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，《未公开》	未发现相关引用。对比文件全文涉及神经网络分类，但未提及“预先训练的分类器”用于确定“所存储图像的特征”。	目标专利的特征A核心在于使用一个“预先训练的分类器”（如深度卷积网络）作为特征提取器，从所存储图像中提取特征向量（参见说明书[0098]-[0099]段）。对比文件US5444796A描述了一种无监督反向传播神经网络分类方法。虽然其神经网络（如MLP）在训练完成后可用于处理新样本，但该网络本身是直接从待分类的数据集中通过无监督学习训练得到的，其目的是直接进行分类，而非作为一个预先在其他数据集上训练好的、固定的特征提取器来为当前图像生成特征向量。因此，对比文件未公开“用第一预先训练的分类器来确定多个所存储图像的特征”这一技术方案。
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，《未公开》	未发现相关引用。	目标专利的特征B限定了特征提取器的训练数据（训练图像）与应用数据（所存储图像）不同，体现了迁移学习的思想（参见说明书[0098]段）。对比文件US5444796A中，神经网络的训练和后续分类使用的是同一来源的数据集（或从同一总体中抽取的样本），不存在使用一个在不同数据集上“预先训练”好的模型来处理当前数据集的概念。因此，对比文件未公开该特征。
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，《隐含公开》	对比文件详细描述了无监督学习过程：“unsupervised learning requires the automatic ‘discovery’ of clusters of samples among a training set of unlabelled input sample data sets on the basis of some measure of closeness, and the sample population is thereby partitioned into sub-classes...”（背景部分）以及“the network itself ‘discovers’ sub-classes within a training set (i.e., classifies the training set).”（“Unsupervised Back Propagation”部分）。其具体方法是通过反向传播和不断调整目标值，最终使网络能够将输入样本划分到不同的输出类别中（参见图3及相应描述）。	目标专利的特征C是基于从图像中提取的特征（如特征向量）进行分群集（例如k-means）。对比文件公开了无监督学习的目标是自动发现样本中的“簇（clusters）”或“子类（sub-classes）”，并将每个样本指派到其中一个类别中。虽然对比文件没有明确使用“特征向量”一词，但其输入样本的“l维输入向量”本质上就是样本的特征表示。其无监督学习过程“基于某种接近度的度量”将样本划分到子类，这实质上就是“至少部分地基于所确定的特征（即输入向量）来将样本指派给群集”。因此，本领域技术人员能够从对比文件中合理推断出该技术特征。
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》	未发现相关引用。对比文件在调整目标值时，是基于输出值与列平均值的比较（参见“Unsupervised Back Propagation”部分步骤32、34的描述），未涉及与“群集中心”的距离、数目或百分比阈值。	目标专利的特征D规定了向图像指派标记的具体规则，这些规则依赖于与“群集中心”的几何关系（距离）或统计关系（数目、百分比）。对比文件US5444796A在无监督学习过程中，虽然会为样本“指派”目标值（可视为一种临时标记），但其规则是基于输出信号与整个输出列平均值的比较，而非与某个“群集中心”的距离或数量阈值。这种基于整体统计的调整机制与目标专利中基于个体与群集中心相对位置的精细化标记规则不同。因此，对比文件未公开该特征。
技术特征E：修改所指派的标记，《隐含公开》	对比文件的核心方法包括在训练过程中反复修改（重新分配）目标值：“in step 34 the Targets are relabelled (i.e., reassigned) on the basis of some measure of such convergence.”（“Unsupervised Back Propagation”部分）。	目标专利的特征E指用户或系统可以修改已指派的标记（如图像的类别标签）。对比文件公开了在无监督训练循环中，会根据输出向量的收敛情况，对最初任意分配的目标值（Targets）进行重新标记（relabelled）。这个过程就是对“所指派的标记”的修改。虽然对比文件中的“标记”是训练过程中的内部目标值，而目标专利可能涉及对最终分类结果的标记，但“修改标记”这一基本操作已被对比文件公开。因此，本领域技术人员能够从中推断出该特征。
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，《隐含公开》	对比文件描述了迭代过程：在修改目标值（步骤34）后，会使用更新后的目标值重复执行反向传播运行（步骤31）。“The back propagation run (step 31) is then repeated, using the updated targets.”（“Unsupervised Back Propagation”部分）。	目标专利的特征F是当标记被修改后，用涉及到的图像重新训练分类器。对比文件公开了在每次根据收敛情况修改目标值（标记）之后，都会立即使用相同的输入样本集和新的目标值，再次执行反向传播训练（即重新训练网络）。这完全对应于“当所指派的标记被修改时用所述图像来重新训练分类器”这一过程。因此，该技术特征被对比文件隐含公开。
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。《隐含公开》	在对比文件的迭代过程中，每次用更新后的目标值和权重进行反向传播训练后，网络会产生新的输出（步骤31），这实质上就是对输入样本进行了重新分类。“The final output signals, emanating from the output layer 12, in response to the first sample applied to the input layer 10 are placed in the first row of the Output Table.”（“Supervised Back Propagation”部分，该过程同样适用于无监督情形）。	目标专利的特征G是在重新训练分类器后，基于它重新分类图像。对比文件公开的循环是：训练网络 → 产生输出（即分类）→ 根据输出修改目标值（标记）→ 重新训练网络。重新训练网络后，自然会在下一轮迭代中基于这个新训练的网络对图像（输入样本）产生新的输出，即进行重新分类。因此，该技术特征是对比文件所述方法步骤的必然结果，本领域技术人员能够直接推断得出。
