![](/lib_static/assets/images/user_logo/e9d72055a352e29a069a36907d51b63f9ace7034.jpg)
参考: 姿态论文整理: 经典项目: 姿态识别和动作识别任务本质不一样,动作识别可以认为是人定位和动作分类任务,姿态识别可理解为关键点的检测和为关键点赋id任务(多人姿态识别和单人姿态识别任务) 由于受到收集数据设备的限制,目前大部分姿态数据都是收集公共视频数据截取得到,因此2D数据集相对来说容易获取,与之相比,3D数据集较难获取。2D数据集有室内场景和室外场景,而3D目前只有室内场景。 地址: 样本数:>= 30W 关节点个数:18 全身,多人,keypoints on 10W people 地址: 样本数:2K 关节点个数:14 全身,单人 LSP dataset to 10; 000 images of people performing gymnastics, athletics and parkour. 地址: 样本数:2W 关节点个数:9 全身,单人样本数:25K 全身,单人/多人,40K people,410 human activities 16个关键点:0 - r ankle, 1 - r knee, 2 - r hip,3 - l hip,4 - l knee, 5 - l ankle, 6 - l ankle, 7 - l ankle,8 - upper neck, 9 - head top,10 - r wrist,11 - r elbow, 12 - r shoulder, 13 - l shoulder,14 - l elbow, 15 - l wrist 无mask标注 In order to analyze the challenges for fine-grained human activity recognition, we build on our recent publicly available \MPI Human Pose" dataset [2]. The dataset was collected from YouTube videos using an established two-level hierarchy of over 800 every day human activities. The activities at the first level of the hierarchy correspond to thematic categories, such as ”Home repair", “Occupation", “Music playing", etc., while the activities at the second level correspond to individual activities, . ”Painting inside the house", “Hairstylist" and ”Playing woodwind". In total the dataset contains 20 categories and 410 individual activities covering a wider variety of activities than other datasets, while its systematic data collection aims for a fair activity coverage. Overall the dataset contains 24; 920 video snippets and each snippet is at least 41 frames long. Altogether the dataset contains over a 1M frames. Each video snippet has a key frame containing at least one person with a sufficient portion of the body visible and annotated body joints. There are 40; 522 annotated people in total. In addition, for a subset of key frames richer labels are available, including full 3D torso and head orientation and occlusion labels for joints and body parts. 为了分析细粒度人类活动识别的挑战,我们建立了我们最近公开发布的\ MPI Human Pose“数据集[2]。数据集是从YouTube视频中收集的,使用的是每天800多个已建立的两级层次结构人类活动。层次结构的第一级活动对应于主题类别,例如“家庭维修”,“职业”,“音乐播放”等,而第二级的活动对应于个人活动,例如“在屋内绘画”,“发型师”和“播放木管乐器”。总的来说,数据集包含20个类别和410个个人活动,涵盖比其他数据集更广泛的活动,而其系统数据收集旨在实现公平的活动覆盖。数据集包含24; 920个视频片段,每个片段长度至少为41帧。整个数据集包含超过1M帧。每个视频片段都有一个关键帧,其中至少包含一个人体,其中有足够的身体可见部分和带注释的身体关节。总共有40个; 522个注释人。此外,对于关键帧的子集,可以使用更丰富的标签,包括全3D躯干和头部方向以及关节和身体部位的遮挡标签。 14个关键点:0 - r ankle, 1 - r knee, 2 - r hip,3 - l hip,4 - l knee, 5 - l ankle, 8 - upper neck, 9 - head top,10 - r wrist,11 - r elbow, 12 - r shoulder, 13 - l shoulder,14 - l elbow, 15 - l wrist 不带mask标注,带有head的bbox标注 PoseTrack is a large-scale benchmark for human pose estimation and tracking in image sequences. It provides a publicly available training and validation set as well as an evaluation server for benchmarking on a held-out test set (). PoseTrack是图像序列中人体姿态估计和跟踪的大规模基准。 它提供了一个公开的培训和验证集以及一个评估服务器,用于对保留的测试集()进行基准测试。 In the PoseTrack benchmark each person is labeled with a head bounding box and positions of the body joints. We omit annotations of people in dense crowds and in some cases also choose to skip annotating people in upright standing poses. This is done to focus annotation efforts on the relevant people in the scene. We include ignore regions to specify which people in the image where ignored duringannotation. 在PoseTrack基准测试中, 每个人都标有头部边界框和身体关节的位置 。 我们 在密集的人群中省略了人们的注释,并且在某些情况下还选择跳过以直立姿势对人进行注释。 这样做是为了将注释工作集中在场景中的相关人员上。 我们 包括忽略区域来指定图像中哪些人在注释期间被忽略。 Each sequence included in the PoseTrack benchmark correspond to about 5 seconds of video. The number of frames in each sequence might vary as different videos were recorded with different number of frames per second. For the **training** sequences we provide annotations for 30 consecutive frames centered in the middle of the sequence. For the **validation and test ** sequences we annotate 30 consecutive frames and in addition annotate every 4-th frame of the sequence. The rationale for that is to evaluate both smoothness of the estimated body trajectories as well as ability to generate consistent tracks over longer temporal span. Note, that even though we do not label every frame in the provided sequences we still expect the unlabeled frames to be useful for achieving better performance on the labeled frames. PoseTrack基准测试中包含的 每个序列对应于大约5秒的视频。 每个序列中的帧数可能会有所不同,因为不同的视频以每秒不同的帧数记录。 对于**训练**序列,我们 提供了以序列中间为中心的30个连续帧的注释 。 对于**验证和测试**序列,我们注释30个连续帧,并且另外注释序列的每第4个帧。 其基本原理是评估估计的身体轨迹的平滑度以及在较长的时间跨度上产生一致的轨迹的能力。 请注意,即使我们没有在提供的序列中标记每一帧,我们仍然期望未标记的帧对于在标记帧上实现更好的性能是有用的。 The PoseTrack 2018 submission file format is based on the Microsoft COCO dataset annotation format. We decided for this step to 1) maintain compatibility to a commonly used format and commonly used tools while 2) allowing for sufficient flexibility for the different challenges. These are the 2D tracking challenge, the 3D tracking challenge as well as the dense 2D tracking challenge. PoseTrack 2018提交文件格式基于Microsoft COCO数据集注释格式 。 我们决定这一步骤1)保持与常用格式和常用工具的兼容性,同时2)为不同的挑战提供足够的灵活性。 这些是2D跟踪挑战,3D跟踪挑战以及密集的2D跟踪挑战。 Furthermore, we require submissions in a zipped version of either one big .json file or one .json file per sequence to 1) be flexible . tools for each sequence (., easy visualization for a single sequence independent of others and 2) to avoid problems with file size and processing. 此外,我们要求在每个序列的一个大的.json文件或一个.json文件的压缩版本中提交1)灵活的. 每个序列的工具(例如,单个序列的简单可视化,独立于其他序列和2),以避免文件大小和处理的问题。 The MS COCO file format is a nested structure of dictionaries and lists. For evaluation, we only need a subsetof the standard fields, however a few additional fields are required for the evaluation protocol (., a confidence value for every estimated body landmark). In the following we describe the minimal, but required set of fields for a submission. Additional fields may be present, but are ignored by the evaluation script. MS COCO文件格式是字典和列表的嵌套结构。 为了评估,我们仅需要标准字段的子集,但是评估协议需要一些额外的字段(例如,每个估计的身体标志的置信度值)。 在下文中,我们描述了提交的最小但必需的字段集。 可能存在其他字段,但评估脚本会忽略这些字段。 At top level, each .json file stores a dictionary with three elements: * images * annotations * categories it is a list of described images in this file. The list must contain the information for all images referenced by a person description in the file. Each list element is a dictionary and must contain only two fields: `file_name` and `id` (unique int). The file name must refer to the original posetrack image as extracted from the test set, ., `images/test/023736_mpii_test/`. 它是此文件中描述的图像列表。 该列表必须包含文件中人员描述所引用的所有图像的信息。 每个列表元素都是一个字典,只能包含两个字段:`file_name`和`id`(unique int)。 文件名必须是指从测试集中提取的原始posetrack图像,例如`images / test / 023736_mpii_test / `。 This is another list of dictionaries. Each item of the list describes one detected person and is itself a dictionary. It must have at least the following fields: * `image_id` (int, an image with a corresponding id must be in `images`), * `track_id` (int, the track this person is performing; unique per frame),` * `keypoints` (list of floats, length three times number of estimated keypoints in order x, y, ? for every point. The third value per keypoint is only there for COCO format consistency and not used.), * `scores` (list of float, length number of estimated keypoints; each value between 0. and 1. providing a prediction confidence for each keypoint), 这是另一个词典列表。 列表中的每个项目描述一个检测到的人并且本身是字典。 它必须至少包含以下字段: *`image_id`(int,具有相应id的图像必须在`images`中), *`track_id`(int,此人正在执行的追踪;每帧唯一), `*`keypoints`(浮点数列表, 长度是每个点x,y,?的估计关键点数量的三倍 。每个关键点的第三个值仅用于COCO格式的一致性而未使用。), *`得分`(浮点列表,估计关键点的长度数;每个值介于0和1之间,为每个关键点提供预测置信度), 数据集有360万个3D人体姿势和相应的图像,共有11个实验者(6男5女,论文一般选取1,5,6,7,8作为train,9,11作为test),共有17个动作场景,诸如讨论、吃饭、运动、问候等动作。该数据由4个数字摄像机,1个时间传感器,10个运动摄像机捕获。 由Max Planck Institute for Informatics制作,详情可见Monocular 3D Human Pose Estimation In The Wild Using Improved CNN Supervision论文 论文地址: 1,单人姿态估计的重要论文 2014----Articulated Pose Estimation by a Graphical Model with ImageDependent Pairwise Relations 2014----DeepPose_Human Pose Estimation via Deep Neural Networks 2014----Joint Training of a Convolutional Network and a Graphical Model forHuman Pose Estimation 2014----Learning Human Pose Estimation Features with Convolutional Networks 2014----MoDeep_ A Deep Learning Framework Using Motion Features for HumanPose Estimation 2015----Efficient Object Localization Using Convolutional Networks 2015----Human Pose Estimation with Iterative Error 2015----Pose-based CNN Features for Action Recognition 2016----Advancing Hand Gesture Recognition with High Resolution ElectricalImpedance Tomography 2016----Chained Predictions Using Convolutional Neural Networks 2016----CPM----Convolutional Pose Machines 2016----CVPR-2016----End-to-End Learning of Deformable Mixture of Parts andDeep Convolutional Neural Networks for Human Pose Estimation 2016----Deep Learning of Local RGB-D Patches for 3D Object Detection and 6DPose Estimation 2016----PAFs----Realtime Multi-Person 2D Pose Estimation using PartAffinity Fields (openpose) 2016----Stacked hourglass----StackedHourglass Networks for Human Pose Estimation 2016----Structured Feature Learning for Pose Estimation 2017----Adversarial PoseNet_ A Structure-aware Convolutional Network forHuman pose estimation (alphapose) 2017----CVPR2017 oral----Realtime Multi-Person 2D Pose Estimation usingPart Affinity Fields 2017----Learning Feature Pyramids for Human Pose Estimation 2017----Multi-Context_Attention_for_Human_Pose_Estimation 2017----Self Adversarial Training for Human Pose Estimation 2,多人姿态估计的重要论文 2016----AssociativeEmbedding_End-to-End Learning for Joint Detection and Grouping 2016----DeepCut----Joint Subset Partition and Labeling for Multi PersonPose Estimation 2016----DeepCut----Joint Subset Partition and Labeling for Multi PersonPose Estimation_poster 2016----DeeperCut----DeeperCut A Deeper, Stronger, and Faster Multi-PersonPose Estimation Model 2017----G-RMI----Towards Accurate Multi-person Pose Estimation in the Wild 2017----RMPE_ Regional Multi-PersonPose Estimation 2018----Cascaded Pyramid Network for Multi-Person Pose Estimation “级联金字塔网络用于多人姿态估计” 2018----DensePose: Dense Human Pose Estimation in the Wild ”密集人体:野外人体姿势估计“(精读,DensePose有待于进一步研究) 2018---3D Human Pose Estimation in the Wild by Adversarial Learning “对抗性学习在野外的人体姿态估计”
人体姿态估计是计算机视觉中一个很基础的问题。从名字的角度来看,可以理解为对“人体”的姿态(关键点,比如头,左手,右脚等)的位置估计。 人体姿态估计可以分为两种思路, (1)“top-down”,它指先检测人体区域,再检测区域内的人体关键点。
已有"bottom-up"方法缺点:(1)未利用全局上下文先验信息,也即图片中其他人的身体关键点信息;(2)将关键点对应到不同的人物个体,算法复杂度太高。 文章改进点:提出“Part Affinity Fields (PAFs)”,每个像素是2D的向量,用于表征位置和方向信息。基于检测出的关节点和关节联通区域,使用greedy inference算法,可以将这些关节点快速对应到不同人物个体。
损失函数是保证网络能收敛的最重要的关键点,因此作者对两分支的损失函数均采用L2 loss。训练时,每个阶段都会产生loss,避免梯度消失;预测时只使用最后一层的输出。公式表示如下: 其中, 表示branch1 的label图,也称为heatmap; 是branch2 的label图 ,也称为vectormap。另外,考虑到有些训练数据集只标注了图片中部分人物的关节点,因此对损失函数采用了空域加权操作,W表示二值化mask矩阵,当位置p的标签缺失时其值为0,否则值为1。显然,对于未被标记的人物关节点 ,而被标记的人物关节点和非关节点 ,所以未被标记的人物关节点不会影响模型的学习过程,整个CNN网络架构的优化目标函数如下,
实际上就是使用2D高斯分布建模,求出一张图像上身体j部位的heatmap,记第k个人的第j个关节的heatmap为 , 表示位置信息,则有: 表示了使用part affinity fields(PAF)建模骨骼区域,对于骨骼区域内的每一个像素,使用2D向量同时表征位置和方向信息,这里的方向指代当前骨骼对应的关节点对的连接方向,对应vectormap。以下图的骨骼区域为例
经过上述过程,我们已经得到各个关节点的坐标图--heatmap,与关节对连接的vectormap,现在的问题就是如何合理地在推理阶段将各个关节连接成一段骨骼,并将它们组装成一个人? 关节拼接 :对于任意两个关节点位置 和 ,通过计算PAFs的线性积分来表征骨骼点对的相关性,也即表征了骨骼点对的置信度,公式表示如下, 为了快速计算积分,一般采用均匀采样的方式近似这两个关节点间的相似度, 多人检测 :由于图片中人数不确定,同时伴随遮挡、变形等问题,因此只使用上述计算关节对相似度,只能保证局部最优,因此作者利用greedy relaxation的思想生成全局较优的搭配。具体操作如下: (1)已知不同关节点的heatmap,也就是不同人的某个关节点的点集; (2)现在要将不同的点集进行唯一匹配,如:一群表示手肘的点集和手腕的点集,两点集中的点必须存在唯一匹配; (3) 关节点之间的相关性PAF已知,将关键点作为图的顶点,将关键点之间的相关性PAF看为图的边权,则将多人检测问题转化为二分图匹配问题,并用匈牙利算法求得相连关键点最优匹配。
由上图可知,COCO数据集总共有18个关键点,17个肢体骨架,但heatmap多了一个背景图,vectormap多了耳朵和肩膀的肢体,为什末要虚构这麽一个肢体呢,因为有时候人体是背对相机的,眼睛这个关键点是不可见的,为了更好的预测耳朵,引入这两个个肢体(也就是关节对:2-16和5-17)。所以总共有19个肢体,应为vectormap为矢量,预测时分为x,y两个分量,所以有19*2=38
完全参考 ,结合节中vectormap( )的计算公式与绿色虚线框内的区域以点集数学公式理解。 关键是叉乘的几何意义是两个向量所组成的平行四边形的面积,所以 就表示与向量 平行距离为 的区域,也就是骨骼宽度。
后来论文作者对网络结构进行了改进,使得效果更好,速度更快,参考文献【11】。
【1】 Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields 【2】 人体姿态估计的过去、现在和未来 【3】 论文解读-Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields 【4】 Realtime Multi-Person 2D Pose Estimation Using Part Affinity Fields【菜鸟读者】 【5】 知乎:openpose笔记 【6】 openpose论文总结:Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields 【7】 详细介绍匈牙利算法步骤 【8】 Github 项目 - OpenPose 关键点输出格式 【9】 openpose的细节处理 【10】 tf-openpose人体姿态估计标签生成--heatmap--vectormap 【11】 OpenPose: Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields
机械工程是一门涉及利用物理定律为机械系统作分析、设计、制造及维修的工程学科。那么机械工程专业的论文题目有哪些呢?下面我给大家带来机械工程专业论文题目_机械类专业论文选题题目,希望能帮助到大家!
机械电子工程 毕业 论文题目
1、全纤维曲轴锻造液压机同步控制研究
2、电脑缝编机送经与断经检测系统研究
3、MEMS传感器三维引线键合系统研制
4、单作用双定子叶片马达的排量及排量比研究
5、基于流场分析的双喷嘴挡板电液伺服阀特性研究
6、齿轮型多泵多马达传动规律研究
7、液压泵的振动机理及评价研究
8、基于声发射的轴承滚动接触疲劳量化诊断技术研究
9、KDQ1300墙体砖压机液压控制系统的节能研究
10、保偏光通信中ATP系统及姿态获取技术研究
11、模具生产协同管理系统的设计与实现
12、机床进给系统的多源误差模型分析与研究
13、高性能电液伺服转台的控制问题及故障诊断研究
14、正交并联六自由度加载试验系统力控制及解耦研究
15、地方本科院校转型中的专业调整研究
16、典型粘弹性阻尼结构的振动特性分析与优化设计
17、杆状碳纤维零件缠绕成型技术研究
18、飞行模拟器运动平台洗出算法的优化研究
19、MKD-Delphi装备技术预测 方法 研究
20、中职学校第二课堂实践研究
21、气动软体机械手设计及实验研究
22、职教师资本科培养机械电子工程专业课程整合研究
23、中等职业学校教师课堂教学评价素养研究
24、JD公司内部控制体系优化研究
25、关于交流变频异步电力测功机系统的仿真研究
26、一种新型的非圆轴数控加工系统的研究与开发
27、DY制冷发生器热源模拟试验装置自动控制系统的研究
28、U型砌块成型机设计及其自动控制系统的研究
29、基于神经网络的工时定额技术研究
30、机电产品计算机辅助设计平台的研究及应用
31、电容式微机械静电伺服加速度计系统分析
32、玻璃微细加工工艺的研究与磁流体推进式微型泵样机的研制
33、射流助推式ROV型开沟机喷射臂及其冲刷过程研究
34、基于动态特性分析的机床主轴箱装配故障诊断研究
35、基于外驱动内置臂的航天服上肢寿命试验系统
36、管路支撑参数对液压管路系统振动特性影响研究
37、基于声发射技术的轮轴疲劳裂纹扩展规律研究
38、基于STM32的车辆智能安全行车控制系统
39、超声功率和键合压力对金丝热超声键合质量的影响研究
40、外骨骼机器人下肢增力机构设计和仿真研究
机械专业mba论文题目
1、CAD技术在机械工艺设计中的应用研究
2、Auto CAD二次开发及在机械工程中的应用
3、基于特征的机械设计CAD系统研究
4、CAD在机械工程设计中的应用分析
5、机械制造中机械CAD与机械制图结合应用研究
6、全纤维曲轴锻造液压机同步控制研究
7、电脑缝编机送经与断经检测系统研究
8、MEMS传感器三维引线键合系统研制
9、单作用双定子叶片马达的排量及排量比研究
10、基于流场分析的双喷嘴挡板电液伺服阀特性研究
11、齿轮型多泵多马达传动规律研究
12、液压泵的振动机理及评价研究
13、基于声发射的轴承滚动接触疲劳量化诊断技术研究
14、KDQ1300墙体砖压机液压控制系统的节能研究
15、保偏光通信中ATP系统及姿态获取技术研究
16、模具生产协同管理系统的设计与实现
17、机床进给系统的多源误差模型分析与研究
18、高性能电液伺服转台的控制问题及故障诊断研究
19、正交并联六自由度加载试验系统力控制及解耦研究
20、地方本科院校转型中的专业调整研究
21、典型粘弹性阻尼结构的振动特性分析与优化设计
22、杆状碳纤维零件缠绕成型技术研究
23、飞行模拟器运动平台洗出算法的优化研究
24、MKD-Delphi装备技术预测方法研究
25、中职学校第二课堂实践研究
26、气动软体机械手设计及实验研究
27、职教师资本科培养机械电子工程专业课程整合研究
28、中等职业学校教师课堂教学评价素养研究
29、JD公司内部控制体系优化研究
30、关于交流变频异步电力测功机系统的仿真研究
31、一种新型的非圆轴数控加工系统的研究与开发
32、DY制冷发生器热源模拟试验装置自动控制系统的研究
33、U型砌块成型机设计及其自动控制系统的研究
34、基于神经网络的工时定额技术研究
35、机电产品计算机辅助设计平台的研究及应用
36、 泵叶轮注射模具的设计
37、 基于的永磁直线电机的有限元分析及计算
38、 变频器控制原理图的设计
39、 宾馆客房管理系统
40、 并联式井下旋流分离装置的设计
41、 茶树修剪机的设计
42、 车备胎支架设计与制造
43、 车用柴油机总体及曲柄连杆机构的设计
44、 成绩管理系统
45、 齿轮套注塑模具及注塑模腔三维造型CAD CAM
46、 大豆螺杆挤压膨化试验装置总体设计
47、 带式输送机减速器的设计
48、 单立柱巷道堆垛机的设计
49、 冰箱洗衣机 修理 翻转架的设计
50、 电火花切割机床的设计
机电专业毕业论文题目
1、机电一体化与电子技术的发展研究
2、变频技术在锅炉机电一体化节能系统中应用
3、煤矿高效掘进技术现状与发展趋势研究
4、电气自动化在煤矿生产中的应用探讨
5、产品设计与腐蚀防护的程序与内容
6、机械制造中数控技术应用分析
7、智能制造中机电一体化技术的应用
8、水利水电工程的图形信息模型研究
9、矿山地面变电站智能化改造研究
10、浅析电气控制与PLC一体化教学体系的构建
11、中国机电产品出口面临的障碍及优化对策
12、我国真空包装机械未来的发展趋势
13、煤矿皮带运输变频器电气节能技术的分析
14、钢铁企业中机电一体化技术的应用和发展
15、我国机械设计制造及其自动化发展方向研究
16、机械设计制造及其自动化发展方向的研究
17、基于BIM技术的施工方案优化研究
18、电力自动化技术在电力工程中的应用
19、电气自动化技术在火力发电中的创新应用
20、农机机械设计优化方案探究
21、区域轨道交通档案信息化建设
22、环保过滤剂自动化包装系统设计
23、元动作装配单元的故障维修决策
24、关于机械设计制造及其自动化的设计原则与趋势分析
25、试析机电一体化中的接口问题
26、汽车安全技术的研究现状和展望
27、太阳能相变蓄热系统在温室加温中的应用
28、关于在机电领域自动控制技术应用的研究
29、浅析生物制药公司物流成本核算
30、锡矿高效采矿设备的故障排除与维护管理
31、铸钢用水玻璃型砂创新技术与装备
32、空客飞行模拟机引进关键环节与技术研究
33、汽车座椅保持架滚珠自动装配系统设计
34、液压挖掘机工作装置机液仿真研究
35、基于新常态视角下的辽宁高校毕业生就业工作对策研究
36、石油机电事故影响因素与技术管理要点略述
37、基于铝屏蔽的铁磁性构件缺陷脉冲涡流检测研究
38、数控加工中心的可靠性分析与增长研究
39、数控机床机械加工效率的改进方法研究
40、浅析熔铸设备与机电一体化
41、冶金电气自动化控制技术探析
42、中职机电专业理实一体化教学模式探究
43、高职机电一体化技术专业课程体系现状分析和改革策略
44、高速公路机电工程施工质量及控制策略研究
45、对现代汽车维修技术 措施 的若干研究
46、建筑工程机电一体化设备的安装技术及电动机调试技术分析
47、智能家居电话控制系统的设计
48、电力系统继电保护课程建设与改革
49、PLC技术在变电站电容器控制中的应用分析
50、机电一体化技术在地质勘探工程中的应用
机械类专业论文选题题目相关 文章 :
★ 机械类毕业设计论文题目
★ 机械类学术论文题目
★ 机械开题报告范文精选5篇
★ 机械毕业课题论文
★ 机械毕业论文范文大全(2)
★ 大学毕业论文机械类范例(2)
★ 机械类毕业设计论文开题报告
★ 4000字机械类论文参考例文
★ 大学毕业论文机械类范例
178 浏览 3 回答
86 浏览 3 回答
332 浏览 3 回答
269 浏览 3 回答
83 浏览 2 回答
154 浏览 3 回答
278 浏览 3 回答
175 浏览 3 回答
149 浏览 6 回答
162 浏览 3 回答
350 浏览 4 回答
311 浏览 6 回答
308 浏览 5 回答
339 浏览 4 回答
242 浏览 4 回答