基于实例区分的商标检索方法研究

发布时间：2021-11-17 05:33

　　知识产权作为创新的集中体现,其保护已上升为国家战略。商标保护作为知识产权保护的重要组成,为企业品牌价值保驾护航。近些年来,智能商标检索凭借着便捷、快速的优势,已成为执法过程中收集事实依据的重要辅助手段。然而,目前的商标智能检索系统由于其特征学习方法、数据采集上的局限性,往往具有检索效果不佳、数据标注难的难题,严重阻碍了其在商标执法场景下的应用。面对商标检索中的实际问题,本文结合无监督特征学习和图像生成技术,提出两种解决商标检索系统实际问题的方法,为实际商标执法提供有效的辅助工具。首先针对无监督商标特征学习的性能和效率提升问题,本文基于实例区分算法,对噪声对比估计中的采样策略进行了探究,提出一种基于相对近邻采样的噪声对比估计的采样方法,获得更加优越的商标特征。然后提出一种应用于商标图像的商标图像生成方法,弥补数据采样过程中丰富度不足的缺陷。接着,一种基于商标图像生成、基于实例区分特征学习的检索方法被用于商标检索系统中,通过IRP融合方法集成不同模型的弱排名列表组成强排名列表,方法考虑了实际应用时的问题,具有较好的计算性能和泛化能力。此外,本文针对系统中的检索效率问题,提出了几种在计算效率... 

【文章来源】：广东工业大学广东省

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

实例区分学习方法主要流程图

图 3-2 近邻采样分布与随机采样分布对比图Fig.3-2 State transition of messages in the queue mode分析验证了近邻样本对实例区分算法的影响。实验对比了近本三种不同方法的在学习后的特征空间上的分类精度，性能来观察样本多样性对算法的影响。另外，随机采样对比噪声估计算法的实例区分算法。相对近邻采样，远处采样不同于近邻采样的地方只在于，在二次采样中序。 Resnet18 的神经网络作为训练学习的网络，学习率、温致。学习率采用 0.03，从第 80 epoch 开始，之后每 40 个特征维度为 128。训练总的 epoch 为 200，批大小为 12

a)相对近邻采样 b)随机采样图 3-3 resnet18 在 cfiar10 上 k=1024，m=512 时检索结果图Fig.3-3 retrieval result with resnet18 of k=1024，m=512 on cifar10.2.3 近邻采样性能与收敛速度分析在本文算法里，近邻样本的采样范围和数量接影响了相对近邻采样算法的性能。样范围的影响如上文所述，远处样本虽含有清晰的信号，但不足以提供足够的损；而近邻样本在训练中容易出现梯度方差大的情况，合适的采样范围绝对了样本多样性。根据 3.2.1 节提出的相对近邻采样，本节通过设置采样的排位上限范围，定近邻样本采样的范围，间接影响了采样的分布，以此改变对难样本和容易样本间数量的采样权重分配。而采样数量直接影响了对比噪声估计对于 softmax 分类损失的近似准确度，也影响了训练过程中梯度的准确性。下文，将通过实验对提的相对近邻算法，在不同的采样和范围的设定下，分析相对近邻算法的性能。


本文编号：3500300