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，《直接公开》	[0038] "According to an embodiment, a classifier is a software program that is constructed for the purpose of classifying input objects into a set of categories. The categories are specified during a construction phase of the classifier called the training phase and the process of classifier construction is called training. During the training phase, exemplary objects for each of the various object categories are given to the classifier and the classifier ‘learns’ the characteristic properties of the objects belonging to each category that would help the classifier in the classification process." [0052] "...the classifier is able to utilize aspects of the teaching input to detect whether the new image is pornographic or not. According to an embodiment, this is accomplished by analyzing the frequency distribution of the images according to techniques described herein, calculating a set of data values based on or comprising the frequency distributions, and comparing the data values to arrive at a determination." [0054] "According to an embodiment, the image is processed by one or more Gabor filters and one or more numerical data sets or data values are generated describing the texture of the image as defined by the frequency distributions within the image."	对比文件明确公开了使用分类器（classifier）来确定图像的特征。其详细描述了分类器通过训练阶段学习对象的特征属性（characteristic properties），并在检测新图像时，通过分析图像的频率分布等技术来计算描述图像纹理的数据值（data values）或数据集（data sets）。这些数据值/数据集即代表了从图像中提取出的特征。对比文件中的分类器用于检测色情图像，其作用是从图像中提取特征（如纹理特征）以进行分类判断。虽然目标专利中分类器用于图像管理（分群集），但两者在“使用预先训练的分类器从图像中提取/确定特征”这一技术手段上完全相同。因此，本领域技术人员能够毫无疑义地从对比文件中得出技术特征A。
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》	未发现相关内容。	对比文件仅公开了使用训练好的分类器对新图像（即待检测图像）进行分析以提取特征（如计算频率分布数据值），并未提及或暗示所存储的（待处理）图像的特征与用于训练该分类器的训练图像的特征之间有何不同。在对比文件描述的方案中，分类器正是通过学习训练图像的特征来建立分类模型，并期望新图像的特征能落入已学习的特征范畴内以进行分类。因此，对比文件既未直接公开也未隐含公开该特征。
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《未公开》	[0052] "...the classifier is able to utilize aspects of the teaching input to detect whether the new image is pornographic or not." [0054] "...based on the comparison, a determination is made regarding whether the image is pornographic or not." [0055] "...as a result of the comparison, the image is classified as a particular type, such as pornographic."	对比文件公开了基于确定的特征（如纹理分数）将图像分类（classify）为特定的类型，例如“色情”或“非色情”。这是一种二元的或有限类别的分类，其目的是进行内容过滤或标识。而目标专利中的“指派给多个群集中的群集”是一种无监督或半监督的“分群集（clustering）”操作，目的是根据图像特征的相似性将其组织成多个群组，群集的数量和含义可能动态形成或由用户定义，其功能是图像管理和组织。两者目的和实现方式不同。对比文件没有提及将多个图像基于特征相似性划分到多个“群集（cluster）”中。因此，该特征未被公开。
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》	[0043] "The quantification may be embodied in a set of data values that are used to determine a value such as a ‘texture score.’ This quantification is compared to a threshold value..." [0055] "...a value, such as a ‘texture score,’ that is compared to a threshold value, such as a ‘texture threshold,’ and as a result of the comparison, the image is classified as a particular type..." [0052] "According to an embodiment, the classification process can be done by a k-Nearest Neighbor classifier which, for Gabor features from a given new image, finds k closest neighbors from the training set (comprising of features from both pornographic and non-pornographic images) and assigns the new image to the class of the majority of neighbors."	对比文件公开了将计算出的特征值（如纹理分数）与阈值进行比较以进行分类决策。也公开了使用k-最近邻（k-Nearest Neighbor）分类器，根据新图像特征在训练集中找到k个最近邻，并根据多数邻居的类别来分配类别。然而，这些公开内容涉及的是分类决策过程本身，即直接根据特征值或邻居投票决定最终类别（如色情/非色情）。而技术特征D描述的是在分群集背景下，基于图像到群集中心的距离、数目或百分比等复杂阈值条件，来决定是否给图像“指派标记”，这个“标记”是用于后续监督训练或分类的标签，并非最终分类结果。对比文件没有公开这种基于多重条件为图像“指派标记”作为中间步骤的机制。因此，该特征未被公开。
技术特征E：修改所指派的标记《未公开》	未发现相关内容。	对比文件描述的是一种自动化的图像内容检测系统，整个过程是自动的，没有用户交互环节。其中分类器输出的类别（如“色情”）是系统自动判定的结果，并未提及用户可以或系统允许对这些自动指派的“标记”或类别进行修改。目标专利中修改标记是用户交互和系统学习的重要环节。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《未公开》	未发现相关内容。	对比文件描述了分类器的初始训练过程（[0038], [0052]），但并未提及在系统部署使用后，能够根据用户对分类结果的修改（即技术特征E）来重新训练（re-train）分类器。目标专利中重新训练是实现个性化学习的关键步骤。对比文件完全没有涉及这一概念。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。《未公开》	未发现相关内容。	技术特征G是特征E和F的延续步骤，即在修改标记并重新训练分类器后，使用更新后的分类器对图像进行重新分类。对比文件中既无修改标记，也无重新训练，自然也不存在基于重新训练后的分类器进行重新分类的步骤。整个流程在对比文件中均未公开。
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)。《直接公开》	[0052] "According to an embodiment, a support vector approach can be trained using Gabor texture features from pornographic and non-pornographic images and the trained classifier can be used to classify new images. According to an embodiment, the classification process can be done by a k-Nearest Neighbor classifier..."	对比文件明确公开了分类器可以是支持向量机（support vector approach）和k-最近邻分类器（k-Nearest Neighbor classifier）。k-最近邻分类器即对应目标专利中的“最接近的邻居”。因此，对比文件直接公开了技术特征H中列举的两种具体分类器类型（SVM和最接近的邻居），本领域技术人员能够毫无疑义地得出。虽然未明确提及逻辑回归和多层感知器，但已公开部分选项。
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。《未公开》	未发现相关内容。	对比文件将图像分类为“色情”或“非色情”等类别，但并未进一步描述将已分类的图像组织到“群（group）”中。目标专利中的“分类到群中”是图像管理组织的一部分，可能对应文件夹或视图。对比文件的功能是检测与过滤，而非图像的组织管理。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。《未公开》	未发现相关内容。	对比文件完全没有涉及将图像放置到“文件夹（folder）”中进行存储或管理的任何概念。其系统输出可能是对图像的标志或从搜索结果中过滤，而非在文件系统中进行组织。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。《未公开》	未发现相关内容。	由于对比文件未公开“文件夹”这一概念，因此自然也未曾公开如何命名文件夹，无论是使用非特定名称还是特定名称。
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》	未发现相关内容。	对比文件中只涉及一个用于色情检测的分类器，并未提及存在“第二预先训练的分类器”，更未提及使用任何分类器来确定文件夹名称。
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》	未发现相关内容。	该特征涉及“群集中心”、“群的标记”等概念，这些在对比文件中均未出现。使用第二分类器基于群集中心分类来确定文件夹名称的复杂流程，在对比文件中没有任何基础。
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》	未发现相关内容。	该特征涉及文件夹命名规则，依赖于“给定文件夹的所标记图像”等概念。对比文件未公开文件夹、也未公开基于用户或系统标记的图像集合，因此该特征未被公开。
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。《未公开》	未发现相关内容。	对比文件描述的是一个自动化处理系统，没有用户交互界面来接收用户对文件夹名称的修改或指派输入。因此，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。《未公开》	未发现相关内容。	该特征涉及重新训练第二分类器以更新文件夹名称映射。对比文件中既无“第二预先训练的分类器”，也无“群集中心”、“所标记的图像特征向量”用于此类训练，更无“经修改的特定文件夹名称”的概念。因此，该特征未被公开。
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。《未公开》	[0052] "According to an embodiment, the classification process can be done by a k-Nearest Neighbor classifier which, for Gabor features from a given new image, finds k closest neighbors from the training set... and assigns the new image to the class of the majority of neighbors."	对比文件公开了对于新图像，确定其特征（Gabor features）并应用分类器（如k-NN）来确定其类别（class）。这与“确定新图像的特征向量和应用分类器”部分相对应。然而，对比文件仅公开了分类过程，并未公开将新图像“放置在文件夹中”这一后续的图像管理操作。目标专利中放置到文件夹是基于分类结果进行的物理或逻辑组织，而对比文件中的分类结果可能仅用于打标签或过滤。因此，虽然前半部分被公开，但整体技术特征Q（包含放置到文件夹）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。《未公开》	未发现相关内容。	与技术特征E类似，对比文件没有用户交互环节来修改系统指派的标记（即分类结果）。
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》	未发现相关内容。	该特征涉及通过图形化用户操作（拖拽移动文件）来隐含地修改标记。对比文件未涉及任何文件夹界面或用户移动图像的操作。
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》	未发现相关内容。	对比文件描述的是单个系统内的图像检测，未提及在不同用户或设备之间共享分类器模型或群集中心列表的功能。
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》	未发现相关内容。	该特征涉及共享数据的融合与个性化更新。对比文件中既无“群集中心列表”的概念，也无在不同用户间组合数据并更新分类器的机制。
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》	未发现相关内容。	该特征涉及共享用户自定义的分类种类（如“日落”、“自然界”）。对比文件中的分类种类（色情/非色情）是系统预设的、固定的，且未提供用户自定义种类的功能，更谈不上共享。