对比文件名称：2015-06-03_CN104680508A_发明公开_CN104680508A 卷积神经网络和基于卷积神经网络的目标物体检测方法
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：大型语言模型（GPT-4）
### 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 | 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。**《直接公开》** | 对比文件[0120]：“首先，输入一副84×72大小的图像，该图像由3层组成，对输入的图像进行第一层卷积，局部滑动窗的大小是9×9，得到过滤后的64层的76×24大小的图像”；[0143]：“处理器31控制特征提取层根据提取图像中检测区域的像素值...”。 | 对比文件明确公开了一种卷积神经网络装置，包括处理器和存储器（图11），其执行方法中包括向第一卷积层提供输入图像（第一层卷积）。本领域技术人员能够毫无疑义地确定该装置具有处理内核和存储器，且被配置为执行向第一卷积层提供输入数据项的步骤，因此直接公开技术特征A。 |
| **技术特征B**：在所述卷积层集合中处理所述输入数据项。**《直接公开》** | 对比文件[0120]：“然后根据每个像素点相邻的周围四个像素点求取平均值，得到64层的19×15大小的图像，然后提取该19×15大小的图像的特征图，然后由部位检测层对提取后的特征图进行第二层卷积运算，具体的使用20个过滤器对图像进行过滤，得到20个部位响应图”。 | 对比文件公开了在多个卷积层（第一层卷积、第二层卷积等）中对输入数据项进行卷积、下采样等处理，属于在卷积层集合中处理输入数据项，因此直接公开。 |
| **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。**《未公开》** | 对比文件无直接对应内容。 | 对比文件在卷积处理后得到的是部位响应图，并未从最后的卷积层输出的特征图中定义多个特征图补丁，也没有涉及任何“特征图补丁”的概念，因此未公开。 |
| **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。**《未公开》** | 对比文件无直接对应内容。 | 对比文件仅设有一个分类器（[0035]：“分类器，用于根据所述遮挡处理层的输出结果，确定所述检测区域内是否有目标物体”），未公开向多个分类器提供不同特征图补丁的步骤，因此未公开。 |
| **技术特征E**：其中所述输入数据项包括图像。**《直接公开》** | 对比文件[0002]：“物体检测是机器视觉中的基本的问题之一，常用的物体检测如行人检测”；[0120]：“输入一副84×72大小的图像”。 | 对比文件全文以图像作为处理对象，明确输入数据项为图像，因此直接公开。 |
| **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。**《未公开》** | 对比文件无直接对应内容。 | 对比文件未公开通过组合原始图像的缩放版本集合来导出输入图像的技术手段，也未提及多尺度输入图像的组合，因此未公开。 |
| **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。**《未公开》** | 对比文件无直接对应内容。 | 对比文件未公开多尺度检测的概念，没有特征图补丁与尺度的对应关系，也没有布置多个分类器在不同尺度上操作，因此未公开。 |
| **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。**《未公开》** | 对比文件无直接对应内容。 | 对比文件仅笼统提及“分类器”，未明确分类器的具体结构为全连接层，也未公开第一全连接层，因此未公开。 |
| **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。**《未公开》** | 对比文件无直接对应内容。 | 同技术特征H，对比文件未公开第二分类器及其为全连接层，因此未公开。 |
| **技术特征J**：其中所述卷积层集合包括四个卷积层。**《未公开》** | 对比文件[0084]：“部位检测层包括三个子层，分别为第一子层、第二子层和第三子层，部位检测层的第一子层包括M1个过滤器，部位检测层的第二子层包括M2个过滤器，部位检测层的第三子层包括M3个过滤器”。 | 对比文件公开了第一卷积层和部位检测层（第二卷积层），但部位检测层的三个子层是并行处理还是顺序层不明确，且未明确公开卷积层总数为四个，因此未公开。 |
| **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。**《未公开》** | 对比文件无直接对应内容。 | 对比文件在卷积层处理中未提及任何归一化操作（如局部响应归一化等），因此未公开。 |
| **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。**《直接公开》** | 对比文件[0120]：“根据每个像素点相邻的周围四个像素点求取平均值，得到64层的19×15大小的图像”。 | 对比文件在第一卷积层之后进行了基于平均值的子采样（下采样），属于在后续层处理之前对前一卷积层输出进行子采样，因此直接公开。 |
| **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。**《未公开》** | 对比文件无直接对应内容。 | 对比文件未公开局部对比度归一化操作，也未明确第三卷积层的位置，因此未公开。 |
| **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。**《直接公开》** | 对比文件[0002]：“常用的物体检测如行人检测”；[0035]：“确定所述检测区域内是否有目标物体”，目标物体包括行人。 | 对比文件明确以行人检测为主要应用，行人属于人，因此直接公开人工神经网络被配置为检测人的图像。 |
| **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。**《直接公开》** | 对比文件[0002]：“常用的物体检测如行人检测”；全文多处提及“行人”。 | 对比文件明确其目标物体检测方法针对行人，因此直接公开检测行人的图像。 |
| **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。**《未公开》** | 对比文件无直接对应内容。 | 对比文件未公开特征图补丁的概念，更未公开特征图补丁之间的交叠关系，因此未公开。 |
| **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。**《未公开》** | 对比文件无直接对应内容。 | 对比文件未公开特征图补丁的包含关系，因此未公开。 |
根据上述比对分析，对比文件直接公开了技术特征A、B、E、L、N、O，未直接公开或隐含公开其他技术特征。
<<<A>>><<<B>>><<<E>>><<<L>>><<<N>>><<<O>>>