{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部分”：[[2024,9,11]]，“日期-时间”：“2024-09-11T12:37:17Z”，“时间戳”：1726058237750}，“发布者位置”：“美国纽约州纽约市”，“引用-计数”：31，“发布商”：“ACM”，“内容-域”：[“dl.ACM.org”]，“交叉标记-严格离子“：true}，”短容器时间“用法：[]，“published-print”：{“date-parts”：[[2018,12,18]]}，“DOI”：“10.1145\/3293353.3293383”，“type”：“proceedings-article”，“created”：{-“date-ports”：[20200,5,4]]，“date-time”：“2020-05-04T22:07:32Z”，“timestamp”：1588630052000}，”page：“1-9”，“update-policy”：”http://\/dx.DOI.org\/10.1145 \/crossmark-policy“，”source“：”Crossref“，”is-referenced-by-count“：6，”title“：[“HSD-CNN”]，“前缀”：“10.1145”，“卷”：“1”，“作者”：[{“给定”：“K”，“家族”：“SaiRam”，“序列”：“第一”，“从属关系”：[}“名称”：“印度理工学院卡拉普尔”}]}，{“指定”：“贾扬塔”，“家庭”：“穆克吉”，“顺序”：“附加”，“附属关系”：[{“名称“：”印度理工大学卡拉普尔Amit“，”family“：”Patra“，“sequence”：“additional”，“affiliation”：[{“name”：“Indian Institute of Technology Kharagpur”}]}，{“given”：“Partha Pratim”，“family”：“Das”，“se序列”：“附加的”，“从属关系”：[[{”name“：”Indian Institute ofTechnology Karagpur“}]}]，“member”：“320”，“published-online”：{“date-parts”：[2020,5,3]}、“reference”：[}“volume-title”：“用于大规模图像识别的极深卷积网络。CoRR，abs\/1409.1556”，“年份”：“2014年”，“作者”：“Simonyan Karen”，“密钥”：“e_1_3_2_1_1_1”，《非结构化》：“卡伦·西蒙扬（Karen Simonyan）和安德鲁·齐瑟曼（Andrew Zisserman）。用于大规模图像识别的深度卷积网络。CoRR，abs，2014.109.1556。卡伦·莫扬（Ka伦·西蒙安）和安德鲁·齐瑟曼。用于大规模图像识别的深度卷积网络。CoRR，abs，1409.1556，2014.”}，{“key”：“e_1_3_2_1_2”，“doi-asserted-by”：“publisher”，“doi”：“10.1109\/CVPR.2016.90”}，{“key”：“e_1_3_2_1_3_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1109\/ICCV.2015.314“}，}“volume-title”：“Tree-cnn：终身学习的深度卷积神经网络。CoRR，abs\/1802.05800”，“year”：“2018”，“author”：“Roy Deboleena”，“key“：”e_3_2_4_1“，”非结构化“：“Deboleena Roy、Priyadarshini Panda和Kaushik Roy。Tree cnn：用于终身学习的深度卷积神经网络。CoRR，abs\/1802.0558002018。Deboleena Roy、Priyadarshini Panda和Kaushik Roy。Tree cnn：用于终身学习的深度卷积神经网络。CoRR，abs\/1802.0558002018。”}，{“卷标题”：“B-CNN：用于分层分类的分支卷积神经网络。CoRR，abs\/1709.09890”，“年份”：“2017年”，“作者”：“朱新奇”，“关键”：“e_1_3_2_1_5_1”，“非结构化”：“朱新奇和迈克尔·贝恩。B-CNN:用于分级分类的分支卷积神经网络。CoRR，abs \/1709.09890，2017。朱新奇与迈克尔·贝因。B-CNN：用于分级分类中的分支卷曲神经网络。CoRR，abs \/170909890，2017.”}，{“key”：“e_1_3_2_1_6_1”，“doi-asserted-by”：“publisher”，”doi“：“10.1109\/CVPRW.2017.58”}，{“key”：“e_1_3_2_1_7_1”，“首页”：“598”，“volume-title”：“神经信息处理系统2的进展”，“author”：“村延乐”，“年份”：“1990”，“非结构化”：“延乐村，John S.Denker，and Sara A。索拉。神经信息处理系统进展2。最佳脑损伤一章，第598-605页。摩根考夫曼出版公司。，美国加利福尼亚州旧金山，1990年。Yann Le Cun、John S.Denker和Sara A.Solla。神经信息处理系统进展2。第598-605页，最佳脑损伤一章。Morgan Kaufmann Publishers Inc.，San Francisco，CA，USA，1990.“}，{”key“：”e_1_3_2_1_8_1“，”first page“：“164”，“volume-title”：“Advances in Neural Information Processing Systems 5，[NIPS Conference]”，“author”：“Hassibi Babak”，“year”：“1993”，“unstructured”：“Babak Hassibi and David G.”。鹳。网络修剪的二阶导数：最佳脑外科医生。神经信息处理系统进展5，[NIPS会议]，第164-171页，美国加利福尼亚州旧金山，1993年。摩根·考夫曼出版社。Babak Hassibi和David G.Stork。网络修剪的二阶导数：最佳脑外科医生。神经信息处理系统进展5，[NIPS会议]，第164-171页，美国加利福尼亚州旧金山，1993年。Morgan Kaufmann Publishers Inc.“}，{”key“：”e_1_3_2_1_9_1“，”首页“：”1135“，”volume-title“：”第28届神经信息处理系统国际会议论文集“，”卷“：”1“，”author“：”Han Song“，”year“：”2015“，”unstructured“：”Song Han、Jeff Pool、John Tran和William J。戴利。学习有效神经网络的权值和连接。《第28届神经信息处理系统国际会议论文集》，第1卷，NIPS’15，第1135-1143页，美国马萨诸塞州剑桥，2015年。麻省理工学院出版社。宋汉（Song Han）、杰夫·普尔（Jeff Pool）、约翰·特兰（John Tran）和威廉·戴利（William J.Dally）。学习有效神经网络的权值和连接。《第28届神经信息处理系统国际会议论文集》，第1卷，NIPS’15，第1135-1143页，美国马萨诸塞州剑桥，2015年。麻省理工学院出版社。“}，{”key“：”e_1_3_2_10_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/3005348”}，“key”：“e_1_ 3_2_11_1”，“doi-assert-by”：“publisher”，”doi“：”10.1109\/ACCES.2015.2494536“}”，{，“卷”：“1”，“作者：“丹顿·艾米丽”，“年份”：“2014年”，“非结构化”：“艾米莉·丹顿、沃伊切·扎伦巴、琼·布鲁纳、扬·勒村和罗伯·弗格斯。利用卷积网络中的线性结构进行有效评估。《第27届神经信息处理系统国际会议论文集》，第1卷，NIPS’14，第1269-1277页，美国马萨诸塞州剑桥，2014年。麻省理工学院出版社。艾米莉·丹顿（Emily Denton）、沃伊西奇·扎伦巴（Wojciech Zaremba）、琼·布鲁纳（Joan Bruna）、亚恩·勒村（Yann LeCun）和罗伯·弗格斯（Rob Fergus）。利用卷积网络中的线性结构进行有效评估。《第27届神经信息处理系统国际会议论文集》，第1卷，NIPS’14，第1269-1277页，美国马萨诸塞州剑桥，2014年。麻省理工学院出版社。“}，{”volume-title“：”英国机器视觉会议，BMVC 2014“，”year“：”2014“，“author”：“Jaderberg Max”，“key”：“e_1_3_2_13_1”，“unstructured”：“Max Jaderberg-，Andrea Vedaldi，and Andrew Zisserman。用低阶扩展加速卷积神经网络。在Michel Fran\u00e7ois Valstar，Andrew P.French，and Tony P。Pridmore，编辑，英国机器视觉会议，BMVC 2014，英国诺丁汉，2014年9月1日至5日。BMVA出版社，2014年。Max Jaderberg、Andrea Vedaldi和Andrew Zisserman。用低阶展开加速卷积神经网络。Michel Fran\u00e7ois Valstar、Andrew P.French和Tony P.Pridmore，英国机器视觉会议编辑，BMVC 2014，英国诺丁汉，2014年9月1-5日。BMVA Press，2014.“｝，｛“key”：“e_1_3_2_1_14_1”，“doi由”：“publisher”断言，“doi”：“10.1109\/CVPR.2017.205”｝，｛“key”：“e_1_3_2_1_15_1”，“doi由”：“publisher”断言，“doi”：“10.1109\/TPAMI.2015.202579”｝，｛“key”：“e_1_3_2_1_16_1”，“doi由”：“publisher”断言，“doi”：“10.1109\/ICCV.2017.155”｝，｛“key”：“e_1_3_2_1_17_1”，“doi断言者”：“发布者”，“doi”：“10.1109\/ICCV.2017.78“}，{“key”：“e_1_3_2_18_1”，“doi-asserted-by”：“publisher”，《doi》：“10.1109\/WACV.2018.00083”}，“volume-title”：“Mobilenets:移动视觉应用的高效卷积神经网络。CoRR，abs\/1704.04861”，“year”：“2017”，“author”：“Howard Andrew G.”，”key“：”e_1_ 3_2_19_1“，”非结构化“：”Andrew G。霍华德（Howard）、朱梦龙（Menglong Zhu）、陈波（Bo Chen）、德米特里·卡列尼琴科（Dmitry Kalenichenko）、王卫军（Weijun Wang）、托比亚斯·韦扬德（Tobias Weyand）、马可·安德列托（Marco Andreetto）和哈特维格·亚当（Hartwig Adam）。手机：用于移动视觉应用的高效卷积神经网络。CoRR，abs \/1704.048612017年。安德鲁·霍华德（Andrew G.Howard）、朱梦龙（Menglong Zhu）、陈波（Bo Chen）、德米特里·卡列尼琴科（Dmitry Kalenichenko）、王卫军（Weijun Wang）、托比亚斯·韦扬德（Tobias Weyand）、马可·安德列。Mobilenets:用于移动视觉应用的高效卷积神经网络。CoRR，abs\/1704.04861，2017.“}，{“volume-title”：“Squeezenet：Alexnet级精度，参数少50倍，模型大小<1mb。CoRR、abs\/1602.07360”，“年份”：“2016年”，“作者”：“Iandola Forrest N.”，“key”：“e_1_3_2_1_20_1”，《非结构化》：“Forrest N.Iandola，Matthew W.Moskewicz，Khalid Ashraf，Song Han，William J。Dally和Kurt Keutzer。Squeezenet：Alexnet级精度，参数少50倍，模型大小小于1mb。CoRR，abs \/1602.073602016年。Forrest N.Iandola、Matthew W.Moskewicz、Khalid Ashraf、Song Han、William J.Dally和Kurt Keutzer。Squeezenet：Alexnet级精度，参数少50倍，模型大小小于1mb。CoRR，abs \/1602.07360，2016.“}，{“volume-title”：“Shufflenet：一种用于移动设备的非常高效的卷积神经网络。CoRR、abs \/12707.01083”，“年份”：“2017年”，“作者”：“张祥宇”，“密钥”：“e_1_3_2_1_21_1”，“非结构化”：“张祥宇、周新宇、林梦晓和孙健。Shufflenet：一种用于移动设备的非常有效的卷积神经网络。CoRR，abs\/17070.1083，2017年。张祥宇、周新宇、林梦晓和孙健。Shufflenet：一种用于移动设备的非常有效的卷积神经网络。CoRR，abs \/1707.01083，2017.“}，{”key“：”e_1_3_2_1_22_1“，”首页“：”2752“，”volume-title“：”2018 IEEE计算机视觉与模式识别会议，CVPR 2018“，”author“：”Huang Gao“，”year“：”2018.“，”unstructured“：”Gao Huang，Shichen Liu，Laurens van der Maaten，and Kilian Q。温伯格。凝聚：使用学习的群卷积的高效凝聚。2018年6月18日至22日在美国盐湖城举行的2018年IEEE计算机视觉和模式识别会议，CVPR 2018，第2752-2761页。高煌、刘世晨、劳伦斯·范德马滕和基里安·温伯格。凝聚：使用学习的群卷积的高效凝聚。2018年IEEE计算机视觉和模式识别会议，CVPR 2018，美国盐湖城，2018年6月18日至22日，第2752-2761页弗罗斯特·尼古拉斯”，“key”：“e_1_3_2_1_24_1”，“非结构化”：“尼古拉斯·弗罗斯特和杰弗里·欣顿。将神经网络提取为软决策树。CoRR，abs \/1711.097842017年。尼古拉斯·弗罗斯特（Nicholas Frosst）和杰弗里·欣顿（Geoffrey E.Hinton）。将神经网络提取为软决策树。CoRR，abs \/1711.09784，2017.“}，{“volume-title”：“吴英年，朱松春。通过决策树解释cnns。CoRR（abs），1802.00121”，“年份”：“2018”，“作者”：“张全石”，“key”：“e_1_3_2_1_25_1”，“非结构化”：“张全石、余阳、吴英年和朱松春。通过决策树解释cnn。CoRR，abs \/1802.001212018年。张全石、余阳、吴英年和朱松春。通过决策树解释cnn。CoRR，abs\/1802.00121，2018。“}，{”key“：”e_1_3_2_1_26_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1080\/01621459.1963.10500845”}，“volume-title”：“Pythor:python中具有强GPU加速的张量和动态神经网络”，“year”：“2017”，“author”：“Paszke Adam”，“key”：“e_3_2_27_1”，“unstructured”：“”Adam Paszke、Sam Gross、Soumith Chintala和Gregory Chanan。《Pythort:python中的张量和动态神经网络，具有强大的GPU加速能力》，2017年。上次访问日期为2018年3月7日。Adam Paszke、Sam Gross、Soumith Chintala和Gregory Chanan。《Pythort:python中的张量和动态神经网络，具有强大的GPU加速能力》，2017年。上次访问时间：2018年3月7日。“}，{“volume-title”：“梯度下降优化算法概述。CoRR，abs\/1609.04747”，“年份”：“2016”，“作者”：“Ruder Sebastian”，“密钥”：“e_1_3_2_1_28_1”，“非结构化”：“塞巴斯蒂安·鲁德。梯度下降优化算法概述。CoRR，abs \/1609.047472016年。塞巴斯蒂安·鲁德。梯度下降优化算法概述。CoRR，abs \/1609.047472016。“}，{“volume-title”：“从微小图像中学习多层特征。硕士论文”，“年份”：“2009年”，“作者”：“克里舍夫斯基亚历克斯”，“关键”：“e_1_3_2_1_29_1”，“非结构化”：“亚历克斯·克里舍夫斯基。从微小图像学习多层特征”。硕士论文，2009年。上次访问日期：2018年8月10日。亚历克斯·克利舍夫斯基（Alex Krizhevsky）。从微小图像中学习多层特征。硕士论文，2009年。上次访问日期为2018年8月10日。“}，{”key“：”e_1_3_2_1_30_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1016\/j.cviu.2005.09.012”}，“key”：“e_1_ 3_2_1_1”，“doi-assert-by”：“publisher”，”doi“：”10.1109\/ICCV.2015.327“}]，“event”：{”name“：”ICVGIP 2018:第十一届印度计算机视觉、图形和图像处理会议“，”缩写词“：“2018年ICVGIP”，“location”：“Hyderabad India”｝，“容器标题”：[“第11届印度计算机视觉、图形和图像处理会议论文集”]，“原标题”：[]，“链接”：[{“URL”：“https:\/\/dl.acm.org/doi\/pdf\/10.1145\/32933353.3293383”，“内容类型”：“未指定”，“内容版本”：“vor”，“预期应用程序”：“相似性检查”}]，“deposed“：{“date-parts”：[[2023,5,18]]，“date-time”：“2023-05-18T23:41:53Z”，“timestamp”：1684453313000}，“score”：1，“resource”：{主要”：{“URL”：“https:\/\/dl.acm.org\/doi\/10.1145\/329353.3293383”}}，”副标题“：[”使用类特定过滤器敏感性分析的分层自分解CNN体系结构“]，”短标题：[]，“issued”：date-parts“：[[2018,12,18]]}，“references-count”：31，“alternative-id”：[“10.1145\/3293353338”，“10.1145\/3293353”]，“URL”：“http://\/dx.doi.org\/10.1145\/329353.3293383”，“relationship”：{}，”subject“：[]，“published”：{“date-part”：[2018,12,18]]}、“assertion”：[{“value”：“2020-05-03”，“order”：2，“name”：“published”，“label”：“published”，“group”：{“name”publication_history“，”label“：”出版物历史“}}]}}