自然语言监督学习：可转移的人-物交互检测器

Suchen Wang1, Yueqi Duan2, Henghui Ding1, Yap-Peng Tan1, Kim-Hui Yap1, Junsong Yuan3{wang.sc,ding0093,ekhyap,eyptan}@ntu.edu.sg, duanyueqi@tsinghua.edu.cn, jsyuan@buffalo.edu[1, 0, 0, 0][0, 1, 0, 0][0, 0, 1, 0]AB8HicbVDLSgNBEOyNrxhfUY9eBhPBU9gNoh6DXjxGMA9JljA7mU2GzGOZmRVCyFd48aCIVz/Hm3/jJNmDJhY0FXdHdFCWfG+v63l1tb39jcym8Xdnb39g+Kh0dNo1JNaIMornQ7woZyJmnDMstpO9EUi4jTVjS6nfmtJ6oNU/LBjhMaCjyQLGYEWyc9lrsCJ8aqcq9Y8iv+HGiVBkpQYZ6r/jV7SuSCiot4diYTuAnNpxgbRnhdFropoYmIzwgHYclVhQE07mB0/RmVP6KFbalbRorv6emGBhzFhErlNgOzTL3kz8z+ukNr4OJ0wmqaWSLBbFKUdWodn3qM80JZaPHcFEM3crIkOsMbEuo4ILIVh+eZU0q5XgsnJxXy3VbrI48nACp3AOAVxBDe6gDg0gIOAZXuHN096L9+59LFpzXjZzDH/gf4AR8CQEw=79390利用自然语言监督学习可转移的人-物交互检测器01 南洋理工大学 2 清华大学 3 纽约州立大学布法罗分校0摘要0由于人-物交互（HOI）的组合性质，构建一个包括所有可能的人类动作和相互作用对象组合的数据集是困难的。在这项工作中，我们旨在开发一种适用于未知交互的可转移的HOI检测器。现有的HOI检测器通常将交互视为离散标签，并根据预定的类别空间学习分类器。这在检测超出预定义类别的未知交互方面是不合适的。相反，我们将独立的HOI标签视为交互的自然语言监督，并将它们嵌入到联合视觉和文本空间中以捕捉它们的相关性。更具体地说，我们提出了一种新的HOI视觉编码器来检测相互作用的人类和对象，并将它们映射到一个联合特征空间中进行交互识别。我们的视觉编码器被实例化为一个带有新的可学习HOI令牌和序列解析器的VisionTransformer，以生成唯一的HOI预测。它从预训练的CLIP模型中提取和利用可转移的知识来进行零样本交互检测。在SWIG-HOI和HICO-DET两个数据集上的实验证实了我们提出的方法在检测已见和未见的HOIs方面可以取得显著的mAP改进。我们的代码可在https://github.com/scwangdyd/promting_ hoi 上获得。01. 引言0人-物交互（HOI）检测在以人为中心的视觉分析任务中起着重要的作用，并提供了对人类意图和行为的更深入理解[ 6 ,10 ,  24 ,  31 ,  37 ,  41 ,  42]。它旨在定位相互作用的人类和物体，然后识别它们的交互。交互可以被视为一对人类动作和物体，例如骑自行车。鉴于其组合性质，当动作和物体类别空间变得很大时（例如，400个动作）时，创建一个包含所有可能HOIs的数据集是不切实际的。0已见的HOIs0(骑, 马)0(骑, 自行车)0(洗, 老虎)0(洗, 马) [0, 0, 0, 1]0离散标签0预定0未见的HOIs0w= 7!0(a) 具有预定义交互类别的HOI检测器0(b) 具有联合视觉和文本建模的HOI检测器0(洗, 自行车)0HOIs0文本0编码器0视觉0编码器0图1. (a)大多数现有的HOI检测器以预定的方式对新的交互进行分类。它们难以处理超出预定义列表的新交互。（b）我们旨在通过联合视觉和文本建模开发一种可转移的HOI检测器，更适合处理未知交互。给定一张图片，视觉编码器检测相互作用的人类和物体，并将它们映射到联合空间中（例如蓝色方框）。然后我们在文本特征（三角形）中进行最近搜索以进行HOI识别。0并且SWIG-HOI中有1000个对象[ 47]。这激励我们研究一种可转移的HOI检测器，它可以轻松扩展到许多潜在的未知交互。最近的研究[ 2 ,  15 ,  17 ,  21]使用组合学习来增强HOI检测器对未知交互的泛化能力。他们的核心思想是将交互分解为动作和对象，并进行数据增强以生成新的动作和对象的组合[ 15 – 17]。然而，有一个基本假设-未知交互的列表是可用的，以便可以从现有的交互样本中相应地生成特定的样本。然而，如何在没有任何给定先验知识的情况下自动确定生成的交互的有效性仍然是一个开放性问题。从这个意义上说，现有的方法只适用于预定的情况，而不能转移到其他未知的交互。在本文中，我们的目标是训练一个可转移的HOI检测器，而不需要对未知交互做任何先验假设。9400图1显示了我们的方法与现有解决方案的主要区别。值得注意的是，大多数先前的工作使用离散标签来学习具有固定权重大小的分类器。这种预定的设置限制了它们的通用性和效果，因为它无法处理预定义列表之外的任何新的HOI。受到CLIP的最新成功的启发[35]，我们将独立的独热HOI标签转化为联合视觉和文本建模的自然语言监督。通过这种方式，我们可以将HOI检测重新定义为视觉到文本的匹配问题，并实现对未见交互的识别。具体而言，我们提出了一个新的一阶段HOI检测器，包括一个视觉编码器和一个文本编码器。对于视觉编码器，我们提出了(1)一种新颖的HOI VisionTransformer，通过设计额外的[HOI]标记，和(2)一个序列解析器模块，以鼓励图像中的唯一HOI检测。我们将与[HOI]标记相关的最后一层的输出作为交互作用的表示。然后，我们将它们输入到两个头部，分别用于边界框回归和交互识别。我们使用回归器预测相互作用的人和物体的边界框，并为预测估计一个置信度分数。此外，我们将视觉特征投影到联合视觉和文本特征空间中，以搜索由文本编码器嵌入的最近的交互标签。交互类别通常定义为一对动作和物体。我们不将它们视为离散标签，而是通过使用动作和物体名称构建自然语言监督，并将它们编码到联合视觉和文本空间中，以探索它们的语义相关性。最近的研究[35,54]表明，围绕类名的上下文词汇可以显著影响识别准确性。在我们的情况下，它变得更加复杂，可能需要不同的句子格式。例如，给定一个动作“骑”和一个物体“自行车”，我们可以形成一个句子，如“一个人骑自行车的照片”。然而，给定一个动作“钓鱼”和一个物体“钓鱼竿”，“一个人钓鱼钓鱼竿”的句子是没有意义的。为了便于文本生成，我们提出了一种使用可学习的标记来替代手动确定的单词的自动化方法。这为已见和未见的交互带来了更通用的结果。我们的贡献总结如下：(1)我们将HOI检测重新定义为视觉到文本的匹配问题，并实现了对未见交互的检测。(2)我们提出了一个新的一阶段HOI检测器，使用VisionTransformer设计了额外的HOI标记和一个HOI序列解析器，共同检测人和物体并识别它们的交互。(3)在HICO-DET和SWIG-HOI两个数据集上的实验证明，所提出的方法在HOI检测方面可以取得最先进的结果，特别是对于未见交互。02. 相关工作0通用HOI检测标准的HOI检测[8，011, 12, 25, 34, 49,51]主要关注已知的相互作用。现有的方法可以大致分为两组，一阶段方法[9, 22, 28, 48, 50]和二阶段方法[14, 27, 43,45, 52, 55,56]。二阶段方法通常先应用离线对象检测器来检测人和物体，然后将检测到的框输入到交互模型进行分类。第二阶段通常不需要与对象检测器进行端到端训练，而是使用更复杂的架构来分析检测到的边界框之间的关系，例如多流[12,14, 26]或图[11, 34, 52,53]。此外，考虑其他信息来辅助交互识别是有优势的，例如人体姿势[8, 27, 45]、空间分布[43,53]等。与二阶段方法相比，一阶段方法旨在使用一个模型同时检测边界框和识别交互作用。早期的一阶段检测器[9,28,50]通常采用并行结构同时生成边界框候选并预测相互作用点或对，然后通过匹配步骤形成最终的HOI预测。最近的研究[5, 23, 40,57]将HOI检测问题形式化为集合预测问题，并提出了各种基于Transformer的检测器[3]。0新颖的HOI检测鉴于交互的大量组合类别空间，构建包含所有可能类别的数据集是具有挑战性的。最近的一些研究[18, 29, 32,48]研究了如何处理新颖或零样本的HOI。根据目标对象是否已知，新颖交互可以大致分为两种类型。第一种类型是已知动作和已知物体之间的新颖组合[15, 17,29]。相比之下，检测到具有新颖物体的未见交互更具挑战性[16, 18, 48]。一些研究提出使用语义词嵌入[2, 29,48]来辅助零样本识别。但与我们的方法不同，它们仍然依赖于一个预先确定的分类器，难以处理预定义列表之外的其他未见交互。0自然语言监督最近，基于视觉语言预训练的方法已经成为图像[19,35]和视频理解[46]的一种有前景的方法。与传统使用离散标签的方式不同，它提供了一种基于视觉和文本特征对齐进行识别的新范式。它自然适用于各种下游任务的零样本迁移[39]。最近的研究还探索了如何利用预训练模型的可迁移知识来解决视觉问答(VQA)[20]、零样本目标检测[13]和图像字幕生成[39]等问题。受到他们的工作的启发，我们的目标是探索如何基于自然语言监督学习一个可迁移的HOI检测器。AB9XicbVDLSgNBEJz1GeMr6tHLYBA8SNgNoh4DuXjwENE8IFnD7KQ3GTL7YKZXDUv+w4sHRbz6L978GyfJHjSxoKGo6qa7y4ul0Gjb39bS8srq2npuI7+5tb2zW9jb+goURzqPJKRanlMgxQh1FGghFasgAWehKY3rE785gMoLaLwDkcxuAHrh8IXnKGR7jsIT4iYtqvXt+64WyjaJXsKukicjBRJhlq38NXpRTwJIEQumdZtx47RTZlCwSWM851EQ8z4kPWhbWjIAtBuOr16TI+N0qN+pEyFSKfq74mUBVqPAs90BgwHet6biP957QT9SzcVYZwghHy2yE8kxYhOIqA9oYCjHBnCuBLmVsoHTDGOJqi8CcGZf3mRNMol57x0dlMuVk6zOHLkByRE+KQC1IhV6RG6oQTRZ7JK3mzHq0X6936mLUuWdnMAfkD6/MHsVqSkg=[CLS]AB/XicbVDLSsNAFJ3UV62v+Ni5CbaCylJEXVZ6abLCn1BGsJkOm2HTiZh5kasofgrblwo4tb/cOfOG2z0OqBC4dz7uXe4KYMwW2/WXkVlbX1jfym4Wt7Z3dPXP/oK2iRBLaIhGPZDfAinImaAsYcNqNJcVhwGknGNdmfueOSsUi0YRJTL0QDwUbMIJBS751AN6DwCp27hp1uretOQ7Jd8s2mV7DusvcTJSRBkavnZ60ckCakAwrFSrmPH4KVYAiOcTgu9RNEYkzEeUldTgUOqvHR+/dQ61UrfGkRSlwBrv6cSHGo1CQMdGeIYaSWvZn4n+cmMLj2UibiBKgi0WDhFsQWbMorD6TlACfaIKJZPpWi4ywxAR0YAUdgrP8l/SrpSdy/LFbaVYPc/iyKNjdILOkIOuUBXVUQO1EP6Am9oFfj0Xg23oz3RWvOyGYO0S8YH9LhZRl[PATCH]1AB/XicbVDLSsNAFJ3UV62v+Ni5CbaCylJEXVZ6abLCn1BGsJkOm2HTiZh5kasofgrblwo4tb/cOfOG2z0OqBC4dz7uXe4KYMwW2/WXkVlbX1jfym4Wt7Z3dPXP/oK2iRBLaIhGPZDfAinImaAsYcNqNJcVhwGknGNdmfueOSsUi0YRJTL0QDwUbMIJBS751AN6DwCp27hp1uretORXSr5ZtMv2HNZf4mSkiDI0fPOz149IElIBhGOlXMeOwUuxBEY4nRZ6iaIxJmM8pK6mAodUen8+ql1qpW+NYikLgHWXP05keJQqUkY6M4Qw0gtezPxP89NYHDtpUzECVBFosGCbcgsmZRWH0mKQE+0QTyfStFhlhiQnowAo6BGf5b+kXSk7l+WL20qxep7FkUfH6ASdIQdoSqowZqIYIe0BN6Qa/Go/FsvBnvi9ackc0col8wPr4BTQqUZg=[PATCH]2AB/XicbVDLSsNAFJ3UV62v+Ni5CbaCylJEXVZ6abLCn1BGsJkOm2HTiZh5kasofgrblwo4tb/cOfOG2z0OqBC4dz7uXe4KYMwW2/WXkVlbX1jfym4Wt7Z3dPXP/oK2iRBLaIhGPZDfAinImaAsYcNqNJcVhwGknGNdmfueOSsUi0YRJTL0QDwUbMIJBS751AN6DwCp27hp1uretOSLkm8W7bI9h/WXOBkpogwN3/zs9SOShFQA4Vgp17Fj8FIsgRFOp4VeomiMyRgPqaupwCFVXjq/fmqdaqVvDSKpS4A1V39OpDhUahIGujPEMFL3kz8z3MTGFx7KRNxAlSQxaJBwi2IrFkUVp9JSoBPNMFEMn2rRUZYgI6sIOwVl+S9pV8rOZfnitlKsnmdx5NExOkFnyEFXqIrqIFaiKAH9IRe0KvxaDwb8b7ojVnZDOH6BeMj2+oNpSi[PATCH]nAB+3icbVBNS8NAEN34WetXrEcvwVbwICUpoh4LXurJCvYD0hA2027dLMJuxNpCf0rXjwo4tU/4s1/47bNQVsfDzem2FmXpBwpsC2v4219Y3Nre3CTnF3b/g0DwqtVWcSkJbJOax7AZYUc4EbQEDTruJpDgKO0Eo9uZ3miUrFYPMIkoV6EB4KFjGDQkm+WekDHAJC5jfs7b1rxnYpvlu2qPYe1SpyclFGOpm9+9foxSMqgHCslOvYCXgZlsAIp9NiL1U0wWSEB9TVOCIKi+b3z61zrTSt8JY6hJgzdXfExmOlJpEge6MAzVsjcT/PcFMIbL2MiSYEKslgUptyC2JoFYfWZpAT4RBNMJNO3WmSIJSag4yrqEJzl1dJu1Z1rqXD7Vy/SKPo4BO0Ck6Rw6RnXUQE3UQgSN0TN6RW/G1Hgx3o2PReuakc8coz8wPn8AGb2TwQ=[HOI]1AB+3icbVDLSsNAFJ34rPUV69LNYCu4kJIUZcFN3VlBfuANITJdNIOnTyYuZGW0F9x40IRt/6IO/GaZuFth64cDjnXu69x08EV2BZ38ba+sbm1nZhp7i7t39waB6V2ipOJWUtGotYdn2imOARawEHwbqJZCT0Bev4o9uZ3liUvE4eoRJwtyQDCIecEpAS5Z6gEbA0DmNO7v3GnFq1U8s2xVrTnwKrFzUkY5mp751evHNA1ZBFQpRzbSsDNiAROBZsWe6liCaEjMmCOphEJmXKz+e1TfKaVPg5iqSsCPFd/T2QkVGoS+rozJDBUy95M/M9zUghu3IxHSQosotFQSowxHgWBO5zySiIiSaESq5vxXRIJKGg4yrqEOzl1dJu1a1r6qXD7Vy/SKPo4BO0Ck6Rza6RnXUQE3UQhSN0TN6RW/G1Hgx3o2PReuakc8coz8wPn8AG0KTwg=[HOI]2AB+3icbVDLSsNAFJ3UV62vWJdugq3gQkpSRV0W3NSVFewD0hAm0k7dPJg5kZaQn7FjQtF3Poj7vwbp20W2nrgwuGce7n3Hi/mTIJpfmuFtfWNza3idmlnd2/QD8sd2SUCELbJOKR6HlYUs5C2gYGnPZiQXHgcdr1xrczv/tEhWR+AjTmDoBHobMZwSDkly93Ac6AYDUbt7fOVnVvai6esWsmXMYq8TKSQXlaLn6V38QkSgIRCOpbQtMwYnxQIY4TQr9RNJY0zGeEhtRUMcUOmk89sz41QpA8OPhKoQjLn6eyLFgZTwFOdAYaRXPZm4n+enYB/46QsjBOgIVks8hNuQGTMgjAGTFACfKoIJoKpWw0ywgITUHGVAjW8surpFOvWVe1y4d6pXGex1FEx+gEnSELXaMGaqIWaiOCJugZvaI3LdNetHftY9Fa0PKZI/QH2ucPHMeTw=[HOI]3……AB9XicbVBNS8NAEJ34WetX1aOXYBE8SEmKqMdKLx4r9AvSWDbt0swm7E7WE/g8vHhTx6n/x5r9x2+agrQ8GHu/NMDMviAX6Djf1srq2vrGZm4rv72zu7dfODhs6ihRlDVoJCLVDohmgkvWQI6CtWPFSBgI1gpG1anfemBK80jWcRwzPyQDyfucEjTSfQfZEyKm3k217k+6haJTcmawl4mbkSJkqHULX51eRJOQSaSCaO25Tox+ShRyKtgk30k0iwkdkQHzDJUkZNpPZ1dP7FOj9Ox+pExJtGfq74mUhFqPw8B0hgSHetGbiv95XoL9az/lMk6QSTpf1E+EjZE9jcDucUoirEhCpubrXpkChC0QSVNyG4iy8vk2a5F6WLu7Kxcp5FkcOjuEEzsCFK6jALdSgARQUPMrvFmP1ov1bn3MW1esbOYI/sD6/AGiEZKI[ACT]AB+nicbVBNS8NAEN34WetXqkcvi0XwICUpoh4Louitiv2ANJTNdtsu3WzC7kQtsT/FiwdFvPpLvPlv3LY5aOuDgcd7M8zMC2LBNTjOt7WwuLS8spby69vbG5t24Wduo4SRVmNRiJSzYBoJrhkNeAgWDNWjISBYI1gcD72G/dMaR7JOxjGzA9JT/IupwSM1LYLLWCPAJB61duLy+umP2rbRafkTIDniZuRIspQbdtfrU5Ek5BJoIJo7blODH5KFHAq2CjfSjSLCR2QHvMlSRk2k8np4/wgVE6uBspUxLwRP09kZJQ62EYmM6QF/PemPxP89LoHvmp1zGCTBJp4u6icAQ4XEOuMVoyCGhCquLkV0z5RhIJK29CcGdfnif1csk9KR3flIuVoyOHNpD+gQuegUVdAVqIaougBPaNX9GY9WS/Wu/UxbV2wspld9AfW5w8PSZPN[PREFIX]AB+nicbVBNS8NAEN3Ur1q/Uj16WSyCBylJEfVY6EU81AqmLbShbLabdunmg92JWmJ/ihcPinj1l3jz37htc9DWBwOP92aYmefFgiuwrG8jt7K6tr6R3yxsbe/s7pnF/aKEkmZQyMRybZHFBM8ZA5wEKwdS0YCT7CWN6pN/dY9k4pH4R2MY+YGZByn1MCWuqZxS6wRwBIO7Wb+rVTdyc9s2SVrRnwMrEzUkIZGj3zq9uPaBKwEKgSnVsKwY3JRI4FWxS6CaKxYSOyIB1NA1JwJSbzk6f4GOt9LEfSV0h4Jn6eyIlgVLjwNOdAYGhWvSm4n9eJwH/0k15GCfAQjpf5CcCQ4SnOeA+l4yCGtCqOT6VkyHRBIKOq2CDsFefHmZNCtl+7x8dlspVU+zOPLoEB2hE2SjC1RFV6iBHETRA3pGr+jNeDJejHfjY96aM7KZA/QHxucPDaWTzA=[CONJUN]AB9XicbVBNS8NAEJ34WetX1aOXYBE8SEmKqMeiF/FiBfsBbSyb7aZdutmE3YlaQv+HFw+KePW/ePfuG1z0NYHA4/3ZpiZ58eCa3Scb2thcWl5ZTW3l/f2NzaLuzs1nWUKMpqNBKRavpEM8ElqyFHwZqxYiT0BWv4g8ux3hgSvNI3uEwZl5IepIHnBI0n0b2RMipq2bi2tv1CkUnZIzgT1P3IwUIUO1U/hqdyOahEwiFUTrluvE6KVEIaeCjfLtRLOY0AHpsZahkoRMe+nk6pF9aJSuHUTKlER7ov6eSEmo9TD0TWdIsK9nvbH4n9dKMDj3Ui7jBJmk0VBImyM7HEdpcrRlEMDSFUcXOrTftEYomqLwJwZ19eZ7UyX3tHRyWy5WjrM4crAPB3AELpxBa6gCjWgoOAZXuHNerRerHfrY9q6YGUze/AH1ucPpr6Siw=[OBJ]AB/XicbVDJSgNBEO1xjXEbl5uXxiBECGEmiIqngJd4MoJZIBlCT09N0qRnobtHiEPwV7x4UMSr/+HNv7GTzETHxQ83quiqp4bcyaVZX0bS8srq2vruY385tb2zq65t9+USIoNGjEI9F2iQTOQmgopji0YwEkcDm03OH1xG89gJAsCu/VKAYnIP2Q+YwSpaWeeVi7vcH2FS4K5kEJDyIh4bRnFqyNQVeJHZGCihDvWd+db2IJgGEinIiZce2YuWkRChGOYzz3URCTOiQ9KGjaUgCkE46vX6MT7TiYT8SukKFp+rviZQEUo4CV3cGRA3kvDcR/M6ifIvnZSFcaIgpLNFfsKxivAkCuwxAVTxkSaECqZvxXRABKFKB5bXIdjzLy+SZqVsn5fP7iqFaimLI4eO0DEqIhtdoCqoTpqIoe0TN6RW/Gk/FivBsfs9YlI5s5QH9gfP4AkdKTUQ=AB/HicbVDLSgMxFM34rPU12qWbYBEqlDJTRMVwU1dWcE+oB1KJs20oZlkSDLKUOqvuHGhiFs/xJ1/Y6adhbYeuHA4597k3uNHjCrtON/Wyura+sZmbiu/vbO7t28fHLaUiCUmTSyYkB0fKcIoJ01NSOdSBIU+oy0/fF16rcfiFRU8HudRMQL0ZDTgGKkjdS3C/XbG1i9giWGlBJliMXjad8uOhVnBrhM3IwUQYZG3/7qDQSOQ8I1Tt/puk6kvQmSmJGpvlerEiE8BgNSdQjkKivMls+Sk8McoABkKa4hrO1N8TExQqlYS+6QyRHqlFLxX/87qxDi69CeVRrAnH84+CmEtYJoEHFBJsGaJIQhLanaFeIQkwtrklTchuIsnL5NWteKeV87uqsVaOYsjB47AMSgBF1yAGqiDBmgCDBLwDF7Bm/VkvVjv1se8dcXKZgrgD6zPH+Dgku4=AB+3icbVDNS8MwHE39nPOrzqOX4CZ4kNEOUY8DLx4nuA/YSknTdAtLk5Kk4ij9V7x4UMSr/4g3/xvTrQfdfBDyeO/3Iy8vSBhV2nG+rbX1jc2t7cpOdXdv/+DQPqr1lEglJl0smJCDACnCKCdTUjg0QSFAeM9IPpbeH3H4lUVPAHPUuIF6MxpxHFSBvJt2uNUSBYqGaxuTKV+27Dt+tO05kDrhK3JHVQouPbX6NQ4DQmXGOGlBq6TqK9DElNMSN5dZQqkiA8RWMyNJSjmCgvm2fP4ZlRQhgJaQ7XcK7+3shQrIp0ZjJGeqKWvUL8zxumOrxMsqTVBOFw9FKYNawKIGFJsGYzQxCW1GSFeIkwtrUVTUluMtfXiW9VtO9al7et+rti7KOCjgBp+AcuOAatMEd6IAuwOAJPINX8Gbl1ov1bn0sRtescucY/IH1+QOwRJQms1AB+3icbVDNS8MwHE39nPOrzqOX4CZ4kNEOUY8DLx4nuA/YSknTdAtLk5Kk4ij9V7x4UMSr/4g3/xvTrQfdfBDyeO/3Iy8vSBhV2nG+rbX1jc2t7cpOdXdv/+DQPqr1lEglJl0smJCDACnCKCdTUjg0QSFAeM9IPpbeH3H4lUVPAHPUuIF6MxpxHFSBvJt2uNUSBYqGaxuTKV+62Gb9edpjMHXCVuSeqgRMe3v0ahwGlMuMYMKTV0nUR7GZKaYkby6ihVJEF4isZkaChHMVFeNs+ewzOjhDAS0hyu4Vz9vZGhWBXpzGSM9EQte4X4nzdMdXTjZQnqSYcLx6KUga1gEURMKSYM1mhiAsqckK8QRJhLWpq2pKcJe/vEp6raZ71by8b9XbF2UdFXACTsE5cME1aIM70AFdgMETeAav4M3KrRfr3fpYjK5Z5c4x+APr8wexyZQns2AB+3icbVDNS8MwHE39nPOrzqOX4CZ4kNEOUY8DLx4nuA/YSknTdAtLk5Kk4ij9V7x4UMSr/4g3/xvTrQfdfBDyeO/3Iy8vSBhV2nG+rbX1jc2t7cpOdXdv/+DQPqr1lEglJl0smJCDACnCKCdTUjg0QSFAeM9IPpbeH3H4lUVPAHPUuIF6MxpxHFSBvJt2uNUSBYqGaxubJ7rsN3647TWcOuErcktRBiY5vf41CgdOYcI0ZUmroOon2MiQ1xYzk1VGqSILwFI3J0FCOYqK8bJ49h2dGCWEkpDlcw7n6eyNDsSrSmckY6Yla9grxP2+Y6ujGyhPUk04XjwUpQxqAYsiYEglwZrNDEFYUpMV4gmSCGtTV9WU4C5/eZX0Wk3qnl536q3L8o6KuAEnIJz4IJr0AZ3oAO6AIMn8AxewZuVWy/Wu/WxGF2zyp1j8AfW5w+fbJQbh1AB+3icbVDNS8MwHE39nPOrzqOX4CZ4kNEOUY8DLx4nuA/YSknTdAtLk5Kk4ij9V7x4UMSr/4g3/xvTrQfdfBDyeO/3Iy8vSBhV2nG+rbX1jc2t7cpOdXdv/+DQPqr1lEglJl0smJCDACnCKCdTUjg0QSFAeM9IPpbeH3H4lUVPAHPUuIF6MxpxHFSBvJt2uNUSBYqGaxubJ7rcavl13ms4cJW4JamDEh3f/hqFAqcx4RozpNTQdRLtZUhqihnJq6NUkQThKRqToaEcxUR52Tx7Ds+MEsJISHO4hnP190aGYlWkM5Mx0hO17BXif94w1dGNl1GepJpwvHgoShnUAhZFwJBKgjWbGYKwpCYrxBMkEdamrqopwV3+8irptZruVfPyvlVvX5R1VMAJOAXnwAXoA3uQAd0AQZP4Bm8gjcrt16sd+tjMbpmlTvH4A+szx+g8ZQch2AB+3icbVDNS8MwHE3n15xfdR69BDfBg4x2inocePE4wX3AVkqaZltYmpQkFUfpv+LFgyJe/Ue8+d+Ybj3o5oOQx3u/H3l5Qcyo0o7zbZXW1jc2t8rblZ3dvf0D+7DaVSKRmHSwYEL2A6QIo5x0NWM9GNJUBQw0gumt7nfeyRSUcEf9CwmXoTGnI4oRtpIvl2tDwPBQjWLzJVOMv+i7ts1p+HMAVeJW5AaKND27a9hKHASEa4xQ0oNXCfWXoqkpiRrDJMFIkRnqIxGRjKUSUl86zZ/DUKCEcCWkO13Cu/t5IUaTydGYyQnqilr1c/M8bJHp046WUx4kmHC8eGiUMagHzImBIJcGazQxBWFKTFeIJkghrU1fFlOAuf3mVdJsN96pxed+stc6LOsrgGJyAM+Ca9ACd6ANOgCDJ/AMXsGblVkv1rv1sRgtWcXOEfgD6/MHonaUHQ=h3AB83icbVBNS8NAEN34WetX1aOXxVbwICUpoh4LXjxWsB/QhLZTtolu5uwuxFK6N/w4kERr/4Zb/4bt20O2vpg4PHeDPzwpQzbVz321lb39jc2i7tlHf39g8OK0fHZ1kikKbJjxRvZBo4ExC2zDoZcqICLk0A3ju5nfQKlWSIfzSFQJCRZBGjxFjJr/l0DQWRMW1QaXq1t058CrxClJFBVqDypc/TGgmQBrKidZ9z01NkBNlGOUwLfuZhpTQmIygb6kAnSQz2+e4nOrDHGUKFvS4Ln6eyInQuJCG2nIGasl72Z+J/Xz0x0G+RMpkBSReLoxjk+BZAHjIFDJ5YQqpi9FdMxUYQaG1PZhuAtv7xKOo26d12/emhUm5dFHCV0is7QBfLQDWqie9RCbURip7RK3pzMufFeXc+Fq1rTjFzgv7A+fwBXqCRMA=XAB83icbVBNS8NAEN34WetX1aOXxVbwICUpoh4LXjxWsB/QhLZTtolu5uwuxFK6N/w4kERr/4Zb/4bt20O2vpg4PHeDPzwpQzbVz321lb39jc2i7tlHf39g8OK0fHZ1kikKbJjxRvZBo4ExC2zDoZcqICLk0A3ju5nfQKlWSIfzSFQJCRZBGjxFjJr/l0DQWRMW1QaXq1t058CrxClJFBVqDypc/TGgmQBrKidZ9z01NkBNlGOUwLfuZhpTQmIygb6kAnSQz2+e4nOrDHGUKFvS4Ln6eyInQuJCG2nIGasl72Z+J/Xz0x0G+RMpkBSReLoxjk+BZAHjIFDJ5YQqpi9FdMxUYQaG1PZhuAtv7xKOo26d12/emhUm5dFHCV0is7QBfLQDWqie9RCbURip7RK3pzMufFeXc+Fq1rTjFzgv7A+fwBXqCRMA=XAB83icbVBNS8NAEN34WetX1aOXxVbwICUpoh4LXjxWsB/QhLZTtolu5uwuxFK6N/w4kERr/4Zb/4bt20O2vpg4PHeDPzwpQzbVz321lb39jc2i7tlHf39g8OK0fHZ1kikKbJjxRvZBo4ExC2zDoZcqICLk0A3ju5nfQKlWSIfzSFQJCRZBGjxFjJr/l0DQWRMW1QaXq1t058CrxClJFBVqDypc/TGgmQBrKidZ9z01NkBNlGOUwLfuZhpTQmIygb6kAnSQz2+e4nOrDHGUKFvS4Ln6eyInQuJCG2nIGasl72Z+J/Xz0x0G+RMpkBSReLoxjk+BZAHjIFDJ5YQqpi9FdMxUYQaG1PZhuAtv7xKOo26d12/emhUm5dFHCV0is7QBfLQDWqie9RCbURip7RK3pzMufFeXc+Fq1rTjFzgv7A+fwBXqCRMA=X

下载后可阅读完整内容，剩余1页未读，立即下载