1 |
1
객체가 존재하는 참 영상과 객체가 존재하지 않는 거짓 영상을 포함하는 학습 영상으로부터 다수의 특징들을 추출하는 단계; 상기 학습 영상으로 추출된 다수의 특징들 중에서 상기 참 영상과 상기 거짓 영상을 구분하는 데 기여도가 큰 일정 개수의 제1 특징들을 선택하는 단계; 상기 선택된 제1 특징들을 기반으로 분류기를 생성하는 단계; 상기 생성된 분류기를 검증 영상(validation image)으로 실험하여, 객체가 존재하는 검증용 참 영상과 객체가 존재하지 않는 검증용 거짓 영상으로 분류하는 단계;상기 검증용 참 영상과 상기 검증용 거짓 영상으로부터 다수의 특징들을 추출하고, 추출한 다수의 특징들을 분석하여 상기 검증용 참 영상과 상기 검증용 거짓 영상을 구분하는 데 기여도가 큰 일정 개수의 제2 특징들을 선택하는 단계; 상기 제2 특징들을 기반으로 상기 제1 특징들을 조정하는 단계; 및 상기 조정된 제1 특징들을 기반으로 최종 분류기를 생성하는 단계; 를 포함하는 영상 인식을 위한 학습 방법
|
2 |
2
제1항에서, 상기 제1 특징들을 선택하는 단계는, 회귀 분석(Regression analysis)법을 이용하여 상기 제1 특징을 선택하는 단계이고, 상기 회귀 분석법은, 최소 제곱(Least square) 알고리즘, 능형 회귀(Ridge regression) 알고리즘, Convex sparse 알고리즘 및 LASSO(Least Absolute Shrinkage and Selection Operator) 알고리즘 중 적어도 하나를 포함함을 특징으로 하는 영상 인식을 위한 학습 방법
|
3 |
3
제1항에서, 상기 분류하는 단계는, 상기 검증용 참 영상을 true positive와 false negative로 분류하고, 상기 검증용 거짓 영상을 true negative와 false positive로 분류하는 단계임을 특징으로 하는 영상 인식을 위한 학습 방법
|
4 |
4
제3항에서, 상기 제2 특징들을 선택하는 단계는, 상기 검증용 참 영상과 상기 검증용 거짓 영상으로부터 추출된 다수의 특징들 중에서, 상기 true positive로 분류된 검증용 참 영상과 상기 false negative로 분류된 검증용 참 영상을 구분하는 데 기여도가 큰 일정개수의 특징들과 상기 true negative로 분류된 검증용 거짓 영상과 상기 false positive로 분류된 검증용 거짓 영상을 구분하는 데 기여도가 큰 일정 개수의 특징들을 상기 제2 특징들로서 선택하는 단계임을 특징으로 하는 영상 인식을 위한 학습 방법
|
5 |
5
제1항에서, 상기 제2 특징들을 선택하는 단계는,회귀 분석(Regression analysis)법을 이용하여 상기 제2 특징들을 선택하는 단계이고,상기 회귀 분석법은,최소 제곱(Least square) 알고리즘, 능형 회귀(Ridge regression) 알고리즘, Convex sparse 알고리즘 및 LASSO(Least Absolute Shrinkage and Selection Operator) 알고리즘 중 적어도 하나를 포함함을 특징으로 하는 영상 인식을 위한 학습 방법
|
6 |
6
제1항에서, 상기 제1 특징들을 조정하는 단계는, 상기 제1 특징들에서 상기 제2 특징들에 대응하는 특징들을 제거하는 단계; 및상기 제1 특징들을 선택하는 단계에서, 선택되지 않은 특징들을 상기 제1 특징들에 추가하는 단계를 포함함을 특징으로 하는 영상 인식을 위한 학습 방법
|
7 |
7
제6항에서, 상기 추가하는 단계에서, 상기 제1 특징들에 추가된 특징들의 개수는,상기 제거하는 단계에서, 제거된 특징들의 개수와 동일하거나, 사용자에 의해 설정되는 개수임을 특징으로 하는 영상 인식을 위한 학습 방법
|
8 |
8
객체가 존재하는 참 영상과 객체가 존재하지 않는 거짓 영상을 포함하는 학습 영상으로부터 다수의 특징들을 추출하는 특징 추출부; 상기 학습 영상으로 추출된 다수의 특징들 중에서 상기 참 영상과 상기 거짓 영상을 구분하는 데 기여도가 큰 일정 개수의 제1 특징들을 선택하는 제1 특징 선택부; 상기 선택된 제1 특징들을 기반으로 분류기를 생성하는 분류기 생성부; 상기 생성된 분류기 의해, 검증 영상(validation image)으로부터 분류된 검증용 참 영상과 검증용 거짓 영상으로부터 다수의 특징들을 추출하고, 추출한 다수의 특징들을 분석하여 다수의 특징들 중에서 상기 검증용 참 영상과 상기 검증용 거짓 영상을 구분하는 데 기여도가 큰 일정 개수의 제2 특징들을 선택하는 특징 분석부;상기 제2 특징들을 기반으로 상기 제1 특징들을 조정하는 특징 조정부를 포함하고,상기 분류기 생성부는상기 특징 조정부로부터 피드백된 상기 조정된 상기 제1 특징들을 기반으로 최종 분류기를 생성함을 특징으로 하는 영상 인식을 위한 학습 장치
|
9 |
9
제8항에서, 상기 특징 선택부는, 회귀 분석(Regression analysis)법을 기반으로 상기 제1 특징을 선택하고, 상기 회귀 분석법은, 최소 제곱(Least square) 알고리즘, 능형 회귀(Ridge regression) 알고리즘, Convex sparse 알고리즘 및 LASSO(Least Absolute Shrinkage and Selection Operator) 알고리즘 중 적어도 하나를 포함함을 특징으로 하는 영상 인식을 위한 학습 장치
|
10 |
10
제8항에서, 상기 분류기는, 상기 검증용 참 영상을 true positive와 false negative로 분류하고, 상기 검증용 거짓 영상을 true negative와 false positive로 분류함을 특징으로 하는 영상 인식을 위한 학습 장치
|
11 |
11
제10항에서, 상기 특징 분석부는,상기 검증용 참 영상과 상기 검증용 거짓 영상으로부터 추출된 다수의 특징들 중에서, 상기 true positive로 분류된 검증용 참 영상과 상기 false negative로 분류된 검증용 참 영상을 구분하는 데 기여도가 큰 일정개수의 특징들과 상기 true negative로 분류된 검증용 거짓 영상과 상기 false positive로 분류된 검증용 거짓 영상을 구분하는 데 기여도가 큰 일정 개수의 특징들을 상기 제2 특징들로서 선택함을 특징으로 하는 영상 인식을 위한 학습 장치
|
12 |
12
제8항에서, 상기 특징 분석부는,회귀 분석(Regression analysis)법을 이용하여 상기 제2 특징을 선택하고,상기 회귀 분석법은,최소 제곱(Least square) 알고리즘, 능형 회귀(Ridge regression) 알고리즘, Convex sparse 알고리즘 및 LASSO(Least Absolute Shrinkage and Selection Operator) 알고리즘 중 적어도 하나를 포함함을 특징으로 하는 영상 인식을 위한 학습 장치
|
13 |
13
제8항에서, 상기 특징 조정부는, 상기 제1 특징들에서 상기 제2 특징들에 대응하는 특징들을 제거하고, 상기 특징 선택부에서, 선택하지 않은 특징들을 상기 제1 특징들에 추가하여, 상기 제1 특징들을 조정함을 특징으로 하는 영상 인식을 위한 학습 장치
|
14 |
14
제13항에서, 상기 특징 조정부는,상기 제거된 특징들의 개수와 동일하거나, 사용자에 의해 설정되는 개수로 상기 제1 특징들에 추가된 특징들의 개수를 결정함을 특징으로 하는 영상 인식을 위한 학습 장치
|