| 1 |
1
전자 장치의 동작 방법에 있어서, 적어도 세 개의 데이터 포인트들로부터 복수의 데이터 쌍들을 구성하는 단계; 상기 데이터 쌍들의 각각에 대해, 상기 데이터 포인트들 사이의 상대적 정보를 검출하는 단계; 및상기 상대적 정보를 기반으로, 상기 데이터 포인트들 사이의 변환 함수를 학습하는 단계를 포함하는, 방법
|
| 2 |
2
제 1 항에 있어서, 상기 변환 함수는,소스 데이터로부터 타겟 데이터를 생성하는 데 이용되는, 방법
|
| 3 |
3
제 1 항에 있어서, 상기 데이터 쌍들을 구성하는 단계는,그래프 신경망(Graph Neural Network)을 이용하여, 상기 데이터 포인트들을 그래프 모델 구조로 배열함으로써, 상기 데이터 쌍들을 구성하는 단계를 포함하는, 방법
|
| 4 |
4
제 3 항에 있어서, 상기 상대적 정보를 검출하는 단계는, 상기 그래프 모델 구조에 기반하여, 상기 데이터 포인트들 중 하나로부터 상기 데이터 포인트들로의 변환 파라미터들을 각각 검출하는 단계; 및상기 그래프 모델 구조에 기반하여, 상기 변환 파라미터들을 인코딩함으로써, 상기 상대적 정보를 검출하는 단계를 포함하는, 방법
|
| 5 |
5
제 4 항에 있어서, 상기 변환 파라미터들을 검출하는 단계는, 상기 데이터 포인트들 중 하나의 변환 파라미터를 초기값으로 설정하는 단계; 및상기 데이터 포인트들 중 하나로부터 상기 데이터 포인트들 중 나머지로의 변환 파라미터들을 각각 검출하는 단계를 포함하는, 방법
|
| 6 |
6
제 2 항에 있어서, 상기 변환 함수를 학습하는 단계는,콘볼루션 신경망(Convolutional Neural Network)을 이용하여, 상기 상대적 정보를 기반으로, 상기 변환 함수를 학습하는 단계를 포함하는, 방법
|
| 7 |
7
제 6 항에 있어서, 상기 변환 함수를 학습하는 단계는,오토 인코더 네트워크(autoencoder network)를 이용하여, 상기 데이터 포인트들 중 하나를 재구성함으로써, 동일 변환(identical transformation) 함수를 학습하는 단계;1차원 콘볼루션 네트워크(1D-convolution network)에 상기 상대적 정보와 상기 재구성된 데이터 포인트를 적용하고, 상기 1차원 콘볼루션 네트워크로부터 출력되는 픽셀-단위 값 오프셋(pixel-wise value offset)을 상기 재구성된 데이터 포인트에 결합함으로써, 가치 변환(value transformation) 함수를 학습하는 단계; 및업-콘볼루션 네트워크(up-convolution network)에 상기 오토 인코더 네트워크의 병목 계층으로부터 추출되는 특징값과 상기 상대적 정보를 적용하고, 상기 업-콘볼루션 네트워크로부터 출력되는 픽셀-단위 전환 오프셋(pixel-wise transition offset)을 기반으로 상기 가치 변환 함수의 결과값을 변환함으로써, 공간 변환(spatial transformation) 함수를 학습하는 단계를 포함하는, 방법
|
| 8 |
8
제 7 항에 있어서, 상기 변환 함수는,상기 동일 변환 함수, 상기 가치 변환 함수 및 상기 공간 변환 함수의 조합으로 이루어지는, 방법
|
| 9 |
9
전자 장치에 있어서, 메모리; 및상기 메모리와 연결되고, 상기 메모리에 저장된 적어도 하나의 명령을 실행하도록 구성된 프로세서를 포함하고, 상기 프로세서는, 적어도 세 개의 데이터 포인트들로부터 복수의 데이터 쌍들을 구성하고, 상기 데이터 쌍들의 각각에 대해, 상기 데이터 포인트들 사이의 상대적 정보를 검출하고, 상기 상대적 정보를 기반으로, 상기 데이터 포인트들 사이의 변환 함수를 학습하도록 구성되는, 장치
|
| 10 |
10
제 9 항에 있어서, 상기 변환 함수는,소스 데이터로부터 타겟 데이터를 생성하는 데 이용되는, 장치
|
| 11 |
11
제 9 항에 있어서, 상기 프로세서는,그래프 신경망을 이용하여, 상기 데이터 포인트들을 그래프 모델 구조로 배열함으로써, 상기 데이터 쌍들을 구성하도록 구성되는, 장치
|
| 12 |
12
제 11 항에 있어서, 상기 프로세서는,상기 그래프 모델 구조에 기반하여, 상기 데이터 포인트들 중 하나로부터 상기 데이터 포인트들로의 변환 파라미터들을 각각 검출하고, 상기 그래프 모델 구조에 기반하여, 상기 변환 파라미터들을 인코딩함으로써, 상기 상대적 정보를 검출하도록 구성되는, 장치
|
| 13 |
13
제 12 항에 있어서, 상기 프로세서는, 상기 데이터 포인트들 중 하나의 변환 파라미터를 초기값으로 설정하고, 상기 데이터 포인트들 중 하나로부터 상기 데이터 포인트들 중 나머지로의 변환 파라미터들을 각각 검출하도록 구성되는, 장치
|
| 14 |
14
제 10 항에 있어서, 상기 프로세서는, 콘볼루션 신경망을 이용하여, 상기 상대적 정보를 기반으로, 상기 변환 함수를 학습하도록 구성되는, 장치
|
| 15 |
15
제 14 항에 있어서, 상기 프로세서는, 오토 인코더 네트워크를 이용하여, 상기 데이터 포인트들 중 하나를 재구성함으로써, 동일 변환 함수를 학습하고, 1차원 콘볼루션 네트워크에 상기 상대적 정보와 상기 재구성된 데이터 포인트를 적용하고, 상기 1차원 콘볼루션 네트워크로부터 출력되는 픽셀-단위 값 오프셋을 상기 재구성된 데이터 포인트에 결합함으로써, 가치 변환 함수를 학습하고, 업-콘볼루션 네트워크에 상기 오토 인코더 네트워크의 병목 계층으로부터 추출되는 특징값과 상기 상대적 정보를 적용하고, 상기 업-콘볼루션 네트워크로부터 출력되는 픽셀-단위 전환 오프셋을 기반으로 상기 가치 변환 함수의 결과값을 변환함으로써, 공간 변환 함수를 학습하도록 구성되는, 장치
|
| 16 |
16
제 15 항에 있어서, 상기 변환 함수는,상기 동일 변환 함수, 상기 가치 변환 함수 및 상기 공간 변환 함수의 조합으로 이루어지는, 장치
|
| 17 |
17
비-일시적인 컴퓨터-판독 가능 저장 매체에 있어서, 적어도 세 개의 데이터 포인트들로부터 복수의 데이터 쌍들을 구성하는 단계; 상기 데이터 쌍들의 각각에 대해, 상기 데이터 포인트들 사이의 상대적 정보를 검출하는 단계; 및상기 상대적 정보를 기반으로, 상기 데이터 포인트들 사이의 변환 함수를 학습하는 단계를 실행하기 위한 하나 이상의 프로그램들을 저장하기 위한 컴퓨터-판독 가능 저장 매체
|
| 18 |
18
제 17 항에 있어서, 상기 변환 함수는,소스 데이터로부터 타겟 데이터를 생성하는 데 이용되는, 컴퓨터-판독 가능 저장 매체
|
| 19 |
19
제 17 항에 있어서, 상기 데이터 쌍들을 구성하는 단계는,그래프 신경망을 이용하여, 상기 데이터 포인트들을 그래프 모델 구조로 배열함으로써, 상기 데이터 쌍들을 구성하는 단계를 포함하는, 컴퓨터-판독 가능 저장 매체
|
| 20 |
20
제 17 항에 있어서, 상기 변환 함수를 학습하는 단계는,콘볼루션 신경망을 이용하여, 상기 상대적 정보를 기반으로, 상기 변환 함수를 학습하는 단계를 포함하는, 컴퓨터-판독 가능 저장 매체
|