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》	对比文件明确其分类器是神经网络，特别是基于反向传播的多层感知器（MLP）。“a multi-layer feedforward neural network [now frequently called a Multi-Layer Perceptron (MLP)], by back propagation”（背景部分）。但未提及SVM、逻辑回归或最接近的邻居。	目标专利的特征H将“第一预先训练的分类器”具体限定为几种特定类型的分类器之一。对比文件虽然公开了使用多层感知器（MLP）作为分类网络，但其上下文是作为整个无监督学习系统的核心组件，而非目标专利中那个“预先训练的”、“用于确定特征”的分类器（特征提取器）。更重要的是，对比文件完全没有提及支持向量机（SVM）、逻辑回归或最接近的邻居作为替代方案。因此，该具体类型限定未被公开。
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。《未公开》	未发现相关引用。对比文件将样本分类到“子类（sub-classes）”中，但未进一步将其组织为“群（groups）”，也未提及基于“标记”进行这种二次分类。	目标专利的特征I是在分群集和指派标记之后，进一步基于标记将图像分类到“群”中。这暗示了一种可能比“群集”更高级或应用导向的组织结构。对比文件仅公开了将样本划分到不同的输出类别（子类），没有描述在此基础上再根据这些类别标签将样本归类到“群”中的额外步骤。因此，该特征未被公开。
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。《未公开》	未发现相关引用。	目标专利的特征J涉及将图像物理或逻辑地“放置到文件夹中”，这是一种具体的文件管理系统操作。对比文件US5444796A专注于模式识别和分类的算法过程，完全没有涉及对分类后的数据（如图像文件）进行存储、管理或组织到“文件夹”中的任何内容。因此，该特征未被公开。
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。《未公开》	未发现相关引用。	该特征与文件夹命名相关，依赖于特征J（放置到文件夹）的存在。由于对比文件未公开任何与“文件夹”相关的操作，因此命名文件夹的特征自然也未被公开。
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》	未发现相关引用。	该特征涉及使用第二个分类器来确定文件夹名称。对比文件仅涉及一个用于样本分类的神经网络，没有提及使用第二个、功能不同的分类器（无论是预先训练的还是其他）来执行诸如命名文件夹之类的元数据任务。因此，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》	未发现相关引用。	该特征是特征L的具体化，依赖于特征L和之前关于群集、标记、群等特征。对比文件未公开任何与“第二预先训练的分类器”、“文件夹名称”或基于“群集中心的分类”确定名称相关的内容。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》	未发现相关引用。	该特征涉及通过多数裁定规则确定文件夹名称。对比文件未涉及任何文件夹命名机制，更不用说基于图像标记的多数裁定规则。因此，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》	未发现相关引用。	该特征涉及用户与文件夹命名系统的交互。对比文件描述的是一个全自动的无监督学习算法，没有任何关于接收用户输入以修改系统输出（如类别名称或文件夹名称）的记载。因此，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》	未发现相关引用。	该特征涉及基于用户修改重新训练第二个分类器。对比文件未公开“第二预先训练的分类器”、“文件夹名称”或根据用户输入重新训练分类器以纳入新名称的概念。其重新训练（特征F）是针对主分类网络且基于算法自动调整的目标值，而非用户输入。因此，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》	对比文件提到训练后的网络可用于分类新样本：“the network is said to be ‘trained’”，以及“the network is then used to classify additional samples”（“SUMMARY OF THE INVENTION”和“Hierarchical classification”部分）。但未提及“放置在文件夹中”。	目标专利的特征Q是关于对新图像进行处理并放入文件夹的完整流程。对比文件确实公开了使用训练好的网络对“新样本”（新图像）进行分类（确定其所属子类）。然而，对比文件完全没有公开将分类后的结果“放置在文件夹中”这一后续操作。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》	未发现相关引用。	目标专利的特征R明确是“接收修改所指派的标记的用户输入”，即用户主动干预。对比文件虽然公开了“修改所指派的标记”（特征E），但那是算法根据收敛情况自动进行的（“based on some measure of such convergence”），而非响应用户输入。因此，该特征中“用户输入”这一限定未被公开。
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》	未发现相关引用。	该特征具体通过用户移动文件夹中的图像来触发标记修改。这完全依赖于图形用户界面（GUI）和文件管理系统的交互。对比文件作为算法专利，未涉及任何文件夹、用户移动文件操作或由此触发标记修改的机制。因此，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》	未发现相关引用。	该特征涉及多用户系统和共享机制。对比文件描述的是在单个设备或系统上运行的分类方法，没有提及与其他用户共享分类模型（分类器）或模型参数（群集中心列表）的任何内容。因此，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》	未发现相关引用。	该特征是特征T的延伸，描述了共享后的具体组合和应用流程。由于对比文件未公开任何与用户共享相关的特征，该组合更新流程自然也未被公开。
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》	未发现相关引用。	该特征涉及共享用户自定义的种类（类别名称）。对比文件未涉及用户自定义类别名称，更不用说在不同用户间共享这些定义。因此，该特征未被公开。