DOI:https:\/\/DOI.org\/10.109\/CVPR.2018.00919.“}，{”key“：”1274_CR105“，”DOI-asserted-by“：”publisher“，”first page“：“409”，”DOI“：”10.1007\/978-3030-01261-8_25“，”volume-title“：”第十五届欧洲计算机视觉会议论文集“，”author“：”X Wang“，”year“：”2018“，”unstructured“：”X.Wang，F.S.Yu，Z.Y.Dou，T.Darrell，J.E。冈萨雷斯。SkipNet：学习卷积网络中的动态路由。《第十五届欧洲计算机视觉会议论文集》，德国慕尼黑施普林格，第409\u20134242018页。DOI:https:\/\/DOI.org\/10.1007\/978-3-030-01261-8_25.“}，{“key”：“1274_CR106”，“DOI-asserted-by”：“publisher”，“first page”：”8080“，“DOI”：“10.1109\/CV-PR.2018.00843”，“volume-title”：“IEEE\/CVF计算机视觉和模式识别会议论文集”，“author”：“N Shazeer”，“year”：“2018”，“unstructured”：“N.Shazeer，K.Fatahalian，W.R.Mark”，R。T.穆拉普迪。HydraNets：用于高效推理的专用动态架构。在IEEE计算机视觉和模式识别会议论文集上，IEEE，美国盐湖城，pp.8080\u201380892018。DOI:https:\\/DOI.org\/10.109\/CV-PR.2018.00843.“}，{“key”：“1274_CR107”，“unstructured”：“G.Huang，D.L.Chen，T.H.Li，F.Wu，L.Van Der Maaten，K.Q.Weinberger。资源高效图像分类的多尺度密集网络。[在线]，可用：https:\\/arxiv.org\/abs\/1703.09844，2017.”}，}“key:”1274_CR108“，”unstructure“：”Z.H。你，严国强，叶建民，马建民，王建民。门装饰器：用于加速深层卷积神经网络的全局滤波器剪枝方法。《第三十三届神经信息处理系统会议论文集》，加拿大温哥华，第2133\u201321442019页年”：“2020年”，“非结构化”：“Y.W.Li，L.Song，Y.K.Chen，Z.M.Li，X.Y.Zhang，X.G.Wang，J.Sun。学习用于语义分割的动态路由。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国西雅图，第8553\u201385622020页。DOI:https:\/\/DOI.org\/10.109\/CVPR42600.2020.00858.“}，{“key”：“1274_CR110”，“unstructured”：“B.De Brabandere，X.Jia，T.Tuytelaars，L.Van Gool。动态过滤网络。《第三十届神经信息处理系统会议论文集》，西班牙巴塞罗那，第667\u2013675页，2016年。”}，}“key:”1274_CR111“，”DOI-asserted-by“：”publisher“，”第一页“：”261“，”DOI“：”10.1109\/ICCV.2017.37“，”volume-title“：”IEEE国际计算机视觉会议记录“，”author“：”S Niklaus“，”year“：”2017“，”unstructured“：”S.Niklaus，L.Mai，F.Liu。通过自适应可分离卷积进行视频帧插值。《IEEE计算机视觉国际会议论文集》，IEEE，意大利威尼斯，第261\u2013270页，2017年。DOI:https:\/\/DOI.org\/10.109\/ICCV.2017.37.“}，{”key“：”1274_CR112“，”DOI-asserted-by“：”publisher“，”first page“：“3224”，”DOI“：”10.1109\/CVPR.2018.00340“，”volume-title“：”IEEE\/CVF计算机视觉和模式识别会议论文集“，”author“：”Y Jo“，“year”：“2018”，“unstructured”：“Y.Jo，S.W.Oh，J.Kang，S.J。基姆。使用动态上采样滤波器的深度视频超分辨率网络，无需显式运动补偿。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国盐湖城，第3224\u201332322018页。DOI:https:\/\/DOI.org\/10.109\/CVPR.2018.00340.“}，{”key“：”1274_CR113“，”unstructured“：”X.Y.Xu，M.C.Li，W.X.Sun。学习用于图像和视频去噪的可变形内核。[在线]，可用：https:\//arxiv.org\/abs\/1904.069032019。109\/CV-PR.2018.00265“，”“volume-title”：“IEEE计算机视觉和模式识别会议论文集”，“author”：“B Mildenhall”，“year”：“2018”，“unstructured”：“B.Mildenhal，J.T.Barron，J.W.Chen，D.Sharlet，R.Ng，R.Carroll。基于核预测网络的突发信号去噪。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国盐湖城，第2502页，20132510页，2018年。DOI:https:\/\/DOI.org\/10.109\/CV-PR.2018.00265.“}，{”key“：”1274_CR115“，”DOI-asserted-by“：”publisher“，”first page“：“12496”，”DOI“：”10.1109\/CVPR42600.2020.01251“，”volume-title“：”IEEE\/CVF计算机视觉和模式识别会议论文集“，”author“：”Y S Xu“，”year“：”2020“，”unstructured“：”Y.S.Xu，S.Y.R.Tseng，Y.Tseng英国。郭永明（Y.M.Tsai）。统一动态卷积网络用于具有变分退化的超分辨率。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国西雅图，第12496\u2013125052020页。DOI:https:\/\/DOI.org\/10.109\/CVPR42600.2020.01251.“}，{”key“：”1274_CR116“，”DOI-asserted-by“：”publisher“，”first page“：“764”，”DOI“：”10.1109\/ICCV.2017.89“，”volume-title“：”IEEE国际计算机视觉会议论文集“，”author“：”J F Dai“，”year“：”2017“，”unstructured“：”J.F.Dai，H.Z.Qi，Y.W.Xiong，Y.Li，G.D.Zhang，H.胡，Y。C.魏。可变形卷积网络。《IEEE计算机视觉国际会议论文集》，IEEE，意大利威尼斯，第764\u20137732017页。DOI:https:\/\/DOI.org\/10.109\/ICCV.2017.89.“}，{”key“：”1274_CR117“，”DOI-asserted-by“：”publisher“，”first page“：“9308”，”DOI“：”10.1109\/CVPR.2019.00953“，”volume-title“：”IEEE\/CVF Conference on Computer Vision and Pattern Recognition“，“author”：“X Z Zhu”，“year”：“2019”，“unstructured”：“X.Z.Zu，H.Hu，S.Lin，J.F。戴。变形ConvNets V2：变形越多，效果越好。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国长滩，第9308\u20139316页，2019年。DOI:https:\/\/DOI.org\/10.109\/CVPR.2019.00953.“}，{“key”：“1274_CR118”，“unstructured”：“C.F.Xu，B.C.Wu，Z.N.Wang，W.Zhan，P.Vajda，K.Keutzer，M.Tomizuka。SqueezeSegV3:有效点云分割的空间自适应卷积。[在线]，可用：https:\///arxiv.org\/abs\/2004.01803200.”}，}，[2]“key“：”1274_CR119“，“doi-asserted-by“：”publisher“，”first page“：”3992“，”doi“：”10.1109\/CVPR42600.2020.00405“，”volume-title“：”IEEE\/CVF计算机视觉和模式识别会议论文集“，”author“：”Z T Xiong“，”year“：”2020“，”unstructured“：”Z.T.Xiong，Y.Yuan，N.H.Guo，Q.Wang。用于室内场景解析的可变上下文可变形convnet。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国西雅图，第3992\u201340022020页。DOI:https:\/\/DOI.org\/10.109\/CVPR42600.2020.00405.“}，{“问题”：“9”，“密钥”：“1274_CR120”，“DOI-asserted-by”：“发布者”，“首页”：“1659”，”DOI“：”10.1016\/S0893-6080（97）00011-7“，”volume“：”10“，”author“：”W Maass“，”year“：”1997“，”unstructured“：”W。马斯。尖峰神经元网络：第三代神经网络模型。神经网络，第10卷，第9期，第1659\u201316711997页。DOI:https:\/\/DOI.org/10.1016/S0893-6080（97）00011-7.”，“期刊标题”：“神经网络”}，｛“密钥”：“1274_CR121”，“非结构化”：“S.Kim，S.Park，B.Na，S.Yoon。Spiking YOLO:用于节能物体检测的Spiking神经网络。