非显而易见法律服务网

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：《直接公开》<br>用第一预先训练的分类器来确定多个所存储图像的特征	第[0048]段：“Trained Classifiers employ machine learning algorithms such as Support Vector Machines (SVM), Decision Trees/Forests (C4.5, for example, or Adaboost classifiers) to learn patterns within the produced low-level features (inputs) to recognize intermediate-level characteristics (semantically-relevant outputs).” <br>第[0048]段：“Feature Extractors which process an image and produce a vector of feature values”	对比文件明确公开了使用机器学习算法（例如SVM）的“训练过的分类器（Trained Classifiers）”以及处理图像并产生特征值向量的“特征提取器（Feature Extractors）”。这对应于目标专利中“用预先训练的分类器来确定特征”的技术方案。其作用都是通过算法提取图像的深层或中级特征，用于后续的图像管理（如分组），作用相同。因此，该技术特征被对比文件直接公开。
技术特征B：《隐含公开》<br>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	第[0048]段：“Trained classifiers are a specific kind of classifiers where the functional mapping is learnt by exposure to a set of inputs and their known correct outputs (supervised training set).” <br>第[0022]段：“The computer system 105 can be trained on the low-level features to recognize mid-level features, for example, foliage, sunset, beach, human faces, buildings, areas of interest, and the like.”	目标专利强调特征提取器（深度卷积网络）在一个或多个图像集上“预先训练”，然后用于提取“存储在设备中”的图像的特征。对比文件明确说明了“训练过的分类器”是通过接触一组输入及其已知的正确输出（监督训练集）来学习的。本领域技术人员可以毫无疑义地理解，一个已训练好的分类器或特征提取器，其后续应用对象（即待处理的存储图像）必然是与训练集不同的新图像集合，否则训练将失去意义。这是机器学习领域的公知常识和应用常态。因此，该技术特征被对比文件隐含公开。
技术特征C：《直接公开》<br>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	第[0023]段：“Images in a cluster are related to each other, for example, the related images share at least one common feature, and are grouped based on the common feature.” <br>第[0048]段：“The Utilities layer includes a series of classifiers... as well as incorporate external information in a form that can be used for correlation.” （结合上下文，“correlation”包括聚类分析）	对比文件的核心内容就是基于共享特征（包括从图像内容提取的特征和元数据）将数字图像分组（group）成相关数字图像的群集（cluster）。例如，第[0023]段明确指出图像基于至少一个共同特征被分组。这直接对应于目标专利中“基于所确定的特征将图像指派给群集”的技术方案。两者作用相同，都是为了根据图像内容的相似性进行组织。因此，该技术特征被对比文件直接公开。
技术特征D：未被公开<br>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	无对应内容	对比文件描述了基于特征相似性进行分组（例如，具有相同面孔、在相近时间/地点拍摄的图像分为一组），但并未公开目标专利中这种具体、量化的标记指派逻辑：即通过计算图像特征与“群集中心”的距离，并判断该距离、或属于该群集的图像数目/百分比是否小于特定阈值，来决定是否给图像指派标记。目标专利的这一特征是实现“强”标记或选择性标记的具体算法步骤，对比文件中没有揭示任何类似的距离阈值、数目阈值或百分比阈值机制。
技术特征E：未被公开<br>修改所指派的标记	无对应内容	对比文件描述了系统自动推断和分组图像（例如，推断为“假期”、“朋友和家人”主题），但没有描述用户可以对系统自动指派或推断出的群集标签（标记）进行修改。目标专利的特征E明确允许用户修改所指派的标记（如将“花”改为“自然界”），这是实现用户交互和个性化分类的关键步骤，对比文件未公开。
技术特征F：未被公开<br>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	无对应内容	对比文件提到了分类器的训练（第[0048]段），但整个文件描述的是一个基于特征和元数据自动分析、分组和呈现图像的系统，没有提及任何基于用户对标记（或分组结果）的修改行为，来触发对作为特征提取器的“第一预先训练的分类器”进行重新训练（即在线学习或微调）的机制。目标专利的特征F是实现系统根据用户反馈持续优化分类性能的关键环节，未被公开。
技术特征G：未被公开<br>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	无对应内容	此特征与技术特征F紧密相关，是在分类器被重新训练后，利用更新后的分类器对图像进行重新分类的步骤。由于对比文件未公开基于用户修改的重新训练（特征F），自然也不会公开基于重新训练后的分类器进行重新分类的后续步骤。
技术特征H：《直接公开》<br>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)	第[0048]段：“Trained Classifiers employ machine learning algorithms such as Support Vector Machines (SVM), Decision Trees/Forests (C4.5, for example, or Adaboost classifiers) to learn patterns...”	对比文件第[0048]段明确列举了支持向量机(SVM)作为训练分类器所使用的机器学习算法示例。虽然该句未明确列出逻辑回归、最接近的邻居或多层感知器(MLP)，但SVM作为分类器的一种具体类型已被直接公开。其作用与目标专利中相同，都是用于图像特征学习或分类。因此，该限定特征被直接公开。
技术特征I：《直接公开》<br>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	第[0023]段：“Images in a cluster are related to each other, for example, the related images share at least one common feature, and are grouped based on the common feature.” <br>第[0060]段：“The apparatus 215 can group images including faces determined to be important, and create a cluster of grouped images.”	对比文件的核心就是基于共享特征（可视为一种“标记”或类别指示）将图像分组成群集（cluster）。例如，基于“共同面孔”、“重要面孔”、“相同地理位置”等特征（这些特征在语义上等同于分类标记）将图像归入相应的群组中。这直接对应于“基于标记将图像分类到群中”。作用相同，都是为了组织图像。因此，该技术特征被直接公开。
技术特征J：未被公开<br>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	第[0031]段：“The clusters 240 are used to create composite digital media presentations 245, 250 in which the digital images are presented, for example, displayed in the user interface 112.” <br>第[0032]段：“...images displayed on the slide may not be related to each other. By implementing the techniques described here, the images can be grouped to form clusters 240, and the clusters 240 can be displayed on one or more slides...”	对比文件公开了将分群后的图像用于创建复合数字媒体演示（如幻灯片），或在用户界面中按群展示。然而，它没有公开将图像物理或逻辑地“放置到文件夹中”这一具体文件管理系统操作。“幻灯片”或“演示”是一种展示形式，而“文件夹”是操作系统或文件管理系统中用于存储和结构化文件的容器，两者概念不同。目标专利强调将分类结果落实到文件系统的文件夹结构，该具体实现方式未被公开。
技术特征K：未被公开<br>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	无对应内容	对比文件未涉及对分组或演示进行“命名”的操作，更未提及使用“非特定名称”（如可能是指通用、未定义的名称）来命名。该特征未被公开。
技术特征L：未被公开<br>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	无对应内容	对比文件未提及使用任何分类器（无论是第一还是第二）来确定文件夹或群组的名称。文件夹或演示主题的推断（如“假期”）是基于特征分析（如地理位置、面孔）的直接推论（第[0059]段），而非通过一个独立的“第二预先训练的分类器”来处理。该特征未被公开。
技术特征M：未被公开<br>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	无对应内容	该特征依赖于特征L（使用第二分类器）和特征D（群集中心）的概念。如前所述，对比文件均未公开这些概念，因此该组合特征也未被公开。
技术特征N：未被公开<br>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	无对应内容	对比文件未提及任何基于“多数裁定规则”来确定名称的机制。该特征未被公开。
技术特征O：未被公开<br>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	无对应内容	对比文件描述了系统自动推断分组和主题，但没有描述用户可以对系统推断出的分组名称（如“假期”）进行修改，或指派全新的名称。该交互特征未被公开。
技术特征P：未被公开<br>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	无对应内容	该特征涉及基于用户输入（修改/新名称）重新训练第二分类器。对比文件未公开“第二分类器”、“群集中心”用于此目的，也未公开基于用户对名称的修改来重新训练任何分类器。该特征未被公开。
技术特征Q：未被公开<br>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	第[0104]段：“At a subsequent second time, the apparatus 215 can receive additional digital images. The apparatus 215 can form clusters from among the additional digital images as well as new clusters from among the previously received and newly received digital images.”	对比文件公开了对新接收的图像进行分析并形成群集（可能结合旧图像）。然而，它没有公开将新图像“放置在文件夹中”这一具体动作（参见特征J的论述）。虽然新图像被分组，但分组后的存储或展示形式（如放入文件夹）并未被明确公开。
技术特征R：未被公开<br>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	无对应内容	同特征E，对比文件未公开用户修改系统所指派的标记（或群集标签）的交互。该特征未被公开。
技术特征S：未被公开<br>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	无对应内容	对比文件未公开任何用户通过在不同“文件夹”（或类似容器）之间移动图像来修改图像标记或群集关联的交互界面或流程。该特征未被公开。
技术特征T：未被公开<br>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	无对应内容	对比文件描述的是一个本地或单用户系统内的图像管理，没有提及与其他用户共享分类器模型或群集中心列表的功能。该特征未被公开。
技术特征U：未被公开<br>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	无对应内容	该特征依赖于特征T（共享）和特征D/F（群集中心、更新分类器）等未被公开的概念。因此，该组合特征也未被公开。
技术特征V：未被公开<br>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	无对应内容	对比文件未提及用户自定义“种类”（categories）并与其他用户共享的功能。系统推断的种类（如“假期”、“朋友和家人”）是自动生成的，而非用户定义并共享的。该特征未被公开。