| 1 |
1
딥러닝 기반 앵커 프리 물체 탐지 방법에 있어서,물체 탐지 대상 이미지를 입력 받는 단계;상기 이미지를 백본 네트워크에 입력 후 학습하여 히트맵을 생성하는 단계;상기 히트맵에 대한 후처리를 수행하는 단계; 및상기 후처리 결과를 화면에 출력하는 단계 를 포함하는 것을 특징으로 하는 딥러닝 기반 앵커 프리 물체 탐지 방법
|
| 2 |
2
제1항에 있어서,상기 생성된 히트맵은 상기 이미지에 포함된 분류 대상 물체의 개수 만큼의 채널로 구성되는 것을 특징으로 하는 딥러닝 기반 앵커 프리 물체 탐지 방법
|
| 3 |
3
제2항에 있어서,상기 학습을 통해 상기 채널 별 이차원 가우시안 커널로 해당 물체가 표시된 상기 히트맵이 생성되는 것을 특징으로 딥러닝 기반 앵커 프리 물체 탐지 방법
|
| 4 |
4
제3항에 있어서, 상기 히트맵에 대한 후처리를 수행하는 단계는,상기 이차원 가우시안 커널의 로컬 최대 값에 기반하여 해당 물체의 중앙 좌표를 결정하는 단계;상기 결정된 중앙 좌표에 기초하여 해당 물체의 방향 별 끝점을 산출하는 단계; 및상기 산출된 방향 별 끝점에 기반하여 바운딩 박스를 생성하는 단계를 포함하는 것을 특징으로 하는 딥러닝 기반 앵커 프리 물체 탐지 방법
|
| 5 |
5
제4항에 있어서, 상기 로컬 최대 값은 5x5 맥스 풀링 (Max Pooling) 연산을 통해 결정되는 것을 특징으로 하는 딥러닝 기반 앵커 프리 물체 탐지 방법
|
| 6 |
6
제4항에 있어서, 상기 결정된 중앙 좌표에 기초하여 해당 물체의 방향 별 끝점을 산출하는 단계는,상기 결정된 중앙 좌표를 탐색 시작점으로 설정하는 단계;상기 시작점으로부터 상/하/좌/우 방향으로 각각 일정 레벨 이동한 좌표에서의 로컬 값과 소정 임계치를 비교하는 단계; 및상기 방향 별 상기 임계치 미만인 상기 로컬 값에 상응하는 좌표를 해당 방향의 끝점으로 결정하는 단계를 포함하는 것을 특징으로 하는 딥러닝 기반 앵커 프리 물체 탐지 방법
|
| 7 |
7
제1항에 있어서, 상기 백본 네트워크는 상기 이미지에 따라 가변 필터 크기 및 형태를 가지는 가변 합성곱 신경망(Deformable Convolutional Neural Network)인 것을 특징으로 하는 딥러닝 기반 앵커 프리 물체 탐지 방법
|
| 8 |
8
제1항에 있어서, 상기 학습을 위해 사용되는 손실 함수는 평균 제곱 오차(Mean Squared Error)이고, 물체 크기에 상응하는 가중치를 손실 값에 곱하여 물체의 크기에 무관한 손실 값을 출력하는 사이즈 웨이트 마스크(Size Weight Mask, SWM) 기법이 적용되는 것을 특징으로 하는 딥러닝 기반 앵커 프리 물체 탐지 방법
|
| 9 |
9
제8항에 있어서, 상기 손실 함수 L은, 이고, 여기서, 는 히트맵의 각 픽셀, 는 기반 진실(Ground Truth) 히트맵, 는 백본 네트워크 출력 히트맵, 은 SWM이고,상기 손실 함수 L에서 SWM 픽셀 값인 M(p)는 물체가 있는 영역인 경우 전체 히트맵의 크기를 물체의 크기로 나누어 결정되고, 물체가 없는 영역인 경우, 1로 결정되는 것을 특징으로 하는 딥러닝 기반 앵커 프리 물체 탐지 방법
|
| 10 |
10
제1항에 있어서,상기 이미지를 백본 네트워크에 입력 후 학습하여 히트맵을 생성하는 단계는,기반 진실 라벨(Ground Truth Label)에 포함된 박스 좌표에 기초하여 각 물체의 영역과 동일 크기를 가지는 이차원 가우시안 커널이 포함된 기반 진실 히트맵(Ground Truth Heatmap)을 생성하는 단계; 및상기 백본 네트워크의 출력 히트맵 사이의 유클리디안 거리(Euclidean Distance)가 작아지도록 학습하는 단계를 포함하는 것을 특징으로 하는 딥러닝 기반 앵커 프리 물체 탐지 방법
|
| 11 |
11
딥러닝 기반 앵커 프리 물체 탐지 장치에 있어서,물체 탐지 대상 이미지를 입력 받는 입력부;상기 이미지를 백본 네트워크에 입력 후 학습하여 히트맵을 생성하는 학습부;상기 히트맵에 대한 후처리를 수행하는 후처리부; 및상기 후처리 결과를 화면에 출력하는 출력부 를 포함하는 것을 특징으로 하는 딥러닝 기반 앵커 프리 물체 탐지 장치
|
| 12 |
12
제11항에 있어서,상기 생성된 히트맵은 상기 이미지에 포함된 분류 대상 물체의 개수 만큼의 채널로 구성되는 것을 특징으로 하는 딥러닝 기반 앵커 프리 물체 탐지 장치
|
| 13 |
13
제12항에 있어서,상기 학습부는 상기 학습을 통해 상기 채널 별 이차원 가우시안 커널로 해당 물체가 표시된 상기 히트맵을 생성하는 것을 특징으로 딥러닝 기반 앵커 프리 물체 탐지 장치
|
| 14 |
14
제13항에 있어서, 상기 후처리부는,상기 이차원 가우시안 커널의 로컬 최대 값에 기반하여 해당 물체의 중앙 좌표를 결정하고, 상기 결정된 중앙 좌표에 기초하여 해당 물체의 방향 별 끝점을 산출하고, 상기 산출된 방향 별 끝점에 기반하여 바운딩 박스를 생성하는 것을 특징으로 하는 딥러닝 기반 앵커 프리 물체 탐지 장치
|
| 15 |
15
제14항에 있어서, 상기 로컬 최대 값은 5x5 맥스 풀링 (Max Pooling) 연산을 통해 결정되는 것을 특징으로 하는 딥러닝 기반 앵커 프리 물체 탐지 장치
|
| 16 |
16
제14항에 있어서, 상기 후처리부는 상기 결정된 중앙 좌표를 탐색 시작점으로 설정하고, 상기 시작점으로부터 상/하/좌/우 방향으로 각각 일정 레벨 이동한 좌표에서의 로컬 값과 소정 임계치를 비교하고, 상기 방향 별 상기 임계치 미만인 상기 로컬 값에 상응하는 좌표를 식별하여 해당 방향의 끝점으로 결정하는 것을 특징으로 하는 딥러닝 기반 앵커 프리 물체 탐지 장치
|
| 17 |
17
제11항에 있어서, 상기 백본 네트워크는 상기 이미지에 따라 가변 필터 크기 및 형태를 가지는 가변 합성곱 신경망(Deformable Convolutional Neural Network)인 것을 특징으로 하는 딥러닝 기반 앵커 프리 물체 탐지 장치
|
| 18 |
18
제11항에 있어서, 상기 학습을 위해 사용되는 손실 함수는 평균 제곱 오차(Mean Squared Error)이고, 물체 크기에 상응하는 가중치를 손실 값에 곱하여 물체의 크기에 무관한 손실 값을 출력하는 사이즈 웨이트 마스크(Size Weight Mask, SWM) 기법이 적용되는 것을 특징으로 하는 딥러닝 기반 앵커 프리 물체 탐지 장치
|
| 19 |
19
제18항에 있어서, 상기 손실 함수 L은, 이고, 여기서, 는 히트맵의 각 픽셀, 는 기반 진실(Ground Truth) 히트맵, 는 백본 네트워크 출력 히트맵, 은 사이즈 웨이트 마스크이고,상기 손실 함수 L에서 SWM 픽셀 값인 M(p)는 물체가 있는 영역인 경우 전체 히트맵의 크기를 물체의 크기로 나누어 결정되고, 물체가 없는 영역인 경우, 1로 결정되는 것을 특징으로 하는 딥러닝 기반 앵커 프리 물체 탐지 장치
|
| 20 |
20
제11항에 있어서,상기 학습부는 기반 진실 라벨(Ground Truth Label)에 포함된 박스 좌표에 기초하여 각 물체의 영역과 동일 크기를 가지는 이차원 가우시안 커널이 포함된 기반 진실 히트맵(Ground Truth Heatmap)을 생성하고, 상기 백본 네트워크의 출력 히트맵 사이의 유클리디안 거리(Euclidean Distance)가 작아지도록 학습을 수행하는 것을 특징으로 하는 딥러닝 기반 앵커 프리 물체 탐지 장치
|
