1 |
1
입력 이미지를 교사 네트워크 및 학생 네트워크에 입력하는 단계; 상기 교사 네트워크의 마지막 레이어의 특징 맵에서 각 픽셀에 대응하는 제1 특징 벡터를 정규화하고, 상기 학생 네트워크의 마지막 레이어의 특징 맵에서 각 픽셀에 대응하는 제2 특징 벡터를 정규화하는 단계; 상기 정규화된 제1 특징 벡터, 상기 정규화된 제2 특징 벡터에 기초하여 제1 채널 및 공간 연관성 매트릭스와 제2 채널 및 공간 연관성 매트릭스를 생성하는 단계; 및상기 제1 채널 및 공간 연관성 매트릭스와 상기 제2 채널 및 공간 연관성 매트릭스 간 차이의 유클리드 노름(Euclidean norm) 값에 기초하여 제1 손실 함수를 정의하는 단계를 포함하고,상기 입력 이미지에 대한 라벨의 수가 C 인 경우,상기 제1 채널 및 공간 연관성 매트릭스를 생성하는 단계는 상기 C 개의 라벨에 대하여, 상기 정규화된 제1 특징 벡터와 상기 정규화된 제1 특징 벡터의 순환 교대된 벡터에 기초하여 제1 채널 연관 벡터를 계산하는 단계;상기 C 개의 라벨에 대한 제1 채널 연관 벡터를 연결 연산(concatenation) 및 재정렬하여 제1 채널 연관성 매트릭스를 계산하는 단계; 및상기 제1 채널 연관성 매트릭스의 상관 매트릭스를 제1 채널 및 공간 연관성 매트릭스로 결정하는 단계를 포함하는, 지식 증류법 기반 의미론적 영상 분할 방법
|
2 |
2
제1항에 있어서,상기 제1 손실 함수 및 크로스 엔트로피 손실 함수를 이용하여 전체 손실 함수를 정의하는 단계; 및상기 전체 손실 함수를 이용하여 상기 입력 이미지의 각 픽셀에 대하여 복수개의 라벨 중 하나의 라벨로 결정하는 단계를 더 포함하는 것을 특징으로 하는, 지식 증류법 기반 의미론적 영상 분할 방법
|
3 |
3
제2항에 있어서,상기 전체 손실 함수를 정의하는 단계는상기 전체 손실 함수를 상기 제1 손실 함수, 상기 제1 손실 함수에 대한 가중치, 상기 크로스 엔트로피 손실 함수 및 상기 크로스 엔트로피 손실 함수에 대한 가중치에 기초하여 정의하는 단계를 포함하는 것을 특징으로 하는 것인, 지식 증류법 기반 의미론적 영상 분할 방법
|
4 |
4
제2항에 있어서,상기 전체 손실 함수를 이용하여 상기 학생 네트워크를 학습시키는 단계를 더 포함하는 것을 특징으로 하는, 지식 증류법 기반 의미론적 영상 분할 방법
|
5 |
5
삭제
|
6 |
6
제1항에 있어서,상기 제2 채널 및 공간 연관성 매트릭스를 생성하는 단계는 상기 C 개의 라벨에 대하여, 상기 정규화된 제2 특징 벡터와 상기 정규화된 제2 특징 벡터의 순환 교대된 벡터에 기초하여 제2 채널 연관 벡터를 계산하는 단계;상기 C 개의 라벨에 대한 제2 채널 연관 벡터를 연결 연산(concatenation) 및 재정렬하여 제2 채널 연관성 매트릭스를 계산하는 단계; 및상기 제2 채널 연관성 매트릭스의 상관 매트릭스를 제2 채널 및 공간 연관성 매트릭스로 결정하는 단계를 포함하는 것을 특징으로 하는, 지식 증류법 기반 의미론적 영상 분할 방법
|
7 |
7
제1항에 있어서,상기 제1 채널 연관 벡터는 상기 C 개의 라벨에 대하여, 상기 정규화된 제1 특징 벡터와 상기 정규화된 제1 특징 벡터의 순환 교대된 벡터를 요소별 곱 연산(element-wise multiplication)하여 결정되는 것을 특징으로 하는, 지식 증류법 기반 의미론적 영상 분할 방법
|
8 |
8
제1항에 있어서,상기 제1 채널 연관성 매트릭스 및 상기 제2 채널 연관성 매트릭스의 너비는 상기 교사 네트워크의 마지막 레이어의 특징 맵의 너비와 높이를 곱한 값이고, 상기 제1 채널 연관성 매트릭스 및 상기 제2 채널 연관성 매트릭스의 높이는 상기 C의 제곱인 것을 특징으로 하는 것인, 지식 증류법 기반 의미론적 영상 분할 방법
|
9 |
9
제1항에 있어서,상기 제1 채널 및 공간 연관성 매트릭스 및 상기 제2 채널 및 공간 연관성 매트릭스의 너비와 높이는 상기 교사 네트워크의 마지막 레이어의 특징 맵의 너비와 높이를 곱한 값인 것을 특징으로 하는 것인, 지식 증류법 기반 의미론적 영상 분할 방법
|