[在线]，可用：https:\/\/arxiv.org/abs\/1903.065302019。”｝，｛“问题”：“5216”，“密钥”：“1274_CR122”，“doi-asserted-by“：”publisher“，”first-page“：”1503“，”doi“：”10.1126\/science.7770778“，”volume“：”268“，”author“：”Z F Mainen“，”year“：”1995“，”unstructured“：”Z.F.Mainen，T.J.Sejnowski。新皮质神经元棘波计时的可靠性。《科学》，第268卷，第5216号，第1503\u201315061995页。DOI:https:\/\/DOI.org\/10.1126\/science.7770778.“，”journal-title“：”science“}，{”key“：”1274_CR123“，”first-page“：”787“，”volume-title”：“第32届神经信息处理系统国际会议论文集”，“author”：“G Bellec”，“year”：“2018”，“unstructured”：“G.Bellec，D.Salaj，A.Subramoney，R.Legenstein，W。马斯。在尖峰神经元网络中的长-短期记忆和学习-学习。《第32届神经信息处理系统国际会议论文集》，Curran Associates Inc.，Red Hook，USA，pp.787\u20137972018。Cao，Y.Chen，D.Khosla。用于节能目标识别的尖峰深度卷积神经网络。《国际计算机视觉杂志》，第113卷，第1期，第54\u201366页，2015年。DOI:https:\/\/DOI.org\/10.1007\/s11263-014-0788-3.“，”journal-title“：”International journal of Computer Vision“}，{”key“：”1274_CR125“，”DOI-asserted-by“：”publisher“，”first page“：“142”，“DOI”：“10.1109\/CVPR.2000.854761”，“volume-title”：“计算机视觉和模式识别IEEE会议论文集”，“author”：“D Comaniciu”，”年份“2000”，“非结构化“：”D.Comaniciu，V.Ramesh，P.Meer。使用mean shift实时跟踪非刚性对象。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国希尔顿海德岛，第142\u2013149页，2000年。DOI:https:\/\/DOI.org\/10.109\/CVPR.2000.854761.“}，{”key“：”1274_CR126“，”DOI-asserted-by“：”publisher“，”first page“：“886”，”DOI“：”10.1109\/CVPR.2005.177“，”volume-title“：”IEEE计算机学会计算机视觉和模式识别会议论文集“，”author“：”N Dalal“，”year“：”2005“，”unstructured“：”N.Dalal，B。触发器。人体检测定向梯度直方图。《IEEE计算机学会计算机视觉和模式识别会议论文集》，IEEE，美国圣地亚哥，第886\u20138932005页。DOI:https:\/\/DOI.org\/10.109\/CVPR.2005.177.“}，{”key“：”1274_CR127“，”DOI-asserted-by“：”publisher“，”first page“：“702”，”DOI“：”10.1007\/978-3642-33765-9_50“，”volume-title“：”Proceedings of the 12th European Conference on Computer Vision“，”author“：”J F Henriques“，”year“：”2012“，”unstructured“：”J.F.Henriqus，R.Caseiro，P.Martins，J。巴蒂斯塔。利用内核开发逐点跟踪的循环结构。《第十二届欧洲计算机视觉会议论文集》，意大利佛罗伦萨斯普林格，第702\u20137152012页。DOI:https:\/\/DOI.org\/10.1007\/978-3642-33765-9_50.“}，{“问题”：“3”，“密钥”：“1274_CR128”，“DOI-asserted-by”：“发布者”，“首页”：“583”，《DOI》：“10.1109\/TPAMI.2014.2345390”，“卷”：“37”，“作者”：“J F Henriques”，“年份”：“2015”，“非结构化”：“J.F.Henriqus，R.Caseiro，P.Martins，J。巴蒂斯塔。带核相关滤波器的高速跟踪。IEEE模式分析和机器智能汇刊，第37卷，第3期，第583\u20135962015页。DOI:https:\/\/DOI.org\/10.109\/TPAMI.2014.2345390.“，”journal-title“：”IEEE Transactions on Pattern Analysis and Machine Intelligence“}，{”key“：”1274_CR129“，”DOI-asserted-by“：”publisher“，“first page”：“1401”，“DOI”：“10.1109\/CVPR.2016.156”，“volume-title”：“IEEE Conference on Computer Vision and Pattern Recognition”，“author”：“L Bertinetto“，“年份”：“2016年”，“非结构化”：“L.Bertineto，J.Valmadre，S.Golodetz，O.Miksik，P.H.S.Torr。Staple：实时跟踪的补充学习者。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国拉斯维加斯，第1401\u201314092016页。DOI:https:\/\/DOI.org\/10.109\/CVPR.2016.156.“}，{”key“：”1274_CR130“，”DOI-asserted-by“：”publisher“，”first page“：“3074”，”DOI“：”10.1109\/ICCV.2015.352“，”volume-title“：”IEEE国际计算机视觉会议论文集“，”author“：”C Ma“，“year”：“2015”，”unstructured“：”C.Ma，J.B.Huang，X.K.Yang，M.H。杨。视觉跟踪的层次卷积特征。《IEEE计算机视觉国际会议论文集》，IEEE，智利圣地亚哥，第3074\u20133082页，2015年。DOI:https:\/\/DOI.org/10.1109\/ICCV.2015.352.“｝，｛“key”：“1274_CR131”，“DOI asserted by”：“publisher”，“first page”：“4303”，“DOI”：“10.1109\/CVPR.2016.466”，“volume title”：“Proceedings of IEEE Conference on Computer Vision and Pattern Recognition”，“author”：“Y K Qi”，“year”：“2016”，“nonstructured”：“Y.K.Qi，S.P.Zhang，L.Qin，H.X.Yao，Q.M.Huang，J。Lim，M.H.Yang。对冲深度追踪。在《IEEE计算机视觉与模式识别会议论文集》中，IEEE，美国拉斯维加斯，第4303\u201343112016页。DOI:https:\/\/DOI.org\/10.109\/CVPR.2016.466.“}，{”key“：”1274_CR132“，”DOI-asserted-by“：”publisher“，”first page“：“850”，”DOI“：”10.1007\/978-3319-48881-3_56“，”volume-title“：”Proceedings of European Conference on Computer Vision“，”author“：”L Bertinetto“，”year“：”2016“，”unstructured“：”L.Bertineto，J.Valmadre，J.F.Henriques，A.Vedaldi、P.H.S。托尔。用于目标跟踪的全卷积暹罗网络。《欧洲计算机视觉会议论文集》，荷兰阿姆斯特丹斯普林格，第850\u2013865页，2016年。DOI:https:\/\/DOI.org\/10.1007\/978-3-319-48881-3_56.“}，{“key”：“1274_CR133”，“DOI-asserted-by”：“publisher”，“first page”：《首页》：“4282”，“DOI”：“10.1109\/CVPR.2019.00441”，“volume-title”：“IEEE\/CVF计算机视觉和模式识别会议论文集”，“author”：“B Li”，“year”：“2019”，“unstructured”：“B.Li，W.Wu，Q.Wang，F.Y.Zhang，J.L。Xing，J.J.Yan。暹罗RPN++：暹罗视觉跟踪与深度网络的发展。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国长滩，第4282\u201342912019页。DOI:https:\/\/DOI.org\/10.109\/CVPR.2019.00441.“}，{”key“：”1274_CR134“，”DOI-asserted-by“：”publisher“，”first page“：“7133”，”DOI“：”10.1109\/CVPR42600.2020.00716“，”volume-title“：”IEEE\/CVF计算机视觉和模式识别会议记录“，”author“：”A Lukezic“，”year“：”2020“，”unstructured“：”A.Lukezic，J.Matas，M。克里斯坦。D3S-一种区分性单镜头分割跟踪器。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国西雅图，第7133页，201371422020年。DOI:https:\/\/DOI.org\/10.109\/CVPR42600.2020.00716.