如何评价Momenta ImageNet 2017夺冠架构SENet?
下面我们从多个维度来详细评价SENet：
1. 核心思想：特征重校准 (Feature Recalibration)
SENet的核心思想是：让网络能够自主学习“哪些特征通道更重要”，并根据这种重要性动态地调整（增强或抑制）这些特征通道的响应。
传统的CNN在卷积过程中，会生成大量的特征图（feature maps）。每个特征图可以被理解为对图像中某种特定模式（如边缘、纹理、颜色等）的响应。然而，在之前的CNN设计中，这些特征图是被平等对待的，或者说，它们的相对重要性是隐式地编码在网络结构和训练过程中。
SENet看到了这个问题，并提出了一种显式的机制来解决它。通过SE模块，网络能够：
Squeeze（挤压）: 聚合每个通道的全局空间信息，生成一个“全局描述符”来代表每个通道的响应。
Excitation（激励）: 利用这个全局描述符来为每个通道生成一个权重，这个权重就代表了该通道的重要性。
Scale（缩放）: 将这些权重乘以原始的特征图，从而实现对不同通道特征的重校准。
2. SE模块的架构与工作原理
SE模块是一个轻量级的插件模块，可以插入到标准的CNN架构中，例如在残差块（ResNet）的残差连接之后。一个标准的SE模块包含以下几个关键步骤：
全局平均池化 (Global Average Pooling Squeeze):
对于输入特征图 $U in mathbb{R}^{C imes H imes W}$（C为通道数，H为高度，W为宽度），我们对每个通道进行全局平均池化。
对于第 $c$ 个通道，其池化结果是一个标量 $z_c = frac{1}{H imes W} sum_{i=1}^{H} sum_{j=1}^{W} u_c(i, j)$。
这一步的目的是将每个通道的空间信息压缩成一个单一的数值，这个数值可以被认为是该通道“激活程度”或“全局响应”的一个摘要。
这样，我们就得到一个维度为 $1 imes 1 imes C$ 的向量 $z = [z_1, z_2, ..., z_C]$。
全连接层和激活函数 (Excitation):
为了学习通道之间的相互依赖关系，并生成每个通道的权重，SE模块使用两个全连接层（FC）和一个ReLU激活函数，以及一个Sigmoid激活函数。
首先，将 $z$ 输入一个全连接层，该层将维度从 $C$ 降到一个更低的维度 $C_{hidden}$ (通常通过一个缩减比 `r` 来控制，$C_{hidden} = C / r$)，并使用ReLU激活函数。
$ FC_1: mathbb{R}^{C} ightarrow mathbb{R}^{C_{hidden}} $
$ a = sigma(W_1 z) $ (其中 $sigma$ 是ReLU激活函数)
然后，再输入另一个全连接层，将维度从 $C_{hidden}$ 恢复到原始通道数 $C$，并使用Sigmoid激活函数。
$ FC_2: mathbb{R}^{C_{hidden}} ightarrow mathbb{R}^{C} $
$ s = sigma(W_2 a) $ (其中 $sigma$ 是Sigmoid激活函数)
这个向量 $s = [s_1, s_2, ..., s_C]$ 就包含了每个通道的“注意力”权重。Sigmoid函数确保了这些权重都在0到1之间，这非常符合权重（或者说注意力得分）的直观含义。
通道间的加权 (Scale):
最后一步是将学习到的权重 $s$ 应用到原始的输入特征图 $U$ 上。
对于每个通道 $c$，将其与对应的权重 $s_c$ 相乘：
$ hat{u}_c = s_c cdot u_c $
这个操作本质上是对每个通道的特征图进行通道级别的缩放。如果某个通道的权重高，其激活值就会被放大；反之，如果权重低，其激活值就会被抑制。
最终输出的特征图为 $hat{U} = [hat{u}_1, hat{u}_2, ..., hat{u}_C]$。
3. 架构的集成与变种
SE模块的设计非常灵活，可以集成到各种主流的CNN架构中：
与ResNet结合: 最常见的做法是在ResNet的残差块中，在卷积层和ReLU激活函数之间插入SE模块。这构成了SENet系列中最经典的模型，例如SEResNet。
与Inception结构结合: 也可以将SE模块集成到Inception模块中，用于调整不同分支产生的特征。
其他架构: SE模块的通用性使其可以应用于更广泛的CNN模型，如VGG、GoogLeNet等。
4. 评价SENet的优点
