精华内容
下载资源
问答
  • 分布外泛化(OOD)对人类来说是一种很自然的能力,但对机器来说是一个挑战。这是因为大多数学习算法强烈地依赖于源/目标数据的i.i.d....领域泛化(DG)的目标是仅使用源数据进行模型学习,实现OOD泛化。
  • 与领域自适应问题强调适配源域与目标域之间的数据分布相比,领域泛化更强调有源域学习到的模型可以泛化到任意新出现的领域。 领域自适应问题一般有一个目标域(或多个目标域),领域泛化问题没有这个要求,重点强调...

    迁移学习的核心就是通过减少源域和目标域之间的分布差异,进而利用源域信息完成目标域的学习。与领域自适应问题强调适配源域与目标域之间的数据分布相比,领域泛化更强调有源域学习到的模型可以泛化到任意新出现的领域。
    领域自适应问题一般有一个目标域(或多个目标域),领域泛化问题没有这个要求,重点强调模型对任意未知的目标域都有一定的学习能力。
    领域泛化的两种基础模型:
    (1)将多个领域的数据合并并进行模型,得到一个共享模型
    (2)每个领域训练一个独立的模型,采用集成思想对未知目标域进行预测
    领域泛化常用方法:
    1. 基于数据分布自适应的领域泛化方法
    核心思想:将多个源域之间的分布差异在特定的空间中进行缩小,使学习到的模型具有强大的泛化能力。
    2. 基于集成的领域泛化方法
    基于集成的方法与基于数据分布自适应方法相比,它没有显示的处理数据域之间的分布差异,而是通过设计网络结构和训练方式,学习新数据与多个源数据的表征关系,进而达到泛化的目的。可以假设给定的N个源域可以近似构成表示所有数据域的基向量,也就是说任意的数据均可以有现有的基向量以一定的组合形式构成。很自然的解决办法是,在N个源域中分别训练一个独自的分类器,然后加权集合这些分类器。
    3. 基于数据生成的领域泛化方法
    (1)数据增强(旋转、平移、噪声等)
    (2)对抗数据生成方法
    4. 基于元学习的领域泛化方法
    核心思想就是利用元学习的思想,将现有的训练数据按一定的规则分成任意多的任务,从而可以模仿元学习的训练方法,在元训练上训练,在元测试上测试。

    展开全文
  • 域泛化(DG),即分布外泛化,近年来引起了越来越多的关注。领域泛化处理一个具有挑战性的设置,其中给出了一个或几个不同但相关的领域,目标是学习一个可以泛化到看不见的测试领域的模型。
  • 1. 领域泛化(Domain Generalization)的目标是什么?或者已经实现了什么? 目标:从若干个具有不同数据分布的数据集(领域)中学习一个泛化能力强的模型,以便在未知 (Unseen) 的测试集上取得较好的效果。 2. ...

    Generalizing to Unseen Domains: A Survey on Domain Generalization

    https://arxiv.org/pdf/2103.03097.pdf

    1. 领域泛化(Domain Generalization)的目标是什么?或者已经实现了什么?

    • 目标:从若干个具有不同数据分布的数据集(领域)中学习一个泛化能力强的模型,以便在未知 (Unseen) 的测试集上取得较好的效果。

    2. 文献中总结了哪些方法,每个方法的关键是什么?

    2.1 领域泛化的三类方法

    文献中总结了三类方法:数据操作、表征学习、学习策略[2]

    [1] 数据操作:包括数据增强和数据生成两大部分。
    [2] 表征学习:指的是学习领域不变特征(Domain-invariant representation learning)以使得模型对不同领域都能进行很好地适配。领域不变特征学习方面主要包括四大部分:核方法、显式特征对齐、领域对抗训练、以及不变风险最小化(Invariant Risk Minimiation, IRM)。此外还有特征解耦。
    [3] 学习策略:指的是将机器学习中成熟的学习模式引入多领域训练中使得模型泛化性更强。这一部分主要包括基于集成学习元学习的方法。此外还有自监督方法在领域泛化中的应用等。

    对于其中很感兴趣的数据操作进行更细致的了解:

    2.2 数据增强:

    (1)翻转、旋转、缩放、裁剪和增加噪声等。
    (2)Domain randomization。利用仿真技术生成仿真数据用于模型训练。

    2.3 数据生成

    (1) VAE或GAN
    (2) Wasserstein Auto-Encoder (WAE)
    (3) Mixup

    3. 论文中哪些内容对我来说是有用的?

    DG在故障检测、语音检测、脑机接口、帕金森病识别、震颤检测等方面的应用。

    4. 我还想要关注哪些参考文献和资料?

    [61] H. Zheng, Y. Yang, J. Yin, Y. Li, R. Wang, and M. Xu, “Deep domain generalization combining a priori diagnosis knowledge
    toward cross-domain fault diagnosis of rolling bearing,” IEEE Trans. on Instrumentation and Measurement, vol. 70, pp. 1–11, 2020.
    [62] Y. Liao, R. Huang, J. Li, Z. Chen, and W. Li, “Deep semisupervised domain generalization network for rotary machinery fault diagnosis under variable speed,” IEEE Transactions on Instrumentation and Measurement, vol. 69, no. 10, pp. 8064–8075, 2020.
    [66] X. Li, W. Zhang, H. Ma, Z. Luo, and X. Li, “Domain generalization in rotating machinery fault diagnostics using deep neural networks,” Neurocomputing, vol. 403, pp. 409–420, 2020.

    5. 参考文献

    [1] https://arxiv.org/pdf/2103.03097.pdf
    [2] https://zhuanlan.zhihu.com/p/354740610
    展开全文
  • 领域泛化 (Domain Generalization, DG) 是近几年非常热门的一个研究方向。它研究的问题是从若干个具有不同数据分布的数据集(领域)中学习一个泛化能力强的模型,以便在 未知 (Unseen) 的测试集上取得较好的效果。...

    前言

    领域泛化 (Domain Generalization, DG) 是近几年非常热门的一个研究方向。它研究的问题是从若干个具有不同数据分布的数据集(领域)中学习一个泛化能力强的模型,以便在 未知 (Unseen) 的测试集上取得较好的效果。本文介绍DG领域的第一篇综述文章《Generalizing to Unseen Domains: A Survey on Domain Generalization》。该论文一共调研了 160篇 文献,其中直接与领域泛化相关的有 90 篇。文章从问题定义、理论分析、方法总结、数据集和应用介绍、未来研究方向等几大方面对领域泛化问题进行了详细的概括和总结。

    问题定义

    领域泛化问题与领域自适应 (Domain Adaptation,DA)最大的不同:DA在训练中,源域和目标域数据均能访问(无监督DA中则只有无标记的目标域数据);而在DG问题中,我们只能访问若干个用于训练的源域数据,测试数据是不能访问的。毫无疑问,DG是比DA更具有挑战性和实用性的场景:毕竟我们都喜欢“一次训练、到处应用”的足够泛化的机器学习模型。

    例如,在下图中,DA问题假定训练集和测试集都可以在训练过程中被访问,而DG问题中则只有训练集。

    在这里插入图片描述
    DG问题的示意图如下所示,其形式化定义如下:
    在这里插入图片描述
    DG不仅与DA问题有相似之处,其与多任务学习、迁移学习、元学习、终身学习等,都有一些类似和差异之处。我们在下表中对它们的差异进行了总结。
    在这里插入图片描述

    理论

    我们从Domain adaptation理论出发,分析影响不同领域学习结果的因素,如 H -divergence、 HH divergence等,继而过渡到领域Domain generalization问题中,分析影响模型泛化到新领域的因素。从理论上总结了领域泛化问题的重要结果,为今后进行相关研究指明了理论方向。

    方法

    领域泛化方法是我们的核心。我们将已有的领域泛化方法按照数据操作、表征学习、学习策略分为三大方面,如下图所示。

    在这里插入图片描述
    其中:

    • 数据操作,指的是通过对数据的增强和变化使训练数据得到增强。这一类包括数据增强和数据生成两大部分。

    • 表征学习,指的是学习领域不变特征(Domain-invariant representation learning)以使得模型对不同领域都能进行很好地适配。领域不变特征学习方面主要包括四大部分:核方法、显式特征对齐、领域对抗训练、以及不变风险最小化(Invariant Risk Minimiation, IRM)。特征解耦与领域不变特征学习的目标一致、但学习方法不一致,我们将其单独作为一大类进行介绍。

    • 学习策略,指的是将机器学习中成熟的学习模式引入多领域训练中使得模型泛化性更强。这一部分主要包括基于集成学习和元学习的方法。同时,我们还会介绍其他方法,例如自监督方法在领域泛化中的应用。

    应用与数据集

    领域泛化问题在众多领域都得到了广泛应用。大多数已有工作偏重于设计更好的DG方法,因此,其往往都在图像分类数据上进行评估。除此之外,DG方法还被应用于行人再识别(Re-ID)、语义分割、街景识别、视频理解等计算机视觉的主流任务中。

    特别地,DG方法被广泛应用于健康医疗领域,例如帕金森病识别、组织分割、X光胸片识别、以及震颤检测等。

    在自然语言处理领域,DG被用于情感分析、语义分割、网页分类等应用。

    DG也在强化学习、自动控制、故障检测、语音检测、物理学、脑机接口等领域中得到了广泛应用。

    下图展示了领域泛化问题中流行的标准数据集。

    在这里插入图片描述

    未来挑战

    我们对DG进行以下展望:

    • 连续领域泛化:一个系统应具有连续进行泛化和适配的能力,目前只是离线状态的一次应用。
    • 新类别的领域泛化:目前我们假定所有的领域具有相同的类别,未来需要扩展到不同类别中、乃至新类别中。
    • 可解释的领域泛化:尽管基于解耦的方法在可解释性上取得了进步,但是,其他大类的方法的可解释性仍然不强。未来需要对它们的可解释性进行进一步研究。
    • 大规模预训练与领域泛化:众所周知,大规模预训练(如BERT)已成为主流,那么在不同问题的在规模预训练中,我们如何利用DG方法来进一步提高这些预训练模型的泛化能力?
    • 领域泛化的评价:尽管有工作在经验上说明已有的领域泛化方法的效果并没有大大领先于经验风险最小化,但其只是基于最简单的分类任务。我们认为DG需要在特定的评测,例如行人再识别中才能最大限度地发挥其作用。未来,我们需要找到更适合DG问题的应用场景。

    参考

    https://zhuanlan.zhihu.com/p/354740610

    展开全文
  • 领域泛化最新综述

    2021-06-22 00:56:50
    0导读领域泛化(Domain Generalization)研究的问题是如何利用源领域数据训练一个模型,其目的是使得该模型能够泛化到其他不同数据分布的目标领域。虽然这项能力对于人类来讲似...

    0 导读

    领域泛化(Domain Generalization)研究的问题是如何利用源领域数据训练一个模型,其目的是使得该模型能够泛化到其他不同数据分布的目标领域。虽然这项能力对于人类来讲似乎并不需要刻意学习就能拥有,但是对于目前的机器学习模型和算法,领域泛化仍然是极具挑战性的问题。从领域泛化这个研究问题的正式诞生到如今已经经历了整整十年的探索,期间涌现出了形形色色的方法。

    作为该领域的第一篇系统性综述,本文将会引领你去详细了解领域泛化这个问题的历史,问题的种类,当前通用的基准数据库,以及对现有方法的归类和总结。文章的最也提出了对该领域今后研究的展望。希望读者在阅读完之后能够对领域泛化这个问题的研究有一个系统性的认知。

    论文链接:https://arxiv.org/abs/2103.02503

    以下我们将简要介绍论文里的三个核心部分,有兴趣的读者可以阅读原文来了解更多内容。

    1. 背景介绍 

    (Background, Section 2)

    什么是领域泛化?

    简单来说,一个领域通常定义为对数据变量X和标签变量Y的一个联合分布P(X, Y)。在领域泛化的问题中,源领域数据的分布PS(X, Y)和目标领域数据的分布PT(X, Y)是不同的,并且目标领域的数据在模型训练过程中是不可见的。


    根据源领域数据的来源数量,领域泛化的问题又可以分为单一领域泛化(Single-Source Domain Generalization),或者是多领域泛化(Multi-Source Domain Generalization)。顾名思义,前者只能用单一来源的数据做模型训练,而后者则是采用多个来源不同的数据做模型训练。

    领域泛化的相关研究领域有哪些?

    领域泛化可以说是和多个研究领域息息相关,例如迁移学习(Transfer Learning),零次学习(Zero-Shot Learning),和领域自应性学习(Domain Adaptation)。领域泛化与其相关领域的异同之处大概可以归纳为以下几个要点:

    1)源领域数据的来源数量

    2)源领域和目标领域数据分布的异同

    3)源领域和目标领域的标签空间的异同

    4)目标领域数据的可见性

    那领域泛化的算法又是如何进行实验验证,以及当前通用的基准数据库有哪些?

    其实验证的方法很直观,那就是把数据库当中任意一个领域作为目标领域,然后把剩下的领域作为源领域用做模型训练。测试的时候则直接把在源领域训练好的模型部署在之前选定的目标领域上做测试。

    关于当前通用的数据库,文章总结了超过20个在机器视觉领域里常用的数据库(见以下剪切图),其涵盖了多个视觉任务,例如物体识别(Object Recognition),语义分割(Semantic Segmentation),以及行人再识别(Person Re-identification)。

    2. 方法论的综述

    (Methodologies: A Survey, Section 3)

    十年的研究在领域泛化这个问题上产生了形形色色的方法。文章对这些方法做了一个全面的总结,并概括出了11种类别(预览请见以下从文章中剪切出来的表4)。以下会简单介绍每种类别方法的主要设计思路。

     类别1   领域对齐(Domain Alignment)

    这类方法通常是去对齐源领域之间的特征分布。其设计的主要驱动力是:如果学到的特征对源领域之间的分布偏移不敏感,那么该特征也应该对目标领域的分布偏移具有较好的鲁邦性。目前绝大多数的领域泛化方法都是基于领域对齐这个思想开发的。这类方法一般会对齐1)边缘分布P(X),2)类别条件分布P(X | Y),或是3)后验分布P(Y | X)。对齐的方法有许多,例如利用最大平均差异(Maximum Mean Discrepancy),或者领域对抗训练(Domain-Adversarial Learning)。

     类别2   元学习(Meta-Learning)

    这类方法的核心要素是把多个源领域随机分成伪源领域(pseudo-source domain)和伪目标领域(pseudo-target domain),然后利用元学习的算法去优化伪源领域上的目标函数,使得模型在伪目标领域上的性能有所提升,以此来激发模型学习泛化性强的特征。

    类别3   数据增强(Data Augmentation)

    这类方法的目的很直接,就是扩增训练数据,使得模型能够学习到对领域偏移鲁棒性更强的特征。这类方法一般可以归类成以下四种模型:


    1)基于手工变形的方法(Hand-Engineered Transformations),例如对图像像素点强度做调整,或者是对图像进行随机切割和变形来做数据扩增;

    2)基于梯度的数据增强方法(Gradient-Based Augmentation),例如把一个领域分类器上回传的对抗性梯度加在原始图像上;

    3)基于模型的数据增强方法(Model-Based Augmentation),其主要特点是用神经网络生成领域偏移的图像;

    4)基于特征的增强方法(Feature-Based Augmentation),例如把图像之间的特征统计参数做一个混合。

    类别4   集成学习(Ensemble Learning)

    这类方法一般适用于多源数据,其特点是学习多个模型或模块,然后在测试的时候做融合。最简单直观的例子就是在每个源领域上学习一个特定的分类器,然后在做测试时把这些分类器简单地融合。

    类别5   网络架构设计(Network Architecture Design)

    除了在训练算法上做文章,一些领域泛化方法还尝试对神经网络模型架构做改动。比如,针对照明偏移的图片,我们可以在卷积网络里加入实例归一化层(Instance Normalization Layers),这样可以很大程度上加强特征对照明偏移的鲁棒性。

     类别6   自监督学习(Self-Supervised Learning)

    近几年来特别火热的自监督学习也被应用在领域泛化上,例如在训练分类网络的目标函数上加入了基于拼图(Jigsaw Puzzle)设计的损失函数。这类方法的动机是让模型学习一些和任务不相关的特征,从而达到减小模型在目标任务上过拟合的作用。

     类别7   表征分解学习(Learning Disentangled Representations)

    顾名思义,这类方法的目的是学习如何分解出对领域分布相关的特征和对领域分布不相关的特征。常见的有基于模型局部改造的方法和基于生成学习的方法。

     类别8   不变风险最小化(Invariant Risk Minimization)

    这类方法主要是从不变风险最小化这个算法上衍生出来的,其设计目的是减少模型对非相关元素的依赖,例如图像背景。此类方法一般是在目标函数或者训练方式上做特别设计,例如设计特殊的正则化项。这类方法通常有理论分析来做支撑。

     类别9   启发式训练(Training Heuristics)

    这类方法通常是基于直观或经验来设计的,例如我们通常认为泛化性强的特征主要包含图像的全局结构以及物体形状的信息,为了抑制模型对图像的局部结构过于依赖,我们可以构造局部神经网络,也就是1x1卷积网络,然后最大化这个网络的预测错误,从而迫使模型提取全局信息做预测。

     类别10   辅助信息(Side Information)

    这类方法通常借助额外的辅助信息来帮助模型训练。例如,我们可以使用额外标定的属性信息去帮助模型学习到更具泛化能力的底层和中层特征,或者利用语义分割标签让特征学习聚焦在物体上,从而防止模型学习和图像背景相关联的特征。

     类别11   迁移学习(Transfer Learning)

    这类方法的设计初衷是让模型在源领域上学习新知识的同时,要保留其在原始大规模数据上预训练获得的知识,其主要应用在合成数据(如3D模型)到真实数据的泛化。

    3. 关于未来研究方向

    (Future Research Directions, Section 4)

    虽然过去十年的研究极大的推动了领域泛化的发展,但是解决这个极具挑战性的问题仍然还有很长的一段路要走。本文也对未来研究方向做了展望,并总结了几个值得探索的课题。

    这些课题主要归类于三个大方向,分别是模型架构学习算法,和基准数据库

    模型架构的角度,我们可以尝试例如动态架构(Dynamic Architectures)设计,让网络自己生成适合输入图像分布的参数,或者开发自适应归一化层,使得归一化层里的估计参数能够克服测试数据分布偏移的问题。

    学习算法的角度,我们可以探索如何在不使用领域标签的情况下学习泛化性强的特征,让领域泛化算法更具灵活性,或者研究如何训练神经网络去生成逼真的新领域数据做数据增强。

    最后,从构造基准数据库的角度出发,我们可以思考如何让领域泛化算法在实际场景中更具实用性,例如可以考虑把增量学习(Incremental Learning)和领域泛化做结合。

    备注:综合

    计算机视觉交流群

    图像分割、姿态估计、智能驾驶、超分辨率、自监督、无监督、2D、3D目标检测等最新资讯,若已为CV君其他账号好友请直接私信。

    在看,让更多人看到  

    展开全文
  • 领域泛化 (Domain Generalization, DG)是近几年非常热门的一个研究方向。它研究的问题是从若干个具有不同数据分布的数据集(领域)中学习一个泛化能力强的模型,以便在未知 (Unseen)的测试集上取得较好的效果。本文...
  • 领域泛化能力 跨领域能力 现实问题解决能力 开放服务使用能力 知识图谱载入与构建 领域启发式知识表示处理与推理应用 跨领域知识融合表示学习与推理(待支持) 大规模高效率知识图谱学习与推理 前沿算法集成与高性能...
  • 我们解决了领域泛化的问题,即从多个相关领域的数据中学习决策函数,并且目标是将其成功应用于一个看不见的领域。 假定在源域(也称为训练域)中有大量可用的标记数据,但对于看不见的域(也称为目标域或测试域)...
  • 泛化能力

    2021-01-06 20:09:08
    1、泛化能力 概念:在机器学习方法中,泛化能力通俗来讲就是指学习到的模型对未知数据的预测能力。在实际情况中,我们通常通过测试误差来评价学习方法的泛化能力。如果在不考虑数据量不足的情况下出现模型的泛化能力...
  • 关于神经网络泛化的文章 摘 要 泛化能力是多层前向网最重要的性能, 泛化问题已成为目前神经网络领域的研究热 点. 文中综述了神经网络泛化理论和泛化方法的研究成果. 对泛化理论, 重点讲述神经网络的结 构...
  • 泛化&泛化数据集&实验

    千次阅读 2018-03-24 07:29:10
    泛化&泛化数据集&实验 泛化 (Generalization):过拟合的风险 泛化:泛化能力(generalization ability)是指机器学习算法对新鲜样本的适应能力。学习的目的是学到隐含在数据对背后的规律,对具有同一规律的...
  • Dubbo 泛化引用

    2021-05-09 22:06:12
    大家好,今天开始给大家分享 — Dubbo 专题之 Dubbo 泛化引用。在前一个章节中我们介绍了 Dubbo 中的参数验证以及使用场景。我们在这个章节会继续介绍 Dubbo 泛化引用。那么什么是泛化引用呢?泛化引用有什么作用呢...
  • 领域模型一个小栗子:        默认所有未注册用户为问卷参与者, 注册用户身份为调查员,同时也可以作为问卷参与者 —> 对应下图中的泛化 一个调查员可以创建多份问卷----> 对应下图中的...
  • 泛化性能的首要因素是样本:防止过拟合就是提高泛化性能,训练的数据量越小越容易过拟合,模型泛化性不好首先应该考虑的是训练样本的数量和质量 提高泛化性能的本质是引入更多的噪声:为loss函数搜索最优解时加入...
  • 此外,机器学习模型应该对诸如成员资格推断之类的隐私攻击和诸如对抗性攻击之类的基于领域知识的攻击具有鲁棒性。 为了推进构建健壮和通用化模型的研究,我们发布了用于构建和评估ML模型的工具包RobustDG 。 ...
  • 图像域泛化总结

    2021-05-05 22:57:50
    泛化问题感觉是一个工业上很常见的问题。比如说在医疗图像上,你的数据可能来自多家医院,多个扫描仪。或者说你的训练集是高清图像进行训练,实际的测试集却是较为模糊的图片。很多情况会导致训练域与实际的测试域...
  • 大家好,今天我们学习【机器学习速成】之过拟合的风险和泛化泛化是指模型很好地拟合以前未见过的新数据的能力。 我们之前曾提到过, 仅仅拟合训练数据并不足以进行机器学习。 对于机器学习,其实我们感兴趣的...
  • 机器学习-泛化能力

    2021-02-20 23:25:57
    1.什么是泛化能力 2.什么是好的机器学习模型的提出 3.泛化误差 4.模型泛化能力的评价标准 4.提高泛化能力 5.举例 6.相关引用文献 1.什么是泛化能力 百度百科解释:机器学习算法对新鲜样本的适应能力。 更加...
  • 神经网络 泛化 介绍 (Introduction) Deep learning architectures such as recurrent neural networks and convolutional neural networks have seen many significant improvements and have been applied in the ...
  • 请问两个泛化关系的类,转换成数据库表后是不是各自对应单独的表,然后子类存父类的ID作为外键(如下图示)。除此之外还有别的吗?这里在数据库表这个级别,如何体现这二者是泛化关系?还是说在表这个级别不需要体现...
  • 点上方人工智能算法与Python大数据获取更多干货在右上方···设为星标★,第一时间获取资源仅做学术分享,如有侵权,联系删除转载于 :专知深度学习中的分布外 (OoD) 泛化是指模型...
  • 数仓知识10_数据泛化

    2019-12-19 22:41:27
    数据泛化(面向属性的归纳;个性–>一般化)1.定义 数据泛化:把较低层次的概念层(例如:年龄的数值范围)用较高层次的概念(例如:青年、中年和 老年)替换来汇总数据。或者通过减少维度在设计较少维度的概念...
  • 参考人工智能前沿讲习的泛化误差专题 ...2.1、3篇领域经典 1)Understanding Deep Learning Requires Rethinking Generalization. (ICLR 2017) ICLR 2017的最佳会议论文。作者通过一些很有意思的实验(比如ra..
  • 结合多重神经网络提高泛化能力
  • 【学习笔记】泛化

    千次阅读 2018-09-18 07:54:44
    这种预测能力我们称之为泛化能力。 我们可以看到原图2中对当前数据的解释能力非常的强(拟合程度非常高),但是加入新数据后该模型的解释能力相当的低。 过拟合往往是因为模型的复杂程度超过了我们所需要的程度。 ...
  • 一个好的深度学习模型的目标是将训练数据很好地推广到问题领域的任何数据。这使我们可以对模型从未见过的数据进行将来的预测。 首先,当模型泛化性差的时候,我们需要找到其原因,当训练集能够很好地拟合,但是测试...
  • 随着大众文化的蓬勃发展和人们审美意识的提高,艺术已愈来愈深入的融入到人们的大众生活中,“审美泛化”已经成为当今社会和文化领域研究的一个热点话题。本文从消费时代下的审美泛化谈起,详细阐述了审美泛化的积极...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 39,394
精华内容 15,757
关键字:

领域泛化