QQ客服 官方微博 反馈留言

浏览/检索结果: 共5条，第1-5条 帮助 限定条件 发表日期：2021     已选(0)清除 条数/页：5101520253035404550556065707580859095100   排序方式：请选择作者升序作者降序题名升序题名降序发表日期升序发表日期降序提交时间升序提交时间降序 IAUnet: Global Context-Aware Feature Learning for Person Reidentification 期刊论文 IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS, 2021, 卷号: 32, 期号: 10, 页码: 4460-4474 作者:  Hou, Ruibing;  Ma, Bingpeng;  Chang, Hong;  Gu, Xinqian;  Shan, Shiguang 收藏  |  浏览/下载：34/0  |  提交时间：2021/12/01 Context modeling  Feature extraction  Computational modeling  Semantics  Aggregates  Visualization  Task analysis  Feature enhancing  interaction-aggregation  person reidentification (reID)  spatial-temporal context modeling   Towards Binarized MobileNet via Structured Sparsity 会议论文 Hainan, China, 2021-12-26 作者:  Zhenmeng, Zuo;  Zhexin, Li;  Peisong, Wang;  Weihan, Chen;  Jian, Cheng 收藏  |  浏览/下载：10/0  |  提交时间：2022/06/15 Meta-USR: A Unified Super-Resolution Network for Multiple Degradation Parameters 期刊论文 IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS, 2021, 卷号: 32, 期号: 9, 页码: 4151-4165 作者:  Hu, Xuecai;  Zhang, Zhang;  Shan, Caifeng;  Wang, Zilei;  Wang, Liang 收藏  |  浏览/下载：89/0  |  提交时间：2021/11/03 Degradation  Kernel  Noise level  Convolution  Spatial resolution  Imaging  Arbitrary degradation  blur kernel  deep learning  meta-learning  scale factor  super-resolution   One-stage object detection knowledge distillation via adversarial learning 期刊论文 APPLIED INTELLIGENCE, 2021, 页码: 17 作者:  Dong, Na;  Zhang, Yongqiang;  Ding, Mingli;  Xu, Shibiao;  Bai, Yancheng 收藏  |  浏览/下载：32/0  |  提交时间：2021/11/02 Knowledge distillation  Object detection  Generative adversarial learning   DSDet: A Lightweight Densely Connected Sparsely Activated Detector for Ship Target Detection in High-Resolution SAR Images 期刊论文 REMOTE SENSING, 2021, 卷号: 13, 期号: 14, 页码: 21 作者:  Sun, Kun;  Liang, Yi;  Ma, Xiaorui;  Huai, Yuanyuan;  Xing, Mengdao 收藏  |  浏览/下载：98/0  |  提交时间：2021/11/02 ship detection  data augmentation  lightweight  anchor-free detector  one-stage  synthetic aperture radar (SAR)  deep learning