最后一届ImageNet挑战赛落幕,「末代」皇冠多被国人包揽

机器之心   2017-07-18 14:11

选自LSVRC 2017

机器之心编译

参与:机器之心编辑部

近日,ImageNet 最后一届挑战赛成绩已经公布,多个国内院校和企业在各个比赛项目上取得了非常不错的成绩。奇虎和南京信息工程大学团队分别在定位任务和检测任务上取得了最佳成绩。本文将首先介绍本次的比赛情况,并简要介绍优秀团队的建模方法。同时我们也关注了 WebVision 挑战赛近日公布的结果。

在本次 ImageNet 竞赛中,南京信息工程大学和帝国理工学院的团队 BDAT 获得了目标检测的最优成绩,最优检测目标数量为 85、平均精确率为 0.732227。而在目标定位任务中Momenta和牛津大学的 WMV 团队和 NUS-Qihoo_DPNs (CLS-LOC) 团队分别在提供的数据内和加上额外数据上取得了最优成绩。最后在视频目标检测任务中,帝国理工大学和悉尼大学所组成的 IC&USYD 团队取得了最佳表现。

最后一届ImageNet挑战赛落幕,「末代」皇冠多被国人包揽ImageNet 2017 简介:

这次挑战赛评估了从大规模的图像/影像中进行物体定位/检测的算法。最成功和富有创新性的队伍会被邀请至 CVPR 2017 workshop 进行展示。

1. 对 1000 种类别进行物体定位

2. 对 200 种全标注类别进行物体检测

3. 对 30 种全标注类别的视频进行物体检测

此次大赛是最后一届 ImageNet 挑战赛,并且聚焦于还未解决的问题和未来的方向。此次大赛的重点是: 1)呈现挑战赛的最新结果,包含新的测试器挑战赛(tester challenges),2)通过图像和视频中的物体检测,还有分类(classification)竞赛,回顾识别领域的尖端科技,3)这些方法是如何与工业界采用的计算机视觉领域的最高端技术相关联的——这也是本次挑战赛的初衷之一。4)邀请者对将来仍然存在的挑战提出了自己的看法,不论是从认知视觉,到机器视觉,还是一些其他方面。

目标检测(Object detection)

如下所示,目标检测任务取得最好成绩的是由南京信息工程大学和帝国理工学院组成的 BDAT,该队成员 Hui Shuai、Zhenbo Yu、Qingshan Liu、 Xiaotong Yuan、Kaihua Zhang、Yisheng Zhu、Guangcan Liu 和 Jing Yang 来自于南京信息工程大学,Yuxiang Zhou 和 Jiankang Deng 来自于帝国理工学院(IC)。

该团队表示他们在 LOC 任务中使用了适应性注意力机制 [1] 和深度联合卷积模型 [2,3]。Scale[4,5,6]、context[7]、采样和深度联合卷积网络在 DET 任务中得到了有效的使用。同时他们的得分排名也使用了物体概率估计。

[1] Residual Attention Network for Image Classification[J]. arXiv:1704.06904, 2017.

[2] Deep residual learning for image recognition[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2016: 770-778.

[3] Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning[C]//AAAI. 2017: 4278-4284.

[4] U-net: Convolutional networks for biomedical image segmentation[J]. arXiv:1505.04597, 2015.

[5] Feature pyramid networks for object detection[J]. arXiv:1612.03144, 2016.

[6] Beyond skip connections: Top-down modulation for object detection[J]. arXiv:1612.06851, 2016.

[7] Crafting GBD-Net for Object Detection[J]. arXiv:1610.02579, 2016.

