맞춤기술찾기

이전대상기술

핑거 프린팅 시스템의 정합 과정에서 사용하는 디스턴스 메트릭을 학습을 통해서 결정하는 방법

  • 기술번호 : KST2015113772
  • 담당센터 : 대전기술혁신센터
  • 전화번호 : 042-610-2279
요약, Int. CL, CPC, 출원번호/일자, 출원인, 등록번호/일자, 공개번호/일자, 공고번호/일자, 국제출원번호/일자, 국제공개번호/일자, 우선권정보, 법적상태, 심사진행상태, 심판사항, 구분, 원출원번호/일자, 관련 출원번호, 기술이전 희망, 심사청구여부/일자, 심사청구항수의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 서지정보 표입니다.
요약 본 발명은 쿼리 콘텐츠에 대한 핑거프린트와 데이터베이스에 저장된 핑거프린트와의 거리를 측정함으로써 원본 콘텐츠를 인식하는 핑거프린트 시스템에 관한 것이다. 본 발명은 디스턴스 메트릭의 학습(learning)을 이용하여 핑거프린팅 시스템의 핑거프린트 추출 과정과 데이터베이스 (database, DB)를 유지한 채로 핑거 프린트 인식 성능을 향상시키는 것을 기술적 과제로 한다. 본 발명은 훈련 데이터 (training data)를 이용해서 디스턴스 메트릭을 학습하여 기존의 디스턴스 메트릭에 비해 인식 성능을 향상시킨다. 이를 위해서 일정한 형태의 파라미터화된 디스턴스 메트릭을 설정하고, 그것을 학습시키기 위해서 비용 함수(cost function)를 이용한다. 본 발명에서는 마할라노비스(Mahalanobis) 거리와 특정한 형태의 비용 함수를 이용하여 학습하는 방법을 실시예로 든다. 비용 함수는 원본 콘텐츠의 핑거프린트(xi)와 왜곡된 콘텐츠의 핑거프린트(xi,j) 사이의 거리가 원본 콘텐츠의 핑거프린트(xi)와 다른 원본 콘텐츠(xk)의 핑거프린트 사이의 거리보다 작을 때 최소화되도록 디자인된다. 비용 함수[ε(A)]를 최소화함으로써 효과적으로 디스턴스 메트릭을 학습(learining)할 수 있다. 한편, 비용 함수의 최소화 작업의 편의성을 위해 비용 함수는 볼록(convex) 함수의 형태를 가지도록 하는 것이 바람직하다. 이 경우 비용 함수의 최소화 작업은 볼록 최적화(convex optimization)에 의해 수행될 수 있다. 실험 결과, 본 발명에 따른 학습(learning)된 디스턴스 메트릭이 적용된 경우, 그렇지 않은 경우에 비하여 왜곡에 대한 핑거프린트 인식 성능이 향상된다는 것이 입증되었다. 핑거프린팅, 인식, 거리 측정, 인식, 정합, 학습, 디스턴스, 메트릭
Int. CL G06F 15/18 (2006.01) G06F 9/44 (2006.01)
CPC G06F 16/41(2013.01) G06F 16/41(2013.01) G06F 16/41(2013.01) G06F 16/41(2013.01)
출원번호/일자 1020090094063 (2009.10.01)
출원인 한국과학기술원
등록번호/일자 10-1071728-0000 (2011.10.04)
공개번호/일자 10-2011-0036407 (2011.04.07) 문서열기
공고번호/일자 (20111011) 문서열기
국제출원번호/일자
국제공개번호/일자
우선권정보
법적상태 소멸
심사진행상태 수리
심판사항
구분 신규
원출원번호/일자
관련 출원번호
심사청구여부/일자 Y (2009.10.01)
심사청구항수 5

출원인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 출원인 표입니다.
번호 이름 국적 주소
1 한국과학기술원 대한민국 대전광역시 유성구

발명자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 발명자 표입니다.
번호 이름 국적 주소
1 유창동 대한민국 대전시 유성구
2 장달원 대한민국 대전시 유성구

대리인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 대리인 표입니다.
번호 이름 국적 주소
1 홍원진 대한민국 서울특별시 강남구 역삼로 ***, *층 (역삼동, 신성빌딩)(특허법인천문)
2 함현경 대한민국 서울시 송파구 법원로 *** 대명타워 *층(한얼국제특허사무소)

최종권리자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 최종권리자 표입니다.
번호 이름 국적 주소
1 한국과학기술원 대한민국 대전광역시 유성구
번호, 서류명, 접수/발송일자, 처리상태, 접수/발송일자의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 행정처리 표입니다.
번호 서류명 접수/발송일자 처리상태 접수/발송번호
1 [특허출원]특허출원서
[Patent Application] Patent Application
2009.10.01 수리 (Accepted) 1-1-2009-0607154-51
2 선행기술조사의뢰서
Request for Prior Art Search
2010.02.08 수리 (Accepted) 9-1-9999-9999999-89
3 선행기술조사보고서
Report of Prior Art Search
2010.03.19 수리 (Accepted) 9-1-2010-0018840-82
4 의견제출통지서
Notification of reason for refusal
2011.03.20 발송처리완료 (Completion of Transmission) 9-5-2011-0153898-24
5 [거절이유 등 통지에 따른 의견]의견(답변, 소명)서
[Opinion according to the Notification of Reasons for Refusal] Written Opinion(Written Reply, Written Substantiation)
2011.05.19 수리 (Accepted) 1-1-2011-0373868-12
6 [명세서등 보정]보정서
[Amendment to Description, etc.] Amendment
2011.05.19 보정승인간주 (Regarded as an acceptance of amendment) 1-1-2011-0373876-88
7 등록결정서
Decision to grant
2011.06.30 발송처리완료 (Completion of Transmission) 9-5-2011-0362055-10
8 출원인정보변경(경정)신고서
Notification of change of applicant's information
2013.02.01 수리 (Accepted) 4-1-2013-5019983-17
9 출원인정보변경(경정)신고서
Notification of change of applicant's information
2014.12.24 수리 (Accepted) 4-1-2014-5157968-69
10 출원인정보변경(경정)신고서
Notification of change of applicant's information
2014.12.24 수리 (Accepted) 4-1-2014-5157993-01
11 출원인정보변경(경정)신고서
Notification of change of applicant's information
2014.12.24 수리 (Accepted) 4-1-2014-5158129-58
12 출원인정보변경(경정)신고서
Notification of change of applicant's information
2019.04.24 수리 (Accepted) 4-1-2019-5081392-49
13 출원인정보변경(경정)신고서
Notification of change of applicant's information
2020.05.15 수리 (Accepted) 4-1-2020-5108396-12
14 출원인정보변경(경정)신고서
Notification of change of applicant's information
2020.06.12 수리 (Accepted) 4-1-2020-5131486-63
번호, 청구항의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 청구항 표입니다.
번호 청구항
1 1
삭제
2 2
원본 콘텐츠에 대한 왜곡된 콘텐츠로부터 추출된 왜곡된 콘텐츠의 핑거프린트(xi,j)와 원본 콘텐츠의 핑거프린트(xi)와의 정합을 이용하여 콘텐츠 인식을 하는 핑거 프린팅 시스템의 정합 과정에서 사용하는 디스턴스 메트릭을 학습을 통해서 결정하는 방법으로써, (A) 상기 원본 콘텐츠의 핑거프린트(xi) 및 상기 왜곡된 콘텐츠의 핑거프린트(xi,j)로 구성된 훈련 데이터(training data)를 마련하는 단계와, (B) 상기 훈련 데이터를 이용하여 향상된 인식 성능을 낼 수 있는 디스턴스 메트릭을 학습(learning)을 통해 결정하는 단계를 포함하고, 상기 (B) 단계는, (B-1) 상기 디스턴스 메트릭을 파라미터화하여 파라미터화된 디스턴스 메트릭을 생성하는 단계(S 210)와, (B-2) 상기 원본 콘텐츠의 핑거프린트(xi)와 상기 왜곡된 콘텐츠의 핑거프린트(xi,j) 사이의 거리는 작게 만들고, 상기 원본 콘텐츠의 핑거프린트(xi)와 다른 원본 콘텐츠(xk)의 핑거프린트 사이의 거리는 크게 만들 때 최소화되는 비용 함수[ε(A)]를 생성하는 단계(S 220)와, (B-3) 상기 비용 함수[ε(A)]가 최소화되는 경우를 찾아 상기 디스턴스 메트릭의 각 파라미터를 결정하는 단계(S 230) 를 포함하는 것을 특징으로 하는, 핑거 프린팅 시스템의 정합 과정에서 사용하는 디스턴스 메트릭을 학습을 통해서 결정하는 방법
3 3
원본 콘텐츠에 대한 왜곡된 콘텐츠로부터 추출된 왜곡된 콘텐츠의 핑거프린트(xi,j)와 원본 콘텐츠의 핑거프린트(xi)와의 정합을 이용하여 콘텐츠 인식을 하는 핑거 프린팅 시스템의 정합 과정에서 사용하는 디스턴스 메트릭을 학습을 통해서 결정하는 방법으로써, (A) 상기 원본 콘텐츠의 핑거프린트(xi) 및 상기 왜곡된 콘텐츠의 핑거프린트(xi,j)로 구성된 훈련 데이터(training data)를 마련하는 단계와, (B) 상기 훈련 데이터를 이용하여 향상된 인식 성능을 낼 수 있는 디스턴스 메트릭을 학습(learning)을 통해 결정하는 단계를 포함하고, 상기 (B) 단계는, (B-1) 상기 디스턴스 메트릭을 파라미터화하여 파라미터화된 디스턴스 메트릭을 생성하는 단계(S 210)와, (B-2) 상기 원본 콘텐츠의 핑거프린트(xi)와 상기 왜곡된 콘텐츠의 핑거프린트(xi,j) 사이의 거리는 작게 만들고, 상기 원본 콘텐츠의 핑거프린트(xi)와 다른 원본 콘텐츠(xk)의 핑거프린트 사이의 거리는 크게 만들 때 최소화되는 비용 함수[ε(A)]를 생성하는 단계(S 220)와, (B-3) 상기 비용 함수[ε(A)]가 최소화되는 경우를 찾아 상기 디스턴스 메트릭의 각 파라미터를 결정하는 단계(S 230)를 포함하고, 상기 (B-1) 단계에서 상기 파라미터화된 디스턴스 메트릭은 하기의 수학식에 의해 정의되는 것을 특징으로 하는, 핑거 프린팅 시스템의 정합 과정에서 사용하는 디스턴스 메트릭을 학습을 통해서 결정하는 방법
4 4
원본 콘텐츠에 대한 왜곡된 콘텐츠로부터 추출된 왜곡된 콘텐츠의 핑거프린트(xi,j)와 원본 콘텐츠의 핑거프린트(xi)와의 정합을 이용하여 콘텐츠 인식을 하는 핑거 프린팅 시스템의 정합 과정에서 사용하는 디스턴스 메트릭을 학습을 통해서 결정하는 방법으로써, (A) 상기 원본 콘텐츠의 핑거프린트(xi) 및 상기 왜곡된 콘텐츠의 핑거프린트(xi,j)로 구성된 훈련 데이터(training data)를 마련하는 단계와, (B) 상기 훈련 데이터를 이용하여 향상된 인식 성능을 낼 수 있는 디스턴스 메트릭을 학습(learning)을 통해 결정하는 단계를 포함하고, 상기 (B) 단계는, (B-1) 상기 디스턴스 메트릭을 파라미터화하여 파라미터화된 디스턴스 메트릭을 생성하는 단계(S 210)와, (B-2) 상기 원본 콘텐츠의 핑거프린트(xi)와 상기 왜곡된 콘텐츠의 핑거프린트(xi,j) 사이의 거리는 작게 만들고, 상기 원본 콘텐츠의 핑거프린트(xi)와 다른 원본 콘텐츠(xk)의 핑거프린트 사이의 거리는 크게 만들 때 최소화되는 비용 함수[ε(A)]를 생성하는 단계(S 220)와, (B-3) 상기 비용 함수[ε(A)]가 최소화되는 경우를 찾아 상기 디스턴스 메트릭의 각 파라미터를 결정하는 단계(S 230)를 포함하고, 상기 (B-2) 단계에서 상기 비용 함수[ε(A)]는 하기의 수학식에 의해 정의되는 것을 특징으로 하는, 핑거 프린팅 시스템의 정합 과정에서 사용하는 디스턴스 메트릭을 학습을 통해서 결정하는 방법
5 5
원본 콘텐츠에 대한 왜곡된 콘텐츠로부터 추출된 왜곡된 콘텐츠의 핑거프린트(xi,j)와 원본 콘텐츠의 핑거프린트(xi)와의 정합을 이용하여 콘텐츠 인식을 하는 핑거 프린팅 시스템의 정합 과정에서 사용하는 디스턴스 메트릭을 학습을 통해서 결정하는 방법으로써, (A) 상기 원본 콘텐츠의 핑거프린트(xi) 및 상기 왜곡된 콘텐츠의 핑거프린트(xi,j)로 구성된 훈련 데이터(training data)를 마련하는 단계와, (B) 상기 훈련 데이터를 이용하여 향상된 인식 성능을 낼 수 있는 디스턴스 메트릭을 학습(learning)을 통해 결정하는 단계를 포함하고, 상기 (B) 단계는, (B-1) 상기 디스턴스 메트릭을 파라미터화하여 파라미터화된 디스턴스 메트릭을 생성하는 단계(S 210)와, (B-2) 상기 원본 콘텐츠의 핑거프린트(xi)와 상기 왜곡된 콘텐츠의 핑거프린트(xi,j) 사이의 거리는 작게 만들고, 상기 원본 콘텐츠의 핑거프린트(xi)와 다른 원본 콘텐츠(xk)의 핑거프린트 사이의 거리는 크게 만들 때 최소화되는 비용 함수[ε(A)]를 생성하는 단계(S 220)와, (B-3) 상기 비용 함수[ε(A)]가 최소화되는 경우를 찾아 상기 디스턴스 메트릭의 각 파라미터를 결정하는 단계(S 230)를 포함하고, 상기 (B-2) 단계에서 상기 비용 함수[ε(A)]는 볼록 함수인 것을 특징으로 하는, 핑거 프린팅 시스템의 정합 과정에서 사용하는 디스턴스 메트릭을 학습을 통해서 결정하는 방법
6 6
원본 콘텐츠에 대한 왜곡된 콘텐츠로부터 추출된 왜곡된 콘텐츠의 핑거프린트(xi,j)와 원본 콘텐츠의 핑거프린트(xi)와의 정합을 이용하여 콘텐츠 인식을 하는 핑거 프린팅 시스템의 정합 과정에서 사용하는 디스턴스 메트릭을 학습을 통해서 결정하는 방법으로써, (A) 상기 원본 콘텐츠의 핑거프린트(xi) 및 상기 왜곡된 콘텐츠의 핑거프린트(xi,j)로 구성된 훈련 데이터(training data)를 마련하는 단계와, (B) 상기 훈련 데이터를 이용하여 향상된 인식 성능을 낼 수 있는 디스턴스 메트릭을 학습(learning)을 통해 결정하는 단계를 포함하고, 상기 (B) 단계는, (B-1) 상기 디스턴스 메트릭을 파라미터화하여 파라미터화된 디스턴스 메트릭을 생성하는 단계(S 210)와, (B-2) 상기 원본 콘텐츠의 핑거프린트(xi)와 상기 왜곡된 콘텐츠의 핑거프린트(xi,j) 사이의 거리는 작게 만들고, 상기 원본 콘텐츠의 핑거프린트(xi)와 다른 원본 콘텐츠(xk)의 핑거프린트 사이의 거리는 크게 만들 때 최소화되는 비용 함수[ε(A)]를 생성하는 단계(S 220)와, (B-3) 상기 비용 함수[ε(A)]가 최소화되는 경우를 찾아 상기 디스턴스 메트릭의 각 파라미터를 결정하는 단계(S 230)를 포함하고, 상기 (B-3) 단계에서 상기 비용 함수[ε(A)]가 최소화되는 경우를 찾는 것은 투영 구배법(projected gradient method)을 이용하는 것을 특징으로 하는, 핑거 프린팅 시스템의 정합 과정에서 사용하는 디스턴스 메트릭을 학습을 통해서 결정하는 방법
지정국 정보가 없습니다
패밀리정보가 없습니다
국가 R&D 정보가 없습니다.