| 1 |
1
RF 신호 기반의 키포인트 인식 시스템에 있어서,키포인트 인식 대상으로 조사되는 RF 레이더 펄스 신호를 생성하는 송신 안테나들 및 상기 키포인트 인식 대상으로부터 반사되는 반사 신호를 수신하는 수신 안테나들을 포함하는 데이터 수집부; 및상기 RF 레이더 펄스 신호가 조사될 때 가질 수 있는 RF 신호 상태들 중 일부의 유효한 상태들을 선별하기 위한 상태 간소화 알고리즘을 수행하여 RF 최종 상태들을 결정하고,상기 RF 최종 상태들을 가진 채로 조사되는 상기 RF 레이더 펄스 신호가 상기 키포인트 인식 대상으로부터 반사되면서 생성되는 유효 반사 신호를 딥러닝 기반의 트랜스포머 모델에 입력하여 상기 키포인트 인식 대상의 키포인트 좌표들을 도출하는 데이터 처리부; 를 포함하는, RF 신호 기반의 키포인트 인식 시스템
|
| 2 |
2
제 1 항에 있어서,상기 데이터 수집부는 각 셀의 온/오프 상태에 의해 상기 RF 신호 상태들에 대응하는 메타표면 상태들이 결정되는 셀들을 포함하는 메타표면(metasurface)을 더 포함하고,상기 RF 레이더 펄스 신호가 상기 메타표면을 투과할 때 상기 메타표면 상태들에 따라 상기 RF 레이더 펄스 신호의 위상 및 세기를 포함하는 상기 RF 신호 상태들이 변경되는, RF 신호 기반의 키포인트 인식 시스템
|
| 3 |
3
제 2 항에 있어서,상기 상태 간소화 알고리즘은 N개의 상기 셀들의 개수에 의한 2N개의 상기 메타표면 상태들에 대해 쿼리 행렬 Q 및 전치 키 행렬 KT의 곱에 의해 생성되는 2N x 2N의 어텐션 스코어 행렬에서 각 행의 평균으로 계산되는 2N개의 어텐션 스코어들을 기준으로 상기 RF 신호 상태들 중 일부의 유효한 상태들을 선별하는 셀프 어텐션 기법에 기초하여 상기 RF 최종 상태들을 결정하는, RF 신호 기반의 키포인트 인식 시스템
|
| 4 |
4
제 3 항에 있어서,상기 셀프 어텐션 기법은, 상기 메타표면 상태들에 대한 i) 상태 개수 조정; ii) 조정된 상태 개수에 따른 모델 성능 측정; 및 iii) 목표 성능과의 비교를 통한 상기 상태 개수 조정의 증감 방향과 조정 크기의 결정; 을 반복하면서 상기 메타표면 상태들의 상태 개수를 반복적으로 업데이트하여 최종 메타표면 상태들을 결정하고,상기 RF 최종 상태들은 상기 최종 메타표면 상태들에 대응하는, RF 신호 기반의 키포인트 인식 시스템
|
| 5 |
5
제 4 항에 있어서,상기 셀프 어텐션 기법은, i) 최초 반복에서, 행 제거 비율 Rn에 따라 상기 어텐션 스코어 행렬의 2N개의 행들 중 하위 스코어 행들을 제거하고, ii) 이후 반복들마다, 감소율 rd를 적용하여 상기 행 제거 비율 Rn을 감소시키고,상기 이후 반복들마다, iii) 직전 반복에 의해 조정된 메타표면 상태 개수에 따른 모델 성능과 목표 성능의 차이의 비율이 임계 비율보다 높을 경우, 제거된 상태들 중 임의의 일부 상태들을 추가 도입 비율 Ra에 따라 상기 어텐션 스코어 행렬에 추가하고, iv) 상기 차이의 비율이 상기 임계 비율보다 낮을 경우, 감소율 ra를 적용하여 상기 추가 도입 비율 Ra를 감소시키는, RF 신호 기반의 키포인트 인식 시스템
|
| 6 |
6
제 5 항에 있어서,상기 셀프 어텐션 기법은 상기 차이의 비율이 상기 임계 비율보다 낮은 경우가 5회 이상 반복되는 경우 상기 메타표면 상태들의 상태 개수 조정을 중단하고 상기 최종 메타표면 상태들을 확정하는, RF 신호 기반의 키포인트 인식 시스템
|
| 7 |
7
제 4 항에 있어서,상기 셀프 어텐션 기법에서 상기 최종 메타표면 상태들을 결정하기 위해 상기 메타표면 상태들의 상태 개수를 반복적으로 업데이트하는 것은 멀티-헤드 어텐션의 헤드 개수 nhead에 대해 병렬로 실행되는, RF 신호 기반의 키포인트 인식 시스템
|
| 8 |
8
제 1 항에 있어서,상기 트랜스포머 모델은, 1차원 커널을 통해 상기 유효 반사 신호로부터 1차원 피쳐들을 추출하도록 학습되는 레지듀얼 구조의 합성곱 신경망, 상기 1차원 피쳐들의 특성과 송수신 안테나 쌍의 거리 차이로 인해 발생하는 상기 유효 반사 신호의 특성 변화 간의 관계성을 파악하도록 학습되는 인코더 레이어, 및 상기 키포인트 인식 대상의 위치 정보와 상기 관계성 간의 유사도를 도출하도록 학습되는 디코더 레이어를 포함하는, RF 신호 기반의 키포인트 인식 시스템
|
| 9 |
9
제 8 항에 있어서,상기 트랜스포머 모델은, 상기 1차원 피쳐들에 대한 임베딩을 수행하여 평탄화된 1차원의 입력 시퀀스를 생성하도록 학습되는 임베딩 레이어, 상기 인코더 레이어에 입력되는 상기 1차원의 입력 시퀀스에 위치 정보를 반영하도록 학습되는 포지셔널 인코딩 레이어, 및 상기 유사도에 기초하여 상기 키포인트 인식 대상의 키포인트 좌표들을 도출하도록 학습되는 합성곱 레이어를 더 포함하는, RF 신호 기반의 키포인트 인식 시스템
|
| 10 |
10
제 1 항에 있어서,상기 키포인트 인식 대상은 사람이고, 상기 키포인트 좌표들은 머리, 좌우 어깨, 좌우 팔꿈치, 좌우 손끝, 좌우 엉덩이, 좌우 무릎 및 좌우 발목의 13개 키포인트들의 3차원 좌표들인, RF 신호 기반의 키포인트 인식 시스템
|
| 11 |
11
RF 신호 기반의 키포인트 인식 시스템에 의해 수행되는 키포인트 인식 방법에 있어서,상기 키포인트 인식 시스템의 데이터 수집부의 송신 안테나들에 의해, 키포인트 인식 대상으로 조사되는 RF 레이더 펄스 신호를 생성하는 단계;상기 데이터 수집부의 수신 안테나들에 의해, 상기 키포인트 인식 대상으로부터 반사되는 반사 신호를 수신하는 단계;상기 키포인트 인식 시스템의 데이터 처리부에 의해, 상기 RF 레이더 펄스 신호가 조사될 때 가질 수 있는 RF 신호 상태들 중 일부의 유효한 상태들을 선별하기 위한 상태 간소화 알고리즘을 수행하여 RF 최종 상태들을 결정하는 단계; 및상기 데이터 처리부에 의해, 상기 RF 최종 상태들을 가진 채로 조사되는 상기 RF 레이더 펄스 신호가 상기 키포인트 인식 대상으로부터 반사되면서 생성되는 유효 반사 신호를 딥러닝 기반의 트랜스포머 모델에 입력하여 상기 키포인트 인식 대상의 키포인트 좌표들을 도출하는 단계; 를 포함하는, 키포인트 인식 방법
|
