{“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”：[[2024,9,13]]，“日期-时间”：“2024-09-13T22:58:33Z”，“时间戳”：1726268313179}，“引用-计数”：67，“发布者”：“Elsevier BV”，“许可证”：[{“开始”：{:“日期-部分”：[2022,2]]，“时间”：”2022-02-01T00:00Z“，”timestamp“：1643673600000}，”content-version“：“tdm”，“delay-in-days”：0，“URL”：“https:\\/www.elsevier.com/tdm\/userlicense\/1.0\/”}，{“start”：{“date-parts”：[2022,2,1]]，“date-time”：“2022-02-01T00:00:00Z”，“timestamp”：1643673600000}，“content-version”：“stm-asf”，“delay-in-ddays”：0“}，{”开始“：{”日期部分“：[2022,2,1]]，”日期时间“：”2022-02-01T00:00:00Z“，“timestamp”：1643673600000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-037”}，{“start”：{“date-parts”：[2022,2,1]]，“date-time”：“2022-02-01T00:00:00Z”，“timetamp”：64367360000}，”content-versiion“：”stm-asf“，”delay-in-days“：0，”URL“https:\/\/doi.org\/10.15223\/policy-012“}，{“start”：{“date-parts”：[[2022,2,1]]，“date-time”：“2022-02-01T00:00:00Z”，“timestamp”：1643673600000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-029”}，{“start”：{“date-parts”：[[2022,2,1]]，“date-time”:“2022-0-2-01T00:00”，“时间戳”：164365360000}、“content-version”：“st m-asf“，”del ay-in-days“：0，”URL“：”https:\/\/doi.org\/10.15223\/policy-004“}]，“出资人”：[{“DOI”：“10.13039\/5010000780”，“名称”：“欧盟委员会”，“DOI-asserted-by”：“publisher”，“id”：[[{”id“：”10.13039\\501100000780“，”id-type“：”DOI“，”asserted-by“：”publisher 01.0151“]，”id“：[{”id“：“10.13039\/50101100008530”，“id type”：“DOI”，“断言者”：“publisher”｝]｝，｛“DOI”：“10.13039\/1000007065”，“name”：“Nvidia”，“DOI断言者”：“publisher”，“id”：[｛“id”：“10.13039\/1000007065”，“id type”：“DOI”，“断言者”：“publisher”｝]｝]，“content domain”：｛“domain”：[“elsevier.com”，“sciencedirect.com”]，“crossmark限制“：true｝，”短容器标题“：[“Neurocomputing”]，“published-print”：{“date-parts”：[2022,2]]}，“DOI”：“10.1016\/j.neucom.2021.12.008”，“type”：“journal-article”，“created”：{-“date-parts”：[[2021,12,10]]，“date-time”：“2021-12-10T11:33:50Z”，“timestamp”：1639136030000}，”page：“107-115”，“update-policy”：”http://\/dx.DOI.org 016\/elsevier_cm_policy“，”source“：”Crossref“，“is-referenced-by-count”：25，“special_numbering”：“C”，“title”：[“DefectDet:检测超声图像中具有极端纵横比的缺陷的深度学习架构”]，“前缀”：“10.1016”，“卷”：“473”，“作者”：[{“给定”：“Duje”，“家族”：“Medak”：“additional”，“affiliation”：[]}，{“given”：“Marko”，“family”：“Suba\u0161i\u0107”，“sequence”：“additive”，“filiation“：[]{”given“：”Marko“，”family“：”Budimir“，”sequence“：”additional“，”affiliance“：[]}，}“giving”：“Sven”，“家族”：“Lon\u010dari\u0106”，“序列”：“附加”，“feliance”：[]，“member”：“78”，“reference”：[{“key”：“10.1016\/j.neucom.2021.2008_b0005”，“非结构化”：“L.Cartz，无损检测：射线照相、超声波、液体渗透剂、磁粉、涡流，ASM国际，1995年。网址：https:\/\/books.google.hr\/books？id=0spRAAAAMAAJ。“}，{”key“：”10.1016\/j.neucom.2021.2.008_b0010“，”doi-asserted-by“：”crossref“，”unstructured“：”j.Veiga，A.A.de Carvalho，I.Silva，j.M.A。Rebello，《人工神经网络在脉冲回波和tofd超音速信号分类中的应用》，巴西机械科学与工程学会杂志-J BRAZ SOC MECH SCI ENG 27。doi:10.1590\/S1678-5878200500040007.“，”doi“：”10.1590\/S1678-5878 200500040000“}，{“问题”：“11”，“关键”：“10.1016\/j.neucom.2021.2.008_b0015”，“doi-asserted-by”：“crossref”，“首页”：“3820”，“doi”：“10.3390\/s18113820”，”文章标题“计算机超声成像检查：从浅层到深层学习”，“卷”：“18”，作者“：”Ye“，”年份“：”2018“，”期刊标题“：“传感器”}，｛“键”：“10.1016\/j.neucom.202.11.12.008_b0020”，“doi断言”：“crossref”，“非结构化”：“D.Forsyth，5-航空航天行业腐蚀的无损检测，in：S.Benavides（Ed.）《航空航天工业中的腐蚀控制》，Woodhead出版社金属与表面工程丛书，Woodhead出版社，2009年，第111\u2013130页。doi:10.1533\/9781845695538.2.111.“，”doi“：”10.1533\/97818456955382.111“}，{“key”：“10.1016\/j.neucom.2021.2.008_b0025”，“doi-asserted-by”：“crossref”，“unstructured”：“A.Bulavinov，D.Joneit，M.Kroening，L.Bernus，M.Dalichow，K.Reddy，采样相控阵-一种新的信号处理和超声成像技术，Fraunhofer IZFP-D 48。doi:10.1117\/12.717891.“，”doi“：”10.1117\/127.17891“}，{“key”：“10.1016\/j.neucom.2021.2.008_b0030”，“unstructured”：“M.Everingham，L.van Gool，C.Williams，j.Winn，A.Zisserman，PASCAL对象识别数据库集合。URL:http://host.robots.ox.ac.uk\/PASCAL\/VOC\/，[在线；访问日期：2020年5月1日]（2012年）。”}，}“key:”10.1016\/j.neucom.2021.12.008_b0035”，“系列标题”：“计算机视觉\u2013 ECCV 2014”，“第一页”：“740”，“文章标题”：“Microsoft coco:上下文中的常见对象”，“作者”：“Lin”，“年份”：“2014”｝，｛“密钥”：“10.1016\/j.neucom.2021.12.008_b0040”，“doi断言者”：“crossref”，“非结构化”：“D.Kim，S.Kim，S.Jeong，j.-W.Ham，S.Son，j.Moon，K.-Y。哦，带边界盒变换的旋转多金字塔网络用于目标检测，国际智能系统杂志36（9）（2021）5307\u20135338。doi:10.1002\/int.22513.“，”doi“：”10.1002\/inte.22513“}，{“key”：“10.1016\/j.neucom.2021.2.008_b0045”，“doi-asserted-by”：“crossref”，“unstructured”：“j.-B.Hou，X.Zhu，X.C.Yin，用于遥感图像定向目标检测的自适应长宽比锚，遥感13（7）.doi:10.3390\/rs13071318.”，“doi”：“10.3390\/rs1307131”}，“密钥”：“10.1016 \/j.neucom.2021.2008_b0050“，“非结构化”：“j.Redmon，A.Farhadi，Yolo9000：更好，更快，更强，CoRR abs \/1612.08242。网址：http://\/arxiv.org\/abs\/1612.08242.“}，{”key“：”10.1016\/j.neucom.2021.12.008_b0055“，”unstructured“：”T.Lin，P.Goyal，R.B.Girshick，K.He，P.Doll\u00e1r，稠密目标检测的焦点丢失，CoRR abs \/1708.02002。arXiv:1708.02002年。