RetinaFace: Single-stage Dense Face Localisation in the Wild（论文阅读笔记）

女爷i 2021-11-16 06:12 276阅读 0赞

# 摘要 #

虽然在不受控制的人脸检测方面已经取得了巨大的进步，但是在wilder上准确有效的人脸定位仍然是一个公开的挑战。本文提出了**一种鲁棒的single stage人脸检测器RetinaFace**，它利用**联合的额外监督和自监督多任务学习**的优点，对不同尺度的人脸进行像素级定位。具体来说，我们在以下五个方面做出了贡献：**(1)我们在WILDER FACE数据集中手工标注了5个人脸Landmark**，并在这个额外的监督信号的帮助下，观察到在hard face检测的显著改善。**(2)进一步添加自监督网格解码器（mesh decoder）分支，与已有的监督分支并行预测像素级的3D形状人脸信息**。**(3)在WILDER FACE hard测试集上，RetinaFace的平均精度(AP)比最先进的平均精度(AP)高出1.1%(达到AP = 91.4%)**。**(4)在IJB-C测试集上，RetinaFace使现有方法(ArcFace)能够改进人脸验证结果(FAR=1e-6, TAR=89.59%)**。**(5)采用轻量级backbone网络，RetinaFace可以在单个CPU核上实时运行vga分辨率图像。**

# 1，引言 #

**人脸自动定位**是人脸图像分析的前提步骤，在人脸属性(如表情\[64\]、年龄\[38\])、人脸识别\[45、31、55、11\]等应用中都是必不可少的。人脸定位的狭义定义可以参考传统的人脸检测\[53,62\]，**其目的是在没有任何尺度和位置先验的情况下估计人脸边界框**。然而，本文提出的人脸定位的广义定义包括人脸检测\[39\]、人脸对齐\[13\]、像素化人脸解析\[48\]和三维密集对应回归\[2,12\]。这种密集的人脸定位为所有不同的尺度提供了精确的人脸位置信息。

受通用目标检测方法的启发\[16、43、30、41、42、28、29\]，融合了深度学习的最新进展，人脸检测最近取得了显著进展\[23、36、68、8、49\]。与一般的目标检测不同，**人脸检测具有较小的比率变化(从1:1到1:1.5)，但更大的尺度变化(从几个像素到数千像素)。**目前最先进的方法\[36,68,49\]集中于单阶段\[30,29\]设计，该设计密集采样人脸在特征金字塔\[28\]上的位置和尺度，与两阶段方法相比，表现出良好的性能和更快的速度\[43,63,8\]。在此基础上，我们改进了单阶段人脸检测框架，并利用强监督和自监督信号的多任务损失，提出了一种最先进的密集人脸定位方法。我们的想法如图1所示。

人脸检测训练过程通常同时包含分类和box回归损失\[16\]。**Chen等人\[6\]（即MTCNN网络**）在观察到对齐后的人脸形状为人脸分类提供了更好的特征的基础上，提出了将人脸检测和对齐结合在联合级联框架中。受\[6\]的启发，MTCNN\[66\]和STN\[5\]同时检测人脸和五个人脸Landmark。由于训练数据的限制，JDA\[6\]、MTCNN\[66\]和STN\[5\]还没有验证微小的人脸检测是否可以从额外的五个人脸Landmark的监督中获益。**我们在本文中所要回答的问题之一是，能否利用由5个人脸Landmark构成的额外监控信号，在WIDER FACE的hard测试集\[60\]上推进目前最好的性能(90.3%\[67\])**。

在Mask R-CNN\[20\]中，通过添加一个用于预测目标Mask的分支，与现有的用于边界框识别和回归的分支并行，显著提高了检测性能。这证实了密集的像素级注释也有助于改进检测。遗憾的是，对于WIDER FACE具有挑战性，无法进行密集的人脸注释(以更多的Landmark或语义段的形式)。由于有监督的信号不易获得，问题是我们能否应用无监督的方法进一步提高人脸检测。

在FAN\[56\]中，提出了一种anchor-level注意图（attention map）来改进遮挡人脸检测。然而，所提出的注意图相当粗糙，不包含语义信息。近年来，自监督三维形态模型\[14,51,52,70\]在wilder实现了很有前景的三维人脸建模。特别是Mesh解码器\[70\]利用节点形状和纹理上的图形卷积\[10,40\]实现了超实时速度。However, **应用mesh 解码器到单级探测器的主要挑战 \[70\]是**： (**1) 相机参数难以准去地估计 , 和 (2) 联合潜在形状和纹理表示是从单个特征向量（特征金字塔上的1\*1 Conv）而不是RoI池化的特征预测，这表示特征转换的风险。**本文采与现有监督分支并行的用网格解码器\[70（mesh decoder）\]通过自监督学习预测像素级的三维人脸形状。

综上所述，我们的主要贡献如下:  
1，在单阶段设计的基础上，**提出了一种新的基于像素级的人脸定位方法RetinaFace，该方法采用多任务学习策略**，**同时预测人脸评分、人脸框、五个Landmark以及每个人脸像素的三维位置和对应关系。**  
2，在WILDER FACE hard子集上，**RetinaFace的性能比目前最先进的两阶段法(ISRN\[67\])的AP高出1.1% (AP等于91.4%)**。  
3，在IJB-C数据集上，**RetinaFace有助于提高ArcFace的\[11\]验证精度(FAR=1e-6时TAR等于89:59%)**。这表明更好的人脸定位可以显著提高人脸识别。  
4，通过**使用轻量级backbone网络，RetinaFace可以实时运行**  
5，已经发布了额外的注释和代码，以方便将来的研究

# 2，相关工作 #

**图像金字塔 vs .特征金字塔：**滑动窗口范例，其中分类器应用于密集的图像网格，可以追溯到过去的几十年。Viola-Jones\[53\]的里程碑式工作探索了级联链，实时有效地从图像金字塔中剔除假人脸区域，使得这种尺度不变的人脸检测框架被广泛采用\[66,5\]。尽管图像金字塔上的滑动窗口是主要的检测范式\[19,32\]，随着特征金字塔\[28\]的出现，多尺度特征图上的滑动anchor\[43\]\[68,49\]迅速主导了人脸检测。

**两阶段vs .单阶段：**目前的人脸检测方法继承了一般目标检测方法的一些成果，可分为两类：两阶段方法(如Faster R-CNN\[43,63, 72\])和单阶段方法(如SSD\[30,68\]和RetinaNet\[29,49\])。两阶段方法采用了一种具有高定位精度的“proposal与细化”机制。相比之下，单阶段方法密集采样人脸位置和尺度，导致训练过程中positive和negative样本极不平衡。为了解决这种不平衡，广泛采用了采样\[47\]和重加权\[29\]方法。与两阶段方法相比，单阶段方法效率更高，召回率更高，但存在假阳性率更高和定位准确性降低的风险。

**上下文建模：**利用特征金字塔上的上下文模块，增强模型捕捉微小人脸\[23\]、SSH\[36\]和PyramidBox\[49\]的上下文推理能力，扩大欧几里德网格的感受野。为了提高CNNs的非刚性变换建模能力，可变形卷积网络(deformable convolution network, DCN)\[9,74\]采用了一种新的可变形层对几何变换进行建模。WILDER FACE 2018\[33冠军方案\]表明，为了提高人脸检测的性能，刚性(expansion)和非刚性(deformation)上下文建模是互补和正交的。

**多任务学习：**联合人脸检测与对齐被广泛应用\[6,66,5\]，对齐后的人脸形状为人脸分类提供了更好的特征。在Mask R-CNN\[20\]中，通过添加一个并行分支来预测目标Mask，显著提高了检测性能。Densepose\[1\]采用Mask-RCNN的结构，在每个选定区域内获得密集的part标签和坐标。然而，\[20,1\]中的dense回归分支是通过监督学习训练的。此外，dense分支是一个小的FCN应用于每个RoI预测像素到像素的密集映射。

# 3，RetinaFace #

## 3.1 对于任何训练anchor i ，我们减少以下多项任务的损失: ##

(1)人脸分类损失![20190730181812467.png][], 其中![20190730181836668.png][] 是 anchor i 为人脸的预测概率 , 对于positive anchor ![20190730181909160.png][]是1，对于negative anchor为0。分类损失 ![20190730181931837.png][] 是**二类 softmax 损失**。(2) 人脸 box回归损失为 ![20190730181955569.png][] , 其中 ![20190730182034196.png][] 和![20190730182136715.png][] 分别表示与正 anchor 相关的预测框和 ground truth 框的坐标。我们按照\[16\]对box回归目标(即中心位置、宽度和高度)进行标准化，并使用 ![20190730182320610.png][] 。其中 R是\[16\]中定义的**鲁棒损失函数 (smooth-L1)**。(3)人脸 Landmark 回归损失 ![20190730182444993.png][], 其中 ![20190730182501197.png][] ![20190730182520916.png][] 并且 ![2019073018255588.png][]。表示与正anchor相关的五个预测的人脸Landmark和ground truth。与box中心回归相似，五个人脸Landmark回归也采用了基于anchor中心的目标归一化。(4) Dense 回归损失![20190730182627743.png][] (参考 Eq. 3 ). 损失平衡参数参数 ![20190730182648357.png][] 设置 为 0.25 , 0.1 和 0.01 , 这 意味着我们**从监督信号中增加更好的盒子和Landmark定位的重要性。**

## 3.2，Dense 回归分支 ##

**Mesh 解码器：**我们直接使用\[70,40\]中的Mesh解码器(mesh convolution and mesh up-sampling) ，这是一种基于**快速局部谱滤波\[10\]的图卷积方法**。**为了实现进一步的加速**，我们还使用了类似于\[70\]中方法的**联合形状和纹理解码器**，而不是只解码形状的\[40\]。

下面我们将简要解释图卷积的概念，并概述为什么它们可以用于快速解码。如图3(a)所示，**二维卷积运算**是欧几里德网格感受野内的“核加权邻域加和”。同样，**图卷积**也采用了图3(b)所示的相同概念。然而，**邻域距离是通过计算连接两个顶点的最小边数来计算的。**我们遵循\[70\]来定义一个着色的脸部网格（mesh）![20190730183135453.png][], 其中 ![20190730183150850.png][] 是一组包含联合形状和纹理信息的人脸顶点集合，![20190730183221288.png][] 是一个稀疏邻接矩阵，它编码了顶点之间的连接状态。图拉普拉斯行列式定义为![20190730183251391.png][]，其中![20190730183304294.png][]是一个 对角 矩阵 ![20190730183316858.png][]。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDY3MTQyNQ_size_16_color_FFFFFF_t_70][]

**图3。(a)二维卷积是欧氏网格感受野内核加权邻域和。每个 卷积 层 有![20190730183342662.png][]参数.(b)图卷积也采用核加权邻域和的形式，但邻域距离是通过计算连接两个顶点的最小边数来计算的。每个卷积 层 有 ![20190730183417837.png][]![20190730183438871.png][]参数 和 切比雪夫系数![20190730183458663.png][]![20190730183515220.png][] 在秩 为K时 截断。**

遵循\[10, 70 \], 图卷积的kernel ![20190730183615526.png][] 可以表示为以 K 为截断的递归Chebyshev多项式

![20190730183627269.png][]

其中，![20190730183650974.png][] 是一个切比雪夫系数向量，![20190730183720552.png][] 是在缩放的拉普拉斯 ![20190730183812860.png][] 中评估 k 阶的切比雪夫多项式。定义 ![20190730183841150.png][]![20190730183856140.png][]，循环计算 ![20190730184017522.png][] ![2019073018403465.png][] 。其中![20190730184058195.png][]， ![2019073018412042.png][]。整个滤波操作非常有效，包括 K 个稀疏矩阵-向量乘法和一个密集矩阵-向量乘法 ![20190730184157621.png][]

**可微的渲染器：**在预测了形状和纹理参数![20190730184356787.png][] 后，我们利用高效可微三维网格渲染器\[14\]将彩色网格![20190730184427437.png][]投影到二维图像平面上，相机参数![20190730184443487.png][](即相机位置、相机姿态和焦距)和照明参数![20190730184521542.png][](即点光源的位置、颜色值及环境光的颜色)。

**Dense回归损失：**一旦我们得到渲染的2D人脸 ![20190730184638605.png][];，我们使用以下函数比较渲染后的人脸与原始2D人脸的像素差异：

![20190730182810392.png][]

其中 W和H分别表示anchor crop I\*i,j的宽度和高度。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDY3MTQyNQ_size_16_color_FFFFFF_t_70 1][]

**图1所示。提出的单阶段像素级人脸定位方法，在现有的box分类和回归分支的基础上，采用了额外监督和自监督的多任务学习。每个正anchor输出(1)一个人脸评分，(2)一个人脸框，(3)五个人脸Landmarks，(4)投影在图像平面上的密集三维人脸顶点。**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDY3MTQyNQ_size_16_color_FFFFFF_t_70 2][]

**图2。单阶段密集人脸定位方法的概述。RetinaFace是基于具有独立上下文模块的特征金字塔设计的。根据上下文模块，我们计算每个anchor的多任务损失。**

# 4，实验 #

## 4.1 数据集 ##

WIDER FACE数据集\[60\]包括**32203幅图像**和**393703个人脸边界框**，在尺度、姿态、表情、遮挡和光照方面具有高度可变性。通过随机抽取61个场景类别，将WIDER FACE数据集分为训练(40%)、验证(10%)和测试(50%)子集。基于EdgeBox的检出率\[76\]，通过逐步合并硬样本来定义三个难度等级(Easy、Medium和Hard)。

**额外的标注：**见图4和表1,我们定义五个级别的脸图像质量(根据在人脸上有多难注释Landmark)并在WIDER FACE的训练和验证子集上注释五个人脸Landmark(即眼中心,鼻子和嘴角)。我们总共在训练集上标注了**84.6k个人脸**，在验证集上标注了**18.5k个人脸**。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDY3MTQyNQ_size_16_color_FFFFFF_t_70 3][]

**图4。我们在可以从WIDER FACE训练和验证集进行注释(我们称它们为“可注释的”)的人脸上添加额外的5个人脸Landmark注释。**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDY3MTQyNQ_size_16_color_FFFFFF_t_70 4][]

**表1。五级人脸图像质量。在无可争辩的类别中，人们可以在不费力的情况下找到Landmark。在可注释的类别中，查找大致位置需要一些努力。**

## 4.2 实现细节 ##

**特征金字塔：**RetinaFace采用从P2到P6的特征金字塔levels，其中P2到P5通过使用自顶向下和横向连接计算相应的ResNet残差阶段(C2到C5)的输出，如\[28,29\]。P6是在C5处通过一个3x3卷积 stride=2 计算得到到。C1-C5是在ImageNet-11k数据集上预先训练好的ResNet-152\[21\]分类网络，P6是用“Xavier”方法\[17\]随机初始化的。

**上下文模块：**受 SSH \[36\] 和 PyramidBox \[49\]启发, 我们 还 在五个特征金字塔levles上应用 独立 的 上下文 模块来提高 感受野并增加网络背景建模能力。教训 冠军 WIDER Face Challenge 2018 \[33\], 我们 也 替换 所有 3 卷积 layerswithin 外侧 连接 和 上下文 模块 变形 卷积 网络 (DCN) \[9, 74 \], 进一步 加强 非 刚性 的 上下文 建模 capacity.从WIDER Face Challenge 2018 \[33\]的冠军中汲取教训，我们还通过可变形卷积网络（DCN）\[9,74\]替换横向连接和上下文模块中的所有3x3卷积层，这进一步加强了非刚性的上下文建模能力。

**损失头：**对于**负acnhors，只应用分类损失**。对于**正anchors，计算了多任务损失**。我们使用 一 个跨越不同特征图![20190730195855502.png][]，![20190730195910889.png][] ![20190730195924138.png][] 的共享损失头 (1x1 conv);对于网格解码器(mesh decoder)，我们采用了预训练模型\[70\]，这是一个很小的计算开销，允许有效的推理。

**Anchor 设置：**如表2所示，我们在特性金字塔levels(从P2到P6)上使用特定于尺度的anchor，类似\[56\]。在这里，P2被设计成通过平铺小anchor来捕捉微小的人脸，这样做的代价是花费更多的计算时间和更多的误报风险。我们将scale step设置为![20190730200048175.png][]，aspect ratio设置为1:1。输入 图像 大小 为 640\*640 , anchors可以 覆盖 从16x16 到 406x406的特征金字塔levels。总共有102300个anchors，其中75%来自P2。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDY3MTQyNQ_size_16_color_FFFFFF_t_70 5][]

**表2。特征金字塔的细节，RetinaNet中的步幅大小，ancho配置r。输入图像为 640\*640 ，共有102300 个anchors， 75%的anchors平铺在P2上。**

在训练过程中，当IoU大于0.5时，anchors匹配到ground-truth box，当IoU小于0.3时匹配到background。不匹配的锚在训练中被忽略。由于大多数anchor(> 99%)在匹配步骤后为负，我们采用标准OHEM\[47,68\]来缓解正、负训练样本之间的显著不平衡。更具体地说，我们根据损失值对负锚进行排序，并选择损失最大的anchors，这样负样本和正样本之间的比例至少为3:1。

**数据增强：**由于WIDER FACE训练集中大约 有 20% 的小人脸 , 我们 遵循 \[68, 49 ) 并从 原始 图像随机crop方形patches并调整 这些 patches到 640\*640 产生 更 大 的 训练人脸。更具体地说，在原始图像的短边\[0.3,1\]之间随机裁剪正方形patches。对于crop边界上的人脸，如果面盒的中心在crop patches内，则保持面boxes的重叠部分。除了随机裁剪，我们还通过0.5概率的随机水平翻转和光度颜色蒸馏来增加训练数据\[68\]。

**训练细节：**我们使用 SGD 优化 器 (momentum为0.9, 权重衰减为0.0005, batch size为8\*4 )训练 RetinaFace 。采用 四 个 NVIDIA Tesla P40 (24GB) GPUs.学习速率从10-3,在5个epoch后上升到10-2，然后在第55和第68个epochs时除以10。训练过程在第80个epochs结束。

**测试细节：**对于WIDER FACE的测试，我们遵循\[36,68\]的标准做法，采用flip以及多尺度(图像的短边在\[500, 800, 1100, 1400, 1700\])策略。使用IoU阈值为0.4，将Box voting\[15\]应用于预测的人脸boxes的并集。

[20190730181812467.png]: https://img-blog.csdnimg.cn/20190730181812467.png
[20190730181836668.png]: https://img-blog.csdnimg.cn/20190730181836668.png
[20190730181909160.png]: https://img-blog.csdnimg.cn/20190730181909160.png
[20190730181931837.png]: https://img-blog.csdnimg.cn/20190730181931837.png
[20190730181955569.png]: https://img-blog.csdnimg.cn/20190730181955569.png
[20190730182034196.png]: https://img-blog.csdnimg.cn/20190730182034196.png
[20190730182136715.png]: https://img-blog.csdnimg.cn/20190730182136715.png
[20190730182320610.png]: https://img-blog.csdnimg.cn/20190730182320610.png
[20190730182444993.png]: https://img-blog.csdnimg.cn/20190730182444993.png
[20190730182501197.png]: https://img-blog.csdnimg.cn/20190730182501197.png
[20190730182520916.png]: https://img-blog.csdnimg.cn/20190730182520916.png
[2019073018255588.png]: https://img-blog.csdnimg.cn/2019073018255588.png
[20190730182627743.png]: https://img-blog.csdnimg.cn/20190730182627743.png
[20190730182648357.png]: /images/20211116/5a2d516425f449aba0d3cc4a7d9af312.png
[20190730183135453.png]: https://img-blog.csdnimg.cn/20190730183135453.png
[20190730183150850.png]: https://img-blog.csdnimg.cn/20190730183150850.png
[20190730183221288.png]: https://img-blog.csdnimg.cn/20190730183221288.png
[20190730183251391.png]: https://img-blog.csdnimg.cn/20190730183251391.png
[20190730183304294.png]: https://img-blog.csdnimg.cn/20190730183304294.png
[20190730183316858.png]: /images/20211116/89051a9eda2349879cbadd45c7080d27.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDY3MTQyNQ_size_16_color_FFFFFF_t_70]: /images/20211116/66f6da3d7e8149b9a814d11458a42023.png
[20190730183342662.png]: https://img-blog.csdnimg.cn/20190730183342662.png
[20190730183417837.png]: https://img-blog.csdnimg.cn/20190730183417837.png
[20190730183438871.png]: https://img-blog.csdnimg.cn/20190730183438871.png
[20190730183458663.png]: https://img-blog.csdnimg.cn/20190730183458663.png
[20190730183515220.png]: /images/20211116/93b83052eff145eda254976c2d53cc7b.png
[20190730183615526.png]: /images/20211116/e7478f12e8504f229b0af8fd6d7bbe00.png
[20190730183627269.png]: /images/20211116/edd80feec56d414ea54d0ad93fa0f8c0.png
[20190730183650974.png]: https://img-blog.csdnimg.cn/20190730183650974.png
[20190730183720552.png]: https://img-blog.csdnimg.cn/20190730183720552.png
[20190730183812860.png]: https://img-blog.csdnimg.cn/20190730183812860.png
[20190730183841150.png]: https://img-blog.csdnimg.cn/20190730183841150.png
[20190730183856140.png]: https://img-blog.csdnimg.cn/20190730183856140.png
[20190730184017522.png]: https://img-blog.csdnimg.cn/20190730184017522.png
[2019073018403465.png]: https://img-blog.csdnimg.cn/2019073018403465.png
[20190730184058195.png]: https://img-blog.csdnimg.cn/20190730184058195.png
[2019073018412042.png]: https://img-blog.csdnimg.cn/2019073018412042.png
[20190730184157621.png]: /images/20211116/0d279a38a2be41fcaea5d5417d0ba946.png
[20190730184356787.png]: https://img-blog.csdnimg.cn/20190730184356787.png
[20190730184427437.png]: https://img-blog.csdnimg.cn/20190730184427437.png
[20190730184443487.png]: https://img-blog.csdnimg.cn/20190730184443487.png
[20190730184521542.png]: /images/20211116/b92a6e3dc509426e89edaa239e2f9e5f.png
[20190730184638605.png]: /images/20211116/a29cfd63fb6c426fb6a295a0e8a26b2a.png
[20190730182810392.png]: /images/20211116/0396c1f9953944fba46147e419376df5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDY3MTQyNQ_size_16_color_FFFFFF_t_70 1]: /images/20211116/7a1d8067affc4d1a88e97b850667da29.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDY3MTQyNQ_size_16_color_FFFFFF_t_70 2]: /images/20211116/151246e957674333bda6a3048198b665.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDY3MTQyNQ_size_16_color_FFFFFF_t_70 3]: /images/20211116/a9eef44e661b4857bd1391273a6ec954.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDY3MTQyNQ_size_16_color_FFFFFF_t_70 4]: /images/20211116/0deafa0080a0445e86264a7e0a72f90c.png
[20190730195855502.png]: https://img-blog.csdnimg.cn/20190730195855502.png
[20190730195910889.png]: https://img-blog.csdnimg.cn/20190730195910889.png
[20190730195924138.png]: /images/20211116/4e09fd7d2a1b4d979ecc400db289f0e5.png
[20190730200048175.png]: /images/20211116/a7976b6c03594078b5d9ec254d17875c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDY3MTQyNQ_size_16_color_FFFFFF_t_70 5]: /images/20211116/0fe7c84b242c4c8ca911ec19736ef00e.png