非显而易见法律服务网

技术特征描述以及公开性判断结果	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，《直接公开》	[0038] “...the neural network component 536 is configured to implement a DCNN to train the DCNN to learn and classify features for a set of images.” <br> [0060] “...a deep convolutional neural network is implemented that is trained to learn and classify image features for a set of images.”	对比文件明确公开了使用深度卷积神经网络（DCNN）来学习和分类一组图像的特征。DCNN是一种预先训练的分类器（通过训练获得），其功能就是确定图像的特征。这与目标专利中“用第一预先训练的分类器来确定多个所存储图像的特征”的技术特征相同。因此，该特征被对比文件直接公开。
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》	[0038] “...train the DCNN to learn and classify features for a set of images.” <br> [0050] “Given a test image, a feature, such as aesthetic quality, may be evaluated...”	对比文件公开了训练DCNN以对一组图像（训练集）进行分类，并提到可以对“测试图像”（test image）进行评估。根据机器学习领域的公知常识，用于评估的“测试图像”或待处理的“所存储图像”通常不属于用于训练该分类器的原始训练集，否则评估将失去意义。因此，本领域技术人员能够合理推断，被评估或提取特征的图像（即所存储图像）的特征，与用于训练该分类器的训练图像的特征是不同的。因此，该特征被对比文件隐含公开。
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，《未公开》	无对应内容。	对比文件的核心是使用DCNN对图像进行分类（如分为“高美学质量”或“低美学质量”，或不同的风格类别），其输出是类别标签或概率。而目标专利的“分群集”（clustering）通常指一种无监督学习方法，将图像基于特征相似性分组到不同的“群集”（cluster），这些群集并非预先定义的固定类别。对比文件未提及将图像基于特征指派到“群集”的概念、方法或系统。两者在技术手段和目的上存在本质区别。因此，该特征未被对比文件公开。
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》	无对应内容。	对比文件在指派标记（即分类标签）时，是基于DCNN输出的分类概率（例如[0038]中计算p(y_i=c\|x_i, w_c)），并未涉及任何与“群集中心”的距离计算，也未设定基于距离、数目或百分比的阈值条件来筛选图像进行标记。该特征是目标专利中特定的标记指派规则，对比文件完全没有公开。
技术特征E：修改所指派的标记，《未公开》	无对应内容。	对比文件描述了训练和分类过程，但未提及用户或系统可以修改已由分类器指派的标记（标签）。目标专利中允许修改标记是实现用户交互和再学习的关键步骤，该特征在对比文件中未见记载。
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》	无对应内容。	对比文件提到了对网络进行训练和微调（fine-tune），例如[0045]提到“fine-tunes the parameters in the aesthetics column”。然而，这种微调是基于原始的训练标签（如美学标签、风格标签）进行的，并非基于用户修改已指派标记后的图像数据来重新训练分类器。该特征涉及一个特定的再训练触发条件和数据源，对比文件未公开。
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》	无对应内容。	对比文件未记载在修改标记和重新训练分类器之后，利用更新后的分类器对图像进行“重新分类”的完整流程或步骤。该特征与特征E、F构成一个连贯的用户反馈学习循环，在对比文件中没有相应描述。
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》	对比文件通篇使用的分类器是深度卷积神经网络（DCNN, CNN）。例如[0022]“Convolutional neural networks (CNN) may be leveraged...”。	对比文件明确且唯一地使用卷积神经网络（CNN）及其变体（DCNN, RDCNN）作为其分类器。并未提及支持向量机（SVM）、逻辑回归、最接近的邻居或多层感知器（MLP）作为其“第一预先训练的分类器”。该特征是对分类器具体类型的限定，未被对比文件公开。
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。《未公开》	无对应内容。	对比文件将图像分类到预定义的“类别”（如高/低美学、不同风格）中，但未提及将已分类的图像进一步组织到“群”（group）中。目标专利中的“群”可能指一种基于分类结果的图像组织单元（如文件夹的前身），该概念在对比文件中不存在。
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》	无对应内容。	对比文件完全未涉及任何将图像存储或组织到“文件夹”（folder）中的操作、系统或方法。该特征是目标专利中用于管理图像的用户界面或文件系统操作，在对比文件中未见任何记载。
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》	无对应内容。	由于对比文件未公开“文件夹”这一特征，自然也未涉及对文件夹进行命名的任何操作，包括使用“非特定名称”。
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》	无对应内容。	对比文件未涉及文件夹命名，更未提及使用任何分类器（无论是第一还是第二）来确定文件夹名称。
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》	无对应内容。	该特征涉及“群集中心”、“群的标记”与“文件夹名称”确定的复杂关联，这些概念在对比文件中均未出现，因此该特征未被公开。
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》	无对应内容。	该特征涉及文件夹命名的具体规则（多数裁定），在对比文件中无任何对应内容。
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》	无对应内容。	对比文件未提及任何接收用户输入以修改或指派文件夹名称的交互过程。
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》	无对应内容。	该特征涉及基于文件夹名称变化对“第二分类器”进行重新训练，依赖于前述多个未被公开的特征（文件夹、群集中心、用户修改名称等），因此未被对比文件公开。
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》	无对应内容。	对比文件可以处理新图像（测试图像）并分类，如[0050]所述。但并未将这一过程与“放置在文件夹中”这一操作相关联。因此，该特征中关于“放置在文件夹中”的部分未被公开。
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》	无对应内容。	同特征E，对比文件未记载接收用户输入以修改分类器所指派的标记（标签）的交互过程。
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》	无对应内容。	该特征通过用户在文件夹间移动图像的操作来隐含地修改标记。对比文件既无“文件夹”概念，也无此类用户交互，因此未被公开。
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》	无对应内容。	对比文件描述的是一个独立的图像评估系统，未涉及任何在不同用户之间共享分类器或群集中心列表的功能或步骤。
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》	无对应内容。	该特征依赖于“共享群集中心列表”和“第二用户的群集中心列表”等概念，这些在对比文件中均未出现，因此未被公开。
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》	无对应内容。	对比文件中的类别（如美学、风格）是系统预设或从数据集中学习的，未提及用户可以自定义“种类”并与他人共享。该特征未被公开。