性能显著提升: 在ImageNet等大规模数据集上，通过简单地加入SE模块，SENet相比于基线模型（如ResNet）能够获得显著的精度提升。例如，SEResNet在ImageNet上的Top1错误率比ResNet降低了约1%。
通用性和灵活性: SE模块的通用性是其最大的亮点之一。它不依赖于特定的网络结构，可以轻松地插入到几乎任何卷积神经网络中，实现“即插即用”。这使得研究人员和工程师可以在现有模型上轻松地改进性能，而无需从头设计整个网络。
计算效率高: 虽然SE模块引入了额外的计算量，但其增加的参数量和计算成本相对较低。通过控制缩减比 `r`，可以有效地平衡性能提升和计算开销。这使得SENet在实际应用中具有可行性。
可解释性: SE模块通过学习通道权重，为我们提供了一种理解网络“关注点”的方式。我们可以分析不同通道的权重分布，了解网络认为哪些特征对分类任务更重要，增加了模型的可解释性。例如，某些通道可能与特定的纹理、颜色或形状高度相关，而SE模块会根据这些通道的有效性来调整它们的权重。
对浅层和深层特征的优化: SENet不仅能优化深层网络的特征表示，也能对浅层的通用性特征进行选择性增强。这表明其特征重校准机制能够贯穿整个网络的层级。
5. 评价SENet的缺点与局限性
参数增加: 尽管SE模块相对轻量，但引入的额外全连接层会增加模型的参数量。对于资源受限的设备，这可能是一个需要考虑的因素。
计算量增加: 同样，SE模块会引入额外的计算开销。在一些对延迟非常敏感的应用中，可能需要仔细评估其影响。
局部性问题 (潜在): SE模块通过全局平均池化来获得通道的全局信息。虽然这有助于捕捉通道的整体响应，但它丢失了空间位置信息。对于某些任务，如果通道的响应很大程度上依赖于其空间位置，那么SE模块的全局池化可能无法充分发挥作用。不过，后续也有一些变种尝试解决这个问题，例如使用空间注意力机制。
过度拟合的风险: 在小型数据集上，引入的额外参数和复杂性可能会增加模型过拟合的风险。
6. 对深度学习领域的影响
SENet的出现标志着“注意力机制”在计算机视觉领域取得了重要的进展，并激发了后续一系列的注意力模型研究：
通道注意力机制的开创者: SE模块是第一个被广泛接受和应用的通道注意力机制，它证明了显式地学习通道间的依赖性是有效的。
对后续注意力模型的影响: 它的成功直接启发了CBAM (Convolutional Block Attention Module)、ECANet (Efficient Channel Attention) 等更先进的注意力机制的设计。这些模型在SE的基础上，进一步优化了注意力计算的效率或考虑了空间信息。
作为标准组件: SE模块已经成为很多现代CNN架构的标准组件之一，例如在EfficientNet等高性能模型中，也可以看到类似SE模块的设计思想。
推动研究方向: SENet的成功促使研究人员更加关注如何让网络能够动态地关注更重要的信息，而不是仅仅依赖于固定的卷积核和感受野。
总结
Momenta的SENet是一个具有里程碑意义的卷积神经网络架构。它通过巧妙的“SqueezeandExcitation”模块，实现了对特征通道的自适应重校准，显著提升了模型的性能，同时保持了良好的通用性和计算效率。它不仅在ImageNet 2017比赛中取得了优异成绩，更重要的是，它开创了通道注意力机制的应用先河，并对后续的深度学习研究产生了深远的影响，成为现代CNN设计中不可或缺的一部分。尽管存在一些潜在的局限性，但SENet的贡献仍然是巨大的，它证明了通过简单的、可学习的机制来增强网络对重要信息的感知能力，是提升模型性能的有效途径。
网友意见
在CVPR 2017上，来自Momenta的高级研发工程师胡杰，代表他的WMW团队分享了获得ImageNet冠军的模型SENet。分享获得了极大的好评，以下是胡杰的现场发言整理，希望可以和更多的人分享这一精妙模型。
我是Momenta高级研发工程师胡杰，很高兴可以和大家分享我们的SENet。借助我们提出 SENet，我们团队（WMW）以极大的优势获得了最后一届ImageNet 2017竞赛 Image Classification任务的冠军，并被邀请在CVPR 2017的workshop（Beyond ImageNet）中给出算法介绍。下面我将介绍我们提出的SENet，论文和代码会在近期公布在arXiv上，欢迎大家follow我们的工作，并给出宝贵的建议和意见。
我们从最基本的卷积操作开始说起。近些年来，卷积神经网络在很多领域上都取得了巨大的突破。而卷积核作为卷积神经网络的核心，通常被看做是在局部感受野上，将空间上（spatial）的信息和特征维度上（channel-wise）的信息进行聚合的信息聚合体。卷积神经网络由一系列卷积层、非线性层和下采样层构成，这样它们能够从全局感受野上去捕获图像的特征来进行图像的描述。
然而去学到一个性能非常强劲的网络是相当困难的，其难点来自于很多方面。最近很多工作被提出来从空间维度层面来提升网络的性能，如Inception结构中嵌入了多尺度信息，聚合多种不同感受野上的特征来获得性能增益；在Inside-Outside网络中考虑了空间中的上下文信息；还有将Attention机制引入到空间维度上等等。这些工作都获得了相当不错的成果。
我们可以看到，已经有很多工作在空间维度上来提升网络的性能。那么很自然想到，网络是否可以从其他层面来考虑去提升性能，比如考虑特征通道之间的关系？我们的工作就是基于这一点并提出了Squeeze-and-Excitation Networks（简称SENet）。在我们提出的结构中，Squeeze和Excitation是两个非常关键的操作，所以我们以此来命名。我们的动机是希望显式地建模特征通道之间的相互依赖关系。另外，我们并不打算引入一个新的空间维度来进行特征通道间的融合，而是采用了一种全新的“特征重标定”策略。具体来说，就是通过学习的方式来自动获取到每个特征通道的重要程度，然后依照这个重要程度去提升有用的特征并抑制对当前任务用处不大的特征。
上图是我们提出的SE模块的示意图。给定一个输入x，其特征通道数为c_1，通过一系列卷积等一般变换后得到一个特征通道数为c_2的特征。与传统的CNN不一样的是，接下来我们通过三个操作来重标定前面得到的特征。
首先是Squeeze操作，我们顺着空间维度来进行特征压缩，将每个二维的特征通道变成一个实数，这个实数某种程度上具有全局的感受野，并且输出的维度和输入的特征通道数相匹配。它表征着在特征通道上响应的全局分布，而且使得靠近输入的层也可以获得全局的感受野，这一点在很多任务中都是非常有用的。
其次是Excitation操作，它是一个类似于循环神经网络中门的机制。通过参数 来为每个特征通道生成权重，其中参数 被学习用来显式地建模特征通道间的相关性。
最后是一个Reweight的操作，我们将Excitation的输出的权重看做是进过特征选择后的每个特征通道的重要性，然后通过乘法逐通道加权到先前的特征上，完成在通道维度上的对原始特征的重标定。
上左图是将SE模块嵌入到Inception结构的一个示例。方框旁边的维度信息代表该层的输出。这里我们使用global average pooling作为Squeeze操作。紧接着两个Fully Connected 层组成一个Bottleneck结构去建模通道间的相关性，并输出和输入特征同样数目的权重。我们首先将特征维度降低到输入的1/16，然后经过ReLu激活后再通过一个Fully Connected 层升回到原来的维度。这样做比直接用一个Fully Connected层的好处在于：1）具有更多的非线性，可以更好地拟合通道间复杂的相关性；2）极大地减少了参数量和计算量。然后通过一个Sigmoid的门获得0~1之间归一化的权重，最后通过一个Scale的操作来将归一化后的权重加权到每个通道的特征上。
除此之外，SE模块还可以嵌入到含有skip-connections的模块中。上右图是将SE嵌入到 ResNet模块中的一个例子，操作过程基本和SE-Inception一样，只不过是在Addition前对分支上Residual的特征进行了特征重标定。如果对Addition后主支上的特征进行重标定，由于在主干上存在0~1的scale操作，在网络较深BP优化时就会在靠近输入层容易出现梯度消散的情况，导致模型难以优化。
目前大多数的主流网络都是基于这两种类似的单元通过repeat方式叠加来构造的。由此可见，SE模块可以嵌入到现在几乎所有的网络结构中。通过在原始网络结构的building block 单元中嵌入SE模块，我们可以获得不同种类的SENet 。如SE-BN-Inception、SE-ResNet 、SE-ReNeXt、SE-Inception-ResNet-v2等等。
从上面的介绍中可以发现，SENet构造非常简单，而且很容易被部署，不需要引入新的函数或者层。除此之外，它还在模型和计算复杂度上具有良好的特性。拿ResNet-50和SE-ResNet-50对比举例来说，SE-ResNet-50相对于ResNet-50有着10%模型参数的增长。额外的模型参数都存在于Bottleneck设计的两个Fully Connected中，由于ResNet结构中最后一个stage的特征通道数目为2048，导致模型参数有着较大的增长，实验发现移除掉最后一个stage中3个build block上的SE设定，可以将10%参数量的增长减少到2%。此时模型的精度几乎无损失。
