1 |
1
딥 러닝 모델(deep learning model)에서 대규모 원소 매트릭스(matrix)의 가중치를 가지는 하나 이상의 필터에 대해 소규모 원소 매트릭스의 단위 영역 별로 이산 코사인 변환(DCT)을 수행하여 주파수 영역으로 변환하는 변환부;상기 변환부의 출력을 양자화(quantization)하여 이산 데이터(discrete data)로 변환함으로써 양자화된 가중치를 생성하는 양자화부;다수의 단위 영역에 대해 군집화하고, 각 단위 영역이 속한 위치에 대한 인덱스 정보를 생성하는 군집화부; 및군집 별로 엔트로피 코딩(entropy coding) 기법을 적용하고 상기 인덱스 정보에 대해서도 엔트로피 코딩 기법을 적용하여, 군집 별 가중치의 압축 코드와 인덱스 정보의 압축 코드를 각각 포함하는 비트스트림(bitstream)을 생성하는 인코더부;를 포함하는 인코딩 장치
|
2 |
2
제1항에 있어서,상기 딥 러닝 모델에 포함된 복수의 레이어(layer)에 대해 레이어 별로 상기 변환부, 상기 군집화부 및 상기 인코더부의 동작이 수행되는 인코딩 장치
|
3 |
3
제2항에 있어서,상기 군집화부는 레이어 별로 상기 인덱스 정보를 생성하며,상기 인코더부는 레이어 별로 상기 압축 코드를 구분한 비트스트림을 생성하는 인코딩 장치
|
4 |
4
제1항에 있어서,상기 필터는 3차원 매트릭스(h×w×d)(단, h, w 및 d은 자연수)의 가중치를 포함하며,상기 단위 영역은 상기 3차원 매트릭스에 속한 2차원 매트릭스(h×w)인 인코딩 장치
|
5 |
5
제5항에 있어서,상기 변환부는 복수의 필터에 대한 단위 영역을 처리하는 인코딩 장치
|
6 |
6
제4항 또는 제5항에 있어서,상기 필터는 컨볼루션 레이어(convolution layer)의 컨볼루션 필터인 인코딩 장치
|
7 |
7
제1항에 있어서,상기 필터는 2차원 매트릭스(h'×w')(단, h' 및 w'는 자연수)의 가중치를 포함하며,상기 단위 영역은 상기 2차원 매트릭스에 포함된 소단위 2차원 매트릭스(h×w)(단, h 및 w는 자연수이고, h003c#h', w003c#w')인 인코딩 장치
|
8 |
8
제7항에 있어서,상기 필터는 풀리 커넥티드 레이어(fully connected layer)의 필터인 인코딩 장치
|
9 |
9
제1항에 있어서,상기 인코더부는 하나의 군집에 대해 그 군집에 포함된 다수의 단위 영역이 가지는 각 2차원 매트릭스에서 동일 위치의 가중치 엔트로피 코딩 기법을 적용하는 인코딩 장치
|
10 |
10
제1항에 있어서,상기 변환부는 필터의 종류 또는 필터가 포함된 레이어의 종류에 따라 이산 코사인 변환을 선택적으로 수행하며,상기 양자화부는 변환부에서 이산 코사인 변환이 미수행될 경우 해당 필터의 각 가중치에 대한 양자화를 공간 영역에서 수행하는 인코딩 장치
|
11 |
11
딥 러닝 모델(deep learning model)에서 매트릭스(matrix)의 가중치를 가지는 하나 이상의 필터를 포함한 레이어에 대해 레이어 별로 이산 코사인 변환(DCT)을 수행하되, 레이어 또는 필터의 종류에 따라 이산 코사인 변환을 선택적으로 수행하여 주파수 영역으로 변환하는 변환부;상기 변환부의 출력을 양자화(quantization)하여 이산 데이터(discrete data)로 변환함으로써 양자화된 가중치를 생성하며, 변환부에서 이산 코사인 변환이 미수행될 경우 해당 필터의 각 가중치에 대한 양자화를 공간 영역에서 수행하는 양자화부; 및레이어 별로 엔트로피 코딩(entropy coding) 기법을 적용하여 레이어 별 가중치의 압축 코드를 포함하는 비트스트림(bitstream)을 생성하는 인코더부;를 포함하는 인코딩 장치
|
12 |
12
군집 별 가중치의 압축 코드와 인덱스 정보의 압축 코드를 포함하는 인코딩 코드에 대해 디코딩을 수행하는 장치로서,상기 군집 별 가중치의 압축 코드에 대해 군집 별로 엔트로피 디코딩(entropy decoding) 기법을 적용하여 제1 디코딩 데이터를 생성하고, 딥 러닝 모델(deep learning model)의 대규모 원소 매트릭스(matrix)의 가중치를 가지는 하나 이상의 필터에서 소규모 원소 매트릭스의 각 단위 영역이 속한 위치를 나타내는 상기 인덱스 정보의 압축 코드에 대해 엔트로피 디코딩 기법을 적용하여 제2 디코딩 데이터를 생성하는 디코더부;제1 디코딩 데이터를 역양자화(de-quantization)하여 세분화된 데이터로 변환함으로써 역양자화된 가중치를 생성하는 역양자화부; 및단위 영역 별로 역이산 코사인 변환(IDCT)을 수행하여 주파수 영역의 역양자화된 가중치를 공간 영역으로 변환하는 역변환부;를 포함하며,상기 제2 디코딩 데이터를 이용하여 상기 제1 디코딩 데이터의 각 단위 영역이 상기 필터에서 속한 위치를 매칭시켜 상기 필터를 복원하는 디코딩 장치
|
13 |
13
제12항에 있어서,상기 역변환부는 필터의 종류 또는 필터가 포함된 레이어의 종류에 따라 역이산 코사인 변환을 선택적으로 수행하는 디코딩 장치
|
14 |
14
딥 러닝 모델(deep learning model)에서 매트릭스(matrix)의 가중치를 가지는 하나 이상의 필터를 포함한 레이어에 대해 레이어 별 가중치의 압축 코드를 포함하는 인코딩 코드에 대해 디코딩을 수행하는 장치로서,상기 레이어 별 가중치의 압축 코드에 대해 레이어 별로 엔트로피 디코딩(entropy decoding) 기법을 적용하여 디코딩 데이터를 생성하는 디코더부;디코딩 데이터를 역양자화(de-quantization)하여 세분화된 데이터로 변환함으로써 역양자화된 가중치를 생성하는 역양자화부; 및단위 영역 별로 역이산 코사인 변환(IDCT)을 수행하여 주파수 영역의 역양자화된 가중치를 공간 영역으로 변환하되, 레이어 또는 필터의 종류에 따라 역이산 코사인 변환을 선택적으로 수행하는 역변환부;를 포함하는 디코딩 장치
|
15 |
15
전자 장치에 의해 수행되는 인코딩 방법으로서,딥 러닝 모델(deep learning model)에서 대규모 원소 매트릭스(matrix)의 가중치를 가지는 하나 이상의 필터에 대해 소규모 원소 매트릭스의 단위 영역 별로 이산 코사인 변환(DCT)을 수행하여 주파수 영역으로 변환하는 단계;상기 DCT의 수행에 따른 출력을 양자화(quantization)하여 이산 데이터(discrete data)로 변환함으로써 양자화된 가중치를 생성하는 단계;다수의 단위 영역에 대해 군집화하고, 각 단위 영역이 속한 위치에 대한 인덱스 정보를 생성하는 단계; 및군집 별로 엔트로피 코딩(entropy coding) 기법을 적용하고 상기 인덱스 정보에 대해서도 엔트로피 코딩 기법을 적용하여, 군집 별 가중치의 압축 코드와 인덱스 정보의 압축 코드를 각각 포함하는 비트스트림을 생성하는 단계;를 포함하는 인코딩 방법
|
16 |
16
전자 장치에 의해 수행되는 인코딩 방법으로서,딥 러닝 모델(deep learning model)에서 매트릭스(matrix)의 가중치를 가지는 하나 이상의 필터를 포함한 레이어에 대해 레이어 별로 이산 코사인 변환(DCT)을 수행하되, 레이어 또는 필터의 종류에 따라 이산 코사인 변환을 선택적으로 수행하여 주파수 영역으로 변환하는 단계;상기 변환부의 출력을 양자화(quantization)하여 이산 데이터(discrete data)로 변환함으로써 양자화된 가중치를 생성하며, 변환부에서 이산 코사인 변환이 미수행될 경우 해당 필터의 각 가중치에 대한 양자화를 공간 영역에서 수행하는 단계; 및레이어 별로 엔트로피 코딩(entropy coding) 기법을 적용하여 레이어 별 가중치의 압축 코드를 포함하는 비트스트림(bitstream)을 생성하는 단계;를 포함하는 인코딩 방법
|
17 |
17
전자 장치에 의해 수행되며, 군집 별 가중치의 압축 코드와 인덱스 정보의 압축 코드를 포함하는 인코딩 코드에 대한 디코딩 방법으로서,상기 군집 별 가중치의 압축 코드에 대해 군집 별로 엔트로피 디코딩(entropy decoding) 기법을 적용하여 제1 디코딩 데이터를 생성하고, 딥 러닝 모델(deep learning model)의 대규모 원소 매트릭스(matrix)의 가중치를 가지는 하나 이상의 필터에서 소규모 원소 매트릭스의 각 단위 영역이 속한 위치를 나타내는 상기 인덱스 정보의 압축 코드에 대해 엔트로피 디코딩 기법을 적용하여 제2 디코딩 데이터를 생성하는 단계;제1 디코딩 데이터를 역양자화(de-quantization)하여 세분화된 데이터로 변환함으로써 역양자화된 가중치를 생성하는 단계; 및단위 영역 별로 역이산 코사인 변환(IDCT)을 수행하여 주파수 영역의 역양자화된 가중치를 공간 영역으로 변환하는 단계;를 포함하며,상기 제2 디코딩 데이터를 이용하여, 상기 제1 디코딩 데이터의 각 단위 영역이 상기 필터에서 속한 위치를 매칭시켜 상기 필터를 복원하는 디코딩 방법
|
18 |
18
전자 장치에 의해 수행되며, 딥 러닝 모델(deep learning model)에서 매트릭스(matrix)의 가중치를 가지는 하나 이상의 필터를 포함한 레이어에 대해 레이어 별 가중치의 압축 코드를 포함하는 인코딩 코드에 대한 디코딩 방법으로서,상기 레이어 별 가중치의 압축 코드에 대해 레이어 별로 엔트로피 디코딩(entropy decoding) 기법을 적용하여 디코딩 데이터를 생성하는 단계;디코딩 데이터를 역양자화(de-quantization)하여 세분화된 데이터로 변환함으로써 역양자화된 가중치를 생성하는 단계; 및단위 영역 별로 역이산 코사인 변환(IDCT)을 수행하여 주파수 영역의 역양자화된 가중치를 공간 영역으로 변환하되, 레이어 또는 필터의 종류에 따라 역이산 코사인 변환을 선택적으로 수행하는 단계;를 포함하는 디코딩 방법
|