“}，{”key“：”1274_CR135“，”DOI-asserted-by“：”publisher“，”first page“：“8355”，”DOI“：”10.1109\/TIP.2020.3014952“，”volume“：。于。具有多视图轨迹预测的视觉跟踪。IEEE图像处理汇刊，第29卷，第8355\u201383672020页。DOI:https:\/\/DOI.org\/10.109\/TIP.2020.3014952.“，”journal-title“：”IEEE Transactions on Image Processing“}，{”key“：”1274_CR136“，”DOI-asserted-by“：”publisher“，”first page“：“6668”，“DOI”：“10.1109\/CVPR42600.2020.00670”，“volume-title”：“IEEE\/CVF Conference on Computer Vision and Pattern Recognition”，“author”：“Z D Chen”，“year”：“2020”，“非结构化”：“Z.D.Chen，B.N.Zhong，G.R.Li，S.P.Zhang，R.R.Ji。用于视觉跟踪的连体箱自适应网络。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国西雅图，第6668页，201366772020年。DOI:https:\/\/DOI.org\/10.109\/CVPR42600.2020.00670.“}，{“key”：“1274_CR137”，“DOI-asserted-by”：“publisher”，“first page”：：“4591”，“DOI”：“10.1109\/CVPR.2019.00472”，“volume-title”：“IEEE\/CVF计算机视觉和模式识别会议论文集”，“author”：“ZP Zhang”，“year”：“2019”，“unstructured”：“Z P.Zhang，H.W。彭。用于实时视觉跟踪的更深入和更广泛的暹罗网络。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国长滩，第4591\u20134600页，2019年。DOI:https:\/\/DOI.org\/10.109\/CVPR.2019.00472.“}，{”key“：”1274_CR138“，”DOI-asserted-by“：”publisher“，”first page“：“36”，“DOI”：“10.1016\/j.neucom.2020.2.080”，“volume”：“401”，“author”：“L Y Zheng”，“year”：“2020”，“unstructured”：“L.Y.Zheng，Y.Chen，M.Tang，j.Q.Wang，H.Q.Lu。用于实时视觉跟踪的暹罗可变形互相关网络。神经计算，第401卷，第36\u2013472020页。DOI:https:\/\/DOI.org\/10.1016\/j.neucom.2020.2.080.“，”journal-title“：”Neurocomputing“}，{”key“：”1274_CR139“，”DOI-asserted-by“：”publisher“，”first page“：“6728”，“DOI”：“10.1109\/CVPR42600.2020.00676”，“volume-title”：“IEEE\/CVF计算机视觉和模式识别会议论文集”，“author”：“Y C Yu”，“year”：“2020”，“unstructured”：“”Y.C.（纽约）。Yu，Y.L.Xiong，W.L.Huang，M.R.Scott。用于视觉对象跟踪的可变形暹罗注意网络。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国西雅图，第6728\u201367372020页。DOI:https:\/\/DOI.org\/10.109\/CVPR42600.2020.00676.“}，{”key“：”1274_CR140“，”DOI-asserted-by“：”publisher“，”first page“：“1762”，”DOI“：”10.1109\/TIP.2019.2942502“，”volume“：：”29“，”author“：”Z Teng“，”year“：”2019“，”unstructured“：”Z.Teng，J.L.Xing，Q.Wang，B.P.Zhang，J.P。风扇。用于鲁棒视觉对象跟踪的深层时空网络。IEEE图像处理汇刊，第29卷，第1762\u201317751919页。DOI:https:\/\/DOI.org/10.1109\/TIP.201922942502.”，“期刊标题”：“IEEE图像处理汇刊”}，｛“密钥”：“1274_CR141”，“DOI断言者”：“出版商”，“首页”：“1479”，“DOI”：“10.1109\/TIP.20192942506”，“卷”：“29”，“作者”：“M H Abdelpakey”，“年份”：“2019”，“非结构化”：“M.H.Abdelpakey，M.S。谢哈塔。DP Siam：用于鲁棒对象跟踪的动态策略暹罗网络。IEEE图像处理汇刊，第29卷，第1479\u201314922019页。DOI:https:\/\/DOI.org\/10.109\/TIP.2019.2942506.“，”journal-title“：”IEEE Transactions on Image Processing“}，{“key”：“1274_CR142”，“DOI-asserted-by”：“publisher”，“first page”：”6162“，”DOI“：”10.1109\/ICCV.2019.00626“，”volume-title”：“IEEE\/CVF国际计算机视觉会议论文集”，“author”：“P X Li”，”年份：“2019”，“unstructured”：“P。X.Li，B.Y.Chen，W.L.Ouyang，D.Wang，X.Y.Yang，H.C.Lu.GradNet：用于视觉对象跟踪的梯度引导网络。《IEEE计算机视觉国际会议论文集》，IEEE，韩国首尔，第6162\u201361712019页。DOI:https:\/\/DOI.org\/10.109\/ICCV.2019.00626.“}，{”key“：”1274_CR143“，”DOI-asserted-by“：”publisher“，”first page“：“6269”，”DOI“：”10.1109\/CVPR42600.2020.00630“，”volume-title“：”IEEE\/CVF计算机视觉和模式识别会议论文集“，”author“：”D Y Guo“，”year“：”2020“，”unstructured“：”D.Y.Guo，J.Wang，Y.Cui，Z.H.王秀英。陈。暹罗：暹罗完全卷积分类和回归视觉跟踪。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国西雅图，第6269页，201362772020年。DOI:https:\/\/DOI.org\/10.109\/CVPR42600.2020.00630.“}，{“key”：“1274_CR144”，“DOI-asserted-by”：“publisher”，“first page”：”1328“，“DOI”：“10.1109\/CVPR.2019.00142”，“volume-title”：“IEEE\/CVF计算机视觉和模式识别会议论文集”，“author”：“Q Wang”，“year”：“2019”，“unstructured”：“Q.Wang，L.Zhang，L.Bertinetto，W.M.Hu”、P。H.S.托尔。快速在线对象跟踪和分割：一种统一的方法。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国长滩，第1328u201313382019页。DOI:https:\/\/DOI.org\/10.109\/CVPR.2019.00142.“}，{”key“：”1274_CR145“，”DOI-asserted-by“：”publisher“，”first-page“：”7952“，”DOI“：”10.1109\/CVPR.2019.00814“，”volume-title“：”IEEE\/CVF计算机视觉和模式识别会议论文集“，”author“：”H Fan“，”year“：”2019“，”unstructured“：”H.Fan，H.B。凌。暹罗级联区域提议网络用于实时视觉跟踪。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国长滩，第7952\u201379612019页。DOI:https:\/\/DOI.org\/10.109\/CVPR.2019.00814.“}，{”key“：”1274_CR146“，”DOI-asserted-by“：”publisher“，”first page“：“483”，”DOI“：”10.1007\/978-3030-01216-8_30“，”volume-title“：”第十五届欧洲计算机视觉会议论文集“，”author“：”G Bhat“，”year“：”2018“，”unstructured“：”G.Bhat，J.Johnander，M.Danelljan，F.S.Khan，M.Fel斯伯格。揭开深度追踪的威力。《第十五届欧洲计算机视觉会议论文集》，德国慕尼黑施普林格，第483\u2013498页，2018年。DOI:https:\/\/DOI.org\/10.1007\/978-3-030-01216-8_30.“}，{”key“：”1274_CR147“，”DOI-asserted-by“：”publisher“，”first page“：“2610”，”DOI“：”10.1109\/TIP.2019.295058“，”volume“：。道。提取通道以进行有效的深度跟踪。IEEE图像处理汇刊，第29卷，第2610\u201326212019页。DOI:https:\/\/DOI.org\/10.109\/TIP.2019.2950508.“，”journal-title“：”IEEE Transactions on Image Processing“}，{“issue”：“7”，“key”：“1274_CR148”，“DOI-asserted-by”：“publisher”，“first page”：”12549“，”DOI“：”10.1609\/aaai.v34i07.6944“，”volume“：”34“，”author“：”Y D Xu“，”year“：”2020“，”非结构化“：”Y.D.Xu，Z.王毅、李政霞、叶毅、G。于。SiamFC++：使用目标估计指南实现稳健、准确的视觉跟踪。《AAAI人工智能会议记录》，第34卷，第7期，第12549\u2013125562020页。DOI:https:\/\/DOI.org\/10.1609\/aaai.v34i07.6944.“，”journal-title“：”aaai人工智能会议论文集“}，{“issue”：“7”，“key”：“1274_CR149”，“DOI-asserted-by”：“publisher”，“first page”：”12645“，”DOI“：”10.1609\/aaai.v34i0.7.6956“，”volume“：”34“，”author“：”Y Yang“，”year“：”2020“，”“unstructured”：“Y.Yang，G.Li，Y.Qi，Q。黄。释放在线训练的力量，实现强健的视觉跟踪。《AAAI人工智能会议记录》，第34卷，第7期，第12645\u2013126522020页。DOI:https:\/\/DOI.org\/10.1609\/aaai.v34i07.6956.“，”journal-title“：”aaai人工智能会议论文集“}，{“issue”：“7”，“key”：“1274_CR150”，“DOI-asserted-by”：“publisher”，“first page”：”13017“，”DOI“：”10.1609\/aaai.v34i07.7002“，”volume“：”34“，”author“：”J H Zhou“，”“year”：“2020”，“unstructured”：“J.H.Zhou，P.Wang，H.Y。太阳。暹罗视觉跟踪的区分性和鲁棒性在线学习。在《AAAI人工智能会议论文集》，第34卷，第7期，AIAA，第13017\u201313024202020页。“，期刊标题”：“AAAI人工智能会议论文集”}，｛“key”：“1274_CR151”，“doi断言”：“publisher”，“first page”：“479”，“doi”：“10.1109\/CVPR.2018.00057”，“volume title”：“IEEE\/CFF计算机视觉与模式识别会议论文集”，“作者”：“J Choi”，“年份”：“2018”，“非结构化”：“J.Choi，H.J.Chang，T.Fischer，S.Yun，K.Lee，J.Jeong，Y.Demiris，J.Y.Choi。用于高速视觉跟踪的上下文软件深度特征压缩。在IEEE/CFF计算机视觉和模式识别会议论文集中，IEEE，美国盐湖城，pp.479\u20134882018。DOI:https:\/\/DOI.org\/10.109\/CVPR.2018.00057.“}，{”key“：”1274_CR152“，”DOI-asserted-by“：”publisher“，”first page“：“8971”，”DOI“：”10.1109\/CVPR.2018.00935“，”volume-title“：”IEEE\/CVF计算机视觉和模式识别会议论文集“，”author“：”B Li“，“year”：“2018”，”unstructured“：”B.Li，J.Yan，W.Wu，Z.Zu，X.L.Hu●●●●。利用暹罗地区提案网络进行高性能视觉跟踪。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国盐湖城，第8971\u20138980页，2018年。DOI:https:\/\/DOI.org\/10.109\/CVPR.2018.00935.“}，{”key“：”1274_CR153“，”DOI-asserted-by“：”publisher“，”first page“：“8990”，”DOI“：”10.1109\/CVPR.2018.00937“，”volume-title“：”IEEE\/CVF计算机视觉和模式识别会议论文集“，”author“：”Y B Song“，”year“：”2018“，”unstructured“：”Y.B.Song，C.Ma，X.H.Wu，L.J.Gong，L.C、。Bao，W.M.Zuo，C.H.Shen，R.W.H.Lau，M.H.Yang。关键：通过对抗性学习进行视觉跟踪。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国盐湖城，第8990\u20138999页，2018年。DOI:https:\/\/DOI.org\/10.109\/CVPR.2018.00937.“}，{”key“：”1274_CR154“，”DOI-asserted-by“：”publisher“，”unstructured“：”Z.H.Lai，E.Lu，W.D.Xie。MAST:一个增强记忆的自我监督跟踪器。摘自IEEE计算机视觉和模式识别会议记录，IEEE，美国西雅图，pp.6479\u20136488 2020。DOI:https:\/\/DOI.org\/10.109\/CVPR42600.2020.00651.“，”DOI“：”10.1109\/CVPR 42600.20.200.0651“}，{“key”：“1274_CR155”，“DOI-asserted-by”：“publisher”，“first page”：”569“，“DOI”：“10.1007\/978-3030-01219-9_35”，“volume-title”：“第十五届欧洲计算机视觉会议论文集”，“author”：“E Park”，“year”：“2018”，“unstructured”“：”E.Park，A.C.Berg。Meta-tracker：用于视觉对象跟踪器的快速且健壮的在线自适应。《第十五届欧洲计算机视觉会议论文集》，德国慕尼黑施普林格，第569\u20135852018页。DOI:https:\/\/DOI.org\/10.1007\/978-3-030-01219-9_35.“}，{”key“：”1274_CR156“，”DOI-asserted-by“：”publisher“，”first page“：“378”，”DOI“：”10.1007\/9783-030-58565-5_23“，”volume-title“：”Proceedings of the 16th European Conference on Computer Vision“，”author“：”X P Dong“，”year“：”2020“，”unstructured“：”X.P.Dong，J.B.Shen，L.Shao，F。波里克利。CLNet：用于快速调整暹罗跟踪器的紧凑型潜在网络。《第16届欧洲计算机视觉会议论文集》，英国格拉斯哥斯普林格，第378\u20133952020页。DOI:https:\/\/DOI.org\/10.1007\/978-3-030-58565-5_23.“}，{”key“：”1274_CR157“，”DOI-asserted-by“：”publisher“，”first page“：“771”，”DOI“：”10.1007\/9783-030-58589-1_46“，”volume-title“：第十六届欧洲计算机视觉会议论文集”，“author”：“ZP Zhang”，“year”：“2020”，“unstructured”：“张志平，H.W.Peng，J.L.Fu，B.Li，胡伟民（W.M.Hu）。海洋：物体软件无需主持人跟踪。《第16届欧洲计算机视觉会议论文集》，英国格拉斯哥斯普林格，第771\u20137872020页。DOI:https:\/\/DOI.org\/10.1007\/978-3-030-58589-1_46.“}，{”key“：”1274_CR158“，”DOI-asserted-by“：”publisher“，”first page“：“1”，”DOI“：”10.1007\/9783-030-58542-6_1“，“volume-title”：“第十六届欧洲计算机视觉会议论文集”，“author”：“Y Liu”，“year”：“2020”，“unstructured”：“Y.Liu，Y.Cheng，R.T.Tan，X.B。隋。使用时空网络进行目标跟踪，以进行未来预测定位。《第16届欧洲计算机视觉会议论文集》，英国格拉斯哥斯普林格，pp.1\u2013172020。DOI:https:\/\/DOI.org/10.1007\/978-3-030-58542-6_1.“}，{“key”：“1274_CR159”，“DOI asserted by”：“publisher”，“first page”：“429”，“DOI”：“10.1007\/978-3-030-58542-6_26”，“volume title”：“Proceedings of the 16th European Conference on Computer Vision”，“author”：“B Y Liao”，“year”：“2020”，“nonstructured”：“B.Y.Liao，C.Y.Wang，Y.Y.Wang，Y.N.Wang，J。阴。PG-Net：用于视觉跟踪的像素到全局匹配网络。《第16届欧洲计算机视觉会议论文集》，英国格拉斯哥斯普林格，第429\u20134442020页。DOI:https:\/\/DOI.org/10.1007\/978-3-030-58542-6_26.“｝，｛“key”：“1274_CR160”，“DOI asserted by”：“publisher”，“first page”：“3999”，“DOI”：“10.1109\/ICCV.2019.00410”，“volume title”：“Proceedings of IEEE\/CFF International Conference on Computer Vision”，“author”：“L H Huang”，“year”：“2019”，“nonstructured”：“L.H.Huang，X.Zhao，K.Q。黄。缩小检测和跟踪之间的差距：统一的方法。《IEEE计算机视觉国际会议论文集》，IEEE，韩国首尔，第3999\u201340092019页。DOI:https:\/\/DOI.org\/10.109\/ICCV.2019.00410.“}，{“issue”：“8”，“key”：“1274_CR161”，“DOI-asserted-by”：“publisher”，“first-page”：“3766”，“DOI”：“10.1109\/TIP.2019.2902784”，“volume”：”28“author”：“W X Liu”，“year”：“2019”，“unstructured”：“W.X.Liu，Y.B.Song，D.S.Chen，S.F.He，Y.L.Yu，T.Yan，G.P.Hancke，R.W.H。刘。门控融合的可变形目标跟踪。IEEE图像处理汇刊，第28卷，第8期，第3766\u201337772019页。DOI:https:\/\/DOI.org\/10.109\/TIP.2019.2902784.“，”journal-title“：”IEEE Transactions on Image Processing“}，{“key”：“1274_CR162”，“DOI-asserted-by”：“publisher”，“first page”：”3351“，”DOI“：”10.1109\/TIP.2019.2959256“，”volume“：”29“，”author“：”Z Y Liang“，”year“：”2019“，”unstructured“：”Z.Y.Liang，J.B。沈。用于快速跟踪的本地语义暹罗网络。IEEE图像处理汇刊，第29卷，第3351\u201333642019页。DOI:https:\/\/DOI.org/10.1109\/TIP.20192959256.”，“期刊标题”：“IEEE图像处理汇刊”}，｛“密钥”：“1274_CR163”，“DOI断言者”：“出版商”，“首页”：“4834”，“DOI”：“10.1109\/CVPR.2018.00508”，“卷标题”：“IEEE\/CFF计算机视觉与模式识别会议论文集”，“作者”：“A F He”，“年份”：“2018”，“非结构化”：“A.F.He，C.Luo，X.M.Tian，W.J.Zeng。用于实时目标跟踪的双重暹罗网络。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国盐湖城，第4834\u20134843页，2018年。DOI:https:\/\/DOI.org\/10.109\/CVPR.2018.00508.“}，{”key“：”1274_CR164“，”DOI-asserted-by“：”publisher“，”first page“：“4649”，”DOI“：”10.1109\/CVPR.2019.00478“，”volume-title“：”IEEE\/CVF计算机视觉和模式识别会议论文集“，”author“：”J Y Gao“，”year“：”2019“，”unstructured“：”J.Y.Gao，T.Z.Zhang，C.S。徐。图形卷积跟踪。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国长滩，第4649\u201346592019页。DOI:https:\/\/DOI.org\/10.109\/CVPR.2019.00478.“}，{”key“：”1274_CR165“，”DOI-asserted-by“：”publisher“，”first page“：“351”，”DOI“：”10.1007\/978-3-030-01240-3_22“，”volume-title“：”第十五届欧洲计算机视觉会议论文集“，”author“：”Y H Zhang“，”year“：”2018“，”unstructured“：”Y.H.Zhang，L.J.Wang，J.Q.Qi，D.Wang，M.Y.Feng，H。C.Lu.用于实时视觉跟踪的结构化暹罗网络。《第十五届欧洲计算机视觉会议论文集》，德国慕尼黑施普林格，第351\u20133662018页。DOI:https:\/\/DOI.org\/10.1007\/978-3-030-01240-3_22.“}，{”key“：”1274_CR166“，”DOI-asserted-by“：”publisher“，”first page“：“3311”，”DOI“：”10.1109\/TIP.2019.2959249“，”volume“：。傅。基于多流深度相似性学习网络的视觉目标跟踪。IEEE图像处理汇刊，第29卷，第3311\u20133320页，2019年。DOI:https:\/\/DOI.org\/10.109\/TIP.2019.2959249.“，”journal-title“：”IEEE Transactions on Image Processing“}，{“key”：“1274_CR167”，“DOI-asserted-by”：“publisher”，“first page”：”6288“，”DOI“：”10.1109\/CVPR42600.2020.00632“，”volume-title”：“IEEE\/CVF Computer Vision and Pattern Recognition会议论文集”，“作者”：“G T Wang”，“年份”：“2020”，“非结构化“：”王国通、罗春云、孙晓云、熊振伟、曾伟杰。通过实例检测进行跟踪：一种元学习方法。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国西雅图，第6288\u201362972020页。DOI:https:\/\/DOI.org\/10.109\/CVPR42600.2020.00632.“}，{”key“：”1274_CR168“，”DOI-asserted-by“：”publisher“，”first page“：“6718”，”DOI“：”10.1109\/CVPRS2600.2020.00675“，”volume-title“IEEE\/CVF Computer Vision and Pattern Recognition会议记录”，“author”：“T Y Yang”，“year”：“2020”，“unstructured”：“T.Y.Yang，P.F.Xu，R.B.Hu，H。Chai，A.B.Chan。ROAM：循环优化跟踪模型。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国西雅图，第6718\u201367272020页。DOI:https:\/\/DOI.org\/10.109\/CVPR42600.2020.00675.“}，{”key“：”1274_CR169“，”DOI-asserted-by“：”publisher“，”first page“：“353”，”DOI“：”10.1007\/978-3030-01264-9_22“，”volume-title“：”第十五届欧洲计算机视觉会议论文集“，”author“：”X K Lu“，“year”：“2018”，”unstructured“：”X.K.Lu，C.Ma，B.Ni，X.K.Yang，I.Rei d、M.H。杨。具有收缩损失的深度回归跟踪。《第十五届欧洲计算机视觉会议论文集》，德国慕尼黑施普林格，第353\u20133692018页。DOI:https:\/\/DOI.org\/10.1007\/978-3-030-01264-9_22.“}，{”key“：”1274_CR170“，”DOI-asserted-by“：”publisher“，”first page“：“822”，”DOI“：”10.1007\/9783-030-01270-0_50“，”volume-title“：”第十五届欧洲计算机视觉会议论文集“，”author“：”H Z Zhou“，”year“：”2018“，”unstructured“：”H.Z.Zhou，B.Ummenhofer，T。布罗克斯。DeepTAM：深度跟踪和绘图。《第十五届欧洲计算机视觉会议论文集》，德国慕尼黑施普林格，第822\u2013838页，2018年。DOI:https:\/\/DOI.org\/10.1007\/978-3-030-01270-0_50.“}，{”key“：”1274_CR171“，”DOI-asserted-by“：”publisher“，”first page“：“474”，”DOI“：”10.1007\/978-30-58548-8_28“，”volume-title“：”第十六届欧洲计算机视觉会议论文集“，”author“：”X Y Zhou“，”year“2020”，”unstructured“：”X.Y.Zhou，V.Koltun，P。克拉亨布尔。将对象作为点进行跟踪。《第16届欧洲计算机视觉会议论文集》，英国格拉斯哥斯普林格，第474\u201349020页。DOI:https:\/\/DOI.org/10.1007\/978-3-030-58548-8_28.“｝，｛“issue”：“8”，“key”：“1274_CR172”，“DOI断言”：“publisher”，“首页”：“1084”，“DOI”：“10.1007\/s11263-019-011556-6”，“volume”：“127”，“author”：“Y Sui”，“year”：“2019”，“nonstructured”：“Y.Sui，Z.M.Zhang，G.H.Wang，Y.F.Tang，L。张。利用相关滤波器学习的各向异性进行视觉跟踪。《国际计算机视觉杂志》，第127卷，第8期，第1084\u201311052019页。DOI:https:\/\/DOI.org\/10.1007\/s11263-019-01156-6.“，”journal-title“：”International journal of Computer Vision“}，{”issue“：”3“，”key“：”1274_CR173“，”DOI-asserted-by“：”publisher“，”first-page:“756”，”DOI“：”10.1007\/s11269-01221-0“，”volume“：“128”，”author“：”H Z Zhou“，”year“2020”，”unstructured“：”H.Z.Zhou，B.Ummenhofer，T。布罗克斯。DeepTAM：利用卷积神经网络进行深度跟踪和映射。《国际计算机视觉杂志》，第128卷，第3期，第756\u20137692020页。DOI:https:\/\/DOI.org\/10.1007\/s11263-019-01221-0.“，”journal-title“：”International journal of Computer Vision“}，{“key”：“1274_CR174”，“DOI-asserted-by”：“publisher”，“unstructured”：“L.H.Huang，X.Zhao，K.Q。黄。GOT-10k：野外通用目标跟踪的大型高多样性基准。IEEE模式分析和机器智能汇刊，2019年。DOI:https:\/\/DOI.org\/10.109\/TPAMI.2019.2957464.“，”DOI“：”10.1109\/TPAMI.2019.2977464“}，{“key”：“1274_CR175”，“DOI-asserted-by”：“publisher”，“first page”：”5374“，“DOI”：“10.1109\/CVPR.2019.00552”，“volume-title”：“IEEE\/CVF计算机视觉和模式识别会议论文集”，“author”：“H Fan”，“year”：“2019”，“非结构化”：“H.Fan，L.T。Lin，F.Yang，P.Chu，G.Deng，S.J.Yu，H.X.Bai，Y.Xu，C.Y.Liao，H.B.Ling。LaSOT：大规模单目标跟踪的高质量基准。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国长滩，第5374\u201353832019页。DOI:https:\/\/DOI.org\/10.109\/CVPR.2019.00552.“}，{”key“：”1274_CR176“，”first page“：“191”，”volume-title“：”Proceedings of the European Conference on Computer Vision“，”author“：”M Kristan“，”year“：”2014“，”unstructured“：”M.Kristan.，R.Pflugfelder，A.Leonardis，et al。视觉目标跟踪VOT2014挑战结果。《欧洲计算机视觉会议记录》，瑞士苏黎世斯普林格，第191\u2013217页，2014年。DOI:10.1007\/978-3-319-16181-5_14.“}，{“issue”：“9”，“key”：“1274_CR177”，“DOI-asserted-by”：“publisher”，“first-page”：“1834”，“DOI”：“10.1109\/TPAMI.2014.2388226”，“volume”：”37“author”：“Y Wu”，“year”：“2015”，“unstructured”：“Y.Wu，J.Lim，M.H.Yang。对象跟踪基准。IEEE模式分析和机器智能汇刊，第37卷，第9期，第1834\u201318482015页。DOI:https:\/\/DOI.org\/10.109\/TPAMI.2014.2388226.“，”journal-title“：”IEEE Transactions on Pattern Analysis and Machine Intelligence“}，{”key“：”1274_CR178“，”DOI-asserted-by“：”publisher“，”first page“：“1949”，“DOI”：“10.1109\/ICCVW.2017.230”，“volume-title”：“IEEE International Conference on Computer Vision Workshops”，“author”：“M Kristan”，“年份”：“2017年”，“非结构化”：“M Krisstan，A.Leonardis，J.Matas，et al.视觉对象跟踪VOT2017挑战结果。《IEEE计算机视觉研讨会国际会议论文集》，IEEE，意大利威尼斯，第1949\u20131972页，2017年。DOI:https:\/\/DOI.org\/10.109\/ICCVW.2017.230.“}，{”key“：”1274_CR179“，”DOI-asserted-by“：”publisher“，”first page“：“2206”，”DOI“：”10.1109\/ICCVD.2019.00276“，”volume-title“：”IEEE\/CVF国际计算机视觉研讨会论文集“，”author“：”M Kristan“，“year”：“2019”，”unstructured“：”M.Kristan.，J.Matas，A.Leonardis，et al。第七次视觉目标跟踪VOT2019挑战结果。《IEEE计算机视觉国际会议论文集》，IEEE，韩国首尔，2019年，第2206\u20132241页。DOI:https:\/\/DOI.org\/10.109\/ICCVW.2019.00276.“}，{“问题”：“7”，“密钥”：“1274_CR180”，“DOI-sserted-by”：“发布者”，“首页”：“1442”，“DOI”：“10.1109\/TPAMI.2013.230”，“卷”：“36”，“作者”：“A W M Smeulders”，“年份”：“2014”，“非结构化”：“A.W.M.Smeuldeers，D.M.Chu，R.Cucchiara，S.Caldera ra、A.Dehghan、M。沙阿。视觉跟踪：一项实验性调查。IEEE模式分析和机器智能汇刊，第36卷，第7期，第1442页\u20131468页，2014年。DOI:https:\/\/DOI.org\/10.109\/TPAMI.2013.230.“，”journal-title“：”IEEE Transactions on Pattern Analysis and Machine Intelligence“}，{”issue“：”2“，”key“：”1274_CR181“，”DOI-asserted-by“：”publisher“，”first page“：“335”，“DOI”：“10.1109\/TPAMI.2015.2417577”，“volume”：“38”，“author”：“A N Li”，“year”：“2015”，“unstructured”：“A.N.Li，M.Lin，Y.Wu，M.H.Yang，S。C.Yan。NUSPRO：一项新的视觉跟踪挑战。IEEE模式分析和机器智能汇刊，第38卷，第2期，第335\u20133492015页。DOI:https:\/\/DOI.org\/10.109\/TPAMI.2015.2417577.“，”journal-title“：”IEEE Transactions on Pattern Analysis and Machine Intelligence“}，{”issue“：”12“，”key“：”1274_CR182“，”DOI-asserted-by“：”publisher“，”first page“：“5630”，“DOI”：“10.1109\/TIP.2015.2482905”，“volume”：“24”，“author”：“P Liang”，“year”：“2015”，“unstructured”：“P.Liang，”E.Blasch，H.B。凌。视觉跟踪的颜色信息编码：算法和基准。IEEE图像处理学报，第24卷，第12期，第5630\u201356442015页。DOI:https:\/\/DOI.org/10.1109\/TIP.2015.2482905.“，“期刊标题”：“IEEE图像处理汇刊”}，｛“密钥”：“1274_CR183”，“DOI断言者”：“出版商”，“首页”：“1125”，“DOI”：“10.1109\/ICCV.2017.128”，“卷标题”：“IEEE国际计算机视觉会议论文集”，“作者”：“H K Galoogahi”，“年份”：“2017”，“非结构化”：“H。K.Galoogahi、A.Fagg、C.Huang、D.Ramanan、S.Lucey。速度需求：更高帧速率对象跟踪的基准。《IEEE国际计算机视觉会议论文集》，IEEE，意大利威尼斯，第1125\u201311342017页。DOI:https:\/\/DOI.org\/10.109\/ICCV.2017.128.“}，{”key“：”1274_CR184“，”DOI-asserted-by“：”publisher“，”first page“：“445”，”DOI“：”10.1007\/978-3319-46448-0_27“，”volume-title“：”Proceedings of the 14th European Conference on Computer Vision“，”author“：”M Mueller“，”year“：”2016“，”unstructured“：”M.Mueller，N.Smith，B。加尼姆。无人机跟踪的基准和模拟器。《第14届欧洲计算机视觉会议论文集》，荷兰阿姆斯特丹斯普林格，第445\u2013461页，2016年。DOI:https:\/\/DOI.org\/10.1007\/978-3-319-46448-0_27.“}，{”key“：”1274_CR185“，”DOI-asserted-by“：”publisher“，”first page“：“670”，”DOI“：”10.1007\/978-30-01219-9_41“，”volume-title“：”第十五届欧洲计算机视觉会议论文集“，”author“：”J Valmadre“，”year“：”2018“，”unstructured“：”J.Valmadre，L.Bertinetto，J.F.Henrito Q，R。Tao，A.Vedaldi，A.W.M.Smeulders，P.H.S.Torr，E.Gavves。《野外长期跟踪：基准》，《第15届欧洲计算机视觉会议论文集》，德国慕尼黑施普林格，第670\u20136852018页。DOI:https:\/\/DOI.org\/10.1007\/978-3-030-01219-9_41.“}，{”key“：”1274_CR186“，”DOI-asserted-by“：”publisher“，”first page“：“300”，”DOI“：”10.1007\/978-30-01246-5_19“，”volume-title“：”第十五届欧洲计算机视觉会议论文集“，”author“：”M Muller“，”year“：”2018“，”unstructured“：”M.Muller，A.Bibi，S.Giancola，S.Alsubaihi、B。加尼姆。TrackingNet：用于野外对象跟踪的大规模数据集和基准。《第十五届欧洲计算机视觉会议论文集》，德国慕尼黑施普林格，第300\u20133172018页。DOI:https:\/\/DOI.org\/10.1007\/978-3-030-01246-5_19.“}，{“key”：“1274_CR187”，“unstructured”：“L.Leal-Taixe，A.Milan，I.Reid，S.Roth，K.Schindler。Motchallenge 2015:迈向多目标跟踪基准。[在线]，可用：https:\/\/arxiv.org\/abs\/1504.01942，2015。”}，}，“key“：”1274_CR188“，”非结构化“：”A.Milan。里德、S.罗斯、K.辛德勒。MOT16：多对象跟踪的基准。[在线]，网址：https:\/\/arxiv.org\/abs\/1603.008312016.“}，{”key“：”1274_CR189“，”doi-asserted-by“：”publisher“，”first page“：“3354”，”doi“：”10.1109\/CVPR.2012.6248074“，”volume-title“：”IEEE Computer Vision and Pattern Recognition Proceedings“，”author“：”A Geiger“，”year“：”2012“，”unstructured“：”A.Geiger，P.Lenz，R。乌尔塔松。我们准备好自动驾驶了吗？KITTI愿景基准套件。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国普罗维登斯，pp.3354\u201333612012。DOI:https:\/\/DOI.org\/10.109\/CVPR.2012.6248074.“}，{“问题”：“3”，“密钥”：“1274_CR190”，“DOI-asserted-by”：“发布者”，“首页”：“211”，“DOI”：“10.1007\/s11263-015-0816-y”，“卷”：“115”，“作者”：“O Russakovsky”，《年份》：“2015”，“非结构化”：“O.Russakowsky，J.Deng，H.Su，J.Krause，S.Satheesh，S.Ma，Z.H.Huang，A.Karpathy，A.Khosla，M。Bernstein，A.C.Berg，L.Fei-Fei。ImageNet大规模视觉识别挑战。《国际计算机视觉杂志》，第115卷，第3期，第211\u20132522015页。DOI:https:\/\/DOI.org\/10.1007\/s11263-015-0816-y.“，“journal-title”：“国际计算机视觉杂志”}，{“key”：“1274_CR191”，“DOI-asserted-by”：“publisher”，“first-page”：“5296”，“DOI”：“10.1109\/CVPR.2017.789”，“volume-title“IEEE计算机视觉和模式识别会议论文集”，“author”：“E Real”，“year”：“2017”，“非结构化“：”E.Real、J.Shlens、S.Mazzocchi、X.Pan、V.Vanhoucke。YouTube-boundingBoxes：用于视频中对象检测的大型高精度人机注释数据集。《IEEE计算机视觉和模式识别会议记录》，IEEE，美国檀香山，pp.5296\u201353052017。DOI:https:\/\/DOI.org/10.1109\/CVPR.2017.789。Cehovin、G.Fernandez、T.Vojir、G.Hager、G.Nebehay、R.Pflugfelder、A.Gupta、A.Bibi、A.Lukezic、A.Garcia-Martin、A.Saffari、A.Petrosino、A.S.Montero。视觉目标跟踪VOT2015挑战结果。《IEEE计算机视觉研讨会国际会议论文集》，IEEE，智利圣地亚哥，第1\u201323页，2015年。DOI:https:\/\/DOI.org\/10.109\/ICCVW.2015.79.“}，{”key“：”1274_CR193“，”DOI-asserted-by“：”publisher“，”first page“：“777”，“DOI”：“10.1007\/978-3319-48881-3_54”，“volume”：“9914”，“author”：“S Had”，“year”：“2016”，“unstructured”：“S.Had，R.Bowden，K。勒贝达。视觉目标跟踪VOT2016挑战结果。《计算机科学讲义》，第9914卷，第777\u20138232016页。“，期刊标题”：“计算机科学讲义”}，{“密钥”：“1274_CR194”，“doi断言”：“出版商”，“第一页”：“3”，“doi”：“10.1007\/978-3-030-11009-3_1”，“卷标题”：“欧洲计算机视觉会议论文集”，“作者”：“M Kristan”，“年份”：“2018”非结构化”：“M.Kristan、A.Leonardis、J.Matas等人第六次视觉对象跟踪VOT2018挑战结果。《欧洲计算机视觉会议记录》，德国慕尼黑施普林格，第3\u201353页，2018年。DOI:https:\/\/DOI.org/10.1007\/978-3-030-11009-3_1.“｝，｛“key”：“1274_CR195”，“volume title”：“WordNet:一个电子词典数据库”，“author”：“G A Miller”，“year”：“1998”，“nonstructured”：“G.A.Miller。WordNet:一个电子词典数据库。剑桥，美国：麻省理工学院出版社，1998。”｝，｛“key”：“1274_CR196”，“DOI asserted by”：“publisher”，“first page”：“1369”，“DOI“：”10.1109\/CVPR.2019.00146“，”volume-title“：”IEEE\/CVF计算机视觉和模式识别会议记录“，”author“：”X Li“，”year“：”2019“，”unstructured“：”X.Li，C.Ma，B.Y.Wu，Z.Y.He，M.H.Yang“。有针对性的深度跟踪。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国加利福尼亚州长滩，第1369\u201313782019页。DOI:https:\/\/DOI.org\/10.109\/CVPR.2019.00146.“}，{”key“：”1274_CR197“，”DOI-asserted-by“：”publisher“，”first page“：“152”，”DOI“：”10.1007\/978-3-030-01240-3_10“，”volume-title“：”Proceedings of the 15th European Conference on Computer Vision“，”author“：”T Y Yang“，”year“：”2018“，”unstructured“：”T.Y.Yang，A.B。陈。学习用于对象跟踪的动态记忆网络。《第十五届欧洲计算机视觉会议论文集》，德国慕尼黑施普林格，第152\u2013167页，2018年。DOI:https:\/\/DOI.org\/10.1007\/978-3-030-01240-3_10.“}，{”key“：”1274_CR198“，”DOI-asserted-by“：”publisher“，”first page“：“459”，”DOI“：”10.1007\/978-30-01261-8_28“，”volume-title“：”第十五届欧洲计算机视觉会议论文集“，”author“：”X P Dong“，”year“：”2018“，”unstructured“：”X.P.Dong，J.B。沈。用于目标跟踪的暹罗网络中的三重损失。《第十五届欧洲计算机视觉会议论文集》，德国慕尼黑施普林格，第459\u20134742018页。DOI:https:\/\/DOI.org\/10.1007\/978-3-030-01261-8_28.“}，{“问题”：“5”，“密钥”：“1274_CR199”，“DOI-asserted-by”：“发布者”，“首页”：“515”，”DOI“：“10.1007\/s11263-017-1049-z”，“卷”：“126”，“作者”：“Y Sui”，“年份”：“2018”，“非结构化”：“Y.Sui，Y.F.Tang，L.Zhang，G.H。王。基于子空间学习的视觉跟踪：一种鉴别方法。《国际计算机视觉杂志》，第126卷，第5期，第515\u20135362018页。DOI:https:\/\/DOI.org/10.1007\/s11263-017-1049-z.“，”期刊标题“：”国际计算机视觉杂志“}，{“问题”：“11”，“密钥”：“1274_CR200”，“DOI断言者”：“出版商”，“首页”：“2709”，“DOI”：“10.1109\/TPAMI.2018.2865311”，“卷”：“41”，“作者”：“C Ma”，“年份”：“2019”，“非结构化”：“C.Ma，J.B.Huang，X.K.Yang，M.H。杨。通过层次卷积特征实现稳健的视觉跟踪。IEEE模式分析和机器智能汇刊，第41卷，第11期，第2709\u201327232019页。DOI:https:\/\/DOI.org\/10.109\/TPAMI.2018.2865311.“，”journal-title“：”IEEE模式分析和机器智能事务“}，{“key”：“1274_CR201”，“DOI-asserted-by”：“publisher”，“first page”：”1308“，”DOI“：”10.1109\/CVPR.2019.00140“，”volume-title”：“IEEE\/CVF计算机视觉和模式识别会议论文集”，“author”：“N Wang”，“年份”：“2019年”，“非结构化”：“N.Wang，Y.B.Song，C.Ma，W.G.Zhou，W.Liu，H.Q.Li.无监督深度跟踪。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国长滩，第1308\u201313172019页。DOI:https:\/\/DOI.org\/10.109\/CVPR.2019.00140.“}，{”key“：”1274_CR202“，”DOI-asserted-by“：”publisher“，“first page”：“6578”，“DOI”：“10.1109\/CVPR42600.2020.00661”，“volume-title”：“IEEE\/CVF计算机视觉和模式识别会议论文集”，“author”：“P Voigtlaender”，“year”：“2020”，“unstructured”：“P.Voigtlainder，J.Luiten，P.H.S.公司。B.Leibe托尔。暹罗R-CNN：通过重新检测进行视觉跟踪。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国西雅图，pp.6578\u201365882020。DOI:https:\/\/DOI.org\/10.109\/CVPR42600.2020.00661.“}，{”key“：”1274_CR203“，”DOI-asserted-by“：”publisher“，“首页”：“101”，“DOI”：“10.1007\/978-3-030-01240-3_7”，“volume-title”：“第十五届欧洲计算机视觉会议记录”，“author”：“Z Zhu”，“year”：“2018”，“unstructured”：“Z.Zhu，Q.Wang，B.Li，W.W.Wu，J.Yan，W.M.胡。用于视觉对象跟踪的Distractor-aware暹罗网络。《第十五届欧洲计算机视觉会议论文集》，德国慕尼黑施普林格，第101\u2013117页，2018年。DOI:https:\/\/DOI.org\/10.1007\/978-3-030-01240-3_7.“}，{”key“：”1274_CR204“，”DOI-asserted-by“：”publisher“，“首页”：“684”，“DOI”：“10.1007\/978-30-01240-3_42”，“volume-title”：“第十五届欧洲计算机视觉会议论文集”，“author”：“L Ren”，“year”：“2018”，“unstructured”：“L.Ren，X.Yuan，J.W.Lu，M.Yang，J。周。具有迭代移位的深度强化学习用于视觉跟踪。《第十五届欧洲计算机视觉会议论文集》，德国慕尼黑施普林格，第684\u2013700页，2018年。DOI:https:\/\/DOI.org\/10.1007\/978-3-030-01240-3_42.“}，{“问题”：“8”，“密钥”：“1274_CR205”，“DOI-asserted-by”：“发布者”，“首页”：“4130”，“DOI”：“10.1109\/TIP.2019.2904789”，“卷”：“28”，“作者”：“H Fan”，“年份”：“2019”，“非结构化”：“H.Fan，H.B。凌。并行跟踪和验证。IEEE图像处理汇刊，第28卷，第8期，第4130\u201341442019页。DOI:https:\/\/DOI.org/10.1109\/TIP.20192904789.”，“期刊标题”：“IEEE图像处理汇刊”}，｛“密钥”：“1274_CR206”，“DOI断言者”：“出版商”，“首页”：“6182”，“DOI”：“10.1109\/ICCV.2019.00628”，“卷标题”：“IEEE\/CFF国际计算机视觉会议论文集”，“作者”：“G Bhat”，“年份”：“2019”，“非结构化”：“G。巴特，M.丹奈尔扬，L.范古尔，R.蒂莫夫特。学习判别模型预测进行跟踪。《IEEE计算机视觉国际会议论文集》，IEEE，韩国首尔，第6182\u201361912019页。DOI:https:\/\/DOI.org\/10.109\/ICCV.2019.00628.“}，{”key“：”1274_CR207“，”DOI-asserted-by“：”publisher“，”first page“：“6298”，”DOI“：”10.1109\/CVPR42600.2020.00633“，”volume-title“：”IEEE\/CVF计算机视觉和模式识别会议论文集“，”author“：”K N Dai“，”year“：”2020“，”unstructured“：”K.N.Dai，Y.H.Zhang，D.Wang，J.H.Li，H。C.Lu、X.Y.Yang。使用元更新程序进行高性能长期跟踪。《IEEE计算机视觉和模式识别会议论文集》，IEEE，西雅图，华盛顿州，美国，第6298\u201363072020页。DOI:https:\/\/DOI.org\/10.109\/CVPR42600.2020.00633.“}，{”key“：”1274_CR208“，”unstructured“：”L.H.Huang，X.Zhao，K.Q.Huang.GlobalTrack:长期跟踪的简单而有力的基线。[在线]，可用：https:\//arxiv.org\/abs\/1912.085312019。“}”，{“key”：“1274_CR2”，“DOI-asserted-by”：“publisher”，“首页”：“4660”，“DOI”：“10.1109\/CVPR.2019.00479“，“volume-title”：“IEEE\/CVF计算机视觉和模式识别会议记录”，“author”：“M Danelljan”，“year”：“2019”，“unstructured”：“M.Danelljan，G.Bhat，F.S.Khan，M.Felsberg。ATOM：通过重叠最大化实现精确跟踪。《IEEE计算机视觉和模式识别会议论文集》，IEEE，美国加利福尼亚州长滩，第4660\u201346692019页。DOI:https:\/\/DOI.org\/10.109\/CVPR.2019.00479.“}，{”key“：”1274_CR210“，”DOI-asserted-by“：”publisher“，”first-page“：”5138“，”DOI“：”10.1109\/ICCV.2019.00524“，”volume-title“：”IEEE\/CVF国际计算机视觉会议论文集“，”author“：”J F Han“，“year”：“2019”，“unstructured”：“J.F.Han，P.Luo，X.G。王。从嘈杂的标签中进行深度自学习。《IEEE计算机视觉国际会议论文集》，IEEE，韩国首尔，第5138\u201351472019页。DOI:https:\/\/DOI.org\/10.109\/ICCV.2019.00524.“}，{“问题”：“4”，“密钥”：“1274_CR211”，“DOI-asserted-by”：“发布者”，“首页”：“539”，“DOI”：“10.1007\/s11633-020-1221-8”，“卷”：“17”，“作者”：“F Q Liu”，“年份”：“2020”，“非结构化”：“F.Q.Liu，Z.Y。自动生成\u201cground true\u201d注释和工业工件数据集，用于深度学习。《国际自动化与计算杂志》，第17卷，第4期，第539\u20135502020页。DOI:https:\/\/DOI.org\/10.1007\/s11633-020-1221-8.“，”journal-title“：”International journal of Automation and Computing“}，{”issue“：”6“，”key“：”1274_CR212“，”DOI-asserted-by“：”publisher“，“first page”：“707”，“DOI”：“10.1007\/s11632-019-1199-2”，“volume”：”16“，“author”：“Q Fu”，“year”：“2019”，“unstructured”：“Q.Fu，X.Y.Chen，W。多点三维视觉跟踪综述。《国际自动化与计算杂志》，第16卷，第6期，第707\u20137192019页。DOI:https:\/\/DOI.org\/10.1007\/s11633-019-1199-2.“，”journal-title“：”国际自动化与计算杂志“}]，”container-title”：[“国际自动化与计算机杂志”]，”original-title:[]，”language“：”en“，”link“：[{”URL“：”https:\//link.springer.com\/content\/pdf\/10.10007\/s1133-020-1274-8.pdf“，”content-type“：”application\/pdf“，”content-version“：”vor“，”intended-application“：”text-mining“}，{“URL”：”https:\/\/link.springer.com/article\/10.1007\/s11633-020-1274-8\/fulltext.html“，”content-type“：”文本\/html“，”内容-version”：“vor”，“intended-application”：“text-miniing”}，”{“URL”：“https:\//link.springer.com/content\/pdf\/10.10007\/s11632-020-20 1274-8.pdf“，”content-type“：”application\/pdf“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[[2023,1,29]]，”date-time“：“2023-01-29T19:24:02Z”，“timestamp”：1675020242000}，“score”：1，“resource”：{“primary”:{“URL”：“https:\/\/link.springer.com\/10007\/s11633-020-1274-8”}，”subtittle“：[]，“短标题”：[]，”已发布“：{”date-parts“：[[2021,3,4]]}，“references-count”：212，“journal-issue”：{“issue”：“3”，“published-print”：{“date-part”：[[2021,6]]}、“alternative-id”：[“1274”]，“URL”：“http://\/dx.doi.org\/10.10007\/s11633-020-1274-8”，“relation”：{}，”ISSN“：[”1476-8186“，”1751-8520“]，“ISSN-type”：[{“数值”：“1476-8186”，“类型”：“打印”}，{“值”：“1751-8520”，“型号”：“电子”}]，“subject“：[]，”published“：{”date-parts“：[[2021,3,4]]]}，”assertion“：[{”value“：”2020年9月15日“，”order“：1，”name“：”received“，”label“：”received“，“group”：{“name”：”ArticleHistory“，”tabel“：“Article History”}}，{“value”：“2020年12月30日”，“order”：2，}}，{“值”：“2021年3月4日“，”订单“：3，”名称“：”first_online“，”标签“：”first online“，“group”：{“name”：“Article History”，“label”：“文章历史”}}]}}