[发明专利]用于检索图像的神经网络装置及其操作方法

说明书

本申请提供了一种神经网络装置和操作神经网络的方法。所述神经网络装置包括：处理器，其执行用于训练神经网络的操作；特征提取模块，其提取对应于未标记图像的未标记特征向量和对应于标记图像的标记特征向量；以及分类器，其对查询图像的类别进行分类，其中，所述处理器通过使用所述标记特征向量来执行关于多个码本的第一学习，并且通过基于所述标记特征向量和所述未标记特征向量的全部对熵进行优化来执行关于所述多个码本的第二学习。

相关申请的交叉引用

本申请要求于2020年4月3日在韩国知识产权局提交的韩国专利申请No.10-2020-0041076和于2021年2月4日在韩国知识产权局提交的韩国专利申请No.10-2021-0016274的优先权，这两个申请的内容通过引用方式全部并入本文中。

技术领域

本发明构思的实施例涉及一种神经网络装置及其操作方法，更具体地，涉及一种用于检索图像的神经网络装置及其操作方法。

背景技术

对从散列(hash)函数获得的二进制散列码的使用在通过使用较小存储空间和提供高检索速率来检索图像方面展现出非凡的性能。随着深度学习方法的发展，已经提出了基于卷积神经网络的散列函数。

然而，当数据库中的标记图像不足以检索图像时，基于卷积神经网络的散列函数可能无法容易地获得期望的性能，因此，期望一种将未标记图像与标记图像一起使用的方法。

发明内容

本发明构思的实施例提供一种神经网络及其操作方法，所述神经网络能够通过除了使用标记图像之外还使用未标记图像来稳健地提高图像检索性能。

根据本发明构思的实施例，提供了一种神经网络装置，该神经网络装置包括：处理器，其执行训练神经网络的操作；特征提取模块，其提取对应于未标记图像的未标记特征向量和对应于标记图像的标记特征向量；以及分类器，其对查询图像的类别进行分类，其中，所述处理器通过使用标记特征向量来执行关于多个码本的第一学习，并且通过基于标记特征向量和未标记特征向量的全部对熵进行优化来执行关于所述多个码本的第二学习。

根据本发明构思的其他实施例，提供了一种操作神经网络的方法，该方法包括步骤：提取对应于未标记图像的未标记特征向量和对应于标记图像的标记特征向量；通过使用标记特征向量来执行关于多个码本的第一学习；以及通过基于标记特征向量和未标记特征向量的全部对熵进行优化，来执行关于所述多个码本的第二学习。

根据本发明构思的其他实施例，提供了一种操作神经网络装置的方法，该方法包括步骤：接收包括至少一个标记图像和至少一个未标记图像的多个生物特征图像；提取对应于所述多个生物特征图像的特征向量；通过使用特征向量来执行关于多个码本的学习；接收查询图像并根据所述多个生物特征图像计算距离值；基于计算出的距离值来估计对所述多个生物特征图像进行分类的类别的期望值；当期望值中的最大值超过预设阈值时，通过生物特征认证。

附图说明

图1是根据本发明构思的实施例的神经网络装置的框图。

图2示出了根据实施例的特征提取模块的处理。

图3A示出了根据本发明构思的实施例的神经网络装置。

图3B示出根据本发明构思的实施例的在特征空间中执行乘积量化的结果的示例。

图3C示出了根据本发明构思的实施例的子向量、码本(codebook)和量化的子向量之间的关系。

图3D示出了根据本发明构思的实施例的使用分类器的学习过程的示例。

图4是根据本发明构思的实施例的神经网络装置的操作的流程图；

图5是根据本发明构思的实施例的神经网络的学习过程的流程图，在该图中详细示出了图4中的操作S110。