분석장치가 건물 하자에 대한 텍스트 데이터를 입력받는 단계;서로 다른 크기의 필터를 가진 복수개의 제1 인코더들이 상기 텍스트 데이터를 입력받아 각각 복수개의 공유 특징을 추출하는 단계;복수개의 제2 인코더들이 상기 제1 인코더들이 출력한 특징들을 결합한 값을 입력받아 복수의 작업 특징들을 추출하는 단계; 및복수개의 분류기들이 상기 복수개의 제2 인코더들이 각각 출력하는 값을 입력받아 각각 서로 다른 항목에 대한 분류값을 출력하는 단계;를 포함하되상기 복수개의 제1 인코더 및 상기 복수개의 제2 인코더들 각각은컨볼루션 레이어(Convolution Layer) 및 TSE(Text Squeeze and Excitation) 블록 쌍이 반복되는 구조를 하나 이상 포함하며상기 TSE 블록은상기 TSE 블록 이전 레이어로 부터 입력받은 특징맵(Feature map)정보에 어텐션 스코어(Attention Score)를 반영하여 각 특징맵 채널마다 서로 다른 가중치를 부여하는 블록이며상기 어텐션 스코어는상기 TSE 블록이 입력받은 특징맵 정보를 글로벌 평균 풀링(Global Average Pooling, GAP)레이어을 통해 스퀴즈(Squeeze)연산을 수행한 결과값에 완전 연결(Fully Connected) 레이어의 파라미터를 곱하여 엑시테이션(Excitation)연산을 수행하고, 상기 엑시테이션 연산의 수행 결과값에 시그모이드(Sigmoid) 함수를 적용하여 계산된 값인건물 하자 분류 방법

제 1 항에 있어서, 상기 분석장치는 서로 다른 두 개의 임베딩 모델을 이용하여 상기 텍스트 데이터를 임베딩하는 포함하는 건물 하자 분류 방법.

삭제

삭제

삭제

삭제

제 1 항에 있어서,상기 복수개의 분류기들은 각각 하자에 따른 작업의 타입, 하자의 위치, 하자의 타입 및 하자의 속성을 상기 분류값으로 출력하는 건물 하자 분류 방법.

건물 하자에 대한 텍스트 데이터를 입력받는 입력장치;서로 다른 크기의 필터를 가진 복수개의 제1 인코더, 복수개의 제2 인코더 및 복수개의 분류기를 포함하는 딥러닝 모델을 저장하는 저장장치; 및상기 복수개의 제1 인코더에 상기 텍스트 데이터를 입력하여 서로 다른 복수개의 공유 특징을 각각 추출하고, 상기 복수개의 공유 특징을 결합한 값을 상기 복수개의 제2 인코더에 입력하여 복수의 작업 특징들을 각각 추출하고, 복수개의 분류기에 상기 복수의 작업 특징들을 각각 입력하여 서로 다른 항목에 대한 분류값을 각각 출력하는 연산장치;를 포함하되상기 복수개의 제1 인코더 및 상기 복수개의 제2 인코더들 각각은컨볼루션 레이어 및 TSE(Text Squeeze and Excitation) 블록 쌍이 반복되는 구조를 하나이상 포함하며상기 TSE 블록은상기 TSE 블록 이전 레이어로 부터 입력받은 특징맵(Feature map)정보에 어텐션 스코어(Attention score)를 반영하여 각 특징맵 채널마다 서로 다른 가중치를 부여하는 블록이며상기 어텐션 스코어는상기 TSE 블록이 입력받은 특징맵 정보를 글로벌 평균 풀링(Global average pooling, GAP)레이어을 통해 스퀴즈(Squeeze)연산을 수행한 결과값에 완전 연결(Fully Connected) 레이어의 파라미터를 곱하여 엑시테이션(Excitation)연산을 수행하고, 상기 엑시테이션 연산의 수행 결과값에 시그모이드(Sigmoid) 함수를 적용하여 계산된 값인건물 하자 분류 장치.

제 8 항에 있어서, 상기 딥러닝 모델은 서로 다른 두 개의 임베딩 모델을 더 포함하고, 상기 두 개의 임베딩 모델을 이용하여 상기 텍스트 데이터를 임베딩하는 포함하는 건물 하자 분류 장치.

삭제

삭제

삭제

삭제

제 8 항에 있어서,상기 복수개의 분류기들은 각각 하자에 따른 작업의 타입, 하자의 위치, 하자의 타입 및 하자의 속성을 상기 분류값으로 출력하는 건물 하자 분류 장치.