对比文件名称：2015-05-14_US2015134583A_发明申请_US20150134583A1 LEARNING APPARATUS, LEARNING PROGRAM, AND LEARNING METHOD
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：当前模型
### 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 —— **《直接公开》** | [0061] “The PDNN learning apparatus 100 is actualized by a computer. The computer includes an auxiliary storage device … a main storage device (such as a random access memory (RAM)), a processing device (such as a central processing unit (CPU)) …”；[0062] “The learning unit 12 performs a learning process by calculating a cost derived by a cost function …”；[0137] “First, convolution and pooling are performed on the input image” | 对比文件明确公开了学习装置由计算机实现，包含处理设备（处理内核）和存储设备（存储器），并运行学习程序。学习单元执行学习过程时，必然向CNN的第一卷积层提供输入数据项（如训练图像）。本领域技术人员可以毫无疑义地确定对比文件公开了该技术特征。 |
| **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》** | [0137] “convolution and pooling are repeatedly performed a number of times” | 对比文件公开了CNN对输入图像重复执行卷积和池化操作，即在卷积层集合中处理输入数据项。因此该特征被直接公开。 |
| **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 —— **《未公开》** | 对比文件未公开相关内容 | 对比文件仅提及探测神经元连接到特征图（[0144] “a PN is connected to a map”），但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（patch）的技术方案。对比文件没有涉及从特征图中划分补丁并用于后续分类的教导，本领域技术人员无法从对比文件直接得出或合理推断该特征。 |
| **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 —— **《未公开》** | 对比文件未公开相关内容 | 对比文件仅公开了单个输出层（分类器）用于最终判别（例如[0067]-[0068]描述的多层神经网络输出层），没有公开向两个不同的分类器分别提供不同的特征图补丁。该特征未被公开。 |
| **技术特征E**：其中所述输入数据项包括图像 —— **《直接公开》** | [0136] “As training data, numerous pairs of two-dimensional array images … are provided” | 对比文件明确说明输入数据项为二维阵列图像（包括灰度或彩色图像），因此该特征被直接公开。 |
| **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》** | 对比文件未公开相关内容 | 对比文件没有提及通过组合原始图像的缩放版本来导出输入图像的技术手段。对比文件中的输入图像直接来源于训练数据或原始图像，没有缩放版本组合的教导。 |
| **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》** | 对比文件未公开相关内容 | 对比文件未涉及多尺度对象识别。对比文件中的分类器（输出层）仅对单一尺度（固定输入窗口）进行操作，没有公开不同特征图补丁对应不同尺度并分别由不同分类器处理的技术方案。 |
| **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》** | 对比文件未公开相关内容 | 对比文件仅公开了单个全连接层作为输出层（例如[0067]中输出层为L层），没有公开分别对应第一和第二特征图补丁的两个全连接层。 |
| **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》** | 对比文件未公开相关内容 | 与特征H类似，对比文件未公开第二全连接层。 |
| **技术特征J**：其中所述卷积层集合包括四个卷积层 —— **《未公开》** | 对比文件未公开相关内容 | 对比文件对卷积层数量没有具体限定，仅泛泛描述“卷积和池化重复多次”（[0137]），未公开四个卷积层的特定配置。 |
| **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》** | 对比文件未公开相关内容 | 对比文件在描述CNN处理时未提及归一化操作。虽然提到了激活函数（如sigmoid），但未涉及对卷积层输出进行归一化处理。 |
| **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》** | [0139] “subsampling may be performed. In subsampling, only a certain element … of a grid is extracted” | 对比文件明确公开了子采样（subsampling）作为池化的一种形式，用于降低特征图分辨率。该特征被直接公开。 |
| **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》** | 对比文件未公开相关内容 | 对比文件没有提及局部对比度归一化（Local Contrast Normalization），也未公开在特定卷积层之后执行该操作。 |
| **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》** | [0122] “the concept of early rejection will be described using pedestrian detection as an example”；[0123] “discriminator performs exhaustive discrimination … pedestrian detection” | 对比文件以行人检测为例说明判别器的应用，行人属于人的类别，因此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 —— **《直接公开》** | [0122] “pedestrian detection” 及[0123]详细描述 | 对比文件明确使用行人检测作为应用示例，直接公开了检测行人的图像。 |
| **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》** | 对比文件未公开相关内容 | 对比文件没有公开多个特征图补丁，因此不涉及补丁之间的交叠关系。 |
| **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》** | 对比文件未公开相关内容 | 与特征P类似，对比文件未公开多个特征图补丁，故不涉及包含关系。 |
<<<A>>><<<B>>><<<E>>><<<L>>><<<N>>><<<O>>>