对比文件名称：WO2014105865A1 SYSTEM AND METHOD FOR PARALLELIZING CONVOLUTIONAL NEURAL NETWORKS
目标专利名称：CN107851195B 利用神经网络进行目标检测
本次调用的模型名称：无（未指定）
| 技术特征描述及公开性判断结果 | 对比文件原文引用 | 公开性论述 |
| **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。 **《隐含公开》** | [0031]“系统包括多个CNN实例化在多个计算节点上。每个计算节点是一个处理器如CPU或GPU。” [0020]“任何模块、单元、组件、服务器、计算机、终端或设备……可以包括或以其他方式访问计算机可读介质……计算机存储介质可以包括RAM、ROM、EEPROM、闪存等。” | 对比文件公开了多个计算节点，每个节点包括处理器（处理内核）和存储器（计算机可读介质），且节点被配置为运行CNN，从而向第一卷积层提供输入数据项。虽然未明确提及“处理内核”，但处理器通常包含一个或多个内核，且存储器存储程序代码，本领域技术人员可以合理推断该装置具有至少一个处理内核和存储计算机程序代码的存储器，并配置为向第一卷积层提供输入数据项。 |
| **特征B**：‑ 在所述卷积层集合中处理所述输入数据项。 **《直接公开》** | [0024]“给定输入x∈R^n，网络的输出可以通过迭代计算x_i = f_i(W_i x_{i-1} + b_i)得到，其中x_0 = x，x_i是第i层的激活向量。” [0027]“CNN具有受限连接……每个神经元只连接到输入图像的一个小区域。” | 对比文件明确描述了CNN通过多个层（包括卷积层）处理输入数据，从输入层开始逐层计算，得到输出。因此，在卷积层集合中处理输入数据项被直接公开。 |
| **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。 **未公开** | 无直接相关引用。 | 对比文件涉及并行化CNN，将网络分布在多个节点上，并在某些层通信激活值。对比文件没有公开从最后的卷积层输出的特征图中定义多个特征图补丁的概念，也没有公开任何类似的特征图补丁划分。本领域技术人员无法从对比文件中合理推断出该特征。 |
| **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。 **未公开** | 无直接相关引用。 | 对比文件没有公开第一分类器和第二分类器分别接收不同的特征图补丁。对比文件中的分类器（全连接层）接收的是整个特征图（经过展平），且每个节点只有一个分类器序列，没有并行分类器接收不同补丁。因此未公开。 |
| **特征E**：其中所述输入数据项包括图像。 **《直接公开》** | [0027]“CNN通常需要比具有类似大小层的全连接神经网络更少的计算和训练数据，同时能够在视觉等任务上达到类似的性能。” [0031]“应当理解，所描述的CNN不必仅应用于图像处理，也可以应用于其他合适任务。” | 对比文件明确提到CNN用于图像处理和视觉任务，因此输入数据项包括图像被直接公开。 |
| **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。 **未公开** | 无相关引用。 | 对比文件没有提及通过组合原始图像的缩放版本来导出图像，也没有涉及多尺度图像金字塔或缩放版本组合。因此未公开。 |
| **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。 **未公开** | 无相关引用。 | 对比文件没有涉及多尺度对象识别，也没有公开特征图补丁与尺度之间的对应关系，以及分类器在不同尺度上操作。因此未公开。 |
| **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。 **未公开** | [0039]“神经网络包括八层，其中前五个是卷积层，剩余三个是全连接层。” | 对比文件公开了全连接层作为CNN的一部分，但未公开存在两个并行的分类器，也未公开第一分类器具体包括第一全连接层。对比文件中的全连接层是顺序连接的，并非接收不同特征图补丁的多个分类器。因此，本领域技术人员不能合理推断出第一分类器包括第一全连接层。 |
| **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。 **未公开** | 同特征H引用。 | 类似特征H，对比文件未公开第二分类器及其全连接层。 |
| **特征J**：其中所述卷积层集合包括四个卷积层。 **未公开** | [0039]“前五个是卷积层。” | 对比文件明确公开了五个卷积层，而非四个。因此未公开。 |
| **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。 **未公开** | 无相关引用。 | 对比文件没有提及归一化操作，如局部响应归一化或批量归一化。因此未公开。 |
| **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。 **《直接公开》** | [0009]“池化是一种使网络激活对小平移更加不变的技术。” | 池化是子采样的一种形式，通常应用于卷积层输出之后。对比文件在背景技术中提到了池化，表明CNN中包括池化操作，本领域技术人员知晓CNN通常包括池化层进行子采样。对比文件作为整体公开了CNN可以使用池化，因此子采样被直接公开。 |
| **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。 **未公开** | 无相关引用。 | 对比文件没有提到局部对比度归一化，也未指定在第三卷积层之后执行该操作。因此未公开。 |
| **特征N**：其中所述人工神经网络被配置为检测人的图像。 **未公开** | 无相关引用。 | 对比文件没有具体指定检测人的图像，仅一般性地提及视觉任务。因此未公开。 |
| **特征O**：其中所述人工神经网络被配置为检测行人的图像。 **未公开** | 无相关引用。 | 对比文件没有提及行人检测。因此未公开。 |
| **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。 **未公开** | 无相关引用。 | 对比文件没有特征图补丁的概念，故未公开交叠关系。 |
| **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。 **未公开** | 无相关引用。 | 对比文件没有特征图补丁的概念，故未公开包含关系。 |
<<<a>>><<<B>>><<<E>>><<<L>>>