1 |
1
입력 이미지를 교사 네트워크 및 학생 네트워크에 입력하는 단계; 상기 교사 네트워크의 확률 맵 및 상기 입력 이미지에 대한 GT를 이용하여 적응형 확률 맵을 생성하는 단계;상기 적응형 확률 맵 및 상기 학생 네트워크의 확률 맵을 이용하여 적응형 크로스 엔트로피 손실 함수를 정의하는 단계; 및상기 적응형 크로스 엔트로피 손실 함수를 이용하여 상기 입력 이미지의 각 픽셀을 복수개의 라벨 중 하나의 라벨로 결정하는 단계를 포함하고, 상기 입력 이미지에 포함된 제1 픽셀에 대한 상기 적응형 확률 맵은 상기 입력 이미지에 포함된 상기 제1 픽셀에 대하여 상기 교사 네트워크가 예측한 라벨과 상기 GT의 라벨의 일치여부에 따라, 상기 교사 네트워크의 확률 맵의 값과 상기 GT의 원-핫 인코딩 벡터 값의 합, 상기 교사 네트워크의 확률 맵의 값, 상기 GT의 원-핫 인코딩 벡터 값을 가중치와 곱한 값 중 어느 하나인 것을 특징으로 하는 의미론적 영상 분할 방법
|
2 |
2
제1항에 있어서,상기 적응형 확률 맵은 상기 입력 이미지에 포함된 가로 방향의 픽셀의 수 및 세로 방향의 픽셀의 수와 동일한 크기를 갖는 매트릭스를 상기 라벨의 수 만큼 포함하는 것을 특징으로 하는, 의미론적 영상 분할 방법
|
3 |
3
제1항에 있어서,상기 입력 이미지에 포함된 제1 픽셀에 대한 상기 적응형 확률 맵은 상기 제1 픽셀에 대하여 상기 교사 네트워크가 예측한 라벨과 상기 GT의 라벨이 일치하는 경우, 상기 교사 네트워크의 확률 맵의 값과 상기 GT의 원-핫 인코딩 벡터 값의 합인 것을 특징으로 하는 것인, 의미론적 영상 분할 방법
|
4 |
4
제1항에 있어서,상기 입력 이미지에 포함된 제1 픽셀에 대한 상기 적응형 확률 맵은 상기 제1 픽셀에 대하여 상기 교사 네트워크가 예측한 라벨과 상기 GT의 라벨이 일치하는 경우, 상기 교사 네트워크의 확률 맵의 값인 것을 특징으로 하는 것인, 의미론적 영상 분할 방법
|
5 |
5
제1항에 있어서,상기 교사 네트워크의 확률 맵은 상기 교사 네트워크의 마지막 레이어의 특징 맵의 소프트맥스 값인 것을 특징으로 하는 것인, 의미론적 영상 분할 방법
|
6 |
6
제1항에 있어서,상기 입력 이미지에 포함된 제1 픽셀에 대한 상기 적응형 확률 맵은 상기 제1 픽셀에 대하여 상기 교사 네트워크가 예측한 라벨과 상기 GT의 라벨이 일치하지 않는 경우, 상기 GT의 원-핫 인코딩 벡터 값을 가중치와 곱한 값인 것을 특징으로 하는 것인, 의미론적 영상 분할 방법
|
7 |
7
제1항에 있어서,상기 입력 이미지에 포함된 픽셀에 대한 상기 적응형 크로스 엔트로피 손실 함수는상기 복수의 라벨마다 상기 적응형 확률 맵의 값과 상기 학생 네트워크의 확률 맵의 로그 값을 곱한 후, 상기 곱한 결과를 모두 더한 값인 것을 특징으로 하는, 의미론적 영상 분할 방법
|
8 |
8
제6항에 있어서,상기 적응형 크로스 엔트로피 손실 함수는상기 입력 이미지에 포함된 모든 픽셀에 대한 상기 적응형 크로스 엔트로피 손실 함수를 더한 후, 상기 입력 이미지에 포함된 가로 방향의 픽셀의 수 및 세로 방향의 픽셀의 수로 나눈 값인 것을 특징으로 하는, 의미론적 영상 분할 방법
|
9 |
9
제1항에 있어서,상기 적응형 크로스 엔트로피 손실 함수를 이용하여 상기 학생 네트워크를 학습시키는 단계를 더 포함하는 것을 특징으로 하는, 의미론적 영상 분할 방법
|
10 |
10
컴퓨터 프로그램이 프로세서에 의해 실행될 때, 제1항 내지 제9항 중 어느 한 항에 따른 방법이 수행되는 컴퓨터 프로그램을 저장한 컴퓨터-판독가능 저장 매체
|