| 1 |
1
생성적 적대 신경망(Generative Adversarial Networks, GAN) 기반의 객체 탐지를 위한 학습 장치로서,상기 생성적 적대 신경망은,입력된 영상으로부터 객체 추정 영상을 생성하는 생성자; 및상기 생성자로부터 생성된 객체 추정 영상을 기 설정된 실측 영상과 비교하고, 상기 비교 결과에 따라 입력된 영상이 상기 실측 영상인지 또는 상기 생성된 객체 추정 영상인지의 여부를 판단하며, 상기 판단 결과를 상기 생성자로 피드백하는 판별자를 포함하는, 객체 탐지를 위한 학습 장치
|
| 2 |
2
청구항 1에 있어서,상기 생성자는,상기 입력된 영상으로부터 입력 특징맵을 추출하는 입력부;그리드 구조로 형성되어 상기 추출한 입력 특징맵을 기반으로 지역적 정보(local information) 및 전역적 정보(global information)를 반영하여 최종 특징맵을 출력하는 특징맵 생성부; 및상기 출력된 최종 특징맵으로부터 상기 객체 추정 영상을 생성하는 출력부를 포함하는, 객체 탐지를 위한 학습 장치
|
| 3 |
3
청구항 2에 있어서,상기 특징맵 생성부는,상기 그리드 구조의 행 방향으로 연결되어 상기 그리드 구조의 층을 형성하는 복수의 덴스 모듈; 및상기 그리드 구조의 열 방향으로 연결되어 상기 그리드 구조의 각 층을 연결하는 적어도 하나 이상의 업샘플링 모듈 및 다운샘플링 모듈을 포함하는, 객체 탐지를 위한 학습 장치
|
| 4 |
4
청구항 3에 있어서,상기 각 층은, 깊이(depth)에 따른 전역적 정보를 포함하는 지역적 정보의 특징맵을 각각 출력하는, 객체 탐지를 위한 학습 장치
|
| 5 |
5
청구항 3에 있어서,상기 덴스 모듈은,입력되는 특징맵의 채널에 따라 제1 파트 특징맵 및 제2 파트 특징맵으로 분할하며, 상기 제2 파트 특징맵을 덴스 블록(dense block) 및 전이 블록(transition block)을 통과시킨 후, 상기 제1 파트 특징맵과 결합하여 지역적 정보의 특징맵을 출력하는, 객체 탐지를 위한 학습 장치
|
| 6 |
6
청구항 3에 있어서,상기 특징맵 생성부는,상기 덴스 모듈, 상기 업샘플링 모듈 및 상기 다운샘플링 모듈에서 출력되는 각각의 특징맵들 융합시키는 융합 블록을 더 포함하는, 객체 탐지를 위한 학습 장치
|
| 7 |
7
청구항 6에 있어서,상기 융합 블록은, 상기 출력되는 각각의 특징맵들을 더하되, 객체에 해당하는 특징를 강조하기 위하여 상기 객체 이외의 특징값들을 0으로 생성하는 필터(filter)를 곱하는 마스킹(masking) 기법을 이용하여 융합하는, 객체 탐지를 위한 학습 장치
|
| 8 |
8
청구항 1에 있어서,상기 판별자는,상기 실측 영상 및 상기 객체 추정 영상에 대한 특징맵을 추출하는 특징 추출 모듈;상기 특징 추출 모듈에서 추출된 특징맵을 압축하는 서브 샘플링 모듈; 및상기 서브 샘플링 모듈로부터 압축된 특징맵을 기반으로 소프트 맥스 함수에 의해 실측(real)인지 생성(fake)인지 분류하는 분류 모듈을 포함하는, 객체 탐지를 위한 학습 장치
|
| 9 |
9
청구항 8에 있어서,상기 서브 샘플링 모듈은,상기 추출된 특징맵에 맥스 풀링(Max Pooing) 및 평균 풀링(Average Pooling)을 각각 수행하여 상기 추출된 특징맵을 압축하며,상기 분류 모듈은,상기 맥스 풀링 및 평균 풀링을 각각 수행한 특징맵들을 더하(addition)는, 객체 탐지를 위한 학습 장치
|
| 10 |
10
하나 이상의 프로세서들, 및상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 객체 탐지를 위한 학습 방법으로서, 생성적 적대 신경망(GAN; Generative Adversarial Networks)에서, 상기 입력된 영상으로부터 객체 추정 영상을 생성하는 단계;상기 생성된 객체 추정 영상을 기 설정된 실측 영상과 비교하고, 상기 비교 결과에 따라 입력된 영상이 상기 실측 영상인지 또는 상기 생성된 객체 추정 영상인지의 여부를 판단하는 단계; 및상기 판단 결과를 상기 객체 추정 영상을 생성하는 단계로 피드백하는 단계를 포함하는, 객체 탐지를 위한 학습 방법
|
| 11 |
11
청구항 10에 있어서,상기 객체 추정 영상을 생성하는 단계는,상기 입력된 영상으로부터 입력 특징맵을 추출하는 단계;그리드 구조를 이용하여 상기 입력 특징맵을 기반으로 지역적 정보(local information) 및 전역적 정보(global information)를 반영하여 최종 특징맵을 출력하는 단계; 및 상기 출력된 최종 특징맵으로부터 객체 추정 영상을 생성하는 단계를 더 포함하는, 객체 탐지를 위한 학습 방법
|
| 12 |
12
생성적 적대 신경망(Generative Adversarial Networks, GAN) 기반의 객체 탐지 장치로서,상기 생성적 적대 신경망은,상기 입력된 영상으로부터 입력 특징맵을 추출하고, 그리드 구조를 이용하여 상기 추출된 입력 특징맵을 기반으로 지역적 정보(local information) 및 전역적 정보(global information)를 반영하여 최종 특징맵을 출력하며, 상기 출력된 최종 특징맵으로부터 객체 추정 영상을 생성하는, 객체 탐지 장치
|
| 13 |
13
청구항 12에 있어서,상기 생성적 적대 신경망은,상기 그리드 구조의 행 방향으로 연결되어 상기 그리드 구조의 층을 형성하는 복수의 덴스 모듈; 및상기 그리드 구조의 열 방향으로 연결되어 상기 그리드 구조의 각 층을 연결하는 적어도 하나 이상의 업샘플링 모듈 및 다운샘플링 모듈을 포함하는, 객체 탐지 장치
|
| 14 |
14
청구항 13에 있어서,상기 각 층은, 깊이(depth)에 따른 전역적 정보를 포함하는 지역적 정보의 특징맵을 각각 출력하는, 객체 탐지 장치
|
| 15 |
15
청구항 13에 있어서,상기 덴스 모듈은,입력되는 특징맵의 채널에 따라 제1 파트 특징맵 및 제2 파트 특징맵으로 분할하며, 상기 제2 파트 특징맵을 덴스 블록(dense block) 및 전이 블록(transition block)을 통과시킨 후, 상기 제1 파트 특징맵과 결합하여 지역적 정보의 특징맵을 출력하는, 객체 탐지 장치
|
| 16 |
16
청구항 13에 있어서, 상기 생성적 적대 신경망은,상기 덴스 모듈, 상기 업샘플링 모듈 및 상기 다운샘플링 모듈에서 출력되는 각각의 특징맵들 융합시키는 융합 블록을 더 포함하는, 객체 탐지 장치
|
| 17 |
17
청구항 16에 있어서,상기 융합 블록은, 상기 출력되는 각각의 특징맵들을 더하되, 객체에 해당하는 특징를 강조하기 위하여 상기 객체 이외의 특징값들을 0으로 생성하는 필터(filter)를 곱하는 마스킹(masking) 기법을 이용하여 융합하는, 객체 탐지 장치
|
| 18 |
18
하나 이상의 프로세서들, 및상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 객체 탐지 방법으로서,생성적 적대 신경망(GAN; Generative Adversarial Networks)에서, 입력된 영상으로부터 입력 특징맵을 추출하는 단계;상기 생성적 적대 신경망에서, 그리드 구조를 이용하여 상기 입력 특징맵을 기반으로 지역적 정보(local information) 및 전역적 정보(global information)를 반영하여 최종 특징맵을 출력하는 단계; 및상기 생성적 적대 신경망에서, 상기 출력된 최종 특징맵으로부터 객체 추정 영상을 생성하는 단계를 포함하는, 객체 탐지 방법
|
