KR20230142198A - System for creating background data for artificial intelligent by patterning for object in virtual space - Google Patents
System for creating background data for artificial intelligent by patterning for object in virtual space Download PDFInfo
- Publication number
- KR20230142198A KR20230142198A KR1020220041139A KR20220041139A KR20230142198A KR 20230142198 A KR20230142198 A KR 20230142198A KR 1020220041139 A KR1020220041139 A KR 1020220041139A KR 20220041139 A KR20220041139 A KR 20220041139A KR 20230142198 A KR20230142198 A KR 20230142198A
- Authority
- KR
- South Korea
- Prior art keywords
- unit
- information
- virtual space
- learning
- pattern
- Prior art date
Links
- 238000000059 patterning Methods 0.000 title claims description 35
- 238000000034 method Methods 0.000 claims description 19
- 230000003321 amplification Effects 0.000 claims description 16
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 16
- 230000006399 behavior Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 238000012790 confirmation Methods 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 13
- 238000010801 machine learning Methods 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000007786 learning performance Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- KRQUFUKTQHISJB-YYADALCUSA-N 2-[(E)-N-[2-(4-chlorophenoxy)propoxy]-C-propylcarbonimidoyl]-3-hydroxy-5-(thian-3-yl)cyclohex-2-en-1-one Chemical compound CCC\C(=N/OCC(C)OC1=CC=C(Cl)C=C1)C1=C(O)CC(CC1=O)C1CCCSC1 KRQUFUKTQHISJB-YYADALCUSA-N 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Architecture (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Processing Or Creating Images (AREA)
Abstract
본 발명은 미리 설정된 가상의 공간에 제공되어 미리 설정된 가상의 공간 내 객체와 환경을 구성하는 스페이스 셋팅 유닛; 오브젝트로 형성되어, 미리 설정된 가상의 공간 상에 제공되며 미리 설정된 가상의 공간과 노이즈를 인식하는 에센셜 유닛; 및 객체에 대하여 적어도 하나 이상의 독립적인 소정의 단위로 형성되며, 소정의 단위에 대한 선택적인 패턴을 제공하는 패턴 셋팅 유닛을 포함하는 기술적 사상을 개시한다. The present invention provides a space setting unit that is provided in a preset virtual space and configures objects and environments within the preset virtual space; An essential unit formed as an object, provided in a preset virtual space, and recognizing the preset virtual space and noise; and a pattern setting unit formed of at least one independent predetermined unit for an object and providing a selective pattern for the predetermined unit.
Description
본 발명은 자율 주행을 위하여 자동차 딥 러닝을 위한 합성 데이터를 생성하는 것에 대한 것으로, 보다 자세하게는, 미리 설정된 가상의 공간을 구성하고 가상의 공간 내 배치되는 객체에 대한 형성과 행동에 대하여 패터닝을 형성하여 합성 데이터의 다양한 객체 확장성을 증대하고자 하는, 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템에 관한 기술분야이다. The present invention relates to generating synthetic data for automotive deep learning for autonomous driving. More specifically, it constructs a preset virtual space and forms patterns for the formation and behavior of objects placed in the virtual space. This is a technical field related to a background data generation system for AI learning that forms selective patterns for objects in virtual space, with the goal of increasing the scalability of synthetic data to various objects.
4차 산업혁명과 함께 인공지능을 포함한 디지털 신기술에 쏠렸던 전 세계적 관심은 포스트 코로나 시대와 맞물려 더욱 증폭되고 있다. 실제로 인공지능 시장 규모는 가파르게 성장하고 있다. IDC에서는 2021년 전 세계 인공지능 시장 규모를 전년 대비 16.4% 성장한 3천 275억 달러로 전망하였고, 2024년까지 5천 543억 달러에 이를 것이라는 예측을 발표했다. PwC는 인공지능이 글로벌 경제에 미치는 경제적 가치가 2030년 15조 7,000억 달러에 달할 것으로 추산하며 오늘날 가장 큰 시장 기회를 창출할 것이라고 기대했다.With the Fourth Industrial Revolution, global interest in new digital technologies, including artificial intelligence, is growing further in line with the post-corona era. In fact, the size of the artificial intelligence market is growing rapidly. IDC predicted the global artificial intelligence market size to be $327.5 billion in 2021, up 16.4% from the previous year, and announced a forecast that it would reach $554.3 billion by 2024. PwC estimates that the economic value of artificial intelligence to the global economy will reach $15.7 trillion by 2030, and that it will create the largest market opportunity today.
2020년대에 들어오면서 인공지능이 기술 흐름의 중요한 역할을 하고 있지만, 현실에서 직면하고 있는 문제는 학습데이터에 해당한다. Entering the 2020s, artificial intelligence is playing an important role in the technological flow, but the problem we face in reality is learning data.
뛰어난 알고리즘이더라도 양질의 데이터 없이는 학습이 불가능하기 때문이다. 인공지능 학습을 통한 서비스, 기술의 고도화를 위해서는 수많은 양질의 데이터가 뒷받침돼야 한다. 이러한 양질의 데이터는 향후 스마트시티를 비롯해 자율주행, 스마트팩토리, 스마트 안정 등 다양한 서비스모델의 기반이 될 전망이다. Even if it is an excellent algorithm, learning is impossible without high-quality data. In order to advance services and technologies through artificial intelligence learning, numerous high-quality data must be supported. Such high-quality data is expected to become the basis for various service models such as smart cities, autonomous driving, smart factories, and smart stability in the future.
이와 관련된 기술을 발전을 위하여서는 인공지능 및 머신러닝 응용을 위하여 대규모의 큐레이팅된 데이터셋이 필요하며, 전 세계적으로도 이러한 데이터셋을 수집하기 위하여 인공지능 학습데이터 구축을 위한 많은 예산과 투자가 이루어지고 있다. In order to develop related technologies, large-scale curated datasets are needed for artificial intelligence and machine learning applications, and large budgets and investments have been made around the world to collect these datasets and build artificial intelligence learning data. I'm losing.
실제 데이터의 수집/레이블링 작업에 어려운 문제를 해결하기 위한 방법 중 하나는 합성데이터를 생성하는 방법이며, 합성데이터를 생성하는 방법에 대한 기술의 발전도 이루어지고 있다. One of the ways to solve difficult problems in collecting/labeling real data is to generate synthetic data, and technology for generating synthetic data is also being developed.
합성데이터를 생성하는 방법에 대한 선행 특허문헌으로서, "머신 러닝의 학습성능 강화장치 및 방법(공개번호 제10-2019-0054782호, 이하 특허문헌1이라 한다. )"이 존재한다. As a prior patent document on a method for generating synthetic data, there is “Machine Learning Learning Performance Enhancement Apparatus and Method (Publication No. 10-2019-0054782, hereinafter referred to as Patent Document 1).”
특허문헌1의 경우, 이미지 합성을 통해 다양하고 강건한 학습 이미지를 생성하여 머신 러닝(machine learning)의 학습 성능을 향상, 강화시킬 수 있는 머신 러닝의 학습성능 강화장치 및 방법에 관한 것으로, 적어도 하나의 무기 객체가 포함된 3D CAD 모델의 학습 데이터를 출력하는 학습 데이터 모듈; 학습 데이터에 포함된 3D 무기 객체의 유형에 기초하여 각도, 원근 및 방향이 상이한 복수의 2D 무기 객체 이미지를 생성하고, 생성된 복수의 2D 무기 객체 이미지와 하나 이상의 배경 이미지 및 디지털 노이즈를 합성하여 학습 이미지를 생성하는 학습 성능 강화 모듈; 및 생성된 학습 이미지를 신경망 모델부 및 신경망 연산 프레임워크에서 제공된 신경망 모델 및 신경망 연산에 따라 패턴 학습 및 무기 객체의 인식하는 머신 러닝을 수행하는 고속 클러스터 컴퓨팅 모듈을 포함할 수 있다.In the case of Patent Document 1, it relates to an apparatus and method for enhancing the learning performance of machine learning that can improve and strengthen the learning performance of machine learning by generating diverse and robust learning images through image synthesis, and includes at least one A learning data module that outputs training data of a 3D CAD model containing weapon objects; Based on the type of 3D weapon object included in the learning data, multiple 2D weapon object images with different angles, perspectives, and directions are generated, and learning is performed by combining the multiple generated 2D weapon object images with one or more background images and digital noise. a learning performance enhancement module that generates images; And it may include a high-speed cluster computing module that performs machine learning for pattern learning and recognition of weapon objects on the generated learning image according to the neural network model and neural network operation provided by the neural network model unit and the neural network operation framework.
또 다른 특허문헌으로는 "게임 엔진 기반의 머신 러닝 학습이미지 생성 장치 및 방법(등록번호 제10-1947650호, 이하 특허문헌2라 한다. )"이 존재한다. Another patent document is “Game engine-based machine learning learning image generation device and method (Registration No. 10-1947650, hereinafter referred to as Patent Document 2).”
특허문헌 2의 경우, 다양한 게임 관련 이미지를 생성하여 머신 러닝 프로세스의 학습 성능을 강화할 수 있는 게임 엔진 기반의 머신 러닝 학습이미지 생성 장치 및 방법에 관한 것으로, 적어도 하나의 게임 객체가 포함된 CAD 기반의 학습 데이터를 출력하는 학습 데이터 모듈; 및 CAD 기반의 학습 데이터를 신경망 모델부 및 신경망 연산 프레임워크에서 제공된 신경망 모델 및 신경망 연산에 따라 패턴 학습 및 게임 객체의 인식하는 머신 러닝을 수행하는 고속 클러스터 컴퓨팅 모듈; 및 학습 데이터 모듈와 고속 클러스터 컴퓨팅 모듈사이에 구비되어, CAD 기반의 학습 데이터에 포함된 복수의 3D CAD 모델을 검출하여, 검출된 복수의 3D CAD 모델에 환경 모사 이미지와 데이터 증강 이미지를 합성하여 머신 러닝에 사용될 복수의 2D 학습 이미지를 생성하는 게임 엔진 적용모듈을 포함할 수 있다.In the case of Patent Document 2, it relates to a game engine-based machine learning learning image generation device and method that can enhance the learning performance of the machine learning process by generating various game-related images, and is a CAD-based device containing at least one game object. A learning data module that outputs learning data; and a high-speed cluster computing module that performs machine learning to learn patterns and recognize game objects using CAD-based learning data according to the neural network model and neural network operation provided by the neural network model unit and neural network operation framework; And it is provided between the learning data module and the high-speed cluster computing module, detects a plurality of 3D CAD models included in the CAD-based learning data, and synthesizes the environment simulation image and data augmented image with the detected plurality of 3D CAD models for machine learning. It may include a game engine application module that generates a plurality of 2D learning images to be used.
영상인식을 위한 자동 학습 방법에 대한 특허문헌으로서, "자동학습 관리장치 및 방법(공개번호 제10-2020-0064044호, 이하 특허문헌3이라 한다. )"이 존재한다. As a patent document on an automatic learning method for image recognition, there is "Automatic Learning Management Device and Method (Publication No. 10-2020-0064044, hereinafter referred to as Patent Document 3.)".
특허문헌 3의 경우, 사용자 단말기로부터의 학습명령에 따라 영상인식(image recognition)을 위한 학습모델(learning model)의 학습 요청신호를 학습서버(learning server)로 요청하고, 학습서버로부터 학습 요청신호에 대응한 학습결과를 입력받고, 입력된 학습결과를 등록하고, 학습된 학습모델에 대한 평가를 빌드서버(build server)에 요청하고, 빌드서버로부터 평가결과를 제공받는 평가 요청하고, 평가결과를 등록하여 평가결과에 따라 부족한 데이터에 대한 선별요청신호 및 합성영상(composite image) 생성신호를 출력하여 학습모델의 학습이 반복적으로 수행되도록 동작하는 학습수단을 포함하는 것을 특징으로 한다.In the case of Patent Document 3, a learning request signal for a learning model for image recognition is requested from the learning server according to a learning command from the user terminal, and a learning request signal is received from the learning server. Receive the corresponding learning results, register the input learning results, request evaluation of the learned learning model from the build server, request evaluation to receive evaluation results from the build server, and register the evaluation results. Accordingly, it is characterized by including a learning means that operates to repeatedly perform learning of the learning model by outputting a selection request signal and a composite image generation signal for insufficient data according to the evaluation results.
특허문헌 3의 경우, 일반적인 합성 영상을 반복적으로 수행하도록 하는 것으로 출력된 합성 데이터는 환경의 다양성, 변동성, 균일성에 대한 데이터를 생성하는 내용에 대하여 언급하지 않고 있으며, 특허문헌 1 내지 2의 경우, 차량 기반의 합성 데이터 생성을 목적으로 하지 않기에 차량 모델에 대한 실시간 인식 및 범죄 예방, 추적을 목적으로 하는 합성 데이터의 생성에 대한 내용이 부족하다. In the case of Patent Document 3, the synthesized data output by repeatedly performing a general composite image does not mention the content of generating data on the diversity, variability, and uniformity of the environment, and in the case of Patent Documents 1 and 2, Since it is not intended to generate vehicle-based synthetic data, there is a lack of information on the creation of synthetic data for the purpose of real-time recognition of vehicle models and crime prevention and tracking.
또한, 특허문헌들의 경우, 객체에 대한 형상과 행동으로부터 다양한 객체에 대한 패터닝하는 기술에 대하여서는 언급하고 있지 아니하며, 패터닝을 통하여 다양한 버전별로 모듈화 하는 과정은 학습 데이터를 형성하는 여러 분야에서 적용이 가능할 것으로 판단된다. In addition, in the case of patent documents, there is no mention of technology for patterning various objects from their shape and behavior, and the process of modularizing various versions through patterning can be applied in various fields of forming learning data. It is judged that
본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템은 상기한 바와 같은 종래 문제점을 해결하기 위해 안출된 것으로서, 다음과 같은 해결하고자 하는 과제를 제시한다.The background data generation system for AI learning that forms selective patterns for objects in virtual space according to the present invention was designed to solve the conventional problems described above, and presents the following problems to be solved.
첫째, 차량 3D 모델과 배경 이미지를 자동 합성하여 고품질의 방대한 차량기반 합성 데이터를 생성한다. First, it automatically synthesizes vehicle 3D models and background images to generate high-quality, massive vehicle-based synthetic data.
둘째, 학습용 데이터 획득의 어려움 및 학습 데이터의 부족 문제를 해결하고자 한다. Second, we aim to solve the problem of difficulty in acquiring training data and lack of training data.
셋째, 학습 데이터에 대한 과적합 문제를 방지하며, 학습 데이터 양의 부족으로 발생하는 범주의 불균형을 해결하고자 한다. Third, we aim to prevent overfitting problems with training data and resolve category imbalances caused by insufficient training data.
넷째, 기존 데이터와 유사한 성질을 가지는 합성 데이터를 인위적으로 생성하여 추가 학습 데이터로 활용하도록 한다. Fourth, synthetic data with similar properties to existing data is artificially created and used as additional learning data.
본 발명의 해결 과제는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 해결과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The problems to be solved by the present invention are not limited to those mentioned above, and other problems not mentioned will be clearly understood by those skilled in the art from the description below.
본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템은 상기의 해결하고자 하는 과제를 위하여 다음과 같은 과제 해결 수단을 가진다.The background data generation system for AI learning that forms selective patterns for objects in virtual space according to the present invention has the following means for solving the problems described above.
본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템은 미리 설정된 가상의 공간에 제공되어 상기 미리 설정된 가상의 공간 내 객체와 환경을 구성하는 스페이스 셋팅 유닛(space setting unit); 오브젝트로 형성되어, 상기 미리 설정된 가상의 공간 상에 제공되며 상기 미리 설정된 가상의 공간과 노이즈를 인식하는 에센셜 유닛(essential unit); 및 상기 객체에 대하여 적어도 하나 이상의 독립적인 소정의 단위로 형성되며, 상기 소정의 단위에 대한 선택적인 패턴을 제공하는 패턴 셋팅 유닛(pattern setting unit)을 포함하는 것을 특징으로 할 수 있다. The background data generation system for AI learning that forms a selective pattern for objects in a virtual space according to the present invention is provided in a preset virtual space and includes a space setting unit (space) that configures objects and environments in the preset virtual space. setting unit); an essential unit formed as an object, provided in the preset virtual space, and recognizing the preset virtual space and noise; and a pattern setting unit that is formed of at least one independent predetermined unit with respect to the object and provides a selective pattern for the predetermined unit.
본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 상기 스페이스 셋팅 유닛은, 상기 미리 설정된 가상 공간에 대한 백그라운드 데이터를 형성하는 백그라운드 데이터 생성부를 포함하는 것을 특징으로 할 수 있다. The space setting unit of the background data generation system for AI learning that forms a selective pattern for an object in a virtual space according to the present invention includes a background data generator that forms background data for the preset virtual space. You can do this.
본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 상기 스페이스 셋팅 유닛은, 상기 미리 설정된 가상의 영역 내에 외부 객체에 대한 정보를 제공하는 객체 구성부; 및 상기 미리 설정된 가상의 영역 내에 환경에 대한 정보를 제공하는 환경 구성부를 더 포함하는 것을 특징으로 할 수 있다. The space setting unit of the background data generation system for AI learning that forms a selective pattern for an object in a virtual space according to the present invention includes an object configuration unit that provides information about an external object within the preset virtual area; and an environment configuration unit that provides information about the environment within the preset virtual area.
본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 상기 스페이스 셋팅 유닛, 상기 미리 설정된 가상의 영역 상에 상기 외부 객체에 대한 정보와 환경에 대한 정보를 수신하여 상기 미리 설정된 가상의 영역 내에 오버래핑하는 파라미터 제공부를 더 포함하는 것을 특징으로 할 수 있다. The space setting unit of the background data generation system for AI learning, which forms a selective pattern for objects in a virtual space according to the present invention, receives information about the external object and information about the environment on the preset virtual area. Thus, it may further include a parameter providing unit overlapping within the preset virtual area.
본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 상기 패턴 셋팅 유닛은, 상기 외부 객체를 상기 소정의 단위로 형성하는 단위 구성부를 포함하는 것을 특징으로 할 수 있다. The pattern setting unit of the AI learning background data generation system for forming a selective pattern for an object in a virtual space according to the present invention may be characterized in that it includes a unit configuration unit for forming the external object into the predetermined unit. You can.
본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 상기 패턴 셋팅 유닛은, 상기 소정의 단위에 대한 형상과 행동을 독립적으로 패터닝하는 패터닝 정보를 형성하는 패턴 정보 생성부; 및 상기 패턴 정보 생성부를 통해 생성된 상기 패터닝 정보를 상기 소정의 단위에 오버래핑하는 정보 오버래핑부를 포함하는 것을 특징으로 할 수 있다. The pattern setting unit of the background data generation system for AI learning that forms a selective pattern for an object in virtual space according to the present invention is a pattern that forms patterning information that independently patterns the shape and behavior of the predetermined unit. information generation unit; and an information overlapping unit that overlaps the patterning information generated through the pattern information generation unit with the predetermined unit.
본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 상기 패턴 셋팅 유닛은, 적어도 하나 이상의 독립적인 상기 소정의 단위가 재조립되며, 상기 소정의 단위의 확장이 가능하도록 하는 단위 확장부를 더 포함하는 것을 특징으로 할 수 있다. The pattern setting unit of the background data generation system for AI learning that forms a selective pattern for an object in virtual space according to the present invention includes at least one independent predetermined unit being reassembled, and an expansion of the predetermined unit. It may be characterized by further including a unit expansion part that makes this possible.
본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 상기 패턴 정보 생성부는, 상기 소정의 단위의 형상을 독립적으로 패터닝하는 비주얼 패터닝부; 및 상기 소정의 단위의 행동을 독립적으로 패터닝하는 액션 패터닝부를 포함하는 것을 특징으로 할 수 있다. The pattern information generating unit of the background data generating system for AI learning that forms a selective pattern for an object in a virtual space according to the present invention includes a visual patterning unit independently patterning the shape of the predetermined unit; and an action patterning unit that independently patterns the actions of the predetermined unit.
본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 상기 에센셜 유닛은, 상기 오브젝트를 인식하여, 상기 오브젝트의 부위 정보를 분석하고 추출하는 정보 추출부; 상기 오브젝트의 부위 정보를 수신하여, 미리 결정된 특정 부위 정보를 확대 및 증폭하는 정보 증폭부; 및 상기 미리 결정된 특정 부위 정보를 미리 저장된 정보와의 매칭을 통해 상기 오브젝트를 확인하는 정보 확인부를 포함하는 것을 특징으로 할 수 있다. The essential unit of the background data generation system for AI learning that forms a selective pattern for an object in a virtual space according to the present invention includes an information extraction unit that recognizes the object, analyzes and extracts information on the part of the object; an information amplification unit that receives information on a part of the object and enlarges and amplifies information on a predetermined specific part; and an information confirmation unit that confirms the object by matching the predetermined specific part information with pre-stored information.
본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 상기 정보 확인부는, 상기 오브젝트의 부위 정보 중 적어도 하나 이상을 특정 부위 정보로 결정하고, 결정된 특정 부위 정보에 대한 패턴을 분석하여 상기 오브젝트에 대한 크기와 움직임을 예측하는 것을 특징으로 할 수 있다. The information confirmation unit of the background data generation system for AI learning that forms a selective pattern for an object in a virtual space according to the present invention determines at least one of the part information of the object as specific part information, and the determined specific part information It may be characterized by predicting the size and movement of the object by analyzing the pattern.
이상과 같은 구성의 본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템은 다음과 같은 효과를 제공한다.The background data generation system for AI learning that forms a selective pattern for objects in a virtual space according to the present invention configured as described above provides the following effects.
첫째, 객체의 모듈화 개발을 통하여 차량에 해당하는 오브젝트 이외의 다양한 객체의 확장성이 증대될 수 있도록 한다. First, the scalability of various objects other than vehicles can be increased through modular development of objects.
둘째, 정확한 데이터 생성과 데이터셋의 범주를 정하는 기준선을 보여주어 데이터를 생성할 수 있도록 한다. Second, it shows the baseline for accurate data creation and categorization of the dataset, allowing data to be created.
셋째, 추가적인 학습 데이터에 대한 다양한 변수를 제공하여 방대한 데이터 확보 및 다양한 환경에 대한 학습 데이터를 제공하고자 한다. Third, we aim to secure a large amount of data and provide learning data for various environments by providing various variables for additional learning data.
본 발명의 효과는 이상에서 언급한 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The effects of the present invention are not limited to those mentioned above, and other effects not mentioned will be clearly understood by those skilled in the art from the description below.
도 1은 본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템을 도시한 개념도이다.
도 2는 본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 각 유닛을 도시한 블록도이다.
도 3은 본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 객체 구성부를 통해 스페이스 셋팅 유닛에 제공될 객체가 구성되는 것을 단계적으로 도시한 것이다.
도 4는 본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 파라미터 제공부를 통하여 백그라운드 데이터에 객체와 환경 데이터가 제공되는 것을 도시한 것이다.
도 5는 본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 단위 구성부를 통하여 객체에 대한 소정의 단위가 구성되는 것을 도시한 것이다.
도 6은 본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 비주얼 패터닝부를 통해 객체 형상에 대하여 패터닝되는 것을 도시한 것이다.
도 7은 본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 액션 패터닝부를 통하여 객체에 대하여 행동에 대한 패턴이 패터닝되는 것을 도시한 것이다.
도 8은 본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 스페이스 셋팅 유닛의 하위구성을 도시한 블록도이다.
도 9는 본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 에센셜 유닛의 하위구성을 도시한 블록도이다.
도 10은 본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 패턴 셋팅 유닛의 하위구성을 도시한 블록도이다.
도 11은 본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 패턴 정보 생성부의 하위구성을 도시한 블록도이다.
도 12는 본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 정보 추출부를 통해 오브젝트의 정보가 추출되는 것을 도시한 것이다.
도 13은 본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 정보 증폭부를 통해 오브젝트의 미리 결정된 특정 부위 정보가 확대 및 증폭되어 특정 부위 정보에 대한 패턴을 파악하는 것을 도시한 것이다.
도 14는 본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 정보 증폭부를 통해 오브젝트의 미리 결정된 특정 부위 정보가 확대 및 증폭되고 특정 부위 정보 중 오브젝트의 쉐잎(shape)에 대한 패턴을 파악하는 것을 도시한 것이다.Figure 1 is a conceptual diagram showing a background data generation system for AI learning that forms selective patterns for objects in virtual space according to the present invention.
Figure 2 is a block diagram showing each unit of the background data generation system for AI learning that forms selective patterns for objects in virtual space according to the present invention.
Figure 3 shows step by step how an object to be provided to a space setting unit is constructed through the object configuration unit of the background data generation system for AI learning that forms a selective pattern for an object in a virtual space according to the present invention.
Figure 4 shows that object and environment data are provided to background data through the parameter provider of the background data generation system for AI learning that forms a selective pattern for objects in virtual space according to the present invention.
Figure 5 shows that a predetermined unit for an object is configured through the unit configuration part of the background data generation system for AI learning that forms a selective pattern for the object in virtual space according to the present invention.
Figure 6 shows patterning of an object shape through the visual patterning unit of the background data generation system for AI learning that forms a selective pattern for the object in virtual space according to the present invention.
Figure 7 shows that a pattern for behavior on an object is patterned through the action patterning unit of the background data generation system for AI learning that forms a selective pattern for the object in virtual space according to the present invention.
Figure 8 is a block diagram showing the sub-configuration of the space setting unit of the background data generation system for AI learning that forms selective patterns for objects in virtual space according to the present invention.
Figure 9 is a block diagram showing the sub-configuration of an essential unit of the background data generation system for AI learning that forms a selective pattern for objects in virtual space according to the present invention.
Figure 10 is a block diagram showing the sub-configuration of the pattern setting unit of the background data generation system for AI learning that forms selective patterns for objects in virtual space according to the present invention.
Figure 11 is a block diagram showing the sub-configuration of the pattern information generation unit of the background data generation system for AI learning that forms selective patterns for objects in virtual space according to the present invention.
Figure 12 shows object information being extracted through the information extraction unit of the background data generation system for AI learning that forms a selective pattern for the object in virtual space according to the present invention.
Figure 13 shows that information on a predetermined specific part of an object is enlarged and amplified through the information amplification unit of the background data generation system for AI learning that forms a selective pattern for the object in virtual space according to the present invention, thereby creating a pattern for the specific part information. It shows what to understand.
Figure 14 shows that information on a predetermined specific part of an object is enlarged and amplified through the information amplification unit of the background data generation system for AI learning that forms a selective pattern for the object in virtual space according to the present invention, and the shape of the object among the specific part information is enlarged and amplified. This shows identifying patterns for (shape).
본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 기술적 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. The background data generation system for AI learning that forms a selective pattern for objects in virtual space according to the present invention can make various changes and have several embodiments. Specific embodiments are illustrated in the drawings and detailed description. I would like to explain it in detail. However, this is not intended to limit the present invention to specific embodiments, and should be understood to include all changes, equivalents, and substitutes included in the technical spirit and scope of the present invention.
도 1은 본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템을 도시한 개념도이다. 도 2는 본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 각 유닛을 도시한 블록도이다. 도 3은 본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 객체 구성부를 통해 스페이스 셋팅 유닛에 제공될 객체가 구성되는 것을 단계적으로 도시한 것이다. 도 4는 본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 파라미터 제공부를 통하여 백그라운드 데이터에 객체와 환경 데이터가 제공되는 것을 도시한 것이다. 도 5는 본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 단위 구성부를 통하여 객체에 대한 소정의 단위가 구성되는 것을 도시한 것이다. 도 6은 본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 비주얼 패터닝부를 통해 객체 형상에 대하여 패터닝되는 것을 도시한 것이다. 도 7은 본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 액션 패터닝부를 통하여 객체에 대하여 행동에 대한 패턴이 패터닝되는 것을 도시한 것이다. 도 8은 본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 스페이스 셋팅 유닛의 하위구성을 도시한 블록도이다. 도 9는 본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 에센셜 유닛의 하위구성을 도시한 블록도이다. 도 10은 본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 패턴 셋팅 유닛의 하위구성을 도시한 블록도이다. 도 11은 본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 패턴 정보 생성부의 하위구성을 도시한 블록도이다. 도 12는 본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 정보 추출부를 통해 오브젝트의 정보가 추출되는 것을 도시한 것이다. 도 13은 본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 정보 증폭부를 통해 오브젝트의 미리 결정된 특정 부위 정보가 확대 및 증폭되어 특정 부위 정보에 대한 패턴을 파악하는 것을 도시한 것이다. 도 14는 본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 정보 증폭부를 통해 오브젝트의 미리 결정된 특정 부위 정보가 확대 및 증폭되고 특정 부위 정보 중 오브젝트의 쉐잎(shape)에 대한 패턴을 파악하는 것을 도시한 것이다.Figure 1 is a conceptual diagram showing a background data generation system for AI learning that forms selective patterns for objects in virtual space according to the present invention. Figure 2 is a block diagram showing each unit of the background data generation system for AI learning that forms selective patterns for objects in virtual space according to the present invention. Figure 3 shows step by step how an object to be provided to a space setting unit is constructed through the object configuration unit of the background data generation system for AI learning that forms a selective pattern for an object in a virtual space according to the present invention. Figure 4 shows that object and environment data are provided to background data through the parameter provider of the background data generation system for AI learning that forms a selective pattern for objects in virtual space according to the present invention. Figure 5 shows that a predetermined unit for an object is configured through the unit configuration part of the background data generation system for AI learning that forms a selective pattern for the object in virtual space according to the present invention. Figure 6 shows patterning of an object shape through the visual patterning unit of the background data generation system for AI learning that forms a selective pattern for the object in virtual space according to the present invention. Figure 7 shows that a pattern for behavior on an object is patterned through the action patterning unit of the background data generation system for AI learning that forms a selective pattern for the object in virtual space according to the present invention. Figure 8 is a block diagram showing the sub-configuration of the space setting unit of the background data generation system for AI learning that forms selective patterns for objects in virtual space according to the present invention. Figure 9 is a block diagram showing the sub-configuration of an essential unit of the background data generation system for AI learning that forms a selective pattern for objects in virtual space according to the present invention. Figure 10 is a block diagram showing the sub-configuration of the pattern setting unit of the background data generation system for AI learning that forms selective patterns for objects in virtual space according to the present invention. Figure 11 is a block diagram showing the sub-configuration of the pattern information generation unit of the background data generation system for AI learning that forms selective patterns for objects in virtual space according to the present invention. Figure 12 shows object information being extracted through the information extraction unit of the background data generation system for AI learning that forms a selective pattern for the object in virtual space according to the present invention. Figure 13 shows that information on a predetermined specific part of an object is enlarged and amplified through the information amplification unit of the background data generation system for AI learning that forms a selective pattern for the object in virtual space according to the present invention, thereby creating a pattern for the specific part information. It shows what to understand. Figure 14 shows that information on a predetermined specific part of an object is enlarged and amplified through the information amplification unit of the background data generation system for AI learning that forms a selective pattern for the object in virtual space according to the present invention, and the shape of the object among the specific part information is enlarged and amplified. This shows identifying patterns for (shape).
본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템은 스페이스 셋팅 유닛(space setting unit, 100), 에센셜 유닛(essential unit, 200), 패턴 셋팅 유닛(pattern setting unit, 300)을 포함한다. The background data generation system for AI learning that forms selective patterns for objects in virtual space according to the present invention includes a space setting unit (100), an essential unit (200), and a pattern setting unit (pattern setting). unit, 300).
스페이스 셋팅 유닛(100)은 미리 설정된 가상의 공간에 제공되어 미리 설정된 가상의 공간 내 객체와 환경을 구성한다. The space setting unit 100 is provided in a preset virtual space and configures objects and environments within the preset virtual space.
도 1에 도시된 바와 같이, 스페이스 셋팅 유닛(100)은 가상의 공간으로 제공되며, 가상의 공간 상에 객체를 구성하게 된다. As shown in FIG. 1, the space setting unit 100 is provided as a virtual space and configures objects in the virtual space.
