一种用于存储和信号发送人工智能元数据的方法，包括： 接收采用容器文件格式的视觉数据； 通过使用多个基于人工智能的处理算法的多个过程来处理所述视觉数据以检测一个或多个内容元素； 存储所检测到的一个或多个内容元素和关于用于检测所述一个或多个内容元素的所述多个基于人工智能的处理算法的多个过程的信息，作为元数据； 通过使用第一指示和第二指示来指示所述多个基于人工智能的处理算法的多个过程之间的依赖关系，其中，所述第一指示表示包含人工智能有效载荷的人工智能项，并且其中，所述第二指示表示被用作用于生成所述多个基于人工智能的处理算法的多个过程的结果的输入的项；以及将所述元数据包括到与所述视觉数据相关联的所述容器文件中。

你好，我是你的专利代理师。针对你提供的权利要求、目标专利说明书以及三份对比文件（D1: JP2008060622A, D2: US20140178043A1, D3: US9681111B1），我将进行深度的技术特征比对与创造性分析。

### 第一部分：目标专利技术核心理解

目标专利（权利要求1）的核心在于解决**如何在媒体容器文件中高效地存储、信号发送（Signaling）AI元数据及其相互依赖关系**。

在复杂的AI处理链中（例如：人脸检测 -> 人脸识别 -> 属性分析），一个过程的输出往往是另一个过程的输入。权利要求1通过定义“第一指示”（表示AI有效载荷项）和“第二指示”（表示输入项）来明确这种依赖逻辑，从而实现多AI过程结果的结构化存储和级联操作（Cascaded Operations）。

[Image of metadata dependency in video container]

---

### 第二部分：技术特征特征比对表

我们将权利要求1拆解为技术特征A-G，并与对比文件进行详细比对。

---

### 第三部分：最接近对比文件分析

在创造性分析中，**D2 (US20140178043A1)** 适合作为最接近的对比文件。

* **理由（技术领域与问题角度）：**

* **技术领域高度一致**：D2专门讨论视频内容的视觉总结（Visual Summarization），涉及使用机器学习、神经网络（[0046]）识别视频中的人类、非人类物体、情绪和主题。这与目标专利“检测一个或多个内容元素”的AI应用场景最为契合。

* **解决的技术问题相似**：D2旨在让观众快速理解视频内容类型和位置（[0007]），为此它生成了多种相互关联的标签（视觉、音频、情绪）。

* **公开特征最多**：D2公开了特征A、B、C、G，并从功能层面公开了特征D和F的逻辑基础（即情绪对象的生成依赖于视觉和音频对象的识别结果，[0035]）。

**D3 (US9681111B1)** 也可以作为最接近的对比文件（尤其针对文件格式细节）：

* 如果侧重于**容器格式内的信令结构（Signaling Structure）**，D3公开了非常具体的嵌套（Nesting）机制（[0142]）和4CC标签定义（表2），这与目标专利说明书中的`VAIIProperty`和嵌套结构在实现手段上非常接近。

---

### 第四部分：特征比对与无效请求薄弱点分析

#### 1. 未被最接近对比文件（D2）公开的特征是否被其他文件公开？

* **特征E、F（具体的项引用信令机制）：** 虽然D2提到了依赖逻辑，但它没有公开在**容器文件层级（Container Level）**如何通过“第一指示（有效载荷项）”和“第二指示（输入项）”来进行具体的信号发送。

* **D3的启示**：D3公开了嵌套记录（Sub-records），其中子记录可以看作是父记录的组成部分或输入。但D3主要针对传感器原始数据（如IMU），并未明确将其定义为“人工智能项（AI Item）”。

#### 2. 最薄弱的技术特征（无效请求切入点）

若要提出无效请求，权利要求1中**最薄弱的技术特征是特征D、E、F的组合**。

* **分析**：

* **逻辑上的显而易见性**：在AI处理领域，“级联算法（Cascaded Algorithms）”是通用常识。D2已经指出了情绪识别依赖于物体识别。

* **实现手段的常规性**：将这种逻辑关系实现在ISOBMFF（MP4/MOV）容器中，使用“项引用（Item Reference）”或“嵌套（Nesting）”是该领域技术人员的常规选择。D3已经证明了在同一容器内通过嵌套结构（DEVC, STRM标签）来组织不同来源和层次的元数据是已知技术（[0147]）。

* **具体术语的规避**：权利要求1使用了较为抽象的“第一指示”和“第二指示”。虽然对比文件可能没有原词对应，但D3中的“父级4CC标签”与“子级4CC标签”的对应关系，在功能上等同于这种依赖指示。

[Image of ISO Base Media File Format box structure]

### 代理师总结建议

在针对本专利提出无效请求时，应重点采用 **D2 + D3** 的组合方式：

1. 利用 **D2** 证明“使用多个AI算法检测内容元素并存在生成依赖关系”是公知常识或已被公开。

2. 利用 **D3** 证明“在容器文件（MP4/MOV）中使用特定标签和嵌套结构来发送元数据信令及指示数据流关系”是现有技术手段。

3. 论证：对于本领域技术人员来说，为了在存储AI总结信息（D2）时保持处理链的可追溯性，结合D3的嵌套信令结构来实现目标专利所述的“第一指示”和“第二指示”是不需要创造性劳动的。

**结论**：特征E和F中关于“人工智能项”的具体定义是形式上的主要区别，但其背后的“输入-输出”逻辑在D2中已有体现，其结构化实现手段在D3中已有教导。这是无效过程中的核心突破口。

尊敬的客户：

作为一名经验丰富的专利代理师，我仔细研究了目标专利说明书、权利要求1以及您提供的两篇对比文件：D1（US20180167686A1）和D2（WO2015093330A1）。

以下我将紧密结合目标专利说明书的教导解释权利要求1，通过特征比对表格详细分析对比文件原文对各技术特征的公开情况，并基于最接近对比文件的选择原则，为您分析目标专利权利要求1的创造性，最后指出若提出无效请求时最薄弱的技术特征。

### 第一部分：紧密结合说明书解释权利要求1

目标专利解决的核心问题是如何在基于ISO媒体文件格式（如HEIF）的容器文件中，标准化地存储和信号发送人工智能（AI）元数据，特别是当存在**级联/依赖（cascaded/dependent）**的多个AI过程时（例如：先检测面部，再识别人脸并存储姓名），如何表述它们之间的输入/输出依赖关系，以便其他实体可以解析、更新或重新运行这些算法（参见说明书[0094]、[0097]、[0102]）。

权利要求1保护一种用于存储和信号发送人工智能元数据的方法，其特征构成如下：

* **技术特征A：包括：接收采用容器文件格式的视觉数据**

* **解释：** 说明书[0028]、[0029]指出，容器文件可以是ISO基本媒体文件格式（ISOBMFF）及其衍生格式（如HEIF、MP4、3GP）。视觉数据可以是图像或视频（[0001]）。该特征是本领域的基础起。

* **技术特征B：通过使用多个基于人工智能的处理算法的多个过程来处理所述视觉数据以检测一个或多个内容元素**

* **解释：** 说明书[0014]、[0092]指出AI处理包括神经网络（如CNN）或机器学习。内容元素检测示例包括对象检测、面部检测、场景语义解析等（图5，图6，[0104]）。重点在于“多个过程”和“多个算法”，对应说明书[0097]提到的级联过程。

* **技术特征C：存储所检测到的一个或多个内容元素和关于用于检测所述一个或多个内容元素的所述多个基于人工智能的处理算法的多个过程的信息，作为元数据**

* **解释：** 这不仅要求存储AI推理的结果（内容元素），还必须存储产生该结果的算法/过程的描述信息（例如服务定义、版本、模式位置、甚至神经网络模型本身），对应说明书[0098]、[0099]、[0138]。

* **技术特征D：通过使用第一指示和第二指示来指示所述多个基于人工智能的处理算法的多个过程之间的依赖关系，**

* **解释：** 这是本权利要求的**核心发明点**。它要求在文件语法层面上明确信号发送过程间的依赖。说明书具体实施例展示了两种机制：

1. **ItemPropertyRelationBox（新盒）**：明确定义输入特性数量和Property的索引（[0153]-[0158]）。

2. **项引用机制（iref盒，新类型'vai'）**（[0173]-[0176]）。权利要求1的术语“第一指示”和“第二指示”是上位表述，在HEIF项引用实施例中，通过'from_item_ID'（第一指示）指向'to_item_ID'（第二指示）来实现依赖关联。

* **技术特征E：其中，所述第一指示表示包含人工智能有效载荷的人工智能项，**

* **解释：** 在HEIF项引用实施例中，对应'from_item_ID'。它是一个包含了AI输出结果数据（有效载荷，Payload）的文件项（[0175]）。

* **技术特征F：并且其中，所述第二指示表示被用作用于生成所述多个基于人工智能的处理算法的多个过程的结果的输入的项**

* **解释：** 在HEIF项引用实施例中，对应'to_item_ID'。它表示该AI项产生结果所需要的输入来源，例如面部检测器的输入是原始图像项，而人脸识别器的输入是面部检测器产生的边界框AI项（对应说明书[0175]和[0094]的示例）。

* **技术特征G：将所述元数据包括到与所述视觉数据相关联的所述容器文件中。**

* **解释：** 元数据最终必须封装在同一个容器文件中，例如在'meta'盒中或作为定时元数据轨道存储在'mdat'盒中（[0031]、[0167]、[0170]），实现标准化的文件内存储和交换。

### 第二部分：对比文件特征比对及出处分析

我将使用 D1 指代 US20180167686A1，使用 D2 指代 WO2015093330A1。以下是详细特征比对表格：

**表一：权利要求1与对比文件D1、D2特征比对表**

### 第三部分：最接近对比文件的选择及理由分析

在创造性分析过程中，**对比文件D2（WO2015093330A1）适合做最接近的对比文件**。

**理由分析：**

1. **技术领域和解决的技术问题**：目标专利解决的问题是当系统中存在级联/依赖的AI过程时，如何在文件格式层面标准化地存储和信号发送由于依赖产生的大量AI元数据，以便互操作和重新运行（参见目标专利说明书[0094]、[0102]）。

对比文件D2（见其中文摘要及说明书[0003]）发明目的是针对从视频检测出人物及其行动的情况，通过将信息以人物行动单位进行传达（分割为块数据传送），来降低传达数据量，同时提高监护侧的便利性。

D1则侧重于一种用于流式传输的交互式多媒体系统，其主要目的是让用户能与视频中的内容进行交互（如电商购买，参见[0004]、[0110]）。

可以看出，**D2与目标专利在“AI元数据的标准化、高效处理和文件（或块数据结构）层面的存储/传输”上具有更相近的发明目的和技术背景**，旨在解决AI处理产生的元数据如何管理的问题。

