检索结果-内蒙古大学图书馆

自动化学报 2023年第2期49卷 415-424页

作者：朱煜方观寿郑兵兵韩飞华东理工大学信息科学与工程学院上海200237

遥感图像中的目标往往呈现出任意方向排列,而常见的目标检测算法均采用水平框检测,并不能满足这类场景的应用需求.因此提出一种旋转框检测网络R2-FRCNN.该网络利用粗调与细调两阶段实现旋转框检测,粗调阶段将水平框转换为旋转框,细调阶... 详细信息

遥感图像中的目标往往呈现出任意方向排列,而常见的目标检测算法均采用水平框检测,并不能满足这类场景的应用需求.因此提出一种旋转框检测网络R2-FRCNN.该网络利用粗调与细调两阶段实现旋转框检测,粗调阶段将水平框转换为旋转框,细调阶段进一步优化旋转框的定位.针对遥感图像存在较多小目标的特点,提出像素重组金字塔结构,融合深浅层特征,提升复杂背景下小目标的检测精度.此外,为了在金字塔各层中提取更加有效的特征信息,在粗调阶段设计一种积分与面积插值法相结合的感兴趣区域特征提取方法,同时在细调阶段设计旋转框区域特征提取方法.最后在粗调和细调阶段均采用全连接层与卷积层相结合的预测分支,并且利用Smooth Ln作为网络的回归损失函数,进一步提升算法性能.提出的网络在大型遥感数据集DOTA上进行评估,评估指标平均准确率达到0.7602.对比实验表明了R2-FRCNN网络的有效性.

关键词：遥感图像旋转框检测两阶段调整像素重组金字塔区域特征提取

来源：评论

学校读者我要写书评

暂无评论

结合旋转框和注意力机制的轻量遥感图像检测模型

引用

中国图象图形学报 2023年第9期28卷 2706-2718页

作者：李朝辉安金堂贾红雨方艳大连海事大学航运经济管理学院大连116000

目的遥感图像目标检测在国防安全、智能监测等领域扮演着重要的角色。面对遥感图像中排列密集且方向任意分布的目标,传统水平框目标检测不能实现精细定位,大型和超大型的目标检测网络虽然有强大表征学习能力,但是忽略了模型准确率与计... 详细信息

目的遥感图像目标检测在国防安全、智能监测等领域扮演着重要的角色。面对遥感图像中排列密集且方向任意分布的目标,传统水平框目标检测不能实现精细定位,大型和超大型的目标检测网络虽然有强大表征学习能力,但是忽略了模型准确率与计算量、参数量之间的性价比,也满足不了实时检测的要求,庞大的参数量和计算量在模型部署上也非常受限,针对以上问题,设计了一种轻量级的旋转框遥感图像目标检测模型(YOLO-RMV4)。方法对原MobileNetv3网络进行改进,在特征提取网络中加入性能更好的通道注意力机制模块(efficient channel attention,ECA),并且对网络规模进行适当扩展,同时加入路径聚合网络(path aggregation network,PANet),对主干网络提取特征进行多尺度融合,为网络提供更丰富可靠的目标特征。网络检测头中则采用多尺度检测技术,来应对不同尺寸的目标物体,检测头中的角度预测加入了环形圆滑标签(circular smooth label,CSL),将角度回归问题转换为分类问题,从而使预测角度和真实角度之间的距离可以衡量。结果将提出的检测模型在制备的AVSP(aerial images of vehicle ship and plane)数据集上进行实验验证,并对主流的7种轻量级网络模型进行了对比实验,相比RYOLOv5l,该模型大小(5.3 MB)仅为RYOLOv5l(45.3 MB)的1/8,平均精度均值(mean average precision,mAP)提高了1.2%,平均召回率(average recall,AR)提高了1.6%。并且mAP和AR均远高于其他的轻量级网络模型。同时也对各个改进模块进行了消融实验,验证了不同模块对模型性能的提升程度。结论本文提出的模型在轻量的网络结构下辅以多尺度融合和旋转框检测,使该模型在极有限参数量下实现实时推理和高精度检测。

关键词：深度学习旋转框检测轻量级注意力机制多尺度融合遥感图像

来源：评论

学校读者我要写书评

暂无评论

旋转框定位的多尺度再生物品目标检测算法

引用

浙江大学学报（工学版） 2022年第1期56卷 16-25页

作者：董红召方浩杰张楠浙江工业大学智能交通系统联合研究所浙江杭州310014

针对传统目标检测算法未考虑实际分拣场景目标物形态尺度的多样性,无法获取旋转角度信息的问题,提出基于YOLOv5的改进算法MR;-YOLOv5.通过添加角度预测分支,引入环形平滑标签(CSL)角度分类方法,完成旋转角度精准检测.增加目标检测层用... 详细信息

针对传统目标检测算法未考虑实际分拣场景目标物形态尺度的多样性,无法获取旋转角度信息的问题,提出基于YOLOv5的改进算法MR;-YOLOv5.通过添加角度预测分支,引入环形平滑标签(CSL)角度分类方法,完成旋转角度精准检测.增加目标检测层用于提升模型不同尺度检测能力,在主干网络末端利用Transformer注意力机制对各通道赋予不同的权重,强化特征提取.利用主干网络提取到的不同层次特征图输入BiFPN网络结构中,开展多尺度特征融合.实验结果表明,MR;-YOLOv5在自制数据集上的均值平均精度(mAP)为90.56%,较仅添加角度预测分支的YOLOv5s基础网络提升5.36%;对于遮挡、透明、变形等目标物,均可以识别类别和旋转角度,图像单帧检测时间为0.02~0.03 s,满足分拣场景对目标检测算法的性能需求.

关键词：再生物品检测 YOLOv5 旋转框检测环形平滑标签特征金字塔注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于改进R^(2) CNN 的遥感图像船舶检测方法研究

引用

中国航海 2023年第2期46卷 106-112页

作者：林堉斌邵哲平林盛泓集美大学航海学院福建厦门361021 集美大学船舶辅助导航技术国家与地方联合工程研究中心福建厦门361021

为深入研究光学遥感图像中的船舶检测问题,提升检测精度和降低模型复杂度,设计基于改进旋转区域卷积和神经网络(Rotational Region Convolutional Neural Networks),R^(2)CNN的两阶段旋转框检测模型。在模型的第一阶段使用水平框作为候... 详细信息

为深入研究光学遥感图像中的船舶检测问题,提升检测精度和降低模型复杂度,设计基于改进旋转区域卷积和神经网络(Rotational Region Convolutional Neural Networks),R^(2)CNN的两阶段旋转框检测模型。在模型的第一阶段使用水平框作为候选区域;在模型第二阶段引入水平框预测分支,并且设计一种间接预测角度的回归模型;在测试阶段进行旋转框非极大值抑制时,设计基于掩码矩阵的旋转框IoU(Intersection over Union)算法。试验结果显示:改进R^(2)CNN模型在HRSC2016(High Resolution Ship Collection 2016)数据集上取得81.0%的平均精确度,相比其他模型均有不同程度的提升,说明改进R^(2)CNN在简化模型的同时能有效提升使用旋转框检测船舶的性能。

关键词：船舶检测遥感图像卷积神经网络 R^(2)CNN模型旋转框检测候选区域提取

来源：评论

学校读者我要写书评

暂无评论

遥感图像旋转目标检测方法研究

遥感图像旋转目标检测方法研究

引用

作者：蒋晨东南大学

学位级别：硕士

遥感图像目标检测在地质监测、军事侦察、城镇规划和灾后调查等领域被广泛使用,是计算机视觉的一个重要研究方向。由于信息采集技术的日益发展,遥感图像的空间分辨率不断提高、细节纹理特征更为丰富,满足多领域对遥感目标的应用需求。因... 详细信息

