微软亚洲研究院王井东 下一代视觉识别的基本网络结构是什么样的 (微软亚洲研究院在哪)
2020 年 8 月 7 日，第五届全球人工智能与机器人峰会（CCF-GAIR 2020）在深圳正式开幕。
CCF-GAIR 2020 峰会由中国计算机学会（CCF）主办，雷锋网、香港中文大学（深圳）联合承办，鹏城实验室、深圳市人工智能与机器人研究院协办。
作为中国最具影响力和前瞻性的前沿科技活动之一，CCF-GAIR 大会已经度过了四次精彩而又辉煌的历程。
在大会第二天的「视觉智能•城市物联」专场上，微软亚洲研究院首席研究员王井东分享了其在新一代视觉识别网络结构上的研究成果。
王井东介绍，目前学界的网络结构都是围绕分类任务而发明，除了分类以外，在计算机视觉里面还有其它的重要任务，比如图像分割、人脸关键点的检测、人体姿态估计、目标检测等等。
下一代的网络结构是什么样的呢？是否适用于更为广泛的视觉识别问题？
王井东首先介绍了分类网络结构学习高分辨率表征的方式，是通过上采样的方法，包括两个步骤，第一个步骤是分类的网络架构，表征空间尺度开始比较大，然后慢慢变小。第二个步骤，通过上采样的方法逐步从低分辨率恢复高分辨率。这样的方法获得的特征空间精度较弱。
而王井东团队研发的高分辨率网络架构（HRNet）没有沿用以前的分类架构，也不是从低分辨率恢复到高分辨率，自始至终维持高分辨率。
他们让高中低分辨率不停地交互，使得高分辨率可以拿到低分辨率语义性比较强的表征，低分辨率可以拿到高分辨率的空间精度比较强的表征，不停地融合，最终取得更强的高分辨率表征。
在人体姿态、分割、人脸关键点检测、目标检测等任务中，HRNet从参数量、计算量以及最终结果看，高分辨率结构都非常有优势。HRNet在人体姿态估计的任务上，已经成为标准的方法；在分割任务上，由于其更好的性能，也被大家广泛使用。
以下是王井东大会现场全部演讲内容，雷锋网作了不改变原意的整理及编辑：
注：完整版演讲PPT可关注公众号 「AI掘金志」 回复 “王井东” 获取。
非常荣幸能够在这里跟大家分享我们的工作，今天我报告的题目是“高分辨率网络，一种面向视觉识别的通用网络结构”。
在计算机视觉里面，视觉识别是一个非常重要的领域，这里面我列举了几种代表性的研究课题：图像分类、目标检测、图像分割、人脸关键点的检测和人体关键点的检测。
从2012年以来，随着AlexNet横空出世，深度神经网络在计算机视觉领域成为主流的方法。2014年，谷歌发明出了GoogleNet，牛津大学发明了VGGNet，2015年微软发明了ResNet，2016年康奈尔大学和清华大学发明了DenseNet，这几个结构都是围绕分类任务而发明的网络结构。
除了分类以外，在计算机视觉里面还有其它的任务，比如说图像分割、人脸关键点的检测、人体姿态估计等等。
下一代的网络结构是什么样的？是否适用于更为广泛的视觉识别问题？
在解答这些问题之前，我们先了解分类网络、我们为什么提出这样的问题，以及现在的分类网络存在的问题。
LeNet-5分类网络是1998年发明的一种网络结构（如上图），包括一系列减小空间大小的过程，具体来讲就是把空间从大的特征变成小的特征，然后通过变换的向量，最后进行分类。
前面提到的几个结构，包括GoogleNex、VGGNet、ResNet等等，都是通过这种方式，逐步减小空间的大小，最终得到一个低分辨率的表征。低分辨率的表征在图像分类任务中是足够的，因为在图像分类里面，只需要给一个全局的标签，而不需要详细的空间信息，我们称之为空间粗粒表征的学习。
但是在其它任务中，比如检测，我们需要知道检测框的空间位置，比如分割，我们需要每个像素的标签，在人脸和人体的关键点的检测中，我们需要关键点的空间位置，这样一系列的任务实际上需要空间精度比较高的表征，我们称之为高分辨率表征。
目前业内学习高分辨率表征有几个原则，一般是以分类的网络架构作为主干网络，在此基础上学习一些高分辨率的表征。
学习高分辨率表征，有一种上采样的方法，包括两个步骤，第一个步骤是分类的网络架构，表征开始比较大，然后慢慢变小；第二个步骤，通过上采样的方法逐步从低分辨率恢复高分辨率。
