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，<br>《隐含公开》	[0047] “The process of identifying interesting portions or shapes of multimedia data items may occur via common multimedia feature extraction techniques such as SIFT (scale-invariant feature transform), deep neural networks (DNN) feature extractor, etc.”<br>[0054] “Block 304 illustrates extracting features from positive multimedia data items. As described above, the feature extracting module 204 may extract features that may represent contextual information associated with the positive multimedia data items. Each positive multimedia data item may be associated with a feature vector...”<br>[0056] “Block 306 illustrates training a classifier based on the features. The learning module 206 may train one or more classifier(s) 212 for the plurality of labels based at least in part on the features. For example, learning algorithms such as fast rank, SGD, SVM, boosting, etc., may be applied to learn one or more classifier(s) 212 (e.g., multi-class classifiers), as described above.”	对比文件公开了使用深度神经网络（DNN）作为特征提取器（[0047]），并从多媒体数据项（包含图像）中提取特征以生成特征向量（[0054]）。同时，公开了使用诸如SVM等算法训练分类器（[0056]）。虽然对比文件主要描述了在训练过程中提取特征并训练分类器，但根据隐含公开的宽松判断标准，本领域技术人员可以合理推断，一个已经训练好的分类器（即“预先训练的分类器”）可以用于对新的、所存储的图像（即非训练图像）提取特征。因此，技术特征A被对比文件隐含公开。
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<br>《隐含公开》	[0040] “The systems and methods describe training classifiers based at least in part on positive multimedia data items and negative multimedia data items. In some examples, the positive multimedia data items and negative multimedia data items may be available on the Internet.”<br>[0056] “Block 306 illustrates training a classifier based on the features. The learning module 206 may train one or more classifier(s) 212 for the plurality of labels based at least in part on the features.”	对比文件明确区分了用于训练分类器的“训练图像”（即正/负多媒体数据项，[0040], [0056]）和后续用于分类的“新多媒体数据项”（例如[0085]）。技术特征B强调所处理的存储图像的特征不同于训练图像的特征。虽然对比文件没有明确陈述此点，但这是机器学习分类器应用的固有属性和隐含前提：分类器在训练后，被应用于新的、未见过的数据，这些新数据的特征分布自然与训练集不同。因此，本领域技术人员能够毫无疑义地推理得出该特征。
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<br>《未公开》	无对应内容。	对比文件的核心是有监督的多类别分类，即将输入图像分类到预先定义的、带有语义标签的类别中（如“Poodle”、“Space Needle”等，见[0022]）。而技术特征C涉及无监督或半监督的“分群集”，即将图像分组到基于数据特征相似性自动发现的“群集”中，这些群集在初始时可能没有语义标签（参见目标专利[0100]-[0101]）。对比文件全文未提及“clustering（分群集）”、“cluster（群集）”或类似概念，也未描述将图像基于特征相似性自动分组到未标记群集的步骤。两者在技术手段和作用上存在本质区别。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<br>《直接公开》	[0088] “In at least one example, the classifying module 120 may leverage the statistics 506 as threshold values to determine whether the new multimedia data item 502 is associated with any of the labels associated with the topic.”<br>[0089] “If the classifying module 120 determines that all of the similarity values are below all of the statistics 506, the classifying module 120 may determine that the new multimedia data item 502 is not associated with any of the labels associated with the topic.”<br>[0099] “Block 608 illustrates comparing similarity values and statistics 506. In at least one example, the classifying module 120 may compare each of the similarity values to corresponding statistics 506.”<br>[0100] “For instance, if the classifying module 120 determines that all of the similarity values are below all of the statistics 506, the classifying module 120 may determine that the new multimedia data item 502 is not associated with any of the labels associated with the topic.”	技术特征D的核心在于“基于阈值条件向图像指派标记”。对比文件公开了在分类过程中，将分类器输出的“相似度值”（可视为特征向量与模型向量距离的某种度量）与基于训练数据得到的“统计值”（如平均值，见[0067]）进行比较，并将该统计值用作“阈值值”（[0088]）。如果相似度值低于该阈值，则不关联标签（即不指派标记）；如果高于阈值，则可能关联标签（即指派标记）（[0089], [0100]）。虽然对比文件中的阈值是基于分类器输出的统计值，而目标专利是基于到群集中心的距离，但“基于距离/相似度与阈值的比较来决定是否指派标记”这一核心判断逻辑和作用（用于筛选和标记）是相同的。因此，技术特征D被对比文件直接公开。
