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：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》	[0030] A joint image and face aesthetic calculation module 310 is then used to process the quality images 306 to calculate a score based on image and face aesthetics, jointly, for each of the plurality of images through processing by a neural network (block 206). ... Accordingly, the joint image and face aesthetic calculation module 310 employs a neural network training approach to distinguish good faces from bad faces using training data. In this way, the same feature extraction algorithm and trained classifier is usable to estimate aesthetics for any image. <br> [0032] ... A deep convolutional neural network is then trained using the images having convolutional layers and fully connected layers. <br> [0034] ... The neural network 402, for instance, is configurable to calculate activations of image characteristics for each of the patches 404. ... the vector expresses an amount of each of the respective image characteristics through use of the activations using the dimensions of the vector.	对比文件明确公开了使用一个预先训练好的神经网络（深度卷积神经网络）来处理图像，以计算基于图像和面部美学的分数。该神经网络通过训练数据学习，能够为图像计算“激活量（activations）”，这些激活量表征了图像的多种特征（如噪声、黑暗、对比度、结构等），并最终形成一个特征向量（vector）。这与目标专利中“用第一预先训练的分类器来确定多个所存储图像的特征”的技术特征完全相同。本领域技术人员能够毫无疑义地确定，对比文件中的“预先训练的神经网络（trained neural network）”用于确定图像特征，其作用与目标专利中“第一预先训练的分类器”用于确定图像特征的作用相同。
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》	[0030] ... employs a neural network training approach to distinguish good faces from bad faces using training data. In this way, the same feature extraction algorithm and trained classifier is usable to estimate aesthetics for any image. <br> [0001] Image curation involves selection of images that are to represent images in a repository, e.g., in a folder, an image search result, and so on.	对比文件公开了使用训练数据（training data）来训练神经网络，以区分好坏面部，训练完成后，该训练好的分类器（即特征提取算法和分类器）可用于估计“任何图像（any image）”的美学。其中，“任何图像”逻辑上包含了存储在库（repository）或文件夹（folder）中的待处理图像。本领域技术人员根据常识可以合理推断，用于训练神经网络的“训练数据”是一组特定的图像，而后续应用该神经网络进行策展（curation）的“所存储图像”是另一组图像（即库中的图像）。因此，所存储图像的特征（由训练好的网络提取）必然不同于用于训练该网络的训练图像的特征。这是隐含公开的。
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》	[0029] The plurality of images of the repository are then curated by one or more computing devices to select representative images of the repository (block 202)... <br> [0037] An image selection module 318 then processes the ranked images 316 in order of ranking to select which images are to be considered as representative of the repository of images as a whole, i.e., the representative images 322. <br> [0040] ... the highest ranked photo is included in the collection of representative photos at line six of the algorithm 500. <br> [0041] These iterations continue until a desired number K of representative photos have been collected.	对比文件公开了基于图像特征（通过神经网络计算的联合美学分数）对图像进行排名（ranking），并从中选择一组具有代表性（representative）的图像。虽然对比文件没有明确使用“分群集（clustering）”一词，但其核心操作是基于特征分数对图像进行排序和筛选，最终将图像分为“被选为代表图像的集合”和“未被选中的图像集合”。本领域技术人员可以理解，这种基于特征进行排序和选择以形成不同组别的过程，在广义上是一种分类或分组操作。将图像“指派给多个群集”是“将图像分类到不同组别”的上位概念或等同概念。因此，对比文件隐含公开了基于所确定的特征将图像指派到不同组别（即群集）的技术方案。
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，《未公开》	[0040] ... a determination is made as to whether an image quality score iqi is higher than an image quality score threshold γ 304, and if not, the image is rejected. If so, an image likeness determination is made to determine whether a distance between visual descriptions is less than a threshold β, and if so, the image is rejected.	对比文件确实使用了阈值（如图像质量分数阈值γ、视觉描述距离阈值β）来做出选择决策。然而，这些阈值用于在贪婪选择算法中判断是否“拒绝”一个图像，而不是用于“向图像指派标记”。对比文件的选择过程旨在筛选出高质量且视觉独特的图像作为代表，并未涉及为目标专利中所述的“群集中心”或“图像指派标记”。技术特征D中描述的基于距离、数目、百分比阈值来指派标记的具体逻辑在对比文件中完全没有对应。因此，该技术特征未被对比文件公开。
