对比文件名称：2005-03-03_US2005047647A_发明申请_US20050047647A1 System and method for attentional selection
目标专利名称：208动态空间目标选择CN106796667B
本次调用模型名称：专利创造性评估模型
根据目标专利说明书，其涉及一种用于动态空间目标选择的系统和方法，特别是一种通过控制神经网络中连接的失衡量来动态修改目标选择函数，从而使机器人设备能够偏向或偏离候选目标移动的技术。该技术核心在于利用人工神经网络，将空间环境中的多个目标映射到目标地图（由神经元表示），并通过动态调整神经元间连接的抑制或兴奋权重（失衡量）来影响选择过程。
对比文件公开了一种基于视觉注意力的系统和方法，用于在杂乱场景中自动选择和隔离可能包含对象的显著区域，以进行无监督的单次对象学习。其核心是计算图像的显著图，并通过胜者全得（WTA）网络选择最显著的位置，进而提取并处理该区域。
以下将严格按照目标专利权利要求中划分的技术特征（A至M）进行逐一比对。
### 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：将多个目标中的每个目标映射到目标地图中的不同位置，《直接公开》 | 第[0067]段：“The saliency map 155 is supplied to a neural network 160 whose output is a set of coordinates which represent the most salient part of the saliency map 155.”； 第[0070]段：“First, looking back at the conspicuity maps, the one map that contributes most to the activity at the most salient location is: …”。 结合上下文，显著图（saliency map）本身是一个二维地图，其每个位置编码了输入图像对应区域的显著度。系统通过WTA网络找出其中最显著的位置（坐标）。这意味着系统将输入图像中的不同潜在“目标”（即显著区域）映射到了显著图中的不同位置。 | 对比文件公开了显著图（saliency map）这一概念，它是一个二维地图，其中每个像素位置对应输入图像中的一个区域，其值代表该区域的视觉显著性。系统通过WTA网络找出最显著的位置（坐标）（第[0067]段），这实质上就是将图像中潜在的多个显著区域（可视为候选目标）映射到了显著图中的不同位置。因此，该技术特征被对比文件直接公开。 |
| **技术特征B**：所述目标地图包括空间环境中相对于机器人设备的位置的多个位置，《未公开》 | 对比文件未提及机器人设备或相对于机器人设备的空间环境。其坐标系始终是图像本身的像素坐标系。例如第[0067]段：“The winning location (xw, yw) of this process is attended to…”，这里的坐标是图像平面坐标。 | 目标专利中的“目标地图”特指包含“空间环境中相对于机器人设备的位置”的地图，这是一种自我中心（egocentric）的表示，对于机器人导航和路径规划至关重要。对比文件中的显著图是基于输入图像（如来自摄像机）计算的，其坐标是图像平面坐标（图像中心或角落），并未转换为或表示为相对于任何移动设备（如机器人）自身位置的坐标系。因此，对比文件未公开此特征。 |
| **技术特征C**：每个位置由所述人工神经网络中的神经元表示《隐含公开》 | 第[0067]段：“The saliency map 155 is supplied to a neural network 160 whose output is a set of coordinates which represent the most salient part of the saliency map 155.”； 第[0053]段及图1描述了计算显著图的整个流程，该流程可以被实现为人工神经网络。 | 对比文件明确指出显著图被提供给一个神经网络（neural network 160）以确定最显著坐标（第[0067]段）。虽然未明确说明显著图的“每个位置”是否由一个神经元表示，但在本领域，将二维特征图或地图的每个单元（像素/位置）用神经网络中的一个神经元（或神经元组）来表示是一种常见且常规的技术手段，尤其是在神经形态计算或神经网络视觉处理模型中。因此，本领域技术人员能够从对比文件公开的“显著图”和“神经网络”结合公知常识，合理推断出每个位置可以由人工神经网络中的神经元来表示。该技术特征被隐含公开。 |
| **技术特征D**：以及通过控制至所述人工神经网络的神经元的失衡量来动态地修改目标选择函数以使所述机器人设备偏向或偏离候选目标地移动，《未公开》 | 对比文件描述了通过胜者全得（WTA）网络选择最显著位置（第[0067]段），以及通过抑制返回（IOR）机制来防止重复选择同一区域，从而序列化地关注多个显著区域（第[0074]-[0075]段）。例如：“The segmented feature map ℑw is used as a template to trigger object-based inhibition of return (IOR) in the WTA network, thus enabling the model to attend to several objects subsequently, in order of decreasing saliency.” | 目标专利的核心在于“动态地修改”选择函数，其手段是“控制失衡量”，目的是使“机器人设备”的移动产生偏向或偏离。对比文件中的选择函数（即选择最显著位置）是固定的（基于显著图计算），其“抑制返回（IOR）”机制是一种静态的、二元的“屏蔽”操作（blocking coordinates），目的是在序列选择中跳过已处理区域，而不是为了动态地、连续地调整选择偏好（偏向/偏离）以影响机器人的移动决策。此外，对比文件完全没有提及机器人设备的移动控制。因此，该特征未被公开。 |
| **技术特征E**：所述失衡量基于偏置准则来激励至所述神经元的连接或抑制至所述神经元的连接，《未公开》 | 对比文件未提及基于任何“偏置准则”（如目标价值、历史访问记录等）来动态调整神经元之间的连接权重（激励或抑制）。其WTA网络中的竞争和IOR机制中的抑制是预设的、功能固定的。 | 目标专利的“失衡量”是用于主动偏置选择的关键可调参数，其调整基于“偏置准则”。对比文件中的抑制机制（IOR）是为了实现序列化注意而进行的后处理屏蔽，并非用于根据特定任务准则动态调整选择偏好。没有公开基于准则调整连接权重的内容。 |
| **技术特征F**：所述神经元代表与所述候选目标相对应的位置。《直接公开》 | 第[0067]段：“…output is a set of coordinates which represent the most salient part of the saliency map 155.”； 结合第[0070]-[0072]段，最显著的位置被用于提取一个可能包含对象的区域。因此，该位置对应一个候选目标（显著区域）。 | 对比文件明确，WTA网络输出的坐标代表显著图中最显著的部分（第[0067]段），而该系统目的就是选择和隔离可能包含对象的显著区域（见摘要、第[0004]段）。因此，该坐标（由神经网络处理得到）所代表的位置，直接对应于一个候选目标（待学习或识别的对象区域）。该特征被直接公开。 |
| **技术特征G**：其特征在于，所述连接包括耦合在每一对输入和输出神经元之间的中间神经元，并且所述动态地修改包括以下至少一者：动态地修改所述中间神经元的可兴奋性、动态地修改所述中间神经元与相应的输入和输出神经元对之间的突触权重的功效、或其组合。《未公开》 | 对比文件未描述神经网络内部具体的连接结构，特别是未提及在输入和输出神经元之间使用“中间神经元”作为仲裁抑制的组件。其WTA网络和IOR机制的实现方式未披露到如此详细的电路层面。 | 目标专利说明书第[0112]-[0113]段及图8明确描述了通过中间神经元（如第一中间神经元816）来仲裁交叉抑制，并通过修改其可兴奋性或突触权重来动态修改选择函数。这是目标专利实现动态偏置的一个重要具体架构。对比文件完全没有涉及这种具有中间神经元的特定连接架构，也未提及动态修改这些中间神经元的属性。因此，该特征未被公开。 |
| **技术特征H**：其特征在于，所述动态地修改包括用外部输入来动态地修改。《未公开》 | 对比文件未提及使用任何“外部输入”（例如来自更高层任务指令、用户命令、回报信号等）来修改其注意力选择过程。其选择完全基于图像自身的底层视觉特征（自底向上）。 | 目标专利说明书第[0102]段提到“该偏置可使用交叉抑制性连接，这些交叉抑制性连接使用居间的中间神经元。...该聚焦地图可修改中间神经元的可兴奋性...”，第[0118]段提到“经由外部输入来动态地修改选择函数”。对比文件的注意力选择是纯自底向上的，没有外部输入介入以动态修改选择准则的教导或启示。 |
| **技术特征I**：其特征在于，所述动态地修改包括以下至少一者：动态地修改所述神经元的可兴奋性、动态地修改突触权重的功效、或其组合。《未公开》 | 对比文件未提及动态修改神经元（无论是代表位置的神经元还是WTA网络中的神经元）的可兴奋性，也未提及动态修改突触权重的功效。其网络参数（如用于计算显著图的滤波器权重、WTA竞争机制）似乎是固定的。 | 该特征概括了动态修改的两种具体手段。如特征G和H的论述，对比文件均未公开这些动态修改机制。其选择过程是预定义算法流程的执行，不具备根据运行状态或外部指令进行参数动态调整的特征。 |
| **技术特征J**：其特征在于，所述突触权重是至少针对输入突触、神经元之间的连接、或其组合的。《未公开》 | 对比文件没有具体讨论神经网络内部“突触权重”的细节，更没有对其分类（输入突触、神经元间连接等）。 | 该特征是对“突触权重”应用范围的进一步限定。由于对比文件根本未涉及“动态修改突触权重”这一上位概念（特征I），因此对其具体应用位置的限定自然也未被公开。 |
| **技术特征K**：其特征在于，所述目标选择函数基于以下至少一者：回报的抑制、选择了所述目标的对象的行为状态、时间段、所指派的任务、时间复用函数、从与多个人工神经网络相对应的多个任务中选择任务的事件、或其组合。《未公开》 | 对比文件的目标选择（注意力焦点选择）函数仅基于图像的视觉显著性（自底向上），如第[0052]段所述。未提及任何基于回报、行为状态、任务、时间等高层级或任务相关的准则。 | 目标专利的选择函数可以基于丰富的高层级、任务相关的准则（第[0117]段），这使得选择能适应复杂的行为策略。对比文件的选择函数是单一的、固定的（视觉显著性），与这些复杂的偏置准则无关。因此，该特征未被公开。 |
| **技术特征L**：其特征在于，每个任务对应于所述多个人工神经网络中的一个，并且每个人工神经网络是静态网络或动态网络。《未公开》 | 对比文件只描述了一个用于注意力选择的处理流程（可能对应一个神经网络），没有提及多个任务、多个神经网络，也没有讨论网络是静态还是动态的。 | 该特征涉及多任务场景下的神经网络架构配置。对比文件仅针对单一的“视觉注意力选择”任务，未公开多神经网络对应多任务以及网络静态/动态属性的技术方案。 |
| **技术特征M**：其特征在于，进一步包括基于对所述人工神经网络的输入、来自所述人工神经网络的输出、或其组合中的至少一者来控制所述人工神经网络中的失衡量。《未公开》 | 对比文件没有描述根据神经网络的输入或输出来反馈控制其内部连接失衡量的机制。其处理流程是前馈式的：输入图像 -> 计算显著图 -> WTA选择 -> 输出坐标/区域。 | 目标专利的特征M意味着一种闭环或自适应控制机制，即根据网络的运行状态（输入/输出）来调整其内部的失衡量。对比文件不存在这种反馈控制机制，其“失衡量”（如果认为WTA中的竞争是一种抑制）是固定的，不随输入输出变化而动态调整。 |
### 总结与代码输出
根据上述比对分析：
- **直接公开**的特征有：A, F。
- **隐含公开**的特征有：C。
- **未公开**的特征有：B, D, E, G, H, I, J, K, L, M。
因此，在回答的结尾应插入的代码为：<<<A>>><<<F>>><<<c>>>