2. **技术特征公开情况**：

目标专利的核心在于“处理所述视觉数据以检测一个或多个内容元素”的过程中存在“多个算法的多个过程”（特征B），并且重点是明确信号发送这些**多个过程之间的依赖关系**（特征D、E、F）。

对比文件D1虽然公开了面部检测等算法（实质AI），但其逻辑是检测结果（Region）与静态的Tag或脚本（[0068]）关联，不涉及多个动态AI算法过程之间的输入输出递进和依赖。

对比文件D2（图4）明确展示了多个处理部的**级联结构**（動きベクトル検出->人物검출->ユーザ情報검출/모션검출->행동인식）。在实质公开层面上，D2比D1更贴近目标专利权利要求1中明确限定的“处理...所述视觉数据...使用**多个**...算法的**多个过程**”（特征B）。

综上，对比文件D2在整体解决的技术问题（AI元数据的传输和管理）、以及所公开的实质级联多AI过程的实施架构上，比D1更适合作为进行创造性评价的起点（最接近对比文件）。

### 第四部分：创造性分析及最薄弱特征判断

**对最接近对比文件未公开特征的分析：**

如表一特征比对所示，对比文件D1和D2**均未毫无异议地公开或实质公开权利要求1的技术特征D、E、F**。

具体而言，目标专利权利要求1要求通过上位概念“第一指示”和“第二指示”来信号发送**多个基于人工智能的处理算法的过程之间**的依赖关系（特征D），且限定第一指示对应“AI项”，第二指示对应“被用作输入的项”（特征E、F）。

对比文件D2虽然暗示了AI过程（特征B实质公开）且元数据和影像数据存在关联ID（图11, 图12的“映像ブロックID”和“対応ID”），但这属于目标专利说明书[00 relações]中提到的AI结果项与对应的媒体项（视觉数据项）之间的关联引用，并非权利要求1限定的**级联AI过程1的结果AI项与AI过程2之间的输入依赖**。

**创造性分析结论：**

目标专利权利要求1通过在文件语法层面明确引入AI过程间的输入输出依赖信号机制，提供了一种标准化的方式来解决级联AI处理管道在文件格式中的互操作性存储问题。现有的对比文件D1和D2仅仅给出了AI结果（特征元数据）与媒体本身关联的概念（例如D1的Region指向Action，D2的行动块关联影像块），均未给出由于多个AI过程级联运行而导致它们之间产生数据流转和算法依赖关系时应当如何在文件内部进行标准化信号发送的教导。本领域技术人员在D2和D1的基础上，结合常规的软件编程依赖关联知识，难以在不付出创造性劳动的情况下获得目标专利中这种在特定ISOBMFF/HEIF容器文件语法结构（如iref新类型）下的上位依赖信号方案。

**最薄弱的技术特征：**

若提出专利无效请求，**技术特征B（通过使用多个基于人工智能的处理算法的多个过程来处理视觉数据）**可能是最薄弱、最容易被现有技术结合所突破的技术特征。

**理由：** 尽管目标专利说明书[0094]、[0097]强调了这种级联操作，但仅仅描述存在多个AI处理过程本身早已是公知常识。例如对比文件D2的图4就已经实质展示了一个典型的视频解析级联管道：运动检测 -> 人物检测 -> 行动认识。D2在说明书[0012]、[0013]中详细描述了通过注册、比较、推断来确定人物及其动作，这本质上就是基于机器学习（AI算法）的多个过程。结合在目标专利技术领域（多媒体数据处理），这种基于pipeline或级联的深度学习模型应用早已是惯用技术手段。本领域技术人员很容易在现有技术的背景下承认在同一个方法中采用两个或以上AI过程组合进行处理（技术特征B）本身是不具备新颖性或至少显而易见的。

因此，目标专利核心的创造性防线在于如何利用上位概念的“指示器”来在文件格式层面**标准化地表述这种AI过程间由于级联而产生的输入来源依赖关系**（特征D、E、F的结合）。

希望以上依据专利原文出处的详尽分析能对您对该专利的法律效力评估提供有力支持。如果您有进一步的无效策略制定需求，请随时与我联系。

作为一名经验丰富的专利代理师，我将紧密结合目标专利说明书（简称“本申请”）来解释权利要求1，分析各对比文件的原文，并指出详细出处及给出特征比对表格。在此基础上，我将分析哪些对比文件毫无异议地公开或实质公开了哪些技术特征，并从技术效果和解决的问题角度确定最接近的对比文件。最后，我会指出如果提出无效请求，权利要求1中最薄弱的技术特征。

对比文件指代如下：

* **D1**: US2010124378A1

* **D2**: JP2012509522A （注：本分析基于用户提供的机器翻译件）

* **D3**: US2016234144A1

* **D4**: US2016371265A1

---

### 第一部分：紧密结合说明书对权利要求的解释

权利要求1保护的是一种用于存储和信号发送人工智能（AI）元数据的方法。本申请的说明书旨在针对以ISO基本媒体文件格式（ISOBMFF，如HEIF）存储的视觉数据，定义一种标准化的、明确定义的机制，以解决AI算法之间依赖关系信号发送缺失、AI推断结果存储标准缺失等问题（本申请说明书 [0094]-[0100]）。

关键特征的解释：

* **“技术特征D”：人工智能有效载荷的人工智能项**。根据说明书，AI有效载荷数据可以存储在“元（`'meta'`）盒”或“媒体数据（`'mdat'`）盒”内，作为容器文件中的一个“项”（本申请 [0167]-[0168]）。AI项是指包含该AI算法所产生的推断结果（即有效载荷）的数据块，例如检测到的面部的边界框（本申请 [0094], [0169]）。

