画像ベースの商標類似検索システム：知的財産権保護のよりスマートなソリューション
ベクターデータベースを使用して、知的財産権訴訟から貴社を守る独自の商標画像類似検索システムを構築する方法をご紹介します。
シリーズ全体を読む
- 画像ベースの商標類似検索システム：知的財産権保護のよりスマートなソリューション
- HM-ANN 効率的なヘテロジニアスメモリ上の10億点最近傍探索
- ベクトル類似度検索でワードローブを持続可能にする方法
- 近接グラフに基づく近似最近傍探索
- 画像類似性検索でオンラインショッピングをよりインテリジェントにするには？
- グラフィカル・デザイナーのための知的類似性検索システム
- ベクトル類似性検索にフィルタリングをベストフィットさせるには？
- ベクトル類似性検索によるインテリジェントなビデオ重複排除システムの構築
- 最先端の埋め込みを用いたコンピュータビジョンにおける意味的類似性検索の強化
- プロダクションにおける超高速意味的類似性検索
- ベクトル・インデックスによるビッグデータ上の類似検索の高速化（後編）
- ニューラルネットワークの埋め込みを理解する
- 機械学習をアプリケーション開発者により身近なものに
- ベクターデータベースによる対話型AIチャットボットの構築
- 2024年のプレイブックベクトル検索のトップユースケース
- ベクター・データベースの活用による競合他社のインテリジェンス強化
- ベクターデータベースでIoT分析とデバイスデータに革命を起こす
- 推薦システムとベクターデータベース技術の利用について知っておくべきすべて
- ベクターデータベースでスケーラブルなAIを構築する：2024年の戦略
- アプリの機能強化：ベクターデータベースによる検索の最適化
- リスクと不正分析のための金融におけるベクトル・データベースの応用
- ベクターデータベースによる顧客体験の向上：戦略的アプローチ
- PDFをインサイトに変換：Zilliz Cloud Pipelinesによるベクトル化と取り込み
- データの保護ベクターデータベースシステムにおけるセキュリティとプライバシー
- ベクターデータベースを既存のITインフラと統合する
- 医療を変える：患者ケアにおけるベクター・データベースの役割
- ベクターデータベースによるパーソナライズされたユーザー体験の創造
- 予測分析におけるベクトル・データベースの役割
- ベクターデータベースでコンテンツ発見の可能性を引き出す
- ベクターデータベースを活用した次世代Eコマース・パーソナライゼーション
- Zilliz Cloudでベクトルを使ったテキスト類似検索をマスターする
- ベクターデータベースによる顧客体験の向上：戦略的アプローチ
*この記事はアンジェラ・ニーが転記したものです。
近年、知的財産権侵害に対する人々の意識が高まり、知的財産権保護の問題が脚光を浴びている。特に、多国籍の巨大テクノロジー企業であるアップル社は、商標権、特許権、意匠権の侵害を含め、さまざまな企業を知的財産権侵害で積極的に【提訴】している(https://en.wikipedia.org/wiki/Apple_Inc._litigation)。これらの最も悪名高いケースとは別に、アップル社は2009年にも、オーストラリアのスーパーマーケットチェーン、ウールワース・リミテッドによる商標権侵害を理由とした【商標出願を争っている】(https://www.smh.com.au/business/apple-bites-over-woolworths-logo-20091005-ghzr.html)。アップル社はは、オーストラリアのブランドのロゴである様式化された「w」が、自社のロゴであるリンゴに似ていると主張した。そのため、アップル社は、ウールワースがこのロゴを使用して販売することを申請した電子機器などの製品群に異議を申し立てた。物語は、ウールワースがロゴを修正し、アップル社が反対を取り下げることで幕を閉じる。
ブランド文化に対する意識がますます高まる中、企業は自社の知的財産（IP）権を傷つける脅威がないか、より注意深く見守っている。知的財産権の侵害には以下が含まれる：
- 著作権侵害
- 特許侵害
- 商標権侵害
- デザイン侵害
- サイバースクワッティング
前述のアップルとウールワースの紛争は、主に商標権侵害をめぐるものであり、正確には両者の商標イメージの類似をめぐるものである。Woolworthsの二の舞にならないためには、商標出願前および商標出願審査中の両方において、商標の徹底的な類似性調査が重要なステップとなる。最も一般的な方法は、米国特許商標庁(USPTO)のデータベースでの検索です。このデータベースには、有効な商標登録と無効な商標出願がすべて登録されています。あまり魅力的なUIではないにもかかわらず、この検索プロセスは、画像を検索するために単語と商標意匠コード（デザインの特徴を手作業で注釈したラベル）に依存しているため、そのテキストベースの性質によって深い欠陥もあります。
商標電子検索システム（TESS）が提供するテキストベースの商標検索オプション](https://assets.zilliz.com/tess_6e90924803.png)
この記事では、オープンソースのベクトルデータベースであるMilvusを使用した商標のベクトル類似検索システムの構築方法を説明します。
商標のベクトル類似検索システム
商標のベクトル類似検索システムを構築するには、以下のステップを踏む必要があります：
1.膨大なロゴのデータセットを用意する。おそらく、システムはUSPTO Datasetのようなデータセットを使うことができる。 2.データセットとデータ駆動型モデルまたはAIアルゴリズムを使って画像特徴抽出モデルを訓練する。 3.ステップ2で学習したモデルやアルゴリズムを使って、ロゴをベクトルに変換する。 4.オープンソースのベクトルデータベースであるMilvusにベクトルを保存し、ベクトルの類似性検索を行う。
商標類似検索システムのワークフロー](https://assets.zilliz.com/trademark_system_e9700df555.png)
特徴抽出を高速化するために、学習させたAIモデルを複数のサーバーに配置することができます。ただし、データ処理の同期を確保するためにFlaskを利用することができるため、分散サービスを利用してデータ処理を行う場合でもデータの不整合を心配する必要はありません。
システムが構築されると、ユーザーはロゴの画像をアップロードするだけで、システムはこの新しい画像を、学習させたのと同じAIモデルを使って新しいベクトルに変換する。システムは、Milvusデータベース内で新しいベクトルに類似したベクトルを検索し、対応するベクトルIDを返します。最終的に、ユーザーは自分がアップロードしたロゴと類似したロゴのすべての結果を見ることができるようになります。次のスクリーンショットは、商標のベクター類似検索システムのデモンストレーションです。ご覧のように、ユーザーはスポーツウェアブランドNikeのロゴ、スウッシュをアップロードしています。システムは、このロゴに類似するすべての画像を返します。
商標類似検索システムのデモ](https://assets.zilliz.com/trademark_similarity_search_system_demo_0febe47d57.png)
以下では、商標のベクトル類似検索システムを構築するための2つの主要なステップ、すなわち画像特徴抽出にAIモデルを使用することと、ベクトル類似検索にMilvusを使用することについて詳しく見ていこう。我々の場合、CNN（畳み込みニューラルネットワーク）であるVGG16を用いて画像特徴を抽出し、埋め込みベクトルに変換した。
画像特徴抽出にVGG16を使う
VGG16は大規模な画像認識のために設計されたCNNである。このモデルは画像認識において迅速かつ正確で、あらゆるサイズの画像に適用できる。以下はVGG16アーキテクチャの2つの図である。
VGG16層](https://assets.zilliz.com/vgg16_layers_9e621f62cc.png) VGG16アーキテクチャ](https://assets.zilliz.com/vgg16_architecture_992614e882.png)
VGG16モデルは、その名前が示すように、16層のCNNである。VGG16とVGG19を含む全てのVGGモデルは5つのVGGブロックを含み、各VGGブロックには1つ以上の畳み込み層がある。そして各ブロックの最後には、入力画像のサイズを小さくするための最大プーリング層が接続されている。カーネルの数は各畳み込み層内では等しいが、各VGGブロック内では2倍になる。したがって、モデルのカーネル数は最初のブロックの64から、4番目と5番目のブロックの512まで増加する。すべての畳み込みカーネルは33サイズであるが、プーリングカーネルはすべて22サイズである。これは入力画像に関するより多くの情報を保存するのに適している。
したがって、VGG16はこの場合、膨大なデータセットの画像認識に適したモデルである。Python、Tensorflow、Kerasを使って、VGG16をベースに画像特徴抽出モデルを学習することができる。
ベクトル類似性検索にMilvusを使う
VGG16モデルを使って画像特徴を抽出し、ロゴ画像を埋め込みベクトルに変換したら、膨大なデータセットから類似ベクトルを検索する必要があります。
Milvusは高いスケーラビリティと弾力性を特徴とするクラウドネイティブなデータベースです。また、データベースとしてデータの一貫性を保つことができます。このような商標の類似検索システムでは、最新の商標登録のような新しいデータがリアルタイムでシステムにアップロードされます。そして、これらの新しくアップロードされたデータは、即座に検索可能である必要がある。そこで本稿では、オープンソースのベクトルデータベースであるMilvusを採用し、ベクトル類似検索を行う。
ロゴベクターを挿入する際、商標登録のための商品・サービスの分類システムであるInternational (Nice) Classification of Goods and Servicesに従って、異なるタイプのロゴベクターのコレクションをMilvusに作成することができます。例えば、Milvusの "clothing "という名前のコレクションに服飾ブランドのロゴのベクター群を挿入し、"technology "という名前の別のコレクションに技術ブランドのロゴのベクター群を挿入することができます。そうすることで、ベクター類似検索の効率とスピードを大幅に向上させることができます。
Milvusはベクトル類似検索のための複数のインデックスをサポートしているだけでなく、豊富なAPIとDevOpsを促進するためのツールも提供しています。以下の図は【Milvusアーキテクチャ】(https://milvus.io/docs/v2.0.0/architecture_overview.md)の説明図です。Milvusの詳細については、イントロダクションをご参照ください。
Milvusアーキテクチャ](https://assets.zilliz.com/milvus_architecture_ea45a5ab53.png)
より多くのリソースをお探しですか？
- より多くの産業におけるベクトル類似検索の応用：
- ベクトル類似検索であなたのワードローブを持続可能にする方法](vector-similarity-search-and-fashion)
- 画像類似性検索でオンラインショッピングをよりインテリジェントにする方法](online-shopping-image-similarity-search)
