1 |
1
1) 이미지를 입력하는 단계;2) 심층신경망(deep nerual network) 계층을 형성하는 단계;3) 가우시안 활성화 파라미터(GAP)로 특징 벡터를 정규화 단계;4) 비선형 함수를 이용하여 수정하는 단계; 5) 최대 풀링(Max pooling)하는 단계; 6) 상기 2) 내지 5)를 1회 이상 반복하는 단계; 7) 완전 연결된 계층(FCL)을 형성하는 단계;8) 드롯아웃(Dropout) 단계;9) 상기 7) 및 8)10) 분류 결과를 출력하는 단계;를 포함하는 이미지 분류 또는 인식방법
|
2 |
2
제1항에 있어서, 상기 이미지는 2차원 또는 3차원 이미지인 것을 특징으로 하는 이미지 분류 또는 인식방법
|
3 |
3
제1항에 있어서, 상기 이미지는 동물 사진, Caltech-102 이미지, CIFAR-10 이미지 및 자기공명영상이미지(MRI)로 이루어진 군에서 선택된 하나 이상인 것을 특징으로 하는 이미지 분류 또는 인식방법
|
4 |
4
제1항에 있어서, 상기 심층신경망은 컨볼루션 신경망인 것을 특징으로 하는 이미지 분류 또는 인식방법
|
5 |
5
제1항에 있어서, 상기 3)은 언샤프닝(un-sharpening) 프로세스를 포함하는 것을 특징으로 하는, 이미지 분류 또는 인식방법
|
6 |
6
제5항에 있어서, 상기 언샤프닝(un-sharpening) 프로세스는 i) 입력 이미지 볼륨과 가우스 커널의 상관 연산; ii) 마스킹 커널을 생성하기 위해 흐릿한 버전으로 원본 입력 이미지 볼륨을 추출; 및 iii) 원래 입력에 마스크된 버전 추가를 포함하는 것을 특징으로 하는, 이미지 분류 또는 인식방법
|
7 |
7
제1항에 있어서, 상기 비선형 함수는 정류 선형 유닛(ReLU) 및 누출 정류 선형 유닛(Leaky ReLU)으로 이루어진 군에서 선택된 하나인 것을 특징으로 하는, 이미지 분류 또는 인식방법
|
8 |
8
제1항에 있어서, 상기 6)은 2회 내지 4회 수행되는 것을 특징으로 하는, 이미지 분류 또는 인식방법
|
9 |
9
제1항에 있어서, 상기 7)은 3회 수행되는 것을 특징으로 하는, 이미지 분류 또는 인식방법
|
10 |
10
제1항에 있어서, 상기 출력은 하기 수학식 5를 통해 이루어지는 것인, 이미지 분류 또는 인식방법[수학식 5](상기 Z는 출력; X는 입력; Xmask=X-Xg; Xg는 특징 벡터 Xn을 가중 평균 방식으로 변환한 선명한 버전의 이미지를 나타내고, 학습 가능한 매개변수 α, β 및 γ는 각각 X, Xmask 및 오프셋의 크기를 조정한다
|