| 1 |
1
입력 이미지가 사용자의 관심 대상인 포지티브 클래스인지 분류하는 단일 클래스 모델, 및상기 포지티브 클래스에 속하는 포지티브 클래스 데이터에 과적합되지 않고, 상기 사용자가 관심이 없는 비관심 대상인 네거티브 클래스 데이터인 위조 클래스 데이터를 생성하는 지원 모델을 포함하고,상기 단일 클래스 모델은 상기 포지티브 클래스와 데이터와 상기 위조 클래스 데이터를 분류 학습을 수행하고,상기 지원 모델은, 상기 단일 클래스 모델로부터 분류 결과를 획득하고, 획득된 분류 결과에 기초한 훈련을 통해 상기 위조 클래스 데이터를 업데이트하며,상기 단일 클래스 모델의 분류 학습 및 상기 지원 모델의 상기 분류 결과에 기초한 업데이트 동작이 소정의 k 에폭스(epochs)까지 반복되고, 상기 반복 동작은 유효성 검증 세트의 F1이 가장 높은 값을 가질 때까지 반복되며, 상기 F1 값은 정확도(Precision)와 재현율(recall)을 이용해 산출되고, 상기 유효성 검증 세트는,상기 k 에폭스 동안 생성된 상기 위조 클래스 데이터 및 포지티브 클래스 데이터를 포함하는 이미지 분류 시스템
|
| 2 |
2
삭제
|
| 3 |
3
삭제
|
| 4 |
4
제1항에 있어서,상기 단일 클래스 모델은,상기 k 에폭스 동안 생성된 상기 위조 클래스 데이터 및 포지티브 클래스 데이터를 포함하는 유효성 검증 세트를 이용하여 분류 학습을 수행하는 이미지 분류 시스템
|
| 5 |
5
제1항에 있어서,상기 단일 클래스 모델은,입력에 컨볼루션 커넬을 적용하는 컨볼루션 레이어, 상기 컨볼루션 레이에를 통해 볼륨이 변환된 입력에 맥스 풀링 커넬을 적용하는 제1 풀링 레이어, 입력에 대해 평균 풀링 커넬을 적용하는 제2 풀링 레이어, 및상기 평균 풀링 커넬이 적용된 입력의 모든 구성 요소와 연결되어, 각 요소를 계산하여 단일 클래스 모델의 결과값을 생성하는 FC(fully-connected) 레이어를 포함하는 이미지 분류 시스템
|
| 6 |
6
제1항에 있어서,상기 지원 모델은,입력되는 노이즈 벡터의 모든 요소에 연결되어, 각 요소를 계산하여 소정 볼륨의 입력을 생성하는FC(fully-connected) 레이어,입력에 컨볼루션 커넬을 적용하는 컨볼루션 레이어, 및입력에 업샘플링 커넬을 적용하는 레이어를 포함하는 이미지 분류 시스템
|
| 7 |
7
제1항에 있어서,상기 위조 클래스 데이터는 GAN(generative adversarial net) 프레임 워크에 의해 생성되는 이미지 분류 시스템
|
| 8 |
8
단일 클래스 모델이 위조 클래스 데이터와 사용자의 관심 대상인 포지티브 클래스에 속하는 포지티브 클래스 데이터를 분류하는 학습을 수행하는 단계;지원 모델이 상기 포지티브 클래스 데이터에 과적합되지 않고, 상기 사용자가 관심이 없는 비관심 대상인 네거티브 클래스 데이터인 위조 클래스 데이터를 생성하는 단계; 및입력 이미지가 관심 대상인 상기 포지티브 클래스인지 분류하는 단계를 포함하고,상기 위조 클래스 데이터를 생성하는 단계는,상기 지원 모델이 상기 분류 학습 단계에서의 분류 결과를 획득하는 단계; 및상기 획득된 분류 결과에 기초한 훈련을 통해 상기 위조 클래스 데이터를 업데이트하는 단계를 포함하며,상기 단일 클래스 모델의 분류 학습 및 상기 지원 모델의 상기 분류 결과에 기초한 업데이트 동작이 소정의 k 에폭스(epochs)까지 반복되고, 상기 반복 동작은 유효성 검증 세트의 F1이 가장 높은 값을 가질 때까지 반복되며, 상기 F1 값은 정확도(Precision)와 재현율(recall)을 이용해 산출되고, 상기 유효성 검증 세트는,상기 k 에폭스 동안 생성된 상기 위조 클래스 데이터 및 포지티브 클래스 데이터를 포함하는 이미지 분류 방법
|
| 9 |
9
삭제
|
| 10 |
10
삭제
|
| 11 |
11
제8항에 있어서,상기 분류 학습을 수행하는 단계는, 상기k 에폭스 동안 생성된 상기 위조 클래스 데이터 및 포지티브 클래스 데이터를 포함하는 유효성 검증 세트를 이용하여 분류 학습을 수행하는 이미지 분류 방법
|
| 12 |
12
제8항에 있어서,상기 위조 클래스 데이터를 생성하는 단계는, GAN(generative adversarial net) 프레임 워크에 의해 수행되는 이미지 분류 방법
|