url:http://\/arxiv.org\/abs\/1708.02002“}，{“key”：“10.1016\/j.neucom.2021.2.008_b0060”，“unstructured”：“M.Tan，R.Pang，Q.V.Le，Efficientdet:可扩展且高效的对象检测，arxiv abs\/1911.09070.”}，}，“key“：”10.1016\/j.nucom.2021.008_b0065“，“unsructured“：”M.Tan，Q.V。Le，Efficientnet：卷积神经网络模型缩放的再思考，CoRR abs \/1905.11946。arXiv:1905.11946年。url:http://\/arxiv.org\/abs\/1905.11946“}，{“key”：“10.1016\/j.neucom.2021.12.008_b0070”，“doi-asserted-by”：“crossref”，“doi”：“101109\/TUFFC.2021.3081750”，”article-title“：“使用深度学习从超声波图像中自动检测缺陷”，“author”：“Medak”，”year“：”2021“journal-title”：“IEEE Trans.Ultrason.Ferroelector.Freq.Control”}，}“密钥”：“10.1016\/j.neucom.2021.12.008_b0075“，“series-title”：“2012年国际神经网络联合会议（IJCNN）”，“首页”：“1”，“article-title”：《利用最大值卷积神经网络对钢缺陷进行分类》，“author”：“Masci”，“year”：“2012}”，{“key”：“10.1016\/j.nucom.2021.12.0 08_b0080”，“doi-asserted-by”：“crossref”首页“：”1“，”DOI“：”10.1016\/j.neucom.2019.09.071“，”article-title“：”基于转移特征提取器的缺陷语义特征的风力涡轮机叶片缺陷识别“，”volume“：”376“，”author“：”Yu“，”year“：”2020“，”journal-title”：“Neurocomputing”}，{“key”：“10.1016\/j.nucom.2021.008_b0085”，“DOI-asserted-by”：“crossref”，“DOI”：“10.1016\/j.ndteint.2019.102164“，”article-title“：”红外热缺陷检测时空深度学习网络“，”volume“：”108“，”author“：”Luo“，”year“：”2019“，”journal-title”：“NDT&E Int.”}，{“key”：“10.1016\/j.neucom.2021.008_b0090”，“doi-asserted-by”：“crossref”，“first page”：”441“，”doi“：”10.1016\\j.neucomm.2020.07.93“”，“article-title“：”Deftectnet:热成像缺陷检测系统的联合损失结构深层对抗网络“，”volume“：”417“，”author“：”Ruan“，”year“：”2020“，”journal-title”：“Neurocomputing”}，{“key”：“10.1016\/j.neucom.2021.008_b0095”，“doi-asserted-by”：“crossref”，“doi”：“0.1016\/j.compstruct.2020.112405”，“article-title”通过热成像和深度学习技术识别复合材料中的缺陷”，“卷”：“246”，“作者”：“Bang”，“年份”：“2020年”，“期刊标题”：“撰写”。结构。“}，{”key“：”10.1016\/j.neucom.2021.12.008_b0100“，”doi-asserted-by“：”crossref“，”doi“：”101016\/j.ndteint.2019.02144“，“article-title”：“基于深度学习的汽车铸件铝件x射线图像缺陷检测改进方法”，“volume”：“107”，“author”：“Du”，“year”：“2019”，“journal-title“：”NDT&E Int.“}”，{“key”：”10.1016\/j.neucom.2021.2008_b0105“，”doi-asserted-by“：”crossref“，”first page“：”112“，”doi“：”10.1016\/j.nucom.2019.09.107“，”article-title“：”使用小图像数据集进行表面缺陷检测的基于学习的方法“，”volume“：“，”doi-asserted-by“：”crossref“，”unstructured“：”M.Meng，Y.J.Chua，E.Wouterson，C.P.K.Ong，《基于深度卷积神经网络的复合材料超声信号分类和成像系统》，Neurocomputing 257（2017）128\u2013135，《大型多媒体分析的机器学习和信号处理》。doi:10.1016\/j.neucom.2016.11.066.“，”doi“：”10.1016\/j.neucom.2016.11.066“}，{“key”：“10.1016\/j.nucom.2021.12.008_b0115”，“首页”：“1647”，“article-title”：“用卷积神经网络对超声无损检测信号中的缺陷类型进行多类分类，in”，“volume”：”2019“，”author“：”Virupakshappa“，”year“2019”，“journal-title“：”IEEE国际超声学术研讨会（IUS）“}，{“issue”：“1”，“key”：“10.1016\/j.neucom.2021.2.008_b0120”，“doi-asserted-by”：“crossref”，“first page”：”1“，“doi”：“101007\/s10921-020-00739-5”，“article-title”：“用于机器学习的增强超声数据”，“volume”:“40”，“author”：“Virkkunen”，“year”：“2021”，”journal-title“：”j.Nondestr.Eval。}，{“键”：10.1016\/j.neucom.2021.2.008_b0125“，“doi-asserted-by”：“crossref”，“unstructured”：“L.Posilovi\u0107，D.Medak，M.Suba\u0161i\u0117，T.Petkovi\u0107.M.Budimir，S.Lon\u010dari\u0107-，使用yolo和ssd从超声图像中检测缺陷，收录于：2019年第11届图像和信号处理与分析国际研讨会（ISPA），IEEE，2019年，第163\u2013168页“，”DOI“：”10.1109\/ISPA.2019.8868929“}，{”issue“：”7“，”key“：”101016\/j.neucom.2021.2.008_b0130“，”DOI-asserted-by“：”crossref“，”first page“：“3073”，”DOI:“10.1007\/s12206-018-0610-1”，“article-tile”：“焊件超声波缺陷分类的脱落深部神经网络研究”，“volume”：”32“，”author“：”Munir“”，“年份”：“2018年”，“新闻标题”：“J.Mech。科学。Technol公司。“}，{”key“：”10.1016\/j.neucom.2021.2.008_b0135“，”doi-asserted-by“：”crossref“，”first page“：“74”，“doi”：“10.1016\/j.ultras.2018.12.001”，“article-title”：“噪声条件下超声焊件缺陷分类的卷积神经网络”，“volume”：“94”，“author”：“Munir”，“year”：“2019”，“journal-title“：”Ultrasonics“}”，{“issue”：“3”，“key”：“”10.1016\/j.neucom.2021.12.008_b0140“，”doi断言者“：”crossref“，”第一页“：”211“，”doi“：”10.1007\/s11263-015-0816-y“，”文章标题“：”ImageNet大规模视觉识别挑战“，”卷“：”115“，”作者“：”Russakovsky“，”年份“：”2015“，”期刊标题“：”Int.j.Comput“。视觉。“}，{”key“：”10.1016\/j.neucom.2021.2.008_b0145“，”doi-asserted-by“：”crossref“，”unstructured“：”V.Matz，M.Kreidl，R.Smid，《超声波信号分类》，《国际材料杂志》27（2006）145\u2013。doi:10.1504\/IJMPT.2006.011267.“，”doi“：”10.1504\/IJMPT.202006.011267“}，{“key”：“10.1016\/j.neucom.2021.2.008_b0150”，“doi-asserted-by”：“crossref”，“first page”：”597“，”doi“：“10.1784\/insi.2010.52.11.597”，“article-title”：“使用小波变换和支持向量机对tofd数据中的焊接缺陷进行自动检测和分类”，“volume”：author“：”Al-Ataby“，”year“：”2010“，”journal-title“：”Insight-Non-Destructive Testing and Condition Monitoring“}，{“key”：“10.1016\/j.neucom.2021.2008_b0155”，“doi-asserted-by”：“crossref”，“unstructured”：“Y.Chen，H.-W.Ma，G.-M”。张，从超声波信号中分类焊接缺陷的支持向量机方法，无损检测。测试。评估。29（3）（2014）243\u2013254。doi:10.1080\/10589759.2014.914210.“，”doi“：”10.1080\/10589759.2014.914210“}，{“key”：“10.1016\/j.neucom.2021.2.008_b0160”，“doi-asserted-by”：“crossref”，“unstructured”：“F.Bettayeb，T.Rachedi，H.Benbartaoui，小波和神经元网络改进的自动化超声无损检测系统，超声42（1）（2004）853\u2013858，《超声波国际》杂志，2003年。doi:10.1016\/j.aultras.2004.01.064.“，”doi“：”10.1016\/j.aultras.2004.01.064“}，{“问题”：“1”，“关键”：“10.1016\/j.neucom.2021.2.008_b0165”，“doi-asserted-by”：“crossref”，“首页”：“20”，“doi”：“101007\/s10921-010-0086-0”，“文章-标题”：“使用人工智能的超声波无损检测中的自动缺陷分类”，“卷”：“30”，“作者“：”桑巴斯“，”年份”：“2011”，“期刊标题”：“J.Nondestr。评估。“}，{”key“：”10.1016\/j.neucom.2021.2.008_b0170“，”doi-asserted-by“：”crossref“，”unstructured“：”T.Merazi-Meksen，M.Boudera，B.Boudraa，《材料检验期间内部缺陷检测的超声图像增强》，摘自：MATEC会议网，第208卷，EDP Sciences，2018年，第01005页。“，”doi“：”101051\/matecconf\/201820801005“}”，{“问题”：“1”，“key“：”10.1016\/j.neucom.2021.2008_b0175“，”doi-asserted-by“：”crossref“，”first page“：“138”，“doi”：“10.1016\/j.ultrass.2011.07.006”，“article-title”：“使用匹配滤波进行抛物线检测以进行超声b扫描”，“volume”：“52”，“author”：“Petcher”，“year”：“2012”，“journal-title“：”Ultrasonics“}，{“key”：”10.116\/j-neucom.2011.12.008_b01 80英寸doi断言：“crossref”，“非结构化”：“P.Bolland，L.Lew Yan Voon，B.Gremile，L.Pillet，A.Diou，P.Gorria，hough变换在超声图像上的应用，用于无损检测中缺陷的检测和表征，载于：第三届国际信号处理会议记录（ICSP\u201996），第1卷，1996年，第393\u2013396页，第1卷。doi:10.1109\/ICSIGP.1996.567285.“，”doi“：”10.1109\/ICSIGP.1996567285“}，{“key”：“10.1016\/j.neucom.2021.2.008_b0185”，“series-title”：“用于内部轨道缺陷检测的B扫描超声图像分析”，“author”：“Cygan”，“year”：“2003”}，“key“：”1016\/j.neucom.2021.12.008_B 0190“，”首页“：”512“，”文章标题“：”Cnn的特点是“离线：令人震惊的识别基线”，“卷”：“2014年”，“作者”：“拉扎维亚”，“年份”：“2014'，“新闻标题”：“IEEE计算机视觉和模式识别研讨会”}，{“关键”：“10.1016\/j.neucom.2021.2008_b0195”，“doi-asserted-by”：“crossref”，“非结构化”：“R.j.Pyle，R.L.T.Bevan，R.R.R.R.Hughes，R.K。Rachev，A.A.S.Ali，P.D.Wilcox，无损检测中超声波裂纹表征的深度学习，IEEE Trans。超声波。铁电频率控制（2020）1\u20131 doi:10.1109\/TUFFC.2020.3045847.“，”doi“：”10.1109\/TUFFC.2020.3 045847“}，{“键”：”10.1016\/j.neucom.2021.2008_b0200“，”doi-asserted-by“：”crossref“，”unstructured“：”L.Posilovi\u0107，D.Medak，M.Subasic，M.Budimir，S。Loncaric，具有目标检测器鉴别器的生成对抗网络，用于增强超声波b扫描的缺陷检测（2021年）。arXiv:2106.04281.“，”DOI“：”10.1016\/j.neucom.2021.06.094“}，{“key”：“10.1016\/j.nucom.2021.2.008_b0205”，“DOI-asserted-by”：“crossref”，“unstructured”：“O.Siljama，T.Koskinen，O.Jessen-juhler，I.Virkkunne，使用机器学习在多通道相控阵超声数据中自动检测缺陷，j.Nondestrus.Eval.40（3），资助信息：焊缝由Suisto Engineering提供。UT数据扫描由DEKRA提供。Trueflaw提供了数据增强功能。感谢他们的支持。出版商版权：2021，The Author（s）。doi:10.1007\/s10921-021-00796-4.“，”doi“：”10.1007\/s101921-021-00796-4“}，{“key”：”10.1016\/j.neucom.2021.2.008_b0210“，”doi-asserted-by“：”crossref“，”first page“：”36986“，”doi“：：“2021”，“journal-title“：”IEEE Access“}，{”key“：”10.1016\/j.neucom.2021.2008_b0215“，”unstructured“：”G.Huang，Z.Liu，K.Q.Weinberger，密集连接卷积网络，CoRR abs \/1608.06993。arXiv：1608.06993。网址：http://\/arxiv.org\/abs\/1608.06993“}，{“key”：“10.1016\/j.neucom.2021.2008_b0220”，“unstructured”：“K.Simonyan，A.Zisserman，用于大规模图像识别的极深卷积网络，CoRR abs\/1409.1556。url:https:\/\/arxiv.org\/abs\/1409.1556“}，{“key”：“10.1016\/j.neucom.2021.2.008_b0225”，“非结构化”：“C.Szegedy，V.Vanhoucke，S.Ioffe，j.Shlens，Z.Wojna，重新思考计算机视觉的初始架构，CoRR abs \/1512.00567。url:http://\/arxiv.org\/abs\/1512.00567“}，{“key”：“10.1016\/j.neucom.2021.12.008_b0230”，“doi-asserted-by”：“crossref”，“unstructured”：“C.Szegedy，V.Vanhoucke，S.Ioffe，j.Shlens，Z.Wojna，《重新思考计算机视觉的初始架构》，载于：CVPR，IEEE计算机学会，2016年，第2818\u20132826页。doi:10.1109\/CVPR.2016.308.“，”doi“：”10.1109\/CVRR.2016.3028“}，{“key”：“10.1016\/j.neucom.2021.2.008_b0235”，“unstructured”：“C.Szegedy，S.Ioffe，V.Vanhoucke，Inception-v4，Inception-resnet和剩余联系对学习的影响，CoRR abs \/1602.07261。arXiv:1602.07261。网址：http://\/arxiv.org\/abs\/1602.07261“}，{“key”：“10.1016\/j.neucom.2021.2008_b0240”，“unstructured”：“K.He，X.Z.0006，S.Ren，j.S.0001，图像识别的深度剩余学习，CoRR abs \/1512.03385。网址：http://\/arxiv.org\/abs\/1512.03385“}，{“key”：“10.1016\/j.neucom.2021.2.008_b0245”，“unstructured”：“S.Xie，R.B.Girshick，P.Doll\u00e1r，Z.Tu，K.He，深度神经网络的聚合残差变换，CoRR abs \/1611.05431。arXiv:1611.05431。url:http:\/\/arxiv.org/abs\/1611.05431“｝，｛“key”：“10.1016\/j.neucom.20112.008_b0250”，“非结构化”：“A.G.Howard，M.Zhu，B.Chen，D.Kalenichenko，W.Wang，T.Weyand，M.Andreetto，H.Adam，Mobilenets:用于移动视觉应用的高效卷积神经网络，CoRR abs\/1704.04861。arXiv:1704.04861。url:http://\/arxiv.org\/abs\/1704.04861“}，{“key”：“10.1016\/j.neucom.2021.12.008_b0255”，“非结构化”：“M.Sandler，A.G.Howard，M.Zhu，A.Zhmoginov，L.Chen，倒置残差和线性瓶颈：分类、检测和分割的移动网络，CoRR abs \/1801.04381。arXiv:1801.04381。url:http://\/arxiv.org\/abs\/1801.04381“}，{“key”：“10.1016\/j.neucom.2021.12.008_b0260”，“doi-asserted-by”：“crossref”，“unstructured”：“A.Howard，M.Sandler，G.Chu，L.-C.Chen，B.Chen，M.Tan，W.Wang，Y.Zhu，R.Pang，V.Vasudevan，Q.V.Le，H.Adam，Searching for mobilenetv3，in:The IEEE International Conference on Computer Vision（ICCV），2019.”，“DOI“：”10.1109\/ICCV.2019.00140“}，{“key”：“10.1016\/j.neucom.2021.2.008_b0265”，“DOI-asserted-by”：“crossref”，“unstructured”：“j.Redmon，S.K.Divvala，R.B.Girshick，A.Farhadi，《你只看一次：统一的实时对象检测》，收录于：CVPR，IEEE Computer Society，2016年，第779\u2013788页。doi:10.1109\/CVPR.2016.91.“，”doi“：”10.1109\/CVRR.2016.91“}，{“key”：“10.1016\/j.neucom.2021.2.008_b0270”，“doi-asserted-by”：“crossref”，“unstructured”：“W.Liu，D.Angelov，D.Erhan，C.Szegedy，S.Reed，C.Y.Fu，A.Berg，Ssd:单次多盒探测器，第9905卷，2016年，第21\u201337页。doi:10.1007\/978-3-319-46448-0_2.“，”doi“：”10.1007\/988-3-319-66448-0_2“}，{“key”：“10.1016\/j.neucom.2021.2.008_b0275”，“doi-asserted-by”：“crossref”，“unstructured”：“R.Girshick，Fast R-cnn，in：《2015年IEEE国际计算机视觉会议论文集》，ICCV\u201915，IEEE计算机学会，美国，2015年，第1440\u20131448页。doi:10.1109\/ICCV.2015.169.“，”doi“：”10.1109\/ICV.2015.169“}，{“key”：“10.1016\/j.neucom.2021.2.008_b0280”，“doi-asserted-by”：“crossref”，“unstructured”：“S.Ren，K.He，R.B.Girshick，j.S.0001，Faster R-cnn:Towards real-time object detection with region proposition networks，IEEE Trans.Pattern Ana.Mach.Intell 39（6）（2017）1137\u20131149。doi:10.1109\/TPAMI.2016.2577031.“，”doi“：”10.1109\/TSAMI.2016.277031“}，{“key”：“10.1016\/j.neucom.2021.2.008_b0285”，“unstructured”：“T.-Y.Lin，P.Doll\u00c3！\u2019r，R.B.Girshick，K.He，B.Hariharan，S.j.Belongie，目标检测的特征金字塔网络，CoRR abs\/1612.03144。url:http:\/\/arxiv.org/abs\/1612.03144“｝，｛“key”：“10.1016\/j.neucom.20112.008_b0290”，“doi断言”：“crossref”，“非结构化”：“O.Ronneberger，P.Fischer，T.Brox，U-net：用于生物医学图像分割的卷积网络，in：N.Navab，j.Hornegger，W.M.Wells，A.F.Frangi（编辑）《医学图像计算和计算机辅助干预》，2013年MICCAI，2015年，第234\u2013241页。doi:10.1007，978-3-319-24574-4_28.“，”doi“：”10.1007，/978-3-319-24574-4_28“}，{“key”：“10.1016\/j.neucom.2021.2.008_b0295”，“unstructured”：“A.Bochkovskiy，C.-Y.Wang，H.-Y.M.Liao，Yolv4:目标检测的最佳速度和准确性，ArXiv abs\/2004.10934.”}，“key“：”1016\/j.neucom.2021.12.008_50300“，”series-title“：“2019年第九届国际图像处理理论、工具和应用会议（IPTA）”，“首页”：“1”，“文章标题”：“具有残余块和不同激活功能的深层网络分析：皮肤病分类”，“作者”：“Goceri”，“年份”：“2019”}，{“关键”：“10.1016\/j.neucom.2021.2008_b0305”，“doi-asserted-by”：“crossref”，“非结构化”：“L.Nanni，A.Lumini，S.Ghidoni，G.Maguolo，卷积神经网络激活层的随机选择，2020年第20卷。doi:10.3390\/s20061626.“，”doi“：”10.20944\/prints2020 02.0231.v1“}，{“key”：“10.1016\/j.neucom.2021.2.008_b0310”，“doi-asserted-by”：“crossref”，“doi”：“101016\/j.compbiomed.2021.104458”，“article-title”：“深度学习和移动技术时代的皮肤病诊断”，“volume”：”134“，“author”：“Goceri”，“year”：“2021”，“新闻标题”：“计算。生物医药“}，{“key”：“10.1016\/j.neucom.2021.2.008_b0315”，“doi-asserted-by”：“crossref”，“doi”：“101016\/j.compbiomed.2020.104118”，《文章标题》：“基于深度学习的面部皮肤病分类”，“卷”：“128”，“作者”：“Goceri”，“年份”：“2021”，“期刊标题”：“Compute.Biol.Med.”}，}，j.neucom.2021.12.008_b0320“，”doi-asserted-by“：”crossref“，”unstructured“：”A.Newell，K.Yang，J.Deng，用于人体姿势估计的堆积沙漏网络，in：Computer Vision\u2013 ECCV 2016，Springer International Publishing，Cham，2016，pp.483\u2013499.“，”doi“：”10.1007\/978-3319-46484-8_29“}，{“key”：“10.1016\/J.neucom.2021.008_b0325”，“unstructure”：“G.Jocher，A。Stoken，J.Borovec，NanoCode012，A.Chaurasia，TaoXie，L.Changyu，A.V，Laughing，tkianai，yxNONG，A.Hogan，lorenzomamana，AlexWang1900，J.Hajek，L.Diaconu，Marc，Y.Kwon，oleg，wanghaoyang0106，Y.Defretin，A.Lohia，ml5ah，B.Milanko，B.Fineran，D.Khromov，D.Yiwei，Doug，Durgesh，F.Ingham，ultralytics \/yolov5:v5.0-yolov5-P6 1280型号、AWS、Supervise.ly和YouTube集成（2021年4月）。doi:10.5281\/zenodo.4679653.“}，{“key”：“10.1016\/j.neucom.2021.2.008_b0330”，“unstructured”：“E.Goceri，使用空间变化分布匹配的脑磁共振图像强度归一化，收录于：第11届计算机图形学、可视化、计算机视觉和图像处理国际会议（CGVCVIP 2017），2017年，第300\u20134页10.1016\/j.neucom.2021.12.008_b0335“，“首页”：“125”，“文章标题”：“使用脑磁共振图像统计特征的全自动自适应强度归一化”，“体积”：“14”，“作者”：“Goceri”，“年份”：“2018”，“新闻标题”：”Celal Bayar Univ.j.Sci。“}]，”container-title“：[”Neurocomputing“]，”original-title”：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/api.elsevier.com/content\/article\/PII:S092523121018464？httpAccept=text\/xml“，”content-type“：”text\/.xml“，”content-version“：”vor“，”intended-application“：”text-mining“}，”{“URL”：“https:\//api.elsevier.com\/content\/article\/PII:S092523121018464？httpAccept=text\/plain“，”content-type“：”text\/prain“，“content-version”：“vor”，“intended-application”：“text-mining”}]，“deposed”：{“date-parts”：[[2023,3,5]]，“date-time”：“2023-03-05T23:58:44Z”，“timestamp”：1678060724000}，“score”：1，“resource”：{“primary”：“URL”：“https:\\/linkinghub.elsevier.com/retrieve\/piii\/S09252”31221018464“}}，”副标题“：[]，”shorttitle“：[]，”issued“：{”date-parts“：[2022,2]]}，”references-count“：67，”alternative-id“：[”S092531221018464“]，”URL“：”http://\/dx.doi.org\/10.1016\/j.neucom.2021.2.008“，”relation“：{}，“ISSN”：[“0925-2312”]，“ISSN-type”：[{“value”：“09252312”，“type”:“print”}]，“subject”：【]，“published”：{“date-parts”：[2022,2]}，“assertion”：[{“value”：“Elsevier”，“name”：“publisher“，”label“：”本文由“}，{”value“：”DefectDet:一种深度学习架构，用于检测超声图像中具有极端纵横比的缺陷“，”name“：”articletite“，”标签“：”article Title“}”，{“value”：“Neurocomputing”，“name”：“journaltitle”，“label”：“Journal Title”}https:\/\/doi.org\/10.1016\/j.neucom.2021.2.008“，”name“：”articlelink“，”label“：”CrossRef doi link to publisher maintained version“}，”{“value”：“article”，“name”：“content_type”，“label”：“content-type”}，{“value”：“\u00a9 2021 Elsevier B.V.保留所有权利