没有合适的资源?快使用搜索试试~ 我知道了~
Deep Directional 深度 指令分类 : PoseEstimation WithUncertainty量化谢尔盖 · 普罗 库 丁[ 2019 - 01 - 14 ] · 一 个 人 的 旅行 [ 2018 - 01 - 16 00 : 00 : 00 ]彼得Gehler作者 : [ 2019 - 02 - 14 ]而 塞巴斯蒂安Novozin 的[ 2019 - 03 - 14 ] · 大发 快 三 大小 规律1mA AxplA ANCKiNsTITuTeforiNTe利eNTsysTeMs,tu¨bINgeN ,geRMA ANy,# prokudin # 执行tuebingen.mpg.de2AMA AzoN ,tu¨bINgeN ,geRMA ANy3微软 研究 院 , 剑桥联合 王国Abstract。Modern deep learning systems successfully solve many per—ception tasks such as object pose estimation when the input image is(当输入图像时,现代深度学习系统成功地解决了许多次—接收任务作为对象进行预测)of high quality。在挑战成像条件下,由于图像分辨率较低,或者当图像被成像艺术—事实损坏时,当前系统可能会出现不准确的情况曲名:While a Loss表演无可挑剔,我们会像我们的模特一样两个量化其不确定性以实现对变异质量图像的稳健性。概率深度学习模型结合了深度学习的表达能力与不确定性量化。在这篇论文中,我们提出了一种新颖的概率深度学习模型,用于对抗角回归。我们的模型uses冯Misesdistribution to predict a distribution over object pose angle.(分布于对象 构 成 的 角 度 。 Whereas a single of Mises distribution is makingstrong assumptions about the shape of the distribution,we extend thebasic model.(我们从分布的形状中得出了强烈的假设,我们扩展了基本模型)两个predict a mixture of mises distributions的相关文章我们秀How两个学习混合模型,使用有限和infinite有混合物的成分。我们的模型适用于基于likelihood—based的培训和有效推理 at 试 验 时 间 。 We demonstrate on a number of challenging poseestimation datasets 我们 演示 了 一 个 挑战 姿势 估计 数据 集 的数量that我们 的 模型 生产 校准 的 概率 预 - - 判断 和 竞争 或 上级 预测 的 比较两 个当前 The Current国家 的 艺术 。关键 字 : 概率 模型 , 概率 模型 , 不 确定 性 量化Statistics .1Introduction介绍“ 估计 对象 是 一 个 在 系统 中 重要 的 构建 块 , 用于 理解 复杂的 场景 并 在 计算机 视觉 中 具有 悠久 的 历史 。1,2]. Whereas 的Early 早期Systems Achieved low准确 性 ,recent Advances 进展于Deep学习 和 收集 广泛 的 数据 集 必须 是 高 性能 的 系统 , 可以 部署 在有用 的 应用 程序(3,4,5].关键this Work has Been done Prior两 个Peter盖 儿join 加入亚马逊 |2S。项目 和艾尔Fig. 1 :OUR model predicts 预言Complex Multimodal 模式Distribution onThe圈子( trun cated )By The Outer 外圈子为更 好viewing ) 。 for艰难而ambiguous 模棱两可 的我们 的 模型 报告 高度 不 确定 性 ( 自 下而 上 ) 。 Pose estimation predictions ( pan angle ) on 图 像 来 自IDIAP , TownCentre 和 PASCAL 3D +数据 |However,对象的可靠性可能会回归向系统提供图像的质量。关键 挑战 是 低 分辨率 的 , 需要 移动 相机 或 对象 的 距离 , 传感 器 和 摄像机Noise于case 事件Of贫困lit场景( See Figure 的1).我们应该像预测对象以不确定性的方式进行。Probability 的ISThe right way两 个Capture The uncertainty 不 确定 性(6]而于this Paper文件我们 过去 Therefore建议A A NOVEL model为Object pose Regressionwhose predictions 预言are 充分probabilistic 的 。 Figure 的1 DEPICTS an产出Of The提议系统 | 曲名 : Moreover , Instead Of assuming 的A A固定 的Form为The predictive 预测Density 的We ALLOW为灵活 的 多模 分布 , 由 一 个 深度 神经 元 指定网络 。The value of quantified uncertainty in the form of probabilistic predictions( 概率 预测 形式 中 的 量化 不 确定 性 的 值 有 两 种 :FIRST A highprediction uncertainty is a rusty way to diagnose poor inputs 高度 预测 不 确定性 是 诊断 贫穷 投入 的 可靠 方法两 个The体系 ;第 二,给予accurate 。