TaiLexi AI日本の判例・法令
← ホーム
審決特許庁不成立

特許庁審決 令和6年3月5日

不服2023-010598 フィルタ学習装置、フィルタ学習方法、及びプログラム

結論

本件審判の請求は、成り立たない。

続きを見る ↓

この資料について AI に質問

機関
特許庁
年月日
令和6年3月5日 (2024-03-05)
事件番号
不服2023-010598
事件名
フィルタ学習装置、フィルタ学習方法、及びプログラム
種類・結果
審決 不成立
掲載
—
争点・税目
拒絶査定不服審判 / 特許
分野
知的財産

結論

本件審判の請求は、成り立たない。

AI 要約AI

要旨

  • 本件補正は、補正前の請求項1に記載された発明を特定するために必要な事項である「前記フィルタ画像に関する画像解析処理」を「演算パラメータを用いて」実行するものに限定するとともに、「パラメータ更新手段」が更新する対象を「前記フィルタパラメータ」から「前記フィルタパラメータ及び前記演算パラメータ」へと限定するものであり、特許請求の範囲の減縮を目的とするものに該当すると判断された事例。
  • 本件補正発明は、引用文献1に記載された発明と全ての発明特定事項において一致するから、特許出願の際独立して特許を受けることができず、本件補正は却下すべきものとされた事例。
  • 本願発明は、引用文献1に記載された発明であるから、特許法第29条第1項第3号に該当し、他の請求項に係る発明について検討するまでもなく、本願は拒絶されるべきものとされた事例。
事案の概要・争点・判断などを表示

事案の概要

  • 本願は、2019年(平成31)2月6日を国際出願日とするフィルタ学習装置、フィルタ学習方法、及びプログラムに関する特許出願である。
  • 令和5年3月24日付けで拒絶査定がされ、同年6月27日に審判請求書及び手続補正書が提出された。
  • 原査定の拒絶の理由は、本願発明が引用文献1に記載された発明であるから特許法第29条第1項第3号に該当し(理由1)、また同条第2項により特許を受けることができない(理由2)というものである。
  • 本件補正は、本件補正前の請求項1を本件補正後の請求項1とする補正事項を含むものであり、本件補正後の請求項1に記載される発明が特許出願の際独立して特許を受けることができるものであるかが検討された。

争点

  • 本件補正は、特許請求の範囲の減縮を目的とするものに該当するか否か。
  • 本件補正発明は、特許出願の際独立して特許を受けることができるものであるか否か。
  • 本願発明は、特許法第29条第1項第3号に該当し、特許を受けることができないものであるか否か。

判断

  • 本件補正は、本件補正前の請求項1に記載された発明を特定するために必要な事項である「前記フィルタ画像に関する画像解析処理」を「演算パラメータを用いて」実行するものに限定するとともに、「パラメータ更新手段」が更新する対象を「前記フィルタパラメータ」から「前記フィルタパラメータ及び前記演算パラメータ」へと限定するものであって、本件補正前の請求項1に記載された発明と本件補正後の請求項1に記載される発明の産業上の利用分野及び解決しようとする課題が同一であるから、特許法第17条の2第5項第2号の特許請求の範囲の減縮を目的とするものに該当する。
  • 本件補正発明と引用発明は、全ての発明特定事項において一致するから、本件補正発明は、引用文献1に記載された発明であり、特許法第29条第1項第3号に該当するから、特許出願の際独立して特許を受けることができない。よって、本件補正は、特許法第17条の2第6項において準用する同法第126条第7項の規定に違反するので、同法第159条第1項において読み替えて準用する同法第53条第1項の規定により却下すべきものである。
  • 本願発明は、本件補正発明から、「前記フィルタ画像に関する画像解析処理」について「演算パラメータを用いて」実行するとの限定事項を削除し、かつ、「パラメータ更新手段」が更新する対象について「前記演算パラメータ」を含める限定事項を削除したものである。本件補正発明と全ての発明特定事項において一致する引用発明は、上記限定事項を削除した本願発明とも全ての発明特定事項において一致するから、本願発明は、引用文献1に記載された発明である。よって、本願発明は、特許法第29条第1項第3号に該当し、特許を受けることができないから、他の請求項に係る発明について検討するまでもなく、本願は拒絶されるべきものである。

