“删除技术特征”型修改超范围判断的思考

删除权利要求中的技术特征是申请人对申请进行修改的一种常见形式,然而在实际判断中,对这种“删除技术特征”型修改是否超范围往往还是存在疑点与争议,争议的焦点往往在于所删除的技术特征是否为必要技术特征、所扩大的保护范围是否有原始记载。本文结合对专利法第33条立法本意的理解以及实际案例,探讨“删除技术特征”类修改超范围的判断。

以删除技术特征为例浅谈修改超范围问题

自1984年专利法实施以来,关于专利法第33条的判断标准一直有不同的争议,也是目前新审查员审查工作中的重点和难点。本文从专利法第33条的立法本意出发,结合两个实际案例,分析了对专利法第33条中删除技术特征的理解,仅供参考。

基于加工特征的B-rep模型几何变换算法

为了真实反映加工过程中零件的几何变换情况,对边界表示法模型的特征尺寸的改变和特征的删除方法进行了研究。基于拓扑结构保持不变的前提下,提出了通过延长特征邻接边实现面特征在法向方向上尺寸改变的几何更新算法和几何形状规则的特征的删除算法,针对几何形状不规则的非独立特征,提出了通过面对齐和合并面处理来实现特征删除的算法。经过几何变换后,确保零件模型面壳封闭,保证模型的合理性和完整性,能够通过模型重构映射零件的实际加工情况。最后通过软件实例验证了方法的可行性。

对A33条中权利要求删除式修改的思考

本文结合两个具体的案例,阐述了在遇到权利要求删除式修改时,判断是否超范围可以参考的思路和依据。应当站位本领域技术人员,判断删除后的权利要求保护的技术方案是否能从原申请记载的内容直接毫无疑义的确定,分析删除的内容是否是技术上的内在必然要求,判断删除是否会影响权利要求保护范围,从要解决的技术问题出发,判断删除的技术特征是否是必要技术特征、与其他技术特征之间是否具有关联性。

一种用于行人再辨识的批次分块遮挡网络

提高行人再辨识任务识别性能的重要途径之一是通过卷积神经网络将全局特征和局部特征相结合,而现有的基于部件的方法主要是通过定位具有特定语义的区域来学习局部表示,这不仅增加了学习的难度,而且对于具有较大差异的场景难以学习到稳定的特征表示.本文提出了批次分块遮挡网络(Batch Part-mask Network,BPNet),该网络由全局特征分支和特征删除分支组成,并以Res Net-50作为主干网络.全局分支负责全局特征的编码任务,由第一分支和第二分支组成的批次分块遮挡分支则负责学习局部细节特征,BPNet网络将来自两个分支的特征连接起来,以提供更全面的空间分布特征表示.所提出的模型在行人再辨识任务上展现出良好的性能,将Duke数据集上的rank-1精度提高了1%-2%,达到了88.6%.将Market-1501数据集上的mAP精度提高了2%-3%,达到了86.3%.

基于方向图和Gabor滤波的指纹预处理算法

指纹图像在预处理过程中往往受多方面因素制约,有时无法满足指纹识别系统的要求。本文在传统指纹预处理算法基础上,给出一种有效的指纹预处理改进算法。首先,采用分块方差梯度分割算法分离指纹图像和背景区;再根据指纹特征,用方向图和均值滤波器进行图像增强,并用简化的Gabor滤波器,改进滤波模板滤除边缘模糊效应。二值化、细化并删除伪特征点后,提取出指纹脊线骨架并获得指纹特征点。实验表明,该预处理算法对不同质量的指纹图像均具有较好效果,算法灵活高效、易于实现、精确度高,达到了指纹识别系统的要求。

Pro/E二次开发在晶振隔振系统动力学分析中的应用

基于Pro/TOOLKIT和Visual C++ 6.0,对Pro/E进行二次开发,生成了适用于不同系列的晶振隔振系统的程序,实现了零件的删除,读取了元件之间的装配关系及元件安装位置并编写了自动创建加载点、测试点、约束符和隔振器的ADAMS命令文件,以及删除了零件的特征。经程序处理后的模型可直接进行动力学分析。最后通过示例证实了此方法是可行的。

SVM-RFE高光谱数据波段选择中核函数的研究

基于支持向量机（SVM）的迭代特征删除（SVM—RFE）法用于高光谱数据波段选择时，常用的非线性核函数训练时间长，并且每删除一个波段均需要重新训练SVM，总体效率低。研究表明在SVM分类中非线性核函数并不一定优于线性核函数。对比分析了两种核函数SVM在SVM—RFE中对分类结果的影响，并设计了两种提高SVM—RFE效率的策略：比率加速法和固定加速法。通过对AVIRIS高光谱数据实验得出：①SVM的分类精度随着冗余波段的增加而略微下降，即从分类精度上考虑SVM也需要特征选择；②相对于非线性核SVM—RFE，线性SVM—RFE选择出的最佳波段组合分类精度高1％～3％，训练时间极大减少；③两种效率优化策略均能提高特征选择效率，比率加速法在时间效率和分类精度上均优于固定加速法。

Deleting Vertices and Interlacing Laplacian Eigenvalues

The authors obtain an interlacing relation between the Laplacian spectra of a graph G and its subgraph G-U,which is obtained from G by deleting all the vertices in the vertex subset U together with their incident edges.Also,some applications of this interlacing property are explored and this interlacing property is extended to the edge weighted graphs.