天天速读:语义分割:基于openCV和深度学习(二)
语义分割:基于openCV和深度学习(二)
【资料图】
Semantic segmentation in images with OpenCV
开始吧-打开segment.py归档并插入以下代码:
Semantic segmentation with OpenCV and deep learning
import numpy as np
import argparse
import imutils
import time
import cv2
从输入必要的依赖包开始。对于这个脚本,推荐OpenCV 3.4.1或更高版本。可以按照一个安装教程进行操作—只要确保在执行步骤时指定要下载和安装的OpenCV版本。还需要安装OpenCV便利功能包imutils-只需使用pip安装该包:
Semantic segmentation with OpenCV and deep learning
$ pip install --upgrade imutils
如果使用的是Python虚拟环境,不要忘记在使用pip安装imutils之前使用work-on命令! 接下来,分析一下命令行参数:
Semantic segmentation with OpenCV and deep learning
#construct the argument parse and parse the arguments
ap = argparse.ArgumentParser()
ap.add_argument("-m", “–model”, required=True,
help=“path to deep learning segmentation model”)
ap.add_argument("-c", “–classes”, required=True,
help=“path to .txt file containing class labels”)
ap.add_argument("-i", “–image”, required=True,
help=“path to input image”)
ap.add_argument("-l", “–colors”, type=str,
help=“path to .txt file containing colors for labels”)
ap.add_argument("-w", “–width”, type=int, default=500,
help=“desired width (in pixels) of input image”)
args = vars(ap.parse_args())
此脚本有五个命令行参数,其中两个是可选的:
–模型:深入学习语义分割模型的途径。
–类:包含类标签的文本文件的路径。
–图像:的输入图像文件路径。 -
-颜色:颜色文本文件的可选路径。如果没有指定文件,则将为每个类分配随机颜色。
–宽度:可选的所需图像宽度。默认情况下,该值为500像素。
如果不熟悉argparse和命令行参数的概念,一定要阅读这篇深入介绍命令行参数的博客文章。 接下来,来分析类标签文件和颜色:
Semantic segmentation with OpenCV and deep learning
#load the class label names
CLASSES = open(args[“classes”]).read().strip().split("\n")
if a colors file was supplied, load it from disk
if args[“colors”]:
COLORS = open(args[“colors”]).read().strip().split("\n")
COLORS = [np.array(c.split(",")).astype(“int”) for c in COLORS]
COLORS = np.array(COLORS, dtype=“uint8”)
otherwise, we need to randomly generate RGB colors for
each class
#label
else:
#initialize a list of colors to represent each class label in
the mask (starting with ‘black’ for the
background/unlabeled
#regions)
np.random.seed(42)
COLORS = np.random.randint(0, 255, size=(len(CLASSES) - 1, 3),
dtype=“uint8”)
COLORS = np.vstack([[0, 0, 0], COLORS]).astype(“uint8”)
从提供的文本文件中将类加载到内存中,该文件的路径包含在命令行args字典(第23行)中。
如果文本文件中为每个类标签提供了一组预先指定的颜色(每行一个),将它们加载到内存中(第26-29行)。否则,为每个标签随机生成颜色(第33-40行)。
出于测试目的(并且由于有20个类),使用OpenCV绘图函数创建一个漂亮的颜色查找图例:
Semantic segmentation with OpenCV and deep learning
#initialize the legend visualization
legend = np.zeros(((len(CLASSES) * 25) + 25, 300, 3), dtype=“uint8”)
loop over the class names + colors
for (i, (className, color)) in enumerate(zip(CLASSES, COLORS)):
draw the class name + color on the legend
color = [int© for c in color]
cv2.putText(legend, className, (5, (i * 25) + 17),
cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 2)
cv2.rectangle(legend, (100, (i * 25)), (300, (i * 25) + 25),
tuple(color), -1)
生成一个图例可视化,就可以很容易地可视化地将类标签与颜色关联起来。图例由类标签及其旁边的彩色矩形组成。这是通过创建画布(第43行)和使用循环动态构建图例(第46-52行)快速创建的。本文中介绍了绘画基础知识。
结果如下:
Figure 2: Our deep learning semantic segmentation class color legend generated with OpenCV.
