中文版 | English

在结果中检索

CASIA OpenIR

浏览/检索结果: 共8条，第1-8条 帮助

限定条件            
已选(0)清除 条数/页：   排序方式：
Berm Detection for Autonomous truck in Surface Mine Dump Area 会议论文
, Indianapolis, USA, 2021.09.19
作者:  Dejiang Meng;  Bin Tian;  Ziyu Pan;  Dongpu Cao;  Long Chen
Adobe PDF(617Kb)  |  收藏  |  浏览/下载：197/75  |  提交时间：2023/05/19
One-Stage Open Set Object Detection with Prototype Learning 会议论文
, Bali Indonesia, December 8-12, 2021
作者:  Yongyu Xiong;  Peipei Yang;  Cheng-Lin Liu
Adobe PDF(1184Kb)  |  收藏  |  浏览/下载：288/69  |  提交时间：2022/06/22
object detection  Open set recognition  Prototype learning  
MCCN: Multimodal Coordinated Clustering Network for Large-Scale Cross-modal Retrieval 会议论文
, Virtual Event, Oct. 20-24, 2021
作者:  Zeng, Zhixiong;  Sun, Ying;  Mao, Wenji
Adobe PDF(1676Kb)  |  收藏  |  浏览/下载：309/121  |  提交时间：2022/06/17
Graph Contrastive Learning with Adaptive Augmentation 会议论文
, Online, 2021-4
作者:  Zhu, Yanqiao;  Xu, Yichen;  Yu, Feng;  Liu, Qiang;  Wu, Shu;  Wang, Liang
Adobe PDF(2989Kb)  |  收藏  |  浏览/下载：173/15  |  提交时间：2022/06/13
Video Retrieval based on CNN Feature and Scalar Quantization 会议论文
, Beijing, China, November 18-21, 2021
作者:  Junlin Che;  Guixuan Zhang;  Shuwu Zhang
Adobe PDF(813Kb)  |  收藏  |  浏览/下载：195/57  |  提交时间：2022/04/08
Mining Latent Structures for Multimedia Recommendation 会议论文
, Chengdu, China, 2021.10.20-2021.10.24
作者:  Zhang, Jinghao;  Zhu, Yanqiao;  Liu, Qiang;  Wu, Shu;  Wang, Shuhui;  Wang, Liang
Adobe PDF(3070Kb)  |  收藏  |  浏览/下载：193/51  |  提交时间：2022/04/07
Deep & Attention : A Self-Attention based Neural Network for Remaining Useful Lifetime Predictions 会议论文
, Budapest, Hungary, 2021-2
作者:  Yuanjun, Liu;  Xingang, Wang
Adobe PDF(1820Kb)  |  收藏  |  浏览/下载：198/40  |  提交时间：2021/07/01
Audio-Visual Speech Separation with Visual Features Enhanced by Adversarial Training 会议论文
0, 线上会议, 2021-7-18
作者:  Zhang Peng;  Xu Jiaming;  Shi Jing;  Hao Yunzhe;  Qin Lei;  Xu Bo
Adobe PDF(1900Kb)  |  收藏  |  浏览/下载：237/63  |  提交时间：2021/06/21
audio-visual speech separation  robust  adversarial training method  time-domain approach