1 |
1
이미지의 혐오감을 예측하는 방법에 있어서,(a) 복수의 혐오감 야기 이미지로 구성된 데이터세트를 등록하는 단계와;-각각의 상기 혐오감 야기 이미지는 혐오감 점수와 자신이 속한 카테고리에 대한 정보를 포함함(b) 상기 데이터세트의 상기 혐오감 야기 이미지를 이용하여 복수의 특성 정보가 추출되는 단계와;(c) 상기 (b) 단계에서 추출된 상기 특성 정보가 기 등록된 특성 기반 학습 모델에 훈련 세트로 적용되어 학습되는 단계와;(d) 기 훈련된 상기 특성 기반 학습 모델로부터 복수의 컨벌루션 레이어로 구성된 컨벌루션 큐브가 생성되는 단계와;(e) 상기 컨벌루션 큐브의 출력이 기 등록된 컨벌루션 신경망에 입력되어 입력 이미지의 혐오감 점수가 예측되는 단계를 포함하고,상기 특성 정보는 색상(Color) 정보, 텍스처(Texture) 정보, 오브젝트 요소(Object composition) 정보, 영역 통계(region statistics) 정보, 스케일 불변 특성 변환(Scale invariant feature transform, SIFT) 정보, 기울기 방향성 히스토그램(Histogram of oriented Gradient, HoG) 정보, GIST 정보, 및 계층 특성(Layered feature) 정보 중 적어도 하나를 포함하며,상기 (b) 단계는(b1) 상기 색상 정보로 CIELab, HSV 및 RGB 색공간의 각 채널로부터 16개의 빈(Bin)의 표준 색상 히스트그램 특성이 추출되는 단계와;(b2) 상기 텍스처 정보로 웨이브렛-기반 텍스톤(Wavelet-based texton)을 이용하여 텍스처-연관 특성이 추출되는 단계와;(b3) 상기 혐오감 야기 이미지의 오브젝트 마스카와 3분할 법칙의 각 교차점 간의 유클리디언 거리(Euclidean distance)가 측정되어 상기 오브젝트 요소로 인코딩되는 단계와;(b4) 상기 영역 통계 정보로 기 설정된 기준 점수보다 큰 혐오감 점수를 갖는 영역 마스크의 개수와, 상기 기준 점수보다 큰 혐오감 점수를 갖는 영역 마스크들의 평균 혐오감 점수가 추출되는 단계와;(b5) 맥스 풀링 레이어(Max pooling layer)를 제거한 AlexNet과, 전단의 2개의 맥스 풀링 레이어만을 갖는 VGG16가 ImageNet에서 훈련되어 상기 계층 특성 정보가 추출되는 단계를 포함하는 것을 특징으로 하는 이미지의 혐오감을 예측하는 방법
|
2 |
2
제1항에 있어서,상기 (a) 단계에서 상기 카테고리는 유혈(Bloody) 카테고리, 벌레(Bug) 카테고리, 환공포증(Trypophobia) 카테고리 및 끔찍함(Nasty) 카테고리를 포함하는 것을 특징으로 하는 이미지의 혐오감을 예측하는 방법
|
3 |
3
삭제
|
4 |
4
삭제
|
5 |
5
제1항에 있어서,상기 (c) 단계에서 상기 특성 기반 학습 모델은 멀티-클래스 SVM(Multi-class SVM)을 포함하는 것을 특징으로 하는 이미지의 혐오감을 예측하는 방법
|
6 |
6
제1항에 있어서,상기 컨벌루션 큐브는 기 설정된 사이즈를 가지며;상기 (d) 단계에서는상기 컨벌루션 큐브의 사이즈보다 큰 사이즈의 상기 특성 기반 학습 모델의 컨벌루션 레이어에 맥스 풀링 레이어가 적용되어 상기 컨벌루션 레이어의 출력으로부터 서브 샘플링이 생성되고, 상기 컨벌루션 큐브의 사이즈보다 작은 사이즈의 상기 특성 기반 학습 모델이 컨벌루션 레이어에 디컨볼루션 레이어가 적용되어 업샘플링되어 상기 컨벌루션 큐브를 구성하는 컨벌루션 레이어가 생성되는 것을 특징으로 하는 이미지의 혐오감을 예측하는 방법
|
7 |
7
제6항에 있어서,상기 특성 기반 학습 모델의 컨벌루션 레이어들의 출력은 LRN(Local Response Normalization)에 의해 정규화되어 상기 컨벌루션 큐브를 구성하는 컨벌루션 레이어로 제공되는 것을 특징으로 하는 이미지의 혐오감을 예측하는 방법
|