1 |
1
차량이 주행 중인 차선을 검출하는 차선 검출 장치에 있어서,상기 차량에 장착된 카메라로부터 상기 카메라에 의해 촬영된 촬영 영상을 수신하는 수신부; 및상기 촬영 영상 내의 영상 데이터의 패턴을 검출하도록 설정된 DNN(Deep Neural Network) 학습 모델에 상기 촬영 영상을 적용함으로써 상기 촬영 영상 내의 차선들에 관련된 적어도 하나의 소실점을 결정하고, 상기 결정된 소실점에 기초하여 상기 촬영 영상 내의 상기 차선들의 형상을 추정하는 프로세서;를 포함하는, 차선 검출 장치
|
2 |
2
제 1 항에 있어서,상기 DNN 학습 모델은, 상기 DNN 학습 모듈을 구성하는 복수의 네트워크 노드들 간의 연결 관계 및 상기 복수의 네트워크 노드들 각각의 가중치에 기반한 연산에 따라 상기 소실점을 결정하도록 학습된 네트워크 모델인, 차선 검출 장치
|
3 |
3
제 1 항에 있어서,상기 DNN 학습 모델은, 상기 촬영 영상 내의 상기 영상 데이터의 특징들을 추출하도록 설정된 특징 추출 네트워크(Feature Extraction Network); 및복수 개의 태스크를 수행하도록 설정된 멀티-태스크 네트워크(Multi-Task Network);를 포함하는, 차선 검출 장치
|
4 |
4
제 3 항에 있어서,상기 멀티-태스크 네트워크는, 상기 소실점을 예측하는 태스크를 수행하는 소실점 예측 모듈;그리드(Grid) 검출 태스크를 수행하는 그리드 회귀(Regression) 모듈;객체(Object)에 대한 바이너리 분류(Binary Classification) 태스크를 수행하는 객체 마스크(Mask) 모듈; 및클래스(Class) 분류 태스크를 수행하는 멀티-라벨 분류(Multi-Label Classification) 모듈;을 포함하는, 차선 검출 장치
|
5 |
5
제 4 항에 있어서,상기 특징 추출 네트워크로부터 추출된 상기 영상 데이터의 특징들에 관한 정보는, 상기 소실점 예측 모듈, 상기 그리드 회귀 모듈, 상기 객체 마스크 모듈 및 상기 멀티-라벨 분류 모듈의 입력으로서 공유되는, 차선 검출 장치
|
6 |
6
제 4 항에 있어서,상기 DNN 학습 모델은, 상기 소실점 예측 모듈, 상기 그리드 회귀 모듈, 상기 객체 마스크 모듈 및 상기 멀티-라벨 분류 모듈 간의 선택적인 학습에 의해 구축된 네트워크 모델인, 차선 검출 장치
|
7 |
7
제 4 항에 있어서,상기 그리드 회귀 모듈, 상기 객체 마스크 모듈 및 상기 멀티-라벨 분류 모듈의 손실(Loss)이 수렴하기 전까지, 상기 DNN 학습 모델은 상기 소실점 예측 모듈만으로 학습되는, 차선 검출 장치
|
8 |
8
제 7 항에 있어서,상기 소실점 예측 모듈, 상기 그리드 회귀 모듈, 상기 객체 마스크 모듈 및 상기 멀티-라벨 분류 모듈의 손실이 평형을 이루면, 상기 DNN 학습 모델은 상기 소실점 예측 모듈, 상기 그리드 회귀 모듈, 상기 객체 마스크 모듈 및 상기 멀티-라벨 분류 모듈에 의해 학습되는, 차선 검출 장치
|
9 |
9
차량이 주행 중인 차선을 검출하는 차선 검출 방법에 있어서,상기 차량에 장착된 카메라로부터 상기 카메라에 의해 촬영된 촬영 영상을 수신하는 단계; 및상기 촬영 영상 내의 영상 데이터의 패턴을 검출하도록 설정된 DNN(Deep Neural Network) 학습 모델에 상기 촬영 영상을 적용함으로써 상기 촬영 영상 내의 차선들에 관련된 적어도 하나의 소실점을 결정하고, 상기 결정된 소실점에 기초하여 상기 촬영 영상 내의 상기 차선들의 형상을 추정하는 단계;를 포함하는, 차선 검출 방법
|
10 |
10
제 9 항에 있어서,상기 DNN 학습 모델은, 상기 DNN 학습 모듈을 구성하는 복수의 네트워크 노드들 간의 연결 관계 및 상기 복수의 네트워크 노드들 각각의 가중치에 기반한 연산에 따라 상기 소실점을 결정하도록 학습된 네트워크 모델인, 차선 검출 방법
|
11 |
11
제 9 항에 있어서,상기 DNN 학습 모델은, 상기 촬영 영상 내의 상기 영상 데이터의 특징들을 추출하도록 설정된 특징 추출 네트워크(Feature Extraction Network); 및복수 개의 태스크를 수행하도록 설정된 멀티-태스크 네트워크(Multi-Task Network);를 포함하는, 차선 검출 방법
|
12 |
12
제 11 항에 있어서,상기 멀티-태스크 네트워크는, 상기 소실점을 예측하는 태스크를 수행하는 소실점 예측 모듈;그리드(Grid) 검출 태스크를 수행하는 그리드 회귀(Regression) 모듈;객체(Object)에 대한 바이너리 분류(Binary Classification) 태스크를 수행하는 객체 마스크(Mask) 모듈; 및클래스(Class) 분류 태스크를 수행하는 멀티-라벨 분류(Multi-Label Classification) 모듈;을 포함하는, 차선 검출 방법
|
13 |
13
제 12 항에 있어서,상기 특징 추출 네트워크로부터 추출된 상기 영상 데이터의 특징들에 관한 정보는, 상기 소실점 예측 모듈, 상기 그리드 회귀 모듈, 상기 객체 마스크 모듈 및 상기 멀티-라벨 분류 모듈의 입력으로서 공유되는, 차선 검출 방법
|
14 |
14
제 12 항에 있어서,상기 DNN 학습 모델은, 상기 소실점 예측 모듈, 상기 그리드 회귀 모듈, 상기 객체 마스크 모듈 및 상기 멀티-라벨 분류 모듈 간의 선택적인 학습에 의해 구축된 네트워크 모델인, 차선 검출 방법
|
15 |
15
제 12 항에 있어서,상기 그리드 회귀 모듈, 상기 객체 마스크 모듈 및 상기 멀티-라벨 분류 모듈의 손실(Loss)이 수렴하기 전까지, 상기 DNN 학습 모델은 상기 소실점 예측 모듈만으로 학습되는, 차선 검출 방법
|
16 |
16
제 15 항에 있어서,상기 소실점 예측 모듈, 상기 그리드 회귀 모듈, 상기 객체 마스크 모듈 및 상기 멀티-라벨 분류 모듈의 손실이 평형을 이루면, 상기 DNN 학습 모델은 상기 소실점 예측 모듈, 상기 그리드 회귀 모듈, 상기 객체 마스크 모듈 및 상기 멀티-라벨 분류 모듈에 의해 학습되는, 차선 검출 방법
|
17 |
17
제 9 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체
|