| 1 |
1
보행자 포즈 방향 추정 방법으로서,(1) 데이터 세트 A를 이용하여, 교사 심층 네트워크 및 교사 랜덤 포레스트로 구성되는 교사 모델을 학습시키는 단계;(2) 데이터 세트 B를 상기 단계 (1)에서 학습된 교사 모델에 입력하고, 출력된 소프트 출력을 이용하여 소프트 타겟 데이터 세트 B*를 생성하는 단계;(3) 상기 단계 (2)에서 생성된 데이터 세트 B*를 이용하여, 학생 네트워크 및 학생 랜덤 포레스트로 구성되는 학생 모델을 학습시키는 단계; 및(4) 상기 단계 (3)에서 학습된 학생 모델로 보행자 포즈 방향을 추정하는 단계를 포함하며,상기 단계 (4)에서는, 최대 확률 클래스의 확률 및 상기 최대 확률 클래스와 인접한 클래스의 확률의 조합을 이용한 소프트 가중 방법을 이용해 보행자 방향을 추정하며,상기 단계 (4)는,(4-1) 상기 단계 (3)에서 학습된 학생 네트워크 및 학생 랜덤 포레스트의 출력값을 결합하여 최종 확률을 생성하는 단계;(4-2) 보행자의 방향 추정을 위해 미리 정해진 각도로 구분된 클래스에서, 가장 높은 확률을 갖는 최대 확률 클래스(ck) 및 상기 최대 확률 클래스에 인접한 두 클래스(ck-1, ck+1)를 특정하는 단계;(4-3) 상기 특정된 클래스(ck-1, ck, ck+1)의 가중치를 각각 산출하는 단계; 및(4-4) 상기 단계 (4-3)에서 산출된 각 클래스의 가중치로부터 최종 보행자 방향을 추정하는 단계를 포함하는 것을 특징으로 하는, 교사-학생 프레임워크 기반의 소프트 타겟 학습방법을 이용한 보행자 포즈 방향 추정 방법
|
| 2 |
2
제1항에 있어서, 상기 단계 (1)에서,상기 데이터 세트 A는 클래스 레이블이 포함되는 하드 타겟 데이터 세트인 것을 특징으로 하는, 교사-학생 프레임워크 기반의 소프트 타겟 학습방법을 이용한 보행자 포즈 방향 추정 방법
|
| 3 |
3
제1항에 있어서, 상기 단계 (2)에서,상기 데이터 세트 B는 클래스 레이블이 포함되지 않는 데이터 세트인 것을 특징으로 하는, 교사-학생 프레임워크 기반의 소프트 타겟 학습방법을 이용한 보행자 포즈 방향 추정 방법
|
| 4 |
4
제1항에 있어서, 상기 단계 (1)은,(1-1) 상기 데이터 세트 A를 이용하여 교사 심층 네트워크를 학습시키는 단계; 및(1-2) 상기 교사 심층 네트워크의 특징 맵(feature map)을 이용하여 교사 랜덤 포레스트를 학습시키는 단계를 포함하는 것을 특징으로 하는, 교사-학생 프레임워크 기반의 소프트 타겟 학습방법을 이용한 보행자 포즈 방향 추정 방법
|
| 5 |
5
제1항에 있어서,(0) 웨이블렛 변환을 적용하여 입력 이미지에 대한 전처리를 수행하는 단계를 더 포함하는 것을 특징으로 하는, 교사-학생 프레임워크 기반의 소프트 타겟 학습방법을 이용한 보행자 포즈 방향 추정 방법
|
| 6 |
6
제5항에 있어서,상기 단계 (0)에서는, 하이 패스(high-pass) 필터된 2개의 서브이미지 및 로우 패스(low-pass) 필터된 하나의 서브이미지를 생성하며,상기 단계 (1)에서는, 상기 단계 (0)에서 생성된 3개의 서브이미지를 이용하여 상기 교사 모델을 학습시키는 것을 특징으로 하는, 교사-학생 프레임워크 기반의 소프트 타겟 학습방법을 이용한 보행자 포즈 방향 추정 방법
|
| 7 |
7
제1항에 있어서, 상기 단계 (2)에서는,상기 데이터 세트 B를 상기 단계 (1)에서 학습된 교사 심층 네트워크 및 교사 랜덤 포레스트에 입력하고, 상기 교사 심층 네트워크의 출력 및 상기 교사 랜덤 포레스트의 출력을 하나의 소프트 타겟 벡터로 결합하여, 각각의 클래스의 확률값인 소프트 타겟 데이터 세트 B*를 생성하는 것을 특징으로 하는, 교사-학생 프레임워크 기반의 소프트 타겟 학습방법을 이용한 보행자 포즈 방향 추정 방법
|
| 8 |
8
삭제
|
| 9 |
9
제1항에 있어서, 상기 단계 (4-3)에서는,다음 수학식을 이용해 각 클래스의 가중치(w(ck))를 산출하는 것을 특징으로 하는, 교사-학생 프레임워크 기반의 소프트 타겟 학습방법을 이용한 보행자 포즈 방향 추정 방법
|
| 10 |
10
제1항에 있어서, 상기 단계 (4-4)에서는,다음 수학식을 이용해 최종 보행자 방향()을 추정하는 것을 특징으로 하는, 교사-학생 프레임워크 기반의 소프트 타겟 학습방법을 이용한 보행자 포즈 방향 추정 방법
|
| 11 |
11
보행자 포즈 방향 추정 시스템으로서,데이터 세트 A를 이용하여, 교사 심층 네트워크 및 교사 랜덤 포레스트로 구성되는 교사 모델을 학습시키는 교사 학습 모듈(100);데이터 세트 B를 상기 교사 학습 모듈(100)에서 학습된 교사 모델에 입력하고, 출력된 소프트 출력을 이용하여 소프트 타겟 데이터 세트 B*를 생성하는 소프트 타겟 데이터 생성 모듈(200);상기 소프트 타겟 데이터 생성 모듈(200)에서 생성된 데이터 세트 B*를 이용하여, 학생 네트워크 및 학생 랜덤 포레스트로 구성되는 학생 모델을 학습시키는 학생 학습 모듈(300); 및상기 학생 학습 모듈(300)에서 학습된 학생 모델로 보행자 포즈 방향을 추정하는 방향 추정 모듈(400)을 포함하며,상기 방향 추정 모듈(400)에서는,최대 확률 클래스의 확률 및 상기 최대 확률 클래스와 인접한 클래스의 확률의 조합을 이용한 소프트 가중 방법을 이용해 보행자 방향을 추정하며,상기 방향 추정 모듈(400)은,상기 학생 학습 모듈(300)에서 학습된 학생 네트워크 및 학생 랜덤 포레스트의 출력값을 결합하여 최종 확률을 생성하는 최종 확률 생성부(410);보행자의 방향 추정을 위해 미리 정해진 각도로 구분된 클래스에서, 가장 높은 확률을 갖는 최대 확률 클래스(ck) 및 상기 최대 확률 클래스에 인접한 두 클래스(ck-1, ck+1)를 특정하는 클래스 검색부(420);상기 특정된 클래스(ck-1, ck, ck+1)의 가중치를 각각 산출하는 가중치 산출부(430); 및상기 가중치 산출부(430)에서 산출된 각 클래스의 가중치로부터 최종 보행자 방향을 추정하는 최종 방향 추정부(440)를 포함하는 것을 특징으로 하는, 교사-학생 프레임워크 기반의 소프트 타겟 학습방법을 이용한 보행자 포즈 방향 추정 시스템
|
| 12 |
12
제11항에 있어서, 상기 교사 학습 모듈(100)에서,상기 데이터 세트 A는 클래스 레이블이 포함되는 하드 타겟 데이터 세트인 것을 특징으로 하는, 교사-학생 프레임워크 기반의 소프트 타겟 학습방법을 이용한 보행자 포즈 방향 추정 시스템
|
| 13 |
13
제11항에 있어서, 상기 소프트 타겟 데이터 생성 모듈(200)에서,상기 데이터 세트 B는 클래스 레이블이 포함되지 않는 데이터 세트인 것을 특징으로 하는, 교사-학생 프레임워크 기반의 소프트 타겟 학습방법을 이용한 보행자 포즈 방향 추정 시스템
|
| 14 |
14
제11항에 있어서, 상기 교사 학습 모듈(100)은,상기 데이터 세트 A를 이용하여 교사 심층 네트워크를 학습시키는 제1 교사 학습부(110); 및상기 교사 심층 네트워크의 특징 맵(feature map)을 이용하여 교사 랜덤 포레스트를 학습시키는 제2 교사 학습부(120)를 포함하는 것을 특징으로 하는, 교사-학생 프레임워크 기반의 소프트 타겟 학습방법을 이용한 보행자 포즈 방향 추정 시스템
|
| 15 |
15
제11항에 있어서,웨이블렛 변환을 적용하여 입력 이미지에 대한 전처리를 수행하는 전처리 모듈(500)을 더 포함하는 것을 특징으로 하는, 교사-학생 프레임워크 기반의 소프트 타겟 학습방법을 이용한 보행자 포즈 방향 추정 시스템
|
| 16 |
16
제15항에 있어서,상기 전처리 모듈(500)에서는, 하이 패스(high-pass) 필터된 2개의 서브이미지 및 로우 패스(low-pass) 필터된 하나의 서브이미지를 생성하며,상기 교사 학습 모듈(100)에서는, 상기 전처리 모듈(500)에서 생성된 3개의 서브이미지를 이용하여 상기 교사 모델을 학습시키는 것을 특징으로 하는, 교사-학생 프레임워크 기반의 소프트 타겟 학습방법을 이용한 보행자 포즈 방향 추정 시스템
|
| 17 |
17
제11항에 있어서, 상기 소프트 타겟 데이터 생성 모듈(200)에서는,상기 데이터 세트 B를 상기 교사 학습 모듈(100)에서 학습된 교사 심층 네트워크 및 교사 랜덤 포레스트에 입력하고, 상기 교사 심층 네트워크의 출력 및 상기 교사 랜덤 포레스트의 출력을 하나의 소프트 타겟 벡터로 결합하여, 각각의 클래스의 확률값인 소프트 타겟 데이터 세트 B*를 생성하는 것을 특징으로 하는, 교사-학생 프레임워크 기반의 소프트 타겟 학습방법을 이용한 보행자 포즈 방향 추정 시스템
|
| 18 |
18
삭제
|
| 19 |
19
제11항에 있어서, 상기 가중치 산출부(430)에서는,다음 수학식을 이용해 각 클래스의 가중치(w(ck))를 산출하는 것을 특징으로 하는, 교사-학생 프레임워크 기반의 소프트 타겟 학습방법을 이용한 보행자 포즈 방향 추정 시스템
|
| 20 |
20
제11항에 있어서, 상기 최종 방향 추정부(440)에서는,다음 수학식을 이용해 최종 보행자 방향()을 추정하는 것을 특징으로 하는, 교사-학생 프레임워크 기반의 소프트 타겟 학습방법을 이용한 보행자 포즈 방향 추정 시스템
|
