JP2011028519A - データ分類装置及びプログラム - Google Patents
データ分類装置及びプログラム Download PDFInfo
- Publication number
- JP2011028519A JP2011028519A JP2009173649A JP2009173649A JP2011028519A JP 2011028519 A JP2011028519 A JP 2011028519A JP 2009173649 A JP2009173649 A JP 2009173649A JP 2009173649 A JP2009173649 A JP 2009173649A JP 2011028519 A JP2011028519 A JP 2011028519A
- Authority
- JP
- Japan
- Prior art keywords
- decision tree
- node
- feature amount
- internal node
- feature
- 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
- 238000003066 decision tree Methods 0.000 claims abstract description 201
- 238000004364 calculation method Methods 0.000 claims abstract description 147
- 238000011156 evaluation Methods 0.000 claims abstract description 30
- 239000012535 impurity Substances 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 abstract description 36
- 238000000034 method Methods 0.000 description 69
- 230000008569 process Effects 0.000 description 62
- 238000001514 detection method Methods 0.000 description 54
- 238000013138 pruning Methods 0.000 description 20
- 230000009467 reduction Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
【解決手段】特徴量算出部2は、学習データから特徴量を計算し、その特徴量の計算に要した平均コスト(計算コスト)を算出する。決定木学習部3は、学習データに対する分類精度の低さを示す不純度と、特徴量の計算コストの逆数とに基づいて評価値を算出し、評価値が最大となる内部ノード及び特徴量を探索することにより、決定木を生成する。これにより、分類精度だけでなく計算コストも考慮した決定木を生成することができる。データ分類部5は、分類対象のデータを入力し、決定木学習部3により生成された決定木を用いて、根ノード及び内部ノード毎に特徴量を計算して分岐を行い、到達した葉ノードが示すカテゴリを分類結果として出力する。これにより、計算コストも考慮した決定木を用いるから、処理時間が短くなる。
【選択図】図1
Description
図9は、決定木の構成例を説明する図である。この決定木は、複数のノードからなるツリーを逆にした構造になっており、ノードには、最上位に位置する根ノード、下位のノードが存在しないノードであって最下位に位置する葉ノード、及び、根ノードと葉ノードとの間に位置する内部ノードの3種類がある。根ノード及び内部ノードには、データの属性を示す複数の特徴量のうちの1つの特徴量がそれぞれ割り当てられており、さらに、特徴量と閾値とを比較することにより、葉ノードまたは内部ノードへ分岐するための分岐条件がそれぞれ割り当てられている。葉ノードには、データが分類されるカテゴリのクラスが割り当てられている。図9の例では、根ノードには、特徴量q0及び図示しない分岐条件、内部ノード0には、特徴量q1及び図示しない分岐条件、内部ノード1には、特徴量q2及び図示しない分岐条件が割り当てられている。また、葉ノード0,1,2には、クラスl0のカテゴリが割り当てられ、葉ノード3にはクラスl1のカテゴリが割り当てられている。このような決定木は、後述する決定木学習処理により生成される。
決定木を用いたデータ分類装置における決定木を学習する処理として、例えばID3(非特許文献1を参照)、C4.5(非特許文献2を参照)、CART(非特許文献3を参照)等のアルゴリズムが知られている。これらの学習処理のアルゴリズムは、特徴量をノードに割り当てるために用いる不純度を、独自の計算式により算出する点で異なる。これに対し、いずれの学習処理のアルゴリズムも、基本的に、不純度が最も減少する特徴量をノードに割り当て、そのノードから分岐させたノードに対して順番に特徴量を割り当て、特徴量をノードに割り当てることができない、またはノードに割り当てた特徴量によって減少する不純度が閾値以下となるまで分岐を繰り返す点で同一である。学習処理によっては、その後、不必要に成長した枝を剪定するための作業(以下、決定木枝刈りという。)を実施する。
、及び、特徴量(新しい特徴量)
を探索する(ステップS1002)。ステップS1001から移行した場合、データ分類装置は、根ノードを探索し、学習データの属性を構成する全ての特徴量のうち、式(5)の減少量が最大となる特徴量を探索する。
と、予め設定された閾値εとを比較する(ステップS1003)。決定木全体の条件付エントロピーの減少量が閾値εよりも小さくないと判定した場合(ステップS1003:N)、探索した葉ノード
を、特徴量
が割り当てられた新しい内部ノードに置き替え、その内部ノードを分岐して新しい葉ノードを追加する。そして、ステップS1002へ移行する。
〔データ分類装置の構成〕
まず、本発明の実施形態によるデータ分類装置の構成について説明する。図1は、データ分類装置の構成を示すブロック図である。このデータ分類装置1は、特徴量算出部2、決定木学習部3、結果格納部4及びデータ分類部5を備えている。
次に、図1に示したデータ分類装置1の決定木学習部3における決定木学習処理について説明する。図2は、決定木学習処理を説明するフローチャートである。このフローチャートには、学習データ、特徴量及び計算コストに基づいて、図9に示したような決定木を生成する学習処理が示されている。
探索した葉ノード
を、特徴量
が割り当てられた新しい内部ノードに置き替え、その内部ノードを分岐して新しい葉ノードを追加し(ステップS205)、ステップS202へ移行する。一方、評価値δが閾値εよりも大きくないと判定した場合(ステップS204:N)、葉ノード
をこれ以上分岐できないノードに設定し(ステップS206)、ステップS202へ移行する。ステップS202〜ステップS206の処理は、分岐可能な葉ノードが存在する限り繰り返して行われる。このようにして、根ノード、内部ノード及び葉ノードからなる図9に示すような決定木が生成される。
次に、図1に示したデータ分類装置1の決定木学習部3における決定木枝刈り処理について説明する。図3は、決定木枝刈り処理を説明する図であり、図4は、決定木枝刈り処理を説明するフローチャートである。このフローチャートには、学習データ、特徴量及び計算コストに基づいて生成した決定木に対し、さらに計算コストを考慮した決定木を生成するための枝刈り処理が示されている。
まず、ショット境界検出装置の構成について説明する。図5は、ショット境界検出装置の構成を示すブロック図である。このショット境界検出装置10は、フレーム画像取得部11、画像特徴量算出部12、決定木学習部13、結果格納部14、フレーム画像取得部15及びショット境界検出部16を備えている。
画像特徴量算出部12は、所定のフレーム画像fi,fi-kについて、画素値の頻度ヒストグラムを作成し、各ビンの頻度の絶対差分和をヒストグラム差分和による画像特徴量Dhist(fi,fi-k)として計算し、その画像特徴量の計算コストを算出する。
画像特徴量算出部12は、所定のフレーム画像fi,fi-kについて、エッジ方向ヒストグラムを作成し、各ビンの頻度の絶対差分和をエッジ方向ヒストグラム差分和による画像特徴量Dedge(fi,fi-k)として計算し、その画像特徴量の計算コストを算出する。エッジ方向ヒストグラムは、各画素について、エッジの方向arctan(dy/dx)及びエッジの強さ(dy2+dx2)1/2を算出することにより、エッジの方向毎にエッジの強さを表した分布図である。エッジの検出には、Sobelフィルタ等が用いられる。
画像特徴量算出部12は、まず、フレーム画像fiをブロック領域に分割する。そして、各ブロック領域について、フレーム画像fi-kとの間の類似度が閾値以上となる位置を探索する。最後に、類似度が閾値以上となる位置が見つからなかったブロック領域の総数をフレーム画像間の非類似度(画像特徴量DBM(fi,fi-k))として計算し、この画像特徴量の計算コストを算出する。ブロック領域の比較にはヒストグラム差分和、画素値の絶対差分和等が用いられる。
次に、図5に示した決定木学習部13により生成され、結果格納部14に格納されるショット境界検出用決定木の構成について説明する。図6は、ショット境界検出用決定木の構成を説明する図である。決定木学習部13は、画像特徴量算出部12から、例えば、前述の(1)〜(5)におけるk=1〜5とした場合における画像特徴量及び計算コストを入力し、図2に示した決定木学習処理により、25個の画像特徴量を1個の根ノード及び24個の内部ノード0〜23に割り当ててショット境界検出用決定木を生成する。そして、図4に示した決定木枝刈り処理により、子孫ノードを内部ノードに置き替えることにより、計算コストを一層考慮したショット境界検出用決定木を生成する。図6の例では、根ノードには、(1)におけるk=1とした場合の画像特徴量Dsad(fi,fi-1)が割り当てられ、内部ノード0には、(2)におけるk=1とした場合の画像特徴量Dhist(fi,fi-1)が割り当てられ、内部ノード1には、(1)におけるk=2とした場合の画像特徴量Dsad(fi,fi-2)が割り当てられ、内部ノード2が分岐した葉ノード0には、クラスl0のカテゴリ:フレーム画像fiはショット境界である、が割り当てられ、葉ノード1にはクラスl1のカテゴリ:フレーム画像fiはショット境界でない、が割り当てられている。また、根ノード及び内部ノードには、分岐条件がそれぞれ割り当てられる。
次に、図5に示したショット境界検出装置10による実験結果について説明する。図7は、実験結果を説明する比較表である。この実験結果は、ドラマ、スポーツ、ドキュメンタリー等の合計約180分のテレビ番組の映像のうち、半分の映像を、ショット境界検出用決定木を生成するための学習映像として使用し、半分の映像をショット境界検出対象として使用したときの結果である。また、この実験結果は、図10の決定木学習処理による決定木を用いた従来のデータ分類装置における結果と、図2の決定木学習処理による決定木を用いた実施例のショット境界検出装置10における結果とを比較するものである。決定木枝刈り処理は行っていない。図7において、再現率は、ショット境界の検出に対する再現性の観点から検出精度を示したものであり、適合率は、ショット境界の検出に対する適合性の観点からの検出精度を示したものである。また、処理時間は、デコードの時間を除いたショット境界検出のための時間を示している。
2 特徴量算出部
3,13 決定木学習部
4,14 結果格納部
5 データ分類部
10 ショット境界検出装置
11,15 フレーム画像取得部
12 画像特徴量算出部
16 ショット境界検出部
Claims (5)
- 複数の特徴量を属性に持つデータを、決定木に基づいて複数のカテゴリに分類する際に、前記特徴量及び分岐条件が割り当てられた根ノード及び内部ノード、並びに分類結果のカテゴリが割り当てられた葉ノードからなる決定木であって、前記根ノードから複数の内部ノードまたは葉ノードへ分岐し、前記内部ノードから他の内部ノードまたは葉ノードへと分岐する木構造の決定木を用いたデータ分類装置において、
前記決定木を生成するための学習用のデータから、前記複数の特徴量をそれぞれ計算し、前記特徴量の計算コストを算出する特徴量算出部と、
前記特徴量算出部により計算された特徴量及び前記分岐条件により、葉ノードへ分岐したときの、前記学習用のデータに対する分類精度の低さを示す不純度と、前記特徴量の計算コストの逆数とに基づいて、前記特徴量毎に評価値を算出し、前記評価値が最大となる特徴量を探索し、前記探索した特徴量を根ノードまたは内部ノードに割り当て、前記決定木を生成する決定木学習部と、を備えたことを特徴とするデータ分類装置。 - 請求項1に記載のデータ分類装置において、
前記決定木学習部は、前記葉ノードを新たな内部ノードに置き替え、前記新たな内部ノードに分岐して複数の新たな葉ノードを設定し、前記特徴量算出部により計算された特徴量を前記新たな内部ノードに割り当てた場合の前記評価値を、前記新たな内部ノード毎及び前記特徴量毎に算出し、前記評価値が最大となる新たな内部ノード及び特徴量を探索し、前記探索した特徴量を前記探索した新たな内部ノードに割り当てることにより、前記決定木を生成する、ことを特徴とするデータ分類装置。 - 請求項1または2に記載のデータ分類装置において、
前記決定木学習部は、さらに、前記生成した決定木を構成する内部ノードのうち、下位側に内部ノード及び葉ノードが配置された内部ノードを選定し、
前記選定した内部ノード並びに下位側に配置された内部ノード及び葉ノードからなる子孫ノードについて、前記子孫ノードによる計算コストの増加量を第1の計算コスト増加量として算出し、
前記子孫ノードによる前記不純度の減少量を第1の不純度減少量として算出し、
前記子孫ノードを新たな内部ノードに置き替え、前記新たな内部ノードに分岐して複数の新たな葉ノードを設定し、前記特徴量算出部により計算された特徴量を前記新たな内部ノードに割り当てた場合の前記計算コストの増加量及び前記不純度の減少量を、前記新たな内部ノード毎及び前記特徴量毎に、第2の計算コスト増加量及び第2の不純度減少量として算出し、
前記第1の計算コスト増加量から第2の計算コスト増加量を減算した結果が所定の閾値よりも大きく、かつ、前記第2の不純度減少量から第1の不純度減少量を減算した結果が所定の閾値よりも大きいときの前記新たな内部ノード及び特徴量を探索し、前記子孫ノードを前記探索した新たな内部ノード及び複数の新たな葉ノードに置き替え、前記探索した特徴量を前記探索した新たな内部ノードに割り当てることにより、新たな決定木を生成する、ことを特徴とするデータ分類装置。 - 請求項1から3までのいずれか一項に記載のデータ分類装置において、
映像を構成する複数のフレーム画像のうち、ショット境界のフレーム画像を検出する際に、
前記特徴量算出部は、前記決定木を生成するための学習映像に基づいて、前記学習映像を構成する複数のフレーム画像の特徴量をそれぞれ計算し、前記特徴量の計算コストを算出し、
前記決定木学習部は、
前記特徴量算出部により計算されたフレーム画像の特徴量及び前記分岐条件により、葉ノードへ分岐したときの、前記フレーム画像が真のショット境界であるか否かの分類精度の低さを示す不純度と、前記特徴量の計算コストの逆数とに基づいて、前記特徴量毎に評価値を算出し、前記評価値が最大となる特徴量を探索し、前記探索した特徴量を根ノードまたは内部ノードに割り当て、前記決定木を生成する、ことを特徴とするデータ分類装置。 - コンピュータを、請求項1から4までのいずれか一項に記載のデータ分類装置として機能させるためのデータ分類プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009173649A JP5367488B2 (ja) | 2009-07-24 | 2009-07-24 | データ分類装置及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009173649A JP5367488B2 (ja) | 2009-07-24 | 2009-07-24 | データ分類装置及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2011028519A true JP2011028519A (ja) | 2011-02-10 |
JP5367488B2 JP5367488B2 (ja) | 2013-12-11 |
Family
ID=43637196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2009173649A Expired - Fee Related JP5367488B2 (ja) | 2009-07-24 | 2009-07-24 | データ分類装置及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5367488B2 (ja) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019074921A (ja) * | 2017-10-16 | 2019-05-16 | 富士通株式会社 | 分類プログラム、分類方法、および分類装置 |
WO2019138584A1 (ja) * | 2018-01-15 | 2019-07-18 | 日本電気株式会社 | 分類木生成方法、分類木生成装置および分類木生成プログラム |
WO2019189249A1 (ja) * | 2018-03-29 | 2019-10-03 | 日本電気株式会社 | 学習装置、学習方法、及びコンピュータ読み取り可能な記録媒体 |
CN112199805A (zh) * | 2020-09-11 | 2021-01-08 | 山东信通电子股份有限公司 | 一种输电线路隐患识别模型评估方法及装置 |
US11526709B2 (en) | 2019-01-29 | 2022-12-13 | Canon Kabushiki Kaisha | Information processing apparatus, information processing method, and storage medium for classifying object of interest |
WO2023012971A1 (ja) * | 2021-08-05 | 2023-02-09 | 日本電信電話株式会社 | 学習方法、装置及びプログラム |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003517793A (ja) * | 1999-12-17 | 2003-05-27 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 決定木を用いてテレビ番組選択を推奨する方法及び装置 |
-
2009
- 2009-07-24 JP JP2009173649A patent/JP5367488B2/ja not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003517793A (ja) * | 1999-12-17 | 2003-05-27 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 決定木を用いてテレビ番組選択を推奨する方法及び装置 |
Non-Patent Citations (2)
Title |
---|
CSNG200300332008; 渡邉 聡 他: '決定木を用いた将棋の局面評価' 情報処理学会シンポジウムシリーズ Vol.2001 No.14 第6回ゲーム・プログラミングワークシ , 20011026, pp.117-123, 社団法人情報処理学会 * |
JPN6013024885; 渡邉 聡 他: '決定木を用いた将棋の局面評価' 情報処理学会シンポジウムシリーズ Vol.2001 No.14 第6回ゲーム・プログラミングワークシ , 20011026, pp.117-123, 社団法人情報処理学会 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019074921A (ja) * | 2017-10-16 | 2019-05-16 | 富士通株式会社 | 分類プログラム、分類方法、および分類装置 |
WO2019138584A1 (ja) * | 2018-01-15 | 2019-07-18 | 日本電気株式会社 | 分類木生成方法、分類木生成装置および分類木生成プログラム |
JPWO2019138584A1 (ja) * | 2018-01-15 | 2020-12-17 | 日本電気株式会社 | 分類木生成方法、分類木生成装置および分類木生成プログラム |
JP6992821B2 (ja) | 2018-01-15 | 2022-01-13 | 日本電気株式会社 | 分類木生成方法、分類木生成装置および分類木生成プログラム |
WO2019189249A1 (ja) * | 2018-03-29 | 2019-10-03 | 日本電気株式会社 | 学習装置、学習方法、及びコンピュータ読み取り可能な記録媒体 |
JPWO2019189249A1 (ja) * | 2018-03-29 | 2021-02-12 | 日本電気株式会社 | 学習装置、学習方法、及びプログラム |
US11526709B2 (en) | 2019-01-29 | 2022-12-13 | Canon Kabushiki Kaisha | Information processing apparatus, information processing method, and storage medium for classifying object of interest |
US11823451B2 (en) | 2019-01-29 | 2023-11-21 | Canon Kabushiki Kaisha | Information processing apparatus, information processing method, and storage medium for classifying object of interest |
CN112199805A (zh) * | 2020-09-11 | 2021-01-08 | 山东信通电子股份有限公司 | 一种输电线路隐患识别模型评估方法及装置 |
CN112199805B (zh) * | 2020-09-11 | 2022-11-15 | 山东信通电子股份有限公司 | 一种输电线路隐患识别模型评估方法及装置 |
WO2023012971A1 (ja) * | 2021-08-05 | 2023-02-09 | 日本電信電話株式会社 | 学習方法、装置及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP5367488B2 (ja) | 2013-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5367488B2 (ja) | データ分類装置及びプログラム | |
JP6188976B2 (ja) | 画像に含まれるテキストを検出する方法、装置及びコンピュータ読み取り可能な記録媒体 | |
JP6004016B2 (ja) | 情報変換方法、情報変換装置および情報変換プログラム | |
WO2014109127A1 (ja) | インデックス生成装置及び方法並びに検索装置及び検索方法 | |
JP5193518B2 (ja) | パターン探索装置及びその方法 | |
KR20010053788A (ko) | 내용기반 이미지 검색 시스템 및 그 방법 | |
EP2661709A1 (en) | Method and apparatus for comparing videos | |
CN107223242B (zh) | 用于在多个已存储图像中搜索相似图像的方法 | |
US8478045B2 (en) | Method and apparatus for processing an image comprising characters | |
US9223804B2 (en) | Determining capacity of search structures | |
JP6631519B2 (ja) | インデックス生成装置及びインデックス生成方法 | |
KR102400987B1 (ko) | 메모리 관리 장치 및 방법 | |
KR20220070482A (ko) | 이미지 증분 클러스터링 방법, 장치, 전자 기기, 저장 매체 및 프로그램 제품 | |
Lv et al. | Intelligent probing for locality sensitive hashing: Multi-probe LSH and beyond | |
Chen et al. | Compoundeyes: Near-duplicate detection in large scale online video systems in the cloud | |
US20150086118A1 (en) | Method for recognizing a visual context of an image and corresponding device | |
US9858293B2 (en) | Image processing apparatus and image processing method | |
Xie et al. | Improved whale optimization algorithm for 2D-Otsu image segmentation with application in steel plate surface defects segmentation | |
JP2010186307A (ja) | 動画コンテンツ識別装置および動画コンテンツ識別方法 | |
CN105930499B (zh) | 一种图片搜索方法及系统 | |
EP2966613A1 (en) | Method and apparatus for generating a super-resolved image from an input image | |
KR102035395B1 (ko) | 초점변경방식 광학 스캐너를 이용한 스캔 장치 및 스캔 방법 | |
Amin et al. | A hybrid defocused region segmentation approach using image matting | |
KR101919698B1 (ko) | 실루엣을 적용한 그룹 탐색 최적화 데이터 클러스터링 방법 및 시스템 | |
Guru et al. | Histogram based split and merge framework for shot boundary detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20111227 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20130528 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20130710 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20130815 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130911 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5367488 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |