적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는, 텐서 네트워크를 이용한 이미지 분류 방법으로서, 입력 이미지를 구성하는 복수의 픽셀들에 대하여, 각 픽셀의 특징 벡터를 추출함으로써 상기 입력 이미지를 제1 텐서 네트워크로 인코딩하되, 상기 입력 이미지를 구성하는 복수의 픽셀들을 상기 입력 이미지를 덮는 미리 설정된 곡선에 대응되는 순서에 따라, 상기 제1 텐서 네트워크로 인코딩 하는 단계; 상기 제1 텐서 네트워크와 학습된 모델 네트워크를 이용하여 텐서 축약(contraction)을 수행하여 결과 네트워크를 생성하는 단계; 및상기 결과 네트워크의 특정 인덱스 값을 기초로 상기 입력 이미지의 클래스를 결정하는 단계; 를 포함하고, 상기 제1 텐서 네트워크, 상기 모델 네트워크 및 상기 결과 네트워크는 복수의 텐서들로 구성된 텐서 네트워크로 표현되는, 방법.

제1항에 있어서,상기 입력 이미지는 N개의 픽셀들을 포함하고, 상기 모델 네트워크는, N+1개의 열린 가지를 포함하되, N개의 열린 가지는 상기 N개의 픽셀에 대응되고 1개의 열린 가지는 상기 입력 이미지의 클래스에 대응되는, 방법.

제2항에 있어서, 상기 입력 이미지의 클래스에 대응되는 열린 가지는 L번째 가지이고, 상기 입력 이미지의 클래스를 결정하는 단계는,상기 결과 네트워크의 L번째 인덱스의 값을 상기 입력 이미지의 클래스에 대응되는 확률로 계산하는 단계;를 포함하는, 방법.

제3항에 있어서, 상기 입력 이미지의 클래스를 결정하는 단계는,하기 수학식에 따라 상기 확률을 계산하는 단계; 를 포함하는, 방법. L : L번째 클래스 : 상기 입력 이미지가 L번째 클래스일 확률 : 상기 제1 텐서 네트워크 : 상기 학습된 모델 네트워크

제1항에 있어서,상기 미리 설정된 곡선은 힐베르트 곡선을 포함하는, 방법.

제1항에 있어서,상기 미리 설정된 곡선은 onion 곡선을 포함하는, 방법.

제1항에 있어서,상기 미리 설정된 곡선은 Z-order 곡선을 포함하는, 방법.

제1항에 있어서,상기 미리 설정된 곡선은 Moore 곡선을 포함하는, 방법.

컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램(program)으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서(processor)에서 실행되는 경우, 텐서 네트워크를 이용한 이미지 분류를 수행하기 위한 동작들을 수행하도록 하며,상기 동작들은,입력 이미지를 구성하는 복수의 픽셀들에 대하여, 각 픽셀의 특징 벡터를 추출함으로써 상기 입력 이미지를 제1 텐서 네트워크로 인코딩하되, 상기 입력 이미지를 구성하는 복수의 픽셀들을 상기 입력 이미지를 덮는 미리 설정된 곡선에 대응되는 순서에 따라, 상기 제1 텐서 네트워크로 인코딩하는 동작; 상기 제1 텐서 네트워크와 학습된 모델 네트워크를 이용하여 텐서 축약(contraction)을 수행하여 결과 네트워크를 생성하는 동작; 및상기 결과 네트워크의 특정 인덱스 값을 기초로 상기 입력 이미지의 클래스를 결정하는 동작; 을 포함하고, 상기 제1 텐서 네트워크, 상기 모델 네트워크 및 상기 결과 네트워크는 복수의 텐서들로 구성된 텐서 네트워크로 표현되는, 컴퓨터 프로그램.

텐서 네트워크를 이용한 이미지 분류를 위한 컴퓨팅 장치로서,적어도 하나의 코어(core)를 포함하는 프로세서(processor); 및상기 프로세서에서 실행 가능한 프로그램 코드(code)들을 포함하는 메모리(memory);를 포함하고,상기 프로세서는,입력 이미지를 구성하는 복수의 픽셀들에 대하여, 각 픽셀의 특징 벡터를 추출함으로써 상기 입력 이미지를 제1 텐서 네트워크로 인코딩하되, 상기 입력 이미지를 구성하는 복수의 픽셀들을 상기 입력 이미지를 덮는 미리 설정된 곡선에 대응되는 순서에 따라, 상기 제1 텐서 네트워크로 인코딩하고, 상기 제1 텐서 네트워크와 학습된 모델 네트워크를 이용하여 텐서 축약(contraction)을 수행하여 결과 네트워크를 생성하고, 상기 결과 네트워크의 특정 인덱스 값을 기초로 상기 입력 이미지의 클래스를 결정하고, 상기 제1 텐서 네트워크, 상기 모델 네트워크 및 상기 결과 네트워크는 복수의 텐서들로 구성된 텐서 네트워크로 표현되는, 장치.