KR102232474B1 - 데이터 증강 장치 및 방법 - Google Patents

데이터 증강 장치 및 방법 Download PDF

Info

Publication number
KR102232474B1
KR102232474B1 KR1020200025579A KR20200025579A KR102232474B1 KR 102232474 B1 KR102232474 B1 KR 102232474B1 KR 1020200025579 A KR1020200025579 A KR 1020200025579A KR 20200025579 A KR20200025579 A KR 20200025579A KR 102232474 B1 KR102232474 B1 KR 102232474B1
Authority
KR
South Korea
Prior art keywords
data sets
signal
signal data
new
aps
Prior art date
Application number
KR1020200025579A
Other languages
English (en)
Inventor
황승훈
신하 라쉬미샤란
Original Assignee
동국대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 동국대학교 산학협력단 filed Critical 동국대학교 산학협력단
Priority to KR1020200025579A priority Critical patent/KR102232474B1/ko
Application granted granted Critical
Publication of KR102232474B1 publication Critical patent/KR102232474B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0252—Radio frequency fingerprinting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
    • G01S11/02—Systems for determining distance or velocity not using reflection or reradiation using radio waves
    • G01S11/06—Systems for determining distance or velocity not using reflection or reradiation using radio waves using intensity measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

데이터 증강 장치 및 방법이 개시된다. 개시되는 일 실시예에 따른 데이터 증강 장치는 대상 공간 내 특정 위치에서 동시 측정된 복수의 액세스 포인트(AP, Access Point)의 신호 세기 데이터를 각각 포함하는 복수의 AP 신호 데이터 셋을 획득하는 AP 신호 데이터 셋 획득 모듈, 상기 복수의 AP 신호 데이터 셋에 기초하여, 각각 상기 복수의 AP의 신호 세기 데이터를 포함하는 복수의 신규 AP 신호 데이터 셋을 생성하는 신규 AP 신호 데이터 셋 생성 모듈 및 상기 복수의 AP 신호 데이터 셋 및 상기 복수의 신규 AP 신호 데이터 셋 각각에 대응되는 이미지를 생성하는 이미지 생성 모듈을 포함한다.

Description

데이터 증강 장치 및 방법{APPARATUS AND METHOD FOR DATA AUGMENTATION}
개시되는 실시예들은 데이터를 증강시키는 기술에 관한 것이다.
GPS(Global Positioning System) 정보를 이용할 수 없는 밀폐된 실내에서의 위치를 파악하기 위해, 전파 신호, 그 중에서도 와이파이(Wi-Fi) 신호를 이용하는 방법이 널리 사용되고 있다.
이러한 방법 중 가장 보편적인 것이 복수의 참조점(RP, Reference Point)에서 복수의 중계점(AP, Access Point)에서 송신되는 신호 세기 데이터(RSSI, Received Signal Strength Indication)를 측정하여 각 참조점마다의 핑거프린트 맵(fingerprint map)을 제작하고, 이후 RSSI 측정 시 이를 기 제작된 핑거프린트 맵 상의 RSSI와 비교함으로써 현재 RSSI를 측정한 위치를 추정하는 것이다.
그러나, 상술한 핑거프린트 맵에 기반한 위치 추정 방법은 중계점이 추가 또는 제거되거나, 실내에서 사람이 움직이거나, 구조물이 실내의 통로를 가로막는 등의 환경의 변화가 발생하는 경우 와이파이 신호가 심하게 변동하여 위치 추정의 정확도가 급감한다는 문제점이 있다.
또한, 중계점에 의한 신호의 세기나 리소스 할당이 와이파이 네트워크에 연결된 사용자 인프라에 의존하기 때문에, 근본적으로 안정적이고 높은 위치 추정 정확성을 확보하는 데 한계가 있다.
대한민국 등록특허공보 제10-0994840호 (2010.11.10. 등록)
개시되는 실시예들은 실내에서의 위치 추정의 정확도 향상을 위한 데이터 증강 수단을 제공하기 위한 것이다.
개시되는 일 실시예에 따른 데이터 증강 방법은, 하나 이상의 프로세서들, 및 상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서, 대상 공간 내 특정 위치에서 동시 측정된 복수의 액세스 포인트(AP, Access Point)의 신호 세기 데이터를 각각 포함하는 복수의 AP 신호 데이터 셋을 획득하는 단계, 상기 복수의 AP 신호 데이터 셋에 기초하여, 각각 상기 복수의 AP의 신호 세기 데이터를 포함하는 복수의 신규 AP 신호 데이터 셋을 생성하는 단계 및 상기 복수의 AP 신호 데이터 셋 및 상기 복수의 신규 AP 신호 데이터 셋 각각에 대응되는 이미지를 생성하는 단계를 포함하되, 상기 복수의 신규 AP 신호 데이터 셋 중 적어도 하나는, 상기 복수의 AP 신호 데이터 셋에 포함된 상기 복수의 AP의 신호 세기 데이터 중에서 상기 복수의 AP별로 임의 선택된 신호 세기 데이터를 포함한다.
상기 복수의 신규 AP 신호 데이터 셋 중 적어도 하나는, 상기 복수의 AP 신호 데이터 셋 중 하나와 동일할 수 있다.
상기 이미지는, 상기 복수의 AP 신호 데이터 셋 및 상기 복수의 신규 AP 신호 데이터 셋 중 하나에 포함된 복수의 AP의 신호 세기 데이터에 대응되는 복수의 픽셀을 포함할 수 있고, 상기 복수의 픽셀은, 각각 대응되는 신호 세기 데이터에 기초한 밝기 값을 가질 수 있다.
개시되는 추가적인 실시예에 따른 데이터 증강 방법은, 상기 이미지 및 상기 특정 위치에 대응되는 위치 정보에 기초하여 상기 대상 공간에 대한 인공 신경망 기반의 위치 결정 모델을 학습하는 단계를 더 포함할 수 있다.
상기 위치 결정 모델은, 컨볼루션 신경망(CNN, Convolutional Neural Network) 모델일 수 있다.
개시되는 일 실시예에 따른 데이터 증강 장치는, 대상 공간 내 특정 위치에서 동시 측정된 복수의 액세스 포인트(AP, Access Point)의 신호 세기 데이터를 각각 포함하는 복수의 AP 신호 데이터 셋을 획득하는 AP 신호 데이터 셋 획득 모듈, 상기 복수의 AP 신호 데이터 셋에 기초하여, 각각 상기 복수의 AP의 신호 세기 데이터를 포함하는 복수의 신규 AP 신호 데이터 셋을 생성하는 신규 AP 신호 데이터 셋 생성 모듈 및 상기 복수의 AP 신호 데이터 셋 및 상기 복수의 신규 AP 신호 데이터 셋 각각에 대응되는 이미지를 생성하는 이미지 생성 모듈을 포함하되, 상기 복수의 신규 AP 신호 데이터 셋 중 적어도 하나는, 상기 복수의 AP 신호 데이터 셋에 포함된 상기 복수의 AP의 신호 세기 데이터 중에서 상기 복수의 AP별로 임의 선택된 신호 세기 데이터를 포함한다.
상기 복수의 신규 AP 신호 데이터 셋 중 적어도 하나는, 상기 복수의 AP 신호 데이터 셋 중 하나와 동일할 수 있다.
상기 이미지는, 상기 복수의 AP 신호 데이터 셋 및 상기 복수의 신규 AP 신호 데이터 셋 중 하나에 포함된 복수의 AP의 신호 세기 데이터에 대응되는 복수의 픽셀을 포함할 수 있고, 상기 복수의 픽셀은, 각각 대응되는 신호 세기 데이터에 기초한 밝기 값을 가질 수 있다.
개시되는 추가적인 실시예에 따른 데이터 증강 장치는, 상기 이미지 및 상기 특정 위치에 대응되는 위치 정보에 기초하여 상기 대상 공간에 대한 인공 신경망 기반의 위치 결정 모델을 학습하는 모델 학습 모듈을 더 포함할 수 있다.
상기 위치 결정 모델은, 컨볼루션 신경망(CNN, Convolutional Neural Network) 모델일 수 있다.
다른 예시적인 실시예에 따르면, 비일시적 컴퓨터 판독 가능한 저장매체(non-transitory computer readable storage medium)에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 명령어들을 포함하고, 상기 명령어들은 하나 이상의 프로세서들을 갖는 컴퓨팅 장치에 의해 실행될 때, 상기 컴퓨팅 장치로 하여금, 대상 공간 내 특정 위치에서 동시 측정된 복수의 액세스 포인트(AP, Access Point)의 신호 세기 데이터를 각각 포함하는 복수의 AP 신호 데이터 셋을 획득하고, 상기 복수의 AP 신호 데이터 셋에 기초하여, 각각 상기 복수의 AP의 신호 세기 데이터를 포함하는 복수의 신규 AP 신호 데이터 셋을 생성하고, 상기 복수의 AP 신호 데이터 셋 및 상기 복수의 신규 AP 신호 데이터 셋 각각에 대응되는 이미지를 생성하도록 하되, 상기 복수의 신규 AP 신호 데이터 셋 중 적어도 하나는, 상기 복수의 AP 신호 데이터 셋에 포함된 상기 복수의 AP의 신호 세기 데이터 중에서 상기 복수의 AP별로 임의 선택된 신호 세기 데이터를 포함하는, 컴퓨터 프로그램이 제공된다.
개시되는 실시예들에 따르면, 기존의 AP 신호 데이터 셋을 이용하여 복수의 AP 각각에 대한 신규 AP 신호 데이터 셋을 생성함으로써 이를 신경망 모델의 학습에 이용할 수 있어, 실내 공간의 환경 변화에도 안정적인 위치 추정 정확도를 확보할 수 있다.
도 1은 종래 CNN 모델의 학습을 통한 위치 추정 방법을 설명하기 위한 도면
도 2는 일 실시예에 따른 데이터 증강 장치를 설명하기 위한 블록도
도 3은 추가적인 실시예에 따른 데이터 증강 장치를 설명하기 위한 블록도
도 4는 일 실시예에 따른 데이터 증강 방법을 설명하기 위한 흐름도
도 5는 추가적인 실시예에 따른 데이터 증강 방법을 설명하기 위한 흐름도
도 6는 일 실시예에 따른 데이터 증강 방법을 적용하여 생성된 복수의 신규 AP 신호 데이터 셋을 예시하기 위한 도면
도 7은 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경(10)을 예시하여 설명하기 위한 블록도
이하, 도면을 참조하여 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 개시되는 실시예들은 이에 제한되지 않는다.
실시예들을 설명함에 있어서, 관련된 공지기술에 대한 구체적인 설명이 개시되는 실시예들의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 개시되는 실시예들에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.
이하에서, '실내 공간' 또는 '대상 공간' 이라 함은, GPS(Global Positioning System) 정보를 이용할 수 없는 밀폐된 공간을 의미하며, 예시적으로는 GPS 정보로 내부에서의 위치 파악이 어려운 건물 내 공간을 의미할 수 있다. 이때, '실내 공간' 또는 '대상 공간'은 밀폐된 층계 하나를 의미할 수도 있으나, 반드시 이에 한정되는 것은 아니며, 실시예에 따라서는 밀폐된 건물 내 공간 전체를 의미할 수도 있다.
도 1은 컨볼루션 신경망(CNN, Convolutional Neural Network) 모델의 학습을 통한 위치 추정 방법을 설명하기 위한 도면이다. 도 1을 참조하여, 사용자의 단말을 이용한 사용자 위치 추정이 이루어지는 과정을 설명하면 아래와 같다.
CNN 모델을 이용한 위치 추정이 수행되기 위해서는 CNN 모델의 적절한 학습이 선행되어야 한다. 이를 위해, 오프라인 CNN 학습(Offline CNN Training) 단계에서, 대상 공간 내 모든 기 지정된 위치에서 모든 액세스 포인트(AP, Access Point)의 신호 세기 데이터(RSSI, Received Signal Strength Indication)를 측정한다. 이때, AP는 와이파이(Wi-Fi) 신호를 임의의 무선 장치에 송신하여 기 설치된 유선 장치와 연결시키는 임의의 장치를 의미한다. 또한, 측정이 이루어지는 지정된 위치를 참조점(RP, Reference Point)이라고 지칭한다.
측정이 이루어지면 각 RP들은 자신의 위치 정보와 측정된 RSSI 값으로 특정되는 핑거프린트(fingerprint) 정보를 갖게 되고, 모든 RP들의 핑거프린트 정보가 모여 핑거프린트 데이터 셋(Fingerprint dataset)을 구성한다.
이후, 핑거프린트 데이터 셋의 정보를 CNN 모델이 인식할 수 있는 이미지 형태로 변환하는 전처리 과정(Data Preprocessing)을 거쳐, CNN 모델을 학습시키게 된다(CNN Model Training).
이후, 온라인 위치 추정(Online Positioning) 단계에서, 사용자 단말의 현재 위치에서 측정된 RSSI 값을 CNN 모델이 인식할 수 있는 이미지 형태로 변환하여(Data Preprocessing), 기 학습된 CNN 모델(Trained CNN Model)에 입력하면, CNN 모델은 기존 학습에 사용된 이미지 중 입력된 이미지와 가장 유사한 이미지를 판별하여(Feature Extraction, Feature Classification), 판별된 이미지를 바탕으로 사용자 단말의 현재 위치를 추정한다(Position Estimation).
그러나 도 1을 참조하여 상술한 과정에서, CNN 모델의 효과적인 학습을 위해서는 충분한 양의 학습 이미지가 필수적으로 필요한 바, 모든 RP들의 핑거프린트 정보를 모은 데이터 셋을 이용하여 데이터를 증강하는 과정의 중요성이 크다(Data Augmentation).
도 2는 일 실시예에 따른 데이터 증강 장치(200)를 설명하기 위한 블록도이다. 도 2를 참조하면, 일 실시예에 따른 데이터 증강 장치(200)는 AP 신호 데이터 셋 획득 모듈(210), 신규 AP 신호 데이터 셋 생성 모듈(220) 및 이미지 생성 모듈(230)을 포함한다.
AP 신호 데이터 셋 획득 모듈(210)은 대상 공간 내 특정 위치에서 동시 측정된 복수의 AP의 신호 세기 데이터를 각각 포함하는 복수의 AP 신호 데이터 셋을 획득한다.
이하에서, 'AP 신호 데이터 셋'은 측정된 AP의 신호 세기 데이터를 측정 시점이 동일한 것끼리 분류한 신호 세기 데이터의 집합을 의미한다.
일 실시예에 따르면, AP 신호 데이터 셋에 포함된 복수의 AP의 신호 세기 데이터는 0 이상의 실수 값을 가질 수 있다.
일 실시예에 따르면, AP 신호 데이터 셋은 복수의 AP의 신호 세기 데이터를 포함하는 csv(comma-separated values) 형식의 데이터 셋일 수 있다.
구체적으로, AP 신호 데이터 셋은 '측정 횟수'만큼의 행과 'AP의 개수'만큼의 열로 구성되는 행렬 형태의 데이터 셋일 수 있다.
일 실시예에 따르면, AP 신호 데이터 셋은 대상 공간 내 특정 위치의 좌표 데이터를 추가로 포함할 수 있다.
신규 AP 신호 데이터 셋 생성 모듈(220)은 복수의 AP 신호 데이터 셋에 기초하여, 각각 복수의 AP 신호 세기 데이터를 포함하는 복수의 신규 AP 신호 데이터 셋을 생성한다.
이때, 복수의 신규 AP 신호 데이터 셋 중 적어도 하나는, 복수의 AP 신호 데이터 셋에 포함된 복수의 AP의 신호 세기 데이터 중에서 복수의 AP 별로 임의 선택된 신호 세기 데이터를 포함한다. 예를 들어, 하나의 신규 AP 신호 데이터 셋은 복수의 AP의 신호 세기 데이터 중에서 각 AP 당 하나의 신호 세기 데이터를 임의 선택한 값을 각 AP의 신규 신호 세기 데이터로 결정함으로써 생성될 수 있다.
일 실시예에 따르면, 신규 AP 신호 데이터 셋 생성 모듈(220)에서, 임의 선택은 기 설정된 값 N에 기초하여 복수의 AP 별로 N번 반복하여 수행될 수 있다. 예를 들어, 기 설정된 값 N이 100인 경우, 각 AP 당 하나의 신호 세기 데이터를 임의 선택하여 선택한 값을 각 AP의 신규 신호 세기 데이터로 결정함으로써 하나의 신규 AP 신호 데이터 셋을 생성하는 과정을 100번 반복하여, 총 100개의 신규 AP 신호 데이터 셋을 생성할 수 있다. 이와 관련하여, 이하 도 6을 참조하여 보다 상세히 설명하기로 한다.
일 실시예에 따르면, 신규 AP 신호 데이터 셋 생성 모듈(220)이 생성하는 복수의 신규 AP 신호 데이터 셋 중 적어도 하나는, 복수의 AP 신호 데이터 셋 중 하나와 동일할 수 있다.
구체적으로, 복수의 신규 AP 신호 데이터 셋은, 복수의 AP 신호 데이터 셋 중 하나와 동일한 하나의 신규 AP 신호 데이터 셋과, 기 설정된 값 N에 기초하여 복수의 AP 신호 데이터 셋에 포함된 복수의 AP의 신호 세기 데이터 중에서 복수의 AP 별로 N번씩 임의 선택되어 생성된 N개의 신규 AP 신호 데이터 셋으로 구성될 수 있다. 이 경우, 신규 AP 신호 데이터 셋의 개수는 N+1개가 된다. 이와 관련하여, 이하 도 6을 참조하여 보다 상세히 설명하기로 한다.
이미지 생성 모듈(230)은 복수의 AP 신호 데이터 셋 및 복수의 신규 AP 신호 데이터 셋 각각에 대응되는 이미지를 생성한다.
일 실시예에 따르면, 이미지는 복수의 AP 신호 데이터 셋 및 복수의 신규 AP 신호 데이터 셋 중 하나에 포함된 복수의 AP 신호 세기 데이터에 대응되는 복수의 픽셀을 포함할 수 있다. 이때, 복수의 픽셀은, 각각 대응되는 신호 세기 데이터에 기초한 밝기 값을 가질 수 있다.
예를 들어, 하나의 AP 신호 데이터 셋 및 하나의 신규 AP 신호 데이터 셋에 포함된 AP 신호 세기 데이터가 각각 256개씩이라고 가정할 때, 이미지는 각 256개의 AP 신호 세기 데이터에 대응되는 밝기 값을 가지는 256개(16x16)의 픽셀로 이루어질 수 있다.
이때, 복수의 픽셀은 각각 밝기 값이 흑백 명암으로 표현될 수 있고, 이미지는 각기 서로 독립적인 흑백 명암을 갖는 복수의 픽셀을 포함하는 그레이 스케일(gray scale) 형식일 수 있다.
도 3은 추가적인 실시예에 따른 데이터 증강 장치(300)를 설명하기 위한 블록도이다. 도 3을 참조하면, 추가적인 실시예에 따른 데이터 증강 장치(300)는 AP 신호 데이터 셋 획득 모듈(310), 신규 AP 신호 데이터 셋 생성 모듈(320), 이미지 생성 모듈(330) 및 모델 학습 모듈(340)을 포함한다. 도 2를 참조하여 설명하였던 상술한 실시예에서의 구성요소와 대응되는 구성요소 310 내지 330은 상술한 실시예에서 설명한 바와 동일 또는 유사한 기능을 수행하므로, 이에 대한 보다 구체적인 설명은 생략하도록 한다.
모델 학습 모듈(340)은 이미지 및 특정 위치에 대응되는 위치 정보에 기초하여 대상 공간에 대한 인공 신경망 기반의 위치 결정 모델을 학습할 수 있다.
이하에서, '특정 위치에 대응되는 위치 정보'는 대상 공간 내 RP 각각의 위치 좌표 값을 의미할 수 있으나, 반드시 이에 한정되는 것은 아니다.
추가적인 실시예에 따르면, 위치 결정 모델은 컨볼루션 신경망(CNN, Convolutional Neural Network) 모델일 수 있으나, 반드시 이에 한정되는 것은 아니며, 위치 결정 모델은 이미지 및 특정 위치에 대응되는 위치 정보를 이용하여 학습된 결과, 입력 이미지를 받아 해당 입력 이미지에 대응되는 현재 위치의 정보를 출력하는 임의의 모델일 수 있다.
도 4는 일 실시예에 따른 데이터 증강 방법을 설명하기 위한 흐름도이다. 도 4에 도시된 방법은 하나 이상의 프로세서들 및 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서, 예를 들어, 상술한 데이터 증강 장치(200)에 의해 수행될 수 있다.
우선, 데이터 증강 장치(200)는 대상 공간 내 특정 위치에서 동시 측정된 복수의 액세스 포인트(AP, Access Point)의 신호 세기 데이터를 각각 포함하는 복수의 AP 신호 데이터 셋을 획득한다(410).
이후, 데이터 증강 장치(200)는 복수의 AP 신호 데이터 셋에 기초하여, 각각 복수의 AP의 신호 세기 데이터를 포함하는 복수의 신규 AP 신호 데이터 셋을 생성한다(420).
이때, 복수의 신규 AP 신호 데이터 셋 중 적어도 하나는, 복수의 AP 신호 데이터 셋에 포함된 복수의 AP의 신호 세기 데이터 중에서 복수의 AP 별로 임의 선택된 신호 세기 데이터를 포함한다.
이후, 데이터 증강 장치(200)는 복수의 AP 신호 데이터 셋 및 복수의 신규 AP 신호 데이터 셋 각각에 대응되는 이미지를 생성한다(430).
도시된 흐름도에서는 상기 방법을 복수 개의 단계로 나누어 기재하였으나, 적어도 일부의 단계들은 순서를 바꾸어 수행되거나, 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 도시되지 않은 하나 이상의 단계가 부가되어 수행될 수 있다.
도 5는 추가적인 실시예에 따른 데이터 증강 방법을 설명하기 위한 흐름도이다. 도 5에 도시된 방법은 예를 들어, 상술한 데이터 증강 장치(300)에 의해 수행될 수 있다. 이때, 도 4를 참조하여 설명한 단계 410 내지 430과 대응되는 단계 510 내지 530에 대한 구체적인 설명은 생략하도록 한다.
단계 530 이후, 데이터 증강 장치(300)는 이미지 및 특정 위치에 대응되는 위치 정보에 기초하여 대상 공간에 대한 인공 신경망 기반의 위치 결정 모델을 학습한다(540).
도시된 흐름도에서는 상기 방법을 복수 개의 단계로 나누어 기재하였으나, 적어도 일부의 단계들은 순서를 바꾸어 수행되거나, 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 도시되지 않은 하나 이상의 단계가 부가되어 수행될 수 있다.
도 6는 일 실시예에 따른 데이터 증강 방법을 적용하여 생성된 복수의 신규 AP 신호 데이터 셋을 예시하기 위한 도면이다.
도 6을 참조하면, 좌측 열 방향 칸 안의 1 내지 130의 번호는 대상 공간 내 하나의 특정 위치에서 반복하여 각 AP의 신호 세기 데이터를 측정한 순번을 나타내며, 상단 행 방향 칸 안의 AP1 내지 AP7은 신호 세기 데이터를 송신하는 AP가 7개인 경우를 가정했을 때 신호 세기 데이터를 송신하는 각 AP를 나타낸다.
이어서, 붉은 점선으로 표시된 박스 안의 7개의 값은 AP1 내지 AP7로부터 각각 수신한 신호 세기 데이터의 값을 나타내며, 이 값들의 집합을 하나의 AP 신호 데이터 셋으로 지칭한다. 즉, 도 6과 같이 하나의 특정 위치에서 130회에 걸쳐 각 AP의 신호 세기 데이터를 측정한 경우, 총 130개의 AP 신호 데이터 셋을 획득할 수 있다.
이어서, 데이터 증강을 위해 131번째 행을 다시 1행으로 하여, 첫번째로 측정한 AP 신호 데이터 셋과 동일한 값을 갖는 신규 AP 신호 데이터 셋을 생성한다. 이때 기 설정된 임의 선택 횟수 N이 500이라 가정하면, 2행 내지 501행의 신규 AP 신호 데이터 셋의 각 AP 별 신호 세기 데이터의 값은 AP 신호 데이터 셋 내의 각 AP 별 신호 세기 데이터 중 임의로 선택된 데이터의 값을 갖도록 생성된다. 즉, 도 6과 같이 AP 신호 데이터 셋에서 초록 실선 박스로 임의 선택된 신호 세기 데이터 값이 아래 초록 실선 박스로 표시된 2행의 신규 AP 신호 데이터 셋을 구성하고, AP 신호 데이터 셋에서 검정 점선 박스로 임의 선택된 신호 세기 데이터 값이 아래 검정 점선 박스로 표시된 501행의 신규 AP 신호 데이터 셋을 구성한다.
이후, 기 설정된 임의 선택 횟수 N만큼의 임의 선택이 수행되어 501행까지의 신규 AP 신호 데이터 셋이 생성되면, 그 다음 행을 다시 1행으로 하여 두번째로 측정한 AP 신호 데이터 셋과 동일한 값을 갖는 신규 AP 신호 데이터 셋을 생성할 수 있다(미도시). N이 500이므로, 다시 500번의 임의 선택을 반복하여 이후의 2행 내지 501행의 신규 AP 신호 데이터 셋을 생성할 수 있다. 이러한 과정을 130번째로 측정한 AP 신호 데이터 셋에 대해서까지 반복하여 수행할 수 있다. 이 경우, 생성되는 신규 AP 신호 데이터 셋의 수는 65,130(501x130)개가 된다.
도 7은 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경(10)을 예시하여 설명하기 위한 블록도이다. 도시된 실시예에서, 각 컴포넌트들은 이하에 기술된 것 이외에 상이한 기능 및 능력을 가질 수 있고, 이하에 기술된 것 이외에도 추가적인 컴포넌트를 포함할 수 있다.
도시된 컴퓨팅 환경(10)은 컴퓨팅 장치(12)를 포함한다. 일 실시예에서, 컴퓨팅 장치(12)는 데이터 증강 장치(200 또는 300)일 수 있다.
컴퓨팅 장치(12)는 적어도 하나의 프로세서(14), 컴퓨터 판독 가능 저장 매체(16) 및 통신 버스(18)를 포함한다. 프로세서(14)는 컴퓨팅 장치(12)로 하여금 앞서 언급된 예시적인 실시예에 따라 동작하도록 할 수 있다. 예컨대, 프로세서(14)는 컴퓨터 판독 가능 저장 매체(16)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 상기 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 상기 컴퓨터 실행 가능 명령어는 프로세서(14)에 의해 실행되는 경우 컴퓨팅 장치(12)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.
컴퓨터 판독 가능 저장 매체(16)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능 저장 매체(16)에 저장된 프로그램(20)은 프로세서(14)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독 가능 저장 매체(16)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 컴퓨팅 장치(12)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.
통신 버스(18)는 프로세서(14), 컴퓨터 판독 가능 저장 매체(16)를 포함하여 컴퓨팅 장치(12)의 다른 다양한 컴포넌트들을 상호 연결한다.
컴퓨팅 장치(12)는 또한 하나 이상의 입출력 장치(24)를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(22) 및 하나 이상의 네트워크 통신 인터페이스(26)를 포함할 수 있다. 입출력 인터페이스(22) 및 네트워크 통신 인터페이스(26)는 통신 버스(18)에 연결된다. 입출력 장치(24)는 입출력 인터페이스(22)를 통해 컴퓨팅 장치(12)의 다른 컴포넌트들에 연결될 수 있다. 예시적인 입출력 장치(24)는 포인팅 장치(마우스 또는 트랙패드 등), 키보드, 터치 입력 장치(터치패드 또는 터치스크린 등), 음성 또는 소리 입력 장치, 다양한 종류의 센서 장치 및/또는 촬영 장치와 같은 입력 장치, 및/또는 디스플레이 장치, 프린터, 스피커 및/또는 네트워크 카드와 같은 출력 장치를 포함할 수 있다. 예시적인 입출력 장치(24)는 컴퓨팅 장치(12)를 구성하는 일 컴포넌트로서 컴퓨팅 장치(12)의 내부에 포함될 수도 있고, 컴퓨팅 장치(12)와는 구별되는 별개의 장치로 컴퓨팅 장치(12)와 연결될 수도 있다.
한편, 본 발명의 실시예는 본 명세서에서 기술한 방법들을 컴퓨터상에서 수행하기 위한 프로그램, 및 상기 프로그램을 포함하는 컴퓨터 판독 가능 기록매체를 포함할 수 있다. 상기 컴퓨터 판독 가능 기록매체는 프로그램 명령, 로컬 데이터 파일, 로컬 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나, 또는 컴퓨터 소프트웨어 분야에서 통상적으로 사용 가능한 것일 수 있다. 컴퓨터 판독 가능 기록매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광 기록 매체, 및 롬, 램, 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 상기 프로그램의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함할 수 있다.
이상에서 본 발명의 대표적인 실시예들을 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 청구범위뿐만 아니라 이 청구범위와 균등한 것들에 의해 정해져야 한다.
10: 컴퓨팅 환경
12: 컴퓨팅 장치
14: 프로세서
16: 컴퓨터 판독 가능 저장 매체
18: 통신 버스
20: 프로그램
22: 입출력 인터페이스
24: 입출력 장치
26: 네트워크 통신 인터페이스
200, 300: 데이터 증강 장치
210, 310: AP 신호 데이터 셋 획득 모듈
220, 320: 신규 AP 신호 데이터 셋 생성 모듈
230, 330: 이미지 생성 모듈
340: 모델 학습 모듈

Claims (11)

  1. 하나 이상의 프로세서들, 및
    상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서,
    대상 공간 내 특정 위치에서 동시 측정된 복수의 액세스 포인트(AP, Access Point)의 신호 세기 데이터를 각각 포함하는 복수의 AP 신호 데이터 셋을 획득하는 단계;
    상기 복수의 AP 신호 데이터 셋에 기초하여, 각각 상기 복수의 AP의 신호 세기 데이터를 포함하는 복수의 신규 AP 신호 데이터 셋을 생성하는 단계; 및
    상기 복수의 AP 신호 데이터 셋 및 상기 복수의 신규 AP 신호 데이터 셋 각각에 대응되는 이미지를 생성하는 단계를 포함하되,
    상기 복수의 신규 AP 신호 데이터 셋 중 적어도 하나는, 상기 복수의 AP 신호 데이터 셋에 포함된 상기 복수의 AP의 신호 세기 데이터 중에서 상기 복수의 AP별로 임의 선택된 신호 세기 데이터를 포함하는, 데이터 증강 방법.
  2. 청구항 1에 있어서,
    상기 복수의 신규 AP 신호 데이터 셋 중 적어도 하나는, 상기 복수의 AP 신호 데이터 셋 중 하나와 동일한, 데이터 증강 방법.
  3. 청구항 1에 있어서,
    상기 이미지는, 상기 복수의 AP 신호 데이터 셋 및 상기 복수의 신규 AP 신호 데이터 셋 중 하나에 포함된 복수의 AP의 신호 세기 데이터에 대응되는 복수의 픽셀을 포함하고,
    상기 복수의 픽셀은, 각각 대응되는 신호 세기 데이터에 기초한 밝기 값을 가지는, 데이터 증강 방법.
  4. 청구항 1에 있어서,
    상기 이미지 및 상기 특정 위치에 대응되는 위치 정보에 기초하여 상기 대상 공간에 대한 인공 신경망 기반의 위치 결정 모델을 학습하는 단계를 더 포함하는, 데이터 증강 방법.
  5. 청구항 4에 있어서,
    상기 위치 결정 모델은,
    컨볼루션 신경망(CNN, Convolutional Neural Network) 모델인, 데이터 증강 방법.
  6. 대상 공간 내 특정 위치에서 동시 측정된 복수의 액세스 포인트(AP, Access Point)의 신호 세기 데이터를 각각 포함하는 복수의 AP 신호 데이터 셋을 획득하는 AP 신호 데이터 셋 획득 모듈;
    상기 복수의 AP 신호 데이터 셋에 기초하여, 각각 상기 복수의 AP의 신호 세기 데이터를 포함하는 복수의 신규 AP 신호 데이터 셋을 생성하는 신규 AP 신호 데이터 셋 생성 모듈; 및
    상기 복수의 AP 신호 데이터 셋 및 상기 복수의 신규 AP 신호 데이터 셋 각각에 대응되는 이미지를 생성하는 이미지 생성 모듈을 포함하되,
    상기 복수의 신규 AP 신호 데이터 셋 중 적어도 하나는, 상기 복수의 AP 신호 데이터 셋에 포함된 상기 복수의 AP의 신호 세기 데이터 중에서 상기 복수의 AP별로 임의 선택된 신호 세기 데이터를 포함하는, 데이터 증강 장치.
  7. 청구항 6에 있어서,
    상기 복수의 신규 AP 신호 데이터 셋 중 적어도 하나는, 상기 복수의 AP 신호 데이터 셋 중 하나와 동일한, 데이터 증강 장치.
  8. 청구항 6에 있어서,
    상기 이미지는, 상기 복수의 AP 신호 데이터 셋 및 상기 복수의 신규 AP 신호 데이터 셋 중 하나에 포함된 복수의 AP의 신호 세기 데이터에 대응되는 복수의 픽셀을 포함하고,
    상기 복수의 픽셀은, 각각 대응되는 신호 세기 데이터에 기초한 밝기 값을 가지는, 데이터 증강 장치.
  9. 청구항 6에 있어서,
    상기 이미지 및 상기 특정 위치에 대응되는 위치 정보에 기초하여 상기 대상 공간에 대한 인공 신경망 기반의 위치 결정 모델을 학습하는 모델 학습 모듈을 더 포함하는, 데이터 증강 장치.
  10. 청구항 9에 있어서,
    상기 위치 결정 모델은,
    컨볼루션 신경망(CNN, Convolutional Neural Network) 모델인, 데이터 증강 장치.
  11. 비일시적 컴퓨터 판독 가능한 저장매체(non-transitory computer readable storage medium)에 저장된 컴퓨터 프로그램으로서,
    상기 컴퓨터 프로그램은 하나 이상의 명령어들을 포함하고, 상기 명령어들은 하나 이상의 프로세서들을 갖는 컴퓨팅 장치에 의해 실행될 때, 상기 컴퓨팅 장치로 하여금,
    대상 공간 내 특정 위치에서 동시 측정된 복수의 액세스 포인트(AP, Access Point)의 신호 세기 데이터를 각각 포함하는 복수의 AP 신호 데이터 셋을 획득하고,
    상기 복수의 AP 신호 데이터 셋에 기초하여, 각각 상기 복수의 AP의 신호 세기 데이터를 포함하는 복수의 신규 AP 신호 데이터 셋을 생성하고,
    상기 복수의 AP 신호 데이터 셋 및 상기 복수의 신규 AP 신호 데이터 셋 각각에 대응되는 이미지를 생성하도록 하되,
    상기 복수의 신규 AP 신호 데이터 셋 중 적어도 하나는, 상기 복수의 AP 신호 데이터 셋에 포함된 상기 복수의 AP의 신호 세기 데이터 중에서 상기 복수의 AP별로 임의 선택된 신호 세기 데이터를 포함하는, 컴퓨터 프로그램.
KR1020200025579A 2020-02-28 2020-02-28 데이터 증강 장치 및 방법 KR102232474B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200025579A KR102232474B1 (ko) 2020-02-28 2020-02-28 데이터 증강 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200025579A KR102232474B1 (ko) 2020-02-28 2020-02-28 데이터 증강 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102232474B1 true KR102232474B1 (ko) 2021-03-26

Family

ID=75259585

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200025579A KR102232474B1 (ko) 2020-02-28 2020-02-28 데이터 증강 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102232474B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100994840B1 (ko) 2009-11-27 2010-11-16 주식회사 케이티 무선랜 신호 세기 기반의 실내 측위 방법 및 시스템
KR20160057277A (ko) * 2014-11-12 2016-05-23 한국기술교육대학교 산학협력단 에너지 절약을 위한 위치측위 기반 조명 제어 장치 및 그 방법
KR20190064345A (ko) * 2017-11-30 2019-06-10 동국대학교 산학협력단 실내 위치 측정 장치 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100994840B1 (ko) 2009-11-27 2010-11-16 주식회사 케이티 무선랜 신호 세기 기반의 실내 측위 방법 및 시스템
KR20160057277A (ko) * 2014-11-12 2016-05-23 한국기술교육대학교 산학협력단 에너지 절약을 위한 위치측위 기반 조명 제어 장치 및 그 방법
KR20190064345A (ko) * 2017-11-30 2019-06-10 동국대학교 산학협력단 실내 위치 측정 장치 및 방법

Similar Documents

Publication Publication Date Title
US11551153B2 (en) Localized learning from a global model
CN109145781B (zh) 用于处理图像的方法和装置
CN108898186B (zh) 用于提取图像的方法和装置
CN110567480B (zh) 车辆定位的优化方法、装置、设备及存储介质
KR101808840B1 (ko) 학습 기반 깊이 정보 추출 방법 및 장치
US20180204562A1 (en) Method and device for image recognition
CN110472599B (zh) 对象数量确定方法、装置、存储介质与电子设备
US11856549B2 (en) Fingerprint data pre-process method for improving localization model
JP2010213279A (ja) メッシュネットワークモデルを効率的に投入するシステム及び方法
CN109657539B (zh) 人脸颜值评价方法、装置、可读存储介质及电子设备
CN110672089A (zh) 室内环境中导航的方法及设备
CN109544516B (zh) 图像检测方法及装置
KR20200136930A (ko) 디지털 장면을 생성하기 위한 방법, 시스템, 제조품 및 장치
KR20200052446A (ko) 딥러닝 모델 학습 장치 및 방법
AU2016208411A1 (en) Identifying shapes in an image by comparing bézier curves
CN115457492A (zh) 目标检测方法、装置、计算机设备及存储介质
US11989891B2 (en) System and method for 3D multi-object tracking in LiDAR point clouds
KR102232474B1 (ko) 데이터 증강 장치 및 방법
KR102150276B1 (ko) 통신 네트워크에서 무선 맵을 위한 핑거 프린트 생성 방법 및 장치
JP2018120402A (ja) イベント検出装置、イベント検出方法、プログラム
WO2023142396A1 (zh) 重定位模块的测试方法及装置、设备、系统、介质、计算机程序、计算机程序产品
WO2022179164A1 (zh) 一种点云数据处理方法、训练数据处理方法及装置
CN113505844A (zh) 标签生成方法、装置、设备、存储介质及程序产品
CN114550282A (zh) 多人三维姿态估计方法、装置及电子设备
Rodrigues et al. Fusion data tracking system (fits)

Legal Events

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