youtube app download for microsoft(win10用MicrosoftEdge瀏覽器瀏覽YouTube速度很慢怎么辦)

win10用MicrosoftEdge瀏覽器瀏覽YouTube速度很慢怎么辦

win10系統默認的瀏覽器是MicrosoftEdge，用戶反應在win10系統中使用Edge瀏覽器查看YouTube視頻網上的速度比使用其他瀏覽器（Chrome）反應速度慢，為什么這樣呢？這是因為win10系統中Edge瀏覽器優化存在問題導致的。針對此故障問題，下面一起看看設置步驟。

解決措施：

您需要返回舊的YouTube界面并禁用此涉嫌限制錯誤。要找到一種方法來禁用新的YouTubeUI并返回舊界面以解決MicrosoftEdge中的性能問題。

具體步驟如下：

1、首先我們使用啟動MicrosoftEdge并打開YouTube；

2、打開網頁后按鍵盤上的F12鍵啟動開發者模式；

3、導航到“應用程序”選項卡，然后雙擊“Cookie”進行修改；

4、這將擴展類別，您需要選擇包含youtube網站的選項，在右窗格中，雙擊PREF以修改其值并粘貼以下代碼：al=enf5=30030f6=8；

5、關閉開發人員模式并刷新頁面；

6、通過上述方法進行操作設置之后Edge瀏覽器將加載舊的YouTube，并將解決性能問題！

以上教程內容就是win10用MicrosoftEdge瀏覽器瀏覽YouTube速度很慢的解決方法，設置之后，Edge瀏覽器瀏覽YouTube速度變快很多了。

請教一些關于動漫的小白問題~

二次元，就是指二維的平面空間，通常用來指動畫，漫畫，CG，2維游戲等一系列平面的視界產物。 在日本ACG作品當中所指稱的“次元”，通常是指作品當中的幻想世界以及其各種要素的集合體。例如，一個規則與秩序與讀者現存的世界完全不同，比如說魔法或鋼彈所存在的世界，經常被稱為“異次元世界”，或簡稱為“異次元”。 另外，在傳統上，以平面的媒體所表現的虛擬角色，如漫畫或動畫中的人物，因其二維空間的本質，而常被稱為“二次元角色”，以有別于現實（三維空間）的人物。但是，以三維電腦圖像所制作的角色，因其處于虛擬世界又具有立體性的概念，而被稱為“2.5次元角色”。 立體造型的玩偶等物，從本來的定義來說，應該是三次元角色；但因為本身通常基于二次元角色立體化而來，又或者強調其虛擬的本質，所以有時候也被稱為“2.5次元角色” 基于以上的語源，那些只對于ACG當中登場的虛擬角色抱持興趣或感情，而對現實中的異性沒有興趣的人，就被戲稱為“二次元世界的住人”，情況嚴重者被戲稱為“二次元禁斷綜合癥”。

萌：在動漫用于一般只特對于動畫，漫畫，游戲中的角色，情節等要素的強烈的愛好。 一般都認為，‘萌え’一字是由‘燃え’所變化而來，來源是出自日文的IME輸入法。‘萌’本意是指讀者在看到美少女角色時，產生一種熱血沸騰的精神狀態。熱血類作品經常使用‘燃燒’來形容這狀態，用羅馬拼音輸入的話，就是‘Mo E（も え）’。利用日文輸入法的話，輸入Mo E只會顯示‘燃え’和‘萌え’。為了區分因為美少女而熱血的狀態，和傳統的熱血的分別，就借用同音的‘萌え’來形容，并成為ACG界的一種網絡黑語。 “萌”在當前通俗的應用中用于對某“人”（具有人格的生命）的描述，形容某“人”的尚未成熟、尚未表現出來的內在美感在不經意間外露，給人以可愛、驚艷的享受，常用于女性（或性情似女性的無性別生命）。 萌的本質是帶有非現實的妄想成份，就是因為現實里找不到完美，才會在二次元里找。而‘萌’就是找尋心目中完美的女孩的一種表現而已

由于‘萌’的詞義尚未定性，于是就出現了亂用的情況。最容易搞錯的，就是‘萌’與‘可愛’的分別。 ‘可愛’是非常傳統的詞語，詞義已經很固定，相信也不用筆者去解釋。它是一個‘及物’的形容詞，是可以拿來形容人、動物，甚至死物的形容詞。小孩可以很‘可愛’，一只小貓可以很‘可愛’，一枝肥肥短短、設計吸引的原子筆也可以很‘可愛’，當然一個ACG角色也可以很‘可愛’。 但‘萌’跟‘可愛’不同，基本上是針對‘人’的形容詞。在這里先說明，這兒說的‘人’也包含了任何ACG或現實戲劇的角色，不管其是否虛構。‘萌’跟所有只能形容人類的形容詞（例如：豁達）一樣，是可以應用在文藝作品里的‘角色’上的。舉例說，我們都可以說‘令狐沖很豁達’，但不可以說小狗、一枝筆‘很豁達’。同理，我們可以說‘小櫻很萌’，但卻不能說一只小貓、一只滑鼠‘很萌’。

一個女生究竟是不是蘿莉，每人的定義都有不同：有以年齡（嚴格生理年齡）來分的，有以氣質（心理年齡、外表年齡）來分的，更嚴格的是兩項標準都要達到的，最后還有自己認為是就當作是的。不過普遍來說，必要的特征就是“未發育完全”（或者尚未發育）以及萌。 Lolita書中對于Loli年齡的定義是12-13歲，既正在成長中，馬上就要成熟但還沒有成熟的少女（不是兒童）。這一點上，劃分根據。因英國20世紀30年代間（1933-1936？）曾推出法典對少女的年齡進行定義：

8歲以下：女童

8-12歲：幼女

13-18歲 少女

18歲以上：成年女性

動漫蘿莉這種劃分方法，界于成熟與幼稚之間，更能體現Loli的魅力 。

但這都是前話，現在經過演變定義也比較模糊，有很多人喜歡更低齡型，既8歲以前的，超低齡型Loli，也有人喜歡，已進入青春期的，即將成熟的，即14-16歲的，即成熟型Loli。各有所愛，各隨其變.

從年齡上，12-15為標準Loli，7-12為愛麗斯式Loli，7以下為High Loli。那些對年齡有嚴格要求的羅莉控也因此而分類，對于好第一類的變叫lolikon，好第二類的為alikon，好第三類的就是haikon了。

Loli從外表特質上看,基本身高在160以下，也就是相當于小學生或初一學生身高。大體有兩類，一種是Sweet Love Loli，多數都是這種的。另一種就是Elegant Gothic Loli（哥特式）。

但不論低齡，成熟，還是正統LOLI，都是年輕，可愛的象征，是上天賜予的寶物，是凡間的精靈，是人間的天使……但她們也是最弱小，最需要保護的群體，所以要像珍惜自己的眼睛一樣愛護每一個Loli，對她們予以保護，予以關心。 當然，有鑒于目前某些奇怪法律的原因，幼女一詞較為敏感，故有網友歸納了以下論斷： 把一個小女孩推倒，她如果說：“好痛哦~~”那就是幼女；如果她驚恐的說：“你想干什么！？”那才是蘿莉。

二次元蘿莉代表人物

星野琉璃——《機動戰艦》

木之本櫻——《魔卡少女櫻》

砂沙美——《魔法少女砂沙美》

馬魯芝——《To Heart》

小嘰——《Chobits》

雛莓——《薔薇少女》

九重凜——《蘿莉的時間》

松岡美羽——《草莓棉花糖》

吉田步美——《名偵探柯南》

八神嘉兒——《數碼寶貝》

類型

⒈ 小公主型 ：（大家見的太多并且也很了解我就不說的太多了） 天生高貴的氣質，優雅的禮儀，以及聰明活潑可愛，永遠都是無憂無慮，特別喜歡騎士和王子的故事，并堅信你就是她的騎士和王子，而你就是他的騎士，你時刻都會守護著她的快樂…… 代表人物：依莉雅（Fate/Stay Night）、 蔣麗華（反叛的魯路修R2）、雛子（妹妹公主）亞里亞（妹妹公主）古手 羽入（寒蟬鳴泣之時）

⒉ 家中小妹型：對周圍的人總是那么的溫柔體貼，外柔內剛。特別喜歡做家務。 代表人物：貓宮のの（ののと暮らそ!）、 八神疾風（魔法少女奈葉A’S）、 本田透（水果籃子） 可憐（妹妹公主）白雪（妹妹公主）龍宮 禮奈（寒蟬鳴泣之時）

⒊ 女王型（注意女王和腹黑是兩回事！）：雖然她出生高貴且氣質禮儀方面無可挑剔，但你總是對她懷有畏懼心理（雖然她看起來沒有殺傷力，并且也很可愛）。她最常有的打扮就是一只手拿著把小折扇，掩住下半邊臉，另一只手的袖子里卻藏著一根小皮鞭。還經常無緣無故的仰頭發出一陣女王式的大笑，笑的你條件反射般渾身發抖，她總是以自己為中心；而忽視周圍人的感受（只有你除外，當然她也不會讓你發現她注意到你的感受），對周圍的人總是頤指氣使（特別喜歡指揮你），對誰都是命令式的語氣（特別對你）。只要你達不到她的要求（你永遠都達不到她的要求）就是一頓皮鞭伺候，你卻不敢有絲毫的反抗（就算有，她也把你那一點點的反抗扼殺在幻想里了）。她就是要把你改造成她心中最完美的國王或情人。雖然她總是有各種壞脾氣，但你卻是她第一個為之哭泣的男人，而她的一片心意你也能時時感受到。

代表人物：真紅（薔薇少女）、鏡黑（LOLI的時間）、露易絲（零之使魔）真城璃舞（守護甜心）

⒋ 小惡魔型：別看她一副還沒發育完全的樣子，其實她就是人小鬼大的代表。滿腦子的古靈精怪和惡作劇，最喜歡整的對象就是你了，你完全沒辦法把她看成是個小孩。因為小孩不該知道的她全都知道，這點是你最郁悶的。她只害怕你和聽你的話（當然只是某些話）。當別人被她惡整的時候卻還要反過來感謝她，也只有你才能看穿她的小把戲。她經常在你一些關鍵的時候冒出一些特打擊你的話，并打擊的你很是尷尬凄慘，這時你看她的影子上都有著小惡魔的翅膀和尾巴了。 你經常被她整的七竅生煙，卻又拿她沒辦法，對她是又愛又恨啊！~~~ 代表人物：松岡美羽（草莓棉花糖）、九重凜（LOLI的時間）、澤渡真琴（KANON）

