CN113077390B - 一种基于深度学习的图像摆正方法 - Google Patents
一种基于深度学习的图像摆正方法 Download PDFInfo
- Publication number
- CN113077390B CN113077390B CN202110622412.9A CN202110622412A CN113077390B CN 113077390 B CN113077390 B CN 113077390B CN 202110622412 A CN202110622412 A CN 202110622412A CN 113077390 B CN113077390 B CN 113077390B
- Authority
- CN
- China
- Prior art keywords
- corner
- image
- left corner
- right corner
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000013135 deep learning Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
- G06T3/608—Rotation of whole images or parts thereof by skew deformation, e.g. two-pass or three-pass rotation
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的图像摆正算法,包括:获取包含目标对象标注的分类图像样本集,每张图像样本的标注按目标对象的左上角、右上角、右下角和左下角的4个顶点组成;将图像样本集输入Hourglass网络模型训练,产生图像的4个顶点和中心点的heatmap;针对每个类别的图像,穷举训练产生的4个顶点组合,计算4个顶点组合对应的组合中心点,筛选出与训练产生的中心点的heatmap的匹配度高于阈值的组合中心点,根据筛选出的组合中心点获得对应筛选出的4个顶点组合;根据筛选出的4个顶点组合从图像中提取出每个类别的目标对象,并通过透视变换得到摆正后的目标分类图像。本发明有效提高边缘、角点、轮廓特征相对模糊或者部分遮挡等场景下的图像摆正精度。
Description
技术领域
本发明涉及深度学习技术领域,特别是一种基于深度学习的图像摆正算法。
背景技术
目前常见的图像摆正方法,主要是通过图形学算法和深度学习的方法实现。图形学方式主要采用轮廓识别或边缘/角点检查方法对图像进行处理摆正。此类方法的问题在于只对特定情况的图像有效,对边缘、角点、轮廓特征相对模糊的图像或文字内容在图像内颠倒等情况的处理能力较弱,整体适应性较差。
深度学习的方式主要通过图像分类的方法对90°、180°和270°等大倾角的图像进行粗略的图像摆正,无法进行较高精度的图像摆正。
发明内容
本发明要解决的技术问题是:为了解决边缘、角点、轮廓特征相对模糊或者部分遮挡等场景下的图像摆正精度低的问题,提出了一种基于深度学习的图像摆正算法。
为实现上述目的,本发明采用的技术方案如下:一种基于深度学习的图像摆正算法,包括:
步骤S1,获取包含目标对象标注的分类图像样本集,每张图像样本均具有标注,所述标注按目标对象的左上角、右上角、右下角和左下角的4个顶点组成;
步骤S2,将图像样本集输入Hourglass网络模型训练,产生图像的左上角、右上角、右下角、左下角的4个顶点和中心点的heatmap;其中,Hourglass网络模型为沙漏网络模型,沙漏网络模型以resnet50为主干,heatmap为热图;
步骤S3,针对每个类别的图像,穷举训练产生的左上角、右上角、右下角和左下角的4个顶点组合,计算4个顶点组合对应的组合中心点,筛选出与训练产生的中心点的heatmap的匹配度高于阈值的组合中心点,根据筛选出的组合中心点获得对应筛选出的4个顶点组合;
步骤S4,根据筛选出的4个顶点组合从图像中提取出每个类别的目标对象,并通过透视变换得到摆正后的目标分类图像。
进一步的,所述步骤S2还包括以下过程:构建左上角、右上角、右下角、左下角的4个顶点和中心点的offset。
进一步的,所述步骤S2中的训练过程包括以下步骤:
步骤S21,记(Cx,Cy)为中心点坐标,按左上角、右上角、右下角和左下角的顺序记4个顶点坐标分别为:(Px1,Py1)、(Px2,Py2)、(Px3,Py3)和(Px4,Py4),则计算中心点坐标:
步骤S22,根据点坐标(Px,Py),其中Px∈(Cx、Px1、Px2、Px3、Px4),Py∈(Cy、Py1、Py2、Px3、Py4),即:
其中,X为当前点的横坐标,Y为当前点的纵坐标,W为当前图像的宽,H为当前图像的高;则坐标点(Px,Py)的heatmap值Yxyc为:
其中,σ为常数,试验中默认取值为0.02;
步骤S23,通过offset进行修正:
其中,offset是偏移量,oxk、oyk分别是横坐标、纵坐标方向的第k个偏移量,xk、yk分别是横坐标、纵坐标方向缩放前的坐标值;
步骤S24,输出训练产生的左上角、右上角、右下角、左下角的4个顶点和中心点的heatmap向量,并输出左上角、右上角、右下角、左下角的4个顶点和中心点的offset。
进一步的,所述步骤S3包括以下过程:
步骤S31,将训练产生的左上角、右上角、右下角、左下角的4个顶点的heatmap进行非极大值抑制;筛选出符合置信度要求的左上角、右上角、右下角、左下角的4个顶点,并获得符合置信度要求的4个顶点的heatmap,根据offset修正符合置信度要求的4个顶点的heatmap;在修正后的4个顶点中穷举左上角、右上角、右下角和左下角的4个顶点组合,并计算每4个顶点组合对应的组合中心点;根据offset修正训练产生的中心点的heatmap,得到修正后的中心点;
步骤S32,比对组合中心点和修正后的中心点,筛选出与修正后中心点匹配度高于阈值的组合中心点,根据筛选出的组合中心点获得对应筛选出的4个顶点组合。
与现有技术相比,本发明具有以下有益效果:本发明的技术方案在训练数据时采用顺时针方式标准左上角、右上角、右下角、左下角的数据,检测出图像的4各带方向属性的顶点,然后将图像带入透视变化中,能有效提高边缘、角点、轮廓特征相对模糊或者部分遮挡等场景下的图像摆正精度。
附图说明
图1为本发明基于深度学习的图像摆正算法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进一步详细说明。显然,所描述的实施例仅仅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所示,一种基于深度学习的图像摆正算法,包括:
步骤S1,获取包含目标对象标注的分类图像样本集,每张图像样本均具有标注,所述标注按目标对象的左上角、右上角、右下角和左下角的4个顶点组成;
步骤S2,采用Hourglass网络作为backbone的模型,将图像样本输入Hourglass网络模型训练,产生图像的左上角、右上角、右下角、左下角的4个顶点和中心点的heatmap,即:5*C*H*W,C表示目标分类,即图像样本中可以有多类不同的图像,比如有身份证、营业执照、护照,这样就有3类不同的图像样本;
步骤S3,针对每个类别的图像,穷举训练产生的左上角、右上角、右下角和左下角的4个顶点组合,计算4个顶点组合对应的组合中心点,筛选出与训练产生的中心点的heatmap的匹配度高于阈值的组合中心点,根据筛选出的组合中心点获得对应筛选出的4个顶点组合;
步骤S4,根据筛选出的4个顶点组合从图像中提取出每个类别的目标对象,以身份证、营业执照、护照为例,就可以提取出3个类别的目标对象,并通过透视变换得到摆正后的目标分类图像。
作为其中一种实施例,为了提高图像精度,所述步骤S2还包括以下过程:构建左上角、右上角、右下角、左下角的4个顶点和中心点的offset。
作为其中一种实施例,所述步骤S2中训练过程包括以下步骤:
步骤S21,手工标注数据时,需按照顺时针的方式从左上角、右上角、右下角和左下角的顺序标注目标物件;
记(Cx,Cy)为中心点坐标,即按左上角、右上角、右下角和左下角的顺序记4个顶点坐标分别为:(Px1,Py1)、(Px2,Py2)、(Px3,Py3)和(Px4,Py4),,则计算中心点坐标:
步骤S22,根据点坐标(Px,Py),其中Px∈(Cx、Px1、Px2、Px3、Px4),Py∈(Cy、Py1、Py2、Px3、Py4),即:
其中,X为当前点的横坐标,Y为当前点的纵坐标,W为当前图像的宽,H为当前图像的高;则坐标点(Px,Py)的heatmap值Yxyc为:
其中,σ为常数,试验中默认取值为0.02;这里求出左上角、右上角、右下角、左下角的4个顶点和中心点的heatmap;
步骤23,由于图像做(H/4,W/4)的缩放以及顶点取整,所以需要通过offset提高精度,即通过offset函数进行修正:
其中,oxk、oyk分别是横坐标、纵坐标方向的第k个偏移量,xk、yk分别是横坐标、纵坐标方向缩放前的坐标值;
步骤S24,输出训练产生的左上角、右上角、右下角、左下角的4个顶点和中心点的heatmap向量,并输出左上角、右上角、右下角、左下角的4个顶点和中心点的offset,具体输出数据结构为:
image:在[0,1]范围内表示像素值的RGB图像,向量维度:[3,H,W],其中通道数为3;heatmap:4个顶点和1个中心点的高斯热力图向量,向量维度:[5,C,H/4,W/4],其中通道数为5,C表示目标分类;
offset:5个点的偏移量,向量维度:[10,H/4,W/4],其中通道数为10。
训练模型中,模型相关损失函数:
(1)heatmap损失函数:
其中,pcij是类别C在位置(i,j)的score,ycij是非标准化高斯增强的ground-truth,N是图像中的目标数,α和β是超参数;
(2)offset损失函数:
作为其中一种实施例,所述步骤S3包括以下过程:
将训练产生的左上角、右上角、右下角、左下角的4个顶点的heatmap进行非极大值抑制;筛选出符合置信度要求的左上角、右上角、右下角、左下角的4个顶点,并获得符合置信度要求的4个顶点的heatmap,根据offset修正符合置信度要求的4个顶点的heatmap;
在修正后的4个顶点heatmap中获取左上角、右上角、右下角和左下角的4个顶点坐标数值,穷举左上角、右上角、右下角和左下角的4个顶点组合,并计算每4个顶点组合对应的组合中心点,参见步骤S11中的计算公式,组合中心点的坐标数值为对应4个顶点组合坐标数值之和除以4;
根据offset修正训练产生的中心点的heatmap,得到修正后的中心点;
比对组合中心点和修正后的中心点,筛选出与修正后中心点匹配度高于阈值(阈值需要预先设定)的组合中心点,根据筛选出的组合中心点获得对应筛选出的4个顶点组合。
筛选出的4个顶点组合后即可得到图像边界框数组,从原始图像做提取出目标物件图像,最后将边界框提供的4个顶点坐标通过透视变换算法实现对目标物件的摆正。
最后应说明的是:以上各实施例仅仅为本发明的较优实施例用以说明本发明的技术方案,而非对其限制,当然更不是限制本发明的专利范围;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围;也就是说,但凡在本发明的主体设计思想和精神上作出的毫无实质意义的改动或润色,其所解决的技术问题仍然与本发明一致的,均应当包含在本发明的保护范围之内;另外,将本发明的技术方案直接或间接的运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (2)
1.一种基于深度学习的图像摆正方法,其特征在于,包括:
步骤S1,获取包含目标对象标注的分类图像样本集,每张图像样本均具有标注,所述标注按目标对象的左上角、右上角、右下角和左下角的4个顶点组成;
步骤S2,将图像样本集输入Hourglass网络模型训练,产生图像的左上角、右上角、右下角、左下角的4个顶点和中心点的heatmap;
步骤S3,针对每个类别的图像,穷举训练产生的左上角、右上角、右下角和左下角的4个顶点组合,计算4个顶点组合对应的组合中心点,筛选出与训练产生的中心点的heatmap的匹配度高于阈值的组合中心点,根据筛选出的组合中心点获得对应筛选出的4个顶点组合;
步骤S4,根据筛选出的4个顶点组合从图像中提取出每个类别的目标对象,并通过透视变换得到摆正后的目标分类图像;
所述步骤S2中还包括以下过程:构建左上角、右上角、右下角、左下角的4个顶点和中心点的offset;
所述步骤S3包括以下过程:
步骤S31,将训练产生的左上角、右上角、右下角、左下角的4个顶点的heatmap进行非极大值抑制;筛选出符合置信度要求的左上角、右上角、右下角、左下角的4个顶点,并获得符合置信度要求的4个顶点的heatmap,根据offset修正符合置信度要求的4个顶点的heatmap;在修正后的4个顶点中穷举左上角、右上角、右下角和左下角的4个顶点组合,并计算每4个顶点组合对应的组合中心点;根据offset修正训练产生的中心点的heatmap,得到修正后的中心点;
步骤S32,比对组合中心点和修正后的中心点,筛选出与修正后中心点匹配度高于阈值的组合中心点,根据筛选出的组合中心点获得对应筛选出的4个顶点组合。
2.如权利要求1所述的基于深度学习的图像摆正方法,其特征在于,所述步骤S2中的训练过程包括以下步骤:
步骤S21,记(Cx,Cy)为中心点坐标,按左上角、右上角、右下角和左下角的顺序记4个顶点坐标分别为:(Px1,Py1)、(Px2,Py2)、(Px3,Py3)和(Px4,Py4),则计算中心点坐标:
步骤S22,根据点坐标(Px,Py),其中Px∈(Cx、Px1、Px2、Px3、Px4),Py∈(Cy、Py1、Py2、Px3、Py4),即:
其中,X为当前点的横坐标,Y为当前点的纵坐标,W为当前图像的宽,H为当前图像的高;
则坐标点(Px,Py)的heatmap值Yxyc为:
其中,σ为常数,试验中默认取值为0.02;
步骤S23,通过offset进行修正:
其中,oxk、oyk分别是横坐标、纵坐标方向的第k个偏移量,xk、yk分别是横坐标、纵坐标方向缩放前的坐标值;
步骤S24,输出训练产生的左上角、右上角、右下角、左下角的4个顶点和中心点的heatmap向量,并输出左上角、右上角、右下角、左下角的4个顶点和中心点的offset。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110622412.9A CN113077390B (zh) | 2021-06-04 | 2021-06-04 | 一种基于深度学习的图像摆正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110622412.9A CN113077390B (zh) | 2021-06-04 | 2021-06-04 | 一种基于深度学习的图像摆正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113077390A CN113077390A (zh) | 2021-07-06 |
CN113077390B true CN113077390B (zh) | 2021-09-14 |
Family
ID=76616993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110622412.9A Active CN113077390B (zh) | 2021-06-04 | 2021-06-04 | 一种基于深度学习的图像摆正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113077390B (zh) |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2327061A4 (en) * | 2008-08-15 | 2016-11-16 | Univ Brown | METHOD AND DEVICE FOR ESTIMATING BODY SHAPES |
CN107346430A (zh) * | 2017-06-29 | 2017-11-14 | 济南浪潮高新科技投资发展有限公司 | 一种核磁共振图像自动筛选方法 |
US11657525B2 (en) * | 2018-12-04 | 2023-05-23 | Yoti Holding Limited | Extracting information from images |
EP3953857A4 (en) * | 2019-04-12 | 2022-11-16 | INTEL Corporation | TECHNOLOGY TO AUTOMATICALLY IDENTIFY THE FRONT BODY ORIENTATION OF INDIVIDUALS IN REAL-TIME MULTICAMERA VIDEO STREAMS |
US20210110089A1 (en) * | 2019-10-10 | 2021-04-15 | Nvidia Corporation | Generating computer simulations of manipulations of materials based on machine learning from measured statistics of observed manipulations |
CN111091123A (zh) * | 2019-12-02 | 2020-05-01 | 上海眼控科技股份有限公司 | 文本区域检测方法及设备 |
CN111145124A (zh) * | 2019-12-30 | 2020-05-12 | 北京华宇信息技术有限公司 | 一种图像倾斜的校正方法及装置 |
CN111340131B (zh) * | 2020-03-09 | 2023-07-14 | 北京字节跳动网络技术有限公司 | 图像的标注方法、装置、可读介质和电子设备 |
CN111950415A (zh) * | 2020-07-31 | 2020-11-17 | 北京捷通华声科技股份有限公司 | 一种图像检测方法和装置 |
CN111986262B (zh) * | 2020-09-07 | 2024-04-26 | 凌云光技术股份有限公司 | 一种图像区域定位方法及装置 |
CN112115911A (zh) * | 2020-09-28 | 2020-12-22 | 安徽大学 | 一种基于深度学习的轻量型sar图像目标检测方法 |
CN112699174B (zh) * | 2021-03-23 | 2021-08-17 | 中建电子商务有限责任公司 | 一种大数据建筑用品驱动链图生成方法 |
-
2021
- 2021-06-04 CN CN202110622412.9A patent/CN113077390B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113077390A (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229490B (zh) | 关键点检测方法、神经网络训练方法、装置和电子设备 | |
CN104751142B (zh) | 一种基于笔划特征的自然场景文本检测方法 | |
JP5188334B2 (ja) | 画像処理装置、画像処理方法およびプログラム | |
WO2017162069A1 (zh) | 一种图像文本的识别方法和装置 | |
CN110378310B (zh) | 一种基于答案库的手写样本集的自动生成方法 | |
JP5082637B2 (ja) | 画像処理プログラム、画像処理方法及び画像処理装置 | |
CN110647795A (zh) | 一种表格识别方法 | |
TW201437925A (zh) | 物體識別裝置、方法及電腦程式產品 | |
JP2012243307A (ja) | 入力画像における歪を検出する方法、入力画像における歪を検出する装置およびコンピューター読み取り可能な媒体 | |
CN112183038A (zh) | 一种表格识别套打方法、计算机设备及计算机可读存储介质 | |
JP2008171417A (ja) | 画像内の略矩形のオブジェクトを検出する方法、画像内のバックグラウンド色を推定する方法、コンピュータ可読媒体、画像内の略矩形のオブジェクトを検出する装置、および画像内のバックグラウンド色を推定する装置 | |
CN111353961B (zh) | 一种文档曲面校正方法及装置 | |
CN108961286B (zh) | 一种顾及建筑物三维及边缘形状特征的无人机影像分割方法 | |
CN109409356B (zh) | 一种基于swt的多方向中文印刷体文字检测方法 | |
CN110020692A (zh) | 一种基于印刷体模板的手写体分离与定位方法 | |
CN110991258B (zh) | 一种人脸融合特征提取方法及系统 | |
CN108197624A (zh) | 证书图像校正识别方法及装置、计算机存储介质 | |
CN111783773A (zh) | 一种面向角度倾斜电线杆标识牌的矫正方法 | |
CN115619656A (zh) | 数字化档案纠偏矫正方法及系统 | |
CN113723399A (zh) | 一种车牌图像矫正方法、车牌图像矫正装置和存储介质 | |
CN115082935A (zh) | 用于对文档图像进行矫正的方法、设备及存储介质 | |
CN112926463B (zh) | 一种目标检测方法和装置 | |
CN113077390B (zh) | 一种基于深度学习的图像摆正方法 | |
CN113033559A (zh) | 一种基于目标检测的文本检测方法及装置、存储介质 | |
CN111667429A (zh) | 一种巡检机器人目标定位校正方法 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210706 Assignee: Yunzhu Information Technology (Chengdu) Co.,Ltd. Assignor: China Construction e-commerce Co.,Ltd. Contract record no.: X2023980032450 Denomination of invention: A method of image rectification based on depth learning Granted publication date: 20210914 License type: Common License Record date: 20230220 |