JP2019508805A - 大域的最適化に基づく意味的セグメント化 - Google Patents
大域的最適化に基づく意味的セグメント化 Download PDFInfo
- Publication number
- JP2019508805A JP2019508805A JP2018540811A JP2018540811A JP2019508805A JP 2019508805 A JP2019508805 A JP 2019508805A JP 2018540811 A JP2018540811 A JP 2018540811A JP 2018540811 A JP2018540811 A JP 2018540811A JP 2019508805 A JP2019508805 A JP 2019508805A
- Authority
- JP
- Japan
- Prior art keywords
- segmentation
- score
- data set
- input data
- vector
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 113
- 238000005457 optimization Methods 0.000 title claims description 23
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000009792 diffusion process Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000001902 propagating effect Effects 0.000 claims 4
- 230000001131 transforming effect Effects 0.000 claims 2
- 238000013527 convolutional neural network Methods 0.000 description 20
- 230000015654 memory Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
Description
本願は、2016年2月4日出願の米国特許第62/291,076号の優先権を主張し、その全体が参照により本明細書に組み込まれる。
意味的セグメント化は、入って来るデータを、たとえばグラフィックイメージの形で受け取り、そのデータを論理セグメントに分割しようとするものである。イメージを処理する場合、セグメント化される出力は、たとえば人、道路、樹木、またはその他の独特のイメージ特徴を表すピクセルを共にグループ化してもよい。
本発明の実施形態は、イメージ特徴を識別するために畳み込みニューラルネットワーク(CNN)を使用し、さらにセグメント化出力における平滑さを保証するために変分反応拡散(VRD)を使用する、イメージセグメント化を提供する。VRDは、CNNのトレーニング期間に、CNNにおける重みを調整するために使用してよい逆伝搬導関数を生成するためにも使用される。本明細書に記載されているVRDプロセスは、ピクセル数におけるN log N時間(N log N time)で正確な推定および損失導関数を提供する。
Claims (40)
- 各ユニットに複数のセグメント化クラスの各々についての初期セグメント化スコアを割り当てることで、ニューラルネットワークを使用して入力データセットの各ユニットについて初期セグメント化スコアを決定し、
平滑さ基準を強調することによって、前記入力データセットの各ユニットについて最終セグメント化スコアを決定することと、
前記最終セグメント化スコアに従って、前記入力データセットをセグメント化することと、
を含む、データセグメント化のための方法。 - 最終セグメント化スコアを決定することは、変分反応拡散(VRD)を適用することを含む、請求項1に記載の方法。
- VRDを適用することは、前記初期セグメント化スコアおよび正定値パラメータ行列に基づいて、最適化問題を解決することを含む、請求項2に記載の方法。
- 前記最適化問題を解決することは、偏微分方程式のシステムを解決することを含む、請求項3に記載の方法。
- VRDを適用することは、前記正定値パラメータ行列上でのシュール分解を使用して前記最適化問題を前記偏微分方程式のシステムに変換することを含む、請求項4に記載の方法。
- 前記最終セグメント化スコアおよびエラー信号を使用して前記ニューラルネットワークをトレーニングするために、情報を逆伝搬することをさらに含む、請求項3に記載の方法。
- 情報を逆伝搬することは、前記正定値パラメータ行列に関して前記エラー信号の導関数を決定することを含む、請求項8に記載の方法。
- 前記入力データセットはイメージであり、前記入力データセットの各ユニットは前記イメージ内のピクセルである、請求項1に記載の方法。
- 各ユニットに複数のセグメント化クラスの各々についての初期セグメント化スコアを割り当てることで、入力データセットの各ユニットについて初期セグメント化スコアを決定するように構成された、ニューラルネットワークと、
平滑さ基準を強調することによって前記入力データセットの各ユニットについて最終セグメント化スコアを決定し、前記最終セグメント化スコアに従って前記入力データセットをセグメント化するように構成されたセグメント化モジュールと、
を有する、データセグメント化のためのシステム。 - 前記セグメント化モジュールは、前記最終セグメント化スコアを決定するために変分反応拡散(VRD)を適用するようにさらに構成される、請求項11に記載のシステム。
- 前記セグメント化モジュールは、前記初期セグメント化スコアおよび正定値パラメータ行列に基づいてVRD最適化問題を解決するようにさらに構成される、請求項12に記載のシステム。
- 前記セグメント化モジュールは、前記最適化問題を解決するために、偏微分方程式のシステムを解決するようにさらに構成される、請求項13に記載のシステム。
- 前記セグメント化モジュールは、前記正定値パラメータ行列上でのシュール分解を使用して前記最適化問題を前記偏微分方程式のシステムに変換するようにさらに構成される、請求項14に記載のシステム。
- 前記ニューラルネットワークは、前記最終セグメント化スコアおよびエラー信号を使用して前記ニューラルネットワークをトレーニングするために、情報を逆伝搬するようにさらに構成される、請求項13に記載のシステム。
- 前記ニューラルネットワークは、前記正定値パラメータ行列に関して前記エラー信号の導関数を決定するようにさらに構成される、請求項18に記載のシステム。
- 前記入力データセットはイメージであり、前記入力データセットの各ユニットは前記イメージ内のピクセルである、請求項11に記載のシステム。
- ビデオフィードを監視するための方法であって、
個々のイメージを有する入力データセットを生成するために、1つまたは複数のカメラを使用して監視される領域を表す入力データをキャプチャすることと、
各イメージに複数のセグメント化クラスの各々についての初期セグメント化スコアを割り当てることで、ニューラルネットワークを使用して前記入力データの各イメージについて初期セグメント化スコアを決定することと、
平滑さ基準を強調することによって、前記入力データセットの各イメージについて最終セグメント化スコアを決定することと、
前記最終セグメント化スコアに従って、前記入力データセットをセグメント化することと、
前記セグメント化された入力データセットに基づいて、警報条件に合致するかどうかを決定することと、
前記警報条件に合致する場合に、警報を生成することと、
を含む、ビデオフィードを監視するための方法。 - 最終セグメント化スコアを決定することは、変分反応拡散(VRD)を適用することを含む、請求項21に記載の方法。
- VRDを適用することは、前記初期セグメント化スコアおよび正定値パラメータ行列に基づいて、最適化問題を解決することを含む、請求項22に記載の方法。
- 前記最適化問題を解決することは、偏微分方程式のシステムを解決することを含む、請求項23に記載の方法。
- VRDを適用することは、前記正定値パラメータ行列上でのシュール分解を使用して前記最適化問題を前記偏微分方程式のシステムに変換することを含む、請求項24に記載の方法。
- 前記最終セグメント化スコアおよびエラー信号を使用して前記ニューラルネットワークをトレーニングするために、情報を逆伝搬することをさらに有する、請求項23に記載の方法。
- 情報を逆伝搬することは、前記正定値パラメータ行列に関して前記エラー信号の導関数を決定することを有する、請求項28に記載の方法。
- 前記警報条件は、しきい値を超える前記複数のセグメント化クラスのうちの所定の1つについての最終セグメント化スコアと、しきい値を超える前記最終セグメント化スコアにおける変化とのセットから選択される、条件を有する、請求項21に記載の方法。
- 個々のイメージを有する入力データセットを生成するように構成された、1つまたは複数のカメラと、
各イメージに複数のセグメント化クラスの各々についての初期セグメント化スコアを割り当てることで、入力データセットの各イメージについて初期セグメント化スコアを決定するように構成された、ニューラルネットワークと、
平滑さ基準を強調することによって前記入力データセットの各イメージについて最終セグメント化スコアを決定し、前記最終セグメント化スコアに従って前記入力データセットをセグメント化するように構成された、セグメント化モジュールと、
前記セグメント化された入力データセットに基づいて、警報条件に合致するかどうかを決定し、前記警報条件に合致する場合に、警報を生成するように構成された、警報モジュールと、
を有する、データセグメント化のためのシステム。 - 前記セグメント化モジュールは、前記最終セグメント化スコアを決定するために変分反応拡散(VRD)を適用するようにさらに構成される、請求項31に記載のシステム。
- 前記セグメント化モジュールは、前記初期セグメント化スコアおよび正定値パラメータ行列に基づいてVRD最適化問題を解決するようにさらに構成される、請求項32に記載のシステム。
- 前記セグメント化モジュールは、前記最適化問題を解決するために、偏微分方程式のシステムを解決するようにさらに構成される、請求項33に記載のシステム。
- 前記セグメント化モジュールは、前記正定値パラメータ行列上でのシュール分解を使用して前記最適化問題を前記偏微分方程式のシステムに変換するようにさらに構成される、請求項34に記載のシステム。
- 前記ニューラルネットワークは、前記最終セグメント化スコアおよびエラー信号を使用して前記ニューラルネットワークをトレーニングするために、情報を逆伝搬するようにさらに構成される、請求項33に記載のシステム。
- 前記ニューラルネットワークは、前記正定値パラメータ行列に関して前記エラー信号の導関数を決定するようにさらに構成される、請求項38に記載のシステム。
- 前記警報条件は、しきい値を超える前記複数のセグメント化クラスのうちの所定の1つについての最終セグメント化スコアと、しきい値を超える前記最終セグメント化スコアにおける変化とのセットから選択された条件を有する、請求項31に記載のシステム。
Applications Claiming Priority (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201662291076P | 2016-02-04 | 2016-02-04 | |
US62/291,076 | 2016-02-04 | ||
US15/402,680 | 2017-01-10 | ||
US15/402,680 US10290106B2 (en) | 2016-02-04 | 2017-01-10 | Video monitoring using semantic segmentation based on global optimization |
US15/402,652 US10235758B2 (en) | 2016-02-04 | 2017-01-10 | Semantic segmentation based on global optimization |
US15/402,652 | 2017-01-10 | ||
PCT/US2017/013846 WO2017136137A1 (en) | 2016-02-04 | 2017-01-18 | Semantic segmentation based on global optimization |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019508805A true JP2019508805A (ja) | 2019-03-28 |
JP6678246B2 JP6678246B2 (ja) | 2020-04-08 |
Family
ID=59497782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018540811A Active JP6678246B2 (ja) | 2016-02-04 | 2017-01-18 | 大域的最適化に基づく意味的セグメント化 |
Country Status (4)
Country | Link |
---|---|
US (2) | US10235758B2 (ja) |
JP (1) | JP6678246B2 (ja) |
DE (1) | DE112017000669T5 (ja) |
WO (1) | WO2017136137A1 (ja) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018106783A1 (en) * | 2016-12-06 | 2018-06-14 | Siemens Energy, Inc. | Weakly supervised anomaly detection and segmentation in images |
US10275820B2 (en) | 2017-01-31 | 2019-04-30 | Walmart Apollo, Llc | Systems and methods for utilizing a convolutional neural network architecture for visual product recommendations |
CN107610129B (zh) * | 2017-08-14 | 2020-04-03 | 四川大学 | 一种基于cnn的多模态鼻咽部肿瘤联合分割方法 |
CN107705334B (zh) * | 2017-08-25 | 2020-08-25 | 北京图森智途科技有限公司 | 一种摄像机异常检测方法及装置 |
CN107564032A (zh) * | 2017-09-01 | 2018-01-09 | 深圳市唯特视科技有限公司 | 一种基于外观网络的视频跟踪对象分割方法 |
CN107590813A (zh) * | 2017-10-27 | 2018-01-16 | 深圳市唯特视科技有限公司 | 一种基于深层交互式测地距离的图像分割方法 |
CN108319972B (zh) * | 2018-01-18 | 2021-11-02 | 南京师范大学 | 一种针对图像语义分割的端到端差异网络学习方法 |
CN109166141A (zh) * | 2018-08-10 | 2019-01-08 | Oppo广东移动通信有限公司 | 危险提醒方法、装置、存储介质及移动终端 |
CN109460744B (zh) * | 2018-11-26 | 2021-08-27 | 南京邮电大学 | 一种基于深度学习的视频监控系统 |
CN110705756B (zh) * | 2019-09-07 | 2023-05-12 | 创新奇智(重庆)科技有限公司 | 一种基于输入凸神经网络的电力能耗优化控制方法 |
CN111932529B (zh) * | 2020-09-10 | 2020-12-29 | 腾讯科技(深圳)有限公司 | 一种图像分类分割方法、装置及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001282728A (ja) * | 2000-03-30 | 2001-10-12 | Canon Inc | Wwwサーバにおけるクライアントデータ処理装置および方法並びに記憶媒体 |
US20050036710A1 (en) * | 2003-07-18 | 2005-02-17 | Kazunori Okada | Method for robust scale-space analysis of 3D local structures in medical images |
JP2008535528A (ja) * | 2005-01-18 | 2008-09-04 | トレストル コーポレーション | スライドの可変品質画像を形成するためのシステムおよび方法 |
US20140074767A1 (en) * | 2012-09-12 | 2014-03-13 | Numerica Corporation | Method and system for predicting a location of an object in a multi-dimensional space |
JP2014186525A (ja) * | 2013-03-22 | 2014-10-02 | Mega Chips Corp | 人物検出装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060159325A1 (en) * | 2005-01-18 | 2006-07-20 | Trestle Corporation | System and method for review in studies including toxicity and risk assessment studies |
US20080072182A1 (en) * | 2006-09-19 | 2008-03-20 | The Regents Of The University Of California | Structured and parameterized model order reduction |
US9147129B2 (en) * | 2011-11-18 | 2015-09-29 | Honeywell International Inc. | Score fusion and training data recycling for video classification |
US10055551B2 (en) * | 2013-10-10 | 2018-08-21 | Board Of Regents Of The University Of Texas System | Systems and methods for quantitative analysis of histopathology images using multiclassifier ensemble schemes |
US9665823B2 (en) * | 2013-12-06 | 2017-05-30 | International Business Machines Corporation | Method and system for joint training of hybrid neural networks for acoustic modeling in automatic speech recognition |
US10366342B2 (en) * | 2014-03-10 | 2019-07-30 | Fair Isaac Corporation | Generation of a boosted ensemble of segmented scorecard models |
US20170109584A1 (en) * | 2015-10-20 | 2017-04-20 | Microsoft Technology Licensing, Llc | Video Highlight Detection with Pairwise Deep Ranking |
-
2017
- 2017-01-10 US US15/402,652 patent/US10235758B2/en active Active
- 2017-01-10 US US15/402,680 patent/US10290106B2/en active Active
- 2017-01-18 DE DE112017000669.4T patent/DE112017000669T5/de active Pending
- 2017-01-18 JP JP2018540811A patent/JP6678246B2/ja active Active
- 2017-01-18 WO PCT/US2017/013846 patent/WO2017136137A1/en active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001282728A (ja) * | 2000-03-30 | 2001-10-12 | Canon Inc | Wwwサーバにおけるクライアントデータ処理装置および方法並びに記憶媒体 |
US20050036710A1 (en) * | 2003-07-18 | 2005-02-17 | Kazunori Okada | Method for robust scale-space analysis of 3D local structures in medical images |
JP2008535528A (ja) * | 2005-01-18 | 2008-09-04 | トレストル コーポレーション | スライドの可変品質画像を形成するためのシステムおよび方法 |
US20140074767A1 (en) * | 2012-09-12 | 2014-03-13 | Numerica Corporation | Method and system for predicting a location of an object in a multi-dimensional space |
JP2014186525A (ja) * | 2013-03-22 | 2014-10-02 | Mega Chips Corp | 人物検出装置 |
Non-Patent Citations (1)
Title |
---|
LUIS GOMEZ ET AL.: "Classification of Complex Wishart Matrices with a Diffusion-Reaction System guided by Stochastic Dis", ARXIV [ONLINE], JPN6019032160, July 2015 (2015-07-01), ISSN: 0004164480 * |
Also Published As
Publication number | Publication date |
---|---|
US20170228617A1 (en) | 2017-08-10 |
JP6678246B2 (ja) | 2020-04-08 |
DE112017000669T5 (de) | 2018-11-29 |
US10290106B2 (en) | 2019-05-14 |
WO2017136137A1 (en) | 2017-08-10 |
US20170228873A1 (en) | 2017-08-10 |
US10235758B2 (en) | 2019-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6678246B2 (ja) | 大域的最適化に基づく意味的セグメント化 | |
JP7335274B2 (ja) | ジオロケーションの予測のためのシステムおよび方法 | |
JP6771645B2 (ja) | ドメイン分離ニューラルネットワーク | |
US9111375B2 (en) | Evaluation of three-dimensional scenes using two-dimensional representations | |
JP6950692B2 (ja) | 人流推定装置、人流推定方法およびプログラム | |
JP7286013B2 (ja) | ビデオコンテンツ認識方法、装置、プログラム及びコンピュータデバイス | |
US11688105B2 (en) | Facial expression image processing method and apparatus | |
US11017296B2 (en) | Classifying time series image data | |
CN112215390A (zh) | 使用三维变换执行多元时间序列预测 | |
Xiao et al. | Anomaly detection via local coordinate factorization and spatio-temporal pyramid | |
JP7188856B2 (ja) | 動的な画像解像度評価 | |
WO2018211602A1 (ja) | 学習装置、推定装置、学習方法及びプログラム | |
JPWO2019220609A1 (ja) | 異常検出装置、異常検出方法及びプログラム | |
EP4105876A1 (en) | Method and apparatus with image enhancement | |
JP2023553630A (ja) | キーポイントベースの行動位置特定 | |
JP7202995B2 (ja) | 時空間事象予測装置、時空間事象予測方法及び時空間事象予測システム | |
JP2023540933A (ja) | 多様な人分析のための勾配分割によるマルチタスク学習 | |
JP7488846B2 (ja) | 連合学習機構を利用した画像IoTプラットフォーム | |
JP7286091B2 (ja) | 推定システム、推定装置および推定方法 | |
EP4343589A1 (en) | Computing device for quantifying the robustness of a model and method thereof | |
US20240169762A1 (en) | Methods for featureless gaze tracking in ecologically valid conditions | |
US20220383628A1 (en) | Conditional Object-Centric Learning with Slot Attention for Video and Other Sequential Data | |
GB2553351A (en) | Salient object detection | |
KR20230159262A (ko) | 스케일 분리를 통한 비디오의 빠른 객체 감지 방법 | |
JP2021009617A (ja) | 情報処理装置、情報処理方法及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180803 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190814 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190827 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20191025 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20191203 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200227 |
|
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: 20200310 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200316 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6678246 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313113 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |