| 1 |
1
(a) 다수 개의 벡터들로 구성된 학습 동영상 및 실험 동영상을 입력받는 단계;(b) 학습 동영상을 구성하는 각 벡터들에 대하여, 해당 벡터가 가질 수 있는 최대 유사도, 및 해당 벡터와 다른 벡터에 대한 연속함수 값과의 유사도의 차이값을 구하는 목적 함수를 설정하고, 상기 목적함수가 최소화가 되도록 신경망 학습하는 단계; 및(c) 상기 신경망 학습된 결과를 이용하여, 상기 실험 동영상에 대한 특징 벡터를 추출하는 단계;를 구비하고, 상기 (b) 단계에서 임의의 i 번째 벡터(vi)가 가질 수 있는 최대 유사도는 i 번째 벡터와 자기 자신과의 내적( 003c#vi,vi003e# ) 으로 측도되며,임의의 i 번째 벡터(vi)와 다른 j번째 벡터(vj)에 대한 연속 함수값(f(vj))의 유사도는 i 번째 벡터(vi)와 j번째 벡터(vj)에 대한 연속 함수값(f(vj))의 내적( 003c# vi, f(vj) 003e# )으로 측도되는 것을 특징으로 하는 유사도 측정을 기반으로 한 동영상에 대한 특징 벡터 추출 방법
|
| 2 |
2
삭제
|
| 3 |
3
제1항에 있어서, 연속함수(f)는 상기 동영상을 구성하는 각각의 벡터들이 다른 벡터들의 정보를 최대한 가질 수 있도록 변환하는 함수인 것을 특징으로 하는 유사도 측정을 기반으로 한 동영상에 대한 특징 벡터 추출 방법
|
| 4 |
4
제1항에 있어서, 연속함수(f)는 sigmoid 함수(σ)를 이용한 것으로서, 아래의 수학식으로 표현되며, [ 수학식 ]여기서, W는 신경망 가중치이며, b는 신경망 바이어스인 것을 특징으로 하는 유사도 측정을 기반으로 한 동영상에 대한 특징 벡터 추출 방법
|
| 5 |
5
제4항에 있어서, 상기 (b) 단계는 신경망 학습하여 신경망 매개 변수인 신경망 가중치 및 신경망 바이어스를 업데이트시키는 것을 특징으로 하는 유사도 측정을 기반으로 한 동영상에 대한 특징 벡터 추출 방법
|
| 6 |
6
제1항, 제3항, 제4항 및 제5항 중 어느 한 항에 따른 특징 벡터 추출 방법에 의해 추출된 동영상에 대한 특징 벡터들을 이용하여 동영상 이벤트를 분류하는 퍼스널 미디어 이벤트 분류 시스템
|
| 7 |
7
제6항에 있어서, 상기 퍼스널 미디어 이벤트 분류 시스템은 동영상에 대한 특징 벡터들에 대하어 역전파 알고리즘을 이용하여 신경망 가중치와 신경망 바이어스를 조정하는 것을 특징으로 하는 퍼스널 미디어 이벤트 분류 시스템
|
