**对比文件名称**：US11875250B1_Description_20251229_2246
**目标专利名称**：交通工具进入检测
**本次调用的模型名称**：DeepSeek
### 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 (翻译为中文) | 公开性论述 |
| **技术特征A**：一种用于事件状态检测的方法<br>**判断结果**：直接公开 | 第9页，[0054]段：`FIG. 9 is a flow diagram illustrating aspects of operations that may be implemented to perform classification using a semantically weighted loss function, according to at least some embodiments.` （图9是解说根据至少一些实施例的、可被实现以使用语义加权损失函数来执行分类的操作的各方面的流程图。） | 对比文件公开了一种用于“执行分类”的方法，其流程如图9所示。分类（识别输入数据所属的类别）是“事件状态检测”的一种具体形式。对比文件公开的方法步骤（获取语义关系、训练DNN模型、接收程序化请求、识别类别）构成了一个完整的事件状态检测方法。因此，对比文件直接公开了“一种用于事件状态检测的方法”这一技术特征。 |
| **技术特征B**：在计算设备处接收多个传感器信号<br>**判断结果**：未公开 | 第2页，[0024]段：`An image data set 204 comprising a plurality of images 287 (e.g., 287A) is used as input to an image recognition convolutional neural network model 202 in the depicted embodiment.` （在所描绘的实施例中，包含多个图像287（例如，287A）的图像数据集204被用作图像识别卷积神经网络模型202的输入。） | 对比文件描述了接收“图像数据集”作为神经网络的输入。然而，“图像数据集”不等同于“多个传感器信号”。传感器信号通常指由物理传感器（如加速度计、陀螺仪、麦克风等）实时采集的原始数据流。对比文件未提及信号来自传感器，也未提及接收来自多个（不同类型）传感器的信号。因此，对比文件既未直接公开也未隐含公开该特征。 |
| **技术特征C**：在所述计算设备处基于所述多个传感器信号使用人工神经网络针对多个时间区间中的每个时间区间确定子事件状态的概率<br>**判断结果**：未公开 | 第2页，[0024]段：`For a given image 287, the model 202 may produce a probability distribution corresponding to a set of target objects of respective classes in one embodiment, indicating the relative probability that the image comprises each one of the objects or classes.` （对于一个给定的图像287，模型202在一个实施例中可以产生对应于一组各自类别的目标对象的概率分布，指示该图像包含每个对象或类别的相对概率。） | 对比文件公开了使用人工神经网络（DNN/CNN）为输入图像确定属于各个类别的概率。然而，目标专利的“子事件状态”特指构成一个完整事件（如进入交通工具）的序列化、时间相关的子步骤（如步行、停止、开门等）。对比文件中的“类别”（如汽车、船、房子、狗）是静态的、离散的对象概念，并非时间序列中的“子事件状态”。此外，对比文件未提及针对“多个时间区间”进行处理。因此，该特征未被公开。 |
| **技术特征D**：以及在所述计算设备处基于所述子事件状态的概率经由状态序列模型来检测事件状态<br>**判断结果**：未公开 | 无相关内容。 | 对比文件全文未提及“状态序列模型”（如隐马尔可夫模型、隐半马尔可夫模型）。其检测“事件状态”（即分类结果）是直接基于神经网络输出的概率分布，并未基于一系列子事件状态的概率序列通过一个额外的序列模型来推断最终事件。因此，该特征未被公开。 |
| **技术特征E**：对所述事件状态的检测包括：基于对所述概率的确定来检测所述子事件状态的序列。<br>**判断结果**：未公开 | 无相关内容。 | 如对特征C和D的论述，对比文件不涉及“子事件状态”的概念，更不涉及检测这些状态的序列。其输出是单个输入（如图像）所属的类别，而非一个时间序列上的状态变化。因此，该特征未被公开。 |
| **技术特征F**：检测所述事件状态包括检测用户进入交通工具。<br>**判断结果**：未公开 | 无相关内容。 | 对比文件的应用场景是图像分类、物体识别、内容审核等（参见[0048]、图7），并未涉及“检测用户进入交通工具”这一特定事件。因此，该特征未被公开。 |
| **技术特征G**：所述多个传感器信号包括音频信号和至少一个运动传感器信号。<br>**判断结果**：未公开 | 无相关内容。 | 对比文件的输入主要是图像数据（如图2、图5、图6、图7所述），未提及音频信号或任何运动传感器信号（如加速度计、陀螺仪）。因此，该特征未被公开。 |
| **技术特征H**：如权利要求3所述的方法，其中，所述至少一个运动传感器信号包括加速度计传感器信号、陀螺仪传感器信号、或磁力计传感器信号中的至少一者。<br>**判断结果**：未公开 | 无相关内容。 | 对比文件未提及任何运动传感器，因此自然未公开加速度计、陀螺仪或磁力计信号。因此，该特征未被公开。 |
| **技术特征I**：所述多个传感器信号包括运动传感器信号。<br>**判断结果**：未公开 | 无相关内容。 | 同特征G、H的论述，对比文件未提及运动传感器信号。因此，该特征未被公开。 |
| **技术特征J**：所述多个传感器信号包括音频信号。<br>**判断结果**：未公开 | 无相关内容。 | 同特征G的论述，对比文件未提及音频信号。因此，该特征未被公开。 |
| **技术特征K**：确定所述子事件状态的概率包括：经由卷积神经网络CNN来确定与所述多个传感器信号中的每个传感器信号相对应的状态概率；以及经由深度神经网络DNN来融合所述状态概率。<br>**判断结果**：未公开 | 第2页，[0024]段：`...an image recognition convolutional neural network model 202...` （...图像识别卷积神经网络模型202...）<br>第2页，[0027]段：`To produce the final output of the model one or more fully-connected layers such as F1 and F2 may be implemented in some embodiments...` （为了产生模型的最终输出，在一些实施例中可以实现一个或多个全连接层，诸如F1和F2...） | 对比文件确实公开了使用卷积神经网络（CNN）进行图像识别，并且其模型包含全连接层（DNN的一种形式）以产生最终输出。然而，这些网络用于处理单一的图像输入并输出该图像所属类别的概率，并非用于“确定与多个传感器信号中的每个相对应的状态概率”并进行“融合”。目标专利中CNN和DNN的架构和作用（针对多路信号分别处理再融合）与对比文件中CNN和全连接层的作用（对单一路径的特征进行层级抽象和分类）不同。因此，该特征未被公开。 |
| **技术特征L**：所述CNN包括三个神经网络层。<br>**判断结果**：未公开 | 第2页，[0027]段描述了模型202包含卷积层C1、C2，池化层P1、P2，全连接层F1、F2。未明确说明CNN部分具体由几个层组成。 | 对比文件虽然图示了包含多个层的深度卷积网络，但并未明确指出其CNN部分由“三个神经网络层”构成。该具体数量未被公开。 |
| **技术特征M**：所述DNN包括单个神经网络层。<br>**判断结果**：未公开 | 第2页，[0027]段：`...one or more fully-connected layers such as F1 and F2 may be implemented...` （...可以实现一个或多个全连接层，诸如F1和F2...） | 对比文件明确指出全连接层（作为DNN的一种实现）可以是“一个或多个”，图示中也有F1和F2两层。这并未公开DNN由“单个”神经网络层构成这一具体限定。因此，该特征未被公开。 |
| **技术特征N**：所述状态序列模型包括隐马尔科夫模型或隐半马尔科夫模型。<br>**判断结果**：未公开 | 无相关内容。 | 对比文件全文未提及隐马尔科夫模型（HMM）或隐半马尔科夫模型（HSMM）。因此，该特征未被公开。 |
| **技术特征O**：所述事件状态是基于所述子事件状态的序列和所述子事件状态中的每个子事件状态的历时来检测的。<br>**判断结果**：未公开 | 无相关内容。 | 对比文件不涉及基于时间序列和历时来检测事件。其分类是基于单个输入样本（如图像）的内容。因此，该特征未被公开。 |
| **技术特征P**：所述子事件状态的序列包括含15个子事件状态的序列。<br>**判断结果**：未公开 | 无相关内容。 | 对比文件不涉及“子事件状态”，更未公开其具体数量为15个。因此，该特征未被公开。 |
| **技术特征Q**：经由所述状态序列模型来确定所述事件状态已发生的置信水平，其中当所述置信水平超过阈值时所述事件状态被检测到。<br>**判断结果**：未公开 | 第2页，[0024]段：`For example, the output class scores 240 for image 287A may indicate that... a score or probability of 0.4 (40%) may be assigned to the scenario that image 287A includes a representation of a boat.` （例如，图像287A的输出类别分数240可以指示……可以将0.4（40%）的分数或概率分配给图像287A包含船的表示这一情景。） | 对比文件公开了神经网络输出分类的“分数”或“概率”，这可以视为一种置信水平。然而，目标专利中的“置信水平”特指由“状态序列模型”基于子事件状态序列计算出的、用于判断最终事件（如进入交通工具）是否发生的置信度。对比文件中的分数是神经网络直接对单个输入的分类置信度，两者作用不同。且对比文件未提及与阈值比较以检测事件。因此，该特征未被公开。 |
| **技术特征R**：从所述多个传感器信号中的每个传感器信号中提取特征，其中所述子事件状态的概率是基于所提取的特征来确定的。<br>**判断结果**：未公开 | 第2页，[0027]段：`With such local information, the neurons at a given layer may eventually learn to recognize elementary visual features such as corners, endpoints, boundaries, etc. in various embodiments. Such elementary features may then be combined in subsequent layers of the model in the depicted embodiment to form higher-order features...` （利用这种局部信息，给定层中的神经元在各种实施例中可以最终学会识别诸如角、端点、边界等基本视觉特征。然后，这些基本特征可以在所描绘的实施例中的模型的后续层中被组合以形成更高阶的特征……） | 对比文件公开了神经网络（特别是CNN）从输入数据（如图像）中自动学习并提取特征，并基于这些特征进行分类。然而，目标专利的特征提取特指从“多个传感器信号”中提取，且提取的特征用于确定“子事件状态”的概率。如前述，对比文件既不涉及多传感器信号，也不涉及子事件状态。因此，该特征未被公开。 |
| **技术特征S**：所述计算设备包括可穿戴设备或移动设备，并且其中，所述多个传感器信号是从所述可穿戴设备或移动设备的传感器接收的。<br>**判断结果**：未公开 | 无相关内容。 | 对比文件未提及计算设备的具体类型（如可穿戴设备、移动设备），也未提及信号来自设备内置的传感器。其输入数据更可能是存储的图像文件。因此，该特征未被公开。 |
| **技术特征T**：对所述多个传感器信号进行时间同步，其中，对所述子事件状态的概率的确定基于经时间同步的传感器信号。<br>**判断结果**：未公开 | 无相关内容。 | 对比文件处理的输入（如图像）本身是静态的或独立的帧，不涉及对多个实时信号流进行“时间同步”的问题。因此，该特征未被公开。 |
| **技术特征U**：对所述经时间同步的传感器信号中的每一者进行重采样以使得所述经时间同步的传感器信号具有相同的采样率，其中对所述子事件状态的概率的确定基于重采样的经时间同步的传感器信号。<br>**判断结果**：未公开 | 无相关内容。 | 对比文件不涉及传感器信号，因此更不会涉及对信号进行重采样以达到相同采样率。因此，该特征未被公开。 |
| **技术特征V**：基于对所述事件状态的检测来执行动作。<br>**判断结果**：未公开 | 第7页，[0046]段：`If the identified classes of a given image or video meet a disqualification criterion for viewing acceptability for a target audience, a moderation label 732 indicating that the image/video should not be viewed may be generated in some embodiments; otherwise, a moderation label 732 indicating that the image/video is acceptable may be generated and provided to the client.` （如果给定图像或视频的已识别类别满足针对目标受众观看可接受性的取消资格标准，则在一些实施例中可以生成指示不应观看该图像/视频的审核标签732；否则，可以生成指示该图像/视频可接受的审核标签732并提供给客户端。） | 对比文件公开了基于分类结果（识别出的类别）来执行生成并返回“审核标签”的动作。这属于“基于对事件状态的检测来执行动作”。但需要指出，对比文件中的“事件状态”是图像内容类别，而目标专利是“用户进入交通工具”。尽管具体事件不同，但“基于检测结果执行动作”这一上位功能性特征在对比文件中被直接公开。然而，根据用户指示，技术特征划分严格按照目标专利权利要求执行。特征V在权利要求中未独立存在，而是依附于特征W的具体动作描述。在独立权利要求1中并无单纯的“执行动作”这一特征，而是在从属权利要求中限定了执行“激活导航系统”等具体动作。因此，对于独立权利要求1的特征集合（A-D），对比文件未公开“基于检测来执行动作”这一隐含步骤。对于从属权利要求中的特征V+W，对比文件公开了“执行生成/提供标签的动作”，但未公开目标专利中“激活导航系统”等具体动作。综合来看，**特征V作为独立技术特征未被公开**。 |
| **技术特征W**：执行所述动作包括以下至少一者：激活导航系统；为用户显示信息；或者向交通工具传送要执行一个或多个动作的指示。<br>**判断结果**：未公开 | 无相关内容。 | 对比文件执行的动作是生成内容审核标签并提供给客户端，这与“激活导航系统”、“显示信息”或“向交通工具传送指示”完全不同。因此，该特征未被公开。 |
| **技术特征X**：所述多个传感器信号包括至少两种不同类型的传感器信号。<br>**判断结果**：未公开 | 无相关内容。 | 对比文件的输入是图像数据，属于单一类型的数据。未提及同时使用两种或以上不同类型的传感器信号（如音频+运动）。因此，该特征未被公开。 |
<<<A>>>