1 |
1
라벨링 대상이 포함된 영상 데이터가 자동 라벨링 장치에 입력되면, 자동 라벨링 장치가, 합성곱 신경망을 통해 영상 내 대상 객체 영역을 검출하고 신뢰도를 산출하는 단계;자동 라벨링 장치가, 산출된 신뢰도에 따라 각 대상 객체를 라벨링 가이드 표시 유무 및 작업자의 작업 내용을 분류하기 위한 그룹에 할당하는 단계;자동 라벨링 장치가, 기저장된 데이터베이스의 영상 내 객체 클러스터링 및 집합군과 대상 객체의 유사도를 산출하는 단계;자동 라벨링 장치가, 객체 소속 그룹에 따른 대상 객체와 유사도가 높은 집합의 샘플 GT(Ground Truth) 데이터를 제공하는 단계; 및자동 라벨링 장치가, 라벨링 작업 및 재학습을 통한 합성곱 신경망의 가중치를 갱신하는 단계;를 포함하는 영상 데이터의 라벨링 가이드 방법
|
2 |
2
청구항 1에 있어서,객체의 그룹을 할당하는 단계는,기설정된 제1 임계값 이하의 신뢰도를 가진 객체를 별도의 가이드를 표시하지 않는 네거티브(negative) 그룹에 할당하고, 신뢰도가 기설정된 제1 임계값을 초과하되, 제1 임계값 보다 높게 설정된 제2 임계값 미만인 객체를 배경은 아니지만 합성곱 신경망에서 판단하기 어려운 객체에 해당하는 하드 포지티브(hard positive) 그룹에 할당하고, 제2 임계값 이상의 신뢰도를 가진 객체를 합성곱 신경망에서 판단 가능한 객체에 해당하는 이지 포지티브(easy positive) 그룹에 할당하는 것을 특징으로 하는 영상 데이터의 라벨링 가이드 방법
|
3 |
3
청구항 2에 있어서,자동 라벨링 장치는, 하드 포지티브 그룹에 할당된 객체가 이지 포지티브 그룹보다 기저장된 데이터베이스와 다른 형태의 대상 객체일 확률이 높기 때문에, 라벨링 작업 할당 시, 하드 포지티브 그룹에 할당된 객체가 포함된 영상 데이터를 다른 작업자보다 상대적으로 숙련도가 높은 작업자에게 할당하는 것을 특징으로 하는 영상 데이터의 라벨링 가이드 방법
|
4 |
4
청구항 2에 있어서,유사도를 산출하는 단계는,기저장된 데이터베이스에 존재하는 영상 내 객체를 클러스터링(K-NN)을 통해 그룹화하여 각 그룹의 대표 특징을 추출하고, 유사도가 높은 집합의 샘플 GT 데이터를 제공하는 단계는, 라벨링 대상 객체 영역에 대하여 동일하게 특징을 추출하고 각 그룹의 대표 특징과의 유사도 비교를 통해 가장 유사도가 높은 그룹의 객체 샘플과 박스 GT 데이터를 작업자 단말에 제공하며, 작업자 단말은,대상 객체에 대한 라벨링 수행 시, 화면에 샘플과 GT 데이터를 표시하여 데이터베이스 GT 데이터와 동일한 라벨링 결과가 도출되도록 하는 것을 특징으로 하는 영상 데이터의 라벨링 가이드 방법
|
5 |
5
청구항 4에 있어서,합성곱 신경망의 가중치를 갱신하는 단계는, 라벨링이 수행된 데이터가 기저장된 데이터베이스에 추가되어 저장되도록 하며, 데이터베이스에 기설정된 비율 이상의 데이터가 추가될 때마다, 재학습을 통해 합성곱 신경망의 가중치를 갱신하는 것을 특징으로 하는 영상 데이터의 라벨링 가이드 방법
|
6 |
6
청구항 1에 있어서,자동 라벨링 장치가, 영상 환경 속성 및 대상 객체 속성을 추론하는 단계;를 더 포함하고, 추론하는 단계는, 환경 속성 추론 시, 콘벌루션과 완전 연결 계층(fully-connected)으로 이루어진 합성곱 신경망이 영상별 라벨링된 환경 속성 정보를 영상의 GT로 설정하여 학습된 모델을 통해 장면 인식 결과가 도출되도록 하는 것을 특징으로 하는 영상 데이터의 라벨링 가이드 방법
|
7 |
7
청구항 6에 있어서,추론하는 단계는, 객체 속성 추론 시, 자동 라벨링을 수행하는 객체 검출 신경망을 통해 영상 내 대상 객체 영역이 추출되면, 추출된 영역에서 의미론적 분할 신경망을 통해 대상 객체의 세부 파트 영역이 추출되도록 하고, 대상 객체의 각 세부 파트 영역 내 위치하는 픽셀들의 신뢰도 및 영역 정보는, 신경망을 학습하기 위한 특징이 되는 것을 특징으로 하는 영상 데이터의 라벨링 가이드 방법
|
8 |
8
라벨링 대상이 포함된 영상 데이터가 입력되는 입력부;라벨링 대상이 포함된 영상 데이터가 입력되면, 합성곱 신경망을 통해 영상 내 대상 객체 영역을 검출하고 신뢰도를 산출하고, 산출된 신뢰도에 따라 각 대상 객체를 라벨링 가이드 표시 유무 및 작업자의 작업 내용을 분류하기 위한 그룹에 할당하며, 기저장된 데이터베이스의 영상 내 객체 클러스터링 및 집합군과 대상 객체의 유사도를 산출하고, 객체 소속 그룹에 따른 대상 객체와 유사도가 높은 집합의 샘플 GT(Ground Truth) 데이터를 제공하며, 라벨링 작업 및 재학습을 통한 합성곱 신경망의 가중치를 갱신하는 프로세서;를 포함하는 자동 라벨링 장치
|