KR101972095B1 - 물체탐지 성능 향상용 인공물체 추가 방법 및 장치 - Google Patents

물체탐지 성능 향상용 인공물체 추가 방법 및 장치 Download PDF

Info

Publication number
KR101972095B1
KR101972095B1 KR1020190021986A KR20190021986A KR101972095B1 KR 101972095 B1 KR101972095 B1 KR 101972095B1 KR 1020190021986 A KR1020190021986 A KR 1020190021986A KR 20190021986 A KR20190021986 A KR 20190021986A KR 101972095 B1 KR101972095 B1 KR 101972095B1
Authority
KR
South Korea
Prior art keywords
target object
homogeneous
heterogeneous
feature
learning
Prior art date
Application number
KR1020190021986A
Other languages
English (en)
Inventor
양훈민
유기중
오세윤
Original Assignee
국방과학연구소
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 국방과학연구소 filed Critical 국방과학연구소
Priority to KR1020190021986A priority Critical patent/KR101972095B1/ko
Application granted granted Critical
Publication of KR101972095B1 publication Critical patent/KR101972095B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Abstract

본 발명에 따른 물체탐지 성능 향상용 인공물체 추가 방법이 제공된다. 상기 방법은, 영상 내에서 탐지하고자 하는 목표물체(target object) 주변에 인공물체(artificial object)를 추가하여 배치하는 인공물체 추가 배치 단계; 상기 목표물체와 상기 인공물체가 배치된 상기 영상에서 특정 알고리즘을 통해 상기 목표물체의 탐지를 위한 특징을 학습하는 학습 단계; 및 상기 학습에 따른 결과를 이용하여 상기 영상 내의 상기 목표물체를 탐지(detect)하는 목표물체 탐지 단계를 포함하여, 3D CAD 모델링 기술이나 게임엔진 등을 활용하여 딥러닝 학습용 이미지를 3차원으로 만들어내는 것에 있어서, 알고리즘의 목표 물체 검출정확도를 증가시킬 수 있다.

Description

물체탐지 성능 향상용 인공물체 추가 방법 및 장치{Method and Apparatus of adding artificial object for improving performance in detecting object}
본 발명은 물체탐지 성능 향상 방법 및 장치에 관한 것이다. 보다 상세하게는, 물체탐지 성능 향상용 인공물체 추가 방법 및 장치에 관한 것이다.
머신러닝, 특히 그 중에서 딥러닝(deep learning)은 데이터가 많을수록 알고리즘의 예측 정확도가 상당히 높아진다. 이러한 이유로 딥러닝이 각광받고 있으며, 일반적으로 이미지(사진)를 사람 수준으로 예측하기 위해서는 최소 수 만~수백 만 장의 학습 이미지 데이터를 필요로 한다. 하지만 현실적으로 일부 공개되어있는 몇 종류의 표준 벤치마킹 데이터셋 외에는 여러 가지 기술 외적인 요인으로 인해 대용량 학습 데이터의 확보 자체가 쉽지 않은 실정이며 이러한 문제를 해결하기 위해서 게임엔진 혹은 3D CAD 모델링을 기반으로 이미지 예측을 위한 딥러닝 학습용 데이터를 생성하였다.
그러나 이러한 방법으로 생성된 학습용 데이터로 딥러닝 알고리즘을 개발하는 것에도 문제점이 있다. 3D 모델링이나 게임엔진을 사용하여 생성된 학습용 데이터는 개발자가 목표(표적)로 정한 하나의 특정 물체에 대해서 여러 날씨, 각도에서 본 물체의 모습을 나타내기에 특화되어있다. 그러나, 이 데이터를 통해서 개발된 알고리즘은 하나의 목표 물체가 아닌, 여러 물체가 섞여있거나 혹은 목표 물체와 비슷한 형태를 갖는 다른 물체가 근처에 있는 경우에는 예측을 잘하지 못한다는 문제점이 있다. 다시 말해서, 다른 물체나 비슷한 형태의 물체도 목표 물체라고 오탐지를 하는 경우가 생기며 이러한 경우의 수도 고려해서 알고리즘을 학습시켜야 한다.
따라서, 전술한 문제점을 해결하기 위해 본 발명의 목적은 물체탐지 성능 향상용 인공물체 추가 방법 및 장치를 제공하는 데 그 목적이 있다.
또한, 본 발명의 목적은 기존의 3D CAD 모델링이나 게임엔진 등을 이용하여 딥러닝 학습용 데이터를 생성하는 것에 더하여 임의의 물체, 목표 물체와 비슷한 종류의 물체, 다수의 목표 물체 등을 주변에 추가하여 알고리즘이 다양한 환경에서도 원하는 목표 물체를 더욱 잘 검출할 수 있도록 하는 방법을 제공하는 데 있다.
상기와 같은 과제를 해결하기 위한 본 발명에 따른 물체탐지 성능 향상용 인공물체 추가 방법이 제공된다. 상기 방법은, 영상 내에서 탐지하고자 하는 목표물체(target object) 주변에 인공물체(artificial object)를 추가하여 배치하는 인공물체 추가 배치 단계; 상기 목표물체와 상기 인공물체가 배치된 상기 영상에서 특정 알고리즘을 통해 상기 목표물체의 탐지를 위한 특징을 학습하는 학습 단계; 및 상기 학습에 따른 결과를 이용하여 상기 영상 내의 상기 목표물체를 탐지(detect)하는 목표물체 탐지 단계를 포함하여, 3D CAD 모델링 기술이나 게임엔진 등을 활용하여 딥러닝 학습용 이미지를 3차원으로 만들어내는 것에 있어서, 알고리즘의 목표 물체 검출정확도를 증가시킬 수 있다.
일 실시 예에서, 상기 인공물체 추가 배치 단계에서, 상기 목표물체와 다른 물체이지만, 상기 목표물체와 유사한 범주에 속하는 동종물체(homogeneous object)를 추가하고, 상기 목표물체 탐지 단계에서, 상기 동종물체 사이에 목표물체가 있는 환경에서 상기 목표물체의 제1 특징(feature)을 추출하여 상기 목표물체의 탐지 성능을 향상시킬 수 있다. 여기서, 상기 제1 특징은 상기 동종물체와 상기 목표물체를 구분할 수 있는 특징 정보일 수 있다.
일 실시 예에서, 상기 인공물체 추가 배치 단계에서, 상기 목표물체와 다른 종류인 이종물체(heterogeneous object)를 추가하고, 상기 목표물체 탐지 단계에서, 상기 이종물체 사이에 상기 목표물체가 있는 환경에서도 상기 목표물체의 제2 특징을 추출하여 목표물체 탐지의 성능을 향상시킬 수 있다. 여기서, 상기 제2 특징은 동종물체와 상기 이종물체를 구분할 수 있는 특징 정보일 수 있다.
일 실시 예에서, 상기 인공물체 추가 배치 단계에서, 상기 목표물체와 다른 물체이지만, 상기 목표물체와 유사한 범주에 속하는 동종물체(homogeneous object)를 추가하고, 상기 목표물체와 다른 종류인 이종물체(heterogeneous object)를 추가할 수 있다. 또한, 상기 목표물체 탐지 단계에서, 상기 동종물체와 상기 이종물체 사이에 상기 목표물체가 있는 환경에서 상기 목표물체의 제3 특징(feature)을 추출하여 상기 목표물체의 탐지 성능을 향상시킬 수 있다. 여기서, 상기 제3 특징은 상기 동종물체의 개수 또는 비율이 임계 치 이상이면 제1 특징으로 선택되고, 상기 이종물체의 개수 또는 비율이 제2 임계 치 이상이면 제2 특징으로 선택될 수 있다. 이와 관련하여, 상기 제1 특징은 상기 동종물체와 상기 목표물체를 구분할 수 있는 특징 정보이고, 상기 제2 특징은 상기 동종물체와 상기 이종물체를 구분할 수 있는 특징 정보일 수 있다.
일 실시 예에서, 상기 인공물체 추가 배치 단계에서, 상기 목표물체의 탐지 성능을 향상시키기 위해 배치된 상기 동종물체 및 상기 이종물체의 개수 및 빈도의 확률분포를 설정하고, 상기 설정된 확률분포에 기반하여, 상기 동종물체 및 상기 이종물체를 상기 목표물체의 주변 위치에 추가하여 배치할 수 있다. 또한, 상기 학습 단계에서, 상기 목표물체의 주변 위치에 상기 설정된 확률분포에 기반하여 상기 동종물체 및 상기 이종물체가 배치된 상기 영상을 이용하여 상기 목표물체의 제3 특징을 학습할 수 있다. 또한, 상기 목표물체 탐지 단계에서, 상기 동종물체와 상기 이종물체 사이에 상기 목표물체가 있는 환경 및 상황에서 상기 목표물체의 제3 특징을 추출하여 상기 목표물체의 탐지 성능을 향상시킬 수 있다.
일 실시 예에서, 상기 인공물체 추가 배치 단계에서, 상기 영상 내에서 상기 목표물체의 탐지(detection) 정확도 향상을 위해 상기 동종물체의 비율을 증가시킬 수 있다. 또한, 상기 학습 단계에서, 상기 증가된 비율을 고려하여 선정된 제2 동종물체 및 제3 이종물체가 배치된 상기 영상을 이용하여 상기 목표물체의 제3 특징을 학습할 수 있다. 여기서, 상기 제3 특징은 상기 동종물체의 개수 또는 비율이 임계 치 이상이면 상기 제1 특징으로 선택되고, 상기 이종물체의 개수 또는 비율이 제2 임계 치 이상이면 상기 제2 특징으로 선택될 ㅊ
일 실시 예에서, 상기 학습 단계에서, 상기 제3 특징과 상기 영상 내에서 상기 목표물체의 인식(identification) 정확도 향상을 위해 상기 목표물체의 제4 특징을 학습할 수 있다. 여기서, 상기 제4 특징은 상기 목표물체와 동일한 물체이면서 서로 다른 모델 또는 속성을 인식하기 위한 특징일 수 있다.
일 실시 예에서, 상기 학습 단계 및 상기 목표물체 탐지 단계에서, 복수의 물체가 배치되는 영역(area)과 관련된 IoU 기준(Intersection of Union Threshold)마다 Fβ(t) 점수의 평균이 가장 높은 특정 학습 알고리즘을 선택하고, 상기 선택된 학습 알고리즘에 따라 상기 목표물체의 탐지를 위한 특징을 학습할 수 있다. 여기서,
Figure 112019019645122-pat00001
이고, 동종물체 및 이종물체의 개수 및 빈도가 가변될 때마다 β를 동적으로 조정하여 Fβ(t)의 점수의 평균이 높도록 학습할 수 있다. 여기서, 여기서, TP(t)는 상기 물체탐지에 관한 패턴인식에 따른 분류에서 TP(t)는True Positive이고, FN(t)는 False Negative이고, FP(t)는 False Positive일 수 있다.
본 발명의 다른 측면에 따른 물체탐지 성능 향상용 인공물체 추가 기능을 갖는 물체 탐지 장치가 제공된다. 상기 장치는, 목표물체가 포함된 영상을 수신하는 인터페이스; 및 영상 내에서 탐지하고자 하는 목표물체(target object) 주변에 인공물체(artificial object)를 추가하여 배치하고, 상기 목표물체와 상기 인공물체가 배치된 상기 영상에서 특정 알고리즘을 통해 상기 목표물체의 탐지를 위한 특징을 학습하고, 상기 학습에 따른 결과를 이용하여 상기 영상 내의 상기 목표물체를 탐지(detect)하는 제어부를 포함한다.
일 실시 예에서, 상기 제어부는, 상기 목표물체와 다른 물체이지만, 상기 목표물체와 유사한 범주에 속하는 동종물체(homogeneous object)를 추가하고, 상기 동종물체 사이에 목표물체가 있는 환경에서 상기 목표물체의 제1 특징(feature)을 추출하여 상기 목표물체의 탐지 성능을 향상시킬 수 있다. 여기서, 상기 제1 특징은 상기 동종물체와 상기 목표물체를 구분할 수 있는 특징 정보일 수 있다.
일 실시 예에서, 상기 제어부는, 상기 목표물체와 다른 종류인 이종물체(heterogeneous object)를 추가하고, 상기 이종물체 사이에 상기 목표물체가 있는 환경에서도 상기 목표물체의 제2 특징을 추출하여 목표물체 탐지의 성능을 향상시킬 수 있다. 여기서, 상기 제2 특징은 동종물체와 상기 이종물체를 구분할 수 있는 특징 정보일 수 있다.
일 실시 예에서, 상기 제어부는, 상기 목표물체와 다른 물체이지만, 상기 목표물체와 유사한 범주에 속하는 동종물체(homogeneous object)를 추가하고, 상기 목표물체와 다른 종류인 이종물체(heterogeneous object)를 추가할 수 있다. 또한, 상기 제어부는, 상기 동종물체와 상기 이종물체 사이에 상기 목표물체가 있는 환경에서 상기 목표물체의 제3 특징(feature)을 추출하여 상기 목표물체의 탐지 성능을 향상시킬 수 있다. 여기서, 상기 제3 특징은 상기 동종물체의 개수 또는 비율이 임계 치 이상이면 제1 특징으로 선택되고, 상기 이종물체의 개수 또는 비율이 제2 임계 치 이상이면 제2 특징으로 선택될 수 있다. 한편, 상기 제1 특징은 상기 동종물체와 상기 목표물체를 구분할 수 있는 특징 정보이고, 상기 제2 특징은 상기 동종물체와 상기 이종물체를 구분할 수 있는 특징 정보일 수 있다.
일 실시 예에서, 상기 제어부는, 상기 목표물체의 탐지 성능을 향상시키기 위해 배치된 상기 동종물체 및 상기 이종물체의 개수 및 빈도의 확률분포를 설정하고, 상기 설정된 확률분포에 기반하여, 상기 동종물체 및 상기 이종물체를 상기 목표물체의 주변 위치에 추가하여 배치할 수 있다. 또한, 상기 제어부는, 상기 목표물체의 주변 위치에 상기 설정된 확률분포에 기반하여 상기 동종물체 및 상기 이종물체가 배치된 상기 영상을 이용하여 상기 목표물체의 제3 특징을 학습할 수 있다. 또한, 상기 동종물체와 상기 이종물체 사이에 상기 목표물체가 있는 환경 및 상황에서 상기 목표물체의 제3 특징을 추출하여 상기 목표물체의 탐지 성능을 향상시킬 수 있다.
일 실시 예에서, 상기 제어부는, 복수의 물체가 배치되는 영역(area)과 관련된 IoU 기준(Intersection of Union Threshold)마다 Fβ(t) 점수의 평균이 가장 높은 특정 학습 알고리즘을 선택하고, 상기 선택된 학습 알고리즘에 따라 상기 목표물체의 탐지를 위한 특징을 학습할 수 있다.
여기서,
Figure 112019019645122-pat00002
이고, 동종물체 및 이종물체의 개수 및 빈도가 가변될 때마다 β를 동적으로 조정하여 Fβ(t)의 점수의 평균이 높도록 학습할 수 있다. 여기서, TP(t)는 상기 물체탐지에 관한 패턴인식에 따른 분류에서 True Positive이고, FN(t)는 False Negative이고, FP(t)는 False Positive일 수 있다.
본 발명의 적어도 일 실시예에 따르면, 3D CAD 모델링 기술이나 게임엔진 등을 활용하여 딥러닝 학습용 이미지를 3차원으로 만들어내는 것에 있어서, 알고리즘의 목표 물체 검출정확도를 증가시킬 수 있다는 장점이 있다.
또한, 본 발명의 적어도 일 실시예에 따르면, 단일 목표 물체뿐만 아니라, 다수의 목표 물체 탐지와 유사 물체 배척 등의 효과를 얻을 수 있다는 장점이 있다.
도 1은 본 발명과 관련한 3D 가상 딥러닝 학습용 데이터를 나타낸다.
도 2는 본 발명의 일 실시 예에 따른 개선된 가상 데이터 활용 방법의 개념도를 나타낸다.
도 3은 본 발명의 다른 실시 예에 따른 개선된 가상 데이터 활용 방법의 개념도를 나타낸다.
도 4는 본 발명에 따른 물체탐지 성능 향상용 인공물체(artificial object) 추가 장치의 구성을 나타낸다.
도 5는 본 발명에 따른 IoU 기준을 설정하기 위한 개념도와 물체탐지에 관한 패턴인식에 따른 분류를 위한 개념도를 나타낸다.
도 6은 본 발명에 따른 물체탐지 성능 향상용 인공물체 추가 방법의 흐름도를 나타낸다.
상술한 본 발명의 특징 및 효과는 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해 질 것이며, 그에 따라 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 구체적으로 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.
각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용한다.
제1, 제2등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다.
일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않아야 한다.
이하의 설명에서 사용되는 구성요소에 대한 접미사 모듈, 블록 및 부는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.
이하, 본 발명의 바람직한 실시 예를 첨부한 도면을 참조하여 당해 분야에 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 설명한다. 하기에서 본 발명의 실시 예를 설명함에 있어, 관련된 공지의 기능 또는 공지의 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다.
이하에서는, 본 발명에 따른 물체탐지 성능 향상용 인공물체 추가 방법 및 장치에 대해 살펴보기로 한다. 여기서, 물체탐지는 영상 내에 여러 물체가 있는 경우 어떤 물체인지, 예를 들어 자동차, 자전거인지 여부 등을 탐지(또는 검출)하는 것이다. 여기서, 물체는 객체로 지칭될 수 있고, 따라서 물체탐지는 물체검출, 객체탐지, 객체검출 등의 용어로 사용될 수 있다.
이와 관련하여, 도 1은 본 발명과 관련한 3D 가상 딥러닝 학습용 데이터를 나타낸다. 도 1을 참조하면, 서로 다른 자동차(car)에 대해 서로 다른 측면 뷰 영상(side view image)와 후방 뷰 영상(rear view image)가 3D 가상 딥러닝 학습용 데이터에 해당할 수 있다.
도 1에서는, 본 발명과 관련하여 딥러닝 학습용 3D 데이터를 예시도로 나타내었다. 목표 물체를 자동차라고 예를 들어 설명하면, 프로그램을 사용하여 다양한 각도에서 본 목표 물체 이미지를 얻어낼 수 있다. 결과적으로 이러한 데이터로 딥러닝 알고리즘(뉴럴 네트워크)을 학습시키면, 이러한 알고리즘은 다양한 각도에서도 자동차라는 목표 물체를 검출할 수 있는 능력을 가질 수 있게 된다.
한편, 도 2는 본 발명의 일 실시 예에 따른 개선된 가상 데이터 활용 방법의 개념도를 나타낸다.
도 2를 참조하면, 도 1에서 나타낸 학습용 데이터를 본 발명에서 개선시킨 예시도이다. 이와 관련하여, 도 1의 방식만 활용한다면, 해당 자동차와 비슷한 물체만 있는 경우 검출이 가능하도록 학습시킬 수 있다.
그러나, 물체검출 딥러닝 알고리즘에서 널리 사용되며 가장 성능이 우수한 CNN(Convolutional Neural Network)의 경우, 물체의 모양이나 특징을 추출해서 검출하기 때문에 바퀴라는 특징을 학습하게 될 것이다. 따라서 바퀴가 달렸지만 자동차가 아닌 물체를 자동차라고 인식할 확률이 높아지게 된다. 학습이미지에 이러한 반례(counter-example)를 만들어주고자 ‘바퀴가 달렸지만 자동차가 아닌 물체’를 가상 자동차 이미지 주위에 임의의 위치, 임의의 개수대로 넣으면 더욱 정확한 알고리즘으로 학습할 수 있게 된다.
한편, 도 3은 본 발명의 다른 실시 예에 따른 개선된 가상 데이터 활용 방법의 개념도를 나타낸다.
도 3을 참조하면, 도 2와 비슷한 예로 목표 물체가 아닌 임의의 물체를 목표 물체(예시: 자동차) 주변에 넣어서 가상 학습용 이미지 데이터로 만들 수 있음을 나타낸다. 따라서, 목표 물체가 아닌 임의의 물체를 넣어줌으로서 다른 물체들과 목표 물체를 알고리즘이 정확히 분간하여 인식할 수 있도록 한다.
따라서, 도 1 내지 도 3을 참조하면, 본 발명에 따른 물체탐지 성능 향상용 인공물체 추가 방법 및 장치의 기술적 차별점은 다음과 같다.
1) 물체탐지 성능 향상용 인공물체 추가 방법
탐지목표 물체 주변에 인공물체를 추가하여 다양한 환경에서도 목표물체 탐지의 성능을 향상시키는 방법을 제공한다.
2) 물체탐지 대상물의 동종물체 추가를 통한 의도적인 학습방법 변형 방법
목표 물체와 다른 물체이지만, 비슷한 범주에 속하는 동종물체를 추가하여 비슷한 특징 속에서도 목표 물체의 특징을 추출하여 동종물체 사이에 목표 물체가 있는 환경에서도 목표 물체 탐지의 성능을 향상시키는 방법을 제공한다.
3) 물체탐지 대상물의 이종물체 추가를 통한 의도적인 학습방법 변형 방법
목표 물체와 다른 종류인 이종물체를 추가하여 이종물체 사이에 목표 물체가 있는 환경에서도 목표 물체 탐지의 성능을 향상시키는 방법을 제공한다.
4) 추가된 인공물체 개수 및 빈도의 확률분포 설정 방법
앞서 탐지 성능향상을 위해 삽입된 동종 및 이종 물체의 개수 및 빈도의 확률분포(ex : Uniform Distribution), Gaussian Distribution, Poisson Distribution)를 설정하여 특정 환경 및 상황(ex : 동종 물체가 30%, 이종 물체가 70% 사이에 목표 물체가 있는 상황)에서 탐지 성능을 향상시킬 수 있도록 하는 방법을 제공한다.
한편, 도 4는 본 발명에 따른 물체탐지 성능 향상용 인공물체(artificial object) 추가 장치의 구성을 나타낸다. 이와 관련하여, 인공물체 추가 장치는 물체탐지 성능 향상용 인공물체 추가 방법을 수행하는 장치로, 인공물체 추가 장치 (또는 시스템) 이외에 물체탐지 장치 (또는 시스템)로 지칭될 수 있다.
도 4를 참조하면, 본 발명에 따른 인공물체 추가 장치 (또는 시스템)는 인터페이스부(110), 제어부(120) 및 메모리(130)를 포함한다. 한편, 인공물체 추가 장치는 복수의 단말과 인터페이스될 수 있다. 여기서, 복수의 단말은 특정 물체에 대한 영상을 촬영 및/또는 저장하는 장치에 해당한다. 예를 들어, 복수의 단말은 복수의 지능형 카메라(intelligent camera), CCTV, 영상 저장 장치, 사용자 기기 등을 포함할 수 있다.
인터페이스부(110)는 목표물체가 포함된 영상을 적어도 하나의 단말로부터 수신하도록 구성된다. 한편, 메모리(130)는 적어도 하나의 단말로부터 수신된 영상중 적어도 일부 저장하거나 또는 제어부(120)에 의해 처리된 영상 중 적어도 일부를 저장하도록 구성된다.
한편, 제어부(120)는 영상 내에서 탐지하고자 하는 목표물체(target object) 주변에 인공물체(artificial object)를 추가하여 배치하도록 구성된다. 또한, 제어부(120)는 상기 목표물체와 상기 인공물체가 배치된 상기 영상에서 특정 알고리즘을 통해 상기 목표물체의 탐지를 위한 특징을 학습하도록 구성된다. 또한, 제어부(120)는 상기 학습에 따른 결과를 이용하여 상기 영상 내의 상기 목표물체를 탐지(detect)하도록 구성된다.
한편, 제어부(120)는 상기 목표물체와 다른 물체이지만, 상기 목표물체와 유사한 범주에 속하는 동종물체(homogeneous object)를 추가할 수 있다. 이에 따라, 도 2와 같이 상기 동종물체 사이에 목표물체가 있는 환경에서 상기 목표물체의 제1 특징(feature)을 추출하여 상기 목표물체의 탐지 성능을 향상시킬 수 있다. 이때, 상기 제1 특징은 상기 동종물체와 상기 목표물체를 구분할 수 있는 특징 정보일 수 있다. 예를 들어, 상기 제1 특징은 상기 목표물체와 상기 동종물체의 공통된 특징이면서 상호 간 구분할 수 있는 바퀴의 형태 및 크기일 수 있다.
한편, 제어부(120)는 상기 목표물체와 다른 종류인 이종물체(heterogeneous object)를 추가할 수 있다. 이에 따라, 도 3과 같이 상기 이종물체 사이에 상기 목표물체가 있는 환경에서도 상기 목표물체의 제2 특징을 추출하여 목표물체 탐지의 성능을 향상시킬 수 있다. 이때, 상기 제2 특징은 동종물체와 상기 이종물체를 구분할 수 있는 특징 정보이고, 상기 제1 특징과 상이할 수 있다. 예를 들어, 상기 제2 특징은 상기 동종물체와 상기 이종물체를 구분할 수 있는 물체의 외곽 형태 정보, 물체 크기 정보 및/또는 물체 재질 정보일 수 있다.
한편, 제어부(120)는 상기 목표물체와 다른 물체이지만, 상기 목표물체와 유사한 범주에 속하는 동종물체(homogeneous object)를 추가하고, 상기 목표물체와 다른 종류인 이종물체(heterogeneous object)를 추가할 수 있다. 이와 관련하여, 제어부(120)는 동종물체와 이종물체를 일정한 비율로 함께 추가하면서 각각의 개수와 비율을 조정할 수 있다. 다른 실시 예로서, 제어부(120)는 동종물체를 먼저 추가하고, 이후 이종물체의 개수를 증가시키면서 추가할 수 있다. 또 다른 실시 예로서, 제어부(120)는 이종물체를 먼저 추가하고, 이후 동종물체의 개수를 증가시키면서 추가할 수 있다.
이와 관련하여, 제어부(120)는 상기 동종물체와 상기 이종물체 사이에 상기 목표물체가 있는 환경에서 상기 목표물체의 제3 특징(feature)을 추출하여 상기 목표물체의 탐지 성능을 향상시킬 수 있다. 이때, 상기 제3 특징은 상기 동종물체의 개수 또는 비율이 임계 치 이상이면 제1 특징으로 선택되고, 상기 이종물체의 개수 또는 비율이 제2 임계 치 이상이면 제2 특징으로 선택될 수 있다. 반면에, 상기 동종물체와 상기 이종물체의 개수 또는 비율이 일정 범위 내이면 상기 개수 또는 비율에 기반하여 상기 제1 특징과 상기 제2 특징을 조합하여 선택할 수 있다.
여기서, 상기 제1 특징은 상기 동종물체와 상기 목표물체를 구분할 수 있는 특징 정보이고, 상기 제2 특징은 상기 동종물체와 상기 이종물체를 구분할 수 있는 특징 정보이다.
한편, 제어부(120)는 상기 목표물체의 탐지 성능을 향상시키기 위해 배치된 상기 동종물체 및 상기 이종물체의 개수 및 빈도의 확률분포를 설정할 수 있다. 이에 따라, 상기 설정된 확률분포에 기반하여, 상기 동종물체 및 상기 이종물체를 상기 목표물체의 주변 위치에 추가하여 배치할 수 있다.
한편, 제어부(120)는 상기 목표물체의 주변 위치에 상기 설정된 확률분포에 기반하여 상기 동종물체 및 상기 이종물체가 배치된 상기 영상을 이용하여 상기 목표물체의 제3 특징을 학습하도록 구성될 수 있다. 이에 따라, 제어부(120)는 상기 동종물체와 상기 이종물체 사이에 상기 목표물체가 있는 환경 및 상황에서 상기 목표물체의 제3 특징을 추출하여 상기 목표물체의 탐지 성능을 향상시킬 수 있다.
한편, 제어부(120)는 영상 내에서 상기 목표물체의 탐지(detection) 정확도 향상을 위해 상기 동종물체의 비율을 증가시킬 수 있다. 또한, 제어부(120)는 상기 증가된 비율을 고려하여 선정된 제2 동종물체 및 제3 이종물체가 배치된 상기 영상을 이용하여 상기 목표물체의 제3 특징을 학습할 수 있다. 예를 들어, 동종물체와 이종물체의 비율이 30%, 70%인 경우에 동종물체의 비율을 증가시켜, 제2 동종물체 및 제3 이종물체의 비율은 40%, 60% 또는 50%, 50%로 변경될 수 있다.
이와 관련하여, 상기 제3 특징은 상기 동종물체의 개수 또는 비율이 임계 치 이상이면 상기 제1 특징으로 선택될 수 있다. 또한, 상기 제3 특징은 상기 이종물체의 개수 또는 비율이 제2 임계 치 이상이면 상기 제2 특징으로 선택될 수 있다.
한편, 제어부(120)는 상기 제3 특징과 상기 영상 내에서 상기 목표물체의 인식(identification) 정확도 향상을 위해 상기 목표물체의 제4 특징을 학습하도록 구성될 수 있다. 여기서, 상기 제4 특징은 상기 목표물체와 동일한 물체이면서 서로 다른 모델 또는 속성을 인식하기 위한 특징일 수 있다. 예를 들어, 상기 제4 특징은 자동차를 탐지(검출)한 이후, 어떤 종류/유형의 자동차인지를 인식하기 위해, 서로 다른 자동차의 외관, 즉 자동차의 경계 영역을 인식하기 위한 특징 정보일 수 있다.
한편, 제어부(120)는 복수의 물체가 배치되는 영역(area)과 관련된 IoU 기준(Intersection of Union Threshold)마다 Fβ(t) 점수의 평균이 가장 높은 특정 학습 알고리즘을 선택하도록 구성될 수 있다. 이에 따라, 제어부(120)는 상기 선택된 학습 알고리즘에 따라 상기 목표물체의 탐지를 위한 특징을 학습하도록 구성될 수 있다.
이와 관련하여, IoU 기준(Intersection of Union Threshold)을 0.5부터 0.05 단위로 증가하여 0.95까지로 정할 숭 있다. 예를 들어, 총 10가지 기준, 예컨대 0.5, 0.55, 0.6, 0.65, 0.7, 0.75, 0.8, 0.85, 0.9, 0.95로 설정할 수 있다. 하지만, 이러한 설정 기준에 한정되는 것은 아니고 응용에 따라 IoU 기준의 최소값과 최대값과 각 구간 사이의 차이값을 추가된 동종물체 및 이종물체의 개수 및 비율을 고려하여 물체탐지 성능에 따라 동적으로 변경할 수 있다.
본 발명에 따르면, 각 IoU 기준마다 F2 점수를 계산하고, 계산된 F2 점수의 평균(
Figure 112019019645122-pat00003
)이 높은 알고리즘이 검출 정확도가 높은 것으로 정의할 수 있다.
예를 들어,
Figure 112019019645122-pat00004
이고, 동종물체 및 이종물체의 개수 및 빈도가 가변될 때마다 β를 동적으로 조정하여 Fβ(t)의 점수의 평균이 높도록 학습할 수 있다. 여기서, TP(t)는 상기 물체탐지에 관한 패턴인식에 따른 분류에서 True Positive이고, FN(t)는 False Negative이고, FP(t)는 False Positive에 해당할 수 있다.
이와 관련하여, 도 5는 본 발명에 따른 IoU 기준을 설정하기 위한 개념도와 물체탐지에 관한 패턴인식에 따른 분류를 위한 개념도를 나타낸다. 도 5를 참조하면, IoU 기준은 복수의 물체 간 중첩 영역(Area of Overlap)과 결합 영역(Area of Union)의 비율에 따라 결정될 수 있다. 또한, 도 5를 참조하면, 믈체탐지에 관한 패턴인식에 따른 분류는 True Positive, False Negative, False Positive 및 False Negative를 포함할 수 있다.
한편, 도 6은 본 발명에 따른 물체탐지 성능 향상용 인공물체 추가 방법의 흐름도를 나타낸다. 이와 관련하여, 도 6의 물체탐지 성능 향상용 인공물체 추가 방법은 인공물체 추가 장치(또는 시스템)의 제어부에 의해 수행될 수 있다.
도 6을 참조하면, 물체탐지 성능 향상용 인공물체 추가 방법은 인공물체 추가 배치 단계(S110), 학습 단계(S120), 목표물체 탐지 단계(S130) 및 탐지 성능 평가 단계(S140)를 포함한다.
인공물체 추가 배치 단계(S110)에서, 영상 내에서 탐지하고자 하는 목표물체(target object) 주변에 인공물체(artificial object)를 추가하여 배치한다. 한편, 학습 단계(S120)에서, 상기 목표물체와 상기 인공물체가 배치된 상기 영상에서 특정 알고리즘을 통해 상기 목표물체의 탐지를 위한 특징을 학습한다. 또한, 목표물체 탐지 단계(S130)에서, 상기 학습에 따른 결과를 이용하여 상기 영상 내의 상기 목표물체를 탐지(detect)한다.
한편, 탐지 성능 평가 단계(S140)에서, 상기 영상 내의 상기 목표물체 탐지와 관련한 탐지 정확도가 일정 수준 이하이면, 인공물체 추가 배치 단계(S110) 이하의 단계 또는 학습 단계(120) 이하의 단계를 반복할 수 있다.
한편, 인공물체 추가 배치 단계(S110)에서, 상기 목표물체와 다른 물체이지만, 상기 목표물체와 유사한 범주에 속하는 동종물체(homogeneous object)를 추가할 수 있다. 이에 따라, 목표물체 탐지 단계(S130)에서, 상기 동종물체 사이에 목표물체가 있는 환경에서 상기 목표물체의 제1 특징(feature)을 추출하여 상기 목표물체의 탐지 성능을 향상시킬 수 있다. 이때, 상기 제1 특징은 상기 동종물체와 상기 목표물체를 구분할 수 있는 특징 정보일 수 있다.
한편, 인공물체 추가 배치 단계(S110)에서, 상기 목표물체와 다른 종류인 이종물체(heterogeneous object)를 추가할 수 있다. 이에 따라, 목표물체 탐지 단계(S130)에서, 상기 이종물체 사이에 상기 목표물체가 있는 환경에서도 상기 목표물체의 제2 특징을 추출하여 목표물체 탐지의 성능을 향상시킬 수 있다. 이때, 상기 제2 특징은 동종물체와 상기 이종물체를 구분할 수 있는 특징 정보일 수 있다.
한편, 인공물체 추가 배치 단계(S110)에서, 상기 목표물체와 다른 물체이지만, 상기 목표물체와 유사한 범주에 속하는 동종물체(homogeneous object)를 추가하고, 상기 목표물체와 다른 종류인 이종물체(heterogeneous object)를 추가할 수 있다. 이에 따라, 목표물체 탐지 단계(S130)에서, 상기 동종물체와 상기 이종물체 사이에 상기 목표물체가 있는 환경에서 상기 목표물체의 제3 특징(feature)을 추출하여 상기 목표물체의 탐지 성능을 향상시킬 수 있다.
여기서, 상기 제3 특징은 상기 동종물체의 개수 또는 비율이 임계 치 이상이면 제1 특징으로 선택되고, 상기 이종물체의 개수 또는 비율이 제2 임계 치 이상이면 제2 특징으로 선택될 수 있다. 이때, 상기 제1 특징은 상기 동종물체와 상기 목표물체를 구분할 수 있는 특징 정보이고, 상기 제2 특징은 상기 동종물체와 상기 이종물체를 구분할 수 있는 특징 정보일 수 있다.
한편, 인공물체 추가 배치 단계(S110)에서, 기 목표물체의 탐지 성능을 향상시키기 위해 배치된 상기 동종물체 및 상기 이종물체의 개수 및 빈도의 확률분포를 설정할 수 있다. 또한, 상기 설정된 확률분포에 기반하여, 상기 동종물체 및 상기 이종물체를 상기 목표물체의 주변 위치에 추가하여 배치할 수 있다. 이에 따라, 학습 단계(S120)에서, 상기 목표물체의 주변 위치에 상기 설정된 확률분포에 기반하여 상기 동종물체 및 상기 이종물체가 배치된 상기 영상을 이용하여 상기 목표물체의 제3 특징을 학습할 수 있다. 또한, 목표물체 탐지 단계(S130)에서, 상기 동종물체와 상기 이종물체 사이에 상기 목표물체가 있는 환경 및 상황에서 상기 목표물체의 제3 특징을 추출하여 상기 목표물체의 탐지 성능을 향상시킬 수 있다.
한편, 인공물체 추가 배치 단계(S110)에서, 상기 영상 내에서 상기 목표물체의 탐지(detection) 정확도 향상을 위해 상기 동종물체의 비율을 증가시킬 수 있다. 이에 따라, 학습 단계(S120)에서, 상기 증가된 비율을 고려하여 선정된 제2 동종물체 및 제3 이종물체가 배치된 상기 영상을 이용하여 상기 목표물체의 제3 특징을 학습할 수 있다.
여기서, 상기 제3 특징은 상기 동종물체의 개수 또는 비율이 임계 치 이상이면 상기 제1 특징으로 선택되고, 상기 이종물체의 개수 또는 비율이 제2 임계 치 이상이면 상기 제2 특징으로 선택될 수 있다.
한편, 학습 단계(S120)에서, 상기 제3 특징과 상기 영상 내에서 상기 목표물체의 인식(identification) 정확도 향상을 위해 상기 목표물체의 제4 특징을 학습할 수 있다. 이때, 상기 제4 특징은 상기 목표물체와 동일한 물체이면서 서로 다른 모델 또는 속성을 인식하기 위한 특징일 수 있다.
한편, 상기 학습 단계 (S120) 및 상기 목표물체 탐지 단계 (S130)에서, 복수의 물체가 배치되는 영역(area)과 관련된 IoU 기준(Intersection of Union Threshold)마다 Fβ(t) 점수의 평균이 가장 높은 특정 학습 알고리즘을 선택할 수 있다. 또한, 상기 선택된 학습 알고리즘에 따라 상기 목표물체의 탐지를 위한 특징을 학습할 수 있다.
여기서,
Figure 112019019645122-pat00005
이고, 동종물체 및 이종물체의 개수 및 빈도가 가변될 때마다 β를 동적으로 조정하여 Fβ(t)의 점수의 평균이 높도록 학습할 수 있다. 여기서, TP(t)는 상기 물체탐지에 관한 패턴인식에 따른 분류에서 TP(t)는True Positive이고, FN(t)는 False Negative이고, FP(t)는 False Positive일 수 있다.
이상에서는 본 발명에 따른 물체탐지 성능 향상용 인공물체 추가 방법 및 장치에 대해 살펴보았다. 본 발명에 따른 물체탐지 성능 향상용 인공물체 추가 방법 및 장치의 기술적 효과는 다음과 같다.
본 발명의 적어도 일 실시예에 따르면, 3D CAD 모델링 기술이나 게임엔진 등을 활용하여 딥러닝 학습용 이미지를 3차원으로 만들어내는 것에 있어서, 알고리즘의 목표 물체 검출정확도를 증가시킬 수 있다는 장점이 있다.
또한, 본 발명의 적어도 일 실시예에 따르면, 단일 목표 물체뿐만 아니라, 다수의 목표 물체 탐지와 유사 물체 배척 등의 효과를 얻을 수 있다는 장점이 있다.
소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능뿐만 아니라 각각의 구성 요소들에 대한 설계 및 파라미터 최적화는 별도의 소프트웨어 모듈로도 구현될 수 있다. 적절한 프로그램 언어로 쓰여진 소프트웨어 어플리케이션으로 소프트웨어 코드가 구현될 수 있다. 상기 소프트웨어 코드는 메모리에 저장되고, 제어부(controller) 또는 프로세서(processor)에 의해 실행될 수 있다.

Claims (14)

  1. 물체탐지 성능 향상용 인공물체 추가 방법에 있어서, 상기 방법은 물체 탐지 장치의 제어부에 의해 수행되고, 상기 방법은,
    영상 내에서 탐지하고자 하는 목표물체(target object) 주변에 인공물체(artificial object)를 추가하여 배치하는 인공물체 추가 배치 단계;
    상기 목표물체와 상기 인공물체가 배치된 상기 영상에서 특정 알고리즘을 통해 상기 목표물체의 탐지를 위한 특징을 학습하는 학습 단계; 및
    상기 학습에 따른 결과를 이용하여 상기 영상 내의 상기 목표물체를 탐지(detect)하는 목표물체 탐지 단계를 포함하고,
    상기 인공물체 추가 배치 단계에서, 상기 목표물체와 다른 물체이지만, 상기 목표물체와 유사한 범주에 속하는 동종물체(homogeneous object)를 추가하고,
    상기 목표물체 탐지 단계에서, 상기 동종물체 사이에 목표물체가 있는 환경에서 상기 목표물체의 제1 특징(feature)을 추출하여 상기 목표물체의 탐지 성능을 향상시키고,
    상기 제1 특징은 상기 동종물체와 상기 목표물체를 구분할 수 있는 특징 정보인 것을 특징으로 하는, 물체탐지 성능 향상용 인공물체 추가 방법.
  2. 삭제
  3. 제1 항에 있어서,
    상기 인공물체 추가 배치 단계에서, 상기 목표물체와 다른 종류인 이종물체(heterogeneous object)를 추가하고,
    상기 목표물체 탐지 단계에서, 상기 이종물체 사이에 상기 목표물체가 있는 환경에서도 상기 목표물체의 제2 특징을 추출하여 목표물체 탐지의 성능을 향상시키고,
    상기 제2 특징은 동종물체와 상기 이종물체를 구분할 수 있는 특징 정보인, 물체탐지 성능 향상용 인공물체 추가 방법.
  4. 제1 항에 있어서,
    상기 인공물체 추가 배치 단계에서, 상기 목표물체와 다른 물체이지만, 상기 목표물체와 유사한 범주에 속하는 동종물체(homogeneous object)를 추가하고, 상기 목표물체와 다른 종류인 이종물체(heterogeneous object)를 추가하고,
    상기 목표물체 탐지 단계에서, 상기 동종물체와 상기 이종물체 사이에 상기 목표물체가 있는 환경에서 상기 목표물체의 제3 특징(feature)을 추출하여 상기 목표물체의 탐지 성능을 향상시키고,
    상기 제3 특징은 상기 동종물체의 개수 또는 비율이 임계 치 이상이면 제1 특징으로 선택되고, 상기 이종물체의 개수 또는 비율이 제2 임계 치 이상이면 제2 특징으로 선택되고,
    상기 제1 특징은 상기 동종물체와 상기 목표물체를 구분할 수 있는 특징 정보이고, 상기 제2 특징은 상기 동종물체와 상기 이종물체를 구분할 수 있는 특징 정보인 것을 특징으로 하는, 물체탐지 성능 향상용 인공물체 추가 방법.
  5. 제4 항에 있어서,
    상기 인공물체 추가 배치 단계에서, 상기 목표물체의 탐지 성능을 향상시키기 위해 배치된 상기 동종물체 및 상기 이종물체의 개수 및 빈도의 확률분포를 설정하고, 상기 설정된 확률분포에 기반하여, 상기 동종물체 및 상기 이종물체를 상기 목표물체의 주변 위치에 추가하여 배치하고,
    상기 학습 단계에서, 상기 목표물체의 주변 위치에 상기 설정된 확률분포에 기반하여 상기 동종물체 및 상기 이종물체가 배치된 상기 영상을 이용하여 상기 목표물체의 제3 특징을 학습하고,
    상기 목표물체 탐지 단계에서, 상기 동종물체와 상기 이종물체 사이에 상기 목표물체가 있는 환경 및 상황에서 상기 목표물체의 제3 특징을 추출하여 상기 목표물체의 탐지 성능을 향상시키는 것을 특징으로 하는, 물체탐지 성능 향상용 인공물체 추가 방법.
  6. 제5 항에 있어서,
    상기 인공물체 추가 배치 단계에서, 상기 영상 내에서 상기 목표물체의 탐지(detection) 정확도 향상을 위해 상기 동종물체의 비율을 증가시키고,
    상기 학습 단계에서, 상기 증가된 비율을 고려하여 선정된 제2 동종물체 및 제3 이종물체가 배치된 상기 영상을 이용하여 상기 목표물체의 제3 특징을 학습하고,
    상기 제3 특징은 상기 동종물체의 개수 또는 비율이 임계 치 이상이면 상기 제1 특징으로 선택되고, 상기 이종물체의 개수 또는 비율이 제2 임계 치 이상이면 상기 제2 특징으로 선택되는 것을 특징으로 하는, 물체탐지 성능 향상용 인공물체 추가 방법.
  7. 제5 항에 있어서,
    상기 학습 단계에서, 상기 제3 특징과 상기 영상 내에서 상기 목표물체의 인식(identification) 정확도 향상을 위해 상기 목표물체의 제4 특징을 학습하고,
    상기 제4 특징은 상기 목표물체와 동일한 물체이면서 서로 다른 모델 또는 속성을 인식하기 위한 특징인, 물체탐지 성능 향상용 인공물체 추가 방법.
  8. 제1 항에 있어서,
    상기 학습 단계 및 상기 목표물체 탐지 단계에서, 복수의 물체가 배치되는 영역(area)과 관련된 IoU 기준(Intersection of Union Threshold)마다 Fβ(t) 점수의 평균이 가장 높은 특정 학습 알고리즘을 선택하고, 상기 선택된 학습 알고리즘에 따라 상기 목표물체의 탐지를 위한 특징을 학습하고,
    여기서,
    Figure 112019019645122-pat00006
    이고, 동종물체 및 이종물체의 개수 및 빈도가 가변될 때마다 β를 동적으로 조정하여 Fβ(t)의 점수의 평균이 높도록 학습하고,
    여기서, TP(t)는 상기 물체탐지에 관한 패턴인식에 따른 분류에서 True Positive이고, FN(t)는 False Negative이고, FP(t)는 False Positive인, 물체탐지 성능 향상용 인공물체 추가 방법.
  9. 물체탐지 성능 향상용 인공물체 추가 기능을 갖는 물체 탐지 장치에 있어서,
    목표물체가 포함된 영상을 수신하는 인터페이스; 및
    영상 내에서 탐지하고자 하는 목표물체(target object) 주변에 인공물체(artificial object)를 추가하여 배치하고,
    상기 목표물체와 상기 인공물체가 배치된 상기 영상에서 특정 알고리즘을 통해 상기 목표물체의 탐지를 위한 특징을 학습하고,
    상기 학습에 따른 결과를 이용하여 상기 영상 내의 상기 목표물체를 탐지(detect)하는 제어부를 포함하고,
    상기 제어부는, 상기 목표물체와 다른 물체이지만, 상기 목표물체와 유사한 범주에 속하는 동종물체(homogeneous object)를 추가하고,
    상기 동종물체 사이에 목표물체가 있는 환경에서 상기 목표물체의 제1 특징(feature)을 추출하여 상기 목표물체의 탐지 성능을 향상시키고,
    상기 제1 특징은 상기 동종물체와 상기 목표물체를 구분할 수 있는 특징 정보인 것을 특징으로 하는, 물체 탐지 장치.
  10. 삭제
  11. 제9 항에 있어서,
    상기 제어부는,
    상기 목표물체와 다른 종류인 이종물체(heterogeneous object)를 추가하고,
    상기 이종물체 사이에 상기 목표물체가 있는 환경에서도 상기 목표물체의 제2 특징을 추출하여 목표물체 탐지의 성능을 향상시키고,
    상기 제2 특징은 동종물체와 상기 이종물체를 구분할 수 있는 특징 정보인 것을 특징으로 하는, 물체탐지 장치.
  12. 제9 항에 있어서,
    상기 제어부는, 상기 목표물체와 다른 물체이지만, 상기 목표물체와 유사한 범주에 속하는 동종물체(homogeneous object)를 추가하고, 상기 목표물체와 다른 종류인 이종물체(heterogeneous object)를 추가하고,
    상기 동종물체와 상기 이종물체 사이에 상기 목표물체가 있는 환경에서 상기 목표물체의 제3 특징(feature)을 추출하여 상기 목표물체의 탐지 성능을 향상시키고,
    상기 제3 특징은 상기 동종물체의 개수 또는 비율이 임계 치 이상이면 제1 특징으로 선택되고, 상기 이종물체의 개수 또는 비율이 제2 임계 치 이상이면 제2 특징으로 선택되고,
    상기 제1 특징은 상기 동종물체와 상기 목표물체를 구분할 수 있는 특징 정보이고, 상기 제2 특징은 상기 동종물체와 상기 이종물체를 구분할 수 있는 특징 정보인 것을 특징으로 하는, 물체탐지 장치.
  13. 제12 항에 있어서,
    상기 제어부는, 상기 목표물체의 탐지 성능을 향상시키기 위해 배치된 상기 동종물체 및 상기 이종물체의 개수 및 빈도의 확률분포를 설정하고, 상기 설정된 확률분포에 기반하여, 상기 동종물체 및 상기 이종물체를 상기 목표물체의 주변 위치에 추가하여 배치하고,
    상기 목표물체의 주변 위치에 상기 설정된 확률분포에 기반하여 상기 동종물체 및 상기 이종물체가 배치된 상기 영상을 이용하여 상기 목표물체의 제3 특징을 학습하고,
    상기 동종물체와 상기 이종물체 사이에 상기 목표물체가 있는 환경 및 상황에서 상기 목표물체의 제3 특징을 추출하여 상기 목표물체의 탐지 성능을 향상시키는 것을 특징으로 하는, 물체탐지 장치.
  14. 제9 항에 있어서,
    상기 제어부는, 복수의 물체가 배치되는 영역(area)과 관련된 IoU 기준(Intersection of Union Threshold)마다 Fβ(t) 점수의 평균이 가장 높은 특정 학습 알고리즘을 선택하고, 상기 선택된 학습 알고리즘에 따라 상기 목표물체의 탐지를 위한 특징을 학습하고,
    여기서,
    Figure 112019019645122-pat00007
    이고, 동종물체 및 이종물체의 개수 및 빈도가 가변될 때마다 β를 동적으로 조정하여 Fβ(t)의 점수의 평균이 높도록 학습하고,
    여기서, TP(t)는 상기 물체탐지에 관한 패턴인식에 따른 분류에서 True Positive이고, FN(t)는 False Negative이고, FP(t)는 False Positive인, 물체탐지 장치.
KR1020190021986A 2019-02-25 2019-02-25 물체탐지 성능 향상용 인공물체 추가 방법 및 장치 KR101972095B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190021986A KR101972095B1 (ko) 2019-02-25 2019-02-25 물체탐지 성능 향상용 인공물체 추가 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190021986A KR101972095B1 (ko) 2019-02-25 2019-02-25 물체탐지 성능 향상용 인공물체 추가 방법 및 장치

