Saliency maps for point cloud recognition models

LIANG Ao; ZHANG Hao; HUA Haiyang

doi:10.37188/OPE.20233108.1188

您当前的位置：

首页 >

文章列表页 >

Saliency maps for point cloud recognition models

Information Sciences | 更新时间：2026-09-12

- Saliency maps for point cloud recognition models
- Optics and Precision Engineering Vol. 31, Issue 8, Pages: 1188-1201(2023)
- 作者机构：
  
  1.中国科学院光电信息处理重点实验室，辽宁沈阳 110016
  2.中国科学院沈阳自动化研究所，辽宁沈阳 110016
  3.中国科学院机器人与智能制造创新研究院，辽宁沈阳 110169
  4.中国科学院大学，北京 100049
- 作者简介：
- 基金信息：
- DOI：10.37188/OPE.20233108.1188
  CLC： TP394.1;TH691.9
- Received：29 August 2022，
  
  Revised：2022-09-26，
  
  Published：25 April 2023
- 稿件说明：
移动端阅览
梁奥,张浩,花海洋.面向点云识别网络的显著图生成[J].光学精密工程,2023,31(08):1188-1201.

LIANG Ao,ZHANG Hao,HUA Haiyang.Saliency maps for point cloud recognition models[J].Optics and Precision Engineering,2023,31(08):1188-1201.
梁奥,张浩,花海洋.面向点云识别网络的显著图生成[J].光学精密工程,2023,31(08):1188-1201. DOI： 10.37188/OPE.20233108.1188.

LIANG Ao,ZHANG Hao,HUA Haiyang.Saliency maps for point cloud recognition models[J].Optics and Precision Engineering,2023,31(08):1188-1201. DOI： 10.37188/OPE.20233108.1188.

摘要

点云结构上的特殊性质，导致解释其深度模型学习特征的结果存在困难。提出了一种获得点云目标识别模型显著图的方法，首先在点云空间中随机释放若干自由因子并输入到模型中，然后根据设计的贡献度评价指标，基于梯度下降使骨干网络输出的池化特征尽可能偏离目标点云识别过程中输出的池化特征并更新因子位置。迭代后的因子无法参与识别过程，其对模型的预测“零贡献”，将目标点云中的点移动到这些因子的位置后对识别结果的影响与丢弃该点完全相同。点的移动过程可微，最后可根据梯度信息获得显著图。本文的方法在ModelNet40数据集上生成PointNet模型的显著图，相较于用点云中心生成显著图的方法，理论依据更强且适用的数据集更多。移动点至“零贡献”因子位置后对模型的影响较移动点至点云中心与丢弃点更相似。按本文的方法丢弃点使模型精度下降得更快，在仅丢弃100个点的情况下，模型的OA（overall accuracy）由90.4%下降至81.1%。同时经DGCNN和PointMLP评估，该显著性结果具有良好的通用性。该方法生成的显著性分数精度更高，且由模型驱动不含任何假设，适用于绝大多数点云识别模型和数据集，其显著性分析结果对目标识别网络的搭建与数据增强具有指导意义。

Abstract

The specific properties of point cloud structures lead to difficulties in the interpretation of features learned from deep neural networks （DNNs）. In this study， a method is proposed to obtain saliency maps for point cloud target recognition models. First， a number of free factors are randomly released in the point cloud space and input into the model. Then， based on the designed contribution evaluation index， the pooled features output by the backbone are deflected as much as possible using the target point cloud recognition process based on gradient descent， and the factor positions are updated. The iterated factors do not participate in the recognition process， thus contributing "zero" to the prediction of the model such that moving the points in the target point cloud to the positions of these factors has exactly the same effect on the recognition result as dropping the points. The process of moving the points is differentiable， and the saliency maps can be obtained from the gradient information. The saliency maps for PointNet were generated on ModelNet40 using the proposed method. This method has a strong theoretical basis for generating saliency maps and is applicable to more number of datasets compared with the method using point cloud centers. The effect of shifting points to the no-contribution factor position is more similar to dropping points than shifting points to the center of the point cloud. In this study， dropping points by the saliency scores rapidly reduced the overall accuracy of the model from 90.4% to 81.1% with only 100 points dropped. Meanwhile， the saliency scores displayed good generality as evaluated using deep graph convolutional neural network （DGCNN） and PointMLP. The proposed method is driven by the model without prior assumptions and generates significance scores with higher precision； it is applicable to most point cloud recognition models. The results of saliency analysis are instructive for the construction of target recognition networks and data augmentation.

关键词

Keywords

references

RAJ T ， HASHIM F H ， HUDDIN A B ， et al . A survey on LiDAR scanning mechanisms ［J］. Electronics ， 2020 ， 9 （ 5 ）： 741 . doi: 10.3390/electronics9050741 http://dx.doi.org/10.3390/electronics9050741

MEHENDALE N ， NEOGE S . Review on LiDAR technology ［J］. SSRN Electronic Journal ， 2020 .

FEI B ， YANG W ， CHEN W ， et al . Comprehensive Review of Deep Learning-Based 3 D Point Cloud Completion Processing and Analysis ［EB/OL］. 2022 ： arXiv ： 2203 . 03311 . https：//arxiv.org/abs/2203.03311 https://arxiv.org/abs/2203.03311 . doi: 10.1109/tits.2022.3195555 http://dx.doi.org/10.1109/tits.2022.3195555

ZAMANAKOS G ， TSOCHATZIDIS L ， AMANATIADIS A ， et.al . A comprehensive survey of LIDAR-based 3D object detection methods with deep learning for autonomous driving ［J］. Computers & Graphics ， 2021 ， 99 ： 153 - 181 . doi: 10.1016/j.cag.2021.07.003 http://dx.doi.org/10.1016/j.cag.2021.07.003

QIAN R ， LAI X ， LI X . 3D object detection for autonomous driving： a survey ［J］. Pattern Recognition ， 2022 ， 130 ： 108796 . doi: 10.1016/j.patcog.2022.108796 http://dx.doi.org/10.1016/j.patcog.2022.108796

RORIZ R ， CABRAL J ， GOMES T . Automotive LiDAR technology： a survey ［J］. IEEE Transactions on Intelligent Transportation Systems ， 2022 ， 23 （ 7 ）： 6282 - 6297 . doi: 10.1109/tits.2021.3086804 http://dx.doi.org/10.1109/tits.2021.3086804

GUPTA A ， WATSON S ， YIN H J . 3D point cloud feature explanations using gradient-based methods ［C］. 2020 International Joint Conference on Neural Networks （IJCNN）. 1924，2020 ， Glasgow， UK. IEEE ， 2020 ： 1 - 8 . doi: 10.1109/ijcnn48605.2020.9206688 http://dx.doi.org/10.1109/ijcnn48605.2020.9206688

CHARLES R Q ， HAO S ， MO K C ， et al . Pointnet： deep learning on point sets for 3D classification and segmentation ［C］. 2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. 2126，2017 ， Honolulu， HI， USA. IEEE ， 2017 ： 77 - 85 . doi: 10.1109/cvpr.2017.16 http://dx.doi.org/10.1109/cvpr.2017.16

QI C R ， YI L ， SU H ， et al . Pointnet++： deep hierarchical feature learning on point sets in a metric space ［C］. Proceedings of the 31st International Conference on Neural Information Processing Systems. December 4 - 9 ， 2017， Long Beach， California， USA. New York ： ACM ， 2017： 5105 - 5114 .

ZHAO H S ， JIANG L ， FU C W ， et al . Pointweb： enhancing local neighborhood features for point cloud processing ［C］. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. 1520，2019 ， Long Beach， CA， USA. IEEE ， 2020 ： 5560 - 5568 . doi: 10.1109/cvpr.2019.00571 http://dx.doi.org/10.1109/cvpr.2019.00571

MA X ， QIN C ， YOU H ， et al . Rethinking Network Design and Local Geometry in Point Cloud ： a Simple Residual MLP Framework ［EB/OL］. 2022 ： arXiv ： 2202 . 07123 . https：//arxiv.org/abs/2202.07123 https://arxiv.org/abs/2202.07123

QIAN G ， LI Y ， PENG H ， et al . Pointnext ： Revisiting Pointnet++ with Improved Training and Scaling Strategies ［EB/OL］. 2022 ： arXiv ： 2206 . 04670 . https：//arxiv.org/abs/2206.04670 https://arxiv.org/abs/2206.04670

