光学遥感显著性目标检测2023-2024论文学习

基于语义匹配和边缘对齐的光学遥感图像轻量化显著目标检测 我们还提出了一种边缘自对齐模块(Edge Self-Alignment Module),用于底层特征的边缘对齐,即对从底层特征中提取的跨尺度边缘信息进行对齐,修正边缘误差,并用这些信息增强特征。具体来说,SeaNet包括一个用于特征提取的轻量级MobileNet-V2,一个用于高级特征的动态语义匹配模块(DSMM),一个用于低级特征的边缘自对齐模块(ESAM),以及一个用于推理的便携式解码器。首先,将高级特征压缩到语义核中。尽管如此,他们的策略启发了我们的方法,如经典的深度监督、边缘辅助和差分特征处理。 阅读详情

GRSL 2023: Attention-Aware Three-Branch Network for Salient Object Detection in Remote Sensing Images

在这里插入图片描述

基于encoder-decoder框架,提出了一系列缝合模块,GCA,FDUC,MSDC,RA。

GRSL 2023:ORSI Salient Object Detection via Cross-Scale Interaction and Enlarged Receptive Field

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

基于encoder-decoder框架,提出了三个缝合性模块,GLM,FSCM,EIM。
GLM:论文中没有给出图例,根据论文,GLM是基于通道维度的GAP和GMP对f5特征进行重新加权
FSCM:基于残差连接和dilation卷积,还有spatial attention,对特征进行润色
EIM:基于多尺度特征和空间,通道注意力,对特征进行润色

ISPRS 2023:Global–local–global context-aware network for salient object detection in optical remote sensing images

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

提出了GLGCNet,基于encoder-decoder框架,包含两个创新性模块,saliency-up module和edge assignment module,奇淫技巧堆模块无营养。

JSTARS 2023:An Important Pick-and-Pass Gated Refinement Network for Salient Object Detection in Optical Remote Sensing Images

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

奇淫技巧,堆模块

JSTARS 2023: Semantic-Edge Interactive Network for Salient Object Detection in Optical Remote Sensing Images

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

奇淫技巧,堆模块,毫无意义

TCSVT 2023:Edge and Skeleton Guidance Network for Salient Object Detection in Optical Remote Sensing Images

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

分为两个阶段训练,第一个阶段,三个任务损失监督,saliency map,edge map,Skeleton map
第二个阶段,根据第一阶段的预测,进行融合,学习一个最终的saliency map
堆模块,SGA,MIF

TGRS 2023:Adaptive Edge-Aware Semantic Interaction Network for Salient Object Detection in Optical Remote Sensing Images

在这里插入图片描述

堆模块,LDAM,MFEM,DSIM

在这里插入图片描述

Local Detail Aggregation Module (LDAM):通过CA,SA,average pooling,max pooling得到融合特征

在这里插入图片描述

Multiscale Feature Extraction Module (MFEM):通过不同的dilation conv多尺度的特征进行提取,得到联合特征

在这里插入图片描述

Deep Semantic Interaction Module (DSIM):该模块通过一种专门设计的图投影方法,将特征图转换为图结构,并通过三个并行的图卷积分支进行深度语义推理,从而能够从语义角度准确识别显著目标。

TGRS 2023:Adaptive Spatial Tokenization Transformer for Salient Object Detection in Optical Remote Sensing Images

在这里插入图片描述

a novel dynamic spatial tokenization transformer
a specific dense token aggregation decoder (DTAD) is proposed
adaptive spatial tokenization module (ASTM),

TGRS 2023:Boundary-Aware Network With Two-Stage Partial Decoders for Salient Object Detection in Remote Sensing Images

在这里插入图片描述

提出了一个BANet,包含两个decoder,一个监督saliency map,一个监督contour map
堆模块,提出了一个RMS模块,采用多尺度卷积核对一个特征进行多尺度的聚合
堆模块,提出了一个MFA模块,对三个尺度的特征进行上采样和解码融合

TGRS 2023:Boundary-Semantic Collaborative Guidance Network With Dual-Stream Feedback Mechanism for Salient Object Detection in Optical Remote Sensing Imagery

在这里插入图片描述

propose a novel BSCGNet dedicated to ORSI-SOD

在这里插入图片描述

a boundary protection calibration (BPC) module for the encoder,
the dual feature feedback complementary (DFFC) module

在这里插入图片描述

the adaptive feedback refinement (AFR) module
https://github.com/YUHsss/BSCGNet
奇淫技巧,堆模块,毫无意义

TGRS 2023:CRNet: Channel-Enhanced Remodeling-Based Network for Salient Object Detection in Optical Remote Sensing Images

在这里插入图片描述

CEM:channel enhance module

在这里插入图片描述

RFM:redefined feature module

在这里插入图片描述

奇淫技巧,堆模块,毫无意义

TGRS 2023:Lightweight Salient Object Detection in Optical Remote-Sensing Images via Semantic Matching and Edge Alignment

在这里插入图片描述

奇淫技巧,堆模块,毫无意义

TGRS 2023:ORSI Salient Object Detection via Bidimensional Attention and Full-Stage Semantic Guidance

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

奇淫技巧,堆模块,毫无意义

TGRS 2023:Progressive Context-Aware Dynamic Network for Salient Object Detection in Optical Remote Sensing Images

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

Dynamic Filtering Networks:卷积核的kernel参数根据input的特征学习生成

[32] B. D. Brabandere, X. Jia, T. Tuytelaars, and L. Van Gool, “Dynamic filter networks,” in Proc. Adv. Neural Inform. Process. Syst., 2016, pp. 1–14.
[33] J. He, Z. Deng, and Y. Qiao, “Dynamic multi-scale filters for semantic segmentation,” in Proc. IEEE/CVF Int. Conf. Comput. Vis. (ICCV), Oct. 2019, pp. 3561–3571.
[34] Y. Pang, L. Zhang, X. Zhao, and H. Lu, “Hierarchical dynamic filtering network for RGB-D salient object detection,” in Proc. Eur. Conf. Comput. Vis., A. Vedaldi, H. Bischof, T. Brox, and J.-M. Frahm, Eds. Cham, Switzerland: Springer, 2020, pp. 235–252.
[42] M. Zhang et al., “Dynamic context-sensitive filtering network for video salient object detection,” in Proc. IEEE/CVF Int. Conf. Comput. Vis. (ICCV), Oct. 2021, pp. 1533–1543.
[43] Y. Nirkin, L. Wolf, and T. Hassner, “HyperSeg: Patch-wise hypernetwork for real-time semantic segmentation,” in Proc. IEEE/CVF Conf. Comput. Vis. Pattern Recognit. (CVPR), Jun. 2021, pp. 4060–4069.
[44] B. Zhang, Y. liu, Z. Tian, and C. Shen, “Dynamic neural representational decoders for high-resolution semantic segmentation,” in Proc. Adv. Neural Inform. Process. Syst., 2021, pp. 17388–17399.

TIP 2023:Salient Object Detection in Optical Remote Sensing Images Driven by Transformer

https://github.com/MathLee/GeleNet

在这里插入图片描述

propose a transformer-based ORSI-SOD solution, GeleNet, with the global-to-local paradigm
propose the D-SWSAM and its variant SWSAM to enhance local interactions of the extracted global feature embeddings.
propose the KTM to enhance contextual interactions of two middle-level features

ESWA 2024:MEANet: An effective and lightweight solution for salient object detection in optical remote sensing images

在这里插入图片描述

灌水两个模块,MEA,MSG
Multiscale edge-embedded attention module (MEA)

在这里插入图片描述

Multilevel semantic guidance module (MSG)

在这里插入图片描述

GRSL 2024:Global–Local Semantic Interaction Network for Salient Object Detection in Optical Remote Sensing Images With Scribble Supervision

在这里插入图片描述

propose a high-performance yet cost-effective RSI-SOD method, the global-local semantic interaction network (GLSIN), utilizing an encoder-decoder architecture. In the encoder, we synergize the Transformer with CNN to design a Dual Branch Encoder, capturing both global semantic information and local spatial details within images.
propose the global-local affinity block (GLAB) to facilitate effective information interaction and the flexible multiscale polishing gate (FMPG) to further enhance salient features.
In the decoder, we construct a Feature Shrinkage Decoder incorporating the global-local fusion block (GLFB).
奇淫技巧,堆模块
弱监督 scribble 学习:This includes applying partial cross-entropy lossPCE to the saliency map and integrating a gated structure-aware lossGSA [16] as an auxiliary component, focusing the model on salient object structures.

[16] J. Zhang, X. Yu, A. Li, P. Song, B. Liu, and Y. Dai, “Weakly-supervised salient object detection via scribble annotations,” in Proc. IEEE/CVF Conf. Comput. Vis. Pattern Recognit. (CVPR), Jun. 2020, pp. 12546–12555.

TGRS 2024:United Domain Cognition Network for Salient Object Detection in Optical Remote Sensing Images

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

光学遥感显著目标检测初探笔记总结 一张图片里最吸引注意力的部分就是显著性物体,其实是模拟人的一个注意力机制。目标是希望通过计算机的方法让我们自动定位和模拟人的这种感知能力,从而去定位场景中的一个让人感兴趣的目标。 阅读详情

相关推荐

综述笔记——A Review of Vehicle Detection Techniques forIntelligent Vehicles

本文全面回顾了车辆检测方法及其在智能车辆系统中的应用,分析了车辆检测的发展,重点介绍了传感器类型和算法分类。首先,本文总结了300多项研究成果,包括各种车辆检测传感器(机器视觉、毫米波雷达、激光雷达和多传感器融合),并详细比较了经典算法和最新算法的性能。然后,根据不同传感器和算法的性能和适用性,分析了它们在车辆检测中的应用场景。此外,我们还系统地总结了恶劣天气下的车辆检测方法。最后,根据智能车辆传感器和算法的发展,分析了存在的挑战和未来的研究趋势。...

yzy12hxw的博客 1262

RTDETR融合BAFNet中的DSAM模块

论文速览:检测遥感图像中的小物体对计算机视觉领域构成了重大挑战,主要源于背景的复杂性、像素分辨率的限制以及特征融合过程中的信息丢失。虽然近年来一般目标检测取得了显著进步,但遥感小目标检测仍然是一个未解决的问题,现有框架难以在小规模上实现高性能。在本文中,我们提出了一种称为边界感知特征融合网络 (BAFNet) 的新框架,它显着增强了模型在复杂遥感场景中精确表示和定位小目标的能力。首先,双流注意力融合模块通过双向上下文建模捕获互补的前景和背景线索。共同关注物体及其周围环境可以增强区分小物体的辨别能力。

深度学习炼丹师,偶尔分享炼丹技术! 1431

红外与可见光图像融合:技术与应用研究进展及挑战

本文系统综述了红外与可见光图像融合(IVIF)技术的研究进展与工程实践。针对现有综述难以指导算法落地的问题,提出"接口-注意力-对齐"三维分析体系,对传统空间域/变换域方法和深度学习范式(生成式、判别式、多任务、Transformer等)进行系统归类。创新性地建立融合效果-任务性能-设备限制的关联评测框架,结合2025年前沿成果分析保真度、鲁棒性与效率的权衡关系。提出包含任务精度(AP/mIoU)、推理时延、内存占用的完整评测方案,填补了视频时序一致性、鲁棒性评测等四大研究空白,并给出面向实际应用的选型清单

毕竟是Shy哥 504

YOLO融合BAFNet中的DSAM模块

检测遥感图像中的小物体对计算机视觉领域构成了重大挑战,主要源于背景的复杂性、像素分辨率的限制以及特征融合过程中的信息丢失。虽然近年来一般目标检测取得了显著进步,但遥感小目标检测仍然是一个未解决的问题,现有框架难以在小规模上实现高性能。在本文中,我们提出了一种称为边界感知特征融合网络 (BAFNet) 的新框架,它显着增强了模型在复杂遥感场景中精确表示和定位小目标的能力。首先,双流注意力融合模块通过双向上下文建模捕获互补的前景和背景线索。共同关注物体及其周围环境可以增强区分小物体的辨别能力。

深度学习炼丹师,偶尔分享炼丹技术! 1680

neruolib全脑建模计算框架

neurolib 是一个用python编写的全脑建模计算框架,也是可扩展的、允许轻松实现自定义神经质量模型,能够在介观尺度上表示脑区平均活动。

Rootfyx的博客 1149

用blender为模型贴图并在gazebo中显示

用blender为模型贴图并在gazebo中显示 首先我用的是最新的blender2.92版本,附上链接https://www.blender.org/download/。并设置好简体中文。语言可以在编辑->偏好设置->界面里面设置。 首先界面右上角的摄像头,方块,灯光三个场景全都删除。 接着导入stl格式的模型文件,下面以tianbot_mini上面的激光雷达的模型为例。 导入激光雷达模型后,点击进入上方的UV Editing按钮进入UV编辑界面 此时我面看见网格化的激光雷达模型

qq_48427527的博客 8001

Multi-Stage Frequency Attention Network for ProgressiveOptical Remote Sensing Cloud Removal论文翻译

云污染显著影响光学遥感图像(RSIs),降低其在地球观测中的实用性。传统的去云技术通常依赖深度学习,旨在整体图像重建,这可能无意中改变云-free 区域的内在特性,从而导致图像失真。为了解决这个问题,我们提出了一种多阶段频率注意力网络(MFCRNet),这是一个用于光学 RSI 去云的渐进性范式。MFCRNet 逐层部署频率去云模块(FCRMs),以精细处理云边缘,同时保留频率域中非云区域的原始特征。具体而言,FCRM 从频率注意块(FAB)开始,该块将特征转换到频率域,从而增强云覆盖和无云区域之间的差异。

qq_69854365的博客 1018

从 Material Requirements Planning 看 SAP 物料计划的底层控制逻辑

文章摘要:SAP中的MRP(物料需求计划)不仅仅是运行一个程序(如MD01N),其关键在于主数据和组织层级的正确配置。MRP的核心是解决"何时需要多少物料"的问题,涉及采购、生产、库存等多种供应来源。物料主数据的MRP视图必须在组织层级(如工厂、存储位置)下维护,不同层级的计划逻辑可能完全不同。S/4HANA更强调MRP Area作为细分计划单位,取代传统存储位置MRP。实施时需注意MRP Profile的合理使用,避免批量错误,并特别关注物料生命周期管理(如停用物料和替代件),这些因素共同决定了MRP能否

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1417

AI视觉任务算法全景详解(全部任务类型与对应算法列表)

本文档全面梳理了计算机视觉领域的46类核心任务及600+主流算法,涵盖图像理解、目标检测、3D视觉、图像增强、生成编辑、视频处理等方向。内容包含每类任务的算法原理、演进脉络和工业选型建议,并附6个实用附录(选型速查表、骨干网络对比、数据集汇总等)。适用于算法工程师、视觉AI研究员和技术决策者进行技术调研和项目落地参考,技术栈覆盖深度学习框架与CUDA加速方案。文档采用系统化分类体系,提供从理论到实践的完整指导。

weixin_45590420的博客 450

【AI大模型】角色设定:给模型定身份的高效使用方法

摘要: AI大模型角色设定(RolePrompting)是提示词工程的核心优化技巧,通过赋予模型特定职业、领域和风格约束,显著提升输出专业度与适配性。文章系统拆解了角色设定的原理、万能公式(领域+身份+技能+风格+场景)、三级分层写法(基础/进阶/专家),并提供10类高频场景的模板。通过无角色与有角色输出的对比实验(Python代码量化验证),证明角色设定可使模型综合得分提升35%以上,尤其优化场景适配度与风格统一性。该技巧作为高阶提示词(如CoT、Few-Shot)的前置模块,能以零成本实现AI输出的专业

unber的博客 52

[Python图像识别] 五十二.水书图像识别 (2)基于机器学习的濒危水书古文字识别研究

上一篇文章详细讲解如何利用数据增强方法实现图像数据集的扩充,并以濒危水书作为案例讲解。这篇文章将详细讲解基于机器学习的水书图像识别方法,以图像像素统计为特征开展图像分类讲解,这是最基础的方法,也为后续深度学习图像分类描述提供支撑。基础性文章,希望对您有所帮助!让我们开始吧,且看且珍惜。

杨秀璋的专栏 991

用于自动驾驶的基于深度学习的图像 3D 目标检测:综述

论文笔记:《Deep Learning-Based Image 3-D Object Detection for Autonomous Driving: Review》

学习记录 3581

基于共识的捆绑算法CBBA在多无人机多任务调度中的实现

在捆绑过程中,每个无人机根据自己的任务清单和其他无人机的任务清单,确定一个被称为“束”的集合。通过合理的任务分配和无人机协作,CBBA算法能够实现最优的任务调度,提高了多无人机系统的效率和执行能力。在每一轮迭代中,无人机根据自己的当前任务和位置信息将任务清单发送给其他无人机,并接收其他无人机发送过来的任务清单。通过比较其他无人机的任务清单和自身的任务清单,每个无人机可以更新自己的任务分配情况。在这一步中,每个无人机根据自己选择的新任务,更新自身的任务清单,并将更新后的清单发送给其他无人机。

持续更新 1156

【论文笔记】Transformers in Remote Sensing: A Survey 中的相关论文链接

【综述】Transformers in Remote Sensing: A Survey 链接https://blog.youkuaiyun.com/m0_61899108/article/details/127628888 的相关transformer论文汇总 https://github.com/VIROBO-15/Transformer-in-Remote-Sensing

m0_61899108的博客 2452

置顶必读(1) |《YOLOv11实战:从入门到深度优化》专栏导读,带你一文了解本专栏!

🏆 本文收录于 《YOLOv8实战:从入门到深度优化》 专栏,该专栏专注于分享我在YOLOv8目标检测模型中的实战经验,涵盖从入门基础到深度优化的全方位解决方案。无论你是计算机视觉的新手,还是具有多年深度学习经验的专家,本专栏都将为你提供高效、可复现的技术方案,助你掌握YOLOv8的核心技术,提升目标检测性能,突破瓶颈,优化模型,并加速项目开发🚀!

**My Coding Family** 12万+

【数字孪生工业应用实战】第2篇:数字孪生系统架构设计与技术选型——从“作秀”到“实干”的骨架构建

本文系统剖析了数字孪生系统从“作秀”到“实干”的架构设计关键。针对多数项目在POC转生产时因架构混乱、选型盲目而失败的问题,深入阐述了四层分层架构(感知层、传输层、模型层、应用层)的设计原则,重点解析了感知层的异构适配与边缘预处理、传输层的异步解耦与多模式通信等工程细节。结合OPC UA、MQTT、EdgeX Foundry等主流技术选型对比,以及汽车焊装车间边缘智能网关的实战代码,提供了从零搭建微型孪生系统的完整指导。旨在帮助工程师建立清晰的选型决策逻辑,构建稳定、可演进的数字孪生“骨架”。

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域,希望和大家共同进步! 270

Global-aware siamese network for change detection on remote sensing images

遥感图像中的变化检测是以有效的方式识别观测变化的最重要的技术选择之一。CD具有广泛的应用,如土地利用调查、城市规划、环境监测和灾害测绘。然而,频繁出现的类不平衡问题给变化检测应用带来了巨大的挑战。为了解决这个问题,我们开发了一种新的全局感知连体网络(GAS-Net),旨在通过结合场景和前景之间的关系来生成全局感知特征,以进行有效的变化检测。所提出的GAS-Net由全局注意力模块(GAM)和前景感知模块(FAM)组成,它们既学习上下文关系,又增强了场景和前景之间的共生关系学习。

yokon的博客 588

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

2022年显著性检测部分论文及代码汇总

SOD2022部分论文收录

qq_47627751的博客 938

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

Cross Domain Person Re-Identification With Large Scale Attribute Annotated Datasets参考文献解读

Deep learning based person re-id First deep learning method in re-id [4] ‘‘DeepReID: Deep filter pairing neural network for person re-identification,’’ in Proc. IEEE Conf. Comput. Vis. Pattern Recogni...

阿杰洛克之地的博客 790

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

3D pose estimation 综述

3D pose estimation 综述 想象一下,一辆自动驾驶汽车正驶向拥挤的城市交叉路口的场景。识别正在移动的行人,并预测行人或一群行人可能在几秒钟内的位置,以决定是否和何时刹车显得很关键。再想象一个机器人在博物馆或挤满行人的购物中心担任导游。机器人识别周围人的方位和位置是很重要的,可以提供更好的引导,避免撞到行人。在这些场景中,准确的行人姿态和位置预测对于促进更有效的人机交互和车辆避碰有...

weixin_40017911的博客 4226

TIP 2021 | 用于光学遥感图像显著性目标检测的稠密注意力流网络与公开数据集...

点击上方“CVer”,选择加"星标"置顶重磅干货,第一时间送达本文转载自:BJTU MePro论文题目:Dense Attention Fluid Network for...

阿木寺的博客 4619

基于深度学习的显著性检测用于遥感影像地物提取初探(PoolNet)

最近试了很多显著检测的深度学习方法,仍然没有解决我想解决的问题,但是还是记录一下吧 这里使用的GitHub链接:https://github.com/backseason/PoolNet 这个复现起来还是挺简单的,效果感觉还行,希望有人可以用得着,反正我用不着哈哈 ...

qq_20373723的博客 1943

LangChain入门学习(四)

RAG(检索增强生成)通过结合外部知识库与大模型生成能力,提升问答准确性。其流程分为离线索引与在线检索生成两阶段:先将多源文档(如PDF、Word、Markdown)加载并切分,经嵌入后存入向量库;用户提问时,系统检索相关文本块,结合上下文生成答案。关键工具包括LangChain文档加载器及MinerU,后者支持复杂格式文件的结构化解析,显著提升非结构化数据处理效率。

kevin_org 62

Zig 设计哲学与核心特性 · 0.17 学习手册

本文为Zig 0.17完整学习手册,基于B站19讲视频整理,全面适配Zig 0.17.1版本。涵盖设计哲学(如“一切可见”、显式内存分配)、核心特性(?T、错误即值、comptime、SIMD)及工程实践(Allocator心智模型、零堆分配、Async I/O)。所有代码经实测通过,标注过时写法并提供迁移指南,附30个可运行示例与附录索引,助力开发者从入门迈向系统级编程。

代码过客 156

[LangChain] 学习笔记(04):嵌入模型——让机器第一次「算得出」两句话有多像

前三篇我们一直在跟「聊天」打交道:给一句话,模型回一段话。如果你想让机器判断「这两句话意思像不像」,它怎么判断?机器只认数字。你给它「我喜欢猫」和「我爱猫咪」,它看到的只是两串字符——比不了大小,也算不了距离。搭这座桥的东西,就叫嵌入。

一名在 Linux 与 C/C++ 世界里打怪升级的开发者。持续输出系统编程、网络编程、数据结构与算法的高质量学习笔记与实战总结 323

[学习笔记]超越超级大循环与原生RTOS:事件驱动架构如何改变嵌入式固件的可扩展性

RTC:事件处理器一旦开始,全部状态迁移、进出动作、输出事件必须全部执行完毕才返回;同一个组件,当前处理没结束,不会开始下一条事件。这不是架构给状态机额外施加的限制,这是UML状态图等全部状态机形式化本身固有的语义要求。如果迁移中途可以被打断,状态机会停留在未定义的中间状态。RTC保证两次事件之间,状态机永远处于明确定义的合法状态,便于分析与测试。

MiKiJT的博客 242
上一篇: 基于知识蒸馏的跨模态目标检测方法总结
下一篇: Cross-Resolution知识蒸馏论文学习
practical_sharp
博客等级 码龄8年 500粉丝 148原创
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
 
 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
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