1 |
1
컴퓨터로 구현되는 시스템에 있어서,컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서를 포함하고,상기 적어도 하나의 프로세서는,이미지를 객체 영역 분할 네트워크에 구성된 복수 개의 분기에 입력하는 입력부;상기 이미지로부터 객체를 검출하도록 학습된 객체 검출기에 의해 객체 영역을 검출하는 검출부; 및상기 검출된 객체 영역의 정보 및 상기 검출된 객체 영역과 관련된 바운딩 박스를 이용하여 학습함에 따라 인스턴스를 분할(segmentation)하는 분할부 를 포함하고,상기 분할부는, 상기 이미지로부터 획득된 특징 맵과 상기 검출된 객체 영역의 클래스 정보를 이용하여 CAM (Class Activation Map)을 학습하고, 상기 학습된 CAM을 이용하여 획득된 GT (Ground Truth) 마스크를 사용하여 인스턴스 분할 네트워크를 학습하되, 상기 분할부에서, 분류 손실 함수를 이용하여 CAM 네트워크가 학습되고, 상기 CAM 네트워크가 학습됨에 따라 획득된 GT 마스크와 분할 손실 함수를 이용하여 인스턴스 분할 네트워크가 학습되고,상기 CAM 네트워크가 학습됨에 따라 획득된 GT 마스크로서 멀티-레벨 CAM으로부터 획득된 분할(segmentation) 마스크를 사용하여 인스턴스 분할 네트워크가 학습되는 시스템
|
2 |
2
제1항에 있어서,상기 객체 영역 분할 네트워크는,객체 검출을 위한 검출 분기와 인스턴스를 분할하기 위한 분할 분기로 구성되고, 상기 검출 분기 및 상기 분할 분기가 상기 이미지로부터 이미지의 특징을 추출하는 특징 추출 네트워크를 공유하는 것을 포함하고,상기 객체 영역 분할 네트워크에 기반하여 상기 검출 분기 및 상기 분할 분기가 공동으로 학습되는 것을 특징으로 하는 시스템
|
3 |
3
삭제
|
4 |
4
삭제
|
5 |
5
컴퓨터로 구현되는 시스템에 있어서,컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서를 포함하고,상기 적어도 하나의 프로세서는,이미지를 객체 영역 분할 네트워크에 구성된 복수 개의 분기에 입력하는 입력부;상기 이미지로부터 객체를 검출하도록 학습된 객체 검출기에 의해 객체 영역을 검출하는 검출부; 및상기 검출된 객체 영역의 정보 및 상기 검출된 객체 영역과 관련된 바운딩 박스를 이용하여 학습함에 따라 인스턴스를 분할(segmentation)하는 분할부 를 포함하고,상기 분할부는, 상기 이미지로부터 획득된 특징 맵과 상기 검출된 객체 영역의 클래스 정보를 이용하여 CAM (Class Activation Map)을 학습하고, 상기 학습된 CAM을 이용하여 획득된 GT (Ground Truth) 마스크를 사용하여 인스턴스 분할 네트워크를 학습하되,상기 분할부에서, 분류 손실 함수를 이용하여 CAM 네트워크가 학습되고, 상기 CAM 네트워크가 학습됨에 따라 획득된 GT 마스크와 분할 손실 함수를 이용하여 인스턴스 분할 네트워크가 학습되고, 상기 CAM에 대해서는, 상기 이미지로부터 획득된 특징 맵에 비선형 활성화 로그 함수를 적용하여, 상기 CAM이 객체의 전체 영역을 나타내도록 하는 액티베이션 스무딩(Activation Smooting)이 수행되는 것을 특징으로 하는 시스템
|
6 |
6
컴퓨터로 구현되는 시스템에 있어서,컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서를 포함하고,상기 적어도 하나의 프로세서는,이미지를 객체 영역 분할 네트워크에 구성된 복수 개의 분기에 입력하는 입력부;상기 이미지로부터 객체를 검출하도록 학습된 객체 검출기에 의해 객체 영역을 검출하는 검출부; 및상기 검출된 객체 영역의 정보 및 상기 검출된 객체 영역과 관련된 바운딩 박스를 이용하여 학습함에 따라 인스턴스를 분할(segmentation)하는 분할부 를 포함하고,상기 분할부는, 상기 이미지로부터 획득된 특징 맵과 상기 검출된 객체 영역의 클래스 정보를 이용하여 CAM (Class Activation Map)을 학습하고, 상기 학습된 CAM을 이용하여 획득된 GT (Ground Truth) 마스크를 사용하여 인스턴스 분할 네트워크를 학습하되,상기 분할부에서, 분류 손실 함수를 이용하여 CAM 네트워크가 학습되고, 상기 CAM 네트워크가 학습됨에 따라 획득된 GT 마스크와 분할 손실 함수를 이용하여 인스턴스 분할 네트워크가 학습되고,상기 CAM에 대해서는, 상기 검출된 객체 영역과 관련된 객체 클래스에 배경 클래스를 추가하여, 배경 액티베이션이 더 학습되는 것을 특징으로 하는 시스템
|
7 |
7
컴퓨터로 구현되는 시스템에 있어서,컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서를 포함하고,상기 적어도 하나의 프로세서는,이미지를 객체 영역 분할 네트워크에 구성된 복수 개의 분기에 입력하는 입력부;상기 이미지로부터 객체를 검출하도록 학습된 객체 검출기에 의해 객체 영역을 검출하는 검출부; 및상기 검출된 객체 영역의 정보 및 상기 검출된 객체 영역과 관련된 바운딩 박스를 이용하여 학습함에 따라 인스턴스를 분할(segmentation)하는 분할부 를 포함하고,상기 분할부는, 상기 이미지로부터 획득된 특징 맵과 상기 검출된 객체 영역의 클래스 정보를 이용하여 CAM (Class Activation Map)을 학습하고, 상기 학습된 CAM을 이용하여 획득된 GT (Ground Truth) 마스크를 사용하여 인스턴스 분할 네트워크를 학습하되,상기 분할부에서, 분류 손실 함수를 이용하여 CAM 네트워크가 학습되고, 상기 CAM 네트워크가 학습됨에 따라 획득된 GT 마스크와 분할 손실 함수를 이용하여 인스턴스 분할 네트워크가 학습되고, 상기 CAM은, 상기 검출된 객체 영역과 관련된 바운딩 박스의 중심에 가중치를 부여하는 LWAP(Local Weighted Average Pooling)를 적용하여 학습되는 것을 특징으로 하는 시스템
|
8 |
8
컴퓨터로 구현되는 시스템에 있어서,컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서를 포함하고,상기 적어도 하나의 프로세서는,이미지를 객체 영역 분할 네트워크에 구성된 복수 개의 분기에 입력하는 입력부;상기 이미지로부터 객체를 검출하도록 학습된 객체 검출기에 의해 객체 영역을 검출하는 검출부; 및상기 검출된 객체 영역의 정보 및 상기 검출된 객체 영역과 관련된 바운딩 박스를 이용하여 학습함에 따라 인스턴스를 분할(segmentation)하는 분할부 를 포함하고,상기 분할부는, 상기 이미지로부터 획득된 특징 맵과 상기 검출된 객체 영역의 클래스 정보를 이용하여 CAM (Class Activation Map)을 학습하고, 상기 학습된 CAM을 이용하여 획득된 GT (Ground Truth) 마스크를 사용하여 인스턴스 분할 네트워크를 학습하되,상기 분할부에서, 분류 손실 함수를 이용하여 CAM 네트워크가 학습되고, 상기 CAM 네트워크가 학습됨에 따라 획득된 GT 마스크와 분할 손실 함수를 이용하여 인스턴스 분할 네트워크가 학습되고,상기 CAM은, 상기 이미지로부터 특징 맵을 추출하기 위한 특징 추출 네트워크에 구성된 복수의 레이어에 CAM 구조가 부가됨으로써 멀티 레벨로부터 추출되는 CAM인 것을 특징으로 하는 시스템
|
9 |
9
제1항에 있어서,상기 입력부는, 상기 이미지를 특징 추출 네트워크를 통하여 학습시킴에 따라 이미지를 인코딩한 큰 특징 맵을 생성하고, 상기 생성된 큰 특징 맵에 RolAlign 방법을 적용하여 상기 이미지의 각 후보 영역에 대한 특징 맵을 획득하고, 상기 이미지로부터 획득된 특징 맵을 상기 객체 영역 분할 네트워크의 객체 검출을 위한 검출 분기와 인스턴스를 분할하기 위한 분할 분기에 각각 입력하는 것을 특징으로 하는 시스템
|
10 |
10
컴퓨터로 구현되는 시스템에 있어서,컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서를 포함하고,상기 적어도 하나의 프로세서는,이미지를 객체 영역 분할 네트워크에 구성된 복수 개의 분기에 입력하는 입력부;상기 이미지로부터 객체를 검출하도록 학습된 객체 검출기에 의해 객체 영역을 검출하는 검출부; 및상기 검출된 객체 영역의 정보 및 상기 검출된 객체 영역과 관련된 바운딩 박스를 이용하여 학습함에 따라 인스턴스를 분할(segmentation)하는 분할부 를 포함하고,상기 검출부는, 약한 지도 학습에 기반한 상기 객체 검출기를 이용하여 상기 이미지로부터 획득된 특징 맵에 기반하여 각 객체의 후보 영역 별로 객체 검출과 관련된 스코어 정보를 획득하고, 상기 획득된 스코어 정보에 기초하여 GT (Ground Truth) 마스크를 생성하여 역전파를 통한 학습을 수행하고,상기 객체 검출기는, 상기 객체 검출기의 WSDDN (Weakly Supervised Deep Detection Network)에서 학습하는 분류 손실과 정제 과정에서 학습하는 검출 손실을 이용하여 학습되는 것을 특징으로 하는 시스템
|
11 |
11
컴퓨터로 구현되는 시스템에 의해 수행되는 객체 영역 분할 방법에 있어서,이미지를 객체 영역 분할 네트워크에 구성된 복수 개의 분기에 입력하는 단계; 상기 이미지으로부터 객체를 검출하도록 학습된 객체 검출기에 의해 객체 영역을 검출하는 단계; 및상기 검출된 객체 영역의 정보 및 상기 검출된 객체 영역과 관련된 바운딩 박스를 이용하여 학습함에 따라 인스턴스를 분할(segmentation)하는 단계 를 포함하고, 상기 분할하는 단계는, 상기 이미지로부터 획득된 특징 맵과 상기 검출된 객체 영역의 클래스 정보를 이용하여 CAM (Class Activation Map)을 학습하고, 상기 학습된 CAM을 이용하여 획득된 GT (Ground Truth) 마스크를 사용하여 인스턴스 분할 네트워크를 학습하는 단계를 포함하고, 상기 분할 네트워크를 학습하는 단계에서, 분류 손실 함수를 이용하여 CAM 네트워크가 학습되고, 상기 CAM 네트워크가 학습됨에 따라 획득된 GT 마스크와 분할 손실 함수를 이용하여 인스턴스 분할 네트워크가 학습되고, 상기 CAM 네트워크가 학습됨에 따라 획득된 GT 마스크로서 멀티-레벨 CAM으로부터 획득된 분할(segmentation) 마스크를 사용하여 인스턴스 분할 네트워크가 학습되는 객체 영역 분할 방법
|
12 |
12
컴퓨터로 구현되는 시스템에 의해 수행되는 객체 영역 분할 방법을 실행시키기 위하여 컴퓨터 판독 가능한 저장매체에 저장된 컴퓨터 프로그램에 있어서,이미지를 객체 영역 분할 네트워크에 구성된 복수 개의 분기에 입력하는 단계; 상기 이미지으로부터 객체를 검출하도록 학습된 객체 검출기에 의해 객체 영역을 검출하는 단계; 및상기 검출된 객체 영역의 정보 및 상기 검출된 객체 영역과 관련된 바운딩 박스를 이용하여 학습함에 따라 인스턴스를 분할(segmentation)하는 단계 를 포함하고,상기 분할하는 단계는, 상기 이미지로부터 획득된 특징 맵과 상기 검출된 객체 영역의 클래스 정보를 이용하여 CAM (Class Activation Map)을 학습하고, 상기 학습된 CAM을 이용하여 획득된 GT (Ground Truth) 마스크를 사용하여 인스턴스 분할 네트워크를 학습하는 단계를 포함하고, 상기 분할 네트워크를 학습하는 단계에서, 분류 손실 함수를 이용하여 CAM 네트워크가 학습되고, 상기 CAM 네트워크가 학습됨에 따라 획득된 GT 마스크와 분할 손실 함수를 이용하여 인스턴스 분할 네트워크가 학습되고, 상기 CAM 네트워크가 학습됨에 따라 획득된 GT 마스크로서 멀티-레벨 CAM으로부터 획득된 분할(segmentation) 마스크를 사용하여 인스턴스 분할 네트워크가 학습되는 컴퓨터 판독 가능한 저장매체에 저장된 컴퓨터 프로그램
|