| 1 |
1
네트워크 구조의 마지막에 각각 연결되는, 영상 전체의 특징을 추출하는 1x1 크기의 특징 맵을 출력으로 갖는 제1 풀링 레이어와, 상기 영상을 동일한 크기로 4등분한 각 영역의 특징을 추출하는 2x2 크기의 특징 맵을 출력으로 갖는 제2 풀링 레이어; 및제1 풀링 레이어에서 얻은 특징 벡터와 제2 풀링 레이어에서 얻은 특징 벡터를 결합하여 최종 결과 예측으로 사용하는 각도 예측부;를 포함하는 것을 특징으로 하는 레지듀얼 네트워크 구조
|
| 2 |
2
제1항에 있어서, 상기 각도 예측부는2개의 특징 벡터의 크기를 통일하고, 크기가 통일된 2개의 특징 벡터의 평균 평균값을 산출하여 최종 결과 예측으로 사용하는 것을 특징으로 하는 레지듀얼 네트워크 구조
|
| 3 |
3
(a) 제1항의 레지듀얼 네트워크 구조에 따른 각도 측정 네트워크(를 학습시키기 위한 학습 데이터셋을 생성하는 단계;(b) 학습 세팅을 달리해가며 상기 각도 측정 네트워크 의 최적 파라미터 를 학습하는 단계; 및(c) 입력 영상에 대하여 상기 각도 측정 네트워크 를 이용하여 기울어진 각도를 측정하고, 측정된 기울어진 각도만큼 반대 방향으로 영상을 회전 시키고, 빈 픽셀 영역을 크롭하는 단계;를 포함함을 특징으로 하는 CNN을 이용한 영상 수평 보정 방법
|
| 4 |
4
제3항에 있어서, 상기 (a) 단계는바로 세워진 다수의 일반 영상에 대하여 회전된 영상과 그때의 회전된 각도를 레이블로 배정하여 학습 데이터셋을 생성하는 것을 특징으로 하는 CNN을 이용한 영상 수평 보정 방법
|
| 5 |
5
제4항에 있어서, 학습 데이터셋 생성을 위한 영상을 회전 시키기 전에 가로, 세로 길이의 1/2만큼 대칭적 패딩(symmetric padding)을 하는 것을 특징으로 하는 CNN을 이용한 영상 수평 보정 방법
|
| 6 |
6
제3항에 있어서, 상기 (a) 단계 이전에상기 각도 측정 네트워크 를 ImageNet 영상 분류 데이터셋으로 학습시킨 후, 상기 각도 측정 네트워크 의 후반부에 위치한 소정 수의 레이어들의 가중치 파라미터들을 초기화 하는 것을 특징으로 하는 CNN을 이용한 영상 수평 보정 방법
|
| 7 |
7
제3항 내지 제6항 중 어느 한 항의 CNN을 이용한 영상 수평 보정 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체
|
| 8 |
8
제3항 내지 제6항 중 어느 한 항의 CNN을 이용한 영상 수평 보정 방법을 컴퓨터에서 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램
|
