1 |
1
(a) 필터 사이의 유사율이 기준값 이하가 되도록 설정하여 분별력이 있는 랜덤 필터 세트를 결정하는 단계; (b) 상기 랜덤 필터 세트를 이용하여 컨볼루션 층을 구성하는 단계; (c) 상기 컨볼루션 층을 통과한 특징벡터의 차원을 데이터 클래스 수 이하로 축소시키는 단계; 및 (d) 상기 차원이 축소된 특징벡터를 분류기를 이용하여 기계학습을 진행하는 단계;를 포함하며,상기 (a) 단계는, (a-1) 임의의 랜덤 필터를 생성하여 기준 필터 세트에 포함시키는 단계; (a-2) 상기 기준 필터 세트 중에서 하나를 선택하여 기준 필터로 설정하는 단계; (a-3) 임의의 랜덤 필터를 추가로 생성하여 테스트 필터로 설정하는 단계; (a-4) 상호 상관 함수를 이용하여 상기 기준 필터와 상기 테스트 필터 사이의 유사율을 구하는 단계; (a-5) 상기 유사율이 기준값 이하이면, 상기 기준 필터 세트에 테스트 필터와 유사율을 계산하지 않은 잔여 필터가 있는지 확인하는 단계; (a-6) 상기 기준 필터 세트의 모든 필터와 테스트 필터의 유사율이 기준값 이하이어서 잔여 필터가 없는 경우, 상기 테스트 필터를 상기 기준 필터 세트에 포함시키는 단계; 및 (a-7) 상기 기준 필터 세트의 필터 개수가 미리 설정된 기준 필터 개수 이상인 경우 상기 기준 필터 세트를 상기 랜덤 필터 세트로 반환하는 단계;를 포함하는 것을 특징으로 하는 딥러닝을 PC에 적용하기 위한 메모리 최적화 방법
|
2 |
2
삭제
|
3 |
3
제1항에 있어서, 상기 유사율은, 기준 필터의 좌표 (x,y)의 계수를 A(x,y), 테스트 필터의 좌표 (x,y)의 계수를 B(x,y)라 할 때, 다음의 상호 상관 함수 를 이용하여 구하되, α는 0에서 x축 방향 필터 크기 보다 1 작은 수까지, β는 0에서 y축 방향 필터 크기 보다 1 작은 수까지 각각 RAB(α,β)를 계산하여, 그중 가장 큰 RAB(α,β) 값을 상기 유사율로 결정하는 것을 특징으로 하는 딥러닝을 PC에 적용하기 위한 메모리 최적화 방법
|
4 |
4
제1항에 있어서, 상기 (c) 단계는, PCA (principal component analysis)에 의해서 이루어지는 것을 특징으로 하는 딥러닝을 PC에 적용하기 위한 메모리 최적화 방법
|
5 |
5
제1항에 있어서, 상기 분류기는, 상기 축소된 차원 수 만큼의 특징벡터를 입력받는 SVM (support vector machine)을 사용하는 것을 특징으로 하는 딥러닝을 PC에 적용하기 위한 메모리 최적화 방법
|
6 |
6
(e) 필터 사이의 유사율이 기준값 이하가 되도록 설정하여 분별력이 있는 랜덤 필터 세트를 결정하는 단계; (f) 상기 랜덤 필터 세트를 이용하여 컨볼루션 층을 구성하는 단계; (g) 학습용 이미지를 상기 컨볼루션 층에 통과시켜 특징벡터를 얻는 단계; (h) 상기 특징벡터의 차원을 데이터 클래스 수 이하로 축소시키는 단계; 및 (i) 상기 차원이 축소된 특징벡터를 분류기에 투입하여 기계학습을 실시하는 단계;를 포함하며,상기 (e) 단계는, (e-1) 임의의 랜덤 필터를 생성하여 기준 필터 세트에 포함시키는 단계; (e-2) 상기 기준 필터 세트 중에서 하나를 선택하여 기준 필터로 설정하는 단계; (e-3) 임의의 랜덤 필터를 추가로 생성하여 테스트 필터로 설정하는 단계; (e-4) 상호 상관 함수를 이용하여 상기 기준 필터와 상기 테스트 필터 사이의 유사율을 구하는 단계; (e-5) 상기 유사율이 기준값 이하이면, 상기 기준 필터 세트에 테스트 필터와 유사율을 계산하지 않은 잔여 필터가 있는지 확인하는 단계; (e-6) 상기 기준 필터 세트의 모든 필터와 테스트 필터의 유사율이 기준값 이하이어서 잔여 필터가 없는 경우, 상기 테스트 필터를 상기 기준 필터 세트에 포함시키는 단계; 및 (e-7) 상기 기준 필터 세트의 필터 개수가 미리 설정된 기준 필터 개수 이상인 경우 상기 기준 필터 세트를 상기 랜덤 필터 세트로 반환하는 단계;를 포함하는 것을 특징으로 하는 딥러닝을 PC에 적용하기 위한 메모리 최적화 방법을 이용한 이미지 인식 방법
|
7 |
7
삭제
|
8 |
8
제6항에 있어서, 상기 유사율은, 기준 필터의 좌표 (x,y)의 계수를 A(x,y), 테스트 필터의 좌표 (x,y)의 계수를 B(x,y)라 할 때, 다음의 상호 상관 함수 를 이용하여 구하되, α는 0에서 x축 방향 필터 크기 보다 1 작은 수까지, β는 0에서 y축 방향 필터 크기 보다 1 작은 수까지 각각 RAB(α,β)를 계산하여, 그중 가장 큰 RAB(α,β) 값을 상기 유사율로 결정하는 것을 특징으로 하는 딥러닝을 PC에 적용하기 위한 메모리 최적화 방법을 이용한 이미지 인식 방법
|
9 |
9
제6항에 있어서, 상기 (h) 단계는, PCA (principal component analysis)에 의해서 이루어지는 것을 특징으로 하는 딥러닝을 PC에 적용하기 위한 메모리 최적화 방법을 이용한 이미지 인식 방법
|
10 |
10
제6항에 있어서, 상기 분류기는, 상기 축소된 차원 수 만큼의 특징벡터를 입력받는 SVM (support vector machine)을 사용하는 것을 특징으로 하는 딥러닝을 PC에 적용하기 위한 메모리 최적화 방법을 이용한 이미지 인식 방법
|
11 |
11
필터 사이의 유사율이 기준값 이하가 되도록 설정하여 분별력이 있는 랜덤 필터 세트를 결정하는 필터 모듈; 상기 랜덤 필터 세트를 이용하여 컨볼루션 층을 구성하는 컨볼루션 모듈; 테스트 이미지를 상기 컨볼루션 층에 통과시켜 얻어지는 특징벡터의 차원을 데이터 클래스 수 이하로 축소시키는 차원 축소 모듈; 및 분류기를 포함하고 상기 차원이 축소된 특징벡터에 대하여 기계학습을 수행하는 분류 모듈;검사용 이미지를 획득하는 이미지 획득 모듈;상기 검사용 이미지를 기계학습으로 학습한 결과에 의해 판정한 인식 결과를 출력하는 출력 모듈;을 포함하며,상기 랜덤 필터 세트 내의 임의의 서로 다른 두개의 필터 A와 필터 B 사이의 유사율은, 상기 필터 A의 좌표 (x,y)의 계수를 A(x,y), 상기 필터 B의 좌표 (x,y)의 계수를 B(x,y)라 할 때, 다음의 상호 상관 함수 를 이용하여 구하되, α는 0에서 x축 방향 필터 크기 보다 1 작은 수까지, β는 0에서 y축 방향 필터 크기 보다 1 작은 수까지 각각 RAB(α,β)를 계산하여, 그중 가장 큰 RAB(α,β) 값을 상기 유사율로 결정하는 것을 특징으로 하는 딥러닝을 PC에 적용하기 위한 메모리 최적화 방법을 이용한 이미지 인식 장치
|
12 |
12
삭제
|
13 |
13
삭제
|
14 |
14
제11항에 있어서, 상기 차원 축소 모듈은, PCA (principal component analysis) 모듈을 포함하는 것을 특징으로 하는 딥러닝을 PC에 적용하기 위한 메모리 최적화 방법을 이용한 이미지 인식 장치
|
15 |
15
제11항에 있어서, 상기 분류 모듈은, 상기 축소된 차원 수 만큼의 특징벡터를 입력받는 SVM (support vector machine)을 포함하는 것을 특징으로 하는 딥러닝을 PC에 적용하기 위한 메모리 최적화 방법을 이용한 이미지 인식 장치
|