| 1 |
1
합성곱 신경망 기반의 도로 검출 방법에 있어서,학습 이미지의 도로 영역에 대한 그라운드 트루스에 확장 연산을 적용하는 단계;상기 학습 이미지 및 상기 확장 연산이 적용된 그라운드 트루스에 기초하여 위성 이미지로부터 도로 영역을 검출하는 추론 모델을 학습시키는 단계;예측 대상 이미지를 수신하고, 상기 추론 모델을 통해 상기 예측 대상 이미지로부터 도로 영역을 검출한 원시 분할맵을 생성하는 단계; 및상기 원시 분할맵에 축소 연산을 적용하여 최종 분할맵을 생성하는 단계,를 포함하는, 도로 검출 방법
|
| 2 |
2
삭제
|
| 3 |
3
제1항에 있어서,상기 확장 연산을 적용하는 단계는,상기 그라운드 트루스에 대하여 미리 설정된 구조적 요소 기반의 컨볼루션 연산을 수행하는 것인, 도로 검출 방법
|
| 4 |
4
제3항에 있어서,상기 최종 분할맵을 생성하는 단계는,상기 원시 분할맵에 대하여 미리 설정된 구조적 요소 기반의 컨볼루션 연산을 수행하는 것인, 도로 검출 방법
|
| 5 |
5
제4항에 있어서,상기 구조적 요소는,정사각형의 형상 또는 원형의 형상을 갖는 것인, 도로 검출 방법
|
| 6 |
6
제4항에 있어서,상기 그라운드 트루스는, 상기 학습 이미지에서 도로에 해당하는 영역의 픽셀값은 1이고, 상기 도로에 해당하는 영역 이외의 영역의 픽셀값은 0인 이진화된 이미지이고,상기 최종 분할맵은, 상기 예측 대상 이미지에서 상기 추론 모델에 의해 도로에 해당하는 것으로 추론된 영역의 픽셀값은 1이고, 상기 추론된 영역 이외의 영역의 픽셀값은 0인 이진화된 이미지인 것인, 도로 검출 방법
|
| 7 |
7
제6항에 있어서,상기 최종 분할맵에 대한 그라운드 트루스에 기초하여 산출된 정밀도(Precision), 재현율(Recall) 및 IoU(Intersection over Union)에 기초하여 상기 구조적 요소의 사이즈를 결정하는 단계,를 더 포함하는 것인, 도로 검출 방법
|
| 8 |
8
제1항에 있어서,상기 추론 모델은 U-Net 기반의 합성곱 신경망인 것을 특징으로 하는, 도로 검출 방법
|
| 9 |
9
합성곱 신경망 기반의 도로 검출 장치에 있어서,학습 이미지의 도로 영역에 대한 그라운드 트루스에 확장 연산을 적용하는 확장 연산부;상기 학습 이미지 및 상기 확장 연산이 적용된 그라운드 트루스에 기초하여 위성 이미지로부터 도로 영역을 검출하는 추론 모델을 학습시키는 학습부;예측 대상 이미지를 수신하고, 상기 추론 모델을 통해 상기 예측 대상 이미지로부터 도로 영역을 검출한 원시 분할맵을 생성하는 예측부; 및상기 원시 분할맵에 축소 연산을 적용하여 최종 분할맵을 생성하는 축소 연산부,를 포함하는, 도로 검출 장치
|
| 10 |
10
제9항에 있어서,상기 확장 연산부는,상기 그라운드 트루스에 대하여 미리 설정된 구조적 요소 기반의 컨볼루션 연산을 수행하는 것인, 도로 검출 장치
|
| 11 |
11
제10항에 있어서,상기 축소 연산부는,상기 원시 분할맵에 대하여 미리 설정된 구조적 요소 기반의 컨볼루션 연산을 수행하는 것인, 도로 검출 장치
|
| 12 |
12
제11항에 있어서,상기 최종 분할맵에 대한 그라운드 트루스에 기초하여 산출된 정밀도(Precision), 재현율(Recall) 및 IoU(Intersection over Union)에 기초하여 상기 구조적 요소의 사이즈를 결정하는 보정부,를 더 포함하는 것인, 도로 검출 장치
|
| 13 |
13
제9항에 있어서,상기 추론 모델은 U-Net 기반의 합성곱 신경망인 것을 특징으로 하는, 도로 검출 장치
|
