1 |
1
컴퓨팅 장치에 의해 수행되는 LBC(Local Binary Convolution) 레이어를 포함하는 CNN 구조의 인공 신경망 학습 방법에 있어서,하다마르 행렬(Hadamard Matrix)을 이용하여 가중치 패턴을 획득하는 단계;상기 가중치 패턴을 이용하여, 상기 LBC 레이어의 가중치 행렬을 지정된 값으로 고정하는 단계; 및상기 LBC 레이어의 출력 데이터를 이용하여 가중치가 고정되지 않은 컨벌루션(Convolution) 레이어를 학습시키는 단계;를 포함하고, 상기 LBC 레이어의 가중치 행렬은,상기 가중치 패턴을 타일링하여 획득한 행렬 중 적어도 하나의 행 및 적어도 하나의 열이 제외된 형태인,인공 신경망 학습 방법
|
2 |
2
제1 항에 있어서,상기 컨벌루션 레이어를 학습시키는 단계는,1x1 크기의 컨벌루션 레이어를 학습시키는 단계를 포함하는,인공 신경망 학습 방법
|
3 |
3
제1 항에 있어서,상기 하다마르 행렬을 이용하여 가중치 패턴을 획득하는 단계는,모든 성분이 +1 또는 -1이며, 행벡터들과 열벡터들이 각각 서로 직교하는 정사각 행렬을 이용하여 상기 가중치 패턴을 획득하는 단계를 포함하는,인공 신경망 학습 방법
|
4 |
4
제1 항에 있어서,상기 가중치 패턴을 이용하여, 상기 LBC 레이어의 가중치 행렬을 지정된 값으로 고정하는 단계는,상기 가중치 패턴을 이용하여, LBC 레이어의 가중치 매개 변수에 대응되는 MAC(Multiply and Accumulate)어레이의 입력값 및 출력값을 지정된 값으로 고정하는 단계를 포함하는,인공 신경망 학습 방법
|
5 |
5
제1 항에 있어서,상기 LBC 레이어의 가중치 행렬은,상기 가중치 패턴이 반복된 형태인,인공 신경망 학습 방법
|
6 |
6
제1 항에 있어서,상기 LBC 레이어의 가중치 행렬은,상기 가중치 패턴이 부정(negation)된 형태인,인공 신경망 학습 방법
|
7 |
7
하다마르 행렬(Hadamard Matrix)을 이용하여 가중치 패턴을 획득하는 가중치 패턴 획득부;상기 가중치 패턴을 이용하여, LBC 레이어의 가중치 행렬을 지정된 값으로 고정하는 가중치 고정부; 및상기 LBC 레이어의 출력 데이터를 이용하여 가중치가 고정되지 않은 컨벌루션(Convolution) 레이어를 학습시키는 신경망 학습부; 를 포함하고, 상기 LBC 레이어의 가중치 행렬은,상기 가중치 패턴을 타일링하여 획득한 행렬 중 적어도 하나의 행 및 적어도 하나의 열이 제외된 형태인,LBC(Local Binary Convolution) 레이어를 포함하는 CNN 구조의 인공 신경망 학습 장치
|
8 |
8
제7 항에 있어서,상기 신경망 학습부는,1x1 크기의 컨벌루션 레이어를 학습시키는,인공 신경망 학습 장치
|
9 |
9
제7 항에 있어서,상기 획득부는,모든 성분이 +1 또는 -1이며, 행벡터들과 열벡터들이 각각 서로 직교하는 정사각 행렬을 이용하여 상기 가중치 패턴을 획득하는,인공 신경망 학습 장치
|
10 |
10
제7 항에 있어서,가중치 고정부는,상기 가중치 패턴을 이용하여, 상기 LBC 레이어의 가중치 매개 변수에 대응되는 MAC(Multiply and Accumulate)어레이의 입력값 및 출력값을 지정된 값으로 고정하는,인공 신경망 학습 장치
|
11 |
11
제7 항에 있어서,상기 LBC 레이어의 가중치 행렬은,상기 가중치 패턴이 반복된 형태의 행렬을 기초로 획득된 행렬인,인공 신경망 학습 장치
|
12 |
12
제7 항에 있어서,상기 LBC 레이어의 가중치 행렬은,상기 가중치 패턴이 부정(negation)된 형태의 행렬을 기초로 획득된 행렬인,인공 신경망 학습 장치
|
13 |
13
제1 항 내지 제6 항 중 어느 한 항에 따른 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체
|