맞춤기술찾기

이전대상기술

머신러닝 모델을 이용한 객체 인식 방법 및 시스템

  • 기술번호 : KST2021010945
  • 담당센터 : 경기기술혁신센터
  • 전화번호 : 031-8006-1570
요약, Int. CL, CPC, 출원번호/일자, 출원인, 등록번호/일자, 공개번호/일자, 공고번호/일자, 국제출원번호/일자, 국제공개번호/일자, 우선권정보, 법적상태, 심사진행상태, 심판사항, 구분, 원출원번호/일자, 관련 출원번호, 기술이전 희망, 심사청구여부/일자, 심사청구항수의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 서지정보 표입니다.
요약 본 발명은 머신러닝 모델을 이용한 객체 인식 방법 및 시스템에 관한 것으로, 본 발명의 일 실시예에 따른 객체를 인식하기 위한 영상을 획득하는 단계, 객체가 출현하는 영역의 특징이 미리 학습된 머신러닝 모델을 이용하여 상기 획득된 영상에서 객체 출현 영역을 예측하는 단계, 및 상기 예측된 객체 출현 영역을 이용하여 상기 획득된 이미지에서 객체를 인식하는 단계를 포함한다.
Int. CL G06K 9/00 (2006.01.01) G06N 20/00 (2019.01.01)
CPC G06K 9/00711(2013.01) G06N 20/00(2013.01)
출원번호/일자 1020200030400 (2020.03.11)
출원인 성균관대학교산학협력단
등록번호/일자
공개번호/일자 10-2021-0114805 (2021.09.24) 문서열기
공고번호/일자
국제출원번호/일자
국제공개번호/일자
우선권정보
법적상태 공개
심사진행상태 수리
심판사항
구분 국내출원/신규
원출원번호/일자
관련 출원번호
심사청구여부/일자 Y (2020.03.11)
심사청구항수 12

출원인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 출원인 표입니다.
번호 이름 국적 주소
1 성균관대학교산학협력단 대한민국 경기도 수원시 장안구

발명자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 발명자 표입니다.
번호 이름 국적 주소
1 신동군 서울특별시 강남구
2 조근혜 경기도 수원시 장안구

대리인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 대리인 표입니다.
번호 이름 국적 주소
1 제일특허법인(유) 대한민국 서울특별시 서초구 마방로 ** (양재동, 동원F&B빌딩)

최종권리자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 최종권리자 표입니다.
번호 이름 국적 주소
최종권리자 정보가 없습니다
번호, 서류명, 접수/발송일자, 처리상태, 접수/발송일자의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 행정처리 표입니다.
번호 서류명 접수/발송일자 처리상태 접수/발송번호
1 [특허출원]특허출원서
[Patent Application] Patent Application
2020.03.11 수리 (Accepted) 1-1-2020-0259821-47
2 [대리인선임]대리인(대표자)에 관한 신고서
[Appointment of Agent] Report on Agent (Representative)
2021.01.18 수리 (Accepted) 1-1-2021-0063606-86
3 의견제출통지서
Notification of reason for refusal
2021.02.21 발송처리완료 (Completion of Transmission) 9-5-2021-0147707-83
4 [거절이유 등 통지에 따른 의견]의견서·답변서·소명서
2021.04.21 수리 (Accepted) 1-1-2021-0467191-94
5 [명세서등 보정]보정서
[Amendment to Description, etc.] Amendment
2021.04.21 보정승인간주 (Regarded as an acceptance of amendment) 1-1-2021-0467192-39
6 의견제출통지서
Notification of reason for refusal
2021.08.27 발송처리완료 (Completion of Transmission) 9-5-2021-0681618-09
번호, 청구항의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 청구항 표입니다.
번호 청구항
1 1
객체 인식 장치에 의해 수행되는 머신러닝 모델을 이용한 객체 인식 방법에 있어서, 객체를 인식하기 위한 영상을 획득하는 단계; 상기 객체가 출현하는 영역의 특징이 미리 학습된 머신러닝 모델을 이용하여 상기 획득된 영상에서 객체 출현 영역을 예측하는 단계; 및 상기 예측된 객체 출현 영역을 이용하여 상기 획득된 이미지에서 상기 객체를 인식하는 단계를 포함하는, 머신러닝 모델을 이용한 객체 인식 방법
2 2
제1항에 있어서, 영상의 각 프레임에 대해 상기 객체가 신규로 출현한 제1 영역과 상기 객체가 신규로 출현하지 않은 제2 영역이 구별되는 객체 출현 영역 데이터셋을 생성하는 단계를 더 포함하는, 머신러닝 모델을 이용한 객체 인식 방법
3 3
제2항에 있어서, 상기 객체 출현 영역 데이터셋을 생성하는 단계는, 영상의 각 프레임에 대해 객체 인식을 수행하여 프레임별로 객체 정보를 이용해 객체 추적을 수행하여 객체의 식별 정보와 위치 정보를 산출하고, 상기 산출된 프레임별 객체의 식별 정보 및 위치 정보를 이용하여 상기 객체가 신규로 출현한 영역과 상기 객체가 신규로 출현하지 않은 영역을 구별하는 레이블이 저장된 객체 출현 영역 데이터셋을 생성하는, 머신러닝 모델을 이용한 객체 인식 방법
4 4
제2항에 있어서, 상기 생성된 객체 출현 영역 데이터셋을 이용하여 객체가 출현하는 영역의 공통적인 특징을 추출하고, 상기 추출된 객체가 출현하는 영역의 공통적인 특징을 상기 머신러닝 모델에 학습시키는 단계를 더 포함하는, 머신러닝 모델을 이용한 객체 인식 방법
5 5
제4항에 있어서, 상기 머신러닝 모델에 학습시키는 단계는, 새로운 객체가 출현할 후보 영역을 추론하고, 상기 추론된 후보 영역의 공통적인 특징을 상기 머신러닝 모델에 학습시키는, 머신러닝 모델을 이용한 객체 인식 방법
6 6
제4항에 있어서, 상기 머신러닝 모델에 학습시키는 단계는, 상기 생성된 객체 출현 영역 데이터셋에서 이미지의 복수의 픽셀을 슈퍼 픽셀로 클러스터링하고, 상기 클러스터링된 슈퍼 픽셀 단위인 슈퍼 픽셀 세그먼테이션(Superpixel Image Segmentation)으로 객체의 신규 출현 영역이 예측되도록 상기 머신러닝 모델을 학습시키는, 머신러닝 모델을 이용한 객체 인식 방법
7 7
제1항에 있어서, 상기 객체를 인식하는 단계는, 첫 번째 프레임에 대해서 전체 화면에서 객체를 인식하고, 두 번째 프레임부터 객체 인식이 수행되는 영역을 상기 예측된 객체 출현 영역으로 제한하여 객체 인식을 수행하는, 머신러닝 모델을 이용한 객체 인식 방법
8 8
제1항에 있어서, 영상에서 이전의 객체 출현 영역이 예측된 이전 프레임과 현재 프레임 간의 누적 이동값을 이용하여 객체 출현 영역을 업데이트하는 단계를 더 포함하는, 머신러닝 모델을 이용한 객체 인식 방법
9 9
제8항에 있어서, 상기 객체 출현 영역을 업데이트하는 단계는, 상기 누적 이동값이 기설정된 임계치를 이하이면 상기 누적 이동값을 이용하여 객체 출현 영역을 업데이트하고, 상기 누적 이동값이 기설정된 임계치를 초과하면 영상에서 객체 출현 영역을 다시 예측하는, 머신러닝 모델을 이용한 객체 인식 방법
10 10
제8항에 있어서, 상기 객체 출현 영역을 업데이트하는 단계는, 이전 프레임에서 객체가 인식되지 않은 부분에 대한 모션벡터의 평균을 누적하여 누적 모션벡터를 계산하고, 상기 계산된 누적 모션벡터를 이용하여 이전 프레임과 현재 프레임 간의 누적 이동값을 산출하는, 머신러닝 모델을 이용한 객체 인식 방법
11 11
하나 이상의 프로그램과 객체가 출현하는 영역의 특징이 미리 학습된 머신러닝 모델을 저장하는 메모리; 및 상기 저장된 하나 이상의 프로그램을 실행하는 프로세서를 포함하고, 상기 프로세서는, 상기 객체를 인식하기 위한 영상을 획득하고, 상기 미리 학습된 머신러닝 모델을 이용하여 상기 획득된 영상에서 객체 출현 영역을 예측하고, 상기 예측된 객체 출현 영역을 이용하여 상기 획득된 이미지에서 상기 객체를 인식하는, 머신러닝 모델을 이용한 객체 인식 장치
12 12
제11항에 있어서, 상기 프로세서는, 영상의 각 프레임에 대해 상기 객체가 신규로 출현한 제1 영역과 상기 객체가 신규로 출현하지 않은 제2 영역이 구별되는 객체 출현 영역 데이터셋을 생성하는, 머신러닝 모델을 이용한 객체 인식 장치
13 13
제12항에 있어서, 상기 프로세서는, 영상의 각 프레임에 대해 객체 인식을 수행하여 프레임별로 객체 정보를 이용해 객체 추적을 수행하여 객체의 식별 정보와 위치 정보를 산출하고, 상기 산출된 프레임별 객체의 식별 정보 및 위치 정보를 이용하여 상기 객체가 신규로 출현한 영역과 상기 객체가 신규로 출현하지 않은 영역을 구별하는 레이블이 저장된 객체 출현 영역 데이터셋을 생성하는, 머신러닝 모델을 이용한 객체 인식 장치
14 14
제12항에 있어서, 상기 프로세서는, 상기 생성된 객체 출현 영역 데이터셋을 이용하여 상기 객체가 출현하는 영역의 공통적인 특징을 추출하고, 상기 추출된 객체가 출현하는 영역의 공통적인 특징을 상기 머신러닝 모델에 학습시키는, 머신러닝 모델을 이용한 객체 인식 장치
15 15
제14항에 있어서, 상기 프로세서는, 새로운 객체가 출현할 후보 영역을 추론하고, 상기 추론된 후보 영역의 공통적인 특징을 상기 머신러닝 모델에 학습시키는, 머신러닝 모델을 이용한 객체 인식 장치
16 16
제14항에 있어서, 상기 프로세서는, 상기 생성된 객체 출현 영역 데이터셋에서 이미지의 복수의 픽셀을 슈퍼 픽셀로 클러스터링하고, 상기 클러스터링된 슈퍼 픽셀 단위인 슈퍼 픽셀 세그먼테이션(Superpixel Image Segmentation)으로 객체의 신규 출현 영역이 예측되도록 상기 머신러닝 모델을 학습시키는, 머신러닝 모델을 이용한 객체 인식 장치
17 17
제11항에 있어서, 상기 프로세서는, 첫 번째 프레임에 대해서 전체 화면에서 객체를 인식하고, 두 번째 프레임부터 객체 인식이 수행되는 영역을 상기 예측된 객체 출현 영역으로 제한하여 객체 인식을 수행하는, 머신러닝 모델을 이용한 객체 인식 장치
18 18
제11항에 있어서, 상기 프로세서는, 영상에서 이전의 객체 출현 영역이 예측된 이전 프레임과 현재 프레임 간의 누적 이동값을 이용하여 객체 출현 영역을 업데이트하는, 머신러닝 모델을 이용한 객체 인식 장치
19 19
제18항에 있어서, 상기 프로세서는, 상기 누적 이동값이 기설정된 임계치를 이하이면 상기 누적 이동값을 이용하여 객체 출현 영역을 업데이트하고, 상기 누적 이동값이 기설정된 임계치를 초과하면 영상에서 객체 출현 영역을 다시 예측하는, 머신러닝 모델을 이용한 객체 인식 장치
20 20
제18항에 있어서, 상기 프로세서는, 이전 프레임에서 객체가 인식되지 않은 부분에 대한 모션벡터의 평균을 누적하여 누적 모션벡터를 계산하고, 상기 계산된 누적 모션벡터를 이용하여 이전 프레임과 현재 프레임 간의 누적 이동값을 산출하는, 머신러닝 모델을 이용한 객체 인식 장치
21 21
영상의 각 프레임에 대해 객체가 신규로 출현한 제1 영역과 상기 객체가 신규로 출현하지 않은 제2 영역이 구별되는 객체 출현 영역 데이터셋을 생성하고, 상기 생성된 객체 출현 영역 데이터셋을 이용하여 상기 객체가 출현하는 영역의 공통적인 특징을 추출하고, 상기 추출된 객체가 출현하는 영역의 공통적인 특징을 이용하여 머신러닝 모델에 학습시키는 객체 인식 서버; 및 상기 객체 인식 서버로부터 학습된 머신러닝 모델을 수신하고, 상기 객체를 인식하기 위한 영상을 획득하고, 상기 학습된 머신러닝 모델을 이용하여 상기 획득된 영상에서 객체 출현 영역을 예측하고, 상기 예측된 객체 출현 영역을 이용하여 상기 획득된 이미지에서 상기 객체를 인식하는 객체 인식 장치를 포함하는, 머신러닝 모델을 이용한 객체 인식 시스템
22 22
제21항에 있어서, 상기 객체 인식 서버는, 영상의 각 프레임에 대해 객체 인식을 수행하여 프레임별로 객체 정보를 이용해 객체 추적을 수행하여 객체의 식별 정보와 위치 정보를 산출하고, 상기 산출된 프레임별 객체의 식별 정보 및 위치 정보를 이용하여 상기 객체가 신규로 출현한 영역과 상기 객체가 신규로 출현하지 않은 영역을 구별하는 레이블이 저장된 객체 출현 영역 데이터셋을 생성하는, 머신러닝 모델을 이용한 객체 인식 시스템
23 23
제21항에 있어서, 상기 객체 인식 서버는, 새로운 객체가 출현할 후보 영역을 추론하고, 상기 추론된 후보 영역의 공통적인 특징을 상기 머신러닝 모델에 학습시키는, 머신러닝 모델을 이용한 객체 인식 시스템
24 24
제21항에 있어서, 상기 객체 인식 서버는, 상기 생성된 객체 출현 영역 데이터셋에서 이미지의 복수의 픽셀을 슈퍼 픽셀로 클러스터링하고, 상기 클러스터링된 슈퍼 픽셀 단위인 슈퍼 픽셀 세그먼테이션(Superpixel Image Segmentation)으로 객체의 신규 출현 영역이 예측되도록 상기 머신러닝 모델을 학습시키는, 머신러닝 모델을 이용한 객체 인식 시스템
25 25
제21항에 있어서, 상기 객체 인식 장치는, 첫 번째 프레임에 대해서 전체 화면에서 객체를 인식하고, 두 번째 프레임부터 객체 인식이 수행되는 영역을 상기 예측된 객체 출현 영역으로 제한하여 객체 인식을 수행하는, 머신러닝 모델을 이용한 객체 인식 시스템
26 26
제21항에 있어서, 상기 객체 인식 장치는, 영상에서 이전의 객체 출현 영역이 예측된 이전 프레임과 현재 프레임 간의 누적 이동값을 이용하여 객체 출현 영역을 업데이트하는, 머신러닝 모델을 이용한 객체 인식 시스템
27 27
제26항에 있어서, 상기 객체 인식 장치는, 상기 누적 이동값이 기설정된 임계치를 이하이면 상기 누적 이동값을 이용하여 객체 출현 영역을 업데이트하고, 상기 누적 이동값이 기설정된 임계치를 초과하면 영상에서 객체 출현 영역을 다시 예측하는, 머신러닝 모델을 이용한 객체 인식 시스템
28 28
제26항에 있어서, 상기 객체 인식 장치는, 이전 프레임에서 객체가 인식되지 않은 부분에 대한 모션벡터의 평균을 누적하여 누적 모션벡터를 계산하고, 상기 계산된 누적 모션벡터를 이용하여 이전 프레임과 현재 프레임 간의 누적 이동값을 산출하는, 머신러닝 모델을 이용한 객체 인식 시스템
29 29
프로세서에 의해 실행 가능한 하나 이상의 프로그램을 포함하는 비일시적 컴퓨터 판독가능 저장 매체로서, 상기 하나 이상의 프로그램은 상기 프로세서에 의해 실행될 때, 상기 프로세서로 하여금: 객체를 인식하기 위한 영상을 획득하고, 상기 객체가 출현하는 영역의 특징이 미리 학습된 머신러닝 모델을 이용하여 상기 획득된 영상에서 객체 출현 영역을 예측하고, 상기 예측된 객체 출현 영역을 이용하여 상기 획득된 이미지에서 상기 객체를 인식하게 하는 명령어들을 포함하는, 비 일시적 컴퓨터 판독 가능한 저장 매체
지정국 정보가 없습니다
패밀리정보가 없습니다
순번, 연구부처, 주관기관, 연구사업, 연구과제의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 국가R&D 연구정보 정보 표입니다.
순번 연구부처 주관기관 연구사업 연구과제
1 과학기술정보통신부 성균관대학교 산학협력단 정보통신.방송연구개발사업(SW스타랩) 1단계 3/4 (SW 스타랩) 지능형 IoT 장치용 소프트웨어 프레임워크