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：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，《隐含公开》	“K self-organizing classifiers 17...The classifiers receive the feature vectors and generate response vectors...”（背景技术及具体实施方式部分，结合图6-7）	对比文件公开了一个自组织模式分类系统，包括多个自组织分类器（17）。这些分类器接收从输入模式信号（例如，来自字符或声音）提取的特征向量（F1...Fk），并根据其内部存储的权重向量（作为模板）生成响应向量。虽然对比文件没有明确使用“预先训练”一词，但其分类器在学习模式下通过训练信号（Tr）和正确类信号（L）来调整权重向量，这意味着其分类器在用于分类操作前已经过学习/训练，具备了基于权重向量处理输入特征的能力。本领域技术人员可以理解，在分类模式下使用的分类器是已经过“训练”的（即其权重已设定），这与目标专利中“预先训练的分类器”的作用（用于提取特征）是相同的。因此，该技术特征被对比文件隐含公开。
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《未公开》	无相关引用	对比文件描述了分类系统在学习和分类两种模式下工作。在分类模式下，系统对输入的模式信号（如字符）进行处理。在学习模式下，系统根据外部提供的训练信号（Tr）调整权重。对比文件没有区分用于训练分类器的“训练图像集”和后续待处理的“所存储图像集”，也没有提及这两类图像的特征是不同的。其处理流程是：输入信号->提取特征->分类/学习，未建立训练数据与应用数据在特征层面的差异性。因此，该技术特征未被对比文件公开。
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》	“The system classifies incoming pattern signals into classes.”（发明概述部分）“...generates response vectors comprising a plurality of responsive scalars corresponding to the respective classes.”（具体实施方式部分）“...the class which gives the smallest total output is determined by the discriminator 18 and output as a classification result P 21.”（具体实施方式部分）	对比文件公开的模式分类系统的核心功能就是将输入的模式信号（可对应于图像）分类到不同的“类（classes）”中。该系统通过特征提取器获得特征向量，然后由自组织分类器处理，最终由判别器（18）根据各类的总输出（例如，基于距离度量）确定输入信号所属的类（Cmin1）。将输入模式“指派给一个类”在功能和效果上等同于目标专利中将图像“指派给多个群集中的一个群集”。因此，该技术特征被对比文件隐含公开。
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《未公开》	无相关引用	对比文件在分类过程中会计算输入特征向量与各类模板（中间节点的权重向量）之间的距离（如欧氏距离），并选择距离最小的类作为分类结果。然而，对比文件完全没有涉及基于此类距离与阈值比较、或基于与群集中心相关联的图像数目/百分比来为图像“指派标记”这一步骤。其输出是分类结果（类标识），而非一个可被后续修改的“标记”。目标专利中基于多种阈值条件进行标记指派是一种特定的、用于管理图像标记分配的策略，对比文件未公开任何类似机制。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《隐含公开》	“In the learning mode...the learning trigger 19...transfers the correct class signal L 23 to the self-organizing classifiers 17...wherein the correct class signal L 23 is compared with the output at each output node for modifying the weighting vectors therein.”（具体实施方式部分）	对比文件公开了“学习模式”。当分类结果（P21）与外部提供的训练信号（Tr22）指示的正确类不一致，或判别器输出拒绝信号时，学习触发器（19）会向所有自组织分类器发送正确的类信号（L23）。分类器根据此正确类信号修改其内部权重向量（即调整其分类依据）。这一过程实质上是在修正系统对当前输入模式的分类归属。虽然对比文件使用“修改权重”的表述，而目标专利使用“修改标记”，但两者在技术效果上都是根据外部反馈（用户输入/训练信号）来改变系统对特定输入数据项的类别归属判断。因此，该技术特征被对比文件隐含公开。
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《直接公开》	“If the correct class signal L 23 is transferred, the correct class given by the training signal Tr 22 is transferred to all of the self-organizing classifiers 17, wherein the correct class signal L 23 is compared with the output at each output node for modifying the weighting vectors therein.”（具体实施方式部分，结合图6）以及描述权重修改具体算法的部分（例如，表达式(4)、(5)）。	对比文件明确公开了在学习模式下，当接收到正确类信号（L23）时，自组织分类器（17）会基于该信号以及当前输入的特征向量（来自当前正在处理的模式信号）来修改其内部存储的权重向量（见表达式(4)、(5)）。这个过程就是利用当前输入的数据（图像/模式信号）和正确的类别反馈来“重新训练”或调整分类器。这直接对应于目标专利中“当标记被修改时用所述图像来重新训练分类器”。因此，该技术特征被对比文件直接公开。
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。《隐含公开》	整个系统在分类模式下运行，对输入信号进行分类。在学习模式下修改权重后，系统会继续运行（流程图图17的步骤11返回步骤1），这意味着后续的分类操作将基于修改后的（即重新训练过的）分类器进行。虽然对比文件没有明确使用“重新分类”一词，但根据系统的工作流程，修改权重（重新训练）的目的就是为了影响后续的分类结果，使分类更准确。本领域技术人员可以直接且毫无疑义地推断出，经过学习（重新训练）后，系统会使用更新后的分类器对后续输入（可能包括相同的图像）进行分类。因此，该技术特征被对比文件隐含公开。
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)。《未公开》	“self-organizing neural network classifiers”（发明概述及全文）	对比文件明确且唯一地公开其分类器是“自组织神经网络分类器”。其具体结构包括输入节点、中间节点（存储权重向量模板）、输出节点和自组织选择器，通过计算距离（如欧氏距离）或相似度来进行分类。这与目标专利权利要求中明确限定的SVM、逻辑回归、最接近邻居或MLP等具体分类器类型完全不同。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。《隐含公开》	同技术特征C的引用。系统基于特征将输入信号分类到具体的类（class）中。“类（class）”在图像管理的上下文中，其含义与“群（group）”相同。因此，将图像分类到“类”中即等同于分类到“群”中。该技术特征被对比文件隐含公开。
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》	无相关引用	对比文件涉及的是模式识别和分类，其输出是分类结果（如字符“A”或“B”）。整个说明书中完全没有提及任何关于计算机文件系统、图像存储、或将分类后的数据项（如图像）放入“文件夹”进行管理的概念、步骤或装置。这是目标专利应用于图像管理领域的特定操作，与对比文件解决的问题（提高模式分类准确率）和实现方式无关。因此，该技术特征未被对比文件公开。
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》	无相关引用	由于对比文件未公开“文件夹”的概念（见特征J），自然也不会公开为文件夹命名的步骤，无论是使用非特定名称还是特定名称。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》	无相关引用	对比文件只公开了用于模式分类的“自组织分类器”，没有提及存在用于确定文件夹名称的“第二预先训练的分类器”。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》	无相关引用	依赖于特征L和J、K未公开，且对比文件无“群集中心”用于命名文件夹的相关内容。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》	无相关引用	对比文件未涉及文件夹命名，更未提及基于多数裁定规则确定名称。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》	对比文件有接收“training signal Tr”的用户输入，但该输入用于提供正确的类别以调整分类器权重（见特征E、F），而非用于修改或指派文件夹名称。	虽然对比文件公开了接收用户输入（训练信号Tr），但该输入的功能和目的与修改文件夹名称完全不同。目标专利中修改文件夹名称是图像管理系统的用户交互功能，而对比文件中的用户输入是用于监督分类器学习的正确类别标签。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》	无相关引用	对比文件不存在“第二预先训练的分类器”，也不存在“文件夹名称”的概念。因此，重新训练分类器以包含文件夹名称的步骤无从谈起。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。《未公开》	对比文件公开了对于新的输入模式信号，提取特征向量并应用分类器确定其所属的类（参见特征A、C）。	对比文件公开了“确定新图像的特征向量和应用分类器确定其群（类）”这一前半部分过程。但是，对比文件完全没有公开将结果“放置在文件夹中”这后半部分操作。因此，作为一个整体技术特征，其并未被对比文件公开。
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。《隐含公开》	同技术特征E的引用。对比文件中的“training signal Tr”是外部提供的用户输入，用于指示当前输入模式的正确类别。当系统分类错误或输出拒绝信号时，该训练信号会触发学习过程，从而导致系统对当前输入数据项的类别归属（可对应于“标记”）进行修正。因此，接收训练信号（Tr）即为接收修改所指派的标记的用户输入。该技术特征被对比文件隐含公开。
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。《未公开》	无相关引用	对比文件没有“文件夹”的概念，也没有任何关于用户通过图形界面拖拽图像等方式来移动文件并触发标记修改的描述。其修改分类（标记）的触发机制完全依赖于明确提供的训练信号（Tr）。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》	无相关引用	对比文件描述的是一个独立的分类系统，没有提及任何用户间共享分类器、权重、模板或群集中心列表的功能或步骤。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》	无相关引用	依赖于特征T未公开。因此，该技术特征未被对比文件公开。
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》	无相关引用	对比文件中分类的“种类”（即“类”）是系统预设或通过学习形成的，没有提及用户自定义种类并共享的功能。因此，该技术特征未被对比文件公开。