CN110880019B - 通过无监督域适应训练目标域分类模型的方法 - Google Patents
通过无监督域适应训练目标域分类模型的方法 Download PDFInfo
- Publication number
- CN110880019B CN110880019B CN201911045261.4A CN201911045261A CN110880019B CN 110880019 B CN110880019 B CN 110880019B CN 201911045261 A CN201911045261 A CN 201911045261A CN 110880019 B CN110880019 B CN 110880019B
- Authority
- CN
- China
- Prior art keywords
- domain
- target domain
- centroid
- source
- source domain
- 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
- 238000012549 training Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013145 classification model Methods 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 30
- 230000007246 mechanism Effects 0.000 claims abstract description 19
- 230000008485 antagonism Effects 0.000 claims abstract description 11
- 238000013459 approach Methods 0.000 claims abstract description 3
- 230000006978 adaptation Effects 0.000 claims description 9
- 239000004576 sand Substances 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 2
- 230000003042 antagnostic effect Effects 0.000 claims description 2
- 125000004432 carbon atom Chemical group C* 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种通过无监督域适应训练目标域分类模型的方法,包括:对于源域和目标域输入的批图像数据,通过标准卷积网络来提取特征,然后结合初始化设定的质心特征构建对应于源域和目标域的实例图;实例图中的节点矩阵依次通过源域分类器与图卷积网络后,生成对应于源域和目标域的类别质心特征;使用类别质心对齐机制,约束图卷积网络每层中来自不同域的类别质心,使不同域的类别质心随着迭代训练而逐渐靠近;并且,使用质心指导的对抗性对齐机制,利用所有类别自动生成的质心作为域全局统计信息指导每批图像数据参与对抗训练;通过迭代训练最终得到在目标域有效的分类模型。上述方法具有很好的泛化性,且训练好的分类模型分类准确较高。
Description
技术领域
本发明涉及图像分类技术领域,尤其涉及一种通过无监督域适应训练目标域分类模型的方法。
背景技术
无监督域适应能利用现有的源域带标签数据和网络模型以及相关的目标域无标签数据学习得到适用于目标域数据分类的网络模型。
传统的无监督域适应方法通常利用相关距离度量等措施去对齐深层网络输出的源域和目标域的数据分布。近年来许多对抗性域适应的方法也被提出,并取得了较为显著的成果,这些方法大多是基于生成对抗网络。主要做法是训练鉴别器鉴别采样特征是来自于源域还是目标域,同时训练特征提取器欺骗鉴别器,以此使得源域和目标域特征分布对齐,无法区分。
这些方法大多侧重于测量域级别上的域差异,而不区分来自两个域的样本是否根据所属的类别进行对齐。即便全局域统计数据完全混淆,源域和目标域之间的差距也不一定被减少,甚至还会将不同类别的样本混合到一起,因此,分类效果还有待提高。
发明内容
本发明的目的是提供一种通过无监督域适应训练目标域分类模型的方法,具有很好的泛化性,且训练好的分类模型分类准确较高。
本发明的目的是通过以下技术方案实现的:
一种通过无监督域适应训练目标域分类模型的方法,包括:
对于源域和目标域输入的批图像数据,通过标准卷积网络来提取图像特征,然后结合初始化设定的质心特征构建对应于源域和目标域的实例图;将实例图中的节点矩阵依次通过源域分类器与图卷积网络后,更新对应于源域和目标域的类别质心特征;
使用类别质心特征对齐机制,约束图卷积网络每层中来自不同域的类别质心特征,使不同域的类别质心特征随着迭代训练而逐渐靠近;
并且,使用质心指导的对抗性对齐机制,利用所有类别自动生成的质心特征作为域全局统计信息指导每批图像数据参与对抗训练;
通过迭代训练最终得到在目标域有效的分类模型。
由上述本发明提供的技术方案可以看出,能通过端到端的方式训练网络自动学***均1~2%的分类准确率的提升,且模型分类准确率收敛速度更快。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。
图1为本发明实施例提供的一种通过无监督域适应训练目标域分类模型的方法的框架图。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
本发明实施例提供一种通过无监督域适应训练目标域分类模型的方法,该方法所涉及的无监督域适应是基于图卷积类别感知结构建模,如图1所示,为相关方法的整体框架,训练过程主要包括如下几个部分:
1、类别质心特征自动生成。
对于源域和目标域输入的批图像数据,通过标准卷积网络来提取图像特征,然后结合初始化设定的类别质心特征构建对应于源域和目标域的实例图;实例图包含了由一系列特征节点构成的节点矩阵及相应的邻接矩阵,节点矩阵依次通过源域分类器与图卷积网络后,更新对应于源域和目标域的类别质心特征。
本发明实施例中,所述源域和目标域输入的批图像数据包括:有标签的源域数据与无标签目标域数据。
通过标准卷积网络提取图像特征,然后结合初始化设定的质心特征构建对应于源域和目标域的节点矩阵表示为:
上式中,AlexNet(Xbatch)表示利用AlexNet标准卷积网络提取批图像数据Xbatch的特征;C表示初始化设定的类别质心特征;表示特征串联;*=S,T,分别对应于源域和目标域,即对应于源域的节点矩阵,对应于目标域的节点矩阵。
如图1所示,其中的XS、XT为提取到的源域和目标域图像的特征。
通过以上方式得到的节点矩阵与对应的邻接矩阵,构成了完整的实例图。
之后,源域和目标域的节点矩阵各自通过一个图卷积网络,相关操作表示为:
上式中,对应的表示图卷积网络第l层、l+1层的输出结果;表示度矩阵,度矩阵第i行第i列元素 为邻接矩阵第i行第j列元素,类似的,*=S,T分别对应于源域和目标域,W(l+1)表示图卷积第l+1层可学习参数,源域和目标域对应的图卷积网络中的参数共享,σ表示激活函数。
利用特征节点间关系传播特征信息,更新节点特征,自动生成了新的类别质心特征并更新原来的类别质心特征。同时后文所介绍的两个针对类别质心特征的对齐机制将会约束特征是富有语义的。
本发明实施例中,因为图像样本最终要被准确分类,那么对应每个类别,所有图像样本的特征在特征空间上会存在一个类别质心特征来代表这个类别的所有图像样本。类别质心特征实际并不存在,在以往的方法中使用同类样本特征求均值来代表质心特征,本发明实施例中则利用图卷积网络来自动学习类别质心特征,如图1所示,左侧右侧所示的CS和CT都代表源域和目标域生成的类别质心特征,区别在于,左侧是更新前的类别质心特征,右侧为更新后的类别质心特征。本领域技术人员可以理解,更新前的类别质心特征是指始化设定的类别质心特征,或者是上一次操作后得到的类别质心特征。
2、类别质心特征对齐机制。
在实践中,以往的方法侧重于对类级信息进行建模,取得了令人印象深刻的效果,进一步强调了类级信息的重要性。为了确保来自不同域的相同类的特征被映射到邻近的位置,本发明实施例中,设计类别质心特征对齐机制对无监督域适应的类别信息建模,通过约束图卷积网络每层中来自不同域的类别质心特征,使不同域的类别质心特征随着迭代训练而逐渐靠近,以这样的方式将类别信息编码所学习的特征。因此,属于同类别的样本就可以嵌入到特征空间的附近位置。
类别质心特征对齐机制的损失函数为:
其中,K代表类别数量,φ代表距离度量函数,k为类别序号,CS和CT分别代表源域和目标域的类别质心特征。
3、质心指导的对抗性对齐机制。
本发明实施例中,使用质心指导的对抗性对齐机制,利用所有类别自动生成的质心特征作为域全局统计信息指导每批图像数据参与对抗训练,以缓解批样本输入带来的局部信息干扰鉴别器对域全局分布判断的影响。类别质心特征的参与可以提高训练效率和适应性能。
质心指导的对抗性对齐机制的损失函数为:
如图1所示,特征提取器是由标准卷积网络AlexNet以及图卷积网络共同构成。
如图1所示,分类器F是针对域适应目标,随着训练更新的任务特定分类器(简称训练分类器F),分类模型训练完毕后,将利用训练分类器F对目标域图片进行分类,输出分类得分。鉴别器D用于训练阶段,其主要作用是根据输入的特征与类别质心特征来判断图像来自源域还是目标域,可以表示为:D(Concat([XS,CS],axis=0)),D(Concat([XT,CT],axis=0)),Concat表示拼接操作,axis=0表示在第0维上进行concat。
本发明实施例上述方案所设计的对抗性对齐机制有类别质心特征的参与,从而会帮助类别质心特征的对齐。反过来,类别质心特征对齐机制约束了学习更具语义的类别质心特征也会帮助指导对抗性对齐机制。因此两机制可以相互强化,使得的分类模型也可以在不依赖人类先验的情况下,以端到端的方式训练。
通过以上方式,结合定义的损失函数不断的迭代训练,最终可以得到在目标域有效的分类模型。训练得到的分类模型可以对输入的目标域图像进行有效分类,分类准确度也较高。在测试阶段,将目标域图像χT输入训练好的分类模型,通过特征提取器G,也即经过AlexNet提取特征,再结合训练得到的目标域质心特征通过GCN得到进一步提取的特征G(χT),即将最后提取的特征G(χT)输入至训练分类器F得到类别结果。
本发明实施例上述方案,可以应用于大数据规模无标签图像的预分类。在实施上,可以以软件的方式安装于工作电脑上进行实时的小批图像数据的分类展示,也可以安装于大型服务器对大批图像数据进行处理。
上述方案与现有方法相比,主要获得如下技术效果:
能通过端到端的方式训练网络自动学***均1~2%的分类准确率的提升,且模型分类准确率收敛速度更快。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现,也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解,上述实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (3)
1.一种通过无监督域适应训练目标域分类模型的方法,其特征在于,包括:
对于源域和目标域输入的批图像数据,通过标准卷积网络来提取图像特征,然后结合初始化设定的质心特征构建对应于源域和目标域的实例图;将实例图中的节点矩阵依次通过源域分类器与图卷积网络后,更新对应于源域和目标域的类别质心特征;
使用类别质心特征对齐机制,约束图卷积网络每层中来自不同域的类别质心特征,使不同域的类别质心特征随着迭代训练而逐渐靠近;
并且,使用质心指导的对抗性对齐机制,利用所有类别自动生成的质心特征作为域全局统计信息指导每批图像数据参与对抗训练;
通过迭代训练最终得到在目标域有效的分类模型;
其中,通过标准卷积网络来提取图像特征,然后结合初始化设定的质心特征构建对应于源域和目标域的实例图包括:
提取图像特征,并结合初始化设定的质心特征构建对应于源域和目标域的节点矩阵:
上式中,AlexNet(Xbatch)表示利用AlexNet标准卷积网络提取批图像数据Xbatch的特征;C表示初始化设定的类别质心特征;表示特征串联;*S,T,分别对应于源域和目标域,即对应于源域的节点矩阵,对应于目标域的节点矩阵;
通过以上方式得到的节点矩阵与对应的邻接矩阵,构成了实例图;
类别质心特征对齐机制的损失函数为:
其中,K代表类别数量,φ代表距离度量函数,k为类别序号,CS和CT分别代表源域和目标域的类别质心特征;
质心指导的对抗性对齐机制的损失函数为:
2.根据权利要求1所述的一种通过无监督域适应训练目标域分类模型的方法,其特征在于,所述源域和目标域输入的批图像数据包括:有标签的源域数据与无标签目标域数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911045261.4A CN110880019B (zh) | 2019-10-30 | 2019-10-30 | 通过无监督域适应训练目标域分类模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911045261.4A CN110880019B (zh) | 2019-10-30 | 2019-10-30 | 通过无监督域适应训练目标域分类模型的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110880019A CN110880019A (zh) | 2020-03-13 |
CN110880019B true CN110880019B (zh) | 2022-07-12 |
Family
ID=69728198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911045261.4A Active CN110880019B (zh) | 2019-10-30 | 2019-10-30 | 通过无监督域适应训练目标域分类模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110880019B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612051B (zh) * | 2020-04-30 | 2023-06-20 | 杭州电子科技大学 | 一种基于图卷积神经网络的弱监督目标检测方法 |
CN112629863B (zh) * | 2020-12-31 | 2022-03-01 | 苏州大学 | 变工况下动态联合分布对齐网络的轴承故障诊断方法 |
CN113011456B (zh) * | 2021-02-05 | 2022-07-15 | 中国科学技术大学 | 用于图像分类的基于类别自适应模型的无监督域适应方法 |
CN113128667B (zh) * | 2021-04-02 | 2023-10-31 | 中国科学院计算技术研究所 | 一种跨域自适应的图卷积平衡迁移学习方法与*** |
CN113436197B (zh) * | 2021-06-07 | 2022-10-04 | 华东师范大学 | 基于生成对抗和类特征分布的域适应无监督图像分割方法 |
CN113255823B (zh) * | 2021-06-15 | 2021-11-05 | 中国人民解放军国防科技大学 | 无监督域适应的方法及装置 |
US11797611B2 (en) | 2021-07-07 | 2023-10-24 | International Business Machines Corporation | Non-factoid question answering across tasks and domains |
CN113688867B (zh) * | 2021-07-20 | 2023-04-28 | 广东工业大学 | 一种跨域图像分类方法 |
CN113723917B (zh) * | 2021-08-24 | 2024-03-29 | 中国人民解放军32382部队 | 器械管理标准与器械技术标准关联构建方法及设备 |
CN113743523B (zh) * | 2021-09-13 | 2024-05-14 | 西安建筑科技大学 | 一种视觉多特征引导的建筑垃圾精细分类方法 |
CN114048546B (zh) * | 2021-11-17 | 2024-04-23 | 大连理工大学 | 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062753A (zh) * | 2017-12-29 | 2018-05-22 | 重庆理工大学 | 基于深度对抗学习的无监督域自适应脑肿瘤语义分割方法 |
CA3002100A1 (en) * | 2018-04-18 | 2019-10-18 | Element Ai Inc. | Unsupervised domain adaptation with similarity learning for images |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10467795B2 (en) * | 2017-04-08 | 2019-11-05 | Intel Corporation | Sub-graph in frequency domain and dynamic selection of convolution implementation on a GPU |
CN108288051B (zh) * | 2018-02-14 | 2020-11-27 | 北京市商汤科技开发有限公司 | 行人再识别模型训练方法及装置、电子设备和存储介质 |
US10956817B2 (en) * | 2018-04-18 | 2021-03-23 | Element Ai Inc. | Unsupervised domain adaptation with similarity learning for images |
CN109753992B (zh) * | 2018-12-10 | 2020-09-01 | 南京师范大学 | 基于条件生成对抗网络的无监督域适应图像分类方法 |
CN109948648B (zh) * | 2019-01-31 | 2023-04-07 | 中山大学 | 一种基于元对抗学习的多目标域适应迁移方法及*** |
CN109948741A (zh) * | 2019-03-04 | 2019-06-28 | 北京邮电大学 | 一种迁移学习方法及装置 |
CN111259720B (zh) * | 2019-10-30 | 2023-05-26 | 北京中科研究院 | 基于自监督代理特征学习的无监督行人重识别方法 |
CN111222471B (zh) * | 2020-01-09 | 2022-07-15 | 中国科学技术大学 | 基于自监督域感知网络的零样本训练及相关分类方法 |
CN111340021B (zh) * | 2020-02-20 | 2022-07-15 | 中国科学技术大学 | 基于中心对齐和关系显著性的无监督域适应目标检测方法 |
CN112883714B (zh) * | 2021-03-17 | 2022-05-10 | 广西师范大学 | 基于依赖图卷积和迁移学习的absc任务句法约束方法 |
-
2019
- 2019-10-30 CN CN201911045261.4A patent/CN110880019B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062753A (zh) * | 2017-12-29 | 2018-05-22 | 重庆理工大学 | 基于深度对抗学习的无监督域自适应脑肿瘤语义分割方法 |
CA3002100A1 (en) * | 2018-04-18 | 2019-10-18 | Element Ai Inc. | Unsupervised domain adaptation with similarity learning for images |
Also Published As
Publication number | Publication date |
---|---|
CN110880019A (zh) | 2020-03-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110880019B (zh) | 通过无监督域适应训练目标域分类模型的方法 | |
CN110580501B (zh) | 一种基于变分自编码对抗网络的零样本图像分类方法 | |
CN111414461B (zh) | 一种融合知识库与用户建模的智能问答方法及*** | |
CN113407759B (zh) | 一种基于自适应特征融合的多模态实体对齐方法 | |
CN113656596B (zh) | 一种基于三元组筛选融合的多模态实体对齐方法 | |
CN113140254B (zh) | 元学习药物-靶点相互作用预测***及预测方法 | |
WO2022160772A1 (zh) | 一种基于视角引导多重对抗注意力的行人重识别方法 | |
CN112766334B (zh) | 一种基于伪标签域适应的跨域图像分类方法 | |
CN103559504A (zh) | 图像目标类别识别方法及装置 | |
CN113177132A (zh) | 基于联合语义矩阵的深度跨模态哈希的图像检索方法 | |
CN104573130A (zh) | 基于群体计算的实体解析方法及装置 | |
CN110737805B (zh) | 图模型数据的处理方法、装置和终端设备 | |
CN107391577B (zh) | 一种基于表示向量的作品标签推荐方法和*** | |
US20190026654A1 (en) | Bootstrapping multiple varieties of ground truth for a cognitive system | |
CN110866134A (zh) | 一种面向图像检索的分布一致性保持度量学习方法 | |
CN114283315A (zh) | 一种基于交互式引导注意力和梯形金字塔融合的rgb-d显著性目标检测方法 | |
CN113821657A (zh) | 基于人工智能的图像处理模型训练方法及图像处理方法 | |
WO2020135054A1 (zh) | 视频推荐方法、装置、设备及存储介质 | |
CN116910628B (zh) | 创作者专业度画像评估方法及*** | |
Sameer et al. | Source camera identification model: Classifier learning, role of learning curves and their interpretation | |
CN111160077A (zh) | 一种大规模人脸动态聚类方法 | |
CN111339258B (zh) | 基于知识图谱的大学计算机基础习题推荐方法 | |
CN107577681A (zh) | 一种基于社交媒体图片的地域分析、推荐方法及*** | |
CN111062484A (zh) | 基于多任务学习的数据集选取方法及装置 | |
CN111291376A (zh) | 一种基于众包和机器学习的web漏洞验证方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |