摘要：
Deep learning has reshaped the research landscape in this area since 2015 through the ability to automatically learn discriminative representations.
深度学习引入步态识别是2015年，好处是可自动学习具有高可辨识性的表征。
1.Introduction 简介
Gait information can be captured using a number of sensing modalities such as wearable sensors attached to the human body, for instance accelerometers, gyroscopes, and force and pressure sensors
步态信息可以通过一系列可穿戴设备上的传感器获取，比如加速度计、陀螺仪和压力传感器等。
Non-wearable gait recognition systems predominantly use vision, and are therefore mostly known as vision-based gait recognition.
非穿戴的步态识别目前均是以视觉为基础开展的。
The performance of vision-based gait recognition systems,hereafter only referred to only as gait recognition,
视觉步态识别的干扰因素：1.外形干扰（帽子、背包）；2.不同的相机视角；3.遮挡；4.背景环境的干扰；5.不同亮度的光照； 

In recent years, there has been a clear trend in migrating from non-deep methods to deep learning-based solutions for gait recognition.

近些年来，步态识别的研究逐渐从非深度学习向深度学习转变。
followed by the first shallowneural network for gait recognition in 2008
2008首次用浅层网络实现了步态识别
The current state-of-the-art results on CASIA-B dataset have been reported by 3DCNNGait with a recognition accuracy of 90.4%.
目前最高水平是3DCNNGait，精度为90.4%.
body representation,temporal representation, feature representation, and neural archi-tecture,
四个维度对现状进行分类：身体表征、时序表征、特征表征和网络结构。
2 REVIEW METHODOLOGY Review的方法
基本没什么重要的内容，就是讲讲综述中论文筛选的方法与原则。
3 TEST PROTOCOLS AND DATASETS 测试的原则与数据集
3.1 Protocols 测试的协议
in the subject-dependent protocol, both the training and testing sets include samples from all the subjects. However, in the subject-independent protocol, the test subjects are disjoint from the training subjects.
步态识别的测试原则分为subject-dependent和subject-independent。subject-dependent的原则是训练集与测试集包含所有的样本。而subject-independent的训练集与测试集是相对独立的。
Finally, a classifier is used to compare the probe features with the gallery ones in order to identify the most similar gait patterns and label them as being from the same identity.
用训练好的模型，提取待检测目标的特征，并与gallery中的特征相比较，从而通过 步态确定目标的身份。
Gait recognition results in the literature have all been measured and presented using rank-1 recognition accuracy.
目前所有的文章都采用Rank-1来衡量准确率。
3.2 Datasets 数据集
These datasets cover various parameters related to acquisition viewpoints, environment conditions, and appearance of the subjects.
各数据集的差异主要表现在拍摄的视角，环境条件和人物展现的外形特征。
4 PROPOSED TAXONOMY 提出的分类法
4.1 Body Representation 形体表征
This dimension relates to the way the body is represented for recognition, which can be based on silhouettes or skeletons.
形体表征可以分为轮廓特征和骨架特征。
4.2 Temporal Representation 时序表征
Two types of representations, templates and volumes, have been commonly used in the literature.
templates和volumes是时序特征的两个主要表征方法。
Templates aggregate temporal walking information over a sequence of silhouettes in a single map, for example by averaging the silhouettes over at least one gait cycle.
Templates方法将一系列步行时的轮廓信息汇集到一张图上，如至少一个步行周期轮廓的平均图。
With respect to deep gait recognition architectures, gait silhouettes can be aggregated in the initial layer of a network.
在深度学习中，步态轮廓图从初始层输入。
Gait silhouettes can alternatively be aggregated in an intermediate layer of the network after several convolution and pooling layers , also known as convolutional template.
步态轮廓信息也可以在多次的卷积与池化层之后，在网络的中间层进行聚合，也称为卷积模板。
temporal templates include: (i) gait energy images (GEI) ; (ii) chrono gait images (CGI); (iii) frame-difference energy images (FDEI); (iv) gait entropy images (GEnI);and (v) period energy images (PEI).
步态时序模板包含五种类型：（1）步态能量图；（2）顺序步态图；（3）帧间差分能量图；（4）步态熵图；（5）周期能量图。
To preserve and learn from the order and relationship of framesin gait sequences, instead of aggregating them, sequence volume representations have be adopted.
volumn的优点就是保留了步态的序列信息和数据帧之间的关系。
in order to learn the temporal information, two different approaches have been adopted.
为了学习时序信息，一般使用两大类深度学习工具。一种是循环神经网络，直接处理轮廓序列。一种是3D卷积网络，将序列组成一个3D张量后处理。
4.3 Feature Representation 特征表征
This dimension encapsulates the region of support for representation learning, which can be either global or partial.
特征表征分为全局特征和局部特征。
Methods based on global representations tend to be more sensitive to occlusions and appearance changes
全局特征对遮挡和外表的变化较为敏感。
partial regions often maintain different contributions towards the final recognition performance, thus learning their importance can improve the overall performance of gait recognition methods
局部特征的鲁棒性更强一些。
4.4 Neural Architectures 神经网络结构
4.4.1 Convolutional Neural Networks 卷积神经网络
Convolutional neural networks (CNNs) have been used the most for gait recognition.
CNN在步态识别里面最为常用。
4.4.2 Deep Belief Networks 深度置信网络
A deep belief network (DBN) is a probabilistic generative model, composed by staking restricted Boltzmann machines(RBMs) with the aim of extracting hierarchical representations from the training data.
DBN是一个概率生成模型，通过堆叠RBM来提取训练数据中的层次特征。
DBNs have been used for gaitrecognition in [90] and [25].
DBN是通过对现有的特征进行学习，获取更多的可辨识特征。
4.4.3 Recurrent Neural Networks 循环神经网络
A layer of RNN is typically composed of several cells, each corresponding to one input element of the sequence, e.g., one frame of a gait video.
RNN的每一层由多个cell组成，每层对应输入序列数据的一个单元，比如一帧步态数据。
There have been three different approaches for using RNNs in the context of deep gait recognition systems. 
RNN在步态中的三种用法：1.直接处理骨架序列；2.与CNN混合使用；3.对步态数据分块后，各块单独使用RNN处理。
4.4.4 Deep AutoEncoders 深度自编码器
Deep auto-encoder (DAE) is a type of network that aims to extract so called bottleneck features or latent space representations, using an encoder-decoder structure.
DAE的本质就是压缩，压缩数据，压缩特征。
DAE networks are generally trained with the aim of minimizing the reconstruction error that measures the difference between the original input and the reconstructed version.
对DAE的训练就是让重构损失最小化。
4.4.5 Generative Adversarial Networks 生成式对抗网络
These networks can also be used to preserve identity information while transferring gait variations such as pose and clothing along low-dimensional manifolds in a process referred to as domain adaptation.
GAN在保留身份特征的同时，从低维流形变化的角度对数据进行变化，生成不同视角、服饰等信息的步态数据。
4.4.6 Capsule Networks 胶囊网络
Capsule Networks (CapsNet) have been proposed to address two important shortcomings in CNNs, namely the limits of scalar activations and poor information routing through pooling operations.
胶囊网络用于解决CNN的两个缺陷:数据激活受限和因池化操作导致的较少信息传递。
CapsNets are composed of capsules which are groups of neurons that explicitly encode the intrinsic viewpoint-invariant relationships available in different parts of the objects.
胶囊网络由许多胶囊组成，每个胶囊内部有一些神经元组成。这些神经元对目标不同部分内潜在的视场角不变的关系进行显著性编码。
This is in contrast to the standard pooling layers in CNNs that lose positional attributes, such as rotation, location,and scale.
传统的CNN，其池化层会丢失姿态属性，包括旋转、位置与尺寸。（胶囊网络解决了这些问题）
It then uses a CapsNet with dynamic routing to retain the relationship within each template with the aim of finding more robust features.
用胶囊网络的动态“路由”特性，保留了各时序中的关系，从而找寻更加鲁棒性的特征。
4.4.7 3D Convolutional Neural Networks 3D卷积网络
3D CNNs take the stacked gait frames in the form of a 3D tensor as input, and then use multiple 3D convolution filters and pooling operations to extract the spatio-angular representations. 
3D CNN将输入的步态序列堆叠成一个3D张量作为输入数据，再用多个3D卷积过滤器和池化操作提取空间角度特征。
The limitation of 3DCNNs for gait recognition is the lack of flexibility in processing variable length sequences.
3D卷积网络的局限性是，对可变长度序列的支持不好。
4.4.8 Graph Convolutional Networks 图卷积网络
GCNs can jointly model both the structural information and temporal relationships available in a gait sequence in order to learn discriminative and robust features with respect to camera viewpoint and subject appearance.
GCNs可以结合结构信息与时序信息，从步态序列中提取相机视角和目标外观无关的具有区别性与鲁棒性的特征。
4.4.9 Hybrid Networks 混合网络
A large number of hybrid deep networks that make use of two or more types of networks have been proposed to boost the performance of gait recognition systems.
混合深度网络是指连接两种或多种类型的网络，提升步态识别的性能。
CNN+RNN. Integration of CNNs with RNNs (notably LSTM and GRU) for learning the temporal relationships following spatial encoding is perhaps the most popular approach for spatio-temporal learning, which has also been used for gait recognition in the literature.
联合CNN和RNN应该是最流行的联合方法，旨在提取空间特征的同时，同时学习时序关系。
DAE+GAN. Recently, DAEs have been considered as the backbone of the generator and/or discriminator components in GANs for gait recognition.
目前，常用DAE当做GAN网络中的backbone。
DAE+RNNs. The combination of DAEs and RNNs has recently been proposed for generating sequence-based disentangled features using an LSTM RNN.
联合DAE和RNN一起生成具有可辨识特征的序列。
RNNs+CapsNets. Recurrently learned features obtained by RNNs can be treated as capsules, thus learning coupling weights between these capsules through dynamic routing.
目前，采用胶囊网络的结构来为RNN提取特征，为了利用胶囊间动态路由产生的权重。
5 STATE-OF-THE-ART 目前的水平
5.1 Analysis and Trends 分析与趋势
Body Representation. Silhouettes are the most widely adopted body representation for deep gait recognition,
轮廓特征是步态识别最常用的信息。
we anticipate methods based on hybrid silhouettes-skeleton body representations to gain popularity in the near future.
预计轮廓+骨架的表征法将逐渐流行起来。
Temporal Representation. Gait templates have been the most considered representation for capturing temporal information in gait sequences,
步态模板是最常用的步态时序表示法。
we anticipate that these templates gain further popularity and surpass temporal templates in the future.
预计卷积模板将在今后更为普遍，超过时序模板。
Feature Representation. Our analysis shows that over 87% of the available methods are based on global feature representations, where the deep features are learned by considering the gait information as a whole.
全局特征的使用更加普遍，包括深度特征。
The performance of such techniques points to promising potential inpartial representation learning for discriminating key gait features.
新的文献表明，局部特征在分辨步态特征的方面具有较大的潜力。
Neural Architectures.  2D CNNsare the most widely used DNN type
2D CNN是最流行的深度神经网络模型。
3D CNNs and GANs are the next popular categories, 
3D CNNs和GANs次流行。
DAEs, RNNs, CapsNets, DBNs, and GCNs are less considered among DNNs,
剩下几个类型的网络使用较少。
CNN-RNN combinations are the most widely adapted approach
混合模型中，CNN+RNN目前是最流行的。
We expect that hybrid methods that make use of two or more types of DNN attract more attention in the near future and demonstrate robust performance in the field.
预计混合模型将在今后更加的流行。
Loss Functions. Among the single loss functions, cross-entropy  has been the most widely adopted with 20% of solutions having used it.
单一损失函数中，交叉熵用的最多。
Triplet loss is the next popular type
多损失函数其次。
Datasets. We observe that CASIA-B is the most widelyused dataset. it provides a large number of samples with variations in carrying and wearing conditions.
CASIA-B是最常用的步态识别数据集。数据集的特点是包含很多不同的携带和穿着情况。
we therefore found OU-ISIR to be the second most popular dataset having been used by 40% of the solutions.
OU-ISIR是第二大流行的数据集。
we anticipate that this dataset will become the standard benchmark dataset for gait recognition in the near future,
预计CASIA-E将成为最流行的数据集。
5.2 Performance Comparison 性能比较
The results show that the method proposed in [35] currently provides the best recognition results on CASIA-B (average performance result of 90.4%) and OU-ISIR (performance result of 99.9%). Concerning the OU-MVLP dataset, results show the superiority of the method proposed in [33] (performance result of 89.18%) over other methods.
主流方法的识别率都已经很高了。
This analysis reveals the effectiveness of hybrid approaches, in term of either neural architectures as well as loss functions, for achieving strong performance in the area.
作者对混合模型的前景较为乐观。
6 CHALLENGES AND FUTURE RESEARCH DIRECTIONS 挑战与未来的研究方向
6.1 Disentanglement 解耦
Complex gait data arise from the interaction between many factors such as occlusion, camera view-points, appearance of individuals, sequence order, body part motion, or lighting sources present in the data.
一大挑战是步态数据中的各种干扰，包含遮挡、不同视角、个体差异、序列问题（变速吗）、身体部分区域在动、光照等。
6.2 Self-supervised Learning 自监督学习
In order to utilize unlabeled gait data to learn more efficient and generalizable gait representations, self-supervised learning can be exploited.
步态识别中的自监督学习。
One important challenge in using self-supervised learning in the context of gait recognition is to design effective pretext tasks to ensure the network can learn meaningful representations.
自监督学习的一个重要挑战是，如何利用步态数据上下文，学习到有意义的表征。
6.3 Multi-task Learning 多任务学习
Multi-task learning is generally performed to simultaneously learn multiple tasks using a shared model, thus learning more generalized and often reinforced representations.
多任务学习是指，利用共享模型同时开展多个学习任务，从而学到更加泛化、更加高效的表征。
6.4 Data Synthesis and Domain Adaptation 数据合成与领域适配
In the context of deep gait recognition, data synthesis, for instance using GANs, can be considered for creating large datasets or data augmentation.
用GANs等工具，对步态识别的数据集进行扩展，进行数据增强等。
6.5 Cross-Dataset Evaluation 跨数据集评估
In order to examine the generalizability of gait recognition systems in real-world applications, cross-dataset evaluations should be adopted, for example using transfer learning techniques.
为了验证方法的泛化能力，可以考虑跨数据集的验证，比如采用迁移学习的技术。
6.6 Multi-View Recognition 多视角识别
These methods generally learn intra-view relationships and ignore inter-view information between multiple viewpoints.
目前的方法仅学习了视角内的关系，忽略了多视角之间的信息。
Another challenge in multi-view gait recognition is that most existing multi-view descriptors consider a well defined camera network topology with fixed camera positions.
另一个挑战是，目前多视角方法中均是只能处理多相机位置固定的情况。
6.7 Multi-biometric Recognition 多生物特征识别
various biometric modalities and gait can complement one another to compensate each others’weaknesses in the context of a multi-biometric system.
步态识别与其他生物识别技术的融合，也是研究方向之一。
查看全文
如若内容造成侵权/违法违规/事实不符，请联系编程学习网邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！

相关文章

  1. 在测试Tomcat重定向时，浏览器自动下载文件，而不是转向网页的问题

    //开始访问的页面 WebServlet("/SixthServlet") public class SixthServlet extends HttpServlet { Override protected void service(HttpServletRequest req, HttpServletResponse resp) throws ServletException, IOException { //1.设置响应状态码 // response.s…...

    2024/4/28 13:13:41
  2. 一文掌握二叉树

    轻松掌握二叉树树形结构节点的度树的度叶子结点或终端结点双亲结点或父结点孩子结点或子结点根节点结点的层次树的高度或深度兄弟节点树的表示形式二叉树二叉树的组成情况两种特殊的二叉树二叉树的性质二叉树的存储实现二叉树实现类创建树前序遍历中序遍历后序遍历获取二叉树当…...

    2024/4/25 4:49:32
  3. 【学习】数据库：mysql查询条件有函数导致索引失效问题，建立函数索引

    目录前言mysql 5.7以前版本优化建议mysql 5.7以后版本优化建议参考地址：前言 我们都知道mysql当where条件中存在函数查询的时候，会导致索引失效例如： select * from test where DATE(swap_time) DATE( date_sub( CURRENT_DATE, INTERVAL 1…...

    2024/4/8 19:12:13
  4. 第八次网页前端培训笔记（JS表单与Ajax）

    前言 本文记录我学习JS表单和Jquery Ajax的笔记 1、JS表单 表单是我们页面向后台传输数据的一种非常常见的方式，在进行数据发送（请求发出）之前，我们应该现在页面进行一系列数据合法性的验证，节省不必要的错误数据的传…...

    2024/4/13 5:36:13
  5. 寒假日常刷题（ctf——reverse）（三）

    [HDCTF2019]Maze 首先确定是32位有壳，去壳后扔进ida 发现没有主函数，而且有一个部分被红色标注出来，并且在代码段里面出现了很多数据，就像这样：（并且前面还有main的字样） 分析一下可知&#…...

    2024/4/13 5:35:58
  6. 软工学生的第一篇博客

    我目前是在读本科大一学生，我的初步打算是在目前这个寒假先将c语言基础学好，在此基础上我将会进一步向Java与C方向发展，我的打算是在大二开学之前先将目前的主流几大语言即：python、c、c、java等进行初步的学习，在其中…...

    2024/4/28 10:53:47
  7. js常用时间转换

    dateUtile.js 代码 const months [Jan, Feb, Mar, Apr, May, Jun, Jul, Aug, Sep, Oct, Nov, Dec]const timeToEng function(time) {const date new Date(time)return months[date.getMonth()] } // 输入time为时间戳,add表示加减天数, 默认为0 const timeFormat function…...

    2024/4/28 4:41:02
  8. Native的支付流程

    Native的支付流程...

    2024/4/28 8:34:46
  9. rem的使用方式

    rem是什么？ rem是指相对于根元素的字体大小的单位 在日常开发过程中我们通常把根元素（html/body）的字体设置为10px,方便于我们计算（此时子元素的1rem就相当于10px） rem与em的区别，各自的优缺点？…...

    2024/4/28 15:15:36
  10. SolidWorks中的基准平面与草图

    我们知道，在SolidWorks中没有平面就没有草图，也就是说，平面是草图得以依附的根基。所以，理解好平面和创建平面是我们绘制草图的基础。本篇博客，我们来看看基准平面的创建和典型应用。 一、普通的基准平面 普通基准平面…...

    2024/4/28 5:01:04
  11. ValueError: This ORT build has [‘TensorrtExecutionProvider‘, ‘CUDAExecutionProvider‘, ‘CPUExecutionP

    在使用onnxruntime GPU版本做推理测试时&#xff0c;出现了如下的错误&#xff1a; Traceback (most recent call last):File "D:\cv\ConNext_demo\testonnx.py", line 57, in <module>rnet1 ONNXModel(onnx_model_path)File "D:\cv\ConNext_demo\model…...

    2024/4/28 6:11:33
  12. LeetCode 动态规划第15天

    62. 不同路径 63. 不同路径 II 62. 不同路径 实现思路&#xff1a; 今天的两道题没用dp&#xff0c;都是dfs记忆化&#xff0c;其实差不多&#xff0c;直接上代码&#xff0c;很简单。 实现代码&#xff1a; class Solution {public int uniquePaths(int m, int n) {int[]…...

    2024/4/13 5:37:13
  13. 关于python、anaconda等换源，珍品记录

    首先进入环境 然后 pip install pqi 等安装好后 输入 pqi use aliyun 珍品记录...

    2024/4/28 5:29:46
  14. 二维数组查找元素

    整形二维数组中&#xff0c;每一行从左到右递增&#xff0c;每一列从上到下递增。 判断数组中是否含有该整数。 **思路: 从右上角开始查找&#xff0c;带查找的数字如果小于右上角的数&#xff0c;说明要查找的数字不在当前列&#xff0c;列数查找范围缩小&#xff0c;如果大于…...

    2024/4/13 5:36:58
  15. [天坑]python从文件中读取数据排序_关于os.listdir（）乱序问题

    朋友问了我一个问题&#xff1a; 为啥他用了os.listdir后图片顺序不对了... 我很好奇 import osdef deal(path):file_names os.listdir(path)c 0# 随机获取一张图片的格式f_first file_names[0]suffix f_first.split(.)[-1] # 图片文件的后缀for file in file_names:os.r…...

    2024/4/13 5:37:08
  16. APPLIED SOFT COMPUTING投稿检查列表

    &#xff08;自用整理&#xff0c;其中一些基本要求未写出,e.g.所有参考文献需在文中提及&#xff0c;manuscript需进行拼写检查和语法检查等未写出&#xff09; 本文仅针对technical papers&#xff0c;不包括survey, ommentaries, letters. 投稿要求的原始文件&#xff1a;…...

    2024/4/13 5:37:08
  17. 数据结构与算法——2022每日一练（2月）

    文章目录每日一练2.72.82.92.102.112.12每日一练 2.7 RSA算法&#xff1a;p23&#xff0c;q29&#xff0c;加密指数e13&#xff0c;对明文 M123456&#xff0c;计算用RSA加密得到的密文为&#xff08; &#xff09;。 A. 151 B. 264 C. 396 D. 418 【答案】C 【解析】n…...

    2024/4/13 9:06:21
  18. C语言学习笔记 day01

    Day01环境与简介 01 helloworld #include<stdio.h> #include<stdlib.h> int main(void){printf("hello world\n");system("pause");return 0; } //这是一条单行注释 /*printf("helloworld"); 这是一条多行注释*/ /*gcc常用命令 gc…...

