| 1 |
1
영상에 대한 인코딩된 센서 입력을 수신하는 단계; 및미리 생성된 학습 모델에 기초하여 상기 인코딩된 센서 입력에 대한 영상의 초분광 영상을 재구성하는 단계를 포함하는 초분광 영상 재구성 방법
|
| 2 |
2
제1항 있어서,미리 설정된 초분광 영상 데이터 세트를 이용한 학습을 통해 비선형 학습 모델을 생성하는 단계를 더 포함하고,상기 초분광 영상을 재구성하는 단계는상기 생성된 비선형 학습 모델과 비선형 최적화 기법에 기초하여 상기 초분광 영상을 재구성하는 것을 특징으로 하는 초분광 영상 재구성 방법
|
| 3 |
3
제2항에 있어서,상기 비선형 학습 모델을 생성하는 단계는상기 초분광 영상 데이터 세트를 이용한 학습을 통해 컨볼루션 자동인코더를 학습시켜 상기 비선형 학습 모델을 생성하는 것을 특징으로 하는 초분광 영상 재구성 방법
|
| 4 |
4
제3항에 있어서,상기 비선형 학습 모델을 생성하는 단계는상기 컨볼루션 자동 인코더를 이용하여 비선형 공간에서 인코더 네트워크를 학습시킨 후 디코더 네트워크를 이용하여 상기 비선형 학습 모델을 생성하는 것을 특징으로 하는 초분광 영상 재구성 방법
|
| 5 |
5
제4항에 있어서,상기 컨볼루션 자동 인코더는상기 초분광 영상 데이터 세트를 비선형 표현으로 변환하는 인코더 네트워크와 상기 비선형 표현으로부터 원본 데이터 세트를 생성하는 디코더 네트워크를 포함하는 것을 특징으로 하는 초분광 영상 재구성 방법
|
| 6 |
6
제2항에 있어서,상기 비선형 학습 모델은초분광 영상에 대한 비선형 재구성을 출력하는 학습 모델인 것을 특징으로 하는 초분광 영상 재구성 방법
|
| 7 |
7
제2항에 있어서,상기 초분광 영상을 재구성하는 단계는상기 생성된 비선형 학습 모델에 대한 비선형 스펙트럴 표현의 정확도와 공간 영역에서의 그래디언트(gradient)의 희소성(sparsity)을 공동으로 정규화하는 상기 비선형 최적화 기법에 기초하여 상기 인코딩된 센서 입력에 대한 영상의 초분광 영상을 재구성하는 것을 특징으로 하는 초분광 영상 재구성 방법
|
| 8 |
8
제2항에 있어서,상기 초분광 영상을 재구성하는 단계는ADMM(alternating direction multiplier) 방식을 사용하여 상기 비선형 최적화 기법을 반복 수행함으로써, 상기 인코딩된 센서 입력에 대한 영상의 초분광 영상을 재구성하는 것을 특징으로 하는 초분광 영상 재구성 방법
|
| 9 |
9
제2항에 있어서,상기 수신하는 단계는압축 하이퍼스펙트럴 이미징 접근법을 이용하여 상기 영상에 대한 인코딩된 센서 입력을 수신하는 것을 특징으로 하는 초분광 영상 재구성 방법
|
| 10 |
10
영상에 대한 인코딩된 센서 입력을 수신하는 단계; 및미리 학습된 스펙트럴 프라이어에 기초하여 상기 인코딩된 센서 입력에 대한 영상의 초분광 영상을 재구성하는 단계를 포함하는 초분광 영상 재구성 방법
|
| 11 |
11
제10항에 있어서,미리 설정된 초분광 영상 데이터 세트를 이용하여 상기 스펙트럴 프라이어(prior)를 학습시키는 단계를 포함하고,상기 초분광 영상을 재구성하는 단계는상기 학습된 스펙트럴 프라이어와 비선형 최적화 기법에 기초하여 상기 초분광 영상을 재구성하는 것을 특징으로 하는 초분광 영상 재구성 방법
|
| 12 |
12
제11항에 있어서,상기 초분광 영상을 재구성하는 단계는상기 학습된 스펙트럴 프라이어에대한 비선형 스펙트럴 표현의 정확도와 공간 영역에서의 그래디언트(gradient)의 희소성(sparsity)을 공동으로 정규화하는 상기 비선형 최적화 기법에 기초하여 상기 인코딩된 센서 입력에 대한 영상의 초분광 영상을 재구성하는 것을 특징으로 하는 초분광 영상 재구성 방법
|
| 13 |
13
제11항에 있어서,상기 초분광 영상을 재구성하는 단계는ADMM(alternating direction multiplier) 방식을 사용하여 상기 비선형 최적화 기법을 반복 수행함으로써, 상기 인코딩된 센서 입력에 대한 영상의 초분광 영상을 재구성하는 것을 특징으로 하는 초분광 영상 재구성 방법
|
| 14 |
14
영상에 대한 인코딩된 센서 입력을 수신하는 수신부; 및미리 생성된 학습 모델에 기초하여 상기 인코딩된 센서 입력에 대한 영상의 초분광 영상을 재구성하는 재구성부를 포함하는 초분광 영상 재구성 장치
|
| 15 |
15
제14항에 있어서,미리 설정된 초분광 영상 데이터 세트를 이용한 학습을 통해 비선형 학습 모델을 생성하는 생성부를 더 포함하고,상기 재구성부는 상기 생성된 비선형 학습 모델과 비선형 최적화 기법에 기초하여 상기 초분광 영상을 재구성하는 것을 특징으로 하는 초분광 영상 재구성 장치
|
| 16 |
16
제15항에 있어서,상기 생성부는상기 초분광 영상 데이터 세트를 이용한 학습을 통해 컨볼루션 자동인코더를 학습시켜 상기 비선형 학습 모델을 생성하는 것을 특징으로 하는 초분광 영상 재구성 장치
|
| 17 |
17
제16항에 있어서,상기 생성부는상기 컨볼루션 자동 인코더를 이용하여 비선형 공간에서 인코더 네트워크를 학습시킨 후 디코더 네트워크를 이용하여 상기 비선형 학습 모델을 생성하는 것을 특징으로 하는 초분광 영상 재구성 장치
|
| 18 |
18
제17항에 있어서,상기 컨볼루션 자동 인코더는상기 초분광 영상 데이터 세트를 비선형 표현으로 변환하는 인코더 네트워크와 상기 비선형 표현으로부터 원본 데이터 세트를 생성하는 디코더 네트워크를 포함하는 것을 특징으로 하는 초분광 영상 재구성 장치
|
| 19 |
19
제15항에 있어서,상기 비선형 학습 모델은초분광 영상에 대한 비선형 재구성을 출력하는 학습 모델인 것을 특징으로 하는 초분광 영상 재구성 장치
|
| 20 |
20
제15항에 있어서,상기 재구성부는상기 생성된 비선형 학습 모델에 대한 비선형 스펙트럴 표현의 정확도와 공간 영역에서의 그래디언트(gradient)의 희소성(sparsity)을 공동으로 정규화하는 상기 비선형 최적화 기법에 기초하여 상기 인코딩된 센서 입력에 대한 영상의 초분광 영상을 재구성하는 것을 특징으로 하는 초분광 영상 재구성 장치
|
| 21 |
21
제15항에 있어서,상기 재구성부는ADMM(alternating direction multiplier) 방식을 사용하여 상기 비선형 최적화 기법을 반복 수행함으로써, 상기 인코딩된 센서 입력에 대한 영상의 초분광 영상을 재구성하는 것을 특징으로 하는 초분광 영상 재구성 장치
|
| 22 |
22
제15항에 있어서,상기 수신부는압축 하이퍼스펙트럴 이미징 접근법을 이용하여 상기 영상에 대한 인코딩된 센서 입력을 수신하는 것을 특징으로 하는 초분광 영상 재구성 장치
|
