Повторна идентификация на лице въз основа на вграждане на контурна информация

Резюме:

Повторната идентификация на лица (Re-ID) играе важна роля в търсенето на изчезнали хора и проследяването на заподозрени. Повторната идентификация на лица въз основа на дълбоко обучение постигна голям напредък през последните години и приложението на функцията за контур на пешеходеца също привлече внимание. В проучването открихме, че контурът на пешеходците не е достатъчен в представянето на CNN.

Проучването установи положителна връзка между характеристиките на силуета на пешеходеца и паметта. С бързото развитие на науката и технологиите хората изучават контурните характеристики на пешеходците все по-задълбочено, което е от голяма полза за хората да подобрят своята осведоменост и памет за безопасност.

Когато хората наблюдават група изображения на пешеходци, те обикновено могат лесно да си спомнят някои изпъкнали характеристики, като височината, теглото, облеклото на човека и т.н. Въпреки това, зрителната памет на хората се подобрява значително, ако пренебрегнат всички тези характеристики и се съсредоточат само върху очертанията на пешеходци. Защото очертанията на пешеходците са една от най-забележителните черти на хората и другите обекти и едно от най-често срещаните неща в ежедневието ни. Като наблюдаваме и запомняме тези основни характеристики, можем по-добре да подобрим информираността си за безопасност и да ни накарат да обръщаме повече внимание на проблемите със сигурността във външната среда.

В допълнение, очертанията на пешеходци също могат индиректно да подобрят нашата памет. Когато хората наблюдават очертанията на пешеходците, те трябва да анализират и запомнят различни контурни линии, което ще упражнява нашето наблюдение и памет, като по този начин ще подобри цялостното ни ниво на памет. Това също така ни предоставя нова перспектива и метод за трениране на паметта в ежедневието.

В обобщение, има положителна връзка между характеристиките на профила на пешеходеца и паметта. Като обръщаме внимание на силуетите на пешеходците, можем да подобрим нашето съзнание за безопасност и цялостни нива на памет, което ни позволява по-добре да се адаптираме и да се справяме с различните предизвикателства на живота. Вижда се, че трябва да подобрим паметта и Cistanche deserticola може значително да подобри паметта, тъй като Cistanche deserticola е традиционен китайски лекарствен материал, който има много уникални ефекти, един от които е да подобрява паметта. Ефикасността на мляното месо идва от различните активни съставки, които съдържа, включително киселина, полизахариди, флавоноиди и др. Тези съставки могат да насърчат здравето на мозъка по различни начини.

Кликнете върху Know, за да подобрите краткосрочната памет

На тази основа, за да подобрим производителността на разпознаване на мрежата Re-ID, ние предлагаме модул за извличане на контурна информация (CIEM) и метод за вграждане на контурна информация, така че мрежата да може да се съсредоточи върху повече контурна информация. Нашият метод е конкурентен в експерименталните данни; mAP на набора от данни Market1501 достигна 83,8%, а Rank-1 достигна 95,1%. mAP на набора от данни DukeMTMC-reID достигна 73,5%, а ранг-1 достигна 86.8%. Експерименталните резултати показват, че добавянето на информация за контура към мрежата може да подобри степента на разпознаване, а добрите характеристики на контура играят важна роля в изследването на Re-ID.

Ключови думи:

Повторна идентификация на лицето; пешеходен контур; извличане на контурна информация.

1. Въведение

Повторната идентификация на лицето (Re-ID), известна още като проследяване на пешеходци с кръстосана камера, има за цел да идентифицира изображението на едно и също лице под различни камери [1]. В наши дни разпознаването на лица се използва широко във всички области на живота и изследванията на разпознаването на лица също се развиват бързо [2–4]. В много случаи обаче камерата не може точно да улови ясно лице, така че технологията за повторна идентификация на лица може да играе важна роля [5].

Първоначалният Re-ID разчита на ръчни функции като цвят и текстура [6,7]. Въпреки че има известен ефект на разпознаване, той все още има известна разлика с човешкото разпознаване. В наши дни по-голямата част от Re-ID се основава на задълбочено обучение, на което изследователите се ангажират да решават различни практически проблеми, които срещат. Някои изследвания са насочени към самата Re-ID, като решаване на несъответствие на позата, оклузия на изображението [8,9] и т.н. Някои изследвания са насочени към мрежи за дълбоко обучение [10], като например използване на механизми за внимание, подобряване на мрежата, разпознаване на малка извадка [11] и др.

Установено е, че контурната информация също играе важна роля при разпознаването на изображението. Някои произведения [12] дълбоко разбират израза на задълбочените визуални характеристики на CNN. Експериментите на Imagenet показват, че моделите за задълбочено обучение, базирани на CNN, предпочитат функции, базирани на текстура, пред характеристики, базирани на форма [13,14]. Освен това е доказано, че вграденият хибриден модел, базиран на текстура и контур, подобрява ефективността на класификацията на изображенията и откриването на обекти. Ние извличаме картата на характеристиките на мрежата ResNet-50, която е най-често използваната в Re-ID изследванията, и я визуализираме (вижте Фигура 1). Интуитивно може да се установи, че CNN мрежата липсва при извличането на контурна информация. През последните две години много изследователи започнаха да използват информацията за контурите като спомагателен елемент за участие в изследванията на Re-ID и постигнаха известен успех.

Въз основа на горните съществуващи факти, ние вярваме, че добавянето на контурна информация към мрежата на CNN може ефективно да им помогне да научат повече и по-стабилна информация за пешеходците и може да подобри крайния ефект на разпознаване. Като се има предвид секретността от край до край на мрежата на CNN, човек не може да се намеси с предубежденията на човека. Затова изграждаме модул за извличане на контурна информация с помощта на мисълта за внимание, така че мрежата на CNN да може да обърне повече внимание на част от контурната информация, вместо да я губи в процеса на многослойна конволюция. По същество приносът на този документ е както следва:

• Проверяваме липсата на информация за контура в изследването за повторна идентификация на лице в мрежата на CNN.

• Предлагаме модул за извличане на контурна информация, който може да накара мрежата да обръща повече внимание на контурната информация в изображението на пешеходеца без намесата на човешки опит.

• Експерименталните резултати показват, че нашият метод има добър ефект върху наборите от данни Market1501 и DukeMTMC-reID.

2. Свързани произведения

2.1. Повторна идентификация на лицето въз основа на механизма на вниманието

През последните години механизмът на вниманието се използва широко [15–18]. Целта му е да позволи на мрежата да научи по-важни неща. Изследването на Re-ID може ефективно да реши проблема с несъответствието на позата, отклонението на образа на пешеходеца и частичното запушване. Например, Liu et al. [19] предлага модел на вниманието за задачата Re-ID за първи път за динамично генериране на функции за внимание за локализиране на различни локални области. Джао и др. [20] предлага модел на вниманието, базиран на CNN, който използва информацията за сходството на сдвоени човешки изображения, за да научи коя част от тялото се използва за съвпадение. Wang и др. [21] предлага модел на внимание, комбиниращ твърдо внимание и меко внимание, който може едновременно да научи многомащабни локални карти и карти на характеристики на ниво пиксел по начин от край до край. Сън и др. [22] предложи локална към глобална многомащабна мрежа за внимание (LGMANet), която използва напълно контекстната информация и информацията за пространственото внимание, за да подобри допълнително способността за разпознаване на мрежата за раждане. Джан и др. [23] предложи ефективен модул за глобално внимание (RGA), който може да бъде приложен към сегментиране на сцени и задачи за сегментиране на изображения.

2.2. Повторна идентификация на лице въз основа на информация за контура

През последните години някои изследователи са приложили контура на пешеходците за изследване на Re-ID; например Chen et al. [24] за първи път се опита да използва изрично контура в модели с дълбоко повторно идентифициране и предложи контурно насочване, което до голяма степен доказва перспективата за приложение на пешеходния контур. Yang и др. [25] вярват, че въз основа на това, че промяната в облеклото на човек не е силна (силна се отнася до разликата между зимното облекло и лятното облекло), контурът на пешеходеца също може да разграничи личните характеристики. Въз основа на това картата на контура на пешеходците се използва като вход за извличане на характеристики за преидентификация на лице с кръстосано обличане и се постигат добри резултати. Въз основа на изследванията на Yang et al., Chen et al. [26] в комбинация с механизма за внимание, използва контура на пешеходеца, за да изследва кръстосаното обличане Re-ID изследване. Наскоро публикувано изследване [27] предложи многомащабен външен вид и дълбок инфомакс (MAC-DIM) за максимизиране на взаимната информация между характеристиките на цветното изображение на пешеходците и характеристиките на контурите на пешеходците, използвайки обучението на контурни характеристики като регулиране за извличане на по-ефективно представяне на характеристики, съобразени с формата от цветни изображения.

3. Методи

В този раздел ще покажем предложения модул за извличане на информация за контур (CIEM) (както е показано на фигура 2) и ще дадем подробно описание на метода Re-ID, базиран на вграждане на информация за контур (както е показано на фигура 3).

3.1. Модул за извличане на контурна информация

Пешеходният контур съдържа подходящи характеристики, които са полезни за учене, но общата мрежа на CNN ще ги игнорира до известна степен. За да позволим на мрежата да обръща повече внимание на информацията, съдържаща се в контура на пешеходеца, ние приемаме идеята за внимание и предлагаме модула за извличане на информация за контура. След това ще представим подробностите за модула за извличане на контурна информация и как да го използвате, както е показано на фигура 2.

За изображението на пешеходец в набора от данни, когато се използва ResNet-50 за конволюция, неговата изходна карта на характеристики зад остатъчен слой е зададена като F, а размерът му е C x H W, където C е броят на каналите и H x W е размерът на пространството. За клона на контура на пешеходците намаляваме размерите на картата на контура на пешеходеца, съответстваща на изображението на пешеходеца чрез слоя на навиване, за да получим картата на контурите F' със същия размер като картата на характеристиките F. Размерът му е 1 H x W, където 1 е номерът на канала. H x W е размерът на пространството, а F и F' са входовете на модула за извличане на контурна информация.

3.2. Цялостна архитектура

В предишния раздел представихме подробно модула за извличане на информация за контура. След това ще представим метода Re-ID, базиран на вграждане на контурна информация като цяло. Общата рамка, която предложихме, е показана на фигура 3.

Цялата рамка е разделена на два клона, съответно с два входа. Входът на главния клон е RGB оригиналното изображение на пешеходец в набора от данни, а входът на контурния клон е изображението на контура на пешеходеца, съответстващо на оригиналното RGB изображение.

В основния клон ние използваме ResNet-50 като опорна мрежа, която обикновено е разделена на пет части, а именно конволюционен слой conv1 и четири остатъчни слоя.

Контурният клон се състои главно от пет слоя на навиване и четири модула за извличане на контурна информация. Конволюционен слой със същия параметър conv1 като конволюционния слой се поставя в предната част на контурния клон, за да се извърши предварително намаляване на размерите за контурната карта. Добавяме модул за извличане на контурна информация в изходната позиция на всеки остатъчен слой на ResNet-50 и поставяме конволюционен слой преди модула за извличане на контурна информация. Входното измерение на конволюционния слой е 1, изходното измерение е 1, размерът на ядрото _=1, а размерът на стъпката е 2, което се използва за намаляване на измерението на картата на контурните характеристики.

Методът на обучение, използван в нашия експеримент, е същият като този, използван в повечето проучвания на Re-ID. Функцията на загуба, използвана в експеримента, е мека максимална загуба и твърдо копаене на проби (трихард загуба) [28], които изразяваме съответно като LID и LT. След като гръбнакът получи характеристичната карта, той получава характеристичния вектор чрез среден обединяващ слой. След като векторът премине през слоя BN, той изчислява функцията на загубите LT и нейната формула за изчисление е:

където P представлява броя на идентификационните номера на лица в партида, произволно избирайки K снимки за всеки идентификационен номер на лице. A представлява опорната точка, p представлява положителната проба, а n представлява отрицателната проба. A е набор от положителни проби, а B е набор от отрицателни проби. maxda,p представлява най-трудната положителна проба, а maxda,n представлява най-трудната отрицателна проба. означава марж и е зададен на 0.3.

Функцията на загубите LID се изчислява чрез собствения вектор, получен от изхода на слоя BN през линейния слой. Формулата за изчисление е:

4. Експерименти

В тази глава ще докажем ефективността на предложения метод от експерименталните резултати. Затова сме проектирали серия от експерименти за аблация. Предложеният модел ще бъде тестван върху набори от данни Market1501 и DukeMTMC-reID, за да се провери универсалността на метода в тази статия. Сравнявайки нашия метод с усъвършенстваните методи в Re-ID изследванията през последните години, нашият метод все още има известна конкурентоспособност.

4.1. Набори от данни и подробности за внедряването

Избрахме два набора от данни, които най-често се използват в изследванията за повторна идентификация за експерименти. Наборът от данни Market1501 [29] съдържа 1501 различни идентификационни номера на пешеходци, 751 идентификационни номера на пешеходци в набора за обучение и 750 идентификационни номера на пешеходци в тестовия набор, с общо 32 217 изображения. Наборът от данни DukeMTMC-reID [30] съдържа 1812 различни идентификационни номера на пешеходци, 702 идентификационни номера на пешеходци в комплекта за обучение и 1110 идентификационни номера на пешеходци в тестовия набор. Сред тях основно се позоваваме на експеримента за аблация с набори от данни Market1501 и DukeMTMC-reID. В експеримента използваме RCF модела, за да извлечем контура на набора от данни и да изградим набора от данни за контура на пешеходеца.

Преди мрежовото обучение ще извършим операции за подобряване на данните върху RGB оригинални изображения и контурни изображения на пешеходци, включително произволно изрязване, хоризонтално обръщане и други обичайни операции за подобряване на изображението, и за да обединим различни набори от данни, коригираме входните изображения до 256 × 128 пиксела. В процеса на обучение ние използваме оптимизатора на Адам, за да настроим скоростта на обучение на 8 × 10−4, скоростта на намаляване на теглото на 5 × 10−4, цикъла на обучение на 600 и размера на партидата на 32. След обучението, не използвахме методи като повторно класиране, за да оптимизираме сортирането. Във фазата на тестване използвахме кумулативните съвпадащи характеристики (CMC) [31] от ранг 1 и средната средна точност (mAP) [29], за да оценим производителността, както повечето изследвания на Re-ID.

4.2. Изследване на аблация

4.2.1. Необходимост от контурна информация

В два различни базови модела ние директно използваме контурната карта на пешеходците като карта на характеристиките, за да я вградим в средния слой на мрежата и да я наречем метод за вграждане на контури (CEM). Тези два различни базови модела се наричат ​​базова линия1 и базова линия2. Baseline1 е слаб базов модел, неговата опорна мрежа е ResNet-50 и операцията за намаляване на размерите на последния остатъчен слой е запазена. Използвайте предварително обучените параметри на ImageNet преди мрежово обучение. Baseline 2 е силен базов модел. Неговата опорна мрежа е ResNet-50, която премахва операцията за намаляване на размерите на последния остатъчен слой. Преди обучението мрежата използва предварително обучени параметри, които са по-подходящи за Re-ID изследвания. Конкретната операция е да се вгради картата на контура на пешеходците в изходната позиция на четирите остатъчни слоя на ResNet-50 по пътя на добавяне на ниво елемент след намаляване на размерите през слоя за навиване, за да се провери дали мрежата на CNN игнорира контурна информация в процеса на извличане на характеристиките на изображението. Таблица 1 показва експерименталните данни на нашата по-слаба базова линия1, базова линия1-CEM, по-мощна базова линия2 и базова линия2-CEM, можем да получим следните наблюдения:

1. В нашето изследване на Re-ID мрежата на CNN липсва в извличането на контурни характеристики и изразяване на контурна информация. Това може да се види от сравнението между базово ниво1 и базово ниво1+CEM. Въпреки че крайната степен на разпознаване не е много висока, ефектът от добавянето на контурната карта е ясен. Например в набора от данни Market1501 базова линия1, добавена с CEM, е с 0,8% по-висока на картата и с 1,3% по-висока в ранга-1 от оригинала;

2. За мощната базова линия 2, може би поради оптимизирането на предварително обучените параметри на мрежата, методът CEM не може да подобри крайната степен на разпознаване на мрежата, а методът за директно използване на контурната карта не може ефективно да накара мрежата на CNN да обърне внимание до повече информация за контура, това дори ще намали първоначалното представяне на разпознаване. За да накара мрежата да обърне внимание на информацията за контура на силната базова линия, се предлага модулът за извличане на информация за контура.

4.2.2. Изберете позицията за добавяне на CIEM
От характеристиките на съществуващата конволюционна невронна мрежа, информацията за ръба, контура и другата характеристика, съдържаща се в изображението, са плитки изрази на характеристики и резултатите от визуализацията на картите на характеристиките на всеки слой от мрежата на CNN също са еднакви. Следователно са необходими следните експерименти, за да се провери къде да се постави модулът за извличане на контурна информация и как да се използва. Ще използваме модула за извличане на контурна информация в изходните позиции на четирите остатъчни слоя на ResNet-50 и ще назовем тези четири позиции L1-L4. Експерименталните резултати са показани в таблица 2 и можем да получим следните наблюдения.

Методът за използване на модула за извличане на контурна информация е доста различен от спекулациите преди експеримента. От експерименталните данни, когато добавим само модула за извличане на контурна информация след първите три остатъчни слоя, подобрението на експерименталните резултати не е очевидно. Вземайки набора от данни Market1501 като пример, крайният ранг 1 на модула за извличане на контурна информация, използван в изходни местоположения L1 и L2, е 94,3%, а крайният ранг 1 на модула за извличане на контурна информация, използван в изходни местоположения L1, L2 и L3 е 94,5%; ефектът на разпознаване на тези два метода е по-добър от този на базовия модел, но подобрението не е голямо и резултатите са подобни. Когато модулът за извличане на контурна информация се използва след четирите остатъчни слоя, крайният ефект на разпознаване на мрежата е 83,8% на ранг 1 и 95,1% на картата, което е значително подобрено в сравнение с първите два и също така надхвърля основния модел, който използване. Следователно получаваме окончателната архитектура на модела на тази статия.

На първо място, в сравнение с базовия модел, нашият метод все още може да подобри крайния ефект на разпознаване на много мощен базов модел; като вземем набора от данни Market1501 като пример, нашият метод е с 1,7% по-висок от базовия модел в mAP и с 1,3% по-висок от базовия модел в Rank-1. Освен това, в сравнение с класическите алгоритми за повторно идентифициране, като SVDNet, PCB и др., нашият метод показа силно конкурентно предимство и има абсолютни предимства в mAP и Rank-1, два често използвани индикатора. В сравнение с някои по-напреднали методи, предложени през последните години, нашият метод има своите предимства до известна степен. В съответните експерименти върху набор от данни Market1501, нашият метод има известно предимство в индикатора Rank-1, например в сравнение с BoT, DGNet и други методи, нашият метод все още има предимство от около 0,5%. По отношение на индикатора mAP нашият метод все още е сравним с повечето, но все още има известна разлика в сравнение с DG-Net. В набора от данни DukeMTMC-reID резултатите, представени от този метод, са все още същите. Нашият метод има определени предимства пред други методи по отношение на индекса за оценка Rank-1, но не е задоволителен по отношение на mAP, което е и посоката на следващите ни изследвания и подобрения. В останалата част нашият метод не използва технологията за прекласиране, но в сравнение с други методи, използващи технологията за прекласиране, като cam и dare, нашият метод все пак има определени предимства.

5. Изводи

В тази статия ние предлагаме метод за повторна идентификация, базиран на вграждане на контурна информация. С идеята за механизма на вниманието и връзката между картата на характеристиките на CNN и контурната карта е конструиран модулът за извличане на информация за контура. Ние използваме ResNet-50, който е най-често използваният в Re-ID изследванията, като опорна мрежа и използваме модула за извличане на информация за контура в неговата изходна позиция на остатъчния слой, така че мрежата да може да обърне повече внимание на контура информация в процеса на извличане на функции. Нашият метод е пробив, който се опитва да използва контурна информация и все още може да постигне много добър ефект на разпознаване на много мощна базова мрежа. Използването на информация за контурите не се ограничава до това и се надяваме да имаме повече изследвания върху контурите на пешеходците в областта на разпознаването на пешеходци.

Авторски принос:

Концептуализация, HC и YZ; методология, ХК; валидиране, HC, YZ и SW; формален анализ, SW; разследване, SW; ресурси, YZ и SW; обработка на данни, HC; писане - първоначална подготовка на черновата, HC; писане—преглед и редактиране, YZ и SW Всички автори са прочели и са съгласни с публикуваната версия на ръкописа.

Финансиране:

Тази работа е подкрепена от Националната природонаучна фондация на Китай (№ 61631009, № 61771220) и Националната ключова научноизследователска и развойна програма на Китай (№ 2017YFB1002900, № 2017YFB0404800).

Изявление на институционалния съвет за преглед:

Не е приложимо.

Декларация за информирано съгласие:

Не е приложимо.

Декларация за наличност на данни:

Не е приложимо.

