对比文件名称：US2016307071A1_Description_20260221_0618
目标专利名称：189照片管理CN106104577B
本次调用的模型名称：DeepSeek-R1
作为资深专利代理师，我将根据目标专利说明书和权利要求书，对对比文件US2016307071A1进行技术特征比对分析。以下是我的思考和判断：
**总体分析：**
目标专利涉及一种使用预先训练的分类器（如深度卷积网络）来确定所存储图像的特征，并基于这些特征进行分群集和分类的图像管理系统。其核心在于对用户个人照片库进行个性化管理和组织，涉及用户交互（如修改标记、移动图像）和系统自适应学习（如重新训练分类器）。
对比文件US2016307071A1公开了一种用于图像分类的混合Bag-of-Patches/神经网络（BoP/NN）架构。其首先通过无监督操作（如提取局部描述符、FV编码、PCA降维）从输入图像生成特征向量，然后将该特征向量输入一个经过监督训练的神经网络（NN）进行分类。该文件主要关注于提升分类精度和计算效率，应用于道路监控、质量控制等特定任务。
两者虽同属图像处理领域，但目标专利侧重于对用户**个人存储的图像集合**进行**无监督分群集**和**后续的交互式管理**，而对比文件侧重于对**单张输入图像**进行**有监督分类**以完成特定识别任务。这一根本目的差异导致两者在技术方案细节上存在显著不同。
以下是具体的特征比对表格及分析：
### 特征比对表格
| 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，<br>**判断结果：未直接公开，也未隐含公开** | 无相应内容。对比文件中用于生成特征向量的操作（u1, u2, u3）被描述为“unsupervised operations”（无监督操作），且明确指出“the unsupervised operations are not trained using supervised learning that utilizes labels of the set of training images”（[0026]段）。其后的神经网络（NN）是用于分类的“supervised operations”（监督操作）。 | **论述**：目标专利的“第一预先训练的分类器”用于“确定多个所存储图像的特征”。根据目标专利说明书[0098]段，该特征提取器是“经训练的深度神经网络特征提取器(诸如，深度卷积网络特征提取器)”，是通过反向传播预先训练得到的。对比文件中对应的特征提取部分（u1-u3）是**无监督学习**得到的（如PCA、GMM），并未使用带有类别标签的图像进行有监督的“预先训练”。虽然对比文件也有一个经过监督训练的神经网络分类器，但该分类器的作用是接收特征向量并输出分类值，而非用于“确定特征”。因此，对比文件既未直接公开也未隐含公开“用预先训练的分类器来确定特征”这一技术特征。 |
| **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>**判断结果：隐含公开 (<<<b>>>)** | “the image being classified may differ from the training images used to train the classifier due to differences in lighting, subject position or orientation, subject-to-camera distance, or so forth.”（[0003]段）；“retaining the property of geometric invariance”（[0016]段）。 | **论述**：目标专利此特征强调系统处理的“所存储图像”与训练分类器所用的“训练图像”是不同的，这体现了系统的泛化能力。对比文件在背景和发明内容部分多次指出，待分类的图像可能因光照、姿态、距离等原因与训练图像不同，并且其BoP/NN架构保留了“几何不变性”的优点，这意味着其特征提取和分类过程能够处理与训练集不同的图像。本领域技术人员可以合理推断，对比文件系统所要处理的“输入图像”在广义上就是不同于其训练图像集的“多个所存储图像”。因此，该特征被对比文件隐含公开。 |
| **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>**判断结果：隐含公开 (<<<c>>>)** | “In the FV framework, a generative model is used in the form of a Gaussian Mixture Model (GMM) with K Gaussian components...”（[0029]段）；“the layers unsupervised operations (layers) u1, u2, u3 are learned in an unsupervised fashion (e.g. analogous to unsupervised clustering of unlabeled examples).”（[0032]段）。 | **论述**：目标专利的“分群集”是将图像基于其特征划分到不同群集，这是无监督学习过程。对比文件在无监督特征提取层u2中，使用高斯混合模型（GMM）对局部描述符进行建模。GMM的本质就是将数据点（描述符）分配到K个高斯分量（即群集）中，并计算其软分配（soft assignment）。虽然GMM直接操作的是图像块（patch）的描述符，但通过后续的聚合（如sum-pooling）形成了图像级的表示（特征向量）。这个过程的核心思想是基于特征对数据进行无监督聚类或软分配。本领域技术人员可以理解，对比文件无监督层学习GMM参数的过程，实质上隐含了“基于特征进行聚类”的概念。因此，该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<br>**判断结果：未直接公开，也未隐含公开** | 无相应内容。对比文件中图像的“标记”（label）是通过监督训练的神经网络分类器直接输出的分类值（如[0023]段所述），其依据是神经网络对输入特征向量的计算，而非基于与群集中心的距离、数目或百分比等阈值条件。 | **论述**：目标专利此特征描述了一种非常具体的标记指派规则，涉及距离阈值、数目阈值和百分比阈值。这是一种用于筛选“强标记”图像以进行后续监督训练的机制（参见说明书[0107]段）。对比文件完全没有提及任何类似的标记指派规则或阈值机制。其图像的类别标记完全由训练好的神经网络分类器决定。因此，该特征既未被对比文件直接公开，也无法从对比文件的内容中合理推断出来。 |
| **技术特征E**：修改所指派的标记<br>**判断结果：未直接公开，也未隐含公开** | 无相应内容。对比文件未描述任何用户交互或系统允许修改由分类器指派的标记（label）的过程。 | **论述**：目标专利此特征涉及用户交互，允许用户修改系统自动指派的标记，这是其个性化照片管理系统的核心功能之一（参见图5C及[0110]-[0116]段）。对比文件是一个自动化的图像分类系统，其输出标记是分类器的最终结果，文件中没有提及任何修改这些标记的机制或用户界面。因此，该特征未被公开。 |
| **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<br>**判断结果：未直接公开，也未隐含公开** | 虽然对比文件提到了训练和可能的重训练（如[0015]段提到CNN再训练负担重），但所有训练都是基于初始标注的训练集（[0020]段）。没有提及基于用户修改标记的行为来触发对分类器的重新训练。 | **论述**：目标专利此特征描述了系统的一种自适应学习能力：当用户修改标记后，系统利用这些用户纠正后的数据重新训练分类器，以学习用户偏好（参见[0110], [0112]段）。对比文件虽然描述了神经网络的训练过程（图2），但其训练数据是固定的事先标注好的训练集（[0020]段）。没有证据表明其支持基于运行时用户交互产生的数据（修改后的标记）进行在线或增量式重新训练。因此，该特征未被公开。 |
| **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。<br>**判断结果：未直接公开，也未隐含公开** | 对比文件的分类器对每张图像进行一次分类（图3）。未提及在某个事件（如标记被修改）后，对已分类的图像进行“重新分类”。 | **论述**：此特征与特征F紧密相关，是用户修改标记并触发重新训练后，利用更新后的分类器对图像进行重新分类的步骤。由于对比文件既无“修改标记”也无“基于用户数据重新训练”的特征，因此自然也缺乏“重新分类”这一后续步骤。该特征未被公开。 |
| **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)。<br>**判断结果：隐含公开 (<<<h>>>)** | “The feature vector is input to a kernel classifier such as a Support Vector Machine (SVM) classifier”（[0004]段）；“applying a neural network (NN) comprising an ordered sequence of layers to the feature vector”（[0006]段）；图1中标注了“Neural Network (NN)”。说明书描述了NN包含全连接层和非线性变换（[0034]段）。 | **论述**：目标专利明确列举了SVM和多层感知器（MLP）作为预先训练的分类器选项。对比文件在背景技术中明确将SVM分类器作为已知技术提及（[0004]段）。在其发明内容中，核心分类器是一个神经网络（NN），根据描述，该NN包含全连接层和激活函数（如ReLU, softmax），这本质上就是一种多层感知器（MLP）结构。因此，虽然对比文件的主要实施例使用NN/MLP，但它明确知晓并引用了SVM，本领域技术人员可以理解SVM和MLP都是可用的分类器选项。因此，该特征被对比文件隐含公开。 |
| **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>**判断结果：未直接公开，也未隐含公开** | 对比文件输出的是图像的分类值（如“车辆类型”），但没有进一步描述将这些已分类的图像组织成“群”（group）的概念或步骤。 | **论述**：目标专利中的“分类到群中”可能是在分群集和指派标记之后，进一步的组织步骤，可能与文件夹相关联（参见特征J）。对比文件的功能止步于输出单张图像的分类值（如[0023]段的“vehicle type classification value”），并未涉及对**多个所存储图像**进行基于标记的群组划分或管理。因此，该特征未被公开。 |
| **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。<br>**判断结果：未直接公开，也未隐含公开** | 无相应内容。对比文件未提及“文件夹”（folder）这一用于计算机文件管理的概念。 | **论述**：将图像“放置到文件夹中”是目标专利照片管理系统的一项具体应用和用户界面操作（参见[0104], [0108]段）。对比文件是一个图像分类处理器，其输出是分类标签或触发相应动作（如开门、计数），不涉及对图像文件本身进行存储路径管理或文件夹操作。因此，该特征未被公开。 |
| **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。<br>**判断结果：未直接公开，也未隐含公开** | 无相应内容。 | **论述**：此特征涉及文件夹的命名规则，是目标专利文件管理功能的具体细节。对比文件不存在“文件夹”概念，故更无其命名方式。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。<br>**判断结果：未直接公开，也未隐含公开** | 无相应内容。 | **论述**：使用第二分类器来确定文件夹名称是目标专利的特定设计。对比文件仅有一个用于图像分类的神经网络，没有提及用于命名辅助的第二分类器。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。<br>**判断结果：未直接公开，也未隐含公开** | 无相应内容。 | **论述**：此特征进一步具体说明了第二分类器如何利用群集中心信息来确定文件夹名称，是特征L的细化。对比文件无相应内容。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。<br>**判断结果：未直接公开，也未隐含公开** | 无相应内容。 | **论述**：此特征涉及文件夹名称确定的决策规则（多数裁定）。是对特征M的补充，属于目标专利特有的管理逻辑。对比文件无相应内容。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。<br>**判断结果：未直接公开，也未隐含公开** | 无相应内容。 | **论述**：此特征涉及用户对文件夹名称的直接修改，是用户交互的一部分。对比文件无用户交互修改元数据的内容。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。<br>**判断结果：未直接公开，也未隐含公开** | 无相应内容。 | **论述**：此特征描述了根据用户修改的文件夹名称来更新（重新训练）第二分类器，与特征O联动，是实现系统自适应的又一环节。对比文件无第二分类器，也无此训练场景。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。<br>**判断结果：未直接公开，也未隐含公开** | 对比文件可以处理新图像并分类（图3），但未提及将其“放置在文件夹中”。 | **论述**：此特征描述了系统处理新图像的流程，并最终落脚于文件操作（放置到文件夹）。对比文件处理新图像仅得到分类值，不涉及后续的文件存储管理动作。因此，该特征未被公开。 |
| **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。<br>**判断结果：未直接公开，也未隐含公开** | 无相应内容。与特征E类似，对比文件无用户修改标记的交互。 | **论述**：此特征与特征E实质相同，强调“接收用户输入”这一动作。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。<br>**判断结果：未直接公开，也未隐含公开** | 无相应内容。 | **论述**：此特征提供了一种修改标记的具体方式——通过用户移动文件的操作来隐含地修改标记。这深度依赖于目标专利的文件夹管理界面。对比文件无此概念。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。<br>**判断结果：未直接公开，也未隐含公开** | 无相应内容。 | **论述**：此特征涉及多用户之间的协作和共享，是目标专利社交或协同功能的体现（参见[0117]段）。对比文件是一个独立的分类系统，未提及任何共享机制。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。<br>**判断结果：未直接公开，也未隐含公开** | 无相应内容。 | **论述**：此特征是特征T的延伸，具体说明了共享后如何利用共享数据更新另一用户的系统。是对比文件完全没有涉及的多用户协同学习场景。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。<br>**判断结果：未直接公开，也未隐含公开** | 无相应内容。 | **论述**：此特征与特征T、U属于同一协同功能范畴，共享对象是“用户定义的种类”。未被公开。 |
<<<b>>><<<c>>><<<h>>>