| 1 |
1
비디오 영상의 데이터 세트에서 중첩 동작 클래스를 그룹화하고, 각 비디오 영상에서 프레임을 추출하여 딥 러닝 파이프 라인(DLPL) CNN 학습 모델에 맞는 프레임 사이즈로 조정하여 사전 학습하는 데이터 전처리부; 상기 데이터 전처리부에서 사전 학습된 딥 러닝 파이프 라인(DLPL) CNN 학습 모델에 추가적인 데이터 세트를 적용하여 학습 및 미세 조정하는 전이 학습부; 상기 전이 학습부에서 미세 조정된 사전 학습된 딥 러닝 파이프 라인(DLPL) CNN 학습 모델을 적용하여 시각적 데이터 스트림에서 프레임 수준 공간 정보를 학습하여 고차원 심층 특징을 추출하는 심층 특징 추출부;상기 심층 특징 추출부에서 추출된 고차원 심층 특징을 저차원 특징 맵으로 압축하는 인코더부; 및상기 인코더부에서 압축된 특징 맵에서 시간 정보를 학습하고 이전 학습된 모델에 새로운 비디오 영상 데이터의 변경 부분을 적용하여 반복적으로 미세 조정하여 학습하는 조정 모듈부를 포함하는 딥러닝 기반의 행동 인식 시스템
|
| 2 |
2
제1항에 있어서, 상기 딥 러닝 파이프 라인(DLPL) CNN 학습 모델은 DenseNet201, InceptionV3, ResNet101V2, ResNet152V2, VGG16, VGG19 및 Xception를 포함하고, 이들 중 어느 하나의 사전 훈련된 CNN 학습 모델을 이용하는 것을 특징으로 하는 딥러닝 기반의 행동 인식 시스템
|
| 3 |
3
제1항에 있어서,상기 전이 학습부는 상기 사전 학습된 딥 러닝 파이프 라인(DLPL) CNN 모델의 마지막 분류 계층을 제거하고 새 데이터 세트에 대해 새로운 계층을 추가하여 학습 및 미세 조정하는 것을 특징으로 하는 딥러닝 기반의 행동 인식 시스템
|
| 4 |
4
제1항에 있어서,상기 심층 특징 추출부는 딥 러닝 파이프 라인(DLPL) CNN 학습 모델에서 마지막 완전 연결 계층(FCL)을 제거하고 일부 추가 계층을 추가하여 데이터 세트에 대해 시각적 데이터 스트림에서 공간 패턴과 관계를 학습하고, 마지막으로 완전히 연결된 SoftMax 계층 이전의 출력을 다음 네트워크에 제공하여 심층 특징을 추출하는 것을 특징으로 하는 딥러닝 기반의 행동 인식 시스템
|
| 5 |
5
제1항에 있어서,상기 인코더부는 오토 인코더(Deep Autoencoder)를 이용하여 입력 데이터에 대한 최소 표현을 학습하고, 원래 입력 데이터에 가장 가까운 출력으로 재구성하여 저차원 특징 맵으로 출력하는 것을 특징으로 하는 딥러닝 기반의 행동 인식 시스템
|
| 6 |
6
제1항에 있어서, 상기 조정 모듈부는 장기 시간적 맥락을 학습하기 위해 LSTM(Long Short-Term Memory) 및 RNN(Recurrent Neural Network)을 이용하는 것을 특징으로 하는 딥러닝 기반의 행동 인식 시스템
|
| 7 |
7
비디오 영상의 데이터 세트에서 중첩 동작 클래스를 그룹화하고, 각 비디오 영상에서 프레임을 추출하여 딥 러닝 파이프 라인(DLPL) CNN 학습 모델에 맞는 프레임 사이즈로 조정하여 사전 학습하는 단계; 상기 사전 학습된 딥 러닝 파이프 라인(DLPL) CNN 학습 모델에 추가적인 데이터 세트를 적용하여 전이 학습 및 미세 조정하는 단계; 상기 미세 조정된 사전 학습된 딥 러닝 파이프 라인(DLPL) CNN 학습 모델을 적용하여 시각적 데이터 스트림에서 프레임 수준 공간 정보를 학습하여 고차원 심층 특징을 추출하는 단계;상기 심층 특징 추출부에서 추출된 고차원 심층 특징을 저차원 특징 맵으로 압축하는 단계; 및상기 압축된 특징 맵에서 시간 정보를 학습하고 이전 학습된 모델에 새로운 비디오 영상 데이터의 변경 부분을 적용하여 반복적으로 미세 조정하여 학습하는 단계를 포함하는 딥러닝 기반의 행동 인식 방법
|
| 8 |
8
제7항에 있어서, 상기 딥 러닝 파이프 라인(DLPL) CNN 학습 모델은 DenseNet201, InceptionV3, ResNet101V2, ResNet152V2, VGG16, VGG19 및 Xception를 포함하고, 이들 중 어느 하나의 사전 훈련된 CNN 학습 모델을 이용하는 것을 특징으로 하는 딥러닝 기반의 행동 인식 방법
|
| 9 |
9
제7항에 있어서,상기 전이 학습 및 미세 조정하는 단계에서 사전 학습된 딥 러닝 파이프 라인(DLPL) CNN 모델의 마지막 분류 계층을 제거하고 새 데이터 세트에 대해 새로운 계층을 추가하여 학습 및 미세 조정하는 것을 특징으로 하는 딥러닝 기반의 행동 인식 방법
|
| 10 |
10
제7항에 있어서,상기 심층 특징을 추출하는 단계 상기 사전 학습된 딥 러닝 파이프 라인(DLPL) CNN 학습 모델에서 마지막 완전 연결 계층(FCL)을 제거하고 일부 추가 계층을 추가하여 데이터 세트에 대해 시각적 데이터 스트림에서 공간 패턴과 관계를 학습하고, 마지막으로 완전히 연결된 SoftMax 계층 이전의 출력을 다음 네트워크에 제공하여 심층 특징을 추출하는 것을 특징으로 하는 딥러닝 기반의 행동 인식 방법
|
| 11 |
11
제7항에 있어서,상기 저차원 특징 맵으로 압축하는 단계에서 오토 인코더(Deep Autoencoder)를 이용하여 입력 데이터에 대한 최소 표현을 학습하고, 원래 입력 데이터에 가장 가까운 출력으로 재구성하여 저차원 특징 맵으로 출력하는 것을 특징으로 하는 딥러닝 기반의 행동 인식 방법
|
| 12 |
12
제7항에 있어서, 상기 미세 조정하여 학습하는 단계에서 장기 시간적 맥락을 학습하기 위해 LSTM(Long Short-Term Memory) 및 RNN(Recurrent Neural Network)을 이용하는 것을 특징으로 하는 딥러닝 기반의 행동 인식 방법
|
| 13 |
13
제 7 항 내지 제 12 항 중 어느 한 항에 기재된 방법을 컴퓨터 상에서 수행하기 위한 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체
|
