KR101879735B1 - Method and apparatus for automatic generating training data and self-learning apparatus and method using the same - Google Patents

Method and apparatus for automatic generating training data and self-learning apparatus and method using the same Download PDF

Info

Publication number
KR101879735B1
KR101879735B1 KR1020170032271A KR20170032271A KR101879735B1 KR 101879735 B1 KR101879735 B1 KR 101879735B1 KR 1020170032271 A KR1020170032271 A KR 1020170032271A KR 20170032271 A KR20170032271 A KR 20170032271A KR 101879735 B1 KR101879735 B1 KR 101879735B1
Authority
KR
South Korea
Prior art keywords
images
learning data
image
learning
recognition
Prior art date
Application number
KR1020170032271A
Other languages
Korean (ko)
Inventor
김성수
Original Assignee
(주)넥셀
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 (주)넥셀 filed Critical (주)넥셀
Priority to KR1020170032271A priority Critical patent/KR101879735B1/en
Application granted granted Critical
Publication of KR101879735B1 publication Critical patent/KR101879735B1/en

Links

Images

Classifications

    • G06K9/6201—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06K9/627—
    • G06N99/005—
    • G06K2017/0093—

Landscapes

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

Abstract

The present invention relates to a method for learning data generation and a device thereof and a device for self-learning using the same and a method thereof. According to the present invention, the method for learning data generation includes the processes of: receiving multiple images having continuity; detecting and tracking objects in the images; storing the images, objects recognized by detecting and tracking the same in the images, and a recognition rate thereof; and labeling multiple images by using a specific object recognized in an image as a finally recognized image to generate labeled data when the image, which is included in the images, has a recognition ratio of the specific object equal to or greater than a preset threshold value. The present invention can automatically generate labeled learning data needed in machine learning.

Description

자동적인 학습데이터 생성 방법 및 장치와 이를 이용하는 자가 학습 장치 및 방법{Method and apparatus for automatic generating training data and self-learning apparatus and method using the same}BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to an automatic learning data generation method and apparatus, and a self learning apparatus and method using the same,

본 발명은 머신 러닝 과정에서 필요한 레이블된 학습데이터를 자동적으로 생성할 수 있는 학습데이터 생성 방법 및 장치와 이를 이용하는 자가 학습 장치 및 방법에 관한 것이다. The present invention relates to a learning data generation method and apparatus capable of automatically generating required labeled learning data in a machine learning process, and a self learning apparatus and method using the same.

머신 러닝(machine learning) 또는 기계 학습은 인공 지능의 한 분야로, 컴퓨터에 미리 준비된 학습데이터를 훈련시켜, 훈련된 지식을 기반으로 새로운 입력에 대하여 적절한 답을 찾고자 하는 일련의 과정이라 할 수 있다. 이때, 컴퓨터를 훈련시키는 학습데이터가 질문(training input)과 정답(training output)이 모두 주어진 경우, 레이블링(labeling) 되어 있다고 한다. Machine learning or machine learning is a field of artificial intelligence that is a series of processes in which a computer prepares training data in advance and seeks appropriate answers to new inputs based on trained knowledge. At this time, it is said that the training data to train the computer is labeled if both the training input and the training output are given.

한편, 객체 검출(object detection)은 이미지 또는 동영상에서 특정 객체의 위치와 종류를 구별해내는 문제인데, 객체 검출에 머신 러닝을 이용하기 위해서는, 수많은 레이블된 학습데이터가 필요하다.On the other hand, object detection is a problem of distinguishing the position and type of a specific object in an image or a moving picture. In order to use machine learning to detect an object, a lot of labeled learning data is required.

즉, 머신 러닝을 기반으로 객체 검출을 하는 경우, 특징 추출 및 학습 알고리즘과 함께 중요한 것이 레이블된 학습데이터의 수집에 있으며, 레이블된 학습데이터가 많이 제공되면 될수록, 학습은 더 효과적으로 진행될 수 있다.That is, in the case of object detection based on machine learning, in addition to the feature extraction and learning algorithm, the important thing is in the collection of labeled learning data, and the more the labeled learning data is provided, the more efficient the learning can proceed.

이를 위해서, 수천에서 수만 건의 레이블된 학습데이터가 필요하지만, 레이블된 학습데이터는 일반적으로 수동 작업으로 만들어지고 있는 실정이므로, 방대한 양의 레이블된 학습데이터를 구하는 것은 쉽지 않다. To this end, tens or even tens of thousands of labeled learning data are required, but labeled learning data is typically created as manual tasks, so it is difficult to obtain vast amounts of labeled learning data.

따라서, 객체 검출이나 기타 머신 러닝의 효과적인 학습을 위해서는, 자동적으로 레이블된 학습데이터를 생성하여 이용할 수 있도록 하는 방안이 필요하다.Therefore, in order to effectively learn object detection and other machine learning, it is necessary to automatically generate and use labeled learning data.

따라서, 본 발명의 목적은, 머신 러닝을 위한 레이블된 학습데이터를 자동적으로 생성할 수 있는 학습데이터 생성 방법 및 장치와 이를 통해 생성한 레이블된 학습데이터를 이용하여 자가 학습을 할 수 있는 자가 학습 장치 및 방법을 제공함에 있다.Accordingly, it is an object of the present invention to provide a learning data generating method and apparatus capable of automatically generating labeled learning data for machine learning, and a self learning apparatus capable of self learning using labeled learning data generated thereby And a method.

상기 목적을 달성하기 위한 본 발명에 따른 학습데이터 생성 방법은, 연속성을 갖는 다수의 이미지를 입력받는 단계, 상기 다수의 이미지에서 객체를 탐지 및 추적하는 단계, 상기 다수의 이미지와, 각 이미지에서 탐지 및 추적하여 인식된 객체와 인식률을 저장하는 단계, 및 상기 다수의 이미지에서 특정 객체의 인식률이 기설정된 임계값 이상인 이미지가 있으면, 상기 이미지에서 인식된 특정 객체를 최종 인식 객체로 상기 다수의 이미지를 레이블링하여 레이블된 데이터를 생성하는 단계를 포함한다.According to another aspect of the present invention, there is provided a method of generating learning data comprising: inputting a plurality of images having continuity; detecting and tracking an object in the plurality of images; And storing the recognized object and the recognition rate by tracing, and if there is an image whose recognition rate of a specific object is equal to or higher than a predetermined threshold value in the plurality of images, extracting the specific object recognized in the image as a final recognition object, And labeling and generating labeled data.

또한, 입력 영상에서 연속성 있는 이미지를 검출하여, 상기 다수의 이미지로 제공하는 단계와, 네트워크를 통해 다수의 장치로부터 수집한 영상을 상기 입력 영상으로 제공하는 단계를 더 포함할 수 있다. The method may further include detecting a continuous image in the input image and providing the continuous image as the plurality of images, and providing the collected image from the plurality of devices through the network.

상기 목적을 달성하기 위한 본 발명에 따른 자가 학습 방법은, 연속성을 갖는 다수의 이미지를 입력받는 단계, 상기 다수의 이미지에서 객체를 탐지 및 추적하는 단계, 상기 다수의 이미지와, 각 이미지에서 탐지 및 추적하여 인식된 객체와 인식률을 저장하는 단계, 상기 다수의 이미지에서 특정 객체의 인식률이 기설정된 임계값 이상인 이미지가 있으면, 상기 이미지에서 인식된 특정 객체를 최종 인식 객체로 상기 다수의 이미지를 레이블링하여 레이블된 데이터를 생성하여 저장하는 단계, 및 상기 레이블된 데이터를 훈련데이터로 이용하여 기계 학습하는 단계를 포함한다. According to an aspect of the present invention, there is provided a self-learning method comprising: inputting a plurality of images having continuity; detecting and tracking an object in the plurality of images; detecting the plurality of images; Storing the recognized object and the recognition rate when the recognition rate of the specific object in the plurality of images is equal to or greater than a preset threshold value; Generating and storing labeled data, and mechanically learning using the labeled data as training data.

또한, 상기 목적을 달성하기 위한 본 발명에 학습데이터 생성 장치는, 연속성을 갖는 다수의 이미지를 입력받는 영상 입력부, 상기 다수의 이미지에서 객체를 탐지 및 추적하여, 각 이미지에서 인식된 객체와 인식률에 대한 정보를 출력하는 객체 탐지부, 상기 다수의 이미지와, 상기 각 이미지에서 인식된 객체와 인식률에 대한 정보를 데이터베이스화하여 저장하는 단기경험 데이터베이스부, 및 상기 단기경험 데이터베이스부를 조회하여, 상기 다수의 이미지에서 특정 객체의 인식률이 기설정된 임계값 이상인 이미지가 있으면, 상기 이미지에서 인식된 특정 객체를 최종 인식 객체로 상기 다수의 이미지를 레이블링하여 레이블된 데이터를 생성하는 학습데이터 생성부를 포함한다.According to another aspect of the present invention, there is provided an apparatus for generating learning data, comprising: a video input unit receiving a plurality of images having continuity; an object detecting unit for detecting and tracking objects in the plurality of images, A short-term experience database unit for storing the plurality of images, the objects recognized in the respective images and the recognition rate information in a database, and a short-term experience database unit for inquiring the short-term experience database unit, And a learning data generator for generating the labeled data by labeling the plurality of images with a specific object recognized in the image as a final recognition object if the image has an image whose recognition rate of a specific object is equal to or higher than a preset threshold value.

또한, 상기 목적을 달성하기 위하여 본 발명에서는, 상기 학습데이터 생성 방법을 프로세서에서 실행시키기 위한 프로그램을 기록한 프로세서가 읽을 수 있는 기록매체를 제공할 수 있다. In order to achieve the above object, according to the present invention, a processor-readable recording medium on which a program for causing the processor to execute the learning data generating method can be provided.

그리고, 본 발명에 따르면, 상기 학습데이터 생성 방법을 이용하여 생성한 레이블된 데이터를 훈련데이터로 이용하여 기계 학습할 수 있는 자가 학습 장치가 제공된다According to the present invention, there is provided a self-learning apparatus capable of performing machine learning using labeled data generated using the learning data generation method as training data

본 발명에 따르면, 머신 러닝을 위한 레이블된 학습데이터를 자동으로 생성할 수 있다. 이에 의해, 레이블된 학습데이터가 필요한 기계 학습을 효과적으로 진행할 수 있으며, 이를 통해 생성한 레이블된 학습데이터를 이용하여 자가 학습이 가능한 자가 학습 장치도 제공할 수 있다. 또한, 여러 곳에 분산 배치된 다양한 장치로부터 영상 데이터를 입력받아, 대규모로 레이블된 학습데이터를 생성할 수 있다. According to the present invention, labeled learning data for machine learning can be automatically generated. Thereby, it is possible to efficiently perform the machine learning requiring the labeled learning data, and it is possible to provide a self-learning apparatus capable of self-learning using the generated labeled learning data. In addition, it is possible to receive image data from various devices distributed in various places and generate large-scale labeled learning data.

도 1은 본 발명의 일실시예에 따른 학습데이터 생성 장치의 구성을 설명하기 위한 블럭도,
도 2는 본 발명의 일실시예에 따른 학습데이터 생성 방법에 대한 설명에 제공되는 흐름도,
도 3은 본 발명의 일실시예에 따른 학습데이터 생성 방법에 대한 설명에 참조되는 도면,
도 4는 본 발명의 다른 실시예에 따른 학습 데이터 생성 장치의 구성을 설명하기 위한 블럭도, 그리고
도 5는 본 발명에 따른 학습데이터 생성 방법을 이용하는 자가 학습 장치의 일 예를 나타낸 도면이다. 1 is a block diagram for explaining a configuration of a learning data generating apparatus according to an embodiment of the present invention;
FIG. 2 is a flowchart showing a method of generating learning data according to an embodiment of the present invention. FIG.
FIG. 3 is a flowchart illustrating a method of generating learning data according to an exemplary embodiment of the present invention. Referring to FIG. 3,
4 is a block diagram illustrating a configuration of a learning data generation apparatus according to another embodiment of the present invention, and FIG.
5 is a diagram showing an example of a self-learning apparatus using a learning data generating method according to the present invention.

본 명세서에서, 어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 경우, 어떤 구성요소에 다른 구성요소에 직접적으로 연결되어 있거나 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에" 또는 "~에 이웃하는" 등과, 어떤 구성요소가 다른 구성요소로 신호를 "전송한다" 와 같은 표현도 마찬가지로 해석되어야 한다.In this specification, when an element is referred to as being "connected" or "connected" to another element, it is to be understood that any element may be directly connected or connected to another element, It should be understood that the element may also be present. Other expressions that describe the relationship between components, such as "between" or " neighboring to ", should be interpreted as well, such that an element "transmits "

이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다. Hereinafter, the present invention will be described in detail with reference to the drawings.

도 1은 본 발명의 일실시예에 따른 학습데이터 생성 장치의 구성을 설명하기 위한 블럭도이다.1 is a block diagram for explaining a configuration of a learning data generating apparatus according to an embodiment of the present invention.

도 1을 참조하면, 본 학습데이터 생성 장치(100)는 영상 입력부(110), 객체 탐지부(120), 단기경험 데이터베이스부(150), 및 학습데이터 생성부(160)를 포함할 수 있고, 객체 탐지부(120)는 객체 검출부(130)와 객체 추적부(140)를 포함할 수 있다.1, the learning data generation apparatus 100 may include an image input unit 110, an object detection unit 120, a short-term experience database unit 150, and a learning data generation unit 160, The object detection unit 120 may include an object detection unit 130 and an object tracking unit 140.

이와 같은 구성요소들은 실제 응용에서 구현될 때 필요에 따라 2 이상의 구성요소가 하나의 구성요소로 합쳐지거나, 혹은 하나의 구성요소가 2 이상의 구성요소로 세분되어 구성될 수 있다.When such components are implemented in practical applications, two or more components may be combined into one component, or one component may be divided into two or more components as necessary.

영상 입력부(110)는 영상 데이터를 입력받으며, 카메라나 기타 영상 데이터를 입력받을 수 있는 장치 등이 포함될 수 있다. 영상 입력부(110)는 이미지 센서 등에 의해 얻어지는 정지영상이나 동영상 등의 화상 프레임을 처리할 수 있으며, 동일한 객체를 포함하는 시간적으로 연속성 있는 이미지를 출력할 수 있다.The image input unit 110 may include a device for receiving image data and receiving a camera or other image data. The image input unit 110 can process an image frame such as a still image or a moving image obtained by an image sensor or the like and output a temporally continuous image including the same object.

객체 탐지부(120)는 객체 검출부(130)와 객체 추척부(140)를 포함할 수 있으며, 영상 입력부(110)에서 출력되는 이미지에서 특징점 등을 추출하여, 특정 객체가 존재하는지 여부, 객체의 존재시 그 위치와 종류, 연속되는 이미지에서 객체의 위치 추적 등을 할 수 있다. 이에 의해, 객체 탐지부(120)는 각 이미지에서 인식된 객체와 인식된 객체의 인식률에 대한 정보를 출력할 수 있다. 이미지에서 객체를 인식하는 방법과, 인식된 객체에 대한 인식률 정보를 산출하는 방법에는 기존에 알려진 다양한 방식과 알고리즘이 사용될 수 있다.The object detection unit 120 may include an object detection unit 130 and an object tracking unit 140. The object detection unit 120 may extract feature points and the like from the image output from the image input unit 110 to determine whether a specific object exists, Its position and type in the presence, and the position of the object in successive images. Accordingly, the object detection unit 120 can output information about the recognition rate of the object recognized in each image and the recognized object. Various methods and algorithms known in the art can be used for a method of recognizing an object in an image and a method of calculating recognition rate information of a recognized object.

단기경험 데이터베이스부(150)에는 영상 입력부(110)에서 출력되는 이미지와, 객체 탐지부(120)에서 출력되는 각 이미지에서 인식된 객체와 인식률에 대한 정보가 데이터베이스화하여 저장된다. The short-term experience database unit 150 stores the images output from the image input unit 110, the objects recognized in the respective images output from the object detection unit 120, and the recognition rates as a database.

학습데이터 생성부(160)는 단기경험 데이터베이스부(150)를 조회하여, 최근 저장된 다수의 이미지에서 특정 객체의 인식률이 미리 설정되어 있는 임계값 이상인 이미지가 있으면, 그 이미지에서 인식된 특정 객체를 최종 인식 객체로 최근 저장된 다수의 이미지를 레이블링하여 레이블된 데이터를 생성한다. The learning data generation unit 160 inquires the short term experience database unit 150. If there is an image whose recognition rate of a specific object is higher than a predetermined threshold value in a plurality of recently stored images, A plurality of images recently stored as recognition objects are labeled to generate labeled data.

이와 같은 구성에 의해, 영상 입력부(110)를 통해 입력받은 이미지로부터 레이블된 학습데이터를 자동적으로 생성할 수 있다.With this configuration, it is possible to automatically generate learning data labeled from the image input through the image input unit 110. [

도 2는 본 발명의 일실시예에 따른 학습데이터 생성 방법에 대한 설명에 제공되는 흐름도이다.2 is a flowchart provided in explanation of a learning data generating method according to an embodiment of the present invention.

도 2를 참조하면, 영상 입력부(110)를 통해 다수의 이미지가 입력되면(S200), 객체 탐지부(120)에서 객체 검출 및 추적 과정을 실행한다(S210).Referring to FIG. 2, when a plurality of images are input through the image input unit 110 (S200), the object detection unit 120 performs an object detection and tracking process (S210).

객체 탐지부(120)에서 검출 및 추적하여 각 이미지에서 인식된 객체와 인식된 객체에 대한 인식률은 단기경험 데이터베이스부(150)에 다수의 이미지와 함께 데이터베이스화되어 저장된다(S220).The object detection unit 120 detects and tracks the recognized objects and the recognition rates of the recognized objects in the short-term experience database unit 150 together with the plurality of images in step S220.

학습데이터 생성부(160)는 단기경험 데이터베이스부(150)를 조회하여, 다수의 이미지에서 특정 객체의 인식률이 미리 설정된 임계값 이상인 이미지가 있는 경우, 그 이미지에서 인식된 특정 객체를 최종 인식 객체로 최근 저장된 연속성 있는 이미지를 레이블링하여 레이블된 데이터를 생성한다(S240).The learning data generation unit 160 searches the short-term experience database unit 150 and, if there is an image whose recognition rate of a specific object is equal to or higher than a preset threshold value in a plurality of images, The recently stored continuous images are labeled to generate labeled data (S240).

이와 같은 과정에 의해, 다수의 이미지에 대하여 자동적으로 레이블된 학습데이터를 생성할 수 있다.By this process, it is possible to automatically generate labeled learning data for a plurality of images.

도 3은 본 발명에 따른 학습데이터 생성 방법에 대한 설명에 참조되는 도면이다. 3 is a diagram referred to in explanation of a learning data generating method according to the present invention.

도 3을 참조하면, 도면부호 300으로 표기한 부분이, 동일한 객체를 포함하여 시간적으로 연속적인 제1 이미지(301), 제2 이미지(303), 및 제3 이미지(305)에 대하여, 단기경험 데이터베이스부(150)에, 제1 이미지(301)와, 제1 이미지(301)에서 인식된 객체와 그 인식률(302), 제2 이미지(303)와, 제2 이미지(303)에서 인식된 객체와 그 인식률(304), 제3 이미지(305)와, 제3 이미지(305)에서 인식된 객체와 그 인식률(306)이 저장된 상태를 나타낸다. Referring to FIG. 3, a portion denoted by reference numeral 300 represents a temporally continuous first image 301, a second image 303, and a third image 305 including the same object, The database unit 150 stores a first image 301 and an object recognized in the first image 301 and a recognition rate 302 thereof, a second image 303 and an object recognized in the second image 303 The recognition rate 304, the third image 305, the object recognized in the third image 305, and the recognition rate 306 are stored.

이와 같은 검출 결과, 제1 이미지(301)와 제2 이미지(303)에서는 두 개의 인식 개체 중 어느 객체로 인식되어야 하는지 명확하게 알 수 없는 상태이다. 그러나, 제3 이미지(305)에서 어느 한 객체의 인식률이 99%인 경우로, 미리 설정된 임계값을 넘는다고 가정할 경우, 도면부호 320으로 표기한 부분은, 학습데이터 생성부(160)에서 제3 이미지(305)에서 인식률이 임계값을 넘는 객체를 최종 인식 객체로 제1 이미지(301), 제2 이미지(303), 및 제3 이미지(305)를 레이블링하여, 레이블된 학습데이터를 생성한 상태를 나타낸다. As a result of the detection, it is unclear to which one of the two recognition objects should be recognized in the first image 301 and the second image 303. However, if it is assumed that the recognition rate of an object in the third image 305 is 99%, and the recognition rate exceeds a preset threshold value, the portion denoted by reference numeral 320 in FIG. The third image 305 is obtained by labeling the first image 301, the second image 303, and the third image 305 with the object whose recognition rate exceeds the threshold value as the final recognized object State.

이와 같이 동일한 객체를 포함하며 시간적으로 연속적인 이미지 중에서 어느 한 이미지에서 객체가 임계값 이상으로 인식되면, 나머지 이미지에 대해서도 인식된 객체로 레이블링하여 학습데이터를 생성할 수 있다. 따라서, 이미지는 명확하지만 기존에 학습되지 않아서 인식되지 않았던 이미지에 대해서도 다른 각도에서 촬영한 이미지 등을 기반으로 학습데이터를 생성할 수 있다.When the object is recognized as a threshold value or higher in any one of the images including the same object and temporally continuous, the learning data can be generated by labeling the remaining images with the recognized object. Therefore, the learning data can be generated based on an image captured from another angle even for an image that is clear but has not been previously learned and is not recognized.

도 4는 다른 실시예에 따른 학습데이터 생성 장치에 대한 블럭도이다.4 is a block diagram of a learning data generating apparatus according to another embodiment.

도 4를 참조하면, 본 실시예에서, 영상 입력부(410), 객체 검출부(430)와 객체 추적부(440)를 포함하는 객체 탐지부(420), 단기경험 데이터베이스부(450), 및 학습데이터 생성부(460)의 구성 및 기능은 기본적으로 전술한 실시예에서 설명한 바와 동일하다.4, an object detection unit 420 including an image input unit 410, an object detection unit 430 and an object tracking unit 440, a short-term experience database unit 450, The configuration and function of the generator 460 are basically the same as those described in the above embodiment.

다만, 본 실시예에서는, 연속성 검출부(470)를 더 포함하여, 장면 전환 검출 등에 의해 입력되는 영상에서 동일 객체가 존재하는 시간적으로 연속성이 있는 부분을 검출할 수 있도록 한다. 이와 같은 구성에 의해, 입력 영상으로부터 동일 객체가 존재하는 시간적으로 연속하는 이미지를 제공할 수 있으므로, TV 동영상이나 기타 다양한 입력 소소로부터 이미지를 입력받아서 레이블된 학습데이터를 생성할 수 있다. However, in the present embodiment, the continuity detector 470 is further included to detect a temporally continuous portion in which the same object exists in an image input by scene change detection or the like. With this configuration, it is possible to provide a temporally continuous image in which the same object exists from the input image, so that it is possible to generate labeled learning data by receiving an image from a TV moving image or various other input sources.

또한, 네트워크를 통해 다수의 차량이나 CCTV 등 여러 곳에 분산되어 있는 다수의 장치로부터 영상 데이터를 전달할 수 있는 영상 제공 장치를 설치하여, 대규모로 레이블된 학습데이터를 생성할 수도 있다.In addition, a large-scale labeled learning data may be generated by providing an image providing apparatus capable of transmitting image data from a plurality of devices distributed over a plurality of places such as a plurality of vehicles or CCTV through a network.

도 5는 본 발명에 따른 학습데이터 생성 방법을 이용하는 자가 학습 장치의 일 예를 나타낸 것이다.FIG. 5 shows an example of a self-learning apparatus using the learning data generation method according to the present invention.

도 5를 참조하면, 본 실시예에 따른 자가 학습 장치(500)에서, 영상 입력부(510), 객체 검출부(530)와 객체 추적부(540)를 포함하는 객체 탐지부(520), 단기경험 데이터베이스부(550), 학습데이터 생성부(560), 및 연속성 검출부(570)의 구성 및 기능은 기본적으로 전술한 실시예에서 설명한 바와 동일하다.5, the self learning apparatus 500 according to the present embodiment includes an object detection unit 520 including an image input unit 510, an object detection unit 530 and an object tracking unit 540, The configuration and functions of the unit 550, the learning data generation unit 560, and the continuity detection unit 570 are basically the same as those described in the above embodiment.

다만, 본 실시예에서는 물체 검출 장치(580)가 학습데이터 생성부(560)에서 생성한 레이블된 학습데이터를 훈련데이터로 이용하여 스스로 자가 학습할 수 있도록 구성된다.However, in the present embodiment, the object detecting apparatus 580 is constructed so as to self-learn by itself using the labeled learning data generated by the learning data generating unit 560 as training data.

또한, 물체 검출 장치(580)에서 레이블된 학습데이터를 이용하여 기계 학습된 객체 인식 알고리즘 등에 따라, 객체 탐색부(520)에서 사용되는 객체 인식 알고리즘 등을 업데이트하여 성능을 지속적으로 향상시킬 수 있다. In addition, the object recognition algorithm and the like used in the object search unit 520 may be updated according to a machine-learned object recognition algorithm using the labeled learning data in the object detection apparatus 580, thereby continuously improving the performance.

이와 같이 자동적으로 생성한 레이블된 학습데이터를 이용하여 다양한 기계 학습에 응용할 수 있다. Thus, it can be applied to various kinds of machine learning by using the automatically generated labeled learning data.

한편, 본 발명에 따른 학습데이터 생성 방법 및 장치와 이를 이용한 자가 학습 장치 및 방법은 상기한 바와 같이 설명된 실시예들의 구성에 한정되게 적용될 수 있는 것이 아니라, 상기한 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.Meanwhile, the learning data generating method and apparatus and the self learning apparatus and method using the learning data according to the present invention are not limited to the configurations of the embodiments described above, but various modifications may be made to the embodiments All or some of the embodiments may be selectively combined.

그리고, 본 발명의 내용은 하드웨어나 소프트웨어 사용에만 국한되지는 않으며, 다른 어떤 컴퓨팅 또는 처리 환경에 대해서도 적용 가능하다. 본 발명에서 설명하는 하드웨어, 소프트웨어 또는 하드웨어소프트웨어의 조합으로 구현될 수 있다. 본 발명은 회로를 사용하여 구현될 수 있다. 즉, 한 개 이상의 프로그램 가능한 논리회로, 즉 ASIC(application specific integrated circuit) 또는 논리회로(AND, OR NAND gates) 또는 프로세싱 장치(예를 들면 마이크로 프로세서, 컨트롤러)로 구현가능하다. And, the contents of the present invention are not limited to hardware or software use, but are applicable to any other computing or processing environment. But may be embodied in hardware, software, or a combination of hardware and software described in the present invention. The present invention may be implemented using circuitry. That is, it may be implemented with one or more programmable logic circuits, such as application specific integrated circuits (ASICs) or logic circuits (AND, OR NAND gates) or processing devices (e.g., microprocessors, controllers).

또한, 본 발명은 프로그램 가능한 컴퓨터상에서 컴퓨터 프로그램으로 구현 가능하다. 이러한 컴퓨터는 프로세서, 저장장치, 입력장치, 출력 장치를 포함할 수 있다. 본 발명에서 설명한 내용을 구현하기 위해 프로그램 코드는 마우스 또는 키보드 입력장치로 입력될 수 있다. 이러한 프로그램들은 고차원적인 언어나, 객체지향적인 언어로 구현될 수 있다. 또한 어셈블리나 기계어 코드로 구현된 컴퓨터 시스템으로도 구현될 수 있다. The present invention can also be embodied as a computer program on a programmable computer. Such a computer may include a processor, a storage device, an input device, and an output device. In order to implement the contents described in the present invention, the program code may be input to a mouse or a keyboard input device. These programs can be implemented in high-level languages or object-oriented languages. It can also be implemented as a computer system implemented in assembly or machine code.

또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is to be understood that the invention is not limited to the disclosed exemplary embodiments, but, on the contrary, It should be understood that various modifications may be made by those skilled in the art without departing from the spirit and scope of the present invention.

110 : 영상 입력부 120 : 객체 탐지부
130 : 객체 검출부 140 : 객체 추적부
150 : 단기경험 데이터베이스부 160 : 학습데이터 생성부110: image input unit 120: object detection unit
130: Object detection unit 140: Object tracking unit
150: short-term experience database 160: learning data generator

Claims (15)

