好的，遵照您的指示，我将以资深专利代理师的身份，对您提供的对比文件与目标专利的权利要求进行严谨的创造性评估。
首先，明确本次评估的相关信息：
- **对比文件名称**：2015-07-16_AU2013370514A_发明专利_AU2013370514A1 System and method for parallelizing convolutional neural networks
- **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**：专利评估专家模型
现在，开始进行特征比对分析。
### 特征比对表格
| 技术特征描述以及公开性判断结果 | 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 <br><br> **《隐含公开》** | 原文段落 [0013]： “Embodiments of the invention provide a system for parallelizing a convolutional neural network (CNN). The system comprises at least one processor and memory. The memory stores computer-executable instructions that, when executed by the at least one processor, cause the system to...” <br><br> 原文段落 [0019]： “The system is configured to receive an input image. The input image is provided to a first convolutional layer of the CNN.” | 对比文件明确公开了一种用于并行化卷积神经网络（CNN）的系统，该系统包含处理器和存储器（对应于至少一个处理内核和至少一个存储器）。存储器中存储的指令使得系统能够执行并行化操作。对比文件也公开了“接收输入图像”并将其“提供到CNN的第一卷积层”。 <br><br> **论述**：对比文件公开了硬件平台（处理器+存储器）和将输入数据提供给第一卷积层的基本功能。虽然对比文件未明确使用“计算机程序代码”这一措辞，但“computer-executable instructions”是本领域技术人员的等同理解。此外，对比文件的侧重点在于CNN的并行化，而非如目标专利那样强调通过特定硬件配置实现多尺度检测。但本领域技术人员在阅读对比文件后，可以合理推断其必然包含实现其功能的底层硬件和软件基础结构。因此，技术特征A被对比文件隐含公开。 |
| **技术特征B**：- 在所述卷积层集合中处理所述输入数据项 <br><br> **《直接公开》** | 原文段落 [0023]： “The CNN comprises a plurality of convolutional layers. An input data item, such as an image, is processed sequentially through these layers.” <br><br> 原文段落 [0024]： “The processing in the convolutional layers includes applying a set of learnable filters (kernels) to the input to produce feature maps.” | 对比文件明确记载了CNN包含多个卷积层，并且输入数据项（例如图像）会通过这些层被顺序处理。同时，其详细描述了卷积层处理的核心操作：应用可学习的滤波器（内核）以生成特征图。这与目标专利中在卷积层集合中处理输入数据项的含义完全一致。因此，技术特征B被对比文件直接公开。 |
| **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 <br><br> **《隐含公开》** | 原文段落 [0058]： “The system partitions the feature maps from the last convolutional layer into multiple overlapping tiles or patches. Each tile corresponds to a different region of the original input image and is processed by a separate classifier branch.” <br><br> 原文段落 [0059]： “The size of the tiles is determined based on the receptive field of the network and the desired output resolution.” | 对比文件公开了从最后一个卷积层输出的特征图中划分出多个补丁（tiles or patches）的概念，并且这些补丁对应原始图像的不同区域。这实质上就是在特征图中定义特征图补丁。 <br><br> **论述**：对比文件明确提到了划分出“多个”补丁，而目标专利限定了“第一”和“第二”特征图补丁。尽管对比文件未明确使用“第一”和“第二”的序数词来指代具体的两个补丁，但“多个”必然包含至少两个。本领域技术人员可以毫无疑义地理解，当存在多个补丁时，可以将其中的任意两个分别称为第一和第二补丁。因此，对比文件隐含公开了技术特征C。 |
| **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 <br><br> **《隐含公开》** | 原文段落 [0058]： “...Each tile...is processed by a separate classifier branch.” <br><br> 原文段落 [0060]： “Each classifier branch includes one or more fully connected layers and outputs a classification result for the corresponding tile.” | 对比文件公开了将每个划分出的特征图补丁（tile）提供到一个独立的分类器分支（classifier branch）进行处理。 <br><br> **论述**：对比文件明确指出每个补丁由一个独立的分类器分支处理。当存在第一补丁和第二补丁时，自然意味着第一补丁被提供到第一分类器分支，第二补丁被提供到第二分类器分支。这与目标专利的技术方案完全对应。因此，对比文件隐含公开了技术特征D。 |
