| 1 |
1
각각이 서로 다른 도메인의 원본 이미지들로 구성된 이미지셋들을 기초로 각 원본 이미지로부터 적어도 하나의 패치 이미지를 생성하는 단계;상기 이미지셋들의 각 원본 이미지마다 상기 적어도 하나의 패치 이미지 중에서 일부를 선별하여 학습 데이터셋을 생성하는 단계;상기 학습 데이터셋의 각 학습 이미지에 대응되는 원본 이미지의 RGB 레이블(label)과 소스(source)를 식별하는 단계;상기 각 학습 이미지에 상기 RGB 레이블과 상기 소스에 대응되는 도메인 레이블을 태깅(tagging)하여 상기 학습 데이터셋을 갱신하는 단계;상기 학습 데이터셋의 학습 이미지를 특징 추출 모델에 적용하여 이미지 특징을 생성하는 단계; 및상기 이미지 특징을 이용하여 상기 각 학습 이미지에 관한 속성 예측 작업과 도메인 분류 작업을 반복하는 적대적 학습을 수행하여 색 항상성 모델(color constancy model)을 구축하는 단계;를 포함하는 이질적 이미지의 딥러닝 분석을 위한 적대적 학습기반 이미지 보정 방법
|
| 2 |
2
제1항에 있어서, 상기 패치 이미지를 생성하는 단계는상기 각 원본 이미지의 픽셀 데이터를 RGB 채널 별로 독립적으로 생성하는 단계;상기 RGB 채널의 픽셀 데이터에 대해 특정 크기로 정의되는 인접 영역의 픽셀들을 그룹화하는 단계; 및상기 그룹화된 픽셀들을 연산하여 상기 RGB 채널에 대한 픽셀값을 산출하는 단계를 포함하는 것을 특징으로 하는 이질적 이미지의 딥러닝 분석을 위한 적대적 학습기반 이미지 보정 방법
|
| 3 |
3
제2항에 있어서, 상기 패치 이미지를 생성하는 단계는상기 RGB 채널에 대한 픽셀값을 합산하여 상기 패치 이미지의 밝기를 결정하는 단계를 포함하는 것을 특징으로 하는 이질적 이미지의 딥러닝 분석을 위한 적대적 학습기반 이미지 보정 방법
|
| 4 |
4
제3항에 있어서, 상기 학습 데이터셋을 생성하는 단계는상기 패치 이미지의 밝기를 기준으로 상위 n개(상기 n은 자연수)의 패치 이미지를 선별하는 단계를 포함하는 것을 특징으로 하는 이질적 이미지의 딥러닝 분석을 위한 적대적 학습기반 이미지 보정 방법
|
| 5 |
5
제1항에 있어서, 상기 RGB 레이블과 소스를 식별하는 단계는상기 원본 이미지의 속성들 중 어느 하나의 RGB 값을 상기 RGB 레이블로 정의하는 단계; 및상기 원본 이미지와 연관된 카메라 특성을 상기 소스로 정의하고 상기 카메라 특성에 관한 도메인 분류 결과에 따라 상기 도메인 레이블을 결정하는 단계를 포함하는 것을 특징으로 하는 이질적 이미지의 딥러닝 분석을 위한 적대적 학습기반 이미지 보정 방법
|
| 6 |
6
제1항에 있어서, 상기 이미지 특징을 생성하는 단계는상기 학습 이미지를 입력으로 수신하여 상기 이미지 특징을 출력으로 생성하는 CNN(Convolutional Neural Network) 모델을 상기 특징 추출 모델로서 적용하는 단계를 포함하는 것을 특징으로 하는 이질적 이미지의 딥러닝 분석을 위한 적대적 학습기반 이미지 보정 방법
|
| 7 |
7
제6항에 있어서, 상기 이미지 특징을 생성하는 단계는합성곱층(Convolutional Layer), 맥스풀링층(Max Pooling Layer) 및 플래튼층(Flatten Layer)을 포함하는 CNN 모델을 통해 기 설정된 크기의 다차원 특징 벡터를 상기 이미지 특징으로 생성하는 단계를 포함하는 것을 특징으로 하는 이질적 이미지의 딥러닝 분석을 위한 적대적 학습기반 이미지 보정 방법
|
| 8 |
8
제1항에 있어서, 상기 색 항상성 모델을 구축하는 단계는상기 이미지 특징을 2개의 완전연결계층(Fully Connected Layer)들을 포함하는 속성 예측 모델에 입력하여 학습 이미지의 속성을 예측하는 단계; 및상기 이미지 특징을 하나의 GRL(Gradient Reversal Layer) 및 2개의 완전연결계층들을 포함하는 도메인 분류 모델에 입력하여 학습 이미지의 도메인을 예측하는 단계를 포함하는 것을 특징으로 하는 이질적 이미지의 딥러닝 분석을 위한 적대적 학습기반 이미지 보정 방법
|
| 9 |
9
제8항에 있어서, 상기 색 항상성 모델을 구축하는 단계는상기 반복 동안 상기 속성 예측 모델의 손실을 감소시키면서 상기 도메인 분류 모델의 손실을 증가시키는 방향으로 상기 적대적 학습을 수행하는 단계를 포함하는 것을 특징으로 하는 이질적 이미지의 딥러닝 분석을 위한 적대적 학습기반 이미지 보정 방법
|
| 10 |
10
제1항에 있어서,상기 색 항상성 모델을 이용하여 입력 이미지의 속성을 예측하는 단계; 및상기 입력 이미지에서 상기 예측된 속성을 제거하여 상기 입력 이미지의 원본 이미지를 복원하는 단계;를 더 포함하는 것을 특징으로 하는 이질적 이미지의 딥러닝 분석을 위한 적대적 학습기반 이미지 보정 방법
|
| 11 |
11
제11항에 있어서,상기 입력 이미지의 속성에 관한 정답과 예측값 사이의 각도를 산출하여 상기 색 항상성 모델의 성능을 평가하는 단계;를 더 포함하는 것을 특징으로 하는 이질적 이미지의 딥러닝 분석을 위한 적대적 학습기반 이미지 보정 방법
|
| 12 |
12
각각이 서로 다른 도메인의 원본 이미지들로 구성된 이미지셋들을 기초로 각 원본 이미지로부터 적어도 하나의 패치 이미지를 생성하는 패치 이미지 생성부;상기 이미지셋들의 각 원본 이미지마다 상기 적어도 하나의 패치 이미지 중에서 일부를 선별하여 학습 데이터셋을 생성하는 학습 데이터셋 생성부;상기 학습 데이터셋의 각 학습 이미지에 대응되는 원본 이미지의 RGB 레이블(label)과 소스(source)를 식별하는 원본 이미지 식별부;상기 각 학습 이미지에 상기 RGB 레이블과 상기 소스에 대응되는 도메인 레이블을 태깅(tagging)하여 상기 학습 데이터셋을 갱신하는 학습 데이터셋 갱신부;상기 학습 데이터셋의 학습 이미지를 특징 추출 모델에 적용하여 이미지 특징을 생성하는 이미지 특징 생성부; 및상기 이미지 특징을 이용하여 상기 각 학습 이미지에 관한 속성 예측 작업과 도메인 분류 작업을 반복하는 적대적 학습을 수행하여 색 항상성 모델(color constancy model)을 구축하는 모델 구축부;를 포함하는 이질적 이미지의 딥러닝 분석을 위한 적대적 학습기반 이미지 보정 장치
|
| 13 |
13
제12항에 있어서,상기 색 항상성 모델을 이용하여 입력 이미지의 속성을 예측하고 상기 입력 이미지에서 상기 예측된 속성을 제거하여 상기 입력 이미지의 원본 이미지를 복원하는 원본 이미지 복원부;를 더 포함하는 것을 특징으로 하는 이질적 이미지의 딥러닝 분석을 위한 적대적 학습기반 이미지 보정 장치
|
| 14 |
14
제 13항에 있어서,상기 입력 이미지의 속성에 관한 정답과 예측값 사이의 각도를 산출하여 상기 색 항상성 모델의 성능을 평가하는 모델 성능 평가부;를 더 포함하는 것을 특징으로 하는 이질적 이미지의 딥러닝 분석을 위한 적대적 학습기반 이미지 보정 장치
|
