KR102308753B1 - 목표 물체 검출 방법 및 장치 - Google Patents

Abstract

본 개시의 일 실시예에 따라 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 목표 물체 검출 방법으로서, 입력 이미지를 수신하는 단계; 및 학습된 뉴럴 네트워크(neural network) 기반 검출 모델에 기초하여 상기 입력 이미지에서 목표 물체에 해당하는 영역과 관련된 제 1 결과 정보를 생성하는 단계를 포함할 수 있다.

Description

목표 물체 검출 방법 및 장치{METHOD AND APPARATUS FOR DETECTING TARGET OBJECT}

본 발명은 목표 물체 검출 방법에 관한 것으로서, 보다 구체적으로 신경망을 이용하여 입력 이미지에서 목표 물체를 검출하는 방법에 관한 것이다.

인공 신경망을 이용한 이미지 처리 기술의 발달에 따라, 뉴럴 네트워크를 사용하여 이미지에서 목적하는 물체를 검출하는 방법은 다양하게 개시되고 있다.

그러나 복수의 목표 물체들이 이미지 상에서 서로 인접하여 위치하는 경우, 이러한 복수의 목표 물체들을 서로 구분하지 못하고 하나의 목표 물체로 인식하는 문제점이 있었다.

이러한 문제점은 단순히 학습 데이터의 수를 증가시키는 것으로는 쉽게 해결될 수 없으며, 복수의 목표 물체를 분리하여 검출해내기 위한 별도의 학습 방법이 요구된다.

한국등록특허 "KR2144706"은 합성곱 신경망 기반의 도로 검출 장치 및 방법을 개시하고 있다.

본 개시는 전술한 배경기술에 대응하여 안출 된 것으로, 신경망을 이용하여 이미지에서 목표 물체를 검출하는 방법의 제공을 목적으로 한다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 목표 물체 검출 방법으로서, 입력 이미지를 수신하는 단계; 및 학습된 뉴럴 네트워크(neural network) 기반 검출 모델에 기초하여 상기 입력 이미지에서 목표 물체에 해당하는 영역과 관련된 제 1 결과 정보를 생성하는 단계를 포함할 수 있다.

대안적인 실시예에서, 상기 검출 모델은, 적어도 하나의 학습 이미지 및 상기 학습 이미지 각각에 대응되는 GT(Ground Truth) 데이터를 포함하는 학습 데이터셋에 기초하여 학습되고, 상기 GT 데이터는 복수의 채널들을 포함하는 것을 특징으로 할 수 있다.

대안적인 실시예에서, 상기 학습 데이터셋은, 적어도 하나의 기존 학습 이미지-GT 데이터 쌍으로부터 복수의 신규 학습 이미지-GT 데이터 쌍들을 생성하는 증분 연산에 기초하여 생성되며, 상기 검출 모델의 학습을 위해 검출 모델에 입력되기 이전에 생성될 수 있다.

대안적인 실시예에서, 상기 GT 데이터는, 목표 물체의 윤곽 정보를 포함하는 제 1 채널을 포함할 수 있다.

대안적인 실시예에서, 상기 GT 데이터는, 서로 다른 두 목표 물체들 사이의 인접한 영역에 관한 인접 영역 정보를 포함하는 제 2 채널을 포함할 수 있다.

대안적인 실시예에서, 상기 GT 데이터는, 목표 물체의 윤곽 정보를 포함하는 제 1 채널; 서로 다른 두 목표 물체들 사이의 인접한 영역에 관한 인접 영역 정보를 포함하는 제 2 채널; 및 목표 영역 정보를 포함하는 제 3 채널을 포함할 수 있다.

대안적인 실시예에서, 상기 제 1 결과 정보를 생성하는 단계는, 상기 입력 이미지에 대해 상기 검출 모델에 의해 생성된 다채널(multi-channel) 출력 데이터에 기초하여 단채널(single-channel) 출력 데이터를 생성하는 단계를 포함할 수 있다.

대안적인 실시예에서, 상기 단채널 출력 데이터를 생성하는 단계는, 상기 다채널 출력 데이터의 제 1 채널 또는 제 2 채널 중 적어도 하나의 채널에 기초하여 제 3 채널에 포함된 값을 조절하는 단계를 포함하되, 상기 다채널 출력 데이터는, 목표 물체의 윤곽 정보를 포함하는 제 1 채널; 서로 다른 두 목표 물체들 사이의 인접한 영역에 관한 인접 영역 정보를 포함하는 제 2 채널; 및 목표 영역 정보를 포함하는 제 3 채널을 포함할 수 있다.

대안적인 실시예에서, 상기 조절하는 단계는, 상기 제 3 채널에서, 상기 제 1 채널에 기초하여 결정된 윤곽과 대응되는 영역에 할당된 값의 적어도 일부를 배경값으로 변경하는 단계; 및 상기 제 3 채널에서, 상기 제 2 채널에 기초하여 결정된 인접 영역과 대응되는 영역에 할당된 값의 적어도 일부를 배경값으로 변경하는 단계를 포함할 수 있다.

대안적인 실시예에서, 본 개시에 따른 목표 물체 검출 방법은, 입력 이미지에 대해 제 1 분해(decomposition) 연산을 수행하여 제 1 편광 이미지를 생성하는 단계; 및 상기 입력 이미지에 기초하여 이미지 생성 모델을 통해 합성 이미지를 생성하는 단계를 더 포함할 수 있다. 그리고 제 1 결과 정보를 생성하는 단계는: 상기 제 1 편광 이미지 및 상기 합성 이미지에 추가적으로 기초하여, 상기 입력 이미지에서 목표 물체에 해당하는 영역과 관련된 제 1 결과 정보를 생성하는 단계를 포함할 수 있다.

대안적인 실시예에서, 본 개시에 따른 목표 물체 검출 방법은, 제 1 결과 정보에 기초하여, 상기 입력 이미지 내에서 서로 겹치지 않는 둘 이상의 목표 물체들 각각의 개별 영역과 관련된 제 2 결과 정보를 생성하는 단계를 더 포함할 수 있다.

대안적인 실시예에서, 본 개시에 따른 목표 물체 검출 방법은, 제 2 결과 정보에 기초하여 상기 둘 이상의 목표 물체들 각각에 대한 개별 윤곽 정보를 연산하는 단계를 더 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 목표 물체를 검출하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 입력 이미지를 수신하는 동작; 및 학습된 뉴럴 네트워크(neural network) 기반 검출 모델에 기초하여 상기 입력 이미지에서 목표 물체에 해당하는 영역과 관련된 제 1 결과 정보를 생성하는 동작을 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 목표 물체 검출 장치가 개시된다. 상기 장치는 하나 이상의 프로세서; 하나 이상의 메모리; 및 네트워크부를 포함하며, 그리고 상기 하나 이상의 프로세서는, 입력 이미지를 수신하고, 그리고 학습된 뉴럴 네트워크(neural network) 기반 검출 모델에 기초하여 상기 입력 이미지에서 목표 물체에 해당하는 영역과 관련된 제 1 결과 정보를 생성할 수 있다.

본 개시는 목표 물체 검출 방법을 제공할 수 있다.

도 1은 본 개시의 일 실시예에 따른 목표 물체 검출을 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따른 네트워크 함수를 나타낸 개략도이다.
도 3a는 본 개시의 일 실시예에 따른 GT 데이터에 포함되는 제 1 채널을 나타내는 예시도이다.
도 3b는 본 개시의 일 실시예에 따른 GT 데이터에 포함되는 제 2 채널을 나타내는 예시도이다.
도 3c는 본 개시의 일 실시예에 따른 GT 데이터에 포함되는 제 3 채널을 나타내는 예시도이다.
도 4는 본 개시의 일 실시예에 따른 검출 모델에 기초하여 생성된 다채널 출력 데이터를 나타내는 예시도이다.
도 5는 본 개시의 일 실시예에 따라 다채널 출력 데이터로부터 생성된 단채널 출력 데이터를 나타내는 예시도이다.
도 6은 본 개시의 일 실시예에 따라, 제 2 결과 정보에 기초하여 서로 겹치지 않는 둘 이상의 목표 물체들 각각의 개별 영역을 구분한 결과를 시각적으로 도시한 예시도이다.
도 7은 본 개시의 실시예에 따라 컴퓨팅 장치가 입력 이미지로부터 목표 물체를 검출하기 위한 과정의 흐름도이다.
도 8은 본 개시의 실시예에 따라 컴퓨팅 장치가 입력 이미지에 대해 수행하는 전처리 과정에 대한 흐름도이다.
도 9는 이미지 처리의 각 단계에 따른 이미지의 상태를 나타낸 예시도이다.
도 10은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

그리고, “A 또는 B 중 적어도 하나”이라는 용어는, “A만을 포함하는 경우”, “B 만을 포함하는 경우”, “A와 B의 구성으로 조합된 경우”를 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

도 1은 본 개시의 일 실시예에 따른 목표 물체 검출을 위한 컴퓨팅 장치의 블록 구성도이다.

도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.

컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.

프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 프로세서(110)는 학습된 뉴럴 네트워크 기반 검출 모델에 기초하여 입력 이미지에서 목표 물체에 해당하는 영역과 관련된 제 1 결과 정보를 생성할 수 있다.

본 개시내용에 있어서, "제 1", "제 2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 명세서 전체적으로 지시 대상의 일관성을 유지하기 위해 사용될 뿐 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 따라서 필요에 따라 "제 1"은 "제 2"로, "제 2"는 "제 1"로 명세서 전체적으로 변경되어 명명될 수도 있다.

본 개시내용에 있어서, “입력 이미지”는 SAR 레이더 시스템에 의해 생성된 이미지 또는 RGB 이미지를 포함할 수 있다. 프로세서(110)는 검출 모델에 입력 이미지를 입력한 후, 검출 모델에 의한 연산 결과로서 입력 이미지에서 목표 물체에 해당하는 영역과 관련된 결과 정보를 생성할 수 있다.

본 개시내용에 있어서, 결과 정보는 입력 이미지 내에 존재하는 목표 물체와 관련된 정보를 포함할 수 있다. 예를 들어, 결과 정보는 입력 이미지의 적어도 일부에 목표 물체가 존재하는지에 대한 분류 결과값을 포함할 수 있다. 목표 물체가 하나인 경우, 결과 정보에 포함되는 분류 결과값은 이진(binary) 분류값일 수 있다. 목표 물체가 복수 개인 경우, 결과 정보에 포함되는 분류 결과값은 다차원(multi-class) 분류값일 수 있다. 또 다른 예를 들어, 결과 정보는 입력 이미지 내에 존재하는 목표 물체의 좌표값을 포함할 수 있다. 입력 이미지 내에 목표 물체가 둘 이상 존재하는 경우 결과 정보는 둘 이상의 목표 물체 좌표값을 포함할 수 있다. 목표 물체의 좌표값은, 예를 들어, 목표 물체의 중심점의 좌표값, 목표 물체를 포함하는 직사각형 박스의 네 꼭지점의 좌표값, 목표 물체를 포함하는 다각형 박스의 각 꼭지점의 좌표값 등일 수 있다. 전술한 좌표값과 관련한 예시는 설명을 위한 일 예시일 뿐 본 개시를 제한하지 않는다. 또 다른 예를 들어, 결과 정보는 입력 이미지의 픽셀별 분류값일 수 있다. 결과 정보는 입력 이미지에 포함된 복수의 픽셀들 중에서 목표 물체에 해당하는 적어도 하나의 픽셀을 획득하기 위한 픽셀별 분류값일 수 있다. 본 개시에 있어서 결과 정보는, 입력 이미지에 포함된 복수의 픽셀들 중에서 목표 물체에 해당하는 픽셀을 검출하기 위해 프로세서(110)에 의해 수행된 세그멘테이션(Segmentation)의 결과로 획득된 값일 수도 있다. 프로세서(110)는 입력 이미지에 포함된 복수의 픽셀들 중 적어도 일부 픽셀에 대해 각각 분류값을 부여함으로써 결과 정보를 생성할 수 있다. 일 예시로서 프로세서(110)는 입력 이미지에 포함된 복수의 픽셀들 중 목표 물체에 해당하지 않는 픽셀들에는 '0'의 값을 할당하고, 목표 물체에 해당하는 픽셀들에는 '1'의 값을 할당할 수 있다. 프로세서(110)는 검출하고자 하는 목표 물체가 복수 개인 경우, 복수 개의 목표 물체들을 서로 구분하기 위해, 서로 다른 목표 물체에 해당하는 픽셀에는 서로 다른 값을 부여할 수도 있다. 본 개시내용에 있어서 제 1 결과 정보는 입력 이미지에 대하여 프로세서(110)에 의해 시맨틱 세그멘테이션(Semantic Segmentation)이 수행된 결과에 기초하여 생성된 결과 정보일 수 있다. 본 개시내용에 있어서 제 2 결과 정보는 입력 이미지에 대하여 프로세서(110)에 의해 인스턴스 세그멘테이션(Instance Segmentation)이 수행된 결과에 기초하여 생성된 결과 정보일 수 있다.

