CN110059538A - 一种基于深度密集神经网络的水体识别方法 - Google Patents
一种基于深度密集神经网络的水体识别方法 Download PDFInfo
- Publication number
- CN110059538A CN110059538A CN201910146842.0A CN201910146842A CN110059538A CN 110059538 A CN110059538 A CN 110059538A CN 201910146842 A CN201910146842 A CN 201910146842A CN 110059538 A CN110059538 A CN 110059538A
- Authority
- CN
- China
- Prior art keywords
- intensive
- network
- neural network
- method based
- training
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于深度密集神经网络的水体识别方法,包括数据采集:下载卫星遥感影像数据,并对影像数据中的水体和非水体部分进行标注;建立密集型UNet分割网络模型;使用标注后的训练集数据对密集型UNet分割网络模型进行优化训练;将测试集数据输入优化后的网络模型,识别测试集影像中的水体区域,验证模型效果。本发明能够在保证准确率的前提下有效减少用于水体识别的神经网络的参数,大大缩短训练时间,大大降低遥感的实时环境监测任务的难度。
Description
技术领域
本发明属于水体识别技术领域,特别是涉及一种基于深度密集神经网络的水体识别方法。
背景技术
目前卫星遥感被大量应用于环境监测、气象预测、灾害预防等各个方面,其中水体识别是卫星遥感的一个重要应用。水体识别是水体污染检测的前提,其准确度直接影响后续的污染物含量和污染范围的计算,是卫星遥感和自动化环境监测应用的重要一环。
现有的深度学习方法如卷积神经网络进行语义分割从而提取出遥感影像中的水体部分。但是大规模卷积神经网络在带来识别准确率上升的同时,引入了更多的参数,使得网络调优变得更加困难,训练时长也随之增加。
工业上现有的算法大都基于ResNet+FCN结构对图像做语义分割,然而语义分割任务本身要求对图像的预测精确到每一个像素点,这导致用于语义分割的神经网络参数数量往往数百倍于用于图像分类的神经网络,大大增加了训练时间。参数增加带来的不只是硬件设施的压力,更有反向传播时梯度消失和训练不收敛等问题,大大降低了语义分割准确率。对水体识别尤其是小型河流的水体无法实现高效精确的识别。
发明内容
为了解决上述问题,本发明提出了一种基于深度密集神经网络的水体识别方法,能够在保证准确率的前提下有效减少用于水体识别的神经网络的参数,大大缩短训练时间,大大降低遥感实时环境监测任务的难度。
为达到上述目的,本发明采用的技术方案是:一种基于深度密集神经网络的水体识别方法,包括步骤:
S100,数据采集,下载卫星遥感影像数据,并对影像数据中的水体和非水体部分进行标注;
S200,建立密集型UNet分割网络模型;
S300,使用标注后的训练集数据对密集型UNet分割网络模型进行优化训练;
S400,将测试集数据输入优化后的网络模型,识别测试集影像中的水体区域。
进一步的是,建立所述密集型UNet分割网络模型,包括步骤:
S201,设置跳跃连接的密集块;
S202,在密集块后设置网络的中间流,所述中间流包括多个扩张卷积块,所述扩张卷积块通过不同扩张卷积操作提取影像中不同级别的特征信息并进行融合处理;使网络训练更关注全局特征,对细小和狭长的河流一样能有很好的识别率;
S203,使用与网络中编码器相同数量的密集块进行特征解码,使用跳跃连接让一部分编码器的特征图连接到编码器对应的密集块进行上采样,将已编码的特征图恢复到原影像尺寸,避免下采样时丢失影像信息,保持网络参数少的特性;
S204,使用损失函数优化网络模型,利用反向传播,在每一个小批量梯度下降训练时更新卷积核权值。
进一步的是,设置所述跳跃连接的密集块,包括步骤:
所述密集块包括四个密集层,每个密集层的输出特征图通过跳跃连接到该密集块的最终输出:
xl=H([xl-1,xl-2,...,x0])
其中,xl为第lth层的输出,使得每一个浅层都与深层直接关联,从而使损失函数在反向传播时快速到达网络浅层,以避免网络过深带来的梯度消失问题。
进一步的是,所述扩张卷积块包括多个3X3卷积核的扩展卷积并列构成,将各个扩展卷积的输出进行融合。
进一步的是,所述损失函数采用Dice损失函数:
进一步的是,在所述步骤S100中对影像数据中的水体和非水体部分进行标注后,得到训练集、验证集和测试集,并将所述训练集、验证集和测试集存储在云端服务器中;
在所述步骤S300中,利用所述训练集输入网络进行训练,调整参数,直到验证集在网络上的损失函数输出降到临界值;在测试集上测试网络,输入测试集得到预测输出,对比预测输出和测试集的标签得到混淆矩阵,经过计算得到准确率。
进一步的是,在所述验证集上使用MIoU指标验证网络泛化能力;当训练损失降低至预设标准并且验证MIoU达到预设标准时,返回并储存最佳网络模型。
采用本技术方案的有益效果:
本发明融合了残差网络和扩展卷积的优点,充分利用了每一层网络输出的特征图,并非一味地拓宽网络结构,利用具有残差的跳跃连接结构,使最终预测输出的特征图都间接地与前面所有网络层相连。
本发明提出的密集型深度网络结构,不仅充分利用浅层网络的输出,而且减少横向拓宽所需的网络参数数量,减轻梯度消失的问题,使得网络更易于训练和收敛。
附图说明
图1为本发明的一种基于深度密集神经网络的水体识别方法流程示意图;
图2为本发明实施例中扩张卷积块的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步阐述。
在本实施例中,参见图1所示,本发明提出了一种基于深度密集神经网络的水体识别方法,包括步骤:
S100,数据采集,下载卫星遥感影像数据,并对影像数据中的水体和非水体部分进行标注;
S200,建立密集型UNet分割网络模型;
S300,使用标注后的训练集数据对密集型UNet分割网络模型进行优化训练;
S400,将测试集数据输入优化后的网络模型,识别测试集影像中的水体区域。
作为上述实施例的优化方案,建立所述密集型UNet分割网络模型,包括步骤:
S201,设置跳跃连接的密集块;
S202,在密集块后设置网络的中间流,所述中间流包括多个扩张卷积块,所述扩张卷积块通过不同扩张卷积操作提取影像中不同级别的特征信息并进行融合处理;使网络训练更关注全局特征,对细小和狭长的河流一样能有很好的识别率;
S203,使用与网络中编码器相同数量的密集块进行特征解码,使用跳跃连接让一部分编码器的特征图连接到编码器对应的密集块进行上采样,将已编码的特征图恢复到原影像尺寸,避免下采样时丢失影像信息,保持网络参数少的特性;
S204,使用损失函数优化网络模型,利用反向传播,在每一个小批量梯度下降训练时更新卷积核权值。
设置所述跳跃连接的密集块,包括步骤:
所述密集块包括四个密集层,每个密集层的输出特征图通过跳跃连接到该密集块的最终输出:
xl=H([xl-1,xl-2,...,x0])(1)
其中,xl为第lth层的输出,使得每一个浅层都与深层直接关联,从而使损失函数在反向传播时快速到达网络浅层,以避免网络过深带来的梯度消失问题。
如图2所示,所述扩张卷积块包括多个3X3卷积核的扩展卷积并列构成,将各个扩展卷积的输出进行融合。
所述损失函数采用Dice损失函数:
作为上述实施例的优化方案,在所述步骤S100中对影像数据中的水体和非水体部分进行标注后,得到训练集、验证集和测试集,并将所述训练集、验证集和测试集存储在云端服务器中;
在所述步骤S300中,利用所述训练集输入网络进行训练,调整参数,直到验证集在网络上的损失函数输出降到临界值;在测试集上测试网络,输入测试集得到预测输出,对比预测输出和测试集的标签得到混淆矩阵,经过计算得到准确率。
在所述验证集上使用MIoU指标验证网络泛化能力;当训练损失降低至预设标准并且验证MIoU达到预设标准时,返回并储存最佳网络模型。
本发明的网络结构最终使用了高达192层的神经网络,最终参数个数却只有数百万,远远低于流行的网络模型动辄上千万上亿的参数量,并且在不同数据集上对比,其准确率都超越了基准的ResNet 5%~10%。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种基于深度密集神经网络的水体识别方法,其特征在于,包括步骤:
S100,数据采集,下载卫星遥感影像数据,并对影像数据中的水体和非水体部分进行标注;
S200,建立密集型UNet分割网络模型;
S300,使用标注后的训练集数据对密集型UNet分割网络模型进行优化训练;
S400,将测试集数据输入优化后的网络模型,识别测试集影像中的水体区域。
2.根据权利要求1所述的一种基于深度密集神经网络的水体识别方法,其特征在于,建立所述密集型UNet分割网络模型,包括步骤:
S201,设置跳跃连接的密集块;
S202,在密集块后设置网络的中间流,所述中间流包括多个扩张卷积块,所述扩张卷积块通过不同扩张卷积操作提取影像中不同级别的特征信息并进行融合处理;
S203,使用与网络中编码器相同数量的密集块进行特征解码,使用跳跃连接让一部分编码器的特征图连接到编码器对应的密集块进行上采样,将已编码的特征图恢复到原影像尺寸;
S204,使用损失函数优化网络模型,利用反向传播,在每一个小批量梯度下降训练时更新卷积核权值。
3.根据权利要求2所述的一种基于深度密集神经网络的水体识别方法,其特征在于,设置所述跳跃连接的密集块,包括步骤:
所述密集块包括四个密集层,每个密集层的输出特征图通过跳跃连接到该密集块的最终输出:
xl=H([xl-1,xl-2,...,x0])
其中,xl为第lth层的输出,使得每一个浅层都与深层直接关联。
4.根据权利要求2所述的一种基于深度密集神经网络的水体识别方法,其特征在于,所述扩张卷积块包括多个3X3卷积核的扩展卷积并列构成,将各个扩展卷积的输出进行融合。
5.根据权利要求2所述的一种基于深度密集神经网络的水体识别方法,其特征在于,所述损失函数采用Dice损失函数:
6.根据权利要求1-5中任一所述的一种基于深度密集神经网络的水体识别方法,其特征在于,在所述步骤S100中对影像数据中的水体和非水体部分进行标注后,得到训练集、验证集和测试集,并将所述训练集、验证集和测试集存储在云端服务器中;
在所述步骤S300中,利用所述训练集输入网络进行训练,调整参数,直到验证集在网络上的损失函数输出降到临界值;在测试集上测试网络,输入测试集得到预测输出,对比预测输出和测试集的标签得到混淆矩阵,经过计算得到准确率。
7.根据权利要求6所述的一种基于深度密集神经网络的水体识别方法,其特征在于,在所述验证集上使用MIoU指标验证网络泛化能力;当训练损失降低至预设标准并且验证MIoU达到预设标准时,返回并储存最佳网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910146842.0A CN110059538B (zh) | 2019-02-27 | 2019-02-27 | 一种基于深度密集神经网络的水体识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910146842.0A CN110059538B (zh) | 2019-02-27 | 2019-02-27 | 一种基于深度密集神经网络的水体识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110059538A true CN110059538A (zh) | 2019-07-26 |
CN110059538B CN110059538B (zh) | 2021-07-09 |
Family
ID=67316023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910146842.0A Active CN110059538B (zh) | 2019-02-27 | 2019-02-27 | 一种基于深度密集神经网络的水体识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059538B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619264A (zh) * | 2019-07-30 | 2019-12-27 | 长江大学 | 基于UNet++的微地震有效信号识别方法及装置 |
CN110866931A (zh) * | 2019-11-18 | 2020-03-06 | 东声(苏州)智能科技有限公司 | 图像分割模型训练方法及基于分类的强化图像分割方法 |
CN110880182A (zh) * | 2019-11-18 | 2020-03-13 | 东声(苏州)智能科技有限公司 | 图像分割模型训练方法、图像分割方法、装置及电子设备 |
CN111161271A (zh) * | 2019-12-31 | 2020-05-15 | 电子科技大学 | 一种超声图像分割方法 |
CN111814881A (zh) * | 2020-07-10 | 2020-10-23 | 江南大学 | 一种基于深度学习的海洋鱼类图像识别方法 |
CN111914686A (zh) * | 2020-07-15 | 2020-11-10 | 云南电网有限责任公司带电作业分公司 | 基于周域关联和模式识别的sar遥感图像水域提取方法、装置及系统 |
CN112257766A (zh) * | 2020-10-16 | 2021-01-22 | 中国科学院信息工程研究所 | 一种基于频域滤波处理的自然场景下阴影识别检测方法 |
CN112949550A (zh) * | 2021-03-19 | 2021-06-11 | 中国科学院空天信息创新研究院 | 一种基于深度学习的水体识别方法、系统和介质 |
CN113034363A (zh) * | 2021-03-11 | 2021-06-25 | 云南电网有限责任公司电力科学研究院 | 基于GEE深度时空经验Kringing区域尺度的氮氧化物速降方法 |
CN115393733A (zh) * | 2022-08-22 | 2022-11-25 | 河海大学 | 一种基于深度学习的水体自动识别方法及系统 |
CN115631408A (zh) * | 2022-12-20 | 2023-01-20 | 天地信息网络研究院(安徽)有限公司 | 一种星地协同的黑臭水体识别模型自动优化系统 |
CN116912685A (zh) * | 2023-07-17 | 2023-10-20 | 北京师范大学 | 一种水体识别方法、系统及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7286214B2 (en) * | 2003-08-25 | 2007-10-23 | University Of South Florida | Method and program product for determining a radiance field in an optical environment |
CN108009525A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于卷积神经网络的无人机对地特定目标识别方法 |
CN108549866A (zh) * | 2018-04-12 | 2018-09-18 | 上海海事大学 | 基于密集卷积神经网络的遥感飞机识别方法 |
CN108596330A (zh) * | 2018-05-16 | 2018-09-28 | 中国人民解放军陆军工程大学 | 一种并行特征全卷积神经网络及其构建方法 |
CN108710862A (zh) * | 2018-05-24 | 2018-10-26 | 河海大学 | 一种高分辨率遥感影像水体提取方法 |
-
2019
- 2019-02-27 CN CN201910146842.0A patent/CN110059538B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7286214B2 (en) * | 2003-08-25 | 2007-10-23 | University Of South Florida | Method and program product for determining a radiance field in an optical environment |
CN108009525A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于卷积神经网络的无人机对地特定目标识别方法 |
CN108549866A (zh) * | 2018-04-12 | 2018-09-18 | 上海海事大学 | 基于密集卷积神经网络的遥感飞机识别方法 |
CN108596330A (zh) * | 2018-05-16 | 2018-09-28 | 中国人民解放军陆军工程大学 | 一种并行特征全卷积神经网络及其构建方法 |
CN108710862A (zh) * | 2018-05-24 | 2018-10-26 | 河海大学 | 一种高分辨率遥感影像水体提取方法 |
Non-Patent Citations (1)
Title |
---|
SIMON JEGOU ETC.: ""The One Hundred Layers Tiramisu:Fully Convolutional DenseNets for Semantic Segmentation"", 《ARXIV:1611.09326V3[CS.CV]》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619264B (zh) * | 2019-07-30 | 2023-06-16 | 长江大学 | 基于UNet++的微地震有效信号识别方法及装置 |
CN110619264A (zh) * | 2019-07-30 | 2019-12-27 | 长江大学 | 基于UNet++的微地震有效信号识别方法及装置 |
CN110866931A (zh) * | 2019-11-18 | 2020-03-06 | 东声(苏州)智能科技有限公司 | 图像分割模型训练方法及基于分类的强化图像分割方法 |
CN110880182A (zh) * | 2019-11-18 | 2020-03-13 | 东声(苏州)智能科技有限公司 | 图像分割模型训练方法、图像分割方法、装置及电子设备 |
CN111161271A (zh) * | 2019-12-31 | 2020-05-15 | 电子科技大学 | 一种超声图像分割方法 |
CN111814881A (zh) * | 2020-07-10 | 2020-10-23 | 江南大学 | 一种基于深度学习的海洋鱼类图像识别方法 |
CN111914686A (zh) * | 2020-07-15 | 2020-11-10 | 云南电网有限责任公司带电作业分公司 | 基于周域关联和模式识别的sar遥感图像水域提取方法、装置及系统 |
CN111914686B (zh) * | 2020-07-15 | 2022-10-18 | 云南电网有限责任公司带电作业分公司 | 基于周域关联和模式识别的sar遥感图像水域提取方法、装置及系统 |
CN112257766A (zh) * | 2020-10-16 | 2021-01-22 | 中国科学院信息工程研究所 | 一种基于频域滤波处理的自然场景下阴影识别检测方法 |
CN112257766B (zh) * | 2020-10-16 | 2023-09-29 | 中国科学院信息工程研究所 | 一种基于频域滤波处理的自然场景下阴影识别检测方法 |
CN113034363A (zh) * | 2021-03-11 | 2021-06-25 | 云南电网有限责任公司电力科学研究院 | 基于GEE深度时空经验Kringing区域尺度的氮氧化物速降方法 |
CN113034363B (zh) * | 2021-03-11 | 2024-04-09 | 云南电网有限责任公司电力科学研究院 | 基于GEE深度时空经验Kringing区域尺度的氮氧化物速降方法 |
CN112949550A (zh) * | 2021-03-19 | 2021-06-11 | 中国科学院空天信息创新研究院 | 一种基于深度学习的水体识别方法、系统和介质 |
CN115393733A (zh) * | 2022-08-22 | 2022-11-25 | 河海大学 | 一种基于深度学习的水体自动识别方法及系统 |
CN115393733B (zh) * | 2022-08-22 | 2023-08-18 | 河海大学 | 一种基于深度学习的水体自动识别方法及系统 |
CN115631408A (zh) * | 2022-12-20 | 2023-01-20 | 天地信息网络研究院(安徽)有限公司 | 一种星地协同的黑臭水体识别模型自动优化系统 |
CN115631408B (zh) * | 2022-12-20 | 2023-03-28 | 天地信息网络研究院(安徽)有限公司 | 一种星地协同的黑臭水体识别模型自动优化系统 |
CN116912685A (zh) * | 2023-07-17 | 2023-10-20 | 北京师范大学 | 一种水体识别方法、系统及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110059538B (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059538A (zh) | 一种基于深度密集神经网络的水体识别方法 | |
KR102030628B1 (ko) | Cnn 기반 차량 번호판 인식 방법 및 시스템 | |
CN113191285B (zh) | 基于卷积神经网络和Transformer的河湖遥感图像分割方法及系统 | |
Kong et al. | Automated crack assessment and quantitative growth monitoring | |
Wang et al. | Semi-supervised semantic segmentation network for surface crack detection | |
CN111127449B (zh) | 一种基于编码器-解码器的自动化裂缝检测方法 | |
CN110287960A (zh) | 自然场景图像中曲线文字的检测识别方法 | |
CN110111334B (zh) | 一种裂缝分割方法、装置、电子设备及存储介质 | |
CN108182388A (zh) | 一种基于图像的运动目标跟踪方法 | |
CN111079683A (zh) | 基于卷积神经网络的遥感图像云雪检测方法 | |
CN111179244B (zh) | 一种基于空洞卷积的自动化裂缝检测方法 | |
CN112801270B (zh) | 融合深度卷积与注意力机制的u形网络槽自动识别方法 | |
CN110276264A (zh) | 一种基于前景分割图的人群密度估计方法 | |
CN112613375B (zh) | 一种轮胎受损检测识别方法和设备 | |
CN107423747A (zh) | 一种基于深度卷积网络的显著性目标检测方法 | |
CN111626357B (zh) | 一种基于神经网络模型的图像识别方法 | |
CN114049356A (zh) | 一种结构表观裂缝检测方法、装置及系统 | |
Quan et al. | CrackViT: a unified CNN-transformer model for pixel-level crack extraction | |
CN112597996B (zh) | 基于任务驱动的自然场景中交通标志显著性检测方法 | |
Liu et al. | Two‐Stream Boundary‐Aware Neural Network for Concrete Crack Segmentation and Quantification | |
CN116778346B (zh) | 一种基于改进自注意力机制的管线识别方法及系统 | |
CN111783688A (zh) | 一种基于卷积神经网络的遥感图像场景分类方法 | |
CN116721291A (zh) | 基于改进YOLOv7模型的金属表面缺陷检测方法 | |
WO2023093124A1 (zh) | 一种车道线跟踪方法、装置、计算机设备、存储介质和计算机程序产品 | |
Li et al. | Scale specified single shot multibox detector |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: 610000 No. 270, floor 2, No. 8, Jinxiu street, Wuhou District, Chengdu, Sichuan Patentee after: Chengdu shuzhilian Technology Co.,Ltd. Address before: 610000 No.2, 4th floor, building 1, Jule Road intersection, West 1st section of 1st ring road, Wuhou District, Chengdu City, Sichuan Province Patentee before: CHENGDU SHUZHILIAN TECHNOLOGY Co.,Ltd. |
|
CP03 | Change of name, title or address |