JP2019102049A - 車線検出のための方法及び装置 - Google Patents
車線検出のための方法及び装置 Download PDFInfo
- Publication number
- JP2019102049A JP2019102049A JP2018092378A JP2018092378A JP2019102049A JP 2019102049 A JP2019102049 A JP 2019102049A JP 2018092378 A JP2018092378 A JP 2018092378A JP 2018092378 A JP2018092378 A JP 2018092378A JP 2019102049 A JP2019102049 A JP 2019102049A
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- model
- pixel point
- output
- image
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
Description
自動車の周囲の道路の現在の道路画像を取得するステップ、及び、
前記現在の道路画像をディープラーニングモデルに入力し、前記ディープラーニングモデルから出力された結果に基づいて前記現在の道路画像の車線領域を検出する、ステップを含み、
前記ディープラーニングモデルは、過去の道路画像及び前記過去の道路画像中の既知の車線領域の間の対応関係に基づいて訓練されており、
前記ディープラーニングモデルは第1のモデルユニット及び第2のモデルユニットを含み、かつ前記第1のモデルユニットの出力は前記第2のモデルユニットの入力の役割を果たし、
前記第1のモデルユニットは少なくとも1つの第1のモデルサブユニットを含み、前記第1のモデルサブユニットは畳み込みニューラルネットワーク及び第1の再帰型ニューラルネットワークを含み、前記畳み込みニューラルネットワークの出力は前記第1の再帰型ニューラルネットワークの入力の役割を果たし、並びに、
前記第2のモデルユニットは少なくとも1つの第2のモデルサブユニットを含み、前記第2のモデルサブユニットは逆畳み込みニューラルネットワーク及び第2の再帰型ニューラルネットワークを含み、前記逆畳み込みニューラルネットワークの出力は前記第2の再帰型ニューラルネットワークの入力の役割を果たす、
方法である。
現在の道路画像の各ピクセル点に対して、前記ピクセル点に対する逆畳み込みニューラルネットワークの出力結果及び、前記ピクセル点の近傍内の複数のピクセル点に対する逆畳み込みニューラルネットワークの出力結果により第2のシーケンスが形成され、第2の再帰型ニューラルネットに入力される。
現在の道路画像及び最近様々な時刻において取得された道路画像を含む、複数の道路画像を処理することで第2のモデルユニットにより出力された結果から、第3の再帰型ニューラルネットワークに入力される第3のシーケンスが形成される。
自動車の周囲の道路の現在の道路画像を取得するよう設定された画像取得モジュールと、及び、
前記現在の道路画像をディープラーニングモデルに入力し、前記ディープラーニングモデルから出力された結果に基づいて、前記現在の道路画像における車線領域を検出するよう設定されたモデル処理モジュールと、を含み、
ディープラーニングモデルは、過去の道路画像及び前記過去の道路画像中の既知の車線領域の間の対応関係に基づいて訓練された、モデルであり、
ディープラーニングモデルは第1のモデルユニット及び第2のモデルユニットを含み、前記第1のモデルユニットの出力は前記第2のモデルユニットの入力の役割を果たし、
前記第1のモデルユニットは少なくとも1つの第1のモデルサブユニットを含み、前記第1のモデルサブユニットは畳み込みニューラルネットワーク及び第1の再帰型ニューラルネットワークを含み、前記畳み込みニューラルネットワークの出力は前記第1の再帰型ニューラルネットワークの入力の役割を果たし、
前記第2のモデルユニットは少なくとも1つの第2のモデルサブユニットを含み、前記第2のモデルサブユニットは逆畳み込みニューラルネットワーク及び第2の再帰型ニューラルネットワークを含み、前記逆畳み込みニューラルネットワークの出力は前記第2の再帰型ニューラルネットワークの入力の役割を果たす、
装置である。
現在の道路画像の各ピクセル点に対して、そのピクセル点に対する逆畳み込みニューラルネットワークの出力結果及び、そのピクセル点に近接するピクセル点に対する逆畳み込みニューラルネットワークの出力結果により第2のシーケンスが形成され、第2の再帰型ニューラルネットに入力される。
現在の道路画像及び最近様々な時刻において取得された道路画像を含む、複数の道路画像を処理することで第2のモデルユニットにより出力された結果から第3のシーケンスが形成され、第3の再帰型ニューラルネットワークに入力される。
プロセッサと、及び、
メモリと、を含み、
前記メモリはプログラムコードを保持して前記プログラムコードを前記プロセッサに送信するよう設定され、
前記プロセッサは前記プログラムコード内の命令に反応して、前記第1の様相による、車線を検出するための方法を実行するよう設定される。
Claims (10)
- 車線を検出するための方法であって、
自動車の周囲の道路の現在の道路画像を取得するステップと、及び、
前記現在の道路画像をディープラーニングモデルに入力し、前記ディープラーニングモデルから出力された結果に基づいて前記現在の道路画像中の車線領域を検出するステップと、を含み、
前記ディープラーニングモデルは過去の道路画像及び前記過去の道路画像中の既知の車線領域の間の関係に基づいて訓練されたモデルであり、
前記ディープラーニングモデルは第1のモデルユニット及び第2のモデルユニットを含み、かつ前記第1のモデルユニットの出力は前記第2のモデルユニットの入力の役割を果たし、
前記第1のモデルユニットは少なくとも1つの第1のモデルサブユニットを含み、前記第1のモデルサブユニットは畳み込みニューラルネットワーク及び第1の再帰型ニューラルネットワークを含み、前記畳み込みニューラルネットワークの出力は前記第1の再帰型ニューラルネットワークの入力の役割を果たし、並びに、
前記第2のモデルユニットは少なくとも1つの第2のモデルサブユニットを含み、前記第2のモデルサブユニットは逆畳み込みニューラルネットワーク及び第2の再帰型ニューラルネットワークを含み、前記逆畳み込みニューラルネットワークの出力は前記第2の再帰型ニューラルネットワークの入力の役割を果たす、
車線を検出するための方法。 - 請求項1に記載の方法であって、
第1の再帰型ニューラルネットワーク及び第2の再帰型ニューラルネットワークの各々が双方向長・短期記憶ネットワークである、
車線を検出するための方法。 - 請求項1に記載の方法であって、
現在の道路画像中の各ピクセル点に対して、前記ピクセル点に対する畳み込みニューラルネットワークの出力結果及び前記ピクセル点の近傍内の複数のピクセル点に対する畳み込みニューラルネットワークの出力結果により第1のシーケンスが形成され、第1の再帰型ニューラルネットワークに入力され、並びに、
現在の道路画像中の各ピクセル点に対して、前記ピクセル点に対する逆畳み込みニューラルネットワークの出力結果及び前記ピクセル点の近傍内の複数のピクセル点に対する逆畳み込みニューラルネットワークの出力結果により第2のシーケンスが形成され、第2の再帰型ニューラルネットワークに入力される、
車線を検出するための方法。 - 請求項1に記載の方法であって、
ディープラーニングモデルがさらに第3の再帰型ニューラルネットワークを含み、
前記第2のモデルユニットから複数の道路画像を処理することにより出力された結果から第3のシーケンスが形成され、前記第3の再帰型ニューラルネットワークに入力され、
前記複数の道路画像は前記現在の道路画像及び直近の様々な時刻に取得された道路画像を含む、
車線を検出するための方法。 - 車線を検出するための装置であって、
自動車の周囲の道路の現在の道路画像を取得するよう設定された画像取得モジュールと、
前記現在の道路画像をディープラーニングモデルに入力し、前記ディープラーニングモデルから出力された結果に基づいて前記現在の道路画像中の車線領域を検出するよう設定されたモデル処理モジュールと、を含み、
前記ディープラーニングモデルは過去の道路画像及び前記過去の道路画像中の既知の車線領域の間の関係に基づいて訓練されたモデルであり、
前記ディープラーニングモデルは第1のモデルユニット及び第2のモデルユニットを含み、かつ前記第1のモデルユニットの出力は前記第2のモデルユニットの入力の役割を果たし、
前記第1のモデルユニットは少なくとも1つの第1のモデルサブユニットを含み、前記第1のモデルサブユニットは畳み込みニューラルネットワーク及び第1の再帰型ニューラルネットワークを含み、前記畳み込みニューラルネットワークの出力は前記第1の再帰型ニューラルネットワークの入力の役割を果たし、並びに、
前記第2のモデルユニットは少なくとも1つの第2のモデルサブユニットを含み、前記第2のモデルサブユニットは逆畳み込みニューラルネットワーク及び第2の再帰型ニューラルネットワークを含み、前記逆畳み込みニューラルネットワークの出力は前記第2の再帰型ニューラルネットワークの入力の役割を果たす、
車線を検出するための装置。 - 請求項5に記載の装置であって、
第1の再帰型ニューラルネットワーク及び第2の再帰型ニューラルネットワークの各々が双方向長・短期記憶ネットワークである、
車線を検出するための装置。 - 請求項5に記載の装置であって、
現在の道路画像中の各ピクセル点に対して、前記ピクセル点に対する畳み込みニューラルネットワークの出力結果及び前記ピクセル点の近傍内の複数のピクセル点に対する畳み込みニューラルネットワークの出力結果により第1のシーケンスが形成され、第1の再帰型ニューラルネットワークに入力され、並びに、
現在の道路画像中の各ピクセル点に対して、前記ピクセル点に対する逆畳み込みニューラルネットワークの出力結果及び前記ピクセル点の近傍内の複数のピクセル点に対する逆畳み込みニューラルネットワークの出力結果により第2のシーケンスが形成され、第2の再帰型ニューラルネットワークに入力される、
車線を検出するための装置。 - 請求項5に記載の装置であって、
ディープラーニングモデルがさらに第3の再帰型ニューラルネットワークを含み、
前記第2のモデルユニットから複数の道路画像を処理することにより出力された結果から第3のシーケンスが形成され、前記第3の再帰型ニューラルネットワークに入力され、
前記複数の道路画像は前記現在の道路画像及び直近の様々な時刻に取得された道路画像を含む、
車線を検出するための装置。 - 車線を検出するためのデバイスであって、
プロセッサと、
メモリと、を含み、
メモリはプログラムコードを格納し、プログラムコードをプロセッサに送信するよう設定され、及び、
プロセッサはプログラムコードの命令に反応して、請求項1〜4のいずれか1つに記載の車線を検出するための方法を実行するよう設定される、
車線を検出するためのデバイス。 - 請求項1〜4に記載の車線を検出するための方法を実行するためのプログラムコードを格納する、
記憶媒体。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711237254.5 | 2017-11-30 | ||
CN201711237254.5A CN109858309B (zh) | 2017-11-30 | 2017-11-30 | 一种识别道路线的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019102049A true JP2019102049A (ja) | 2019-06-24 |
JP6572345B2 JP6572345B2 (ja) | 2019-09-11 |
Family
ID=66547868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018092378A Active JP6572345B2 (ja) | 2017-11-30 | 2018-05-11 | 車線検出のための方法及び装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10748013B2 (ja) |
JP (1) | JP6572345B2 (ja) |
CN (1) | CN109858309B (ja) |
DE (1) | DE102018113992A1 (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200031994A (ko) * | 2018-09-15 | 2020-03-25 | 주식회사 스트라드비젼 | Cnn 기반 차선 검출을 위한 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치 |
CN111126406A (zh) * | 2019-12-17 | 2020-05-08 | 北京四维图新科技股份有限公司 | 车辆行驶区域识别方法及装置 |
JP2021165080A (ja) * | 2020-04-06 | 2021-10-14 | トヨタ自動車株式会社 | 車両制御装置、車両制御方法及び車両制御用コンピュータプログラム |
US11829153B2 (en) | 2020-04-06 | 2023-11-28 | Toyota Jidosha Kabushiki Kaisha | Apparatus, method, and computer program for identifying state of object, and controller |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126493B (zh) * | 2019-12-25 | 2023-08-01 | 东软睿驰汽车技术(沈阳)有限公司 | 深度学习模型的训练方法、装置、电子设备及存储介质 |
CN111959495B (zh) * | 2020-06-29 | 2021-11-12 | 阿波罗智能技术(北京)有限公司 | 车辆的控制方法、装置及车辆 |
CN113240623B (zh) * | 2021-03-18 | 2023-11-07 | 中国公路工程咨询集团有限公司 | 一种路面病害检测方法及装置 |
CN113591614B (zh) * | 2021-07-14 | 2024-05-28 | 西北工业大学 | 一种基于紧邻空间特征学习的遥感影像道路提取方法 |
FR3130230B1 (fr) * | 2021-12-10 | 2023-11-03 | Renault Sas | Procédé d’aide au maintien d’un véhicule sur la route lors d’un rétrécissement ou d’un élargissement de voie |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9802599B2 (en) * | 2016-03-08 | 2017-10-31 | Ford Global Technologies, Llc | Vehicle lane placement |
US10176388B1 (en) * | 2016-11-14 | 2019-01-08 | Zoox, Inc. | Spatial and temporal information for semantic segmentation |
CN106844442A (zh) * | 2016-12-16 | 2017-06-13 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 基于fcn特征提取的多模态循环神经网络图像描述方法 |
CN106980854A (zh) * | 2017-03-29 | 2017-07-25 | 珠海习悦信息技术有限公司 | 车牌号码识别方法、装置、存储介质及处理器 |
CN107038478B (zh) * | 2017-04-20 | 2023-10-27 | 百度在线网络技术(北京)有限公司 | 路况预测方法及装置、计算机设备与可读介质 |
CN107154150B (zh) * | 2017-07-25 | 2019-07-02 | 北京航空航天大学 | 一种基于道路聚类和双层双向lstm的交通流量预测方法 |
-
2017
- 2017-11-30 CN CN201711237254.5A patent/CN109858309B/zh active Active
-
2018
- 2018-05-11 JP JP2018092378A patent/JP6572345B2/ja active Active
- 2018-05-17 US US15/981,916 patent/US10748013B2/en active Active
- 2018-06-12 DE DE102018113992.6A patent/DE102018113992A1/de active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200031994A (ko) * | 2018-09-15 | 2020-03-25 | 주식회사 스트라드비젼 | Cnn 기반 차선 검출을 위한 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치 |
KR102309705B1 (ko) | 2018-09-15 | 2021-10-08 | 주식회사 스트라드비젼 | Cnn 기반 차선 검출을 위한 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치 |
CN111126406A (zh) * | 2019-12-17 | 2020-05-08 | 北京四维图新科技股份有限公司 | 车辆行驶区域识别方法及装置 |
CN111126406B (zh) * | 2019-12-17 | 2023-04-07 | 北京四维图新科技股份有限公司 | 车辆行驶区域识别方法及装置 |
JP2021165080A (ja) * | 2020-04-06 | 2021-10-14 | トヨタ自動車株式会社 | 車両制御装置、車両制御方法及び車両制御用コンピュータプログラム |
US11829153B2 (en) | 2020-04-06 | 2023-11-28 | Toyota Jidosha Kabushiki Kaisha | Apparatus, method, and computer program for identifying state of object, and controller |
JP7388971B2 (ja) | 2020-04-06 | 2023-11-29 | トヨタ自動車株式会社 | 車両制御装置、車両制御方法及び車両制御用コンピュータプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP6572345B2 (ja) | 2019-09-11 |
US20190163991A1 (en) | 2019-05-30 |
CN109858309B (zh) | 2021-04-20 |
DE102018113992A1 (de) | 2019-06-06 |
US10748013B2 (en) | 2020-08-18 |
CN109858309A (zh) | 2019-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6572345B2 (ja) | 車線検出のための方法及び装置 | |
US11629964B2 (en) | Navigation map updating method and apparatus and robot using the same | |
CN109212530B (zh) | 用于确定障碍物速度的方法和装置 | |
CN110705405B (zh) | 目标标注的方法及装置 | |
US9213910B2 (en) | Reinforcement learning approach to character level segmentation of license plate images | |
CN112016349B (zh) | 停车位的检测方法、装置与电子设备 | |
CN110587597B (zh) | 一种基于激光雷达的slam闭环检测方法及检测*** | |
US10268904B2 (en) | Vehicle vision system with object and lane fusion | |
CN111210477A (zh) | 一种运动目标的定位方法及*** | |
CN111027381A (zh) | 利用单目相机识别障碍物的方法、装置、设备及存储介质 | |
US20200082181A1 (en) | Method and system for sensing an obstacle, and storage medium | |
JP2020042781A (ja) | 多焦点距離視覚に基づく障害物感知方法、装置、設備及び記憶媒体 | |
JP6375633B2 (ja) | 車両周辺画像表示装置、車両周辺画像表示方法 | |
US20230078721A1 (en) | Vehicle localization method and device, electronic device and storage medium | |
JP6327115B2 (ja) | 車両周辺画像表示装置、車両周辺画像表示方法 | |
JP2015171106A (ja) | 車両周辺画像表示装置、車両周辺画像表示方法 | |
US11047673B2 (en) | Method, device, apparatus and storage medium for detecting a height of an obstacle | |
CN116664498A (zh) | 车位检测模型的训练方法、车位检测方法、装置和设备 | |
WO2020037553A1 (zh) | 图像处理方法及装置、移动设备 | |
CN115346184A (zh) | 一种车道信息检测方法、终端及计算机存储介质 | |
CN116257273B (zh) | 一种障碍物检测模型的更新方法、终端及计算机存储介质 | |
JP2005329765A (ja) | 走行路認識装置 | |
CN118068357B (zh) | 路沿融合处理方法、装置及电子设备、存储介质 | |
CN117152707B (zh) | 一种车辆偏移距离的计算方法、装置以及处理设备 | |
CN109073387A (zh) | 一种多地图对齐的方法、装置、终端及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180511 |
|
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: 20190723 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190809 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6572345 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313117 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |