CN116912597A - 知识产权智能管理系统及其方法 - Google Patents

知识产权智能管理系统及其方法 Download PDF

Info

Publication number
CN116912597A
CN116912597A CN202310980903.XA CN202310980903A CN116912597A CN 116912597 A CN116912597 A CN 116912597A CN 202310980903 A CN202310980903 A CN 202310980903A CN 116912597 A CN116912597 A CN 116912597A
Authority
CN
China
Prior art keywords
product
feature
feature map
image
authorized
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.)
Withdrawn
Application number
CN202310980903.XA
Other languages
English (en)
Inventor
黄风
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Chuang Ronghui Technology Service Co ltd
Original Assignee
Hangzhou Chuang Ronghui Technology Service Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Chuang Ronghui Technology Service Co ltd filed Critical Hangzhou Chuang Ronghui Technology Service Co ltd
Priority to CN202310980903.XA priority Critical patent/CN116912597A/zh
Publication of CN116912597A publication Critical patent/CN116912597A/zh
Withdrawn legal-status Critical Current

Links

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
    • G06V10/70—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
    • 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
    • G06Q50/184—Intellectual property management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Technology Law (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及智能管理领域，其具体地公开了一种知识产权智能管理系统及其方法，其采用基于深度神经网络模型的人工智能技术，获取市面上所有相同类别类似的已授权产品图像和待检测产品的图像，通过双流检测模型得到授权产品特征图和产品检测特征图，再通过通道注意力模块进行特征增强，以得到用于表示待检测产品是否侵权的分类结果。这样，构建知识产权智能管理方案，可以实现自动化的知识产权侵权检测，帮助企业有效保护自己的知识产权权益。

Description

知识产权智能管理系统及其方法
技术领域
本申请涉及智能管理领域，且更为具体地，涉及一种知识产权智能管理系统及其方法。
背景技术
知识产权主要的三种是著作权、专利权和商标权，其中专利权与商标权也被统称为工业产权。在授权之前需要对待检测的产品进行一个侵权情况的分析，和已经授权的产品进行一个比较，看是否有侵权的风险。但由于现有的技术很难对已经授权的产品和待检测的产品有一个准确的判断和分析。
因此，期待一种优化的知识产权智能管理方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种知识产权智能管理系统及其方法，其采用基于深度神经网络模型的人工智能技术，获取市面上所有相同类别类似的已授权产品图像和待检测产品的图像，通过双流检测模型得到授权产品特征图和产品检测特征图，再通过通道注意力模块进行特征增强，以得到用于表示待检测产品是否侵权的分类结果。这样，构建知识产权智能管理方案，可以实现自动化的知识产权侵权检测，帮助企业有效保护自己的知识产权权益。
根据本申请的一个方面，提供了一种知识产权智能管理系统，其包括：
图像采集模块，用于获取市面上所有相同类别类似的已授权产品图像和待检测产品的图像；
产品特征提取模块，用于将所述已授权产品图像和所述待检测产品的图像通过包含第一图像编码器和第二图像编码器的双流检测模型以得到授权产品特征图和产品检测特征图，其中，所述第一图像编码器和所述第二图像编码器具有相同的网络结构；
增强特征提取模块，用于将所述授权产品特征图和所述产品检测特征图分别通过通道注意力模块以得到增强授权产品特征图和增强产品检测特征图；
差分计算模块，用于计算所述增强产品检测特征图和所述增强授权产品特征图之间的产品差分特征图；
优化模块，用于对所述产品差分特征图进行特征分布优化以得到优化产品差分特征图；
侵权结果判断模块，用于将所述优化产品差分特征图通过分类器以得到分类结果，所述分类结果用于表示待检测产品是否侵权。
在上述知识产权智能管理系统中，所述第一图像编码器和所述第二图像编码器为作为特征提取器的深度卷积神经网络模型。
在上述知识产权智能管理系统中，所述产品特征提取模块，包括：已授权产品特征提取单元，用于使用所述第一图像编码器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一图像编码器的最后一层的输出为所述授权产品特征图，所述第一图像编码器的第一层的输入为所述已授权产品图像；以及，待检测产品特征提取单元，用于使用所述第二图像编码器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二图像编码器的最后一层的输出为所述产品检测特征图，所述第二图像编码器的第一层的输入为所述待检测产品的图像。
在上述知识产权智能管理系统中，所述增强特征提取模块，包括：池化单元，用于计算所述授权产品特征图和所述产品检测特征图的沿通道维度的各个特征矩阵的全局均值池化以得到通道特征向量；激活单元，用于将所述通道特征向量输入Softmax激活函数以得到通道注意力权重特征向量；以及，加权单元，用于以所述通道注意力权重特征向量中各个位置的特征值作为权重分别对所述授权产品特征图和所述产品检测特征图的沿通道维度的各个特征矩阵进行加权以得到所述增强授权产品特征图和增强产品检测特征图。
在上述知识产权智能管理系统中，所述差分计算模块，用于：以如下差分公式计算所述增强产品检测特征图和所述增强授权产品特征图之间的产品差分特征图；其中，所述差分公式为：
其中，F1表示所述增强产品检测特征图，F2表示所述增强授权产品特征图，Fc表示所述产品差分特征图，表示按位置差分。
在上述知识产权智能管理系统中，所述侵权结果判断模块，包括：展开单元，用于将所述优化产品差分特征图展开为分类特征向量；全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面，提供了一种知识产权智能管理方法，其包括：
获取市面上所有相同类别类似的已授权产品图像和待检测产品的图像；
将所述已授权产品图像和所述待检测产品的图像通过包含第一图像编码器和第二图像编码器的双流检测模型以得到授权产品特征图和产品检测特征图，其中，所述第一图像编码器和所述第二图像编码器具有相同的网络结构；
将所述授权产品特征图和所述产品检测特征图分别通过通道注意力模块以得到增强授权产品特征图和增强产品检测特征图；
计算所述增强产品检测特征图和所述增强授权产品特征图之间的产品差分特征图；
对所述产品差分特征图进行特征分布优化以得到优化产品差分特征图；将所述优化产品差分特征图通过分类器以得到分类结果，所述分类结果用于表示待检测产品是否侵权。
与现有技术相比，本申请提供的一种知识产权智能管理系统及其方法，其采用基于深度神经网络模型的人工智能技术，获取市面上所有相同类别类似的已授权产品图像和待检测产品的图像，通过双流检测模型得到授权产品特征图和产品检测特征图，再通过通道注意力模块进行特征增强，以得到用于表示待检测产品是否侵权的分类结果。这样，构建知识产权智能管理方案，可以实现自动化的知识产权侵权检测，帮助企业有效保护自己的知识产权权益。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的知识产权智能管理系统的框图。
图2为根据本申请实施例的知识产权智能管理系统的架构示意图。
图3为根据本申请实施例的知识产权智能管理系统中增强特征提取模块的框图。
图4为根据本申请实施例的知识产权智能管理中优化模块的框图。
图5为根据本申请实施例的知识产权智能管理方法的流程图。
图6为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
如上所述，知识产权是指人们就其智力劳动成果所依法享有的专有权利，通常是国家赋予创造者对其智力成果在一定时期内享有的专有权或独占权。在产品进行授权之前需要多产品进行一个判断，和市面上的已经授权的产品进行一个比较，看是否有侵权的风险。但由于现有的技术很难精准地判断是否有侵权的风险。因此，期待一种优化的知识产权智能管理方案。
针对上述技术问题，本申请的申请人通过获取市面上所有相同类别类似的已授权产品图像和待检测产品的图像，通过双流检测模型得到特征图，再通过通道注意力模块进行特征增强，以得到用于表示待检测产品是否侵权的分类结果。
相应地，在本申请的技术方案中，考虑到在知识产权侵权检测中，已授权产品图像是合法的、授权的产品的图像样本，而待检测产品图像是需要进行侵权检测的产品的图像样本。通过获取这两类图像，我们可以构建一个包含各种样本的数据集，其中包括已经授权的合法产品和可能存在侵权行为的待检测产品。获取待检测产品图像的目的是为了在实际应用中进行侵权检测。通过将待检测产品的图像与已授权产品进行比较，可以判断待检测产品是否存在侵权行为，并提供相应的侵权检测结果。因此，获取已授权产品图像和待检测产品图像是为了构建全面的数据集，以支持知识产权侵权检测系统的训练和应用。这样的数据集能够提高系统的准确性，并帮助知识产权持有人更好地保护其权益。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
具体地，在本申请的技术方案中，首先，获取市面上所有相同类别类似的已授权产品图像和待检测产品的图像。考虑到在知识产权侵权检测中，特征提取是非常关键的一步。通过将已授权产品图像和待检测产品的图像输入到第一图像编码器和第二图像编码器中，可以分别得到它们的特征图。具体地，特征图是图像在编码器中经过多层卷积和池化等操作后得到的高维表示。它包含了图像的抽象特征，可以捕捉到图像的纹理、形状、颜色等信息。通过双流检测网络，我们可以得到授权产品特征图和产品检测特征图，它们分别对应已授权产品和待检测产品的特征表示。得到特征图后，可以进行差分计算，比较已授权产品特征图和产品检测特征图之间的差异，以判断待检测产品是否与已授权产品相似。同时，这些特征图也可以输入到分类器中进行分类判断，判断待检测产品是否侵权。因此，将所述已授权产品图像和所述待检测产品的图像通过包含第一图像编码器和第二图像编码器的双流检测模型以得到授权产品特征图和产品检测特征图，其中，所述第一图像编码器和所述第二图像编码器具有相同的网络结构，可以提取图像的特征信息，为后续的差分计算和分类判断提供依据，从而实现知识产权侵权的检测。
接着，考虑到在特征图中，每个通道对应着不同的特征信息。然而，并不是所有的特征通道都对判断侵权行为具有同等重要性。有些通道可能包含了与侵权行为无关的信息，而有些通道可能包含了与侵权行为相关的重要特征。通过通道注意力模块，我们可以对特征图中的每个通道进行权重调整，以突出重要的特征通道。通道注意力模块可以根据每个通道的重要性自动学习并调整通道的权重。这样，我们可以将更多的注意力集中在具有判别力的特征通道上，减少对无关通道的依赖，提高特征的判别能力。因此，将所述授权产品特征图和所述产品检测特征图分别通过通道注意力模块以得到增强授权产品特征图和增强产品检测特征图，可以提高特征的表达能力，突出与侵权行为相关的重要特征，从而增强知识产权侵权检测的准确性和可靠性。
然后，考虑到通过计算增强产品检测特征图和增强授权产品特征图之间的差分特征图，可以突出两者之间的差异性，即便是微小的差异也能被准确地捕捉到。具体地，差分特征图可以通过对应像素的数值相减得到，它反映了待检测产品与已授权产品在特征图上的差异情况。这些差异可能来自于待检测产品的设计、形状、颜色、纹理等方面的变化，也可能来自于待检测产品与已授权产品之间的细微差别。因此，计算所述增强产品检测特征图和所述增强授权产品特征图之间的产品差分特征图，可以将待检测产品与已授权产品进行比较，从而判断待检测产品是否存在侵权行为。差分特征图的计算可以帮助我们找到潜在的侵权产品，并提供依据给知识产权持有人进行进一步的调查和处理。
特别地，考虑到输入数据中可能存在冗余的信息，这会导致特征图中的局部特征之间存在冗余和相关性。例如，如果输入数据中的某些特征在统计上高度相关，那么通过卷积操作得到的特征图中的局部特征也可能呈现出高度相关性。在卷积神经网络中，通过卷积操作提取特征时，卷积核的感受野(receptive field)会在空间上重叠。这意味着不同位置的局部特征可能会受到相似的输入信息影响，导致特征图中的局部特征之间存在相关性。某些模型可能具有有限的表达能力，难以捕捉输入数据中的复杂关系。在这种情况下，模型可能倾向于使用相似的特征来表示不同的输入样本，导致特征图中的局部特征之间存在冗余和相关性。降低特征图中局部特征之间的冗余和相关性可以提高特征的独立性和表达能力，减少过拟合的风险，并改善模型的性能和泛化能力。
基于此，对所述产品差分特征图进行特征分布优化以得到优化产品差分特征图，包括：计算所述产品差分特征图的沿通道维度的各个特征矩阵相对于所述产品差分特征图的沿通道维度的其他各个特征矩阵之间的余弦相似度以得到多个余弦相似度，并计算所述多个余弦相似度的加和值作为所述产品差分特征图的沿通道维度的各个特征矩阵的全局自聚类几何相似度特征值；将所述产品差分特征图的沿通道维度的各个特征矩阵的全局自聚类几何相似度特征值进行排列以得到类内-类间自聚类相似度输入向量；将所述类内-类间自聚类相似度输入向量通过Softmax函数以得到概率化类内-类间自聚类相似度特征向量；以所述概率化类内-类间自聚类相似度特征向量中各个位置的特征值作为权重对所述产品差分特征图的沿通道维度的各个特征矩阵进行加权以得到所述优化产品差分特征图。
在本申请的技术方案中，通过计算所述产品差分特征图的沿通道维度的各个特征矩阵相对于所述产品差分特征图的沿通道维度的其他各个特征矩阵之间的余弦相似度来表示各个特征矩阵之间的特征流形几何相似度。考虑到在深度学习中，同类别特征之间的距离越小，几何相似度越高；不同类别特征之间的距离越大，几何相似度越低，因此，通过计算所述产品差分特征图的特征矩阵之间的余弦相似度可量化表示所述产品差分特征图中各个局部特征之间的自聚类几何相似度。并基于所述产品差分特征图的沿通道维度的各个特征矩阵的全局自聚类几何相似度特征值来对所述产品差分特征图的沿通道维度的各个特征矩阵进行特征流形调制以得到所述优化产品差分特征图。
这样，可以所述产品差分特征图的特征分布的稀疏性和正交性，且降低所述产品差分特征图的各个局部特征之间的冗余和相关性，增强特征的表达能力和区分能力。同时，还可以保持所述产品差分特征图的特征分布的流形结构，从而使得特征之间的距离和相似度更加符合数据的本质属性，提高特征的鲁棒性和可解释性。
进一步地，将所述优化产品差分特征图通过分类器以得到分类结果，所述分类结果用于表示待检测产品是否侵权。考虑到分类器是一个训练有素的机器学习模型，它可以学习从输入数据(优化差分特征图)到输出类别(侵权/非侵权)的映射关系。具体地，分类器的训练过程涉及使用已知的已授权产品和侵权产品的差分特征图作为训练样本，通过学习样本之间的模式和差异来建立分类模型。一旦分类器训练完成，它就可以根据待检测产品的差分特征图来预测其所属类别。通过使用分类器进行判断，可以实现自动化的侵权检测，避免了人工逐个比对的繁琐工作。分类器能够高效地处理大规模的待检测产品，提高检测的准确性和效率。
基于此，本申请提供了一种知识产权智能管理系统，其包括：图像采集模块，用于获取市面上所有相同类别类似的已授权产品图像和待检测产品的图像；产品特征提取模块，用于将所述已授权产品图像和所述待检测产品的图像通过包含第一图像编码器和第二图像编码器的双流检测模型以得到授权产品特征图和产品检测特征图，其中，所述第一图像编码器和所述第二图像编码器具有相同的网络结构；增强特征提取模块，用于将所述授权产品特征图和所述产品检测特征图分别通过通道注意力模块以得到增强授权产品特征图和增强产品检测特征图；差分计算模块，用于计算所述增强产品检测特征图和所述增强授权产品特征图之间的产品差分特征图；优化模块，用于对所述产品差分特征图进行特征分布优化以得到优化产品差分特征图；以及，侵权结果判断模块，用于将所述优化产品差分特征图通过分类器以得到分类结果，所述分类结果用于表示待检测产品是否侵权。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图1为根据本申请实施例的知识产权智能管理系统的框图。如图1所示，根据本申请实施例的知识产权智能管理系统100，包括：图像采集模块110，用于获取市面上所有相同类别类似的已授权产品图像和待检测产品的图像；产品特征提取模块120，用于将所述已授权产品图像和所述待检测产品的图像通过包含第一图像编码器和第二图像编码器的双流检测模型以得到授权产品特征图和产品检测特征图，其中，所述第一图像编码器和所述第二图像编码器具有相同的网络结构；增强特征提取模块130，用于将所述授权产品特征图和所述产品检测特征图分别通过通道注意力模块以得到增强授权产品特征图和增强产品检测特征图；差分计算模块140，用于计算所述增强产品检测特征图和所述增强授权产品特征图之间的产品差分特征图；优化模块150，用于对所述产品差分特征图进行特征分布优化以得到优化产品差分特征图；以及，侵权结果判断模块160，用于将所述优化产品差分特征图通过分类器以得到分类结果，所述分类结果用于表示待检测产品是否侵权。
图2为根据本申请实施例的知识产权智能管理系统的架构示意图。如图2所示，首先，获取市面上所有相同类别类似的已授权产品图像和待检测产品的图像。接着，将所述已授权产品图像和所述待检测产品的图像通过包含第一图像编码器和第二图像编码器的双流检测模型以得到授权产品特征图和产品检测特征图，其中，所述第一图像编码器和所述第二图像编码器具有相同的网络结构。然后，将所述授权产品特征图和所述产品检测特征图分别通过通道注意力模块以得到增强授权产品特征图和增强产品检测特征图。接着，计算所述增强产品检测特征图和所述增强授权产品特征图之间的产品差分特征图。然后，对所述产品差分特征图进行特征分布优化以得到优化产品差分特征图。最后，将所述优化产品差分特征图通过分类器以得到分类结果，所述分类结果用于表示待检测产品是否侵权。
在本申请实施例中，所述图像采集模块110，用于获取市面上所有相同类别类似的已授权产品图像和待检测产品的图像。考虑到在知识产权侵权检测中，已授权产品图像是合法的、授权的产品的图像样本，而待检测产品图像是需要进行侵权检测的产品的图像样本。通过获取这两类图像，我们可以构建一个包含各种样本的数据集，其中包括已经授权的合法产品和可能存在侵权行为的待检测产品。获取待检测产品图像的目的是为了在实际应用中进行侵权检测。通过将待检测产品的图像与已授权产品进行比较，可以判断待检测产品是否存在侵权行为，并提供相应的侵权检测结果。因此，获取已授权产品图像和待检测产品图像是为了构建全面的数据集，以支持知识产权侵权检测系统的训练和应用。这样的数据集能够提高系统的准确性，并帮助知识产权持有人更好地保护其权益。
在本申请实施例中，所述产品特征提取模块120，用于将所述已授权产品图像和所述待检测产品的图像通过包含第一图像编码器和第二图像编码器的双流检测模型以得到授权产品特征图和产品检测特征图，其中，所述第一图像编码器和所述第二图像编码器具有相同的网络结构。考虑到在知识产权侵权检测中，特征提取是非常关键的一步。通过将已授权产品图像和待检测产品的图像输入到第一图像编码器和第二图像编码器中，可以分别得到它们的特征图。具体地，特征图是图像在编码器中经过多层卷积和池化等操作后得到的高维表示。它包含了图像的抽象特征，可以捕捉到图像的纹理、形状、颜色等信息。通过双流检测网络，我们可以得到授权产品特征图和产品检测特征图，它们分别对应已授权产品和待检测产品的特征表示。得到特征图后，可以进行差分计算，比较已授权产品特征图和产品检测特征图之间的差异，以判断待检测产品是否与已授权产品相似。同时，这些特征图也可以输入到分类器中进行分类判断，判断待检测产品是否侵权。因此，将所述已授权产品图像和所述待检测产品的图像通过包含第一图像编码器和第二图像编码器的双流检测模型以得到授权产品特征图和产品检测特征图，其中，所述第一图像编码器和所述第二图像编码器具有相同的网络结构，可以提取图像的特征信息，为后续的差分计算和分类判断提供依据，从而实现知识产权侵权的检测。
具体地，在本申请实施例中，所述第一图像编码器和所述第二图像编码器为作为特征提取器的深度卷积神经网络模型。
更具体地，在本申请实施例中，所述产品特征提取模块，包括：已授权产品特征提取单元，用于使用所述第一图像编码器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一图像编码器的最后一层的输出为所述授权产品特征图，所述第一图像编码器的第一层的输入为所述已授权产品图像；以及，待检测产品特征提取单元，用于使用所述第二图像编码器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二图像编码器的最后一层的输出为所述产品检测特征图，所述第二图像编码器的第一层的输入为所述待检测产品的图像。
在本申请实施例中，所述增强特征提取模块130，用于将所述授权产品特征图和所述产品检测特征图分别通过通道注意力模块以得到增强授权产品特征图和增强产品检测特征图。考虑到在特征图中，每个通道对应着不同的特征信息。然而，并不是所有的特征通道都对判断侵权行为具有同等重要性。有些通道可能包含了与侵权行为无关的信息，而有些通道可能包含了与侵权行为相关的重要特征。通过通道注意力模块，我们可以对特征图中的每个通道进行权重调整，以突出重要的特征通道。通道注意力模块可以根据每个通道的重要性自动学习并调整通道的权重。这样，我们可以将更多的注意力集中在具有判别力的特征通道上，减少对无关通道的依赖，提高特征的判别能力。因此，将所述授权产品特征图和所述产品检测特征图分别通过通道注意力模块以得到增强授权产品特征图和增强产品检测特征图，可以提高特征的表达能力，突出与侵权行为相关的重要特征，从而增强知识产权侵权检测的准确性和可靠性。
图3为根据本申请实施例的知识产权智能管理中增强特征提取模块的框图。具体地，在本申请实施例中，如图3所示，所述增强特征提取模块130，包括：池化单元131，用于计算所述授权产品特征图和所述产品检测特征图的沿通道维度的各个特征矩阵的全局均值池化以得到通道特征向量；激活单元132，用于将所述通道特征向量输入Softmax激活函数以得到通道注意力权重特征向量；以及，加权单元133，用于以所述通道注意力权重特征向量中各个位置的特征值作为权重分别对所述授权产品特征图和所述产品检测特征图的沿通道维度的各个特征矩阵进行加权以得到所述增强授权产品特征图和增强产品检测特征图。
在本申请实施例中，所述差分计算模块140，用于计算所述增强产品检测特征图和所述增强授权产品特征图之间的产品差分特征图。考虑到通过计算增强产品检测特征图和增强授权产品特征图之间的差分特征图，可以突出两者之间的差异性，即便是微小的差异也能被准确地捕捉到。具体地，差分特征图可以通过对应像素的数值相减得到，它反映了待检测产品与已授权产品在特征图上的差异情况。这些差异可能来自于待检测产品的设计、形状、颜色、纹理等方面的变化，也可能来自于待检测产品与已授权产品之间的细微差别。因此，计算所述增强产品检测特征图和所述增强授权产品特征图之间的产品差分特征图，可以将待检测产品与已授权产品进行比较，从而判断待检测产品是否存在侵权行为。差分特征图的计算可以帮助我们找到潜在的侵权产品，并提供依据给知识产权持有人进行进一步的调查和处理。
具体地，在本申请实施例中，所述差分计算模块，用于：以如下差分公式计算所述增强产品检测特征图和所述增强授权产品特征图之间的产品差分特征图；其中，所述差分公式为：
其中，F1表示所述增强产品检测特征图，F2表示所述增强授权产品特征图，Fc表示所述产品差分特征图，表示按位置差分。
在本申请实施例中，所述优化模块150，用于对所述产品差分特征图进行特征分布优化以得到优化产品差分特征图。
特别地，考虑到输入数据中可能存在冗余的信息，这会导致特征图中的局部特征之间存在冗余和相关性。例如，如果输入数据中的某些特征在统计上高度相关，那么通过卷积操作得到的特征图中的局部特征也可能呈现出高度相关性。在卷积神经网络中，通过卷积操作提取特征时，卷积核的感受野(receptive field)会在空间上重叠。这意味着不同位置的局部特征可能会受到相似的输入信息影响，导致特征图中的局部特征之间存在相关性。某些模型可能具有有限的表达能力，难以捕捉输入数据中的复杂关系。在这种情况下，模型可能倾向于使用相似的特征来表示不同的输入样本，导致特征图中的局部特征之间存在冗余和相关性。降低特征图中局部特征之间的冗余和相关性可以提高特征的独立性和表达能力，减少过拟合的风险，并改善模型的性能和泛化能力。
图4为根据本申请实施例的知识产权智能管理中优化模块的框图。具体地，在本申请实施例中，如图4所示，所述优化模块150，包括：余弦相似度计算单元151，用于计算所述产品差分特征图的沿通道维度的各个特征矩阵相对于所述产品差分特征图的沿通道维度的其他各个特征矩阵之间的余弦相似度以得到多个余弦相似度；全局自聚类几何相似度计算单元152，用于计算所述多个余弦相似度的加和值作为所述产品差分特征图的沿通道维度的各个特征矩阵的全局自聚类几何相似度特征值；特征排列单元153，用于将所述产品差分特征图的沿通道维度的各个特征矩阵的全局自聚类几何相似度特征值进行排列以得到类内-类间自聚类相似度输入向量；概率化单元154，用于将所述类内-类间自聚类相似度输入向量通过Softmax函数以得到概率化类内-类间自聚类相似度特征向量；以及，权重施加单元155，用于以所述概率化类内-类间自聚类相似度特征向量中各个位置的特征值作为权重对所述产品差分特征图的沿通道维度的各个特征矩阵进行加权以得到所述优化产品差分特征图。
这样，可以所述产品差分特征图的特征分布的稀疏性和正交性，且降低所述产品差分特征图的各个局部特征之间的冗余和相关性，增强特征的表达能力和区分能力。同时，还可以保持所述产品差分特征图的特征分布的流形结构，从而使得特征之间的距离和相似度更加符合数据的本质属性，提高特征的鲁棒性和可解释性。
在本申请实施例中，所述侵权结果判断模块160，用于将优化所述产品差分特征图通过分类器以得到分类结果，所述分类结果用于表示待检测产品是否侵权。考虑到分类器是一个训练有素的机器学习模型，它可以学习从输入数据(差分特征图)到输出类别(侵权/非侵权)的映射关系。具体地，分类器的训练过程涉及使用已知的已授权产品和侵权产品的差分特征图作为训练样本，通过学习样本之间的模式和差异来建立分类模型。一旦分类器训练完成，它就可以根据待检测产品的差分特征图来预测其所属类别。通过使用分类器进行判断，可以实现自动化的侵权检测，避免了人工逐个比对的繁琐工作。分类器能够高效地处理大规模的待检测产品，提高检测的准确性和效率。
具体地，在本申请实施例中，所述侵权结果判断模块，包括：展开单元，用于将所述优化产品差分特征图展开为分类特征向量；全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，基于本申请实施例的知识产权智能管理系统100被阐明，其采用基于深度神经网络模型的人工智能技术，获取市面上所有相同类别类似的已授权产品图像和待检测产品的图像，通过双流检测模型得到授权产品特征图和产品检测特征图，再通过通道注意力模块进行特征增强，以得到用于表示待检测产品是否侵权的分类结果。这样，构建知识产权智能管理方案，可以实现自动化的知识产权侵权检测，帮助企业有效保护自己的知识产权权益。
示例性方法
图5为根据本申请实施例的知识产权智能管理方法的流程图。如图5所示，根据本申请实施例的知识产权智能管理方法，包括：S110,获取市面上所有相同类别类似的已授权产品图像和待检测产品的图像；S120,将所述已授权产品图像和所述待检测产品的图像通过包含第一图像编码器和第二图像编码器的双流检测模型以得到授权产品特征图和产品检测特征图，其中，所述第一图像编码器和所述第二图像编码器具有相同的网络结构；S130,将所述授权产品特征图和所述产品检测特征图分别通过通道注意力模块以得到增强授权产品特征图和增强产品检测特征图；S140,计算所述增强产品检测特征图和所述增强授权产品特征图之间的产品差分特征图；S150,对所述产品差分特征图进行特征分布优化以得到优化产品差分特征图；以及,S160,将所述优化产品差分特征图通过分类器以得到分类结果，所述分类结果用于表示待检测产品是否侵权。
在一个示例中，在上述知识产权智能管理方法中，所述第一图像编码器和所述第二图像编码器为作为特征提取器的深度卷积神经网络模型。
在一个示例中，在上述知识产权智能管理方法中，将所述已授权产品图像和所述待检测产品的图像通过包含第一图像编码器和第二图像编码器的双流检测模型以得到授权产品特征图和产品检测特征图，其中，所述第一图像编码器和所述第二图像编码器具有相同的网络结构，包括：使用所述第一图像编码器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一图像编码器的最后一层的输出为所述授权产品特征图，所述第一图像编码器的第一层的输入为所述已授权产品图像；以及,使用所述第二图像编码器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二图像编码器的最后一层的输出为所述产品检测特征图，所述第二图像编码器的第一层的输入为所述待检测产品的图像。
这里，本领域技术人员可以理解，上述知识产权智能管理方法中的各个步骤的具体操作已经在上面参考图1到图4的知识产权智能管理系统的描述中得到了详细介绍，并因此，将省略其重复描述。
示例性电子设备
下面，参考图6来描述根据本申请实施例的电子设备。图6为根据本申请实施例的电子设备的框图。如图6所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理模块(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理模块，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的知识产权智能管理系统及其方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如获取市面上所有相同类别类似的已授权产品图像和待检测产品的图像等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图6中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的知识产权智能管理方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的知识产权智能管理方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种知识产权智能管理系统，其特征在于，包括：
图像采集模块，用于获取市面上所有相同类别类似的已授权产品图像和待检测产品的图像；
产品特征提取模块，用于将所述已授权产品图像和所述待检测产品的图像通过包含第一图像编码器和第二图像编码器的双流检测模型以得到授权产品特征图和产品检测特征图，其中，所述第一图像编码器和所述第二图像编码器具有相同的网络结构；
增强特征提取模块，用于将所述授权产品特征图和所述产品检测特征图分别通过通道注意力模块以得到增强授权产品特征图和增强产品检测特征图；
差分计算模块，用于计算所述增强产品检测特征图和所述增强授权产品特征图之间的产品差分特征图；
优化模块，用于对所述产品差分特征图进行特征分布优化以得到优化产品差分特征图；
侵权结果判断模块，用于将所述优化产品差分特征图通过分类器以得到分类结果，所述分类结果用于表示待检测产品是否侵权。
2.根据权利要求1所述的知识产权智能管理系统，其特征在于，所述第一图像编码器和所述第二图像编码器为作为特征提取器的深度卷积神经网络模型。
3.根据权利要求2所述的知识产权智能管理系统，其特征在于，所述产品特征提取模块，包括：
已授权产品特征提取单元，用于使用所述第一图像编码器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一图像编码器的最后一层的输出为所述授权产品特征图，所述第一图像编码器的第一层的输入为所述已授权产品图像；
待检测产品特征提取单元，用于使用所述第二图像编码器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二图像编码器的最后一层的输出为所述产品检测特征图，所述第二图像编码器的第一层的输入为所述待检测产品的图像。
4.根据权利要求3所述的知识产权智能管理系统，其特征在于，所述增强特征提取模块，包括：
池化单元，用于计算所述授权产品特征图和所述产品检测特征图的沿通道维度的各个特征矩阵的全局均值池化以得到通道特征向量；
激活单元，用于将所述通道特征向量输入Softmax激活函数以得到通道注意力权重特征向量；
加权单元，用于以所述通道注意力权重特征向量中各个位置的特征值作为权重分别对所述授权产品特征图和所述产品检测特征图的沿通道维度的各个特征矩阵进行加权以得到所述增强授权产品特征图和增强产品检测特征图。
5.根据权利要求4所述的知识产权智能管理系统，其特征在于，所述差分计算模块，用于：
以如下差分公式计算所述增强产品检测特征图和所述增强授权产品特征图之间的产品差分特征图；
其中，所述差分公式为：
其中，F1表示所述增强产品检测特征图，F2表示所述增强授权产品特征图，Fc表示所述产品差分特征图，表示按位置差分。
6.根据权利要求5所述的知识产权智能管理系统，其特征在于，所述优化模块，包括：
余弦相似度计算单元，用于计算所述产品差分特征图的沿通道维度的各个特征矩阵相对于所述产品差分特征图的沿通道维度的其他各个特征矩阵之间的余弦相似度以得到多个余弦相似度；
全局自聚类几何相似度计算单元，用于计算所述多个余弦相似度的加和值作为所述产品差分特征图的沿通道维度的各个特征矩阵的全局自聚类几何相似度特征值；
特征排列单元，用于将所述产品差分特征图的沿通道维度的各个特征矩阵的全局自聚类几何相似度特征值进行排列以得到类内-类间自聚类相似度输入向量；
概率化单元，用于将所述类内-类间自聚类相似度输入向量通过Softmax函数以得到概率化类内-类间自聚类相似度特征向量；
权重施加单元，用于以所述概率化类内-类间自聚类相似度特征向量中各个位置的特征值作为权重对所述产品差分特征图的沿通道维度的各个特征矩阵进行加权以得到所述优化产品差分特征图。
7.根据权利要求6所述的知识产权智能管理系统，其特征在于，所述侵权结果判断模块，包括：
展开单元，用于将所述优化产品差分特征图展开为分类特征向量；
全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；
分类结果单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
8.一种知识产权智能管理方法，其特征在于，包括：
获取市面上所有相同类别类似的已授权产品图像和待检测产品的图像；
将所述已授权产品图像和所述待检测产品的图像通过包含第一图像编码器和第二图像编码器的双流检测模型以得到授权产品特征图和产品检测特征图，其中，所述第一图像编码器和所述第二图像编码器具有相同的网络结构；
将所述授权产品特征图和所述产品检测特征图分别通过通道注意力模块以得到增强授权产品特征图和增强产品检测特征图；
计算所述增强产品检测特征图和所述增强授权产品特征图之间的产品差分特征图；
对所述产品差分特征图进行特征分布优化以得到优化产品差分特征图；
将所述产品优化差分特征图通过分类器以得到分类结果，所述分类结果用于表示待检测产品是否侵权。
9.根据权利要求8所述的知识产权智能管理方法，其特征在于，所述第一图像编码器和所述第二图像编码器为作为特征提取器的深度卷积神经网络模型。
10.根据权利要求9所述的知识产权智能管理方法，其特征在于，将所述已授权产品图像和所述待检测产品的图像通过包含第一图像编码器和第二图像编码器的双流检测模型以得到授权产品特征图和产品检测特征图，其中，所述第一图像编码器和所述第二图像编码器具有相同的网络结构，包括：
使用所述第一图像编码器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一图像编码器的最后一层的输出为所述授权产品特征图，所述第一图像编码器的第一层的输入为所述已授权产品图像；
使用所述第二图像编码器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二图像编码器的最后一层的输出为所述产品检测特征图，所述第二图像编码器的第一层的输入为所述待检测产品的图像。
CN202310980903.XA 2023-08-04 2023-08-04 知识产权智能管理系统及其方法 Withdrawn CN116912597A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310980903.XA CN116912597A (zh) 2023-08-04 2023-08-04 知识产权智能管理系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310980903.XA CN116912597A (zh) 2023-08-04 2023-08-04 知识产权智能管理系统及其方法

Publications (1)

Publication Number Publication Date
CN116912597A true CN116912597A (zh) 2023-10-20

Family

ID=88364840

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310980903.XA Withdrawn CN116912597A (zh) 2023-08-04 2023-08-04 知识产权智能管理系统及其方法

Country Status (1)

Country Link
CN (1) CN116912597A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117650909A (zh) * 2023-10-25 2024-03-05 湖北公众信息产业有限责任公司 用于通信网络的数据安全监测系统及其方法
CN118154988A (zh) * 2024-04-19 2024-06-07 浙江知多多网络科技有限公司 侵权假冒商品的自动监测系统及方法
CN118154988B (zh) * 2024-04-19 2024-11-15 浙江知多多网络科技有限公司 侵权假冒商品的自动监测系统及方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117650909A (zh) * 2023-10-25 2024-03-05 湖北公众信息产业有限责任公司 用于通信网络的数据安全监测系统及其方法
CN118154988A (zh) * 2024-04-19 2024-06-07 浙江知多多网络科技有限公司 侵权假冒商品的自动监测系统及方法
CN118154988B (zh) * 2024-04-19 2024-11-15 浙江知多多网络科技有限公司 侵权假冒商品的自动监测系统及方法

Similar Documents

Publication Publication Date Title
Gu et al. Deep dual-channel neural network for image-based smoke detection
Peng et al. CCL: Cross-modal correlation learning with multigrained fusion by hierarchical network
CN108959482B (zh) 基于深度学习的单轮对话数据分类方法、装置和电子设备
Liu et al. Learning deep sharable and structural detectors for face alignment
CN116994069B (zh) 一种基于多模态信息的图像解析方法及系统
CN109543674B (zh) 一种基于生成对抗网络的图像拷贝检测方法
Tan et al. Fine-grained classification via hierarchical bilinear pooling with aggregated slack mask
CN113656660B (zh) 跨模态数据的匹配方法、装置、设备及介质
CN112949469A (zh) 针对人脸篡改图像特点分布的图像识别方法、系统及设备
Bao et al. An improved DenseNet model to classify the damage caused by cotton aphid
CN116912597A (zh) 知识产权智能管理系统及其方法
Ilyas et al. E-Cap Net: an efficient-capsule network for shallow and deepfakes forgery detection
CN117316462A (zh) 一种医疗数据管理方法
CN117650909A (zh) 用于通信网络的数据安全监测系统及其方法
Hu et al. Temporal Perceptive Network for Skeleton-Based Action Recognition.
CN117596058A (zh) 网络信息的安全保护系统及方法
Pei et al. FGO-Net: Feature and Gaussian Optimization Network for visual saliency prediction
CN113259369B (zh) 一种基于机器学习成员推断攻击的数据集认证方法及系统
Hsieh et al. Video-based human action and hand gesture recognition by fusing factored matrices of dual tensors
CN116467485A (zh) 一种视频图像检索构建系统及其方法
CN114842251A (zh) 图像分类模型的训练及图像处理方法、装置和计算设备
Zhao et al. Salient and consensus representation learning based incomplete multiview clustering
Abdullah et al. VAE-GAN3D: Leveraging image-based semantics for 3D zero-shot recognition
Zhao et al. Face Verification Between ID Document Photos and Partial Occluded Spot Photos
CN118093885B (zh) 一种数据处理方法、装置及设备、介质、产品

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20231020

WW01 Invention patent application withdrawn after publication