1 |
1
제품의 결함 검사를 위한 학습 방법에 있어서,검사 대상에 대한 제1 클래스의 입력 데이터와 제2 클래스의 입력 데이터에 기초하여 상기 검사 대상에 대한 새로운 입력 데이터를 생성하는 단계;상기 검사 대상에 대한 제1 클래스의 레이블 데이터와 제2 클래스의 레이블 데이터에 기초하여 상기 검사 대상에 대한 새로운 레이블 데이터를 생성하는 단계; 및상기 새로운 입력 데이터와 상기 새로운 레이블 데이터를 이용하여 상기 결함 검사를 위한 뉴럴 네트워크를 학습시키는 단계를 포함하는, 학습 방법
|
2 |
2
제1항에 있어서,각 데이터의 각 픽셀 위치에 적용할 가중치를 포함하는 가중치 매트릭스를 생성하는 단계를 더 포함하는, 학습 방법
|
3 |
3
제2항에 있어서,상기 새로운 레이블 데이터를 생성하는 단계는,상기 뉴럴 네트워크를 구성하는 최종 레이어의 출력에 기초하여 상기 제1 클래스의 레이블 데이터와 상기 제2 클래스의 레이블 데이터를 재구성하는 단계; 및상기 가중치 매트릭스에 기초하여 재구성된 제1 클래스의 레이블 데이터와 재구성된 제2 클래스의 레이블 데이터에 픽셀 위치마다 가중치를 적용하여 컨벡스 조합함으로써 상기 새로운 레이블 데이터를 생성하는 단계를 포함하는, 학습 방법
|
4 |
4
제3항에 있어서,상기 재구성하는 단계는,상기 제1 클래스의 레이블 데이터와 상기 제2 클래스의 레이블 데이터를 상기 최종 레이어의 출력인 [height, width, channel]의 3D tensor형태로 확장하는 단계를 포함하는, 학습 방법
|
5 |
5
제3항에 있어서,상기 새로운 입력 데이터를 생성하는 단계는,상기 가중치 매트릭스를 입력 데이터의 크기에 맞춰 리사이즈하는 단계; 및리사이즈된 가중치 매트릭스에 기초하여 상기 제1 클래스의 입력 데이터와 상기 제2 클래스의 입력 데이터에 픽셀 위치마다 가중치를 적용하여 컨벡스 조합함으로써 상기 새로운 입력 데이터를 생성하는 단계를 포함하는, 학습 방법
|
6 |
6
제품의 결함 검사를 위한 학습 장치에 있어서,하나 이상의 인스트럭션을 저장하는 메모리; 및상기 인스트럭션을 실행시키기 위한 프로세서를 포함하고,상기 인스트럭션이 실행될 때, 상기 프로세서는,검사 대상에 대한 제1 클래스의 입력 데이터와 제2 클래스의 입력 데이터에 기초하여 상기 검사 대상에 대한 새로운 입력 데이터를 생성하고, 상기 검사 대상에 대한 제1 클래스의 레이블 데이터와 제2 클래스의 레이블 데이터에 기초하여 상기 검사 대상에 대한 새로운 레이블 데이터를 생성하고, 상기 새로운 입력 데이터와 상기 새로운 레이블 데이터를 이용하여 상기 결함 검사를 위한 뉴럴 네트워크를 학습시키는, 학습 장치
|
7 |
7
제6항에 있어서,상기 프로세서는,각 데이터의 각 픽셀 위치에 적용할 가중치를 포함하는 가중치 매트릭스를 생성하는, 학습 장치
|
8 |
8
제7항에 있어서,상기 프로세서는,상기 뉴럴 네트워크를 구성하는 최종 레이어의 출력에 기초하여 상기 제1 클래스의 레이블 데이터와 상기 제2 클래스의 레이블 데이터를 재구성하고, 상기 가중치 매트릭스에 기초하여 재구성된 제1 클래스의 레이블 데이터와 재구성된 제2 클래스의 레이블 데이터에 픽셀 위치마다 가중치를 적용하여 컨벡스 조합함으로써 상기 새로운 레이블 데이터를 생성하는, 학습 장치
|
9 |
9
제8항에 있어서,상기 프로세서는,상기 제1 클래스의 레이블 데이터와 상기 제2 클래스의 레이블 데이터를 상기 최종 레이어의 출력인 [height, width, channel]의 3D tensor형태로 확장하는, 학습 장치
|
10 |
10
제8항에 있어서,상기 프로세서는,상기 가중치 매트릭스를 입력 데이터의 크기에 맞춰 리사이즈하고, 리사이즈된 가중치 매트릭스에 기초하여 상기 제1 클래스의 입력 데이터와 상기 제2 클래스의 입력 데이터에 픽셀 위치마다 가중치를 적용하여 컨벡스 조합함으로써 상기 새로운 입력 데이터를 생성하는, 학습 장치
|