| 1 |
1
입력 영상에 대한 제1 매개변수를 제1 타입에서 제2 타입으로 표현하고 학습하여 제1 학습 결과로 출력하는 제1 신경망 모듈; 상기 입력 영상에 대한 제2 매개변수 중 일부의 연결을 제거하고 학습하여 제2 학습 결과로 출력하는 제2 신경망 모듈; 상기 제1 학습 결과 및 상기 제2 학습 결과를 합산한 합산 결과로부터 상기 입력 영상의 객체에 대한 예측값을 생성하는 예측 모듈; 및 상기 예측값에 근거하여 상기 제1 매개변수 및 제2 매개변수를 업데이트하는 최적화 모듈;을 포함하는 객체 추적 학습 시스템
|
| 2 |
2
제1항에 있어서, 상기 제1 신경망 모듈은,실수형의 상기 제1 타입의 매개변수를 정수형의 상기 제2 타입으로 양자화하는 제1-1 양자화부:를 포함하는 객체 추적 학습 시스템
|
| 3 |
3
제2항에 있어서, 상기 제1-1 양자화부는, 상기 제1 타입의 매개변수에 대한 타겟 구간의 중심과 폭에 대응되어 상기 제1 타입의 매개변수를 상기 제2 타입으로 양자화하는 객체 추적 학습 시스템
|
| 4 |
4
제2항에 있어서, 상기 제1 신경망 모듈은,상기 제1 타입의 활성화 값을 상기 제2 타입으로 양자화하는 제1-2 양자화부;를 더 포함하는 객체 추적 학습 시스템
|
| 5 |
5
제1항에 있어서, 상기 제2 신경망 모듈은,상기 제1 타입의 상기 제2 매개변수의 일부에 대응되는 채널(channel)을 프루닝(pruning)하는 채널 프루닝부;를 포함하는 객체 추적 학습 시스템
|
| 6 |
6
제1항에 있어서, 상기 제1 신경망 모듈은,실수형의 상기 제1 타입의 제1 매개변수를 정수형의 상기 제2 타입으로 양자화하는 제1-1 양자화부:를 포함하고, 상기 제2 신경망 모듈은,상기 제1 타입의 상기 제2 매개변수의 일부에 대응되는 채널을 프루닝하는 채널 프루닝부;를 포함하는 객체 추적 학습 시스템
|
| 7 |
7
제1항에 있어서, 상기 최적화 모듈은, 상기 제1 학습 결과, 상기 제2 학습 결과 및 상기 예측값의 손실을 조정하는 손실 조정부; 및 상기 조정된 손실에 근거하여 역전파(backpropagation)를 수행하는 역전파 수행부;를 포함하는 객체 추적 학습 시스템
|
| 8 |
8
제1항에 있어서, 상기 제1 신경망 모듈 및 상기 제2 신경망 모듈을 사전 학습하여 테스트 영상에 대한 사전 학습을 수행하여 상기 입력 영상에 대한 매개변수의 초기값을 설정하는 사전 학습 모듈;을 더 포함하는 객체 추적 학습 시스템
|
| 9 |
9
제8항에 있어서, 스트리밍 영상(streaming video)인 상기 입력 영상에 대해 상기 제2 신경망 모듈의 실시간 학습을 제어하는 온라인 추적 모듈;을 더 포함하는 객체 추적 학습 시스템
|
| 10 |
10
제9항에 있어서, 상기 예측 모듈은, 사전 학습되는 상기 제1 신경망 모듈의 상기 제1 학습 결과와 온라인 학습되는 상기 제2 신경망 모듈의 상기 제2 학습 결과를 합산하여 상기 합산 출력으로 생성하는 학습 결과 합산부;를 포함하는 객체 추적 학습 시스템
|
| 11 |
11
제1항에 있어서, 제1 기준에 근거하여 상기 제1 신경망 모듈 및 상기 제2 신경망 모듈의 조합을 달리 설정하는 신경망 설계 모듈;을 더 포함하는 객체 추적 학습 시스템
|
| 12 |
12
제1항에 있어서, 상기 제1 학습 결과는 정수형으로 표현되고, 상기 제2 학습 결과는 실수형으로 표현되며,상기 합산 결과는 정수형 및 실수형이 혼합되어 표현되는 객체 추적 학습 시스템
|
| 13 |
13
이종의 적어도 둘 이상의 신경망 모듈; 상기 적어도 둘 이상의 신경망 모듈의 학습 결과가 합산되는 합산 결과로부터 예측값을 생성하는 예측 모듈; 및 상기 예측값에 근거하여 상기 적어도 둘 이상의 신경망의 매개변수를 업데이트하는 최적화 모듈;을 포함하고,상기 합산 결과는, 이종의 형식으로 표현되는 적어도 둘 이상의 요소를 포함하는 객체 추적 학습 시스템
|
| 14 |
14
제13항에 있어서, 상기 적어도 둘 이상의 신경망 모듈은, 상기 입력 영상에 대한 매개변수를 정수형으로 양자화하는 제1 신경망 모듈; 및 상기 입력 영상에 대한 매개변수의 일부에 대응되는 채널을 프루닝하는 채널 프루닝부;를 포함하는 객체 추적 학습 시스템
|
| 15 |
15
제13항에 있어서, 상기 적어도 둘 이상의 신경망 모듈은,사전 학습되는 제1 신경망 모듈; 및 사전 학습 및 실시간 학습되는 제2 신경망 모듈;을 포함하는 객체 추적 학습 시스템
|
| 16 |
16
제13항에 있어서, 상기 적어도 둘 이상의 신경망 모듈은,상기 입력 영상의 주요 정보에 대해 거친 스케일(coarse scale)의 제1 학습 결과를 출력하는 제1 신경망 모듈; 및상기 입력 영상의 보충 정보에 대해 세밀한 스케일(Fine scale)의 제2 학습 결과를 출력하는 제2 신경망 모듈;을 포함하는 객체 추적 학습 시스템
|
| 17 |
17
하이브리드 신경망 기반 객체 추적 학습 방법에 있어서, 입력 영상에 대한 제1 매개변수를 제1 타입에서 제2 타입으로 표현하여 제1 학습 결과로 출력하는 단계; 상기 입력 영상에 대한 제2 매개변수 중 일부의 연결을 제거하여 제2 학습 결과로 출력하는 단계; 상기 제1 학습 결과 및 상기 제2 학습 결과가 합산되는 합산 결과에 근거하여 예측값을 생성하는 단계; 및 상기 예측값에 근거하여 상기 제1 매개변수 및 상기 제2 매개변수를 업데이트하는 단계;를 포함하는 객체 추적 학습 방법
|
| 18 |
18
제17항에 있어서, 상기 제1 학습 결과로 출력하는 단계는,실수형의 상기 제1 타입의 매개변수를 정수형의 상기 제2 타입으로 양자화하는 단계:를 포함하고, 상기 제2 학습 결과로 출력하는 단계는, 상기 제2 매개변수의 일부에 대응되는 채널을 프루닝하는 단계;를 포함하는 객체 추적 학습 방법
|
| 19 |
19
제17항에 있어서, 상기 예측값을 생성하는 단계는, 사전 학습되는 상기 제1 신경망 모듈의 상기 제1 학습 결과와 온라인 학습되는 상기 제2 신경망 모듈의 상기 제2 학습 결과를 상기 합산 결과로 합산하는 단계;를 포함하는 객체 추적 학습 시스템
|
| 20 |
20
제17항에 있어서, 상기 제1 학습 결과는 정수형으로 표현되고, 상기 제2 학습 결과는 실수형으로 표현되며,상기 제1 학습 결과 및 상기 제2 학습 결과를 합산한 합산 결과는 정수형 및 실수형이 혼합되어 표현되는 객체 추적 학습 방법
|
