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
JP2007048172A_Description_20260219_2033_+++C_H+++.docx
2026-03-10 04:38
JP2008009914A_Description_20260219_2306_+++H+++.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
US6327581B1_Description_20260219_2042_+++H_a+++.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
US8086048B2_Description_20260219_2124_+++C_H_a_q+++.docx
2026-03-10 04:38
US8386574B2_Description_20260220_0019_+++D_H_a_b_c_g_i+++.docx
2026-03-10 04:38
US8396286B1_Description_20260219_2036_+++H+++.docx
2026-03-10 04:38
US8611678B2_Description_20260220_1541_+++A_C_H+++.docx
2026-03-10 04:38
US8811726B2_Description_20260219_2358_+++H_a_b+++.docx
2026-03-10 04:38
US8879813B1_Description_20260220_0351_+++A_H+++.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
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
US2004165767A1_Description_20260221_0617_+++A_C_H_b_d_e_f_g+++.docx
2026-03-10 04:38
US2008103996A1_Description_20260221_0612_+++E_F_G_H_R_c+++.docx
2026-03-10 04:38
US2008159624A1_Description_20260221_0611_+++A_H+++.docx
2026-03-10 04:38
US2010036786A1_Description_20260221_0614_+++H_a_c_e_g_i_j_q_r_s+++.docx
2026-03-10 04:38
US2010191391A1_Description_20260221_0614_+++A_H_b+++.docx
2026-03-10 04:38
US2010226535A1_Description_20260221_0615_+++H+++.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
US2013033608A1_Description_20260221_0614_+++B_C_H_a+++.docx
2026-03-10 04:38
US2013096817A1_Description_20260221_0617_+++H+++.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
US2014188462A1_Description_20260221_0612_+++A_C_D_E_F_G_H_I_J_L_M_O_Q_R_S_V_t+++.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
US2015139485A1_Description_20260221_0617_+++A_H_c_q+++.docx
2026-03-10 04:38
US2015324655A1_Description_20260221_0614_+++H_a_c_i_q+++.docx
2026-03-10 04:38
US2016070673A1_Description_20260221_0612_+++H+++.docx
2026-03-10 04:38
US2016140451A1_Description_20260221_0616_+++B_H_a_e_f_g_r+++.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
US2016239706A1_Description_20260221_0611_+++h+++.docx
2026-03-10 04:38
US2016275414A1_Description_20260221_0614_+++C_H_a_d+++.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
US6327581B1_Description_20260219_2042_+++H_a+++.docx

