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，《直接公开》	[0022] "The data object classification system 100 includes an initial data object classification system 106 ... Generally, the initial data object classification system 106 is a system that has been trained, e.g., on labeled training data objects, to generate the classification scores for input data objects." <br> [0024] "An example initial image classification system that is a deep convolutional neural network is described in Imagenet classification with deep convolutional neural networks..." <br> [0030] "For example, the classification data can be generated by an initial data object classification system e.g., the initial data object classification system 106 of FIG. 1, that processes the data object in order to generate classification scores for the data object."	对比文件明确公开了“初始数据对象分类系统”，该系统是经过训练的（例如在标记的训练数据对象上），用于为输入数据对象生成分类分数（参见[0022]、[0030]）。该初始数据对象分类系统的示例是深度卷积神经网络（参见[0024]）。在目标专利中，“第一预先训练的分类器”用于确定图像的特征（例如，深度卷积网络作为特征提取器）。虽然对比文件侧重于生成“分类分数”，但生成这些分数必然涉及从输入数据对象（如图像）中提取和确定特征，这是分类器的核心功能。因此，本领域技术人员能够毫无疑义地理解，对比文件中经过训练的初始数据对象分类系统，在接收图像作为输入数据对象时，其运行过程必然包括确定该图像的特征。技术特征A被直接公开。
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《隐含公开》	[0022] "...trained, e.g., on labeled training data objects, to generate the classification scores for input data objects." <br> [0028] "The system receives an input data object (step 202)"	对比文件公开了初始数据对象分类系统是在标记的训练数据对象上训练的（[0022]），并且该系统随后接收输入数据对象进行处理（[0028]）。根据系统训练和应用的基本原理，用于训练分类器的训练图像集与分类器后续应用时所处理的“输入数据对象”（即“所存储图像”）是不同的集合。本领域技术人员能够合理推断，一个经过训练的分类器被用来处理新的、未见过的数据（即“所存储图像”），这些数据在训练时并未使用，否则训练就失去了泛化意义。因此，技术特征B被隐含公开。
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《隐含公开》	[0039] "The system selects one or more category labels for the input data object using the aggregate high-dimensional representation for the input data object... the system can determine the label for the input data object by determining the representation in the data store that is closest to the aggregate representation for the input data object." <br> [0040] "In some cases, the system selects each term that has a representation that is closer than a threshold distance to the aggregate representation of the input data object as a label for the data object."	对比文件公开了基于输入数据对象的聚合高维表示，通过寻找词表示数据存储中与该聚合表示“最接近”的表示，来为其选择一个或多个类别标签（[0039]）。这实质上是一种基于特征（即高维表示）相似性的分类或指派过程。将每个数据对象指派给“最接近”的表示，在概念上等同于将其指派到一个以该表示为“中心”的类别或群集中。虽然对比文件没有明确使用“群集”和“指派给群集”的表述，但其“基于距离选择最接近标签”的技术手段，与本领域技术人员所理解的基于特征相似性进行分群集（如最邻近分类或基于原型的分类）在原理和作用上相同。因此，技术特征C被隐含公开。
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《隐含公开》	[0040] "In some cases, the system selects each term that has a representation that is closer than a threshold distance to the aggregate representation of the input data object as a label for the data object."	对比文件明确公开了“系统选择每个其表示比阈值距离更接近输入数据对象的聚合表示的词，作为该数据对象的标签”（[0040]）。这直接公开了基于距离小于阈值（相当于第一阈值）来指派标记的技术手段。虽然对比文件没有公开基于“预定义图像数目小于第二阈值”或“图像百分比小于第三阈值”来指派标记的具体条件，但“基于距离阈值”这一核心筛选原则已被公开。本领域技术人员知晓，在数据分类或标记任务中，除了使用绝对距离阈值，也可以根据排名（如前N个最接近，可关联于数目阈值）或比例（如前p%最接近，可关联于百分比阈值）来选择对象，这些都是常见的、用于控制标记范围的替代或补充手段。因此，基于已公开的距离阈值原则，可以合理推断出使用数目或百分比阈值进行类似筛选的可能性。技术特征D被隐含公开。
技术特征E：修改所指派的标记《未公开》	无对应内容	对比文件描述了自动生成和指派标签的过程，但没有提及任何允许用户或系统修改已指派标记的机制、步骤或用户界面。技术特征E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《未公开》	无对应内容	对比文件未公开修改标记，因此自然也缺乏基于修改的标记来重新训练分类器的任何教导或启示。技术特征F未被公开。
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。《未公开》	无对应内容	对比文件描述了单次分类/标签生成流程，没有提及在初始分类或标记之后，再次使用同一分类器对相同图像进行“重新分类”的步骤或需求。技术特征G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)。《未公开》	[0024] "An example initial image classification system that is a deep convolutional neural network is described..."	对比文件仅以深度卷积神经网络作为初始分类系统的示例。它没有提及或暗示该分类器可以是SVM、逻辑回归、最接近的邻居或MLP等其他具体类型的分类器。技术特征H未被公开。
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。《未公开》	无对应内容	对比文件公开了为数据对象指派标签（[0039]-[0040]），但没有进一步描述基于这些标签将数据对象组织或分类到“群”中的后续步骤。技术特征I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。《未公开》	无对应内容	对比文件完全未涉及任何将图像放置到“文件夹”中的文件管理系统或操作。技术特征J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。《未公开》	无对应内容	由于对比文件未公开“文件夹”，因此自然也谈不上对文件夹进行命名，无论是使用非特定名称还是其他名称。技术特征K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。《未公开》	无对应内容	对比文件只涉及一个初始数据对象分类系统和一个标签生成引擎。没有提及使用第二个预先训练的分类器，更没有提及使用第二个分类器来确定文件夹名称。技术特征L未被公开。
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。《未公开》	无对应内容	依赖于技术特征L和“群集中心”等未公开的概念，且对比文件中无相应内容。技术特征M未被公开。
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。《未公开》	无对应内容	对比文件未涉及文件夹命名，也未提及多数裁定规则。技术特征N未被公开。
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。《未公开》	无对应内容	对比文件未涉及文件夹，也没有描述任何接收用户输入以修改或指派名称的交互过程。技术特征O未被公开。
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。《未公开》	无对应内容	对比文件未公开第二分类器、文件夹名称的修改、以及基于此的重新训练。技术特征P未被公开。
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。《未公开》	[0028] "The system receives an input data object (step 202)"	对比文件公开了接收输入数据对象（新图像）并进行处理（[0028]），但未公开将其“放置在文件夹中”这一后续操作。虽然特征提取和分类应用的过程可能被隐含，但“放置到文件夹”这一具体的文件管理动作未被公开。技术特征Q未被公开。
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。《未公开》	无对应内容	同技术特征E，对比文件未提及任何修改已指派标记的用户交互。技术特征R未被公开。
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。《未公开》	无对应内容	对比文件未涉及文件夹以及文件夹间的移动操作。技术特征S未被公开。
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。《未公开》	无对应内容	对比文件描述的是单个系统对数据对象进行分类的过程，没有提及与第二用户共享任何组件（如分类器）或数据（如群集中心列表）。技术特征T未被公开。
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。《未公开》	无对应内容	对比文件未公开共享、组合列表以及更新用户特定分类器。技术特征U未被公开。
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。《未公开》	无对应内容	对比文件未公开用户定义的种类，也未公开共享机制。技术特征V未被公开。