CN104992410B - 一种单目视觉图像的处理方法 - Google Patents
一种单目视觉图像的处理方法 Download PDFInfo
- Publication number
- CN104992410B CN104992410B CN201510069136.2A CN201510069136A CN104992410B CN 104992410 B CN104992410 B CN 104992410B CN 201510069136 A CN201510069136 A CN 201510069136A CN 104992410 B CN104992410 B CN 104992410B
- Authority
- CN
- China
- Prior art keywords
- probability
- indicate
- image
- crossover
- formula
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 9
- 230000002068 genetic effect Effects 0.000 claims abstract description 24
- 230000035772 mutation Effects 0.000 claims abstract description 24
- 230000001537 neural effect Effects 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims description 18
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 10
- 238000011065 in-situ storage Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 102000003712 Complement factor B Human genes 0.000 description 1
- 108090000056 Complement factor B Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000007630 basic procedure Methods 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 210000003746 feather Anatomy 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
一种单目视觉图像的处理方法,对遗传算法进行了进一步调整,通过修正其杂交概率Pc和变异概率Pm,使得自适应遗传算法能在种群演化的各个时期有较好的通用性;接着,在参考径向基神经网络算法的基础上,运用改进的遗传算法对径向基神经网络进行改进,使得使径向基神经网络算法的故障分类问题训练误差进一步减小,训练收敛性更好;最后,通过超分辨图像重构数学处理方法将图像进行重构,使获取到的低分辨率图像清晰度得到显著提高。
Description
技术领域
本发明涉及图像处理技术领域,特别是一种单目视的图像处理方法。
背景技术
传统遗传算法也称为标准遗传算法(SGA),在应用于图像的最优化分割时,优点表现为即使在复杂背景下也能通过对目标灰度进行变异和优化。该方法也存在一些缺点,比如:在交叉和变异的环节使用的固定的交叉率Pc和变异率Pm,容易导致种群收敛的速度过快,陷入的收敛,稳定性不够。SGA对系统中的反馈信息利用不够,在寻优过程的后期要做大量无谓的冗余迭代,求精确解的效率比较低,难以在较快的收敛速度的前提下保持较强的鲁棒性。应用于图像处理技术领域,其处理后的图像清晰度不足。
发明内容
本发明的目的就是提供一种单目视觉图像的处理方法,它可以使获取到的低分辨率图像清晰度得到显著的提高。
本发明的目的是通过这样的技术方案实现的,具体步骤如下:
1)对传统自适应遗传算法的杂交概率Pc和变异概率Pm进行修正;
2)使用步骤1)中改进后的遗传算法对径向基神经网络算法处理单目视觉图像的过程进行优化;
步骤1)中所述杂交概率Pc和变异概率Pm修正后的公式如下:
其中:Pc表示杂交概率;
Pm表示变异概率;
fmax为种群中最大适应度值;
f’表示交叉的两个个体中较大的适应度值;
favg表示种群的平均适应度值;
f表示要变异的个体的适应度值;
k1’表示当fmax和f’相等时的杂交概率;
k2’表示最大杂交概率;
k3’表示当fmax和f相等时的变异概率;
k4’表示最大变异概率;
步骤2)中所述遗传算法对径向基神经网络算法处理单目视觉图像的过程进行优化的具体步骤如下:
2-1)确定输入输出
将输入样本图像中各像素点的R、G、B值,各像素点周围8个相邻点的灰度值Gr,组成一个具有11维的输入模式:
I={R,G,B,GrL,GrLT,GrLB,GrT,GrB,GrR,GrRT,GrRB}
其中:R、G、B为像素的R、G、B颜色分量;
GrL、GrB、GrT、GrR、GrLT、GrLB、GrRT、GrRB为像素点相邻的8个像素的灰度值;
输出模式为一维,根据目标图像中各点对应的颜色情况,将背景颜色取为0.将前景颜色取为1;
2-2)用随机方法产生一维数据ωij,设含有n组神经网络权值生成的种群,隐层神经元个数为m,则生成的初始权值为:
{(ω11,ω12,…,ω1m),(ω21,ω22,…,ω2m),(ωn1,ωn2,…,ωnm)};
2-3)利用logistic方程产生子代网络权值序列;
2-4)适应值计算
设p为输出节点数,yi为网络计算结果,ti为实际值,则节点误差:
则其适应值为:
判断其适应值是否达到预设要求,若达到则转向步骤2-11),若没有达到则转向步骤2-5)
2-5)K-均值聚类
选取r个样本为聚类中心,将输入样本按最近邻规则分组,将满足式di=min|Xj-Ci|的样本进行分配,其平均值用式进行计算;
其中:Xj表示输入样本,j=1,2,……,k;
Ci表示第i个聚类中心;
C’i表示新的聚类中心;
2-6)输入层到隐层的计算
采用高斯函数为径向基函数:
其中,
其中:x表示输入向量;
m表示隐层神经元个数;
dm表示所选中心的最大距离;
σ表示Ci围绕中心的宽度;
2-7)隐层到输出层的计算
2-8)选择
对每一种群的选择概率用公式进行计算,对累计概率用公式进行计算;
2-9)交叉
确定交叉概率的公式为:
若随机数小于交叉概率,则该种群参加交叉操作;
2-10)变异
确定变异概率的公式为:
若随机数小于变异概率,则对原位进行变异操作,将原位为1的变为0,将原位为0的变为1,并转向步骤2-4);
2-11)对图像进行重构,重构公式为:
bt=Htx+nt,1≤t≤q
其中,q为得到的低分辨率图像帧数,bt是第t帧低分辨率图像,用一个M×1的向量来表示,其中M=m×n为获得的每帧低分辨率图像的大小,x为高分辨率的图像,用l2M×1来表示,其中l为每个方向上的分辨率提高系数,为Ht表示包含相对参考帧运动、欠采样因素在内的一个系数矩阵,nt表示附加噪声,用M×1来表示;高分辨率图像可以通过以下式子来计算:
x=HT(HHT+λI)-1b;
其中,λ表示正则化参数,I为单位矩阵。
由于采用了上述技术方案,本发明具有如下的优点:
本发明对遗传算法进行了进一步调整,通过修正其杂交概率Pc和变异概率Pm,使得自适应遗传算法能在种群演化的各个时期有较好的通用性;接着,在参考径向基神经网络算法的基础上,运用改进的遗传算法对径向基神经网络进行改进,使得使径向基神经网络算法的故障分类问题训练误差进一步减小,训练收敛性更好;最后,通过超分辨图像重构数学处理方法将图像进行重构,使获取到的低分辨率图像清晰度得到显著提高。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
本发明的附图说明如下。
图1为本发明的流程示意图;
图2为单目摄像机图像获取原理图;
图3为遗传算法流程示意图;
图4为传统径向基神经网络算法的故障分类问题误差训练曲线;
图5为改进径向基神经网络算法的故障分类问题误差训练曲线。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
一种单目视觉图像的处理方法,要包括对传统的自适应遗传算法进行了改进,通过修正其杂交概率Pc和变异概率Pm,使得自适应遗传算法能在种群演化的各个时期有较好的通用性;利用改进的遗传算法对径向基神经网络算法进行了改进,使径向基神经网络算法的故障分类问题训练误差进一步减小,训练收敛性更好;最后将改进的神经网络算法应用到单目视觉的图像处理中,使图像分割边缘清晰,缩短了样本的训练时间。
遗传操作包括三个基本操作:选择、交叉、变异。
基本遗传算法采用比例选择算子,比例选择因子是利用比例于各个个体适应度的概率决定其子孙遗留可能性。若设种群数为M,个体i的适应度为fi,则个体i被选取的概率为:
当个体选择的概率给定后,产生[0,1]之间的均匀随机数来决定亲本。若个体的选择概率大,则能被多次选中,它的遗传基因就会在种群中扩大;若个体的选择概率小,则被淘汰。
在生物的自然进化过程中,两个同源染色体通过交配而重组,形成新的染色体,从而产生出新的个体或物种。常见的交叉算子有:单点交叉、两点交叉、多点交叉、均匀交叉、算术交叉。用Pc表示交叉概率,在自适应基本遗传算法中,采用如下公式进行自动调整:
变异是以较小的概率对个体编码串上的某个或某些位值进行改变,进而生成新个体。变异操作方法有:基本位变异、均匀变异、边界变异、非均匀变异、高斯近似变异等。用Pm表示变异概率,在自适应基本遗传算法中,采用如下公式进行自动调整:
针对其不足,做了如下改进:
本发明利用改进的遗传算法对径向基神经网络算法进行了改进。基本流程如下:
1)根据实际情况,确定算法的输入、输出参数;
2)对数据进行预处理,为了能使算法更接近实际,往往需要对确定的参数进行预处理;
3)对神经网络的权进行初始化;
4)产生子代网络权值序列;
5)对适应值进行计算;
6)均值类聚;
7)输入层到隐层的计算;
8)隐层到输出层的技术;
9)选择;
10)交叉;
11)变异;
12)用子代群体中适应值高的种群替代父代中适应值低的种群,形成新一代群体。
为了使径向基神经网络算法在利用遗传算法时能更好地体现其优异性,在种群演化初期也能达到很好的效果,在前人对径向基神经网络算法的基础上进行进一步的改进。在进行交叉和变异时利用下列式子:
在本发明中,将改进的神经网络算法应用到单目视觉的图像处理中。从具有复杂背景和强烈噪声的图像中提取某些特征的目标图像,是进行图像分割的基本任务。所谓图像分割就是把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。
径向基神经网络的学习算法:
设有P组输入/输出样本yp/dp,p=1,2,…,L,定义目标函数:
学习目的是使J≤ε。
具体操作方法如下:
(1)确定输入输出:
将输入样本图像中各像素点的R、G、B值,各像素点周围8个相邻点的灰度值Gr,组成一个具有11维的输入模式:
I={R,G,B,GrL,GrLT,GrLB,GrT,GrB,GrR,GrRT,GrRB}
输出模式为一维,根据目标图像中各点对应的颜色情况:将背景颜色取为0,将前景颜色取为1。
(2)用随机方法产生一维数据ωij,设含有n组神经网络权值生成的种群,隐层神经元个数为m,则生成的初始权值为:
{(ω11,ω12,…,ω1m),(ω21,ω22,…,ω2m),(ωn1,ωn2,…,ωnm)}。
(3)利用logistic方程产生子代网络权值序列。
(4)适应值计算
设p为输出节点数,yi为网络计算结果,ti为实际值,则节点误差:
则其适应值为:
(5)K-均值聚类
选取r个样本为聚类中心,将输入样本按最近邻规则分组,将满足式①的样本进行分配,其平均值用式②进行计算。
di=min|Xj-Ci| ①;
(6)输入层到隐层的计算
采用高斯函数为径向基函数:
其中:
(7)隐层到输出层的计算:
(8)选择
对每一种群的选择概率用式③进行计算,对累计概率用式④计算。
(9)交叉
利用式⑤确定交叉概率,若随机数小于交叉概率,则该种群参加交叉操作。
(10)变异
利用式⑥确定变异概率,若随机数小于变异概率,则对原位进行变异操作,将原位为1的变为0,将原位为0的变为1。
将子代群体中的适应值高的种群代替亲代中适应值低的种群,形成新一代群体,然后进行判断,看是否达到要求。
本发明将进行单目视觉图像的重构。进行图像重构就是将每一帧低分辨率的图像LRI经过处理后成为高分辨率图像HRI,经过图像分割后的有噪声、归一化的欠采样模型用下式来表示。
bt=Htx+nt,1≤t≤q
其中,q为得到的低分辨率图像帧数,bt是第t帧低分辨率图像,用一个M×1的向量来表示,其中M=m×n为获得的每帧低分辨率图像的大小,x为高分辨率的图像,用l2M×1来表示,其中l为每个方向上的分辨率提高系数,为Ht表示包含相对参考帧运动、欠采样等因素在内的一个系数矩阵,nt表示附加噪声,用M×1来表示。其中,高分辨率图像可以通过以下式子来计算。
x=HT(HHT+λI)-1b
其中,λ表示正则化参数,I为单位矩阵。
通过仿真结果得到改进的径向基神经网络算法具有较快的学习速度及一定适用性,并且用遗传算法优化的径向基神经网络算法使单目摄像机标定的收敛性更好。改进后的径向基神经网络算法对图像的处理更加接近于原始图片,线条的显示更清晰,对灰度信号和色度信号显示效果更好。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (1)
1.一种单目视觉图像的处理方法,其特征在于,具体步骤如下:
1)对传统自适应遗传算法的杂交概率Pc和变异概率Pm进行修正;
2)使用步骤1)中改进后的遗传算法对径向基神经网络算法处理单目视觉图像的过程进行优化;
步骤1)中所述杂交概率Pc和变异概率Pm修正后的公式如下:
其中:Pc表示杂交概率;
Pm表示变异概率;
fmax为种群中最大适应度值;
f’表示交叉的两个个体中较大的适应度值;
favg表示种群的平均适应度值;
f表示要变异的个体的适应度值;
k1’表示当fmax和f’相等时的杂交概率;
k2’表示最大杂交概率;
k3’表示当fmax和f相等时的变异概率;
k4’表示最大变异概率;
步骤2)中所述遗传算法对径向基神经网络算法处理单目视觉图像的过程进行优化的具体步骤如下:
2-1)确定输入输出
将输入样本图像中各像素点的R、G、B值,各像素点周围8个相邻点的灰度值Gr,组成一个具有11维的输入模式:
I={R,G,B,GrL,GrLT,GrLB,GrT,GrB,GrR,GrRT,GrRB}
其中:R、G、B为像素的R、G、B颜色分量;
GrL、GrB、GrT、GrR、GrLT、GrLB、GrRT、GrRB为像素点相邻的8个像素的灰度值;
输出模式为一维,根据目标图像中各点对应的颜色情况,将背景颜色取为0.将前景颜色取为1;
2-2)用随机方法产生一维数据ωij,设含有n组神经网络权值生成的种群,隐层神经元个数为m,则生成的初始权值为:
{(ω11,ω12,…,ω1m),(ω21,ω22,…,ω2m),(ωn1,ωn2,…,ωnm)};
2-3)利用logistic方程产生子代网络权值序列;
2-4)适应值计算
设p为输出节点数,yi为网络计算结果,ti为实际值,则节点误差:
则其适应值为:
判断其适应值是否达到预设要求,若达到则转向步骤2-11),若没有达到则转向步骤2-5);
2-5)K-均值聚类
选取r个样本为聚类中心,将输入样本按最近邻规则分组,将满足式di=min|Xj-Ci|的样本进行分配,其平均值用式进行计算;
其中:Xj表示输入样本,j=1,2,……,k;
Ci表示第i个聚类中心;
Ci’表示新的聚类中心;
2-6)输入层到隐层的计算
采用高斯函数为径向基函数:
其中,
其中:x表示输入向量;
m表示隐层神经元个数;
dm表示所选中心的最大距离;
σ表示Ci围绕中心的宽度;
2-7)隐层到输出层的计算
2-8)选择
对每一种群的选择概率用公式进行计算,对累计概率用公式进行计算;
2-9)交叉
确定交叉概率的公式为:
若随机数小于交叉概率,则该种群参加交叉操作;
2-10)变异
确定变异概率的公式为:
若随机数小于变异概率,则对原位进行变异操作,将原位为1的变为0,将原位为0的变为1,并转向步骤2-4);
2-11)对图像进行重构,重构公式为:
bt=Htx+nt,1≤t≤q
其中,q为得到的低分辨率图像帧数,bt是第t帧低分辨率图像,用一个M×1的向量来表示,其中M=m×n为获得的每帧低分辨率图像的大小,x为高分辨率的图像,用l2M×1来表示,其中l为每个方向上的分辨率提高系数,为Ht表示包含相对参考帧运动、欠采样因素在内的一个系数矩阵,nt表示附加噪声,用M×1来表示;高分辨率图像可以通过以下式子来计算:
x=HT(HHT+λI)-1b;
其中,λ表示正则化参数,I为单位矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510069136.2A CN104992410B (zh) | 2015-02-10 | 2015-02-10 | 一种单目视觉图像的处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510069136.2A CN104992410B (zh) | 2015-02-10 | 2015-02-10 | 一种单目视觉图像的处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104992410A CN104992410A (zh) | 2015-10-21 |
CN104992410B true CN104992410B (zh) | 2019-04-05 |
Family
ID=54304218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510069136.2A Active CN104992410B (zh) | 2015-02-10 | 2015-02-10 | 一种单目视觉图像的处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104992410B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106683048B (zh) * | 2016-11-30 | 2020-09-01 | 浙江宇视科技有限公司 | 一种图像超分辨率方法及设备 |
WO2018212599A1 (en) | 2017-05-17 | 2018-11-22 | Samsung Electronics Co., Ltd. | Super-resolution processing method for moving image and image processing apparatus therefor |
CN107403417A (zh) * | 2017-07-27 | 2017-11-28 | 重庆高铁计量检测有限公司 | 一种基于单目视觉的三次元图像校准方法 |
CN108062604B (zh) * | 2018-01-05 | 2022-09-23 | 国网河南省电力公司 | 一种计及网络重构的配电网规划方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101441765A (zh) * | 2008-11-19 | 2009-05-27 | 西安电子科技大学 | 保持边缘清晰的自适应正则超分辨图像重建方法 |
CN103577679A (zh) * | 2012-08-10 | 2014-02-12 | 深圳市龙电电气有限公司 | 一种低压台区理论线损实时计算方法 |
CN104317997A (zh) * | 2014-10-17 | 2015-01-28 | 北京航空航天大学 | 一种高负荷风扇/压气机端壁造型优化设计方法 |
-
2015
- 2015-02-10 CN CN201510069136.2A patent/CN104992410B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101441765A (zh) * | 2008-11-19 | 2009-05-27 | 西安电子科技大学 | 保持边缘清晰的自适应正则超分辨图像重建方法 |
CN103577679A (zh) * | 2012-08-10 | 2014-02-12 | 深圳市龙电电气有限公司 | 一种低压台区理论线损实时计算方法 |
CN104317997A (zh) * | 2014-10-17 | 2015-01-28 | 北京航空航天大学 | 一种高负荷风扇/压气机端壁造型优化设计方法 |
Non-Patent Citations (3)
Title |
---|
一种改进型径向基神经网络的研究及应用;王华秋;《中国优秀博硕士学位论文全文数据库 (硕士)信息科技辑》;20040315;第2004年卷(第1期);第3.6节、第4.1.2节 |
基于径向基函数神经网络与改进遗传算法的黄河流域需水预测;薛小杰 等;《水土保持学报》;20020930;第16卷(第3期);第83-85、97页 |
基于改进遗传算法的管网状态估计神经网络模型;陈磊 等;《第五届个球料能控制与自动化大会》;20040619;第3434-3438页 |
Also Published As
Publication number | Publication date |
---|---|
CN104992410A (zh) | 2015-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106023195B (zh) | 基于自适应遗传算法的bp神经网络图像分割方法及装置 | |
CN104992410B (zh) | 一种单目视觉图像的处理方法 | |
CN108919641B (zh) | 一种基于改进樽海鞘算法的无人机航迹规划方法 | |
CN110097609B (zh) | 一种基于样本域的精细化绣花纹理迁移方法 | |
CN110097178A (zh) | 一种基于熵注意的神经网络模型压缩与加速方法 | |
CN106203625B (zh) | 一种基于多重预训练的深层神经网络训练方法 | |
CN109508650A (zh) | 一种基于迁移学习的树种识别方法 | |
CN108550115A (zh) | 一种图像超分辨率重建方法 | |
CN109829855A (zh) | 一种基于融合多层次特征图的超分辨率重建方法 | |
CN108229490A (zh) | 关键点检测方法、神经网络训练方法、装置和电子设备 | |
CN107330902B (zh) | 基于Arnold变换的混沌遗传BP神经网络图像分割方法 | |
CN107229972A (zh) | 一种基于拉马克获得性遗传原理的全局优化、搜索和机器学习方法 | |
CN107272403A (zh) | 一种基于改进粒子群算法的pid控制器参数整定算法 | |
CN105069220B (zh) | 基于bp神经网络免疫遗传算法的微生物发酵优化方法 | |
CN109948717B (zh) | 一种生成对抗网络的自生长训练方法 | |
CN110569842B (zh) | 一种用于gan模型训练的半监督学习的方法 | |
CN108460720A (zh) | 一种基于生成对抗网络模型改变图像风格的方法 | |
CN105447566B (zh) | 训练装置、训练方法以及检测装置 | |
CN104408697B (zh) | 基于遗传算法和正则先验模型的图像超分辨重建方法 | |
CN109300140A (zh) | 基于遗传算法和蚁群算法的图像边缘检测方法 | |
CN107403417A (zh) | 一种基于单目视觉的三次元图像校准方法 | |
CN110533610A (zh) | 图像增强模型的生成方法及装置、应用方法及装置 | |
CN113674156B (zh) | 一种图像超分辨率重建的方法及系统 | |
CN107424119A (zh) | 一种单图像的超分辨率方法 | |
CN107729991A (zh) | 一种位置可学习的神经网络神经元选择性激活方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |