对比文件名称：2015-04-29_CN104573731A_发明公开_CN104573731A 基于卷积神经网络的快速目标检测方法
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：通用AI模型
### 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《隐含公开》 | 对比文件[0067]记载“给定测试图像”，[0068]记载“把参数W用于任意大小的待检测图像，获取全连接前的扩展特征图”。 | 对比文件虽未明确描述处理内核和存储器，但其方法步骤必然在计算设备上执行，因此装置硬件被隐含公开。同时，“给定测试图像”明确公开了向神经网络的第一卷积层提供输入数据项的步骤。该特征整体被隐含公开。 |
| 技术特征B：‑ 在所述卷积层集合中处理所述输入数据项《直接公开》 | 对比文件[0068]记载“给定输入图像x，已训练好的滤波器组K和偏移b，卷积层的输出可以写成(公式一)的形式”，[0070]描述了最大池化处理，[0075]描述了局部对比归一化处理。 | 对比文件明确公开了在卷积神经网络中对输入图像进行卷积、池化等处理，即直接在卷积层集合中处理输入数据项。 |
| 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[0068]记载“获取全连接前的扩展特征图，称它为判别完备特征”，[0080]记载“在每组判别完备特征图上直接用线性分类器执行密集平滑窗分类工作”。 | 对比文件中的特征图来自全连接前一层的输出（可能包含池化层），并非明确从“最后的卷积层”输出；且其通过缩放特征图实现多尺度，而非从同一特征图中定义不同大小的补丁。因此未公开本特征。 |
| 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[0080]记载“在每组判别完备特征图上直接用线性分类器执行密集平滑窗分类工作”，该线性分类器为同一分类器。 | 对比文件使用同一个线性分类器对所有特征图补丁进行分类，没有公开向不同的分类器分别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》 | 对比文件[0067]记载“给定测试图像”，[0064]记载“训练样本对应的固定大小的图像”。 | 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》 | 对比文件全文未记载通过组合原始图像的缩放版本集合来导出图像的相关内容。 | 对比文件使用原始图像直接输入，或通过缩放特征图实现多尺度，而非组合原始图像的缩放版本。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《隐含公开》 | 对比文件[0080]记载“用最近邻插值算法对每组判别完备特征图缩放，得到n*o组判别完备特征图，然后在每组判别完备特征图上直接用线性分类器执行密集平滑窗分类工作”。 | 对比文件通过缩放特征图得到多尺度特征图，分类器在不同尺度的特征图上进行分类操作，实质上实现了在不同尺度上的对象识别。本领域技术人员可合理推断特征图补丁对应不同尺度且分类器在不同尺度上操作，故隐含公开。 |
| 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[0078]记载“把卷积神经网络的全连接看成一个线性分类器”。 | 对比文件公开了全连接层作为分类器，但仅有一个全连接层，未公开第一全连接层和第二全连接层的区分，且未公开第一分类器具体为第一全连接层。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》 | 同特征H。 | 同特征H，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[0067]步骤B记载“精心设计的卷积神经网络包含卷积层，最大池化层和局部对比归一化层三个成分”，未指定卷积层具体数目。 | 对比文件未公开卷积层集合包括四个卷积层，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《直接公开》 | 对比文件[0075]记载“为了使得获得的特征具有鲁棒的性质，可以把局部对比归一化层引入分段处理的环节中”，且步骤B明确包含局部对比归一化层。 | 对比文件公开了局部对比归一化层，用于在后续层处理之前对前一层的输出进行归一化，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《直接公开》 | 对比文件[0067]步骤B记载卷积神经网络包含最大池化层，[0070]公式二描述了最大池化操作（子采样）。 | 对比文件公开了最大池化层用于子采样，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[0075]记载局部对比归一化层，但未指定在第三卷积层之后执行。 | 对比文件没有限定局部对比归一化层的位置，因此未公开在第三卷积层之后执行局部对比度归一化。 |
| 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[0050]记载“图5为本发明与其它几种目标检测方法在FDDB数据集上的对比的ROC曲线图”，FDDB为人脸检测数据集。 | 对比文件实施例在人脸检测数据集上测试，直接公开了人工神经网络用于检测人的图像。 |
| 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《隐含公开》 | 对比文件[0003]记载“行人检测效果才有了一个质的突破”，表明本发明技术领域涉及行人检测。 | 对比文件背景技术提到行人检测，且本发明方法通用，本领域技术人员可合理推断该方法可用于行人检测，故隐含公开。 |
| 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《直接公开》 | 对比文件[0080]记载“执行密集平滑窗分类工作”，密集平滑窗意味着窗口之间具有重叠。 | 对比文件公开了密集滑动窗口，窗口交叠，即特征图补丁至少部分交叠，直接公开。 |
| 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》 | 对比文件全文未记载特征图补丁之间的包含关系。 | 对比文件未公开一个特征图补丁被包括在另一个特征图补丁中，因此未公开。 |
<<<B>>><<<E>>><<<K>>><<<L>>><<<N>>><<<P>>><<<a>>><<<g>>><<<o>>>