1 |
1
하나 이상의 프로세서들;메모리; 및하나 이상의 프로그램들을 포함하고,상기 하나 이상의 프로그램들은 상기 메모리에 저장되고, 상기 하나 이상의 프로세서들에 의해 실행되도록 구성되며, 상기 하나 이상의 프로그램들은, 입력된 영상의 영상 프레임을 기 설정된 크기로 조정하여 입력 이미지를 생성하기 위한 명령;상기 생성된 입력 이미지를 기반으로 상기 영상 프레임을 기 설정된 동작 정보로 분류하기 위한 명령; 및상기 분류된 영상 프레임에서 상기 기 설정된 동작 정보에 대응하는 영상 프레임을 선택하고, 상기 선택된 영상 프레임을 시간순으로 연결하여 상기 입력된 영상으로부터 하이라이트를 생성하기 위한 명령을 포함하며,상기 분류하기 위한 명령은,인공 신경망 모델을 통해 상기 입력 이미지를 입력 받고, 상기 입력 이미지에 기반하여 동작 정보를 분류하기 위한 명령을 더 포함하며,상기 인공 신경망 모델은,상기 입력 이미지를 입력 받는 제1 신경망 모델; 및상기 제1 신경망 모델의 후단에 연결되고 전이 학습(Transfer Learning)을 실행하도록 구성되는 제2 신경망 모델을 포함하며,상기 제2 신경망 모델은,상기 제1 신경망 모델에서 출력된 특징 맵에 대해서 드랍 아웃(drop out)을 각각 적용하는 제1 완전 연결층 및 제2 완전 연결층; 및소프트맥스(Soft max) 함수를 이용하여 상기 드랍 아웃이 적용된 특징 맵을 동작 정보로 분류하는 제3 완전 연결층을 포함하는, 컴퓨팅 장치
|
2 |
2
청구항 1에 있어서,상기 입력 이미지를 생성하기 위한 명령은,상기 입력된 영상에 포함된 각 영상 프레임을 추출하고, 상기 추출된 영상 프레임을 정규화하며, 상기 정규화된 영상 프레임을 각각 동일한 크기로 조정하기 위한 명령을 더 포함하는, 컴퓨팅 장치
|
3 |
3
청구항 2에 있어서,상기 입력 이미지를 생성하기 위한 명령은,상기 영상 프레임을 기 설정된 범위에서 리스케일링(Rescaling) 하거나, 폭 이동(Width Shift) 또는 높이 이동(Height Shift) 시키거나, 기 설정된 회전 범위에서 회전시키거나, 상기 영상 프레임의 밝기를 변화시키거나, 상기 영상 프레임에 수평 반전을 적용하여 상기 영상 프레임의 개수를 증가시켜 입력 이미지를 생성하기 위한 명령을 더 포함하는, 컴퓨팅 장치
|
4 |
4
삭제
|
5 |
5
삭제
|
6 |
6
청구항 1에 있어서,상기 제1 신경망 모델은,상기 입력 이미지에 대한 특징 값을 생성하는 합성곱 층(Convolutional Layer);상기 입력 이미지의 크기를 축소하는 풀링 층(Pooling Layer); 및상기 합성곱 층 및 상기 풀링 층에 의하여 생성된 특징 맵(feature map)을 1차원 벡터로 변환하는 완전 연결층(Fully Connected Layer)을 포함하며,상기 합성곱 층 및 상기 풀링 층은, 층(Layer)의 숫자만큼 반복적으로 수행되는, 컴퓨팅 장치
|
7 |
7
삭제
|
8 |
8
하나 이상의 프로세서들, 및상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서,입력된 영상의 영상 프레임을 기 설정된 크기로 조정하여 입력 이미지를 생성하는 동작;상기 생성된 입력 이미지를 기반으로 상기 영상 프레임을 기 설정된 동작 정보로 분류하는 동작; 및상기 분류된 영상 프레임에서 상기 기 설정된 동작 정보에 대응하는 영상 프레임을 선택하고, 상기 선택된 영상 프레임을 시간순으로 연결하여 상기 입력된 영상으로부터 하이라이트를 생성하는 동작을 포함하며,상기 기 설정된 동작 정보로 분류하는 동작은,인공 신경망 모델을 통해 상기 입력 이미지를 입력 받고, 상기 입력 이미지에 기반하여 동작 정보를 분류하는 동작을 더 포함하며,상기 인공 신경망 모델은,상기 입력 이미지를 입력 받는 제1 신경망 모델; 및상기 제1 신경망 모델의 후단에 연결되고 전이 학습(Transfer Learning)을 실행하도록 구성되는 제2 신경망 모델을 포함하며,상기 제2 신경망 모델은,상기 제1 신경망 모델에서 출력된 특징 맵에 대해서 드랍 아웃(drop out)을 각각 적용하는 제1 완전 연결층 및 제2 완전 연결층; 및소프트맥스(Soft max) 함수를 이용하여 상기 드랍 아웃이 적용된 특징 맵을 동작 정보로 분류하는 제3 완전 연결층을 포함하는, 영상 하이라이트 검출 방법
|
9 |
9
청구항 8에 있어서,상기 입력 이미지를 생성하는 동작은,상기 입력된 영상에 포함된 각 영상 프레임을 추출하고, 상기 추출된 영상 프레임을 정규화하며, 상기 정규화된 영상 프레임을 각각 동일한 크기로 조정하는 동작을 더 포함하는, 영상 하이라이트 검출 방법
|
10 |
10
청구항 9에 있어서,상기 입력 이미지를 생성하는 동작은,상기 영상 프레임을 기 설정된 범위에서 리스케일링(Rescaling) 하거나, 폭 이동(Width Shift) 또는 높이 이동(Height Shift) 시키거나, 기 설정된 회전 범위에서 회전시키거나, 상기 영상 프레임의 밝기를 변화시키거나, 상기 영상 프레임에 수평 반전을 적용하여 상기 영상 프레임의 개수를 증가시켜 입력 이미지를 생성하는 동작을 더 포함하는, 영상 하이라이트 검출 방법
|
11 |
11
삭제
|
12 |
12
삭제
|
13 |
13
청구항 8에 있어서,상기 제1 신경망 모델은,상기 입력 이미지에 대한 특징 값을 생성하는 합성곱 층(Convolutional Layer);상기 입력 이미지의 크기를 축소하는 풀링 층(Pooling Layer); 및상기 합성곱 층 및 상기 풀링 층에 의하여 생성된 특징 맵(feature map)을 1차원 벡터로 변환하는 완전 연결층(Fully Connected Layer)을 포함하며,상기 합성곱 층 및 상기 풀링 층은, 층(Layer)의 숫자만큼 반복적으로 수행되는, 영상 하이라이트 검출 방법
|
14 |
14
삭제
|
15 |
15
비일시적 컴퓨터 판독 가능한 저장 매체(non-transitory computer readable storage medium)에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 명령어들을 포함하고, 상기 명령어들은 하나 이상의 프로세서들을 갖는 컴퓨팅 장치에 의해 실행될 때, 상기 컴퓨팅 장치로 하여금, 입력된 영상의 영상 프레임을 기 설정된 크기로 조정하여 입력 이미지를 생성하고;상기 생성된 입력 이미지를 기반으로 상기 영상 프레임을 기 설정된 동작 정보로 분류하고; 그리고상기 분류된 영상 프레임에서 상기 기 설정된 동작 정보에 대응하는 영상 프레임을 선택하고, 상기 선택된 영상 프레임을 시간순으로 연결하여 상기 입력된 영상으로부터 하이라이트를 생성하도록 하며,상기 컴퓨터 프로그램은, 상기 기 설정된 동작 정보로 분류하기 위하여, 상기 컴퓨팅 장치로 하여금,인공 신경망 모델을 통해 상기 입력 이미지를 입력 받고, 상기 입력 이미지에 기반하여 동작 정보를 분류하도록 하며,상기 인공 신경망 모델은,상기 입력 이미지를 입력 받는 제1 신경망 모델; 및상기 제1 신경망 모델의 후단에 연결되고 전이 학습(Transfer Learning)을 실행하도록 구성되는 제2 신경망 모델을 포함하며,상기 제2 신경망 모델은,상기 제1 신경망 모델에서 출력된 특징 맵에 대해서 드랍 아웃(drop out)을 각각 적용하는 제1 완전 연결층 및 제2 완전 연결층; 및소프트맥스(Soft max) 함수를 이용하여 상기 드랍 아웃이 적용된 특징 맵을 동작 정보로 분류하는 제3 완전 연결층을 포함하는, 컴퓨터 프로그램
|