【论文】DARDet: A Dense Anchor-free Rotated Object Detector in Aerial Images

最新推荐文章于 2023-05-17 20:49:37 发布
原创 最新推荐文章于 2023-05-17 20:49:37 发布 · 3.1k 阅读 · 5 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#机器学习 #计算机视觉 #算法

DARDet是一种新型的无锚点旋转目标检测算法，它直接预测每个前景像素的旋转边界框参数，采用对齐卷积模块(ACM)提取对齐特征，并引入PIoU损失解决边界不连续问题。实验表明，DARDet在DOTA、HRSC2016和UCAS-AOD数据集上表现出色，提升了检测精度和效率。
部署运行你感兴趣的模型镜像

目录

摘要

一、引言

二、算法

​1.总体结构

（1） 特征提取模块

（2）DarDet head

2.对齐卷积模块

3.PIoU损失

三、实验部分

1. 数据集

2. 环境设置

3. 消融试验

4. 与SOTA的对比

 

摘要

 DARDet:Dense anchor-free rotated object detector

  • 直接在特征图的每个前景像素上预测出旋转边界框的五个参数；
  • 使用新的对齐卷积模块提取对齐特征；
  • 引入PIoU损失

一、引言

(1) 当航空影像的目标具有不同的尺度和长宽比，并且方向任意且密集分布，导致检测任务存在巨大挑战。

(2) 现存的anchor-based方法都是在矩形边界框的基础上引入了额外的角度维度的信息，并使用距离损失进行优化。这种anchor-based模型对anchor超参数敏感，并且容易产生因边界不连续而导致性能退化的问题。

（3）现存的anchor-free算法都是基于关键点的检测器，每个OBB值对应一个训练样本，导致训练时间很长，且难以解决边界不连续的问题。此外，这类方法的特征与旋转边界框往往是不对齐的。

（4）本研究在VarifocalNet的基础上提出了一个密集的anchor-free的旋转目标检测器：

  • 直接预测一个用于OBB编码的五维向量(x', y', w', h',\theta ')
DARDet直接预测的五维向量
  •  使用对齐卷积模块(ACM）将特征与OBB对齐
  • 引入PIoU损失解决边界不连续问题

二、算法

​

1.总体结构

（1） 特征提取模块

  • 由Backbone和FPN组成

（2）DarDet head

  定位子网络：

  • 输入特征金字塔的每一层特征图，使用1个3×3的卷积生成一个256通道的特征图；
  • 在初始化和优化阶段分别进行OBB的回归和精炼
  • 在初始化阶段，使用一个卷积层在每个空间位置上生成一个5D向量(x', y', w', h',\theta ')，并利用ACM模块提取对齐特征
  • 在优化阶段，利用对齐特征图生成一个5D的偏差向量(\Delta x, \Delta y, \Delta w, \Delta h,\Delta \theta)，然后与初始的OBB位置向量相加，得到优化后的OBB(x, y, w, h,\theta)
  • PIoU损失用来优化OBB

  分类子网络

  • 与定位子网络的优化阶段结构相似，用于估计IACS（IoU-aware classification scores）
  • 输出的IACS是一个具有C（类别数）通道的向量，代表分类置信度和定位精度
  • 使用Varifocal loss对密集旋转目标检测器进行训练，输出预测的IACS

2.对齐卷积模块

主要用于捕捉OBB的几何信息和背景上下文信息，有利于预测OBB与真实目标框的对齐。

该模块使用可变性卷积(deformable convolution)来对齐OBB和特征，具体来说:

  • 给定特征图的一个采样位置(i,j),首先回归得到初始的OBB向量(x', y', w', h',\theta ')；
  • 根据初始的OBB，选择九个采样点（OBB的4个顶点和4个边的中点，以及采样位置），如图1所示；
  • 将这9个定位点映射到特征图上，通过可变形卷积对投影点上的特征进行卷积，以提取对齐特征，如图3所示；
  • 这些定位点是手动选择的，计算量可以忽略不计。

