JP7047498B2 - 学習プログラム、学習方法および学習装置 - Google Patents
学習プログラム、学習方法および学習装置 Download PDFInfo
- Publication number
- JP7047498B2 JP7047498B2 JP2018045963A JP2018045963A JP7047498B2 JP 7047498 B2 JP7047498 B2 JP 7047498B2 JP 2018045963 A JP2018045963 A JP 2018045963A JP 2018045963 A JP2018045963 A JP 2018045963A JP 7047498 B2 JP7047498 B2 JP 7047498B2
- Authority
- JP
- Japan
- Prior art keywords
- class
- learning
- feature amount
- data
- discriminator
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
-
- 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
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06V10/443—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 by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Description
図1は、実施例1にかかる学習装置を説明する図である。図1に示す学習装置10は、教師データに含まれる既知クラス、または、教師データに含まれない未知クラスに対象データを判別する判別器(以下では、クラス判別器と記載する場合がある)の学習を実行するコンピュータ装置の一例である。
図2は、実施例1にかかる学習装置の機能構成を示す機能ブロック図である。図2に示すように、学習装置10は、通信部11、記憶部12、制御部20を有する。
次に、図3から図11を用いて、クラス処理部23による学習を説明する。なお、ここで説明する特徴量の次元などは一例であり、任意に設定変更することができる。
このような状態で、特徴量生成部24は、既知データ(既知クラスのデータ)を特徴生成器Aに入力して、図4に示す中間特徴量(特徴量A)を取得する。図4は、特徴量Aの生成例を説明する図である。図4に示すように、特徴量生成部24は、クラス1のデータD1の特徴量Aとして「0.57、3.90、3.33、3.10、2.98」、クラス1のデータD2の特徴量Aとして「0.74、4.73、1.58、5.45、1.34」、クラス2のデータD3の特徴量Aとして「1.04、3.08、3.26、4.19、0.17」、クラス2のデータD4の特徴量Aとして「0.25、2.37、2.46、3.03、0.99」を取得する。
続いて、特徴量生成部24は、図5で生成した6つの各データの特徴量Aを特徴生成器Bに入力して、図6に示す中間特徴量(特徴量B)を取得する。図6は、特徴量Bの生成例を説明する図である。図6に示すように、特徴量生成部24は、クラス1のデータD1の特徴量Bとして「8.71、6.41、4.07、1.67」、クラス1のデータD2の特徴量Bとして「5.25、6.6、5.99、0.17」、クラス2のデータD3の特徴量Bとして「8.85、5.8、6.18、0.06」、クラス2のデータD4の特徴量Bとして「8.65、6.54、6.96、2.8」を取得する。同様に、特徴量生成部24は、仮想クラスの仮想データV1の特徴量Bとして「5.29、7.44、5.23、0.9」、仮想クラスの仮想データV2の特徴量Bとして「1.06、6.73、2.01、2.62」を取得する。
その後、仮想特徴量生成部25は、上記手法1-2を用いて、各特徴量Bから仮想的な特徴量を生成する。図7は、特徴量Bに基づく仮想的な特徴量の生成例を説明する図である。図7に示すように、仮想特徴量生成部25は、特徴量Bの分布(平均・分散)に従った仮想的な特徴量Cを2つ生成する。
続いて、特徴量生成部24は、図7で生成した8つの各データの特徴量を特徴生成器Cに入力して、図8に示す最終特徴量(特徴量C)を取得する。図8は、特徴量Cの生成例を説明する図である。図8に示すように、特徴量生成部24は、クラス1のデータD1の特徴量Cとして「0.24、0.13」、クラス1のデータD2の特徴量Cとして「0.53、0.52」、クラス2のデータD3の特徴量Cとして「1.12、1.50」、クラス2のデータD4の特徴量Bとして「1.11、1.71」を取得する。同様に、徴量生成部24は、仮想クラスの仮想データV1の特徴量Cとして「1.67、0.48」、仮想クラスの仮想データV2の特徴量Cとして「1.83、0.25」、仮想クラスの仮想データV3の特徴量Cとして「0.24、0.37」、仮想クラスの仮想データV4の特徴量Cとして「0.59、1.44」を取得する。
その後、クラス判別器21は、図8に示す最終特徴量(特徴量C)が判別器に入力されると、予測クラスの判別結果(予測クラスの確率)を出力する。ここで、予測クラスの確率とは、入力された判別対象データがどのクラスであるかを示す確率であり、一般的には、一番確率が高いクラスが判別対象データのクラスと判別される。
その後、第2学習部26は、上記手法2-1を用いて、正しいクラスの確率が上がる様に、誤差逆伝播法などによってクラス判別器21(学習モデル全体)を学習する。図10は、正しいクラスの確率が上がるように学習する例を説明する図である。図10に示すように、第2学習部26は、クラス1のデータD1およびデータD2については、予測クラスのクラス1の確率が上がり、予測クラスのクラス2および仮想クラスが下がるように、学習モデルを学習する。また、第2学習部26は、クラス2のデータD3およびデータD4については、予測クラスのクラス2の確率が上がり、予測クラスのクラス1および仮想クラスが下がるように、学習モデルを学習する。一方で、第2学習部26は、仮想クラスのデータV1、V2、V3、V4については、予測クラスの仮想クラスの確率が上がり、予測クラスのクラス1およびクラス2が下がるように、学習モデルを学習する。
次に、図10では、上記手法2-1を用いた学習例を説明したが、図11では、上記手法2-2を用いた学習手法について説明する。図11は、仮想クラスの確率が下がるように学習する例を説明する図である。
図12は、処理の流れを示すフローチャートである。図12に示すように、第1学習部22は、既知クラスの教師データを用いて、クラス判別器21全体を学習する(S101)。ここで、第1学習部22は、1ステップや1イテレーションなどのように任意の量だけ学習を実行することができる。
上述したように、学習装置10は、学習器の中間特徴量の分布を使ってランダムな特徴量を未知クラスの特徴量として生成し、既知クラスの特徴量と未知クラスの特徴量の分布を使ってさらに別の未知クラスの特徴量を順次生成する。そして、学習装置10は、未知クラスの特徴量が未知クラスとして分類されるように学習する。これにより、未知クラスおよび既知クラスの判別を行う形の学習を行って、特徴量空間を分割することにより、既知クラスを判別する特徴量空間では適切に分離できない未知クラスのデータが、適切に分離・判別される。したがって、学習装置10は、既知のクラスに似ているが異なる特徴を持つ未知クラスが入力された場合に、未知クラスであることが正しく出力される学習モデルを生成することができる。
実施例1にかかるクラス判別器21(学習器)には、SVM(Support Vector Machine)、勾配法、ニューラルネットワークなど様々な学習手法を採用することができる。
上記実施例1では、最初に手法1-1を用いて仮想的な特徴量を生成した後、次に手法1-2を用いて仮想的な特徴量を生成する例を説明したが、これに限定されるものではない。順番を入れ替えてもよく、いずれか一方だけを複数回用いてもよく、任意に変更することができる。また、手法2-1および手法2-2も任意に選択することができる。
上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。また、実施例で説明した具体例、分布、数値などは、あくまで一例であり、任意に変更することができる。
図14は、ハードウェア構成例を説明する図である。図14に示すように、学習装置10は、通信装置10a、HDD(Hard Disk Drive)10b、メモリ10c、プロセッサ10dを有する。また、図14に示した各部は、バス等で相互に接続される。
11 通信部
12 記憶部
13 学習データDB
14 学習結果DB
20 制御部
21 クラス判別器
22 第1学習部
23 クラス処理部
24 特徴量生成部
25 仮想特徴量生成部
26 第2学習部
Claims (9)
- コンピュータに、
教師データに含まれる既知クラス、または、前記教師データに含まれない未知クラスに対象データを判別する判別器の学習を、前記教師データを用いて実行し、
前記判別器の複数の層において、前記教師データの少なくとも一部が前記判別器に入力されることで、前記複数の層から出力される特徴量から未知クラスに対応する未知クラス特徴量を生成し、
前記既知クラスおよび前記未知クラスの特徴量が分離されるように、前記判別器の学習を実行する、
処理を実行させる学習プログラム。 - 請求項1に記載の学習プログラムであって、前記コンピュータに、
前記教師データを用いて前記既知クラスの判別を前記判別器に学習させる時に、前記判別器が前記教師データのクラス判別結果を出力する途中で前記複数の層から出力される前記既知クラスの特徴量を用いて、前記未知クラス特徴量を生成し、
前記既知クラスが判別できるように、および、前記既知クラスおよび前記未知クラスの特徴量が分離されるように、前記判別器の学習を実行する処理を実行させる学習プログラム。 - 請求項1または2に記載の学習プログラムであって、前記コンピュータに、
多段に構成される前記複数の層それぞれにおいて、前段の層から出力される複数の特徴量から、前記既知クラスに対応する既知クラス特徴量と前記未知クラス特徴量とを生成して後段の層に入力し、
前記複数の層の最終層から出力される判別の予測結果に基づいて、前記判別器の学習を実行する処理を実行させる学習プログラム。 - 請求項3に記載の学習プログラムであって、前記コンピュータに、
前記複数の層の最終層から前記既知クラスと判断される既知クラスの確率と前記未知クラスと判断される未知クラスの確率とを出力し、
前記既知クラスに対しては、前記既知クラスの確率が向上かつ前記未知クラスの確率が低下するように前記判別器の学習を実行し、前記未知クラスに対しては、前記未知クラスの確率が向上かつ前記既知クラスの確率が低下するように前記判別器の学習を実行する処理を実行させる学習プログラム。 - 請求項3に記載の学習プログラムであって、前記コンピュータに、
前記複数の層の最終層から前記既知クラスと判断される既知クラスの確率を出力し、
前記既知クラスに対しては、前記既知クラスの確率が向上するように前記判別器の学習を実行し、前記未知クラスに対しては、前記既知クラスの確率が低下するように前記判別器の学習を実行する処理を実行させる学習プログラム。 - 請求項3に記載の学習プログラムであって、前記コンピュータに、
前記判別器の複数の層において、各層から出力される複数の特徴量からランダムに選択した複数の特徴量を用いて、前記未知クラス特徴量を生成する処理を実行させる学習プログラム。 - 請求項3に記載の学習プログラムであって、前記コンピュータに、
前記判別器の複数の層において、各層から出力される複数の特徴量の平均と分散を用いて、前記未知クラス特徴量を生成する処理を実行させる学習プログラム。 - コンピュータが、
教師データに含まれる既知クラス、または、前記教師データに含まれない未知クラスに対象データを判別する判別器の学習を、前記教師データを用いて実行し、
前記判別器の複数の層において、前記教師データの少なくとも一部が前記判別器に入力されることで、前記複数の層から出力される特徴量から未知クラスに対応する未知クラス特徴量を生成し、
前記既知クラスおよび前記未知クラスの特徴量が分離されるように、前記判別器の学習を実行する、
処理を実行する学習方法。 - 教師データに含まれる既知クラス、または、前記教師データに含まれない未知クラスに対象データを判別する判別器の学習を、前記教師データを用いて実行する第1学習部と、
前記判別器の複数の層において、前記教師データの少なくとも一部が前記判別器に入力されることで、前記複数の層から出力される特徴量から未知クラスに対応する未知クラス特徴量を生成する生成部と、
前記既知クラスおよび前記未知クラスの特徴量が分離されるように、前記判別器の学習を実行する第2学習部と
を有する学習装置。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018045963A JP7047498B2 (ja) | 2018-03-13 | 2018-03-13 | 学習プログラム、学習方法および学習装置 |
US16/287,494 US11741363B2 (en) | 2018-03-13 | 2019-02-27 | Computer-readable recording medium, method for learning, and learning device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018045963A JP7047498B2 (ja) | 2018-03-13 | 2018-03-13 | 学習プログラム、学習方法および学習装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019159836A JP2019159836A (ja) | 2019-09-19 |
JP7047498B2 true JP7047498B2 (ja) | 2022-04-05 |
Family
ID=67905795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018045963A Active JP7047498B2 (ja) | 2018-03-13 | 2018-03-13 | 学習プログラム、学習方法および学習装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11741363B2 (ja) |
JP (1) | JP7047498B2 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909760B (zh) * | 2019-10-12 | 2021-03-16 | 中国人民解放军国防科技大学 | 一种基于卷积神经网络的图像开放集识别方法 |
JP7373849B2 (ja) | 2020-03-23 | 2023-11-06 | 学校法人 関西大学 | 学習装置およびその学習方法、制御プログラム |
US11775617B1 (en) * | 2021-03-15 | 2023-10-03 | Amazon Technologies, Inc. | Class-agnostic object detection |
WO2022201320A1 (ja) * | 2021-03-23 | 2022-09-29 | 日本電信電話株式会社 | クラスラベル推定装置、誤り原因推定方法、及びプログラム |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018005520A (ja) | 2016-06-30 | 2018-01-11 | クラリオン株式会社 | 物体検出装置及び物体検出方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7945101B2 (en) * | 2007-07-26 | 2011-05-17 | Palo Alto Research Center Incorporated | Innovative OCR systems and methods that combine a template based generative model with a discriminative model |
CN102356393B (zh) | 2010-01-29 | 2014-04-09 | 松下电器产业株式会社 | 数据处理装置 |
US8494464B1 (en) * | 2010-09-08 | 2013-07-23 | Rockwell Collins, Inc. | Cognitive networked electronic warfare |
US8483215B2 (en) * | 2011-11-08 | 2013-07-09 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and apparatus for identifying other user equipment operating in a wireless communication network |
US8855375B2 (en) * | 2012-01-12 | 2014-10-07 | Kofax, Inc. | Systems and methods for mobile image capture and processing |
JP2013152654A (ja) | 2012-01-26 | 2013-08-08 | Toyota Central R&D Labs Inc | 識別器、識別器構築装置、プログラム |
US9727821B2 (en) * | 2013-08-16 | 2017-08-08 | International Business Machines Corporation | Sequential anomaly detection |
JP6365032B2 (ja) | 2014-07-08 | 2018-08-01 | 富士通株式会社 | データ分類方法、データ分類プログラム、及び、データ分類装置 |
US9930025B2 (en) * | 2015-03-23 | 2018-03-27 | Duo Security, Inc. | System and method for automatic service discovery and protection |
US10504004B2 (en) * | 2016-09-16 | 2019-12-10 | General Dynamics Mission Systems, Inc. | Systems and methods for deep model translation generation |
JP2018063504A (ja) * | 2016-10-12 | 2018-04-19 | 株式会社リコー | 生成モデル学習方法、装置及びプログラム |
EP3563554B1 (en) * | 2016-12-29 | 2020-07-15 | Avast Software S.R.O. | System and method for detecting unknown iot device types by monitoring their behavior |
US20180336439A1 (en) * | 2017-05-18 | 2018-11-22 | Intel Corporation | Novelty detection using discriminator of generative adversarial network |
-
2018
- 2018-03-13 JP JP2018045963A patent/JP7047498B2/ja active Active
-
2019
- 2019-02-27 US US16/287,494 patent/US11741363B2/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018005520A (ja) | 2016-06-30 | 2018-01-11 | クラリオン株式会社 | 物体検出装置及び物体検出方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2019159836A (ja) | 2019-09-19 |
US20190286937A1 (en) | 2019-09-19 |
US11741363B2 (en) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7047498B2 (ja) | 学習プログラム、学習方法および学習装置 | |
US20180268296A1 (en) | Machine learning-based network model building method and apparatus | |
CN101097564A (zh) | 参数学习方法及设备、模式识别方法及设备 | |
JP7024515B2 (ja) | 学習プログラム、学習方法および学習装置 | |
JP2018173890A (ja) | 情報処理装置、情報処理方法、及びプログラム | |
US11429863B2 (en) | Computer-readable recording medium having stored therein learning program, learning method, and learning apparatus | |
TW202137071A (zh) | 解釋與改善循環神經網路的處理結果的方法 | |
CN113139664B (zh) | 一种跨模态的迁移学习方法 | |
JP7172612B2 (ja) | データ拡張プログラム、データ拡張方法およびデータ拡張装置 | |
CN112633310A (zh) | 具有改进的训练鲁棒性地对传感器数据进行分类的方法和系统 | |
JP7115207B2 (ja) | 学習プログラム、学習方法および学習装置 | |
JP2019159835A (ja) | 学習プログラム、学習方法および学習装置 | |
CN113408693A (zh) | 识别图像的方法和设备 | |
JP2020052935A (ja) | 学習済みモデルを生成する方法、データを分類する方法、コンピュータおよびプログラム | |
CN115543762A (zh) | 一种磁盘smart数据扩充方法、系统及电子设备 | |
JP7172067B2 (ja) | 学習プログラム、学習方法および学習装置 | |
JP2023088603A (ja) | 機械学習プログラム、機械学習方法および情報処理装置 | |
KR102255600B1 (ko) | Gan을 이용한 문서형 악성코드 탐지 장치 및 방법 | |
JP7268367B2 (ja) | 学習装置、学習方法および学習プログラム | |
WO2021079441A1 (ja) | 検出方法、検出プログラム及び検出装置 | |
US20230021674A1 (en) | Storage medium, machine learning method, and machine learning apparatus | |
KR20210044003A (ko) | 단어 임베딩 방법 및 장치와 단어 검색 방법 | |
EP4287075A1 (en) | Training data generation device and method | |
WO2021215261A1 (ja) | 情報処理方法、情報処理装置、及びプログラム | |
JP7405148B2 (ja) | 情報処理装置、学習方法、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: 20201210 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20211125 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211130 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220124 |
|
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: 20220222 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220307 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7047498 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |