KR101382904B1 - 온라인 비디오 분할 방법 및 이를 수행하는 장치 - Google Patents

온라인 비디오 분할 방법 및 이를 수행하는 장치 Download PDF

Info

Publication number
KR101382904B1
KR101382904B1 KR1020120145952A KR20120145952A KR101382904B1 KR 101382904 B1 KR101382904 B1 KR 101382904B1 KR 1020120145952 A KR1020120145952 A KR 1020120145952A KR 20120145952 A KR20120145952 A KR 20120145952A KR 101382904 B1 KR101382904 B1 KR 101382904B1
Authority
KR
South Korea
Prior art keywords
cluster
image
clustering
clusters
merging
Prior art date
Application number
KR1020120145952A
Other languages
English (en)
Inventor
최승진
한보형
곽수하
이주호
Original Assignee
포항공과대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 포항공과대학교 산학협력단 filed Critical 포항공과대학교 산학협력단
Priority to KR1020120145952A priority Critical patent/KR101382904B1/ko
Application granted granted Critical
Publication of KR101382904B1 publication Critical patent/KR101382904B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

온라인 비디오 분할 방법 및 이를 수행하는 장치가 개시된다. 온라인 비디오 분할 방법은, 제공된 비디오에 포함된 n번째(여기서, n은 1이상의 자연수) 이미지에 속한 화소들을 적어도 하나의 군집으로 군집화하는 단계 및 적어도 하나의 군집 각각에 대해 추출한 색상 히스토그램에 기초하여 각 군집에 대한 병합을 수행하여 n번째 이미지를 복수의 영역으로 분할하는 단계를 포함한다. 따라서, 비디오 상에서 지속적으로 변화하는 군집의 개수를 자동적으로 추정할 수 있고, 이를 통해 비디오 분할의 정확도를 향상시킬 수 있다.

Description

온라인 비디오 분할 방법 및 이를 수행하는 장치{METHODS OF ONLINE VIDEO SEGMENTATION AND APPARATUS FOR PERFORMING THE SAME}
본 발명은 데이터 군집화 기술에 관한 것으로, 더욱 상세하게는 비디오의 분할에 적용할 수 있는 온라인 비디오 분할 방법 및 이를 수행하는 장치에 관한 것이다.
이미지 분할(image segmentation) 기법은 주어진 이미지를 서로 연관된 몇 개의 군집으로 분할하여 비슷한 특징을 가진 영역들을 추출해 내는 기법을 말하며, 주어진 이미지를 추상화하여 간단하게 표현함으로써 고차원 이미지 처리에 사용할 수 있도록 처리하는 것을 목적으로 한다.
비디오 분할(video segmentation)은 상기한 이미지 분할 기법을 비디오에 대하여 일반화한 기술로, 주어진 비디오에 존재하는 모든 이미지를 분할하여 영역을 추출해 내는 기법을 말한다. 비디오는 이미지에 비해 데이터의 크기가 크고 불필요한 정보를 포함하고 있을 확률이 높으므로 비디오 분할을 통한 비디오의 추상화는 고차원 비디오 처리 기술에 필수적인 요소이다. 비디오 분할은 비디오 상의 물체 인식이나 추적 또는 비디오의 분류나 검색 등에 사용될 수 있다.
데이터 처리 기법의 관점에서 보면 이미지 또는 비디오의 분할은 이미지 또는 비디오에 존재하는 화소(pixel)들을 군집화(clustering) 하는 문제로 생각할 수 있다. 군집화는 데이터 처리의 가장 기초적인 기술로 주어진 데이터를 비슷한 성질을 가진 복수의 군집으로 분류하는 기법이다. 수많은 군집화 기법들이 제안되어 왔으며 대표적인 방법으로는 k-평균 군집화(k-means clustering) 기법과 계층적 군집화(hierarchical clustering) 기법 등이 있다.
한편, 군집화 문제의 가장 큰 난제는 군집의 개수를 정하는 일이다. K-평균 군집화를 포함한 대부분의 군집화 방법은 사람이 직접 군집의 개수를 지정해 주어야 하고, 계층적 군집화 방법은 간접적인 방법으로 군집의 개수를 정할 수 있으나 이 역시 사람의 개입을 필요로 한다.
하지만 군집화를 필요로 하는 많은 과제에서 사람이 미리 군집의 개수를 아는 것은 불가능하며, 비디오 분할 문제에서는 군집의 개수가 시간에 따라 변하기도 하므로 사람이 군집의 개수를 특정하는 것은 군집의 정확도를 감소시키는 원인이 된다.
따라서 사람의 개입 없이 데이터를 통해 자동적으로 군집의 개수를 추론할 수 있는 기법이 필요하다. 비모수 베이지안 군집화 모델(nonparametric Bayesian clustering model)은 이를 해결하기 위한 방법 중 하나로, 데이터의 군집 개수를 확률 변수로 취급하여 이 확률을 최대화하는 군집과 그 때의 군집의 개수를 찾는 방법이다. 가장 대표적인 비모수 베이지안 군집화 모델로는 디리클레 과정 (Dirichlet process)을 이용한 군집화 방법이 있다.
비디오 분할은 군집화 방식에 따라 온라인과 오프라인의 두 가지 방식으로 구분할 수 있다.
이미지 분할과는 달리 비디오 분할은 연속된 이미지들의 군집화 결과들이 서로 밀접하게 관련되어 있으므로, 이미지 분할 기법을 각각의 이미지에 독립적으로 적용하는 방식은 시간 일관성(time consistency)이 떨어져 좋은 결과를 얻을 수 없다. 따라서 이를 해결하기 위해 비디오에 속하는 모든 이미지들을 한꺼번에 모아 3차원의 데이터를 형성하여 군집화 하는 방법들이 제안되었는데, 이를 오프라인 비디오 분할(offline video segmentation)이라고 한다. 오프라인 비디오 분할은 연속된 이미지들을 한꺼번에 군집화 하므로 시간 일관성이 유지되고 과거, 현재, 미래의 모든 이미지들을 한 번에 군집화 하므로 정확도가 높다.
그러나, 비디오의 크기가 커지는 경우 시간 및 공간 복잡도 때문에 적용이 불가능하다는 단점이 있으며, 비디오가 실시간으로 한 장씩 입력되는 환경에서는 적용이 불가능하다는 단점이 있다.
온라인 비디오 분할(online video segmentation)은 비디오에 속한 이미지를 한 장씩 분할하는 기법으로, 전술한 모든 이미지를 독립적으로 분할하는 방법도 온라인 비디오 분할에 속한다고 할 수 있다. 온라인 비디오 분할은 오프라인 비디오 분할보다는 정확도가 떨어지지만 시간 및 공간 복잡도가 상대적으로 낮고 실시간 환경에서도 적용이 가능하다는 장점이 있다.
그러나, 오프라인 비디오 분할이 적용 불가능한 경우를 대비한 온라인 비디오 분할 방법이 현실적으로 필요한 실정에도 불구하고 현재까지 제안된 온라인 비디오 분할 방법들은 정확도가 크게 떨어지는 문제가 있다.
또한, 대부분의 온라인 비디오 분할 방법들은 시간 일관성을 크게 고려하지 않는 단순한 이미지 분할의 반복으로 이루어지며, 비디오 분할 과정에서의 군집의 개수를 정하는 문제를 해결하지 못하고 사람이 임의로 정한 추정값을 군집의 개수로 사용한다.
한편, 비모수 베이지안 모델을 사용한 온라인 비디오 분할 방법이 제안되기는 했으나 이 방법은 샘플링에 기반한 방법이기 때문에 수행 속도가 매우 느리고 비디오가 급격한 변화나 복잡한 모양을 포함하고 있을 때 정확도가 크게 떨어지는 단점이 있다.
따라서, 상술한 바와 같은 문제점을 해결할 수 있는 온라인 비디오 분할 방법이 요구된다.
상술한 문제점을 해결하기 위한 본 발명의 목적은 비디오 분할 시 계속 변화하는 군집의 개수를 자동으로 추정할 수 있고, 분할 정확도를 향상시킬 수 있는 온라인 비디오 분할 방법을 제공하는 것이다.
또한, 본 발명의 다른 목적은 상기 온라인 비디오 분할 방법을 수행하는 온라인 비디오 분할 장치를 제공하는 것이다.
상술한 본 발명의 목적을 달성하기 위한 본 발명의 일 측면에 따른 온라인 비디오 분할 방법은, 제공된 비디오에 포함된 n번째(여기서, n은 1이상의 자연수) 이미지에 속한 화소들을 적어도 하나의 군집으로 군집화하는 단계 및 상기 적어도 하나의 군집 각각에 대해 추출한 색상 히스토그램에 기초하여 각 군집에 대한 병합을 수행하여 상기 n번째 이미지를 복수의 영역으로 분할하는 단계를 포함한다.
여기서, 상기 온라인 비디오 분할 방법은 상기 n번째 이미지가 상기 제공된 비디오의 첫 번째 이미지가 아닌 경우, 상기 n번째 이미지를 복수의 영역으로 분할하는 단계 이후에, 상기 n번째 이미지의 분할된 복수의 영역과 n-1번째 이미지의 분할된 복수의 영역을 서로 대응시키는 단계를 더 포함할 수 있다.
여기서, 상기 화소들을 적어도 하나의 군집으로 군집화하는 단계는, 군집 분할 확률이 미리 설정된 기준을 만족하는 군집을 분할하는 화소 군집 분할 단계와, 분할된 복수의 군집들 중 군집 병합 확률이 미리 설정된 기준을 만족하는 두 군집을 병합하는 화소 군집 병합 단계 및 각 군집에 속한 각 화소들과 각 군집의 중심 사이의 거리에 기초하여 각 화소가 속할 군집을 재할당하는 후처리 단계를 포함할 수 있다.
여기서, 상기 화소 군집 분할 단계는 상기 n번째 이미지에 속하는 화소들을 적어도 하나의 군집으로 군집화하는 초기 군집화 구성 단계와, 상기 적어도 하나의 군집 각각에 대해 군집 분할 확률을 계산하는 단계 및 계산된 상기 군집 분할 확률이 상기 미리 설정된 기준 이상인 군집을 분할하는 단계를 포함할 수 있다.
여기서, 상기 초기 군집화 구성 단계는 상기 n번째 이미지가 상기 제공된 비디오의 첫 번째 이미지인 경우 상기 n번째 이미지를 구성하는 모든 화소를 하나의 군집으로 군집화할 수 있다. 또는, 상기 초기 군집화 구성 단계는 상기 n번째 이미지가 상기 제공된 비디오의 첫 번째 이미지가 아닌 경우, n-1번째 이미지의 군집화 결과를 이용하여 초기 군집화를 구성할 수 있다.
여기서, 상기 후처리 단계는 제1 군집에 속한 소정 화소가 제1 군집의 중심보다 제2 군집의 중심과 거리가 더 가까운 경우 상기 소정 화소를 제1 군집에서 제2 군집으로 재할당 할 수 있다.
여기서, 상기 n번째 이미지를 복수의 영역으로 분할하는 단계는, 상기 적어도 하나의 군집 각각에 대해 색상 히스토그램 집합을 추출하는 단계 및 색상 히스토그램 집합의 병합 확률이 미리 설정된 기준을 만족하는 두 군집을 병합하는 단계를 포함할 수 있다.
또한, 상술한 본 발명의 다른 목적을 달성하기 위한 본 발명의 일 측면에 따른 온라인 비디오 분할 장치는, 입력된 비디오 데이터가 저장되는 저장부 및 상기 비디오 데이터에 포함된 n번째(여기서, n은 1이상의 자연수) 이미지에 속한 화소들을 적어도 하나의 군집으로 군집화하고, 상기 적어도 하나의 군집 각각에 대해 추출한 색상 히스토그램에 기초하여 각 군집에 대한 병합을 수행하여 상기 n번째 이미지를 복수의 영역으로 분할하는 처리부를 포함한다.
여기서, 상기 처리부는 상기 n번째 이미지가 상기 제공된 비디오의 첫 번째 이미지가 아닌 경우, 상기 n번째 이미지를 복수의 영역으로 분할하고, 상기 n번째 이미지의 분할된 복수의 영역과 n-1번째 이미지의 분할된 복수의 영역을 서로 대응시키는 것을 특징으로 하는 온라인 비디오 분할 장치.
여기서, 상기 처리부는 군집 분할 확률이 미리 설정된 기준을 만족하는 군집을 분할한 후, 분할된 복수의 군집들 중 군집 병합 확률이 미리 설정된 기준을 만족하는 두 군집을 병합하고, 각 군집에 속한 각 화소들과 각 군집의 중심 사이의 거리에 기초하여 각 화소가 속할 군집을 재할당하여 상기 n번째 이미지에 속한 화소들을 적어도 하나의 군집으로 군집화 할 수 있다.
여기서, 상기 처리부는 상기 적어도 하나의 군집 각각에 대해 색상 히스토그램 집합을 추출한 후, 색상 히스토그램 집합의 병합 확률이 미리 설정된 기준을 만족하는 두 군집을 추가로 병합하여 상기 n번째 이미지를 복수의 영역으로 분할할 수 있다.
상술한 바와 같은 온라인 비디오 분할 방법 및 이를 수행하는 장치에 따르면, 비디오 상에서 지속적으로 변화하는 군집의 개수를 자동적으로 추정하여 군집화를 수행함으로써 부정확한 군집 개수의 지정으로 인해 정확도가 감소하는 것을 방지할 수 있고, 색상 히스토그램 및 연속된 두 이미지간의 군집화 결과를 고려하여 추가 군집화를 수행함으로써 빠르게 변화하는 복잡한 비디오를 효과적으로 분할할 수 있다.
도 1은 발명의 일 실시예에 따른 온라인 비디오 분할 방법을 도시한 흐름도이다.
도 2는 도 1에 도시한 화소 군집 분할 단계를 보다 상세하게 나타내는 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 온라인 비디오 분할 장치의 구성을 나타내는 블록도이다.
도 4는 본 발명의 일 실시예에 따른 비디오 분할 방법의 결과를 종래의 비디오 분할 방법의 결과와 비교하여 나타낸 것이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다.
그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 본 발명을 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.
이하에서는, 먼저 디리클레 과정 기반의 비모수 베이지안 군집화 모델(nonparametric Bayesian clustering model based on Dirichlet process)를 설명한 후, 본 발명의 일 실시예에 따른 온라인 비디오 분할 방법에 대해 상세하게 설명한다.
디리클레 과정 기반의 비모수 베이지안 군집화 모델
비모수 베이지안 군집화 모델은 군집화 하고자 하는 데이터 X={x1,…, xN}를 확률 모델으로 표현한다. 여기서 X는 D×N 차원의 행렬이며, D는 데이터의 차원을 의미하고 N은 데이터의 개수를 의미한다.
비모수 베이지안 군집화 모델은 X의 주변 우도(marginal likelihood)를 수학식 1과 같이 혼합 분포로 표현한다.
Figure 112012104043841-pat00001
수학식 1에서, φ는 X의 가능한 군집화를 나타내는 변수이다. 예를 들어, φ는 X에 속하는 모든 데이터가 한 군집으로 집결된 군집화를 의미할 수도 있고 X에 속한 데이터가 두 개의 군집으로 분류된 군집화를 의미할 수도 있다. Φ(X)는 X의 가능한 모든 군집화 방법을 모은 집합을 의미한다. 또한, p(φ)는 φ에 주어진 사전 분포(prior distribution)로 주어진 φ가 추출될 확률을 의미한다. 본 발명에서는 p(φ)가 디리클레 과정 기반(Dirichlet process)의 중국 식당 과정(Chinese restaurant process)을 따른다고 가정하였다.
중국 식당 과정의 확률 분포는 수학식 2와 같이 나타낼 수 있다.
Figure 112012104043841-pat00002
수학식 2에서, Kφ는 φ가 포함하는 군집의 개수를 의미하며,
Figure 112012104043841-pat00003
는 φ의 k번째 군집에 속하는 데이터의 개수를 의미한다. α는 군집 개수의 경향성을 조절하는 매개변수이다. Γ는 수학식 3에 나타낸 바와 같은 적분으로 정의되는 감마 함수(Gamma function)이다.
Figure 112012104043841-pat00004
φ가 주어졌을 때의 X의 우도(likelihood)는 수학식 4와 같이 나타낼 수 있다.
Figure 112012104043841-pat00005
수학식 4에서,
Figure 112012104043841-pat00006
는 φ에 포함된 k번째 군집을 의미하며
Figure 112012104043841-pat00007
는 k번째 군집의 주변 우도(marginal likelihood)를 나타낸다. 이 주변 우도는 수학식 5에 나타낸 바와 같은 적분으로 계산될 수 있다.
Figure 112012104043841-pat00008
수학식 5에서,
Figure 112012104043841-pat00009
는 k번째 군집을 생성하는 생성 분포(generative distribution)를 의미하며, θk는 이 생성 분포의 변수(parameter)를 의미한다. 또한, p(θk)는 θk의 사전 분포(prior distribution)를 의미한다. 본 발명에서는
Figure 112012104043841-pat00010
를 가우시안 분포(Gaussian distribution)라고 가정하였고, p(θk)를 가우시안-위샤트 분포(Gaussian-wishart distribution)라고 가정하였다. 상기한 분포들을 이용하면 군집화 φ의 결합 확률(joint probability)를 계산할 수 있으며, 최적의 군집화 φ*는 수학식 6에 나타낸 바와 같이 이 결합 확률을 최대화함으로써 산출할 수 있다.
Figure 112012104043841-pat00011
수학식 6의 해를 직접 구하는 것은 가능한 군집화의 개수(즉, Φ(X)의 크기)가 매우 많아서 탐색 영역(search space)이 매우 넓어지므로 실질적으로 불가능하다. 따라서, 대부분의 비모수 베이지안 군집화 방법들이 마르코프 체인 몬테 카를로 샘플링(Markov-chain Monte-Carlo sampling)이나 변분법적 추론(variational inference)을 이용한 근사 알고리즘으로 φ*를 찾는다.
φ*는 X의 가능한 모든 군집화 중 최적의 군집화를 의미하므로, φ*를 찾는 것은 최적의 군집 개수도 동시에 찾는 것을 의미한다. 따라서 기존의 군집화 방법들과는 다르게 데이터를 통해 자동적으로 군집의 개수를 추론해 낼 수 있다.
도 1은 발명의 일 실시예에 따른 온라인 비디오 분할 방법을 도시한 흐름도이다. 또한, 도 2는 도 1에 도시한 화소 군집 분할 단계를 보다 상세하게 나타내는 흐름도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 온라인 비디오 분할 방법은 크게 비디오에 속한 화소를 군집화 하는 단계(S100), 군집화된 화소들의 영역으로부터 색상 히스토그램을 추출하여 추가적인 병합을 수행하는 단계(S200) 및 연속된 이미지의 영역들을 대응시켜 분할을 완성하는 단계(S300)를 포함할 수 있다. 도 1에 도시한 온라인 비디오 분할 방법은 디지털 데이터의 처리가 가능한 정보 처리 장치의 프로세서에 의해 수행될 수 있다.
화소 군집화 단계(S100)는 전술한 디리클레 과정에 기반한 비모수 베이지안 군집화 모델을 이용한 베이지안 분할-병합 알고리즘(Bayesian split-merge clustering)을 이용하여 수행될 수 있다.
구체적으로, 화소 군집화 단계(S100)는 화소 군집 분할 단계(S110)와 화소 군집 병합 단계(S120) 및 후처리 단계(S130)를 포함할 수 있다.
먼저, 화소 군집 분할 단계(S110)에서는 주어진 화소 데이터의 초기 군집화 (initial 군집을 clustering)로부터 시작하여 군집들을 분할한다. 여기서, 초기 군집화는 군집화 대상이 비디오의 첫 번째 이미지일 경우 첫 번째 이미지를 구성하는 모든 화소들이 하나의 군집으로 집결되어 있는 군집화를 사용하고, 이후의 이미지들은 바로 이전 이미지의 화소 군집화 결과를 초기 군집화로 사용한다. 이는 연속된 이미지 사이의 군집화 결과들이 밀접하게 연관되도록 하여 시간 일관성을 높이기 위함이다.
현재의 데이터의 군집화를 φ라고 가정하면, 비모수 베이지안 군집화 모델에 따라 군집화 φ의 사후 확률(posterior probability)은 수학식 7과 같이 계산될 수 있다.
Figure 112012104043841-pat00012
한편, φ에 포함된 k번째 군집
Figure 112012104043841-pat00013
를 두 개의 군집으로 분할하는 기준은 다음과 같이 계산된다.
먼저 φ에서 군집
Figure 112012104043841-pat00014
를
Figure 112012104043841-pat00015
와
Figure 112012104043841-pat00016
로 분할하고
Figure 112012104043841-pat00017
를 제외한 나머지 군집들은 고정시킨 군집화를 φS라고 하면, φ의 사후 확률은 수학식 8에 나타낸 바와 같이 상계(upper bound)를 이용하여 근사할 수 있다.
Figure 112012104043841-pat00018
따라서, 수학식 8의 우변이 0.5보다 작으면 φ의 사후 확률
Figure 112012104043841-pat00019
역시 0.5보다 작으므로 φ가 최적의 군집화가 아니라고 결론 내릴 수 있다. 이를 이용하여 수학식 9와 같은 분할 확률을 정의한다.
Figure 112012104043841-pat00020
분할 확률 psplit이 0.5보다 크면 현재의 군집화 φ를 φS로 분할(즉, k번째 군집
Figure 112012104043841-pat00021
를
Figure 112012104043841-pat00022
와
Figure 112012104043841-pat00023
로 분할)해야 한다는 결론을 얻는다.
분할 확률 Psplit은 디리클레 과정의 사전 분포를 이용하여 수학식 10과 같이 계산될 수 있다.
Figure 112012104043841-pat00024
수학식 10에 나타낸 바와 같은 분할 확률을 이용한 화소 군집 분할 단계(S110)의 처리 과정은 도 2에 도시한 바와 같다.
도 2를 참조하면, 먼저 이미지가 입력되었을 때 이미지에 속하는 화소들에 기초하여 데이터 행렬 X를 생성한다(S111).
이후, 현재 입력된 이미지의 직전에 입력된 이미지의 군집화 결과를 이용해 초기 군집화를 구성한다(S112). 여기서, 입력된 이미지가 비디오의 첫 번째 이미지인 경우에는 모든 화소들이 하나의 군집에 모여있는 군집화로 초기 군집화를 대체한다.
이후, 구성된 초기 군집화에 포함된 적어도 하나의 군집 각각에 대한 군집 분할 확률을 계산한다(S113). 여기서, 상기 수학식 10을 이용하여 각 군집별 분할 확률을 계산할 수 있다.
그리고, 각 군집별로 분할 확률 psplit이 0.5 보다 큰가를 판단하여(S114), 분할 확률이 0.5 보다 큰 군집은 두 개의 군집으로 분할한다(S115). 이 때 군집을 분할하기 위한 방법은 k-평균 군집화 알고리즘을 사용할 수 있다. 이 과정을 재귀적으로 반복하여 더 이상 분할할 군집이 없을 때까지 반복한다(S116).
상술한 과정을 통해 화소 군집 분할 단계(S110)가 완료되면 추가적으로 병합되어야 하는 군집을 찾아 병합을 실시하는 화소 군집 병합 단계(S120)가 수행된다.
화소 군집 병합 단계(S120)에서는 현재의 군집화 φ에 존재하는 군집 쌍 중 병합되어야 하는 쌍들을 찾아 병합하는 단계이다. 현재의 군집화 φ의 i번째 군집
Figure 112012104043841-pat00025
와 j번째 군집
Figure 112012104043841-pat00026
가 하나의 군집
Figure 112012104043841-pat00027
으로 병합되고 나머지 군집들은 고정시킨 새로운 군집화를
Figure 112012104043841-pat00028
이라고 하면, 분할 단계와 비슷한 논의에 의해 병합 확률 pmerge를 수학식 11에 나타낸 바와 같이 정의할 수 있다.
Figure 112012104043841-pat00029
따라서, 수학식 11에 나타낸 병합 확률 pmerge가 0.5보다 큰 군집의 쌍들은 하나의 군집으로 병합하여야 한다는 결론을 얻는다.
즉, 수학식 11을 이용하여 φ에 존재하는 군집의 쌍 중 병합 확률 pmerge가 0.5 보다 큰 군집의 쌍들을 찾아 하나의 군집으로 병합하는 과정을 반복하여 더 이상 병합할 군집이 없으면 종료한다.
군집의 분할과 병합이 완료되면 후처리 단계(S130)를 통해 군집화의 정확도를 높인다. 군집 분할과 병합은 군집 단위로 이루어지므로 군집의 중심에서 멀리 떨어져 있는 데이터들에 대해 잘못된 군집화가 수행될 가능성이 있다. 이를 해결하기 위해 분할 및 병합 단계 이후 각각의 화소들을 가장 가까운 중심을 가진 군집으로 재할당해 준다. 예를 들어, 소정 군집에 속한 특정 화소가 자신이 속한 군집의 중심보다 이웃 군집의 중심에 더 가까운 경우 상기 특정 화소의 군집을 현재 군집에서 이웃 군집으로 재할당할 수 있다.
상기한 분할, 병합 및 후처리 과정을 통한 화소 군집화 단계(S100)는 연속된 이미지의 분할 결과를 초기 군집화를 통해 공유함으로써 시간 일관성을 향상시킬 수 있으며, 한 번에 화소 하나의 군집을 탐색하던 기존의 방법과 달리 분할 및 병합을 통한 효율적인 군집 단위의 군집화 방법을 사용하기 때문에 비디오의 빠른 변화에 능동적으로 대처할 수 있다.
상술한 바와 같이 화소 군집화 단계(S210)의 수행이 완료되면, 영역 색상 히스토그램을 이용한 추가적 병합 단계(S200)가 수행된다.
화소를 이용한 군집화 단계(S100)는 비디오의 각 이미지를 구성하는 화소의 정보만 활용하여 분할을 수행하기 때문에 같은 영역 안에서 음영이나 질감의 차이로 인해 색상이 미묘하게 변화할 경우 이들을 하나의 군집으로 취급하지 못하고 독립된 군집으로 분할하는 한계가 있다. 이를 해결하기 위해 본 발명의 일 실시예에서는 영역 색상 히스토그램(region color histogram)을 이용한 추가적 병합 단계(S200)를 수행한다.
추가적 병합 단계(S200)에서는 화소 군집화 이후 생성된 영역(또는 군집)들로부터 영역 색상 히스토그램을 추출한다(S210). 영역 색상 히스토그램은 소정의 영역 안에 포함된 색상들의 대략적인 분포도를 표시하므로 비슷한 색상이지만 음영이나 질감의 차이로 다른 영역으로 분리된 경우에도 유사한 분포도를 얻을 수 있다.
본 발명에서는 R,G,B 또는 L,A,B 3차원 색상 공간을 K개의 범주로 나누고, 각 범주에 속하는 화소의 개수를 세어 히스토그램을 형성한다. 또한, 히스토그램을 이용한 추가적 병합 단계를 위해 히스토그램에 확률 분포를 도입한다.
구체적으로, h를 K개의 범주(category)를 가진 히스토그램이라고 하면, h는 수학식 12에 나타낸 바와 같이 다항 분포 (multinomial distribution)을 따른다고 가정한다.
Figure 112012104043841-pat00030
수학식 12에서, hk는 h의 k번째 범주의 개수를 의미하고, β는 각 범주의 경향성을 조절하는 변수를 의미한다. β를 수학적으로 적분하기 위해 수학식 13에 나타낸 바와 같이 다항 분포의 켤레 사전 분포(conjugate prior distribution)인 디리클레 분포(Dirichlet distribution)를 도입한다.
Figure 112012104043841-pat00031
수학식 13에서, πk는 k번째 범주의 경향성을 조절하는 하이퍼-변수(hyper-parameter)로 본 발명에서는 일 예로 모두 5로 고정하였다.
현재의 군집화 결과에서 i번째 군집에 속하는 색상 히스토그램의 집합을 Hi={hi,1,…,hi , Ni}, j번째 영역에 속하는 색상 히스토그램의 집합을 Hj={hj ,1,…,hj , Nj} 라고 하면 화소 군집화 단계(S100)과 마찬가지로 두 군집의 병합 확률 pmerge를 수학식 14에 나타낸 바와 같이 계산할 수 있다.
Figure 112012104043841-pat00032
따라서, 수학식 14에 나타낸 병합 확률 pmerge가 0.5보다 큰 군집의 쌍들을 하나의 군집으로 병합하여, 더 이상 병합할 수 있는 영역이 남아 있지 않을 때까지 반복(S220)하면 추가적 병합 단계(S200)가 완료된다.
이후, 연속된 이미지의 분할 결과를 대응시키는 연속된 이미지간의 영역 대응 단계(S300)가 수행된다.
연속된 이미지간의 영역 대응 단계(S300)에서는 연속된 두 이미지의 분할 결과로 생성된 영역들을 서로 대응시켜 비디오 분할의 각 영역들이 추적 가능하도록 하고 시간적인 일관성을 향상시킨다.
구체적으로, 비디오의 t번째 이미지에 대해 추가적 병합(S200)을 완료한 후의 히스토그램 군집들을 Ht, t+1번째 이미지에 대해 추가적 병합(S200)을 완료한 후의 히스토그램 군집들을 Ht +1 이라고 하면, 이 두 군집들을 하나로 합쳐 Ht∪Ht +1을 형성한 후, 전술한 추가적 병합 단계(S200)와 마찬가지로 병합을 실시한다.
즉, Ht에 속한 영역과 Ht+1에 속한 영역이 이 병합 단계에서 같은 군집으로 분류되면, 이 두 개의 영역은 같은 영역으로 대응되어 t번째 이미지에서의 영역이 t+1번째 이미지에서 어떻게 이동하여 변화하였는지 파악할 수 있게 된다.
상술한 영역 대응 단계(S300)의 수행이 완료되면 현재 이미지에 대해 분할 과정이 완료되며, 이와 같은 과정은 비디오를 구성하는 모든 이미지에 대해 반복적으로 수행된다.
도 3은 본 발명의 일 실시예에 따른 온라인 비디오 분할 장치의 구성을 나타내는 블록도이다.
도 3을 참조하면, 본 발명의 일 실시예에 따른 온라인 비디오 분할 장치(400)는 입력부(410), 저장부(420), 처리부(430) 및 표시부(440)를 포함할 수 있다.
입력부(410)는 비디오 데이터를 입력 받을 수 있는 다양한 인터페이스로 구성될 수 있고, 예를 들어 유선 또는 무선 통신 인터페이스로 구성될 수 있다.
입력부(410)는 제공된 비디오 데이터를 저장부(420) 및/또는 처리부(430)에 제공할 수 있다. 여기서, 비디오 데이터는 파일 형태로 입력될 수도 있고 다양한 통신 네트워크를 통해 스트리밍 데이터 형태로 입력될 수도 있다.
저장부(420)는 비휘발성 메모리로 구성될 수 있고, 입력부(410)로부터 제공된 비디오 데이터를 저장한다. 저장부(420)에 저장되는 비디오 데이터는 복수의 이미지(또는 픽처, 프레임)로 구성될 수 있고, 이에 따라 저장부(420)에는 복수의 이미지가 저장될 수 있다.
또는, 저장부(420)는 휘발성 메모리로 구성될 수도 있고 입력부(410)를 통해 제공된 비디오의 분할을 위해 임시 저장되는 버퍼(또는 프레임 버퍼)의 기능을 수행하도록 구성될 수 있다.
처리부(430)는 실질적으로 프로세서로 구성될 수 있고 저장부(420)에 저장된 비디오 데이터를 독출하여 도 1 및 도 2에 도시하고 설명한 바와 같은 비디오 분할 처리를 수행한다.
즉, 처리부(430)는 비디오에 속한 화소를 군집화 하고, 군집화된 화소들의 영역으로부터 색상 히스토그램을 추출하여 추가적인 병합을 수행한 후, 연속된 이미지의 영역들을 대응시켜 분할을 완성하는 처리를 수행한다.
처리부(430)는 비디오에 속한 화소를 군집화하는 과정에서는 도 1 및 도 2에 도시한 바와 같이 주어진 화소 데이터의 초기 군집화를 수행하고, 군집화된 각 군집들에 대해 분할 및 병합을 수행한 후 후처리를 수행한다.
또한, 처리부(430)는 색상 히스토그램을 추출하여 추가적인 병합을 수행하는 과정에서는 화소 군집화 이후 생성된 영역(또는 군집)들로부터 영역 색상 히스토그램을 추출하고, 두 개의 군집 사이의 병합 확률을 수학식 14를 이용하여 산출한 후, 병합 확률의 산출 결과에 기초하여 추가적인 병합처리를 수행한다.
또한, 처리부(430)는 시간적으로 서로 연속적인 두 개의 이미지 각각의 분할 결과로 생성된 영역들(또는 군집들)의 색상 히스토그램을 서로 대응시켜 분할된 각 영역들이 서로 대응 가능하도록 하고 시간적인 일관성을 향상시킨다.
표시부(440)는 실질적으로 디스플레이 소자로 구성될 수 있고, 처리부(430)의 제어에 상응하여 처리부(430)에서 처리된 비디오 분할 결과가 표시될 수 있다. 또한, 표시부(440)는 다양한 사용자 인터페이스를 표시할 수 있다.
도 4는 본 발명의 일 실시예에 따른 비디오 분할 방법의 결과를 종래의 비디오 분할 방법의 결과와 비교하여 나타낸 것이다.
도 4에 도시한 비교 결과는, 비디오 소스로 유투브(Youtube)에서 제공하는 소정 비디오를 사용하여 본 발명의 일 실시예에 따른 온라인 비디오 분할 방법을 수행한 결과와 종래의 온라인 비디오 분할 방법을 수행한 결과를 비교하여 나타낸 것이다.
도 4에 도시한 8장의 사진(501 내지 515) 중 501과 503은 원본 비디오의 25번째 이미지와 128번째 이미지를 표시한 것이고, 505와 507은 본 발명의 일 실시예에 따른 비디오 분할 방법을 통해 분할된 결과를 나타낸 것이다.
또한, 509와 511은 종래의 온라인 비디오 분할 방법에 따른 비디오 분할의 결과를 나타낸 것이고, 513과 515는 종래의 오프라인 비디오 분할 방법에 따른 비디오 분할 결과를 나타낸 것이다.
도 4에 도시한 바와 같이 종래의 온라인 비디오 분할 방법이 비디오의 복잡한 문양이나 변화에 대응하지 못하고 많은 오류를 생성하는 반면, 본 발명의 일 실시예 따른 온라인 비디오 분할 방법은 성공적으로 비디오 분할을 완료하였음을 확인할 수 있다.
또한, 본 발명의 일 실시예에 따른 온라인 비디오 분할 방법은 종래의 오프라인 비디오 분할 방법과 비교하여 대등한 정확도를 가짐을 확인할 수 있다.
이상 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
400 : 비디오 분할 장치
410 : 입력부
420 : 저장부
430 : 처리부
440 : 표시부

Claims (12)

  1. 디지털 처리 장치에서 수행되는 온라인 비디오 분할 방법에 있어서,
    제공된 비디오에 포함된 n번째(여기서, n은 1이상의 자연수) 이미지에 속한 화소들을 적어도 하나의 군집으로 군집화하는 단계; 및
    상기 적어도 하나의 군집 각각에 대해 추출한 색상 히스토그램에 기초하여 각 군집에 대한 병합을 수행하여 상기 n번째 이미지를 복수의 영역으로 분할하는 단계를 포함하는 온라인 비디오 분할 방법.
  2. 청구항 1에 있어서,
    상기 온라인 비디오 분할 방법은,
    상기 n번째 이미지가 상기 제공된 비디오의 첫 번째 이미지가 아닌 경우, 상기 n번째 이미지를 복수의 영역으로 분할하는 단계 이후에,
    상기 n번째 이미지의 분할된 복수의 영역과 n-1번째 이미지의 분할된 복수의 영역을 서로 대응시키는 단계를 더 포함하는 온라인 비디오 분할 방법.
  3. 청구항 1에 있어서,
    상기 화소들을 적어도 하나의 군집으로 군집화하는 단계는,
    군집 분할 확률이 미리 설정된 기준을 만족하는 군집을 분할하는 화소 군집 분할 단계;
    분할된 복수의 군집들 중 군집 병합 확률이 미리 설정된 기준을 만족하는 두 군집을 병합하는 화소 군집 병합 단계; 및
    각 군집에 속한 각 화소들과 각 군집의 중심 사이의 거리에 기초하여 각 화소가 속할 군집을 재할당하는 후처리 단계를 포함하는 것을 특징으로 하는 온라인 비디오 분할 방법.
  4. 청구항 3에 있어서,
    상기 화소 군집 분할 단계는
    상기 n번째 이미지에 속하는 화소들을 적어도 하나의 군집으로 군집화하는 초기 군집화 구성 단계;
    상기 적어도 하나의 군집 각각에 대해 군집 분할 확률을 계산하는 단계; 및
    계산된 상기 군집 분할 확률이 상기 미리 설정된 기준 이상인 군집을 분할하는 단계를 포함하는 것을 특징으로 하는 온라인 비디오 분할 방법.
  5. 청구항 4에 있어서,
    상기 초기 군집화 구성 단계는,
    상기 n번째 이미지가 상기 제공된 비디오의 첫 번째 이미지인 경우 상기 n번째 이미지를 구성하는 모든 화소를 하나의 군집으로 군집화하는 것을 특징으로 하는 온라인 비디오 분할 방법.
  6. 청구항 4에 있어서,
    상기 초기 군집화 구성 단계는,
    상기 n번째 이미지가 상기 제공된 비디오의 첫 번째 이미지가 아닌 경우, n-1번째 이미지의 군집화 결과를 이용하여 초기 군집화를 구성하는 것을 특징으로 하는 온라인 비디오 분할 방법.
  7. 청구항 3에 있어서,
    상기 후처리 단계는
    제1 군집에 속한 소정 화소가 제1 군집의 중심보다 제2 군집의 중심과 거리가 더 가까운 경우 상기 소정 화소를 제1 군집에서 제2 군집으로 재할당하는 것을 특징으로 하는 온라인 비디오 분할 방법.
  8. 청구항 1에 있어서,
    상기 n번째 이미지를 복수의 영역으로 분할하는 단계는,
    상기 적어도 하나의 군집 각각에 대해 색상 히스토그램 집합을 추출하는 단계; 및
    색상 히스토그램 집합의 병합 확률이 미리 설정된 기준을 만족하는 두 군집을 병합하는 단계를 포함하는 것을 특징으로 하는 온라인 비디오 분할 방법.
  9. 입력된 비디오 데이터가 저장되는 저장부; 및
    상기 비디오 데이터에 포함된 n번째(여기서, n은 1이상의 자연수) 이미지에 속한 화소들을 적어도 하나의 군집으로 군집화하고, 상기 적어도 하나의 군집 각각에 대해 추출한 색상 히스토그램에 기초하여 각 군집에 대한 병합을 수행하여 상기 n번째 이미지를 복수의 영역으로 분할하는 처리부를 포함하는 온라인 비디오 분할 장치.
  10. 청구항 9에 있어서,
    상기 처리부는 상기 n번째 이미지가 상기 입력된 비디오 데이터의 첫 번째 이미지가 아닌 경우, 상기 n번째 이미지를 복수의 영역으로 분할하고, 상기 n번째 이미지의 분할된 복수의 영역과 n-1번째 이미지의 분할된 복수의 영역을 서로 대응시키는 것을 특징으로 하는 온라인 비디오 분할 장치.
  11. 청구항 9에 있어서,
    상기 처리부는 군집 분할 확률이 미리 설정된 기준을 만족하는 군집을 분할한 후, 분할된 복수의 군집들 중 군집 병합 확률이 미리 설정된 기준을 만족하는 두 군집을 병합하고, 각 군집에 속한 각 화소들과 각 군집의 중심 사이의 거리에 기초하여 각 화소가 속할 군집을 재할당하여 상기 n번째 이미지에 속한 화소들을 적어도 하나의 군집으로 군집화하는 것을 특징으로 하는 온라인 비디오 분할 장치.
  12. 청구항 9에 있어서,
    상기 처리부는 상기 적어도 하나의 군집 각각에 대해 색상 히스토그램 집합을 추출한 후, 색상 히스토그램 집합의 병합 확률이 미리 설정된 기준을 만족하는 두 군집을 추가로 병합하여 상기 n번째 이미지를 복수의 영역으로 분할하는 것을 특징으로 하는 온라인 비디오 분할 장치.
KR1020120145952A 2012-12-14 2012-12-14 온라인 비디오 분할 방법 및 이를 수행하는 장치 KR101382904B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020120145952A KR101382904B1 (ko) 2012-12-14 2012-12-14 온라인 비디오 분할 방법 및 이를 수행하는 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120145952A KR101382904B1 (ko) 2012-12-14 2012-12-14 온라인 비디오 분할 방법 및 이를 수행하는 장치

Publications (1)

Publication Number Publication Date
KR101382904B1 true KR101382904B1 (ko) 2014-04-08

Family

ID=50657002

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120145952A KR101382904B1 (ko) 2012-12-14 2012-12-14 온라인 비디오 분할 방법 및 이를 수행하는 장치

Country Status (1)

Country Link
KR (1) KR101382904B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112288047A (zh) * 2020-12-25 2021-01-29 成都索贝数码科技股份有限公司 基于概率分布转换聚类的广播电视新闻拆条方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020039721A (ko) * 2000-11-22 2002-05-30 윤종용 영상의 영역 구분 방법 및 장치
WO2007052783A1 (ja) * 2005-11-04 2007-05-10 Shima Seiki Manufacturing, Ltd. メランジ糸の画像シミュレーション装置とその方法及びプログラム
KR20090082798A (ko) * 2008-01-28 2009-07-31 고려대학교 산학협력단 영상에서 특정 피사체를 인식하는 시스템 및 방법
KR20100101173A (ko) * 2008-01-07 2010-09-16 마이스킨 인크 스펙트럼 콘볼루션에 기반하여 광과 물질 간의 상호작용을 분석하는 시스템 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020039721A (ko) * 2000-11-22 2002-05-30 윤종용 영상의 영역 구분 방법 및 장치
WO2007052783A1 (ja) * 2005-11-04 2007-05-10 Shima Seiki Manufacturing, Ltd. メランジ糸の画像シミュレーション装置とその方法及びプログラム
KR20100101173A (ko) * 2008-01-07 2010-09-16 마이스킨 인크 스펙트럼 콘볼루션에 기반하여 광과 물질 간의 상호작용을 분석하는 시스템 및 방법
KR20090082798A (ko) * 2008-01-28 2009-07-31 고려대학교 산학협력단 영상에서 특정 피사체를 인식하는 시스템 및 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112288047A (zh) * 2020-12-25 2021-01-29 成都索贝数码科技股份有限公司 基于概率分布转换聚类的广播电视新闻拆条方法
CN112288047B (zh) * 2020-12-25 2021-04-09 成都索贝数码科技股份有限公司 基于概率分布转换聚类的广播电视新闻拆条方法

Similar Documents

Publication Publication Date Title
WO2021093468A1 (zh) 视频分类方法、模型训练方法、装置、设备及存储介质
US11816925B2 (en) Face detection method and apparatus, computer device, and storage medium
US20230089380A1 (en) Neural network construction method and apparatus
EP3933693B1 (en) Object recognition method and device
CN112232293B (zh) 图像处理模型训练、图像处理方法及相关设备
US20230196837A1 (en) Action recognition method and apparatus, and device and storage medium
US20150326845A1 (en) Depth value restoration method and system
CN105118082A (zh) 个性化视频生成方法及系统
CN104899853A (zh) 图像区域的划分方法及装置
JP2024501986A (ja) ３次元顔再構築の方法、３次元顔再構築の装置、デバイスおよび記憶媒体
KR20080066671A (ko) 궤적 구간 분석을 사용한 양방향 추적
Fang et al. Deep3DSaliency: Deep stereoscopic video saliency detection model by 3D convolutional networks
KR102263017B1 (ko) 3d cnn을 이용한 고속 영상 인식 방법 및 장치
CN110598638A (zh) 模型训练方法、人脸性别预测方法、设备及存储介质
CN110232331B (zh) 一种在线人脸聚类的方法及系统
US11335122B2 (en) Method and electronic device for processing facial images
CN110674837A (zh) 视频相似度获取方法、装置、计算机设备及存储介质
Huang et al. Soft-margin mixture of regressions
CN111079507A (zh) 一种行为识别方法及装置、计算机装置及可读存储介质
Weiss et al. Dynamic structured model selection
CN111783997A (zh) 一种数据处理方法、装置及设备
CN111080746A (zh) 图像处理方法、装置、电子设备和存储介质
KR102381994B1 (ko) 경계 비트맵을 이용하는 이미지 분류 개선 기법
CN112383824A (zh) 视频广告过滤方法、设备及存储介质
Angelopoulou et al. Fast 2d/3d object representation with growing neural gas

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
LAPS Lapse due to unpaid annual fee