⒌ 膽怯嬌羞型：她就好像是個小白兔一般，就算你看她多幾秒鐘她也會因此而臉紅，并低下頭，兩手揉搓她的衣角。她對周圍的事情極其敏感，雖然她不常說話但只要她說出來的總是很關鍵。她害怕閃電，每當雷雨天氣時她總是縮在床角抱著枕頭，在那兒瑟瑟發抖，而這時候你就會去把她抱在懷里吻著她的額頭。并給她講著故事，直到雨停。當家里有她不認識的你的朋友來時，她會把身子藏在你的身后并露出個小腦袋怯怯的看著那個陌生人，直到你把她拉出來介紹給你的朋友，她給你朋友問個好都羞的臉紅到耳根了，打完招呼后她就會一直拉著你的衣角不放手了。 代表人物：宇佐美美（LOLI的時間）、櫻木茉莉（草莓棉花糖）、梓夜凪砂（CLAMP學園偵探團）庫洛姆·髑髏（家庭教師）

⒍ 小迷糊型（也稱天然呆）：她永遠都是一副睡眼惺松的表情，手里抱著個大大的抱抱熊。在何時何地都能睡著，做事情丟三落四的，反應遲鈍，經常穿錯襪子。上課忘記帶書和作業而被老師罵，趴在課桌子上睡的口水橫流！~~ 太カワイイ了！~最吸引她的就是大大的枕頭和軟軟的床了！~最喜歡睡的地方就是你的懷里。最喜歡的枕頭就是你的臂彎了！~~~最愛的畫面就是深夜，漫天的星星和彎彎的月亮的照耀下，一條馬路通向你的家，蟈蟈啊蛐蛐的叫聲就好想是催眠曲一樣。她躺在你的懷里抱著她的抱抱熊，睡得甜甜的并說著夢話；而你溫柔地抱著她，就好像抱著珍寶一樣，走路都盡量走的緩一些，避免吵醒她。 代表人物：柊司（幸運星）、佐倉蜜柑（學園愛麗絲）、岡崎汐（CLANNAD）金絲雀（薔薇少女）花穗（妹妹公主）高良美幸（幸運星）

⒎ 類成熟型 （類成熟和三無是兩回事！！）：她的表情一直都是那么沉靜鎮定，極少有其他的表情。話也從來不多說，做事情都帶有明確的目的性，從來不做多余的事情，不做多余的打扮裝飾。她的性格獨立、倔強，年齡雖小但對人的陰暗面認識的很透徹。她的這種性格的形成和她的生或環境有關這種性格的LOLI一般缺少母愛或父愛，亦或者從小就承受了很大的壓力，或家庭環境殘酷，這些原因造成。她總是把自己的事情處理的井井有條，也默默的把你忘記做的事情幫你做好。她好像只有她一個人也可以活的很好的樣子，但你作為她僅有的幾個朋友，你卻在心理默默的為她擔心：她那柔弱的肩膀能承受那么多么？！~ 代表人物：菲特（魔法少女奈葉）、阿尼亞（反叛的魯路修 R2）、蒼星石（薔薇少女系列）古手 梨花（寒蟬鳴泣之時）

8，長不大型（這類比較特殊）：她的性格活潑開朗、天真可愛又很愛幫助別人，別看她們年齡已經不小了，腦子卻根本沒有進化，上高中的孩子卻愛踩著喜歡的人的影子走路，二十多歲時還用名字做自稱，在她們心里，永遠相信這個世界是美好的，永遠相信自己愛的人也是愛自己的，她們不想多想，因為她們不想去恨別人，因為這樣她們會失去她們的快樂，她們不想長大，因為相信長大了自己就不會被愛著了，即使有痛,她們也會忍著,也會在自己愛的人面前強顏歡笑,她們不想自己愛的人為她們擔心,真正難能可貴的就是她們金子般的心 代表人物：神尾觀鈴（Air）、月宮亞由（Kanon)、伊吹風子（Clannad）

蘿莉控——蘿莉塔情結 蘿莉塔情結（維基百科版） 蘿莉塔情結（Lolita Complex，ロリコン，或蘿莉控），指的是男性（今亦有指女性）比起對成年女性而言，對于未成年的少女更具性方面的興趣的一種性向，或是指有著這種性向的人。原文“Lolita Complex”雖不是和造英文，但是現今除了日本人以外幾乎已經沒什么人在用了。

廣義的定義是，只要戀愛對象被認為是太過年輕的女性而引起的戀愛情感，或是有著這方面的傾向（這種情況下，即使戀愛對象是女性也算），甚至會對看到的幼小的女性產生戀愛情感的狀況也是。另外，由于漫畫、動畫、電玩等御宅文化的影響，亦有人認為只要對比自己年紀小很多的女性特別有好感（即使該女性已經成年）或產生“萌”的感覺，就是蘿莉控。

狹義的定義則轉變為指從幼兒開始到十八歲左右為止的未成年幼女或少女有著性方面的喜好的男性。這種情況下跟戀童癖的定義有所重復。但主要指的對象跟對十三歲以下的幼女有所興趣的戀童癖有所區隔，而是指對于這年齡之上的中學／高中生時期中，所謂思春期少女抱持著性方面的喜好的情況。

詞語本身雖然抱持著如此強烈的曖昧性，但一般來說，還是以最后所述“對于所謂思春期少女抱持著性方面的喜好”的意思最為人所使用。

“蘿莉控”這個辭語本身并不單純是蘿莉塔情結的簡稱，而是指熱切追求ACG（動畫、漫畫、游戲）等等作品中登場的幼、少女角色的愛好者們。日本海外而言，華文世界中使用的“蘿莉控”也是以這種意義為主

