没有合适的资源?快使用搜索试试~ 我知道了~
可变形物体与手Aggeliki Tsoli和Antonis A.Argyros计算机科学研究所,FORTH,希腊{aggeliki,argyros} @ ics.forth.gr抽象。我们提出了一种新的方法,能够跟踪一个复杂的可变形物体与手的互动。这是通过公式化和求解联合考虑手、可变形对象和手/对象接触点的优化问题来实现的该优化评估若干手/物体接触配置假设,并将结果显示在物体模型与手附近的可用RGBD观察结果的最佳拟合中因此,手不被视为遮挡可变形对象的部分的干扰物,而是被视为有价值信息的来源。已经专门为这个新问题开发的数据集上的实验结果说明了所提出的方法对相关的,最先进的解决方案的优越性能。1介绍可变形物体几乎无处不在,人类与它们不断地相互作用因此,基于视觉输入跟踪人手与这样的对象的交互可以支持包括但不限于增强/虚拟现实和机器人技术的领域中的许多应用虽然之前已经有很多关于捕获手与刚性物体的交互的工作[8,20,2,10,11,34],但是在任意接触配置下捕获手与复杂可变形物体的交互的工作非常有限到目前为止,最相关的工作是Tzionas等人的工作。[42]关于基于深度输入的手和铰接对象跟踪。为了捕获变形,该方法将非刚性对象建模为具有树结构骨架和大量骨骼的铰接对象。当手的手指接近对象时,通过基于物理的建模和仿真(Bullet)来辅助手和对象的跟踪。这工作良好,除非对象表现出不能通过假定的树结构的基于骨架的表示(例如,平面纸张或一块布的一般变形)。此外,跟踪仅依赖于深度信息,因此将对象的模板网格拟合到观察到的点云变得易于滑动。为了处理这些问题,我们提出了一种方法,其中的可变形对象建模为一个三维三角形纹理网格。该方法在每一帧中明确地推理出所有指尖与2A.措利和A. A. Argyros(a)(b)(c)(d)图1:相反,以前的工作跟踪手与非刚性物体的互动,我们捕捉复杂的对象变形建模的对象与纹理的3D网格。(a)结构件的关节优化结果。手上的颜色显示较近(红色)或较远(蓝色)的点(b)基于热图的对象跟踪误差可视化[41]。(c)当独立执行时,对象跟踪(左)和手跟踪(右)中的误差的基于热图的(d)与(c)相同,但是针对所提出的联合优化方法。object. 所提出的联合跟踪框架(见图1B)。1)依赖于来自Shapefrom Template社区的概念来建模和跟踪对象,并且依赖于用于跟踪手的混合方法如[24]中那样计算手的姿势的初始估计,即,通过将3D手模型拟合到由[32]中的判别方法估计的2D关节位置给定该初始估计,我们可以计算被手遮挡的对象的面积然后,我们细化的3D手的姿态和估计的3D变形的对象联合。这被制定为最小化误差函数的优化问题,该误差函数考虑连续帧之间以及参考帧和当前帧之间的各种图像特征,同时保持对象的网格接近观察到的数据。此外,我们使用不可扩展性约束和基于拉普拉斯的平滑先验[36]来保留网格的整体结构然而,这些约束不足以表示由于与手的接触而发生的对象的被遮挡部分的典型非平滑变形为了处理这个问题,我们的方法的原因明确接触。 更具体地,在我们的联合优化框架中,我们检查了5个指尖的所有25= 32个可能的接触/非接触配置,其中该手指关节和我们在手指关节上发现手指关节模型与手周围区域中的观察数据的拟合。本质上,最佳接触配置是在联合跟踪手和对象之后使可变形对象模型与可用观测的拟合最大化的接触配置所提出的方法是第一个实现复杂的可变形对象,表示为3D网格,并与人手在一个复杂的方式进行交互的详细跟踪。我们表明,可变形对象的跟踪执行的精度,以前没有实现。同时,通过将其插入我们的联合优化框架中,最先进的手部跟踪器的性能得到了显著提高。我们的方法可以用于具有各种接触配置和物体与手之间的相对距离的抓握场景中,并且它在精细操作场景中特别有效,即,手指轻敲感兴趣的对象我们评估可变形物体与手交互的联合三维跟踪3我们的方法定量地在我们为此目的开发的合成数据集1我们还将我们的方法与用于可变形表面跟踪的基于RGBD的最新方法[41]进行了比较,并且我们提供了从基于RGB的最新方法[17]获得的结果作为参考基线。此外,我们展示了我们的方法对真实的数据和各种物体的变形所产生的实际的手与材料,如布,纸和纸箱的相互作用2以前的工作我们提出了以前的工作跟踪可变形的物体,手,以及手和物体的相互作用,从单目输入。可变形物体的单目跟踪:从单个图像恢复可变形表面的形状本质上是模糊的[29],因为许多不同的形状/相机配置可以产生相同的图像。基于模板的形状方法重建可变形表面,假设参考2D模板和对象的对应3D形状是已知的。例如,Ostlund et al.[22]在2D中跟踪表面的控制点,并使用控制点和拉普拉斯变形模型来推断其3D形状。Bartoli等人[3]从单个输入图像执行基于模板的可变形3D重建,并为考虑等距和保形表面变形的问题提供解析解。[9,6]中的工作提出了基于光流的表面跟踪。Parashar等人[25]提出了体积形状从模板重建表面和内部变形的3D对象使用局部刚性的Ngo等人[17]解决了纹理不良、被遮挡表面的3D重建问题他们的方法能够考虑外部提供的遮挡掩模。这使得有可能在具有手对象交互的序列中测试该方法,即,通过提供基于手跟踪自动计算的手掩模。这种方法与我们的方法的直接比较将是unffair(RGB与RGBD输入)。然而,我们在我们的数据集上测试了这种方法,并提供了获得的结果作为参考基线。关于从单视点云数据的跟踪,Schulman等人等人[30]提出了一种基于概率生成模型的算法,该概率生成模型结合了点云观测和被跟踪对象及其环境的物理属性。Wuhrer等人[47]将基于跟踪的方法与拟合体积弹性模型相结合。Petit等人[26]跟踪经历大弹性变形和快速刚性运动的3D对象。它们基于有限元方法对物体的3D点云进行网格的非刚性拟合,以模拟弹性,并基于几何点对点对应关系计算施加在网格上的外力Tsoli和Argyros [41]提出了一种用于跟踪经历拓扑变化的等距可变形表面的方法,例如正在撕裂的纸张。我们提供了我们的方法,这种方法的比较。1个可用在线网址:https://www.ics.forth.gr/cvrl/deformable_interaction/。4A.措利和A. A. Argyros手的跟踪:手部运动/姿态估计方法的常见分类是生成式、判别式和混合式方法。生成的方法使用的运动学和潜在的外观模型的手合成的视觉功能,是观察到的。鉴于此,自上而下的搜索识别出最大化合成和观察到的视觉特征之间的一致性的姿势[27,19,10,11,37]。生成方法产生准确的和物理上合理的手部姿势。另一方面,它们的执行时间和它们无法执行单镜头姿势估计是它们的弱点之一用于单目手部跟踪的判别方法可以在大型姿势数据库中搜索[28],或者通常在大型离线步骤中学习从深度和/或颜色输入到姿势空间的映射[32,45,38,40,46,7,33,18]。与生成式方法相反,判别式方法更快并且不受漂移的影响,但是可能表现出有限的准确性,或者所得到的估计可能在物理上是不可信的。混合方法[35,44,31,48,16,24]结合了生成和判别方法的优势。在我们的框架中,我们在[24]中引入了基于RGB的方法的扩展,该方法利用了RGBD数据。跟踪手-物体交互:几个先前的工作考虑跟踪与一个或多个已知的刚性对象交互的手[8,20,2,10,11,34]。在少数情况下,刚性[23]或铰接[43]物体的模型在飞行中重建。除了跟踪两个交互的手的方法(例如,[21,11]),因此构成特殊情况下,Tzionas等人。[42]提出了用于从单目RGBD跟踪与铰接对象交互的手的单一现有方法。手和对象被表示为铰接网格,并且通过将网格拟合到点云数据来推断它们的姿势,同时通过基于物理的场景模拟来确保物理合理性。用于跟踪的纯基于深度的方法的问题在于,很难防止感兴趣的表面(对象或甚至手)此外,树结构的骨架表示的对象的假设限制了可以有效地处理的变形的复杂性。相反,我们利用表示非刚性对象作为一个三维网格,并使用外观特征(SIFT,GBDF纹理特征)和不可扩展性约束,以捕捉详细的网格变形。可变形对象跟踪也有助于考虑它与3D手姿态估计,并通过推理手对象接触点的联合优化框架。我们的贡献:我们提出了第一种方法,用于跟踪在3D中,一个人的手和一个非刚性对象经历复杂的变形,从RGBD输入的相互作用。我们的方法的原因,在对象操作过程中的手和对象这是通过手部姿势、可变形物体形状及其接触配置的联合优化来实现的,这导致可变形物体模型与检测和跟踪的手部附近的可用视觉观察的最佳拟合我们的方法在适合该问题的第一个数据集上优于相关的现有方法,我们将公开提供。可变形物体与手交互的联合三维跟踪5f=1我我我我f=1f=1f=13该方法输入:输入是单眼RGBD序列{If,Df}K由K其中If和Df是RGB图像和对应的深度图在 帧 F 处 。 为 了 消 除 深 度 值 上 的 高 频 噪 声 , 我 们 执 行bilat_al_fil_ring_g。 我们作为相机的点云在ri x P处的所有已知的新边缘,并且基于此,我们从每个D f导出点云P f。对于可能的约束模型:我们不知道Mf=(Vf,E),则满足以下条件ataframef. 在Vf=[Vf. . . vf] ∈R3×No1否其中,每列表示一个顶点,V0表示3D顶点位置在参考系上因此,vj表示帧处的网格的第i个顶点。J.模板网格的连通性通过一组边EV0×V0来表示。我们假设对于序列的第一(参考)帧,模板被手动配准到视觉数据,即M0=(V0,E)是已知的,并且网格拓扑E不随时间改变。手部模型:我们使用由B= 16个骨骼和具有Nh= 1597个顶点的详细3D三角形网格它有26个自由度(DoF),使用27个参数表示。7用于模拟手的全局平移和旋转(作为四元数)。使用两个DoF对每个手指的基部处的关节进行建模,并且手指关节的其余部分各自需要一个DoF手指关节由应用于真实手的关节限制约束[1]。 令H(θ0)=(W0,θ0)表示在参考姿态的手的3D模型其中W0=[W0. . . w0] ∈ R3×N是曲面顶点的三维位置1N在这场比赛中,我们的对手。 θf的所有值都是在framef处具有的和具有的。由H(θf)=(Wf,θf;W0,θ0)给出新的θf的位置和方向,其中Wf=[Wf. . . wf]∈R3×Nh 不需要在此字段的后续字段上定义值1Nhi使用线性共混蒙皮将其转换为:ΣBwf=aibTb(θf)Tb(θ0)−1w0.(一)b=1由方程式其中,aib是顶点i相对于骨骼b的蒙皮权重,并且Tb(θ)表示由于姿势θ引起的骨骼b的全局平移和/或旋转变换。我们在所有骨骼的头部以及最靠近指尖的骨骼的尾部定义关节,最终总共有21个关节令10是手的参考3D模型处的每个关节的3D位置在帧f处的摆好姿势的手模型处的关节的位置由下式给出:lf(θf)=Tb(i)(θf)Tb(i)(θ0)−1 l0,(2)我我其中b(i)是与关节i相关联的骨骼。我们的手模型在Blender中操纵[39]。所有帧的蒙皮权重都是固定的,每个顶点最多有三个蒙皮权重非零。输出:我们的目标是在fer{Mf=(Vf,E)}K中即,3D坐标的最大值{Vf}K,以及在6A.措利和A. A. Argyros我我FFF所有帧f.这在四个步骤中执行。首先,我们从输入RGB图像中仅估计手部的3D姿态(第3.1节)。这给了我们一个粗略的估计,手所在的区域,因此,在图像上的区域,我们预计可变形对象被遮挡。反过来,这为第二步提供了初始化,在第二步中,我们联合优化可变形对象顶点的3D位置和手的姿势(第3.2节)。第三,我们选择手指相对于可变形物体的最佳接触配置(3.3节)。第四,考虑到最佳接触配置和从粗到细的纹理特征,我们将手和可变形对象的关节拟合微调到我们的数据(第3.4节)。3.1初始手部姿态估计给定RGB帧If和手周围的边界框,我们估计2D链接的链接和使用的链接[32]。LetJf=(uf,vf,pf),我我我i∈[1,21],表示f处的21个离散的2D边和结点。(uf,vf)arehee我我输入图像I和pf上的连接的2D坐标这是我的c对j∈i(pf∈[0,1])的发现。 等式Qi(θ,P)=(xi,yi)是在给定(a)一个位置θ和(b)相机投影矩阵P的情况下,在图像平面上的投影。为了避免使用错误检测,我们不考虑具有低于实验识别值p_th= 0的置信度p_i的关节。1.对于给定的姿态θ,我们量化观察到的关节Ji和计算出的关节Qi之间的差异d(Qi(θ,P),Ji),如[24]中所示:d(Q i(θ,P),J i)=(p3·(x i− u i))2+(p3·(y i−v i))2.(三)我我类似地,观察到的和模型关节之间的总差异为:EJ(θ)= Σ21i=0时d(Qi(θ,P),Ji).(四)3D手部姿态θ′与观察到的2D接头最兼容的接头可以是通过最小化Eq.(四):′= arg min {E J(θ)}。(五)θ这是通过Levenberg-Marquardt优化器[12,14]实现的,该优化器在残差的自动微分之后最小化该目标函数。手周围的边界框是针对第一帧手动定义的,并且针对后续帧围绕先前解决方案手动定义。手的初始拟合提供了手周围的粗略遮挡掩模Mf,我们使用该掩模M f来拟合可变形对象(第3.2节)和评估关于接触配置的假设的质量,即哪些手指触摸物体(第3.3节)。遮挡蒙版计算为在姿态θ’由一个50× 50的核扩张。θ可变形物体与手交互的联合三维跟踪7GGG我G3.2手部姿态和物体变形的联合估计我们讨论了H的位置θf,并将Vf的约束条件定义在Pf上。这是由我的记忆所造成的Vf*,θf*=argminVf,θfE(Vf,θf,Wf,Pf,Sf,S0,Mf,V0,E,A,f,Y),(6)下列能量函数:E(Vf,θf,Wf,Pf,Sf,S0,Mf,V0,E,A,f,Y)=λJEJ(θf)+λGhEh(Wf,Pf)+λGoEo(Vf,Pf)+λFEF(Vf,Sf,Sf−1,S0,Mf)+λTET(Vf,V0,Mf)+λSES(Vf,E,V0)+λLEL(Vf,A)+λCEC(Vf,θf,Wf,f,Y).(七)除了手部姿态估计误差项Ej(参见第3.1节)之外,所定义的能量函数由以下详细呈现的若干误差项组成将手的几何形状配准到点云:在Eq中的第二项(7)旨在使手的可见几何形状尽 可 能接 近 点 云 的 可见 几 何 形 状 。因 此 , Eh(Wf,Pf)定义为:Eh(Wf,Pf)=Σ||2、(8)||2,(8)Gi i2wf∈W我其中,Wf是基于姿态θ’的可见手顶点的集合,并且gf是基于姿态θ’的可见手顶点的集合。i f i点云P f的最接近点。将模板的几何形状配准到点云:以类似的方式,Eq.(7)被设计成将可变形的实施例的几何形状配准到该印刷电路板。So,Eo(Vf,Pf)定义为模板顶点vf到点上最近点gf云:Eo(Vf,Pf)=我ΣNo我||二、||2.(九)Gi i2i=1考虑特征对应性:对于每个RGB帧If,我们提取Nf个SIFT特征的F8A.措利和A. A. Argyros我我集合Sf[13],Sf={Sf}Nf。以确保我们能够i i=1考虑到SIFT特征仅在可变形对象上,我们仅考虑在第3.1节中估计的手掩模Mf之外的特征。鉴于注册表-在I f与D f和P f的关系中,我们假设所有SIFT特征s f被表示为相机中心坐标系中的3D点。最后,我们用c k(s f)表示帧k处的特征s f的对应。 对于每个SIFT特征,我们我我我计算在M f的上表面上传播bf(sf)。事实上,这些都是(a)可变形物体与手交互的联合三维跟踪9BJj..我我找到SF投影在其上的Mf的三角形补片,以及(b)表示SF我我在重心坐标系中。这样,SIFT要素就表示为函数模板的顶点的坐标,其允许模板的变形。在图中,EF(Vf,Sf,Sf−1,S0,Mf)定义为:rf−1....EF(Vf,Sf,Sf−1,S0,MfΣf)=t1....f−1(sf−1)−c(sf−1).. 2j=1r10的Σf......你好。2(十)..+t.. b(s0)−c (s0).. 二、21我i=1fi2对于参考坐标系中的所有r0个要素和坐标系f−1中的rf−1个要素f f其在帧f处的对应落在手掩模Mf之外。标量t1、t2确定来自先前帧和参考帧的特征的相对重要性,并且根据经验被设置为t1= 1、t2= 5。考虑纹理兼容性:Let{ t0}st是一组密集的颜色sam-i i=1变形对象的模板网格上的ples,以重心坐标相对于顶点V0,并投影到参考图像I0。我们选择在参考帧处的经预处理的样本t0的纹理处的3D视频块Vf的最小化匹配在帧f处的其对应的经预处理的视频块Vf的纹理。 作为在uresφ(·)处的测试,使用GradintB作为在光变化下鲁棒的描述符字段(GBDF)[5]。Σst2................................................................E(V ,V,M)=.. φ(t0)−φ(tf)...(十一)Tf0f..我i=1我..2我们可以对第3.1节中估计的可变形对象投影到手掩模Mf之外的情况下,对给定的LastionVf−1进行简单的分解。保留结构:第五项在Eq。(7)旨在保留模板边缘,因为这些边缘在M0中被发现。因此,ES(Vf,Ef,Vo)被定义为:ES(Vf,E,V0)=Σ。Σ2||2−||v0 − v0||二、||2.i ji j(vf,vf)∈E(十二)我J平滑度先验:为了支持物理上合理的变形,特别是在可变形对象的遮挡区域,我们使用了基于拉普拉斯的正则化器[36,17]。我们使用以下误差项惩罚远离可变形对象的参考形状的非刚性变形,其中A是基于参考网格M0定义的拉普拉斯平滑矩阵。F10A.措利和A. A. ArgyrosEL(Vf,A)=||AVf||二、(十三)可变形物体与手交互的联合三维跟踪11i=1fiFFF手-物体接触约束:我们假设手可以通过由ver-vern表示的其指尖中的任何指尖与可变形对象交互/触摸可变形对象。特克斯指数f={fi}5. 因此,我们将接触构形定义为一个向量Y= [yi,y2,y3,y4,y5],其中,如果假设第i个指尖否则为零对于假设的接触配置Y,我们想要最小化被假设为与可变形网格的表面接触的指尖的距离这就引出了下面的能量项Σ5EC(Vf,θf,Wf,f,Y)=yi||wf−zi||第二条,(十四)i=1其中,Zi是可变形网格Mf的最接近第i个指尖的点优化:在每个帧f处,等式(1)的最小化问题被简化基于在Ceres求解器中实现的Levenberg-Marquardt方法求解(6)[4]在以下情况下,使用虚拟机Vf−1的内部冗余代码进行初始化前一帧f − 1和第 3. 1 节 中 的手部姿态估计θ′。的量化相应误差项的相对重要性的权重根据经验,λ J= 800,λ Gh= 103,λ Go= 103,λ F= 400,λ T= 0。05,λ S= 220 ×103,λ L= 0. 3和λC= 100的实际数据,并随后归一化的子项在相应的误差项的数量在所有定量实验中,重量保持恒定优化运行最多100次迭代。3.3最佳触点配置选择我们最小化方程的能量函数(6)对于所有32种可能的触点配置,并且最终得到解Mi和θ i,i = 1,. . .,32为每个触点配置。我们选择的最佳接触配置是一个结果在最佳拟合的对象模板网格的点云在手部周围这是由接触配置的正确性可以通过其对接近接触手指的可变形物体的形状的估计所具有的结果来判断的事实所激发的。作为示例,考虑手与对象相距一定距离。第四个轮廓的轮廓Y=[1,1,1,1,1]将导致可变形对象朝向手指“移动”并且估计的对象模型与点云的拟合不良。同时,当我们远离手时,接触的后果会减弱,特别是对于大表面。更具体地,令{m ij}N,如果 是M i表面上的一组3D样本f j=1f在图像I上投影的图像I f与图像If相距至少10个像素且至多30个像素。在姿势θi处渲染的手的轮廓。还令{nij}Nif为最近点f f j=1的{mij}N,如果在点云Pf上。最佳接触配置是f j=1最小化样本与点云的欧氏距离ΣNifi*=argmin||mij−nij||二、(十五)if fj=110A.措利和A. A. Argyros直观地,这意味着在最佳接触配置中,手指既不溶液在这一点上,我们最终得到的是V′′=Mi*,对于可变形物体的形状f f对象和θ′′=θi*为手的姿势。f f3.4基于多分辨率纹理特征的解精化我们计算每个像素的GBDF描述符,并且我们随后使用三个高斯核来平滑描述符,其中标准偏差分别为σ= 8、4和1个像素,并且核大小为3σ,从而形成特征金字塔。我们最小化方程中的能量函数。(7)对于每个假设的接触配置,使用粗略描述符(σ= 8)。在我们决定最佳接触配置之后,我们通过最小化等式(1)来进一步细化手的姿势和可变形对象的形状的解决方案(7)首先对σ= 4,然后对σ= 1使用最佳理想情况下,这一步应该是优化循环的一部分。实际上,将其带到优化过程的末尾降低了计算要求,而不会显著降低跟踪精度。将使用结果Vf、θf作为用于将手和可变形对象拟合到下一帧f +1的数据的初始化结果。4实验结果评价数据集:到目前为止,模板塑形社区已经将人手视为遮挡物[17],并且之前关于跟踪手-对象交互的工作主要集中在具有简单变形的对象上。因此,不存在包含与不同关节的手交互的复杂可变形对象的引人注目的数据集我们评估我们的方法定量使用一组合成序列,涉及手和可变形的对象,我们已经产生的搅拌机建模软件之间的相互作用。我们还使用Microsoft Kinect 2 [15]捕获了序列,以显示我们的方法在现实世界数据中的适用性2。图2显示了我们用于定量评价的合成序列的样品帧。我们考虑手推物体引起显著变形的序列(S1-S3)以及手主要沿着物体表面移动的序列(S4-S6)。我们通过考虑各种场景来进一步区分序列,例如手的刚性运动(S1),粗手关节(powergrasp - S2),精细关节(手指敲击- S3,S6),静态手和精细关节(手指敲击- S4)以及关节的最小变化(S5)。评价方法:为了展示推断最佳约束因子对于检索的重要性,我们将我们的“联合”最佳应用程序与两种不同的应用程序进行比较。首先,我们将“i nd epe nd e n t”作为一个概念2个可用在线在https://www.ics.forth.gr/cvrl/deformable_interaction/。可变形物体与手交互的联合三维跟踪11MM我我图2:合成序列S1至S6的指示帧的三元组(从左到右,从上到下)。每个序列由23-51帧组成,模板网格由529个顶点组成。没有接触约束,并且对应于独立地跟踪手和可变形对象,仅利用手周围的掩模来确定对象的接触距离。在假设“完全接触”的情况下,尽管[42]中提出的工作在精神上与我们的工作最接近,但与它进行比较是没有意义的,因为它需要将可变形的3D网格表示为树结构的铰接对象。相反,我们与[41]中描述的RGBD方法的实现3进行比较,通过向该方法提供被手遮挡的可变形对象的部分作为遮挡掩模。 我们还提供了从国家的最先进的形状从模板的方法Ngo等人获得的结果。[17]其适合给定相同遮挡掩模的可变形对象。如第2节所述,这是一种基于RGB的方法,不考虑深度信息。因此,其结果不用于直接比较,而是用作参考基线。评价指标:本研究对所有方法的定量评价使用两个误差度量来执行。第一个,E1,表示模板顶点在序列中的所有帧上的百分比,其推断的3D位置在距其地面实况位置的距离T我们只考虑顶点vf,i∈N*其在每个帧F处落入手掩模内。因为Im[17,41]中的方法不跟踪人手,在这种情况下,我们使用掩码来自我们的联合追踪方法因此,在本发明中,1E1(T)=ΣΣK.ΣG||vf−x f||2
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 5
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 展开
- 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
最新资源
- 李兴华Java基础教程:从入门到精通
- U盘与硬盘启动安装教程:从菜鸟到专家
- C++面试宝典:动态内存管理与继承解析
- C++ STL源码深度解析:专家级剖析与关键技术
- C/C++调用DOS命令实战指南
- 神经网络补偿的多传感器航迹融合技术
- GIS中的大地坐标系与椭球体解析
- 海思Hi3515 H.264编解码处理器用户手册
- Oracle基础练习题与解答
- 谷歌地球3D建筑筛选新流程详解
- CFO与CIO携手:数据管理与企业增值的战略
- Eclipse IDE基础教程:从入门到精通
- Shell脚本专家宝典:全面学习与资源指南
- Tomcat安装指南:附带JDK配置步骤
- NA3003A电子水准仪数据格式解析与转换研究
- 自动化专业英语词汇精华:必备术语集锦
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
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功