| 1 |
1
오프로딩된(offloaded) 데이터를 처리하는 방법에 있어서, 단말 장치로부터 오프로딩된 데이터를 수신하는 단계;디코더 모델을 이용하여, 상기 오프로딩된 데이터를 디코딩하는 단계;;상기 디코딩된 데이터를 입력으로 하는 심층신경망 모델을 이용하여, 상기 오프로딩된 데이터에 대응하는 추론 데이터를 출력하는 단계를 포함하되,상기 오프로딩된 데이터는, 원본 데이터를 입력으로 하는 추출기 모델에 의해 생성된 잠재 표현(latent representation) 데이터를 포함하고,상기 추출기 모델, 상기 디코더 모델, 및 상기 심층신경망 모델은, 상기 심층신경망 모델의 손실 정보를 이용하여 합동 훈련(joint training)되는, 방법
|
| 2 |
2
제1항에 있어서,상기 추출기 모델과 디코더 모델은 오토인코더(autoencoder) 모델로 구현되는, 방법
|
| 3 |
3
제1항에 있어서,상기 잠재 표현 데이터의 크기는 미리 정의되는, 방법
|
| 4 |
4
제1항에 있어서,상기 디코딩하는 단계는,상기 오프로딩된 데이터를 상기 심층신경망 모델의 입력 값의 형태로 변형하는 단계를 포함하는, 방법
|
| 5 |
5
제4항에 있어서,상기 디코더 모델은, 단일의 업샘플링 레이어 및 단일의 컨볼루셔널 레이어로 구성되는, 방법
|
| 6 |
6
제1항에 있어서,상기 심층신경망 모델은 제1 심층신경망 모델이고,상기 추론 데이터는 제1 추론 데이터고,상기 디코딩된 데이터를 입력으로 하는 제2 심층신경망 모델을 이용하여, 상기 오프로딩된 데이터에 대응하는 제2 추론 데이터를 출력하는 단계를 더 포함하되,상기 추출기 모델, 상기 디코더 모델은, 상기 제1 심층신경망 모델의 손실 정보 및 상기 제2 심층신경망 모델의 손실 정보를 이용하여 합동 훈련되는, 방법
|
| 7 |
7
제1항에 있어서,상기 추출기 모델은, 지식 증류(knowledge distillation) 기법을 이용하여 학습되는, 방법
|
| 8 |
8
제1항에 있어서,상기 원본 데이터는, 상기 심층신경망 모델을 이용한 애플리케이션에 사용되는 이미지, 영상, 오디오, 텍스트, 센서 값 중 적어도 하나의 데이터를 포함하는, 방법
|
| 9 |
9
제1항에 있어서,상기 심층신경망 모델은, 원본 데이터에 기초하여 이미지 분류(classification), 이미지 분할(segmentation), 이미지 캡셔닝(captioning) 객체 탐지(detection), 깊이 추정(depth estimation), 위치 추정(localization) 또는 자세 추정(pose estimation)을 수행하는 모델인, 방법
|
| 10 |
10
제1항에 있어서,상기 단말 장치로, 상기 추론 데이터를 전송하는 단계를 더 포함하는, 방법
|
| 11 |
11
오프로딩된(offloaded) 데이터를 처리하는 서버 장치에 있어서,하나 이상의 인스트럭션을 저장하는 메모리; 및상기 메모리에 저장된 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서를 포함하되, 상기 적어도 하나의 프로세서는:단말 장치로부터 오프로딩된 데이터를 수신하고,디코더 모델을 이용하여, 상기 오프로딩된 데이터를 디코딩하고,상기 디코딩된 데이터를 입력으로 하는 심층신경망 모델을 이용하여, 상기 오프로딩된 데이터에 대응하는 추론 데이터를 출력하는, 상기 하나 이상의 인스트럭션을 실행하되,상기 오프로딩된 데이터는, 원본 데이터를 입력으로 하는 추출기 모델에 의해 생성된 잠재 표현(latent representation) 데이터를 포함하고,상기 추출기 모델, 상기 디코더 모델, 및 상기 심층신경망 모델은, 상기 심층신경망 모델의 손실 정보를 이용하여 합동 훈련(joint training)되는, 서버 장치
|
| 12 |
12
제11항에 있어서,상기 추출기 모델과 디코더 모델은 오토인코더(autoencoder) 모델로 구현되는, 서버 장치
|
| 13 |
13
제11항에 있어서,상기 잠재 표현 데이터의 크기는 미리 정의되는, 서버 장치
|
| 14 |
14
제11항에 있어서,상기 디코딩하는, 상기 하나 이상의 인스트럭션은,상기 오프로딩된 데이터를 상기 심층신경망 모델의 입력 값의 형태로 변형하는, 상기 하나 이상의 인스트럭션을 포함하는, 서버 장치
|
| 15 |
15
제14항에 있어서,상기 디코더 모델은, 단일의 업샘플링 레이어 및 단일의 컨볼루셔널 레이어로 구성되는, 서버 장치
|
| 16 |
16
제11항에 있어서,상기 심층신경망 모델은 제1 심층신경망 모델이고,상기 추론 데이터는 제1 추론 데이터고,상기 적어도 하나의 프로세서는:상기 디코딩된 데이터를 입력으로 하는 제2 심층신경망 모델을 이용하여, 상기 오프로딩된 데이터에 대응하는 제2 추론 데이터를 출력하는, 상기 하나 이상의 인스트럭션을 더 포함하되,상기 추출기 모델, 상기 디코더 모델은, 상기 제1 심층신경망 모델의 손실 정보 및 상기 제2 심층신경망 모델의 손실 정보를 이용하여 합동 훈련되는, 서버 장치
|
| 17 |
17
제11항에 있어서,상기 추출기 모델은, 지식 증류(knowledge distillation) 기법을 이용하여 학습되는, 서버 장치
|
| 18 |
18
제11항에 있어서,상기 원본 데이터는, 상기 심층신경망 모델을 이용한 애플리케이션에 사용되는 이미지, 영상, 오디오, 텍스트, 센서 값 중 적어도 하나의 데이터를 포함하는, 서버 장치
|
| 19 |
19
제11항에 있어서,상기 심층신경망 모델은, 원본 데이터에 기초하여 이미지 분류(classification), 이미지 분할(segmentation), 이미지 캡셔닝(captioning) 객체 탐지(detection), 깊이 추정(depth estimation), 위치 추정(localization) 또는 자세 추정(pose estimation)을 수행하는 모델인, 서버 장치
|
| 20 |
20
오프로딩 시스템에 있어서,단말 장치; 및서버 장치를 포함하되,상기 단말 장치는:원본 데이터에 대응하는 이미지를 획득하는 카메라;하나 이상의 인스트럭션을 저장하는 제1 메모리; 및상기 제1 메모리에 저장된 하나 이상의 인스트럭션을 실행하는 적어도 하나의 제1 프로세서를 포함하되, 상기 적어도 하나의 제1 프로세서는,상기 원본 데이터를 입력으로 하는 추출기 모델을 이용하여 잠재 표현(latent representation) 데이터를 생성하고,상기 잠재 표현 데이터를 상기 서버 장치로 오프로딩하는, 상기 하나 이상의 인스트럭션을 실행하고,상기 서버 장치는:하나 이상의 인스트럭션을 저장하는 제2 메모리; 및상기 제2 메모리에 저장된 하나 이상의 인스트럭션을 실행하는 적어도 하나의 제2 프로세서를 포함하되, 상기 적어도 하나의 제2 프로세서는,상기 단말 장치로부터 상기 오프로딩된 데이터를 수신하고,디코더 모델을 이용하여, 상기 오프로딩된 데이터를 디코딩하고,상기 디코딩된 데이터를 입력으로 하는 심층신경망 모델을 이용하여, 상기 오프로딩된 데이터에 대응하는 추론 데이터를 출력하는, 상기 하나 이상의 인스트럭션을 실행하되,상기 추출기 모델, 상기 디코더 모델, 및 상기 심층신경망 모델은, 상기 심층신경망 모델의 손실 정보를 이용하여 합동 훈련(joint training)되는, 시스템
|