对比文件名称:US6327581B1_Description_20260219_2042

目标专利名称:189照片管理CN106104577B

模型名称:GPT-4

### 特征比对表格

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
**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**<br>《隐含公开》§1.2.2.2.3.1: “Support vector machines (or "SVMs") are another type of trainable classifier. SVMs are reportedly more accurate at classification than naive Bayesian networks in certain applications, such as text classification for example... They are also reportedly more accurate than neural networks in certain applications, such as reading handwritten characters for example.”<br>§1.2.1: “For example, computers may use pattern recognition to classify an image, such as a face, a fingerprint, a fighter plane, etc.”**隐含公开**。对比文件详细描述了支持向量机(SVM)作为一种可训练的分类器,并明确指出其可用于图像分类(如人脸、指纹等)。目标专利中的“第一预先训练的分类器”包括深度卷积网络特征提取器和分类器(如SVM)。虽然对比文件未明确描述使用“深度卷积网络”提取特征,但其公开的SVM分类器在应用于图像分类任务时,必然需要先通过训练获得一个模型(即“预先训练”),然后使用该模型对输入图像进行处理以确定其特征(在SVM上下文中,特征体现为支持向量和权重决定的决策函数)。本领域技术人员可以合理推断,将对比文件公开的SVM分类器应用于图像管理场景,即构成“用预先训练的分类器来确定多个所存储图像的特征”。
**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>《未公开》无相关引用。**未公开**。对比文件仅描述了在训练集上训练SVM分类器,然后用于分类。它没有提及或暗示,用于确定特征(即进行分类)的“所存储图像”必须与用于训练该分类器的“训练图像”在特征上不同。该特征限定了应用场景中数据集的特定关系,对比文件未涉及。
**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>《未公开》无相关引用。**未公开**。对比文件通篇描述的是使用分类器(如SVM)对对象(包括图像)进行“分类”(classification),即将其划分到预定义的类别中。而目标专利中的“分群集”(clustering)是一种无监督学习方法,旨在将数据分组到未预先定义的“群集”中。两者是根本不同的机器学习任务。对比文件没有公开任何关于“分群集”或“指派给群集”的内容。
**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>《未公开》无相关引用。**未公开**。该特征涉及在分群集后,基于复杂的阈值条件(距离、数目、百分比)为图像指派标记的详细规则。对比文件完全没有涉及任何分群集操作,更没有公开基于群集中心距离、数目或百分比阈值来指派标记的方法。
**E: 修改所指派的标记**<br>《未公开》无相关引用。**未公开**。该特征涉及用户交互,修改已为图像指派的标记。对比文件仅涉及SVM分类器的训练和分类过程,没有提及任何关于用户修改分类结果或标记的机制。
**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>《未公开》无相关引用。**未公开**。该特征涉及一个反馈循环:根据用户修改的标记,重新训练分类器。对比文件虽然描述了训练SVM,但训练是基于固定的、预先标记好的训练集。它没有公开根据用户对(已分类)图像标记的修改来动态重新训练分类器的任何概念或方法。
**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>《未公开》无相关引用。**未公开**。该特征是特征F的后续步骤,即在重新训练分类器后,使用它进行重新分类。由于对比文件未公开特征F(基于用户修改重新训练),因此也必然未公开基于重新训练后的分类器进行重新分类的步骤。
**H: 其特征在于,所述第一预先训练的分类器是支持向量机(SVM)、逻辑回归、最接近的邻居、或多层感知器(MLP)。**<br>《直接公开》§1.2.2.2.3: “Such classifiers may include neural networks, Bayesian networks, and support vector machines.”<br>§1.2.2.2.1: (详细描述了神经网络,即包含多层感知器MLP)<br>全文详细阐述了支持向量机(SVM)。**直接公开**。对比文件明确且详细地公开了“支持向量机(SVM)”作为一种主要的分类器。同时,它也提及了“神经网络”(neural networks),而多层感知器(MLP)是神经网络的一种典型形式。虽然“逻辑回归”和“最接近的邻居”未被明确列举,但特征H是以“其特征在于”方式列举了包括SVM在内的多种分类器类型。由于SVM已被对比文件直接、详细地公开,本领域技术人员可以毫无疑义地得出,目标专利中限定的分类器类型之一(SVM)已被对比文件公开。因此,该限定特征被直接公开。
**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>《未公开》无相关引用。**未公开**。该特征描述了基于标记进行“分类到群中”,这属于图像管理系统的具体工作流程。对比文件仅涉及分类器算法本身,未描述将分类结果(标记)用于组织图像(如分群)的更高层次的系统功能。
**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>《未公开》无相关引用。**未公开**。该特征涉及将图像物理或逻辑地“放置到文件夹中”,这是操作系统或应用程序级别的文件管理操作。对比文件是关于机器学习算法的,完全不涉及文件系统管理或文件夹操作。
**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>《未公开》无相关引用。**未公开**。该特征涉及用户界面或文件命名规则。对比文件未涉及任何关于文件夹命名(无论是否特定)的内容。
**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>《未公开》无相关引用。**未公开**。该特征涉及使用另一个分类器来为文件夹命名,这是目标专利中图像管理系统的特定设计。对比文件未公开任何使用分类器来确定文件夹名称的内容。
**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>《未公开》无相关引用。**未公开**。该特征是特征L的进一步细化,依赖群集中心等概念。对比文件未公开任何分群集、群集中心或基于此确定文件夹名称的内容。
**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>《未公开》无相关引用。**未公开**。该特征涉及基于“多数裁定规则”确定名称的算法细节。对比文件未涉及此内容。
**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>《未公开》无相关引用。**未公开**。该特征涉及接收用户输入以修改文件夹名称,属于用户交互功能。对比文件未涉及任何用户交互。
**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>《未公开》无相关引用。**未公开**。该特征涉及根据用户修改动态重新训练分类器(第二分类器)。对比文件虽然描述了训练,但未公开这种基于用户界面输入(文件夹名称修改)触发的、针对文件管理任务的重新训练机制。
**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>《未公开》无相关引用。**未公开**。该特征描述了处理新图像的完整流程:提取特征、分类、放入文件夹。对比文件仅涉及分类算法部分,未公开将新图像“放置在文件夹中”这一系统级操作。
**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>《未公开》无相关引用。**未公开**。该特征与特征E类似,涉及接收用户输入修改标记。对比文件未涉及。
**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>《未公开》无相关引用。**未公开**。该特征通过图像在文件夹间的移动来隐含修改标记,是一种特定的用户交互方式。对比文件未涉及任何文件夹或图像移动操作。
**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>《未公开》无相关引用。**未公开**。该特征涉及多用户协作和共享,是目标专利系统的扩展功能。对比文件仅涉及单机或单任务的分类器训练,未提及在不同用户间共享分类器或群集数据。
**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>《未公开》无相关引用。**未公开**。该特征是特征T的延伸,描述了共享后的数据组合与更新流程。对比文件未涉及。
**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>《未公开》无相关引用。**未公开**。该特征涉及共享用户定义的种类(如“日落”、“自然界”),同样是多用户协作功能。对比文件未涉及。

<<<a>>><<<H>>>

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