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《直接公开》	[0031] “The process 300 first detects multiple (e.g., J) part patches corresponding to different body features from a digital image 310... The process 300 then provides the part patches 320 A- 320 J to different deep learning networks 330 A- 330 J... to generate a set of feature data 3401...” <br> [0041] “The convolutional neural network 400 can be trained jointly by standard back-propagation...”	对比文件明确公开了使用预先训练的分类器（深度卷积网络）来确定图像特征。对比文件第[0031]段描述了将图像块（part patches）输入到深度学习网络（deep learning networks）中以生成特征数据（feature data）。第[0041]段提到卷积神经网络是通过反向传播训练的。这与目标专利中“用第一预先训练的分类器来确定多个所存储图像的特征”的技术特征相同。在目标专利中，深度卷积网络用于提取图像特征；在对比文件中，卷积神经网络同样用于从图像块中提取特征数据。两者作用均为特征提取。因此，该技术特征被对比文件直接公开。
技术特征B《未公开》	无对应原文引用。	目标专利强调，待处理的“所存储图像的特征”与“用于训练所述第一预先训练的分类器的多个训练图像”不同。这意味着分类器被应用于一个与训练集不同的新图像集，旨在实现个性化的图像管理（见说明书第[0097]段）。对比文件虽然描述了使用训练好的网络处理新图像，但并未明确记载或强调所处理的图像（如用于属性识别的图像）与用于训练该网络的图像集是不同的，也未将这种区别作为技术特征或实现特定目的（如个性化）的手段进行描述。因此，对比文件未公开该区别性特征。
技术特征C《隐含公开》	[0033] “The process 300 feeds the set of concatenated feature data 345 into a classification engine for predicting a human attribute. The process 300 can provide multiple classification engines 360 A- 360 X (also referred to as ‘classifiers’) for predicting different human attributes.” <br> [0048] “The process 300 feeds the set of concatenated feature data into a classification engine for predicting a human attribute... A linear classifier can be trained using the pose-normalized representation for one of the interested attributes to get the final prediction.”	目标专利的“将图像指派给多个群集中的群集”本质上是基于特征对图像进行分类或聚类。对比文件公开了将图像的特征数据输入分类器（如SVM）以预测其属性（例如，性别、是否戴帽子等）。预测一个属性即相当于将图像划分到具有该属性的“类别”或“群集”中。虽然对比文件侧重于有监督的属性分类，而目标专利包括无监督聚类，但“基于特征进行分类指派”的核心思想是相同的。本领域技术人员能够从对比文件“使用特征通过分类器预测属性”的教导中，毫无困难地推理出“基于特征将图像指派到不同群集（类别）”这一技术手段。因此，该技术特征被对比文件隐含公开。
技术特征D《未公开》	[0041] “To deal with noise and inaccurate body feature detections, the convolutional neural network 400 can be trained using patches with high detection scores first and then gradually adding more patches with lower detection scores.”	目标专利的技术特征D规定了基于图像离群集中心的距离、数目或百分比等具体阈值条件来向图像指派标记，这是一种精细化的标记策略。对比文件第[0041]段提到在训练网络时，优先使用检测分数高（high detection scores）的补丁，这隐含了一种基于分数阈值的选择思想。然而，对比文件并未将此阈值思想应用于对图像进行“指派标记”的环节，也未公开距离、数目、百分比等多重阈值条件。该段内容是关于训练数据的选择，而非对已处理图像的输出标记规则。因此，对比文件未公开该具体技术特征。
技术特征E《未公开》	无对应原文引用。	目标专利的技术特征E“修改所指派的标记”指的是用户或系统可以修改之前自动或手动赋予图像的分类标签。对比文件全文仅描述了自动化的属性识别流程，没有涉及任何在系统输出预测结果（即指派了属性标记）后，允许对其进行修改的机制或步骤。因此，对比文件未公开此特征。
