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

· 重伤7个月!巴萨曼联连失两大天王,1.5亿引援仅三场就打水漂

· 木头造轰炸机 速度快得连战斗机都追不上 年产3000架敌人想着都怕

· 2017联赛世界锦标赛时间表,经过武汉,上海总决赛北京

· 韩国又想篡改历史,刚一开口,被日本拿出三大铁证怼回去

· 情感漫画:只为生个男孩把妻休之《被赶出门》

· 关于04年总决赛的马后炮 穿越回去做这七件事 湖人或许能翻盘

· 近期最热大片衰在哪儿?我来挑点刺

· 荣威RX5为什么会一炮而红?犹如正楷书法般的外观设计是关键!

· 飞行员这个位子可不是一般人坐的,一不小心就会付出惨痛的代价

· 征服者穆罕默德二世如何攻陷君士坦丁堡的

· 霸气轰6K型如战神,大雨之中华丽升空

· 日本3年签证 的商务(工作)机会

· 你知道蟑螂为什么不能摔跤吗?

· 糖友分享|常吃这种菜,糖尿病人也能长寿,一定要收藏

· 《爱情公寓》要拍电影版了?!你们期待吗?

· 马龙樊振东真正的对手来了!他一飞冲天夺冠,刘国梁心中的王牌

· 科比乔丹究竟谁更无解?4点对比科比打球观赏性胜于乔丹!

· 海通证券:金融等三大板块四季度可相对乐观

· 掌握绿色的力量,DC宇宙中最强大的十大绿灯侠

· 除了NMD和Ultra Boost,Adidas今年还出了哪些潮爆的球鞋?

· 26岁产妇生了一对双胞胎儿子,还想生个女,出生后老公苦笑不得

· 癌症可能被攻破?赵丽颖和科学家都聊了啥

· 岳母要彩礼“三斤三两”,小伙甩张100元钞票一秤,带新娘跑了

· 孙俪:35岁活成女人最好的样子,靠的不只是情商

· 明日之子是要搞事情吗?黑完薛之谦又坑杨幂,好心疼华晨宇

· 小米联合德国顶级工具制造商!99元打造“收藏”级精修螺丝刀!

· 人脸识别技术哪家强?IPhoneX引领“刷脸时代”新潮流

· 众神下凡!一届选秀出4个名人堂包括:历史第一控卫、分位、中锋

· 郑眼看盘:短线有杀跌惯性 投资者可先观望

· 男朋友从军遇难,我含泪替他照顾他爸妈

· 北极圈附近的“女儿国”,妇女为尊,票选出了世界第一位女总统

· 苏格兰16岁女星海边度假游玩近照,网友直呼:跟没穿有什么区别

· 梦三国马良玩成这样,还被队友骂13,小编是该骂回去吗?

· 神界原罪2队伍搭配推荐方案

· 《那年花开月正圆》——周莹故居一日游

· 这趟阳山出发的旅游路线,风景超美,沿途如画!现在去正是时候

· 台湾影坛大哥无人敢惹,夺舒淇第一次,残害古龙得肝病,下场凄凉

· 细思恐极——这难道是个贯穿千年的大忽悠?(十三)

· 一文读懂量子机器学习:量子算法基石已经奠定

· 女人生娃最容易忘带这8样,你生产时漏掉了几个?

· 产妇进产房前偷偷塞给医生字条,字字诛心让人泪流不止

· 杨影解说乒乓球爱放冷箭令人错愕 倾向性言论再引巨大争议

· 海豹的脖子被废弃塑料圈套住6个月,伤口触目惊心

· 长江路(嵩山路—泰山路)今起分段封闭施工

· 王俊凯走出阴影,与同学愉快玩耍

· 女儿是影后,曾三度出嫁还大骂谢霆锋一家是戏子,如今对张柏芝好

· 电商圈很有名的“千万姐”回来了,带来一个“小众”的运动品牌

· Apple Watch 3别急着买!可能在购买国家当地才能使用

· 本赛季西甲首位!阿拉维斯宣布主帅下课

· 周子衡:货币数字化创新将围绕法定数字货币发生发展

· 论炫富,思聪都要哭!印度最土豪的婚礼,开销5个亿,轰动全球

· 你知道吗?恐龙时代就有太阳能板和散热器了

· 你妈当初嫌我坐月子添麻烦,现在生病还想我去照顾,离婚就离婚!

· 早上醒来不做这一事,患癌几率高出5倍!你做了吗

· 陈安宁:奇瑞要做正常企业 不要戴高帽

· 赵文卓的《荡寇风云》,是烂片?网友:戚继光在中国被海盗打败了

· 交警提醒:9月18日起这6种闯红灯行为,不算违章更不用交

· 终于明白绿衫军愿意用1换5的代价换欧文?

· 51分14板,加索尔兄弟打爆詹姆斯小弟,纳瓦罗兄弟走好!

· 甲午战争一 日本联合舰队的发展历程 满清你不惭愧吗?

· 未成人性侵:韩国的这个方法让罪犯痛不欲生

· 《守望》玩家:“老子号上见过面开过房的天使都有7个了”

· 逆天了!桑植竟有这么多美景!

· 聚焦喀纳斯|白哈巴景区进入旅游小旺季,门票区间车持续减免

· 这些“长”在风景里的民宿,颜值逆天!我只想住个遍!

· 地理知识|东莞有奇香

· 分享用车心得 讲我与帝豪GL的故事

· 从晋商中学到的“三不”的智慧

· 大集上这种鱼个头不大,价格不低还挺抢手!附各种海鲜价格做法!

· 因祸得福!孙俪险遇害陈晓救起,与西域富商签下千万订单!

· 广汽传祺GM8,终于现真身了!

· 亚星进前十“挤”掉了谁?宇通受益最大 8月混合动力客车市场分析

· 面对70万美国联军,萨达姆为何坚持打注定失败的海湾战争?

· 距地6500光年它有7光年长,那里是恒星的巨大孕育室!

· 朋友们,送你们一片花海,犹如人间仙境

· 不得不防的假币诈骗——换钱要注意

· 林心如欲状告“娱乐圈慈禧”,网友:欲盖弥彰!

· 中关村出资 力挺“小鲜肉”创业者

· 刚到部队3天,他们都干啥了?

· 王者荣耀:钻石以下必坑英雄,露娜上榜!狄仁杰才是最坑的!

· 一路向西 非去不可的宁夏

· 大山深处的农民工,几个小菜一壶酒,你给评论一下如何

· 哌仑西平,您应注意用药细节

· 做到这三点,钱会爱上你

· 8条能瞬间打动女生的情话,你不打算找个男(女)朋友试一下吗?

· 手下败将还不服气?骑士队侧翼称只不过是杜兰特投进了关键球!

· Wephone创始人前妻可能面临的法律责任

· 港影港乐|金枝欲孽——四个享尽荣华富贵,却为爱痛苦的女人……

· 美媒曝詹姆斯加盟湖人三大要求,缺一就不把天赋带到洛杉矶

· 战机升空即消失令美恐慌,这是中国东海舰队的新杀手锏

· 婆婆重男轻女,我却生了女儿,却因这个胎记,婆婆笑的合不拢嘴

· 象棋太难,还有谁能在20岁前夺全国个人赛冠军?

· 分析人士:明年有色整体趋强

· 中国最具骨气城市,战时被日本杀得只剩36人,现在不准日本人入内

· 鱼漂都不会调,你说你钓的什么鱼

· 飞机安全起降的保卫者飞机轮胎,了解后你的心会痛么?

