| 1 |
1
학습모델이 탑재되어 상기 학습모델로 위치정보가 입력되고, 상기 위치정보에 대응하는 안전정보를 제공하는 인공지능장치이고, 상기 학습모델을 학습하는 네트워크 장치에는, 일탈행위가 일어난 곳의 복수의 이미지와 상기 일탈행위의 클래스를 포함하는 입력데이터를 인코딩하는 인코더;상기 복수의 이미지가 인코딩된 이미지의 특징점을 매칭하는 어텐션 모듈;상기 어텐션 모듈로 추출한 특징점과, 상기 인코딩된 피쳐를 업셈플링(Upsampling)하여 업셈플링된 피쳐를 생성하는 업셈플러; 및상기 업셈플링된 피처를 학습하여 상기 학습모델을 제공하는 시공간뉴럴네트워크가 포함되는, 안전정보제공장치
|
| 2 |
2
제 1 항에 있어서, 상기 인코더는 ResNet(Resifual network)기반의 인코더인 안전정보제공장치
|
| 3 |
3
제 1 항에 있어서, 상기 복수의 이미지는, 100미터를 등간격으로 구분하는 16장의 이미지를 포함하는 안전정보제공장치
|
| 4 |
4
제 1 항에 있어서, 상기 시공간뉴럴네트워크로는 변형된 HATNet(Holistic Appearance and Temporal Network)를 사용하는 안전정보제공장치
|
| 5 |
5
제 1 항에 있어서, 상기 일탈행위는 네 개의 클래스로 구분되어 학습되는 안전정보제공장치
|
| 6 |
6
제 1 항에 있어서, 상기 네트워크장치의 손실함수는, 이고, 여기거, LD는 판별손실이고, LC는 분류손실이고, 람다 1은 스케일링 팩터인 안전정보제공장치
|
| 7 |
7
제 6 항에 있어서, 상기 분류손실은이고, 여기서, y는 참 값(ground truth)이고, y햇은 예측값이고, 람다 2는 상기 람다 1과 유사하게 하인리히 손실 H과 크로스 엔트로피 사이의 밸런스 팩터이고, 상기 하인리히 손실 H는이고, 여기서, prior는 이전 클래스를 의미하고, y는 참 값(ground truth)이고, y햇은 예측값인, 안전정보제공장치
|
| 8 |
8
제 7 항에 있어서, 상기 h는, h1=0
|
| 9 |
9
제 1 항에 있어서, 상기 위치정보로서 이미지정보가 입력되고, 상기 학습모델은, 상기 이미지정보에 근거하여 안전한지의 여부를 안정정보로서 출력하는 안전정보제공장치
|
| 10 |
10
제 1 항에 있어서, 상기 위치정보로서 출발지정보 및 목적지정보가 입력되고, 상기 학습모델은, 상기 출발지정보 및 상기 목적지정보를 이용하여, 상기 출발지로부터 상기 목적지에 이르는 안전한 경로정보를 제공하는 안전정보제공장치
|
