| 1 |
1
입력 이미지로부터 특징맵 및 로지츠 계층을 추출하는 단계;상기 특징맵에 기초하여 연관성 매트릭스를 생성하는 단계;Softmax 함수를 이용하여 상기 연관성 매트릭스를 정규화하는 단계;상기 로지츠 계층에 기초하여 X 매트릭스를 생성하는 단계;Ground Truth로부터 마스크A 및 마스크B를 생성하는 단계;상기 X 매트릭스, 상기 마스크A, 상기 마스크B, 및 정규화된 상기 연관성 매트릭스에 기초하여 제1 확률 분포를 산출하는 단계; 및상기 제1 확률 분포에 기초하여 라벨 평활화 소프트 라벨을 산출하는 단계를 포함하는,자가 지식 증류법 기반 의미론적 영상 분할 방법
|
| 2 |
2
제1항에 있어서,상기 특징맵에 기초하여 연관성 매트릭스를 생성하는 단계는,아래 [수식1]을 이용하여, 상기 특징맵의 특징점을 리쉐이프(reshape)한 ER 및 상기 ER을 트랜스포스(transpose)한 의 행렬 곱셈으로 상기 연관성 매트릭스를 생성하는 것을 특징으로 하는,자가 지식 증류법 기반 의미론적 영상 분할 방법
|
| 3 |
3
제1항에 있어서,상기 Softmax 함수를 이용하여 상기 연관성 매트릭스를 정규화하는 단계는,상기 연관성 매트릭스에 softmax 함수를 적용함으로써, 상기 연관성 매트릭스의 각 열벡터의 합이 1이 되도록 정규화하는 것을 특징으로 하는,자가 지식 증류법 기반 의미론적 영상 분할 방법
|
| 4 |
4
제1항에 있어서,상기 로지츠 계층에 기초하여 X 매트릭스를 생성하는 단계는,상기 로지츠 계층에 Softmax 함수를 적용하고, Softmax 함수가 적용된 상기 로지츠 계층을 리쉐이프(reshape)함으로써, 상기 X 매트릭스를 생성하는 것을 특징으로 하는,자가 지식 증류법 기반 의미론적 영상 분할 방법
|
| 5 |
5
제1항에 있어서,상기 Ground Truth로부터 마스크A 및 마스크B를 생성하는 단계는,상기 Ground Truth의 같은 클래스에 대한 상기 마스크A 및 예측한 결과에 따른 상기 Ground Truth의 맞은 픽셀을 구분하는 상기 마스크B를 생성하는 것을 특징으로 하는,자가 지식 증류법 기반 의미론적 영상 분할 방법
|
| 6 |
6
제1항에 있어서,상기 X 매트릭스, 상기 마스크A, 상기 마스크B, 및 정규화된 상기 연관성 매트릭스에 기초하여 제1 확률 분포를 산출하는 단계는,상기 X 매트릭스, 상기 마스크A, 및 상기 마스크B의 성분 곱에 정규화된 상기 연관성 매트릭스를 행렬 곱셈하고, 업 샘플링을 수행함으로써 상기 제1 확률 분포를 산출하는 것을 특징으로 하는,자가 지식 증류법 기반 의미론적 영상 분할 방법
|
| 7 |
7
제1항에 있어서,상기 제1 확률 분포에 기초하여 라벨 평활화 소프트 라벨을 산출하는 단계는,아래 [수식4]를 이용하여, 상기 제1 확률 분포의 틀린 픽셀 수를 개선한 제2 확률 분포()를 산출하는 것을 특징으로 하는,자가 지식 증류법 기반 의미론적 영상 분할 방법
|
| 8 |
8
제7항에 있어서,상기 제1 확률 분포에 기초하여 라벨 평활화 소프트 라벨을 산출하는 단계는,아래 [수식5]를 이용하여, 상기 라벨 평활화 소프트 라벨을 산출하는 것을 특징으로 하는,자가 지식 증류법 기반 의미론적 영상 분할 방법
|
| 9 |
9
입력 이미지로부터 특징맵 및 로지츠 계층을 추출하는 영역 분할 네트워크;상기 특징맵에 기초하여 연관성 매트릭스를 생성하고, Softmax 함수를 이용하여 상기 연관성 매트릭스를 정규화하는 연관성 매트릭스 생성부;상기 로지츠 계층에 기초하여 X 매트릭스를 생성하고, Ground Truth로부터 마스크A 및 마스크B를 생성하는 PA 모듈; 및제1 확률 분포에 기초하여 라벨 평활화 소프트 라벨을 산출하는 정답 라벨 산출부를 포함하고,상기 PA 모듈은,상기 X 매트릭스, 상기 마스크A, 및 상기 마스크B의 성분 곱에 정규화된 상기 연관성 매트릭스를 행렬 곱셈하고, 업 샘플링을 수행함으로써 상기 제1 확률 분포를 산출하는 것을 특징으로 하는,자가 지식 증류법 기반 의미론적 영상 분할 장치
|
