对比文件名称：US2005047647A1_Description_20260309_2113
目标专利名称：264用于空间目标选择的失衡式交叉抑制性机制CN106030621B
本次调用模型名称：通用模型
### 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：至少部分地基于目标选择准则从所述多个目标中为机器人设备选择目标，<br>**判断结果：未公开** | 说明书第[0004]、[0008]、[0046]段：“基于自底向上的视觉注意力，自动选择和隔离可能包含对象的显著区域”；“允许在杂乱的图像中进行无监督的单次学习多个对象”；“使用选择性视觉注意力来串行化相关信息的感知和学习”。 | 对比文件公开了基于视觉显著性（一种选择准则）从图像中自动选择（隔离）出可能包含对象的显著区域。然而，对比文件中的“选择”是指从图像中识别和分割出一个视觉上显著的区域，以供后续学习或识别对象。其目的是为了图像理解和对象识别，而不是为了“为机器人设备选择目标”以引导机器人移动。本领域技术人员无法从对比文件中毫无疑义地得出或合理推断出，所选择的显著区域是用于控制“机器人设备”移动至的空间目标。两者目的和作用不同。 |
| **技术特征B**：所述多个目标中的每个目标对应于包括相对于所述机器人设备的位置的多个位置的目标地图中的不同位置，<br>**判断结果：未公开** | 说明书第[0053]、[0067]段：“显著性图……是一个二维图，对视觉环境中的显著对象进行编码”；“显著性图155中的位置竞争最高的显著性值”。 | 对比文件明确公开了“显著性图（saliency map）”这一概念，它是一个二维地图，编码了输入图像中各位置的显著性（参见图1，2B）。该地图中的每个位置确实对应输入图像中的一个空间位置。然而，目标专利中的“目标地图”是“包括相对于所述机器人设备的位置”，这是一种自我中心式（egocentric）的表示，地图中心是机器人自身。而对比文件的显著性图是基于外部图像（相机拍摄的场景）构建的，是外部中心式（allocentric）的，其位置是相对于图像坐标系，而非相对于一个移动的机器人设备。作用不同，因此未被公开。 |
| **技术特征C**：并且每个位置对应于人工神经网络中的神经元<br>**判断结果：《直接公开》** | 说明书第[0067]段：“显著性图155中的位置通过赢者通吃网络竞争最高的显著性值。在一个实施例中，赢者通吃网络在整合发放神经元网络中实现”。 | 对比文件明确记载显著性图中的位置（即空间位置）的竞争是通过“赢者通吃（WTA）网络”进行的，并且该网络由“整合发放神经元（integrate-and-fire neurons）”实现。这表明显著性图中每个位置的“显著性值”及其竞争过程是由人工神经网络中的神经元活动来表示和处理的。因此，本领域技术人员能够直接且毫无疑义地得出“每个位置对应于人工神经网络中的神经元”这一技术特征。 |
| **技术特征D**：通过经由从对应于所选目标的目标神经元至不对应于所选目标的非目标神经元的连接输出抑制性权重来设置失衡<br>**判断结果：《隐含公开》** | 说明书第[0067]段：“显著性图155中的位置通过赢者通吃网络竞争最高的显著性值。在一个实施例中，赢者通吃网络在整合发放神经元网络中实现”。<br>说明书第[0074]段：“分割后的特征图Iw被用作模板，在WTA网络中触发基于对象的返回抑制，从而使模型能够随后按显著性递减的顺序关注多个对象”。 | 对比文件公开了通过WTA神经网络选择最显著位置（即“所选目标”）。在神经网络中实现“赢者通吃”机制，其本质就是通过神经元之间的侧向抑制连接，使得最活跃的神经元（目标神经元）抑制其他神经元（非目标神经元），从而胜出。虽然对比文件没有明确使用“抑制性权重”和“设置失衡”的表述，但“赢者通吃”是神经计算领域的公知概念，其标准实现方式就包含了抑制性连接。此外，对比文件提到的“基于对象的返回抑制”也隐含了需要对已选择位置（对应目标神经元）进行抑制，以防止再次被选择，这进一步强化了抑制性连接的存在。因此，本领域技术人员能够从对比文件公开的WTA机制中合理推断出，必然存在“从对应于所选目标的目标神经元至不对应于所选目标的非目标神经元的连接输出抑制性权重”这一技术手段，其作用是实现选择，与目标专利中“设置失衡”的作用相同。 |
| **技术特征E**：以及至少部分地基于所述失衡来修改所述目标神经元与所述非目标神经元之间的相对激活，以使得在所述目标神经元的活跃量大于所述非目标神经元的活跃量时所述机器人设备移动至所述目标地图中与所选目标相关联的位置。<br>**判断结果：未公开** | 说明书第[0068]、[0078]段：“获胜位置（xw, yw）……被关注”；“得到的调制后的原始图像I'然后可选地用作识别算法的输入”。 | 对比文件公开了基于WTA网络选择最显著位置（修改相对激活使得一个位置胜出），其结果是该位置“被关注”，并且后续用于对象识别（作为识别算法的输入）。然而，对比文件完全没有提及任何与“机器人设备移动”相关的内容。其整个系统和方法的目的在于图像分析、对象学习和识别，而不在于控制机器人的物理移动。目标专利中“修改相对激活”的**目的**是直接驱动“机器人设备移动至……位置”，这是一个具体的控制动作。对比文件中“修改相对激活”（通过WTA选择）的**目的**是“隔离显著区域以进行对象识别”，两者目的和作用根本不同。因此，该特征未被公开。 |
| **技术特征F**：其特征在于，每个目标是空间目标。<br>**判断结果：《直接公开》** | 说明书第[0053]、[0067]段：“显著性图……是一个二维图，对视觉环境中的显著对象进行编码”；“显著性图155中的位置竞争最高的显著性值”。<br>说明书第[0068]段：“获胜位置（xw, yw）”。 | 对比文件中的“显著区域”或“对象”是基于二维显著性图选择的，该图明确编码了空间位置信息（x, y坐标）。所选择的“目标”（即显著区域）本质上是图像中的一个空间区域，因此是“空间目标”。这与目标专利中“空间目标”的含义一致。 |
| **技术特征G**：其特征在于，所述目标选择准则至少部分地基于每个目标的活跃量概率。<br>**判断结果：《直接公开》** | 说明书第[0067]段：“显著性图155中的位置竞争最高的显著性值”。<br>说明书第[0053]段：“显著性图的任务是计算表示视场中每个位置的显著性的标量”。 | 对比文件中的“目标选择准则”就是选择“显著性值”最高的位置。显著性值是一个标量，可以被视为该位置成为“目标”的“活跃量”或“概率”的度量。选择最高显著性值的位置，即等同于基于每个位置（目标）的“活跃量概率”（以显著性值表示）进行选择。因此，该特征被直接公开。 |
| **技术特征H**：其特征在于，所述选择目标选择准则至少部分地基于所述目标与所述机器人设备之间的空间距离。<br>**判断结果：未公开** | 说明书第[0052]-[0067]段：详细描述了基于颜色、强度、方向等特征对比计算显著性的过程。 | 对比文件公开的目标选择准则（显著性计算）完全基于图像的低级视觉特征（如颜色对比、强度对比、方向对比）的局部对比度，即“自底向上的视觉注意力”。在整个说明书中，没有任何内容提及将“目标与机器人设备之间的空间距离”作为选择准则的一部分。因此，该特征未被公开。 |
| **技术特征I**：其特征在于，所述连接是第一输入层连接、神经元输入、侧向连接、或其组合中的至少一者。<br>**判断结果：《隐含公开》** | 说明书第[0067]段：“显著性图155中的位置通过赢者通吃网络竞争最高的显著性值。在一个实施例中，赢者通吃网络在整合发放神经元网络中实现”。 | 对比文件公开了使用神经网络（整合发放神经元网络）来实现赢者通吃（WTA）选择机制。在人工神经网络领域，实现神经元之间的竞争（即WTA）通常需要神经元之间存在侧向抑制连接。这是本领域的公知常识。虽然对比文件没有明确列出连接的具体类型（第一输入层连接、神经元输入、侧向连接），但为了实现所公开的WTA神经网络功能，本领域技术人员能够毫无困难地理解并合理推断，该网络必然包含神经元之间的连接，这些连接至少会包括用于接收输入的“神经元输入”连接，以及用于实现竞争抑制的“侧向连接”。因此，该特征被隐含公开。 |
<<<C>>><<<F>>><<<G>>><<<d>>><<<i>>>