JP7291347B2 - 図面検索装置、モデル生成装置、図面検索方法、およびモデル生成方法 - Google Patents
図面検索装置、モデル生成装置、図面検索方法、およびモデル生成方法 Download PDFInfo
- Publication number
- JP7291347B2 JP7291347B2 JP2019173269A JP2019173269A JP7291347B2 JP 7291347 B2 JP7291347 B2 JP 7291347B2 JP 2019173269 A JP2019173269 A JP 2019173269A JP 2019173269 A JP2019173269 A JP 2019173269A JP 7291347 B2 JP7291347 B2 JP 7291347B2
- Authority
- JP
- Japan
- Prior art keywords
- drawings
- search
- target
- group
- search target
- 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
- 238000000034 method Methods 0.000 title claims description 41
- 238000001514 detection method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 description 68
- 230000010365 information processing Effects 0.000 description 54
- 238000004364 calculation method Methods 0.000 description 21
- 238000012545 processing Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 18
- 241000196324 Embryophyta Species 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 230000009467 reduction Effects 0.000 description 8
- 238000000605 extraction Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 6
- 238000007477 logistic regression Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 240000008168 Ficus benjamina Species 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Landscapes
- Processing Or Creating Images (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
実施形態1の情報処理システム100の説明に先立ち、参考形態としての情報処理システム100sについて述べる。説明の便宜上、参考形態にて説明した部材と同じ機能を有する部材については、以降の各実施形態では、同じ符号を付記し、その説明を繰り返さない。また、簡潔化のため、公知技術と同様の事項についても、説明を適宜省略する。
図1は、情報処理システム100sの要部の構成を示すブロック図である。情報処理システム100sは、情報処理装置1s、過去物件図面DB(Database)91s、および新規物件図面DB92を備える。
過去物件図面DB91sには、過去の各物件(既設の各物件)に関する各図面(厳密には、図面データ)が格納されている。以下の説明では、「図面A(ある図面)の図面データ」を、単に「図面A」と適宜略称する。また、「図面Aの図面番号」を、単に「図面A」と適宜略称する。
学習装置11sは、過去図面データ取得部111、過去図面データ前処理部112(候補図面内容パラメータ取得部,検索対象図面内容パラメータ取得部)、および学習モデル生成部113sを備える。学習装置11sは、図面a1~MNに基づき、図面検索装置12sによる図面検索のための学習モデルを生成する。このことから、学習装置11sは、モデル生成装置と称されてもよい。以下、学習装置11sの処理の流れの一例について述べる。
過去物件図面DB91sでは、TB1sに従って、図面a1~MNが、図面種類別に予めソートされている。従って、例えば、過去図面データ取得部111は、「図面a1→b1→…→M1」の順に、各外形図を過去物件図面DB91sから取得する。続いて、過去図面データ取得部111は、「図面a2→b2→…→M2」の順に、各組立図を過去物件図面DB91sから取得する。そして、最終的には、過去図面データ取得部111は、「図面aN→bN→…→MN」の順に、各構成図を過去物件図面DB91sから取得する。
過去図面データ前処理部112は、図面a1を解析することにより、当該図面a1に対応する前処理データを生成する。一例として、過去図面データ前処理部112は、図面a1にOCR処理を施し、OCR処理後データを生成する。OCR処理後データでは、図面a1において画像データとして表現されていた各文字が、文字コードへと変換されている。
学習モデル生成部113sは、図面a1~M1に対応する前処理データ(すなわち、図面a1~M1におけるA1~AL)に基づき、当該図面a1~M1に応じた学習モデルを生成する。学習モデルの生成には、公知の機械学習アルゴリズムが使用されてよい。一例として、参考形態1では、学習モデル生成部113sは、多項ロジスティック回帰分析によって、学習モデルを生成する。
新規物件図面DB92には、新規物件(例:これから建設が行われる予定である、少なくとも1つの物件)に関する各図面(以下、総称的に新規図面とも称する)が、新規物件データセットとして格納されている。以下では、新規物件データセットに含まれる1つの新規物件(物件T)について述べる。
図面検索装置12sは、新規図面データ取得部121、新規図面データ前処理部122(ターゲット図面内容パラメータ取得部)、スコア演算部123s、および検索結果データ生成部124sを備える。スコア演算部123sおよび検索結果データ生成部124sは、総称的に検索部(より具体的には、参考形態における検索部)と称されてもよい。
新規図面データ取得部121は、過去図面データ取得部111と対になる機能部である。一例として、新規図面データ取得部121は、入力部71が所定のユーザ操作を受け付けたことを契機として、新規物件図面DB92の新規物件データセットに含まれている、所定の新規図面(例:図面ND)を取得する。新規図面データ取得部121は、取得した図面NDを、新規図面データ前処理部122に供給する。
新規図面データ前処理部122は、過去図面データ前処理部112と対になる機能部である。新規図面データ前処理部122は、過去図面データ前処理部112と同様の処理により、図面NDに対応する前処理データを生成する。すなわち、新規図面データ前処理部122は、図面NDにOCR処理を施し、当該図面NDから特定文字列を抽出する。そして、新規図面データ前処理部122は、特定文字列の抽出結果に基づき、当該図面NDの内容パラメータを設定する。以下、図面NDの第k内容パラメータを、Ckとも称する。
スコア演算部123sは、学習モデル生成部113によって生成された学習モデル(より具体的には、B1(1,1)~BL(M,N))に基づき、関連性スコアを算出する。関連性スコアとは、図面NDに対する各過去図面(図面a1~MN)の関連性の高さを示すスコア(指標)である。以下、図面(i,j)の関連性スコアを、SCORE(i,j)とも表記する。また、SCORE(i,j)を、SCOREとも略記する。
SSk=Ck×Bk …(1)
を算出する。
SCORE=ΣSSk …(2)
を算出する。式(2)の右辺におけるkの範囲は、1からLまでである。この点は、後述する式(2A)等についても同様である。
SSk(i,j)=Ck×Bk(i,j) …(1A)
とも表記できる。このように、TB3s-1は、Bk(i,j)に基づきSSk(i,j)を算出する。
SCORE(i,j)=ΣSSk(i,j)
=Σ{Ck×Bk(i,j)}…(2A)
とも表記できる。このように、スコア演算部123sは、各SSk(i,j)(すなわち、各Ckおよび各Bk(i,j))に基づき、SCORE(i,j)を算出する。
SCORE(i,j)=Σ{Ak(i,j)×Bk(i,j)}…(3)
において、Ak(i,j)にCkを代入した式と理解することもできる。このように、スコア演算部123sは、学習モデル内の独立変数(説明変数)として、C1~CLを適用することにより、従属変数(目的変数)であるSCOREを算出できる。
なお、式(3)の右辺は、多項ロジスティック回帰分析における線形モデル(多項ロジスティック回帰分析モデル)の一例である。
検索結果データ生成部124sは、スコア演算部123sによって算出されたSCORE(a1)~SCORE(M1)に基づき、図面NDに対応する候補順位(候補ランキング)を決定する。具体的には、検索結果データ生成部124sは、SCORE(a1)~SCORE(M1)に基づき、図面a1~M1(外形図)のそれぞれの候補順位(第1候補~第M候補)を決定する。
プラントエンジニアリングでは、物件Tに関するプロジェクトの進捗に伴い、図面ND(ターゲット図面)との関連性が高い過去図面を検索することが必要とされる場合がある(特許文献1も参照)。上記プロジェクトでは、過去物件における特定の種類の機器の設計・製作実績を参考に、物件Tにおける同種類の機器についての各種の計画(例:製作期間の予想、製作コストの試算)がなされる場合が多いためである。
り、領域Aおよび領域Bには、同一の種類の仕様情報(電圧値に関する仕様情報)が記載されている。このため、実際には、図面a1は、図面NDに対してある程度の関連性を有しているとも考えられる。
索に比べ、図面検索に適している。
(1)本発明の一態様に係る情報処理装置は、プラントエンジニアリング以外の分野における図面の検索についても適用可能である。本発明の一態様に係る図面は、上記図面検索装置によって内容パラメータを取得することが可能な図面であればよい。
参考形態の情報処理システム100s(情報処理装置1s)では、過去図面(図面a1~MN)が図面種類別に予め分類されていることを前提として、各処理が実行されていた。但し、実際には、過去図面に対する分類が予め行われていない場合も考えられる。また、マンパワーによって図面種類別に過去図面を分類することが、必ずしも容易でない場合も考えられる。発明者らは、このような状況においても過去図面の検索を適切に行うことを可能にすべく、実施形態1の情報処理システム100を創作した。
学習装置11は、学習装置11sとは異なり、グループ分類部114を備える。また、学習装置11の学習モデル生成部を、学習モデル生成部113(学習部)と称する。過去物件図面DB91では、過去物件図面DB91sとは異なり、図面a1~MNが、図面種類別に予め分類されていない。
P(a1)=[a1(1),a1(2),…,a1(k),…a1(L)]
としてプロットする。このように、グループ分類部114は、過去図面データ前処理部112から、点P(a1)の上記座標を取得する。
上述の通り、参考形態の学習モデル生成部113sでは、図面a1~MNに基づき、1つの(共通の)学習モデルが生成されていた。実施形態1の学習モデル生成部113は、学習モデル生成部113sとは異なり、複数の学習モデルを生成する。
図面検索装置12は、図面検索装置12sとは異なり、グループ選択部125を備える。また、図面検索装置12のスコア演算部および検索結果データ生成部をそれぞれ、スコア演算部123および検索結果データ生成部124と称する。スコア演算部123および検索結果データ生成部124は、総称的に検索部と称されてもよい。
グループ選択部125は、新規図面データ前処理部122から、ND1(1)~ND1(L)を取得する。そして、グループ選択部125は、上述のL次元空間に、図面NDの点P(ND)の座標を、
P(ND)=[ND(1),ND(2),…,ND(k),…ND(L)]
としてプロットする。このように、グループ選択部125は、新規図面データ前処理部122から点P(ND)の上記座標を取得する。以下に述べる図14では、点NDは、星印によって示されている。
スコア演算部123は、グループ選択部125から特定学習モデルを取得する。スコア演算部123は、特定学習モデルを用いて、図面NDのSCOREを算出する。実施形態1の例では、スコア演算部123は、第1学習モデルを特定学習モデルとして用いて、図面NDのSCOREを算出する。実施形態1では、特定学習モデルを用いてSCOREを算出することにより、参考形態に比べ、SCOREを算出するための演算コストを低減できる。
検索結果データ生成部124は、特定グループ(グループ1)に属する各過去図面のSCOREに基づき、図面NDに対応する候補順位を決定する。以下の説明では、グループ1に属する過去図面の数を、GN1と表記する。検索結果データ生成部124は、グループ1に属する各過去図面のSCOREに基づき、当該各過去図面のそれぞれの候補順位(第1候補~第GN1候補)を決定する。
上記の例では、各過去図面を内容パラメータに基づき分類するためのクラスタリング手法として、k-means法を用いる場合を例示した。但し、その他のクラスタリング手法を用いることもできる。例えば、上記クラスタリング手法としてfuzzy c-means法が用いられてもよい。fuzzy c-means法を用いた場合、k-means法を用いた場合に比べ、各過去図面をより柔軟に分類することが期待できる。
発明者らは、情報処理システム100の有効性を検証するため、さらなる実験を行った。具体的には、発明者らは、約1600個の過去図面が過去物件図面DB91に格納されている場合に、実施形態1と同様の各処理を行った。つまり、発明者らは、T≒1600の場合について、実施形態1と同様に、(i)第1~第P学習モデルの生成、および、(ii)特定学習モデルを用いた過去図面の検索、を行った。
情報処理システム100(情報処理装置1)によっても、参考形態と同様に、図面検索におけるユーザの利便性を従来よりも高めることが可能となる。加えて、情報処理装置1によれば、参考形態とは異なり、過去図面の分類が予め行われていない場合(あるいは、マンパワーによる過去図面の分類が困難である場合)にも、過去図面を適切に検索することができる。それゆえ、ユーザの利便性をより一層高めることが可能となる。
(1)P(過去図面のグループ数)は、情報処理装置1のユーザによって設定されてもよいし、公知のアルゴリズムを用いて設定されてもよい。クラスタリングの結果を評価する指標の1つとして、Pseudo Fが知られている。従って、例えば、Pseudo Fに基づき、Pが設定されてもよい。
・PCA(Principal Component Analysis)
・Kernel PCA
・Manifold Learing
・LDA(Linear Discriminant Analysis)
・NMF(Non-negative Matrix Factorization)
・SVD(Singular Value Decomposition)
を挙げることができる。
情報処理システム100の制御ブロック(特に制御装置10)は、集積回路(ICチップ)等に形成された論理回路(ハードウェア)によって実現してもよいし、ソフトウェアによって実現してもよい。
本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。
10制御装置
11 学習装置(モデル生成装置)
12 図面検索装置
100 情報処理システム
111 過去図面データ取得部
112 過去図面データ前処理部(検索対象図面内容パラメータ取得部)
113 学習モデル生成部(学習部)
114 グループ分類部
121 新規図面データ取得部
122 新規図面データ前処理部(ターゲット図面内容パラメータ取得部)
123 スコア演算部(検索部)
124 検索結果データ生成部(検索部)
125 グループ選択部
a1~MN 図面(過去図面,検索対象図面)
ND 図面(新規図面,ターゲット図面)
Claims (9)
- 複数の検索対象図面からターゲット図面に対応する少なくとも1つの図面を検索する図面検索装置であって、
上記複数の検索対象図面は、当該複数の検索対象図面のそれぞれの記載内容に関連した検索対象図面内容パラメータに基づき、第1グループから第PグループまでのP個(Pは2以上の整数)のグループに予め分類されており、
上記P個のグループのそれぞれに属する上記複数の検索対象図面のそれぞれの上記検索対象図面内容パラメータに基づき、上記P個のグループのそれぞれに対応するP個の学習モデルが予め生成されており、
上記ターゲット図面を解析することにより、当該ターゲット図面の記載内容に関連したターゲット図面内容パラメータを取得するターゲット図面内容パラメータ取得部と、
上記ターゲット図面内容パラメータに基づき、上記P個のグループの内、上記ターゲット図面との関連性が最も高いグループである特定グループを選択するグループ選択部と、
(i)上記P個の学習モデルの内、上記特定グループに対応する学習モデルである特定学習モデルに、上記ターゲット図面内容パラメータを入力し、かつ、(ii)上記ターゲット図面内容パラメータに応じた上記特定学習モデルの出力に基づき、上記少なくとも1つの図面を検索する検索部と、を備えている、図面検索装置。 - 上記検索部は、上記特定学習モデルの上記出力に基づき、上記特定グループに属する上記複数の検索対象図面のそれぞれについて、上記ターゲット図面に対する関連性の高さを示す関連性スコアを算出する、請求項1に記載の図面検索装置。
- 上記検索部は、上記特定グループに属する上記少なくとも1つの図面の識別子を示す検索結果データを生成し、
上記検索結果データでは、上記特定グループに属する上記少なくとも1つの図面の識別子が、上記関連性スコアに応じてソートされている、請求項2に記載の図面検索装置。 - 上記図面検索装置では、図面に関する特定文字列が予め設定されており、
上記ターゲット図面内容パラメータ取得部は、
上記ターゲット図面に含まれている上記特定文字列を検出し、
上記ターゲット図面における上記特定文字列の検出結果に基づき、上記ターゲット図面内容パラメータを設定する、請求項1から3のいずれか1項に記載の図面検索装置。 - 上記図面検索装置では、上記特定文字列として、第1特定文字列から第L特定文字列までのL個(Lは2以上の整数)の異なる文字列が予め設定されており、
上記ターゲット図面内容パラメータには、第1ターゲット図面内容パラメータから第Lターゲット図面内容パラメータまでのL個のパラメータが含まれており、
上記検索対象図面内容パラメータには、第1検索対象図面内容パラメータから第L検索対象図面内容パラメータまでのL個のパラメータが含まれており、
上記グループ選択部は、
上記ターゲット図面内容パラメータおよび上記検索対象図面内容パラメータの分布を示すL次元データ空間において、(i)上記ターゲット図面に対応するターゲット点の座標と、(ii)上記第1グループから上記第Pグループまでの各グループの代表点の座標と、を取得し、
上記各グループの内、上記L次元データ空間における上記ターゲット点と上記代表点との距離が最も短いグループを、上記特定グループとして選択する、請求項4に記載の図面検索装置。 - 複数の検索対象図面からターゲット図面に対応する少なくとも1つの図面を検索するための学習モデルを生成するモデル生成装置であって、
上記複数の検索対象図面を解析することにより、当該複数の検索対象図面のそれぞれの記載内容に関連した検索対象図面内容パラメータを取得する、検索対象図面内容パラメータ取得部と、
上記複数の検索対象図面のそれぞれの上記検索対象図面内容パラメータに基づき、上記複数の検索対象図面を、第1グループから第PグループまでのP個(Pは2以上の整数)のグループに分類するグループ分類部と、
上記P個のグループのそれぞれに属する上記複数の検索対象図面のそれぞれの上記検索対象図面内容パラメータに基づき、上記P個のグループのそれぞれに対応するP個の学習モデルを生成する学習部と、を備えている、モデル生成装置。 - 上記モデル生成装置では、図面に関する特定文字列が予め設定されており、
上記検索対象図面内容パラメータ取得部は、
上記複数の検索対象図面のそれぞれに含まれている上記特定文字列を検出し、
上記複数の検索対象図面のそれぞれにおける上記特定文字列の検出結果に基づき、当該複数の検索対象図面のそれぞれの上記検索対象図面内容パラメータを設定する、請求項6に記載のモデル生成装置。 - 複数の検索対象図面からターゲット図面に対応する少なくとも1つの図面を検索する図面検索方法であって、
上記複数の検索対象図面は、当該複数の検索対象図面のそれぞれの記載内容に関連した検索対象図面内容パラメータに基づき、第1グループから第PグループまでのP個(Pは2以上の整数)のグループに予め分類されており、
上記P個のグループのそれぞれに属する上記複数の検索対象図面のそれぞれの上記検索対象図面内容パラメータに基づき、上記P個のグループのそれぞれに対応するP個の学習モデルが予め生成されており、
上記ターゲット図面を解析することにより、当該ターゲット図面の記載内容に関連したターゲット図面内容パラメータを取得するターゲット図面内容パラメータ取得工程と、
上記ターゲット図面内容パラメータに基づき、上記P個のグループの内、上記ターゲット図面との関連性が最も高いグループである特定グループを選択するグループ選択工程と、
(i)上記P個の学習モデルの内、上記特定グループに対応する学習モデルである特定学習モデルに、上記ターゲット図面内容パラメータを入力し、かつ、(ii)上記ターゲット図面内容パラメータに応じた上記特定学習モデルの出力に基づき、上記少なくとも1つの図面を検索する検索工程と、を含んでいる、図面検索方法。 - 複数の検索対象図面からターゲット図面に対応する少なくとも1つの図面を検索するための学習モデルを生成するモデル生成方法であって、
上記複数の検索対象図面を解析することにより、当該複数の検索対象図面のそれぞれの記載内容に関連した検索対象図面内容パラメータを取得する、検索対象図面内容パラメータ取得工程と、
上記複数の検索対象図面のそれぞれの上記検索対象図面内容パラメータに基づき、上記複数の検索対象図面を、第1グループから第PグループまでのP個(Pは2以上の整数)のグループに分類するグループ分類工程と、
上記P個のグループのそれぞれに属する上記複数の検索対象図面のそれぞれの上記検索対象図面内容パラメータに基づき、上記P個のグループのそれぞれに対応するP個の学習モデルを生成する学習工程と、を含んでいる、モデル生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019173269A JP7291347B2 (ja) | 2019-09-24 | 2019-09-24 | 図面検索装置、モデル生成装置、図面検索方法、およびモデル生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019173269A JP7291347B2 (ja) | 2019-09-24 | 2019-09-24 | 図面検索装置、モデル生成装置、図面検索方法、およびモデル生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021051469A JP2021051469A (ja) | 2021-04-01 |
JP7291347B2 true JP7291347B2 (ja) | 2023-06-15 |
Family
ID=75157931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019173269A Active JP7291347B2 (ja) | 2019-09-24 | 2019-09-24 | 図面検索装置、モデル生成装置、図面検索方法、およびモデル生成方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7291347B2 (ja) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002519748A (ja) | 1998-06-22 | 2002-07-02 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 像検索システム |
JP2011523137A (ja) | 2008-06-06 | 2011-08-04 | トムソン ライセンシング | 画像の類似検索システム及び方法 |
WO2014132349A1 (ja) | 2013-02-27 | 2014-09-04 | 株式会社日立製作所 | 画像解析装置、画像解析システム、画像解析方法 |
JP2020074111A (ja) | 2019-12-24 | 2020-05-14 | 楽天株式会社 | 検索システム、検索方法、及びプログラム |
-
2019
- 2019-09-24 JP JP2019173269A patent/JP7291347B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002519748A (ja) | 1998-06-22 | 2002-07-02 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 像検索システム |
JP2011523137A (ja) | 2008-06-06 | 2011-08-04 | トムソン ライセンシング | 画像の類似検索システム及び方法 |
WO2014132349A1 (ja) | 2013-02-27 | 2014-09-04 | 株式会社日立製作所 | 画像解析装置、画像解析システム、画像解析方法 |
JP2020074111A (ja) | 2019-12-24 | 2020-05-14 | 楽天株式会社 | 検索システム、検索方法、及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2021051469A (ja) | 2021-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689081B (zh) | 一种基于分歧学习的弱监督目标分类和定位方法 | |
Xian et al. | Latent embeddings for zero-shot classification | |
Gkioxari et al. | Using k-poselets for detecting people and localizing their keypoints | |
Severyn et al. | Automatic feature engineering for answer selection and extraction | |
US7362892B2 (en) | Self-optimizing classifier | |
CN110717534B (zh) | 一种基于网络监督的目标分类和定位方法 | |
CN106446933A (zh) | 基于上下文信息的多目标检测方法 | |
CN109002834A (zh) | 基于多模态表征的细粒度图像分类方法 | |
CN105389583A (zh) | 图像分类器的生成方法、图像分类方法和装置 | |
CN115796181A (zh) | 一种针对化工领域的文本关系抽取方法 | |
CN110225055A (zh) | 一种基于knn半监督学习模型的网络流量异常检测方法与*** | |
Zhang et al. | Generalized weakly supervised object localization | |
CN113779282B (zh) | 基于自注意力和生成对抗网络的细粒度跨媒体检索方法 | |
CN107357765A (zh) | Word文档碎片化方法及装置 | |
CN111930933A (zh) | 一种基于人工智能的检务案件处理方法及装置 | |
Singh et al. | Image Understanding-a Brief Review of Scene Classification and Recognition. | |
Lan et al. | A max-margin riffled independence model for image tag ranking | |
Wang et al. | Improved object categorization and detection using comparative object similarity | |
Deufemia et al. | Petroglyph recognition using self-organizing maps and fuzzy visual language parsing | |
CN113434418A (zh) | 知识驱动的软件缺陷检测与分析方法及*** | |
CN113806493A (zh) | 一种用于互联网文本数据的实体关系联合抽取方法、装置 | |
CN112347252B (zh) | 一种基于cnn文本分类模型的可解释性分析方法 | |
JP7291347B2 (ja) | 図面検索装置、モデル生成装置、図面検索方法、およびモデル生成方法 | |
CN116341521A (zh) | 一种基于文本特征的aigc文章辨识*** | |
JP7219920B2 (ja) | 図面検索装置および図面検索方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220726 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220831 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221202 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221220 |
|
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: 20230509 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230525 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7291347 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |