| 1 |
1
합성곱신경망(CNN)을 이용한 영상인식방법에 있어서,이미지 데이터를 입력받는 단계;상기 이미지 데이터에 대한 N개의 입력 특징맵들 중 M개의 새로운 로스 함수를 적용하여 M개의 하이패스맵들을 생성하고, 나머지 특징맵들에 대해서 기존 로스 함수들을 적용하여 N-M개의 일반맵들을 생성하는 단계; 및상기 M개의 하이패스맵들과 상기 N-M개의 일반맵들을 연속 결합하여 N개의 출력 특징맵들을 출력하는 단계를 포함하며,상기 M개의 외곽선 필터들은 행렬로 정의되며, 각 행렬들은 포함하는 성분들의 합이 '0'이고, 상기 성분들은 양수 및 음수를 포함하는 것을 특징으로 하는, 영상인식방법
|
| 2 |
2
제1항에 있어서,상기 새로운 로스 함수는 상기 이미지 데이터의 객체를 판단하기 위해 상기 CNN에서 상기 객체의 외곽선에 대한 특성을 추출하도록 설계되는, 영상인식방법
|
| 3 |
3
제1에 있어서,상기 기존 로스 함수는 상기 이미지 데이터에 대한 분석값과 정답의 오차 간에 손실이 작아지는 방향으로 학습을 진행하도록 구성되는, 영상인식방법
|
| 4 |
4
제1항에 있어서,상기 N개의 출력 특징맵들에 대해서 최대 풀링 방식이 적용되는, 영상인식방법
|
| 5 |
5
제1항에 있어서,상기 N개의 출력 특징맵들에 대해서 평균 풀링 방식이 적용되는, 영상인식방법
|
| 6 |
6
제4항 또는 제5항에 있어서,상기 최대 풀링 방식 또는 상기 평균 풀링 방식이 적용된 이후, 다시 기설정된 횟수의 컨볼루션이 N개의 특징맵들에 대해서 적용되어 최종 특징맵들이 도출되는, 영상인식방법
|
| 7 |
7
제6항에 있어서,상기 최종 특징맵들로부터 객체를 인식해내기 위해, 덴스 레이어에서 클래스를 분류하는, 영상인식방법
|
| 8 |
8
합성곱신경망(CNN)을 이용한 영상인식장치는,영상수신부; 및컨볼루션 레이어를 포함하되,상기 영상인식장치는:상기 영상수신부를 통해 이미지 데이터를 입력받고,상기 컨볼루션 레이어에서 상기 이미지 데이터에 대한 N개의 입력 특징맵들 중 M개의 새로운 로스 함수들을 적용하여 M개의 하이패스맵들을 생성하고, 나머지 특징맵들에 대해서 기존 로스 함수들을 적용하여 N-M개의 일반맵들을 생성하되, 상기 M개의 하이패스맵들과 상기 N-M개의 일반맵들을 연속 결합하여 N개의 출력 특징맵들을 출력하도록 구성되되,상기 M개의 외곽선 필터들은 행렬로 정의되며, 각 행렬들은 포함하는 성분들의 합이 '0'이고, 상기 성분들은 양수 및 음수를 포함하는 것을 특징으로 하는, 영상인식장치
|
| 9 |
9
제8항에 있어서,상기 새로운 로스 함수는 상기 이미지 데이터의 객체를 판단하기 위해 상기 CNN에서 상기 객체의 외곽선에 대한 특성을 추출하도록 설계되는, 영상인식장치
|
| 10 |
10
제8에 있어서,상기 기존 로스 함수는 상기 이미지 데이터에 대한 분석값과 정답의 오차 간에 손실이 작아지는 방향으로 학습을 진행하도록 구성되는, 영상인식장치
|
| 11 |
11
제8항에 있어서,상기 영상인식장치는 풀링 레이어를 더 포함하고,상기 풀링 레이어는 상기 N개의 출력 특징맵들에 대해서 최대 풀링 방식을 적용하는, 영상인식장치
|
| 12 |
12
제8항에 있어서,상기 영상인식장치는 풀링 레이어를 더 포함하고,상기 풀링 레이어는 상기 N개의 출력 특징맵들에 대해서 평균 풀링 방식을 적용하는, 영상인식장치
|
| 13 |
13
제11항 또는 제12항에 있어서,상기 최대 풀링 방식 또는 상기 평균 풀링 방식이 적용된 이후, 다시 기설정된 횟수의 컨볼루션이 N개의 특징맵들에 대해서 적용되어 최종 특징맵들이 도출되는, 영상인식장치
|
| 14 |
14
제13항에 있어서,상기 영상인식장치는 덴스 레이어를 더 포함하고,상기 덴스 레이어에서 상기 최종 특징맵들로부터 객체를 인식해내기 위해 클래스를 분류하는, 영상인식장치
|
| 15 |
15
제1항 내지 제7항에 있어서,상기 영상인식방법들이 수행되도록 구성되는 알고리즘이 포함된 기록매체
|