任务 1a:使用提供的训练数据进行目标检测

根据检测出的目标数量排序

最后一届ImageNet挑战赛落幕,「末代」皇冠多被国人包揽

根据平均准确率排序

最后一届ImageNet挑战赛落幕,「末代」皇冠多被国人包揽

而在目标检测任务中新加坡国立大学(NUS)和奇虎 360 组成的 NUS-Qihoo_DPNs (DET) 也获得了不错的成绩。

他们在基于 Faster R-CNN 的目标检测任务中,采用了一个包含全新双路径拓扑的双路径网络(DPN/Dual Path Network)。DPN 中的特征共享机制和探索新特征的灵活性被证明在目标检测中有效。特别地,研究人员采用了若干个 DPN 模型——即 DPN-92、DPN-107、DPN-131 等——作为 Faster R-CNN 框架中的中继特征学习器(trunk feature learner)和头分类器(head classifier)。他们只使用最多 131 层的网络,因为在大多数常用的 GPU 内,它易于训练和适应,且性能良好。对于区域提案生成,利用低级细粒度特征取得了有效的 proposals 召回。进而,通过在分割成检测框架中采用扩展卷积,他们合并了有益的语境信息。在测试期间,他们设计了一个类别加权策略,以探索不同类别的专家模型,并根据多任务推断把权重用到不同的专家。除此之外,他们在图像分类任务中采用了预训练的模型以提取整体语境信息,这可在整体输入图像中为探测结果的推理提供有益的线索。

任务 1b:使用额外的训练数据进行目标检测

根据检测出的目标数量排序

最后一届ImageNet挑战赛落幕,「末代」皇冠多被国人包揽

根据平均准确率排序

最后一届ImageNet挑战赛落幕,「末代」皇冠多被国人包揽

目标定位(Object localization)

在给定训练数据进行分类和定位的任务中,WMW 取得了优异的成绩,分类误差率是最低的。

他们设计了一个新型结构的构造模块,叫做「挤压与激励」(「Squeeze-and-Excitation——SE」)。每一个基础构造模块通过「挤压」操作在全局接收域中嵌入信息,并且通过「激励」操作选择性地引起增强型响应(response enhancement)。SE 模型是该团队参赛作品的基础。他们研发了多个版本的 SENet,比如 SE-ResNet,SE-ResNeXt 和 SE-Inception-ResNet,在增加少量运算和 GPU 内存的基础上,这明显超过了它们的非 SE 对应部分。该团队在验证数据集中达到了 2.3% 的 top-5 误差率。

任务 2a:使用提供的训练数据进行分类+定位

根据定位错误率排序

最后一届ImageNet挑战赛落幕,「末代」皇冠多被国人包揽

根据分类错误率排名

最后一届ImageNet挑战赛落幕,「末代」皇冠多被国人包揽

在使用附加训练数据进行分类和定位的任务中,NUS-Qihoo_DPNs (CLS-LOC) 的定位误差率和分类误差率如下所示都取得很好的成绩。据该团队介绍,他们构建了一个简单、高效、模块化的双路径网络,引入了全新双路径拓扑。这一 DPN 模型包含一个残差路径和一个稠密连接路径,二者能够在保持学习探索新特征的灵活性的同时共享共同特征。DPN 是该团队完成全部任务使用的主要网络。在 CLS-LOC 任务中,他们采用 DPN 来预测 Top-5 目标,然后使用基于 DPN 的 Faster RCNN 分配对应的定位边界框。

任务 2b:使用额外的训练数据进行分类+定位

根据定位错误率排名

最后一届ImageNet挑战赛落幕,「末代」皇冠多被国人包揽

根据分类错误率排名

最后一届ImageNet挑战赛落幕,「末代」皇冠多被国人包揽

视频目标检测(Object detection from video)

如下所示,在视频目标检测任务中,帝国理工大学和悉尼大学所组成的 IC&USYD 团队在各个子任务和排序上都取得了最优的成绩。该团队是视频目标检测任务中使用了流加速(Flow acceleration)[1, 2]。并且最终的分值也是适应性地在检测器(detector)和追踪器(tracker)选择。

任务 3a:使用提供的训练数据进行视频目标检测

根据检测出的目标数量排序

最后一届ImageNet挑战赛落幕,「末代」皇冠多被国人包揽

根据平均准确率排序

最后一届ImageNet挑战赛落幕,「末代」皇冠多被国人包揽

同时 NUS-Qihoo-UIUC_DPNs (VID) 在视频任务中同样有非凡的表现。他们在视频目标检测任务上的模型主要是基于 Faster R-CNN 并使用双路径网络作为支柱。具体地他们采用了三种 DPN 模型(即 DPN-96、DPN-107 和 DPN-131)和 Faster R-CNN 框架下的顶部分类器作为特征学习器。他们团队单个模型在验证集最好能实现 79.3%(mAP)。此外他们还提出了选择性平均池化(selected-average-pooling)策略来推断视频情景信息,该策略能精炼检测结果。

任务 3b:使用额外的训练数据进行视频目标检测

根据检测出的物体数量排序

最后一届ImageNet挑战赛落幕,「末代」皇冠多被国人包揽

根据平均准确率排序

最后一届ImageNet挑战赛落幕,「末代」皇冠多被国人包揽

任务 3c:使用提供的训练数据进行视频目标检测/跟踪

最后一届ImageNet挑战赛落幕,「末代」皇冠多被国人包揽

任务 3d:使用额外的训练数据进行视频目标检测/跟踪

最后一届ImageNet挑战赛落幕,「末代」皇冠多被国人包揽

本次 ImageNet 竞赛是最后一次,但同时 WebVision 近日也发布了其视觉竞赛的结果。相对于人工标注的 ImageNet 数据集,WebVision 中的数据拥有更多的噪声,并且它们更多的是从网络中获取,因此成本要比 ImageNet 低廉地多。正如近日谷歌发表的论文「Revisiting Unreasonable Effectiveness of Data in Deep Learning Era」,他们表示随着计算力的提升和模型性能的大大增强,我们很有必要构建一个更大和不那么标准的数据集。在该篇论文中,谷歌发现巨型非标准数据集(带噪声)同样能令模型的精度达到目前最好的水平,那么 ImageNet 下一步是否会被 JFT-300M 这样的数据集替换?因此我们很有必要关注能在噪声数据下学习到很好模型的竞赛——WebVision。

最后一届ImageNet挑战赛落幕,「末代」皇冠多被国人包揽

近日,WebVision 也发布了其视觉竞赛的结果,Malong AI Research 获得了图像分类任务的最优成绩。

WebVision 2017 挑战赛结果

WebVision 图像分类任务

最后一届ImageNet挑战赛落幕,「末代」皇冠多被国人包揽

Pascal VOC 迁移学习任务

最后一届ImageNet挑战赛落幕,「末代」皇冠多被国人包揽

获胜团队 Malong AI Research:

我们使用半监督学习方法解决如何利用有噪声的不均衡数据训练大规模深度神经网络的问题。我们首先使用聚类算法将训练数据分成两部分:干净数据和噪声数据,然后使用干净数据训练一个深度网络模型。之后,我们使用所有数据(包括干净数据和噪声数据)来训练第一个模型(干净数据训练出的模型)上的网络。值得注意的是,我们在该网络的原始卷积层上使用了两个不同大小的卷积核(5,9)。至于训练,我们在干净数据上进行数据平衡,并设计了一个新的自适应 lr 下降系统,该系统根据噪声的类型(干净数据和噪声数据)略有不同。

WEBVISION 数据集

WebVision 数据集的设计是用来促进从嘈杂互联网数据中学习视觉表征的相关研究的。我们的目的是使深度学习方法从巨大的人工劳力(标注大规模视觉数据集)中解脱出来。我们把这个大规模网络图像数据集作为基准来发布,以推进在网络数据中进行学习的相关研究,包括弱监督视觉表征学习(weakly supervised visual representation learning),视觉迁移学习(visual transfer learning),文本与视觉(text and vision)等等(详见 WebVision 数据集的推荐环境配置)。

WebVision 数据集包含超过 24 万张的图像,它们是从 Flickr 网站和谷歌图像搜索引擎中爬取出来的。与 ILSVRC 2012 数据集相同的 1000 张图像用于查询(query),因此可以对一些现有方法直接进行研究,而且可以与在 ILSVRC 2012 数据集中进行训练的模型进行比较,还可以使在大规模场景中研究数据集偏差(dataset bias)的问题成为可能。伴随那些图片的文本信息(例如字注、用户标签或描述)也作为附加的元数据信息(meta information)来提供。提供一个包括 50,000 张图像(每一类别 50 张)的验证数据集以推进算法级研发。一个简单基准的初级结果展示了 WebVision 在一些视觉任务中是能够学习鲁棒性表征的,其性能表现与在人工标注的 ILSVRC 2012 数据集中学习的模型相类似。

数据集详情

数据统计

在我们的数据集中,每一类别的图像数量如图 1 所示,从几百到超过 10,000。每一类别中的图像数量依赖于:1)每一类别中的同义词集合生成的查询指令(query)的数量,2)Flickr 和谷歌的图像的有效性。

最后一届ImageNet挑战赛落幕,「末代」皇冠多被国人包揽

图 1:WebVision 数据集中每一类别的图像数量

简易基准评估

我们使用一个简单的基准对用于学习视觉表征的网络数据容量进行了调查研究。我们把来自 Flickr 和 Google 的已查询图像作为我们的训练数据集,并且从零开始在这一训练集上对 AlexNet 模型进行训练。然后我们在 Caltech-256 数据集和 PASCAL VOC 2007 数据集的图像分类任务中对学习后的 AlexNet 模型进行了评估,并且也在 PASCAL VOC 2007 数据集的物体识别相关任务中做了检测。

图像分类

我们使用一个简单的基准调查研究了用于学习深度网络的网络数据容量。我们分别在 WebVision 训练集和 ILSVRC 2012 数据集上从头训练 AlexNet 模型,然后在 WebVision 验证集和 ILSVRC 2012 验证集上对这两个模型进行评估。需要注意的是,在 WebVision 数据集上训练模型时未使用人工标注数据。这里我们对 top-5(top-1)的准确率进行了报道。

结果如下:(1)使用 WebVision 数据集训练的 CNN 模型性能优于使用人工标注的 ILSVRC 2012 数据集训练的模型;(2)存在数据偏差,即在 WebVision 验证集上对这两个模型进行评估时,在 WebVision 上训练的模型优于在 ILSVRC 2012 上训练的模型,反之亦然。这对领域适应研究者可能是一个有意思的话题。

最后一届ImageNet挑战赛落幕,「末代」皇冠多被国人包揽

内容推荐
更多阅读

· 这车曾号称卖一辆赔三万,如今一个功能比标配ESP还安全

· 雷克萨斯NX外观大升级 将于上海全球首发

· 三大理由证实巴萨目前确实不如皇马,下赛季银河战舰将再次统治欧洲!

· 寒冷的中超转会期终于迎来爆炸性强援?

· 签下尼克扬,勇士实际要得花1850万!老将巴恩斯恐被勇士抛弃

· 打造中国自己的大飞机

· 王者荣耀小学生自创5黑阵容,连胜62场未中断,号称专治各种王者战队!

· 王者荣耀:吕布无敌?官方说这三个英雄可以秒杀奉先?你信么

· 夏天想去呼伦贝尔草原10个美景地旅游,新密哪家旅行社质量比较好?

· 一个日本军官的战后反省:日本发动卢沟桥事变根本原因,你可能永远不会了解

· 袁世凯怎样哄骗,让隆裕太后灭亡了清朝

· 炎热的夏天,国外发现一美人鱼,美极了!哈哈

· 女疯子从狼口里拼命救下狼面婴 二十年后 狼面撕心裂肺地喊着娘

· 家中老猫一反常态,对他又抓又搔,竟救下老爹性命

· 小暑|远山依枕见,暮雨闭门愁

· 起售价6788元,iPhone8的oled屏确实让人眼前一亮!

· 400多家银行牵手京东金融揭开联姻金融科技密码

· 莫德里奇爱米兰,每条微博都点赞!最配得上红黑10号的就是他

· 中国“星坚强”爬2万公里自救

· 王者荣耀:当国外玩家遇见防沉迷系统,网友:你需要一张身份证!

· 与刷刷刷、手残党告别 上班族必玩的几款游戏推荐!

· 对于农家乐来说,只有这样改造道路才能引来更多的游客!

· 他被当做炮灰安排在第一线,却在生死瞬间竟发生离奇事件。

· 听说新5系上市了?请给我来一辆捷豹XFL

· 粮价下跌,国家政策将有重大调整,农民的机会来了?

· 鸡蛋价格涨落如此疯狂,背后的阴谋家浮出水面,养殖户是最大的受害者

· 7.3PTR各专业新内容 抑魔金升级915强力珠宝

· 游客海上看表演,发现端倪,笑称:海豚兄,你要红了

· 如何解决未婚妈妈赴美生子和美宝出生后证件两大难题?

· 「每日一美」白皙清纯靓丽女孩清新俏皮超市随拍唯美写真

· 创意篇 手绘少女 手机壁纸 1080p

· 黄婷婷穿红裙充满仙气,且美丽性感,但网友的焦点却放在她的腿上

· 王思聪的王可可才是狗届赢家?等粉丝数超过韩寒家的马达再炫富吧

· 釜底抽薪:苹果真强硬,三星只能乖乖听命

· 中国男篮改革初见成效 红蓝对抗小将辈出

· 勇往直前的刺刀攻击,大英帝国无往而不胜的利器

· 旅游成中俄关系新亮点

· 学术网站深度分析:澳洲真的被华人或穆斯林所“占领”?

· 美丽乡村:北京周边的这些美丽乡村,水美,路美,人更美

· 故事:彩票中了一千万,他对老婆的态度发生了转变

· 高五幸小小说:冤家

· 人穷三不邪,人卑三不跳,阅后才懂!

· 小牛主帅凯莱尔点赞丁彦雨航!或将得到NBA合同!别忘了,上一个从小牛走出去的亚洲人叫林书豪

· 韩国总统文在寅称愿随时随地会晤金正恩

· 大张伟在那英面提刀郎全场鼓掌,而她则用丢戒指的往事狂黑那英

· 无良车企防撞梁减配,车叫兽教你如何应对!

· 前国青主帅一语道破国足没落原因:赚钱太多,眼里只有钱,无进取心难赴欧洲!

· 美俄在叙利亚正面军事对峙 五角大楼慌神:这个国家卷入直接冲突可能性将大增

· “支持韩政府积极同朝方重启对话”

· 「TFBOYS」「分享」170705 王俊凯为不露 黑色无袖背心套黑T

· 低调奢华的宠物美甲你见过没?这年头,宠物真的比人还精致……

· 为啥赵丽颖戴圆墨镜不好看,刘雯戴窄墨镜不好看?这事主要看脸型

· 闷热的夏天 跟着时尚博主穿出凉快与美丽

· CuVee:这次能赢下SKT是运气比较好

· 这个美国小镇不建高楼不准穿高跟鞋不准用手机拒绝快餐店

· 被曹操杀掉的杨修,侄子后来执掌大权,侄孙女当上了太后

· 婴儿游泳馆招人难?3861给你支招!

· 人像摄影:七秒记忆

· 镜头拉远,你才知道他在沙滩上画什么

· 这个黑锅,民间中医不背

· 香港老大哥,刘德华受他提携,60岁为儿捞金,沦落酒吧卖唱

· 重磅!夺冠功臣1500万遭强挖勇士瞬间找好备胎!22+18小野兽或成四巨头新侍卫!

· 国际油价6日上涨

· 卢沟桥事变中直接指挥中国军队的到底是谁?

· 适合发朋友圈的短小句子,写的真好

· 疯狂的石头垒砌成别样的村寨,残垣中记录着昔日的辉煌

· “女人三十如狼似虎,你别惹”

· 上市必遭疯抢!这辆日产挂奔驰标,回头率竟暴涨300%

· 老婆让买5000的包包,我花500给她买了个高仿的

· 全运会柯洁四连胜独自领跑 人机战后已17连胜

· 英国星巴克、Costa、Nero均被查出含“粪便细菌”,爱喝咖啡的英国人祝你们好运

· 早知天下事(7月7日)

· 宽松≠懒散

· 挖煤23年罹患三期尘肺 因煤矿关闭无钱医治 应享工伤待遇农民工申请先行支付遇阻

· 一气呵成不拖拉 提指南者心路分享

· 记者爆料小牛正强烈考虑一年短约签下丁彦雨航,中国篮球或迎大转机

· 马刺2年1,700万美元签下盖伊

· 最终的魔改——新舟700

· 王者荣耀制作人发了一封长信,表态近来未成年人的负面新闻

· 武康路113号

· 吕蒙对关羽杀人辱尸 只因关羽说过的这两句话?

· 拿个大包包的恬静女孩,看着就喜欢

· 特朗普要迫使普京在叙利亚让步?克里米亚是否会送给俄罗斯?

· 巴萨二度报价保利尼奥,封顶7000万敢不敢,7成巴萨球迷反对

· 多行不义必自毙,美国也有被技术封锁的时候

· 媳妇,你冷静点儿啊!我不悔婚了行吗?

