図面 (/)

技術 選択方法、及び選択プログラム

出願人 京セラ株式会社
発明者 渡邊正人
出願日 2018年9月6日 (2年3ヶ月経過) 出願番号 2018-166928
公開日 2020年3月19日 (9ヶ月経過) 公開番号 2020-042338
状態 未査定
技術分野 イメージ分析
主要キーワード シャノンエントロピー 学習サイクル クラス確率 肩下がり 能動学習 検証試験 画素値ヒストグラム 未知データ
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(2020年3月19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 (13)

課題

能動学習における種々のコストを低減すること。

解決手段

態様の1つに係る選択方法は、画像を入力してセマンティックセグメンテーション解く学習器の能動学習において、推論を行う複数の画像の中からアノテーション対象を選択する処理をコンピュータが行う選択方法であって、取得ステップと、推定ステップと、選択ステップとを含む。取得ステップは、推論を行う画像に対する不確かさ画素単位表現した不確かさ画像を取得する。推定ステップは、不確かさ画像に基づいて前記推論結果の不確かさを推定する。選択ステップは、不確かさの推定結果に基づいて、推論を行った複数の画像の中からアノテーション対象を選択する。

概要

背景

従来、各種産業への応用を目的として、機械学習に関する様々な技術が提案されている。また近年、車載カメラ画像認識において、機械学習のフレームワークの1つであるセマンティックセグメンテーションを適用する技術開発も盛んに行われている。セマンティックセグメンテーションは、CNN(Convolutional Neural Network)を用いた画像解析タスクの1つであり、画像の各画素クラスを推定する推論を行い、各画素に対してクラスの意味を示すラベルの関連付けを行う。

概要

能動学習における種々のコストを低減すること。態様の1つに係る選択方法は、画像を入力してセマンティックセグメンテーションを解く学習器の能動学習において、推論を行う複数の画像の中からアノテーション対象を選択する処理をコンピュータが行う選択方法であって、取得ステップと、推定ステップと、選択ステップとを含む。取得ステップは、推論を行う画像に対する不確かさ画素単位表現した不確かさ画像を取得する。推定ステップは、不確かさ画像に基づいて前記推論結果の不確かさを推定する。選択ステップは、不確かさの推定結果に基づいて、推論を行った複数の画像の中からアノテーション対象を選択する。

目的

たとえばドライブ装置304は、記憶媒体305に記憶されたプログラムまたはデータを読み取り、RAM302を介してプロセッサ301に提供する

効果

実績

技術文献被引用数
0件
牽制数
0件

この技術が所属する分野

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

画像を入力してセマンティックセグメンテーション解く学習器能動学習において、推論を行う複数の画像の中からアノテーション対象を選択する処理をコンピュータが行う選択方法であって、推論を行う画像に対する不確かさ画素単位表現した不確かさ画像を取得する取得ステップと、前記不確かさ画像に基づいて前記推論の結果の不確かさを推定する推定ステップと、前記不確かさの推定結果に基づいて、推論を行った複数の画像の中からアノテーション対象を選択する選択ステップとを含む選択方法。

請求項2

前記推定ステップは、前記不確かさ画像に含まれる不確か画素画素数が予め定められる閾値を超える場合、前記推論の結果の不確かさが高いと推定し、前記選択ステップは、前記推論の結果の不確かさが高いと推定された画像をアノテーション対象として選択する請求項1に記載の選択方法。

請求項3

前記推定ステップは、前記不確かさ画像に含まれる不確かな画素の情報量が予め定められる閾値を超える場合、前記推論の結果の不確かさが高いと推定し、前記選択ステップは、前記推論の結果の不確かさが高いと推定された画像をアノテーション対象として選択する請求項1に記載の選択方法。

請求項4

画像を入力してセマンティックセグメンテーションを解く学習器の能動学習において、推論を行う複数の画像の中からアノテーション対象を選択する処理をコンピュータに実行させるために、当該コンピュータが有するプロセッサに、推論を行う画像に対する不確かさを画素単位で表現した不確かさ画像を取得する取得ステップと、前記不確かさ画像に基づいて前記推論の結果の不確かさを推定する推定ステップと、前記不確かさの推定結果に基づいて、推論を行った複数の画像の中からアノテーション対象を選択する選択ステップとを実行させる選択プログラム

