CN108829756B - 一种利用分层注意力上下文网络解决多轮视频问答的方法 - Google Patents
一种利用分层注意力上下文网络解决多轮视频问答的方法 Download PDFInfo
- Publication number
- CN108829756B CN108829756B CN201810517198.9A CN201810517198A CN108829756B CN 108829756 B CN108829756 B CN 108829756B CN 201810517198 A CN201810517198 A CN 201810517198A CN 108829756 B CN108829756 B CN 108829756B
- Authority
- CN
- China
- Prior art keywords
- expression
- video
- question
- context
- attention
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种利用分层注意力上下文网络解决多轮视频问答的方法。主要包括如下步骤:1)针对于一组多轮问答上下文及当前问题,结合上下文学习出问题的结合对话上下文的一致性表达。2)利用学习出的问题的一致性表达,利用分层注意力网络学习出结合问题语义的视频表达。3)利用循环迭代的方法,获取最终的结合问题语义的视频表达,利用该表达获取最终的问题答案。相比于一般的多轮视频问答解决方案,本发明利用时间及空间注意力机制更好地反映了视频、上下文与所问问题之间的相关关系,能够更准确地反映视频、对话上下文和问题的特性,并产生更加符合要求的答案。本发明在多轮视频问答问题中所取得的效果相比于已有的方法更好。
Description
技术领域
本发明涉及视频多轮问答文本生成,尤其涉及一种利用分层注意力上下文网络解决多轮视频问答的方法。
背景技术
多轮视频问答问题是视频问答领域中的一个重要问题,该问题的目标是针对于相关的视频及上下文信息,结合最近给出的问题,自动生成答案。
现有的技术主要解决的是单轮视频问答问题,针对于多轮视频问答问题,采用的方法是简单地把单轮视频问答方法迁移到多轮视频问答上。虽然针对于单轮视频问答,可以取得很好的表现结果,但是这样的方法并不能很好地利用多轮视频问答中已有的上下文信息,所以不能取得较为满意的效果。
利用分层注意力上下文网络则能很好地弥补上述解决方案的不足。本方法将利用带有注意力机制的多层循环神经网络对对话上下文信息中的序列关系及与所问问题相关的重要信息进行建模,随后利用带有时空注意力机制的分层神经网络学习视频内容及带有上下文信息的问题映射的联合表达,之后本方法利用该表达结合分层注意力网络来综合地学习视频中关键帧序列及所问问题,随后通过多步的推理过程获取最终的问题答案。
发明内容
本发明的目的在于解决现有技术中的问题,为了克服现有技术中无法很好地利用上下文信息的不足,本发明提供一种利用分层注意力上下文网络解决多轮视频问答的方法。本发明所采用的具体技术方案是:
利用分层注意力上下文网络解决多轮视频问答问题,包含如下步骤:
1、针对于一组多轮问答上下文及当前问题,结合所述一组多轮问答上下文学习出问题的结合对话上下文的一致性表达。
2、利用学习出的问题的一致性表达,利用分层注意力网络学习出结合问题语义的视频表达。
3、利用循环迭代的方法,对于步骤1-2综合构成的分层注意力上下文网络,结合给出的上下文、相关视频及所提问题,进行迭代更新,获取最终的结合问题语义的视频表达。
4、对于要回答的问题,根据生成的最终的结合问题语义的视频表达,在分层注意力上下文网络获取最终的问题答案。
上述步骤可具体采用如下实现方式:
1、对于给出的上下文数据u中第k轮的问题和答案,分别输入LSTM网络中,获取对应的问题表达和答案表达之后利用如下公式所示的问题答案对混合表达机制,结合问题表达和答案表达获取上下文数据u中第k轮上下文的混合表达uk:
其中,W(q)和W(a)是参数矩阵,+代表按元素相加,g(.)代表按元素进行双曲正切函数计算。按照此方法,可以获取上下文数据u中每一轮问答的混合表达u=(u1,u2,...,uM)。将每一轮的混合表达依次输入LSTM网络中,获取对应于每一轮表达的映射其中M为上下文数据中的问答轮数。
其中,W(q)和W(u)是参数矩阵,为偏置向量,w(q,u)为计算注意力分数的系数向量。针对于上下文中的每一轮数据,均可按照上述公式计算出注意力分数值按照如下公式计算出对于上下文对话中第i轮混合表达ui对应的softmax 激活系数
3、利用2维卷积神经网络,针对于视频v的每一帧,获取其帧级别的特征表达其中T(f)为视频的帧数,为第i帧的区域特征集合。在第i帧的区域特征集合中,为候选区域特征,为整体帧特征。利用第i帧的第j区域特征及步骤2得到的结合上下文的问题的一致性表达按照如下公式计算第i帧第j区域对应的空间注意力分数
其中,和W(r)是参数矩阵,为偏置向量,w(q,r)为计算注意力分数的系数向量。针对于第i帧的每一个区域特征,均可按照上述方法计算出对应的空间注意力分数按照如下公式计算出第i帧第j区域对应的softmax激活系数
其中,和W(f)是参数矩阵,为偏置向量,w(q,f)为计算注意力分数的系数向量。针对于视频的每一帧,均可按照上述方法计算出所有帧对应的时间注意力分数按照如下公式计算出第i帧对应的softmax激活系数
5、利用3维卷积神经网络,针对于视频v,获取其分段级别的特征表达其中T(s)为视频的分段数。将视频分段级别的特征表达输入到LSTM网络中,获得对应的隐藏状态表达利用第i分段的隐藏状态表达与结合上下文的问题的一致性表达可以按照如下公式计算出第i分段对应的时间注意力分数
其中,和W(s)是参数矩阵,为偏置向量,w(q,s)为计算注意力分数的系数向量。针对于视频的每一分段,均可按照上述方法计算出所有帧对应的时间注意力分数按照如下公式计算出第i分段对应的softmax激活系数
7、为了进一步地提高多轮对话视频问答的表现,本发明将多个上面提出的分层注意力网络的推理过程进行合并。给定分层注意力网络y(.)、视频v、对话上下文,分层注意力网络的多步骤学习按照如下公式进行:
z0=yh(q)(u,v)
则分层注意力网络生成的结合问题的视频表达在经过第k次更新之后为zk
6、本发明中对于视频多轮问答文本生成中的问题对应答案选择,按照如下方式进行:对于利用步骤5所述方法获得的每一轮问题结合上下文文本及视频生成的结合问题的视频表达,记为z,通过如下公式计算候选语句作为答案的概率值向量
附图说明
图1是本发明所使用的对于视频多轮问答文本生成问题的分层注意力上下文网络的整体示意图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步阐述和说明。
如图1所示,本发明利用分层注意力上下文网络来解决多轮视频问答的方法包括如下步骤:
1)针对于一组多轮问答上下文及当前问题,结合所述一组多轮问答上下文学习出问题的结合对话上下文的一致性表达;
2)针对步骤1)所得到的问题的一致性表达,利用分层注意力网络学习出结合问题语义的视频表达;
3)利用循环迭代的方法,对于步骤1)-2)综合构成的分层注意力上下文网络,结合给出的上下文、相关视频及所提问题,进行迭代更新,获取最终的结合问题语义的视频表达;
4)对于要回答的问题,根据生成的最终的结合问题语义的视频表达,在分层注意力上下文网络获取最终的问题答案。
所述的步骤1)针对于一组多轮问答上下文及当前问题,结合所述一组多轮问答上下文学习出问题的结合对话上下文的一致性表达,其具体步骤为:
1.1)对于给出的上下文数据u中第k轮的问题和答案,分别输入LSTM网络中,获取对应的问题表达和答案表达之后利用如下公式所示的问题答案对混合表达机制,结合问题表达和答案表达获取上下文数据u中第k轮上下文的混合表达uk:
其中,W(q)和W(a)是参数矩阵,+代表按元素相加,g(.)代表按元素进行双曲正切函数计算;按照此方法,可以获取上下文数据u中每一轮问答的混合表达u=(u1,u2,...,uM);将每一轮的混合表达依次输入LSTM网络中,获取对应于每一轮表达的映射其中M为上下文数据中的问答轮数;
其中,W(q)和W(u)是参数矩阵,为偏置向量,w(q,u)为计算注意力分数的系数向量;针对于上下文中的每一轮数据,均可按照上述公式计算出注意力分数值按照如下公式计算出对于上下文对话中第i轮混合表达ui对应的softmax 激活系数
所述的步骤2)针对步骤1)所得到的问题的一致性表达,利用分层注意力网络学习出结合问题语义的视频表达,其具体步骤为:
2.1)利用2维卷积神经网络,针对于视频v的每一帧,获取其帧级别的特征表达其中T(f)为视频的帧数,为第i帧的区域特征集合;在第i帧的区域特征集合中,为候选区域特征,为整体帧特征;利用第i帧的第j区域特征及步骤1.2)得到的结合上下文的问题的一致性表达按照如下公式计算第i帧第j区域对应的空间注意力分数
其中,和W(r)是参数矩阵,为偏置向量,w(q,r)为计算注意力分数的系数向量;针对于第i帧的每一个区域特征,均可按照上述方法计算出对应的空间注意力分数按照如下公式计算出第i帧第j区域对应的softmax激活系数
2.2)利用步骤2.1)计算出的视频每一帧的空间注意力表达输入到 LSTM网络中,获得对应的隐藏状态表达利用第i帧的隐藏状态表达与结合上下文的问题的一致性表达可以按照如下公式计算出第i帧对应的时间注意力分数
其中,和W(f)是参数矩阵,为偏置向量,w(q,f)为计算注意力分数的系数向量;针对于视频的每一帧,均可按照上述方法计算出所有帧对应的时间注意力分数按照如下公式计算出第i帧对应的softmax激活系数
2.3)利用3维卷积神经网络,针对于视频v,获取其分段级别的特征表达其中T(s)为视频的分段数;将视频分段级别的特征表达输入到LSTM网络中,获得对应的隐藏状态表达利用第i分段的隐藏状态表达与结合上下文的问题的一致性表达可以按照如下公式计算出第i分段对应的时间注意力分数
其中,和W(s)是参数矩阵,为偏置向量,w(q,s)为计算注意力分数的系数向量;针对于视频的每一分段,均可按照上述方法计算出所有帧对应的时间注意力分数按照如下公式计算出第i分段对应的softmax激活系数
所述的步骤3)利用循环迭代的方法,对于步骤1)-2)综合构成的分层注意力上下文网络,结合给出的上下文、相关视频及所提问题,进行迭代更新,获取最终的结合问题语义的视频表达,其具体步骤为:
给定分层注意力网络y(.)、视频v、对话上下文,分层注意力网络的多步骤学习按照如下公式进行:
z0=yh(q)(u,v)
则分层注意力网络生成的结合问题的视频表达在经过第k次更新之后为zk;
所述步骤4)利用循环迭代的方法,对于步骤1)-2)综合构成的分层注意力上下文网络,结合给出的上下文、相关视频及所提问题,进行迭代更新,获取最终的结合问题语义的视频表达,其具体步骤为:
对于利用步骤3)得到的每一轮问题结合上下文文本及视频生成的结合问题的视频表达记为z,通过如下公式计算候选语句作为答案的概率值向量
下面将上述方法应用于下列实施例中,以体现本发明的技术效果,实施例中具体步骤不再赘述。
实施例
本发明在自己构建的数据集上面进行实验验证,包含30000条视频片段及110000条文字描述。我们使用70%的数据作为训练集,10%的数据作为验证集,20%的数据作为测试集:随后本发明对于构建的视频问答数据集进行如下预处理:
1)对于每一个视频的每一帧都重置为224×224大小,随后利用VGGNet获取每一帧的4096 维的特征表达。
2)对于对话问答对,本发明利用提前训练好的word2vec模型来提取问题和答案的语义表达。特别地,单词向量的维度为256维。
为了客观地评价本发明的算法的性能,本发明在所选出的测试集中,使用了MRR、P@K和 MeanRank对于本发明的效果进行评价。对于本发明提出的方法记为HACN。按照具体实施方式中描述的步骤,所得的实验结果如表1所示:
Method | MRR | P@1 | P@5 | MeanRank |
HACN | 0.404 | 0.297 | 0.524 | 4.459 |
表1本发明针对于自构数据集的测试结果。
Claims (5)
1.一种利用分层注意力上下文网络解决多轮视频问答的方法,其特征在于包括如下步骤:
1)针对于一组多轮问答上下文及当前问题,结合所述一组多轮问答上下文学习出问题的结合对话上下文的一致性表达;
2)针对步骤1)所得到的问题的一致性表达,利用分层注意力网络学习出结合问题语义的视频表达;
3)利用循环迭代的方法,对于步骤1)-2)综合构成的分层注意力上下文网络,结合给出的上下文、相关视频及所提问题,进行迭代更新,获取最终的结合问题语义的视频表达;
4)对于要回答的问题,根据生成的最终的结合问题语义的视频表达,在分层注意力上下文网络获取最终的问题答案。
2.根据权利要求1所述利用分层注意力上下文网络解决多轮视频问答的方法,其特征在于所述的步骤1)针对于一组多轮问答上下文及当前问题,结合所述一组多轮问答上下文学习出问题的结合对话上下文的一致性表达,其具体步骤为:
1.1)对于给出的上下文数据u中第k轮的问题和答案,分别输入LSTM网络中,获取对应的问题表达和答案表达之后利用如下公式所示的问题答案对混合表达机制,结合问题表达和答案表达获取上下文数据u中第k轮上下文的混合表达uk:
其中,W(q)和W(a)是参数矩阵,+代表按元素相加,g(.)代表按元素进行双曲正切函数计算;按照此方法,可以获取上下文数据u中每一轮问答的混合表达u=(u1,u2,...,uM);将每一轮的混合表达依次输入LSTM网络中,获取对应于每一轮表达的映射其中M为上下文数据中的问答轮数;
其中,W(q)和W(u)是参数矩阵,为偏置向量,w(q,u)为计算注意力分数的系数向量;针对于上下文中的每一轮数据,均可按照上述公式计算出注意力分数值按照如下公式计算出对于上下文对话中第i轮混合表达ui对应的softmax激活系数
3.根据权利要求1所述利用分层注意力上下文网络解决多轮视频问答的方法,其特征在于所述的步骤2)针对步骤1)所得到的问题的一致性表达,利用分层注意力网络学习出结合问题语义的视频表达,其具体步骤为:
2.1)利用2维卷积神经网络,针对于视频v的每一帧,获取其帧级别的特征表达其中T(f)为视频的帧数,为第i帧的区域特征集合;在第i帧的区域特征集合中,为候选区域特征,为整体帧特征;利用第i帧的第j区域特征及步骤1.2)得到的结合上下文的问题的一致性表达按照如下公式计算第i帧第j区域对应的空间注意力分数
其中,和W(r)是参数矩阵,为偏置向量,w(q,r)为计算注意力分数的系数向量;针对于第i帧的每一个区域特征,均可按照上述方法计算出对应的空间注意力分数按照如下公式计算出第i帧第j区域对应的softmax激活系数
2.2)利用步骤2.1)计算出的视频每一帧的空间注意力表达输入到LSTM网络中,获得对应的隐藏状态表达利用第i帧的隐藏状态表达与结合上下文的问题的一致性表达可以按照如下公式计算出第i帧对应的时间注意力分数
其中,和W(f)是参数矩阵,为偏置向量,w(q,f)为计算注意力分数的系数向量;针对于视频的每一帧,均可按照上述方法计算出所有帧对应的时间注意力分数按照如下公式计算出第i帧对应的softmax激活系数
2.3)利用3维卷积神经网络,针对于视频v,获取其分段级别的特征表达其中T(s)为视频的分段数;将视频分段级别的特征表达输入到LSTM网络中,获得对应的隐藏状态表达利用第i分段的隐藏状态表达与结合上下文的问题的一致性表达可以按照如下公式计算出第i分段对应的时间注意力分数
其中,和W(s)是参数矩阵,为偏置向量,w(q,s)为计算注意力分数的系数向量;针对于视频的每一分段,均可按照上述方法计算出所有帧对应的时间注意力分数按照如下公式计算出第i分段对应的softmax激活系数
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810517198.9A CN108829756B (zh) | 2018-05-25 | 2018-05-25 | 一种利用分层注意力上下文网络解决多轮视频问答的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810517198.9A CN108829756B (zh) | 2018-05-25 | 2018-05-25 | 一种利用分层注意力上下文网络解决多轮视频问答的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108829756A CN108829756A (zh) | 2018-11-16 |
CN108829756B true CN108829756B (zh) | 2021-10-22 |
Family
ID=64145551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810517198.9A Active CN108829756B (zh) | 2018-05-25 | 2018-05-25 | 一种利用分层注意力上下文网络解决多轮视频问答的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108829756B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287294A (zh) * | 2018-12-27 | 2019-09-27 | 厦门智融合科技有限公司 | 知识产权概念自动解答方法及系统 |
CN109857909B (zh) * | 2019-01-22 | 2020-11-20 | 杭州一知智能科技有限公司 | 多粒度卷积自注意力上下文网络解决视频对话任务的方法 |
CN109902164B (zh) * | 2019-03-06 | 2020-12-18 | 杭州一知智能科技有限公司 | 利用卷积双向自注意网络解决开放长格式视频问答的方法 |
CN110263916B (zh) * | 2019-05-31 | 2021-09-10 | 腾讯科技(深圳)有限公司 | 数据处理方法和装置、存储介质及电子装置 |
CN110516791B (zh) * | 2019-08-20 | 2022-04-22 | 北京影谱科技股份有限公司 | 一种基于多重注意力的视觉问答方法及系统 |
CN110704601A (zh) * | 2019-10-11 | 2020-01-17 | 浙江大学 | 利用问题-知识引导的渐进式时空注意力网络解决需要常识的视频问答任务的方法 |
CN112488055B (zh) * | 2020-12-18 | 2022-09-06 | 贵州大学 | 一种基于渐进图注意力网络的视频问答方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463609A (zh) * | 2017-06-27 | 2017-12-12 | 浙江大学 | 一种使用分层时空注意力编解码器网络机制解决视频问答的方法 |
CN107766447A (zh) * | 2017-09-25 | 2018-03-06 | 浙江大学 | 一种使用多层注意力网络机制解决视频问答的方法 |
CN107818174A (zh) * | 2017-11-15 | 2018-03-20 | 浙江大学 | 一种利用视频外表及动作上的渐进式优化注意力网络机制解决视频问答的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9965705B2 (en) * | 2015-11-03 | 2018-05-08 | Baidu Usa Llc | Systems and methods for attention-based configurable convolutional neural networks (ABC-CNN) for visual question answering |
-
2018
- 2018-05-25 CN CN201810517198.9A patent/CN108829756B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463609A (zh) * | 2017-06-27 | 2017-12-12 | 浙江大学 | 一种使用分层时空注意力编解码器网络机制解决视频问答的方法 |
CN107766447A (zh) * | 2017-09-25 | 2018-03-06 | 浙江大学 | 一种使用多层注意力网络机制解决视频问答的方法 |
CN107818174A (zh) * | 2017-11-15 | 2018-03-20 | 浙江大学 | 一种利用视频外表及动作上的渐进式优化注意力网络机制解决视频问答的方法 |
Non-Patent Citations (3)
Title |
---|
Adaptive attention fusion network for visual question answering;Geonmo Gu等;《2017 IEEE International Conference on Multimedia and Expo (ICME)》;20170831;997-1002 * |
TGIF-QA: Toward Spatio-Temporal Reasoning in Visual Question Answering;Yunseok Jang等;《2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)》;20170909;1359-1367 * |
基于LSTM的大规模知识库自动问答;周博通等;《北京大学学报(自然科学版)》;20171105;第54卷(第2期);286-292 * |
Also Published As
Publication number | Publication date |
---|---|
CN108829756A (zh) | 2018-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108829756B (zh) | 一种利用分层注意力上下文网络解决多轮视频问答的方法 | |
CN108052512B (zh) | 一种基于深度注意力机制的图像描述生成方法 | |
CN107766447B (zh) | 一种使用多层注意力网络机制解决视频问答的方法 | |
CN107463609B (zh) | 一种使用分层时空注意力编解码器网络机制解决视频问答的方法 | |
CN108875807B (zh) | 一种基于多注意力多尺度的图像描述方法 | |
CN109948691B (zh) | 基于深度残差网络及注意力的图像描述生成方法和装置 | |
CN108734276B (zh) | 一种基于对抗生成网络的模仿学习对话生成方法 | |
CN110428010B (zh) | 知识追踪方法 | |
CN109766427B (zh) | 一种基于协同注意力的虚拟学习环境智能问答方法 | |
CN110929515B (zh) | 基于协同注意力和自适应调整的阅读理解方法及系统 | |
CN111652202B (zh) | 利用自适应的时空图模型通过提升视频-语言表征学习来解决视频问答问题的方法及其系统 | |
US20180329884A1 (en) | Neural contextual conversation learning | |
CN110516085A (zh) | 基于双向注意力的图像文本互检索方法 | |
CN112685597B (zh) | 一种基于擦除机制的弱监督视频片段检索方法和系统 | |
CN106875940A (zh) | 一种基于神经网络的机器自学习构建知识图谱训练方法 | |
CN109902164B (zh) | 利用卷积双向自注意网络解决开放长格式视频问答的方法 | |
CN109857909B (zh) | 多粒度卷积自注意力上下文网络解决视频对话任务的方法 | |
CN108897896B (zh) | 基于强化学习的关键词抽取方法 | |
CN110377711B (zh) | 一种利用分层卷积自注意力网络解决开放式长视频问答任务的方法 | |
CN115964467A (zh) | 一种融合视觉情境的富语义对话生成方法 | |
CN110263143A (zh) | 提高相关性的神经问题生成方法 | |
CN106897671A (zh) | 一种基于光流和FisherVector编码的微表情识别方法 | |
CN115510814B (zh) | 一种基于双重规划的篇章级复杂问题生成方法 | |
CN114398976A (zh) | 基于bert与门控类注意力增强网络的机器阅读理解方法 | |
CN116402133B (zh) | 一种基于结构聚合图卷积网络的知识图谱补全方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |