哈哈(haha)体育

哈哈体育.(HAHA)十年运营,信誉无忧

返回新闻中心

? ? ?

手艺能力

以原创手艺系统为基本，，，，，SenseCore商汤AI大装置为焦点基座，，，，，结构多领域、多偏向前沿研究，，，，，快速买通AI在各个笔直场景中的应用，，，，，向行业赋能。。。。。。

申请试用

相识所有案例

相识所有产品效劳

商汤研究

商汤研究始终坚持原创，，，，，一直突破立异。。。。。。具有人工智能领域深挚的学术积累，，，，，具备健全的人才作育机制，，，，，已与海内外五十余所一流高校和科研院所建设了深度相助关系，，，，，并与众多行业同仁同心共建AI生态圈。。。。。。

申请试用

相识所有案例

相识所有产品效劳

商汤大装置AI云 SenseCore

建设高效率、低本钱、规模唬�；；；� AI 云基础设施，，，，，打造专业的深度学习平台及算法模子系统，，，，，引领AI立异，，，，，助力工业界及学术界探索 AI 界线。。。。。。

申请试用

相识所有案例

相识所有产品效劳

商汤日日新大模子 SenseNova

商汤日日新大模子 SenseNova，，，，，可以提供自然语言处置惩罚、图片天生、自动化数据标注、自界说模子训练等多种大模子及能力。。。。。。

申请试用

相识所有案例

相识所有产品效劳

水星智能移动终端平台 SenseME

哈哈(haha)体育SenseME 水星智能移动终端平台提供包括SDK、AI传感器和ISP芯片等全套产品，，，，，能够支持诸多物联网装备，，，，，以增进感知智能和内容增强

申请试用

相识所有案例

相识所有产品效劳

火星混淆现实平台 SenseMARS

SenseMARS平台通过对物理天下的数字重修、虚拟化身和软件智能体，，，，，创立全新的陶醉式和交互式的元宇宙体验

申请试用

相识所有案例

相识所有产品效劳

晶识智能零售平台 SenseGalaxy

基于商汤SKU商品识别大模子，，，，，用AI赋能智能结算、库存盘货、纯净度审核等营业场景并快速拓展至智慧商流与智慧物流领域。。。。。。

申请试用

相识所有案例

相识所有产品效劳

焦点手艺: 以原创手艺系统为基本，，，，，SenseCore商汤AI大装置为焦点基座，，，，，结构多领域、多偏向前沿研究，，，，，
快速买通AI在各个笔直场景中的应用，，，，，向行业赋能。。。。。。

< 返回学术动态

【商汤泰坦果真课】超大规模目的检测使命的挑战与希望

2019-05-27

导读

与古板的学术目的检测使命差别，，，，，真实场景下的超大规模视觉检测使命往往面临着严重的长尾效应和目的多标签分类的情形，，，，，大规模视觉检测使命的检测器设计与优化也一直是盘算机视觉领域的主要研究点。。。。。。COCO Challenge及OpenImage Object Detection Challenge等目的检测竞赛强有力地驱动着检测算法的立异。。。。。。

2020年5月28日，，，，，商汤泰坦果真课第011期、CVPR 2020论文解读第三期的线上课程，，，，，围绕2篇CVPR 2020任命论文，，，，，由商汤的两位研究员分享了团队在Detection方面最新的研究事情，，，，，小助手已为各人做了图文整理，，，，，快来一睹为快吧~

Part 1 Detection领域综述

Part 2 商汤Detection团队相关研究希望

● 超大规模真实天下目的检测的多标签和不平衡的征象的解决计划

● Revisiting the Sibling Head in Object Detector

Part 3 Q&A问答

Part 4 答疑交流

课程PPT及视频回放获取方法见文末提醒~

Part 1 Detection领域综述

目的检测的使命界说如下：给定图片，，，，，关于图片中的每一个物体实例，，，，，我们需要找到它的位置并返回一个最小的矩形框住该物体，，，，，同时举行种别上的识别。。。。。。由于返回效果由框和种别得分组成，，，，，以是质量评估也同时要对展望框和得分质量举行评估。。。。。。展望框质量评估一样平常由IOU指标来盘算，，，，，即给定Ground-Truth框和展望框，，，，，通过盘算它们的交并比来判断是否准确，，，，，因此检测使命中的TP和FP的界说就很明确了。。。。。。