遥感图像目标检测在地质监测、军事侦察、城镇规划和灾后调查等领域被广泛使用,是计算机视觉的一个重要研究方向。由于信息采集技术的日益发展,遥感图像的空间分辨率不断提高、细节纹理特征更为丰富,满足多领域对遥感目标的应用需求。因此,遥感图像目标检测具有较高的应用价值和研究意义。由于遥感图像具有背景复杂、目标种类多样、尺度不一以及方向任意等特点,而传统目标检测技术泛化性和鲁棒性较差,检测性能无法满足现阶段各领域的需求,因此逐渐摒弃传统目标检测技术在遥感图像检测上的应用。而目标检测技术在结合当下深度学习的发展后得到进一步提升,对密集型多尺度目标和旋转目标能获得更精确的检测效果。本文在基于深度卷积神经网络的目标检测基础上,针对遥感图像多类别、多尺度、方向任意等难点进行方案设计,提出了基于多层级特征选择的遥感旋转目标检测网络(MFS-Det)以及基于中心点预测的无锚框遥感旋转目标检测算法(CPDet),完成了遥感目标检测在精度和实时性两个方面的性能提升。本文的主要内容如下:(1)针对遥感图像尺度多样、方向任意的挑战,本文提出了基于多层级特征选择的遥感旋转目标检测网络(MFS-Det)。通过引入路径聚合模块来聚合高低维度的特征信息,提升网络对多尺度目标的检测效果,通过特征选择模块,将第一阶段候选区域生成网络输出的感兴趣区域(Ro I)映射到最合适的特征层级上。为了解决池化的两次量化导致定位精度不准的问题,引入双线性插值的Ro I Align模块。本文分析了多种旋转框表征方式的边界问题,并引入了新的旋转框表示形式滑动顶点法,设计了针对性的损失函数来解决旋转框的边界问题。在开源数据集DOTA和HRSC2016上,横向比较了多种前沿算法来验证本网络模型的检测性能并取得了较好的成绩。(2)为了应对锚框参数泛滥导致的模型推理速度降低等问题,本文提出了基于中心点预测的无锚框遥感旋转目标检测算法(CPDet)。CPDet共有四条预测分支:中心点坐标及其偏移量、目标宽高以及旋转角度。为了提升中心坐标的预测准确性,采用收缩二维高斯映射的方式,集中在中心椭圆区域采样。通过引入环状平滑标签法,将角度回归问题优化成分类问题,由此解决角度回归的边界问题。通过增加权重偏差函数,优化对类正方形目标的检测效果。在保证网络检测精度的同时,提升了模型检测的实时性,并在数据集DOTA和HRSC2016上得到效果验证。

关键词：遥感图像目标检测深度卷积神经网络无锚框算法旋转框检测

来源：评论

学校读者我要写书评

暂无评论

基于多尺度特征融合的航空图像目标检测研究

基于多尺度特征融合的航空图像目标检测研究

引用

作者：李洋华侨大学

学位级别：硕士

随着遥感成像技术的成熟应用,航空图像数据的分析和挖掘逐渐成为了一个重要的课题,利用深度学习相关技术对航空图像目标进行检测是其中的一个基础且关键的问题,并有着广阔的应用前景。本文针对航空图像目标检测中存在的多尺度、多方向... 详细信息

随着遥感成像技术的成熟应用,航空图像数据的分析和挖掘逐渐成为了一个重要的课题,利用深度学习相关技术对航空图像目标进行检测是其中的一个基础且关键的问题,并有着广阔的应用前景。本文针对航空图像目标检测中存在的多尺度、多方向等主要困难,从特征工程的角度对多尺度特征的融合方法进行了研究,根据不同的检测任务,配合相关的技巧,提出了三种端到端的检测模型: 1)在基本的水平框检测任务中,针对航空图像中多尺度目标以及密集小目标的特点,提出了融合多尺度特征和上下文信息的水平框检测模型,在单阶检测架构中,引入了跨层级的多路特征融合NAS-FPN并连接轻量的SSH上下文模块,在融合不同层级特征的基础上进行多尺度预测,使模型对多种航空目标的推理更加平衡、高效。 2)在航空图像旋转框检测任务中,提出了注意力双向选择的特征融合机制,从自适应融合的角度出发,该方法先利用输入特征计算通道注意力权重,然后借助学习到的权重信息指导特征图之间的融合,这有助于更好地筛选有效的特征,在对特征信息要求更高的旋转目标检测中精确地区分目标。在旋转框检测的实现上,提出了边框修正的匹配方法,在锚点匹配阶段使用修正的水平边框,并在回归阶段并行地预测旋转角信息。 3)在航空图像旋转框检测任务上,提出了基于多尺度点集表征融合的无锚点检测模型,用自适应的关键点集合来定位目标,避免了基于锚点框和旋转角预测方法中损失计算的不一致和预设锚点框带来的限制。模型骨干网络延用了注意力选择特征融合,说明了该特征融合方法在不同表征提取中的有效性,然后在多尺度融合特征上对旋转目标进行预测,每一级特征使用两阶段预测网络分别初始化点集和精细化点的位置,并在训练和测试阶段使用不同的方法实现点集到旋转框的转换,有效地利用真实框信息进行学习和评估。本文提出的三种模型分别在不同的检测范式下做了探究和创新,在DOTA、HRSC2016和UCAS-AOD等公开的航空图像数据集上均有着不错的表现,在m AP等主要评价指标上超过了相关的方法。

关键词：航空图像目标检测锚点框旋转框检测多尺度特征融合

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的遥感图像目标检测方法

基于深度学习的遥感图像目标检测方法

引用

作者：杜文斌上海电力大学

学位级别：硕士

随着遥感技术的飞速发展,越来越多的行业开始出现对遥感图像的相关需求。而随着遥感分辨率和数据体量的不断提升,使用人工处理数据的方法已经无法满足需要。因此如何实现高效、精准的自动化数据处理方式已经成为当前的一个研究热点。近... 详细信息

随着遥感技术的飞速发展,越来越多的行业开始出现对遥感图像的相关需求。而随着遥感分辨率和数据体量的不断提升,使用人工处理数据的方法已经无法满足需要。因此如何实现高效、精准的自动化数据处理方式已经成为当前的一个研究热点。近年来发展迅速的人工智能和深度学习技术为遥感图像目标检测领域开拓新的道路,并表现出不错的潜力。因此本文以目标检测为基础,结合遥感图像检测方法开展深入研究。本文针对当前主流目标检测算法应用在遥感图像领域中所遇到的难点进行分析,并结合遥感图像目标的特点进行进一步研究。首先对数据集分析可知,遥感图像中目标的尺度差异较大,轮廓特征和纹理特征丰富,小尺寸目标数量较多,且分布十分密集。小尺寸目标所包含的信息较少,在模型训练过程中容易丢失,使模型对小目标的学习不够充分,密集的分布进一步造成目标特征信息混淆,使模型对此类目标的检测效果较差,出现严重的错检漏检现象。其次遥感图像中的目标多数具有方向特征,而当前主流的目标检测模型通常使用水平锚框的标注方式,导致模型无法表现出遥感目标的方向性,且在检测部分长宽比较大的目标时只能概括的表现其大小,无法精准定位实现高质量的检测。针对以上问题,本文所开展的工作如下:(1)提出一种基于密集连接与特征增强的遥感图像目标检测算法。引入密集连接网络,通过密集连接模块中频繁的特征融合,加速模型参数的更新与信号传播,有效改善模型的特征提取能力并使网络轻量化。本文还提出一种特征增强模块,依据感空洞卷积原理丰富模型感受野,提升网络对特征信息的敏感度,缓解小尺度目标的信息丢失现象。(2)针对遥感图像背景复杂,且目标具有方向特征的问题,本文提出了一种基于旋转框生成网络的遥感图像检测方法。首先通过超分辨率生成网络提升遥感图像质量,之后使用CSL环形平滑标签,实现多角度遥感图像目标检测,使预测框更贴合物体真实情况,以此来实现高质量的检测。同时引入坐标注意力机制,通过通道与空间两个维度构建注意力权重,提升待检目标的信息并弱化背景干扰,进一步优化模型检测性能。在本文整理的数据集上进行实验,结果表明本文的方法在遥感图像检测精度上提升显著,错检漏检现象得到有效缓解。并且本文的方法对具有方向属性的目标定位更加精准,有效表现出目标的方向特征。

关键词：遥感图像目标检测特征融合注意力机制旋转框检测

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的遥感图像舰船目标检测研究

基于深度学习的遥感图像舰船目标检测研究

引用

作者：祁文平西安电子科技大学

学位级别：硕士

在海洋遥感领域中舰船目标检测一直是热门的研究课题,它不仅能辅助海面渔船管理和遇难船只搜索救援,还能用于重要军事目标的动态监测和海战场态势感知,具有巨大的应用潜力。然而随着光电成像技术以及高分辨合成孔径雷达的飞速发展,数据... 详细信息

在海洋遥感领域中舰船目标检测一直是热门的研究课题,它不仅能辅助海面渔船管理和遇难船只搜索救援,还能用于重要军事目标的动态监测和海战场态势感知,具有巨大的应用潜力。然而随着光电成像技术以及高分辨合成孔径雷达的飞速发展,数据量也呈爆发式增长,人工判读数据难以满足需求。遥感图像通常面积广阔,舰船目标在图像中占比小,还存在云层、岛屿、雾气等干扰,使得传统的检测算法存在大量漏检和虚警。基于深度学习的目标检测算法不依靠手工设计的特征,能提取到目标深层次的语义信息,具有强大的特征表达能力。因此,本文以深度学习的方法开展遥感图像舰船目标智能检测研究,提升复杂背景下舰船目标检测的准确率和召回率。论文的主要研究内容如下: 1、针对传统遥感图像舰船目标检测算法中手工设计的特征在复杂场景中稳定性差、适应性差等导致的舰船目标检测漏检率和虚警率高的问题,本文采用深度学习的方法搭建了基于卷积神经网络的遥感图像舰船目标检测模型,实现了遥感图像舰船目标的检测,取得了一定的研究成果。对基线网络YOLOX进行研究改进,在减少计算量和参数量的情况下实现了遥感图像中舰船目标检测精度的提升。 2、针对遥感图像中舰船目标在港口紧密排列时,水平框检测算法由于NMS导致了大量的漏检,本文以旋转矩形框标注舰船目标,提出R＿YOLOX遥感图像舰船目标检测算法。R＿YOLOX是旋转目标检测器,比水平框检测器更具普遍适应性,其检测框能够紧密包裹舰船目标,真实反映舰船目标的宽高,解决了紧密排时的漏检问题。针对旋转框角度位于边界状态时,Smooth＿L1损失函数对角度回归不准的问题,本文将连续问题离散化,以分类的思想处理角度回归的问题使得角度预测更加准确,并在网络结构中融入有监督的注意力机制加强模型对有效特征的关注能力,进一步提升检测的召回率。 3、针对遥感图像尺寸过大舰船目标面积占比较小的问题,本文采用动态滑窗裁剪,将大幅遥感图像裁剪为尺寸合适大小以提升检测率。针对遥感图像数据量不足缺乏多样性的问题,本文对遥感图像进行数据增广,提升了原始数据的多样性,加强了模型的泛化能力。

关键词：深度学习舰船目标检测旋转框检测卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的SAR图像舰船目标检测

基于深度学习的SAR图像舰船目标检测

引用

作者：明天中国电子科技集团公司电子科学研究院

学位级别：硕士

舰船目标检测对于我国海防预警、战略部署以及海运检测都有着重要的意义。SAR图像因为其全天时全天候的工作特性已经成为舰船目标检测的重要数据来源。传统算法由于需要人工进行特征提取等工作,已经不太能满足目标检测的实时性需求。而... 详细信息

舰船目标检测对于我国海防预警、战略部署以及海运检测都有着重要的意义。SAR图像因为其全天时全天候的工作特性已经成为舰船目标检测的重要数据来源。传统算法由于需要人工进行特征提取等工作,已经不太能满足目标检测的实时性需求。而当前深度学习算法已经在合成孔径雷达图像的目标检测领域有着广泛的应用和研究。基于深度学习的主流目标检测算法可以分为双阶段检测和单阶段检测算法两类,本文基于单阶段检测算法中的YOLOv5网络模型,做出了算法改进,提升了网络检测性能,本文主要完成内容如下: 针对深度学习的检测方法运用于SAR舰船目标检测存在的虚警或漏检问题进行了改进。以YOLOv5s网络模型为基础,结合舰船目标特征,对网络的损失函数进行改进。并在检测网络的特征提取模块引入了注意力机制模块,有效增强了网络特征提取的能力。并对检测网络的特征融合模块增加了新的融合分支,使检测网络拥有更强的目标定位能力,提升了小目标检测的能力。经消融实验验证,上述改进内容及其组合均对检测网络的性能有着不同程度的提升,并通过与其他检测网络的对比,验证了改进后网络的优越性。在舰船目标检测任务中,使用水平框检测极易包含多余的背景信息,而使用旋转框检测有利于后续的舰船目标姿态、航迹预测等工作。由此,本文对YOLOv5s检测网络进行了旋转角度训练和预测的功能实现。针对将角度信息回归预测可能出现的边界损失和训练难度大等问题,本文将角度信息进行离散化处理,将回归问题转化为分类问题,有效保证了检测网络的速度优势。由于预测框需要进行旋转框交并比的计算和角度类别的判别,所以对YOLOv5s检测网络的损失函数进行了调整,结合了三角剖分法实现了对旋转框的交并比便捷计算,使用交叉熵函数实现对角度类别的损失计算。经实验验证,YOLOv5s旋转框网络模型取得了不错的检测效果,平均精度均值指标与其他旋转框检测网络模型相比具有优势,但在精度方面还存在提升空间。最后,本文基于自身研究的不足,对未来的研究进行了展望,提出基于深度学习的SAR图像舰船目标检测的可能研究方向。

关键词：合成孔径雷达舰船检测卷积神经网络损失函数注意力机制旋转框检测

来源：评论

学校读者我要写书评

暂无评论

基于两阶段网络的路面裂缝缺陷识别研究

基于两阶段网络的路面裂缝缺陷识别研究

引用

作者：任静西南交通大学

学位级别：硕士

交通作为城市的血脉,向城乡的协同发展提供了强有力的支撑,根据近几年交通部公布的数据显示,公路的运输量在各种运输方式中占比最大。然而随着道路使用年限的增加,路面使用材料的老化,自然条件的影响,维护不及时等多方面原因的影响下,... 详细信息

交通作为城市的血脉,向城乡的协同发展提供了强有力的支撑,根据近几年交通部公布的数据显示,公路的运输量在各种运输方式中占比最大。然而随着道路使用年限的增加,路面使用材料的老化,自然条件的影响,维护不及时等多方面原因的影响下,使得道路逐渐发生缺陷,例如各种路面裂缝等,因此及时对路面缺陷识别并修护是保障公路质量的必要手段。随着科学技术的蓬勃发展,人工检测的不足逐渐被计算机应用技术等弥补,基于数字图像处理、计算机视觉的方法应运而生,缓解了人工检测费时长还效率低的问题。计算机技术的使用能够帮助工作人员快速锁定路面缺陷区域,并识别鉴别出缺陷类型给予反馈。随着公路覆盖面与数量的日益扩大,对路面缺陷识别的要求也更加严格与标准,传统数字图像处理技术在发挥作用的同时,深度学习、人工智能等方法也在路面缺陷识别智能化方向进行更深一步的研究。本文基于路面裂缝缺陷识别技术的国内外研究现状,通过分析裂缝缺陷图像特征,基于深度学习中的两阶段网络对路面裂缝缺陷识别方法展开研究。本文的主要工作内容如下: (1)为了减少收集到的路面裂缝缺陷图像中噪声、光照不匀等不利条件的干扰,本文最初先对路面图像预处理的常用手段开展了研究,确定了使用均值漂移的方法减弱路面图像中的噪声影响,随后再利用直方图均衡化的办法提高裂缝目标与背景间的差异。最后对预处理后的图像进行标注,制作了有向路面缺陷数据集crack＿DOTA。 (2)本文提出了基于Oriented R-CNN旋转检测模型来识别路面裂缝缺陷目标的方法,并结合路面缺陷目标细长斜向分布的特点将原模型中的Ro IAlign Rotated模块更改为Ri Ro IAlign Rotated实现输出特征图在通道维度上对于任意方向Ro I都对齐,并在计算loss＿cls分类损失时,使用softmax分类函数取代原有的分类函数,改进后的模型在召回率与平均检测精度方面各提高了2.9与4.3个百分点,证明了所提出方法的可行性与有效性。 (3)在两阶段旋转目标检测模型Ro I Transformer的基础上,针对裂缝缺陷目标长宽比大的特殊性优化旋转框的损失,本文利用基于卡尔曼滤波的KFIo U作为Ro I Transformer的损失函数,在无需引入额外超参数与调参的基础上提高了模型对裂缝缺陷目标的检测能力,其在召回率与平均检测精度方面相比原模型各提高了1.5与5.3个百分点。

关键词：路面裂缝缺陷识别目标检测两阶段网络旋转框检测

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：