| 1 |
1
다중 클래스 분류 장치에 있어서,불균형 학습데이터를 입력 받아 균형 학습데이터를 획득하는 균형 학습데이터 구성부; 및상기 학습데이터 구성부로부터 상기 균형 학습데이터를 수신 받아 모델 학습을 통해 예측된 클래스 결과를 나타내는 모델 학습부;를 포함하는 것을 특징으로 하는 불균형 데이터에 강인한 다중 클래스 분류 장치
|
| 2 |
2
제1항에 있어서,상기 균형 학습데이터 구성부는,상기 불균형 학습데이터의 특징을 추출하는 특징 추출부;상기 특징 추출부로부터 획득된 특징맵들을 일정량 무작위로 샘플링하여 특징 사전을 구성하는 특징 사전부; 및상기 특징 사전 및 볼록 가중치의 볼록 조합(Convex combination)을 통해 인공 데이터를 생성하는 특징 생성부;를 포함하는 것을 특징으로 하는 불균형 데이터에 강인한 다중 클래스 분류 장치
|
| 3 |
3
제2항에 있어서,상기 특징 생성부는,노이즈 및 가상의 클래스(fake label)를 입력받는 생성기; 및소프트맥스(softmax)를 거쳐 상기 볼록 가중치(convex weights)를 출력하는 볼록 가중치부;를 포함하는 것을 특징으로 하는 불균형 데이터에 강인한 다중 클래스 분류 장치
|
| 4 |
4
제3항에 있어서,상기 특징 생성부는,소수 클래스에 상기 인공 데이터를 보충하는 것을 특징으로 하는 불균형 데이터에 강인한 다중 클래스 분류 장치
|
| 5 |
5
제1항에 있어서,상기 특징 생성부는,인공 데이터가 실제 데이터의 분포(distribution)와 유사해지도록 하는 적대적 훈련(adversarial training)을 하는 것을 특징으로 하는 불균형 데이터에 강인한 다중 클래스 분류 장치
|
| 6 |
6
제2항에 있어서,상기 특징 추출부는,상기 특징을 추출하는 특징 추출기(feature extractor); 및 상기 특징이 이미지의 형태, 가장자리 및 색상 중 어느 하나의 특성을 얻도록 하는 특징 적응부(feature adaptation);를 포함하며,상기 획득된 특징들은 하나로 통합하는 것을 특징으로 하는 불균형 데이터에 강인한 다중 클래스 분류 장치
|
| 7 |
7
제1항에 있어서,상기 모델 학습부는,상기 균형 학습데이터를 바탕으로 상기 특징 추출부의 상기 특징 추출 방식을 미세 조정(fine-tuning)하는 조정 특징 추출부; 및 상기 조정 특징 추출부로부터 추출된 상기 특징을 이용하여 복수의 클래스로 분류하는 다중 클래스 분류부;를 포함하는 하는 것을 특징으로 하는 불균형 데이터에 강인한 다중 클래스 분류 장치
|
| 8 |
8
다중 클래스 분류 장치에서 수행되는 다중 클래스 분류 방법에 있어서,균형 학습데이터 구성부에서 수행되며, 불균형 학습데이터를 입력 받아 균형 학습데이터를 획득하는 균형 학습데이터 구성 단계; 및모델 학습부에서 수행되며, 상기 학습데이터 구성부로부터 상기 균형 학습데이터를 수신 받아 모델 학습을 통해 예측된 클래스 결과를 나타내는 모델 학습 단계;를 포함하는 것을 특징으로 하는 불균형 데이터에 강인한 다중 클래스 분류 방법
|
| 9 |
9
제8항에 있어서,상기 균형 학습데이터 구성 단계는,특징 추출부에서 수행되며, 상기 불균형 학습데이터의 특징을 추출하는 특징 추출 단계;특징 사전부에서 수행되며, 상기 특징 추출부로부터 획득된 특징맵들을 일정량 무작위로 샘플링하는 특징 사전 구성 단계; 및특징 생성부에서 수행되며, 상기 특징 사전과의 볼록 조합(convex combination)을 통해 인공 데이터를 생성하는 특징 생성 단계;를 포함하는 것을 특징으로 하는 불균형 데이터에 강인한 다중 클래스 분류 방법
|
| 10 |
10
제9항에 있어서,상기 특징 생성 단계는,상기 특징 생성 단계는 생성기에서 수행되며, 노이즈 및 가상의 클래스(fake label)를 입력받는 생성 단계; 및가중치부에서 수행되며, 소프트맥스(softmax)를 거쳐 볼록 가중치(convex weights)를 출력하는 볼록 가중치 단계;를 포함하는 것을 특징으로 하는 불균형 데이터에 강인한 다중 클래스 분류 방법
|
| 11 |
11
제10항에 있어서,상기 특징 생성 단계는,소수 클래스에 상기 인공 데이터를 보충하는 단계;를 포함하는 것을 특징으로 하는 불균형 데이터에 강인한 다중 클래스 분류 방법
|
| 12 |
12
제8항에 있어서,상기 특징 생성 단계는,인공 데이터가 실제 데이터의 분포(distribution)와 유사해지도록 하는 적대적 훈련(adversarial training) 단계;를 포함하는 것을 특징으로 하는 불균형 데이터에 강인한 다중 클래스 분류 방법
|
| 13 |
13
제9항에 있어서,상기 특징 추출 단계는,특징 추출기(feature extractor)에서 수행되며, 상기 특징을 추출하는 특징 추출 단계; 및 특징 적응부(feature adaptation)에서 수행되며, 상기 특징이 이미지의 형태, 가장자리 및 색상 중 어느 하나의 특성을 얻도록 하는 특징 적응 단계;를 포함하며,상기 획득된 특징들은 하나로 통합하는 통합 단계;를 포함하는 것을 특징으로 하는 불균형 데이터에 강인한 다중 클래스 분류 방법
|
| 14 |
14
제8항에 있어서,상기 모델 학습 단계는,조정 특징 추출부에서 수행되며, 상기 균형 학습데이터를 바탕으로 상기 특징 추출부의 상기 특징 추출 방식을 미세 조정(fine-tuning)하는 조정 특징 추출 단계; 및 다중 클래스 분류부에서 수행되며, 상기 조정 특징 추출부로부터 추출된 상기 특징을 이용하여 복수의 클래스로 분류하는 다중 클래스 분류 단계;를 포함하는 하는 것을 특징으로 하는 불균형 데이터에 강인한 다중 클래스 분류 방법
|
| 15 |
15
노이즈 및 가상의 클래스(fake label)를 입력받는 생성기;소프트맥스(softmax)를 거쳐 볼록 가중치(convex weights)를 출력하는 볼록 가중치부;상기 볼록 가중치부로부터 출력된 상기 볼록 가중치와 사전에 구성된 특징 사전의 볼록 조합(convex combination)을 통해 인공 데이터를 생성하는 인공 데이터 생성부; 및상기 인공 데이터와 실제 데이터의 분포(distribution)이 유사하도록 하는 적대적 훈련(adversarial training)을 하는 적대적 훈련부;를 포함하는 것을 특징으로 하는 불균형 데이터에 강인한 다중 클래스 분류 장치에 이용되는 특징 생성기
|
