没有合适的资源?快使用搜索试试~ 我知道了~
motorcycleperson43820使用掩码监督的多边形边界变换的实例分割0Justin Lazarow Weijian Xu Zhuowen TuUC San Diego0{jlazarow, wex041, ztu}@ucsd.edu0摘要0在本文中,我们提出了一种端到端的实例分割方法,为每个对象实例回归多边形边界。对象的这种稀疏的矢量化边界表示在许多下游计算机视觉任务中具有吸引力,但很快遇到需要解决的奇偶性问题:监督奇偶性和性能奇偶性与现有的基于像素的方法相比。这部分是因为对象实例以多边形边界或分割掩码的形式进行标注,但在方便的方式下仅使用分割掩码进行评估。我们的方法BoundaryFormer是一种基于Transformer的架构,直接预测多边形,并使用实例掩码分割作为计算损失的地面真值监督。通过可微分光栅化,我们开发了一种端到端可微分模型,仅依赖于掩码空间内的监督。BoundaryFormer在COCO和Cityscapes数据集上的实例分割质量方面与MaskR-CNN方法相匹配或超越,并且在数据集之间具有更好的可迁移性。01. 引言0图像分割[23]和场景标记[28,30]是计算机视觉中研究最多的主题之一。除了像素级的掩码外,使用矢量化边界表示来表示分割/对象在许多下游任务中具有应用和重要性,例如形状识别[2],跟踪[4],图像理解[31],医学成像[26]和3D重建[5]。最近出现的实例分割任务(对象或感兴趣区域)[10]极大地推动了对象分割的实际意义。与检测不同,实例分割预测的是对象的详细范围,而不是粗略的边界框。然而,边界框只需要两个坐标对来表示,而对象实例通常使用多边形边界或分割掩码的形式进行注释,但在评估时只使用分割掩码。我们的方法BoundaryFormer是一种基于Transformer的架构,直接预测多边形,并使用实例掩码分割作为计算损失的地面真值监督。通过可微分光栅化,我们开发了一种端到端可微分模型,仅依赖于掩码空间内的监督。BoundaryFormer在COCO和Cityscapes数据集上的实例分割质量方面与MaskR-CNN方法相匹配或超越,并且在数据集之间具有更好的可迁移性。0代码位于https://github.com/mlpc-ucsd/BoundaryFormer。0图1.我们提出了一种实例分割模型,它以多边形的形式预测每个对象的边界。这将实例分割视为回归问题,并允许预测的端到端可微性。同时,我们的模型在分割质量方面不需要任何牺牲,也不引入与直接预测掩码的算法相比的额外监督要求。0因此,将其转化为回归问题时,如何最佳表示和预测对象的分割存在困难。这些困难结合了对卷积操作的历史偏好,使计算机视觉社区变得以掩码为中心。这意味着几乎所有分割模型都依赖于输出二进制置信度的空间密集函数,以确定每个像素是否属于特定对象。这与以边界为中心的概念相反,其中预测一组稀疏的结构化点来表示所讨论对象的边界。多边形是这种结构的一种自然选择。然而,由于一些固有的困难以及掩码为中心的偏见,多边形面临着巨大的障碍。首先,多边形没有明显的度量标准(因此没有损失函数)。其次,基于掩码的模型的训练机制通常依赖于对多边形直接进行鲁棒且高效实现的操作和增强。这甚至包括基本的操作,如裁剪和交集。最后,分割质量的评估是针对掩码而不是轮廓进行的,这可能导致训练和评估之间的不匹配。43830在预测多边形时的测试目标。此外,人们可能会质疑为什么要预测边界而不是口罩?尽管[10]在实例分割中获得了高质量的口罩,但获得物体边界可能更适合某些任务。虽然口罩具有很大的灵活性,但它们也缺乏明确的拓扑结构,这可能导致退化或不希望的行为(例如,边界处的不确定性或意外的内部空洞)。然而,明确的边界有助于下游任务,例如平面检测[18],不仅以丰富的自上而下的结构先验形式存在,而且还以连续的输出形式存在,可以在更大的系统中进行端到端的差分。尽管在实例分割中预测多边形存在许多障碍,但过去已经做出了努力。然而,没有一个能够在常用基准测试中与基线基于口罩的分割模型达到或超过相等性。通过相等性,我们指的是:1).监督相等性:该方法不应比基于口罩的对应方法需要额外的监督来源。特别是,该方法不应直接依赖多边形作为监督来源。这一点至关重要,因为多边形并不总是可用的,并且从基于口罩的真值中推导多边形可能会引入次优性能或不确定性-请参见表4。2).评估相等性:虽然一些实例分割数据集中存在多边形边界注释,例如[16],但使用多边形预测直接与地面真值进行评估时,还存在进一步的技术障碍。这是由于矢量化的多边形表示不是唯一的,并且从口罩到多边形存在一对多的表示。换句话说,两个相似的口罩可能具有在控制点上有很大差异的多边形,从而在训练损失和评估之间创建不匹配。最后,我们还希望处理3).访问相等性。虽然预测模型本身在体系结构方面可能有所偏差,但该模型通常被认为是基于口罩的分割头的“插入式”替代品。这包括在一阶和二阶架构中工作,例如,对于完整图像或RoI特征。虽然某些作品已经涉及到我们模型的某些方面[9,14],但还没有提供一个完全基于多边形的解决方案,该解决方案对于各种架构都是可访问的,并且在标准数据集上与基于口罩的架构的性能相匹配。我们相信,清晰地展示多边形在提供高性能和端到端可微分的分割管道方面的能力可能有助于该领域的进一步发展。我们在下面概述我们的贡献:01.在本文中,我们提出了一种新的实例分割方法BoundaryFormer,它是基于Transformer的。0直接预测物体边界的多边形的方法。我们的模型在MS-COCO [16]数据集上优于强基准Mask R-CNN[10],并在从头开始训练时在Cityscapes[7]上取得了有竞争力的结果,而在从COCO-based初始化时明显优于它。据我们所知,这是第一次使用多边形输出的方法与MS-COCO数据集上的MaskR-CNN相匹配或超过。此外,BoundaryFormer在不损害其端到端训练能力的情况下实现了这一点。02.BoundaryFormer使用像素级的口罩作为监督和评估的基准,通过利用一种新颖的可微分栅格化模块。因此,BoundaryFormer在Mask R-CNN[10]上没有增加任何新的监督要求。03. 仅依靠口罩作为监督来源,我们的模型可以作为R-CNN[10]基于口罩的分割头的替代品,无论是作为完整的基于图像的组件还是作为RoI-based组件。此外,它还可以应用于其他常见的架构,包括FCOS [29]。02. 相关工作0我们强调过去的工作预测了多边形(或基于轮廓的)分割,并特别注意那些采用栅格化作为模型监督形式的工作。02.1. 基于点的损失0我们首先讨论基于轮廓的分割算法,这些算法主要依赖于预测点和从已知多边形中采样的真实点之间的匹配。因此,这些方法需要访问一些多边形的真实值。作为第一个建立在现代架构上的工作之一,DeepSnake[25]考虑从四个极点导出的初始八边形多边形,然后使用圆形卷积进行迭代的细化过程。得到的细化结果使用与均匀多边形真实值之间的L1损失进行监督。另一方面,PolarMask[34]在极坐标表示中建模多边形,并使用IoU的近似作为监督信号。应用于基于Transformer的线段分割检测[35]和姿态识别[13]的直接距离损失存在,但它们对点具有直接的真实值监督。PolyTransform[14]使用现成的基于掩码的分割流水线来预测对象的初始二进制掩码,然后可以使用一个不可微的边界跟踪算法来导出高度准确的初始多边形。然后,使用Transform进行多边形变形We next consider contour-based models which entirelyor in-part rely on rasterized forms of predicted polygons assupervision. ACDRNet [9] provides a system which takescrops of objects of interest as input and iteratively deformsan initial contour by predicting a dense heatmap of offsets infeature-space. A 3D neural renderer [11] is applied to a tri-angulation of the predictions against the ground-truth masksusing an MSE loss. In addition, ACDRNet relies on two ad-ditional losses: a balloon like loss to force expansion of thecontour and a curvature term. While an interesting proofof concept, the authors do not consider integration into anactual detection pipeline and performance on the standardMS-COCO [16] is not considered.CurveGCN [17] predicts polygonal boundaries througha graph convolutional neural network from an initial con-tour proposal. For the bulk of training, they use an ordinaryChamfer loss, however, they do note that fine-tuning theirmodel with respect to a differentiable accuracy metric, i.e.triangulating the polygon into a mesh and supervising withrespect to masks using a differentiable renderer [22] leadsto improved results.Lastly, some recent work [6] considers using boundaryinformation as an additional supervision for instance seg-mentation, however, they still predict masks directly and notpolygons.43840然后,我们考虑完全或部分依赖栅格化形式的预测多边形作为监督的基于轮廓的模型。ACDRNet[9]提供了一个系统,它以感兴趣对象的裁剪作为输入,并通过预测特征空间中的偏移的密集热图来迭代地变形初始轮廓。应用于预测与地面真实掩码之间的三角化的三维神经渲染器[11]使用MSE损失。此外,ACDRNet还依赖于两个额外的损失:类似气球的损失以强制轮廓的扩展和曲率项。虽然是一个有趣的概念验证,但作者没有考虑将其集成到实际的检测流水线中,并且没有考虑在标准的MS-COCO [16]上的性能。CurveGCN[17]通过图卷积神经网络从初始轮廓提出预测多边形边界。在大部分训练中,他们使用普通的Chamfer损失,然而,他们指出,通过将多边形三角化为网格并使用可微分渲染器[22]相对于掩码进行监督的可微分准确度度量来微调模型可以获得改进的结果。最后,一些最近的工作[6]考虑将边界信息作为实例分割的额外监督,但他们仍然直接预测掩码而不是多边形。02.2. 基于掩码的损失03. 方法03.1. 设置0实例分割考虑输入图像I∈RH×W×3,并任务是生成N个有序实例Oi,1≤i≤N。大多数现代基准将实例视为元组(Mi,ci),其中Mi是一个逐像素的二进制掩码,表示对象的成员资格,ci∈{1,...,C}是对象的预测类别。由于Mi是一个二进制掩码,大多数分割模型发现预测Mi的某些下采样版本是自然的。Mi被预测为离散的连续置信值网格Mi(x,y),其中x∈{1,...,X'},y∈{1,...,Y'},对于一个大小为X'×Y'的掩码。这个短语掩码预测0作为一个分类问题。在推理时,Mi被转化为一个二进制掩膜,使用普通的决策规则(通常Mi(x, y) >0.5)。因此,对于依赖于Mi(x,y)的下游组件来说,Mi是不可微分的。在这项工作中,我们将Mi的预测看作是一个回归问题。这将Mi的预测分解为两个部分。首先,我们预测K个顶点Vi = {(xi0, yi0), ..., (xiK-1,yiK-1)},它们在固定顺序下定义了2D中多边形的边界。然后,我们通过光栅化将Mi生成到所需的掩膜大小X' ×Y'。必须生成Mi,因为实例分割依赖于掩膜进行评估。这导致了以下选择:如何预测Vi,更重要的是如何监督Vi相对于地面真值。我们将我们对这个问题的方法称为BoundaryFormer。03.2. 使用掩膜监督边界回归变换进行实例分割0我们将BoundaryFormer设计为可以添加到现有的基于检测的框架中的组件。虽然我们认为BoundaryFormer是通用的,但出于演示的目的,我们考虑一个更具体的设置。特别地,我们假设一个建立在标准FPN架构上的检测器(包括FCOS [29]或R-CNN [10]),它从图像I中产生特征图F = {P2,...,P5},分辨率递减。从这些特征中,检测器提出了N个对象,形式为盒子Bi = (li, ti, wi,hi),它们分别表示盒子的左边缘、上边缘、宽度和高度。每个Bi对应于一些地面真值掩膜Mi,其中Mi预计被剪裁到Bi。我们使用Bi作为初始化在Bi内刻画的椭圆多边形Vi(0),类似于其他基于轮廓的方法[14, 20,25]。从Vi(0)开始,我们的模型通过Vi(j+1) = gj(F,Vi(j))进行L次迭代来逐步改进这个形状,以产生最终的预测Vi(L)。我们在图2中展示了一个具体的实现。由于我们处理的是点集,我们使用Transformer[32]来实现g,使用两种类型的注意力。多边形Vi中的每个顶点对应于一些点嵌入Pk i,其中1 ≤ k ≤K,并包括一个建模于常规Transformer正弦位置编码的“点编码”。第一种注意力允许每个Pki关注同一对象中的所有其他点嵌入Pk'i。第二种注意力允许每个Pki关注图像特征F。虽然第一种注意力使用普通的(二次的)自注意力来实现,但我们使用可变形注意力[36]来实现点到图像特征的注意力,这显著降低了计算成本。此外,这允许跨P2到P5的多尺度。最后,对于每个嵌入Pki,gj预测一个2D偏移...AB+3icbZDLSgNBEVrfMb4GuPSTWMQXEiYkaAuA7pwGcE8IBlCT6cmadLzoLtHMoT8ihsXirj1R9z5N3aSWjihYbDrSq+vqJ4Eo7zre1tr6xubVd2Cnu7u0fHNpHpaKU8mwWIRy7ZPFQoeYUNzLbCdSKShL7Dlj25n9dYTSsXj6FnCXohHUQ84IxqY/XsUvcOhaZkfEFynp2ak4c5FVcHMoQ656z/7q9mOWhpJqhSHdJtDehUnMmcFrspgoTykZ0gB2DEQ1ReZP57VNyZpw+CWJpXqTJ3P09MaGhUlnom86Q6qFars3M/2qdVAc33oRHSaoxYotFQSqIjsksCNLnEpkWmQHKJDe3EjakjJt4iqaENzlL69C87LiXlWqD9VyzcnjKMAJnMI5uHANbiHOjSAwRie4RXerKn1Yr1bH4vWNSufOY/sj5/AHO5k18= �x, �y...AB7XicbVBNTwIxEJ3FL8Qv1KOXRmKCF7JrCHok8eIRE1lIYEO6pQuVbrtpuyZkw3/w4kFjvPp/vPlvLAHBV8yct7M5mZFyacaeO6305hY3Nre6e4W9rbPzg8Kh+f+FqmitA2kVyqbog15UzQtmG026iKI5DTjvh5Hbud56o0kyKBzNaBDjkWARI9hYyfcHrOpeDsoVt+YugNaJl5MK5GgNyl/9oSRpTIUhHGvd89zEBlWhFOZ6V+qmCyQSPaM9SgWOqg2x7QxdWGWIqlsCYMW6u+JDMdaT+PQdsbYjPWqNxf/83qpiW6CjIkNVSQ5aIo5chINH8dDZmixPCpJZgoZm9FZIwVJsYGVLIheKsvrxP/quY1avX7eqXp5nEU4QzOoQoeXEMT7qAFbSDwCM/wCm+OdF6cd+dj2Vpw8plT+APn8wdgc45M Vi(0)AB7XicbVBNTwIxEJ3FL8Qv1KOXRmKCF7JrCHok8eIRE1lIYEO6pQuVbrtpuyZkw3/w4kFjvPp/vPlvLAHBV8yct7M5mZFyacaeO6305hY3Nre6e4W9rbPzg8Kh+f+FqmitA2kVyqbog15UzQtmG026iKI5DTjvh5Hbud56o0kyKBzNaBDjkWARI9hYyfcHrOpdDsoVt+YugNaJl5MK5GgNyl/9oSRpTIUhHGvd89zEBlWhFOZ6V+qmCyQSPaM9SgWOqg2x7QxdWGWIqlsCYMW6u+JDMdaT+PQdsbYjPWqNxf/83qpiW6CjIkNVSQ5aIo5chINH8dDZmixPCpJZgoZm9FZIwVJsYGVLIheKsvrxP/quY1avX7eqXp5nEU4QzOoQoeXEMT7qAFbSDwCM/wCm+OdF6cd+dj2Vpw8plT+APn8wdh+I5N Vi(1)AB7XicbVBNTwIxEJ3FL8Qv1KOXRmKCF7JLiHok8eIRE1lIYEO6pQuVbrtpuyZkw3/w4kFjvPp/vPlvLAHBV8yct7M5mZFyacaeO6305hY3Nre6e4W9rbPzg8Kh+f+FqmitA2kVyqbog15UzQtmG026iKI5DTjvh5Hbud56o0kyKBzNaBDjkWARI9hYyfcHrFq/HJQrbs1dAK0TLycVyNEalL/6Q0nSmApDONa657mJCTKsDCOczkr9VNMEkwke0Z6lAsdUB9ni2hm6sMoQRVLZEgYt1N8TGY61nsah7YyxGetVby7+5/VSE90EGRNJaqgy0VRypGRaP46GjJFieFTSzBRzN6KyBgrTIwNqGRD8FZfXid+veZd1Rr3jUrTzeMowhmcQxU8uIYm3EL2kDgEZ7hFd4c6bw4787HsrXg5DOn8AfO5w9jfY5O Vi(2)AB7XicbVA9SwNBEJ2LXzF+RS1tFoMQm3AnQS0DNhYWEcwlkBxhb7OXrNnbPXb3hHDkP9hYKGLr/7Hz37hJrtDEBwOP92aYmRcmnGnjut9OYW19Y3OruF3a2d3bPygfHvlaporQFpFcqk6INeVM0JZhtNOoiOQ07b4fhm5refqNJMigczSWgQ46FgESPYWMn3+6x6d94vV9yaOwdaJV5OKpCj2S9/9QaSpDEVhnCsdzExNkWBlGOJ2WeqmCSZjPKRdSwWOqQ6y+bVTdGaVAYqksiUMmqu/JzIcaz2JQ9sZYzPSy95M/M/rpia6DjImktRQRaLopQjI9HsdTRgihLDJ5Zgopi9FZERVpgYG1DJhuAtv7xK/Iuad1mr39crDTePowgncApV8OAKGnALTWgBgUd4hld4c6Tz4rw7H4vWgpPHMfOJ8/iv+OaA= Vi(L)AB7XicbVBNSwMxEJ2tX7V+VT16CRahXsquFPVY8K3CvYD2qVk02wbm02WJCuUpf/BiwdFvPp/vPlvTLd70NYHA4/3ZpiZF8ScaeO6305hbX1jc6u4XdrZ3ds/KB8etbVMFKEtIrlU3QBrypmgLcMp91YURwFnHaCyc3c7zxRpZkUD2YaUz/CI8FCRrCxUvtuwKre+aBcWtuBrRKvJxUIEdzUP7qDyVJIioM4VjrnufGxk+xMoxwOiv1E01jTCZ4RHuWChxR7afZtTN0ZpUhCqWyJQzK1N8TKY60nkaB7YywGetlby7+5/USE17KRNxYqgi0VhwpGRaP46GjJFieFTSzBRzN6KyBgrTIwNqGRD8JZfXiXti5p3Wavf1ysN4+jCdwClXw4AoacAtNaAGBR3iGV3hzpPivDsfi9aCk8cwx84nz9OA45A AB7XicbVBNSwMxEJ2tX7V+VT16CRahXspuKdVjwYveKtgPaJeSTbNtbDZkqxQlv4HLx4U8er/8ea/MW3oK0PBh7vzTAzL4g508Z1v53cxubW9k5+t7C3f3B4VDw+aWuZKEJbRHKpugHWlDNBW4YZTruxojgKO0Ek5u53miSjMpHsw0pn6ER4KFjGBjpfbdgJWrl4Niya24C6B14mWkBmag+JXfyhJElFhCMda9zw3Nn6KlWGE01mhn2gaYzLBI9qzVOCIaj9dXDtDF1YZolAqW8Kghfp7IsWR1tMosJ0RNmO96s3F/7xeYsJrP2UiTgwVZLkoTDgyEs1fR0OmKDF8agkmitlbERljhYmxARVsCN7qy+ukXa149UrtvlZquFkceTiDcyiDB1fQgFtoQgsIPMIzvMKbI50X5935WLbmnGzmFP7A+fwBT4iOQ= AB7XicbVBNSwMxEJ2tX7V+VT16CRahXsqulOqx4EXBQwX7Ae1Ssm2jc0mS5IVytL/4MWDIl79P978N6btHrT1wcDjvRlm5gUxZ9q47reTW1vf2NzKbxd2dvf2D4qHRy0tE0Vok0guVSfAmnImaNMw2knVhRHAaftYHw989tPVGkmxYOZxNSP8FCwkBFsrNS67bPy3Xm/WHIr7hxolXgZKUGRr/41RtIkRUGMKx1l3PjY2fYmUY4XRa6CWaxpiM8ZB2LRU4otpP59dO0ZlVBiUypYwaK7+nkhxpPUkCmxnhM1IL3sz8T+vm5jwyk+ZiBNDBVksChOjESz19GAKUoMn1iCiWL2VkRGWGFibEAFG4K3/PIqaV1UvFqlel8t1d0sjycwCmUwYNLqMNKAJB7hGV7hzZHOi/PufCxac042cwx/4Hz+AHcKjls= AB6nicbVDLSgNBEOyNrxhfUY9eBoPgKexKfBwDXjxGNA9IljA7mU2GzM4uM71CWPIJXjwo4tUv8ubfOEn2oIkFDUVN91dQSKFQdf9dgpr6xubW8Xt0s7u3v5B+fCoZeJUM95ksYx1J6CGS6F4EwVK3k0p1EgeTsY38789hPXRsTqEScJ9yM6VCIUjKVHhr9y3654lbdOcgq8XJSgRyNfvmrN4hZGnGFTFJjup6boJ9RjYJPi31UsMTysZ0yLuWKhpx42fzU6fkzCoDEsbalkIyV39PZDQyZhIFtjOiODL3kz8z+umGN74mVBJilyxaIwlQRjMvubDITmDOXEsq0sLcSNqKaMrTplGwI3vLq6R1UfWuqrX7WqXu5nEU4QRO4Rw8uIY63EDmsBgCM/wCm+OdF6cd+dj0Vpw8plj+APn8wfSRY1z P5AB6nicbVBNS8NAEJ3Ur1q/qh69LBbBU0mkVI8FLx4r2g9oQ9lsN+3SzSbsToQS+hO8eFDEq7/Im/GbZuDtj4YeLw3w8y8IJHCoOt+O4WNza3tneJuaW/4PCofHzSNnGqGW+xWMa6G1DpVC8hQIl7ya0yiQvBNMbud+54lrI2L1iNOE+xEdKREKRtFKD81BbVCuFV3AbJOvJxUIEdzUP7qD2OWRlwhk9SYnucm6GdUo2CSz0r91PCEsgkd8Z6likbc+Nni1Bm5sMqQhLG2pZAs1N8TGY2MmUaB7Ywojs2qNxf/83ophjd+JlSIldsuShMJcGYzP8mQ6E5Qzm1hDIt7K2EjamDG06JRuCt/ryOmlfVb16tXZfqzTcPI4inME5XIH19CAO2hCxiM4Ble4c2Rzovz7nwsWwtOPnMKf+B8/gDQwY1y P4AB6nicbVBNS8NAEJ3Ur1q/qh69LBbBU0m0qMeCF48V7Qe0oWy2k3bpZhN2N0IJ/QlePCji1V/kzX/jts1BWx8MPN6bYWZekAiujet+O4W19Y3NreJ2aWd3b/+gfHjU0nGqGDZLGLVCahGwSU2DTcCO4lCGgUC28H4dua3n1BpHstHM0nQj+hQ8pAzaqz0Ohf9sVt+rOQVaJl5MK5Gj0y1+9QczSCKVhgmrd9dzE+BlVhjOB01Iv1ZhQNqZD7FoqaYTaz+anTsmZVQYkjJUtachc/T2R0UjrSRTYzoiakV72ZuJ/Xjc14Y2fcZmkBiVbLApTQUxMZn+TAVfIjJhYQpni9lbCRlRZmw6JRuCt/zyKmldVL2rau2+Vqm7eRxFOIFTOAcPrqEOd9CAJjAYwjO8wpsjnBfn3flYtBacfOY/sD5/AHPY1x P3AB6nicbVBNS8NAEJ3Ur1q/qh69LBbBU0lKUY8FLx4r2g9oQ9lsN+3SzSbsToQS+hO8eFDEq7/Im/GbZuDtj4YeLw3w8y8IJHCoOt+O4WNza3tneJuaW/4PCofHzSNnGqGW+xWMa6G1DpVC8hQIl7ya0yiQvBNMbud+54lrI2L1iNOE+xEdKREKRtFKD81BbVCuFV3AbJOvJxUIEdzUP7qD2OWRlwhk9SYnucm6GdUo2CSz0r91PCEsgkd8Z6likbc+Nni1Bm5sMqQhLG2pZAs1N8TGY2MmUaB7Ywojs2qNxf/83ophjd+JlSIldsuShMJcGYzP8mQ6E5Qzm1hDIt7K2EjamDG06JRuCt/ryOmnXqt5VtX5frzTcPI4inME5XIH19CAO2hCxiM4Ble4c2Rzovz7nwsWwtOPnMKf+B8/gDNuY1w P2AB+3icbVDLSsNAFL2pr1pfsS7dDBbBVUmkqMuCGxcuKtgHtCFMptN26GQSZibSEvIrblwo4tYfcefOGmz0NYDA4dz7uWeOUHMmdKO82VNja3tnfKu5W9/YPDI/u42lFRIgltk4hHshdgRTkTtK2Z5rQXS4rDgNuML3N/e4TlYpF4lHPY+qFeCzYiBGsjeTb1UGI9YRgnt5nfhoE0Sz7ZpTdxZA68QtSA0KtHz7azCMSBJSoQnHSvVdJ9ZeiqVmhNOsMkgUjTGZ4jHtGypwSJWXLrJn6NwoQzSKpHlCo4X6eyPFoVLzMDCTeVK16uXif14/0aMbL2UiTjQVZHlolHCkI5QXgYZMUqL53BMJDNZEZlgiYk2dVMCe7ql9dJ57LuXtUbD41a0ynqKMpnMEFuHANTbiDFrSBwAye4RXerMx6sd6tj+VoySp2TuAPrM8fsOqU0g= LbboxAB+nicbVDLSgNBEJyNrxhfGz16GQxCAhJ2JajHgB70IEQwD0iWZXbSmwyZfTAzq4Q1n+LFgyJe/RJv/o2TZA+aWNBQVHXT3eXFnElWd9GbmV1bX0jv1nY2t7Z3TOL+y0ZJYJCk0Y8Eh2PSOAshKZikMnFkACj0PbG1O/fYDCMmi8F6NY3ACMgiZzyhRWnLN4hWjUL5xWdmunOBbl1Vcs2RVrRnwMrEzUkIZGq751etHNAkgVJQTKbu2FSsnJUIxymFS6CUSYkJHZABdTUMSgHTS2ekTfKyVPvYjoStUeKb+nkhJIOU48HRnQNRQLnpT8T+vmyj/wklZGCcKQjpf5CcqwhPc8B9JoAqPtaEUMH0rZgOiSBU6bQKOgR78eVl0jqt2mfV2l2tVLeyOPLoEB2hMrLROaqja9RATUTRI3pGr+jNeDJejHfjY96aM7KZA/QHxucPR9GSBg= AB+nicbVDLSgNBEOz1GeNro0cvg0FIQMJuCOoxoAc9CBHMA5JlmZ3MJkNmH8zMKmHNp3jxoIhXv8Sbf+Mk2YMmFjQUVd10d3kxZ1JZ1rexsrq2vrGZ28pv7+zu7ZuFg5aMEkFok0Q8Eh0PS8pZSJuKU47saA48Dhte6PLqd9+oEKyKLxX45g6AR6EzGcEKy25ZuGKEVq6cVmpWj5Fty4ru2bRqlgzoGViZ6QIGRqu+dXrRyQJaKgIx1J2bStWToqFYoTSb6XSBpjMsID2tU0xAGVTjo7fYJOtNJHfiR0hQrN1N8TKQ6kHAe7gywGspFbyr+53UT5V84KQvjRNGQzBf5CUcqQtMcUJ8JShQfa4KJYPpWRIZYKJ0Wnkdgr348jJpVSv2WaV2VyvWrSyOHBzBMZTAhnOowzU0oAkEHuEZXuHNeDJejHfjY96YmQzh/AHxucPSVySBw= AB+nicbVDLSgNBEOz1GeNro0cvg0FIQMKuBPUY0IOCQgTzgGRZiezyZDZBzOzSljzKV48KOLVL/Hm3zhJ9qCJBQ1FVTfdXV7MmVSW9W0sLa+srq3nNvKbW9s7u2ZhrymjRBDaIBGPRNvDknIW0oZitN2LCgOPE5b3vBi4rceqJAsCu/VKZOgPsh8xnBSkuWbhkhJauXVa6KR+jW5eVXbNoVawp0CKxM1KEDHX/Or2IpIENFSEYyk7thUrJ8VCMcLpON9NJI0xGeI+7Wga4oBKJ52ePkZHWukhPxK6QoWm6u+JFAdSjgJPdwZYDeS8NxH/8zqJ8s+dlIVxomhIZov8hCMVoUkOqMcEJYqPNMFEMH0rIgMsMFE6rbwOwZ5/eZE0Tyr2aV6Vy3WrCyOHBzAIZTAhjOowRXUoQEHuEZXuHNeDJejHfjY9a6ZGQz+/AHxucPcXqSIQ= AB6nicbVBNS8NAEJ3Ur1q/qh69LBbBU0mkqMeCFy9CRfsBbSib7aRdutmE3Y1Qn+CFw+KePUXefPfuG1z0NYHA4/3ZpiZFySCa+O6305hbX1jc6u4XdrZ3ds/KB8etXScKoZNFotYdQKqUXCJTcONwE6ikEaBwHYwvpn57SdUmsfy0UwS9CM6lDzkjBorPdz1eb9cavuHGSVeDmpQI5Gv/zVG8QsjVAaJqjWXc9NjJ9RZTgTOC31Uo0JZWM6xK6lkao/Wx+6pScWVAwljZkobM1d8TGY20nkSB7YyoGelbyb+53VTE17GZdJalCyxaIwFcTEZPY3GXCFzIiJZQpbm8lbEQVZcamU7IheMsvr5LWRdW7rNbua5W6m8dRhBM4hXPw4ArqcAsNaAKDITzDK7w5wnlx3p2PRWvByWeO4Q+czx8cko2k MiAB6nicbVBNS8NAEJ3Ur1q/qh69LBbBU0mkqMeiF48V7Qe0oWy2k3bpZhN2N0IJ/QlePCji1V/kzX/jts1BWx8MPN6bYWZekAiujet+O4W19Y3NreJ2aWd3b/+gfHjU0nGqGDZL
下载后可阅读完整内容,剩余1页未读,立即下载
![cpp](https://img-home.csdnimg.cn/images/20210720083646.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- 京瓷TASKalfa系列维修手册:安全与操作指南
- 小波变换在视频压缩中的应用
- Microsoft OfficeXP详解:WordXP、ExcelXP和PowerPointXP
- 雀巢在线媒介投放策划:门户网站与广告效果分析
- 用友NC-V56供应链功能升级详解(84页)
- 计算机病毒与防御策略探索
- 企业网NAT技术实践:2022年部署互联网出口策略
- 软件测试面试必备:概念、原则与常见问题解析
- 2022年Windows IIS服务器内外网配置详解与Serv-U FTP服务器安装
- 中国联通:企业级ICT转型与创新实践
- C#图形图像编程深入解析:GDI+与多媒体应用
- Xilinx AXI Interconnect v2.1用户指南
- DIY编程电缆全攻略:接口类型与自制指南
- 电脑维护与硬盘数据恢复指南
- 计算机网络技术专业剖析:人才培养与改革
- 量化多因子指数增强策略:微观视角的实证分析
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)