检索结果-内蒙古大学图书馆

中国科学：信息科学 2024年第1期54卷 191-209页

作者：童小宝熊鹏文宋爱国刘小平中南大学自动化学院长沙410083 南昌大学先进制造学院南昌330031 中国科学技术大学自动化系合肥230026 东南大学仪器科学与工程学院南京210096 Department of Systems and Computer Engineering Carleton UniversityOttawa K1S5B6Canada

非接触式传感器相比接触式触觉传感器可以避免与物体直接接触过程中产生的噪声,因而能够获取更有价值的原始数据表征物体内在属性;然而针对非接触式传感器感知的物体属性数据而言,现有算法难以实现单样本学习下的物体准确识别.为解决这... 详细信息

非接触式传感器相比接触式触觉传感器可以避免与物体直接接触过程中产生的噪声,因而能够获取更有价值的原始数据表征物体内在属性;然而针对非接触式传感器感知的物体属性数据而言,现有算法难以实现单样本学习下的物体准确识别.为解决这一问题,本文提出一种新颖的单样本学习下时序约束稀疏表示方法(one-shot learning with temporally constrained sparse representation,OSLTCSR)用于识别5种不同材料下的50个物体类别.首先将两种原始数据(Lumini光谱和SCiO光谱)并行投影至共享子空间,并且使用聚类典型关联分析法(cluster canonical correlation analysis,C-CCA)计算两种原始数据的聚类相关性特征;其次通过稀疏表示分别计算得到聚类相关性特征数据以及原始数据的编码向量,并利用原始数据的编码向量对相关性特征数据的编码向量进行二次投影映射;然后将两次映射后的原始数据和相关性特征数据进行重构,以充分耦合化两种光谱数据,解决了单样本学习下的数据稀缺问题;进一步地,设计新颖的时序约束稀疏表示方法计算重构后的原始数据和相关性特征数据,以充分考虑每个光谱序列的时序特征;最后与最新的物体识别方法进行实验对比,结果表明提出的OSL-TCSR方法提高了单样本学习情况下的物体识别结果.此外,OSL-TCSR还可灵活迁移至多种应用场景,比如材料识别或纹理识别等.

关键词：物体识别聚类相关性特征单样本学习时序约束正则化

来源：评论

学校读者我要写书评

暂无评论

基于单样本学习的多特征人体姿态模型识别研究

引用

光电工程 2021年第2期48卷 31-40页

作者：李国友李晨光王维江杨梦琪杭丙鹏燕山大学工业计算机控制工程河北省重点实验室河北秦皇岛066004

随着人机交互、虚拟现实等相关领域的发展,人体姿态识别已经成为热门研究课题。由于人体属于非刚性模型,具有时变性的特点,导致识别的准确性和鲁棒性不理想。本文基于KinectV2体感摄像头采集的骨骼信息,结合人体角度和距离特征,提出了... 详细信息

随着人机交互、虚拟现实等相关领域的发展,人体姿态识别已经成为热门研究课题。由于人体属于非刚性模型,具有时变性的特点,导致识别的准确性和鲁棒性不理想。本文基于KinectV2体感摄像头采集的骨骼信息,结合人体角度和距离特征,提出了一种基于单样本学习的模型匹配方法。首先,通过对采集的骨骼信息进行特征提取,计算关节点向量夹角和关节点的位移并设定阈值,其次待测姿态与模板姿态进行匹配计算,满足阈值限定范围则识别成功。实验结果表明,该方法能够实时的检测和识别阈值限定范围内定义的人体姿态,提高了识别的准确性和鲁棒性。

关键词：姿态模型骨骼数据单样本学习模型匹配 KinectV2

来源：评论

学校读者我要写书评

暂无评论

训练过程中使用支持集信息的单样本学习算法

引用

中国科学技术大学学报 2020年第8期50卷 1187-1192页

作者：辛守宇郑蕊蕊周瑜刘文鹏贺建军大连民族大学信息与通信工程学院辽宁大连116000

单样本学习的目的是利用一个包含大量训练样本的源类别数据集以及每个类别只包含一个训练样本的目标类别数据集来构建一种学习算法,使得算法能够对目标类别空间中的样本进行准确分类.已有的单样本学习算法主要是先利用源类别数据来训练... 详细信息

单样本学习的目的是利用一个包含大量训练样本的源类别数据集以及每个类别只包含一个训练样本的目标类别数据集来构建一种学习算法,使得算法能够对目标类别空间中的样本进行准确分类.已有的单样本学习算法主要是先利用源类别数据来训练模型,然后在测试时将目标类别训练数据作为支持集来实现对未标注样本的分类,因此在训练时没有有效地利用支持集的信息.为此提出一种在训练阶段和测试阶段同时利用支持集信息的单样本学习算法,基本思想是利用孪生神经网络构建模型并在训练时加入支持集信息,即让不同类别的支持集样本之间的相似度尽可能小.在Omniglot数据集和满文识别问题上的实验结果表明,该算法能取得较好的识别准确率.

关键词：单样本学习孪生神经网络度量学习

来源：评论

学校读者我要写书评

暂无评论

目标检测和视觉跟踪中的单样本学习研究及实现

目标检测和视觉跟踪中的单样本学习研究及实现

引用

作者：那森南京大学

学位级别：硕士

目标检测和视觉跟踪在计算机视觉领域是两个非常重要的任务,在生活当中也具有广泛的应用,比如智能驾驶中的物体检测与跟踪、监控视频的自动化监测等。借助于深度学习的技术,具有大量已标注数据的目标检测任务已经取得了非常好的结果,但... 详细信息

目标检测和视觉跟踪在计算机视觉领域是两个非常重要的任务,在生活当中也具有广泛的应用,比如智能驾驶中的物体检测与跟踪、监控视频的自动化监测等。借助于深度学习的技术,具有大量已标注数据的目标检测任务已经取得了非常好的结果,但在某些任务中无法满足这样的条件,比如无法获得太多的稀有动植物的图片。在这样的条件下,单样本的目标检测仍处于探索阶段。数据量少、同类别中的个体多样性、视角多样性以及环境因素等都给单样本的目标检测带来了困难。而视觉跟踪和单目标检测任务又有相似之处,二者都具有单样本学习的共性,都是从单张图片中的物体获取特征。但任务目标有所不同,前者更关注同类的多个物体,后者则关注不同帧中的同一个物体。现有的跟踪框架多用互关系计算类内物体的相似性,不太关注类间物体的特征比较。针对以上问题,本文通过研究单样本学习,并结合目标检测和视觉跟踪各自的特点进行框架设计,有效地提高单样本检测和单目标跟踪两种任务的精度。第一,当给定一张样例图片,而新的图片当中仅存在少量需要检测的物体时(存在其他类别物体的干扰),本文设计了一个全新的框架对同类物体进行识别和定位。该框架结合传统特征和深度学习的特点,分别进行轮廓上和语义上的物体相似性比较。再根据检测出的结果进行二次检测的优化,用来得到最终的结果。该方法在Pascal VOC,UIUC CAR和Caltech 101数据集上都取得了不错的效果。第二,对于图片当中包含多个需要检测的物体且干扰较多,情况复杂时,本文提出了两阶段平行比较网络(TSPCN)来加快检测速度,提高物体检测的准确度。通过特征金字塔来提取不同大小的proposal(即可能存在目标物体的包围盒),并将不同proposal的语义特征进行通道维度上的叠加来进行相似性比较和边框回归。针对单样本检测任务的特殊性重新设计分类和回归方法,使得语义信息得到更好的利用。该方法在Pascal VOC,UIUC CAR和Caltech 101数据集上取得了很好的结果,处理复杂图片的能力更强。第三,本文通过改进现有的视觉追踪网络结构,结合多层语义特征,从类间和类内两个方向比较跟踪物体的相似性,在没有损失追踪效率的前提下提高了追踪的精度。综上所述,本文通过对单样本学习的研究,结合目标检测和视觉跟踪各自的特点,提出了新的单样本检测框架并改进了现有的视觉跟踪网络。在两类任务中都取得了较好的结果。

关键词：单样本学习目标检测视觉跟踪语义信息关系网络

来源：评论

学校读者我要写书评

暂无评论

基于单样本学习的数字抠图算法研究

基于单样本学习的数字抠图算法研究

引用

作者：陈振鹏山东师范大学

学位级别：硕士

作为一项经典的图像处理技术,数字抠图（Digital Matting）广泛应用于电视以及电影拍摄中。数字抠图的研究目标是完美的将图像中前景和背景分离开,随后可以为图像更换虚拟背景等一系列操作。由于抠图问题的欠约束性,数字抠图算法一般需... 详细信息

作为一项经典的图像处理技术,数字抠图（Digital Matting）广泛应用于电视以及电影拍摄中。数字抠图的研究目标是完美的将图像中前景和背景分离开,随后可以为图像更换虚拟背景等一系列操作。由于抠图问题的欠约束性,数字抠图算法一般需要用户手绘一些区域（绝对前景、绝对背景以及未知区域）,为数字抠图提供更多的资讯信息。这种资讯信息包括精确绘制的三分图（Trimap）以及涂鸦生成的草图（Scribble）两种。然而,对每一张图像绘制准确的三分图耗费大量的人力成本,草图所提供资讯信息太少,鲁棒性差,导致抠图精度很低。单样本学习（One-shot Learning）模拟人类快速学习能力,近几年受到研究人员的广泛关注。单样本学习实现了在仅有一个标注样本的前提下识别一个未知语义类,无需大量标记数据进行重新训练,大幅降低了标注工作量。如今单样本学习技术已经广泛应用于图像分类、语义分割领域。受此启发,本文拓展单样本学习方法应用于数字抠图,同时解决了绘制三分图耗时、费力,以及绘制草图鲁棒性差的问题。具体来讲,本文提出的模型首先通过用户提供交互信息（几次点击）,产生粗略的前景、背景分割结果,并采用条件随机场对分割结果进行优化,随后通过膨胀、消融的方法对优化后的分割结果进行处理产生类似于专业人员手绘的三分图,最后本文设计了基于深度神经网络的抠图模型用于生成抠图结果。值得注意的是,本文提出的基于单样本学习模型对于未知语义类具有很好的泛化能力,这意味着对于相同未知语义类中的所有图像,我们仅需要用户标注其中任意一张图像,就可以生成此语义类中所有图像的抠图结果。本文的主要工作包括以下四个方面:（1）本文构建了基于单样本学习的前景、背景分割模型。首先,本文设计了条件分支用于结合图像与用户提供的咨询信息（前景点击、背景点击）产生语义表征（前景表征、背景表征）。其次,本文设计了分割分支用于结合语义表征和分割图像产生分割二分类前景、背景分割结果。（2）针对产生的分割结果不精确问题,本文通过条件随机场算法对分割结果进一步优化,随后通过膨胀、消融的方法处理分割结果生成三分图。（3）本文采用深度编码-解码网络对抠图结果进行预测,提高了抠图精度并且加快了运行速度。（4）为了验证本文提出算法的可行性、运行效率以及精确度,本文进行了四部分实验,包括生成三分图精确度对比,算法运行效率对比,模型指导能力验证以及模型的特征传递能力验证。并且对于实验结果进行分析。本文的创新点在于以下两个方面:（1）本文提出的基于单样本学习的数字抠图方法,首次将单样本学习技术与数字抠图技术相结合。本方法通过用户提供的几次点击生成三分图,无需用户手绘,降低了用户交互工作量。并且算法具有更好的鲁棒性,能够取得相对高的抠图精度。（2）本文提出的模型可以有效的提取未知语义类的表征,并利用此语义表征作为指导生成三分图。这意味着对于任意未知语义类中的所有图片,我们仅需标注其中一张,就可以得到此语义类中所有图像的三分图。进一步降低了用户交互工作量。

关键词：三分图生成数字抠图深度学习单样本学习图像分割

来源：评论

学校读者我要写书评

暂无评论

結合單樣本學習與深度特徵擷取技術於多旋翼無人機之自主式交叉視角定位系統

結合單樣本學習與深度特徵擷取技術於多旋翼無人機之自主式交叉視...

引用

作者：陳柔安成功大學

学位级别：碩士

近年来随着自走车技术日新月异的发展，终端运算之於机器自主性的技术亦有显着的突破，特别是多旋翼无人机的自主性控制与即时运算处理。本研究基於此发展趋势，研究现阶段对於运算力仍较吃重的卷积神经网络於多旋翼无人机上之应用与表... 详细信息

近年来随着自走车技术日新月异的发展，终端运算之於机器自主性的技术亦有显着的突破，特别是多旋翼无人机的自主性控制与即时运算处理。本研究基於此发展趋势，研究现阶段对於运算力仍较吃重的卷积神经网络於多旋翼无人机上之应用与表现。以无人机的交叉视角定位为目的，目标在於解决无人机之自主定位长期仰赖GPS讯号，然而实际应用上却时常遭遇讯号定位不稳定或完全无GPS讯号之情况。在该情境下，无人机如何透过周遭视角辨别所在位置，甚至进一步得到路径方位在全域性空间上的规划，为本研究探讨研究之议题。本研究提出一套基於卷积神经网络特徵撷取的单样本学习模型於无人机交叉视角定位上的方法。系统首先通过离线之模型学习相同地点、不同地点的场景特徵，以达到模型能判断给定的两张场景影像是否在同一位置之目的。而後再藉由无人机即时传入之影片画面与地面预先运算之特徵向量进行最近距离的查找，将运算结果映射至正射影像上的位置，进而辅助後续全域性路径规划之应用。本研究将过去用於交叉视角影像检索上的方法，结合近年来有显着发展的单样本学习模式，应用在无人机之状态意识、视觉定位问题上，并且以实际设备捕捉之无人机视角影像、测试影片等验证该方法在真实世界中之可行性。研究内容主要可分为两部分：第一部分呈现以图像检索问题训练离线学习模型的过程，提出如何以现有图资训练并改进模型，达成目标资料集在判定位置上之可行效能。第二部分则呈现对於训练模型的调整，缩短交叉视角定位误差，以达成精准定位之目的。

关键词：無人機卷積神經網絡單樣本學習影像導航機器學習

来源：评论

学校读者我要写书评

暂无评论

多维感知-空间解耦单样本人体动作识别模型

引用

信号处理 2025年第4期41卷 683-693页

作者：胡正平王雨露张琦明许凌峰陈代萍燕山大学信息科学与工程学院河北秦皇岛066004 燕山大学河北省信息传输与信号处理重点实验室河北秦皇岛066004

基于骨骼数据的人体动作识别方法因其能够消除与动作无关的视觉信息来降低训练复杂性越来越受到人们关注,然而大规模骨骼动作数据收集和注释面临挑战,基于骨骼的单样本动作识别旨在仅用单个训练样本识别人体动作,可以使机器人对新颖动... 详细信息

基于骨骼数据的人体动作识别方法因其能够消除与动作无关的视觉信息来降低训练复杂性越来越受到人们关注,然而大规模骨骼动作数据收集和注释面临挑战,基于骨骼的单样本动作识别旨在仅用单个训练样本识别人体动作,可以使机器人对新颖动作类别积极反应改善人机交互。针对基于卷积神经网络编码器进行人类活动分类数据稀缺问题,考虑将单样本动作识别问题表述为骨骼序列紧凑表示和深度度量学习范式,基于自注意力Transformer机制和空间解耦约束重新审视骨骼动力学图像建模向新颖活动类别传输,提出多维感知-空间解耦单样本人体动作识别模型。首先,将3D骨骼序列坐标映射为紧凑图像表示;其次,基于骨干网络将输入投影到低维特征空间,提取初级动作特征;接着,设计融合多层感知机与Transformer的嵌入编码器,在嵌入空间中捕捉关节时间空间依赖关系,增强模型对时空信息感知能力,得到高层次多维嵌入特征;然后,基于最近邻搜索完成样本间相似性度量;最后,结合多相似性损失、三元组边界损失、交叉熵损失和空间解耦损失的混合深度度量学习优化模型。实验在公共大规模数据集NTU RGB+D 120上进行评估,提出方法较Skeleton-DML提高3.8%,在使用40个训练类别时较Skeleton-DML提高7.5%。研究表明,提出方法能够在数据稀缺情况下充分利用骨骼序列紧凑表示信息,提高单样本动作识别匹配精度。

关键词：动作识别单样本学习度量学习 Transformer 空间解耦

来源：评论

学校读者我要写书评

暂无评论

基于跨域学习的单样本目标检测方法

引用

激光与光电子学进展 2023年第4期60卷 342-348页

作者：冯佳伟褚晶辉吕卫天津大学电气自动化与信息工程学院天津300072

针对单样本目标检测样本量较少的问题,提出了一种基于跨域学习的方法。该方法从数据增强的角度出发,增加其他域的数据集作为辅助,增强网络学习能力,同时为解决不同域间存在差异的问题,提出了一种基于图片尺度和实例尺度的跨域学习算法,... 详细信息

针对单样本目标检测样本量较少的问题,提出了一种基于跨域学习的方法。该方法从数据增强的角度出发,增加其他域的数据集作为辅助,增强网络学习能力,同时为解决不同域间存在差异的问题,提出了一种基于图片尺度和实例尺度的跨域学习算法,分别对输入的图片特征与检测网络的候选特征增加域分类器模型,用于增强网络对跨域数据的背景和目标的域适应能力。在两个不同的跨域场景进行实验,其中在PASCAL VOC数据集上与目前主流的单样本目标检测算法进行比较,超过目前最好算法2.8个百分点,从而证明了本文方法可以有效提高单样本目标的检测性能。

关键词：卷积神经网络目标检测单样本学习跨域学习

来源：评论

学校读者我要写书评

暂无评论

基于弱监督与域适应的图像语义分割方法研究

基于弱监督与域适应的图像语义分割方法研究

引用

作者：陈涛南京理工大学

学位级别：博士

作为场景理解的关键性技术,图像语义分割一直是计算机视觉领域一个非常活跃的研究方向,它在自动驾驶、目标识别、人机交互、步态识别以及视频监控等方面有着广泛的应用。随着深度学习的发展,基于全卷积网络的语义分割技术取得了巨大的... 详细信息

作为场景理解的关键性技术,图像语义分割一直是计算机视觉领域一个非常活跃的研究方向,它在自动驾驶、目标识别、人机交互、步态识别以及视频监控等方面有着广泛的应用。随着深度学习的发展,基于全卷积网络的语义分割技术取得了巨大的成功。然而,训练深层神经网络往往需要大规模带标注的训练数据,为语义分割任务获取像素级精确标注更是格外费时费力。因此,近年来,越来越多的研究者将注意力转向研究如何摆脱大规模像素级标注,从而减轻语义分割任务的标注负担。基于弱监督与域适应的图像语义分割方法研究成为了新的热点方向。论文围绕图像语义分割这一视觉课题,对基于弱监督与域适应的方法进行了探索研究。论文从弱监督、域适应和单样本学习三个角度探索图像语义分割算法设计:针对弱监督任务中目标对象挖掘不足和类别激活图定位不完整问题,分别提出基于非显著区域对象挖掘算法和基于显著性引导的类间和类内关系约束算法;针对域适应任务中对抗学习方法存在特征失真和过拟合源域特征的问题,提出了增强特征空间对抗学习的算法;针对单样本学习任务中编码器提取的特征缺乏语义信息而容易导致网络过拟合的问题,提出了基于语义丰富的类别原型学习的算法。论文具体的研究内容以及创新之处包括以下几个方面:（1）针对现有弱监督语义分割方法对显著区域外的目标对象挖掘不足问题,提出了基于非显著区域对象挖掘的算法。该算法首先引入了一个基于图的全局推理单元来帮助分类网络捕获不连续和远距离区域之间的全局关系,从而增强网络激活散布在角落或图像边缘附近的目标对象的能力;随后,为了进一步挖掘非显著区域内的目标,该算法借助原始类别激活图来定位显著区域外的潜在对象,通过降低伪标签的假负率进一步发挥分割网络的自我校正能力;最后,该算法通过非显著区域掩码操作为复杂图像生成掩码伪标签,从而帮助网络进一步发现非显著区域中的对象。在PASCAL VOC 2012和MS COCO数据集上的实验表明了该算法的优越性。（2）针对现有弱监督语义分割方法中类别激活图只能定位目标对象部分最具鉴别力区域的不足,提出了一个基于显著性引导的类间和类内关系约束算法。该算法首先利用了一个显著性引导的类别无关距离损失,通过将特征与其类原型对齐来最小化类内特征方差;随后,利用一个类别特定距离损失来分离类间特征,并促使对象区域比背景具有更高的激活度;除了增强分类网络在类别激活图中激活更多完整对象区域的能力外,该算法还通过一个对象引导的标签精炼子方法,进一步利用分割预测和初始标签生成高质量的伪标签。在PASCAL VOC 2012和MS COCO数据集上的实验表明了该算法的有效性。（3）针对当前基于对抗学习的域适应方法存在特征失真和过拟合源域特征的问题,提出了增强特征空间对抗学习的算法。该算法首先通过消除鉴别器中的任何池化层或跨步卷积来平衡特征空间对抗训练,随后通过赋予鉴别器对特征结构的洞察能力,设计了分类约束鉴别器来缓解对抗性学习中的特征失真,该分类约束鉴别器促使特征生成器提取领域不变特征的同时保留对语义分割任务有用的结构信息;考虑到特征空间对抗学习的训练过程中,目标域特征对分类器的不可见性容易导致分类器过度拟合源域特征,该算法进一步提出了一种特征空间对抗学习与伪标签自训练相结合的混合协作框架。为了充分利用伪标签,该算法还通过对齐来自不同域的同类特征的中心来对齐域间特征分布。在GTA5→Cityscapes和SYNTHIA→Cityscapes任务上的实验表明了该算法的优越性。（4）针对现有单样本图像分割算法中编码器提取的特征缺乏语义信息而容易导致网络过拟合的不足,提出了基于语义丰富的类别原型学习的算法。该算法在回合训练中利用多类标签信息对网络进行约束,帮助网络提取类别感知的语义特征表示,从而为目标类别生成更具语义意义的类别原型;该算法进一步利用金字塔特征融合子方法对目标线索进行多尺度的融合特征挖掘;为了更好地利用支持图像及其掩码,该算法为支持图像的分割提出了一个自原型引导分支来获得更加稳健的目标类别原型。在测试过程中,该算法将查询图像的伪原型与支持图像的原型相结合,从而更好地指导查询图像的最终分割。在PASCAL-5i和MS-COCO-20i数据集上的实验表明了该算法的有效性。综上所述,论文从弱监督、域适应和单样本学习三个角度对图像语义分割方法进行了研究并提出了相应算法。论文通过充分的对比实验验证了所提出的各算法的有效性。

关键词：深度学习语义分割弱监督域适应单样本学习

来源：评论

学校读者我要写书评

暂无评论

利用同质区特性的高光谱图像迁移学习分类

引用

计算机工程与应用 2021年第21期57卷 224-233页

作者：周绍光吴昊赵婵娟陈仁喜河海大学地球科学与工程学院南京211100

深度卷积神经网络能充分利用特征间的内在联系,提高高光谱影像的可分性,近年来受到了广泛关注。但是,训练深度网络模型对大量标记样本的需求限制了此类方法的应用。将迁移学习思想引入遥感影像分类以减少对标记样本数量的需求。具体研... 详细信息

深度卷积神经网络能充分利用特征间的内在联系,提高高光谱影像的可分性,近年来受到了广泛关注。但是,训练深度网络模型对大量标记样本的需求限制了此类方法的应用。将迁移学习思想引入遥感影像分类以减少对标记样本数量的需求。具体研究目标图像中每类只有一个标记样本的情况。通过对目标图像分割得到的同质区扩增目标域的训练样本数量,在此基础上运用深度孪生卷积神经网络减少源域图像与目标域图像的分布差异,实现对目标高光谱图像的最终分类。实验结果表明:同质区和孪生卷积网络的结合可提高半监督迁移学习分类的效果,较好地解决跨区域的高光谱图像分类问题。

关键词：高光谱图像分类孪生神经网络图像分割同质区单样本学习半监督迁移学习

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：