Milvus 在知识产权保护领域：利用 Milvus 建立商标相似性检索系统

Scenarios

December 10, 2021

Zilliz

近年来，随着人们对知识产权侵权意识的不断增强，知识产权保护问题成为人们关注的焦点。最引人注目的是跨国科技巨头苹果公司（Apple Inc.除了这些最臭名昭著的案件外，苹果公司还在 2009 年以商标侵权为由对澳大利亚连锁超市Woolworths Limited 的商标申请提出异议。苹果公司公司认为，澳大利亚品牌的徽标（一个风格化的 "w"）与他们自己的苹果徽标相似。因此，苹果公司对 Woolworths 申请销售带有该标志的一系列产品（包括电子设备）提出异议。故事的结局是伍尔沃斯修改了徽标，苹果撤回了反对意见。

伍尔沃斯的徽标.png

苹果公司的徽标.png

随着品牌文化意识的不断增强，公司正在密切关注任何可能损害其知识产权（IP）的威胁。知识产权侵权包括

版权侵权
专利侵权
商标侵权
外观设计侵权
抢注

上述苹果公司与伍尔沃斯公司之间的纠纷主要涉及商标侵权，准确地说，是两家公司的商标形象相似。为了避免成为另一个伍尔沃斯，无论是在商标申请之前，还是在商标申请审查期间，详尽的商标近似检索都是申请人的关键步骤。最常见的方法是在美国专利商标局（USPTO）数据库中进行检索，该数据库包含所有有效和无效的商标注册和申请。尽管用户界面并不迷人，但这一搜索过程也因其基于文本的性质而存在很大缺陷，因为它依赖文字和商标设计代码（设计特征的手工注释标签）来搜索图像。

8.png

因此，本文意在展示如何利用开源向量数据库Milvus 建立一个高效的基于图像的商标相似性搜索系统。

商标向量相似性搜索系统

要建立商标向量相似性搜索系统，需要经过以下步骤：

准备一个庞大的商标数据集。系统可能会使用这样的数据集）。
使用数据集和数据驱动模型或人工智能算法训练图像特征提取模型。
使用步骤 2 中训练好的模型或算法将徽标转换成向量。
在开源向量数据库 Milvus 中存储向量并进行向量相似性搜索。

耐克.png

在下面的章节中，让我们仔细了解一下构建商标向量相似性搜索系统的两个主要步骤：使用人工智能模型进行图像特征提取，以及使用 Milvus 进行向量相似性搜索。在我们的案例中，我们使用卷积神经网络（CNN）VGG16 提取图像特征并将其转换为嵌入向量。

使用 VGG16 提取图像特征

VGG16是为大规模图像识别而设计的卷积神经网络。该模型在图像识别中速度快、精度高，可应用于各种尺寸的图像。以下是 VGG16 架构的两幅图示。

9.png

10.png

VGG16 模型，顾名思义，是一个有 16 层的 CNN。包括 VGG16 和 VGG19 在内的所有 VGG 模型都包含 5 个 VGG 块，每个 VGG 块中都有一个或多个卷积层。在每个块的末端，连接一个最大池化层，以减小输入图像的大小。每个卷积层内的核数相同，但每个 VGG 块内的核数加倍。因此，模型中的内核数量从第一个区块的 64 个增长到第四和第五个区块的 512 个。所有卷积核的大小都是33，而池化核的大小都是 22。这有利于保留输入图像的更多信息。

因此，在这种情况下，VGG16 是一种适合海量数据集图像识别的模型。你可以使用 Python、Tensorflow 和 Keras 在 VGG16 的基础上训练图像特征提取模型。

使用 Milvus 进行向量相似性搜索

使用 VGG16 模型提取图像特征并将徽标图像转换为嵌入向量后，您需要从海量数据集中搜索相似向量。

Milvus 是一个云原生数据库，具有高扩展性和高弹性的特点。此外，作为一个数据库，它还能确保数据的一致性。对于这样一个商标相似性搜索系统来说，最新的商标注册等新数据会实时上传到系统中。而这些新上传的数据需要立即可供搜索。因此，本文采用了开源向量数据库 Milvus 来进行向量相似性搜索。

在插入徽标向量时，可以根据国际（尼斯）商品和服务分类（一种用于注册商标的商品和服务分类系统）在 Milvus 中为不同类型的徽标向量创建 Collections。例如，您可以在 Milvus 中将一组服装品牌徽标向量插入名为 "服装 "的 Collections 中，并将另一组技术品牌徽标向量插入名为 "技术 "的不同 Collections 中。通过这样做，您可以大大提高向量相似性搜索的效率和速度。

Milvus 不仅支持向量相似性搜索的多种索引，还提供丰富的 API 和工具，为 DevOps 提供便利。下图是Milvus 架构示意图。您可以通过阅读 Milvus 的介绍了解更多信息。

11.png