Портфолио

Блог

Вакансии

+7 495 414-40-49

Получить консультацию

Контакты

Получить консультацию

Контакты

Мы используем cookies и собираем технические данные

Находясь на сайте вы соглашаетесь с применением данных технологий

HELLO@EORA.RU

+7 495 414-40-49

Нейросетевой поиск похожих товарных знаков «Гардиум»

Компьютерное зрение

Комплексная система анализа изображений на основе технологии компьютерного зрения:

Решение

Задача

Поиск похожих изображений по собственной базе зарегистрированных товарных знаков с учётом класса по Международной классификации товаров и услуг (МКТУ).

Клиент

«Гардиум» — патентно-адвокатское бюро

нейросеть для поиска похожих изображений

фильтр изображений для распределения по классам МКТУ

алгоритм для анализа и разметки изображений в базе клиента

Сервис помогает избегать судебных споров об интеллектуальных правах, а также бороться с плагиатом и патентными троллями.

Как это работает

01/

Компания просит «Гардиум» зарегистрировать торговый знак: отправляет фото или PDF-файл

Нейросеть ищет похожие изображения среди тех, что отобрал алгоритм

«Гардиум» оценивает уникальность торгового знака, начинает регистрацию

Алгоритм отбирает изображения в базе с учётом указанного класса

«Гардиум» загружает изображение в поиск, указывает класс МКТУ

Детали

02/

При поиске похожих изображений нейросеть учитывает цвета, формы, второстепенные элементы (например, фон) и другие признаки. В топе выдачи отображаются изображения с наибольшим количеством совпадающих признаков.

Трудности проекта

03/

Проблема

Решение

Отсутствие размеченных данных для обучения и тестирования нейросети.

Алгоритм, который самостоятельно классифицирует изображения. Используя его разметку, мы обучили нейросеть.

Этапы разработки

04/

Разведка данных (разметка изображений в базе клиента для будущего поиска)

Шаг 01

Проверка гипотез о поиске, подбор эффективных компьютерных моделей

Шаг 02

Обучение нейросети на размеченных алгоритмом данных

Шаг 03

Внедрение классификатора для распределения изображений по классам

Шаг 04

Тестирование сервиса внутри EORA и на стороне клиента

Шаг 05

Разработка, интеграция сервиса с базой клиента через API

Шаг 06

Примеры работы системы

05/

Команда проекта

06/

Проектный менеджер

Алексей Гучко

Data scientist

Вячеслав Шульц

Тимлид

Владислав Виноградов

Иван Измайлов

Бэкенд-разработчик

Цитата

07/

«У нас не было предварительно размеченных данных, которые помогли бы нейросети понимать, какие варианты выдачи правильные, а какие нет. Для тренировки нейросети мы использовали метод обучения "без учителя". Результат превзошел ожидания. Точность поиска оказалась очень высокой, клиент остался доволен»