常见的网络架构，比如U-Net，主要应用在医学图像，SegNet主要是用于计算机视觉领域，这几个结构看起来很不同，其实本质都一样。
如此一来，分辨率开始高，然后降低了，然后升高。过程中，先失去了空间精度，然后慢慢恢复，最终学到的特征空间精度较弱。
为了解决这个问题，我们提出了一种新型的高分辨率表征学习方法，简称为HRNet。HRNet可以解决前面提到的从AlexNet到DenseNet都存在的问题，我们认为下一个网络结构是HRNet。
HRNet与以前的网络结构不同，它不是从分类任务出发，它可以解决更广泛的计算机视觉问题。
我们的目的是学习一个空间精度强的表征，我们设计的HRNet不是沿用以前的分类结构，也不是从低分辨率恢复到高分辨率，而是从零开始，自始至终都维持高分辨率，体现了空间分辨率较强的表征。
这个结构是如何设计？作为对比，我们先分析分类的网络结构原理。
在下图的例子里，有高分辨率的卷积（箭头代表卷积等的计算操作，这些框是表征），有中等分辨率的卷积，最终得到低分辨率的表征。分类网络中，这三路是串联的，现在我们把这三路并联，让每一路前新增加一路，最终拿到一个高分辨率的表征。
这样大家会有疑问，三路是独立的，除了新增加的相关联之外，其它的都不产生关系，这样会损失什么？在低分辨率方面，它可以学习到很好的语义信息，在高分辨率里，它的空间精度非常强，这三路之间的信息没有形成互补。
我们采用的方法，是让三路不停地交互，使得高分辨率可以获得低分辨率语义信息较强的表征，低分辨率可以获得高分辨率的空间精度较强的表征，不停地融合，最终取得更强的高分辨率表征。
简单来讲，以前的高分辨率是通过升高、降低再升高获得，我们通过将不同分辨率的卷积由串联变成并联，自始至终保持高分辨率，并且还加入不同分辨率之间的交互，使得高分辨率表征和低分辨率表征的互动变强，获得对方的优势特征，最终获得非常强的高分辨率表征。
以上是设计方法，下面看看我们最终设计的网络例子。
HRNet实际上固定了它的深度，把这个结构分成若干个模块，每个模块是由若干个可重复的组织设计出来的。比如第三个部分，它由4个模块形成。
如何变化这个网络结构适应不同的需求？
我们采用变化宽度的方式。与ResNet比，这个结构中的宽度小很多，比如之前ResNet的宽度是256，HRNet的宽度是32-48。正因为这样的设计，我们最终得到的参数和计算复杂度与ResNet的结果是可比的。
下面了解下HRNet在不同任务中的实验性能。
人体姿态估计中，每个图片中人数很多，我们的任务是要找出每个人的关键点，并区分不同人的关键点。
做法有两种，一种方法自上而下（Top-Down）的方法，首先使用一种检测器，把人检测出来，然后每个人单独做关键点的检测。另外一种方法自下而上（Bottom-Up），直接检测关键点，然后进行一些聚类的操作，把不同人再分开来。
我们先展看看自上而下方法的结果，下图左边是基于ResNet的方法，右边的是HRNet的方法，比较的指标是关键点位置寻找准确与否。我们的结果是74.9%，结果要好于ResNet，同时参数量上，ResNet是68.5，我们是28.5。通过进一步加宽HRNet网络结构后，可以进一步提高结果。
这个方法自从去年在CVPR发表以来，已经成为在人体姿态构建里一个标准的网络，一些文章或者比赛都会采用HRNet架构。
在分割任务中。采用街景分割的例子，街景分割在自动驾驶、无人驾驶、辅助驾驶中都非常重要。
以一个非常重要的数据集Cityscapes validation比较，其中，mIoU是衡量分割好坏的一个非常重要的指标，从下图看到，HRNet-W40的结果优于其他方法，而体现计算量的GFLOPS指标中，HRNet是三位数，其他方法大多为四位数，HRNet计算量更小。在参数量、计算量上，HRNet的过程和最终结果都具有优势，将网络结构规模变大后，优势进一步提高。
Cityscapes Test数据集的结果看，HRNet的表现也是最好的。
在今年4月份之前，我们在Cityscapes分割的榜单中排名第一。5月份，英伟达的一个新方法排名第一，了解过他们的方法后，发现它最终的结果是基于HRNet，再加上它的模块，从这个角度看，说明HRNet的影响力在逐步变大。
人脸的关键点检测应用非常多，娱乐、短视频中的美颜功能，都需要人脸关键点的检测，定位出眼睛、鼻子等的位置。
下图展示的是在一个最新数据集上的结果，人脸关键点上有98个点，在测试数据集上，指标衡量的是预测的点与人工标注的点之间的差距，HRNet的数值比之前的都小，差距最小。除此之外还列出了6种不同复杂条件，比如人脸姿态的变化、表情的变化、光照、是否化妆、是否遮挡，图片清晰程度，这系列的情况下，我们的结果都比以前的方法好。
下面再看我们的方法用在目标检测任务上。我们需要把物体框出来，同时要预测框中的物体种类。
在最流行的Faster R-CNN框架里，我们用HRNet和ResNet的方法进行对比，为保证公平，分成4组，在每组参数量和计算量可比的情况下进行对比。
前三组在Faster R-CNN上比较，最后一个在Cascade R-CNN上比较，蓝色数值表示预测的整体好坏情况，从结果看，HRNet都远优于ResNet。除此以外，HRNet有非常好的高分辨率表征，在小物体上更有优势。
实体分割中Instance Segmentation，需要表征出物体的轮廓，而不仅仅是一个框，我们在Mask R-CNN中和ResNet对比，我们的表现有提高，尤其在小物体上体现更加明显。当然，仅仅在Mask框架里做不能说明问题，所以我们也会在发表的研究里列举其他的方法，结果都比ResNet的表现好，这里不一一列举。
HRNet出来时，有人怀疑是否其参数量、计算量变大，事实上，我们并没有增加参数量和计算量，或者说增加网络结构的复杂度来提升性能，比如上图中，各项参数中两者计算量差不多，但是结果是HRNet更好。
下面我们看看分类。
在视觉领域，预训练非常重要，它需要帮网络进行初始化，通过迁移学习应用到其他领域，或者给网络结构做更好的初始化以帮助优化。
当初我们做这个网络结构的目的是为了提出一个高分辨率表征，以帮助分类以外的任务。后来发现，在同等参数量和计算量基础上，HRNet的结果比ResNet好。
2012年以来AlexNet、GoogleNet、VGGNet、ResNet、DenseNet等是为了做分类任务，HRNet除了可以做分类任务，且性能很好，还可以做分割、检测、识别等等各种任务，面部检测、行人的检测、高空图像识别，卫星图象识别，也都有很好的效果。
HRNet去年10月推出后，被很多比赛的参赛者使用。比如去年ICCV keypoint and densepose比赛中，几乎所有参赛选手都使用了HRNet，谷歌、商汤团队用HRNet做panoptic segmentation 和 openimage instance segmentation比赛，也取得了最好的效果。
最近大家对网络结构搜索了解较多，既然有了搜索，为什么还要有网络结构设计？网络结构设计实际上是为搜索提供了一个空间，这也是非常重要的。今年CVPR上的一篇来自谷歌的文章，它的出发点与HRNet非常相似，认为以前的网络都是通过空间变大然后变小再恢复，这样对一些识别和检测任务非常不友好，他设计一个NAS的算法，来解决这个问题。
网络结构除了以上所述HRNet一系列东西之外，还有很多非常重要的研究，比如怎么利用人的常识帮助网络设计，怎么设计轻量化网络，怎么与计算机硬件联系一起。
计算机视觉中，怎么为具体的任务设计网络结构的研究也非常多。我给大家简单介绍一下我们在ECCV 2020和CVPR 2020的关于Head Architecture Design的工作，主要研究如何把人的常识加进设计中。
这里给大家讲一下语义分割，语义分割要预测每个像素点的标签。深度学习在该领域内的应用非常广泛， FCN是一个标准方法，一个图像经过一个网络结构，最后预测像素点的标签。由于每个像素点本身没有标签，它的标签来自对周围信息的判断，所以通常会加上上下文的信息。
在介绍我们的方式之前，大家可以了解下以前的方法。
以前的方法主要是Spatial context（空间上下文）比如有PPM、ASPP，它是在像素点周围有规律地选出一些像素点，以求得当前像素点表征，进而进行标注，我们把它称为空间式。
我们的方法是Object context（对象上下文），它的出发点非常简单，正如前面提到，像素点本身没有标签，标签来自于这个像素点所在的物体，比如下图红色的点，这个位置很难有标签，它的标签来自于这个车。运用这个出发点，我们思考路径是：能不能拿到这个红色像素点所在的物体特征，来帮助表达这个红色的像素点。基于这个出发点，我们提出了OCR方法。
OCR的方法涉及鸡生蛋还是蛋生鸡的问题。我们事先并不知道分割，是先估计一个粗略的分割，有一个当前的表达，比如下图，取红色像素点的特征，把它输入到模块里，得到红色像素点当前的特征和其它的若干特征（K object regions），然后把这些特征经过变换，算出它们之间的相似度，根据相似度，经过加权池化（weighted pooling），然后得到像素点的表征，根据这个表征以及以前的表征一起进行预测。
从数据看，HRNet+OCR的方法的结果为82.5，这是发表文章时业界最好的结果。
另外简短介绍一下自下而上姿态预测（Bottom-Up Pose Estimatiom）中的工作。
它不需要人体的检测就可以直接预测人体的关键点。
其中有个关于人体大小不一的问题，以前的方法没有确切的解决方式，我们提出“高分辨率特征金字塔”的方法。把图形输入到HRNet中做一个表征，从小的特征中分辨大的，从大的特征里面分辨小的，这个方法的结果表现也是非常好。
最后简单总结一下，我讲的主要是HRNet，作为一个通用的网络结构，给大家展示了在视觉分割、检测、人体关键点、人脸关键点的预测等的原理，一系列的结果都比ResNet好，目前已经成为一个标准的方法。除此以外，我们借助基于具体任务的网络结构设计，比如加上OCR的方法、高分辨率特征金字塔（Higher-Resolution Feature Pyramid）的方法取得的效果都非常好。
我们也提供了代码。
原创文章，未经授权禁止转载。详情见 转载须知 。
优秀软件改变你的生活！
HAP（HyperApplicationPlatform）超级应用平台，明道云打造，零代码快速构建企业应用，助力企业数字化，降低成本。服务百万用户，2021年获亿元级投资，高新技术企业，上海市专新特精认定企业，130+员工，研发团队占半。
保定市民科环境检测有限公司创建于2003年10月份，依法注资500万元，地处具有古城之称的河北保定，位于繁荣的商务中心地段，环境优雅卓越，办公设施正规齐全，实验设备先进一流，是一家长期致力于环境（水、土壤、噪声、大气、固废、污染源）、辐射、油气回收、职业卫生评价等以检测为主的具有独立法人地位的股份
遂宁大洋绿洲制冷工程有限公司,13880221178造价低8%,冷库修建造价合理,专业承接各类大小型冷库、冻库、蔬菜保鲜库，水果保鲜库、气调库、冷藏库、设计安装,专业从事冷库设计、销售、安装8年，服务于上千余客户.
海南友发实业有限公司，天津友发钢管海南办事处，友发钢管，玛钢管件，沟槽管件，天广消防，珠江钢管，广钢钢管
我要创富网富含创富新闻、理财资讯、创业商机等内容，是学习理财、省钱、种植、养殖及网络赚钱等相关知识的全方位致富网站。我要创富网，创富生活第一站！
舟大师-第四代产品优势：人工智能AI高效精准询盘转化,询盘主动推送到客户手机;流量随心可控，支持多落地页;透明数据，提升改进推广效果;推广排名报表，流量报表，询盘报表。
四川零贰捌广告有限公司提供UV喷绘，5米UV喷绘、UV平板喷绘、UV卷材喷绘、亚克力UV喷印、UV软膜喷绘、uv喷印等服务，产品主要适用于广告展示，装饰装修。公司配备专业配送人员与施工队伍，可提供各类安装施工服务
去搜手游网74sy.com是目前国内最新开热血传奇手游私服发布网,为玩家提供安卓手游、IOS手机游戏下载以及最热门软件应用,并收集整理全网最热门的传奇私服手游、魔兽世界私服手游、正版手机游戏的热门攻略,新闻,资讯,欢迎广大手机游戏爱好者参观体验。
公司成立于2007年6月6日,占地:23310平方米,拥有专业人才120名。公司配备了专业的检测及生产设备。采用熔模铸造,覆膜砂及自动铸蜡杋等工艺,生产挖掘机耐磨斗齿、齿座、边齿、铲齿、斗铀、斗齿销等年生产产品近1.5万吨。为客户提供一流的产品及服务
顺风建筑规划设计有限公司（顺风设计院）成立于2020年，拥有城乡规划乙级、市政行业乙级、公路行业（公路）专业乙级、建筑行业乙级、水利行业乙级、风景园林工程设计专项乙级、电力设计资质乙级（风力发电、送电工程、变电工程）、农林行业（农业综合开发生态工程）专业乙级、环境工程（物理污染防治工程）专项乙级、化工石化医药行业乙级、岩土工程勘察乙级、市政房建监理乙级、资信预乙级等10余项资质，是一家专门提供建筑设计资质合作、项目合作、投标管理和技术咨询的服务机构。
“101计划”实践平台是教育部“101计划”的核心课程实践资源共建共享平台，联合高校和产业力量，为计算概论、数据结构、算法设计与分析、离散数学、计算机系统导论、操作系统、计算机组成与系统结构、编译原理、计算机网络、数据库、软件工程、人工智能引论等12门核心课程开发配套实践内容与案例，将课程体系、教学内容、实践载体、增效手段融会贯通，构建“教师、学生、教材、课程、平台”五位一体的教育思想、课程建设、课堂提升、课程实践的教育教学新模式，持续推动核心课程、核心实践项目的建设和应用。
本文是计算机视觉领域顶级会议ICCV2021入选论文，AnEmpiricalStudyoftheCollapsingProbleminSemi，Supervised2DHumanPoseEstimation，半监督二维人体姿态估计中的模型坍塌问题研究，的解读，该论文由北京大学王亦洲课题组与微软亚洲研究院合作完成，研究了一致性学习算法...。
仪式正式开始，莅临本次启动仪式的组委会成员有，高文，大会主席，CCF理事长，中国工程院院士，IEEE、ACMFellow林军，大会指导委员会委员，雷锋网创始人，科技史作家郑宇，程序委员会主席，微软亚洲研究院主管研究员，人工智能顶级国际期刊TIST主编周志华，大会指导委员会委员，CCF常务理事，CCFFellow，CCF人工智能与模式识...。
坊间有言，技术看百度，产品看腾讯，运营看阿里，如果想创业，有了这三类人才，也就算是有了坚实的基础，早在2012年，百度就建立了深度学习研究院，此后相继建立了大数据实验室和硅谷人工智能实验室，如果说微软亚洲研究院是AI界的，研究黄埔军校，，百度则是中国AI界的，工程黄埔军校，在AI时代，百度做医疗的决心有增无减，2018年，百度成立智...。
雷锋网AI科技评论按，10月17日至19日，由CCF主办、苏州工业园区管委会、苏州大学承办的CNCC2019在秋意正浓的苏州如约而至，今年大会以，智能，引领社会发展，为主题，选址苏州金鸡湖国际会议中心召开，偌大的会场人潮涌动，据悉，今年大会邀请了15位国内外计算机领域知名学者、专家及企业嘉宾莅临现场做特邀报告，同时还将举办3场大会主题...。
又一位AI大牛重返学术界！微软亚研，MSRA，首席科学家、高级领导成员曾文军已于近期离职，加盟位于浙江宁波的东方理工大学作为IT业界的，黄埔军校，，MSRA培养出了张亚勤、沈向洋、汤晓鸥、马毅、王井东等数十位AI大牛，这些人的影响力足以撼动中国科技圈的半壁江山，只可惜，如今这些大牛已经悉数离开，就在上个月，AI科技评论刚刚报道，MSR...。
微软亚洲研究院今日又迎来了一位新院长！刚刚，微软，北京，宣布，微软杰出首席科学家、原微软亚洲研究院常务副院长周礼栋博士升任微软亚洲研究院院长，全面负责微软亚洲研究院在北京和上海的研究工作，以及与中国及亚太地区学术界和产业界的合作，而原洪小文博士不再兼任微软亚洲研究院院长一职，但将继续负责推动微软在亚太地区的别的事务，洪小文博士对于周礼...。
最近的字节跳动，一波未平，一波又起，据悉，字节跳动副总裁、AILab主任马维英离职，赴清华大学智能产业研究院任职，加入正在筹备该产业院的原百度总裁张亚勤团队，马维英此前为微软亚洲研究院常务副院长，2017年2月离职后加入字节跳动，出任副总裁，时隔三年后，马维英再次选择离开，其背后原因引发广泛关注，对此，字节跳动第一时间给出了官方回应，...。
语音播放文章内容由深声科技提供技术支持您的浏览器不支持audio元素，雷锋网AI科技评论消息，2019年10月17日上午，CNCC2019正式在苏州金鸡湖国际会议中心开幕，雷锋网作为战略合作媒体，对大会进行全程报道，在大会第一天，微软亚洲研究院院长洪小文在会上作为特邀嘉宾做了主题为，智能简史，的特邀报告，洪小文博士在报告中阐述了他看待...。
雷锋网AI科技评论按，2019年7月24日，中国计算机学会，CCF，和苏州工业园区管委会共同举办了2019中国计算机大会，CNCC2019，新闻发布会，CNCC2019大会总监、CCF秘书长杜子德，CNCC2019指导委员会主席、中国科学院院士梅宏，CNCC2019程序委员会主席、微软亚洲研究院副院长周明，CNCC2019组织委员会副...。
作者，董子博2022年6月的一个傍晚，杭州东站正是人来人往、行色匆匆，人群中，一个中年人正要从杭州赶回上海的家，他年初远赴德国公司主掌工作，回国航班落地成都，数周隔离后，又是上海疫情吃紧，全城封锁，到这天，他已有将近半年没见过家人一面了，他到了车站，时间还早，在候车室的长椅上坐定，他看着熙攘的人群出神，回忆起了自己的职业生涯，在计算机...。
MSRA——即微软亚洲研究院，停止招收国防七子及北邮学生，国防七子，指的是北京理工大学，北京航空航天大学，南京理工大学，南京航空航天大学，哈尔滨工业大学，哈尔滨工程大学，原哈军工，以及西北工业大学，短短一句话信息量极大，说白了，以上几所高校学生今后将难以进入MSRA实习，此消息最先在北邮人论坛流传，一经发出，引起多方关注，这段话透露出...。
浙大蔡登团队携手微软亚洲研究院，提出了一个新的对比动作表征学习，CARL，框架，以自监督的方式学习逐帧动作表征，尤其是针对长视频；它考虑了时空上下文来提取逐帧表征，是一种基于Transformer的简单而高效的视频编码器，他们提出了一种新的序列对比损失，SCL，，应用于通过一系列时空数据增强获得的两个相关的视图，在FineGym、Pe...。
字幕组双语原文，时间卷积网络，时间序列的下一场革命，英语原文，TemporalConvolutionalNetworks，TheNextRevolutionforTime，Series?翻译，雷锋字幕组，君思，这篇文章回顾了几个最新的基于TCN的解决方案，我们首先介绍运动检测的案例研究，并简要回顾一下TCN架构及其相对于传统方法，如卷...。
欢迎收看不知道什么时候才会再更新的影像旗舰，捡废品，栏目，近年来，影像手机的价格水涨船高，即便只是想要颗潜望长焦，价格基本都得3500元往上，真的是poorliyguy，delaynomore*&，%%￥#￥…%%，*，&，*啊，所以，我们就这次趁618，给大家盘一下，影像手机里有哪些可以捡的，废品，其实仔细一想，可选的...。
发表在专业问答2022，2，1420，30展示机型信息，品牌型号，当贝X3、当贝B3Pro系统版本，当贝OS3.0、当贝OS3.0智能投影仪可以直接作为电视观影，非智能投影仪可以外接电视盒子当做电视用，下面教大家怎么在投影仪上外接电视盒子，投影仪怎么当电视用1.准备信号线准备一根HDMI信号线；2.连接电视盒子然后通过HDMI信号线将...。
1、1911年11月18日，清廷代表唐绍仪与反派军代表伍廷芳在上海举办第一次性会议，1911年11月27日，清军攻陷汉阳后，武汉军政府一片凌乱，袁世凯以为和谈机遇成熟，遂请英使朱尔典电令汉口英领事露面，提议南北议和，湖北军政府赞同，12月7日，清廷任命袁世凯为议和全权大臣，袁世凯奏派唐绍仪为全权代表南下，双方约定在上海举办谈判，20日...。
近日，铃木汽车出售新款雨燕轿车，备受市场关注，性价比如面，新款铃木雨燕还是很有竞争力的，多少钱区间在8.08，12.98万元之间，总共推出了7款车型供消费者选用，其中最为廉价的一款车型为1.2L手动奢侈型，厂商指点价为8.08万元；而最为低廉的一款车型为1.5LCVT奢侈旗舰型，厂商指点价为12.98万元，全体来看，新款铃木雨燕多少钱...。
