1 |
1
입력 이미지를 특징 벡터로 변환하는 인코딩 모델; 및랜덤 펀이 layer-to-layer 구조로 연결된 다층 구조의 비-신경망 타입의 심층 모델이며, 상기 인코딩 모델에서 변환된 특징 벡터를 적용해 분류를 수행하는 캐스케이드 모델을 포함하는 것을 특징으로 하는, 오류 역전파가 필요 없는 심층 랜덤 펀 분류기
|
2 |
2
제1항에 있어서, 상기 인코딩 모델은,다중 입자 스캔(multi-grained scanning; MGS)을 사용해 상기 입력 이미지를 특징 벡터로 변환하는 것을 특징으로 하는, 오류 역전파가 필요 없는 심층 랜덤 펀 분류기
|
3 |
3
제1항에 있어서, 상기 인코딩 모델은,단일 레이어로 구성되며, 미리 정해진 개수의 이진 테스트를 포함하는 복수의 랜덤 펀들로 구성되는 것을 특징으로 하는, 오류 역전파가 필요 없는 심층 랜덤 펀 분류기
|
4 |
4
제1항에 있어서, 상기 인코딩 모델은,미리 정해진 크기의 스캐닝 윈도우를 사용하여 상기 특징 벡터를 추출하는 것을 특징으로 하는, 오류 역전파가 필요 없는 심층 랜덤 펀 분류기
|
5 |
5
제4항에 있어서, 상기 인코딩 모델은,상기 미리 정해진 크기의 스캐닝 윈도우를 이용해 복수의 서브패치를 추출하고, 상기 추출된 서브패치에 대해 이진 테스트를 수행하며, 상기 서브패치 내에서 미리 정해진 거리 이상 떨어진 픽셀을 무작위로 추출하여 상기 이진 테스트를 수행하는 것을 특징으로 하는, 오류 역전파가 필요 없는 심층 랜덤 펀 분류기
|
6 |
6
제1항에 있어서, 상기 캐드케이드 모델은,각 레이어는 이질적인 랜덤 펀들로 구성되는 것을 특징으로 하는, 오류 역전파가 필요 없는 심층 랜덤 펀 분류기
|
7 |
7
제1항에 있어서, 상기 캐스케이드 모델은,현재 레이어의 출력 벡터와 상기 인코딩 모델에서 변환된 특징 벡터를 결합하여, 다음 레이어의 입력 특징 벡터를 생성하며, 최종 레이어에서 최종 클래스를 예측하여 분류를 수행하는 것을 특징으로 하는, 오류 역전파가 필요 없는 심층 랜덤 펀 분류기
|
8 |
8
제1항에 있어서, 상기 캐스케이드 모델은,각각 8개의 랜덤 펀들로 구성된 복수의 레이어를 포함하며, 하나의 랜덤 펀은 14개의 이진 테스트를 포함하여 40개의 펀들로 구성되는 것을 특징으로 하는, 오류 역전파가 필요 없는 심층 랜덤 펀 분류기
|
9 |
9
제1항에 있어서, 상기 캐스케이드 모델은,부스팅(boosting) 및 k-겹 교차 검증(k-fold cross validation)을 사용하여 레이어 수 및 매개변수 수를 결정하는 것을 특징으로 하는, 오류 역전파가 필요 없는 심층 랜덤 펀 분류기
|
10 |
10
제9항에 있어서, 상기 캐스케이드 모델은,이전 테스트 폴드에서 오분류 된 데이터를 학습 폴드에 추가하고, 오분류 된 데이터가 추가된 k-1개의 학습 폴드를 이용해 이전 반복에 의해 생성된 RFs를 업데이트하는 것을 특징으로 하는, 오류 역전파가 필요 없는 심층 랜덤 펀 분류기
|
11 |
11
심층 랜덤 펀 분류기를 이용한 분류 방법으로서,(1) 입력 이미지를 특징 벡터로 변환하는 인코딩 모델 및 랜덤 펀이 layer-to-layer 구조로 연결된 다층 구조의 비-신경망 타입의 심층 모델로서, 상기 인코딩 모델에서 변환된 특징 벡터를 적용해 분류를 수행하는 캐스케이드 모델을 포함하는 오류 역전파가 필요 없는 심층 랜덤 펀 분류기(deep Random Ferns classifier; d-RFs)를 생성하는 단계; 및(2) 상기 생성된 d-RFs를 이용해 분류를 하는 단계를 포함하는 것을 특징으로 하는, 오류 역전파가 필요 없는 심층 랜덤 펀 분류기를 이용한 분류 방법
|
12 |
12
제11항에 있어서, 상기 인코딩 모델은,다중 입자 스캔(multi-grained scanning; MGS)을 사용해 상기 입력 이미지를 특징 벡터로 변환하는 것을 특징으로 하는, 오류 역전파가 필요 없는 심층 랜덤 펀 분류기를 이용한 분류 방법
|
13 |
13
제11항에 있어서, 상기 인코딩 모델은,단일 레이어로 구성되며, 미리 정해진 개수의 이진 테스트를 포함하는 복수의 랜덤 펀들로 구성되는 것을 특징으로 하는, 오류 역전파가 필요 없는 심층 랜덤 펀 분류기를 이용한 분류 방법
|
14 |
14
제11항에 있어서, 상기 인코딩 모델은,미리 정해진 크기의 스캐닝 윈도우를 사용하여 상기 특징 벡터를 추출하는 것을 특징으로 하는, 오류 역전파가 필요 없는 심층 랜덤 펀 분류기를 이용한 분류 방법
|
15 |
15
제14항에 있어서, 상기 인코딩 모델은,상기 미리 정해진 크기의 스캐닝 윈도우를 이용해 복수의 서브패치를 추출하고, 상기 추출된 서브패치에 대해 이진 테스트를 수행하며, 상기 서브패치 내에서 미리 정해진 거리 이상 떨어진 픽셀을 무작위로 추출하여 상기 이진 테스트를 수행하는 것을 특징으로 하는, 오류 역전파가 필요 없는 심층 랜덤 펀 분류기를 이용한 분류 방법
|
16 |
16
제11항에 있어서, 상기 캐드케이드 모델은,각 레이어는 이질적인 랜덤 펀들로 구성되는 것을 특징으로 하는, 오류 역전파가 필요 없는 심층 랜덤 펀 분류기를 이용한 분류 방법
|
17 |
17
제11항에 있어서, 상기 캐스케이드 모델은,현재 레이어의 출력 벡터와 상기 인코딩 모델에서 변환된 특징 벡터를 결합하여, 다음 레이어의 입력 특징 벡터를 생성하며, 최종 레이어에서 최종 클래스를 예측하여 분류를 수행하는 것을 특징으로 하는, 오류 역전파가 필요 없는 심층 랜덤 펀 분류기를 이용한 분류 방법
|
18 |
18
제11항에 있어서, 상기 캐스케이드 모델은,각각 8개의 랜덤 펀들로 구성된 복수의 레이어를 포함하며, 하나의 랜덤 펀은 14개의 이진 테스트를 포함하여 40개의 펀들로 구성되는 것을 특징으로 하는, 오류 역전파가 필요 없는 심층 랜덤 펀 분류기를 이용한 분류 방법
|
19 |
19
제11항에 있어서, 상기 캐스케이드 모델은,부스팅(boosting) 및 k-겹 교차 검증(k-fold cross validation)을 사용하여 레이어 수 및 매개변수 수를 결정하는 것을 특징으로 하는, 오류 역전파가 필요 없는 심층 랜덤 펀 분류기를 이용한 분류 방법
|
20 |
20
제19항에 있어서, 상기 캐스케이드 모델은,이전 테스트 폴드에서 오분류 된 데이터를 학습 폴드에 추가하고, 오분류 된 데이터가 추가된 k-1개의 학습 폴드를 이용해 이전 반복에 의해 생성된 RFs를 업데이트하는 것을 특징으로 하는, 오류 역전파가 필요 없는 심층 랜덤 펀 분류기를 이용한 분류 방법
|