{“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”：[[2024,9,6]]，“日期时间”：“2024-09-06T20:33:47Z”，“时间戳”：1725654827236}，“出版商位置”：“美国纽约州纽约市”，“引用计数”：31，“出版者”：“ACM”，“内容域”：“域”：[”dl.ACM.org“]，“十字标记restriction“：true}，”short-container-title“（重新限制）：[]，“published-print”：{“date-parts”：[[2018,12,18]]}，“DOI”：“10.1145\/3293353.3293404”，“type”：“proceedings-article”，“created”：{“date-parts”：[2020,5,4]，“date-time”：“2020-05-04T18:07:32Z”，“timestamp”：1588615652000}，”page“：“1-8”，“update-policy”：”http://\/dx.DOI.org\/10.1145 \/crossmark-policy“，”source“：”Crossref“，”is-referenced-by-count“：1，”title“：[“Greedy Gaussian Process Regression Applied to Object Categorization and Regression”]，“prefix”：“10.1145”，“volume”：“1”，“author”：[｛“given”：“Arka Ujjal”，“family”：“Dey”，“sequence”：“first”，“affiliation”：[｛“name”：“IIT Jodhpur”}]｝，｛“given”：“A.H.Abdul”，“family”：“Hafez”，“sequence”：“additional”，“affiliation”：[｛“name”：“Hasan Kalyoncu University”}]｝，{“given”：“Gaurav”，“family”：“Harit”，“sequence”：“additional”，“affiliation”：[{“name”：“IIT Jodhpur”}]}]，“member”：“320”，“published-on-line”：{“date-parts”：[[2020,5,3]}，“reference”：[}“key”：“Berg A.C.”，“年份”：“2005年”，“非结构化”：“A.C.Berg、T.L.Berg和J.Malik，《使用低失真对应的形状匹配和物体识别》，载于《计算机视觉和模式识别》，第1卷（2005），第26-33页。Malik，《使用低失真对应的形状匹配和物体识别》，载于《计算机视觉和模式识别》，第1卷（2005年）第26-33页Bosch A.“，“key”：“e_1_3_2_1_2_1”，“unstructured”：“A.Bosch，A.Zisserman和X.Munoz，用空间金字塔内核表示形状，载于第六届ACM图像和视频检索国际会议论文集（2007），第401-408页。A.Bosch、A.Zisserman和X.Munoz，用空间金字塔内核表示形状，载于第六届ACM图像和视频检索国际会议论文集（2007）第401-408页。“}，{”问题“：”7“，”关键“：”e_1_3_2_1_3_1“，”第一页“：”1354“，”文章标题“：”视觉对象识别的多核学习：综述，模式分析和机器智能”，“卷”：“36”，“作者”：“Bucak S.S.”，“年份”：“2014”，“非结构化”：“S.S.Bucak，R.Jin和A.K.Jain，《视觉对象识别多核学习综述》，模式分析与机器智能，IEEE汇刊36（7）（2014）1354--1369。S.S.Bucak，R.Jin和A.K.Jain，《视觉对象识别的多核学习：综述》，模式分析和机器智能，IEEE Transactions on 36（7）（2014）1354--1369。“，“期刊标题”：“IEEE Translations on”}，{“首页”：“1097”，“卷时间”：“Advances in Neural Information Processing Systems（2013）”，“作者”：“Cao Y.”，“key“：”e_1_3_2_1_4_1“，”unstructured“：”Y.Cao，M.A.Brubaker，D.J.Fleet和A.Hertzmann，稀疏高斯过程回归的高效优化，收录于《神经信息处理系统进展》（2013）第1097--1105页。Y.Cao、M.A.Brubaker、D.J.Fleet和A.Hertzmann，稀疏高斯过程回归的有效优化，《神经信息处理系统进展》（2013）第1097-1105页。Murray评估高斯过程回归近似方法的框架机器学习研究杂志14（2月）（2013）333-350。K.Chalupka C.K.Williams和I.Murray高斯过程回归近似方法评估框架机器学习研究杂志14（Feb）（2013）333--350.“}，{”key“：”e_1_3_2_1_6_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1016\/j.cviu.2005.09.012”}，“key”：“e_1_3_2_1_7_1”，“doi-assert-by”：“publisher”，”doi“：”10.1109\/ICCV.2005.124“}，{“首页”：“3257”，“卷时间”：“神经信息处理系统的进展（2014）”，“作者”：“Gal Y.”，“键”：“e_1_3_2_1_8_1”，“非结构化”：“Y.Gal，M.van der Wilk和C。Rasmussen，稀疏高斯过程回归和潜在变量模型中的分布式变分推断，《神经信息处理系统进展》（2014），第3257-3265页。Y.Gal、M.van der Wilk和C.Rasmussen，稀疏高斯过程回归和潜在变量模型中的分布式变分推断，摘自《神经信息处理系统进展》（2014）第3257-3265页人工智能中的不确定性（2013）”，“作者”：“Hensman J.”，“key”：“e_1_3_2_1_10_1”，《非结构化》：“J.Hensman，N.Fusi和N.D.Lawrence，大数据的高斯过程，收录于《人工智能的不确定性》（2013）第282页。J.Hensman，N.Fusi和N.D.Lawrence，《大数据的高斯过程》，载于《人工智能中的不确定性》（2013）第282页。LeCun使用支持向量机和卷积网络进行大尺度学习，用于计算机视觉和模式识别中的通用对象识别（2006）“}，{“首页”：“1”，“卷时间”：“计算机视觉，2007。ICCV 2007。IEEE第十一届国际会议（2007）”，“作者”：“Kapoor A.”，“key”：“e_1_3_2_12_1”，“非结构化”：“A.Kapoor，K.Grauman，R.Urtasun和T.Darrell，用高斯过程进行主动学习，用于对象分类，计算机视觉，2007年。ICCV 2007。IEEE第11届国际会议（2007），第1-8页。A.Kapoor、K.Grauman、R.Urtasun和T.Darrell，用高斯过程进行主动学习以进行对象分类，载于《计算机视觉》，2007年。ICCV 2007。IEEE第十一届国际会议（2007），第1-8页。“}，{”key“：”e_1_3_2_13_1“，”doi-asserted-by“：”crossref“，“unstructured”：“A.Kapoor K.Grauman R.Urtasun和T.Darrell Gaussian过程用于对象分类国际计算机视觉杂志88（2）（2010）169-188。A.Kapoor K.Grauman R.Urtasun和T.Darrell Gaussian过程用于物体分类国际计算机视觉杂志88（2）（2010）169--188。Keerthi和W.Chu，稀疏高斯过程回归的匹配追踪方法，《神经信息处理系统进展》（2005），第643-650页。S.Keerthi和W.Chu，稀疏高斯过程回归的匹配追踪方法，《神经信息处理系统进展》（2005）第643--650页Lawrence N.，“年份”：“2003年”，“非结构化”：“N.Lawrences，M.Seeger和R.Herbrich，《快速稀疏高斯过程方法：信息向量机》，《第16届神经信息处理系统年会论文集》（EPFL-CONF-161319）（2003），第609-616页。N.Lawrence，M.Seeger和R.Herbrich，《快速稀疏高斯过程方法：信息向量机》，载于《第16届神经信息处理系统年会论文集》，（EPFL-CONF-161319）（2003）第609-616页key“：”e_1_3_2_16_1“，”unstructured“：”M.Malshe，L.Raff，M.Rockley，M.Hagan，P.M.Agrawal和R.Komanduri，使用改进的新颖采样和前馈神经网络获得的从头算势能面上振动激发的溴化乙烯解离动力学的理论研究。ii、。该方法的数值应用，《化学物理杂志》127（13）（2007）第134105页。M.Malshe，L.Raff，M.Rockley，M.Hagan，P.M.Agrawal和R.Komanduri，振动激发的溴乙烯在从头算势能表面上解离动力学的理论研究，使用改进的新颖取样和前馈神经网络获得。ii、。该方法的数值应用，《化学物理杂志》127（13）（2007）第134105页。IROS 2008。IEEE \/RSJ国际会议（2008）”，“作者”：“Nguyen-Tuong D.”，“关键”：“e_1_3_2_1_17_1”，“非结构化”：“D.Nguyen-Tuong和J.Peters，基于模型的实时机器人控制的局部高斯过程回归，智能机器人和系统，2008年。IROS 2008。IEEE\/RSJ国际会议（2008年）第380-385页。D.Nguyen-Tuong和J.Peters，基于模型的实时机器人控制的局部高斯过程回归，《智能机器人和系统》，2008年。IROS 2008。IEEE \/RSJ国际会议（2008）第380-385页。Lawrence Fast forward selection to speed sparse gaussian process regression in Artificial Intelligence and Statistics 9（EPFL-CONF-161318）（2003）M.Seeger C.Williams and N.Lawrences Fast forward selection to speed gaussia process recovery in Artifical Intelligations 9（EPFL-CONF161318）“}，{”key“e_1_3_2_1_21_1“，“非结构化”：“A.J.Smola和P.Bartlett《神经信息处理系统进展》中的稀疏贪婪高斯过程回归13（2001）A.J.Smola和P.Bartlet《神经信息加工系统进展》（2001）中的稀疏贪心高斯过程回归”}，{“首页”：“1257”，“卷标”：“神经信息处理系统进展（2005）”，“作者”：“Snelson E.”，“关键”：“E_1_3_2_1_22_1”，“非结构化”：“E.Snelson＆Z.Ghahramani，使用伪输入的稀疏高斯过程，收录于《神经信息处理系统进展》（2005）第1257-1264页。E.Snelson和Z.Ghahramani，《使用伪输入的稀疏高斯过程》，载于《神经信息处理系统进展》（2005）第1257-1264页。