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：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>《直接公开》	“a commercial content classification model is trained using a kernel support vector machine (SVM).”（详细描述部分，概述段）<br>“The DR then evaluates the extracted segments in view of the trained SVM model to classify each of the extracted segments as commercial or non-commercial content.”（详细描述部分，概述段）<br>“the LBCCD module 216 utilizes a Support Vector Machine (SVM) to classify every segment represented in the context-based feature set 224 as commercial or non-commercial.”（SVM-Based Classification部分）	对比文件明确公开了使用预先训练的核支持向量机（SVM）模型作为分类器，该模型用于评估从节目数据中提取的多个片段（segments），并对其进行分类。确定这些片段是商业或非商业内容的过程，必然涉及对这些片段“特征”（由视觉、音频和上下文特征集构成）的分析和判定。因此，本领域技术人员能够毫无疑义地得出对比文件公开了“用第一预先训练的分类器来确定多个所存储图像的特征”这一技术方案，尽管对比文件处理的是视频流片段，但该技术特征在图像/视频内容分析领域的实质是相同的。
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>《隐含公开》	“Program data, for example, is data that is broadcast to clients in a television (TV) network...”（详细描述部分，概述段）<br>“responsive to receiving program data, the digital recorder (DR) divides the program data into multiple segments...”（详细描述部分，概述段）	对比文件描述了SVM模型是使用商业内容训练生成的，然后该模型被应用于新接收到的、待分类的节目数据（program data）。本领域技术人员熟知，机器学习模型在应用（推理）阶段所处理的数据（此处为节目数据片段及其特征）与模型训练阶段所使用的训练数据是不同的数据集，否则将失去实际应用意义。因此，本领域技术人员能够从对比文件公开的“用训练好的模型对新接收的数据进行分类”这一整体方案中，合理地、毫无疑义地推断出：新数据（节目数据片段）的特征必然不同于用于训练该模型的训练图像（数据）的特征。该特征是隐含且必然存在的。
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<br>《直接公开》	“the LBCCD module 216 utilizes a Support Vector Machine (SVM) to classify every segment represented in the context-based feature set 224 as commercial or non-commercial.”（SVM-Based Classification部分）<br>“Results of the described SVM classification are represented in FIG. 2 as segment/scene classifications 226.”（SVM-Based Classification部分）	对比文件明确公开了SVM分类器基于特征集（特征）将每个提取的片段（segment）分类为“商业”或“非商业”。这实质上是将每个片段指派到“商业”和“非商业”这两个群集之一。因此，该技术特征被对比文件直接公开。
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>《直接公开》	“four (4) configurable thresholds are employed... to remove/reconfigure relatively short scenes, double check long commercial scenes for embedded non-commercial content, detect long commercial portions of a non-commercial scene, and refine the boundaries of commercial and non-commercial segments.”（Post-Processing Operations部分）<br>具体阈值应用规则包括：<br>1. “a scene is considered to be too short if it is smaller than a configurable threshold T1.”（短场景移除）<br>2. “if a commercial scene is longer than a configurable threshold T2, the scene is evaluated...”（长商业场景检查）<br>3. “if the number of the consecutive commercial segments is larger than a threshold Tc.”（非商业场景中商业部分检测）<br>4. “If a segment Cj... is too long (short) and Cls(Cj) is smaller (bigger) than a configurable threshold T3”（边界细化）	对比文件在后期处理中明确使用了多个可配置的阈值（T1， T2， Tc， T3）来对已初步分类的场景或片段进行再判断和调整。例如，基于场景长度（可视为与“群集”相关的度量）与阈值T1的比较来决定是否合并场景；基于连续商业片段数目与阈值Tc的比较来决定是否从非商业场景中分割出商业部分。这些操作的本质是基于与分类结果（可视为“标记”）相关的度量（如长度、数量）与预设阈值的比较，来最终决定或调整对该内容片段的分类（即指派“商业”或“非商业”标记）。因此，该技术特征被对比文件直接公开。
技术特征E：修改所指派的标记<br>《直接公开》	“Application of these criteria may result in scene splitting operations, whereupon for each split operation, properties for the affected scenes are recalculated using equation (15), followed by a merging operation...”（Post-Processing Operations部分）<br>“the segment is merged/transferred to its closest corresponding non-commercial (commercial) scene.”（边界细化规则）	对比文件公开的后期处理操作，包括场景分割、合并、场景间片段转移等，都会改变片段或场景最初由SVM分类器指派的“商业/非商业”分类（即标记）。例如，将一个片段从一个商业场景转移到非商业场景，就是修改了该片段的标记。因此，该技术特征被直接公开。
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>《未公开》	对比文件全文未提及在后期处理修改了片段的分类标记后，会使用这些修改后的数据重新训练SVM模型。对比文件中的SVM模型是预先训练好并固定使用的，后期处理是基于启发式规则对分类结果进行修正，并未涉及模型参数的更新或再训练。	对比文件没有公开，也未暗示在用户交互或系统自动调整分类结果后，会利用这些新数据重新训练原有的SVM分类器。目标专利中“重新训练分类器”是自适应学习用户偏好的关键步骤，而对比文件缺乏这一环节。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。<br>《直接公开》	“For each split operation, properties for the affected scenes are recalculated using equation (15)”（Post-Processing Operations部分）<br>方程(15)为：`Cls(Sk) = sign(∑(Cls(Ci)))`，其中`Cls(Ci)`是SVM对片段Ci的分类输出。	在对比文件的后期处理中，进行场景分割等操作后，需要根据组成新场景的各个片段的SVM分类结果（`Cls(Ci)`），通过方程(15)重新计算并确定整个新场景的分类。这实质上是在场景结构变化后，基于预先训练的SVM分类器对片段已有的分类输出，对新的场景单元进行“重新分类”。因此，该技术特征被直接公开。
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>《直接公开》	“a commercial content classification model is trained using a kernel support vector machine (SVM).”（详细描述部分，概述段）<br>“Possible choices of kernel functions include: ... (c) Multi-Layer perception function: K(x,y)=tanh(κ(x.y)-μ)”（SVM-Based Classification部分）	对比文件明确将SVM（支持向量机）作为其核心分类器，并在介绍核函数时提到了多层感知器（MLP）函数可作为SVM的核函数选项之一。这直接公开了权利要求中分类器类型的具体选项（SVM和MLP）。
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>《直接公开》	“scene-grouping techniques are utilized... In light of this, the LBCCD module combines segments into scenes... Consecutive commercial scenes and consecutive non-commercial scenes are merged to form a series of commercial blocks and non-commercial blocks.”（Post-Processing Operations部分）	对比文件公开了在SVM对每个片段进行分类（打上标记）后，使用场景分组技术将具有相同分类标记（商业或非商业）的连续片段组合成“场景（scene）”或“块（block）”。这相当于基于片段的标记，将它们分类到更高级别的“群”（即场景或块）中。因此，该技术特征被直接公开。
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>《未公开》	对比文件全文未提及“文件夹（folder）”的概念，也未描述将分类后的内容（片段、场景或块）存储或组织到文件系统的文件夹中。其输出是分类标签和可能的时间戳信息，用于控制录制或内容跳过，而非物理或逻辑上的文件夹管理。	目标专利中“放置到文件夹中”是图像管理系统的一种具体组织方式。对比文件仅涉及内容的自动分类与标识，并未扩展至按照分类结果进行文件存储管理的步骤。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。<br>《未公开》	（由于技术特征J未被公开，其衍生特征K也必然未被公开。）对比文件无任何关于命名文件夹的内容。	该技术特征依赖于“文件夹”的存在，而对比文件未公开文件夹的概念，故该特征未被公开。
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>《未公开》	对比文件仅使用一个SVM模型进行分类，未提及使用第二个预先训练的分类器来确定任何名称（如文件夹名称）。	对比文件未公开涉及“第二预先训练的分类器”以及“确定特定文件夹名称”的技术内容。因此，该特征未被公开。
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>《未公开》	（由于技术特征L、J均未被公开，其衍生特征M也必然未被公开。）对比文件无相关公开内容。	该技术特征涉及基于群集中心分类确定文件夹名称，对比文件既无“第二分类器”，也无“文件夹名称”的确定，更无此具体确定逻辑，故未被公开。
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>《未公开》	对比文件中，在场景分类时使用了多数裁定规则（方程(15)），但此规则用于确定场景本身的分类（商业或非商业），而非用于确定文件夹的名称。	虽然对比文件公开了多数裁定规则，但该规则应用的目的和对象（用于场景分类而非命名）与目标专利中“确定文件夹名称”不同。因此，该技术特征未被公开。
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>《未公开》	对比文件全文未描述任何用户交互界面或接收用户输入以修改分类、名称或任何元数据的步骤。其处理过程是全自动的。	目标专利中用户交互修改文件夹名称是重要的个性化特征。对比文件未涉及任何用户交互，故该特征未被公开。
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>《未公开》	（由于技术特征L、O均未被公开，其衍生特征P也必然未被公开。）对比文件无相关公开内容。	该技术特征涉及重新训练第二分类器以包含用户修改的文件夹名称，对比文件未公开任何相关内容，故未被公开。
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>《未公开》	对比文件描述了SVM模型可以处理新的节目数据（即“新图像/片段”）并对其分类。但如前所述（特征J），对比文件未公开将分类结果“放置在文件夹中”的步骤。	对比文件公开了用分类器处理新数据并确定其分类（群），但未公开后续的“放置到文件夹”这一具体组织动作。因此，该技术特征未被完整公开。
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>《未公开》	对比文件全文未描述任何用户交互界面或接收用户输入以修改分类标记的步骤。标记的修改完全由系统后期处理规则自动完成。	目标专利中用户主动修改标记是重要的反馈机制。对比文件未涉及任何用户交互修改标记，故该特征未被公开。
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>《未公开》	（由于技术特征J、R均未被公开，其衍生特征S也必然未被公开。）对比文件无任何关于用户移动文件或由此修改标记的内容。	该技术特征涉及通过用户界面操作（移动文件）来触发标记修改，对比文件未公开任何相关内容，故未被公开。
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>《直接公开》	“If the trained SVM model is not generated on the particular computing device... the trained SVM model is manually or programmatically uploaded or downloaded to/from the particular computing device. For example, if the trained SVM model is posted to a Web site for download access, any number of client devices... can download the trained model for subsequent installation.”（详细描述部分，概述段）	对比文件明确描述了训练好的SVM模型可以从网站下载，供任意数量的客户端设备安装使用。这实质上是将“至少一个分类器”（即SVM模型）与“第二用户”（即其他客户端设备用户）进行共享。因此，该技术特征被直接公开。
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>《未公开》	对比文件仅提到共享训练好的SVM模型（分类器），但未提及共享或组合“群集中心列表”。也未见描述将共享的分类器或列表与用户本地的数据进行组合，并据此更新分类器的步骤。	对比文件公开了共享分类器，但未公开“组合群集中心列表”以及基于此“更新分类器”的具体技术手段。因此，该技术特征未被公开。
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>《未公开》	对比文件中的类别（商业/非商业）是系统预设的、固定的，并非由用户定义。全文未提及用户自定义种类（如“日落”、“建筑物”等）以及共享这些自定义种类的功能。	目标专利中用户定义种类（如“花”、“人”）并共享是重要的社交特征。对比文件未涉及任何用户自定义内容类别的功能，故该特征未被公开。