CN108734661B - 基于图像纹理信息构建损失函数的高分辨率图像预测方法 - Google Patents

基于图像纹理信息构建损失函数的高分辨率图像预测方法 Download PDF

Info

Publication number
CN108734661B
CN108734661B CN201810517138.7A CN201810517138A CN108734661B CN 108734661 B CN108734661 B CN 108734661B CN 201810517138 A CN201810517138 A CN 201810517138A CN 108734661 B CN108734661 B CN 108734661B
Authority
CN
China
Prior art keywords
resolution image
network
image
loss
loss function
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
CN201810517138.7A
Other languages
English (en)
Other versions
CN108734661A (zh
Inventor
赵丽玲
张泽林
林屹
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.)
Jiangsu Xinshiyun Science and Technology Co.,Ltd.
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN201810517138.7A priority Critical patent/CN108734661B/zh
Publication of CN108734661A publication Critical patent/CN108734661A/zh
Application granted granted Critical
Publication of CN108734661B publication Critical patent/CN108734661B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像纹理信息构建损失函数的高分辨率图像预测方法。首先随机初始化SRCNN卷积神经网络的连接权重与偏置，并设置网络参数；将训练数据预处理后获得高、低分辨率图像对训练集；接着将低分辨率图像输入网络框架，得到网络输出的高分辨率图像；然后，采用考虑图像纹理信息的损失函数进行误差计算，如果未达到迭代次数则进行权值修正，最终得到训练好的网络；在测试阶段，输入低分辨率图像至训练好的网络，得到预测的高分辨率图像。本发明构建的损失函数不仅可以度量像素损失，而且还可以度量图像纹理信息损失，克服了SRCNN卷积神经网络超分辨算法的不足，有效实现了SRCNN算法性能的进一步提升。