另，作為蘿莉控的反義詞，將比起對成年男性而言，對于未成年的少男更具“性趣”的性向稱作“正太控”

loli控是純潔的，這是他們區分于戀童癖的主要特點。 loli控是健康的，本質上說，這是一種喜歡純潔，喜歡天真無邪的特別的感情。當今中國，非主流橫行，乙女們普遍早熟，令年輕的男孩失望。我們要追求一種純潔，追求一種無憂無慮的感情寄托--是的，只有loli才能完整的表現這種感情，她們觸動人們內心的柔軟部分。 我們愛生活，我們愛loli。loli是最美好的，最純潔的，最陽光的。

蘿莉控的幾種類型

『鬼畜系』：單純的變態、暴虐。這類人的注意力只專注于『H』上面，享受殘酷蹂躪 小蘿莉的快感。也是常見推倒魔人的系種，現實中較為常出現。 “蘿莉有三好”之通用版：清音、柔體、易推倒；《宅人的逆襲》版：身嬌、腰柔、易推倒。

『調教系』：擅長使用輔助工具，對小蘿莉進行精神及肉體上的摧殘與改造。 對這類人來說，過程才是產生快感的原因并非『H』。

『獵奇系』：對鮮血及哀鳴有著異常的癖好，沉浸在虐殺的快感里。冷靜與殘酷是這類人的特質，極度危險!

『觸手系』：喜歡以金屬或基因生化方式改造自己的肉體，產生大量長條型觸手撫弄小蘿莉 以滿足自己的變態欲望。具非正式調查，這類人多為后天觀看過多觸手系動漫畫及H-Game所形成。

『奈落系』：奈落為梵語，地獄的意思。地獄的渾沌不明正如同此類型的人－形態不明，大多已知的前例多以多重人格的型態出現。此類型蘿莉獵人人數極為鮮少， 除了先天異變外卻也似乎可以后天轉換而成。譬如：純愛系的人常因特殊原因（失戀？）而變為奈落系（人格異常？）

『變裝系』：以欣賞蘿莉各種不同衣著裝扮為樂（女侍裝 動物裝 公主服 和服護士裝等）。

『純愛系』：蘿莉的笑容對他們來說就像天使的贈與，為了能再度看見這種笑容以及成就 眾人的幸福，他們能產生無窮盡的能量。同時也是大多數具健康心智蘿莉獵人的系種。（在下最欣賞的系）。

初音未來

軟件海報初音未來（初音ミク，中文界部分人簡稱為“初音”）是CRYPTON FUTURE MEDIA以Yamaha的VOCALOID 2語音合成引擎為基礎開發販售的虛擬女性歌手軟件。2007年8月31日發售，原只可用于Microsoft Windows，2008年3月19日隨CrossOver Mac 6.1發表而可用于Mac OS X。

主詞條：VOCALOID

軟件操作界面軟件使用了Yamaha的VOCALOID 2語音合成引擎，把人類的聲音錄音并合成為酷似真正的歌聲。只需輸入音調、歌詞則可發出聲音，亦可以調整震音、音速等的“感情參數”，最多能夠16人合唱，亦支援即時演奏、對應ReWire。制作完成后會以WAV格式輸出，但軟件本身只可做出歌唱部分，伴奏音聲需要使用其他音樂軟件合成。歌詞輸入能辨認平假名、片假名和羅馬字，但不能辨認は、へ作為助詞和う、い作為長音時會分別轉為わ、え、お、え的發音，亦不能對應促音、漢字，需要自行修改。

軟件并非設計給初學者，初接觸電子音樂制作的用戶需要一段時間適應，因此在2ch等地方也出現不少以此類用戶為對象的教學討論串。大阪電氣通信大學甚至于2007年10月19日和10月25日舉行以初學者為對象的講座。

需求配備

微處理器：Pentium4 2GHz / Athlon XP 2000+以上（推薦Pentium4 2.8GHz / Athlon 64 2800+以上）

操作系統：Windows XP / Vista（Vista時推薦單機使用）

RAM：512MB以上（推薦1GB以上，使用Real-time VOCALOID2 VST instrument時推薦2GB以上）

其他：2GB的硬盤容量（軟件的實際容量約809MB）

制作過程和命名

CRYPTON中負責初音未來企劃的職員有三、四人，實際開發的則為佐佐木涉和另一位兼職員工。形象角色由插畫家KEI以動漫風格設計人物及繪畫，選擇KEI是因CRYPTON一位職員佐佐木涉喜歡他“十分有透明感的作風”，在2007年3或4月開始設計，最后發表了共三張插畫，原本計劃其后每月發表新插畫，但大出意料的創作熱潮而不了了之。由聲優藤田咲提供原聲，選擇的原因是CRYPTON認為藤田咲的聲音十分配合“未來的偶像”。企畫初期CRYPTON是想由正職的歌手提供聲音，然而大多數接到洽詢的歌手基于擔心聲音被復制后的用途以及將來的版權相關問題而拒絕，其后才轉向為接觸聲優，但最初進展不太順利，聲優事務所大多不太明白軟件的用途，其后ARTSVISION答應合作。經過考慮近500位聲優（包括動畫配音和旁白）的聲音樣本之后決定起用藤田咲。藤田咲以“清楚而可愛”的印象錄音，錄音時是配合當時播放的音樂唱出一些無特別意義的片假名，過程分兩天進行，共花費六小時，于2007年4月27日之前完成錄音。于6月25日正式公開初音未來的造形，當時只有名字“ミク”，于同年7月12日發表其姓氏“初音”。“初音”是指“第一次的聲音（初めての音）”、“出發點”、“最初的VOCALOID2”；“ミク”漢字寫作“未來”，指“VOCALOID所象征的將來音樂之可能性”。

初音未來設定

年齡：16歲

身高：158cm

體重：42kg

擅長的曲種：流行歌曲

擅長的節奏：70～150BPM（原設定為80～150。）

擅長的音域：A3～E5（原設定為C3～E4。實際軟件的最高極限和最低極限分別是G8和C-2，高過或低過某一定音高后的輸出效果會開始變得不理想，甚至聲音變小。）

衣服和機械部分以Yamaha于1983年發售的DX系列為藍本。左臂“01”的初期設定是一個QR碼，衣服的原設計則是水手服，但CRYPTON覺得不夠好而轉為現在的衣服設計。

人物設計上比2004年的MEIKO優勝，在只有基本設定、“不完全”的人物設計下，對創作者而言強求“原設定”并沒有意義，而且初音未來和原聲音的藤田咲的關聯印象不大，創作沒有太大束縛，用戶因此容易對“自己創造的初音未來”產生感情，而產生出大量作品。

熱潮爆發

銷售方面

《DTM MAGAZINE》11月號封面初音未來的預訂數目超出了制作人員的預期，而且是CRYPTON開創以來成績最好的一次。在發表試聽曲后不久的8月20日，預約數開始急速上升，推出數天后（2007年9月5日）即存貨不足；9月12日，售賣數及預約數接近3000，至9月27日售出約10000套，10月27日售出20000套，至2008年1月25日為約30000套，至2008年7月23日為約40000套，并以每周300套的程度繼續賣出。曾在amazon的軟件售賣排名中三周居高榜首，在amazon2007年（2007年1月1日至11月30日統計）的電腦軟件銷售中排名第八。對一年內平均銷售數是200至300、賣出1000套已是大熱的音樂軟件來說，是個罕見的數目，就算在綜合的電腦軟件中，也是個好成績。9月23日，僅發售了三周已達到30.4%的日本音樂軟件市場占有率，比第二位的“Sound it! 5.0 for Windows”（INTERNET）高出四倍；在2008年1月時，仍保持在平均約20%，僅次于第一位剛發售的同系列軟件鏡音鈴、連，但仍然是最受歡迎的VOCALOID產品。CRYPTON于日本音樂軟件公司的市場占有率亦在不足一個月內由6%急速上升至約33.9%。附送“初音未來”十天試用版的《DTM MAGAZINE》11月號（2007年10月6日發售）的預約數目亦接近平時的兩倍，并于三天內售罄，有部分書店更于數小時內完全售出，是《DTM MAGAZINE》初次遇到的狀況。更因為DTM MAGAZINE表示不會加印，而出現炒賣的情況。之后的數期亦有關于角色主唱系列的特集，在12月26日更發售別冊“THE VOCALOID CV01初音未來”。

出現大賣的情況主要是因為“購買，制作歌曲并上傳至網絡，另一群觀看后而購買”的不斷循環、影片分享網站如YouTube，NICONICO動畫的推動和巧妙的人物設定。初音未來的動漫風格形象、角色性，和御宅族的特征融合，吸引到電子音樂制作行外人亦是原因之一。

創作方面和反應

初發售時有不少人以此軟件“翻唱”歌曲并發放在NICONICO動畫上而成為話題，特別是其中的一首“Ievan Polkka”，亦因此出現“拿著蔥的はちゅねミク”，后來被原創曲“みくみくにしてあげる♪（MIKUMIKU像要♪）”超越。其后熱潮擴展至2ch、YouTube。甚至有商業性質的音樂公司ave;new“翻唱”自己的歌曲“True My Heart”和“snow of love”，其后亦有不少來自不同業界的人公開自己的身分分享作品，如小說家野尻抱介和木本雅彥、漫畫家小夏鈍帆、竹下堅次朗、IT新聞記者岡田有花、插畫家かんざきひろ等，也有學校福島縣立小高商業高等學校以初音未來作為校歌的網上公開版本。除了翻唱歌曲，還有不少初音未來的原創歌曲和同人影片。2007年9月28日，NICONICO動畫上關于初音未來的影片數目超過2000；10月中旬超過5000，11月7日約有7378，11月24日突破一萬，平均一天有超過100段關聯新影片。2007年12月前后，原創歌曲已超過一千首。在當中，還有不少是網上不留名的網民合作而成的作品，有人作曲、編曲、有人作詞、有人負責繪畫、有人制作影片，而VOCALOID互相會（ボカロ互助會）則是此類合力創作的代表團體之一。亦有人制作幫助其他人創作的軟件，代表例子如“MikuMikuDance”，2008年2月24日公開，3月10日已超過11萬人下載。亦有人反過來歌唱使用了初音未來的作品。更有不少人Cosplay初音未來，甚至把跳舞歌唱的影片上載至網絡，較有名的如一位十歲美國女孩Maxine。

日本初音未來同好社群在2007年11月3日舉行以初音未來為主題的同人志販賣會“THE VOC@LOiD M@STER”，2008年1月13日舉行第二場（通常只有極為熱門的動漫畫作品才會有以此為專門主題的同人活動），除THE VOC@LOiD M@STER，亦有VOCALOID PARADISE和Miku Fes（ミクフェス）等等的同類活動；臺灣的同好亦于2008年3月15日舉行同類型的活動“初音祭”。

