CN111062786A - 一种基于建立商品外观特征映射表的模型更新方法 - Google Patents
一种基于建立商品外观特征映射表的模型更新方法 Download PDFInfo
- Publication number
- CN111062786A CN111062786A CN201911352935.5A CN201911352935A CN111062786A CN 111062786 A CN111062786 A CN 111062786A CN 201911352935 A CN201911352935 A CN 201911352935A CN 111062786 A CN111062786 A CN 111062786A
- Authority
- CN
- China
- Prior art keywords
- commodity
- model
- commodities
- mapping table
- category information
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
- G06Q30/0627—Directed, with specific intent or strategy using item specifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0641—Shopping interfaces
- G06Q30/0643—Graphical representation of items or shoppers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于建立商品外观特征映射表的模型更新方法,属于计算机视觉技术领域,包括:构建商品分类模型和映射表;通过商品分类模型对商品实时图像进行图像识别,得到商品的粗略类别信息;查询映射表得到对应粗略类别信息的精确类别信息;映射表还用于根据用户发送的指令实时添加精确类别信息。本发明的有益效果:通过训练一个包含所有商品的商品分类模型并且建立映射表,解决了一个模板训练一个模型的缺点,可以一个模型对应多个模板,大大节省了模型训练花费的资源和时间;对于新增的商品,通过更新映射表,不需重新添加商品数据进行模型训练,实现商品分类模型的软扩展并减少模型训练频率从而节省资源。
Description
技术领域
本发明涉及计算机视觉领域,具体涉及一种基于建立商品外观特征映射表的模型更新方法。
背景技术
在新零售行业中,对于商品分类的需求大多采用深度学习训练出一个分类模型实现。现有分类模型对于外观差异大的商品可以实现有效分类。对于外观非常相近的不同商品,或者同种商品的不同规格无法进行有效区分,
现有模式是将上述两种情况下,商品的SKU区分开建立两个不同的模板,训练不同的模型,这种模式随着商品模板的增多将会导致训练模型的增多。
发明内容
本发明的目的在于提供一种基于建立商品外观特征映射表的模型更新方法。
为达此目的,本发明采用以下技术方案:
提供一种基于建立商品外观特征映射表的模型更新方法,包括:
采集多类商品的商品数据,根据所述商品数据进行训练得到商品分类模型;
采集商品实时图像,通过所述商品分类模型对所述商品实时图像进行图像识别,得到所述商品实时图像中包含的所述商品的粗略类别信息;
获取用户上传的关联于所述商品的外观特征的映射表,查询所述映射表得到对应所述粗略类别信息的精确类别信息,所述映射表还用于根据用户发送的指令实时添加关联于所述商品的所述粗略类别信息的所述精确类别信息。
作为模型更新方法的一种优选方案,所述商品数据包括商品图像数据和商品分类数据。
作为模型更新方法的一种优选方案,采集多类所述商品的所述商品数据,根据所述商品数据进行训练得到所述商品分类模型时,每一类所述商品中包括多个具有部分相同外观特征的外观相似商品。
作为模型更新方法的一种优选方案,采集多种所述商品的所述商品数据,基于每个所述商品的所述商品数据提取外观特征,将具有部分相同外观特征的所述商品作为同一类别商品。
作为模型更新方法的一种优选方案,采集多类所述商品的所述商品数据后构建多个商品模板,根据多个所述商品模板训练得到所述商品分类模型。
作为模型更新方法的一种优选方案,根据所述映射关系表对商品的粗略类别信息中的logit数据进行softmax计算得到所述精确类别信息。
作为模型更新方法的一种优选方案,不同用户在不同的交易场景下采集的所述商品实时图像对应不同的所述映射表。
作为模型更新方法的一种优选方案,同一所述映射表中的所有所述商品属于不同的商品类别。
本发明的有益效果:通过训练一个包含所有商品的商品分类模型,能够针对不同用户在不同场景下采集的商品实时图像进行图像识别,得到商品实时图像中包含的商品的粗略类别信息,通过用户上传的映射表能够查询得到表中对应粗略类别信息的精确类别信息,每个用户在每种场景下具有一唯一的映射表,解决了一个模板训练一个模型的缺点,可以一个模型对应多个模板,一个模型识别原有多个模板中包含的商品的类别信息,大大节省了模型训练花费的资源和时间;
对于新增的商品,通过更新映射表,不需要重新添加商品数据进行模型训练,实现商品分类模型的软扩展,减少模型训练频率从而节省资源。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种优选的实施例中,基于建立商品外观特征映射表的模型更新方法的流程图;
图2为本发明一种优选的实施例中,商品、映射表以及商品分类模型的关系示意图;
图3为本发明一种优选的实施例中,模型软外扩的流程示意图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本专利的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若出现术语“上”、“下”、“左”、“右”、“内”、“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,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
在本发明的描述中,除非另有明确的规定和限定,若出现术语“连接”等指示部件之间的连接关系,该术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个部件内部的连通或两个部件的相互作用关系。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明中的具体含义。
需要说明的是,在不冲突的情况下,下述技术方案,技术特征之间可以相互组合。
下面结合附图对本发明的具体实施方式作进一步的说明:
如图1所示,一种基于建立商品外观特征映射表的模型更新方法,包括:
步骤S1、采集多类商品的商品数据,根据商品数据构成多个商品模板后进行训练得到商品分类模型。具体的,据商品外观特征进行数据整理,挑选外观特征非常接近的商品数据当做同一类别,将多种类别的商品的商品数据混合一起,训练出一个包含已有且外观特征差异较大的商品分类模型。
步骤S2、采集商品实时图像,通过商品分类模型对商品实时图像进行图像识别,得到商品实时图像中包含的商品的粗略类别信息。
步骤S3、获取用户上传的关联于商品的外观特征的映射表,查询映射表得到对应粗略类别信息的精确类别信息,映射关系表还用于根据用户发送的指令实时添加新的粗略类别信息和精确类别信息的映射关系。具体的,在模型推理阶段根据映射表得到商品分类模型应用于特定用户和特定场景时最终需要分类的商品类别,最后通过对对应商品的logits(分类概率)数据进行softmax计算,得到最终的精确分类信息。本发明还可以支持模型的软扩展,对于一个新的商品,如果模型中已存在外观接近的商品,只需在映射表中添加映射关系,即可完成模型软扩展。
在本实施例中,通过训练一个包含所有商品的商品分类模型,能够针对不同用户在不同场景下采集的商品实时图像进行图像识别,得到商品实时图像中包含的商品的粗略类别信息,通过用户上传的映射表能够查询得到表中对应粗略类别信息的精确类别信息,每个用户在每种场景下具有一唯一的映射表,解决了一个模板训练一个模型的缺点,可以一个模型对应多个模板,一个模型识别原有多个模板中包含的商品的类别信息,大大节省了模型训练花费的资源和时间;
对于新增的商品,通过更新映射表,不需要重新添加商品数据进行模型训练,实现商品分类模型的软扩展,减少模型训练频率从而节省资源。
如图2所示,每个商品具有一唯一的UUID(例如图中A-E分别表示不同商品),在映射关系表UUID MAP包括对应每个商品的UUID的一唯一的粗略分类信息(例如图中箭头所示左侧A-E对应右侧的商品粗略分类A-C)。通过商品分类模型MODEL对商品实时图像识别后得到粗略分类信息,通过粗略分类信息查询映射关系表可得到商品的精确分类信息(即通过商品粗略类别信息A-C倒推商品精确类别信息UUID)。
通过统一商品分类模型MODEL对不同用户上传的不同交易场景下的商品实时图像进行识别得到粗略分类信息后,根据关联于该粗略分类信息的用户上传的映射表查找该粗略分类信息在该表中对应的精确分类信息,同一粗略分类信息在根据不同用户上传的映射关系表进行倒推时可得到不同的精确分类信息,从而实现通过训练一个包含所有商品的商品分类模型并且建立映射关系表,解决了一个模板训练一个模型的缺点,可以一个模型对应多个模板,大大节省了模型训练花费的资源和时间。
对于新增的商品,通过更新映射关系表,不需重新添加商品数据进行模型训练,实现商品分类模型的软扩展并减少模型训练频率从而节省资源。
如图3所示,在进行模型软外扩时,对于需要添加到映射表UUID_MAP中的新商品NEW_SKU,判断映射关系表UUID_MAP中是否存在相似SKU,若是,则将新商品SKU添加到该相似SKU的分类下,若否,则将新商品的商品数据SKU_DATA输入到商品分类模型中进行识别分类MODEL_TRAIN得到粗略分类信息后,将新商品的商品数据SKU_DATA和粗略分类信息的映射关系添加到映射表UUID_MAP。
通过训练一个包含所有商品的商品分类模型并且建立UUID MAP映射关系表,同时结合模板信息,解决了一个模板训练一个模型的缺点,可以一个模型对应多个模板,大大节省了模型训练花费的资源和时间。对于新增的商品,通过对商品高维特征的提取的信息来更新UUID MAP映射关系表,不需重新添加商品数据进行模型训练,实现模型的软扩展并减少模型训练频率从而节省资源。
需要声明的是,上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白,还可以对本发明做各种修改、等同替换、变化等等。但是,这些变换只要未背离本发明的精神,都应在本发明的保护范围之内。另外,本申请说明书和权利要求书所使用的一些术语并不是限制,仅仅是为了便于描述。
Claims (8)
1.一种基于建立商品外观特征映射表的模型更新方法,其特征在于,包括如下步骤:
采集多类商品的商品数据,根据所述商品数据进行训练得到商品分类模型;
采集商品实时图像,通过所述商品分类模型对所述商品实时图像进行图像识别,得到所述商品实时图像中包含的所述商品的粗略类别信息;
获取用户上传的关联于所述商品的外观特征的映射表,查询所述映射表得到对应所述粗略类别信息的精确类别信息,所述映射表还用于根据用户发送的指令实时添加关联于所述商品的所述粗略类别信息的所述精确类别信息。
2.根据权利要求1的模型更新方法,其特征在于,所述商品数据包括商品图像数据和商品分类数据。
3.根据权利要求1的模型更新方法,其特征在于,采集多类所述商品的所述商品数据,根据所述商品数据进行训练得到所述商品分类模型时,每一类所述商品中包括多个具有部分相同外观特征的外观相似商品。
4.根据权利要求1的模型更新方法,其特征在于,采集多种所述商品的所述商品数据,基于每个所述商品的所述商品数据提取每个商品的外观特征,将具有部分相同外观特征的所述商品作为同一类别商品。
5.根据权利要求1的模型更新方法,其特征在于,采集多类所述商品的所述商品数据后构建多个商品模板,根据多个所述商品模板训练得到所述商品分类模型。
6.根据权利要求1的模型更新方法,其特征在于,根据所述映射表对商品的粗略类别信息中的logit数据进行softmax计算得到所述精确类别信息。
7.根据权利要求1的模型更新方法,其特征在于,不同用户在不同的交易场景下采集的所述商品实时图像对应不同的所述映射表。
8.根据权利要求1的模型更新方法,其特征在于,同一所述映射表中的所有所述商品属于不同的商品类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911352935.5A CN111062786B (zh) | 2019-12-25 | 2019-12-25 | 一种基于建立商品外观特征映射表的模型更新方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911352935.5A CN111062786B (zh) | 2019-12-25 | 2019-12-25 | 一种基于建立商品外观特征映射表的模型更新方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111062786A true CN111062786A (zh) | 2020-04-24 |
CN111062786B CN111062786B (zh) | 2023-05-23 |
Family
ID=70303727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911352935.5A Active CN111062786B (zh) | 2019-12-25 | 2019-12-25 | 一种基于建立商品外观特征映射表的模型更新方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062786B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111681085A (zh) * | 2020-06-10 | 2020-09-18 | 创新奇智(成都)科技有限公司 | 商品推送方法、装置、服务器及可读存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090326923A1 (en) * | 2006-05-15 | 2009-12-31 | Panasonic Corporatioin | Method and apparatus for named entity recognition in natural language |
CN107491433A (zh) * | 2017-07-24 | 2017-12-19 | 成都知数科技有限公司 | 基于深度学习的电商异常金融商品识别方法 |
CN108572992A (zh) * | 2017-03-14 | 2018-09-25 | 苏宁云商集团股份有限公司 | 一种商品排序的方法及装置 |
CN109213866A (zh) * | 2018-09-19 | 2019-01-15 | 浙江诺诺网络科技有限公司 | 一种基于深度学习的税务商品编码分类方法和系统 |
CN109299715A (zh) * | 2017-07-24 | 2019-02-01 | 图灵通诺(北京)科技有限公司 | 基于卷积神经网络的图像识别技术的结算方法和装置 |
CN109598517A (zh) * | 2017-09-29 | 2019-04-09 | 阿里巴巴集团控股有限公司 | 商品通关处理、对象的处理及其类别预测方法和装置 |
CN109815873A (zh) * | 2019-01-17 | 2019-05-28 | 深圳壹账通智能科技有限公司 | 基于图像识别的商品展示方法、装置、设备及介质 |
CN110321797A (zh) * | 2019-05-31 | 2019-10-11 | 苏宁云计算有限公司 | 商品识别方法和装置 |
CN110458096A (zh) * | 2019-08-09 | 2019-11-15 | 广州众聚智能科技有限公司 | 一种基于深度学习的大规模商品识别方法 |
US20190362144A1 (en) * | 2017-08-17 | 2019-11-28 | Ping An Technology (Shenzhen) Co., Ltd. | Eyeball movement analysis method and device, and storage medium |
-
2019
- 2019-12-25 CN CN201911352935.5A patent/CN111062786B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090326923A1 (en) * | 2006-05-15 | 2009-12-31 | Panasonic Corporatioin | Method and apparatus for named entity recognition in natural language |
CN108572992A (zh) * | 2017-03-14 | 2018-09-25 | 苏宁云商集团股份有限公司 | 一种商品排序的方法及装置 |
CN107491433A (zh) * | 2017-07-24 | 2017-12-19 | 成都知数科技有限公司 | 基于深度学习的电商异常金融商品识别方法 |
CN109299715A (zh) * | 2017-07-24 | 2019-02-01 | 图灵通诺(北京)科技有限公司 | 基于卷积神经网络的图像识别技术的结算方法和装置 |
US20190362144A1 (en) * | 2017-08-17 | 2019-11-28 | Ping An Technology (Shenzhen) Co., Ltd. | Eyeball movement analysis method and device, and storage medium |
CN109598517A (zh) * | 2017-09-29 | 2019-04-09 | 阿里巴巴集团控股有限公司 | 商品通关处理、对象的处理及其类别预测方法和装置 |
CN109213866A (zh) * | 2018-09-19 | 2019-01-15 | 浙江诺诺网络科技有限公司 | 一种基于深度学习的税务商品编码分类方法和系统 |
CN109815873A (zh) * | 2019-01-17 | 2019-05-28 | 深圳壹账通智能科技有限公司 | 基于图像识别的商品展示方法、装置、设备及介质 |
CN110321797A (zh) * | 2019-05-31 | 2019-10-11 | 苏宁云计算有限公司 | 商品识别方法和装置 |
CN110458096A (zh) * | 2019-08-09 | 2019-11-15 | 广州众聚智能科技有限公司 | 一种基于深度学习的大规模商品识别方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111681085A (zh) * | 2020-06-10 | 2020-09-18 | 创新奇智(成都)科技有限公司 | 商品推送方法、装置、服务器及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111062786B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106874296B (zh) | 一种商品的风格识别方法及装置 | |
CN110245213A (zh) | 调查问卷生成方法、装置、设备和存储介质 | |
JP2018200685A (ja) | 完全教師あり学習用のデータセットの形成 | |
CN109523518B (zh) | 一种轮胎x光病疵检测方法 | |
US8688603B1 (en) | System and method for identifying and correcting marginal false positives in machine learning models | |
CN113052295B (zh) | 一种神经网络的训练方法、物体检测方法、装置及设备 | |
CN107368565A (zh) | 数据处理方法、数据处理装置和计算机可读存储介质 | |
CN108319888A (zh) | 视频类型的识别方法及装置、计算机终端 | |
CN112035325B (zh) | 文本机器人自动监控方法及装置 | |
CN111949795A (zh) | 工单自动分类方法及装置 | |
CN111047387B (zh) | 一种回收管理的方法及装置 | |
CN114997956B (zh) | 基于大数据的母婴产品智能推荐系统 | |
CN109345201A (zh) | 人力资源管理方法、装置、电子设备及存储介质 | |
CN111062786A (zh) | 一种基于建立商品外观特征映射表的模型更新方法 | |
CN110599232A (zh) | 基于大数据的消费群体分析方法 | |
CN111401454A (zh) | 一种基于迁移学习的少样本目标识别方法 | |
CN112613367A (zh) | 票据信息文本框获取方法、系统、设备及存储介质 | |
CN116304811B (zh) | 一种基于焦点损失函数动态样本权重调整方法及系统 | |
CN112434746A (zh) | 基于层次化迁移学习的预标注方法及其相关设备 | |
CN115982391A (zh) | 信息处理方法及装置 | |
KR102539036B1 (ko) | 상품 대량 등록이 가능한 구매대행 시스템 | |
CN111814922B (zh) | 一种基于深度学习的视频片段内容匹配方法 | |
CN109828986B (zh) | 一种面向定制装备制造协同过程的信息智能化处理方法 | |
CN104765777B (zh) | 一卡通rfid数据转化为过程事件日志的方法和系统 | |
CN114428858B (zh) | 基于分类模型的文本难度分类方法、装置及存储介质 |
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 |