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。<br>判断结果：《直接公开》	[0091] "The CNN module 212 may have network architecture that includes convolutional layers, pooling layers, and fully connected layers. For example but not limitation, the CNN may include five convolutional layers, three pooling layers, and three fully connected layers."<br>[0092] "As a further example, the final layer of the convolutional neural network in the CNN module 212 may comprise a certain layer type configured to generate a likelihood that an object represents a person. One non-limiting example of this is a soft max layer, which allows the AlexNet classifier to generate a likelihood that the constructed image being classified is that of a person."	对比文件明确公开了使用深度卷积神经网络（CNN），例如AlexNet，作为预先训练的分类器（即第一预先训练的分类器）来处理图像数据（颜色图像和/或深度图像）并确定其特征（如边缘、轮廓、纹理等），以生成对象属于某个类别（如“人”）的似然分数。这对应于目标专利中“用第一预先训练的分类器来确定多个所存储图像的特征”的技术方案。
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>判断结果：《隐含公开》	[0006] "Another solution that has been developed to improve object recognition is to use a deep convolutional neural network to classify objects and/or images... See A. Krizhevsky, I. Sutskever and G. Hinton, 'ImageNet Classification with Deep Convolutional Neural Networks,' in Neural Information Processing (NIPS), Lake Tahoe, Nev., USA, 2012."<br>[0092] "...allows the AlexNet classifier to generate a likelihood that the constructed image being classified is that of a person."	对比文件引用AlexNet等工作，表明其使用的深度卷积神经网络（CNN）是在大规模图像数据集（如ImageNet）上预先训练的。当该CNN应用于新的场景（如移动机器人捕获的办公室图像）进行物体识别时，其处理的图像数据（即“所存储图像”）必然不同于其原始训练集（ImageNet）。本领域技术人员可以毫无疑义地推断，一个预先训练的模型在实际部署中处理的输入数据（如实时捕获的图像）与用于训练该模型的原始数据是不同的，这是机器学习模型应用的基本前提。因此，该技术特征被对比文件隐含公开。
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。<br>判断结果：未公开	对比文件未提及任何关于“分群集(clustering)”的操作，例如k-means、g-means或基于特征向量将图像指派到群集的内容。	目标专利的核心步骤之一是利用分群集算法（如k-means）将提取出的图像特征向量进行无监督聚类，并将每个图像指派到一个群集。对比文件仅使用分类器（分层分类器和CNN）对图像中的物体（如人）进行分类和识别，输出的是分类似然分数，目的是判断“是否为人”或识别特定个体，并未涉及将图像集合基于其特征划分成多个群集（clusters）的操作。两者技术手段和目的均不同。
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>判断结果：未公开	对比文件未提及任何关于“群集中心(cluster center)”、“距离阈值”、“预定义图像数目阈值”或“图像百分比阈值”的内容。	目标专利详细描述了基于图像特征向量与群集中心的几何距离或统计比例（如最接近的N个图像或前P%的图像）来有条件地指派标记的精细规则。对比文件中的分类过程是基于分类器输出的似然分数进行融合判断，完全不涉及群集中心、距离度量或此类阈值条件。该特征未被公开。
技术特征E：修改所指派的标记。<br>判断结果：未公开	对比文件未提及任何允许或描述用户修改图像或对象“标记(label)”的机制。	目标专利强调用户交互，允许用户修改自动指派的图像标记（例如，更改文件夹名称或重新分类图像）。对比文件专注于自动物体检测和识别，没有描述任何用户界面或流程用于修改系统生成的识别结果或标记。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。<br>判断结果：未公开	对比文件提到了可以训练和更新对象模型（如高斯混合模型GMM）[0086]，但这是用于物体识别模型的初始训练或更新以适应新的人，并非基于用户对图像“标记”的修改来重新训练第一预先训练的分类器（如CNN）。	目标专利描述了当用户修改图像标记后，利用这些修改后的标记数据重新训练第一分类器（如SVM或MLP），以实现个性化学习。对比文件中虽然提及模型训练，但其上下文是构建用于检测“人”与“非人”的通用分类器，而非响应用户对特定图像标记的修改来进行再训练。两者目的和机制不同。
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>判断结果：未公开	对比文件未描述在用户交互或标记修改后，对已分类的图像进行“重新分类(re-classify)”的过程。	目标专利在用户修改标记并重新训练分类器后，会基于更新后的分类器对图像进行重新分类。对比文件中的分类是前向的、一次性的检测过程，没有形成根据用户反馈进行重新分类的闭环。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)。<br>判断结果：《直接公开》	[0012] "...and the resulting combined vector is classified using a support vector machine."<br>[0084] "Example types of models compiled from previous information include, but are not limited to, image galleries, Gaussian mixture models, hidden Markov models, and support vector machines."	对比文件明确公开了使用支持向量机（SVM）作为分类器，用于对从图像中提取的特征（如HOG/HOD组合向量）进行分类。SVM是目标专利权利要求中明确列出的第一预先训练的分类器类型之一。因此，该技术特征被直接公开。
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。<br>判断结果：未公开	对比文件未提及将图像“分类到群中(group)”或基于标记进行此类组织的任何内容。	目标专利在分群集和标记之后，进一步将图像分类到“群(groups)”中，这通常是文件夹管理的前置步骤。对比文件仅输出检测结果（如“是人”或“是谁”），不涉及对图像库进行基于标记的组织和管理。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。<br>判断结果：未公开	对比文件未提及任何“文件夹(folder)”概念或将图像存储、放置到文件夹中的操作。	目标专利的核心应用场景是图像管理，包括将分类后的图像自动放入对应的文件夹以便用户浏览。对比文件的应用场景是实时物体识别（如机器人视觉），其输出是检测结果，而非对图像文件进行存储路径的管理。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。<br>判断结果：未公开	对比文件未涉及文件夹及其命名。	该特征是关于文件夹命名的具体策略。由于对比文件根本没有公开“文件夹”这一概念，因此自然也谈不上如何命名文件夹。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。<br>判断结果：未公开	对比文件未涉及文件夹命名，也未提及使用第二个分类器来确定名称。	目标专利描述了可能使用第二个分类器（如另一个经训练的分类器）为文件夹分配初始名称。对比文件未公开任何类似机制。
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>判断结果：未公开	对比文件未涉及文件夹命名、群集中心分类与文件夹名称的关联。	该特征进一步细化了如何使用第二分类器基于群集中心来确定文件夹名称。对比文件未公开任何相关基础。
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>判断结果：未公开	对比文件未涉及文件夹命名或多数裁定规则。	该特征描述了文件夹命名的另一种具体规则。对比文件未公开任何相关基础。
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>判断结果：未公开	对比文件未涉及文件夹命名或接收用户输入以修改文件夹名称。	目标专利强调用户可自定义文件夹名称。对比文件未公开任何相关的用户交互界面或功能。
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>判断结果：未公开	对比文件未涉及重新训练分类器以纳入用户定义的文件夹名称。	该特征描述了根据用户命名的文件夹来更新第二分类器。对比文件未公开任何相关基础。
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>判断结果：未公开	对比文件未涉及对新图像进行“放置在文件夹中”的操作。	目标专利描述了对于新输入的图像，通过特征提取和分类，将其自动放入相应文件夹的流程。对比文件处理的是实时视觉数据流，目的是即时识别，而非管理图像文件的存储位置。
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>判断结果：未公开	对比文件未提及接收用户输入以修改图像或对象的标记。	同技术特征E，对比文件未公开任何用户修改标记的机制。
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>判断结果：未公开	对比文件未涉及文件夹、图像在文件夹间的移动，或通过移动操作来修改标记。	该特征描述了通过图形化操作（拖拽文件）间接修改标记的用户交互方式。对比文件未公开任何相关基础。
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>判断结果：未公开	对比文件未提及在不同用户或设备间共享分类器或群集中心列表。	目标专利支持社交功能，允许用户共享分类模型或群集标准。对比文件未公开任何关于模型或数据共享的内容。
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>判断结果：未公开	对比文件未提及共享、组合群集中心列表或据此更新分类器。	该特征进一步描述了共享后的具体整合与更新流程。对比文件未公开任何相关基础。
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>判断结果：未公开	对比文件未提及用户定义种类（如“日落”、“自然界”）或共享这些种类定义。	目标专利允许用户自定义语义种类并分享。对比文件中的类别（如“人”）是预定义的、通用的物体类别，不支持用户自定义和共享。