对比文件名称：2015-06-04_WO2015078185A_发明申请_WO2015078185A1 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：未指定（基于GPT系列）
### 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》** | 段落[0117]：“卷积神经网络300包括：处理器31和存储器32，处理器31和存储器32通过总线连接，存储器32存储执行指令，当卷积神经网络系统300运行时，处理器31与存储器32之间通信，处理器31执行指令使得卷积神经网络300执行本发明提供的基于卷积神经网络系统的目标物体检测方法。”<br>段落[0061]：“特征提取层根据提取图像中检测区域的像素值，对区域的像素值进行预处理，并对预处理后的图像进行特征提取，得到检测区域的特征图。”其中特征提取层包含第一卷积层（例如段落[0097]描述的第一层卷积）。 | 对比文件公开了包括处理器（处理内核）和存储器（存储计算机程序代码）的装置，处理器执行指令使卷积神经网络执行目标物体检测方法，该方法首先向特征提取层（即第一卷积层）提供输入图像数据项。本领域技术人员能毫无疑义地确定对比文件直接公开了该技术特征。 |
| 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》** | 段落[0061]-[0072]描述了在特征提取层、部位检测层等卷积层中处理输入数据；段落[0097]具体描述：“对输入的图像进行第一层卷积，局部滑动窗的大小是9x9，得到过滤后的64层的76x24大小的图像，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19x15大小的图像，然后提取该19x15大小的图像的特征图，上述这些过程是由特征提取层完成的，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”。 | 对比文件的方法中，输入图像依次经过特征提取层（含第一卷积层）和部位检测层（含第二卷积层）等多个卷积层的处理，即输入数据项在卷积层集合中被处理。本领域技术人员能直接确定该特征被公开。 |
| 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）** | 无直接对应内容。对比文件部位检测层输出的是M个响应图，形变处理层根据响应图确定形变得分图，未定义特征图补丁。 | 对比文件未公开从最后卷积层输出的特征图中定义多个特征图补丁的概念，其处理的是整个响应图或得分图，没有定义对应于不同尺度的特征图补丁。因此既未直接公开也未隐含公开。 |
| 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）** | 段落[0086]：“分类器根据遮挡处理层的输出结果，确定检测区域内是否有目标物体。”对比文件仅有一个分类器。 | 对比文件没有公开多个分类器，也没有公开向不同分类器提供不同的特征图补丁。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》** | 段落[0061]：“特征提取层根据提取图像中检测区域的像素值”；段落[0097]：“输入一副84x72大小的图像”。 | 对比文件明确输入数据项为图像，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）** | 对比文件未提及组合原始图像的缩放版本集合来导出图像。其输入图像是直接获取的检测区域或原始图像。 | 对比文件没有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特征。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）** | 无。 | 对比文件没有公开特征图补丁与尺度的对应关系，也没有公开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）** | 段落[0086]仅提及“分类器”，未明确其具体结构。 | 对比文件没有公开第一分类器包括第一全连接层，也没有公开存在第一分类器。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）** | 无。 | 对比文件没有公开第二分类器或第二全连接层。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 **（未公开）** | 段落[0097]描述了两层卷积（第一层卷积和第二层卷积），部位检测层的三个子层可能并行，不构成顺序的四个卷积层。 | 对比文件没有明确公开卷积层集合包括四个卷积层，其示例中使用了两层卷积，且未提及四个卷积层的结构。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）** | 对比文件未提及归一化操作。 | 对比文件没有公开在卷积层集合处理中包括归一化步骤。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》** | 段落[0097]：“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19x15大小的图像”。该求平均值操作为子采样（平均池化），发生在第一层卷积之后、第二层卷积（部位检测层）之前。 | 对比文件公开了在第一卷积层之后、后续层处理之前对前一卷积层的输出进行子采样（求平均值），因此直接公开了技术特征L。 |
| 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）** | 无。 | 对比文件没有公开在第三卷积层之后执行局部对比度归一化，也没有公开局部对比度归一化操作。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》** | 段落[0004]：“物体检测如行人检测”；段落[0088]：“分辨行人和非行人”。 | 对比文件明确其卷积神经网络用于行人检测，即检测人的图像，因此直接公开。 |
| 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 **《直接公开》** | 段落[0004]：“行人检测”；段落[0088]：“分辨行人和非行人”。 | 对比文件明确针对行人检测，直接公开。 |
| 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 **（未公开）** | 无。 | 对比文件没有公开特征图补丁的概念，更未公开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）** | 无。 | 对比文件没有公开特征图补丁的包含关系。因此未公开。 |
<<<A>>><<<B>>><<<E>>><<<L>>><<<N>>><<<O>>>