对比文件名称：US8965112B1_Description_20260220_0349
目标专利名称：189照片管理CN106104577B
模型名称：专利创造性评估模型
### 特征比对表格
| 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，《隐含公开》 | 说明书[0095]段：“Initially, at ( 902 ) the convolutional neural network can receive training images previously identified as images containing one or more building numbers.” 说明书[0096]段：“At ( 904 ) the neural network can be trained by mapping the received training images into a probabilistic model of sequences.” 说明书[0098]段：“At ( 908 ) the trained neural network can generate a predicted sequence of characters from processing the identified image.” | 对比文件公开了训练一个卷积神经网络（CNN），并用该训练好的网络来处理图像，从中生成预测的字符序列（说明书[0098]）。为了能够从图像中识别并转录出字符序列，该神经网络必然需要从输入图像中提取和确定相关的视觉特征。虽然对比文件未明确使用“确定特征”的表述，但其描述的“映射训练图像到序列概率模型”及“处理图像以生成序列”的过程，本质上包含了从所存储/接收的图像中提取并利用特征这一隐含步骤。因此，本领域技术人员可以毫无疑义地推理出，使用预先训练的神经网络来确定图像特征是实现其序列转录功能的必然前提。 |
| **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》 | 说明书[0095]段：“Initially, at ( 902 ) the convolutional neural network can receive training images...” 说明书[0097]段：“The trained neural network at ( 906 ) can process an image containing characters associated with building numbers.” | 对比文件明确区分了用于训练神经网络的“训练图像”（说明书[0095]）和训练后用于处理的“图像”（说明书[0097]），后者即为待转录的新图像。虽然未明确说明新图像的特征与训练图像的特征不同，但根据机器学习的基本原理，训练集和推理（应用）集通常是不同的数据集，以确保模型的泛化能力。本领域技术人员能够合理推断，在处理新图像时，神经网络所提取和确定的特征是基于新图像内容本身的，这些特征自然不同于训练图像的特征。因此，该技术特征被隐含公开。 |
| **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 | 对比文件的核心目的是从单个图像中转录出字符序列（如建筑物编号），其处理结果是生成一个序列标签（例如“123”）。整个过程不涉及将多个图像进行比较、并根据其特征的相似性将它们分组或“指派给多个群集”。对比文件没有描述任何分群集（clustering）的操作，例如k-means或g-means，也没有提及“群集”或“群集中心”的概念。因此，该技术特征既未被直接公开，也无法从对比文件的内容中合理推断出来。 |
| **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 | 如上所述，对比文件不涉及“分群集”，因此也不存在“群集中心”、“距离阈值”、“图像数目阈值”或“图像百分比阈值”等概念。对比文件中对图像的“标记”仅指转录出的字符序列本身（如“123”），这个标记是基于神经网络对单张图像的识别结果直接赋予的，而非基于图像与某个群集中心的相对关系或统计阈值。该特征未被公开。 |
| **技术特征E**：修改所指派的标记，《未公开》 | 无 | 对比文件中，一旦神经网络转录出字符序列，该序列即作为图像的识别结果。说明书未提及任何允许用户或系统修改该转录结果（即“标记”）的机制或步骤。所有涉及人工确认的部分（如[0089]段）是为了验证转录的正确性，而非修改一个已“指派”的、用于分类或分群目的的标记。因此，该特征未被公开。 |
| **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》 | 无 | 由于对比文件未公开“修改所指派的标记”（特征E），因此自然也谈不上基于修改后的标记来“重新训练”分类器。对比文件描述了神经网络的初始训练过程，但未提及在应用过程中根据用户反馈或标记变化进行在线学习、增量学习或重新训练。该特征未被公开。 |
| **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》 | 无 | “重新分类”这一操作在目标专利中与用户修改标记、重新训练分类器后对图像进行再次分类的流程紧密相关。对比文件中，神经网络对每张图像的处理是独立的一次性识别/转录过程，不存在基于更新后的模型对同一批图像进行“重新分类”的循环或迭代流程。该特征未被公开。 |
| **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》 | 说明书[0078]段：“...the convolutional neural network described herein is just one type of neural network that could be used for transcription of sequences.” 说明书[0082]段：“In certain embodiments, the convolutional neural network architecture can include convolutional hidden layers.” | 对比文件明确且唯一地公开了使用“卷积神经网络”（CNN）或更广义的“深度神经网络”作为其序列转录模型。虽然提到了神经网络是可选类型之一，但全文未提及任何关于支持向量机（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”的内容。这些是不同于CNN的特定分类器类型，对比文件未公开。 |
| **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 | 对比文件处理图像后，结果为每个图像关联一个转录序列。但并未描述根据这些序列（标记）将图像进一步组织或“分类到群中”的步骤。例如，不会将所有转录为“123”的图像归入一个群，将所有转录为“456”的图像归入另一个群。其目的是识别单个地址，而非对图像库进行基于类别（群）的组织管理。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》 | 无 | 对比文件完全未涉及任何基于“群”来组织图像存储结构的概念，如“文件夹”。其系统处理图像后，可能将转录结果与图像关联存储，但不会根据类别创建文件夹并将图像移动或归类到不同的文件夹中。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》 | 无 | 由于对比文件未公开“文件夹”的概念，因此自然也谈不上如何命名文件夹，无论是使用“非特定名称”还是其他名称。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》 | 无 | 同上，对比文件未涉及文件夹命名，更未提及使用任何“第二预先训练的分类器”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》 | 无 | 该特征涉及“群集中心”、“群的标记”、“第二分类器”等多个未被对比文件公开的概念的组合，因此自然未被公开。 |
| **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 | 该特征涉及文件夹名称确定的特定规则（多数裁定），而对比文件未涉及文件夹命名，故未被公开。 |
| **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 | 对比文件提到了人工操作员确认转录结果（说明书[0089], [0093]），但这是为了验证识别的正确性，与修改文件夹名称的用户输入无关。未公开任何关于文件夹名称修改的用户交互。 |
| **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 | 该特征涉及基于文件夹名称修改来重新训练“第二分类器”，依赖于多个未被公开的子概念（文件夹、文件夹名称修改、第二分类器、群集中心、基于特征向量的重新训练），因此未被公开。 |
| **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 | 对比文件描述了处理新图像以生成序列（说明书[0097]-[0098]），但这与“确定新图像的群”并“放置在文件夹中”是两个不同的目的和技术流程。对比文件未公开后一流程。 |
| **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 | 同特征E，对比文件中未提供修改转录结果（即“所指派的标记”）的用户输入机制。人工确认是验证，而非修改。 |
| **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 | 该特征结合了“移动图像文件夹”和“修改标记”两个用户操作，两者均未在对比文件中公开。 |
| **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 | 对比文件描述的是一个用于地址转录的系统，未提及在不同用户之间共享模型（分类器）或数据（群集中心列表）的功能。 |
| **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 | 该特征描述了复杂的多用户数据共享与模型更新机制，依赖于“群集中心列表”、“共享”、“组合列表”等概念，这些均未在对比文件中被公开。 |
### 结论
根据以上比对分析，对比文件US8965112B1隐含公开了技术特征A和技术特征B，未公开技术特征C至U。
<<<a>>><<<b>>>