神經網絡模型專利權利要求應該如何布局? 近期遇到很多與神經網絡模型相關的申請，發現神經網絡模型簡直 “無所不能”，在交底書中見的最多的就是通過神經網絡模型確定，現有技術中沒有通過神經網絡模型實現的。
對于這種情況，暫且認為具備新穎性，那么創造性當如何？作為代理師，自然希望撰寫的每一個新申請都可以奔著授權而去（美好的愿景），那么關于神經網絡模型的權利要求，應該怎么布局呢？
什么是神經網絡模型？
生物的神經網絡是通過神經元、細胞、觸電等結構組成的一個大型網絡結構，用來幫助生物進行思考和行動等，如下圖所示：
類似于神經元的結構，人工神經網絡也是基于這樣的神經元組成。通過較深的多個層次來模擬真實情況，從而構造出最能表達真實世界的模型，它的成本就是海量的訓練數據和巨大的計算量，如圖1所示：
圖1
神經網絡模型是以神經元的數學模型為基礎來描述的，從神經網絡的定義來看，可以將神經網絡模型理解為擁有復雜的腦回路、學習能力超強的“黑盒子”。
假設將“黑盒子”類比為一個特殊的榨汁機，輸入足夠數量的“西瓜”，對榨汁機進行訓練，便可得到訓練好的榨汁機，訓練好的榨汁機的內部結構是專門針對“西瓜”訓練出來的，之后將“西瓜”輸入榨汁機便可得到西瓜汁。與輸入足夠數量的“橙子”訓練得到的榨汁機的內部結構是不同的，故不能直接使用“西瓜”的榨汁機制作橙汁。
神經網絡模型的應用
第一種場景，神經網絡模型應用到具體領域以解決相應問題時，自己搭建新的神經網絡模型。搭建新的網絡，一般也是采用已有的網絡模型，即在已有的網絡模型基礎上進行修改。
例如，現有神經網絡模型為AlexNet，其結構如圖2所示：
圖2
在現有AlexNet的基礎上，搭建了新的模型-ZFNet，其結構如圖3所示：
圖3
第二種場景，神經網絡模型應用到具體領域以解決相應問題時，直接采用現有的神經網絡模型。直接將現有的神經網絡模型應用到一個新的場景或領域，正是本文開頭提到的情況，暫且認為具備新穎性，那么為了盡可能的提高創造性，在撰寫之前盡量引導發明人對現有神經網絡模型的內部結構進行微調，即不要完全采用現有神經網絡模型的內部結構，具體可以調整現有神經網絡模型中卷積層、全連接層等的數量，也可以調整每層參數的權重等，具體調整方式視具體情況而定（由于決定神經網絡模型的因素較多，在此就不一一列舉了）。
例如，直接將AlexNet應用到圖像分類，AlexNet包括5個卷積層與2個全連接層，對AlexNet進行微調之后，包括4個卷積層與2個全連接層（僅僅是舉例說明，具體調整的方式需要與發明人溝通確定）。
權利要求的布局探索
對于上述第一種場景，在撰寫權利要求時，只需將神經網絡模型的應用場景和結構描述清楚，即按照正常撰寫套路即可，在此不做過多說明。
對于上述第二種場景，例如，對比文件1為將目標圖像輸入到預先訓練得到的預檢測器中，得到目標圖像中存在交通標志的置信度；將目標圖像輸入到預先訓練得到的分類器中，得到圖標圖像對應標志類別的置信度；將存在交通標志的置信度與對應標志類別的置信度進行融合得到交通標志的識別結果。
本方案為基于神經網絡模型，通過第一次識別是否包括目標，第二次識別具體為什么類型的目標，綜合兩次識別得到蘋果識別結果。
若獨權為：一種目標識別處理方法，其特征在于，包括：
將目標圖像輸入到預先訓練好的第一目標神經網絡模型中，得到所述目標圖像中包括目標對象的第一置信度以及目標位置信息；
根據所述目標位置信息對所述目標圖像進行摳圖，得到所述目標對象；
將所述目標對象輸入到預先訓練好的第二目標神經網絡模型中，得到所述目標對象的目標分類結果的第二置信度；
將第一置信度與第二置信度進行融合得到蘋果識別結果。
（為了便于說明，此獨權延用了對比文件1的撰寫方式，每個人的撰寫習慣或方式不同，表述也會不同，僅供參考）
可以看出，獨權相對于對比文件1，現有是對交通標志進行識別，本方案是對蘋果進行識別，還是比較相似的；不過本方案中還記載了通過第一目標神經網絡模型還輸出目標位置信息，根據目標位置信息對所述目標圖像進行摳圖，得到目標對象，對比文件1中沒有公開。
不難想象，審查員應該會說：對于本領域普通技術人員而言，上述區別技術特征為慣用技術手段，或者提供對比文件2，公開根據位置信息進行摳圖，兩者的結合便能得到本方案。
雖然慣用技術手段可以進行爭辯，但是很難得到認可（至于原因，作為代理師的你，懂的），即獨權具備創造性的可能性較小。
為了在答復階段，可以通過修改克服獨權的不具備創造性，在撰寫階段，對于從權，可從以下三個方面進行布局：
第一方面，對獨權中的第一目標神經網絡模型與第二目標神經網絡模型的結構進行進一步限定。
例如，第一目標神經網絡模型包括：三個特征提取層和一個全連接層，第二個目標神經網絡模型雖采用現有AlexNet，但是對具體結構進行了微小調整，第二目標神經網絡模型包括：4個卷積層與2個全連接層。
首先，在從權中具體限定，所述將目標圖像輸入到預先訓練得到的第一目標神經網絡模型中，得到所述目標圖像中包括目標對象的第一置信度以及目標位置信息包括：將所述目標圖像輸入到所述第一目標神經網絡模型中的三個特征提取層，得到輸出的目標圖像特征，將所述目標圖像特征輸入到所述第一目標神經網絡模型的全連接層中，得到所述目標圖像中包括所述目標對象的第一置信度以及所述目標位置信息。
在從權中具體限定，所述將目標對象輸入到預先訓練得到的第二目標神經網絡模型中，得到所述目標對象的目標分類結果的第二置信度包括：分別將所述目標對象輸入到所述第二目標神經網絡模型中串聯的4個卷積層，得到所述4個卷積層輸出的圖像特征，將所述4個卷積層輸出的圖像特征輸入到2個全連接層中，得到所述目標對象的目標分類結果的第二置信度。
其次，還可以在從權中進一步限定4個卷積層的連接關系，即第一卷積層、第二卷積層、第三卷積層、第四卷積層的連接關系，第一全連接層與得第二全連接層的連接關系，和/或第四卷積層與第一全連接層的連接關系。
另外，還可以在從權中具體限定，第一目標神經網絡模型和第二目標神經網絡模型的訓練過程，訓練過程需包括具體的結構。
第二方面，由于本方案的目的是識別出是否有蘋果，本方案中第一階段為主識別，第二階段為輔助識別，第一階段通過神經網絡模型識別，整圖輸入，輸出目標的位置和置信度，精度高，僅存少量誤報；在第二階段輔助識別第一階段的誤報，具體限定第一置信度與第二置信度融合的權重，由于第一次識別應該占主導地位，而第二次識別的目的僅僅是輔助確定第一次識別的結果，故第一置信度的權重大于第二置信度的權重，為了得到更準確的識別結果，具體還可以設置對應的取值范圍。
第三方面，為了進一步體現目標分類結果與對比文件1中的圖標圖像對應標志類別的不同，還可以在從權中限定目標分類結果包括變形的蘋果、被切掉部分的蘋果、被摳取部分的蘋果、腐爛的蘋果或其他，從而區別于對比文件1中識別具體什么類型的交通標志。
神經網絡模型專利權利要求應該如何布局? 當然，即使具體限定了神經網絡模型的結構，也不能確保具有創造性，僅僅是站在代理師的角度，為爭取具備創造性做出更多的努力。
中企檢測認證網提供iso體系認證機構查詢，檢驗檢測、認證認可、資質資格、計量校準、知識產權貫標一站式行業企業服務平臺。中企檢測認證網為檢測行業相關檢驗、檢測、認證、計量、校準機構，儀器設備、耗材、配件、試劑、標準品供應商，法規咨詢、標準服務、實驗室軟件提供商提供包括品牌宣傳、產品展示、技術交流、新品推薦等全方位推廣服務。這個問題就給大家解答到這里了，如還需要了解更多專業性問題可以撥打中企檢測認證網在線客服13550333441。為您提供全面檢測、認證、商標、專利、知識產權、版權法律法規知識資訊，包括商標注冊、食品檢測、第三方檢測機構、網絡信息技術檢測、環境檢測、管理體系認證、服務體系認證、產品認證、版權登記、專利申請、知識產權、檢測法、認證標準等信息，中企檢測認證網為檢測認證商標專利從業者提供多種檢測、認證、知識產權、版權、商標、專利的轉讓代理查詢法律法規，咨詢輔導等知識。
本文內容整合網站：百度百科、搜狗百科、360百科、知乎、市場監督總局 、國家知識產權局
免責聲明：本文部分內容根據網絡信息整理，文章版權歸原作者所有。向原作者致敬！發布旨在積善利他，如涉及作品內容、版權和其它問題，請跟我們聯系刪除并致歉！
