맞춤기술찾기

홈으로 가기
맞춤기술찾기
이전대상기술
프린트하기

이전대상기술

랜덤한 트리 CNN에 기반한 영상 분석 방법 및 포레스트 CNN에 기반한 영상 분석 방법

  • 기술번호 : KST2018010570
  • 담당센터 : 인천기술혁신센터
  • 전화번호 : 032-420-3580
상담신청 PDF 받기
요약, Int. CL, CPC, 출원번호/일자, 출원인, 등록번호/일자, 공개번호/일자, 공고번호/일자, 국제출원번호/일자, 국제공개번호/일자, 우선권정보, 법적상태, 심사진행상태, 심판사항, 구분, 원출원번호/일자, 관련 출원번호, 기술이전 희망, 심사청구여부/일자, 심사청구항수의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 서지정보 표입니다.
요약 랜덤한 트리 CNN에 기반한 영상 분석 방법은 컴퓨터 장치가 하나의 노드가 CNN(Convolutional Neural Network)에 해당하는 트리의 루트 노드에 소스 영상을 입력하는 단계, 상기 컴퓨터 장치가 상기 트리의 어느 하나의 노드의 CNN에서 상기 소스 영상을 분류하여 상기 어느 하나의 노드의 자식 노드로 상기 소스 영상을 전달하는 단계 및 상기 컴퓨터 장치가 상기 소스 영상이 최종적으로 전달되는 말단 노드의 CNN을 이용하여 상기 소스 영상을 분류하는 단계를 포함한다. 상기 트리는 상기 루트 노드에 속한 CNN을 시작으로 샘플 영상을 사전에 학습하면서 랜덤하게 분기되고, 상기 트리에서 자식 노드의 CNN은 상기 자식 노드의 부모 노드의 CNN이 학습한 샘플 영상 집합의 부분 집합을 이용하여 학습한다. 나아가 복수의 트리 CNN를 포함하는 포레스트 CNN를 사용하여 다수결의 원칙에 따라 영상 분석을 할 수도 있다.
Int. CL G06N 3/08 (2006.01.01) G06N 3/04 (2006.01.01)
CPC G06N 3/084(2013.01) G06N 3/084(2013.01) G06N 3/084(2013.01) G06N 3/084(2013.01)
출원번호/일자 1020170009869 (2017.01.20)
출원인 이화여자대학교 산학협력단
등록번호/일자 10-1942173-0000 (2019.01.18)
공개번호/일자 10-2018-0086021 (2018.07.30) 문서열기
공고번호/일자 (20190411) 문서열기
국제출원번호/일자
국제공개번호/일자
우선권정보
법적상태 등록
심사진행상태 수리
심판사항
구분 신규
원출원번호/일자
관련 출원번호
심사청구여부/일자 Y (2017.01.20)
심사청구항수 10

출원인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 출원인 표입니다.
번호 이름 국적 주소
1 이화여자대학교 산학협력단 대한민국 서울특별시 서대문구

발명자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 발명자 표입니다.
번호 이름 국적 주소
1 강제원 대한민국 서울특별시 마포구
2 강민주 대한민국 서울특별시 서대문구

대리인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 대리인 표입니다.
번호 이름 국적 주소
1 특허법인(유한)아이시스 대한민국 서울특별시 강남구 테헤란로**길 **, 인화빌딩 *층 (삼성동)

최종권리자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 최종권리자 표입니다.
번호 이름 국적 주소
1 이화여자대학교 산학협력단 대한민국 서울특별시 서대문구
번호, 서류명, 접수/발송일자, 처리상태, 접수/발송일자의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 행정처리 표입니다.
번호 서류명 접수/발송일자 처리상태 접수/발송번호
1 [특허출원]특허출원서
[Patent Application] Patent Application		 2017.01.20 수리 (Accepted) 1-1-2017-0072680-27
2 의견제출통지서
Notification of reason for refusal		 2018.08.20 발송처리완료 (Completion of Transmission) 9-5-2018-0560101-64
3 [거절이유 등 통지에 따른 의견]의견(답변, 소명)서
[Opinion according to the Notification of Reasons for Refusal] Written Opinion(Written Reply, Written Substantiation)		 2018.10.18 수리 (Accepted) 1-1-2018-1027542-59
4 [명세서등 보정]보정서
[Amendment to Description, etc.] Amendment		 2018.10.18 보정승인간주 (Regarded as an acceptance of amendment) 1-1-2018-1027557-33
5 등록결정서
Decision to grant		 2018.12.27 발송처리완료 (Completion of Transmission) 9-5-2018-0891785-36
6 [명세서등 보정]보정서(심사관 직권보정)
 2019.04.04 보정승인간주 (Regarded as an acceptance of amendment) 1-1-2019-5010371-01
번호, 청구항의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 청구항 표입니다.
번호 청구항
1 1
컴퓨터 장치가 하나의 노드가 CNN(Convolutional Neural Network)에 해당하는 트리의 루트 노드에 소스 영상을 입력하는 단계; 상기 컴퓨터 장치가 상기 트리의 어느 하나의 노드의 CNN에서 상기 소스 영상을 분류하여 상기 어느 하나의 노드의 자식 노드로 상기 소스 영상을 전달하는 단계; 및상기 컴퓨터 장치가 상기 소스 영상이 최종적으로 전달되는 말단 노드의 CNN을 이용하여 상기 소스 영상을 분석하는 단계를 포함하되,상기 트리는 상기 루트 노드에 속한 CNN을 시작으로 샘플 영상을 사전에 학습하면서 랜덤하게 분기되고, 상기 트리에서 자식 노드의 CNN은 상기 자식 노드의 부모 노드의 CNN이 학습한 샘플 영상 집합의 부분 집합을 이용하여 학습하되,상기 자식 노드는 상기 부모 노드의 샘플 영상 집합 중 혼동률이 서로 기준값 이상인 원소를 포함하는 상기 부분 집합으로 학습하고, 상기 부모 노드의 자식 노드들이 학습에 이용하는 학습 데이터의 부분 집합들은 서로 다르고, 상기 부분 집합들은 서로 혼동률이 기준값 미만인 원소로 구성되는 랜덤한 트리 CNN에 기반한 영상 분석 방법
2 2
제1항에 있어서,상기 트리의 각 노드는 CNN 모델과 혼동 매트릭스를 포함하고, 상기 혼동 매트릭스를 이용하여 노드가 분기하는 랜덤한 트리 CNN에 기반한 영상 분석 방법
3 3
제1항에 있어서,상기 트리는 어느 하나의 부모 노드에서 학습한 상기 샘플 영상 집합에 대한 분류 예측도를 기반으로 상기 샘플 영상 집합에 속한 원소들 중 분류 예측의 정확도가 기준 범위에 속하는 원소들을 상기 부분 집합으로 분류하고, 상기 부모 노드의 자식 노드는 상기 부분 집합의 개수만큼 분기하는 랜덤한 트리 CNN에 기반한 영상 분석 방법
4 4
제3항에 있어서,상기 트리는 말단 노드를 제외하고 어느 하나의 노드가 적어도 2개의 자식 노드를 갖는 랜덤한 트리 CNN에 기반한 영상 분석 방법
5 5
삭제
6 6
제1항에 있어서,상기 트리는 아래 수식으로 표현되는 정답률 함수를 이용하여 상기 샘플 영상 집합에 속한 원소들 중 어느 하나의 자식 노드에서의 분류 정확도가 기준값 이상인 요소를 포함하는 부분 집합을 결정하고, 해당 부분 집합에 속한 샘플 영상을 상기 어느 하나의 자식 노드에 할당하여 학습하는 랜덤한 트리 CNN에 기반한 영상 분석 방법
7 7
제1항에 있어서,상기 자식 노드의 CNN는 상기 부모 노드의 CNN의 구조 중 복수의 콘볼류션 계층 및 풀링 계층을 공유하는 랜덤한 트리 CNN에 기반한 영상 분석 방법
8 8
컴퓨터 장치가 하나의 노드가 CNN(Convolutional Neural Network)에 해당하는 복수의 트리의 루트 노드 각각에 소스 영상을 입력하는 단계;상기 컴퓨터 장치가 상기 복수의 트리 각각에서 어느 하나의 노드의 CNN에서 상기 소스 영상을 분류하여 상기 어느 하나의 노드의 자식 노드로 상기 소스 영상을 전달하는 단계;상기 컴퓨터 장치가 상기 복수의 트리 각각에서 상기 소스 영상이 최종적으로 전달되는 말단 노드의 CNN을 이용하여 상기 소스 영상을 분석하는 단계; 및상기 컴퓨터 장치가 상기 복수의 트리에서 상기 소스 영상을 분석한 결과값 중 가장 많은 분석 결과값을 선택하는 단계를 포함하되,상기 트리는 상기 루트 노드에 속한 CNN을 시작으로 샘플 영상을 사전에 학습하면서 랜덤하게 분기되고, 상기 트리에서 자식 노드의 CNN은 상기 자식 노드의 부모 노드의 CNN이 학습한 샘플 영상 집합의 부분 집합을 이용하여 학습하는 랜덤한 트리 구조를 갖고, 상기 자식 노드는 상기 부모 노드의 샘플 영상 집합 중 혼동률이 서로 기준값 이상인 원소를 포함하는 상기 부분 집합으로 학습하고, 상기 부모 노드의 자식 노드들이 학습에 이용하는 학습 데이터의 부분 집합들은 서로 다르고, 상기 부분 집합들은 서로 혼동률이 기준값 미만인 원소로 구성되고,상기 복수의 트리 각각은 동일 학습 데이터 중 랜덤하게 선택한 일부 영상으로 학습되는 포레스트 CNN에 기반한 영상 분석 방법
9 9
제8항에 있어서,상기 트리는 어느 하나의 부모 노드에서 학습한 상기 샘플 영상 집합에 대한 분류 예측도를 기반으로 상기 샘플 영상 집합에 속한 원소들 중 분류 예측의 정확도가 기준 범위에 속하는 원소들을 상기 부분 집합으로 분류하고, 상기 부모 노드의 자식 노드는 상기 부분 집합의 개수만큼 분기하는 포레스트 CNN에 기반한 영상 분석 방법
10 10
제8항에 있어서,상기 자식 노드의 CNN는 상기 부모 노드의 CNN의 구조 중 복수의 콘볼류션 계층 및 풀링 계층을 공유하는 포레스트 CNN에 기반한 영상 분석 방법
11 11
삭제
12 12
제8항에 있어서,상기 트리는 아래 수식으로 표현되는 정답률 함수를 이용하여 상기 샘플 영상 집합에 속한 원소들 중 어느 하나의 자식 노드에서의 분류 정확도가 기준값 이상인 요소를 포함하는 부분 집합을 결정하고, 해당 부분 집합에 속한 샘플 영상을 상기 어느 하나의 자식 노드에 할당하여 학습하는 포레스트 CNN에 기반한 영상 분석 방법
지정국 정보가 없습니다
패밀리정보가 없습니다
순번, 연구부처, 주관기관, 연구사업, 연구과제의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 국가R&D 연구정보 정보 표입니다.
순번 연구부처 주관기관 연구사업 연구과제
1 국토교통부 이화여자대학교 산학협력단 국토교통기술연구개발사업-국토교통기술촉진연구사업 머신러닝 기반의 영상정보 분석을 통한 철근 콘크리트 구조물의 지능형 손상 평가 원천기술개발
2 교육부 이화여자대학교 산학협력단 기초연구사업(학술진흥)-기본연구지원사업 머신러닝 기반의 360도 비디오의 효율적 부복호 및 처리 알고리즘 개발