| 1 |
1
위성 영상 처리 시스템에 있어서,입력된 저해상도 위성 영상을 기반으로 점상 강도 분포 함수를 추정하기 위한 프로그램이 저장된 메모리 및 상기 메모리에 저장된 프로그램을 실행시키는 프로세서를 포함하고,상기 프로세서는 프로그램을 실행시킴에 따라, 상기 입력된 저해상도 위성 영상을 선형 네트워크를 포함하는 생산적 적대 신경망(Generative Adversarial Network)에 입력하여 점상 강도 분포 함수를 추정하고, 상기 저해상도 위성 영상의 그래디언트 확률 분포에 기초하여 고해상도 위성 영상 복원을 위한 비용 함수를 정규화하고 최적해를 산출하며, 상기 최적해의 정확도를 산출하여 상기 생산적 적대 신경망의 손실함수에 반영하며, 상기 손실함수는 하기 식 4와 같이 표현되며, 추정된 점상 강도 분포 함수에 대한 제약 조건() 및 상기 정규화를 통해 최적화된 비용함수의 최적해를 기반으로 하는 제약 조건()을 포함하는 것인 위성 영상 처리 시스템
|
| 2 |
2
제1항에 있어서,상기 프로세서는 하기 식 1 및 식 2에 따라, 상기 저해상도 위성 영상을 상기 생산적 적대 신경망의 계층의 개수가 개인 생산자(Generator)에 입력하여 획득되는 출력()으로부터 상기 점상 강도 분포 함수()를 추정하되, 상기 생산자는 합성곱 신경망으로 구성되며 활성화 계층이 제외된 선형 네트워크로 구성되는 것인,위성 영상 처리 시스템
|
| 3 |
3
제2항에 있어서,상기 프로세서는 상기 생산자를 통해 상기 저해상도 위성 영상에 대하여 상기 합성곱 신경망의 계층( ~ )의 변수를 손실 함수가 감소하는 방향으로 최적화하여 상기 점상 강도 분포 함수를 추정하는 것인,위성 영상 처리 시스템
|
| 4 |
4
제2항에 있어서,상기 프로세서는 상기 그래디언트 확률 분포에 최대 사후 확률을 적용하여 하기 식 3에 따른 충실도 항(data fidelity term) 및 정규화 항(regularization term)으로 구성된 비용함수를 산출하는 것인,위성 영상 처리 시스템
|
| 5 |
5
제1항에 있어서,상기 생산적 적대 신경망의 판별자(Discriminator)는 비선형 네트워크로 구성되며, 합성곱 계층, 배치 정규화 및 활성화 계층이 반복되는 구조로 구성되고,상기 활성화 계층은 마지막 계층을 제외한 계층에 ReLU(Rectified Linear Unit) 함수가 적용되고, 마지막 계층에는 Sigmoid 함수가 적용되는 것인,위성 영상 처리 시스템
|
| 6 |
6
제1항에 있어서,상기 생산적 적대 신경망의 생산자에 의해 생성된 위성 영상을 판별자가 수신하면, 상기 판별자가 상기 생성된 위성 영상의 진위 여부에 대한 판별 결과 및 손실 함수를 상기 생산자로 전달하고, 상기 판별 결과 및 손실 함수에 기초하여 상기 생산자를 학습하는 것인,위성 영상 처리 시스템
|
| 7 |
7
제1항에 있어서,상기 생산적 적대 신경망의 판별자가 생산자에 의해 생성된 가짜 위성 영상 및 상기 입력된 위성 영상으로부터 획득된 진짜 위성 영상에 대한 각 손실 함수를 산출하고, 상기 각 손실 함수의 차이에 기초하여 상기 판별자를 학습하는 것인,위성 영상 처리 시스템
|
| 8 |
8
삭제
|
| 9 |
9
위성 영상 처리 시스템에 의해 수행되는 방법에 있어서,선형 네트워크를 포함하는 생산적 적대 신경망(Generative Adversarial Network)를 통해 입력된 저해상도 위성 영상으로부터 점상 강도 분포 함수를 추정하는 단계; 상기 저해상도 위성 영상의 그래디언트 확률 분포에 기초하여 고해상도 위성 영상 복원을 위한 비용 함수를 정규화하고 최적해를 산출하는 단계; 및상기 최적해의 정확도를 산출하여 상기 생산적 적대 신경망의 손실함수에 반영하는 단계를 포함하고, 상기 저해상도 위성 영상의 그래디언트 확률 분포에 기초하여 고해상도 위성 영상 복원을 위한 비용 함수를 정규화하고 최적해를 산출하는 단계는,상기 그래디언트 확률 분포에 최대 사후 확률을 적용하여 하기 식 3에 따른 충실도 항(data fidelity term) 및 정규화 항(regularization term)으로 구성된 비용함수를 산출하는 것인 위성 영상 기반의 점상 강도 분포 함수 추정 방법
|
| 10 |
10
제9항에 있어서,상기 생산적 적대 신경망을 통해 입력된 저해상도 위성 영상으로부터 점상 강도 분포 함수를 추정하는 단계는,하기 식 1 및 식 2에 따라, 상기 저해상도 위성 영상을 상기 생산적 적대 신경망의 계층의 개수가 개인 생산자(Generator)에 입력하여 획득되는 출력()으로부터 상기 점상 강도 분포 함수()를 추정하되, 상기 생산자는 합성곱 신경망으로 구성되며 활성화 계층이 제외된 선형 네트워크로 구성되는 것인,위성 영상 기반의 점상 강도 분포 함수 추정 방법
|
| 11 |
11
제10항에 있어서,상기 생산적 적대 신경망을 통해 입력된 저해상도 위성 영상으로부터 점상 강도 분포 함수를 추정하는 단계는,상기 생산자를 통해 상기 저해상도 위성 영상에 대하여 상기 합성곱 신경망의 계층( ~ )의 변수를 손실 함수가 감소하는 방향으로 최적화하여 상기 점상 강도 분포 함수를 추정하는 것인,위성 영상 기반의 점상 강도 분포 함수 추정 방법
|
| 12 |
12
삭제
|
| 13 |
13
제9항에 있어서,상기 생산적 적대 신경망의 판별자(Discriminator)는 비선형 네트워크로 구성되며, 합성곱 계층, 배치 정규화 및 활성화 계층이 반복되는 구조로 구성되고,상기 활성화 계층은 마지막 계층을 제외한 계층에 ReLU(Rectified Linear Unit) 함수가 적용되고, 마지막 계층에는 Sigmoid 함수가 적용되는 것인,위성 영상 기반의 점상 강도 분포 함수 추정 방법
|
| 14 |
14
제9항에 있어서,상기 생산적 적대 신경망의 생산자에 의해 생성된 위성 영상을 판별자가 수신하는 단계;상기 판별자가 상기 생성된 위성 영상의 진위 여부에 대한 판별 결과 및 손실 함수를 상기 생산자로 전달하는 단계; 및상기 판별 결과 및 손실 함수에 기초하여 상기 생산자를 학습하는 단계를 더 포함하는,위성 영상 기반의 점상 강도 분포 함수 추정 방법
|
| 15 |
15
제9항에 있어서,상기 생산적 적대 신경망의 판별자가 생산자에 의해 생성된 가짜 위성 영상 및 상기 입력된 위성 영상으로부터 획득된 진짜 위성 영상에 대한 각 손실 함수를 산출하는 단계; 및상기 각 손실 함수의 차이에 기초하여 상기 판별자를 학습하는 단계를 더 포함하는, 위성 영상 기반의 점상 강도 분포 함수 추정 방법
|
