| 1 |
1
파라미터의 수를 줄이기 위해 깊이 분리 가능한 컨벌루션을 적용하는 단계; 및 깊이 분리 가능한 컨벌루션을 적용하여 발생하는 정보 손실을 보상하여 출력된 이미지의 품질과 계산 비용 간의 균형을 맞추기 위해 채널 어텐션을 적용하는 단계를 포함하고, 파라미터의 수를 줄이기 위해 깊이 분리가능한 컨벌루션을 적용하는 단계는, 깊이별 컨볼루션의 커널 크기, 폭, 높이, 입력 채널과 특징 맵을 이용하여 깊이별 컨볼루션을 적용하고, 공간적 특징을 다루지 않고 채널에서만 수행되는 포인트 컨볼루션을 적용하고, 깊이별 컨벌루션에서 입력 특징과 출력 특징은 잔차 학습을 진행하는 각 블록에 공급되며, 입력 특징 의 경우 깊이별 컨벌루션은 하기식과 같이 나타내고, 깊이별 컨벌루션을 의미하는 는 깊이별 분리 가능 세션(Depthwise Separable Session) , 채널 어텐션 세션(Channel Attention Session)) , 및 입력 특징인 으로 구성되며, 상기 파라미터 모두 잔차 학습(Residual Learning)으로 유기적으로 연결 되어있고, 입력된 과 를 통해 출력된 특징인 과 함께 잔차 학습을 진행하며, 추가적으로 를 통해 추출된 특징을 채널 어텐션 세션에 공급하는 에 대해서도 잔차 학습을 진행하는 이미지 변환 방법
|
| 2 |
2
삭제
|
| 3 |
3
제1항에 있어서,깊이 분리 가능한 컨벌루션을 적용하여 발생하는 정보 손실을 보상하여 출력된 이미지의 품질과 계산 비용 간의 균형을 맞추기 위해 채널 어텐션을 적용하는 단계는, 채널 간의 상호 의존성을 활용하여 필요한 입력 특징점에 집중하고, 글로벌 에버리지 풀링(Global Average Pooling; GAP)을 사용하여 채널 정보를 압축하고 컨볼루션 층을 통해 입력 특징점을 복원하는 이미지 변환 방법
|
| 4 |
4
제3항에 있어서, 네트워크 내에서 집중해야 할 부분에 대한 입력 특징점들을 강화하고 복원하기 위해 게이팅(gating) 메커니즘을 통해 채널의 통계치를 추출하는 이미지 변환 방법
|
| 5 |
5
파라미터의 수를 줄이기 위해 깊이 분리 가능한 컨벌루션을 적용하는 깊이별 분리부; 및 깊이 분리 가능한 컨벌루션을 적용하여 발생하는 정보 손실을 보상하여 출력된 이미지의 품질과 계산 비용 간의 균형을 맞추기 위해 채널 어텐션을 적용하는 채널 어텐션부를 포함하고, 깊이별 분리부는, 깊이별 컨볼루션의 커널 크기, 폭, 높이, 입력 채널과 특징 맵을 이용하여 깊이별 컨볼루션을 적용하고, 공간적 특징을 다루지 않고 채널에서만 수행되는 포인트 컨볼루션을 적용하고, 깊이별 컨벌루션에서 입력 특징과 출력 특징은 잔차 학습을 진행하는 각 블록에 공급되며, 입력 특징 의 경우 깊이별 컨벌루션은 하기식과 같이 나타내고, 깊이별 컨벌루션을 의미하는 는 깊이별 분리 가능 세션(Depthwise Separable Session) , 채널 어텐션 세션(Channel Attention Session)) , 및 입력 특징인 으로 구성되며, 상기 파라미터 모두 잔차 학습(Residual Learning)으로 유기적으로 연결 되어있고, 입력된 과 를 통해 출력된 특징인 과 함께 잔차 학습을 진행하며, 추가적으로 를 통해 추출된 특징을 채널 어텐션 세션에 공급하는 에 대해서도 잔차 학습을 진행하는 이미지 변환 장치
|
| 6 |
6
삭제
|
| 7 |
7
제5항에 있어서, 채널 어텐션부는, 채널 간의 상호 의존성을 활용하여 필요한 입력 특징점에 집중하고, 글로벌 에버리지 풀링(Global Average Pooling; GAP)을 사용하여 채널 정보를 압축하고 컨볼루션 층을 통해 입력 특징점을 복원하는 이미지 변환 장치
|
| 8 |
8
제7항에 있어서, 채널 어텐션부는, 네트워크 내에서 집중해야 할 부분에 대한 입력 특징점들을 강화하고 복원하기 위해 게이팅(gating) 메커니즘을 통해 채널의 통계치를 추출하는 이미지 변환 장치
|
