论文部分内容阅读
摘 要：本文重点分析了如何利用“arXiv数据库”进行有效检索。同时，通过具体实际案例发现，在非专利检索中，若在google学术中检索到时间不可用的对比文件，可继续在“arXiv数据库”中做进一步的时间确定，可能会检索到时间可用的版本。
关键词：arXiv数据库;检索
一、引言
检索是发明专利申请实质审查程序中的一个关键步骤，其目的在于找出与申请的主题密切相关或者相关的现有技术中的对比文件，或者找出抵触申请文件和防止重复授权的文件，以确定申请的主题是否具备专利法规定的新颖性和创造性[1]。可见，检索的质量和效率直接影响着审查的质量和效率。那么，如何选取数据库，并从海量的文献中快速检索到时间可用、内容有效的对比文件，提高检索效率，已经成为检索工作中亟需解决的问题。
二、利用arXiv数据库检索
arXiv是一个收录科学文献预印本的在线数据库系统，其网址为arxiv.org[2]。下面结合实际案例来提供针对arXiv数据库检索相关技巧和策略。
案例一：
（1）案情介绍
1. 一种图像检测方法，包括：
输入步骤：将第一图像输入经过训练的神经网络;
检测步骤：基于所述神经网络对所述第一图像中感兴趣区域进行检测，得到围绕所述感兴趣区域的多边形，检测所述多边形的各个边所在的直线;
输出步骤：输出描述所述各个边所在的直线的参数。
2. 根据权利要求1所述的方法，其特征在于，所述经过训练的神经网络模型采用以下步骤获得：
训练数据集获取步骤：对多个第二图像的感兴趣区域进行标识，得到训练数据集;
SSD网络训练步骤：利用所述训练数据集训练SSD网络;
神经网络训练步骤：利用所述训练数据集训练神经网络，其中，所述神经网络通过如下方式获得：将训练后的所述SSD网络的检测（Detection）层的输入作为LSTM网络的输入，从而将所述SSD网络与所述LSTM网络组合形成所述神经网络。
（2）检索技巧和策略
a）常规检索及检索难点
本申请的发明构思主要体现在两个方面，（1）采用线性标识方式对图像中的感兴趣区域进行标识;（2）采用SSD-LSTM卷积神经网络，对视频图像的感兴趣区域进行检测识别。
通过常规的检索方式发现，将SSD和LSTM结合的神经网络算法均出现在2018-2019年，可见SSD+LSTM结合的卷积神经网络算法属于新的技术手段。
b）亮点检索
选择在google学术中对“SSD+LSTM结合的卷积神经网络算法”进行检索，如图1所示。
经检索发现，文献1《TSSD： temporal single-shot detector based on attention and LSTM for robotic intelligent perception》中所引用的文献正是其下面这篇文献2《Mobile video object detection with temporally-aware feature maps》，该文献2提出了一种将SSD+LSTM结合的混合循环卷积结构，其相对于传统的LSTM减少了计算量。但是，从google学术中给出的链接点进去，可以看出该文献2发表在CVPR2018上，其时间不可用，如图2所示。
于是，继续在google学术中检索，发现文献3《An Improved objective detection of road scenes based on SSD model》中同样提到了“SSD+LSTM结合的混合循环卷积结构”，其引用的文献正是文献2，但是在给出的参考文献中，却记载的时间是2017年。如图3所示。
该文献2的时间究竟是2017還是2018年，若能证明该文献2在2017年就已经公开，那么，文献2即可与D1结合评述本申请的创造性。于是，需要对文献2的公开时间做进一步确认。
通过浏览文献2公开网址，发现下面给出了“ ”，即相关材料，通常我们只关注PDF，而其给出的文献是最新更新的文献，其时间为最新的时间。往往忽略了“arXiv数据库”，点进“arXiv数据库”，可以看到文献2有两个版本，即2017年11月17日提交的版本v1和2018年3月28日提交的最终版v2。
同时，该网页给出了版本v1和v2的下载版本。由此，我们可以采用2017年11月17日公开的版本v1，作为本申请的D2，同时，将D1与D2结合，评述本申请权利要求2的创造性。
三、结束语
基于该案例，我们发现同一篇文章，若收录在“arXiv数据库”中，则时间相较于Google学术更早。因此，若在google学术中检索到时间不可用的对比文件，可继续在“arXiv数据库”中做进一步的时间确定，可能会检索到时间可用的版本。
参考文献：
[1]中华人民共和国国家知识产权局.专利审查指南[M].北京：知识产权出版社，2010.
[2]丁晓萍. 世界知名预印本数据库arXiv[J]. 商丘师范学院学报，2019，（5）：104-106.
（国家知识产权局专利局专利审查协作湖北中心 湖北省武汉市 430000）
关键词：arXiv数据库;检索
一、引言
检索是发明专利申请实质审查程序中的一个关键步骤，其目的在于找出与申请的主题密切相关或者相关的现有技术中的对比文件，或者找出抵触申请文件和防止重复授权的文件，以确定申请的主题是否具备专利法规定的新颖性和创造性[1]。可见，检索的质量和效率直接影响着审查的质量和效率。那么，如何选取数据库，并从海量的文献中快速检索到时间可用、内容有效的对比文件，提高检索效率，已经成为检索工作中亟需解决的问题。
二、利用arXiv数据库检索
arXiv是一个收录科学文献预印本的在线数据库系统，其网址为arxiv.org[2]。下面结合实际案例来提供针对arXiv数据库检索相关技巧和策略。
案例一：
（1）案情介绍
1. 一种图像检测方法，包括：
输入步骤：将第一图像输入经过训练的神经网络;
检测步骤：基于所述神经网络对所述第一图像中感兴趣区域进行检测，得到围绕所述感兴趣区域的多边形，检测所述多边形的各个边所在的直线;
输出步骤：输出描述所述各个边所在的直线的参数。
2. 根据权利要求1所述的方法，其特征在于，所述经过训练的神经网络模型采用以下步骤获得：
训练数据集获取步骤：对多个第二图像的感兴趣区域进行标识，得到训练数据集;
SSD网络训练步骤：利用所述训练数据集训练SSD网络;
神经网络训练步骤：利用所述训练数据集训练神经网络，其中，所述神经网络通过如下方式获得：将训练后的所述SSD网络的检测（Detection）层的输入作为LSTM网络的输入，从而将所述SSD网络与所述LSTM网络组合形成所述神经网络。
（2）检索技巧和策略
a）常规检索及检索难点
本申请的发明构思主要体现在两个方面，（1）采用线性标识方式对图像中的感兴趣区域进行标识;（2）采用SSD-LSTM卷积神经网络，对视频图像的感兴趣区域进行检测识别。
通过常规的检索方式发现，将SSD和LSTM结合的神经网络算法均出现在2018-2019年，可见SSD+LSTM结合的卷积神经网络算法属于新的技术手段。
b）亮点检索
选择在google学术中对“SSD+LSTM结合的卷积神经网络算法”进行检索，如图1所示。
经检索发现，文献1《TSSD： temporal single-shot detector based on attention and LSTM for robotic intelligent perception》中所引用的文献正是其下面这篇文献2《Mobile video object detection with temporally-aware feature maps》，该文献2提出了一种将SSD+LSTM结合的混合循环卷积结构，其相对于传统的LSTM减少了计算量。但是，从google学术中给出的链接点进去，可以看出该文献2发表在CVPR2018上，其时间不可用，如图2所示。
于是，继续在google学术中检索，发现文献3《An Improved objective detection of road scenes based on SSD model》中同样提到了“SSD+LSTM结合的混合循环卷积结构”，其引用的文献正是文献2，但是在给出的参考文献中，却记载的时间是2017年。如图3所示。
该文献2的时间究竟是2017還是2018年，若能证明该文献2在2017年就已经公开，那么，文献2即可与D1结合评述本申请的创造性。于是，需要对文献2的公开时间做进一步确认。
通过浏览文献2公开网址，发现下面给出了“ ”，即相关材料，通常我们只关注PDF，而其给出的文献是最新更新的文献，其时间为最新的时间。往往忽略了“arXiv数据库”，点进“arXiv数据库”，可以看到文献2有两个版本，即2017年11月17日提交的版本v1和2018年3月28日提交的最终版v2。
同时，该网页给出了版本v1和v2的下载版本。由此，我们可以采用2017年11月17日公开的版本v1，作为本申请的D2，同时，将D1与D2结合，评述本申请权利要求2的创造性。
三、结束语
基于该案例，我们发现同一篇文章，若收录在“arXiv数据库”中，则时间相较于Google学术更早。因此，若在google学术中检索到时间不可用的对比文件，可继续在“arXiv数据库”中做进一步的时间确定，可能会检索到时间可用的版本。
参考文献：
[1]中华人民共和国国家知识产权局.专利审查指南[M].北京：知识产权出版社，2010.
[2]丁晓萍. 世界知名预印本数据库arXiv[J]. 商丘师范学院学报，2019，（5）：104-106.
（国家知识产权局专利局专利审查协作湖北中心 湖北省武汉市 430000）