Anlamsal bölümlemede derin öğrenme yöntemlerinin tam çözümü: FCN ve SegNet'ten DeepLab'a
Wang Xiaoxin, Qure.ai Blogundan derlendi
Qubit Üretildi | Genel Hesap QbitAI
Görüntü anlamsal bölümleme, makinenin nesne alanını görüntüden otomatik olarak ayırması ve içeriğini tanıdığı anlamına gelir.
Bugün Qubit tarafından önerilen bu makale, görüntü semantik segmentasyonunda derin öğrenmenin gelişimini gözden geçiriyor.
Bu makaleyi yayınlayan Qure.ai, medikal görüntüleri okumak için derin öğrenmeyi kullanan bir şirkettir ve derin öğrenme yöntemlerini anlamsal bölümlere ayırarak resmi bloglarında sıraladılar.
Bu giriş yoluyla, herkesin doğal görüntü işlemede olgunlaşmış ancak yine de tıbbi görüntülerde geliştirilmesi gereken bu yeni teknolojiyi anlayabileceğini umuyorlar.
Yazar Sasank Chilamkurthy, anlamsal bölümleme üzerine araştırmayı üç bölümde sunuyor:
Anlamsal bölümleme kavramının, ilgili çözümlerin ve ilgili araştırmanın bir özeti.
Aşağıdaki içerik, resmi Qure.ai blogundan derlenmiştir:
Anlamsal bölümleme nedir?
Anlamsal bölümleme yöntemi, görüntüyü işlerken piksel seviyesine özgüdür, yani yöntem görüntüdeki her pikseli belirli bir nesne kategorisine atar. Aşağıdaki özel bir durumdur.
Sol, giriş görüntüsü ve sağ, anlamsal bölümlemeden sonraki çıktı görüntüsüdür.
Model sadece motosikleti ve sürücüyü tanımlamamalı, aynı zamanda her nesnenin sınırlarını da işaretlemelidir. Bu nedenle, sınıflandırma amacından farklı olarak, korelasyon modelinin piksel düzeyinde yoğun tahmin yeteneklerine sahip olması gerekir.
Şu anda anlamsal bölümleme araştırması için kullanılan en önemli iki veri kümesi şunlardır: VOC2012 ile MSCOCO .
VOC2012:
MSCOCO:
Yöntemler nelerdir?
Derin öğrenme, bilgisayar görüşü alanına uygulanmadan önce, araştırmacılar anlamsal bölümleme için sınıflandırıcılar oluşturmak için genellikle doku ilkel orman (TextonForest) veya rastgele orman (Random Forest) yöntemlerini kullandılar.
Evrişimli Sinir Ağı (CNN) yalnızca görüntü sınıflandırmasını sağlamakla kalmaz, aynı zamanda bölümleme problemlerinde de büyük ilerleme kaydetmiştir.
ilk Görüntü bloğu sınıflandırması Her pikseli karşılık gelen kategorilere ayırmak için her pikselin etrafındaki görüntü bloğunu kullanan yaygın olarak kullanılan bir derin öğrenme yöntemidir. Bunlar arasında, görüntü bloklarını kullanmanın ana nedeni, sınıflandırma ağının genellikle tamamen bağlı bir katmana sahip olması ve girdisinin sabit boyutlu bir görüntü bloğu olması gerektiğidir.
2014 yılında, Berkeley'deki California Üniversitesi'nden Long ve diğerleri Tamamen Evrişimli Ağlar Orijinal CNN yapısını tanıtmak, Tamamen bağlı bir katman olmadan yoğun tahmin gerçekleştirilebilir.
Önerilen yapı, segmentasyon haritasının herhangi bir boyutta görüntü oluşturmasına izin verir ve görüntü bloğu sınıflandırma yöntemiyle karşılaştırıldığında, işlem hızını da artırır. Daha sonra, anlamsal bölümleme üzerine yapılan son araştırmaların neredeyse tamamı bu yapıyı benimsedi.
Tamamen bağlı katman yapısına ek olarak, segmentasyon problemlerinde CNN ağlarının kullanılmasını zorlaştıran bir başka sorun da havuz katmanlarının varlığıdır. Havuzlama katmanı, yalnızca üst evrişim çekirdeğinin alıcı alanını artırmakla kalmaz, aynı zamanda konum bilgisinin bir kısmını atarken arka planı da toplar. Bununla birlikte, anlamsal bölümleme yönteminin kategori haritasını doğru bir şekilde ayarlaması gerekir, bu nedenle havuzlama katmanında atılan konum bilgilerinin saklanması gerekir.