对齐卷积模块

3.PIoU损失

边界不连续是指由于边缘的角度周期性和边的可交换性，边界处的损失急剧增加。

角度的定义是长边和y轴的夹角

PIoU (Pixels-IoU loss)联合OBB的5个参数，检查每个像元的位置，解决边界不连续问题。

角度周期性和边可交换性导致的边界不连续问题
PIoU的计算方式

 

如上图5所示，给定OBB b（蓝色编码为(x, y, w, h,\theta)的旋转边界框）和影像中的像元p_{i,j}，使用定义的二值函数来判断二者的相对位置：

 公式（1）是不连续不可微分的，可以通过两个核函数相乘近似表示这个二值函数：

核函数K(d,s)定义为 ：

 b和{b}'面积的交集和并集可以近似计算为：

 PIoU的计算方式为：

三、实验部分

1. 数据集

(1) DOTA：15个类别，随机翻转和数据增广，单尺度训练和测试

(2) HRSC2016：航空影像的舰船检测

(3) UCAS-AOD：飞机和汽车的检测

2. 环境设置

(1) 超参数

  • 迭代次数：12epoches
  • batch-size：6
  • backbone：ResNet50
  • 优化器：SGD
  • 初始学习率：0.01
  • momentum：0.9
  • weight decay：0.0001

(2) 在backbone的最后阶段，使用可变形卷积替代普通卷积层，以扩大感受野，并训练模型24epoches

3. 消融试验（DOTA数据集）

(1) 将修改后的VarifocalNet作为基准：mAP为63.19%

(2) 对齐卷积模块ACM的有效性：与基准模型相比，mAP提高了3.8%

(3) PIoU 损失函数的有效性：mAP从66.98%提升到了72.44%

4. 与SOTA的对比

(1) DOTA数据集上的结果：单尺度ResNet50的DARDet能够获得77.61%的mAP,旋转增强后能够获得所有单尺度算法里最优的检测精度，检测速度仅次于S2A-Net

(2) HRSC2016数据集上的结果：DARDet表现最好，精度90.37%

(3) UCAS-AOD数据集上的结果：DARDet表现最好，mAP为90.37%

您可能感兴趣的与本文相关的镜像

Yolo-v8.3

Yolo-v8.3

Yolo

YOLO（You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的Joseph Redmon 和Ali Farhadi 开发。 YOLO 于2015 年推出，因其高速和高精度而广受欢迎

