• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 10
    • 下载费用:30 金币  

    重庆时时彩组六怎么玩能挣钱: 基于监督流形学习的场景分类方法及装置.pdf

    关 键 词:
    基于 监督 流形 学习 场景 分类 方法 装置
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    摘要
    申请专利号:

    CN201110202756.0

    申请日:

    2011.07.19

    公开号:

    CN102254194A

    公开日:

    2011.11.23

    当前法律状态:

    授权

    有效性:

    有权

    法律详情: 授权|||实质审查的生效IPC(主分类):G06K 9/66申请日:20110719|||公开
    IPC分类号: G06K9/66 主分类号: G06K9/66
    申请人: 清华大学
    发明人: 戴琼海; 钱彦君; 刘烨斌
    地址: 100084 北京市海淀区100084-82信箱
    优先权:
    专利代理机构: 北京清亦华知识产权代理事务所(普通合伙) 11201 代理人: 张大威
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201110202756.0

    授权公告号:

    102254194B||||||

    法律状态公告日:

    2013.01.30|||2012.01.04|||2011.11.23

    法律状态类型:

    授权|||实质审查的生效|||公开

    摘要

    本发明公开了一种基于监督流形学习的场景分类方法及装置?;诩喽搅餍窝暗某【胺掷喾椒òㄒ韵虏街瑁菏淙肴斯け曜⒘顺【袄啾鸬腘个训练图像,其中场景类别为C个;提取N个训练图像的S个SIFT特征并获取由S个SIFT特征的M个聚类中心组成的码本;对于每个场景类别,将SIFT特征和码字作为节点,建立有监督的谱图G=(V,E)并获取与V对应的权重矩阵;获取每个流形结构上的各个SIFT特征到M个码字的度量;输入新的训练图像或测试图像;获取新的训练图像或测试图像上的SIFT特征到M个码字的度量;计算新的训练图像或测试图像上的SIFT特征到M个码字的隶属度并得到C个直方图向量;以及利用支持向量机对C个直方图向量进行学习,得到每个场景类别的判断模型。

    权利要求书

    1.一种基于监督流形学习的场景分类方法,其特征在于,包括以下步骤:
    1)输入人工标注了场景类别的N个训练图像,其中场景类别为C个,N是大于等于1
    的整数;
    2)提取所述N个训练图像的S个SIFT特征并获取由所述S个SIFT特征的M个聚类
    中心组成的码本,其中每个聚类中心是一个码字,其中S是大于等于N的整数;
    3)对于每个场景类别,将SIFT特征和码字作为节点,建立有监督的谱图G=(V,E)并
    获取与V对应的权重矩阵W,所述权重矩阵W用于表示与每个场景类别对应的流形结构,
    V是谱图中所有节点的集合,E是节点间相邻边的集合;
    4)获取每个流形结构上的各个SIFT特征到所述M个码字的度量;
    5)输入新的训练图像或测试图像;
    6)获取所述新的训练图像或测试图像上的SIFT特征在C个流形结构上到所述M个码
    字的度量;
    7)计算所述新的训练图像或测试图像上的SIFT特征到所述M个码字的隶属度并得到
    C个直方图向量;以及
    8)利用支持向量机对所述C个直方图向量进行学习,得到每个场景类别的判断模型。
    2.根据权利要求1所述的基于监督流形学习的场景分类方法,其特征在于,在所述步
    骤2)中利用K-means算法将所述S个SIFT特征聚类。
    3.根据权利要求1所述的基于监督流形学习的场景分类方法,其特征在于,步骤3)
    包括以下步骤:
    31)计算两两节点之间的欧式距离;
    32)根据计算的距离,找到每一个节点的K近邻;
    33)构建与每个节点对应的权重矩阵W,用于表示节点之间的关系,所述权重矩阵W
    表达如下:

    4.根据权利要求1所述的基于监督流形学习的场景分类方法,其特征在于,步骤4)
    包括:
    使用测地距离或者扩散图获取每个流形结构上的各个SIFT特征到所述M个码字的度
    量,其中度量越小则相似程度越大,度量越大则相似程度越小。
    5.根据权利要求4所述的基于监督流形学习的场景分类方法,其特征在于,所述步骤
    6)包括:对于所述新的训练图像或测试图像上的每个SIFT特征,在每个流形结构上,找
    到离所述每个SIFT特征最近的SIFT特征,利用所述最近的SIFT特征到所述M个码字的
    度量,进行线性插值,从而得到所述每个SIFT特征到所述M个码字的度量。
    6.根据权利要求1所述的基于监督流形学习的场景分类方法,其特征在于,所述步骤
    7)包括:对所述度量利用负指数函数进行惩罚,得到相应的隶属度。
    7.根据权利要求1所述的基于监督流形学习的场景分类方法,其特征在于,所述步骤
    7)包括根据预定顺序把所述C个直方图向量拼接起来,所述步骤8)包括利用支持向量机
    对拼接起来的C个直方图向量进行学习,得到每个场景类别的判断模型。
    8.一种基于监督流形学习的场景分类装置,其特征在于,包括:
    输入???,所述输入??橛糜谑淙肴斯け曜⒘顺【袄啾鸬腘个训练图像,其中场景类
    别为C个,所述输入??榛褂糜谑淙胄碌难盗吠枷窕虿馐酝枷?,其中N是大于等于1的整
    数;
    码本获取???,所述码本获取??橛糜谔崛∷鯪个训练图像的S个SIFT特征并获
    取由所述S个SIFT特征的M个聚类中心组成的码本,其中每个聚类中心是一个码字,其
    中S是大于等于N的整数;
    权重矩阵构建???,对于每个场景类别,所述矩阵构建??橛糜诮玈IFT特征和码字作
    为节点,建立有监督的谱图G=(V,E)并获取与V对应的权重矩阵W,所述权重矩阵W用
    于表示与每个场景类别对应的流形结构,V是谱图中所有节点的集合,E是节点间相邻边
    的集合;
    度量获取???,所述度量获取??橛糜诨袢∶扛隽餍谓峁股系母鞲鯯IFT特征到所述M
    个码字的度量;
    隶属度计算???,所述隶属度计算??榧扑闼鲂碌难盗吠枷窕虿馐酝枷裆系腟IFT特
    征到所述M个码字的隶属度并得到C个直方图向量;以及
    判断模型获取???,所述判断模型获取??槔弥С窒蛄炕运鯟个直方图向量进
    行学习,得到每个场景类别的判断模型。
    9.根据权利要求8所述的基于监督流形学习的场景分类装置,其特征在于,所述码本
    获取??槔肒-means算法将所述S个SIFT特征聚类。
    10.根据权利要求8所述的基于监督流形学习的场景分类装置,其特征在于,所述矩
    阵构建??榻徊接糜冢杭扑懔搅浇诘阒涞呐肥骄嗬?;根据计算的距离,找到每一个节
    点的K近邻;构建与每个节点对应的权重矩阵W,用于表示节点之间的关系,所述权重矩
    阵W表达如下:

    11.根据权利要求8所述的基于监督流形学习的场景分类装置,其特征在于,所述度
    量获取??榻徊接糜冢?br />
    使用测地距离或者扩散图获取每个流形结构上的各个SIFT特征到所述M个码字的度
    量,其中度量越小则相似程度越大,度量越大则相似程度越小。
    12.根据权利要求11所述的基于监督流形学习的场景分类装置,其特征在于,所述度
    量??榻徊接糜冢?br />
    对于所述新的训练图像或测试图像上的每个SIFT特征,在每个流形结构上,找到离所
    述每个SIFT特征最近的SIFT特征,利用所述最近的SIFT特征到所述M个码字的度量,
    进行线性插值,从而得到所述每个SIFT特征到所述M个码字的度量。
    13.根据权利要求8所述的基于监督流形学习的场景分类装置,其特征在于,所述隶
    属度计算??榻徊接糜冢憾运龆攘坷酶褐甘谐头?,得到相应的隶属度。
    14.根据权利要求8所述的基于监督流形学习的场景分类装置,其特征在于,所述隶
    属度计算??榻徊接糜诟菰ざㄋ承虬阉鯟个直方图向量拼接起来;所述判断模型获
    取??榻徊接糜诶弥С窒蛄炕云唇悠鹄吹腃个直方图向量进行学习,得到每个场景
    类别的判断模型。

    说明书

    基于监督流形学习的场景分类方法及装置

    技术领域

    本发明涉及计算机视觉领域,特别涉及一种基于监督流形学习的场景分类方法及装
    置。

    背景技术

    场景分类时利用机器学习方法,得到图片所代表的场景类别。它在场景识别中有
    非常重要的作用。场景识别的应用领域主要在为遥感图像解释、目标识别和理解、基
    于内容和图像和视频检索。

    现有场景分类做法是,对于每一幅图片,提取出一个向量(也就是1*n的数组)
    来表示它。然后把训练图片的向量和其类别送入SVM(支持向量机)进行训练,得到
    每个场景类别的分类器。对于测试图像,也提取出相应的向量,根据训练得到的分类
    器获得它的场景类别。但是传统的软分配、硬分配算法,都没有考虑高维图像特征点
    的流形特征。流形计算的效率很差,而且如何建立数据的流形结构也是一个问题。采
    用谱图分配的方法可以显著的提高算法的准确度,但是,谱图算法需要对拉普拉斯矩
    阵求逆,使得算法的效率不如传统的线性分配方法。并且统计图像的直方图向量较短,
    识别率较差。

    发明内容

    本发明的目的旨在至少解决上述技术缺陷之一。为此,本发明需要提供一种基于
    监督流形学习的场景分类方法及装置,该基于监督流形学习的场景分类方法及装置的优点
    是:提高了基于谱图分析的码字分配算法的效率,得到了较长的图片直方图向量结果并提
    高了算法的准确度。

    根据本发明的一方面,提供了一种基于监督流形学习的场景分类方法,其特征在于,
    包括以下步骤:1)输入人工标注了场景类别的N个训练图像,其中场景类别为C个,N
    是大于等于1的整数;2)提取所述N个训练图像的S个SIFT特征并获取由所述S个SIFT
    特征的M个聚类中心组成的码本,其中每个聚类中心是一个码字,其中S是大于等于N的
    整数;3)对于每个场景类别,将SIFT特征和码字作为节点,建立有监督的谱图G=(V,E)
    并获取与V对应的权重矩阵W,所述权重矩阵W用于表示与每个场景类别对应的流形结
    构,V是谱图中所有节点的集合,E是节点间相邻边的集合;4)获取每个流形结构上的各
    个SIFT特征到所述M个码字的度量;5)输入新的训练图像或测试图像;6)获取所述新
    的训练图像或测试图像上的SIFT特征在C个流形结构上到所述M个码字的度量;7)计算
    所述新的训练图像或测试图像上的SIFT特征到所述M个码字的隶属度并得到C个直方图
    向量;以及8)利用支持向量机对所述C个直方图向量进行学习,得到每个场景类别的判
    断模型。

    根据本发明实施例的基于监督流形学习的场景分类方法,可以提高基于谱图分析的码
    字分配算法的效率并提高算法的准确度。

    根据本发明的一个实施例,在所述步骤2)中利用K-means算法将所述S个SIFT特征
    聚类。

    根据本发明的一个实施例,步骤3)包括以下步骤:31)计算两两节点之间的欧式距
    离;32)根据计算的距离,找到每一个节点的K近邻;33)构建与每个节点对应的权重矩
    阵W,用于表示节点之间的关系,所述权重矩阵W表达如下:


    根据本发明的一个实施例,步骤4)包括:使用测地距离或者扩散图获取每个流形结
    构上的各个SIFT特征到所述M个码字的度量,其中度量越小则相似程度越大,度量越大
    则相似程度越小。

    根据本发明的一个实施例,所述步骤6)包括:对于所述新的训练图像或测试图像上
    的每个SIFT特征,在每个流形结构上,找到离所述每个SIFT特征最近的SIFT特征,利用
    所述最近的SIFT特征到所述M个码字的度量,进行线性插值,从而得到所述每个SIFT特
    征到所述M个码字的度量。根据本发明实施例所述的监督流形学习的场景分类方法,可以
    提高算法的效率。

    根据本发明的一个实施例,所述步骤7)包括:对所述度量利用负指数函数进行惩罚,
    得到相应的隶属度。

    根据本发明的一个实施例,所述步骤7)包括根据预定顺序把所述C个直方图向量拼
    接起来,所述步骤8)包括利用支持向量机对拼接起来的C个直方图向量进行学习,得到
    每个场景类别的判断模型。根据本发明实施例所述的监督流形学习的场景分类方法,可以
    加长直方图向量,增加识别率。

    根据本发明的另一方面,提供了一种基于监督流形学习的场景分类装置,包括:输入
    ???,所述输入??橛糜谑淙肴斯け曜⒘顺【袄啾鸬腘个训练图像,其中场景类别为C个,
    所述输入??榛褂糜谑淙胄碌难盗吠枷窕虿馐酝枷?,其中N是大于等于1的整数;码本获
    取???,所述码本获取??橛糜谔崛∷鯪个训练图像的S个SIFT特征并获取由所述S
    个SIFT特征的M个聚类中心组成的码本,其中每个聚类中心是一个码字,其中S是大于
    等于N的整数;权重矩阵构建???,对于每个场景类别,所述矩阵构建??橛糜诮玈IFT
    特征和码字作为节点,建立有监督的谱图G=(V,E)并获取与V对应的权重矩阵W,所述权
    重矩阵W用于表示与每个场景类别对应的流形结构,V是谱图中所有节点的集合,E是节
    点间相邻边的集合;度量获取???,所述度量获取??橛糜诨袢∶扛隽餍谓峁股系母鞲鯯IFT
    特征到所述M个码字的度量;隶属度计算???,所述隶属度计算??榧扑闼鲂碌难盗吠?br />像或测试图像上的SIFT特征到所述M个码字的隶属度并得到C个直方图向量;以及判断
    模型获取???,所述判断模型获取??槔弥С窒蛄炕运鯟个直方图向量进行学习,
    得到每个场景类别的判断模型。

    根据本发明实施例的基于监督流形学习的场景分类装置,可以提高基于谱图分析的码
    字分配算法的效率并提高算法的准确度。

    根据本发明的一个实施例,所述码本获取??槔肒-means算法将所述S个SIFT特
    征聚类。

    根据本发明的一个实施例,所述矩阵构建??榻徊接糜冢杭扑懔搅浇诘阒涞呐肥?br />距离;根据计算的距离,找到每一个节点的K近邻;构建与每个节点对应的权重矩阵W,
    用于表示节点之间的关系,所述权重矩阵W表达如下:


    根据本发明的一个实施例,所述度量获取??榻徊接糜冢菏褂貌獾鼐嗬牖蛘呃┥⑼?br />获取每个流形结构上的各个SIFT特征到所述M个码字的度量,其中度量越小则相似程度
    越大,度量越大则相似程度越小。

    根据本发明的一个实施例,所述度量??榻徊接糜冢憾杂谒鲂碌难盗吠枷窕虿馐?br />图像上的每个SIFT特征,在每个流形结构上,找到离所述每个SIFT特征最近的SIFT特征,
    利用所述最近的SIFT特征到所述M个码字的度量,进行线性插值,从而得到所述每个SIFT
    特征到所述M个码字的度量。根据本发明实施例所述的监督流形学习的场景分类装置,可
    以提高算法的效率。

    根据本发明的一个实施例,所述隶属度计算??榻徊接糜冢憾运龆攘坷酶褐甘?br />函数进行惩罚,得到相应的隶属度。

    根据本发明的一个实施例,所述隶属度计算??榻徊接糜诟菰ざㄋ承虬阉鯟个
    直方图向量拼接起来;所述判断模型获取??榻徊接糜诶弥С窒蛄炕云唇悠鹄吹腃
    个直方图向量进行学习,得到每个场景类别的判断模型。根据本发明实施例所述的监督流
    形学习的场景分类装置,可以加长直方图向量,增加识别率。

    本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明
    显,或通过本发明的实践了解到。

    附图说明

    本发明上述的和附加的方面和优点从下面结合附图对实施例的描述中将变得明显
    和容易理解,其中:

    图1是根据本发明一个实施例的基于监督流形学习的场景分类方法的流程图;

    图2是根据本发明一个实施例的构建权重矩阵的方法的流程图;以及

    图3是根据本发明实施例的基于监督流形学习的场景分类装置的示意图。

    具体实施方式

    下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终
    相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参
    考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。

    需要说明的是,此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解
    为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第
    一”、“第二”、“第三”的特征可以明示或者隐含地包括一个或者更多个该特征。进一步
    地,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。

    下面参考附图描述本发明的具体实施例。

    图1是根据本发明一个实施例的基于监督流形学习的场景分类方法的流程图。如图
    1所示,基于监督流形学习的场景分类方法包括下述步骤。

    步骤S101,输入人工标注了场景类别的N个训练图像,其中场景类别为C个,N是大
    于等于1的整数。

    步骤S102,提取N个训练图像的S个SIFT(尺度不变特征转换)特征并获取由S个
    SIFT特征的M个聚类中心组成的码本,其中每个聚类中心是一个码字,其中S是大于等
    于N的整数??梢岳肒-means算法将S个SIFT特征聚类。如果SIFT特征数目过多,可
    以采取平均采样的方式减少参与流形建立的SIFT特征点,从而降低运算量。

    步骤S103,对于每个场景类别,将SIFT特征和码字作为节点,建立有监督的谱图
    G=(V,E)并获取与V对应的权重矩阵W,权重矩阵W用于表示与每个场景类别对应的流
    形结构。其中V是谱图中所有节点的集合,E是节点间相邻边的集合。

    图2是根据本发明一个实施例的构建权重矩阵的方法的流程图。如图2所示,构建权
    重矩阵的方法包括以下步骤:

    步骤S201,计算两两节点之间的欧式距离。

    步骤S202,根据计算的距离,找到每一个节点的K近邻。

    步骤S203,构建与每个节点对应的权重矩阵W,用于表示节点之间的关系,所述权重
    矩阵W表达如下:


    也可以利用加权K近邻的方式来构建权重矩阵。例如在使用测地距离时,可以利用距
    离给近邻的点赋值;在采用扩散图时,可以使用欧氏距离的负指数函数给近邻点赋值。

    步骤S104,获取每个流形结构上的各个SIFT特征到M个码字的度量。当使用测地距
    离或者扩散图获取每个流形结构上的各个SIFT特征到M个码字的度量时,度量越小则相
    似程度越大,度量越大则相似程度越小。

    步骤S105,输入新的训练图像或测试图像。

    步骤S106,获取新的训练图像或测试图像上的SIFT特征到M个码字的度量。对于新
    的训练图像或测试图像上的每个SIFT特征,在每个流形结构上,找到离每个SIFT特征最
    近的SIFT特征,利用最近的SIFT特征到M个码字的度量,进行线性插值,从而得到在每
    个流形结构上,每个SIFT特征到M个码字的度量。

    步骤S107,计算新的训练图像或测试图像上的SIFT特征到M个码字的隶属度并得到
    C个直方图向量,其中每个直方图向量的长度是M。其中对度量利用负指数函数进行惩罚,
    得到相应的隶属度,并且根据预定顺序把C个直方图向量拼接起来,得到监督谱图分配的
    直方图。为了方便下一步处理,还可以对监督谱图分配的直方图进行归一化处理。

    步骤S108,利用支持向量机对C个直方图向量进行学习,得到每个场景类别的判断模
    型。

    在得到每个场景类别的判断模型之后,如果输入查询图片的直方图向量,利用该判别
    模型进行投票,获得票数最多的类别即为场景分类的结果。

    根据本发明实施例的基于监督流形学习的场景分类方法,利用每一场景类别的所有训
    练图片的SIFT特征点建立每类场景类别对应的流形结构可以更好地挖掘数据的特性;建立
    好流形结构之后,利用线性插值的算法得到各个特征在每一个流形上对于码字的度量,大
    大提高了算法效率。同时根据本发明实施例的基于监督流形学习的场景分类方法,还得到
    了较长的图片直方图向量结果并提高了算法的准确度。

    图3是根据本发明实施例的基于监督流形学习的场景分类装置的示意图。如图3所示,
    基于监督流形学习的场景分类装置10包括:输入???10,码本获取???20,权重矩阵
    构建???30,度量获取???40,隶属度计算???50以及判断模型获取???60。

    具体地,输入???10用于输入人工标注了场景类别的N个训练图像,其中场景类别
    为C个,输入???10还用于输入新的训练图像或测试图像,其中N是大于等于1的整数。
    码本获取???20用于提取N个训练图像的S个SIFT特征并获取由S个SIFT特征的M
    个聚类中心组成的码本,其中每个聚类中心是一个码字,其中S是大于等于N的整数。对
    于每个场景类别,权重矩阵构建???30用于将SIFT特征和码字作为节点,建立有监督的
    谱图G=(V,E)并获取与V对应的权重矩阵W,权重矩阵W用于表示与每个场景类别对应
    的流形结构,V是谱图中所有节点的集合,E是节点间相邻边的集合。度量获取???40
    用于获取每个流形结构上的各个SIFT特征到M个码字的度量。隶属度计算???50计算
    新的训练图像或测试图像上的SIFT特征到M个码字的隶属度并得到C个直方图向量。判
    断模型获取???60利用支持向量机对C个直方图向量进行学习,得到每个场景类别的判
    断模型。

    在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、
    或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包
    含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不
    一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以
    在任何的一个或多个实施例或示例中以合适的方式结合。

    尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不
    脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变
    型,本发明的范围由权利要求及其等同物限定。

    尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以
    理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、
    替换和变型,本发明的范围由所附权利要求及其等同限定。

    关于本文
    本文标题:基于监督流形学习的场景分类方法及装置.pdf
    链接地址://www.4mum.com.cn/p-5870662.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
  • 算出重庆时时口诀 慈善网www875599C0m 网上购彩app 2元彩票网走势图带连线 大乐透近200期开奖号码 快3中奖规则 百度四川时时 3d四码组六遗漏 中博彩票是违法的吗 双色球什么时候开奖 极速16稳赚不翻倍挂机模式 怎样在异地申请开福利彩票店 山东十一选五推荐 众彩网安然七星彩预测 老时时20110601 江苏福利彩票