KR101873169B1 - 관측 영상에 대한 실시간 훈련 및 객체 탐지하는 통합 모듈 장치 및 방법 - Google Patents

관측 영상에 대한 실시간 훈련 및 객체 탐지하는 통합 모듈 장치 및 방법 Download PDF

Info

Publication number
KR101873169B1
KR101873169B1 KR1020170140026A KR20170140026A KR101873169B1 KR 101873169 B1 KR101873169 B1 KR 101873169B1 KR 1020170140026 A KR1020170140026 A KR 1020170140026A KR 20170140026 A KR20170140026 A KR 20170140026A KR 101873169 B1 KR101873169 B1 KR 101873169B1
Authority
KR
South Korea
Prior art keywords
image data
training
database
segmentation
image
Prior art date
Application number
KR1020170140026A
Other languages
English (en)
Inventor
최연주
한상혁
Original Assignee
한국항공우주연구원
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 한국항공우주연구원 filed Critical 한국항공우주연구원
Priority to KR1020170140026A priority Critical patent/KR101873169B1/ko
Application granted granted Critical
Publication of KR101873169B1 publication Critical patent/KR101873169B1/ko

Links

Images

Classifications

    • G06K9/6256—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06K9/3233—
    • G06K9/627—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

관측 영상에 대한 실시간 훈련 및 객체 탐지하는 통합 모듈 장치 및 방법이 개시된다. 관측 영상에 대한 실시간 훈련 및 객체 탐지하는 통합 모듈 장치는 지구 관측과 연관되는 이미지 데이터를 보관하는 제1 데이터베이스, 상기 제1 데이터베이스에 보관되는 이미지 데이터를 훈련하여 예측 훈련 모델을 생성하는 훈련 모듈, 분석 요청이 발생한 임의의 이미지 데이터에 상기 예측 훈련 모델을 적용하여, 상기 임의의 이미지 데이터에 대한 예측 이미지 데이터를 작성하는 예측 모듈, 및 상기 예측 이미지 데이터를 이용하여, 상기 임의의 이미지 데이터 내 관심영역(ROI)에 관한 세그멘테이션 영상을 획득하고, 상기 획득한 세그멘테이션 영상을, 상기 임의의 이미지 데이터에 대응시켜, 상기 제1 데이터베이스에 저장하는 처리 모듈을 포함할 수 있다.

Description

관측 영상에 대한 실시간 훈련 및 객체 탐지하는 통합 모듈 장치 및 방법{APPARATUS AND METHOD FOR REAL-TIME TRAINING OF OBSERVATION IMAGES, AND FOR DETECTING OBJECT}
본 발명은 지구 관측에 관해, 예컨대 위성, 항공기 등으로부터 수신되는 이미지 데이터를 이용하여, 예측 훈련 모델을 생성하고, 분석 요청이 발생한 임의의 이미지 데이터에 상기 예측 훈련 모델을 적용 함으로써, 상기 임의의 이미지 데이터 내 관심영역에 관한 세그멘테이션(segmentation) 영상을 획득하는 관측 영상에 대한 실시간 훈련 및 객체 탐지하는 통합 모듈 장치 및 방법에 관한 것이다.
본 발명의 배경이 되는 기술은 다음의 문헌에 개시되어 있다.
1) 공개번호: 2008-0067402(2008.07.21), "단일 가시광 채널을 갖는 정지궤도 인공위성을 이용한 에어러솔 광학깊이 산출방법"
2) 공개번호: 2008-0018631(2008.02.28), "이미지 검색기의 적합성 피드백을 위한 공간 위치정보 기반영역 가중치 방법"
위성으로부터 수신된 이미지 데이터에서, 관심영역(ROI: Region Of Interest)(또는, 타겟)과 관련하여, 획득된 세그멘테이션(segmentation) 영상은 다양한 분야에 활용될 수 있다.
세그멘테이션 영상을 보다 용이하게 획득하기 위한 전처리 과정으로서, 다량의 이미지 데이터를 수집하고, 수집된 다량의 이미지 데이터로부터 획득한 세그멘테이션 영상을 분석하여, 훈련 모델을 생성할 수 있다.
종래의 훈련 모델 생성 과정에서, 분석의 대상이 되는 이미지 데이터가 대용량이므로, 일반적인 데이터베이스에 관리되는 이미지 데이터로의 접근 및 이미지 데이터의 저장이 용하지 않다.
본 발명은 지구 관측과 연관되는 이미지 데이터 및 이미지 데이터로부터 획득한 세그먼테이션 영상을 이미지 정보 데이터베이스에 보관 함으로써, 위성과 관련한 대용량의 이미지 데이터 및 세그먼테이션 영상에 대한 접근 및 저장을 용이하게 하는 것을 목적으로 한다.
또한, 본 발명은 예측 훈련 모델을 이용하여, 이미지 데이터로부터 세그먼테이션 영상을 획득하고, 상기 세그먼테이션 영상에 대한 오류 여부가 피드백되면, 상기 피드백된 오류 여부에 기초하여, 상기 예측 훈련 모델을 업데이트 함으로써, 상기 예측 훈련 모델을 이용한 세그먼테이션 영상 획득의 정확도를 높일 수 있게 하는 것을 목적으로 한다.
상기의 목적을 이루기 위한, 관측 영상에 대한 실시간 훈련 및 객체 탐지하는 통합 모듈 장치는, 지구 관측과 연관되는 이미지 데이터를 보관하는 제1 데이터베이스, 상기 제1 데이터베이스에 보관되는 이미지 데이터를 훈련하여 예측 훈련 모델을 생성하는 훈련 모듈, 분석 요청이 발생한 임의의 이미지 데이터에 상기 예측 훈련 모델을 적용하여, 상기 임의의 이미지 데이터에 대한 예측 이미지 데이터를 작성하는 예측 모듈, 및 상기 예측 이미지 데이터를 이용하여, 상기 임의의 이미지 데이터 내 관심영역(ROI: Region Of Interest)에 관한 세그멘테이션(segmentation) 영상을 획득하고, 상기 획득한 세그멘테이션 영상을, 상기 임의의 이미지 데이터에 대응시켜, 상기 제1 데이터베이스에 저장하는 처리 모듈을 포함할 수 있다.
상기의 목적을 이루기 위한, 관측 영상에 대한 실시간 훈련 및 객체 탐지하는 방법은, 제1 데이터베이스에 보관되는, 지구 관측과 연관되는 이미지 데이터를 훈련하여, 예측 훈련 모델을 생성하는 단계, 분석 요청이 발생한 임의의 이미지 데이터에 상기 예측 훈련 모델을 적용하여, 상기 임의의 이미지 데이터에 대한 예측 이미지 데이터를 작성하는 단계, 상기 예측 이미지 데이터를 이용하여, 상기 임의의 이미지 데이터 내 관심영역에 관한 세그멘테이션 영상을 획득하는 단계, 및 상기 획득한 세그멘테이션 영상을, 상기 임의의 이미지 데이터에 대응시켜, 상기 제1 데이터베이스에 저장하는 단계를 포함하여 구성할 수 있다.
본 발명에 따르면, 지구 관측과 연관되는 이미지 데이터 및 이미지 데이터로부터 획득한 세그먼테이션 영상을 이미지 정보 데이터베이스에 보관 함으로써, 위성과 관련한 대용량의 이미지 데이터 및 세그먼테이션 영상에 대한 접근 및 저장을 용이하게 한다.
또한, 본 발명에 의해서는, 예측 훈련 모델을 이용하여, 이미지 데이터로부터 세그먼테이션 영상을 획득하고, 상기 세그먼테이션 영상에 대한 오류 여부가 피드백되면, 상기 피드백된 오류 여부에 기초하여, 상기 예측 훈련 모델을 업데이트 함으로써, 상기 예측 훈련 모델을 이용한 세그먼테이션 영상 획득의 정확도를 높일 수 있게 한다.
도 1은 본 발명의 일실시예에 따른 관측 영상에 대한 실시간 훈련 및 객체 탐지하는 통합 모듈 장치의 구성에 대한 일례를 도시한 도면이다.
도 2는 본 발명의 일실시예에 따른 관측 영상에 대한 실시간 훈련 및 객체 탐지하는 통합 모듈 장치의 구성에 대한 다른 일례를 도시한 도면이다.
도 3은 본 발명의 일실시예에 따른 관측 영상에 대한 실시간 훈련 및 객체 탐지하는 통합 모듈 장치에서 세그멘테이션 영상으로부터 추출한 위치 정보의 활용 일례를 설명하기 위한 도면이다.
도 4는 본 발명의 일실시예에 따른 이미지 데이터 처리 방법을 나타내는 흐름도이다.
이하, 첨부 도면들 및 첨부 도면들에 기재된 내용들을 참조하여 본 발명의 다양한 실시예를 상세하게 설명하지만, 본 발명이 실시예에 의해 제한되거나 한정되는 것은 아니다.
도 1은 본 발명의 일실시예에 따른 관측 영상에 대한 실시간 훈련 및 객체 탐지하는 통합 모듈 장치의 구성에 대한 일례를 도시한 도면이다.
도 1을 참조하면, 관측 영상에 대한 실시간 훈련 및 객체 탐지하는 통합 모듈 장치(100)는 통신부(101), 데이터베이스(103), 훈련 모듈(109), 예측 모듈(111), 및 처리 모듈(113)를 포함할 수 있다.
통신부(101)는 지구 관측을 위해 상공에 떠 있는 위성, 항공기 등으로부터, 상기 지구 관측과 연관되는 이미지 데이터를 수신하여, 데이터베이스(103) 내 제1 데이터베이스(105)에 저장할 수 있다.
데이터베이스(103)는 제1 데이터베이스(105) 및 제2 데이터베이스(107)를 포함할 수 있다.
제1 데이터베이스(105)는 예컨대, 위성으로부터 실시간 수신되는 이미지 데이터, 또는 항공기, 지표 관측소 등에서 정기 또는 부정기적으로 생산되어 수집되는 이미지 데이터 등의 지구 관측과 연관되는 이미지 데이터를 보관할 수 있다. 이러한 제1 데이터베이스(105)는 '이미지 정보 데이터베이스'로도 명명할 수 있다.
또한, 제1 데이터베이스(105)는 분석 요청이 발생한 임의의 이미지 데이터로부터 처리 모듈(113)에 의해, 획득한 세그멘테이션 영상을 더 보관할 수 있다.
제2 데이터베이스(107)는 상기 세그멘테이션 영상으로부터 추출된 위치 정보를 저장할 수 있다. 이때, 위치 정보는 상기 세그멘테이션 영상 내 타겟(예컨대, 도로, 밭 등)에 관한 위치 정보일 수 있다. 제2 데이터베이스(107)는 제1 데이터베이스(105)와 독립적으로 구성될 수 있고, '메타 정보 데이터베이스'로도 명명할 수 있다.
훈련 모듈(109)은 제1 데이터베이스(105)에 보관되는 이미지 데이터를 훈련하여 예측 훈련 모델을 생성할 수 있다. 여기서, 훈련은 예컨대 딥 러닝(deep learning) 방식 등을 통해, 제1 데이터베이스(105)에 보관된 이미지 데이터에 관한 통계적인 인지, 추론, 판단 등을 수행하는 과정일 수 있고, 훈련 모듈(109)은 이러한 훈련을 통해 예측 훈련 모델을 생성할 수 있다.
훈련 모듈(109)은 각 이미지 데이터에 대해, 예컨대 운영자로부터 원하는 세그멘테이션 영상을 지정받을 수 있으며, 각 이미지 데이터와 각 이미지 데이터에 대응하는 세그멘테이션 영상 간의 상관 관계를 분석하여, 예측 훈련 모델을 생성할 수 있다.
예측 모듈(111)은 분석 요청이 발생한 임의의 이미지 데이터에 상기 예측 훈련 모델을 적용하여, 상기 임의의 이미지 데이터에 대한 예측 이미지 데이터를 작성할 수 있다. 즉, 예측 모듈(111)은 복수의 이미지 데이터에 대한 반복적인 훈련에 따른 결과물인 예측 훈련 모델에, 선택된 임의의 이미지 데이터를 입력 시킴으로써, 그 출력으로서 예측 이미지 데이터를 산출할 수 있다.
이때, 예측 모듈(111)은 촬영된 시점이 설정된 기간에 포함되는 이미지 데이터, 또는 설정된 타겟을 포함하는 이미지 데이터를, 상기 임의의 이미지 데이터로서, 상기 제1 데이터베이스(105)에서 검색할 수 있다.
처리 모듈(113)는 상기 예측 이미지 데이터를 이용하여, 상기 임의의 이미지 데이터 내 관심영역(ROI: Region Of Interest)에 관한 세그멘테이션(segmentation) 영상을 획득할 수 있다. 여기서, 분석 요청이 발생한 임의의 이미지 데이터는, 예측 훈련 모델에 사용된 이미지 데이터 이외에, 지구 관측에 관해, 예컨대 위성, 항공기 등으로부터 수신되는 복수의 이미지 데이터 중, 훈련 모듈을 통해 선택된 이미지 데이터일 수 있다.
또한, 처리 모듈(110)은 상기 획득한 세그멘테이션 영상을, 상기 임의의 이미지 데이터에 대응시켜, 제1 데이터베이스(105)에 저장할 수 있다. 이때, 처리 모듈(113)은 상기 예측 훈련 모델의 입력 데이터로서, 임의의 이미지 데이터를 적용하여, 예측 훈련 모델의 출력 데이터로서, 세그멘테이션 영상을 획득할 수 있다.
또한, 처리 모듈(113)은 상기 세그멘테이션 영상으로부터 상기 세그멘테이션 영상 내 타겟에 관한 위치 정보를 추출하고, 상기 추출한 위치 정보를 상기 세그멘테이션 영상에 대응시켜, 제1 데이터베이스(105)와 구분되는 제2 데이터베이스(107)에 저장할 수 있다.
또한, 처리 모듈(113)는 상기 타겟을 포함하는 세그멘테이션 영상이, 제2 데이터베이스(107)에 복수 개 저장될 경우, 상기 복수 개의 세그멘테이션 영상(설정된 수 이상의 세그멘테이션 영상)에 각각 대응하는 위치 정보를 제2 데이터베이스(107)로부터 검출하고, 상기 각각 검출된 위치 정보를 분석하여, 상기 타겟에 대한 경로(또는, 특정 위치, 면적)를 도출하여 출력할 수 있다.
한편, 훈련 모듈(109)은 상기 세그멘테이션 영상에 대한 오류 여부를 피드백받을 수 있다. 이때, 훈련 모듈(109)은 상기 임의의 이미지 데이터 및 상기 세그멘테이션 영상을 사용자 단말로 전송하여, 사용자 단말로부터 상기 세그멘테이션 영상에 대한 오류 여부를 피드백받거나, 또는 사용자로부터 직접 피드백받을 수 있다.
상기 세그멘테이션 영상에 대한 오류 여부가 피드백되면, 훈련 모듈(109)은 상기 피드백된 오류 여부에 기초하여, 상기 예측 훈련 모델을 업데이트 함으로써, 상기 예측 훈련 모델을 이용한 세그먼테이션 영상 획득의 정확도를 높일 수 있게 한다.
또한, 훈련 모듈(109)은 제1 데이터베이스(105)에 보관된 일부의 이미지 데이터를 사용자 단말로 전송할 수 있다. 이때, 훈련 모듈(109)은 상기 사용자 단말로부터 입력되는, 상기 일부의 이미지 데이터에 대한 분석 정보를 반영하여, 상기 예측 훈련 모델을 업데이트할 수 있다.
