对比文件名称：2014-08-21_US2014233800A_发明申请_US20140233800A1 METHOD OF TRACKING OBJECT AND ELECTRONIC DEVICE SUPPORTING THE SAME
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：用户指定分析模型
| 技术特征描述及公开性判断 | 对比文件原文引用 | 公开性论述 |
| 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 《未公开》 | D1 [0115] 公开了应用处理器510和存储器523/516。D1 [0035] 公开了对象追踪模块140，其包括特征检测单元142、描述符计算单元143等（[0049]）。 | D1的硬件架构是通用的，但其配置的软件算法完全基于关键帧（Key Frame）和链式BRIEF描述符的传统特征匹配方法。D1全文未涉及人工神经网络，更没有公开“包括卷积层集合”的神经网络结构。因此，D1未公开该特征。 |
| B. ‑ 在所述卷积层集合中处理所述输入数据项 《未公开》 | D1 [0042]-[0044] 公开了通过特征检测、描述符计算来处理输入图像信息。 | D1对输入数据的处理是基于图像特征点检测和描述符计算，而非在卷积层集合中进行前向传播处理。该特征未被公开。 |
| 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》 | D1 [0042] 公开了特征检测。D1 [0081] 公开了描述符补丁（descriptor patches）。 | D1中的“特征”是局部图像特征点（角点/边缘等），“补丁”是描述符的计算区域。D1没有卷积神经网络，因此不存在“卷积层输出的特征图”及“特征图补丁”的概念。该特征未被公开。 |
| 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》 | D1 [0056] 特征匹配单元144，[0057] 姿态估计单元145。 | D1中不存在接收“特征图补丁”的“分类器”结构。D1通过描述符匹配进行跟踪，而非通过分类器对特征图补丁进行分类。该特征未被公开。 |
| E. 其中所述输入数据项包括图像 《直接公开》 | D1 [0002] “The present disclosure relates to image processing.” D1 [0038] “...provide corresponding image information to the object recognition module 120...” D1 [0064] “receive an image...” | D1明确公开了其处理的数据项为图像或图像信息，这与目标专利的技术特征E完全一致，且作用相同。 |
| 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》 | D1 [0054] 公开了链式金字塔BRIEF描述符，其基于特征尺度选择补丁大小。D1 [0081] 公开了不同级别和尺度的描述符补丁。 | D1公开的是对输入图像进行特征检测后，在描述符层面构建金字塔以适应尺度变化。D1的输入图像是单帧原始图像，并未公开“通过组合原始图像的缩放版本集合来导出所述图像”这一生成输入图像的具体方式。该特征未被公开。 |
| 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》 | D1 [0087] 计算当前对象和关键帧对象之间的视角方向差和尺度差。 | D1中的尺度概念用于计算目标对象的姿态变化。目标专利的特征G是核心发明点，即利用单次卷积处理得到的特征图，从中提取对应不同输入尺度的特征图补丁并送入对应的分类器进行多尺度目标识别。D1完全没有公开基于卷积特征图补丁的多尺度分类器架构。该特征未被公开。 |
| 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》 | D1 [0056] 特征匹配。 | D1未公开人工神经网络，也未公开全连接层。该特征未被公开。 |
| 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》 | 同上 | 同上 |
| J. 其中所述卷积层集合包括四个卷积层 《未公开》 | D1未公开任何卷积层。 | D1未公开卷积神经网络结构。该特征未被公开。 |
| 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》 | D1未公开。 | D1无卷积层，无归一化操作。该特征未被公开。 |
| 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 《未公开》 | D1未公开。 | D1无卷积层，无子采样操作。该特征未被公开。 |
| 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》 | D1未公开。 | D1无卷积层，无局部对比度归一化操作。该特征未被公开。 |
| N. 其中所述人工神经网络被配置为检测人的图像 《未公开》 | D1 [0002] “function of tracking an object”。 D1 [0032] “recognize a particular object”。 | D1是通用的目标跟踪方法，虽然可以跟踪人，但其技术方案并未配置为专门检测人的图像，且未公开配置为检测人的人工神经网络。该特征未被公开。 |
| 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》 | 同上 | D1未公开配置为检测行人图像的人工神经网络。该特征未被公开。 |
| 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》 | D1 [0081] 描述了不同级别（level）的描述符补丁。 | D1没有特征图补丁的概念，其描述符补丁之间可能存在特征点的重叠，但这与本专利中从卷积特征图中定义的交叠的特征图补丁完全不同。该特征未被公开。 |
| 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》 | 同上 | D1未公开特征图补丁的包含关系。该特征未被公开。 |
<<<E>>>