商标的五大特征

商标权是指商标主管机关依法授予的保护商标所有人注册商标的专用权。商标注册人依法支配其注册商标,禁止他人侵犯的权利。那么商标权有什么特点呢?商标权具有五个基本特征:排他性、时间性、地域性、财产性和分类性。

一、注册人的独占性

常称为专有性或垄断性,指的是商标注册人,对其注册商标享有独占的使用权。赋予注册商标所有人独占使用权的基本目的,是为了通过注册建立特定商标与特定商品的固定联系,从而保证消费者能够避免混淆,且可接受准确无误的商品相关来源信息。在商业中未经许可的所有使用,都将构成对商标专用权的相关侵害。这种专用权表现可分为三个方面:

1、商标注册人,有权依据《商标法》的有效相关规定,对其注册商标的使用在其核准使用范围内的商品、商品包装上或服务、服务设施上,其他任何个人或行为组织不得干涉;

2、商标注册人有权禁止任何其他人未经其许可擅自在同一种或类似商品上使用与其注册商标相同或者近似的商标;

3、商标注册人有权许可他人使用自己注册的商标,也可以将自己的注册商标转让给他人进行,许可或转让都需要符合法律规定的界限,并履行一相关法律手续。

二、商标的时效性

指商标专用权的有效期限。在有效期限之内,商标的专用权受相关法律法规的保护,超过有效期限不进行续展手续的情况,则就不再受享受法律的有效保护。各国的相关商标法,规定了对商标专用权的保护期限,有的国家规定的长些,有的国家规定的短些,多则二十年,少则七年,大多数是十年。我国《商标法》第三十九条明确规定,注册商标有效期为十年,从核准注册之日起开始计算。第四十条规定,注册的商标有效期届满,需继续使用的情况。商标注册人应在期满前十二个自然月内,按照相关规定办理正式的续展手续;在此期间未能办理或未进行办理的,经申请,可给予六个月的宽展期。每次续展注册有效期为十个自然年份,自该商标上一届有效期满次日起开始计算。期满且未办理相关续展手续的,注销其相关的注册商标。

三、商标的地域性

商标的地域性指的是商标专用权的保护受地域范围的限制。注册商标的专用权,仅在商标注册的所属国家享受相关的法律保护,非注册的国家没有相关的保护义务。我国注册商标要在其他国家获得商标专用权并受到法律保护,则须分别在这些国家单独进行合法的注册,或通过《马德里协定》等国际性的知识产权条约,可在其相关协定的成员国申请法律保护的延伸。

四、商标的财产性

商标的专用权是一种巨大的、无形的财产。商标的专用权整体是整体智力的成果,凝聚权利人的全部心血与劳动。智力成果不同于有形的社会物质财富,虽需要借助一定的载体进行表现,但载体本身并不存在较大的经济价值,体现的巨大经济价值的只可是载体所蕴含的相关智力成果。比如“可口可乐”商标、“全聚德”商标一系列等,其商标的相关载体:可乐、烤鸭等不是具有昂贵价值的东西,但其商标的本身却是包含极高的经济价值。通过商标价值的评估,这些商标可作为无形资产成为企业出资额的一部分,且还占据着相当大的一部分。

五、商标的类别性

商标的类别性,国家工商的行政管理总局商标局依照商标注册申请人主动提交的纸质档《商标注册申请书》中核定的类别与商品项目名称进行的审查与核准。注册商标保护范围仅限于所核准类别与项目,凭借世界知识产权组织所提供的《商标注册商品和服务国分类》为基础保障,国家商标局相关职能部门制定的《类似商品和服务区分表》,把全部商品和服务总共分为45个类别,在相同或近似的类别和商品(服务)项目中,只允许一个商标权利人拥有相同或近似的商标。

  • 4
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值