요약 | 객체 추적 방법 및 이를 수행하는 장치들이 개시된다. 일 실시예에 따른 객체 추적 방법은 비디오 프레임의 객체를 추적하기 위해 상기 객체에 대응하는 복수의 후보 파티클들을 생성하는 단계와, 상기 복수의 후보 파티클들의 상기 객체에 대한 유사도에 기초하여 상기 비디오 프레임 내 상기 객체의 위치에 대응하는 최적의 파티클을 생성함으로써 상기 객체를 추적하는 단계를 포함한다. |
---|---|
Int. CL | H04N 5/14 (2006.01.01) G06N 3/08 (2006.01.01) |
CPC | H04N 5/144(2013.01) H04N 5/144(2013.01) |
출원번호/일자 | 1020170177521 (2017.12.21) |
출원인 | 건국대학교 산학협력단 |
등록번호/일자 | 10-1982942-0000 (2019.05.21) |
공개번호/일자 | |
공고번호/일자 | (20190527) 문서열기 |
국제출원번호/일자 | |
국제공개번호/일자 | |
우선권정보 | |
법적상태 | 등록 |
심사진행상태 | 수리 |
심판사항 | |
구분 | 신규 |
원출원번호/일자 | |
관련 출원번호 | |
심사청구여부/일자 | Y (2017.12.21) |
심사청구항수 | 16 |
번호 | 이름 | 국적 | 주소 |
---|---|---|---|
1 | 건국대학교 산학협력단 | 대한민국 | 서울특별시 광진구 |
번호 | 이름 | 국적 | 주소 |
---|---|---|---|
1 | 티안, 블라디미르 | 서울특별시 광진구 | |
2 | 김두현 | 경기도 성남시 분당구 |
번호 | 이름 | 국적 | 주소 |
---|---|---|---|
1 | 특허법인 무한 | 대한민국 | 서울특별시 강남구 언주로 ***, *층(역삼동,화물재단빌딩) |
번호 | 이름 | 국적 | 주소 |
---|---|---|---|
1 | 건국대학교 산학협력단 | 대한민국 | 서울특별시 광진구 |
번호 | 서류명 | 접수/발송일자 | 처리상태 | 접수/발송번호 |
---|---|---|---|---|
1 | [특허출원]특허출원서 [Patent Application] Patent Application |
2017.12.21 | 수리 (Accepted) | 1-1-2017-1278997-94 |
2 | 의견제출통지서 Notification of reason for refusal |
2018.10.18 | 발송처리완료 (Completion of Transmission) | 9-5-2018-0705343-18 |
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) |
2018.11.26 | 수리 (Accepted) | 1-1-2018-1178678-56 |
4 | [명세서등 보정]보정서 [Amendment to Description, etc.] Amendment |
2018.11.26 | 보정승인간주 (Regarded as an acceptance of amendment) | 1-1-2018-1178677-11 |
5 | 거절결정서 Decision to Refuse a Patent |
2019.04.17 | 발송처리완료 (Completion of Transmission) | 9-5-2019-0277640-24 |
6 | [명세서등 보정]보정서(재심사) Amendment to Description, etc(Reexamination) |
2019.05.09 | 보정승인 (Acceptance of amendment) | 1-1-2019-0474685-42 |
7 | [거절이유 등 통지에 따른 의견]의견(답변, 소명)서 [Opinion according to the Notification of Reasons for Refusal] Written Opinion(Written Reply, Written Substantiation) |
2019.05.09 | 수리 (Accepted) | 1-1-2019-0474684-07 |
8 | 등록결정서 Decision to Grant Registration |
2019.05.16 | 발송처리완료 (Completion of Transmission) | 9-5-2019-0351179-02 |
번호 | 청구항 |
---|---|
1 |
1 비디오 프레임의 객체를 추적하기 위해 상기 객체에 대응하는 복수의 후보 파티클들을 생성하는 단계; 및상기 복수의 후보 파티클들의 상기 객체에 대한 유사도에 기초하여 상기 비디오 프레임 내 상기 객체의 위치에 대응하는 최적의 파티클을 생성함으로써 상기 객체를 추적하는 단계를 포함하고,상기 최적의 파티클은 상기 복수의 후보 파티클들 중에서 상기 유사도에 기반한 가중치가 높은 후보 파티클들의 평균 위치에 생성되고,상기 복수의 후보 파티클들을 생성하는 단계는,상기 복수의 후보 파티클들을 생성하기 위해, 상기 비디오 프레임에 기초하여 상기 객체에 대응하는 복수의 초기 파티클들을 생성하는 단계를 포함하고,상기 복수의 후보 파티클들은 상기 복수의 초기 파티클들의 모션이 예측된 파티클이고,상기 복수의 초기 파티클들을 생성하는 단계는,상기 비디오 프레임이 초기 비디오 프레임이 아닌 경우, 상기 비디오 프레임 이전 비디오 프레임의 객체에 대응하는 복수의 후보 파티클들 중에서 상기 이전 비디오 프레임의 객체에 대응하는 복수의 후보 파티클들의 가중치가 낮은 복수의 후보 파티클을 제거하는 단계;상기 이전 비디오 프레임 및 상기 비디오 프레임에 대한 파티클의 트레이드 오프를 유지하기 위해, 상기 가중치가 낮은 복수의 후보 파티클의 수에 따라 임의의 랜덤값으로 초기화한 상기 비디오 프레임의 객체에 대응하는 복수의 대체 파티클들을 생성하는 단계; 및상기 이전 비디오 프레임의 객체에 대응하는 복수의 후보 파티클들 중에서 제거되지 않은 가중치가 높은 복수의 후보 파티클들 및 상기 복수의 대체 파티클들을 상기 복수의 초기 파티클들로 결정하는 단계를 포함하는 객체 추적 방법 |
2 |
2 제1항에 있어서,상기 복수의 후보 파티클들을 생성하는 단계는,상기 복수의 초기 파티클들에 드리프트 및 확산 중에서 적어도 하나를 수행하여 상기 복수의 초기 파티클들의 모션을 예측함으로써 상기 복수의 후보 파티클들을 생성하는 단계를 더 포함하는 객체 추적 방법 |
3 |
3 제2항에 있어서,상기 드리프트는 상기 복수의 초기 파티클들에 대한 모션 벡터 컴포넌트를 가변하여 수행되고,상기 확산은 상기 복수의 초기 파티클들에 대한 바운딩 박스의 좌표를 가변하여 수행되는 객체 추적 방법 |
4 |
4 제2항에 있어서,상기 복수의 초기 파티클들을 생성하는 단계는,상기 비디오 프레임이 초기 비디오 프레임인 경우, 가우시안 분포를 이용하여 임의의 랜덤값으로 초기화한 상기 복수의 초기 파티클들을 생성하는 단계를 포함하는 객체 추적 방법 |
5 |
5 삭제 |
6 |
6 삭제 |
7 |
7 제1항에 있어서,상기 추적하는 단계는,기 학습된 CNN 모델을 이용하여 상기 복수의 후보 파티클들의 상기 객체에 대한 유사도를 계산하는 단계; 및상기 유사도에 기초하여 상기 복수의 후보 파티클들의 가중치를 결정하는 단계를 포함하는 객체 추적 방법 |
8 |
8 제7항에 있어서,상기 기 학습된 CNN 모델은 비디오 데이터 세트를 통한 학습 및 가장 최근에 추적된 비디오 프레임을 통한 학습 중에서 적어도 하나로 학습되는 객체 추적 방법 |
9 |
9 제8항에 있어서,상기 비디오 데이터 세트를 통한 학습은 상기 비디오 데이터 세트의 객체에 대한 포지티브 패치 및 상기 비디오 데이터 세트의 배경에 대한 네거티브 패치를 통한 학습이고,상기 가장 최근에 추적된 비디오 프레임을 통한 학습은 상기 가장 최근에 추적된 비디오 프레임의 객체에 대한 포지티브 패치 및 상기 가장 최근에 추적된 비디오 프레임의 배경에 대한 네거티브 패치를 통한 학습인 객체 추적 방법 |
10 |
10 제7항에 있어서,상기 추적하는 단계는,추적된 객체를 통해 상기 기 학습된 CNN 모델을 업데이트하는 단계를 더 포함하는 객체 추적 방법 |
11 |
11 비디오 프레임을 수신하는 통신 모듈; 및상기 비디오 프레임의 객체를 추적하기 위해 상기 객체에 대응하는 복수의 후보 파티클들을 생성하고, 상기 복수의 후보 파티클들의 상기 객체에 대한 유사도에 기초하여 상기 비디오 프레임 내 상기 객체의 위치에 대응하는 최적의 파티클을 생성함으로써 상기 객체를 추적하는 컨트롤러를 포함하고,상기 최적의 파티클은 상기 복수의 후보 파티클들 중에서 상기 유사도에 기반한 가중치가 높은 후보 파티클들의 평균 위치에 생성되고,상기 컨트롤러는 상기 복수의 후보 파티클들을 생성하기 위해, 상기 비디오 프레임에 기초하여 상기 객체에 대응하는 복수의 초기 파티클들을 생성하는 파티클 필터를 포함하고,상기 복수의 후보 파티클들은 상기 복수의 초기 파티클들의 모션이 예측된 파티클이고,상기 파티클 필터는 상기 비디오 프레임이 초기 비디오 프레임이 아닌 경우, 상기 비디오 프레임 이전 비디오 프레임의 객체에 대응하는 복수의 후보 파티클들 중에서 상기 이전 비디오 프레임의 객체에 대응하는 복수의 후보 파티클들의 가중치가 낮은 복수의 후보 파티클을 제거하고, 상기 이전 비디오 프레임 및 상기 비디오 프레임에 대한 파티클의 트레이드 오프를 유지하기 위해, 상기 가중치가 낮은 복수의 후보 파티클의 수에 따라 임의의 랜덤값으로 초기화한 상기 비디오 프레임의 객체에 대응하는 복수의 대체 파티클들을 생성하고, 상기 이전 비디오 프레임의 객체에 대응하는 복수의 후보 파티클들 중에서 제거되지 않은 가중치가 높은 복수의 후보 파티클들 및 상기 복수의 대체 파티클들을 상기 복수의 초기 파티클들로 결정하는 객체 추적 장치 |
12 |
12 제11항에 있어서,상기 컨트롤러는,상기 복수의 초기 파티클들에 드리프트 및 확산 중에서 적어도 하나를 수행하여 상기 복수의 초기 파티클들의 모션을 예측함으로써 상기 복수의 후보 파티클들을 생성하는 파티클 필터를 포함하는 객체 추적 장치 |
13 |
13 제12항에 있어서,상기 드리프트는 상기 복수의 초기 파티클들에 대한 모션 벡터 컴포넌트를 가변하여 수행되고,상기 확산은 상기 복수의 초기 파티클들에 대한 바운딩 박스의 좌표를 가변하여 수행되는 객체 추적 장치 |
14 |
14 제12항에 있어서,상기 파티클 필터는,상기 비디오 프레임이 초기 비디오 프레임인 경우, 가우시안 분포를 이용하여 임의의 랜덤값으로 초기화한 상기 복수의 초기 파티클들을 생성하는 객체 추적 장치 |
15 |
15 삭제 |
16 |
16 삭제 |
17 |
17 제11항에 있어서,상기 컨트롤러는,기 학습된 CNN(convolutional neural network) 모델을 이용하여 상기 복수의 후보 파티클들의 상기 객체에 대한 유사도를 계산하고, 상기 유사도에 기초하여 상기 복수의 후보 파티클들의 가중치를 결정하는 추적기를 포함하는 객체 추적 장치 |
18 |
18 제17항에 있어서,상기 기 학습된 CNN 모델은 비디오 데이터 세트를 통한 학습 및 가장 최근에 추적된 비디오 프레임을 통한 학습 중에서 적어도 하나로 학습되는 객체 추적 장치 |
19 |
19 제18항에 있어서,상기 비디오 데이터 세트를 통한 학습은 상기 비디오 데이터 세트의 객체에 대한 포지티브 패치 및 상기 비디오 데이터 세트의 배경에 대한 네거티브 패치를 통한 학습이고,상기 가장 최근에 추적된 비디오 프레임을 통한 학습은 상기 가장 최근에 추적된 비디오 프레임의 객체에 대한 포지티브 패치 및 상기 가장 최근에 추적된 비디오 프레임의 배경에 대한 네거티브 패치를 통한 학습인 객체 추적 장치 |
20 |
20 제17항에 있어서,상기 추적기는,추적된 객체를 통해 상기 기 학습된 CNN 모델을 업데이트하는 객체 추적 장치 |
지정국 정보가 없습니다 |
---|
순번 | 패밀리번호 | 국가코드 | 국가명 | 종류 |
---|---|---|---|---|
1 | WO2019124602 | WO | 세계지적재산권기구(WIPO) | FAMILY |
순번 | 패밀리번호 | 국가코드 | 국가명 | 종류 |
---|---|---|---|---|
1 | CN111566658 | CN | 중국 | DOCDBFAMILY |
2 | WO2019124602 | WO | 세계지적재산권기구(WIPO) | DOCDBFAMILY |
순번 | 연구부처 | 주관기관 | 연구사업 | 연구과제 |
---|---|---|---|---|
1 | 과학기술정보통신부 | 건국대학교 산학협력단 | 대학ICT연구센터 육성지원사업 | (2차) 지능정보서비스를 위한 고성능 하이브리드 클라우드 컴퓨팅 기술 개발 및 인력양성 |
공개전문 정보가 없습니다 |
---|
특허 등록번호 | 10-1982942-0000 |
---|
표시번호 | 사항 |
---|---|
1 |
출원 연월일 : 20171221 출원 번호 : 1020170177521 공고 연월일 : 20190527 공고 번호 : 특허결정(심결)연월일 : 20190516 청구범위의 항수 : 16 유별 : H04N 5/14 발명의 명칭 : 객체 추적 방법 및 이를 수행하는 장치들 존속기간(예정)만료일 : |
순위번호 | 사항 |
---|---|
1 |
(권리자) 건국대학교 산학협력단 서울특별시 광진구... |
제 1 - 3 년분 | 금 액 | 334,500 원 | 2019년 05월 21일 | 납입 |
번호 | 서류명 | 접수/발송일자 | 처리상태 | 접수/발송번호 |
---|---|---|---|---|
1 | [특허출원]특허출원서 | 2017.12.21 | 수리 (Accepted) | 1-1-2017-1278997-94 |
2 | 의견제출통지서 | 2018.10.18 | 발송처리완료 (Completion of Transmission) | 9-5-2018-0705343-18 |
3 | [거절이유 등 통지에 따른 의견]의견(답변, 소명)서 | 2018.11.26 | 수리 (Accepted) | 1-1-2018-1178678-56 |
4 | [명세서등 보정]보정서 | 2018.11.26 | 보정승인간주 (Regarded as an acceptance of amendment) | 1-1-2018-1178677-11 |
5 | 거절결정서 | 2019.04.17 | 발송처리완료 (Completion of Transmission) | 9-5-2019-0277640-24 |
6 | [명세서등 보정]보정서(재심사) | 2019.05.09 | 보정승인 (Acceptance of amendment) | 1-1-2019-0474685-42 |
7 | [거절이유 등 통지에 따른 의견]의견(답변, 소명)서 | 2019.05.09 | 수리 (Accepted) | 1-1-2019-0474684-07 |
8 | 등록결정서 | 2019.05.16 | 발송처리완료 (Completion of Transmission) | 9-5-2019-0351179-02 |
기술정보가 없습니다 |
---|
과제고유번호 | 1711054909 |
---|---|
세부과제번호 | 2016-0-00465-002 |
연구과제명 | 지능정보서비스를 위한 고성능 하이브리드 클라우드 컴퓨팅 기술 개발 및 인력양성 |
성과구분 | 출원 |
부처명 | 과학기술정보통신부 |
연구관리전문기관명 | |
연구주관기관명 | |
성과제출연도 | 2017 |
연구기간 | 201701~201712 |
기여율 | 1 |
연구개발단계명 | 기타 |
6T분류명 | IT(정보기술) |
[1020170177820] | 도커를 이용한 컨테이너 기반 딥러닝 개발 플랫폼 제공 방법 및 장치 | 새창보기 |
---|---|---|
[1020170177521] | 객체 추적 방법 및 이를 수행하는 장치들 | 새창보기 |
[1020170175426] | 감정 상태에 기반한 조명 테라피 방법 및 장치 | 새창보기 |
[1020170167591] | 클라우드 컴퓨팅 기반 딥러닝 개발 플랫폼 제공 방법 장치 | 새창보기 |
[1020170164007] | 제로 패딩을 사용하는 언어 모델 학습 방법 및 이를 사용하는 장치 | 새창보기 |
[1020170128019] | 태스크 스케줄링 장치 및 태스크 스케줄링 방법 | 새창보기 |
[1020170127651] | Task Group 단위의 GPU 자원 관리 방법 및 장치 | 새창보기 |
[1020170106490] | 감성 기반의 사용자 관리 방법 및 이를 수행하는 장치들 | 새창보기 |
[1020170099846] | 클라우드 서비스에서의 질의 처리 수행 방법 및 이를 이용하는 장치 | 새창보기 |
[1020170099845] | 클라우드 서비스에서의 시공간 데이터 인덱싱 방법 및 이를 이용하는 장치 | 새창보기 |
[1020170097848] | Long Short Term Memory 기반 순환형 상태 전이 모델의 학습 방법 및 장치 | 새창보기 |
[1020170095612] | 머신 러닝을 사용한 사물 인터넷 센서 제어 방법 및 이를 수행하는 장치 | 새창보기 |
[1020170093318] | 소셜 이미지 검색 결과를 위한 감성 기반의 이미지 시각화 방법 및 이를 수행하는 장치들 | 새창보기 |
[1020170092750] | 마이그레이션 방법 및 시스템 | 새창보기 |
[1020170091533] | 클라우드 상에서 멀티 카메라 간의 핸드오버를 통한 관심 객체의 연계추적 장치 및 그 방법 | 새창보기 |
[1020170080679] | 클라우드 서비스에서 IoT 디바이스들이 포함된 네트워크의 보안 향상 방법 및 이를 이용하는 장치 | 새창보기 |
[1020170080665] | 클라우드 서비스에서의 IoT 디바이스 관리 방법 및 이를 이용하는 장치 | 새창보기 |
[1020170080660] | 클라우드 서비스에서의 IoT 디바이스 온보딩 방법 및 이를 이용하는 장치 | 새창보기 |
[1020170054113] | 인공 신경망의 학습 성능을 향상시키기 위한 구형화 패널티 방법 및 장치 | 새창보기 |
[KST2017018178][건국대학교] | 딥러닝 수행 시스템 및 방법(SYSTEM AND METHOD FOR PERFORMING DEEP LEARNING) | 새창보기 |
---|---|---|
[KST2019016240][건국대학교] | 심층 신경망 관리 방법 및 장치 | 새창보기 |
[KST2019008419][건국대학교] | 제로 패딩을 사용하는 언어 모델 학습 방법 및 이를 사용하는 장치 | 새창보기 |
[KST2022005407][건국대학교] | 딥러닝 모델을 이용한 맞춤법 교정 방법, 장치 및 이를 위한 딥러닝 모델의 학습 방법 | 새창보기 |
[KST2018006812][건국대학교] | DNN 기반 객체 학습 및 인식 시스템(DNN Based Object Learning and Recognition System) | 새창보기 |
[KST2019012604][건국대학교] | 음악 감성 인식 방법 및 장치 | 새창보기 |
[KST2020003957][건국대학교] | 상황 인지 방법 및 이를 수행하는 장치 | 새창보기 |
[KST2019027508][건국대학교] | Long Short Term Memory 기반 순환형 상태 전이 모델의 학습 방법 및 장치 | 새창보기 |
[KST2021001547][건국대학교] | 주행 상황 및 운전 습관을 분석하기 위한 학습 방법 및 이를 수행하는 장치 | 새창보기 |
[KST2019018744][건국대학교] | 신경망의 학습 정확도 향상 방법 및 이를 수행하는 장치들 | 새창보기 |
[KST2020010210][건국대학교] | 딥 러닝을 통해 생성된 가짜 동영상의 무결성 검증 방법 및 시스템 | 새창보기 |
[KST2020007207][건국대학교] | 도로 주행 영상의 전처리를 통한 도로 주행 상황 제공 방법 및 시스템 | 새창보기 |
[KST2022005408][건국대학교] | 연합 학습을 통한 전장 상황 인지 기술 개선 방법 | 새창보기 |
[KST2018011405][건국대학교] | 웹 기반의 이미지 크롤링 장치 및 방법 | 새창보기 |
[KST2019010625][건국대학교] | 도커를 이용한 컨테이너 기반 딥러닝 개발 플랫폼 제공 방법 및 장치 | 새창보기 |
[KST2022003768][건국대학교] | 컨볼루션 신경망 모델에 기초한 컴퓨팅 장치 및 그 동작 방법 | 새창보기 |
[KST2019009811][건국대학교] | 클라우드 컴퓨팅 기반 딥러닝 개발 플랫폼 제공 방법 장치 | 새창보기 |
[KST2020007217][건국대학교] | 이미지 조작 공격을 디노이징하기 위한 이미지 보정 방법 및 이를 수행하는 장치들 | 새창보기 |
[KST2022003785][건국대학교] | 인공신경망을 이용한 재귀적 전력 수요 예측 방법 | 새창보기 |
[KST2022003809][건국대학교] | 의미론적 영상을 활용한 포인트 클라우드 분류 장치 및 방법 | 새창보기 |
[KST2020007218][건국대학교] | 영상 추천 방법 및 이를 수행하는 장치들 | 새창보기 |
[KST2019027488][건국대학교] | 인공 신경망의 학습 성능을 향상시키기 위한 구형화 패널티 방법 및 장치 | 새창보기 |
[KST2022003769][건국대학교] | 기계 학습 모델에 기초한 블록 체인을 이용한 HEVC 분산형 복호화 방법, 장치 및 시스템 | 새창보기 |
[KST2019009908][건국대학교] | 인공 신경망을 위한 시간에 민감한 정규화 방법 및 장치 | 새창보기 |
[KST2019014154][건국대학교] | 앙상블 모델을 이용한 심층 신경망 기반 데이터 처리 방법 및 장치 | 새창보기 |
[KST2020009429][건국대학교] | 회전 가능한 타원형 모델을 이용한 딥러닝 기반의 영상 내 객체 추적 장치 및 방법 | 새창보기 |
[KST2019027535][건국대학교] | 감정 상태에 기반한 조명 테라피 방법 및 장치 | 새창보기 |
[KST2021001537][건국대학교] | 폭행 감지 기능을 구비한 CCTV 촬영 장치 및 CCTV 영상에 기초한 폭행 감지 방법 | 새창보기 |
[KST2022002988][건국대학교] | 비부표본화 윤곽선 변환 기반의 에어로졸 영역 복원 장치 및 방법 | 새창보기 |
[KST2022002356][건국대학교] | 인공지능 기반 충돌 인지 방법 및 장치 | 새창보기 |
심판사항 정보가 없습니다 |
---|