JP7002404B2 - データから潜在因子を発見するニューラルネットワーク - Google Patents
データから潜在因子を発見するニューラルネットワーク Download PDFInfo
- Publication number
- JP7002404B2 JP7002404B2 JP2018094146A JP2018094146A JP7002404B2 JP 7002404 B2 JP7002404 B2 JP 7002404B2 JP 2018094146 A JP2018094146 A JP 2018094146A JP 2018094146 A JP2018094146 A JP 2018094146A JP 7002404 B2 JP7002404 B2 JP 7002404B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- latent
- model
- code
- neural network
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Algebra (AREA)
- Nonlinear Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Image Analysis (AREA)
- Machine Translation (AREA)
Description
M100 入力データのセット
M200 ノイズ
M300 ノイズデータのセット
M400 エンコーダモデル
M500 事前確率的レイヤ
M600 非線形確率活性化部のセット
M700 潜在コードのセット
M800 デコーダモデル
M900 再構築データのセット
M1100 フィードバック手法
Claims (15)
- ニューラルネットワークを備えるニューラルネットワーク環境において潜在因子をデータから発見する方法であって、
入力データのセットに対してノイズをデータノイズ部によって付加する工程と、
前記入力データのセットに基づいて、潜在コードのセットをエンコーダモデル及び非線形確率活性化部のセットによって計算する工程と、
前記潜在コードのセットをデコーダモデルによって復号することで、再構築データのセットを取得する工程と、
を含む潜在因子発見方法。 - 請求項1に記載の潜在因子発見方法において、
前記入力データのセットと、前記入力データのセットに対応し、エンコーダネットワークによって計算された前記潜在コードのセットとを用いて、分類モデルの訓練を行う工程と、
を更に含む潜在因子発見方法。 - 請求項1に記載の潜在因子発見方法において、
前記ニューラルネットワークに対して損失関数を適用し、コード損失値を取得する工程と、
前記再構築データのセットから、前記再構築データのセットの、前記入力データのセットに対する類似性を示す再構築損失値を計算する工程と、
前記再構築損失値及び前記コード損失値を用いて、総損失値を算出する工程と、
前記総損失値を低減するためのフィードバック手法を前記ニューラルネットワークに対して実行する工程と、
を更に含む潜在因子発見方法。 - 請求項3に記載の潜在因子発見方法において、
所定のコードのセットをコード変換モデルに提供する工程と、
前記再構築データのセットを、複数の所望の特徴属性を分類するように構成された分類モデルに提供する工程と、
前記分類モデルから取得した前記総損失値を用いて、前記変換モデルの訓練を行う工程と、
前記デコーダモデルに提供されると、所望の属性を生成するように構成された属性コードのセットを前記コード変換モデルによって生成する工程と、
を更に含む潜在因子発見方法。 - 請求項1に記載の潜在因子発見方法において、
誤分類されたデータサンプルのセットを第1の分類モデルから受信する工程と、
前記誤分類されたデータサンプルのセットに対応する潜在コードのセットを前記エンコーダモデルによって計算する工程と、
前記誤分類されたデータサンプルに対応する潜在コードのセットに基づいて、データサンプルのセットを前記デコーダモデルによって生成する工程と、
前記誤分類されたデータサンプルのセットに対応する潜在コードに基づいて生成された前記データサンプルのセットを用いて、機械学習手法を第2分類モデルに対して実行する工程と、
を更に含む潜在因子発見方法。 - 請求項1に記載の潜在因子発見方法において、
暗号データのセットを用いて、分類モデルに対して機械学習手法を実行する工程と、
非暗号データのセットに対応する第2潜在コードのセットを、前記エンコーダモデルによって計算する工程と、
前記暗号データのセットを用いて機械学習手法を実行し、前記非暗号データのセットに対応する前記第2潜在コードのセットを計算した後、前記非暗号データのセット及び前記第2潜在コードのセットを用いて、前記分類モデルに対して微調整手法を実行する工程と、
を更に含む潜在因子発見方法。 - 請求項1に記載の潜在因子発見方法において、
ノイズデータのセットを前記ニューラルネットワークによって受信する工程と、
前記ノイズデータのセットに基づいて、第2潜在コードのセットを前記エンコーダモデル及び前記非線形確率活性化部のセットによって計算する工程と、
前記第2潜在コードのセットを前記デコーダモデルによって復号することで、ノイズ除去データのセットを取得する工程と、
を更に含む潜在因子発見方法。 - 請求項1に記載の潜在因子発見方法において、
第2入力データのセットを受信する工程と、
前記第2入力データのセットに基づいて、第2潜在コードのセットをエンコーダモデル及び前記非線形確率活性化部のセットによって計算する工程と、
前記第2入力データのセットに基づいて計算された前記第2潜在コードのセットに対応するラベルのセットを前記第2入力データのセットに割り当てる工程と、
を更に含む潜在因子発見方法。 - 請求項1に記載の潜在因子発見方法において、
前記入力データのセットに基づいた前記潜在コードのセットをクライアント端末に送信する工程と、
前記デコーダモデルを用いて、前記クライアント端末によって前記入力データのセットを前記潜在コードのセットから再構築する工程と、
を更に含む潜在因子発見方法。 - 請求項1に記載の潜在因子発見方法において、
第1データのセットに対応する第1潜在コードのセットを受信する工程と、
第2データのセットに対応する第2潜在コードのセットを受信する工程と、
前記第1潜在コードのセットを前記第2潜在コードのセットに比較することで、前記第1データのセットが前記第2データのセットに対する類似性閾値を達成するか否かを判定する工程と、
前記第1データのセットが、前記第2データのセットに対する類似性閾値を達成すると判定した場合、前記第1データのセットと前記第2データのセットとを統合し、結合データのセットを生成する工程と、
を更に含む潜在因子発見方法。 - ニューラルネットワークを備えるニューラルネットワーク環境において潜在因子をデータから発見する装置であって、
前記装置は、
コンピュータ可読のコンピュータ命令のセットを有するメモリと、
前記コンピュータ可読の命令を実行するプロセッサと、
を備え、
前記コンピュータ可読の命令は、
入力データのセットに対してノイズをデータノイズ部によって付加する工程と、
前記入力データのセットに基づいて、潜在コードのセットをエンコーダモデル及び非線形確率活性化部のセットによって計算する工程と、
前記潜在コードのセットをデコーダモデルによって復号することで、再構築データのセットを取得する工程と、
を含む潜在因子発見装置。 - 請求項11に記載の潜在因子発見装置において、
前記コンピュータ可読の命令は、
前記入力データのセットと、前記入力データのセットに対応し、エンコーダネットワークによって計算された前記潜在コードのセットとを用いて、分類モデルの訓練を行う工程と、
を更に含む潜在因子発見装置。 - 請求項11に記載の潜在因子発見装置において、
前記コンピュータ可読の命令は、
前記ニューラルネットワークに対して損失関数を適用し、コード損失値を取得する工程と、
前記再構築データのセットから、前記再構築データのセットの、前記入力データのセットに対する類似性を示す再構築損失値を計算する工程と、
前記再構築損失値及び前記コード損失値を用いて、総損失値を算出する工程と、
前記総損失値を低減するためのフィードバック手法を前記ニューラルネットワークに対して実行する工程と、
を更に含む潜在因子発見装置。 - ニューラルネットワークを備えるニューラルネットワーク環境において潜在因子をデータから発見するコンピュータプログラム製品であって、
前記コンピュータプログラム製品は、
プログラム命令を含み、一時的な信号ではないコンピュータ可読記憶媒体を備え、
前記プログラム命令は、
入力データのセットに対してノイズをデータノイズ部によって付加する工程と、
前記入力データのセットに基づいて、潜在コードのセットをエンコーダモデル及び非線形確率活性化部のセットによって計算する工程と、
前記潜在コードのセットをデコーダモデルによって復号することで、再構築データのセットを取得する工程と、
をプロセッサに実行させることを特徴とするコンピュータプログラム製品。 - 請求項14に記載のコンピュータプログラム製品において、
前記プログラム命令は、
所定のコードのセットをコード変換モデルに提供する工程と、
前記再構築データのセットを、複数の所望の特徴属性を分類するように構成された分類モデルに提供する工程と、
前記分類モデルから取得した総損失値を用いて、前記変換モデルの訓練を行う工程と、
前記デコーダモデルに提供されると所望の属性を生成するように構成された属性コードのセットを前記コード変換モデルによって生成する工程と、
を更に含むコンピュータプログラム製品。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018094146A JP7002404B2 (ja) | 2018-05-15 | 2018-05-15 | データから潜在因子を発見するニューラルネットワーク |
US16/389,532 US11468265B2 (en) | 2018-05-15 | 2019-04-19 | Neural networks for discovering latent factors from data |
EP19171496.3A EP3570221A1 (en) | 2018-05-15 | 2019-04-29 | Neural networks for discovering latent factors from data |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018094146A JP7002404B2 (ja) | 2018-05-15 | 2018-05-15 | データから潜在因子を発見するニューラルネットワーク |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2019200551A JP2019200551A (ja) | 2019-11-21 |
JP2019200551A5 JP2019200551A5 (ja) | 2020-11-26 |
JP7002404B2 true JP7002404B2 (ja) | 2022-01-20 |
Family
ID=66323710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018094146A Active JP7002404B2 (ja) | 2018-05-15 | 2018-05-15 | データから潜在因子を発見するニューラルネットワーク |
Country Status (3)
Country | Link |
---|---|
US (1) | US11468265B2 (ja) |
EP (1) | EP3570221A1 (ja) |
JP (1) | JP7002404B2 (ja) |
Families Citing this family (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10127240B2 (en) | 2014-10-17 | 2018-11-13 | Zestfinance, Inc. | API for implementing scoring functions |
WO2019028179A1 (en) | 2017-08-02 | 2019-02-07 | Zestfinance, Inc. | SYSTEMS AND METHODS FOR PROVIDING DISAPPEARED IMPACT INFORMATION OF AUTOMATIC LEARNING MODEL |
US11138333B2 (en) | 2018-03-07 | 2021-10-05 | Private Identity Llc | Systems and methods for privacy-enabled biometric processing |
US11210375B2 (en) | 2018-03-07 | 2021-12-28 | Private Identity Llc | Systems and methods for biometric processing with liveness |
US11394552B2 (en) | 2018-03-07 | 2022-07-19 | Private Identity Llc | Systems and methods for privacy-enabled biometric processing |
US11265168B2 (en) * | 2018-03-07 | 2022-03-01 | Private Identity Llc | Systems and methods for privacy-enabled biometric processing |
US11502841B2 (en) | 2018-03-07 | 2022-11-15 | Private Identity Llc | Systems and methods for privacy-enabled biometric processing |
US11392802B2 (en) | 2018-03-07 | 2022-07-19 | Private Identity Llc | Systems and methods for privacy-enabled biometric processing |
US10721070B2 (en) | 2018-03-07 | 2020-07-21 | Private Identity Llc | Systems and methods for privacy-enabled biometric processing |
US11789699B2 (en) | 2018-03-07 | 2023-10-17 | Private Identity Llc | Systems and methods for private authentication with helper networks |
US11489866B2 (en) | 2018-03-07 | 2022-11-01 | Private Identity Llc | Systems and methods for private authentication with helper networks |
US10938852B1 (en) | 2020-08-14 | 2021-03-02 | Private Identity Llc | Systems and methods for private authentication with helper networks |
US11170084B2 (en) | 2018-06-28 | 2021-11-09 | Private Identity Llc | Biometric authentication |
EP3762869A4 (en) | 2018-03-09 | 2022-07-27 | Zestfinance, Inc. | SYSTEMS AND METHODS FOR PROVIDING ASSESSMENT OF A MACHINE LEARNING MODEL THROUGH DECOMPOSITION |
US11847574B2 (en) | 2018-05-04 | 2023-12-19 | Zestfinance, Inc. | Systems and methods for enriching modeling tools and infrastructure with semantics |
US11816541B2 (en) | 2019-02-15 | 2023-11-14 | Zestfinance, Inc. | Systems and methods for decomposition of differentiable and non-differentiable models |
US11977388B2 (en) * | 2019-02-21 | 2024-05-07 | Nvidia Corporation | Quantizing autoencoders in a neural network |
WO2020191057A1 (en) * | 2019-03-18 | 2020-09-24 | Zestfinance, Inc. | Systems and methods for model fairness |
DE102019127795A1 (de) * | 2019-10-15 | 2021-04-15 | Infineon Technologies Ag | Schaltung und ein Verfahren zum Bestimmen einer Lage eines Magneten und Joystick |
US12014529B2 (en) * | 2020-01-21 | 2024-06-18 | Samsung Electronics Co., Ltd. | Image processing method and apparatus using neural network |
CN111368976B (zh) * | 2020-02-27 | 2022-09-02 | 杭州国芯科技股份有限公司 | 基于神经网络特征识别的数据压缩方法 |
KR102428334B1 (ko) * | 2020-03-02 | 2022-08-02 | 단국대학교 산학협력단 | 딥러닝 네트워크를 이용한 전자코 가스 데이터 재구성 시스템 및 방법 |
US11494976B2 (en) * | 2020-03-06 | 2022-11-08 | Nvidia Corporation | Neural rendering for inverse graphics generation |
US11776679B2 (en) * | 2020-03-10 | 2023-10-03 | The Board Of Trustees Of The Leland Stanford Junior University | Methods for risk map prediction in AI-based MRI reconstruction |
JP7396159B2 (ja) * | 2020-03-26 | 2023-12-12 | 富士通株式会社 | 画像処理装置、画像認識システム及び画像処理プログラム |
CN112001248B (zh) * | 2020-07-20 | 2024-03-01 | 北京百度网讯科技有限公司 | 主动交互的方法、装置、电子设备和可读存储介质 |
EP3975054A1 (en) * | 2020-09-29 | 2022-03-30 | Robert Bosch GmbH | Device and method for classifying an input signal using an invertible factorization model |
WO2022093249A1 (en) * | 2020-10-29 | 2022-05-05 | Hewlett-Packard Development Company, L.P. | Latent representation scrambler and generative network adjustments |
WO2022101961A1 (ja) * | 2020-11-10 | 2022-05-19 | 日本電信電話株式会社 | 学習装置、学習方法およびプログラム |
US20230410472A1 (en) * | 2020-11-10 | 2023-12-21 | Nippon Telegraph And Telephone Corporation | Learning device, learning method and program |
US11720962B2 (en) | 2020-11-24 | 2023-08-08 | Zestfinance, Inc. | Systems and methods for generating gradient-boosted models with improved fairness |
US11915343B2 (en) * | 2020-12-04 | 2024-02-27 | Adobe Inc. | Color representations for textual phrases |
US20220253856A1 (en) * | 2021-02-11 | 2022-08-11 | The Toronto-Dominion Bank | System and method for machine learning based detection of fraud |
CN113127058B (zh) * | 2021-04-28 | 2024-01-16 | 北京百度网讯科技有限公司 | 数据标注方法、相关装置及计算机程序产品 |
US20220405569A1 (en) * | 2021-06-22 | 2022-12-22 | Google Llc | Object Observation Tracking In Images Using Encoder-Decoder Models |
CN113703986B (zh) * | 2021-10-29 | 2022-03-11 | 苏州优鲜信网络生活服务科技有限公司 | 一种基于大数据的信息管理系统与方法 |
CN118229441B (zh) * | 2024-05-27 | 2024-08-23 | 江西微博科技有限公司 | 一种基于智能关联图谱的电子凭证数据应用方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017094899A1 (en) | 2015-12-02 | 2017-06-08 | Preferred Networks, Inc. | Generative machine learning systems for drug design |
WO2017094267A1 (ja) | 2015-12-01 | 2017-06-08 | 株式会社Preferred Networks | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170328194A1 (en) * | 2016-04-25 | 2017-11-16 | University Of Southern California | Autoencoder-derived features as inputs to classification algorithms for predicting failures |
US10373055B1 (en) * | 2016-05-20 | 2019-08-06 | Deepmind Technologies Limited | Training variational autoencoders to generate disentangled latent factors |
WO2018085697A1 (en) | 2016-11-04 | 2018-05-11 | Google Llc | Training neural networks using a variational information bottleneck |
US10679129B2 (en) * | 2017-09-28 | 2020-06-09 | D5Ai Llc | Stochastic categorical autoencoder network |
-
2018
- 2018-05-15 JP JP2018094146A patent/JP7002404B2/ja active Active
-
2019
- 2019-04-19 US US16/389,532 patent/US11468265B2/en active Active
- 2019-04-29 EP EP19171496.3A patent/EP3570221A1/en not_active Ceased
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017094267A1 (ja) | 2015-12-01 | 2017-06-08 | 株式会社Preferred Networks | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 |
WO2017094899A1 (en) | 2015-12-02 | 2017-06-08 | Preferred Networks, Inc. | Generative machine learning systems for drug design |
Non-Patent Citations (1)
Title |
---|
Pascal Vincent et al.,Extracting and Composing Robust Features with Denoising Autoencoders,Proceedings of the 25th International Conference on Machine Learning,ACM,2008年07月05日 |
Also Published As
Publication number | Publication date |
---|---|
JP2019200551A (ja) | 2019-11-21 |
EP3570221A1 (en) | 2019-11-20 |
US11468265B2 (en) | 2022-10-11 |
US20190354806A1 (en) | 2019-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7002404B2 (ja) | データから潜在因子を発見するニューラルネットワーク | |
US20230021661A1 (en) | Forgery detection of face image | |
US10311334B1 (en) | Learning to process images depicting faces without leveraging sensitive attributes in deep learning models | |
Seow et al. | A comprehensive overview of Deepfake: Generation, detection, datasets, and opportunities | |
US20190087726A1 (en) | Hypercomplex deep learning methods, architectures, and apparatus for multimodal small, medium, and large-scale data representation, analysis, and applications | |
US11620521B2 (en) | Smoothing regularization for a generative neural network | |
CN113544659A (zh) | 基于散列的有效用户建模 | |
Duan et al. | Efficient image encryption and compression based on a VAE generative model | |
Sun et al. | An information theoretic approach for attention-driven face forgery detection | |
Ding et al. | Towards underwater image enhancement using super-resolution convolutional neural networks | |
Johari et al. | Context-aware colorization of gray-scale images utilizing a cycle-consistent generative adversarial network architecture | |
Wang et al. | Jpeg artifacts removal via contrastive representation learning | |
US20230222762A1 (en) | Adversarially robust visual fingerprinting and image provenance models | |
Yang et al. | Self-feature distillation with uncertainty modeling for degraded image recognition | |
Gayathri et al. | Securing medical image privacy in cloud using deep learning network | |
US11605001B2 (en) | Weight demodulation for a generative neural network | |
Li et al. | On mask-based image set desensitization with recognition support | |
Agarwal et al. | Unmasking the potential: evaluating image inpainting techniques for masked face reconstruction | |
Ilyas et al. | E-Cap Net: an efficient-capsule network for shallow and deepfakes forgery detection | |
Berrahal et al. | A Comparative Analysis of Fake Image Detection in Generative Adversarial Networks and Variational Autoencoders | |
CN115953849A (zh) | 活体检测模型的训练方法、活体检测方法及系统 | |
CN113239852B (zh) | 一种基于隐私保护的隐私图像处理方法、装置及设备 | |
Su et al. | Bayesian self-supervised learning allying with Transformer powered compressed sensing imaging | |
Jeon et al. | k-SALSA: k-anonymous synthetic averaging of retinal images via local style alignment | |
Li et al. | Face inpainting with dynamic structural information of facial action units |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201013 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201013 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210928 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211102 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211206 |
|
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: 20211221 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211227 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7002404 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |