本发明专利技术揭露一种图表征产生系统，用于具有特定图像规范的知识产权领域。图表征产生系统包括第一深度学习模块、神经网络数据处理模块与结合学习单元。第一深度学习模块是用以接收图像以产生初始图表征。神经网络数据处理模块是用以接收图像在特定图像规范下的图规范信息，并依据图规范信息产生图规范表征。结合学习单元包括结合模块与第二深度学习模块。其中，结合模块是用以结合初始图表征与图规范表征以产生输入信息。第二深度学习模块是用以接收输入信息以产生最终图表征。本发明专利技术并揭露一种图表征产生方法与一种图表征智能模块。藉此，可以有效地纳入知识产权领域既有的图像规范，解决知识产权领域在图像数据处理的缺点。解决知识产权领域在图像数据处理的缺点。解决知识产权领域在图像数据处理的缺点。
【技术实现步骤摘要】
图表征产生系统，图表征产生方法与其图表征智能模块
[0001]本专利技术涉及一种图表征产生系统，图表征产生方法与其图表征智能模块，尤其涉及一种利用深度学习以智能处理图像知识产权数据的图表征产生系统，图表征产生方法与其图表征智能模块。
技术介绍
[0002]在面临国际技术竞争与冲击的当下，知识产权的发展成为产业升级上极重要的一环。在知识经济的浪潮席卷全球的下，知识产权的重要性与价值已毋庸置疑，但随着新的科技技术出现，也逐渐引发知识产权未来的服务走向。
[0003]以往的知识产权需要耗费大量的人力，从技术、法律、商业利益等角度来解析，进而产生对权利人有益的策略与行为。
[0004]其中，以知识产权中跟图像有关的部分，例如商标图像、著作权图像、或外观设计图像，无论是在前案搜寻与比对，都非常耗费人力，其直接影响权利的范围、核准率、侵害与被侵害的可能、无效或被无效的可能，在法律上与商业上，会使企业产生重大的获利与损失。
[0005]因此，有必要藉由现今渐趋成熟的人工智能，来改善知识产权耗费人工、错误与争议大、耗时效率低等问题。
[0006]因此，本专利技术的主要目的在于提供一种利用深度学习以智能处理图像知识产权数据的图表征产生系统，图表征产生方法与其图表征智能模块，以解决上述问题。
技术实现思路
[0007]本专利技术的目的在于提供一种图表征产生系统，用于具有特定图像规范的知识产权领域，用以将图像转化成具有领域适应性的图表征。所述图表征产生系统包括第一深度学习模块、神经网络数据处理模块与结合学习单元。第一深度学习模块是用以接收所述图像，以产生初始图表征。神经网络数据处理模块是用以接收所述图像在所述特定图像规范下的图规范信息，并依据所述图规范信息产生图规范表征。结合学习单元包括结合模块与第二深度学习模块。其中，所述结合模块是用以结合所述初始图表征与所述图规范表征，以产生输入信息。所述第二深度学习模块是用以接收所述输入信息，以产生最终图表征。
[0008]为达所述优点至少其中的一或其他优点，本专利技术的一实施例提出一种图表征产生系统，其特征在于，更包括训练模块，所述训练模块依据所述第一深度学习模块、所述神经网络数据处理模块与所述结合学习单元产生所述最终图表征的编码方式，将所述最终图表征译码还原产生对应于所述图像的一比对图像，并依据所述比对图像与所述图像间的一损失函数(loss)修正所述第一深度学习模块的第一参数、所述神经网络数据处理模块的第二参数与所述第二深度学习模块的第三参数。
[0009]为达所述优点至少其中的一或其他优点，本专利技术的一实施例提出一种图表征产生系统，其特征在于，其中所述神经网络数据处理模块是利用独热编码(One Hot Encode)产
生所述图规范表征。
[0010]为达所述优点至少其中的一或其他优点，本专利技术的一实施例提出一种图表征产生系统，其特征在于，其中所述图规范信息是利用对应于所述特定图像规范的图分类数据库、具有所述特定图像规范的知识图谱库、或对应于所述特定图像规范的量化规范法则所产生。
[0011]为达所述优点至少其中的一或其他优点，本专利技术的一实施例提出一种图表征产生系统，其特征在于，其中所述结合学习单元将所述初始图表征与所述图规范表征结合以产生所述输入信息的结合方法是采用向量直接合并。
[0012]为达所述优点至少其中的一或其他优点，本专利技术的一实施例提出一种图表征产生系统，其特征在于，其中所述图规则表征与所述初始图表征的维数相同。所述结合学习单元是以所述图规范表征作为权重结合所述初始图表征与所述图规范表征。
[0013]为达所述优点至少其中的一或其他优点，本专利技术的一实施例提出一种图表征产生系统，其特征在于，其中所述第一深度学习模块与第二深度学习模块是选自于由LeNet、AlexNet、VGG、GoogleLeNet、ResNet所组成的卷积神经网络(Convolutional Neural Network；CNN)族群中的至少一个。
[0014]本专利技术的另一目的在于提供一种图表征产生方法，用于具有特定图像规范的知识产权领域，用以将图像转化成具有领域适应性的图表征。所述图表征产生方法包括：将所述图像提供至第一深度学习模型，以产生初始图表征；将所述图像在所述特定图像规范下的图规范信息提供至神经网络模型，以产生图规范表征；结合所述初始图表征与所述图规范表征，以产生输入信息；以及将所述输入信息提供至第二深度学习模型，以产生最终图表征。
[0015]为达所述优点至少其中的一或其他优点，本专利技术的一实施例提出一种图表征产生方法，其特征在于，在产生所述最终图表征的步骤后，更包括依据产生所述最终图表征的编码方式，将所述最终图表征译码还原产生对应于所述图像的比对图像，并依据所述比对图像与所述图像间的损失函数(loss)修正所述第一深度学习模型、所述神经网络模型与所述第二深度学习模型的参数。
[0016]为达所述优点至少其中的一或其他优点，本专利技术的一实施例提出一种图表征产生方法，其特征在于，将所述图像在所述特定图像规范下的图规范信息提供至神经网络模型，以产生图规范表征的步骤是利用独热编码(One Hot Encode)产生所述图规范表征。
[0017]为达所述优点至少其中的一或其他优点，本专利技术的一实施例提出一种图表征产生方法，其特征在于，所述图规范信息是利用对应于所述特定图像规范的图分类数据库对所述图像进行分析所产生。
[0018]为达所述优点至少其中的一或其他优点，本专利技术的一实施例提出一种图表征产生方法，其特征在于，所述图规范信息是利用具有所述特定图像规范的知识图谱库对所述图像进行分析所产生。
[0019]为达所述优点至少其中的一或其他优点，本专利技术的一实施例提出一种图表征产生方法，其特征在于，所述图规范信息是利用所述图像规范量化后产生的量化规范法则对所述图像进行分析所产生。
[0020]为达所述优点至少其中的一或其他优点，本专利技术的一实施例提出一种图表征产生
方法，其特征在于，其中结合所述初始图表征与所述图规范表征的步骤是采用向量直接合并。
[0021]为达所述优点至少其中的一或其他优点，本专利技术的一实施例提出一种图表征产生方法，其特征在于，其中所述图规则表征与所述初始图表征的维数相同。结合所述初始图表征与所述图规范表征的步骤是以所述图规范表征作为权重与所述初始图表征合并。
[0022]为达所述优点至少其中的一或其他优点，本专利技术的一实施例提出一种图表征产生方法，其特征在于，其中所述第一深度学习模型与第二深度学习模型是由选自于由LeNet、AlexNet、VGG、GoogleLeNet、ResNet所组成的卷积神经网络族群中的至少一个所提供。
[0023]本专利技术的另一目的在于提供一种图表征智能模块，用于具有特定图像规范的知识产权领域，用以将图像转化成具有领域适应性的图表征。所述图表征智能模块包括结合模块以及深度学习模块。所述结合模块是用以接收对应于所述图像的初始图表征与对应于所述图像在本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图表征产生系统，用于具有特定图像规范的知识产权领域，用以将图像转化成具有领域适应性的图表征，所述图表征产生系统包括：第一深度学习模块，接收所述图像，以产生初始图表征；神经网络数据处理模块，接收所述图像在所述特定图像规范下的图规范信息，并依据所述图规范信息产生图规范表征；以及结合学习单元，包括结合模块与第二深度学习模块，所述结合模块是用以结合所述初始图表征与所述图规范表征，以产生输入信息，所述第二深度学习模块是用以接收所述输入信息，以产生最终图表征。2.如权利要求1所述的图表征产生系统，其特征在于，更包括训练模块，所述训练模块依据所述第一深度学习模块、所述神经网络数据处理模块与所述结合学习单元产生所述最终图表征的编码方式，将所述最终图表征译码还原产生对应于所述图像的一比对图像，并依据所述比对图像与所述图像间的一损失函数(loss function)修正所述第一深度学习模块的第一参数、所述神经网络数据处理模块的第二参数与所述第二深度学习模块的第三参数。3.如权利要求1所述的图表征产生系统，其特征在于，其中所述神经网络数据处理模块是利用独热编码(One Hot Encode)产生所述图规范表征。4.如权利要求1所述的图表征产生系统，其特征在于，其中所述图规范信息是利用对应于所述特定图像规范的图分类数据库、具有所述特定图像规范的知识图谱库、或对应于所述特定图像规范的量化规范法则所产生。5.如权利要求1所述的图表征产生系统，其特征在于，其中所述结合学习单元将所述初始图表征与所述图规范表征结合以产生所述输入信息的结合方法是采用向量直接合并。6.如权利要求1所述的图表征产生系统，其特征在于，其中所述图规则表征与所述初始图表征的维数相同。7.如权利要求6所述的图表征产生系统，其特征在于，其中所述结合学习单元是以所述图规范表征作为权重结合所述初始图表征与所述图规范表征。8.如权利要求1所述的图表征产生系统，其特征在于，其中所述第一深度学习模块与所述第二深度学习模块是选自于由LeNet、AlexNet、VGG、GoogleLeNet、ResNet所组成的卷积神经网络(Convolutional Neural Network；CNN)族群中的至少一个。9.一种图表征产生方法，用于具有特定图像规范的知识产权领域，...
【专利技术属性】
技术研发人员：张智尧，李嘉孟，苏仁浚，
申请(专利权)人：荷盛崧钜智财顾问股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。