1 |
1
행동 인식 인공지능 네트워크 시스템이, 시퀀스(Sequence)별로 입력되는 수신호를 운용하는 객체의 바운딩 박스 데이터에서 키포인트(F1)를 추출하여 객체의 골격(Skeleton) 데이터를 생성하는 입력 특징 추출 단계; 및 행동 인식 인공지능 네트워크 시스템이, 키포인트(F1) 및 골격 데이터를 기반으로 뼈 벡터(bone vector)의 길이(F2) 및 각도(F3)를 계산하여 계산 결과를 공간적 특징(Spatial feature)으로 추출하는 공간적 특징 추출 단계;를 포함하는 수신호 및 제스처의 효율적 인식을 위한 행동 인식 방법
|
2 |
2
청구항 1에 있어서,공간적 특징 추출 단계는,골격 데이터가 0 내지 17의 키포인트로 이루어지는 경우, 뼈 벡터의 길이를 계산하기 위해, 각 키포인트 간의 거리에 해당하는 뼈를 X0 내지 X17로 설정하고, 각 뼈 벡터를 하기 수식 1에 적용하여 X0 벡터로 정규화(normalize)하는 것을 특징으로 하는 수신호 및 제스처의 효율적 인식을 위한 행동 인식 방법
|
3 |
3
청구항 2에 있어서,공간적 특징 추출 단계는,골격 데이터가 0 내지 17의 키포인트로 이루어지는 경우, 하기 수식 2를 적용하여 각 키포인트에 인접한 뼈 벡터의 각도를 계산하는 것을 특징으로 하는 수신호 및 제스처의 효율적 인식을 위한 행동 인식 방법
|
4 |
4
청구항 1에 있어서,입력 특징(F1) 및 공간적 특징(F2 및 F3)을 통합(concatenate)하여 신규 특징(F4)을 생성하는 신규 특징 생성 단계;를 더 포함하는 것을 특징으로 하는 수신호 및 제스처의 효율적 인식을 위한 행동 인식 방법
|
5 |
5
청구항 4에 있어서,행동 인식 인공지능 네트워크 시스템은, 신규 특징 생성 단계에서 생성된 신규 특징(F4)을 RT(Robust temporal)-GCN(Graph Convolutional Network) 네트워크에 적용하여 객체가 운용하는 수신호 또는 객체의 행동을 인식하는 것을 특징으로 하는 수신호 및 제스처의 효율적 인식을 위한 행동 인식 방법
|
6 |
6
청구항 5에 있어서,RT-GCN 네트워크는, 여러 종류의 고정 인접 행렬(fixed adjacency matrix)를 적용하여 키포인트가 오인식되는 상황에 대한 강인성을 확보하기 위해 마련되는 Robust GCN 및 시계열 특성을 고려하기 위해 마련되는 TCN(temporal convolution network)으로 구성되는 RT-GCN 블럭과, 객체가 운용하는 수신호 또는 객체의 행동을 인식하기 위해 마련되는 pooling layer 및 FCN(fully connected network)으로 구성되는 것을 특징으로 하는 수신호 및 제스처의 효율적 인식을 위한 행동 인식 방법
|
7 |
7
청구항 6에 있어서,RT-GCN 블럭의 입력 텐서(tensor)는, C x T x V이며, C는 신규 특징(F4)의 채널 수이고, T는, 시간 프레임(temporal frame) 수이고, V는 골격의 키포인트의 노드 수인 것을 특징으로 하는 수신호 및 제스처의 효율적 인식을 위한 행동 인식 방법
|
8 |
8
수신호를 운용하는 객체의 바운딩 박스 데이터를 시퀀스(Sequence)별로 수집하는 센서 모듈; 및 수신호 인식을 위해, 센서 모듈을 통해 수집된 바운딩 박스 데이터에서 키포인트(F1)를 추출하여 객체의 골격(Skeleton) 데이터를 생성하는 입력 특징 추출 작업 및 키포인트(F1) 및 골격 데이터를 기반으로 뼈 벡터(bone vector)의 길이(F2) 및 각도(F3)를 계산하여, 계산 결과를 공간적 특징(Spatial feature)으로 추출하는 공간적 특징 추출 작업을 수행하는 수신호 인식 모듈;을 포함하는 수신호 및 제스처의 효율적 인식을 위한 행동 인식 인공지능 네트워크 시스템
|