对比文件的名称：2007-11-27_US7302451B_发明授权_US07302451B2 Feature identification of events in multimedia
目标专利的名称：363在语义上融合上下文推断CN104823433B
本次调用的模型名称：DeepSeek最新版本模型
作为资深专利代理师，我将结合目标专利说明书原文，对对比文件进行深度分析，并严格按照权利要求划分技术特征进行比对。
### 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**：所述方法包括：在计算装置处使用来自与移动装置相关联的至少一个数据源的上下文相关数据确定第一上下文类别<br>《直接公开》 | [0050] “在初步步骤中，从多媒体101中提取105特征（...A...Z...）102。”<br>[0051] “提取的特征102使用一组离散标签S进行标记...所述特征102被视为时间序列，其定义了用于我们事件检测目的的基础多媒体内容。”<br>[0056] “对于每一步，窗口内的样本定义了多媒体的‘上下文’。”<br>[0056] “为N个样本113或‘上下文’中的每一个构建120上下文模型121。” | 根据目标专利说明书[0018]-[0022]、[0060]-[0061]段，上下文相关数据是来自移动装置数据源（如音频传感器、位置传感器等）的数据，用于推断用户或装置的上下文状态。对比文件同样从多媒体（可视为一种计算装置处理的数据源）中提取音频、视觉等特征（即上下文相关数据），并将这些特征序列视为时间序列。对比文件为时间序列的每个窗口样本构建“上下文模型”，该模型即代表了对该时间段内多媒体内容的分类或描述，相当于“确定第一上下文类别”。本领域技术人员可以毫无疑义地得出，对比文件公开了在计算装置处使用来自数据源的上下文相关数据来确定一个上下文类别（即上下文模型）的技术方案。 |
| **技术特征B**：在所述移动装置处至少部分通过融合所述第一上下文类别及不同于所述第一上下文类别的第二上下文类别来确定融合类别，<br>《未公开》 | [0028]-[0033] 描述了将多媒体中的事件分为“通常”事件（C1，背景）和“异常”事件（C2，前景），并旨在从背景中检测出前景异常事件。<br>[0061] “第二广义特征向量z1 141被确定140用于亲和矩阵131。然后使用第二广义特征向量来聚类150与事件151相关的距离。被认为是‘异常值’的事件是不寻常的，并且这些事件可以被排序。” | 目标专利的“融合类别”是通过“融合”两个不同的上下文类别（如“坐”和“站立”融合为“静止”）而得到的新类别，其核心在于语义上的合并（见说明书[0023]-[0026]）。对比文件虽然也涉及两类事件（通常和异常），但其方法是检测和区分它们，而不是将两个不同的类别“融合”成一个新的、语义上更广泛的类别。对比文件通过特征向量分析对上下文模型进行聚类，以识别“异常值”（即不寻常事件），这个过程是“区分”或“检测”异常，而非“融合”两个已有类别来生成一个新类别。因此，对比文件未公开通过融合两个不同上下文类别来确定融合类别的技术特征。 |
| **技术特征C**：所述融合类别与所述第一上下文类别及所述第二上下文类别所共有的至少一个特性相关联，<br>《未公开》 | 未找到相关描述。 | 目标专利的融合类别与所融合的多个上下文类别共享至少一个共性（例如，“坐”和“站立”共享“静止”的特性）。对比文件未描述任何通过合并两个类别并基于其共有特性来创建新类别（融合类别）的方案。因此，该技术特征未被公开。 |
| **技术特征D**：其中所述融合类别比所述第一上下文类别及所述第二上下文类别中的每一者范围广。<br>《未公开》 | 未找到相关描述。 | 目标专利的融合类别在语义上比其融合的单个类别范围更广（例如，“静止”比“坐”或“站立”更广泛）。对比文件未描述这种语义上更广泛、用于囊括多个较具体类别的新类别。因此，该技术特征未被公开。 |
| **技术特征E**：其中所述融合类别具有相关联的标签，其在语义上囊封所述第一上下文类别的标签及所述第二上下文类别的标签。<br>《未公开》 | 未找到相关描述。 | 目标专利明确强调了融合类别标签在语义上“囊封”了被融合类别的标签（说明书[0023]）。这是其语义融合的核心体现。对比文件虽然使用标签对特征进行分类，但完全没有提及创建一种新的、其标签能语义上包含其他类别标签的类别。因此，该技术特征未被公开。 |
| **技术特征F**：其进一步包括获得与初始分类相关联的用以确定所述第一上下文类别的信息。<br>《直接公开》 | [0056] “为N个样本113或‘上下文’中的每一个构建120上下文模型121。”<br>[0074] “对于背景过程由二项式或多式PDF建模的情况，...给定长度为WL的样本的上下文，我们可以使用相对频率定义的概率来估计S中每个标签的概率。”<br>[0104]-[0108] 描述了为上下文（无论是GMM还是HMM）估计模型参数（λ）。 | 目标专利中“获得与初始分类相关联的...信息”可以理解为获取用于进行上下文分类的原始数据或模型参数。对比文件中，为每个时间窗口构建上下文模型（如HMM、GMM）的过程，必然涉及从该窗口的样本数据中“获得”用于建立模型（即进行分类）的信息，例如特征向量的统计分布、概率参数等。本领域技术人员可以毫无疑义地得出，构建模型所需的参数或数据即是“与初始分类相关联的信息”。因此，该技术特征被直接公开。 |
| **技术特征G**：其中获得与所述初始分类相关联的所述信息包括获得与所述初始分类相关联的置信度值。<br>《直接公开》 | [0070]-[0073] “在我们的方法100中，我们首先从长度为WL的窗口内的样本中估计背景过程的参数。然后，我们测量一个特定模型与其他上下文模型有多大不同。”<br>[0080]-[0081] “现在，我们以相当大的概率N%断言...任何估计值（d）都位于闭区间[L, U]内。换句话说，我们有N%的信心认为两个上下文模型估计值之间的差异超出此区间是由于其中一个上下文中发生了异常事件C2引起的。”<br>[0110]-[0114] “使用置信度量对异常值进行排序”部分，明确使用了置信度（confidence measure）来评估和排序检测到的异常事件。 | 目标专利中的“置信度值”用于衡量初始分类的可靠性（说明书[0033]-[0034]）。对比文件在检测异常事件时，明确引入了“置信度”或“信心”的概念。例如，它通过分析两个上下文模型之间的距离（d）的统计分布，来“有信心地”（with substantial probability）判断差异是否由异常事件引起，并进一步定义了用于对异常值模型进行排名的置信度量（公式10）。这个置信度量直接与上下文模型（即初始分类）的可靠性评估相关联。因此，对比文件直接公开了获得与初始分类（上下文模型）相关联的置信度值。 |
| **技术特征H**：其中确定所述融合类别是响应于所述置信度值等于或低于阈值而执行。<br>《未公开》 | [0080]-[0081] “...我们有N%的信心认为两个上下文模型估计值之间的差异超出此区间是由于其中一个上下文中发生了异常事件C2引起的。” | 目标专利中，当初始分类的置信度值低（不合需要）时，会触发融合分类器输出一个更可靠的融合类别（说明书[0033]-[0034]）。对比文件虽然使用置信度来判断一个事件是否“异常”（即是否属于C2），但并未描述因为某个分类（上下文模型）的置信度低，而触发一个“融合”操作去创建一个新的、更广泛的类别。对比文件的阈值（区间[L, U]）用于区分“通常”和“异常”，而非用于触发“融合”。因此，该技术特征未被公开。 |
| **技术特征I**：其中获得与所述初始分类相关联的所述信息包括识别所述初始分类的可操作性质。<br>《未公开》 | 未找到相关描述。 | 目标专利中“可操作性质”指的是分类器已知的行为特性，例如容易混淆某些状态（说明书[0046]）。对比文件完全没有提及对分类器或模型本身“可操作性质”的识别。因此，该技术特征未被公开。 |
| **技术特征J**：其中确定所述融合类别是基于所述初始分类的所述可操作性质。<br>《未公开》 | 未找到相关描述。 | 基于特征I未被公开，且对比文件未描述基于分类器行为特性来生成新类别，该技术特征也未被公开。 |
| **技术特征K**：其中所述上下文相关数据为与第一时间相关联的第一上下文相关数据，所述方法进一步包括使用与在所述第一时间之后的第二时间相关联的第二上下文相关数据确定所述第二上下文类别，且其中确定所述融合类别是基于所述第一上下文类别及所述第二上下文类别。<br>《未公开》 | [0055]-[0056] 描述了使用滑动窗口对时间序列进行采样和建模，窗口会随着时间步进。<br>[0047] “如果背景过程具有一些记忆，那么所选模型必须考虑背景过程。例如，隐马尔可夫模型可以提供背景过程的一阶近似。” | 目标专利该特征强调基于不同时间点的数据确定两个上下文类别，并基于此二者确定融合类别（说明书[0047]）。对比文件确实处理时间序列数据，并使用滑动窗口在不同时间点建立上下文模型。然而，其目的是为了检测每个窗口内或窗口间的“异常”事件，而不是为了将两个不同时间点确定的类别“融合”成一个新的融合类别。虽然HMM的使用可能涉及时间记忆，但这属于单个模型内部的时序建模，并非目标专利所要求的基于两个明确区分的“第一”、“第二”上下文类别来确定“融合类别”。因此，该技术特征未被公开。 |
| **技术特征L**：其中确定所述第一上下文类别包括从多个预定的可用上下文类别中选择所述第一上下文类别。<br>《隐含公开》 | [0051] “提取的特征102使用一组离散标签S进行标记，即，C1和C2的字母表是集合 S={A, B, C, D, E, ..., X, Y, Z}。”<br>[0054] “对于多媒体的音频部分，音频特征可以包括音高、振幅、梅尔频率倒谱系数（MFCC）、语音、音乐或语音和音乐。对于视频部分，特征可以包括颜色、运动、纹理等。” | 目标专利中“从多个预定的可用上下文类别中选择”意味着存在一个预先定义好的类别集合。对比文件明确指出，提取的特征使用一组离散标签S（一个预定的字母表）进行标记。这意味着在分类/建模之前，已经存在一个可用的标签（类别）集合。当对比文件基于特征数据构建上下文模型或对特征进行分类时，本领域技术人员可以理解，这实质上是从这个预定的标签集合（或由这些特征隐含定义的类别空间）中进行选择或指派的过程。因此，该技术特征被对比文件隐含公开。 |
| **技术特征M**：其中确定所述融合类别包括从多个预定的可用融合类别中选择所述融合类别。<br>《未公开》 | 未找到相关描述。 | 目标专利中融合类别也是从一个预定的可用融合类别集合中选择的（说明书[0039]）。对比文件未涉及任何“融合类别”的概念，更不存在一个预定的“融合类别”集合供选择。因此，该技术特征未被公开。 |
<<<A>>><<<F>>><<<G>>><<<l>>>