| 1 |
1
3D 이미지에 대한 분석을 위한 다중 인스턴스 학습 장치로서,다중 인스턴스 학습 모델이 저장된 메모리; 및상기 메모리와 전기적으로 연결된 적어도 하나의 프로세서를 포함하고,상기 다중 인스턴스 학습 모델은,입력되는 3D 이미지의 2D 인스턴스들(instances) 각각의 특징 맵(Feature Map)을 도출하는 합성곱(Convolution) 블록;상기 합성곱 블록으로부터 도출된 상기 특징 맵으로부터 상기 인스턴스들의 공간 어텐션 맵(Spatial Attention Map)을 도출하는 공간 어텐션 블록;상기 특징 맵과 상기 공간 어텐션 맵의 합성 결과를 입력 받아 인스턴스마다의 어텐션 스코어를 도출하고, 상기 어텐션 스코어에 따라 인스턴스들의 임베딩들(embeddings)을 종합하여 상기 3D 이미지에 대한 총합 임베딩(aggregated embedding)을 도출하는 인스턴스 어텐션 블록(Instance Attention Block); 및상기 총합 임베딩에 기초하여 상기 3D 이미지에 대한 분석 결과를 출력하는 출력 블록을 포함하는,다중 인스턴스 학습 장치
|
| 2 |
2
제 1 항에 있어서,상기 프로세서는, 상기 학습 모델의 훈련 페이즈에서, 상기 분석 결과에 대한 실제값(Ground-Truth)으로 레이블링된 3D 이미지를 포함한 훈련 데이터를 이용하여 상기 학습 모델의 전체 손실 함수(L)가 최소값을 가지도록 상기 학습 모델을 훈련시키는 동작을 수행하며,상기 전체 손실 함수는 상기 출력 블록의 결과에 대한 모음 레벨(Bag Level)의 손실 함수(LB) 및 상기 인스턴스 임베딩들과 상기 총합 임베딩 사이의 대조 손실 함수(LF)의 조합인,다중 인스턴스 학습 장치
|
| 3 |
3
제 2 항에 있어서,상기 다중 인스턴스 학습 모델을 훈련시키는 동작은, 상기 다중 인스턴스 학습 모델의 전체 손실 함수(L)가 최소값을 가지도록 상기 합성곱 블록, 상기 공간 어텐션 블록, 상기 인스턴스 어텐션 블록의 파라미터들을 조정하는 동작을 포함하는,다중 인스턴스 학습 장치
|
| 4 |
4
제 2 항에 있어서,상기 전체 손실 함수(L)는 아래의 수학식 1로 표현되는,다중 인스턴스 학습 장치
|
| 5 |
5
제 2 항에 있어서,상기 모음 레벨(Bag Level)의 손실 함수(LB)는 아래의 수학식 2로 표현되고, 상기 대조 손실 함수(LF)는 아래의 수학식 3으로 표현되는,다중 인스턴스 학습 장치
|
| 6 |
6
3D 이미지에 대한 분석을 위한 다중 인스턴스 학습 장치로서,적어도 하나의 명령어를 저장하는 메모리; 및상기 메모리와 연동되어 상기 명령어를 실행하는 적어도 하나의 프로세서를 포함하되,상기 명령어는 상기 프로세서에 의해 실행될 때, 상기 프로세서로 하여금,다중 인스턴스 학습 모델에 입력되는 3D 이미지의 2D 인스턴스들(instances) 각각의 특징 맵(Feature Map)을 도출하는 동작;도출된 상기 특징 맵으로부터 상기 인스턴스들의 공간 어텐션 맵(Spatial Attention Map)을 도출하는 동작;상기 특징 맵과 상기 공간 어텐션 맵의 합성 결과를 입력 받아 인스턴스마다의 어텐션 스코어를 도출하는 동작;상기 어텐션 스코어에 따라 인스턴스들의 임베딩들(embeddings)을 종합하여 상기 3D 이미지에 대한 총합 임베딩(aggregated embedding)을 도출하는 동작; 및상기 총합 임베딩에 기초하여 상기 3D 이미지에 대한 분석 결과를 출력하는 동작을 수행하도록 하는, 다중 인스턴스 학습 장치
|
| 7 |
7
제 6 항에 있어서,상기 프로세서는, 상기 다중 인스턴스 학습 모델의 훈련 페이즈에서, 상기 분석 결과에 대한 실제값(Ground-Truth)으로 레이블링된 3D 이미지를 포함한 훈련 데이터를 이용하여 상기 다중 인스턴스 학습 모델의 전체 손실 함수(L)가 최소값을 가지도록 상기 다중 인스턴스 학습 모델을 훈련시키는 동작을 수행하며,상기 전체 손실 함수는 상기 출력 블록의 결과에 대한 모음 레벨(Bag Level)의 손실 함수(LB) 및 상기 인스턴스 임베딩들과 상기 총합 임베딩 사이의 대조 손실 함수(LF)의 조합인,다중 인스턴스 학습 장치
|
| 8 |
8
제 7 항에 있어서,상기 다중 인스턴스 학습 모델을 훈련시키는 동작은, 상기 다중 인스턴스 학습 모델의 전체 손실 함수(L)가 최소값을 가지도록 상기 특징 맵을 도출하는 동작, 상기 공간 어텐션 맵을 도출하는 동작, 상기 어텐션 스코어를 도출하는 동작, 상기 총합 임베딩을 도출하는 동작에서 사용되는 파라미터들을 조정하는 동작을 포함하는,다중 인스턴스 학습 장치
|
| 9 |
9
제 7 항에 있어서,상기 전체 손실 함수(L)는 아래의 수학식 1로 표현되는,다중 인스턴스 학습 장치
|
| 10 |
10
제 7 항에 있어서,상기 모음 레벨(Bag Level)의 손실 함수(LB)는 아래의 수학식 2로 표현되고, 상기 대조 손실 함수(LF)는 아래의 수학식 3으로 표현되는,다중 인스턴스 학습 장치
|
| 11 |
11
컴퓨팅 장치 또는 컴퓨팅 네트워크에서 적어도 하나의 프로세서에 의해 수행되는 3D 이미지 분석을 위한 다중 인스턴스 학습 방법으로서,다중 인스턴스 학습 모델에 입력되는 3D 이미지의 2D 인스턴스들(instances) 각각의 특징 맵(Feature Map)을 도출하는 단계;도출된 상기 특징 맵으로부터 상기 인스턴스들의 공간 어텐션 맵(Spatial Attention Map)을 도출하는 단계;상기 특징 맵과 상기 공간 어텐션 맵의 합성 결과를 입력 받아 인스턴스마다의 어텐션 스코어를 도출하는 단계;상기 어텐션 스코어에 따라 인스턴스들의 임베딩들(embeddings)을 종합하여 상기 3D 이미지에 대한 총합 임베딩(aggregated embedding)을 도출하는 단계; 및상기 총합 임베딩에 기초하여 상기 3D 이미지에 대한 분석 결과를 출력하는 단계를 포함하는, 다중 인스턴스 학습 방법
|
| 12 |
12
제 11 항에 있어서,상기 3D 이미지는 상기 분석 결과에 대한 실제값(Ground-Truth)으로 레이블링되고,상기 다중 인스턴스 학습 방법은,상기 다중 인스턴스 학습 모델의 훈련 페이즈에서, 레이블링된 상기 3D 이미지를 포함한 훈련 데이터를 이용하여 상기 다중 인스턴스 학습 모델의 전체 손실 함수(L)가 최소값을 가지도록 상기 다중 인스턴스 학습 모델을 훈련시키는 단계를 더 포함하고,상기 전체 손실 함수는 상기 출력 블록의 결과에 대한 모음 레벨(Bag Level)의 손실 함수(LB) 및 상기 인스턴스 임베딩들과 상기 총합 임베딩 사이의 대조 손실 함수(LF)의 조합인,다중 인스턴스 학습 방법
|
| 13 |
13
제 12 항에 있어서,상기 다중 인스턴스 학습 모델을 훈련시키는 단계는, 상기 다중 인스턴스 학습 모델의 전체 손실 함수(L)가 최소값을 가지도록 상기 특징 맵을 도출하는 단계, 상기 공간 어텐션 맵을 도출하는 단계, 상기 어텐션 스코어를 도출하는 단계, 상기 총합 임베딩을 도출하는 단계에서 사용되는 파라미터들을 조정하는 단계를 포함하는,다중 인스턴스 학습 방법
|
| 14 |
14
제 12 항에 있어서,상기 전체 손실 함수(L)는 아래의 수학식 1로 표현되는,다중 인스턴스 학습 방법
|
| 15 |
15
제 12 항에 있어서,상기 모음 레벨(Bag Level)의 손실 함수(LB)는 아래의 수학식 2로 표현되고, 상기 대조 손실 함수(LF)는 아래의 수학식 3으로 표현되는,다중 인스턴스 학습 방법
|
