CN105608698B - 一种基于sae的遥感图像变化检测方法 - Google Patents

一种基于sae的遥感图像变化检测方法 Download PDF

Info

Publication number
CN105608698B
CN105608698B CN201510990465.0A CN201510990465A CN105608698B CN 105608698 B CN105608698 B CN 105608698B CN 201510990465 A CN201510990465 A CN 201510990465A CN 105608698 B CN105608698 B CN 105608698B
Authority
CN
China
Prior art keywords
sae
image
training
detection
remote sensing
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
Application number
CN201510990465.0A
Other languages
English (en)
Other versions
CN105608698A (zh
Inventor
李映
徐隆浩
刘韬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shaanxi Yixian Information Technology Co.,Ltd.
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201510990465.0A priority Critical patent/CN105608698B/zh
Publication of CN105608698A publication Critical patent/CN105608698A/zh
Application granted granted Critical
Publication of CN105608698B publication Critical patent/CN105608698B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于SAE的遥感图像变化检测方法，使用堆叠自编码器(Stacked AutoEncoder，SAE)的训练方式，先训练好一个SAE，然后利用它对原始数据进行自主式特征提取；再用无监督的变化检测方法对两幅原始图像做变化检测，得到的粗变化检测结果；在去除掉一些疑似噪音的样本点后，将其作为教师数据对分类器进行训练；在训练分类器的同时也需要对SAE的参数进行微调。训练结束后，就可得到一种基于SAE的检测网络，从而利用该检测网络实现遥感图像变化检测。本发明将深度神经网络这种有监督的学习模型，与遥感图像变化检测这种无监督的图像分类问题巧妙地结合起来，并改进了特征和训练样本，提高了检测精度和检测的鲁棒性。

Description

一种基于SAE的遥感图像变化检测方法
技术领域
本发明属于遥感图像变化检测方法，具体涉及一种基于SAE的遥感图像变化检测方法。
背景技术
遥感图像变化检测的通常技术是先将两图像进行差分，再将差分图以像素点为单位进行二分类；或者先对图像进行分割，再以分割后的对象作为基本单位对分割后的图像进行二分类。在现有技术中，提取哪些特征来进行分类，通常由人为设定，往往会忽略图像本身含有的许多信息，导致检测结果不够精确。
深度神经网络通过逐层训练的方式自主提取图像特征，有效地解决了人为提取特征过程中信息遗漏的问题。但深度神经网络是一种有监督的学习模型，而遥感图像变化检测问题是一个无监督的图像分类问题，没有训练数据，也没有类别标签，因此这两种技术通常被认为很难结合使用。
发明内容
要解决的技术问题
为了避免现有技术的不足之处，本发明提出一种基于SAE的遥感图像变化检测方法，把深度神经网络技术运用到遥感图像变化检测方面以解决检测精确度不高的问题。
技术方案
一种基于SAE的遥感图像变化检测方法，其特征在于步骤如下：
步骤1：对不同时刻同一地点获取的两幅待检测遥感图像进行配准、辐射校正及几何校正；对校正后的图像数据进行原始特征提取，提取方法是：提取以每个坐标点为中心3*3的图像块，组成一个18维的向量，并进行归一化；再加入2维的图像点归一化的坐标信息，拓展成为一个20维向量，作为一个检测样本点的原始特征；
步骤2：以提取到的原始特征作为输入对堆叠自编码器SAE进行无监督的训练；
步骤3：计算两幅待检测图像的差分图像，对差分图像使用基于同质区域的马尔科夫随机场算法得到粗变化检测结果图；
如果待检测图像是光谱图像，则对两幅待检测图像进行绝对值差分，得到差分图像；
如果是合成孔径雷达SAR图像，则使用取对数差分，得到差分图像；
步骤4：将步骤1获得的原始特征与步骤3中获得的粗变化监测结果图以坐标进行配对，对于在粗变化检测结果图中与自身8邻域结果均不相同的输出点，去掉与它们配对对应的样本点；
步骤5：在堆叠自编码器SAE后构造逻辑回归分类器形成基于SAE的检测网络，然后将筛选后的样本点数据，作为基于SAE的检测网络的输入样本，对基于SAE的检测网络进行训练；
训练方法为：将步骤4精炼后的变化检测结果作为输入样本的教师信号,采用误差的反向传播BP算法微调SAE的参数。迭代次数通常为200到300次；
步骤6：训练终止后，利用训练好的基于SAE的检测网络对待测样本进行检测，得到最终变化检测结果图。
所述步骤2的堆叠自编码器SAE的隐层层数为2到9，每层中节点个数取5到35。
所述步骤2的训练方法为堆叠自编码器SAE进行无监督训练的常规训练方法。
有益效果
本发明提出的一种基于SAE的遥感图像变化检测方法，使用堆叠自编码器(Stacked AutoEncoder，SAE)的训练方式，先训练好一个SAE，然后利用它对原始数据进行自主式特征提取；再用无监督的变化检测方法对两幅原始图像做变化检测，得到的粗变化检测结果；在去除掉一些疑似噪音的样本点后，将其作为教师数据对分类器进行训练；在训练分类器的同时也需要对SAE的参数进行微调。训练结束后，就可得到一种基于SAE的检测网络，从而利用该检测网络实现遥感图像变化检测。
而且，本发明对输入数据的原始特征进行了改进。在现有技术中，通常采用的为差分图中每个坐标点为中心的3*3区域拉抻成9维向量作为原始特征。本发明中不采用差分图，更改为：采用两幅图像相同坐标点的3*3区域，拉伸成18维向量，再加入归一化的坐标点位置信息，拓展成20维向量。
本发明将深度神经网络这种有监督的学习模型，与遥感图像变化检测这种无监督的图像分类问题巧妙地结合起来，并改进了特征和训练样本，提高了检测精度和检测的鲁棒性。
附图说明
图1：基于SAE的检测网络的训练流程图；
图2：利用训练好的基于SAE的检测网络获得变化检测结果图流程图
具体实施方式
现结合实施例、附图对本发明作进一步描述：
深度神经网络通常包括三个模型，分别为：堆叠自编码器、深度置信网络、卷积神经网络。本发明使用堆叠自编码器(Stacked AutoEncoder，SAE)的训练方式。
实施方式的具体步骤如下：
(1)设时刻t1,t2为两个不同时刻，设X1,X2为在t1,t2时刻，同一遥感传感器及同一波段上对同一地点获取的两幅遥感图像，且X1,X2已经经过配准和辐射校正及几何校正。对每个坐标点(i,j)，提取两幅图像中以此坐标点为中心的3*3的像素，并将其拉成一列，作为一个18维的向量，并对其进行归一化，再加入归一化后的坐标信息(i',j')，获得一个20维训练样本Tr(i,j)。
(2)SAE是由多个自动编码器(AutoEncoder，AE)组成。AE由三层节点组成，分别为输入层、隐藏层和重建层。AE具体训练方式如下：
设置输入层到隐藏层的权重为Wy,偏置为by；隐藏层到输出层权重和偏置分别为Wz，bz，我们对Wy和Wz定义如下的约束：
Wy＝Wz T＝W；
定义代价函数：
其中d代表输出单元的个数，m表示训练数据的个数，xik表示第i个输入的第k个单元，zik表示第i个输出的第k个单元，分别计算代价函数c对权重W及偏置by，bz的偏导数，然后利用BP算法：
来更新网络参数，最小化AE的代价函数。其中η代表学习速率，通常取0.01左右，训练迭代次数为20-50次，这样重建层能较好地还原输入层。
在构造SAE时，使用的是AE的输入层和隐藏层进行堆叠，后续一层的AE将上一层AE的隐藏层作为输入层，3层的SAE即3个累加构建的SAE。在变化检测中，网络深度通常采用2到9层的SAE，每个隐层节点个数通常为5到35个节点。本实施例中测试数据采用的是3层的SAE，每个隐层节点个数为15。构造好的SAE使用步骤1中提取的特征进行分层无监督的训练。
(3)对于光谱图像，可对X1,X2差分，得到差分图D，D(i,j)＝|X1(i,j)-X2(i,j)|；对 于SAR图像，先取两图像的比值，然后取这个比值的对数的绝对值构成差分图，最后进行归一化，即min(·)，max(·)分别为 取最小值与最大值函数。
对差分图像D利用Mean Shift算法进行图像分割。得到分割成许多同质区域的分割图像SC＝{SCk,1≤k≤L}，L为分割图像的不同同质区域的数目，SCk为分割图像中的第k个同质区域。
对差分图像D利用EM算法估计图像整个域上高斯分布模型的参数。建立如下的MRF变化检测模型：
其中D＝{D(i,j),1≤i≤M,1≤j≤N}D(i,j)为D中第i行、第j列的像素值；C＝{C(i,j),1≤i≤M,1≤j≤N}为标号图，即所要求的变化检测图，其中C(i,j)取值为{0,1}，0代表不变，1代表变化。
通过条件迭代模型算法最小化MRF变化检测模型U(D,C)，获得粗变化检测图C，详见参考文献：[1]Fangshun Liao,Sufen Yu,Ying Li,Yanning Zhang.An Improved Methodin Change Detection of Multitemporal Remote Sensing Image.Lecture Notes inComputer Science,2013,8261:587-594.。
(4)将步骤1获得的原始特征与步骤3中获得的粗变化监测结果图以坐标进行配对，对于那些在粗变化检测结果图中与自身8邻域结果均不相同的输出点，去掉与它们配对对应的样本点。例如在粗变化检测结果中，点(i,j)与以其为中心3*3邻域的结果均不相同，则抛弃此样本点。
(5)构造逻辑回归分类器，并连接到SAE尾部。使得输入数据先经无监督的SAE提取特征，再将SAE网络自动提取的特征使用逻辑回归分类器进行分类。将上一步骤筛选后的样本点数据，作为基于SAE的检测网络的输入样本，对SAE和逻辑回归分类器进行训练。训练分类器时利用步骤3中得到的粗变化检测结果作为教师信号，使用BP算法微调整个网络的参数。迭代通常进行200到300次，本实施例中取的是300次，学习率取0.01。
(6)训练好基于SAE的检测网络后，就可以利用步骤1获得的原始特征Tr(i,j)作为输入数据，使用训练好的基于SAE的检测网络对其进行特征提取并分类，得到最终变化检测结果图。

Claims (1)

1.一种基于SAE的遥感图像变化检测方法，其特征在于步骤如下：
步骤1：对不同时刻同一地点获取的两幅待检测遥感图像进行配准、辐射校正及几何校正；对校正后的图像数据进行原始特征提取，提取方法是：提取以每个坐标点为中心3*3的图像块，组成一个18维的向量，并进行归一化；再加入2维的图像点归一化的坐标信息，拓展成为一个20维向量，作为一个检测样本点的原始特征；
步骤2：以提取到的原始特征作为输入对堆叠自编码器SAE进行无监督的训练；
步骤3：计算两幅待检测图像的差分图像，对差分图像使用基于同质区域的马尔科夫随机场算法得到粗变化检测结果图；
如果待检测图像是光谱图像，则对两幅待检测图像进行绝对值差分，得到差分图像；
如果是合成孔径雷达SAR图像，则使用取对数差分，得到差分图像；
步骤4：通过坐标将步骤1获得的原始特征与步骤3中获得的粗变化检测结果图进行配对，对于在粗变化检测结果图中与自身8邻域结果均不相同的输出点，去掉与它们配对对应的样本点；
步骤5：在堆叠自编码器SAE后构造逻辑回归分类器形成基于SAE的检测网络，然后将筛选后的样本点数据，作为基于SAE的检测网络的输入样本，对基于SAE的检测网络进行训练；
训练方法为：将步骤4精炼后的变化检测结果作为输入样本的教师信号,采用误差的反向传播BP算法微调SAE的参数；迭代次数为200到300次；
步骤6：训练终止后，利用训练好的基于SAE的检测网络对待测样本进行检测，得到最终变化检测结果图；
所述步骤2的堆叠自编码器SAE的隐层层数为2到9，每层中节点个数取5到35；所述步骤2的训练方法为堆叠自编码器SAE进行无监督训练的常规训练方法。
CN201510990465.0A 2015-12-25 2015-12-25 一种基于sae的遥感图像变化检测方法 Active CN105608698B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510990465.0A CN105608698B (zh) 2015-12-25 2015-12-25 一种基于sae的遥感图像变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510990465.0A CN105608698B (zh) 2015-12-25 2015-12-25 一种基于sae的遥感图像变化检测方法

Publications (2)

Publication Number Publication Date
CN105608698A CN105608698A (zh) 2016-05-25
CN105608698B true CN105608698B (zh) 2018-12-25

Family

ID=55988614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510990465.0A Active CN105608698B (zh) 2015-12-25 2015-12-25 一种基于sae的遥感图像变化检测方法

Country Status (1)

Country Link
CN (1) CN105608698B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106228130B (zh) * 2016-07-19 2019-09-10 武汉大学 基于模糊自编码网络的遥感影像云检测方法
CN106447039A (zh) * 2016-09-28 2017-02-22 西安交通大学 基于自编码神经网络的无监督特征提取方法
CN106780499A (zh) * 2016-12-07 2017-05-31 电子科技大学 一种基于堆叠自动编码网络的多模态脑肿瘤图像分割方法
CN106934797B (zh) * 2017-02-16 2019-09-06 中国测绘科学研究院 一种基于邻域相对熵的sar影像变化检测方法
CN107122733B (zh) * 2017-04-25 2019-10-11 西安电子科技大学 基于nsct和sae的高光谱图像分类方法
CN107230201B (zh) * 2017-05-15 2020-11-03 西安电子科技大学 基于样本自标定elm的在轨sar图像变化检测方法
CN107358261B (zh) * 2017-07-13 2020-05-01 西安电子科技大学 一种基于曲线波sae的高分辨sar图像变化检测方法
CN109191418B (zh) * 2018-06-22 2021-10-01 西安电子科技大学 一种基于收缩自编码器特征学习的遥感图像变化检测方法
CN109242889B (zh) * 2018-08-27 2020-06-16 大连理工大学 基于上下文显著性检测与sae的sar图像变化检测方法
CN109558806B (zh) * 2018-11-07 2021-09-14 北京科技大学 高分遥感图像变化的检测方法
CN109801305B (zh) * 2019-01-17 2021-04-06 西安电子科技大学 基于深度胶囊网络的sar图像变化检测方法
CN109993727A (zh) * 2019-03-06 2019-07-09 中国人民解放军61540部队 一种基于深度学习的遥感图像变化检测方法
CN109977968B (zh) * 2019-03-25 2021-03-12 合肥工业大学 一种深度学习分类后比较的sar变化检测方法
CN110059658B (zh) * 2019-04-26 2020-11-24 北京理工大学 一种基于三维卷积神经网络的遥感卫星影像多时相变化检测方法
CN111126255A (zh) * 2019-12-23 2020-05-08 华中科技大学 基于深度学习回归算法的数控机床刀具磨损值预测方法
CN111626122B (zh) * 2020-04-24 2024-01-05 贝壳技术有限公司 合成孔径雷达图像识别方法、装置、电子设备和存储介质
CN113256629B (zh) * 2021-07-05 2022-06-24 之江实验室 一种图像标定错误检测方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101694719A (zh) * 2009-10-13 2010-04-14 西安电子科技大学 基于非参数密度估计的遥感图像变化检测方法
CN102169545A (zh) * 2011-04-25 2011-08-31 中国科学院自动化研究所 一种高分辨率遥感图像的变化检测方法
CN102819838A (zh) * 2012-07-17 2012-12-12 北京市遥感信息研究所 基于多源目标特征支持的高光谱遥感图像变化检测方法
CN103345742A (zh) * 2013-06-18 2013-10-09 西北工业大学 基于一种改进马尔可夫随机场模型的遥感图像变化的检测方法
CN104392442A (zh) * 2014-11-18 2015-03-04 西北工业大学 基于非下采样Contourlet变换与主动轮廓的遥感图像变化检测方法
CN105046241A (zh) * 2015-08-19 2015-11-11 西安电子科技大学 基于rbm模型的目标级遥感图像变化检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10095917B2 (en) * 2013-11-04 2018-10-09 Facebook, Inc. Systems and methods for facial representation
CN103810699B (zh) * 2013-12-24 2017-01-11 西安电子科技大学 基于无监督深度神经网络的sar图像变化检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101694719A (zh) * 2009-10-13 2010-04-14 西安电子科技大学 基于非参数密度估计的遥感图像变化检测方法
CN102169545A (zh) * 2011-04-25 2011-08-31 中国科学院自动化研究所 一种高分辨率遥感图像的变化检测方法
CN102819838A (zh) * 2012-07-17 2012-12-12 北京市遥感信息研究所 基于多源目标特征支持的高光谱遥感图像变化检测方法
CN103345742A (zh) * 2013-06-18 2013-10-09 西北工业大学 基于一种改进马尔可夫随机场模型的遥感图像变化的检测方法
CN104392442A (zh) * 2014-11-18 2015-03-04 西北工业大学 基于非下采样Contourlet变换与主动轮廓的遥感图像变化检测方法
CN105046241A (zh) * 2015-08-19 2015-11-11 西安电子科技大学 基于rbm模型的目标级遥感图像变化检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Automatic Analysis of the Difference Image for Unsupervised Change Detection;Lorenzo Bruzzone 等;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20000531;第38卷(第3期);1171-1182 *
Deep Learning-Based Classification of Hyperspectral Data;Yushi Chen 等;《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》;20140630;第7卷(第6期);摘要，正文第II节C部分第1、3段，第III节第2段，第IV节第1-3段 *

Also Published As

Publication number Publication date
CN105608698A (zh) 2016-05-25

Similar Documents

Publication Publication Date Title
CN105608698B (zh) 一种基于sae的遥感图像变化检测方法
CN111080629B (zh) 一种图像拼接篡改的检测方法
CN109299274B (zh) 一种基于全卷积神经网络的自然场景文本检测方法
CN110532859B (zh) 基于深度进化剪枝卷积网的遥感图像目标检测方法
CN109685135B (zh) 一种基于改进型度量学习的少样本图像分类方法
CN112991330B (zh) 基于知识蒸馏的正样本工业缺陷检测方法
US20190130212A1 (en) Deep Network Embedding with Adversarial Regularization
Liu et al. Locating splicing forgery by fully convolutional networks and conditional random field
CN106408030B (zh) 基于中层语义属性和卷积神经网络的sar图像分类方法
CN103810704B (zh) 基于支持向量机和判别随机场的sar图像变化检测方法
EP3690741A2 (en) Method for automatically evaluating labeling reliability of training images for use in deep learning network to analyze images, and reliability-evaluating device using the same
CN105138973A (zh) 人脸认证的方法和装置
CN106096655B (zh) 一种基于卷积神经网络的光学遥感图像飞机检测方法
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
CN114595732B (zh) 基于深度聚类的雷达辐射源分选方法
CN103824302B (zh) 基于方向波域图像融合的sar图像变化检测方法
CN109583456B (zh) 基于特征融合和稠密连接的红外面目标检测方法
CN108776777A (zh) 一种基于Faster RCNN的遥感影像对象间空间关系的识别方法
CN117475236B (zh) 用于矿产资源勘探的数据处理系统及其方法
CN103426158A (zh) 两时相遥感图像变化检测的方法
CN107944354A (zh) 一种基于深度学习的车辆检测方法
CN106096658A (zh) 基于无监督深度空间特征编码的航拍图像分类方法
CN116258877A (zh) 土地利用场景相似度变化检测方法、装置、介质及设备
CN108932471A (zh) 一种车辆检测方法
CN115984846A (zh) 一种基于深度学习的高分辨率图像中小目标的智能识别方法

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
TR01 Transfer of patent right

Effective date of registration: 20190225

Address after: 710000 Oak Constellation 1 Building 2 Unit 20301, North of Science and Technology Fifth Road, Xi'an High-tech Zone, Shaanxi Province

Patentee after: Xi'an Xu Yao Network Technology Co.,Ltd.

Address before: 710072 No. 127 Youyi West Road, Shaanxi, Xi'an

Patentee before: Northwestern Polytechnical University

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20190423

Address after: 710000 Unit 2, Unit 3, Building 5, No. 2, Hongpu South Road, Yanta District, Xi'an City, Shaanxi Province

Patentee after: Zhao Feng

Address before: 710000 Oak Constellation 1 Building 2 Unit 20301, North of Science and Technology Fifth Road, Xi'an High-tech Zone, Shaanxi Province

Patentee before: Xi'an Xu Yao Network Technology Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20190918

Address after: 710075 Room 1005, Tongda International Building, 41 Tangyan Road, Xi'an High-tech Zone, Shaanxi Province

Patentee after: Xi'an Anmeng Intelligent Technology Co.,Ltd.

Address before: 710000 Unit 2, Unit 3, Building 5, No. 2, Hongpu South Road, Yanta District, Xi'an City, Shaanxi Province

Patentee before: Zhao Feng

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221220

Address after: G1-308, Floor 7, Xixian Talent Building, Century Avenue, Fengdong New Town, Xi'an, Shaanxi Province, 710,000

Patentee after: Xi'an Qiantengjin Technology Co.,Ltd.

Address before: 710075 Room 1005, Tongda International Building, 41 Tangyan Road, Xi'an High-tech Zone, Shaanxi Province

Patentee before: Xi'an Anmeng Intelligent Technology Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240419

Address after: 710000, Room 1105, Building E, Wangzuo Modern City, No. 35 Tangyan Road, High tech Zone, Xi'an City, Shaanxi Province

Patentee after: Shaanxi Yixian Information Technology Co.,Ltd.

Country or region after: China

Address before: G1-308, Floor 7, Xixian Talent Building, Century Avenue, Fengdong New Town, Xi'an, Shaanxi Province, 710,000

Patentee before: Xi'an Qiantengjin Technology Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right