結論

  • 本件審判の請求は、成り立たない。

AI が本文から作成した要約です。引用の際は本文をご確認ください。

当事者

請求人 日本電気株式会社(代理人 弁理士1名)

審判番号 不服2023-010598

請求人 日本電気株式会社(代理人 弁理士1名)

特願2020-570253「フィルタ学習装置、フィルタ学習方法、及びプログラム」拒絶査定不服審判事件〔令和2年8月13日国際公開、WO2020/161812〕について、次のとおり審決する。

結 論

本件審判の請求は、成り立たない。

理 由

第1 手続の経緯

本願は、2019年(平成31)年2月6日を国際出願日とする出願であって、その手続の経緯は次のとおりである。

令和3年7月28日  :手続補正書の提出

令和4年9月26日付け:拒絶理由通知書

同年11月25日  :意見書、手続補正書の提出

令和5年3月24日付け:拒絶査定

同年6月27日  :審判請求書、手続補正書の提出

第2 令和5年6月27日にされた手続補正についての補正の却下の決定

[補正の却下の決定の結論]

令和5年6月27日にされた手続補正を却下する。

[理由]

1 本件補正の内容

令和5年6月27日にされた手続補正(以下「本件補正」という。)は、令和4年11月25日にされた手続補正により補正された特許請求の範囲の請求項1~10を、本件補正による特許請求の範囲の請求項1~10に補正するものであり、本件補正は、本件補正前の請求項1を本件補正後の請求項1とする補正事項を含むものである。

なお、下線は補正箇所を示す。

〔本件補正前の請求項1〕

フィルタパラメータに応じて決定される第1のフィルタ条件であって、特定の波長の光を透過させる前記第1のフィルタ条件を用いて学習用画像からフィルタ画像を抽出する光学フィルタ手段と、

前記フィルタ画像に関する画像解析処理を実行した結果を用いて前記フィルタパラメータを更新するパラメータ更新手段と、

更新された前記フィルタパラメータに応じて決定される第2のフィルタ条件であって、特定の波長の光を透過させる前記第2のフィルタ条件を満たす物理光学フィルタを用いて入力画像のセンシングを行うセンシング手段と、を備えるフィルタ学習装置。

〔本件補正後の請求項1〕

フィルタパラメータに応じて決定される第1のフィルタ条件であって、特定の波長の光を透過させる前記第1のフィルタ条件を用いて学習用画像からフィルタ画像を抽出する光学フィルタ手段と、

演算パラメータを用いて前記フィルタ画像に関する画像解析処理を実行した結果を用いて前記フィルタパラメータ及び前記演算パラメータを更新するパラメータ更新手段と、

更新された前記フィルタパラメータに応じて決定される第2のフィルタ条件であって、特定の波長の光を透過させる前記第2のフィルタ条件を満たす物理光学フィルタを用いて入力画像のセンシングを行うセンシング手段と、を備えるフィルタ学習装置。

2 補正の適否

本件補正は、本件補正前の請求項1に記載された発明を特定するために必要な事項である「前記フィルタ画像に関する画像解析処理」を「演算パラメータを用いて」実行するものに限定するとともに、「パラメータ更新手段」が更新する対象を「前記フィルタパラメータ」から「前記フィルタパラメータ及び前記演算パラメータ」へと限定するものであって、本件補正前の請求項1に記載された発明と本件補正後の請求項1に記載される発明の産業上の利用分野及び解決しようとする課題が同一であるから、特許法第17条の2第5項第2号の特許請求の範囲の減縮を目的とするものに該当する。

そこで、本件補正後の請求項1に記載される発明(以下「本件補正発明」という。)が同条第6項において準用する同法第126条第7項の規定に適合するか(特許出願の際独立して特許を受けることができるものであるか)について、以下検討する。

(1)本件補正発明

本件補正発明は、上記1の〔本件補正後の請求項1〕に記載したとおりのものである。

(2)引用発明

ア 引用文献1の記載事項

原査定の拒絶の理由で引用文献1として引用された本願の国際出願日前に頒布された又は電気通信回線を通じて公衆に利用可能となった引用文献である

Shijie Nie et al.、"Deeply Learned Filter Response Functions for Hyperspectral Reconstruction"、2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition、2018年、pp.4767-4776、<https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8578599>

には、図面とともに次の記載がある。(なお、図面は文字潰れを防ぐため横向きに記載している。)

なお、各記載の末尾に仮訳を付した。また、下線は強調のために当審において付されたものである。

「

〔図省略〕

Figure 1. Our proposed design-realization-application framework for data-inspired spectral imaging hardware. The design stage (marked in blue arrow) is data-driven. It includes an end-to-end network to simultaneously learn the filter response and the spectral reconstruction mapping. The learned spectral response function on CAVE dataset is also shown. In the realization stage (marked in red arrow), the learned response functions are realized by using film filter production technologies, and a data-inspired multispectral camera is constructed. In the online application stage, the captured multispectral image is imported into the already trained spectral reconstruction network to generate hyperspectral images. This framework is illustrated using the multi-chip setup with three channels.」(4768頁上部)

(仮訳:図1.データを受けたスペクトルイメージングハードウェアのための、我々の提案する設計-実現-適用のフレームワーク。設計段階(青矢印(当審注:図1における青矢印は、実線の矢印))はデータ駆動型である。これには、フィルタ応答とスペクトル再構成マッピングを同時に学習するエンドツーエンドネットワークが含まれる。CAVEデータセットで学習されたスペクトル応答関数も示されている。実現段階(赤矢印(当審注:図1における赤矢印は、点線の矢印))では、学習した応答関数をフィルムフィルタの製造技術を用いて実現し、データに基づくマルチスペクトルカメラを構築する。オンライン適用段階では、撮影されたマルチスペクトル画像を学習済みのスペクトル再構成ネットワークに取り込み、ハイパースペクトル画像を生成する。このフレームワークが3チャンネルのマルチチップセットアップを用いて説明されている。)

「4. Filter Design and Spectral Reconstruction

In this section, the details on the end-to-end network for simultaneous filter response design and spectral reconstruction will be given. We will start with the spectral reconstruction network, and later append a special convolution layer onto it to learn the filter response functions as well.

4.1. Spectral Reconstruction Network

Noted that arbitrary end-to-end network could be used for our spectral reconstruction. Here, for the sake of generality, we construct a spectral reconstruction network by adapting the well-known U-net [29] architecture, which has been widely used for image-to-image translation applications, such as pix2pix [16], CycGAN, Semantic Segmentation [31] and hyperspectral reconstruction [3].

:

Compared to a standard U-net, we modify the last layer of the U-net from 3 channels to 31 channels, and change the loss function from cross-entropy to Mean Squared Error (MSE).

4.2. Filter Spectral Response Design

As shown in Fig. 1, one key novelty of this paper is in drawing the connection between camera color imaging formulation and a convolutional layer. This allows us to optimize the spectral imaging parameters by using existing network training algorithms and tools. For simplicity, we will assume that the CCD/CMOS sensor has an ideal flat response temporarily, and will address this factor when constructing a real system.

Given the spectral radiance L(x, y, λ) at position (x, y), the recorded intensity by a linear sensor coupled with a color filter is given by

〔図省略〕

where λ is the wavelength and Sc(λ) is the spectral response function of the color filter. In most commercial cameras, there are red-green-blue trichromatic filters, i.e. c ∈ {R,G,B}, so as to mimic the human color perception.

In practice, the above equation could be discretely approximated as

〔図省略〕

where the filter response is in the form of a vector Sc = [Sc(λ1), Sc(λ2),・・・, Sc(λN)] at sampled wavelengths, and N is number of spectral channels.

An interesting observation is that Eq. 2 is identical to the convolution operation of a 1x1 convolution kernel in forward propagation. By regarding the filter spectral response function Sc as the weight of 1x1 convolution kernel, as shown in Fig. 2, the intensity Ic(x, y) could be interpreted as the output activation map of a convolution, which is actually the dot product between entries of the convolution kernel (color filter) and input (incident light) L(x, y).

With this observation, as shown in Fig. 1, we now add a 1x1 convolution layer with three convolution kernels, which act like the three color filters in a three-channel camera. With the appended layer, we train this end-to-end network with the N-channel hyperspectral images as input. With this strategy, we can obtain the optimized spectral responses from the learned weight of the 1x1 convolution kernel.」(4769頁右欄32行~4771頁右欄29行)

(仮訳:4.フィルタ設計とスペクトル再構成

この節では、フィルタ応答設計とスペクトル再構成を同時に行うためのエンドツーエンドのネットワークの詳細を述べる。まずスペクトル再構成ネットワークから始め、後に特殊な畳み込み層を追加し、フィルタ応答関数も学習する。

4.1.スペクトル再構成ネットワーク

我々のスペクトル再構成には、任意のエンドツーエンドネットワークを用いることができる。ここでは、一般性のために、pix2pix[16]、CycGAN、Semantic Segmentation[31]、ハイパースペクトル再構成[3]などの画像間変換アプリケーションに広く使用されている、よく知られたU-net[29]アーキテクチャを適応することによって、スペクトル再構成ネットワークを構築する。

:

標準的なU-netと比較して、U-netの最後の層を3チャンネルから31チャンネルに変更し、損失関数をクロスエントロピーから平均二乗誤差(MSE)に変更する。

4.2.フィルタースペクトル応答設計

図1に示すように、本論文の重要な新規性の一つは、カメラカラーイメージング形成と畳み込み層の間の関連性を引き出すことにある。これにより、既存のネットワーク学習アルゴリズムとツールを使用して、スペクトル画像パラメータを最適化することができる。簡単のため、CCD/CMOSセンサーが一時的に理想的なフラットレスポンスを持つと仮定し、実際のシステムを構築する際にこの要因に対処する。

位置(x、y)にスペクトル放射輝度L(x,y,λ)が与えられると、カラーフィルタと結合したリニアセンサによって記録された強度は次式で与えられる。

〔図省略〕

ここで、λは波長であり、Sc(λ)はカラーフィルタのスペクトル応答関数である。ほとんどの市販カメラでは、人間の色知覚を模倣するために、赤緑青の三色フィルタ、すなわちc∈{R,G,B}がある。

実際には、上式は次のように離散的に近似できる。

〔図省略〕

ここで、フィルタ応答はサンプリングされた波長におけるベクトルS=[Sc(λ1),Sc(λ2),・・・,Sc(λN),]の形であり、Nはスペクトルチャンネル数である。

興味深いのは、式2が順伝播における1×1畳み込みカーネルの畳み込み演算と同じということである。図2に示すように、フィルタのスペクトル応答関数Scを1×1畳み込みカーネルの重みとみなすことで、強度Ic(x,y)は畳み込みの出力活性化マップと解釈することができ、これは実際には畳み込みカーネル(カラーフィルタ)のエントリと入力(入射光)L(x,y)との間の点積である。

この解釈に基づき、図1に示すように、3つの畳み込みカーネルを持つ1×1畳み込み層を追加する。これは3チャンネルカメラにおける3つのカラーフィルタのように機能する。この追加された層を一緒にして、nチャンネルのハイパースペクトル画像を入力としてこのエンドツーエンドネットワークを訓練する。この戦略により、学習された1×1畳み込みカーネルの重みから最適化されたスペクトル応答を得ることができる。)

イ 引用文献1に記載された技術事項

(ア)図1の説明によれば、フィルムフィルタの製造技術を用いてマルチスペクトルカメラが構築される。また、4.2における「the recorded intensity by a linear sensor coupled with a color filter」(カラーフィルタと結合したリニアセンサによって記録された強度)との記載によれば、カラーフィルタと結合したリニアセンサにより記録がなされるものとされている。以上の事項を考慮すれば、図1におけるHardware Implementation(ハードウェア実装)の部分から、Real World Scenario(風景)をフィルムフィルタと結合したリニアセンサを含むマルチスペクトルカメラにより撮影する構成が看取される。

(イ)4の「まずスペクトル再構成ネットワークから始め、後に特殊な畳み込み層を追加し、フィルタ応答関数も学習する。」との記載における、再構成ネットワークに追加される「特殊な畳み込み層」とは、上記4に従属する4.2において「追加された層」とされている「3つの畳み込みカーネルを持つ1×1畳み込み層」のことである。

(ウ)4.1の記載によれば、スペクトル再構成ネットワークは、標準的なU-netと比較して、U-netの損失関数をクロスエントロピーから平均二乗誤差(MSE)に変更するものであるから、平均二乗誤差を損失関数とするU-netアーキテクチャを適応したものである。

(エ)4.2の記載によれば、強度Ic(x,y)とは、カラーフィルタと結合したリニアセンサによって記録された強度のことである。

ウ 引用発明

上記アの記載事項及びイの技術事項から、引用文献1には次の発明(以下「引用発明」という。)が記載されているといえる。

〔引用発明〕

設計段階には、フィルタ応答とスペクトル再構成マッピングを同時に学習するエンドツーエンドネットワークが含まれ、実現段階では、学習した応答関数をフィルムフィルタの製造技術を用いて実現し、データに基づくマルチスペクトルカメラを構築し、オンライン適用段階では、フィルムフィルタと結合したリニアセンサを含むマルチスペクトルカメラにより撮影されたマルチスペクトル画像を学習済みのスペクトル再構成ネットワークに取り込み、ハイパースペクトル画像を生成するフレームワークであって、

エンドツーエンドのネットワークの詳細は、スペクトル再構成ネットワークに3つの畳み込みカーネルを持つ1×1畳み込み層を追加し、フィルタ応答関数も学習するものであり、

スペクトル再構成ネットワークは、平均二乗誤差を損失関数とするU-netアーキテクチャを適応したものであり、

フィルタのスペクトル応答関数を1×1畳み込みカーネルの重みとみなすことで、カラーフィルタと結合したリニアセンサによって記録された強度Ic(x,y)は畳み込みの出力活性化マップと解釈することができ、この解釈に基づき、3つの畳み込みカーネルを持つ1×1畳み込み層を追加し、これは3チャンネルカメラにおける3つのカラーフィルタのように機能するものであり、この追加された層を一緒にして、nチャンネルのハイパースペクトル画像を入力としてこのエンドツーエンドネットワークを訓練することにより,学習された1×1畳み込みカーネルの重みから最適化されたスペクトル応答を得ることができる

フレームワーク。

(3)本件補正発明と引用発明の対比

本件補正発明と引用発明を対比する。

引用発明の「nチャンネルのハイパースペクトル画像」は、エンドツーエンドネットワークを訓練するための入力であるから、本件補正発明の「学習用画像」に相当する。

引用発明は、フィルタのスペクトル応答関数を1×1畳み込みカーネルの重みとみなすことで、カラーフィルタと結合したリニアセンサによって記録された強度Ic(x,y)は畳み込みの出力活性化マップと解釈することができ、この解釈に基づき、3つの畳み込みカーネルを持つ1×1畳み込み層を追加するものである。そして、当該畳み込み層が、3チャンネルカメラにおける3つのカラーフィルタ、すなわち特定の波長の光を透過させるフィルタのように機能するものであるから、当該畳み込み層によって機能するカラーフィルタの特性は、「特定の波長の光を透過させる第1のフィルタ条件」といえるものである。また、当該カラーフィルタの特性(特定の波長の光を透過させる第1のフィルタ条件)は、1×1畳み込みカーネルの重みに基づき特定されるものであるから、当該「1×1畳み込みカーネルの重み」は、第1のフィルタ条件を決定する「フィルタパラメータ」といえるものである。そうすると、引用発明の「1×1畳み込みカーネルの重み」、及び、当該1×1畳み込みカーネルの重みに基づき特定されるカラーフィルタの特性は、本件補正発明の「フィルタパラメータ」及び「フィルタパラメータに応じて決定される第1のフィルタ条件であって、特定の波長の光を透過させる第1のフィルタ条件」にそれぞれ相当する。

引用発明は、スペクトル再構成ネットワークに3つの畳み込みカーネルを持つ1×1畳み込み層を追加し、この追加された層を一緒にして、nチャンネルのハイパースペクトル画像(学習用画像)を入力としてこのエンドツーエンドネットワークを訓練するものである。ここで、前記3つの畳み込みカーネルを持つ1×1畳み込み層は、3チャンネルカメラにおける3つのカラーフィルタのように機能するものであるから、当該カラーフィルタの特性(フィルタパラメータに応じて決定される第1のフィルタ条件であって、特定の波長の光を透過させる第1のフィルタ条件)が用いられた光学フィルタ手段といえるものである。そして、前記3つの畳み込みカーネルを持つ1×1畳み込み層(光学フィルタ手段)において、入力された前記nチャンネルのハイパースペクトル画像(学習用画像)に対するフィルタ処理を行うことは、フィルタ画像を抽出することといえる。そうすると、前記3つの畳み込みカーネル(上記重み(フィルタパラメータ)を含むもの)を持つ1×1畳み込み層(光学フィルタ手段)は、本件補正発明の「フィルタパラメータに応じて決定される第1のフィルタ条件であって、特定の波長の光を透過させる前記第1のフィルタ条件を用いて学習用画像からフィルタ画像を抽出する光学フィルタ手段」に相当する。

引用発明は、スペクトル再構成ネットワークに3つの畳み込みカーネルを持つ1×1畳み込み層を追加し、この追加された層を一緒にして、nチャンネルのハイパースペクトル画像(学習用画像)を入力としてこのエンドツーエンドネットワークを訓練するものであり、当該3つの畳み込みカーネルを持つ1×1畳み込み層(フィルタパラメータに応じて決定される第1のフィルタ条件であって、特定の波長の光を透過させる前記第1のフィルタ条件を用いて学習用画像からフィルタ画像を抽出する光学フィルタ手段)からの出力(フィルタ画像)に対して、スペクトル再構成ネットワークを介してスペクトルを再構成する処理を行うものである。当該出力(フィルタ画像)に対してスペクトルを再構成する処理は、画像解析処理といえるものである。また、当該スペクトル再構成ネットワークは、畳み込み処理の構成を備えたU-netアーキテクチャを適応したものであり、畳み込み処理におけるカーネルの重み等のパラメータを備えていることは当業者において明らかであるから、当該「スペクトル再構成ネットワーク」内に備わる畳み込み処理におけるカーネルの重み等のパラメータ、及び「スペクトル再構成」は、本件補正発明の「演算パラメータ」、及び「演算パラメータを用いて」「実行」される「前記フィルタ画像に関する画像解析処理」にそれぞれ相当する。

引用発明のスペクトル再構成(画像解析処理)ネットワークは、平均二乗誤差を(当該ネットワークの訓練における)損失関数とするU-netアーキテクチャを適応したものであり、ここでいう誤差とはネットワークの出力と正解との差であるから、引用発明は、当該ネットワークの訓練において、スペクトル再構成(画像解析処理)ネットワークの出力を用いて当該ネットワーク内に備わるパラメータ(演算パラメータ)を更新するものである。ここで、当該スペクトル再構成(画像解析処理)ネットワークの出力は、本件補正発明の「演算パラメータを用いて前記フィルタ画像に関する画像解析処理を実行した結果」に相当する。

そして、引用発明は、スペクトル再構成ネットワークに3つの畳み込みカーネルを持つ1×1畳み込み層を追加して一緒にしたエンドツーエンドネットワークを訓練するものであり、上記重み(フィルタパラメータ)と上記スペクトル再構成(画像解析処理)ネットワーク内に備わるパラメータ(演算パラメータ)をエンドツーエンドで(すなわち、入出力間に存在する全てのネットワークについて)学習するものであるから、本件補正発明の「演算パラメータを用いて前記フィルタ画像に関する画像解析処理を実行した結果を用いて前記フィルタパラメータ及び前記演算パラメータを更新するパラメータ更新手段」に相当する構成を備えるものである。

引用発明は、上記エンドツーエンドネットワークを訓練することにより、学習された1×1畳み込みカーネルの重みから最適化されたスペクトル応答を得ることができ、学習した応答関数をフィルムフィルタの製造技術を用いて実現するものである。また、3つの畳み込みカーネル(上記重み(フィルタパラメータ)を含むもの)を持つ1×1畳み込み層が、3チャンネルカメラにおける3つのカラーフィルタ、すなわち特定の波長の光を透過させるフィルタのように機能するものであるから、当該学習された1×1畳み込みカーネルの重み(フィルタパラメータ)から得られる最適化されたスペクトル応答は、「更新された前記フィルタパラメータに応じて決定される第2のフィルタ条件であって、特定の波長の光を透過させる前記第2のフィルタ条件」といえるものである。そして、上記学習した応答関数は、最適化されたスペクトル応答(更新された前記フィルタパラメータに応じて決定される第2のフィルタ条件であって、特定の波長の光を透過させる前記第2のフィルタ条件)を特定するものであるから、当該学習した応答関数に基づき実現される「フィルムフィルタ」は、本件補正発明の「更新された前記フィルタパラメータに応じて決定される第2のフィルタ条件であって、特定の波長の光を透過させる前記第2のフィルタ条件を満たす物理光学フィルタ」に相当するといえる。

そして、引用発明の「マルチスペクトルカメラ」は、フィルムフィルタ(更新された前記フィルタパラメータに応じて決定される第2のフィルタ条件であって、特定の波長の光を透過させる前記第2のフィルタ条件を満たす物理光学フィルタ)と結合したリニアセンサを含み、マルチスペクトル画像を撮影するものであるから、本件補正発明の「更新された前記フィルタパラメータに応じて決定される第2のフィルタ条件であって、特定の波長の光を透過させる前記第2のフィルタ条件を満たす物理光学フィルタを用いて入力画像のセンシングを行うセンシング手段」に相当する。

そして、引用発明のフレームワークに係る装置は、本件補正発明の構成に相当するものを全て備えており、本件補正発明の「フィルタ学習装置」に相当するものといえる。

以上から、本件補正発明と引用発明は、全ての発明特定事項において一致するから、本件補正発明は、引用文献1に記載された発明である。

(4)小括

以上のとおり、本件補正発明は、引用文献1に記載された発明であり、特許法第29条第1項第3号に該当するから、特許出願の際独立して特許を受けることができないものである。

3 本件補正についてのむすび

よって、本件補正は、特許法第17条の2第6項において準用する同法第126条第7項の規定に違反するので、同法第159条第1項において読み替えて準用する同法第53条第1項の規定により却下すべきものである。

第3 本願発明について

1 本願発明

令和5年6月27日にされた手続補正は上記のとおり却下されたので、本願の請求項1~10に係る発明は、令和4年11月25日にされた手続補正により補正された特許請求の範囲の請求項1~10に記載された事項により特定されるものであるところ、その請求項1に係る発明(以下「本願発明」という。)は、その請求項1に記載された事項により特定される、上記第2の[理由]1に示した〔本件補正前の請求項1〕に記載のとおりのものである。

2 原査定の拒絶の理由

本願発明に対する原査定の拒絶の理由は、概略、次のとおりである。

理由1(新規性)この出願の請求項1に係る発明は、その出願前に日本国内又は外国において、頒布された上記引用文献1の刊行物に記載された発明又は電気通信回線を通じて公衆に利用可能となった発明であるから、特許法第29条第1項第3号に該当し、特許を受けることができない。

理由2(進歩性)この出願の請求項1に係る発明は、その出願前に日本国内又は外国において、頒布された上記引用文献1の刊行物に記載された発明又は電気通信回線を通じて公衆に利用可能となった発明に基いて、その出願前にその発明の属する技術の分野における通常の知識を有する者が容易に発明をすることができたものであるから、特許法第29条第2項の規定により特許を受けることができない。

3 引用文献

原査定の拒絶の理由で引用された上記引用文献1の記載事項及び引用発明は、上記第2の[理由]2(2)に記載したとおりである。

4 対比・判断

本願発明は、上記第2の[理由]2で検討した本件補正発明から、「前記フィルタ画像に関する画像解析処理」について「演算パラメータを用いて」実行するとの限定事項を削除し、かつ、「パラメータ更新手段」が更新する対象について「前記演算パラメータ」を含める限定事項を削除したものである。

そうすると、本件補正発明と全ての発明特定事項において一致する引用発明は、上記限定事項を削除した本願発明とも全ての発明特定事項において一致するから、本願発明は、上記引用文献1に記載された発明である。

第4 むすび

以上のとおり、本願発明は、特許法第29条第1項第3号に該当し、特許を受けることができないから、他の請求項に係る発明について検討するまでもなく、本願は拒絶されるべきものである。

よって、結論のとおり審決する。

令和6年3月5日

審判長 特許庁審判官 五十嵐 努

特許庁審判官 樫本 剛

特許庁審判官 川崎 優

(行政事件訴訟法第46条に基づく教示)                この審決に対する訴えは、この審決の謄本の送達があった日から30日(附加期間がある場合は、その日数を附加します。)以内に、特許庁長官を被告として、提起することができます。

出典:特許庁「審決公報」(令和6年5月31日発行・号数2024-005、公報発行サイト https://www.gazette.jpo.go.jp/scciidl010 )を加工して作成(加工:TaiLexi AI)
本文は公表資料(PDF 等)から機械的に抽出・整形したもので、改行や記号に誤りを含むことがあります。正確な文言は原本でご確認ください。