对比文件名称：2007-03-28_EP1768058A_发明公开_EP1768058A2 Information processing apparatus and control method therefor
目标专利名称：726利用神经网络进行目标检测CN107851195B
模型名称：DeepSeek
### 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 |
| **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** | [0056]-[0067]描述硬件配置（CPU 390、ROM 391、RAM 392等）；[0091]：“face position detection unit 101 reads out the image data from the buffer every other pixel by decimation... inputs the corrected image data to the CNN.”；[0100]：“The resolution of the input image to the input layer shown in Fig. 2, i.e., image data input to the CNN that specifies a face position in image data is lowered to 180 x 120 [pixels] by decimation to reduce the processing load.” | 对比文件公开了信息处理装置包括处理内核（CPU）和存储器（RAM、ROM），存储程序，配置为向卷积神经网络的第一卷积层（输入层）提供图像数据。该特征的作用与目标专利一致，均为向CNN提供输入。因此直接公开。 |
| **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** | [0101]-[0103]：“The CNN of this embodiment has three layers... The first layer level (first layer 201) extracts a total of four features... The second layer level (second layer 202) extracts eye and mouth position features. The third layer level (third layer 203) extracts a face position.”；[0096]描述卷积运算。 | 对比文件公开了图像数据通过CNN的多个卷积层进行处理，包括特征提取和逐层传递。该特征的作用与目标专利相同。因此直接公开。 |
| **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** | 对比文件在特征点提取时设定了重心计算范围（如[0120]-[0136]），但该范围是基于图像空间坐标通过检测位置计算，并非直接从特征图定义补丁。未明确提及从最后的卷积层输出特征图中定义补丁。 | 对比文件未公开在最后的卷积层输出的特征图中定义多个特征图补丁。其重心计算范围用于定位特征点，而非定义供分类器使用的补丁，作用不同。因此未公开。 |
| **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。**未公开** | 对比文件只有一个分类器（表情确定单元，[0161]-[0165]），其输入为特征量变化（归一化后的特征点位置差异），而非特征图补丁。未涉及向两个分类器分别提供特征图补丁。 | 对比文件未公开向两个不同分类器提供特征图补丁。其分类器接收的是计算出的特征量，而非直接从特征图截取的补丁，作用不同。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** | [0070]：“an image input unit 100 senses an object and acquires image data.”；[0071]：“image data input by the image input unit 100 is data of a face image.” | 对比文件明确输入数据项为图像数据（面部图像）。该特征与目标专利完全相同。因此直接公开。 |
| **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** | 对比文件在预处理中使用降采样（decimation）获得低分辨率图像（[0091]），但仅使用单一缩放，未组合多个缩放版本。 | 对比文件未公开组合原始图像的缩放版本集合。仅通过降采样得到单一分辨率图像，与目标专利的多尺度组合方式不同。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** | 对比文件使用两个独立CNN：第一CNN输入180×120低分辨率用于面部检测，第二CNN输入360×240高分辨率用于特征点提取。但两者共享卷积层，且未从同一特征图定义不同尺度的补丁。 | 对比文件未公开从同一卷积层集合输出的特征图中定义对应不同尺度的特征图补丁，也未公开两个分类器在不同尺度上操作。其多分辨率通过独立网络实现，与目标专利的共享卷积层方案不同。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** | 对比文件的表情确定单元使用三层神经网络（[0162]），包括输入层、中间层、输出层，可视为全连接层。但该分类器并非独立权利要求中接收特征图补丁的第一分类器。 | 由于对比文件未公开独立权利要求中的第一分类器（接收特征图补丁），特征H中限定的第一分类器缺乏基础。即使存在全连接分类器，其功能（表情识别）与目标专利（对象识别）不同，且未接收特征图补丁。因此未公开。 |
| **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** | 对比文件没有第二分类器。 | 对比文件未公开任何第二分类器，因此特征I未公开。 |
| **特征J**：其中所述卷积层集合包括四个卷积层。**未公开** | 对比文件的第一CNN有三个卷积层（[0101]），第二CNN有两个卷积层（[0116]）。 | 对比文件未公开卷积层集合包括四个卷积层。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** | 对比文件在预处理中有直方图校正（[0092]-[0095]），但未在卷积层之间进行归一化。未提及层间归一化操作。 | 对比文件未公开在卷积层集合中处理时对前一卷积层的输出进行归一化。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** | [0096]：“the sub-sampling layer or feature pooling layer of the CNN.”；[0100]通过降采样降低输入分辨率，但子采样层在CNN内部。 | 对比文件明确公开了CNN中的子采样层，即在后续层处理之前对前一卷积层的输出进行子采样。该特征的作用与目标专利相同（降低特征图尺寸）。因此直接公开。 |
| **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** | 对比文件未提及局部对比度归一化。 | 对比文件未公开在第三卷积层之后执行局部对比度归一化。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** | 对比文件用于检测面部（face），而非整个人体。 | 对比文件的人工神经网络被配置为检测面部，不是检测人的整体图像（如行人）。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** | 对比文件不涉及行人检测。 | 对比文件未公开检测行人的图像。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** | 对比文件未定义特征图补丁。 | 由于对比文件未公开特征图补丁，交叠关系无从谈起。因此未公开。 |
| **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** | 对比文件未定义特征图补丁。 | 由于对比文件未公开特征图补丁，包含关系无从谈起。因此未公开。 |
<<<A>>><<<B>>><<<E>>><<<L>>>