Форма сзв м пфр: Новая форма СЗВ-М

Содержание

Что изменится в трудовом законодательстве в 2023 году: 10 главных новелл

В 2023 году вступит в силу ряд поправок в ТК РФ. Большинство изменений коснётся отчётности, выплат, правил трудоустройства, — информирует finkont.ru.

В 2023 году вступит в силу ряд поправок в ТК РФ. Большинство изменений коснётся отчётности, выплат, правил трудоустройства.

ИЗМЕНЕНИЕ	СУТЬ ИЗМЕНЕНИЯ	ДАТА ВСТУПЛЕНИЯ В СИЛУ	НОРМАТИВНЫЙ АКТ
1. Вводится новая единая форма отчётности	ПФР и ФСС объединят в Фонд пенсионного и социального страхования. Для работодателей вместо пяти действующих форм (4-ФСС, СЗВ-СТАЖ, СЗВ-ТД, СЗВ-М и ДСВ-3) введут новую единую форму— ЕФС-1 Отчётность будет квартальной. В ней будут содержаться сведения для персонифицированного учёта и данные о взносах на травматизм. Когда сдавать отчётность: Данные о приёме, переводе и увольнении, начале и окончании срока действия ГПД следует направлять не позднее следующего рабочего дня. Сведения о начисленных взносах на случай травматизма следует сдавать не позднее 25 числа месяца после окончания первого квартала, полугодия, девяти месяцев и года. Реестры по дополнительным страховым взносам будут ежеквартальными, а данные для назначения пенсий — ежегодными.	1 января 2023	Закон от 14.07.2022 № 236-ФЗ; Закон от 14.07.2022 № 237-ФЗ
2. Вводится новая ежемесячная отчётность по сотрудникам в ФНС	После объединения ПФР и ФСС работодатели будут направлять в налоговую новый ежемесячный отчёт, включая: расчёт по страховым взносам; персонифицированные сведения о физлицах — персональные данные и сведения о суммах выплат и иных вознаграждениях. Отчитываться следует раз в месяц. Срок сдачи — не позднее 25-го числа каждого месяца, следующего за истёкшим.	1 января 2023	Закон от 14.07.2022 № 239-ФЗ
3. Отменяется обязанность работодателя выдавать справку 182н	Закон не будет требовать от работодателя предоставлять сотруднику справку о доходах и начисленных страховых взносах. Эту функцию возложат на единый фонд, образованный после объединения ПФР и ФСС.	1 января 2023	Закон от 14.07.2022 № 237-ФЗ
4. Исполнители по договорам ГПХ смогут рассчитывать на пособие по беременности и родам	Пособие подрядчикам будет выплачиваться при условии, что в предшествующем страховому случаю году с их вознаграждений перечислено взносов больше, чем стоимость страхового года.	С 1 января 2023
5. Застрахованных сотрудников станет больше	В перечень имеющих право на ОМС включат временно пребывающих в РФ иностранных граждан и лиц без гражданства. В том числе постоянно проживающих в РФ иностранных граждан — ВКС. Работодателям больше не придётся обеспечивать таких работников полисами ДМС или договорами о предоставлении платных медуслуг. Гарантии сохранят только в отношении высококвалифицированных специалистов, временно пребывающих в РФ.	С 1 января 2023	Закон от 14. 07.2022 № 240-ФЗ
6. Вступит в силу новая обязанность для работодателей по контролю за лицами с судимостью в пассажирских перевозках	При приёме на работу сотрудников работодатели будут обязаны требовать справку о наличии (отсутствии) судимости или преследования по ряду преступлений. Для такси это: убийство, причинение тяжкого вреда здоровью, похищение человека, грабёж, разбой, преступления против половой неприкосновенности и половой свободы личности, преступления средней тяжести и более против общественной безопасности, основ конституционного строя и безопасности государства, мира и безопасности человека. Для общественного транспорта: за тяжкие и особо тяжкие преступления против общественной безопасности, основ конституционного строя и безопасности государства, мира и безопасности человека. Лица с неснятой или непогашенной судимостью по указанным преступлениям к работе допускаться не должны. Штатных сотрудников работодатель проверяет на 1 марта. Сотрудники должны представить справку о судимости работодателю не позднее 1 сентября 2023 года. Если работник не представит документ, работодатель должен его уволить в связи с ограничениями на занятие определёнными видами труда. Правила применимы к лицам, совершившим преступления как по законам РФ, так и по законам стран ЕАЭС.	1 марта 2023 года	Закон от 11.06.2022 № 155-ФЗ
7. Появится новый документ для трудоустройства временно пребывающих в РФ граждан	При приёме на работу иностранный гражданин может предъявить разрешение на временное проживание в целях получения образования (РВПО). Работодателю в трудовой договор с таким иностранцем нужно включить данные разрешения.	1 января 2023	Отдельные положения Федерального закона от 14 июля 2022 № 349-ФЗ
8. Работодателей избавят от необходимости обеспечивать временно пребывающих иностранных работников полисами ДМС или договорами о предоставлении платных медуслуг.	Такие гарантии сохраняются только в отношении высококвалифицированных специалистов, временно пребывающих в РФ.	С 1 января 2023 года.	Федеральный закон от 14.07.2022 № 240-ФЗ
9. Статью ТК об особенностях трудовой деятельности лиц, работающих у резидентов территории опережающего социально-экономического развития откорректируют	Из текста статьи 351.5 ТК РФ «Особенности трудовой деятельности лиц, работающих у резидентов территории опережающего социально-экономического развития» уберут формулировку «социально-экономического». Останется просто «территория опережающего развития».	11 января 2023	Федеральный закон от 14 июля 2022 г. № 283-ФЗ
10. Вступят в силу новые правила изготовления и покупки бланков трудовой книжки	Бланки трудовых книжек станут защищённой полиграфической продукцией уровня защиты «В». Обеспечивать работодателей и ИП бланками трудовых книжек смогут организации и ИП (распространители). Изготавливать бланки трудовых книжек будут на основании заявок распространителей. Доставка работодателям бланков трудовых книжек будет осуществляться службами доставки защищённой полиграфической продукции либо по соглашению изготовителя или распространителя с работодателем.	1 января 2023 года	Приказ Минфина от 11.04.2022 № 55н