另外，由于在现有的GPU实现中，都没有对global pooling和较小计算量的Fully Connected进行优化，这导致了在GPU上的运行时间SE-ResNet-50相对于ResNet-50有着约10% 的增长。尽管如此，其理论增长的额外计算量仅仅不到1%，这与其在CPU 运行时间上的增长相匹配（~2%）。可以看出，在现有网络架构中嵌入SE模块而导致额外的参数和计算量的增长微乎其微。
在训练中，我们使用了一些常见的数据增强方法和Li Shen提出的均衡数据策略。为了提高训练效率，我们使用了我们自己优化的分布式训练系统ROCS, 并采用了更大的batch-size 和初始学习率。所有的模型都是从头开始训练的。
接下来，为了验证SENets的有效性，我们将在ImageNet数据集上进行实验，并从两个方面来进行论证。一个是性能的增益vs.网络的深度； 另一个是将SE嵌入到现有的不同网络中进行结果对比。另外，我们也会展示在ImageNet竞赛中的结果。
首先我们来看一下网络的深度对SE的影响。上表分别展示了ResNet-50、ResNet-101、ResNet-152和嵌入SE模型的结果。第一栏Original是原作者实现的结果，为了进行公平的比较，我们在ROCS上重新进行了实验得到Our re-implementation的结果（ps. 我们重实现的精度往往比原paper中要高一些）。最后一栏SE-module是指嵌入了SE模块的结果，它的训练参数和第二栏Our re-implementation一致。括号中的红色数值是指相对于Our re-implementation的精度提升的幅值。
从上表可以看出，SE-ResNets在各种深度上都远远超过了其对应的没有SE的结构版本的精度，这说明无论网络的深度如何，SE模块都能够给网络带来性能上的增益。值得一提的是，SE-ResNet-50可以达到和ResNet-101一样的精度；更甚，SE-ResNet-101远远地超过了更深的ResNet-152。
上图展示了ResNet-50和ResNet-152以及它们对应的嵌入SE模块的网络在ImageNet上的训练过程，可以明显看出加入了SE模块的网络收敛到更低的错误率上。
另外，为了验证SE模块的泛化能力，我们也在除ResNet以外的结构上进行了实验。从上表可以看出，将SE模块嵌入到ResNeXt、BN-Inception、Inception-ResNet-v2上均获得了不菲的增益效果。由此看出，SE的增益效果不仅仅局限于某些特殊的网络结构，它具有很强的泛化性。
上图展示的是SE嵌入在ResNeXt-50和Inception-ResNet-v2的训练过程对比。
在上表中我们列出了一些最新的在ImageNet分类上的网络的结果。其中我们的SENet实质上是一个SE-ResNeXt-152（64x4d），在ResNeXt-152上嵌入SE模块，并做了一些其他修改和训练优化上的小技巧，这些我们会在后续公开的论文中进行详细介绍。可以看出 SENet获得了迄今为止在single-crop上最好的性能。
最后，在ILSVRC 2017竞赛中，我们的融合模型在测试集上获得了2.251% Top-5错误率。对比于去年第一名的结果2.991%，我们获得了将近25%的精度提升。
论文下载链接：
https:// arxiv.org/pdf/1709.0150 7.pdf
Pretrained模型和相关代码可访问github获取
https://github.com/hujie-frank/SENet
原文链接：
------------------------------------------------
知乎机构号：Momenta，打造自动驾驶大脑。
基于深度学习的环境感知、高精度地图、驾驶决策技术，让无人驾驶成为可能。
类似的话题
-
Momenta的SENet（SqueezeandExcitation Networks）在ImageNet 2017的比赛中夺冠，无疑是深度学习领域的一个重要里程碑。它以一种优雅而高效的方式，解决了卷积神经网络（CNN）在理解特征间的依赖性方面存在的固有局限性。SENet的成功之处在于其提出的“Sq............. -
《睡前消息》409期作为一档以“睡前”为名的时事评论节目，其内容通常以轻松幽默的风格呈现社会热点、科技动态、文化现象等话题，旨在为观众提供睡前的“信息快餐”。以下是对该期节目可能涉及的分析框架和评价方向，结合其节目特点及社会语境进行详细解读： 1. 节目核心内容与选题分析 选题热点：409期可能聚焦.............
-
俄罗斯军队在2022年2月24日入侵乌克兰后，21天内未能占领或包围基辅，这一结果涉及复杂的军事、战略和国际因素。以下从多个维度详细分析这一现象： 1. 初期快速推进的军事目标与战略调整 初期目标的矛盾性： 俄罗斯在入侵初期（2月24日）宣称“特别军事行动”的目标是“去纳粹化”和“去俄化”，但.............
-
新华社的《破除美国金融模式迷信，中国金融要走自己的路》一文，是近年来中国在金融领域强调自主性、独立性和战略定力的重要政策表达。该文从历史经验、现实挑战和未来战略三个维度，系统阐述了中国金融发展的路径选择，具有鲜明的现实针对性和理论深度。以下从多个角度对这篇文章进行详细分析： 一、文章背景与核心论点1.............
-
2022年俄乌战争爆发后，中国互联网上确实出现了一些复杂的现象，既有官方立场的引导，也有民间舆论的分化。以下从多个角度分析这一时期中国互联网的乱象及其背后的原因： 一、官方立场与网络管控1. 官方舆论引导 中国政府明确表态支持乌克兰的主权和领土完整，同时强调“不干涉内政”的原则。在社交媒体和.............
-
陈道明、王志文、陈宝国、张国立、李雪健是中国影视界最具代表性的“老戏骨”之一，他们以深厚的表演功底、多样的角色塑造和持久的行业影响力，成为中国影视艺术的中流砥柱。以下从表演风格、代表作、行业地位及艺术贡献等方面进行详细分析： 一、陈道明：历史剧的“帝王”与艺术的“多面手”表演特点： 陈道明以“沉稳.............
-
《为战争叫好的都是傻逼》这类文章通常以强烈的反战立场和道德批判为核心，其评价需要从多个维度进行分析，包括其立场的合理性、论据的逻辑性、社会影响以及可能存在的争议。以下从不同角度展开详细分析： 1. 文章的核心立场与立场合理性 立场：这类文章的核心观点是战争本质上是道德上不可接受的，支持战争的人（尤其.............
-
龙云（1882年－1967年）是20世纪中国西南地区的重要军阀和政治人物，被尊称为“云南王”，其统治时期（1920年代至1940年代）对云南的现代化进程和民族关系产生了深远影响。以下从多个维度对其历史地位和影响进行详细分析： 一、生平与政治背景1. 出身与早期经历 龙云出生于云南昆明，出身于.............
-
关于“前三十年的工业化是一堆破铜烂铁”的说法，这一评价需要结合历史背景、经济政策、技术条件以及国际环境等多方面因素进行深入分析。以下从多个角度展开讨论： 一、历史背景与“前三十年”的定义“前三十年”通常指中国从1949年新中国成立到1979年改革开放前的30年。这一时期，中国在经济、政治、社会等方面.............
-
十元左右的低档快餐店顾客以男性为主的现象，可以从经济、社会文化、消费行为、地理位置等多方面进行分析。以下从多个角度详细探讨这一现象的原因及可能的背景： 1. 经济因素：价格敏感与消费习惯 性价比优先：十元左右的快餐通常以快速、便宜、标准化为特点，符合低收入群体或日常通勤人群的消费需求。男性在职场中可.............
-
阎学通教授对00后大学生以“居高临下”心态看待世界这一批评，可以从多个维度进行深入分析，其背后既有学术视角的考量，也涉及代际差异、教育体系、社会环境等复杂因素。以下从观点解析、合理性分析、现实背景、潜在影响及改进方向等方面展开详细探讨： 一、阎学通教授的核心观点与逻辑1. “居高临下”的具体表现 .............
-
歼8系列战机是中国在20世纪70年代至80年代期间研制的高空高速歼击机，是当时中国航空工业的重要成果之一。该系列战机在冷战时期具有显著的军事意义，但随着技术发展和国际形势变化，其性能和作用逐渐被后续机型取代。以下从历史背景、技术特点、性能分析、发展演变、军事影响及评价等方面进行详细解析： 一、历史背.............
-
关于苏翻译和Black枪骑兵对俄乌战争局势的立场差异，需要明确的是，这两位身份可能涉及不同的信息来源和立场背景。以下从多个角度分析他们观点差异的可能原因： 1. 信息来源与立场定位 苏翻译（可能指苏晓康，中国《经济学人》翻译团队成员）： 立场：更倾向于国际法、人道主义和多边主义视角。 观点：.............
-
由于无法直接访问《睡前消息》第409期的具体内容（可能因平台更新、用户输入误差或节目名称不明确导致无法准确检索），以下将基于对“睡前消息”类节目的常见结构和主题进行推测性分析，并提供一般性的评价框架。若您有更具体的背景信息（如节目来源、发布时间等），可补充说明以便更精准回答。 一、节目内容推测（基于.............
-
明成祖朱棣（14021424年在位）五次北伐漠北（今蒙古高原）是明王朝巩固北方边疆、遏制蒙古势力的关键历史事件。这一系列军事行动不仅体现了朱棣的军事才能，也深刻影响了明朝的边疆政策、内政格局和历史走向。以下从历史背景、军事行动、结果评价及历史影响等方面详细分析： 一、历史背景1. 政治合法性与边疆安.............
-
2022年的俄乌战争是21世纪最具全球影响力的冲突之一，其规模、持续时间、国际影响和人道主义灾难远超以往。以下从多个维度对这场战争进行详细分析： 一、战争爆发的背景与起因1. 历史渊源 俄乌冲突的根源可追溯至2014年克里米亚危机和顿巴斯战争，俄罗斯在2014年吞并克里米亚并支持顿巴斯分离.............
-
关于美国国务卿布林肯和波兰总统对北约向乌克兰提供战机的表态，这一问题涉及地缘政治、军事战略、国内政治和国际关系等多重因素。以下从多个角度进行详细分析： 一、背景与核心争议1. 乌克兰的军事需求 乌克兰自2022年俄乌冲突爆发以来，面临俄罗斯的军事压力，急需先进武器装备以增强防御能力。战机（尤.............
-
亚投行（亚洲基础设施投资银行，AIIB）在2022年俄乌冲突爆发后，确实对在俄罗斯和白俄罗斯的项目进行了暂停和审查，这一举措引发了国际社会的广泛关注。以下从背景、原因、影响及评价多个角度进行详细分析： 一、事件背景1. 俄乌冲突的国际影响 2022年2月，俄罗斯入侵乌克兰，引发西方国家对俄罗.............
-
俄乌冲突中的俄军指挥体系和行动表现是一个复杂的问题，涉及军事战略、指挥结构、后勤保障、情报系统等多个方面。以下从多个角度对俄军指挥进行详细分析： 一、指挥体系结构1. 中央指挥链 俄军的指挥体系以中央军区（俄联邦安全局）和西部军区（负责乌克兰东部战区）为核心，由总参谋部协调。 总参.............
-
关于“幻影部队突袭利沃夫”这一假说，目前尚无确凿证据支持其真实性。以下从历史背景、军事分析、情报来源及可能的动机等方面进行详细分析： 一、历史与地理背景1. 利沃夫的战略地位 利沃夫是乌克兰东部的重要城市，位于第聂伯河畔，历史上曾是俄罗斯帝国、奥匈帝国和苏联的军事重镇。在俄乌战争中，利沃夫是.............
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 tinynews.org All Rights Reserved. 百科问答小站 版权所有