对比文件名称：2012-12-06_US2012308136A_发明申请_US20120308136A1 APPARATUS AND METHODS FOR PULSE-CODE INVARIANT OBJECT RECOGNITION
目标专利名称：用于随机尖峰贝叶斯网络的基于事件的推断和学习 CN106030620B
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：在多个计算节点中的每个计算节点处接收输入事件，其中所述输入事件是经由相机提供的输入流<br>**《直接公开》** | [0072] "The input signal may be for example an image received from an image sensor (such as a charge-coupled device (CCD) or a complementary metal-oxide-semiconductor (CMOS) active pixel) camera ..."<br>参见[0139] "Embodiments of the present invention are further applicable to ... face, etc"<br>参见[0066] "Embodiments of the invention may also be used for processing of signals of other, often non-visual modalities..." | 对比文件明确公开了从图像传感器（如CCD或CMOS相机）接收输入信号（图像）。这对应于目标专利中“经由相机提供的输入流”。对比文件中的“elementary feature detectors”（如边缘检测器200、300等）或“detector nodes”（如210、310等）构成了“计算节点”，它们接收来自相机的输入信号。两者作用相同，都是作为处理系统的输入源。因此，该技术特征被对比文件直接公开。 |
| **技术特征B**：将偏置权重或连接权重中的至少一者应用于所述输入事件以获得中间值<br>**《隐含公开》** | [0101] "In another embodiment (not shown), the delay lines are assigned weights, also referred to as “synaptic weights”. The weights convey the strength of connections and other attributes of transmission of signals."<br>参见[0102] "...the strength of connections in the apparatus of FIG. 5 are pre-programmed to achieve the desired functionality. In another variant, the delays and/or the connection strength are learned via experience using activity-dependent plasticity..."<br>参见[0104] "In yet another variant, the delay lines 515, 525, 535 employ variable delays that are adaptively adjusted at run time..." | 对比文件公开了在传输通道（延迟线）上分配“权重”（synaptic weights），这些权重决定了信号传输的强度。应用这些权重会影响脉冲的传输和整合过程，从而影响检测器节点的状态，这相当于获得了“中间值”。虽然对比文件没有明确使用“偏置权重”一词，但“权重”的概念已经涵盖了“连接权重”，并且本领域技术人员可以理解，为了实现特定的检测功能，可能需要对输入施加一个固定的偏移（即偏置）。因此，对比文件隐含公开了将权重应用于输入事件以获得中间值的技术特征。 |
| **技术特征C**：至少部分地基于所述中间值来确定节点状态<br>**《直接公开》** | [0082] "The detector unit 210 uses the received input pulses to decode information about the stimulus objects by acting as a coincidence detector. For example the detector node 210, initially in a zero (FALSE) state, transitions to a ‘TRUE’ state and generates a pulse output if the received pulses are coincident..."<br>参见[0099] "Higher-level detectors 510, 520, 530 (depicted by circles) are configured to receive pulses as input, and to generate output pulses based on their dynamic structure. In one variant, the detectors 510, 520, 530 are configured as coincidence detectors. In another variant, the detectors 510, 520, 530 are configured as integrate-and-fire units ... wherein the detectors 510, 520, 530 are configured to integrate incoming pulses over certain time window and to produce (‘fire’) a response once a predetermined threshold is reached." | 对比文件中的检测器节点（如210、310、410、510等）接收经过加权和延迟的输入脉冲（即中间值），并根据这些输入是否同时到达（coincidence detection）或积分是否超过阈值（integrate-and-fire）来确定自身的状态（例如，从FALSE变为TRUE，或决定是否发放脉冲）。这直接对应于目标专利中“基于中间值来确定节点状态”。两者作用相同，都是根据处理后的输入信息更新节点的内部状态。因此，该技术特征被直接公开。 |
| **技术特征D**：以及至少部分地基于所述节点状态来计算表示后验概率的输出事件率以根据随机点过程来生成输出事件，其中所述输出事件是给定空间中的对象的具体位置<br>**《未公开》** | [0082] "...generates a pulse output if the received pulses are coincident..."<br>[0085] "...the object detector 210 generates an output signal 261 (here, a pulse corresponding to ‘one’)..."<br>[0100] "Pulses propagate to the object feature detectors with appropriate conduction delays, so that the object detectors encode the objects in the sensing field into a pattern of relative pulse latencies, and the parameters of the object affect the time of the appearance of the pattern of relative pulse latencies; i.e., as the group lag." | 对比文件公开了检测器节点在特定条件下（如同步）会生成一个输出脉冲。然而，该输出脉冲是一个确定性的、离散的事件，用于表示“检测到对象”，而非目标专利中强调的“表示后验概率的输出事件率”。目标专利的输出事件率是一个连续的强度函数，用于根据随机点过程（如泊松过程）生成输出事件，这体现了贝叶斯推断中后验概率的随机采样特性。对比文件没有公开这种基于概率率的随机生成机制。此外，对比文件的输出脉冲可以编码对象参数（如位置、大小），但并未明确限定“输出事件是给定空间中的对象的具体位置”。因此，该技术特征既未被直接公开，也未被隐含公开。 |
| **技术特征E**：其中所述方法进一步包括：供应所述输出事件作为反馈以提供附加的输入事件<br>**《未公开》** | （无对应内容） | 对比文件描述了前馈的多层处理架构（如图5），其中脉冲从低级特征检测器流向高级对象检测器。整个说明书中均未提及将任何检测器节点的输出事件作为反馈信号，重新提供给它自身或前级节点作为附加的输入事件。这与目标专利中用于实现隐马尔可夫模型（HMM）等时序模型的反馈机制有本质区别。因此，该技术特征未被公开。 |
| **技术特征F**：将第二组连接权重应用于所述附加的输入事件以获得第二组中间值<br>**《未公开》** | （无对应内容） | 由于技术特征E（反馈提供附加输入事件）未被对比文件公开，因此不存在“附加的输入事件”，自然也就不存在将“第二组连接权重”应用于其上以获得“第二组中间值”的技术方案。该技术特征未被公开。 |
| **技术特征G**：以及至少部分地基于所述节点状态和所述第二组中间值来计算至少一个隐藏节点状态。<br>**《未公开》** | （无对应内容） | 对比文件中的节点状态都是基于当前的前馈输入确定的，没有涉及基于当前节点状态和来自反馈路径的输入（第二组中间值）来计算“隐藏节点状态”的概念。目标专利中的“隐藏节点状态”特指在隐马尔可夫模型等模型中推断的隐藏变量状态。该技术特征未被公开。 |
| **技术特征H**：其特征在于，进一步包括对所述输入事件进行滤波以将所述输入事件转换成脉冲。<br>**《隐含公开》** | [0070] "The visual signal is transformed (encoded) into a group of pulses (e.g., pulses 121-124 in FIG. 1)..."<br>[0072] "The input signal may be for example an image received from an image sensor ... camera ..."<br>[0080] "Each edge detector 200 is configured to detect a change in a certain property of the input signal (e.g., intensity), with respect to a preceding detector, and to produce an output signal when the change exceeds a predetermined threshold." | 对比文件的核心就是将输入的视觉信号（如图像）编码（转换）成脉冲模式。例如，边缘检测器200检测输入信号的变化并产生输出脉冲。这个“检测变化并产生脉冲”的过程，本质上可以看作是一种对原始输入事件（图像数据）的“滤波”操作，将其转换为离散的脉冲事件。虽然对比文件没有明确使用“滤波”一词，但本领域技术人员能够理解，信号到脉冲的转换是此类脉冲编码系统的必要前置步骤。因此，该技术特征被对比文件隐含公开。 |
| **技术特征I**：其特征在于，所述输入事件对应于来自输入分布的样本。<br>**《未公开》** | （无对应内容） | 对比文件描述的是处理来自相机的具体图像信号，或检测其中的特定特征（如边缘）。它没有从统计或概率的角度将输入事件描述为来自某个“输入分布”的随机样本。目标专利中“来自输入分布的样本”体现了其贝叶斯建模的随机性基础，这与对比文件确定性的信号处理框架不同。该技术特征未被公开。 |
