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：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>《直接公开》	[0040] “embodiments of the present invention commence with a global classifier learned using all of the training data.” <br>[0041] “Linear SVM meets these requirements; however, one skilled in the art shall recognize that various general global learning algorithms (i.e. boosting-tree, latent-SVM, cascade-SVM, etc.) may be used.”	对比文件公开了使用所有训练数据学习得到一个“全局分类器（global classifier）”，例如线性SVM。该全局分类器用于处理输入数据（如图像的扫描窗口），并输出分类响应或分数，这个过程即包含了从数据（如图像）中“确定特征”以便分类的步骤。本领域技术人员能够毫无疑义地理解，应用一个预先训练的分类器来处理数据，必然涉及根据该分类器所基于的模型（如SVM的权重向量）来确定数据的特征表示或决策值。因此，该技术特征被对比文件直接公开。
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>《直接公开》	[0040] “embodiments of the present invention commence with a global classifier learned using all of the training data.” <br>[0089] “FIG. 9 depicts a method for detecting one or more objects in an image or images that may be executed by the system of FIG. 8 according to embodiments of the present invention.” <br>（结合图8、9及说明书整体上下文，训练后的分类器被应用于新的测试图像以检测物体。）	对比文件明确指出，全局分类器是使用“所有训练数据”预先训练得到的。随后，在检测阶段（如图8、9所述），该训练好的全局分类器被应用于新的输入图像（即“所存储图像”）以识别其中的物体。这些新的输入图像在训练阶段并未使用，因此“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”。本领域技术人员能够直接且毫无疑义地得出该结论。因此，该技术特征被对比文件直接公开。
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。<br>《直接公开》	[0041] “In embodiments, to locate the hard regions of ambiguous data, an upper bound ?1 and lower bound ?2 based on the classification scores of the global classifier may be used.” <br>[0050] “Many clustering algorithms may be adopted for clustering the ambiguous data. One straightforward method is k-means...” <br>[0051] “To solve this problem, embodiments of the present invention adopt spectral clustering... to effectively find appropriate value of k.”	对比文件公开了：1. 基于全局分类器的分类分数（即从分类器确定的特征/响应）来识别“模糊数据（ambiguous data）”。2. 使用聚类算法（如k-means、谱聚类）将这些模糊数据分成多个群集（clusters）。每个模糊数据样本（可对应于图像或其局部区域）基于其特征（如分类分数、特征空间中的距离）被指派到一个具体的群集中。因此，“至少部分地基于所确定的特征来将图像指派给群集”这一技术方案被对比文件直接公开。
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>《未公开》	无相应内容。	对比文件的核心在于通过聚类来改进目标检测模型的性能，其“标记（label）”是指预先定义的物体类别（如“行人”）。在训练过程中，数据样本的类别标记是已知且固定的。对比文件没有公开基于图像到群集中心的距离、或与群集相关联的图像数目/百分比等阈值条件来为图像“指派标记”的机制。其聚类目的是划分数据分布以进行局部模型适应，而非为了给图像分配新的或基于阈值的标记。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E：修改所指派的标记。<br>《未公开》	无相应内容。	对比文件描述的是一个监督学习下的目标检测模型训练流程。其中，训练数据的标记（物体类别）是预先给定且在整个训练过程中保持不变的。说明书及实施例中均未提及任何允许用户或系统修改已指派给图像的标记的环节或机制。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》	无相应内容。	由于技术特征E（修改标记）未被对比文件公开，因此基于修改标记这一事件来触发重新训练分类器的后续步骤，在对比文件中自然也不存在。对比文件的训练流程是固定的，不包含这种基于用户交互反馈的动态重新训练机制。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》	无相应内容。	对比文件中，预先训练的全局分类器主要用于初始分类以区分“简单样本”和“模糊样本”。对于模糊样本，后续处理是聚类和局部模型适应，而不是直接使用同一个全局分类器对图像进行“重新分类”。目标专利中“重新分类”的概念与用户修改标记后更新模型并再次分类的流程紧密相关，而此流程在对比文件中不存在。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》	[0007] “Many supervised learning algorithms such as various boosting algorithms, Support Vector Machine (SVM) of different flavors including linear, kernel, multi-kernel, latent, structured, etc., and Convolutional Neural Networks (CNN), have been applied to object detection...” <br>[0041] “Linear SVM meets these requirements; however, one skilled in the art shall recognize that various general global learning algorithms (i.e. boosting-tree, latent-SVM, cascade-SVM, etc.) may be used.”	对比文件明确列举了可用于物体检测（即作为分类器）的多种监督学习算法，其中包括“支持向量机（SVM）”和“卷积神经网络（CNN）”。虽然未明确列出“逻辑回归、最接近的邻居、或多层感知器(MLP)”，但SVM作为其中一种具体类型已被直接公开。根据专利审查中的“上位概念公开下位概念”原则，当权利要求以“或”关系列举多个并列选项时，只要对比文件公开了其中至少一个选项，即认为该特征被公开。因此，“第一预先训练的分类器是支持向量机器(SVM)”这一技术方案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>《未公开》	无相应内容。	目标专利中，“基于对应的标记来将图像分类到群中”指的是在自动或手动为图像指派了标记（如“花”、“建筑”）后，根据这些标记将图像分组。对比文件中，图像数据被“聚类（clustering）”到“群集（cluster）”中，这是基于特征空间的相似性（如特征向量距离）进行的无监督或半监督过程，而不是基于已有的“标记（label）”。对比文件中的“标记”是物体类别标签，用于训练分类器，而不是用于指导聚类分组。两者作用不同。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》	无相应内容。	对比文件涉及的是计算机视觉中的目标检测算法框架，其输出是检测结果（如边界框和类别）。整个说明书未提及任何关于图像文件管理、组织或存储的操作，特别是没有提到将图像“放置到文件夹中”这一图像管理系统特有的功能。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》	无相应内容。	如特征J所述，对比文件不涉及“文件夹”及其命名的概念。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》	无相应内容。	如特征J、K所述，对比文件不涉及“文件夹名称”的确定。因此，使用第二分类器来确定文件夹名称的技术特征既未被直接公开，也未被隐含公开。
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》	无相应内容。	该特征进一步细化了文件夹名称的确定方式，但其前提“文件夹”及“文件夹名称”在对比文件中不存在。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》	无相应内容。	该特征涉及文件夹命名的具体规则，但其前提“文件夹”及“文件夹名称”在对比文件中不存在。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》	无相应内容。	该特征涉及用户与图像管理系统的交互，用于修改文件夹名称。对比文件是自动化的目标检测训练和推理系统，没有描述任何接收用户输入以修改系统输出结构（如文件夹命名）的环节。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》	无相应内容。	该特征涉及根据用户修改更新分类器，但其核心目的“包括经修改的特定文件夹名称”在对比文件中没有对应概念（无文件夹命名需求）。对比文件中的分类器训练是为了提高检测精度，而非映射到用户定义的文件夹名称。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》	[0089] “FIG. 9 depicts a method for detecting one or more objects in an image or images... Using a pre-learned/pre-trained global classifier, a response value is obtained (905) for each feature (or image patch)... For each image patch that was identified as ambiguous, the closest ambiguous data cluster is identified and its classifier is used to obtain (915) a response value.”	对比文件公开了对于新的测试图像，提取特征，应用（全局和局部）分类器来确定其类别或将其关联到最近的模糊数据群集（cluster）。然而，对比文件公开的流程止于“检测”和“分类”，并未延伸至将图像文件“放置在文件夹中”这一后续的图像管理操作。将检测/分类结果转化为文件系统的组织动作（如移动文件到文件夹）并非本领域技术人员能从对比文件内容中必然、直接或隐含推导出的。因此，该技术特征未被公开。
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》	无相应内容。	该特征与技术特征E实质相同，指接收用户输入以修改图像的标记。对比文件中不存在此交互环节。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》	无相应内容。	该特征涉及通过图形化界面操作（移动文件）来触发标记修改，是目标专利中用户交互的一种具体形式。对比文件完全不涉及“文件夹”和通过操作文件夹来修改标记的概念。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》	无相应内容。	对比文件描述的是一个独立的模型训练和部署流程，用于在单个系统或应用中执行目标检测。说明书全篇未提及在不同用户、设备或实体之间“共享”训练好的分类器模型参数或聚类中心列表的功能或应用场景。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》	无相应内容。	该特征以特征T（共享）为前提，描述了共享后的具体组合和应用流程。由于特征T未被公开，且该组合更新流程本身也未在对比文件中有所体现，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》	无相应内容。	该特征同样涉及用户间共享，共享的对象是“用户为类别或群集定义的种类”（即用户自定义的分类体系）。对比文件使用的是预定义的、固定的物体类别（如“行人”），没有提供用户自定义种类并共享的机制。因此，该技术特征既未被直接公开，也未被隐含公开。