· 此国是日本唯一帮凶,派二十万大军攻打中国,就因祖先是中国人

· 你所不知道的玛雅文明

· 30岁两个孩子妈,还要生三胎,医生拿出孩子后,产妇痛哭流泪

· 2017款沃尔沃S90日常实用性测试

· FIA发车事故调查:比赛事件,不予处罚

· 针织衫+半裙,让你潮翻整个秋天!

· 怪不得81岁的谢贤如此痴迷32岁的COCO COCO穿衣风格太大胆!

· 这居然是月饼?感觉分分钟拥有了整片银河系!

· 贝克汉姆带小七买花 小公主长成大姑娘了还帮奶爸拿花

· “27岁女员工4年不跳槽,如今辞职后一直找不到工作!”为什么?

· 今天9月18号农历7月18就要发,发发发,财源滚滚到你家!

· 因为“朋友圈”,朋友都成了点赞之交

· 罕见的8位明星儿时的照片,你能认出几个,相信不出3个

· 话说家乡天津:天津发祥于三叉河口,之后有的直沽寨,最终在朱棣靖难成功以后建卫

· 想去新加坡打工,看看过来人的案例吧!

· 女生需要的基本款的秋装有哪些?

· 连衣裙图纸:用一个图纸为女儿制作了三条不同风格的连衣裙

· 深入民间的黑暗料理,保证让你大惊“食”色

· 劝对方看电影别聊语音,竟被踹脸揪头发!观影“八宗罪”你最烦哪个

· 再生气,也不要在这3个时间批评孩子,否则后悔莫及

· 治疗上呼吸道感染的清热解毒中成药

· 网曝皋城公馆小区高空抛物引起火灾,物业却不管不问

· 一场明星演唱会带来的服务业饕餮盛宴

· 这哪个设计师设计的,此时此刻,打死你的心都有

· DNF现版本堪称土豪的几个成就

· 他是欧洲君主楷模 两次参加十字军东征 国家在他的统治下称霸欧洲

· 已婚吐槽4:“如果可以选择,结婚前我一定洁身自好”

· 患难见真情?村里贫穷的他有了妻子,村人不知妻子不是“人”

· 湖州不愧是江南水乡城市,政府大楼都建的这么富有诗意

· 日本半导体行业岌岌可危之际 中国紫光集团砸钱强抢日本东芝人才

· 印度人眼中的中国火车,反到成了超载的代名词!网友:无语了

· 《无证之罪》导演吕行:解析人性背后的现象才是社会派推理的目的

· 瑞安今起开通 教育公交环线 覆盖25所学校,惠及3万多学生

· 3D打印极致之选,Mass Portal高精细桌面3D打印机

· 9家公司近两年离职率低于10% 中银和国寿安保基金经理最稳定

· 军人离婚财产分割规定

· 贝尔格莱德“北京日”活动启动

· 这种菜我们农村有,城里人有钱吃不到,没卖的

· 开了这么多年车,从来没有想过机油原来还有这么多门道

· 姆希塔良:赢球最重要,比分无所谓

· 辽宁最佳赏枫地图!天越来越凉了,赶紧存好攻略去看枫叶!

· 7种金牌水果不吃全家会生病,别怪我没有告诉你

· “这种女人”玩玩就行,一认真你就输了!

· 新训排长:您的“新兵包裹”已陆续送达,请注意查收!

· 世界最大的飞机组装工厂:员工轮流上班,去厕所要被监视

· 日本女星那个谁海边游玩,网友称:又找到年轻时候的感觉了

· 当更年期遇上叛逆期吵不停?4不6要找回家庭和乐

· 前世有缘,今生相见!

