1 |
1
삭제
|
2 |
2
2차원 변수로 구성된 레이다 영상을 획득하는 영상 획득부; 상기 레이다 영상에 웨이블릿 변환을 수행하여 상기 레이다 영상으로부터 웨이블릿 분리 성분을 추출하는 영상 변환부;상기 레이다 영상 또는 상기 웨이블릿 분리 성분을 조합하여 복수의 변환 영상을 생성하고, 상기 2차원 변수를 기준으로 상기 복수의 변환 영상을 쌓은 3차원 텐서를 생성하는 영상 조합부; 및상기 3차원 텐서를 기초로 레이다 영상에 포함된 표적을 판별하는 신경망 모델을 학습시키는 신경망 학습부를 포함하고,상기 웨이블릿 분리 성분은, 저주파 성분 영상(A), 수평방향 고주파 성분 영상(H), 수직방향 고주파 성분 영상(V) 및 대각방향 고주파 성분 영상(D)을 포함하고,상기 영상 조합부는, 상기 레이다 영상, 상기 저주파 성분 영상(A), 상기 고주파 성분 영상(H), 상기 수직방향 고주파 성분 영상(V) 및 상기 대각방향 고주파 성분 영상(D) 중 어느 두 가지 영상의 픽셀을 평균하여 변환 영상을 생성하는, 표적 분류 장치
|
3 |
3
제2항에 있어서,상기 영상 조합부는, 상기 어느 두 가지 영상의 크기가 상이한 경우, 상기 어느 두 가지 영상 중 적어도 하나의 영상에 대해 최근방 이웃 보간법(Nearest-neighbor interpolation)을 적용하여 상기 어느 두 가지 영상의 크기를 기 설정된 크기로 통일시킨 후 픽셀을 평균하여 변환 영상을 생성하는,표적 분류 장치
|
4 |
4
제2항에 있어서,상기 영상 조합부는, 상기 어느 두 가지 영상의 픽셀을 평균하여 조합한 영상의 크기가 기 설정된 크기와 상이한 경우, 상기 조합한 영상에 대해 최근방 이웃 보간법(Nearest-neighbor interpolation)을 적용하여 상기 기 설정된 크기로 변환시켜 변환 영상을 생성하는,표적 분류 장치
|
5 |
5
제2항에 있어서,상기 영상 변환부는, 1단계의 웨이블릿 변환 이후, 상기 레이다 영상의 크기에 따라 이전 단계에서 분리된 저주파 성분 영상을 기준으로 웨이블릿 변환을 기 설정된 n단계(n은 2 이상의 자연수)까지 추가로 수행하고, 상기 웨이블릿 분리 성분은, 웨이블릿 변환 1단계 내지 n단계의 저주파 성분 영상(A), 고주파 성분 영상 (H), 수직방향 고주파 성분 영상 (V) 및 대각방향 고주파 성분 영상(D)을 포함하는표적 분류 장치
|
6 |
6
제5항에 있어서,상기 영상 조합부는, 상기 1단계 내지 n단계의 웨이블릿 변환에 따른 저주파 성분 영상(A), 고주파 성분 영상 (H), 수직방향 고주파 성분 영상 (V) 및 대각방향 고주파 성분 영상(D) 중 어느 하나의 영상에 대해 최근방 이웃 보간법(Nearest-neighbor interpolation)을 적용하여 기 설정된 크기로 변환시킨 변환 영상을 생성하는,표적 분류 장치
|
7 |
7
2차원 변수로 구성된 레이다 영상을 획득하는 영상 획득부; 상기 레이다 영상에 웨이블릿 변환을 수행하여 상기 레이다 영상으로부터 웨이블릿 분리 성분을 추출하는 영상 변환부;상기 레이다 영상 또는 상기 웨이블릿 분리 성분을 조합하여 복수의 변환 영상을 생성하고, 상기 2차원 변수를 기준으로 상기 복수의 변환 영상을 쌓은 3차원 텐서를 생성하는 영상 조합부; 및상기 3차원 텐서를 기초로 레이다 영상에 포함된 표적을 판별하는 신경망 모델을 학습시키는 신경망 학습부를 포함하고,상기 신경망 학습부는, 소정의 인공지능 알고리즘 기반의 신경망 모델의 입력 레이어에 상기 3차원 텐서가 입력되도록 설정하고, 상기 신경망 모델의 출력 레이어에 상기 레이다 영상에 포함된 표적을 특정하는 클래스가 입력되도록 설정하여, 상기 신경망 모델이 레이다 영상에 포함된 표적을 판별하도록 학습시키는,표적 분류 장치
|
8 |
8
제7항에 있어서,상기 신경망 모델은, 3차원 합성곱 신경망 네트워크(CNN, Convolutional Neural Networks) 기반의 특징 추출 레이어(Feature Extraction Layer) 및 분류 레이어(Classification Layer)를 포함하고, 상기 특징 추출 레이어에 포함된 커널은 3Х3Х3의 크기를 갖고, 상기 분류 레이어에 포함된 커널은 1Х1Х1의 크기를 갖는,표적 분류 장치
|
9 |
9
삭제
|
10 |
10
표적 분류 장치가 수행하는 표적 분류 방법에 있어서,2차원 변수로 구성된 레이다 영상을 획득하는 단계; 상기 레이다 영상에 웨이블릿 변환을 수행하여 상기 레이다 영상으로부터 웨이블릿 분리 성분을 추출하는 단계;상기 레이다 영상 또는 상기 웨이블릿 분리 성분을 조합하여 복수의 변환 영상을 생성하고, 상기 2차원 변수를 기준으로 상기 복수의 변환 영상을 쌓은 3차원 텐서를 생성하는 단계; 및상기 3차원 텐서를 기초로 레이다 영상에 포함된 표적을 판별하는 신경망 모델을 학습시키는 단계를 포함하며,상기 웨이블릿 분리 성분은, 저주파 성분 영상(A), 수평방향 고주파 성분 영상(H), 수직방향 고주파 성분 영상(V) 및 대각방향 고주파 성분 영상(D)을 포함하고,상기 3차원 텐서를 생성하는 단계는, 상기 레이다 영상, 상기 저주파 성분 영상(A), 상기 고주파 성분 영상(H), 상기 수직방향 고주파 성분 영상(V) 및 상기 대각방향 고주파 성분 영상(D) 중 어느 두 가지 영상의 픽셀을 평균하여 변환 영상을 생성하는 단계를 포함하는, 표적 분류 방법
|
11 |
11
제10항에 있어서,상기 3차원 텐서를 생성하는 단계는, 상기 어느 두 가지 영상의 크기가 상이한 경우, 상기 어느 두 가지 영상 중 적어도 하나의 영상에 대해 최근방 이웃 보간법(Nearest-neighbor interpolation)을 적용하여 상기 어느 두 가지 영상의 크기를 기 설정된 크기로 통일시킨 후 픽셀을 평균하여 변환 영상을 생성하는 단계를 포함하는,표적 분류 방법
|
12 |
12
제10항에 있어서,상기 3차원 텐서를 생성하는 단계는, 상기 어느 두 가지 영상의 픽셀을 평균하여 조합한 영상의 크기가 기 설정된 크기와 상이한 경우, 상기 조합한 영상에 대해 최근방 이웃 보간법(Nearest-neighbor interpolation)을 적용하여 상기 기 설정된 크기로 변환시켜 변환 영상을 생성하는 단계를 포함하는,표적 분류 방법
|
13 |
13
제10항에 있어서,상기 웨이블릿 분리 성분을 추출하는 단계는, 1단계의 웨이블릿 변환 이후, 상기 레이다 영상의 크기에 따라 이전 단계에서 분리된 저주파 성분 영상을 기준으로 웨이블릿 변환을 n단계(n은 2 이상의 자연수)까지 수행하는 단계를 포함하고,상기 웨이블릿 분리 성분은, 웨이블릿 변환 1단계 내지 n단계의 저주파 성분 영상(A), 고주파 성분 영상 (H), 수직방향 고주파 성분 영상 (V) 및 대각방향 고주파 성분 영상(D)을 포함하는표적 분류 방법
|
14 |
14
제13항에 있어서,상기 3차원 텐서를 생성하는 단계는, 상기 1단계 내지 n단계의 웨이블릿 변환에 따른 저주파 성분 영상(A), 고주파 성분 영상 (H), 수직방향 고주파 성분 영상 (V) 및 대각방향 고주파 성분 영상(D) 중 어느 하나의 영상에 대해 최근방 이웃 보간법(Nearest-neighbor interpolation)을 적용하여 기 설정된 크기로 변환시킨 변환 영상을 생성하는 단계를 포함하는,표적 분류 방법
|
15 |
15
표적 분류 장치가 수행하는 표적 분류 방법에 있어서,2차원 변수로 구성된 레이다 영상을 획득하는 단계; 상기 레이다 영상에 웨이블릿 변환을 수행하여 상기 레이다 영상으로부터 웨이블릿 분리 성분을 추출하는 단계;상기 레이다 영상 또는 상기 웨이블릿 분리 성분을 조합하여 복수의 변환 영상을 생성하고, 상기 2차원 변수를 기준으로 상기 복수의 변환 영상을 쌓은 3차원 텐서를 생성하는 단계; 및상기 3차원 텐서를 기초로 레이다 영상에 포함된 표적을 판별하는 신경망 모델을 학습시키는 단계를 포함하며,상기 신경망 모델을 학습시키는 단계는, 소정의 인공지능 알고리즘 기반의 신경망 모델의 입력 레이어에 상기 3차원 텐서가 입력되도록 설정하고, 상기 신경망 모델의 출력 레이어에 상기 레이다 영상에 포함된 표적을 특정하는 클래스가 입력되도록 설정하여, 상기 신경망 모델이 레이다 영상에 포함된 표적을 판별하도록 학습시키는 단계를 포함하는,표적 분류 방법
|
16 |
16
제15항에 있어서,상기 신경망 모델은, 3차원 합성곱 신경망 네트워크(CNN, Convolutional Neural Networks) 기반의 특징 추출 레이어(Feature Extraction Layer) 및 분류 레이어(Classification Layer)를 포함하고, 상기 특징 추출 레이어에 포함된 커널은 3Х3Х3의 크기를 갖고, 상기 분류 레이어에 포함된 커널은 1Х1Х1의 크기를 갖는,표적 분류 방법
|
17 |
17
컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서,제 10 항 또는 제 15 항의 표적 분류 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함하는, 컴퓨터 판독 가능한 기록매체
|
18 |
18
컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서,제 10 항 또는 제 15 항의 표적 분류 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함하는, 컴퓨터 프로그램
|