说起创造性的判断，很容易想到创造性判断“三步法”，《专利审查指南》中也有记载：
(1)确定最接近的现有技术。
(2)确定发明的区别特征和发明实际解决的技术问题。
(3)判断要求保护的发明对本领域的技术人员来说是否显而易见。
而算法应用于各个领域，尤其是人工智能领域。人工智能领域具有发展迅速、数据量庞大、应用领域广泛、智能化程度高等特点。对于申请人来讲，如何对算法在审查中的专利进行创造性答复的尺度进行把握以争取到好结果是尤为重要的。
接下来通过案例做进一步了解。
案 例
涉案专利：
权利要求1：
无效请求：
证据1：
证据2：
证据3：
具体而言，请求人认为证据1公开了如何建立基于卷积神经网络的废钢铁图像分类模型，根据建立基于卷积神经网络的废钢铁图像分类模型方法可以实现废钢等级划分神经网络模型的建立。并且证据1已经涉及了用于废钢铁的回收、分选领域，其中图像增强包括了去除水印和噪声的相关内容。
证据2公开了利用具有多条线路卷积层或卷积层加池化层计算的集合对多种图像特征进行提取。
证据3公开的细粒度图像识别可以用于对同一大类下的不同子类进行识别，适用于识别不同分类等级的废钢铁。而在基于神经网络模型的图像识别方法中，利用卷积神经网络提取图像中目标的颜色、边缘、纹理特征等浅层信息，以及语义信息、特征之间的关联特征等深层信息，属于本领域的公知常识。
无效理由：
合议组看法：
1
涉案专利权1是用于废钢收储的等级分类检测，记载了不同等级图像特征数据的对应限定。而证据1全文公开的是如何对废钢铁的种类进行自动识别，仅涉及如何进行种类识别以及识别结果是何种料型，其并未提及有关规格、等级以及对分类操作后如何进一步分级等相关内容。
因此，从证据1所给出的应用场景、方法步骤和重要参数中无法得到建立废钢料等级划分的神经网络模型，以及对混杂在一起的各种类型的废钢料进行等级划分的技术启示。
2
证据2虽然公开了在卷积神经网络模型中对图像数据特征进行提取时可以采用的具体模块构成。但是，没有公开具体提取的是图像数据的哪些特征，也没有公开提取相关数据特征用于何种具体的应用场景、解决该场景中具体存在的哪些技术问题。同样也没给出相应的技术结合启示。
3
证据3公开了一种基于深度学习的细粒度图像识别研究，其表明可以用CNN提取图像边缘纹理这样的原始信息和高级语义信息。但是，证据3同样没有公开提取相关数据特征用于何种具体的应用场景、解决该场景中具体存在的哪些技术问题。因此，也没给出相应的技术结合启示。
4
5
综上，现有技术整体上不存在相关的技术启示，请求人的无效理由不成立。
【总结】
即使现有技术公开了相同或类似的算法架构及相关模块，但由于算法应用到不同场景时，需要根据应用场景的不同、所要解决的技术问题的不同对算法的训练模式、重要参数或相关步骤等进行调整，如果该调整解决了不同应用场景下特定的技术问题并相应获得了有益的技术效果，则在创造性判断时应予以考虑。
暂无评论内容