| 1 |
1
딥 러닝(DEEP LEARNING)을 통해 확장 컨볼루션(DILATED CONVOLUTION)의 커널(KERNEL)에 대한 가중치 행렬(WEIGHT MATRIX)을 학습하는 단계;학습된 가중치 행렬을 기반으로 비정형 커널 패턴을 생성하는 단계; 및확장 컨볼루션 뉴럴 네트워크(DILATED CONVOLUTIONAL NERUAL NETWORK)의 커널에 상기 비정형 커널 패턴을 적용하여 입력 데이터에 대해 확장 컨볼루션 연산을 수행하는 단계를 포함하는 것을 특징으로 하는 확장 컨볼루션 연산 수행 방법
|
| 2 |
2
청구항 1에 있어서,상기 학습하는 단계는상기 가중치 행렬에서 가중치가 0이 아닌 타겟 원소의 위치를 정규화(REGULARIZATION) 기법을 적용한 손실함수(LOSS FUNCTION)의 값이 최소화되는 방향으로 이동시키는 단계를 포함하는 것을 특징으로 하는 확장 컨볼루션 연산 수행 방법
|
| 3 |
3
청구항 2에 있어서,상기 학습하는 단계는상기 가중치 행렬의 공간 정보를 기반으로 정의된 학습 파라미터를 고려하여 커널의 자유도에 따라 설정된 제약조건을 만족하도록 학습을 수행하는 것을 특징으로 하는 확장 컨볼루션 연산 수행 방법
|
| 4 |
4
청구항 3에 있어서,상기 학습 파라미터는베이스 커널 사이즈(BASE KERNEL SIZE), 리셉티브 필드 사이즈(RECEPTIVE FIELD SIZE) 및 상기 리셉티브 필드 사이즈를 상기 베이스 커널 사이즈로 나눈 값에 상응하는 희소성(SPARSITY)을 포함하는 것을 특징으로 하는 확장 컨볼루션 연산 수행 방법
|
| 5 |
5
청구항 4에 있어서,상기 학습하는 단계는 상기 리셉티브 필드 사이즈 및 상기 희소성을 유지하면서 학습을 수행하는 것을 특징으로 하는 확장 컨볼루션 연산 수행 방법
|
| 6 |
6
청구항 3에 있어서,상기 비정형 커널 패턴은상기 제약조건에 따라 완전 자유 형태, 꼭지점 고정 형태, 모서리 제한 형태 및 그룹 제한 형태 중 어느 하나의 형태에 상응하는 것을 특징으로 하는 확장 컨볼루션 연산 수행 방법
|
| 7 |
7
청구항 2에 있어서,상기 이동시키는 단계는상기 타겟 원소의 가중치 손실 값이 정규화를 위한 근사 연산자의 하이퍼 파라미터보다 크면 상기 타겟 원소의 위치를 복수개의 인접 원소들 중 어느 한 곳으로 이동시키는 것을 특징으로 하는 확장 컨볼루션 연산 수행 방법
|
| 8 |
8
청구항 7에 있어서, 상기 복수개의 인접 원소들은 상기 타겟 원소와 인접하면서 가중치가 0인 원소에 상응하는 것을 특징으로 하는 확장 컨볼루션 연산 수행 방법
|
| 9 |
9
청구항 8에 있어서,상기 이동시키는 단계는상기 복수개의 인접 원소들을 향하는 방향에서 각각 가장 가까운 거리에 위치하는 활성화 원소의 희소화 코딩 값을 고려하여 상기 타겟 원소의 이동 방향을 결정하는 것을 특징으로 하는 확장 컨볼루션 연산 수행 방법
|
| 10 |
10
청구항 2에 있어서,상기 이동시키는 단계는상기 타겟 원소를 현재 위치에서 이동시킨 후 상기 현재 위치에 상응하는 원소의 가중치는 0으로 설정하는 것을 특징으로 하는 확장 컨볼루션 연산 수행 방법
|
| 11 |
11
딥 러닝(DEEP LEARNING)을 통해 확장 컨볼루션(DILATED CONVOLUTION)의 커널(KERNEL)에 대한 가중치 행렬(WEIGHT MATRIX)을 학습하고, 학습된 가중치 행렬을 기반으로 비정형 커널 패턴을 생성하고, 확장 컨볼루션 뉴럴 네트워크(DILATED CONVOLUTIONAL NERUAL NETWORK)의 커널에 상기 비정형 커널 패턴을 적용하여 입력 데이터에 대해 확장 컨볼루션 연산을 수행하는 프로세서; 및상기 비정형 커널 패턴을 저장하는 메모리를 포함하는 것을 특징으로 하는 확장 컨볼루션 뉴럴 네트워크 시스템
|
| 12 |
12
청구항 11에 있어서,상기 프로세서는상기 가중치 행렬에서 가중치가 0이 아닌 타겟 원소의 위치를 정규화(REGULARIZATION) 기법을 적용한 손실함수(LOSS FUNCTION)의 값이 최소화되는 방향으로 이동시키는 것을 특징으로 하는 확장 컨볼루션 뉴럴 네트워크 시스템
|
| 13 |
13
청구항 12에 있어서,상기 프로세서는상기 가중치 행렬의 공간 정보를 기반으로 정의된 학습 파라미터를 고려하여 커널의 자유도에 따라 설정된 제약조건을 만족하도록 학습을 수행하는 것을 특징으로 하는 확장 컨볼루션 뉴럴 네트워크 시스템
|
| 14 |
14
청구항 13에 있어서,상기 학습 파라미터는베이스 커널 사이즈(BASE KERNEL SIZE), 리셉티브 필드 사이즈(RECEPTIVE FIELD SIZE) 및 상기 리셉티브 필드 사이즈를 상기 베이스 커널 사이즈로 나눈 값에 상응하는 희소성(SPARSITY)을 포함하는 것을 특징으로 하는 확장 컨볼루션 뉴럴 네트워크 시스템
|
| 15 |
15
청구항 14에 있어서,상기 프로세서는상기 리셉티브 필드 사이즈 및 상기 희소성을 유지하면서 학습을 수행하는 것을 특징으로 하는 확장 컨볼루션 뉴럴 네트워크 시스템
|
| 16 |
16
청구항 13에 있어서,상기 비정형 커널 패턴은상기 제약조건에 따라 완전 자유 형태, 꼭지점 고정 형태, 모서리 제한 형태 및 그룹 제한 형태 중 어느 하나의 형태에 상응하는 것을 특징으로 하는 확장 컨볼루션 뉴럴 네트워크 시스템
|
| 17 |
17
청구항 12에 있어서,상기 프로세서는상기 타겟 원소의 가중치 손실 값이 정규화를 위한 근사 연산자의 하이퍼 파라미터보다 크면 상기 타겟 원소의 위치를 복수개의 인접 원소들 중 어느 한 곳으로 이동시키는 것을 특징으로 하는 확장 컨볼루션 뉴럴 네트워크 시스템
|
| 18 |
18
청구항 17에 있어서,상기 복수개의 인접 원소들은 상기 타겟 원소와 인접하면서 가중치가 0인 원소에 상응하는 것을 특징으로 하는 확장 컨볼루션 뉴럴 네트워크 시스템
|
| 19 |
19
청구항 18에 있어서,상기 프로세서는상기 복수개의 인접 원소들을 향하는 방향에서 각각 가장 가까운 거리에 위치하는 활성화 원소의 희소화 코딩 값을 고려하여 상기 타겟 원소의 이동 방향을 결정하는 것을 특징으로 하는 확장 컨볼루션 뉴럴 네트워크 시스템
|
| 20 |
20
청구항 12에 있어서,상기 프로세서는상기 타겟 원소를 현재 위치에서 이동시킨 후 상기 현재 위치에 상응하는 원소의 가중치는 0으로 설정하는 것을 특징으로 하는 확장 컨볼루션 뉴럴 네트워크 시스템
|
