| 1 |
1
디지털 신호 처리가 가능한 장치에 의해 수행되는 방법으로서,구조화 예측 프레임워크에 사전 정보를 결합한 학습 프레임워크를 생성하는 단계;상기 사전 정보를 포함하는 훈련 샘플을 이용하여 상기 학습 프레임워크에 대한 교대 최적화 학습을 실행하는 단계;상기 교대 최적화 학습이 실행된 상기 학습 프레임워크로부터 예측 모델을 생성하는 단계; 및상기 예측 모델을 이용하여 입력 영상으로부터의 특정 이미지에서 물체를 탐색하는 단계를포함하는 영상 물체 탐색 방법
|
| 2 |
2
청구항 1에 있어서,상기 학습 프레임워크를 생성하는 단계는,상기 사전 정보에 기초한 제1 공간의 제1 함수와 상기 훈련 샘플에 기초한 제2 공간의 제2 함수를 결합하는 것을 포함하고,상기 사전 정보는 훈련 샘플의 분할, 부분, 속성 또는 이들의 조합을 포함하며, 상기 제1 함수와 상기 제2 함수의 결합은 상기 훈련 샘플의 이미지와 상기 이미지 내 물체의 속성들을 포함하는 공간을 바운딩 박스 좌표들의 공간으로 연결하는 것을 포함하는 영상 물체 탐색 방법
|
| 3 |
3
청구항 1에 있어서,상기 구조화 예측 프레임워크는 구조화된 SVM(Structured Support Vector Machine) 분류기를 포함하는 영상 물체 탐색 방법
|
| 4 |
4
청구항 1에 있어서,상기 교대 최적화 학습을 실행하는 단계는,교대 손실 추가 추정(Alternating loss-augmented inference)을 통해 상기 사전 정보에 대응하는 목표 함수의 항목을 처리하는 단계를 포함하는 영상 물체 탐색 방법
|
| 5 |
5
청구항 4에 있어서,상기 교대 최적화 학습을 실행하는 단계는,상기 교대 손실 추가 추정을 통해 상기 사전 정보에 기초한 제1 공간과 상기 훈련 샘플의 원본 이미지에 기초한 제2 공간에서 효율 서브윈도우 검색(Efficient Subwindow Search, ESS)을 번갈아가며 실행하는 단계를 포함하는 영상 물체 탐색 방법
|
| 6 |
6
청구항 4에 있어서,상기 교대 최적화 학습을 실행하는 단계는,상기 교대 손실 추가 추정을 통해 상기 훈련 샘플의 타겟 이미지에서 모든 가능성 있는 바운딩 박스들을 추출하여 상기 물체의 바운딩 박스 좌표를 추정하는 단계를 더 포함하는 영상 물체 탐색 방법
|
| 7 |
7
청구항 6에 있어서,상기 교대 최적화 학습을 실행하는 단계는,상기 교대 손실 추가 추정을 통해 상기 바운딩 박스 좌표들을 연결하여 입력과 출력 변수들 간의 관계를 연관짓는 연결 특징점 맵을 작성하는 단계를 더 포함하는 영상 물체 탐색 방법
|
| 8 |
8
청구항 1에 있어서,상기 물체를 탐색하는 단계는,상기 예측 모델의 학습된 가중 벡터와 상기 입력 영상으로부터의 특정 이미지 내 영상 특징에 의해 주어지는 최적의 바운딩 박스를 찾는 것을 포함하는 영상 물체 탐색 방법
|
| 9 |
9
청구항 1에 있어서,상기 교대 최적화 학습을 실행하는 단계 중이거나 이후에 실제 영상 정보를 토대로 상기 학습 프레임워크를 검증하는 단계를 더 포함하는 영상 물체 탐색 방법
|
| 10 |
10
청구항 1 내지 청구항 9 중 어느 한 항의 영상 물체 탐색 방법을 수행하기 위한 프로그램을 기록한 컴퓨터 판독 가능 매체
|
| 11 |
11
구조화 예측 프레임워크에 사전 정보를 결합한 학습 프레임워크를 생성하는 프레임워크 생성부;상기 사전 정보를 포함한 훈련 샘플을 이용하여 상기 학습 프레임워크에 대한 교대 최적화 학습을 실행하는 학습부;상기 교대 최적화 학습이 실행된 상기 학습 프레임워크로부터 예측 모델을 생성하는 모델 생성부; 및상기 예측 모델을 이용하여 입력 영상으로부터의 특정 이미지에서 물체를 탐색하는 탐색부를포함하는 영상 물체 탐색 장치
|
| 12 |
12
청구항 11에 있어서,상기 프레임워크 생성부는,상기 사전 정보에 기초한 제1 공간의 제1 함수와 상기 훈련 샘플에 기초한 제2 공간의 제2 함수를 결합하고,상기 사전 정보는 훈련 샘플의 분할, 부분, 속성 또는 이들의 조합을 포함하며, 상기 제1 함수와 상기 제2 함수의 결합은 상기 훈련 샘플의 이미지와 상기 이미지 내 물체의 속성들을 포함한 공간을 바운딩 박스 좌표들의 공간으로 연결하는 것인 영상 물체 탐색 장치
|
| 13 |
13
청구항 11에 있어서,상기 구조화 예측 프레임워크는 구조화된 SVM(Structured Support Vector Machine) 분류기를 포함하는 영상 물체 탐색 장치
|
| 14 |
14
청구항 11에 있어서,상기 학습부는, 교대 손실 추가 추정(Alternating loss-augmented inference)을 통해 상기 사전 정보에 대응하는 목표 함수의 항목을 처리하는 영상 물체 탐색 장치
|
| 15 |
15
청구항 14에 있어서,상기 학습부는, 상기 교대 손실 추가 추정을 통해 상기 사전 정보에 기초한 제1 공간과 상기 훈련 샘플의 원본 이미지에 기초한 제2 공간에서 효율 서브윈도우 검색(Efficient Subwindow Search, ESS)을 번갈아가며 실행하는 제1 학습부를 포함하는 영상 물체 탐색 장치
|
| 16 |
16
청구항 14에 있어서,상기 학습부는, 상기 교대 손실 추가 추정을 통해 상기 훈련 샘플의 타겟 이미지에서 모든 가능성 있는 바운딩 박스들을 추출하여 상기 물체의 바운딩 박스 좌표를 추정하는 제2 학습부를 더 포함하는 영상 물체 탐색 장치
|
| 17 |
17
청구항 16에 있어서,상기 학습부는, 상기 교대 손실 추가 추정을 통해 상기 바운딩 박스 좌표들을 연결하여 입력과 출력 변수들 간의 관계를 연관짓는 연결 특징점 맵을 작성하는 제3 학습부를 더 포함하는 영상 물체 탐색 장치
|
| 18 |
18
청구항 11에 있어서,상기 탐색부는, 상기 예측 모델의 학습된 가중 벡터와 상기 입력 영상으로부터의 특정 이미지 내 영상 특징에 의해 주어지는 최적의 바운딩 박스를 찾는 영상 물체 탐색 장치
|
| 19 |
19
청구항 11에 있어서,상기 학습부에 결합하거나 상기 학습부와 상기 모델 생성부 사이에 배치되어 특정 물체를 포함하는 실제 영상 정보를 토대로 상기 학습 프레임워크를 검증하는 검증부를 더 포함하는 영상 물체 탐색 장치
|
| 20 |
20
청구항 11에 있어서,상기 프레임워크 생성부, 상기 학습부, 상기 모델 생성부, 상기 탐색부 또는 이들 조합의 동작을 위한 프로그램이나 명령어를 저장하는 메모리 시스템; 및상기 메모리 시스템에 연결되고 상기 프로그램이나 명령어를 실행하여 상기 입력 영상에서 미리 지정된 물체를 탐색하는 프로세서를포함하는 영상 물체 탐색 장치
|
