| 1 |
1
복수의 커널 필터를 이용하여 입력 데이터로부터 물체의 특징 값을 추출하는 합성곱 계층부;상기 합성곱 계층부에 의해 추출된 특징 값에 대하여 비선형 활성화 함수를 이용하여 변환 작업을 수행하는 활성화 계층부;상기 활성화 계층부의 출력 값에 대하여 최댓값 풀링(max polling) 연산을 이용하여 차원을 축소하고 잡음을 제거 및 억제하는 풀링 계층부;상기 풀링 계층부의 출력 값을 이용한 전방향 연산을 통해 상기 입력 데이터에 대한 분류 예측 값을 출력하는 분류 출력 계층부;상기 분류 예측 값과 미리 정해진 목표 값을 비교하여 그 오차 값에 해당하는 손실 값을 산출하는 손실 계산 계층부;상기 손실 값에 대한 편 미분 값을 역방향 연산을 통해 계산하여 상기 각 계층부의 매개 변수에 대한 수정 값을 획득하는 역방향 계산부; 및상기 수정 값, 및 일정량의 학습 데이터들을 통해 도출된 학습률을 이용한 경사 하강법(Gradient Descent Method)을 통하여 상기 매개 변수에 대한 업데이트를 수행하는 분류 학습부를 포함하고,상기 역방향 계산부는상기 손실 계산 계층부에서 상기 분류 출력 계층부 방향으로 상기 분류 출력 계층부의 제1 매개 변수에 대한 편 미분 값을 계산하고, 상기 분류 출력 계층부에서 마지막의 은닉 계층 방향으로의 제2 매개 변수에 대한 편 미분 값을 계산하며, 은닉 계층들 사이의 제3 매개 변수에 대한 편 미분 값을 계산하여 상기 각 계층부의 매개 변수(상기 제1 내지 제3 매개 변수)에 대한 수정 값을 획득하는 것을 특징으로 하는 합성곱 신경망 기반 이미지 처리 시스템
|
| 2 |
2
제1항에 있어서,상기 활성화 계층부는reLU 활성화 함수를 이용하여 상기 특징 값에 대하여 변환 작업을 수행하는 것을 특징으로 하는 합성곱 신경망 기반 이미지 처리 시스템
|
| 3 |
3
삭제
|
| 4 |
4
복수의 커널 필터를 이용하여 입력 데이터로부터 물체의 특징 값을 추출하는 합성곱 계층부;상기 합성곱 계층부에 의해 추출된 특징 값에 대하여 비선형 활성화 함수를 이용하여 변환 작업을 수행하는 활성화 계층부;상기 활성화 계층부의 출력 값에 대하여 최댓값 풀링(max polling) 연산을 이용하여 차원을 축소하고 잡음을 제거 및 억제하는 풀링 계층부;상기 풀링 계층부의 출력 값을 이용한 전방향 연산을 통해 상기 입력 데이터에 대한 분류 예측 값을 출력하는 분류 출력 계층부;상기 분류 예측 값과 미리 정해진 목표 값을 비교하여 그 오차 값에 해당하는 손실 값을 산출하는 손실 계산 계층부;상기 손실 값에 대한 편 미분 값을 역방향 연산을 통해 계산하여 상기 각 계층부의 매개 변수에 대한 수정 값을 획득하는 역방향 계산부;상기 수정 값, 및 일정량의 학습 데이터들을 통해 도출된 학습률을 이용한 경사 하강법(Gradient Descent Method)을 통하여 상기 매개 변수에 대한 업데이트를 수행하는 분류 학습부; 및상기 합성곱 계층부에 의해 출력된, 2개 이상의 특징 값에 대해 비선형 활성화 함수를 이용하여 병렬하여 연결 계산을 수행하고, 상기 병렬의 연결 계산 결과에 대해 합치 작업을 수행하여 다차원의 결과 값을 얻으며, 상기 다차원의 결과 값에 대해 커널 필터와 선형 활성화 함수를 이용하여 차원 변환 작업을 수행함으로써 상기 입력 데이터의 특징이 서로 조합된 새로운 특징 값을 추출하는 인셉션 계층부를 포함하는 것을 특징으로 하는 합성곱 신경망 기반 이미지 처리 시스템
|
| 5 |
5
제4항에 있어서,상기 입력 데이터에 대해 상기 인셉션 계층부 및 상기 합성곱 계층부를 통해 다차원 데이터를 생성하고, 상기 다차원 데이터의 차원 수와 일치하도록 상기 입력 데이터의 차원 수를 변환하고, 상기 다차원 데이터와 상기 차원 수가 변환된 입력 데이터를 합치한 후 선형 활성화 함수를 이용하여 상기 입력 데이터의 특징 손실 문제를 억제하는 스킵 연결 계층부를 더 포함하는 것을 특징으로 하는 합성곱 신경만 기반 이미지 처리 시스템
|
| 6 |
6
복수의 커널 필터를 이용하여 입력 데이터로부터 물체의 특징 값을 추출하는 합성곱 계층부;상기 합성곱 계층부에 의해 추출된 특징 값에 대하여 비선형 활성화 함수를 이용하여 변환 작업을 수행하는 활성화 계층부;상기 활성화 계층부의 출력 값에 대하여 최댓값 풀링(max polling) 연산을 이용하여 차원을 축소하고 잡음을 제거 및 억제하는 풀링 계층부;상기 풀링 계층부의 출력 값을 이용한 전방향 연산을 통해 상기 입력 데이터에 대한 분류 예측 값을 출력하는 분류 출력 계층부;상기 분류 예측 값과 미리 정해진 목표 값을 비교하여 그 오차 값에 해당하는 손실 값을 산출하는 손실 계산 계층부;상기 손실 값에 대한 편 미분 값을 역방향 연산을 통해 계산하여 상기 각 계층부의 매개 변수에 대한 수정 값을 획득하는 역방향 계산부;상기 수정 값, 및 일정량의 학습 데이터들을 통해 도출된 학습률을 이용한 경사 하강법(Gradient Descent Method)을 통하여 상기 매개 변수에 대한 업데이트를 수행하는 분류 학습부; 및상기 각 계층부의 매개 변수의 수량을 이용하여 계산된 표본 표준 편차를 기반으로 He 초기값 알고리즘을 설계하고, 상기 He 초기값 알고리즘을 기반으로 상기 매개 변수의 초기화 작업을 수행하는 매개 변수 초기값 설계부를 포함하는 것을 특징으로 하는 합성곱 신경만 기반 이미지 처리 시스템
|
| 7 |
7
복수의 커널 필터를 이용하여 입력 데이터로부터 물체의 특징 값을 추출하는 합성곱 계층부;상기 합성곱 계층부에 의해 추출된 특징 값에 대하여 비선형 활성화 함수를 이용하여 변환 작업을 수행하는 활성화 계층부;상기 활성화 계층부의 출력 값에 대하여 최댓값 풀링(max polling) 연산을 이용하여 차원을 축소하고 잡음을 제거 및 억제하는 풀링 계층부;상기 풀링 계층부의 출력 값을 이용한 전방향 연산을 통해 상기 입력 데이터에 대한 분류 예측 값을 출력하는 분류 출력 계층부;상기 분류 예측 값과 미리 정해진 목표 값을 비교하여 그 오차 값에 해당하는 손실 값을 산출하는 손실 계산 계층부;상기 손실 값에 대한 편 미분 값을 역방향 연산을 통해 계산하여 상기 각 계층부의 매개 변수에 대한 수정 값을 획득하는 역방향 계산부;상기 수정 값, 및 일정량의 학습 데이터들을 통해 도출된 학습률을 이용한 경사 하강법(Gradient Descent Method)을 통하여 상기 매개 변수에 대한 업데이트를 수행하는 분류 학습부; 및상기 입력 데이터 각각에 대해 미니 배치의 형태로 구현하고, 상기 미니 배치의 평균 값을 계산하고, 상기 미니 배치의 평균 값을 이용하여 상기 미니 배치의 분산 값을 계산하며, 상기 미니 배치의 각 입력 값에 대해 상기 미니 배치의 평균 값 및 분산 값을 이용하여 정규화 미니 배치의 각 값을 구하는 미니 배치 정규화 설계부를 포함하고,상기 합성곱 계층부는상기 정규화 미니 배치의 각 값을 상기 입력 데이터로서 이용하는 것을 특징으로 하는 합성곱 신경만 기반 이미지 처리 시스템
|
| 8 |
8
복수의 커널 필터를 이용하여 입력 데이터로부터 물체의 특징 값을 추출하는 합성곱 계층부;상기 합성곱 계층부에 의해 추출된 특징 값에 대하여 비선형 활성화 함수를 이용하여 변환 작업을 수행하는 활성화 계층부;상기 활성화 계층부의 출력 값에 대하여 최댓값 풀링(max polling) 연산을 이용하여 차원을 축소하고 잡음을 제거 및 억제하는 풀링 계층부;상기 풀링 계층부의 출력 값을 이용한 전방향 연산을 통해 상기 입력 데이터에 대한 분류 예측 값을 출력하는 분류 출력 계층부;상기 분류 예측 값과 미리 정해진 목표 값을 비교하여 그 오차 값에 해당하는 손실 값을 산출하는 손실 계산 계층부;상기 손실 값에 대한 편 미분 값을 역방향 연산을 통해 계산하여 상기 각 계층부의 매개 변수에 대한 수정 값을 획득하는 역방향 계산부;상기 수정 값, 및 일정량의 학습 데이터들을 통해 도출된 학습률을 이용한 경사 하강법(Gradient Descent Method)을 통하여 상기 매개 변수에 대한 업데이트를 수행하는 분류 학습부; 및상기 매개 변수의 모멘텀을 계산하고, 상기 매개 변수의 미분 값을 이용하여 상기 학습률의 수정 값을 계산하며, 상기 모멘텀 및 상기 학습률의 수정 값을 이용하여 상기 매개 변수의 수정 작업을 수행하는 경사 하강법 최적화 설계부를 포함하는 것을 특징으로 하는 합성곱 신경만 기반 이미지 처리 시스템
|
| 9 |
9
합성곱 신경망 기반 이미지 처리 시스템을 이용한 이미지 처리 방법에 있어서,상기 이미지 처리 시스템의 합성곱 계층부가 복수의 커널 필터를 이용하여 입력 데이터로부터 물체의 특징 값을 추출하는 단계;상기 이미지 처리 시스템의 활성화 계층부가 상기 합성곱 계층부에 의해 추출된 특징 값에 대하여 비선형 활성화 함수를 이용하여 변환 작업을 수행하는 단계;상기 이미지 처리 시스템의 풀링 계층부가 상기 활성화 계층부의 출력 값에 대하여 최댓값 풀링(max polling) 연산을 이용하여 차원을 축소하고 잡음을 제거 및 억제하는 단계;상기 이미지 처리 시스템의 분류 출력 계층부가 상기 풀링 계층부의 출력 값을 이용한 전방향 연산을 통해 상기 입력 데이터에 대한 분류 예측 값을 출력하는 단계;상기 이미지 처리 시스템의 손실 계산 계층부가 상기 분류 예측 값과 미리 정해진 목표 값을 비교하여 그 오차 값에 해당하는 손실 값을 산출하는 단계;상기 이미지 처리 시스템의 역방향 계산부가 상기 손실 값에 대한 편 미분 값을 역방향 연산을 통해 계산하여 상기 각 계층부의 매개 변수에 대한 수정 값을 획득하는 단계;상기 이미지 처리 시스템의 분류 학습부가 상기 수정 값, 및 일정량의 학습 데이터들을 통해 도출된 학습률을 이용한 경사 하강법(Gradient Descent Method)을 통하여 상기 매개 변수에 대한 업데이트를 수행하는 단계;상기 이미지 처리 시스템의 경사 하강법 최적화 설계부가 상기 매개 변수의 모멘텀을 계산하는 단계;상기 경사 하강법 최적화 설계부가 상기 매개 변수의 미분 값을 이용하여 상기 학습률의 수정 값을 계산하는 단계; 및상기 경사 하강법 최적화 설계부가 상기 모멘텀 및 상기 학습률의 수정 값을 이용하여 상기 매개 변수의 수정 작업을 수행하는 단계를 포함하는 것을 특징으로 하는 합성곱 신경망 기반 이미지 처리 방법
|
| 10 |
10
삭제
|