技术特征E：修改所指派的标记<br>《未公开》	无对应内容。	对比文件描述了自动分类并输出标签/标记的过程，但完全没有涉及用户或系统对已指派标记进行“修改”的步骤或功能。目标专利中此特征涉及用户交互和系统再学习（见[0111]-[0112]），而对比文件未公开任何相关内容。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<br>《未公开》	无对应内容。	对比文件中的分类器训练是基于初始收集的正/负数据离线进行的（[0056]），或在线更新以处理新见到的正/负样本（[0068]-[0070], 图4），但更新的触发条件是分类正确与否或相似度与统计值的比较，而非“所指派的标记被修改”。目标专利此特征明确关联了用户修改标记的行为与分类器的重新训练（见[0112], 图5C），对比文件未公开此关联。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。<br>《未公开》	无对应内容。	技术特征G是特征E和F的逻辑延续，即在修改标记和重新训练分类器后，使用更新后的分类器对图像进行重新分类。由于对比文件未公开标记修改和基于此的重新训练，因此自然也未曾公开基于更新后分类器的“重新分类”这一后续步骤。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)。<br>《直接公开》	[0048] “For example, learning algorithms such as fast rank, Stochastic Gradient Descent (SGD), Support Vector Machines (SVM), boosting, etc., may be applied to learn a multi-class classifier...”	对比文件明确将支持向量机（SVM）列为用于训练分类器的学习算法之一（[0048]）。这意味着所训练和使用的分类器可以是SVM分类器。因此，技术特征H中“支持向量机器(SVM)”这一具体选项被对比文件直接公开。
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。<br>《隐含公开》	[0090] “If the classifying module 120 determines that at least some of the similarity values corresponding to one or more of the labels are above the statistics 506 (e.g., a predetermined threshold), then the classifying module 120 may determine that the new multimedia data item 502 is associated with at least some of the labels.”<br>[0091] “...the classifying module 120 may determine which label of the plurality of labels is associated with the new multimedia data item 502.”	对比文件公开了：对于一个新的多媒体数据项（图像），应用分类器并基于相似度值与阈值的比较，确定其是否与某个（些）标签关联，进而确定哪个标签与之关联（[0090], [0091]）。这实质上就是“基于（分类器输出的）标记将图像分类”的过程。虽然目标专利的“群”可能特指分群集后的组，而对比文件是分类到预定义的语义类别，但“基于标记进行分类”这一高层级操作在作用上是相似的。根据隐含公开的宽松标准，可以认为该特征被隐含公开。
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。<br>《未公开》	无对应内容。	对比文件涉及图像分类和识别结果的输出（[0092]），但完全没有提及将图像物理或逻辑地“放置到文件夹中”这一文件管理系统操作。目标专利此特征是实现图像管理的重要环节（见[0104], [0106]），而对比文件未涉及。因此，该技术特征未被公开。
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。<br>《未公开》	无对应内容。	由于对比文件未公开“文件夹”的概念，因此与之相关的“命名”操作自然也未被公开。因此，该技术特征未被公开。
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。<br>《未公开》	无对应内容。	对比文件未涉及文件夹命名，更未涉及使用第二个分类器来确定文件夹名称。因此，该技术特征未被公开。
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。<br>《未公开》	无对应内容。	此特征依赖于“群集中心”、“群的标记”和“第二分类器”等概念，这些在对比文件中均未出现。因此，该技术特征未被公开。
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。<br>《未公开》	无对应内容。	对比文件未涉及“多数裁定规则”在确定名称中的应用。因此，该技术特征未被公开。
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。<br>《未公开》	无对应内容。	对比文件未涉及用户与文件夹名称的交互。因此，该技术特征未被公开。
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。<br>《未公开》	无对应内容。	此特征涉及基于用户交互（修改文件夹名称）来重新训练第二分类器，对比文件未公开任何相关概念或流程。因此，该技术特征未被公开。
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。<br>《未公开》	[0085] “User(s) 106 may input one or more multimedia data items into the receiving module 202 via one of the user devices 108.”<br>[0091] “...the classifying module 120 may determine which label of the plurality of labels is associated with the new multimedia data item 502.”	对比文件公开了输入新图像、提取特征、应用分类器确定其关联的标签（[0085], [0091]），即公开了技术特征Q中“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（标签）”的部分。然而，技术特征Q还包括“将所述新图像放置在文件夹中”这一关键限定。如前述对特征J的分析，对比文件未公开任何与“文件夹”或图像文件存储管理相关的操作。因此，技术特征Q作为一个整体（包含文件夹放置）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。<br>《未公开》	无对应内容。	对比文件中标记的指派是完全自动化的，由分类器根据阈值决定，未提供用户修改已指派标记的接口或流程。因此，该技术特征未被公开。
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。<br>《未公开》	无对应内容。	此特征涉及通过图形用户界面（GUI）操作（移动图像）来隐含地修改标记，是目标专利中重要的用户交互和再学习触发机制（见[0110]）。对比文件未公开任何类似的用户界面交互或基于此的标记修改。因此，该技术特征未被公开。
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。<br>《未公开》	无对应内容。	对比文件未涉及在不同用户之间共享分类器或模型数据的机制。因此，该技术特征未被公开。
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。<br>《未公开》	无对应内容。	此特征依赖于“共享群集中心列表”和“组合列表”等概念，这些在对比文件中均未出现。因此，该技术特征未被公开。
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。<br>《未公开》	无对应内容。	对比文件未涉及用户自定义种类（类别）并在用户间共享的机制。因此，该技术特征未被公开。