JP7367862B2 - ニューラルネットワークベース信号処理装置、ニューラルネットワークベース信号処理方法、及びプログラム - Google Patents
ニューラルネットワークベース信号処理装置、ニューラルネットワークベース信号処理方法、及びプログラム Download PDFInfo
- Publication number
- JP7367862B2 JP7367862B2 JP2022520943A JP2022520943A JP7367862B2 JP 7367862 B2 JP7367862 B2 JP 7367862B2 JP 2022520943 A JP2022520943 A JP 2022520943A JP 2022520943 A JP2022520943 A JP 2022520943A JP 7367862 B2 JP7367862 B2 JP 7367862B2
- Authority
- JP
- Japan
- Prior art keywords
- multidimensional
- neural network
- signal processing
- features
- training
- 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
- 238000013528 artificial neural network Methods 0.000 title claims description 214
- 238000012545 processing Methods 0.000 title claims description 49
- 238000003672 processing method Methods 0.000 title claims description 14
- 238000012549 training Methods 0.000 claims description 114
- 238000011156 evaluation Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 23
- 238000012360 testing method Methods 0.000 description 14
- 238000000605 extraction Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/18—Artificial neural networks; Connectionist approaches
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/16—Speech classification or search using artificial neural 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/02—Preprocessing operations, e.g. segment selection; Pattern representation or modelling, e.g. based on linear discriminant analysis [LDA] or principal components; Feature selection or extraction
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/26—Recognition of special voice characteristics, e.g. for use in lie detectors; Recognition of animal voices
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Description
2つ以上の2次元特徴マップを含む多次元の特徴を受け取り、ニューラルネットワークを用いて、前記多次元の特徴の要素毎にアテンション重みを生成し、更に、前記多次元の特徴と前記アテンション重みとに基づいて、指定されたクラス毎に、低次元特徴又は事後確率を生成する、多次元アテンティブニューラルネットワーク評価部を備えている。
(a)2つ以上の2次元特徴マップを含む多次元の特徴を受け取り、ニューラルネットワークを用いて、前記多次元の特徴の要素毎にアテンション重みを生成し、更に、前記多次元の特徴と前記アテンション重みとに基づいて、指定されたクラス毎に、低次元特徴又は事後確率を生成する、ステップを有する。
コンピュータに、
(a)2つ以上の2次元特徴マップを含む多次元の特徴を受け取り、ニューラルネットワークを用いて、前記多次元の特徴の要素毎にアテンション重みを生成し、更に、前記多次元の特徴と前記アテンション重みとに基づいて、指定されたクラス毎に、低次元特徴又は事後確率を生成する、ステップを実行させる。
本発明の実施の形態について、添付の図面を参照して以下に詳細に説明する。
最初に、本実施の形態におけるニューラルネットワークベース信号処理装置100の構成について、図1を用いて説明する。図1は、実施の形態におけるニューラルネットワークベース信号処理装置の構成を概略的に示すブロック図である。
以下に、実施の形態におけるニューラルネットワークベース信号処理装置によって行われる処理について図9~図11を参照しながら説明する。図1~図8は、以下の説明において適宜参照される。また、実施の形態では、ニューラルネットワークベース信号処理方法は、ニューラルネットワークベース信号処理装置を動作させることによって実施される。従って、以下のニューラルネットワークベース信号処理装置による動作説明を、実施の形態におけるニューラルネットワークベース信号処理方法の説明に代える。
本発明は、複数の特徴マップにわたるアテンションメカニズムを導入し、最適な特徴の自動選択を支援する。実施の形態によれば、例えば、多数の特徴が特徴マップ全体で異なって配置されていても、音声処理タスクに対して重要な特徴を選択することが可能である。多次元アテンティブNN訓練部の5つの例(図3、図5-8)は、訓練データの量の異なる条件毎に示されている。
実施の形態におけるプログラムは、コンピュータに、図9に示すステップA01~A0図10に示すステップB01~B05、及び図11に示すステップC01~C05を実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、実施の形態におけるニューラルネットワークベース信号処理装置100とニューラルネットワークベース信号処理方法とを実現することができる。この場合、コンピュータのプロセッサは、特徴マップ抽出部10、マルチ特徴マップスタッキング部20、多次元アテンティブNN訓練部30、及び多次元アテンティブNN評価部50として機能し、処理を行なう。
ここで、実施の形態におけるプログラムを実行することによって、ニューラルネットワークベース信号処理装置を実現するコンピュータについて図12を用いて説明する。図12は、実施の形態におけるニューラルネットワークベース信号処理装置を実現するコンピュータの一例を示すブロック図である。
2つ以上の2次元特徴マップを含む多次元の特徴を受け取り、
ニューラルネットワークを用いて、前記多次元の特徴の要素毎にアテンション重みを生成し、
更に、前記多次元の特徴と前記アテンション重みとに基づいて、指定されたクラス毎に、低次元特徴又は事後確率を生成する、
多次元アテンティブニューラルネットワーク評価部を備えている、
ニューラルネットワークベース信号処理装置。
前記多次元アテンティブニューラルネットワーク評価部は、統計を計算することによって、2つの次元に沿って多次元の特徴を絞り込み、前記ニューラルネットワークを用いて、残りの次元1つ毎にアテンション重みを生成する、
付記1に記載のニューラルネットワークベース信号処理装置。
前記多次元アテンティブニューラルネットワーク評価手段は、統計を計算することによって、いずれかの単一の次元に沿って多次元の特徴を絞り込み、前記ニューラルネットワークを用いて、残りの次元2つ毎にアテンション重みを生成する、
付記1に記載のニューラルネットワークベース信号処理装置。
2つ以上の2次元特徴マップを含む多次元の特徴を受け取り、ラベル付けされた多次元の特徴を用い、分類ネットワークと共同してアテンションネットワークを訓練する、
多次元アテンティブニューラルネットワーク訓練部を更に備えている、
付記1~3のいずれかに記載のニューラルネットワークベース信号処理装置。
前記多次元アテンティブニューラルネットワーク訓練部は、
重み行列と多次元の特徴とを乗算し、乗算後のラベル付けされた多次元の特徴を用いて、分類ネットワークと共同で前記アテンションネットワークを訓練する、
付記4に記載のニューラルネットワークベース信号処理装置。
前記多次元アテンティブニューラルネットワーク評価部は、入力された多次元の特徴が実際の発話又はなりすましから得られたものであるという事後確率を生成する、
付記1~5のいずれかに記載のニューラルネットワークベース信号処理装置。
(a)2つ以上の2次元特徴マップを含む多次元の特徴を受け取り、
ニューラルネットワークを用いて、前記多次元の特徴の要素毎にアテンション重みを生成し、
更に、前記多次元の特徴と前記アテンション重みとに基づいて、指定されたクラス毎に、低次元特徴又は事後確率を生成する、ステップを有する、
ニューラルネットワークベース信号処理方法。
前記ステップ(a)において、統計を計算することによって、2つの次元に沿って多次元の特徴を絞り込み、前記ニューラルネットワークを用いて、残りの次元1つ毎にアテンション重みを生成する、
付記7に記載のニューラルネットワークベース信号処理方法。
前記ステップ(a)において、統計を計算することによって、いずれかの単一の次元に沿って多次元の特徴を絞り込み、前記ニューラルネットワークを用いて、残りの次元2つ毎にアテンション重みを生成する、
付記7に記載のニューラルネットワークベース信号処理方法。
(c)2つ以上の2次元特徴マップを含む多次元の特徴を受け取り、ラベル付けされた多次元の特徴を用い、分類ネットワークと共同してアテンションネットワークを訓練する、ステップを更に有する、
付記7~9のいずれかに記載のニューラルネットワークベース信号処理方法。
前記ステップ(c)において、重み行列と多次元の特徴とを乗算し、乗算後のラベル付けされた多次元の特徴を用いて、分類ネットワークと共同で前記アテンションネットワークを訓練する、
付記10に記載のニューラルネットワークベース信号処理方法。
付記7~11のいずれかに記載のニューラルネットワークベース信号処理方法。
コンピュータに、
(a)2つ以上の2次元特徴マップを含む多次元の特徴を受け取らせ、
ニューラルネットワークを用いて、前記多次元の特徴の要素毎にアテンション重みを生成させ、
更に、前記多次元の特徴と前記アテンション重みとに基づいて、指定されたクラス毎に、低次元特徴又は事後確率を生成させる、ステップを実行させる、
プログラム。
前記ステップ(a)において、統計を計算することによって、2つの次元に沿って多次元の特徴を絞り込み、前記ニューラルネットワークを用いて、残りの次元1つ毎にアテンション重みを生成する、
付記13に記載のプログラム。
前記ステップ(a)において、統計を計算することによって、いずれかの単一の次元に沿って多次元の特徴を絞り込み、前記ニューラルネットワークを用いて、残りの次元2つ毎にアテンション重みを生成する、
付記13に記載のプログラム。
前記コンピュータに、
(c)2つ以上の2次元特徴マップを含む多次元の特徴を受け取り、ラベル付けされた多次元の特徴を用い、分類ネットワークと共同してアテンションネットワークを訓練する、ステップを更に実行させる、
付記13~15のいずれかに記載のプログラム。
前記ステップ(c)において、重み行列と多次元の特徴とを乗算し、乗算後のラベル付けされた多次元の特徴を用いて、分類ネットワークと共同で前記アテンションネットワークを訓練する、
付記16に記載のプログラム。
前記ステップ(a)において、入力された多次元の特徴が実際の発話又はなりすましから得られたものであるという事後確率を生成する、
付記13~17のいずれかに記載のプログラム。
20 マルチ特徴マップスタッキング部
30 多次元アテンティブニューラルネットワーク(NN)訓練部
40 ニューラルネットワーク(NN)パラメータ格納部
50 多次元アテンティブニューラルネットワーク(NN)評価部
100 ニューラルネットワークベース信号処理装置
111 CPU
112 メインメモリ
113 記憶装置
114 入力インターフェイス
115 表示コントローラ
116 データリーダ/ライタ
117 通信インターフェイス
118 入力機器
119 ディスプレイ装置
120 記録媒体
121 バス
Claims (7)
- 2つ以上の2次元特徴マップを含む多次元の特徴を受け取り、
ニューラルネットワークを用いて、前記多次元の特徴の要素毎にアテンション重みを生成し、
更に、前記多次元の特徴と前記アテンション重みとに基づいて、指定されたクラス毎に、低次元特徴又は事後確率を生成する、
多次元アテンティブニューラルネットワーク評価手段を備え、
前記多次元アテンティブニューラルネットワーク評価手段は、統計を計算することによって、2つの次元に沿って多次元の特徴を絞り込み、前記ニューラルネットワークを用いて、残りの次元1つ毎にアテンション重みを生成する、
ニューラルネットワークベース信号処理装置。 - 前記多次元アテンティブニューラルネットワーク評価手段は、統計を計算することによって、いずれかの単一の次元に沿って多次元の特徴を絞り込み、前記ニューラルネットワークを用いて、残りの次元2つ毎にアテンション重みを生成する、
請求項1に記載のニューラルネットワークベース信号処理装置。 - 2つ以上の2次元特徴マップを含む多次元の特徴を受け取り、ラベル付けされた多次元の特徴を用い、分類ネットワークと共同してアテンションネットワークを訓練する、
多次元アテンティブニューラルネットワーク訓練手段を更に備えている、
請求項1に記載のニューラルネットワークベース信号処理装置。 - 前記多次元アテンティブニューラルネットワーク訓練手段は、
重み行列と多次元の特徴とを乗算し、乗算後のラベル付けされた多次元の特徴を用いて、分類ネットワークと共同で前記アテンションネットワークを訓練する、
請求項3に記載のニューラルネットワークベース信号処理装置。 - 前記多次元アテンティブニューラルネットワーク評価手段は、入力された多次元の特徴が実際の発話又はなりすましから得られたものであるという事後確率を生成する、
請求項1に記載のニューラルネットワークベース信号処理装置。 - コンピュータが実行する方法であって、
(a)2つ以上の2次元特徴マップを含む多次元の特徴を受け取り、
ニューラルネットワークを用いて、前記多次元の特徴の要素毎にアテンション重みを生成し、
更に、前記多次元の特徴と前記アテンション重みとに基づいて、指定されたクラス毎に、低次元特徴又は事後確率を生成し、
(b)統計を計算することによって、2つの次元に沿って多次元の特徴を絞り込み、前記ニューラルネットワークを用いて、残りの次元1つ毎にアテンション重みを生成する、
ニューラルネットワークベース信号処理方法。 - コンピュータに、
(a)2つ以上の2次元特徴マップを含む多次元の特徴を受け取らせ、
ニューラルネットワークを用いて、前記多次元の特徴の要素毎にアテンション重みを生成させ、
更に、前記多次元の特徴と前記アテンション重みとに基づいて、指定されたクラス毎に、低次元特徴又は事後確率を生成させ、
(b)統計を計算することによって、2つの次元に沿って多次元の特徴を絞り込ませ、前記ニューラルネットワークを用いて、残りの次元1つ毎にアテンション重みを生成させる、
プログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2019/041226 WO2021075063A1 (en) | 2019-10-18 | 2019-10-18 | Neural network-based signal processing apparatus, neural network-based signal processing method, and computer-readable storage medium |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023502310A JP2023502310A (ja) | 2023-01-24 |
JP7367862B2 true JP7367862B2 (ja) | 2023-10-24 |
Family
ID=75537350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022520943A Active JP7367862B2 (ja) | 2019-10-18 | 2019-10-18 | ニューラルネットワークベース信号処理装置、ニューラルネットワークベース信号処理方法、及びプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220335950A1 (ja) |
JP (1) | JP7367862B2 (ja) |
WO (1) | WO2021075063A1 (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020261552A1 (en) * | 2019-06-28 | 2020-12-30 | Nec Corporation | Spoofing detection apparatus, spoofing detection method, and computer-readable storage medium |
US11756572B2 (en) * | 2020-12-02 | 2023-09-12 | Google Llc | Self-supervised speech representations for fake audio detection |
CN113611314A (zh) * | 2021-08-03 | 2021-11-05 | 成都理工大学 | 一种说话人识别方法及系统 |
US11955122B1 (en) * | 2021-09-28 | 2024-04-09 | Amazon Technologies, Inc. | Detecting machine-outputted audio |
CN114259255B (zh) * | 2021-12-06 | 2023-12-08 | 深圳信息职业技术学院 | 一种基于频域信号与时域信号的模态融合胎心率分类方法 |
-
2019
- 2019-10-18 WO PCT/JP2019/041226 patent/WO2021075063A1/en active Application Filing
- 2019-10-18 US US17/764,291 patent/US20220335950A1/en active Pending
- 2019-10-18 JP JP2022520943A patent/JP7367862B2/ja active Active
Non-Patent Citations (4)
Title |
---|
OKABE,Koji et al,Attentive Statistics Pooling for Deep Speaker Embedding,[online], arXiv:1803.10963v2,arXiv(Cornell University),2019年02月25日,pp. 1-5,インターネット:<URL:https://arxiv.org/pdf/1803.10963v2.pdf>,<URL:https://arxiv.org/abs/1803.10963v2> |
SALAKHUTDINOV,Russ,STA4273H: Statistical Machine Learning Lecture 3,[online],University of Toronto,2011年,pp.1-55,インターネット<https://utstat.toronto.edu/~rsalakhu/sta4273><https://utstat.toronto.edu/~rsalakhu/sta4273/notes/Lecture3.pdf>,[検索日 2023年6月13日] |
TAKAHASHI,Gen et al,Acoustic Scene Classification Based on Spatial Feature Extraction Using Convolutional Neural Networks,Journal of Signal Processing,Research Institute of Signal Processing,2018年07月,Vol.22 No.4,pp.199-202,ISSN:1880-1013 |
ZHANG, Chunlei et al,OINT INFORMATION FROM NONLINEAR AND LINEAR FEATURES FOR SPOOFING DETECTION:AN I-VECTOR/DNN BASED APPROACH,Proceedings of the 2016 IEEE International Conference on Acoustic, Speech and Signal Processing (ICASSP 2016),IEEE,2016年,pp. 5035-5039,ISSN:978-1-4799-9988-0 |
Also Published As
Publication number | Publication date |
---|---|
WO2021075063A1 (en) | 2021-04-22 |
JP2023502310A (ja) | 2023-01-24 |
US20220335950A1 (en) | 2022-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7367862B2 (ja) | ニューラルネットワークベース信号処理装置、ニューラルネットワークベース信号処理方法、及びプログラム | |
CN106683663B (zh) | 神经网络训练设备和方法以及语音识别设备和方法 | |
US10127905B2 (en) | Apparatus and method for generating acoustic model for speech, and apparatus and method for speech recognition using acoustic model | |
US11817103B2 (en) | Pattern recognition apparatus, pattern recognition method, and storage medium | |
WO2020003533A1 (en) | Pattern recognition apparatus, pattern recognition method, and computer-readable recording medium | |
You et al. | Comparative study of singing voice detection based on deep neural networks and ensemble learning | |
CN112634935B (zh) | 语音分离方法、装置、电子设备和可读存储介质 | |
CN111444967A (zh) | 生成对抗网络的训练方法、生成方法、装置、设备及介质 | |
CN113870831A (zh) | 基于对抗网络的声音样本生成方法、装置、设备及介质 | |
Morfi et al. | Deep perceptual embeddings for unlabelled animal sound events | |
Oo et al. | Fusion of Log-Mel Spectrogram and GLCM feature in acoustic scene classification | |
Cai et al. | Identifying source speakers for voice conversion based spoofing attacks on speaker verification systems | |
JP7396376B2 (ja) | なりすまし検出装置、なりすまし検出方法、及びプログラム | |
US11580967B2 (en) | Speech feature extraction apparatus, speech feature extraction method, and computer-readable storage medium | |
Liao et al. | Adversarial speaker distillation for countermeasure model on automatic speaker verification | |
Himawan et al. | Voice presentation attack detection using convolutional neural networks | |
Magazine et al. | Fake speech detection using modulation spectrogram | |
Keshav et al. | Multimodal approach for code-mixed speech sentiment classification | |
US20200302917A1 (en) | Method and apparatus for data augmentation using non-negative matrix factorization | |
CN113488027A (zh) | 一种层级分类的生成音频溯源方法及存储介质、计算机设备 | |
US11348575B2 (en) | Speaker recognition method and apparatus | |
JP6220733B2 (ja) | 音声分類装置、音声分類方法、プログラム | |
CN115022733B (zh) | 摘要视频生成方法、装置、计算机设备及存储介质 | |
Sahane et al. | Detection of Fake Audio: A Deep Learning-Based Comprehensive Survey | |
Arı et al. | Randomized matrix decompositions and exemplar selection in large dictionaries for polyphonic piano transcription |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220405 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220405 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230106 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230620 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230817 |
|
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: 20230912 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230925 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7367862 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |