CN117788850A - 一种商标相似度评估方法及装置 - Google Patents
一种商标相似度评估方法及装置 Download PDFInfo
- Publication number
- CN117788850A CN117788850A CN202410192592.5A CN202410192592A CN117788850A CN 117788850 A CN117788850 A CN 117788850A CN 202410192592 A CN202410192592 A CN 202410192592A CN 117788850 A CN117788850 A CN 117788850A
- Authority
- CN
- China
- Prior art keywords
- feature
- characteristic
- trademark
- trademark image
- matrix
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 92
- 238000000034 method Methods 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims description 77
- 230000004931 aggregating effect Effects 0.000 claims description 15
- 102100032202 Cornulin Human genes 0.000 claims description 9
- 101000920981 Homo sapiens Cornulin Proteins 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种商标相似度评估方法以及装置，涉及图像识别技术领域，该方法包括以下步骤：服务器基于NetVLAD模型，分别提取第一商标图像中的第一特征向量以及第二商标图像中的第二特征向量；基于第一特征向量以及第二特征向量，获取第一商标图像与第二商标图像之间的图像匹配度；再基于图像匹配度以及文字相似度，获取第一商标图像与第二商标图像之间的相似度，采用本方法将图像匹配度与文字相似度进行融合，可以更精确地评估第一商标图像与所述第二商标图像之间的相似度。
Description
技术领域
本申请涉及图像识别技术领域，具体涉及一种商标相似度评估方法以及装置。
背景技术
商标图像与普通图像存在较大的差异，其中最常用的商标由文字和图案组成，换句话说，该类型的商标在市场上的申请量是最普遍的，也是商标代理企业处理最多的一种类型的商标图像。在商标图像数据库中检索到一组相似度最高的商标图像，该过程虽然可以用传统意义的图像检索算法来实现，但是检索的效果却不尽人意，究其原因是商标图像存在以下特点:①图案单一，像素点之间没有太大的联系；②包含相同文字的商标图像，其字体形状在不同商标图像中呈现较大差异，但属于相似商标；③不同商标图像中包含的不同文字可能为同音字，但属于相似商标。
因此，急需一种能够精准地判断需要申请的商标与现有商标之间相似度的方法。
发明内容
本申请提供一种商标相似度评估方法以及***，能够精准地判断需要申请的商标与现有商标之间相似度的方法。为实现上述目的，本申请提供以下方案：
第一方面，本申请提供了一种商标相似度评估方法，所述方法包括以下步骤：基于NetVLAD模型，分别提取第一商标图像中的第一特征向量以及第二商标图像中的第二特征向量；基于所述第一特征向量以及所述第二特征向量，获取所述第一商标图像与所述第二商标图像之间的图像匹配度；基于CRNN 算法，分别提取所述第一商标图像中的第一关键字以及所述第二商标图像中的第二关键字；利用改进的编辑距离算法获取所述第一关键字与所述第二关键字之间的文字相似度；
基于所述图像匹配度以及所述文字相似度，获取所述第一商标图像与所述第二商标图像之间的相似度；所述基于NetVLAD模型，分别提取第一商标图像中的第一特征向量，包括以下步骤：基于NetVLAD模型，提取第一商标图像中第一特征矩阵；所述第一特征矩阵中包含N层由特征平面元素组成的特征平面；基于所述第一特征矩阵的每一层特征平面的特征值对每一层特征平面元素进行加权，获取加权后的第二特征矩阵；将所述第二特征矩阵中每一层特征平面元素进行聚合，获取能够描述所述第二特征矩阵的第一特征向量。
进一步的，所述基于NetVLAD模型，分别提取第二商标图像中的第二特征向量，包括以下步骤：基于NetVLAD模型，提取第二商标图像中第三特征矩阵；所述第三特征矩阵中包含N层由特征平面元素组成的特征平面；基于所述第三特征矩阵的每一层特征平面的特征值对每一层特征平面元素进行加权，获取加权后的第四特征矩阵；将所述第四特征矩阵中每一层特征平面元素进行聚合，获取能够描述所述第四特征矩阵的第二特征向量。
进一步的，所述基于NetVLAD模型，分别提取第二商标图像中的第二特征向量，包括以下步骤：基于NetVLAD模型，提取第二商标图像中第三特征矩阵；所述第三特征矩阵中包含N层由特征平面元素组成的特征平面；基于所述第三特征矩阵的每一层特征平面的特征值对每一层特征平面元素进行加权，获取加权后的第四特征矩阵；将所述第四特征矩阵中每一层特征平面元素进行聚合，获取能够描述所述第四特征矩阵的第二特征向量。
进一步的，所述基于NetVLAD模型，分别提取第一商标图像中的第一特征向量以及第二商标图像中的第二特征向量，之前包括以下步骤：对所述第一商标图像进行预处理，获取预设尺寸的第一商标图像。
进一步的，所述将所述第二特征矩阵中每一层特征平面元素进行聚合，获取能够描述所述第二特征矩阵的第一特征向量，包括以下步骤：将所述第二特征矩阵中每一层特征平面元素进行聚合，获取与所述第二特征矩阵对应的若干个一维特征向量，所述一维特征向量包含每一层特征平面中所有元素；将若干个所述一维特征向量进行聚类，获取第一特征向量。
进一步的，所述基于所述第一特征向量以及所述第二特征向量，获取所述第一商标图像与所述第二商标图像之间的图像匹配度，包括以下步骤：利用余弦距离公式获取所述第一特征向量以及所述第二特征向量之间余弦距离；基于所述余弦距离，获取所述第一商标图像与所述第二商标图像之间的图像匹配度。
进一步的，所述利用编辑距离算法获取所述第一关键字与所述第二关键字之间的文字相似度，包括以下步骤：利用编辑距离算法，获取所述第一关键字与所述第二关键字之间的编辑距离；基于所述编辑距离，获取所述第一关键字与所述第二关键字之间的文字相似度。
第二方面，本申请提供了一种商标相似度评估装置，所述装置包括：
特征信息获取模块，其用于基于NetVLAD模型，分别提取第一商标图像中的第一特征向量以及第二商标图像中的第二特征向量；所述基于NetVLAD模型，分别提取第一商标图像中的第一特征向量，包括以下步骤：基于NetVLAD模型，提取第一商标图像中第一特征矩阵；所述第一特征矩阵中包含N层由特征平面元素组成的特征平面；基于所述第一特征矩阵的每一层特征平面的特征值对每一层特征平面元素进行加权，获取加权后的第二特征矩阵；将所述第二特征矩阵中每一层特征平面元素进行聚合，获取能够描述所述第二特征矩阵的第一特征向量。
图像匹配度获取模块，其用于基于所述第一特征向量以及所述第二特征向量，获取所述第一商标图像与所述第二商标图像之间的图像匹配度；
关键字获取模块，其用于基于CRNN 算法，分别提取所述第一商标图像中的第一关键字以及所述第二商标图像中的第二关键字；
文字相似度获取模块，其用于利用编辑距离算法获取所述第一关键字与所述第二关键字之间的文字相似度；
评估模块，其用于基于所述图像匹配度以及所述文字相似度，获取所述第一商标图像与所述第二商标图像之间的相似度。
本申请提供的技术方案带来的有益效果包括：
本申请中服务器基于NetVLAD模型，提取第一商标图像中的图像特征信息见与第二商标图像中的第一特征信息以及第二特征信息；分别将第一特征信息以及所述第二特征信息进行特征聚类，获取与第一特征信息相对应的第一特征向量以及与第二特征信息对应的第二特征向量；基于第一特征向量以及第二特征向量，获取第一商标图像与第二商标图像之间的图像匹配度；基于CRNN 算法，分别提取第一商标图像中的第一关键字以及第二商标图像中的第二关键字；利用编辑距离算法获取所述第一关键字与所述第二关键字之间的文字相似度，再基于所述图像匹配度以及所述文字相似度，获取所述第一商标图像与所述第二商标图像之间的相似度，将图像匹配度与文字相似度进行融合，可以更精确地获取第一商标图像与所述第二商标图像之间的相似度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例中提供的商标相似度评估方法的步骤流程图；
图2为本申请实施例中第一特征向量获取步骤的步骤流程图；
图3为本申请实施例中文字相似度获取步骤的步骤流程图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图对本申请的实施例作进一步详细说明。
本申请实施例提供一种商标相似度评估方法，以解决了物理实体中故障数据不足的问题。
为达到上述技术效果，本申请的总体思路如下：
参见图1所示，一种商标相似度评估方法，该方法包括以下步骤：
S1、基于NetVLAD模型，分别提取第一商标图像中的第一特征向量以及第二商标图像中的第二特征向量；
利用已有的商标图像训练集来训练所述NetVLAD模型，得到训练后的NetVLAD模型；基于NetVLAD模型，分别提取第一商标图像中的第一特征向量，包括以下步骤：基于NetVLAD模型，提取第一商标图像中第一特征矩阵；第一特征矩阵中包含N层由特征平面元素组成的特征平面；基于第一特征矩阵的每一层特征平面的特征值对每一层特征平面元素进行加权，获取加权后的第二特征矩阵；将第二特征矩阵中每一层特征平面元素进行聚合，获取能够描述第二特征矩阵的第一特征向量。
S2、 基于第一特征向量以及第二特征向量，获取第一商标图像与所述第二商标图像之间的图像匹配度；
S3、基于CRNN 算法，分别提取第一商标图像中的第一关键字以及第二商标图像中的第二关键字；
S4、利用编辑距离算法获取第一关键字与第二关键字之间的文字相似度；
利用余弦距离公式获取第一特征向量以及第二特征向量之间余弦距离；基于余弦距离，获取第一商标图像与第二商标图像之间的图像匹配度。
S5、基于图像匹配度以及文字相似度，获取第一商标图像与第二商标图像之间的相似度。
本申请实施例中服务器基于NetVLAD模型，提取第一商标图像中的图像特征信息见与第二商标图像中的第一特征信息以及第二特征信息；分别将第一特征信息以及第二特征信息进行特征聚类，获取与第一特征信息相对应的第一特征向量以及与第二特征信息对应的第二特征向量；基于第一特征向量以及第二特征向量，获取第一商标图像与第二商标图像之间的图像匹配度；基于CRNN 算法，分别提取第一商标图像中的第一关键字以及第二商标图像中的第二关键字；利用编辑距离算法获取第一关键字与第二关键字之间的文字相似度，再基于图像匹配度以及文字相似度，获取第一商标图像与第二商标图像之间的相似度，将图像匹配度与文字相似度进行融合，可以更精确地获取第一商标图像与所述第二商标图像之间的相似度。
在一实施例中，如图2所示，步骤S1包括：
S101、基于NetVLAD模型，提取第一商标图像中第一特征矩阵；
S102、基于第一特征矩阵的每一层特征平面的特征值对每一层特征平面元素进行加权，获取加权后的第二特征矩阵；
对于输入的图像首先做一个预处理，使 得 图 像 输 入 卷 积 神 经 网 络 的尺 寸 为 224* 224*3，将其输入NetVLAD模型中获取 X∈RN×W×H ，为卷积层提取到的三维矩阵，其中 N 为通道数，W 和 H 分 别 为 每 一 层 特 征 平 面的长和宽。
假设x kij ∈ X，s为三维的权重矩阵，x' kij 表示加权后的特征，那么b k 表示每个通道的权重大小，a ij 表示特征平面上每个元素赋予的权重，因此s kij = b k a ij，其中，对平面(i，j)点处的权重参数为该点的通道权重与平面权重的乘积，其中i表示每一层特征平面的长度，j表示每一层特征平面的宽度。
加权后的第二特征矩阵如下所示：
其中，，/>，/>，a ij 表示特征平面上每个元素赋予的权重，b k 表示每个通道的权重大小。
S103、将第二特征矩阵中每一层特征平面元素进行聚合，获取能够描述第二特征矩阵的第一特征向量。
将第二特征矩阵中每一层特征平面元素进行聚合，获取与第二特征矩阵对应的若干个一维特征向量，一维特征向量包含每一层特征平面中所有元素；将若干个一维特征向量进行聚类，获取第一特征向量。
在本申请实施例中，基于第一特征矩阵的每一层特征平面的特征值对每一层特征平面元素进行加权，也为下一步进行局部特征聚合时，使得商标图像中有logo的区域得到更大的权重，从而最大限制上获取能够表示商标图像的特征向量。
在一申请实施例中，如图3所示，步骤S4包括：
S301、利用余弦距离公式获取第一特征向量以及第二特征向量之间余弦距离；
其中，余弦距离公式包括：
，其中，X为第一特征向量，Y为第二特征向量。
S302、基于余弦距离，获取第一商标图像与第二商标图像之间的图像匹配度。
在本申请实施例中，利用余弦距离公式来计算第一特征向量与第二特征向量之间的向量距离，使得第一商标图像与所述第二商标图像之间的图像匹配度能够量化。
在一申请实施例中，步骤S5包括以下步骤：
S501、利用编辑距离算法，获取第一关键字与第二关键字之间的编辑距离；
其中，编辑距离算法是根据计算一个字符串转换到另一个字符串所需要最少操作，即对字符串进行***、删除或替换，来度量两个字符串的相似度。如果编辑距离越小，两个字符串就越相似。
计算a，b两个字符串的相似度，编辑距离为ED(a，b)，标准化编辑距离为 NED(a，b)。
S502、基于编辑距离，获取第一关键字与第二关键字之间的文字相似度。
在本申请实施例中，利用编辑距离算法，获取第一关键字与第二关键字之间的编辑距离，再用编辑距离来量化第一关键字与第二关键字之间的文字相似度。
需要说明的是，本申请实施例中的各步骤的步骤标号，其并不限制本申请技术方案中各操作的前后顺序。
第二方面，基于与商标相似度评估方法实时例相同的发明构思，本申请实施例提供一种商标相似度评估装置，该装置包括：
特征信息获取模块，其用于基于NetVLAD模型，分别提取第一商标图像中的第一特征向量以及第二商标图像中的第二特征向量；所述特征信息获取模块还包括：第一特征矩阵获取子模块，其用于基于NetVLAD模型，提取第一商标图像中第一特征矩阵；所述第一特征矩阵中包含N层由特征平面元素组成的特征平面；第二特征矩阵获取子模块，其用于基于所述第一特征矩阵的每一层特征平面的特征值对每一层特征平面元素进行加权，获取加权后的第二特征矩阵；向量生成子模块，其用于将所述第二特征矩阵中每一层特征平面元素进行聚合，获取能够描述所述第二特征矩阵的第一特征向量。
图像匹配度获取模块，其用于基于所述第一特征向量以及所述第二特征向量，获取所述第一商标图像与所述第二商标图像之间的图像匹配度；
关键字获取模块，其用于基于CRNN 算法，分别提取所述第一商标图像中的第一关键字以及所述第二商标图像中的第二关键字；
文字相似度获取模块，其用于利用编辑距离算法获取所述第一关键字与所述第二关键字之间的文字相似度；
评估模块，其用于基于所述图像匹配度以及所述文字相似度，获取所述第一商标图像与所述第二商标图像之间的相似度。
本装置中服务器基于NetVLAD模型，提取第一商标图像中的图像特征信息见与第二商标图像中的第一特征信息以及第二特征信息；分别将第一特征信息以及所述第二特征信息进行特征聚类，获取与第一特征信息相对应的第一特征向量以及与第二特征信息对应的第二特征向量；基于第一特征向量以及第二特征向量，获取第一商标图像与第二商标图像之间的图像匹配度；基于CRNN 算法，分别提取第一商标图像中的第一关键字以及第二商标图像中的第二关键字；利用编辑距离算法获取所述第一关键字与所述第二关键字之间的文字相似度，再基于所述图像匹配度以及所述文字相似度，获取所述第一商标图像与所述第二商标图像之间的相似度，将图像匹配度与文字相似度进行融合，可以更精确地获取第一商标图像与所述第二商标图像之间的相似度。
需要说明的是，本申请实施例提供的商标相似度评估装置，其对应的技术问题、技术手段以及技术效果，从原理层面与商标相似度评估方法的原理类似。
第三方面，本申请实施例提供一种存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器执行时实现第一方面提及的商标相似度评估方法。
第四方面，本申请实施例提供一种电子设备，包括存储器和处理器，存储器上储存有在处理器上运行的计算机程序，该处理器执行计算机程序时实现第一方面提及的商标相似度评估方法。
需要说明的是，在本申请中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种商标相似度评估方法，其特征在于，所述方法包括以下步骤：
基于NetVLAD模型，分别提取第一商标图像中的第一特征向量以及第二商标图像中的第二特征向量；
基于所述第一特征向量以及所述第二特征向量，获取所述第一商标图像与所述第二商标图像之间的图像匹配度；
基于CRNN 算法，分别提取所述第一商标图像中的第一关键字以及所述第二商标图像中的第二关键字；
利用编辑距离算法获取所述第一关键字与所述第二关键字之间的文字相似度；
基于所述图像匹配度以及所述文字相似度，获取所述第一商标图像与所述第二商标图像之间的相似度；
所述基于NetVLAD模型，分别提取第一商标图像中的第一特征向量，包括以下步骤：
基于NetVLAD模型，提取第一商标图像中第一特征矩阵；所述第一特征矩阵中包含N层由特征平面元素组成的特征平面；
基于所述第一特征矩阵的每一层特征平面的特征值对每一层特征平面元素进行加权，获取加权后的第二特征矩阵；
将所述第二特征矩阵中每一层特征平面元素进行聚合，获取能够描述所述第二特征矩阵的第一特征向量。
2.如权利要求1所述商标相似度评估方法，其特征在于，所述基于NetVLAD模型，分别提取第二商标图像中的第二特征向量，包括以下步骤：
基于NetVLAD模型，提取第二商标图像中第三特征矩阵；所述第三特征矩阵中包含N层由特征平面元素组成的特征平面；
基于所述第三特征矩阵的每一层特征平面的特征值对每一层特征平面元素进行加权，获取加权后的第四特征矩阵；
将所述第四特征矩阵中每一层特征平面元素进行聚合，获取能够描述所述第四特征矩阵的第二特征向量。
3.如权利要求1所述商标相似度评估方法，其特征在于，所述基于NetVLAD模型，分别提取第一商标图像中的第一特征向量以及第二商标图像中的第二特征向量，之前包括以下步骤：
对所述第一商标图像进行预处理，获取预设尺寸的第一商标图像。
4.如权利要求1所述的商标相似度评估方法，其特征在于，所述将所述第二特征矩阵中每一层特征平面元素进行聚合，获取能够描述所述第二特征矩阵的第一特征向量，包括以下步骤：
将所述第二特征矩阵中每一层特征平面元素进行聚合，获取与所述第二特征矩阵对应的若干个一维特征向量，所述一维特征向量包含每一层特征平面中所有元素；
将若干个所述一维特征向量进行聚类，获取第一特征向量。
5.如权利要求1所述的商标相似度评估方法，其特征在于，所述基于所述第一特征向量以及所述第二特征向量，获取所述第一商标图像与所述第二商标图像之间的图像匹配度，包括以下步骤：
利用余弦距离公式获取所述第一特征向量以及所述第二特征向量之间余弦距离；
基于所述余弦距离，获取所述第一商标图像与所述第二商标图像之间的图像匹配度。
6.如权利要求1所述的商标相似度评估方法，其特征在于，所述利用编辑距离算法获取所述第一关键字与所述第二关键字之间的文字相似度，包括以下步骤：
利用编辑距离算法，获取所述第一关键字与所述第二关键字之间的编辑距离；
基于所述编辑距离，获取所述第一关键字与所述第二关键字之间的文字相似度。
7.一种商标相似度评估装置，其特征在于，所述装置包括：
特征信息获取模块，其用于基于NetVLAD模型，分别提取第一商标图像中的第一特征向量以及第二商标图像中的第二特征向量；所述特征信息获取模块还包括：第一特征矩阵获取子模块，其用于基于NetVLAD模型，提取第一商标图像中第一特征矩阵；所述第一特征矩阵中包含N层由特征平面元素组成的特征平面；第二特征矩阵获取子模块，其用于基于所述第一特征矩阵的每一层特征平面的特征值对每一层特征平面元素进行加权，获取加权后的第二特征矩阵；向量生成子模块，其用于将所述第二特征矩阵中每一层特征平面元素进行聚合，获取能够描述所述第二特征矩阵的第一特征向量；
图像匹配度获取模块，其用于基于所述第一特征向量以及所述第二特征向量，获取所述第一商标图像与所述第二商标图像之间的图像匹配度；
关键字获取模块，其用于基于CRNN 算法，分别提取所述第一商标图像中的第一关键字以及所述第二商标图像中的第二关键字；
文字相似度获取模块，其用于利用编辑距离算法获取所述第一关键字与所述第二关键字之间的文字相似度；
评估模块，其用于基于所述图像匹配度以及所述文字相似度，获取所述第一商标图像与所述第二商标图像之间的相似度。
8.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的方法。
9.一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如权利要求1至6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410192592.5A CN117788850B (zh) | 2024-02-21 | 2024-02-21 | 一种商标相似度评估方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410192592.5A CN117788850B (zh) | 2024-02-21 | 2024-02-21 | 一种商标相似度评估方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117788850A true CN117788850A (zh) | 2024-03-29 |
| CN117788850B CN117788850B (zh) | 2024-05-10 |
Family
ID=90389173
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410192592.5A Active CN117788850B (zh) | 2024-02-21 | 2024-02-21 | 一种商标相似度评估方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117788850B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108804499A (zh) * | 2018-04-03 | 2018-11-13 | 南昌奇眸科技有限公司 | 一种商标图像检索方法 |
| US20190114505A1 (en) * | 2016-04-14 | 2019-04-18 | Ader Bilgisayar Hizmetleri Ve Ticaret A.S. | Content based search and retrieval of trademark images |
| CN109934258A (zh) * | 2019-01-30 | 2019-06-25 | 西安理工大学 | 特征加权和区域整合的图像检索方法 |
| CN110033003A (zh) * | 2019-03-01 | 2019-07-19 | 华为技术有限公司 | 图像分割方法和图像处理装置 |
| WO2023091131A1 (en) * | 2021-11-17 | 2023-05-25 | Innopeak Technology, Inc. | Methods and systems for retrieving images based on semantic plane features |
-
2024
- 2024-02-21 CN CN202410192592.5A patent/CN117788850B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190114505A1 (en) * | 2016-04-14 | 2019-04-18 | Ader Bilgisayar Hizmetleri Ve Ticaret A.S. | Content based search and retrieval of trademark images |
| CN108804499A (zh) * | 2018-04-03 | 2018-11-13 | 南昌奇眸科技有限公司 | 一种商标图像检索方法 |
| CN109934258A (zh) * | 2019-01-30 | 2019-06-25 | 西安理工大学 | 特征加权和区域整合的图像检索方法 |
| CN110033003A (zh) * | 2019-03-01 | 2019-07-19 | 华为技术有限公司 | 图像分割方法和图像处理装置 |
| WO2023091131A1 (en) * | 2021-11-17 | 2023-05-25 | Innopeak Technology, Inc. | Methods and systems for retrieving images based on semantic plane features |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117788850B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109885692B (zh) | 知识数据存储方法、装置、计算机设备和存储介质 | |
| Chaudhuri et al. | Multilabel remote sensing image retrieval using a semisupervised graph-theoretic method | |
| CN110866140A (zh) | 图像特征提取模型训练方法、图像搜索方法及计算机设备 | |
| CN110837846A (zh) | 一种图像识别模型的构建方法、图像识别方法及装置 | |
| CN111182364B (zh) | 一种短视频版权检测方法及*** | |
| CN110968725B (zh) | 图像内容描述信息生成方法、电子设备及存储介质 | |
| CN109213886B (zh) | 基于图像分割和模糊模式识别的图像检索方法及*** | |
| CN112434533A (zh) | 实体消歧方法、装置、电子设备及计算机可读存储介质 | |
| CN111476189A (zh) | 一种身份识别方法和相关装置 | |
| CN113642602A (zh) | 一种基于全局与局部标签关系的多标签图像分类方法 | |
| CN117788850B (zh) | 一种商标相似度评估方法及装置 | |
| WO2012077818A1 (ja) | ハッシュ関数の変換行列を定める方法、該ハッシュ関数を利用するハッシュ型近似最近傍探索方法、その装置及びそのコンピュータプログラム | |
| JP5197492B2 (ja) | 半教師画像認識検索装置、半教師画像認識検索方法、及びプログラム | |
| CN114329016B (zh) | 图片标签生成方法和文字配图方法 | |
| EP4089568A1 (en) | Cascade pooling for natural language document processing | |
| CN111061774B (zh) | 搜索结果准确性判断方法、装置、电子设备及存储介质 | |
| CN110826488B (zh) | 一种针对电子文档的图像识别方法、装置及存储设备 | |
| CN113849669A (zh) | 基于深度学习的相似图片搜索方法、装置、设备及介质 | |
| CN112650870A (zh) | 一种训练图片排序模型的方法、图片排序的方法以及装置 | |
| Rahul et al. | Deep reader: Information extraction from document images via relation extraction and natural language | |
| CN112528066B (zh) | 基于注意力机制的商标检索方法、***、计算机设备和存储介质 | |
| CN111460088A (zh) | 相似文本的检索方法、装置和*** | |
| CN116303909B (zh) | 一种电子投标文件与条款的匹配方法、设备及介质 | |
| CN114385831B (zh) | 一种基于特征提取的知识图谱关系预测方法 | |
| CN114003635B (zh) | 一种推荐信息获取方法、装置、设备及产品 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |