맞춤기술찾기

이전대상기술

전자 장치 및 그 제어 방법

  • 기술번호 : KST2021012150
  • 담당센터 : 경기기술혁신센터
  • 전화번호 : 031-8006-1570
요약, Int. CL, CPC, 출원번호/일자, 출원인, 등록번호/일자, 공개번호/일자, 공고번호/일자, 국제출원번호/일자, 국제공개번호/일자, 우선권정보, 법적상태, 심사진행상태, 심판사항, 구분, 원출원번호/일자, 관련 출원번호, 기술이전 희망, 심사청구여부/일자, 심사청구항수의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 서지정보 표입니다.
요약 전자 장치가 개시된다. 본 전자 장치는 제1 학습 데이터를 통해 학습된 제1 인공 지능 모델에 대한 정보 및 제1 학습 데이터를 통해 학습된 제2 인공 지능 모델에 대한 정보가 저장된 메모리 및 메모리와 연결되어 전자 장치를 제어하는 프로세서를 포함하며, 프로세서는 제2 학습 데이터를 제1 인공 지능 모델 및 제2 인공 지능 모델 각각에 입력하고, 제1 인공 지능 모델에 포함된 복수의 제1 레이어 각각의 출력 및 제2 인공 지능 모델에 포함된 복수의 제2 레이어 각각의 출력에 기초하여 제2 인공 지능 모델을 재학습하며, 복수의 제1 레이어 각각은 복수의 2차원 필터를 포함하고, 복수의 제2 레이어 각각은 대응되는 제1 레이어의 복수의 2차원 필터 각각의 크기가 축소된 복수의 필터를 포함할 수 있다.
Int. CL G06N 3/04 (2006.01.01) G06N 3/08 (2006.01.01) G06N 20/00 (2019.01.01) G06N 5/02 (2006.01.01)
CPC
출원번호/일자 1020200114122 (2020.09.07)
출원인 삼성전자주식회사, 아주대학교산학협력단
등록번호/일자
공개번호/일자 10-2021-0114315 (2021.09.23) 문서열기
공고번호/일자
국제출원번호/일자
국제공개번호/일자
우선권정보 대한민국  |   1020200029849   |   2020.03.10
법적상태 공개
심사진행상태 수리
심판사항
구분 국내출원/신규
원출원번호/일자
관련 출원번호
심사청구여부/일자 N
심사청구항수 20

출원인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 출원인 표입니다.
번호 이름 국적 주소
1 삼성전자주식회사 대한민국 경기도 수원시 영통구
2 아주대학교산학협력단 대한민국 경기도 수원시 영통구

발명자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 발명자 표입니다.
번호 이름 국적 주소
1 손원철 경기도 수원시 영통구
2 황원준 경기도 수원시 영통구
3 송원석 경기도 수원시 영통구
4 구강모 경기도 수원시 영통구
5 김영빈 경기도 수원시 영통구
6 문영수 경기도 수원시 영통구
7 이희중 경기도 수원시 영통구
8 조영훈 경기도 수원시 영통구

대리인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 대리인 표입니다.
번호 이름 국적 주소
1 정홍식 대한민국 서울시 서초구 강남대로 *** 신덕빌딩 *층(나우특허법률사무소)
2 김태헌 대한민국 서울시 서초구 강남대로 *** 신덕빌딩 *층(나우특허법률사무소)

최종권리자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 최종권리자 표입니다.
번호 이름 국적 주소
최종권리자 정보가 없습니다
번호, 서류명, 접수/발송일자, 처리상태, 접수/발송일자의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 행정처리 표입니다.
번호 서류명 접수/발송일자 처리상태 접수/발송번호
1 [특허출원]특허출원서
[Patent Application] Patent Application
2020.09.07 수리 (Accepted) 1-1-2020-0946746-46
번호, 청구항의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 청구항 표입니다.
번호 청구항
1 1
전자 장치에 있어서,제1 학습 데이터를 통해 학습된 제1 인공 지능 모델에 대한 정보 및 상기 제1 학습 데이터를 통해 학습된 제2 인공 지능 모델에 대한 정보가 저장된 메모리; 및상기 메모리와 연결되어 상기 전자 장치를 제어하는 프로세서;를 포함하며,상기 프로세서는,제2 학습 데이터를 상기 제1 인공 지능 모델 및 상기 제2 인공 지능 모델 각각에 입력하고,상기 제1 인공 지능 모델에 포함된 복수의 제1 레이어 각각의 출력 및 상기 제2 인공 지능 모델에 포함된 복수의 제2 레이어 각각의 출력에 기초하여 상기 제2 인공 지능 모델을 재학습하며,상기 복수의 제1 레이어 각각은, 복수의 2차원 필터를 포함하고,상기 복수의 제2 레이어 각각은, 대응되는 제1 레이어의 복수의 2차원 필터 각각의 크기가 축소된 복수의 필터를 포함하는, 전자 장치
2 2
제1항에 있어서,상기 복수의 제1 레이어의 개수는, 상기 복수의 제2 레이어의 개수와 동일하고,상기 프로세서는,상기 복수의 제1 레이어 각각의 출력을 대응되는 제2 레이어의 출력과 비교하여 복수의 비교 결과를 획득하고,상기 복수의 비교 결과에 기초하여 상기 제2 인공 지능 모델을 재학습하는, 전자 장치
3 3
제2항에 있어서,상기 복수의 제1 레이어 각각에 포함된 상기 복수의 2차원 필터의 개수는, 대응되는 제2 레이어에 포함된 상기 복수의 필터의 개수와 동일하며,상기 복수의 제1 레이어 각각의 출력의 크기는, 대응되는 제2 레이어의 출력의 크기와 동일한, 전자 장치
4 4
제3항에 있어서,상기 메모리는,상기 복수의 제1 레이어 각각의 출력 및 상기 복수의 제2 레이어 각각의 출력을 구별하도록 학습된 제3 인공 지능 모델에 대한 정보를 저장하며,상기 프로세서는,상기 복수의 제2 레이어 각각의 출력을 상기 제3 인공 지능 모델 각각에 입력하고,상기 제3 인공 지능 모델로부터 출력되는 상기 복수의 제2 레이어의 출력에 대한 복수의 구별 결과를 획득하며,상기 복수의 비교 결과 및 상기 복수의 구별 결과에 기초하여 상기 제2 인공 지능 모델을 재학습하는, 전자 장치
5 5
제4항에 있어서,상기 프로세서는,상기 제2 학습 데이터를 상기 재학습된 제2 인공 지능 모델 각각에 입력하고,상기 복수의 제1 레이어 각각의 출력 및 상기 재학습된 제2 인공 지능 모델에 포함된 복수의 제3 레이어 각각의 출력을 구별하도록 상기 제3 인공 지능 모델을 재학습하는, 전자 장치
6 6
제4항에 있어서,상기 프로세서는,상기 복수의 비교 결과 및 상기 복수의 구별 결과를 가중합하여 상기 제2 인공 지능 모델을 재학습하는, 전자 장치
7 7
제6항에 있어서,상기 프로세서는,상기 복수의 제1 레이어 중 마지막 레이어에 대응되는 비교 결과의 가중치를 나머지 레이어에 대응되는 복수의 비교 결과의 가중치 이상으로 부여하여 상기 제2 인공 지능 모델을 재학습하는, 전자 장치
8 8
제1항에 있어서,상기 복수의 필터 각각은,1 × N 형태 또는 N × 1 형태이고,상기 프로세서는,상기 메모리로부터 입력 데이터를 행(row) 단위 또는 컬럼(column) 단위로 독출하고,상기 독출된 입력 데이터를 상기 재학습된 제2 인공 지능 모델에 입력하여 상기 입력 데이터를 처리하는, 전자 장치
9 9
제1항에 있어서,상기 제1 인공 지능 모델 및 상기 제2 인공 지능 모델은,컨볼루션 신경망(Convolutional Neural Network, CNN) 형태로 구현된, 전자 장치
10 10
제1항에 있어서,상기 메모리는, 상기 제1 학습 데이터를 통해 학습된 보조 인공 지능 모델에 대한 정보를 더 저장하고,상기 프로세서는,상기 제2 학습 데이터를 상기 보조 인공 지능 모델에 입력하고,상기 복수의 제1 레이어 각각의 출력 및 상기 보조 인공 지능 모델에 포함된 복수의 보조 레이어 각각의 출력에 기초하여 상기 보조 인공 지능 모델을 재학습하며,상기 제2 학습 데이터를 상기 재학습된 보조 인공 지능 모델에 입력하고,상기 재학습된 보조 인공 지능 모델에 포함된 복수의 보조 레이어 각각의 출력 및 상기 복수의 제2 레이어 각각의 출력에 기초하여 상기 제2 인공 지능 모델을 재학습하며,상기 복수의 보조 레이어 각각은, 대응되는 제1 레이어의 복수의 2차원 필터 각각의 크기가 축소된 복수의 필터를 포함하는, 전자 장치
11 11
제10항에 있어서,상기 메모리는, 상기 제1 학습 데이터를 통해 학습된 제1 보조 인공 지능 모델에 대한 정보 및 상기 제1 학습 데이터를 통해 학습된 제2 보조 인공 지능 모델에 대한 정보를 더 저장하고,상기 프로세서는,상기 제2 학습 데이터를 상기 제1 보조 인공 지능 모델 및 상기 제2 보조 인공 지능 모델에 입력하고,상기 복수의 제1 레이어 각각의 출력 및 상기 제1 보조 인공 지능 모델에 포함된 복수의 제1 보조 레이어 각각의 출력에 기초하여 상기 제1 보조 인공 지능 모델을 재학습하고, 상기 복수의 제1 레이어 각각의 출력 및 상기 제2 보조 인공 지능 모델에 포함된 복수의 제2 보조 레이어 각각의 출력에 기초하여 상기 제2 보조 인공 지능 모델을 재학습하며,상기 제2 학습 데이터를 상기 재학습된 제1 보조 인공 지능 모델 및 상기 재학습된 제2 보조 인공 지능 모델에 입력하고,상기 재학습된 제1 보조 인공 지능 모델에 포함된 복수의 제1 보조 레이어 각각의 출력, 상기 재학습된 제2 보조 인공 지능 모델에 포함된 복수의 제2 보조 레이어 각각의 출력 및 상기 복수의 제2 레이어 각각의 출력에 기초하여 상기 제2 인공 지능 모델을 재학습하며,상기 복수의 제1 보조 레이어 각각은, 대응되는 제1 레이어의 복수의 2차원 필터 각각의 크기가 축소된 복수의 필터를 포함하고,상기 복수의 제2 보조 레이어 각각은, 대응되는 제1 레이어의 복수의 2차원 필터 각각의 크기가 축소된 복수의 필터를 포함하고,상기 복수의 제1 보조 레이어 각각에 포함된 복수의 필터 각각은, 대응되는 제2 보조 레이어 각각에 포함된 필터와 형태가 상이한, 전자 장치
12 12
전자 장치의 제어 방법에 있어서,제1 학습 데이터를 통해 학습된 제1 인공 지능 모델 및 상기 제1 학습 데이터를 통해 학습된 제2 인공 지능 모델 각각에 제2 학습 데이터를 입력하는 단계; 및상기 제1 인공 지능 모델에 포함된 복수의 제1 레이어 각각의 출력 및 상기 제2 인공 지능 모델에 포함된 복수의 제2 레이어 각각의 출력에 기초하여 상기 제2 인공 지능 모델을 재학습하는 단계;를 포함하며,상기 복수의 제1 레이어 각각은, 복수의 2차원 필터를 포함하고,상기 복수의 제2 레이어 각각은, 대응되는 제1 레이어의 복수의 2차원 필터 각각의 크기가 축소된 복수의 필터를 포함하는, 제어 방법
13 13
제12항에 있어서,상기 복수의 제1 레이어의 개수는, 상기 복수의 제2 레이어의 개수와 동일하고,상기 재학습하는 단계는,상기 복수의 제1 레이어 각각의 출력을 대응되는 제2 레이어의 출력과 비교하여 복수의 비교 결과를 획득하고,상기 복수의 비교 결과에 기초하여 상기 제2 인공 지능 모델을 재학습하는, 제어 방법
14 14
제13항에 있어서,상기 복수의 제1 레이어 각각에 포함된 상기 복수의 2차원 필터의 개수는, 대응되는 제2 레이어에 포함된 상기 복수의 필터의 개수와 동일하며,상기 복수의 제1 레이어 각각의 출력의 크기는, 대응되는 제2 레이어의 출력의 크기와 동일한, 제어 방법
15 15
제14항에 있어서,상기 재학습하는 단계는,상기 복수의 제2 레이어 각각의 출력을 제3 인공 지능 모델 각각에 입력하고,상기 제3 인공 지능 모델로부터 출력되는 상기 복수의 제2 레이어의 출력에 대한 복수의 구별 결과를 획득하며,상기 복수의 비교 결과 및 상기 복수의 구별 결과에 기초하여 상기 제2 인공 지능 모델을 재학습하고,상기 제3 인공 지능 모델은,상기 복수의 제1 레이어 각각의 출력 및 상기 복수의 제2 레이어 각각의 출력을 구별하도록 학습된 인공 지능 모델인, 제어 방법
16 16
제15항에 있어서,상기 제2 학습 데이터를 상기 재학습된 제2 인공 지능 모델 각각에 입력하는 단계; 및상기 복수의 제1 레이어 각각의 출력 및 상기 재학습된 제2 인공 지능 모델에 포함된 복수의 제3 레이어 각각의 출력을 구별하도록 상기 제3 인공 지능 모델을 재학습하는 단계;를 더 포함하는, 제어 방법
17 17
제15항에 있어서,상기 재학습하는 단계는,상기 복수의 비교 결과 및 상기 복수의 구별 결과를 가중합하여 상기 제2 인공 지능 모델을 재학습하는, 제어 방법
18 18
제17항에 있어서,상기 재학습하는 단계는,상기 복수의 제1 레이어 중 마지막 레이어에 대응되는 비교 결과의 가중치를 나머지 레이어에 대응되는 복수의 비교 결과의 가중치 이상으로 부여하여 상기 제2 인공 지능 모델을 재학습하는, 제어 방법
19 19
제12항에 있어서,상기 복수의 필터 각각은,1 × N 형태 또는 N × 1 형태이고,입력 데이터를 행(row) 단위 또는 컬럼(column) 단위로 독출하는 단계; 및상기 독출된 입력 데이터를 상기 재학습된 제2 인공 지능 모델에 입력하여 상기 입력 데이터를 처리하는 단계;를 더 포함하는, 제어 방법
20 20
전자 장치의 동작 방법을 실행하기 위한 프로그램이 저장된 비일시적 컴퓨터 판독가능 기록매체에 있어서,상기 동작 방법은,제1 학습 데이터를 통해 학습된 제1 인공 지능 모델 및 상기 제1 학습 데이터를 통해 학습된 제2 인공 지능 모델 각각에 제2 학습 데이터를 입력하는 단계; 및상기 제1 인공 지능 모델에 포함된 복수의 제1 레이어 각각의 출력 및 상기 제2 인공 지능 모델에 포함된 복수의 제2 레이어 각각의 출력에 기초하여 상기 제2 인공 지능 모델을 재학습하는 단계;를 포함하며,상기 복수의 제1 레이어 각각은, 복수의 2차원 필터를 포함하고,상기 복수의 제2 레이어 각각은, 대응되는 제1 레이어의 복수의 2차원 필터 각각의 크기가 축소된 복수의 필터를 포함하는, 기록 매체
지정국 정보가 없습니다
패밀리정보가 없습니다
국가 R&D 정보가 없습니다.