Publications (1)

Publication Number Publication Date
KR101972095B1 true KR101972095B1 (ko) 2019-04-24

Family

ID=66282375

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190021986A KR101972095B1 (ko) 2019-02-25 2019-02-25 물체탐지 성능 향상용 인공물체 추가 방법 및 장치

Country Status (1)

Country Link
KR (1) KR101972095B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220049746A (ko) * 2020-10-15 2022-04-22 (주)미래환경플랜건축사사무소 열화상 및 실화상을 이용한 건물 외벽의 열적 이상 부위 판단 시스템과 그 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005322002A (ja) * 2004-05-07 2005-11-17 Kazuo Iwane 複合人工知能装置
KR101176743B1 (ko) * 2011-02-23 2012-08-23 숭실대학교산학협력단 객체 인식 장치 및 방법과 이를 이용한 정보 컨텐츠 제공 장치 및 정보 컨텐츠 관리 서버
KR101825689B1 (ko) * 2016-11-03 2018-02-05 재단법인대구경북과학기술원 객체 인식 장치, 이의 학습 방법 및 이를 이용한 객체 인식 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005322002A (ja) * 2004-05-07 2005-11-17 Kazuo Iwane 複合人工知能装置
KR101176743B1 (ko) * 2011-02-23 2012-08-23 숭실대학교산학협력단 객체 인식 장치 및 방법과 이를 이용한 정보 컨텐츠 제공 장치 및 정보 컨텐츠 관리 서버
KR101825689B1 (ko) * 2016-11-03 2018-02-05 재단법인대구경북과학기술원 객체 인식 장치, 이의 학습 방법 및 이를 이용한 객체 인식 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220049746A (ko) * 2020-10-15 2022-04-22 (주)미래환경플랜건축사사무소 열화상 및 실화상을 이용한 건물 외벽의 열적 이상 부위 판단 시스템과 그 방법
KR102399685B1 (ko) 2020-10-15 2022-05-19 (주)미래환경플랜건축사사무소 열화상 및 실화상을 이용한 건물 외벽의 열적 이상 부위 판단 시스템과 그 방법

Similar Documents

Publication Publication Date Title
WO2020164282A1 (zh) 基于yolo的图像目标识别方法、装置、电子设备和存储介质
David et al. Softposit: Simultaneous pose and correspondence determination
CN112434721A (zh) 一种基于小样本学习的图像分类方法、系统、存储介质及终端
CN105574550A (zh) 一种车辆识别方法及装置
CN108805016B (zh) 一种头肩区域检测方法及装置
US9330336B2 (en) Systems, methods, and media for on-line boosting of a classifier
CN105654066A (zh) 一种车辆识别方法及装置
CN111914665B (zh) 一种人脸遮挡检测方法、装置、设备及存储介质
CN106295502A (zh) 一种人脸检测方法及装置
CN111709285A (zh) 一种基于无人机的疫情防护监控方法、装置和存储介质
CN107067022B (zh) 图像分类模型的建立方法、建立装置和设备
CN108520263B (zh) 一种全景图像的识别方法、系统及计算机存储介质
CN112241667A (zh) 图像检测方法、装置、设备及存储介质
CN110135428B (zh) 图像分割处理方法和装置
KR101972095B1 (ko) 물체탐지 성능 향상용 인공물체 추가 방법 및 장치
CN113870254A (zh) 目标对象的检测方法、装置、电子设备及存储介质
CN111652181B (zh) 目标跟踪方法、装置及电子设备
CN112686190A (zh) 一种基于自适应目标检测的森林火灾烟雾自动识别方法
CN116994049A (zh) 全自动针织横机及其方法
CN115937991A (zh) 人体摔倒识别方法、装置、计算机设备及存储介质
CN112861678B (zh) 一种图像识别方法及装置
CN114677578A (zh) 确定训练样本数据的方法和装置
EP3076370B1 (en) Method and system for selecting optimum values for parameter set for disparity calculation
CN111488476B (zh) 图像推送方法、模型训练方法及对应装置
CN114511877A (zh) 一种行为识别方法、装置、存储介质及终端

Legal Events

Date Code Title Description
A201 Request for examination
A302 Request for accelerated examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant