好的，作为一名经验丰富的资深专利代理师，我将对您提供的对比文件和目标专利进行严谨的创造性评估分析。
首先，明确本次评估的基本信息：
**对比文件名称：** Regionlets with Shift Invariant Neural Patterns for Object Detection (US20150117760A1)
**目标专利名称：** 利用神经网络进行目标检测 (CN107851195B)
**本次调用的模型名称：** 未指定，但我将以资深专利代理师的专业知识进行分析。
以下是根据您的要求创建的特征比对表格及详细论述。
### 特征比对表格
| 技术特征描述以及公开性判断结果 | 对比文件原文引用 | 公开性论述 |
| **技术特征A：** 包括至少一个处理内核、包括计算机程序代码的至少一个存储器，所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理内核一起使得所述装置至少：‑ 向包括卷积层集合的人工神经网络的第一卷积层提供输入数据项<br><br>**《直接公开》** | 【0059】 The system may be implemented in hardware, firmware or software, or a combination of the three. Preferably the system is implemented in a computer program executed on a programmable computer having a processor, a data storage system, volatile and non-volatile memory and/or storage elements, at least one input device and at least one output device.<br>（系统可以用硬件、固件或软件或其组合来实现。优选地，系统在可编程计算机上执行的计算机程序中实现，该计算机具有处理器、数据存储系统、易失性和非易失性存储器和/或存储元件、至少一个输入设备和至少一个输出设备。）<br><br>【0025】 1) Apply neural network forward propagation over the image multiple times...<br>（1）在图像上多次应用神经网络前向传播...）<br><br>【0036】 Each sub-slice of a deep CNN for visual recognition is commonly composed of a convolutional weight layer...（用于视觉识别的深度CNN的每个子切片通常由卷积权重层组成...） | 对比文件明确公开了使用具有处理器（处理内核）和存储器（数据存储系统、存储器）的计算机系统来执行对象检测方法。该方法包括向深度卷积神经网络（人工神经网络）的输入层提供图像数据，该神经网络必然包含卷积层集合，并且输入数据首先被提供给第一卷积层。因此，该技术特征被对比文件直接公开。 |
| **技术特征B：** ‑ 在所述卷积层集合中处理所述输入数据项<br><br>**《直接公开》** | 【0032】 We build a CNN with five convolutional layers inter-weaved with max-pooling and contrast normalization layers as illustrated in FIG. 2.<br>（我们构建了一个具有五个卷积层的CNN，这些卷积层与最大池化和对比度归一化层交织在一起，如图2所示。）<br><br>【0025】 1) Apply neural network forward propagation over the image multiple times... 2) Map the responses from the fifth convolutional layer back to their original spatial location...<br>（1）在图像上多次应用神经网络前向传播... 2）将来自第五卷积层的响应映射回其原始空间位置...） | 对比文件明确公开了构建一个包含多个卷积层的CNN，并对输入图像执行前向传播，这必然包括在所述卷积层集合中处理输入数据项。因此，该技术特征被对比文件直接公开。 |
| **技术特征C：** ‑ 在从所述卷积层集合中的最后的卷积层输出的特征图中定义第一特征图补丁和第二特征图补丁<br><br>**《隐含公开》** | 【0039】 (b) Feature maps generated by filters in the fifth convolution layer, spatially organized according to their inherited 2-D locations. Each map has 13×13 neural patterns.<br>（(b) 由第五卷积层中的滤波器生成的特征图，根据其继承的2D位置进行空间组织。每个图具有13×13个神经模式。）<br><br>【0046】 ...we only retain central 5×5 feature points of the feature map square. In this manner, each model convolution generates 25 feature vectors with a 16×16 pixel stride.<br>（...我们只保留特征图方块的中心5×5特征点。以这种方式，每个模型卷积以16×16像素的步幅生成25个特征向量。）<br><br>【0046】 ...we convolve the deep CNN model every 80 pixels in both x and y direction. Given a 640×480 image, it outputs 40×30 feature points which involves 8×6 model convolutions.<br>（...我们在x和y方向上每80个像素对深度CNN模型进行卷积。给定640×480图像，它输出40×30个特征点，这涉及8×6次模型卷积。） | 对比文件公开了从最后的卷积层（第五层）输出特征图，并从中提取特征向量（即特征图补丁的一种形式）。特别是，它公开了通过“网络卷积”生成整个图像的密集特征点，每个特征点对应一个特征向量，并且保留中心5x5区域的特征点。虽然对比文件未明确使用“第一特征图补丁和第二特征图补丁”的术语，但本领域技术人员可以合理推断，为了进行后续的窗口检测，需要从这些密集的特征点中定义对应于不同检测窗口的补丁。例如，对应于不同位置或不同大小的检测窗口，可以定义出多个不同的特征图补丁。因此，该技术特征被对比文件隐含公开。 |
| **技术特征D：** 以及‑ 向第一分类器提供所述第一特征图补丁并且向第二分类器提供所述第二特征图补丁<br><br>**《未公开》** | 【0052】 The Regionlets object detection framework learns cascaded boosting classifiers to detect objects of interest.<br>（Regionlets对象检测框架学习级联的boosting分类器来检测感兴趣的对象。）<br><br>【0054】 To obtain a fixed length visual representation for a regionlet of arbitrary resolution, we build a local DNP histogram, or average pooling of DNPs, inside each regionlet.<br>（为了获得任意分辨率的regionlet的固定长度视觉表示，我们在每个regionlet内构建局部DNP直方图或DNPs的平均池化。） | 对比文件公开的检测框架是Regionlets，它使用由boosting算法训练的级联分类器，而不是目标专利中明确限定的将不同特征图补丁分别提供给不同分类器的方案。对比文件的处理方式是：从整个特征图中提取密集的DNP特征，然后在检测窗口内构建直方图，并将这些特征输入到一个统一的boosting分类器框架中进行学习和检测。它没有公开将两个独立的、定义好的特征图补丁分别提供给两个不同的分类器（例如，两个不同的全连接层分类器）这一技术特征。该特征未被对比文件公开。 |
| **技术特征E：** 其中所述输入数据项包括图像<br><br>**《直接公开》** | 【0001】 This application claims priority to Provisional Applications... for detecting an object in an image...<br>（本申请要求...优先权，用于检测图像中的对象...）<br><br>【0022】 a typical PASCAL VOC image only needs to run the neural network several times...<br>（一个典型的PASCAL VOC图像只需要运行神经网络几次...） | 对比文件通篇涉及对图像进行对象检测，输入数据项明确为图像。因此，该技术特征被对比文件直接公开。 |
| **技术特征F：** 其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理内核一起使得所述装置通过组合原始图像的缩放版本集合来导出所述图像<br><br>**《未公开》** | 无相关公开内容。 | 对比文件没有公开或暗示通过组合原始图像的缩放版本集合来生成输入图像的技术方案。对比文件中的“网络卷积”方法是在原始图像或单个输入窗口上进行滑动，而不是组合多个缩放版本。该技术特征未被对比文件公开。 |
| **技术特征G：** 其中所述第一特征图补丁对应于第一尺度，所述第一分类器被布置为在所述第一尺度上操作以执行对象识别，并且所述第二特征图补丁对应于第二尺度，所述第二分类器被布置为在所述第二尺度上操作以执行对象识别。<br><br>**《未公开》** | 【0046】 ...each model convolution generates 25 feature vectors with a 16×16 pixel stride. In order to produce the dense neural patterns map for the whole image...we convolve the deep CNN model every 80 pixels...<br>（...每个模型卷积以16×16像素的步幅生成25个特征向量。为了生成整个图像的密集神经模式图...我们每80个像素对深度CNN模型进行卷积...）<br><br>【0052】 The Regionlets object detection framework learns cascaded boosting classifiers to detect objects of interest.<br>（Regionlets对象检测框架学习级联的boosting分类器来检测感兴趣的对象。） | 对比文件虽然通过“网络卷积”产生密集特征，但其检测框架是Regionlets，该框架通过在一个统一的特征图上滑动不同大小的检测窗口来处理尺度变化，而不是为不同尺度定义不同的特征图补丁并分配给不同的分类器。对比文件没有公开特征图补丁与特定尺度的分类器之间的对应关系。该技术特征未被对比文件公开。 |
| **技术特征H：** 其中所述第一分类器包括所述人工神经网络的第一全连接层。<br><br>**《未公开》** | 【0033】 ...we extract DNPs only from convolutional layers since they preserve spatial information from the input image.<br>（...我们仅从卷积层提取DNPs，因为它们保留了来自输入图像的空间信息。）<br><br>【0052】 The Regionlets object detection framework learns cascaded boosting classifiers...<br>（Regionlets对象检测框架学习级联的boosting分类器...） | 对比文件明确排除使用全连接层进行分类，因为它会丢失空间信息。对比文件使用的分类器是Regionlets框架中的boosting分类器，而非目标专利所限定的人工神经网络的全连接层。该技术特征未被对比文件公开。 |
| **技术特征I：** 其中所述第二分类器包括所述人工神经网络的第二全连接层。<br><br>**《未公开》** | 同上，对比文件【0033】和【0052】。 | 与对技术特征H的分析相同，对比文件未公开、也未暗示使用全连接层作为分类器。该技术特征未被对比文件公开。 |
| **技术特征J：** 其中所述卷积层集合包括四个卷积层。<br><br>**《未公开》** | 【0032】 We build a CNN with five convolutional layers inter-weaved with max-pooling and contrast normalization layers as illustrated in FIG. 2.<br>（我们构建了一个具有五个卷积层的CNN，这些卷积层与最大池化和对比度归一化层交织在一起，如图2所示。） | 对比文件明确公开其构建的CNN包含五个卷积层（five convolutional layers），而非目标专利所限定的四个卷积层。该技术特征未被对比文件公开。 |
| **技术特征K：** 其中在所述卷积层集合中处理所述输入数据项包括在后续层中处理之前对前一卷积层的输出进行归一化。<br><br>**《直接公开》** | 【0032】 We build a CNN with five convolutional layers inter-weaved with max-pooling and contrast normalization layers as illustrated in FIG. 2.<br>（我们构建了一个具有五个卷积层的CNN，这些卷积层与最大池化和对比度归一化层交织在一起，如图2所示。） | 对比文件明确公开其CNN结构包含“对比度归一化层”（contrast normalization layers），并且这些层与卷积层交织在一起，这意味着在卷积层之后、进入后续层（如下一个卷积层或池化层）之前，会执行归一化操作。因此，该技术特征被对比文件直接公开。 |
| **技术特征L：** 其中在所述卷积层集合中处理所述输入数据项包括在后续层中处理之前对前一卷积层的输出进行子采样。<br><br>**《直接公开》** | 【0032】 We build a CNN with five convolutional layers inter-weaved with max-pooling and contrast normalization layers as illustrated in FIG. 2.<br>（我们构建了一个具有五个卷积层的CNN，这些卷积层与最大池化和对比度归一化层交织在一起，如图2所示。）<br><br>【0045】 Table 1 shows... 2 pool1 3 2 0 8 10... 4 pool2 3 2 0 16 18... 8 pool3 3 2 0 32 34<br>（表1显示了... 2 pool1 3 2 0 8 10... 4 pool2 3 2 0 16 18... 8 pool3 3 2 0 32 34） | 对比文件明确公开其CNN结构包含“最大池化层”（max-pooling layers），并且这些层与卷积层交织在一起。最大池化是一种子采样操作。表1也列出了池化层的参数（步长为2），这证实了子采样的存在。因此，该技术特征被对比文件直接公开。 |
| **技术特征M：** 其中在所述卷积层集合中处理所述输入数据项包括在第三卷积层之后执行局部对比度归一化。<br><br>**《隐含公开》** | 【0032】 We build a CNN with five convolutional layers inter-weaved with max-pooling and contrast normalization layers as illustrated in FIG. 2.<br>（我们构建了一个具有五个卷积层的CNN，这些卷积层与最大池化和对比度归一化层交织在一起，如图2所示。）<br><br>【0045】 Table 1 shows... 3 conv2 5 1 2 8 10... 5 conv3 3 1 1 16 18... 7 conv5 3 1 1 16 18... 8 pool3 3 2 0 32 34<br>（表1显示了... 3 conv2 5 1 2 8 10... 5 conv3 3 1 1 16 18... 7 conv5 3 1 1 16 18... 8 pool3 3 2 0 32 34） | 对比文件公开了其CNN结构包含与卷积层交织的对比度归一化层。虽然对比文件未明确说明归一化层具体跟在哪个卷积层之后，但本领域技术人员可以合理推断，为了稳定训练和提升性能，在多个卷积层之后（包括第三卷积层之后）应用归一化是深度CNN的常见实践。对比文件未提供排除这种配置的教导，并且其“交织”的描述暗示了这种操作是普遍存在的。因此，该技术特征被对比文件隐含公开。 |
| **技术特征N：** 其中所述人工神经网络被配置为检测人的图像。<br><br>**《隐含公开》** | 【0002】 Detecting generic objects in high-resolution images is one of the most valuable pattern recognition tasks...<br>（在高分辨率图像中检测通用对象是最有价值的模式识别任务之一...）<br><br>【0022】 On PASCAL 2007 VOC detection benchmark... on PASCAL VOC 2010...<br>（在PASCAL 2007 VOC检测基准上...在PASCAL VOC 2010上...） | 对比文件公开其系统用于通用对象检测，并在PASCAL VOC数据集上进行了性能评估。PASCAL VOC数据集包含“人”（person）这一类别。因此，本领域技术人员可以合理推断，该系统能够被配置为检测人的图像。该技术特征被对比文件隐含公开。 |
| **技术特征O：** 其中所述人工神经网络被配置为检测行人的图像。<br><br>**《隐含公开》** | 同上，对比文件【0002】和【0022】。 | 与对技术特征N的分析类似。行人检测是通用对象检测的一个具体应用，特别是在自动驾驶等场景中。PASCAL VOC数据集也包含行人（pedestrian）的相关测试场景。本领域技术人员可以合理推断，该系统能够被配置为检测行人的图像。该技术特征被对比文件隐含公开。 |
| **技术特征P：** 其中所述第一特征图补丁和所述第二特征图补丁至少部分交叠。<br><br>**《隐含公开》** | 【0046】 ...we convolve the deep CNN model every 80 pixels in both x and y direction. Given a 640×480 image, it outputs 40×30 feature points which involves 8×6 model convolutions.<br>（...我们在x和y方向上每80个像素对深度CNN模型进行卷积。给定640×480图像，它输出40×30个特征点，这涉及8×6次模型卷积。）<br><br>【0053】 ...a regionlet can cover multiple feature points or no feature point.<br>（...一个regionlet可以覆盖多个特征点，或者没有特征点。） | 对比文件公开了通过“网络卷积”生成密集特征点，步长为80像素。在对象检测中，相邻的候选窗口（即特征图补丁对应的输入区域）必然存在大量交叠，以确保覆盖所有可能的目标位置。因此，对应于这些交叠窗口的特征图补丁也必然至少部分交叠。本领域技术人员可以合理推断出这一特性。该技术特征被对比文件隐含公开。 |
| **技术特征Q：** 其中所述第一特征图补丁被包括在所述第二特征图补丁中。<br><br>**《未公开》** | 无相关公开内容。 | 对比文件没有公开或暗示一个特征图补丁被完全包含在另一个特征图补丁中的特定空间关系。虽然不同尺度的检测窗口在图像空间上可能存在包含关系，但对比文件未将此关系映射到特征图补丁上。该技术特征未被对比文件公开。 |
### 结论与代码输出
根据以上严谨的对比分析，对比文件直接公开了技术特征A、B、E、K、L；隐含公开了技术特征C、M、N、O、P。技术特征D、F、G、H、I、J、Q未被公开。
因此，在回答的结尾插入对应的代码：
<<<A>>><<<B>>><<<E>>><<<K>>><<<L>>><<<c>>><<<m>>><<<n>>><<<o>>><<<p>>>