1 |
1
자율주행시스템(autonomous driving system)의 객체 탐지 네트워크(object detection network)를 학습시키기 위한 학습 데이터를 증강하는 장치에 있어서,차량의 실제 주행 데이터를 수집하는 주행데이터 수집부;차량 주행의 시뮬레이션 데이터를 수집하는 시뮬레이션데이터 수집부;상기 시뮬레이션 데이터에 차량 주행 환경에 대응하는 노이즈를 발생시키는 노이즈생성부; 및노이즈가 발생된 시뮬레이션 데이터와 상기 주행 데이터 간의 도메인 갭(domain gap)을 감소시키도록 도메인 적응 네트워크(domain adaptation network)를 학습시키고, 학습된 도메인 적응 네트워크를 이용하여 학습 데이터를 생성하는 데이터생성부를 포함하는 것을 특징으로 하는 학습 데이터 증강장치
|
2 |
2
제1항에 있어서,상기 주행 데이터 및 상기 시뮬레이션 데이터는 촬영 이미지(captured image) 또는 라이다 데이터(Lidar data)를 모델링한 라이다 이미지인 것을 특징으로 하는 학습 데이터 증강장치
|
3 |
3
제2항에 있어서,상기 차량 주행 환경은 악천후 주행 환경을 포함하고,상기 차량 주행 환경이 악천후 주행 환경인 경우 상기 노이즈생성부는,상기 시뮬레이션 데이터가 상기 촬영 이미지인 경우, 상기 촬영 이미지의 전체에 블러(blur) 처리를 수행하거나 솔트-앤-페퍼 노이즈(salt-and-pepper noise)를 발생시키고,상기 시뮬레이션 데이터가 상기 라이다 이미지인 경우, 상기 라이다 이미지의 하단부에 가우시안 노이즈(Gaussian noise) 또는 상기 라이다 이미지의 전체에 솔트-앤-페퍼 노이즈를 발생시키는 것을 특징으로 하는 학습 데이터 증강장치
|
4 |
4
제2항에 있어서,상기 차량 주행 환경은 야간주행 환경을 포함하고,상기 차량 주행 환경이 야간주행 환경인 경우 상기 노이즈생성부는,상기 시뮬레이션 데이터가 상기 라이다 이미지인 경우 상기 라이다 이미지의 검은색 계열 객체에 데이터 손실(data loss)을 발생시키는 것을 특징으로 하는 학습 데이터 증강장치
|
5 |
5
제1항에 있어서,상기 도메인 적응 네트워크는,노이즈가 발생된 시뮬레이션 데이터를 소스 도메인(source domain)으로 하고, 상기 주행 데이터를 타겟 도메인(target domain)으로 하여, 동일한 객체를 탐지하는 데 있어 소스 오류(source error) 및 타겟 오류(target error)를 감소시킴으로써 상기 도메인 갭을 감소시키는 것을 특징으로 하는 학습 데이터 증강장치
|
6 |
6
제1항에 있어서,상기 데이터생성부는,상기 차량 주행 환경의 클래스(class)별로 학습 데이터를 생성하는 것을 특징으로 하는 학습 데이터 증강장치
|
7 |
7
제1항에 있어서,상기 학습 데이터를 기초로 상기 객체 탐지 네트워크를 트레이닝하여 트레이닝된 객체 탐지 네트워크로부터 객체를 탐지하는 객체탐지부를 더 포함하는 것을 특징으로 하는 학습 데이터 증강장치
|
8 |
8
자율주행시스템(autonomous driving system)의 객체 탐지 네트워크(object detection network)를 학습시키기 위한 학습 데이터를 증강하는 방법에 있어서,차량의 실제 주행 데이터를 수집하는 과정;차량 주행의 시뮬레이션 데이터를 수집하는 과정;상기 시뮬레이션 데이터에 차량 주행 환경에 대응하는 노이즈를 발생시키는 과정; 및노이즈가 발생된 시뮬레이션 데이터와 상기 주행 데이터 간의 도메인 갭(domain gap)을 감소시키도록 도메인 적응 네트워크(domain adaptation network)를 학습시키고, 학습된 도메인 적응 네트워크를 이용하여 학습 데이터를 생성하는 과정을 포함하는 것을 특징으로 하는 학습 데이터 증강방법
|
9 |
9
제8항에 있어서,상기 주행 데이터 및 상기 시뮬레이션 데이터의 데이터 종류는 촬영 이미지(capture image) 및 라이다 데이터(Lidar data)를 모델링한 라이다 이미지를 포함하고,상기 차량 주행 환경은 악천후 주행 환경을 포함하고,상기 차량 주행 환경이 악천후 주행 환경인 경우 상기 노이즈를 발생시키는 과정은,상기 시뮬레이션 데이터의 상기 촬영 이미지의 전체에 블러(blur) 처리를 수행하거나 솔트-앤-페퍼 노이즈(salt-and-pepper noise)를 발생시키고, 상기 시뮬레이션 데이터의 상기 라이다 이미지의 하단부에 가우시안 노이즈(Gaussian noise) 또는 상기 라이다 이미지의 전체에 솔트-앤-페퍼 노이즈를 발생시키는 것을 특징으로 하는 학습 데이터 증강방법
|
10 |
10
제9항에 있어서,상기 차량 주행 환경은 야간주행 환경을 더 포함하고,상기 차량 주행 환경이 야간주행 환경인 경우 상기 노이즈를 발생시키는 과정은,상기 시뮬레이션 데이터의 상기 라이다 이미지에 존재하는 검은색 계열 객체에 데이터 손실(data loss)을 발생시키는 것을 특징으로 하는 학습 데이터 증강방법
|
11 |
11
제8항에 있어서,상기 도메인 적응 네트워크는,노이즈가 발생된 시뮬레이션 데이터를 소스 도메인(source domain)으로 하고, 상기 주행 데이터를 타겟 도메인(target domain)으로 하여, 동일한 객체를 탐지하는 데 있어 소스 오류(source error) 및 타겟 오류(target error)를 감소시킴으로써 상기 도메인 갭을 감소시키는 것을 특징으로 하는 학습 데이터 증강방법
|
12 |
12
제8항 내지 제11항 중 어느 한 항에 따른 학습 데이터 증강방법이 포함하는 각 과정을 실행시키기 위하여 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터 프로그램
|