对比文件名称：JPH08227408A_Description_20260221_0611
目标专利名称：189照片管理CN106104577B
本次调用的模型名称：gpt-4o
### 特征比对表格
| 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》 | 无对应内容。 | 对比文件公开了一种分层神经网络，用于模式识别，通过调整连接权重进行学习（见[0001], [0002], [0008]）。虽然该神经网络可以用于处理输入数据（可能包括图像），但对比文件未提及“预先训练的分类器”这一概念，也未描述用于“确定多个所存储图像的特征”的具体步骤。对比文件的学习是基于带有教师信号的数据集进行权重调整，并未公开一个独立的、预先训练好的用于提取图像特征的分类器（如DCNN）。因此，技术特征A未被直接公开，也未隐含公开。 |
| 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，《未公开》 | 无对应内容。 | 对比文件未区分“所存储图像”和用于训练神经网络的“训练图像”。其描述的是使用一个数据集进行学习，然后基于学习结果对该数据集进行重新分类和再次学习（见[0008], [0012]）。没有内容表明处理对象的特征与训练数据的特征不同。因此，技术特征B未被公开。 |
| 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，《隐含公开》 | [0008]: “reclassify the categories in the data set based on correct and incorrect information in the initial learning results, and ... learning is performed again.” <br> [0012]: “after learning a small number of times, a category is separately provided for data that fails to be recognized, ... This category is given and the same learning is performed again based on this category.” <br> [0013]: “based on the correct and incorrect results of recognition in the first learning, ... 3 categories A, B, and C are newly added to the data category), and the data is reclassified into a total of 6 categories.” | 对比文件描述了基于初始学习结果中的正确/错误信息，对数据集中的类别进行重新分类（例如，从3类增加到6类），并基于重新分类的类别再次进行学习（见[0008], [0012], [0013]）。这个过程隐含了将数据（可对应于图像）指派到不同群集（即类别）的操作。虽然对比文件未明确提及基于“所确定的特征”进行指派，但其重新分类的依据“正确和错误信息”是神经网络基于输入数据（隐含了其特征表示）学习后产生的识别结果。因此，本领域技术人员可以合理推断，该过程包含了基于数据的内在特性（由神经网络隐含提取和表示）进行归类（即指派给群集）的步骤。因此，技术特征C被对比文件隐含公开。 |
| 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》 | 无对应内容。 | 对比文件未提及任何基于距离、数目或百分比阈值来向数据（图像）指派标记的机制。其重新分类（如增加A', B', C'类别）是基于识别失败（即错误信息）这一简单二元判断，而非基于量化的距离、数目或百分比阈值（见[0012], [0013]）。因此，技术特征D未被公开。 |
| 技术特征E：修改所指派的标记，《未公开》 | 无对应内容。 | 对比文件中，类别的重新分类和增加是由系统自动执行的，基于学习结果的正确/错误信息（见[0008], [0012]）。没有描述用户或系统“修改所指派的标记”这一动作。因此，技术特征E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，《隐含公开》 | [0008]: “reclassify the categories in the data set based on correct and incorrect information in the initial learning results, ... Based on the above, learning is performed again.” <br> [0012]: “after learning a small number of times, a category is separately provided for data that fails to be recognized, ... and the same learning is performed again based on this category.” | 对比文件明确描述了在基于初始学习结果重新分类数据类别后，使用重新分类的数据集再次进行学习（即重新训练神经网络）（见[0008], [0012]）。虽然对比文件中重新分类的触发因素是“识别失败”而非“标记被修改”，但其核心逻辑是：当数据的分类（可视为一种标记）发生变化（从原有类别细分为更多类别）后，使用这些数据重新训练模型。这隐含了“当分类/标记信息发生变化时，用相关数据重新训练模型”的技术思想。因此，技术特征F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》 | [0013]: “Then, learning is performed in the same manner by increasing the number of units of the neural network corresponding to these six categories.” <br> [0015]: “It can be seen that the recognition accuracy rate of the neural network of the present invention tends to be higher than that of the conventional type as the number of learning increases.” | 对比文件描述了在增加输出层单元数以对应新类别后，使用相同的神经网络（即经过再次学习的模型）进行学习（见[0013]），其目的是提高识别准确率（见[0015]）。这意味着经过重新训练（再次学习）后的神经网络，能够对输入数据进行识别（即分类），这隐含了基于训练后的模型（对应于“预先训练的分类器”）对数据（可对应于图像）进行分类（包括重新分类）的步骤。虽然对比文件未明确使用“重新分类”一词，但其整个方案目的就是通过调整模型和类别划分来改善分类效果。因此，技术特征G被对比文件隐含公开。 |
| 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》 | [0001], [0002], [0008] 等描述了神经网络。 | 对比文件明确且唯一地使用的是“分层神经网络”（hierarchical neural network）（见[0001], [0002]），并提及了输入层、中间层、输出层及反向传播学习（见[0005]）。其并未公开技术特征H中限定的SVM、逻辑回归、最接近的邻居或MLP等具体分类器类型。因此，技术特征H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》 | [0013]: “and the data is reclassified into a total of 6 categories.” <br> [0014]: “Here, these six outputs are integrated, for example, based on the identification that the data recognized in the category of A or A′ was category A.” | 对比文件明确将数据“重新分类（reclassified）”为多个类别（如6类）（见[0013]），并描述了基于输出层的结果（对应于类别/标记）来识别数据属于哪个类别（见[0014]）。这隐含了基于数据被赋予的类别（标记）将其归类到相应群组（即“分类到群中”）的操作。因此，技术特征I被对比文件隐含公开。 |
| 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。《未公开》 | 无对应内容。 | 对比文件涉及神经网络模式识别，其处理单元是“类别”或“输出单元”，未提及任何“文件夹”的概念，也没有描述将数据（图像）物理或逻辑上放置到文件夹中的操作。因此，技术特征J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》 | 无对应内容。 | 由于对比文件未公开“文件夹”这一特征（见技术特征J），因此自然也未公开命名文件夹，无论是使用“非特定名称”还是其他名称。因此，技术特征K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》 | 无对应内容。 | 对比文件未提及“文件夹”，也未提及使用任何“第二预先训练的分类器”来确定名称。因此，技术特征L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》 | 无对应内容。 | 对比文件未提及“第二预先训练的分类器”、“文件夹名称”、“群集中心”或基于群集中心分类确定文件夹名称。因此，技术特征M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。 | 对比文件未提及“文件夹名称”或“多数裁定规则”。因此，技术特征N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》 | 无对应内容。 | 对比文件描述的是一个自动化的学习与重新分类过程，未涉及任何用户交互，特别是接收用户输入以修改或指派名称的操作。因此，技术特征O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》 | 无对应内容。 | 对比文件未提及“第二预先训练的分类器”、“文件夹名称”、“群集中心”或“图像特征向量”，也未描述基于名称修改来重新训练分类器。因此，技术特征P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》 | 无对应内容。 | 对比文件未提及“新图像”、“特征向量”或“文件夹”。其描述的是对已有数据集进行学习和重新分类，并非针对新输入图像的处理流程。因此，技术特征Q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。 | 对比文件中标记（类别）的修改（即重新分类）是基于系统自动识别的正确/错误结果，而非基于用户输入（见[0008], [0012]）。因此，技术特征R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》 | 无对应内容。 | 对比文件未提及“文件夹”，也没有描述用户通过移动图像来修改标记的交互操作。因此，技术特征S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。 | 对比文件描述的是单个神经网络系统的学习过程，未涉及与“第二用户”共享任何模型参数（分类器）或数据（群集中心列表）。因此，技术特征T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》 | 无对应内容。 | 对比文件未涉及用户共享、群集中心列表组合、为第二用户创建标记或更新分类器。因此，技术特征U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。 | 对比文件未涉及“第二用户”或“共享用户定义的种类”。类别（如A, B, C）是预设或系统自动细分的，非用户定义。因此，技术特征V未被公开。 |
<<<c>>><<<f>>><<<g>>><<<i>>>