CN110533066B - 一种基于深度神经网络的图像数据集自动构建方法 - Google Patents

一种基于深度神经网络的图像数据集自动构建方法 Download PDF

Info

Publication number
CN110533066B
CN110533066B CN201910655806.7A CN201910655806A CN110533066B CN 110533066 B CN110533066 B CN 110533066B CN 201910655806 A CN201910655806 A CN 201910655806A CN 110533066 B CN110533066 B CN 110533066B
Authority
CN
China
Prior art keywords
data set
pictures
neural network
transition
category
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
CN201910655806.7A
Other languages
English (en)
Other versions
CN110533066A (zh
Inventor
周乾伟
陈禹行
郭媛
刘一波
陶鹏
胡海根
李小薪
陈胜勇
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.)
Hangzhou Jiuwei Digital Technology Co ltd
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201910655806.7A priority Critical patent/CN110533066B/zh
Publication of CN110533066A publication Critical patent/CN110533066A/zh
Application granted granted Critical
Publication of CN110533066B publication Critical patent/CN110533066B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种基于深度神经网络的图像数据集自动构建方法，所述图像数据集自动构建方法包括以下步骤：第一步、获取图片：根据目标类别确定需要检索的关键字信息，使用计算机自动程序在互联网上检索出包含关键字的图片并保存下来；第二步、图像清洗：通过使用或改良目前流行的深度神经网络将保存下来的关键字图片与过渡数据集中的类别建立联系，筛选出有价值的建议区域图像；第三步、基于类别层次的数据集构建：针对保存下来的建议区域图像，根据关键字，过渡类别和目标类别的从属关系进行整合操作，输出目标图像数据集。本发明提供了一种可以解决图像识别领域中面临着训练样本数量不够，类型不够丰富的基于深度神经网络的图像数据集自动构建方法。

Description

一种基于深度神经网络的图像数据集自动构建方法
技术领域
本发明属于计算机应用技术领域，具体涉及基于深度神经网络的图像数据集自动构建方法。
背景技术
数据在神经网络的训练中扮演着越来越重要的角色，比如在计算机视觉任务中随着训练数据的增加，模型的表现能力会呈对数级增长，因此在计算机视觉领域建议研究者们不要低估数据集规模带来的效益，并建议他们在构建更大的数据集方面开展更多努力。然而，构建一个干净，公正，多样化的数据集通常是一项巨大的挑战，因为它会消耗大量劳动力和资金。
近年来出现了一系列关于应用弱标签技术构建数据集的研究文献。该项技术的核心思想不仅仅是从互联网上收集图像，还需要执行一些额外的预处理来重新清理收集所收集的图像，例如有研究者就采用弱标签技术来创建人脸数据集，该人脸数据集是由收集到的相同身份的连续性人脸图像组成并且统一经历过一种图像过滤方法，这种新构造出的人脸数据集获得了比已有的人脸图像数据集能带来更大的精度提升，不幸的是他们的工作只集中在高分辨率和单个物体的图像上；还有的研究者提出了另一种构建方法，基于生成对抗网络和给定弱标签产生高质量和有意思的图像，该方法主要缺点是需要大量未标记的训练图像，并且将花费大量时间才能使得生成器和鉴别器收敛，客观上增加了构建数据集的成本。
发明内容
为了克服现有技术不适用于多目标，高分辨率图像数据集构建的问题，本发明提供了一种有效解决上述问题的基于深度神经网络的图像数据集自动构建方法。
本发明所采用的技术方案是：
一种基于深度学习的图像数据集自动构建方法，所述方法包括以下步骤：
第一步、获取图片，过程如下：
步骤1.1：确定所需要检索的关键字信息，确保其与所要构建的图像数据集中的类别标签(简称目标类别)有着必要的联系，比如图像数据中人类别的图像，可以从互联网上关键字为男人，女人，小孩，行人的图片获取；
步骤1.2：使用图片搜索引擎的API去检索确定下来的关键字信息，获得相关图片并把这些图片保存下来；
第二步、图像清洗，过程如下：
步骤2.1：确定一个经过预训练的神经网络，比如可以选择在COCO数据集(过渡数据集)上训练过的Mask-Rcnn-Resnet-101；
步骤2.2：将1.2中保存下来的关键字图片与过渡数据集中的过渡类别建立联系，比如在2.1的条件下，对于关键字信息无法与过渡类别匹配的图片采用与其形状类似的过渡类别，如履带车目标类别可以采取坦克，两栖装甲车等关键字图片并对应为COCO中的train，truck，boat等过渡类别；对于目标类别与过渡类别在形状纹理上较匹配的关键字图片则直接对应为相应的过渡类别，如人目标类别可以选取男人，女人，小孩，行人等关键字图片然后对应为COCO中的person过渡类别；
步骤2.3：用预训练的神经网络来检测步骤1.2中保存下来的所有关键字图片，图片在送入网络后会根据其对应的过渡类别产生相应的类别建议区域以及置信度信息，对于置信度大于阈值(如0.7)的建议区域则保存下来，未达到要求的区域则抛弃；
第三步、基于类别层次的数据集构建，过程如下：
步骤3.1：对步骤2.3得到的区域建议图片，根据其所属的过渡类别与目标类别的从属关系进行归纳，例如train，truck，boat等过渡类别的区域建议图片可归纳为轮式车目标类别，person过渡类别的区域建议图像可归纳为人目标类别；
步骤3.2：将所有属于同一目标类别的区域建议图像进行合并操作，输出目标图像数据集。
进一步，所述第二步还包括以下步骤：
步骤2.4：抽取一部分经过图像清洗的关键字图片来精校步骤2.3中经过预训练的神经网络，收敛后重复步骤2.3，可进一步提升图像清洗的质量。
本发明提出的基于深度神经网络的图像数据集自动构建方法，它的目的在于快速，有效地构造出神经网络训练中不可或缺的数据集。提出的方法不仅适用高分辨率图像，而且适用于多物体和低分辨率的图像，并且也不会带来太多的时间和资金上的消耗。
本发明的有益效果主要表现在：1.充分利用互联网上现有的海量图像，通过使用合适的关键词可以有效的发现丰富的图像数据，可以方便的适用于各种图像数据集的构造。2.通过使用本方法提出的处理方式可以有效的对保存下来的互联网图片进行清洗，尽可能把目标类别相匹配的区域筛选出来，根据目标类别，关键词，过渡类别间的层次从属关系，合并属于同一目标类别的建议区域图像，得到所需的目标图像数据集。
附图说明
图1为本发明一种图像数据集自动构建方法的总体框架图。
图2为本发明一种图像数据集自动构建方法的流程图。
图3为本发明一种图像数据集自动构建方法中预处理模块的示意图。
图4为本发明一种图像数据集自动构建方法中深度神经网络(例如Mask RCNN)模块的示意图。
图5为本发明一种图像数据集自动构建方法中基于类别层次的数据集构造模块的示意图。
原件标号说明，RPN为区域建议网络，ROI对齐层为感兴趣区域对齐层，掩膜为建议区域中覆盖一个对象的轮廓曲线，建议框回归会产生包含一个对象的左上角坐标以及相关的长宽。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1～图5，一种基于深度神经网络的图像数据集自动构建方法，所述方法包括以下步骤：
第一步、获取图片，过程如下：
步骤1.1：确定所需要检索的关键字信息，确保其与所要构建的图像数据集中的类别标签(简称目标类别)有着必要的联系，比如图像数据中人类别的图像，可以从互联网上关键字为男人，女人，小孩，行人的图片获取；
步骤1.2：使用图片搜索引擎的API去检索确定下来的关键字信息，获得相关图片并把这些图片保存下来；
第二步、图像清洗，过程如下：
步骤2.1：确定一个经过预训练的神经网络，比如可以选择在COCO数据集(过渡数据集)上训练过的Mask-Rcnn-Resnet-101；
步骤2.2：将1.2中保存下来的关键字图片与过渡数据集中的过渡类别建立联系，比如在2.1的条件下，对于关键字信息无法与过渡类别匹配的图片采用与其形状类似的过渡类别，如履带车目标类别可以采取坦克，两栖装甲车等关键字图片并对应为COCO中的train，truck，boat等过渡类别；对于目标类别与过渡类别在形状纹理上较匹配的关键字图片则直接对应为相应的过渡类别，如人目标类别可以选取男人，女人，小孩，行人等关键字图片然后对应为COCO中的person过渡类别；
步骤2.3：将神经网络来检测步骤1.2中保存下来的所有关键字图片，图片在送入精校后的网络中会根据其对应的标签产生相关的类别建议区域以及打分信息，对于建议区域打分大于阈值(0.7)的考虑为保存下来，未达到要求的区域选择忽视；
步骤2.4：抽取一部分用经过图像清洗的关键字图片来精校步骤2.1中经过预训练的神经网络,通过反向传播和前向传播2个步骤来反复训练确保其损失函数的值最小不会再发生变化，例如我们可以使用标准的交叉熵损失函数结合抽取的图片对预训练的Mask-Rcnn-Resnet-101在300代epoch以0.0001的学习率进行微调；
然后用精校后的神经网络检测步骤1.2中保存下来的所有关键字图片，图片在送入精校后的网络中会根据其对应的标签产生相关的类别建议区域以及打分信息，对于建议区域打分大于阈值(0.7)的考虑为保存下来，未达到要求的区域选择忽视；
第三步、基于类别层次的数据集构建，过程如下：
步骤3.1：对步骤2.3筛选下来的区域建议图片，根据其所属的过渡类别与目标类别的从属关系进行归纳，例如train，truck，boat等过渡类别的区域建议图片可归纳为轮式车目标类别，person过渡类别的区域建议图像可归纳为人目标类别；
步骤3.2：将所有属于同一目标类别的区域建议图像进行合并操作，输出目标图像数据集；
参照图1，一种图像数据集自动构建方法的总体框架图，主要通过分阶段来建立目标类别，关键字，过渡类别之间的对应关系，来获得一个基于类别层次的数据集。
参照图2，一种图像数据集自动构建方法的流程图，所示的模块包括以下内容：
获取图片：根据目标类别确定需要检索的关键字信息，使用计算机自动程序在互联网上检索出包含关键字的图片并保存下来。
图像清洗：通过使用或改良目前流行的深度神经网络将保存下来的关键字图片与过渡数据集中的类别(过渡类别)建立联系，筛选出有价值的建议区域图像。
基于类别层次的数据集构建：针对保存下来的建议区域图像，根据关键字，过渡类别和目标类别的从属关系进行整合操作，输出目标图像数据集。
参照图3，一种图像数据集自动构建方法中预处理模块，所示的预处理模块包含以下内容：关键字图片与过渡数据集中的过渡类别建立联系，比如在2.1的条件下，对于关键字信息无法与过渡类别匹配的图片采用与其形状类似的过渡类别，如履带车目标类别可以采取坦克，两栖装甲车等关键字图片并对应为COCO中的train，truck，boat等过渡类别；对于目标类别与过渡类别在形状纹理上较匹配的关键字图片则直接对应为相应的过渡类别，如人目标类别可以选取男人，女人，小孩，行人等关键字图片然后对应为COCO中的person过渡类别；
参照图4，所述步骤2.1的神经网络为深度神经网络(Mask RCNN)，深度神经网络的实现步骤如下：
2.1.1、对于一张任意给定大小的图片，将其输入到深度神经网络中的特征提取器中来获得最基础的特征信息；
2.1.2、连接不同层之间的特征信息并且使用多个不同维度大小的特征图形成类似金字塔的特征表示结构；
2.1.3、获得的特征金字塔将会产生两条分支，一条分支用于区域建议网络产生相关类别的建议区域，另一条分支用于为后续所涉及到的ROI对齐层，会执行相关的对齐操作；
2.1.4、根据所产生的建议区域和特征金字塔，在ROI对齐层中会充分利用2者的信息进一步对建议区域进行微调，使得建议区域的内容可以更加精准的匹配类标签；
2.1.5、ROI对齐层输出的结果同时也会输出2个分支，其中一条支线会使用对齐的建议区域的结果来生成掩膜，另一条支线会把对齐的结果先传递到一个全连接层，然后再通过这个全连接层执行分类和建议框回归的功能。
参照图5，基于类别层次的数据集构造模块，所示的模块包含以下内容：
对步骤2.3筛选下来的区域建议图片，根据其所属的过渡类别与目标类别的从属关系进行归纳，例如train，truck，boat等过渡类别的区域建议图片可归纳为轮式车目标类别，person过渡类别的区域建议图像可归纳为人目标类别；
然后将所有属于同一目标类别的区域建议图像进行合并操作，输出目标图像数据集；
以上通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点和功效。本发明还可以通过另外不同的具体实例方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互结合。
需要说明的是，以上实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目绘制，其实际实施时各组件的数量及比例可为一种随意的改变。

Claims (3)

1.一种基于深度学习的图像数据集自动构建方法，其特征在于，所述方法包括以下步骤：
第一步、获取图片，过程如下：
步骤1.1：确定所需要检索的关键字信息，确保其与所要构建的图像数据集中的类别标签有着必要的联系；
步骤1.2：使用图片搜索引擎的API去检索确定下来的关键字信息，获得相关图片并把这些图片保存下来；
第二步、图像清洗，过程如下：
步骤2.1：确定一个经过预训练的神经网络，过渡数据集为COCO数据集；
步骤2.2：将1.2中保存下来的关键字图片与过渡数据集中的过渡类别建立联系，在2.1的条件下，对于关键字信息无法与过渡类别匹配的图片采用与其形状类似的过渡类别；对于目标类别与过渡类别在形状纹理上匹配的关键字图片则直接对应为相应的过渡类别；
步骤2.3：用预训练的神经网络来检测步骤1.2中保存下来的所有关键字图片，图片在送入网络后会根据其对应的过渡类别产生相应的类别建议区域以及置信度信息，对于置信度大于阈值的建议区域则保存下来，未达到要求的区域则抛弃；
第三步、基于类别层次的数据集构建，过程如下：
步骤3.1：对步骤2.3得到的区域建议图片，根据其所属的过渡类别与目标类别的从属关系进行归纳；
步骤3.2：将所有属于同一目标类别的区域建议图像进行合并操作，输出目标图像数据集。
2.如权利要求1所述的一种基于深度学习的图像数据集自动构建方法，其特征在于，所述第二步还包括以下步骤：
步骤2.4：抽取一部分经过图像清洗的关键字图片来精校步骤2.3中经过预训练的神经网络，收敛后重复步骤2.3，可进一步提升图像清洗的质量。
3.如权利要求1或2所述的一种基于深度学习的图像数据集自动构建方法，其特征在于，所述步骤2.1的神经网络为深度神经网络，深度神经网络的实现步骤如下：
2.1.1、对于一张任意给定大小的图片，将其输入到深度神经网络中的特征提取器中来获得最基础的特征信息；
2.1.2、连接不同层之间的特征信息并且使用多个不同维度大小的特征图形成金字塔的特征表示结构；
2.1.3、获得的特征金字塔将会产生两条分支，一条分支用于区域建议网络产生相关类别的建议区域，另一条分支用于为后续所涉及到的ROI对齐层，会执行相关的对齐操作；
2.1.4、根据所产生的建议区域和特征金字塔，在ROI对齐层中会充分利用2者的信息进一步对建议区域进行微调，使得建议区域的内容可以更加精准的匹配类标签；
2.1.5、ROI对齐层输出的结果同时也会输出2个分支，其中一条支线会使用对齐的建议区域的结果来生成掩膜，另一条支线会把对齐的结果先传递到一个全连接层，然后再通过这个全连接层执行分类和建议框回归的功能。
CN201910655806.7A 2019-07-19 2019-07-19 一种基于深度神经网络的图像数据集自动构建方法 Active CN110533066B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910655806.7A CN110533066B (zh) 2019-07-19 2019-07-19 一种基于深度神经网络的图像数据集自动构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910655806.7A CN110533066B (zh) 2019-07-19 2019-07-19 一种基于深度神经网络的图像数据集自动构建方法

Publications (2)

Publication Number Publication Date
CN110533066A CN110533066A (zh) 2019-12-03
CN110533066B true CN110533066B (zh) 2021-12-17

Family

ID=68661862

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910655806.7A Active CN110533066B (zh) 2019-07-19 2019-07-19 一种基于深度神经网络的图像数据集自动构建方法

Country Status (1)

Country Link
CN (1) CN110533066B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111368886B (zh) * 2020-02-25 2023-03-21 华南理工大学 一种基于样本筛选的无标注车辆图片分类方法
CN111563179A (zh) * 2020-03-24 2020-08-21 维库（厦门）信息技术有限公司 一种缺陷图像快速分类模型的构建方法及系统
CN111724770B (zh) * 2020-05-19 2022-04-01 中国电子科技网络信息安全有限公司 一种基于深度卷积生成对抗网络的音频关键词识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831239A (zh) * 2012-09-04 2012-12-19 清华大学 一种构建图像数据库的方法与系统
CN106649610A (zh) * 2016-11-29 2017-05-10 北京智能管家科技有限公司 图片标注方法及装置
CN108897778A (zh) * 2018-06-04 2018-11-27 四川创意信息技术股份有限公司 一种基于多源大数据分析的图像标注方法
CN109189959A (zh) * 2018-09-06 2019-01-11 腾讯科技（深圳）有限公司 一种构建图像数据库的方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831239A (zh) * 2012-09-04 2012-12-19 清华大学 一种构建图像数据库的方法与系统
CN106649610A (zh) * 2016-11-29 2017-05-10 北京智能管家科技有限公司 图片标注方法及装置
CN108897778A (zh) * 2018-06-04 2018-11-27 四川创意信息技术股份有限公司 一种基于多源大数据分析的图像标注方法
CN109189959A (zh) * 2018-09-06 2019-01-11 腾讯科技（深圳）有限公司 一种构建图像数据库的方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Mask R-CNN;Kaiming He et al.;《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》;20180615;第386-397页 *
Semiautomatic Labeling of Generic Objects for Enlarging Annotated Image Databases;Albert Torrent et al.;《2012 19th IEEE International Conference on Image Processing》;20130103;第2889-2892页 *

Also Published As

Publication number Publication date
CN110533066A (zh) 2019-12-03

Similar Documents

Publication Publication Date Title
CN107273800B (zh) 一种基于注意机制的卷积递归神经网络的动作识别方法
CN108829677B (zh) 一种基于多模态注意力的图像标题自动生成方法
CN110992275B (zh) 一种基于生成对抗网络的细化单幅图像去雨方法
CN107491726B (zh) 一种基于多通道并行卷积神经网络的实时表情识别方法
CN108629338B (zh) 一种基于lbp和卷积神经网络的人脸美丽预测方法
CN110533066B (zh) 一种基于深度神经网络的图像数据集自动构建方法
CN111325165B (zh) 考虑空间关系信息的城市遥感影像场景分类方法
CN110147797B (zh) 一种基于生成式对抗网络的草图补全与识别方法和装置
CN112308158A (zh) 一种基于部分特征对齐的多源领域自适应模型及方法
Zhang et al. Data-driven single image deraining: A comprehensive review and new perspectives
CN111177446A (zh) 一种用于足迹图像检索的方法
CN113449727A (zh) 一种基于深度神经网络的伪装目标检测识别方法
CN109165658B (zh) 一种基于Faster-RCNN的强负样本水下目标检测方法
CN113888501B (zh) 一种基于注意力定位网络的无参考型图像质量评价方法
CN112233129A (zh) 基于深度学习的并行多尺度注意力机制语义分割方法及装置
CN110852199A (zh) 一种基于双帧编码解码模型的前景提取方法
CN109766918A (zh) 基于多层次上下文信息融合的显著性物体检测方法
CN116883650A (zh) 一种基于注意力和局部拼接的图像级弱监督语义分割方法
CN113378962A (zh) 一种基于图注意力网络的服装属性识别方法与系统
CN113780550A (zh) 一种量化特征图相似度的卷积神经网络剪枝方法及装置
CN107491814B (zh) 一种用于知识推送的过程案例分层知识模型构建方法
CN115578621A (zh) 一种基于多源数据融合的图像识别方法
Fu et al. Traffic Sign Classification Based on Prototypes
CN111325251A (zh) 一种基于卷积神经模糊网络的简笔画识别方法
Simou et al. Multimedia reasoning with f-shin

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231101

Address after: Room 301-1, Building 2, Academician Island, Xianghu National Tourism Resort, Xiaoshan District, Hangzhou City, Zhejiang Province, 311258

Patentee after: Hangzhou Jiuwei Digital Technology Co.,Ltd.

Address before: The city Zhaohui six districts Chao Wang Road Hangzhou City, Zhejiang province 310014 18

Patentee before: JIANG University OF TECHNOLOGY