| 1 |
1
객체 검출 모델 생성 장치에 의해 각 단계가 수행되는, 특정 객체를 양성(Positive) 또는 음성(Negative)으로 식별하도록 훈련된 객체 검출 모델을 생성하기 위한 방법으로서,식별 대상 객체를 촬영한 이미지에 대해 실제 값(Ground-Truth)으로 레이블링된 로우 데이터 세트(Raw Dataset)를 획득하는 단계;상기 로우 데이터 세트 중 적어도 일부를 이용하여 초기 학습 모델을 훈련시키는 단계;상기 훈련된 학습 모델을 이용하여 상기 로우 데이터 세트에 대한 양성 또는 음성 예측을 수행하여 예측된 데이터 세트를 획득하는 단계;상기 로우 데이터 세트의 실제 값 레이블에 기반하여 예측 정확성에 따라 상기 예측된 데이터 세트를 분류하는 단계;상기 분류 결과를 기반으로 클러스터링 알고리즘을 적용하여 데이터 샘플링을 수행하는 단계; 및상기 데이터 샘플링 결과 추출된 표본 데이터 세트를 이용하여, 상기 훈련된 학습 모델에 대한 파인 튜닝(Fine Tuning)을 수행하는 단계를 포함하되,상기 예측된 데이터 세트를 분류하는 단계는,상기 예측된 데이터 세트를 TP(True Positive) 그룹, TN(True Negative) 그룹, FP(False Positive) 그룹 및 FN(False Negative) 그룹 중 하나로 분류하는 단계를 포함하고,상기 데이터 샘플링을 수행하는 단계는,상기 TP 그룹에 대해 데이터 샘플링을 수행하여 파인 튜닝에 사용된 제1 이미지들을 추출하는 단계를 포함하며,상기 제1 이미지들을 추출하는 단계는,상기 TP 그룹의 데이터 각각에 대해 상기 훈련된 학습 모델을 적용하여 출력된 확률 값의 순서대로 상기 TP 그룹의 데이터를 정렬하는 단계;정렬된 상기 TP 그룹의 데이터에 대해 클러스터링을 수행하는 단계; 및상기 TP 그룹으로부터, 상기 TP 그룹에 대해 생성된 클러스터링 그룹들의 센트로이드(centroid)에 가장 가까운 확률 값들을 가지는 제1 이미지들을 제1 개수만큼 추출하는 단계를 포함하는,객체 검출 모델 생성 방법
|
| 2 |
2
제 1 항에 있어서,상기 데이터 샘플링을 수행하는 단계는,상기 TN 그룹에 대해 데이터 샘플링을 수행하여 파인 튜닝에 사용될 제2 이미지들을 추출하는 단계; 및실제 값으로 레이블링된 상기 제1 이미지들 및 상기 제2 이미지들을 상기 표본 데이터 세트로 생성하는 단계를 더 포함하는,객체 검출 모델 생성 방법
|
| 3 |
3
삭제
|
| 4 |
4
제 2 항에 있어서,상기 제2 이미지들을 추출하는 단계는,상기 TN 그룹의 데이터 각각에 대해 상기 훈련된 학습 모델을 적용하여 출력된 확률 값의 순서대로 상기 TN 그룹의 데이터를 정렬하는 단계; 정렬된 상기 TN 그룹의 데이터에 대해 클러스터링을 수행하는 단계; 및상기 TN 그룹에 대해 생성된 클러스터링 그룹들의 센트로이드에 가장 가까운 확률 값들을 가지는 제2 이미지들을 제2 개수만큼 추출하는 단계를 포함하는,객체 검출 모델 생성 방법
|
| 5 |
5
제 2 항에 있어서,상기 정렬된 상기 TP 그룹의 데이터에 대해 클러스터링을 수행하는 단계는, K-평균 클러스터링 알고리즘(K-means clustering algorithm) 및 random Resampling 중 적어도 하나 이상을 이용하여 수행되고, 여기서 K-평균 클러스터링에 대한 K 값은 상기 FN 그룹의 데이터 개수에 따라 정해지며,상기 제1 개수는 상기 FN 그룹의 데이터 개수에 따라 정해지는,객체 검출 모델 생성 방법
|
| 6 |
6
제 4 항에 있어서,상기 정렬된 상기 TN 그룹의 데이터에 대해 클러스터링을 수행하는 단계는 K-평균 클러스터링 알고리즘(K-means clustering algorithm) 및 random Resampling 중 적어도 하나 이상을 이용하여 수행되고, 여기서 K-평균 클러스터링에 대한 K 값은 상기 FP 그룹의 데이터 개수에 따라 정해지며,상기 제2 개수는 상기 FP 그룹의 데이터 개수에 따라 정해지는,객체 검출 모델 생성 방법
|
| 7 |
7
제 1 항에 있어서,상기 파인 튜닝을 수행하는 단계는,상기 데이터 샘플링 결과 추출된 표본 데이터 세트에 대해 설정 비율로 테스트 데이터 세트와 훈련 데이터 세트로 분류하여 파인 튜닝을 수행하는 단계를 포함하는,객체 검출 모델 생성 방법
|
| 8 |
8
제 1 항에 있어서,상기 파인 튜닝을 수행하는 단계는,상기 학습 모델의 에포크(epoch)마다 정확도를 측정하여, 정확도가 기준 범위 이내에 도달할 때까지 반복하는 단계를 포함하는,객체 검출 모델 생성 방법
|
| 9 |
9
제 1 항에 있어서,상기 학습 모델은,입력 데이터 세트에 대한 예측 확률이 출력 값으로 출력되는 소프트맥스(softmax) 함수가 적용되는,객체 검출 모델 생성 방법
|
| 10 |
10
특정 객체를 양성(Positive) 또는 음성(Negative)으로 식별하도록 훈련된 객체 검출 모델을 생성하기 위한 장치로서,메모리; 및상기 메모리와 연결되고, 상기 메모리에 포함된 컴퓨터 판독 가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,상기 적어도 하나의 프로세서는,식별 대상 객체를 촬영한 이미지에 대해 실제 값(Ground-Truth)으로 레이블링된 로우 데이터 세트(Raw Dataset)를 획득하는 동작,상기 로우 데이터 세트 중 적어도 일부를 이용하여 초기 학습 모델을 훈련시키는 동작,상기 훈련된 학습 모델을 이용하여 상기 로우 데이터 세트에 대한 양성 또는 음성 예측을 수행하여 예측된 데이터 세트를 획득하는 동작,상기 로우 데이터 세트의 실제 값 레이블에 기반하여 예측 정확성에 따라 상기 예측된 데이터 세트를 분류하는 동작,상기 분류 결과를 기반으로 클러스터링 알고리즘을 적용하여 데이터 샘플링을 수행하는 동작, 및상기 데이터 샘플링 결과 추출된 표본 데이터 세트를 이용하여, 상기 훈련된 학습 모델에 대한 파인 튜닝(Fine Tuning)을 수행하는 동작을 수행하도록 구성되며,상기 예측된 데이터 세트를 분류하는 동작은,상기 예측된 데이터 세트를 TP(True Positive) 그룹, TN(True Negative) 그룹, FP(False Positive) 그룹 및 FN(False Negative) 그룹 중 하나로 분류하는 동작을 포함하고,상기 데이터 샘플링을 수행하는 동작은,상기 TP 그룹에 대해 데이터 샘플링을 수행하여 파인 튜닝에 사용된 제1 이미지들을 추출하는 동작을 포함하며,상기 제1 이미지들을 추출하는 동작은,상기 TP 그룹의 데이터 각각에 대해 상기 훈련된 학습 모델을 적용하여 출력된 확률 값의 순서대로 상기 TP 그룹의 데이터를 정렬하는 동작,정렬된 상기 TP 그룹의 데이터에 대해 클러스터링을 수행하는 동작, 및상기 TP 그룹으로부터, 상기 TP 그룹에 대해 생성된 클러스터링 그룹들의 센트로이드에 가장 가까운 확률 값들을 가지는 제1 이미지들을 제1 개수만큼 추출하는 동작을 포함하는,객체 검출 모델 생성 장치
|
| 11 |
11
제 10 항에 있어서,상기 데이터 샘플링을 수행하는 동작은,상기 TN 그룹에 대해 데이터 샘플링을 수행하여 파인 튜닝에 사용된 제2 이미지들을 추출하는 동작, 및실제 값으로 레이블링된 상기 제1 이미지들 및 상기 제2 이미지들을 상기 표본 데이터 세트로 생성하는 동작을 더 포함하는,객체 검출 모델 생성 장치
|
| 12 |
12
제 11 항에 있어서,상기 제2 이미지들을 추출하는 동작은,상기 TN 그룹의 데이터 각각에 대해 상기 훈련된 학습 모델을 적용하여 출력된 확률 값의 순서대로 상기 TN 그룹의 데이터를 정렬하는 동작,정렬된 상기 TN 그룹의 데이터에 대해 클러스터링을 수행하는 동작, 및상기 TN 그룹에 대해 생성된 클러스터링 그룹들의 센트로이드에 가장 가까운 확률 값들을 가지는 제2 이미지들을 제2 개수만큼 추출하는 동작을 포함하는,객체 검출 모델 생성 장치
|
| 13 |
13
제 12 항에 있어서,상기 정렬된 상기 TP 그룹의 데이터에 대해 클러스터링을 수행하는 동작은, K-평균 클러스터링 알고리즘(K-means clustering algorithm) 및 random Resampling 중 적어도 하나 이상을 이용하여 수행되고, 여기서 K-평균 클러스터링에 대한 K 값은 상기 FN 그룹의 데이터 개수에 따라 정해지며, 상기 제1 개수는 상기 FN 그룹의 데이터 개수에 따라 정해지고,상기 정렬된 상기 TN 그룹의 데이터에 대해 클러스터링을 수행하는 동작은, K-평균 클러스터링 알고리즘 및 random Resampling 중 적어도 하나 이상을 이용하여 수행되고, 여기서 K-평균 클러스터링에 대한 K 값은 상기 FP 그룹의 데이터 개수에 따라 정해지며, 상기 제2 개수는 상기 FP 그룹의 데이터 개수에 따라 정해지는,객체 검출 모델 생성 장치
|
| 14 |
14
제 10 항에 있어서,상기 파인 튜닝을 수행하는 동작은,상기 데이터 샘플링 결과 추출된 표본 데이터 세트에 대해 설정 비율로 테스트 데이터 세트와 훈련 데이터 세트로 분류하여 파인 튜닝을 수행하는 동작, 및상기 학습 모델의 에포크(epoch)마다 정확도를 측정하여, 정확도가 기준 범위 이내에 도달할 때까지 반복하는 동작을 포함하는,객체 검출 모델 생성 장치
|
| 15 |
15
제 10 항에 있어서,상기 학습 모델은,입력 데이터 세트에 대한 예측 확률이 출력 값으로 출력되는 소프트맥스(softmax) 함수가 적용되는,객체 검출 모델 생성 장치
|
