| 1 |
1
(A) 기준지역의 소스도메인에 수집되고 안전도 점수가 포함된 소스도메인데이터가 기설정된 딥 러닝 알고리즘으로 입력되면, 상기 소스도메인데이터의 안전도 점수에 따라 상기 소스도메인데이터의 클래스가 낮은 클래스와 높은 클래스로 구분되고, 상기 소스도메인데이터를 이용하여 상기 딥 러닝 알고리즘이 학습되는 단계; (B) 예측지역의 타겟도메인에서 수집된 타겟도메인데이터가 상기 딥 러닝 알고리즘으로 입력되고, 상기 딥 러닝 알고리즘이 상기 타겟도메인데이터를 이용하여 학습되면서 상기 소스도메인데이터와 상기 타겟도메인데이터가 통합된 임베딩 공간을 구축하는 단계: 및(C) 상기 (A) 및 (B)에서 학습된 딥 러닝 알고리즘으로부터 상기 소스도메인과 상기 타겟도메인 간의 도메인변화에 불변하는 데이터특징을 상기 소스도메인데이터 또는 상기 타겟도메인데이터에서 추출하고, 상기 데이터특징을 이용하여 SVM(support vector machine) 분류기를 학습하면서, 상기 타겟도메인데이터의 클래스를 분류하는 단계를 포함하고, 상기 타겟도메인데이터는 상기 예측지역의 안전도 점수가 포함된 레이블데이터(labeled data)와 상기 예측지역의 안전도 점수가 없는 언레이블데이터(unlabeled data)로 이루어지고, 상기 타겟도메인데이터에 포함된 상기 언레이블데이터의 비율은 상기 레이블데이터의 비율보다 크고, 상기 (B) 단계는,(B1) 상기 타겟도메인데이터 중 상기 레이블데이터를 이용하여, 상기 딥 러닝 알고리즘을 미세조정(fine-tuning)하는 단계;(B2) 상기 타겟도메인데이터 중 상기 언레이블데이터가 상기 딥 러닝 알고리즘을 학습하면서 상기 임베딩 공간에 임베딩되는 단계;(B3) 상기 언레이블데이터 중 설정된 클래스의 임베딩 위치와 가장 가까운 n%(n≤10)의 언레이블데이터를 이용하여, 상기 딥 러닝 알고리즘을 상기 미세조정하는 단계; 및(B4) 상기 타겟도메인데이터에서 상기 언레이블데이터가 존재하지 않을 때까지, 상기 (B2) 및 (B3) 단계가 반복되는 단계를 포함하는 것을 특징으로 하는 딥 러닝 기반의 데이터특징을 이용한 도시영상의 안전도 분류방법
|
| 2 |
2
삭제
|
| 3 |
3
제 1 항에 있어서, 상기 임베딩 공간은, 상기 소스도메인데이터와 상기 타겟도메인데이터의 동일한 클래스는 마진거리(M)보다 가깝게 임베딩되고,상기 소스도메인데이터와 상기 타겟도메인데이터의 다른 클래스는 상기 마진거리(M)보다 멀게 임베딩되고,상기 동일한 클래스에서 상기 소스도메인데이터의 클래스의 임베딩 위치와 상기 타겟도메인의 클래스의 임베딩 위치가 서로 가깝게 설정되고, 상기 소스도메인데이터가 상기 타겟도메인데이터의 상기 미세조정 후 상기 임베딩 공간에서 보존되도록, 상기 소스도메인데이터와 상기 타겟도메인데이터가 통합된 것을 특징으로 하는 딥 러닝 기반의 데이터특징을 이용한 도시영상의 안전도 분류방법
|
| 4 |
4
제 3 항에 있어서, 상기 마진거리(M)은 다른 클래스 간에 임베딩되는 위치의 차이인 것을 특징으로 하는 딥 러닝 기반의 데이터특징을 이용한 도시영상의 안전도 분류방법
|
| 5 |
5
제 1 항에 있어서, 상기 딥 러닝 알고리즘은 사이어미즈 네트워크(Siamese network)이고,상기 사이어미즈 네트워크(Siamese network)는 두 개의 입력데이터가 같은 가중치를 가지는 네트워크를 통과하는 가중치 공유(weight sharing) 구조로, 상기 소스도메인데이터와 상기 타겟도메인데이터로부터 통합된 상기 임베딩 공간을 구축하는 것을 특징으로 하는 딥 러닝 기반의 데이터특징을 이용한 도시영상의 안전도 분류방법
|
| 6 |
6
제 5 항에 있어서, 상기 사이어미즈 네트워크는 제약된 대조 손실 함수(Lconstrained contrastive)에 의해 상기 소스도메인데이터와 상기 타겟도메인데이터의 차이가 제거되어, 상기 소스도메인데이터와 상기 타겟도메인데이터가 동일한 클래스이면 가까운 위치에, 상기 소스도메인데이터와 상기 타겟도메인데이터가 다른 클래스이면 먼 위치에 임베딩되도록 학습되는 것을 특징으로 하는 딥 러닝 기반의 데이터특징을 이용한 도시영상의 안전도 분류방법
|
| 7 |
7
제 6 항에 있어서, 상기 제약된 대조손실함수(Lconstrained contrastive)는 식(2)에 따른 대조 손실 함수(Lcontrastive)에 식 (4)에 따른 대조 손실 함수(Lconstraintxn, Lconstraintxm)를 반영하여 식 (1)로 도출된 함수로서, 상기 소스도메인데이터와 상기 타겟도메인데이터가 초기 위치의 마진거리(M) 내에 임베딩되도록 하는 것을 특징으로 하는 딥 러닝 기반의 데이터특징을 이용한 도시영상의 안전도 분류방법
|
| 8 |
8
제 1 항에 있어서, 상기 높은 클래스는 상기 소스도메인데이터의 안전도 점수가 0
|