旋转目标检测：mmrotate仓库中 “主要模型” 及其 “配置文件” 的列表
sinat_39783664的博客
07-18 623
https://github.com/open-mmlab/mmrotate/tree/main/configs中模型的解析，方便结合最新旋转目标检测模型进行学习和模型部署
IEEE Transactions on Geoscience and Remote Sensing(IEEE TGRS)中深度学习相关文章及研究方向总结
想到好名再改的博客
04-08 1万+
本文旨在调研TGRS中所有与深度学习相关的文章，以投稿为导向，总结其研究方向规律等。文章来源为EI检索记录，选取2020到2023年期间录用的所有文章，约4000条记录。同时，考虑到可能有会议转投期刊，模型改进转投或相关较强等情况，本文也添加了这些文章。
FCOSR: A Simple Anchor-free Rotated Detector for Aerial Object Detection阅读笔记
风行
11-26 6069
(一) Title 论文地址:https://arxiv.org/abs/2111.10780 项目地址:https://github.com/lzh420202/FCOSR (二) Summary 研究背景: 现有的基于anchor-based方法的旋转框检测算法需要手动设置预设框,引入了额外的超参数和计算。基于anchor-free的方法通常具有复杂的体系结构,不容易部署。 本文方法: 本文提出了一个一阶段的带有角度旋转的检测框架FCOSR,一看就是基于FCOS架构,并且将二维高斯分布也引入进来
【论文阅读】FCOSR: A Simple Anchor-free Rotated Detector for Aerial Object Detection
dujuancao11的博客
12-13 838
这位博主写的很好，我就不班门弄斧了，前来学习，手写一些笔记让自己记忆深刻一些。 FCOSR: A Simple Anchor-free Rotated Detector for Aerial Object Detection阅读笔记_风行-优快云博客 以下是我自己的手写笔记，字很丑==，留给自己看。 ...
FCOS: A Simple and Strong Anchor-free Object Detector
智障变智能
11-04 1389
一.anchor-base缺点　　　　　　　　　 １．anchor的设置对结果影响很大,不同项目这些超参都需要根据经验来确定，难度较大． ２．anchor太过密集，其中很多是负样本，引入了不平衡． ３．anchor的计算涉及IOU增加计算复杂度． 二．回归方式 anchor-based回归方式在于回归anchor与gt框之间的偏移量，而fcos回归的是上下左右距离． ...
文献翻译3：FCOSR: A Simple Anchor-free Rotated Detector for Aerial Object Detection
qq_37444533的博客
01-07 1345
本文旨在提出一种简单且易于部署的遥感图像检测算法。本文作者提出了一种基于FCOS的one-stage的anchor-free算法FCOSR。FCOSR是简单的全卷积结构。本文的重点工作在于训练阶段的标签分配策略。本文中使用了一种椭圆中心采样方法为OBB定义一个合适的正样本区域。针对目标重叠问题则提出了一种模糊样本分配策略。针对采样不足问题则设计了一种多级采样模块。结合上述的三种方案为训练分配更合适的样本。
Anchor-free目标检测算法系列11： DenseBox中心点处dense：Unifying Landmark Localization with End to End Object Detec
Sesen的木屋
08-14 574
DenseBox: Unifying Landmark Localization with End to End Object Detection （CVPR2015） 论文是2015年提出的一种端到端的算法，同时对目标进行分类和框回归，算法很有前瞻性。DenseBox...
DOTA: A Large-scale Dataset for Object Detection in Aerial Images 翻译
likyoo的博客
02-07 5440
DOTA：用于航空图像中目标检测的大规模数据集 原文：https://arxiv.org/pdf/1711.10398.pdf 官网：https://captain-whu.github.io/DOTA/ dataset：https://captain-whu.github.io/DOTA/dataset.html Abstract 对象检测是计算机视觉中一个重要且具有挑战性的问题。 尽...
【论文合集】Awesome Object Detection in Aerial Images
m0_61899108的博客
05-17 1308
A curated list of awesome resources for generic object detection in aerial images.
ECCV2020 Piou Loss论文翻译
Q1u1NG的博客
09-04 2216
摘要:目标检测使用方向边界框(OBB)可以通过减少背景的重叠区域更好的检测到旋转物体。现存的方向边界框(OBB)大多数建立在横向边界框基础上，通过增加一个距离损失来做角度回归。然而基于距离损失的角度回归只能最小化角度距离，对于iou却很不敏感，它对高长宽比的对象不敏感。因此，一个新颖的损失函数Pixels-IoU (PIoU) Loss，就是设计成利用角度和IoU来进行精确的OBB回归。PIoU损失是由像素方向的IoU度量得到的，一个简单的并且适合方向边界框和横向边界框的方法。为了验证它的有效性，我们在an
【论文阅读】A2S-Det: Efficiency Anchor Matching in Aerial Image Oriented Object Detection
dujuancao11的博客
01-05 2244
【论文阅读】A2S-Det: Efficiency Anchor Matching in Aerial Image Oriented Object Detection
【目标检测】YOLO+DOTA：小目标检测策略
兴趣使然的创作者
08-16 7749
针对小目标检测的一种有效策略
Tiny Object Detection in Aerial Images论文简读
如果想成为中心，那么就到中心去吧。
12-08 2936
code: https://github.com/jwwangchn/AI-TOD 文章目录摘要论文的贡献 摘要 近年来，地球视觉中的目标探测取得了很大的进展。然而，航空图像中的微小物体检测仍然是一个非常具有挑战性的问题，因为微小物体包含的像素很小，很容易与背景混淆。为了推进航空图像中的微小物体检测研究，我们提出了一种新的航空图像中的微小物体检测数据集(AI-TOD)。具体来说，AI-TOD为280,36张航空图像的8个类别提供了700,621个物体实例。与现有的航空图像目标检测数据集相比，AI-TOD目.
目标检测论文综述（四）Anchor-Free
管住嘴也能迈开腿的Miracle_tb_cool
01-25 3328
所有论文综述均保持如下格式： 1、一页PPT内容总结一篇论文 2、标题格式一致：出处 年份 《标题》 3、内容格式一致：针对XX问题；提出了XX方法；本文证明了XXX 4、把握核心创新点，言简意赅 5、官方源码链接 目标检测综述，资源列表(论文、官方/非官方代码)——GitHub链接 ——CNN based Anchor-Free Detectors 一、CVPR 2015《DenseBox:Un...
深度学习之anchor机制
weixin_44474718的博客
07-13 6697
anchor机制由Faster-RCNN提出，而后成为主流目标检测器的标配，例如SSD、Yolov2、RetinaNet等等。 为了解决：分而治之（将scale和aspect ratio空间划分为几个子空间，降低问题难度，降低模型学习难度）和解决gt box与gt box之间overlap过大导致gt box丢失问题。三个方法： pyramids of images： pyramids of f...
目标检测中Anchor的本质分析
3D视觉工坊
11-23 1939
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者丨东林钟声@知乎来源丨https://zhuanlan.zhihu.com/p/84398108编辑丨极市平台导读本文以人脸识...
DOTA：用于航拍图像目标检测的大规模数据集
Change ZH的博客
07-20 1万+
DOTA：用于航拍图像目标检测的大规模数据集
遥感深度学习数据集汇总（更新中）
阳光在手指间
08-10 5907
一、目标检测类 1、DOTA 论文：A Large-scale Dataset for Object Detection in Aerial Images，arXiv:1711.10398v1 数据下载：http://captain.whu.edu.cn/DOTAweb/ 来源：武大和华科 2、NWPU VHR-10 论文： [1] Gong Cheng, Junwei Han, Peicheng Zhou, Lei Guo. Multi-class geospatial object dete
DOTA目标检测数据集
热门推荐
zhengxinjie2的博客
04-11 2万+
Dota开源目标检测数据集 DOTA-v1.5包含16个类别中的40万个带注释的对象实例，这是DOTA-v1.0的更新版本，它们都使用相同的航拍图像，但是DOTA-v1.5修改并更新了对象的注释，其中许多在DOTA-v1.0中丢失的10像素以下的小对象实例已被另外注释，DOTA-v1.5的类别也得到了扩展。 具体地说，增加了集装箱起重机的类别。与DOTA-v.1.0一致，DOTA-v1...
Epoch 1/20 98/98 ━━━━━━━━━━━━━━━━━━━━ 0s 552ms/step - dense_3_accuracy: 0.0282 - dense_3_loss: 3.5552 - dense_4_accuracy: 0.0313 - dense_4_loss: 3.5419 - dense_5_accuracy: 0.0259 - dense_5_loss: 3.5605 - dense_6_accuracy: 0.0296 - dense_6_loss: 3.5452 - loss: 14.2645 Epoch 0 - 验证集全匹配准确率: 0.0000 98/98 ━━━━━━━━━━━━━━━━━━━━ 62s 575ms/step - dense_3_accuracy: 0.0283 - dense_3_loss: 3.5550 - dense_4_accuracy: 0.0314 - dense_4_loss: 3.5417 - dense_5_accuracy: 0.0259 - dense_5_loss: 3.5602 - dense_6_accuracy: 0.0296 - dense_6_loss: 3.5450 - loss: 14.2641 - val_dense_3_accuracy: 0.0333 - val_dense_3_loss: 3.5351 - val_dense_4_accuracy: 0.0333 - val_dense_4_loss: 3.5258 - val_dense_5_accuracy: 0.0400 - val_dense_5_loss: 3.5363 - val_dense_6_accuracy: 0.0333 - val_dense_6_loss: 3.5032 - val_loss: 14.2117 - learning_rate: 0.0010 - val_full_match_accuracy: 0.0000e+00 Epoch 2/20 98/98 ━━━━━━━━━━━━━━━━━━━━ 0s 547ms/step - dense_3_accuracy: 0.0283 - dense_3_loss: 3.5009 - dense_4_accuracy: 0.0306 - dense_4_loss: 3.4942 - dense_5_accuracy: 0.0378 - dense_5_loss: 3.4964 - dense_6_accuracy: 0.0378 - dense_6_loss: 3.4986 - loss: 14.0956 Epoch 1 - 验证集全匹配准确率: 0.0000 98/98 ━━━━━━━━━━━━━━━━━━━━ 54s 552ms/step - dense_3_accuracy: 0.0283 - dense_3_loss: 3.5009 - dense_4_accuracy: 0.0306 - dense_4_loss: 3.4942 - dense_5_accuracy: 0.0377 - dense_5_loss: 3.4964 - dense_6_accuracy: 0.0378 - dense_6_loss: 3.4986 - loss: 14.0954 - val_dense_3_accuracy: 0.0267 - val_dense_3_loss: 3.5849 - val_dense_4_accuracy: 0.0133 - val_dense_4_loss: 3.5698 - val_dense_5_accuracy: 0.0067 - val_dense_5_loss: 3.6506 - val_dense_6_accuracy: 0.0267 - val_dense_6_loss: 3.5626 - val_loss: 14.4254 - learning_rate: 0.0010 - val_full_match_accuracy: 0.0000e+00 Epoch 3/20 98/98 ━━━━━━━━━━━━━━━━━━━━ 0s 554ms/step - dense_3_accuracy: 0.0324 - dense_3_loss: 3.4974 - dense_4_accuracy: 0.0315 - dense_4_loss: 3.4956 - dense_5_accuracy: 0.0398 - dense_5_loss: 3.4950 - dense_6_accuracy: 0.0274 - dense_6_loss: 3.4961 - loss: 14.0531 Epoch 2 - 验证集全匹配准确率: 0.0000 98/98 ━━━━━━━━━━━━━━━━━━━━ 55s 559ms/step - dense_3_accuracy: 0.0324 - dense_3_loss: 3.4974 - dense_4_accuracy: 0.0315 - dense_4_loss: 3.4956 - dense_5_accuracy: 0.0398 - dense_5_loss: 3.4950 - dense_6_accuracy: 0.0274 - dense_6_loss: 3.4961 - loss: 14.0530 - val_dense_3_accuracy: 0.0067 - val_dense_3_loss: 3.5379 - val_dense_4_accuracy: 0.0400 - val_dense_4_loss: 3.5454 - val_dense_5_accuracy: 0.0067 - val_dense_5_loss: 3.6164 - val_dense_6_accuracy: 0.0400 - val_dense_6_loss: 3.5071 - val_loss: 14.2812 - learning_rate: 0.0010 - val_full_match_accuracy: 0.0000e+00
最新发布
05-29
<think>嗯，用户想分析深度学习模型训练过程中Dense层的准确率和损失值变化。首先，我需要回忆一下Dense层的作用。Dense层是全连接层，负责整合前面层的特征，进行非线性变换，所以它的参数变化会影响整个模型的性能。接下来，用户可能想知道准确率和损失值在训练过程中如何变化，以及Dense层的设计如何影响这些指标。 我得先考虑训练初期的情况。这时候，模型参数是随机初始化的，准确率低，损失值高。可能用户会想知道为什么一开始准确率不高，是不是初始化的问题。然后，随着训练的进行，参数逐渐调整，准确率上升，损失下降。这时候可能需要解释梯度下降和反向传播的作用，尤其是Dense层如何通过优化算法更新权重。然后，用户可能关心过拟合的情况。比如，训练准确率继续上升，但验证准确率停滞或下降，这时候损失值可能开始上升。这时候需要提到正则化方法，比如Dropout或L2正则化，以及如何调整Dense层的节点数或层数来防止过拟合。另外，激活函数的选择也很重要。比如使用ReLU可能比Sigmoid更好，避免梯度消失，尤其是在深层网络中。还要考虑批量归一化（BatchNorm）对训练稳定性的影响，可能用户想知道为什么在Dense层后面加BN层会加速收敛。 用户提供的引用中有提到优化算法、损失函数、准确率评估等，可能需要结合这些信息。比如引用[2]提到损失函数计算预测和真实值的差异，反向传播更新参数。引用[4]中的history对象记录了训练过程中的loss和准确率，可以用来画图分析。还有引用[5]提到DenseNet的特征重用，可能和Dense层的设计有关联。用户可能还希望知道如何具体分析这些变化，比如通过TensorBoard或matplotlib绘制训练曲线。需要给出代码示例，展示如何从history中提取数据并可视化。此外，可能需要解释为什么有时候损失值下降但准确率停滞，比如在分类任务中，模型可能还在调整决策边界，而准确率需要一段时间才会反映出来。 还要考虑不同超参数的影响，比如学习率过大可能导致损失值震荡，过小则收敛慢。Dense层的节点数过多可能增加过拟合风险，节点数太少则模型容量不足。这些因素都会影响准确率和损失值的变化趋势。 最后，用户可能需要优化建议，比如调整层数、节点数，使用正则化，选择合适的学习率和优化器。需要结合引用中的内容，如引用[3]提到的优化器和损失函数选择，引用[5]中的DenseNet结构设计，来给出具体的建议。</think>### 深度学习模型训练中Dense层对准确率和损失值的影响分析 #### 1. Dense层的作用与训练动态 Dense层（全连接层）是深度学习模型中负责特征整合和非线性变换的核心组件。其参数更新过程直接影响损失值和准确率的变化： - **训练初期**：随机初始化的权重会导致输出不稳定，此时准确率较低（例如$50\%$以下），损失值较高（例如分类任务中交叉熵损失$>1.0$）[^2] - **中期优化**：通过反向传播算法，Dense层权重逐步调整，损失值呈现稳定下降趋势，准确率开始快速提升 - **后期收敛**：当模型接近最优解时，损失值下降速度减缓，准确率趋于稳定（可能伴随验证集过拟合现象） #### 2. 典型变化曲线分析 使用TensorFlow/Keras的`history`对象可获取训练过程数据： ```python import matplotlib.pyplot as plt plt.figure(figsize=(12,4)) plt.subplot(1,2,1) plt.plot(history.history['accuracy'], label='Train Acc') plt.plot(history.history['val_accuracy'], label='Val Acc') plt.title('Accuracy Curves') plt.subplot(1,2,2) plt.plot(history.history['loss'], label='Train Loss') plt.plot(history.history['val_loss'], label='Val Loss') plt.title('Loss Curves') ``` ##### 健康训练状态特征： - 训练/验证准确率同步上升 - 训练/验证损失同步下降 - 最终验证准确率接近训练准确率（差距$<5\%$） ##### 异常情况分析： | 现象 | 可能原因 | 解决方案 | |-------|---------|---------| | 训练准确率高但验证准确率低 | Dense层过拟合 | 增加Dropout层/L2正则化 | | 损失值震荡不收敛 | 学习率过大 | 降低学习率或使用自适应优化器 | | 准确率长期停滞 | 层数不足/激活函数失效 | 增加Dense层数/改用ReLU | #### 3. Dense层设计优化建议 1. **激活函数选择**： - 中间层推荐使用ReLU：$f(x) = \max(0,x)$，缓解梯度消失问题 - 输出层根据任务选择Softmax（分类）或Linear（回归） 2. **参数初始化**： - He初始化：$W \sim \mathcal{N}(0, \sqrt{2/n_{in}})$，适合ReLU激活函数 - Xavier初始化：$W \sim \mathcal{N}(0, \sqrt{1/n_{in}})$，适合Sigmoid/Tanh 3. **批量归一化实践**： 在Dense层后添加BatchNorm层可加速收敛： ```python model.add(Dense(256)) model.add(BatchNormalization()) model.add(Activation('relu')) ``` #### 4. 案例分析：CIFAR10数据集上的DenseNet表现 引用[^5]中DenseNet在CIFAR10上达到$90.07\%$测试准确率，其成功原因包括： - 密集连接结构增强梯度流动 - 特征重用机制提升参数效率 - Transition层控制特征图尺寸 $$ \text{DenseBlock输出} = \bigoplus_{i=0}^{L}H_l([x_0,x_1,...,x_{l-1}]) $$ 其中$H_l(\cdot)$表示第$l$层的非线性变换，$\oplus$表示通道拼接。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小李AI飞刀^_^

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值