Hachage visuel et reconnaissance d’images par IA pour la protection numérique des marques

La protection numérique des marques ne peut reposer uniquement sur la recherche dans les textes, les noms de marques ou de vendeurs. Une annonce de contrefaçon peut omettre le nom de la marque tout en utilisant ses images de produits, son emballage, son logo, ses motifs ou ses photos de catalogue.

Ainsi, le hachage visuel, la recherche inversée d’images et la reconnaissance d’images par IA constituent des couches techniques importantes des systèmes de protection numérique des marques.

Qu’est-ce que le hachage visuel ?

Un hachage classique permet de déterminer efficacement si des fichiers sont identiques. Toutefois, le redimensionnement ou la compression d’une image peut modifier complètement son hachage.

Le hachage perceptuel crée une signature résumant les caractéristiques perceptuelles d’une image afin de détecter les similitudes malgré de petites modifications.

À quoi sert le hachage perceptuel ?

Trouver des copies des images du catalogue,
Détecter la même photo de produit sur plusieurs places de marché,
Repérer de légers recadrages ou changements de couleur,
Surveiller la réapparition d’images déjà identifiées comme portant atteinte aux droits.

Un hash seul ne suffit pas

Un hachage perceptuel peut être insuffisant si l’image a été fortement recadrée, recouverte de texte ou reprise sous un autre angle.

Des systèmes de vision par ordinateur et de similarité fondés sur des embeddings peuvent alors intervenir.

Recherche inversée d’images

La recherche inversée d’images permet de rechercher où une image donnée est utilisée sur Internet.

Pour les marques, il peut aider à identifier:

Utilisation non autorisée des images de catalogue,
De faux magasins,
Profils usurpant une identité sur les réseaux sociaux,
Annonces de produits non autorisées

Similarité d’images fondée sur les embeddings

Les modèles d’images modernes peuvent représenter une photographie par un vecteur de grande dimension. Cela permet de comparer des images sémantiquement similaires dont les pixels ne sont pas identiques.

Par exemple, la similarité du produit peut être détectée même si le même sac est photographié sur un autre fond et sous un autre angle.

Détection du logo

Le logo d’une marque peut n’occuper qu’une très petite partie d’une photo. Les modèles de détection de logos peuvent aider à repérer des signes distinctifs précis dans l’image.

Le résultat d’un modèle ne constitue toutefois pas à lui seul une décision juridique constatant une atteinte aux droits ; c’est un signal de risque.

Détection d'objets

Les formes de produits, les emballages ou les éléments de conception particuliers peuvent être analysés à l'aide de modèles de détection d'objets.

Pour surveiller de grands volumes d’annonces sur les places de marché, ces modèles peuvent réduire le nombre de cas à examiner manuellement.

Utiliser les images et le texte ensemble

Les résultats les plus forts proviennent généralement de l'analyse multimodale.

Pour une annonce, les éléments suivants peuvent être évalués :

L'image du produit,
Titre,
Description,
Vendeur,
Prix,
Catégorie,
Avis

Ces signaux peuvent être examinés ensemble.

Les anomalies des prix sont des signaux de risque

Outre la similarité visuelle, des prix anormalement bas, de nouveaux vendeurs ou des descriptions à risque peuvent entrer dans le score de protection de la marque.

Le problème des faux positifs

Un score de similarité élevé produit par une IA ne signifie pas que toute annonce concerne une contrefaçon.

Un vendeur autorisé peut utiliser la même image de catalogue, ou un produit légal peut avoir un dessin similaire.

La détection automatisée et la décision finale doivent donc être séparées.

Notation des risques

Exemple de modèle de risque :

Score de similarité visuelle,
Correspondance du logo,
Historique du vendeur,
Anomalie des prix,
Signaux texte,
Antécédents d’atteintes aux droits.

Vérification humaine

Les cas ayant un score élevé peuvent être transmis à des experts. L’analyste travaille alors sur un petit ensemble de cas prioritaires plutôt que sur des millions d’annonces.

Constitution du dossier de preuves

Lorsqu’une annonce à risque est détectée, conserver uniquement le score de l’IA ne suffit pas.

On peut noter ce qui suit :

URL,
Informations sur le vendeur,
Image de l’annonce,
Capture d'écran,
Date et heure,
Prix,
Raison de la détection.

Dérive du modèle et mises à jour

À mesure que les catalogues de produits et les méthodes de contrefaçon évoluent, le rendement des modèles peut diminuer. Il convient de vérifier régulièrement le système en fonction de nouvelles variantes et des cas vérifiés.

Association avec Marketplace Intelligence

La reconnaissance d’images ne sert pas uniquement à détecter les contrefaçons. Rapprocher les annonces d’un même produit chez différents vendeurs peut aussi soutenir l’analyse des prix, des canaux et des vendeurs.

L'approche B10

B10 Digital Agency vise une approche de protection de la marque basée sur les données qui évalue ensemble les signaux de texte, de vendeur, de prix et d'image.

Conclusion

Le hachage visuel et la reconnaissance d’images par IA ne remplacent pas les experts en protection des marques par un système de décision automatique. Ils constituent une couche de détection permettant de repérer plus tôt et à plus grande échelle les contenus à risque sur les canaux numériques à fort volume.