| 1 |
1
멀티미디어 컨텐츠 적응 접근 시스템에 있어서, 입력되는 라이브 압축 멀티미디어 및 저장 압축 멀티미디어 컨텐츠로부터 내용 특징을 추출하기 위한 내용특징 추출수단; 상기 추출된 내용 특징을 이용하여 내용기반으로 통계적 기법을 도입하여 제한자원-유틸리티-적응방법의 관계를 표현하는 유틸리티 함수를 실시간으로 예측 생성하기 위한 유틸리티 함수 예측수단; 및 상기 예측 생성된 유틸리티 함수를 이용하여 사용자 단말 혹은 접속망으로부터 주어진 제한자원 및 사용자 선호를 충족하도록 실시간으로 최적의 멀티미디어 컨텐츠 적응을 수행하는 멀티미디어 컨텐츠 적응수단 을 포함하는 멀티미디어 컨텐츠 적응 접근 시스템
|
| 2 |
2
제 1 항에 있어서, 선호하는 형태의 멀티미디어 컨텐츠 적응을 달성하기 위하여, 사용자의 선호도를 상기 멀티미디어 컨텐츠 적응수단에 제공하기 위한 사용자 단말 을 더 포함하는 멀티미디어 컨텐츠 적응 접근 시스템
|
| 3 |
3
제 1 항에 있어서, 상기 유틸리티 함수 예측수단은,유틸리티 함수 예측을 내용특징 벡터와 유틸리티 함수 벡터의 조각별 선형 회귀(piecewise linear regression) 문제로 모델링하여 유틸리티 함수를 예측하되, 조각별 선형 회귀(piecewise linear regression) 문제로 모델링하는 유틸리티 함수를 예측하기 위하여, 입력되는 멀티미디어 컨텐츠를 먼저 균일한 내용을 갖는 세그먼트 단위로 나누고, 그 세그먼트를 K 클래스(class) 중의 하나로 분류(classification)한 후, 해당 클래스가 결정되면 그 클래스의 회귀 모델(regression model)을 이용하여 유틸리티 함수를 예측 생성하는 것을 특징으로 하는 멀티미디어 컨텐츠 적응 접근 시스템
|
| 4 |
4
제 3 항에 있어서, 상기 유틸리티 함수 예측수단은, 트레이닝 풀을 구성하여 내용특징 공간에서의 클러스터링(clustering)을 하고, 각 클래스마다 회귀(regression) 학습을 통하여 각 클래스의 회귀 모델(regression model)을 구하고, 분류(classification) 학습을 통하여 입력 세그먼트를 미리 정의된 하나의 클래스로 분류하기 위한 분류(classification) 결정 규칙을 비실시간(off-line)으로 미리 구하여 두는 비실시간 트레이닝수단; 및 입력되는 압축 멀티미디어 컨텐츠의 균일한 내용을 갖는 세그먼트 단위로, 그 세그먼트로부터 추출한 내용특징을 입력받아, 이를 이용하여 미리 구한 분류(classification) 결정 모듈에서 그 세그먼트의 해당 클래스를 결정하고, 그 클래스의 미리 구한 회귀 모델을 이용하여 보다 정확한 유틸리티 함수를 예측하는 실시간 예측수단 을 포함하는 멀티미디어 컨텐츠 적응 접근 시스템
|
| 5 |
5
제 1 항에 있어서, 상기 유틸리티 함수 예측수단은,균일한 내용을 갖는 멀티미디어 컨텐츠 클립(세그먼트)과, 각 클립마다 다수의 내용특징을 기술한 내용특징 벡터, 계산과 실험에 의해 기 생성된 유틸리티 함수를 기술한 유틸리티 함수 벡터를 저장하고 있는 저장수단;상기 저장수단에서, 상기 내용특징 벡터를 내용특징 공간에서 다수의 유사한 클립들로 구성된 클래스(class)로 분류하기 위한 클러스터링수단;상기 저장수단에서, 클래스 정보와 상기 내용특징 벡터, 상기 유틸리티 함수 벡터를 이용하여 각 클래스 내에서 회귀(regression) 모델을 구하기 위한 회귀학습수단;상기 저장수단의 상기 내용특징 벡터와 상기 클래스 정보를 이용하여 내용특징에 따라서 상기에서 구한 클래스 중의 하나로 분류(classification)하기 위한 분류학습수단;상기 분류학습수단의 학습결과로 얻어진 분류 규칙에 따라서 입력되는 세그먼트의 정의된 내용특징을 입력받아, 상기에서 구한 다수의 클래스 중 하나를 결정하기 위한 분류결정수단; 및상기 분류결정수단에 의해 결정된 클래스에 해당하는 상기 회귀학습수단에서 구한 회귀 모델을 적용하여, 해당 멀티미디어 컨텐츠 클립(세그먼트)에 대한 유틸리티 함수(제한자원과 화질의 관계정보를 기술한 메타데이터)를 예측 생성하기 위한 유틸리티 함수 생성수단을 포함하는 멀티미디어 컨텐츠 적응 접근 시스템
|
| 6 |
6
제 1 항 내지 제 5 항 중 어느 한 항에 있어서,상기 유틸리티 함수 예측수단은,제한자원과 유틸리티 평면에 가능한 적응방법을 도시하여 제한자원-유틸리티-적응방법의 관계를 함수로 표시한 적어도 하나의 커브로 표현될 수 있는 유틸리티 함수를 간단히 표현하기 위하여, 각 커브의 끝 점을 잇는 직선으로 간략화하고, 이를 각 직선의 끝 점의 제한자원과 유틸리티 값으로 표현하는 것을 특징으로 하는 멀티미디어 컨텐츠 적응 접근 시스템
|
| 7 |
7
멀티미디어 환경에서의 유틸리티 함수 예측 장치에 있어서, 입력되는 라이브 압축 멀티미디어 컨텐츠 및 저장 압축 멀티미디어 컨텐츠로부터 내용 특징을 추출하기 위한 내용특징 추출수단;균일한 내용을 갖는 멀티미디어 컨텐츠 클립(세그먼트)과, 각 클립마다 다수의 내용특징을 기술한 내용특징 벡터, 계산과 실험에 의해 기 생성된 유틸리티 함수를 기술한 유틸리티 함수 벡터를 저장하고 있는 저장수단;상기 저장수단에서, 상기 내용특징 벡터를 내용특징 공간에서 다수의 유사한 클립들로 구성된 클래스(class)로 분류하기 위한 클러스터링수단;상기 저장수단에서, 클래스 정보와 상기 내용특징 벡터, 상기 유틸리티 함수 벡터를 이용하여 각 클래스 내에서 회귀(regression) 모델을 구하기 위한 회귀학습수단;상기 저장수단의 상기 내용특징 벡터와 상기 클래스 정보를 이용하여 내용특징에 따라서 상기에서 구한 클래스 중의 하나로 분류(classification)하기 위한 분류학습수단;상기 분류학습수단의 학습결과로 얻어진 분류 규칙에 따라서 입력되는 세그먼트의 정의된 내용특징을 입력받아, 상기에서 구한 다수의 클래스 중 하나를 결정하기 위한 분류결정수단; 및상기 분류결정수단에 의해 결정된 클래스에 해당하는 상기 회귀학습수단에서 구한 회귀 모델을 적용하여, 해당 멀티미디어 컨텐츠 클립(세그먼트)에 대한 유틸리티 함수(제한자원과 화질의 관계정보를 기술한 메타데이터)를 예측 생성하기 위한 유틸리티 함수 생성수단을 포함하는 실시간 비디오 적응을 위한 유틸리티 함수 예측 장치
|
| 8 |
8
제 7 항에 있어서, 상기 유틸리티 함수는, 제한자원과 유틸리티 평면에 가능한 적응방법을 도시하여 제한자원-유틸리티-적응방법 관계를 함수로 표시한 것으로, 적어도 하나의 커브로 표현될 수 있는 유틸리티 함수를 간단히 표현하기 위하여, 각 커브의 끝 점을 잇는 직선으로 간략화할 수 있고, 각 직선의 끝 점의 제한자원과 유틸리티 값으로 표현할 수 있는 것을 특징으로 하는 실시간 비디오 적응을 위한 유틸리티 함수 예측 장치
|
| 9 |
8
제 7 항에 있어서, 상기 유틸리티 함수는, 제한자원과 유틸리티 평면에 가능한 적응방법을 도시하여 제한자원-유틸리티-적응방법 관계를 함수로 표시한 것으로, 적어도 하나의 커브로 표현될 수 있는 유틸리티 함수를 간단히 표현하기 위하여, 각 커브의 끝 점을 잇는 직선으로 간략화할 수 있고, 각 직선의 끝 점의 제한자원과 유틸리티 값으로 표현할 수 있는 것을 특징으로 하는 실시간 비디오 적응을 위한 유틸리티 함수 예측 장치
|
