发明创造名称：基于视觉显著性约束深度置信网络的遥感图像检测方法
外观设计名称：
决定号：201202
决定日：2020-01-15
委内编号：1F275154
优先权日：
申请（专利）号：201710211411.9
申请日：2017-03-31
复审请求人：中国科学院电子学研究所
无效请求人：
授权公告日：
审定公告日：
专利权人：
主审员：丁文勍
合议组组长：林芳
参审员：赵昕
国际分类号：G06K9/00,G06K9/32,G06K9/62,G06N3/08
外观设计分类号：
法律依据：专利法第22条第3款
决定要点
：如果权利要求请求保护的技术方案与作为最接近现有技术的对比文件相比存在区别技术特征，该区别技术特征属于本领域的公知常识，则该权利要求请求保护的技术方案相对于上述对比文件与本领域的公知常识的结合是显而易见的，该权利要求不具备创造性。
全文：
本复审请求涉及申请号为201710211411.9，发明名称为“基于视觉显著性约束深度置信网络的遥感图像检测方法”的发明专利申请（下称本申请）。本申请的申请人为中国科学院电子学研究所，申请日为2017年03月31日，公开日为2017年07月28日。
经实质审查，国家知识产权局实质审查部门于2018年11月20日发出驳回决定，以权利要求1-4不具备专利法第22条第3款规定的创造性为由驳回了本申请，驳回决定所依据的文本为：申请日2017年03月31日提交的说明书第1-7页、说明书附图第1-2页、说明书摘要及摘要附图；2018年10月31日提交的权利要求第1-4项。
驳回决定的具体理由是：1、权利要求1与对比文件1（“Efficient Saliency-Based Object Detection in Remote Sensing Images Using Deep Belief Networks”，Wenhui Diao 等，IEEE Geoscience and Remote Sensing Letters，第2期第13卷，公开日为：2016年02月29日）的区别在于：计算pc'与pc的距离计算方式是欧式距离；xij=i，yij=j。上述区别技术特征是本领域技术人员常用的技术手段。2、从属权利要求2-4的附加技术特征均被对比文件1公开。因此，权利要求1-4不具备创造性。
驳回决定所针对的权利要求书的内容如下：
“1. 一种基于视觉显著性约束深度置信网络的遥感图像检测方法，所述检测方法的整个目标检测过程分为模型训练与待测图像检测两个主要过程；预训练完成后，先在深度置信网络最上层添加一个监督层，并利用反向传播算法对深度置信网络进行参数微调，得到一个用于分类检测的深度置信网络模型；在目标检测阶段，首先利用基于视觉显著性的图像目标粗定位方法对待测图像中的目标进行定位并产生一定数量的候选待检测窗口，然后利用以上训练得到的深度置信网络模型进行分类并产生最终的检测结果；其特征在于，包括以下步骤：
S1：利用基于视觉显著性的图像目标粗定位方法对待测图像中的目标进行定位并产生候选待检测窗口；
S2：利用模型训练获得深度置信网络模型；所述深度置信网络模型为一个6层深度置信网络，包括一个可视层、一个监督层和四个隐藏层，每层节点数量为2592、300、100、100、300、2，可视层包含2592个用来输入原始图像和显著性图像的输入节点，训练时首先将图像尺寸缩放为36像素×36像素，36×36×2＝2592，每个限制玻尔兹曼机的可视层数据均为0到1之间的实数，同时前一层限制玻尔兹曼机的激活概率值作为后一层限制玻尔兹曼机的可视层输入；
S3：利用步骤S2获得的深度置信网络模型对候选待检测窗口内的图像进行分类并产生最终的检测结果；在步骤S1中，基于视觉显著性的图像目标粗定位方法具体包括以下步骤：
S11：通过赋范梯度算法获得与原始图像尺寸相同的显著性图像；
S12：在所述显著性图像上设置初始的搜索窗口；
S13：利用迭代优化算法对搜索窗口的位置进行优化调整；
S14：对重叠的多个搜索窗口进行融合，从而得到候选待检测窗口；
在步骤S13中，所述迭代优化算法具体步骤如下：
A、输入待测图像的显著性图像M，互不重叠并紧密排列覆盖整个图像的初始的搜索窗口Wp及其中心点位置pc，迭代停止步长δ；并令：pc＝(xc,yc)；
B、计算显著性图像M在初始的搜索窗口Wp的像素值重心坐标(xc',yc')；
C、计算pc'＝(xc',yc')与pc的欧氏距离d；
D、判断d与δ的大小关系并进行以下操作：如果d>δ，则将pc'＝(xc',yc')作为搜索窗口新的中心点，并回到步骤B继续迭代，如果d<>
E、输出最终的搜索窗口Wo；
所述遥感图像目标快速检测方法的整个目标检测过程分为模型训练与待测图像检测；所述模型训练过程包括限制玻尔兹曼机非监督预训练和多层神经网络的参数微调训练；
所述像素值重心坐标的计算公式如下：
其中，Sij表示显著性图像中坐标为(i,j)处的像素值，xij和yij分别为横坐标和纵坐标的权重系数，h为显著性图像的长度，w为显著性图像的宽度；
δ＝2，xij＝i，yij＝j；
在步骤S2中，模型训练包括限制玻尔兹曼机非监督预训练和多层神经网络的参数微调训练；
在限制玻尔兹曼机非监督预训练中，
首先利用基于分块策略的训练方法分别训练N个限制玻尔兹曼机，并将原始图像和显著性图像作为训练数据；
然后将N个限制玻尔兹曼机进行融合，并将融合后的限制玻尔兹曼机作为深度置信网络的第一层去训练下面的限制玻尔兹曼机；其中N≥2；
在预训练之前，首先将36像素×36像素大小的训练图像进行分块，然后随机初始化50个相互独立的限制玻尔兹曼机，每一个限制玻尔兹曼机用其中一组子图像集进行训练，当这些限制玻尔兹曼机训练完成之后，它们的参数将被合并，去初始化一个更大的限制玻尔兹曼机，50个限制玻尔兹曼机SRBM的隐藏层节点数设置为6个，合并之后的限制玻尔兹曼机BRBM拥有300个隐藏层节点；参数合并时，用第一个SRBM的权值初始化BRBM的前6个隐藏层节点所连接的权值，第二个SRBM的权值初始化BRBM另外6个隐藏层节点所连接的权值，并以此类推，然而，限制玻尔兹曼机两层节点是互相全连接的，因此BRBM中还有很多未被初始化的连接权值，这些权值将被初始化为0；同理，BRBM参数中的偏置项将用SRBM中的偏置项合并初始化；以上分块训练完成后，BRBM将利用完整的训练图像进行合并训练，直到网络参数最终收敛。
2. 根据权利要求1所述的遥感图像检测方法，其特征在于，在步骤S11中，进行显著性计算时，采用赋范梯度算法。
3. 根据权利要求1所述的遥感图像检测方法，其特征在于，在多层神经网络的参数微调训练中，
首先在深度置信网络最上层添加一个监督层；
然后利用反向传播算法对深度置信网络进行参数微调。
4. 根据权利要求1所述的遥感图像检测方法，其特征在于，深度置信网络模型为6层深度置信网络。”
申请人（下称复审请求人）对上述驳回决定不服，于2019年02月28日向国家知识产权局提出了复审请求，但未修改申请文件。复审请求人认为：1、关于“在参数微调阶段，反向传播算法被用来进行参数微调指导整个网络达到收敛（参见第139页C. Object Detection部分，相当于预训练完成后，先在深度置信网络最上层添加一个监督层，并利用反向传播算法对深度置信网络进行参数微调，得到一个用于分类检测的深度置信网络模型）”认定的括号内外用相当表征不当，因为没有证据说明“反向传播算法被用来进行参数微调指导整个网络达到收敛”与“得到一个用于分类检测的深度置信网络模型”两者可用相当表征。2、关于“目标定位首先根据原始图像生成相对应的视觉显著性图像，需要强调的是采用赋范梯度用于计算显著性图像生成（相当于在步骤S1中，基于视觉显著性的图像目标粗定位方法具体包括以下步骤）”的认定中，括号外的技术特征得不出“基于视觉显著性的图像目标粗定位方法”。3、关于“迭代移动窗口以及计算几何中心位置（参见图3和算法I，相当于S13：利用迭代优化算法对搜索窗口的位置进行优化调整）”该认定中，没有证据说明“迭代移动窗口以及计算几何中心位置”必然可以得到“利用迭代优化算法对搜索窗口的位置进行优化调整”的结论。4、关于“包含相同目标的重叠窗口会被融合成一个窗口，通过这种方法窗口的数量将会显著减少并且目标定位的精度也会提升；算法最终输出目标定位的窗口Wo（参见图3和算法I，相当于S14：对重叠的多个搜索窗口进行融合，从而得到候选待检测窗口）”的认定中，没有证据说明“算法最终输出目标定位的窗口Wo”即为“候选待检测窗口”。5、关于“从图2可看出训练限制玻尔兹曼机时原始图像和显著性图像均作为训练数据（参见第138-139页第II部分、图2-5，相当于在限制玻尔兹曼机非监督预训练中，首先利用基于分块策略的训练方法分别训练N个限制玻尔兹曼机，并将原始图像和显著性图像作为训练数据；然后将N个限制玻尔兹曼机进行融合，并将融合后的限制玻尔兹曼机作为深度置信网络的第一层去训练下面的限制玻尔兹曼机；其中N≥2）”的认定中，并未具体指出“从图2可看出训练限制玻尔兹曼机时原始图像和显著性图像均作为训练数据”何以可以得到“首先利用基于分块策略的训练方法分别训练N个限制玻尔兹曼机，并将原始图像和显著性图像作为训练数据；然后将N个限制玻尔兹曼机进行融合，并将融合后的限制玻尔兹曼机作为深度置信网络的第一层去训练下面的限制玻尔兹曼机；其中N≥2）”的具体事实所在。综上，本申请具备创造性。
经形式审查合格，国家知识产权局于2019年03月05日依法受理了该复审请求，并将其转送至实质审查部门进行前置审查。
实质审查部门在前置审查意见书中坚持驳回决定。
随后，国家知识产权局成立合议组对本案进行审理。
合议组于2019年08月20日向复审请求人发出复审通知书，指出：权利要求1-4相对于对比文件1和本领域公知常识的结合不具备专利法第22条第3款规定的创造性。对于复审请求人的意见，合议组认为：1、对比文件1第139页，第II部分C. Object Detection中已经记载了，“在非监督预训练后，在DBN最上层添加一个监督层以用于构建分类器；在参数微调阶段，使用反向传播算法对整个网络进行参数微调直至收敛”，其中DBN即为被用于进行分类检测深度置信网络。因此，对比文件1已经公开了“预训练完成后，先在深度置信网络最上层添加一个监督层，并利用反向传播算法对深度置信网络进行参数微调，得到一个用于分类检测的深度置信网络模型”。2、对比文件1第138页，第II部分A. Coarse Object Locating中已经记载了，“该目标粗定位方法首先生成对应于待检测图像的显著性图像，需要强调的是利用赋范梯度算法生成该显著性图像”，“在检测阶段，提出了基于视觉显著性机制的目标粗定位方法，通过目标粗定位方法对待测图像进行处理，以产生少量的候选待检测窗口”，可见，对比文件1已经公开了“基于视觉显著性的图像目标粗定位方法”。3、对比文件1第138页，第II部分A. Coarse Object Locating中已经记载了，通过算法I的迭代优化定位方法，可以将包含部分目标的窗口移动至适当的位置。其中该迭代的过程是对参数进行优化调整的过程，可见，对比文件1已经公开了“利用迭代优化算法对搜索窗口的位置进行优化调整”。4、对比文件1第138页，第II部分A. Coarse Object Locating中已经记载了，在确定了包括了相同目标的多个重叠窗口后，包含了相同目标的重叠窗口将被融合为一个窗口。可见，对比文件1已经公开了“对重叠的多个搜索窗口进行融合，从而得到候选待检测窗口”。5、对比文件1的摘要部分和第138页的第II部分B. Feature Learning中均记载了，利用基于分块策略的训练方法分别训练多个限制玻尔兹曼机，并将原始图像和显著性图像作为训练数据，并在第II部分B. Feature Learning中记载了，该分块的限制玻尔兹曼机预训练的方法结合了原始图像和其相应的显著性图像作为输入，首先将两张36像素×36像素大小的训练图像分成50个9像素×9像素的块，50个相互独立的限制玻尔兹曼机用这些子图像集进行训练，随后这些限制玻尔兹曼机被合并以用于训练一个新的具有300个（50×6）隐藏层节点的大限制玻尔兹曼机BRBM。可见，对比文件1已经公开了“首先利用基于分块策略的训练方法分别训练N个限制玻尔兹曼机，并将原始图像和显著性图像作为训练数据；然后将N个限制玻尔兹曼机进行融合，并将融合后的限制玻尔兹曼机作为深度置信网络的第一层去训练下面的限制玻尔兹曼机；其中N≥2”。综上，对于复审请求人的意见，合议组不予支持。
复审请求人于2019年09月16日提交了意见陈述书，但未修改申请文件。复审请求人认为：对比文件1没有公开步骤S13中的迭代优化算法的具体步骤以及步骤2中关于模型训练的具体步骤。并且，本申请可以获得较为稳定的目标分割结果，在快速搜索的过程中保证目标的定位精度，提高检测时的目标定位速度和精度，提高模型的泛化能力和检测的准确率。因此，本申请具备创造性。
在上述程序的基础上，合议组认为本案事实已经清楚，可以依法作出审查决定。
二、决定的理由
审查文本的认定
复审请求人在答复复审通知书时未对申请文件进行修改。本复审请求审查决定所依据的文本与驳回决定、复审通知书所针对的文本相同，即：申请日2017年03月31日提交的说明书第1-7页、说明书附图第1-2页、说明书摘要及摘要附图；2018年10月31日提交的权利要求第1-4项。
专利法第22条第3款
专利法第22条第3款规定：创造性，是指与现有技术相比，该发明具有突出的实质性特点和显著的进步，该实用新型具有实质性特点和进步。
如果权利要求请求保护的技术方案与作为最接近现有技术的对比文件相比存在区别技术特征，该区别技术特征属于本领域的公知常识，则该权利要求请求保护的技术方案相对于上述对比文件与本领域的公知常识的结合是显而易见的，该权利要求不具备创造性。
本复审请求审查决定所引用的对比文件与驳回决定和复审通知书所引用的对比文件相同，即：
对比文件1：“Efficient Saliency-Based Object Detection in Remote Sensing Images Using Deep Belief Networks”，Wenhui Diao 等，IEEE Geoscience and Remote Sensing Letters，第2期第13卷，公开日为：2016年02月29日。
2.1、权利要求1请求保护一种基于视觉显著性约束深度置信网络的遥感图像检测方法。对比文件1公开了一种基于视觉显著性约束深度置信网络的遥感图像检测方法，并具体公开了如下技术内容（参见第137-139页摘要、第II部分和图2-3）：
该方法的整体框架包括训练阶段和检测阶段（参见第II部分第一段，相当于所述检测方法的整个目标检测过程分为模型训练与待测图像检测两个主要过程）。该训练阶段包括非监督特征学习和参数微调，利用不相交图像集作为训练集训练深度置信网络DBN，其中利用分层训练算法对限制玻尔兹曼机RBM的每一层进行预训练，其中使用非监督的分块预训练机制训练RBM的第一层，在非监督预训练后，在DBN最上层添加一个监督层以用于构建分类器；在参数微调阶段，使用反向传播算法对整个网络进行参数微调直至收敛（参见第II部分C. Object Detection，相当于预训练完成后，先在深度置信网络最上层添加一个监督层，并利用反向传播算法对深度置信网络进行参数微调，得到一个用于分类检测的深度置信网络模型；以及，S2：利用模型训练获得深度置信网络模型；在步骤S2中，模型训练包括限制玻尔兹曼机非监督预训练和多层神经网络的参数微调训练）；在检测阶段，提出了基于视觉显著性机制的目标粗定位方法，通过目标粗定位方法对待测图像进行处理，以产生少量的候选待检测窗口（参见第II部分A. Coarse Object Locating，相当于在目标检测阶段，首先利用基于视觉显著性的图像目标粗定位方法对待测图像中的目标进行定位并产生一定数量的候选待检测窗口，以及，S1：利用基于视觉显著性的图像目标粗定位方法对待测图像中的目标进行定位并产生候选待检测窗口）；最后，由DBN对该些子图像进行分类并产生检测结果（参见第II部分C. Object Detection，图2，相当于利用以上训练得到的深度置信网络模型进行分类并产生最终的检测结果）。
第II部分A. Coarse Object Locating，该目标粗定位方法首先生成对应于待检测图像的显著性图像，需要强调的是利用赋范梯度算法生成该显著性图像（相当于S11：通过赋范梯度算法获得与原始图像尺寸相同的显著性图像）；之后，在显著性图像上非重叠地设置多个初始的窗口（相当于S12：在所述显著性图像上设置初始的搜索窗口）。通常，卫星图像上的目标都是非重叠的，因此，至少一个初始窗口会包含大部分目标。通过算法I的迭代优化定位方法，可以将包含部分目标的窗口移动至适当的位置（相当于S13：利用迭代优化算法对搜索窗口的位置进行优化调整）。该算法I具体为：
输入：待检测图像M，初始窗口Wp及其中心点位置pc，迭代停止步长δ；
初始化：pc＝(xc,yc)，δ＝2；
1）计算待检测图像对应的显著性图像S（相当于A、输入待测图像的显著性图像M，互不重叠并紧密排列覆盖整个图像的初始的搜索窗口Wp及其中心点位置pc，迭代停止步长δ；并令：pc＝(xc,yc)，δ＝2）；
2）利用WHILE循环迭代，具体包括：
2.1）计算显著性图像S在初始的搜索窗口Wp的像素值重心坐标pc' (xc',yc')（相当于B、计算显著性图像M在初始的搜索窗口Wp的像素值重心坐标(xc',yc')），
（上述公式是用于计算图像S上窗口的像素值重心坐标的，因此公式中的Sij必然为显著性图像中坐标为(i,j)处的像素值，xij和yij必然分别为横坐标和纵坐标的权重系数，h和w则必然为显著性图像的长度和宽度，即对比文件1实质上公开了权利要求1中的像素值重心坐标的计算公式及其所定义的参数含义）；
2.2）计算pc'＝(xc',yc')与pc的距离d；
判断d与δ的大小关系并进行以下操作：如果d>δ，则将pc'＝(xc',yc')作为搜索窗口新的中心点，并回到步骤2.1）继续迭代，如果d<δ，则终止迭代（相当于d、判断d与δ的大小关系并进行以下操作：如果d>δ，则将pc'＝(xc',yc')作为搜索窗口新的中心点，并回到步骤B继续迭代，如果d<>
输出：最终的搜索窗口Wo（相当于E、输出最终的搜索窗口Wo）。
在确定了包括了相同目标的多个重叠窗口后，包含了相同目标的重叠窗口将被融合为一个窗口（相当于S14：对重叠的多个搜索窗口进行融合，从而得到候选待检测窗口）。
第II部分B. Feature Learning，在特征训练阶段，利用不相交图像集作为训练集训练深度置信网络DBN，在训练前该些图像被标准化为36×36；我们的模型包括一个6层的深度置信网络DBN，每层节点的数量分别是2592、300、100、100、300、2，可视层包含2592个输入节点（原始图像和显著性图像，36×36×2＝2592），每一个RBM的可视节点的数据设置为实数，范围为[0，1]，在训练更高层RBM时，可视层输入被设置为前一层限制玻尔兹曼机的隐藏单元输出值（相当于所述深度置信网络模型为一个6层深度置信网络，包括一个可视层、一个监督层和四个隐藏层，每层节点数量为2592、300、100、100、300、2，可视层包含2592个用来输入原始图像和显著性图像的输入节点，训练时首先将图像尺寸缩放为36像素×36像素，36×36×2＝2592，每个限制玻尔兹曼机的可视层数据均为0到1之间的实数，同时前一层限制玻尔兹曼机的激活概率值作为后一层限制玻尔兹曼机的可视层输入）。
提出了分块的限制玻尔兹曼机预训练的方法，该方法结合了原始图像和其相应的显著性图像作为输入，首先将两张36像素×36像素大小的训练图像分成50个9像素×9像素的块，50个相互独立的限制玻尔兹曼机用这些子图像集进行训练，随后这些限制玻尔兹曼机被合并以用于训练一个新的具有300个（50×6）隐藏层节点的大限制玻尔兹曼机BRBM（相当于首先利用基于分块策略的训练方法分别训练N个限制玻尔兹曼机，并将原始图像和显著性图像作为训练数据；然后将N个限制玻尔兹曼机进行融合，并将融合后的限制玻尔兹曼机作为深度置信网络的第一层去训练下面的限制玻尔兹曼机；其中N≥2；在预训练之前，首先将36像素×36像素大小的训练图像进行分块，然后随机初始化50个相互独立的限制玻尔兹曼机，每一个限制玻尔兹曼机用其中一组子图像集进行训练，当这些限制玻尔兹曼机训练完成之后，它们的参数将被合并，去初始化一个更大的限制玻尔兹曼机，50个限制玻尔兹曼机SRBM的隐藏层节点数设置为6个，合并之后的限制玻尔兹曼机BRBM拥有300个隐藏层节点）；用块1训练的小限制玻尔兹曼机SRBM的权值初始化BRBM的前6个隐藏层节点的权值，用块2训练的SRBM的权值初始化BRBM的接下来6个隐藏层节点的权值，并以此类推，然而，BRBM中的每一个隐藏层节点都与36像素×36像素图像中的每个像素相连接，因此BRBM中还有很多未被初始化的权值，这些权值将被初始化为0；BRBM可视层节点的偏置项被初始化为SRBM中的偏置项的平均值（相当于参数合并时，用第一个SRBM的权值初始化BRBM的前6个隐藏层节点所连接的权值，第二个SRBM的权值初始化BRBM另外6个隐藏层节点所连接的权值，并以此类推，然而，限制玻尔兹曼机两层节点是互相全连接的，因此BRBM中还有很多未被初始化的连接权值，这些权值将被初始化为0；同理，BRBM参数中的偏置项将用SRBM中的偏置项合并初始化）。
最后，由DBN对该些子图像进行分类并产生检测结果（参见第II部分C. Object Detection，图2，相当于S3：利用步骤S2获得的深度置信网络模型对候选待检测窗口内的图像进行分类并产生最终的检测结果）。
权利要求1与对比文件1相比，其区别在于：计算pc'＝(xc',yc')与pc的欧氏距离d；xij=i，yij=j；分块训练完成后，BRBM将利用完整的训练图像进行合并训练，直到网络参数最终收敛。基于上述区别技术特征，该权利要求实际所要解决的技术问题是如何衡量两点的距离及如何初始化像素值重心坐标计算公式以及如何完成深度置信网络DBN的训练。
首先，由于欧式距离是数学计算中计算两点之间距离常用的方法，采用具体的欧式距离来衡量pc’与pc这两点之间的距离，以及为使算法能够迭代运行使得xij=i，yij=j，这是本领域技术人员常用的计算方式，属于本领域公知常识。其次，在对比文件1已公开的在训练阶段合并多个SRBM得到BRBM后，本领域技术人员容易想到继续利用完整的训练图像进行训练，直至网络参数最终收敛以获得训练完成的DBN。因此，权利要求1相对于对比文件1和本领域公知常识的结合不具有突出的实质性特点，不具备专利法第22条第3款规定的创造性。
2.2、权利要求2-4均引用权利要求1，其附加技术特征均被对比文件1公开了：该目标粗定位方法首先生成对应于待检测图像的显著性图像，需要强调的是利用赋范梯度算法生成该显著性图像（参见第II部分A. Coarse Object Locating，相当于在步骤S11中，进行显著性计算时，采用赋范梯度算法）；利用分层训练算法对限制玻尔兹曼机RBM的每一层进行预训练，其中使用非监督的分块预训练机制训练RBM的第一层，在非监督预训练后，在DBN最上层添加一个监督层以用于构建分类器；在参数微调阶段，使用反向传播算法对整个网络进行参数微调直至收敛（参见第II部分C. Object Detection，相当于在多层神经网络的参数微调训练中，首先在深度置信网络最上层添加一个监督层；然后利用反向传播算法对深度置信网络进行参数微调）；我们的模型包括一个6层的深度置信网络DBN（参见第II部分B. Feature Learning，相当于深度置信网络模型为6层深度置信网络）。因此，当其引用的权利要求1不具备创造性时，权利要求2-4也不具备专利法第22条第3款规定的创造性。
对复审请求人相关意见的答复
对于复审请求人答复复审通知书所陈述的意见，合议组认为：首先，复审请求人所认定的区别，均已被对比文件1公开，具体参见上述对权利要求1评述，此处不予赘述。其次，对比文件1同样采用了不重叠的窗口初始化搜索方法，利用图像显著性标注结果，通过迭代优化的方法进行目标定位，并利用深度置信网络进行目标的特征提取和分类，因而其实质上同样可以达到复审请求人所声称的技术效果。
综上，对于复审请求人的意见，合议组不予支持。
基于上述事实和理由，合议组作出如下审查决定。
三、决定
维持国家知识产权局于2018年11月20日对本申请作出的驳回决定。
如对本复审请求审查决定不服，根据专利法第41条第2款的规定，复审请求人可以自收到本复审请求审查决定之日起三个月内向北京知识产权法院起诉。
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。
