JP7325636B2 - 学習装置、推論装置、プログラム、学習方法及び推論方法 - Google Patents
学習装置、推論装置、プログラム、学習方法及び推論方法 Download PDFInfo
- Publication number
- JP7325636B2 JP7325636B2 JP2022531298A JP2022531298A JP7325636B2 JP 7325636 B2 JP7325636 B2 JP 7325636B2 JP 2022531298 A JP2022531298 A JP 2022531298A JP 2022531298 A JP2022531298 A JP 2022531298A JP 7325636 B2 JP7325636 B2 JP 7325636B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- learning
- inference
- correct
- evaluation value
- 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
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Description
図1は、実施の形態1に係る学習システム100の構成を概略的に示すブロック図である。
学習システム100は、学習装置110と、推論装置120とを備える。
本実施の形態に係る学習システム100は、ある対象製品に使用されるものとする。例えば、対象製品は、自動車又は映像機器等である。
また、学習装置110及び推論装置120は、対象製品に内蔵されていてもよい。
さらに、学習装置110及び推論装置120は、クラウドサーバ上に存在していてもよい。
学習装置110は、学習側入力部111と、学習側データ取得部112と、モデル生成部113と、学習側学習モデル記憶部114と、学習側通信部115とを備える。
図3に示されているように、三層のニューラルネットワークであれば、複数の入力値が入力層X1~X3に入力されると、その入力値に第一の重みw11~w16(以下、第一の重みW1ともいう)が掛けられる。入力値に第一の重みw11~w16が掛けられた値である算出値は、中間層Y1、Y2に入力される。算出値には、第二の重みw21~w26(以下、第二の重みW2ともいう)が掛けられ、算出値に第二の重みw21~w26が掛けられ値である出力値が、出力層Z1~Z3から出力される。この出力値は、第一の重みW1の値と、第二の重みW2の値とによって変わる。
ここでは、学習用入力データが入力画像を示し、正解データが、その入力画像に対応する正解画像を示すものとする。そして、いわゆる教師あり学習の学習フェーズにおいて推論された出力である学習側推論データが推論画像を示すものとする。そして、モデル生成部113は、学習用データセットを用いて学習を行うことで、対象画像から出力画像を推論するための学習モデルを生成するものとする。
例えば、モデル生成部113は、推論画像と、正解画像との類似度が高いほど小さい値になる第一の評価値と、推論画像における複数の色成分が関係する程度が強いほど小さい値になる第二の評価値とを荷重加算する関数を評価関数として用いて、推論画像と、正解画像との類似性を評価する。
なお、関係する程度は、複数の色成分の変化の様態の類似度が高いほど強いものとする。
また、推論画像及び正解画像内の各画素を表す水平座標をx、垂直座標をyとして、推論画像のR成分をIpred(x,y,r)、G成分をIpred(x,y,g)及びB成分をIpred(x,y,b)と表し、正解画像のR成分をIgt(x,y,r)、G成分をIgt(x,y,g)及びB成分をIgt(x,y,b)と表す。
ここで、推論画像のR成分及びG成分の零平均正規化相互相関をZCrgとすると、ZCrgは、下記の(2)式で示すことができる。
なお、(1)式~(4)式において、上付きの横棒で表される記号は、各成分の局所的な平均値を表す。
そして、評価関数をEで表すと、Eは、下記の(6)式で示すことができる。
ここで、λは、予め定められた定数である。
以下、(6)式について説明する。
この場合、右辺の第二の評価値V2があることで、人間の視覚特性が捉える画像により近い推論画像を学習できるようになる。
図4は、コンピュータ140の構成を概略的に示すブロック図である。
コンピュータ140は、通信装置141と、補助記憶装置142と、メモリ143と、プロセッサ144とを備える。
補助記憶装置142は、コンピュータ140での処理に必要なデータ及びプログラムを記憶する。
メモリ143は、プロセッサ144の作業領域を提供する。
プロセッサ144は、補助記憶装置142に記憶されているプログラムをメモリ143に読み出し、そのプログラムを実行することで、コンピュータ140での処理を実行する。
学習側学習モデル記憶部114は、補助記憶装置142により実現することができる。
まず、学習側データ取得部112は、学習側入力部111を介して、学習用入力データ及び正解データを取得する(S10)。ここでは、学習用入力データ及び正解データが同時に取得されるものとしているが、学習用入力データ及び正解データを関連付けることができれば、これらは別のタイミングで取得されてもよい。取得された学習用入力データ及び正解データは、モデル生成部113に与えられる。
そして、学習側通信部115は、その学習モデルを推論装置120に送信する(S13)。
推論装置120は、推論側通信部121と、推論側学習モデル記憶部122と、推論側入力部123と、推論側データ取得部124と、推論部125とを備える。
推論側データ取得部124は、推論用入力データを、推論側入力部123を介して取得する。取得された推論用入力データは、推論部125に与えられる。
例えば、推論側入力部123及び推論側通信部121は、通信装置141により実現することができる。
推論側学習モデル記憶部122は、補助記憶装置142により実現することができる。
推論側データ取得部124及び推論部125は、プロセッサ144が、メモリ143に読み出されたプログラムを実行することで実現することができる。
なお、ここでは、推論側学習モデル記憶部122は、既に学習モデルを記憶しているものとする。
そして、対象製品は、その出力を対象製品の外部へと出力する(S23)。これにより、人間の視覚特性に近い画像を出力することができる。
このような例として、各画素について、R成分、G成分及びB成分の何れかの値しか有効な値を持たない画像(例えば、ベイヤー配列画像)を処理し、カラー画像を出力する場合がある。なお、この例では、各画素にいついて二色の画素値が無効になっていることになるが、より一般的には、先に述べたように、入力画像が、正解画像の少なくとも一画素以上の画素の、一色以上の画素値を無効値に変化させた画像である場合となる。
また、ある対象製品に関して学習モデルを学習した学習装置110を、別の対象製品に適用し、その別の対象製品に関して、学習モデルを再学習して、学習モデルを更新するようにしてもよい。
すなわち、少なくとも二色以上の色成分からなる推論画像について、少なくとも一つの組み合わせの色成分について相関が計算されればよい。
実施の形態1では、一つの推論画像及び一つの正解画像で評価を行う例を記載したが、N個の推論画像及びN個の正解画像(Nは、2以上の整数)で評価が行われてもよい。
実施の形態2における推論装置120は、実施の形態1における推論装置120と同様である。
ここで、実施の形態2におけるモデル生成部213は、N個の推論画像と、N個の正解画像との類似度が高いほど小さい値になる第一の評価値と、N個の推論画像における複数の色成分の関係する程度が強いほど小さい値になる第二の評価値とを含む関数を評価関数として用いて、N個の推論画像と、N個の正解画像との類似性を評価する。
また、推論画像及び正解画像内の各画素を表す水平座標をx、垂直座標をyとして、i番目の推論画像のR成分をIpred(x,y,r,i)、G成分をIpred(x,y,g,i)及びB成分をIpred(x,y,b,i)と表し、i番目の正解画像のR成分をIgt(x,y,r,i)、G成分をIgt(x,y,g,i)及びB成分をIgt(x,y,b,i)と表す。
ここで、iは、1≦i≦Nを満たす整数である。
ここで、推論画像のR成分及びG成分の零平均正規化相互相関をZCrgとすると、ZCrgは、下記の(8)式で算出することができる。
なお、(8)式~(10)式において、上付きの横棒で表される記号は、各成分の局所的な平均値を表す。
さらに、評価関数をEで表すと、Eは、上記の(6)式で示すことができる。
上記のような例として、各画素について、R成分、G成分及びB成分の何れかの値しか有効な値を持たない画像(例えば、ベイヤー配列画像)を処理し、カラー画像を出力する例がある。
なお、この例では、各画素について二色の画素値が無効になっていることになるが、より一般的には、先に述べたように、劣化画像が、正解画像の少なくとも一画素以上の画素の一色以上の画素値が無効値に変化した場合となる。
すなわち、少なくとも二色以上の色成分からなる推論画像について、少なくとも一つの組み合わせの色成分について相関が計算されればよい。
なお、その他実施の形態1に加えられる変形例は、実施の形態2にも適用可能である。
図1に示されているように、実施の形態3に係る学習システム300は、学習装置310と、推論装置120とを備える。
実施の形態3における推論装置120は、実施の形態1における推論装置120と同様である。
ここで、実施の形態3におけるモデル生成部313は、複数の推論画像と、複数の正解画像との類似度が高いほど小さい値になる第一の評価値と、複数の推論画像における複数の色成分の関係する程度が強くなるほど小さい値になる第二の評価値とを含む関数を評価関数として用いて、複数の推論画像と、複数の正解画像との類似性を評価する。
また、推論画像及び正解画像内の各画素を表す水平座標をx、垂直座標をyとして、i番目の推論画像のR成分をIpred(x,y,r,i)、G成分をIpred(x,y,g,i)及びB成分をIpred(x,y,b,i)と表し、i番目の正解画像のR成分をIgt(x,y,r,i)、G成分をIgt(x,y,g,i)及びB成分をIgt(x,y,b,i)と表す。
さらに、i番目の推論画像のR成分、G成分及びB成分から生成されたグレー成分をIpred(x,y,k,i)と表す。
推論画像のR成分及びグレー成分の零平均正規化相互相関をZCrkとすると、ZCrkは、下記の(11)式で算出することができる。
なお、(11)式~(13)式のうち、上付きの横棒で表される記号は、各成分の局所的な平均値を表すものである。
さらに、評価関数をEで表すと、Eは、上記の(6)式で示すことができる。
上記のような例として、R成分、G成分、B成分からなるカラー画像について、少なくとも一つの成分にノイズが付加された画像を処理するノイズ除去処理がある。
また、グレー成分は少なくとも二成分以上の色情報を合成して得られるものであればよい。
より一般的には、少なくとも二色以上の色成分からなる推論画像について、少なくとも一色の色成分について、グレー成分との相関が計算されればよい。
また、第一の評価値について、実施の形態1又は2に適用可能な変形例は、実施の形態3にも適用できる。
このような場合、評価関数に含まれる第一の評価値は、推論画像と正解画像との間の類似度が高いほど小さい値となり、第二の評価値は、推論画像に含まれる少なくとも二つの色成分から生成されるグレー成分と、その少なくとも二つの色成分の内の少なくとも一つの色成分との関係する程度が強いほど小さい値となることが望ましい。
Claims (16)
- 入力画像を示す学習用入力データ及び前記入力画像に対応する正解画像を示す正解データを含む学習用データセットを取得する学習側データ取得部と、
前記学習用データセットを用いて学習を行うことで、対象画像から出力画像を推論するための学習モデルを生成するモデル生成部と、を備え、
前記モデル生成部は、前記入力画像から推論された推論画像と、前記正解画像との間の類似度を評価するための第一の評価値と、前記推論画像を構成する複数の色成分の内、少なくとも二つの色成分の関係する程度を評価するための第二の評価値と、を含む評価関数を用いて、前記推論画像が前記正解画像に近づくように前記学習を行い、
前記第二の評価値は、前記少なくとも二つの色成分の関係する程度が強いほど小さい値となること
を特徴とする学習装置。 - 前記第一の評価値は、前記推論画像と前記正解画像との間の類似度が高いほど小さい値となること
を特徴とする請求項1に記載の学習装置。 - 複数の入力画像を示す複数の学習用入力データ及び前記複数の入力画像に対応する複数の正解画像を示す複数の正解データを含む学習用データセットを取得する学習側データ取得部と、
前記学習用データセットを用いて学習を行うことで、対象画像から出力画像を推論するための学習モデルを生成するモデル生成部と、を備え、
前記モデル生成部は、前記複数の入力画像から推論された複数の推論画像と、前記複数の正解画像との間の類似度を評価するための第一の評価値と、前記複数の推論画像を構成する複数の色成分の内、少なくとも二つの色成分の関係する程度を評価するための第二の評価値と、を含む評価関数を用いて、前記複数の推論画像が前記複数の正解画像に近づくように前記学習を行い、
前記第二の評価値は、前記複数の推論画像における、前記少なくとも二つの色成分の関係する程度の平均が強いほど小さい値となること
を特徴とする学習装置。 - 前記第一の評価値は、前記複数の推論画像の各々と、前記複数の正解画像内の対応する正解画像との間の類似度の平均が高いほど小さい値となること
を特徴とする請求項3に記載の学習装置。 - 前記入力画像は、前記正解画像の少なくとも一画素における少なくとも一つの色成分の画素値を無効値に変化させた画像であること
を特徴とする請求項1から4の何れか一項に記載の学習装置。 - 入力画像を示す学習用入力データ及び前記入力画像に対応する正解画像を示す正解データを含む学習用データセットを取得する学習側データ取得部と、
前記学習用データセットを用いて学習を行うことで、対象画像から出力画像を推論するための学習モデルを生成するモデル生成部と、を備え、
前記モデル生成部は、前記入力画像から推論された推論画像と、前記正解画像との間の類似度を評価するための第一の評価値と、前記推論画像を構成する複数の色成分の内、少なくとも二つの色成分の関係する程度を評価するための第二の評価値と、を含む評価関数を用いて、前記推論画像が前記正解画像に近づくように前記学習を行い、
前記第二の評価値は、前記少なくとも二つの色成分から生成されるグレー成分と、前記少なくとも二つの色成分の内の少なくとも一つの色成分との関係する程度が強いほど小さい値となること
を特徴とする学習装置。 - 前記第一の評価値は、前記推論画像と前記正解画像との間の類似度が高いほど小さい値となること
を特徴とする請求項6に記載の学習装置。 - 複数の入力画像を示す複数の学習用入力データ及び前記複数の入力画像に対応する複数の正解画像を示す複数の正解データを含む学習用データセットを取得する学習側データ取得部と、
前記学習用データセットを用いて学習を行うことで、対象画像から出力画像を推論するための学習モデルを生成するモデル生成部と、を備え、
前記モデル生成部は、前記複数の入力画像から推論された複数の推論画像と、前記複数の正解画像との間の類似度を評価するための第一の評価値と、前記複数の推論画像を構成する複数の色成分の内、少なくとも二つの色成分の関係する程度を評価するための第二の評価値と、を含む評価関数を用いて、前記複数の推論画像が前記複数の正解画像に近づくように前記学習を行い、
前記第二の評価値は、前記複数の推論画像における、前記少なくとも二つの色成分から生成されるグレー成分と、前記少なくとも二つの色成分の内の少なくとも一つの色成分との関係する程度の平均が強いほど小さい値となること
を特徴とする学習装置。 - 前記第一の評価値は、前記複数の推論画像の各々と、前記複数の正解画像内の対応する正解画像との間の類似度の平均が高いほど小さい値となること
を特徴とする請求項8に記載の学習装置。 - 前記入力画像は、前記正解画像の少なくとも一画素における少なくとも一つの色成分の画素値に対して特定の値を加算又は減算した画像であること
を特徴とする請求項6から9の何れか一項に記載の学習装置。 - 前記評価関数は、前記第一の評価値と、前記第二の評価値とを荷重加算する関数であること
を特徴とする請求項1から10の何れか一項に記載の学習装置。 - 対象画像を示す推論用入力データを取得する推論側データ取得部と、
入力される画像から、前記入力される画像とは別の画像を推論するための学習モデルを用いて、前記対象画像から出力画像を推論する推論部と、を備え、
前記学習モデルは、入力画像から推論された推論画像と、前記入力画像に対応する正解画像との間の類似度を評価するための第一の評価値と、前記推論画像を構成する複数の色成分の内、少なくとも二つの色成分の関係する程度を評価するための第二の評価値と、を含む評価関数を用いて、前記推論画像が前記正解画像に近づくように学習されたモデルであり、
前記第二の評価値は、前記少なくとも二つの色成分の関係する程度が強いほど小さい値となること
を特徴とする推論装置。 - コンピュータを、
入力画像を示す学習用入力データ及び前記入力画像に対応する正解画像を示す正解データを含む学習用データセットを取得する学習側データ取得部、及び、
前記学習用データセットを用いて学習を行うことで、対象画像から出力画像を推論するための学習モデルを生成するモデル生成部、として機能させるプログラムであって、
前記モデル生成部は、前記入力画像から推論された推論画像と、前記正解画像との間の類似度を評価するための第一の評価値と、前記推論画像を構成する複数の色成分の内、少なくとも二つの色成分の関係する程度を評価するための第二の評価値と、を含む評価関数を用いて、前記推論画像が前記正解画像に近づくように前記学習を行い、
前記第二の評価値は、前記少なくとも二つの色成分の関係する程度が強いほど小さい値となること
を特徴とするプログラム。 - コンピュータを、
対象画像を示す推論用入力データを取得する推論側データ取得部、及び、
入力される画像から、前記入力される画像とは別の画像を推論するための学習モデルを用いて、前記対象画像から出力画像を推論する推論部、として機能させるプログラムであって、
前記学習モデルは、入力画像から推論された推論画像と、前記入力画像に対応する正解画像との間の類似度を評価するための第一の評価値と、前記推論画像を構成する複数の色成分の内、少なくとも二つの色成分の関係する程度を評価するための第二の評価値と、を含む評価関数を用いて、前記推論画像が前記正解画像に近づくように学習されたモデルであり、
前記第二の評価値は、前記少なくとも二つの色成分の関係する程度が強いほど小さい値となること
を特徴とするプログラム。 - 入力画像を示す学習用入力データ及び前記入力画像に対応する正解画像を示す正解データを含む学習用データセットを取得し、
前記学習用データセットを用いて学習を行うことで、対象画像から出力画像を推論するための学習モデルを生成する学習方法であって、
前記学習モデルを生成する過程では、前記入力画像から推論された推論画像と、前記正解画像との間の類似度を評価するための第一の評価値と、前記推論画像を構成する複数の色成分の内、少なくとも二つの色成分の関係する程度を評価するための第二の評価値と、を含む評価関数を用いて、前記推論画像が前記正解画像に近づくように前記学習が行われ、
前記第二の評価値は、前記少なくとも二つの色成分の関係する程度が強いほど小さい値となること
を特徴とする学習方法。 - 対象画像を示す推論用入力データを取得し、
入力される画像から、前記入力される画像とは別の画像を推論するための学習モデルを用いて、前記対象画像から出力画像を推論する推論方法であって、
前記学習モデルは、入力画像から推論された推論画像と、前記入力画像に対応する正解画像との間の類似度を評価するための第一の評価値と、前記推論画像を構成する複数の色成分の内、少なくとも二つの色成分の関係する程度を評価するための第二の評価値と、を含む評価関数を用いて、前記推論画像が前記正解画像に近づくように学習されたモデルであり、
前記第二の評価値は、前記少なくとも二つの色成分の関係する程度が強いほど小さい値となること
を特徴とする推論方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/024725 WO2021260822A1 (ja) | 2020-06-24 | 2020-06-24 | 学習装置、推論装置、プログラム、学習方法及び推論方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2021260822A1 JPWO2021260822A1 (ja) | 2021-12-30 |
JP7325636B2 true JP7325636B2 (ja) | 2023-08-14 |
Family
ID=79282591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022531298A Active JP7325636B2 (ja) | 2020-06-24 | 2020-06-24 | 学習装置、推論装置、プログラム、学習方法及び推論方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7325636B2 (ja) |
WO (1) | WO2021260822A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114863241A (zh) * | 2022-04-22 | 2022-08-05 | 厦门大学 | 一种基于空间布局与深度学习的影视动画评估方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018206382A (ja) | 2017-06-01 | 2018-12-27 | 株式会社東芝 | 画像処理システム及び医用情報処理システム |
WO2020081770A1 (en) | 2018-10-18 | 2020-04-23 | Sony Corporation | Enhanced color reproduction for upscaling |
-
2020
- 2020-06-24 WO PCT/JP2020/024725 patent/WO2021260822A1/ja active Application Filing
- 2020-06-24 JP JP2022531298A patent/JP7325636B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018206382A (ja) | 2017-06-01 | 2018-12-27 | 株式会社東芝 | 画像処理システム及び医用情報処理システム |
WO2020081770A1 (en) | 2018-10-18 | 2020-04-23 | Sony Corporation | Enhanced color reproduction for upscaling |
Also Published As
Publication number | Publication date |
---|---|
WO2021260822A1 (ja) | 2021-12-30 |
JPWO2021260822A1 (ja) | 2021-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107358626B (zh) | 一种利用条件生成对抗网络计算视差的方法 | |
CN111667399A (zh) | 风格迁移模型的训练方法、视频风格迁移的方法以及装置 | |
CN110084193B (zh) | 用于面部图像生成的数据处理方法、设备和介质 | |
JP7325636B2 (ja) | 学習装置、推論装置、プログラム、学習方法及び推論方法 | |
JP2020042367A (ja) | 学習システム、サーバ、及び特徴量画像描画補間プログラム | |
CN115834996A (zh) | 用于图像处理的方法和装置 | |
US20230325982A1 (en) | Methods, systems and computer programs for processing image data for generating a filter | |
Raj et al. | Review on generative adversarial networks | |
Zhang et al. | MetaUE: Model-based meta-learning for underwater image enhancement | |
Shamshad et al. | Adaptive ptych: Leveraging image adaptive generative priors for subsampled fourier ptychography | |
JP2022189901A (ja) | 学習方法、学習装置、プログラムおよび記録媒体 | |
CN100474341C (zh) | 自适应闭群漫画生成 | |
US20220366539A1 (en) | Image processing method and apparatus based on machine learning | |
KR101785857B1 (ko) | 단일 영상 기반의 외각 시점 합성 방법 및 영상 처리 장치 | |
JP7362924B2 (ja) | データ増強基盤空間分析モデル学習装置及び方法 | |
Rajpal et al. | Fast digital watermarking of uncompressed colored images using bidirectional extreme learning machine | |
JP7406967B2 (ja) | 画像変換用ネットワーク学習装置およびそのプログラム | |
CN114862699A (zh) | 基于生成对抗网络的人脸修复方法、装置及存储介质 | |
CN113160041A (zh) | 一种模型训练方法及模型训练装置 | |
CN113077383A (zh) | 一种模型训练方法及模型训练装置 | |
JP2021120840A (ja) | 学習方法、装置及びプログラム | |
JP2002259974A (ja) | 画像領域抽出装置、プログラム及び記録媒体 | |
JP7453900B2 (ja) | 学習方法、画像変換装置及びプログラム | |
WO2021240589A1 (ja) | 学習装置、推論装置、プログラム、学習方法及び推論方法 | |
Ogorzałek et al. | Computational intelligence and image processing methods for applications in skin cancer diagnosis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220608 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230523 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230626 |
|
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: 20230704 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230801 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7325636 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |