对比文件名称：2014-06-26_US2014180989A_发明申请_US20140180989A1 SYSTEM AND METHOD FOR PARALLELIZING CONVOLUTIONAL NEURAL NETWORKS
目标专利名称：726利用神经网络进行目标检测CN107851195B
本次调用的模型名称：DeepSeek-V3
### 特征比对表格
| 技术特征描述及公开性判断结果 | 对比文件原文引用（翻译） | 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>《直接公开》 | [0023]“网络、层和/或细胞各自由处理器实现。”<br>[0027]“输入I到CNN权重矩阵可以是u个大小为N×N的图像的堆叠，这是一个大小为N×N×u的张量。单个CNN层可以应用u×v个过滤器…” | 对比文件明确公开了CNN由处理器（处理内核）实现，且输入数据项（图像堆叠）被提供到第一卷积层。处理器实现必然包含存储器（如[0020]所述的计算机可读介质），本领域技术人员毫无疑义地确定该装置具备处理内核和存储器并执行提供输入的操作。 |
| **技术特征B**：‑ 在所述卷积层集合中处理所述输入数据项<br>《直接公开》 | [0027]“单个CNN层可以应用u×v个过滤器…以产生输出张量O…”，[0028]给出卷积计算公式。 | 对比文件详细描述了输入数据项在卷积层集合中通过卷积操作进行处理，包括过滤器应用和输出计算，直接公开了该特征。 |
| **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>《未公开》 | 无相关内容。 | 对比文件未提及从最后卷积层输出中定义任何“特征图补丁”，其关注的是跨节点激活通信，而非在同一特征图中划分补丁。本领域技术人员无法合理推断出该特征。 |
| **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>《未公开》 | 无相关内容。 | 对比文件未公开向不同分类器提供不同特征图补丁的操作，其分类器接收的是整个特征图（或来自其他节点的激活），而非划分后的补丁。 |
| **技术特征E**：其中所述输入数据项包括图像<br>《直接公开》 | [0026]“即使小图像也是极高维的对象…”，[0027]“输入I到CNN权重矩阵可以是u个大小为N×N的图像的堆叠”。 | 对比文件明确将图像作为CNN的输入数据项，直接公开该特征。 |
| **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>《未公开》 | 无相关内容。 | 对比文件未描述通过组合原始图像的缩放版本来导出输入图像，其输入通常是单一图像或图像堆叠，无多尺度组合教导。 |
| **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>《未公开》 | 无相关内容。 | 对比文件未涉及特征图补丁与尺度的对应关系，也未公开分类器在不同尺度上操作，其并行化目的为加速而非多尺度检测。 |
| **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>《直接公开》 | [0039]“神经网络包括八层，其中前五层是卷积层，其余三层是全连接层。” | 对比文件明确公开了全连接层用作分类器，且多个节点存在多个全连接层，本领域技术人员可直接识别出“第一分类器”对应全连接层结构。 |
| **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>《直接公开》 | [0039]同上，[0012]“多个卷积神经网络各自实现于一个处理节点，每个包括多个层”。 | 基于对比文件多节点架构，第二分类器同样由全连接层实现，直接公开。 |
| **技术特征J**：其中所述卷积层集合包括四个卷积层<br>《未公开》 | 无明确对应。图4示例为五个卷积层，其他部分未限定层数。 | 对比文件未指定卷积层数为四个，其示例可为五层，本领域技术人员不能毫无疑义地确定该数值。 |
| **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>《未公开》 | 无相关内容。 | 对比文件未提及归一化操作（如批量归一化或局部归一化），仅在[0009]提及池化，但池化并非归一化。 |
| **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>《直接公开》 | [0009]“池化是一种使网络激活对小平移更具不变性的技术。” | 池化是子采样的典型形式，对比文件公开了在卷积层后使用池化进行子采样，本领域技术人员可直接确定该特征。 |
| **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>《未公开》 | 无相关内容。 | 对比文件未提及局部对比度归一化，也未指定在特定卷积层后执行该操作。 |
| **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>《未公开》 | 无相关内容。 | 对比文件未将网络配置限定为检测人的图像，其应用为通用计算机视觉。 |
| **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>《未公开》 | 无相关内容。 | 同特征N，未指定行人检测。 |
| **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>《未公开》 | 无相关内容。 | 对比文件未定义特征图补丁，因此无交叠概念。 |
| **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>《未公开》 | 无相关内容。 | 对比文件未公开特征图补丁的包含关系。 |
<<<A>>><<<B>>><<<E>>><<<H>>><<<I>>><<<L>>>