中文版 | English

在结果中检索

CASIA OpenIR
（本次检索基于用户作品认领结果）

浏览/检索结果: 共5条，第1-5条 帮助

限定条件            
已选(0)清除 条数/页：   排序方式：
Local-Aggregation Graph Networks 期刊论文
IEEE Transactions on Pattern Analysis and Machine Intelligence, 2020, 卷号: 42, 期号: 11, 页码: 2874-2886
作者:  Jianlong Chang;  Lingfeng Wang;  Gaofeng Meng;  Shiming Xiang;  Chunhong Pan
浏览  |  Adobe PDF(3090Kb)  |  收藏  |  浏览/下载：249/90  |  提交时间：2020/10/20
Local-aggregation function  local-aggregation graph neural network  non-Euclidean structured signal  
Learning graph structure via graph convolutional networks 期刊论文
PATTERN RECOGNITION, 2019, 卷号: 95, 期号: -, 页码: 308-318
作者:  Zhang, Qi;  Chang, Jianlong;  Meng, Gaofeng;  Xu, Shibiao;  Xiang, Shiming;  Pan, Chunhong
浏览  |  Adobe PDF(2475Kb)  |  收藏  |  浏览/下载：451/107  |  提交时间：2019/12/16
Deep learning  Graph convolutional neural networks  Graph structure learning  Changeable kernel sizes  
A Performance Evaluation of Local Features for Image-Based 3D Reconstruction 期刊论文
IEEE TRANSACTIONS ON IMAGE PROCESSING, 2019, 卷号: 28, 期号: 10, 页码: 4774-4789
作者:  Fan, Bin;  Kong, Qingqun;  Wang, Xinchao;  Wang, Zhiheng;  Xiang, Shiming;  Pan, Chunhong;  Fua, Pascal
浏览  |  Adobe PDF(3986Kb)  |  收藏  |  浏览/下载：330/70  |  提交时间：2019/12/16
Local feature  image reconstruction  structure from motion (SFM)  3D vision  image matching  
Blind image quality assessment via learnable attention-based pooling 期刊论文
PATTERN RECOGNITION, 2019, 卷号: 91, 页码: 332-344
作者:  Gu, Jie;  Meng, Gaofeng;  Xiang, Shiming;  Pan, Chunhong
浏览  |  Adobe PDF(3081Kb)  |  收藏  |  浏览/下载：502/189  |  提交时间：2019/05/15
Image quality assessment  Perceptual image quality  Visual attention  Convolutional neural network  Learnable pooling  
Weakly Semantic Guided Action Recognition 期刊论文
IEEE TRANSACTIONS ON MULTIMEDIA, 2019, 卷号: 21, 期号: 10, 页码: 2504-2517
作者:  Yu, Tingzhao;  Wang, Lingfeng;  Da, Cheng;  Gu, Huxiang;  Xiang, Shiming;  Pan, Chunhong
浏览  |  Adobe PDF(18774Kb)  |  收藏  |  浏览/下载：434/112  |  提交时间：2019/05/15
Semantic guided module  action recognition  cross domain  3D convolution  attention model