**对比文件名称**：2012-10-04_WO2012130251A_发明申请_WO2012130251A1 IMAGE UNDERSTANDING BASED ON FUZZY PULSE - COUPLED NEURAL NETWORKS
**目标专利名称**：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**：创造性评估模型
### 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，《未公开》 | 未找到相关内容。 | 对比文件涉及基于模糊脉冲耦合神经网络（Fuzzy-PCNNs）的医学图像理解，用于乳腺X光图像的分割、特征提取和分类（例如，区分正常、良性和恶性病变）[p0010, p0024]。其“目标”是指图像中的感兴趣区域（ROIs），如肿瘤或微钙化簇[p0013, p0020]，其“选择”或“分类”是基于图像特征（如纹理、形状）判断病变类型[p0023, p0035]，而非为机器人设备选择移动目标。对比文件全文未提及“机器人设备”或任何为机器人选择目标以引导其移动的步骤。因此，本领域技术人员无法从对比文件中得出为机器人设备基于准则选择目标的技术方案。 |
| **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，《未公开》 | 未找到相关内容。 | 对比文件中的“目标”（即ROIs）对应于医学图像（如乳腺X光片）中的不同空间位置[p0046]。然而，这些位置是图像本身的坐标（如图像矩阵中的像素位置），其参考系是固定的图像坐标系，而非“相对于所述机器人设备的位置”[p0046]。目标专利说明书强调其“目标地图”使用自我中心式（egocentric）参考系，即目标位置是相对于移动对象（如机器人）的当前位置而言的[0106-0108]。对比文件未提及任何机器人、对象移动或坐标变换为自我中心式参考系的概念。因此，对比文件未公开“相对于机器人设备的位置的目标地图”这一技术特征。 |
| **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《隐含公开》 | [p0070] 描述了模糊脉冲耦合神经网络（Fuzzy-PCNNs）的数学模型，其中 F_ij[n], L_ij[n], U_ij[n], Y_ij[n] 等变量下标 ij 对应于图像中的像素位置(i, j)。[p0050] 指出图像被表示为强度值（像素）的二维矩阵。在神经网络处理中，每个像素或图像区域的特征通常由对应的神经元或神经元组进行处理和表示。 | 对比文件明确使用脉冲耦合神经网络（PCNNs）及其模糊变体（Fuzzy-PCNNs）处理图像，其中网络的动态（如馈送、链接、内部活动、脉冲生成）是按像素位置（i, j）来定义和计算的[p0070-p0071]。这表明图像中的每个空间位置（像素）的状态由神经网络中对应索引的神经元（或处理单元）的动态来表征。虽然对比文件未明确使用“每个位置对应于一个神经元”的表述，但本领域技术人员在阅读其神经网络模型时，能够毫无疑义地理解，为了处理二维图像数据，神经网络的结构通常与图像网格对应，每个处理单元（神经元）负责一个特定位置的信息。因此，该技术特征被对比文件隐含公开。 |
| **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《未公开》 | 未找到相关内容。 | 对比文件中的Fuzzy-PCNNs确实涉及神经元之间的连接和权重（如链接系数β）[p0084]，其目的是实现图像分割，使相似灰度的区域同步发放脉冲（脉冲耦合）[p0020]。然而，这种机制是为了区域生长和分割，而非在已识别的“目标”与“非目标”神经元之间设置“失衡”以偏置选择。对比文件没有描述通过从特定“目标神经元”向“非目标神经元”输出“抑制性权重”来主动创建一种失衡状态，从而使得目标神经元在竞争中胜出。其网络参数（如阈值、链接系数）的调整是基于图像全局特性（如模糊熵）或局部特性（如同质性）[p0067, p0084, p0093]，而非基于“选择准则”在候选目标之间人为引入不对称的抑制。因此，该技术特征未被公开。 |
| **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。《未公开》 | 未找到相关内容。 | 对比文件中神经元的“激活”或“脉冲发放”（Y_ij[n]）用于指示图像分割后的区域[p0071, p0099]。修改网络参数（如通过模糊规则调整链接系数）会影响哪些神经元同步发放，从而改变分割结果[p0084-p0088]。然而，这种“修改激活”的目的是为了更准确地将ROI从背景中分离出来，属于图像处理中的分割步骤。其根本目的不是，也没有描述为，通过制造神经元之间的激活差异来“使得机器人设备移动至所选目标相关联的位置”。对比文件完全没有涉及机器人运动控制。因此，该技术特征未被公开。 |
| **技术特征F**：其特征在于，每个目标是空间目标。《直接公开》 | [p0046] “the locality of the abnormality is given as the co-ordinate of its center and an approximate radius (in pixels) of a circle enclosing the abnormality” （异常的位置由其中心的坐标和包围该异常的圆的近似半径（以像素为单位）给出。）[p0050] “The mammogram image are represented as a two-dimensional matrix of intensity values (pixels) 1024 x 1024.” （乳腺X光图像被表示为强度值（像素）的二维矩阵 1024 x 1024。） | 对比文件明确其处理的“目标”（即异常或ROI）具有空间位置（坐标和范围），并且这些目标存在于二维图像空间（矩阵）中。这与目标专利中“空间目标”的含义（具有空间位置的目标）在本质上是相同的。虽然应用领域不同（医学图像vs.机器人导航），但“空间目标”这一抽象特征本身已被对比文件直接且明确地公开。 |
| **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。《未公开》 | 未找到相关内容。 | 对比文件中对ROI的分类（如良恶性判断）是基于从ROI提取的多种特征（纹理、形状、密度等）并由分类器（如FAMNN）完成[p0023, p0035, p0111]。其中并未提及基于“目标的活跃量概率”进行选择。“活跃量”在目标专利中指神经元的尖峰发放速率等活跃程度[0100-0101]，而对比文件中神经元的脉冲发放（Y_ij）是分割过程的结果，并非用于表征“目标”本身被选中的概率准则。因此，该技术特征未被公开。 |
| **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。《未公开》 | 未找到相关内容。 | 对比文件中的选择或分类准则完全基于图像内容本身，如组织的密度、纹理、形状特征等[p0111]，从未提及基于目标与任何外部移动设备（如机器人）之间的距离进行选择。目标专利的核心创新之一正是利用目标与对象（机器人）的相对空间距离来设置网络连接的失衡[0102-0104, 0108]。该特征在对比文件中完全不存在。 |
| **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。《隐含公开》 | [p0070-p0071] 展示了Fuzzy-PCNNs的公式，其中包含馈送输入(F_ij)、链接输入(L_ij，来自周围神经元的输出Y_kl)，以及它们对内部活动U_ij的调制。这体现了神经元接收来自外部输入（对应图像像素S_ij）和来自其他神经元侧向连接（通过链接矩阵M和W）的信号。[p0082] 明确提到了“Fuzzy-PCNNs feeding and linking”。 | 对比文件描述的Fuzzy-PCNNs是一个具有互联结构的神经网络模型。其公式(1)中的S_ij代表了来自外部的刺激（可视为第一输入层连接或神经元输入），而VF∑M_ijkl Y_kl 和 VL∑W_ijkl Y_kl 明确表示了神经元之间通过链接矩阵（M, W）的侧向连接，这些连接将周围神经元的脉冲输出（Y_kl）作为当前神经元的链接输入[p0070]。虽然对比文件未明确使用“第一输入层连接、神经元输入、侧向连接”这些术语，但其模型结构清楚地包含了这些连接类型的实质内容。本领域技术人员能够理解，脉冲耦合神经网络通常包含这些基本连接方式以实现其功能。因此，该技术特征被隐含公开。 |
<<<F>>><<<c>>><<<i>>>