1 |
1
적어도 하나의 객체가 포함된 포인트 클라우드(point cloud)가 입력되는 입력모듈;상기 입력모듈에서 입력된 상기 포인트 클라우드에서 지역 특징(local feature) 정보를 추출하는 지역 특징 정보 추출부;상기 지역 특징 정보가 추출된 상기 포인트 클라우드에서 전역 특징(global feature) 정보를 추출하는 전역 특징 정보 추출부; 및상기 지역 특징 정보 및 전역 특징 정보를 토대로 상기 포인트 클라우드에서 상기 객체에 대한 분할 결과 정보를 생성하는 분할 결과 추출부;를 구비하는, 3차원 공간의 의미적 분할 시스템
|
2 |
2
제1항에 있어서, 상기 지역 특징 정보 추출부는상기 입력모듈에서 입력된 상기 포인트 클라우드에 포함된 각 포인트의 차원을 확장하는 제1확장모듈; 및상기 제1확장모듈에 의해 각 포인트의 차원이 확장된 상기 포인트 클라우드에서 상기 지역 특징 정보를 획득하는 제1정보 획득부;를 구비하는, 3차원 공간의 의미적 분할 시스템
|
3 |
3
제2항에 있어서, 상기 제1확장모듈은 기학습된 MLP(Multi-Layer Perceptron)을 이용하여 상기 포인트 클라우드에 포함된 각 포인트의 차원을 확장하는,3차원 공간의 의미적 분할 시스템
|
4 |
4
제2항 또는 제3항에 있어서, 상기 제1정보 획득부는 포인트시프트(PointSIFT) 알고리즘을 이용하여 상기 포인트 클라우드에서 상기 지역 특징 정보를 추출하는, 3차원 공간의 의미적 분할 시스템
|
5 |
5
제4항에 있어서, 상기 전역 특징 정보 추출부는상기 제1확장모듈에서 각 포인트의 차원이 확장되고, 상기 제1정보 획득부에서 상기 포인트시트프 알고리즘이 적용된 상기 포인트 클라우드의 각 포인트의 차원을 재차 확장하는 제2확장모듈;상기 제2확장모듈에 의해 각 포인트의 차원이 재차 확장된 상기 포인트 클라우드에서 상기 전역 특징 정보를 획득하는 제2정보 획득부;를 구비하는, 3차원 공간의 의미적 분할 시스템
|
6 |
6
제5항에 있어서, 상기 제2확장모듈은 기학습된 MLP(Multi-Layer Perceptron)을 이용하여 상기 포인트 클라우드에 포함된 각 포인트의 차원을 확장하는,3차원 공간의 의미적 분할 시스템
|
7 |
7
제5항 또는 제6항에 있어서, 상기 제2정보 획득부는상기 제2확장모듈에서 각 포인트의 차원이 확장된 상기 포인트 클라우드를 포인트시프트(PointSIFT) 알고리즘을 이용하여 처리하는 제1포인트 처리모듈; 및상기 제1포인트 처리모듈에서 처리된 상기 포인트 클라우드에서 상기 전역 특징 정보를 추출하는 전역 특징 획득모듈;을 구비하는,3차원 공간의 의미적 분할 시스템
|
8 |
8
제7항에 있어서, 상기 전역 특징 획득모듈은 맥스 풀링(Max-pooling) 함수를 이용하여 상기 제1포인트 처리모듈에서 처리된 상기 포인트 클라우드에서 상기 전역 특징 정보를 추출하는, 3차원 공간의 의미적 분할 시스템
|
9 |
9
제5항에 있어서, 상기 분할 결과 추출부는상기 지역 특징 정보 및 전역 특징 정보를 상호 연결하여 결합 특징 정보를 생성하는 특징 연결모듈; 및상기 결합 특징 정보를 토대로 상기 포인트 클라우드에서 상기 객체에 대한 분할 결과 정보를 획득하는 분할유닛;을 구비하는,3차원 공간의 의미적 분할 시스템
|
10 |
10
제9항에 있어서, 상기 분할유닛은상기 결합 특징 정보에 포함된 포인트의 차원을 축소하는 차원 축소유닛; 및상기 차원 축소유닛에 의해 포인트의 차원이 축소된 상기 결합 특징 정보를 토대로 상기 포인트 클라우드에서 상기 객체에 대한 분할 결과 정보를 획득하는 계층 처리모듈;을 구비하는,3차원 공간의 의미적 분할 시스템
|
11 |
11
제10항에 있어서, 상기 계층 처리모듈은 완전 연결 계층 인공신경망(fully-connected layer)을 이용하여 상기 결합 특징 정보를 분류하여 상기 분할 결과 정보를 생성하는,3차원 공간의 의미적 분할 시스템
|
12 |
12
제10항에 있어서, 상기 차원 축소유닛은 기학습된 MLP(Multi-Layer Perceptron)을 이용하여 상기 결합 특징 정보에 포함된 각 포인트의 차원을 축소하는 축소모듈; 및상기 축소모듈에서 각 포인트의 차원이 축소된 상기 결합 특징 정보를 포인트시프트(PointSIFT) 알고리즘을 이용하여 처리하고, 처리된 상기 결합 특징 정보를 상기 계층 처리모듈에 제공하는 제2포인트 처리모듈;을 구비하는, 3차원 공간의 의미적 분할 시스템
|
13 |
13
제9항에 있어서, 상기 특징 연결모듈은 상기 지역 특징 정보 및 리쉐이프(reshape) 함수가 적용된 전역 특징 정보를 상호 연결하여 결합 특징 정보를 생성하는,3차원 공간의 의미적 분할 시스템
|
14 |
14
입력모듈을 통해 적어도 하나의 객체가 포함된 포인트 클라우드(point cloud)가 입력되는 입력단계;상기 입력모듈에서 입력된 상기 포인트 클라우드에서 지역 특징(local feature) 정보를 추출하는 지역 특징 정보 추출단계;상기 지역 특징 정보가 추출된 상기 포인트 클라우드에서 전역 특징(global feature) 정보를 추출하는 전역 특징 정보 추출단계; 및상기 지역 특징 정보 및 전역 특징 정보를 토대로 상기 포인트 클라우드에서 상기 객체에 대한 분할 결과 정보를 생성하는 결과 추출단계;를 포함하는,3차원 공간의 의미적 분할 방법
|
15 |
15
제14항에 있어서, 상기 지역 특징 정보 추출단계는상기 입력모듈에서 입력된 상기 포인트 클라우드에 포함된 각 포인트의 차원을 확장하는 1차 확장단계; 및상기 1차 확장단계에 의해 각 포인트의 차원이 확장된 상기 포인트 클라우드에서 상기 지역 특징 정보를 획득하는 제1정보 획득단계;를 포함하는,3차원 공간의 의미적 분할 방법
|
16 |
16
제15항에 있어서, 상기 1차 확장단계에서는, 기학습된 MLP(Multi-Layer Perceptron)을 이용하여 상기 포인트 클라우드에 포함된 각 포인트의 차원을 확장하는,3차원 공간의 의미적 분할 방법
|
17 |
17
제15항 또는 제16항에 있어서, 상기 제1정보 획득단계에서는, 포인트시프트(PointSIFT) 알고리즘을 이용하여 상기 포인트 클라우드에서 상기 지역 특징 정보를 추출하는, 3차원 공간의 의미적 분할 방법
|
18 |
18
제15항에 있어서, 상기 전역 특징 정보 추출단계는 상기 1차 확장단계에서 각 포인트의 차원이 확장된 상기 포인트 클라우드의 각 포인트의 차원을 재차 확장하는 2차 확장단계; 및상기 2차 확장단계에 의해 각 포인트의 차원이 재차 확장된 상기 포인트 클라우드에서 상기 전역 특징 정보를 획득하는 제2정보 획득단계;를 포함하는,3차원 공간의 의미적 분할 방법
|
19 |
19
제18항에 있어서, 상기 2차 확장단계에서는, 기학습된 MLP(Multi-Layer Perceptron)을 이용하여 상기 포인트 클라우드에 포함된 각 포인트의 차원을 확장하는,3차원 공간의 의미적 분할 방법
|
20 |
20
제18항 또는 제19항에 있어서, 상기 제2정보 획득단계는상기 2차 확장단계에서 각 포인트의 차원이 확장된 상기 포인트 클라우드를 포인트시프트(PointSIFT) 알고리즘을 이용하여 처리하는 포인트 처리단계; 및상기 포인트 처리단계에서 처리된 상기 포인트 클라우드에서 상기 전역 특징 정보를 추출하는 전역 정보 획득단계;를 포함하는,3차원 공간의 의미적 분할 방법
|
21 |
21
제20항에 있어서, 상기 전역 정보 획득단계에서는, 맥스 풀링(Max-pooling) 함수를 이용하여 상기 포인트 처리단계에서 처리된 상기 포인트 클라우드에서 상기 전역 특징 정보를 추출하는, 3차원 공간의 의미적 분할 방법
|
22 |
22
제18항에 있어서, 상기 결과 추출단계는 상기 지역 특징 정보 및 전역 특징 정보를 상호 연결하여 결합 특징 정보를 생성하는 특징 연결단계; 및상기 결합 특징 정보를 토대로 상기 포인트 클라우드에서 상기 객체에 대한 분할 결과 정보를 획득하는 분할단계;를 구비하는,3차원 공간의 의미적 분할 방법
|
23 |
23
제22항에 있어서, 상기 분할단계는상기 결합 특징 정보에 포함된 포인트의 차원을 축소하는 축소단계; 및계층 처리모듈을 통해 상기 축소단계에서 각 포인트의 차원이 축소된 상기 결합 특징 정보를 이용하여 상기 포인트 클라우드에서 상기 객체에 대한 분할 결과 정보를 획득하는 계층 처리단계;를 포함하는,3차원 공간의 의미적 분할 방법
|
24 |
24
제23항에 있어서, 상기 계층 처리단계에서는, 완전 연결 계층 인공신경망(fully-connected layer)을 이용하여 상기 결합 특징 정보를 분류하여 상기 분할 결과 정보를 생성하는,3차원 공간의 의미적 분할 방법
|
25 |
25
제23항에 있어서, 상기 축소단계는기학습된 MLP(Multi-Layer Perceptron)을 이용하여 상기 결합 특징 정보에 포함된 각 포인트의 차원을 축소하는 작업단계; 및상기 작업단계에서 각 포인트의 차원이 축소된 상기 결합 특징 정보를 포인트시프트(PointSIFT) 알고리즘을 이용하여 처리하고, 처리된 상기 결합 특징 정보를 상기 계층 처리모듈에 제공하는 축소 처리단계;를 포함하는,3차원 공간의 의미적 분할 방법
|
26 |
26
제22항에 있어서, 상기 특징 연결단계에서는, 상기 지역 특징 정보 및 리쉐이프(reshape) 함수가 적용된 전역 특징 정보를 상호 연결하여 결합 특징 정보를 생성하는,3차원 공간의 의미적 분할 방법
|