KR102246368B1 - 핵심성과지표와 같은 사용자 요구 사항에 적합한 타겟 객체 예측 네트워크를 이용한, cnn 기반의 변동에 강인한 객체 검출기를 학습하는 방법 및 학습 장치, 및 이를 이용한 테스팅 방법 및 테스팅 장치 - Google Patents

핵심성과지표와 같은 사용자 요구 사항에 적합한 타겟 객체 예측 네트워크를 이용한, cnn 기반의 변동에 강인한 객체 검출기를 학습하는 방법 및 학습 장치, 및 이를 이용한 테스팅 방법 및 테스팅 장치 Download PDF

Info

Publication number
KR102246368B1
KR102246368B1 KR1020190119530A KR20190119530A KR102246368B1 KR 102246368 B1 KR102246368 B1 KR 102246368B1 KR 1020190119530 A KR1020190119530 A KR 1020190119530A KR 20190119530 A KR20190119530 A KR 20190119530A KR 102246368 B1 KR102246368 B1 KR 102246368B1
Authority
KR
South Korea
Prior art keywords
test
learning
image
feature map
layer
Prior art date
Application number
KR1020190119530A
Other languages
English (en)
Other versions
KR20200091323A (ko
Inventor
김용중
김인수
김학경
남운현
부석훈
성명철
유우주
정경중
제홍모
조호진
Original Assignee
주식회사 스트라드비젼
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 주식회사 스트라드비젼 filed Critical 주식회사 스트라드비젼
Publication of KR20200091323A publication Critical patent/KR20200091323A/ko
Application granted granted Critical
Publication of KR102246368B1 publication Critical patent/KR102246368B1/ko

Links

Images

Classifications

    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/2163—Partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Image Analysis (AREA)

Abstract

핵심성과지표(KPI)와 같은 사용자 요구 사항에 따라 적응 가능한 타겟 객체 예측 네트워크를 이용한 객체 검출기의 파라미터를 학습하는 방법이 개시된다. 상기 KPI에 따른 해상도나 초점 거리가 바뀌면, 객체의 크기 또한 바뀌게 된다. 사용자 최적화 설계를 위한 상기 방법으로 낙하하는 또는 낙하된 객체와 같이 확실하지 않는 객체가 보다 정확하게 검출될 수 있고, 또한 상기 객체의 변동(fluctuation)도 감지될 수 있다. 따라서, 상기 방법은 군사 목적이나 원거리에 있는 객체 검출을 위해 유용하게 수행될 수 있다. 상기 방법은, k를 1부터 n까지 증가시켜가면서, 학습 장치가, RPN으로 하여금, 이미지 상의 제(k-1) 타겟 영역에 대응되는 제k 가공 이미지 상의 제k 객체 프로포잘을 출력하고, FC 레이어로 하여금, 제k 객체에 대응되는 객체 검출 정보를 출력하며, FC 로스 레이어로 하여금, FC 로스를 획득하도록 하는 단계를 포함한다.

Description

핵심성과지표와 같은 사용자 요구 사항에 적합한 타겟 객체 예측 네트워크를 이용한, CNN 기반의 변동에 강인한 객체 검출기를 학습하는 방법 및 학습 장치, 및 이를 이용한 테스팅 방법 및 테스팅 장치{LEARNING METHOD AND LEARNING DEVICE FOR FLUCTUATION-ROBUST OBJECT DETECTOR BASED ON CNN USING TARGET OBJECT ESTIMATING NETWORK ADAPTABLE TO CUSTOMERS' REQUIREMENTS SUCH AS KEY PERFORMANCE INDEX, AND TESTING METHOD AND TESTING DEVICE USING THE SAME}
본 발명은 핵심성과지표(KPI)와 같은 사용자 요구 사항에 따라 적응 가능한 타겟 객체 예측 네트워크를 이용한, 변동에 강인한 객체 검출기의 파라미터를 학습하는 방법에 관한 것으로; 보다 상세하게는, 상기 타겟 객체 예측 네트워크를 이용한 상기 객체 검출기의 상기 파라미터를 학습하는 방법에 있어서, (a) 적어도 하나의 트레이닝 이미지가 획득되면, (i) 하나 이상의 컨벌루션 레이어로 하여금, 상기 트레이닝 이미지에 대응되는 적어도 하나의 제1 가공 이미지에 하나 이상의 컨벌루션 연산을 적용하여, 적어도 하나의 제1 특징 맵을 출력하도록 하며, (ii) RPN(Region Proposal Network)으로 하여금, 상기 제1 특징 맵을 이용하여, 상기 제1 가공 이미지 내에 위치하는 하나 이상의 제1 객체 각각에 대응하는 하나 이상의 제1 객체 프로포잘을 출력하도록 하고, (iii) 풀링 레이어로 하여금, 상기 제1 특징 맵 상에서, 상기 제1 객체 프로포잘 각각에 대응되는 각각의 영역에 하나 이상의 풀링 연산을 적용하여, 적어도 하나의 제1 풀링된 특징 맵을 출력하도록 하며, (iv) FC(Fully Connected) 레이어로 하여금, 상기 제1 풀링된 특징 맵에 적어도 하나의 FC 연산을 적용하여, 상기 제1 객체에 대응하는 제1 객체 검출 정보를 출력하도록 하고, (v) FC 로스 레이어로 하여금, 상기 제1 객체 검출 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제1 FC 로스를 획득하도록 함으로써, 상기 제1 FC 로스를 이용한 백프로파게이션을 통해 상기 FC 레이어와 상기 컨벌루션 레이어의 파라미터 중 적어도 일부를 학습하는 단계; 및 (b) k를 2부터 n까지 증가시켜가면서, (i) 상기 타겟 객체 예측 네트워크로 하여금, 제(k-1) 가공 이미지 상의 하나 이상의 제(k-1) 객체 프로포잘을 참조하여, 상기 제(k-1) 가공 이미지 상에서, 적어도 하나의 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제(k-1) 타겟 영역을 찾도록 하고, (ii) 상기 트레이닝 이미지 또는 리사이즈된 트레이닝 이미지 상에서 상기 제(k-1) 타겟 영역에 대응되는 제k 가공 이미지가 획득되면, 상기 컨벌루션 레이어로 하여금, 상기 제k 가공 이미지에 상기 컨벌루션 연산을 적용하여, 제k 특징 맵을 출력하도록 하며, (iii) 상기 RPN으로 하여금, 상기 제k 특징 맵을 참조하여, 상기 제k 가공 이미지 내에 위치하는 하나 이상의 제k 객체 각각에 대응하는 하나 이상의 제k 객체 프로포잘을 출력하도록 하고, (iv) 상기 풀링 레이어로 하여금, 상기 제k 특징 맵 상에서 상기 제k 객체 프로포잘 각각에 대응되는 각각의 영역에 상기 풀링 연산을 적용하여, 적어도 하나의 제k 풀링된 특징 맵을 출력하도록 하며, (v) 상기 FC 레이어로 하여금, 상기 제k 풀링된 특징 맵에 상기 FC 연산을 적용하여, 상기 제k 객체에 대응하는 제k 객체 검출 정보를 출력하도록 하고, (vi) 상기 FC 로스 레이어로 하여금, 상기 제k 객체 검출 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제k FC 로스를 획득하도록 함으로써, 상기 제k FC 로스를 이용한 백프로파게이션을 통해 상기 FC 레이어 및 상기 컨벌루션 레이어의 파라미터 중 적어도 일부를 학습하는 단계;를 포함하는 것을 특징으로 하는 방법 및 학습 장치 및 이를 이용한 테스팅 방법 및 테스팅 장치에 관한 것이다.
기계 학습(machine learning)에서, 컨벌루션 뉴럴 네트워크(CNN 또는 ConvNet)는 시각적 이미지 분석에 성공적으로 적용된 심층 피드포워드 인공 뉴럴 네트워크(Deep feedforward artificial neural network)이다.
CNN 기반 객체 검출기는, (i) 컨벌루션 레이어로 하여금, 입력 이미지에 컨벌루션 연산을 적용함으로써, 상기 입력 이미지에 대응되는 특징 맵을 출력하고, (ii) RPN(Region Proposal Network)으로 하여금, 상기 특징 맵을 이용하여, 상기 입력 이미지 내의 객체에 대응되는 프로포잘을 확인하며, (iii) 풀링 레이어로 하여금, 상기 확인된 프로포잘에 대응되는 상기 특징 맵 상의 영역에 적어도 하나의 풀링 연산을 적용하여 풀링된 특징 맵을 획득하고, (iv) FC(Fully Connected) 레이어로 하여금, 적어도 하나의 FC 연산을 상기 획득된 풀링된 특징 맵 내지 상기 객체에 관한 출력 클래스 정보와 리그레션 정보에 적용함으로써, 상기 입력 이미지 상의 상기 객체를 검출한다.
하지만, 상기 CNN 기반 객체 검출기는 상기 컨벌루션 레이어에 의해 상기 입력 이미지의 사이즈를 축소한 사이즈의 상기 특징 맵을 이용하게 되므로, 상기 입력 이미지에 위치하는 사이즈가 큰 객체는 쉽게 검출되지만, 상기 입력 이미지에 위치하는 사이즈가 작은 객체를 검출하기는 어렵다.
다른 예로, 상기 입력 이미지를 확대하여 획득한 리사이즈된 이미지를 이용하여 사이즈가 작은 객체를 검출할 수 있으나, 이 경우에는 상기 객체 검출기에 의한 연산량이 증가하게 되며 그에 따라 상기 객체 검출기의 성능이 저하된다.
따라서, 본 발명의 발명자는 입력 이미지 상에 위치하는 다양한 사이즈의 객체를 연산 시간을 줄이며 효율적으로 검출하는 학습 방법과 학습 장치 및 이를 이용한 테스팅 방법과 테스팅 장치를 제안하고자 한다.
본 발명은 상술한 문제점을 모두 해결하는 것을 그 목적으로 한다.
본 발명은 이미지 상의 객체를 사이즈에 관계 없이 효율적으로 검출할 수 있도록, CNN 기반의 객체 검출기를 제공하는 것을 다른 목적으로 한다.
본 발명은 추가로 연산량을 증가시키지 않으면서, 상기 이미지 상의 사이즈가 작은 객체를 검출할 수 있도록 하는 CNN 기반의 객체 검출기를 제공하는 것을 또 다른 목적으로 한다.
상기한 바와 같은 본 발명의 목적을 달성하고, 후술하는 본 발명의 특징적인 효과를 실현하기 위한 본 발명의 특징적인 구성은 하기와 같다.
본 발명의 일 태양에 따르면, 타겟 객체 예측 네트워크를 이용한 객체 검출기의 파라미터 학습 방법에 있어서, (a) 적어도 하나의 트레이닝 이미지가 획득되면, 학습 장치가, (i) 하나 이상의 컨벌루션 레이어로 하여금, 상기 트레이닝 이미지에 대응되는 적어도 하나의 제1 가공 이미지에 하나 이상의 컨벌루션 연산을 적용하여, 적어도 하나의 제1 특징 맵을 출력하도록 하며, (ii) RPN(Region Proposal Network)으로 하여금, 상기 제1 특징 맵을 이용하여, 상기 제1 가공 이미지 내에 위치하는 하나 이상의 제1 객체 각각에 대응하는 하나 이상의 제1 객체 프로포잘을 출력하도록 하고, (iii) 풀링 레이어로 하여금, 상기 제1 특징 맵 상에서, 상기 제1 객체 프로포잘 각각에 대응되는 각각의 영역에 하나 이상의 풀링 연산을 적용하여, 적어도 하나의 제1 풀링된 특징 맵을 출력하도록 하며, (iv) FC(Fully Connected) 레이어로 하여금, 상기 제1 풀링된 특징 맵에 적어도 하나의 FC 연산을 적용하여, 상기 제1 객체에 대응하는 제1 객체 검출 정보를 출력하도록 하고, (v) FC 로스 레이어로 하여금, 상기 제1 객체 검출 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제1 FC 로스를 획득하도록 함으로써, 상기 제1 FC 로스를 이용한 백프로파게이션을 통해 상기 FC 레이어와 상기 컨벌루션 레이어의 파라미터 중 적어도 일부를 학습하는 단계; 및 (b) k를 2부터 n까지 증가시켜가면서, 상기 학습 장치가, (i) 상기 타겟 객체 예측 네트워크로 하여금, 제(k-1) 가공 이미지 상의 하나 이상의 제(k-1) 객체 프로포잘을 참조하여, 상기 제(k-1) 가공 이미지 상에서, 적어도 하나의 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제(k-1) 타겟 영역을 찾도록 하고, (ii) 상기 트레이닝 이미지 또는 리사이즈된 트레이닝 이미지 상에서 상기 제(k-1) 타겟 영역에 대응되는 제k 가공 이미지가 획득되면, 상기 컨벌루션 레이어로 하여금, 상기 제k 가공 이미지에 상기 컨벌루션 연산을 적용하여, 제k 특징 맵을 출력하도록 하며, (iii) 상기 RPN으로 하여금, 상기 제k 특징 맵을 참조하여, 상기 제k 가공 이미지 내에 위치하는 하나 이상의 제k 객체 각각에 대응하는 하나 이상의 제k 객체 프로포잘을 출력하도록 하고, (iv) 상기 풀링 레이어로 하여금, 상기 제k 특징 맵 상에서 상기 제k 객체 프로포잘 각각에 대응되는 각각의 영역에 상기 풀링 연산을 적용하여, 적어도 하나의 제k 풀링된 특징 맵을 출력하도록 하며, (v) 상기 FC 레이어로 하여금, 상기 제k 풀링된 특징 맵에 상기 FC 연산을 적용하여, 상기 제k 객체에 대응하는 제k 객체 검출 정보를 출력하도록 하고, (vi) 상기 FC 로스 레이어로 하여금, 상기 제k 객체 검출 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제k FC 로스를 획득하도록 함으로써, 상기 제k FC 로스를 이용한 백프로파게이션을 통해 상기 FC 레이어 및 상기 컨벌루션 레이어의 파라미터 중 적어도 일부를 학습하는 단계;를 포함하는 것을 특징으로 하는 방법이 개시된다.
일 실시예에서, 상기 (a) 단계에서, 상기 학습 장치는, RPN 로스 레이어로 하여금, 상기 제1 객체 프로포잘의 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제1 RPN 로스를 획득하도록 함으로써, 상기 제1 RPN 로스를 이용한 백프로파게이션을 통해 상기 RPN의 파라미터 중 적어도 일부를 조정하도록 하며, 상기 (b) 단계에서, 상기 학습 장치는, 상기 RPN 로스 레이어로 하여금, 상기 제k 객체 프로포잘의 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제k RPN 로스를 획득하도록 함으로써, 상기 제k RPN 로스를 이용한 백프로파게이션을 통해 상기 RPN의 파라미터 중 적어도 일부를 조정하는 것을 특징으로 한다.
일 실시예에서, 상기 (b) 단계에서, 상기 학습 장치는, 상기 타겟 객체 예측 네트워크로 하여금, (i) 상기 제(k-1) 가공 이미지를 MxN 그리드로 구분하도록 하며, (ii) 상기 제(k-1) 객체 프로포잘 중, 상기 그리드의 각 셀마다 각각 대응하는 프로포잘의 개수를 나타내는 적어도 하나 이상의 히스토그램을 생성하도록 하되, 상기 그리드의 각 셀 내에 그에 대응하는 상기 프로포잘 각각의 전체 영역 또는 분할 영역이 존재하며, (iii) 무빙 윈도우 중 적어도 하나의 영역을 사용하여 상기 (k-1) 타겟 영역을 결정하도록 하되, 상기 적어도 하나의 영역은, 상기 무빙 윈도우의 위치를 변경하여 점유될 모든 영역 중 상기 히스토그램의 합이 가장 큰 값을 가지는 영역인 것을 특징으로 한다.
일 실시예에서, 상기 (b) 단계에서, 상기 학습 장치는, 상기 트레이닝 이미지의 사이즈를 상기 제1 가공 이미지의 사이즈보다 큰 사이즈로 확대하여, 상기 리사이즈된 트레이닝 이미지를 생성한 다음, 상기 리사이즈된 트레이닝 이미지 상에서 상기 제(k-1) 타켓 영역에 대응되는 적어도 하나의 영역을 크롭(crop)하여, 상기 제k 가공 이미지를 생성하는 것을 특징으로 한다.
일 실시예에서, 상기 (b) 단계에서, 상기 학습 장치는, 상기 트레이닝 이미지 상에서, 상기 제(k-1) 타겟 영역에 대응되는 적어도 하나의 영역을 크롭하며 상기 크롭된 영역을 리사이즈하여, 상기 제k 가공 이미지를 생성하는 것을 특징으로 한다.
일 실시예에서, 상기 제k 가공 이미지의 사이즈가 상기 제(k-1) 타겟 영역의 사이즈보다 크게 되도록 상기 제k 가공 이미지를 리사이즈하는 것을 특징으로 한다.
일 실시예에서, 상기 제1 가공 이미지 내지 제n 가공 이미지의 사이즈가 동일한 크기를 가지는 것을 특징으로 한다.
