CN110276708B - 一种基于gan网络的图像数字水印生成及鉴别系统及方法 - Google Patents
一种基于gan网络的图像数字水印生成及鉴别系统及方法 Download PDFInfo
- Publication number
- CN110276708B CN110276708B CN201910379213.2A CN201910379213A CN110276708B CN 110276708 B CN110276708 B CN 110276708B CN 201910379213 A CN201910379213 A CN 201910379213A CN 110276708 B CN110276708 B CN 110276708B
- Authority
- CN
- China
- Prior art keywords
- network
- image
- discriminator
- watermark
- digital watermark
- 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
Images
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Editing Of Facsimile Originals (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于GAN网络的图像数字水印生成及鉴别系统及方法,属于涉及数字水印、信息隐藏、深度学习和神经网络技术领域,本发明采用GAN网络高效快速的产生难以察觉的图像数字水印,并能有效鉴别出水印;通过反复训练数字水印生成器和辨别器,逐步提高数字水印质量。
Description
技术领域
本发明涉及数字水印、信息隐藏、深度学习和神经网络技术,尤其涉及一种基于GAN网络的图像数字水印生成及鉴别系统及方法。
背景技术
生成对抗网络(Generative Adversarial Network,GAN)是最初由IanGoodfellow提出的一类神经网络,通过轮流训练判别器(Discriminator)和生成器(Generator),令其相互对抗,来从复杂概率分布中采样,已经广泛应用于各类应用场景。
近年来,随着互联网的快速发展,数字版权保护的重要性越来越受到大家的重视,在保证合法授权用户对数字信息(如数字图像、音频、视频等)正常使用的同时,保护数字信息创作者和拥有者的版权。数字版权保护技术就是对各类数字内容的知识产权进行保护的一系列软硬件技术,用以保证数字内容在整个生命周期内的合法使用,平衡数字内容价值链中各个角色的利益和需求。数字水印是实现数字版权保护的有效办法,也是信息隐藏技术研究领域的重要分支和研究方向,其中关注比较多的是图像的不可见水印。
图像不可见水印是将一些人类视觉系统难以察觉的标识信息(即数字水印)嵌入到图像当中,不会影响到原数字图像的使用价值,但可以被版权所有者识别和辨认。然而数字水印的评价方法、识别方法以及抗攻击能力有待提高,在这种情况下,如何有效利用GAN网络技术,高效快速的产生难以察觉的图像数字水印,并能有效鉴别出水印成为亟须解决的问题。
发明内容
为了解决以上技术问题,本发明提出了一种基于GAN网络的图像数字水印生成及鉴别系统,逐步提高数字水印质量。
本发明的技术方案是:
一种基于GAN网络的图像数字水印生成及鉴别系统,利用GAN网络为图像增加数字水印,GAN网络由生成器G和辨别器D两部分构成,
其中,生成器包含产生标识生成网络GN1和产生水印生成网络GN2两部分,判别器包含图像辨别网络DN1、水印辨别网络DN2和辨别融合网络DN3;
针对用户的需求,通过反复训练GAN网络生成器和辨别器模型,最终生成满足要求的数字水印生成器和辨别器。整个GAN网络的训练过程就是数字水印生成器和辨别器的创建过程。
进一步的,
所述的数字水印GAN网络生成器是Image-to-Image解释器,将原始图像转换成带数字水印的图像;所述的产生标识生成网络GN1是一个神经网络,负责将用户标识进行变换,根据原始图像要求的水印大小将其进行扩展变换,得到与原始图像大小相同的张量;所述的产生水印生成网络GN2是一个CNN卷积神经网络,将产生的标识张量和原始图像进行融合,并加入噪声数据,混合生成带数字水印的图像;所述的数字水印GAN网络辨别器相当于是二元分类器,判断图像是否包含特定标识的数字水印。
所述的图像辨别网络DN1用来区分原始图像与带水印图像的差异程度,输入带水印图像,期待生成的水印图像与原始图像无法区分,水印越明显,返回数值越小;所述的水印辨别网络DN2负责区分给定标识与带水印图像的符合程度,返回数值表示图像包含给定标识的可能性;所述的辨别融合网络DN3将DN1和DN2进行融合,得到最终辨别值。
本发明还提供了一种基于GAN网络的图像数字水印生成及鉴别方法,利用GAN网络生成数字水印生成器和辨别器,充分考虑原始图像的特征,个性化为其产生数字水印,同时加入随机噪声,增加图像数字水印的多样性,提高其抗攻击能力。另外,通过收集数据,持续优化数字水印模型,提高数字水印图像生成质量。
具体步骤包括:
步骤101、设计所述的数字水印GAN网络,确定输入图像像素大小,收集图像数据集,对图像进行预处理,符合GAN网络要求;
步骤102、根据现有知识设定一个图像添加数字水印的方法,例如采用标识明水印,然后训练所述的数字水印GAN网络辨别器;
步骤103、选择辨别器训练数据,对于所述的DN1网路,原始图像作为正样本(原始图像,1),添加明显标识水印的为负样本(明水印图像,0),对于所述的DN2网络,数字水印值与标识值相同的为正样本,数字水印值与标识值不相同的为负样本;
步骤104、训练辨别器网络D,得到第一轮的辨别器D0;
步骤105、初始化生成器网络G,固定辨别器网络D,将G和D组成一个网络;
步骤106、选择数据集来训练生成器,输入原始图像和标识向量来训练GN1和GN2组成的网络,使得G+D组成的网络输出的值越大越好;
步骤107、训练生成器网络,得到生成器G’;
步骤108、使用G’来产生水印图像作为DN1网络的负样本,并将该水印图像和输入标识作为所述的DN2网络的正样本进行训练;
步骤109、训练辨别器网络,得到辨别器D’;
步骤110、记录下D’和G’;
步骤111、D=D’,G=G’,重复步骤105至步骤110,直到D无法识别G产生的数字水印;
步骤112、输出上一轮的G和D作为最终的生成器和辨别器模型;
步骤113、通过收集数据,持续优化数字水印GAN网络模型,将不断提高数字水印图像生成质量。
本发明的有益效果是
与传统的经验设定数字水印方法相比,通过神经网络训练的方式更加灵活、深入,充分考虑原始图像的特征,基于实际需求为其产生个性化的数字水印;加入随机噪声,同一标识和原始图像将会产生不同的数字水印,增加了图像数字水印的多样性,更难察觉数字水印的存在,可以应用在图像数字版权保护领域,这样也具有更高的抗攻击能力,可以有效的保护隐藏信息,应用于信息隐藏领域。另外,通过收集数据,持续优化数字水印GAN网络模型,将不断提高数字水印图像生成质量。
附图说明
图1是数字水印算法结构示意图;
图2是产生图像数字水印生成器及鉴别器流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1中所示,利用GAN网络为图像增加数字水印,GAN网络由生成器G和辨别器D两部分构成,其中生成器包含产生标识生成网络GN1和产生水印生成网络GN2两部分,判别器包含图像辨别网络DN1、水印辨别网络DN2和辨别融合网络DN3;针对用户的需求,通过反复训练GAN网络生成器和辨别器模型,最终生成满足要求的数字水印生成器和辨别器。整个GAN网络的训练过程就是数字水印生成器和辨别器的创建过程。
其中,
所述的数字水印GAN网络生成器是Image-to-Image解释器,将原始图像转换成带数字水印的图像;所述的产生标识生成网络GN1是一个神经网络,负责将用户标识进行变换,根据原始图像要求的水印大小将其进行扩展变换,得到与原始图像大小相同的张量;所述的产生水印生成网络GN2是一个CNN卷积神经网络,将产生的标识张量和原始图像进行融合,并加入噪声数据,混合生成带数字水印的图像;所述的数字水印GAN网络辨别器相当于是二元分类器,判断图像是否包含特定标识的数字水印;所述的图像辨别网络DN1用来区分原始图像与带水印图像的差异程度,输入带水印图像,期待生成的水印图像与原始图像无法区分,水印越明显,返回数值越小;所述的水印辨别网络DN2负责区分给定标识与带水印图像的符合程度,返回数值表示图像包含给定标识的可能性;所述的辨别融合网络DN3将DN1和DN2进行融合,得到最终辨别值。
为了描述方便,以下过程中的神经网络是由CNN卷积神经网络、全连接网络以及反卷积网络构成,本领域技术人员将理解的是,除了使用以上网络之外,根据本发明的实施方式的构造也能够应用于其他方法之上。
下面将产生图像数字水印生成器及鉴别器的过程进行详细的说明。
如图2所示,产生图像数字水印生成器及鉴别器包括以下步骤:
步骤101、设计所述的数字水印GAN网络,确定输入图像像素大小,收集图像数据集,对图像进行预处理,符合GAN网络要求;
步骤102、根据现有知识设定一个图像添加数字水印的方法,例如采用标识明水印,然后训练所述的数字水印GAN网络辨别器;
步骤103、选择辨别器训练数据,对于所述的DN1网路,原始图像作为正样本(原始图像,1),添加明显标识水印的为负样本(明水印图像,0),对于所述的DN2网络,数字水印值与标识值相同的为正样本,数字水印值与标识值不相同的为负样本;
步骤104、训练辨别器网络D,得到第一轮的辨别器D0;
步骤105、初始化生成器网络G,固定辨别器网络D,将G和D组成一个网络;
步骤106、选择数据集来训练生成器,输入原始图像和标识向量来训练GN1和GN2组成的网络,使得G+D组成的网络输出的值越大越好;
步骤107、训练生成器网络,得到生成器G’;
步骤108、使用G’来产生水印图像作为DN1网络的负样本,并将该水印图像和输入标识作为所述的DN2网络的正样本进行训练;
步骤109、训练辨别器网络,得到辨别器D’;
步骤110、记录下D’和G’;
步骤111、D=D’,G=G’,重复步骤105至步骤110,直到D无法识别G产生的数字水印;
步骤112、输出上一轮的G和D作为最终的生成器和辨别器模型;
步骤113、通过收集数据,持续优化数字水印GAN网络模型,将不断提高数字水印图像生成质量。
以上所述仅为本发明的较佳实施例,仅用于说明本发明的技术方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (7)
1.一种基于GAN网络的图像数字水印生成及鉴别系统,其特征在于,
利用GAN网络为图像增加数字水印,GAN网络由生成器G和辨别器D两部分构成,
其中,
生成器G包含产生标识生成网络GN1和产生水印生成网络GN2两部分,
辨别器D包含图像辨别网络DN1、水印辨别网络DN2和辨别融合网络DN3;
针对用户的需求,通过反复训练GAN网络生成器和辨别器模型,最终生成满足要求的数字水印生成器和辨别器;
具体步骤如下:
步骤101、设计数字水印GAN网络,确定输入图像像素大小,收集图像数据集,对图像进行预处理,符合GAN网络要求;
步骤102、根据现有知识设定一个图像添加数字水印的方法,采用标识明水印,然后训练所述的数字水印GAN网络辨别器;
步骤103、选择辨别器训练数据,对于图像辨别网络DN1,原始图像作为正样本,添加明显标识水印的为负样本,对于水印辨别网络DN2,数字水印值与标识值相同的为正样本,数字水印值与标识值不相同的为负样本;
步骤104、训练辨别器网络D,得到第一轮的辨别器D0;
步骤105、初始化生成器网络G,固定辨别器网络D,将G和D组成一个网络;
步骤106、选择数据集来训练生成器,输入原始图像和标识向量来训练GN1和GN2组成的网络,使得G+D组成的网络输出的值越大越好;
步骤107、训练生成器网络,得到生成器G’;
步骤108、使用G’来产生水印图像作为DN1网络的负样本,并将该水印图像和输入标识作为所述的DN2网络的正样本进行训练;
步骤109、训练辨别器网络,得到辨别器D’;
步骤110、记录下D’和G’;
步骤111、D=D’,G=G’,重复步骤105至步骤110,直到D无法识别G产生的数字水印;
步骤112、输出上一轮的G和D作为最终的生成器和辨别器模型;
步骤113、通过收集数据,持续优化数字水印GAN网络模型,将不断提高数字水印图像生成质量。
2.根据权利要求1所述的系统,其特征在于,
其中,
所述的生成器G是Image-to-Image解释器,将原始图像转换成带数字水印的图像。
3.根据权利要求2所述的系统,其特征在于,
所述的产生标识生成网络GN1是一个神经网络,负责将用户标识进行变换,根据原始图像要求的水印大小将其进行扩展变换,得到与原始图像大小相同的张量;
所述的产生水印生成网络GN2是一个CNN卷积神经网络,将产生的标识张量和原始图像进行融合,并加入噪声数据,混合生成带数字水印的图像。
4.根据权利要求1所述的系统,其特征在于,
所述的辨别器D相当于是二元分类器,判断图像是否包含特定标识的数字水印。
5.根据权利要求4所述的系统,其特征在于,
所述的图像辨别网络DN1用来区分原始图像与带水印图像的差异程度,输入带水印图像,期待生成的水印图像与原始图像无法区分,水印越明显,返回数值越小;
所述的水印辨别网络DN2负责区分给定标识与带水印图像的符合程度,返回数值表示图像包含给定标识的可能性;
所述的辨别融合网络DN3将DN1和DN2进行融合,得到最终辨别值。
6.一种基于GAN网络的图像数字水印生成及鉴别方法,包括:
利用GAN网络生成数字水印生成器和辨别器,根据原始图像的特征,个性化为其产生数字水印,同时加入随机噪声,增加图像数字水印的多样性;
具体步骤如下:
步骤101、设计数字水印GAN网络,确定输入图像像素大小,收集图像数据集,对图像进行预处理,符合GAN网络要求;
步骤102、根据现有知识设定一个图像添加数字水印的方法,采用标识明水印,然后训练所述的数字水印GAN网络辨别器;
步骤103、选择辨别器训练数据,对于图像辨别网络DN1,原始图像作为正样本,添加明显标识水印的为负样本,对于水印辨别网络DN2,数字水印值与标识值相同的为正样本,数字水印值与标识值不相同的为负样本;
步骤104、训练辨别器网络D,得到第一轮的辨别器D0;
步骤105、初始化生成器网络G,固定辨别器网络D,将G和D组成一个网络;
步骤106、选择数据集来训练生成器,输入原始图像和标识向量来训练GN1和GN2组成的网络,使得G+D组成的网络输出的值越大越好;
步骤107、训练生成器网络,得到生成器G’;
步骤108、使用G’来产生水印图像作为DN1网络的负样本,并将该水印图像和输入标识作为所述的DN2网络的正样本进行训练;
步骤109、训练辨别器网络,得到辨别器D’;
步骤110、记录下D’和G’;
步骤111、D=D’,G=G’,重复步骤105至步骤110,直到D无法识别G产生的数字水印;
步骤112、输出上一轮的G和D作为最终的生成器和辨别器模型;
步骤113、通过收集数据,持续优化数字水印GAN网络模型,将不断提高数字水印图像生成质量。
7.根据权利要求6所述的方法,其特征在于,
另外通过收集数据,持续优化数字水印模型,提高数字水印图像生成质量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910379213.2A CN110276708B (zh) | 2019-05-08 | 2019-05-08 | 一种基于gan网络的图像数字水印生成及鉴别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910379213.2A CN110276708B (zh) | 2019-05-08 | 2019-05-08 | 一种基于gan网络的图像数字水印生成及鉴别系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110276708A CN110276708A (zh) | 2019-09-24 |
CN110276708B true CN110276708B (zh) | 2023-04-18 |
Family
ID=67959832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910379213.2A Active CN110276708B (zh) | 2019-05-08 | 2019-05-08 | 一种基于gan网络的图像数字水印生成及鉴别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110276708B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112750064A (zh) | 2019-10-29 | 2021-05-04 | 阿里巴巴集团控股有限公司 | 一种水印信息嵌入方法以及装置 |
CN111046760B (zh) * | 2019-11-29 | 2023-08-08 | 山东浪潮科学研究院有限公司 | 一种基于域对抗网络的笔迹鉴定方法 |
CN111105336A (zh) * | 2019-12-04 | 2020-05-05 | 山东浪潮人工智能研究院有限公司 | 一种基于对抗网络的图像去水印的方法 |
CN111242133B (zh) * | 2020-01-14 | 2022-06-28 | 山东浪潮科学研究院有限公司 | 一种gan隐藏层单元与生成图像中物体相关性的方法及系统 |
CN111784592A (zh) * | 2020-05-19 | 2020-10-16 | 知昇(上海)人工智能科技有限公司 | 一种基于gan的自动化设计图像生成方法 |
CN111899747B (zh) * | 2020-07-30 | 2023-03-07 | 抖音视界有限公司 | 用于合成音频的方法和装置 |
CN112487369A (zh) * | 2020-12-16 | 2021-03-12 | 湖南大学 | 一种抗帧丢失的gif动态图像版权认证方法 |
CN114119335B (zh) * | 2022-01-26 | 2022-04-26 | 南京信息工程大学 | 一种基于gan的神经网络水印生成方法、系统和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805789A (zh) * | 2018-05-29 | 2018-11-13 | 厦门市美亚柏科信息股份有限公司 | 一种基于对抗神经网络去除水印的方法、装置、设备及可读介质 |
CN109544438A (zh) * | 2018-11-20 | 2019-03-29 | 北京工业大学 | 一种基于神经网络与dct变换的数字水印方法 |
CN109582926A (zh) * | 2018-11-26 | 2019-04-05 | 北京邮电大学 | 一种基于融合字体的抗打印扫描攻击的数字打印方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018053340A1 (en) * | 2016-09-15 | 2018-03-22 | Twitter, Inc. | Super resolution using a generative adversarial network |
-
2019
- 2019-05-08 CN CN201910379213.2A patent/CN110276708B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805789A (zh) * | 2018-05-29 | 2018-11-13 | 厦门市美亚柏科信息股份有限公司 | 一种基于对抗神经网络去除水印的方法、装置、设备及可读介质 |
CN109544438A (zh) * | 2018-11-20 | 2019-03-29 | 北京工业大学 | 一种基于神经网络与dct变换的数字水印方法 |
CN109582926A (zh) * | 2018-11-26 | 2019-04-05 | 北京邮电大学 | 一种基于融合字体的抗打印扫描攻击的数字打印方法 |
Non-Patent Citations (1)
Title |
---|
数字水印技术在图像加密中的应用研究;于长辉;《淮阴工学院学报》;20091015(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110276708A (zh) | 2019-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110276708B (zh) | 一种基于gan网络的图像数字水印生成及鉴别系统及方法 | |
CN109587372B (zh) | 一种基于生成对抗网络的不可见图像隐写术 | |
CN108346125B (zh) | 一种基于生成对抗网络的空域图像隐写方法及系统 | |
Wang et al. | HidingGAN: High capacity information hiding with generative adversarial network | |
CN101038661A (zh) | 基于回归支持向量机的盲水印嵌入和抽取方法 | |
Kuppusamy et al. | A novel approach based on modified cycle generative adversarial networks for image steganography | |
CN115273247A (zh) | 一种针对深度伪造的主动防御方法、系统 | |
Ying et al. | From image to imuge: Immunized image generation | |
Kumar et al. | Steganography techniques using convolutional neural networks | |
CN101923700A (zh) | 一种双效数字水印方法 | |
Saurabh et al. | Audio steganography using RPrime RSA and GA based LSB algorithm to enhance security | |
CN116342362B (zh) | 深度学习增强数字水印不可感知性方法 | |
Sultan et al. | A new framework for analyzing color models with generative adversarial networks for improved steganography | |
CN114662061B (zh) | 基于改进注意力和损失函数的解码编码网络隐写术方法 | |
CN115272039A (zh) | 一种基于gan的水印攻击方法及系统、数字水印嵌入方法 | |
Jabbar et al. | Digital watermarking by utilizing the properties of self-organization map based on least significant bit and most significant bit | |
Kaur et al. | An efficient image steganography method using multiobjective differential evolution | |
Zhong et al. | Deep Learning based Image Watermarking: A Brief Survey | |
CN114119330A (zh) | 一种基于神经网络的鲁棒数字水印嵌入、提取方法 | |
Al-Dmour et al. | An efficient hybrid steganography method based on edge adaptive and tree based parity check | |
CN115002294B (zh) | 一种秘密图像无密钥提取方法及相关设备 | |
Venugopal et al. | Design and implementation of video steganography using Modified CNN algorithm | |
CN117057969B (zh) | 跨模态图像-水印联合生成与检测装置及方法 | |
Li et al. | Adaptive Robust Watermarking Method Based on Deep Neural Networks | |
El-Den et al. | ‘Watermarking models and artificial intelligence |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230317 Address after: 250000 building S02, No. 1036, Langchao Road, high tech Zone, Jinan City, Shandong Province Applicant after: Shandong Inspur Scientific Research Institute Co.,Ltd. Address before: 250100 First Floor of R&D Building 2877 Kehang Road, Sun Village Town, Jinan High-tech Zone, Shandong Province Applicant before: JINAN INSPUR HIGH-TECH TECHNOLOGY DEVELOPMENT Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |