1 |
1
컴퓨팅 장치의 동작 방법으로서,제1 도메인의 이미지와 상기 제1 도메인과 다른 제2 도메인의 이미지 간의 일대일 변환을 위하여 조건부 순환 GAN(Conditional Cycle Generative Adversarial Networks) 모델을 학습시키는 단계,실제(Real) 이미지와, 상기 제1 도메인인지 또는 상기 제2 도메인인지를 나타내는 조건부 확률값을 입력받는 단계, 그리고상기 학습된 조건부 순환 GAN 모델을 이용하여, 상기 실제 이미지를 상기 조건부 확률값에 대응하는 가상 이미지로 변환하는 단계를 포함하는, 동작 방법
|
2 |
2
제1항에서,상기 조건부 확률값은,상기 제1 도메인을 나타내는 제1 값과 상기 제2 도메인을 나타내는 제2 값 사이에서 임의로 조정되고, 조정된 조건부 확률값에 대응하는 복수의 가상 이미지 생성에 사용되는, 동작 방법
|
3 |
3
제2항에서,상기 제1 도메인은 정상 이미지이고 상기 제2 도메인은 질병 이미지이거나, 또는 상기 제1 도메인은 질병 이미지이고 상기 제2 도메인은 정상 이미지이고,상기 조건부 확률값은,상기 제1 값과 상기 제2 값 사이에서 연속된 값으로 조정되어, 질병의 진행 과정 이미지들을 생성하는데 사용되는, 동작 방법
|
4 |
4
제2항에서,상기 조건부 순환 GAN 모델은,제1 실제 이미지와 제1 조건부 확률값을 입력으로 사용하여 상기 제1 조건부 확률값에 대응하는 제1 가상 이미지를 생성하는 제1 생성기, 그리고상기 제1 가상 이미지와 제2 조건부 확률값을 입력으로 사용하여 상기 제2 조건부 확률값에 대응하는 제2 가상 이미지를 생성하는 제2 생성기를 포함하는, 동작 방법
|
5 |
5
제4항에서,상기 학습시키는 단계는,상기 제1 실제 이미지와 상기 제2 가상 이미지 간의 차이인 순환 일관성 손실(Cycle Consistency loss)이 미리 설정한 기준에 부합하도록 상기 제1 생성기와 상기 제2 생성기를 학습시키는, 동작 방법
|
6 |
6
제4항에서,상기 학습시키는 단계는,상기 제1 실제 이미지와 상기 제1 가상 이미지 간의 차이인 동일성 손실(Identify loss)이 미리 설정한 기준에 부합하도록 상기 제1 생성기를 학습시키는, 동작 방법
|
7 |
7
컴퓨팅 장치의 동작 방법으로서,제1 도메인의 실제(Real) 이미지 및 제1 조건부 확률값을 입력으로 사용하여, 상기 실제 이미지를 상기 제1 조건부 확률값에 대응하는 제2 도메인의 가상 이미지로 변환하는 제1 도메인의 제1 생성기를 학습시키는 단계, 상기 제2 도메인의 가상 이미지 및 제2 조건부 확률값을 입력으로 사용하여, 상기 제2 도메인의 가상 이미지를 상기 제2 조건부 확률값에 대응하는 제1 도메인의 가상 이미지로 변환하는 제1 도메인의 제2 생성기를 학습시키는 단계,상기 제2 도메인의 실제 이미지 및 제3 조건부 확률값을 입력으로 사용하여, 상기 제2 도메인의 실제 이미지를 상기 제3 조건부 확률값에 대응하는 제1 도메인의 가상 이미지로 변환하는 제2 도메인의 제1 생성기를 학습시키는 단계, 그리고상기 제1 도메인의 가상 이미지와 제4 조건부 확률값을 입력으로 사용하여, 상기 제1 도메인의 가상 이미지를 상기 제4 조건부 확률값에 대응하는 제2 도메인의 가상 이미지로 변환하는 제2 도메인의 제2 생성기를 학습시키는 단계를 포함하고,상기 제1 도메인의 제1 생성기, 상기 제1 도메인의 제2 생성기, 상기 제2 도메인의 제1 생성기 및 상기 제2 도메인의 제2 생성기는,조건부 순환 GAN(Conditional Cycle Generative Adversarial Networks) 모델을 이용하여 학습되고, 실제 이미지와, 상기 제1 도메인인지 또는 상기 제2 도메인인지를 나타내는 조건부 확률값을 입력받아, 입력받은 실제 이미지를 입력받은 조건부 확률값에 대응하는 도메인의 가상 이미지로 변환하는, 동작 방법
|
8 |
8
제7항에서,상기 제1 도메인의 제1 생성기, 상기 제1 도메인의 제2 생성기, 상기 제2 도메인의 제1 생성기 및 상기 제2 도메인의 제2 생성기는,상기 제1 도메인의 실제 이미지와 상기 제1 도메인의 가상 이미지 간의 차이인 제1 순환 일관성 손실(Cycle Consistency loss) 및 상기 제2 도메인의 실제 이미지와 상기 제2 도메인의 가상 이미지 간의 차이인 제2 순환 일관성 손실의 합이 미리 설정한 기준에 부합하도록 학습되는, 동작 방법
|
9 |
9
제7항에서,상기 제1 도메인의 제1 생성기, 상기 제1 도메인의 제2 생성기, 상기 제2 도메인의 제1 생성기 및 상기 제2 도메인의 제2 생성기는,상기 제1 도메인의 실제 이미지와 상기 제2 도메인의 가상 이미지 간의 차이인 동일성 손실(Identify loss)과 상기 제2 도메인의 실제 이미지와 상기 제1 도메인의 가상 이미지 간의 차이인 동일성 손실의 합이 미리 설정한 기준에 부합하도록 학습되는, 동작 방법
|
10 |
10
제7항에서,상기 제1 도메인의 실제 이미지와 상기 제1 도메인의 가상 이미지를 입력받아 정상 이미지인지 가짜 이미지인지 판별하도록 제1 판별기를 학습시키는 단계를 더 포함하고,상기 제1 판별기의 판별 결과가 기 정의된 기준을 만족하면, 상기 제1 도메인의 제1 생성기의 학습을 완료하는, 동작 방법
|
11 |
11
제7항에서,상기 제1 도메인의 제1 생성기를 통해 생성된 제2 도메인의 가상 이미지와 상기 제2 도메인의 실제 이미지를 입력받아 정상 이미지인지 가짜 이미지인지 판별하도록 제2 판별기를 학습시키는 단계를 더 포함하고,상기 제2 판별기의 판별 결과가 기 정의된 기준을 만족하면, 상기 제2 도메인의 제1 생성기의 학습을 완료하는, 동작 방법
|
12 |
12
제7항에서,상기 제1 도메인의 제1 생성기, 상기 제1 도메인의 제2 생성기, 상기 제2 도메인의 제1 생성기 및 상기 제2 도메인의 제2 생성기를 통해 변환된 이미지를 평가하는 단계를 더 포함하고,상기 평가 결과가 기 정의된 임계값을 충족하면, 학습이 완료되는, 동작 방법
|
13 |
13
조건부 순환 GAN(Conditional Cycle Generative Adversarial Networks) 모델을 이용하여 이미지의 도메인을 변환하는 프로그램을 저장하는 메모리, 그리고상기 프로그램을 실행하는 적어도 하나의 프로세서를 포함하고,상기 프로그램은,제1 도메인의 이미지와 상기 제1 도메인과 다른 제2 도메인의 이미지 간의 일대일 변환을 위하여 상기 조건부 순환 GAN(Conditional Cycle Generative Adversarial Networks) 모델을 학습시키고,실제(Real) 이미지와, 상기 제1 도메인인지 또는 상기 제2 도메인인지를 나타내는 조건부 확률값을 입력받으며, 상기 학습된 조건부 순환 GAN 모델을 이용하여 상기 실제 이미지를 상기 조건부 확률값에 대응하는 가상 이미지로 변환하는 명령어들(Instructions)을 포함하는, 컴퓨팅 장치
|
14 |
14
제13항에서,상기 조건부 순환 GAN 모델은,상기 제1 도메인의 제1 생성기, 상기 제1 도메인의 제2 생성기, 상기 제2 도메인의 제1 생성기 및 상기 제2 도메인의 제2 생성기를 포함하고,상기 제1 도메인의 실제 이미지와 상기 제1 도메인의 가상 이미지 간의 차이인 제1 순환 일관성 손실(Cycle Consistency loss) 및 상기 제2 도메인의 실제 이미지와 상기 제2 도메인의 가상 이미지 간의 차이인 제2 순환 일관성 손실의 합이 미리 설정한 기준에 부합하도록 학습되는, 컴퓨팅 장치
|
15 |
15
제14항에서,상기 조건부 순환 GAN 모델은,상기 제1 도메인의 실제 이미지와 상기 제2 도메인의 가상 이미지 간의 차이인 동일성 손실(Identify loss)과 상기 제2 도메인의 실제 이미지와 상기 제1 도메인의 가상 이미지 간의 차이인 동일성 손실의 합이 미리 설정한 기준에 부합하도록 학습되는, 컴퓨팅 장치
|