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》	[0031]段：“...low/mid/high-level features learned through, e.g., a convolutional and deep structure network...” <br> [0033]段：“Learned low, mid and high level descriptive features can be derived from a convolutional deep neural network trained using supervised large scale datasets such as ImageNet and Pascal.”	对比文件明确公开了使用经过监督式大规模数据集（如ImageNet）训练的卷积深度神经网络来提取图像的特征。这相当于目标专利中“用第一预先训练的分类器来确定多个所存储图像的特征”。本领域技术人员能够毫无疑义地得出对比文件公开了使用预先训练的深度卷积网络进行特征提取的技术方案。
技术特征B《隐含公开》	[0033]段：“Learned low, mid and high level descriptive features can be derived from a convolutional deep neural network trained using supervised large scale datasets such as ImageNet and Pascal.”	对比文件指出特征提取网络是在特定大规模数据集（如ImageNet）上训练的。当该系统被应用于一个新的、不同的图像集合（例如用户存储的图像）时，这些所存储的图像自然不同于用于训练网络的原始数据集。本领域技术人员能够合理推断，在实际应用中，用于提取特征的训练图像集与待处理的目标图像集是不同的。因此，该技术特征被隐含公开。
技术特征C《直接公开》	[0060]段：“The clustering module 246 executes the clustering algorithms 248 using the feature indices 240 generated for the collection 150, the pairwise similarity matrix 244 computed as described above, and clustering criteria 248 (if any), to generate clusters 250 of the visual media files 134 based on the visual features 232.”	对比文件明确描述了聚类模块基于从图像中提取的视觉特征（visual features 232）来生成图像群集（clusters 250）。这直接公开了“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”。
技术特征D《未公开》	无	对比文件详细描述了基于特征相似性进行聚类，并计算了相似性度量和权重（例如[0049]的Algorithm 1）。然而，对比文件并未公开基于“图像离群集中心的距离小于第一阈值”、“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”这些具体条件来向图像指派标记的技术方案。该特征涉及特定的阈值判断逻辑，未被对比文件公开。
技术特征E《隐含公开》	[0021]段：“The user may select one of the clusters 250 to explore further by, for example, initiating a clustering operation with different cluster criteria or by requesting an image search.” <br> [0067]段：“...users can specify a set of images as forming a cluster or sets of clusters. This human-specified implicit similarity information can be incorporated into the similarity graph to bias the obtained clusters...”	对比文件描述了系统支持用户交互式探索，用户可以选择群集、发起具有不同标准的聚类操作，甚至可以指定图像集合形成群集。这种用户交互和反馈机制意味着用户有可能调整或纠正系统的聚类/标记结果。本领域技术人员可以合理推断，在这种交互式系统中，用户能够修改系统自动指派的标记（如语义标签），以满足其偏好或纠正错误。因此，该特征被隐含公开。
技术特征F《未公开》	无	对比文件虽然提到了用户反馈可以影响后续聚类过程（如[0067]段），但并未公开在用户修改了所指派的标记后，用这些图像“重新训练第一预先训练的分类器”这一具体的技术动作。重新训练一个预先训练的分类器是目标专利中一个特定的学习步骤，未被对比文件公开。
技术特征G《未公开》	无	对比文件没有公开在标记被修改或分类器被重新训练后，“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”这一具体步骤。
技术特征H《未公开》	无	对比文件提到了多种特征检测算法和机器学习技术，但并未明确列举“支持向量机器(SVM)、逻辑回归、最接近的邻居、或多层感知器(MLP)”作为其使用的分类器类型。其分类功能主要通过卷积深度神经网络、特征索引和相似性计算来实现。因此，该特定分类器类型的限定未被公开。
技术特征I《直接公开》	[0060]段：“...generate clusters 250 of the visual media files 134 based on the visual features 232.” <br> [0035]-[0037]段描述了将视觉特征映射到语义标签（semantic labels 136），并用这些标签描述图像内容。	对比文件公开了基于视觉特征或语义标签将图像分组到不同的群集（clusters）中。这实质上就是“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”。无论是基于低级特征还是高级语义标签，其核心都是根据某种“标记”信息进行分类和群组划分。
技术特征J《未公开》	无	对比文件专注于在界面上显示、探索和搜索图像群集（如图6A-6D），但并未提及将图像“放置到文件夹中”这一具体的文件系统管理操作。目标专利中的“文件夹”是一个操作系统级别的存储和组织概念，未被对比文件公开。
技术特征K《未公开》	无	对比文件未涉及文件夹的创建或命名，因此“使用非特定名称来命名所述文件夹”这一特征未被公开。
技术特征L《未公开》	无	对比文件未涉及使用任何分类器来确定文件夹名称，该特征未被公开。
技术特征M《未公开》	无	对比文件未涉及基于群集中心分类来确定文件夹名称，该特征未被公开。
技术特征N《未公开》	无	对比文件未涉及基于多数裁定规则确定文件夹名称，该特征未被公开。
技术特征O《未公开》	无	对比文件虽然支持用户交互，但未具体提及接收用户输入以“修改特定文件夹名称或指派新的特定文件夹名称”，该特征未被公开。
技术特征P《未公开》	无	对比文件未涉及基于群集中心或标记重新训练分类器以更新文件夹名称，该特征未被公开。
技术特征Q《未公开》	无	对比文件公开了为新图像提取特征并进行搜索或聚类（例如[0074]段的视觉搜索），但未公开将新图像“放置在文件夹中”这一具体操作，该特征未被公开。
技术特征R《隐含公开》	[0021]段：“The user may select one of the clusters 250 to explore further...” <br> [0067]段：“...users can specify a set of images as forming a cluster... This human-specified implicit similarity information can be incorporated...”	如特征E的论述，对比文件描述的交互式系统允许用户提供反馈和指定信息。本领域技术人员可以合理推断，在这种系统中，用户能够通过某种输入方式（如点击、拖拽、文本输入等）来修改系统自动为图像指派的标记（如语义标签）。因此，“接收修改所指派的标记的用户输入”这一特征被隐含公开。
技术特征S《未公开》	无	对比文件未提及“文件夹”概念，因此“将图像从第一文件夹移至第二文件夹的用户输入”这一具体操作未被公开。
技术特征T《未公开》	无	对比文件未涉及与第二用户共享分类器或群集中心列表，该特征未被公开。
技术特征U《未公开》	无	对比文件未涉及将共享的群集中心列表与第二用户的列表组合并更新分类器，该特征未被公开。
技术特征V《未公开》	无	对比文件未涉及与第二用户共享用户定义的种类，该特征未被公开。