一样平常来说给定IOU阈值和分类阈值，，，，，当IOU和分类得分同时大于阈值的时间，，，，，且对应的GT框没有被匹配过，，，，，通常浚浚�？？？？？梢砸晕且桓鯰P，，，，，反之为FP。。。。。。然而，，，，，IOU阈值可以事先确定，，，，，但得分阈值是很难确定的，，，，，差别要领和差别得分漫衍也会爆发影响。。。。。。为相识决这个问题，，，，，Researcher们设计了目的检测上很是经典的一个指标mAP，，，，，即PR曲线的面积，，，，，通常做法是在PR曲线上取11个点，，，，，那么每一个recall下都会获得precision，，，，，整个面积就是最后mAP的性能指标。。。。。。

随着目的检测领域的生长，，，，，各人最先越来越关注框的质量，，，，，于是提出了AP@IOU这一评价指标。。。。。。例如COCO数据集所使用的指标就是AP@IOU0.5到IOU0.95，，，，，这种指标的表达形式为每个IOU下的mAP的均值，，，，，因此关于框的质量即IOU十分敏感。。。。。。工业界所使用的指标又有所差别，，，，，是FPPI(False Positive Per Image Recall)下的漏检率和召回率。。。。。。举个例子，，，，，FPPI@0.01代表每100张图片爆发一个FP时能召回几多TP。。。。。。

下图展示的是目的检测领域的生长脉络图。。。。。。最初是使用手工设计的一些特征加简朴的ML算法举行检测，，，，，到DPM无邪运用这些特征举行目的检测，，，，，再到深度目的检测，，，，，这个领域最先逐渐成熟。。。。。。

由于时间缘故原由，，，，，本次课程简要地挑选部分的文章和一些视角，，，，，来给各人先容一下目的检测最新的希望。。。。。。

第一个Topic是关于怎样改善目的检测的框图质量。。。。。。为什么会在2017~2019领域内的许多人实验做这样一件事呢？？？？？？？？缘故原由是其时的学术配景集中在用COCO指标来评价要领，，，，，而COCO所用的指标对IOU十分敏感。。。。。。好比，，，，，一个高IOU下的召回能够在评价指标时可以抵上多个低IOU下的召回。。。。。。在这样的指标下去做改善框图质量是提高指标收益最高的几个偏向之一。。。。。。

详细来说，，，，，理想的检测效果的形式是IOU越高的框，，，，，准确分类的得分也应该越高。。。。。。为了抵达这一目的，，，，，我们能够把它剖析成两种做法。。。。。。第一种做法是给定一个得分牢靠的展望框，，，，，那么我们希望它的框越来越准，，，，，最后性能指标就会越来越高。。。。。。第二种做法是给定较量准的展望框，，，，，我们希望其得分越来越高，，，，，那么TP就能够排在更多FP前，，，，，对指标十分有利。。。。。。下图所示的是经典的两个算法。。。。。。

另一个经典的子偏向是探索怎样在目的检测中提升有用感受野。。。。。。这里不得不提deformable系列算法。。。。。。这一系列算法提出了deformable convolution，，，，，能在3×3卷积时势先展望采样点的offset，，，，，然后用偏移过的采样点去采样输入，，，，，显著地改变了网络的神经元的感受野，，，，，性能上带来了奔腾式的提升。。。。。。

图3 Effective Receptive Fields(ERF)

关于更深入明确检测使命中的有用感受野及DCN系列算法的有用性，，，，，我们举行了种种剖析性的剖析，，，，，发明了一些有意思的事实。。。。。。

好比我们可视化res50网络最后一层的一个神经元关于它输入的神经毗连强度的漫衍图。。。。。。横轴代表的是输入相关于输入迷经元的相对像素的位置，，，，，纵轴代表毗连强度。。。。。。所谓毗连强度就是输入跟输出上每有一个channel，，，，，每有一条毗连的边，，，，，我们就以为它是1，，，，，把这些边求和即体现为毗连强度。。。。。。从图3可以看出，，，，，分类里所用的网络结构的理论感受野虽然很大，，，，，但毗连浓密的区域现实上是很小的。。。。。。

图4 Density of connnections of last layers of R50 on the input map

Deformable convolution能有用地改善感受野，，，，，于是我们在R50上对其举行了一些实验。。。。。。DCN的做法是对其输入采样的9个点各自展望h和w偏向的一个offset举行采样。。。。。。我们把它剖析成多个子结构offset，，，，，划分是中心位置的偏移和每一个点在h和w偏向的dilation以及它最后的local偏移。。。。。。我们发明每个点只展望dilation的两维数据就能获得3.2的提升，，，，，由此意识到dilation是deformable中相对要害的一步。。。。。。

图5 Delve into DCN

我们又做了一个有意思的实验，，，，，就是我们把res50中的dilation-1换成2或3，，，，，发明毗连强度的漫衍图爆发了一个显著的转变。。。。。。好比说它中心被压得越来越平，，，，，可是双方拖得越来越宽。。。。。。因此我们获得了两个结论，，，，，dilation能显著地改变神经网络的有用感受野，，，，，其次，，，，，DCN中真正起作用的部分是通过改变dilation增大了有用感受野。。。。。。

可是很遗憾deformable有一个小的弱点，，，，，这个弱点导致它在工业界的应用较量少：它是很难安排的，，，，，且对许多硬件不是很友好，，，，，许多加速库难以对其举行优化。。。。。。究其缘故原由，，，，，可以以为有这样几个因素：1. 同样的feature map上差别的点的dilation纷歧样。。。。。。2. 统一个feature map的统一个点，，，，，当输入差别的时间，，，，，dilation也是纷歧样的。。。。。。3. 展望的offset都是分数形式，，，，，在前传的时间涉及双线性差值。。。。。。

若是我们希望能在工业上普遍使用，，，，，只有做到全局、静态且整数的dilation才可以。。。。。。于是有了我们组ICCV 2019的事情，，，，，将DCN酿成一个现实应用中可安排的网络。。。。。。

图6 POD: Scale-Sensitive Practical Object Detection

我们设计了一个global dilation学习器，，，，，为神经网络的每个convolution学到静态的global dilation。。。。。。其次，，，，，把空间上的插值替换成channel上的插值，，，，，在包管毗连强度险些一致的情形下做到了只用整形dilation就取代了浮点数dilation，，，，，扬弃了带来特殊耗时的双线性差值操作。。。。。。哈哈(haha)体育要领可以对多种多样的现成网络结构举行调解，，，，，取得性能上的显著提升，，，，，并包管网络是完全可安排的。。。。。。

NAS也是在目的检测里较量火热的一个角度。。。。。。有越来越多的人实验在目的检测中去使用NAS。。。。。。例如efficientNet，，，，，提出了一种网络从小到大的scale up的一种方法。。。。。。NAS-fpn则是在Neck的基础上用采样的方法去搜索。。。。。。SpineNet提出不显式思量backbone和Neck而把它们融为一体，，，，，看做一个单输入多输出的黑盒。。。。。。

图7 NAS in Object Detection

Part 2 论文解读

1 超大规模真实天下目的检测的多标签和不平衡的征象的解决计划

首先总结这种超大规模的目的检测的特点：它的种别很是多，，，，，场景也是很是重大且多样的，，，，，同时标注质量很成问题，，，，，很容易会泛起标注缺失；；；；；另一个征象是真实场景下，，，，，物体很容易泛起语义上的重叠；；；；；最后，，，，，一个大规模种种数据库都会有的就是长尾效应。。。。。。我们从中心笼统出两个主要的矛盾来解决，，，，，一个就是种别漫衍问题，，，，，第二个就是长尾问题。。。。。。

古板做法是使用softmax。。。。。。当只举行单标签分类的时间并没有什么问题，，，，，可是当使用多标签的时间，，，，，对每一个准确的类别的得分，，，，，都希望它趋近于1的。。。。。。可是使用古板的softmax在遇到多个正标签的时间，，，，，会相互爆发压制，，，，，会发明其梯度会希望其趋向于m/1，，，，，也就是当网络展望爆发了一个靠近1的得分的时间，，，，，它损失函数的梯度更新反而会使得这个得分变小。。。。。。

图8 Pain Point with Multi-Label Object Detection

本事情对softmax举行了修改，，，，，有用地改善了这个问题。。。。。。我们首先对显式多标签的情形举行优化，，，，，包管从logits盘算得分时，，，，，多个显式标签不相互影响，，，，，其次我们关于隐式多标签情形凭证种别间的依赖关系，，，，，使用rij弱化了相互之间的竞争关系。。。。。。举例，，，，，一个目的实例是玩具车，，，，，种别上同时有玩具和有车的标签，，，，，在盘算这个玩具的得分的时间，，，，，车的分数就在分母上被屏障掉了，，，，，这两者之间就不会爆发相互压制了。。。。。。

图9 A Solution: Concurrent Softmax

在数据库上长尾效应是很是严重的，，，，，可能会有上百万或者上万万个框，，，，，但现实上整个数据库里像高压锅这一类可能只有十几个框。。。。。。所谓的soft balance现实上就是把non-balance和class-ware balance举行平滑。。。。。。哈哈(haha)体育网络先用non balance的方法先训练，，，，，再用soft balance方法去finetune，，，，，这两种方法团结在一起对性能有很大的提升。。。。。。

论文地点：https://arxiv.org/abs/2005.08455

2 Revisiting the Sibling Head in Object Detector

学术上使用的benchmark与现实应用有一定的区别，，，，，现实的应用中碰面临到更多的挑战，，，，，好比说要面临的object的种别会更多，，，，，同时它的漫衍可能会有长尾漫衍，，，，，可能会有更严重的遮挡，，，，，甚至于更重大的配景。。。。。。想要把这些挑战举行统一，，，，，就需要更靠近于现实的更大规模的数据，，，，，OpenImage这样的数据是现在在学术的标准场景下能拿到的更靠近于现实应用的数据。。。。。。在这样的大规模数据集下就泛起了许多的挑战，，，，，也是许多之前算法的痛点问题。。。。。。

回首一下分类使命和检测使命它们的区别。。。。。。关于分类使命来讲，，，，，我们可以明确为它是一个single task的使命，，，，，它的目的就是给出一张图，，，，，需要去展望这张图里的种别。。。。。。而关于检测使命来讲，，，，，在展望物体的类别的同时，，，，，还需要去回归出来物体所在的详细位置。。。。。。浚浚�？？？？？梢悦魅肺馐且桓龆嗍姑暗睦�。。。。。。差别的task之间的优化目的是纷歧致的，，，，，这就造成了这两个差别的优化目的之间，，，，，在配合训练的时间会带来一定的冲突。。。。。。

图10 The challenges of large-scale visual detection task

更进一步，，，，，分类使命需要的信息跟回归使命也是有所区别的。。。。。。好比说关于分类使命，，，，，可能只需要关注目今图像里语义信息更富厚的地方，，，，，就能判断出目今物体的种别。。。。。。而关于回归使命来讲，，，，，需要更准确的去看到这个物体的界线信息，，，，，才华获得一个更准确的界线框。。。。。。

在这样的冲突配景下，，，，，本事情通过实验验证了这个征象。。。。。。我们发明关于分类使命来讲，，，，，它更关注的是物体语义信息更富厚的地方。。。。。。而关于回归使命来讲，，，，，其更关注的是更界线的地方。。。。。。

这样的配景下，，，，，我们很自然地去想到要去镌汰这一冲突。。。。。。一个直接的想法就是要把两个task从输入和特征提取上都举行解耦。。。。。。解耦之后就很自然的获得下面的优化历程。。。。。。

首先，，，，，关于分类使命和回归使命要用差别的proposal，，，，，会凭证原始的P去衍生出两个使命适用的候选区：Pc、Pr。。。。。。我们希望的是Pc能够资助分类使命来更多的关注到信息与信息富厚的地方，，，，，而Pr能够去资助回归使命，，，，，来更多的关注到物体界线信息所在的地方。。。。。。

其次，，，，，需要从特征提取举行解耦，，，，，针关于分类使命的设置成Fc，，，，，针关于回归使命的设置成Fr。。。。。。在这样很明确的优化条件设计下，，，，，我们就可以把这一头脑嵌入到Faster-RCNN的head里。。。。。。

图11 TSD (Task-aware spatial disentanglement)

怎样由原始P获得Pc和Pr呢？？？？？？？？现实上这里也可以直接用一种很是简朴的偏移量方法。。。。。。通过原始P盘算delta c的偏移量，，，，，把它变到Pc。。。。。。通过delta r的偏移量，，，，，把它变到关于回归使命较量友好的Pr。。。。。。关于偏移量的天生，，，，，现实上可以通过三层的Fc这样一个很是小的单位来举行实现，，，，，它带来的参数目消耗很是小。。。。。。更进一步，，，，，为了能够包管获得更好的Pc以及Pr，，，，，我们又进一步加了渐进约束：PC，，，，，它用来约束的天生的Pc和Pr是优于原始P的。。。。。。

在获得整套的设计之后，，，，，也可以跟其他相关的研究去剖析。。。。。。首先是好比经典的IOU net，，，，，double head以及Cascade RCNN，，，，，它们的做法现实上都是为了能够让检测变得更好，，，，，让回归更准确。。。。。。

图12 TSD (Task-aware spatial disentanglement)

哈哈(haha)体育要领与这些要领最大的区别就是TSD不但是在这两个差别的task之间举行了特征提取的解耦，，，，，同时它关于两个差别的使命的输入上也举行了区分，，，，，也就是说在输入上就最大限度地让两个使命划分各自去寻找最适合自己的那一部分信息。。。。。。这里是最大的区别，，，，，也能够有用地让两个task之间的conflict镌汰，，，，，从而获得更好的性能提升。。。。。。

图13 Experiments

更进一步来说，，，，，TSD算法与目今的这些要领都是具备一定的互补性的，，，，，也就是说他们是可以有用的直接用TSD这样一个head去替换掉这些要领里的head，，，，，来举行即插即用的使用。。。。。。

为了更利便的体现，，，，，本事情把TSD做成一个即插即用的head去取代古板的head，，，，，在差别的backbone都举行了实验，，，，，可以发明从小模子到更大一些的模子，，，，，它都能够较量有用稳固的在特另外盘算的cost不凌驾10%的情形下，，，，，带来一个3~4个点的稳固提升。。。。。。为了验证它在差别的数据，，，，，差别规模的数据集之间的有用性，，，，，我们在更大规模的数据集上举行了实验。。。。。。浚浚�？？？？？梢钥吹皆诖蠊婺５氖菁�，，，，，在差别的backbone上，，，，，它仍然可以稳固带来3~4个点的提升。。。。。。

图14 Experiments

最后再来剖析一下，，，，，前边通过Pc和Pr针对差别使命提取各自适合的区域，，，，，最终使分类和回归精度同步提升。。。。。。在差别的IOU的测试标准下，，，，，验证了它性能的提升幅度，，，，，可以发明当IOU限制得越严酷，，，，，例如到0.9的幅度下涨点更显着，，，，，它能够在差别标准下把检测器的性能回归得越发准确。。。。。。最后我们也在标准的数据集上跟一些SOTA要领举行了比照，，，，，并且backbone性能越强，，，，，TSD带来的提升也会更高，，，，，提升也是很是稳固的。。。。。。

图15 Experiments

本事情发明在Faster-RCNN的head里，，，，，由于它的multi-task机制，，，，，差别task优化目的有区别，，，，，以是造成这两个task之间有一定的冲突。。。。。。因此我们很自然的想到从输入和特征提取上去解耦这两个task，，，，，提出了TSD算法。。。。。。同时为了包管TSD能够关于解耦学习的更好，，，，，也进一步加入了PC约束，，，，，能够让包管TSD能够稳固有用的去提升差别的backbone的性能。。。。。。

论文地点：https://arxiv.org/pdf/2003.07540.pdf

Part 3 Q&A

Q：Dilated改的是conv6中3*3卷积的膨胀率吗？？？？？？？？

A：事实上任何一个conv都更改了膨胀率。。。。。。我们会设计一个网络学习每一个conv最适合的膨胀率，，，，，以是会给所有conv都加上学习器，，，，，若是效果跟1靠近，，，，，就不会去使用该conv，，，，，而保存误差值凌驾0.1的conv。。。。。。

Q：怎样界说超大规模？？？？？？？？

A：首先在数目上要抵达百万或万万级别，，，，，同时种别也要抵达很大的规模。。。。。。

Q：Pc和Pr是通过学习到一个偏移量来举行区分吗？？？？？？？？那两者的数据漫衍是否不太会爆发实质上的转变？？？？？？？？

A：设计时思量到了先验信息，，，，，关于分类使命，，，，，我们更多关注的是一个物体分类的置信度崎岖；；；；；关于回归使命，，，，，思量的是准确框的准确度，，，，，有规则的形状。。。。。。在设计时Pc和Pr都是通过学习到偏移量来设计的，，，，，Pc的偏移量是不受约束的，，，，，proposal的每个位置都可以有一个偏移量，，，，，导致获得的信息提取的历程是不规则的位置。。。。。。Pr使用了统一的偏移量，，，，，要求偏移后的proposal照旧规则的形状，，，，，利便回归使命的学习。。。。。。数据漫衍的会有一定的转变，，，，，分类使命更多关注到信息更富厚的地方，，，，，而回归使命关注到界线。。。。。。

Q：TSD PC机制会使原始头效果会受到抑制么？？？？？？？？

A：PC loss时对原始头没有影响，，，，，在整套训练下来效果不会有转变，，，，，会与baseline坚持一样的性能。。。。。。

Q：目的检测的时间，，，，，怎样平衡COCO数据集中的小目的和大目的的检测？？？？？？？？

A：它们的不平衡体现在几个方面：首先采样就无法抵达平衡，，，，，小标准的feature map和大物体的正负比例差别；；；；；小目的匹配的anchor数很少；；；；；大标准可以获得许多参数和盘算量，，，，，但小标准无法获得；；；；；小标准的权重需要同时顺应上层的问题，，，，，也需要解决自己的问题。。。。。。浚浚�？？？？？梢源诱馑姆址矫娴牟黄胶馍嫌枰运剂�。。。。。。

「商汤泰坦果真课」公众号后台回复“011”，，，，，即可获取响应的课程资料哦！

推荐阅读

ICCV 2019落幕，，，，，商汤诠释中国原创的“高度”、“厚度”和“广度”

11月2日，，，，，为期七天的盘算机视觉顶会ICCV 2019落幕。。。。。。商汤科技以57篇论文（11篇Oral），，，，，13项冠军的效果创立新“高度”(详见文章《商汤科技57篇论文入选ICCV 2019，，，，，13项竞赛夺冠》)，，，，，让天下见证商汤研究手艺积累的“厚度”，，，，，在大会现场也能亲自感受商汤AI+行业应用落地的“广度”

2019-11-03
商汤科技、阿里巴巴及香港科技园联手建设的HKAI Lab正式营运啦！

克日，，，，，由阿里巴巴集团、商汤科技及香港科技园公司携手建设的香港人工智能及数据实验室（HKAI Lab）在香港科学园正式开幕。。。。。。商汤科技首创人、香港中文大学教授汤晓鸥、阿里巴巴集团首席手艺官张建锋和香港科技园公司行政总裁黄克强划分揭晓了讲话，，，，，祝愿HKAI Lab能够助力香港首创人工智能企业生态生长。。。。。。

2018-10-18

您尚未完善信息

完善信息后，，，，，即可下载资料

完善信息跳过，，，，，继续浏览

您尚未登录

您还未登录，，，，，登录方可继续

登录跳过，，，，，继续浏览

请选择您以为需要刷新的地方：

导航欠好用，，，，，不利便找到感兴趣的内容
产品先容信息不敷周全
产品先容信息禁止易懂
页面翻开速率烦懑，，，，，页面浏览不流通/有卡顿
页面不敷雅观
售后效劳欠好找，，，，，体验欠好

跳过下一个

您是否能够抵达本次网站的会见目的？？？？？？？？

是
否
仍在举行中

下一个

您对商汤官网的知足度怎样？？？？？？？？

1
2
3
4
5
6
7
8
9
10

很是不知足很是知足

提交

已收到您对商汤官网的评价和建议！

谢谢您的耐心反响~

关闭

产品试用

填写此简朴表格，，，，，我们将尽快联系您！

把您的需求发给我们相识所有产品

商务相助

400 900 5986

周一至周五 9:00-12:00，，，，，13:00-18:00

business@sensetime.com

相助同伴招募

成为相助同伴

您还未登录，，，，，登录方可继续

登录跳过，，，，，继续浏览

您尚未完善信息

完善信息后，，，，，即可下载资料

完善信息跳过，，，，，继续浏览

商务相助

400 900 5986
( 周一至周五 9:00-12:00, 13:00-18:00 )
business@sensetime.com
媒体相同: pr@sensetime.com
投资者关系联络: ir@sensetime.com

社交媒体

微信公众号

【网站地图】【sitemap】