CN112770120A - 基于深度神经网络的3d视频深度图帧内快速编码方法 - Google Patents
基于深度神经网络的3d视频深度图帧内快速编码方法 Download PDFInfo
- Publication number
- CN112770120A CN112770120A CN202011603013.XA CN202011603013A CN112770120A CN 112770120 A CN112770120 A CN 112770120A CN 202011603013 A CN202011603013 A CN 202011603013A CN 112770120 A CN112770120 A CN 112770120A
- Authority
- CN
- China
- Prior art keywords
- depth
- coding
- ctu
- feature
- dis
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
- H04N19/597—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding specially adapted for multi-view video sequence encoding
-
- 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
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
- H04N13/10—Processing, recording or transmission of stereoscopic or multi-view image signals
- H04N13/106—Processing image signals
- H04N13/161—Encoding, multiplexing or demultiplexing different image signal components
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
- H04N19/146—Data rate or code amount at the encoder output
- H04N19/147—Data rate or code amount at the encoder output according to rate distortion criteria
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
- H04N19/593—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving spatial prediction techniques
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/90—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using coding techniques not provided for in groups H04N19/10-H04N19/85, e.g. fractals
- H04N19/96—Tree coding, e.g. quad-tree coding
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种基于深度神经网络的3D视频深度图帧内快速编码方法,方法包括:输入大小为64×64的编码树单元(CTU)和其深度帧内跳过模式(DIS)率失真值、量化参数QP,预处理后作为卷积神经网络的输入,经过卷积操作后,对最终特征反卷积,并与中间特征叠加起来,最终输出CTU中深度为0、1和2的21个预测结果,对一个CTU中三个深度层级的CU继续四叉树划分或者停止四叉树划分做出预测。本发明有效地降低了深度图编码单元四叉树划分的复杂度,减少了所需的编码时间;并在提高编码速度的同时,保证了最终解码端合成视角的视频质量。
Description
技术领域
本发明属于视频编解码技术领域,具体涉及一种基于深度神经网络的3D视频深度图帧内快速编码方法。
背景技术
3D视频能够在立体世界中给我们带来奇妙的用户体验。针对3D视频,高效视频编码(High Efficiency Video Coding,HEVC)的3D扩展(3D-HEVC)是最新的编码标准。3D-HEVC基于HEVC的四叉树编码架构,包括编码树单元(CTU)和编码单元(CU)、预测单元(PU)和变换单元(TU)。HEVC基本上是为纹理编码设计的,但是,3D-HEVC系统中的深度图具有一些特征,例如大量的平滑区域和尖锐的边缘,和与之对应的颜色纹理图完全不同。因此,当编码由平滑区域或边缘组成的深度图时,传统的HEVC编码器通常不能保持良好的编码效率。为此,深度图编码中新增了几种新的编码工具,例如深度建模模式(DMM)和深度帧内跳过模式(DIS),更加加剧了算法复杂度。
如图1,编码块四叉树划分采用递归设计,面对平滑编码块,复杂的四叉树划分结构造成很多无效的冗余编码。因此,为降低深度图算法复杂度,快速判断编码结构划分是一种有效途径。文献“Mora E G,Jung J,Cagnazzo M,et al.Initialization,Limitation,and Predictive Coding of the Depth and Texture Quadtree in 3D-HEVC[J].IEEETransactions on Circuits and Systems for Video Technology,2014,24(9):1554-1565.”利用纹理视图和深度视图运动信息的相似性,以纹理视图的编码结构来限制深度视图的编码结构划分。文献“Zhang H B,Chan Y L,Fu C H,et al.Quadtree decision fordepth intra coding in 3D-HEVC by good feature[C]//2016 IEEE InternationalConference on Acoustics,Speech and Signal Processing(ICASSP).IEEE,2016.”设计了一个用像素域角点信息来衡量当前编码区域复杂度的方法,该方法依据当前编码块的复杂度来限制划分深度。
近年来,在视频编码框架内继续使用传统方法改进编码性能变得越来越困难,基于神经网络的视频编码逐渐成为可能。
发明内容
本发明的目的在于提供一种基于深度神经网络的3D视频深度图帧内快速编码方法,在保证合成视角中视频质量的前提下,降低编码单元四叉树划分计算复杂度,节约编码时间。
实现本发明目的的技术解决方案为:一种基于深度神经网络的3D视频深度图帧内快速编码方法,包括如下步骤:
步骤1:数据收集,选取深度图多种细节不同的视频,每隔20帧选取1帧,每个视频共计选取5帧,在不同量化参数QP下用原始3D-HEVC编码器进行编码,将每个编码树单元CTU中三种不同深度等级的编码单元CU是继续四叉树划分或者终止四叉树划分的结果作为标签,并采集深度0的64×64编码单元的DIS率失真值和量化参数QP,与所有划分标签记录在一个CTU中,作为训练数据集;
步骤2:数据训练,对于训练集中的CTU,将CTU的亮度值进行去均值预处理,作为卷积神经网络的输入,随后进行五次卷积计算,最终得到1×1的特征;将QP和DIS率失真值作为先验输入全连接层,并将输出的特征与CTU的特征叠加,经过softmax作为深度0的输出;随后对1×1的特征进行反卷积计算得到2×2的特征,并与中间对应大小特征叠加,经过softmax作为深度1的输出;继续进行反卷积,得到4×4的特征,并与中间对应大小特征叠加,经过softmax作为深度2的输出,经过数据训练后得到一个用于3D-HEVC帧内快速编码的网络;
步骤3:数据测试,选取8个视频序列作为测试集,每一帧图像每一个CTU,在编码深度0的64×64的CTU后,将CTU亮度值、QP、DIS率失真值输入到训练好的用于3D-HEVC帧内快速编码的网络中,得到每个CTU中不同深度编码单元的划分判断结果,根据判断结果进行后续编码。
本发明与现有技术相比,其显著优点在于:(1)对特征反卷积并与中间特征concatenate,将全局视野与局部视野融合,提高深度为1和2的CU的划分判断准确率;(2)网络直接得到深度0、1、2的所有CU的划分判断,无需对每个深度CU单独判断;(3)用一个神经网络完成三个深度层级的训练和判断,无需为每一层深度单独训练神经网络。
附图说明
图1是3D-HEVC中深度图CTU四叉树划分结构示意图。
图2是本发明基于深度神经网络的3D视频深度图帧内快速编码方法的模型训练图。
图3是本发明基于深度神经网络的3D视频深度图帧内快速编码方法的编码流程图。
具体实施方式
本发明利用深度神经网络来判断3D视频深度图编码块是否需要划分。结合图2,具体步骤如下:
步骤1:数据收集,选取深度图多种细节不同的视频,每隔20帧选取1帧,每个视频共计选取5帧,在不同量化参数QP下用原始3D-HEVC编码器进行编码,将每个编码树单元CTU中三种不同深度等级的编码单元CU是继续四叉树划分或者终止四叉树划分的结果作为标签,并采集深度0的64×64编码单元的深度帧内跳过模式(DIS)率失真值和量化参数QP,与所有划分标签记录在一个CTU中,作为训练数据集;
步骤2:数据训练,对于训练集中的CTU,将CTU的亮度值进行去均值预处理,作为卷积神经网络的输入,随后进行五次卷积计算,最终得到1×1的特征,维度为128;将QP和DIS率失真值作为先验输入全连接层,并将输出的特征与CTU的特征叠加,经过softmax作为深度0的输出;随后对1×1的特征进行反卷积计算得到2×2的特征,并与中间对应大小特征叠加,经过softmax作为深度1的输出;继续进行反卷积,得到4×4的特征,并与中间对应大小特征叠加,经过softmax作为深度2的输出,经过数据训练后得到一个用于3D-HEVC帧内快速编码的网络;
步骤3:数据测试,选取8个视频序列作为测试集,每一帧图像每一个CTU,在编码深度0的64×64的CTU后,将CTU亮度值、QP、DIS率失真值输入到训练好的用于3D-HEVC帧内快速编码的网络中,得到每个CTU中不同深度编码单元的划分判断结果,根据判断结果进行预测编码。
进一步地,步骤1中所述用DIS率失真RD-cost的计算表达式如下:
J=DVSO+λ·B (1)
其中,J是指DIS模式的率失真RD-cost,Dvso是通过视点合成优化技术VSO得到的DIS模式的失真,λ是拉格朗日乘子,B表示用DIS模式编码当前块的比特数。
进一步地,步骤2的五次卷积计算,卷积核大小与步长相等,每次卷积的卷积核不重叠。
进一步地,步骤2将64×64大小CU得到的特征与QP的特征、DIS率失真值的特征concatenate在一起。
进一步地,步骤2将64×64大小CU得到的特征与QP的特征、DIS率失真值的特征concatenate后的特征向量进行反卷积计算,并与神经网络中间相同大小特征concatenate。
进一步地,步骤2搭建的卷积神经网络的判断方法如下:
64×64大小CTU经过五层卷积后的特征与QP的特征、DIS率失真值的特征concatenate得到1×1的复合特征,并输出为深度为0的1个编码单元的划分判断;
对1×1的复合特征反卷积得到2×2的特征,与CTU经过四层卷积的特征concatenate得到2×2的复合特征,并输出为深度为1的4个编码单元的划分判断;
对2×2的复合特征反卷积得到4×4的特征,与CTU经过三层卷积的特征concatenate得到4×4的复合特征,并输出为深度为2的16个编码单元的划分判断。
下面通过实施例,对本发明的技术方案作进一步具体的说明。
实施例
本实施例展示的是基于深度神经网络的3D视频深度图帧内快速编码方法,其流程如图2所示,其步骤包括:
步骤1:数据收集,选取深度图多种细节不同的视频,每隔20帧选取1帧,每个视频共计选取5帧,在不同量化参数QP下用原始3D-HEVC编码器进行编码,将每个编码树单元CTU中三种不同深度等级的编码单元CU是继续四叉树划分或者终止四叉树划分的结果作为标签,并采集深度0的64×64编码单元的深度帧内跳过模式(DIS)率失真值和量化参数QP,与所有划分标签记录在一个CTU中,作为训练数据集;
步骤2:数据训练,对于训练集中的CTU,将CTU的亮度值进行去均值预处理,作为卷积神经网络的输入,随后进行五次卷积计算,最终得到1×1的特征,维度为128;将QP和DIS率失真值作为先验输入全连接层,并将输出的特征与CTU的特征叠加,经过softmax作为深度0的输出;随后对1×1的特征进行反卷积计算得到2×2的特征,并与中间对应大小特征叠加,经过softmax作为深度1的输出;继续进行反卷积,得到4×4的特征,并与中间对应大小特征叠加,经过softmax作为深度2的输出,经过数据训练后得到一个用于3D-HEVC帧内快速编码的网络;
步骤3:数据测试,选取8个视频序列作为测试集,每一帧图像每一个CTU,如图3所示,在编码深度0的64×64的CTU后,将CTU亮度值、QP、DIS率失真值输入到训练好的用于3D-HEVC帧内快速编码的网络中,得到每个CTU中不同深度编码单元的划分判断结果,根据判断结果进行预测编码,如图3所示,具体为:
若对深度0的64×64的CTU判断为不划分,则结束当前CTU编码,否则继续划分;
编码深度1的32×32的CU,若对深度1的32×32的CU判断为不划分,则编码下一个深度1的32×32的CU,直到深度1的4个CU编码完成,否则继续划分;
编码深度2的16×16的CU,若对深度2的16×16的CU判断为不划分,则编码下一个深度2的16×16的CU,直到深度2的4个CU编码完成,否则继续划分;
编码深度3的4个8×8的CU,并返回上一深度。
本发明不局限于权利要求和上述实施例所涉及的内容,只要是根据本发明的构思所创造出来的任何发明,都应归属于本发明的保护范围之内。
Claims (6)
1.一种基于深度神经网络的3D视频深度图帧内快速编码方法,其特征在于,包括如下步骤:
步骤1:数据收集,选取深度图多种细节不同的视频,每隔20帧选取1帧,每个视频共计选取5帧,在不同量化参数QP下用原始3D-HEVC编码器进行编码,将每个编码树单元CTU中三种不同深度等级的编码单元CU是继续四叉树划分或者终止四叉树划分的结果作为标签,并采集深度0的64×64编码单元的DIS率失真值和量化参数QP,与所有划分标签记录在一个CTU中,作为训练数据集;
步骤2:数据训练,对于训练集中的CTU,将CTU的亮度值进行去均值预处理,作为卷积神经网络的输入,随后进行五次卷积计算,最终得到1×1的特征;将QP和DIS率失真值作为先验输入全连接层,并将输出的特征与CTU的特征叠加,经过softmax作为深度0的输出;随后对1×1的特征进行反卷积计算得到2×2的特征,并与中间对应大小特征叠加,经过softmax作为深度1的输出;继续进行反卷积,得到4×4的特征,并与中间对应大小特征叠加,经过softmax作为深度2的输出,经过数据训练后得到一个用于3D-HEVC帧内快速编码的网络;
步骤3:数据测试,选取8个视频序列作为测试集,每一帧图像每一个CTU,在编码深度0的64×64的CTU后,将CTU亮度值、QP、DIS率失真值输入到训练好的用于3D-HEVC帧内快速编码的网络中,得到每个CTU中不同深度编码单元的划分判断结果,根据判断结果进行后续编码。
2.如权利要求1所述的基于深度神经网络的3D视频深度图帧内快速编码方法,其特征在于,步骤1中所述DIS率失真的计算表达式如下:
J=DVSO+λ·B (1)
其中,J是指DIS模式的率失真RD-cost,Dvso是通过视点合成优化技术VSO得到的DIS模式的失真,λ是拉格朗日乘子,B表示用DIS模式编码当前块的比特数。
3.如权利要求1所述的基于深度神经网络的3D视频深度图帧内快速编码方法,其特征在于,步骤2所述的五次卷积计算,卷积核大小与步长相等,每次卷积的卷积核不重叠。
4.如权利要求1所述的基于深度神经网络的3D视频深度图帧内快速编码方法,其特征在于,步骤2将64×64大小CU得到的特征与QP的特征、DIS率失真值的特征concatenate在一起。
5.如权利要求1所述的基于深度神经网络的3D视频深度图帧内快速编码方法,其特征在于,步骤2将64×64大小CU得到的特征与QP的特征、DIS率失真值的特征concatenate后的特征向量进行反卷积计算,并与神经网络中间相同大小特征concatenate。
6.如权利要求1所述的基于深度神经网络的3D视频深度图帧内快速编码方法,其特征在于,步骤2搭建的卷积神经网络的判断方法如下:
64×64大小CTU经过五层卷积后的特征与QP的特征、DIS率失真值的特征concatenate得到1×1的复合特征,并输出为深度0的1个编码单元的划分判断;
对1×1的复合特征反卷积得到2×2的特征,与CTU经过四层卷积的特征concatenate得到2×2的复合特征,并输出为深度1的4个编码单元的划分判断;
对2×2的复合特征反卷积得到4×4的特征,与CTU经过三层卷积的特征concatenate得到4×4的复合特征,并输出为深度2的16个编码单元的划分判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011603013.XA CN112770120B (zh) | 2020-12-29 | 2020-12-29 | 基于深度神经网络的3d视频深度图帧内快速编码方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011603013.XA CN112770120B (zh) | 2020-12-29 | 2020-12-29 | 基于深度神经网络的3d视频深度图帧内快速编码方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112770120A true CN112770120A (zh) | 2021-05-07 |
CN112770120B CN112770120B (zh) | 2022-05-20 |
Family
ID=75697269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011603013.XA Active CN112770120B (zh) | 2020-12-29 | 2020-12-29 | 基于深度神经网络的3d视频深度图帧内快速编码方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112770120B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113613000A (zh) * | 2021-08-20 | 2021-11-05 | 天津大学 | 一种智能多分辨率深度视频帧内预测方法 |
CN116208756A (zh) * | 2023-03-22 | 2023-06-02 | 南通大学 | 一种基于多层级特征融合的深度图快速编码方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108347605A (zh) * | 2018-01-31 | 2018-07-31 | 南京理工大学 | 3d视频深度图像四叉树编码结构划分的快速决策方法 |
CN109982092A (zh) * | 2019-04-28 | 2019-07-05 | 华侨大学 | 基于多分支循环卷积神经网络的hevc帧间快速方法 |
CN109996084A (zh) * | 2019-04-30 | 2019-07-09 | 华侨大学 | 一种基于多分支卷积神经网络的hevc帧内预测方法 |
CN110913233A (zh) * | 2019-11-28 | 2020-03-24 | 华侨大学 | 一种3d-hevc深度图帧内快速编码的方法 |
-
2020
- 2020-12-29 CN CN202011603013.XA patent/CN112770120B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108347605A (zh) * | 2018-01-31 | 2018-07-31 | 南京理工大学 | 3d视频深度图像四叉树编码结构划分的快速决策方法 |
CN109982092A (zh) * | 2019-04-28 | 2019-07-05 | 华侨大学 | 基于多分支循环卷积神经网络的hevc帧间快速方法 |
CN109996084A (zh) * | 2019-04-30 | 2019-07-09 | 华侨大学 | 一种基于多分支卷积神经网络的hevc帧内预测方法 |
CN110913233A (zh) * | 2019-11-28 | 2020-03-24 | 华侨大学 | 一种3d-hevc深度图帧内快速编码的方法 |
Non-Patent Citations (1)
Title |
---|
贾克斌: "基于3D-HEVC的三维视频编码方法综述", 《北京工业大学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113613000A (zh) * | 2021-08-20 | 2021-11-05 | 天津大学 | 一种智能多分辨率深度视频帧内预测方法 |
CN113613000B (zh) * | 2021-08-20 | 2024-04-26 | 天津大学 | 一种智能多分辨率深度视频帧内预测方法 |
CN116208756A (zh) * | 2023-03-22 | 2023-06-02 | 南通大学 | 一种基于多层级特征融合的深度图快速编码方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112770120B (zh) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Learned image compression with mixed transformer-cnn architectures | |
CN110087087B (zh) | Vvc帧间编码单元预测模式提前决策及块划分提前终止方法 | |
CN102792695B (zh) | 通过使用大变换单元对图像进行编码和解码的方法和设备 | |
CN112203093B (zh) | 一种基于深度神经网络的信号处理方法 | |
US10003792B2 (en) | Video encoder for images | |
CN104023233B (zh) | 一种hevc快速帧间预测方法 | |
CN104754357B (zh) | 基于卷积神经网络的帧内编码优化方法及装置 | |
CN108781284A (zh) | 具有仿射运动补偿的视频编解码的方法及装置 | |
US20200137384A1 (en) | Generative adversarial network based intra prediction for video coding | |
CN108712648B (zh) | 一种深度视频快速帧内编码方法 | |
CN111355956B (zh) | 一种hevc帧内编码中基于深度学习的率失真优化快速决策系统及其方法 | |
CN112770120B (zh) | 基于深度神经网络的3d视频深度图帧内快速编码方法 | |
CN108924558B (zh) | 一种基于神经网络的视频预测编码方法 | |
CN104243997B (zh) | 一种质量可分级hevc视频编码方法 | |
CN110677624B (zh) | 基于深度学习的面向监控视频的前景和背景并行压缩方法 | |
CN103596003B (zh) | 高性能视频编码的帧间预测快速模式选择方法 | |
Fan et al. | D-dpcc: Deep dynamic point cloud compression via 3d motion prediction | |
CN113068041B (zh) | 一种智能仿射运动补偿编码方法 | |
CN110677644B (zh) | 一种视频编码、解码方法及视频编码帧内预测器 | |
CN103974069B (zh) | 可重用的视频编码方法和编码器 | |
CN110225339A (zh) | 一种hevc视频序列编解码加速方法 | |
Liu et al. | Semantic segmentation in learned compressed domain | |
CN114219973A (zh) | 基于卷积神经网络的vvc块划分快速预测方法及系统 | |
CN109889838A (zh) | 一种基于roi区域的hevc快速编码方法 | |
CN115700763A (zh) | 一种应用于高分辨率遥感图像的端到端语义分割方法 |
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 |