JP7059318B2 - 地域的特徴を有する分類器学習のための学習データ生成方法およびそのシステム - Google Patents
地域的特徴を有する分類器学習のための学習データ生成方法およびそのシステム Download PDFInfo
- Publication number
- JP7059318B2 JP7059318B2 JP2020067405A JP2020067405A JP7059318B2 JP 7059318 B2 JP7059318 B2 JP 7059318B2 JP 2020067405 A JP2020067405 A JP 2020067405A JP 2020067405 A JP2020067405 A JP 2020067405A JP 7059318 B2 JP7059318 B2 JP 7059318B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- sample
- sample images
- computer system
- processor
- 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
- 238000000034 method Methods 0.000 title claims description 116
- 238000013527 convolutional neural network Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 13
- 238000002156 mixing Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 230000004807 localization Effects 0.000 description 12
- 238000007796 conventional method Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000001994 activation Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 230000002085 persistent effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013434 data augmentation Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 101100153586 Caenorhabditis elegans top-1 gene Proteins 0.000 description 1
- 101100370075 Mus musculus Top1 gene Proteins 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000012966 insertion method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Description
コンピュータシステムが実行する方法であって、前記コンピュータシステムは、メモリに含まれるコンピュータ読み取り可能な命令を実行するように構成された少なくとも1つのプロセッサを含み、前記方法は、前記少なくとも1つのプロセッサにより、2つのサンプルイメージのうちの1つのサンプルイメージから一部の領域を取り除いた後、取り除かれた領域に他の1つのサンプルイメージのパッチを入れ替える方式によって前記2つのサンプルイメージを混合して(mix)新たなイメージを生成する段階、および前記少なくとも1つのプロセッサにより、前記生成されたイメージを学習データとして使用してCNN(convolutional neural network)モデルを学習する段階を含む方法を提供する。
以下、本発明の実施形態について、添付の図面を参照しながら詳しく説明する。
CNNの一般化およびローカリゼーション成果を高めるために、イメージからランダム領域を取り除く方法が利用されている。本発明に係るCutMix方法と従来の方法との決定的に異なる点は、取り除かれた領域を他のイメージのパッチと入れ替えるということにある。特徴レベルにおいて、ドロップブロック(Drop Block)は、特徴空間に対する領域ドロップアウトを一般化して一般性も高めることができ、CutMix方法は特徴空間で実行されてよい。
一部の研究では、学習データを合成することで更なる一般化が可能な方法を適用している。Stylizing ImageNetによって新たな学習用サンプルを生成することにより、モデルがテクスチャよりも模様に集中するように誘導することにより、分類および個体感知性能を向上させることができる。また、CutMix方法は、ミニバッチ(mini-batches)内でパッチを切り取って貼り付けることで新たなサンプルを生成し、多くのコンピュータビジョン作業で性能を向上させることができる。CutMix方法の主な長所は、サンプル生成にかかる追加費用を無視できるという点にある。オブジェクト感知のためのオブジェクト挿入方法としてバックグラウンドでオブジェクトを合成する方法を利用しているが、このような方法は、単一オブジェクトを適切に表そうとする反面、CutMix方法は、複数のオブジェクトを含む混合したサンプルを生成することができるという点において、従来の方法と差がある。
Mixupサンプルは、局所的に曖昧かつ不自然であるため、特にローカリゼーションにおいてモデルを混乱させる。最近のMixupの変形技術では、特徴レベルの補間およびその他の類型の変換を行うが、混合サンプルのローカリゼーション能力ならびに以前学習に対する関心と研究は依然として不足である。
ディープネットワークの効率的な学習には大量のコンピュータソースとデータが必要となる。荷重減衰(Weight Decay)、ドロップアウト、およびバッチ正規化のような方法は、より一般化が可能なディープネットワークを学習するために広く使われている。最近では、内部特徴にノイズを追加したりアーキテクチャに経路を追加したりする方法が提案されている。本発明に係るCutMix方法は、内部表現やアーキテクチャの変更はなく、データレベルで作動するため、従来の方法を補うことができる。
CutMixがディープネットワークの学習の安定化に及ぼす影響を分析する。CutMixを利用した学習中のtop-1検証エラーと基準とを比較する。ImageNet分類はResNet-50、CIFAR-100分類はPyramidNet-200を学習するものであり、このような学習結果は図9に示したとおりである。
110:プロセッサ
120:メモリ
130:永続的大容量記録装置
150:入力/出力インタフェース
Claims (16)
- コンピュータシステムが実行する方法であって、
前記コンピュータシステムは、メモリに含まれるコンピュータ読み取り可能な命令を実行するように構成された少なくとも1つのプロセッサを含み、
前記方法は、
前記少なくとも1つのプロセッサにより、2つのサンプルイメージのうちの1つのサンプルイメージから一部の領域を取り除いた後、取り除かれた領域に他の1つのサンプルイメージのパッチを入れ替える方式によって前記2つのサンプルイメージを混合して新しいイメージを生成する段階、および
前記少なくとも1つのプロセッサにより、前記生成されたイメージを学習データとして使用してCNN(convolutional neural network)モデルを学習する段階
を含み、
前記生成する段階は、
前記2つのサンプルイメージそれぞれから一部の領域をランダムに選択する段階、および
前記2つのサンプルイメージのうちの1つのサンプルイメージで選択された一部の領域を切り取り、他のサンプルイメージで選択された一部の領域に混合させて前記新たなイメージを生成する段階
を含む、方法。 - コンピュータシステムが実行する方法であって、
前記コンピュータシステムは、メモリに含まれるコンピュータ読み取り可能な命令を実行するように構成された少なくとも1つのプロセッサを含み、
前記方法は、
前記少なくとも1つのプロセッサにより、2つのサンプルイメージのうちの1つのサンプルイメージから一部の領域を取り除いた後、取り除かれた領域に他の1つのサンプルイメージのパッチを入れ替える方式によって前記2つのサンプルイメージを混合して新しいイメージを生成する段階、および
前記少なくとも1つのプロセッサにより、前記生成されたイメージを学習データとして使用してCNN(convolutional neural network)モデルを学習する段階
を含み、
前記生成する段階は、
前記2つのサンプルイメージそれぞれから意味のある重要領域を選択する段階、および
前記2つのサンプルイメージのうちの1つのサンプルイメージで選択された重要領域を切り取り、他のサンプルイメージで重要領域を除いた残りの領域に混合させて前記新たなイメージを生成する段階
を含む、方法。 - 前記選択する段階は、
CNNモデルによって抽出された特徴マップに基づいて各サンプルイメージで前記重要領域を予測する段階
を含む、請求項2に記載の方法。 - 前記生成する段階は、
前記1つのサンプルイメージの重要領域を前記他のサンプルイメージの残り領域のうちのランダム位置に貼り付ける段階
を含む、請求項2に記載の方法。 - 前記学習する段階は、
前記生成されたイメージを使用して原本損失関数で前記CNNモデルを学習する、
請求項1~4のいずれか一項に記載の方法。 - 前記方法は、
前記少なくとも1つのプロセッサにより、前記2つのサンプルイメージをランダムに選択する段階
をさらに含む、請求項1~5のいずれか一項に記載の方法。 - 前記方法は、
前記少なくとも1つのプロセッサにより、イメージ分類による同一クラスタ内から前記2つのサンプルイメージを選択する段階
をさらに含む、請求項1~5のいずれか一項に記載の方法。 - 請求項1~7のうちのいずれか一項に記載の方法をコンピュータに実行させるためのプログラム。
- 前記生成する段階は、
前記2つのサンプルイメージの混合のために、縦横の割合が原本イメージと比例するマスクをサンプリングする段階
を含む、請求項1又は2に記載の方法。 - コンピュータシステムであって、
メモリに含まれるコンピュータ読み取り可能な命令を実行するように構成された少なくとも1つのプロセッサ
を含み、
前記少なくとも1つのプロセッサは、
2つのサンプルイメージのうちの1つのサンプルイメージから一部の領域を取り除いた後、取り除かれた領域に他の1つのサンプルイメージのパッチを入れ替える方式によって前記2つのサンプルイメージを混合して新たなイメージを生成する過程、および
前記生成されたイメージを学習データとして使用してCNNモデルを学習する過程
を処理し、
前記生成する過程は、
前記2つのサンプルイメージそれぞれから一部の領域をランダムに選択する過程、および
前記2つのサンプルイメージのうちの1つのサンプルイメージで選択された一部の領域を切り取り、他のサンプルイメージで選択された一部の領域に混合させて前記新たなイメージを生成する過程
を含む、コンピュータシステム。 - コンピュータシステムであって、
メモリに含まれるコンピュータ読み取り可能な命令を実行するように構成された少なくとも1つのプロセッサ
を含み、
前記少なくとも1つのプロセッサは、
2つのサンプルイメージのうちの1つのサンプルイメージから一部の領域を取り除いた後、取り除かれた領域に他の1つのサンプルイメージのパッチを入れ替える方式によって前記2つのサンプルイメージを混合して新たなイメージを生成する過程、および
前記生成されたイメージを学習データとして使用してCNNモデルを学習する過程
を処理し、
前記生成する過程は、
前記2つのサンプルイメージそれぞれから意味のある重要領域を選択する過程、および
前記2つのサンプルイメージのうちの1つのサンプルイメージで選択された重要領域を切り取り、他のサンプルイメージで重要領域を除いた残りの領域に混合させて前記新たなイメージを生成する過程
を含む、コンピュータシステム。 - 前記選択する過程は、
CNNモデルによって抽出された特徴マップ(feature map)に基づいて各サンプルイメージで前記重要領域を予測する過程
を含む、請求項11に記載のコンピュータシステム。 - 前記学習する過程は、
前記生成されたイメージを使用して原本損失関数で前記CNNモデルを学習する、
請求項10~12のいずれか一項に記載のコンピュータシステム。 - 前記少なくとも1つのプロセッサは、
前記2つのサンプルイメージをランダムに選択する過程
をさらに処理する、請求項10~13のいずれか一項に記載のコンピュータシステム。 - 前記少なくとも1つのプロセッサは、
イメージ分類による同一クラスタ内から前記2つのサンプルイメージを選択する過程
をさらに含む、請求項10~13のいずれか一項に記載のコンピュータシステム。 - 前記生成する過程は、
前記2つのサンプルイメージの混合のために、縦横の割合が原本イメージと比例するマスクをサンプリングする過程
を含む、請求項10又は11に記載のコンピュータシステム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2019-0054763 | 2019-05-10 | ||
KR1020190054763A KR102170620B1 (ko) | 2019-05-10 | 2019-05-10 | 지역적 특징을 가지는 분류기 학습을 위한 학습 데이터 생성 방법 및 그 시스템 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020187736A JP2020187736A (ja) | 2020-11-19 |
JP7059318B2 true JP7059318B2 (ja) | 2022-04-25 |
Family
ID=73018499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020067405A Active JP7059318B2 (ja) | 2019-05-10 | 2020-04-03 | 地域的特徴を有する分類器学習のための学習データ生成方法およびそのシステム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7059318B2 (ja) |
KR (1) | KR102170620B1 (ja) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11687780B2 (en) | 2020-07-02 | 2023-06-27 | Samsung Electronics Co., Ltd | Method and apparatus for data efficient semantic segmentation |
WO2022099136A1 (en) * | 2020-11-09 | 2022-05-12 | Canon U.S.A., Inc. | Label-dependent loss function for discrete ordered regression model |
JP7561014B2 (ja) | 2020-11-27 | 2024-10-03 | ロベルト・ボッシュ・ゲゼルシャフト・ミト・ベシュレンクテル・ハフツング | データ処理装置、ニューラルネットワークの深層学習の方法及びプログラム |
JP7561013B2 (ja) | 2020-11-27 | 2024-10-03 | ロベルト・ボッシュ・ゲゼルシャフト・ミト・ベシュレンクテル・ハフツング | データ処理装置、ニューラルネットワークの深層学習の方法及びプログラム |
KR102424095B1 (ko) * | 2020-12-17 | 2022-07-21 | 연세대학교 산학협력단 | 개인정보를 보장하는 실시간 라벨링 방법 및 장치 |
JP7208314B1 (ja) * | 2021-08-19 | 2023-01-18 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | 学習装置、学習方法及び学習プログラム |
KR102403166B1 (ko) * | 2021-09-29 | 2022-05-30 | 주식회사 인피닉 | 기계 학습용 데이터 증강 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램 |
KR102470187B1 (ko) * | 2021-11-19 | 2022-11-23 | 부산대학교 산학협력단 | 비적대적 패치 생성 방법 및 시스템 |
KR102492121B1 (ko) * | 2022-05-25 | 2023-01-26 | 경북대학교 산학협력단 | 데이터 증강 기술을 이용한 이미지 분류 방법 및 상기 방법을 수행하는 컴퓨팅 장치 |
JP2024033904A (ja) * | 2022-08-31 | 2024-03-13 | 株式会社Jvcケンウッド | 機械学習装置、機械学習方法、および機械学習プログラム |
JP2024033903A (ja) * | 2022-08-31 | 2024-03-13 | 株式会社Jvcケンウッド | 機械学習装置、機械学習方法、および機械学習プログラム |
JP7558519B1 (ja) | 2023-05-11 | 2024-10-01 | ソフトバンク株式会社 | 情報処理装置及び情報処理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007088831A (ja) | 2005-09-22 | 2007-04-05 | Fujifilm Corp | 画像補正方法および装置並びにプログラム |
US20170068888A1 (en) | 2015-09-09 | 2017-03-09 | Intel Corporation | Cost-sensitive classification with deep learning using cost-aware pre-training |
-
2019
- 2019-05-10 KR KR1020190054763A patent/KR102170620B1/ko active IP Right Grant
-
2020
- 2020-04-03 JP JP2020067405A patent/JP7059318B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007088831A (ja) | 2005-09-22 | 2007-04-05 | Fujifilm Corp | 画像補正方法および装置並びにプログラム |
US20170068888A1 (en) | 2015-09-09 | 2017-03-09 | Intel Corporation | Cost-sensitive classification with deep learning using cost-aware pre-training |
Non-Patent Citations (4)
Title |
---|
Debidatta Dwibedi et al,Cut, Paste and Learn: Surprisingly Easy Synthesis for Instance Detection,2017 IEEE International Conference on Computer Vision (ICCV),米国,IEEE,2017年10月29日,1310-1319,https://ieeexplore.ieee.org/document/8237408 |
Deep-PRWIS: Periocular Recognition Without the Iris and Sclera Using Deep Learning Frameworks,IEEE Transactions on Information Forensics and Security,米国,IEEE,2017年11月09日,Volume: 13, Issue: 4,888-896,https://ieeexplore.ieee.org/document/8101565 |
Peng Cui,General Knowledge Embedded Image Representation Learning,IEEE Transactions on Multimedia,米国,IEEE,2017年07月11日,Volume: 20, Issue: 1,198-207,https://ieeexplore.ieee.org/document/7972969 |
Shaoqing Ren et al,Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks,arXiv,2015年06月04日,1-10,https://arxiv.org/pdf/1506.01497v1.pdf |
Also Published As
Publication number | Publication date |
---|---|
JP2020187736A (ja) | 2020-11-19 |
KR102170620B1 (ko) | 2020-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7059318B2 (ja) | 地域的特徴を有する分類器学習のための学習データ生成方法およびそのシステム | |
US11631239B2 (en) | Iterative spatio-temporal action detection in video | |
CN110738207B (zh) | 一种融合文字图像中文字区域边缘信息的文字检测方法 | |
He et al. | Enhanced boundary learning for glass-like object segmentation | |
US10936911B2 (en) | Logo detection | |
JP2022530907A (ja) | 複数のオブジェクトを追跡するための畳み込みニューラルネットワークを用いた画像処理 | |
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 | |
US11593948B2 (en) | Generating refined alpha mattes utilizing guidance masks and a progressive refinement network | |
JP2021526276A (ja) | 画像分割と分割ネットワークトレーニング方法および装置、機器、媒体、並びに製品 | |
CN111242852A (zh) | 边界感知对象移除和内容填充 | |
US11748937B2 (en) | Sub-pixel data simulation system | |
CN111274981B (zh) | 目标检测网络构建方法及装置、目标检测方法 | |
JPWO2020240809A1 (ja) | 学習装置、分類装置、学習方法、分類方法、学習プログラム、及び分類プログラム | |
US20230237777A1 (en) | Information processing apparatus, learning apparatus, image recognition apparatus, information processing method, learning method, image recognition method, and non-transitory-computer-readable storage medium | |
CN115223042A (zh) | 基于YOLOv5网络模型的目标识别方法及装置 | |
CN110659724A (zh) | 一种基于目标尺度范围的目标检测卷积神经网络构建方法 | |
Yan et al. | 3MNet: Multi-task, multi-level and multi-channel feature aggregation network for salient object detection | |
CN113744280A (zh) | 图像处理方法、装置、设备及介质 | |
Tang et al. | Two-stage filtering method to improve the performance of object detection trained by synthetic dataset in heavily cluttered industry scenes | |
CN110910478B (zh) | Gif图生成方法、装置、电子设备及存储介质 | |
US20240127510A1 (en) | Stylized glyphs using generative ai | |
Li et al. | Efficient spatially sparse inference for conditional gans and diffusion models | |
CN109961061A (zh) | 一种边缘计算视频数据结构化方法及系统 | |
Marques | Image processing and computer vision in iOS | |
CN106469437A (zh) | 图像处理方法和图像处理装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200403 |
|
RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20210414 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20210412 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210517 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210713 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211011 |
|
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: 20220322 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220413 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7059318 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: R313117 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |