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>《直接公开》	[0044]段：“The style classifier may be trained by utilizing the SCNN or DCNN as described above. ... Given an image, the learned weights may be applied and the features may be extracted from the fc256 layer as its style attribute.”<br>译文：“可以通过使用如上所述的SCNN或DCNN来训练风格分类器。... 给定一个图像，可以应用学习到的权重，并且可以从fc256层提取特征作为其风格属性。”	对比文件明确公开了使用预先训练好的分类器（如SCNN或DCNN）来提取图像的特征（风格属性）。该特征提取过程是分类器（神经网络）应用的一部分，用于确定图像的特征。因此，技术特征A被对比文件直接公开。
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。<br>未被公开	未找到相关描述。	对比文件描述了使用训练好的分类器提取“所有训练图像”的风格属性（[0043]-[0044]），但未明确说明这些图像是不同于用于训练该分类器的原始训练集的新图像。本领域技术人员无法毫无疑义地得出或必然推断出特征提取所针对的图像集合与分类器训练所用的图像集合不同这一特定限制。因此，技术特征B既未被直接公开，也未被隐含公开。
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。<br>《直接公开》	[0039]段：“In the case of aesthetic quality categorization, each input patch is associated with an aesthetic label c∈C={0,1}. For other categorizations, such as image style, the neural network component may utilize a multi-class categorization.”<br>译文：“在美学质量分类的情况下，每个输入块与一个美学标签c∈C={0,1}相关联。对于其他分类，例如图像风格，神经网络组件可以利用多类分类。”	对比文件公开了基于从神经网络提取的特征（如美学或风格特征）将图像分类到不同的类别中（例如，高/低美学质量、不同风格类别）。这种“分类”实质上是将每个图像基于其特征指派到一个特定的类别中，该类别在本领域中可以理解为一种“群集”。因此，技术特征C被对比文件直接公开。
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。<br>未被公开	未找到相关描述。	对比文件通过神经网络的输出层（如softmax）直接为图像分配标签或类别概率（[0038], [00618]），并未涉及“群集中心”的概念，也未提及基于距离阈值、图像数目阈值或图像百分比阈值来指派标记的任何条件。本领域技术人员无法从对比文件的内容中推理出这些特定条件。因此，技术特征D既未被直接公开，也未被隐含公开。
技术特征E：修改所指派的标记。<br>未被公开	未找到相关描述。	对比文件描述了系统自动为图像指派标签（如美学标签、风格标签），但完全没有提及用户可以或系统能够修改这些已指派的标记。因此，技术特征E既未被直接公开，也未被隐含公开。
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>未被公开	未找到相关描述。	对比文件涉及分类器的初始训练和用于正则化其他列的训练（如[0045]段），但完全没有提及基于用户修改标记的行为来触发对第一预先训练的分类器的重新训练。因此，技术特征F既未被直接公开，也未被隐含公开。
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。<br>未被公开	未找到相关描述。	对比文件描述了使用训练好的分类器对图像进行分类（例如，风格分类器提取特征，美学列进行分类），但未提及在初始操作之后，再次使用该预先训练的分类器对同一批图像进行“重新分类”的过程。因此，技术特征G既未被直接公开，也未被隐含公开。
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>未被公开	对比文件全文均使用卷积神经网络（CNN, DCNN, RDCNN）作为其分类器，例如[0021], [0036]等段落。	对比文件明确且排他地使用卷积神经网络（CNN及其变体）作为其图像特征学习和分类的核心组件。完全没有提及SVM、逻辑回归、最接近的邻居或MLP作为其“第一预先训练的分类器”。因此，技术特征H既未被直接公开，也未被隐含公开。
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>《直接公开》	[0039]段（见上）及[0040]段：“...the neural network component may utilize a multi-class categorization.”<br>译文：“...神经网络组件可以利用多类分类。”	对比文件公开了基于图像的特征（如美学、风格）为其指派标签（标记），并因此将图像分类到不同的类别（即“群”）中。例如，美学分类将图像分为“高”或“低”两个群，风格分类将图像分为多个风格群。这直接对应于基于标记将图像分类到群中。因此，技术特征I被对比文件直接公开。
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>未被公开	未找到相关描述。	对比文件专注于图像特征的评估和自动分类算法，完全没有涉及图像的文件管理、存储组织或将图像物理或逻辑地“放置到文件夹中”的操作。因此，技术特征J既未被直接公开，也未被隐含公开。
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>未被公开	未找到相关描述。	由于对比文件未公开“文件夹”的概念，因此自然也未公开对文件夹进行命名（无论是非特定名称还是特定名称）的特征。因此，技术特征K既未被直接公开，也未被隐含公开。
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>未被公开	未找到相关描述。	对比文件未涉及文件夹命名，更未提及使用任何分类器（无论是第二还是其他）来确定文件夹名称。因此，技术特征L既未被直接公开，也未被隐含公开。
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。<br>未被公开	未找到相关描述。	对比文件未涉及文件夹命名、群集中心与文件夹名称的关联。因此，技术特征M既未被直接公开，也未被隐含公开。
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。<br>未被公开	未找到相关描述。	对比文件未涉及文件夹命名及多数裁定规则。因此，技术特征N既未被直接公开，也未被隐含公开。
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。<br>未被公开	未找到相关描述。	对比文件未涉及文件夹，因此也没有接收用户修改或指派文件夹名称输入的相关内容。因此，技术特征O既未被直接公开，也未被隐含公开。
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。<br>未被公开	未找到相关描述。	对比文件未涉及文件夹名称的修改、群集中心与文件夹名称的关联，也未提及为此目的重新训练任何分类器。因此，技术特征P既未被直接公开，也未被隐含公开。
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。<br>未被公开	未找到相关描述。	对比文件描述了将分类器应用于新图像进行分类（隐含于训练后应用），但未提及将分类后的新图像“放置在文件夹中”。因此，技术特征Q既未被直接公开，也未被隐含公开。
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。<br>未被公开	未找到相关描述。	对比文件未提及用户与系统交互以修改由系统自动指派的图像标记（标签）。因此，技术特征R既未被直接公开，也未被隐含公开。
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。<br>未被公开	未找到相关描述。	对比文件未涉及文件夹及在文件夹间移动图像的操作，也未提及通过这种操作来修改图像标记。因此，技术特征S既未被直接公开，也未被隐含公开。
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。<br>未被公开	未找到相关描述。	对比文件仅描述了在单一系统或环境下的分类器训练和应用，未提及与第二用户共享分类器或群集中心列表。因此，技术特征T既未被直接公开，也未被隐含公开。
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。<br>未被公开	未找到相关描述。	对比文件未涉及用户间共享、列表组合以及据此更新分类器的内容。因此，技术特征U既未被直接公开，也未被隐含公开。
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。<br>未被公开	未找到相关描述。	对比文件未涉及用户自定义种类（类别或群集）以及将其与其他用户共享。因此，技术特征V既未被直接公开，也未被隐含公开。