技术特征F《未公开》	无对应原文引用。	技术特征F是当标记被修改时，用图像重新训练分类器。这是目标专利实现持续学习、适应用户偏好的关键步骤。对比文件完全没有提及根据用户交互或标记修改来重新训练其分类器（无论是CNN特征提取器还是SVM分类器）的任何内容。因此，对比文件未公开此特征。
技术特征G《未公开》	无对应原文引用。	技术特征G是基于重新训练的分类器对图像重新分类。这依赖于特征E和F的存在。由于对比文件未公开标记修改和重新训练，因此基于重新训练的分类器进行重新分类的技术特征也无从谈起。因此，对比文件未公开此特征。
技术特征H《直接公开》	[0048] “The classification engines can include, e.g., linear classifiers such as support vector machines (SVMs).”	目标专利限定第一预先训练的分类器是SVM、逻辑回归、最接近的邻居或MLP。对比文件第[0048]段明确公开了分类器可以是线性分类器，例如支持向量机（SVM）。SVM是目标专利所列类型之一。虽然目标专利中“第一预先训练的分类器”可能特指特征提取器（如DCN）或后续分类器，而对比文件中SVM是最终属性分类器，但就“分类器是SVM”这一具体类型限定而言，对比文件已直接公开。因此，该限定特征被直接公开。
技术特征I《未公开》	无对应原文引用。	技术特征I涉及“至少部分地基于对应的标记来将图像分类到群中”。这描述了在获得标记后，进一步的组织步骤。对比文件在输出属性预测后，流程即结束，没有描述将图像基于这些预测属性（标记）进一步组织成“群”（group）的步骤。其输出是属性标签，而非图像的组织结构。因此，对比文件未公开此特征。
技术特征J《未公开》	无对应原文引用。	技术特征J涉及将图像“放置到文件夹中”。这是对图像进行物理或逻辑存储管理的具体操作。对比文件专注于图像属性的识别和预测，完全不涉及图像的存储、管理或文件夹操作。因此，对比文件未公开此特征。
技术特征K《未公开》	无对应原文引用。	技术特征K涉及使用非特定名称命名文件夹。这属于图像管理系统用户界面或组织策略的细节。对比文件不涉及文件夹创建或命名，因此未公开此特征。
技术特征L《未公开》	无对应原文引用。	技术特征L涉及使用第二预先训练的分类器确定特定文件夹名称。这是目标专利中自动为文件夹命名的具体方法。对比文件没有涉及任何与文件夹命名相关的功能或使用第二分类器进行命名的内容。因此，对比文件未公开此特征。
技术特征M《未公开》	无对应原文引用。	技术特征M进一步限定如何用第二分类器确定文件夹名称，即基于群集中心的分类。这依赖于特征L和整个文件夹命名体系的存在。对比文件未公开相关特征，因此也未公开此具体限定。
技术特征N《未公开》	无对应原文引用。	技术特征N涉及“多数裁定规则”确定文件夹名称。这是文件夹命名的一种决策逻辑。对比文件未涉及文件夹命名，更无此具体规则。因此，未公开。
技术特征O《未公开》	无对应原文引用。	技术特征O涉及接收用户输入以修改或指派新的文件夹名称。这是用户交互功能。对比文件未涉及任何用户对系统输出（包括命名）进行修改的交互。因此，未公开。
技术特征P《未公开》	无对应原文引用。	技术特征P涉及基于用户修改重新训练第二分类器。这需要特征O和L作为前提。对比文件未公开相关特征，因此也未公开此重新训练步骤。
技术特征Q《隐含公开》	[0057] “At block 585, the computing device feeds the set of concatenated feature data into a classification engine for predicting an image attribute... At block 590, the computing device determines, based on a result provided by the classification engine, whether the image attribute exists in the digital image.”	目标专利的技术特征Q描述了确定新图像的特征向量，应用分类器确定其群，并将其放置在文件夹中。对比文件第[0057]段描述了将（新）图像的特征数据输入分类器以预测其属性的完整过程。虽然对比文件没有明确提及“放置在文件夹中”这一后续存储管理步骤，但“应用分类器对新图像进行分类（确定其属性/群）”的核心技术手段已被公开。本领域技术人员可以从“对新图像提取特征并输入分类器获得结果”的教导中，合理推断出可以将此结果用于进一步操作，例如将其归类到某个组别中。因此，该技术特征（不包括文件夹放置的具体形式）被隐含公开。
技术特征R《未公开》	无对应原文引用。	技术特征R涉及接收用户输入以修改所指派的标记。这同特征E，是用户交互功能。对比文件未公开。
技术特征S《未公开》	无对应原文引用。	技术特征S具体说明了通过将图像在文件夹间移动来修改标记。这结合了图形用户界面交互和标记更新逻辑。对比文件不涉及文件夹、图像移动或由此触发的标记修改。因此，未公开。
技术特征T《未公开》	无对应原文引用。	技术特征T涉及与第二用户共享分类器或群集中心列表。这是目标专利的社交分享或协同过滤功能。对比文件完全未提及任何用户间共享模型或数据的机制。因此，未公开。
技术特征U《未公开》	无对应原文引用。	技术特征U描述了共享后如何组合列表并更新第二用户的分类器。这以特征T为前提，是更具体的协同处理流程。对比文件未公开。
技术特征V《未公开》	无对应原文引用。	技术特征V涉及共享用户定义的种类（如“日落”）。这同样是用户自定义和共享功能。对比文件中的属性（如性别、是否戴眼镜）是预定义的，未提及用户自定义种类及共享。因此，未公开。