本发明提供了一种车道线数据集的构建标注方法及应用系统，属于图像处理领域。本发明针对车道数据集构建过程中，手动处理数据、标注数据效率低下的问题，包括：采集视频数据，根据时间戳命名保存；把视频数据分解为图片，根据神经网络模型动态选择保存哪一帧图像；对标注时显示的图像图像进行自适应增强，提高标注准确度和速度；使用基于大量数据预训练的神经网络镜像车道数据的自动标注；对神经网络标注的结果进行人工确认和修改，若神经网络自动标注的某些数据效果较差，则自动生成若干水平辅助线，加快标注速度。

　　(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 113807173 A (43)申请公布日 2021.12.17 (21)申请号 6.5 (22)申请日 2021.08.12 (71)申请人 北京工业大学 地址 100124 北京市朝阳区平乐园100号 (72)发明人 张建宇范塞一戴洋 (74)专利代理机构 北京思海天达知识产权代理 有限公司 11203 代理人 沈波 (51)Int.Cl. G06K 9/00 (2006.01) G06K 9/32 (2006.01) G06K 9/46 (2006.01) G06N 3/02 (2006.01) G06N 3/08 (2006.01) 权利要求书2页 说明书7页 附图3页 (54)发明名称 一种车道线数据集的构建标注方法及应用 系统 (57)摘要 本发明提供了一种车道线数据集的构建标 注方法及应用系统，属于图像处理领域。本发明 针对车道数据集构建过程中，手动处理数据、标 注数据效率低下的问题，包括：采集视频数据，根 据时间戳命名保存；把视频数据分解为图片，根 据神经网络模型动态选择保存哪一帧图像；对标 注时显示的图像图像进行自适应增强，提高标注 准确度和速度；使用基于大量数据预训练的神经 网络镜像车道数据的自动标注；对神经网络标注 的结果进行人工确认和修改，若神经网络自动标 注的某些数据效果较差，则自动生成若干水平辅 A 助线 A 权利要求书 1/2页 1.一种车道线数据集的构建标注方法，其特征在于：该方法包括如下步骤： (1)通过视频的形式采集车道数据，并保存数据用于后续处理； (2)对采集到的视频数据进行分解处理得到图片，并根据数据集要求批量调整图片尺 寸、格式等； (3)对显示图像进行自适应增强，减小人工识别车道线的难度，加快标注速度； (4)设置标注数据的格式，对要标注的车道数、每条车道标注点数及标注间隔类型进行 设置； (5)进行车道数据的自动标注，利用深度学习技术根据设置的标注格式预测出标注点； (6)根据所述的神经网络预测出的标注点，进行人工确认或修改。 2.根据权利要求1所述的一种车道线数据集的构建标注方法，其特征在于，所述步骤 (2)中视频分解得到图片的过程中，每隔N帧保存一帧图像。N的值可人工设置或使用深度学 习技术进行自动设置。 3.根据权利要求2所述的一种车道线数据集的构建标注方法，其特征在于，所述的深度 学习技术为通过预先训练的神经网络模型进行每一帧图像的关键点预测，并计算当前帧与 参考帧的关键点的相似度，当相似度大于阈值时，自动保存当前帧，并更新当前帧为参考 帧。相似度由下述公式得到： 其中，S为不同图像帧上预测点的相似度，n为关键点的个数， 为当前图像帧上关键点 的横坐标，y为当前图像帧上关键点的纵坐标，x′为参考帧上关键点的横坐标，y′为参考 i i i 帧上关键点的纵坐标，λ为比例系数。 4.根据权利要求1所述的一种车道线数据集的构建标注方法，其特征在于，所述步骤 (3)中的图像自适应增强方法只增强标注时显示的图像，而不更改原图像，包括如下步骤： (3.1)根据预先训练的神经网络划分出车道线)计算感兴趣区域内图像的亮度值，若小于阈值则对整个图像进行亮度增强； (3.4)若车道远端间隔小于阈值，则通过逆透视变换得到俯视图，方便标注。 5.根据权利要求1所述的一种车道线数据集的构建标注方法，其特征在于，所述步骤 (4)中可根据需要设置标注的车道数目，每条车道上的标注点数目及标注间隔类型。其中所 述的间隔标注类型有等间隔标注及上密下疏标注。所述上密下疏标注的间隔由以下公式计 算： 其中， 为从上往下第i个标注点的纵坐标，y 为最上边标注点的纵坐标，H为待标注图 0 像的高，n为单条车道上标注点的个数。 6.根据权利要求1所述的一种车道线数据集的构建标注方法，其特征在于，所述步骤 (5)中的半自动标注方法为：把待标注图像作为输入送入预训练的神经网络模型，直接预测 出符合步骤(4)中设置的个数，标注方式的标注点。 7.根据权利要求1所述的一种车道线数据集的构建标注方法，其特征在于，所述步骤 2 2 CN 113807173 A 权利要求书 2/2页 (6)中人工确认或修改方法为： (6.1)若步骤(5)中自动标注的点全部符合要求，则直接确认，自动保存标注为json文 件； (6.2)若步骤(5)中自动标注的点少部分符合要求，则对需要修改的标注点手动修改； (6.3)若步骤(5)中自动标注的点大部分不符合要求，则采用手工半自动标注方法进行 重新标注。 8.根据权利要求6所述的一种车道线数据集的构建标注方法，其特征在于，所述步骤 (3)中的手工半自动标注方法为：手动标注最上方某条车道线的第一个标注点，根据步骤 (4)中所述的标注方式自动生成n条水平辅助线，只需在竖直方向上进行标注。 9.一种车道数据集构建标注系统，基于权利要求1实现，其特征在于，该系统包括如下 模块： 数据采集模块，用于采集视频数据，并根据时间戳命名保存，防止文件名冲突造成数据 覆盖或丢失； 数据分解与处理模块，用于根据设定的或神经网络自动预测的帧间隔保存待标注的视 频帧和对图像进行批量尺寸和格式调整； 自适应增强模块，用于对不易识别的难例待标注图像进行自适应增强，加快标注速度 和标注准确度； 标注格式设置模块，用于对标注格式进行设置，包括单条车道线上标注点个数、车道线 条数、标注间隔方式； 自动标注模块，用于根据预训练的神经网络模型预测的结果进行车道的自动化标注； 人工确认与修改模块，用于对自动标注模块标注的结果进行手动修改或重新手工半自 动标注； 标注格式转化模块，用于对点标注格式的数据进行转化，可通过曲线拟合转为线标注 或通过计算闭合区域转为语义分割标注格式。 3 3 CN 113807173 A 说明书 1/7页 一种车道线数据集的构建标注方法及应用系统 技术领域 [0001] 本发明属于图像处理领域，具体涉及一种车道线数据集的构建、标注方法及应用 系统。 背景技术 [0002] 随着人工智能和自动驾驶驾驶技术的发展，深度神经网络以其较好的识别效果， 良好的 鲁棒性，成为当前主流的图像识别算法。然而神经网络模型的训练需要大量人工标 注的数据，  需要花费大量的人力物力成本。同时人工标注容易因疲劳、专注度下降等原因 造成标注结果  的准确度下降。 [0003] 车道线作为结构化道路的一个主要特征，对驾驶以及自动驾驶都有很强的指导作 用，因 此车道线的检测和识别是当前自动驾驶的一个重要研究方向。车道线数据的标注常 常使用点 标注作为原始标注，后续再根据需要通过样条插值，最小二乘等方法拟合出车道 线] 目前公开的使用较为广泛的车道数据集如Tusimple数据集，CULane数据集等单条 车道 上标注点个数范围在最大可达48个，单张图像中通常有1～4条车道线，由此可见车道 线标注 工作任务量巨大。图像标注领域的常用标注工具有labelImg，labelMe等软件，当进 行大量数 据点标注时需要人工定位坐标，标注的效果好坏直接影响深度学习模型的训练 效果。 发明内容 [0005] 本发明的目的在于提供一种车道线数据集的构建、标注方法及应用系统，以解决 车道数 据集构建过程中，手动处理数据、标注数据效率低下的问题。 [0006] 一种车道数据集构建、标注方法，其包括以下步骤： [0007] (1)通过视频的形式采集车道数据，并保存数据用于后续处理； [0008] (2)对采集到的视频数据进行分解处理得到图片，并根据数据集要求批量调整图 片尺寸、 格式等，其中视频数据分解过程有两种可选步骤： [0009] (2.1)每隔N帧保存一帧图像。N的值通过人工设置； [0010] (2.2)每隔N帧保存一帧图像。N的值通过深度学习技术自动设置，具体为：通过预 先训 练的神经网络模型进行每一帧图像的关键点预测，并计算当前帧与参考帧的关键点 的相似度，  当相似度大于阈值时，自动保存当前帧，并更新当前帧为参考帧。相似度由下述 公式得到： [0011] [0012] 其中，S为不同图像帧上预测点的相似度，n为关键点的个数， 为当前图像帧上关 键点的横 坐标，y 为当前图像帧上关键点的纵坐标，x′为参考帧上关键点的横坐标，y′为 i i i 4 4 CN 113807173 A 说明书 2/7页 参考帧上关键 点的纵坐标，λ为比例系数，一般取大于0.5的值。 [0013] (3)对显示图像进行自适应增强，减小人工识别车道线的难度，加快标注速度。其 所述的  图像自适应增强方法只增强标注时显示的图像，而不更改原图像，包括如下步骤： [0014] (3.1)根据预先训练的神经网络划分出车道线)计算感兴趣区域内图像的亮度值，若小于阈值则对整个图像进行亮度增强； [0016] (3.3)若车道远端间隔小于阈值，则通过逆透视变换得到俯视图，方便标注。 [0017] (4)设置标注数据的格式，对要标注的车道数、每条车道标注点数及标注间隔类型 进行设 置，其设置项包括 [0018] (4.1)需要标注的车道数目； [0019] (4.2)每条车道上的标注点数目； [0020] (4.3)标注的间隔类型，其中间隔类型包括等间距标注和上密下疏标注。所述的上 密下疏 标注根据实际场景下交通图像车道远端容易出现转向和由于透视特征造成的车道 交汇现象， 给图像上半部分更多的标注点来描述此特性。所述的上密下疏标注的间隔由以 下公式计算： [0021] [0022] 其中， 为从上往下第i个标注点的纵坐标，y为最上边标注点的纵坐标，H为待标 0 注图 像的高，n为单条车道上标注点的个数。 [0023] (5)进行车道数据的自动标注，利用深度学习技术根据设置的标注格式预测出关 键点，即 把待标注图像作为输入送入预训练的神经网络模型，直接预测出符合步骤(4)中 设置的个数， 标注方式的标注点； [0024] (6)根据所述的神经网络预测出的关键点，进行人工确认或修改，其步骤为： [0025] (6.1)若步骤(5)中自动标注的点全部符合要求，则直接确认，把标注信息保存为 json文件； [0026] (6.2)若步骤(5)中自动标注的点少部分符合要求，则对需要修改的标注点手动修 改，把修 改后的标注信息保存为json文件； [0027] (6.3)若步骤(5)中自动标注的点大部分不符合要求，则采用手工半自动标注方法 进行重新 标注，所述的手工半自动方法为：手动标注最上方某条车道线的第一个标注点， 根据步骤(4)  中所述的标注方式自动生成n条水平辅助线，只需在竖直方向上进行标注。 [0028] 本发明还提供一种车道数据集构建、标注系统，其包括如下模块： [0029] 数据采集模块，用于采集视频数据，并根据时间戳命名保存，防止文件名冲突造 成数 据覆盖或丢失； [0030] 数据分解与处理模块，用于根据设定的或神经网络自动预测的帧间隔保存待标 注的视 频帧和对图像进行批量尺寸和格式调整； [0031] 自适应增强模块，用于对不易识别的难例待标注图像进行自适应增强，加快标 注速度 和标注准确度； [0032] 标注格式设置模块，用于对标注格式进行设置，包括单条车道线上标注点个数、 车道 线条数、标注间隔方式等； [0033] 自动标注模块，用于根据预训练的神经网络模型预测的结果进行车道的自动化 5 5 CN 113807173 A 说明书 3/7页 标注； 人工确认与修改模块，用于对自动标注模块标注的结果进行手动修改或重新手工 半自 动标注； [0034] 标注格式转化模块，用于对点标注格式的数据进行转化，可通过曲线拟合转为 线标注 或通过计算闭合区域转为语义分割标注格式。 [0035] 相比现有技术，本发明的有益效果在于：分解视频数据为图片时使用深度学习技 术动态  调整保存图片的帧间隔，使得数据集有效数据增多的同时避免引入特征过于相似 的数据；对 标注时显示的图片进行自适应增强和逆透视转换，保证了人工标注过程的标注 准确率和标注 速度；采用等间隔或上密下疏间隔在减少标注点的同时保证标注效果；使用 预训练的神经网 络自动标注待标注图像。大大减少了车道标注数据过程中的工作量，有利 于推动相关深度学  习技术的发展和优化进程。 附图说明 [0036] 下面结合附图和具体实施方式对本发明作进一步说明。 [0037] 图1为本发明所涉方法的流程图。 [0038] 图2为真实交通场景中由于光照不足造成的车道线难以准确标注的示例。 [0039] 图3为真实交通场景中由于透视效应造成的车道线远端难以准确标注的示例。 [0040] 图4为上密下疏标注辅助线为本发明所涉系统的结构图 具体实施方式 [0042] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更为详细 的描述， 应当理解，所描述的具体实施例仅仅用以解释本发明，并不限定本发明。基于本发 明中的实 施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它 实施例，都属 于本发明保护的范围。 [0043] 本发明提供了一种车道数据集构建、标注方法，其整体流程图如图1所示，包括如 下步 骤： [0044] (1)通过视频的形式采集车道数据，并保存数据用于后续处理； [0045] 通过摄像头等录像设备，采集实际行车视频数据，并按照时间戳命名保存文件。或 者 加载需要的视频文件。 [0046] (2)对于步骤(1)得到的视频数据进行分解处理得到图片，并根据数据集要求批量 调整图 片尺寸、格式等； [0047] 神经网络需要的输入数据一般是图片数据集，因此要把采集得到的视频数据转化 为图片 数据，但是由于视频帧间相似性，所以一般并不需要全部图片作为训练数据集。因 此，需要 设定一个间隔N，每隔N帧图像保存一张图片。N的选取可以有以下两种选择： [0048] (2.1)手动选择一个固定的值N，在上述视频分解过程中每隔N帧保存一张图片，并 按 顺序自动编号命名图片 [0049] (2.2)把待处理的视频的每一帧图像作为输入送入预训练的神经网络模型，神经 网络模  型可以为lanenet网络，LSTR网络等车道线检测网络，但并不限于这两种神经网络 模型。经 过网络预测，得到车道线数据点。其中把视频的第一帧图像作为起始参考帧，并直 6 6 CN 113807173 A 说明书 4/7页 接保存第 一帧图像，同时保存第一帧的预测出的车道线数据点。接下来根据每一帧图像的 预测数据点 与参考帧的预测数据点的相似度决定是否保存该帧图像。 [0050] 若当前帧图像的预测点与参考帧图像的预测点相似度小于阈值，则直接跳过该 帧，继续 处理下一帧；若当前帧图像的预测点与参考帧图像的预测点相似度大于阈值，则 保存该帧图 像，同时更新当前帧为参考帧。相似度根据下式进行计算： [0051] [0052] 其中，S为不同图像帧上预测点的相似度，n为关键点的个数， 为当前图像帧上关 键点  的横坐标，y为当前图像帧上关键点的纵坐标，x′为参考帧上关键点的横坐标，y′为 i i i 参考帧上 关键点的纵坐标，λ为比例系数，一般取大于0.5的值。 [0053] (3)对显示图像进行自适应增强，减小人工识别车道线的难度，加快标注速度； [0054] 实际交通场景中由于光照、透视效应等一系列因素的影响，某些车道线难以识别。 在标 注过程中需要花费很多时间去精准标注，效率低下。针对这样的难例样本，进行图像 自适应 增强。图像自适应增强只针对标注时显示的图像，而不更改原数据，因为数据集往 往需要真 实的包括多种极端情况的数据。 [0055] 图2为真实交通场景中由于光照不足造成的车道线难以准确标注的示例，图3为真 实交 通场景中由于透视效应造成的车道线远端难以准确标注的示例。 [0056] 为了解决上述问题，采用如下方法： [0057] (3.1)根据预先训练的神经网络划分出车道线] 由于障碍物遮挡、天空亮度一般高于路面等原因，可能造成图像亮度不均匀。若使 用整 幅图像来计算亮度可能造成感兴趣区域(一般为路面区域)亮度过低的情况下，整体 亮度并 不低，因此单独计算感兴趣区域的亮度。 [0059] 感兴趣区域划分方法为，把当前图像作为输入送入预训练的神经网络，把神经网 络预测  出的车道线的最上方点所在的水平线作为水平分割线，此水平分割线下方部分即 为感兴趣区 域。 [0060] (3.2)计算感兴趣区域图像的亮度值，若小于阈值对整个图像进行亮度增强； [0061] 首先把图像由RGB格式转为HSV格式，HSV格式更接近人类对彩色的感知，并且其V  通道可单独表示明度。因此使用V通道的值来表示亮度，当图像按照步骤(3.1)划分出感兴 趣  区域后，计算感兴趣区域的V通道值，当其小于设定的阈值时，即认为亮度偏低，进行图 像  亮度增强，可使用Retinex相关算法如MSRCR(Multi‑Scale Retinex with  Color  Restoration)、 MSRCP(multi‑scale Retinex with chromaticity preservation)等进行 亮度提升。 [0062] (3.3)若车道远端间隔小于阈值，则通过逆透视变换得到俯视图，方便标注。 [0063] 如图3所示，真实交通场景中由于透视效应，车道远端通常几乎交汇在一起，在数 据标 注过程中无法准确、快速的对其进行标注。通过预先训练的神经网络得到车道数据， 根据不  同车道远端数据点的距离，若距离小于阈值，则进行逆透视变换得到俯视图，在逆 透视变换 得到的俯视图中，不同的直线车道线之间几乎平行，弯道车道线曲率减小，有利 于迅速、准 确的进行车道标注。 7 7 CN 113807173 A 说明书 5/7页 [0064] 逆透视变换坐标公式为： [0065] x＝x′/w′ [0066] y＝y′/w′ [0067] [0068] x和y为逆透视变换后的坐标，u，v为原始图片坐标，[a ～a ]为对应的变换矩阵。 11 33 [0069] 由四组原图和转换后对应的坐标点可解上式。通过预先训练的车道线网络预测出 车道数 据点，根据最左侧车道上下两个端点坐标和最右侧车道的上下两个端点坐标共四 个坐标和固 定的四个坐标点作为转换后四个顶点。 [0070] (4)设置标注数据的格式，对要标注的车道数、每条车道标注点数及标注间隔类型 进行 设置； [0071] 根据不同的数据集要求，可设置不同的数据标注格式。某些场景需要标出尽可能 多的车 道，某些场景需要标出4条车道(当前车道和用于变道参考的当前车道左右的两条 车道)，还 有可能只需标出当前的2条车道。 [0072] 还需设置单条车道上的标注点个数，一般来说越多的标注点个数越能精确的表示 车道线， 但同时也越需要更多的人力来标注。 [0073] 最后还需要设置间隔方式，可选择等间隔标注或者上密下疏间隔标注。等间隔标 注是指 每条车道的标注点间隔都是相等的，可根据标注点个数和图片大小进行自动计算 间隔；上密 下疏间隔是指标注点之间间隔从上到下依次增大，因为图像上部的车道线部分 经常涉及车道 转弯的情况，需要更多的标注点来精确表示；而图像下部的车道线常近似于 直线，用较少标 注点即可精确表示。采用上密下疏间隔可在保持标注精度基本不变的情况 下一定程度上减少 标注点个数，减小工作量。上密下疏间隔可根据下式计算： [0074] [0075] 其中， 为从上往下第i个标注点的纵坐标，y 为最上边标注点的纵坐标，H为待标 0 注图 像的高，n为单条车道上标注点的个数。 [0076] (5)进行车道数据的自动标注，利用深度学习技术根据设置的标注格式预测出关 键点； [0077] 使用大量数据训练的神经网络模型如lanenet、LSTR等网络模型(显然不限于此两 种模型) 作为预训练模型，用于图像的自动标注。把待标注图像作为输入送入预训练网络， 得到原始 预测结果。再对原始预测结果进行处理，得到如步骤(4)中设置的标注格式的数 据。 [0078] 在本实施例中，原始预测结果为一系列数据点拟合成的车道曲线)中 的设置， 根据单条车道上的点数和间隔类型，在该车道曲线上每个特定间隔标注出一个标 注点。使用 此方法即可快速、自动的标注出一系列符合步骤(4)设置的标注点。 [0079] (6)根据所述的神经网络预测出的关键点，进行人工确认或修改。 [0080] 由于神经网络预测的结果无法保证绝对准确，所以仍需要人工进行确认和修改。 由一般 经验来看，由于图像上半部分车道线所占像素少，且经常涉及到转弯、透视造成的 8 8 CN 113807173 A 说明书 6/7页 车道交汇 等现象，因此图像上半部分自动标注的点准确率相对较低。 [0081] 步骤(5)自动标注得到的一系列标注点，经由人工判断。 [0082] (6.1)若整体效果较好，则直接保存相应的标注点即可。保存过程为获取标注点相 对于当 前图像的坐标，再计算当前坐标点相对于原图尺寸的坐标，因为在步骤(3)中图像 自适应增强 过程中更改了显示图像的尺寸等图像信息，因此要计算相对于原图尺寸的坐 标。根据以下公 式计算相对于原图的坐标： [0083] [0084] [0085] 其中x、y为相对于原图的坐标，x′、y′为相对于当前显示图的坐标，w为原图的宽，h  为原图的高，w′为当前显示图的宽，h′为当前显示图的高。 [0086] 把根据上式计算得到的相对于原图的坐标保存到json文件中。 [0087] (6.2)若部分自动标注点效果不好，则手动修改此部分标注点。修改方式为使用鼠 标拖动 标注点到正确位置。 [0088] (6.3)若自动标注点整体效果较差，则直接手工半自动重新标注。 [0089] 首先清楚步骤(5)中的自动标注点，手动标注任一条车道线的最上方标注点，标注 完该点 后，根据步骤(4)中设置的标注间隔、标注点个数等数据，自动生成n条水平辅助线， 每个标 注点完成后，下一条辅助线上自动生成一个待确认的标注点随着鼠标在辅助线上 滑动。即该 标注点的竖直方向已经确定，只需确认水平方向即可，相比于lableImg等标注 方式，省去了 一个竖直方向自由度，标注效率更高。在本实施例中，上密下疏间隔的手工半 自动标注如图 4所示。 [0090] 本发明还提供了一种车道数据集构建、标注系统，其整体结构如图5所示，包括如 下模 块： [0091] 数据采集模块，用于采集视频数据，并根据时间戳命名保存，防止文件名冲突造成 数据 覆盖或丢失； [0092] 数据分解与处理模块，用于根据设定的或神经网络自动预测的帧间隔N，每个N帧 保存 一张待标注的视频帧。不同数据集要求不同的格式和尺寸的图片数据，此模块还可以 对图像 进行批量尺寸和格式调整； [0093] 自适应增强模块，用于对不易识别的难例待标注图像在显示时进行亮度自适应增 强以及 逆透视转换，加快标注速度和标注准确度； [0094] 标注格式设置模块，用于对标注格式进行设置，包括单条车道线上标注点个数、车 道线 条数、标注间隔方式等； [0095] 自动标注模块，用于根据预训练的神经网络模型预测的结果进行车道的自动化标 注； [0096] 人工确认与修改模块，用于对自动标注模块标注的结果进行手动修改或重新手工 半自动 标注。其中手工半自动标注可根据标注格式设置模块输出的设置项自动生成水平 辅助线，有 利于加快标注速度。 [0097] 标注格式转化模块，用于对点标注格式的数据进行转化，可通过曲线页 标注或 通过计算闭合区域转为语义分割标注格式。 10 10 CN 113807173 A 说明书附图 1/3页 图1 11 11 CN 113807173 A 说明书附图 2/3页 图2 图3 12 12 CN 113807173 A 说明书附图 3/3页 图4 图5 13 13

　　2、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问加。

　　3、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。

　　4、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

　　小学科学新教科版三年级下册2.1.不同种类的动物 教学课件（2026春）.pptx

　　新概念英语第三册 精品课件-Lesson 48 The silent village.pptx

　　球速体育平台

　　原创力文档创建于2008年，本站为文档C2C交易模式，即用户上传的文档直接分享给其他用户（可下载、阅读），本站只是中间服务平台，本站所有文档下载所得的收益归上传人所有。原创力文档是网络服务平台方，若您的权利被侵害，请发链接和相关诉求至 电线) ，上传者