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，《隐含公开》	说明书第[0043]段：“In step 105 local detectors are trained using the training images selected from the set of image exemplars... In the preferred embodiment, the classifier is a non-linear support vector machine (SVM) with a radial basis function (RBF) kernel.” <br> 说明书第[0050]段：“The local detectors return a score at each point x in the image... This score is normalized to behave like a probability by dividing by the sum of the scores in the detector window.”	对比文件公开了使用预先训练的局部检测器（如SVM分类器）来评估图像，并生成一个分数（得分），该分数指示了图像中某个位置存在期望特征点（如面部特征）的可能性。该“分数”或“得分”实质上是对图像局部区域特征的一种量化表示。因此，对比文件公开了使用一个预先训练的模型（SVM分类器）来确定图像中特定位置的特征（以得分形式表示）。虽然目标专利中使用的是深度卷积网络提取“特征向量”，而对比文件中使用的是SVM等分类器生成“得分”，但两者在“使用预先训练的模型来从图像中提取或确定某种用于后续分析的量化信息”这一核心概念上是一致的。本领域技术人员能够理解，SVM分类器输出的得分是基于输入特征（如SIFT描述子）计算得出的，其本身反映了该位置图像内容的特征。因此，对比文件隐含公开了技术特征A。
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》	说明书第[0048]段：“The dataset used for training and testing the inventive method was a collection of face images acquired from internet search sites... Over a thousand images were hand-labeled to create the dataset... For testing, the LFPW dataset was randomly split into 1,100 training images and 300 test images.”	对比文件明确区分了用于训练局部检测器的“训练图像集”和用于评估方法性能的“测试图像集”（即待处理的“所存储图像”）。说明书描述了在测试阶段，将新的输入图像（测试图像）输入到已训练的检测器中以生成分数。这些测试图像的特征（即检测器对其的响应）必然与训练图像的特征分布不同，否则测试将失去意义。因此，本领域技术人员能够毫无疑义地理解，对比文件中所处理的图像（测试图像）的特征，不同于用于训练其分类器（SVM）的训练图像的特征。这隐含公开了技术特征B。
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》	未找到相关内容。	对比文件的核心内容是基于局部检测器得分和全局形状模型，精确定位单张输入图像中的多个面部特征点（如眼睛、鼻子、嘴角等）。整个过程是针对单张图像内多个“部分”（parts）的定位，而非将多张完整的“图像”根据其特征归类到不同的“群集”（clusters）中。对比文件完全没有涉及对多张图像进行分群、聚类或分类到不同组别的任何概念、步骤或目的。因此，技术特征C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，《未公开》	未找到相关内容。	技术特征D涉及基于与“群集中心”的距离、数目或百分比等复杂阈值条件来为图像“指派标记”。对比文件完全不涉及“群集中心”、“指派标记”（指为整张图像赋予类别标签）的概念，更不用说基于这些多阈值条件进行标记指派。该特征属于目标专利中图像管理系统的特定高级分类和标记策略，在对比文件的面部特征点定位上下文中不存在。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》	未找到相关内容。	对比文件处理的是面部特征点的坐标位置输出，不存在对整张图像的“标记”进行指派的步骤，因此也就不存在“修改所指派的标记”这一后续行为。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，《未公开》	未找到相关内容。	如前述，对比文件没有“指派标记”和“修改标记”的步骤。因此，基于修改标记来“重新训练”分类器的特征F在对比文件中完全没有基础。该特征涉及目标专利中交互式学习、用户反馈调优系统的核心部分，在对比文件的离线训练、在线检测框架中未见任何体现。技术特征F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》	未找到相关内容。	技术特征G是特征F的后续动作，即在重新训练分类器后对图像进行“重新分类”。对比文件中的分类器（局部检测器）一旦训练完成，即用于对新图像进行特征点检测，不存在根据用户交互反馈进行“重新训练”并进而“重新分类”已处理图像的流程或目的。技术特征G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)。《直接公开》	说明书第[0043]段：“In the preferred embodiment, the classifier is a non-linear support vector machine (SVM) with a radial basis function (RBF) kernel.” <br> 说明书第[0022]段：“The sliding window classifier may be a neural network, support vector machine (SVM)... or other learning machine...”	对比文件明确且直接地公开了其使用的局部检测器/分类器可以是支持向量机（SVM）。在优选实施例中，明确指出了使用带RBF核的非线性SVM。此外，还提及分类器可以是神经网络（neural network），而多层感知器（MLP）是神经网络的一种基础而常见的形态。因此，本领域技术人员能够毫无疑义地从对比文件中得出，其使用的预先训练的分类器可以是SVM或神经网络（隐含MLP）。技术特征H被直接公开。
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。《未公开》	未找到相关内容。	该特征是基于“标记”将图像分类到“群”中。对比文件没有为图像“指派标记”，也没有将图像分类到“群”中的步骤或目的。其输出是特征点坐标，而非图像的类别群组。技术特征I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》	未找到相关内容。	“放置到文件夹中”是目标专利中图像管理系统的具体物理或逻辑组织行为。对比文件是关于计算机视觉中的特征点检测，其输出结果（坐标）可能用于后续的人脸识别等应用，但本身完全不涉及将图像文件存储或组织到“文件夹”中的任何操作或概念。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》	未找到相关内容。	如前所述，对比文件不涉及“文件夹”，因此更谈不上为文件夹命名（无论是特定还是非特定名称）。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》	未找到相关内容。	该特征涉及使用另一个分类器来确定文件夹名称。对比文件仅使用局部检测器和全局模型进行特征点定位，没有使用任何分类器来生成文本形式的“文件夹名称”。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》	未找到相关内容。	该特征逻辑依赖于“群”、“标记”、“群集中心”等之前已被判定为未公开的概念。因此，技术特征M在对比文件中完全没有基础，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》	未找到相关内容。	该特征涉及基于多数裁定规则确定文件夹名称，这属于高级的图像管理系统逻辑。对比文件中不存在。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》	未找到相关内容。	该特征涉及接收用户输入以修改文件夹名称，属于交互式图像管理系统的功能。对比文件是自动化的特征点检测方法，没有用户交互修改输出内容（如名称）的环节。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》	未找到相关内容。	该特征涉及基于用户修改的名称来重新训练分类器。对比文件没有“文件夹名称”、“群集中心”、“所标记的图像特征向量”（在目标专利的管理上下文中）这些概念，也没有根据用户输入进行重新训练的机制。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》	未找到相关内容。	该特征描述了处理新图像的流程：提取特征向量 -> 应用分类器确定所属群 -> 放入对应文件夹。对比文件处理新图像（输入图像）的流程是：应用已训练的局部检测器生成得分 -> 结合全局模型优化 -> 输出特征点坐标。两者目的和输出完全不同，对比文件没有“确定群”和“放入文件夹”的步骤。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》	未找到相关内容。	同技术特征E和O，对比文件没有“指派标记”的步骤，因此也没有接收修改标记的用户输入。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》	未找到相关内容。	该特征通过用户移动图像文件的行为来隐含修改标记。这完全是目标专利交互式图像管理系统中的特定操作逻辑。对比文件中不存在“文件夹”和用户移动图像文件的交互场景。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》	未找到相关内容。	对比文件描述了训练分类器和构建全局模型（基于样本图像集）的过程，但未提及将训练好的分类器或模型（可类比为“群集中心列表”）与其他用户共享。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》	未找到相关内容。	该特征描述了共享后的组合与应用流程。由于对比文件未公开“共享”（特征T），且未公开“群集中心列表”、“为图像创建标记”、“更新用户分类器”等概念，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》	未找到相关内容。	“为用户定义的种类”是目标专利中用户自定义图像类别的概念。对比文件处理的是预定义的面部特征点种类（如眼角、鼻尖），这些是客观的解剖学位置，而非用户主观定义的图像种类，并且没有共享这些定义的功能。技术特征V未被公开。