| 1 |
1
객체 검출 장치에서 이미지에 포함된 의미 객체들에 대한 계층적 특징 모델링을 이용한 객체 검출 방법에 있어서,상기 이미지의 관심 영역의 특징에 따라, 상기 의미 객체들을 포함하는 의미 객체 카테고리 공간을 형성하는 루트 노드, 상기 루트 노드의 자식으로서 각 의미 객체에 대응되고 훈련 데이터 세트를 이용하여 훈련될 하나 이상의 수퍼 카테고리 노드, 각 수퍼 카테고리 노드의 자식으로서 훈련 데이터 세트를 이용하여 훈련될 하나 이상의 증강 카테고리 노드, 각 증강 카테고리 노드의 자식으로서 훈련 데이터 세트을 이용하여 훈련될 하나 이상의 서브 카테고리 노드를 포함하는 계층적 특징 모델의 구성을 수행하는 단계; 상기 수퍼 카테고리 노드, 상기 증강 카테고리 노드, 상기 서브 카테고리 노드에 대해 SVM(Support Vector Machine) 앙상블 알고리즘에 따른 다중 분류기를 학습하여 각 카테고리에서의 신뢰도 점수를 계산하는 단계; 및상기 이미지에 포함된 의미 객체를 검출하기 위하여 상기 각 카테고리의 신뢰도 점수를 수집하는 단계를 포함하는 것을 특징으로 하는 객체 검출 방법
|
| 2 |
2
제1항에 있어서,상기 신뢰도 점수를 계산하는 단계는, 상기 각 카테고리에서 상기 관심 영역에 대하여 바이너리 SVM 분류기들을 의사 확률로 투영하는 단계; 및상기 각 카테고리에서의 상기 의사 확률을 기초로 해당 카테고리에서의 다중 클래스 마진을 산출하고 상기 다중 클래스 마진에 대해 정규화된 다중 클래스 마진을 산출하여, 상기 각 카테고리에서의 신뢰도 점수를 계산하는 단계를 포함하는 것을 특징으로 하는 객체 검출 방법
|
| 3 |
3
제2항에 있어서,상기 관심 영역 r에서, 상기 하나 이상의 수퍼 카테고리 노드에 대해 의사 확률 P(h|r)로 투영하고, 하기의 수학식에 따라 k번째 수퍼 카테고리 노드에 대한 신뢰도 점수 CSh(k)(r)를 산출하여 상기 하나 이상의 수퍼 카테고리 노드에 대해 신뢰도 점수를 산출하며, 여기서, A, B, C는 미리 결정된 계수, 은 k번째 수퍼 카테고리 노드 h(k)에 대한 의사 확률, 은 h(k)에 대한 다중 클래스 마진, 은 h(k)에 대한 정규화된 다중 클래스 마진, |ΩH|은 수퍼 카테고리 공간 ΩH에서 h(k)에 대응하는 최대수인 것을 특징으로 하는 객체 검출 방법
|
| 4 |
4
제2항에 있어서,상기 관심 영역 r에서, 상기 하나 이상의 증강 카테고리 노드에 대해 의사 확률 P(m|r)로 투영하고, 하기의 수학식에 따라 k'번째 증강 카테고리 노드에 대한 신뢰도 점수 CSm(k')(r)를 산출하여 상기 하나 이상의 증강 카테고리 노드에 대해 신뢰도 점수를 산출하며, 여기서, A', B', C'는 미리 결정된 계수, 은 k'번째 증강 카테고리 노드 m(k')에 대한 의사 확률, 은 m(k')에 대한 다중 클래스 마진, 은 m(k')에 대한 정규화된 다중 클래스 마진, |ΩM|은 증강 카테고리 공간 ΩM에서 m(k')에 대응하는 최대수인 것을 특징으로 하는 객체 검출 방법
|
| 5 |
5
제2항에 있어서,상기 관심 영역 r에서, 상기 하나 이상의 서브 카테고리 노드에 대해 의사 확률 P(l|r)로 투영하고, 하기의 수학식에 따라 k"번째 서브 카테고리 노드에 대한 신뢰도 점수 CSl(k")(r)를 산출하여 상기 하나 이상의 서브 카테고리에 대해 신뢰도 점수를 산출하며, 여기서, A", B", C"는 미리 결정된 계수, 은 k"번째 서브 카테고리 노드 l(k")에 대한 의사 확률, 은 l(k")에 대한 다중 클래스 마진, 은 l(k")에 대한 정규화된 다중 클래스 마진, |ΩL|은 서브 카테고리 공간 ΩL에서 l(k")에 대응하는 최대수인 것을 특징으로 하는 객체 검출 방법
|
| 6 |
6
이미지의 관심 영역의 특징에 따라, 의미 객체들을 포함하는 의미 객체 카테고리 공간을 형성하는 루트 노드, 상기 루트 노드의 자식으로서 각 의미 객체에 대응되고 훈련 데이터 세트를 이용하여 훈련될 하나 이상의 수퍼 카테고리 노드, 각 수퍼 카테고리 노드의 자식으로서 훈련 데이터 세트를 이용하여 훈련될 하나 이상의 증강 카테고리 노드, 각 증강 카테고리 노드의 자식으로서 훈련 데이터 세트을 이용하여 훈련될 하나 이상의 서브 카테고리 노드를 포함하는 계층적 특징 모델의 구성을 수행하는 기능; 상기 수퍼 카테고리 노드, 상기 증강 카테고리 노드, 상기 서브 카테고리 노드에 대해 SVM 앙상블 알고리즘에 따른 다중 분류기를 학습하여 각 카테고리에서의 신뢰도 점수를 계산하는 기능; 및상기 이미지에 포함된 의미 객체를 검출하기 위하여 상기 각 카테고리의 신뢰도 점수를 수집하는 기능을 포함하고,객체 검출 장치에서 상기 이미지에 포함된 상기 의미 객체들에 대한 계층적 특징 모델링을 이용해 객체 검출을 수행하기 위한 컴퓨터로 읽을 수 있는 코드가 저장된 컴퓨터로 읽을 수 있는 기록 매체
|
