1 |
1
클래스별로 라벨링된 학습 데이터를 식별하는 단계;이전 에포크(epoch)에서 계산된 딥러닝 모델의 예측 정확도를 나타내는 전체 인식 성능에 기초하여, 상기 학습 데이터를 증강할지 여부를 판단하는 단계;판단된 상기 학습 데이터의 증강 여부에 따라, 이전 에포크에서 계산된 상기 딥러닝 모델의 클래스별 예측 정확도를 나타내는 클래스별 인식 성능에 기초하여 상기 학습 데이터를 증강하는 단계;판단된 상기 학습 데이터의 증강 여부에 따라, 상기 학습 데이터 또는 증강된 상기 학습 데이터를 상기 딥러닝 모델에 입력하여, 상기 클래스를 예측하는 단계;상기 라벨링된 클래스 및 상기 예측된 클래스에 기초하여, 상기 딥러닝 모델을 학습시키는 단계를 포함하는, 딥러닝 모델 학습 방법
|
2 |
2
제1항에 있어서,상기 학습 데이터를 증강할지 여부를 판단하는 단계는,상기 전체 인식 성능이 설정된 제1 임계값보다 큰 경우, 상기 학습 데이터를 증강하는 것으로 판단하는, 딥러닝 모델 학습 방법
|
3 |
3
제1항에 있어서,상기 학습 데이터를 증강하는 단계는,상기 전체 인식 성능, 상기 클래스별 인식 성능 중 최대값 및 상기 전체 인식 성능과 상기 클래스별 인식 성능 중 최대값의 반영 비율을 결정하는 스케일 지수를 이용하여 제2 임계값을 계산하는 단계 및상기 클래스별 인식 성능이 상기 제2 임계값보다 작은 클래스의 상기 학습 데이터를 증강하는 단계를 포함하는, 딥러닝 모델 학습 방법
|
4 |
4
제3항에 있어서,상기 제2 임계값을 계산하는 단계는,상기 스케일 지수가 클수록 상기 클래스별 인식 성능 중 최대값의 반영 비율이 높고, 상기 스케일 지수가 작을수록, 상기 전체 인식 성능의 반영 비율이 높게 상기 제2 임계값을 계산하는, 딥러닝 모델 학습 방법
|
5 |
5
제3항에 있어서,상기 클래스별 인식 성능이 상기 제2 임계값보다 작은 클래스의 상기 학습 데이터를 증강하는 단계는,상기 제2 임계값 및 상기 클래스별 인식 성능에 기초하여 적용 확률을 계산하는 단계 및상기 적용 확률에 기초하여, 상기 학습 데이터 각각의 증강 여부를 판단하는 단계를 포함하는, 딥러닝 모델 학습 방법
|
6 |
6
제5항에 있어서,상기 적용 확률을 계산하는 단계는,상기 제2 임계값에서 상기 클래스별 인식 성능을 뺀 값에 기초하여, 상기 클래스별로 상기 적용 확률을 계산하는, 딥러닝 모델 학습 방법
|
7 |
7
제1항에 있어서,상기 딥러닝 모델의 성능을 평가하기 위한 검증 데이터를 이용하여, 상기 전체 인식 성능 및 상기 클래스별 인식 성능을 갱신하는 단계 및갱신된 상기 전체 인식 성능과 이전 에포크에서 계산된 상기 전체 인식 성능에 기초하여, 상기 딥러닝 모델의 학습을 종료할지 여부를 판단하는 단계를 더 포함하는, 딥러닝 모델 학습 방법
|
8 |
8
제1항에 있어서,상기 학습 데이터는,개별 음향 객체에 대응하는 음향 이벤트 또는 상기 개별 음향 객체의 조합에 대응하는 음향 장면으로 라벨링된 음향 데이터를 포함하고,상기 딥러닝 모델은,상기 음향 데이터를 입력하여 상기 음향 이벤트 또는 상기 음향 장면을 예측하도록 학습되는, 딥러닝 모델 학습 방법
|
9 |
9
입력 데이터 및 학습된 딥러닝 모델을 식별하는 단계 및식별된 상기 입력 데이터를 상기 딥러닝 모델에 입력하여, 상기 입력 데이터의 클래스를 예측하는 단계를 포함하고,상기 딥러닝 모델은,상기 클래스별로 라벨링된 학습 데이터를 식별하고, 이전 에포크(epoch)에서 계산된 딥러닝 모델의 예측 정확도를 나타내는 전체 인식 성능에 기초하여, 상기 학습 데이터를 증강할지 여부를 판단하고, 판단된 상기 학습 데이터의 증강 여부에 따라, 이전 에포크에서 계산된 상기 딥러닝 모델의 클래스별 예측 정확도를 나타내는 클래스별 인식 성능에 기초하여 상기 학습 데이터를 증강하고, 판단된 상기 학습 데이터의 증강 여부에 따라, 상기 학습 데이터 또는 증강된 상기 학습 데이터를 상기 딥러닝 모델에 입력하여, 상기 클래스를 예측하고, 상기 라벨링된 클래스 및 상기 예측된 클래스에 기초하여 학습된, 클래스 예측 방법
|
10 |
10
제9항에 있어서,상기 딥러닝 모델은,상기 전체 인식 성능이 설정된 제1 임계값보다 큰 경우, 상기 학습 데이터를 증강하는 것으로 판단되어 학습되는, 클래스 예측 방법
|
11 |
11
제9항에 있어서,상기 딥러닝 모델은,상기 전체 인식 성능, 상기 클래스별 인식 성능 중 최대값 및 상기 전체 인식 성능과 상기 클래스별 인식 성능 중 최대값의 반영 비율을 결정하는 스케일 지수를 이용하여 제2 임계값을 계산하고, 상기 클래스별 인식 성능이 상기 제2 임계값보다 작은 클래스의 상기 학습 데이터가 증강되어 학습되는, 클래스 예측 방법
|
12 |
12
제11항에 있어서,상기 딥러닝 모델은,상기 스케일 지수가 클수록 상기 클래스별 인식 성능 중 최대값의 반영 비율이 높고, 상기 스케일 지수가 작을수록, 상기 전체 인식 성능의 반영 비율이 높게 상기 제2 임계값을 계산하여 학습되는, 클래스 예측 방법
|
13 |
13
제11항에 있어서,상기 딥러닝 모델은,상기 제2 임계값 및 상기 클래스별 인식 성능에 기초하여 적용 확률을 계산하고, 상기 적용 확률에 기초하여, 상기 학습 데이터 각각의 증강 여부를 판단하여 학습되는, 클래스 예측 방법
|
14 |
14
전자 장치에 있어서,프로세서를 포함하고,상기 프로세서는,입력 데이터 및 학습된 딥러닝 모델을 식별하고, 식별된 상기 입력 데이터를 상기 딥러닝 모델에 입력하여 상기 입력 데이터의 클래스를 예측하고,상기 딥러닝 모델은,상기 클래스별로 라벨링된 학습 데이터를 식별하고, 이전 에포크(epoch)에서 계산된 딥러닝 모델의 예측 정확도를 나타내는 전체 인식 성능에 기초하여, 상기 학습 데이터를 증강할지 여부를 판단하고, 판단된 상기 학습 데이터의 증강 여부에 따라, 이전 에포크에서 계산된 상기 딥러닝 모델의 클래스별 예측 정확도를 나타내는 클래스별 인식 성능에 기초하여 상기 학습 데이터를 증강하고, 판단된 상기 학습 데이터의 증강 여부에 따라, 상기 학습 데이터 또는 증강된 상기 학습 데이터를 상기 딥러닝 모델에 입력하여, 상기 클래스를 예측하고, 상기 라벨링된 클래스 및 상기 예측된 클래스에 기초하여 학습되는, 전자 장치
|
15 |
15
제14항에 있어서,상기 딥러닝 모델은,상기 전체 인식 성능이 설정된 제1 임계값보다 큰 경우, 상기 학습 데이터를 증강하는 것으로 판단되어 학습되는, 전자 장치
|
16 |
16
제14항에 있어서,상기 딥러닝 모델은,상기 전체 인식 성능, 상기 클래스별 인식 성능 중 최대값 및 상기 전체 인식 성능과 상기 클래스별 인식 성능 중 최대값의 반영 비율을 결정하는 스케일 지수를 이용하여 제2 임계값을 계산하고, 상기 클래스별 인식 성능이 상기 제2 임계값보다 작은 클래스의 상기 학습 데이터가 증강되어 학습되는, 전자 장치
|
17 |
17
제16항에 있어서,상기 딥러닝 모델은,상기 스케일 지수가 클수록 상기 클래스별 인식 성능 중 최대값의 반영 비율이 높고, 상기 스케일 지수가 작을수록, 상기 전체 인식 성능의 반영 비율이 높게 상기 제2 임계값을 계산하여 학습되는, 전자 장치
|
18 |
18
제16항에 있어서,상기 딥러닝 모델은,상기 제2 임계값 및 상기 클래스별 인식 성능에 기초하여 적용 확률을 계산하고, 상기 적용 확률에 기초하여, 상기 학습 데이터 각각의 증강 여부를 판단하여 학습되는, 전자 장치
|
19 |
19
제18항에 있어서,상기 딥러닝 모델은,상기 제2 임계값에서 상기 클래스별 인식 성능을 뺀 값에 기초하여, 상기 클래스별로 상기 적용 확률을 계산하여 학습되는, 전자 장치
|