通过利益相关者视角：技术创新网络如何塑造中国企业声誉

《Systems》：Through the Stakeholder Lens: How Technology Innovation Networks Shape Corporate Reputation in China

　　

摘要
识别核心特征是设计专利侵权评估（DPIA）中的关键步骤，因为识别结果可作为后续定性和定量评估的重要基础。传统的DPIA通常依赖专家经验和法官自由裁量权，导致显著的不确定性和主观性，易使类似案件出现不一致判断，阻碍技术创新并可能引发社会冲突。为解决此问题，研究人员提出了一种集成多角度注意力识别与新颖性计算的专利核心特征智能识别框架。首先，下载设计专利并提取视图以构建数据库；同时，使用Canny算子提取产品轮廓特征。其次，构建CBAM-ResNet50模型，通过迁移学习进行训练和优化，以实现显著性特征的定量识别。随后，使用VGG16模型结合余弦相似度计算产品特征相似度，并将两种方法的结果结合，综合确定核心特征。以淋浴头为例进行实验，随机选取400件专利作为开发集。结果表明，所提出的CBAM-ResNet50模型在交并比（IoU）和Dice相似系数（DSC）上显著优于其他对比模型，而VGG16模型结合余弦相似度算法对产品主视图轮廓的区分能力最强。将两种方法结合得到核心特征验证集，并由专家小组进行评估。最终测试集上的专家认可率（EEP）为86.5%（173/200；Wilson置信区间为81.1%至90.6%）。这项研究不仅为DPIA提供了可量化、可解释的决策支持工具，也为智能知识产权审查乃至产品创新设计提供了可行的技术支持。

**论文解读：基于深度学习和注意力机制的设计专利核心特征智能识别框架**

**研究背景与问题**
在市场竞争日益激烈的背景下，企业越来越重视产品外观设计以提升吸引力，但这也增加了被模仿和知识产权侵权的风险。设计专利侵权纠纷在司法实践中占比最高，在中国超过60%的知识产权纠纷涉及外观设计，而判断是否构成侵权往往取决于是否存在“实质性差异”。然而，长期以来“实质性差异”的标准因过度依赖主观判断而备受批评，缺乏客观分析工具常导致不一致的判决结果——数据显示超过33.2%的外观设计专利案件需要重新判决。因此，迫切需要从定性判断转向定量、数据驱动的辅助系统。基于专利与研发的强关联性，定量专利分析成为减少人为偏差的有效手段。本研究旨在将抽象的“实质性差异”法律概念转化为具体的、可衡量的核心特征识别任务。根据中国最高人民法院的解释，设计专利的“核心特征”由两个维度定义：正常使用时易观察且影响整体视觉效果的部分（高关注度）以及区别于现有设计的特征（新颖性）。尽管法律论述强调区分这些美学特征的必要性，但现有研究很少涉及如何定量识别和计算它们。随着人工智能辅助法律职业的发展，本文提出一个集成深度学习、注意力机制和新颖性评估的核心特征计算框架，为DPIA提供客观辅助工具。

**研究内容与结论**
研究人员针对现有DPIA的强主观性问题，提出了一种融合注意力机制与专利相似度计算的核心特征识别框架。该框架包括四个主要阶段：设计专利数据收集与处理、图像模型训练与注意力值计算、产品图像特征相似度计算、产品核心特征计算与识别。通过以淋浴头设计专利为案例，研究人员从专利检索平台收集了2167件有效手持淋浴头设计专利，构建了训练集、验证集和独立测试集。实验结果表明，所提出的CBAM-ResNet50模型在注意力定位精度（IoU和DSC）上显著优于ResNet50、VGG16、InceptionV3、DenseNet121、MobileNetV2等主流骨干网络，且在网络深度比较中，中等深度的ResNet50优于更浅的ResNet18、ResNet34和更深的ResNet152。消融实验进一步验证了CBAM模块及其插入位置（Conv2_x阶段）的最优性。在相似度计算中，VGG16结合余弦相似度在轮廓图像上取得了最高的AUC（0.9859），优于传统算法（SSIM、SIFT、ORB、互信息）和其他深度学习特征组合。最终，在200件独立测试集上，该方法的核心特征识别结果获得了86.5%的专家认可率（Wilson置信区间81.1%–90.6%）。通过两个真实司法案例（Grohe AG诉建隆案、九牧诉青白案）的对比分析，模型定位的核心特征与法院判决高度一致，验证了方法的实用性和可解释性。该研究发表在《Systems》期刊。

**主要关键技术方法**
研究人员采用了以下关键技术方法：1）基于PyMuPDF库的图像提取与文本坐标驱动的视图方向分类方法，用于从PDF格式的设计专利中提取多视图图像并构建结构化数据集；2）Canny边缘检测算子，用于提取产品轮廓，以抑制颜色、材质和尺寸变化的影响，使视觉表示聚焦于形状和结构特征；3）CBAM-ResNet50模型，将轻量级混合注意力机制（CBAM）嵌入ResNet50的Conv2_x阶段，采用迁移学习策略（基于ImageNet预训练）进行二分类训练（目标产品 vs 非目标产品），以获取注意力权重图并计算各组件（如喷水面板、调节器、外轮廓、手柄、螺纹）的注意力值；4）VGG16模型提取轮廓图像特征向量，结合余弦相似度计算特征级相似度，以评估新颖性；5）核心值计算公式，将注意力值与相似度值之比作为核心值，综合多视图结果确定核心特征排名。样本队列来源：中国知名专利搜索引擎Patsnap，检索策略为关键词与洛迦诺分类组合，共获得初始6167件，经去重、法律状态筛选及人工逐项核对后，最终得到2167件有效手持淋浴头设计专利。

**研究结果**
**5.5 模型对比与消融实验**
为验证CBAM-ResNet50模型的有效性，研究人员设计了骨干网络对比、网络深度对比和消融实验三组实验。所有模型在相同淋浴头数据库上训练和测试，采用相同的优化器和学习率。专家小组（20名专利工程师，随机分为标注组和验证组）负责掩码标注和显著性特征标注，并使用Fleiss' kappa系数评估标注一致性（掩码标注κ=0.89，显著性特征标注κ=0.81）。采用Otsu自适应阈值将连续注意力图二值化，与专家标注的地面真值掩码比较，计算精度、召回率、IoU和DSC。
**5.5.1 骨干网络对比实验**
比较ResNet50、VGG16、InceptionV3、DenseNet121、MobileNetV2。ResNet50在IoU和DSC上均取得最高值，且置信区间最窄，表明其稳定准确地覆盖了淋浴头显著性特征区域。VGG16排名第二，DenseNet121表现最差。
**5.5.2 ResNet网络深度影响对比**
比较ResNet18、ResNet34、ResNet50、ResNet152。ResNet50在各项指标上最优，中等深度网络性能最佳；过浅（ResNet18/34）导致细节冗余，过深（ResNet152）导致特征丢失和注意力分散。
**5.5.3 消融实验**
验证CBAM不同插入位置（Conv1_x至Conv4_x）以及不同注意力机制（CAM、SAM、SE、自注意力）。CBAM-ResNet50-C2（插入Conv2_x后）取得最佳IoU和DSC，且计算开销增加有限（参数增加0.6M，FLOPs增加0.1G，推理时间增加4.7ms）。自注意力计算成本过高且性能不佳。
**5.6 产品特征注意力值计算**
以单个淋浴头为例，展示了其主视图、侧视图和后视图的注意力图和注意力值。喷水面板、调节器、外轮廓、手柄、螺纹等组件的注意力值被量化。
**5.7 产品特征相似度计算**
采用VGG16+Cos方法在400件开发集上进行相似度评估，通过ROC曲线和AUC比较。VGG16+Cos的AUC为0.9859，显著优于SSIM（0.8016）、SIFT（0.6598）、ORB（0.8485）、互信息（0.9054）及其他深度学习组合（ResNet50+Cos 0.9635等）。通过聚类Bootstrap和留一锚点交叉验证进一步验证了稳健性。分析了困难样本（边界案例）和失败案例。
**5.8 核心计算与核心特征确定**
**5.8.1 与其他模型比较**
在200件独立测试集上，CBAM-ResNet50-C2模型结合核心值公式，以Top-1核心特征进行专家评估。不同骨干网络EEP从70%到86.5%，CBAM-ResNet50最高（86.5%，Wilson置信区间81.1%–90.6%）。网络深度比较中ResNet50最优，消融实验中CBAM-ResNet50-C2最优。失败案例分析显示注意力定位错误（如关注产品标识）和多个核心特征共存（核心值相近）是主要原因。
**5.8.2 计算过程示例**
以两个淋浴头为例，详细展示了从多视图提取、注意力值计算、相似度计算到核心值计算的全过程，通过具体数值验证了喷水面板或外轮廓可作为核心特征。

**讨论与结论**
**讨论部分总结**：研究人员通过两个代表性司法案例（Grohe AG诉建隆案、九牧诉青白案）说明方法输出与法院判决的高度一致性。在Grohe案中，法院认定喷水面板为决定性特征，模型同样将其识别为核心特征。在九牧案中，法院强调喷水面板出水口布局为核心特征，模型注意力也集中于该区域。应用方面，该方法可扩展至商标权、图像版权、集成电路布图设计等其他视觉知识产权侵权分析，以及工程图纸处理和机器视觉中的核心特征识别。局限性包括：仅适用于仅保护形状的设计专利（不涉及颜色）；相似度计算易受噪声影响且仅使用主视图；未处理功能性与非功能性特征的区分。未来将考虑联合神经网络、大模型、知识图谱等工具，并丰富数据库。
**研究结论**：为克服传统人工判断的强主观性和低效率，实现核心特征的准确识别，本文提出了一种融合卷积神经网络与注意力机制、结合相似度算法的核心特征识别方法。该方法代表研究人员利用机器视觉算法识别设计专利核心特征的尝试，具有显著创新性。从法律和机器学习角度均进行了充分解释，通过实验验证和具体司法案例说明，算法在相似度、注意力值和核心特征计算上达到高准确率和EEP，有效辅助了现有DPIA中的核心特征识别。该方法的意义体现在两方面：一方面为法院提供定量依据，避免过度依赖主观经验；另一方面为其他专利侵权案件及其他类型案件的智能判断提供辅助分析工具，具有重要理论研究价值。此外，在人工智能技术快速发展的时代，本研究响应了政府（尤其是中国政府）的AI发展政策，进一步丰富了AI应用并优化了机器视觉算法，并获得了相关部门关注和资助。