probabilities 概率We CAN Summarize 总结他们 To Improved 的point估计using Bayesian 的Decision 决定理论 。more一般 来说 ,accurate 。Presentation 介绍Of uncertainty 不 确定性IS特别 是Important 关于case 事件A A Computer Vision系统Becomespart 部分Of A A Larger 的系统 ,SUCH AS当 为 自主 控制 系统 提供输入 信号 时如果 不 确定 性 不是 最 好 的 , 即使 是 最 糟糕 的 也不 需要 考虑 , 那么 系统 做出 的 决定 的 后果 就 不能 被 准确 地 认定 , 结果 在 最 好 的 情况 下 做出 了 糟糕 的 决定 , 并且 采取 了危险 的 行动 。Worst 。在The Following We present 出席our 我们method 方法而make 做The Following贡献 :• We demonstrate the importance of probabilistic regression on the applicationof object pose 概率 回归 对 对象 构成 的 应用 的 重要 性预测 ;• We propose a novel efficient probabilistic deep learning model for the task ofcircular . 我们 提出 了 一 个 新颖 的 、 有 效率 的 概率 深度 学习 模型 , 用于 循环 任务回归 ;• We show on a number of challenging pose estimation datasets ( 包括PASCAL )3D + Benchmark 的(7])that The提议概率method 方法Outper - -DeepDirectional 指令Statistics :pose估计with不 确定 性量化3在 常规 使用 的 术语 中 形成 纯粹 的 歧视 性 方法 , 并 在 angulardeviation 术语 中 显示 竞争 性 性能Tasks 的 。2related 相关work 工作在 不同 的 应用 程序 和 在 这些 情况 下 的 对象 方向 的 估计论文 我们焦点on The两 个大多 数显 着Tasks :head 头pose估计而Object类 定向 估计 。它们通常是在分离中研究的,使用方法可以排除其中一个。We威尔Therefore 之前Discuss Them separately ,幽灵The Fact thatour 我们model applies to both 相关Tasks 的 。HEAD 头pose估计has Been A A Subject Of extensive研究 research于计算机 视觉 长期 以来 (2,8” [ 1 ] 而 存在 的 系统 主要 存在 于 特征 代表 和 提出 的 经典 条款 中 。一般 情况 下 , 采用 2D 图像 的 方法 [9,10,11有时 候 , 一 个 人 必须 带 着 低 分辨率 图像 。12,13,14,8].第 一 � l 租 � U 物 � Y 的 品名 、 � 格 、 � 盗 俊 ① | 量 ( � � 合同 附件 ) : _15) , 并 采取 行动 (14,16 [ 信息 已经 被 开发 并 提供 了 有用 的 线索 。However,这些并不总是可用的。关于 全身 图像 的信息 可以 用于 联合 头部 和 身体 的 预测 [17,18,19].第 一 � l 租 � U物 � Y 的 品名 、 � 格 、 � 盗 俊 ① | 量 ( � � 合同 附件 ) : _18这 是 一 个 概率 的 观点 , 并 在 一 个 跟踪 框架 中 提供 了 他 的 身体和 头部 方向 。最 后 , 面部 Landmarks 的 输出 可以 用作 中间 步骤(20,21].Existing 存在head 头pose估计模型are各种而包括manifold 的学习 方法 (22,23,24,25( 重 定向 自 Energy Model )19 [ 1 ] 基于 线性回归 的 HOG 特征 (26( 重 定向 自 Regression Tree )15,27) , 以及 Convolutional Neural Networks (5]. A number of probabilistic methodsfor head pose analysis exist in the literature ( 概率 分析 方法 在 文献 中的 存在 )18,28,29但是 , 没有 一 个 组合 概率 框架 可以 从 深层CNN 架构 中 学习 分层 特征 表示 。同时 , Deep probabilistic modelshave shown an advantage over purely discriminative ( 概率 模型 显示 了一 个 优 势 , 而 不 仅 仅 是 歧 视 ) 模 型 于 Other Computer VisionTASKS ,G , Depth 的估计(30].为了 我们 最 好 的 知识 , 我们 的工作 是 使用 更 深 概率 回归 的 第 一 个 方法任务 。AnEarly 早期数据为估计The Object rotation为大 将军Object CLASS其中 , 建议 在 [31 [ 其他 ] 早 买 同 赠 的 纪念 牌数据 复杂 性 增加( Object Rotation )31 [ 图像 的 汽车 在 不同 的 方向 ] 32( 重 定向 自Pascal 3D )33].工作 ( Work of )33] 然后 为 一 个 独立 的 变形 部分 模型 ( DPM ) 分配 一 个 单独 的 视图 集 。工作 ( Work of )34,35[ then proposed different 3D DPM extensions which allowed viewpoint estimationas integral part of the model . ] 这 是 一 个 不同 的 3D DPM 扩展 , 允许 在模型 中 使用 。( 重 定向 自 Both )34) , 且 (35 [ 且 不 预测 持续 的Angular Estimate , 但 仅 预测 不同 的 Bins 数 。More recent versions make use of CNN models , but still do not take aprob - abilistic approach ( 使用 CNN 的 模型 , 但 仍然 不 进行 测试 -不 采取 可行 的 方法 )3,4].工作 ( Work of )36 [ investigates the useof a synthetic rendering pipeline to overcome the scarcity of detailed trainingdata . ] 调查 合成 渲染 管道 的 使用 , 以 克服 详细 培训 数据 的 吓人 性 。TheAddi -4S。项目 和艾尔tionOf synthetic 合 成 而 REAL Examples 例 子 allows 的 Them 两 个Outperform 的Previous 以前结果 。Themodel于(36] predicts 预言Angles ,而Constructs 建筑A A Loss Function that地缘 政治 的 惩罚而ℓ1距离 。 最 后两 个our 我们办法 ,(37]故称Utilizes 的The范Mises的Distribution两 个建The Regression客观 的 . However ,类似两 个(5],The形状Of The predicted Distribution Remains固定 的with only 只有mean 的value Of single 单一冯 Mises Density 的Being predicted 。 在控制 器 ,于this Work We律师The use of complete 全部喜欢估计AS AA原则概率培训客观 的 .第 一 � l 租 � U 物 � Y 的 品名 、 � 格 、 � 盗 俊 ① | 量 ( �� 合同 附件 ) : _38 [ draws a connection between view points and objectkeypoints . ] 把 观点 和 对象 之间 的 联系 。 The viewpoint 评论估计IShowever 的again frame AS A A分类 问题 在 欧拉 问题 中 观察 到 一 个旋转 矩阵 来自 典型 的 观点 。1999 年 , 他 又 提出 了 一 个 理论 性的 理论 基础 : Another substitution of angular regression proposed in aseries of work (39,40,41 CNN 的 研究 旨在 预测 虚拟 3D 控制 点 的2D 图像 位置 和 实际 3D 姿势 是 通过 解决 从 2D - 3D 响应 中 恢复旋转 的 透视 N 点 ( PNP ) 问题 来 计算 的 。另外 , 许多 工作 短语 angular prediction as a classification problem (3,36,38《 永远 限制预 言的粒 度》(Which Always Limits the Granularity of thePrediction ) 而 故称 Requires 的 The design Of A A Loss Function而 A Ameans两 个select 选择The 号码Of Discrete Labels 。 A福利Of A A分类model IS that诸如 软 max 损失 之类 的 组件 可以 重复 使用 , 并 被 解释 为 不 确定 性 估计 。具体 来说 , 我们 的 模型 可以 缓解 这个 问题 :可能 性 原理 暗示 了 一 种 直接 的 火车 参数 方式 , Moreover我们 是 这个 级别 中 唯一 一 种 不 确定 性 的 模型 。估计 的 。3ReviewOf BITERNION NetworksWe build on the bitternion network method for pose estimation from ( 我们建立 网络 的 方法 )5 [ and briefly review the basic ideas here . ] 在 此 简要 回顾 一下 基本 想法 。Biternion Networks Angular Data Regression 数据 库当前 currently define The国家 - The-Art model为A A Number OfChallenging 挑战head 头pose 估计数据 |AKey problem 问 题 IS 两 个 REPRESS Angular Orientation Which ISperiodic 时期而Prevent a straight-forward application of standard regressionmethods , including CNN models with common loss functions . 使用 标准回归 方法 的 直 向 应用 , 包括 CNN 模型 与 公共 损失 函数 。Consider a ground true value of 0 ( 假定 一 个 地面 的 真实 值 )·然后both predictions 预言1·而359·Should 的result 结果于The SAME绝对loss 。Applying The MOD operator 操作 员IS no Simple fix两 个this问题 ,sinceIT结果于A A这个 功能 的 连续 性 损失 增加 了 优化 。A loss functionneeds to be defined to cope with this discontinuity of the target value.失去函数需要被定义为具有此目标值的中断。2 、 网络 的 复杂 性 是 通过使用 不同 参数 化 的 angles 和 cosine 的 损失 函数 之间 来 克服 的天使3.1BITERNIONRepresentation 介绍Beyer et( AL )5 " 英文 翻译 : alternative representation of an angle φusing the two-dimensional 使用 二维SINE AND COSINE Components 相关y=( cos φ ,sin φ).this冬季Presentation 介绍IS inspired 的By四 季 ,Which are Popular in计算机 图形 系统 . It’s easy to predict a.(很容易预测一个人),,英文片名Pair With ADeepDirectional 指令Statistics :pose估计with不 确定 性量化5完全 连接Layer Followed By A A正常 化层 ,that is ,F bt(x; W , B) =WX+b||WX+ b||=( cos φ ,sinφ)= yPred,(1)where 哪里x∈RN这 是 一 个 投入 ,w∈R2 × n, ,b∈R2。一 个 双 元网络 是 一 个 革命 性 的 网络Neural Network with A A Layer(1)ASThe FINAL手术 ,Outputting A 的two-dimensional 两 个 维度VectoryPred 。 We use VGP 风 格 Network ( 42] 而 初 始 化 - ResNet ( 43]Networks于our 我们Experiments而提供 商A A Detail Description Of The的Network architecture于Section 6.1。 给予recent发展于网络 架构Network Architectures IT IS likely 可 能 that Different 不 同 NetworkTopologies 的May PERFORFORM Better than 。selected Backbones 。We Leave this为未来Work ,our 我们贡献Are orthogonal to the base 的选择model .3.2Cosine Loss 的 评论FunctionThe Cosine Distance Is Chosen In ( 最 远 的 距离 是 相 拥 而 眠 )5[ 翻译 ] 如何 自然 地 衡量 差异Between The predicted而ground truthBITERNION Vector 。 IT readsl cos(yPred,ytrueyPred·ytrue)= 1 ― ―=1 ― ― y||yPred||·||ytrue||Pred ·ytrue ,(2)where 哪里The last equality IS杜两 个||y||= cos2φ + sin2φ = 1.Thecombination Of A A BITERNION Angle Presentation 介 绍 而 A ACosine 的Loss解决 了 回归 Angular 值 的 问题 , 允许 使用 Angular 输出 进行 灵活 的 深度 网络 。We take this state-of - the-art model andgeneralize it into a family of probabilistic models of gradually more 我们 接受 这个 国家 最 先进 的 模型 , 并 将 其 推广 到 一 个 概率 模型 家族灵活 性 .4循环 概率 模型 Probabilistic Models of Circulardata .We utilize the Mises ( vM ) distribution as the basic building block of ourprobabilistic framework , 这 是 我们 在 单位 范围 内 分配 的 一 个 典型 选择 。44].与 标准 高斯 相 比较 , 它 具有 支持 的 优点anyInterval 采访Of Length 长度2 π,Which ALLOW IT两 个Truthfully 真实的模型The domain of the data , that is angles on a 数据 的 领域 , 数据的 天使循环 。Wecontinue with A A信甲醛定义而于Section 4.1 describe 描述A A简单 的 方法 来 转换 Bternion 网络 的 输出 到 A vm这 并 不 需要 任何网络 架构 的 改变 或 重新 训练 , 因为 它 只 需要 选择 模型 的 变化 。我们 将 此 方法 作为 基础more先进 的概率模型 。 Section 4.2Slightly 的 Extends 扩 展 The 网 络 输 出 单 位 ( Biternion network byintroducing an additional network output unit that )不 确定 性 模式Of our我们Angle估计而allows 的Optimization 优化为The Log-likelihood of the( 英语 : Log-likelihood of the )vm分配 。作者/The von Mises Distribution vm(,,κ(1)单位循环内正常分布的近似值。probability density function概率密度函数p(φ; ☆ ☆ ☆ κ)= EXP 的(κ cos(φ ― ― ☆ ☆)),( 3 )2 π I0(κ)6S。项目 和艾尔Fig. 二 :Left :Examples 例子Of The范Mises 的可能 性Density 的Function为不同 浓度parameters 参数κ。 中心 ,Right :predicted vmDistribution为两 个 影像from The Caviar数据 | We plot The predictedDensity 的on The成长 圈 。 for Comparison 比较We故称包括The 2Dplot( Better )visible 可见于Zoom 的PDF 版本 ) 。The distributionon the center image is very certain , the one on the right more uncertainabout the viewing . ( 中心 影像 的 分布 是 非常 确定 的 , 一 个 对所 见 之 人 比较 不 清楚 )Angle 。wHere☆☆∈(0,2π)IsTHeMeanvALue,κ∈R+IsAAMeASureOfConCENTratIon (重定 向自Reciprocal measure ofdispersion )κ is analogous to 类似 的σ2在 正常 分布 中 , 且i0(κ) isthe modified bessel function of order 0 . ( 修改 后 的 Bessel 函数 为 0 )我们 展示 样品Of vm Distributions 分布with ☆ ☆ = π而Varying 的κ价值观于Figure 的2( left ) 。4.1作者 : Mises BiternionNetworksAConceptually 概念 上Simple way两 个Turn The BITERNION Networksfrom Section 3 Into a probabilistic model is to take it predicted value as thecenter value of the 概率 模型 将 其 预测 的 值 作为 中心 值vm分布 ,p(φ|x; κ)= EXP 的(κ cos(φ ― ― ☆ ☆θ(x))),( 四 )θ2π I0(κ)where 哪里x一 个 input image θ是 网络 的 参数 , 并且☆ ☆θ(x( 就是 网络 )output 。 to arrive at A A可能 性分布 ,We May Regard κ> 0AS Hyper 参数 。 for固定 的Network parameters 参数θ We CAN select 选择κ By最 大 化 观察 者 的 日志Data ,Σnκ∗= Argmax 的κI =1l和pθ(φ(I)|x(I);κ),(( 5 )where哪里n这是训练样本的数量。例如 : the model (4( with )κ∗将 成为 我们 比较 中 最 简单 的 概率 基线固定 的κ曲名 : Model In The试验 。4.2最 大 限度 地 利用 冯 · 米塞斯李 喜 林Using a single scalar 的 使用κ 2013 年 04 月 26 日@下午 12 时 40 分@上午 10 时 20 分@上午 10 时 40 分@上午 10 时 40 分4) 显然 是 一 种限制 性 的 假设 :model certainty should depend on factors such as 模特儿 确定 性 应 按 因素imageDeepDirectional 指令Statistics :pose估计with不 确定 性量化7θsin☆ ☆(x )( 8 )θ图3:Mises Model的单一模式(VGG的骨干变化)。A双 胞胎Network RERERESSES both 什么 东西mean 的而浓度parameter 参数Of单一 VM分配 。Light conditions 、 quality 等 。例如 , Figure 2( center , right ) 两个 low resolution images from a surveillance camera that are part of theCAVIAR dataset ( 图像 来自 监视 相机 , 是 CAVIAR 数据 集 的 一部分 )(13]. 在The left image Facial特点 Features like Eyes 眼睛而耳are区分 谁 允许 一 个 模型 比较 更多 的 模糊 图像 上 的Right 。WeTherefore 之前extend 延伸The Simple model By replacing The single单 一 常 量 κ With A Function 的 κθ ( x ( 重 定 向 自 Predicted by theBiternion )网络 ,p(φ|x)=例如 : sin (κθ(x( 2 ) cos (φ― ― ☆ ☆θ(x)))。(6)θ2π I0(κθ(x))交通 运输 (6) by maximizing the log-likelihood of the ( 最 大 化 的 逻辑 可能 性 )Data ,Σnlogl(θ|X ,Φ)=I =1Σnκθ(x(I))cos(φ(I)― ―☆ ☆θ(x(I)))― ―I =1l和2πi0(κθ(x(I)))。(7 )专辑 中文 名 : Tell That When κ 2013 第 三 届 中国 (7第 二 次 在 网上 进行 交易 ( The Second Sum in Log )l(θ|x , Φ)2013 年 12月 21 日@下午 1 时 46 分 i = 2曲名 : Up to Constants C1,C2,Σnlogl(θ|X ,Φ ,κ)= C1I =1。 (I)(I)Σcosφ― ―☆ ☆θ(x)+C2。The sum has the equivalent 是 什么 意思形 ,ΣnI =1。ΣΣncosφ(I)― ―☆ ☆θ(x(I))=I =1Σn=I =1Σcosφ(I)cos☆ ☆(x(I))+sINφ(I)(I)Σyφ(I)·y☆ ☆θ(x(I)),( 9 )where 哪里yφ = ( cos )φ ,sin φ)IS A A BITERNION Presentation介绍Of an Angle 。 Note ,上 一篇 : 金融 衍生 品 表现 出 的 功能 丧失 [5 [ corresponds to opti - mizing the 作者 : Mises log-likelihood for thefixed value of κ= 1. This offers an interpretation of biternion networks as aprobabilistic . 这个 提议 是 一 个 概率model .8S。项目 和艾尔第 4 集 : The Finite vm 混 合 模 型 。 VGG 网 络 预 测 K mean andconcentration values and the mixture coefficients平均和集中值和混合效率π。This allows to capture modality in the world 掌握 多式 联运 的 方法output 。自由 学习 的 附加 步骤 The Additional Degree of Freedom to Learn κθ(x) 作为 一 种 功能x allows 的us to capture the desired image-dependentuncertainty as can be seen in Figure 我们 如何 获取 所 需 的 图像 依赖 于不 确定 性2。10 、 高斯 分布 原理 ( Gaussian distribution ) :assumption 的Regarding 管理The形状Of The density 的 。 We Now showhow两 个2013 年 10 月 28 日@下午 1 时 40 分 Oh , I overcome this limitation by using amixture of分布 。5Mixture of Mises 的 评论Distributions 分布Model described in Section 中 的 描 述 4.2 is only unimodal and cannotcapture AMBI - guities ( 仅 限 美国 )于The image . However ,于case事件Of Blurry images like The ones于Figure 的2We could 的be interested于Distribution The mass 的Around A A Few potential 的HIGH Probability - 能力假设 ,为例如 ,The model could 的predict 预言that A A person 个人IS看 起来 可能 有 边 , 但 不能 确定 方向 , 左 或 右 , 有 确定 性 。在 本 节 中 , 我们 提供 了 两 种 可以 捕获 多 模式 信念 的 模型 ,同时 保留 了 已 确定 的 不 确定 性Measure 。5.1Finite Mixture Of 米塞斯Distributions 分布一 个 OneCommon 的way两 个generate Complex Distribution IS两 个sumMultiple Distribution - 分布Into A A Mixture Distribution。We Introduce介 绍 K Different 不 同 component Distribu-tions 和 A K- - DimensionalProbability Vector 代表 混合 的 优势 。each component is a simple of misesdistribution.每一个分量都是一个简单的分布。我们 可以 表示 我们 的密度 函数ASpθ(φ|x)= ΣKJ =1πJ(x,θ)pJ(φ|x,θ),(10 )w H e r e pJ(φ|x,θ)=vm(φ|☆ ☆J,κJ)ForJ=1,。 。 。 ,KA ArΣe TH e KCompon e NTDIsTrI - -布TIonsanDTHeMIxTurewEIg HTsAReπJ(x,θ)so ;THat JπJ(x,θ)=1.weDeNOTeall parameters with the vector 使用 矢量 的 参数θ, it contains component-specific paramet
下载后可阅读完整内容,剩余1页未读,立即下载
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.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
- 电力电子系统建模与控制入门
- SQL数据库基础入门:发展历程与关键概念
- DC/DC变换器动态建模与控制方法解析
- 市***专有云IaaS服务:云主机与数据库解决方案
- 紫鸟数据魔方:跨境电商选品神器,助力爆款打造
- 电力电子技术:DC-DC变换器动态模型与控制
- 视觉与实用并重:跨境电商产品开发的六重价值策略
- VB.NET三层架构下的数据库应用程序开发
- 跨境电商产品开发:关键词策略与用户痛点挖掘
- VC-MFC数据库编程技巧与实现
- 亚马逊新品开发策略:选品与市场研究
- 数据库基础知识:从数据到Visual FoxPro应用
- 计算机专业实习经验与项目总结
- Sparkle家族轻量级加密与哈希:提升IoT设备数据安全性
- SQL数据库期末考试精选题与答案解析
- H3C规模数据融合:技术探讨与应用案例解析
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)