図面 (/)

技術 画像処理装置及びプログラム

出願人 富士ゼロックス株式会社
発明者 上野邦和木村俊一関野雅則桜井拓也安達真太郎山口聡之
出願日 2018年9月14日 (2年3ヶ月経過) 出願番号 2018-172743
公開日 2020年3月26日 (9ヶ月経過) 公開番号 2020-046751
状態 未査定
技術分野 記録担体の読み取り 学習型計算機 画像処理
主要キーワード 損失信号 各復号結果 部分的欠損 学習パラメータ 学習済 ファインダパターン ディスクリミネータ 正解画像
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26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 (6)

課題

コード画像が持つ誤り訂正情報を用いて劣化したコード画像を修復する方式よりも、劣化したコード画像を修復できる可能性が高い手法を提供する。

解決手段

復号部14は、入力画像中画像コードを復号する。修復部16は、GANで劣化した画像コードの修復を学習した学習済モデル10を用いて、入力画像中の画像コードを修復する。復号部18は、修復された画像コードを復号する。選択部20は、復号部14と18の両方が復号に成功した場合は復号部14の復号データを、一方のみが復号に成功した場合はその成功した復号部14又は18の復号データを、装置の最終的な復号結果として選択する。

概要

背景

バーコード等の1次元画像コードやQRコード登録商標)等の2次元画像コードといった画像コードが広く用いられている。画像コードを認識する装置の中には、撮影された画像内の未知の位置にある画像コードを検出し、認識する機能を持つものもある。

特許文献1に開示された方法では、最初に検出された2つのファインダパターンの特性に基づいてパターンマッチングテンプレートを形成し、検出されたファインダパターンに近接する少なくとも1つの候補領域を判定する。この候補領域のコンテンツをパターンマッチングテンプレートと相関することにより少なくとも1つの候補領域においてQRコードの先に検出されなかった第3のファインダパターンを検出する。QRコードの復号化は、識別された第3のファインダパターン及び最初に検出された2つのファインダパターンの各々を使用して実行する。

特許文献2に開示された仕組みでは、2次元コード抽出手段は、入力画像データを2値化した2値化画像に所定のぼかし処理を施し、暗画素が所定の割合以上に分布している画素集合を検出し、2次元コード候補とする。さらに、2値画像を用いて2次元コード候補が2次元コードの特徴を満たすかどうかを判定し、2次元コードを特定する。2次元コード認識手段は、2次元コードに対応する2値画像から基準画像パタンを検出する。基準画像パタンに基づく仮モジュールを2値化した2次元コードの画像に割り当て、デコード処理を行う。

特許文献3に開示された装置は、スキャンした二次元コード欠損があるかどうかを判別し、欠損がある場合は、その二次元コードに含まれる誤り訂正符号を用いて欠けたデータを補完し、補完後のデータを二次元コードに変換して印刷する。

概要

コード画像が持つ誤り訂正情報を用いて劣化したコード画像を修復する方式よりも、劣化したコード画像を修復できる可能性が高い手法を提供する。復号部14は、入力画像中の画像コードを復号する。修復部16は、GANで劣化した画像コードの修復を学習した学習済モデル10を用いて、入力画像中の画像コードを修復する。復号部18は、修復された画像コードを復号する。選択部20は、復号部14と18の両方が復号に成功した場合は復号部14の復号データを、一方のみが復号に成功した場合はその成功した復号部14又は18の復号データを、装置の最終的な復号結果として選択する。

目的

本発明は、コード画像が持つ誤り訂正情報を用いて劣化したコード画像を修復する方式よりも、劣化したコード画像を修復できる可能性が高い手法を提供する

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

コード画像復号する第1復号手段と、前記コード画像を修復する修復手段と、前記修復手段により修復された修復後コード画像を復号する第2復号手段と、前記第1復号手段の復号結果と前記第2復号手段の復号結果とに基づき、前記コード画像に対応する復号データを決定する決定手段と、を含む画像処理装置

請求項2

前記決定手段は、前記第1復号手段と前記第2復号手段とが共に復号に成功した場合に、前記第1復号手段の復号結果が示す復号データを前記コード画像に対応する復号データに決定する、請求項1に記載の画像処理装置。

請求項3

前記修復手段は、劣化したコード画像と、これに対応する前記劣化前のコード画像と、の組合せにより、劣化した入力コード画像からその劣化が修復された修復後コード画像を生成するよう学習した修復用学習済モデル、を用いて前記コード画像を修復する、請求項1又は2に記載の画像処理装置。

請求項4

互いに異なる修復方法で前記コード画像を修復する複数の前記修復手段を含み、前記第2復号手段は、それら複数の修復手段のそれぞれにより修復された修復後コード画像をそれぞれ復号し、前記決定手段は、前記第1復号手段の復号結果と、複数の前記修復手段のそれぞれによる前記修復後コード画像についての前記第2復号手段による各復号結果と、に基づいて、前記に対応する復号データを決定する、請求項1に記載の画像処理装置。

請求項5

複数の前記修復手段のうちの少なくとも1つは、劣化したコード画像と、これに対応する前記劣化前のコード画像と、の組合せにより、劣化したコード画像からその劣化が修復された修復後コード画像を生成するよう学習した修復用学習済モデル、を用いて前記コード画像を修復する、請求項4に記載の画像処理装置。

請求項6

前記修復用学習済みモデルは、GAN(敵対性生成ネットワーク)を学習させることで生成されたものである、請求項3又は5に記載の画像処理装置。

請求項7

前記修復用学習済みモデルは、前記GAN内の生成器に対して劣化したコード画像を入力し、これに応じて当該生成器が生成した修復後コード画像と、当該劣化したコード画像に対応する劣化前のコード画像と、を前記GAN内の識別器に入力して両者を識別させることにより、学習を済ませた前記GANの前記生成器である、請求項6に記載の画像処理装置。

請求項8

複数の前記修復手段は、それぞれ、GANをそれぞれ異なる学習パラメータを用いて学習させることで生成された前記修復用学習済モデルを用いて前記コード画像を修復する、請求項5に記載の画像処理装置。

請求項9

コンピュータを、コード画像を復号する第1復号手段、前記コード画像を修復する修復手段、前記修復手段により修復された修復後コード画像を復号する第2復号手段、前記第1復号手段の復号結果と前記第2復号手段の復号結果とに基づき、前記コード画像に対応する復号データを決定する決定手段、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、画像処理装置及びプログラムに関する。

背景技術

0002

バーコード等の1次元画像コードやQRコード登録商標)等の2次元画像コードといった画像コードが広く用いられている。画像コードを認識する装置の中には、撮影された画像内の未知の位置にある画像コードを検出し、認識する機能を持つものもある。

0003

特許文献1に開示された方法では、最初に検出された2つのファインダパターンの特性に基づいてパターンマッチングテンプレートを形成し、検出されたファインダパターンに近接する少なくとも1つの候補領域を判定する。この候補領域のコンテンツをパターンマッチングテンプレートと相関することにより少なくとも1つの候補領域においてQRコードの先に検出されなかった第3のファインダパターンを検出する。QRコードの復号化は、識別された第3のファインダパターン及び最初に検出された2つのファインダパターンの各々を使用して実行する。

0004

特許文献2に開示された仕組みでは、2次元コード抽出手段は、入力画像データを2値化した2値化画像に所定のぼかし処理を施し、暗画素が所定の割合以上に分布している画素集合を検出し、2次元コード候補とする。さらに、2値画像を用いて2次元コード候補が2次元コードの特徴を満たすかどうかを判定し、2次元コードを特定する。2次元コード認識手段は、2次元コードに対応する2値画像から基準画像パタンを検出する。基準画像パタンに基づく仮モジュールを2値化した2次元コードの画像に割り当て、デコード処理を行う。

0005

特許文献3に開示された装置は、スキャンした二次元コード欠損があるかどうかを判別し、欠損がある場合は、その二次元コードに含まれる誤り訂正符号を用いて欠けたデータを補完し、補完後のデータを二次元コードに変換して印刷する。

先行技術

0006

特開2010−170539号公報
特許第5507134号明細書(特開2011−14012号公報)
特開2007−206904号公報

発明が解決しようとする課題

0007

例えばFAX送信コピー等の繰り返し、筆記具等による記入の重なり、透かしやステガノグラフィ等の地紋の重なり、あるいはそれらの混合等により、コード画像激しく劣化する場合がある。激しく劣化したコード画像の中には誤り訂正が不可能なものもあり、そのようなコード画像は復号ができない。

0008

本発明は、コード画像が持つ誤り訂正情報を用いて劣化したコード画像を修復する方式よりも、劣化したコード画像を修復できる可能性が高い手法を提供する。

課題を解決するための手段

0009

請求項1に係る発明は、コード画像を復号する第1復号手段と、前記コード画像を修復する修復手段と、前記修復手段により修復された修復後コード画像を復号する第2復号手段と、前記第1復号手段の復号結果と前記第2復号手段の復号結果とに基づき、前記コード画像に対応する復号データを決定する決定手段と、を含む画像処理装置である。

0010

請求項2に係る発明は、前記決定手段は、前記第1復号手段と前記第2復号手段とが共に復号に成功した場合に、前記第1復号手段の復号結果が示す復号データを前記コード画像に対応する復号データに決定する、請求項1に記載の画像処理装置である。

0011

請求項3に係る発明は、前記修復手段は、劣化したコード画像と、これに対応する前記劣化前のコード画像と、の組合せにより、劣化した入力コード画像からその劣化が修復された修復後コード画像を生成するよう学習した修復用学習済モデル、を用いて前記コード画像を修復する、請求項1又は2に記載の画像処理装置である。

0012

請求項4に係る発明は、互いに異なる修復方法で前記コード画像を修復する複数の前記修復手段を含み、前記第2復号手段は、それら複数の修復手段のそれぞれにより修復された修復後コード画像をそれぞれ復号し、前記決定手段は、前記第1復号手段の復号結果と、複数の前記修復手段のそれぞれによる前記修復後コード画像についての前記第2復号手段による各復号結果と、に基づいて、前記に対応する復号データを決定する、請求項1に記載の画像処理装置である。

0013

請求項5に係る発明は、複数の前記修復手段のうちの少なくとも1つは、劣化したコード画像と、これに対応する前記劣化前のコード画像と、の組合せにより、劣化したコード画像からその劣化が修復された修復後コード画像を生成するよう学習した修復用学習済モデル、を用いて前記コード画像を修復する、請求項4に記載の画像処理装置である。

0014

請求項6に係る発明は、前記修復用学習済みモデルは、GAN(敵対性生成ネットワーク)を学習させることで生成されたものである、請求項3又は5に記載の画像処理装置である。

0015

請求項7に係る発明は、前記修復用学習済みモデルは、前記GAN内の生成器に対して劣化したコード画像を入力し、これに応じて当該生成器が生成した修復後コード画像と、当該劣化したコード画像に対応する劣化前のコード画像と、を前記GAN内の識別器に入力して両者を識別させることにより、学習を済ませた前記GANの前記生成器である、請求項6に記載の画像処理装置である。

0016

請求項8に係る発明は、複数の前記修復手段は、それぞれ、GANをそれぞれ異なる学習パラメータを用いて学習させることで生成された前記修復用学習済モデルを用いて前記コード画像を修復する、請求項5に記載の画像処理装置である。

0017

請求項9に係る発明は、コンピュータを、コード画像を復号する第1復号手段、前記コード画像を修復する修復手段、前記修復手段により修復された修復後コード画像を復号する第2復号手段、前記第1復号手段の復号結果と前記第2復号手段の復号結果とに基づき、前記コード画像に対応する復号データを決定する決定手段、として機能させるためのプログラムである。

発明の効果

0018

請求項1、2、3又は9に係る発明によれば、コード画像が持つ誤り訂正情報を用いて劣化したコード画像を修復する方式よりも、劣化したコード画像を修復できる可能性が高い手法を提供できる。

0019

請求項4又は5に係る発明によれば、単一の修復手段を用いる場合と比べて、劣化したコード画像を修復できる可能性が高い手法を提供できる。

0020

請求項6、7又は8に係る発明によれば、GANを用いない方式よりも、コード画像の領域をより正確に求めることができる。

図面の簡単な説明

0021

画像処理装置の一実施形態の機能構成を示す図である。
図1の画像処理装置の学習処理部をGANとして構成した場合の例を示す図である。
劣化したQRコードの例を示す図である。
選択部が用いる選択ルールの例を示す図である。
画像処理装置の変形例の構成を例示する図である。

実施例

0022

図1を参照して、画像処理装置の一実施形態の機能構成を説明する。

0023

この画像処理装置は、入力画像に含まれるバーコード等の画像コードが表すコード内容を復号(認識)する。ここで、複写ファクシミリ送信、地紋、手書き等によるゆがみ、欠損、汚れノイズ等により劣化した画像コードは、標準的な復号部(デコーダ)では画質劣化により復号できない場合がある。そこで、本実施形態の画像処理装置は、劣化した画像コードを修復して復号する機能を有する。

0024

以下では、画像コードの一例としてQRコード(登録商標)を認識する場合の例を説明する。ただし、QRコードを対象とするのはあくまで一例に過ぎず、本実施形態の手法はQRコード以外の画像コードの認識処理にも適用可能である。

0025

図1に示す画像処理装置において、学習済モデル10は、入力画像(劣化したQRコード)から劣化前の正常なQRコードの画像を生成する学習を済ませたモデルである。学習済モデル10は、例えば学習済みニューラルネットワークを規定するモデルであり、例えばニューラルネットワークを構成するノードニューロン)同士の間の結合の重み(強度)の情報の集合として表現される。

0026

学習済モデル10は、学習処理部30の学習処理により生成される。学習処理部30は、背景等のノイズやゆがみ等で劣化したQRコードを含んだ入力画像と、その入力画像に対応する劣化前のQRコードを示す正解画像と、のペアを大量に用いて学習処理を行う。学習処理部30が行う学習処理については、後で詳しく説明する。

0027

画像入力部12は、1以上のQRコードを含んだ入力画像の入力を受け付ける。

0028

復号部14は、その入力画像を復号して復号データ(復号データAと呼ぶ)を出力する。すなわち復号部14は、修復を経ない(未修復)生の入力画像内のQRコードを復号する。

0029

修復部16は、その入力画像内の劣化後のQRコードを、学習済モデル10を用いて修復する。すなわち劣化前のQRコードの画像を生成あるいは推定する。

0030

復号部18は、修復部16により修復されたQRコード画像に対して、公知のQRコード認識処理を実行することで、そのQRコード画像を復号する。復号部18の復号結果を復号データBと呼ぶこととする。

0031

復号部14及び18は、別々の復号部として存在してもよい。また別の例として、1つの復号部を、未修復の入力画像の復号(復号部14の機能)と、修復済みの入力画像の復号(復号部18の機能)との両方に兼用してもよい。

0032

選択部20は、復号部14が出力した未修復の入力画像に由来する復号データAと、復号部18が出力した修復済みの入力画像に由来する復号データBから、画像処理装置として最終的に出力する復号データを選択する。選択部20の選択処理については後で詳しく説明する。

0033

次に、図2を参照して、学習処理部30について説明する。学習処理部30は、GAN(Generative adversarial networks:敵対的生成ネットワーク)を構成する生成器(ジェネレータ)302と識別器(ディスクリミネータ)304とを含む。

0034

また、学習処理部30は、学習用データとして、入力画像1010と正解画像1020のペアを多数保持している。入力画像1010は、図3に示すように、ゆがみ、欠損、汚れ、ノイズ等の、画質劣化が生じているQRコードの画像である。図3に例示する入力画像1010では、ファクシミリ送信時の画像のゆがみや二値化の誤差等によってQRコードの画像にゆがみやノイズが現れている。この程度まで劣化したQRコードは、標準的な復号部では復号できない。これに対して正解画像1020は、そのような画質劣化が生じる前のそのQRコードの画像である。正解画像1020は、標準的な復号部で正しく復号できる。

0035

図2の説明に戻ると、生成器302は、入力画像1010から生成画像1030を生成するニューラルネットワークである。生成画像1030は、入力画像1010に対応する正解画像1020を推定した画像である。すなわち、生成器302は、劣化したQRコードの画像である入力画像1010を修復し、正解画像1020に近い生成画像1030を生成する。生成器302は、多数の入力画像1010を用いて学習することで、より正解画像1020に近い生成画像1030を生成できるようになる。

0036

識別器304は、入力された画像が、入力画像1010に対応する正解画像1020、及び入力画像1010から生成器302が生成した生成画像1030、のうちのいずれであるかを識別するニューラルネットワークである。学習処理部30は、正解画像1020(とこれに対応する入力画像1010)又は生成画像1030(とこれに対応する入力画像1010)を識別器304に入力する。これに応じて、識別器304は、入力された画像が正解画像1020(正解:true)又は生成画像1030(物:false)のいずれであるかを識別し、その識別結果を示す信号を出力する。

0037

学習処理部30は、識別器304に入力した画像が正解、偽物のいずれであるかと、その識別器304からの出力信号とを比較し、その比較結果に基づく損失信号を生成器302及び識別器304の各々のニューラルネットワークのノード間の結合の重みパラメータフィードバックする。これにより、生成器302と識別器304が学習を行う。

0038

GANを構成する生成器302及び識別器304は、前者が教師データ(正解画像1020)になるべく近い偽物(生成画像1030)を生成しようとし、後者がその偽物を正しく識別しようとするという形で、いわば互いに切磋琢磨しながら学習を進める。

0039

学習処理部30には、例えば「pix2pix」というアルゴリズム(Phillip Iso1a他による論文「Image-to-Image Translation with Conditional Adversarial Networks」、BerkeleyAIResearch (BAIR) Laboratory, UC Berkeley参照)と同様の方式を用いてもよい。この場合、生成器302の学習のために、識別器304の損失信号に加え、正解画像1020と生成画像1030との差もフィードバックする。

0040

また、他の例として、Cycle GANと呼ばれるGANを学習処理部30に用いてもよい。Cycle GANを用いた場合、入力画像のすべてに正解画像が用意されていない場合でも学習が可能である。

0041

そして、本実施形態の画像処理装置では、以上に例示した手法により生成した学習済みの生成器302を学習済モデル10として用いる。修復部16は、この学習済モデル10を用いて、入力画像1010が表す劣化したQRコードを修復する。

0042

十分に学習した学習済モデル10を用いれば、かなりゆがみ、ノイズ、部分的欠損がある程度激しい劣化QRコードを、復号可能な状態に修復することも不可能ではない。

0043

次に、選択部20の選択処理について説明する。選択部20は、図4に示す選択ルールに従って、復号部14(未修復コードを復号)の復号データAと、復号部18(修復済コードを復号)の復号データBから、画像処理装置として最終的に出力する復号データを選択する。

0044

図4に例示するルールでは、復号部14と復号部18のそれぞれが復号できた(読み取りOK)か復号できなかった(読み取りNG)かの組合せで、どちらの復号結果を採用するかを決定する。すなわち、このルールでは、復号部14及び18の両方が読み取りOKの場合は、復号部14の出力である復号データAを最終的な出力とする。修復後のQRコードの復号結果は、修復による改変の影響を受けている可能性がないとはいえないので、修復しないQRコードが復号できた場合はこちらの復号結果を採用するのである。これに対し、復号部14及び18のうちの一方が読み取りOKで他方が読み取りNGの場合、読み取りOKの方の復号部14又は18の出力を画像処理装置の最終的な出力とする。そして、復号部14及び18の両方が読み取りNGの場合は、修復してもしなくても復号できなかったので、読み取り不能を示すデータを出力する。

0045

次に、図5を参照して、変形例を説明する。図5に示す画像処理装置は、それぞれ異なる修復処理により入力画像を修復するN個(Nは2以上の整数)の修復部16−1、16−2、・・・16−N(以下、区別の必要がない場合は修復部16と総称する)を含む。そのうち例えば修復部16−1は、図1の構成の修復部16と同様、学習済のGANの生成器302である学習済モデル10を用いて修復を行うものであってもよい。

0046

またN個の修復部16には、例えば、同じ構成のGANを、学習用データ(入力画像と正解画像のペア)の異なる集合で学習させたもの(のうちの生成器302)を用いてもよい。例えば、修復部16−1は、集合aに属する学習用データを用いて学習したGANの生成器302を学習済モデル10として用い、修復部16−2は、集合aとは異なる集合b(含んでいる学習用データのうちの少なくとも一部が集合aとは異なる)に属する学習用データを用いて学習したGANの生成器302を学習済モデルとして用いる、といった具合である。

0047

またN個の修復部16には、例えば、同じ構成のGANを、それぞれ異なるパラメータで学習させたもの(のうちの生成器302)を用いてもよい(学習用データの集合は共通)。例えば、pix2pixアルゴリズムではGANの生成器302に畳み込みフィルタが用いられるが、パラメータとしてこの畳み込みフィルタのサイズを異ならせたN個のGANをそれぞれ学習させることで、N個の修復部16を構成する。pix2pixのデフォルト設定では畳み込みフィルタのサイズは4×4画素であるが、サイズを2×2画素、6×6画素等と設定変更してGANを学習させることで、異なる修復部16を構成する。QRコードの劣化の仕方(例えばスキュー等のゆがみが主体なのか、地紋が主体なのか等)によって、修復に好適なフィルタサイズが異なる。このため、異なるフィルタサイズで学習した修復部16を複数用意することで、修復により復号が可能になる可能性が高くなる。

0048

また、GAN間で異ならせるパラメータの別の例として、生成器302にフィードバックする2つの信号の学習への影響の比率がある。前述のようにpix2pixアルゴリズムでは、生成器302は、識別器304からの損失信号と、正解画像1020と生成画像1030との差の信号と、の2つに基づいて学習を行う。pix2pixアルゴリズムのデフォルト設定では、前者:後者の比率は1:100であるが、これを様々に異ならせたGANを複数用意して学習させることで、複数の修復部16を構成する。

0049

また、異なる複数の学習用データ集合と異なる複数のパラメータを用意し、前者と後者の組合せを異ならせて複数のGANを学習させることで、複数の修復部16を構成してもよい。

0050

なお、複数の修復部16の中には、GAN以外のニューラルネットワークを学習させたものや、ニューラルネットワークを用いないもの等が含まれていてもよい。

0051

復号部18−1、18−2、・・・18−N(以下、区別の必要がない場合は復号部18と総称する)は、それぞれ、修復部16−1、16−2、・・・16−Nで修復されたQRコードを復号する。1つの復号部を、未修復のQRコードの復号と、それらN個の修復部16の出力の復号とに兼用してもよい。

0052

選択部20Aは、復号部14、18−1〜18−Nの復号データから、画像処理装置の最終的な出力とする復号データを選択する。選択部20Aは、復号部14、18−1〜18−Nのうち復号に成功(読み取りOK)したものが1つしかない場合は、その成功した復号部の復号データを最終的に出力に選択する。また、復号に成功した復号部が複数ある場合は、それら復号部の復号データから多数決で画像処理装置の最終的な出力とする復号データを決定してもよい。またこの多数決において、未修復のQRコードを復号する復号部14の復号データの重みを、修復済みのQRコードを復号する復号部18の復号データの重みよりも重くしてもよい。例えば、多数決において最大数の復号データが2つあり、そのうちの一方が復号部14の復号データである場合は、この復号データを画像処理装置の最終的な復号出力に決定する。

0053

以上に例示した画像処理装置は、例えば、コンピュータに上述の各機能を表すプログラムを実行させることにより実現される。ここで、コンピュータは、例えば、ハードウエアとして、CPU等のマイクロプロセッサランダムアクセスメモリ(RAM)およびリードオンリメモリ(ROM)等のメモリ一次記憶)、フラッシュメモリSSD(ソリッドステートドライブ)、HDDハードディスクドライブ)や等の固定記憶装置を制御するコントローラ、各種I/O(入出力インタフェースローカルエリアネットワークなどのネットワークとの接続のための制御を行うネットワークインタフェース等が、たとえばバス等を介して接続された回路構成を有する。それら各機能の処理内容記述されたプログラムがネットワーク等の経由でフラッシュメモリ等の固定記憶装置に保存され、コンピュータにインストールされる。固定記憶装置に記憶されたプログラムがRAMに読み出されCPU等のマイクロプロセッサにより実行されることにより、上に例示した機能モジュール群が実現される。

0054

また、画像処理装置の一部、例えば学習済モデル10等のニューラルネットワークを、ハードウエア回路として構成してもよい。

0055

10学習済モデル、12画像入力部、14復号部、16修復部、18 復号部、20,20A 選択部、30学習処理部、302生成器、304識別器。

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 -

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