| 1 |
1
탐지할 영상 내에서 물체가 놓여 있는 위치의 분포에 대한 분석을 하고, 넷 구조 등에 대한 세팅을 사용자가 선택할 수 있도록 하고, 탐지할 물체의 평균 크기 분석을 수행하여 넷 구조를 결정하는 데이터 전처리부;학습,검증,테스트 데이터 처리를 하는 소스 데이터 처리부;데이터 셋과 정보를 인코딩한 파일을 출력하는 바이너리 파일 생성부;강화학습(reinforcement learning)기반의 탐색 기법을 옵션 탐색에 적용하여 가장 높은 정확도를 산출하는 모델 파라미터를 구하는 옵션 결정을 수행하는 옵션 결정부;옵션 결정부에서 결정된 모델 옵션을 이용하여 학습을 하여 모델 성능 평가, 학습과정과 평가과정을 모니터링하고 학습 완료된 모델을 저장하는 학습 실행부;를 포함하는 것을 특징으로 하는 머신 러닝을 통한 영상 인식을 위한 장치
|
| 2 |
2
제 1 항에 있어서, 데이터 전처리부는,영상 내 물체의 존재 위치나 위치의 분포를 분석하는 오브젝트 분포 분석부(OBJ LOC DISTRIB) 및 오브젝트 분포 분석부(OBJ LOC DISTRIB)의 오브젝트 분포 분석 결과에 따라 실제 처리할 부분을 추출하는 관심 영역 선택부(ROI SEL)와,검사기기의 실시간 처리 요구속도를 분석하는 처리 요구속도 분석부(TAC-TIME EVAL) 및 딥 넷(Deep-Net) 구성에 요구되는 유저 세팅을 하는 유저 세팅부(USER SETTING)와,물체의 평균크기 분석을 하는 크기 분석부(OBJ SIZE EVAL) 및 물체가 영상에서 차지하는 비율 분석을 하는 비율 분석부(OBJ-IMG RATIO EVAL)와,오브젝트 분포,처리 요구속도,물체 평균 크기,물체 비율 분석을 기초로 적합한 넷 구조를 결정하는 넷 구조 결정부(DEEP-NET STRUC DECESION)를 포함하는 것을 특징으로 하는 머신 러닝을 통한 영상 인식을 위한 장치
|
| 3 |
3
제 1 항에 있어서, 소스 데이터 처리부는,학습, 검증, 테스트 데이터 셋을 처리하는 이미지 데이터 처리부(Image data)와,데이터셋의 Label 정보를 처리하는 XML 파일 처리부(XML Files)와,Deep-Net 정보를 관리하는 모델 관리부(Model Config)와,학습 파라미터 정보를 처리하는 학습 파라미터 정보 처리부(Train Config)와,검증 파라미터 정보를 처리하는 검증 파라미터 정보 처리부(EvalConfig)와, 데이터 셋 경로 관리를 하는 데이터 셋 경로 관리부(Input Config)를 포함하는 것을 특징으로 하는 머신 러닝을 통한 영상 인식을 위한 장치
|
| 4 |
4
제 1 항에 있어서, 옵션 결정부는,학습이 적절한지에 대한 보상값과 현재 상태를 분석하는 컨트롤러(Controller)와,데이터 변동(Data augmentation) 옵션 및 순서를 생성하는 옵션 샘플러(Data Aug Opt sampler)와,학습 환경(Train Config)을 갱신하는 업데이트부(Train Config Update)와, 학습 실행부(Tensorflow Object Detection API)에 필요한 모델을 소스 데이터로부터 불러와 구성하는 모델 구성부(Model Construction)와,모델 학습과 정확도를 검증하는 검증부(Train 0026# Eval)와,정확도를 분석후 데이터 변동(Data augmentation) 옵션을 버퍼에 저장하는 옵션 저장부(Save Aug Opt)와,가장 높은 정확도를 산출한 모델 옵션을 저장하는 최적 옵션 저장부(Best Option)와,정확도로부터 구해진 보상값을 컨트롤러(Controller)에 제공하는 보상값 제공부(RewardCAL)를 포함하는 것을 특징으로 하는 머신 러닝을 통한 영상 인식을 위한 장치
|
| 5 |
5
제 1 항 또는 제 4 항에 있어서, 옵션 결정부는,공간에서 하나의 샘플을 선택했을 때, 이 샘플이 표현하는 옵션의 결합을 통해 학습기의 성능을 평가하고, 평가 성능을 강화학습의 보상(reward)으로 이용하여 Policy gradient 기반으로 최적 분포를 탐지하는 것을 특징으로 하는 머신 러닝을 통한 영상 인식을 위한 장치
|
| 6 |
6
제 1 항 또는 제 4 항에 있어서, 옵션 결정부는,탐지 알고리즘으로 LSTM 망(Long Short Term Memory networks)을 사용하고,LSTM 망의 출력은 시간 항(time step)에 따라 홀수항은 옵션선택, 짝수항은 해당 옵션의 가부를 선택하는 것을 특징으로 하는 머신 러닝을 통한 영상 인식을 위한 장치
|
| 7 |
7
제 1 항에 있어서, 학습 실행부(Final Tensorflow Object Detection API)는,옵션 결정부에서 결정된 모델 옵션을 이용하여 학습을 하는 학습부(Train Stage)와,학습 과정에서의 모델 성능을 평가하는 모델 평가부(Evaluation State)와, 학습 과정과 평가 과정을 모니터링하는 모니터링부(Tensorboard)와,학습 완료된 모델을 저장하는 모델 저장부(ModelExporter)를 포함하는 것을 특징으로 하는 머신 러닝을 통한 영상 인식을 위한 장치
|
| 8 |
8
컴퓨터로 구현되는 영상 인식을 위한 장치에 의해 수행되는 머신 러닝을 통한 영상 인식을 위한 방법에 있어서,데이터 전처리부에서 탐지할 영상 내에서 물체가 놓여 있는 위치의 분포에 대한 분석을 하고, 넷 구조 등에 대한 세팅을 사용자가 선택할 수 있도록 하고, 탐지할 물체의 평균 크기 분석을 수행하여 넷 구조를 결정하는 데이터 전처리 단계;소스 데이터 처리부에서 학습,검증,테스트 데이터 처리를 하는 소스 데이터 처리 단계;바이너리 파일 생성부에서 데이터 셋과 정보를 인코딩한 파일을 출력하는 바이너리 파일 생성 단계;옵션 결정부에서 강화학습(reinforcement learning)기반의 탐색 기법을 옵션 탐색에 적용하여 가장 높은 정확도를 산출하는 모델 파라미터를 구하는 옵션 결정을 수행하는 옵션 결정 단계;학습 실행부에서 옵션 결정 단계에서 결정된 모델 옵션을 이용하여 학습을 하여 모델 성능 평가, 학습과정과 평가과정을 모니터링하고 학습 완료된 모델을 저장하는 학습 실행 단계;를 포함하는 것을 특징으로 하는 머신 러닝을 통한 영상 인식을 위한 방법
|
| 9 |
9
제 8 항에 있어서, 데이터 전처리 단계는,영상 내 물체의 존재 위치나 위치의 분포를 분석하는 오브젝트 분포 분석 단계와,오브젝트 분포 분석 결과에 따라 실제 처리할 부분을 추출하는 관심 영역 선택 단계와,검사기기의 실시간 처리 요구속도를 분석하는 처리 요구속도 분석 단계와, Deep-Net 구성에 요구되는 유저 세팅을 하는 유저 세팅 단계와,물체의 평균크기 분석을 하는 크기 분석 단계 및, 물체가 영상에서 차지하는 비율 분석을 하는 비율 분석 단계를 포함하는 것을 특징으로 하는 머신 러닝을 통한 영상 인식을 위한 방법
|
| 10 |
10
제 8 항에 있어서, 옵션 결정 단계는,학습이 적절한지에 대한 보상값과 현재 상태를 분석하는 단계와, 데이터 변동(Data augmentation) 옵션 및 순서를 생성하는 단계와,학습 환경(Train Config)을 갱신하는 업데이트 단계와,학습 실행부(Tensorflow Object Detection API)에 필요한 모델을 소스 데이터로부터 불러와 구성하는 모델 구성 단계와,모델 학습과 정확도를 검증하는 검증 단계와,정확도를 분석후 데이터 변동(Data augmentation) 옵션을 버퍼에 저장하는 옵션 저장 단계와,가장 높은 정확도를 산출한 모델 옵션을 저장하는 최적 옵션 저장 단계와,정확도로부터 구해진 보상값을 컨트롤러(Controller)에 제공하는 보상값 제공 단계를 포함하는 것을 특징으로 하는 머신 러닝을 통한 영상 인식을 위한 방법
|
