Нейросетевой поиск похожих товарных знаков «Гардиум»

Компьютерное зрение

Решение

Комплексная система анализа изображений на основе технологии компьютерного зрения:

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

Задача

«Гардиум» — патентно-адвокатское бюро

Клиент

алгоритм для анализа и разметки изображений в базе клиента

фильтр изображений для распределения по классам МКТУ

нейросеть для поиска похожих изображений

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

01/

Нейросеть ищет похожие изображения среди тех, что отобрал алгоритм

«Гардиум» оценивает уникальность торгового знака, начинает регистрацию

Как это работает

Алгоритм отбирает изображения в базе с учётом указанного класса

«Гардиум» загружает изображение в поиск, указывает класс МКТУ

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

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.

03/

Трудности проекта

Проблема

Решение

Отсутствие размеченных данных для обучения и тестирования нейросети.

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

Шаг 01

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

Шаг 02

Проверка гипотез о поиске, подбор эффективных компьютерных моделей

Шаг 03

Обучение нейросети на размеченных алгоритмом данных

Шаг 04

Внедрение классификатора для распределения изображений по классам

Шаг 05

Тестирование сервиса внутри EORA и на стороне клиента

Шаг 06

Разработка, интеграция сервиса с базой клиента через API

Этапы разработки

04/

05/

Примеры работы системы

Команда проекта

06/

Алексей Гучко

Проектный менеджер

Data scientist

Вячеслав Шульц

Тимлид

Владислав Виноградов

Иван Измайлов

Бэкенд-разработчик

Алексей Гучко

Руководитель проекта

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»

Сроки разработки

08/

3 месяца

сентябрь – ноябрь 2021 года

Технологии

09/

EORA Mage

Адаптируемая система поиска товаров по фотографиям

Что умеет Mage

Планы

Добавить новый критерий поиска: по элементам изображений. Например поиск иллюстраций с буквой « ло», написанной конкретным шрифтом.

10/