本次评估使用的对比文件为：**2010-05-20_US2010124378A_发明申请_US20100124378A1 METHOD FOR EVENT-BASED SEMANTIC CLASSIFICATION**，目标专利为：**CN112740715B - 一种用于人工智能的装置和方法**，本次调用模型名称：**PatentEvaluationModel**。
---
### 特征比对表格
| 技术特征描述及公开性判断 | 对比文件原文引用 | 公开性论述 |
| **A**：包括：接收采用容器文件格式的视觉数据 <br> **未公开** | 对比文件整体涉及对数字图像集合的处理（参见[0021]：“a user's digital image collection 105”），但未提及任何具体的容器文件格式（如ISOBMFF、HEIF等），也未描述接收或解析容器文件格式的步骤。 | 对比文件仅泛泛提及数字图像集合，未限定或暗示图像以“容器文件格式”（如ISO基本媒体文件格式）存在。本领域技术人员无法从对比文件中毫无疑义地得出接收采用容器文件格式的视觉数据这一技术特征，也未隐含任何相关教导。 |
| **B**：通过使用多个基于人工智能的处理算法的多个过程来处理所述视觉数据以检测一个或多个内容元素 <br> **隐含公开** | [0024] “algorithms for detecting content-based features are applied to each image in the collection using the content-based feature detectors 112. Content-based features refer to features that are computed from image pixels … includes low-level features such as color and texture, and higher level features such as detection of faces or other objects. … Detection of a number of semantic classes (such as water, grass, snow, mountain, or buildings …) using supervised learning has been described … In addition, methods for detecting human faces are well known in the art …” <br> [0004] （背景）提到 “neural networks are used to classify some of the regions using semantic terms such as ‘sky’ and ‘skin’.” | 对比文件明确使用了多个内容特征检测器（如人脸检测、语义类检测等）来处理图像，这些检测器独立运行且各自检测不同的内容元素（人、水、天空等）。其中，人脸检测、监督学习语义分类等方法通常属于人工智能/机器学习范畴。虽然对比文件未明确将这些检测器统称为“基于人工智能的处理算法的多个过程”，但本领域技术人员基于其描述（使用多个基于学习的检测算法）可以合理推断出：处理视觉数据以检测内容元素是通过多个AI算法过程实现的。因此，该特征被**隐含公开**。 |
| **C**：存储所检测到的一个或多个内容元素和关于用于检测所述一个或多个内容元素的所述多个基于人工智能的处理算法的多个过程的信息，作为元数据 <br> **未公开** | 对比文件最终输出为事件标签（event label 122），用于分类（参见[0027]），但并未教导将检测到的具体内容元素（如人脸位置、天空区域）以及关于检测过程的信息（如使用了哪个AI模型）作为元数据进行存储。 | 对比文件的方法重点在于分类，而非元数据的结构化存储。没有段落提及将检测结果及过程信息保存为与视觉数据关联的元数据。因此，该特征未被公开。 |
| **D**：通过使用第一指示和第二指示来指示所述多个基于人工智能的处理算法的多个过程之间的依赖关系 <br> **未公开** | 对比文件使用贝叶斯网络（BBN）建模特征与事件标签的概率依赖（图3、图4），但未使用“第一指示”和“第二指示”（如项引用类型的引用机制）来显式指示AI过程之间的输入/输出依赖关系。 | 对比文件中的依赖关系是通过概率图模型隐式表达的，并非通过专门的指示符（如‘vai’项引用）来明确指示过程间的依赖。该特征在对比文件中无任何直接或隐含记载。 |
| **E**：其中，所述第一指示表示包含人工智能有效载荷的人工智能项 <br> **未公开** | 对比文件无“人工智能项”或“AI有效载荷”的概念，也未定义此类指示。 | 对比文件未涉及项（item）结构或AI有效载荷的存储，本领域技术人员无法从中得出该特征。 |
| **F**：并且其中，所述第二指示表示被用作用于生成所述多个基于人工智能的处理算法的多个过程的结果的输入的项 <br> **未公开** | 同上，无相关记载。 | 对比文件未涉及表示过程输入的项或指示。该特征未被公开。 |
| **G**：将所述元数据包括到与所述视觉数据相关联的所述容器文件中 <br> **未公开** | 对比文件未提及容器文件格式，也未描述将元数据嵌入容器文件的操作。 | 对比文件始终未涉及容器文件（如HEIF）及元数据在其中的封装，因此该特征完全未被公开。 |
| **H**：其中，所述容器文件包括第一盒，所述第一盒包括关于基于人工智能的处理算法的元数据 <br> **未公开** | 无盒（box）结构的相关描述。 | 对比文件不涉及ISOBMFF或任何盒式文件格式，未公开任何盒。 |
| **I**：其中，所述容器文件包括第二盒，所述第二盒包括关于所述一个或多个内容元素的元数据 <br> **未公开** | 同上。 | 同上。 |
| **J**：其中，所述容器文件包括第三盒，所述第三盒包括关于多个基于人工智能的处理算法的过程的元数据 <br> **未公开** | 同上。 | 同上。 |
| **K**：其中，所述容器文件包括图像序列或视频，并且其中，所述容器文件包括用于包含所述元数据的媒体轨道的媒体样本定义 <br> **未公开** | 对比文件提及视频可作为关键帧图像组处理（[0020]），但未涉及容器文件中媒体轨道或样本定义。 | 对比文件未基于容器文件格式进行任何轨道或样本定义，该特征未被公开。 |
| **L**：其中，所述容器文件包括用于定义容器与包括所述容器文件中的信息的其他实体之间的关联的关系定义 <br> **未公开** | 无相关关系定义（如EntityToGroup或轨道引用）的记载。 | 对比文件未涉及容器内实体关联的定义机制。 |
| **M**：其中，所述视觉数据通过一个或多个神经网络或一个或多个基于非神经网络的算法来处理，以检测所述一个或多个内容元素 <br> **直接公开** | [0004] （背景）明确指出：“In addition to numerical measurements of visual properties, neural networks are used to classify some of the regions using semantic terms such as ‘sky’ and ‘skin’.” <br> [0024] 列举的内容特征检测方法亦包括监督学习等基于非神经网络的算法。 | 对比文件[0004]直接记载了使用神经网络对图像区域进行语义分类（如天空、皮肤），这属于通过神经网络处理视觉数据以检测内容元素。同时，[0024]中描述的多种检测方法涵盖了基于非神经网络的算法。因此，该特征被对比文件**直接公开**。 |
---
### 代码输出
<<<b>>><<<M>>>