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
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，《隐含公开》	[0029] “A classifier is a device or system that receives an input (e.g., an observation) and identifies one or more categories... In some aspects, the identification may be based on a training set of data including observations for which a classification is known.” <br> [0030] “A classifier may take various forms including support vector networks and neural networks. For example, in some aspects, a classifier may take the form of a deep neural network such as a deep belief network (DBN) or a deep convolutional network.” <br> [0068] “Deep Convolutional Networks (DCNs)... can be trained using supervised learning...”	对比文件多次描述了分类器（如支持向量机、深度卷积网络）需要基于已知分类的训练集进行训练（[0029], [0068]），这必然意味着分类器是“预先训练的”。同时，分类器的工作机制是接收输入（如图像）并识别其类别（[0029]），这一识别过程必然基于从输入中提取或确定的“特征”。虽然对比文件未明确记载“确定所存储图像的特征”这一具体应用场景，但其核心内容是关于如何为分类器选择训练样本，而分类器的本质功能就是处理特征以进行分类。因此，本领域技术人员能够毫无疑义地从对比文件公开的分类器及其训练、使用原理中，合理推断出“使用预先训练的分类器来确定图像特征”这一技术手段。该特征在对比文件中被隐含公开。
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》	无相关记载。	对比文件的核心在于管理分类器的训练集，关注新训练样本与现有训练样本之间的相似性，以优化存储和分类边界。全文未提及所处理的“所存储图像”的特征需要与用于初始训练分类器的“训练图像”的特征不同。目标专利强调此点旨在说明其处理的是用户的新图像，而非训练集本身，该特定限定未被对比文件公开。
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，《直接公开》	[0037] “In accordance with aspects of the present disclosure, a data sample may be added to a training set based on a similarity metric.” <br> [0043] “To determine if a new sample is more redundant than any pair of existing samples within a class, an adjacency matrix for the class of interest may be calculated. The distance may, for example, comprise a Euclidean distance...” <br> [0067] “In one configuration, a computational network is configured for calculating one or both of a first similarity metric and a second similarity metric, and selectively storing a new training sample in memory based on the first similarity metric and/or the second similarity metric.”	对比文件详细公开了基于相似性度量（如欧氏距离）来决定是否将新的数据样本（可对应于图像）添加到训练集中的特定“类”（class）中（[0037], [0043], [0067]）。这里的“类”即对应于目标专利中的“群集”。该过程实质上是“基于特征（通过距离度量反映）将样本指派给一个类（群集）”。因此，对比文件直接公开了技术特征C。
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，《隐含公开》	[0039] “In some aspects, a limit on the number of feature vectors stored for each subject (e.g., 10) may be applied.” <br> [0043] “If the new sample's closest distance is smaller than the preexisting minimum distance, the new sample may be determined to be redundant and may be rejected. On the other hand, if the new sample's closest distance is larger than the preexisting minimum distance, the new sample may be stored.” <br> [0046] “One way to determine whether a sample is near a class's true boundary is to determine whether a new sample lies further away from existing samples than any single existing samples.”	对比文件公开了判断是否保留或添加新样本的多个准则：1）基于新样本与类内现有样本的“最接近距离”与一个已有最小距离值（可视为一种动态阈值）的比较（[0043]）；2）设置了每个类别存储特征向量数目的上限（例如10个），这隐含了“预定义图像数目”的阈值（[0039]）；3）通过计算样本与类内所有邻居的距离和来判断其是否处于类边界，这涉及基于距离总和的评估（[0046]）。虽然对比文件未明确使用“指派标记”这一表述，但其“决定是否存储/添加样本”的实质就是为该样本赋予一个“属于此类”的肯定或否定的“状态”或“标记”。本领域技术人员可以从这些基于距离和数量阈值的决策逻辑中，合理推断出基于类似阈值条件为图像指派标记的技术方案。因此，该特征被隐含公开。
E：修改所指派的标记，《未公开》	无相关记载。	对比文件涉及的是向训练集中添加或移除样本，并未提及对已存在于训练集中或已被分类的样本的已有“标记”（即类别归属）进行修改。
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》	无相关记载。	由于特征E（修改标记）未被公开，且对比文件也未记载因标记修改而触发重新训练分类器的过程，因此该特征未被公开。对比文件提及的重新训练（如[0029]）是基于新样本的添加来更新分类边界，而非基于已有样本标记的修改。
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》	无相关记载。	对比文件未描述在标记被修改后，使用（同一或更新的）预先训练的分类器对图像进行“重新分类”的操作流程。
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》	[0008] “For example, support vector machines (SVMs) are learning tools that can be applied for classification.” <br> [0030] “A classifier may take various forms including support vector networks and neural networks.” <br> [0068] “Deep Convolutional Networks (DCNs)... can be trained using supervised learning...” （注：逻辑回归、最接近的邻居、多层感知器均为本领域公知的分类器，在对比文件提及的分类器范畴内）	对比文件明确将支持向量机（SVM）作为分类器的示例（[0008]），并指出分类器可包括神经网络（[0030]），而逻辑回归、最接近邻居、多层感知器（MLP）均属于本领域常见的分类器或神经网络类型。因此，对比文件直接公开了第一预先训练的分类器可以是这些类型。
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》	无相关记载。	对比文件关注的是训练样本的管理和分类器决策边界的优化，并未描述基于“标记”将已存储的图像组织成“群”这一图像管理步骤。
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》	无相关记载。	对比文件完全没有提及“文件夹”这一用于组织图像的用户界面或存储结构概念。
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》	无相关记载。	由于特征J（放置到文件夹）未被公开，命名文件夹的特征自然也未被公开。
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》	无相关记载。	对比文件未提及使用任何分类器来确定文件夹名称。
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》	无相关记载。	对比文件未提及基于群集中心的分类来确定文件夹名称。
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》	无相关记载。	对比文件未提及多数裁定规则或其在文件夹命名中的应用。
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》	无相关记载。	对比文件未涉及接收用户输入以修改或指派文件夹名称。
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》	无相关记载。	对比文件未涉及为文件夹名称而重新训练分类器。
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》	无相关记载。	对比文件描述了为新样本确定特征和类别（[0037], [0043]），但未提及将其“放置在文件夹中”。
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》	无相关记载。	对比文件未提及接收用户输入来修改样本的标记。
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》	无相关记载。	对比文件未提及用户通过移动图像（或样本） between folders 来修改标记。
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》	无相关记载。	对比文件未涉及与第二用户共享分类器或群集中心列表。
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》	无相关记载。	对比文件未涉及共享、组合群集中心列表并更新分类器的过程。
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》	无相关记载。	对比文件未涉及共享用户定义的种类。