Ghahramani，局部和全局稀疏高斯过程近似，摘自《国际人工智能与统计会议》（2007）第524-531页。E.Snelson和Z.Ghahramani，局部和全局稀疏高斯过程近似，收录于《国际人工智能与统计会议》（2007）第524--531页非结构化”：“M.K.Titsias，稀疏高斯过程中诱导变量的变分学习，国际人工智能与统计会议（2009）第567-574页。M.K.Titsias，稀疏高斯过程中诱导变量的变分学习，载于《国际人工智能与统计会议》（2009）第567--574页Ulusoy I.”，“年份”：“2006年”，“非结构化”：“I.Ulusoyy和C.M.Bishop，对象检测和分类的生成和区分技术比较，收录于《面向类别级对象识别》（Springer，2006）第173-195页。I.Ulusoy和C.M.Bishop，《目标检测和分类的生成和鉴别技术的比较》，收录于《面向类别级目标识别》（Springer，2006）第173-195页。“}，{“首页”：“606”，“卷-标题”：“计算机视觉国际会议（2009）”，“作者”：“Vedaldi A.”，“关键”：“e_1_3_2_1_26_1”，“非结构化”：“A.Vedaldi、V.Gulshan、M.Varma和A.Zisserman，《目标检测的多核》，载于《计算机视觉国际会议》（2009）第606-613页。A.Vedaldi，V.Gulshan，M.Varma和A.Zisserman，《用于目标检测的多核》，载于《计算机视觉国际会议》（2009）第606-613页。格拉芙，《识别本地特征：内核食谱》，载于《计算机视觉国际会议》（2003年）第257至264页。C.Wallraven、B.Caputo和A.Graf，《识别局部特征：核心食谱》，载于计算机视觉国际会议（2003）第257--264页。“}，{“键”：“e_1_3_2_1_28_1”，“首页”：“8”，“文章标题”：“回归的高斯过程”，“作者”：“Williams C.K.I.”，“年份”：“1995”，“非结构化”：“C.K.I Williams和C.e。拉斯穆森，回归的高斯过程，神经信息处理系统进展8（1995）。C.K.I.Williams和C.E.Rasmussen，回归的高斯过程，神经信息处理系统的进展8（1995）。“，”journal-title“：”Advances in Neural Information Processing Systems“}，{“first page”：“4”，“volume-title”：“Gaussian process for machine learning，the MIT Press 2（3）（2006）”，“author”：“Williams C.K.”，“key”：”e_1_3_2_1_29_1“，”unstructured“：”C.K.Williams and C.e.Rasmussen，“Gausis process fore machine learning，the MIT Press 2（第4页。C.K.Williams和C.E.Rasmussen，机器学习的高斯过程，麻省理工学院出版社2（3）（2006）第4页。高，面向对象分类的群体敏感多核学习，载《计算机视觉国际会议》（2009）第436-443页。J.Yang，Y.Li，Y.Tian，L.Duan和W.Gao，面向对象分类的群体敏感多核学习，载于国际计算机视觉会议（2009）第436--443页。“}，{”key“：”e_1_3_2_1_32_1“，”first page“：“2126”，“article-title”：“Svm-knn：视觉类别识别的判别最近邻分类”，“volume”：“2”，“作者：“Zhang H.”，“年份”：“2006年”，“非结构化”：“H.Zhang，A.C.Berg，M.Maire和J.Malik，Svm-knn：视觉类别识别的判别最近邻分类，收录于《计算机视觉和模式识别》，第2卷（2006年），第2126--2136页。H.Zhang，A.C.Berg，M.Maire和J.Malik，Svm-knn：视觉类别识别的判别最近邻分类，收录于《计算机视觉和模式识别》，第2卷（2006年）第2126--2136页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”：“ICVGIP2018”，“位置”：“印度海得拉巴”}，“容器-标签”：[“第十一届计算机视觉、图像和图像处理印度会议记录”]，“原始标题”：[]，“链接”：[{“URL”：“https:\/\/dl.acm.org\/doi\/pdf\/10.1145\/329353.3293404”，“content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[2023,5,18]]，”date-time“：“2023-05-18T19:32:44Z”，”timestamp“：1684438364000}，”score“：1，”resource“：{primary“：”URL“https:\/\/dl.acm.org\/doi\/10.1145\/32993353.3293404”}}，“副标题”：[]，“短标题”：[]date-parts“：[[2018,12,18]]}，”references-count“：31，”alternative-id“：[”10.1145\/3293353.293404“，”10.1145\/3293353“]，”URL“：”http://\/dx.doi.org\/10.1145\/329353.3293404“，“relation”：{}，“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“}}]}}