| 1 |
1
타겟 태스크를 설정하는 단계;상기 타겟 태스크에 대응하는 왜곡손실함수를 결정하는 단계;미분가능한 형태로 표현되는 비트레이트손실함수를 추정하는 단계;상기 왜곡손실함수와 상기 비트레이트손실함수에 각각 소정의 가중치를 부여한 후 서로 더하여 양자화 변수를 산출하는 단계; 및상기 양자화 변수의 최적값을 도출하고 상기 최적값을 기반으로 양자화 테이블을 생성하는 단계;를 포함하는 타겟 태스크별 양자화 테이블 생성 방법
|
| 2 |
2
제1 항에 있어서,상기 비트레이트손실함수를 추정하기 위한 회귀모델을 학습하는 단계를 더 포함하며,상기 회귀모델은 뉴럴 네트워크 모델을 통하여 학습되는 타겟 태스크별 양자화 테이블 생성 방법
|
| 3 |
3
제2 항에 있어서,상기 뉴럴 네트워크 모델은 LSTM(Long Short-Term Memory)인 타겟 태스크별 양자화 테이블 생성 방법
|
| 4 |
4
제2 항에 있어서,상기 회귀모델은 허프만(Huffman) 모델을 추정하도록 학습되는 타겟 태스크별 양자화 테이블 생성 방법
|
| 5 |
5
제4 항에 있어서,상기 회귀모델은 다중 퍼셉트론(MLP)을 통하여 학습되는 타겟 태스크별 양자화 테이블 생성 방법
|
| 6 |
6
제5 항에 있어서,상기 비트레이트손실함수는 DC 성분에 기반하는 제1 부분 및 AC 성분에 기반하는 제2 부분의 합으로 구성되며,상기 제1 부분 및 상기 제2 부분은 각각 다중 퍼셉트론(MLP)을 통하여 학습되는 회귀모델에 의해 도출되는 타겟 태스크별 양자화 테이블 생성 방법
|
| 7 |
7
제6 항에 있어서,상기 제2 부분은 LSTM(Long Short-Term Memory)을 통하여 학습되는 회귀모델에 의해 도출되는 결과를 입력변수로 하는 타겟 태스크별 양자화 테이블 생성 방법
|
| 8 |
8
제2 항에 있어서,상기 회귀모델은 랜덤 데이터를 합성하여 사용하는 학습 데이터를 이용하는 타겟 태스크별 양자화 테이블 생성 방법
|
| 9 |
9
제1 항에 있어서,상기 최적값은 상기 양자화 변수를 최소화하는 것인 타겟 태스크별 양자화 테이블 생성 방법
|
| 10 |
10
제1 항에 있어서,상기 타겟 태스크는 기설정 된 것 중 어느 하나인 타겟 태스크별 양자화 테이블 생성 방법
|
| 11 |
11
제10 항에 있어서,상기 기설정된 태스크들은 이미지 분류(classification), 이미지 분할(segmentation), 이미지 캡셔닝(captioning) 및 이미지 품질을 포함하는 타겟 태스크별 양자화 테이블 생성 방법
|
| 12 |
12
제11 항에 있어서,상기 기설정된 태스크들에 대응하는 상기 왜곡손실함수는 분류오류, MSE, 퍼셉츄얼 손실(Perceptual loss)을 포함하는 타겟 태스크별 양자화 테이블 생성 방법
|
| 13 |
13
제1 항에 있어서,상기 생성된 양자화 테이블을 기반으로 비트레이트를 결정하는 단계;를 더 포함하는 타겟 태스크별 양자화 테이블 생성 방법
|
