对比文件：2014-06-26_US2014178043A_发明申请_US20140178043A1 VISUAL SUMMARIZATION OF VIDEO FOR QUICK UNDERSTANDING
目标专利：709一种用于人工智能的装置和方法CN112740715B
本次调用模型：专利特征比对分析模型
### 特征比对表格
| 技术特征描述及公开性判断 | 对比文件原文引用 | 公开性论述 |
| **技术特征A**：包括：接收采用容器文件格式的视觉数据 《直接公开》 | [0003] A television show, movie, internet video, or other similar content may be stored on a disc or in other memory using a container or wrapper file format. <br>[0032] FIG. 2 is a block diagram of an exemplary audio-visual file container 202 that may contain a video file 204... | 对比文件[0003]明确公开了视频内容（视觉数据）可以使用容器（container）或包装（wrapper）文件格式进行存储。[0032]及图2进一步示出了包含视频文件的示例性音视频文件容器202。因此，本领域技术人员可以直接且毫无疑义地确定，对比文件公开了接收采用容器文件格式的视频（视觉数据）这一技术方案。 |
| **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 《直接公开》 | [0045] ...to identify: ...(ii) skin or hair texture using a neural network; ... <br>[0047] ...patterns may be learned from training images using: ...(iii) Neural Networks; (iv) Support Vector Machines; (v) Sparse Network of Winnows (SNoW); (vi) Naive Bayes Classifiers; (vii) Hidden Markov Models... <br>[0025] The video processing module 152 may include various processes that generate visual tags... The audio processing module 154 may include various processes for generating audio and key word tags... | 对比文件[0045]明确提到使用神经网络（neural network）这一人工智能算法来处理视频帧（视觉数据）以识别对象。[0047]则列举了可用于对象识别的多种机器学习算法，包括神经网络、支持向量机、朴素贝叶斯分类器等，这些均属于基于人工智能的处理算法。同时，[0025]和图3公开了生成视觉标签、音频标签等多个过程（processes）。因此，对比文件明确公开了使用多个基于AI的处理算法通过多个过程来处理视频以检测对象（内容元素）。 |
| **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 《隐含公开》 | [0034] The process 300 may receive as input a visual tag file 302, an audio tag file 304, a key word tag file 306...Each tag may be associated with a time stamp... <br>[0045] ...employ an image recognition processes that identifies: (i) facial features... (ii) skin or hair texture using a neural network... <br>[0035] In operation 312, an emotion tag file 314 may be created from the attribute tag file 308 and the consistency-corrected visual tag 302, audio tag 304, key word tag 306, and metadata 210 files. | 对比文件[0034]公开了将检测到的内容元素（如视觉对象、音频对象、关键词）存储为具有时间戳的标签文件（tag files），这些标签文件即为描述视频内容的元数据。虽然对比文件没有明确将“关于用于检测内容元素的多个AI处理算法的多个过程的信息”整合成一个独立的元数据项进行存储，但其技术方案隐含了这一内容：<br>1. 对比文件[0045]详细描述了使用何种算法（如神经网络）以及如何处理数据以识别对象，这些关于算法和过程的描述本身就是信息。<br>2. 生成情感标签的过程（操作312）明确依赖于多个上游过程（视觉、音频、关键词标签生成过程）的输出，这本身就记录了过程之间的信息流和依赖关系。<br>由于对比文件存储了算法处理的结果（标签）并描述了处理过程，本领域技术人员可以合理推断，为了实现算法的可复现和级联，必然需要存储或记录这些过程信息，因此该特征被隐含公开。 |
| **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 《隐含公开》 | [0035] In operation 312, an emotion tag file 314 may be created from the attribute tag file 308 and the consistency-corrected visual tag 302, audio tag 304, key word tag 306, and metadata 210 files. <br>[0034] The operation 310 may include comparing a tag with one or more other tags associated with the same shot or scene for consistency. | 对比文件未明确定义名为“第一指示”和“第二指示”的语法元素来显式地声明过程依赖关系。然而，其技术方案隐含了这种指示关系：<br>1. 在操作312中，生成情感标签文件（emotion tag file 314）这一过程，明确依赖于（created from）视觉标签文件（visual tag 302）、音频标签文件（audio tag 304）等多个上游过程的输出。这种“从...创建”的定义，功能上等同于一种指示，指明了情感分析过程的输入来源。<br>2. 操作310中，一个过程的标签需要与“同一镜头或场景相关的其他标签”进行比较验证，这也指示了不同分析过程（如视觉识别和音频识别）结果之间存在依赖和关联。<br>因此，本领域技术人员可以从这些过程间的数据流向合理推断出，对比文件隐含地使用了指示机制来定义不同AI处理过程之间的依赖关系。 |
| **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 《隐含公开》 | [0034] The visual tag file 302 includes tags that correspond with visually perceivable objects...The audio tag file 304 includes tags that correspond with aurally perceivable objects. <br>[0035] ...an emotion tag file 314 may be created...The emotion tag file 314 includes tags that are associated with emotion objects. | 对比文件中没有使用“人工智能项”这一术语，但其描述的“标签文件”（tag files）在功能上与此对应。例如，视觉标签文件（visual tag file 302）中包含了通过AI算法（如神经网络）分析视频帧后产生的、关于视觉对象的识别结果，这些结果数据即为“人工智能有效载荷”。在依赖关系中，当情感标签的生成过程引用视觉标签文件作为输入时，该引用行为本身构成了一个“第一指示”，其所指向的正是包含AI有效载荷（识别出的对象标签）的数据集合（即“人工智能项”）。因此，该特征被隐含公开。 |
| **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 《隐含公开》 | [0035] In operation 312, an emotion tag file 314 may be created from the attribute tag file 308 and the consistency-corrected visual tag 302, audio tag 304, key word tag 306, and metadata 210 files. | 在对比文件公开的依赖关系中，操作312（生成情感标签的过程）的结果是情感标签文件314。该过程的输入明确包括视觉标签、音频标签、关键词标签等文件。当定义此依赖关系时，指向这些输入文件的指示，功能上即等同于“第二指示”，这些指示所表示的正是“被用作用于生成过程结果的输入的项”。这些输入项（各类标签文件）同样是包含AI分析结果（有效载荷）的数据实体。因此，该特征被隐含公开。 |
| **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。 《直接公开》 | [0032] FIG. 2 is a block diagram of an exemplary audio-visual file container 202 that may contain a video file 204, an audio file 206, a subtitle file 208, and a metadata file 210 according to one embodiment. | 对比文件[0032]以及图2明确公开了音视频文件容器（audio-visual file container 202）可以包含视频文件（video file 204）和元数据文件（metadata file 210）。这表明元数据被包括在与视觉数据（视频文件）相关联的同一容器文件中。这直接对应于目标专利中将元数据包括到与视觉数据相关联的容器文件中的技术方案。 |
| **技术特征H**：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。 | 未发现公开内容。 | 对比文件提到了容器文件格式（如AVI），并在[0003]中指出容器可以包含元数据，但通篇未提及容器文件内部采用“盒”（box）这一特定数据结构，也未描述存在一个专门用于包含AI处理算法元数据的“第一盒”。目标专利说明书[0122]-[0123]明确指出，“盒”是构成ISO基本媒体文件格式（ISOBMFF）的基本构建块。对比文件的容器格式未体现这一层级结构，因此该特征未被公开。 |
| **技术特征I**：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。 | 未发现公开内容。 | 同上，对比文件未公开其容器文件格式是基于“盒”的层次结构。虽然它生成了关于内容元素的元数据（标签文件），但并未将其描述或组织为一个位于容器文件特定层级内的、结构化的“第二盒”。缺少对“盒”这一特定数据结构的公开，导致该技术特征未被公开。 |
| **技术特征J**：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。 | 未发现公开内容。 | 基于与H、I相同的理由，对比文件未公开基于“盒”结构的容器文件格式。虽然对比文件中隐含了多个AI处理过程的信息，但这些信息并未以独立的、被称为“第三盒”的数据结构形式存在于容器文件中。因此，该特征未被公开。 |
| **技术特征K**：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。 | 未发现公开内容。 | 目标专利中的“媒体轨道”和“媒体样本定义”是ISOBMFF及其派生格式（如HEIF）中的特定概念，用于对时基媒体数据进行结构化封装（参见说明书[0033], [0128]）。对比文件虽然处理视频（图像序列），但其描述的标签元数据是作为独立的标签文件（tag files）存在，并未公开将这些元数据封装为符合“媒体样本定义”的、与视频轨道并行的“定时元数据轨道”。因此，该特征未被公开。 |
| **技术特征L**：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。 | 未发现公开内容。 | 目标专利中的“关系定义”特指用于将AI元数据实体（如项、轨道）与容器内其他信息承载实体（如图像项）进行关联的标准化机制，例如通过特定类型的项引用盒（'iref'）或轨道引用盒实现（参见说明书[0126]）。对比文件仅描述了不同标签文件在过程逻辑上的依赖关系，但并未公开在容器文件格式层面存在一个标准化的、用于定义实体间关联的“关系定义”数据结构。因此，该特征未被公开。 |
| **技术特征M**：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。 《直接公开》 | [0045] ...employ an image recognition processes that identifies: (i) facial features using edge detectors (e.g., a Sobel filter) and templates; (ii) skin or hair texture using a neural network; and (iii) skin color using a pixel chrominance classifier. <br>[0047] ...patterns may be learned from training images using: ...(iii) Neural Networks; (iv) Support Vector Machines; (v) Sparse Network of Winnows (SNoW)... | 对比文件[0045]明确公开了使用神经网络（neural network）来处理图像以检测皮肤或头发纹理（内容元素）。同时，该段落也提到了使用边缘检测器（Sobel filter）和模板等基于非神经网络的算法来检测面部特征。[0047]则进一步列举了可用于对象识别的神经网络（Neural Networks）和多种非神经网络的机器学习算法，如支持向量机（SVM）等。这直接且明确地公开了通过神经网络和非神经网络算法处理视觉数据以检测内容元素的方案。 |
<<<A>>><<<B>>><<<c>>><<<d>>><<<e>>><<<f>>><<<G>>><<<M>>>