CN111291820B - 一种结合定位信息和分类信息的目标检测方法 - Google Patents

一种结合定位信息和分类信息的目标检测方法 Download PDF

Info

Publication number
CN111291820B
CN111291820B CN202010102354.2A CN202010102354A CN111291820B CN 111291820 B CN111291820 B CN 111291820B CN 202010102354 A CN202010102354 A CN 202010102354A CN 111291820 B CN111291820 B CN 111291820B
Authority
CN
China
Prior art keywords
full
layer
connection layer
network
information
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
CN202010102354.2A
Other languages
English (en)
Other versions
CN111291820A (zh
Inventor
丁鹏
张建廷
惠新成
朱刚
蒋保富
温菲霞
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.)
CETC 28 Research Institute
Original Assignee
CETC 28 Research Institute
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 CETC 28 Research Institute filed Critical CETC 28 Research Institute
Priority to CN202010102354.2A priority Critical patent/CN111291820B/zh
Publication of CN111291820A publication Critical patent/CN111291820A/zh
Application granted granted Critical
Publication of CN111291820B publication Critical patent/CN111291820B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/04—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
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提出一种结合定位信息和分类信息的目标检测方法。本发明在Faster R‑CNN的基础上，综合考虑了目标检测所需的分类信息和定位信息，可以在很大程度上提升检测的精度并保证检测的速度。首先，为了更加充分地提取分类特征并减少运行所需的参数以及降低网络过拟合的可能性，提出一种逆残差结构的全连接操作模块；其次，为了增强定位能力，提出一种结合定位信息和分类信息的操作模块。整个发明采用反向传播算法进行训练并在训练时引入“在线难例解析”技术以进一步提升精度。实验表明，本发明相较于Faster R‑CNN无论速度上还是精度上都具有极大的优势，极具应用价值。

Description

一种结合定位信息和分类信息的目标检测方法
技术领域
本发明涉及图像处理和人工智能技术领域，具体涉及一种基于深度卷积神经网络的双阶段目标检测方法。
背景技术
目标检测作为计算机视觉领域的重要组成部分，一直受到科研工作者极大的关注。近年来，随着人工智能特别是以深度卷积神经网络为代表的深度学习算法的进步，目标检测领域也取得了巨大的发展——基于深度卷积神经网络的目标检测器已经基本取代了传统机器学习时代以“Hog+SVM”模式进行目标检测的方法。相较于传统机器学习算法，深度卷积神经网络能够自主的提取多种目标更加本质的、具有代表性的特征，因而具有更好的精度和普适性。
从第一个基于深度卷积神经网络的目标检测器R-CNN开始，经过不断的演变和进化，目前，基于深度卷积神经网络的目标检测器主要可以分为两种：1、以Faster R-CNN为代表的双阶段目标检测器；2、以SSD、YOLO为代表的单阶段目标检测器。前者精度较高但是速度较慢，后者精度较低但是速度很快。在目标检测器发展的同时，卷积神经网络的结构也在不断的进步，从AlexNet、ZF-Net、VGG16-Net到GoogleNet、ResNet-50、ResNet-101、SeNet等等。随着深度卷积神经网络的结构从深度迈入超深度，基于FasterR-CNN检测器，采用全卷积的超深度网络如ResNet-50、ResNet-101等作为主体网络进行目标检测时，其在精度上的表现比较糟糕。这主要是由于网络太深导致输出特征层包含定位信息太少所导致的。因此，基于Faster R-CNN检测器，采用全卷积的超深度网络作为主体网络时，我们往往用第四段卷积层(Conv4)生成候选区域(Proposals)以及输入ROI-Pooling层进行后续的处理，第五段卷积层(Conv5)充当标准Faster R-CNN中全连接层(FC6和FC7层)的角色。虽然这种改变可以在一定程度上提升精度，但是检测的速度却是大大地被降低了。在Faster R-CNN的基础上，为了进一步提升精度，许多研究人员开展了多尺度特征结合的工作：通过结合包含边缘信息较多的浅层网络部分和包含分类信息较多的深层网络部分进行目标检测如Hyper-Net、FPN等，但是这些检测器在运行时需要很大的GPU显存且速度很慢。
因此，如何保证检测的速度并高效地引入定位信息以提升检测的精度是迫切需要解决的问题。
发明内容
发明目的：为了解决上述问题，本发明提出一种结合定位和分类信息的目标检测方法，在Faster R-CNN中增强分类信息、引入定位信息的同时保证检测的速度。
技术方案：一种结合定位和分类信息的目标检测方法，包括以下步骤：
(1)基于Faster R-CNN，采用ResNet-50作为网络结构，使用微调的方法构建基础的检测框架；
(2)将ResNet-50中第五段卷积层Conv5所有的卷积操作的步长改为1，并在3*3的卷积操作中引入空洞卷积，将修改后的ResNet-50作为主体网络，直接采用第五段卷积层Conv5生成候选区域Proposals以及输入后续的特征处理层；
(3)构建逆残差结构的全连接操作模块，并置于ROI-Pooling层之后用于提取特征；
(4)构建结合定位信息和分类信息的操作模块，并置于主体网络之后用于定位和分类；
(5)设定损失函数进行反向传播训练，利用训练后的模型进行目标检测。
进一步地，所述逆残差结构的全连接操作模块包括具有第一通道数的第一全连接层FC6_1、具有第二通道数的第二全连接层FC6_2、具有第三通道数的第三全连接层FC6_3、Eltwise层，其中第一通道数和第三通道数均小于第二通道数，第一全连接层FC6_1直接连接ROI-Pooling层进行初步的特征提取，第二全连接层FC6_2接在FC6_1之后用于增强特征提取的能力，第三全连接层FC6_3接在FC6_2之后用于对特征降维，Eltwise层连接第一全连接层FC6_1和第三全连接层FC6_3，用于将FC6_1的特征和FC6_3的特征作等价映射，第二全连接层FC6_2作为逆残差存在以增强网络的稳定性。
进一步地，所述第一通道数为1024，所述第二通道数为4096，所述第三通道数为1024。
进一步地，所述步骤(4)包括：将主体网络的特征通过ROI-Pooling操作后再经过逆残差结构的全连接操作模块以提取分类信息；将主体网络特征通过PSROI-Pooling操作后再经过第四全连接层FC7操作以提取定位信息；将两种方式得到的特征用Concat的方式相加再用第五全连接层FC8操作自适应的判断特征之间的权重并进行输出。
进一步地，所述第四全连接层FC7的通道数设为1024，所述第五全连接层FC8的通道数设为2048。
有益效果：
1、本发明提出的逆残差结构的全连接操作模块能够很好地提取分类信息且无需大量计算参数，提高了运算速度，同时又不会导致过拟合。
2、本发明将主体网络的特征用两种方式进行处理，综合考虑了检测所需的分类信息和定位信息，网络的综合能力更加的完善，使得本发明在精度上和速度上都有非常优异的表现。
附图说明
图1是本发明的整体流程图；
图2是Faster R-CNN采用ResNet-50作为主体网络的流程图；
图3是本发明的逆残差结构的全连接操作模块示意图；
图4是结合定位信息和分类信息的操作模块示意图；
图5是本发明Position R-CNN进行在VOC数据集上进行目标检测的结果图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
本发明提出一种结合定位信息和分类信息的目标检测方法，下文将其称为PositionR-CNN，参照图1，包括以下步骤：
(1)基于Faster R-CNN，采用ResNet-50网络结构，使用“微调”的方法构建基础的检测框架：对于全卷积神经网络，一般地，采用第四段卷积层(Conv4)生成候选区域(Proposals)以及输入ROI-Pooling层进行后续的特征处理，第五段卷积层(Conv5)充当标准Faster R-CNN中全连接层(FC6和FC7层)的角色，具体细节如图2所示。所述“微调”是指采用在大型分类数据集(一般采用ImageNet)上得到的模型作为预训练模型进行网络参数初始化赋值。
(2)将ResNet-50中第五段卷积层(Conv5)所有的卷积操作的步长改为1，并在3*3的卷积操作中引入空洞卷积，然后将修改后的ResNet-50作为主体网络。直接采用第五段卷积层(Conv5)生成候选区域(Proposals)以及输入ROI-Pooling/PSROI-Pooling层进行后续的特征处理。
(3)为了更加充分地提取分类特征并减少运行所需的参数以及降低网络过拟合的可能性，提出一种逆残差结构的全连接操作模块，该模块可直接置于ROI-Pooling层之后用于定位和分类。ROI-Pooling层后面采用FC层有利于分类信息的提取，但是如果FC层通道数太多会导致计算量过大且会增加网络过拟合的风险；而通道数较少，FC层提取分类信息的能力不够。因此，本发明设计一种逆残差结构的全连接操作模块：首先，通道数较少的FC层FC6_1直接连接ROI-Pooling层进行初步的特征提取——FC6_1具有1024通道数，计算量不大，速度很快；随后，采用通道数较多的FC层FC6_2接在FC6_1后面用于增强提取分类特征的能力，FC6_2通道数设为4096；然后，另一个通道数较少的FC层FC6_3接在FC6_2后面用于降维、保证速度，FC6_3的通道数也设为1024；最后，通过Eltwise操作将FC6_1的特征和FC6_3的特征作等价映射，而通道数较多的FC6_2作为逆残差存在以增强网络的稳定性、减少网络过拟合的可能性。本发明的逆残差全连接操作模块可以更加充分地提取分类特征并减少运行所需的参数以及降低网络过拟合的可能性，其对应的操作细节如图3所示。
(4)逆残差结构的全连接操作模块能够很好的提取分类特征并保证速度，在此基础上，如能够高效地引入定位信息则可以极大的提升网络的整体性能。为此，本发明提出一种结合定位信息和分类信息的操作模块——将主体网络的特征用两种方式进行处理，这两种方式分别倾向于提取分类信息和定位信息，经过这两种方式处理后得到的特征再用自适应的方法进行结合：主体网络通过ROI-Pooling操作后再经过逆残差结构的全连接操作模块以充分的提取分类信息；同时，主体网络通过PSROI-Pooling操作后再经过全连接操作(FC7，通道数设为1024)以充分的提取定位信息，PSROI-Pooling操作通过引入位置敏感性可得到包含位置信息较多的特征，PSROI-Pooling是R-FCN中设计的用于提取倾向于定位的操作，本发明利用它提取定位信息后用于弥补ROI-pooling定位信息不足的缺点；将两种方式得到的特征用Concate的方式相加再用全连接操作(FC8，通道数设为2048)自适应的判断特征之间的权重。该操作模块对应的流程图如图4所示。
(4)设定损失函数。在深度卷积神经网络的训练过程中，必须设定损失函数以进行反向传播训练。本发明同样包含RPN阶段和Fast R-CNN阶段，RPN阶段的损失函数定义如下：
Figure BDA0002387294300000041
其中，权重λ设定为1，i表示第i个“锚点”，所述“锚点”为Faster R-CNN的基础点，主要是指在原图上每隔一定步长生成一系列的矩形框；Ncls表RPN阶段的批大小；Nreg表示“锚点”位置的个数；pi表示第i个“锚点”包含物体的可能性，
Figure BDA0002387294300000042
定义如下：
Figure BDA0002387294300000051
t是与坐标回归有关的向量，具体定义如下：
Figure BDA0002387294300000052
其中，w和h是RPN阶段生成的预测框的宽和高；x和y是RPN阶段生成的预测框的中心坐标；wa和ha是RPN阶段生成的“锚点”的宽和高；xa和ya是RPN阶段生成的“锚点”的中心坐标；w*和h*是理想坐标框的宽和高；x*，y*是理想坐标框的中心坐标。此时，坐标回归函数
Figure BDA0002387294300000053
定义如下：
Figure BDA0002387294300000054
分类函数Lcls是二分类情况下的Softmax分类函数。
Fast R-CNN阶段使用的损失函数定义如下：
L(p,u,tu,v)＝Lcls(p,u)+Lloc(tu,v)
其中，Lcls(p,u)定义为：
Lcls(p,u)＝-logpu
pu代表种类u的概率，Lloc函数与公式的Lreg的函数一样，这里的tu和v分别代表Faster R-CNN生成的预测框的坐标向量和种类u的理想坐标向量。
设定损失函数后，整个发明采用反向传播算法(BP算法)进行训练，在训练的过程中，为了进一步提升精度，引入“在线难例解析”技术。在线难例解析技术是目标检测常用的采样方式，主要将损失函数最大的一部分样本用于反向传播，不再细述。
下面结合Position R-CNN的实测效果对本发明做进一步的说明：
本发明基于Inter I5 CPU，GTX 1070TI显卡在Linux 16.04系统中进行有关部署。相关依赖软件有CUDA 8，Cudnn 6，Caffe，Python 2.7等。本发明的Position R-CNN使用ResNet-50网络，在VOC0712下进行训练，VOC2007下进行测试得到的精度高达81.5％，速度达86ms，远远高于Faster R-CNN以ResNet-50作为主体网络得到的精度和速度，PositionR-CNN在VOC数据集上的实际检测结果如图5所示。从测试结果图中，可以直观的看出，利用本发明的方法可以进行非常精确的检测，对于尺度较大的目标和尺度较小的目标均能够取得非常理想的结果，具有很好的尺度适应性。

Claims (3)

1.一种结合定位信息和分类信息的目标检测方法，其特征在于，包括以下步骤：
(1)基于Faster R-CNN，采用ResNet-50作为网络结构，使用微调的方法构建基础的检测框架；
(2)将ResNet-50中第五段卷积层Conv5所有的卷积操作的步长改为1，并在3*3的卷积操作中引入空洞卷积，将修改后的ResNet-50作为主体网络，直接采用第五段卷积层Conv5生成候选区域Proposals以及输入后续的特征处理层；
(3)构建逆残差结构的全连接操作模块，并置于ROI-Pooling层之后用于提取特征，所述逆残差结构的全连接操作模块包括具有第一通道数的第一全连接层FC6_1、具有第二通道数的第二全连接层FC6_2、具有第三通道数的第三全连接层FC6_3、Eltwise层，其中第一通道数和第三通道数均小于第二通道数，第一全连接层FC6_1直接连接ROI-Pooling层进行初步的特征提取，第二全连接层FC6_2接在FC6_1之后用于增强特征提取的能力，第三全连接层FC6_3接在FC6_2之后用于对特征降维，Eltwise层连接第一全连接层FC6_1和第三全连接层FC6_3，用于将FC6_1的特征和FC6_3的特征作等价映射，第二全连接层FC6_2作为逆残差存在以增强网络的稳定性；
(4)构建结合定位信息和分类信息的操作模块，并置于主体网络之后用于定位和分类，其中，将主体网络的特征通过ROI-Pooling操作后再经过逆残差结构的全连接操作模块以提取分类信息；将主体网络特征通过PSROI-Pooling操作后再经过第四全连接层FC7操作以提取定位信息；将两种方式得到的特征用Concat的方式相加再用第五全连接层FC8操作自适应的判断特征之间的权重并进行输出；
(5)设定损失函数进行反向传播训练，利用训练后的模型进行目标检测。
2.根据权利要求1所述的结合定位信息和分类信息的目标检测方法，其特征在于，所述第一通道数为1024，所述第二通道数为4096，所述第三通道数为1024。
3.根据权利要求1所述的结合定位信息和分类信息的目标检测方法，其特征在于，所述第四全连接层FC7的通道数设为1024，所述第五全连接层FC8的通道数设为2048。
CN202010102354.2A 2020-02-19 2020-02-19 一种结合定位信息和分类信息的目标检测方法 Active CN111291820B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010102354.2A CN111291820B (zh) 2020-02-19 2020-02-19 一种结合定位信息和分类信息的目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010102354.2A CN111291820B (zh) 2020-02-19 2020-02-19 一种结合定位信息和分类信息的目标检测方法

Publications (2)

Publication Number Publication Date
CN111291820A CN111291820A (zh) 2020-06-16
CN111291820B true CN111291820B (zh) 2023-05-30

Family

ID=71023126

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010102354.2A Active CN111291820B (zh) 2020-02-19 2020-02-19 一种结合定位信息和分类信息的目标检测方法

Country Status (1)

Country Link
CN (1) CN111291820B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733848B (zh) * 2021-01-08 2022-11-04 中国电子科技集团公司第二十八研究所 基于多尺度特征和扩张型逆残差全连接的目标检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977812A (zh) * 2019-03-12 2019-07-05 南京邮电大学 一种基于深度学习的车载视频目标检测方法
WO2019144575A1 (zh) * 2018-01-24 2019-08-01 中山大学 一种快速行人检测方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019144575A1 (zh) * 2018-01-24 2019-08-01 中山大学 一种快速行人检测方法及装置
CN109977812A (zh) * 2019-03-12 2019-07-05 南京邮电大学 一种基于深度学习的车载视频目标检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度卷积神经网络的光学遥感目标检测技术研究;丁鹏;《中国优秀博硕士学位论文全文数据库（博士）信息科技辑》;20190815;正文第37-86页 *

Also Published As

Publication number Publication date
CN111291820A (zh) 2020-06-16

Similar Documents

Publication Publication Date Title
CN111259940B (zh) 一种基于空间注意力地图的目标检测方法
CN108898131A (zh) 一种复杂自然场景下的数字仪表识别方法
CN111798935B (zh) 基于神经网络的普适性化合物结构-性质相关性预测方法
CN110929802A (zh) 基于信息熵的细分类识别模型训练、图像识别方法及装置
Wang et al. An unequal deep learning approach for 3-D point cloud segmentation
CN116152254B (zh) 工业泄露目标气体检测模型训练方法、检测方法、电子设备
CN116030237A (zh) 工业缺陷检测方法、装置及电子设备、存储介质
CN111931763A (zh) 一种基于随机形态边缘几何建模的深度场景文本检测方法
CN115423796A (zh) 一种基于TensorRT加速推理的芯片缺陷检测方法及系统
CN114419313A (zh) 影像辨识方法及影像辨识系统
CN111291820B (zh) 一种结合定位信息和分类信息的目标检测方法
CN110910388A (zh) 一种基于U-Net和密度估计的癌细胞图像分割方法
CN108428234B (zh) 基于图像分割结果评价的交互式分割性能优化方法
CN111860361B (zh) 一种绿色通道货物扫描图像夹带自动识别器及识别方法
CN108845999A (zh) 一种基于多尺度区域特征比对的商标图像检索方法
CN112308213A (zh) 一种基于全局特征关系的卷积神经网络压缩方法
CN111582057A (zh) 一种基于局部感受野的人脸验证方法
CN108763261B (zh) 一种图形检索方法
CN111259974B (zh) 一种小样本柔性ic基板的表面缺陷定位和分类方法
Chen et al. NHD‐YOLO: Improved YOLOv8 using optimized neck and head for product surface defect detection with data augmentation
CN115331254A (zh) 一种免锚框的实例人像语义解析方法
CN114283280A (zh) 一种基于改进卷积神经网络的水面漂浮垃圾识别方法
CN114037865B (zh) 图像处理方法、装置、设备、存储介质和程序产品
CN114627348B (zh) 多主体任务中基于意图的图片识别方法
Kong et al. A Semantic Segmentation-Based Method for Evaluating Students' Electronic Process Training Soldering Works

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
CB03 Change of inventor or designer information

Inventor after: Ding Peng

Inventor after: Zhang Jianting

Inventor after: Hui Xincheng

Inventor after: Zhu Gang

Inventor after: Jiang Baofu

Inventor after: Wen Feixia

Inventor before: Ding Peng

Inventor before: Hui Xincheng

Inventor before: Wen Feixia

CB03 Change of inventor or designer information
CB02 Change of applicant information

Address after: 210046 No.1, Lingshan South Road, Qixia District, Nanjing City, Jiangsu Province

Applicant after: THE 28TH RESEARCH INSTITUTE OF CHINA ELECTRONICS TECHNOLOGY Group Corp.

Address before: 210007 1 East Street, alfalfa garden, Qinhuai District, Nanjing, Jiangsu.

Applicant before: THE 28TH RESEARCH INSTITUTE OF CHINA ELECTRONICS TECHNOLOGY Group Corp.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant