[发明专利]利用虚拟三维深层神经网络的影像分析装置及方法

说明书

公开了一种利用虚拟三维深层神经网络的影像分析装置及方法。影像分析装置包括：影像获取部，按预先设定的顺序堆叠多个二维影像数据；三维影像生成部，基于对来自影像获取部的堆叠形态的多个二维影像数据的不同形态的多个信息，生成多个三维数据；以及深度学习算法分析部，对来自三维影像生成部的多个三维数据分别适用二维卷积神经网络，合并针对多个三维数据的二维卷积神经网络的适用结果。

技术领域

本发明的实施例涉及利用影像重组的影像分析技术，更详细地说涉及利用虚拟三维深层神经网络的影像分析装置及方法。

背景技术

人工神经网络(artificial neural network，ANN)是体现机械学习(machinelearning)的技术之一。

一般来讲，人工神经网络由输入层(input layer)、隐藏层(hidden layer)及输出层(output layer)组成。各个层由神经元(neuron)所构成，各层神经元与之前层的神经元的输出相连接。将之前层的神经元的各个输出值与其相应的连接加权值(weight)内积(inner product)后的值加上偏差(bias)的值，放进通常为非线性(non-linear)的激活函数(activation function)中后将其输出值传送给下一层的神经元。

现有的机械学习技术是通过在输入的数据中人为设计的特征提取(featureextraction)过程获得的信息中，学习分类器(classifier)，但是人工神经网络的特征是从头到尾学习特征提取和分类器(end-to-end learning)。

卷积神经网络(convolutional neural network，CNN)在影像识别领域以凌驾于现有机械学习技术的性能而备受瞩目。卷积神经网络的结构与普通的人工神经网络的结构基本相同，额外的构成因素是卷积层(convolutional layer)与采样层(pooling layer)。

普通的卷积神经网络的结构是卷积层和采样层交替进行，经过两三个左右的全连接层(fully-connected layer)最后抵达输出层。卷积层的神经网与之前层的与所有神经元全连接(fully-connected)的人工神经网络不同，只与之前层的小区域连接(localconnectivity)。

并且，如特征图(feature map)属于切片(slice)的神经元拥有相同的值(parameter sharing)的加权值和偏差。如此执行的演算为卷积，适用加权值的集合称为滤波器(filter)或者内核(kernel)。卷积神经网络可以有效提取影像中的特征，并且通过减少参数量防止过拟合(overfitting)，提升泛化(generalization)性能。

采样层位于卷积层之间，起到减少特征图(feature map)的空间(spatial)大小的作用。并且此过程也起到通过减少参数量防止过拟合的作用。使用最多的形态是将2x2的滤波器以2的间距适用的最大池化(max-pooling)法。此过程会将特征图的大小对于宽度和高度方向各减少一半。

另一方面，现有的技术有涉及用于视觉内容基础的影像识别的深度学习框架及影像识别方法的韩国公开专利公报第10-2016-0122452号(2016.10.24公开)。但是所述技术是提供适用基本的深度学习算法模型的框架，与构成特定结构的模型多少有些差别。

发明内容

(要解决的问题)

为解决所述现有技术的问题，本发明的目的在于提供在三维空间里将二维影像重组为三维数据，并且通过旋转重组的三维数据生成另一个三维数据，然后在生成的多个三维数据分别适用二维卷积神经网络后合并，从而能够在深层神经网络容易地分析三维影像数据的影像分析装置及方法。

(解决问题的手段)