· iPhone6电池掉电过快有救了!iOS10.3.3正式版系统必升

· 购买混合动力的三个理由 多花多少钱?

· 新车增长滞缓 二手车增长超20%

· 你绝想不到这些汽车配件是修复过的

· 经济日报财经早餐:2017年7月7日星期五

· 浙大网新科技股份有限公司公告

· 突然就动了

· 177年后055下水告慰先烈

· 苏联射程500公里的导弹让美要求销毁!其威慑力远超核弹

· 加拿大为何向关塔那摩囚犯道歉赔钱?

· 这个总流水过10亿的SLG系列,页转手如何做到畅销榜Top20?

· DNF难度大到令你怀疑人生的五大任务!

· 中国四大清真古寺,听说大部分人会答错

· 孩子肚子大就一定正常?这种症状忽视了将会付出生命的代价

· 有些句子,看一遍,一辈子都不会忘

· 实拍农村那些常见的花间精灵,却一个名字也叫不出来

· 农村67岁老铁匠打铁46年他坦言:英雄要死在阵上能干动就要干

· 蚊子有多可怕?两只蚊子藏在集装箱里被昆山口岸截获

· 第十三届中国国际动漫游戏博览会在沪开幕

· LOL大头什么时候这么强了?一个技能打掉大龙6000血

· 王者荣耀:KPL总决赛解说阵容公布,美女仅用三个月登上总决赛

· 江夏有条街叫湖泗街,如果有一天我们都累了,请回湖泗国去!

· 从秦朝的王翦看汉朝的韩信,就可以看出“偏科”的危害有多大!

· 因为修为下降被世家放弃,他从少爷沦为旷工,逐出师门遭遇世间冷暖

· 维特尔:我在乎的是汉密尔顿,不是你们媒体

· 有笑点PS篇第三十期:凤姐简直是我们PS界业界劳模!

· “奶茶妹妹”章泽天驾驶800万超跑急速狂飙!刘强东:我有钱,我送的!

· 手机也能玩分屏?你不得不看五款分屏手机

· 马刺将与杰朗-布洛瑟姆盖姆签下双向合同

· 皇马很忙!半个月内将和巴萨踢三次还要和曼联踢一场!

· 太阳系的边缘?上帝为人类画了一个巨大的圈!

· 从美国入侵到中国农村,差点让老王丢了性命,见着它一定要当心

· 一次意外他来到了三国,看他如何助刘备,战曹操,取孙权!

· 湖南茶陵中华茶祖文化园风景如画,高达24米的茶祖雕像栩栩如生、雄姿威武

· 宠物狗痒的难受怎么才能给它止痒,这个办法宠物医院是不会告诉你的

· 卷土重来?新北市长朱立伦大动作宴请党籍民代

· 稳了!夏联得冠,小牛老板发话,小丁将拿NBA合同!

· Woj:热火4年5000万签下奥利尼克

· 地球上的动物成千上万,但这几种动物你可能从未见过

· 中国最美营地 云之故里

· 袁世凯一生精力充沛很少得病,为什么会突然死掉,这个人有大关系

· 我宁愿坐在宝马车里哭 也不愿意坐在自行车上哭

· 身份证丢了怎么办?送你异地办理全攻略!

· 36岁的费德勒还在进击,但为何年轻一辈却对网球感觉厌倦?

· 镜报:卢卡库曼联周薪20万镑,将在洛杉矶体检

· 机构预测本轮成品油调价或将搁浅

· 保重老妈——我要去部队

· 这个和中国关系密切的国家,海军高官放话再不添新战舰海军要消失

· 竹溪那些凉爽颜值又高的沟沟你最钟情哪一个?

· 7月5号开始阵痛,用力4下我的小男神诞生啦,哈哈两女一儿总算圆满,特来还愿传好孕

· 一个能卖168元!新疆瓜农老闫种出的方形西瓜价格是普通瓜的10倍!

· 9年老员工被迫离职,老板降薪3000元,事后两倍工资也请不回

· 向占道经营说不 湖城临河路50多家茶室集中整治

· 门兴中场小将训练中被球击中,脑震荡被送往医院

· 新三板年中展望:二次创业周期有望开启

· 武进召开宣布中央军委国防动员部命令大会

· 直击全球最高的10个女巨人,第一名在中国

· 2017年LOL洲际赛亚洲区第二天看点

· 她本是苦逼上班族一枚,却一朝穿越成为被冷落的皇后

· 郑州现最陡停车场 下坡用脚上坡靠推

· 中国大学排名前30,千年学府,百年名校,在湖南和中南大学争第一

· 马未都|过敏

· 李晨开面馆被讽真不愧是大黑牛,没想到岳云鹏做生意才是月入百万

· 为拍西游记这一集,杨洁无奈骗人,还有大量你可能错过的故事

· 安全驾驶:教你如何开好手动档汽车,这里面还有很多安全技巧

· 奥斯汀-达耶转发盖伊推特:加油兄弟!

· 「IMSA」DPi与LMP2分家?围场窃窃私语不止

· 你卖水果挣到钱了吗?来看看同行的问答

· 助推商业航天 长征火箭开发海上发射

· 《DNF》广大平民玩家的心声:强烈要求策划把这个任务删除!

· 熵的增加可能暗示一个神秘的量子翻转即将发生

· 江西九江一堤坝现滑坡险情 军民携手奋战六小时控制险情

· 走上事业巅峰依旧对结发之妻不离不弃,换车换房不换妻的八位男星

· 溥仪登基仪式上有个不祥之兆,预言着三年内大清要完蛋了

· 科目二挂科成了家常便饭,只因你没有注意这些细节!

· 叙防空系统失灵?俄轰炸机见招拆招 美认怂别打了!

· 阿联酋外长表情包火遍中东世界,被称为最可爱的外交部长

· 如何预防新生儿脑积水?

· 老年人怎么交养老保险和商业保险合适?

· TFBOYS粉丝的魔幻现实主义担心:怎么能让我爱豆坐出租车!

· 前队友贝弗利:特奥多西奇是现在联盟最好传球手

· ​万科企业今日复牌

· 半小时伊拉克就陷入瘫痪毫无招架之力:美军当年如何做到的

· 泰中记者协会举办“泰中高铁符合两国共同利益”研讨会

· 史上最能吃的宰相,白吃大户的、白吃强盗的,还能白吃皇帝的

· 羊水早破:别被电视剧误导 破水后是剖是顺就由不得你了

· 伪装者里只有他掌握全部真相,最后成为了终极大Boss

· 台媒:这个计划“前瞻”到什么?

· 同穿4万多的印花裙,41岁的林心如和35岁的范冰冰撞衫,林心如直接被秒杀!

· 看完tfboys三人的聊天记录,才知道他们私底下关系居然是这样的

· 华为属狼小米属猫 乐视可能是属鸭子的

· 特稿:动荡岁月,美欧跨大西洋关系面临“不确定性”

· 孟云飞:乱世不苟,四宁四勿——傅山

· 混沌一树擘天地,少年坐火车硬座,有了一场奇遇

· 很多人都是离婚后,才明白这8个道理

· 《乡村爱情》剧中人物分析,比较到位很准确!

· 全反光车型,不知道开起来是不是能够隐形,成为第一辆隐形汽车

· 爱卡信息图:一分钟读懂全新奔驰 S级

· 蛮牛来袭 实拍+VR兰博基尼Aventador S

· 5000万布加迪出街,场面十足拉风,警察都忍不住怂了

· 詹姆斯:克利夫兰这是在开养老院?明年想继续累死我吗?

· 智能厨电成为家电业继冰箱、洗衣机、空调之后又一支柱产品

· 辽宁舰航母编队今晨抵达香港 历史性首次对外开放

· 左轮——一把有逼格的武器!

· 这是三位不同类型的《王者荣耀》陪练的生活

· 生完宝宝,老公只要做这件事,所有女人都会感动!

· 有这样一个耿直的宝宝,亲爸妈尴尬到只想将他塞回肚子里

· 卢鑫玉浩三拒郭德纲挖角这次终于正面回应:师父一辈子只能一个

· 张坤:拿了户口就跳,无信

· 网联来了?支付宝与微信可以互相转账了?

· “短、平、快”玉米机——中联重科CC40全新升级!

· 火箭“三分大炮”安德森可能将被交易到开拓者

· 当心!你已经被盯上了,还有这种银行卡的赶紧换!已有人损失惨重!

· 三一重工信披违规 财务总监被监管关注

精彩图片