JP2020098587A - ワッサースタイン距離を使用する物体形状回帰 - Google Patents
ワッサースタイン距離を使用する物体形状回帰 Download PDFInfo
- Publication number
- JP2020098587A JP2020098587A JP2019212083A JP2019212083A JP2020098587A JP 2020098587 A JP2020098587 A JP 2020098587A JP 2019212083 A JP2019212083 A JP 2019212083A JP 2019212083 A JP2019212083 A JP 2019212083A JP 2020098587 A JP2020098587 A JP 2020098587A
- Authority
- JP
- Japan
- Prior art keywords
- shape
- image
- contour
- regression model
- module
- 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
- 238000009826 distribution Methods 0.000 claims description 40
- 238000013528 artificial neural network Methods 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 24
- 238000001514 detection method Methods 0.000 abstract description 31
- 238000005457 optimization Methods 0.000 description 13
- 238000013459 approach Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 239000002131 composite material Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000009827 uniform distribution Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Abstract
Description
本明細書に記載される実施形態は、画像内の物体の境界を自動的に検出する問題を解決する。より具体的には、システムは、物体境界を検出するように修正されているW−GAN(ワッサースタイン敵対的生成ネットワーク)に基づく。W−GANは、画像の推測された境界と、画像の境界のグラウンドトゥルース(すなわち、ヒューマンアノテーション)との間のワッサースタイン距離を最小化することによって訓練され得る。W−GANフレームワークは、形状回帰器(すなわち、生成器)及びWスコア計算器(すなわち、識別器)を含むことができる。形状回帰器は、画像、及びランダムノイズのセットを入力に取り、予測された境界点を出力することができる。識別器は、予測された境界点とグラウンドトゥルース境界点との間のワッサースタイン距離を計算することができる。形状回帰器は、ワッサースタイン距離を最小化することによって訓練され得る。
敵対的生成ネットワーク(GAN)は、ゼロサムゲームフレームワークにおいて互いに競合する2つのニューラルネットワークからなるシステムによって実装される、教師なし機械学習で使用される人工知能アルゴリズムの一クラスである。近年、GANは、合成だがリアルな画像など、合成データを生成する手段として人気が高まってきている。これを行うために、GANは、典型的には、生成器ニューラルネットワーク(生成器と呼ばれる)と、識別器ニューラルネットワーク(識別器と呼ばれる)とを含む。
コンピュータビジョンでは、画像外観を物体の存在及び位置に直接マッピングする回帰関数を学習することによって、回帰ベースの方法を物体検出のために使用することができる。具体的な例として、画像内の物体の外形点(すなわち、外形上の点)を生成するために、形状回帰器モジュールを使用することができる。より詳細には、形状回帰器モジュールの出力は、外形点の2D位置(例えば、デカルトx−y座標)であり得る。例えば、形状回帰器の入力が画像であれば、形状回帰器の出力は、画像の外観を与えられた座標のセット(例えば、((x1,y1)、(x2,y2)、...、(xn,yn))又はこれらの座標の条件付き確率であり得る。
図8は、本発明の一実施形態による、物体形状検出システムを容易にする例示的なコンピュータシステムを示す。コンピュータシステム800は、プロセッサ802、メモリ804、及び記憶デバイス806を含む。コンピュータシステム800は、ディスプレイデバイス810、キーボード812、及びポインティングデバイス814に結合され得、また、1つ以上のネットワークインタフェースを介してネットワーク808に結合され得る。記憶デバイス806は、オペレーティングシステム818及び物体形状検出システム820を記憶することができる。
Claims (20)
- 画像内の物体の外形を検出するための方法であって、
少なくとも1つの物体を含む画像を受信することと、
ランダムノイズ信号を生成することと、
前記受信した画像及び前記ランダムノイズ信号を形状回帰器モジュールに提供することであって、前記形状回帰器モジュールは、形状回帰モデルを適用して、前記受信した画像内の物体の形状外形を予測する、ことと、を含む、方法。 - 前記形状回帰モデルを訓練することを更に含み、前記形状回帰モデルを訓練することが、
訓練画像のセットを取得することであって、それぞれの訓練画像がアノテーションされ、かつ少なくとも1つの物体を含んでおり、前記アノテーションされた訓練画像が、真の形状外形のセットに関連付けられている、ことと、
前記訓練画像及びランダムノイズ信号を前記形状回帰モデルに入力して、推定された形状外形を取得することと、
前記推定された形状外形及び真の形状外形を、前記推定された形状外形及び真の形状外形の確率分布間のワッサースタイン距離を計算する識別器モジュールに提供することと、
前記識別器モジュールによって計算された前記ワッサースタイン距離に基づいて前記形状回帰モデルのパラメータを最適化することと、を含む、請求項1に記載の方法。 - 前記形状回帰モデルを最適化することが、前記計算されたワッサースタイン距離が低減されるように前記形状回帰モデルのパラメータを更新することを含む、請求項2に記載の方法。
- 前記形状回帰器モジュールが第1のニューラルネットワークとして実装され、前記識別器モジュールが第2のニューラルネットワークとして実装される、請求項2に記載の方法。
- 前記第1及び第2のニューラルネットワークが共に、敵対的生成ネットワーク(GAN)を形成する、請求項4に記載の方法。
- 前記形状外形が、前記物体の境界に沿ったデカルトx−y座標に関して定義される、請求項1に記載の方法。
- 前記形状外形が、前記物体の境界に属する画像ピクセルの確率に関して定義される、請求項1に記載の方法。
- 画像内の物体の外形を検出するための装置であって、
少なくとも1つの物体を含む画像を受信するように構成された受信モジュールと、
ランダムノイズ信号を生成するように構成されたノイズ生成器と、
前記画像及びランダムノイズ信号を受信し、形状回帰モデルを適用して、前記受信した画像内の前記物体の形状外形を予測するように構成された形状回帰器モジュールと、を備える、装置。 - 前記形状回帰モデルの訓練を容易にする識別器モジュールを更に備え、
前記形状回帰モデルを訓練することが、
訓練画像のセットを取得することであって、それぞれの訓練画像がアノテーションされ、かつ少なくとも1つの物体を含んでおり、前記アノテーションされた訓練画像が、真の形状外形のセットに関連付けられている、ことと、
前記訓練画像及びランダムノイズ信号を前記形状回帰モデルに入力して、推定された形状外形を取得することと、
前記推定された形状外形及び真の形状外形を、前記推定された形状外形及び真の形状外形の確率分布間のワッサースタイン距離を計算する前記識別器モジュールに提供することと、
前記識別器モジュールによって計算された前記ワッサースタイン距離に基づいて前記形状回帰モデルのパラメータを最適化することと、を含む、請求項8に記載の装置。 - 前記形状回帰モデルを最適化することが、前記計算されたワッサースタイン距離が低減されるように前記形状回帰モデルのパラメータを更新することを含む、請求項9に記載の装置。
- 前記形状回帰器モジュールが第1のニューラルネットワークとして実装され、前記識別器モジュールが第2の第2のニューラルネットワークとして実装される、請求項9に記載の装置。
- 前記第1及び第2のニューラルネットワークが共に、敵対的生成ネットワーク(GAN)を形成する、請求項11に記載の装置。
- 前記形状外形が、前記物体の境界に沿ったデカルトx−y座標に関して定義される、請求項8に記載の装置。
- 前記形状外形が、前記物体の境界に属する画像ピクセルの確率に関して定義される、請求項8に記載の装置。
- 命令を記憶する非一時的コンピュータ可読記憶媒体であって、前記命令が、コンピュータによって実行されると、前記コンピュータに、画像内の物体の外形を検出するための方法を実行させ、前記方法が、
少なくとも1つの物体を含む画像を受信することと、
ランダムノイズ信号を生成することと、
前記受信した画像及び前記ランダムノイズ信号を形状回帰器モジュールに提供することであって、前記形状回帰器モジュールは、形状回帰モデルを適用して、前記受信した画像内の物体の形状外形を予測する、ことと、を含む、非一時的コンピュータ可読記憶媒体。 - 前記方法が、前記形状回帰モデルを訓練することを更に含み、前記形状回帰モデルを訓練することが、
訓練画像のセットを取得することであって、それぞれの訓練画像がアノテーションされ、かつ少なくとも1つの物体を含んでおり、前記アノテーションされた訓練画像が、真の形状外形のセットに関連付けられている、ことと、
前記訓練画像及びランダムノイズ信号を前記形状回帰モデルに入力して、推定された形状外形を取得することと、
前記推定された形状外形及び真の形状外形を、前記推定された形状外形及び真の形状外形の確率分布間のワッサースタイン距離を計算する識別器モジュールに提供することと、
前記識別器モジュールによって計算された前記ワッサースタイン距離に基づいて前記形状回帰モデルのパラメータを最適化することと、を含む、請求項15に記載の非一時的コンピュータ可読記憶媒体。 - 前記形状回帰モデルを最適化することが、前記計算されたワッサースタイン距離が低減されるように前記形状回帰モデルのパラメータを更新することを含む、請求項16に記載の非一時的コンピュータ可読記憶媒体。
- 前記形状回帰器モジュールが第1のニューラルネットワークとして実装され、前記識別器モジュールが第2のニューラルネットワークとして実装され、前記第1及び第2のニューラルネットワークが共に、敵対的生成ネットワーク(GAN)を形成する、請求項16に記載の非一時的コンピュータ可読記憶媒体。
- 前記形状外形が、前記物体の境界に沿ったデカルトx−y座標に関して定義される、請求項15に記載の非一時的コンピュータ可読記憶媒体。
- 前記形状外形が、前記物体の境界に属する画像ピクセルの確率に関して定義される、請求項15に記載の非一時的コンピュータ可読記憶媒体。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/222,062 US10943352B2 (en) | 2018-12-17 | 2018-12-17 | Object shape regression using wasserstein distance |
US16/222,062 | 2018-12-17 |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2020098587A true JP2020098587A (ja) | 2020-06-25 |
JP2020098587A5 JP2020098587A5 (ja) | 2022-11-29 |
JP7263216B2 JP7263216B2 (ja) | 2023-04-24 |
Family
ID=68917481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019212083A Active JP7263216B2 (ja) | 2018-12-17 | 2019-11-25 | ワッサースタイン距離を使用する物体形状回帰 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10943352B2 (ja) |
EP (1) | EP3671555A1 (ja) |
JP (1) | JP7263216B2 (ja) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993825B (zh) * | 2019-03-11 | 2023-06-20 | 北京工业大学 | 一种基于深度学习的三维重建方法 |
DE102019210270A1 (de) * | 2019-05-23 | 2020-11-26 | Robert Bosch Gmbh | Verfahren zum Trainieren eines Generative Adversarial Networks (GAN), Generative Adversarial Network, Computerprogramm, maschinenlesbares Speichermedium und Vorrichtung |
US11068753B2 (en) * | 2019-06-13 | 2021-07-20 | Visa International Service Association | Method, system, and computer program product for generating new items compatible with given items |
CN113362351A (zh) * | 2020-03-05 | 2021-09-07 | 阿里巴巴集团控股有限公司 | 一种图像处理方法、装置、电子设备以及存储介质 |
US11823379B2 (en) * | 2020-08-05 | 2023-11-21 | Ping An Technology (Shenzhen) Co., Ltd. | User-guided domain adaptation for rapid annotation from user interactions for pathological organ segmentation |
US20220051017A1 (en) * | 2020-08-11 | 2022-02-17 | Nvidia Corporation | Enhanced object identification using one or more neural networks |
US11762951B2 (en) * | 2020-11-18 | 2023-09-19 | Adobe Inc. | Generative image congealing |
CN112633350B (zh) * | 2020-12-18 | 2021-10-01 | 湖北工业大学 | 一种基于图卷积的多尺度点云分类实现方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018073393A (ja) * | 2016-09-12 | 2018-05-10 | ダッソー システムズDassault Systemes | 深度マップからの現実の物体の3d再構築 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8358839B2 (en) * | 2009-11-30 | 2013-01-22 | Xerox Corporation | Local regression methods and systems for image processing systems |
CN103093490B (zh) * | 2013-02-02 | 2015-08-26 | 浙江大学 | 基于单个视频摄像机的实时人脸动画方法 |
EP3136290A1 (en) * | 2015-08-28 | 2017-03-01 | Thomson Licensing | Method and device for determining the shape of an object represented in an image, corresponding computer program product and computer readable medium |
WO2018010101A1 (en) * | 2016-07-12 | 2018-01-18 | Microsoft Technology Licensing, Llc | Method, apparatus and system for 3d face tracking |
US10679046B1 (en) * | 2016-11-29 | 2020-06-09 | MAX-PLANCK-Gesellschaft zur Förderung der Wissenschaften e.V. | Machine learning systems and methods of estimating body shape from images |
EP3573520A4 (en) * | 2017-01-27 | 2020-11-04 | Arterys Inc. | AUTOMATED SEGMENTATION USING FULLY CONVOLUTIVE NETWORKS |
US11055989B2 (en) * | 2017-08-31 | 2021-07-06 | Nec Corporation | Viewpoint invariant object recognition by synthesization and domain adaptation |
US10614557B2 (en) * | 2017-10-16 | 2020-04-07 | Adobe Inc. | Digital image completion using deep learning |
US10733699B2 (en) * | 2017-10-24 | 2020-08-04 | Deep North, Inc. | Face replacement and alignment |
US10878529B2 (en) * | 2017-12-22 | 2020-12-29 | Canon Medical Systems Corporation | Registration method and apparatus |
US11445994B2 (en) * | 2018-01-24 | 2022-09-20 | Siemens Healthcare Gmbh | Non-invasive electrophysiology mapping based on affordable electrocardiogram hardware and imaging |
US20190347567A1 (en) * | 2018-03-13 | 2019-11-14 | Genetic Intelligence, Inc. | Methods for data segmentation and identification |
US10825227B2 (en) * | 2018-04-03 | 2020-11-03 | Sri International | Artificial intelligence for generating structured descriptions of scenes |
US10614207B1 (en) * | 2019-07-09 | 2020-04-07 | Capital One Services, Llc | Generating captcha images using variations of the same object |
-
2018
- 2018-12-17 US US16/222,062 patent/US10943352B2/en active Active
-
2019
- 2019-11-25 JP JP2019212083A patent/JP7263216B2/ja active Active
- 2019-12-13 EP EP19216337.6A patent/EP3671555A1/en not_active Ceased
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018073393A (ja) * | 2016-09-12 | 2018-05-10 | ダッソー システムズDassault Systemes | 深度マップからの現実の物体の3d再構築 |
Non-Patent Citations (6)
Title |
---|
CHRISTIAN F. BAUMGARTNER, 外4名: ""Visual Feature Attribution Using Wasserstein GANs"", 2018 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION, JPN6023009853, 23 June 2018 (2018-06-23), US, pages 8309 - 8319, XP033473754, ISSN: 0005010612, DOI: 10.1109/CVPR.2018.00867 * |
WANCHAO SU, 外4名: ""Interactive Sketch-Based Normal Map Generation with Deep Neural Networks"", PROCEEDINGS OF THE ACM ON COMPUTER GRAPHICS AND INTERACTIVE TECHNIQUES, vol. 第1巻, 第1号, JPN7023000987, 25 July 2018 (2018-07-25), pages 1 - 17, XP058411866, ISSN: 0005010614, DOI: 10.1145/3203186 * |
ZIQIANG ZHENG, 外4名: ""Instance Map Based Image Synthesis With a Denoising Generative Adversarial Network"", IEEE ACCESS, vol. 第6巻, JPN6023009852, 20 June 2018 (2018-06-20), US, pages 33654 - 33665, ISSN: 0005010613 * |
上西和樹, 外2名: ""敵対的生成ネットワークを用いた,3次元点群形状特徴量の教師なし学習"", 研究報告コンピュータグラフィックスとビジュアル情報学(CG), JPN6023009851, 14 June 2018 (2018-06-14), JP, pages 1 - 7, ISSN: 0005010609 * |
久保田涼介, 外1名: ""全層畳み込みニューラルネットワークを用いた透明物体の輪郭抽出"", 電子情報通信学会技術研究報告, vol. 第118巻, 第35号, JPN6023009850, 10 May 2018 (2018-05-10), JP, pages 41 - 46, ISSN: 0005010610 * |
榎木谷侑生, 外2名: ""Adversarial U-Net for Liver Segmentation"", 電子情報通信学会技術研究報告, vol. 第117巻, 第518号, JPN6023009854, 12 March 2018 (2018-03-12), JP, pages 67 - 68, ISSN: 0005010611 * |
Also Published As
Publication number | Publication date |
---|---|
JP7263216B2 (ja) | 2023-04-24 |
EP3671555A1 (en) | 2020-06-24 |
US10943352B2 (en) | 2021-03-09 |
US20200193607A1 (en) | 2020-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7263216B2 (ja) | ワッサースタイン距離を使用する物体形状回帰 | |
US20230229919A1 (en) | Learning to generate synthetic datasets for training neural networks | |
US11062207B2 (en) | Control systems using deep reinforcement learning | |
EP3405845B1 (en) | Object-focused active three-dimensional reconstruction | |
CN110084304B (zh) | 一种基于合成数据集的目标检测方法 | |
CN111241989B (zh) | 图像识别方法及装置、电子设备 | |
US10482609B2 (en) | Optical flow determination system | |
CN111445488B (zh) | 一种弱监督学习自动识别和分割盐体的方法 | |
CN108805016B (zh) | 一种头肩区域检测方法及装置 | |
US20220051058A1 (en) | Unmanned driving behavior decision-making and model training | |
US20220254157A1 (en) | Video 2D Multi-Person Pose Estimation Using Multi-Frame Refinement and Optimization | |
JP2020038660A (ja) | CNN(Convolutional Neural Network)を利用して車線を検出するための学習方法及び学習装置そしてこれを利用したテスト方法及びテスト装置{LEARNING METHOD, LEARNING DEVICE FOR DETECTING LANE USING CNN AND TEST METHOD, TEST DEVICE USING THE SAME} | |
CN112395987A (zh) | 基于无监督域适应cnn的sar图像目标检测方法 | |
US11928813B2 (en) | Method and system for detecting change to structure by using drone | |
Ushani et al. | Feature learning for scene flow estimation from lidar | |
Khrissi et al. | A performant clustering approach based on an improved sine cosine algorithm | |
CN112926681B (zh) | 一种基于深度卷积神经网络的目标检测方法及装置 | |
WO2022099526A1 (zh) | 变道预测回归模型训练方法、变道预测方法和装置 | |
CN115443483A (zh) | 基于神经网络模型的深度估计 | |
CN114663835A (zh) | 一种行人跟踪方法、系统、设备及存储介质 | |
Chen et al. | Towards bio-inspired place recognition over multiple spatial scales | |
Colling | Uncertainty Quantification and its Applications for Multimodal Semantic Segmentation | |
EP4310779A1 (en) | Segmenting a building scene | |
Oleksiienko et al. | Variational Voxel Pseudo Image Tracking | |
US20230244985A1 (en) | Optimized active learning using integer programming |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20191129 |
|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20191129 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221118 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221118 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20221118 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230306 |
|
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: 20230313 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230412 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7263216 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |