CN109376741A - 商标侵权的识别方法、装置、计算机设备和存储介质 - Google Patents
商标侵权的识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109376741A CN109376741A CN201811051616.6A CN201811051616A CN109376741A CN 109376741 A CN109376741 A CN 109376741A CN 201811051616 A CN201811051616 A CN 201811051616A CN 109376741 A CN109376741 A CN 109376741A
- Authority
- CN
- China
- Prior art keywords
- image
- trademark
- target
- trademark image
- feature
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012549 training Methods 0.000 claims description 95
- 239000013598 vector Substances 0.000 claims description 41
- 239000000284 extract Substances 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 239000000203 mixture Substances 0.000 description 4
- 210000005036 nerve Anatomy 0.000 description 4
- 238000012804 iterative process Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- -1 i.e. Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Technology Law (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及人工智能中的机器学习,提供了一种商标侵权的识别方法、装置、计算机设备和存储介质。所述方法包括:获取目标商标图像;根据所述目标商标图像查询预存储的候选商标图像;将所述目标商标图像和所述候选商标图像分别输入已训练的特征提取模型进行预测,获得与所述目标商标图像对应的第一图像特征,以及与所述候选商标图像对应的第二图像特征;将所述第一图像特征和所述第二图像特征进行拼接获得第三图像特征;将所述第三图像特征输入已训练的侵权预测模型进行预测,获得目标预测标签;当所述目标预测标签为商标侵权的标签时,将所述目标商标图像确定为侵权商标图像。采用本方法能够提高侵权商标的识别效率。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种商标侵权的识别方法、装置、计算机设备和存储介质。
背景技术
随着人工智能技术的发展,基于机器学习的智能识别方法逐渐发展起来,提高了识别效率和准确性,有效解决了人工识别所存在的问题。基于机器学习的智能识别应用于各行各业,比如商标侵权的识别。商标侵权是指未经商标权人许可,在相同或类似商品上使用与其注册商标相同或相近的商标。商标侵权会给商标权人造成经济损失,并带来不良后果,因而如何有效判断商标是否侵权是值得关注的问题。以图形商标为例,常用的方法是将商标图像对分别输入预先训练好的两个特征提取模型进行特征提取,获得相应的特征向量,通过计算两个特征向量之间的欧式距离即可获得相应商标图像对之间的相似程度,从而判定是否侵权。
然而,目前的商标侵权判定方法中,需要获取大量已标注的商标图像作为训练样本进行模型训练,但是现有的已标注商标图像数量较少,因而导致模型训练不充分,降低了模型预测准确性,从而降低了商标侵权判定结果的准确性。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高商标侵权判定结果的准确性的商标侵权的识别方法、装置、计算机设备和存储介质。
一种商标侵权的识别方法,所述方法包括:
获取目标商标图像;
根据所述目标商标图像查询预存储的候选商标图像;
将所述目标商标图像和所述候选商标图像分别输入已训练的特征提取模型进行预测,获得与所述目标商标图像对应的第一图像特征,以及与所述候选商标图像对应的第二图像特征;
将所述第一图像特征和所述第二图像特征进行拼接获得第三图像特征;
将所述第三图像特征输入已训练的侵权预测模型进行预测,获得目标预测标签;
当所述目标预测标签为商标侵权的标签时,将所述目标商标图像确定为侵权商标图像。
一种商标侵权的识别装置,所述装置包括:
获取模块,用于获取目标商标图像;
查询模块,用于根据所述目标商标图像查询预存储的候选商标图像;
提取模块,用于将所述目标商标图像和所述候选商标图像分别输入已训练的特征提取模型进行预测,获得与所述目标商标图像对应的第一图像特征,以及与所述候选商标图像对应的第二图像特征;
拼接模块,用于将所述第一图像特征和所述第二图像特征进行拼接获得第三图像特征;
预测模块,用于将所述第三图像特征输入已训练的侵权预测模型进行预测,获得目标预测标签;
判定模块,用于当所述目标预测标签为商标侵权的标签时,将所述目标商标图像确定为侵权商标图像。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取目标商标图像;
根据所述目标商标图像查询预存储的候选商标图像;
将所述目标商标图像和所述候选商标图像分别输入已训练的特征提取模型进行预测,获得与所述目标商标图像对应的第一图像特征,以及与所述候选商标图像对应的第二图像特征;
将所述第一图像特征和所述第二图像特征进行拼接获得第三图像特征;
将所述第三图像特征输入已训练的侵权预测模型进行预测,获得目标预测标签;
当所述目标预测标签为商标侵权的标签时,将所述目标商标图像确定为侵权商标图像。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取目标商标图像;
根据所述目标商标图像查询预存储的候选商标图像;
将所述目标商标图像和所述候选商标图像分别输入已训练的特征提取模型进行预测,获得与所述目标商标图像对应的第一图像特征,以及与所述候选商标图像对应的第二图像特征;
将所述第一图像特征和所述第二图像特征进行拼接获得第三图像特征;
将所述第三图像特征输入已训练的侵权预测模型进行预测,获得目标预测标签;
当所述目标预测标签为商标侵权的标签时,将所述目标商标图像确定为侵权商标图像。
上述商标侵权的识别方法、装置、计算机设备和存储介质,根据所获取到的目标商标图像对应查询预存储的候选商标图像,通过已训练好的特征提取模型和侵权预测模型,基于所获取到的候选商标图像判定目标商标图像是否侵权,提高了侵权判定效率和准确性。通过特征提取模型从目标商标图像中提取第一图像特征,并从候选商标图像中提取第二图像特征,进而根据所提取的第一图像特征和第二图像特征,对应确定作为侵权预测模型的输入特征的第三图像特征,以通过侵权预测模型进行预测获得相应的目标预测标签,提高了目标预测标签的获取效率和准确性,从而提高了侵权判定效率和准确性。当目标预测标签与预设预测标签相匹配时,则判定目标商标图像为侵权商标图像,提高了商标侵权判定结果的准确性。
附图说明
图1为一个实施例中商标侵权的识别方法的应用场景图;
图2为一个实施例中商标侵权的识别方法的流程示意图;
图3为另一个实施例中商标侵权的识别方法的流程示意图;
图4为一个实施例中特征提取模型的训练步骤的流程示意图;
图5为一个实施例中商标侵权的识别装置的结构框图;
图6为另一个实施例中商标侵权的识别装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的商标侵权的识别方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。服务器104根据所获取到的目标商标图像查询预存储的候选商标图像,通过已训练的特征提取模型从目标商标图像中提取第一图像特征,从候选商标图像中提取第二图像特征,对第一图像特征和第二图像特征进行拼接获得相应的第三图像特征,并将所获取的第三图像特征输入已训练的侵权预测模型进行预测获得目标预测标签,当目标预测标签为表示商标侵权的标签时,则判定目标图像商标为侵权商标图像,并将判定结果发送至终端102。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种商标侵权的识别方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
S202,获取目标商标图像。
其中,目标商标图像是指待判定是否侵权的商标图像。目标商标图像具体可以是新录入的商标图像。商标图像是包含商标的图像,即以商标为图像内容的图像。商标图像具体可以是商标本身构成的图像,即商标图像本身。商标是用于区别品牌或服务的标记。商标具体可以包括图形商标和文字商标,图形商标是指以图形的形式来表示的商标,文字商标是指以文字的形式来表示的商标。
具体地,服务器实时检测新录入的商标图像,当检测到新录入的商标图像时,将所检测到的商标图像确定为目标商标图像。
在一个实施例中,服务器检测指定触发操作,当检测到指定触发操作时,根据所检测到的指定触发操作获取相应的目标商标图像。其中,指定触发操作是预先指定的用于触发商标侵权识别流程的操作,比如预设触发控件的触发操作。在本实施例中,指定触发操作具体可以是商标图像的录入操作,或者对用于触发商标侵权识别流程的预设控件的触发操作。
在一个实施例中,服务器根据所检测到的指定触发操作生成相应的查询指令,根据所生成的查询指令从本地或其他计算机设备获取相应的目标商标图像。其他计算机设备比如终端或其他用于存储商标图像的服务器。服务器根据查询指令也可以基于网络从指定网页获取相应的目标商标图像。
S204,根据目标商标图像查询预存储的候选商标图像。
其中,候选商标图像是预先存储的、且能够用于与目标商标图像进行比较,以判定目标商标图像是否侵权的商标图像。候选商标图像具体可以是已注册的商标图像,即已预先录入本地数据库的已有商标图像。
具体地,服务器获取到目标商标图像时,根据所获取到的目标商标图像从本地或其他用于存储商标图像的服务器,对应查询预存储的候选商标图像。服务器获取到目标商标图像时,对应获取预存储的一个或多个候选商标图像。
在一个实施例中,服务器获取到目标商标图像时,在本地或其他用于存储商标图像的服务器查询预存储的商标图像,将所查询到的商标图像确定为对应于目标商标图像所查询到的候选商标图像。
在一个实施例中,服务器在本地或其他用于存储商标图像的服务器查询到预存储的多个商标图像时,根据目标商标图像按照预设筛选方式,从所查询到的多个商标图像中筛选出一个或多个候选商标图像。预设筛选方式具体可以是按照商标图像中的商标所对应的商标类型进行筛选,比如从所查询到的多个商标图像中,筛选出商标类型与目标商标图像中的商标所对应的商标类型相匹配的商标所对应的商标图像。商标类型包括图形商标和文字商标。预设筛选方式具体还可以是按照商标图像的关键特征进行筛选,比如筛选出关键特征最接近的商标图像作为候选商标图像。关键特征比如商标图像的标志性特征。
S206,将目标商标图像和候选商标图像分别输入已训练的特征提取模型进行预测,获得与目标商标图像对应的第一图像特征,以及与候选商标图像对应的第二图像特征。
其中,特征提取模型是根据预先获取的训练样本集进行模型训练获得的、能够用于从商标图像中提取图像特征的模型。图像特征是指图像所具有的特征,具体可以是商标图像中的商标所具有的特征。在本实施例中,图像特征可以是用于表征图像所具有的特征的指定维数特征向量,具体可以是用于表征商标图像中的商标所具有的特征的指定维数特征向量。指定维数比如4096。
具体地,服务器将目标商标图像输入已训练的特征提取模型进行预测,获得相应的第一图像特征,并将候选商标图像输入已训练的特征提取模型进行预测,获得相应的第二图像特征。
在一个实施例中,用于从目标商标图像中提取第一图像特征的特征提取模型,与用于从候选商标图像中提取第二图像特征的特征提取模型可以是相同模型,也可以是权重共享的不同模型。换而言之,服务器可以将目标商标图像和候选商标图像依次输入已训练的特征提取模型进行预测,分别获得与目标商标图像对应的第一图像特征,以及与候选商标图像对应的第二图像特征。服务器也可以将目标商标图像输入已训练的第一特征提取模型进行预测,获得相应的第一图像特征,将候选商标图像输入已训练的第二特征提取模型进行预测,获得相应的第二图像特征。其中,第一特征提取模型与第二特征提取模型可以是权重共享的特征提取模型,即可以是孪生特征提取模型。
在一个实施例中,特征提取模型是基于VGG网络(Visual Geometry Group,深度神经网络)进行训练获得的模型。特征提取模型具体可以是基于ImageNet数据集和VGG网络进行训练获得的模型。其中,ImageNet是自然图像数据集。
在一个实施例中,通过基于VGG网络训练获得的特征提取模型从目标商标图像中提取第一图像特征的过程中,服务器将目标商标图像输入该特征提取模型后,从该特征提取模型中的特征提取层获取与目标商标图像对应的第一图像特征。特征提取层比如特征提取模型的倒数第三层。换而言之,服务器基于VGG网络进行模型训练获得相应的VGG网络模型,该VGG网络模型即为各个参数已训练完成的VGG网络,也即为上述各个实施例中的特征提取模型。服务器将目标商标图像输入该VGG网络模型进行预测时,从该VGG网络模型的倒数第三层提取第一图像特征。类似地,服务器通过基于VGG网络训练获得的特征提取模型从候选商标图像中提取第二图像特征。
举例说明,服务器将尺寸大小为224*224的目标商标图像输入基于VGG网络训练获得的特征提取模型进行预测,从该特征提取模型的倒数第三层提取4096维的特征向量,该4096维的特征向量即为第一图像特征。
S208,将第一图像特征和第二图像特征进行拼接获得第三图像特征。
具体地,服务器将所提取到的第一图像特征和相应的第二图像特征,按照预设拼接方式进行拼接,获得相应的第三图像特征。预设拼接方式是预先设定的拼接方式,具体可以是将低维图像特征拼接成高维图像特征,或者将向量形式的图像特征拼接成矩阵形式的图像特征。
在一个实施例中,第一图像特征为指定维数的第一特征向量,第二图像特征为与第一图像特征维数相同的第二特征向量。服务器按照预设拼接方式将第一特征向量与第二特征向量进行拼接,获得相应的矩阵。预设拼接方式具体可以是将第一特征向量中的各个元素,分别与第二特征向量中的相应元素进行对齐,将元素对齐后的第一特征向量与第二特征向量进行拼接组合,获得第三特征矩阵。还第三特征矩阵即为拼接获得的第三图像特征。
举例说明,假设第一图像特征为4096维的第一特征向量,第二图像特征为4096维的第二特征向量,服务器按照特征向量对应元素分别对齐的方式,将第一特征向量与第二特征向量进行拼接获得2*4096的矩阵。
S210,将第三图像特征输入已训练的侵权预测模型进行预测,获得目标预测标签。
其中,侵权预测模型是根据预先获取的训练样本集进行训练获得的、能够用于根据已知的第三图像特征对应确定未知的目标预测标签的模型。目标预测标签是通过侵权预测模型根据已知的第三图像特征预测获得的标签。目标预测标签是用于判定目标商标图像是否侵权的判定依据。目标预测标签具体可以是有数字、字母和符号等字符中的至少一种组成的字符或字符串。目标预测标签可以是表示商标侵权的标签,也可以是表示商标不侵权的标签,比如用1表示商标侵权的标签,用0表示商标不侵权的标签。
举例说明,当目标预测标签为1时,表示该目标预测标签为表示商标侵权的标签,即表示目标商标图像与候选商标图像相似度很高,则判定目标商标图像为侵权商标图像。当目标预测标签为0时,表示目标商标图像与候选商标图像是无关的,则判定目标商标图像不是侵权商标图像。
具体地,服务器将所获得的第三图像特征作为输入特征输入已训练好的侵权预测模型,通过该侵权预测模型进行预测,获得相应的目标预测标签。
S212,当目标预测标签为商标侵权的标签时,将目标商标图像确定为侵权商标图像。
具体地,服务器预测获得目标预测标签时,判断该目标预测标签是否为表示商标侵权的标签。当判定该目标预测标签为表示商标侵权的标签时,服务器则判定相应的目标商标图像侵权,将该目标商标图像确定为侵权商标图像。当判定该目标预测标签为表示商标不侵权的标签时,服务器则判定相应的目标商标图像不侵权,则确定该目标商标图像不是侵权商标图像,即非侵权商标图像。
在一个实施例中,当判定目标商标图像不是侵权商标图像时,服务器将该目标商标图像存储在本地或其他用于存储商标图像的服务器。
在一个实施例中,服务器将所获得的目标预测标签与预设标签进行匹配,当匹配成功时,表明目标预测标签为表示商标侵权的标签,服务器将该目标商标图像确定为侵权商标图像。预设标签是用于表示商标侵权的标签,比如1。在一个实施例中,服务器获取目标预测标签与预设标签之间的匹配率,当所获取的匹配率达到预设匹配率时,服务器将相应目标商标图像确定为侵权商标图像。
上述商标侵权的识别方法,根据所获取到的目标商标图像对应查询预存储的候选商标图像,通过已训练好的特征提取模型和侵权预测模型,基于所获取到的候选商标图像判定目标商标图像是否侵权,提高了侵权判定效率和准确性。通过特征提取模型从目标商标图像中提取第一图像特征,并从候选商标图像中提取第二图像特征,进而根据所提取的第一图像特征和第二图像特征,对应确定作为侵权预测模型的输入特征的第三图像特征,以通过侵权预测模型进行预测获得相应的目标预测标签,提高了目标预测标签的获取效率和准确性,从而提高了侵权判定效率和准确性。当目标预测标签与预设预测标签相匹配时,则判定目标商标图像为侵权商标图像,提高了商标侵权判定结果的准确性。
在一个实施例中,候选商标图像有多个;特征提取模型包括第一特征提取模型和第二特征提取模型;上述商标侵权的识别方法,还包括:将目标商标图像分别与每个候选商标图像进行组合,获得多个商标图像对;步骤S206包括:对于每个商标图像对,将商标图像对中的目标商标图像输入第一特征提取模型,获得相应的第一图像特征,并将商标图像对中的候选商标图像输入第二特征提取模型进行预测,获得相应的第二图像特征;步骤S212包括:当多个商标图像对各自对应的目标预测标签中,存在商标侵权的标签时,将目标商标图像确定为侵权商标图像。
其中,商标图像对是指由两个商标图像组合而成的图像对。商标图像对具体可以是由目标商标图像与候选商标图像构成的图像对。第一特征提取模型和第二特征提取模型均是根据预先获取到的训练样本集进行模型训练获得的、能够用于从商标图像中提取相应图像特征的模型。第一特征提取模型与第二特征提取模型为权重共享的特征提取模型,即为孪生特征提取模型。
在一个实施例中,第一特征提取模型与第二特征提取模型的训练过程中采用孪生神经网络框架,即基于两个权重共享的神经网络进行模型训练。
具体地,服务器根据目标商标图像对应查询预存储的多个候选商标图像,并将所查询到的每个候选商标图像分别与目标商标图像进行组合,对应获得由候选商标图像和目标商标图像组成的多个商标图像对。商标图像对的数量与所查询到的候选商标图像的数量相同,即商标图像对与候选商标图像相对应。对于该多个商标图像对中的每个商标图像对,服务器通过已训练的第一特征提取模型从该商标图像对中的目标商标图像中提取相应的第一图像特征,并通过已训练的第二特征提取模型从该商标图像对中的候选商标图像中提取相应的第二图像特征,并将该第一图像特征与第二图像特征进行拼接获得相应的第三图像特征,进而通过已训练的侵权预测模型根据该第三图像特征进行预测,获得相应的目标预测标签。
进一步地,服务器针对该多个商标图像对中的每个商标图像对,分别执行上述根据商标图像对预测相应的目标预测标签的相关步骤,获得每个商标图像对所对应的目标预测标签。服务器获得该多个商标图像对中的每个商标图像对所对应的目标预测标签时,判定该多个目标预测标签中是否存在表示商标侵权的标签。当判定存在表示商标侵权的标签时,服务器则判定相应的目标商标图像侵权,将该目标商标图像确定为侵权商标图像。
在一个实施例中,服务器获得该多个商标图像对中的每个商标图像对所对应的目标预测标签时,将该多个目标预测标签分别与预设标签进行匹配。当各个商标图像对所对应的匹配结果中存在表示匹配成功的匹配结果时,表示该多个目标预测标签中存在表示商标侵权的标签,服务器则将目标商标图像确定为侵权商标图像。当该多个匹配结果均为表示匹配失败的匹配结果时,服务器则判定目标商标图像不是侵权商标图像。
上述实施例中,根据预存储的多个候选商标图像分别对目标商标图像进行侵权识别,当识别结果中存在至少一个表示商标侵权的结果时,则判定目标商标图像为侵权商标图像,提高了商标侵权的识别准确性。
在一个实施例中,候选商标图像有多个;上述商标侵权的识别方法,还包括:将目标商标图像分别与每个候选商标图像进行组合,获得多个商标图像对;对于多个商标图像对,按照指定顺序迭代的执行分别执行步骤S206;步骤S212包括:在当前预测的商标图像对所对应的目标预测标签为商标侵权的标签时,停止迭代,将目标商标图像确定为侵权商标图像。
具体地,服务器根据目标商标图像对应查询预存储的多个候选商标图像,并将所查询到的每个候选商标图像分别与目标商标图像进行组合,对应获得每个候选商标图像所对应的商标图像对。其中,该多个商标图像对由目标商标图像和相应的候选商标图像组成。服务器对该多个商标图像对中的各个商标图像对进行优先级排序,按照优先级顺序迭代的对该多个商标图像对中的每个商标图像对,执行根据该商标图像对预测相应的目标预测标签,并根据目标预测标签判定目标商标图像是否侵权的相关步骤。
进一步地,服务器按照优先级顺序迭代的根据商标图像对判定目标商标图像是否侵权的过程中,具体包括以下步骤:服务器通过已训练的特征提取模型从当前优先级的商标图像对中的目标商标图像中提取第一图像特征,以及从该商标图像对中的候选商标图像中提取第二图像特征;服务器将该第一图像特征与第二图像特征进行拼接获得第三图像特征,并通过已训练的侵权预测模型根据该第三图像特征进行预测,获得相应的目标预测标签;服务器对应判定该目标预测标签是否为表示商标侵权的标签,当判定为表示商标侵权的标签时,服务器停止迭代过程,并将相应的目标商标图像确定为侵权商标图像;当判定为表示商标不侵权的标签时,服务器针对下一优先级的商标图像对继续执行上述根据商标图像对判定目标商标图像是否侵权的相关步骤,直至当前预测的商标图像对所对应的目标预测标签为表示商标侵权的标签时,或者针对该多个商标图像对,均执行完上述根据商标图像对判定目标商标图像是否侵权的相关步骤时,停止迭代。
举例说明,假设存在已进行优先级排序的4个商标图像对A、B、C和D,服务器按照上述方法进行预测获得与商标图像对A对应的目标预测标签,当该目标预测标签为表示商标侵权的标签时,停止迭代,将目标商标图像确定为侵权商标图像;当该目标预测标签为表示商标不侵权的标签时,服务器按照上述方法继续进行预测获得与商标图像对B对应的目标预测标签,并根据商标图像对B所对应的目标预测标签是否为表示商标侵权的标签,继续执行相应的步骤。
上述实施例中,根据所获取到的多个商标图像对,依次迭代的执行根据商标图像对判定目标商标图像是否侵权的步骤,当判定目标商标图像侵权时则停止迭代,提高了商标侵权的效率和准确性。
在一个实施例中,上述商标侵权的识别方法中,特征提取模型的训练步骤,包括:获取预设商标图像;按照预设提取方式从预设商标图像中提取预设图像特征;将预设商标图像作为输入特征,将相应的预设图像特征作为期望的输出特征,对初始化的特征提取模型进行训练获得已训练的特征提取模型。
具体地,服务器在本地获取多个预设商标图像,并按照预设提取方式分别从该多个预设商标图像中提取相应的预设图像特征。服务器根据所获取到的预设商标图像和相应的预设图像特征,获得相应的训练样本集。其中,训练样本集中的预设商标图像作为输入特征,相应的预设图像特征作为期望的输出特征。服务器根据所获取到的训练样本集,对初始化的特征提取模型进行模型训练获得已训练的特征提取模型。服务器也可以从其他用于存储商标图像的服务器获取预设商标图像,或者基于网络从指定网页获取预设商标图像。
在一个实施例中,服务器获取用作训练样本集的自然图像数据集,该自然图像数据集中包含大量已标注的自然图像,服务器根据所获取的训练样本集进行模型训练,获得相应的特征提取模型。其中,通过该种训练方式训练获得的特征提取模型相当于分类器,预测过程中的输出特征为与作为输入特征的输入图像相对应的类别,即通过该特征提取模型可预测获得输入图像的类别。在上述各个实施例中的商标侵权的识别方法中,服务器将目标商标图像与候选商标图像分别输入已训练的特征提取模型中,通过该特征提取模型的特征提取层分别获得目标商标图像与候选商标图像各自对应的图像特征。其中,自然图像数据集具体可以是ImageNet数据集,该ImageNet数据集包含有1400多万幅图片,涵盖2万多个类别。
上述实施例中,根据所获取到的训练样本集进行模型训练,以根据训练获得的特征提取模型从商标图像中提取相应的图像特征,进而根据图像特征对应判定目标商标图像是否侵权,提高了商标侵权的识别效率和准确性。
在一个实施例中,上述商标侵权的识别方法中,侵权预测模型的训练步骤,包括:获取训练样本集;训练样本集包括目标商标图像对和相应的目标标签;根据目标图像对和已训练的特征提取模型获得相应的目标图像特征;将目标图像特征作为输入特征,将相应的目标标签作为期望的输出特征,对卷积神经网络进行模型训练;当达到预设条件时停止训练,获得已训练的侵权预测模型。
其中,目标商标图像对是用于进行模型训练的商标图像对。目标商标图像对中包括由相似度很高的两个商标图像组成的商标图像对,或由两个无关的商标图像组成的商标图像对。换而言之,目标商标图像对中包括由相互侵权的两个商标图像组成的商标图像对,或者,由两个互不侵权的商标图像组成的商标图像对。目标标签是与商标图像对所对应的、用于表示组成该商标图像对的两个商标图像是否相互侵权的标签,比如目标标签为1时表示相应商标图像对中的两个商标图像相互侵权,目标标签为0时表示相应商标图像对中的两个商标图像互不侵权。预设条件是用于判定是否停止当前的模型训练过程的条件。预设条件具体可以是损失函数收敛、损失函数值趋于稳定或权重参数趋于稳定等。
具体地,服务器在本地获取多个目标商标图像对,分别确定该多个目标商标图像对中的每个目标商标图像对所对应的目标标签,并根据所获取到的目标商标图像对和相应的目标标签获得训练样本集。对于训练样本集中的每个目标商标图像对,服务器通过已训练的特征提取模型,分别从组成该目标商标图像对的每个商标图像中提取相应的图像特征,并将所提取到的两个图像特征进行拼接,获得相应的目标图像特征。服务器针对训练样本集中的每个目标商标图像对,按照上述方式分别确定相应的目标图像特征。
进一步地,服务器将该多个目标商标图像对各自对应的目标图像特征作为输入特征,将相应的目标标签作为期望的输出特征,对卷积神经网络进行模型训练。当达到预设条件时,服务器停止训练,获得已训练的侵权预测模型。
在一个实施例中,服务器也可以从其他用于存储商标图像的服务器获取预设商标图像,或者基于网络从指定网页获取预设商标图像。
在一个实施例中,服务器获取用作训练样本集的多个已标注的目标商标图像对,并根据该训练样本集和已训练的特征提取模型进行模型训练,获得已训练的侵权预测模型。其中,训练样本集包括目标商标图像对和相应的目标标签。具体地,服务器将目标商标图像对中的一个商标图像,输入已训练的第一特征提取模型获得第一图像特征,并将该目标商标图像对中的另一个商标图像输入已训练的第二特征提取模型获得第二图像特征,并将该第一图像特征和第二图像特征进行拼接获得第三图像特征。服务器将该第三图像特征作为输入特征,相应的目标标签作为期望的输出特征,对卷积神经网络进行模型训练获得侵权预测模型。其中,第一特征提取模型和第二特征提取模型权重共享。
在一个实施例中,卷积神经网络包括至少一个卷积层、批量归一化层、最大池化层、全连接层和softmax层。为了防止过拟合,在上述模型训练过程中,对于每层的神经网络可执行Dropout,即对于组成每层神经网络的每个神经网络单元,按照指定概率将其从该神经网络中暂时丢弃,从而获得更瘦的神经网络。
上述实施例中,根据所获取到的训练样本集进行模型训练,以通过训练获得的侵权预测模型对应判定目标商标图像是否侵权,提高了商标侵权的识别效率和准确性。
在一个实施例中,将目标图像特征作为输入特征,将相应的目标标签作为期望的输出特征,对卷积神经网络进行模型训练,包括:将目标图像特征作为输入特征输入卷积神经网络进行预测,获得相应的预测标签;按照预设计算方式计算预测标签与相应的、作为期望的输出特征的目标标签之间的对比损失值;根据对比损失值按照预设方式训练卷积神经网络的权重参数;当达到预设条件时停止训练,获得已训练的侵权预测模型,包括:当权重参数符合预设条件时停止训练,获得已训练的侵权预测模型。
其中,预设计算方式是预先设定的用于计算预测标签与目标标签之间的对比损失值的方式。预设计算方式比如基于对比损失函数进行计算。对比损失值是指预测标签相对于相应目标标签的差值。对比损失值具体可以是基于对比损失函数对应计算的预测标签与相应目标标签之间的差值。预设方式是指预先设定的用于根据对比损失值对卷积神经网络的权重参数进行训练的方式。预设方式具体可以是通过反向传播算法来对应训练卷积神经网络的权重参数。
具体地,服务器基于已训练的特征提取模型,获得与训练样本集中的每个目标图像对所对应的目标图像特征时,将所获得的每个目标图像特征作为输入特征依次输入卷积神经网络进行预测,获得每个目标图像特征所对应的预测标签。对于该多个目标图像特征中的每个目标图像特征,服务器基于对比损失函数依次计算每个目标图像特征所对应的预测标签与目标标签之间的对比损失值。其中,目标标签是与作为输入特征的目标图像相对应的期望的输出特征。服务器根据计算所得的对比损失值通过反向传播算法依次训练卷积神经网络的权重参数。当权重参数趋于稳定时,即当权重参数收敛时,服务器停止训练,获得已训练的侵权预测模型。
在一个实施例中,服务器针对多个目标图像特征中的每个目标图像特征,迭代的执行根据目标图像特征预测获得相应的预测标签,进而计算相应的对比损失值,并根据该对比损失值对卷积神经网络的权重参数进行训练的相关步骤,且当权重参数符合预设条件时停止迭代,获得已训练的侵权预测参数。在当前迭代过程完成时,若权重参数不符合预设条件,则针对另一目标图像特征继续执行上述迭代过程,直至权重参数符合预设条件,或者针对该多个目标图像特征中的每个目标图像特征均执行完上述迭代过程时,停止迭代。
在一个实施例中,在上述迭代进行的训练过程中,当对比损失函数收敛或者对比损失值趋于稳定时,停止迭代,获得已训练的侵权预测模型。
上述实施例中,在模型训练过程中,根据预测标签和相应的目标标签之间的对比损失值对应训练卷积神经网络的权重参数,以获得已训练的侵权预测模型,提高了模型训练效率和准确性。
如图3所示,在一个实施例中提供了一种商标侵权的识别方法,该方法具体包括以下步骤:
S302,获取目标商标图像。
S304,根据目标商标图像查询预存储的候选商标图像;候选商标图像有多个。
S306,将目标商标图像分别与每个候选商标图像进行组合,获得多个商标图像对。
S308,对于每个商标图像对,将商标图像对中的目标商标图像输入第一特征提取模型,获得相应的第一图像特征,并将商标图像对中的候选商标图像输入第二特征提取模型进行预测,获得相应的第二图像特征。
S310,将第一图像特征和第二图像特征进行拼接获得第三图像特征。
S312,将第三图像特征输入已训练的侵权预测模型进行预测,获得目标预测标签。
S314,当多个商标图像对各自对应的目标预测标签中,存在商标侵权的标签时,将目标商标图像确定为侵权商标图像。
上述实施例中,将目标商标图像分别与多个候选商标图像进行组合,基于组合获得的多个商标图像对,借助于特征提取模型和侵权预测模型,对目标商标图像进行侵权识别,提高了识别效率和准确性。
如图4所示,在一个实施例中,提供了一种商标侵权的识别方法中侵权预测模型的训练步骤,具体包括:
S402,获取训练样本集;训练样本集包括目标商标图像对和相应的目标标签。
S404,根据目标图像对和已训练的特征提取模型获得相应的目标图像特征。
S406,将目标图像特征作为输入特征输入卷积神经网络进行预测,获得相应的预测标签。
S408,按照预设计算方式计算预测标签与相应的、作为期望的输出特征的目标标签之间的对比损失值。
S410,根据对比损失值按照预设方式训练卷积神经网络的权重参数。
S412,当权重参数符合预设条件时停止训练,获得已训练的侵权预测模型。
上述实施例中,提供了侵权预测模型的训练步骤,基于该训练步骤训练获得的侵权预测模型能够用于商标侵权的识别,提高了识别效率和准确性。
应该理解的是,虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种商标侵权的识别装置500,包括:获取模块502、查询模块504、提取模块506、拼接模块508、预测模块510和判定模块512,其中:
获取模块502,用于获取目标商标图像。
查询模块504,用于根据目标商标图像查询预存储的候选商标图像。
提取模块506,用于将目标商标图像和候选商标图像分别输入已训练的特征提取模型进行预测,获得与目标商标图像对应的第一图像特征,以及与候选商标图像对应的第二图像特征。
拼接模块508,用于将第一图像特征和第二图像特征进行拼接获得第三图像特征。
预测模块510,用于将第三图像特征输入已训练的侵权预测模型进行预测,获得目标预测标签。
判定模块512,用于当目标预测标签为商标侵权的标签时,将目标商标图像确定为侵权商标图像。
在一个实施例中,候选商标图像有多个;特征提取模型包括第一特征提取模型和第二特征提取模型;提取模块506,还用于将目标商标图像分别与每个候选商标图像进行组合,获得多个商标图像对;对于每个商标图像对,将商标图像对中的目标商标图像输入第一特征提取模型,获得相应的第一图像特征,并将商标图像对中的候选商标图像输入第二特征提取模型进行预测,获得相应的第二图像特征;判定模块512,还用于当多个商标图像对各自对应的目标预测标签中,存在商标侵权的标签时,将目标商标图像确定为侵权商标图像。
在一个实施例中,候选商标图像有多个;提取模块506,还用于将目标商标图像分别与每个候选商标图像进行组合,获得多个商标图像对;对于多个商标图像对,按照指定顺序迭代的执行将目标商标图像和候选商标图像分别输入已训练的特征提取模型进行预测,获得与目标商标图像对应的第一图像特征,以及与候选商标图像对应的第二图像特征的步骤;判定模块512,还用于在当前预测的商标图像对所对应的目标预测标签为商标侵权的标签时,停止迭代,将目标商标图像确定为侵权商标图像。
如图6所示,在一个实施例中,商标侵权的识别装置500,还包括:模型训练模块514;
模型训练模块514,用于获取预设商标图像;按照预设提取方式从预设商标图像中提取预设图像特征;将预设商标图像作为输入特征,将相应的预设图像特征作为期望的输出特征,对初始化的特征提取模型进行训练获得已训练的特征提取模型。
在一个实施例中,模型训练模块514,还用于获取训练样本集;训练样本集包括目标商标图像对和相应的目标标签;根据目标图像对和已训练的特征提取模型获得相应的目标图像特征;将目标图像特征作为输入特征,将相应的目标标签作为期望的输出特征,对卷积神经网络进行模型训练;当达到预设条件时停止训练,获得已训练的侵权预测模型。
在一个实施例中,模型训练模块514,还用于将目标图像特征作为输入特征输入卷积神经网络进行预测,获得相应的预测标签;按照预设计算方式计算预测标签与相应的、作为期望的输出特征的目标标签之间的对比损失值;根据对比损失值按照预设方式训练卷积神经网络的权重参数;当权重参数符合预设条件时停止训练,获得已训练的侵权预测模型。
关于商标侵权的识别装置的具体限定可以参见上文中对于商标侵权的识别方法的限定,在此不再赘述。上述商标侵权的识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储候选商标图像。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种商标侵权的识别方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取目标商标图像;根据目标商标图像查询预存储的候选商标图像;将目标商标图像和候选商标图像分别输入已训练的特征提取模型进行预测,获得与目标商标图像对应的第一图像特征,以及与候选商标图像对应的第二图像特征;将第一图像特征和第二图像特征进行拼接获得第三图像特征;将第三图像特征输入已训练的侵权预测模型进行预测,获得目标预测标签;当目标预测标签为商标侵权的标签时,将目标商标图像确定为侵权商标图像。
在一个实施例中,候选商标图像有多个;特征提取模型包括第一特征提取模型和第二特征提取模型;处理器执行计算机程序时还实现以下步骤:将目标商标图像分别与每个候选商标图像进行组合,获得多个商标图像对;将目标商标图像和候选商标图像分别输入已训练的特征提取模型进行预测,获得与目标商标图像对应的第一图像特征,以及与候选商标图像对应的第二图像特征,包括:对于每个商标图像对,将商标图像对中的目标商标图像输入第一特征提取模型,获得相应的第一图像特征,并将商标图像对中的候选商标图像输入第二特征提取模型进行预测,获得相应的第二图像特征;当目标预测标签为商标侵权的标签时,将目标商标图像确定为侵权商标图像,包括:当多个商标图像对各自对应的目标预测标签中,存在商标侵权的标签时,将目标商标图像确定为侵权商标图像。
在一个实施例中,候选商标图像有多个;处理器执行计算机程序时还实现以下步骤:将目标商标图像分别与每个候选商标图像进行组合,获得多个商标图像对;对于多个商标图像对,按照指定顺序迭代的实现将目标商标图像和候选商标图像分别输入已训练的特征提取模型进行预测,获得与目标商标图像对应的第一图像特征,以及与候选商标图像对应的第二图像特征的步骤;当目标预测标签为商标侵权的标签时,将目标商标图像确定为侵权商标图像,包括:在当前预测的商标图像对所对应的目标预测标签为商标侵权的标签时,停止迭代,将目标商标图像确定为侵权商标图像。
在一个实施例中,处理器执行计算机程序时还实现特征提取模型的训练步骤,包括:获取预设商标图像;按照预设提取方式从预设商标图像中提取预设图像特征;将预设商标图像作为输入特征,将相应的预设图像特征作为期望的输出特征,对初始化的特征提取模型进行训练获得已训练的特征提取模型。
在一个实施例中,处理器执行计算机程序时还实现侵权预测模型的训练步骤,包括:获取训练样本集;训练样本集包括目标商标图像对和相应的目标标签;根据目标图像对和已训练的特征提取模型获得相应的目标图像特征;将目标图像特征作为输入特征,将相应的目标标签作为期望的输出特征,对卷积神经网络进行模型训练;当达到预设条件时停止训练,获得已训练的侵权预测模型。
在一个实施例中,将目标图像特征作为输入特征,将相应的目标标签作为期望的输出特征,对卷积神经网络进行模型训练,包括:将目标图像特征作为输入特征输入卷积神经网络进行预测,获得相应的预测标签;按照预设计算方式计算预测标签与相应的、作为期望的输出特征的目标标签之间的对比损失值;根据对比损失值按照预设方式训练卷积神经网络的权重参数;当达到预设条件时停止训练,获得已训练的侵权预测模型,包括:当权重参数符合预设条件时停止训练,获得已训练的侵权预测模型。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取目标商标图像;根据目标商标图像查询预存储的候选商标图像;将目标商标图像和候选商标图像分别输入已训练的特征提取模型进行预测,获得与目标商标图像对应的第一图像特征,以及与候选商标图像对应的第二图像特征;将第一图像特征和第二图像特征进行拼接获得第三图像特征;将第三图像特征输入已训练的侵权预测模型进行预测,获得目标预测标签;当目标预测标签为商标侵权的标签时,将目标商标图像确定为侵权商标图像。
在一个实施例中,候选商标图像有多个;特征提取模型包括第一特征提取模型和第二特征提取模型;计算机程序被处理器执行时还实现以下步骤:将目标商标图像分别与每个候选商标图像进行组合,获得多个商标图像对;将目标商标图像和候选商标图像分别输入已训练的特征提取模型进行预测,获得与目标商标图像对应的第一图像特征,以及与候选商标图像对应的第二图像特征,包括:对于每个商标图像对,将商标图像对中的目标商标图像输入第一特征提取模型,获得相应的第一图像特征,并将商标图像对中的候选商标图像输入第二特征提取模型进行预测,获得相应的第二图像特征;当目标预测标签为商标侵权的标签时,将目标商标图像确定为侵权商标图像,包括:当多个商标图像对各自对应的目标预测标签中,存在商标侵权的标签时,将目标商标图像确定为侵权商标图像。
在一个实施例中,候选商标图像有多个;计算机程序被处理器执行时还实现以下步骤:将目标商标图像分别与每个候选商标图像进行组合,获得多个商标图像对;对于多个商标图像对,按照指定顺序迭代的实现将目标商标图像和候选商标图像分别输入已训练的特征提取模型进行预测,获得与目标商标图像对应的第一图像特征,以及与候选商标图像对应的第二图像特征的步骤;当目标预测标签为商标侵权的标签时,将目标商标图像确定为侵权商标图像,包括:在当前预测的商标图像对所对应的目标预测标签为商标侵权的标签时,停止迭代,将目标商标图像确定为侵权商标图像。
在一个实施例中,计算机程序被处理器执行时还实现特征提取模型的训练步骤,包括:获取预设商标图像;按照预设提取方式从预设商标图像中提取预设图像特征;将预设商标图像作为输入特征,将相应的预设图像特征作为期望的输出特征,对初始化的特征提取模型进行训练获得已训练的特征提取模型。
在一个实施例中,计算机程序被处理器执行时还实现侵权预测模型的训练步骤,包括:获取训练样本集;训练样本集包括目标商标图像对和相应的目标标签;根据目标图像对和已训练的特征提取模型获得相应的目标图像特征;将目标图像特征作为输入特征,将相应的目标标签作为期望的输出特征,对卷积神经网络进行模型训练;当达到预设条件时停止训练,获得已训练的侵权预测模型。
在一个实施例中,将目标图像特征作为输入特征,将相应的目标标签作为期望的输出特征,对卷积神经网络进行模型训练,包括:将目标图像特征作为输入特征输入卷积神经网络进行预测,获得相应的预测标签;按照预设计算方式计算预测标签与相应的、作为期望的输出特征的目标标签之间的对比损失值;根据对比损失值按照预设方式训练卷积神经网络的权重参数;当达到预设条件时停止训练,获得已训练的侵权预测模型,包括:当权重参数符合预设条件时停止训练,获得已训练的侵权预测模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种商标侵权的识别方法,所述方法包括:
获取目标商标图像;
根据所述目标商标图像查询预存储的候选商标图像;
将所述目标商标图像和所述候选商标图像分别输入已训练的特征提取模型进行预测,获得与所述目标商标图像对应的第一图像特征,以及与所述候选商标图像对应的第二图像特征;
将所述第一图像特征和所述第二图像特征进行拼接获得第三图像特征;
将所述第三图像特征输入已训练的侵权预测模型进行预测,获得目标预测标签;
当所述目标预测标签为商标侵权的标签时,将所述目标商标图像确定为侵权商标图像。
2.根据权利要求1所述的方法,其特征在于,所述候选商标图像有多个;所述特征提取模型包括第一特征提取模型和第二特征提取模型;所述方法还包括:
将所述目标商标图像分别与每个所述候选商标图像进行组合,获得多个商标图像对;
所述将所述目标商标图像和所述候选商标图像分别输入已训练的特征提取模型进行预测,获得与所述目标商标图像对应的第一图像特征,以及与所述候选商标图像对应的第二图像特征,包括:
对于每个所述商标图像对,将所述商标图像对中的目标商标图像输入所述第一特征提取模型,获得相应的第一图像特征,并将所述商标图像对中的候选商标图像输入所述第二特征提取模型进行预测,获得相应的第二图像特征;
所述当所述目标预测标签为商标侵权的标签时,将所述目标商标图像确定为侵权商标图像,包括:
当所述多个商标图像对各自对应的目标预测标签中,存在商标侵权的标签时,将所述目标商标图像确定为侵权商标图像。
3.根据权利要求1所述的方法,其特征在于,所述候选商标图像有多个;所述方法还包括:
将所述目标商标图像分别与每个所述候选商标图像进行组合,获得多个商标图像对;
对于所述多个商标图像对,按照指定顺序迭代的执行所述将所述目标商标图像和所述候选商标图像分别输入已训练的特征提取模型进行预测,获得与所述目标商标图像对应的第一图像特征,以及与所述候选商标图像对应的第二图像特征的步骤;
所述当所述目标预测标签为商标侵权的标签时,将所述目标商标图像确定为侵权商标图像,包括:
在当前预测的商标图像对所对应的目标预测标签为商标侵权的标签时,停止迭代,将所述目标商标图像确定为侵权商标图像。
4.根据权利要求1至3任意一项所述的方法,其特征在于,所述特征提取模型的训练步骤,包括:
获取预设商标图像;
按照预设提取方式从所述预设商标图像中提取预设图像特征;
将所述预设商标图像作为输入特征,将相应的所述预设图像特征作为期望的输出特征,对初始化的特征提取模型进行训练获得已训练的特征提取模型。
5.根据权利要求1至3任意一项所述的方法,其特征在于,所述侵权预测模型的训练步骤,包括:
获取训练样本集;所述训练样本集包括目标商标图像对和相应的目标标签;
根据所述目标图像对和已训练的特征提取模型获得相应的目标图像特征;
将所述目标图像特征作为输入特征,将相应的所述目标标签作为期望的输出特征,对卷积神经网络进行模型训练;
当达到预设条件时停止训练,获得已训练的侵权预测模型。
6.根据权利要求5所述的方法,其特征在于,所述将所述目标图像特征作为输入特征,将相应的所述目标标签作为期望的输出特征,对卷积神经网络进行模型训练,包括:
将所述目标图像特征作为输入特征输入卷积神经网络进行预测,获得相应的预测标签;
按照预设计算方式计算所述预测标签与相应的、作为期望的输出特征的所述目标标签之间的对比损失值;
根据所述对比损失值按照预设方式训练所述卷积神经网络的权重参数;
所述当达到预设条件时停止训练,获得已训练的侵权预测模型,包括:
当所述权重参数符合预设条件时停止训练,获得已训练的侵权预测模型。
7.一种商标侵权的识别装置,其特征在于,所述装置包括:
获取模块,用于获取目标商标图像;
查询模块,用于根据所述目标商标图像查询预存储的候选商标图像;
提取模块,用于将所述目标商标图像和所述候选商标图像分别输入已训练的特征提取模型进行预测,获得与所述目标商标图像对应的第一图像特征,以及与所述候选商标图像对应的第二图像特征;
拼接模块,用于将所述第一图像特征和所述第二图像特征进行拼接获得第三图像特征;
预测模块,用于将所述第三图像特征输入已训练的侵权预测模型进行预测,获得目标预测标签;
判定模块,用于当所述目标预测标签为商标侵权的标签时,将所述目标商标图像确定为侵权商标图像。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:模型训练模块;
所述模型训练模块,用于获取预设商标图像;按照预设提取方式从所述预设商标图像中提取预设图像特征;将所述预设商标图像作为输入特征,将相应的所述预设图像特征作为期望的输出特征,对初始化的特征提取模型进行训练获得已训练的特征提取模型。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811051616.6A CN109376741A (zh) | 2018-09-10 | 2018-09-10 | 商标侵权的识别方法、装置、计算机设备和存储介质 |
PCT/CN2019/071363 WO2020052183A1 (zh) | 2018-09-10 | 2019-01-11 | 商标侵权的识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811051616.6A CN109376741A (zh) | 2018-09-10 | 2018-09-10 | 商标侵权的识别方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109376741A true CN109376741A (zh) | 2019-02-22 |
Family
ID=65404760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811051616.6A Pending CN109376741A (zh) | 2018-09-10 | 2018-09-10 | 商标侵权的识别方法、装置、计算机设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109376741A (zh) |
WO (1) | WO2020052183A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110033018A (zh) * | 2019-03-06 | 2019-07-19 | 平安科技(深圳)有限公司 | 图形相似度判断方法、装置及计算机可读存储介质 |
CN112163140A (zh) * | 2020-10-27 | 2021-01-01 | 北京梦知网科技有限公司 | 一种检测商标侵权的方法、装置及系统 |
CN114529784A (zh) * | 2022-02-18 | 2022-05-24 | 广东数源智汇科技有限公司 | 一种面向电商数据的商标侵权分析方法及系统 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814820B (zh) * | 2020-05-18 | 2024-06-18 | 北京迈格威科技有限公司 | 图像处理方法及装置 |
CN114428878A (zh) * | 2022-04-06 | 2022-05-03 | 广东知得失网络科技有限公司 | 一种商标图像检索方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1581159A (zh) * | 2003-08-04 | 2005-02-16 | 中国科学院自动化研究所 | 商标检索方法 |
CN102799653A (zh) * | 2012-06-29 | 2012-11-28 | 中国科学院自动化研究所 | 一种基于空间连通域预定位的商标检测方法 |
CN102982165A (zh) * | 2012-12-10 | 2013-03-20 | 南京大学 | 一种大规模人脸图像检索方法 |
CN105654056A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院深圳先进技术研究院 | 人脸识别的方法及装置 |
CN106530194A (zh) * | 2015-09-09 | 2017-03-22 | 阿里巴巴集团控股有限公司 | 一种疑似侵权产品图片的检测方法及装置 |
CN106682127A (zh) * | 2016-12-13 | 2017-05-17 | 上海联影医疗科技有限公司 | 图像搜索系统及方法 |
CN108009560A (zh) * | 2016-11-02 | 2018-05-08 | 广州图普网络科技有限公司 | 商品图像相似类别判定方法及装置 |
CN108038122A (zh) * | 2017-11-03 | 2018-05-15 | 福建师范大学 | 一种商标图像检索的方法 |
CN108154182A (zh) * | 2017-12-25 | 2018-06-12 | 合肥阿巴赛信息科技有限公司 | 基于成对比较网络的珠宝相似性度量方法 |
CN108427927A (zh) * | 2018-03-16 | 2018-08-21 | 深圳市商汤科技有限公司 | 目标再识别方法和装置、电子设备、程序和存储介质 |
CN108446612A (zh) * | 2018-03-07 | 2018-08-24 | 腾讯科技(深圳)有限公司 | 车辆识别方法、装置及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258037A (zh) * | 2013-05-16 | 2013-08-21 | 西安工业大学 | 一种针对多组合内容的商标识别检索方法 |
CN105701501B (zh) * | 2016-01-04 | 2019-01-18 | 北京大学 | 一种商标图像识别方法 |
CN107273535A (zh) * | 2017-06-29 | 2017-10-20 | 朱峰 | 一种商标智能分析系统 |
-
2018
- 2018-09-10 CN CN201811051616.6A patent/CN109376741A/zh active Pending
-
2019
- 2019-01-11 WO PCT/CN2019/071363 patent/WO2020052183A1/zh active Application Filing
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1581159A (zh) * | 2003-08-04 | 2005-02-16 | 中国科学院自动化研究所 | 商标检索方法 |
CN102799653A (zh) * | 2012-06-29 | 2012-11-28 | 中国科学院自动化研究所 | 一种基于空间连通域预定位的商标检测方法 |
CN102982165A (zh) * | 2012-12-10 | 2013-03-20 | 南京大学 | 一种大规模人脸图像检索方法 |
CN106530194A (zh) * | 2015-09-09 | 2017-03-22 | 阿里巴巴集团控股有限公司 | 一种疑似侵权产品图片的检测方法及装置 |
CN105654056A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院深圳先进技术研究院 | 人脸识别的方法及装置 |
CN108009560A (zh) * | 2016-11-02 | 2018-05-08 | 广州图普网络科技有限公司 | 商品图像相似类别判定方法及装置 |
CN106682127A (zh) * | 2016-12-13 | 2017-05-17 | 上海联影医疗科技有限公司 | 图像搜索系统及方法 |
CN108038122A (zh) * | 2017-11-03 | 2018-05-15 | 福建师范大学 | 一种商标图像检索的方法 |
CN108154182A (zh) * | 2017-12-25 | 2018-06-12 | 合肥阿巴赛信息科技有限公司 | 基于成对比较网络的珠宝相似性度量方法 |
CN108446612A (zh) * | 2018-03-07 | 2018-08-24 | 腾讯科技(深圳)有限公司 | 车辆识别方法、装置及存储介质 |
CN108427927A (zh) * | 2018-03-16 | 2018-08-21 | 深圳市商汤科技有限公司 | 目标再识别方法和装置、电子设备、程序和存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110033018A (zh) * | 2019-03-06 | 2019-07-19 | 平安科技(深圳)有限公司 | 图形相似度判断方法、装置及计算机可读存储介质 |
CN110033018B (zh) * | 2019-03-06 | 2023-10-31 | 平安科技(深圳)有限公司 | 图形相似度判断方法、装置及计算机可读存储介质 |
CN112163140A (zh) * | 2020-10-27 | 2021-01-01 | 北京梦知网科技有限公司 | 一种检测商标侵权的方法、装置及系统 |
CN114529784A (zh) * | 2022-02-18 | 2022-05-24 | 广东数源智汇科技有限公司 | 一种面向电商数据的商标侵权分析方法及系统 |
CN114529784B (zh) * | 2022-02-18 | 2022-11-18 | 广东数源智汇科技有限公司 | 一种面向电商数据的商标侵权分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2020052183A1 (zh) | 2020-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109376741A (zh) | 商标侵权的识别方法、装置、计算机设备和存储介质 | |
CN111339321B (zh) | 知识图谱中三元组真实性检测方法和装置 | |
US20190188729A1 (en) | System and method for detecting counterfeit product based on deep learning | |
WO2019194986A1 (en) | Automated extraction of product attributes from images | |
CN109783604B (zh) | 基于少量样本的信息提取方法、装置和计算机设备 | |
CN110598206A (zh) | 文本语义识别方法、装置、计算机设备和存储介质 | |
CN110569500A (zh) | 文本语义识别方法、装置、计算机设备和存储介质 | |
CN109033386A (zh) | 搜索排序方法、装置、计算机设备和存储介质 | |
CN110188761A (zh) | 验证码的识别方法、装置、计算机设备和存储介质 | |
CN109522406A (zh) | 文本语义匹配方法、装置、计算机设备和存储介质 | |
CN109767261A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
USRE47830E1 (en) | Computing device and method using associative pattern memory using recognition codes for input patterns | |
CN109285105A (zh) | 水印检测方法、装置、计算机设备和存储介质 | |
CN107886082B (zh) | 图像中数学公式检测方法、装置、计算机设备及存储介质 | |
CN112395412B (zh) | 文本分类的方法、装置以及计算机可读介质 | |
CN110968689A (zh) | 罪名及法条预测模型的训练方法以及罪名及法条预测方法 | |
CN110955659A (zh) | 处理数据表的方法及系统 | |
CN112749723A (zh) | 样本标注方法、装置、计算机设备和存储介质 | |
CN116432184A (zh) | 基于语义分析和双向编码表征的恶意软件检测方法 | |
CN110968664A (zh) | 一种文书检索方法、装置、设备及介质 | |
CN117132763A (zh) | 电力图像异常检测方法、装置、计算机设备和存储介质 | |
CN113128448B (zh) | 基于肢体识别的视频匹配方法、装置、设备及存储介质 | |
CN114692889A (zh) | 用于机器学习算法的元特征训练模型 | |
CN109101984B (zh) | 一种基于卷积神经网络的图像识别方法及装置 | |
CN111161009B (zh) | 信息推送方法、装置、计算机设备和存储介质 |
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 |