对比文件名称：2014-10-15_CN104102919A_发明公开_CN104102919A 一种有效防止卷积神经网络过拟合的图像分类方法
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：Claude 3.5 Sonnet
### 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>《隐含公开》 | 对比文件[0008]：“一种有效防止卷积神经网络过拟合的图像分类方法，该方法运行在GPU中”；[0057]：“使用步骤S102得到的新样本作为卷积神经网络的输入层Inputl进行前向传播”；[0050]：“实验采用Inputl-Conv64-LRN64-Pooling64-Conv64-LRN64-Pooling64-Softmax的结构” | 对比文件明确公开了向卷积神经网络的第一卷积层（Conv64）提供输入数据项（图像样本）的方法步骤，虽然未明确提及处理内核、存储器等硬件结构，但本领域技术人员可以合理推断该图像分类方法必然在具有至少一个处理内核和存储器的计算装置（如GPU）上执行，且通过计算机程序代码实现，因此该技术特征被隐含公开。 |
| **技术特征B**：在所述卷积层集合中处理所述输入数据项<br>《直接公开》 | 对比文件[0057]：“前向传播的需要经过Conv64-LRN64-Pooling64-Conv64-LRN64-Pooling64的过程” | 对比文件明确公开了在由卷积层（Conv64）构成的层集合中处理输入数据项，该处理包括卷积计算，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<br>《未公开》 | 对比文件[0057]：“得到图像特征向量F”；[0079]：“得到测试样本的特征向量” | 对比文件仅从卷积层输出提取整个图像的特征向量，并未在特征图中定义多个特征图补丁，也未涉及多尺度区域划分，因此未公开。 |
| **技术特征D**：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》 | 对比文件[0050]：“结构...Softmax”；[0068]：“在Softmax分类器中计算该样本被分到每一类的概率” | 对比文件仅使用一个Softmax分类器对整体特征向量进行分类，没有提供多个特征图补丁给多个分类器，因此未公开。 |
| **技术特征E**：其中所述输入数据项包括图像<br>《直接公开》 | 对比文件[0011]：“获得图像训练集和图像测试集”；[0025]：“对于长宽相等的图像，利用OPENCV中的cvResize函数进行缩放” | 对比文件明确以图像作为输入数据项，并对其进行预处理，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<br>《未公开》 | 对比文件[0025]‑[0028]：对图像进行缩放、裁剪、减均值、数据扩增等操作 | 对比文件仅将图像缩放至固定大小（如32×32），并未组合原始图像的多个缩放版本以导出输入图像，也没有对应装置特征的明确记载，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<br>《未公开》 | 对比文件全文未涉及多尺度对象识别 | 对比文件仅针对单一尺度进行图像分类，未公开不同尺度对应的特征图补丁和分类器，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<br>《未公开》 | 对比文件[0050]：“结构...Softmax”；[0068]：“Softmax分类器” | 对比文件仅提及Softmax分类器，未明确其包括全连接层，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<br>《未公开》 | 对比文件全文无第二分类器 | 对比文件仅有一个分类器，未公开第二分类器及第二全连接层，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<br>《未公开》 | 对比文件[0050]：“Inputl-Conv64-LRN64-Pooling64-Conv64-LRN64-Pooling64-Softmax” | 对比文件的卷积层集合仅包括两个卷积层（Conv64），而非四个，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<br>《直接公开》 | 对比文件[0035]：“所述非线性归一化层的计算具体为：<br>其中，xkij为非线性归一化层计算时前一层第k个特征图的输出...”；[0061]：“非线性归一化(LRN)计算：...” | 对比文件在卷积层（Conv64）之后设置了非线性归一化层（LRN64），在后续层（如Pooling层）处理之前对前一卷积层的输出进行归一化，因此直接公开。 |
| **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>《直接公开》 | 对比文件[0037]：“所述混合pooling层的计算具体为：<br>其中...Rij为待降采样的区域”；[0065]：“混合pooling层计算：...选取的降采样区域为3×3大小” | 对比文件在归一化层之后设置了混合pooling层（降采样层），在后续层处理之前对前一卷积层的输出进行子采样，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<br>《未公开》 | 对比文件[0061]：在两个卷积层后均执行LRN（局部响应归一化） | 对比文件只有两个卷积层，且执行的是局部响应归一化（LRN）而非局部对比度归一化，未公开在第三卷积层之后执行任何归一化，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<br>《未公开》 | 对比文件[0001]：图像分类方法；[0081]：在CIFAR-10、CIFAR-100、SVHN数据集上实验 | 对比文件用于通用图像分类，未特指检测人的图像，因此未公开。 |
| **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>《未公开》 | 同上 | 对比文件未涉及行人检测，因此未公开。 |
| **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>《未公开》 | 对比文件全文未定义特征图补丁 | 对比文件未公开任何特征图补丁及其交叠关系，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<br>《未公开》 | 同上 | 对比文件未公开特征图补丁的包含关系，因此未公开。 |
<<<a>>><<<B>>><<<E>>><<<K>>><<<L>>>