返回项目页面
对比文件列表
2005-09-29_JP2005267406A_发明专利_JP2005267406A Pattern detection method and device_+++E_a_b_n+++.docx
2026-06-17 01:26
2007-03-28_EP1768058A_发明公开_EP1768058A2 Information processing apparatus and control method therefor_+++A_B_E_L+++.docx
2026-06-17 01:26
2007-04-05_JP2007087346A_发明专利_JP2007087346A Information processing device, control method therefor, computer program, and memory medium_+++A_B_E_l+++.docx
2026-06-17 01:26
2008-01-31_US2008025610A_发明申请_US20080025610A1 TWO TIERED TEXT RECOGNITION_+++A_B_E_h_i+++.docx
2026-06-17 01:26
2008-08-21_US2008201282A_发明申请_US20080201282A1 System and Method for Locating Points of Interest in an Object Image Implementing a Neural Network_+++A_B_E_H_I_L_N+++.docx
2026-06-17 01:26
2014-06-26_US2014180989A_发明申请_US20140180989A1 SYSTEM AND METHOD FOR PARALLELIZING CONVOLUTIONAL NEURAL NETWORKS_+++A_B_E_H_I_L+++.docx
2026-06-17 01:26
2014-07-03_WO2014105865A_发明申请_WO2014105865A1 SYSTEM AND METHOD FOR PARALLELIZING CONVOLUTIONAL NEURAL NETWORKS_+++B_E_L_a+++.docx
2026-06-17 01:26
2014-08-21_US2014233800A_发明申请_US20140233800A1 METHOD OF TRACKING OBJECT AND ELECTRONIC DEVICE SUPPORTING THE SAME_+++E+++.docx
2026-06-17 01:26
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_+++B_E_K_L_a+++.docx
2026-06-17 01:26
2014-10-16_TW201439926A_发明专利_TW201439926A 用於平行化迴旋神經網路之系統與方法_+++A_B_E_H_I_l+++.docx
2026-06-17 01:26
2015-02-05_US2015036920A_发明申请_US20150036920A1 CONVOLUTIONAL-NEURAL-NETWORK-BASED CLASSIFIER AND CLASSIFYING METHOD AND TRAINING METHODS FOR THE SAME_+++A_B_E_L+++.docx
2026-06-17 01:26
2015-02-11_CN104346622A_发明公开_CN104346622A 卷积神经网络分类器及其分类方法和训练方法_+++A_B_E_L+++.docx
2026-06-17 01:26
2015-02-16_JP2015032308A_发明专利_JP2015032308A 畳み込みニューラルネットワークの分類器、及びその分類方法、訓練方法_+++A_B_E_H_L+++.docx
2026-06-17 01:26
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_+++B_E_K_L_N_P_a_g_o+++.docx
2026-06-17 01:26
2015-04-30_US2015117760A_发明申请_US20150117760A1 Regionlets with Shift Invariant Neural Patterns for Object Detection_+++A_B_E_K_L_c_m_n_o_p+++.docx
2026-06-17 01:26
2015-05-14_US2015134583A_发明申请_US20150134583A1 LEARNING APPARATUS, LEARNING PROGRAM, AND LEARNING METHOD_+++A_B_E_L_N_O+++.docx
2026-06-17 01:26
2015-05-18_JP2015095215A_发明专利_JP2015095215A 学習装置、学習プログラム、及び学習方法_+++A_B_E_L_N_O+++.docx
2026-06-17 01:26
2015-05-20_EP2833295A_发明公开_EP2833295A2 Convolutional-neural-network-based classifier and classifying method and training methods for the same_+++B_E_L_a+++.docx
2026-06-17 01:26
2015-06-03_CN104680508A_发明公开_CN104680508A 卷积神经网络和基于卷积神经网络的目标物体检测方法_+++A_B_E_L_N_O+++.docx
2026-06-17 01:26
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_+++A_B_E_L_N_O+++.docx
2026-06-17 01:26
2015-07-16_AU2013370514A_发明专利_AU2013370514A1 System and method for parallelizing convolutional neural networks_+++B_E_P_a_c_d_g_h_i_l_q+++.docx
2026-06-17 01:26
2015-05-18_JP2015095215A_发明专利_JP2015095215A 学習装置、学習プログラム、及び学習方法_+++A_B_E_L_N_O+++.docx

对比文件的名称:2015-05-18_JP2015095215A_发明专利_JP2015095215A 学習装置、学習プログラム、及学習方法

目标专利的名称:726利用神经网络进行目标检测CN107851195B

本次调用的模型名称:大语言模型(例如,GPT-4)

### 特征比对表格

技术特征描述及公开性判断对比文件原文引用公开性论述
技术特征A《直接公开》[0038]“PDNN学習装置100は、補助記憶装置(HDD、SSD等)、主記憶装置(RAM等)、処理装置(CPU等)、入出力装置(各種入出力ポート及び通信モジュール)等を備えたコンピュータによって実現される。”<br>[0050]“訓練データセット111の第n(n=1,2,…,N)番目の入力ベクトルを下式(17)、(18)のように定義する。”<br>[0102]“入力画像に対しフィルタによる畳み込み(convolution)と、画像の解像度を下げる操作であるプーリング(pooling)が施される。”对比文件公开了学习装置包括处理装置(对应处理内核)和存储装置(对应存储器),并在学习过程中向包括卷积层集合的CNN的第一卷积层提供输入数据项(训练图像)。特征A中的装置结构及向第一卷积层提供输入数据项的操作被直接公开。
技术特征B《直接公开》[0102]“入力画像に対しフィルタによる畳み込み(convolution)と、画像の解像度を下げる操作であるプーリング(pooling)が施される。この畳み込みとプーリングを数回繰り返し…”对比文件明确描述了对输入图像进行多次卷积和池化处理,即在卷积层集合中处理输入数据项,该特征被直接公开。
技术特征C《未公开》无直接对应内容。对比文件[0109]提及“マップに対してPNを連結する”,但涉及的是从地图(map)连接探测神经元(PN),并非从最后的卷积层输出的特征图中定义多个特征图补丁。对比文件未公开在从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。该特征为目标专利的核心创新,对比文件没有相关教导或暗示。
技术特征D《未公开》无直接对应内容。对比文件未公开向第一分类器提供第一特征图补丁并且向第二分类器提供第二特征图补丁。对比文件中的分类器(如全连接层)仅有一个,且不涉及从特征图补丁分别提供。
技术特征E《直接公开》[0087]“図13は、車載カメラを使って歩行者を検知する例を示す図である。”<br>[0102]“入力画像”对比文件明确使用车载摄像头图像作为输入,输入数据项为图像,该特征被直接公开。
技术特征F《未公开》无直接对应内容。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图像。对比文件未涉及多尺度输入图像的组合方式。
技术特征G《未公开》无直接对应内容。对比文件未公开第一特征图补丁对应于第一尺度、第二特征图补丁对应于第二尺度,以及分类器在不同尺度上操作。对比文件的多层神经网络主要用于结构优化或早期拒绝,无多尺度特征图补丁与分类器的对应关系。
技术特征H《未公开》[0102]“十分に解像度が小さくなった段階で、各ピクセルを入力ユニットとする順伝搬型の多層ニューラルネットワークに結合される。”对比文件虽然公开了CNN之后连接前馈型多层神经网络(可包含全连接层),但未公开存在“第一分类器”这一特定分类器,且未公开该分类器包括人工神经网络的第一全连接层。由于第一分类器本身未被公开,特征H不能成立。
技术特征I《未公开》同上。对比文件未公开第二分类器及其包括第二全连接层,特征I未公开。
技术特征J《未公开》无直接对应内容。对比文件应⽤例6的PCNN未指定具体卷积层层数。对比文件未公开卷积层集合包括四个卷积层,该具体数量未被教导或暗示。
技术特征K《未公开》无直接对应内容。对比文件[0103]提及激活函数,但未涉及归一化操作。对比文件未公开在后续层中处理之前对前一卷积层的输出进行归一化,该特征未被直接或隐含公开。
技术特征L《直接公开》[0104]“次の演算は、プーリング(pooling)である。典型的なプーリングは、上述の二次元配列を2×2のグリッドに分割し、各グリッドの4つの信号の最大値を取る処理である。この処理により、上述の二次元配列はその4分の1のサイズに縮小される。”对比文件公开了池化操作,该操作是对前一卷积层的输出进行子采样(缩小尺寸),以在后续层中处理。特征L被直接公开。
技术特征M《未公开》无直接对应内容。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,该特定操作未被提及。
技术特征N《直接公开》[0087]“図13は、車載カメラを使って歩行者を検知する例を示す図である。”对比文件公开了使用人工神经网络检测行人(属于人的范畴),因此配置为检测人的图像被直接公开。
技术特征O《直接公开》同上。对比文件明确公开了检测行人的应用,特征O被直接公开。
技术特征P《未公开》无直接对应内容。对比文件未公开第一特征图补丁和第二特征图补丁至少部分交叠,由于特征图补丁概念未公开,交叠特征也不存在。
技术特征Q《未公开》无直接对应内容。对比文件未公开第一特征图补丁被包括在第二特征图补丁中,未公开。

<<<A>>><<<B>>><<<E>>><<<L>>><<<N>>><<<O>>>

权利要求与技术特征
Powered by Django

网站备案号:渝ICP备2023012882号


重庆市非显而易见网络科技有限责任公司 A Anti NPE NPE