1 |
1
입력 이미지로부터 텍스처 특징을 추출하도록 마련되는 제1 특징 추출 모듈;상기 입력 이미지로부터 의미론적 특징을 추출하도록 마련되는 제2 특징 추출 모듈; 및상기 텍스처 특징 및 상기 의미론적 특징에 기반하여 상기 입력 이미지의 분포 외 샘플 여부를 분류하는 분류 모듈을 포함하는, 분포 외 샘플 검출 장치
|
2 |
2
청구항 1에 있어서, 상기 제1 특징 추출 모듈은, 상기 입력 이미지를 이산 푸리에 변환하고, 이산 푸리에 변환된 입력 이미지에서 위상 정보를 제거하여 텍스처 특징을 추출하는, 분포 외 샘플 검출 장치
|
3 |
3
청구항 2에 있어서, 상기 제1 특징 추출 모듈은, 하기의 수학식에 의해 상기 이산 푸리에 변환된 입력 이미지에서 위상 정보를 제거하여 텍스처 특징을 추출하는, 분포 외 샘플 검출 장치
|
4 |
4
청구항 1에 있어서, 상기 제2 특징 추출 모듈은, 상기 입력 이미지에 대해 임베딩을 수행하여 특징 벡터들을 추출하도록 학습되는 제1 인공 신경망 모델; 및상기 추출한 특징 벡터들에 기반하여 상기 입력 이미지에서 의미론적 특징을 추출하도록 학습되는 제2 인공 신경망 모델을 포함하는, 분포 외 샘플 검출 장치
|
5 |
5
청구항 4에 있어서, 상기 제2 인공 신경망 모델은, 상기 입력 이미지의 임베딩된 공간 상에서 복수 개의 중심 벡터들을 설정하고, 상기 추출한 특징 벡터들이 그 위치에 따라 상기 복수 개의 중심 벡터들로 모이도록 하여 상기 의미론적 특징을 추출하도록 학습되는, 분포 외 샘플 검출 장치
|
6 |
6
청구항 5에 있어서, 상기 제2 인공 신경망 모델은, 상기 복수 개의 중심 벡터들을 기 설정된 반경을 갖는 구의 경계에 랜덤하게 배치하고, 상기 추출한 특징 벡터들이 상기 구의 경계에 배치된 중심 벡터들로 모이도록 학습되는, 분포 외 샘플 검출 장치
|
7 |
7
청구항 6에 있어서, 상기 제2 인공 신경망 모델은, 상기 추출한 특징 벡터들이 그 위치에 따라 상기 중심 벡터들 중 해당 특징 벡터와 가장 가까운 중심 벡터의 기 설정된 세부 직경 내에 모이도록 학습되는, 분포 외 샘플 검출 장치
|
8 |
8
청구항 1에 있어서, 상기 분류 모듈은, 상기 텍스처 특징을 입력으로 하여 상기 입력 이미지가 분포 내 샘플일 확률 또는 분포 외 샘플일 확률인 제1 확률 값을 출력하도록 학습되는 제1 분류 모델;상기 의미론적 특징으로 입력으로 하여 상기 입력 이미지가 분포 내 샘플일 확률 또는 분포 외 샘플일 확률인 제2 확률 값을 출력하도록 학습되는 제2 분류 모델; 및상기 제1 확률 값 및 상기 제2 확률 값에 기반하여 상기 입력 이미지가 분포 내 샘플 또는 분포 외 샘플일 최종 확률 값을 출력하는 출력부를 포함하는, 분포 외 샘플 검출 장치
|
9 |
9
청구항 8에 있어서, 상기 출력부는, 상기 제1 확률 값에 제1 가중치를 부여하고, 상기 제2 확률 값에 제2 가중치를 부여한 후, 이를 합산하여 상기 최종 확률 값을 출력하는, 분포 외 샘플 검출 장치
|
10 |
10
하나 이상의 프로세서들, 및상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서, 입력 이미지로부터 텍스처 특징을 추출하는 단계;상기 입력 이미지로부터 의미론적 특징을 추출하는 단계; 및상기 텍스처 특징 및 상기 의미론적 특징에 기반하여 상기 입력 이미지의 분포 외 샘플 여부를 분류하는 단계를 포함하는, 분포 외 샘플 검출 방법
|
11 |
11
청구항 10에 있어서, 상기 텍스처 특징을 추출하는 단계는, 상기 입력 이미지를 이산 푸리에 변환하는 단계; 및이산 푸리에 변환된 입력 이미지에서 위상 정보를 제거하여 텍스처 특징을 추출하는 단계를 포함하는, 분포 외 샘플 검출 방법
|
12 |
12
청구항 11에 있어서, 상기 텍스처 특징을 추출하는 단계는, 하기의 수학식에 의해 상기 이산 푸리에 변환된 입력 이미지에서 위상 정보를 제거하여 텍스처 특징을 추출하는, 분포 외 샘플 검출 방법
|
13 |
13
청구항 10에 있어서, 상기 의미론적 특징을 추출하는 단계는, 제1 인공 신경망 모델에서, 상기 입력 이미지에 대해 임베딩을 수행하여 특징 벡터들을 추출하도록 학습되는 단계; 및제2 인공 신경망 모델에서, 상기 추출한 특징 벡터들에 기반하여 상기 입력 이미지에서 의미론적 특징을 추출하도록 학습되는 단계를 포함하는, 분포 외 샘플 검출 방법
|
14 |
14
청구항 13에 있어서, 상기 제2 인공 신경망 모델은, 상기 입력 이미지의 임베딩된 공간 상에서 복수 개의 중심 벡터들을 설정하고, 상기 추출한 특징 벡터들이 그 위치에 따라 상기 복수 개의 중심 벡터들로 모이도록 하여 상기 의미론적 특징을 추출하도록 학습되는, 분포 외 샘플 검출 방법
|
15 |
15
청구항 14에 있어서, 상기 제2 인공 신경망 모델은, 상기 복수 개의 중심 벡터들을 기 설정된 반경을 갖는 구의 경계에 랜덤하게 배치하고, 상기 추출한 특징 벡터들이 상기 구의 경계에 배치된 중심 벡터들로 모이도록 학습되는, 분포 외 샘플 검출 방법
|
16 |
16
청구항 15에 있어서, 상기 제2 인공 신경망 모델은, 상기 추출한 특징 벡터들이 그 위치에 따라 상기 중심 벡터들 중 해당 특징 벡터와 가장 가까운 중심 벡터의 기 설정된 세부 직경 내에 모이도록 학습되는, 분포 외 샘플 검출 방법
|
17 |
17
청구항 10에 있어서, 상기 분류하는 단계는, 상기 텍스처 특징을 입력으로 하여 상기 입력 이미지가 분포 내 샘플일 확률 또는 분포 외 샘플일 확률인 제1 확률 값을 출력하는 단계;상기 의미론적 특징으로 입력으로 하여 상기 입력 이미지가 분포 내 샘플일 확률 또는 분포 외 샘플일 확률인 제2 확률 값을 출력하는 단계; 및상기 제1 확률 값 및 상기 제2 확률 값에 기반하여 상기 입력 이미지가 분포 내 샘플 또는 분포 외 샘플일 최종 확률 값을 출력하는 단계를 포함하는, 분포 외 샘플 검출 장치
|
18 |
18
청구항 17에 있어서, 상기 최종 확률 값을 출력하는 단계는, 상기 제1 확률 값에 제1 가중치를 부여하고, 상기 제2 확률 값에 제2 가중치를 부여한 후, 이를 합산하여 상기 최종 확률 값을 출력하는, 분포 외 샘플 검출 방법
|
19 |
19
비일시적 컴퓨터 판독 가능한 저장 매체(non-transitory computer readable storage medium)에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 명령어들을 포함하고, 상기 명령어들은 하나 이상의 프로세서들을 갖는 컴퓨팅 장치에 의해 실행될 때, 상기 컴퓨팅 장치로 하여금, 입력 이미지로부터 텍스처 특징을 추출하는 단계;상기 입력 이미지로부터 의미론적 특징을 추출하는 단계; 및상기 텍스처 특징 및 상기 의미론적 특징에 기반하여 상기 입력 이미지의 분포 외 샘플 여부를 분류하는 단계를 수행하도록 하는, 컴퓨터 프로그램
|