Araştırmacılar, bu sorunu çözmek için iki farklı yapı biçimi önerdiler.
İlk yöntem, kodlayıcı-kod çözücü yapısıdır. Bunların arasında, kodlayıcı, giriş verilerinin uzamsal boyutunu kademeli olarak azaltmak için bir havuzlama katmanı kullanır, kod çözücü ise, bir ters evrişim katmanı gibi bir ağ katmanı aracılığıyla hedefin ayrıntılarını ve karşılık gelen uzamsal boyutu kademeli olarak geri yükler. Kodlayıcıdan kod çözücüye, kod çözücünün hedef ayrıntılarını daha iyi kurtarmasına yardımcı olmak için genellikle doğrudan bir bilgi bağlantısı vardır. Bu yöntemde tipik bir yapı U-Net ağıdır.
Tipik bir kodlayıcı-kod çözücü yapısı U-Net
İkinci yöntem, delik evrişimi adı verilen bir yapı kullanır ve havuz tabakası yapısını kaldırır.
İçi boş evrişim, oran 1 olduğunda klasik bir evrişim yapısıdır.
Koşullu Rastgele Alan (CRF) yöntemi, bölümleme etkisini iyileştirmek için genellikle işlem sonrası işlemde kullanılır. CRF yöntemi, alttaki görüntünün piksel yoğunluğuna bağlı olarak "düzgün" segmentasyon gerçekleştiren bir grafik modelidir Benzer piksel yoğunluklarına sahip noktalar, çalışma zamanında aynı kategori olarak işaretlenir. Koşullu rastgele alan yöntemini eklemek, nihai puan değerini% 1 ~ 2 oranında artırabilir.
CRF yöntemlerinin geliştirilmesinin etkisi. Şekil b, CRF yönteminin segmentasyon girdisi olarak tek boyutlu bir sınıflandırıcı kullanır; Şekil c, d ve e, CRF yönteminin üç çeşididir; Şekil e, yaygın olarak kullanılan bir CRF yapısıdır.
Daha sonra, FCN ağından başlayarak bölümleme yapısının gelişimini tanıtmak için bazı temsili belgeleri sıralayacağız.
Bu yapıların tümü, gerçek etkiyi test etmek için VOC2012 veri setini kullanır.
Bazı ilginç araştırmalar
Aşağıdaki makaleler yayın sırasına göre tanıtılacaktır:
1. FCN ağı;
2. SegNet ağı;
3. Dilate Evrişimler;
4. DeepLab (v1 ve v2);
5. RefineNet;
6. PSPNet;
7. Büyük Kernel Matters;
8. DeepLab v3;
Yukarıdaki belgelerin her biri için, ana katkılar aşağıda belirtilecek ve açıklanacaktır ve bu yapıların VOC2012 veri seti IOU'daki test puanları da postalanacaktır.
FCN
kağıt:
Anlamsal Bölümleme için Tam Evrişimli Ağlar
14 Kasım 2014 tarihinde arvix'e gönderildi
https://arxiv.org/abs/1411.4038
Ana katkılar:
-
Uçtan uca evrişimli ağı semantik segmentasyona genişletin;
-
Segmentasyon probleminde önceden eğitilmiş Imagenet ağını yeniden kullanın;
-
Yukarı örnekleme için ters evrişim katmanını kullanın;
-
Yukarı örneklemenin pürüzlülüğünü iyileştirmek için bir atlama bağlantısı önerilir.
Özel açıklama:
Bu makalenin anahtarı, sınıflandırma ağındaki tam bağlantılı katmanın, tüm giriş alanını geçmek için bir evrişim çekirdeği kullanan bir evrişim işlemi olarak görülebilmesidir.
Bu, orijinal sınıflandırma ağını üst üste binen girdi görüntü blokları üzerinde değerlendirmeye eşdeğerdir, ancak hesaplama sonuçları görüntü bloklarının örtüşen alanlarında paylaşıldığı için hesaplama verimliliği öncekinden daha yüksektir.
Bu yöntem bu makaleye özgü olmasa da ve aşırı hız ile ilgili başka bir makale de bu fikri kullansa da, VOC2012 veri seti üzerindeki gerçek etkiyi önemli ölçüde iyileştirir.
Evrişim işlemi ile gerçekleştirilen tamamen bağlantılı katman yapısı
CNN ağındaki havuzlama işlemi nedeniyle VGG gibi önceden eğitilmiş ağ modelinin tamamen bağlı katmanının evrişiminden sonra, elde edilen özellik haritasının yine de yukarı örneklenmesi gerekir.
Ters evrişim katmanı yukarı örnekleme gerçekleştirdiğinde, basit çift doğrusal enterpolasyon kullanmaz, ancak öğrenme yoluyla enterpolasyon işlemlerini uygular. Bu ağ katmanına ayrıca üst evrişim, tam evrişim, yer değiştirmiş evrişim veya fraktal evrişim de denir.
Bununla birlikte, havuzlama işleminde bilginin bir kısmının kaybına bağlı olarak, ters evrişim katmanının yukarı örnekleme işlemi bile kaba bir bölümleme haritası üretecektir. Bu nedenle, bu makale ayrıca yüksek çözünürlüklü karakteristik haritadan atlama bağlantı yöntemini tanıtır.
Puan yorumlarının kaynağı 62,2 Sıralama yok 67,2 Momentumu artırma (orijinal metinde açıklanmayan) sıralamalarıFCN ağı tarafından VOC2012'de test edilen karşılaştırma puanları
Kişisel yorum:
Bu makalenin araştırma katkısı çok önemlidir, ancak son araştırmalar bu sonucu büyük ölçüde iyileştirmiştir.
SegNet
kağıt:
SegNet: Görüntü Segmentasyonu için Derin Evrişimli Kodlayıcı-Kod Çözücü Mimarisi
2 Kasım 2015 tarihinde arvix'e gönderildi
https://arxiv.org/abs/1511.00561
Ana katkılar:
Segmentasyon çözünürlüğünü iyileştirmek için maksimum havuz indeksini kod çözücüye aktarın.
Özel açıklama:
FCN ağında, üst evrişimli katman ve bazı atlama bağlantıları aracılığıyla kaba bir bölümleme haritası oluşturulur ve etkiyi iyileştirmek için daha fazla atlama bağlantısı eklenir.
Ancak, FCN ağı yalnızca kodlayıcı özelliklerini kopyalarken, Segnet ağı maksimum havuz oluşturma dizinini çoğaltır. Bu, SegNet'i bellek kullanımı açısından FCN'den daha verimli kılar.
SegNet ağ yapısı
59.9 Sıralama Listesi YokSegNet karşılaştırma puanı VOC2012'de test edildi
Kişisel yorum:
Hem FCN ağı hem de SegNet ağı ilk kodlayıcı-kod çözücü yapılarıdır, ancak SegNet ağının kıyaslama puanları hala pratik ihtiyaçları karşılayamamaktadır.
Delik kıvrımı
kağıt:
Genişletilmiş Evrişimlerle Çok Ölçekli Bağlam Birleştirme
23 Kasım 2015 tarihinde arvix'e gönderildi
https://arxiv.org/abs/1511.07122
Ana katkılar:
-
Yoğun tahmin için kullanılabilen bir evrişim katmanı olan delik evrişimi kullanın;
-
Çok ölçekli kümeleme koşulları altında delik evrişimi kullanan bir "arka plan modülü" önerilmektedir.
Özel açıklama:
Havuzlama işlemi alıcı alanı arttırır ve sınıflandırma ağının gerçekleştirilmesine yardımcı olur. Ancak havuzlama işlemi, bölümleme işlemi sırasında çözünürlüğü de azaltır.
Bu nedenle, bu yazıda önerilen içi boş evrişimli katman şu şekilde çalışır:
Delik kıvrımının şematik diyagramı
Boşluk evrişimli katman, uzamsal boyutu azaltmadan karşılık gelen alıcı alan indeksini arttırır.
Daha sonra bahsedilecek olan DeepLab'de, delik evrişime atrous evrişim denir.
Son iki havuz katmanını önceden eğitilmiş sınıflandırma ağından (burada VGG ağı olarak anılacaktır) kaldırın ve sonraki evrişimli katmanı delik evrişimi ile değiştirin.
Özellikle, havuzlama tabakası 3 ve havuzlama tabakası 4 arasındaki evrişim işlemi delikli evrişim tabakası 2'dir ve havuz tabakasından 4 sonra evrişim işlemi delikli kıvrım tabakası 4'tür.
Bu makalede önerilen ön uç modülü, parametre sayısını artırmadan yoğun tahmin sonuçları elde edebilir.
Bu makalede bahsedilen arka plan modülü, ön uç modülünün çıktısını modelin girişi olarak ayrı ayrı eğitir. Bu modül, çok ölçekli arka plan modüllerini toplamak ve ön uç tahmin etkisini iyileştirmek için farklı genişleme derecelerine sahip içi boş evrişimli katmanları basamaklayarak elde edilir.
Puan yorumlarının kaynağı 71.3 Ön uç içi boş evrişimli kağıt 73.5 Ön uç + arka plan 74.7 Ön uç + arka plan + CRF yukarıdaki 75.3 Ön uç + arka plan + CRF-RNN yukarıdaki gibiVOC2012'de delik evrişim testinin karşılaştırma puanı
Kişisel yorum:
Modelin, segmentasyon haritasının boyutunun orijinal görüntü boyutunun 1 / 8'i olduğunu tahmin ettiği unutulmamalıdır. Bu hemen hemen tüm yöntemlerde bir sorundur ve nihai bölütleme haritası enterpolasyon yoluyla elde edilecektir.
DeepLab (v1 ve v2)
Kağıt 1:
Derin Evrişimli Ağlar ve Tamamen Bağlı CRF'ler ile Anlamsal Görüntü Segmentasyonu
22 Aralık 2014 tarihinde Arvix'e gönderildi
https://arxiv.org/abs/1412.7062
Kağıt 2:
DeepLab: Derin Evrişimli Ağlar, Yoğun Evrişim ve Tam Bağlı CRF'ler ile Anlamsal Görüntü Segmentasyonu
2 Haziran 2016'da Arxiv'e gönderildi
https://arxiv.org/abs/1606.00915
Ana katkılar:
-
Delik evrişim kullanımı;
-
Uzamsal boyutta atröz uzaysal piramit havuzlamasının (ASPP) gerçekleştirilmesini önerdi;
-
Tamamen bağlı koşullara sahip rastgele bir alan kullanılır.
Özel açıklama:
Delik evrişimi, parametre sayısını arttırmadan alıcı alanı arttırır Yukarıda bahsedilen delik evrişim kağıdının yöntemine göre, segmentasyon ağı geliştirilebilir.
Orijinal görüntünün birden çok yeniden ölçeklendirilmiş versiyonunu CNN ağının paralel dalına (yani görüntü piramidi) geçirebiliriz veya farklı örnekleme oranlarına (ASPP) sahip birden çok paralel evrişimli katman kullanabiliriz. Çok ölçekli işleme gerçekleştirilebilir.
Ayrıca, tamamen bağlantılı koşullu rastgele alanlar aracılığıyla yapılandırılmış tahmin gerçekleştirebiliriz ve koşullu rastgele alanların eğitimi ve ince ayarının ayrı bir işlem sonrası adımı olarak alınması gerekir.
DeepLab2 ağ işleme akışı
Puan yorumlarının kaynağı 79.7ResNet-101 + Hollow Convolution + ASPP + CRF SıralamasıVOC2012'de test edilen DeepLab2 ağının karşılaştırma puanı
RefineNet
kağıt:
RefineNet: Yüksek Çözünürlüklü Anlamsal Segmentasyon için Çok Yollu İyileştirme Ağları
20 Kasım 2016'da Arxiv'e gönderildi
https://arxiv.org/abs/1611.06612
Ana katkılar:
-
İyi tasarlanmış kod çözücü modülüne sahip kodlayıcı-kod çözücü yapısı;
-
Tüm bileşenler, artık bağlantının tasarım yöntemini takip eder.
Özel açıklama:
Delik evrişimi kullanma yönteminin de bazı eksiklikleri vardır. Hesaplama maliyeti nispeten yüksektir.Aynı zamanda, büyük miktarda bellek kaplayacak çok sayıda yüksek çözünürlüklü özellik haritalarını işlemesi gerekir. Bu problem, yüksek çözünürlüklü tahminin hesaplamalı araştırmasını engeller.
DeepLab tarafından elde edilen tahmin sonucu, orijinal girişin yalnızca 1 / 8'i boyutundadır.
Bu nedenle, bu makale, kodlayıcının bir ResNet-101 modülü olduğu ve kod çözücünün, kodlayıcının yüksek çözünürlük özelliklerini önceki RefineNet modülünün düşük çözünürlük özellikleriyle birleştirebilen bir RefineNet modülü olduğu karşılık gelen bir kodlayıcı-kod çözücü yapısı önermektedir.
RefineNet ağ yapısı
Her bir RefineNet modülü, düşük çözünürlüklü özellikleri yukarı örnekleyerek çoklu çözünürlük özelliklerini birleştirebilen bir bileşen ve 1 ve 5 × 5 adımlarla tekrarlanan havuzlama katmanlarına dayalı arka plan bilgisi elde edebilen bir bileşen içerir. .
Bu bileşenler, kimlik haritalama fikrini takip eder ve artık bağlantı tasarım yöntemini benimser.
RefineNet modülü
Puan yorumlarının kaynağı 84.2 CRF + çok boyutlu girdi + COCO eğitim öncesi sıralamasıVOC2012'de test edilen RefineNet ağının karşılaştırma puanı
PSPNet
kağıt:
Piramit Sahne Ayrıştırma Ağı
4 Aralık 2016'da Arxiv'e gönderildi
https://arxiv.org/abs/1612.01105
Ana katkılar:
-
Arka plan bilgilerini toplamak için bir piramit havuzlama modülü önerin;
-
Ek kayıp (yardımcı kayıp) kullanılır.
Özel açıklama:
Global sahne sınıflandırması, segmentasyon kategorilerinin dağılımına ipuçları sağladığı için çok önemlidir. Piramit havuzlama modülü, bu bilgiyi yakalamak için büyük bir çekirdek havuzlama katmanı kullanır.
Yukarıda bahsedilen delikli evrişim kağıdı gibi, PSPNet ayrıca Resnet yapısını iyileştirmek için delik evrişimi kullanır ve bir piramit havuzlama modülü ekler. Bu modül, ResNet'in özellik haritasını, çekirdeğin tüm alanı, alanın yarısını ve görüntünün küçük alanlarını kapsadığı paralel havuzlama katmanının yukarı örnekleme çıktısına bağlar.
ResNet ağının dördüncü aşamasında (yani piramit havuzlama modülüne giriş yapıldıktan sonra) ana dalın kayıplarının yanı sıra ek kayıplar da ekleniyor, bu fikir diğer çalışmalarda da ara denetim olarak adlandırılıyor.
PSPNet ağ yapısı
Puan yorumlarının kaynağı 85,4 COCO ön eğitimi, çok boyutlu girdi, CRF yöntemi sıralaması yok 82,6 COCO ön eğitim yöntemi yok, çok boyutlu girdi, CRF yöntemi yok PSPNet kağıdıVOC2012'de test edilen PSPNet ağının karşılaştırma puanı
Büyük çekirdek
kağıt:
Büyük Çekirdek Konuları - Global Convolutional Network ile Anlamsal Segmentasyonu İyileştirin
8 Mart 2017'de Arxiv'e gönderildi
https://arxiv.org/abs/1703.02719
Ana katkılar:
Büyük boyutlu bir evrişim çekirdeğine sahip bir kodlayıcı-kod çözücü yapısı önerilmektedir.
Özel açıklama:
Bu araştırma, anlamsal bölümlemenin etkisini iyileştirmek için küresel bir evrişimli ağ kullanır.
Anlamsal bölümleme, yalnızca görüntü bölümlemeyi değil, aynı zamanda bölümleme hedeflerinin sınıflandırılmasını da gerektirir. Parçalı bir yapıda tamamen bağlantılı bir katman kullanılamaz. Bu çalışma, bunun yerine büyük boyutlu bir çekirdeğin kullanılabileceğini buldu.
Büyük bir çekirdek yapısının benimsenmesinin bir başka nedeni, ResNet gibi birçok derin ağın geniş alıcı alanlara sahip olmasına rağmen, ilgili çalışmalar ağların çok daha küçük bir alanda bilgi edinme eğiliminde olduğunu ve etkili alıcı alanlar kavramının önerilmiş olmasıdır. .
Büyük çekirdek yapısı yüksek hesaplama maliyetine sahiptir ve birçok yapısal parametresi vardır. Bu nedenle, k × k evrişimi 1 × k + k × 1 ve k × 1 + 1 × k olan iki dağılım kombinasyonuna yaklaştırılabilir. Bu modüle Global Convolutional Network (Global Convolutional Network, GCN) adı verilir.
Ardından, yapı hakkında konuşun: ResNet (deliklerle evrişim olmadan) tüm yapının kodlayıcı bölümünü oluştururken, GCN ağı ve ters evrişim katmanı kod çözücü bölümünü oluşturur. Yapı ayrıca Sınır İyileştirme (BR) adı verilen basit bir artık modülü kullanır.
GCN ağ yapısı
Puan yorumlarının kaynağı 82.2-Ayrıntılar için, eğitim sürecini iyileştirmek için bu yazının 83.6'sına bakın. Bu makalede sıralama listesi ayrıntılı olarak açıklanmamıştır.VOC2012'de GCN ağı tarafından test edilen karşılaştırma puanları
DeepLab v3
kağıt:
Anlamsal Görüntü Segmentasyonu için Atik Evrişimi Yeniden Düşünmek
17 Haziran 2017'de Arxiv'e gönderildi
https://arxiv.org/abs/1706.05587
Ana katkılar:
-
Uzamsal boyutta Pyramid Hollow Pooling Method (ASPP) geliştirildi;
-
Bu modül, çoklu içi boş evrişim yapılarını kademelendirir.
Özel açıklama:
DeepLab v2 ağında ve delik evrişimde olduğu gibi, bu çalışma da ResNet modelini iyileştirmek için delik evrişim / çoklu boş evrişim kullanır.
Bu makale ayrıca, piksel düzeyinde özelliklerin bağlantısını, 1 × 1 evrişimli katmanın eklenmesini ve 3 × 3 delikli evrişimin üç farklı oranını ve her bir paralel evrişimi içeren, ASPP'yi iyileştirmek için üç yöntem önermektedir. Katmandan sonra, bir toplu normalleştirme işlemi eklenir.
Kademeli modül aslında bir artık ağ modülüdür, ancak içi boş evrişimli katman farklı oranlarda oluşturulur. Bu modül, delik evrişim kağıdında belirtilen arka plan modülüne benzer, ancak güven haritası yerine doğrudan ara özellik haritasına uygulanır. Güven haritası, CNN ağının aynı sayıda kanala ve kategoriye sahip üst düzey özellik haritasına atıfta bulunur.
Makale, önerilen iki modeli bağımsız olarak değerlendirdi ve ikisini birleştirme girişimleri gerçek performansı iyileştirmedi. Doğrulama setindeki ikisinin gerçek performansı benzerdir, ASPP yapısına sahip model biraz daha iyi performans gösterir ve CRF yapısı eklenmez.
Bu iki modelin performansı, DeepLabv2 modelinin optimum değerinden daha iyidir Makalede ayrıca, performans artışının bir toplu normalleştirme katmanının eklenmesi ve çok ölçekli arka planları kodlamak için daha iyi yöntemlerin kullanılması nedeniyle olduğu belirtilmektedir.
DeepLabv3 ASPP yapısı
Puan yorum kaynağı 85.7, ASPP yapısını kullanır ve basamaklı modül sıralaması içermezVOC2012'de test edilen DeepLabv3 ASPP yapısının karşılaştırma puanı
Orijinal adres:
Bitiş
Bir uyarı
Beş grup kübit okuyucu başvuruya açıktır.Yapay zeka ile ilgilenen arkadaşlar, kübit asistanının WeChat qbitbot2'sini ekleyebilir, gruba katılmak için başvurabilir ve yapay zekayı birlikte tartışabilir.
Ayrıca, qubit ustaları tarafından bir araya getirilen otonom sürüş teknolojisi grubu, Yalnızca otonom sürüşle ilgili alanlarda çalışan öğrencileri veya öncü mühendisleri kabul edin . Uygulama yöntemi: qbitbot2'yi arkadaş olarak ekleyin, not " Otopilot "Katılmak için başvurun ~
İşe Alım
Qubit'ler işe alıyor muhabiri düzenlemek Pozisyonları bekliyorum, Pekin, Zhongguancun'da çalışıyor. İlgili ayrıntılar için lütfen şu yanıtı verin: resmi hesabın diyalog arayüzünde "İşe Alım".