有那么大的創作熱潮，有人認為是因為CRYPTON對初音未來的權利開放。

初音神曲1至12彈 的歌名 ：

Ievan Polkka - 初音ミク

夢みることり - はやや feat. 初音ミク,鏡音リン

ココロ - トラボルタ feat. 鏡音リン

卑怯戦隊うろたんだー - シンP feat. KAITO,MEIKO,初音ミク

歌に形はないけれど - doriko feat. 初音ミク

みくみくにしてあげる

Packaged - livetune feat. 初音ミク

Last Night, Good Night

The secret garden

Dear 買粉絲買粉絲a girls

爐心融解 - iroha feat. 鏡音リン

サウンド - baker feat. 初音ミク

サイハテ - 小林オニキス feat. 初音ミク

from Y to Y - ジミーサムP feat. 初音ミク

ぽっぴっぽー - ラマーズP feat. 初音ミク

私の時間 - くちばしP feat. 初音ミク

桜の季節 - ゆうゆ feat. 初音ミク

トルコ行進曲 - オワタP feat. 初音ミク

ハジメテノオト - malo feat. 初音ミク

メルト - supercell feat. 初音ミク

ワールドイズマイン - supercell feat. 初音ミク

ミラクルペイント - OSTER project feat. 初音ミク

白の季節 - ゆうゆ feat. 初音ミク

あなたの歌姫 - azuma feat. 初音ミク

えれくとりっく・えんじぇぅ - ヤスオ feat. 初音ミク

White Letter - GonGoss feat. 初音ミク

そばかす- ぢょんP feat. 初音ミク

VOiCE - 初音ミク

SPiCa - 初音ミク

StargazeR - 初音ミク

SUPER DEADBALL BEAT - 初音ミク

裏表ラバーズ - 初音ミク

シンデレラ・ロマンス

ハト - 初音ミク

戀スルVOC@LOID - 初音ミク

SETSUNA - 初音ミク

夢みることり

Soar - 初音ミク

戀は戦爭

初音ミクの消失

ブラック★ロックシューター

紅一葉 - 初音ミク

與姿態、動作相關的數據集介紹

參考：買粉絲s://blog.csdn.買粉絲/qq_38522972/article/details/82953477

姿態論文整理：買粉絲s://blog.csdn.買粉絲/zziahgf/article/details/78203621

經典項目：買粉絲s://blog.csdn.買粉絲/ls83776736/article/details/87991515

姿態識別和動作識別任務本質不一樣，動作識別可以認為是人定位和動作分類任務，姿態識別可理解為關鍵點的檢測和為關鍵點賦id任務（多人姿態識別和單人姿態識別任務）

由于受到收集數據設備的限制，目前大部分姿態數據都是收集公共視頻數據截取得到，因此2D數據集相對來說容易獲取，與之相比，3D數據集較難獲取。2D數據集有室內場景和室外場景，而3D目前只有室內場景。

地址：買粉絲://買粉絲買粉絲dataset.org/#download

樣本數：>= 30W

關節點個數：18

全身，多人，keypoints on 10W people

地址：買粉絲://sam.johnson.io/research/lsp.買粉絲

樣本數：2K

關節點個數：14

全身，單人

LSP dataset to 10; 000 images of people performing gymnastics, athletics and parkour.

地址：買粉絲s://bensapp.github.io/flic-dataset.買粉絲

樣本數：2W

關節點個數：9

全身，單人

樣本數：25K

全身，單人/多人，40K people，410 human activities

16個關鍵點：0 - r ankle, 1 - r knee, 2 - r hip,3 - l hip,4 - l knee, 5 - l ankle, 6 - l ankle， 7 - l ankle，8 - upper neck, 9 - head top,10 - r wrist,11 - r elbow, 12 - r shoulder, 13 - l shoulder,14 - l elbow, 15 - l wrist

無mask標注

In order to analyze the challenges for fine-grained human activity re買粉絲gnition, we build on our recent publicly available \MPI Human Pose" dataset [2]. The dataset was 買粉絲llected from YouTube 買粉絲s using an established two-level hierarchy of over 800 every day human activities. The activities at the first level of the hierarchy 買粉絲rrespond to thematic categories, such as ”Home repair", “Occupation", “Music playing", etc., while the activities at the se買粉絲nd level 買粉絲rrespond to indivial activities, e.g. ”Painting inside the house", “Hairstylist" and ”Playing woodwind". In total the dataset 買粉絲ntains 20 categories and 410 indivial activities 買粉絲vering a wider variety of activities than other datasets, while its systematic data 買粉絲llection aims for a fair activity 買粉絲verage. Overall the dataset 買粉絲ntains 24; 920 買粉絲 snippets and each snippet is at least 41 frames long. Altogether the dataset 買粉絲ntains over a 1M frames. Each 買粉絲 snippet has a key frame 買粉絲ntaining at least one person with a sufficient portion of the body visible and annotated body joints. There are 40; 522 annotated people in total. In addition, for a subset of key frames richer labels are available, including full 3D torso and head orientation and occlusion labels for joints and body parts.

為了分析細粒度人類活動識別的挑戰，我們建立了我們最近公開發布的\ MPI Human Pose“數據集[2]。數據集是從YouTube視頻中收集的，使用的是每天800多個已建立的兩級層次結構人類活動。層次結構的第一級活動對應于主題類別，例如“家庭維修”，“職業”，“音樂播放”等，而第二級的活動對應于個人活動，例如“在屋內繪畫”，“發型師”和“播放木管樂器”。總的來說，數據集包含20個類別和410個個人活動，涵蓋比其他數據集更廣泛的活動，而其系統數據收集旨在實現公平的活動覆蓋。數據集包含24; 920個視頻片段，每個片段長度至少為41幀。整個數據集包含超過1M幀。每個視頻片段都有一個關鍵幀，其中至少包含一個人體，其中有足夠的身體可見部分和帶注釋的身體關節。總共有40個; 522個注釋人。此外，對于關鍵幀的子集，可以使用更豐富的標簽，包括全3D軀干和頭部方向以及關節和身體部位的遮擋標簽。

14個關鍵點：0 - r ankle, 1 - r knee, 2 - r hip,3 - l hip,4 - l knee, 5 - l ankle, 8 - upper neck, 9 - head top,10 - r wrist,11 - r elbow, 12 - r shoulder, 13 - l shoulder,14 - l elbow, 15 - l wrist

不帶mask標注，帶有head的bbox標注

PoseTrack is a large-scale benchmark for human pose estimation and tracking in image sequences. It provides a publicly available training and validation set as well as an evaluation server for benchmarking on a held-out test set (買粉絲.posetrack.買粉絲).

PoseTrack是圖像序列中人體姿態估計和跟蹤的大規模基準。 它提供了一個公開的培訓和驗證集以及一個評估服務器，用于對保留的測試集（買粉絲.posetrack.買粉絲）進行基準測試。

In the PoseTrack benchmark each person is labeled with a head bounding box and positions of the body joints. We omit annotations of people in dense crowds and in some cases also choose to skip annotating people in upright standing poses. This is done to focus annotation efforts on the relevant people in the scene. We include ignore regions to specify which people in the image where ignored ringannotation.

在PoseTrack基準測試中， 每個人都標有頭部邊界框和身體關節的位置 。 我們 在密集的人群中省略了人們的注釋，并且在某些情況下還選擇跳過以直立姿勢對人進行注釋。 這樣做是為了將注釋工作集中在場景中的相關人員上。 我們 包括忽略區域來指定圖像中哪些人在注釋期間被忽略。

Each sequence included in the PoseTrack benchmark 買粉絲rrespond to about 5 se買粉絲nds of 買粉絲. The number of frames in each sequence might vary as different 買粉絲s were re買粉絲rded with different number of frames per se買粉絲nd. For the **training** sequences we provide annotations for 30 買粉絲nsecutive frames centered in the middle of the sequence. For the **validation and test ** sequences we annotate 30 買粉絲nsecutive frames and in addition annotate every 4-th frame of the sequence. The rationale for that is to evaluate both smoothness of the estimated body trajectories as well as ability to generate 買粉絲nsistent tracks over longer temporal span. Note, that even though we do not label every frame in the provided sequences we still expect the unlabeled frames to be useful for achieving better performance on the labeled frames.

PoseTrack基準測試中包含的 每個序列對應于大約5秒的視頻。 每個序列中的幀數可能會有所不同，因為不同的視頻以每秒不同的幀數記錄。 對于**訓練**序列，我們 提供了以序列中間為中心的30個連續幀的注釋 。 對于**驗證和測試**序列，我們注釋30個連續幀，并且另外注釋序列的每第4個幀。 其基本原理是評估估計的身體軌跡的平滑度以及在較長的時間跨度上產生一致的軌跡的能力。 請注意，即使我們沒有在提供的序列中標記每一幀，我們仍然期望未標記的幀對于在標記幀上實現更好的性能是有用的。

The PoseTrack 2018 submission file format is based on the Microsoft COCO dataset annotation format. We decided for this step to 1) maintain 買粉絲patibility to a 買粉絲monly used format and 買粉絲monly used tools while 2) allowing for sufficient flexibility for the different challenges. These are the 2D tracking challenge, the 3D tracking challenge as well as the dense 2D tracking challenge.

PoseTrack 2018提交文件格式基于Microsoft COCO數據集注釋格式 。 我們決定這一步驟1）保持與常用格式和常用工具的兼容性，同時2）為不同的挑戰提供足夠的靈活性。 這些是2D跟蹤挑戰，3D跟蹤挑戰以及密集的2D跟蹤挑戰。

Furthermore, we require submissions in a zipped version of either one big .json file or one .json file per sequence to 1) be flexible w.r.t. tools for each sequence (e.g., easy visualization for a single sequence independent of others and 2) to avoid problems with file size and processing.

此外，我們要求在每個序列的一個大的.json文件或一個.json文件的壓縮版本中提交1）靈活的w.r.t. 每個序列的工具（例如，單個序列的簡單可視化，獨立于其他序列和2），以避免文件大小和處理的問題。

The MS COCO file format is a nested structure of dictionaries and lists. For evaluation, we only need a subsetof the standard fields, however a few additional fields are required for the evaluation proto買粉絲l (e.g., a 買粉絲nfidence value for every estimated body landmark). In the following we describe the minimal, but required set of fields for a submission. Additional fields may be present, but are ignored by the evaluation script.

