맞춤기술찾기

홈으로 가기
맞춤기술찾기
이전대상기술
프린트하기

이전대상기술

이미지에 포함된 객체의 상태를 분류하는 방법 및 분류 장치

  • 기술번호 : KST2019011823
  • 담당센터 : 서울동부기술혁신센터
  • 전화번호 : 02-2155-3662
상담신청 PDF 받기
요약, Int. CL, CPC, 출원번호/일자, 출원인, 등록번호/일자, 공개번호/일자, 공고번호/일자, 국제출원번호/일자, 국제공개번호/일자, 우선권정보, 법적상태, 심사진행상태, 심판사항, 구분, 원출원번호/일자, 관련 출원번호, 기술이전 희망, 심사청구여부/일자, 심사청구항수의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 서지정보 표입니다.
요약 본 발명의 일 태양에 따르면, 이미지에 포함된 객체의 상태를 분류하는 방법에 있어서, (a) 적어도 하나의 이미지가 획득되면, 분류 장치가, Convolutional layer를 포함하는 제1 Neural Network를 이용하여 각 이미지를 학습하는 단계, (b) 상기 분류 장치가, (i) 상기 적어도 하나의 이미지에 대한 상기 제1 Neural network에 포함되는 소정의 layer의 출력값 또는 (ii) 이를 가공한 값을 포함하는 제1 feature값을 제2 Neural Network에 입력하는 단계 - 상기 제2 Neural Network는 regression network 및 classification network를 포함함 -, 및 (c) 상기 분류 장치가, (i) 상기 제2 Neural network의 상기 regression network에 포함되는 소정의 layer의 출력값 또는 이를 가공한 값, 및 (ii) 상기 제2 Neural network의 상기 classification network에 포함되는 소정의 layer의 출력값 또는 이를 가공한 값을 포함하는 제2 feature 값을 제3 Neural Network에 입력하여 출력값을 획득하고, 상기 획득된 출력값을 참조로 하여 상기 적어도 하나의 이미지가 나타내는 객체의 상태를 분류하거나 분류하도록 지원하는 단계를 포함하는 방법이 제공된다.
Int. CL G06K 9/62 (2006.01.01) G06N 3/08 (2006.01.01) G06N 3/04 (2006.01.01)
CPC G06K 9/627(2013.01) G06K 9/627(2013.01) G06K 9/627(2013.01) G06K 9/627(2013.01) G06K 9/627(2013.01)
출원번호/일자 1020160102592 (2016.08.11)
출원인 서울대학교산학협력단, 서울대학교병원
등록번호/일자 10-1828011-0000 (2018.02.13)
공개번호/일자
공고번호/일자 (20180221) 문서열기
국제출원번호/일자
국제공개번호/일자
우선권정보
법적상태 등록
심사진행상태 수리
심판사항
구분 신규
원출원번호/일자
관련 출원번호
심사청구여부/일자 Y (2016.08.11)
심사청구항수 32

출원인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 출원인 표입니다.
번호 이름 국적 주소
1 서울대학교산학협력단 대한민국 서울특별시 관악구
2 서울대학교병원 대한민국 서울특별시 종로구

발명자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 발명자 표입니다.
번호 이름 국적 주소
1 백명희조 미국 서울시 강남구
2 권용찬 대한민국 경상북도 포항시 남구
3 박상준 대한민국 서울시 강남구

대리인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 대리인 표입니다.
번호 이름 국적 주소
1 특허법인 수 대한민국 서울특별시 강남구 강남대로**길 **, *층(역삼동, 케이앤와이빌딩)

최종권리자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 최종권리자 표입니다.
번호 이름 국적 주소
1 서울대학교산학협력단 서울특별시 관악구
2 서울대학교병원 서울특별시 종로구
번호, 서류명, 접수/발송일자, 처리상태, 접수/발송일자의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 행정처리 표입니다.
번호 서류명 접수/발송일자 처리상태 접수/발송번호
1 [특허출원]특허출원서
[Patent Application] Patent Application		 2016.08.11 수리 (Accepted) 1-1-2016-0782852-58
2 [출원서등 보정]보정서
[Amendment to Patent Application, etc.] Amendment		 2016.08.12 수리 (Accepted) 1-1-2016-0783249-15
3 보정요구서
Request for Amendment		 2016.08.30 발송처리완료 (Completion of Transmission) 1-5-2016-0129356-12
4 [지정기간연장]기간연장(단축, 경과구제)신청서
[Designated Period Extension] Application of Period Extension(Reduction, Progress relief)		 2016.09.23 수리 (Accepted) 1-1-2016-0925193-33
5 [지정기간연장]기간연장(단축, 경과구제)신청서
[Designated Period Extension] Application of Period Extension(Reduction, Progress relief)		 2016.10.26 수리 (Accepted) 1-1-2016-1041280-41
6 [지정기간연장]기간연장(단축, 경과구제)신청서
[Designated Period Extension] Application of Period Extension(Reduction, Progress relief)		 2016.11.28 수리 (Accepted) 1-1-2016-1159352-18
7 [지정기간연장]기간연장(단축, 경과구제)신청서
[Designated Period Extension] Application of Period Extension(Reduction, Progress relief)		 2016.12.20 수리 (Accepted) 1-1-2016-1252150-18
8 지정기간연장 관련 안내서
Notification for Extension of Designated Period		 2016.12.22 발송처리완료 (Completion of Transmission) 1-5-2016-0183535-44
9 [지정기간연장]기간연장(단축, 경과구제)신청서
[Designated Period Extension] Application of Period Extension(Reduction, Progress relief)		 2017.01.18 수리 (Accepted) 1-1-2017-0060893-19
10 [지정기간연장]기간연장(단축, 경과구제)신청서
[Designated Period Extension] Application of Period Extension(Reduction, Progress relief)		 2017.02.27 수리 (Accepted) 1-1-2017-0199376-41
11 [지정기간연장]기간연장(단축, 경과구제)신청서
[Designated Period Extension] Application of Period Extension(Reduction, Progress relief)		 2017.03.29 수리 (Accepted) 1-1-2017-0307780-30
12 [출원서등 보정]보정서
[Amendment to Patent Application, etc.] Amendment		 2017.04.20 수리 (Accepted) 1-1-2017-5008539-02
13 출원인정보변경(경정)신고서
Notification of change of applicant's information		 2017.04.24 수리 (Accepted) 4-1-2017-5063747-63
14 [출원서등 보정]보정서
[Amendment to Patent Application, etc.] Amendment		 2017.05.02 수리 (Accepted) 1-1-2017-0425951-86
15 [출원인코드정정]출원인코드 정보변경(경정), 정정신고서
[Applicant Code Correction] Report on Change (Correction), Correction to Applicant Code Information		 2017.05.02 수리 (Accepted) 1-1-2017-0425902-59
16 보정요구서
Request for Amendment		 2017.05.02 발송처리완료 (Completion of Transmission) 1-5-2017-0059906-94
17 [출원서등 보정]보정서
[Amendment to Patent Application, etc.] Amendment		 2017.05.10 수리 (Accepted) 1-1-2017-0445301-98
18 선행기술조사의뢰서
Request for Prior Art Search		 2017.06.23 수리 (Accepted) 9-1-9999-9999999-89
19 선행기술조사보고서
Report of Prior Art Search		 2017.07.11 수리 (Accepted) 9-1-2017-0022055-59
20 의견제출통지서
Notification of reason for refusal		 2017.08.09 발송처리완료 (Completion of Transmission) 9-5-2017-0555671-14
21 [출원서등 보정]보정서
[Amendment to Patent Application, etc.] Amendment		 2017.09.25 수리 (Accepted) 1-1-2017-0932443-52
22 [명세서등 보정]보정서
[Amendment to Description, etc.] Amendment		 2017.09.25 보정승인간주 (Regarded as an acceptance of amendment) 1-1-2017-0931801-26
23 [거절이유 등 통지에 따른 의견]의견(답변, 소명)서
[Opinion according to the Notification of Reasons for Refusal] Written Opinion(Written Reply, Written Substantiation)		 2017.09.25 수리 (Accepted) 1-1-2017-0931767-61
24 등록결정서
Decision to grant		 2018.01.26 발송처리완료 (Completion of Transmission) 9-5-2018-0062813-16
25 출원인정보변경(경정)신고서
Notification of change of applicant's information		 2019.05.13 수리 (Accepted) 4-1-2019-5093546-10
26 출원인정보변경(경정)신고서
Notification of change of applicant's information		 2019.05.23 수리 (Accepted) 4-1-2019-5101798-31
27 출원인정보변경(경정)신고서
Notification of change of applicant's information		 2019.08.02 수리 (Accepted) 4-1-2019-5154561-59
28 출원인정보변경(경정)신고서
Notification of change of applicant's information		 2019.08.19 수리 (Accepted) 4-1-2019-5164229-95
29 출원인정보변경(경정)신고서
Notification of change of applicant's information		 2020.11.25 수리 (Accepted) 4-1-2020-5265458-48
번호, 청구항의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 청구항 표입니다.
번호 청구항
1 1
이미지에 포함된 객체의 상태를 분류하는 방법에 있어서, (a) 적어도 하나의 이미지가 획득되면, 분류 장치가, Convolutional layer를 포함하는 제1 Neural Network를 이용하여 각 이미지를 학습하는 단계, (b) 상기 분류 장치가, (i) 상기 적어도 하나의 이미지에 대한 상기 제1 Neural network에 포함되는 소정의 layer의 출력값 또는 (ii) 이를 가공한 값을 포함하는 제1 feature값을 제2 Neural Network에 입력하는 단계 - 상기 제2 Neural Network는 regression network 및 classification network를 포함함 -, 및(c) 상기 분류 장치가, (i) 상기 제2 Neural network의 상기 regression network에 포함되는 소정의 layer의 출력값 또는 이를 가공한 값, 및 (ii) 상기 제2 Neural network의 상기 classification network에 포함되는 소정의 layer의 출력값 또는 이를 가공한 값을 포함하는 제2 feature 값을 제3 Neural Network에 입력하여 출력값을 획득하고, 상기 획득된 출력값을 참조로 하여 상기 적어도 하나의 이미지가 나타내는 객체의 상태를 분류하거나 분류하도록 지원하는 단계를 포함하는 방법
2 2
제1항에 있어서, 상기 (b) 단계에서,상기 제1 feature 값은 서로 관련된 제1-1 feature 값과 제1-2 feature 값을 포함하며, 상기 제1-1 feature 값 및 상기 제1-2 feature 값을 상기 제2 Neural Network의 상기 regression network 및 상기 classification network에 각각 입력하여, regression 모델링 및 classification 모델링을 수행하는 것을 특징으로 하는 방법
3 3
제2항에 있어서, 상기 (c) 단계에서,상기 제2 feature 값은 상기 regression 모델링을 통해 얻어지는 regression feature인 제2-1 feature 값과 상기 classification 모델링을 통해 얻어지는 classification feature인 제2-2 feature 값을 포함하며, 상기 제2-1 feature 값 및 상기 제2-2 feature 값을 상기 제3 Neural Network에 입력하는 것을 특징으로 하는 방법
4 4
제3항에 있어서, 상기 (c) 단계에서,상기 제3 Neural Network는 상기 regression feature 를 통해 linear 한 특성 정보를 획득하고, 상기 classification feature를 통해 non-linear 한 특성 정보를 획득하는 것을 특징으로 하는 방법
5 5
제1항에 있어서, 상기 제1 feature 값은, multivariate 이미지 종류를 나타내는 값을 더 포함하는 것을 특징으로 하는 방법
6 6
제1항에 있어서, 상기 제1 Neural Network는, Max-pool layer, RMS-pool layer, Dropout layer, Fully connected layer 및 Feature-pool layer 중 적어도 하나를 포함하는 것을 특징으로 하는 방법
7 7
제1항에 있어서, 상기 제1 Neural network에 포함되는 소정의 layer는, Fully connected layer 이전 layer인 것을 특징으로 하는 방법
8 8
제7항에 있어서, 상기 제1 Neural network에 포함되는 소정의 layer는 RMS-pool layer인 것을 특징으로 하는 방법
9 9
제1항에 있어서, 상기 제2 Neural Network의 상기 regression network에 포함되는 소정의 layer 및 상기 제2 Neural Network의 상기 classification network에 포함되는 소정의 layer는, Fully connected layer 또는 Feature-pool layer인 것을 특징으로 하는 방법
10 10
제1항에 있어서, 상기 (a) 단계에서, 상기 분류 장치는, 하나의 이미지를 상이한 layer를 가지는 복수의 제1 Neural Network에 각각 입력하여 상기 하나의 이미지를 학습하는 것을 특징으로 하는 방법
11 11
제1항에 있어서, 상기 제2 feature 값은, 상기 적어도 하나의 이미지의 대상인 객체의 특징을 나타내는 정보를 더 포함하는 것을 특징으로 하는 방법
12 12
제1항에 있어서, 상기 (c) 단계에서, 상기 분류 장치는, 이미지가 나타내는 객체의 상태에 대한 분류 정보를 나타내는 continuous value 상에서 상기 획득된 출력값을 cut-off한 결과에 대응되는 분류 결과를 선택하는 것을 특징으로 하는 방법
13 13
제1항에 있어서, 상기 적어도 하나의 이미지는 객체의 안저(眼底) 이미지이고, 상기 적어도 하나의 이미지가 나타내는 객체의 상태에 대한 분류 결과는 당뇨병 증상 정도를 나타내는 것을 특징으로 하는 방법
14 14
제1항에 있어서, 상기 분류 장치는, 제1 이미지 및 제2 이미지가 획득되면, 상기 제1 Neural Network를 이용하여 상기 제1 이미지 및 상기 제2 이미지 각각을 학습하고, (i) 상기 제1 이미지에 대한 상기 제1 Neural network에 포함되는 소정의 제1 layer의 출력값 또는 이를 가공한 값 및 (ii) 상기 제2 이미지에 대한 상기 제1 Neural network에 포함되는 소정의 제2 layer의 출력값 또는 이를 가공한 값을 포함하는 제1 feature값을 상기 제2 Neural Network의 상기 regression network 및 상기 classification network에 각각 입력하는 것을 특징으로 하는 방법
15 15
제14항에 있어서, 상기 제1 이미지는 특정 객체에 대한 좌측 안저 이미지이고, 상기 제2 이미지는 상기 특정 객체에 대한 우측 안저 이미지인 것을 특징으로 하는 방법
16 16
제1항에 있어서, 상기 제2 Neural Network 및 상기 제3 Neural Network는 각각 multivariate한 특성과 ordinal한 특성을 반영하기 위한 것을 특징으로 하는 방법
17 17
이미지에 포함된 객체의 상태를 분류하는 분류 장치에 있어서,적어도 하나의 이미지를 획득하는 통신부, 및(1) Convolutional layer를 포함하는 제1 Neural Network를 이용하여 각 이미지를 학습하고, (2) (i) 상기 적어도 하나의 이미지에 대한 상기 제1 Neural network에 포함되는 소정의 layer의 출력값 또는 (ii) 이를 가공한 값을 포함하는 제1 feature값이 제2 Neural Network에 입력되고 - 상기 제2 Neural Network는 regression network 및 classification network를 포함함 -, (i) 상기 제2 Neural network의 상기 regression network에 포함되는 소정의 layer의 출력값 또는 이를 가공한 값, 및 (ii) 상기 제2 Neural network의 상기 classification network에 포함되는 소정의 layer의 출력값 또는 이를 가공한 값을 포함하는 제2 feature 값이 제3 Neural Network에 입력되면, 상기 제3 Neural Network의 출력값을 획득하고, 상기 획득된 출력값을 참조로 하여 상기 적어도 하나의 이미지가 나타내는 객체의 상태를 분류하거나 분류하도록 지원하는 프로세서를 포함하는 장치
18 18
제17항에 있어서, 상기 제1 feature 값은 서로 관련된 제1-1 feature 값과 제1-2 feature 값을 포함하며, 상기 제1-1 feature 값 및 상기 제1-2 feature 값을 상기 제2 Neural Network의 상기 regression network 및 상기 classification network에 각각 입력하여, regression 모델링 및 classification 모델링을 수행하는 것을 특징으로 하는 장치
19 19
제18항에 있어서, 상기 제2 feature 값은 상기 regression 모델링을 통해 얻어지는 regression feature인 제2-1 feature 값과 상기 classification 모델링을 통해 얻어지는 classification feature인 제2-2 feature 값을 포함하며, 상기 제2-1 feature 값 및 상기 제2-2 feature 값을 상기 제3 Neural Network에 입력하는 것을 특징으로 하는 장치
20 20
제19항에 있어서, 상기 프로세서는,상기 제3 Neural Network가 상기 regression feature 를 통해 linear 한 특성 정보를 획득하고, 상기 classification feature를 통해 non-linear 한 특성 정보를 획득하도록 하는 것을 특징으로 하는 장치
21 21
제17항에 있어서, 상기 제1 feature 값은, multivariate 이미지 종류를 나타내는 값을 더 포함하는 것을 특징으로 하는 장치
22 22
제17항에 있어서, 상기 제1 Neural Network는, Max-pool layer, RMS-pool layer, Dropout layer, Fully connected layer 및 Feature-pool layer 중 적어도 하나를 포함하는 것을 특징으로 하는 장치
23 23
제17항에 있어서, 상기 제1 Neural network에 포함되는 소정의 layer는, Fully connected layer 이전 layer인 것을 특징으로 하는 장치
24 24
제23항에 있어서, 상기 제1 Neural network에 포함되는 소정의 layer는 RMS-pool layer인 것을 특징으로 하는 장치
25 25
제17항에 있어서, 상기 제2 Neural Network의 상기 regression network에 포함되는 소정의 layer 및 상기 제2 Neural Network의 상기 classification network에 포함되는 소정의 layer는, Fully connected layer 또는 Feature-pool layer인 것을 특징으로 하는 장치
26 26
제17항에 있어서, 상기 프로세서는, 하나의 이미지를 상이한 layer를 가지는 복수의 제1 Neural Network에 각각 입력하여 상기 하나의 이미지를 학습하는 것을 특징으로 하는 장치
27 27
제17항에 있어서, 상기 제2 feature 값은, 상기 적어도 하나의 이미지의 대상인 객체의 특징을 나타내는 정보를 더 포함하는 것을 특징으로 하는 장치
28 28
제17항에 있어서, 상기 프로세서는, 이미지가 나타내는 객체의 상태에 대한 분류 정보를 나타내는 continuous value 상에서 상기 획득된 출력값을 cut-off한 결과에 대응되는 분류 결과를 선택하는 것을 특징으로 하는 장치
29 29
제17항에 있어서, 상기 적어도 하나의 이미지는 객체의 안저(眼底) 이미지이고, 상기 적어도 하나의 이미지가 나타내는 객체의 상태에 대한 분류 결과는 당뇨병 증상 정도를 나타내는 것을 특징으로 하는 장치
30 30
제17항에 있어서, 상기 프로세서는, 제1 이미지 및 제2 이미지가 획득되면, 상기 제1 Neural Network를 이용하여 상기 제1 이미지 및 상기 제2 이미지 각각을 학습하고, (i) 상기 제1 이미지에 대한 상기 제1 Neural network에 포함되는 소정의 제1 layer의 출력값 또는 이를 가공한 값 및 (ii) 상기 제2 이미지에 대한 상기 제1 Neural network에 포함되는 소정의 제2 layer의 출력값 또는 이를 가공한 값을 포함하는 제1 feature값을 상기 제2 Neural Network의 상기 regression network 및 상기 classification network에 각각 입력하도록 하는 것을 특징으로 하는 장치
31 31
제30항에 있어서, 상기 제1 이미지는 특정 객체에 대한 좌측 안저 이미지이고, 상기 제2 이미지는 상기 특정 객체에 대한 우측 안저 이미지인 것을 특징으로 하는 장치
32 32
제17항에 있어서, 상기 제2 Neural Network 및 상기 제3 Neural Network는 각각 multivariate한 특성과 ordinal한 특성을 반영하기 위한 것을 특징으로 하는 장치
지정국 정보가 없습니다
패밀리정보가 없습니다
순번, 연구부처, 주관기관, 연구사업, 연구과제의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 국가R&D 연구정보 정보 표입니다.
순번 연구부처 주관기관 연구사업 연구과제
1 교육부 분당서울대학교병원 기본연구지원사업(SEGER) 딥러닝(Deep Learning) 기술을 이용한 안저사진(Fundus photo) 판독의 원천기술의 확보 및 그 응용