convolutional 第17页

读论文：Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting

标题:卷积LSTM网络:一种用于降水临近预报的机器学习方法作者:XingjianShi,ZhourongChen,HaoWang,Dit-YanYeung，Wai-kinWong,Wang-chunWoo文章目录==Abstract====Introduction==前言降水临近预报问题的建立LSTM==综述==一、模型1.1ConvLSTM3.2Encoding-ForecastingStruc

a44267113·2022-11-28 04:35

[论文笔记]Dual Graph Convolutional Network for Semantic Segmentation

DualGraphConvolutionalNetworkforSemanticSegmentation1.Abstract:DGCNet通过网络中两个正交图建模了输入特征的全局上下文关系，第一个子块建模像素间的空间关系，第二个子块建模网络特征图的通道维度的相互依赖关系。把特征映射到新的能够建模全局相互关系的低维度空间。2.Intro:研究现状：为了扩大网络感受野1.FCN通过增加网络的深度，但是

北极冰川的岛屿·2022-11-27 17:52

交通预测论文笔记《Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting》

AAAI20190摘要交通流数据通常有很高的非线性和很复杂的特征。目前很多交通预测的方法缺乏对交通数据时空相关性的动态建模。本文提出了一种基于注意力的时空图卷积神经网络（ASTGCN）来解决交通预测问题ASTGCN包括三个独立的部分，分别对交通流的三种时间属性进行建模：1）当前相关性（recentdependencies）2）每天的周期性（daily-periodicdependencies）3）

UQI-LIUWJ·2022-11-27 14:01

[论+1]【CAFGCN】Cross-Attention Fusion Based Spatial-Temporal Multi-Graph Convolutional Network for

⭐️Cross-AttentionFusionBasedSpatial-TemporalMulti-GraphConvolutionalNetworkforTrafficFlowPrediction原文链接，见这里作者：KunYu,XizhongQin*,ZhenhongJia,YanDuandMengmengLin期刊：MDPI，Sensors关键字：交通流预测；数据多样性；交叉注意；时空多图相

panbaoran913·2022-11-27 14:30

【读点论文】Densely Connected Convolutional Networks用残差连接大力出奇迹，进一步叠加特征图，以牺牲显存为代价

DenselyConnectedConvolutionalNetworksAbstract如果卷积网络在靠近输入的层和靠近输出的层之间包含较短的连接，则卷积网络可以训练得更深入、更准确和有效。在本文中，接受了这种观察，并介绍了密集卷积网络(DenseNet)，它以前馈方式将每一层与每一层连接起来。传统的L层卷积网络有L个连接——每层与其后续层之间有一个连接——而本文的网络有L(L+1)2\frac

羞儿·2022-11-27 07:06

李宏毅深度学习笔记（全连接、CNN、RNN）一

李宏毅深度学习笔记（全连接、CNN、RNN）一摘要目录1.Fullyconnectedlayer(1)全连接网络基本结构(2)总结：2.Convolutional/poolinglayer(1)概述：(

小志红铜·2022-11-27 02:13

化合物分子 ogb、dgl生成图网络及GNN模型训练；pgl图框架

参考：https://towardsdatascience.com/learn-to-smell-molecules-with-graph-convolutional-neural-networks-62fa5a826af5https

loong_XL·2022-11-27 00:31

FlyAI小课堂：深度学习论文翻译解析（5）：MobileNets：Efficient Convolutional Neural Networks for Mobile Vision Appliica

论文标题：MobileNets：EfficientConvolutionalNeuralNetworksforMobileVisionAppliications论文作者：AndrewG.HowardMenglongZhuBoChen.....论文地址：https://arxiv.org/pdf/1704.04861.pdf（https://arxiv.org/abs/1704.04861）代码地址

iFlyAI·2022-11-26 23:14

Improving Convolutional Networks with Self-Calibrated Convolutions

摘要我们提出了一种新颖的自校准卷积，通过内部通信显式扩展每个卷积层的视场，从而丰富了输出特性。特别是，与使用小核(例如，3×3)融合空间和信道信息的标准卷积不同，我们的自校准卷积通过一种新的自校准操作，自适应地围绕每个空间位置构建远程空间和信道间依赖性。因此，它可以通过显式地融入更丰富的信息，帮助cnn生成更有鉴别性的表示。我们的自校准卷积设计简单而通用，可以很容易地应用于增加标准卷积层，而不引入

weixin_48493664·2022-11-26 22:55

【读点论文】 MoCoViT: Mobile Convolutional Vision Transformer，将ghost模块与transformer的编码器结合在一起

MoCoViT:MobileConvolutionalVisionTransformerAbstract最近，Transformer网络在各种视觉任务中取得了令人印象深刻的结果。然而，它们中的大多数计算成本很高，不适合实际的移动应用程序。在这项工作中，本文提出了移动卷积视觉转换器(MoCoViT)，通过将transformer引入移动卷积网络来利用这两种架构的优势，从而提高了性能和效率。与最近的视

羞儿·2022-11-26 18:02

论文翻译 | FCOSv1：《FCOS Fully Convolutional One-Stage Object Detection》

摘要：介绍背景，提出Fcos模型和性能我们提出了一种全卷积的单阶段目标检测器FCOS，以逐像素的方式解决目标检测问题，类似于语义分割。几乎所有的sota目标检测器，如：RetinaNet、SSD、YOLOv3、FasterR-CNN都依赖于预定义的anchorboxes，而我们的FCOS是anchorboxfree的，而且是proposalfree的。通过消除预定义的anchorboxes集，FC

诺顿与苏菲·2022-11-26 10:34

DCNv1 and DCNv2：Deformable Convolutional networks,可变形卷积

论文阅读：DCNv1andDCNv2：DeformableConvolutionalnetworks,可变形卷积DCNv1论文解析创新点1背景2方法DCNv21背景2方法DCNv1论文解析创新点1、DeformableConv2、DeformableROIpooling1背景深度学习对图像处理往往需要大量的数据集训练，是因为我们需要让网络学习到所有可能存在的情况，所以我们采用了数据增强的方法，如旋

weixin_38356756·2022-11-26 08:11

Deformable Convolutional Networks v2 可变形卷积v2版翻译

AbstractThesuperiorperformanceofDeformableConvolutionalNetworksarisesfromitsabilitytoadapttothegeometricvariationsofobjects.可变形卷积网络的优越性能源于其对目标几何变化的适应能力Throughanexaminationofitsadaptivebehavior,weobser

Fm镄·2022-11-26 08:11

Deformable Convolutional Networks v2 可变形卷积v2论文理解（更新中）

本论文的翻译版可以参考我的这篇博客：https://blog.csdn.net/weixin_39568744/article/details/89218635知识栈在阅读这篇论文时遇到了很多知识盲区和疑惑，所以途中阅读了很多其他论文和文章。现将其中感觉不错的记录如下：知识蒸馏网络：https://www.cnblogs.com/liaohuiqiang/p/9170582.htmlteacher

Fm镄·2022-11-26 08:11

Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting

ICLR2018，DCRNN，模型借鉴了StructuredSequenceModelingWithGraphConvolutionalRecurrentNetworks(ICLR2017reject)里面的DCRNN，将该模型应用于了交通预测上。而且后者的论文使用的卷积是Defferrard提出的图卷积，这篇论文中使用的是扩散卷积，这种扩散卷积使用的是随机游走，与Diffusion-Convol

zzx3163967592·2022-11-26 04:30

Micro-Expression Classiﬁcation based on Landmark Relations with Graph Attention Convolutional Networ

[2021CVPR]Micro-ExpressionClassiﬁcationbasedonLandmarkRelationswithGraphAttentionConvolutionalNetworkpaper链接:https://openaccess.thecvf.com/content/CVPR2021W/AMFG/papers/Kumar_Micro-Expression_Classifi

Izz_happy·2022-11-26 02:37

tensorflow+python flask进行手写识别_GitHub - HuangCongQing/tensorflow-minist: TensorFlow与Flask结合打造手写体数字识别 ...

environments：python3.5win764位课程目录TensorFlow框架介绍MNIST数据集及模型建立Flask框架建立MNIST模型与FLask框架整合//主要目录├─mnist│convolutional.py

weixin_39752157·2022-11-26 00:12

TensorFlow与Flask结合打造手写体数字识别 https://www.imooc.com/learn/994

项目结构convolutional.pyimportosimportmodelimporttensorflowastfimportinput_datadata=input_data.read_data_sets