* **“技术特征E”：被用作用于生成所述多个基于人工智能的处理算法的多个过程的结果的输入的项**。根据说明书，AI算法之间可能存在依赖关系，例如“级联操作”，其需要依次运行以执行特定操作（例如，检测面部，然后作为单独的过程来识别人脸）（本申请 [0094], [0097]）。在这种级联操作中，前一个AI过程的输出项（例如面部边界框）被用作后一个AI过程的输入项。

* **“技术特征F”：通过使用第一指示和第二指示来指示所述多个基于人工智能的处理算法的多个过程之间的依赖关系**。说明书提供了一种具体实施方式：在“项引用（`'iref'`）盒”中使用名为“`'vai'`”的新项引用类型来代替先前定义的盒关系机制（本申请 [0172]-[0175]）。在此类型中，“`from_item_ID`”表示包含AI有效载荷的项，而“`to_item_ID`”引用AI项ID，可以将这些AI项ID用作输入（即，指示一种“依赖”关系，其中 `from_item_ID` 需要来自以 `to_item_ID` 列出的项的输入）（本申请 [0175]-[0176]）。

根据以上解释，权利要求1的技术实质在于在图像容器文件（如HEIF）内部，利用专门定义的项引用指示（例如 `from_item_ID` 指向 AI payload 项，`to_item_ID` 指向输入项）来明确地信号发送（signal）不同AI处理过程之间的级联/依赖关系。

---

### 第二部分：特征比对表格

下列特征比对表格依据各对比文件原文进行比对：

---

### 第三部分：对比文件毫无异议公开或实质公开特征的分析

1. **D1 和 D2**：毫无异议公开了特征A、特征G；由于两者均描述了对数字图像进行语义分类，采用了包括天检测、室内/室外分类、面探测等多个基于AI的处理算法（即，内容特征探测器群，内容特征探测器，D1 [0024], D2 [2][0024]），因此实质公开了技术特征B（多个AI算法的过程）；语义标签（包括事件标签、内容标签，D1 表1/3, D2 表1/3）属于内容探测结果，由于其自动标记图像，因此实质公开了特征C；图3和图7描述了BBN的条件概率级联逻辑，以及级联探测流程（D1 [0027], D2 [0032]），这实质公开了特征D（多个过程间的依赖关系）和特征F（第二指示表示输入项，级联操作的输入可以是另一个AI算法探测到的面部的边界框（[0032]））。但是，D1/D2是通用方法文件，并未公开或暗示本申请技术实质所涉及的、封装在HEIF等容器格式内的、专门boxed的数据结构或指示（特征E未公开）。

2. **D3**：毫无异议公开了特征A和特征G。其专注于 ISOBMFF 的衍生图像及其资源的评估，但完全不涉及 AI 或 AI 元数据（特征前序），因此未实质公开特征B、C、D、F，未公开特征E。

3. **D4**：毫无异议公开了特征A、特征G；其旨在在 ISOBMFF（如 HEIF）容器文件中存储由脚本指定的“动态衍生图像”（[0031]-[0032]）。脚本本身被存储为项（毫无异议公开特征C的一半）；由于动态衍生项可以级联（D4摘要），并且在项引用（`iref`）中使用项ID（[0084]-[0085]），因此实质公开了技术特征D（指示依赖关系）和技术特征F（第二指示表示输入项）。D4将脚本作为项本身，但并未教授这是由于AI探测过程而检测到的内容元素和过程信息的 boxed 存储。特征B（多个AI算法的过程）和技术特征E（AI项和AI payload）未公开或实质公开。

---

### 第四部分：最接近的对比文件分析

从整体解决的技术问题和技术效果角度分析，D1/D2和D4均具有可比性，但其所关注的技术维度不同：

* **从整体解决的技术问题和技术效果角度，D4 适合做最接近的对比文件**。

* **解决的问题**：D4 [0021]-[0025] 明确指出了当时 HEIF 衍生图像规范存在的挑战：衍生类型适用性窄、标准制定周期长、复杂操作难以在 HEIF 中标准化。本申请旨在解决在 HEIF 等容器格式中存储、信号发送 AI 元数据及其依赖关系的挑战。D4旨在解决在容器格式内以灵活、标准化的方式存储动态衍生图像及其级联的技术问题。

* **技术效果**：D4通过在 ISOBMFF 媒体容器文件（例如 HEIF，[0032]）中引入脚本支持，实现了动态衍生图像的封装和级联。通过使用项引用（`iref`）机制信号发送衍生图像项之间的级联关系。D4与本申请属于非常相近的技术领域（用于存储和信号发送媒体数据及相关信息的媒体文件容器格式），解决的技术问题相近（灵活、标准化的封装）。

* **D1 和 D2**：虽然实质公开了技术特征B、C、D、F，但其是通用的语义图像处理方法文件。其解决的问题是如何实现事件和语义内容的自动分类，而非媒体格式内部的元数据信号发送机制。其公开的级联逻辑是通用的概率级联（BBN）。对于本申请旨在解决的如何在 boxed 媒体容器（如 HEIF）格式中高效信号发送过程依赖关系的技术问题，D1/D2不具备针对性。

综上，**D4 适合做最接近的对比文件**。

---

### 第五部分：无效请求中最薄弱的技术特征

在最接近的对比文件D4的基础上，**权利要求1中最薄弱的技术特征是技术特征F和前序。**

技术特征F涉及：**“并且其中，所述第二指示表示被用作用于生成所述多个基于人工智能的处理算法的多个过程的结果的输入的项”**。

结合说明书，此特征是指在容器格式的“ iref ”盒中，使用名为“ vai ”的新引用类型信号发送依赖关系（ [0175] ）。在此类型中，“`to_item_ID`”引用AI项ID，其被用作输入（指示“依赖”关系， [0176] ）。尽管D4在项引用中采用了项ID（图2）以信号发送级联图像衍生之间的关系（ [0084] ），但此特征的具体实现细节（如专门的 boxed 引用指示结构和语义）并未直接给出。但是，基于 ISOBMFF 规范中既有的项ID信号发送机制，本领域技术人员为了解决AI过程依赖关系信号发送的技术问题，本领域技术人员为了解决AI过程依赖关系信号发送的技术问题，采用一个专门的ID信号发送指示是显而易见的。在D1/D2已经公开级联操作（面部识别在面部边界框上应用（输入项））的情况下，将D1/D2中的 AI 过程应用到 D4 容器格式的项目项引用机制（`iref`），并增加一个专门指示，具有较高的显而易见性。

前序部分涉及：**“一种用于存储和信号发送人工智能元数据的方法，包括：”**。

虽然D4被确定为最接近的对比文件，但其专注于衍生图像本身及其脚本定义（作为项特征C），而非专门用于“信号发送AI元数据”的方法。通过增加 AI 元数据探测特征（如D1/D2），使其适用于 AI 领域，对本领域技术人员而言是常识。

其他非被最接近对比文件公开的特征分析：

* **特征B、C、E（ boxed 数据结构和AI项）**：由于ISOBMFF规范本身提供了元元数据存储的通用 boxed 结构和语义（轨道、 meta-box，meta盒 ([0179])、 entity groups， entity grouping ([0088])等），将 AI 处理过程探测到的结果和过程信息（如D1/D2）采用boxed方式存储也是显而易见的。D4本身就描述了将衍生图像的操作定义（脚本本身）封装在 meta-box 中。虽然特征B、C、E具体 boxed 的数据结构语义（如 `'vai'`、`from_item_ID` 指向 payload 项目、`to_item_ID` 指向输入项目）未被完全公开，但其实现方法（在通用媒体容器规范内部添加特定指示和字段）属于常规技术手段在相近场景下的组合应用操作方式，结合媒体文件格式标准规范领域的既有常识，组合应用具有较强的显而易见性。

因此，综合上述分析，如果在最接近对比文件（D4）的基础上，结合一般媒体规范常识和AI探测的通识技术（D1/D2），在权利要求1的基础技术特征B、C、D、G均可显而易见地获得组合操作应用的基础操作应用的情况下，基于最接近对比文件公开的技术基础技术特征F（在 iref 项目中ID信号信号发送级联关系指示）以及前序的技术显而易见性是显而易见的，其技术薄弱点较高，因此是无效请求中最薄弱的技术薄弱技术特征。技术薄弱性最高的技术薄弱点技术特征。技术特征薄弱点最高的技术特征。

你好，我是您的专利代理师。现紧密结合目标专利说明书（下称“本申请说明书”）对权利要求1进行深入解析，并结合您提供的三份对比文件原文进行详细的比对分析和创造性评述。

### 第一部分：权利要求1的技术特征深度解析

权利要求1保护一种用于存储和信号发送人工智能（AI）元数据的方法。其核心在于如何在媒体容器文件（如HEIF/ISOBMFF）中不仅存储AI分析的结果，还存储生成这些结果的过程信息，特别是**明确指示多个AI过程之间的输入/输出依赖关系（级联关系）**。

下面结合本申请说明书对各特征进行解释：

* **技术特征A：接收采用容器文件格式的视觉数据**

* **说明书解释：** 此处的“容器文件格式”在实施例中具体指基于ISO基本媒体文件格式（ISOBMFF）及其派生格式，如高效图像文件格式（HEIF）、MP4等（参见说明书\[0028\]）。“视觉数据”可以是静止图像或图像序列/视频（参见说明书\[0012\]、\[0080\]）。

* **技术特征B：通过使用多个基于人工智能的处理算法的多个过程来处理所述视觉数据以检测一个或多个内容元素**

* **说明书解释：** 这对应于媒体处理管道。例如，说明书图5和图6描述的级联操作：首先检测背景，然后检测对象和人脸，最后识别人脸（参见说明书\[0203\]、\[0204\]）。这些过程使用神经网络（NN）或机器学习算法（参见说明书\[0003\]、\[0085\]）。核心在于存在“多个”算法和“多个”过程。

* **技术特征C：存储所检测到的一个或多个内容元素和关于用于检测所述一个或多个内容元素的所述多个基于人工智能的处理算法的多个过程的信息，作为元数据**

* **说明书解释：** 不仅存储结果（如人脸边界框），还要存储过程信息（如使用了哪个算法、服务版本、模式位置等）。本申请定义了新的盒结构，如`VAIIProperty`（AI特性盒，包含服务定义、版本、描述等）来携带这些过程元数据（参见说明书\[0123\]、\[0144\]、\[0145\]）。

* **技术特征D、E、F（核心区别特征组合）：明确信号发送过程间的依赖关系**

* **特征D：通过使用第一指示和第二指示来指示所述多个基于人工智能的处理算法的多个过程之间的依赖关系，**

* **特征E：其中，所述第一指示表示包含人工智能有效载荷的人工智能项，**

* **特征F：并且其中，所述第二指示表示被用作用于生成所述多个基于人工智能的处理算法的多个过程的结果的输入的项**

* **说明书解释：** 这是本申请解决可互操作级联操作的核心机制。说明书提出了两种实施方式来实现这种“指示”：

1. **基于特性（Property）的机制（图3）：** 定义`ItemPropertyRelationBox`，其中的`property_index`用于指向同一过程的输入特性的Property索引和输出特性的Property索引，从而将不同AI特性的Property联系起来（参见说明书\[0154\]-\[0158\]）。

2. **基于项引用（Item Reference）的机制（图4）：** 这是权利要求1文字更直接对应的实施例。定义新的项引用类型，例如‘vai’（参见说明书\[0173\]-\[0176\]）。

* **对应特征E（第一指示）：** 引用中的`from_item_ID`，它表示包含AI有效载荷（即过程结果）的AI项（参见说明书\[0175\]）。

* **对应特征F（第二指示）：** 引用中的`to_item_ID`，它引用被用作输入的AI项ID（参见说明书\[0175\]）。例如，人脸识别过程的AI项（from）依赖于面部检测器过程出的AI项ID（to，提供边界框输入）（参见说明书\[0175\]、\[0176\]）。

* **技术特征G：将所述元数据包括到与所述视觉数据相关联的所述容器文件中。**

* **说明书解释：** 将上述AI过程元数据和有效载荷作为项（Item）存储在元盒（‘meta’ box）中，或者与AI特性紧密耦合地存储（参见说明书\[0168\]、\[0170\]，图3和图4）。最终所有数据都在同一个容器文件（媒体文件）中，确保数据的自包含性。

---

### 第二部分：对比文件分析及特征比对

您提供了三份对比文件：

1. **D1: WO2016202664A1** (IMAGE DATA ENCAPSULATION)

2. **D2: JPWO2015093330A1** (認識データ伝送装置...)

3. **D3: US9897450B2** (Method and apparatus to obtain differential location information)

以下是详细的特征比对表格及出处分析：

#### 表1：权利要求1与对比文件技术特征比对表

---

#### 详细出处分析

### 1. 对比文件 D1 (WO2016202664A1) 分析

**整体解决的技术问题和效果：** D1主要解决在ISOBMFF的‘meta’盒中如何封装静止图像及其派生图像（derived images），特别是如何紧凑地描述应用于输入图像以生成派生图像的操作（变换和级联效果），例如旋转、裁剪、覆盖等，而无需重复存储像素数据（见D1标题\[0002\]、摘要\[0006\]-\[0010\]、\[0021\]）。

**特征比对分析：**

* **特征A（容器文件）：毫无异议公开。** D1原文\[0006\]、\[0009\]、\[0010\]明确提到了ISO基本媒体文件格式（ISOBMFF）和高效视频编码（HEVC）静止图像文件格式（**引文1**）。图1和图5示出了‘meta’盒结构（**引文2**）。

* **特征B（多个AI过程检测内容）：未公开。** D1公开的操作是图像**变换**和**组合**（"transform or compose images to create new derived images... operations, such as rotation or clipping"见\[0020\]-\[0021\]）。这不是权利要求1所述的使用AI算法**检测内容元素**（语义分析）的过程。

* **特征D、E、F（依赖关系指示）：实质公开。** D1详细描述了ISOBMFF的项引用机制‘iref’。在派生图像的上下文中，D1原文\[0715\]提到："*Still according to this embodiment, a single, generic item type called ‘dimg’, with item references of type ‘simr’ to items of types ‘simd’ is introduced...*"。更有力的证据在于D1原文\[0128\]的特征c描述："*reference data linking said subdivision description data and said portion identification data.*"。对应说明书实施例描述，派生图像项通过`item reference`指向输入图像项（见\[0406\]-\[0409\]，其中的fromID指向变换后的项，toID指向参考项）（**引文3**）。

* 在\[0778\]段，D1公开了：“*The source image is identified by an item reference of type ‘dimg’ (or any reserved reference type) from the derived item to the source image.*”（**引文4**）。

* 这实质上公开了使用‘iref’机制中的**`from_item_ID`（第一指示）**和**`to_item_ID`（第二指示）**来指示项之间的依赖/参考关系。特征A、E、F在*机制层面上*已被D1实质公开，区别仅在于D1中这些项是派生图像项和源图像项，而非AI payload项。

### 2. 对比文件 D2 (JPWO2015093330A1) 分析

**整体解决的技术问题和效果：** D2解决如何利用影像解析技术检测人物及其行动（认识数据），并将这些行动数据以行动为单位（ブロックデータ）进行传送或记录，以在节省传送频宽的同时提高见守り服务（远程监护/监控）的便利性（见D2摘要\[0008\]、\[0011\]）。

**特征比对分析：**

* **特征A（视觉数据）：毫无异议公开。** D2图3中公開了撮像装置10（**引文1**），并在\[0019\]提到了使用 Wi-Fi 或 Ethernet 等 LAN 手段将行动情报和拍摄映像传送给情报表示终端2（**引文2**）。

* **特征B（多个AI过程检测内容）：实质公开。** D2公开了级联的映像解析过程。原文\[0009\]、\[0016\]描述了認識データ伝送装置包括：人物検出部（从特征量检测人物）、ユーザ情報検出部（检测身体特征/属性）、モーション検出部（動きまたは身振り手振り/動き）、行動認識部（从モーション和ユーザ情报认识行动）。图4示出了这一级联过程（動きベクトル検出->人物検出->ユーザ情報検出->モーション検出->行動認識）（**引文3**）。这些均属于检测视觉数据中的内容元素。

* **特征G（包括到关联容器中）：实质公开。** 原文\[0029\]提到データ変換部13将認識情报和撮影映像转换为ブロック単位（**引文4**），伝送制御部14通过网络传输或記録到記錄媒体16中（\[0033\]、**引文5**）。图12公开了ブロックで伝送する映像データ構造例，表明映像数据（mdat部分）和認識データ一起传输（**引文6**）。

* **特征D、E、F（依赖关系指示）：未公开。** 虽然D2提及不同检测部之间的信息传递（引文3），以及認識情报と映像データは行動の開始時間と終了時間とで参照すればよく（\[0023\]，**引文7**，\[0089\]，**引文8**），但D2未提及权利要求1核心的通过在文件结构中使用两个指示器（第一指示表示包含有效载荷的AI项，第二指示表示用作输入的项）来明确指示**多个过程之间**的输入/输出依赖关系。D2依赖于时间戳对应，而非如本申请实施例说明书\[0175\]、\[0176\]描述的项之间的逻辑依赖引用。

---

### 第三部分：最接近的对比文件分析及创造性薄弱环节

#### 1. 最接近的对比文件评述

从整体解决的技术问题和技术效果角度分析，本创造创造性分析过程中适合做**最接近的对比文件（D2）为：D2 (JPWO2015093330A1)。**

**理由如下：**

1. **技术领域和要解决的问题最接近：** 本申请和D2都旨在利用AI算法（神经网络/机器学习）分析媒体（视觉数据），生成描述内容的语义元数据（内容元素、行动、属性），并解决如何将这些AI分析结果与媒体数据相关联并进行高效、结构化的存储和信号发送（参见D2 \[0008\]、本申请 \[0093\]-\[0097\]）。两者都关注级联的多算法/多过程操作。

2. **技术方案核心架构最接近：** D2实质公开了权利要求1的前三个核心步骤（特征A、B、C的一部分）。D2明确公开了接收视觉数据，并通过人物检测、用户情报检测、动作检测、行动认识等**多个基于解析算法的过程**来处理视觉数据以检测人物认识数据（内容元素）。

3. **相比之下（D1和D3）：**

* D1虽然描述了ISOBMFF文件结构和`item reference`机制（在D1机制层面上公开了特征D、E、F），但其解决的是派生图像（图像变换操作）的紧凑封装问题，不包含基于AI Content Detection的过程，不涉及权利要求1“存储关于用于检测所述一个或多个内容元素的所述多个基于人工智能的处理算法的过程的信息”的技术特征。若选择D1作为最接近对比文件，将面临改变技术领域的重大困难（从图像变换操作转向语义级联分析）。

* D3虽然解决了位置信息的差分检测和存储问题（且特征D-F机制层面公开），但其特征B是未公开的，其核心是传感器数据而非视觉数据的语义AI分析，距离更远。

#### 2. 沒有被最接近的对比文件（D2）公开的特征及是否被其他对比文件公开

**没有被D2公开的特征为特征C的一部分、特征D、E、F。** 特别是关于明确指示过程级联依赖关系的特征D、E、F。

* **特征C（过程信息元数据）：** D2未明确公开存储描述算法细节的过程元数据（算法名称、服务版本等）。D1中提到EXIF元数据，但与AI过程无关。D3存储传感器描述。由于并未公开AI检测过程，其他对比文件无法提供在此处存储AI过程描述元数据的教导。

* **特征D、E、F（核心区别特征组合）：** D2仅公开了基于时间戳的隐式关联。然而，**ISOBMFF标准中的项引用机制‘iref’本身在上述特征Mechanic的层次上已被D1实质公开（引文3、引文4）。** D1教导了使用‘iref’中的‘from_item_ID’指向派生图像项（可以理解为操作的结果 payload），‘to_item_ID’指向输入项（可以是源项或其他派生项，即用作输入的项）。

因此，如果以D2作为最接近对比文件结合D1和ISOBMFF通用常识进行创造性评述：

本申请权利要求1的技术方案与D2的区别在于：1）特征C关于过程描述信息的存储；2）特征D-F关于明确的过程依赖关系指示机制。

针对区别2，D2教导了级联的过程流（動きベクトル检测->人物检测->行动认识），本申请教导了这些过程流需要级联操作，且缺乏标准化、互操作的指示机制（参见说明书\[0094\]）。鉴于ISOBMFF标准中早已存在通用的项引用机制‘iref’（如D1所示），在有明确过程流依赖（D2已公开）的技术环境下，为了满足说明书\[0094\]所述的级联算法的标准化指示需求，将标准的‘iref’（通用Mechanic已公开于D1）应用于D2中级联过程之间以明确指示输出/输入关系，对于本领域技术人员而言是无需付出创造性劳动就能想到的。

#### 3. 无效请求中最薄弱的技术特征

基于上述创造性分析，权利要求1中**最薄弱的技术特征组合**在于：

**特征D：通过使用第一指示和第二指示来指示所述多个基于人工智能的处理算法的多个过程之间的依赖关系，其中，所述第一指示表示包含人工智能有效载荷的人工智能项，并且其中，所述第二指示表示被用作用于生成所述多个基于人工智能的处理算法的多个过程的结果的输入的项**。

