CN116433908A - 一种基于Laplace特征约束的双分支非对称实时语义分割算法 - Google Patents

一种基于Laplace特征约束的双分支非对称实时语义分割算法 Download PDF

Info

Publication number
CN116433908A
CN116433908A CN202310395630.2A CN202310395630A CN116433908A CN 116433908 A CN116433908 A CN 116433908A CN 202310395630 A CN202310395630 A CN 202310395630A CN 116433908 A CN116433908 A CN 116433908A
Authority
CN
China
Prior art keywords
feature
multiplied
laplace
module
image
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
Application number
CN202310395630.2A
Other languages
English (en)
Inventor
武文昊
祝志芳
王志远
卢全国
王红州
刘源杰
贺一博
罗平平
何玉灵
李志豪
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.)
Nanchang Institute of Technology
Original Assignee
Nanchang Institute of Technology
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 Nanchang Institute of Technology filed Critical Nanchang Institute of Technology
Priority to CN202310395630.2A priority Critical patent/CN116433908A/zh
Publication of CN116433908A publication Critical patent/CN116433908A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/048—Activation functions
    • 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
    • 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
    • G06N3/098—Distributed learning, e.g. federated learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于计算机视觉技术领域，具体涉及一种基于Laplace特征约束的双分支非对称实时语义分割算法，包括以下步骤：步骤10：根据待识别的图像M，搜索相关数据并制作成数据集S；步骤20：对数据集S中的图像进行预处理，包括图像的翻转、旋转、缩放和裁剪；步骤30：搭建神经网络模型框架，包括图像处理模块、特征提取模块、ASSP模块、特征融合模块、Laplace二阶微分特征提取模块、特征细化提取模块和卷积块注意力模块步骤40：训练神经网络模型；步骤50：将待识别的图像M输入到训练好的神经网络模型中，得到识别结果；本发明能够提高图像推理速度的同时减少延迟并提高分割的准确率。

Description

一种基于Laplace特征约束的双分支非对称实时语义分割 算法
技术领域
本发明属于计算机视觉技术领域，具体涉及一种基于Laplace特征约束的双分支非对称实时语义分割算法。
背景技术
图像语义分割是计算机视觉领域中的一个重要部分，其任务是将图像中每个像素精确地分类到它所属的类别，并与图像本身的视觉呈现内容相匹配。因此，图像语义分割也被称为像素级的图像分类任务
常见的语义分割网络在设计过程中通常不考虑推理速度和计算成本，而更注重网络的骨干结构设计，如ResNet-101、Xception和HRNet等。这些结构多层次、复杂而深入，能够从更大范围的空间中提取综合特征，具备更强的特征表达能力。然而，这些庞大的主干模型往往计算复杂度高、推理速度较低，这对于一些实际应用来说不太合适，这些应用需要低延迟及竞争力较好的预测精度。因此，如何在高效的推理速度及较高的分割准确率之间寻求平衡，已成为一项具有挑战性的任务。
发明内容
本发明的目的是：旨在提供一种基于Laplace特征约束的双分支非对称实时语义分割算法，能够主要通过特征融合模块和特征细化提取模块降低图像计算的复杂度，进而提高推理速度，同时还具有较好的较好的分割准确率，进而使该模型具有分割准确率的同时提高图像的推理速度。
为实现上述技术目的，本发明采用的技术方案如下：
一种基于Laplace特征约束的双分支非对称实时语义分割算法，包括以下步骤：
步骤10：根据待识别的图像M，搜索相关数据并制作成数据集S；
步骤20：对数据集S中的图像进行预处理，包括图像的翻转、旋转、缩放和裁剪；
步骤30：搭建神经网络模型框架，包括图像处理模块、特征提取模块、ASSP模块、特征融合模块、Laplace二阶微分特征提取模块、特征细化提取模块和卷积块注意力模块
步骤40：训练神经网络模型；
步骤50：将待识别的图像M输入到训练好的神经网络模型中，得到识别结果。
所述特征提取模块使用MobilenetV3网络，将第5个步长为2的下采样bneck模块替换为步长为1、卷积核大小为5×5的bneck模块。
所述ASSP模块参照Deeplabv3网络中ASSP模块设计，将其中三个空洞卷积的扩张率更换为2、7、15。
所述特征融合模块首先将输入进行2倍上采样，之后与特征提取模块中对应分辨率的低级特征图进行通道相连，将得到的256通道的特征图通过通道自注意力机制获得256个权重值，将权重值与与256通道的特征图对应相乘，获得输出特征图。
所述通道自注意力机制首先将输入特征图分别进行全局平局池化与全局最大池化，分别获得256个尺寸为1×1的特征，之后将两组特征分别先后经过第一次1×1卷积、ReLu激活函数和第二次1×1卷积，第一个1×1卷积输入特征通道数为256，输出特征通道数为64，第二个1×1卷积输入特征通道数为64，输出特征通道数为256，然后将两组特征相加融合，最后经过sigmoid函数激活后与输入特征相乘。
所述Laplace二阶微分特征提取模块使用Laplace卷积核对输入图像的3通道分别卷积得到三通道特征图，将得到的三通道特征取绝对值后相加，得到二阶微分特征。
所述特征细化提取模块具有3层，卷积核的个数分别为16，64，128，Laplace二阶微分特征提取模块得到的特征图先通过16个7×7的卷积核获得16个特征图，16个特征图再分别通过4个5×5的卷积核获得64个特征图，64个特征图分别通过2个3×3的卷积核获得128个特征图。
所述卷积块注意力模块包括通道自注意力机制和空间自注意力机制。
所述通道自注意力机制首先将输入特征图分别进行全局平局池化与全局最大池化，分别获得128个尺寸为1×1的特征，之后将两组特征分别先后经过第一次1×1卷积、ReLu激活函数和第二次1×1卷积，第一个1×1卷积输入特征通道数为128，输出特征通道数为32，第二个1×1卷积输入特征通道数为32，输出特征通道数为128，然后将两组特征相加融合，最后经过sigmoid函数激活后与输入特征相乘。
所述空间自注意力机制首先将输入特征图在通道维度分别进行全局平局池化与全局最大池化，将获得的两个特征图在通道维度相连，之后通过7×7的卷积获得一个空间约束特征。
本发明能够主要通过特征融合模块和特征细化提取模块降低图像计算的复杂度，进而提高推理速度，同时还具有较好的较好的分割准确率，进而使该模型具有分割准确率的同时提高图像的推理速度。
附图说明
本发明可以通过附图给出的非限定性实施例进一步说明。
图1为本发明一种基于Laplace特征约束的双分支非对称实时语义分割算法的总体结构示意图；
图2为本发明一种基于Laplace特征约束的双分支非对称实时语义分割算法的特征融合模块示意图；
图3为本发明一种基于Laplace特征约束的双分支非对称实时语义分割算法的特征细化提取模块示意图；
图4为本发明一种基于Laplace特征约束的双分支非对称实时语义分割算法的卷积块注意力模块示意图；
图5为本发明一种基于Laplace特征约束的双分支非对称实时语义分割算法与其他算法的对比示意图。
具体实施方式
为了使本领域的技术人员可以更好地理解本发明，下面结合附图和实施例对本发明技术方案进一步说明。
如图1-5所示，本发明的一种基于双分支非对称结构的语义分割算法，
首先搜素与待识别图像M相关的数据集S，然后建立基于双分支非对称结构神经网络架构，将图像进行图像处理模块、特征提取模块、ASSP模块、特征融合模块、Laplace二阶微分特征提取模块、特征细化提取模块和卷积块注意力模块；
通过搭建的神经网络模型框架训练神经网络模型包括：
1、使用MobilenetV3网络，将第5个步长为2的下采样bneck模块替换为步长为1、卷积核大小为5×5的bneck模块去将数据进行特征提取得特征图。
2、参照Deeplabv3网络中ASSP模块设计对数据进行处理，将其中三个空洞卷积的扩张率更换为2、7、15。
3、首先将输入数据进行2倍上采样，之后与特征提取模块中对应分辨率的低级特征图进行通道相连，将得到的256通道的特征图通过通道自注意力机制获得256个权重值，将权重值与与256通道的特征图对应相乘，获得输出特征图。
此时通道自注意力机制首先将输入特征图分别进行全局平局池化与全局最大池化，分别获得256个尺寸为1×1的特征，之后将两组特征分别先后经过第一次1×1卷积、ReLu激活函数和第二次1×1卷积，第一个1×1卷积输入特征通道数为256，输出特征通道数为64，第二个1×1卷积输入特征通道数为64，输出特征通道数为256，然后将两组特征相加融合，最后经过sigmoid函数激活后与输入特征相乘。
4、使用Laplace卷积核对输入图像的3通道分别卷积得到三通道特征图，将得到的三通道特征取绝对值后相加，得到二阶微分特征。
5、将数据输入到3层卷积核个数分别为16、64、128的特征细化提取模块中，将Laplace二阶微分特征提取模块得到的特征图先通过16个7×7的卷积核获得16个特征图，16个特征图再分别通过4个5×5的卷积核获得64个特征图，64个特征图分别通过2个3×3的卷积核获得128个特征图。
6、将数据进行卷积块注意力模块中进行处理，卷积块注意力模块包括通道自注意力机制和空间自注意力机制；
其中通道自注意力机制首先将输入特征图分别进行全局平局池化与全局最大池化，分别获得128个尺寸为1×1的特征，之后将两组特征分别先后经过第一次1×1卷积、ReLu激活函数和第二次1×1卷积，第一个1×1卷积输入特征通道数为128，输出特征通道数为32，第二个1×1卷积输入特征通道数为32，输出特征通道数为128，然后将两组特征相加融合，最后经过sigmoid函数激活后与输入特征相乘；
而空间自注意力机制首先将输入特征图在通道维度分别进行全局平局池化与全局最大池化，将获得的两个特征图在通道维度相连，之后通过7×7的卷积获得一个空间约束特征。
最后将待识别的图像M输入到训练完成的神经网络模型进行识别，得到识别结果。
在训练神经网络模型中选择Camvid数据集，划分成训练数据集、验证数据集、测试数据集，训练神经网络模型，进行道路场景图像语义分割。
关于激活函数，本发明使用ReLu作为激活函数，这是由于ReLu激活函数本身的一些优点，包括：
采用sigmoid等函数，算激活函数时(指数运算)，计算量大，反向传播求误差梯度时，求导涉及除法，计算量相对大，而采用Relu激活函数，整个过程的计算量节省很多。
对于深层网络，sigmoid函数反向传播时，很容易就会出现梯度消失的情况，ReLu能有效解决这个问题。
ReLu会使一部分神经元的输出为0，这样就造成了网络的稀疏性，并且减少了参数的相互依存关系，缓解了过拟合问题的发生。
本文使用Adam(Kingma&Ba，2014)优化器和SGD优化器相结合训练所有的模型，使用“poly”学习率更新策略，在每一步之后将学习率乘以
Figure BDA0004177520930000041
将图像以0.5-2的倍率进行缩放，之后将图像以0.5的概率随机水平翻转，再使用均值＝[0.485,0.456,0.406]和方差＝[0.229,0.224,0.225]对图像进行归一化，最后根据不同的数据集S将图像进行随机裁剪；使用加权交叉熵损失来训练网络，将行人、路灯等难分割的语义赋予较大的权重。
本文在CUDA 11.6进行所有实验。该平台是Windows 10,具有Inter(R)Core(TM)i7-1170KF CPU@3.60GHz CPU和一个NVIDIA GeForce RTX3070 GPU。
上述实施例仅示例性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种基于Laplace特征约束的双分支非对称实时语义分割算法，其特征在于，包括以下步骤：
步骤10：根据待识别的图像M，搜索相关数据并制作成数据集S；
步骤20：对数据集S中的图像进行预处理，包括图像的翻转、旋转、缩放和裁剪；
步骤30：搭建神经网络模型框架，包括图像处理模块、特征提取模块、ASSP模块、特征融合模块、Laplace二阶微分特征提取模块、特征细化提取模块和卷积块注意力模块；
步骤40：训练神经网络模型；
步骤50：将待识别的图像M输入到训练好的神经网络模型中，得到识别结果。
2.根据权利要求1所述的一种基于Laplace特征约束的双分支非对称实时语义分割算法，其特征在于：所述特征提取模块使用MobilenetV3网络，将第5个步长为2的下采样bneck模块替换为步长为1、卷积核大小为5×5的bneck模块。
3.根据权利要求1所述的一种基于Laplace特征约束的双分支非对称实时语义分割算法，其特征在于：所述ASSP模块参照Deeplabv3网络中ASSP模块设计，将其中三个空洞卷积的扩张率更换为2、7、15。
4.根据权利要求1所述的一种基于Laplace特征约束的双分支非对称实时语义分割算法，其特征在于：所述特征融合模块首先将输入进行2倍上采样，之后与特征提取模块中对应分辨率的低级特征图进行通道相连，将得到的256通道的特征图通过通道自注意力机制获得256个权重值，将权重值与与256通道的特征图对应相乘，获得输出特征图。
5.根据权利要求4所述的一种基于Laplace特征约束的双分支非对称实时语义分割算法，其特征在于：所述通道自注意力机制首先将输入特征图分别进行全局平局池化与全局最大池化，分别获得256个尺寸为1×1的特征，之后将两组特征分别先后经过第一次1×1卷积、ReLu激活函数和第二次1×1卷积，第一个1×1卷积输入特征通道数为256，输出特征通道数为64，第二个1×1卷积输入特征通道数为64，输出特征通道数为256，然后将两组特征相加融合，最后经过sigmoid函数激活后与输入特征相乘。
6.根据权利要求1所述的一种基于Laplace特征约束的双分支非对称实时语义分割算法，其特征在于：所述Laplace二阶微分特征提取模块使用Laplace卷积核对输入图像的3通道分别卷积得到三通道特征图，将得到的三通道特征取绝对值后相加，得到二阶微分特征。
7.根据权利要求1所述的一种基于Laplace特征约束的双分支非对称实时语义分割算法，其特征在于：所述特征细化提取模块具有3层，卷积核的个数分别为16，64，128，Laplace二阶微分特征提取模块得到的特征图先通过16个7×7的卷积核获得16个特征图，16个特征图再分别通过4个5×5的卷积核获得64个特征图，64个特征图分别通过2个3×3的卷积核获得128个特征图。
8.根据权利要求1所述的一种基于Laplace特征约束的双分支非对称实时语义分割算法，其特征在于：所述卷积块注意力模块包括通道自注意力机制和空间自注意力机制。
9.根据权利要求8所述的一种基于Laplace特征约束的双分支非对称实时语义分割算法，其特征在于：所述通道自注意力机制首先将输入特征图分别进行全局平局池化与全局最大池化，分别获得128个尺寸为1×1的特征，之后将两组特征分别先后经过第一次1×1卷积、ReLu激活函数和第二次1×1卷积，第一个1×1卷积输入特征通道数为128，输出特征通道数为32，第二个1×1卷积输入特征通道数为32，输出特征通道数为128，然后将两组特征相加融合，最后经过sigmoid函数激活后与输入特征相乘。
10.根据权利要求9所述的一种基于Laplace特征约束的双分支非对称实时语义分割算法，其特征在于：所述空间自注意力机制首先将输入特征图在通道维度分别进行全局平局池化与全局最大池化，将获得的两个特征图在通道维度相连，之后通过7×7的卷积获得一个空间约束特征。
CN202310395630.2A 2023-04-13 2023-04-13 一种基于Laplace特征约束的双分支非对称实时语义分割算法 Pending CN116433908A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310395630.2A CN116433908A (zh) 2023-04-13 2023-04-13 一种基于Laplace特征约束的双分支非对称实时语义分割算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310395630.2A CN116433908A (zh) 2023-04-13 2023-04-13 一种基于Laplace特征约束的双分支非对称实时语义分割算法

Publications (1)

Publication Number Publication Date
CN116433908A true CN116433908A (zh) 2023-07-14

Family

ID=87090361

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310395630.2A Pending CN116433908A (zh) 2023-04-13 2023-04-13 一种基于Laplace特征约束的双分支非对称实时语义分割算法

Country Status (1)

Country Link
CN (1) CN116433908A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116895050A (zh) * 2023-09-11 2023-10-17 四川高速公路建设开发集团有限公司 一种隧道火灾识别方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116895050A (zh) * 2023-09-11 2023-10-17 四川高速公路建设开发集团有限公司 一种隧道火灾识别方法及装置
CN116895050B (zh) * 2023-09-11 2023-12-08 四川高速公路建设开发集团有限公司 一种隧道火灾识别方法及装置

Similar Documents

Publication Publication Date Title
CN111259905B (zh) 一种基于下采样的特征融合遥感图像语义分割方法
US20220215227A1 (en) Neural Architecture Search Method, Image Processing Method And Apparatus, And Storage Medium
CN112541503A (zh) 基于上下文注意力机制和信息融合的实时语义分割方法
CN112381097A (zh) 一种基于深度学习的场景语义分割方法
CN110826596A (zh) 一种基于多尺度可变形卷积的语义分割方法
CN111340814A (zh) 一种基于多模态自适应卷积的rgb-d图像语义分割方法
WO2021164751A1 (zh) 一种感知网络结构搜索方法及其装置
US20220130142A1 (en) Neural architecture search method and image processing method and apparatus
CN110222718B (zh) 图像处理的方法及装置
CN113554084B (zh) 基于剪枝和轻量卷积的车辆再辨识模型压缩方法及系统
CN112183240B (zh) 一种基于3d时间流和并行空间流的双流卷积行为识别方法
CN111460818A (zh) 一种基于增强胶囊网络的网页文本分类方法及存储介质
CN113034506B (zh) 遥感图像语义分割方法、装置、计算机设备和存储介质
CN113240683B (zh) 基于注意力机制的轻量化语义分割模型构建方法
CN115222998B (zh) 一种图像分类方法
CN113066089B (zh) 一种基于注意力引导机制的实时图像语义分割方法
WO2021129668A1 (zh) 训练神经网络的方法和装置
CN113033321A (zh) 目标行人属性识别模型的训练方法及行人属性识别方法
CN116433908A (zh) 一种基于Laplace特征约束的双分支非对称实时语义分割算法
CN111047078A (zh) 交通特征预测方法、系统及存储介质
CN115966010A (zh) 一种基于注意力和多尺度特征融合的表情识别方法
CN116863194A (zh) 一种足溃疡图像分类方法、系统、设备及介质
CN112329808A (zh) 一种Deeplab语义分割算法的优化方法及系统
CN117576402B (zh) 一种基于深度学习的多尺度聚合Transformer遥感图像语义分割方法
CN113158971B (zh) 一种事件检测模型训练方法及事件分类方法、系统

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