| 1 |
1
디자인 자동화 시스템에 의해 수행되는 음원분리 딥러닝 모델의 디자인 자동화 방법에 있어서, 음원분리 딥러닝 모델에 구성된 분리 모델에 대해 신경망 탐색 알고리즘을 이용하여 분리 모델의 하이퍼 파라미터 조합을 자동으로 탐색하는 단계; 및 상기 탐색된 분리 모델의 하이퍼 파라미터 조합을 통해 음원분리 딥러닝 모델을 재구성하는 단계 를 포함하는 디자인 자동화 방법
|
| 2 |
2
제1항에 있어서, 상기 음원분리 딥러닝 모델은, 완전 컨볼루션 시간 영역 음성 분리 네트워크(Conv-TasNet)이고,상기 음원분리 딥러닝 모델에 구성된 분리 모델은, 복수의 반복(Repeats)으로 구성되고, 상기 복수의 반복의 각각은, 복수의 TCN 블록을 포함하고, 상기 복수의 TCN 블록은, D-CNN이 컨볼루션을 진행할 입력의 채널 개수를 조절하는 레이어(Bottleneck), 컨볼루션 연산을 수행하는 레이어(Depth-wise Convolutional Network; D-CNN)를 포함하는것을 특징으로 하는 디자인 자동화 방법
|
| 3 |
3
제1항에 있어서, 상기 탐색하는 단계는, 분리 모델의 커널 사이즈(Kernel Size)(P)와 채널 확장 비율(Channel Expansion Ratio)(H)에 따라 분리 모델의 탐색 공간(Search space)을 형성하는 단계를 포함하는 디자인 자동화 방법
|
| 4 |
4
제3항에 있어서, 상기 탐색하는 단계는, 상기 형성된 분리 모델의 탐색 공간에 기초하여 반복별 레이어의 개수를 조절함에 따라 신경망 탐색을 수행하는 단계 를 포함하는 디자인 자동화 방법
|
| 5 |
5
제3항에 있어서, 상기 탐색하는 단계는, 상기 형성된 분리 모델의 탐색 공간에 있는 후보 연산들과 각각의 후보 연산들에 대해 가중치를 부여하는 구조 파라미터로 하나의 레이어를 구성하고, 상기 구성된 하나의 레이어를 이용하여 생성된 모델 구조에서 후보 연산의 가중치와 구조 파라미터에 대해 각각 훈련 셋(training set)과 검증 셋(validation set)을 이용하여 학습하고, 상기 구성된 하나의 레이어를 이용하여 생성된 모델 구조의 학습이 완료됨에 따라 구조 파라미터의 결과가 가장 높은 후보 연산 하나만을 선택하여 모델 구조를 획득하는 단계를 포함하는 디자인 자동화 방법
|
| 6 |
6
제3항에 있어서, 상기 탐색하는 단계는, 하나의 경로(path)에만 GPU 메모리에 기록하도록 강제하는 바이너리 게이트(binary gate) 알고리즘을 사용하여 후보 연산의 가중치 파라미터 또는 구조 파라미터 중 어느 하나의 파라미터를 이용한 학습을 통해 모델 구조를 획득하는 단계를 포함하는 디자인 자동화 방법
|
| 7 |
7
제3항에 있어서, 상기 탐색하는 단계는, 보조 손실(auxiliary loss) 연산을 통해 상기 분리 모델에 구성된 반복별로 특징 벡터를 추출하고, 상기 추출된 특징 벡터에 대해 손실을 계산하여 상기 분리 모델에 구성된 복수의 반복의 개수만큼 손실을 계산하고, 상기 계산된 손실의 결과에 대한 평균을 산출하여 최종 손실을 계산하는 단계를 포함하는 디자인 자동화 방법
|
| 8 |
8
제1항 내지 제7항 중 어느 한 항의 음원분리 딥러닝 모델의 디자인 자동화 방법을 상기 디자인 자동화 시스템에 실행시키기 위해 비-일시적인 컴퓨터 판독가능한 기록 매체에 저장되는 컴퓨터 프로그램
|
| 9 |
9
디자인 자동화 시스템에 있어서, 음원분리 딥러닝 모델에 구성된 분리 모델에 대해 신경망 탐색 알고리즘을 이용하여 분리 모델의 하이퍼 파라미터 조합을 자동으로 탐색하는 하이퍼 파라미터 조합 탐색부; 및 상기 탐색된 분리 모델의 하이퍼 파라미터 조합을 통해 음원분리 딥러닝 모델을 재구성하는 모델 재구성부 를 포함하는 디자인 자동화 시스템
|
| 10 |
10
제9항에 있어서, 상기 음원분리 딥러닝 모델은, 완전 컨볼루션 시간 영역 음성 분리 네트워크(Conv-TasNet)이고,상기 음원분리 딥러닝 모델에 구성된 분리 모델은, 복수의 반복(Repeats)으로 구성되고, 상기 복수의 반복의 각각은, 복수의 TCN 블록을 포함하고, 상기 복수의 TCN 블록은, D-CNN이 컨볼루션을 진행할 입력의 채널 개수를 조절하는 레이어(Bottleneck), 컨볼루션 연산을 수행하는 레이어(Depth-wise Convolutional Network; D-CNN)를 포함하는것을 특징으로 하는 디자인 자동화 시스템
|
| 11 |
11
제9항에 있어서, 상기 하이퍼 파라미터 조합 탐색부는,상기 분리 모델의 커널 사이즈(Kernel Size)(P)와 채널 확장 비율(Channel Expansion Ratio)(H)에 따라 상기 분리 모델의 탐색 공간(Search space)을 형성하는 것을 특징으로 하는 디자인 자동화 시스템
|
| 12 |
12
제11항에 있어서, 상기 하이퍼 파라미터 조합 탐색부는,상기 형성된 분리 모델의 탐색 공간에 기초하여 반복별 레이어의 개수를 조절함에 따라 신경망 탐색을 수행하는 것을 특징으로 하는 디자인 자동화 시스템
|
| 13 |
13
제11항에 있어서, 상기 하이퍼 파라미터 조합 탐색부는,상기 형성된 분리 모델의 탐색 공간에 있는 후보 연산들과 각각의 후보 연산들에 대해 가중치를 부여하는 구조 파라미터로 하나의 레이어를 구성하고, 상기 구성된 하나의 레이어를 이용하여 생성된 모델 구조에서 후보 연산의 가중치와 구조 파라미터에 대해 각각 훈련 셋(training set)과 검증 셋(validation set)을 이용하여 학습하고, 상기 구성된 하나의 레이어를 이용하여 생성된 모델 구조의 학습이 완료됨에 따라 구조 파라미터의 결과가 가장 높은 후보 연산 하나만을 선택하여 모델 구조를 획득하는 것을 특징으로 하는 디자인 자동화 시스템
|
| 14 |
14
제11항에 있어서, 상기 하이퍼 파라미터 조합 탐색부는,하나의 경로(path)에만 GPU 메모리에 기록하도록 강제하는 바이너리 게이트(binary gate) 알고리즘을 사용하여 후보 연산의 가중치 파라미터 또는 구조 파라미터 중 어느 하나의 파라미터를 이용한 학습을 통해 모델 구조를 획득하는 것을 특징으로 하는 디자인 자동화 시스템
|
| 15 |
15
제11항에 있어서, 상기 하이퍼 파라미터 조합 탐색부는,보조 손실(auxiliary loss) 연산을 통해 상기 분리 모델에 구성된 반복별로 특징 벡터를 추출하고, 상기 추출된 특징 벡터에 대해 손실을 계산하여 상기 분리 모델에 구성된 복수의 반복의 개수만큼 손실을 계산하고, 상기 계산된 손실의 결과에 대한 평균을 산출하여 최종 손실을 계산하는 것을 특징으로 하는 디자인 자동화 시스템
|