**原因分析：**

1. 虽然对比文件D2（行动 인식）并未具体实施这一指示机制（使用的是隐式时间戳），但在AI视觉分析领域应用级联网络或多过程已经是通用常识（D2亦有体现）。

2. 权利要求1在此特征组合中文字上极其依赖通用的Mechanic。权利要求1虽然使用了带有“人工智能”限定的项（“人工智能项”、“人工智能有效载荷”），但最终落在文件结构上，其技术手段无外乎是ISOBMFF标准中通用的**`from_item_ID`（第一指示）**指向通用Mechanic定义的结果payload，以及**`to_item_ID`（第二指示）**指向通用Mechanic定义的输入项，以指示参考关系。

3. 这种通用的引用依赖关系Mechanic本身在文件格式领域是极其成熟且广为人知的通用技术手段（D1明确记载）。因此，将通用的引用依赖机制用于解决已知的AI级联流信号发送问题，其创造性高度很低。

无效请求可以通过组合D2（公开AI视觉多过程检测）和D1（公开ISOBMFF通用的from/to项引用Mechanic），结合ISOBMFF标准，认定特征D-F的应用显而易见，从而成功攻击权利要求1的创造性。特征C的过程元数据可以通过D2的过程描述加上通用的EXIF等元数据教导来进一步组合攻击。

以上是我的专业分析建议，供您参考。

根据权利要求1所述的方法，其中，所述容器文件包括第一盒，所述第一盒包括关于基于人工智能的处理算法的元数据。

根据权利要求1所述的方法，其中，所述容器文件包括第二盒，所述第二盒包括关于所述一个或多个内容元素的元数据。

根据权利要求1所述的方法，其中，所述容器文件包括第三盒，所述第三盒包括关于多个基于人工智能的处理算法的过程的元数据。

根据权利要求1所述的方法，其中，所述容器文件包括图像序列或视频，并且其中，所述容器文件包括用于包含所述元数据的媒体轨道的媒体样本定义。

根据权利要求1所述的方法，其中，所述容器文件包括用于定义容器与包括所述容器文件中的信息的其他实体之间的关联的关系定义。

根据权利要求1所述的方法，其中，所述视觉数据通过一个或多个神经网络或一个或多个基于非神经网络的算法来处理，以检测所述一个或多个内容元素。

一种用于存储和信号发送人工智能元数据的装置，包括至少一个处理器以及存储计算机程序代码的至少一个存储器；所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使所述装置至少执行：接收采用容器文件格式的视觉数据； 通过使用多个基于人工智能的处理算法的多个过程来处理所述视觉数据以检测一个或多个内容元素； 存储所检测到的一个或多个内容元素和关于用于检测所述一个或多个内容元素的所述多个基于人工智能的处理算法的多个过程的信息，作为元数据； 通过使用第一指示和第二指示来指示所述多个基于人工智能的处理算法的多个过程之间的依赖关系，其中，所述第一指示表示包含人工智能有效载荷的人工智能项，并且其中，所述第二指示表示被用作用于生成所述多个基于人工智能的处理算法的多个过程的结果的输入的项；以及将所述元数据包括到与所述视觉数据相关联的所述容器文件中。

根据权利要求8所述的装置，其中，所述容器文件包括第一盒，所述第一盒包括关于基于人工智能的处理算法的元数据。

根据权利要求8所述的装置，其中，所述容器文件包括第二盒，所述第二盒包括关于所述一个或多个内容元素的元数据。

根据权利要求8所述的装置，其中，所述容器文件包括第三盒，所述第三盒包括关于多个基于人工智能的处理算法的过程的元数据。

根据权利要求8所述的装置，其中，所述容器文件包括图像序列或视频，并且其中，所述容器文件包括用于包含所述元数据的媒体轨道的媒体样本定义。

根据权利要求8所述的装置，其中，所述容器文件包括用于定义容器与包括所述容器文件中的信息的其他实体之间的关联的关系定义。

根据权利要求8所述的装置，还包括一个或多个神经网络或一个或多个基于非神经网络的算法，以用于处理所述视觉数据以检测所述一个或多个内容元素。

一种非暂时性计算机可读存储介质，在其中存储有计算机可执行程序代码指令，所述计算机可执行程序代码指令包括在执行时被配置为执行以下操作的程序代码指令：接收采用容器文件格式的视觉数据； 通过使用多个基于人工智能的处理算法的多个过程来处理所述视觉数据以检测一个或多个内容元素； 存储所检测到的一个或多个内容元素和关于用于检测所述一个或多个内容元素的所述多个基于人工智能的处理算法的多个过程的信息，作为元数据； 通过使用第一指示和第二指示来指示所述多个基于人工智能的处理算法的多个过程之间的依赖关系，其中，所述第一指示表示包含人工智能有效载荷的人工智能项，并且其中，所述第二指示表示被用作用于生成所述多个基于人工智能的处理算法的多个过程的结果的输入的项；以及将所述元数据包括到与所述视觉数据相关联的所述容器文件中。

根据权利要求15所述的非暂时性计算机可读存储介质，其中，所述容器文件包括第一盒，所述第一盒包括关于基于人工智能的处理算法的元数据。

根据权利要求15所述的非暂时性计算机可读存储介质，其中，所述容器文件包括第二盒，所述第二盒包括关于所述一个或多个内容元素的元数据。

根据权利要求15所述的非暂时性计算机可读存储介质，其中，所述容器文件包括第三盒，所述第三盒包括关于多个基于人工智能的处理算法的过程的元数据。

根据权利要求15所述的非暂时性计算机可读存储介质，其中，所述容器文件包括图像序列或视频，并且其中，所述容器文件包括用于包含所述元数据的媒体轨道的媒体样本定义。