에센셜 유닛(200)은 오브젝트(1)로 형성되어 미리 설정된 가상의 공간 상에 제공되며, 미리 설정된 가상의 공간과 노이즈를 인식한다. The essential unit 200 is formed as an object 1 and is provided in a preset virtual space, and recognizes the preset virtual space and noise.
에센셜 유닛(200)은 가상의 공간과 노이즈를 인식하는 것으로 오브젝트(1)에 해당하는 자동차로서 미리 설정된 가상의 공간 상에 제공되어진다. The essential unit 200 recognizes virtual space and noise and is provided in a preset virtual space as a car corresponding to object 1.
또한, 오브젝트(1)는 가상의 공간 상에서 방향과 속도로 이동함을 통하여 미리 설정된 가상의 공간 상에서의 노이즈를 인식하게 된다. Additionally, the object 1 recognizes noise in a preset virtual space by moving in a direction and speed in the virtual space.
패턴 셋팅 유닛(300)은 객체에 대하여 적어도 하나 이상이 독립적인 소정의 단위로 형성되며, 소정의 단위에 대한 선택적인 패턴을 제공한다. The pattern setting unit 300 is formed of at least one predetermined unit independent of the object, and provides a selective pattern for the predetermined unit.
객체에 대하여 선택적인 패턴을 제공하는 것으로, 도 1에 도시된 바와 같이, 객체의 경우, 사람, 동물, 사물에 해당할 수 있으며, 사람의 경우, 행동에 대한 선택적인 패턴과 형체에 대한 선택적인 패턴으로 제공되어질 수 있다. It provides a selective pattern for an object, as shown in Figure 1, in the case of an object, it can correspond to a person, animal, or object, and in the case of a person, a selective pattern for behavior and a selective pattern for shape. It can be provided as a pattern.
패턴 셋팅 유닛(300)이 선택적 패턴을 제공하는 기술에 대하여서는 후술하기로 한다. A technique by which the pattern setting unit 300 provides a selective pattern will be described later.
본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 스페이스 셋팅 유닛(100)은 백그라운드 데이터(background data) 생성부(110), 객체 구성부(120), 환경 구성부(130), 파라미터(parameter) 제공부(140)를 포함한다. The space setting unit 100 of the background data generation system for AI learning that forms a selective pattern for objects in virtual space according to the present invention includes a background data generation unit 110, an object configuration unit 120, It includes an environment configuration unit 130 and a parameter provision unit 140.
먼저, 백그라운드 데이터 생성부(110)는, 미리 설정된 가상 공간에 대한 백그라운드 데이터를 형성한다. First, the background data generator 110 forms background data for a preset virtual space.
백그라운드 데이터의 경우, 실제와 유사한 어떤 특정한 환경을 제공하는 것으로 공간적, 시간적으로 데이터를 제공하는 것이다.In the case of background data, it provides data spatially and temporally by providing a specific environment similar to reality.
백그라운드 데이터는 미리 설정된 공간 상에 3차원적인 실제와 비슷한 효과를 제공하는 것이라 할 수 있다. Background data can be said to provide a three-dimensional, realistic effect in a preset space.
객체 구성부(120)는 미리 설정된 가상의 영역 내에 외부 객체에 대한 정보를 제공한다. The object configuration unit 120 provides information about external objects within a preset virtual area.
객체 구성부(120)는 미리 설정된 가상의 영역 내에 임의의 외부 객체에 대한 노이즈 정보를 제공하여 랜덤 데이터를 형성하도록 할 수 있다. The object configuration unit 120 may provide noise information about an arbitrary external object within a preset virtual area to form random data.
객체의 경우, 도 3에 도시된 바와 같이, 사람, 동물 및 건물, 장애물 등에 해당할 수 있다. In the case of objects, as shown in FIG. 3, they may correspond to people, animals, buildings, obstacles, etc.
환경 구성부(130)는 미리 설정된 가상의 영역 내에 환경에 대한 정보를 제공한다. The environment configuration unit 130 provides information about the environment within a preset virtual area.
환경 구성부(130)의 경우, 환경의 변화에 대한 노이즈를 생성하는 것으로, 구름, 비, 눈, 태풍, 지진과 같은 환경적인 요소를 구성하는 것이다. In the case of the environment component 130, it generates noise in response to environmental changes and constitutes environmental elements such as clouds, rain, snow, typhoons, and earthquakes.
환경 구성부(130)는 미리 설정된 가상의 영역 내에 환경적인 변화를 제공함을 통하여 미리 설정된 가상의 영역 내의 물리적인 변화를 제공할 수도 있다. The environment configuration unit 130 may provide physical changes within a preset virtual area by providing environmental changes within the preset virtual area.
또한, 환경 구성부(130)는 미리 설정된 가상의 공간 상에 제공되는 광량, 광선의 변화에 대한 노이즈도 생성 가능할 수 있다.Additionally, the environment configuration unit 130 may also generate noise regarding changes in the amount of light and rays provided in a preset virtual space.
본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 스페이스 셋팅 유닛(100)은 파라미터 제공부(140)를 더 포함할 수 있다. The space setting unit 100 of the background data generation system for AI learning that forms a selective pattern for an object in virtual space according to the present invention may further include a parameter provider 140.
파라미터 제공부(140)는 미리 설정된 가상의 영역 상에 외부 객체에 대한 정보와 환경에 대한 정보를 수신하여 미리 설정된 가상의 영역 내에 오버래핑한다.The parameter provider 140 receives information about external objects and information about the environment on a preset virtual area and overlaps them within the preset virtual area.
도 4에 도시된 바와 같이, 객체 구성부(120)와 환경 구성부(130)에서 구성되고 생성된 객체와 환경이 미리 설정된 가상의 영역 상에 제공되는 것으로 미리 설정된 가상의 공간 상의 백그라운드 데이터에 오버래핑되어 노이즈를 생성할 수 있는 것이다. As shown in FIG. 4, the objects and environments configured and created in the object configuration unit 120 and the environment configuration unit 130 are provided on a preset virtual area, overlapping with background data on a preset virtual space. This can create noise.
예컨대, 환경 구성부(130)에서 생성된 노이즈가 눈에 해당하는 경우, 파라미터 제공부(140)를 통하여 백그라운드 데이터 상에 눈이 제공되어 눈이 오는 미리 설정된 가상의 공간을 형성할 수 있는 것이다. For example, if the noise generated by the environment configuration unit 130 corresponds to snow, snow can be provided on the background data through the parameter provider 140 to form a preset virtual space where it snows.
이러한, 환경 구성부(130)와 객체 구성부(120)는 파라미터 제공부(140)를 통하여 미리 설정된 가상의 공간 상에 임의의 환경과 변수를 제공할 수 있으며, 선택적으로 물리적인 변화를 제공할 수 있다. The environment configuration unit 130 and the object configuration unit 120 can provide arbitrary environments and variables in a preset virtual space through the parameter provider 140, and can optionally provide physical changes. You can.
본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 패턴 셋팅 유닛(300)은, 단위 구성부(310), 패턴 정보 생성부(320), 정보 오버래핑부(330)를 포함한다. The pattern setting unit 300 of the background data generation system for AI learning that forms a selective pattern for an object in virtual space according to the present invention includes a unit configuration unit 310, a pattern information generation unit 320, and an information overlapping unit. Includes (330).
먼저, 단위 구성부(310)는 외부 객체를 소정의 단위로 형성한다. First, the unit configuration unit 310 forms external objects into predetermined units.
객체 구성부(120)가 객체를 구성한 것을 바탕으로 단위 구성부(310)의 경우, 외부 객체를 소정의 단위로 형성할 수 있다.Based on the object configuration unit 120 configuring the object, the unit configuration unit 310 can form an external object into a predetermined unit.
소정의 단위의 경우, 도 5에 도시된 바와 같이, 각각의 객체에 대하여 단위가 결정되어질 수 있으며, 객체가 여러 개로 구성된 단위로서 설정되어질 수도 있다. In the case of a predetermined unit, as shown in FIG. 5, the unit may be determined for each object, and the object may be set as a unit composed of multiple objects.
패턴 정보 생성부(320)는 소정의 단위에 대한 형상과 행동을 독립적으로 패터닝하는 패터닝 정보를 형성한다. The pattern information generator 320 forms patterning information that independently patterns the shape and behavior of a predetermined unit.
소정의 단위의 경우, 객체의 행동과 형상을 패터닝하기 위한 것으로 패터닝하고자 하는 단위로 구성하는 것이 바람직하다. In the case of a predetermined unit, it is desirable to configure the unit to be patterned as it is for patterning the behavior and shape of the object.
또한, 패턴 정보 생성부(320)의 경우, 소정의 단위로 구성된 객체에 대하여 형상과 행동을 독립적으로 패터닝하도록 한다. Additionally, in the case of the pattern information generator 320, the shape and behavior of objects composed of predetermined units are independently patterned.
객체마다 독립적인 패터닝을 통하여 다양한 객체에 대한 모듈화가 가능할 수 있으며, 미리 설정된 가상의 공간 내에서 객체에 대한 확장성이 증대되어질 수 있다. Modularization of various objects can be possible through independent patterning for each object, and scalability of objects can be increased within a preset virtual space.
정보 오버래핑부(330)는 패턴 정보 생성부(320)를 통해 생성된 패터닝 정보를 소정의 단위에 오버래핑한다. The information overlapping unit 330 overlaps the patterning information generated through the pattern information generating unit 320 in a predetermined unit.
패터닝 정보는 배경 데이터로 형성된 객체 내에 오버래핑되어 패터닝된 객체가 미리 설정된 가상의 공간 상에서 제공되도록 한다. Patterning information is overlapped within an object formed from background data so that the patterned object is provided in a preset virtual space.
패터닝 정보를 형성함을 통하여 객체들에 대한 모듈화 개발이 가능하며, 에센셜 유닛(200)의 오브젝트에 대한 내용 이외의 객체에 대하여 다양성이 부여되어질 수 있다. By forming patterning information, modular development of objects is possible, and diversity can be provided to objects other than the content of the object of the essential unit 200.
본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 패턴 셋팅 유닛(300)은, 단위 확장부(340)를 더 포함한다. The pattern setting unit 300 of the background data generation system for AI learning that forms a selective pattern for an object in virtual space according to the present invention further includes a unit expansion unit 340.
단위 확장부(340)는 적어도 하나 이상의 독립적인 소정의 단위가 재조립되며, 소정의 단위의 확장이 가능하도록 한다. The unit expansion unit 340 allows at least one independent predetermined unit to be reassembled and expansion of the predetermined unit possible.
단위 확장부(340)의 경우, 소정의 단위로 패터닝된 객체에 대하여 소정의 단위의 확장이 가능하도록 하는 것으로, 예컨대, 블록 조립과 같이, 소정의 단위에 대한 조립을 통하여 객체의 확장이 가능하도록 할 수 있는 것이다. In the case of the unit expansion unit 340, it enables expansion of a predetermined unit for an object patterned in a predetermined unit, for example, to enable expansion of the object through assembly of a predetermined unit, such as block assembly. It can be done.
본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 패턴 정보 생성부(320)는, 비주얼 패터닝부(321), 액션 패터닝부(322)를 포함한다. The pattern information generation unit 320 of the background data generation system for AI learning that forms a selective pattern for an object in a virtual space according to the present invention includes a visual patterning unit 321 and an action patterning unit 322.
비주얼 패터닝부(321)는 소정의 단위의 형상을 독립적으로 패터닝한다. The visual patterning unit 321 independently patterns the shape of a predetermined unit.
액션 패터닝부(322)는 소정의 단위의 행동을 독립적으로 패터닝한다. The action patterning unit 322 independently patterns the actions of a predetermined unit.
비주얼 패터닝부(321)의 경우, 도 6에 도시된 바와 같이, 비주얼에 해당하는 형상으로부터 객체를 패터닝할 수 있다. In the case of the visual patterning unit 321, as shown in FIG. 6, an object can be patterned from a shape corresponding to a visual.
비주얼 패터닝부(321)를 통하여 패터닝된 객체는 하나의 모듈로서 배경 데이터에 제공될 수 있다. An object patterned through the visual patterning unit 321 may be provided as one module to the background data.
액션 패터닝부(322)의 경우, 객체의 행동에 대하여 패터닝할 수 있다. In the case of the action patterning unit 322, the behavior of an object can be patterned.
도 7에 도시된 바와 같이, 예컨대, 객체가 사람에 해당하며, 독립적인 개체가 러닝을 하는 행동을 하는 경우, (a)에 도시된 바와 같이, 러닝 전, 후 러닝화를 묶는 행동에 대하여 패터닝할 수 있으며, 이를 하나의 패터닝에 대한 정보로 제공할 수 있다. As shown in Figure 7, for example, if the object corresponds to a person and an independent entity performs the action of running, the action of tying running shoes before and after running may be patterned, as shown in (a). This can be provided as information about one patterning.
또한, 도 7의 (b)에 도시된 바와 같이, 예컨대, 객체가 사람에 해당하며, 독립적인 개체가 스마트폰을 하는 행동을 하는 경우, 스마트폰을 통하여 사진을 촬영하는 행동에 대하여 패터닝하며, 이를 하나의 패터닝에 대한 정보로 제공할 수 있는 것이다. In addition, as shown in (b) of FIG. 7, for example, when the object corresponds to a person and an independent entity engages in the action of using a smartphone, the behavior of taking a picture through the smartphone is patterned, This can be provided as information about one patterning.
본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 에센셜 유닛(200)은, 도 9의 블록도에 도시된 바와 같이, 정보 추출부(210), 정보 증폭부(220), 정보 확인부(230)를 포함할 수 있다. The essential unit 200 of the background data generation system for AI learning that forms a selective pattern for objects in virtual space according to the present invention, as shown in the block diagram of FIG. 9, includes an information extraction unit 210, an information It may include an amplification unit 220 and an information confirmation unit 230.
먼저, 정보 추출부(210)의 경우, 오브젝트(1)를 인식하여, 오브젝트(1)의 부위 정보를 분석하고 추출할 수 있다. First, the information extraction unit 210 can recognize the object 1 and analyze and extract information on parts of the object 1.
정보 추출부는(210)는 오브젝트(1)에 대한 쉐잎(shape), 윤곽, 헤드라이트(headlight), 공기흡입구, 안개등에 대한 각 부위별 정보를 추출할 수 있다. The information extraction unit 210 can extract information for each part of the object 1 such as shape, outline, headlight, air intake, and fog lamp.
아울러, 정보 추출부(210)는 오브젝트(1)에 대한 전체적인 아우라, 오브젝트(1)의 전체적인 길이, 오브젝트(1)의 전체적인 둥글고 각진 정도에 대한 정보를 추출할 수도 있다. In addition, the information extraction unit 210 may extract information about the overall aura of the object 1, the overall length of the object 1, and the overall roundness and angularity of the object 1.
이러한 오브젝트(1)에 대한 전체적인 정보는 부위별 정보에 대하여 하나 또는 그 이상을 포함할 수도 있다. The overall information about the object 1 may include one or more pieces of information for each part.
정보 증폭부(220)의 경우, 오브젝트(1)의 부위 정보를 수신하여, 미리 결정된 특정 부위 정보를 확대 및 증폭할 수 있다. In the case of the information amplification unit 220, information on a part of the object 1 can be received, and information on a predetermined specific part can be enlarged and amplified.
도 12 내지 도 15에 도시된 바와 같이, 정보 증폭부(220)는 정보 추출부(210)를 통하여 추출된 각 부위별 정보 중 미리 결정된 특정 부위 정보를 확대 및 증폭할 수 있으며, 예컨대, 도 13에 도시된 바와 같이, 미리 결정된 특정 부위 정보가 헤드라이트로 확정하는 경우, 헤드라이트의 각 수평적 비율, 수직적 비율 그리고 헤드라이트를 구성하는 각 부위의 각도적 비율 등을 분석하고 미리 결정된 특정 부위 정보에 대한 패턴을 분석하게 된다. As shown in FIGS. 12 to 15, the information amplification unit 220 may enlarge and amplify information on a predetermined specific region among the information for each region extracted through the information extraction unit 210, for example, in FIG. 13 As shown, when the predetermined specific part information is confirmed to be a headlight, the horizontal ratio, vertical ratio, and angular ratio of each part constituting the headlight are analyzed and the predetermined specific part information is analyzed. The pattern for is analyzed.
도 14에 도시된 바와 같이, 정보 증폭부(220)는 미리 결정된 특정 부위 정보가 전면부의 라디에이터 그릴 또는 헤드라이트 사이의 전면부로 확정하는 경우, 라디에이터 그릴(또는 헤드라이트 사이의 전면부)의 수평적 비율, 수직적 비율, 각도적 비율을 분석하고 이들 정보에 대한 패턴을 분석하게 될 수 있다. As shown in FIG. 14, when the predetermined specific area information is determined to be the front radiator grill or the front part between the headlights, the information amplification unit 220 determines the horizontal area of the radiator grill (or the front part between the headlights). You may analyze proportions, vertical proportions, and angular proportions, and analyze patterns for this information.
또한, 도 15에 도시된 바와 같이, 정보 증폭부(220)는 미리 결정된 특정 부위 정보가 오브젝트(1)의 전체적인 쉐잎으로 확정하는 경우, 오브젝트(1)의 전체 길이, 수평 비율, 수직적 비율, 각도적 비율을 분석하고 이들 정보에 대한 패턴을 분석하게 될 수 있다. In addition, as shown in FIG. 15, when the information on a predetermined specific part is determined as the overall shape of the object 1, the information amplification unit 220 determines the overall length, horizontal ratio, vertical ratio, and angle of the object 1. You can analyze enemy ratios and analyze patterns for this information.
정보 증폭부(220)에서 확정하는 미리 결정된 특정 부위 정보의 경우, 미리 결정되어질 수 있는 것으로 오브젝트(1)의 패턴을 분석하기 적절한 부위로 결정될 수 있도록 한다. In the case of information on a predetermined specific part determined by the information amplification unit 220, it can be determined in advance as an appropriate part for analyzing the pattern of the object 1.
예컨대, 오브젝트(1)의 문, 사이드 미러(side mirror)의 경우, 오브젝트(1)를 분석하기 위한 적절한 부위 정보에 해당하지 않는 것일 수 있기에 오브젝트(1)를 외형으로 파악하기 적절한 헤드라이트, 라디에이터 그릴, 테일램프, 안개등과 같은 부위 정보로 결정될 수 있다. For example, in the case of the door and side mirror of object (1), they may not correspond to appropriate part information for analyzing object (1), so headlights and radiators that are appropriate for identifying object (1) by its appearance. It can be determined based on information on areas such as grills, tail lights, and fog lights.
정보 확인부(230)의 경우, 미리 결정된 특정 부위 정보를 미리 저장된 정보와의 매칭을 통해 오브젝트를 확인할 수 있다. In the case of the information confirmation unit 230, the object can be confirmed by matching predetermined specific part information with pre-stored information.
정보 확인부(230)의 경우, 정보 증폭부(220)로부터 특정 부위에 대한 정보를 수신하고 미리 저장된 정보와의 매칭을 통하여 오브젝트(1)를 확인할 수 있다. In the case of the information confirmation unit 230, information about a specific part can be received from the information amplification unit 220 and the object 1 can be confirmed through matching with pre-stored information.
본 발명에 따른 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템의 정보 확인부(230)는, 오브젝트(1)의 부위 정보 중 적어도 하나 이상을 특정 부위 정보로 결정하고, 결정된 특정 부위 정보에 대한 패턴을 분석하여 오브젝트(1)에 대한 크기와 움직임을 예측할 수 있다. The information confirmation unit 230 of the background data generation system for AI learning that forms a selective pattern for an object in virtual space according to the present invention determines at least one of the part information of the object 1 as specific part information, and , the size and movement of the object 1 can be predicted by analyzing the pattern of the determined specific area information.
오브젝트(1)에 대한 정보 추출과 정보의 증폭을 통하여 부위 정보를 획득한 경우, 오브젝트(1)에 대한 특정 정보의 패턴을 분석하여 오브젝트(1)에 대하여 확인할 수 있다. When part information is obtained through information extraction and amplification of information about the object (1), the object (1) can be confirmed by analyzing the pattern of specific information about the object (1).
정보 증폭부(220)는 정보 추출부(210)를 통하여 추출된 정보의 정밀도를 높이도록 할 수 있으며, 정보 확인부(230)는 정보를 확인하여 오브젝트(1)에 미리 저장된 정보와 매칭하여 오브젝트(1)에 대한 명확한 정보를 불러옴을 통하여 미리 결정된 가상의 공간 상에서 오브젝트(1)의 학습이 정확하게 이루어지도록 할 수 있다. The information amplification unit 220 can increase the precision of the information extracted through the information extraction unit 210, and the information confirmation unit 230 checks the information and matches it with the information pre-stored in the object 1 to determine the object. By retrieving clear information about (1), it is possible to accurately learn object (1) in a predetermined virtual space.
본 발명의 권리 범위는 특허청구범위에 기재된 사항에 의해 결정되며, 특허 청구범위에 사용된 괄호는 선택적 한정을 위해 기재된 것이 아니라, 명확한 구성요소를 위해 사용되었으며, 괄호 내의 기재도 필수적 구성요소로 해석되어야 한다.The scope of rights of the present invention is determined by the matters stated in the patent claims, and the parentheses used in the patent claims are not used for selective limitation, but are used for clear elements, and the descriptions within the parentheses are also interpreted as essential elements. It has to be.
1: 오브젝트
100: 스페이스 셋팅 유닛
110: 백그라운드 데이터 생성부
120: 객체 구성부
130: 환경 구성부
140: 파라미터 제공부
200: 에센셜 유닛
210: 정보 추출부
220: 정보 증폭부
230: 정보 확인부
300: 패턴 셋팅 유닛
310: 단위 구성부
320: 패턴 정보 생성부
321: 비주얼 패터닝부
322: 액션 패터닝부
330: 정보 오버래핑부
340: 단위 확장부1: Object
100: Space setting unit
110: Background data generation unit
120: Object composition part
130: Environmental composition department
140: Parameter provision unit
200: Essential Unit
210: Information extraction unit
220: Information amplification unit
230: Information confirmation unit
300: Pattern setting unit
310: Unit component part
320: Pattern information generation unit
321: Visual patterning unit
322: Action patterning unit
330: Information overlapping unit
340: unit extension
Claims (10)
오브젝트로 형성되어, 상기 미리 설정된 가상의 공간 상에 제공되며 상기 미리 설정된 가상의 공간과 노이즈를 인식하는 에센셜 유닛(essential unit); 및
상기 객체에 대하여 적어도 하나 이상의 독립적인 소정의 단위로 형성되며, 상기 소정의 단위에 대한 선택적인 패턴을 제공하는 패턴 셋팅 유닛(pattern setting unit)을 포함하는 것을 특징으로 하는, 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템.
a space setting unit provided in a preset virtual space to configure objects and environments within the preset virtual space;
an essential unit formed as an object, provided in the preset virtual space, and recognizing the preset virtual space and noise; and
It is formed of at least one independent predetermined unit with respect to the object, and includes a pattern setting unit that provides a selective pattern for the predetermined unit. A background data generation system for AI learning that forms selective patterns for AI.
상기 미리 설정된 가상 공간에 대한 백그라운드 데이터를 형성하는 백그라운드 데이터 생성부를 포함하는 것을 특징으로 하는, 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템.
The method of claim 1, wherein the space setting unit,
A background data generation system for AI learning that forms a selective pattern for an object in a virtual space, comprising a background data generator that forms background data for the preset virtual space.
상기 미리 설정된 가상의 영역 내에 외부 객체에 대한 정보를 제공하는 객체 구성부; 및
상기 미리 설정된 가상의 영역 내에 환경에 대한 정보를 제공하는 환경 구성부를 더 포함하는 것을 특징으로 하는, 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템.
The method of claim 1, wherein the space setting unit,
an object configuration unit providing information about external objects within the preset virtual area; and
A background data generation system for AI learning that forms a selective pattern for objects in a virtual space, further comprising an environment configuration unit that provides information about the environment within the preset virtual area.
상기 미리 설정된 가상의 영역 상에 상기 외부 객체에 대한 정보와 환경에 대한 정보를 수신하여 상기 미리 설정된 가상의 영역 내에 오버래핑하는 파라미터 제공부를 더 포함하는 것을 특징으로 하는, 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템.
The method of claim 3, wherein the space setting unit,
Selection of an object in a virtual space, characterized in that it further comprises a parameter provider that receives information about the external object and information about the environment on the preset virtual area and overlaps them within the preset virtual area. A background data generation system for AI learning that forms unique patterns.
상기 외부 객체를 상기 소정의 단위로 형성하는 단위 구성부를 포함하는 것을 특징으로 하는, 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템.
The method of claim 3, wherein the pattern setting unit,
A background data generation system for AI learning that forms a selective pattern for an object in a virtual space, comprising a unit configuration unit that forms the external object into the predetermined unit.
상기 소정의 단위에 대한 형상과 행동을 독립적으로 패터닝하는 패터닝 정보를 형성하는 패턴 정보 생성부; 및
상기 패턴 정보 생성부를 통해 생성된 상기 패터닝 정보를 상기 소정의 단위에 오버래핑하는 정보 오버래핑부를 포함하는 것을 특징으로 하는, 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템.
The method of claim 5, wherein the pattern setting unit,
a pattern information generator that forms patterning information that independently patterns the shape and behavior of the predetermined unit; and
A background data generation system for AI learning that forms a selective pattern for an object in a virtual space, comprising an information overlapping unit that overlaps the patterning information generated through the pattern information generation unit with the predetermined unit.
적어도 하나 이상의 독립적인 상기 소정의 단위가 재조립되며, 상기 소정의 단위의 확장이 가능하도록 하는 단위 확장부를 더 포함하는 것을 특징으로 하는, 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템.
The method of claim 6, wherein the pattern setting unit,
For AI learning that forms a selective pattern for an object in a virtual space, characterized in that at least one or more independent predetermined units are reassembled and further comprises a unit expansion unit that enables expansion of the predetermined units. Background data generation system.
상기 소정의 단위의 형상을 독립적으로 패터닝하는 비주얼 패터닝부; 및
상기 소정의 단위의 행동을 독립적으로 패터닝하는 액션 패터닝부를 포함하는 것을 특징으로 하는, 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템.
The method of claim 7, wherein the pattern information generator,
a visual patterning unit that independently patterns the shape of the predetermined unit; and
A background data generation system for AI learning that forms a selective pattern for an object in a virtual space, comprising an action patterning unit that independently patterns the actions of the predetermined unit.
상기 오브젝트를 인식하여, 상기 오브젝트의 부위 정보를 분석하고 추출하는 정보 추출부;
상기 오브젝트의 부위 정보를 수신하여, 미리 결정된 특정 부위 정보를 확대 및 증폭하는 정보 증폭부; 및
상기 미리 결정된 특정 부위 정보를 미리 저장된 정보와의 매칭을 통해 상기 오브젝트를 확인하는 정보 확인부를 포함하는 것을 특징으로 하는, 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템.
The method of claim 8, wherein the essential unit is:
an information extraction unit that recognizes the object, analyzes and extracts information on parts of the object;
an information amplification unit that receives information on a part of the object and enlarges and amplifies information on a predetermined specific part; and
A background data generation system for AI learning that forms a selective pattern for an object in a virtual space, comprising an information confirmation unit that verifies the object by matching the predetermined specific part information with pre-stored information.
상기 오브젝트의 부위 정보 중 적어도 하나 이상을 특정 부위 정보로 결정하고, 결정된 특정 부위 정보에 대한 패턴을 분석하여 상기 오브젝트에 대한 크기와 움직임을 예측하는 것을 특징으로 하는, 가상 공간상에 객체에 대한 선택적인 패턴을 형성하는 AI학습용 배경 데이터 생성 시스템.
The method of claim 9, wherein the information confirmation unit,
Selection of an object in a virtual space, characterized in that at least one of the part information of the object is determined as specific part information, and a pattern for the determined specific part information is analyzed to predict the size and movement of the object. A background data generation system for AI learning that forms unique patterns.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220041139A KR20230142198A (en) | 2022-04-01 | 2022-04-01 | System for creating background data for artificial intelligent by patterning for object in virtual space |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220041139A KR20230142198A (en) | 2022-04-01 | 2022-04-01 | System for creating background data for artificial intelligent by patterning for object in virtual space |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230142198A true KR20230142198A (en) | 2023-10-11 |
Family
ID=88295195
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220041139A KR20230142198A (en) | 2022-04-01 | 2022-04-01 | System for creating background data for artificial intelligent by patterning for object in virtual space |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230142198A (en) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101947650B1 (en) | 2017-11-14 | 2019-05-20 | 국방과학연구소 | Apparatus and method for generating learning image in game engine-based machine learning |
| KR20190054782A (en) | 2017-11-14 | 2019-05-22 | 국방과학연구소 | Apparatus and method for enhancing learning capacility for machine learning |
| KR20200064044A (en) | 2018-11-13 | 2020-06-05 | 현대모비스 주식회사 | Method And Apparatus for Managing Automatic Learning |
-
2022
- 2022-04-01 KR KR1020220041139A patent/KR20230142198A/en unknown
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101947650B1 (en) | 2017-11-14 | 2019-05-20 | 국방과학연구소 | Apparatus and method for generating learning image in game engine-based machine learning |
| KR20190054782A (en) | 2017-11-14 | 2019-05-22 | 국방과학연구소 | Apparatus and method for enhancing learning capacility for machine learning |
| KR20200064044A (en) | 2018-11-13 | 2020-06-05 | 현대모비스 주식회사 | Method And Apparatus for Managing Automatic Learning |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | The ParallelEye dataset: A large collection of virtual images for traffic vision research | |
| Reiher et al. | A sim2real deep learning approach for the transformation of images from multiple vehicle-mounted cameras to a semantically segmented image in bird’s eye view | |
| CN113039563B (en) | Learning to generate synthetic data sets for training neural networks | |
| Palazzi et al. | Learning to map vehicles into bird’s eye view | |
| JP2017151973A (en) | Generation of a virtual world to assess real-world video analysis performance | |
| US11094134B1 (en) | System and method for generating synthetic data | |
| Brekke et al. | Multimodal 3d object detection from simulated pretraining | |
| Paulin et al. | Review and analysis of synthetic dataset generation methods and techniques for application in computer vision | |
| Balakrishnan et al. | Multimedia concepts on object detection and recognition with F1 car simulation using convolutional layers | |
| WO2024016877A1 (en) | Roadside sensing simulation system for vehicle-road collaboration | |
| Song et al. | Synthetic datasets for autonomous driving: A survey | |
| Liu et al. | Software-defined active lidars for autonomous driving: A parallel intelligence-based adaptive model | |
| Stauner et al. | SynPeDS: A synthetic dataset for pedestrian detection in urban traffic scenes | |
| Kim et al. | Augmenting aerial earth maps with dynamic information from videos | |
| Ren et al. | Object insertion based data augmentation for semantic segmentation | |
| Fang et al. | LiDAR-CS dataset: LiDAR point cloud dataset with cross-sensors for 3D object detection | |
| Sun et al. | Sequential fusion of multi-view video frames for 3D scene generation | |
| JP2024511043A (en) | System and method for point cloud data augmentation using model injection | |
| Grau et al. | A variational deep synthesis approach for perception validation | |
| CN113283457A (en) | Training method of generator neural network for applying data equal variance | |
| KR20230142198A (en) | System for creating background data for artificial intelligent by patterning for object in virtual space | |
| Savkin et al. | Adversarial appearance learning in augmented cityscapes for pedestrian recognition in autonomous driving | |
| Bai et al. | Cyber mobility mirror for enabling cooperative driving automation: A co-simulation platform | |
| López et al. | From Virtual to Real World Visual Perception Using Domain Adaptation—The DPM as Example | |
| Venator et al. | Enhancing collaborative road scene reconstruction with unsupervised domain alignment |