1 |
1
CNN(convolution neural network)을 이용하여 객체를 인식하는 장치에 있어서,복소수 데이터를 기반으로 하는 SAR(synthetic aperture radar) 영상을 획득하는 송수신기;복소수 기반의 컨벌루션(convolution) 연산을 수행하여 특징맵을 생성하는 복소수 기반의 CNN; 및상기 특징맵에 기반하여 객체 인식 정보를 생성하는 객체 인식 정보 생성기를 포함하고,상기 복소수 기반의 CNN은 복수의 레이어들로 구성된 네트워크를 포함하고,상기 복소수 기반의 CNN은,실수 기반의 컨벌루션 연산에 기반하여, 상기 특징맵을 생성하기 위한 적어도 하나의 실수 파라미터를 학습하고,상기 적어도 하나의 실수 파라미터에 기반하여, 상기 복수의 레이어들에 초기화를 적용하고,상기 적어도 하나의 실수 파라미터는 RGB(red green blue) 색상들 중 하나의 색상에 대응되는 채널에서 미리 학습된 가중치 값을 포함하는 객체 인식 장치
|
2 |
2
청구항 1에 있어서,상기 복수의 레이어들은 복소수 기반의 컨벌루션 레이어, 복소수 기반의 BN(batch normalization) 레이어, 복소수 기반의 ReLU(rectified linear unit) 레이어, 및 복소수 기반의 맥스 풀링(max pooling) 레이어 중 적어도 하나를 포함하는 객체 인식 장치
|
3 |
3
삭제
|
4 |
4
청구항 1에 있어서,상기 적어도 하나의 실수 파라미터는 상기 복소수 기반의 컨벌루션 레이어에서 사용되는 실수 컨벌루션 가중치를 포함하는 객체 인식 장치
|
5 |
5
청구항 4에 있어서,상기 복소수 기반의 CNN은,상기 RGB 색상들 중 하나의 색상의 색상 값에 기반하여 실수 컨벌루션 가중치를 식별하고,상기 실수 컨벌루션 가중치에 기반하여 복소 컨벌루션 가중치를 결정하고,상기 복소 컨벌루션 가중치에 기반하여, 상기 컨벌루션 레이어의 초기화를 수행하는 객체 인식 장치
|
6 |
6
청구항 5에 있어서,상기 복소수 기반의 CNN은상기 복소 컨벌루션 가중치의 실수부를 상기 실수 컨벌루션 가중치와 동일하도록 결정하고,상기 복소 컨벌루션 가중치의 허수부를 상기 실수 컨벌루션 가중치와 동일하도록 결정하는 객체 인식 장치
|
7 |
7
청구항 5에 있어서,상기 복소수 기반의 CNN은상기 컨벌루션 레이어의 초기화를 수행한 이후에, 적어도 하나의 트레이닝 이미지에 기반하여 상기 복소 컨벌루션 가중치를 학습하는 객체 인식 장치
|
8 |
8
청구항 1에 있어서,상기 적어도 하나의 실수 파라미터는 상기 복소수 기반의 BN 레이어에서 사용되는 실수 평균, 실수 분산, 실수 바이어스(bias), 실수 BN 가중치를 포함하는 객체 인식 장치
|
9 |
9
청구항 8에 있어서,상기 복소수 기반의 CNN은,상기 실수 평균, 상기 실수 분산, 상기 실수 바이어스, 및 상기 실수 BN 가중치 각각에 대응되는 복소 평균, 복소 분산, 복소 바이어스, 및 복소 BN 가중치를 결정하고,상기 복소 평균, 상기 복소 분산, 상기 복소 바이어스, 상기 복소 BN 가중치에 기반하여, 상기 BN 레이어의 초기화를 수행하는 객체 인식 장치
|
10 |
10
청구항 9에 있어서,상기 복소수 기반의 CNN은,상기 복소 평균의 실수부를 상기 실수 평균과 동일하도록 결정하고,상기 복소 평균의 허수부를 상기 실수 평균과 동일하도록 결정하고,상기 복소 분산의 실수부를 상기 실수 분산과 동일하도록 결정하고,상기 복소 분산의 허수부를 상기 실수 분산과 동일하도록 결정하는 객체 인식 장치
|
11 |
11
복소수 기반의 CNN(convolution neural network)을 기반으로 객체를 인식하는 장치의 동작 방법에 있어서,복소수 데이터를 기반으로 하는 SAR(synthetic aperture radar) 영상을 획득하는 단계;복소수 기반의 컨벌루션(convolution) 연산을 수행하여 특징맵을 생성하는 단계; 및상기 특징맵에 기반하여 객체 인식 정보를 생성하는 단계를 포함하고,상기 복소수 기반의 CNN은 복수의 레이어들로 구성된 네트워크를 포함하고,상기 복소수 기반의 컨벌루션 연산을 수행하기 이전에, 실수 기반의 컨벌루션 연산에 기반하여, 상기 특징맵을 생성하기 위한 적어도 하나의 실수 파라미터를 학습하는 단계; 및상기 적어도 하나의 실수 파라미터에 기반하여, 상기 복수의 레이어들에 초기화를 적용하는 단계를 포함하고,상기 적어도 하나의 실수 파라미터는 RGB(red green blue) 색상들 중 하나의 색상에 대응되는 채널에서 미리 학습된 가중치 값을 포함하는 객체 인식 장치의 동작 방법
|
12 |
12
청구항 11에 있어서,상기 복수의 레이어들은 복소수 기반의 컨벌루션 레이어, 복소수 기반의 BN(batch normalization) 레이어, 복소수 기반의 ReLU(rectified linear unit) 레이어, 및 복소수 기반의 맥스 풀링(max pooling) 레이어 중 적어도 하나를 포함하는 객체 인식 장치의 동작 방법
|
13 |
13
삭제
|
14 |
14
청구항 11에 있어서,상기 적어도 하나의 실수 파라미터는 상기 복소수 기반의 컨벌루션 레이어에서 사용되는 실수 컨벌루션 가중치를 포함하고,상기 초기화를 수행하는 단계는,상기 RGB 색상들 중 하나의 색상의 색상 값에 기반하여 실수 컨벌루션 가중치를 식별하는 단계;상기 실수 컨벌루션 가중치에 기반하여 복소 컨벌루션 가중치를 결정하는 단계; 및상기 복소 컨벌루션 가중치에 기반하여, 상기 컨벌루션 레이어의 초기화를 수행하는 단계를 포함하는 객체 인식 장치의 동작 방법
|
15 |
15
청구항 14에 있어서,상기 적어도 하나의 실수 파라미터는 상기 복소수 기반의 BN 레이어에서 사용되는 실수 평균, 실수 분산, 실수 바이어스(bias), 실수 BN 가중치를 포함하고,상기 초기화를 수행하는 단계는,상기 실수 평균, 상기 실수 분산, 상기 실수 바이어스, 및 상기 실수 BN 가중치 각각에 대응되는 복소 평균, 복소 분산, 복소 바이어스, 및 복소 BN 가중치를 결정하는 단계; 및상기 복소 평균, 상기 복소 분산, 상기 복소 바이어스, 상기 복소 BN 가중치에 기반하여, 상기 BN 레이어의 초기화를 수행하는 단계를 포함하는 객체 인식 장치의 동작 방법
|