본 발명의 다른 태양에 따르면, 타겟 객체 예측 네트워크를 이용한 객체 검출기의 테스트 방법에 있어서, (a) 학습 장치가, (1-1) 하나 이상의 컨벌루션 레이어로 하여금, 적어도 하나의 트레이닝 이미지에 대응되는 적어도 하나의 제1 학습용 가공 이미지에 하나 이상의 컨벌루션 연산을 적용하여, 적어도 하나의 제1 학습용 특징 맵을 출력하도록 하며, (1-2) RPN으로 하여금, 상기 제1 학습용 특징 맵을 이용하여, 상기 제1 학습용 가공 이미지 내에 위치하는 하나 이상의 제1 학습용 객체 각각에 대응하는 하나 이상의 제1 학습용 객체 프로포잘을 출력하도록 하고, (1-3) 풀링 레이어로 하여금, 상기 제1 학습용 특징 맵 상에서 상기 제1 학습용 객체 프로포잘 각각에 대응되는 각각의 영역에 하나 이상의 풀링 연산을 적용하여, 적어도 하나의 제1 학습용 풀링된 특징 맵을 출력하도록 하며, (1-4) FC 레이어로 하여금, 상기 제1 학습용 풀링된 특징 맵에 적어도 하나의 FC 연산을 적용하여, 상기 제1 학습용 객체에 대응하는 제1 학습용 객체 검출 정보를 출력하도록 하고, (1-5) FC 로스 레이어로 하여금, 상기 제1 학습용 객체 검출 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제1 FC 로스를 획득하도록 함으로써, 상기 제1 FC 로스를 이용한 백프로파게이션을 통해 상기 FC 레이어와 상기 컨벌루션 레이어의 파라미터 중 적어도 일부를 학습하도록 하고, k를 2부터 n까지 증가시켜가면서, (2-1) 상기 타겟 객체 예측 네트워크로 하여금, 제(k-1) 학습용 가공 이미지 상의 하나 이상의 제(k-1) 학습용 객체 프로포잘을 참조하여, 상기 제(k-1) 학습용 가공 이미지 상에서, 적어도 하나의 학습용 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제(k-1) 학습용 타겟 영역을 찾도록 하고, (2-2) 상기 트레이닝 이미지 또는 리사이즈된 트레이닝 이미지 상에서 상기 제(k-1) 학습용 타겟 영역에 대응되는 제k 학습용 가공 이미지가 획득되면, 상기 컨벌루션 레이어로 하여금, 상기 제k 학습용 가공 이미지에 상기 컨벌루션 연산을 적용하여, 제k 학습용 특징 맵을 출력하도록 하며, (2-3) 상기 RPN으로 하여금, 상기 제k 학습용 특징 맵을 참조하여, 상기 제k 학습용 가공 이미지 내에 위치하는 하나 이상의 제k 학습용 객체 각각에 대응하는 하나 이상의 제k 학습용 객체 프로포잘을 출력하도록 하고, (2-4) 상기 풀링 레이어로 하여금, 상기 제k 학습용 특징 맵 상에서, 상기 제k 학습용 객체 프로포잘 각각에 대응되는 각각의 영역에 상기 풀링 연산을 적용하여, 적어도 하나의 제k 학습용 풀링된 특징 맵을 출력하도록 하며, (2-5) 상기 FC 레이어로 하여금, 상기 제k 학습용 풀링된 특징 맵에 상기 FC 연산을 적용하여, 상기 제k 학습용 객체에 대응하는 제k 학습용 객체 검출 정보를 출력하도록 하고, (2-6) 상기 FC 로스 레이어로 하여금, 상기 제k 학습용 객체 검출 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제k FC 로스를 출력하도록 함으로써, 상기 제k FC 로스를 이용한 백프로파게이션을 통해 상기 FC 레이어 및 상기 컨벌루션 레이어의 상기 파라미터 중 적어도 일부를 학습한 상태에서, 적어도 하나의 테스트 이미지가 획득되면, 테스팅 장치가, (i) 상기 컨벌루션 레이어로 하여금, 상기 테스트 이미지에 대응되는 적어도 하나의 제1 테스트용 가공 이미지에 상기 컨벌루션 연산을 적용하여, 적어도 하나의 제1 테스트용 특징 맵을 출력하도록 하며, (ii) 상기 RPN으로 하여금, 상기 제1 테스트용 특징 맵을 이용하여, 상기 제1 테스트용 가공 이미지 내에 위치하는 하나 이상의 제1 테스트용 객체 각각에 대응하는 하나 이상의 제1 테스트용 객체 프로포잘을 출력하도록 하고, (iii) 상기 풀링 레이어로 하여금, 상기 제1 테스트용 특징 맵 상에서, 상기 제1 테스트용 객체 프로포잘 각각에 대응되는 각각의 영역에 상기 풀링 연산을 적용하여, 적어도 하나의 제1 테스트용 풀링된 특징 맵을 출력하도록 하며, (iv) 상기 FC 레이어로 하여금, 상기 제1 테스트용 풀링된 특징 맵에 상기 FC 연산을 적용하여, 상기 제1 테스트용 객체에 대응하는 제1 테스트용 객체 검출 정보를 출력하도록 하는 단계; 및 (b) k를 2부터 n까지 증가시켜가면서, 상기 테스팅 장치가, (i) 상기 타겟 객체 예측 네트워크로 하여금, 제(k-1) 테스트용 가공 이미지 상의 하나 이상의 제(k-1) 테스트용 객체 프로포잘을 참조하여, 상기 제(k-1) 테스트용 가공 이미지 상에서, 적어도 하나의 테스트용 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제(k-1) 테스트용 타겟 영역을 찾도록 하고, (ii) 상기 테스트 이미지 또는 리사이즈된 테스트 이미지 상에서 상기 제(k-1) 테스트용 타겟 영역에 대응되는 제k 테스트용 가공 이미지가 획득되면, 상기 컨벌루션 레이어로 하여금, 상기 제k 테스트용 가공 이미지에 상기 컨벌루션 연산을 적용하여, 제k 테스트용 특징 맵을 출력하도록 하며, (iii) 상기 RPN으로 하여금, 상기 제k 테스트용 특징 맵을 참조하여, 상기 제k 테스트용 가공 이미지 내에 위치하는 하나 이상의 제k 테스트용 객체 각각에 대응하는 하나 이상의 제k 테스트용 객체 프로포잘을 출력하도록 하고, (iv) 상기 풀링 레이어로 하여금, 상기 제k 테스트용 특징 맵 상에서, 상기 제k 테스트용 객체 프로포잘 각각에 대응되는 각각의 영역에 상기 풀링 연산을 적용하여, 적어도 하나의 제k 테스트용 풀링된 특징 맵을 출력하도록 하며, (v) 상기 FC 레이어로 하여금, 상기 제k 테스트용 풀링된 특징 맵에 상기 FC 연산을 적용하여, 상기 제k 테스트용 객체에 대응하는 제k 테스트용 객체 검출 정보를 출력하도록 하는 단계;를 포함하는 것을 특징으로 하는 방법이 개시된다.
일 실시예에서, 상기 학습 장치는, RPN 로스 레이어로 하여금, 상기 제1 학습용 객체 프로포잘의 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제1 RPN 로스를 획득하도록 함으로써, 상기 제1 RPN 로스를 이용한 백프로파게이션을 통해 상기 RPN의 파라미터 중 적어도 일부를 조정하도록 하며, 상기 학습 장치는, 상기 RPN 로스 레이어로 하여금, 상기 제k 학습용 객체 프로포잘의 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제k RPN 로스를 획득하도록 함으로써, 상기 제k RPN 로스를 이용한 백프로파게이션을 통해 상기 RPN의 파라미터 중 적어도 일부를 조정하는 것을 특징으로 한다.
일 실시예에서, 상기 (b) 단계에서, 상기 테스팅 장치는, 상기 타겟 객체 예측 네트워크로 하여금, (i) 상기 제(k-1) 테스트용 가공 이미지를 MxN 그리드로 구분하도록 하며, (ii) 상기 제(k-1) 테스트용 객체 프로포잘 중, 상기 그리드의 각 셀마다 각각 대응하는 테스트용 프로포잘의 개수를 나타내는 적어도 하나 이상의 테스트용 히스토그램을 생성하도록 하되, 상기 그리드의 각 셀 내에 그에 대응하는 상기 테스트용 프로포잘 각각의 전체 영역 또는 분할 영역이 존재하며, (iii) 무빙 윈도우 중 적어도 하나의 영역을 사용하여 상기 제(k-1) 테스트용 타겟 영역을 결정하도록 하되, 상기 적어도 하나의 영역은, 상기 무빙 윈도우의 위치를 변경하여 점유될 모든 영역 중 상기 테스트용 히스토그램의 합이 가장 큰 값을 가지는 영역인 것을 특징으로 한다.
일 실시예에서, 상기 (b) 단계에서, 상기 테스팅 장치는, 상기 테스트 이미지의 사이즈를 상기 제1 테스트용 가공 이미지의 사이즈보다 큰 사이즈로 확대하여 상기 리사이즈된 테스트 이미지를 생성한 다음, 상기 리사이즈된 테스트 이미지 상에서, 상기 제(k-1) 테스트용 타켓 영역에 대응되는 적어도 하나의 영역을 크롭하여, 상기 제k 테스트용 가공 이미지를 생성하는 것을 특징으로 한다.
일 실시예에서, 상기 (b) 단계에서, 상기 테스팅 장치는, 상기 테스트 이미지 상에서, 상기 제(k-1) 테스트용 타겟 영역에 대응되는 적어도 하나의 영역을 크롭하며 상기 크롭된 영역을 리사이즈하여, 상기 제k 테스트용 가공 이미지를 생성하는 것을 특징으로 한다.
일 실시예에서, 상기 제k 테스트용 가공 이미지의 사이즈가 상기 제(k-1) 테스트용 타겟 영역의 사이즈보다 크게 되도록 상기 제k 테스트용 가공 이미지를 리사이즈하는 것을 특징으로 한다.
일 실시예에서, 상기 제1 테스트용 가공 이미지 내지 제n 테스트용 가공 이미지의 사이즈가 동일한 크기를 가지는 것을 특징으로 한다.
본 발명의 또 다른 태양에 따르면, 타겟 객체 예측 네트워크를 이용한 객체 검출기의 파라미터를 학습하기 위한 학습 장치에 있어서, 인스트럭션들을 저장하는 적어도 하나의 메모리; 및 (I) (i) 하나 이상의 컨벌루션 레이어로 하여금, 적어도 하나의 트레이닝 이미지에 대응되는 적어도 하나의 제1 가공 이미지에 하나 이상의 컨벌루션 연산을 적용하여, 적어도 하나의 제1 특징 맵을 출력하도록 하며, (ii) RPN(Region Proposal Network)으로 하여금, 상기 제1 특징 맵을 이용하여, 상기 제1 가공 이미지 내에 위치하는 하나 이상의 제1 객체 각각에 대응하는 하나 이상의 제1 객체 프로포잘을 출력하도록 하고, (iii) 풀링 레이어로 하여금, 상기 제1 특징 맵 상에서, 상기 제1 객체 프로포잘 각각에 대응되는 각각의 영역에 하나 이상의 풀링 연산을 적용하여, 적어도 하나의 제1 풀링된 특징 맵을 출력하도록 하며, (iv) FC(Fully Connected) 레이어로 하여금, 상기 제1 풀링된 특징 맵에 적어도 하나의 FC 연산을 적용하여, 상기 제1 객체에 대응하는 제1 객체 검출 정보를 출력하도록 하고, (v) FC 로스 레이어로 하여금, 상기 제1 객체 검출 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제1 FC 로스를 획득하도록 함으로써, 상기 제1 FC 로스를 이용한 백프로파게이션을 통해 상기 FC 레이어와 상기 컨벌루션 레이어의 파라미터 중 적어도 일부를 학습하는 프로세스, 및 (II) k를 2부터 n까지 증가시켜가면서, (i) 상기 타겟 객체 예측 네트워크로 하여금, 제(k-1) 가공 이미지 상의 하나 이상의 제(k-1) 객체 프로포잘을 참조하여, 상기 제(k-1) 가공 이미지 상에서, 적어도 하나의 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제(k-1) 타겟 영역을 찾도록 하고, (ii) 상기 트레이닝 이미지 또는 리사이즈된 트레이닝 이미지 상에서 상기 제(k-1) 타겟 영역에 대응되는 제k 가공 이미지가 획득되면, 상기 컨벌루션 레이어로 하여금, 상기 제k 가공 이미지에 상기 컨벌루션 연산을 적용하여, 제k 특징 맵을 출력하도록 하며, (iii) 상기 RPN으로 하여금, 상기 제k 특징 맵을 참조하여, 상기 제k 가공 이미지 내에 위치하는 하나 이상의 제k 객체 각각에 대응하는 하나 이상의 제k 객체 프로포잘을 출력하도록 하고, (iv) 상기 풀링 레이어로 하여금, 상기 제k 특징 맵 상에서, 상기 제k 객체 프로포잘 각각에 대응되는 각각의 영역에 상기 풀링 연산을 적용하여, 적어도 하나의 제k 풀링된 특징 맵을 출력하도록 하며, (v) 상기 FC 레이어로 하여금, 상기 제k 풀링된 특징 맵에 상기 FC 연산을 적용하여, 상기 제k 객체에 대응하는 제k 객체 검출 정보를 출력하도록 하고, (vi) 상기 FC 로스 레이어로 하여금, 상기 제k 객체 검출 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제k FC 로스를 획득하도록 함으로써, 상기 제k FC 로스를 이용한 백프로파게이션을 통해 상기 FC 레이어 및 상기 컨벌루션 레이어의 파라미터 중 적어도 일부를 학습하는 프로세스를 수행하기 위한 상기 인스트럭션들을 실행하도록 구성된 적어도 하나의 프로세서;를 포함하는 것을 특징으로 하는 학습 장치가 개시된다.
일 실시예에서, 상기 (I) 프로세스에서, 상기 프로세서는, RPN 로스 레이어로 하여금, 상기 제1 객체 프로포잘의 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제1 RPN 로스를 획득하도록 함으로써, 상기 제1 RPN 로스를 이용한 백프로파게이션을 통해 상기 RPN의 파라미터 중 적어도 일부를 조정하도록 하며, 상기 (II) 프로세스에서, 상기 프로세서는, 상기 RPN 로스 레이어로 하여금, 상기 제k 객체 프로포잘의 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제k RPN 로스를 획득하도록 함으로써, 상기 제k RPN 로스를 이용한 백프로파게이션을 통해 상기 RPN의 파라미터 중 적어도 일부를 조정하는 것을 특징으로 한다.
일 실시예에서, 상기 (II) 프로세스에서, 상기 프로세서는, 상기 타겟 객체 예측 네트워크로 하여금, (i) 상기 제(k-1) 가공 이미지를 MxN 그리드로 구분하도록 하며, (ii) 상기 제(k-1) 객체 프로포잘 중, 상기 그리드의 각 셀마다 각각 대응하는 프로포잘의 개수를 나타내는 적어도 하나 이상의 히스토그램을 생성하도록 하되, 상기 그리드의 각 셀 내에 그에 대응하는 상기 프로포잘 각각의 전체 영역 또는 분할 영역이 존재하며, (iii) 무빙 윈도우 중 적어도 하나의 영역을 사용하여 상기 (k-1) 타겟 영역을 결정하도록 하되, 상기 적어도 하나의 영역은, 상기 무빙 윈도우의 위치를 변경하여 점유될 모든 영역 중 상기 히스토그램의 합이 가장 큰 값을 가지는 영역인 것을 특징으로 한다.
일 실시예에서, 상기 (II) 프로세스에서, 상기 프로세서는, 상기 트레이닝 이미지의 사이즈를 상기 제1 가공 이미지의 사이즈보다 큰 사이즈로 확대하여, 상기 리사이즈된 트레이닝 이미지를 생성한 다음, 상기 리사이즈된 트레이닝 이미지 상에서, 상기 제(k-1) 타켓 영역에 대응되는 적어도 하나의 영역을 크롭하여, 상기 제k 가공 이미지를 생성하는 것을 특징으로 한다.
일 실시예에서, 상기 (II) 프로세스에서, 상기 프로세서는, 상기 트레이닝 이미지 상에서, 상기 제(k-1) 타겟 영역에 대응되는 적어도 하나의 영역을 크롭하며, 상기 크롭된 영역을 리사이즈하여, 상기 제k 가공 이미지를 생성하는 것을 특징으로 한다.
일 실시예에서, 상기 제k 가공 이미지의 사이즈가 상기 제(k-1) 타겟 영역의 사이즈보다 크게 되도록 상기 제k 가공 이미지를 리사이즈하는 것을 특징으로 한다.
일 실시예에서, 상기 제1 가공 이미지 내지 제n 가공 이미지의 사이즈가 동일한 크기를 가지는 것을 특징으로 한다.
본 발명의 또 다른 태양에 따르면, 타겟 객체 예측 네트워크를 이용한 객체 검출기를 테스트하기 위한 테스팅 장치에 있어서, 인스트럭션들을 저장하는 적어도 하나의 메모리; 및 학습 장치가, (1-1) 하나 이상의 컨벌루션 레이어로 하여금, 적어도 하나의 트레이닝 이미지에 대응되는 적어도 하나의 제1 학습용 가공 이미지에 하나 이상의 컨벌루션 연산을 적용하여, 적어도 하나의 제1 학습용 특징 맵을 출력하도록 하며, (1-2) RPN으로 하여금, 상기 제1 학습용 특징 맵을 이용하여, 상기 제1 학습용 가공 이미지 내에 위치하는 하나 이상의 제1 학습용 객체 각각에 대응하는 하나 이상의 제1 학습용 객체 프로포잘을 출력하도록 하고, (1-3) 풀링 레이어로 하여금, 상기 제1 학습용 특징 맵 상에서, 상기 제1 학습용 객체 프로포잘 각각에 대응되는 각각의 영역에 하나 이상의 풀링 연산을 적용하여, 적어도 하나의 제1 학습용 풀링된 특징 맵을 출력하도록 하며, (1-4) FC 레이어로 하여금, 상기 제1 학습용 풀링된 특징 맵에 적어도 하나의 FC 연산을 적용하여, 상기 제1 학습용 객체에 대응하는 제1 학습용 객체 검출 정보를 출력하도록 하고, (1-5) FC 로스 레이어로 하여금, 상기 제1 학습용 객체 검출 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제1 FC 로스를 획득하도록 함으로써, 상기 제1 FC 로스를 이용한 백프로파게이션을 통해 상기 FC 레이어와 상기 컨벌루션 레이어의 파라미터 중 적어도 일부를 학습하도록 하고, k를 2부터 n까지 증가시켜가면서, (2-1) 상기 타겟 객체 예측 네트워크로 하여금, 제(k-1) 학습용 가공 이미지 상의 하나 이상의 제(k-1) 학습용 객체 프로포잘을 참조하여, 상기 제(k-1) 학습용 가공 이미지 상에서, 적어도 하나의 학습용 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제(k-1) 학습용 타겟 영역을 찾도록 하고, (2-2) 상기 트레이닝 이미지 또는 리사이즈된 트레이닝 이미지 상에서 상기 제(k-1) 학습용 타겟 영역에 대응되는 제k 학습용 가공 이미지가 획득되면, 상기 컨벌루션 레이어로 하여금, 상기 제k 학습용 가공 이미지에 상기 컨벌루션 연산을 적용하여, 제k 학습용 특징 맵을 출력하도록 하며, (2-3) 상기 RPN으로 하여금, 상기 제k 학습용 특징 맵을 참조하여, 상기 제k 학습용 가공 이미지 내에 위치하는 하나 이상의 제k 학습용 객체 각각에 대응하는 하나 이상의 제k 학습용 객체 프로포잘을 출력하도록 하고, (2-4) 상기 풀링 레이어로 하여금, 상기 제k 학습용 특징 맵 상에서, 상기 제k 학습용 객체 프로포잘 각각에 대응되는 각각의 영역에 상기 풀링 연산을 적용하여, 적어도 하나의 제k 학습용 풀링된 특징 맵을 출력하도록 하며, (2-5) 상기 FC 레이어로 하여금, 상기 제k 학습용 풀링된 특징 맵에 상기 FC 연산을 적용하여, 상기 제k 학습용 객체에 대응하는 제k 학습용 객체 검출 정보를 출력하도록 하고, (2-6) 상기 FC 로스 레이어로 하여금, 상기 제k 학습용 객체 검출 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제k FC 로스를 출력하도록 함으로써, 상기 제k FC 로스를 이용한 백프로파게이션을 통해 상기 FC 레이어 및 상기 컨벌루션 레이어의 상기 파라미터 중 적어도 일부를 학습한 상태에서, (i) 상기 컨벌루션 레이어로 하여금, 테스트 이미지에 대응되는 적어도 하나의 제1 테스트용 가공 이미지에 상기 컨벌루션 연산을 적용하여, 적어도 하나의 제1 테스트용 특징 맵을 출력하도록 하며, (ii) 상기 RPN으로 하여금, 상기 제1 테스트용 특징 맵을 이용하여, 상기 제1 테스트용 가공 이미지 내에 위치하는 하나 이상의 제1 테스트용 객체 각각에 대응하는 하나 이상의 제1 테스트용 객체 프로포잘을 출력하도록 하고, (iii) 상기 풀링 레이어로 하여금, 상기 제1 테스트용 특징 맵 상에서, 상기 제1 테스트용 객체 프로포잘 각각에 대응되는 각각의 영역에 상기 풀링 연산을 적용하여, 적어도 하나의 제1 테스트용 풀링된 특징 맵을 출력하도록 하며, (iv) 상기 FC 레이어로 하여금, 상기 제1 테스트용 풀링된 특징 맵에 상기 FC 연산을 적용하여, 상기 제1 테스트용 객체에 대응하는 제1 테스트용 객체 검출 정보를 출력하도록 하는 프로세스, 및 (II) k를 2부터 n까지 증가시켜가면서, (i) 상기 타겟 객체 예측 네트워크로 하여금, 제(k-1) 테스트용 가공 이미지 상의 하나 이상의 제(k-1) 테스트용 객체 프로포잘을 참조하여, 상기 제(k-1) 테스트용 가공 이미지 상에서, 적어도 하나의 테스트용 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제(k-1) 테스트용 타겟 영역을 찾도록 하고, (ii) 상기 테스트 이미지 또는 리사이즈된 테스트 이미지 상에서 상기 제(k-1) 테스트용 타겟 영역에 대응되는 제k 테스트용 가공 이미지가 획득되면, 상기 컨벌루션 레이어로 하여금, 상기 제k 테스트용 가공 이미지에 상기 컨벌루션 연산을 적용하여, 제k 테스트용 특징 맵을 출력하도록 하며, (iii) 상기 RPN으로 하여금, 상기 제k 테스트용 특징 맵을 참조하여, 상기 제k 테스트용 가공 이미지 내에 위치하는 하나 이상의 제k 테스트용 객체 각각에 대응하는 하나 이상의 제k 테스트용 객체 프로포잘을 출력하도록 하고, (iv) 상기 풀링 레이어로 하여금, 상기 제k 테스트용 특징 맵 상에서, 상기 제k 테스트용 객체 프로포잘 각각에 대응되는 각각의 영역에 상기 풀링 연산을 적용하여, 적어도 하나의 제k 테스트용 풀링된 특징 맵을 출력하도록 하며, (v) 상기 FC 레이어로 하여금, 상기 제k 테스트용 풀링된 특징 맵에 상기 FC 연산을 적용하여, 상기 제k 테스트용 객체에 대응하는 제k 테스트용 객체 검출 정보를 출력하도록 하는 프로세스를 수행하기 위한 상기 인스트럭션들을 실행하도록 구성된 적어도 하나의 프로세서;를 포함하는 것을 특징으로 하는 테스팅 장치가 개시된다.
일 실시예에서, 상기 학습 장치는, RPN 로스 레이어로 하여금, 상기 제1 학습용 객체 프로포잘의 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제1 RPN 로스를 획득하도록 함으로써, 상기 제1 RPN 로스를 이용한 백프로파게이션을 통해 상기 RPN의 파라미터 중 적어도 일부를 조정하도록 하며, 상기 학습 장치는, 상기 RPN 로스 레이어로 하여금, 상기 제k 학습용 객체 프로포잘의 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제k RPN 로스를 획득하도록 함으로써, 상기 제k RPN 로스를 이용한 백프로파게이션을 통해 상기 RPN의 파라미터 중 적어도 일부를 조정하는 것을 특징으로 한다.
일 실시예에서, 상기 (II) 프로세스에서, 상기 프로세서는, 상기 타겟 객체 예측 네트워크로 하여금, (i) 상기 제(k-1) 테스트용 가공 이미지를 MxN 그리드로 구분하도록 하며, (ii) 상기 제(k-1) 테스트용 객체 프로포잘 중, 상기 그리드의 각 셀마다 각각 대응하는 테스트용 프로포잘의 개수를 나타내는 적어도 하나 이상의 테스트용 히스토그램을 생성하도록 하되, 상기 그리드의 각 셀 내에 그에 대응하는 상기 테스트용 프로포잘 각각의 전체 영역 또는 분할 영역이 존재하며, (iii) 무빙 윈도우 중 적어도 하나의 영역을 사용하여 상기 제(k-1) 테스트용 타겟 영역을 결정하도록 하되, 상기 적어도 하나의 영역은, 상기 무빙 윈도우의 위치를 변경하여 점유될 모든 영역 중 상기 테스트용 히스토그램의 합이 가장 큰 값을 가지는 영역인 것을 특징으로 한다.
일 실시예에서, 상기 (II) 프로세스에서, 상기 프로세서는, 상기 테스트 이미지의 사이즈를 상기 제1 테스트용 가공 이미지의 사이즈보다 큰 사이즈로 확대하여, 상기 리사이즈된 테스트 이미지를 생성한 다음, 상기 리사이즈된 테스트 이미지 상에서, 상기 제(k-1) 테스트용 타켓 영역에 대응되는 적어도 하나의 영역을 크롭하여, 상기 제k 테스트용 가공 이미지를 생성하는 것을 특징으로 한다.
일 실시예에서, 상기 (II) 프로세스에서, 상기 프로세서는, 상기 테스트 이미지 상에서 상기 제(k-1) 테스트용 타겟 영역에 대응되는 적어도 하나의 영역을 크롭하며 상기 크롭된 영역을 리사이즈하여, 상기 제k 테스트용 가공 이미지를 생성하는 것을 특징으로 한다.
일 실시예에서, 상기 제k 테스트용 가공 이미지의 사이즈가 상기 제(k-1) 테스트용 타겟 영역의 사이즈보다 크게 되도록 상기 제k 테스트용 가공 이미지를 리사이즈하는 것을 특징으로 한다.
일 실시예에서, 상기 제1 테스트용 가공 이미지 내지 제n 테스트용 가공 이미지의 사이즈가 동일한 크기를 가지는 것을 특징으로 한다.
이 외에도, 본 발명의 방법을 실행하기 위한 컴퓨터 프로그램을 기록하기 위한 컴퓨터 판독 가능한 기록 매체가 더 제공된다.
본 발명에 의하면, 입력 이미지를 서로 다른 사이즈를 가진 이미지로 가공한 다음, 각각의 가공된 이미지 상에서 객체가 위치하는 것으로 추정되는 타겟 영역을 이용하여 이미지 내의 작은 객체를 손쉽게 검출할 수 있는 효과가 있다.
또한, 본 발명에 의하면, 상기 입력 이미지를 서로 다른 사이즈의 이미지로 가공한 다음, 각각의 상기 가공된 이미지 상에서 객체가 위치하는 것으로 추정되는 타겟 영역을 크롭하여 가공된 이미지를 이용하여, 이미지 내 사이즈가 작은 객체를 검출함으로써 연산량과 연산 시간을 최소화할 수 있는 효과가 있다.
본 발명의 실시예의 설명에 이용되기 위하여 첨부된 아래 도면들은 본 발명의 실시예들 중 단지 일부일 뿐이며, 본 발명이 속한 기술분야에서 통상의 지식을 가진 자(이하 "통상의 기술자")에게 있어서는 발명적 작업이 이루어짐 없이 이 도면들에 기초하여 다른 도면들이 얻어질 수 있다.
도 1은 본 발명의 일 실시예에 따른 타겟 객체 예측 네트워크를 이용한, CNN 기반 객체 검출기를 학습하는 학습 장치를 개략적으로 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 상기 타겟 객체 예측 네트워크를 이용한, 상기 CNN 기반 객체 검출기를 학습하는 학습 방법을 개략적으로 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 상기 타겟 객체 예측 네트워크를 이용한, 상기 CNN 기반 객체 검출기의 학습 방법에서 고려될, RPN에서 출력되는, 객체 프로포잘을 개략적으로 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따른 상기 타겟 객체 예측 네트워크를 이용한, 상기 CNN 기반 객체 검출기의 학습 방법에서 고려될, 상기 RPN에서 출력되는, 상기 객체 프로포잘을 이용하여, 타겟 영역을 찾는 프로세스를 개략적으로 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따른 가공 이미지를 이용하여 적어도 하나의 타겟 객체를 검출하는 프로세스를 개략적으로 나타낸 도면이다.
도 6은 본 발명의 일 실시예에 따른 상기 타겟 객체 예측 네트워크를 이용한, 상기 CNN 기반 객체 검출기의 테스팅 장치를 개략적으로 나타낸 도면이다.
도 7은 본 발명의 일 실시예에 따른 상기 타겟 객체 예측 네트워크를 이용한, 상기 CNN 기반 객체 검출기의 테스팅 방법을 개략적으로 나타낸 도면이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명의 목적들, 기술적 해법들 및 장점들을 분명하게 하기 위하여 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 통상의 기술자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다.
또한, 본 발명의 상세한 설명 및 청구항들에 걸쳐, "포함하다"라는 단어 및 그것의 변형은 다른 기술적 특징들, 부가물들, 구성요소들 또는 단계들을 제외하는 것으로 의도된 것이 아니다. 통상의 기술자에게 본 발명의 다른 목적들, 장점들 및 특성들이 일부는 본 설명서로부터, 그리고 일부는 본 발명의 실시로부터 드러날 것이다. 아래의 예시 및 도면은 실례로서 제공되며, 본 발명을 한정하는 것으로 의도된 것이 아니다.
더욱이 본 발명은 본 명세서에 표시된 실시예들의 모든 가능한 조합들을 망라한다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
본 발명에서 언급하는 각종 이미지는 포장 또는 비포장 도로 관련 이미지를 포함할 수 있으며, 이 경우 도로 환경에서 등장할 수 있는 물체(가령, 자동차, 사람, 동물, 식물, 물건, 건물, 비행기나 드론과 같은 비행체, 기타 장애물)를 상정할 수 있을 것이나, 반드시 이에 한정되는 것은 아니며, 본 발명에서 언급하는 각종 이미지는 도로와 상관 없는 이미지(가령, 비포장도로, 골목길, 공터, 바다, 호수, 강, 산, 숲, 사막, 하늘, 실내와 관련된 이미지)일 수도 있으며, 이 경우, 비포장도로, 골목길, 공터, 바다, 호수, 강, 산, 숲, 사막, 하늘, 실내 환경에서 등장할 수 있는 물체(가령, 자동차, 사람, 동물, 식물, 물건, 건물, 비행기나 드론과 같은 비행체, 기타 장애물)를 상정할 수 있을 것이나, 반드시 이에 한정되는 것은 아니다.
이하, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 타겟 객체 예측 네트워크를 이용한, CNN 기반 객체 검출기를 학습하는 학습 장치를 개략적으로 나타낸 도면이다.
도 1을 참조하면, 상기 학습 장치(100)는 통신부(110)와 프로세서(120)를 포함할 수 있다.
먼저, 상기 통신부(110)는 적어도 하나의 트레이닝 이미지를 획득하거나 타 장치로 하여금 획득하도록 지원할 수 있다.
이때, 상기 트레이닝 이미지는 데이터베이스(130)에 저장될 수 있으며, 상기 데이터베이스(130)는 상기 트레이닝 이미지에 위치하는 하나 이상의 객체 각각에 대응하는 클래스 정보 및 위치 정보에 대한 적어도 하나의 GT(ground truth)를 저장할 수 있다.
또한, 상기 학습 장치는 후술될 프로세스를 수행하는 컴퓨터 판독 가능한 인스트럭션(computer readable instruction)을 저장할 수 있는 메모리(115)를 더 포함할 수 있다. 일 예시로, 상기 프로세서, 상기 메모리, 및 매체 등은 하나의 프로세서로 통합되어 기능할 수도 있다.
다음으로, 상기 프로세서(120)는 (i) 하나 이상의 컨벌루션 레이어로 하여금, 상기 트레이닝 이미지에 대응되는 적어도 하나의 제1 가공 이미지에 하나 이상의 컨벌루션 연산을 적용하여, 적어도 하나의 제1 특징 맵을 출력하도록 하며, (ii) RPN(Region Proposal Network)으로 하여금, 상기 제1 특징 맵을 이용하여, 상기 제1 가공 이미지 내에 위치하는 하나 이상의 제1 객체 각각에 대응하는 하나 이상의 제1 객체 프로포잘을 출력하도록 하고, (iii) 풀링 레이어로 하여금, 상기 제1 특징 맵 상에서, 상기 제1 객체 프로포잘 각각에 대응되는 각각의 영역에 하나 이상의 풀링 연산을 적용하여, 적어도 하나의 제1 풀링된 특징 맵을 출력하도록 하며, (iv) FC(Fully Connected) 레이어로 하여금, 상기 제1 풀링된 특징 맵에 적어도 하나의 FC 연산을 적용하여, 상기 제1 객체에 대응하는 제1 객체 검출 정보를 출력하도록 하고, (v) FC 로스 레이어로 하여금, 상기 제1 객체 검출 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제1 FC 로스를 획득하도록 함으로써, 상기 제1 FC 로스를 이용한 백프로파게이션을 통해, 상기 FC 레이어와 상기 컨벌루션 레이어의 파라미터 중 적어도 일부를 학습하는 프로세스를 수행하거나 타 장치로 하여금 수행하도록 지원할 수 있다.
또한, 상기 프로세서(120)는, k를 2부터 n까지 증가시켜가면서, (i) 상기 타겟 객체 예측 네트워크로 하여금, 제(k-1) 가공 이미지 상의 하나 이상의 제(k-1) 객체 프로포잘을 참조하여, 상기 제(k-1) 가공 이미지 상에서, 적어도 하나의 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제(k-1) 타겟 영역을 찾도록 하고, (ii) 상기 트레이닝 이미지 또는 리사이즈된 트레이닝 이미지 상에서 상기 제(k-1) 타겟 영역에 대응되는 제k 가공 이미지가 획득되면, 상기 컨벌루션 레이어로 하여금, 상기 제k 가공 이미지에 상기 컨벌루션 연산을 적용하여, 제k 특징 맵을 출력하도록 하며, (iii) 상기 RPN으로 하여금, 상기 제k 특징 맵을 참조하여, 상기 제k 가공 이미지 내에 위치하는 하나 이상의 제k 객체 각각에 대응하는 하나 이상의 제k 객체 프로포잘을 출력하도록 하고, (iv) 상기 풀링 레이어로 하여금, 상기 제k 특징 맵 상에서 상기 제k 객체 프로포잘 각각에 대응되는 각각의 영역에 상기 풀링 연산을 적용하여, 적어도 하나의 제k 풀링된 특징 맵을 출력하도록 하며, (v) 상기 FC 레이어로 하여금, 상기 제k 풀링된 특징 맵에 상기 FC 연산을 적용하여, 상기 제k 객체에 대응하는 제k 객체 검출 정보를 출력하도록 하고, (vi) 상기 FC 로스 레이어로 하여금, 상기 제k 객체 검출 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제k FC 로스를 획득하도록 함으로써, 상기 제k FC 로스를 이용한 백프로파게이션을 통해 상기 FC 레이어 및 상기 컨벌루션 레이어의 파라미터 중 적어도 일부를 학습하는 프로세스를 수행하거나 타 장치로 하여금 수행하도록 지원할 수 있다.
또한, 상기 프로세서(120)는 RPN 로스 레이어로 하여금, 상기 제1 객체 프로포잘의 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제1 RPN 로스를 획득하도록 함으로써, 상기 제1 RPN 로스를 이용한 백프로파게이션을 통해 상기 RPN의 파라미터 중 적어도 일부를 조정하도록 하며, 상기 RPN 로스 레이어로 하여금, 상기 제k 객체 프로포잘의 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제k RPN 로스를 획득하도록 함으로써, 상기 제k RPN 로스를 이용한 백프로파게이션을 통해 상기 RPN의 파라미터 중 적어도 일부를 조정할 수 있다.
이때, 본 발명의 일 실시예에 따른 상기 학습 장치(100)는 컴퓨팅 장치로서, 프로세서를 탑재하여 연산 능력을 갖춘 장치라면 얼마든지 본 발명에 따른 학습 장치(100)로서 채택될 수 있다. 또한, 도 1에서는 하나의 학습 장치(100)만을 나타내었으나, 이에 한정되지 않으며, 상기 학습 장치는 복수 개로 나뉘어 역할을 수행할 수도 있다.
이와 같이 구성된 본 발명의 일 실시예에 따른 상기 학습 장치(100)를 이용하여, 상기 타겟 객체 예측 네트워크를 이용하여 CNN 기반 객체 검출기의 파라미터를 학습하는 방법을 도 2를 참조하여 설명하면 다음과 같다.
먼저, 상기 트레이닝 이미지가 입력되면, 상기 학습 장치(100)가 컨벌루션 레이어(121)로 하여금, 상기 트레이닝 이미지에 대응되는 상기 제1 가공 이미지에 상기 컨벌루션 연산을 적용하여, 상기 제1 특징 맵을 출력하도록 할 수 있다. 여기서, 상기 컨벌루션 레이어(121)는 단일의 컨벌루션 레이어 또는 다수의 컨벌루션 레이어가 될 수 있다.
이때, 상기 학습 장치(100)는 이미지 가공 네트워크(111)로 하여금, 상기 트레이닝 이미지를 가공하여 사이즈가 서로 다른 이미지 다수를 포함하는 이미지 피라미드를 생성하도록 할 수 있으며, 상기 이미지 피라미드 중 하나의 이미지를 상기 제1 가공 이미지로서 상기 컨벌루션 레이어(121)에 입력할 수 있다.
다음으로, 상기 학습 장치(100)는, RPN(122)으로 하여금, 상기 제1 특징 맵을 이용하여, 상기 제1 가공 이미지 내에 위치하는 상기 제1 객체에 대응하는 하나 이상의 제1 객체 프로포잘을 출력하도록 할 수 있다.
일 예시로서, 도 3을 참조하면, 상기 RPN(122)으로부터 출력된 상기 제1 객체 프로포잘은 상기 제1 가공 이미지 내 상기 제1 객체 각각에 대응할 수 있으며, 상기 제1 객체 프로포잘 각각은, 상기 제1 객체 각각, 즉, 태깅 영역에 대응하는 위치 정보와 상기 태깅 영역 각각이 객체인지 여부에 대한 정보를 갖는 각 프로포잘에 대한 정보를 포함할 수 있다. 이때, 객체인지 여부에 대한 정보는 상기 각각의 객체 프로포잘이 객체로 예측되는 확률 정보를 포함할 수 있으며, 상기 프로포잘 박스에 관한 정보는 상기 프로포잘 박스가 상기 객체의 위치에 일치하는 것으로 예측되는 확률 정보를 포함할 수 있다.
다음으로, 상기 학습 장치(100)는, 풀링 레이어(123)로 하여금, 상기 제1 특징 맵 상에서, 상기 제1 객체 프로포잘에 대응되는 적어도 하나의 영역에 상기 풀링 연산을 적용하여 상기 제1 풀링된 특징 맵을 출력하도록 하며, FC 레이어(124)로 하여금, 상기 제1 풀링된 특징 맵에 상기 FC 연산을 적용하여, 상기 제1 객체에 대응하는 제1 객체 검출 정보를 출력하도록 할 수 있다.
이때, 상기 제1 객체 검출 정보는 바운딩 박스에 관한 정보(즉, 상기 제1 객체 각각에 관한 위치 정보) 및 상기 제1 객체 프로포잘에 대응되는 상기 제1 객체 각각에 관한 클래스 정보를 포함할 수 있다. 또한, 상기 클래스 정보는 상기 제1 객체 각각이 해당 클래스로 예측되는 확률 정보를 포함할 수 있으며, 상기 바운딩 박스에 관한 정보는 상기 바운딩 박스 각각이 상기 객체의 위치에 일치하는 것으로 예측되는 확률 정보를 포함할 수 있다.
다음으로, 상기 학습 장치(100)는, 적어도 하나의 FC 로스 레이어(125)로 하여금, 상기 제1 객체 검출 정보와 이에 대응되는 GT를 참조하여 하나 이상의 제1 FC 로스를 획득하도록 함으로써, 상기 제1 FC 로스를 이용한 백프로파게이션을 통해 상기 FC 레이어(124)와 상기 컨벌루션 레이어(121)의 파라미터 중 적어도 일부를 조정할 수 있다.
또한, 상기 학습 장치(100)는, 적어도 하나의 RPN 로스 레이어(126)로 하여금, 상기 제1 객체 프로포잘과 이에 대응되는 GT를 참조하여, 하나 이상의 제1 RPN 로스를 획득하도록 함으로써, 상기 제1 RPN 로스를 이용한 백프로파게이션을 통해 상기 RPN(122)의 파라미터 중 적어도 일부를 조정할 수 있다.
다음으로, 상기 학습 장치(100)는, 타겟 객체 예측 네트워크(127)로 하여금, 제1 가공 이미지 상의 상기 제1 객체 프로포잘을 참조하여, 상기 제1 가공 이미지 상에서, 상기 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제1 타겟 영역을 찾도록 할 수 있다.
일 예시로서, 도 4를 참조하면, 상기 타겟 객체 예측 네트워크(127)는 (i) 상기 제1 가공 이미지를 MxN 그리드로 구분하며, (ii) 상기 제(k-1) 객체 프로포잘 중, 상기 그리드의 각 셀마다 각각 대응하는 프로포잘의 개수를 나타내는 적어도 하나 이상의 히스토그램을 생성하되, 상기 그리드의 각 셀 내에 그에 대응하는 상기 프로포잘 각각의 전체 영역 또는 분할 영역이 존재하며, 바람직하게는, 상기 대응하는 프로포잘의 사이즈가, 상기 RPN(122)으로부터 출력된 상기 객체 프로포잘 중, 상기 타겟 객체의 사이즈에 대응하는 기설정된 사이즈보다 작도록 할 수 있고, (iii) 상기 제1 타겟 영역의 사이즈에 대응되는 PХQ 사이즈를 가진 무빙 윈도우의 적어도 하나의 영역을 사용하여 상기 제1 타겟 영역(TR)을 결정하되, 상기 적어도 하나의 영역은 상기 무빙 윈도우의 위치를 변경하여 점유될 모든 영역 중 상기 히스토그램의 합이 가장 큰 값을 가질 수 있다.
다음으로, 상기 학습 장치(100)는 상기 트레이닝 이미지 또는 이를 리사이즈한 이미지, 즉, 상기 리사이즈된 트레이닝 이미지 상의 상기 제1 타겟 영역(TR)에 대응되는 제2 가공 이미지를 획득하거나 타 장치로 하여금 획득하도록 지원할 수 있다.
이때, 상기 학습 장치(100)는, 상기 이미지 가공 네트워크(111)로 하여금, 상기 트레이닝 이미지의 사이즈를 상기 제1 가공 이미지의 사이즈보다 큰 사이즈로 확대하여 상기 리사이즈된 트레이닝 이미지를 생성한 다음, 상기 리사이즈된 트레이닝 이미지 상에서 상기 제1 타겟 영역(TR)에 대응되는 적어도 하나의 영역을 크롭하여 상기 제2 가공 이미지를 생성하거나, 상기 트레이닝 이미지 상의 상기 제1 타겟 영역(TR)에 대응되는 적어도 하나의 영역을 크롭 및 리사이즈하여 상기 제2 가공 이미지를 생성하도록 할 수 있다.
일 예시로서, 상기 이미지 가공 네트워크(111)는 상기 트레이닝 이미지에 대응하는 상기 이미지 피라미드 중 제1 가공 이미지보다 사이즈가 큰 이미지 상에서 제1 타겟 영역(TR)에 대응되는 적어도 하나의 영역을 크롭하여, 상기 제2 가공 이미지를 생성할 수 있다. 또한, 상기 이미지 가공 네트워크(111)는 상기 트레이닝 이미지에서 상기 제1 타겟 영역(TR)에 대응되는 적어도 하나의 영역을 크롭하고 상기 크롭된 이미지를 리사이즈함으로써, 상기 제2 가공 이미지를 생성할 수 있다. 이때, 상기 제2 가공 이미지는 사이즈가 상기 제1 타겟 영역의 사이즈보다 크게 되도록 리사이즈될 수 있다. 이를 위해, 상기 이미지 가공 네트워크(111)는 상기 크롭된 이미지를 상기 트레이닝 이미지의 상기 이미지 피라미드 중 상기 제1 가공 이미지의 다음 이미지의 사이즈에 대응하도록 리사이즈하여 상기 제2 가공 이미지를 생성할 수 있다.
다음으로, 상기 학습 장치(100)는 상기 생성된 제2 가공 이미지를 이용하여 상기와 같은 과정을 반복하여 상기 트레이닝 이미지 상에서의 사이즈가 작은 객체, 즉, 원거리에 위치하는 객체를 효율적으로 검출할 수 있게 된다.
즉, 상기 학습 장치(100)는 k를 2부터 n까지 증가시켜가면서, (i) 상기 타겟 객체 예측 네트워크(127)로 하여금, 제(k-1) 가공 이미지 상의 하나 이상의 제(k-1) 객체 프로포잘을 참조하여, 상기 제(k-1) 가공 이미지 상에서, 상기 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제(k-1) 타겟 영역을 찾도록 하고, (ii) 상기 트레이닝 이미지 또는 리사이즈된 트레이닝 이미지 상에서 상기 제(k-1) 타겟 영역에 대응되는 제k 가공 이미지가 획득되면, 상기 컨벌루션 레이어로 하여금, 상기 제k 가공 이미지에 상기 컨벌루션 연산을 적용하여, 제k 특징 맵을 출력하도록 하는 프로세스를 수행하거나 타 장치로 하여금 수행하도록 지원할 수 있다. 그리고 상기 학습 장치(100)는, 상기 RPN(122)으로 하여금, 상기 제k 특징 맵을 이용하여 상기 제k 가공 이미지 내에 위치하는 제k 객체 각각에 대응하는 상기 제k 객체 프로포잘을 출력하도록 하고, 상기 풀링 레이어(123)로 하여금, 상기 제k 특징 맵 상에서 상기 제k 객체 프로포잘 각각에 대응되는 각각의 영역에 상기 풀링 연산을 적용하여 상기 적어도 하나의 제k 풀링된 특징 맵을 출력하도록 할 수 있다. 이후, 상기 학습 장치(100)는, 상기 FC 레이어(124)로 하여금, 상기 제k 풀링된 특징 맵에 상기 FC 연산을 적용하여 상기 제k 객체에 대응하는 제k 객체 검출 정보를 출력할 수 있도록 한다. 그리고 상기 학습 장치(100)는, 상기 FC 로스 레이어(125)로 하여금, 상기 제k 객체 검출 정보와 이에 대응되는 GT를 참조하여 하나 이상의 제k FC 로스를 획득하도록 함으로써, 상기 제k FC 로스를 이용한 백프로파게이션을 통해 상기 FC 레이어 및 상기 컨벌루션 레이어의 파라미터 중 적어도 일부를 조정하도록 할 수 있다. 또한, 상기 학습 장치(100)는, 상기 RPN 로스 레이어(126)로 하여금, 상기 제k 객체 프로포잘과 이에 대응되는 GT를 참조하여, 하나 이상의 제k RPN 로스를 획득하도록 함으로써, 상기 제k RPN 로스를 이용한 백프로파게이션을 통해 상기 RPN(122)의 상기 파라미터 중 적어도 일부를 조정하도록 할 수 있다.
일 예시로서, 도 5를 참조하면, 상기 이미지 피라미드 중 최소 사이즈의 이미지인 제1 이미지(P1)에 대응되는 상기 제1 가공 이미지(MI1) 상에서 객체 검출이 수행되어 상기 제1 타겟 영역(TR1)이 예측되며, 상기 이미지 피라미드 중 다음 최소 사이즈의 이미지인 제2 이미지(P2)에서 상기 제1 타겟 영역(TR1)에 대응되는 상기 제2 가공 이미지(MI2) 상에서 객체 검출이 수행되어 제2 타겟 영역(TR2)이 확인되고, 상기 이미지 피라미드 중 제2 이미지(P2) 다음 최소 사이즈의 이미지인 제3 이미지(P3)에서 상기 제2 타겟 영역(TR2)에 대응되는 제3 가공 이미지(MI3) 상에서 객체 검출이 수행됨으로써, 특정 사이즈를 가진 제k 객체, 바람직하게는, 원거리에 위치하는 사이즈가 작은 객체가 짧은 연산시간에 의해 용이하게 검출될 수 있게 된다.
이때, 상기 제1 가공 이미지내지 제(n-1) 가공 이미지에서 제1 타겟 영역 내지 제(n-1) 타겟 영역의 사이즈는 동일하게 되도록 하거나, 각각의 가공 이미지의 사이즈에 대응하여 종횡비(aspect ratio)를 동일하게 한 상태에서 그 사이즈가 다르게 할 수도 있다. 또한, 상기 제1 가공 이미지 내지 상기 제n 가공 이미지는 동일한 크기를 가지도록 할 수도 있다.
상기와 같은 방법에 의해 상기 트레이닝 이미지 내에 위치하는 사이즈가 다양한 객체, 특히 사이즈가 작고 원거리에 위치한 상기 제k 객체는 효율적으로 검출할 수 있게 되며, 또한, 상기 예측된 타겟 영역에 대응하는 영역만을 사용하므로 연산량을 줄일 수 있으며, 그에 따라 상기 CNN 기반 상기 객체 검출의 연산 시간을 줄일 수 있게 된다.
또한, 상기에서는 상기 트레이닝 이미지 상에 타겟 객체가 하나인 경우를 상정하여 설명하였으나, 상기 트레이닝 이미지 내에 타겟 객체 다수가 있을 경우에도, 상기와 같은 방법에 의해 상기 트레이닝 이미지 내에서의 상기 각각의 타겟 객체에 대응되는 각각의 타겟 영역을 이용하여 상기 각각의 타겟 객체의 검출이 가능하다.
도 6은 본 발명의 일 실시예에 따른 상기 타겟 객체 예측 네트워크를 이용한, 상기 CNN 기반 객체 검출기를 테스팅하는 테스팅 장치를 개략적으로 도시한 것으로, 도6을 참조하면, 상기 테스팅 장치(200)는 통신부(210)와 프로세서(220)를 포함할 수 있다.
먼저, 상기 통신부(210)는 적어도 하나의 테스트 이미지를 획득하거나 타 장치로 하여금 획득하도록 지원할 수 있다.
또한, 상기 테스팅 장치는 후술할 프로세스를 수행하는 컴퓨터 판독 가능한 인스트럭션(computer readable instruction)을 저장할 수 있는 메모리(215)를 더 포함할 수 있다. 일 예시로, 상기 프로세서, 상기 메모리, 및 매체(medium) 등은 하나의 프로세서로 통합되어 기능할 수도 있다.
이때, 상기 타겟 객체 예측 네트워크를 이용한, 상기 CNN 기반 상기 객체 검출기는 도 1 내지 도 5를 참조하여 설명된 상기 학습 방법으로 학습될 수 있다.
참고로, 아래의 설명에서 혼동을 방지하기 위해, 학습 프로세스와 관련된 용어에는 "학습용"이라는 문구가 추가되고, 테스트 프로세스와 관련된 용어에는 "테스트용"라는 문구가 추가되었다.
즉, 트레이닝 이미지가 획득되면, 상기 학습 장치가, (a) (i) 상기 컨벌루션 레이어로 하여금, 상기 트레이닝 이미지에 대응되는 적어도 하나의 제1 학습용 가공 이미지에 상기 컨벌루션 연산을 적용하여, 적어도 하나의 제1 학습용 특징 맵을 출력하도록 하며, (ii) 상기 RPN으로 하여금, 상기 제1 학습용 특징 맵을 이용하여, 상기 제1 학습용 가공 이미지 내에 위치하는 하나 이상의 제1 학습용 객체 각각에 대응하는 하나 이상의 제1 학습용 객체 프로포잘을 출력하도록 하고, (iii) 상기 풀링 레이어로 하여금, 상기 제1 학습용 특징 맵 상에서, 상기 제1 학습용 객체 프로포잘 각각에 대응되는 각각의 영역에 상기 풀링 연산을 적용하여, 적어도 하나의 제1 학습용 풀링된 특징 맵을 출력하도록 하며, (iv) 상기 FC 레이어로 하여금, 상기 제1 학습용 풀링된 특징 맵에 상기 FC 연산을 적용하여, 상기 제1 학습용 객체에 대응하는 제1 학습용 객체 검출 정보를 출력하도록 하고, (v) 상기 FC 로스 레이어로 하여금, 상기 제1 학습용 객체 검출 정보와 이에 대응되는 GT를 참조하여, 상기 제1 FC 로스를 획득하도록 함으로써, 상기 제1 FC 로스를 이용한 백프로파게이션을 통해 상기 FC 레이어와 상기 컨벌루션 레이어의 상기 파라미터 중 적어도 일부를 학습하도록 하고, (b) k를 2부터 n까지 증가시켜가면서, (i) 상기 타겟 객체 예측 네트워크로 하여금, 제(k-1) 학습용 가공 이미지 상의 하나 이상의 제(k-1) 학습용 객체 프로포잘을 참조하여, 상기 제(k-1) 학습용 가공 이미지 상에서, 적어도 하나의 학습용 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제(k-1) 학습용 타겟 영역을 찾도록 하고, (ii) 상기 트레이닝 이미지 또는 리사이즈된 트레이닝 이미지 상에서 상기 제(k-1) 학습용 타겟 영역에 대응되는 제k 학습용 가공 이미지가 획득되면, 상기 컨벌루션 레이어로 하여금 상기 제k 학습용 가공 이미지에 상기 컨벌루션 연산을 적용하여, 제k 학습용 특징 맵을 출력하도록 하며, (iii) 상기 RPN으로 하여금, 상기 제k 학습용 특징 맵을 참조하여, 상기 제k 학습용 가공 이미지 내에 위치하는 하나 이상의 제k 학습용 객체 각각에 대응하는 하나 이상의 제k 학습용 객체 프로포잘을 출력하도록 하고, (iv) 상기 풀링 레이어로 하여금, 상기 제k 학습용 특징 맵 상에서, 상기 제k 학습용 객체 프로포잘 각각에 대응되는 각각의 영역에 상기 풀링 연산을 적용하여, 적어도 하나의 제k 학습용 풀링된 특징 맵을 출력하도록 하며, (v) 상기 FC 레이어로 하여금, 상기 제k 학습용 풀링된 특징 맵에 상기 FC 연산을 적용하여, 상기 제k 학습용 객체에 대응하는 제k 학습용 객체 검출 정보를 출력하도록 하고, (vi) 상기 FC 로스 레이어로 하여금, 상기 제k 학습용 객체 검출 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제k FC 로스를 출력하도록 함으로써, 상기 제k FC 로스를 이용한 백프로파게이션을 통해 상기 FC 레이어 및 상기 컨벌루션 레이어의 상기 파라미터 중 적어도 일부를 학습하도록 하는 프로세스를 수행할 수 있다.
또한, 상기 학습 장치는, 상기 RPN 로스 레이어로 하여금, 상기 제1 학습용 객체 프로포잘의 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제1 RPN 로스를 획득하도록 함으로써, 상기 제1 RPN 로스를 이용한 백프로파게이션을 통해 상기 RPN의 파라미터 중 적어도 일부를 조정하도록 하고, 상기 RPN 로스 레이어로 하여금, 상기 제k 학습용 객체 프로포잘의 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제k RPN 로스를 획득하도록 함으로써, 상기 제k RPN 로스를 이용한 백프로파게이션을 통해 상기 RPN의 파라미터 중 적어도 일부를 조정할 수 있다.
다음으로, 상기 프로세서(220)는, (i) 상기 컨벌루션 레이어로 하여금, 상기 테스트 이미지에 대응되는 적어도 하나의 제1 테스트용 가공 이미지에 상기 컨벌루션 연산을 적용하여, 적어도 하나의 제1 테스트용 특징 맵을 출력하도록 하며, (ii) 상기 RPN으로 하여금, 상기 제1 테스트용 특징 맵을 이용하여, 상기 제1 테스트용 가공 이미지 내에 위치하는 하나 이상의 제1 테스트용 객체 각각에 대응하는 하나 이상의 제1 테스트용 객체 프로포잘을 출력하도록 하고, (iii) 상기 풀링 레이어로 하여금, 상기 제1 테스트용 특징 맵 상에서, 상기 제1 테스트용 객체 프로포잘 각각에 대응되는 각각의 영역에 상기 풀링 연산을 적용하여, 적어도 하나의 제1 테스트용 풀링된 특징 맵을 출력하도록 하며, (iv) 상기 FC 레이어로 하여금, 상기 제1 테스트용 풀링된 특징 맵에 상기 FC 연산을 적용하여, 상기 제1 테스트용 객체에 대응하는 제1 테스트용 객체 검출 정보를 출력하도록 하는 프로세스를 수행하거나 타 장치로 하여금 수행하도록 지원할 수 있다. 이후, 상기 프로세서(220)는, k를 2부터 n까지 증가시켜가면서, (i) 상기 타겟 객체 예측 네트워크로 하여금, 제(k-1) 테스트용 가공 이미지 상의 하나 이상의 제(k-1) 테스트용 객체 프로포잘을 참조하여, 상기 제(k-1) 테스트용 가공 이미지 상에서, 적어도 하나의 테스트용 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제(k-1) 테스트용 타겟 영역을 찾도록 하고, (ii) 상기 테스트 이미지 또는 리사이즈된 테스트 이미지 상에서 상기 제(k-1) 테스트용 타겟 영역에 대응되는 제k 테스트용 가공 이미지가 획득되면, 상기 컨벌루션 레이어로 하여금, 상기 제k 테스트용 가공 이미지에 상기 컨벌루션 연산을 적용하여 제k 테스트용 특징 맵을 출력하도록 하며, (iii) 상기 RPN으로 하여금, 상기 제k 테스트용 특징 맵을 참조하여 상기 제k 테스트용 가공 이미지 내에 위치하는 하나 이상의 제k 테스트용 객체 각각에 대응하는 하나 이상의 제k 테스트용 객체 프로포잘을 출력하도록 하고, (iv) 상기 풀링 레이어로 하여금, 상기 제k 테스트용 특징 맵 상에서, 상기 제k 테스트용 객체 프로포잘 각각에 대응되는 각각의 영역에 상기 풀링 연산을 적용하여, 적어도 하나의 제k 테스트용 풀링된 특징 맵을 출력하도록 하며, (v) 상기 FC 레이어로 하여금, 상기 제k 테스트용 풀링된 특징 맵에 상기 FC 연산을 적용하여, 상기 제k 테스트용 객체에 대응하는 제k 테스트용 객체 검출 정보를 출력하도록 하는 프로세스를 수행하거나, 타 장치로 하여금 수행하도록 지원할 수 있다.
이때, 본 발명의 일 실시예에 따른 테스팅 장치(200)는 컴퓨팅 장치로서, 프로세서를 탑재하여 연산 능력을 갖춘 장치라면 얼마든지 본 발명에 따른 테스팅 장치(200)로서 채택될 수 있다. 또한, 도 6에서는 하나의 테스팅 장치(200)만을 나타내었으나, 이에 한정되지 않으며, 테스팅 장치는 복수 개로 나뉘어 역할을 수행할 수도 있다.
본 발명의 일 실시예에 따른 상기 테스팅 장치(200)를 이용하여 상기 타겟 객체 예측 네트워크를 이용한, 상기 CNN 기반 상기 객체 검출기를 테스팅하는 방법을 도 7을 참조하여 설명하면 다음과 같다. 이하의 설명에서, 도 1 내지 도 5를 참조하여 설명한 상기 학습 방법으로 쉽게 이해 가능한 부분에 대해서는 상세한 설명을 생략하기로 한다.
먼저, 도 1 내지 도 5를 참조하여 설명한 학습 방법에 따라 FC 레이어(224), 컨벌루션 레이어(221) 및 RPN(222)의 파라미터 중 적어도 일부가 학습된 상태에서, 상기 테스트 이미지가 입력되면, 상기 테스팅 장치(200)가 상기 컨벌루션 레이어(221)로 하여금, 상기 테스트 이미지에 대응되는 상기 제1 가공 이미지에 상기 컨벌루션 연산을 적용하여, 상기 제1 테스트용 특징 맵을 출력하도록 할 수 있다. 이때, 상기 컨벌루션 레이어(221)는 단일의 컨벌루션 레이어일 수도 있고, 또는 다수의 컨벌루션 레이어일 수도 있다.
이때, 상기 테스팅 장치(200)는, 이미지 가공 네트워크(211)로 하여금, 상기 테스트 이미지를 가공하여 사이즈가 서로 다른 이미지를 포함하는 이미지 피라미드를 생성하도록 할 수 있으며, 상기 이미지 피라미드 중 하나의 이미지를 상기 제1 테스트용 가공 이미지로서 상기 컨벌루션 레이어(221)에 입력할 수 있다.
다음으로, 상기 테스팅 장치(200)는, 상기 RPN(222)으로 하여금, 상기 제1 테스트용 특징 맵을 이용하여, 상기 제1 테스트용 가공 이미지 내에 위치하는 상기 제1 테스트용 객체 각각에 대응하는 하나 이상의 제1 테스트용 객체 프로포잘을 출력하도록 할 수 있다.
이때, 상기 제1 테스트용 객체 프로포잘 각각은, 상기 각각의 제1 테스트용 객체, 즉, 태깅 영역에 대응하는 위치 정보와 상기 각각의 태깅 영역이 객체인지 여부에 대한 정보를 갖는 각 프로포잘에 대한 정보를 포함할 수 있다.
다음으로, 상기 테스팅 장치(200)는, 풀링 레이어(223)로 하여금, 상기 제1 테스트용 특징 맵 상에서, 상기 제1 객체 프로포잘에 대응되는 적어도 하나의 영역에 상기 풀링 연산을 적용하여, 적어도 하나의 제1 테스트용 풀링된 특징 맵을 출력하도록 하며, 상기 FC 레이어(224)로 하여금, 상기 제1 테스트용 풀링된 특징 맵에 상기 FC 연산을 적용하여, 상기 제1 테스트용 객체에 대응하는 제1 테스트용 객체 검출 정보를 출력하도록 할 수 있다.
이때, 상기 제1 테스트용 객체 검출 정보는 테스트용 바운딩 박스에 관한 정보(즉, 상기 제1 테스트용 객체 각각에 관한 위치 정보) 및 상기 제1 테스트용 객체 프로포잘에 대응되는 상기 제1 테스트용 객체 각각에 관한 클래스 정보를 포함할 수 있다.
다음으로, 상기 테스팅 장치(200)는, 타겟 객체 예측 네트워크(227)로 하여금, 제1 테스트용 가공 이미지 상의 상기 제1 테스트용 객체 프로포잘을 참조하여, 상기 제1 테스트용 가공 이미지 상에서, 적어도 하나의 테스트용 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제1 테스트용 타겟 영역을 찾도록 할 수 있다.
다음으로, 상기 테스팅 장치(200)는 상기 리사이즈된 테스트 이미지 또는 상기 테스트 이미지 상의 상기 제1 테스트용 타겟 영역에 대응하는 제2 테스트용 가공 이미지를 획득하거나 타 장치로 하여금 획득하도록 지원할 수 있다.
이때, 상기 테스팅 장치(200)는, 상기 이미지 가공 네트워크(211)로 하여금, 상기 테스트 이미지의 사이즈를 상기 제1 테스트용 가공 이미지의 사이즈보다 큰 사이즈로 확대하여 상기 리사이즈된 테스트 이미지를 생성한 다음, 상기 리사이즈된 테스트 이미지 상에서 상기 제1 테스트용 타켓 영역에 대응되는 적어도 하나의 영역을 크롭하여 상기 제2 테스트용 가공 이미지를 생성하거나, 상기 테스트 이미지 상의 상기 제1 테스트용 타겟 영역에 대응되는 적어도 하나의 영역을 크롭 및 리사이즈하여 상기 제2 테스트용 가공 이미지를 생성하도록 할 수 있다.
일 예시로서, 상기 이미지 가공 네트워크(211)는 상기 테스트 이미지에 대응하는 상기 이미지 피라미드 중 상기 제1 테스트용 가공 이미지보다 사이즈가 큰 이미지 상에서, 상기 제1 테스트용 타겟 영역에 대응되는 적어도 하나의 영역을 크롭하여, 상기 제2 테스트용 가공 이미지를 생성할 수 있다. 또한, 상기 이미지 가공 네트워크(211)는 상기 테스트 이미지에서 상기 제1 테스트용 타겟 영역에 대응되는 적어도 하나의 영역을 크롭하여, 상기 크롭된 이미지를 리사이즈함으로써, 상기 제2 테스트용 가공 이미지를 생성할 수 있다. 이때, 제2 테스트용 가공 이미지의 사이즈가 상기 제1 테스트용 타겟 영역의 사이즈 보다 크게 되도록 리사이즈할 수 있다. 이를 위해, 상기 이미지 가공 네트워크(211)는 상기 크롭된 이미지를 상기 테스트 이미지의 상기 이미지 피라미드 중 상기 제1 테스트용 가공 이미지의 다음 이미지 사이즈에 대응하여 크롭된 이미지의 사이즈를 리사이즈하여 상기 제2 테스트용 가공 이미지를 생성할 수 있다.
다음으로, 상기 테스팅 장치(200)는 상기 생성된 제2 테스트용 가공 이미지를 이용하여 상기와 같은 과정을 반복하여 상기 테스트 이미지 상에서의 사이즈가 작은 객체, 즉, 원거리에 위치하는 객체를 효율적으로 검출할 수 있게 된다.
다시 말해, 상기 테스팅 장치(200)는, k를 2부터 n까지 증가시켜가면서, (i) 상기 타겟 객체 예측 네트워크(227)로 하여금, 제(k-1) 테스트용 가공 이미지 상의 하나 이상의 제(k-1) 테스트용 객체 프로포잘을 참조하여, 상기 제(k-1) 테스트용 가공 이미지 상에서, 적어도 하나의 테스트용 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제(k-1) 테스트용 타겟 영역을 찾도록 하고, (ii) 상기 테스트 이미지 또는 리사이즈된 테스트 이미지 상에서 상기 제(k-1) 테스트용 타겟 영역에 대응되는 제k 테스트용 가공 이미지가 획득되면, 상기 컨벌루션 레이어(221)로 하여금, 상기 제k 테스트용 가공 이미지에 상기 컨벌루션 연산을 적용하여, 제k 테스트용 특징 맵을 출력하도록 하는 프로세스를 수행하거나 타 장치로 하여금 수행하도록 지원할 수 있다. 그리고, 상기 테스팅 장치(200)는, 상기 RPN(222)으로 하여금, 상기 제k 테스트용 특징 맵을 이용하여, 상기 제k 테스트용 가공 이미지 내에 위치하는 상기 제k 테스트용 객체 각각에 대응하는 상기 제k 테스트용 객체 프로포잘을 출력하도록 하고, 상기 풀링 레이어(223)로 하여금, 상기 제k 테스트용 특징 맵 상에서, 상기 제k 테스트용 객체 프로포잘 각각에 대응되는 각각의 영역에 상기 풀링 연산을 적용하여, 적어도 하나의 제k 테스트용 풀링된 특징 맵을 출력하도록 할 수 있다. 이후, 상기 테스팅 장치(200)는, 상기 FC 레이어(224)로 하여금, 상기 제k 테스트용 풀링된 특징 맵에 상기 FC 연산을 적용하여, 상기 제k 테스트용 객체에 대응하는 제k 테스트용 객체 검출 정보를 출력하도록 할 수 있다.
상기와 같은 방법에 의해 상기 테스트 이미지 내에 위치하는 사이즈가 다양한 객체, 특히, 사이즈가 작고, 원거리에 위치한 상기 제k 객체는 효율적으로 검출할 수 있게 되며, 또한, 상기 예측된 타겟 영역에 대응하는 영역만을 사용하므로 연산량을 줄일 수 있으며, 그에 따라 상기 CNN 기반 상기 객체 검출의 연산 시간을 줄일 수 있게 된다.
또한, 상기에서는 상기 테스트 이미지 상에 타겟 객체가 하나인 경우를 상정하여 설명하였으나, 상기 테스트 이미지 내에 타겟 객체 다수가 있을 경우에도, 상기와 같은 방법에 의해 상기 테스트 이미지 내에서의 상기 각각의 타겟 객체에 대응되는 각각의 타겟 영역을 이용하여 상기 각각의 타겟 객체의 검출이 가능하다.
객체 검출기의 파라미터를 학습하여, 핵심성과지표(KPI)와 같은 사용자 요구 사항에 적응 가능한 타겟 객체 예측 네트워크가 제공될 수 있다. 상기 KPI에 따른 해상도(resolution)나 초점 거리(focal length)가 바뀌면, 객체의 크기 또한 바뀌게 된다. 사용자 최적화된 설계를 위한 상기 방법으로 낙하하는 또는 낙하된 객체와 같이 확실하지 않는 객체가 보다 정확하게 검출될 수 있고, 또한 상기 객체의 변동(fluctuation)도 감지될 수 있다. 따라서, 상기 방법은 군사 목적이나 원거리에 있는 객체 검출을 위해 유용하게 수행될 수 있다.
이상 설명된 본 발명에 따른 실시예들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims (28)

  1. 타겟 객체 예측 네트워크를 이용한 객체 검출기의 파라미터 학습 방법에 있어서,
    (a) 적어도 하나의 트레이닝 이미지가 획득되면, 학습 장치가, (i) 하나 이상의 컨벌루션 레이어로 하여금, 상기 트레이닝 이미지에 대응되는 적어도 하나의 제1 가공 이미지에 하나 이상의 컨벌루션 연산을 적용하여, 적어도 하나의 제1 특징 맵을 출력하도록 하며, (ii) RPN(Region Proposal Network)으로 하여금, 상기 제1 특징 맵을 이용하여, 상기 제1 가공 이미지 내에 위치하는 하나 이상의 제1 객체 각각에 대응하는 하나 이상의 제1 객체 프로포잘을 출력하도록 하고, (iii) 풀링 레이어로 하여금, 상기 제1 특징 맵 상에서, 상기 제1 객체 프로포잘 각각에 대응되는 각각의 영역에 하나 이상의 풀링 연산을 적용하여, 적어도 하나의 제1 풀링된 특징 맵을 출력하도록 하며, (iv) FC(Fully Connected) 레이어로 하여금, 상기 제1 풀링된 특징 맵에 적어도 하나의 FC 연산을 적용하여, 상기 제1 객체에 대응하는 제1 객체 검출 정보를 출력하도록 하고, (v) FC 로스 레이어로 하여금, 상기 제1 객체 검출 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제1 FC 로스를 획득하도록 함으로써, 상기 제1 FC 로스를 이용한 백프로파게이션을 통해 상기 FC 레이어와 상기 컨벌루션 레이어의 파라미터 중 적어도 일부를 학습하는 단계; 및
    (b) k를 2부터 n까지 증가시켜가면서, 상기 학습 장치가, (i) 상기 타겟 객체 예측 네트워크로 하여금, 제(k-1) 가공 이미지 상의 하나 이상의 제(k-1) 객체 프로포잘을 참조하여, 상기 제(k-1) 가공 이미지 상에서, 적어도 하나의 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제(k-1) 타겟 영역을 찾도록 하고, (ii) 상기 트레이닝 이미지 또는 리사이즈된 트레이닝 이미지 상에서 상기 제(k-1) 타겟 영역에 대응되는 제k 가공 이미지가 획득되면, 상기 컨벌루션 레이어로 하여금, 상기 제k 가공 이미지에 상기 컨벌루션 연산을 적용하여, 제k 특징 맵을 출력하도록 하며, (iii) 상기 RPN으로 하여금, 상기 제k 특징 맵을 참조하여, 상기 제k 가공 이미지 내에 위치하는 하나 이상의 제k 객체 각각에 대응하는 하나 이상의 제k 객체 프로포잘을 출력하도록 하고, (iv) 상기 풀링 레이어로 하여금, 상기 제k 특징 맵 상에서 상기 제k 객체 프로포잘 각각에 대응되는 각각의 영역에 상기 풀링 연산을 적용하여, 적어도 하나의 제k 풀링된 특징 맵을 출력하도록 하며, (v) 상기 FC 레이어로 하여금, 상기 제k 풀링된 특징 맵에 상기 FC 연산을 적용하여, 상기 제k 객체에 대응하는 제k 객체 검출 정보를 출력하도록 하고, (vi) 상기 FC 로스 레이어로 하여금, 상기 제k 객체 검출 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제k FC 로스를 획득하도록 함으로써, 상기 제k FC 로스를 이용한 백프로파게이션을 통해 상기 FC 레이어 및 상기 컨벌루션 레이어의 파라미터 중 적어도 일부를 학습하는 단계;
    를 포함하는 것을 특징으로 하는 방법.
  2. 제1항에 있어서,
    상기 (a) 단계에서,
    상기 학습 장치는, RPN 로스 레이어로 하여금, 상기 제1 객체 프로포잘의 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제1 RPN 로스를 획득하도록 함으로써, 상기 제1 RPN 로스를 이용한 백프로파게이션을 통해 상기 RPN의 파라미터 중 적어도 일부를 조정하도록 하며,
    상기 (b) 단계에서,
    상기 학습 장치는, 상기 RPN 로스 레이어로 하여금, 상기 제k 객체 프로포잘의 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제k RPN 로스를 획득하도록 함으로써, 상기 제k RPN 로스를 이용한 백프로파게이션을 통해 상기 RPN의 파라미터 중 적어도 일부를 조정하는 것을 특징으로 하는 방법.
  3. 제1항에 있어서,
    상기 (b) 단계에서,
    상기 학습 장치는, 상기 타겟 객체 예측 네트워크로 하여금, (i) 상기 제(k-1) 가공 이미지를 MxN 그리드로 구분하도록 하며, (ii) 상기 제(k-1) 객체 프로포잘 중, 상기 그리드의 각 셀마다 각각 대응하는 프로포잘의 개수를 나타내는 적어도 하나 이상의 히스토그램을 생성하도록 하되, 상기 그리드의 각 셀 내에 그에 대응하는 상기 프로포잘 각각의 전체 영역 또는 분할 영역이 존재하며, (iii) 무빙 윈도우 중 적어도 하나의 영역을 사용하여 상기 제(k-1) 타겟 영역을 결정하도록 하되, 상기 적어도 하나의 영역은 상기 무빙 윈도우의 위치를 변경하여 점유될 모든 영역 중 상기 히스토그램의 합이 가장 큰 값을 가지는 영역인 것을 특징으로 하는 방법.
  4. 제1항에 있어서,
    상기 (b) 단계에서,
    상기 학습 장치는, 상기 트레이닝 이미지의 사이즈를 상기 제1 가공 이미지의 사이즈보다 큰 사이즈로 확대하여, 상기 리사이즈된 트레이닝 이미지를 생성한 다음, 상기 리사이즈된 트레이닝 이미지 상에서 상기 제(k-1) 타켓 영역에 대응되는 적어도 하나의 영역을 크롭(crop)하여, 상기 제k 가공 이미지를 생성하는 것을 특징으로 하는 방법.
  5. 제1항에 있어서,
    상기 (b) 단계에서,
    상기 학습 장치는, 상기 트레이닝 이미지 상에서, 상기 제(k-1) 타겟 영역에 대응되는 적어도 하나의 영역을 크롭하며 상기 크롭된 영역을 리사이즈하여, 상기 제k 가공 이미지를 생성하는 것을 특징으로 하는 방법.
  6. 제5항에 있어서,
    상기 제k 가공 이미지의 사이즈가 상기 제(k-1) 타겟 영역의 사이즈보다 크게 되도록 상기 제k 가공 이미지를 리사이즈하는 것을 특징으로 하는 방법.
  7. 제1항에 있어서,
    상기 제1 가공 이미지 내지 제n 가공 이미지의 사이즈가 동일한 크기를 가지는 것을 특징으로 하는 방법.
  8. 타겟 객체 예측 네트워크를 이용한 객체 검출기의 테스트 방법에 있어서,
    (a) 학습 장치가, (1-1) 하나 이상의 컨벌루션 레이어로 하여금, 적어도 하나의 트레이닝 이미지에 대응되는 적어도 하나의 제1 학습용 가공 이미지에 하나 이상의 컨벌루션 연산을 적용하여, 적어도 하나의 제1 학습용 특징 맵을 출력하도록 하며, (1-2) RPN으로 하여금, 상기 제1 학습용 특징 맵을 이용하여, 상기 제1 학습용 가공 이미지 내에 위치하는 하나 이상의 제1 학습용 객체 각각에 대응하는 하나 이상의 제1 학습용 객체 프로포잘을 출력하도록 하고, (1-3) 풀링 레이어로 하여금, 상기 제1 학습용 특징 맵 상에서, 상기 제1 학습용 객체 프로포잘 각각에 대응되는 각각의 영역에 하나 이상의 풀링 연산을 적용하여, 적어도 하나의 제1 학습용 풀링된 특징 맵을 출력하도록 하며, (1-4) FC 레이어로 하여금, 상기 제1 학습용 풀링된 특징 맵에 적어도 하나의 FC 연산을 적용하여, 상기 제1 학습용 객체에 대응하는 제1 학습용 객체 검출 정보를 출력하도록 하고, (1-5) FC 로스 레이어로 하여금, 상기 제1 학습용 객체 검출 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제1 FC 로스를 획득하도록 함으로써, 상기 제1 FC 로스를 이용한 백프로파게이션을 통해 상기 FC 레이어와 상기 컨벌루션 레이어의 파라미터 중 적어도 일부를 학습하도록 하고, k를 2부터 n까지 증가시켜가면서, (2-1) 상기 타겟 객체 예측 네트워크로 하여금, 제(k-1) 학습용 가공 이미지 상의 하나 이상의 제(k-1) 학습용 객체 프로포잘을 참조하여, 상기 제(k-1) 학습용 가공 이미지 상에서, 적어도 하나의 학습용 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제(k-1) 학습용 타겟 영역을 찾도록 하고, (2-2) 상기 트레이닝 이미지 또는 리사이즈된 트레이닝 이미지 상에서 상기 제(k-1) 학습용 타겟 영역에 대응되는 제k 학습용 가공 이미지가 획득되면, 상기 컨벌루션 레이어로 하여금, 상기 제k 학습용 가공 이미지에 상기 컨벌루션 연산을 적용하여, 제k 학습용 특징 맵을 출력하도록 하며, (2-3) 상기 RPN으로 하여금, 상기 제k 학습용 특징 맵을 참조하여, 상기 제k 학습용 가공 이미지 내에 위치하는 하나 이상의 제k 학습용 객체 각각에 대응하는 하나 이상의 제k 학습용 객체 프로포잘을 출력하도록 하고, (2-4) 상기 풀링 레이어로 하여금, 상기 제k 학습용 특징 맵 상에서, 상기 제k 학습용 객체 프로포잘 각각에 대응되는 각각의 영역에 상기 풀링 연산을 적용하여, 적어도 하나의 제k 학습용 풀링된 특징 맵을 출력하도록 하며, (2-5) 상기 FC 레이어로 하여금, 상기 제k 학습용 풀링된 특징 맵에 상기 FC 연산을 적용하여, 상기 제k 학습용 객체에 대응하는 제k 학습용 객체 검출 정보를 출력하도록 하고, (2-6) 상기 FC 로스 레이어로 하여금, 상기 제k 학습용 객체 검출 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제k FC 로스를 출력하도록 함으로써, 상기 제k FC 로스를 이용한 백프로파게이션을 통해 상기 FC 레이어 및 상기 컨벌루션 레이어의 상기 파라미터 중 적어도 일부를 학습한 상태에서, 적어도 하나의 테스트 이미지가 획득되면, 테스팅 장치가, (i) 상기 컨벌루션 레이어로 하여금, 상기 테스트 이미지에 대응되는 적어도 하나의 제1 테스트용 가공 이미지에 상기 컨벌루션 연산을 적용하여, 적어도 하나의 제1 테스트용 특징 맵을 출력하도록 하며, (ii) 상기 RPN으로 하여금, 상기 제1 테스트용 특징 맵을 이용하여, 상기 제1 테스트용 가공 이미지 내에 위치하는 하나 이상의 제1 테스트용 객체 각각에 대응하는 하나 이상의 제1 테스트용 객체 프로포잘을 출력하도록 하고, (iii) 상기 풀링 레이어로 하여금, 상기 제1 테스트용 특징 맵 상에서, 상기 제1 테스트용 객체 프로포잘 각각에 대응되는 각각의 영역에 상기 풀링 연산을 적용하여, 적어도 하나의 제1 테스트용 풀링된 특징 맵을 출력하도록 하며, (iv) 상기 FC 레이어로 하여금, 상기 제1 테스트용 풀링된 특징 맵에 상기 FC 연산을 적용하여, 상기 제1 테스트용 객체에 대응하는 제1 테스트용 객체 검출 정보를 출력하도록 하는 단계; 및
    (b) k를 2부터 n까지 증가시켜가면서, 상기 테스팅 장치가, (i) 상기 타겟 객체 예측 네트워크로 하여금, 제(k-1) 테스트용 가공 이미지 상의 하나 이상의 제(k-1) 테스트용 객체 프로포잘을 참조하여, 상기 제(k-1) 테스트용 가공 이미지 상에서, 적어도 하나의 테스트용 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제(k-1) 테스트용 타겟 영역을 찾도록 하고, (ii) 상기 테스트 이미지 또는 리사이즈된 테스트 이미지 상에서 상기 제(k-1) 테스트용 타겟 영역에 대응되는 제k 테스트용 가공 이미지가 획득되면, 상기 컨벌루션 레이어로 하여금, 상기 제k 테스트용 가공 이미지에 상기 컨벌루션 연산을 적용하여, 제k 테스트용 특징 맵을 출력하도록 하며, (iii) 상기 RPN으로 하여금, 상기 제k 테스트용 특징 맵을 참조하여, 상기 제k 테스트용 가공 이미지 내에 위치하는 하나 이상의 제k 테스트용 객체 각각에 대응하는 하나 이상의 제k 테스트용 객체 프로포잘을 출력하도록 하고, (iv) 상기 풀링 레이어로 하여금, 상기 제k 테스트용 특징 맵 상에서, 상기 제k 테스트용 객체 프로포잘 각각에 대응되는 각각의 영역에 상기 풀링 연산을 적용하여, 적어도 하나의 제k 테스트용 풀링된 특징 맵을 출력하도록 하며, (v) 상기 FC 레이어로 하여금, 상기 제k 테스트용 풀링된 특징 맵에 상기 FC 연산을 적용하여, 상기 제k 테스트용 객체에 대응하는 제k 테스트용 객체 검출 정보를 출력하도록 하는 단계;
    를 포함하는 것을 특징으로 하는 방법.
  9. 제8항에 있어서,
    상기 학습 장치는, RPN 로스 레이어로 하여금, 상기 제1 학습용 객체 프로포잘의 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제1 RPN 로스를 획득하도록 함으로써, 상기 제1 RPN 로스를 이용한 백프로파게이션을 통해 상기 RPN의 파라미터 중 적어도 일부를 조정하도록 하며,
    상기 학습 장치는, 상기 RPN 로스 레이어로 하여금, 상기 제k 학습용 객체 프로포잘의 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제k RPN 로스를 획득하도록 함으로써, 상기 제k RPN 로스를 이용한 백프로파게이션을 통해 상기 RPN의 파라미터 중 적어도 일부를 조정하는 것을 특징으로 하는 방법.
  10. 제8항에 있어서,
    상기 (b) 단계에서,
    상기 테스팅 장치는, 상기 타겟 객체 예측 네트워크로 하여금, (i) 상기 제(k-1) 테스트용 가공 이미지를 MxN 그리드로 구분하도록 하며, (ii) 상기 제(k-1) 테스트용 객체 프로포잘 중, 상기 그리드의 각 셀마다 각각 대응하는 테스트용 프로포잘의 개수를 나타내는 적어도 하나 이상의 테스트용 히스토그램을 생성하도록 하되, 상기 그리드의 각 셀 내에 그에 대응하는 상기 테스트용 프로포잘 각각의 전체 영역 또는 분할 영역이 존재하며, (iii) 무빙 윈도우 중 적어도 하나의 영역을 사용하여 상기 제(k-1) 테스트용 타겟 영역을 결정하도록 하되, 상기 적어도 하나의 영역은 상기 무빙 윈도우의 위치를 변경하여 점유될 모든 영역 중 상기 테스트용 히스토그램의 합이 가장 큰 값을 가지는 영역인 것을 특징으로 하는 방법.
  11. 제8항에 있어서,
    상기 (b) 단계에서,
    상기 테스팅 장치는, 상기 테스트 이미지의 사이즈를 상기 제1 테스트용 가공 이미지의 사이즈보다 큰 사이즈로 확대하여, 상기 리사이즈된 테스트 이미지를 생성한 다음, 상기 리사이즈된 테스트 이미지 상에서, 상기 제(k-1) 테스트용 타켓 영역에 대응되는 적어도 하나의 영역을 크롭하여, 상기 제k 테스트용 가공 이미지를 생성하는 것을 특징으로 하는 방법.
  12. 제8항에 있어서,
    상기 (b) 단계에서,
    상기 테스팅 장치는, 상기 테스트 이미지 상에서, 상기 제(k-1) 테스트용 타겟 영역에 대응되는 적어도 하나의 영역을 크롭하며 상기 크롭된 영역을 리사이즈하여, 상기 제k 테스트용 가공 이미지를 생성하는 것을 특징으로 하는 방법.
  13. 제12항에 있어서,
    상기 제k 테스트용 가공 이미지의 사이즈가 상기 제(k-1) 테스트용 타겟 영역의 사이즈보다 크게 되도록 상기 제k 테스트용 가공 이미지를 리사이즈하는 것을 특징으로 하는 방법.
  14. 제8항에 있어서,
    상기 제1 테스트용 가공 이미지 내지 제n 테스트용 가공 이미지의 사이즈가 동일한 크기를 가지는 것을 특징으로 하는 방법.
  15. 타겟 객체 예측 네트워크를 이용한 객체 검출기의 파라미터를 학습하기 위한 학습 장치에 있어서,
    인스트럭션들을 저장하는 적어도 하나의 메모리; 및
    (I) (i) 하나 이상의 컨벌루션 레이어로 하여금, 적어도 하나의 트레이닝 이미지에 대응되는 적어도 하나의 제1 가공 이미지에 하나 이상의 컨벌루션 연산을 적용하여, 적어도 하나의 제1 특징 맵을 출력하도록 하며, (ii) RPN(Region Proposal Network)으로 하여금, 상기 제1 특징 맵을 이용하여, 상기 제1 가공 이미지 내에 위치하는 하나 이상의 제1 객체 각각에 대응하는 하나 이상의 제1 객체 프로포잘을 출력하도록 하고, (iii) 풀링 레이어로 하여금, 상기 제1 특징 맵 상에서, 상기 제1 객체 프로포잘 각각에 대응되는 각각의 영역에 하나 이상의 풀링 연산을 적용하여, 적어도 하나의 제1 풀링된 특징 맵을 출력하도록 하며, (iv) FC(Fully Connected) 레이어로 하여금, 상기 제1 풀링된 특징 맵에 적어도 하나의 FC 연산을 적용하여, 상기 제1 객체에 대응하는 제1 객체 검출 정보를 출력하도록 하고, (v) FC 로스 레이어로 하여금, 상기 제1 객체 검출 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제1 FC 로스를 획득하도록 함으로써, 상기 제1 FC 로스를 이용한 백프로파게이션을 통해 상기 FC 레이어와 상기 컨벌루션 레이어의 파라미터 중 적어도 일부를 학습하는 프로세스, 및 (II) k를 2부터 n까지 증가시켜가면서, (i) 상기 타겟 객체 예측 네트워크로 하여금, 제(k-1) 가공 이미지 상의 하나 이상의 제(k-1) 객체 프로포잘을 참조하여, 상기 제(k-1) 가공 이미지 상에서, 적어도 하나의 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제(k-1) 타겟 영역을 찾도록 하고, (ii) 상기 트레이닝 이미지 또는 리사이즈된 트레이닝 이미지 상에서 상기 제(k-1) 타겟 영역에 대응되는 제k 가공 이미지가 획득되면, 상기 컨벌루션 레이어로 하여금, 상기 제k 가공 이미지에 상기 컨벌루션 연산을 적용하여, 제k 특징 맵을 출력하도록 하며, (iii) 상기 RPN으로 하여금, 상기 제k 특징 맵을 참조하여, 상기 제k 가공 이미지 내에 위치하는 하나 이상의 제k 객체 각각에 대응하는 하나 이상의 제k 객체 프로포잘을 출력하도록 하고, (iv) 상기 풀링 레이어로 하여금, 상기 제k 특징 맵 상에서, 상기 제k 객체 프로포잘 각각에 대응되는 각각의 영역에 상기 풀링 연산을 적용하여, 적어도 하나의 제k 풀링된 특징 맵을 출력하도록 하며, (v) 상기 FC 레이어로 하여금, 상기 제k 풀링된 특징 맵에 상기 FC 연산을 적용하여, 상기 제k 객체에 대응하는 제k 객체 검출 정보를 출력하도록 하고, (vi) 상기 FC 로스 레이어로 하여금, 상기 제k 객체 검출 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제k FC 로스를 획득하도록 함으로써, 상기 제k FC 로스를 이용한 백프로파게이션을 통해 상기 FC 레이어 및 상기 컨벌루션 레이어의 파라미터 중 적어도 일부를 학습하는 프로세스를 수행하기 위한 상기 인스트럭션들을 실행하도록 구성된 적어도 하나의 프로세서;
    를 포함하는 것을 특징으로 하는 학습 장치.
  16. 제15항에 있어서,
    상기 (I) 프로세스에서,
    상기 프로세서는, RPN 로스 레이어로 하여금, 상기 제1 객체 프로포잘의 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제1 RPN 로스를 획득하도록 함으로써, 상기 제1 RPN 로스를 이용한 백프로파게이션을 통해 상기 RPN의 파라미터 중 적어도 일부를 조정하도록 하며,
    상기 (II) 프로세스에서,
    상기 프로세서는, 상기 RPN 로스 레이어로 하여금, 상기 제k 객체 프로포잘의 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제k RPN 로스를 획득하도록 함으로써, 상기 제k RPN 로스를 이용한 백프로파게이션을 통해 상기 RPN의 파라미터 중 적어도 일부를 조정하는 것을 특징으로 하는 학습 장치.
  17. 제15항에 있어서,
    상기 (II) 프로세스에서,
    상기 프로세서는, 상기 타겟 객체 예측 네트워크로 하여금, (i) 상기 제(k-1) 가공 이미지를 MxN 그리드로 구분하도록 하며, (ii) 상기 제(k-1) 객체 프로포잘 중, 상기 그리드의 각 셀마다 각각 대응하는 프로포잘의 개수를 나타내는 적어도 하나 이상의 히스토그램을 생성하도록 하되, 상기 그리드의 각 셀 내에 그에 대응하는 상기 프로포잘 각각의 전체 영역 또는 분할 영역이 존재하며, (iii) 무빙 윈도우 중 적어도 하나의 영역을 사용하여 상기 (k-1) 타겟 영역을 결정하도록 하되, 상기 적어도 하나의 영역은, 상기 무빙 윈도우의 위치를 변경하여 점유될 모든 영역 중 상기 히스토그램의 합이 가장 큰 값을 가지는 영역인 것을 특징으로 하는 학습 장치.
  18. 제15항에 있어서,
    상기 (II) 프로세스에서,
    상기 프로세서는, 상기 트레이닝 이미지의 사이즈를 상기 제1 가공 이미지의 사이즈보다 큰 사이즈로 확대하여, 상기 리사이즈된 트레이닝 이미지를 생성한 다음, 상기 리사이즈된 트레이닝 이미지 상에서, 상기 제(k-1) 타켓 영역에 대응되는 적어도 하나의 영역을 크롭하여, 상기 제k 가공 이미지를 생성하는 것을 특징으로 하는 학습 장치.
  19. 제15항에 있어서,
    상기 (II) 프로세스에서,
    상기 프로세서는, 상기 트레이닝 이미지 상에서, 상기 제(k-1) 타겟 영역에 대응되는 적어도 하나의 영역을 크롭하며 상기 크롭된 영역을 리사이즈하여, 상기 제k 가공 이미지를 생성하는 것을 특징으로 하는 학습 장치.
  20. 제19항에 있어서,
    상기 제k 가공 이미지의 사이즈가 상기 제(k-1) 타겟 영역의 사이즈보다 크게 되도록 상기 제k 가공 이미지를 리사이즈하는 것을 특징으로 하는 학습 장치.
  21. 제15항에 있어서,
    상기 제1 가공 이미지 내지 제n 가공 이미지의 사이즈가 동일한 크기를 가지는 것을 특징으로 하는 학습 장치.
  22. 타겟 객체 예측 네트워크를 이용한 객체 검출기를 테스트하기 위한 테스팅 장치에 있어서,
    인스트럭션들을 저장하는 적어도 하나의 메모리; 및
    학습 장치가, (1-1) 하나 이상의 컨벌루션 레이어로 하여금, 적어도 하나의 트레이닝 이미지에 대응되는 적어도 하나의 제1 학습용 가공 이미지에 하나 이상의 컨벌루션 연산을 적용하여, 적어도 하나의 제1 학습용 특징 맵을 출력하도록 하며, (1-2) RPN으로 하여금, 상기 제1 학습용 특징 맵을 이용하여, 상기 제1 학습용 가공 이미지 내에 위치하는 하나 이상의 제1 학습용 객체 각각에 대응하는 하나 이상의 제1 학습용 객체 프로포잘을 출력하도록 하고, (1-3) 풀링 레이어로 하여금, 상기 제1 학습용 특징 맵 상에서, 상기 제1 학습용 객체 프로포잘 각각에 대응되는 각각의 영역에 하나 이상의 풀링 연산을 적용하여, 적어도 하나의 제1 학습용 풀링된 특징 맵을 출력하도록 하며, (1-4) FC 레이어로 하여금, 상기 제1 학습용 풀링된 특징 맵에 적어도 하나의 FC 연산을 적용하여, 상기 제1 학습용 객체에 대응하는 제1 학습용 객체 검출 정보를 출력하도록 하고, (1-5) FC 로스 레이어로 하여금, 상기 제1 학습용 객체 검출 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제1 FC 로스를 획득하도록 함으로써, 상기 제1 FC 로스를 이용한 백프로파게이션을 통해 상기 FC 레이어와 상기 컨벌루션 레이어의 파라미터 중 적어도 일부를 학습하도록 하고, k를 2부터 n까지 증가시켜가면서, (2-1) 상기 타겟 객체 예측 네트워크로 하여금, 제(k-1) 학습용 가공 이미지 상의 하나 이상의 제(k-1) 학습용 객체 프로포잘을 참조하여, 상기 제(k-1) 학습용 가공 이미지 상에서, 적어도 하나의 학습용 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제(k-1) 학습용 타겟 영역을 찾도록 하고, (2-2) 상기 트레이닝 이미지 또는 리사이즈된 트레이닝 이미지 상에서 상기 제(k-1) 학습용 타겟 영역에 대응되는 제k 학습용 가공 이미지가 획득되면, 상기 컨벌루션 레이어로 하여금, 상기 제k 학습용 가공 이미지에 상기 컨벌루션 연산을 적용하여, 제k 학습용 특징 맵을 출력하도록 하며, (2-3) 상기 RPN으로 하여금, 상기 제k 학습용 특징 맵을 참조하여, 상기 제k 학습용 가공 이미지 내에 위치하는 하나 이상의 제k 학습용 객체 각각에 대응하는 하나 이상의 제k 학습용 객체 프로포잘을 출력하도록 하고, (2-4) 상기 풀링 레이어로 하여금, 상기 제k 학습용 특징 맵 상에서, 상기 제k 학습용 객체 프로포잘 각각에 대응되는 각각의 영역에 상기 풀링 연산을 적용하여, 적어도 하나의 제k 학습용 풀링된 특징 맵을 출력하도록 하며, (2-5) 상기 FC 레이어로 하여금, 상기 제k 학습용 풀링된 특징 맵에 상기 FC 연산을 적용하여, 상기 제k 학습용 객체에 대응하는 제k 학습용 객체 검출 정보를 출력하도록 하고, (2-6) 상기 FC 로스 레이어로 하여금, 상기 제k 학습용 객체 검출 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제k FC 로스를 출력하도록 함으로써, 상기 제k FC 로스를 이용한 백프로파게이션을 통해 상기 FC 레이어 및 상기 컨벌루션 레이어의 상기 파라미터 중 적어도 일부를 학습한 상태에서, (I) (i) 상기 컨벌루션 레이어로 하여금, 테스트 이미지에 대응되는 적어도 하나의 제1 테스트용 가공 이미지에 상기 컨벌루션 연산을 적용하여, 적어도 하나의 제1 테스트용 특징 맵을 출력하도록 하며, (ii) 상기 RPN으로 하여금, 상기 제1 테스트용 특징 맵을 이용하여, 상기 제1 테스트용 가공 이미지 내에 위치하는 하나 이상의 제1 테스트용 객체 각각에 대응하는 하나 이상의 제1 테스트용 객체 프로포잘을 출력하도록 하고, (iii) 상기 풀링 레이어로 하여금, 상기 제1 테스트용 특징 맵 상에서, 상기 제1 테스트용 객체 프로포잘 각각에 대응되는 각각의 영역에 상기 풀링 연산을 적용하여, 적어도 하나의 제1 테스트용 풀링된 특징 맵을 출력하도록 하며, (iv) 상기 FC 레이어로 하여금, 상기 제1 테스트용 풀링된 특징 맵에 상기 FC 연산을 적용하여, 상기 제1 테스트용 객체에 대응하는 제1 테스트용 객체 검출 정보를 출력하도록 하는 프로세스, 및 (II) k를 2부터 n까지 증가시켜가면서, (i) 상기 타겟 객체 예측 네트워크로 하여금, 제(k-1) 테스트용 가공 이미지 상의 하나 이상의 제(k-1) 테스트용 객체 프로포잘을 참조하여, 상기 제(k-1) 테스트용 가공 이미지상에서, 적어도 하나의 테스트용 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제(k-1) 테스트용 타겟 영역을 찾도록 하고, (ii) 상기 테스트 이미지 또는 리사이즈된 테스트 이미지 상에서 상기 제(k-1) 테스트용 타겟 영역에 대응되는 제k 테스트용 가공 이미지가 획득되면, 상기 컨벌루션 레이어로 하여금, 상기 제k 테스트용 가공 이미지에 상기 컨벌루션 연산을 적용하여, 제k 테스트용 특징 맵을 출력하도록 하며, (iii) 상기 RPN으로 하여금, 상기 제k 테스트용 특징 맵을 참조하여, 상기 제k 테스트용 가공 이미지 내에 위치하는 하나 이상의 제k 테스트용 객체 각각에 대응하는 하나 이상의 제k 테스트용 객체 프로포잘을 출력하도록 하고, (iv) 상기 풀링 레이어로 하여금, 상기 제k 테스트용 특징 맵 상에서, 상기 제k 테스트용 객체 프로포잘 각각에 대응되는 각각의 영역에 상기 풀링 연산을 적용하여, 적어도 하나의 제k 테스트용 풀링된 특징 맵을 출력하도록 하며, (v) 상기 FC 레이어로 하여금, 상기 제k 테스트용 풀링된 특징 맵에 상기 FC 연산을 적용하여, 상기 제k 테스트용 객체에 대응하는 제k 테스트용 객체 검출 정보를 출력하도록 하는 프로세스를 수행하기 위한 상기 인스트럭션들을 실행하도록 구성된 적어도 하나의 프로세서;
    를 포함하는 것을 특징으로 하는 테스팅 장치.
  23. 제22항에 있어서,
    상기 학습 장치는, RPN 로스 레이어로 하여금, 상기 제1 학습용 객체 프로포잘의 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제1 RPN 로스를 획득하도록 함으로써, 상기 제1 RPN 로스를 이용한 백프로파게이션을 통해 상기 RPN의 파라미터 중 적어도 일부를 조정하도록 하며,
    상기 학습 장치는, 상기 RPN 로스 레이어로 하여금, 상기 제k 학습용 객체 프로포잘의 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제k RPN 로스를 획득하도록 함으로써, 상기 제k RPN 로스를 이용한 백프로파게이션을 통해 상기 RPN의 파라미터 중 적어도 일부를 조정하는 것을 특징으로 하는 테스팅 장치.
  24. 제22항에 있어서,
    상기 (II) 프로세스에서,
    상기 프로세서는, 상기 타겟 객체 예측 네트워크로 하여금, (i) 상기 제(k-1) 테스트용 가공 이미지를 MxN 그리드로 구분하도록 하며, (ii) 상기 제(k-1) 테스트용 객체 프로포잘 중, 상기 그리드의 각 셀마다 각각 대응하는 테스트용 프로포잘의 개수를 나타내는 적어도 하나 이상의 테스트용 히스토그램을 생성하도록 하되, 상기 그리드의 각 셀 내에 그에 대응하는 상기 테스트용 프로포잘 각각의 전체 영역 또는 분할 영역이 존재하며, (iii) 무빙 윈도우 중 적어도 하나의 영역을 사용하여 상기 제(k-1) 테스트용 타겟 영역을 결정하도록 하되, 상기 적어도 하나의 영역은, 상기 무빙 윈도우의 위치를 변경하여 점유될 모든 영역 중 상기 테스트용 히스토그램의 합이 가장 큰 값을 가지는 영역인 것을 특징으로 하는 테스팅 장치.
  25. 제22항에 있어서,
    상기 (II) 프로세스에서,
    상기 프로세서는, 상기 테스트 이미지의 사이즈를 상기 제1 테스트용 가공 이미지의 사이즈보다 큰 사이즈로 확대하여, 상기 리사이즈된 테스트 이미지를 생성한 다음, 상기 리사이즈된 테스트 이미지 상에서, 상기 제(k-1) 테스트용 타켓 영역에 대응되는 적어도 하나의 영역을 크롭하여, 상기 제k 테스트용 가공 이미지를 생성하는 것을 특징으로 하는 테스팅 장치.
  26. 제22항에 있어서,
    상기 (II) 프로세스에서,
    상기 프로세서는, 상기 테스트 이미지 상에서, 상기 제(k-1) 테스트용 타겟 영역에 대응되는 적어도 하나의 영역을 크롭하며 상기 크롭된 영역을 리사이즈하여, 상기 제k 테스트용 가공 이미지를 생성하는 것을 특징으로 하는 테스팅 장치.
  27. 제26항에 있어서,
    상기 제k 테스트용 가공 이미지의 사이즈가 상기 제(k-1) 테스트용 타겟 영역의 사이즈보다 크게 되도록 상기 제k 테스트용 가공 이미지를 리사이즈하는 것을 특징으로 하는 테스팅 장치.
  28. 제22항에 있어서,
    상기 제1 테스트용 가공 이미지 내지 제n 테스트용 가공 이미지의 사이즈가 동일한 크기를 가지는 것을 특징으로 하는 테스팅 장치.
KR1020190119530A 2019-01-22 2019-09-27 핵심성과지표와 같은 사용자 요구 사항에 적합한 타겟 객체 예측 네트워크를 이용한, cnn 기반의 변동에 강인한 객체 검출기를 학습하는 방법 및 학습 장치, 및 이를 이용한 테스팅 방법 및 테스팅 장치 KR102246368B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/254,162 2019-01-22
US16/254,162 US10402692B1 (en) 2019-01-22 2019-01-22 Learning method and learning device for fluctuation-robust object detector based on CNN using target object estimating network adaptable to customers' requirements such as key performance index, and testing device using the same

Publications (2)

Publication Number Publication Date
KR20200091323A KR20200091323A (ko) 2020-07-30
KR102246368B1 true KR102246368B1 (ko) 2021-04-29

Family

ID=67770001

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190119530A KR102246368B1 (ko) 2019-01-22 2019-09-27 핵심성과지표와 같은 사용자 요구 사항에 적합한 타겟 객체 예측 네트워크를 이용한, cnn 기반의 변동에 강인한 객체 검출기를 학습하는 방법 및 학습 장치, 및 이를 이용한 테스팅 방법 및 테스팅 장치

Country Status (5)

Country Link
US (1) US10402692B1 (ko)
EP (1) EP3686785A1 (ko)
JP (1) JP6850046B2 (ko)
KR (1) KR102246368B1 (ko)
CN (1) CN111461161B (ko)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10572770B2 (en) * 2018-06-15 2020-02-25 Intel Corporation Tangent convolution for 3D data
CN110910415A (zh) * 2019-11-28 2020-03-24 重庆中星微人工智能芯片技术有限公司 抛物检测方法、装置、服务器和计算机可读介质
CN111488711A (zh) * 2020-04-08 2020-08-04 暨南大学 一种网络鲁棒性评估方法及系统
CN111509810A (zh) * 2020-05-18 2020-08-07 广东电网有限责任公司东莞供电局 一种锂电池充电状态检测方法、装置及存储介质
CN112346056B (zh) * 2021-01-11 2021-03-26 长沙理工大学 多脉冲雷达信号的分辨性特征融合提取方法及识别方法
CN112801706B (zh) * 2021-02-04 2024-02-02 北京云上曲率科技有限公司 一种游戏用户行为数据挖掘方法及系统
US11961314B2 (en) 2021-02-16 2024-04-16 Nxp B.V. Method for analyzing an output of an object detector
US11688112B2 (en) 2021-05-07 2023-06-27 Nxp B.V. Method for generating detailed visualization of machine learning model behavior

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9418319B2 (en) * 2014-11-21 2016-08-16 Adobe Systems Incorporated Object detection using cascaded convolutional neural networks
US10410096B2 (en) * 2015-07-09 2019-09-10 Qualcomm Incorporated Context-based priors for object detection in images
US9965719B2 (en) * 2015-11-04 2018-05-08 Nec Corporation Subcategory-aware convolutional neural networks for object detection
US20170124409A1 (en) * 2015-11-04 2017-05-04 Nec Laboratories America, Inc. Cascaded neural network with scale dependent pooling for object detection
US10002313B2 (en) * 2015-12-15 2018-06-19 Sighthound, Inc. Deeply learned convolutional neural networks (CNNS) for object localization and classification
US9858496B2 (en) * 2016-01-20 2018-01-02 Microsoft Technology Licensing, Llc Object detection and classification in images
WO2017139927A1 (en) * 2016-02-17 2017-08-24 Intel Corporation Region proposal for image regions that include objects of interest using feature maps from multiple layers of a convolutional neural network model
US20180039853A1 (en) * 2016-08-02 2018-02-08 Mitsubishi Electric Research Laboratories, Inc. Object Detection System and Object Detection Method
US10354362B2 (en) * 2016-09-08 2019-07-16 Carnegie Mellon University Methods and software for detecting objects in images using a multiscale fast region-based convolutional neural network
US10387740B2 (en) * 2016-10-10 2019-08-20 Gyrfalcon Technology Inc. Object detection and recognition apparatus based on CNN based integrated circuits
US10198671B1 (en) * 2016-11-10 2019-02-05 Snap Inc. Dense captioning with joint interference and visual context
WO2018093796A1 (en) * 2016-11-15 2018-05-24 Magic Leap, Inc. Deep learning system for cuboid detection
US10657424B2 (en) * 2016-12-07 2020-05-19 Samsung Electronics Co., Ltd. Target detection method and apparatus
US20180211403A1 (en) * 2017-01-20 2018-07-26 Ford Global Technologies, Llc Recurrent Deep Convolutional Neural Network For Object Detection
JP6787196B2 (ja) * 2017-03-09 2020-11-18 コニカミノルタ株式会社 画像認識装置及び画像認識方法
US11042782B2 (en) * 2017-03-20 2021-06-22 Intel Corporation Topic-guided model for image captioning system
US10474908B2 (en) * 2017-07-06 2019-11-12 GM Global Technology Operations LLC Unified deep convolutional neural net for free-space estimation, object detection and object pose estimation
JP7149692B2 (ja) * 2017-08-09 2022-10-07 キヤノン株式会社 画像処理装置、画像処理方法
US10169679B1 (en) * 2017-10-13 2019-01-01 StradVision, Inc. Learning method and learning device for adjusting parameters of CNN by using loss augmentation and testing method and testing device using the same
US10007865B1 (en) * 2017-10-16 2018-06-26 StradVision, Inc. Learning method and learning device for adjusting parameters of CNN by using multi-scale feature maps and testing method and testing device using the same
US10223614B1 (en) * 2018-09-04 2019-03-05 StradVision, Inc. Learning method, learning device for detecting lane through classification of lane candidate pixels and testing method, testing device using the same
US10229346B1 (en) * 2018-09-04 2019-03-12 StradVision, Inc. Learning method, learning device for detecting object using edge image and testing method, testing device using the same
CN109241982B (zh) * 2018-09-06 2021-01-29 广西师范大学 基于深浅层卷积神经网络的目标检测方法

Also Published As

Publication number Publication date
JP2020119530A (ja) 2020-08-06
EP3686785A1 (en) 2020-07-29
CN111461161A (zh) 2020-07-28
CN111461161B (zh) 2024-03-15
KR20200091323A (ko) 2020-07-30
US10402692B1 (en) 2019-09-03
JP6850046B2 (ja) 2021-03-31

Similar Documents

Publication Publication Date Title
KR102246368B1 (ko) 핵심성과지표와 같은 사용자 요구 사항에 적합한 타겟 객체 예측 네트워크를 이용한, cnn 기반의 변동에 강인한 객체 검출기를 학습하는 방법 및 학습 장치, 및 이를 이용한 테스팅 방법 및 테스팅 장치
KR102338744B1 (ko) 타겟 객체 예측 네트워크 및 타겟 객체 통합 네트워크를 이용하여 핵심성과지표와 같은 사용자 요구 사항에 따른 최적화를 위해 재구성 가능한 네트워크 기반의 객체 검출기를 학습하는 방법 및 학습 장치, 그리고 이를 이용한 테스팅 방법 및 테스팅 장치
KR102328731B1 (ko) 다중 카메라 혹은 서라운드 뷰 모니터링에 이용되기 위해, 타겟 객체 통합 네트워크 및 타겟 영역 예측 네트워크를 이용하여 핵심성과지표와 같은 사용자 요구 사항에 적응 가능한 cnn 기반 객체 검출기를 학습하는 방법 및 학습 장치, 그리고 이를 이용한 테스팅 방법 및 테스팅 장치
KR102337367B1 (ko) 원거리 검출 또는 군사 목적을 위해, 이미지 컨캐터네이션을 이용한, cnn 기반의 하드웨어 최적화가 가능한 객체 검출기를 학습하는 방법 및 학습 장치, 이를 이용한 테스팅 방법 및 테스팅 장치
KR102349920B1 (ko) 이미지 컨캐터네이션과 타겟 객체 통합 네트워크를 이용하여, 다중 카메라 혹은 서라운드 뷰 모니터링에 이용될 cnn 기반 객체 검출기를 학습하는 방법 및 학습 장치, 그리고 이를 이용한 테스팅 방법 및 테스팅 장치
KR102280414B1 (ko) 고 정밀도로 이미지를 분석하기 위한 딥 러닝 네트워크를 사용하기 위해 트레이닝 이미지를 오토 라벨링하는 오토 라벨링 장치의 하이퍼파라미터를 최적화하는 방법 및 이를 이용한 최적화 장치
KR102263397B1 (ko) 뉴럴 네트워크 학습에 이용될 오토 라벨링된 이미지 중에서 라벨 검수를 위한 샘플 이미지를 획득하는 방법 및 이를 이용한 샘플 이미지 획득 장치
KR20200027428A (ko) 에지 이미지를 이용하여 객체를 검출하는 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치
EP3910532B1 (en) Learning method and learning device for training an object detection network by using attention maps and testing method and testing device using the same
KR102328734B1 (ko) 이미지를 분석하기 위해, 딥러닝 네트워크에 이용하기 위한 트레이닝 이미지에 대한 라벨링 신뢰도를 자동으로 평가하기 위한 방법 및 이를 이용한 신뢰도 평가 장치
KR20200047307A (ko) 유용한 학습 데이터를 취사 선별하기 위한 cnn 기반 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치
KR102337358B1 (ko) 모바일 장치 또는 소형 네트워크에 적용 가능한 하드웨어를 최적화하는데 사용될 수 있는 roi를 풀링하기 위하여, 마스킹 파라미터를 이용하는 방법 및 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치
KR102320995B1 (ko) 객체의 스케일에 따라 모드 전환이 가능한 cnn 기반의 감시용 객체 검출기의 학습 방법 및 학습 장치, 이를 이용한 테스트 방법 및 테스트 장치
KR102337383B1 (ko) 하드웨어 최적화에 사용되는 1xK 또는 Kx1 컨벌루션 연산을 이용한 CNN을 학습하는 방법 및 학습 장치, 이를 이용한 테스트 방법 및 테스트 장치

Legal Events

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