| 1 |
1
객체 검출 장치가 검출하고자 하는 객체(object)가 포함된 이미지를 입력받는 단계;상기 객체 검출 장치가 컨볼루션(Convolution), 풀-컨넥션(Full-Connection) 및 풀링(Pooling)의 멀티 레이어(multi-layer)가 적어도 둘 이상 반복되어 구성되는 딥 러닝(deep learning) 네트워크를 학습시키되, 상기 검출하고자 하는 객체의 부분 확률맵(part probability map)을 입력받아 상기 레이어 각각에 대해 특정 위치를 강조하도록 별도로 학습시키는 단계; 및상기 객체 검출 장치가 회귀 기반 손실(regression loss) 및 분류 기반 손실(classification loss)을 이용하여 상기 이미지에 대한 학습 결과로부터 검출된 상기 객체를 출력하는 단계;를 포함하는, 객체 검출 방법
|
| 2 |
2
제 1 항에 있어서,상기 부분 확률맵은,사용자로부터 상기 객체의 특정 부분에 대한 세그멘테이션 마스크(segmentation mask)를 지도 학습의 방법으로 제공받는, 객체 검출 방법
|
| 3 |
3
제 2 항에 있어서,상기 딥 러닝 네트워크는,상기 세그멘테이션 마스크를 이용한 학습 결과를 현재 학습하고자 하는 레이어의 이전 레이어의 활성화 맵(activation map)의 일부로서 처리하는, 객체 검출 방법
|
| 4 |
4
제 2 항에 있어서,상기 세그멘테이션 마스크는,상기 이미지에서 객체의 부분 영역에 해당하는 정도를 소정 범위의 값으로 표현한 것으로, 각 원소 단위가 독립적인 확률맵인, 객체 검출 방법
|
| 5 |
5
제 1 항에 있어서,상기 딥 러닝 네트워크의 학습은,상기 부분 확률맵을 통해 제시된 상기 객체의 부분에 대해 레이어의 위치에 확률맵을 가산하거나 또는 승산함으로써 기하학적 위치의 특징을 강조하는 손실 함수(loss function)를 이용해 수행되는, 객체 검출 방법
|
| 6 |
6
제 1 항에 있어서,상기 딥 러닝 네트워크와 상기 부분 확률맵의 학습은,적대적 생성 네트워크(generative adversarial network)의 방식을 따라 객체 검출에 대한 레이어의 출력값의 손실과 부분 확률맵에 따라 마스크를 학습한 레이어의 출력값의 손실을 각각 독립적으로 번갈아가며 학습함으로써 수행하는, 객체 검출 방법
|
| 7 |
7
제 6 항에 있어서,상기 객체 검출에 대한 레이어의 출력값의 손실은,레이어의 위치에 확률맵에 따른 마스크를 원소 단위의 합(element-wise addition) 또는 원소 단위의 곱(element-wise multiplication) 연산한 다음, 레이어의 컨볼루션 필터, 비선형 함수 연산, 및 손실 함수 연산을 순차적으로 처리함으로써 산출되는, 객체 검출 방법
|
| 8 |
8
제 6 항에 있어서,부분 확률맵에 따라 마스크를 학습한 레이어의 출력값의 손실은,레이어의 위치에 대해 출력값을 특정 범위의 값으로 한정하는 연산을 수행하고, 사용자가 추가한 객체의 확률맵을 감산한 다음, MSE(mean square error) 함수 또는 MAE(mean absolute error) 함수 연산을 처리함으로써 산출되는, 객체 검출 방법
|
| 9 |
9
제 1 항 내지 제 8 항 중에 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체
|
| 10 |
10
검출하고자 하는 객체(object)가 포함된 이미지를 입력받고, 상기 이미지로부터 검출된 상기 객체를 출력하는 입출력부; 및컨볼루션(Convolution), 풀-컨넥션(Full-Connection) 및 풀링(Pooling)의 멀티 레이어(multi-layer)가 적어도 둘 이상 반복되어 구성되는 딥 러닝(deep learning) 네트워크를 학습시키되, 상기 검출하고자 하는 객체의 부분 확률맵(part probability map)을 입력받아 상기 레이어 각각에 대해 특정 위치를 강조하도록 별도로 학습시키며, 회귀 기반 손실(regression loss) 및 분류 기반 손실(classification loss)을 이용하여 상기 이미지에 대한 학습 결과로부터 상기 객체를 검출하는 처리부;를 포함하는, 객체 검출 장치
|
| 11 |
11
제 10 항에 있어서,상기 처리부는,사용자로부터 상기 객체의 특정 부분에 대한 세그멘테이션 마스크(segmentation mask)를 지도 학습의 방법으로 상기 부분 확률맵을 제공받는, 객체 검출 장치
|
| 12 |
12
제 11 항에 있어서,상기 딥 러닝 네트워크는,상기 세그멘테이션 마스크를 이용한 학습 결과를 현재 학습하고자 하는 레이어의 이전 레이어의 활성화 맵(activation map)의 일부로서 처리하는, 객체 검출 장치
|
| 13 |
13
제 11 항에 있어서,상기 세그멘테이션 마스크는,상기 이미지에서 객체의 부분 영역에 해당하는 정도를 소정 범위의 값으로 표현한 것으로, 각 원소 단위가 독립적인 확률맵인, 객체 검출 장치
|
| 14 |
14
제 10 항에 있어서,상기 처리부는,상기 부분 확률맵을 통해 제시된 상기 객체의 부분에 대해 레이어의 위치에 확률맵을 가산하거나 또는 승산함으로써 기하학적 위치의 특징을 강조하는 손실 함수(loss function)를 이용해 상기 딥 러닝 네트워크의 학습을 수행하는, 객체 검출 장치
|
| 15 |
15
제 10 항에 있어서,상기 처리부는,적대적 생성 네트워크(generative adversarial network)의 방식을 따라 객체 검출에 대한 레이어의 출력값의 손실과 부분 확률맵에 따라 마스크를 학습한 레이어의 출력값의 손실을 각각 독립적으로 번갈아가며 학습함으로써 상기 딥 러닝 네트워크와 상기 부분 확률맵의 학습을 수행하는, 객체 검출 장치
|
| 16 |
16
제 15 항에 있어서,상기 객체 검출에 대한 레이어의 출력값의 손실은,레이어의 위치에 확률맵에 따른 마스크를 원소 단위의 합(element-wise addition) 또는 원소 단위의 곱(element-wise multiplication) 연산한 다음, 레이어의 컨볼루션 필터, 비선형 함수 연산, 및 손실 함수 연산을 순차적으로 처리함으로써 산출되는, 객체 검출 장치
|
| 17 |
17
제 15 항에 있어서,부분 확률맵에 따라 마스크를 학습한 레이어의 출력값의 손실은,레이어의 위치에 대해 출력값을 특정 범위의 값으로 한정하는 연산을 수행하고, 사용자가 추가한 객체의 확률맵을 감산한 다음, MSE(mean square error) 함수 또는 MAE(mean absolute error) 함수 연산을 처리함으로써 산출되는, 객체 검출 장치
|