Description

基于图像纹理信息构建损失函数的高分辨率图像预测方法
技术领域
本发明涉及一种图像预测方法，尤其涉及基于深度学习的图像预测方法，属于人工智能技术领域。
背景技术
深度学习(Deep Learning)作为近几年来计算机视觉和模式识别中的研究重点，受到了学者们越来越多的研究关注，以深度学习理论为基础的图像超分辨技术更是发展迅速。目前，在诸多研究成果中，从合理构建损失函数角度开展深度学习超分辨算法性能提升的研究层出不穷，且对图像超分辨质量产生了许多有益的效果。比如：
[1]Ledig C,Wang Z,Shi W,et al.Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network[C]//ComputerVisionandPattern Recognition.IEEE,2017。
[2]Yu X,Porikli F.Ultra-Resolving Face Images by DiscriminativeGenerative Networks[J].2016。
[3]Bruna J,Sprechmann P,Lecun Y.Super-Resolution with DeepConvolutional Sufficient Statistics[J].Computer Science,2015。
在SRCNN算法中(具体参考：Dong C,Chen C L,He K,et al.Learning a DeepConvolutional Network for Image Super-Resolution[J].2014,8692:184-199.)，使用的损失函数为MSE(mean squared error，均方误差)函数，如式(1)所示：
Figure BDA0001673695400000011
其中，n是训练样本的数量，F是高低分辨率图像端到端的映射函数，Θ＝{W1,W2,W3,B1,B2,B3}表示SRCNN三层卷积神经网络的权重和偏置，式(1)表示超分辨率图像F(Y；Θ)和实际高分辨率图像X之间损失函数。
然而，通过最小化上述损失函数获得的超分辨图像细节特征仍然不够丰富和明显，图像的很多重要细节显得过于平滑。分析原因可以发现：MSE损失函数仅能简单衡量网络输出的高分辨率图像和真实高分辨率图像之间在像素值上的差异，而不能从图像纹理等区域结构的角度去衡量图像信息的变化与区别。所以，仅从像素值这一低级特征角度去衡量超分辨图像和真实高分辨率图像之间的差异显然是不够的。
因此，从更高级别的图像特征衡量超分辨图像和真实图像之间的损失，进一步提高损失函数感知图像细节特征变化的能力，从而提高深度学习超分辨算法性能是非常必要的。
发明内容
本发明所要解决的技术问题是：为克服SRCNN算法的不足，提出一种考虑图像纹理信息损失的高分辨率图像预测方法，以改善SRCNN超分辨算法的性能，实现高分辨率图像的预测。
本发明为解决上述技术问题采用以下技术方案：
一种基于图像纹理信息构建损失函数的高分辨图像预测方法，包括如下步骤：
步骤1、网络初始化：随机初始化SRCNN卷积神经网络的连接权重与偏置，并设置网络参数，包括：卷积核尺寸、卷积核数量、学习率、移动步长、迭代次数；
步骤2、训练数据预处理：用双三次插值扩展训练图像数据集，获得高、低分辨率图像对训练集；
步骤3、网络预测：将低分辨率图像输入基于SRCNN卷积神经网络框架，得到网络输出的高分辨率图像；
步骤4、误差计算：计算网络输出的高分辨率图像和步骤2所得高分辨率图像的损失函数值，判断迭代次数是否达到预设，如果是，则网络训练结束，转入步骤6；如果否，则转入步骤5；
步骤5、权值修正：计算步骤4中损失函数的梯度，采用经典随机梯度下降法修正网络权值，然后转入步骤3；
步骤6、输出结果：获得网络训练后各类参数的最优结果，得到训练好的网络；
步骤7、测试阶段：输入低分辨率图像至训练好的网络，得到预测的高分辨率图像。
进一步的，本发明所提出的高分辨率图像预测方法，步骤3中所述SRCNN卷积神经网络共三层，训练库的图像经过第一层卷积层后得到特征图，再经过Sigmoid激活函数；然后，经过第二层卷积层得到特征图，再经过Sigmoid激活函数；最后经过第三层对特征进行卷积运算，得到网络输出的高分辨率图像。
进一步的，本发明所提出的高分辨率图像预测方法，SRCNN卷积神经网络分为三个卷积层，其中：卷积核尺寸分别设为7×7，1×1，5×5；卷积核数量分别设置为64，32，3；学习率设置：第一层为10-5，第二层为10-6，第三层为10-7；移动步长为1×1；迭代次数设为15；
每一层权重初始化均值为0、标准差为0.001的高斯分布，每一层的偏置初始化为0，每一层卷积输出均采用Sigmoid函数为激活函数。
进一步的，本发明所提出的高分辨率图像预测方法，步骤4中计算网络输出高分辨率图像和步骤2所得高分辨率图像的损失函数值，所述损失函数值包括像素值损失，以及按一定权重计算的图像纹理信息损失，如下式：
LMSE-V＝LMSE+λLVAR，
其中，LMSE-V为损失函数，LMSE为经典MSE损失函数，表示图像像素值损失；LVAR为图像纹理特征损失，实现高、低分辨率图像块各自方差的绝对差计算；λ为权重系数。
进一步的，本发明所提出的高分辨率图像预测方法，图像像素值损失LMSE函数具体计算方法如下：
Figure BDA0001673695400000031
图像纹理特征损失LVAR函数具体计算方法如下：
Figure BDA0001673695400000032
其中，IHR表示高分辨率图像块，ILR表示低分辨率图像块，F(ILR)为超分辨率图像块，var(.)为对图像块求方差，
Figure BDA0001673695400000033
和
Figure BDA0001673695400000034
分别表示对应图像块的均值，W为图像块的宽，单位为像素，H为图像块的高，单位为像素，x和y为图像的像素的下标索引。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
本发明构建了一个考虑图像纹理信息的损失函数，该损失函数包括一个均方误差损失函数和一个纹理信息损失函数。本发明构建的损失函数不仅可以度量像素损失，而且还可以度量图像纹理特征损失，将该损失函数与SRCNN算法结合，可以实现SRCNN算法性能的进一步提升，输入低分辨率图像实现高分辨率图像的预测，有非常实际的应用价值。
附图说明
图1是本发明的方法流程图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本发明在SRCNN超分辨算法框架下，构建了一种新的基于MSE和图像方差最小化的损失函数。本发明提出的损失函数以MSE为基础，在计算像素值损失的同时按一定权重计算区域纹理特征损失，可以表达为式(2)。
LMSE-V＝LMSE+λLVAR (2)
其中，LMSE-V为总损失函数，LMSE为经典MSE损失函数，表示图像像素值损失，具体表达如式(3)；LVAR为图像纹理特征损失，实现高、低分辨率图像块各自方差的绝对差计算，具体表达如式(4)；λ为权重系数。
将该损失函数应用到SRCNN算法框架中，则可以提高超分辨算法对图像纹理细节的捕捉和感知能力，从而提高超分辨图像质量。
Figure BDA0001673695400000041
Figure BDA0001673695400000042
在表达式(3)和(4)中，IHR表示高分辨率图像块，ILR表示低分辨率图像块，F(ILR)为超分辨图像块，var(.)为对图像块求方差，
Figure BDA0001673695400000043
和
Figure BDA0001673695400000044
分别图像块的均值，W为图像块的宽(单位：像素)，H为图像块的高(单位：像素)，x和y为图像的像素的下标索引。
如图1所示，是本发明的流程图，具体步骤如下：
步骤1、SRCNN卷积神经网络初始化：随机初始化网络连接权重与偏置，设置网络卷积核尺寸、数量、学习率、步长、迭代次数等参数。
步骤2、训练数据预处理：用双三次插值对原始高分辨率图像操作，扩展图像数据集，获得高、低分辨率图像对。
步骤3、网络预测：采用基于SRCNN网络框架得到网络预测的高分辨率图像。SRCNN网络共三层，训练库的图像经过第一层卷积层后得到特征图，再经过Sigmoid激活函数；然后，经过第二层卷积层得到特征图，再经过Sigmoid激活函数；最后经过第三层对特征进行卷积运算，得到网络输出的高分辨率图像。
步骤4、计算网络输出高分辨率图像和真实高分辨率图像的损失函数值，判断迭代次数是否到达预设，如果迭代次数到达预设，则网络训练结束，转入步骤6；如果迭代次数未到达预设，则转入步骤5。
步骤5、权值修正：计算步骤4中损失函数的梯度，采用经典随机梯度下降法修正网络权值，然后转入步骤3。
步骤6、输出结果：获得网络训练后各类参数的最优结果。
步骤7、测试阶段：输入低分辨率图像输入至训练好的网络，得到预测的高分辨率图像。
下面结合一个具体实施例来进一步详细介绍本发明的具体步骤：
步骤1、SRCNN卷积神经网络初始化：1)设置网络卷积核尺寸，SRCNN网络分为三个卷积层，卷积核尺寸分别设为7×7，1×1，5×5；卷积核数量分别设置为64，32，3；学习率设置为第一层为10-5，第二层为10-6，第三层为10-7；移动步长为1×1；迭代次数设为15；2)每一层权重初始化均值为0、标准差为0.001的高斯分布，每一层的偏置初始化为0，每一层卷积输出均采用Sigmoid函数为激活函数。
步骤2、训练数据预处理：用双三次插值对原始高分辨率图像操作，扩展图像数据集，获得高分辨率图像和低分辨率图像对。
步骤3、网络预测：采用基于SRCNN网络框架得到网络预测的高分辨率图像。SRCNN网络共三层，训练库的图像经过第一层卷积层后得到特征图，再经过Sigmoid激活函数；然后，经过第二层卷积层得到特征图，再经过Sigmoid激活函数；最后经过第三层对特征进行卷积运算，得到网络输出的高分辨率图像。
步骤4、误差计算：计算网络输出高分辨率图像和真实高分辨率图像的损失函数值，判断迭代次数是否到达预设，如果迭代次数到达预设，则网络训练结束，转入步骤6；如果迭代次数未到达预设，则转入步骤5。
步骤5、权值修正：计算步骤4中损失函数的梯度，采用经典随机梯度下降法修正网络权值，然后转入步骤3。
步骤6、输出结果：获得网络训练后各类参数的最优结果。
步骤7、测试阶段：输入低分辨率图像输入至训练好的网络，得到预测的高分辨率图像。
以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种基于图像纹理信息构建损失函数的高分辨率图像预测方法，其特征在于，包括如下步骤：
步骤1、网络初始化：随机初始化SRCNN卷积神经网络的连接权重与偏置，并设置网络参数，包括：卷积核尺寸、卷积核数量、学习率、移动步长、迭代次数；
步骤2、训练数据预处理：用双三次插值扩展训练图像数据集，获得高、低分辨率图像对训练集；
步骤3、网络预测：将低分辨率图像输入基于SRCNN卷积神经网络框架，得到网络输出的高分辨率图像；
步骤4、误差计算：计算网络输出的高分辨率图像和步骤2所得高分辨率图像的损失函数值，判断迭代次数是否达到预设，如果是，则网络训练结束，转入步骤6；如果否，则转入步骤5；
步骤5、权值修正：计算步骤4中损失函数的梯度，采用经典随机梯度下降法修正网络权值，然后转入步骤3；
步骤6、输出结果：获得网络训练后各类参数的最优结果，得到训练好的网络；
步骤7、测试阶段：输入低分辨率图像至训练好的网络，得到预测的高分辨率图像；
其中，步骤4计算网络输出高分辨率图像和步骤2所得高分辨率图像的损失函数值，所述损失函数值包括像素值损失，以及按一定权重计算的图像纹理信息损失，如下式：
LMSE-V＝LMSE+λLVAR，
其中，LMSE-V为损失函数，LMSE为经典MSE损失函数，表示图像像素值损失；LVAR为图像纹理特征损失，实现高、低分辨率图像块各自方差的绝对差计算；λ为权重系数；
图像像素值损失LMSE函数具体计算方法如下：
Figure FDA0002705761290000011
图像纹理特征损失LVAR函数具体计算方法如下：
Figure FDA0002705761290000012
其中，IHR表示高分辨率图像块，ILR表示低分辨率图像块，F(ILR)为超分辨率图像块，var(.)为对图像块求方差，
Figure FDA0002705761290000021
和
Figure FDA0002705761290000022
分别表示对应图像块的均值，W为图像块的宽，单位为像素，H为图像块的高，单位为像素，x和y为图像的像素的下标索引。
2.根据权利要求1所述的方法，其特征在于，步骤3中所述SRCNN卷积神经网络共三层，训练库的图像经过第一层卷积层后得到特征图，再经过Sigmoid激活函数；然后，经过第二层卷积层得到特征图，再经过Sigmoid激活函数；最后经过第三层对特征进行卷积运算，得到网络输出的高分辨率图像。
3.根据权利要求1或2所述的方法，其特征在于，SRCNN卷积神经网络分为三个卷积层，其中：卷积核尺寸分别设为7×7，1×1，5×5；卷积核数量分别设置为64，32，3；学习率设置：第一层为10-5，第二层为10-6，第三层为10-7；移动步长为1×1；迭代次数设为15；
每一层权重初始化均值为0、标准差为0.001的高斯分布，每一层的偏置初始化为0，每一层卷积输出均采用Sigmoid函数为激活函数。
CN201810517138.7A 2018-05-25 2018-05-25 基于图像纹理信息构建损失函数的高分辨率图像预测方法 Active CN108734661B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810517138.7A CN108734661B (zh) 2018-05-25 2018-05-25 基于图像纹理信息构建损失函数的高分辨率图像预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810517138.7A CN108734661B (zh) 2018-05-25 2018-05-25 基于图像纹理信息构建损失函数的高分辨率图像预测方法

Publications (2)

Publication Number Publication Date
CN108734661A CN108734661A (zh) 2018-11-02
CN108734661B true CN108734661B (zh) 2020-12-29

Family

ID=63936094

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810517138.7A Active CN108734661B (zh) 2018-05-25 2018-05-25 基于图像纹理信息构建损失函数的高分辨率图像预测方法

Country Status (1)

Country Link
CN (1) CN108734661B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109712183A (zh) * 2018-11-28 2019-05-03 天津大学 基于深度学习的电子散斑干涉智能信息提取方法
CN109934773B (zh) * 2019-03-13 2023-08-25 北京旷视科技有限公司 一种图像处理方法、装置、电子设备和计算机可读介质
CN110136061B (zh) * 2019-05-10 2023-02-28 电子科技大学中山学院 一种基于深度卷积预测与插值的分辨率提升方法及系统
CN110334760B (zh) * 2019-07-01 2021-06-08 成都数之联科技有限公司 一种基于resUnet的光学元器件损伤检测方法及系统
CN110991375B (zh) * 2019-12-10 2020-12-15 北京航空航天大学 一种群体行为分析方法及装置
CN111192255B (zh) * 2019-12-30 2024-04-26 上海联影智能医疗科技有限公司 指标检测方法、计算机设备和存储介质
CN111310666B (zh) * 2020-02-18 2022-03-18 浙江工业大学 一种基于纹理特征的高分辨率影像地物识别与分割方法
CN111612721B (zh) * 2020-05-22 2023-09-22 哈尔滨工业大学（深圳） 一种图像修复模型训练、卫星图像修复方法及装置
CN111839574B (zh) * 2020-09-08 2023-10-31 南京安科医疗科技有限公司 Ct超低剂量自动三维定位扫描方法及系统
CN112581397B (zh) * 2020-12-21 2023-08-08 华南农业大学 一种基于图像先验信息的退化图像修复方法、系统、介质和设备
CN115861099B (zh) * 2022-11-24 2024-02-13 南京信息工程大学 一种引入物理成像先验知识约束的卫星云图图像复原方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104778659A (zh) * 2015-04-15 2015-07-15 杭州电子科技大学 基于深度学习的单帧图像超分辨率重建方法
CN105960657A (zh) * 2014-06-17 2016-09-21 北京旷视科技有限公司 使用卷积神经网络的面部超分辨率
CN106228512A (zh) * 2016-07-19 2016-12-14 北京工业大学 基于学习率自适应的卷积神经网络图像超分辨率重建方法
CN107492070A (zh) * 2017-07-10 2017-12-19 华北电力大学 一种双通道卷积神经网络的单图像超分辨率计算方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9836820B2 (en) * 2016-03-03 2017-12-05 Mitsubishi Electric Research Laboratories, Inc. Image upsampling using global and local constraints

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105960657A (zh) * 2014-06-17 2016-09-21 北京旷视科技有限公司 使用卷积神经网络的面部超分辨率
CN104778659A (zh) * 2015-04-15 2015-07-15 杭州电子科技大学 基于深度学习的单帧图像超分辨率重建方法
CN106228512A (zh) * 2016-07-19 2016-12-14 北京工业大学 基于学习率自适应的卷积神经网络图像超分辨率重建方法
CN107492070A (zh) * 2017-07-10 2017-12-19 华北电力大学 一种双通道卷积神经网络的单图像超分辨率计算方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Learning a Deep Convolutional Network for Image Super-Resolution》;Chao Dong 等;《ECCV 2014, Part IV, LNCS 8692》;20141231;第184-199页 *
《基于卷积神经网络的图像纹理的超分辨率重建》;蒋雪;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180115;第25-40页 *

Also Published As

Publication number Publication date
CN108734661A (zh) 2018-11-02

Similar Documents

Publication Publication Date Title
CN108734661B (zh) 基于图像纹理信息构建损失函数的高分辨率图像预测方法
CN109087273B (zh) 基于增强的神经网络的图像复原方法、存储介质及系统
CN109949255B (zh) 图像重建方法及设备
Yang et al. Coupled dictionary training for image super-resolution
CN109767386A (zh) 一种基于深度学习的快速图像超分辨率重建方法
CN110349087B (zh) 基于适应性卷积的rgb-d图像高质量网格生成方法
CN110060204B (zh) 一种基于可逆网络的单一图像超分辨率方法
CN109785279B (zh) 一种基于深度学习的图像融合重建方法
CN112489164B (zh) 基于改进深度可分离卷积神经网络的图像着色方法
CN112291570B (zh) 一种基于轻量级可形变卷积神经网络的实时视频增强方法
CN107103285A (zh) 基于卷积神经网络的人脸深度预测方法
CN103455988A (zh) 基于结构自相似性与稀疏表示的超分辨率图像重构方法
CN109949217A (zh) 基于残差学习和隐式运动补偿的视频超分辨率重建方法
CN113744136A (zh) 基于通道约束多特征融合的图像超分辨率重建方法和系统
CN113869503B (zh) 一种基于深度矩阵分解补全的数据处理方法及存储介质
Liang et al. Multi-scale hybrid attention graph convolution neural network for remote sensing images super-resolution
CN116188509A (zh) 一种高效率三维图像分割方法
CN116385264A (zh) 一种超分辨率遥感数据重构方法
CN109819256B (zh) 基于特征感知的视频压缩感知方法
CN107403417A (zh) 一种基于单目视觉的三次元图像校准方法
CN108596831B (zh) 一种基于AdaBoost实例回归的超分辨率重建方法
CN111563844A (zh) 一种遥感图像自适应融合方法
CN117151998A (zh) 一种基于支持向量回归的图像光照校正方法
CN116630387A (zh) 基于注意力机制的单目图像深度估计方法
CN103226818A (zh) 基于流形正则稀疏支撑回归的单帧图像超分辨率重建方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: 210032 No. 219 Ning six road, Jiangbei new district, Nanjing, Jiangsu

Applicant after: Nanjing University of Information Science and Technology

Address before: 210044 Yu Ting square, 67 Wang Qiao Road, Liuhe District, Nanjing, Jiangsu

Applicant before: Nanjing University of Information Science and Technology

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20211220

Address after: 210012 19 / F, B1 building, Kechuang City, 34 Dazhou Road, Yuhuatai District, Nanjing City, Jiangsu Province

Patentee after: Jiangsu Xinshiyun Science and Technology Co.,Ltd.

Address before: No.219, ningliu Road, Jiangbei new district, Nanjing, Jiangsu Province, 210032

Patentee before: NANJING University OF INFORMATION SCIENCE & TECHNOLOGY

TR01 Transfer of patent right