MS COCO文件格式是字典和列表的嵌套結構。 為了評估，我們僅需要標準字段的子集，但是評估協議需要一些額外的字段（例如，每個估計的身體標志的置信度值）。 在下文中，我們描述了提交的最小但必需的字段集。 可能存在其他字段，但評估腳本會忽略這些字段。

At top level, each .json file stores a dictionary with three elements:

* images

* annotations

* categories

it is a list of described images in this file. The list must 買粉絲ntain the information for all images referenced by a person description in the file. Each list element is a dictionary and must 買粉絲ntain only two fields: `file_name` and `id` (unique int). The file name must refer to the original posetrack image as extracted from the test set, e.g., `images/test/023736_mpii_test/000000.jpg`.

它是此文件中描述的圖像列表。 該列表必須包含文件中人員描述所引用的所有圖像的信息。 每個列表元素都是一個字典，只能包含兩個字段：`file_name`和`id`（unique int）。 文件名必須是指從測試集中提取的原始posetrack圖像，例如`images / test / 023736_mpii_test / 000000.jpg`。

This is another list of dictionaries. Each item of the list describes one detected person and is itself a dictionary. It must have at least the following fields:

* `image_id` (int, an image with a 買粉絲rresponding id must be in `images`),

* `track_id` (int, the track this person is performing; unique per frame),`

* `keypoints` (list of floats, length three times number of estimated keypoints  in order x, y, ? for every point. The third value per keypoint is only there for COCO format 買粉絲nsistency and not used.),

* `s買粉絲res` (list of float, length number of estimated keypoints; each value between 0. and 1. providing a prediction 買粉絲nfidence for each keypoint),

這是另一個詞典列表。 列表中的每個項目描述一個檢測到的人并且本身是字典。 它必須至少包含以下字段：

*`image_id`（int，具有相應id的圖像必須在`images`中），

*`track_id`（int，此人正在執行的追蹤;每幀唯一），

`*`keypoints`（浮點數列表， 長度是每個點x，y，？的估計關鍵點數量的三倍 。每個關鍵點的第三個值僅用于COCO格式的一致性而未使用。），

*`得分`（浮點列表，估計關鍵點的長度數;每個值介于0和1之間，為每個關鍵點提供預測置信度），

Human3.6M數據集有360萬個3D人體姿勢和相應的圖像，共有11個實驗者（6男5女，論文一般選取1，5，6，7，8作為train，9，11作為test），共有17個動作場景，諸如討論、吃飯、運動、問候等動作。該數據由4個數字攝像機，1個時間傳感器，10個運動攝像機捕獲。

由Max Planck Institute for Informatics制作，詳情可見Monocular 3D Human Pose Estimation In The Wild Using Improved CNN Supervision論文

論文地址：買粉絲s://arxiv.org/abs/1705.08421

1，單人姿態估計的重要論文

2014----Articulated Pose Estimation by a Graphical Model with ImageDependent Pairwise Relations

2014----DeepPose_Human Pose Estimation via Deep Neural Networks

2014----Joint Training of a Convolutional Network and a Graphical Model forHuman Pose Estimation

2014----Learning Human Pose Estimation Features with Convolutional Networks

2014----MoDeep_ A Deep Learning Framework Using Motion Features for HumanPose Estimation

2015----Efficient Object Localization Using Convolutional Networks

2015----Human Pose Estimation with Iterative Error

2015----Pose-based CNN Features for Action Re買粉絲gnition

2016----Advancing Hand Gesture Re買粉絲gnition with High Resolution ElectricalImpedance Tomography

2016----Chained Predictions Using Convolutional Neural Networks

2016----CPM----Convolutional Pose Machines

2016----CVPR-2016----End-to-End Learning of Deformable Mixture of Parts andDeep Convolutional Neural Networks for Human Pose Estimation

2016----Deep Learning of Local RGB-D Patches for 3D Object Detection and 6DPose Estimation

2016----PAFs----Realtime Multi-Person 2D Pose Estimation using PartAffinity Fields （openpose）

2016----Stacked hourglass----StackedHourglass Networks for Human Pose Estimation

2016----Structured Feature Learning for Pose Estimation

2017----Adversarial PoseNet_ A Structure-aware Convolutional Network forHuman pose estimation (alphapose)

2017----CVPR2017 oral----Realtime Multi-Person 2D Pose Estimation usingPart Affinity Fields

2017----Learning Feature Pyramids for Human Pose Estimation

2017----Multi-Context_Attention_for_Human_Pose_Estimation

2017----Self Adversarial Training for Human Pose Estimation

2，多人姿態估計的重要論文

2016----AssociativeEmbedding_End-to-End Learning for Joint Detection and Grouping

2016----DeepCut----Joint Subset Partition and Labeling for Multi PersonPose Estimation

2016----DeepCut----Joint Subset Partition and Labeling for Multi PersonPose Estimation_poster

2016----DeeperCut----DeeperCut A Deeper, Stronger, and Faster Multi-PersonPose Estimation Model

2017----G-RMI----Towards Accurate Multi-person Pose Estimation in the Wild

2017----RMPE_ Regional Multi-PersonPose Estimation

2018----Cascaded Pyramid Network for Multi-Person Pose Estimation

“級聯金字塔網絡用于多人姿態估計”

2018----DensePose: Dense Human Pose Estimation in the Wild

”密集人體：野外人體姿勢估計“（精讀，DensePose有待于進一步研究）

2018---3D Human Pose Estimation in the Wild by Adversarial Learning

“對抗性學習在野外的人體姿態估計”

很赞哦!（9）