| 1 |
1
피드 전송(feed-forward) 인공 신경망을 이용하여 입력 이미지에 대해 해상도가 상이한 복수의 특징맵을 획득하는 인코딩 단계;상기 복수의 특징맵에서 인접한 특징맵 한 쌍 중 높은 해상도를 갖는 고해상도 특징맵과 낮은 해상도를 갖는 저해상도 특징맵을 업샘플링(upsampling) 한 업샘플링 저해상도 특징맵을 결합하여 결합 특징맵을 생성하는 단계;상기 결합 특징맵 생성 단계의 출력으로 하나의 예측맵이 산출될 때까지 재귀적으로 상기 결합 특징맵 생성 단계를 반복 수행하는 디코딩 단계;상기 예측맵을 이용하여 상기 입력 이미지에 포함된 하나 이상의 객체를 분류하는 단계를 포함하는 이미지 세그멘테이션 방법
|
| 2 |
2
제1항에 있어서, 상기 결합 특징맵을 생성하는 단계는상기 저해상도 특징맵을 업샘플링하는 단계;상기 저해상도 특징맵에 복수의 활성 함수 레이어를 적용하여 상기 저해상도 특징맵의 컨텍스트 정보를 수집하고, 이를 이용하여 상기 고해상도 특징맵을 재조정하는 단계;상기 고해상도 특징맵과 상기 재조정된 고해상도 특징맵과 상기 업샘플링된 저해상도 특징맵을 합산하는 단계를 포함하는 이미지 세그멘테이션 방법
|
| 3 |
3
제1항에 있어서,상기 해상도가 상이한 복수의 특징맵은상기 피드 전송 인공 신경망을 구성하는 컨볼루션 레이어 또는 하나 이상의 잔차 블록에서 출력되는 특징맵으로, 상기 잔차 블록에서 출력되는 특징맵은 상기 잔차 블록의 입력맵과 상기 입력맵을 필터링한 결과를 합산한 것인 이미지 세그멘테이션 방법
|
| 4 |
4
제1항에 있어서, 상기 예측맵은 상기 복수의 특징맵 중 가장 높은 해상도를 갖는 특징맵과 동일한 해상도를 갖는 이미지 세그멘테이션 방법
|
| 5 |
5
제1항에 있어서, 상기 객체를 분류하는 단계는, 상기 예측맵을 업샘플링 하여 상기 입력 이미지와 동일한 크기의 최종 예측맵을 생성하는 단계;출력 이미지의 픽셀에 상기 최종 예측맵의 깊이 차원을 따라 가장 높은 값을 갖는 클래스를 레이블링하는 단계를 포함하는 이미지 세그멘테이션 방법
|
| 6 |
6
하나 이상의 잔차 블록을 포함하는 인공 신경망을 이용하여 입력 이미지에 대해 해상도가 상이한 복수의 특징맵을 획득하는 인코딩 모듈;상기 복수의 특징맵 중 인접한 특징맵 쌍들을 이용하여 하나의 예측맵을 생성하는 디코딩 모듈을 포함하고, 상기 디코딩 모듈은 한 번 이상의 디코딩 라운드를 수행하며,각 디코딩 라운드는 이전 라운드에서 생성된 특징맵을 구성하는 인접한 특징맵 한 쌍 중 높은 해상도를 갖는 고해상도 특징맵과 낮은 해상도를 갖는 저해상도 특징맵을 이용하여 결합 특징맵을 생성하는 ATF 모듈을 하나 이상 포함하고, 상기 디코딩 라운드는 상기 하나의 예측맵이 생성될 때까지 반복 수행되는 것을 특징으로 하는 이미지 세그멘테이션 장치
|
| 7 |
7
제6항에 있어서,상기 ATF 모듈은 상기 저해상도 특징맵을 업샘플링(upsampling) 한 업샘플링 저해상도 특징맵과 상기 고해상도 특징맵을 결합하여 상기 결합 특징맵을 생성하는 이미지 세그멘테이션 장치
|
| 8 |
8
제6항에 있어서,상기 업샘플링 저해상도 특징맵은 다음 수학식을 이용하여 산출되는 이미지 세그멘테이션 장치[수학식]: 저해상도 특징맵: 업샘플링 저해상도 특징맵: 부분적으로 스트라이드된 컨볼루션 연산: 크기를 갖는 d/c 훈련 가능한 전치 컨벌루션 필터(trainable transposed convolution filter):업샘플링된 편향(bias) 파라미터
|
| 9 |
9
제6항에 있어서,상기 ATF 모듈은상기 저해상도 특징맵을 업샘플링하는 업샘플링부;상기 저해상도 특징맵에 복수의 활성 함수 레이어를 적용하여 상기 저해상도 특징맵의 컨텍스트 정보를 수집하고, 이를 이용하여 상기 고해상도 특징맵을 재조정하는 재조정부;상기 고해상도 특징맵과 상기 재조정된 고해상도 특징맵과 상기 업샘플링된 저해상도 특징맵을 합산하는 합산부를 포함하는 이미지 세그멘테이션 장치
|
| 10 |
10
제9항에 있어서, 상기 합산부는상기 합산된 결과물에 적용되는 컨벌루션 레이어를 더 포함하는 이미지 세그멘테이션 장치
|
| 11 |
11
제9항에 있어서, 상기 복수의 활성 함수 레이어는전역 풀링(Global Pooling) 레이어, ReLU 레이어와 FC(Full Connected) 레이어를 포함하는 히든 레이어 또는 시그모이드 함수 중 적어도 하나를 포함하는 이미지 세그멘테이션 장치
|
| 12 |
12
제11항에 있어서, 상기 전역 풀링 레이어의 결과 벡터 g는 다음 수학식에 따라 산출되는 이미지 세그멘테이션 장치
|
| 13 |
13
제9항에 있어서, 상기 재조정부의 출력은 다음 수학식에 대응되는 이미지 세그멘테이션 장치
|
| 14 |
14
제9항에 있어서, 상기 합산부는 다음 수학식에 따라 상기 결합 특징맵()을 산출하는 이미지 세그멘테이션 장치
|
| 15 |
15
제6항에 있어서, 상기 디코딩 모듈은상기 예측맵을 업샘플링하여 최종 예측맵을 생성하는 업샘플링 레이어를 더 포함하는 이미지 세그멘테이션 장치
|
| 16 |
16
제15항에 있어서, 출력 이미지의 픽셀에 상기 최종 예측맵의 깊이 차원을 따라 가장 높은 값을 갖는 클래스를 레이블링하는 예측 블록을 더 포함하는 이미지 세그멘테이션 장치
|
| 17 |
17
하드웨어와 결합되어 제 1 항 내지 제 5 항의 방법 중 어느 하나의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 이미지 세그멘테이션 프로그램
|
