Поновна идентификација особе заснована на уграђивању информација о контури

Апстрактан:

Поновна идентификација лица (Ре-ИД) игра важну улогу у потрази за несталим особама и праћењу осумњичених. Поновна идентификација особа заснована на дубоком учењу је постигла велики напредак у последњих неколико година, а примена обележја пешачке контуре је такође добила пажњу. У студији смо открили да карактеристика контуре пешака није довољна у представљању ЦНН-а.

Студија је открила позитивну везу између карактеристика силуете пешака и памћења. Са брзим развојем науке и технологије, људи све дубље проучавају контурне карактеристике пешака, што је од велике помоћи људима да унапреде своју свест о безбедности и памћење.

Када људи посматрају групу слика пешака, обично могу лако да се сете неких истакнутих карактеристика, као што су висина, тежина, одећа особе, итд. Међутим, визуелна меморија људи се значајно побољшава ако игноришу све ове карактеристике и фокусирају се само на обрисе пешака. Зато што су обриси пешака једна од најупечатљивијих карактеристика људи и других објеката и једна од најчешћих ствари у нашем свакодневном животу. Посматрањем и памћењем ових карактеристика, можемо боље да побољшамо нашу свест о безбедности и натерамо нас да посветимо више пажње безбедносним питањима у спољашњем окружењу.

Поред тога, карактеристике пешачког обриса такође могу индиректно побољшати наше памћење. Када људи посматрају обрисе пешака, они треба да анализирају и памте различите линије обриса, које ће вежбати наше посматрање и памћење, побољшавајући тако наш свеобухватни ниво памћења. Ово нам такође пружа нову перспективу и метод за тренинг памћења у свакодневном животу.

Укратко, постоји позитивна веза између карактеристика профила пешака и меморије. Обраћајући пажњу на силуете пешака, можемо побољшати нашу свест о безбедности и свеобухватне нивое памћења, омогућавајући нам да се боље прилагодимо и носимо са различитим животним изазовима. Види се да морамо побољшати памћење, а цистанцхе десертицола може значајно побољшати памћење јер је цистанцхе десертицола традиционални кинески медицински материјал који има много јединствених ефеката, од којих је једно побољшање памћења. Ефикасност млевеног меса потиче од различитих активних састојака које садржи, укључујући киселину, полисахариде, флавоноиде, итд. Ови састојци могу да унапреде здравље мозга на различите начине.

Кликните на Знај да бисте побољшали краткорочно памћење

На основу тога, да бисмо побољшали перформансе препознавања Ре-ИД мреже, предлажемо модул за екстракцију контурних информација (ЦИЕМ) и метод уградње контурних информација, тако да се мрежа може фокусирати на више информација о контури. Наш метод је конкурентан у експерименталним подацима; мАП скупа података Маркет1501 достигао је 83,8%, а Ранк{4}} је достигао 95,1%. МАП скупа података ДукеМТМЦ-реИД достигао је 73,5%, а ранг{10}} је достигао 86,8%. Експериментални резултати показују да додавање информација о контури у мрежу може побољшати стопу препознавања, а добре карактеристике контуре играју важну улогу у истраживању Ре-ИД.

Кључне речи:

Поновна идентификација лица; пешачка контура; екстракција информација о контури.

1. Представљање

Поновна идентификација особе (Ре-ИД), позната и као праћење пешака преко камера, има за циљ да идентификује слику исте особе под различитим камерама [1]. Данас се препознавање лица широко користи у свим областима живота, а брзо се развија и истраживање препознавања лица [2–4]. Међутим, у многим случајевима, камера не може прецизно да ухвати јасно лице, тако да технологија поновне идентификације особе може играти важну улогу [5].

Почетни Ре-ИД се ослања на ручне карактеристике као што су боја и текстура [6,7]. Иако има одређени ефекат препознавања, ипак има одређени јаз са људским препознавањем. Данас је већина Ре-ИД заснована на дубоком учењу, на којем су истраживачи посвећени решавању различитих практичних проблема са којима се сусрећу. Нека истраживања су усмерена на сам Ре-ИД, као што је решавање неусклађености држања, оклузије слике [8,9], итд. Нека истраживања су усмерена на мреже дубоког учења [10], као што су коришћење механизама пажње, побољшање мреже, препознавање малих узорака [11] итд.

Утврђено је да информације о контури такође играју важну улогу у препознавању слике. Неки радови [12] дубоко разумеју израз ЦНН-ових дубинских визуелних карактеристика. Експерименти на Имагенет-у показују да модели дубинског учења засновани на ЦНН-у преферирају карактеристике засноване на текстури у односу на карактеристике засноване на облику [13,14]. Поред тога, доказано је да уграђени хибридни модел заснован на текстури и контури побољшава перформансе класификације слика и детекције објеката. Извлачимо мапу карактеристика РесНет-50 мреже, која се најчешће користи у истраживању Ре-ИД-а, и визуелизујемо је (погледајте слику 1). Интуитивно се може открити да ЦНН мрежа недостаје у екстракцији контурних информација. У протекле две године, многи истраживачи су почели да користе информације о контурама као помоћну ставку за учешће у истраживању Ре-ИД и постигли су одређени успех.

На основу горе наведених постојећих чињеница, верујемо да додавање контурних информација у ЦНН мрежу може ефикасно да им помогне да науче све више и робусније информације о пешацима и да може побољшати ефекат коначног препознавања. С обзиром на тајност ЦНН мреже од краја до краја, не може се интервенисати са људским унапред створеним знањем. Због тога градимо модул за екстракцију контурних информација уз помоћ мисли пажње, тако да ЦНН мрежа може обратити више пажње на неке контурне информације уместо да их губи у процесу вишеслојне конволуције. У суштини, доприноси овог рада су следећи:

• Потврђујемо недостатак информација о контурама у истраживању поновне идентификације ЦНН мреже.

• Предлажемо модул за екстракцију информација о контури, који може учинити да мрежа посвети више пажње информацијама о контури на слици пешака без интервенције људског искуства.

• Експериментални резултати показују да наш метод има добар ефекат на Маркет1501 и ДукеМТМЦ-реИД скупове података.

2. Сродни радови

2.1. Поновна идентификација лица заснована на механизму пажње

Последњих година механизам пажње се широко користи [15–18]. Његова сврха је да омогући мрежи да научи важније ствари. Ре-ИД истраживање може ефикасно решити проблем неусклађености држања, девијације слике пешака и делимичне оклузије. На пример, Лиу ет ал. [19] је по први пут предложио модел пажње за задатак Ре-ИД да би динамички генерисао карактеристике пажње за лоцирање различитих локалних области. Зхао ет ал. [20] је предложио модел пажње заснован на ЦНН-у, који користи информације о сличности упарених људских слика да би научио део тела који се користи за подударање. Ванг и др. [21] је предложио модел пажње који комбинује тврду пажњу и меку пажњу, који истовремено може научити вишеразмерне локалне мапе карактеристика и мапе на нивоу пиксела на начин од краја до краја. Сун ет ал. [22] је предложио локалну-глобалну мрежу пажње на више нивоа (ЛГМАНет), која у потпуности користи информације о контексту и информације о просторној пажњи како би се додатно побољшала способност препознавања мреже рођења. Зханг ет ал. [23] је предложио ефикасан модул глобалне пажње (РГА) који је свестан односа, који се такође може применити на сегментацију сцене и задатке сегментације слике.

2.2. Поновна идентификација особе на основу информација о контури

Последњих година, неки истраживачи су применили контуру пешака на истраживање Ре-ИД; на пример, Цхен ет ал. [24] је први покушао да експлицитно користи контуре у дубоким Ре-ИД моделима и предложио је вођење контуре, што у великој мери доказује изгледе за примену пешачке контуре. Ианг ет ал. [25] је веровао да на основу тога што промена у одећи особе није јака (јака се односи на јаз између зимске и летње одеће), контура пешака такође може разликовати личне карактеристике. На основу тога, контурна карта пешака се користи као улаз за екстракцију обележја за унакрсно облачење особе Ре-ИД и постижу се добри резултати. На основу истраживања Ианг ет ал., Цхен ет ал. [26] у комбинацији са механизмом пажње, користио је контуру пешака за истраживање унакрсног облачења Ре-ИД истраживања. Недавно објављено истраживање [27] предложило је изглед на више скала и дубоки инфомак контура (МАЦ-ДИМ) како би се максимизирале међусобне информације између карактеристика слике у боји пешака и карактеристика контуре пешака, користећи учење контурних карактеристика као регуларизацију за проналажење ефикаснијег представљања обележја свесног облика од слика у боји.

3. Методе

У овом одељку ћемо приказати предложени модул за екстракцију контурних информација (ЦИЕМ) (као што је приказано на слици 2) и дати детаљан опис Ре-ИД методе засноване на уграђивању информација о контури (као што је приказано на слици 3).

3.1. Модул за екстракцију информација о контурама

Контура пешака садржи релевантне карактеристике које су корисне за учење, али ће их општа ЦНН мрежа донекле игнорисати. Да бисмо омогућили мрежи да посвети више пажње информацијама садржаним у пешачкој контури, усвајамо идеју пажње и предлажемо модул за екстракцију информација контуре. Затим ћемо представити детаље модула за екстракцију контурних информација и како га користити, као што је приказано на слици 2.

За слику пешака у скупу података, када се користи РесНет-50 за конволуцију, њена излазна мапа карактеристика иза заосталог слоја је постављена као Ф, а њена величина је Ц к Х В, где је Ц број канала и Х к В је величина простора. За грану контуре пешака, смањујемо димензију мапе контуре пешака која одговара слици пешака кроз слој конволуције да бисмо добили мапу контурних обележја Ф' исте величине као и мапа обележја Ф. Њена величина је 1 Х к Ш где је 1 је број канала. Х к В је величина простора, а Ф и Ф' су улази модула за екстракцију контурних информација.

3.2. Општа архитектура

У претходном одељку смо детаљно представили модул екстракције контурних информација. Затим ћемо представити методу Ре-ИД засновану на уграђивању информација о контури у целини. Општи оквир који смо предложили приказан је на слици 3.

Цео оквир је подељен на две гране, са два улаза респективно. Улаз главне гране је РГБ оригинална слика пешака у скупу података, а улаз гране контуре је слика контуре пешака која одговара оригиналној РГБ слици.

У главној грани користимо РесНет-50 као окосну мрежу, која је генерално подељена на пет делова, наиме, конволуциони слој цонв1 и четири преостала слоја.

Грана контуре се углавном састоји од пет конволуционих слојева и четири модула за екстракцију контурних информација. Слој конволуције са истим параметром цонв1 као и слој конволуције поставља се на предњу страну гране контуре да би се извршила прелиминарна редукција димензионалности за мапу контуре. Додамо модул за екстракцију информација о контури на излазну позицију сваког заосталог слоја РесНет-50 и постављамо слој конволуције пре модула за екстракцију информација о контури. Улазна димензија слоја конволуције је 1, излазна димензија је 1, величина језгра_=1, а величина корака је 2, која се користи за смањење димензије мапе контурних обележја.

Метода обуке коришћена у нашем експерименту је иста као она која се користи у већини Ре-ИД студија. Функција губитка коришћена у експерименту је софтмак губитак и хард сампле мининг (трихард лосс) [28], које изражавамо као ЛИД и ЛТ, респективно. Након што кичма прими карактеристичну мапу, она прима карактеристични вектор кроз просечан слој обједињавања. Након што вектор прође кроз БН слој, он израчунава функцију губитка ЛТ, а његова формула за израчунавање је:

где П представља број ИД-ова особа у групи, насумично бирајући К слика за сваки ИД особе. А представља сидришну тачку, п представља позитиван узорак, а н представља негативан узорак. А је скуп позитивних узорака, а Б је скуп негативних узорака. макда,п представља најтежи позитиван узорак, а макда,н представља најтежи негативни узорак. означава маргину и постављено је на 0.3.

Функција губитка ЛИД се израчунава сопственим вектором добијеним из излаза БН слоја кроз линеарни слој, формула за прорачун је:

4. Експерименти

У овом поглављу ћемо из експерименталних резултата доказати ефикасност предложене методе. Стога смо осмислили серију експеримената аблације. Предложени модел ће бити тестиран на Маркет1501 и ДукеМТМЦ-реИД скуповима података како би се потврдила универзалност методе у овом раду. Упоређујући нашу методу са напредним методама у истраживању Ре-ИД последњих година, наш метод још увек има одређену конкурентност.

4.1. Скупови података и детаљи имплементације

Изабрали смо два скупа података који се најчешће користе у истраживању Ре-ИД за експерименте. Маркет1501 скуп података [29] садржи 1.501 различитих ИД-а пешака, 751 ИД-а пешака у сету за обуку и 750 ИД-ова пешака у скупу за тестирање, са укупно 32.217 слика. ДукеМТМЦ-реИД скуп података [30] садржи 1812 различитих ИД-а пешака, 702 ИД-а пешака у сету за обуку и 1110 ИД-ова пешака у скупу за тестирање. Међу њима се углавном односи на експеримент аблације са Маркет1501 и ДукеМТМЦ-реИД скуповима података. У експерименту користимо РЦФ модел да издвојимо контуру скупа података и направимо скуп података контуре пешака.

Пре мрежне обуке, извршићемо операције побољшања података на оригиналним РГБ сликама и сликама контуре пешака, укључујући насумично исецање, хоризонтално окретање и друге уобичајене операције побољшања слике, а да бисмо објединили различите скупове података, прилагођавамо улазне слике на 256 × 128 пиксела. У процесу обуке, користимо Адам оптимизатор да поставимо брзину учења на 8 × 10−4, брзину опадања тежине на 5 × 10−4, циклус обуке на 600 и величину серије на 32. Након тренинга, нисмо користили методе као што је поновно рангирање да бисмо оптимизовали сортирање. У фази тестирања, користили смо кумулативне карактеристике подударања (ЦМЦ) [31] ранга 1 и средњу просечну прецизност (мАП) [29] да проценимо перформансе, као и већина истраживања о Ре-ИД-у.

4.2. Аблатион Студи

4.2.1. Неопходност информација о контури

У два различита основна модела, ми директно користимо мапу контуре пешака као мапу обележја да бисмо је уградили у средњи слој мреже и назвали је методом уградње контуре (ЦЕМ). Ова два различита основна модела носе називе баселине1 и баселине2. Баселине1 је слаб основни модел, његова основна мрежа је РесНет-50, а операција смањења димензија последњег преосталог слоја је резервисана. Користите унапред обучене параметре на ИмагеНет-у пре мрежне обуке. Основна линија 2 је јак основни модел. Његова главна мрежа је РесНет-50, која уклања операцију смањења димензија последњег преосталог слоја. Пре обуке, мрежа користи унапред обучене параметре који су погоднији за Ре-ИД истраживање. Специфична операција је да се мапа контуре пешака угради у излазну позицију четири заостала слоја РесНет-50 на начин додавања на нивоу елемента након смањења димензије кроз слој конволуције, како би се проверило да ЦНН мрежа игнорише контурне информације у процесу издвајања карактеристика слике. Табела 1 приказује експерименталне податке нашег слабијег баселине1, баселине1-ЦЕМ, моћније баселине2 и баселине2-ЦЕМ, можемо добити следећа запажања:

1. У нашем истраживању о Ре-ИД-у, ЦНН мрежи недостаје издвајање карактеристика контуре и изражавање информација о контури. Ово се може видети из поређења између баселине1 и баселине1+ЦЕМ. Иако коначна стопа препознавања није велика, ефекат додавања контурне мапе је јасан. На пример, у скупу података Маркет1501, основна линија 1 додата са ЦЕМ-ом је 0,8% већа на мапи и 1,3% виша на рангу-1 од оригинала;

2. За моћну основну линију 2, можда због оптимизације параметара унапред обучених за мрежу, ЦЕМ метода не може побољшати коначну стопу препознавања мреже, а метод директног коришћења контурне мапе не може ефикасно натерати ЦНН мрежу да обрати пажњу за више информација о контурама, чак ће смањити и оригиналне перформансе препознавања. Да би мрежа обратила пажњу на информације о контури на јакој бази, предложен је модул за екстракцију контурних информација.

4.2.2. Изаберите позицију за додавање ЦИЕМ-а
Од карактеристика постојеће конволуционе неуронске мреже, ивице, контуре и друге информације о карактеристикама садржане у слици су све плитки изрази обележја, а резултати визуелизације мапа обележја сваког слоја ЦНН мреже су такође исти. Због тога су потребни следећи експерименти да би се проверило где треба ставити модул за екстракцију контурних информација и како га користити. Користићемо модул екстракције контурних информација на излазним позицијама четири заостала слоја РесНет-50 и назвати ове четири позиције Л1-Л4. Експериментални резултати су приказани у табели 2 и можемо добити следећа запажања.

Метода коришћења модула за екстракцију контурних информација се прилично разликује од спекулације пре експеримента. Из експерименталних података, када само додамо модул за екстракцију контурних информација након прва три заостала слоја, побољшање експерименталних резултата није очигледно. Узимајући Маркет1501 скуп података као пример, коначни ранг 1 модула за екстракцију контурних информација који се користи на излазним локацијама Л1 и Л2 је 94,3%, а коначни ранг 1 модула за екстракцију контурних информација који се користи на излазним локацијама Л1, Л2 и Л3 износи 94,5%; ефекат препознавања ове две методе је бољи него код основног модела, али побољшање није велико, а резултати су слични. Када се користи модул за екстракцију контурних информација након четири заостала слоја, коначни ефекат препознавања мреже је 83,8% на рангу 1 и 95,1% на мапи, што је значајно побољшано у поређењу са претходна два, а такође премашује основни модел који смо користили. користити. Дакле, добијамо коначну архитектуру модела овог чланка.

Пре свега, у поређењу са основним моделом, наш метод још увек може да побољша ефекат коначног препознавања на веома моћном основном моделу; узимајући као пример скуп података Маркет1501, наш метод је 1,7% виши од основног модела у мАП-у и 1,3% виши од основног модела у рангу-1. Штавише, у поређењу са класичним Ре-ИД алгоритмима, као што су СВДНет, ПЦБ, итд., наш метод је показао снажну конкурентску предност и има апсолутне предности у мАП-у и Ранку-1, два најчешће коришћена индикатора. У поређењу са неким напреднијим методама предложеним последњих година, наш метод донекле има своје предности. У релевантним експериментима на скупу података Маркет1501, наша метода има одређену предност у индикатору Ранг-1, на пример, у поређењу са БоТ, ДГНет и другим методама, наша метода и даље има предност од око 0,5%. Што се тиче индикатора мАП, наш метод је и даље упоредив са већином, али још увек постоји одређени јаз у поређењу са ДГ-Нет-ом. На скупу података ДукеМТМЦ-реИД, резултати представљени овом методом су и даље исти. Наш метод има одређене предности у односу на друге методе у погледу индекса евалуације Ранг-1, али није задовољавајући у погледу мАП-а, што је такође правац нашег следећег истраживања и побољшања. Што се осталог тиче, наш метод не користи технологију поновног рангирања, али у поређењу са другим методама које користе технологију поновног рангирања, као што су цам анд даре, наш метод и даље има одређене предности.

5. Закључци

У овом раду предлажемо Ре-ИД метод заснован на уграђивању контурних информација. Са идејом механизма пажње и односа између ЦНН мапе обележја и мапе контуре, конструисан је модул за екстракцију контурних информација. Користимо РесНет-50, који се најчешће користи у истраживању Ре-ИД, као окосну мрежу и користимо модул за екстракцију контурних информација у излазној позицији заосталог слоја тако да мрежа може да обрати више пажње на контуру информације у процесу екстракције обележја. Наш метод је пробој који покушава да користи информације о контури, и још увек може да постигне веома добар ефекат препознавања на веома моћној основној мрежи. Употреба информација о контури није ограничена на ово, и надамо се да ћемо имати више истраживања о контури пешака у области препознавања пешака.

Доприноси аутора:

Концептуализација, ХЦ и ИЗ; методологија, ХЦ; валидација, ХЦ, ИЗ и СВ; формална анализа, СВ; истрага, СВ; ресурси, ИЗ и СВ; курирање података, ХЦ; писање—припрема оригиналног нацрта, ХЦ; писање—рецензија и уређивање, ИЗ и СВ Сви аутори су прочитали и сложили се са објављеном верзијом рукописа.

Финансирање:

Овај рад је подржан од стране Националне фондације за природне науке Кине (бр. 61631009, бр. 61771220) и Националног кључног програма за истраживање и развој Кине (бр. 2017ИФБ1002900, бр. 2017ИФБ0404800).

Изјава институционалног одбора за ревизију:

Није применљиво.

Изјава о информисаној сагласности:

Није применљиво.

Изјава о доступности података:

Није применљиво.

Сукоби интереса:

Аутори изјављују да нема сукоба интереса.

Референце

1. Ие, М.; Схен, Ј.; Лин, Г.; Ксианг, Т.; Хои, С. Дубоко учење за поновну идентификацију особа: анкета и изгледи. ИЕЕЕ Транс. Паттерн Анал. Мацх. Интелл. 2021, 44, 2872–2893. [ЦроссРеф] [ПубМед]

2. Зханг, Л.; Ли, В.; Иу, Л.; Сун, Л.; Нинг, Кс. ГмФаце: Експлицитна функција за представљање слике лица. Прикази 2021, 68, 102022. [ЦроссРеф]

3. Ниу, Ц.; Нан, Ф.; Ванг, Кс. Модел генерације фронталног лица супер резолуције заснован на 3ДДФА и ЦБАМ. Прикази 2021, 69, 102043. [ЦроссРеф]

4. Руан, ЛХ; Хан, ИКС; Сун, ЈР; Цхен, КЦ; Ли, ЈК Препознавање израза лица у сценаријима оклузије лица: мулти-мрежа за избор путање. Приказује 2022, 74, 102245. [ЦроссРеф]

5. Цхен, КВ; Лаи, ЦЦ; Лее, ПЈ; Цхен, ЦС; Хуанг, ИП Адаптивно учење за праћење циљева и откривање истинског повезивања на више камера које се не преклапају. ИЕЕЕ Транс. Мултимед. 2011, 13, 625–638. [ЦроссРеф]

6. Кхамис, С.; Куо, ЦХ; Сингх, ВК; Схет, ВД; Давис, ЛС Заједничко учење за поновну идентификацију особе која је усклађена са атрибутима. У Процеедингс оф тхе Еуропеан Цонференце он Цомпутер Висион, Цирих, Швајцарска, 6–12 септембар 2014; стр. 134–146.

7. Ианг, Кс.; Ванг, М.; Тао, Д. Поновна идентификација особе са метричким учењем помоћу привилегованих информација. ИЕЕЕ Транс. Процес слике. 2018, 27, 791–805. [ЦроссРеф] [ПубМед]

8. Сун, И.; Зхенг, Л.; Ианг, И.; Тиан, К.; Ванг, С. Модели изван делова: проналажење особа са префињеним обједињавањем делова. У Зборнику радова Европске конференције о компјутерском виду, Минхен, Немачка, 8–14. септембар 2018; стр. 501–518.

9. Зхао, Х.; Тиан, М.; Сун, С.; Јинг, С.; Танг, Кс. Мрежа вретена: поновна идентификација особе са декомпозицијом и фузијом вођених карактеристика региона људског тела. У Процеедингс оф тхе 2017 ИЕЕЕ Цонференце он Цомпутер Висион анд Паттерн Рецогнитион (ЦВПР), Хонолулу, ХИ, САД, 21–26 јул 2017; стр. 907–915.

10. Зху, Ј.; Ианг, Х.; Ванг, Ј.; Зханг, В. Претрага особа заснована на опису са вишеструким мрежама подударања. Прикази 2021, 69, 102039. [ЦроссРеф]

11. Гуо, Н.; Ди, К.; Лиу, Х.; Ванг, И.; Киао, Ј. Мета-учење заснован на метричком приступу комбинује механизам пажње и ансамбл учења за учење у неколико хитаца. Дисп. Тецхнол. Аппл. 2021, 70, 102065. [ЦроссРеф]

12. Геирхос, Р.; Рубисцх, П.; Мицхаелис, Ц.; Бетхге, М.; Вицхманн, ФА; Брендел, В. ЦНН-ови обучени за ИмагеНет су пристрасни према текстури; повећање пристрасности облика побољшава тачност и робусност. У Процеедингс оф тхе Интернатионал Цонференце он Леарнинг Репресентатион, Нев Орлеанс, ЛА, УСА, 6–9 мај 2019.

13. Јианг, З.; Иуан, И.; Ванг, К. Мрежа која је свесна контура за семантичку сегментацију преко прилагодљиве дубине. Неурокомпјутинг 2018, 284, 27–35. [ЦроссРеф]

14. Веи, КСЛ; Ху, БИ; Гао, ТС; Ванг, Ј.; Денг, Б. Вишескална конволуциона неуронска мрежа за препознавање текстура. Приказује 2022, 75, 102324. [ЦроссРеф]

15. Ру, ХА; Леи, МА; Јх, Б.; Ксц, Ц. Т-ГАН: Оквир за дубоко учење за предвиђање временски сложених мрежа са адаптивном конволуцијом графа и механизмом пажње. Прикази 2021, 68, 102023.

For more information:1950477648nn@gmail.com