知識產(chǎn)權(quán)作為創(chuàng)新的集中體現(xiàn),其保護(hù)已上升為國家戰(zhàn)略。商標(biāo)保護(hù)作為知識產(chǎn)權(quán)保護(hù)的重要組成,為企業(yè)品牌價值保駕護(hù)航。近些年來,智能商標(biāo)檢索憑借著便捷、快速的優(yōu)勢,已成為執(zhí)法過程中收集事實(shí)依據(jù)的重要輔助手段。然而,目前的商標(biāo)智能檢索系統(tǒng)由于其特征學(xué)習(xí)方法、數(shù)據(jù)采集上的局限性,往往具有檢索效果不佳、數(shù)據(jù)標(biāo)注難的難題,嚴(yán)重阻礙了其在商標(biāo)執(zhí)法場景下的應(yīng)用。面對商標(biāo)檢索中的實(shí)際問題,本文結(jié)合無監(jiān)督特征學(xué)習(xí)和圖像生成技術(shù),提出兩種解決商標(biāo)檢索系統(tǒng)實(shí)際問題的方法,為實(shí)際商標(biāo)執(zhí)法提供有效的輔助工具。首先針對無監(jiān)督商標(biāo)特征學(xué)習(xí)的性能和效率提升問題,本文基于實(shí)例區(qū)分算法,對噪聲對比估計(jì)中的采樣策略進(jìn)行了探究,提出一種基于相對近鄰采樣的噪聲對比估計(jì)的采樣方法,獲得更加優(yōu)越的商標(biāo)特征。然后提出一種應(yīng)用于商標(biāo)圖像的商標(biāo)圖像生成方法,彌補(bǔ)數(shù)據(jù)采樣過程中豐富度不足的缺陷。接著,一種基于商標(biāo)圖像生成、基于實(shí)例區(qū)分特征學(xué)習(xí)的檢索方法被用于商標(biāo)檢索系統(tǒng)中,通過IRP融合方法集成不同模型的弱排名列表組成強(qiáng)排名列表,方法考慮了實(shí)際應(yīng)用時的問題,具有較好的計(jì)算性能和泛化能力。此外,本文針對系統(tǒng)中的檢索效率問題,提出了幾種在計(jì)算效率... 

【文章來源】：廣東工業(yè)大學(xué)廣東省

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【部分圖文】：

實(shí)例區(qū)分學(xué)習(xí)方法主要流程圖

圖 3-2 近鄰采樣分布與隨機(jī)采樣分布對比圖Fig.3-2 State transition of messages in the queue mode分析驗(yàn)證了近鄰樣本對實(shí)例區(qū)分算法的影響。實(shí)驗(yàn)對比了近本三種不同方法的在學(xué)習(xí)后的特征空間上的分類精度，性能來觀察樣本多樣性對算法的影響。另外，隨機(jī)采樣對比噪聲估計(jì)算法的實(shí)例區(qū)分算法。相對近鄰采樣，遠(yuǎn)處采樣不同于近鄰采樣的地方只在于，在二次采樣中序。 Resnet18 的神經(jīng)網(wǎng)絡(luò)作為訓(xùn)練學(xué)習(xí)的網(wǎng)絡(luò)，學(xué)習(xí)率、溫致。學(xué)習(xí)率采用 0.03，從第 80 epoch 開始，之后每 40 個特征維度為 128。訓(xùn)練總的 epoch 為 200，批大小為 12

a)相對近鄰采樣 b)隨機(jī)采樣圖 3-3 resnet18 在 cfiar10 上 k=1024，m=512 時檢索結(jié)果圖Fig.3-3 retrieval result with resnet18 of k=1024，m=512 on cifar10.2.3 近鄰采樣性能與收斂速度分析在本文算法里，近鄰樣本的采樣范圍和數(shù)量接影響了相對近鄰采樣算法的性能。樣范圍的影響如上文所述，遠(yuǎn)處樣本雖含有清晰的信號，但不足以提供足夠的損；而近鄰樣本在訓(xùn)練中容易出現(xiàn)梯度方差大的情況，合適的采樣范圍絕對了樣本多樣性。根據(jù) 3.2.1 節(jié)提出的相對近鄰采樣，本節(jié)通過設(shè)置采樣的排位上限范圍，定近鄰樣本采樣的范圍，間接影響了采樣的分布，以此改變對難樣本和容易樣本間數(shù)量的采樣權(quán)重分配。而采樣數(shù)量直接影響了對比噪聲估計(jì)對于 softmax 分類損失的近似準(zhǔn)確度，也影響了訓(xùn)練過程中梯度的準(zhǔn)確性。下文，將通過實(shí)驗(yàn)對提的相對近鄰算法，在不同的采樣和范圍的設(shè)定下，分析相對近鄰算法的性能。


本文編號：3500300