| 1 |
1
학습된 인공지능 신경망에 영상이 입력되는 단계;상기 학습된 인공지능 신경망에 기초하여 상기 영상에 포함된 객체에 대응되는 적어도 하나의 서브 클래스를 식별하고, 상기 식별된 적어도 하나의 서브 클래스의 단위로 적어도 하나의 서브 클래스 바운딩 박스를 생성하는 서브 클래스 NMS(Non-maximum suppression)를 수행하는 단계; 및각각의 서브 클래스에 대한 확률을 산출하고, 복수의 동종 객체 각각에 대응되는 복수의 서브 클래스가 그룹핑된 그룹 클래스에 기초하여 상기 식별된 적어도 하나의 서브 클래스가 포함된 그룹 클래스를 식별하며, 상기 생성된 적어도 하나의 서브 클래스 바운딩 박스를 제거하고, 상기 식별된 그룹 클래스에 기초하여 하나의 그룹 클래스 바운딩 박스를 생성하는 그룹 클래스 NMS를 수행하는 단계;를 포함하는 멀티 클래스 객체 식별 방법
|
| 2 |
2
제1항에 있어서,상기 산출된 각각의 서브 클래스에 대한 확률 중 가장 높은 확률의 서브 클래스를 상기 객체로 인식하는 단계;를 더 포함하는 멀티 클래스 객체 식별 방법
|
| 3 |
3
제2항에 있어서,상기 생성된 그룹 클래스 바운딩 박스 및 상기 가장 높은 확률의 서브 클래스를 표시하는 단계;를 더 포함하는 멀티 클래스 객체 식별 방법
|
| 4 |
4
제1항에 있어서,상기 영상은 복수의 프레임을 포함하는 동영상이고,상기 서브 클래스 NMS를 수행하는 단계 및 상기 그룹 클래스 NMS를 수행하는 단계는 상기 복수의 프레임 각각에 대해 수행되며,상기 복수의 프레임 각각에 생성된 상기 그룹 클래스 바운딩 박스가 동일한 그룹 클래스 바운딩 박스이고 연속적으로 기 설정된 횟수 이상 생성되는 경우, 객체 추적을 활성화하는 단계;를 더 포함하는 멀티 클래스 객체 식별 방법
|
| 5 |
5
제4항에 있어서,기 설정된 갯수의 프레임으로부터 산출된 상기 각각의 서브 클래스에 대한 확률을 누적 평균하고, 상기 누적 평균된 확률이 가장 높은 서브 클래스를 객체로 인식하여 추적하는 객체 추적 단계;를 더 포함하는 멀티 클래스 객체 식별 방법
|
| 6 |
6
영상을 입력받는 입력부; 및학습된 인공지능 신경망을 포함하는 프로세서;를 포함하고,상기 프로세서는,상기 학습된 인공지능 신경망에 기초하여 상기 영상에 포함된 객체에 대응되는 적어도 하나의 서브 클래스를 식별하고, 상기 식별된 적어도 하나의 서브 클래스의 단위로 적어도 하나의 서브 클래스 바운딩 박스를 생성하는 서브 클래스 NMS 연산을 수행하고, 각각의 서브 클래스에 대한 확률을 산출하고, 복수의 동종 객체 각각에 대응되는 복수의 서브 클래스가 그룹핑된 그룹 클래스에 기초하여 상기 식별된 적어도 하나의 서브 클래스가 포함된 그룹 클래스를 식별하며, 상기 생성된 적어도 하나의 서브 클래스 바운딩 박스를 제거하고, 상기 식별된 그룹 클래스에 기초하여 하나의 그룹 클래스 바운딩 박스를 생성하는 그룹 클래스 NMS 연산을 수행하는, 멀티 클래스 객체 식별 장치
|
| 7 |
7
제6항에 있어서,상기 프로세서는,상기 산출된 각각의 서브 클래스에 대한 확률 중 가장 높은 확률의 서브 클래스를 상기 객체로 인식하는, 멀티 클래스 객체 식별 장치
|
| 8 |
8
제7항에 있어서,상기 생성된 그룹 클래스 바운딩 박스 및 상기 가장 높은 확률의 서브 클래스를 표시하는 디스플레이;를 더 포함하는 멀티 클래스 객체 식별 장치
|
| 9 |
9
제6항에 있어서,상기 영상은 복수의 프레임을 포함하는 동영상이고,상기 프로세서는, 상기 서브 클래스 NMS 연산 및 상기 그룹 클래스 NMS 연산을 상기 복수의 프레임 각각에 대해 수행하며, 상기 복수의 프레임 각각에 생성된 상기 그룹 클래스 바운딩 박스가 동일한 그룹 클래스 바운딩 박스이고 연속적으로 기 설정된 횟수 이상 생성되는 경우, 객체 추적을 활성화하는, 멀티 클래스 객체 식별 장치
|
| 10 |
10
제9항에 있어서,상기 프로세서는,기 설정된 갯수의 프레임으로부터 산출된 상기 각각의 서브 클래스에 대한 확률을 누적 평균하고, 상기 누적 평균된 확률이 가장 높은 서브 클래스를 객체로 인식하여 추적하는, 멀티 클래스 객체 식별 장치
|