技術分野

0001

本出願は、選択方法、及び選択プログラムに関する。

背景技術

0002

従来、各種産業への応用を目的として、機械学習に関する様々な技術が提案されている。また近年、車載カメラ画像認識において、機械学習のフレームワークの1つであるセマンティックセグメンテーションを適用する技術開発も盛んに行われている。セマンティックセグメンテーションは、CNN(Convolutional Neural Network)を用いた画像解析タスクの1つであり、画像の各画素クラスを推定する推論を行い、各画素に対してクラスの意味を示すラベルの関連付けを行う。

先行技術

0003

特許第4034602号公報
特許第5187635号公報

発明が解決しようとする課題

0004

車載カメラの画像認識においては、走行環境下における認識対象物、認識対象物以外の背景、並びに走行環境下の照度変動などによる様々な要因により画像が変動する。セマンティックセグメンテーションの学習法として能動学習取り入れる場合、上述の様々な要因に対してロバストな認識を実現するために、一般に、大量の学習データが必要となる。このため、セマンティックセグメンテーションの学習法として能動学習を取り入れる場合、学習データ入手コスト、アノテーションコスト、学習コストなどの種々のコストを如何に削減するかが課題となっている。

課題を解決するための手段

0005

態様の1つに係る選択方法は、画像を入力してセマンティックセグメンテーションを解く学習器の能動学習において、推論を行う複数の画像の中からアノテーション対象を選択する処理をコンピュータが行う選択方法であって、取得ステップと、推定ステップと、選択ステップとを含む。取得ステップは、推論を行う画像に対する不確かさ画素単位表現した不確かさ画像を取得する。推定ステップは、不確かさ画像に基づいて推論の結果の不確かさを推定する。選択ステップは、不確かさの推定結果に基づいて、推論を行った複数の画像の中からアノテーション対象を選択する。

0006

態様の1つに係る選択プログラムは、画像を入力してセマンティックセグメンテーションを解く学習器の能動学習において、推論を行う複数の画像の中からアノテーション対象を選択する処理をコンピュータに実行させるために、当該コンピュータが有するプロセッサに、取得ステップと、推定ステップと、選択ステップとを実行させる。取得ステップは、推論を行う画像に対する不確かさを画素単位で表現した不確かさ画像を取得する。推定ステップは、不確かさ画像に基づいて推論の結果の不確かさを推定する。選択ステップは、不確かさの推定結果に基づいて、推論を行った複数の画像の中からアノテーション対象を選択する。

図面の簡単な説明

0007

図1は、実施形態に係る選択方法の一例を示すフローチャートである。
図2は、実施形態に係る選択方法を実行するデータ処理装置機能構成の一例を示す図である。
図3は、実施形態に係る推論結果を示す画像の一例を示す図である。
図4は、図3に対応する不確かさ画像の一例を示す図である。
図5は、実施形態に係る検証試験学習条件を示す図である。
図6は、図5に示す学習条件に基づく学習を行った学習器の認識精度と不確かさ画素との関係を示す図である。
図7は、図5に示す学習条件に基づく学習を行った学習器の認識精度と不確かさ画素との関係を示す図である。
図8は、図5に示す学習条件に基づく学習を行った学習器の認識精度と不確かさ画素との関係を示す図である。
図9は、図5に示す学習条件に基づく学習を行った学習器の認識精度と不確かさ画素との関係を示す図である。
図10は、図5に示す学習条件に基づく学習器の認識精度と不確かさ画像との相関を示す図である。
図11は、実施形態に係るデータ処理装置の処理手順の一例を示すフローチャートである。
図12は、実施形態に係るデータ処理装置の機能を実現するコンピュータのハードウェア構成の一例を示す図である。

実施例

0008

本出願に係る実施形態を、図面を参照しつつ詳細に説明する。以下の説明において、同様の構成要素について同一の符号を付すことがある。さらに、重複する説明は省略することがある。

0009

図面を参照しつつ、実施形態に係る選択方法について説明する。図1は、実施形態に係る選択方法の一例を示すフローチャートである。

0010

実施形態に係る選択方法は、たとえばコンピュータが、画像を入力してセマンティックセグメンテーションを解く学習器の能動学習において、推論を行う複数の画像の中からアノテーション対象を選択する処理を行う方法である。

0011

実施形態に係る選択方法は、図1に示すように、取得ステップST1と、推定ステップST2と、選択ステップST3とを含む。

0012

取得ステップST1は、推論を行う画像に対する不確かさを画素単位で表現した不確かさ画像を取得する。

0013

推定ステップST2は、不確かさ画像に基づいて推論結果の不確かさを推定する。

0014

選択ステップST3は、不確かさの推定結果に基づいて、推論を行った複数の画像の中からアノテーション対象を選択する。

0015

図2を用いて、実施形態に係るデータ処理装置の機能構成の一例を説明する。図2は、実施形態に係るデータ処理装置の機能構成の一例を示すブロック図である。図2に示すデータ処理装置は、実施形態に係る選択方法を実行するコンピュータの一例である。

0016

図2に示すように、データ処理装置1は、学習用データ記憶部110と、推論用データ記憶部120と、学習器130と、推定部140と、選択部150とを有する。

0017

学習用データ記憶部110は、学習器130に学習させる学習用データセットを記憶する。学習用データ記憶部110に記憶される学習用のデータセットは、教師データ付きの複数の学習用画像で構成される。

0018

推論用データ記憶部120は、学習用データ記憶部110に記憶されている学習用のデータセットを学習済みの学習器130に推論させる推論用のデータセットを記憶する。推論用データ記憶部120に記憶される推論用のデータセットは、たとえば車載カメラで撮像された映像の中から所定の単位でサンプリングした複数の画像で構成される。

0019

学習器130は、推論用データ記憶部120に記憶されている複数の画像を入力として、CNN(Convolutional Neural Network)を用いたセマンティックセグメンテーションを解くことにより、画素単位でクラスを推定する推論を実行する。図3は、実施形態に係る推論結果を示す画像の一例を示す図である。図3に示すように、学習器130が行う推論は、入力した画像内に含まれる画素ごとに、たとえば空間、人、道路、車など、画素の持つ意味(クラス)を推定し、推定した意味に対応するラベル付けを画素ごとに行う処理である。

0020

学習器130は、不確かさ画像を出力するためのドロップアウト層を有する。学習器130は、ドロップアウト層によりサンプリングされた一定数の出力を用いて、出力の画素ごとの平均をセマンティックセグメンテーションを解く推論用の出力とし、出力の画素ごとの分散を不確かさ画像用の出力とする。

0021

図4は、図3に対応する不確かさ画像の一例を示す図である。図4に示すように、不確かさ画像は、セマンティックセグメンテーションにより推論を行う対象の不確かさを画素単位で表現した画像である。図4に示す不確かさ画像は、8ビット階調の1チャンネル画像として表現される。

0022

推定部140は、学習器130から出力される不確かさ画像に基づいて、学習器130による推論結果の不確かさを推定する。たとえば推定部140は、学習器130から出力される不確かさ画像を取得し、取得した不確かさ画像に含まれる不確かさ画素の画素数に基づいて、学習器130による推論結果の不確かさを推定する。

0023

不確かさ画素は、8ビット階調の1チャンネル画像として表現される不確かさ画像において画素値が255ではない画素を指す。言い換えると、不確かさ画素は、推論結果として出力されるクラス確率が単一のクラスからなる画素以外の画素を指す。クラス確率とは、たとえば「人:80%、道路:20%」など、該当画素がどのクラスに属する確率が高いかを示したものである。たとえば図4に示す不確かさ画像において、同一クラスの領域間境界では不確かな画素はみられず、異なるクラスの領域間の境界では、不確かな画素の数および画素値の種類が多くなっていることが確認できる。

0024

推定部140は、後述する図6及び図8に示す検証試験の結果に示されるように、不確かさ画像に含まれる不確かな画素が多いほど、学習器130による推論結果の不確かさが高い、すなわち学習器130の認識精度が低いとみなすことができる。たとえば推定部140は、不確かさ画像に含まれる画素のうち、画素値が255以外の不確かな画素の画素数を計数し、計数した画素数が予め定められる閾値を超える場合、推論結果の不確かさが高いという推定結果を選択部150に出力できる。不確かさの高低を判定するための閾値には、学習器130が学習済みである学習用画像全てに対して不確かさ画像を取得し、取得した不確かさ画像の不確かな画素の画素数の平均値または最大値を採用できる。

0025

また、推定部140は、学習器130から出力される不確かさ画像を取得し、取得した不確かさ画像に含まれる不確かな画素の情報量に基づいて、学習器130による推論結果の不確かさを推定できる。情報量は、不確かさ画像の画素値ヒストグラム平均情報量シャノンエントロピー)に対応する。情報量は、不確かさ画素の面積(画素数)と同様、不確かさ画像1枚に対して、1つの不確かさを計算するものである。不確かさ画像の画素値ヒストグラムから、不確かさ画像中の画素値の種類と、画素値の個数かたまりとを求めることができる。画素数の種類が豊富であるほど、また、画素値の個数に偏りがないほど、不確かさ画像の平均情報量が大きくなり、不確かさも高くなるものと判断できる。推定部140は、後述する図7及び図9に示す検証試験の結果に示されるように、不確かさ画像に含まれる不確かな画素の情報量が多いほど、学習器130による推論結果の不確かさが高い、すなわち学習器130の認識精度が低いとみなすことができる。たとえば推定部140は、不確かさ画像に含まれる不確かな画素の情報量が予め定められる閾値を超える場合、不確かさが高いという推定結果を選択部150に出力できる。不確かさの高低を判定するための閾値には、学習器130が学習済みである学習用画像全てに対して不確かさ画像を取得し、取得した不確かさ画像の不確かな画素の情報量の平均値または最大値を採用できる。

0026

以下、図5から図10を用いて、画像の認識精度(推論の精度)と不確かさ画像との関係に関する検証試験の結果について説明する。図5は、実施形態に係る検証試験の学習条件を示す図である。図6から図9は、図5に示す学習条件に基づく学習を行った学習器の認識精度と不確かさ画素との関係を示す図である。図10は、図5に示す学習条件に基づく学習器の認識精度と不確かさ画像との相関を示す図である。

0027

図5に、実施形態に係る検証試験における学習条件を示す。検証試験では、学習器130による推論の精度と不確かさ画像の不確かな画素の画素数との比較、及び学習器130による推論の精度と不確かさ画像の不確かな画素の情報量との比較を行った。

0028

学習器130には、以下の参考文献に開示される「Squeezenet」をセマンティックセグメンテーション向けに拡張し、プーリング層の後段にドロップアウト層を追加したものを採用する。また、2975枚の学習用画像1を学習済みの学習器130を用いて検証試験を実施した。また、学習器130の認識精度(推論の精度)を評価するための指標として、mIoU(mean intersection over union)を用いた。
(参考文献)Iandola, Forrest N., et al. “Squeezenet: Alexnet-level accuracy with 50x fewer parameters and< 0.5 mb model size.” arXiv preprint arXiv:1602.07360 (2016)

0029

図6から図9横軸は認識精度(mIoU)を表す。図6および図8縦軸は不確かさ画像の不確かな画素の画素数を表わす。図7及び図9の縦軸は、不確かさ画像の不確かな画素の情報量を表わす。図6及び図7は、学習用画像1に関する認識精度を示し、図8及び図9は、学習用画像2に関する認識精度を示している。

0030

図6から図9に示すように、いずれの結果においても、右肩下がり散布図となっている。また、図10に示すように、認識精度(推論の精度)と不確かさ画像の不確かな画素の画素数との間、並びに認識精度(推論の精度)と不確かさ画像の不確かな画素の情報量との間には負の相関があることが分かる。

0031

このように、図6から図10に示す検証試験の結果からも、学習器130による推論の精度が低いほど、不確かさ画像の不確かな画素の画素数は増加し、不確かさ画像の不確かな画素の情報量は増加する傾向があることが分かる。

0032

セマンティックセグメンテーションを用いた能動学習では、未知データ(未学習画像)を学習器に学習させる際、学習器の認識精度(推論の精度)が良い未知データを学習させる場合に比べ、認識精度の悪い未知データを学習させる方が、学習器の認識精度の向上に寄与すると考えられている。ここで、認識精度の測定のためには教師データ(教師用画像)が必要になるが、実施形態に係る選択方法によれば、図6から図10に示すように、不確かさ画像の構成(不確かな画素の画素数又は不確かな画素の情報量)から、学習器130の認識精度を推定することができる。この点に着目し、以下に説明する選択部150により、教師データを準備しなくても、未知である推論用の複数の画像の中からアノテーション対象の選択を実現できる。

0033

選択部150は、推定部140による不確かさの推定結果に基づいて、推論を行った複数の画像の中から、たとえば推論結果の不確かさが高いと推定された画像を、教師データを付与するアノテーション対象として選択できる。選択部150は、アノテーション対象として選択した画像を、たとえば次回学習用のデータとして出力する。たとえばデータ処理装置1の管理者は、次回学習用のデータとして出力された画像について、アノテーションを行い、次回の能動学習時に学習器130に入力する。

0034

図11を用いて、実施形態に係るデータ処理装置の処理手順の一例を説明する。図11は、実施形態に係るデータ処理装置の処理手順の一例を示すフローチャートである。

0035

図11に示すように、学習器130は、推論用データ記憶部120に記憶されている推論用のデータセットを取得する(ステップS101)。

0036

学習器130は、推論用のデータセットに含まれる画像を入力して推論を実行する(ステップS102)。

0037

続いて、推定部140は、学習器130から出力される不確かさ画像を取得する(ステップS103)。

0038

続いて、推定部140は、不確かさ画像に基づいて、推論結果の不確かさを推定する(ステップS104)。

0039

続いて、選択部150は、推定部140による不確かさの推定結果に基づいて、推論を行った複数の画像の中からアノテーション対象を選択する(ステップS105)。

0040

続いて、選択部150は、推論用のデータセットに含まれる全ての画像について推論を完了しているかを判定する(ステップS106)。

0041

選択部150は、判定の結果、推論用のデータセットに含まれる全ての画像について推論を完了している場合(ステップS106,Yes)、アノテーション対象として選択した画像を出力して(ステップS107)、図11に示す処理を終了する。

0042

一方、選択部150は、判定の結果、推論用のデータセットに含まれる全ての画像について推論を完了していない場合(ステップS106,No)、上記ステップS102の処理手順に戻す。

0043

上述してきたように、実施形態に係る選択方法は、推論を行う画像に対する不確かさを画素単位で表現した不確かさ画像を取得し、不確かさ画像に基づいて推論結果の不確かさを推定し、不確かさの推定結果に基づいて、推論を行った複数の画像の中からアノテーション対象を選択する。すなわち、実施形態に係る選択方法は、教師データを準備しなくても、未知である推論用の複数の画像の中から、推論結果の不確かさが高いと推定された画像の認識精度が低いものとみなして、アノテーション対象として選択できる。このため、実施形態によれば、能動学習におけるアノテーションコストを低減できる。また、実施形態に係る選択方法によって、アノテーション対象を効率的に選択できるので、次回の学習に用いる学習データの量を減らすことができ、学習コストを低減できる。

0044

また、実施形態に係る選択方法は、学習器130から出力される不確かさ画像を取得し、不確かさ画像に含まれる不確かな画素の画素数が予め定められる閾値を超える場合、推論結果の不確かさが高いと推定する。このように、実施形態によれば、能動学習の学習サイクルの中で取得可能な不確かさ画像に基づいて、推論結果の高低を推定するための指標を簡易に取得できる。

0045

また、実施形態に係る選択方法は、学習器130から出力される不確かさ画像を取得し、不確かさ画像に含まれる不確かな画素の情報量が予め定められる閾値を超える場合、推論結果の不確かさが高いと推定する。このように、実施形態によれば、能動学習の学習サイクルの中で取得可能な不確かさ画像に基づいて、推論結果の高低を推定するための指標として、不確かな画素の画素数に代わる指標を簡易に取得できる。

0046

図12は、実施形態に係るデータ処理装置1の機能を実現するコンピュータのハードウェア構成の一例を示す図である。

0047

コンピュータ300は、例えば、プロセッサ301、RAM(Random Access Memory)302、ROM(Read Only Memory)303、ドライブ装置304、記憶媒体305、入力インターフェース(I/F)306、入力デバイス309、出力インターフェース(I/F)307、出力デバイス310、通信インターフェース(I/F)308、およびバス311などを含む。それぞれのハードウェアはバス311を介して接続されている。

0048

プロセッサ301は、ROM303または記憶媒体305に記憶されたプログラムに基づいて動作し、各部の制御を行う。

0049

ROM303は、コンピュータ300の起動時にプロセッサ301によって実行されるブートプログラムや、コンピュータ300のハードウェアに依存するプログラム等を記憶する。

0050

ドライブ装置304は、記憶媒体305に記録された情報の読み出しか書き込みかの少なくともいずれか一方を行なう。たとえばドライブ装置304は、記憶媒体305に記憶されたプログラムまたはデータを読み取り、RAM302を介してプロセッサ301に提供する。プロセッサ301は、かかるプログラムを、ドライブ装置304を介して記憶媒体305からRAM302上にロードし、ロードしたプログラムを実行する。記憶媒体305は、ドライブ装置304によって書き込まれた情報を記憶する。記憶媒体305は、例えば、ハードディスクSSD(Solid State Drive)などのフラッシュメモリ、CD(Compact Disc)、DVD(Digital Versatile Disk)、PD(Phase change rewritable Disk)等の光学記録媒体、MO(Magneto-Optical disk)等の光磁気記録媒体テープ媒体ブルーレイディスクなどの記憶媒体である。コンピュータ300は、複数種類の記憶媒体それぞれについて、ドライブ装置304及び記憶媒体305を設ける。

0051

入力インターフェース306は、入力デバイス309と接続されており、入力デバイス309から受信した入力信号をプロセッサ301に伝達する。出力インターフェース307は、出力デバイス310と接続されており、出力デバイス310に、プロセッサ301の指示に応じた出力を実行させる。通信インターフェース308はネットワーク1000を介した通信の制御を行なう。

0052

入力デバイス309は、操作に応じて入力信号を送信する。入力信号は、例えば、キーボードやコンピュータ300の本体に取り付けられたボタンなどのキー装置や、マウスタッチパネルなどのポインティングデバイスである。

0053

出力デバイス310は、コンピュータ300の制御に応じて情報を出力する装置である。出力デバイス310は、例えば、ディスプレイなどの表示デバイスや、スピーカなどの音声出力デバイスなどである。また、例えば、タッチスクリーンなどの入出力装置が、入力デバイス309及び出力デバイス310として用いられる。また、入力デバイス309及び出力デバイス310は、コンピュータ300と一体になっていてもよいし、コンピュータ300に含まれず、例えば、コンピュータ300に外部から接続する装置であってもよい。

0054

例えば、コンピュータ300が実施形態に係るデータ処理装置1として機能する場合、プロセッサ301は、ROM303や記憶媒体305に記憶されたプログラムをRAM302に読み出し、読み出したプログラムを実行することにより、学習器130、推定部140、及び選択部150により提供される各機能を実現する。その際にRAM302はプロセッサ301のワークエリアとして用いられる。コンピュータ300が実施形態に係るデータ処理装置1として機能する場合にROM303や記憶媒体305に記憶されるプログラムは、選択プログラムの一例である。

0055

コンピュータ300のプロセッサ301は、これらのプログラムをROM303や記憶媒体305から読み取って実行するが、他の例として、他の装置からネットワーク1000を介してこれらのプログラムを取得してもよい。

0056

コンピュータ300は、プロセッサ301の代わりに、ASIC(Application Specific IntegratedCircuit)やFPGA(Field Programmable Gate Array)等の集積回路によって処理を実行してもよい。

0057

上述してきた実施形態に係る選択方法は、医療用画像の認識にセマンティックセグメンテーションを応用する技術、並びにADAS(Advanced Driving Assistant System)及び自動運転に向けた走行環境の認識など、車載カメラの画像にセマンティックセグメンテーションを応用する要素技術において、セマンティックセグメンテーションの学習法として能動学習を取り入れる場合のコスト低減効果を期待できる。

0058

1データ処理装置
110学習用データ記憶部
120推論用データ記憶部
130学習器
140推定部
150 選択部

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

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

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