1 |
1
컴퓨팅장치가 입력장치를 이용하여 CCTV에서 촬영된 복수개의 영상들을 입력받는 단계;상기 컴퓨팅장치가 상기 복수개의 영상들에 무작위 샘플링(Random Sampling)을 적용하여 상기 영상들 중 일부의 영상들을 선별하는 단계;상기 컴퓨팅장치가 상기 선별된 영상들을 객체 학습 모델에 입력하여 상기 선별된 영상 각각에 포함된 적어도 하나의 객체를 분류하는 단계;상기 컴퓨팅장치가 상기 객체 학습 모델의 분류 결과를 토대로 상기 선별된 영상 각각에 대하여 엔트로피를 계산하는 단계; 및상기 컴퓨팅장치가 상기 선별된 영상들 중 엔트로피가 기준값을 초과하는 일정 개수의 영상 또는 상기 엔트로피가 높은 순서대로 일정 개수의 영상을 학습용 데이터로 선정하는 단계;를 포함하되,상기 영상은,건설현장을 자동으로 모니터링하기 위하여 일정주기마다 촬영된 작업자, 중장비 또는 자재를 객체로 하는 CCTV영상이며,상기 객체 분류단계는,라벨링이 입력되지 않은 영상에서 객체를 분류하며,상기 엔트로피를 계산하는 단계는,상기 객체 학습 모델이 영상의 객체를 분류하는데 있어서 하나의 영상에 포함된 서로 다른 객체 또는 동일한 다수의 객체를 분류하여 객체의 종류나 객체의 움직임을 분류하기 어려울수록 객체에 대한 불확실성이 높은 결과값을 나타내며, 상기 객체 학습 모델이 분류한 결과값의 종류 또는 개수가 많으면 상기 엔트로피가 높은 것으로 계산하고 상기 객체 학습 모델이 분류한 결과값의 종류 또는 개수가 적으면 상기 엔트로피가 낮은 것으로 계산하고, 아래의 수학식 1에 따라 상기 선별된 영상 각각에 대한 엔트로피 총합을 계산하며,[수학식 1](여기에서 x는 영상의 프레임이고 y는 프레임 x에 대한 i번째 객체 식별 결과임)상기 학습용 데이터로 선정하는 단계는,상기 엔트로피가 기준값을 초과하는 일정개수의 영상 또는 엔트로피가 높은 순서대로 일정개수의 영상을 학습용 데이터로 선정하여 라벨링하는 단계; 및상기 학습용 데이터 각각에 대한 라벨링이 입력되면 데이터베이스에 저장하며, 상기 라벨링의 정보와 상기 객체를 분류한 결과를 비교하여 상기 객체에 대한 정확도가 목표치 미만이면 상기 객체 학습 모델이 가진 인공뉴런의 가중치(Weight)를 조절하는 단계를 포함하는 액티브 러닝을 위한 학습용 데이터 선정방법
|
2 |
2
제 1 항에 있어서, 상기 학습용 데이터로 선정하는 단계는,상기 학습용 데이터 각각에 대한 라벨링이 입력되면 데이터베이스에 저장하는 단계를 포함하는 액티브 러닝을 위한 학습용 데이터 선정 방법
|
3 |
3
CCTV에서 촬영된 복수개의 영상들을 입력받는 입력장치; 및상기 복수개의 영상들에 무작위 샘플링(Random Sampling)을 적용하여 일부의 영상들을 선별하고 상기 선별된 영상들을 객체 학습 모델에 입력하여 상기 선별된 영상 각각에 포함된 적어도 하나의 객체를 분류하고 상기 객체를 분류한 결과를 토대로 상기 선별된 영상 각각에 대한 엔트로피를 계산하여 상기 엔트로피가 기준값을 초과하는 일정 개수의 영상 또는 상기 엔트로피가 높은 순서대로 일정 개수의 영상을 학습용 데이터로 선정하는 컴퓨팅장치;를 포함하되,상기 컴퓨팅 장치는 객체 학습 모델이 탑재된 프로세서를 포함하며, 상기 영상은,건설현장을 자동으로 모니터링하기 위하여 일정주기마다 촬영된 작업자, 중장비 또는 자재를 객체로 하는 CCTV영상이며,상기 객체 분류는,라벨링이 입력되지 않은 영상에서 객체를 분류하며,상기 엔트로피의 계산은 상기 객체 학습 모델이 영상의 객체를 분류하는데 있어서 하나의 영상에 포함된 서로 다른 객체 또는 동일한 다수의 객체를 분류하여 객체의 종류나 객체의 움직임을 분류하기 어려울수록 객체에 대한 불확실성이 높은 결과값을 나타내며, 상기 객체 학습 모델이 분류한 결과값의 종류 또는 개수가 많으면 상기 엔트로피가 높은 것으로 계산하고 상기 객체 학습 모델이 분류한 결과값의 종류 또는 개수가 적으면 상기 엔트로피가 낮은 것으로 계산하고, 아래의 수학식 1에 따라 상기 선별된 영상 각각에 대한 엔트로피 총합을 계산하며,[수학식 1](여기에서 x는 영상의 프레임이고 y는 프레임 x에 대한 i번째 객체 식별 결과임)상기 학습용 데이터 선정은,상기 엔트로피가 기준값을 초과하는 일정개수의 영상 또는 엔트로피가 높은 순서대로 일정개수의 영상을 학습용 데이터로 선정하여 라벨링하는 단계; 및상기 학습용 데이터 각각에 대한 라벨링이 입력되면 데이터베이스에 저장하며, 상기 라벨링의 정보와 상기 객체를 분류한 결과를 비교하여 상기 객체에 대한 정확도가 목표치 미만이면 상기 객체 학습 모델이 가진 인공뉴런의 가중치(Weight)를 조절하는 단계를 포함하여 수행되는 액티브 러닝을 위한 학습용 데이터 선정 장치
|
4 |
4
제 3 항에 있어서, 상기 컴퓨팅장치는 데이터베이스를 포함하고, 상기 학습용 데이터 각각에 대한 라벨링이 입력되면 상기 데이터베이스에 상기 학습용 데이터를 저장하는 액티브 러닝을 위한 학습용 데이터 선정 장치
|
5 |
5
컴퓨팅장치가 임의로 선별한 영상들에 대한 엔트로피를 계산하여 상기 엔트로피가 기준값을 초과하는 일정 개수의 영상 또는 상기 엔트로피가 높은 순서대로 일정 개수의 영상을 학습용 데이터로 선정하는 단계;상기 컴퓨팅 장치가 라벨링이 입력된 학습용 데이터를 이용하여 객체 학습 모델을 훈련하는 단계; 및상기 컴퓨팅장치가 샘플 영상을 입력받아 상기 훈련된 학습 모델에 입력하여 상기 샘플 영상에 포함된 적어도 하나의 객체를 분류하고 상기 객체를 분류한 결과를 평가하는 단계;를 포함하되,상기 학습용 데이터로 선정하는 단계는,상기 컴퓨팅장치가 복수개의 영상들에 무작위 샘플링(Random Sampling)을 적용하여 복수개의 영상들 중 일부의 영상들을 선별하는 단계;상기 컴퓨팅장치가 상기 선별된 영상들을 객체 학습 모델에 입력하여 상기 선별된 영상 각각에 포함된 적어도 하나의 객체를 분류하는 단계; 및상기 컴퓨팅장치가 상기 객체 학습 모델의 분류 결과를 토대로 상기 선별된 영상 각각에 대한 엔트로피를 계산하는 단계;를 포함하며상기 영상은,건설현장을 자동으로 모니터링하기 위하여 일정주기마다 촬영된 작업자, 중장비 또는 자재를 객체로 하는 CCTV영상이며,상기 객체 분류는,라벨링이 입력되지 않은 영상에서 객체를 분류하며,상기 객체 학습 모델이 영상의 객체를 분류하는데 있어서 하나의 영상에 포함된 서로 다른 객체 또는 동일한 다수의 객체를 분류하여 객체의 종류나 객체의 움직임을 분류하기 어려울수록 객체에 대한 불확실성이 높은 결과값을 나타내며, 상기 객체 학습 모델이 분류한 결과값의 종류 또는 개수가 많으면 상기 엔트로피가 높은 것으로 계산하고 상기 객체 학습 모델이 분류한 결과값의 종류 또는 개수가 적으면 상기 엔트로피가 낮은 것으로 계산하고, 아래의 수학식 1에 따라 상기 선별된 영상 각각에 대한 엔트로피 총합을 계산하며,[수학식 1](여기에서 x는 영상의 프레임이고 y는 프레임 x에 대한 i번째 객체 식별 결과임)상기 학습용 데이터로 선정하는 단계는,상기 엔트로피가 기준값을 초과하는 일정개수의 영상 또는 엔트로피가 높은 순서대로 일정개수의 영상을 학습용 데이터로 선정하여 라벨링하는 단계; 및상기 학습용 데이터 각각에 대한 라벨링이 입력되면 데이터베이스에 저장하며, 상기 라벨링의 정보와 상기 객체를 분류한 결과를 비교하여 상기 객체에 대한 정확도가 목표치 미만이면 상기 객체 학습 모델이 가진 인공뉴런의 가중치(Weight)를 조절하는 단계를 포함하는 액티브 러닝을 이용한 영상 분석 방법
|