基于多通道高斯GAN的引导零样本识别方法.pdf

《基于多通道高斯GAN的引导零样本识别方法.pdf》由会员分享，可在线阅读，更多相关《基于多通道高斯GAN的引导零样本识别方法.pdf（13页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010988164.5 (22)申请日 2020.09.18 (71)申请人 上海电力大学 地址 200090 上海市杨浦区平凉路2103号 (72)发明人 邵洁李晓瑞 (74)专利代理机构 南京禹为知识产权代理事务 所(特殊普通合伙) 32272 代理人 李照禄 (51)Int.Cl. G06K 9/62(2006.01) G06N 3/04(2006.01) (54)发明名称 一种基于多通道高斯GAN的引导零样本识别 方法 (57)摘要 本发明公开了一种基于多通道高斯G。

2、AN的引 导零样本识别方法， 包括， 将图片样本输入至 Imagenet预训练resnet101网络中进行提取， 得 到可见类别的视觉特征； 将所述视觉特征输入至 多通道GAN网络模型进行训练， 得到可见类别的 整合特征； 利用视觉特征及所述整合特征训练生 成softmax分类器； 对训练好的所述softmax分类 器进行识别测试， 得到识别结果。 本发明方法 (MGCG)适用于引导零样本识别， 并且取得了较高 的综合性能， 同时， 提出了将多通道思想应用于 GAN模型中， 为今后GAN模型的发展提供了一个新 方向， 且本发明方法从另一个角度证明了多通道 复合特征思想的有效性。 权利要求书2页。

3、 说明书7页 附图3页 CN 112101470 A 2020.12.18 CN 112101470 A 1.一种基于多通道高斯GAN的引导零样本识别方法， 其特征在于： 包括， 将图片样本输入至Imagenet预训练resnet101网络中进行提取， 得到可见类别的视觉 特征； 将所述视觉特征输入至多通道GAN网络模型进行训练， 得到可见类别的整合特征； 利用所述视觉特征及所述整合特征训练生成softmax分类器； 对训练好的所述softmax分类器进行识别测试， 得到识别结果。 2.根据权利要求1所述的基于多通道高斯GAN的引导零样本识别方法， 其特征在于： 预 训练所述resnet101。

4、网络包括， 将所述resnet101应用在所述Imagenet数据库上训练， 得到所述resnet101对应的网络 参数， 完成预训练。 3.根据权利要求1或2所述的基于多通道高斯GAN的引导零样本识别方法， 其特征在于： 包括， 所述图片样本经过处理之后转变为2048个所述视觉特征。 4.根据权利要求3所述的基于多通道高斯GAN的引导零样本识别方法， 其特征在于： 构 建所述多通道GAN网络模型包括， 一个网络M和一个对抗神经网络； 所述网络M包括第一层全连接层和第二层全连接层， 所述对抗神经网络包括网络GM和网 络D。 5.根据权利要求4所述的基于多通道高斯GAN的引导零样本识别方法， 其。

5、特征在于： 还 包括， 所述第一层全连接层大小为2048， 连接残差网络输出的视觉特征； 所述第二层全连接层大小为1024， 对所述视觉特征进行重新整合； 所述网络GM将特定的语义特征转换为所述视觉特征； 所述网络D比较所述网络GM产生的特征和指定的特征。 6.根据权利要求5所述的基于多通道高斯GAN的引导零样本识别方法， 其特征在于： 所 述多通道GAN网络模型具体包括， 其中， Lcv表示分类器损失函数， 通过将可见类别的分类， 使得网络M可以保留可见类别 之间的差异性， Ns表示可见类别样本的个数， 表示第i个样本的标签， 表示第i个样本 的视觉特征。 7.根据权利要求6所述的基于多通道。

6、高斯GAN的引导零样本识别方法， 其特征在于： 包 括， 其中， Lrs表示关系网络的损失函数， 即空间上视觉特征和语意特征的空间角 度关系， 使得同一类别的视觉特征和对应的语意特征在空间上角度接近， 最后训练出来的 网络M可以保留类别特征之间的相似性。 8.根据权利要求7所述的基于多通道高斯GAN的引导零样本识别方法， 其特征在于： 包 权利要求书 1/2 页 2 CN 112101470 A 2 括， LMminLcv+Lrs 其中， LM表示在Lcv和Lrs的辅助下， 共同训练LM的损失函数， 表示Lrs的影响程度。 9.根据权利要求8所述的基于多通道高斯GAN的引导零样本识别方法， 其。

7、特征在于： 包 括， 其中， D表示GAN网络中的分辨器网络D， 是梯度惩 罚因素， 其表示对抗神经网络的训练损失函数。 10.根据权利要求9所述的基于多通道高斯GAN的引导零样本识别方法， 其特征在于： 所 述训练包括， 利用所述分类器和所述关系网络辅助训练所述网络M， 保存类别之前的相似性和差异 性； 利用多通道GAN网络结构训练所述对抗神经网络GAN， 将语义特征转化为所述视觉特 征； 利用所述视觉特征训练所述softmax分类器并根据GZSL标准进行测试。 权利要求书 2/2 页 3 CN 112101470 A 3 一种基于多通道高斯GAN的引导零样本识别方法 技术领域 0001 本。

8、发明涉及引导广义零样本识别的技术领域， 尤其涉及一种基于多通道高斯GAN 的引导零样本识别方法。 背景技术 0002 近年来， 人工智能得到了飞跃的发展， 取得了广泛的应用和成果。 人工智能算法往 往是建立在庞大的数据库基础上。 通过大量的数据采集和整理， 数据库可以大大提升算法 的性能， 甚至可以说， 数据库的重要性不亚于算法的重要性。 然而， 数据库中存在未标注的 样本， 甚至有的数据库没有新生事物的样本， 这必然会影响到算法的性能和效果。 0003 人们识别实物除了视觉特征之外， 还可以通过物体的描述来识别物体。 例如， 人们 可以通过长长的脖子和鹿， 这样的关键词推测出是长颈鹿。 受到。

9、这一思想的启发， 目前， 人 们处理零样本学习的主流方法之一是通过建立视觉特征和语义特征的联系， 实现在没有新 类别样本的情况下， 计算机利用语义特征来识别新样本， 这样的方法叫做引导零样本学习。 引导零样本学习是零样本学习的一个分支， 分为两种， 其中在测试时只包含新类别样本的 称作传统引导零样本学习， 测试时包含新类别和旧类别的称作广义引导零样本学习。 发明内容 0004 本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施 例。 在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部 分、 说明书摘要和发明名称的目的模糊， 而这种简化或省略不能用于限制。

10、本发明的范围。 0005 鉴于上述现有存在的问题， 提出了本发明。 0006 因此， 本发明提供了一种基于多通道高斯GAN的引导零样本识别方法， 能够解决现 有数据库中存在未标注或无新生事物样本时影响人工智能算法的性能和识别效果的问题。 0007 为解决上述技术问题， 本发明提供如下技术方案： 包括， 将图片样本输入至 Imagenet预训练res101网络中进行提取， 得到可见类别的视觉特征； 将所述视觉特征输入 至多通道GAN网络模型进行训练， 得到可见类别的整合特征； 利用视觉特征及所述整合特征 训练生成softmax分类器对训练好的所述softmax分类器进行识别测试， 得到识别结果。。

11、 0008 作为本发明所述的基于多通道高斯GAN的引导零样本识别方法的一种优选方案， 其中： 预训练所述resnet101网络包括， 将所述resnet101应用在所述Imagenet数据库上训 练， 得到所述resnet101对应的网络参数， 完成预训练。 0009 作为本发明所述的基于多通道高斯GAN的引导零样本识别方法的一种优选方案， 其中： 包括， 所述图片样本经过处理之后转变为2048个所述视觉特征。 0010 作为本发明所述的基于多通道高斯GAN的引导零样本识别方法的一种优选方案， 其中： 构建所述多通道GAN网络模型包括， 一个网络M和一个对抗神经网络； 所述网络M包括 第一层全。

12、连接层和第二层全连接层， 所述对抗神经网络包括网络GM和网络D。 0011 作为本发明所述的基于多通道高斯GAN的引导零样本识别方法的一种优选方案， 说明书 1/7 页 4 CN 112101470 A 4 其中： 还包括， 所述第一层全连接层大小为2048， 连接残差网络输出的视觉特征； 所述第二 层全连接层大小为1024， 对所述视觉特征进行重新整合； 所述网络GM将特定的语义特征转 换为所述视觉特征； 所述网络D比较所述网络GM产生的特征和指定的特征。 0012 作为本发明所述的基于多通道高斯GAN的引导零样本识别方法的一种优选方案， 其中： 所述多通道GAN网络模型具体包括， 0013。

13、 0014 其中， Lcv表示分类器损失函数， 通过将可见类别的分类， 使得网络M可以保留可见 类别之间的差异性， Ns表示可见类别样本的个数，表示第i个样本的标签， 表示第i个 样本的视觉特征。 0015 作为本发明所述的基于多通道高斯GAN的引导零样本识别方法的一种优选方案， 其中： 包括， 0016 0017其中， Lrs表示关系网络的损失函数， 即空间上视觉特征和语意特征的空 间角度关系， 使得同一类别的视觉特征和对应的语意特征在空间上角度接近， 最后训练出 来的网络M可以保留类别特征之间的相似性。 0018 作为本发明所述的基于多通道高斯GAN的引导零样本识别方法的一种优选方案， 其。

14、中： 包括， 0019 LMminLcv+Lrs 0020 其中， LM表示在Lcv和Lrs的辅助下， 共同训练LM的损失函数， 表示Lrs的影响程度。 0021 作为本发明所述的基于多通道高斯GAN的引导零样本识别方法的一种优选方案， 其中： 包括， 0022 0023其中， D表示GAN网络中的分辨器网络D， 是梯 度惩罚因素， 其 U(0,1)；表示对抗神经网络的训练损失函数。 0024 作为本发明所述的基于多通道高斯GAN的引导零样本识别方法的一种优选方案， 其中： 所述训练包括， 利用所述分类器和所述关系网络辅助训练所述网络M， 保存类别之前 的相似性和差异性； 利用多通道GAN网络。

15、结构训练所述对抗神经网络GAN， 将语义特征转化 为所述视觉特征； 利用所述视觉特征训练所述softman分类器并根据GZSL标准进行测试。 0025 本发明的有益效果： 本发明方法适用于引导零样本识别， 并且取得了较高的综合 性能， 同时， 提出了将多通道思想应用于GAN模型中， 为今后GAN模型的发展提供了一个新方 向， 且本发明方法从另一个角度证明了多通道复合特征思想的有效性。 附图说明 0026 为了更清楚地说明本发明实施例的技术方案， 下面将对实施例描述中所需要使用 说明书 2/7 页 5 CN 112101470 A 5 的附图作简单地介绍， 显而易见地， 下面描述中的附图仅仅是本。

16、发明的一些实施例， 对于本 领域普通技术人员来讲， 在不付出创造性劳动性的前提下， 还可以根据这些附图获得其它 的附图。 其中： 0027 图1为本发明第一个实施例所述的基于多通道高斯GAN的引导零样本识别方法的 流程示意图； 0028 图2为本发明第一个实施例所述的基于多通道高斯GAN的引导零样本识别方法的 网络训练流程示意图； 0029 图3为本发明第一个实施例所述的基于多通道高斯GAN的引导零样本识别方法的 多通道GAN模型中的网络GM(是GAN网络的组成部分之一， 用于产生伪造的视觉特征， 供分类 使用)的示意图； 0030 图4为本发明第二个实施例所述的基于多通道高斯GAN的引导零样。

17、本识别方法的 Wmax(是模型中最大的网络权重层的值， 它的大小对模型的表现有重要意义)对H(Harmonic mean用于衡量算法的优劣， 是传统的GZSL的衡量标准之一)的影响示意图； 0031 图5为本发明第二个实施例所述的基于多通道高斯GAN的引导零样本识别方法的 不同的通道对ZSL(Zero-shot-learning零样本学习)实验结果的影响示意图； 0032 图6为本发明第二个实施例所述的基于多通道高斯GAN的引导零样本识别方法的 不同的通道对GZSL(Generalized Zero-shot-learning广义零样本学习)实验结果的影响 示意图。 具体实施方式 0033 为。

18、使本发明的上述目的、 特征和优点能够更加明显易懂， 下面结合说明书附图对 本发明的具体实施方式做详细的说明， 显然所描述的实施例是本发明的一部分实施例， 而 不是全部实施例。 基于本发明中的实施例， 本领域普通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， 都应当属于本发明的保护的范围。 0034 在下面的描述中阐述了很多具体细节以便于充分理解本发明， 但是本发明还可以 采用其他不同于在此描述的其它方式来实施， 本领域技术人员可以在不违背本发明内涵的 情况下做类似推广， 因此本发明不受下面公开的具体实施例的限制。 0035 其次， 此处所称的 “一个实施例” 或 “实施例” 是指可包。

19、含于本发明至少一个实现方 式中的特定特征、 结构或特性。 在本说明书中不同地方出现的 “在一个实施例中” 并非均指 同一个实施例， 也不是单独的或选择性的与其他实施例互相排斥的实施例。 0036 本发明结合示意图进行详细描述， 在详述本发明实施例时， 为便于说明， 表示器件 结构的剖面图会不依一般比例作局部放大， 而且所述示意图只是示例， 其在此不应限制本 发明保护的范围。 此外， 在实际制作中应包含长度、 宽度及深度的三维空间尺寸。 0037 同时在本发明的描述中， 需要说明的是， 术语中的 “上、 下、 内和外” 等指示的方位 或位置关系为基于附图所示的方位或位置关系， 仅是为了便于描述本。

20、发明和简化描述， 而 不是指示或暗示所指的装置或元件必须具有特定的方位、 以特定的方位构造和操作， 因此 不能理解为对本发明的限制。 此外， 术语 “第一、 第二或第三” 仅用于描述目的， 而不能理解 为指示或暗示相对重要性。 0038 本发明中除非另有明确的规定和限定， 术语 “安装、 相连、 连接” 应做广义理解， 例 说明书 3/7 页 6 CN 112101470 A 6 如： 可以是固定连接、 可拆卸连接或一体式连接； 同样可以是机械连接、 电连接或直接连接， 也可以通过中间媒介间接相连， 也可以是两个元件内部的连通。 对于本领域的普通技术人 员而言， 可以具体情况理解上述术语在本发。

21、明中的具体含义。 0039 实施例1 0040 目前， 建立视觉特征和语义特征联系的方法主要分为四种， 第一种是视觉特征到 语义特征的的映射， 一般情况下视觉特征的维度是高于语义特征的， 因此， 让视觉特征映射 到语义特征， 不可避免的造成了视觉特征信息的丢失， 从而影响到识别的效果； 第二种是视 觉特征到语义特征的映射， 再将语义特征还原成视觉特征， 这样一定程度上保证了视觉特 征的丰富性和有效性， 但是由于样本都来自于旧的类别， 对于新的类别往往没有很好的适 应能力， 导致最后的识别效果变差； 第三种方法是将视觉特征和语义特征分别映射到各自 的隐藏空间， 通过拉近各自隐藏空间的空间距离， 。

22、实现视觉特征和语义特征的联系； 第四种 方法是构建一个隐藏空间， 同时将视觉特征和语义特征合成一个复合向量， 把复合向量输 入到隐藏空间， 并还原到对应的视觉特征， 实现了视觉特征和语义特征的联合映射。 0041 本实施例中采用了第四种方法， 即构建一个隐藏空间连接视觉特征和语义特征， 相比之前现有的方案， 本实施例提供的方案提升了算法的性能和识别效果， 同时验证了多 通道思想在零样本识别上的有效性。 0042 参照图1、 图2和图3， 为本发明的第一个实施例， 提供了一种多通道高斯GAN的引导 零样本识别方法， 包括： 0043 S1： 将图片样本输入至Imagenet(是深度学习中的一个重。

23、要的数据库， 很多算法的 有效性验证都基于该数据库)预训练resnet101网络(一种经典深度学习网络模型)中进行 提取， 得到可见类别的视觉特征(将图像输入到该网络中， 输出的矩阵值即为视觉特征)。 参 照图2， 为本实施例预训练resnet101网络的示意图和对应的视觉特征提取图， 其中需要说 明的是， 预训练resnet101网络(提取视觉特征网络的一种， 能够帮助本发明更好地提取特 征)包括： 0044 将resnet101应用在Imagenet数据库上训练， 得到resnet101对应的网络参数， 完 成预训练； 0045 图片样本经过处理之后转变为2048个视觉特征。 0046 进。

24、一步的， 每一类样本的图片都有对应文字描述， 例如老虎类的图片， 会有花纹、 哺乳类、 爬行类、 肉食类等文字描述， 为了将文字描述转化成便于训练的数字信息， 将(花 纹， 哺乳类， 爬行类， 肉食)转化为向量(1， 1， 1， 1)， 将(无花纹， 哺乳类， 爬行类， 肉食)转化为 (0， 1， 1， 1)， 其他文字情况只要将对应的数字置0置1即可， 由此便完成了文字信息到语意特 征的转化。 0047 S2： 将视觉特征输入至多通道GAN网络模型进行训练， 得到可见类别的整合特征 (将视觉特征矩阵输入后， 输出的矩阵值， 且该特征是经过处理的， 可以更好地为后续识别 做准备)。 本步骤需要。

25、说明的是， 构建多通道GAN网络模型包括： 0048 一个网络M和一个对抗神经网络； 0049 网络M包括第一层全连接层和第二层全连接层， 对抗神经网络包括网络GM和网络 D。 0050 具体的， 还包括： 说明书 4/7 页 7 CN 112101470 A 7 0051 第一层全连接层大小为2048， 连接残差网络输出的视觉特征； 0052 第二层全连接层大小为1024， 对视觉特征进行重新整合； 0053 网络GM将特定的语义特征转换为视觉特征； 0054 网络D比较网络GM产生的特征和指定的特征。 0055 具体的， 多通道GAN网络模型具体包括： 0056 0057 其中， Lcv表。

26、示分类器损失函数， 通过将可见类别的分类， 使得网络M可以保留可见 类别之间的差异性， Ns表示可见类别样本的个数， 表示第i个样本的标签，表示第i个 样本的视觉特征。 0058 S3： 利用视觉特征及整合特征训练生成softmax分类器。 其中还需要说明的是， 训 练包括： 0059 利用分类器和关系网络辅助训练网络M， 保存类别之前的相似性和差异性； 0060 利用多通道GAN网络结构训练对抗神经网络GAN， 将语义特征转化为视觉特征； 0061 利用视觉特征训练softman分类器并根据GZSL标准(广义零样本学习， 指在测试时 同时包含看得见的类别和看不见未知的类别)进行测试； 006。

27、2 0063其中， Lrs表示关系网络的损失函数， 即空间上视觉特征和语意特征的空 间角度关系， 使得同一类别的视觉特征和对应的语意特征在空间上角度接近， 最后训练出 来的网络M可以保留类别特征之间的相似性； 0064 LMminLcv+Lrs 0065 其中， LM表示在Lcv和Lrs的辅助下， 共同训练LM的损失函数， 表示Lrs的影响程度； 0066 0067其中， D表示GAN网络中的分辨器网络D， 是梯 度惩罚因素， 其 U(0,1)；表示对抗神经网络的训练损失函数。 0068 S4： 对训练好的softmax分类器进行识别测试， 得到识别结果。 0069 参照图3， 本实施例还需要。

28、说明的是， 对抗神经网络包含了网络GM和网络D， 网络GM 可以把特定的语义特征转换为视觉特征， 同时， 为了提高模型的性能， 训练网络GM的过程中 用之前训练好的分类器和关系网络辅助训练， 网络的D的作用是通过比较网络GM产生的特 征与指定的特征比较， 进而提升网络GM的性能， 不同于传统的GAN， 本实施例的网络GM采用多 通道网络结构， 并且辅以网络权重层， 从而进一步提升了生成网络的性能。 0070 优选的， 在待训练的网络M中， 获得可见类别的整合特征， 将整合特征分别输入到 一个分类器和一个关系网络中， 同时训练网络M、 分类器和关系网络， 将整合特征输入到网 络GAN的网络D中，。

29、 作为训练GAN的参考样本， 同时将对应可见类别的语义特征拼接服从N(0, 1)分布的噪声Z， 组成向量Z_C， 将Z_C输入到网络GAN的GM中， 实现语义特征到视觉特征的转 说明书 5/7 页 8 CN 112101470 A 8 换， 同时利用分类器和关系网络训练网络GM， 将整合的可见类别的整合视觉特征及由不可 见类别的语义特征转化而来的视觉特征作为输入训练一个新的softmax(传统的机器学习 分类器)分类器， 将训练好的softmax分类器， 进行验证和测试， 并得到实验结果。 0071 优选的是， 本发明方法适用于引导零样本识别， 并且取得了较高的综合性能， 同 时， 提出了将多。

30、通道思想应用于GAN模型中， 为今后GAN模型的发展提供了一个新方向， 且本 发明方法从另一个角度证明了多通道复合特征思想的有效性。 0072 实施例2 0073 参照图4、 图5和图6， 为本发明的第二个实施例， 该实施例不同于第一个实施例的 是， 提供了一种基于多通道高斯GAN的引导零样本识别方法的验证， 包括： 0074 本发明方法采用了多通道对抗神经网络模型， 可以利用多个独立的混合高斯通 道， 合成一个分部更加复杂的混合分部样本， 相比传统的单一的高斯分布样本， 本方法可以 更好的模拟实际样本的分布。 0075 传统的方案是采用标准高斯分布， 或者其他简单的分布模拟实际的样本分布， 。

31、然 而实际样本的分布可能较为复杂， 简单的标准高斯分布不足以模拟这么复杂实际样本分 布， 最终导致模型的表现性能较差。 0076 通过将多通道结构引入GAN模型中， 使得GAN产生的样本来自更加复杂的先验分 布， 进而提升模型的性能； 为了说明这一点， 本实施例中采用了三个比较流行的数据库进行 对比试验， 如下表所示： 0077 表1： 流行方法数据库比较表。 0078 0079 0080 CUB数据库包含200个种类鸟的图片， 合计11788张； AWA2包含50个类别的图片， 合 计37322张； SUN包含717个类别， 合计14340张图片。 具体的语意特征的维度、 训练识别类别 等详。

32、细信息都列在表中。 0081 为了进一步细化评判朴准， 本实施例分别设定下列3个参数： 0082 S： 表示在测试阶段， 所有的看的见的类别的预测的准确率； 0083 U： 表示在测试阶段， 所有的看的不见的类别的预测的准确率； 0084 H： 表示在测试过程中， U和S的综合性能， 即模型的综合表现能力， 且H2*S*H/(S+ H)。 0085 如下表所示， 为本发明方法与传统的几个方法的对比数据表， 每一列的黑体加粗 表示该项参数是最优的。 说明书 6/7 页 9 CN 112101470 A 9 0086 表2： 传统方法与本发明方法对比测试表。 0087 0088 参照表2， 其列出。

33、了本发明方法(MGCG)和广义引导零样本学习领域其他方法的比 较结果， 从表中可以直观的看出， 在识别旧类别的准确率(mcas)和识别新类别准确率(mcau) 中， 本发明方法已经达到了较高的准确率， 且本方法在综合性能参数(H)的表现是最好的， 已经超过几乎所有现有算法的结果， 即从综合的性能指标上看， 本发明方法是优先于现有 传统方法的。 0089 参照图4， 表示不同的Wmax对不同数据库的ZSL和GZSL的表现示意结果， 从图中可 以看出， 当Wmax的值在1附近时， 本发明的模型对实验结果都有较好的表现； 参照图5,其展 示了不同的通道对ZSL实验结果的影响， 参照图6， 其展示了不。

34、同的通道对GZSL实验结果的 影响,根据图5和图6的示意， 可以看出， 随着通道的初始权重的不同， 模型的表现也不相同， 本实施例中选择实验表现结果最好的初始权重对网络赋值， 实现模型的最佳表现。 0090 应说明的是， 以上实施例仅用以说明本发明的技术方案而非限制， 尽管参照较佳 实施例对本发明进行了详细说明， 本领域的普通技术人员应当理解， 可以对本发明的技术 方案进行修改或者等同替换， 而不脱离本发明技术方案的精神和范围， 其均应涵盖在本发 明的权利要求范围当中。 说明书 7/7 页 10 CN 112101470 A 10 图1 图2 说明书附图 1/3 页 11 CN 112101470 A 11 图3 图4 图5 说明书附图 2/3 页 12 CN 112101470 A 12 图6 说明书附图 3/3 页 13 CN 112101470 A 13 。