CN108846441A - 一种图像相似检测方法和装置、计算机可读存储介质 - Google Patents
一种图像相似检测方法和装置、计算机可读存储介质 Download PDFInfo
- Publication number
- CN108846441A CN108846441A CN201810644590.XA CN201810644590A CN108846441A CN 108846441 A CN108846441 A CN 108846441A CN 201810644590 A CN201810644590 A CN 201810644590A CN 108846441 A CN108846441 A CN 108846441A
- Authority
- CN
- China
- Prior art keywords
- image
- newly
- increased
- feature
- library
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种图像相似检测方法和装置、计算机可读存储介质,所述方法包括:当任一图像库出现新增图像时,对新增图像进行预处理,提取预处理后的新增图像的特征向量,并对提取的特征向量进行降维处理,将降维处理后的特征向量存储至所述新增图像所属的图像库对应的特征库;将每个特征库新增的特征向量与除该特征库之外的特征库的全部特征向量进行相似指数计算,如果计算出的相似指数大于预设的相似指数阈值,则进行预警提示。本申请通过提取新增图像的特征向量,并对新增的特征向量进行相似指数计算,解决了传统的识别方法繁琐且低效的问题,极大程度地实现了自动化识别相似商标图像的功能,从而给使用者带来了很大的方便。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像相似检测方法和装置、计算机可读存储介质。
背景技术
商标对于企业的声誉和利益密切相关,如果企业遇到商标侵权事件,对企业来说不但声誉受损,而且利益也会遭遇重大损害,对企业今后的运发展也会造成诸多麻烦,因此,大多数公司都会密切关注市面上是否有其他公司侵犯自己的商标权,其中一个方面是检查是否有其它公司使用与本公司商标相似的商标图像。
针对这一问题,目前大多采用的是:传统的基于商标图形编码的方法进行相似检索或是人工检视判别的方法。这些方法都需要消耗极大的人力和时间,因此,通常会因为效率低下,不能及时发现商标相似风险,给公司造成损失。
发明内容
为了解决上述技术问题,本发明提供了一种图像相似检测方法和装置、计算机可读存储介质,能够自动化地识别相似图像。
为了达到本发明目的,本发明实施例的技术方案是这样实现的:
本发明实施例提供了一种图像相似检测方法,包括:
当任一图像库出现新增图像时,对新增图像进行预处理,提取预处理后的新增图像的特征向量,并对提取的特征向量进行降维处理,将降维处理后的特征向量存储至所述新增图像所属的图像库对应的特征库;
将每个特征库新增的特征向量与除该特征库之外的特征库的全部特征向量进行相似指数计算,如果计算出的相似指数大于预设的相似指数阈值,则进行预警提示。
进一步地,所述图像库包括第一图像库和第二图像库,其中,第一图像库存储关注的图像;所述第二图像库存储从互联网获取的用于与关注的图像进行比对的图像。
进一步地,在所述对新增图像进行预处理的步骤之前,所述方法还包括:
去除所述新增图像的外围的白边。
进一步地,所述对新增图像进行预处理,包括:
对去除白边后的所述新增图像进行尺寸重塑;
并对尺寸重塑后的所述新增图像进行去均值处理。
进一步地,所述提取预处理后的新增图像的特征向量,包括:
通过卷积神经网络第一个全连接层的输出,提取所述预处理后的新增图像的特征向量。
进一步地,所述相似指数为余弦相似度的绝对值。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如以上任一项所述的图像相似检测方法的步骤。
本发明实施例还提供了一种图像相似检测装置,包括处理器及存储器,其中:
所述处理器用于执行存储器中存储的图像相似检测程序,以实现如以上任一项所述的图像相似检测方法的步骤。
本发明实施例还提供了一种图像相似检测装置,包括图像处理模块和相似检测模块,其中:
图像处理模块,用于当任一图像库出现新增图像时,对新增图像进行预处理,提取预处理后的新增图像的特征向量,并对提取的特征向量进行降维处理,将降维处理后的特征向量存储至所述新增图像所属的图像库对应的特征库;
相似检测模块,用于将每个特征库新增的特征向量与除该特征库之外的特征库的全部特征向量进行相似指数计算,如果计算出的相似指数大于预设的相似指数阈值,则进行预警提示。
进一步地,所述图像库包括第一图像库和第二图像库,其中,第一图像库存储关注的图像;所述第二图像库存储从互联网获取的用于与关注的图像进行比对的图像。
本发明的技术方案,具有如下有益效果:
本发明提供的图像相似检测方法和装置、计算机可读存储介质,通过提取新增图像的特征向量,并对新增的特征向量进行相似指数计算,解决了传统的识别方法繁琐且低效的问题,极大程度地实现了自动化识别相似商标图像的功能,从而给使用者带来了很大的方便。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例的一种图像相似检测方法的流程示意图;
图2为本发明实施例的一种比对商标库存储结构示意图;
图3为本发明实施例的一种关注商标库存储结构示意图;
图4为本发明实施例使用的一种VGG16卷积神经网络模型结构示意图;
图5为本发明实施例的一种图像处理过程示意图;
图6为本发明实施例的一种图像相似检测过程示意图;
图7为本发明实施例的一种图像相似检测装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下文中将结合附图对本发明的实施例进行详细说明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
如图1所示,根据本发明的一种图像相似检测方法,包括如下步骤:
步骤101:当任一图像库出现新增图像时,对新增图像进行预处理,提取预处理后的新增图像的特征向量,并对提取的特征向量进行降维处理,将降维处理后的特征向量存储至所述新增图像所属的图像库对应的特征库;
本发明实施例中,所述图像库包括第一图像库和第二图像库,其中,第一图像库存储关注的图像;所述第二图像库存储从互联网获取的用于与关注的图像进行比对的图像。
进一步地,所述图像为商标图像。
需要说明的是,关注的商标图像,即公司自有的商标图像,需要对其进行相似检测以防止被侵犯商标权。这部分图像及其相关信息数据由系统的使用者将其导入关注商标库(即第一图像库)。
比对的商标图像,指的是另外一方企业或单位使用的商标图像,本发明从这些比对的商标数据中识别出与关注的商标图像相似程度超过给定阈值的商标信息。所述比对的商标数据存储于比对商标库(即第二图像库)。比对商标信息数据主要通过爬虫获取,主要是获取工商局定期发布的新商标申请公告,并以互联网上的其他商标数据作为辅助。
如图2和图3所示,在存储关注的商标图像或用于与关注的商标图像进行比对的商标图像时,还需要存储尽可能全面的商标相关信息,包括但不限于商标申请主体、申请日期、代理机构、商标图像信息等。
本发明实施例中,在所述对新增图像进行预处理的步骤之前,所述方法还包括:
去除所述新增图像的外围的白边。
通过去除所述新增图像的外围的白边,可以使得商标图像的主体居中,图像布局一致,并排除白边不一致带来的多余干扰信息。
本发明实施例中,所述对新增图像进行预处理,包括:
对去除白边后的所述新增图像进行尺寸重塑;
并对尺寸重塑后的所述新增图像进行去均值处理。
具体地,首先将去除白边后的新增图像尺寸重塑造到卷积神经网络要求的尺寸(对于VGG16卷积神经网络,每幅图像要求的尺寸为224*224*3个像素,即将新增图像重塑为(1,224,224,3))。商标图像是含RGB三个颜色通道的图像,将商标图像减去所有图像RGB三个颜色通道的均值构成的向量[Rmean,Gmean,Bmean],得到商标图像的预处理图像。
本发明实施例中,所述提取预处理后的新增图像的特征向量,具体为:
通过卷积神经网络第一个全连接层的输出,提取所述预处理后的新增图像的特征向量。
具体地,如图4所示,根据VGG16卷积神经网络模型的结构,搭建神经网络模型,去掉完整VGG16模型的最后两个全连接层和Softmax层(Softmax是神经网络中一种输出层函数,用于计算输出层的值;Softmax层为神经网络最后一层,作为输出层进行多分类)。加载以ImageNet数据集训练的模型权重作为VGG16卷积神经网络模型的权重(ImageNet为一个计算机视觉系统识别项目名称,它实际上就是一个巨大的可供图像/视觉训练的图片库)。取完整VGG16的第一个全连接层的输出作为所述新增图像的全特征向量,维度为4096。
所述新增图像的全特征向量维度达到4096维度巨大,不利于大规模计算,使用主成分分析法(Principal Component Analysis,PCA)将图像特征维度降到128维。完整的图像处理过程如图5所示,对新增图像进行去白边及预处理之后,使用VGGG16深度卷积神经网络结构,将经过预处理的图像作为输入,取该卷积神经网络的第一个全连接层的输出向量,其维度是1*4096,并对该向量进行降维得到维度为128的向量作为图像的特征向量。
步骤102:将每个特征库新增的特征向量与除该特征库之外的特征库的全部特征向量进行相似指数计算,如果计算出的相似指数大于预设的相似指数阈值,则进行预警提示。
具体地,如图6所示,将提取的关注商标图像和/或比对商标图像的图像特征保存到相应的特征库。当检测到任一特征库出现增量数据时,将该特征库的增量数据与除该特征库之外的其它特征库的全部特征向量进行相似指数计算,并将相似指数与预先设置的相似指数阈值进行比较。一旦发现相似指数大于预先设置的相似指数阈值的图像,即将此图像及其对应的商标信息如商标注册人、注册日期、代理机构、地址等一并发送到预警推送队列。
相似指数采用的是余弦相似度的绝对值,相似指数最大值为1,此时图像完全相似,相似指数最小值为0,此时图像差异很大。相似指数阈值通常设置为0.75到0.85之间,保障了预警能覆盖绝大部分的相似图像对的信息并避免大量不相似的信息的误推送。
通常采用邮件预警推送和/或短信预警推送的方法进行预警提示。本发明根据用户的习惯,可以推送相似指数超过预设的相似指数阈值的商标图像信息,也可以推送相似指数超过预设的相似指数阈值的商标图像中最相似的前n个商标图像信息,其中,n为自然数。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如以上任一项所述的图像相似检测方法的步骤。
本发明实施例还提供了一种图像相似检测装置,包括处理器及存储器,其中:
所述处理器用于执行存储器中存储的图像相似检测程序,以实现如以上任一项所述的图像相似检测方法的步骤。
如图7所示,本发明实施例还提供了一种图像相似检测装置,包括图像处理模块701和相似检测模块702,其中:
图像处理模块701,用于当任一图像库出现新增图像时,对新增图像进行预处理,提取预处理后的新增图像的特征向量,并对提取的特征向量进行降维处理,将降维处理后的特征向量存储至所述新增图像所属的图像库对应的特征库;
相似检测模块702,用于将每个特征库新增的特征向量与除该特征库之外的特征库的全部特征向量进行相似指数计算,如果计算出的相似指数大于预设的相似指数阈值,则进行预警提示。
本发明实施例中,所述图像库包括第一图像库和第二图像库,其中,第一图像库存储关注的图像;所述第二图像库存储从互联网获取的用于与关注的图像进行比对的图像。
进一步地,所述图像为商标图像。
需要说明的是,关注的商标图像,即公司自有的商标图像,需要对其进行相似检测以防止被侵犯商标权。这部分图像及其相关信息数据由系统的使用者将其导入关注商标库(即第一图像库)。
比对的商标图像,指的是另外一方企业或单位使用的商标图像,本发明从这些比对的商标数据中识别出与关注的商标图像相似程度超过给定阈值的商标信息。所述比对的商标数据存储于比对商标库(即第二图像库)。比对商标信息数据主要通过爬虫获取,主要是获取工商局定期发布的新商标申请公告,并以互联网上的其他商标数据作为辅助。
如图2和图3所示,在存储关注的商标图像或用于与关注的商标图像进行比对的商标图像时,还需要存储尽可能全面的商标相关信息,包括但不限于商标申请主体、申请日期、代理机构、商标图像信息等。
本发明实施例中,在所述对新增图像进行预处理的步骤之前,所述图像处理模块701还用于:
去除所述新增图像的外围的白边。
通过去除所述新增图像的外围的白边,可以使得商标图像的主体居中,图像布局一致,并排除白边不一致带来的多余干扰信息。
本发明实施例中,所述图像处理模块701的对新增图像进行预处理,包括:
对去除白边后的所述新增图像进行尺寸重塑;
并对尺寸重塑后的所述新增图像进行去均值处理。
具体地,首先将去除白边后的新增图像尺寸重塑造到卷积神经网络要求的尺寸(对于VGG16卷积神经网络,每幅图像要求的尺寸为224*224*3个像素,即将新增图像重塑为(1,224,224,3))。商标图像是含RGB三个颜色通道的图像,将商标图像减去所有图像RGB三个颜色通道的均值构成的向量[Rmean,Gmean,Bmean],得到商标图像的预处理图像。
本发明实施例中,所述图像处理模块701提取预处理后的新增图像的特征向量,具体为:
通过卷积神经网络第一个全连接层的输出,提取所述预处理后的新增图像的特征向量。
具体地,如图4所示,根据VGG16卷积神经网络模型的结构,搭建神经网络模型,去掉完整VGG16模型的最后两个全连接层和Softmax层(Softmax是神经网络中一种输出层函数,用于计算输出层的值;Softmax层为神经网络最后一层,作为输出层进行多分类)。加载以ImageNet数据集训练的模型权重作为VGG16卷积神经网络模型的权重(ImageNet为一个计算机视觉系统识别项目名称,它实际上就是一个巨大的可供图像/视觉训练的图片库)。取完整VGG16的第一个全连接层的输出作为所述新增图像的全特征向量,维度为4096。
所述新增图像的全特征向量维度达到4096维度巨大,不利于大规模计算,使用主成分分析法将图像特征维度降到128维。完整的图像处理过程如图5所示,图像处理模块701对新增图像进行去白边及预处理之后,使用VGGG16深度卷积神经网络结构,将经过预处理的图像作为输入,取该卷积神经网络的第一个全连接层的输出向量,其维度是1*4096,并对该向量进行降维得到维度为128的向量作为图像的特征向量。
如图6所示,图像处理模块701将提取的关注商标图像和/或比对商标图像的图像特征保存到相应的特征库。当相似检测模块702检测到任一特征库出现增量数据时,将该特征库的增量数据与除该特征库之外的其它特征库的全部特征向量进行相似指数计算,并将相似指数与预先设置的相似指数阈值进行比较。一旦发现相似指数大于预先设置的相似指数阈值的图像,即将此图像及其对应的商标信息如商标注册人、注册日期、代理机构、地址等一并发送到预警推送队列。
相似指数采用的是余弦相似度的绝对值,相似指数最大值为1,此时图像完全相似,相似指数最小值为0,此时图像差异很大。相似指数阈值通常设置为0.75到0.85之间,保障了预警能覆盖绝大部分的相似图像对的信息并避免大量不相似的信息的误推送。
通常采用邮件预警推送和/或短信预警推送的方法进行预警提示。本发明根据用户的习惯,可以推送相似指数超过预设的相似指数阈值的商标图像信息,也可以推送相似指数超过预设的相似指数阈值的商标图像中最相似的前n个商标图像信息,其中,n为自然数。
本发明首先依靠爬虫从互联网获取比对商标库数据到比对商标库,同时将公司自有商标作为关注商标,将相关信息和图像存入关注商标库。然后对商标图像做图像预处理加工和特征提取,分别得到每一个商标图像的特征向量。再结合比对商标图像和关注商标图像的特征向量计算出相似指数,并根据设定的阈值决定是否推送相似预警信息。
深度卷积神经网络具有对图像高级特征做理解量化的能力,本发明通过使用深度卷积神经网络统一提取商标图像特征,免去了使用传统基于商标图形编码检索相似商标图像的繁琐,以及人为判别商标相似的低效;
爬虫的数据来源保障了数据的及时性,以及相似风险发现的及时性;
相似预警信息及时推送,极大程度实现了自动化识别商标相似风险。
本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成,所述程序可以存储于计算机可读存储介质中,如只读存储器、磁盘或光盘等。可选地,上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现,相应地,上述实施例中的各模块/单元可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。本发明不限制于任何特定形式的硬件和软件的结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种图像相似检测方法,其特征在于,包括:
当任一图像库出现新增图像时,对新增图像进行预处理,提取预处理后的新增图像的特征向量,并对提取的特征向量进行降维处理,将降维处理后的特征向量存储至所述新增图像所属的图像库对应的特征库;
将每个特征库新增的特征向量与除该特征库之外的特征库的全部特征向量进行相似指数计算,如果计算出的相似指数大于预设的相似指数阈值,则进行预警提示。
2.根据权利要求1所述的方法,其特征在于,所述图像库包括第一图像库和第二图像库,其中,第一图像库存储关注的图像;所述第二图像库存储从互联网获取的用于与关注的图像进行比对的图像。
3.根据权利要求1所述的方法,其特征在于,在所述对新增图像进行预处理的步骤之前,所述方法还包括:
去除所述新增图像的外围的白边。
4.根据权利要求3所述的方法,其特征在于,所述对新增图像进行预处理,包括:
对去除白边后的所述新增图像进行尺寸重塑;
并对尺寸重塑后的所述新增图像进行去均值处理。
5.根据权利要求1所述的方法,其特征在于,所述提取预处理后的新增图像的特征向量,包括:
通过卷积神经网络第一个全连接层的输出,提取所述预处理后的新增图像的特征向量。
6.根据权利要求1所述的方法,其特征在于,所述相似指数为余弦相似度的绝对值。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1至6中任一项所述的图像相似检测方法的步骤。
8.一种图像相似检测装置,其特征在于,包括处理器及存储器,其中:
所述处理器用于执行存储器中存储的图像相似检测程序,以实现如权利要求1至6中任一项所述的图像相似检测方法的步骤。
9.一种图像相似检测装置,其特征在于,包括图像处理模块和相似检测模块,其中:
图像处理模块,用于当任一图像库出现新增图像时,对新增图像进行预处理,提取预处理后的新增图像的特征向量,并对提取的特征向量进行降维处理,将降维处理后的特征向量存储至所述新增图像所属的图像库对应的特征库;
相似检测模块,用于将每个特征库新增的特征向量与除该特征库之外的特征库的全部特征向量进行相似指数计算,如果计算出的相似指数大于预设的相似指数阈值,则进行预警提示。
10.根据权利要求9所述的图像相似检测装置,其特征在于,所述图像库包括第一图像库和第二图像库,其中,第一图像库存储关注的图像;所述第二图像库存储从互联网获取的用于与关注的图像进行比对的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810644590.XA CN108846441B (zh) | 2018-06-21 | 2018-06-21 | 一种图像相似检测方法和装置、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810644590.XA CN108846441B (zh) | 2018-06-21 | 2018-06-21 | 一种图像相似检测方法和装置、计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108846441A true CN108846441A (zh) | 2018-11-20 |
CN108846441B CN108846441B (zh) | 2020-11-10 |
Family
ID=64203284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810644590.XA Active CN108846441B (zh) | 2018-06-21 | 2018-06-21 | 一种图像相似检测方法和装置、计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108846441B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784384A (zh) * | 2018-12-28 | 2019-05-21 | 佛山科学技术学院 | 一种自动辨别商标真伪的方法及装置 |
CN111899035A (zh) * | 2020-07-31 | 2020-11-06 | 西安加安信息科技有限公司 | 一种高端酒水鉴真的方法、移动终端和计算机存储介质 |
CN112861656A (zh) * | 2021-01-21 | 2021-05-28 | 平安科技(深圳)有限公司 | 商标相似性检测方法、装置、电子设备和存储介质 |
CN112989098A (zh) * | 2021-05-08 | 2021-06-18 | 北京智源人工智能研究院 | 一种图像类侵权实体自动化检索方法、装置和电子设备 |
CN113055334A (zh) * | 2019-12-26 | 2021-06-29 | 国网山西省电力公司信息通信分公司 | 终端用户的网络行为的监管方法和装置 |
CN113569070A (zh) * | 2021-07-24 | 2021-10-29 | 平安科技(深圳)有限公司 | 图像检测方法和装置、电子设备、存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010051254A2 (en) * | 2008-10-31 | 2010-05-06 | Ntt Docomo, Inc. | Complexity regularized pattern representation, search, and compression |
CN107368614A (zh) * | 2017-09-12 | 2017-11-21 | 重庆猪八戒网络有限公司 | 基于深度学习的图像检索方法及装置 |
CN107729815A (zh) * | 2017-09-15 | 2018-02-23 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、移动终端及计算机可读存储介质 |
CN108009503A (zh) * | 2017-12-04 | 2018-05-08 | 北京中科虹霸科技有限公司 | 基于眼周区域的身份识别方法 |
-
2018
- 2018-06-21 CN CN201810644590.XA patent/CN108846441B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010051254A2 (en) * | 2008-10-31 | 2010-05-06 | Ntt Docomo, Inc. | Complexity regularized pattern representation, search, and compression |
CN107368614A (zh) * | 2017-09-12 | 2017-11-21 | 重庆猪八戒网络有限公司 | 基于深度学习的图像检索方法及装置 |
CN107729815A (zh) * | 2017-09-15 | 2018-02-23 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、移动终端及计算机可读存储介质 |
CN108009503A (zh) * | 2017-12-04 | 2018-05-08 | 北京中科虹霸科技有限公司 | 基于眼周区域的身份识别方法 |
Non-Patent Citations (2)
Title |
---|
YITONG FENG等: "Aggregation of reversal invariant features from edge images for large-scale trademark retrieval", 《2018 4TH INTERNATIONAL CONFERENCE ON CONTROL, AUTOMATION AND ROBOTICS》 * |
陈跃峰等: "基于内容检索的图像系统的关键技术及其实现", 《计算机工程与应用》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784384A (zh) * | 2018-12-28 | 2019-05-21 | 佛山科学技术学院 | 一种自动辨别商标真伪的方法及装置 |
CN113055334A (zh) * | 2019-12-26 | 2021-06-29 | 国网山西省电力公司信息通信分公司 | 终端用户的网络行为的监管方法和装置 |
CN111899035A (zh) * | 2020-07-31 | 2020-11-06 | 西安加安信息科技有限公司 | 一种高端酒水鉴真的方法、移动终端和计算机存储介质 |
CN111899035B (zh) * | 2020-07-31 | 2024-04-30 | 西安加安信息科技有限公司 | 一种高端酒水鉴真的方法、移动终端和计算机存储介质 |
CN112861656A (zh) * | 2021-01-21 | 2021-05-28 | 平安科技(深圳)有限公司 | 商标相似性检测方法、装置、电子设备和存储介质 |
WO2022156067A1 (zh) * | 2021-01-21 | 2022-07-28 | 平安科技(深圳)有限公司 | 商标相似性检测方法、装置、电子设备和存储介质 |
CN112861656B (zh) * | 2021-01-21 | 2024-05-14 | 平安科技(深圳)有限公司 | 商标相似性检测方法、装置、电子设备和存储介质 |
CN112989098A (zh) * | 2021-05-08 | 2021-06-18 | 北京智源人工智能研究院 | 一种图像类侵权实体自动化检索方法、装置和电子设备 |
CN113569070A (zh) * | 2021-07-24 | 2021-10-29 | 平安科技(深圳)有限公司 | 图像检测方法和装置、电子设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108846441B (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846441A (zh) | 一种图像相似检测方法和装置、计算机可读存储介质 | |
CN108520343B (zh) | 风险模型训练方法、风险识别方法、装置、设备及介质 | |
CN107463605B (zh) | 低质新闻资源的识别方法及装置、计算机设备及可读介质 | |
CN110334217B (zh) | 一种要素抽取方法、装置、设备及存储介质 | |
CA3138730C (en) | Public-opinion analysis method and system for providing early warning of enterprise risks | |
CN109033105A (zh) | 获取裁判文书焦点的方法和装置 | |
CN108875727B (zh) | 图文标识的检测方法及装置、存储介质、处理器 | |
CN110851598A (zh) | 文本分类方法、装置、终端设备及存储介质 | |
WO2022116419A1 (zh) | 域名侵权的自动化判定方法、装置、电子设备和存储介质 | |
CN109101476A (zh) | 一种词向量生成、数据处理方法和装置 | |
CN113221918B (zh) | 目标检测方法、目标检测模型的训练方法及装置 | |
CN111931809A (zh) | 数据的处理方法、装置、存储介质及电子设备 | |
CN107943788B (zh) | 企业简称生成方法、装置及存储介质 | |
CN114881698A (zh) | 广告合规审核方法、装置、电子设备及存储介质 | |
US11941565B2 (en) | Citation and policy based document classification | |
CN108415971B (zh) | 采用知识图谱推荐供求信息的方法和装置 | |
CN109657929A (zh) | 商标注册通过率的评估方法、装置和计算机设备 | |
CN117635417A (zh) | 一种基于生成模型实现图片合规的方法 | |
CN113032524A (zh) | 商标侵权识别方法、终端设备及存储介质 | |
Sterkens et al. | Product label identification with OCR for model‐specific reuse, repair, and recycling: A case study for washing machines | |
CN111967437A (zh) | 文本识别方法、装置、设备及存储介质 | |
CN109491970B (zh) | 面向云存储的不良图片检测方法、装置及存储介质 | |
CN108334602B (zh) | 数据标注方法和装置、电子设备、计算机存储介质 | |
KR20230144455A (ko) | 인공지능 기반 온라인 위조상품 단속 시스템 및 방법 | |
CN112328779B (zh) | 训练样本构建方法、装置、终端设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
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 |