1 |
1
시계열 센서 데이터를 단위 시간 데이터로 분할하는 데이터 전처리 단계;상기 단위 시간 데이터에 대한 주파수 특성 분석을 통해 상기 단위 시간 데이터에 내재된 주기를 추출하고, 상기 추출된 주기를 기초로 데이터 분할에 적용할 주기를 설정하는 주기 추출 단계; 및상기 단위 시간 데이터를 상기 설정된 주기에 따라 분할하는 데이터 분할 단계;를 포함하는 데이터 적응형 세그먼테이션 방법
|
2 |
2
제1항에 있어서,상기 분할된 데이터를 행동 인식 모델을 구성하는 딥러닝 네트워크의 입력 형태로 변환하는 데이터 변환 단계; 및상기 변환된 데이터를 상기 행동 인식 모델에 입력하여 행동 범주를 분류하는 행동 범주 분류 단계;를 더 포함하는 데이터 적응형 세그먼테이션 방법
|
3 |
3
제1항에 있어서, 상기 주기 추출 단계는,상기 단위 시간 데이터에 대한 주파수 특성을 푸리에 변환을 이용하여 분석하여 주기-파워 함수(파워 스펙트럼)를 얻은 후, 상기 주기-파워 함수에 기초하여 파워 크기를 기준으로 상기 단위 시간 데이터에 내재된 주기를 추출하는 것인 데이터 적응형 세그먼테이션 방법
|
4 |
4
제1항에 있어서, 상기 주기 추출 단계는,상기 추출된 주기가 상기 시계열 센서 데이터에 대한 샘플링 주기일 경우, 상기 추출된 주기를 데이터 분할에 적용할 주기로 설정하지 않는 것인 데이터 적응형 세그먼테이션 방법
|
5 |
5
제1항에 있어서, 상기 주기 추출 단계는,상기 추출된 주기가 기 설정된 주기 범위를 벗어나는 경우,상기 추출된 주기를 데이터 분할에 적용할 주기로 설정하지 않는 것인 데이터 적응형 세그먼테이션 방법
|
6 |
6
제1항에 있어서, 상기 데이터 분할 단계는,상기 설정된 주기에 따라 분할된 데이터가 행동 인식 모델을 구성하는 딥러닝 네트워크의 입력 형태로 변환되는 경우의 데이터의 크기와 상기 딥러닝 네트워크의 입력에 요구되는 데이터의 크기 간의 차이를 산출하고, 상기 차이가 데이터 크기 차이 임계치보다 큰 경우, 상기 차이를 기초로 상기 설정된 주기를 재설정하는 것인 데이터 적응형 세그먼테이션 방법
|
7 |
7
제2항에 있어서, 상기 데이터 변환 단계는,상기 딥러닝 네트워크의 입력에 요구되는 데이터의 크기와 동일하게 상기 변환된 데이터의 크기를 조정하는 것이고,상기 행동 범주 분류 단계는, 상기 크기가 조정된 데이터를 상기 행동 인식 모델에 입력하여 행동 범주를 분류하는 것인 데이터 적응형 세그먼테이션 방법
|
8 |
8
제2항에 있어서, 상기 데이터 변환 단계는,상기 행동 인식 모델에 네트워크 계층을 추가하는 것이고,상기 행동 범주 분류 단계는, 상기 변환된 데이터를 상기 네트워크 계층이 추가된 행동 인식 모델에 입력하여 행동 범주를 분류하는 것이며,상기 네트워크 계층은, 상기 변환된 데이터의 크기를 상기 네트워크 계층의 입력 데이터 크기로 하고, 상기 딥러닝 네트워크의 입력 데이터 크기를 상기 네트워크 계층의 출력 데이터 크기로 하는 것인 데이터 적응형 세그먼테이션 방법
|
9 |
9
제8항에 있어서, 상기 네트워크 계층은,전역 평균 풀링 계층(global average pooling layer) 및 가변 크기 풀링 계층(variable sized pooling layer) 중 적어도 어느 하나의 계층을 포함하는 것인 데이터 적응형 세그먼테이션 방법
|
10 |
10
시계열 센서 데이터를 단위 시간 데이터로 분할하는 데이터 전처리부;상기 단위 시간 데이터에 대한 주파수 특성 분석을 통해 상기 단위 시간 데이터에 내재된 주기를 추출하고, 상기 추출된 주기를 기초로 데이터 분할에 적용할 주기를 설정하는 주기 추출부; 및상기 단위 시간 데이터를 상기 설정된 주기에 따라 분할하는 데이터 분할부;를 포함하는 데이터 적응형 세그먼테이션 시스템
|
11 |
11
제10항에 있어서,상기 분할된 데이터를 행동 인식 모델을 구성하는 딥러닝 네트워크의 입력 형태로 변환하는 데이터 정제부; 및상기 변환된 데이터를 상기 행동 인식 모델에 입력하여 행동 범주를 분류하는 행동 인식부;를 더 포함하는 데이터 적응형 세그먼테이션 시스템
|
12 |
12
제10항에 있어서, 상기 주기 추출부는,상기 단위 시간 데이터에 대한 주파수 특성을 푸리에 변환을 이용하여 분석하여 주기-파워 함수(파워 스펙트럼)를 얻은 후, 상기 주기-파워 함수에 기초하여 파워 크기를 기준으로 상기 단위 시간 데이터에 내재된 주기를 추출하는 것인 데이터 적응형 세그먼테이션 시스템
|
13 |
13
제10항에 있어서, 상기 주기 추출부는,상기 추출된 주기가 상기 시계열 센서 데이터에 대한 샘플링 주기일 경우, 상기 추출된 주기를 데이터 분할에 적용할 주기로 설정하지 않는 것인 데이터 적응형 세그먼테이션 시스템
|
14 |
14
제10항에 있어서, 상기 주기 추출부는,상기 추출된 주기가 기 설정된 주기 범위를 벗어나는 경우,상기 추출된 주기를 데이터 분할에 적용할 주기로 설정하지 않는 것인 데이터 적응형 세그먼테이션 시스템
|
15 |
15
제10항에 있어서, 상기 데이터 분할부는,상기 설정된 주기에 따라 분할된 데이터가 행동 인식 모델을 구성하는 딥러닝 네트워크의 입력 형태로 변환되는 경우의 데이터의 크기와 상기 딥러닝 네트워크의 입력에 요구되는 데이터의 크기 간의 차이를 산출하고, 상기 차이가 데이터 크기 차이 임계치보다 큰 경우, 상기 차이를 기초로 상기 설정된 주기를 재설정하는 것인 데이터 적응형 세그먼테이션 시스템
|
16 |
16
제11항에 있어서, 상기 데이터 정제부는,상기 딥러닝 네트워크의 입력에 요구되는 데이터의 크기와 동일하게 상기 변환된 데이터의 크기를 조정하는 것이고,상기 행동 인식부는, 상기 크기가 조정된 데이터를 상기 행동 인식 모델에 입력하여 행동 범주를 분류하는 것인 데이터 적응형 세그먼테이션 시스템
|
17 |
17
제11항에 있어서, 상기 행동 인식부는,상기 행동 인식 모델에 네트워크 계층을 추가하고, 상기 변환된 데이터를 상기 네트워크 계층이 추가된 행동 인식 모델에 입력하여 행동 범주를 분류하는 것이고,상기 네트워크 계층은, 상기 변환된 데이터의 크기를 상기 네트워크 계층의 입력 데이터 크기로 하고, 상기 딥러닝 네트워크의 입력 데이터 크기를 상기 네트워크 계층의 출력 데이터 크기로 하는 것인 데이터 적응형 세그먼테이션 시스템
|
18 |
18
제17항에 있어서, 상기 네트워크 계층은,전역 평균 풀링 계층(global average pooling layer) 및 가변 크기 풀링 계층(variable sized pooling layer) 중 적어도 어느 하나의 계층을 포함하는 것인 데이터 적응형 세그먼테이션 시스템
|