非显而易见法律服务网

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：用第一预先训练的分类器来确定多个所存储图像的特征，《隐含公开》	第[0033]段：“The trained base classifiers 22 may, for example, include a plurality of multi-label classifiers...”；第[0036]段：“the m classifiers Cj , j=1, . . . , m generate corresponding outputs in the form of predicted label sets {tilde over (y)}j , j=1, . . . , m for each training object of the set of training objects 20.”；第[0031]段：“an object may be... an image... represented by a features vector...”。	对比文件明确公开了使用一组预先训练的基础分类器（Cj）对对象（包括图像）进行处理以生成预测标签集。生成预测标签集的过程必然涉及分类器基于输入对象的特征进行计算和判断。虽然对比文件没有明确写出“确定特征”这一步骤，但对于本领域技术人员而言，分类器对输入对象（如图像）进行处理并输出预测，这一过程隐含了分类器首先提取或确定了对象的特征（如图像的特征向量），并基于这些特征进行推理。因此，本领域技术人员能够从对比文件的内容中合理推断出“用预先训练的分类器来确定多个所存储图像的特征”这一技术特征。
技术特征B：所述多个所存储图像的特征不同于用于训练所述第一预先训练的分类器的多个训练图像，《隐含公开》	第[0033]段：“The training set 20 is suitably representative of labeling of objects with the set of labels Y.”；第[0036]段：“...generate corresponding outputs... for each training object of the set of training objects 20.”；第[0046]段：“When a new instance xIN 82 arrives for classification...”。	对比文件描述了使用训练集（20）来训练基础分类器（第[0056]段），并在训练后对新的实例（xIN）进行分类。训练集（20）中的对象是用于训练分类器的“训练图像”（或对象）。而后续被分类的“新实例”（xIN）或作为验证集的Ti中的对象（第[0060]段），其本质是“所存储图像”（或对象），并且它们不同于用于训练的训练集对象。由于分类器处理这些新对象时所依据的特征是从这些新对象本身提取的，因此这些特征必然不同于从训练图像中提取的特征。本领域技术人员可以合理推断出，应用于新数据时，所提取的特征与训练数据特征不同。
技术特征C：至少部分地基于所确定的特征来将所述多个所存储图像中的每一个图像指派给多个群集中的群集，《隐含公开》	第[0036]段：“the m classifiers Cj , j=1, . . . , m generate corresponding outputs in the form of predicted label sets {tilde over (y)}j , j=1, . . . , m for each training object...”；第[0046]段：“...the predictions by the trained base classifiers 76 are first calculated... which outputs the label set prediction ŷ 88”。	对比文件公开了分类器为每个输入对象（如图像）输出一个预测标签集（{tilde over (y)}j 或 ŷ）。将对象分配到一个或多个标签，这实质上就是一种基于对象特征（由分类器确定）将其“指派”到特定类别或“群集”的过程。虽然目标专利中使用了“分群集”这一术语，可能特指无监督聚类（如k-means），但对比文件中监督式/多标签分类器为对象分配预定义标签集的功能，在广义上实现了“基于特征将图像指派给群集”的目的。本领域技术人员能够理解，分类和聚类都是基于特征进行数据组织的方法，因此可以合理推断该特征被隐含公开。
技术特征D：基于所述图像离对应于所述图像的最接近的群集中心的距离小于第一阈值、与所述最接近的群集中心相关联的预定义图像数目小于第二阈值、和/或与最接近的群集中心相关联的图像百分比小于第三阈值来向所述多个所存储图像中的图像指派标记，《未公开》	未找到相关描述。	对比文件全文未提及任何基于“距离阈值”、“预定义图像数目阈值”或“图像百分比阈值”来为图像指派标记（标签）的方法。对比文件中标签的指派完全依赖于分类器（基础分类器或组合分类器）的预测输出，没有涉及与“群集中心”距离比较或数量/百分比统计的阈值判断机制。因此，该技术特征既未被直接公开，也无法从对比文件公开的内容中合理推断得出。
技术特征E：修改所指派的标记，《未公开》	未找到相关描述。	对比文件描述了训练分类器和应用分类器进行预测，但未提及在分类器为图像输出预测标签（标记）后，用户可以或系统如何“修改”这些已指派的标记。所有标记的生成都来源于分类器的自动预测。虽然可以通过重新训练分类器来改变未来预测的结果，但这不同于对已指派给特定图像的标记进行直接“修改”。因此，该技术特征未被公开。
技术特征F：当所述所指派的标记被修改时用所述图像来重新训练所述第一预先训练的分类器，《未公开》	未找到相关描述。	该特征包含一个条件触发动作：“当所指派的标记被修改时”重新训练分类器。对比文件虽然涉及分类器的训练和重新训练（例如图2的交叉验证训练流程），但并未将“用户或系统修改已指派标记”作为触发重新训练的条件或事件。对比文件的重新训练是基于训练数据集的划分（如交叉验证）或模型构建的需要，而非响应对已分类图像标记的修改。因此，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预先训练的分类器来对所述图像重新分类。《未公开》	未找到相关描述。	对比文件公开了使用训练好的分类器对新的输入图像进行分类（推断阶段）。然而，并未描述对已经分类过的“所存储图像”再次进行分类，即“重新分类”的过程。虽然可以认为对任何图像应用分类器都可视为分类，但“重新分类”在目标专利的上下文中隐含了在初始分类（或标记修改）后再次执行分类操作，对比文件没有揭示这样的工作流程或需求。因此，该技术特征未被公开。
技术特征H：其特征在于，所述第一预先训练的分类器是支持向量机器(SVM)、逻辑回归、最接近的邻居、或多层感知器(MLP)。《未公开》	未找到相关描述。	对比文件列举了基础分类器可能采用的多标签分类技术类型，如1AA、L-1AA、UMC、CML、Latent-Y等（第[0034]段），但并未具体公开这些基础分类器内部的算法是SVM、逻辑回归、最接近的邻居或MLP。这些是具体的机器学习模型，而对比文件描述的是更上层的多标签分类策略框架。因此，该具体限定未被公开。
技术特征I：其特征在于，进一步包括，至少部分地基于对应的标记来将所述多个所存储图像中的图像分类到群中。《隐含公开》	第[0046]段：“...which outputs the label set prediction ŷ 88”；第[0048]段：“The label set prediction output... is a document category label or labels 102 for the unclassified document 100. A document archiver 104 adds the (now classified) document 100 to a documents database 106, using the document category label or labels 102 to index or otherwise organize the document 100...”。	对比文件明确公开了分类器为对象（如图像/文档）输出预测标签集（ŷ），并且基于这些标签对对象进行组织（如索引到数据库中）。将对象“分类到群中”可以理解为根据其标签将其归入不同的类别组。对比文件中利用标签对文档进行归档和组织，实质上就是基于标记将其分类到不同群组（数据库中的分类索引）的过程。本领域技术人员可以合理推断出此特征。
技术特征J：其特征在于，进一步包括，至少部分地基于对应的群来将所述多个所存储图像中的每个图像放置到文件夹中。《未公开》	未找到相关描述。	对比文件提到了使用标签将文档“索引或组织”到数据库（106）中，但并未提及“文件夹”这一具体的存储结构或用户界面元素。“文件夹”通常指代文件系统中的目录或图形化用户界面中的容器，与对比文件中抽象的数据库索引不同。该特征涉及具体的系统实现和用户交互层面，对比文件未公开。
技术特征K：其特征在于，进一步包括，使用非特定名称来命名所述文件夹。《未公开》	未找到相关描述。	对比文件未涉及“文件夹”的概念，因此自然也谈不上如何命名文件夹。该特征未被公开。
技术特征L：其特征在于，进一步包括，使用第二预先训练的分类器来确定特定文件夹名称。《未公开》	未找到相关描述。	对比文件未涉及“文件夹名称”的确定，更未提及使用第二分类器来完成此任务。该特征未被公开。
技术特征M：其特征在于，进一步包括，使用所述第二预先训练的分类器、至少部分地基于与相关联的群的标记相关联的群集中心的分类来确定所述特定文件夹名称。《未公开》	未找到相关描述。	对比文件未涉及“群集中心”、“文件夹名称确定”以及使用分类器基于群集中心分类来命名文件夹。该特征未被公开。
技术特征N：其特征在于，所述特定文件夹名称进一步至少部分地基于关于给定文件夹的所标记图像的多数裁定规则来确定。《未公开》	未找到相关描述。	对比文件未涉及“多数裁定规则”在文件夹命名中的应用。该特征未被公开。
技术特征O：其特征在于，进一步包括，接收修改特定文件夹名称或指派新的特定文件夹名称的用户输入。《未公开》	未找到相关描述。	对比文件未涉及用户修改或指派文件夹名称的交互。该特征未被公开。
技术特征P：其特征在于，进一步包括，至少部分地基于群集中心或者至少一个所标记的图像特征向量来重新训练第二预先训练的分类器以包括经修改的特定文件夹名称或所述新的特定文件夹名称。《未公开》	未找到相关描述。	对比文件未涉及为“文件夹名称”而重新训练分类器。虽然对比文件有分类器训练的内容，但训练目标是与对象直接关联的标签（Y中的元素），而非用于组织存储的文件夹名称。该特征未被公开。
技术特征Q：其特征在于，进一步包括，至少部分地基于确定新图像的特征向量和应用所述分类器以确定所述新图像的群来将所述新图像放置在文件夹中。《未公开》	第[0046]段描述了对新实例xIN应用分类器并输出标签预测的过程。但未提及“放置在文件夹中”。	对比文件公开了对新图像进行分类（确定标签/群），但未公开将分类后的图像“放置在文件夹中”这一后续的存储或组织动作。该特征结合了分类和具体的文件系统操作，对比文件仅公开了前者。
技术特征R：其特征在于，进一步包括，接收修改所述所指派的标记的用户输入。《未公开》	未找到相关描述。	对比文件中的标记（标签）完全由分类器自动生成，未提供用户接口或流程用于接收用户对已指派标记的修改输入。该特征未被公开。
技术特征S：其特征在于，至少部分地基于将所述图像从第一文件夹移至第二文件夹的用户输入来修改所述所指派的标记。《未公开》	未找到相关描述。	对比文件未涉及“文件夹”以及通过移动文件夹内图像来修改标记的用户交互逻辑。该特征未被公开。
技术特征T：其特征在于，进一步包括，与第二用户共享至少一个分类器或群集中心列表。《未公开》	未找到相关描述。	对比文件全文未提及在不同用户之间共享分类器模型或群集中心列表。该特征未被公开。
技术特征U：其特征在于，所共享的群集中心列表与所述第二用户的群集中心列表相组合以创建用于所述第二用户的图像的标记并且更新用于所述第二用户的分类器。《未公开》	未找到相关描述。	对比文件未涉及共享、组合群集中心列表以及据此为用户更新分类器的功能。该特征未被公开。
技术特征V：其特征在于，进一步包括，与所述第二用户共享用户为类别或群集定义的种类。《未公开》	未找到相关描述。	对比文件未涉及用户自定义种类（类别/群集）以及在用户间共享这些自定义种类的功能。该特征未被公开。