技术特征E：修改所指派的标记，《未公开》	无相关内容。	对比文件全文描述的是自动图像策展和选择过程，未提及任何对图像或群集的“标记（label）”进行修改的操作。因此，该技术特征未被对比文件公开。
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》	无相关内容。	对比文件未公开“修改标记”这一前提，也未公开基于修改后的标记对预先训练的分类器进行“重新训练”。因此，该技术特征未被对比文件公开。
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》	无相关内容。	对比文件描述了使用预先训练的神经网络对图像进行一次性的特征提取和评分，并基于评分进行选择。没有描述在初始处理之后，再次使用同一个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，该技术特征未被对比文件公开。
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》	[0032] A deep convolutional neural network is then trained...	对比文件明确且唯一地公开了所使用的第一预先训练的分类器是“深度卷积神经网络（deep convolutional neural network）”。虽然多层感知器（MLP）是神经网络的一种，但对比文件具体限定了是“卷积”神经网络，且未提及SVM、逻辑回归或最接近的邻居等其他分类器。目标专利的该特征是一个选择性的具体限定，而对比文件公开的具体类型（卷积神经网络）并未落入该选择性限定的范围内。因此，该技术特征未被对比文件公开。
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》	无相关内容。	对比文件未涉及对图像进行“标记”，因此也就不存在基于标记将图像分类到“群”中的步骤。其分类（选择）是基于分数和视觉相似性，而非标记。因此，该技术特征未被对比文件公开。
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。《隐含公开》	[0001] Image curation involves selection of images that are to represent images in a repository, e.g., in a folder... <br> [0026] The representation 118 denotes a storage location in a file hierarchy of the client device 102 (e.g., folder) in this example that includes the plurality of images 110. The representation 118 also includes images selected from the plurality of images 110 stored in the folder...	对比文件明确将图像策展的应用场景描述为针对“文件夹（folder）”中的图像进行操作，并且其选择的代表图像本身也是用于“代表”文件夹中的内容。本领域技术人员可以合理推断，经过策展（选择）处理后，图像（无论是被选为代表图像还是原始图像）最终仍然是存储和组织在文件夹这样的文件系统结构中。虽然对比文件没有明确描述“基于群将图像放置到文件夹”这一具体动作，但“将图像放置到文件夹”是图像管理系统的常规和必然操作。考虑到对比文件以文件夹作为图像存储和管理的示例场景，隐含了图像最终会根据某种分类或选择结果（可对应于“群”）被组织在文件夹中的可能性。因此，该技术特征被隐含公开。
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。《未公开》	无相关内容。	对比文件提到了“文件夹”这一概念，但完全没有涉及对文件夹进行“命名”的操作，更没有提及是使用“非特定名称”还是“特定名称”来命名。因此，该技术特征未被对比文件公开。
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》	无相关内容。	对比文件未提及任何“第二预先训练的分类器”，也未涉及使用任何分类器来确定“文件夹名称”。因此，该技术特征未被对比文件公开。
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》	无相关内容。	该特征依赖于“第二预先训练的分类器”、“群的标记”、“群集中心的分类”等多个未被对比文件公开的概念。因此，该技术特征未被对比文件公开。
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》	无相关内容。	对比文件未涉及“特定文件夹名称”的确定，更未提及“多数裁定规则”。因此，该技术特征未被对比文件公开。
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》	无相关内容。	对比文件描述的是自动化的图像策展过程，未提及任何接收用户输入以修改或指派文件夹名称的步骤。因此，该技术特征未被对比文件公开。
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》	无相关内容。	该特征依赖于“群集中心”、“所标记的图像特征向量”、“重新训练第二预先训练的分类器”、“经修改的特定文件夹名称”等多个未被对比文件公开的概念。因此，该技术特征未被对比文件公开。
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。《隐含公开》	[0030] ... the same feature extraction algorithm and trained classifier is usable to estimate aesthetics for any image. <br> [0029] ... curate a plurality of images of the repository... <br> [0001] ... images in a repository, e.g., in a folder...	对比文件公开了训练好的特征提取算法和分类器可用于“任何图像（any image）”，这自然包括新加入库（文件夹）的图像。其策展过程（包括特征提取和应用分类器进行评分/选择）是针对库中的“多个图像”进行的。本领域技术人员可以合理推断，当有新图像加入时，同样可以应用该流程（确定其特征向量并应用分类器）进行处理。虽然对比文件没有明确使用“确定新图像的群”这一表述，但其基于特征和分类器对图像进行处理并做出选择（可视为一种分组判断）的逻辑是一致的。结合对比文件以文件夹作为管理单元的背景，隐含了将经过此流程处理的新图像放置在文件夹中的技术方案。因此，该技术特征被隐含公开。
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。《未公开》	无相关内容。	同技术特征E，对比文件未涉及“标记”以及对其的修改。因此，该技术特征未被对比文件公开。
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》	无相关内容。	对比文件未描述用户通过移动图像来修改标记的交互过程。因此，该技术特征未被对比文件公开。
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》	无相关内容。	对比文件描述的是在单个设备或服务环境下的图像策展，未涉及与“第二用户”共享分类器或群集中心列表的功能。因此，该技术特征未被对比文件公开。
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》	无相关内容。	该特征依赖于“共享群集中心列表”、“第二用户的群集中心列表”、“创建标记”、“更新分类器”等多个未被对比文件公开的概念。因此，该技术特征未被对比文件公开。