下一个区块将进行深度学习细分:
Semantic segmentation with OpenCV and deep learning
#load our serialized model from disk
print("[INFO] loading model…")
net = cv2.dnn.readNet(args[“model”])
#load the input image, resize it, and construct a blob from it,
but keeping mind mind that the original input image
dimensions
#ENet was trained on was 1024x512
image = cv2.imread(args[“image”])
image = imutils.resize(image, width=args[“width”])
blob = cv2.dnn.blobFromImage(image, 1 / 255.0, (1024, 512), 0,
swapRB=True, crop=False)
#perform a forward pass using the segmentation model
net.setInput(blob)
start = time.time()
output = net.forward()
end = time.time()
#show the amount of time inference took
print("[INFO] inference took {:.4f} seconds".format(end - start))
为了使用Python和OpenCV对图像进行深入的语义分割:
加载模型(第56行)。构造一个blob(第61-64行),在这篇博客文章中使用的ENet模型是在1024×512分辨率的输入图像上训练的,将在这里使用相同的方法。可以在这里了解更多关于OpenCV的blob是如何工作的。将blob设置为网络的输入(第67行),并执行神经网络的前向传递(第69行)。用时间戳将forward pass语句括起来。将经过的时间打印到第73行的终端。
在脚本的其余行中,将生成一个颜色映射,覆盖在原始图像上。每个像素都有一个对应的类标签索引,能够在屏幕上看到语义分割的结果。
首先,需要从输出中提取卷维度信息,然后计算类图和颜色掩码:
Semantic segmentation with OpenCV and deep learning
#infer the total number of classes along with the spatial dimensions
of the mask image via the shape of the output array
(numClasses, height, width) = output.shape[1:4]
our
output class ID map will be num_classes x height x width in
size, so we take the argmax to find the class label
with the
#largest probability for each and every (x, y)-coordinate in the
image
classMap = np.argmax(output[0], axis=0)
#given the class ID map, we can map each of the class IDs to its
corresponding color
mask = COLORS[classMap]
在第77行确定输出体积的空间维度。接下来,让找到输出卷的每个(x,y)-坐标的概率最大的类标签索引(第83行)。这就是现在所知道的类映射,它包含每个像素的类索引。 给定类ID索引,可以使用NumPy数组索引“神奇地”(更不用说超级高效地)查找每个像素(第87行)对应的可视化颜色。彩色mask版将透明地覆盖在原始图像上。 让完成脚本:
Semantic segmentation with OpenCV and deep learning
resize the mask and class map such that its dimensions match the
original size of the input image (we’re not using the
class map
#here for anything else but this is how you would resize it just in
case you wanted to extract specific pixels/classes)
mask =cv2.resize(mask, (image.shape[1], image.shape[0]),
interpolation=cv2.INTER_NEAREST)
classMap = cv2.resize(classMap, (image.shape[1], image.shape[0]),
interpolation=cv2.INTER_NEAREST)
perform a weighted combination of the input image with
the mask to
#form an output visualization
output = ((0.4 * image) + (0.6 * mask)).astype(“uint8”)
show the input and output images
cv2.imshow(“Legend”, legend)
cv2.imshow(“Input”, image)
cv2.imshow(“Output”, output)
cv2.waitKey(0)
调整掩码和类映射的大小,使它们与输入图像(第93-96行)具有完全相同的维度。为了保持原始的类id/mask值,使用最近邻插值而不是三次、二次等插值是非常重要的。 现在大小是正确的,创建了一个“透明的颜色覆盖”,通过覆盖的原始图像(第100行)的遮罩。这使能够轻松地可视化分割的输出。关于透明覆盖层以及如何构建它们的更多信息,可以在本文中找到。最后,图例和原始+输出图像显示在第103-105行的屏幕上。
单图像分割结果
在使用本节中的命令之前,请确保获取此博客文章的“下载”。为了方便起见,在zip文件中提供了模型+相关文件、图像和Python脚本。在终端中提供的命令行参数对于复制结果很重要。如果不熟悉命令行参数,请在此处了解它们。准备好后,打开一个终端并导航到项目,然后执行以下命令:
Semantic segmentation with OpenCV and deep learning
$python segment.py --model enet-cityscapes/enet-model.net \
–classes enet-cityscapes/enet-classes.txt \
–colors enet-cityscapes/enet-colors.txt \
–image images/example_01.png
[INFO] loading model…
[INFO] inference took 0.2100 seconds
图3:OpenCV的语义分割显示了道路、人行道、人、自行车、交通标志等等!