Конфликти на интереси:

Авторите декларират липса на конфликт на интереси.

Препратки

1. Йе, М.; Шен, Дж.; Лин, Г.; Xiang, T.; Hoi, S. Задълбочено обучение за повторна идентификация на лица: Проучване и перспектива. IEEE Trans. модел анален. Мах. Intell. 2021, 44, 2872–2893. [CrossRef] [PubMed]

2. Джан, Л.; Li, W.; Ю, Л.; Сън, Л.; Ning, X. GmFace: Изрична функция за представяне на изображение на лице. Показва 2021, 68, 102022. [CrossRef]

3. Ниу, К.; Нан, Ф.; Wang, X. Модел за генериране на лицево лице със супер разделителна способност, базиран на 3DDFA и CBAM. Показва 2021, 69, 102043. [CrossRef]

4. Руан, LH; Хан, YX; Sun, JR; Chen, QC; Li, JQ Разпознаване на изражението на лицето в сценарии за оклузия на лицето: мулти-мрежа за избор на път. Показва 2022, 74, 102245. [CrossRef]

5. Чен, KW; Lai, CC; Лий, Пи Джей; Чен, CS; Huang, YP Адаптивно обучение за проследяване на цели и истинско откриване на свързване през множество камери, които не се припокриват. IEEE Trans. Мултимед. 2011, 13, 625–638. [CrossRef]

6. Хамис, С.; Куо, CH; Сингх, VK; Шет, VD; Дейвис, Л. С. Съвместно обучение за повторна идентификация на лица, съответстващи на атрибутите. В сборника на Европейската конференция по компютърно зрение, Цюрих, Швейцария, 6–12 септември 2014 г.; стр. 134–146.

7. Янг, X.; Уанг, М.; Тао, Д. Повторна идентификация на личността с изучаване на показатели с помощта на привилегирована информация. IEEE Trans. Процес на изображение. 2018, 27, 791–805. [CrossRef] [PubMed]

8. Сън, Й.; Zheng, L.; Янг, Й.; Tian, ​​Q.; Wang, S. Отвъд моделите на части: Извличане на лица с прецизно обединяване на части. В сборника на Европейската конференция по компютърно зрение, Мюнхен, Германия, 8–14 септември 2018 г.; стр. 501–518.

9. Джао, Х.; Тиан, М.; Сън, С.; Jing, S.; Tang, X. Spindle Net: Повторна идентификация на човек с декомпозиция и сливане на характеристиките на региона на човешкото тяло. В сборника на Конференцията на IEEE за 2017 г. за компютърно зрение и разпознаване на образи (CVPR), Хонолулу, Хай, САЩ, 21–26 юли 2017 г.; стр. 907–915.

10. Джу, Дж.; Янг, Х.; Wang, J.; Zhang, W. Търсене на хора, базирано на описания, с мрежи за многозърнесто съвпадение. Показва 2021, 69, 102039. [CrossRef]

11. Гуо, Н.; Ди, К.; Liu, H.; Wang, Y.; Qiao, J. Подход за мета-обучение, базиран на метрика, комбинира механизъм на вниманието и обучение в ансамбъл за обучение с няколко изстрела. Дисп. техн. Приложение 2021, 70, 102065. [CrossRef]

12. Гейрхос, Р.; Rubisch, P.; Michaelis, C.; Bethge, М.; Wichmann, FA; Brendel, W. Обучени в ImageNet CNN са предубедени към текстурата; увеличаването на отклонението на формата подобрява точността и здравината. В сборника на Международната конференция за представяне на обучението, Ню Орлиънс, Лос Анджелис, САЩ, 6–9 май 2019 г.

13. Дзян, З.; Юан, Й.; Wang, Q. Контурна мрежа за семантично сегментиране чрез адаптивна дълбочина. Неврокомпютри 2018, 284, 27–35. [CrossRef]

14. Вей, XL; Ху, BY; Гао, TS; Wang, J.; Deng, B. Многомащабна конволюционна невронна мрежа за разпознаване на текстури. Показва 2022, 75, 102324. [CrossRef]

15. Ru, HA; Lei, MA; Jh, B.; Xc, C. T-GAN: Рамка за задълбочено обучение за прогнозиране на времеви сложни мрежи с адаптивна конволюция на графика и механизъм за внимание. Показва 2021, 68, 102023.

For more information:1950477648nn@gmail.com