YANG J ， ZHANG Q ， FANG R ， et al . Adversarial Attack And Defense On Point Sets ［EB/OL］. 2019 ： arXiv ： 1902 . 10899 . https：//arxiv.org/abs/1902.10899 https://arxiv.org/abs/1902.10899

TAN H ， KOTTHAUS H . Surrogate model-based explainability methods for point cloud nns ［C］. Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision. 2022 ： 2239 - 2248 . doi: 10.1109/wacv51458.2022.00298 http://dx.doi.org/10.1109/wacv51458.2022.00298

TAGHANAKI S A ， LUO J ， ZHANG R ， et al . Robustpointset ： A Dataset for Benchmarking Robustness of Point Cloud Classifiers ［EB/OL］. 2020 ： arXiv ： 2011 . 11572 . https：//arxiv.org/abs/2011.11572 https://arxiv.org/abs/2011.11572

ZHANG Y ， TIŇO P ， LEONARDIS A ， et al . A survey on neural network interpretability ［J］. IEEE Transactions on Emerging Topics in Computational Intelligence ， 2021 ， 5 （ 5 ）： 726 - 742 . doi: 10.1109/tetci.2021.3100641 http://dx.doi.org/10.1109/tetci.2021.3100641

SCHINAGL D ， KRISPEL G ， POSSEGGER H ， et al . Occam’S laser： occlusion-based attribution maps for 3D object detectors on lidar data ［C］. 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. 1824，2022 ， New Orleans， LA， USA. IEEE ， 2022 ： 1131 - 1140 . doi: 10.1109/cvpr52688.2022.00121 http://dx.doi.org/10.1109/cvpr52688.2022.00121

ZHENG T H ， CHEN C Y ， YUAN J S ， et al . Pointcloud saliency maps ［C］. 2019 IEEE/CVF International Conference on Computer Vision （ICCV）. 272，2019 ， Seoul， Korea （South）. IEEE ， 2020 ： 1598 - 1606 . doi: 10.1109/iccv.2019.00168 http://dx.doi.org/10.1109/iccv.2019.00168

LV D K ， YING X X ， CUI Y J ， et al . Research on the technology of LiDAR data processing ［C］. 2017 First International Conference on Electronics Instrumentation & Information Systems （EIIS）. 35，2017 ， Harbin， China. IEEE ， 2018 ： 1 - 5 . doi: 10.1109/eiis.2017.8298694 http://dx.doi.org/10.1109/eiis.2017.8298694

BELLO S A ， YU S S ， WANG C ， et al . Review： deep learning on 3D point clouds ［J］. Remote Sensing ， 2020 ， 12 （ 11 ）： 1729 . doi: 10.3390/rs12111729 http://dx.doi.org/10.3390/rs12111729

BAI S ， BAI X ， ZHOU Z C ， et al . GIFT： A real-time and scalable 3D shape search engine ［C］. 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. 2730，2016 ， Las Vegas， NV， USA. IEEE ， 2016 ： 5023 - 5032 . doi: 10.1109/cvpr.2016.543 http://dx.doi.org/10.1109/cvpr.2016.543

SU H ， MAJI S ， KALOGERAKIS E ， et al . Multi-view convolutional neural networks for 3D shape recognition ［C］. 2015 IEEE International Conference on Computer Vision （ICCV）. 713，2015 ， Santiago， Chile. IEEE ， 2016 ： 945 - 953 . doi: 10.1109/iccv.2015.114 http://dx.doi.org/10.1109/iccv.2015.114

QI C R ， SU H ， NIEßNER M ， et al . Volumetric and multi-view CNNs for object classification on 3D data ［C］. 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. 2730，2016 ， Las Vegas， NV， USA. IEEE ， 2016 ： 5648 - 5656 . doi: 10.1109/cvpr.2016.609 http://dx.doi.org/10.1109/cvpr.2016.609

MATURANA D ， SCHERER S . 3D convolutional neural networks for landing zone detection From Lidar ［C］. 2015 IEEE International Conference on Robotics and Automation （ICRA）. 2630，2015 ， Seattle， WA， USA. IEEE ， 2015 ： 3471 - 3478 . doi: 10.1109/icra.2015.7139679 http://dx.doi.org/10.1109/icra.2015.7139679

MATURANA D ， SCHERER S . Voxnet： a 3D convolutional neural network for real-time object recognition ［C］. 2015 IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）. 282，2015 ， Hamburg， Germany. IEEE ， 2015 ： 922 - 928 . doi: 10.1109/iros.2015.7353481 http://dx.doi.org/10.1109/iros.2015.7353481

WU Z R ， SONG S R ， KHOSLA A ， et al . 3D ShapeNets： a deep representation for volumetric shapes ［C］. 2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. 712，2015 ， Boston， MA， USA. IEEE ， 2015 ： 1912 - 1920 . doi: 10.1109/cvpr.2015.7298801 http://dx.doi.org/10.1109/cvpr.2015.7298801

WANG C ， CHENG M ， SOHEL F ， et al . NormalNet： a voxel-based CNN for 3D object classification and retrieval ［J］. Neurocomputing ， 2019 ， 323 ： 139 - 147 . doi: 10.1016/j.neucom.2018.09.075 http://dx.doi.org/10.1016/j.neucom.2018.09.075

LI J X ， CHEN B M ， LEE G H . SO-Net： Self-organizing network for point cloud analysis ［C］. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition . 1823，2018 ， Salt Lake City， UT， USA . IEEE ， 2018 ： 9397 - 9406 . doi: 10.1109/cvpr.2018.00979 http://dx.doi.org/10.1109/cvpr.2018.00979

ZHANG W X ， XIAO C X . PCAN： 3D attention map learning using contextual information for point cloud based retrieval ［C］. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. 1520，2019 ， Long Beach， CA， USA. IEEE ， 2020 ： 12428 - 12437 . doi: 10.1109/cvpr.2019.01272 http://dx.doi.org/10.1109/cvpr.2019.01272

KLOKOV R ， LEMPITSKY V . Escape from cells： deep kd-networks for the recognition of 3D point cloud models ［C］. 2017 IEEE International Conference on Computer Vision （ICCV）. 2229，2017 ， Venice， Italy. IEEE ， 2017 ： 863 - 872 . doi: 10.1109/iccv.2017.99 http://dx.doi.org/10.1109/iccv.2017.99

WANG C ， SAMARI B ， SIDDIQI K . Local Spectral Graph Convolution for Point Set Feature Learning ［EB/OL］. 2018 ： arXiv ： 1803 . 05827 . https：//arxiv.org/abs/1803.05827 https://arxiv.org/abs/1803.05827 . doi: 10.1007/978-3-030-01225-0_4 http://dx.doi.org/10.1007/978-3-030-01225-0_4

ZHAO H S ， JIANG L ， JIA J Y ， et al . Point transformer ［C］. 2021 IEEE/CVF International Conference on Computer Vision （ICCV）. 1017，2021 ， Montreal， QC， Canada. IEEE ， 2022 ： 16239 - 16248 . doi: 10.1109/iccv48922.2021.01595 http://dx.doi.org/10.1109/iccv48922.2021.01595

ENGEL N ， BELAGIANNIS V ， DIETMAYER K . Point transformer ［J］. IEEE Access ， 2021 ， 9 ： 134826 - 134840 . doi: 10.1109/access.2021.3116304 http://dx.doi.org/10.1109/access.2021.3116304

GUO M H ， CAI J X ， LIU Z N ， et al . PCT： Point cloud transformer ［J］. Computational Visual Media ， 2021 ， 7 （ 2 ）： 187 - 199 . doi: 10.1007/s41095-021-0229-5 http://dx.doi.org/10.1007/s41095-021-0229-5

PANG Y ， WANG W ， TAY F E H ， et al . Masked Autoencoders for Point Cloud Self-Supervised Learning ［EB/OL］. 2022 ： arXiv ： 2203 . 06604 . https：//arxiv.org/abs/2203.06604 https://arxiv.org/abs/2203.06604 . doi: 10.1007/978-3-031-20086-1_35 http://dx.doi.org/10.1007/978-3-031-20086-1_35

LIPTON Z . The mythos of model interpretability： in machine learning， the concept of interpretability is both important and slippery ［J］. Queue ， 2018 ， 16 （ 3 ）： 31 - 57 . doi: 10.1145/3236386.3241340 http://dx.doi.org/10.1145/3236386.3241340

RUDIN C . Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead ［J］. Nature Machine Intelligence ， 2019 ， 1 （ 5 ）： 206 - 215 . doi: 10.1038/s42256-019-0048-x http://dx.doi.org/10.1038/s42256-019-0048-x

KIM J ， HUA B S ， NGUYEN D T ， et al . Minimal Adversarial Examples for Deep Learning on 3D point clouds ［C］. 2021 IEEE/CVF International Conference on Computer Vision （ICCV）. 1017，2021 ， Montreal， QC， Canada. IEEE ， 2022 ： 7777 - 7786 . doi: 10.1109/iccv48922.2021.00770 http://dx.doi.org/10.1109/iccv48922.2021.00770

DOSOVITSKIY A ， BROX T . Inverting visual representations wdith convolutional networks ［C］. 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. 2730， 2016 ， Las Vegas， NV， USA. IEEE ， 2016 ： 4829 - 4837 . doi: 10.1109/cvpr.2016.522 http://dx.doi.org/10.1109/cvpr.2016.522

MAHENDRAN A ， VEDALDI A . Understanding deep image representations by inverting them ［C］. 2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. 712，2015 ， Boston， MA， USA. IEEE ， 2015 ： 5188 - 5196 . doi: 10.1109/cvpr.2015.7299155 http://dx.doi.org/10.1109/cvpr.2015.7299155

ERHAN D ， BENGIO Y ， COURVILLE A ， et al . Visualizing higher-layer features of a deep network ［J］. University of Montreal ， 2009 ， 1341 （ 3 ）： 1 .

NGUYEN A ， DOSOVITSKIY A ， YOSINSKI J ， et al . Synthesizing the preferred inputs for neurons in neural networks via deep generator networks ［C］. Proceedings of the 30th International Conference on Neural Information Processing Systems . 510，2016 ， Barcelona， Spain. New York ： ACM ， 2016 ： 3395 - 3403 .

YOSINSKI J ， CLUNE J ， NGUYEN A ， et al . Understanding Neural Networks through Deep Visualization ［EB/OL］. 2015 ： arXiv ： 1506 . 06579 . https：//arxiv.org/abs/1506.06579 https://arxiv.org/abs/1506.06579

ADLER P ， FALK C ， FRIEDLER S A ， et al . Auditing black-box models for indirect influence ［J］. Knowledge and Information Systems ， 2018 ， 54 （ 1 ）： 95 - 122 . doi: 10.1007/s10115-017-1116-3 http://dx.doi.org/10.1007/s10115-017-1116-3

KÁDÁR Á ， CHRUPAŁA G ， ALISHAHI A . Representation of linguistic form and function in recurrent neural networks ［J］. Computational Linguistics ， 2017 ， 43 （ 4 ）： 761 - 780 . doi: 10.1162/coli_a_00300 http://dx.doi.org/10.1162/coli_a_00300

LI J ， MONROE W ， JURAFSKY D . Understanding Neural Networks Through Representation Erasure ［EB/OL］. 2016 ： arXiv ： 1612 . 08220 . https：//arxiv.org/abs/1612.08220 https://arxiv.org/abs/1612.08220

SIMONYAN K ， VEDALDI A ， ZISSERMAN A . Deep Inside Convolutional Networks ： Visualising Image Classification Models and Saliency Maps ［EB/OL］. 2013 ： arXiv ： 1312 . 6034 . http：//arxiv.org/abs/1312.6034 http://arxiv.org/abs/1312.6034

SMILKOV D ， THORAT N ， KIM B ， et al . Smoothgrad ： Removing Noise by Adding Noise ［EB/OL］. 2017 ： arXiv ： 1706 . 03825 . https：//arxiv.org/abs/1706.03825 https://arxiv.org/abs/1706.03825

SUNDARARAJAN M ， TALY A ， YAN Q Q . Axiomatic attribution for deep networks ［C］. Proceedings of the 34th International Conference on Machine Learning-Volume 70. August 6 - 11 ， 2017， Sydney， NSW， Australia. New York ： ACM ， 2017： 3319 - 3328 .

ZHOU B L ， KHOSLA A ， LAPEDRIZA A ， et al . Learning deep features for discriminative localization ［C］. 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. 2730，2016 ， Las Vegas， NV， USA. IEEE ， 2016 ： 2921 - 2929 . doi: 10.1109/cvpr.2016.319 http://dx.doi.org/10.1109/cvpr.2016.319

KRISHNAN R ， SIVAKUMAR G ， BHATTACHARYA P . Extracting decision trees from trained neural networks ［J］. Pattern Recognition ， 1999 ， 32 （ 12 ）： 1999 - 2009 . doi: 10.1016/s0031-3203(98)00181-2 http://dx.doi.org/10.1016/s0031-3203(98)00181-2

YANG C L ， RANGARAJAN A ， RANKA S . Global model interpretation via recursive partitioning ［C］. 2018 IEEE 20th International Conference on High Performance Computing and Communications； IEEE 16th International Conference on Smart City； IEEE 4th International Conference on Data Science and Systems （HPCC/SmartCity/DSS）. 2830，2018 ， Exeter， UK. IEEE ， 2019 ： 1563 - 1570 . doi: 10.1109/hpcc/smartcity/dss.2018.00256 http://dx.doi.org/10.1109/hpcc/smartcity/dss.2018.00256

SETIONO R ， LIU H . Understanding neural networks via rule extraction ［C］. IJCAI ， 1995 ， 1 ： 480 - 485 .

RIBEIRO M T ， SINGH S ， GUESTRIN C . “Why Should I Trust You？”： Explaining the predictions of any classifier ［C］. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 1317，2016 ， San Francisco， California， USA. New York ： ACM ， 2016 ： 1135 - 1144 . doi: 10.1145/2939672.2939778 http://dx.doi.org/10.1145/2939672.2939778

LIU D ， YU R ， SU H . Extending adversarial attacks and defenses to deep 3D point cloud classifiers ［C］. 2019 IEEE International Conference on Image Processing （ICIP）. 2225，2019 ， Taipei， China. IEEE ， 2019 ： 2279 - 2283 . doi: 10.1109/icip.2019.8803770 http://dx.doi.org/10.1109/icip.2019.8803770

WANG Y ， SUN Y B ， LIU Z W ， et al . Dynamic graph CNN for learning on point clouds ［J］. ACM Transactions on Graphics ， 2019 ， 38 （ 5 ）： 1 - 12 . doi: 10.1145/3326362 http://dx.doi.org/10.1145/3326362

LOSHCHILOV I ， HUTTER F . SGDR ： Stochastic Gradient Descent with Warm Restarts ［EB/OL］. 2016 ： arXiv ： 1608 . 03983 . https：//arxiv.org/abs/1608.03983 https://arxiv.org/abs/1608.03983

Views

1519

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Saliency maps for point cloud recognition models

Scene recognition for 3D point clouds： a review

High-precision deep learning-based single-frame interferometric decoupling for measuring optical homogeneity of parallel plates

Multi-scale image enhancement in turbid water via spatial-frequency domain fusion

Inverse design of efficient achromatic metalens based on channel attention enhanced network

Related Author

LIANG Ao

ZHANG Hao

HUA Haiyang

HAO Wen

ZHANG Wenjing

LIANG Wei

XIAO Zhaolin

JIN Haiyan

Related Institution

University of Chinese Academy of Sciences

School of Computer Science and Engineering， Xi'an University of Technology

Shaanxi Key Laboratory for Network Computing and Security Technology

School of Optics and Photonics， Beijing Institute of Technology

School of Information Management， Qingdao University of Technology

AI问答

Address：No.3888 Dong Nanhu Road, Changchun, Jilin, China Postal code：130033
Tel：0431-86176855 Email：gxjmgc@ciomp.ac.cn
Technical support is provided by Beijing Founder electronics co., LTD 吉ICP备11002662号-17 京公网安备11010802024621
It is recommended to read the content of this site in Chrome&IE9+. Please switch to extreme mode in browser 360.
Cookies We use cookies to help provide and enhance our service and tailor content. By continuing, you agree to the use of cookies.

⁰