面向检索应用的商标显著性检测方法

商标显著性检测是商标检索的重要前提之一,待申请商标需要商标显著性判断,商标相似或侵权判定也需要对商标显著性特征加以判别。考虑到商标多由图案组成,该文提出了一套面向商标图像的显著性检测方案。首先,基于中国商标数据库内的商标图像抽取、加工并制成商标数据集,搭建商标数据库并陆续开源一批商标显著性检测数据集。基于已有显著性检测框架,开发并评估了多种主流显著性检测算法。结果表明一种适配商标图像的U 2-Net深度模型对商标显著性检测效果较好,综合准确率在92%左右,后续还需要深入优化和评测。最后,提出一个面向相似商标检索的显著性检测服务和特征生成解决方案,并开发了相关搜索系统,为后续工业级应用奠定基础。

基于端到端的多任务商标分卡模型

目前商标分卡处理方法是先进行文本检测再进行区域分类,最后对不同的区域进行拆分组合形成商标分卡.这种分步式的处理耗时长,并且因为误差的叠加会导致最终结果准确率下降.针对这一问题,本文提出了多任务的网络模型TextCls,通过设计多任务学习模型来提升商标分卡的检测和分类模块的推理速度和精确率.该模型包含一个特征提取网络,以及文本检测和区域分类两个任务分支.其中,文本检测分支采用分割网络学习像素分类图,然后使用像素聚合获得文本框,像素分类图主要是学习文本像素和背景像素的信息;区域分类分支对区域特征细分为中文、英文和图形,着重学习不同类型区域的特征.两个分支通过共享特征提取网络,像素信息和区域特征相互促进学习,最终两个任务的精确率得以提升.为了弥补商标图像的文本检测数据集的缺失以及验证TextCls的有效性,本文还收集并标注了一个由2000张商标图像构成的文本检测数据集trademark_text(https://github.com/kongbailongtian/trademark_text),结果表明:与最佳的文本检测算法相比,本文的文本检测分支将精确率由94.44%提升至95.16%,调和平均值F1 score达92.12%;区域分类分支的F1 score也由97.09%提升至98.18%.