版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
法 品法EDUCATIONTOCREATEABRIGHT本課件包括演示文稿、示例、代碼、題庫(kù)、和聲音等內(nèi)容,北風(fēng)網(wǎng)和講師擁有完全知識(shí);只限于善意學(xué)習(xí)者在本課程使用,不得在課程范圍外向任何第散播。任何其他人或者機(jī)構(gòu)不得盜版、、仿造其中的創(chuàng)意和 課 咨目標(biāo)檢
品EDUCATIONTOCREATEABRIGHT
品EDUCATIONTOCREATEABRIGHT認(rèn)真聽(tīng),善摘錄,勤思多溫故,樂(lè)實(shí)踐,再發(fā)不懶散惰性, 早不請(qǐng) ,不拖延作“四不原則”,不包就業(yè)和推薦就
品EDUCATIONTOCREATEABRIGHT 品 EDUCATIONTOCREATEABRIGHT
品EDUCATIONTOCREATEABRIGHT深度學(xué)習(xí)目標(biāo)檢測(cè):RCNN,F(xiàn)astRCNNFasterRCNN
品EDUCATIONTOCREATEABRIGHT這一步是為了對(duì)目標(biāo)進(jìn)行定位。傳統(tǒng)方法是采用窮舉策略。由于目標(biāo)可能在上的任意位置,而且大小不定,因此使用滑動(dòng)窗口用的特征有SIFT(尺度不變特征變換,Scale-invariantfeaturetransform)和HOG(方向梯度直方圖特征,HistogramofOrientedGradient)等。
品EDUCATIONTOCREATEABRIGHT針對(duì)滑動(dòng)窗口問(wèn)題,regionproposal(候選區(qū)域)是預(yù)先找出圖中目標(biāo)可 口固定長(zhǎng)寬比)。比較常用的regionproposal算法有selectivesearch和edgeboxes。針對(duì)特征選取,卷積神經(jīng)網(wǎng)絡(luò)(convolutionneuralnetwork:CNN)的特征比傳統(tǒng)手工特征效果更好。因此在2014年,RBG(RossB.Girshick)使用Region
品EDUCATIONTOCREATEABRIGHT針對(duì)滑動(dòng)窗口問(wèn)題,regionproposal(候選區(qū)域)是預(yù)先找出圖中目標(biāo)可 口固定長(zhǎng)寬比)。比較常用的regionproposal算法有selectivesearch和edgeboxes。針對(duì)特征選取,卷積神經(jīng)網(wǎng)絡(luò)(convolutionneuralnetwork:CNN)的特征比傳統(tǒng)手工特征效果更好。因此在2014年,RBG(RossB.Girshick)使用Region
品EDUCATIONTOCREATEABRIGHT
品EDUCATIONTOCREATEABRIGHT
品EDUCATIONTOCREATEABRIGHT這里介紹的比較簡(jiǎn)單,RCNN使用SelectiveSearch算法提取圖像中的候選區(qū)域(因?yàn)?較晚,直接應(yīng)用的FasterRCNN,就沒(méi)有關(guān)注SelectiveSearch算法,這里也就不介紹了)RCNN的檢測(cè)流程
品EDUCATIONTOCREATEABRIGHT1.3SVM
品EDUCATIONTOCREATEABRIGHT 訓(xùn)練與測(cè)試階應(yīng)用測(cè)試階
品EDUCATIONTOCREATEABRIGHT)propoal與一個(gè)分值比它大的propoaloU(ctionovrn,即相交面積比這兩個(gè)propoalpropoal。作者對(duì)測(cè)試階段的時(shí)間進(jìn)行了分析,認(rèn)為RCNN的優(yōu)勢(shì)在于:(1)CNN中共享網(wǎng)絡(luò)參數(shù)(CNN身特性);(2)CNN提取后的特征維度較低(相比之前的方法),計(jì)算更快訓(xùn)練與測(cè)試階
品EDUCATIONTOCREATEABRIGHT作者首先 上進(jìn)行 N的預(yù)訓(xùn)練,由于VOC2012中訓(xùn)練數(shù)據(jù)較(相對(duì)而言),所以使用ImageNet預(yù)訓(xùn)練然后再finetuneIoU0.5的proposal看作正類(20類之一),其他的全部看作背景類。在訓(xùn)練
品EDUCATIONTOCREATEABRIGHT在訓(xùn)練MsIoU低于.的proposal設(shè)置為natve樣postivgrounttM分類器,由于訓(xùn)練圖像過(guò)多,同時(shí)為了保證訓(xùn)練的效果,所ardnativeminngardnativeminng被識(shí)別錯(cuò)誤的負(fù)樣本作為訓(xùn)練集)in-tnngIoMSVM分類器訓(xùn)練
品EDUCATIONTOCREATEABRIGHT確定位)第二個(gè)原因在于SVM訓(xùn)練時(shí)采用的hardnegative 節(jié)可以提升效果(他們也是這么做的,F(xiàn)astRCNN中他們改變了loss函數(shù))。
品EDUCATIONTOCREATEABRIGHTRegression的處理。Bounding-boxRegression訓(xùn)練的過(guò)程中,輸入數(shù)據(jù)為N個(gè)
品EDUCATIONTOCREATEABRIGHT作者設(shè)計(jì)了四種坐標(biāo)映射方 ,其中前兩個(gè)表示對(duì)proposal中心坐標(biāo)尺度不變的平移變換,后面兩個(gè)則是對(duì)popoa的wh和heght的對(duì)數(shù)空間的變換,文章中的映射方式為:其
,進(jìn)行線性其
品EDUCATIONTOCREATEABRIGHT這是一個(gè)典型的最小二乘問(wèn)題最終在進(jìn)行實(shí)驗(yàn)時(shí),mbda=1000,同時(shí)作者發(fā)現(xiàn)同一對(duì)中P和G相距過(guò)遠(yuǎn)時(shí)通過(guò)上面的變換是不,對(duì)于擇是選擇離P較近的G進(jìn)行配對(duì),這里表示較近的方法是需要P和一個(gè)G的最大的oU要大于0.6P。
品EDUCATIONTOCREATEABRIGHT 飛機(jī)。如果我們能對(duì)紅色的框進(jìn)行微調(diào),使得經(jīng)過(guò)微調(diào)后的窗口跟GroundTruth更接近,這樣豈不是定位會(huì)更準(zhǔn)確。確實(shí),Bounding-boxregression就是用來(lái)微調(diào)這個(gè)窗口的。
品EDUCATIONTOCREATEABRIGHT
品EDUCATIONTOCREATEABRIGHT
品EDUCATIONTOCREATEABRIGHT只有當(dāng)Propoal和Ground比較接近時(shí)(線性問(wèn)題),我們才能將其作為訓(xùn)練樣本訓(xùn)練wor(Propoal)。
品EDUCATIONTOCREATEABRIGHT線性回歸就是給定輸入的特征向量X, 組參數(shù)W,使得經(jīng)過(guò)線性回歸后的值跟真實(shí)Y(GroundTruth)非常接近。即。那么Bounding-box中我們的輸入以及輸出分別是什輸入:輸入就是這四個(gè)數(shù)值嗎?其實(shí)真正的輸入是這個(gè)窗口對(duì)應(yīng)的CNN特征,也就 N中Pool5feature(特征向量)。(注:訓(xùn)練階段輸入還包括GroundTruth,也就是下邊提輸出:需要進(jìn)行的平移變換和尺度縮放,或者說(shuō)是。我們的最終輸出不應(yīng)該是GroundTruth嗎?是的,但是有了這四個(gè)變換我們就可以直接得到GroundTruth,這里還有個(gè)問(wèn)題,根據(jù)上面4個(gè)公
品EDUCATIONTOCREATEABRIGHT
品EDUCATIONTOCREATEABRIGHT主要貢獻(xiàn)在于對(duì)N進(jìn)行加速,快是 寨版的奧運(yùn)-更快、更準(zhǔn)、更魯棒),問(wèn)題在以下方面得到改進(jìn):1賣點(diǎn)1-借鑒SPP思路,提出簡(jiǎn)化版的ROI池化層(注意,沒(méi)用金字塔),同時(shí)加入了候選框映射功能,使得網(wǎng)絡(luò)能夠反向,解決了SPP的整體網(wǎng)絡(luò)訓(xùn)練問(wèn)2賣點(diǎn)2Loss
品EDUCATIONTOCREATEABRIGHT N框架圖對(duì)比,可以發(fā)現(xiàn)主要有兩處不同
品EDUCATIONTOCREATEABRIGHT一是最后一個(gè)卷積層后加了一個(gè)ROIpoolinglayer,ROIpoolinglayer實(shí)際上是SPP-NET的一精簡(jiǎn)二是損失函數(shù)使用了多任務(wù)損失函數(shù)(multi-taskloss),將邊框回歸直接加入到CNN網(wǎng)絡(luò)中訓(xùn)練。N訓(xùn)練過(guò)程分為了三個(gè)階段,而 N直接使用softmax替代SVM分類,同時(shí)利用多中的(rnpropoal提取階)。t 在網(wǎng)絡(luò)微調(diào)的過(guò)程,將部分卷積層也進(jìn)行了微,取得了更好的檢測(cè)效果。t 了 和P-ET的精數(shù)練和測(cè)試變得十分方便。缺點(diǎn):regionproposal的提取使用selectivesearch,目標(biāo)檢測(cè)時(shí)間大多消耗在這上面(提proposal2~3s,而提特征分類只需 實(shí)時(shí)應(yīng)用,而且并沒(méi)有實(shí)現(xiàn)真正意義上端到端訓(xùn)練測(cè)試(regionproposal使用selectivesearch先提取處來(lái))
品EDUCATIONTOCREATEABRIGHT N一樣,只是regionproposal現(xiàn)在是用RPN網(wǎng)絡(luò)提取的(代替原來(lái)的selectivesearch)。RPN的 產(chǎn)生regionproposal,使用的方法本質(zhì)上就是滑動(dòng)窗口。RPN的設(shè)計(jì)比較巧妙,度多長(zhǎng)寬比的regionproposal。作者為了讓RPN的網(wǎng)絡(luò)和Fast 2、使用(1)中RPN網(wǎng)絡(luò)提取regionproposal訓(xùn)練Fast
品EDUCATIONTOCREATEABRIGHT 的目標(biāo)檢測(cè),預(yù)先獲取regionproposal,然后在對(duì)每個(gè)proposal分總的來(lái)說(shuō),從N,SPP-NET,FastN,FasterN一路走 的N系列目標(biāo)檢
品EDUCATIONTOCREATEABRIGHT對(duì)于提取候選框最常用的lctivearc方法,提取一副圖像大概需2的時(shí)間,改進(jìn)的Edg算法將效率提高到了0.2,但是這還不夠。候選框提取不一定要在原圖上做,特征圖上以量設(shè)的 等提出PN(RegionProposalNetwork),完美解決了這個(gè)問(wèn)題,我們先來(lái)看一下網(wǎng)絡(luò)拓?fù)?/p>
品EDUCATIONTOCREATEABRIGHT RP網(wǎng)絡(luò)特點(diǎn)在于通過(guò)滑動(dòng)窗的方式實(shí)現(xiàn)候選框的提取每個(gè)滑動(dòng)窗口位置生成9候選窗口(不同尺度、不同寬高),提取對(duì)應(yīng)9個(gè)候選窗口(anch)的特征,用于目標(biāo)分類和邊框回歸,與 類似。目標(biāo)分類只需要區(qū)分候選框內(nèi)特征為前景或者背景。邊框回歸確定更精確的目標(biāo)位置,基本網(wǎng)絡(luò)結(jié)構(gòu)如下圖所訓(xùn)練過(guò)程中,涉及到的候選框選取,選取依據(jù)丟 邊界的與樣 區(qū)域大于0.7的anchor標(biāo)記為前景 區(qū)域小于0.3的標(biāo)定為背景
品EDUCATIONTOCREATEABRIGHT對(duì)于每一個(gè)位置,通過(guò)兩個(gè)全連接層(目標(biāo)分類+邊框回歸)對(duì)每個(gè)候選框(anco)斷,并且結(jié)合概率值進(jìn)行舍棄僅保留約300anch從模型訓(xùn)練的角度來(lái)看,通過(guò)使用共享特征交替訓(xùn)練的方式,達(dá)到接近實(shí)時(shí)的性能,交替練方式描述為根據(jù)現(xiàn)有網(wǎng)絡(luò)初始化權(quán)值w,訓(xùn)練用RPN提取訓(xùn)練集上的候選區(qū)域,用候選區(qū)域訓(xùn) N,更新權(quán)值重復(fù)1、2,直到收斂
品EDUCATIONTOCREATEABRIGHT SSD:SingleShotMultiBox
品EDUCATIONTOCREATEABRIGHT目標(biāo)檢測(cè)近年來(lái)已經(jīng)取得了很重要的進(jìn)展,主流的算法主要分為兩個(gè)類型(參考two-tag方法,如 系算法,其主要思路是先通過(guò)啟發(fā)式方法(ectiverch)C網(wǎng)絡(luò)(RP)產(chǎn)生一系列稀疏的候選,然后對(duì)這些候選框進(jìn)行分類與回歸,two-tage高;2on-tag如SS在 置進(jìn)行密集抽樣,抽樣時(shí)可以采用不同尺度和長(zhǎng)寬,然后利用C提取特征后直接進(jìn)行分類與整個(gè)過(guò)程只需要一所以其優(yōu)勢(shì)是速度但是均勻的密集采樣的一個(gè)重要缺點(diǎn)是訓(xùn)練較 ,這主要是因?yàn)檎龢颖九c負(fù)樣本(背)極其不均衡(參見(jiàn)calLos)導(dǎo)致模型準(zhǔn)確度不同算法的性能如1示在的異。
品EDUCATIONTOCREATEABRIGHT
品EDUCATIONTOCREATEABRIGHTSingleshot指明了SSD算法屬于one-stage方法,MultiBox指明了SSD是多框預(yù) 先驗(yàn)框(Priorboxes,Defaultboxes,在Faster
品EDUCATIONTOCREATEABRIGHT
品EDUCATIONTOCREATEABRIGHT設(shè)計(jì)理 一樣都是采用一 N網(wǎng)絡(luò)來(lái)進(jìn)行檢測(cè),但是卻采用了多尺度的特征圖,其基本架構(gòu)圖3所示。下面將 設(shè)計(jì)理念總結(jié)為以下三點(diǎn)
品EDUCATIONTOCREATEABRIGHT
品EDUCATIONTOCREATEABRIGHT與Yolo最后采用全連接層不同,SSD直接采用卷積對(duì)不同的特征圖來(lái)進(jìn)行提取檢測(cè)結(jié)果。對(duì)于形m*n*p特征圖,只需要采3*3*p樣比較小的卷積核得到檢測(cè)值 的理念,每個(gè)單元設(shè)置尺度或者長(zhǎng)寬比不同的先驗(yàn)框,預(yù)測(cè)的邊界框(boundingboxes)是以這度和長(zhǎng)寬比存在差異,如圖5所示,可以看到每個(gè)單元使用了4個(gè)不同的先驗(yàn)框,中貓和狗分別
品EDUCATIONTOCREATEABRIGHTSS將背景也當(dāng)做了一個(gè)特殊的類別,如果檢測(cè)目標(biāo)共有c個(gè)類別,SS其實(shí)需要預(yù)測(cè)c+1個(gè)置信度值,其中第一個(gè)置信度指的是不含目標(biāo)cc-1cation4c,cy,w,)
品EDUCATIONTOCREATEABRIGHT框的預(yù)測(cè)值l實(shí)是b對(duì)于d轉(zhuǎn)換習(xí)慣上,我們稱上面這個(gè)過(guò)程為邊界框的編碼(encode),預(yù)測(cè)時(shí),你需要反向這個(gè)過(guò)即進(jìn) (decode),從預(yù)測(cè)值l中得到邊界框的真實(shí)位置b
品EDUCATIONTOCREATEABRIGHT要手動(dòng)設(shè)置超參數(shù)variance,用來(lái)對(duì)l的4個(gè)值進(jìn)行放縮,此時(shí)邊界框需要這樣:綜上所述,對(duì)于一個(gè)大小m*n特征圖,共有mn單元,每個(gè)單元設(shè)置的先驗(yàn)框數(shù)目記為k那么每個(gè)單元共需c+4)k預(yù)測(cè)值,所有的單元共需要c+4)kmn預(yù)測(cè)值,由于SSD采用卷積做檢測(cè),所以就需要(c+4)k個(gè)卷積核完成這個(gè)特征圖的檢測(cè)過(guò)程。
品EDUCATIONTOCREATEABRIGHT
品EDUCATIONTOCREATEABRIGHTSSD采用VGG16作為基礎(chǔ)模型,然后在VGG16的基礎(chǔ)上新增了卷積層來(lái)獲得的特征圖以用了多尺度的特征圖做檢測(cè)。模型的輸入大小是300*300。SSD采用VGG16做基礎(chǔ)模型,首先VGG16是在ILSVRCCLS-LOC數(shù)據(jù)集預(yù)訓(xùn)練。將VGG16連接層fc6和fc7轉(zhuǎn)換成3*3卷積層conv6和1*1卷積層conv7,同時(shí)將池化層pool5由原來(lái)的變(recov6采用擴(kuò)展卷積或帶孔卷積(DtonConv),其在不增加參數(shù)與模型復(fù)雜度的條件下指數(shù)級(jí)(diatnrate)參數(shù),來(lái)表示擴(kuò)張的大小,如下圖6,(a的3333,(177,(c)3野擴(kuò)大為15*15但是視野的特征更稀疏了。Conv6采用3*3大小但dilationrate=6的擴(kuò)展卷積然后移除dropout層和fc8層,并新增一系列卷積層,在檢測(cè)數(shù)據(jù)集上做finetuing
品EDUCATIONTOCREATEABRIGHT
品EDUCATIONTOCREATEABRIGHT其中VGG16中的Conv4_3層將作為用于檢測(cè)的第一個(gè)特征圖。conv4_3層特征圖大小是38*38,但是該層比較靠前,其norm較大,所以在其后面增加了一個(gè)L2Normalization層(參見(jiàn)ParseNet),以保證和后面的檢測(cè)層差異不是很大,這個(gè)和BatchNormalization層不太一樣,其僅僅是對(duì)每個(gè)像素點(diǎn)在channle維度做歸一化,而B(niǎo)atchNormalization層是在[batch_sizewidthheight]三個(gè)維度上做歸一化。歸一化后一般設(shè)置#l2norm(notbacthnorm,spatialdefl2norm(x,scale,trainable=True,n_channels=x.get_shape().as_list()[-l2_norm=tf.nn.l2_normalize(x,[3],epsilon=1e-withgamma=tf.get_variable("gamma",shape=[n_channels,],returnl2_norm*
品EDUCATIONTOCREATEABRIGHT圖,加上Conv4_3層,共提取了6個(gè)特征圖,其大小分別是(38,38),(19,19),(10,10),(5,5),(3,3),(1,1m5,因?yàn)榈谝粚樱–onv4_3層)s_k的比例,而s_min和s_max表示比例的最小值與最大值,paper里面取0.2和0.9其先驗(yàn)框的尺度比例一般設(shè)置為s_min/2=0.1,那么尺度為300*0.1=30。對(duì)于后面的特征圖,先驗(yàn)框尺度 征圖的s_k為20,37,54,71,88,將這些比例除以100,然后再乘以大小,可以得到各個(gè)特征圖的尺度60,111162,213,264SSD的Caffe 驗(yàn)框的寬度與高度(后面的s_k
品EDUCATIONTOCREATEABRIGHT
品EDUCATIONTOCREATEABRIGHT得到了特征圖之后,需要對(duì)特征圖進(jìn)行卷積得到檢測(cè)結(jié)果,圖75*5用一次3*3卷積來(lái)進(jìn)行完成。令n_k為該特征圖所采用的先驗(yàn)框數(shù)目,那么類別置信度需要的卷積核數(shù)量為n_k*c,而邊界框位置需要的卷積核數(shù)量為n_k*4。由于每個(gè)先驗(yàn)框都會(huì)預(yù)測(cè)一個(gè)邊界框,所以
品EDUCATIONTOCREATEABRIGHT
品EDUCATIONTOCREATEABRIGHT 中的groundtruth(真實(shí)目標(biāo))與哪個(gè)先驗(yàn)框來(lái)進(jìn)行匹配,與之匹配先驗(yàn)框所對(duì)應(yīng)的邊界框?qū)⒇?fù)責(zé)預(yù)測(cè)它。在Yolo中,groundtruth的中心落在哪個(gè)單元格,該單元格中與其IOU 中每個(gè)groundtruth,找到與其IOU最大的先驗(yàn)框,該先驗(yàn)框與其匹配,這樣,可以保證每個(gè)groundtruth一定與某個(gè)先驗(yàn)框匹配。通常稱與groundtruth匹配的先驗(yàn)框?yàn)檎龢颖?,反之,若一個(gè)先驗(yàn)框沒(méi)有與任何groundtruth進(jìn)行匹配,那么該先驗(yàn)框只能與背景匹配,就是負(fù)樣本。一個(gè)中g(shù)roundtruth是非常少的,而先驗(yàn)框卻很多,如果僅按第一個(gè)原則匹配,很多先驗(yàn)框會(huì)是負(fù)樣本,正負(fù)樣本極其不平衡,所以需要第二個(gè)原則。第二個(gè)原則是:對(duì)于剩余的未匹配先驗(yàn)框,若某個(gè)groundtruth的\text{IOU}大于某個(gè)閾值(一般是0.5),那么該先驗(yàn)框也與這個(gè)groundtruth進(jìn)行匹配。這意味著某個(gè)groundtruth可能與多
品EDUCATIONTOCREATEABRIGHT但是
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫(kù)網(wǎng)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 炭素工藝學(xué)課程設(shè)計(jì)
- 順序設(shè)計(jì)法課程設(shè)計(jì)方式
- 明天我們畢業(yè)課程設(shè)計(jì)
- 高電壓課程設(shè)計(jì)總結(jié)
- 職場(chǎng)規(guī)劃插畫課程設(shè)計(jì)
- 【正版授權(quán)】 ISO/TS 24399:2025 EN Thermoplastic pipes for the conveyance of fluids - Inspection of polyethylene butt fusion joints using time of flight diffraction testing
- GB/T 45112-2024基于LTE的車聯(lián)網(wǎng)無(wú)線通信技術(shù)安全證書管理系統(tǒng)技術(shù)要求
- 2024石膏板節(jié)能環(huán)保技術(shù)采購(gòu)合同模板3篇
- 2024網(wǎng)站建設(shè)合同的網(wǎng)站建設(shè)內(nèi)容和建設(shè)要求
- 2025年度編織袋產(chǎn)品設(shè)計(jì)與品牌策劃合同3篇
- 顛茄流浸膏實(shí)驗(yàn)方案及總結(jié)
- 投標(biāo)人情況表
- GB/T 34241-2017卷式聚酰胺復(fù)合反滲透膜元件
- GB/T 12494-1990食品機(jī)械專用白油
- 運(yùn)輸供應(yīng)商年度評(píng)價(jià)表
- 北京語(yǔ)言大學(xué)保衛(wèi)處管理崗位工作人員招考聘用【共500題附答案解析】模擬試卷
- 肺癌的診治指南課件
- 人教版七年級(jí)下冊(cè)數(shù)學(xué)全冊(cè)完整版課件
- 商場(chǎng)裝修改造施工組織設(shè)計(jì)
- 統(tǒng)編版一年級(jí)語(yǔ)文上冊(cè) 第5單元教材解讀 PPT
- 加減乘除混合運(yùn)算600題直接打印
評(píng)論
0/150
提交評(píng)論