返回项目页面
对比文件列表
EP3114611A1_Description_20260304_2010_+++A_C_E_F_G_I_J_L_M_O_Q_R_S_T_U_V_b_d_h_k_n_p+++.docx
2026-03-10 04:38
JP2011044044A_Description_20260219_2122_+++C_E_G_J_Q_R_a_b_d_f_i+++.docx
2026-03-10 04:38
JP2011175497A_Description_20260219_2139_+++C_F_G_H_a_b_c_d_e_i+++.docx
2026-03-10 04:38
US5337370A_Description_20260219_2031_+++B_a_c_i_j_q+++.docx
2026-03-10 04:38
US7164798B2_Description_20260220_0009_+++A_C_D_E_G_H_I_T_b+++.docx
2026-03-10 04:38
US8189880B2_Description_20260220_1537_+++C_E_I_K_O_R_S_a_b_f_g_j_q+++.docx
2026-03-10 04:38
US8386574B2_Description_20260220_0019_+++D_H_a_b_c_g_i+++.docx
2026-03-10 04:38
US8811726B2_Description_20260219_2358_+++H_a_b+++.docx
2026-03-10 04:38
US8913152B1_Description_20260220_0344_+++C_F_G_H_I_S_a_b_d_e_j_k_q_r+++.docx
2026-03-10 04:38
US8965112B1_Description_20260220_0349_+++a_b+++.docx
2026-03-10 04:38
US9298978B1_Description_20260219_2034_+++A_B_C_E_H_I_R_T_f+++.docx
2026-03-10 04:38
US9785866B2_Description_20260220_1536_+++A_H_b+++.docx
2026-03-10 04:38
US2003063780A1_Description_20260221_0611_+++a_b_c+++.docx
2026-03-10 04:38
US2004165767A1_Description_20260221_0617_+++A_C_H_b_d_e_f_g+++.docx
2026-03-10 04:38
US2010191391A1_Description_20260221_0614_+++A_H_b+++.docx
2026-03-10 04:38
US2011119210A1_Description_20260221_0615_+++C_E_F_a_b_c_g_i_q+++.docx
2026-03-10 04:38
US2011222724A1_Description_20260221_0613_+++A_F_G_b_e+++.docx
2026-03-10 04:38
US2011235858A1_Description_20260221_0614_+++A_C_H_I_b+++.docx
2026-03-10 04:38
US2011282828A1_Description_20260221_0615_+++C_H_b_i+++.docx
2026-03-10 04:38
US2011302111A1_Description_20260221_0616_+++a_b_c_i+++.docx
2026-03-10 04:38
US2013033608A1_Description_20260221_0614_+++B_C_H_a+++.docx
2026-03-10 04:38
US2013129143A1_Description_20260221_0616_+++A_B_C_H+++.docx
2026-03-10 04:38
US2013218813A1_Description_20260221_0615_+++H_b+++.docx
2026-03-10 04:38
US2014078320A1_Description_20260221_0615_+++A_B_C_I_d_h_q+++.docx
2026-03-10 04:38
US2014376819A1_Description_20260221_0618_+++B_H_a_c_e_i_r+++.docx
2026-03-10 04:38
US2015112182A1_Description_20260221_0613_+++H_b+++.docx
2026-03-10 04:38
US2015178383A1_Description_20260221_0614_+++A_b_c_d+++.docx
2026-03-10 04:38
US2016019415A1_Description_20260221_0615_+++A_B_t+++.docx
2026-03-10 04:38
US2016035078A1_Description_20260221_0612_+++A_b+++.docx
2026-03-10 04:38
US2016042252A1_Description_20260221_0615_+++A_C_I_b_e_r+++.docx
2026-03-10 04:38
US2016140146A1_Description_20260221_0611_+++A_E_F_R_b_g_i+++.docx
2026-03-10 04:38
US2016140451A1_Description_20260221_0616_+++B_H_a_e_f_g_r+++.docx
2026-03-10 04:38
US2016180151A1_Description_20260221_0613_+++A_C_b_i+++.docx
2026-03-10 04:38
US2016180195A1_Description_20260221_0614_+++A_H_b+++.docx
2026-03-10 04:38
US2016217349A1_Description_20260221_0617_+++D_H_a_b_i+++.docx
2026-03-10 04:38
US2016225053A1_Description_20260221_0611_+++A_b+++.docx
2026-03-10 04:38
US2016307071A1_Description_20260221_0618_+++b_c_h+++.docx
2026-03-10 04:38
WO2009131629A1_Description_20260219_2011_+++A_B_C_H_I_q+++.docx
2026-03-10 04:38
WO2009131629A1_Description_20260220_0320_+++A_H_b+++.docx
2026-03-10 04:38
US2016225053A1_Description_20260221_0611_+++A_b+++.docx

对比文件名称:US2016225053A1_Description_20260221_0611

目标专利名称:189照片管理CN106104577B

本次调用的模型名称:未指定

### 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**:《直接公开》<br>用第一预先训练的分类器来确定多个所存储图像的特征。[0043] “a trained convolutional neural network is used by the general classification module 304 to calculate a feature vector for each object proposal. For example, a deep convolutional neural network, trained on large scale image sets, comprises of set of banks of 3D filters (e.g. Gaussian or Gabor) learned using large scale datasets. Deep convolutional neural networks can be used to calculate feature vectors for an object proposal or object image.”对比文件明确公开了使用预先训练的深度卷积神经网络(即一种预先训练的分类器)来计算输入图像(对象建议)的特征向量(即特征)。该过程用于分析图像并确定其特征,这与技术特征A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”的作用相同,都是利用预先训练的模型从图像中提取高层特征表示。因此,本领域技术人员能够毫无疑义地从对比文件得出该技术特征。
**技术特征B**:《隐含公开》<br>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。[0043] “a deep convolutional neural network, trained on large scale image sets”对比文件公开了深度卷积神经网络是在大规模图像集上预先训练的。当该预先训练的网络被应用于新的、待分析的图像(如用户输入的图像或存储的图像)以提取特征时,这些新图像自然构成了不同于原始训练集的图像集合。本领域技术人员公知,特征提取器(如CNN)的训练目的是学习通用的特征表示,以便应用于未见过的数据。因此,从对比文件公开的“在大规模图像集上训练”和“计算特征向量用于对象建议/图像”可以合理推断出,所提取特征的图像(存储的/输入的图像)与用于训练该网络的训练图像是不同的。这是一种隐含的、必然的技术事实。
**技术特征C**:《未公开》<br>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。无对比文件的核心内容是物体检测、分类和基于相似性的检索。它描述了使用特征向量来对物体进行分类(如[0045]提到K-way分类器)或与数据库中的物体进行相似性比较(如[0035]大尺度搜索模块)。然而,对比文件并未公开将多个图像基于其特征**无监督地**分组到“群集”(clusters)中的“分群集”(clustering)步骤。分群集(如k-means)是一种特定的数据分析方法,旨在发现数据内在的分组结构,这与对比文件中基于固定类别标签的分类或基于距离的最近邻检索有本质区别。因此,对比文件未公开该技术特征。
**技术特征D**:《未公开》<br>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。无该技术特征涉及基于与群集中心的距离、数目或百分比等复杂阈值条件来为图像指派标记的逻辑。对比文件完全没有涉及“群集中心”的概念,也没有公开任何基于图像到某个中心点的距离阈值、或基于群集内图像数量/百分比阈值来决定是否赋予标记的机制。对比文件中与“标记”最相关的是分类标签,但这是通过分类器直接输出的,而非基于群集和上述阈值条件。因此,该特征未被公开。
**技术特征E**:《未公开》<br>修改所指派的标记。无对比文件描述了系统自动为物体分类或生成描述,但没有公开任何用户或系统后续“修改”已指派给图像的标记(如类别标签)的功能或步骤。用户交互主要集中在选择图像中的物体(如[0053]),而非修改已有标记。
**技术特征F**:《未公开》<br>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。无对比文件提到了训练卷积神经网络(如[0043]),但未提及在用户修改了图像的标记后,使用这些修改后的标记和对应图像作为训练数据来“重新训练”已有的预先训练分类器。这属于一种增量学习或在线学习的用户自适应过程,对比文件中未见记载。
**技术特征G**:《未公开》<br>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。无对比文件公开了使用分类器对图像进行初次分类。但未提及在完成诸如修改标记、重新训练等步骤后,再次使用(可能是更新后的)分类器对同一批图像进行“重新分类”的操作流程。
**技术特征H**:《未公开》<br>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)。[0043] “a K-way softmax classifier”对比文件明确公开的分类器类型是“K-way softmax classifier”(一种常用于神经网络的分类层),以及卷积神经网络本身。它并未提及技术特征H中限定的具体分类器类型:支持向量机(SVM)、逻辑回归、最近邻或多层感知器(MLP)。虽然MLP在结构上与神经网络的全连接层有相似之处,但作为明确的分类器类型,对比文件并未将其指明为“第一预先训练的分类器”。因此,该具体限定未被公开。
**技术特征I**:《未公开》<br>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。无该特征涉及基于“标记”将图像分类到“群”(groups)中。对比文件将物体分类到预定义的“类别”(categories)中(如[0045])。然而,“群”在目标专利的上下文中可能指代不同于固定类别的、更灵活的分组,尤其与后续的“文件夹”关联。对比文件没有这种基于标记的“群”分类概念。
**技术特征J**:《未公开》<br>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。无对比文件涉及视觉搜索和商务,其输出是相似产品列表、分类结果或关税编码等,完全不具备将图像文件物理或逻辑地“放置到文件夹”中进行存储管理的功能或目的。这是目标专利图像管理系统特有的操作。
**技术特征K**:《未公开》<br>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。无由于对比文件未公开“文件夹”的概念,因此自然也谈不上如何命名这些文件夹,无论是用“非特定名称”还是其他名称。
**技术特征L**:《未公开》<br>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。无同上,无文件夹概念,故无确定文件夹名称的步骤,更未提及使用“第二预先训练的分类器”来确定名称。
**技术特征M**:《未公开》<br>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。无该特征涉及基于“群集中心”的分类来确定文件夹名称,对比文件未公开“群集中心”概念,也未公开此确定文件夹名称的特定逻辑。
**技术特征N**:《未公开》<br>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。无对比文件未涉及通过“多数裁定规则”来确定任何名称的机制。
**技术特征O**:《未公开》<br>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。无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的输入。
**技术特征P**:《未公开》<br>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。无对比文件未涉及“第二预先训练的分类器”用于文件夹命名,也未涉及基于“群集中心”或用户修改来重新训练该分类器以更新文件夹名称。
**技术特征Q**:《未公开》<br>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。无对比文件公开了对新图像提取特征并应用分类器进行分类(如[0045]),但未公开将新图像“放置在文件夹中”的后续管理操作。
**技术特征R**:《未公开》<br>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。无同技术特征E,对比文件没有接收用户修改图像标记的输入。
**技术特征S**:《未公开》<br>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。无对比文件既无“文件夹”概念,也无通过移动图像来修改标记的交互逻辑。
**技术特征T**:《未公开》<br>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。无对比文件描述的是一个为单个用户或请求提供服务的系统,未公开在不同用户之间“共享”分类器或“群集中心列表”的功能或步骤。
**技术特征U**:《未公开》<br>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。无对比文件未涉及用户间的共享、列表组合以及据此为用户更新分类器的过程。
**技术特征V**:《未公开》<br>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。无对比文件未公开用户自定义“种类”并与其他用户共享的功能。

<<<A>>><<<b>>>

权利要求与技术特征
Powered by Django

网站备案号:渝ICP备2023012882号


重庆市非显而易见网络科技有限责任公司 A Anti NPE NPE