| 1 |
1
관성 센서로부터 관성 센서 데이터를 입력 받아 동작 종류를 인식하고, 인식된 동작의 시작과 끝을 추정하는 방법
|
| 2 |
2
제1항에서, 상기 관성 센서 데이터는 고정 길이이며, 상기 인식된 동작 종류 및 동작의 시작과 끝은 동시에 출력되는 것을 특징으로 하는 방법
|
| 3 |
3
제1항에서, 상기 동작의 시작과 끝은 상기 입력으로 주어진 관성 센서 데이터에서 인식된 동작이 데이터 내 몇 번 째에 위치하는지 확률적 형태로 표현되는 것을 특징으로 하는 방법
|
| 4 |
4
제3항에서, 상기 동작 종류의 인식 및 동작 시작과 끝의 추정은 상기 확률적 형태들의 Categorical Crossentropy Loss의 가중합을 손실함수로 이용하여 기계학습되는 것을 특징으로 하는 방법
|
| 5 |
5
관성 센서로부터 가속도 및 각속도 데이터를 입력받아 동작 데이터 시퀀스를 생성하는 1수단; 상기 생성된 동작 데이터 시퀀스로부터 동작 종류를 인식하고 인식된 동작의 시작 및 끝을 추정하는 시간 구분 연산을 수행하여 확률적 추정치를 생성하는 2수단을 포함하는, 관성 센서를 이용한 동작 인식 및 시간 구분 장치
|
| 6 |
6
제5항에서, 상기 2수단에서 생성된 확률적 추정치를 토대로 가장 높은 확률을 지닌 값을 인식 결과로 출력하는 3수단을 추가로 포함하는, 관성 센서를 이용한 동작 인식 및 시간 구분 장치
|
| 7 |
7
제5항에서, 상기 1수단에서 생성되는 동작 데이터 시퀀스는 일정 시간간격으로 샘플링된 가속도 및 각속도의 연속으로 표현되는 고정 길이의 데이터인 것을 특징으로 하는, 관성 센서를 이용한 동작 인식 및 시간 구분 장치
|
| 8 |
8
제5항에서, 상기 동작 데이터 시퀀스를 생성하는 1수단은통계적 정규화 수단 및 노이즈 필터링 수단 중 적어도 하나를 포함하는, 관성 센서를 이용한 동작 인식 및 시간 구분 장치
|
| 9 |
9
제5항에서, 상기 확률적 추정치를 생성하는 2수단은 1차원 컨벌루션(1d conv) 계층, 동작 종류의 확률적 추정치를 출력하는 FCL 계층 및 Softmax 계층, 동작 시작의 확률적 추정치를 출력하는 FCL 계층 및 Softmax 계층, 및동작 끝의 확률적 추정치를 출력하는 FCL 계층 및 Softmax 계층을 포함하는 CNN 심층신경망으로 구성되는 것을 특징으로 하는, 관성 센서를 이용한 동작 인식 및 시간 구분 장치
|
| 10 |
10
제5항에서, 상기 2수단에서 추정되는 동작 시작과 동작 끝은 상기 관성 센서로부터 입력된 관성 센서 데이터에서 인식된 동작이 데이터 내 몇 번 째에 위치하는지 확률적 형태로 표현되는 것을 특징으로 하는, 관성 센서를 이용한 동작 인식 및 시간 구분 장치
|
| 11 |
11
제9항에서, 상기 2수단의 상기 동작 종류 인식 및 동작 시작과 끝의 추정은 상기 확률적 추정치의 Categorical Crossentropy Loss의 가중합을 손실 함수로 이용하여 기계학습되는 것을 특징으로 하는, 관성 센서를 이용한 동작 인식 및 시간 구분 장치
|
| 12 |
12
1) 관성 센서로부터 가속도 및 각속도 데이터를 입력받아 동작 데이터 시퀀스를 생성하는 단계; 2) 상기 생성된 동작 데이터 시퀀스로부터 동작 종류를 인식하고 인식된 동작의 시작 및 끝을 추정하는 시간 구분 연산을 수행하여 확률적 추정치를 생성하는 단계를 포함하는, 관성 센서를 이용한 동작 인식 및 시간 구분 방법
|
| 13 |
13
제12항에서, 상기 단계 2)에서 생성된 확률적 추정치를 토대로 가장 높은 확률을 지닌 값을 인식 결과로 출력하는 단계 3)을 추가로 포함하는, 관성 센서를 이용한 동작 인식 및 시간 구분 방법
|
| 14 |
14
제12항에서, 상기 단계 1)에서 생성되는 동작 데이터 시퀀스는 일정 시간간격으로 샘플링된 가속도 및 각속도의 연속으로 표현되는 고정 길이의 데이터인 것을 특징으로 하는, 관성 센서를 이용한 동작 인식 및 시간 구분 방법
|
| 15 |
15
제12항에서, 상기 동작 데이터 시퀀스를 생성하는 단계 1)은통계적 정규화 및 노이즈 필터링 중 적어도 하나를 포함하는, 관성 센서를 이용한 동작 인식 및 시간 구분 방법
|
| 16 |
16
제12항에서, 상기 확률적 추정치를 생성하는 단계 2)는 1차원 컨벌루션(1d conv) 계층, 동작 종류의 확률적 추정치를 출력하는 FCL 계층 및 Softmax 계층, 동작 시작의 확률적 추정치를 출력하는 FCL 계층 및 Softmax 계층, 및동작 끝의 확률적 추정치를 출력하는 FCL 계층 및 Softmax 계층을 포함하는 CNN 심층신경망에 의해 수행되는 것을 특징으로 하는, 관성 센서를 이용한 동작 인식 및 시간 구분 방법
|
| 17 |
17
제12항에서, 상기 단계 2)에서 추정되는 동작 시작과 동작 끝은 상기 관성 센서로부터 입력된 관성 센서 데이터에서 인식된 동작이 데이터 내 몇 번 째에 위치하는지 확률적 형태로 표현되는 것을 특징으로 하는, 관성 센서를 이용한 동작 인식 및 시간 구분 방법
|
| 18 |
18
제16항에서, 상기 단계 2)의 상기 동작 종류의 인식 및 동작 시작과 끝의 추정은 상기 확률적 추정치의 Categorical Crossentropy Loss의 가중합을 손실 함수로 이용하여 기계학습되는 것을 특징으로 하는, 관성 센서를 이용한 동작 인식 및 시간 구분 방법
|