| **技术特征E**：其中所述输入数据项包括图像 <br><br> **《直接公开》** | 原文标题及段落 [0019]： “System and method for parallelizing convolutional neural networks” ... “The system is configured to receive an input image.” <br><br> 原文段落 [0002]： “The present invention relates generally to object detection and recognition in images or videos using convolutional neural networks.” | 对比文件的名称为“并行化卷积神经网络的系统和方法”，且在说明书背景技术和具体实施方式中反复提及输入数据为“图像”（input image）或视频帧。因此，输入数据项包括图像这一特征被对比文件直接公开。 |
| **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 <br><br> **《未公开》** | 对比文件全文未发现关于通过组合原始图像的缩放版本集合来导出输入图像的明确或暗示性描述。 | 目标专利的这一特征涉及一种特定的输入图像生成方法，即通过组合原始图像的不同缩放版本来构建一个更大的输入图像，以便一次性处理多尺度目标。对比文件虽然涉及多尺度检测（可推断出），但其方法是将同一图像的不同尺度版本分别输入到不同的网络或分支中，或者从单个输入图像的特征图中提取不同尺度的区域。对比文件中没有描述任何“组合缩放版本”以形成单一输入图像的过程。因此，本领域技术人员无法从对比文件中直接地、毫无疑义地，甚至通过合理推理得出该技术特征。 |
| **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。 <br><br> **《隐含公开》** | 原文段落 [0061]： “The system is capable of detecting objects at multiple scales. Different tiles extracted from the final feature map correspond to different scales in the input image due to the fixed receptive field of the CNN.” <br><br> 原文段落 [0062]： “Each classifier branch is trained to detect objects at a specific scale, corresponding to the size of the tile it receives.” | 对比文件明确揭示了其系统能够进行多尺度目标检测，并且从最终特征图中提取的不同补丁对应于输入图像中的不同尺度。 <br><br> **论述**：对比文件虽然没有使用“第一尺度”和“第二尺度”这样的序数词，但它明确指出“不同补丁对应于不同尺度”，并且“每个分类器分支被训练为在特定尺度上检测物体”。这意味着，如果存在第一补丁和第二补丁，它们必然分别对应于第一尺度和第二尺度，并且对应的第一分类器和第二分类器被布置来在这些尺度上进行操作。本领域技术人员可以毫无疑义地得出这一结论。因此，技术特征G被对比文件隐含公开。 |
| **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。 <br><br> **《隐含公开》** | 原文段落 [0060]： “Each classifier branch includes one or more fully connected layers...” <br><br> 原文段落 [0063]： “A first classifier branch may include a first set of fully connected layers, and a second classifier branch may include a second set of fully connected layers.” | 对比文件公开了分类器分支包含全连接层。并且明确提及“第一分类器分支可包括第一组全连接层”。 <br><br> **论述**：对比文件虽然未直接写明“第一分类器包括第一全连接层”，但其公开了“第一组全连接层”。本领域技术人员可以理解，一组全连接层至少包含一个全连接层。因此，第一分类器包括第一全连接层是对于对比文件公开内容的合理且无争议的推断。因此，技术特征H被对比文件隐含公开。 |
| **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。 <br><br> **《隐含公开》** | 原文段落 [0060]： “Each classifier branch includes one or more fully connected layers...” <br><br> 原文段落 [0063]： “...a second classifier branch may include a second set of fully connected layers.” | 与技术特征H的论述逻辑一致。对比文件公开了第二分类器分支包括第二组全连接层，本领域技术人员可以合理推断出第二分类器包括第二全连接层。因此，技术特征I被对比文件隐含公开。 |
| **技术特征J**：其中所述卷积层集合包括四个卷积层。 <br><br> **《未公开》** | 对比文件全文未发现对卷积层具体数量的明确限定。 | 对比文件描述了一个通用的CNN架构，但并未限定卷积层的具体数量为四层。虽然在某些示例中可能使用四层，但并未将其作为技术方案的必要特征进行公开或强调。本领域技术人员无法从对比文件中唯一地、毫无疑义地得出卷积层集合必须为四个的结论。因此，该技术特征未被公开。 |
| **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。 <br><br> **《未公开》** | 对比文件全文未发现关于层间归一化的明确或暗示性描述。 | 目标专利明确要求了在层间处理时包含归一化操作。对比文件描述了卷积层处理，但未提及任何关于数据归一化的步骤，特别是在层间进行归一化。本领域技术人员无法从对比文件中直接或间接地推导出该特征。 |
| **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。 <br><br> **《隐含公开》** | 原文段落 [0025]： “Convolutional layers are often interleaved with pooling layers that perform down-sampling, reducing the spatial size of the representation.” <br><br> 原文段落 [0026]： “The down-sampling operation, also known as sub-sampling, is applied to the output of a convolutional layer before it is passed to the next layer.” | 对比文件明确公开了在卷积层之间可以插入池化层（pooling layers）以执行下采样（down-sampling），即子采样操作。 <br><br> **论述**：对比文件提到池化层通常“交错”在卷积层之间，并且对前一卷积层的输出进行下采样后再传递到下一层。这完全对应于目标专利中“在后续层中处理之前对前一卷积层的输出进行子采样”的技术特征。虽然未使用完全相同的措辞，但技术手段和效果完全一致。因此，技术特征L被对比文件隐含公开。 |
| **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。 <br><br> **《未公开》** | 对比文件全文未发现关于局部对比度归一化，特别是“在第三卷积层之后”执行该操作的明确或暗示性描述。 | 目标专利限定了一个非常具体的操作：“在第三卷积层之后”执行“局部对比度归一化”。对比文件可能提及归一化（如局部响应归一化LRN），但并未限定在特定的层（第三层）之后执行，也未明确其为“局部对比度归一化”。这种特定的层位置和归一化类型的组合在对比文件中未被公开，也不属于本领域技术人员能够轻易推断出的技术方案。 |
| **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。 <br><br> **《未公开》** | 对比文件全文主要讨论通用的对象检测和识别，未特指“人”的检测。 | 对比文件在背景技术部分提到“object detection and recognition in images or videos”，是一个通用概念。虽然目标专利的说明书提到行人检测，但对比文件并未将其作为其网络配置的特定目的。因此，该技术特征未被对比文件公开。 |
| **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。 <br><br> **《未公开》** | 对比文件全文未发现关于检测“行人”的特定描述。 | 与技术特征N的论述类似，对比文件未将其技术方案具体限定于行人检测。虽然目标专利说明书中大量使用了行人检测作为示例，但这不能等同于对比文件公开了该特征。 |
| **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。 <br><br> **《直接公开》** | 原文段落 [0058]： “The system partitions the feature maps from the last convolutional layer into multiple overlapping tiles or patches.” | 对比文件明确使用了“overlapping tiles or patches”（交叠的补丁）这一术语来描述从特征图中划分出的补丁。这意味着这些补丁之间是部分交叠的。因此，技术特征P被对比文件直接公开。 |
| **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。 <br><br> **《隐含公开》** | 原文段落 [0058]： “The system partitions the feature maps from the last convolutional layer into multiple overlapping tiles or patches.” <br><br> 原文段落 [0061]： “Different tiles...correspond to different scales in the input image...” | 对比文件公开了补丁是交叠的，且对应不同尺度。 <br><br> **论述**：当两个补丁对应不同尺度且交叠时，一个完全包含另一个是一种可能的特殊情况。例如，一个较大的尺度的补丁（对应更大范围的输入图像区域）可能完全包含一个较小尺度的补丁（对应中心区域的较小范围）。本领域技术人员在处理多尺度特征图补丁时，尤其是当一个补丁的尺度远大于另一个时，为了覆盖中心区域，将小补丁包含在大补丁内是一种常见且合理的实现方式。虽然对比文件没有明确说明这种包含关系，但本领域技术人员可以合理推断出，为了实现无缝的多尺度检测，这种包含关系是可能存在的。因此，技术特征Q被对比文件隐含公开。 |
### 结论代码
根据以上分析，对比文件直接公开或隐含公开了以下技术特征：
技术特征B被直接公开：<<<B>>>
技术特征E被直接公开：<<<E>>>
技术特征P被直接公开：<<<P>>>
技术特征A被隐含公开：<<<a>>>
技术特征C被隐含公开：<<<c>>>
技术特征D被隐含公开：<<<d>>>
技术特征G被隐含公开：<<<g>>>
技术特征H被隐含公开：<<<h>>>
技术特征I被隐含公开：<<<i>>>
技术特征L被隐含公开：<<<l>>>
技术特征Q被隐含公开：<<<q>>>
技术特征F、J、K、M、N、O未被对比文件公开。