神經(jīng)網(wǎng)絡(luò)模型專利權(quán)利要求應(yīng)該如何布局? 近期遇到很多與神經(jīng)網(wǎng)絡(luò)模型相關(guān)的申請(qǐng)，發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型簡(jiǎn)直 “無(wú)所不能”，在交底書(shū)中見(jiàn)的最多的就是通過(guò)神經(jīng)網(wǎng)絡(luò)模型確定，現(xiàn)有技術(shù)中沒(méi)有通過(guò)神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)的。

對(duì)于這種情況，暫且認(rèn)為具備新穎性，那么創(chuàng)造性當(dāng)如何？作為代理師，自然希望撰寫(xiě)的每一個(gè)新申請(qǐng)都可以奔著授權(quán)而去（美好的愿景），那么關(guān)于神經(jīng)網(wǎng)絡(luò)模型的權(quán)利要求，應(yīng)該怎么布局呢？

什么是神經(jīng)網(wǎng)絡(luò)模型？

生物的神經(jīng)網(wǎng)絡(luò)是通過(guò)神經(jīng)元、細(xì)胞、觸電等結(jié)構(gòu)組成的一個(gè)大型網(wǎng)絡(luò)結(jié)構(gòu)，用來(lái)幫助生物進(jìn)行思考和行動(dòng)等，如下圖所示：

類似于神經(jīng)元的結(jié)構(gòu)，人工神經(jīng)網(wǎng)絡(luò)也是基于這樣的神經(jīng)元組成。通過(guò)較深的多個(gè)層次來(lái)模擬真實(shí)情況，從而構(gòu)造出最能表達(dá)真實(shí)世界的模型，它的成本就是海量的訓(xùn)練數(shù)據(jù)和巨大的計(jì)算量，如圖1所示：

圖1

神經(jīng)網(wǎng)絡(luò)模型是以神經(jīng)元的數(shù)學(xué)模型為基礎(chǔ)來(lái)描述的，從神經(jīng)網(wǎng)絡(luò)的定義來(lái)看，可以將神經(jīng)網(wǎng)絡(luò)模型理解為擁有復(fù)雜的腦回路、學(xué)習(xí)能力超強(qiáng)的“黑盒子”。

假設(shè)將“黑盒子”類比為一個(gè)特殊的榨汁機(jī)，輸入足夠數(shù)量的“西瓜”，對(duì)榨汁機(jī)進(jìn)行訓(xùn)練，便可得到訓(xùn)練好的榨汁機(jī)，訓(xùn)練好的榨汁機(jī)的內(nèi)部結(jié)構(gòu)是專門針對(duì)“西瓜”訓(xùn)練出來(lái)的，之后將“西瓜”輸入榨汁機(jī)便可得到西瓜汁。與輸入足夠數(shù)量的“橙子”訓(xùn)練得到的榨汁機(jī)的內(nèi)部結(jié)構(gòu)是不同的，故不能直接使用“西瓜”的榨汁機(jī)制作橙汁。

神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用

第一種場(chǎng)景，神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到具體領(lǐng)域以解決相應(yīng)問(wèn)題時(shí)，自己搭建新的神經(jīng)網(wǎng)絡(luò)模型。搭建新的網(wǎng)絡(luò)，一般也是采用已有的網(wǎng)絡(luò)模型，即在已有的網(wǎng)絡(luò)模型基礎(chǔ)上進(jìn)行修改。

例如，現(xiàn)有神經(jīng)網(wǎng)絡(luò)模型為AlexNet，其結(jié)構(gòu)如圖2所示：

圖2

在現(xiàn)有AlexNet的基礎(chǔ)上，搭建了新的模型-ZFNet，其結(jié)構(gòu)如圖3所示：

圖3

第二種場(chǎng)景，神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到具體領(lǐng)域以解決相應(yīng)問(wèn)題時(shí)，直接采用現(xiàn)有的神經(jīng)網(wǎng)絡(luò)模型。直接將現(xiàn)有的神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到一個(gè)新的場(chǎng)景或領(lǐng)域，正是本文開(kāi)頭提到的情況，暫且認(rèn)為具備新穎性，那么為了盡可能的提高創(chuàng)造性，在撰寫(xiě)之前盡量引導(dǎo)發(fā)明人對(duì)現(xiàn)有神經(jīng)網(wǎng)絡(luò)模型的內(nèi)部結(jié)構(gòu)進(jìn)行微調(diào)，即不要完全采用現(xiàn)有神經(jīng)網(wǎng)絡(luò)模型的內(nèi)部結(jié)構(gòu)，具體可以調(diào)整現(xiàn)有神經(jīng)網(wǎng)絡(luò)模型中卷積層、全連接層等的數(shù)量，也可以調(diào)整每層參數(shù)的權(quán)重等，具體調(diào)整方式視具體情況而定（由于決定神經(jīng)網(wǎng)絡(luò)模型的因素較多，在此就不一一列舉了）。

例如，直接將AlexNet應(yīng)用到圖像分類，AlexNet包括5個(gè)卷積層與2個(gè)全連接層，對(duì)AlexNet進(jìn)行微調(diào)之后，包括4個(gè)卷積層與2個(gè)全連接層（僅僅是舉例說(shuō)明，具體調(diào)整的方式需要與發(fā)明人溝通確定）。

權(quán)利要求的布局探索

對(duì)于上述第一種場(chǎng)景，在撰寫(xiě)權(quán)利要求時(shí)，只需將神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用場(chǎng)景和結(jié)構(gòu)描述清楚，即按照正常撰寫(xiě)套路即可，在此不做過(guò)多說(shuō)明。

對(duì)于上述第二種場(chǎng)景，例如，對(duì)比文件1為將目標(biāo)圖像輸入到預(yù)先訓(xùn)練得到的預(yù)檢測(cè)器中，得到目標(biāo)圖像中存在交通標(biāo)志的置信度；將目標(biāo)圖像輸入到預(yù)先訓(xùn)練得到的分類器中，得到圖標(biāo)圖像對(duì)應(yīng)標(biāo)志類別的置信度；將存在交通標(biāo)志的置信度與對(duì)應(yīng)標(biāo)志類別的置信度進(jìn)行融合得到交通標(biāo)志的識(shí)別結(jié)果。

本方案為基于神經(jīng)網(wǎng)絡(luò)模型，通過(guò)第一次識(shí)別是否包括目標(biāo)，第二次識(shí)別具體為什么類型的目標(biāo)，綜合兩次識(shí)別得到蘋(píng)果識(shí)別結(jié)果。

若獨(dú)權(quán)為：一種目標(biāo)識(shí)別處理方法，其特征在于，包括：

將目標(biāo)圖像輸入到預(yù)先訓(xùn)練好的第一目標(biāo)神經(jīng)網(wǎng)絡(luò)模型中，得到所述目標(biāo)圖像中包括目標(biāo)對(duì)象的第一置信度以及目標(biāo)位置信息；

根據(jù)所述目標(biāo)位置信息對(duì)所述目標(biāo)圖像進(jìn)行摳圖，得到所述目標(biāo)對(duì)象；

將所述目標(biāo)對(duì)象輸入到預(yù)先訓(xùn)練好的第二目標(biāo)神經(jīng)網(wǎng)絡(luò)模型中，得到所述目標(biāo)對(duì)象的目標(biāo)分類結(jié)果的第二置信度；

將第一置信度與第二置信度進(jìn)行融合得到蘋(píng)果識(shí)別結(jié)果。

（為了便于說(shuō)明，此獨(dú)權(quán)延用了對(duì)比文件1的撰寫(xiě)方式，每個(gè)人的撰寫(xiě)習(xí)慣或方式不同，表述也會(huì)不同，僅供參考）

可以看出，獨(dú)權(quán)相對(duì)于對(duì)比文件1，現(xiàn)有是對(duì)交通標(biāo)志進(jìn)行識(shí)別，本方案是對(duì)蘋(píng)果進(jìn)行識(shí)別，還是比較相似的；不過(guò)本方案中還記載了通過(guò)第一目標(biāo)神經(jīng)網(wǎng)絡(luò)模型還輸出目標(biāo)位置信息，根據(jù)目標(biāo)位置信息對(duì)所述目標(biāo)圖像進(jìn)行摳圖，得到目標(biāo)對(duì)象，對(duì)比文件1中沒(méi)有公開(kāi)。

不難想象，審查員應(yīng)該會(huì)說(shuō)：對(duì)于本領(lǐng)域普通技術(shù)人員而言，上述區(qū)別技術(shù)特征為慣用技術(shù)手段，或者提供對(duì)比文件2，公開(kāi)根據(jù)位置信息進(jìn)行摳圖，兩者的結(jié)合便能得到本方案。

雖然慣用技術(shù)手段可以進(jìn)行爭(zhēng)辯，但是很難得到認(rèn)可（至于原因，作為代理師的你，懂的），即獨(dú)權(quán)具備創(chuàng)造性的可能性較小。

為了在答復(fù)階段，可以通過(guò)修改克服獨(dú)權(quán)的不具備創(chuàng)造性，在撰寫(xiě)階段，對(duì)于從權(quán)，可從以下三個(gè)方面進(jìn)行布局：

第一方面，對(duì)獨(dú)權(quán)中的第一目標(biāo)神經(jīng)網(wǎng)絡(luò)模型與第二目標(biāo)神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)進(jìn)行進(jìn)一步限定。

例如，第一目標(biāo)神經(jīng)網(wǎng)絡(luò)模型包括：三個(gè)特征提取層和一個(gè)全連接層，第二個(gè)目標(biāo)神經(jīng)網(wǎng)絡(luò)模型雖采用現(xiàn)有AlexNet，但是對(duì)具體結(jié)構(gòu)進(jìn)行了微小調(diào)整，第二目標(biāo)神經(jīng)網(wǎng)絡(luò)模型包括：4個(gè)卷積層與2個(gè)全連接層。

首先，在從權(quán)中具體限定，所述將目標(biāo)圖像輸入到預(yù)先訓(xùn)練得到的第一目標(biāo)神經(jīng)網(wǎng)絡(luò)模型中，得到所述目標(biāo)圖像中包括目標(biāo)對(duì)象的第一置信度以及目標(biāo)位置信息包括：將所述目標(biāo)圖像輸入到所述第一目標(biāo)神經(jīng)網(wǎng)絡(luò)模型中的三個(gè)特征提取層，得到輸出的目標(biāo)圖像特征，將所述目標(biāo)圖像特征輸入到所述第一目標(biāo)神經(jīng)網(wǎng)絡(luò)模型的全連接層中，得到所述目標(biāo)圖像中包括所述目標(biāo)對(duì)象的第一置信度以及所述目標(biāo)位置信息。

在從權(quán)中具體限定，所述將目標(biāo)對(duì)象輸入到預(yù)先訓(xùn)練得到的第二目標(biāo)神經(jīng)網(wǎng)絡(luò)模型中，得到所述目標(biāo)對(duì)象的目標(biāo)分類結(jié)果的第二置信度包括：分別將所述目標(biāo)對(duì)象輸入到所述第二目標(biāo)神經(jīng)網(wǎng)絡(luò)模型中串聯(lián)的4個(gè)卷積層，得到所述4個(gè)卷積層輸出的圖像特征，將所述4個(gè)卷積層輸出的圖像特征輸入到2個(gè)全連接層中，得到所述目標(biāo)對(duì)象的目標(biāo)分類結(jié)果的第二置信度。

其次，還可以在從權(quán)中進(jìn)一步限定4個(gè)卷積層的連接關(guān)系，即第一卷積層、第二卷積層、第三卷積層、第四卷積層的連接關(guān)系，第一全連接層與得第二全連接層的連接關(guān)系，和/或第四卷積層與第一全連接層的連接關(guān)系。

另外，還可以在從權(quán)中具體限定，第一目標(biāo)神經(jīng)網(wǎng)絡(luò)模型和第二目標(biāo)神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過(guò)程，訓(xùn)練過(guò)程需包括具體的結(jié)構(gòu)。

第二方面，由于本方案的目的是識(shí)別出是否有蘋(píng)果，本方案中第一階段為主識(shí)別，第二階段為輔助識(shí)別，第一階段通過(guò)神經(jīng)網(wǎng)絡(luò)模型識(shí)別，整圖輸入，輸出目標(biāo)的位置和置信度，精度高，僅存少量誤報(bào)；在第二階段輔助識(shí)別第一階段的誤報(bào)，具體限定第一置信度與第二置信度融合的權(quán)重，由于第一次識(shí)別應(yīng)該占主導(dǎo)地位，而第二次識(shí)別的目的僅僅是輔助確定第一次識(shí)別的結(jié)果，故第一置信度的權(quán)重大于第二置信度的權(quán)重，為了得到更準(zhǔn)確的識(shí)別結(jié)果，具體還可以設(shè)置對(duì)應(yīng)的取值范圍。

第三方面，為了進(jìn)一步體現(xiàn)目標(biāo)分類結(jié)果與對(duì)比文件1中的圖標(biāo)圖像對(duì)應(yīng)標(biāo)志類別的不同，還可以在從權(quán)中限定目標(biāo)分類結(jié)果包括變形的蘋(píng)果、被切掉部分的蘋(píng)果、被摳取部分的蘋(píng)果、腐爛的蘋(píng)果或其他，從而區(qū)別于對(duì)比文件1中識(shí)別具體什么類型的交通標(biāo)志。

神經(jīng)網(wǎng)絡(luò)模型專利權(quán)利要求應(yīng)該如何布局? 當(dāng)然，即使具體限定了神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)，也不能確保具有創(chuàng)造性，僅僅是站在代理師的角度，為爭(zhēng)取具備創(chuàng)造性做出更多的努力。

中企檢測(cè)認(rèn)證網(wǎng)提供iso體系認(rèn)證機(jī)構(gòu)查詢，檢驗(yàn)檢測(cè)、認(rèn)證認(rèn)可、資質(zhì)資格、計(jì)量校準(zhǔn)、知識(shí)產(chǎn)權(quán)貫標(biāo)一站式行業(yè)企業(yè)服務(wù)平臺(tái)。中企檢測(cè)認(rèn)證網(wǎng)為檢測(cè)行業(yè)相關(guān)檢驗(yàn)、檢測(cè)、認(rèn)證、計(jì)量、校準(zhǔn)機(jī)構(gòu)，儀器設(shè)備、耗材、配件、試劑、標(biāo)準(zhǔn)品供應(yīng)商，法規(guī)咨詢、標(biāo)準(zhǔn)服務(wù)、實(shí)驗(yàn)室軟件提供商提供包括品牌宣傳、產(chǎn)品展示、技術(shù)交流、新品推薦等全方位推廣服務(wù)。這個(gè)問(wèn)題就給大家解答到這里了，如還需要了解更多專業(yè)性問(wèn)題可以撥打中企檢測(cè)認(rèn)證網(wǎng)在線客服13550333441。為您提供全面檢測(cè)、認(rèn)證、商標(biāo)、專利、知識(shí)產(chǎn)權(quán)、版權(quán)法律法規(guī)知識(shí)資訊，包括商標(biāo)注冊(cè)、食品檢測(cè)、第三方檢測(cè)機(jī)構(gòu)、網(wǎng)絡(luò)信息技術(shù)檢測(cè)、環(huán)境檢測(cè)、管理體系認(rèn)證、服務(wù)體系認(rèn)證、產(chǎn)品認(rèn)證、版權(quán)登記、專利申請(qǐng)、知識(shí)產(chǎn)權(quán)、檢測(cè)法、認(rèn)證標(biāo)準(zhǔn)等信息，中企檢測(cè)認(rèn)證網(wǎng)為檢測(cè)認(rèn)證商標(biāo)專利從業(yè)者提供多種檢測(cè)、認(rèn)證、知識(shí)產(chǎn)權(quán)、版權(quán)、商標(biāo)、專利的轉(zhuǎn)讓代理查詢法律法規(guī)，咨詢輔導(dǎo)等知識(shí)。

本文內(nèi)容整合網(wǎng)站：百度百科、搜狗百科、360百科、知乎、市場(chǎng)監(jiān)督總局 、國(guó)家知識(shí)產(chǎn)權(quán)局

免責(zé)聲明：本文部分內(nèi)容根據(jù)網(wǎng)絡(luò)信息整理，文章版權(quán)歸原作者所有。向原作者致敬！發(fā)布旨在積善利他，如涉及作品內(nèi)容、版權(quán)和其它問(wèn)題，請(qǐng)跟我們聯(lián)系刪除并致歉！

本文來(lái)源： http://m.1cjaei.cn/zs/202010/ccaa_10259.html