    2024/4/14 15:31:39
  19. redis队列实现队列抢资源问题

    需求缘由 抢资源是为了解决高并发问题。 我为什么选择用redis队列&#xff0c; 因为这样可以直接在内存上筛选完了超过的那部分人&#xff0c;涉及不到数据库的查询&#xff0c; 当然如果有取消的然后放出名额&#xff0c;就需要你自己对这个list进行删除取消的那个人的用户id…...

    2024/4/8 19:12:01
  20. 使用VuePress+GitHub搭建个人博客

    1.创建项目文件夹 2.使用包管理器初始化项目 执行命令&#xff1a;npm init 【生成】package.json文件 作用&#xff1a;生成package.json文件&#xff0c;该文件会记录下我们当前项目安装过的第三方插件&#xff0c;方便版本迭代或项目多人开发时&#xff0c;他人可以通过np…...

    2024/4/16 16:38:07

最新文章

  1. 《苍穹外卖》Day10部分知识点记录

    一、Spring Task 介绍 Spring Task是Spring框架提供的任务调度工具&#xff0c;可以按照约定的时间自动执行某个代码逻辑。 定位&#xff1a;定时任务框架 作用&#xff1a;定时自动执行某段Java代码 应用场景&#xff1a;只要是需要定时处理的场景都可以使用Spring Task …...

    2024/4/28 15:31:20
  2. 梯度消失和梯度爆炸的一些处理方法

    在这里是记录一下梯度消失或梯度爆炸的一些处理技巧。全当学习总结了如有错误还请留言&#xff0c;在此感激不尽。 权重和梯度的更新公式如下&#xff1a; w w − η ⋅ ∇ w w w - \eta \cdot \nabla w ww−η⋅∇w 个人通俗的理解梯度消失就是网络模型在反向求导的时候出…...

    2024/3/20 10:50:27
  3. 从头开发一个RISC-V的操作系统(二)RISC-V 指令集架构介绍

    文章目录 前提ISA的基本介绍ISA是什么CISC vs RISCISA的宽度 RISC-V指令集RISC-V ISA的命名规范模块化的ISA通用寄存器Hart特权级别内存管理与保护异常和中断 目标&#xff1a;通过这一个系列课程的学习&#xff0c;开发出一个简易的在RISC-V指令集架构上运行的操作系统。 前提…...

    2024/4/24 5:34:22
  4. N5171B是德科技N5171B信号发生器

    181/2461/8938产品概述&#xff1a; N5171B EXG 射频模拟信号发生器具有最佳的 EXG&#xff0c;旨在满足您对组件参数测试和接收器校准的信号需求。其出色的硬件性能可提供更快的吞吐量、更长的正常运行时间以及极好的准确性和可重复性。 Agilent / HP N5171B EXG 射频模拟信…...

    2024/4/27 10:27:08
  5. 【外汇早评】美通胀数据走低，美元调整

    原标题：【外汇早评】美通胀数据走低，美元调整昨日美国方面公布了新一期的核心PCE物价指数数据，同比增长1.6%，低于前值和预期值的1.7%，距离美联储的通胀目标2%继续走低，通胀压力较低，且此前美国一季度GDP初值中的消费部分下滑明显，因此市场对美联储后续更可能降息的政策…...

    2024/4/28 13:52:11
  6. 【原油贵金属周评】原油多头拥挤，价格调整

    原标题：【原油贵金属周评】原油多头拥挤，价格调整本周国际劳动节，我们喜迎四天假期，但是整个金融市场确实流动性充沛，大事频发，各个商品波动剧烈。美国方面，在本周四凌晨公布5月份的利率决议和新闻发布会，维持联邦基金利率在2.25%-2.50%不变，符合市场预期。同时美联储…...

    2024/4/28 3:28:32
  7. 【外汇周评】靓丽非农不及疲软通胀影响

    原标题：【外汇周评】靓丽非农不及疲软通胀影响在刚结束的周五，美国方面公布了新一期的非农就业数据，大幅好于前值和预期，新增就业重新回到20万以上。具体数据： 美国4月非农就业人口变动 26.3万人，预期 19万人，前值 19.6万人。 美国4月失业率 3.6%，预期 3.8%，前值 3…...

    2024/4/26 23:05:52
  8. 【原油贵金属早评】库存继续增加，油价收跌

    原标题：【原油贵金属早评】库存继续增加，油价收跌周三清晨公布美国当周API原油库存数据，上周原油库存增加281万桶至4.692亿桶，增幅超过预期的74.4万桶。且有消息人士称，沙特阿美据悉将于6月向亚洲炼油厂额外出售更多原油，印度炼油商预计将每日获得至多20万桶的额外原油供…...

    2024/4/28 13:51:37
  9. 【外汇早评】日本央行会议纪要不改日元强势

    原标题：【外汇早评】日本央行会议纪要不改日元强势近两日日元大幅走强与近期市场风险情绪上升，避险资金回流日元有关，也与前一段时间的美日贸易谈判给日本缓冲期，日本方面对汇率问题也避免继续贬值有关。虽然今日早间日本央行公布的利率会议纪要仍然是支持宽松政策，但这符…...

    2024/4/27 17:58:04
  10. 【原油贵金属早评】欧佩克稳定市场，填补伊朗问题的影响

    原标题：【原油贵金属早评】欧佩克稳定市场，填补伊朗问题的影响近日伊朗局势升温，导致市场担忧影响原油供给，油价试图反弹。此时OPEC表态稳定市场。据消息人士透露，沙特6月石油出口料将低于700万桶/日，沙特已经收到石油消费国提出的6月份扩大出口的“适度要求”，沙特将满…...

    2024/4/27 14:22:49
  11. 【外汇早评】美欲与伊朗重谈协议

    原标题：【外汇早评】美欲与伊朗重谈协议美国对伊朗的制裁遭到伊朗的抗议，昨日伊朗方面提出将部分退出伊核协议。而此行为又遭到欧洲方面对伊朗的谴责和警告，伊朗外长昨日回应称，欧洲国家履行它们的义务，伊核协议就能保证存续。据传闻伊朗的导弹已经对准了以色列和美国的航…...

    2024/4/28 1:28:33
  12. 【原油贵金属早评】波动率飙升，市场情绪动荡

    原标题：【原油贵金属早评】波动率飙升，市场情绪动荡因中美贸易谈判不安情绪影响，金融市场各资产品种出现明显的波动。随着美国与中方开启第十一轮谈判之际，美国按照既定计划向中国2000亿商品征收25%的关税，市场情绪有所平复，已经开始接受这一事实。虽然波动率-恐慌指数VI…...

    2024/4/27 9:01:45
  13. 【原油贵金属周评】伊朗局势升温，黄金多头跃跃欲试

    原标题：【原油贵金属周评】伊朗局势升温，黄金多头跃跃欲试美国和伊朗的局势继续升温，市场风险情绪上升，避险黄金有向上突破阻力的迹象。原油方面稍显平稳，近期美国和OPEC加大供给及市场需求回落的影响，伊朗局势并未推升油价走强。近期中美贸易谈判摩擦再度升级，美国对中…...

    2024/4/27 17:59:30
  14. 【原油贵金属早评】市场情绪继续恶化，黄金上破

    原标题：【原油贵金属早评】市场情绪继续恶化，黄金上破周初中国针对于美国加征关税的进行的反制措施引发市场情绪的大幅波动，人民币汇率出现大幅的贬值动能，金融市场受到非常明显的冲击。尤其是波动率起来之后，对于股市的表现尤其不安。隔夜美国股市出现明显的下行走势，这…...

    2024/4/25 18:39:16
  15. 【外汇早评】美伊僵持，风险情绪继续升温

    原标题：【外汇早评】美伊僵持，风险情绪继续升温昨日沙特两艘油轮再次发生爆炸事件，导致波斯湾局势进一步恶化，市场担忧美伊可能会出现摩擦生火，避险品种获得支撑，黄金和日元大幅走强。美指受中美贸易问题影响而在低位震荡。继5月12日，四艘商船在阿联酋领海附近的阿曼湾、…...

    2024/4/28 1:34:08
  16. 【原油贵金属早评】贸易冲突导致需求低迷，油价弱势

    原标题：【原油贵金属早评】贸易冲突导致需求低迷，油价弱势近日虽然伊朗局势升温，中东地区几起油船被袭击事件影响，但油价并未走高，而是出于调整结构中。由于市场预期局势失控的可能性较低，而中美贸易问题导致的全球经济衰退风险更大，需求会持续低迷，因此油价调整压力较…...

    2024/4/26 19:03:37
  17. 氧生福地 玩美北湖（上）——为时光守候两千年

    原标题：氧生福地 玩美北湖（上）——为时光守候两千年一次说走就走的旅行，只有一张高铁票的距离～ 所以，湖南郴州，我来了～ 从广州南站出发，一个半小时就到达郴州西站了。在动车上，同时改票的南风兄和我居然被分到了一个车厢，所以一路非常愉快地聊了过来。 挺好，最起…...

    2024/4/28 1:22:35
  18. 氧生福地 玩美北湖（中）——永春梯田里的美与鲜

    原标题：氧生福地 玩美北湖（中）——永春梯田里的美与鲜一觉醒来，因为大家太爱“美”照，在柳毅山庄去寻找龙女而错过了早餐时间。近十点，向导坏坏还是带着饥肠辘辘的我们去吃郴州最富有盛名的“鱼头粉”。说这是“十二分推荐”，到郴州必吃的美食之一。 哇塞！那个味美香甜…...

    2024/4/25 18:39:14
  19. 氧生福地 玩美北湖（下）——奔跑吧骚年！

    原标题：氧生福地 玩美北湖（下）——奔跑吧骚年！让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 啊……啊……啊 两…...

    2024/4/26 23:04:58
  20. 扒开伪装医用面膜，翻六倍价格宰客，小姐姐注意了！

    原标题：扒开伪装医用面膜，翻六倍价格宰客，小姐姐注意了！扒开伪装医用面膜，翻六倍价格宰客！当行业里的某一品项火爆了，就会有很多商家蹭热度，装逼忽悠，最近火爆朋友圈的医用面膜，被沾上了污点，到底怎么回事呢？ “比普通面膜安全、效果好！痘痘、痘印、敏感肌都能用…...

    2024/4/27 23:24:42
  21. 「发现」铁皮石斛仙草之神奇功效用于医用面膜

    原标题：「发现」铁皮石斛仙草之神奇功效用于医用面膜丽彦妆铁皮石斛医用面膜|石斛多糖无菌修护补水贴19大优势： 1、铁皮石斛：自唐宋以来，一直被列为皇室贡品，铁皮石斛生于海拔1600米的悬崖峭壁之上，繁殖力差，产量极低，所以古代仅供皇室、贵族享用 2、铁皮石斛自古民间…...

    2024/4/28 5:48:52
  22. 丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者

    原标题：丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者【公司简介】 广州华彬企业隶属香港华彬集团有限公司，专注美业21年，其旗下品牌： 「圣茵美」私密荷尔蒙抗衰，产后修复 「圣仪轩」私密荷尔蒙抗衰，产后修复 「花茵莳」私密荷尔蒙抗衰，产后修复 「丽彦妆」专注医学护…...

    2024/4/26 19:46:12
  23. 广州械字号面膜生产厂家OEM/ODM4项须知！

    原标题：广州械字号面膜生产厂家OEM/ODM4项须知！广州械字号面膜生产厂家OEM/ODM流程及注意事项解读： 械字号医用面膜，其实在我国并没有严格的定义，通常我们说的医美面膜指的应该是一种「医用敷料」，也就是说，医用面膜其实算作「医疗器械」的一种，又称「医用冷敷贴」。 …...

    2024/4/27 11:43:08
  24. 械字号医用眼膜缓解用眼过度到底有无作用？

    原标题：械字号医用眼膜缓解用眼过度到底有无作用？医用眼膜/械字号眼膜/医用冷敷眼贴 凝胶层为亲水高分子材料，含70%以上的水分。体表皮肤温度传导到本产品的凝胶层，热量被凝胶内水分子吸收，通过水分的蒸发带走大量的热量，可迅速地降低体表皮肤局部温度，减轻局部皮肤的灼…...

    2024/4/27 8:32:30
  25. 配置失败还原请勿关闭计算机,电脑开机屏幕上面显示，配置失败还原更改 请勿关闭计算机 开不了机 这个问题怎么办...

    解析如下&#xff1a;1、长按电脑电源键直至关机&#xff0c;然后再按一次电源健重启电脑&#xff0c;按F8健进入安全模式2、安全模式下进入Windows系统桌面后&#xff0c;按住“winR”打开运行窗口&#xff0c;输入“services.msc”打开服务设置3、在服务界面&#xff0c;选中…...

    2022/11/19 21:17:18
  26. 错误使用 reshape要执行 RESHAPE，请勿更改元素数目。

    %读入6幅图像&#xff08;每一幅图像的大小是564*564&#xff09; f1 imread(WashingtonDC_Band1_564.tif); subplot(3,2,1),imshow(f1); f2 imread(WashingtonDC_Band2_564.tif); subplot(3,2,2),imshow(f2); f3 imread(WashingtonDC_Band3_564.tif); subplot(3,2,3),imsho…...

    2022/11/19 21:17:16
  27. 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机...

    win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”问题的解决方法在win7系统关机时如果有升级系统的或者其他需要会直接进入一个 等待界面&#xff0c;在等待界面中我们需要等待操作结束才能关机&#xff0c;虽然这比较麻烦&#xff0c;但是对系统进行配置和升级…...

    2022/11/19 21:17:15
  28. 台式电脑显示配置100%请勿关闭计算机,“准备配置windows 请勿关闭计算机”的解决方法...

    有不少用户在重装Win7系统或更新系统后会遇到“准备配置windows&#xff0c;请勿关闭计算机”的提示&#xff0c;要过很久才能进入系统&#xff0c;有的用户甚至几个小时也无法进入&#xff0c;下面就教大家这个问题的解决方法。第一种方法&#xff1a;我们首先在左下角的“开始…...

    2022/11/19 21:17:14
  29. win7 正在配置 请勿关闭计算机,怎么办Win7开机显示正在配置Windows Update请勿关机...

    置信有很多用户都跟小编一样遇到过这样的问题&#xff0c;电脑时发现开机屏幕显现“正在配置Windows Update&#xff0c;请勿关机”(如下图所示)&#xff0c;而且还需求等大约5分钟才干进入系统。这是怎样回事呢&#xff1f;一切都是正常操作的&#xff0c;为什么开时机呈现“正…...

    2022/11/19 21:17:13
  30. 准备配置windows 请勿关闭计算机 蓝屏,Win7开机总是出现提示“配置Windows请勿关机”...

    Win7系统开机启动时总是出现“配置Windows请勿关机”的提示&#xff0c;没过几秒后电脑自动重启&#xff0c;每次开机都这样无法进入系统&#xff0c;此时碰到这种现象的用户就可以使用以下5种方法解决问题。方法一&#xff1a;开机按下F8&#xff0c;在出现的Windows高级启动选…...

    2022/11/19 21:17:12
  31. 准备windows请勿关闭计算机要多久,windows10系统提示正在准备windows请勿关闭计算机怎么办...

    有不少windows10系统用户反映说碰到这样一个情况&#xff0c;就是电脑提示正在准备windows请勿关闭计算机&#xff0c;碰到这样的问题该怎么解决呢&#xff0c;现在小编就给大家分享一下windows10系统提示正在准备windows请勿关闭计算机的具体第一种方法&#xff1a;1、2、依次…...

    2022/11/19 21:17:11
  32. 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”的解决方法...

    今天和大家分享一下win7系统重装了Win7旗舰版系统后&#xff0c;每次关机的时候桌面上都会显示一个“配置Windows Update的界面&#xff0c;提示请勿关闭计算机”&#xff0c;每次停留好几分钟才能正常关机&#xff0c;导致什么情况引起的呢&#xff1f;出现配置Windows Update…...

    2022/11/19 21:17:10
  33. 电脑桌面一直是清理请关闭计算机,windows7一直卡在清理 请勿关闭计算机-win7清理请勿关机,win7配置更新35%不动...

    只能是等着&#xff0c;别无他法。说是卡着如果你看硬盘灯应该在读写。如果从 Win 10 无法正常回滚&#xff0c;只能是考虑备份数据后重装系统了。解决来方案一&#xff1a;管理员运行cmd&#xff1a;net stop WuAuServcd %windir%ren SoftwareDistribution SDoldnet start WuA…...

    2022/11/19 21:17:09
  34. 计算机配置更新不起,电脑提示“配置Windows Update请勿关闭计算机”怎么办？

    原标题&#xff1a;电脑提示“配置Windows Update请勿关闭计算机”怎么办&#xff1f;win7系统中在开机与关闭的时候总是显示“配置windows update请勿关闭计算机”相信有不少朋友都曾遇到过一次两次还能忍但经常遇到就叫人感到心烦了遇到这种问题怎么办呢&#xff1f;一般的方…...

    2022/11/19 21:17:08
  35. 计算机正在配置无法关机,关机提示 windows7 正在配置windows 请勿关闭计算机 ，然后等了一晚上也没有关掉。现在电脑无法正常关机...

    关机提示 windows7 正在配置windows 请勿关闭计算机 &#xff0c;然后等了一晚上也没有关掉。现在电脑无法正常关机以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容&#xff0c;让我们赶快一起来看一下吧&#xff01;关机提示 windows7 正在配…...

    2022/11/19 21:17:05
  36. 钉钉提示请勿通过开发者调试模式_钉钉请勿通过开发者调试模式是真的吗好不好用...

    钉钉请勿通过开发者调试模式是真的吗好不好用 更新时间：2020-04-20 22:24:19　浏览次数：729次 区域： 南阳 > 卧龙 列举网提醒您：为保障您的权益，请不要提前支付任何费用！ 虚拟位置外设器!!轨迹模拟&虚拟位置外设神器 专业用于：钉钉，外勤365，红圈通，企业微信和…...

    2022/11/19 21:17:05
  37. 配置失败还原请勿关闭计算机怎么办,win7系统出现“配置windows update失败 还原更改 请勿关闭计算机”，长时间没反应，无法进入系统的解决方案...

    前几天班里有位学生电脑(windows 7系统)出问题了&#xff0c;具体表现是开机时一直停留在“配置windows update失败 还原更改 请勿关闭计算机”这个界面&#xff0c;长时间没反应&#xff0c;无法进入系统。这个问题原来帮其他同学也解决过&#xff0c;网上搜了不少资料&#x…...

    2022/11/19 21:17:04
  38. 一个电脑无法关闭计算机你应该怎么办,电脑显示“清理请勿关闭计算机”怎么办？...

    本文为你提供了3个有效解决电脑显示“清理请勿关闭计算机”问题的方法&#xff0c;并在最后教给你1种保护系统安全的好方法&#xff0c;一起来看看&#xff01;电脑出现“清理请勿关闭计算机”在Windows 7(SP1)和Windows Server 2008 R2 SP1中&#xff0c;添加了1个新功能在“磁…...

    2022/11/19 21:17:03
  39. 请勿关闭计算机还原更改要多久,电脑显示:配置windows更新失败，正在还原更改，请勿关闭计算机怎么办...

    许多用户在长期不使用电脑的时候&#xff0c;开启电脑发现电脑显示&#xff1a;配置windows更新失败&#xff0c;正在还原更改&#xff0c;请勿关闭计算机。。.这要怎么办呢&#xff1f;下面小编就带着大家一起看看吧&#xff01;如果能够正常进入系统&#xff0c;建议您暂时移…...

    2022/11/19 21:17:02
  40. 还原更改请勿关闭计算机 要多久,配置windows update失败 还原更改 请勿关闭计算机，电脑开机后一直显示以...

    配置windows update失败 还原更改 请勿关闭计算机&#xff0c;电脑开机后一直显示以以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容&#xff0c;让我们赶快一起来看一下吧&#xff01;配置windows update失败 还原更改 请勿关闭计算机&#x…...

    2022/11/19 21:17:01
  41. 电脑配置中请勿关闭计算机怎么办,准备配置windows请勿关闭计算机一直显示怎么办【图解】...

    不知道大家有没有遇到过这样的一个问题&#xff0c;就是我们的win7系统在关机的时候&#xff0c;总是喜欢显示“准备配置windows&#xff0c;请勿关机”这样的一个页面&#xff0c;没有什么大碍&#xff0c;但是如果一直等着的话就要两个小时甚至更久都关不了机&#xff0c;非常…...

    2022/11/19 21:17:00
  42. 正在准备配置请勿关闭计算机,正在准备配置windows请勿关闭计算机时间长了解决教程...

    当电脑出现正在准备配置windows请勿关闭计算机时&#xff0c;一般是您正对windows进行升级&#xff0c;但是这个要是长时间没有反应&#xff0c;我们不能再傻等下去了。可能是电脑出了别的问题了&#xff0c;来看看教程的说法。正在准备配置windows请勿关闭计算机时间长了方法一…...

    2022/11/19 21:16:59
  43. 配置失败还原请勿关闭计算机,配置Windows Update失败，还原更改请勿关闭计算机...

    我们使用电脑的过程中有时会遇到这种情况&#xff0c;当我们打开电脑之后&#xff0c;发现一直停留在一个界面&#xff1a;“配置Windows Update失败&#xff0c;还原更改请勿关闭计算机”&#xff0c;等了许久还是无法进入系统。如果我们遇到此类问题应该如何解决呢&#xff0…...

    2022/11/19 21:16:58
  44. 如何在iPhone上关闭“请勿打扰”

    Apple’s “Do Not Disturb While Driving” is a potentially lifesaving iPhone feature, but it doesn’t always turn on automatically at the appropriate time. For example, you might be a passenger in a moving car, but your iPhone may think you’re the one dri…...

    2022/11/19 21:16:57