关键词：
局部外观专利检索
注意力机制
Transformer
深度学习
自编码器
摘要：
局部外观专利检索系统,旨在通过对产品或设计的外观特征进行分析比较,寻找相关的专利信息。针对于目前外观专利侵权行为时有发生,传统的全局检索和关键词匹配方法已无法更好地满足需求,局部外观专利检索更加注重产品设计的局部外观特征,能够提供更加精准的检索结果。这种检索方法为设计师、工程师和创新者提供了寻找创新灵感和了解市场趋势的重要途径。通过研究相关的外观专利,可以获取先进技术、设计风格和制造工艺等方面的启发和参考。此外,局部外观专利检索还有助于企业或个人了解现有外观专利情况避免侵权行为,并为技术发展战略和创新规划提供评估依据,基于此,本课题研究内容如下。
1.针对于传统的Transformer模型在处理图像时通常将整个图像作为一个序列进行处理,忽略了图像中不同位置像素之间空间相关性和局部结构这一问题。本课题通过搭建一个聚合嵌套Transformer模型(Aggregated Nested Transformer),这是一种用于提取图像局部特征的新方法,结合了Transformer模型和局部感知机制。聚合嵌套Transformer通过引入局部感知机制,能够更好地捕捉图像的局部特征。将输入图像分成多个小块,并在每个块上独立地应用Transformer模型,以提取局部特征。然后,通过聚合操作,得到整体图像的表示。这种聚合方式有助于保留图像的局部空间结构信息,从而提高了图像特征的表达能力。聚合嵌套的Transformer模型在图像处理任务中表现突出,此外,该模型的可扩展性十分强大,可以适应不同大小图像和复杂度的任务。
2.为了提高图像检索的精准度和鲁棒性,本课题运用孪生Transformer神经网络模型来解决检索效果问题,具体操作是将模型提取得到的局部特征量化之后输入基于孪生Transformer的网络模型当中进行图像相似性度量的学习,首先,孪生网络可以学习到图像之间的相似性,通过对比损失函数和距离度量等方法,将相似的图像特征映射到相近的空间位置。然后,Transformer模型可以对图像特征进行上下文感知和重排序,进而更好地捕捉图像之间的语义和结构信息。这种组合能够有效地提高图像检索的精度和鲁棒性。从而可以更好的去判断外观专利是否存在侵权行为,这种方法对于保护知识产权、促进创新和提升图像相关任务的性能具有重要意义。
欢迎来到三峡大学图书馆！
详细信息
