図面 (/)

技術 重要度算出装置、方法、及びプログラム

出願人 日本電信電話株式会社
発明者 森稔武小萌柏野邦夫
出願日 2015年12月4日 (4年11ヶ月経過) 出願番号 2015-238006
公開日 2017年6月8日 (3年5ヶ月経過) 公開番号 2017-102869
状態 特許登録済
技術分野 検索装置
主要キーワード 画像郡 類似値 FF値 クエリデータ 抽出特徴 抽出数 重み計算 学習用データ
関連する未来課題
重要な関連分野

この項目の情報は公開日時点(2017年6月8日)のものです。
また、この項目は機械的に抽出しているため、正しく解析できていない場合があります

図面 (7)

課題

抽出される特徴数が多くても、適切な重みを算出することができる。

解決手段

特徴抽出部24により、複数の学習用データから特徴の各々を抽出し、特徴重要度算出部26により、特徴の各々について、全特徴が抽出された総数を特徴が抽出された数で割った値の対数をとった値であるITFF(Inverse Total Feature Frequency)を特徴の重みとして算出する。

概要

背景

従来、IDF(Inverse Document Frequency)と呼ばれる重み算出方法がよく用いられる。IDFは事前に取得された対象(画像や文書など)から特徴を抽出し、各特徴が含まれる対象の数(画像であれば事前に取得された画像郡の中で着目特徴を含む画像数、文書であれば着目単語を含む文書数)を算出する。k番目の特徴のIDFであるidf(vk)は、全体の数量Nを算出した数dkで除算しlogをとった下記(1)式で求まる値として算出される。ここで、dkは、対象となるk番目の特徴を含んでいる対象の数である。

idf(vk)の値により、より少ない対象にしか含まれない特徴(dkが小さい特徴)にはより大きな重みが、より多くの対象に含まれる特徴には小さい重みが与えられることになる。idf(vk)の値を類似値の算出に反映させることにより、少ない出現頻度の特徴同士が比較対象間に存在していれば、類似値がより大きくなり類似していると判定されやすく、逆に多くの画像から抽出されやすく、出現頻度が高い特徴同士に対しては小さい重みが与えられるため、類似値への影響は小さくなる。そのため、何も重みを与えない場合と比較し、より精度の高い類似性の比較が可能となる。

概要

抽出される特徴数が多くても、適切な重みを算出することができる。特徴抽出部24により、複数の学習用データから特徴の各々を抽出し、特徴重要度算出部26により、特徴の各々について、全特徴が抽出された総数を特徴が抽出された数で割った値の対数をとった値であるITFF(Inverse Total Feature Frequency)を特徴の重みとして算出する。

目的

本発明では、上記問題点を解決するために成されたものであり、抽出される特徴数が多くても、適切な重みを算出することができる重要度算出装置、方法、及びプログラムを提供する

効果

実績

技術文献被引用数
1件
牽制数
0件

この技術が所属する分野

(分野番号表示ON)※整理標準化データをもとに当社作成

ライセンス契約や譲渡などの可能性がある特許掲載中! 開放特許随時追加・更新中 詳しくはこちら

請求項1

特徴抽出部と特徴重要度算出部とを含む、重要度算出装置における、重要度算出方法であって、前記特徴抽出部は、複数の学習用データから特徴の各々を抽出し、前記特徴重要度算出部は、前記特徴の各々について、全特徴が抽出された総数を前記特徴が抽出された数で割った値の対数をとった値であるITFF(Inverse Total Feature Frequency)を前記特徴の重みとして算出する重要度算出方法。

請求項2

前記特徴重要度算出部により特徴の重みを算出することは、前記ITFFの値が予め定められた閾値未満である場合には、前記特徴の重みを0とし、前記ITFFの値が前記閾値以上である場合には、前記特徴の重みを前記ITFFの値とする請求項1記載の重要度算出方法。

請求項3

前記特徴抽出部により特徴を抽出することは、更にクエリデータから特徴の各々を抽出し、前記学習用データ毎の特徴の各々と、前記クエリデータの特徴の各々と、前記特徴毎の重みとに基づいて、前記複数の学習用データから、前記クエリデータに類似する学習用データを検索する検索部を更に含む請求項1又2記載の重要度算出方法。

請求項4

複数の学習用データから特徴の各々を抽出する特徴抽出部と、前記特徴の各々について、全特徴が抽出された総数を前記特徴が抽出された数で割った値の対数をとった値であるITFF(Inverse Total Feature Frequency)を前記特徴の重みとして算出する特徴重要度算出部と、を含む重要度算出装置。

請求項5

前記特徴重要度算出部は、前記ITFFの値が予め定められた閾値未満である場合には、前記特徴の重みを0とし、前記ITFFの値が前記閾値以上である場合には、前記特徴の重みを前記ITFFの値とする請求項4記載の重要度算出装置。

請求項6

前記特徴抽出部は、更にクエリデータから特徴の各々を抽出し、前記学習用データ毎の特徴の各々と、前記クエリデータの特徴の各々と、前記特徴毎の重みとに基づいて、前記複数の学習用データから、前記クエリデータに類似する学習用データを検索する検索部を更に含む、請求項4又は5記載の重要度算出装置。

請求項7

コンピュータを、請求項4〜請求項6の何れか1項に記載の重要度算出装置の各部として機能させるためのプログラム

技術分野

0001

本発明は、抽出された特徴の重要度を算出するための重要度算出装置、方法、及びプログラムに関するものである。

背景技術

0002

従来、IDF(Inverse Document Frequency)と呼ばれる重み算出方法がよく用いられる。IDFは事前に取得された対象(画像や文書など)から特徴を抽出し、各特徴が含まれる対象の数(画像であれば事前に取得された画像郡の中で着目特徴を含む画像数、文書であれば着目単語を含む文書数)を算出する。k番目の特徴のIDFであるidf(vk)は、全体の数量Nを算出した数dkで除算しlogをとった下記(1)式で求まる値として算出される。ここで、dkは、対象となるk番目の特徴を含んでいる対象の数である。

0003

0004

idf(vk)の値により、より少ない対象にしか含まれない特徴(dkが小さい特徴)にはより大きな重みが、より多くの対象に含まれる特徴には小さい重みが与えられることになる。idf(vk)の値を類似値の算出に反映させることにより、少ない出現頻度の特徴同士が比較対象間に存在していれば、類似値がより大きくなり類似していると判定されやすく、逆に多くの画像から抽出されやすく、出現頻度が高い特徴同士に対しては小さい重みが与えられるため、類似値への影響は小さくなる。そのため、何も重みを与えない場合と比較し、より精度の高い類似性の比較が可能となる。

先行技術

0005

Sivic, J., Zisserman, A.: Video google: A text retrieval approach to object matching in videos. In: International Conference on Computer Vision. pp. 1470-1477 (2003)

発明が解決しようとする課題

0006

しかし、対象となる画像から非常に多くの特徴を抽出したり、一つの文章が非常に多くの特徴となる単語を含んでいたりする場合、各特徴が含まれる画像や文章の数が増加することでIDFの値は0に近づき、また特徴間の差が小さくなることで、精度の高い類似性の判定が出来なくなるという問題がある。

0007

また、IDFは同じ対象から着目特徴が一つだけ抽出されても、複数抽出されても、当該対象に着目特徴が含まれるという情報は同じであり、dkは変わらないため、IDFの値も変わらず、幾つ抽出されても影響がない。しかし、一つだけ抽出されたか、複数抽出されたかの違いは、対象間の類似性に関係がある為、IDFのこのような性質は好ましくないという問題もある。

0008

また、IDFが0に近くなって重要度が小さくなった特徴が非常に多く抽出された場合、類似値が多数積算されることにより、より類似していると誤検出される可能性が増加したり、類似値の計算処理回数が増えて、処理時間や必要メモリ量が増大したりするという問題がある。

0009

本発明では、上記問題点を解決するために成されたものであり、抽出される特徴数が多くても、適切な重みを算出することができる重要度算出装置、方法、及びプログラムを提供することを目的とする。

課題を解決するための手段

0010

上記目的を達成するために、第1の発明に係る重要度算出方法は、特徴抽出部と特徴重要度算出部とを含む、重要度算出装置における、重要度算出方法であって、前記特徴抽出部は、複数の学習用データから特徴の各々を抽出し、前記特徴重要度算出部は、前記特徴の各々について、全特徴が抽出された総数を前記特徴が抽出された数で割った値の対数をとった値であるITFF(Inverse Total Feature Frequency)を前記特徴の重みとして算出する。

0011

第2の発明に係る重要度算出装置は、複数の学習用データから特徴の各々を抽出する特徴抽出部と、前記特徴の各々について、全特徴が抽出された総数を前記特徴が抽出された数で割った値の対数をとった値であるITFF(Inverse Total Feature Frequency)を前記特徴の重みとして算出する特徴重要度算出部と、を含んで構成される。

0012

第1及び第2の発明によれば、特徴抽出部により、複数の学習用データから特徴の各々を抽出し、特徴重要度算出部により、特徴の各々について、全特徴が抽出された総数を特徴が抽出された数で割った値の対数をとった値であるITFF(Inverse Total Feature Frequency)を特徴の重みとして算出する。

0013

このように、複数の学習用データから特徴の各々を抽出し、特徴の各々について、全特徴が抽出された総数を特徴が抽出された数で割った値の対数をとった値であるITFFを特徴の重みとして算出することにより、抽出される特徴数が多くても、適切な重みを算出することができる。

0014

また、第1及び第2の発明において、前記特徴重要度算出部により特徴の重みを算出することは、前記ITFFの値が予め定められた閾値未満である場合には、前記特徴の重みを0とし、前記ITFFの値が前記閾値以上である場合には、前記特徴の重みを前記ITFFの値としてもよい。

0015

また、第1及び第2の発明において、前記特徴抽出部により特徴を抽出することは、更にクエリデータから特徴の各々を抽出し、前記学習用データ毎の特徴の各々と、前記クエリデータの特徴の各々と、前記特徴毎の重みとに基づいて、前記複数の学習用データから、前記クエリデータに類似する学習用データを検索する検索部を更に含んでもよい。

0016

また、本発明のプログラムは、コンピュータを、上記の重要度算出装置を構成する各部として機能させるためのプログラムである。

発明の効果

0017

以上説明したように、本発明の重要度算出装置、方法、及びプログラムによれば、複数の学習用データから特徴の各々を抽出し、特徴の各々について、全特徴が抽出された総数を特徴が抽出された数で割った値の対数をとった値であるITFFを特徴の重みとして算出することにより、抽出される特徴数が多くても、適切な重みを算出することができる。

0018

また、閾値処理により重要ではない特徴の重みを0とすることにより、誤検出の可能性を低下させたり、類似値の計算処理量や必要なメモリ量を削減したりすることが可能となる。

図面の簡単な説明

0019

第1の実施形態に係る重要度算出装置の機能的構成を示すブロック図である。
第1の実施形態に係る重要度算出装置における重み学習処理ルーチンを示すフローチャートである。
第1の実施形態に係る重要度算出装置における検索処理ルーチンを示すフローチャートである。
第2の実施形態に係る重要度算出装置の機能的構成を示すブロック図である。
第2の実施形態に係る重要度算出装置における重み学習処理ルーチンを示すフローチャートである。
実験結果の例を示す図である。

実施例

0020

以下、図面を参照して本発明の実施形態を詳細に説明する。

0021

<本発明の実施形態の概要
まず、本実施形態の概要について説明する。

0022

本実施形態において用いる重みを算出する方法は、抽出する特徴数が多かったり、一つの対象が非常に多くの特徴を含んでいたりする場合においても、より適切な特徴の重みを算出することができる。

0023

本実施形態において用いる重みを算出する方法は、着目特徴を含んでいる対象の数ではなく、抽出された特徴の数を利用することで、抽出特徴数が多くても、特徴間の差を反映したり、重みが0に近づいたりしないようにする。

0024

具体的には、k番目の特徴がn番目の対象から抽出された数fknとすると、k番目の特徴に対する重みitffkは、下記(2)式に従って算出される。

0025

0026

ここで、ITFF(Inverse Total Feature Frequency)は、全ての特徴抽出数に対する、着目特徴の抽出数比率に基づいているため、全ての対象から抽出されたとしても重みは0にはならない。また、特徴抽出数に基づくため、ある対象から1つだけ抽出された場合と、複数抽出された場合では、異なる値が算出され、より特徴間の差を強調する値となる。

0027

なお、IDFkについては、上述の(1)式に従って算出することができる。

0028

<第1の実施形態に係る重要度算出装置の構成>
次に、第1の実施形態に係る重要度算出装置の構成について説明する。図1に示すように、第1の実施形態に係る重要度算出装置100は、CPUと、RAMと、後述する各種処理ルーチンを実行するためのプログラムや各種データを記憶したROMと、を含むコンピュータで構成することが出来る。この重要度算出装置100は、機能的には図1に示すように入力部10と、演算部20と、出力部90とを含んで構成されている。

0029

入力部10は、特徴の各々、及び当該特徴の重みを学習するための学習用データである学習用画像の各々を受け付ける。また、入力部10は、クエリとしてクエリデータである画像(以後、クエリ画像)を受け付ける。

0030

演算部20は、記憶部22と、特徴抽出部24と、特徴重要度算出部26と、検索部28とを含んで構成されている。

0031

記憶部22には、入力部10において受け付けた学習用画像の各々が記憶されている。なお、後述の特徴抽出部24の処理後においては、記憶されている学習用画像の各々に、当該学習用画像の特徴ベクトル紐付けられて記憶されている。また、記憶部22には、後述の特徴重要度算出部26の処理後においては、各特徴の重要度が記憶されている。

0032

特徴抽出部24は、記憶部22に記憶されている学習用画像の各々について、当該学習用画像から特徴の各々を抽出する。また、特徴抽出部24は、学習用画像の各々について、当該学習用画像から抽出された特徴の各々の数を、予め定められた順番に並べた特徴ベクトルを、当該学習用画像の特徴ベクトルとして作成し、記憶部22に記憶する。なお、第1の実施形態においては、特徴を抽出する対象が画像であることから、特徴抽出部24は、対象となる画像から色や幾何学的な情報を特徴として抽出する。

0033

また、特徴抽出部24は、入力部10において受け付けたクエリ画像からも同様に特徴の各々を抽出し、当該クエリ画像の特徴ベクトルを作成する。なお、特徴抽出部24において抽出される特徴は幾何学的な情報を取得することが出来ればどのような手法を用いてもよい。また、各特徴は、ベクトルとして取得される。

0034

特徴重要度算出部26は、特徴抽出部24において取得した学習用画像毎の特徴の各々に基づいて、上記(2)式に従って、各特徴の重みとして、ITFFを算出する。また、特徴重要度算出部26は、取得した各特徴の重みを記憶部22に記憶する。

0035

検索部28は、特徴抽出部24において取得したクエリ画像の特徴ベクトルと、記憶部22に記憶されている各特徴の重みと、記憶部22に記憶されている学習用画像毎の特徴ベクトルとに基づいて、クエリ画像に類似する学習用画像を類似画像として検索し、出力部90から出力する。

0036

具体的には、検索部28は、学習用画像の各々について、当該学習用画像の特徴ベクトルと、取得したクエリ画像の特徴ベクトルとに基づいて、学習用画像の特徴ベクトルとクエリ画像の特徴ベクトルとの要素毎の差に、各特徴の重みを掛け合わせた結果を、学習用画像とクエリ画像との特徴ベクトル間の距離として算出する。そして、検索部28は、算出された特徴ベクトル間の距離の各々に基づいて、当該ベクトル間の距離が予め定められた閾値以下である学習用画像を類似画像として取得し、出力部90から出力する。

0037

<第1の実施形態に係る重要度算出装置の作用>
次に、第1の実施形態に係る重要度算出装置100の作用について説明する。重要度算出装置100は、入力部10によって、学習用画像の各々を受け付け記憶部22に記憶すると、重要度算出装置100によって、図2に示す重み学習処理ルーチンが実行される。また、重要度算出装置100は、入力部10によって、クエリ画像を受け付けると、重要度算出装置100によって、図3に示す検索処理ルーチンが実行される。

0038

まず、図2に示す重み学習処理ルーチンについて説明する。

0039

図2に示す重み学習処理のステップS100で、記憶部22に記憶されている学習用画像の各々を読み込む。

0040

次に、ステップS102で、ステップS100において取得した学習用画像毎に、当該学習用画像の特徴の各々を抽出し、当該抽出された特徴の各々に基づいて、当該学習用画像の特徴ベクトルを作成し、記憶部22に記憶する。

0041

次に、ステップS104で、ステップS102において取得した学習用画像毎の特徴の各々に基づいて、上記(2)式に従って、各特徴の重みとしてITFFを算出する。

0042

次に、ステップS106で、ステップS104において取得した各特徴の重みの各々を記憶部22に記憶し、重み学習処理ルーチンを終了する。

0043

次に、図3に示す検索処理ルーチンについて説明する。

0044

図3に示す検索処理のステップS120で、記憶部22に記憶されている特徴ベクトルが紐付けられている学習用画像の各々と、各特徴の重みとを読み込む。

0045

次に、ステップS122で、入力部10において受け付けたクエリ画像から特徴の各々を抽出する。

0046

次に、ステップS124で、ステップS122において取得したクエリ画像の特徴の各々に基づいて、当該クエリ画像の特徴ベクトルを作成する。

0047

次に、ステップS126で、ステップS124において取得したクエリ画像の特徴ベクトルと、ステップS120において取得した各学習用画像の特徴ベクトルと、ステップS120において取得した各特徴の重みと、予め定められたベクトル間の距離の閾値とに基づいて、クエリ画像に類似する画像を検索する。

0048

次に、ステップS128で、ステップS126において取得したクエリ画像に類似する画像を出力部90から出力して、検索処理ルーチンを終了する。

0049

以上説明したように、第1の実施形態に係る重要度算出装置によれば、複数の学習用データから特徴の各々を抽出し、特徴の各々について、全特徴が抽出された総数を特徴が抽出された数で割った値の対数をとった値であるITFFを特徴の重みとして算出することにより、抽出される特徴数が多くても、適切な重みを算出することができる。

0050

また、処理対象となる画像や文書などから特徴を抽出し、抽出された特徴同士を比較することにより対象間の類似性を評価することで、類似画像検索類似文書検索などを実現する処理において、抽出された特徴の重要度を表す重みの算出処理を行うことができる。

0051

また、類似性を表す類似値や距離値を算出する際に、各特徴の重要度となる重みを反映させることで、より精度が高い類似性の評価が可能となる。

0052

なお、本発明は、上述した実施形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。

0053

次に、第2の実施形態について説明する。

0054

第2の実施形態については、特定の条件を満たす特徴の重みを0にする点が、第1の実施形態と主に異なる。なお、第1の実施形態に係る重要度算出装置100と同様の構成、及び作用については、同一の符号を付すことにより説明を省略する。

0055

<第2の実施形態に係る重要度算出装置の構成>
第2の実施形態に係る重要度算出装置の構成について説明する。図4に示すように、第2の実施形態に係る重要度算出装置200は、CPUと、RAMと、後述する各種処理ルーチンを実行するためのプログラムや各種データを記憶したROMと、を含むコンピュータで構成することが出来る。この重要度算出装置200は、機能的には図4に示すように入力部10と、演算部220と、出力部90とを含んで構成されている。

0056

演算部220は、記憶部222と、特徴抽出部24と、特徴重要度算出部226と、検索部28とを含んで構成されている。

0057

記憶部222には、入力部10において受け付けた学習用画像の各々が記憶されている。なお、後述の特徴抽出部24の処理後においては、記憶されている学習用画像の各々に、当該学習用画像の特徴ベクトルが紐付けられて記憶されている。また、記憶部222には、後述の特徴重要度算出部226の処理後においては、各特徴の重要度が記憶されている。

0058

特徴重要度算出部226は、特徴重要度算出部226は、特徴抽出部24において取得した学習用画像毎の特徴の各々に基づいて、上記(2)式に従って、各特徴のITFFを算出する。そして、各特徴について、ITFFの値が予め定められた閾値(例えば、1)未満である場合には、当該特徴の重みを0とする。なお、ITFFの値が閾値以上である場合には、ITFFの値を、当該特徴の重みとする。また、当該閾値は、予め実験により適切な値を定めておくものとする。

0059

また、特徴重要度算出部226は、取得した各特徴の重みを記憶部222に記憶する。

0060

なお、重要度算出装置200の他の構成は、第1の実施形態に係る重要度算出装置100と同様のため、説明は省略する。

0061

<第2の実施形態に係る重要度算出装置の作用>
次に、第2の実施形態に係る重要度算出装置200の作用について説明する。重要度算出装置200は、入力部10によって、学習用画像の各々を受け付け記憶部222に記憶すると、重要度算出装置200によって、図5に示す重み学習処理ルーチンが実行される。また、重要度算出装置200は、入力部10によって、クエリ画像を受け付けると、重要度算出装置200によって、図3に示す検索処理ルーチンが実行される。

0062

図5に示す重み学習処理のステップS204で、ステップS102において取得した学習用画像毎の特徴の各々に基づいて、上記(2)式に従って、各特徴のITFF値を算出し、当該ITFFの値と、予め定められた閾値とに基づいて、重みを算出する。

0063

なお、重要度算出装置200の他の作用については、第1の実施形態に係る重要度算出装置100の作用と同一であるため、説明を省略する。

0064

<実験例>
第1の実施形態に係る重要度算出装置100、及び第2の実施形態に係る重要度算出装置200を用いて、100枚の検索クエリ画像に対し、類似している314枚及び異なる5000枚の計5314枚の画像からどれだけ類似した画像が検出できるのかの評価実験結果を図6に示す。各数値は上位M個に類似した画像が含まれている割合を示す。

0065

図6の結果から、ITFFを用いた結果の方が、従来のIDFを用いた結果よりも検索精度が高いということがいえる。更に、閾値処理をしたITFF(Thresholded ITFF)を用いた結果の方が、ITFFをそのまま用いた結果よりも検索精度が高いということがいえる。また、IDFに限らず、着目特徴が対象に含まれているか否かのみの情報dkを用いる、BM25などの異なる重み計算法においても、着目特徴の抽出特徴数fknを用いる方法を適用することが可能である。

0066

以上のことより、第2の実施形態に係る重要度算出装置は、検索精度を向上させることができ、また、検索時間を短縮することができる。

0067

また、閾値処理により重要ではない特徴の重みを0とすることにより、誤検出の可能性を低下させたり、類似値の計算処理量や必要なメモリ量を削減したりすることが可能となる。

0068

なお、本発明は、上述した実施形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。

0069

例えば、第1及び第2の実施形態においては、対象を画像とする場合について説明する場合について説明したが、これに限定されるものではなく、例えば、対象は画像でなく、例えば、文章等の任意のものであってもよい。この場合、特徴抽出部において抽出される特徴は、対象に対応した特徴を抽出する。例えば、対象が文章である場合には、当該文書に含まれる単語等を特徴として抽出する。

0070

また、第1及び第2の実施形態においては、類似度を特徴ベクトル間の距離に基づいて判断する場合について説明したが、これに限定されるものではない。例えば、任意の方法を用いてもよい。

0071

また、第1及び第2の実施形態においては、学習用画像、及びクエリ画像について、特徴ベクトルを作成する場合について説明したが、これに限定されるものではない。例えば、任意の方法により各画像について特徴を表現してもよい。

0072

また、第2の実施形態においては、ITFFの値が閾値未満である特徴の重みを0として記憶し、当該特徴についても処理の対象とする場合について説明したがこれに限定されるものではない。例えば、ITFFの値が閾値未満である特徴については、処理の対象としないようにしてもよい。そのため、当該場合、ITFFの値が閾値未満である特徴については、学習用画像の各々、及びクエリ画像についての各処理において対象としないものとする。

0073

また、本願明細書中において、プログラムが予めインストールされている実施形態として説明したが、当該プログラムを、コンピュータ読み取り可能な記録媒体に格納して提供することも可能であるし、ネットワークを介して提供することも可能である。

0074

10 入力部
20演算部
22 記憶部
24特徴抽出部
26 特徴重要度算出部
28検索部
90 出力部
100 重要度算出装置
200 重要度算出装置
220 演算部
222 記憶部
226 特徴重要度算出部

ページトップへ

この技術を出願した法人

この技術を発明した人物

ページトップへ

関連する挑戦したい社会課題

関連する公募課題

ページトップへ

技術視点だけで見ていませんか?

この技術の活用可能性がある分野

分野別動向を把握したい方- 事業化視点で見る -

(分野番号表示ON)※整理標準化データをもとに当社作成

ページトップへ

おススメ サービス

おススメ astavisionコンテンツ

新着 最近 公開された関連が強い技術

  • 富士ゼロックス株式会社の「 データ管理システム」が 公開されました。( 2020/09/24)

    【課題】階層構造になっている管理システムにおいて、管理対象データの実体を最上位の装置が全て管理する場合と比較して、管理対象データがユーザの意図しない装置に提供されないシステムを提供する。【解決手段】管... 詳細

  • 株式会社ウフルの「 デバイス管理システム、デバイス管理方法、情報処理装置、及びプログラム」が 公開されました。( 2020/09/24)

    【課題】デバイスの信頼性を向上可能なデバイス管理システム、デバイス管理方法、情報処理装置、デバイス及びプログラムを提供する。【解決手段】デバイス管理システム1は、複数の情報処理装置2をネットワーク3で... 詳細

  • 本田技研工業株式会社の「 サーバ」が 公開されました。( 2020/09/24)

    【課題】車両の利用者が、該利用者の生活圏外の人であって前記利用者の属性に類似した属性を持つ地域人(地元民)が利用したPOI情報をリコメンドとして受けることができるサーバを提供する。【解決手段】サーバ1... 詳細

この 技術と関連性が強い人物

関連性が強い人物一覧

この 技術と関連する社会課題

関連する挑戦したい社会課題一覧

この 技術と関連する公募課題

関連する公募課題一覧

astavision 新着記事

サイト情報について

本サービスは、国が公開している情報(公開特許公報、特許整理標準化データ等)を元に構成されています。出典元のデータには一部間違いやノイズがあり、情報の正確さについては保証致しかねます。また一時的に、各データの収録範囲や更新周期によって、一部の情報が正しく表示されないことがございます。当サイトの情報を元にした諸問題、不利益等について当方は何ら責任を負いかねることを予めご承知おきのほど宜しくお願い申し上げます。

主たる情報の出典

特許情報…特許整理標準化データ(XML編)、公開特許公報、特許公報、審決公報、Patent Map Guidance System データ