嘉然今日食乜嘢·2022-11-26 00:04

SPP-net论文笔记《Spatial Pyramid Pooling in Deep Convolutional Network for Visual Recognition》

1.Introduction在之前物体检测的文章，比如R-CNN中，他们都要求输入固定大小的图片，这些图片或者经过裁切（Crop）或者经过变形缩放（Warp），都在一定程度上导致图片信息的丢失和变形，限制了识别精确度。两种方式如下所示。crop：不能包含完整的区域warp：几何失真事实上，在网络实现的过程中，卷积层是不需要输入固定大小的图片的，而且还可以生成任意大小的特征图，只是全连接层需要固定大

csuwujiyang·2022-11-25 06:52

RCNN学习笔记(3):Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition(SPP-net)

基础框架:CNN网络需要固定尺寸的图像输入，SPPNet将任意大小的图像池化生成固定长度的图像表示，提升R-CNN检测的速度24-102倍。固定图像尺寸输入的问题，截取的区域未涵盖整个目标或者缩放带来图像的扭曲。事实上，CNN的卷积层不需要固定尺寸的图像，全连接层是需要固定大小输入的，因此提出了SPP层放到卷积层的后面，改进后的网络如下图所示：SPP是BOW的扩展，将图像从精细空间划分到粗糙空间，

有些代码不应该被忘记·2022-11-25 06:22

cp17_GAN for Synthesizing Data_fully connected layer 2 convolutional_colab_ax.transAxes_twiny_spine

Inthehttps://blog.csdn.net/Linli522362242/article/details/113846940,wefocusedonrecurrentneuralnetworksformodelingsequences.Inthischapter,wewillexploregenerativeadversarialnetworks(GANs)andseetheirappl

LIQING LIN·2022-11-25 06:15

Convolutional Sequence to Sequence Learning

ConvolutionalSequencetoSequenceLearningJonasGehring,MichaelAuli,DavidGrangier,DenisYarats,YannN.Dauphin(Submittedon8May2017)Theprevalentapproachtosequencetosequencelearningmapsaninputsequencetoavariab

算法学习者·2022-11-25 02:24

Paper-----OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks

论文标题：OverFeat:IntegratedRecognition,LocalizationandDetectionusingConvolutionalNetworks标题翻译：OverFeat：使用卷积神经网络集成识别，定位和检测论文作者：PierreSermanetDavidEigenXiangZhangMichaelMathieuRobFergusYannLeCun论文地址：https:

shanzsz·2022-11-24 19:59

吴恩达deeplearning.ai系列课程笔记+编程作业(11)第四课卷积神经网络-第二周深度卷积网络：实例探究（Deep convolutional models: case studies）

第四门课卷积神经网络（ConvolutionalNeuralNetworks）第二周深度卷积网络：实例探究（Deepconvolutionalmodels:casestudies）文章目录第四门课卷积神经网络（ConvolutionalNeuralNetworks）第二周深度卷积网络：实例探究（Deepconvolutionalmodels:casestudies）2.1为什么要进行实例探究？（W

geekxiaoz·2022-11-24 18:15

【翻译】Image Style Transfer Using Convolutional Neural Networks

文章目录Abstract1、介绍2、深度图像表示2.1.内容表示2.2.风格表示2.3.风格转移3.结果3.1.内容和风格匹配之间的权衡3.2.卷积神经网络的不同层的效果3.3.梯度下降的初始化3.4.逼真的风格转移4、讨论Abstract以不同的风格渲染图像的语义内容是一项困难的图像处理任务。可以说，以前的方法的一个主要限制因素是缺乏明确表示语义形成的图像表示，因此，允许将图像内容与风格分开。在

顺利毕业啊·2022-11-24 15:30

【论文笔记】Privacy Prediction of Lightweight Convolutional Neural Network

摘要基于云的深度学习的日益普及引发了关于准确预测和数据隐私的问题。以前的研究已经实现了简单神经网络的隐私预测。由于更复杂的神经网络需要更多的计算开销，现有的隐私预测方案效率低下。为了解决上述问题，本文介绍了一种可应用于加密数据的轻量级卷积神经网络（CNN）的隐私预测方法。首先，在不影响原有精度的情况下，将复杂的CNN剪裁成轻量级网络，可以高效地实现安全预测。其次，采用FV同态加密方案对用户的敏感数

Super—Shine·2022-11-24 15:59

【读点论文】ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices，规则分组，有序混洗

ShuffleNet:AnExtremelyEfficientConvolutionalNeuralNetworkforMobileDevicesAbstract本文介绍了一种称为ShuffleNet的计算效率极高的CNN架构，它是专门为计算能力非常有限(例如10-150MFLOPs)的移动设备设计的。新架构利用两种新操作，逐点组卷积和信道混洗，在保持精度的同时大大降低了计算成本。在ImageNe

羞儿·2022-11-24 15:27

large-margin softmax loss for convolutional neural networks

损失函数改进之Large-MarginSoftmaxLoss_AI之路-CSDN博客_largemarginsoftmax最近几年网络效果的提升除了改变网络结构外，还有一群人在研究损失层的改进，这篇博文要介绍的就是较为新颖的Large-Marginsoftmaxloss（L-softmaxloss）。Large-Marginsoftmaxloss来自ICML2016的论文：Large-Margin

Kun Li·2022-11-24 15:57

A Convolutional Recurrent Neural Network for Real-Time Speech Enhancement

AConvolutionalRecurrentNeuralNetworkforReal-TimeSpeechEnhancement文章：AConvolutionalRecurrentNeuralNetworkforReal-TimeSpeechEnhancement作者：KeTan,DeLiangWangABSTRACT现实生活中许多语音增强的应用都需要实时处理，最好没有延迟或者低延迟，例如助听器

weixin_44223902·2022-11-24 15:57

简述基于PyTorch框架的卷积神经网络（Convolutional Neural Network，CNN）

文章目录一、卷积神经网络简介（一）什么是卷积神经网络（二）卷积神经网络的结构（三）为何要用卷积神经网络二、PyTorch框架简介（一）环境搭建（二）一些基本概念和应用三、应用示例（一）项目目标（二）准备样本（三）构造卷积神经网络（四）训练并保存网络（五）加载并使用网络PyTorch框架使得构造和训练神经网络方便了许多，为简述其用法，同时也为说明卷积神经网络的原理，本文举例说明如何基于PyTorch

XY_0209·2022-11-24 15:57

VGG Convolutional Neural Network Practical

系列文章目录VGGImageClassificationPracticalConvolutionalNeuralNetworkPractical系列文章目录前言一、准备工作1.环境2.加载准备模块二、CNN的构建1.卷积2.非线性激活函数3.池化4.归一化二、反向传播和导数2020/12/01接更开始作业2.1应用反向传播三、小型tinyCNN3.1训练数据和标签3.2图像预处理3.3梯度下降学习

闲看庭前雪·2022-11-24 15:56

pytorch中Convolutional Neural Networks的真正计算过程与理解

关于ConvolutionalNeuralNetworks的真正理解一般ConvolutionalNeuralNetworks包含卷积层，BN层，激活层以及池化层。池化层较为简单，不再赘述。借此机会详细的介绍其他三层是如何实现的，以及如何手动初始化卷积层权值。Convolutionlayer网上写卷积的博客不计其数，大都是长篇大论，其实卷积十分简单，见下图。上图所示输入为【5，5，1】的图像，卷积

月光下的小趴菜·2022-11-24 15:56

NLP论文（情感分析）：《A Novel Bi-Branch Graph Convolutional Neural Network for Aspect Level Sentiment Classif

NLP论文（情感分析）：《ANovelBi-BranchGraphConvolutionalNeuralNetworkforAspectLevelSentimentClassification》笔记论文介绍模型结构文章翻译AbstractV.CONCLUSION相关的笔记相关代码pytorchtensorflowkeraspytorchAPI:tensorflowAPI论文NLP论文笔记合集（持续

电信保温杯·2022-11-24 15:56

SCNN:A General Distribution based Statistical Convolutional Neural Network with Application to Video

目录VideoObjectDetection:anApplication论文地址SCNN:AGeneralDistributionbasedStatisticalConvolutionalNeuralNetworkwithApplicationtoVideo摘要最近开发了各种卷积神经网络（CNN），其在图像识别，目标检测和跟踪等计算机视觉任务中的精度可与人类媲美。但是，这些网络中的大多数都可以在图

hanlinger_·2022-11-24 15:56

《ImageNet Classification with Deep Convolutional Neural Networks》——AlexNet论文整理

题目《ImageNetClassificationwithDeepConvolutionalNeuralNetworks》简介AlexNet属于一个更大更深的LeNet改进有以下三点：增加了dropout层（丢弃层）激活函数从Sigmoid变为ReLu，作用是减缓梯度消失增加了MaxPooling（最大池化层），作用是取最大值，梯度相对较大，比较好训练这个AlexNet论文具体段落分析在PDF中，

小虚无·2022-11-24 15:26

【论文笔记】Learning to Compare Image Patches via Convolutional Neural Networks

论文论文题目：LearningtoCompareImagePatchesviaConvolutionalNeuralNetworks发表于：CVPR2015论文地址：http://de.arxiv.org/pdf/1504.03641论文代码：https://github.com/szagoruyko/cvpr15deepcompareAbstract直接从图像数据（不使用手工设计的特征）学习一个

m0_61899108·2022-11-24 15:25

ABCNN: Attention-Based Convolutional Neural Network for Modeling Sentence Pairs论文解读

发表时间：2015论文链接:https://arxiv.org/pdf/1512.05193.pdf开源代码：https://github.com/galsang/ABCNN(tensorflow)https://github.com/lsrock1/abcnn_pytorch(pytorch)代码语言：python适用:AnswerSlection(AS)paraphraseidentifica

勤劳的凌菲·2022-11-24 15:54

Prior Attention Enhanced Convolutional Neural Network Based Automatic Segmentation of Organs at Risk

PriorAttentionEnhancedConvolutionalNeuralNetworkBasedAutomaticSegmentationofOrgansatRiskforHeadandNeckCancerRadiotherapy发表期刊：IEEEAccess（大类：计算机3区）发表时间：2020年Abstract为了在头颈部(H&N)癌症放射治疗中自动分割风险器官(OAR)，我们在全尺

Never_Jiao·2022-11-24 15:24

《PyTorch深度学习实践》Lecture_11 卷积神经网络进阶 Convolutional Neural Network

B站刘二大人老师的《PyTorch深度学习实践》Lecture_11GoogLeNet+DeepResidualLearningLecture_11卷积神经网络进阶ConvolutionalNeuralNetworkGoogLeNet要善于找到复杂代码中相同的模块写成函数/类→InceptionModuleInceptionModule不知道哪个效果好，所以使用多种卷积进行堆叠，通过训练将好的增加

　木夕敢敢·2022-11-24 15:24

Convolutional Neural Network 的 PyTorch 实现（一）指定部分预训练权重加载

前言迁移学习的方法被广泛应用于卷积神经网络，基于大数据集训练而得到的权重文件对数据具有强的特征提取能力，在此基础上针对特有数据集进行模型的二次训练（微调），能大大降低训练时长以及犯错成本。当改变卷积神经网络模型结构后，原有的预训练权重将无法成功加载到已经改变了的模型中，以下提供了针对模型的修改，实现指定部分权重的加载。代码如下：#loadpretrainweightsmodel_weight_pa

NonnettaWu·2022-11-24 15:54

Deep Convolutional GAN (DCGAN)

使用MNIST数据集创建一个GAN。实现DeepConvolutionaGAN(DCGAN)，DCGAN是2015年开发的非常成功和有影响力的GAN模型（论文地址https://arxiv.org/abs/1511.06434）学习目标：获得使用GAN:DeepConvolutionalGAN(DCGAN)的实践经验。构建一个生成模型（generativemodel）DCGAN的主要功能：使用卷积

Daylight..·2022-11-24 13:57

【论文阅读】An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling

1.摘要一般而言，序列模型与循环网络（recurrentnetworks）关系紧密(由于RNN的循环自回归结构能较好地表达出时间序列)。而传统的卷积网络（convolutionalnetworks）由于卷积核大小的限制，对于长时间的依赖信息不能较好地抓取。但是，研究发现，一些特殊的卷积神经网络模型在音频合成、机器翻译等任务上效果比递归神经网络更好。那么，对于一个新的任务，怎么选取网络结构呢？本文使

Sarielllll·2022-11-24 13:56

nn.BatchNorm2d()函数详解

一、实例应用：ifmodule_def["type"]=="convolutional":#如果类型是convolutional，添加Con卷积层conv_{module_i}bn=int(module_def

Immortal stars·2022-11-24 10:40

[论文笔记] MobileNets: Efficient Convolutional Neural Networks for Mobile VisionApplications

前言：本部分主要记录下我对MobileNets以及EfficientNet的个人理解(如果没有了解过EfficientNet，这部分可以忽略)。在读MobileNets论文的过程中，发现文中很大一部分与我之前读的EfficientNet(可能我阅读的顺序有点问题)有相似之处。首先，共同点两者都研究了网络的width(即输出的channel)以及分辨率(resolution)对网络性能的影响(包括参

进阶のmky·2022-11-24 06:09

Modulated Graph Convolutional Network for 3D Human Pose Estimation

论文主要改进普通图卷积的两个缺点。共享每个图卷积之间的特征变换，阻止了他们学习不同节点之间的不同关系。而且图是根据人体骨骼定义的，人类活动往往会表现出超出身体关节自然连接的运动，例如跑步时胳膊和腿之间的联系。论文提出了权重调节和亲和力调节（调整GCN中的图结构）。一个图包含G={V,E}，V是N个节点，E是边。边之间的关系可以表示为邻接矩阵A∈{0,1}N×N每个节点i有D维度的特征hi∈RD。所

十二壳·2022-11-24 06:10

提升深度卷积网络可解释性Grad-CAM++(1): Improved Visual Explanations for Deep Convolutional Networks

作者：19届lz论文：《ImprovedVisualExplanationsforDeepConvolutionalNetworks》问题:虽然Grad-CAM等基于梯度的方法生成的可视化为CNN模型所做的预测提供了解释，并提供了预测类的细粒度细节，但这些方法有局限性例如，当定位多个出现的同一类对象时此外，对于单个对象图像，Grad-CAM热图通常不能完整地捕获整个对象贡献:虽然存在几种可视化CN

中南大学苹果实验室·2022-11-24 05:28

计算机视觉中的注意力模块———CBAM

ECCV2018：CBAM：卷积块注意模块论文地址：https://arxiv.org/pdf/1807.06521.pdf非官方代码实现：https://github.com/Youngkl0726/Convolutional-Block-Attention-Module

practical_sharp·2022-11-23 22:36

ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks论文详解

论文链接：https://arxiv.org/abs/1910.03151代码地址：https://github.com/BangguWu/ECANet摘要现有的注意力方法开发更复杂的注意力模块来提升性能，增加了计算负担。本文提出了一个有效的通道注意(ECA)模块，它只涉及少量的（k<=9)参数，但带来了明显的性能增益。通过对SENet通道注意力模块的分析，证明了避免降维和适当的跨通道信息交互对于

DRACO于·2022-11-23 22:05

Deep Convolutional Neural Networks for Image Classification: A Comprehensive Review(论文解读)

这是一篇关于图像处理(分类方向)的卷积神经网络发展的一个综述，聚焦于CNN在图像分类方向的应用，文章分析了：（1）他们早期的成功，（2）他们在深度学习复兴中的角色，（3）选择了象征性的工作成果，以及（4）通过回顾300多种出版物的贡献和挑战所带来的改进。我们还介绍了他们目前的一些趋势和仍存在的挑战。本综述面向那些想要了解CNN技术和体系结构发展的人，从他们的前辈到现代最先进的深度学习系统，特别是对

Enjoy_endless·2022-11-23 15:23

Lecture 3 Convolutional Neural Network (CNN)

Lecture3:Imageasinput文章目录ConvolutionalNeuralNetwork(CNN)ImageClassificationObservationandSimplificationObserveandSimplify01ReceptiveField-TypicalSettingObserveandSimplify02ParameterSharing-TypicalSett

Yi_cAt·2022-11-23 15:46

推荐频道

convolutional