| 1 |
1
이웃 연결성 합성곱 신경망을 이용한 포인트 클라우드 분류 방법에 있어서,이웃 연결성에 기초하여 포인트 클라우드 입력의 복수의 3차원 점들을 군집하는 단계;상기 군집된 복수의 3차원 점들에 대하여 다층 퍼셉트론을 수행하는 단계; 및밀집 연결성 네트워크에 기초하여 상기 다층 퍼셉트론 수행 결과로부터 특징 데이터를 도출하는 단계,를 포함하는, 포인트 클라우드 분류 방법
|
| 2 |
2
제1항에 있어서,상기 군집하는 단계는,K-최근접 이웃 알고리즘 또는 들로네 삼각 분할 알고리즘에 기초하여 상기 이웃 연결성을 산출하는 것인, 포인트 클라우드 분류 방법
|
| 3 |
3
제1항에 있어서,상기 특징 데이터를 도출하는 단계는,상기 다층 퍼셉트론 수행 결과를 복수 개의 병목 레이어를 포함하는 밀집 블록 레이어에 통과시켜 특징 데이터를 획득하는 단계; 및상기 획득된 특징 데이터를 변이 레이어에 통과시켜 가분 컨볼루션을 수행하여 획득된 상기 특징 데이터의 크기를 줄이는 단계를 포함하는 것인, 포인트 클라우드 분류 방법
|
| 4 |
4
이웃 연결성 합성곱 신경망을 이용한 포인트 클라우드 분류 방법에 있어서,(a) 복수의 3차원 점들을 포함하는 포인트 클라우드 입력을 수신하여 상기 3차원 점들 중 대표점을 결정하는 단계;(b) 이웃 연결성을 활용하여 상기 대표점의 주변점들 중 일부를 군집점으로 선택하여 상기 대표점에 대하여 군집하는 단계;(c) 상기 군집점을 상기 대표점을 원점으로 하는 좌표계로 원점 이동하는 단계;(d) 상기 원점 이동된 군집점에 대하여 기존 특징 데이터를 반영한 다층 퍼셉트론을 수행하는 단계;(e) 상기 다층 퍼셉트론 수행 결과를 밀집 연결성 네트워크에 통과시켜 특징 데이터를 획득하는 단계;(f) 상기 (a) 내지 (e) 단계를 기 설정된 반복 횟수만큼 반복하는 단계; 및(g) 반복을 통해 획득된 상기 특징 데이터를 종합하여 완전 연결 레이어를 구축하고, 상기 완전 연결 레이어에 기초하여 상기 포인트 클라우드 입력에 대한 객체 유형을 분류하는 단계,를 포함하는, 포인트 클라우드 분류 방법
|
| 5 |
5
제4항에 있어서,상기 (b) 단계는,(b1) K-최근접 이웃 알고리즘 또는 들로네 삼각 분할 알고리즘을 포함하는 기 설정된 국부 연결성 계산 알고리즘에 기초하여 상기 대표점의 주변점들의 기하 상관관계를 도출하는 단계; 및(b2) 상기 기하 상관관계에 기초하여 상기 주변점들 중 일부를 군집점으로 선택하는 단계,를 포함하는 것인, 포인트 클라우드 분류 방법
|
| 6 |
6
제5항에 있어서,상기 포인트 클라우드 입력의 3차원 점들의 수는 상기 (f) 단계에서 반복이 진행될수록 이전 반복 회차에 대비하여 감소되고,상기 (b1) 단계는,상기 포인트 클라우드 입력의 3차원 점들의 수에 기초하여 각각의 반복 회차에 적용되는 상기 기 설정된 국부 연결성 계산 알고리즘을 K-최근접 이웃 알고리즘 또는 들로네 삼각 분할 알고리즘 중 어느 하나로 결정하는 것을 특징으로 하는, 포인트 클라우드 분류 방법
|
| 7 |
7
제5항에 있어서,상기 기 설정된 반복 횟수는 4회이고,상기 (b1) 단계는,1회차 반복 및 2회차 반복 수행 시, 상기 기 설정된 국부 연결성 계산 알고리즘으로 상기 K-최근접 이웃 알고리즘을 적용하고,3회차 반복 및 4회차 반복 수행 시, 상기 기 설정된 국부 연결성 계산 알고리즘으로 상기 들로네 삼각 분할 알고리즘을 적용하는 것을 특징으로 하는, 포인트 클라우드 분류 방법
|
| 8 |
8
제4항에 있어서,상기 (a) 단계는,FPS(Farthest Point Sampling) 알고리즘에 기초하여 상기 대표점을 결정하는 것인, 포인트 클라우드 분류 방법
|
| 9 |
9
제4항에 있어서,상기 (d) 단계는,(d1) 상기 원점 이동된 군집점에 χ 변환을 적용하는 제1 다층 퍼셉트론을 수행하는 단계;(d2) 상기 원점 이동된 군집점 각각에 대한 점별 다층 퍼셉트론을 수행하고, 기존 특징 데이터를 이어붙이는 제2 다층 퍼셉트론을 수행하는 단계; 및(d3) 상기 제1 다층 퍼셉트론 결과 및 상기 제2 다층 퍼셉트론 결과에 대한 행렬 곱을 연산하여 상기 다층 퍼셉트론 수행 결과를 도출하는 단계,를 포함하는 것인, 포인트 클라우드 분류 방법
|
| 10 |
10
제4항에 있어서,상기 (e) 단계는,(e1) 상기 다층 퍼셉트론 수행 결과를 복수 개의 병목 레이어를 포함하는 밀집 블록 레이어에 통과시켜 특징 데이터를 획득하는 단계; 및(e2) 상기 획득된 특징 데이터를 변이 레이어에 통과시켜 가분 컨볼루션을 수행하여 획득된 상기 특징 데이터의 크기를 줄이는 단계,를 포함하는 것인, 포인트 클라우드 분류 방법
|
| 11 |
11
제10항에 있어서,상기 복수 개의 병목 레이어 각각은,배치 정규화, ELU 함수 적용, 제1 컨볼루션, 배치 정규화, ELU 함수 적용 및 제2 컨볼루션을 순차적으로 수행하는 것을 특징으로 하는, 포인트 클라우드 분류 방법
|
| 12 |
12
제11항에 있어서,상기 제1 컨볼루션은 1x1 컨볼루션이고,상기 제2 컨볼루션은 1xK 컨볼루션인 것을 특징으로 하는, 포인트 클라우드 분류 방법
|
| 13 |
13
이웃 연결성 합성곱 신경망을 이용한 포인트 클라우드 분류 장치에 있어서,복수의 3차원 점들을 포함하는 포인트 클라우드 입력을 수신하여 상기 3차원 점들 중 대표점을 결정하는 대표점 추출부;이웃 연결성을 활용하여 상기 대표점의 주변점들 중 일부를 군집점으로 선택하여 상기 대표점에 대하여 군집하는 군집부;상기 군집점을 상기 대표점을 원점으로 하는 좌표계로 원점 이동하고, 상기 원점 이동된 군집점에 대하여 기존 특징 데이터를 반영한 다층 퍼셉트론을 수행하는 퍼셉트론 수행부;상기 다층 퍼셉트론 수행 결과를 밀집 연결성 네트워크에 통과시켜 특징 데이터를 획득하는 네트워크부; 및획득된 상기 특징 데이터를 종합하여 완전 연결 레이어를 구축하고, 상기 완전 연결 레이어에 기초하여 상기 포인트 클라우드 입력에 대한 객체 유형을 분류하는 객체 분류부,를 포함하는, 포인트 클라우드 분류 장치
|
