| 1 |
1
적어도 하나의 프로세서에 의해 수행되는 이미지 정합을 위한 메타 학습 기반 이미지 정합 모델 생성 방법으로서,도메인이 서로 다른 복수의 소스 데이터로 초기 정합 모델을 사전 학습하는 단계;상기 소스 데이터에서 태스크 레벨의 태스크 소스 데이터를 추출하는 단계; 및상기 태스크 소스 데이터로 상기 사전 학습한 정합 모델을 그래디언트(gradient) 기반 메타 학습 알고리즘으로 메타 학습하는 단계를 포함하는,메타 학습 기반 이미지 정합 모델 생성 방법
|
| 2 |
2
제 1 항에 있어서,상기 사전 학습한 정합 모델은, 훈련 페이즈(training phase)를 거쳐 훈련되고,상기 훈련 페이즈는,상기 소스 데이터의 이동 이미지와 고정 이미지 쌍을 획득하는 단계;상기 이동 이미지와 상기 고정 이미지에 대한 변위(displacement) 맵을 예측하는 단계;공간 변환기를 이용하여 상기 변위 맵이 반영된 변형 이미지를 생성하는 단계; 및상기 변형 이미지와 고정 이미지 사이의 손실 함수를 수렴(convergence)시키는 단계를 포함하는,메타 학습 기반 이미지 정합 모델 생성 방법
|
| 3 |
3
제 1 항에 있어서,상기 메타 학습하는 단계는,상기 태스크 소스 데이터의 이동 이미지와 고정 이미지 쌍을 무작위로 선택하는 단계; 및상기 태스크 소스 데이터를 기반으로 상기 사전 학습한 정합 모델을 태스크 레벨에서 학습하여 메타 지식을 획득하는 단계를 포함하는,메타 학습 기반 이미지 정합 모델 생성 방법
|
| 4 |
4
제 3 항에 있어서,상기 메타 지식을 획득하는 단계는,상기 이동 이미지와 상기 고정 이미지에 대한 변위 맵을 예측하는 단계;공간 변환기를 이용하여 상기 변위 맵이 반영된 변형 이미지를 생성하는 단계; 및상기 변형 이미지와 고정 이미지 사이의 손실이 최소화되도록 최적화하는 단계를 포함하는,메타 학습 기반 이미지 정합 모델 생성 방법
|
| 5 |
5
제 4 항에 있어서,상기 최적화하는 단계는,상기 변형 이미지와 상기 고정 이미지 사이의 상호 상관(cross-correlation)을 산출하는 단계; 및상기 변위 맵에 대한 평탄화 손실을 산출하는 단계를 포함하는,메타 학습 기반 이미지 정합 모델 생성 방법
|
| 6 |
6
제 5 항에 있어서,상기 최적화하는 단계는,상기 변형 이미지 M()와 상기 고정 이미지 F 사이의 상호 상관 과, 상기 변위 맵에 대한 평탄화 손실 을 기반으로 한 손실함수인 수학식 1의 수렴을 통해 수행되며,M은 이동 이미지, 는 그래디언트 정규화 파라미터이고, CC는 교차-상관(Cross-Correlation)이고, 는 상기 정합 모델에 대응하는 변형 맵인,메타 학습 기반 이미지 정합 모델 생성 방법
|
| 7 |
7
제 3 항에 있어서,상기 메타 학습하는 단계 이후에,상기 메타 지식이 획득된 정합 모델의 테스트를 수행하는 단계를 더 포함하되,상기 테스트를 수행하는 단계는,태스크 레벨의 타겟 데이터를 이용하여 상기 메타 지식이 획득된 정합 모델의 미세 조정(Fine-tuning)을 수행하는 단계를 포함하는,메타 학습 기반 이미지 정합 모델 생성 방법
|
| 8 |
8
제 7 항에 있어서,상기 테스트를 수행하는 단계는,상기 메타 지식이 획득된 정합 모델의 파라미터와 상기 미세 조정된 정합 모델의 파라미터의 그래디언트 기반 최적화를 수행하는 단계를 포함하는,메타 학습 기반 이미지 정합 모델 생성 방법
|
| 9 |
9
제 8 항에 있어서,상기 그래디언트 기반 최적화를 수행하는 단계는,상기 메타 지식이 획득된 정합 모델의 파라미터 와 상기 미세 조정된 정합 모델의 파라미터 를 이용하여 수학식 2에 기반하여 수행되며, 는 러닝 레이트이고, m은 상기 미세 조정을 수행하기 위한 메타 학습 시 사용되는 태스크들의 수인,메타 학습 기반 이미지 정합 모델 생성 방법
|
| 10 |
10
적어도 하나의 프로세서에 의해 실행될 때, 상기 적어도 하나의 프로세서로 하여금 제 1 항 내지 제 9 항 중 어느 하나의 항의 방법을 수행하게 하는 프로그램이 기록된, 컴퓨터에서 판독 가능한 기록 매체
|
| 11 |
11
메타 학습 기반 이미지 정합 모델 생성 장치로서,메모리; 및상기 메모리와 연결되고, 상기 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,상기 적어도 하나의 프로세서는,도메인이 서로 다른 복수의 소스 데이터로 초기 정합 모델을 사전 학습하는 동작,상기 소스 데이터에서 태스크 레벨의 태스크 소스 데이터를 추출하는 동작, 및상기 태스크 소스 데이터로 상기 사전 학습한 정합 모델을 그래디언트(gradient) 기반 메타 학습 알고리즘으로 메타 학습하는 동작을 수행하도록 설정되는,메타 학습 기반 이미지 정합 모델 생성 장치
|
| 12 |
12
제 11 항에 있어서,상기 사전 학습한 정합 모델은, 훈련 페이즈(training phase)에 의해 훈련되고,상기 훈련 페이즈는,상기 소스 데이터의 이동 이미지와 고정 이미지 쌍을 획득하는 단계;상기 이동 이미지와 상기 고정 이미지에 대한 변위(displacement) 맵을 예측하는 단계;공간 변환기를 이용하여 상기 변위 맵이 반영된 변형 이미지를 생성하는 단계; 및상기 변형 이미지와 고정 이미지 사이의 손실 함수를 수렴(convergence)시키는 단계를 포함하는,메타 학습 기반 이미지 정합 모델 생성 장치
|
| 13 |
13
제 11 항에 있어서,상기 메타 학습하는 동작은,상기 태스크 소스 데이터의 이동 이미지와 고정 이미지 쌍을 무작위로 선택하는 동작, 및상기 태스크 소스 데이터를 기반으로 상기 사전 학습한 정합 모델을 태스크 레벨에서 학습하여 메타 지식을 획득하는 동작을 포함하는,메타 학습 기반 이미지 정합 모델 생성 장치
|
| 14 |
14
제 13 항에 있어서,상기 메타 지식을 획득하는 동작은,상기 이동 이미지와 상기 고정 이미지에 대한 변위 맵을 예측하는 동작,공간 변환기를 이용하여 상기 변위 맵이 반영된 변형 이미지를 생성하는 동작, 및상기 변형 이미지와 고정 이미지 사이의 손실이 최소화되도록 최적화하는 동작을 포함하는,메타 학습 기반 이미지 정합 모델 생성 장치
|
| 15 |
15
제 14 항에 있어서,상기 최적화하는 동작은,상기 변형 이미지와 상기 고정 이미지 사이의 상호 상관(cross-correlation)을 산출하는 동작, 및상기 변위 맵에 대한 평탄화 손실을 산출하는 동작을 포함하는,메타 학습 기반 이미지 정합 모델 생성 장치
|
| 16 |
16
제 15 항에 있어서,상기 최적화하는 동작은,상기 변형 이미지 M()와 상기 고정 이미지 F 사이의 상호 상관 과, 상기 변위 맵에 대한 평탄화 손실 을 기반으로 한 손실함수인 수학식 1의 수렴을 통해 수행되며,M은 이동 이미지, 는 그래디언트 정규화 파라미터이고, CC는 교차-상관(Cross-Correlation)이고, 는 상기 정합 모델에 대응하는 변형 맵인,메타 학습 기반 이미지 정합 모델 생성 장치
|
| 17 |
17
제 13 항에 있어서,상기 메타 지식이 획득된 정합 모델의 테스트를 수행하는 동작을 더 포함하되,상기 테스트를 수행하는 동작은,태스크 레벨의 타겟 데이터를 이용하여 상기 메타 지식이 획득된 정합 모델의 미세 조정(Fine-tuning)을 수행하는 동작을 포함하는,메타 학습 기반 이미지 정합 모델 생성 장치
|
| 18 |
18
제 17 항에 있어서,상기 테스트를 수행하는 동작은,상기 메타 지식이 획득된 정합 모델의 파라미터와 상기 미세 조정된 정합 모델의 파라미터의 그래디언트 기반 최적화를 수행하는 동작을 포함하는,메타 학습 기반 이미지 정합 모델 생성 장치
|
| 19 |
19
제 18 항에 있어서,상기 그래디언트 기반 최적화를 수행하는 동작은,상기 메타 지식이 획득된 정합 모델의 파라미터 와 상기 미세 조정된 정합 모델의 파라미터 를 이용하여 수학식 2에 기반하여 수행되며, 는 러닝 레이트이고, m은 상기 미세 조정을 수행하기 위한 메타 학습 시 사용되는 태스크들의 수인,메타 학습 기반 이미지 정합 모델 생성 장치
|
