CN112614039A - 一种基于任务驱动的图像预处理算法评估方法 - Google Patents
一种基于任务驱动的图像预处理算法评估方法 Download PDFInfo
- Publication number
- CN112614039A CN112614039A CN202011560006.6A CN202011560006A CN112614039A CN 112614039 A CN112614039 A CN 112614039A CN 202011560006 A CN202011560006 A CN 202011560006A CN 112614039 A CN112614039 A CN 112614039A
- Authority
- CN
- China
- Prior art keywords
- visual processing
- processing task
- test
- subset
- image preprocessing
- 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.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 68
- 238000011156 evaluation Methods 0.000 title claims abstract description 62
- 238000007781 pre-processing Methods 0.000 title claims abstract description 55
- 238000012360 testing method Methods 0.000 claims abstract description 87
- 238000012545 processing Methods 0.000 claims abstract description 71
- 230000000007 visual effect Effects 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims description 30
- 238000000034 method Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 8
- 230000004438 eyesight Effects 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 6
- 230000007547 defect Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013209 evaluation strategy Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于任务驱动的图像预处理算法评估方法，其步骤包括：1)根据设置的视觉处理任务，选择对应评估指标，并构造该视觉处理任务相应的测试数据集；所述测试数据集包括基准测试子集以及不同条件的测试子集；2)在基准测试子集上分别对各所选视觉处理任务模型进行训练，得到训练好的视觉处理任务模型；3)选取多种被评估的图像预处理算法，分别对同一条件的测试子集进行图像预处理；4)使用训练好的视觉处理任务模型，对预处理前后的同一条件的测试子集进行视觉处理任务并进行评估；5)通过对比各训练好的视觉处理任务模型对图像预处理前后的视觉处理任务的评估指标，得到同一条件下各图像预处理算法的评估结果。
Description
技术领域
本发明涉及一种基于任务驱动的图像预处理算法评估方法，属于计算机软件技术领域。
背景技术
图像预处理是图像处理的初始步骤，其主要目的是消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改进特征抽取、图像分割、匹配和识别的可靠性；图像数据在图像预处理之后，才会放到相应的图像处理算法中进行后续处理，如现在广泛应用的人工智能相关算法。因此，图像预处理在数字图像中占了很重要的地位，图像预处理算法的好坏直接影响了后面的图像分析。
但是，现有技术中对于图像预处理算法的评估仍有许多不足之处。首先，评估指标不够准确。目前大多数标准使用完整的参考指标(例如峰值信噪比PSNR、结构相似性SSIM)或可视化结果，但是我们发现PSNR/SSIM指标通常与人的视觉感知和机器视觉不匹配。其次，现在预处理后的图像主要用于深度学习模型进行预测推理，而不是交由人进行判断，仅利用传统图像处理中的指标缺乏评估的完整性，而且缺乏对高级视觉任务(例如物体检测)的预处理步骤的预处理算法性能的评估。
发明内容
针对现有技术中存在的技术问题，本发明的目的在于提供一种基于任务驱动的图像预处理算法评估方法。本发明基于任务驱动的图像预处理算法评估方案，实现对图像预处理算法的准确全面评估。本发明的技术方案是使用图像的视觉处理任务以及其评估指标驱动图像预处理算法性能的评估；任务驱动策略意味着使用不同的图像预处理算法来处理不同场景的图像，然后通过基准条件下预训练视觉处理任务模型在待测图像测试集上的评估指标结果对图像预处理算法进行排名；可针对特定视觉任务选择不同的评估指标。
本发明提出了一种基于任务驱动的图像预处理算法评估方法，具体技术方案如下：
步骤1：设置视觉处理任务，选择评估指标，构造视觉处理任务相应的测试数据集，这里的测试数据集包括基准测试子集以及不同条件的测试子集；基准测试子集是根据视觉处理任务即可得到；不同条件的测试子集是指在基准测试子集上，修改或加入不同条件之后生成的数据集。本发明实例中的不同条件即是加雾的雾度设为30％、50％、70％。
步骤2：筛选视觉处理任务模型，在基准测试子集上进行模型训练，得到训练好的视觉处理任务模型；
步骤3：选取多种被评估的图像预处理算法，分别对同一条件的测试子集进行图像预处理；
步骤4：使用训练好的视觉处理任务模型，对于已预处理的同一条件的测试子集进行视觉处理任务，使用选定的评估指标评估测试结果，这里的评估指标可以根据具体任务选取；
步骤5：在同一条件的测试子集中，对比图像预处理前后的视觉处理任务的评估指标，对已选取的多种图像预处理算法按评估指标结果进行比较，得到同一条件下对于多种图像预处理算法的评估结果。
进一步的，步骤1的构造数据集具体为：
步骤1.1：为防止数据的不一致而导致图像预处理算法的性能评估结果产生偏差，在基准条件下构建基准测试场景，获取基准测试子集；比如都在晴天采样得到的数据集作为基准测试子集。
步骤1.2：对多个不同条件的测试子集进行对齐操作，即同一测试场景中加入不同条件，获取不同条件的测试子集，保证除添加的条件因子之外，训练集和测试集保持一致性。
进一步的，步骤2筛选视觉处理任务模型具体为：
为确保选择的视觉处理任务模型有足够的视觉处理能力，对图像预处理算法进行有效评估，防止因视觉处理任务模型本身缺陷，导致图像预处理前后，检测器性能变化不明显，导致图像预处理算法性能评估区分度不足。具体筛选模型步骤包括：
步骤2.1：收集符合任务处理要求的多个候选视觉处理任务模型；
步骤2.2：使用基准条件下数据集(即基准测试子集)对所选模型进行预训练，使用加入不同条件因子的图像数据集进行测试，设置每个条件因子下的评估指标阈值，将每个条件图像测试集中的评估指标小于阈值的模型剔除；
步骤2.3：得到符合任务处理要求的视觉处理任务模型。
进一步的，步骤5具体为：
为了使图像预处理算法评估结果更加直观，方便用户可以更加明确的根据任务选择图像预处理算法，对于测试得到的评估指标做以下处理：
步骤5.1：将图像预处理算法在每个条件的测试子集下多个视觉处理任务模型的评估指标做运算处理；
步骤5.2：将每个条件的测试子集下多种图像预处理算法的评估结果做归一化处理，使不同图像预处理算法的性能差异更加明显。
本发明的积极效果为：
(1)与传统的评估标准PSNR/SSIM相比，任务驱动的评估策略可以更加准确的评估图像预处理算法在实际视觉处理任务中的性能。
(2)在视觉处理任务之前首先进行了视觉处理任务模型的筛选，排除了一些性能较差的视觉处理任务模型，提高了图像预处理算法评估的准确度。
(3)对得到的评估指标结果进行取运算和归一化的处理，使用户更加直观的发现图像预处理算法的优劣。
(4)任务驱动的评估策略对图像中的干扰程度更为敏感，并且可以有效地评估不同干扰程度下图像预处理算法的性能。
附图说明
图1为本发明基于任务驱动的图像预处理算法评估方法流程图。
具体实施方式
下面结合附图和实施例对本发明做进一步说明。
本发明的技术方案是使用图像的视觉处理任务以及其评估指标驱动图像预处理算法性能的评估；任务驱动策略意味着使用不同的图像预处理算法来处理不同场景的图像，然后通过基准条件下预训练视觉处理任务模型在待测图像测试集上的评估指标结果对图像预处理算法进行排名；可针对特定视觉任务选择不同的评估指标。
本发明提出了一种基于任务驱动的图像预处理算法评估方法，以下评估对象是可选的多个去雾算法，视觉处理任务选取目标检测任务，选择的评估指标为类平均精确度mAP，具体技术方案如下：
步骤1：设置视觉处理任务，选择评估指标为mAP，构造视觉处理任务相应的测试数据集，这里的视觉处理任务是目标检测任务，测试数据集包括晴天子集、轻度雾度测试子集(雾度为20％～30％)、中度雾度测试子集(雾度为30％～50％)、重度雾度测试子集(雾度大于50％)；
步骤2：筛选目标检测模型，得到Faster R-CNN、Cascade R-CNN和RetinaNet模型，在晴天子集上进行模型训练，得到训练好的目标检测模型；
步骤3：选取多种被评估的去雾算法，如暗通道先验(DCP)、边界约束上下文正则化(BCCR)、色彩衰减先验(CAP)、非本地去雾(NLD)、DehazeNet、多尺度CNN(MSCNN)、多合一去雾网络(AOD)、门控上下文聚合网络(GCA)等，分别对轻度雾度测试子集、中度雾度测试子集、重度雾度测试子集进行去雾处理；
步骤4：使用训练好的目标检测模型，对于已去雾的轻度雾度测试子集、中度雾度测试子集、重度雾度测试子集进行目标检测，使用类平均精确度(mAP)评估测试结果，这里的评估指标可以根据具体任务选取；
步骤5：在同一雾度的测试子集中，对比未去雾和已去雾的目标检测的评估指标mAP，对已选取的多种去雾算法按mAP结果进行比较，得到同一雾度下对于多种去雾算法的评估结果；
进一步的，步骤1的构造数据集具体为：
步骤1.1：为防止数据的不一致而导致去雾算法的性能评估结果产生偏差，在晴天条件下构建晴天测试场景，获取晴天测试子集，构建场景的方式可以是在仿真引擎中实现；
步骤1.2：对低浓度雾天测试集中度浓度雾天测试集高浓度雾天测试集进行对齐操作，即在同一测试场景中加入不同浓度的雾天，获取三种雾天浓度测试集，保证除雾天浓度之外，训练集和测试集保持一致性。
进一步的，步骤2筛选目标检测模型具体为：
为确保选择的目标检测模型有足够的目标检测能力，对去雾算法进行有效评估，防止因目标检测模型本身缺陷，导致图像去雾前后，检测器性能变化不明显，导致去雾算法性能评估区分度不足。具体筛选模型步骤包括：
步骤2.1：收集符合任务处理要求的多个目标检测模型；主流单阶段目标检测模型、双阶段目标检测模型，单阶段目标检测模型选择SSD、YOLOv1、YOLOv2、RetinaNet，双阶段目标检测模型选择Faster-RCNN、FPN、Casacade-RCNN；
步骤2.2：使用晴天条件下数据集对所选目标检测模型进行预训练，使用三种浓度的雾天图像数据集进行测试，设置三种浓度的雾天下的评估指标阈值，将轻度雾天测试集中的mAP小于0.25的模型剔除，中度雾测试集中mAP小于0.1的模型剔除，重度雾测试集中mAP小于0.03的模型剔除；本发明在各个雾度下选取性能最优的三个目标检测模型，排名第三模型的mAP作为对应雾度的阈值，通过实验对比分析，本发明所选取的阈值能够保证检测器性能，防止因检测器应能不足，导致评估结果难以区分的效果。
步骤2.3：得到符合任务处理要求的视觉处理任务模型，单阶段目标检测模型使用RetinaNet，双阶段目标检测模型使用FPN、Casacade-RCNN。
进一步的，步骤3的去雾过程具体为：
使用公式(1)可对于多个图像进行去雾，公式(1)如下：
I(x)＝J(x)t(x)+A(1-t(x)) (1)
其中I(x)是雾度图像，J(x)是去雾图像，A是整体大气光，t(x)是透射率；当大气均匀时，透射率t可以表示为：
t(x)＝e-βd(x) (2)
其中β是大气的散射系数，而d(x)是物体与相机之间的距离。公式(1)可以重写为将去雾图像作为输出：
因此，大多数最先进的去雾算法都采用公式(1)和公式(3)以基于先验或基于学习的方式恢复无雾图像。
进一步的，步骤4的目标检测具体为：
目标检测模型必须解决定位问题，将准确的边界框分配给不同的目标，并解决识别问题，将目标分配给适当的目标类标签。目标检测算法包括两阶段或一阶段框架，一阶段算法包括SSD，YOLO等，两阶段算法包括R CNN、Fast R-CNN和Faster R-CNN等。
使用8种去雾算法，即暗通道先验(DCP)、边界约束上下文正则化(BCCR)、色彩衰减先验(CAP)、非本地去雾(NLD)、DehazeNet、多尺度CNN(MSCNN)、多合一去雾网络(AOD)、门控上下文聚合网络(GCA)，分别去除轻度雾度测试子集、中度雾度测试子集、重度雾度测试子集上的雾度；再使用训练好的目标检测模型进行目标检测，得到已去雾的目标检测的评估指标mAP，见表1。
表1为目标检测结果(mAP)
进一步的，步骤5具体为：
为了使去雾算法评估结果更加直观，方便用户可以更加明确的根据任务选择去雾算法，对于测试得到的mAP做以下处理：
步骤5.1：将去雾算法在每种浓度雾天测试集下三个目标检测模型的mAP做求平均处理，得到表2的数据；
表2 mAP的求平均处理
步骤5.2：将每种浓度雾天测试集下8种去雾算法的评估结果做归一化处理得到表3中的数据，使不同去雾算法的性能差异更加明显；
表3 mAP的归一化处理
从表3中得到每种雾度下的处理后的mAP最大值，得到的是性能最优的去雾算法；由表3可见，相比于未去雾的mAP，大部分的去雾算法均有较好的去雾效果；对比8种去雾算法的mAP，mAP的值越高，则去雾算法的效果最优；在轻度雾度条件下，NLD去雾效果最优；在中度雾度条件下，NLD、DCP去雾效果最优；在重度雾度条件下，DCP去雾效果最优。
以上实施例仅用以说明本发明的技术方案而非对其进行限制，本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明的原理和范围，本发明的保护范围应以权利要求书所述为准。
Claims (5)
1.一种基于任务驱动的图像预处理算法评估方法，其步骤包括：
1)根据设置的视觉处理任务，选择对应评估指标，并构造该视觉处理任务相应的测试数据集；所述测试数据集包括基准测试子集以及不同条件的测试子集；其中不同条件的测试子集是指在基准测试子集上，修改或加入不同条件后生成的数据集；
2)根据该视觉处理任务筛选出多个视觉处理任务模型，在基准测试子集上分别对各所选视觉处理任务模型进行训练，得到训练好的视觉处理任务模型；
3)选取多种被评估的图像预处理算法，分别对同一条件的测试子集进行图像预处理；
4)使用训练好的视觉处理任务模型，对步骤3)预处理前后的同一条件的测试子集进行视觉处理任务，并使用所选评估指标对所得视觉处理任务结果进行评估；
5)通过对比各训练好的视觉处理任务模型对图像预处理前后的视觉处理任务的评估指标，得到同一条件下各图像预处理算法的评估结果。
2.如权利要求1所述的方法，其特征在于，筛选出多个视觉处理任务模型的方法为：首先收集符合该数据处理任务要求的多个候选视觉处理任务模型；然后使用基准测试子集对各候选视觉处理任务模型进行预训练，使用加入不同条件因子的测试子集进行测试，如果测试结果的评估指标值小于对应条件因子下的评估指标阈值，则剔除对应的候选视觉处理任务模型；将剩余的候选视觉处理任务模型作为筛选出的视觉处理任务模型。
3.如权利要求2所述的方法，其特征在于，所述视觉处理任务是目标检测任务，所述基准测试子集为晴天子集；不同条件的测试子集包括轻度雾度测试子集、中度雾度测试子集和重度雾度测试子集；所述图像预处理算法为去雾算法；所述评估指标为类平均精确度mAP。
4.如权利要求3所述的方法，其特征在于，利用轻度雾度测试子集、中度雾度测试子集、重度雾度测试子集分别各候选视觉处理任务模型进行测试。
5.如权利要求3所述的方法，其特征在于，步骤5)中，得到同一条件下各图像预处理算法的评估结果的方法为：将每一去雾算法在每种雾度测试子集下各训练后的视觉处理任务模型的mAP做求平均处理，得到各训练后的视觉处理任务模型对每种雾度测试子集对应的mAP平均值；然后将各去雾算法对应的mAP平均值做归一化处理，得到同一条件下各图像预处理算法的评估结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011560006.6A CN112614039A (zh) | 2020-12-25 | 2020-12-25 | 一种基于任务驱动的图像预处理算法评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011560006.6A CN112614039A (zh) | 2020-12-25 | 2020-12-25 | 一种基于任务驱动的图像预处理算法评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112614039A true CN112614039A (zh) | 2021-04-06 |
Family
ID=75245584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011560006.6A Pending CN112614039A (zh) | 2020-12-25 | 2020-12-25 | 一种基于任务驱动的图像预处理算法评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112614039A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7415126B2 (en) * | 1992-05-05 | 2008-08-19 | Automotive Technologies International Inc. | Occupant sensing system |
| CN106713275A (zh) * | 2016-11-25 | 2017-05-24 | 北京无线电计量测试研究所 | 一种集成虹膜识别功能的USBKey身份认证系统与方法 |
| CN107067397A (zh) * | 2017-04-27 | 2017-08-18 | 北京环境特性研究所 | 一种基于红外图像复杂度的图像分级方法 |
| CN110636515A (zh) * | 2019-11-14 | 2019-12-31 | 国网湖南省电力有限公司 | 电力无线专网的网络规划评估方法 |
-
2020
- 2020-12-25 CN CN202011560006.6A patent/CN112614039A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7415126B2 (en) * | 1992-05-05 | 2008-08-19 | Automotive Technologies International Inc. | Occupant sensing system |
| CN106713275A (zh) * | 2016-11-25 | 2017-05-24 | 北京无线电计量测试研究所 | 一种集成虹膜识别功能的USBKey身份认证系统与方法 |
| CN107067397A (zh) * | 2017-04-27 | 2017-08-18 | 北京环境特性研究所 | 一种基于红外图像复杂度的图像分级方法 |
| CN110636515A (zh) * | 2019-11-14 | 2019-12-31 | 国网湖南省电力有限公司 | 电力无线专网的网络规划评估方法 |
Non-Patent Citations (2)
| Title |
|---|
| PENGQI WANG等: "Task-driven Image Preprocessing Algorithm Evaluation Strategy", 《2020 7TH INTERNATIONAL CONFERENCE ON DEPENDABLE SYSTEMS AND THEIR APPLICATIONS》 * |
| 孟令中等: "软件失效模式的自动生成方法研究", 《计算机科学与探索》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111553929B (zh) | 基于融合网络的手机屏幕缺陷分割方法、装置及设备 | |
| CN111612763B (zh) | 手机屏幕缺陷检测方法、装置及系统、计算机设备及介质 | |
| CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
| CN111582294B (zh) | 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用 | |
| CN111738064B (zh) | 一种雾霾图像的雾浓度识别方法 | |
| CN111833306A (zh) | 缺陷检测方法和用于缺陷检测的模型训练方法 | |
| CN109376591B (zh) | 深度学习特征与视觉特征联合训练的船只目标检测方法 | |
| CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣系统 | |
| CN113011357A (zh) | 基于时空融合的深度伪造人脸视频定位方法 | |
| CN109598681B (zh) | 一种对称唐卡修复后图像的无参考质量评价方法 | |
| CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
| CN117011563B (zh) | 基于半监督联邦学习的道路损害巡检跨域检测方法及系统 | |
| CN115294377A (zh) | 一种道路裂缝的识别系统及方法 | |
| Zhao et al. | Research on detection method for the leakage of underwater pipeline by YOLOv3 | |
| CN110765900B (zh) | 一种基于dssd的自动检测违章建筑方法及系统 | |
| CN113052234A (zh) | 一种基于图像特征和深度学习技术的玉石分类方法 | |
| CN117152094A (zh) | 基于计算机视觉的钢板表面缺陷分析方法、装置及系统 | |
| CN116797602A (zh) | 一种用于工业产品检测的表面缺陷鉴定方法和装置 | |
| CN112614039A (zh) | 一种基于任务驱动的图像预处理算法评估方法 | |
| CN115631154A (zh) | 一种电力设备状态监控分析方法与系统 | |
| CN114581769A (zh) | 一种基于无监督聚类的在建房屋识别方法 | |
| CN114332144A (zh) | 样本粒度检测方法、系统、电子设备及存储介质 | |
| CN115700737A (zh) | 一种基于视频监控的溢油检测方法 | |
| Goyal et al. | Recent advances in image dehazing: Formal analysis to automated approaches | |
| Xu et al. | Crack identification algorithm based on MASK Dodging principle and deep learning |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210406 |
|
| RJ01 | Rejection of invention patent application after publication |