· 英皇竟成立电竞队,主战LOL?容祖儿自爆打游戏痴迷双眼险盲

· 巴卡约科专访:因德罗巴爱上切尔西,来这里书写我的故事

· 16岁的超模二代凯雅·杰柏和哥哥参加伦敦时装周,比她妈妈还美

· 信仰AD薇恩大改动,大招可延长20秒,薇恩的核心装备就是UZI

· 王者荣耀:这些英雄才是打钱的王者,分别登上官方三大榜单

· 金敏英 不是鲜花,不是美酒,只是一杯散发着幽幽香气的淡淡清茶

· 孤独美食家:别人都吃成胖子,只有我吃到高潮

· 日本高分电影 女大学生和教授那点事

· 3个理由,揭秘为何日本旅行火遍全球

· 古老名族瑶族不仅男才女貌且长寿——瑶族民族的流转

· 这样的封盖高手竟然被勇士在第二轮捡到,而且非常针对骑士!

· 陈旭年街——新山的中国街,从新加坡过境马来西亚可以来逛逛

· 埃及卫生部:今年朝觐者死亡人数上升至102人

· ESPN战力榜作者后悔 称将LPL排太高

· 明星弗拉·亚伯拉罕度假被拍,网上直呼:她真的好美啊!

· 别看地图了!走这一条川西旅游线路,看遍10个撩人的赏秋之地!

· 国人的旅游真的只有玩,去再多景点都没用,因为少了这追求

· 你眼中的平凡无奇,车外那么美,车内却看不到

· 天啊!这还是闰土吗?张杰经历了什么变成这样!

· 华为宣布5G时代到来,恐怕要一统天下了

· 辣评Weekly:春未至,冬已来到!卫星通信又一细分应用市场正在被毁掉

· 西北少数民族生命之茶

· 一个圆球,如何让中国直升机开创世界先河?

· 中东两国关系恶化,数万头骆驼被驱赶 最后在沙漠里白骨遍地

· 本赛季恒大坠落最快的是他,从孔卡接班人沦落到现在发生了什么

· 95后小伙一天干两份工 在夜市喊麦月赚五千

· 迈克尔 乔丹大宅为何挂牌四年未售出?从明星身上学卖房秘诀

· 季后赛出场数排名:邓肯仅第二,詹姆斯有望把第一拉下马!

· 乡下常见的野草 它叫“甜麻” 种子有毒性但药用价值高

· 观念决定命运,脑袋决定口袋

· 通宵换岔施工后,这群信号工躺在地板上就睡着了

· 新开河镇举办喜迎十九大文艺演出

· 又是燃油宝,我们到底需要它吗?

· 看球笔记丨联赛收官阶段 对于卓尔既是机会也是挑战

· F-22依然是空中霸主,歼20苏-57只能靠边站?

· 巴勒斯坦政府表示准备前往加沙履行职责

· 耐克旗下天价配色最多的球鞋,盘点8双期待复刻的经典!

· 黄帝大战蚩尤,外星势力在地球上的大决战!

· 十月怀胎生下儿子,刚出院就让我吃剩饭剩菜,我心灰意冷提离婚

· 想要小公主?当你怀孕有这些症状可能是怀了女宝宝!

· 把这篇文章转给你身边的肝病患者,他们一定会来感谢你!

· 遇见你是我遇见最美的风景

· “女到中年,常去这四个地方的最爱偷吃,管不住自己的身体!”

· 当AI遇上新零售,绚礼网打造绚礼智能体验店改变传统零售

· 这个时代我们少了什么样的人才

· U23女排世锦赛中国队获第7名,吴胜称对成绩负责

· 别萌我,我投降还不行吗!

· 德议院选举默克尔胜算高 国际局势动荡对其利好

· 姑娘这招真是绝了,回头率肯定百分百

· 中华历史神话中的英雄为何能被人称颂,人人皆可封神2

· 洛阳车主:你的油换了吗?

· 券商板块投资价值发光逾6亿元资金布局9只个股

· OMG!太好闻了!这些香水厂牌的沐浴露忍不住一直回购……

· 此城是战斗民族的噩梦之城,无数人在此被卖,一个少女就值一头驴

· "你子宫壁那么薄,你到底做过多少次人流?"

· 真心对你好的人,一辈子能遇到几个?

精彩图片