KR102264208B1 - 중복 영역 객체 검출 개선을 위한 의미적 필터링 모듈 시스템 - Google Patents

중복 영역 객체 검출 개선을 위한 의미적 필터링 모듈 시스템 Download PDF

Info

Publication number
KR102264208B1
KR102264208B1 KR1020190163313A KR20190163313A KR102264208B1 KR 102264208 B1 KR102264208 B1 KR 102264208B1 KR 1020190163313 A KR1020190163313 A KR 1020190163313A KR 20190163313 A KR20190163313 A KR 20190163313A KR 102264208 B1 KR102264208 B1 KR 102264208B1
Authority
KR
South Korea
Prior art keywords
existence
semantic information
person
face
object detection
Prior art date
Application number
KR1020190163313A
Other languages
English (en)
Inventor
이영한
송혁
조충상
김제우
Original Assignee
한국전자기술연구원
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 한국전자기술연구원 filed Critical 한국전자기술연구원
Priority to KR1020190163313A priority Critical patent/KR102264208B1/ko
Priority to PCT/KR2019/017504 priority patent/WO2021117930A1/ko
Application granted granted Critical
Publication of KR102264208B1 publication Critical patent/KR102264208B1/ko

Links

Images

Classifications

    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/001—Image restoration
    • G06T5/002—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06K9/00718—
    • G06K9/40—
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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

중복 영역 객체 검출 개선을 위한 의미적 정보 기반의 후처리 기술이 적용되는 의미적 필터링 모듈 시스템 및 방법이 제공된다. 본 발명의 일 실시예에 따른, 중복 영역 객체 검출 개선을 위한 의미적 필터링 방법은, 객체 검출 데이터를 수집하는 단계; 및 수집된 객체 검출 데이터를 기반으로 의미적 정보를 별로도 추출하는 단계;를 포함한다. 이에 의해, 중복 영역 객체 검출로 인한 오인식을 개선함으로써, 궁극적으로 객체 검출 알고리즘의 성능을 향상시킬 수 있으며, 객체검출 학습에 사용된 데이터로부터 의미론적 데이터를 추출함으로써, 추가적인 데이터 구축 비용없이 성능을 향상시킬 수 있다.

Description

중복 영역 객체 검출 개선을 위한 의미적 필터링 모듈 시스템{Semantic filtering module system for improved detection of duplicate area objects}
본 발명은 의미적 필터링 모듈 시스템에 관한 것으로, 더욱 상세하게는 중복 영역 객체 검출 개선을 위한 의미적 정보 기반의 후처리 기술이 적용되는 의미적 필터링 모듈 시스템에 관한 것이다.
최근 도 1에 예시된 바와 같이 딥러닝 알고리즘을 이용하여 영상에서의 객체의 종류 및 위치를 판단하는 객체검출 연구는 활발히 진행되고 있다.
그러나, 딥러닝을 적용하더라도 검출하고자 하는 종류의 객체에 따라서 도 2에 예시된 바와 같이 객체의 오검출이 발생하는데, 기존의 수식 및 알고리즘을 통한 기술과 달리 오검출의 분석 및 보정이 어렵기 때문에 상용화에 문제가 되고 있다.
즉, 객체검출 엔진은 의미론적 정보와 상관없이 검출하기 때문에 아이디카드 내에 얼굴이 존재한다든지, 얼굴 내에 사람 객체를 검출하는 등 다양한 오인식이 일어날 가능성이 높다는 문제점이 존재한다.
이러한 오인식은 객체 검출 성능의 열화를 가지고 오기 때문에 객체 검출 엔진의 성능 향상을 시스템 개선이나 최적화가 필요하다.
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은, 중복 영역 객체 검출로 인한 오인식을 개선함으로써, 궁극적으로 객체 검출 알고리즘의 성능을 향상시키고, 객체검출 학습에 사용된 데이터로부터 의미론적 데이터를 추출함으로써, 추가적인 데이터 구축 비용없이 성능을 향상시킬 수 있는 의미적 필터링 모듈 시스템 및 방법을 제공함에 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른, 중복 영역 객체 검출 개선을 위한 의미적 필터링 방법은, 객체 검출 데이터를 수집하는 단계; 및 수집된 객체 검출 데이터를 기반으로 의미적 정보를 별로도 추출하는 단계;를 포함한다.
이때, 추출 단계는, 객체의 위치 및 크기, 종류에 대한 의미적 정보를 별도로 추출할 수 있다.
그리고 객체는, 영상 내 얼굴, 사람, 번호판, 신분증 중 적어도 하나일 수 있다.
또한, 추출 단계는, `사람` 객체 안에 `얼굴` 객체의 존재가 가능하지만, `신분증` 객체 안에 `사람` 객체의 존재가 불가능하다는 규칙이 포함된 의미적 정보를 추출할 수 있다.
그리고 추출 단계는, '신분증' 객체 안에 '얼굴' 객체의 존재가 가능하지만, '얼굴' 객체 안에 '신분증' 객체의 존재가 불가능하다는 규칙이 포함된 의미적 정보를 추출할 수 있다.
또한, 추출 단계는, '사람' 객체 안에 '신분증' 객체의 존재가 가능하지만, '얼굴' 객체 안에 '사람' 객체의 존재가 불가능하다는 규칙이 포함된 의미적 정보를 추출할 수 있다.
그리고 본 발명의 일 실시예에 따른, 중복 영역 객체 검출 개선을 위한 의미적 필터링 방법은, 딥러닝 학습 모델에 객체 검출 데이터를 입력하여 출력되는 객체 검출 결과를 별도로 추출되는 의미적 정보를 기반으로 필터링하는 단계;를 더 포함할 수 있다.
또한, 딥러닝 학습 모델은, 입력되는 정보의 길이 및 순서에 무관하게 학습 가능하도록, RNN(Recurrent Neural Network) 구조로 구현될 수 있다.
그리고 필터링 단계는, 객체 검출 기술의 오동작을 방지하도록, 객체 검출 결과 중 불가능한 존재에 해당하는 데이터를 제거할 수 있다.
한편, 본 발명의 다른 실시예에 따른, 중복 영역 객체 검출 개선을 위한 의미적 필터링 모듈 시스템은, 객체 검출 데이터를 수집하는 입력부; 및 수집된 객체 검출 데이터를 기반으로 의미적 정보를 별로도 추출하는 프로세서;를 포함한다.
또한, 본 발명의 다른 실시예에 따른, 중복 영역 객체 검출 개선을 위한 의미적 필터링 방법을 수행하는 컴퓨터 프로그램이 수록된 컴퓨터로 읽을 수 있는 기록매체는, 객체 검출 데이터를 수집하는 단계; 및 수집된 객체 검출 데이터를 기반으로 의미적 정보를 별로도 추출하는 단계;를 포함하는 방법을 수행하는 컴퓨터 프로그램이 수록된다.
그리고 본 발명의 다른 실시예에 따른, 중복 영역 객체 검출 개선을 위한 의미적 필터링 방법은, 객체 검출 데이터를 수집하는 단계; 수집된 객체 검출 데이터를 기반으로 의미적 정보를 별로도 추출하는 단계; 및 딥러닝 학습 모델에 객체 검출 데이터를 입력하여 출력되는 객체 검출 결과를 별도로 추출되는 의미적 정보를 기반으로 필터링하는 단계;를 포함한다.
이상 설명한 바와 같이, 본 발명의 실시예들에 따르면, 중복 영역 객체 검출로 인한 오인식을 개선함으로써, 궁극적으로 객체 검출 알고리즘의 성능을 향상시킬 수 있으며, 객체검출 학습에 사용된 데이터로부터 의미론적 데이터를 추출함으로써, 추가적인 데이터 구축 비용없이 성능을 향상시킬 수 있다.
도 1은 일생 생활에서 얻은 영상과 객체가 예시된 도면,
도 2는 본 발명의 일 실시예에 따른 중복 영역 객체 검출 개선을 위한 의미적 필터링 방법의 설명에 제공된 흐름도,
도 3은 딥러닝을 이용한 객체 검출 기술에서 발생하는 오검출 사례가 예시된 도면,
도 4는 객체 정보 사이의 규칙 추출 과정의 설명에 제공된 도면,
도 5는 중복 영역 객체 검출 개선을 위한 의미적 필터링 모듈의 동작 방식의 설명에 제공된 도면,
도 6은 중복 영역 객체 검출 개선을 위한 의미적 필터링 모듈의 설명에 제공된 도면, 그리고
도 7은 본 발명의 일 실시예에 따른 중복 영역 객체 검출 개선을 위한 의미적 필터링 모듈 시스템의 설명에 제공된 도면이다.
이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.
도 3은 본 발명의 일 실시예에 따른 중복 영역 객체 검출 개선을 위한 의미적 필터링 방법(이하에서는 '의미적 필터링 방법'으로 총칭하기로 함)의 설명에 제공된 흐름도이며, 도 4는 객체 정보 사이의 규칙 추출 과정의 설명에 제공된 도면이며, 도 5는 중복 영역 객체 검출 개선을 위한 의미적 필터링 모듈의 동작 방식의 설명에 제공된 도면이고, 도 6은 중복 영역 객체 검출 개선을 위한 의미적 필터링 모듈의 설명에 제공된 도면이다.
본 실시예에 따른 의미적 필터링 방법은, 중복 영역 객체 검출로 인한 오인식을 개선함으로써, 궁극적으로 객체 검출 알고리즘의 성능을 향상시키고, 객체검출 학습에 사용된 데이터로부터 의미론적 데이터를 추출함으로써, 추가적인 데이터 구축 비용없이 성능을 향상시킬 수 있다.
이를 위해, 본 의미적 필터링 방법은, 객체 검출 데이터를 수집하는 수집 단계(S310), 수집된 객체 검출 데이터를 기반으로 의미적 정보를 별로도 추출하는 추출 단계(S320) 및 딥러닝 학습 모델에 객체 검출 데이터를 입력하여 출력되는 객체 검출 결과를 별도로 추출되는 의미적 정보를 기반으로 필터링하는 필터링 단계(S330)로 구성될 수 있다.
일반적으로 객체 검출을 위한 학습 데이터는 영상과 영상 내의 객체 정보(위치 및 종류)로 구성되어 있다.
본 의미적 필터링 방법에서는 영상에서부터 객체 정보 사이의 규칙을 데이터로부터 학습하는 것을 넘어서 도 4에 예시된 바와 같이 객체 정보간의 규칙을 데이터로부터 추출함으로써 후처리를 할 수 있도록 한다.
예를 들어, 도 4의 경우 `사람` 객체 안에는 `얼굴` 객체가 존재할 수 있지만 `신분증` 객체 안에 `사람` 객체의 존재가 불가능하다는 것을 객체 정보들을 통해서 확인할 수 있다.
즉, 추출 단계(S320)에서는, 영상 내 얼굴, 사람, 번호판, 신분증과 같은 객체의 위치 및 크기, 종류가 가지는 의미적 정보를 별도로 추출함으로써 학습에 사용할 수 있도록 한다.
구체적으로, 추출 단계(S320)에서는, `사람` 객체 안에 `얼굴` 객체의 존재가 가능하지만, `신분증` 객체 안에 `사람` 객체의 존재가 불가능하다는 규칙, '신분증' 객체 안에 '얼굴' 객체의 존재가 가능하지만, '얼굴' 객체 안에 '신분증' 객체의 존재가 불가능하다는 규칙 또는/및 '사람' 객체 안에 '신분증' 객체의 존재가 가능하지만, '얼굴' 객체 안에 '사람' 객체의 존재가 불가능하다는 규칙 등이 포함된 의미적 정보를 추출할 수 있다.
이러한 정보를 이용하여 데이터가 가지고 있는 객체 정보간의 의미적 정보로 후처리함으로써, 객체 검출 기술의 오동작을 방지할 수 있다. 이에 대한 후처리 모듈의 학습 과정은 도 5와 같다.
정리하면, 필터링 단계(S330)에서는, 객체 검출 결과 중 불가능한 존재에 해당하는 데이터를 제거하는 방식으로, 의미적 필터링을 객체 검출 모듈의 결과와 겹쳐서 사용함으로써, 객체 검출 모듈의 성능을 향상시킬 수 있다.
이때, 딥러닝 학습 모델은, 입력되는 정보의 길이 및 순서에 무관하게 학습 가능하도록, RNN(Recurrent Neural Network) 구조로 구현될 수 있다.
도 7은 본 발명의 일 실시예에 따른 중복 영역 객체 검출 개선을 위한 의미적 필터링 모듈 시스템의 설명에 제공된 도면이다.
도 7을 참조하면, 본 실시예에 따른 중복 영역 객체 검출 개선을 위한 의미적 필터링 모듈 시스템은, 입력부(110), 저장부(120) 및 프로세서(130)를 포함할 수 있다.
입력부(110)는, 객체 검출 데이터를 수집하기 위해 마련될 수 있다.
저장부(120)는, 프로세서(130)가 동작함에 있어 필요한 프로그램 및 데이터를 저장할 수 있다.
예를 들면, 저장부(120)는, 수집된 데이터들과 딥러닝 학습 모델에 대한 정보를 저장할 수 있다.
프로세서(130)는, 수집된 객체 검출 데이터를 기반으로 의미적 정보를 별로도 추출하고, 딥러닝 학습 모델에 객체 검출 데이터를 입력하여 출력되는 객체 검출 결과를 별도로 추출되는 의미적 정보를 기반으로 필터링할 수 있다.
이를 통해, 중복 영역 객체 검출로 인한 오인식을 개선함으로써, 궁극적으로 객체 검출 알고리즘의 성능을 향상시킬 수 있으며, 객체검출 학습에 사용된 데이터로부터 의미론적 데이터를 추출함으로써, 추가적인 데이터 구축 비용없이 성능을 향상시킬 수 있다.
한편, 본 실시예에 따른 장치와 방법의 기능을 수행하게 하는 컴퓨터 프로그램을 수록한 컴퓨터로 읽을 수 있는 기록매체에도 본 발명의 기술적 사상이 적용될 수 있음은 물론이다. 또한, 본 발명의 다양한 실시예에 따른 기술적 사상은 컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터로 읽을 수 있는 코드 형태로 구현될 수도 있다. 컴퓨터로 읽을 수 있는 기록매체는 컴퓨터에 의해 읽을 수 있고 데이터를 저장할 수 있는 어떤 데이터 저장 장치이더라도 가능하다. 예를 들어, 컴퓨터로 읽을 수 있는 기록매체는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광디스크, 하드 디스크 드라이브, 등이 될 수 있음은 물론이다. 또한, 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터로 읽을 수 있는 코드 또는 프로그램은 컴퓨터간에 연결된 네트워크를 통해 전송될 수도 있다.
또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
110 : 입력부
120 : 저장부
130 : 프로세서

Claims (12)

  1. 객체 검출 데이터를 수집하는 단계; 및
    수집된 객체 검출 데이터를 기반으로 의미적 정보를 별로도 추출하는 단계;를 포함하고,
    추출 단계는,
    객체의 위치 및 크기, 종류에 대한 의미적 정보를 별도로 추출하며,
    객체는,
    영상 내 얼굴, 사람, 번호판, 신분증 중 적어도 하나이며,
    추출 단계는,
    `사람` 객체 안에 `얼굴` 객체의 존재가 가능하지만, `신분증` 객체 안에 `사람` 객체의 존재가 불가능하다는 규칙이 포함된 의미적 정보를 추출하고,
    추출 단계는,
    '신분증' 객체 안에 '얼굴' 객체의 존재가 가능하지만, '얼굴' 객체 안에 '신분증' 객체의 존재가 불가능하다는 규칙이 포함된 의미적 정보를 추출하며,
    추출 단계는,
    '사람' 객체 안에 '신분증' 객체의 존재가 가능하지만, '얼굴' 객체 안에 '사람' 객체의 존재가 불가능하다는 규칙이 포함된 의미적 정보를 추출하고,
    의미적 필터링 방법은,
    딥러닝 학습 모델에 객체 검출 데이터를 입력하여 출력되는 객체 검출 결과를 별도로 추출되는 의미적 정보를 기반으로 필터링하는 단계;를 더 포함하고,
    필터링 단계는,
    객체 검출 기술의 오동작을 방지하도록, 객체 검출 결과 중 불가능한 존재에 해당하는 데이터를 제거하는 것을 특징으로 하는 중복 영역 객체 검출 개선을 위한 의미적 필터링 방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 삭제
  7. 삭제
  8. 청구항 1에 있어서,
    딥러닝 학습 모델은,
    입력되는 정보의 길이 및 순서에 무관하게 학습 가능하도록, RNN(Recurrent Neural Network) 구조로 구현되는 것을 특징으로 하는 중복 영역 객체 검출 개선을 위한 의미적 필터링 방법.
  9. 삭제
  10. 객체 검출 데이터를 수집하는 입력부; 및
    수집된 객체 검출 데이터를 기반으로 의미적 정보를 별로도 추출하는 프로세서;를 포함하고,
    프로세서는,
    객체의 위치 및 크기, 종류에 대한 의미적 정보를 별도로 추출하며,
    객체는,
    영상 내 얼굴, 사람, 번호판, 신분증 중 적어도 하나이며,
    프로세서는,
    `사람` 객체 안에 `얼굴` 객체의 존재가 가능하지만, `신분증` 객체 안에 `사람` 객체의 존재가 불가능하다는 규칙이 포함된 의미적 정보를 추출하고,
    프로세서는,
    '신분증' 객체 안에 '얼굴' 객체의 존재가 가능하지만, '얼굴' 객체 안에 '신분증' 객체의 존재가 불가능하다는 규칙이 포함된 의미적 정보를 추출하며,
    프로세서는,
    '사람' 객체 안에 '신분증' 객체의 존재가 가능하지만, '얼굴' 객체 안에 '사람' 객체의 존재가 불가능하다는 규칙이 포함된 의미적 정보를 추출하고,
    프로세서는,
    딥러닝 학습 모델에 객체 검출 데이터를 입력하여 출력되는 객체 검출 결과를 별도로 추출되는 의미적 정보를 기반으로 필터링하고,
    프로세서는,
    필터링 시, 객체 검출 기술의 오동작을 방지하도록, 객체 검출 결과 중 불가능한 존재에 해당하는 데이터를 제거하는 것을 특징으로 하는 중복 영역 객체 검출 개선을 위한 의미적 필터링 모듈 시스템.
  11. 객체 검출 데이터를 수집하는 단계; 및
    수집된 객체 검출 데이터를 기반으로 의미적 정보를 별로도 추출하는 단계;를 포함하고,
    추출 단계는,
    객체의 위치 및 크기, 종류에 대한 의미적 정보를 별도로 추출하며,
    객체는,
    영상 내 얼굴, 사람, 번호판, 신분증 중 적어도 하나이며,
    추출 단계는,
    `사람` 객체 안에 `얼굴` 객체의 존재가 가능하지만, `신분증` 객체 안에 `사람` 객체의 존재가 불가능하다는 규칙이 포함된 의미적 정보를 추출하고,
    추출 단계는,
    '신분증' 객체 안에 '얼굴' 객체의 존재가 가능하지만, '얼굴' 객체 안에 '신분증' 객체의 존재가 불가능하다는 규칙이 포함된 의미적 정보를 추출하며,
    추출 단계는,
    '사람' 객체 안에 '신분증' 객체의 존재가 가능하지만, '얼굴' 객체 안에 '사람' 객체의 존재가 불가능하다는 규칙이 포함된 의미적 정보를 추출하고,
    의미적 필터링 방법은,
    딥러닝 학습 모델에 객체 검출 데이터를 입력하여 출력되는 객체 검출 결과를 별도로 추출되는 의미적 정보를 기반으로 필터링하는 단계;를 더 포함하고,
    필터링 단계는,
    객체 검출 기술의 오동작을 방지하도록, 객체 검출 결과 중 불가능한 존재에 해당하는 데이터를 제거하는 것을 특징으로 하는 중복 영역 객체 검출 개선을 위한 의미적 필터링 방법을 수행하는 컴퓨터 프로그램이 수록된 컴퓨터로 읽을 수 있는 기록매체.
  12. 삭제
KR1020190163313A 2019-12-10 2019-12-10 중복 영역 객체 검출 개선을 위한 의미적 필터링 모듈 시스템 KR102264208B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190163313A KR102264208B1 (ko) 2019-12-10 2019-12-10 중복 영역 객체 검출 개선을 위한 의미적 필터링 모듈 시스템
PCT/KR2019/017504 WO2021117930A1 (ko) 2019-12-10 2019-12-11 중복 영역 객체 검출 개선을 위한 의미적 필터링 모듈 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190163313A KR102264208B1 (ko) 2019-12-10 2019-12-10 중복 영역 객체 검출 개선을 위한 의미적 필터링 모듈 시스템

Publications (1)

Publication Number Publication Date
KR102264208B1 true KR102264208B1 (ko) 2021-06-11

Family

ID=76330408

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190163313A KR102264208B1 (ko) 2019-12-10 2019-12-10 중복 영역 객체 검출 개선을 위한 의미적 필터링 모듈 시스템

Country Status (2)

Country Link
KR (1) KR102264208B1 (ko)
WO (1) WO2021117930A1 (ko)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4217876B2 (ja) * 2002-12-20 2009-02-04 財団法人生産技術研究奨励会 画像における移動物体の追跡方法及び装置
JP5488076B2 (ja) * 2010-03-15 2014-05-14 オムロン株式会社 対象物追跡装置、対象物追跡方法、および制御プログラム

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ANDREA MORO 등, Semantic Rule Filtering for Web-Scale Relation Extraction, 12th International Semantic Web Conference, Sydney, NSW, Australia, pp. 347-362, 21-25 Oct. 2013(2013.10.21.) 1부.* *
QINGXIONG YANG, Semantic Filtering, 2016 IEEE Conference on Computer Vision and Pattern Recognition, pp. 4517-4526, 27-30 June 2016(2016.06.30.) 1부.* *
YIKANG LI 등, ViP-CNN: Visual Phrase Guided Convolutional Neural Network, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017, 21-26 July 2017(2017.07.21.) 1부.* *

Also Published As

Publication number Publication date
WO2021117930A1 (ko) 2021-06-17

Similar Documents

Publication Publication Date Title
CN107239666B (zh) 一种对医疗影像数据进行脱敏处理的方法及系统
KR102172614B1 (ko) 지문 인식률을 향상시킬 수 있는 지문 인식 방법 및 시스템
CN102945366B (zh) 一种人脸识别的方法及装置
CN111339806B (zh) 唇语识别模型的训练方法、活体识别方法及装置
JP2016076073A (ja) データ処理装置、データ処理方法、及び、コンピュータ・プログラム
US10037467B2 (en) Information processing system
CA2611379A1 (en) Electronic vehicle identification
CN110610127B (zh) 人脸识别方法、装置、存储介质及电子设备
CN108932343A (zh) 人脸图像数据库的数据集清洗方法与系统
KR102366777B1 (ko) 도메인 적응 기반 객체 인식 장치 및 그 방법
CN112771522A (zh) 生物体认证装置、生物体认证方法以及生物体认证程序
CN112307842A (zh) 用于列车运行监控记录文件匹配的视频识别系统及方法
CN112580531B (zh) 一种真假车牌的识别检测方法及系统
KR102264208B1 (ko) 중복 영역 객체 검출 개선을 위한 의미적 필터링 모듈 시스템
CN113094218A (zh) 一种识别打印机故障的方法、装置和设备
KR20080046490A (ko) 몽타주 얼굴 영상을 이용한 얼굴 인식 방법 및 그 장치
CN113689585B (zh) 一种无感考勤打卡方法、系统及相关设备
CN115641701A (zh) 一种事件提醒方法、装置、设备及存储介质
WO2013154062A1 (ja) 画像識別システム、画像識別方法、およびプログラム
WO2022079841A1 (ja) グループ特定装置、グループ特定方法、及びコンピュータ読み取り可能な記録媒体
JP2010122838A (ja) 携帯電話使用状態識別装置、携帯電話使用状態識別方法および携帯電話使用状態識別プログラム
JP6773144B2 (ja) コンテンツ選択装置、コンテンツ選択方法、コンテンツ選択システム及びプログラム
CN111666432B (zh) 一种图像存储方法、装置及设备、存储介质
KR101547641B1 (ko) 스캔 만화 식별 시스템 및 방법
KR102569379B1 (ko) 특정 이미지 탐색 기반 비식별화 처리 시스템 및 그 방법

Legal Events

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