네트워크를 통해 다수의 장치로부터 수집한 영상 데이터를 입력받는 단계;
상기 영상 데이터에서 동일 객체가 존재하는 시간적으로 연속성이 있는 다수의 이미지를 검출하는 단계;
상기 다수의 이미지에서 객체를 탐지 및 추적하는 단계;
상기 다수의 이미지의 각 이미지에서 탐지 및 추적하여 인식된 객체와 인식률에 대한 정보를 데이터베이스화하여 단기경험 데이터베이스부에 저장하는 단계; 및
상기 단기경험 데이터베이스부를 조회하여, 상기 다수의 이미지에서 특정 객체의 인식률이 기설정된 임계값 이상인 이미지가 있으면, 상기 인식률이 기설정된 임계값 이상인 이미지에서 인식된 특정 객체를 최종 인식 객체로 상기 다수의 이미지를 레이블링하여, 머신 러닝을 위한 레이블된 학습 데이터를 생성하는 단계를 포함하는 학습데이터 생성 방법.Receiving image data collected from a plurality of devices through a network;
Detecting a plurality of temporally continuous images in which the same object exists in the image data;
Detecting and tracking objects in the plurality of images;
Storing information on recognition objects and recognition rates in a database in the short term experience database unit by detecting and tracking in each image of the plurality of images; And
If there is an image whose recognition rate of a specific object is equal to or greater than a predetermined threshold value in the plurality of images, a specific object recognized in the image whose recognition rate is equal to or greater than a preset threshold value, Generating labeled learning data for machine learning by labeling the learning data. 삭제delete 삭제delete 삭제delete 제1항에 있어서,
상기 레이블된 학습 데이터를 이용하여 기계 학습된 장치로부터 피드백된 알고리즘에 따라, 상기 다수의 이미지에서 객체를 탐지 및 추적하는 알고리즘을 업데이트 하는 단계를 더 포함하는 학습데이터 생성 방법. The method according to claim 1,
Further comprising updating algorithms for detecting and tracking objects in the plurality of images according to an algorithm fed back from a machine-learned device using the labeled learning data. 삭제delete 삭제delete 네트워크를 통해 다수의 장치로부터 수집한 영상 데이터를 입력받는 영상 입력부;
상기 영상 데이터에서 동일 객체가 존재하는 시간적으로 연속성이 있는 다수의 이미지를 검출하는 연속성 검출부;
상기 다수의 이미지에서 객체를 탐지 및 추적하여, 각 이미지에서 인식된 객체와 인식률에 대한 정보를 출력하는 객체 탐지부;
상기 다수의 이미지의 상기 각 이미지에서 인식된 객체와 인식률에 대한 정보를 데이터베이스화하여 저장하는 단기경험 데이터베이스부; 및
상기 단기경험 데이터베이스부를 조회하여, 상기 다수의 이미지에서 특정 객체의 인식률이 기설정된 임계값 이상인 이미지가 있으면, 상기 인식률이 기설정된 임계값 이상인 이미지에서 인식된 특정 객체를 최종 인식 객체로 상기 다수의 이미지를 레이블링하여, 머신 러닝을 위한 레이블된 학습 데이터를 생성하는 학습데이터 생성부를 포함하는 학습데이터 생성 장치.A video input unit for receiving video data collected from a plurality of devices through a network;
A continuity detector for detecting a plurality of temporally continuous images in which the same object exists in the image data;
An object detection unit for detecting and tracking objects in the plurality of images, and outputting information on recognized objects and recognition rates in the respective images;
A short-term experience database unit for storing information on recognition objects and recognition rates in the respective images of the plurality of images in a database; And
If there is an image whose recognition rate of a specific object is equal to or greater than a predetermined threshold value in the plurality of images, a specific object recognized in the image whose recognition rate is equal to or greater than a preset threshold value, And a learning data generating unit for generating labeled learning data for machine learning by labeling the learning data. 삭제delete 삭제delete 제8항에 있어서,
상기 레이블된 학습 데이터를 이용하여 기계 학습되는 물체 검출 장치를 더 포함하는 학습데이터 생성 장치.9. The method of claim 8,
Further comprising an object detection device that is machine-learned using the labeled learning data. 제11항에 있어서,
상기 객체 탐지부는, 상기 물체 검출 장치에서 학습된 객체 인식 알고리즘에 따라, 인식 알고리즘을 업데이트 하는 것을 특징으로 하는 학습데이터 생성 장치.12. The method of claim 11,
Wherein the object detection unit updates the recognition algorithm according to the object recognition algorithm learned by the object detection apparatus. 제1항 또는 제5항의 학습데이터 생성 방법을 프로세서에서 실행시키기 위한 프로그램을 기록한 프로세서가 읽을 수 있는 기록매체. A processor-readable recording medium having recorded thereon a program for causing a processor to execute the learning data generating method according to claim 1 or claim 5. 삭제delete 제1항 또는 제5항의 학습데이터 생성 방법을 이용하여 생성한 레이블된 학습 데이터를 이용하여 기계 학습하는 자가 학습 장치.

A self-learning apparatus for performing machine learning using labeled learning data generated using the learning data generation method of any one of claims 1 to 5.

KR1020170032271A 2017-03-15 2017-03-15 Method and apparatus for automatic generating training data and self-learning apparatus and method using the same KR101879735B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170032271A KR101879735B1 (en) 2017-03-15 2017-03-15 Method and apparatus for automatic generating training data and self-learning apparatus and method using the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170032271A KR101879735B1 (en) 2017-03-15 2017-03-15 Method and apparatus for automatic generating training data and self-learning apparatus and method using the same

Publications (1)

Publication Number Publication Date
KR101879735B1 true KR101879735B1 (en) 2018-07-18

Family

ID=63048927

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170032271A KR101879735B1 (en) 2017-03-15 2017-03-15 Method and apparatus for automatic generating training data and self-learning apparatus and method using the same

Country Status (1)

Country Link
KR (1) KR101879735B1 (en)

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102002024B1 (en) * 2018-12-06 2019-07-22 주식회사 아임클라우드 Method for processing labeling of object and object management server
KR20190088094A (en) * 2017-12-29 2019-07-26 주식회사 아임클라우드 Model learning system and method by automatic learning and data generation
KR20200039050A (en) * 2018-10-02 2020-04-16 경북대학교 산학협력단 Method for providing digital drawing and digital drawing providing device
KR20200039035A (en) 2018-09-27 2020-04-16 주식회사 스위트케이 Learning dataset providing system based on artificial intelligence
KR20200046704A (en) 2018-10-25 2020-05-07 한국전자통신연구원 Method for automatically generating deep learning data apparatus therefor
KR102111667B1 (en) * 2019-07-25 2020-05-15 (주)위세아이텍 Apparatus of generating 2d image data set for deep learning through 3d design drawing data processing and system for searching simillar design drawing data based on deep learning using the same
KR102112858B1 (en) 2020-03-03 2020-05-19 셀렉트스타 주식회사 Method and device for generating training data using ui providing guide point
KR20200062520A (en) * 2018-11-27 2020-06-04 (주)아이와즈 Source analysis based news reliability evaluation system and method thereof
KR20200077257A (en) * 2018-12-20 2020-06-30 한동대학교 산학협력단 Method and apparatus for automatically generating learning data for machine learning
KR102133943B1 (en) * 2020-01-16 2020-07-14 가천대학교 산학협력단 Devices and methods for providing home health care for senior health
WO2020251172A1 (en) * 2019-06-10 2020-12-17 주식회사 수아랩 Data generation method
KR20210004162A (en) 2019-07-03 2021-01-13 주식회사 현대아이티앤이 Automatic Data Set Generation Device and SW and their Control Method for AI Machine Learning Learning
WO2021125619A1 (en) * 2019-12-20 2021-06-24 셀렉트스타 주식회사 Method for inspecting labeling on bounding box by using deep learning model and apparatus using same
KR102310596B1 (en) * 2021-05-14 2021-10-13 주식회사 인피닉 creation and inspection method of metadata to consecutive images, and computer program recorded on record-medium for executing method thereof
KR102337070B1 (en) 2021-07-12 2021-12-08 (주)에이아이매틱스 Method and system for building training database using automatic anomaly detection and automatic labeling technology
KR102356914B1 (en) * 2021-05-14 2022-02-08 주식회사 인피닉 Method for automatically creation of metadata, and computer program recorded on record-medium for executing method therefor
KR20220035780A (en) * 2020-09-14 2022-03-22 (주)휴톰 Method and Apparatus for providing object labeling within Video
KR102389369B1 (en) * 2021-12-08 2022-04-21 전북대학교산학협력단 Apparatus and method for acquiring semi-automatic precision region labels for artificial neural network learning
KR20220079479A (en) 2020-12-04 2022-06-13 주식회사 두원전자통신 Intelligent image analysis system for accuracy enhancement of object analysis by auto learning, estimation and distribution of object based on Deep Neural Network Algorithm
KR20220090203A (en) * 2020-12-22 2022-06-29 주식회사 에스원 Automatic Data Labeling Method based on Deep learning Object Detection amd Trace and System thereof
KR102485359B1 (en) * 2022-02-28 2023-01-06 아이브스 주식회사 Method for enhancing in situ adaptive artfitial intelligent model
KR20230080219A (en) 2021-11-29 2023-06-07 주식회사 바딧 Method, system and non-transitory computer-readable recording medium for supporting labeling to sensor data
WO2023113294A1 (en) * 2021-12-16 2023-06-22 주식회사 씨에스리 Training data management device and method

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0651865B2 (en) * 1983-02-09 1994-07-06 ミネソタ マイニング アンド マニュファクチュアリング コンパニー Polypropylene adhesive coated tape
KR20070055653A (en) * 2005-11-26 2007-05-31 한국전자통신연구원 Method for recognizing face and apparatus thereof
KR20070119105A (en) * 2006-06-14 2007-12-20 주식회사 사람과사람들 Apparatus and method for face recognition using machine learning
JP2009282686A (en) * 2008-05-21 2009-12-03 Toshiba Corp Apparatus and method for learning classification model
JP2010211468A (en) * 2009-03-10 2010-09-24 Toyota Central R&D Labs Inc Device for creating learning model, object detection system, and program
KR20120003834A (en) * 2011-11-24 2012-01-11 주식회사 버즈니 Entity searching and opinion mining system of hybrid-based using internet and method thereof
JP2014016826A (en) * 2012-07-09 2014-01-30 Canon Inc Image processor, image processing method, and program
KR20140103026A (en) * 2013-02-15 2014-08-25 다이니폰 스크린 세이조우 가부시키가이샤 Pattern inspection apparatus and pattern inspection method
JP2015506516A (en) * 2012-01-06 2015-03-02 クゥアルコム・インコーポレイテッドＱｕａｌｃｏｍｍ Ｉｎｃｏｒｐｏｒａｔｅｄ Object tracking and processing
KR20160068281A (en) * 2014-12-05 2016-06-15 삼성에스디에스 주식회사 Method of object recognition
KR20160086250A (en) * 2015-01-09 2016-07-19 웬-추안 첸 Gas flow adjusting device
KR20160136689A (en) * 2015-05-20 2016-11-30 한화테크윈 주식회사 Method of tracking multiple objects and apparatus for the same
JP6182242B1 (en) * 2016-06-13 2017-08-16 三菱電機インフォメーションシステムズ株式会社 Machine learning method, computer and program related to data labeling model

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0651865B2 (en) * 1983-02-09 1994-07-06 ミネソタ マイニング アンド マニュファクチュアリング コンパニー Polypropylene adhesive coated tape
KR20070055653A (en) * 2005-11-26 2007-05-31 한국전자통신연구원 Method for recognizing face and apparatus thereof
KR20070119105A (en) * 2006-06-14 2007-12-20 주식회사 사람과사람들 Apparatus and method for face recognition using machine learning
JP2009282686A (en) * 2008-05-21 2009-12-03 Toshiba Corp Apparatus and method for learning classification model
JP2010211468A (en) * 2009-03-10 2010-09-24 Toyota Central R&D Labs Inc Device for creating learning model, object detection system, and program
KR20120003834A (en) * 2011-11-24 2012-01-11 주식회사 버즈니 Entity searching and opinion mining system of hybrid-based using internet and method thereof
JP2015506516A (en) * 2012-01-06 2015-03-02 クゥアルコム・インコーポレイテッドＱｕａｌｃｏｍｍ Ｉｎｃｏｒｐｏｒａｔｅｄ Object tracking and processing
JP2014016826A (en) * 2012-07-09 2014-01-30 Canon Inc Image processor, image processing method, and program
KR20140103026A (en) * 2013-02-15 2014-08-25 다이니폰 스크린 세이조우 가부시키가이샤 Pattern inspection apparatus and pattern inspection method
KR20160068281A (en) * 2014-12-05 2016-06-15 삼성에스디에스 주식회사 Method of object recognition
KR20160086250A (en) * 2015-01-09 2016-07-19 웬-추안 첸 Gas flow adjusting device
KR20160136689A (en) * 2015-05-20 2016-11-30 한화테크윈 주식회사 Method of tracking multiple objects and apparatus for the same
JP6182242B1 (en) * 2016-06-13 2017-08-16 三菱電機インフォメーションシステムズ株式会社 Machine learning method, computer and program related to data labeling model

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
일본 공개특허공보 특개2014-016826호(2014.01.30.) 1부. *

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190088094A (en) * 2017-12-29 2019-07-26 주식회사 아임클라우드 Model learning system and method by automatic learning and data generation
KR102227906B1 (en) 2017-12-29 2021-03-16 주식회사 아임클라우드 Model learning system and method by automatic learning and data generation
KR20200039035A (en) 2018-09-27 2020-04-16 주식회사 스위트케이 Learning dataset providing system based on artificial intelligence
KR102203320B1 (en) 2018-09-27 2021-01-15 주식회사 스위트케이 Learning dataset providing system based on artificial intelligence
KR102129407B1 (en) * 2018-10-02 2020-07-02 경북대학교 산학협력단 Method for providing digital drawing and digital drawing providing device
KR20200039050A (en) * 2018-10-02 2020-04-16 경북대학교 산학협력단 Method for providing digital drawing and digital drawing providing device
KR20200046704A (en) 2018-10-25 2020-05-07 한국전자통신연구원 Method for automatically generating deep learning data apparatus therefor
KR102124846B1 (en) 2018-11-27 2020-06-19 (주)아이와즈 Source analysis based news reliability evaluation system and method thereof
KR20200062520A (en) * 2018-11-27 2020-06-04 (주)아이와즈 Source analysis based news reliability evaluation system and method thereof
KR102002024B1 (en) * 2018-12-06 2019-07-22 주식회사 아임클라우드 Method for processing labeling of object and object management server
KR20200077257A (en) * 2018-12-20 2020-06-30 한동대학교 산학협력단 Method and apparatus for automatically generating learning data for machine learning
KR102219906B1 (en) * 2018-12-20 2021-02-24 한동대학교 산학협력단 Method and apparatus for automatically generating learning data for machine learning
WO2020251172A1 (en) * 2019-06-10 2020-12-17 주식회사 수아랩 Data generation method
KR20210004162A (en) 2019-07-03 2021-01-13 주식회사 현대아이티앤이 Automatic Data Set Generation Device and SW and their Control Method for AI Machine Learning Learning
KR102111667B1 (en) * 2019-07-25 2020-05-15 (주)위세아이텍 Apparatus of generating 2d image data set for deep learning through 3d design drawing data processing and system for searching simillar design drawing data based on deep learning using the same
WO2021125619A1 (en) * 2019-12-20 2021-06-24 셀렉트스타 주식회사 Method for inspecting labeling on bounding box by using deep learning model and apparatus using same
KR102133943B1 (en) * 2020-01-16 2020-07-14 가천대학교 산학협력단 Devices and methods for providing home health care for senior health
KR102112858B1 (en) 2020-03-03 2020-05-19 셀렉트스타 주식회사 Method and device for generating training data using ui providing guide point
KR20220035780A (en) * 2020-09-14 2022-03-22 (주)휴톰 Method and Apparatus for providing object labeling within Video
KR102427171B1 (en) * 2020-09-14 2022-07-29 (주)휴톰 Method and Apparatus for providing object labeling within Video
KR102448268B1 (en) 2020-12-04 2022-09-28 주식회사 두원전자통신 Intelligent image analysis system for accuracy enhancement of object analysis by auto learning, estimation and distribution of object based on Deep Neural Network Algorithm
KR20220079479A (en) 2020-12-04 2022-06-13 주식회사 두원전자통신 Intelligent image analysis system for accuracy enhancement of object analysis by auto learning, estimation and distribution of object based on Deep Neural Network Algorithm
KR20220090203A (en) * 2020-12-22 2022-06-29 주식회사 에스원 Automatic Data Labeling Method based on Deep learning Object Detection amd Trace and System thereof
KR102537695B1 (en) 2020-12-22 2023-05-26 주식회사 에스원 Automatic Data Labeling Method based on Deep learning Object Detection amd Trace and System thereof
KR102356914B1 (en) * 2021-05-14 2022-02-08 주식회사 인피닉 Method for automatically creation of metadata, and computer program recorded on record-medium for executing method therefor
KR102310596B1 (en) * 2021-05-14 2021-10-13 주식회사 인피닉 creation and inspection method of metadata to consecutive images, and computer program recorded on record-medium for executing method thereof
KR102337070B1 (en) 2021-07-12 2021-12-08 (주)에이아이매틱스 Method and system for building training database using automatic anomaly detection and automatic labeling technology
KR20230080219A (en) 2021-11-29 2023-06-07 주식회사 바딧 Method, system and non-transitory computer-readable recording medium for supporting labeling to sensor data
KR102389369B1 (en) * 2021-12-08 2022-04-21 전북대학교산학협력단 Apparatus and method for acquiring semi-automatic precision region labels for artificial neural network learning
WO2023106515A1 (en) * 2021-12-08 2023-06-15 전북대학교산학협력단 Device and method for semiautomatic acquisition of precision region labels for training artificial neural network
WO2023113294A1 (en) * 2021-12-16 2023-06-22 주식회사 씨에스리 Training data management device and method
KR102485359B1 (en) * 2022-02-28 2023-01-06 아이브스 주식회사 Method for enhancing in situ adaptive artfitial intelligent model

Similar Documents

Publication Publication Date Title
KR101879735B1 (en) Method and apparatus for automatic generating training data and self-learning apparatus and method using the same
CN108985259B (en) Human body action recognition method and device
EP3673417B1 (en) System and method for distributive training and weight distribution in a neural network
CN108629284B (en) Method, device and system for real-time face tracking and face pose selection based on embedded vision system
CN109086873B (en) Training method, recognition method and device of recurrent neural network and processing equipment
US20180114071A1 (en) Method for analysing media content
WO2019040213A1 (en) Adaptive real-time detection and examination network (arden)
US9811735B2 (en) Generic object detection on fixed surveillance video
CN112488073A (en) Target detection method, system, device and storage medium
Patil et al. An unified recurrent video object segmentation framework for various surveillance environments
US11741712B2 (en) Multi-hop transformer for spatio-temporal reasoning and localization
US10937150B2 (en) Systems and methods of feature correspondence analysis
WO2020101781A1 (en) Processing images to localize novel objects
JPWO2019111932A1 (en) Model learning device, model learning method and computer program
Torabi et al. Two-dimensional and three-dimensional CNN-based simultaneous detection and activity classification of construction workers
Harish et al. Intruder detection by extracting semantic content from surveillance videos
KR102399974B1 (en) Method of tracking multiple objects and apparatus for the same
US10713479B2 (en) Motion recognition method and motion recognition device for recognizing motion of user received via NUI device by comparing with preset comparison target information
US20220237884A1 (en) Keypoint based action localization
CN109934302B (en) New category identification method and robot system based on fuzzy theory and deep learning
Wang et al. Fast loop closure detection via binary content
CN111860070A (en) Method and device for identifying changed object
Akshith et al. Action Recognition with Neural Networks
Aye et al. Tracking A Group of Black Cows Using SORT based Tracking Algorithm
Venkatesan et al. Video surveillance based tracking system

Legal Events

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