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
|