Автоматизация проведения поиска по изобразительным обозначениям товарных знаков и правовые основы для ее осуществления Текст научной статьи по специальности «Компьютерные и информационные науки»

Автоматизация проведения поиска по изобразительным обозначениям товарных знаков и правовые основы для ее осуществления Акиншина А. В.

Акиншина Алина Владимировна / Akinshina Alina Vladimirovna - патентный поверенный

РФ № 1733, операционный директор, ООО «Онлайн-Патент», г. Москва

Аннотация: данная статья рассматривает проблему осуществления предварительной проверки изобразительных обозначений, заявляемых на регистрацию в качестве товарных знаков. Для решения данной задачи в настоящее время используются преимущественно малоавтоматизированные методы. В то же время, растущий объем массива анализируемых обозначений требует привлечения машинных средств распознавания и классификации образов. В статье описаны основные положения нового способа анализа охраноспособности обозначений, основанного на нелинейной обработке сравниваемых изображений с использованием искусственной нейронной сети.

Abstract: the purpose of this article is about analyzing of current methods of finding registered trademark by its image. Currently, existing solutions cannot provide proper quality offinding the needed image of trademark, moreover to solve this issue people using the not fully automated systems. Therefore, this paper describes modern ways of analyzing the protectability of marking, based on non-linear processing of compared images by using the artificial neural network.

Ключевые слова: искусственная нейронная сеть, Венская классификация, товарный знак, охраноспособность, сходство до степени смешения.

Keywords: artificial neural network, Vienna classification, trademark, protectability, confusingly Similar.

В соответствии с п. 6 ст. 1483 Гражданского кодекса Российской Федерации, не допускается регистрация в качестве товарных знаков обозначений, тождественных или сходных до степени смешения с зарегистрированными или заявленными на регистрацию товарными знаками других лиц. Аналогичные нормы действуют практически во всех странах -участницах Парижской конвенции об охране промышленной собственности (на настоящий момент - 176 стран, включая Россию [1]). С точки зрения практики, положения данной нормы обуславливают необходимость проведения предварительных поисков и проверок с целью установления возможности осуществления государственной регистрации того или иного обозначения.

Подтверждение возможности получения правовой охраны для обозначения заявляемого на регистрацию в качестве товарного знака, как правило, осуществляется путем сплошного сравнения заявляемого обозначения с массивом ранее зарегистрированных товарных знаков. Данная задача сравнительно легко решается в настоящее время для словесных обозначений - автоматизированные инструменты поиска по словесным обозначениям разработаны и используются уже более чем в течение 10 лет.

Намного более сложной задачей представляется и является на практике проведение предварительного поиска и подготовка мотивированных выводов, позволяющих выносить суждения об охраноспособности изобразительных и комбинированных товарных знаков. Для решения этой задачи группой международных экспертов с 1967 г. разрабатывалась Международная

классификация изобразительных элементов товарных знаков, впервые официально вышедшая в 1973 г. и до сих пор широко используемая в практике под устоявшимся названием «Венская классификация».

Использование названной ручной системы классификации элементов изображений, однако, не стало вполне общепринятой практикой, до сих пор не все патентные ведомства имеют полностью классифицированные базы обозначений. При этом, грамотное использование Венской классификации может быть обеспечено только за счет достаточно высокой квалификации специалиста-исполнителя (а в оптимальном случае - и нескольких специалистов-исполнителей). Ручной поиск с использованием классификатора требует значительных временных затрат и затруднен для проведения ввиду растущего объема регистраций товарных знаков.

По статистике, только за 2014 год подано на регистрацию свыше 4,8 млн обозначений в отношении более чем 7 млн классов [3 -5]. Однако автоматизированные решения, позволяющие осуществлять поиск изобразительных элементов в названном массиве, в настоящее время представлены крайне узко и, преимущественно, ориентированы на профессионального потребителя. Под профессиональным потребителем, в данном контексте, следует рассматривать патентных поверенных и компании, оказывающие услуги в области защиты интеллектуальной собственности.

Основные решения по проверке изобразительных товарных знаков, представленные на рынке, используют сравнительно известные технические подходы. Например, подход, предлагаемый Legal Force Trademarkia [6], основан на словесном описании изображения («дом», «дерево»). Вводимые пользователем слова анализируются с использованием Венской классификации, по результатам выносится решение и выводится подборка сходных знаков. Такой подход не позволяет обеспечить постоянное качество оказания услуги, так как конечный потребитель может иметь низкую квалификацию с точки зрения регистрации товарных знаков, и не отражать фактическое зрительное восприятие выделенных объектов. Проверка, выполняемая на Edwaks.ru [7] основана на применении известных технологий SBIR. Также, известно коммерческое API TinEye [8].

Однако существующие решения не учитывают специфику анализируемых объектов (товарных знаков) и не могут обеспечить удовлетворительное качество проверки в целом. Отсутствие внимания к особым условиям, с которыми мы сталкиваемся при анализе товарных знаков, также делает неприемлемыми для выполнения данной задачи масштабные решения области распознавания изображений (такие, как Google Images, Яндекс Картинки). К таким условиям, в частности, относится условие вхождения (включения) зарегистрированного товарного знака в состав анализируемого обозначения.

В целях преодоления названных недостатков, было предложено использовать для проведения поиска по изображениям товарных знаков нейронную сеть. Как известно, точность распознавания изображений с помощью сверточных нейронных сетей может достигать 97-98% [9-11]. При этом для многих случаев только возможности, предоставляемые свёрточными нейронными сетями, обеспечивают необходимую надежность и инвариантность к искажениям и зашумлениям входного сигнала [12].

В решении, предложенном исследовательским коллективом ООО «Онлайн патент» (заявка на выдачу патента РФ на изобретение № 2016129029 от 15.07.2016 г.) для анализа охраноспособности обозначений, заявляемых на регистрацию в качестве товарных знаков, предложена нелинейная обработка сравниваемых изображений на основе искусственной нейронной сети, предполагающая последовательное вычисление степени сходства изображения, тестируемого на наличие признака охраноспособности, с каждым изображением из базы зарегистрированных изображений. Результатом применения нейронной сети является числовое значение от 0 до 1, показывающее степень схожести сравниваемых изображений. Для определения охраноспособности изображения необходимо произвести сравнение

25

тестируемого изображения с каждым изображением из базы зарегистрированных изображений. Изображение считается охраноспособным, если ни для какой пары сравниваемых изображений не было превышено пороговое значение степени сходства, заданное до начала использования работы изобретения.

В целом, полученные при практическом тестировании результаты показывают высокую сходимость выводов автоматизированной программы и решений, принимаемых специалистами - патентными поверенными. Как показали результаты тестирования, степень согласия экспертной группы с корректностью результатов проведения поиска в отношении правового критерия «сходство до степени смешения» для предложенного алгоритма распознавания и классификации изображений обеспечивается на уровне не менее 60%.

Литература

1. [Электронный ресурс]. Режим доступа: http://www.wipo.int/treaties/en/ShowResults.j sp?lang=en&treaty_id=2/ (дата обращения: 15.10.2016).

2. [Электронный ресурс]. Режим доступа: http://www1.fips.ru/Classifications/ven_klas.p df/ (дата обращения: 15.10.2016).

3. [Электронный ресурс]. Режим доступа: http://www.wipo.int/export/sites/www/ipstats/ en/wipi/2014/pdf/wipi_2014_key_figures.pdf/ (дата обращения: 15.10.2016).

4. [Электронный ресурс]. Режим доступа: http://www.wipo.int/edocs/pubdocs/en/wipo_ pub_941_2014.pdf/ (дата обращения: 15.10.2016).

5. [Электронный ресурс]. Режим доступа: http://www.wipo.int/export/sites/www/ipstats/ en/docs/infographics_systems_2014.pdf/ (дата обращения: 15.10.2016).

6. [Электронный ресурс]. Режим доступа: http://www.trademarkia.com/trademark-logo-search/ (дата обращения: 15.10.2016).

7. [Электронный ресурс]. Режим доступа: http://edwaks.ru/ru/uslugi-ops/ (дата обращения: 15.10.2016).

8. [Электронный ресурс]. Режим доступа: http://services.tineye.com/TinEyeAPI/ (дата обращения: 15.10.2016).

9. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2005.

10. Друки А. А., Милешин М. А. Алгоритмы распознавания рукописных подписей на основе нейронных сетей // The Fundamental researches, 2003.

11.Макаренко А. А., Калайда В. Т. Методика локализации изображения лица для систем видеоконтроля на основе нейронной сети // Известия Томского политехнического университета, 2006. Т. 309. № 8. С. 113-118.