| **技术特征J**：其特征在于，所述偏置权重对应于先验概率，并且所述连接权重表示对数似然性。<br>**《未公开》** | [0101] "In another embodiment (not shown), the delay lines are assigned weights, also referred to as “synaptic weights”." | 对比文件虽然提到了“权重”（weights），但这些权重被描述为用于调整连接强度或传输延迟以实现特定检测功能（如位置、大小不变性）的参数。它们没有被赋予任何概率解释，既没有对应于“先验概率”，也没有表示为“对数似然性”。目标专利中权重与概率模型的明确关联是其实现贝叶斯推断的核心。该技术特征未被公开。 |
| **技术特征K**：其特征在于，所述节点状态是归一化的。<br>**《未公开》** | （无对应内容） | 对比文件中的节点状态（如是否触发）是绝对的，取决于输入脉冲是否满足同步或积分阈值条件，没有提及任何对节点状态进行归一化（例如，赢者通吃或软赢者通吃）的操作或过程。该技术特征未被公开。 |
| **技术特征L**：其特征在于，所述计算节点包括神经元。<br>**《直接公开》** | [0099] "In still another variant, the detectors are configured using mathematical equations to describe dynamics of neurons (Izhikevich 2007), e.g., Hodgkin-Huxley-type neurons, quadratic integrate-and-fire neurons."<br>参见[0070] "It is known in the field of neuroscience that neurons generate action potentials, often called “spikes”, “impulses”, or “pulses” and transmit them to other neurons."<br>参见[0082] "It will be appreciated by these skilled in the art that the above coincident detector can be implemented using many existing neuronal models, e.g., the integrate-and-fire model, Hodgkin-Huxley model, FitzHugh-Nagumo model, or quadratic integrate-and-fire model, as well as others." | 对比文件多次明确提到检测器节点可以使用各种神经元模型（如积分放电模型、Hodgkin-Huxley模型等）来实现，并将脉冲与神经元的动作电位相类比。因此，对比文件中的“计算节点”（即各种检测器）明确包括了“神经元”这一实现方式。该技术特征被直接公开。 |
| **技术特征M**：其特征在于，所述输入事件包括尖峰序列，并且所述输出事件率包括激发率。<br>**《直接公开》** | [0070] "It is known in the field of neuroscience that neurons generate action potentials, often called “spikes”, “impulses”, or “pulses”..."<br>[0053] "As used herein, the terms “pulse”, “spike”, “burst of spikes”, and “pulse train” are meant generally to refer to, without limitation, any type of a pulsed signal..."<br>[0099] "...configured to integrate incoming pulses over certain time window and to produce (‘fire’) a response once a predetermined threshold is reached." | 对比文件通篇使用“spike”（尖峰）、“pulse”（脉冲）、“pulse train”（脉冲序列）来描述输入和输出信号。此外，在描述积分放电模型时，提到了在达到阈值时“发放”（fire）响应，这隐含了“激发率”（firing rate）的概念，因为发放的频率或概率就是激发率。因此，对比文件直接公开了输入事件包括尖峰序列，且其系统运作方式涉及神经元的激发率。该技术特征被直接公开。 |
| **技术特征N**：其特征在于，所述点过程包括定义所述输出事件率的强度函数。<br>**《未公开》** | （无对应内容） | 对比文件没有提及“点过程”（point process）这一数学概念，也没有描述使用一个强度函数（intensity function）来定义输出事件率。其输出事件的生成是确定性的（如同步检测）或基于固定阈值的，而非由时变的强度函数控制的随机过程。该技术特征未被公开。 |
| **技术特征O**：其特征在于，所述计算是在时间基础上执行的。<br>**《直接公开》** | [0072] "pulse latency is referenced with respect to an appearance of the respective input frame"<br>[0073] "Pulse group latency is further defined as a latency of the first pulse within the pulse code group"<br>全篇基于脉冲的定时（latency）进行编码和解码。 | 对比文件的整个编码和识别机制都严重依赖于时间信息，例如脉冲的绝对延迟、相对延迟、群延迟等。处理过程与时间基准（如输入帧的出现）紧密相关。这明确属于“在时间基础上执行”计算。该技术特征被直接公开。 |
| **技术特征P**：其特征在于，所述计算是在事件基础上执行的。<br>**《直接公开》** | [0082] "The detector unit 210 uses the received input pulses to decode information ... by acting as a coincidence detector. ... transitions to a ‘TRUE’ state and generates a pulse output if the received pulses are coincident..."<br>[0099] "...configured to integrate incoming pulses over certain time window and to produce (‘fire’) a response once a predetermined threshold is reached." | 对比文件中的检测器节点（如同步检测器、积分放电单元）的操作是由输入脉冲（事件）的到来触发的。节点的状态更新和输出生成发生在输入事件到达时，而不是在固定的时间步长上。这体现了“在事件基础上执行”计算的特点。该技术特征被直接公开。 |
| **技术特征Q**：其特征在于，所述确定包括对所述中间值进行加总以形成所述节点状态。<br>**《直接公开》** | [0099] "In another variant, the detectors 510, 520, 530 are configured as integrate-and-fire units ... wherein the detectors 510, 520, 530 are configured to integrate incoming pulses over certain time window..." | 对比文件明确公开了使用“积分放电”（integrate-and-fire）单元作为检测器。积分的过程就是对输入的电流或脉冲（即中间值）进行加总（求和）。当加总的结果超过阈值时，就确定了节点的输出状态（发放脉冲）。这直接对应于目标专利中“对中间值进行加总以形成节点状态”。因此，该技术特征被直接公开。 |
| **技术特征R**：其特征在于，所述输入事件基于所定义的空间中的三维(3D)对象的二维(2D)表示，并且所述输出事件对应于所述所定义的空间中的所述3D对象的第三坐标。<br>**《未公开》** | [0139] "In another implementation, portions of the object recognition system are embodied in a remote server configured to perform pattern recognition in data streams for various applications, such as ... geophysical exploration..."<br>（可能隐含从2D图像推断3D信息，但未明确说明） | 对比文件主要处理二维图像（或一维信号）中的对象识别，并实现对该对象在二维平面上的位置、大小、旋转等参数的不变识别。虽然其应用领域可能包括从2D数据推断3D信息（如地球物理勘探），但说明书本身没有明确描述“输入事件基于3D对象的2D表示”以及“输出事件对应于3D对象的第三坐标”这一特定技术方案。该技术特征未被公开。 |
| **技术特征S**：其特征在于，所述输入事件是从至少一个传感器供应的。<br>**《直接公开》** | [0072] "The input signal may be for example an image received from an image sensor (such as a charge-coupled device (CCD) or a complementary metal-oxide-semiconductor (CMOS) active pixel) camera..."<br>参见[0066] "Embodiments of the invention may also be used for processing of signals of other, often non-visual modalities..." | 对比文件明确公开了输入信号来自图像传感器（如相机），也提到了可以处理其他模态传感器的信号。这直接对应于“输入事件是从至少一个传感器供应的”。该技术特征被直接公开。 |
| **技术特征T**：其特征在于，所述至少一个传感器是地址事件表示相机。<br>**《隐含公开》** | [0066] "Embodiments of the invention may also be used for processing of signals of other, often non-visual modalities..."<br>结合本领域公知常识，AER相机是一种输出事件流（尖峰）的传感器，常用于神经形态工程。 | 对比文件虽然未明确提及“地址事件表示（AER）相机”这一具体术语，但其整个系统处理的是脉冲（事件）流，并且提到了处理来自各种传感器（包括视觉）的信号。本领域技术人员知道，为了与这种基于脉冲的处理系统直接对接，使用AER相机作为视觉传感器是一种常见且合理的选择。因此，可以合理地推断对比文件隐含了使用AER相机作为传感器之一的可能性。该技术特征被隐含公开。 |
| **技术特征U**：其特征在于，进一步包括对所述附加的输入事件进行滤波，以使得所述附加的输入事件是经时延的。<br>**《未公开》** | （无对应内容） | 由于技术特征E（反馈提供附加输入事件）未被对比文件公开，因此不存在对“附加的输入事件”进行滤波并使其时延的技术方案。该技术特征未被公开。 |
| **技术特征V**：其特征在于，所述连接权重包括发射概率，并且所述第二组连接权重包括转移概率。<br>**《未公开》** | （无对应内容） | 对比文件中的权重用于调整连接强度以实现特征检测的不变性，没有与概率模型中的“发射概率”或“转移概率”建立任何关联。目标专利中权重与特定概率的对应关系是其实现贝叶斯网络（特别是HMM）推断的关键。该技术特征未被公开。 |
<<<A>>><<<C>>><<<L>>><<<M>>><<<O>>><<<P>>><<<Q>>><<<S>>>
<<<b>>><<<h>>><<<t>>>