도 2는 본 발명의 일실시예에 따른 관측 영상에 대한 실시간 훈련 및 객체 탐지하는 통합 모듈 장치의 구성에 대한 다른 일례를 도시한 도면이다.
도 2를 참조하면, 관측 영상에 대한 실시간 훈련 및 객체 탐지하는 통합 모듈 장치(200)는 훈련 모듈(201), 예측 모듈(203), 처리 모듈(205), 이미지 정보 데이터베이스(207) 및 메타 정보 데이터베이스(209)를 포함할 수 있다.
훈련 모듈(201)는 위성으로부터 이미지 데이터(위성 이미지)를 실시간 수신하고, 상기 수신한 이미지 데이터를 이용하여 예측 훈련 모델을 생성할 수 있다.
예측 모듈(203)은 임의의 이미지 데이터에 대한 분석 요청이 발생하면, 훈련 모듈(201)에 의해 생성된, 상기 예측 훈련 모델을 상기 임의의 이미지 데이터에 적용하여, 그 결과로서의 예측 이미지 데이터를 작성할 수 있다.
처리 모듈(205)는 상기 예측 이미지 데이터를 이용하여, 상기 임의의 이미지 데이터로부터 관심영역에 관한 세그멘테이션 영상을 획득할 수 있다.
또한, 처리 모듈(205)은 지구 관측과 연관되는 이미지 데이터를 이미지 정보 데이터베이스(207)에 저장할 수 있다.
또한, 처리 모듈(205)은 상기 임의의 이미지 데이터로부터 획득한, 세그멘테이션 영상을 상기 임의의 이미지 데이터에 대응시켜, 이미지 정보 데이터베이스(207)에 저장할 수 있다.
또한, 처리 모듈(205)은 상기 세그멘테이션 영상으로부터 상기 세그멘테이션 영상 내 타겟에 관한 위치 정보를 추출하고, 상기 추출한 위치 정보를 상기 세그멘테이션 영상(또는, 세그멘테이션 영상의 식별정보)에 대응시켜, 메타 정보 데이터베이스(209)에 저장할 수 있다.
한편, 훈련 모듈(201)은 상기 세그멘테이션 영상에 대한 오류 여부를 피드백받을 수 있으며, 상기 피드백된 오류 여부에 기초하여 상기 예측 훈련 모델을 업데이트할 수 있다.
이미지 정보 데이터베이스(207)는 위성, 항공기 등으로부터 수신된 지구 관측에 관한 복수의 이미지 데이터(분석 요청이 발생된 임의의 이미지 데이터 포함)를 저장할 수 있다.
또한, 이미지 정보 데이터베이스(207)는 임의의 이미지 데이터로부터 획득한 세그멘테이션 영상을 더 저장할 수 있다.
메타 정보 데이터베이스(209)는 상기 세그멘테이션 영상으로부터 추출된 위치 정보를 저장할 수 있다.
도 3은 본 발명의 일실시예에 따른 관측 영상에 대한 실시간 훈련 및 객체 탐지하는 통합 모듈 장치에서 세그멘테이션 영상으로부터 추출한 위치 정보의 활용 일례를 설명하기 위한 도면이다.
도 3을 참조하면, 통합 모듈 장치는 서로 연관된 이미지 데이터(예컨대, 위성에서 연속적으로 촬영된 이미지 데이터) 각각으로부터 타겟을 포함하는 복수 개의 세그멘테이션 영상이 획득되어, 메타 정보 데이터베이스에 저장될 경우, 상기 복수 개의 세그멘테이션 영상에 각각 대응하는 위치 정보를 상기 메타 정보 데이터베이스로부터 검출하고, 상기 각각 검출된 위치 정보를 분석하여, 상기 타겟에 대한 경로를 도출하여 출력할 수 있다.
예컨대, 통합 모듈 장치는 1초 간격으로 촬영된 3개의 이미지 데이터(301-1, 301-2. 301-3) 각각으로부터 도로를 포함하는 3개의 세그멘테이션 영상이 획득되어, 메타 정보 데이터베이스에 저장된 경우, 상기 3개의 세그멘테이션 영상에 각각 대응하는 위치 정보를 상기 메타 정보 데이터베이스로부터 검출하고, 상기 각각 검출된 위치 정보를 분석하여, 상기 타겟에 대한 경로(303)를 도출할 수 있다.
도 4는 본 발명의 일실시예에 따른 관측 영상에 대한 실시간 훈련 및 객체 탐지하는 방법을 나타내는 흐름도이다. 여기서, 관측 영상에 대한 실시간 훈련 및 객체 탐지하는 방법을 구현하는 통합 모듈 장치는 지구 관측을 위해 상공에 떠 있는 위성, 항공기 등으로부터, 상기 지구 관측과 연관되는 이미지 데이터를 수신하여, 제1 데이터베이스(이미지 정보 데이터베이스)에 저장할 수 있다.
도 4를 참조하면, 단계(401)에서, 통합 모듈 장치는 제1 데이터베이스(이미지 정보 데이터베이스)에 보관되는 이미지 데이터를 훈련하여 예측 훈련 모델을 생성할 수 있다.
또한, 단계(401)에서의 통합 모듈 장치는 각 이미지 데이터에 대해, 예컨대 운영자로부터 원하는 세그멘테이션 영상을 지정받을 수 있으며, 각 이미지 데이터와 각 이미지 데이터에 대응하는 세그멘테이션 영상 간의 상관 관계를 분석하여, 예측 훈련 모델을 생성할 수 있다.
단계(403)에서, 통합 모듈 장치는 분석 요청이 발생한 임의의 이미지 데이터에 상기 예측 훈련 모델을 적용하여, 상기 임의의 이미지 데이터에 대한 예측 이미지 데이터를 작성할 수 있다. 즉, 단계(403)에서의 통합 모듈 장치는 복수의 이미지 데이터에 대한 반복적인 훈련에 따른 결과물인 예측 훈련 모델에, 선택된 임의의 이미지 데이터를 입력 시킴으로써, 그 출력으로서 예측 이미지 데이터를 산출할 수 있다.
단계(405)에서, 통합 모듈 장치는 상기 예측 이미지 데이터를 이용하여, 상기 임의의 이미지 데이터 내 관심영역(ROI)에 관한 세그멘테이션 영상을 획득할 수 있다.
이후, 단계(407)에서, 통합 모듈 장치는 상기 획득한 세그멘테이션 영상을, 상기 임의의 이미지 데이터에 대응시켜, 상기 제1 데이터베이스(이미지 정보 데이터베이스)에 저장할 수 있다.
실시예에 따라, 통합 모듈 장치는 상기 세그멘테이션 영상에 대한 오류 여부를 피드백받을 수 있으며, 상기 오류 여부가 피드백되면, 상기 피드백된 오류 여부에 기초하여, 상기 예측 훈련 모델을 업데이트할 수 있다.
또한, 통합 모듈 장치는 제1 데이터베이스(이미지 정보 데이터베이스)에 보관된 일부의 이미지 데이터를 사용자 단말로 전송할 수 있으며, 상기 사용자 단말로부터 입력되는, 상기 일부의 이미지 데이터에 대한 분석 정보를 반영하여, 상기 예측 훈련 모델을 업데이트할 수 있다.
한편, 통합 모듈 장치는 상기 세그멘테이션 영상으로부터 상기 세그멘테이션 영상 내 타겟에 관한 위치 정보를 추출하고, 상기 추출한 위치 정보를 상기 세그멘테이션 영상에 대응시켜, 제1 데이터베이스와 구분되는 제2 데이터베이스(메타 정보 데이터베이스)에 저장할 수 있다.
이후, 통합 모듈 장치는 상기 타겟을 포함하는 세그멘테이션 영상이, 상기 제2 데이터베이스(메타 정보 데이터베이스)에 복수 개 저장될 경우, 상기 복수 개의 세그멘테이션 영상에 각각 대응하는 위치 정보를 상기 제2 데이터베이스로부터 검출하고, 상기 각각 검출된 위치 정보를 분석하여, 상기 타겟에 대한 경로를 도출하여 출력할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 저장 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 저장될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 저장되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 저장 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광저장 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
100 : 관측 영상에 대한 실시간 훈련 및 객체 탐지하는 통합 모듈 장치
101 : 통신부 103 : 데이터베이스
105 : 제1 데이터베이스 107 : 제2 데이터베이스
109 : 훈련 모듈 111 : 예측 모듈
113 : 처리 모듈

Claims (12)

  1. 지구 관측과 연관되는 이미지 데이터를 보관하는 제1 데이터베이스;
    상기 제1 데이터베이스에 보관되는 이미지 데이터를 훈련하여 예측 훈련 모델을 생성하는 훈련 모듈;
    분석 요청이 발생한 임의의 이미지 데이터에 상기 예측 훈련 모델을 적용하여, 상기 임의의 이미지 데이터에 대한 예측 이미지 데이터를 작성하는 예측 모듈; 및
    상기 예측 이미지 데이터를 이용하여, 상기 임의의 이미지 데이터 내 관심영역(ROI: Region Of Interest)에 관한 세그멘테이션(segmentation) 영상을 획득하고, 상기 획득한 세그멘테이션 영상을, 상기 임의의 이미지 데이터에 대응시켜, 상기 제1 데이터베이스에 저장하는 처리 모듈
    를 포함하고,
    상기 훈련 모듈은,
    상기 세그멘테이션 영상에 대한 오류 여부를 피드백받고,
    상기 피드백된 오류 여부에 기초하여, 상기 예측 훈련 모델을 업데이트하는
    관측 영상에 대한 실시간 훈련 및 객체 탐지하는 통합 모듈 장치.
  2. 삭제
  3. 제1항에 있어서,
    상기 훈련 모듈은,
    상기 제1 데이터베이스에 보관된 일부의 이미지 데이터를 사용자 단말로 전송하고,
    상기 사용자 단말로부터 입력되는, 상기 일부의 이미지 데이터에 대한 분석 정보를 반영하여, 상기 예측 훈련 모델을 업데이트하는
    관측 영상에 대한 실시간 훈련 및 객체 탐지하는 통합 모듈 장치.
  4. 제1항에 있어서,
    상기 처리 모듈은,
    상기 세그멘테이션 영상으로부터 상기 세그멘테이션 영상 내 타겟에 관한 위치 정보를 추출하고, 상기 추출한 위치 정보를 상기 세그멘테이션 영상에 대응시켜, 상기 제1 데이터베이스와 구분되는 제2 데이터베이스에 저장하는
    관측 영상에 대한 실시간 훈련 및 객체 탐지하는 통합 모듈 장치.
  5. 제4항에 있어서,
    상기 타겟을 포함하는 세그멘테이션 영상이, 상기 제2 데이터베이스에 복수 개 저장될 경우,
    상기 처리 모듈은,
    상기 복수 개의 세그멘테이션 영상에 각각 대응하는 위치 정보를 상기 제2 데이터베이스로부터 검출하고, 상기 각각 검출된 위치 정보를 분석하여, 상기 타겟에 대한 경로를 도출하는
    관측 영상에 대한 실시간 훈련 및 객체 탐지하는 통합 모듈 장치.
  6. 제1항에 있어서,
    상기 예측 모듈은,
    촬영된 시점이 설정된 기간에 포함되는 이미지 데이터, 또는 설정된 타겟을 포함하는 이미지 데이터를, 상기 임의의 이미지 데이터로서, 상기 제1 데이터베이스에서 검색하는
    관측 영상에 대한 실시간 훈련 및 객체 탐지하는 통합 모듈 장치.
  7. 제1 데이터베이스에 보관되는, 지구 관측과 연관되는 이미지 데이터를 훈련하여, 예측 훈련 모델을 생성하는 단계;
    분석 요청이 발생한 임의의 이미지 데이터에 상기 예측 훈련 모델을 적용하여, 상기 임의의 이미지 데이터에 대한 예측 이미지 데이터를 작성하는 단계;
    상기 예측 이미지 데이터를 이용하여, 상기 임의의 이미지 데이터 내 관심영역에 관한 세그멘테이션 영상을 획득하는 단계;
    상기 획득한 세그멘테이션 영상을, 상기 임의의 이미지 데이터에 대응시켜, 상기 제1 데이터베이스에 저장하는 단계;
    상기 세그멘테이션 영상에 대한 오류 여부를 피드백받는 단계; 및
    상기 피드백된 오류 여부에 기초하여, 상기 예측 훈련 모델을 업데이트하는 단계
    를 포함하는 관측 영상에 대한 실시간 훈련 및 객체 탐지하는 방법.
  8. 삭제
  9. 제7항에 있어서,
    상기 제1 데이터베이스에 보관된 일부의 이미지 데이터를 사용자 단말로 전송하는 단계; 및
    상기 사용자 단말로부터 입력되는, 상기 일부의 이미지 데이터에 대한 분석 정보를 반영하여, 상기 예측 훈련 모델을 업데이트하는 단계
    를 더 포함하는 관측 영상에 대한 실시간 훈련 및 객체 탐지하는 방법.
  10. 제7항에 있어서,
    상기 세그멘테이션 영상으로부터 상기 세그멘테이션 영상 내 타겟에 관한 위치 정보를 추출하는 단계; 및
    상기 추출한 위치 정보를 상기 세그멘테이션 영상에 대응시켜, 상기 제1 데이터베이스와 구분되는 제2 데이터베이스에 저장하는 단계
    를 더 포함하는 관측 영상에 대한 실시간 훈련 및 객체 탐지하는 방법.
  11. 제10항에 있어서,
    상기 타겟을 포함하는 세그멘테이션 영상이, 상기 제2 데이터베이스에 복수 개 저장될 경우,
    상기 복수 개의 세그멘테이션 영상에 각각 대응하는 위치 정보를 상기 제2 데이터베이스로부터 검출하고, 상기 각각 검출된 위치 정보를 분석하여, 상기 타겟에 대한 경로를 도출하는 단계
    를 더 포함하는 관측 영상에 대한 실시간 훈련 및 객체 탐지하는 방법.
  12. 제7항에 있어서,
    촬영된 시점이 설정된 기간에 포함되는 이미지 데이터, 또는 설정된 타겟을 포함하는 이미지 데이터를, 상기 임의의 이미지 데이터로서, 상기 제1 데이터베이스에서 검색하는 단계
    를 더 포함하는 관측 영상에 대한 실시간 훈련 및 객체 탐지하는 방법.
KR1020170140026A 2017-10-26 2017-10-26 관측 영상에 대한 실시간 훈련 및 객체 탐지하는 통합 모듈 장치 및 방법 KR101873169B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170140026A KR101873169B1 (ko) 2017-10-26 2017-10-26 관측 영상에 대한 실시간 훈련 및 객체 탐지하는 통합 모듈 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170140026A KR101873169B1 (ko) 2017-10-26 2017-10-26 관측 영상에 대한 실시간 훈련 및 객체 탐지하는 통합 모듈 장치 및 방법

Publications (1)

Publication Number Publication Date
KR101873169B1 true KR101873169B1 (ko) 2018-06-29

Family

ID=62781032

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170140026A KR101873169B1 (ko) 2017-10-26 2017-10-26 관측 영상에 대한 실시간 훈련 및 객체 탐지하는 통합 모듈 장치 및 방법

Country Status (1)

Country Link
KR (1) KR101873169B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102009757B1 (ko) * 2019-03-21 2019-08-12 (주)싸이젠텍 인공지능 프로그램 기반 이물선별장치
KR20200036079A (ko) 2018-09-18 2020-04-07 전남대학교산학협력단 적응적 비최대억제 방법을 이용하는 딥러닝기반 영상객체 탐지를 위한 장치 및 방법
CN112070768A (zh) * 2020-09-16 2020-12-11 福州大学 基于Anchor-Free的实时实例分割方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101617649B1 (ko) * 2014-12-26 2016-05-03 세종대학교산학협력단 영상의 관심 구간 추천 시스템 및 방법
US20160260211A1 (en) * 2013-10-12 2016-09-08 H. Lee Moffitt Cancer Center And Research Institute, Inc. Systems and methods for diagnosing tumors in a subject by performing a quantitative analysis of texture-based features of a tumor object in a radiological image
KR20160128869A (ko) * 2015-04-29 2016-11-08 포항공과대학교 산학협력단 사전 정보를 이용한 영상 물체 탐색 방법 및 이를 수행하는 장치
KR20170048029A (ko) * 2015-10-26 2017-05-08 현대오토에버 주식회사 딥 러닝 기반 도로 정보 제공 방법 및 장치
KR20170050448A (ko) * 2015-10-30 2017-05-11 삼성에스디에스 주식회사 이미지 상의 객체 검출 방법 및 객체 검출 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160260211A1 (en) * 2013-10-12 2016-09-08 H. Lee Moffitt Cancer Center And Research Institute, Inc. Systems and methods for diagnosing tumors in a subject by performing a quantitative analysis of texture-based features of a tumor object in a radiological image
KR101617649B1 (ko) * 2014-12-26 2016-05-03 세종대학교산학협력단 영상의 관심 구간 추천 시스템 및 방법
KR20160128869A (ko) * 2015-04-29 2016-11-08 포항공과대학교 산학협력단 사전 정보를 이용한 영상 물체 탐색 방법 및 이를 수행하는 장치
KR20170048029A (ko) * 2015-10-26 2017-05-08 현대오토에버 주식회사 딥 러닝 기반 도로 정보 제공 방법 및 장치
KR20170050448A (ko) * 2015-10-30 2017-05-11 삼성에스디에스 주식회사 이미지 상의 객체 검출 방법 및 객체 검출 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
김성진 외 3명, "위성영상 검색에서 사용자 관심영역을 이용한 적합성 피드백", 한국정보과학회, 정보과학회논문지, 제36권, 제6호, pp. 434-445, 2009년 12월.* *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200036079A (ko) 2018-09-18 2020-04-07 전남대학교산학협력단 적응적 비최대억제 방법을 이용하는 딥러닝기반 영상객체 탐지를 위한 장치 및 방법
KR102009757B1 (ko) * 2019-03-21 2019-08-12 (주)싸이젠텍 인공지능 프로그램 기반 이물선별장치
WO2020189849A1 (ko) * 2019-03-21 2020-09-24 (주)싸이젠텍 인공지능 프로그램 기반 이물선별장치
CN112070768A (zh) * 2020-09-16 2020-12-11 福州大学 基于Anchor-Free的实时实例分割方法

Similar Documents

Publication Publication Date Title
CN108229488B (zh) 用于检测物体关键点的方法、装置及电子设备
CN110390396B (zh) 用于估计观测变量之间的因果关系的方法、装置和系统
CN109740588B (zh) 基于弱监督和深度响应重分配的x光图片违禁品定位方法
KR101873169B1 (ko) 관측 영상에 대한 실시간 훈련 및 객체 탐지하는 통합 모듈 장치 및 방법
CN104699943A (zh) 无人飞行器系统感测和避免传感器融合航迹初始化
US11048917B2 (en) Method, electronic device, and computer readable medium for image identification
KR102308456B1 (ko) 라이다 및 카메라 수집정보 기반 수종탐지 시스템 및 이를 이용한 수종탐지방법, 수종탐지방법을 수행하는 프로그램이 수록된 기록매체
US20240089896A1 (en) Fingerprint data pre-process method for improving localization model
CN113420640B (zh) 红树林高光谱图像分类方法、装置、电子设备及存储介质
KR20190080060A (ko) 무인항공기를 이용한 산림병해충 의심목 선별 시스템
KR102477509B1 (ko) 기상 예측 정보 생성 방법 및 이를 수행하기 위한 컴퓨팅 장치
KR102210404B1 (ko) 위치 정보 추출 장치 및 방법
CN114492601A (zh) 资源分类模型的训练方法、装置、电子设备及存储介质
US11754704B2 (en) Synthetic-aperture-radar image processing device and image processing method
CN106874928B (zh) 跟踪目标突发关键事件自动判决方法及系统
KR20220080631A (ko) 실시간 다중 객체 검출 장치 및 방법
CN116433899A (zh) 图像分割方法、训练图像分割模型的方法及装置
CN113609948B (zh) 一种视频时序动作的检测方法、装置及设备
KR102320262B1 (ko) 재난피해영역의 피해규모 추정 방법 및 장치
CN115311547A (zh) 利用灾害周边区域特征的灾害损失区域识别方法以及装置
Abouzahir et al. FastSLAM 2.0 running on a low-cost embedded architecture
Tedín et al. Building the “Automatic Body Condition Assessment System”(ABiCA), an automatic body condition scoring system using active shape models and machine learning
Gavrilov et al. Automated visual information processing using artificial intelligence
CN109167817A (zh) 一种生成物联网传感器数据的方法及装置
Carrilho et al. Quality assessment for automatic LiDAR data classification methods

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant