1 |
1
클래스별 샘플 데이터를 저장하는 데이터베이스;상기 클래스별 샘플 데이터에 대한 클러스터링을 수행하여, 클래스별 군집 수 과 특징값을 파악하는 클러스터링부; 상기 클래스별 군집 수 에 기반하여 클래스별 학습 데이터 개수 k(k는 자연수)를 가변하고, 상기 클래스별 특징값을 기반하여 클래스 각각을 대표하는 샘플 데이터 k개를 선별한 후, 상기 선별된 클래스별 k개 샘플 데이터를 통해 퓨샷 모델을 학습시키는 퓨샷 모델 학습부; 및 상기 퓨샷 모델을 통해 입력 데이터의 클래스를 예측 및 출력하는 퓨샷 모델 분석부를 포함하는 클러스터링 기능을 구비한 퓨샷 분류 장치
|
2 |
2
제1항에 있어서, 상기 클러스터링부는 기 등록된 특징 추출 네트워크를 이용하여 상기 클래스별 샘플 데이터 각각의 특징값을 추출한 후, 클래스 단위로 클러스터링함으로써 클래스별 군집 수 과 특징값을 파악하는 것을 특징으로 하는 클러스터링 기능을 구비한 퓨샷 분류 장치
|
3 |
3
제1항에 있어서, 상기 클러스터링부는 상기 클래스별 샘플 데이터를 기 등록된 전문가에 안내하고, 상기 전문가가 획득 및 제공하는 클래스별 클러스터링 정보를 수신 및 저장하는 것을 특징으로 하는 클러스터링 기능을 구비한 퓨샷 분류 장치
|
4 |
4
제1항에 있어서, 상기 퓨샷 모델 학습부는 상기 클래스별 특징값을 기준으로 상기 클래스별 샘플 데이터 각각의 데이터 편차를 파악한 후, 서로 상이한 데이터 편차 값을 가지는 샘플 데이터를 동일 비율로 선별함으로써, 상기 클래스별 k개 샘플 데이터를 획득하는 것을 특징으로 하는 클러스터링 기능을 구비한 퓨샷 분류 장치
|
5 |
5
제1항에 있어서, 상기 퓨샷 모델은 k개 샘플 데이터에 대한 스케일링을 자체적으로 내포한 신경망 모델이나 스케일링을 적용한 신경망 모델로 구현되는 것을 특징으로 하는 클러스터링 기능을 구비한 퓨샷 분류 장치
|
6 |
6
제1항에 있어서, 상기 퓨샷 모델 분석부는 상기 퓨샷 모델이 다수개로 구현되는 경우, 상기 다수의 퓨샷 모델을 통해 입력 데이터에 대한 다수개의 예측값을 획득한 후, 상기 다수의 예측값에 대한 하드 보팅 또는 소프트 보팅을 수행하여 최종 예측값을 획득 및 출력하는 것을 특징으로 하는 클러스터링 기능을 구비한 퓨샷 분류 장치
|
7 |
7
클래스별 샘플 데이터에 대한 클러스터링을 수행하여, 클래스별 군집 수 과 특징값을 파악하는 단계; 및 상기 클래스별 군집 수 에 기반하여 클래스별 학습 데이터 개수 k(k는 자연수)를 가변하고, 상기 클래스별 특징값을 기반하여 클래스 각각을 대표하는 샘플 데이터 k개를 선별한 후, 상기 선별된 클래스별 k개 샘플 데이터를 통해 퓨샷 모델을 학습시키는 단계를 포함하는 퓨샷 분류 장치의 메타 학습 방법
|