Также в Госдуме РФ рассматривают ряд других изменений в трудовое законодательство. Поправки планируют внести в ст. 263. ТК РФ. Они дадут возможность работникам, которые ухаживают за инвалидами I группы, получать дополнительный отпуск без сохранения заработка (законопроект № 1098757-7). Сейчас данная статья ТК предоставляет ряду категорий сотрудников право брать отпуск за свой счёт сроком до 14 дней.

Ещё один законопроект направлен на упорядочение и систематизацию вносимых в трудовое законодательство поправок. Изменения в ТК РФ предлагают вноситься исключительно отдельными законами, не «пряча» их среди изменений, вносимых в сразу несколько законодательных актов одним вновь принятым законом.

Гибридный генетический алгоритм

и производительность машины опорных векторов в прогнозировании государственных бюджетных доходов

title={Гибридный генетический алгоритм и производительность машины опорных векторов в прогнозировании государственных бюджетных доходов},
автор={Хуа Ян и Цзяци Хэ и Фэн Цзян},
журнал = {37-я Китайская конференция по контролю (CCC) 2018 г.},
год = {2018},
страницы={4495-4499}
}
- Hua Yang, Jiaqi He, Feng Jiang
- Опубликовано 1 июля 2018 г.
- Экономика
- 37-я Китайская контрольная конференция (CCC) 2018 г.
Местные государственные бюджетные доходы (PFR) являются важным показателем для измерения уровня местного экономического развития . Точное прогнозирование местных бюджетных поступлений может оказать теоретическую поддержку правительствам и соответствующим ведомствам в принятии научных решений. Во-первых, мы используем анализ главных компонент, чтобы уменьшить размерность переменных. Во-вторых, мы прогнозируем доходы государственного бюджета Харбина, используя гибридный генетический алгоритм (ГА) и модель метода опорных векторов (SVM). Затем мы сравниваем…
View на IEEE
DOI.org
с показателем 1-10 из 18 ссылок
Сорт Byrelevancemost, повлиявшие на работу PapersRecency
. Прогнозируется объем пассажирского движения
111111111111110111020202020202020202.
2012

Модель машины опорных векторов предсказывает более точно с меньшим количеством ошибок и более эффективна при прогнозировании объема пассажирских перевозок на автомагистралях, а использование метода оптимизации параметров SVM машины опорных векторов генетического алгоритма возможно и эффективно.

Модель прогнозирования транспортного потока на основе метода опорных векторов, оптимизированного с помощью генетического алгоритма

Zhan-Hong Wan
Информатика
2014

Новая модель прогнозирования транспортного потока на основе метода опорных векторов может быть оптимизирована с помощью генетического алгоритма. точно описывать сложную тенденцию изменения транспортного потока и повышать точность прогнозирования одноступенчатого и многоступенчатого транспортного потока.

Использование модифицированной модели Грея в нейронных сетях обратного распространения для улучшенного прогнозирования

На примере прототипа для прогноза атмосферной радиации и концентрации атмосферного озона в штате Огайо, США показано, что прямое использование нейронной сети BP может привести к потере достоверности прогноза в процессе его эволюции.

Применение анализа временных рядов в прогнозировании финансовых доходов нашей страны ) и SAS, и результат показал, что ARIMA применила модель ARIMA для анализа и прогнозирования…

Многокритериальное оптимальное предварительное планирование многоцелевой миссии по активному удалению мусора на НОО

Предлагается динамическая многокритериальная схема задачи коммивояжера (TSP), в которой три цели оптимизации, т. е. приоритет удаления мусора, орбитальный переход MnADRP соответственно моделируется энергия и количество необходимых наноспутников.

Эмпирический анализ факторов, влияющих на возможности увеличения доходов местного самоуправления

Yin Rui-Fen
Business
2009

. Бюджет, Китай

X.Lee, LZhong, Исследование и сравнение моделей серых нейронных сетей с оптимизацией GA, вычислительной техникой и приложениями

2010

3-й модели прогнозирования температуры температуры трансформатора, оптимизированная генетическим алгоритмом, транзакции Китая

Электротехническое общество
2014

Многоуровневое логистическое ранжирование для индивидуального стиля изображения.

[1]

Ф. Шрофф, Д. Калениченко, Дж. Филбин. FaceNet: унифицированное встраивание для распознавания лиц и кластеризации. В Труды конференции IEEE по компьютерному зрению и распознаванию образов , IEEE, Бостон, США, стр. 815–823, 2015 г. DOI: 10.1109/CVPR.2015.7298682.

[2]

Ю. Тайгман, М. Ян, М. А. Ранзато, Л. Вольф. Deepface: Сокращение разрыва с производительностью на уровне человека при проверке лица. В материалах Proceedings of IEEE Conference on Computer Vision and Pattern Recognition , IEEE, Колумбус, США, стр. 1701–1708, 2014 г. DOI: 10.1109/ЦВПР.2014.220.

[3]

Ю. Сун, С. Г. Ван, С. О. Тан. Представление лица в режиме глубокого обучения на основе предсказания 10 000 классов. В материалах конференции IEEE по компьютерному зрению и распознаванию образов , IEEE, Колумбус, США, стр. 1891–1898, 2014 г. DOI: 10.1109/CVPR.2014.244.

[4]

Дж. Райт, А. Ю. Ян, А. Ганеш, С. С. Састри, Ю. Ма. Надежное распознавание лиц с помощью разреженного представления. IEEE Transactions on Pattern Analysis and Machine Intelligence , vol. 31, нет. 2, стр. 210–227, 2009. DOI: 10.1109/TPAMI.2008.79.

[5]

Дж. К. Чен, З. Х. Чен, З. Р. Чи, Х. Фу. Распознавание выражения лица в видео с объединением нескольких функций. Транзакции IEEE по аффективным вычислениям , том. 9, нет. 1, стр. 38–50, 2018. DOI: 10.1109/TAFFC.2016.2593719.

[6]

Л. Чжан, Д. Чжан, М. М. Сунь, Ф. М. Чен. Анализ красоты лица на основе геометрических признаков: к приложению для оценки привлекательности. Экспертные системы с приложениями , vol. 82, стр. 252–265, 2017. DOI: 10.1016/j.eswa.2017.04.021.

[7]

Ю. Фу, Г. Д. Го, Т. С. Хуан. Синтез возраста и оценка по лицам: опрос. IEEE Transactions on Pattern Analysis and Machine Intelligence , vol. 32, нет. 11, стр. 1955–1976, 2010. DOI: 10.1109/ТПАМИ.2010.36.

[8]

Э. Айдингер, Р. Энбар, Т. Хасснер. Оценка возраста и пола нефильтрованных лиц. Транзакции IEEE по информационной криминалистике и безопасности , том. 9, нет. 12, стр. 2170–2179, 2014. DOI: 10.1109/TIFS.2014.2359646.

[9]

Z. Lian, Y. Li, JH Tao, J. Huang, M.Y. Niu. Анализ экспрессии на основе областей лица в реальных условиях. Международный журнал автоматизации и вычислений , том. 17, нет. 1, стр. 96–107, 2020. DOI: 10.1007/s11633-019-1176-9.

[10]

Х. С. Ду, К. П. Ху, Д. Ф. Цяо, И. Питас. Надежное распознавание лиц с помощью низкоранговой классификации на основе разреженных представлений. Международный журнал автоматизации и вычислений , том. 12, нет. 6, стр. 579–587, 2015. DOI: 10.1007/s11633-015-0901-2.

[11]

Х. Ву, З. В. Чен, Г. Х. Тянь, К. Ма, М. Л. Цзяо. Стратегия семантического обучения отношений владения предметами для персонализированного сервисного робота. Международный журнал автоматизации и вычислений , том. 17, нет. 3, стр. 390–402, 2020. DOI: 10.1007/s11633-019-1206-7.

[12]

Д. Чжан, К. Дж. Чжао, Ф. М. Чен. Количественный анализ красоты лица человека с использованием геометрических признаков. Распознавание образов , том. 44, нет. 4, стр. 940–950, 2011. DOI: 10.1016/j.patcog.2010.10.013.

[13]

Ф. М. Чен, X. Х. Сяо, Д. Чжан. Анализ красоты лица на основе данных: прогнозирование, поиск и манипулирование. IEEE Transactions on Affective Computing , vol. 9, нет. 2, стр. 205–216, 2018. DOI: 10.1109/TAFFC.2016.2599534.

[14]

А. Крижевский, И. Суцкевер, Г. Э. Хинтон. Классификация ImageNet с помощью глубоких сверточных нейронных сетей. В Proceedings of the 25th International Conference on Neural Information Processing Systems , Lake Tahoe, USA, PP. 1097–1105, 2012.

[15]

К. Симонян, А. Зиссерман. Очень глубокие сверточные сети для крупномасштабного распознавания изображений. В материалах Proceedings of the 3rd International Conference on Learning Representations , Сан-Диего, США, 2015 г. https://arxiv.org/abs/1409.1556.

[16]

В. Ю. Лю, Ю. Д. Вэнь, З. Д. Ю, М. Ян. Потери softmax с большим запасом для сверточных нейронных сетей. In Proceedings of the 33rd International Conference on Machine Learning, New York, USA, 2016.

[17]

С. Дж. Пан, К. Ян. Опрос по трансферному обучению. Транзакции IEEE по знаниям и обработке данных , том. 22, нет. 2010. Т. 10. С. 1345–1359. DOI: 10.1109/ТКДЭ.2009.191.

[18]

К. Саенко, Б. Кулис, М. Фриц, Т. Даррелл. Адаптация моделей визуальных категорий к новым предметным областям. В материалах Proceedings of the 11th European Conference on Computer Vision , Springer, Ираклион, Греция, 2010 г. DOI: 10.1007/978-3-642-15561-1_16.

[19]

М. С. Лонг, Х. Чжу, Дж. М. Ван, М. И. Джордан. Неконтролируемая адаптация домена с остаточными сетями передачи. In Proceedings of the 30th Conference on Neural Information Processing Systems , Барселона, Испания, стр. 136–144, 2016.

[20]

Л. Чжан, В. М. Цзо, Д. Чжан. LSDT: обучение переносу скрытого разреженного домена для визуальной адаптации. IEEE Transactions on Image Processing , vol. 25, нет. 3, стр. 1177–1191, 2016. DOI: 10.1109/TIP.2016.2516952.

[21]

Л. Чжан, С. С. Ван, Г. Б. Хуанг, В. М. Цзо, Дж. Ян, Д. Чжан. Переносное обучение, управляемое многообразным критерием, посредством создания промежуточной области. Транзакции IEEE в нейронных сетях и системах обучения , vol. 30, нет. 12, стр. 3759–3773, 2019. DOI: 10.1109./ТННЛС.2019.2899037.

[22]

Н. Таджбахш, Дж. Ю. Шин, С. Р. Гуруду, Р. Т. Херст, С. Б. Кендалл, М. Б. Готвей, Дж. М. Лян. Сверточные нейронные сети для анализа медицинских изображений: полное обучение или тонкая настройка? IEEE Transactions on Medical Imaging , vol. 35, нет. 5, стр. 1299–1312, 2016. DOI: 10.1109/TMI.2016.2535302.

[23]

HC Shin, HR Roth, MC Gao, L. Lu, ZY Xu, I. Nogues, JH Yao, D. Mollura, RM Summers. Глубокие сверточные нейронные сети для компьютерного обнаружения: архитектуры CNN, характеристики набора данных и трансферное обучение. IEEE Transactions on Medical Imaging , vol. 35, нет. 5, стр. 1285–1298, 2016. DOI: 10.1109/TMI.2016.2528162.

[24]

Д. Марманис, М. Дацу, Т. Эш, У. Стилла. Классификация наблюдений за Землей с помощью глубокого обучения с использованием предварительно обученных сетей imagenet. IEEE Geoscience and Remote Sensing Letters , vol. 13, нет. 1, стр. 105–109, 2016. DOI: 10.1109/LGRS.2015.2499239.

[25]

XW Yao, JW Han, G. Cheng, XM Qian, L. Guo. Семантическая аннотация спутниковых изображений высокого разрешения с помощью слабо контролируемого обучения. IEEE Transactions on Geoscience and Remote Sensing , vol. 54, нет. 2016. Т. 6. С. 3660–3671. DOI: 10.1109/TGRS.2016.2523563.

[26]

М. Се, Н. Джин, М. Берк, Д. Лобелл, С. Эрмон. Перенос знаний из глубоких функций для дистанционного зондирования и картирования бедности. In Proceedings of the 30th AAAI Conference on Artificial Intelligence , AAAI, Феникс, США, 2015.

[27]

Н. Джин, М. Берк, М. Се, В. М. Дэвис, Д. Б. Лобелл, С. Эрмон. Сочетание спутниковых снимков и машинного обучения для прогнозирования бедности. Наука , том. 353, нет. 6301, стр. 790–794, 2016. DOI: 10.1126/science.aaf7894.

[28]

QY Duan, L. Zhang, WM Zuo. От распознавания лиц к подтверждению родства: адаптационный подход. В Proceedings of IEEE International Conference on Computer Vision Workshops , IEEE, Венеция, Италия, стр. 1590–1598, 2017 г. DOI: 10.1109/ICCVW.2017.187.

[29]

Л. Чжан, К. Ю. Дуань, Д. Чжан, В. Цзя, С. З. Ван. Адвкин: Состязательная сверточная сеть для проверки родства. IEEE Transactions on Cybernetics , опубликовано в Интернете , 2020. DOI: 10.1109/TCYB.2019.2959403.

[30]

К. К. Хонг, Дж. Ю., Дж. Чжан, С. Н. Джин, К. Х. Ли. Мультимодальная оценка позы лица с многозадачным многозадачным глубоким обучением. Транзакции IEEE по промышленной информатике , том. 15, нет. 7, стр. 3952–3961, 2019. DOI: 10.1109/TII.2018.2884211.

[31]

QC Zhu, ZH Chen, YC Soh. Новый полууправляемый метод глубокого обучения для распознавания человеческой деятельности. IEEE Transactions on Industrial Informatics , vol. 15, нет. 7, стр. 3821–3830, 2019. DOI: 10.1109/TII.2018.2889315.

[32]

Ю. Д. Ян, В. Ли, Т. А. Гулливер, С. Ф. Ли. Байесовское вероятностное прогнозирование нагрузки в интеллектуальных сетях на основе глубокого обучения. Транзакции IEEE по промышленной информатике , том. 16, нет. 7, стр. 4703–4713, 2020. DOI: 10.1109/TII.2019.2942353.

[33]

Л. Чжан, Д. Чжан. Эффективные решения для дискретности, дрейфа и помех (3D) в электронном обонянии. Транзакции IEEE в системах , Man , и Cybernetics : Systems , vol. 48, нет. 2, стр. 242–254, 2018. DOI: 10.1109/TSMC.2016.2597800.

[34]

Л. Чжан, П. Л. Дэн. Обнаружение аномального запаха в электронном носу с помощью самовыражения вдохновило машину на экстремальное обучение. IEEE Transactions on Systems , Man , и кибернетика : Systems , vol. 49, нет. 10, стр. 1922–1932, 2019. DOI: 10.1109/TSMC.2017.2691909.

[35]

Т. Серр, Г. Крейман, М. Кух, К. Кадье, У. Кноблих, Т. Поджо. Количественная теория непосредственного визуального распознавания. Progress in Brain Research , vol. 165, стр. 33–56, 2007. DOI: 10.1016/S0079.-6123(06)65004-8.

[36]

Д. Ченг, Ю. Х. Гонг, С. П. Чжоу, Дж. Дж. Ван, Н. Н. Чжэн. Повторная идентификация человека с помощью многоканальной CNN на основе частей с улучшенной функцией потери триплетов. В материалах Proceedings of IEEE Conference on Computer Vision and Pattern Recognition , IEEE, Лас-Вегас, США, стр. 1335–1344, 2016 г. DOI: 10.1109/CVPR. 2016.149.

[37]

Э. Инсафутдинов, Л. Пищулин, Б. Андрес, М. Андрилука, Б. Шиле. DeeperCut: более глубокая, сильная и быстрая модель оценки позы нескольких человек. В материалах Proceedings of the 14th European Conference on Computer Vision , Springer, Амстердам, Нидерланды, 2016 г. DOI: 10.1007/978-3-319-46466-4_3.

[38]

Ю. Ли, Х. З. Ци, Дж. Ф. Дай, X. Ю. Цзи, Ю. К. Вэй. Полностью сверточная семантическая сегментация с учетом экземпляров. В Труды конференции IEEE по компьютерному зрению и распознаванию образов , IEEE, Гонолулу, США, стр. 4438–4446, 2017 г. DOI: 10.1109/CVPR.2017.472.

[39]

C. Dong, CC Loy, KM He, X. O. Tang. Изображение сверхвысокого разрешения с использованием глубоких сверточных сетей. IEEE Transactions on Pattern Analysis and Machine Intelligence , vol. 38, нет. 2016. Т. 2. С. 295–307. DOI: 10.1109/TPAMI.2015.2439.281.

[40]

KM He, XY Zhang, SQ Ren, J Sun. Глубокое остаточное обучение для распознавания изображений. В материалах конференции IEEE по компьютерному зрению и распознаванию образов , IEEE, Лас-Вегас, США, стр. 770–778, 2016 г. DOI: 10.1109/CVPR.2016.90.

[41]

Г. Хуанг, З. Лю, Л. ван дер Маатен, К. К. Вайнбергер. Плотносвязные сверточные сети. В Труды конференции IEEE по компьютерному зрению и распознаванию образов , IEEE, Гонолулу, США, стр. 2261–2269, 2017 г. DOI: 10.1109/CVPR.2017.243.

[42]

SQ Ren, KM He, R. Girshick, J. Sun. Быстрее R-CNN: на пути к обнаружению объектов в реальном времени с сетями региональных предложений. В Proceedings of Advances in Neural Information Processing Systems 28 , Монреаль, Канада, 2015 г.

[43]

В. Лю, Д. Ангелов, Д. Эрхан, К. Сегеди, С. Рид, К. Ю. Фу, А. К. Берг. SSD: однократный многоблочный детектор. В материалах Proceedings of the 14th European Conference on Computer Vision , Springer, Амстердам, Нидерланды, стр. 21–37, 2016 г. DOI: 10.1007/978-3-319-46448-0_2.

[44]

Дж. Редмон, А. Фархади. Yolo9000: Лучше, быстрее, сильнее. В материалах конференции IEEE по компьютерному зрению и распознаванию образов , IEEE, Гонолулу, США, стр. 6517–6525, 2017 г. DOI: 10.1109/CVPR.2017.690.

[45]

З. Цао, Т. Саймон, С. Э. Вэй, Ю. Шейх. Двухмерная оценка позы нескольких человек в реальном времени с использованием полей сходства частей. In Proceedings of IEEE Conference on Computer Vision and Pattern Recognition , IEEE, Гонолулу, США, стр. 1302–1310, 2017. DOI: 10.1109/CVPR.2017.143.

[46]

С. Л. Ван, Т. Т. Сяо, Ю. Н. Цзян, С. Шао, Дж. Сун, Ч. Х. Шен. Потеря отталкивания: Обнаружение пешеходов в толпе. В материалах Proceedings of IEEE/CVF Conference on Computer Vision and Pattern Recognition , IEEE, Солт-Лейк-Сити, США, стр. 7774–7783, 2018 г. DOI: 10.1109/CVPR.2018.00811.

[47]

З. С. Фэн, Дж. Х. Лай, С. Х. Се. Изучение глубоких сетей для конкретных представлений для повторной идентификации человека. IEEE Transactions on Image Processing , vol. 27, нет. 7, стр. 3472–3483, 2018. DOI: 10.1109/TIP.2018.2818438.

[48]

L.Q. Liu, C. Xiong, HW Zhang, ZH Niu, M. Wang, S.C. Yan. Верификация лица глубокого старения с большими пробелами. IEEE Transactions on Multimedia , vol. 18, нет. 1, стр. 64–75, 2016. DOI: 10.1109/TMM.2015.2500730.

[49]

З. Ф. Ли, Д. Х. Гонг, С. Л. Ли, Д. К. Тао. Распознавание стареющих лиц: иерархическая модель обучения, основанная на выборе локальных шаблонов. IEEE Transactions on Image Processing , vol. 25, нет. 5, стр. 2146–2154, 2016. DOI: 10.1109/TIP.2016.2535284.

[50]

Ю. Пак, Ю. Ю. Тонг, А. К. Джейн. Возрастно-инвариантное распознавание лиц. IEEE Transactions on Pattern Analysis and Machine Intelligence , vol. 32, нет. 5, стр. 947–954, 2010. DOI: 10.1109/TPAMI.2010.14.

[51]

Х. Дибеклиоглу, А.А. Салах, Т. Геверс. Как отец, как и сын: динамика выражения лица для подтверждения родства. В Proceedings of IEEE International Conference on Computer Vision , IEEE, Сидней, Австралия, стр. 1497–1504, 2013 г. DOI: 10.1109/ICCV.2013.189.

[52]

Р. Г. Фанг, К. Д. Тан, Н. Снавели, Т. Чен. К вычислительным моделям проверки родства. В материалах Proceedings of IEEE International Conference on Image Processing , IEEE, Гонконг, Китай, стр. 1577–1580, 2010 г. DOI: 10.1109/ICIP.2010.5652590.

[53]

HB Yan, JW Lu, XZZhou. Обучение дискриминационным признакам на основе прототипа для проверки родства. IEEE Transactions on Cybernetics , vol. 45, нет. 11, стр. 2535–2545, 2015. DOI: 10.1109/TCYB.2014.2376934.

[54]

Д. И. Перретт, К. А. Мэй, С. Йошикава. Форма лица и суждения о женской привлекательности. Природа , том. 368, нет. 6468, стр. 239–242, 1994. DOI: 10.1038/368239a0.

[55]

К. П. Чжан, З. П. Чжан, З. Ф. Ли, Ю. Цяо. Совместное обнаружение и выравнивание лиц с использованием многозадачных каскадных сверточных сетей. IEEE Signal Processing Letters , vol. 23, нет. 10, стр. 1499–1503, 2016. DOI: 10.1109/LSP.2016.2603342.

[56]

Д. Йи, З. Лей, С. К. Ляо, С. З. Ли. Обучение изображению лица с нуля. https://arxiv.org/abs/1411.7923, 2014.

[57]

В. Каземи, Дж. Салливан. Выравнивание лица за одну миллисекунду с помощью ансамбля деревьев регрессии. В материалах Proceedings of IEEE Conference on Computer Vision and Pattern Recognition , IEEE, Колумбус, США, стр. 1867–1874, 2014 г. DOI: 10.1109/ЦВПР.2014.241.

[58]

Г. Б. Хуанг, М. Рамеш, Т. Берг, Э. Лернед-Миллер. Помеченные лица в дикой природе: база данных для изучения распознавания лиц в неограниченных средах, Технический отчет, 07–49, Департамент компьютерных наук, Массачусетский университет, США, 2007 г.

[59]

Н. Далал, Б. Триггс. Гистограммы ориентированных градиентов для обнаружения человека. В Протоколы конференции IEEE Computer Society по компьютерному зрению и распознаванию образов , IEEE, Сан-Диего, США, стр. 886–893, 2005 г. DOI: 10. 1109/CVPR.2005.177.

[60]

Б. Шёлкопф, Р. Уильямсон, А. Смола, Дж. Шоу-Тейлор, Дж. Платт. Метод опорных векторов для обнаружения новизны. In Материалы 12-й Международной конференции по нейронным системам обработки информации , Денвер, США, стр. 582–588, 1999.

[61]

C. C. Chang, C. J. Lin. Libsvm: библиотека для машин опорных векторов. ACM Transactions on Intelligent Systems and Technology , vol. 2, нет. 3, статья № 27, 2011. DOI: 10.1145/1961189.1961199.

[62]

G.B. Huang, HM Zhou, XJ Ding, R. Zhang. Экстремальная обучающая машина для регрессии и многоклассовой классификации. Транзакции IEEE в системах , Человек , и кибернетика — Часть B : Кибернетика , том. 42, нет. 2, стр. 513–529, 2012. DOI: 10.1109/TSMCB.2011.2168604.

[63]

Л.