1 |
1
서로 다른 위치에서 스테레오 영상을 수집하는 제 1,2 이미지 수집부;제 1 이미지 수집부 및 제 2 이미지 수집부 사이의 상대적인 거리차 및 회전각을 계산하고 이로부터 기하학적으로 3차원 입체감을 포함하는 좌표체계를 도출하는 스테레오 분석부;3D 복원을 위하여 임의로 추출된 픽셀들의 3차원 해수면 값만 저장하는 3D 복원부;딥러닝 기술을 활용하여 학습하는 학습부 및 실시간으로 3차원 해수면을 복원하고 그에 대한 결과 분석을 하는 3D 해수면 복원부;를 포함하는 것을 특징으로 하는 해수면 스테레오 영상으로부터 파랑 분석 계산시간 단축을 위한 장치
|
2 |
2
제 1 항에 있어서, 제 1 이미지 수집부에서 수집된 이미지의 모든 픽셀을 사용하지 않고, 임의의 점들을 일부 추출하는 제 1 특징점 추출부와,제 2 이미지 수집부에서 수집된 이미지의 모든 픽셀을 사용하지 않고, 임의의 점들을 일부 추출하는 제 2 특징점 추출부를 더 포함하는 것을 특징으로 하는 해수면 스테레오 영상으로부터 파랑 분석 계산시간 단축을 위한 장치
|
3 |
3
제 2 항에 있어서, 제 1,2 특징점 추출부에서의 임의점을 추출하는 방법으로 추출된 특징점은 스테레오 분석부에서 매칭점으로 사용하는 것을 특징으로 하는 해수면 스테레오 영상으로부터 파랑 분석 계산시간 단축을 위한 장치
|
4 |
4
제 1 항에 있어서, 스테레오 영상분석 시 소요되는 계산시간을 단축하기 위해 CNN(Convolutional Neural Networks) 학습법을 이용하고,CNN 네트워크 모델은 입력 레이어가 256×256×2 텐서(tensor)로 구성되고,첫 번째 텐서는 해수면 값을 포함하지 않는 텐서로 값 0으로 구성되고, 두 번째 텐서는 유효 데이터 해수면 값이 존재하는 텐서로 값 1로 구성되는 것을 특징으로 하는 해수면 스테레오 영상으로부터 파랑 분석 계산시간 단축을 위한 장치
|
5 |
5
제 4 항에 있어서, 출력 레이어는 256×256×1 텐서(tensor)로 구성되고,중간 과정의 레이어는 총 5개의 희소 컨볼루션(Sparse Convolution)으로 구성되고, 각각 시그모이드 활성함수(Sigmoid activation)를 포함하고,각 희소 컨볼루션 레이어는 16-채널 텐서를 생산하고 다음 레이어로 전달하여 최종 희소 컨볼루션은 1×1×16 커널 결과를 도출하는 것을 특징으로 하는 해수면 스테레오 영상으로부터 파랑 분석 계산시간 단축을 위한 장치
|
6 |
6
제 5 항에 있어서, 희소 컨볼루션은 2-채널 입력자료로 구성되고,두 번째 텐서에서 유효 데이터 해수면 값이 존재하는 픽셀들은 첫 번째 텐서의 픽셀들에게 유효한 값들을 전달하고, 풀링(Max Pooling) 과정을 거쳐 다음 희소 컨볼루션으로 전달되는 것을 특징으로 하는 해수면 스테레오 영상으로부터 파랑 분석 계산시간 단축을 위한 장치
|
7 |
7
제 6 항에 있어서, 풀링(Max Pooling) 과정은,전체 특징의 수를 줄여 계산시간을 단축하기 위해, 레이어에서 특정 영역 중 최대값을 샘플링하여 다음 레이어로 넘기는 것을 특징으로 하는 해수면 스테레오 영상으로부터 파랑 분석 계산시간 단축을 위한 장치
|
8 |
8
제 6 항에 있어서, 풀링(Max Pooling)을 위한 AI 모델 네트워크(CNN) 훈련(training)은 배열 격자 사이즈와, 격자 당 크기와, 유의파고, 첨두파주기, 스프레딩, 파향 항목을 포함하는 파랑 조건과, 프레임 수를 포함하는 파라미터들을 이용하는 것을 특징으로 하는 해수면 스테레오 영상으로부터 파랑 분석 계산시간 단축을 위한 장치
|
9 |
9
두 대의 카메라를 이용하여 스테레오 영상을 수집하는 단계;이미지의 모든 픽셀을 사용하지 않고, 임의의 점들을 일부 추출하는 단계;두 카메라 사이의 상대적인 거리차 및 회전각을 계산하고 이로부터 기하학적으로 3차원 입체감을 포함하는 좌표체계를 도출하는 단계;임의로 추출된 픽셀들에 대한 3D 복원을 위하여 영상이미지의 모든 픽셀을 이용하지 않고, 무작위로 추출한 픽셀의 3차원 해수면 값만 저장하는 단계;딥러닝 기술을 활용하여 실시간으로 3차원 해수면을 복원하고 그에 대한 결과 분석하는 단계;를 포함하는 것을 특징으로 하는 해수면 스테레오 영상으로부터 파랑 분석 계산시간 단축을 위한 방법
|
10 |
10
제 9 항에 있어서, 스테레오 영상분석 시 소요되는 계산시간을 단축하기 위해 CNN(Convolutional Neural Networks) 학습법을 이용하고,CNN 네트워크 모델의 희소 컨볼루션은 2-채널 입력자료로 구성되고,두 번째 텐서에서 유효 데이터 해수면 값이 존재하는 픽셀들은 첫 번째 텐서의 픽셀들에게 유효한 값들을 전달하고, 풀링(Max Pooling) 과정을 거쳐 다음 희소 컨볼루션으로 전달되는 것을 특징으로 하는 해수면 스테레오 영상으로부터 파랑 분석 계산시간 단축을 위한 방법
|
11 |
11
제 10 항에 있어서, 풀링(Max Pooling) 과정은,전체 특징의 수를 줄여 계산시간을 단축하기 위해, 레이어에서 특정 영역 중 최대값을 샘플링하여 다음 레이어로 넘기는 것을 특징으로 하는 해수면 스테레오 영상으로부터 파랑 분석 계산시간 단축을 위한 방법
|
12 |
12
제 10 항에 있어서, 풀링(Max Pooling)을 위한 AI 모델 네트워크(CNN) 훈련(training)은 배열 격자 사이즈와, 격자 당 크기와, 유의파고, 첨두파주기, 스프레딩, 파향 항목을 포함하는 파랑 조건과, 프레임 수를 포함하는 파라미터들을 이용하는 것을 특징으로 하는 해수면 스테레오 영상으로부터 파랑 분석 계산시간 단축을 위한 방법
|