注意分割的精确程度-它清楚地分割类并准确地识别人和自行车(自动驾驶汽车的安全问题)。道路,人行道,汽车,甚至树叶都被识别出来了。
尝试另一个示例,只需将–image命令行参数更改为不同的图像:
Semantic segmentation with OpenCV and deep learning
$ python segment.py --model enet-cityscapes/enet-model.net \
–classes enet-cityscapes/enet-classes.txt \
–colors enet-cityscapes/enet-colors.txt \
–image images/example_02.jpg
[INFO] loading model…
[INFO] inference took 0.1989 seconds
在这里插入图片描述
图4中的结果展示了这个语义分割模型的准确性和清晰性。汽车、道路、树木和天空都有清晰的标记。下面是另一个例子:
Semantic segmentation with OpenCV and deep learning
$ python segment.py --model enet-cityscapes/enet-model.net \
–classes enet-cityscapes/enet-classes.txt \
–colors enet-cityscapes/enet-colors.txt \
–image images/example_03.png
[INFO] loading model…
[INFO] inference took 0.1992 seconds
上图是一个更复杂的场景,但ENet仍然可以分割走在车前的人。不幸的是,该模型错误地将道路分类为人行道,但可能是因为人们在人行道上行走。最后一个例子:
Semantic segmentation with OpenCV and deep learning
$ python segment.py --model enet-cityscapes/enet-model.net \
–classes enet-cityscapes/enet-classes.txt \
–colors enet-cityscapes/enet-colors.txt \
–image images/example_04.png
[INFO] loading model…
[INFO] inference took 0.1916 seconds
通过ENet发送的最终图像显示了模型如何在道路、人行道、树叶、人物等其他场景类别中清晰地分割卡车与汽车。
标签:
相关推荐:
精彩放送:
- []快资讯丨摄氏度和开氏度的换算 开氏度和摄氏度的换算公式
- []天天时讯:用VC6.0怎么实现上位机串口通信?位机串口通信的设置方法
- []怎么设置交换机?计算机交换机连接设置方法
- []每日快报!粘胶短纤维市场现状是什么?粘胶短纤维的未来发展趋势
- []数据结构试题有哪些?数据结构试题及评分解析
- []当前速讯:mysql置疑原因是什么?数据库置疑的处理办法
- []java中flypaper怎么使用?Java 基础接口fly
- []热议:c语言餐桌游戏有哪些?教会你这十款酒桌游戏让你在朋友圈稳站“C”位!
- []全球视讯!专升本英语重要知识点补充 英语全部知识点详情介绍
- []每日消息!CSS:好玩的‘伪类’系列之——(:only-child与:only-of-type) 例子说明
- []招行信用卡荣获“2022年度金质信用卡天玑奖”
- []“快闪”成都,五粮浓香兔年生肖酒打响旺季攻势、抢跑“春节档”!
- []挑选运动耳机不踩雷!一篇文章告诉你想知道的所有
- []全球观点:【东海期货12月8日宏观金融日报】:国内疫情防控措施进一步优化
- []中信建投期货12月8日早间交易策略
- []视讯!苏州高新发行3亿元超短期融资券 利率2.48%
- []焦点信息:央行:支持房地产市场平稳健康发展 用好“保交楼”专项借款加大对房企贷款投放力度
- []锋龙股份:公司首发募集资金和可转债募集资金投资项目正按项目计划在紧锣密鼓地建设和筹备工作中
- []科恒股份:公司的主营业务为锂电智能装备及锂离子正极材料,没有涉足下游电芯制造
- []世界速看:普洛斯仓储物流封闭式基础设施公募REITs状态更新为“已反馈”
- []世界热文:ST爱迪尔:公司负债及现金流情况详见公司最新定期报告
- []【热闻】雅居乐集团与农行广东分行签约 后者在同等条件下优先为雅居乐提供必要综合融资服务
- []广州知识城携北京华瑞锦泰以3.07亿元竞得广州黄埔区一宗商地
- []骏成科技:此轮疫情对公司的生产以及业绩影响不大,从公司公布的三季报数据可见
- []成人补钙吃什么钙片好?金丐醋酸钙科学补钙更轻松
- []环球今亮点!深圳峰汇创投发展拟转让长兴中建投38.5%股权 底价1.62亿元
- []重庆轮船集团挂牌宜宾天港物流40%股权及债权 转让底价为199万元
- []侨银股份新增投资霸州侨银环保科技 持股比例100%
- []华发股份:公司已披露定增预案,具体内容详见公司于12月6日上海证券交易所网站披露的公告
- []一起教育科技发布2022年三季度财报:业绩稳中向好,连续四个季度实现盈利
- []全球观天下!安徽滁州超29亿元成交九宗地块 总出让面积848亩
- []长春3.86亿元挂牌5宗地 总出让面积37.28万平米
- []当前快讯:珍宝岛:公司的参股公司安徽九洲方圆制药有限公司有饮片业务,据了解,目前业务规模营收亿元左右
- []全球快消息!海航科技与天津信托和解
- []当前速讯:卖地发工资的逻辑
- []全球视讯!“三支箭”出弓地产度过“最难时光”?43只地产债大幅反弹近一月涨幅翻倍
- []互联网巨头也要跨界储能?
- []当前消息!1000000000元!环保龙头成立电池储能公司
- []机会?蔚蓝锂芯电池生产线改造投产
- []全球时讯:3分钟!电池储能安全问题解决了?
- []什么是分布式储能?分布式储能系统有哪些功能?
- []环球报道:自费社保一年需交多少 社保自费一年得交多少钱
- []微资讯!从上海离职了怎么把公积金取出来,可分为三个步骤
- []天天滚动:青竹画材科创板IPO进程终止:原计划募资4亿元,刘其通为控股股东
- []【全球新视野】中国电气装备集团12.84亿元上海静安拿地 将建总部大楼
- []当前报道:德国股市收低;截至收盘DAX 30下跌0.57%
- []每日消息!保险公司的分类
- []养老保险能退吗
- []天天热点!公积金绑定哪个银行卡 公积金绑定的是哪个银行卡
- []央行营业管理部:加大对房地产企业和建筑企业的贷款投放力度
- []环球快消息!一笔关联交易 建发国际“低价”购入上海闵行两宗地
- []朗进科技:公司未参与沙特的“The Line”未来城市项目
- []简讯:中梁控股1月至11月合约销售额620亿元 销售面积594万平
- []朗进科技:12月6日公司高管张进、张永利减持公司股份合计1.2万股
- []环球新消息丨数码视讯:12月6日公司高管郑海涛减持公司股份合计8万股
- []世界今日讯!科华数据:12月6日公司高管林清民增持公司股份合计7300股
- []当前焦点!美瑞新材:12月6日公司高管任光雷减持公司股份合计10万股
- []每日看点!容知日新5名股东合计减持201.64万股 套现2.23亿 2022年前三季度公司净利4470.9万
- []每日热文:德信中国1-11月合约销售金额约336亿元
- []信息:海航投资将延期至12月21日前回复深交所半年报问询函
- []【世界新视野】福州1-9月累计住房公积金提取72亿 为23风险楼盘放款4.23亿
- []【环球时快讯】光大地产至11月底接近4000套房屋全部提前交付
- []宣泰医药提示风险 熊去氧胆酸胶囊产品不涉及新冠病毒防治
- []世界短讯!道通科技:12月2日詹金勇减持公司股份合计8750股
- []今日聚焦!珀莱雅:12月6日公司高管方玉友减持公司股份合计24万股
- []今日报丨ST宏达实控人被证监会拟罚1000万元 律师明确可索赔区间
- []远洋集团11月协议销售额108.6亿 前11月累计销售895亿元
- []财面儿|金地商置与金地集团续订两个服务协议 自明年1月1日起生效
- []快看点丨财面儿丨中国金茂1-11月累计取得签约销售金额共1374.8亿元
- []每日头条!粤水电:公司本次重组已取得中国证监会的核准批复,相关工作正在进行当中
- []每日动态!上坤地产:2022年前11个月合约销售额约79.2亿元
- []全球热讯:财面儿|金地“21金地MTN007”将于12月15日偿付利息6060万元
- []旭辉控股集团前11月合同销售1175.9亿元
- []天天消息!二手房周报 | 15城成交再降8%,京蓉等皆不及年内周均(11.28-12.4)
- []韦尔股份:公司会一如既往的努力加强经营管理,努力做好经营,提升公司竞争力,实现稳定的业绩增长回馈股东
- []今日播报!宜昌城发地产底价29.6亿竞得宜昌市伍家岗4宗地块
- []香港11月底官方外汇储备资产增加60亿美元
- []全球微资讯!中天金融:公司逾期债务对应的担保余额15.1亿元
- []新华都:北京重力久致科技有限公司将在经营范围内开展工作
- []武商集团:公司目前仅在南昌有酒店项目
- []天天热消息:江苏无锡支持“外摆位” 打造“夜市经济”
- []快看:印度股市年均回报率接近20%,IT、材料、工业等行业回报率高
- []国际航协:全球航空业今年亏损收窄,明年将回归盈利
- []头条:龙光集团境内债整体展期获得通过 累计展期规模超223亿元
- []环球今头条!上海中海物业因未履行二次供水水质检测等被处罚6000元
- []环球焦点!沃森生物:公司在研新冠疫苗项目均在努力推进上市进程,公司将根据临床进度和数据情况开展上市申报
- []全球快讯:英飞拓:公司暂未开展与卡塔尔世界杯足球赛相关业务
- []天天快资讯丨上坤地产:前11月合约销售金额约为79.2亿元
- []讯息:世茂股份:1-11月销售签约金额约86亿,销售签约面积约66万平方米
- []环球速看:2023年楼市怎么走,房价涨不涨?最早一份机构预测出炉
- []环球观速讯丨九丰能源:目前,公司境外主要货源地在马来西亚、印度尼西亚、澳大利亚、卡塔尔等地,气源供应优质、稳定
- []天天讯息:天虹股份:可以通过天虹APP及天虹小程序购买天优酱酒
- []环球微头条丨风能相关上市公司有哪些?风能上市公司龙头有哪些?
- []盐上市公司有哪些?相关上市公司龙头一览?
- []全球热门:安防概念股票有哪些?安防概念股龙头有哪些?
- []【环球新要闻】2021年地热概念股有哪些?相关地热概念股一览?
- []腾讯上市公司股票有哪些?相关腾讯上市公司有哪些?
- []龙光成第二家境内债整体展期房企 展期规模约220亿元
- []2021年超导概念股有哪些?超导概念龙头股一览?
- []全球视讯!安科生物股票今天多少钱一股?安科生物股票代码是多少?
- 世界信息:图片或手写签名转电子签名怎么转?手写签名转电子签名教程
- 天天速读:语义分割:基于openCV和深度学习(二)
- 天天微头条丨用VC6.0实现上位机串口通信
- 基础版本的基础版本 直方图均衡化系列
- Android中LayoutParams是什么?Android中LayoutParams总结和用法
- 全球新资讯:会议panel是什么意思?医学术语中的panel到底是指什么?
- 当前动态:颜料墨水和染料墨水的区别是什么?颜料墨水和染料墨水简介
- 天天即时看!优麒麟社区懒人版本(含软件全家桶) 怎么一键安装?
- ssm大学生兼职论坛是什么?大学生兼职有哪些?
- 天天视讯!浪漫主义时期的音乐有哪些?浪漫主义乐派是什么?
- B站注册资本增幅400%至5亿 目前由陈睿全资持股
- 光源资本出任独家财务顾问 沐曦集成电路10亿元A轮融资宣告完成
- 巨轮智能2021年上半年营收11.24亿元 期内研发费用投入增长19.05%
- 红枣期货尾盘拉升大涨近6% 目前红枣市场总库存约30万吨
- 嘉银金科发布2021年Q2财报 期内净利润达1.27亿元同比增长208%
- 成都银行2021上半年净利33.89亿元 期内实现营收同比增长17.27亿元
- 汽车之家发布2021年第二季度业绩 期内新能源汽车品牌收入增长238%
- 中信银行上半年实现净利润290.31亿元 期末不良贷款余额706.82亿元
- 光伏概念掀起涨停潮交易价格创新高 全天成交额达1.29亿元
- 上半年生物药大增45% 关键财务指标好转营收账款持续下降
- 讯息:2021年铜龙头概念股有哪些?铜概念股一览?
- 化纤行业板块上市公司有哪些?2021年化纤行业板块股票一览?
- 环球播报:雄安股票有哪些?相关雄安概念股票有哪些?
- 2021年新冠核酸上市公司龙头股票有哪些?2021年新冠核酸概念股有哪些?
- 2021年农林牧渔板块龙头股有哪些?股票代码是多少?
- 环球关注:万里扬: 公司在浙江省的独立储能电站项目都在正常推进中
- 人民币贬值受益股有哪些?人民币贬值板块股票2020一览?
- 【全球新要闻】煤炭股票有哪些?煤炭概念股一览?
- 哪些是智能手表概念股?智能手表概念股名单一览?
- 高新兴股票价格是多少?高新兴公司经营范围有哪些?
- 焦点热讯:橡胶V带概念股票有哪些?橡胶V带概念股一览?
- 微动态丨石墨烯上市公司股票有哪些?石墨烯上市公司龙头一览?
- 【天天报资讯】OLED概念股有哪些?相关OLED概念股一览?
- 【热闻】永太科技:公司以含氟技术为核心,在氟苯精细化学品领域发展多年,产品种类繁多
- 水泥概念龙头股有哪些?水泥概念股有哪些?
- 环球热消息:中国铁建拟发行22亿元中期票据用于偿还到期债务
- 世界聚焦:ST宏达:公司目前尚未达到撤销其他风险警示的条件,相关事项请关注公司后续披露
- 国际金价下方支撑仍看向1758美元
- 天天看热讯:美原油交易策略:供给过剩担忧升温,油价或剑指70关口
- 天天资讯:数据 | 我国国际航线旅客量创疫情3年新高,但航班量相比全球仍处较低水平
- 世界快资讯:现货黄金交易策略:逢低买盘支撑金价,但下行压力依然较大
- 天天观点:内部收益率54.56% 联泓新科碳酸酯锂电材料项目将于月底前中交
- 全球通讯!华富储能股东江苏华富股份被司法冻结 占公司总股本11.96%
- 今日讯!一张图:交易品种枢纽点+多空占比一览(2022/12/07周三)
- 今日精选:里程碑丨热烈庆祝阿诗特能源第十万台户用储能电池模组下线!
- 【世界快播报】南瑞继保助力国家电投西藏5站光伏增配储能保供任务
- 当前观察:元旦假期公布,旅游平台机票、酒店搜索应声上涨超6倍
- 世界观速讯丨中国机场数字化转型的现实难题
- 天天快报!贵州山东杭州等地取消落地检,热门景区酒店还查核酸吗?
- 德银称近期金价可能测试1750美元支撑,2023年料相对稳定!
- 每日热文:各地优化疫情防控措施带动出游热,旅游产业链全面恢复尚需时间
- 丰原药业:注射用尿促性素属于促性腺激素药物
- 环球快资讯:12月7日如意集团涨停分析:抗菌面料,纺织服装,防护服概念热股
- 世界热讯:12月7日民和股份涨停分析:养鸡,大农业概念热股
- 4700米!融和元储助力世界海拔最高的储能电站并网投运
- 每日速读!境内债整体展期获得通过,龙光将回归良性健康发展轨道
- 【当前热闻】12月7日力合科创涨停分析:新冠病毒防治,医疗器械,碳基材料概念热股
- 江山经开区发展1.13亿元竞得衢州江山1宗商住用地
- 实时焦点:安澜城建3.68亿元竞得舟山岱山县1宗商住用地
- 方远房地产7.62亿元竞得台州三门县1宗商住用地 溢价率12.06%
- 环球关注:首开股份50亿元公司债券已获上交所受理
- 郭广科院长医美科普为什么有些隆胸术后会很假?
- 环球精选!12月7日汉王科技涨停分析:基因测序,流感/口罩,医疗信息化概念热股
- 55%看好杭州楼市!贝壳研究院发布购房者置业信心报告
- 北京煤医田秋梅:想咨询“花蕊私密整形”又羞于启齿?
- 北京嘉佩乐医院靠谱吗 正规可靠、保护患者就医权益
- 三维天地助力动物疫控预警预报系统升级改造
- vollgas花式助力葡萄牙,陪你世界杯熬夜看球
- 摩洛哥首度晋级八强,海信电视见证世界杯黑马诞生
- 1场进3球! 海信电视见证21岁葡萄牙小将一战成名
- 即时焦点:浅议当下奢华酒店产品和服务
- 全球快资讯丨中信建投期货12月7日早间交易策略
- 天天热消息:碧桂园拟配售17.8亿股 总筹48.06亿港元
- 立方数科:有关股东人数请您届时参看定期报告有关内容
- 学单词怕忘记——背词神器小z口袋单词卡帮你巩固记忆
- 北京发布“助企纾困12条”支持开发贷款等存量融资合理展期
- 天天即时看!悦心健康:截止11月30日,公司股东总户数82,729户,机构股东609户
- 环球即时:融创发布最新境内债重组方案 未到期债务展期4年
- 环球新消息丨化妆品板块反弹!产业链有望复苏,机构预计这些个股明年净利大增
- 每日看点!绿地控股:拟向不超过35名特定投资者非公开发行股票 募资用于保交楼相关项目
- 今亮点!龙湖发布中期股息以股代息计划 涉及23亿美元债券
- 天天热资讯!千味央厨:有关公司的战略规划,请查阅公司披露的定期报告
- 当前速读:雪榕生物:《OEM交易基础合同》为框架性协议,该合同的签订不会对公司本年度业绩造成重大影响
- 每日简讯:外汇交易提醒:美元逼近200日均线,看涨信号增加,关注加拿大央行决议
- 全球讯息:融资端困难解决之后 房地产下一个问题应如何化解?
- 今日精选:淄博房屋建设开发拟转让淄博齐轩地产100%股权 挂牌价2210万元
- 每日热闻!江西赣东路桥建设挂牌转让华辰置业30%股权 底价为875万元
- 汉马科技:公司指定信息披露媒体为《中国证券报》《上海证券报》及上海证券交易所网站
- 每日头条!270亿龙头出手 风口赛道现30亿并购案
- 焦点!中粮糖业:公司今年甜菜采收状况稳定
- 上海东浩兰生国贸集团拟2.17亿元转让灏震国际物流100%股权
- 全球短讯!皖新文化产业投资挂牌重庆皖新文投置业100%股权 底价仅1元
- 【世界新要闻】航企收钱的门道:创新支付方式
- 12月7日重点数据和大事件前瞻
- 【全球快播报】TD早报 | 海南多地调整跨省政策,三亚机票酒店预订量激增3倍
- 全球聚焦:怎么可以全部提取公积金,有以下四步
- 养老保险余额在哪里查询 如何查询养老保险余额
- 全球滚动:业绩快报 | 中海前11月合约物业销售2567亿 绿城合约销售2630亿
- 天天滚动:中装建设:中国邮政储蓄银行深圳分行与公司联合推进的数字人民币劳务薪资发放系统上线了公司智链平台
- 【全球新视野】公积金能补缴吗 可以补交公积金吗
- 聚焦:怎么查孩子交没交学平险 如何查询学平险有没有买
- 全球看点:辞职了公积金怎么取,去公积金中心提取
- 利空加元!加银本周将进一步激进加息?专家称市场对此缺乏信心
- 焦点!【实探】北京有序恢复堂食,火锅店接到20余桌预订!理发店也要排长队……
- 华仁药业:公司管理团队的简历情况请查阅公司在巨潮资讯网披露的《2021年年度报告》
- 京基智农拟为3家子公司提供合计不超过6.16亿元担保
- 建发国际完成配股 获得8亿港元现金
- 【环球快播报】财面儿丨绿地控股:拟向不超过35名特定投资者非公开发行股票
- 世界微资讯!物业丨新大正:1.28亿股限售股将于12月12日解禁上市
- 山东章鼓:12月5日公司高管许春东、王崇璞减持公司股份合计18.38万股
- 鼎龙股份:12月5日公司高管苏敏光减持公司股份合计1000股
- 今热点:财面儿|融信中国前11月合约销售额567.97亿元
- 祥生控股前11月合约销售额228.75亿元
- 热议:中科信息:12月5日公司高管王晓宇减持公司股份合计16.5万股
- 财面儿丨保利置业前11月合同销售额450亿元
- 环球简讯:泰福泵业:12月5日公司高管毛世良减持公司股份合计2.23万股
- 保隆科技:12月5日公司高管尹术飞减持公司股份合计6000股
- 艾迪精密:12月5日公司高管宋飞增持公司股份合计8.14万股
- 当前通讯!“第三支箭”发力,房企洗牌加速,中小市值国央企存中期成长机会
- 【环球新要闻】沃森生物:疫苗行业具有高投入、高壁垒、高回报、长周期的特点