프로세서(110)는 직접 뉴럴 네트워크 기반 검출 모델의 학습을 위한 동작을 수행할 수 있다. 프로세서(110)는 이미 학습되고 메모리(130)에 저장된 뉴럴 네트워크 기반 검출 모델의 파라미터를 메모리(130)로부터 읽어 들인 후, 검출 모델에 기초하여 입력 이미지에 대한 제 1 결과 정보를 생성할 수 있다. 프로세서(110)는 제 1 결과 정보를 생성하기 위해 검출 모델에 기초하여 입력 이미지에 대해 검출 모델에 의해 생성된 다채널(multi-channel) 출력 데이터에 기초하여 단채널(single-channel) 출력 데이터를 생성할 수 있다. 프로세서(110)는 검출 모델에 의해 생성된 다채널 출력 데이터의 제 1 채널 및 제 2 채널에 기초하여 제 3 채널에 포함된 값을 조절할 수 있다. 프로세서(110)는 다채널 출력 데이터의 제 3 채널에서, 제 1 채널에 기초하여 결정된 윤곽과 대응되는 영역에 할당된 값의 적어도 일부를 배경값으로 변경할 수 있다. 프로세서(110)는 다채널 출력 데이터의 제 3 채널에서, 제 2 채널에 기초하여 결정된 인접 영역과 대응되는 영역에 할당된 값의 적어도 일부를 배경값으로 변경할 수 있다. 프로세서(110)는 입력 이미지에 대해 제 1 분해 연산을 수행하여 제 1 편광 이미지를 생성할 수 있다. 프로세서(110)는 입력 이미지에 기초하여 이미지 생성 모델을 통해 합성 이미지를 생성할 수 있다. 프로세서(110)는 검출 모델에 기초하되 제 1 편광 이미지 및 합성 이미지에 추가적으로 기초하여, 입력 이미지에서 목표 물체에 해당하는 영역과 관련된 제 1 결과 정보를 생성할 수 있다. 프로세서(110)는 제 1 결과 정보에 기초하여 입력 이미지 내에서 서로 겹치지 않는 둘 이상의 목표 물체들 각각의 개별 영역과 관련된 제 2 결과 정보를 생성할 수 있다. 프로세서(110)는 제 2 결과 정보에 기초하여 서로 겹치지 않는 둘 이상의 목표 물체들 각각에 대한 개별 윤곽 정보를 추출할 수 있다.

본 개시의 일 실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다. 메모리(130)는 뉴럴 네트워크 기반 검출 모델 및/또는 이미지 생성 모델에 포함된 파라미터를 적어도 하나 저장할 수 있다. 메모리(130)는 네트워크부(150)가 수신한 뉴럴 네트워크 기반 검출 모델의 파라미터 값 중 적어도 일부를 저장할 수 있다. 메모리(130)는 네트워크부(150)가 수신한 이미지 생성 모델의 파라미터 값 중 적어도 일부를 저장할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시에서 네트워크부(150)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 다양한 통신 시스템들을 사용할 수 있다. 네트워크부(150)는 유선 및 무선 등의 통신 시스템을 사용하여 외부 디바이스 또는 외부 서버로부터 입력 이미지를 수신할 수 있다. 네트워크부(150)는 유선 및 무선 등의 통신 시스템을 사용하여 외부 디바이스 또는 외부 서버로부터 학습된 모델의 파라미터 값 중 적어도 일부를 수신할 수 있다.

도 1에는 도시되지 않았으나 본 개시에 따른 컴퓨팅 장치(100)는 입력 이미지를 수신하기 위한 입력부를 추가적인 구성으로 포함할 수 있다. 컴퓨팅 장치(100)는 입력부를 통해 사용자로부터 목표 물체를 검출하기 위한 대상이 되는 입력 이미지를 수신할 수 있다.

도 2는 본 개시의 일 실시예에 따른 네트워크 함수를 나타낸 개략도이다. 본 개시에 따른 검출 모델 또는 이미지 생성 모델의 적어도 일부는 이하에서 설명될 네트워크 함수에 기초할 수 있다.

본 명세서에 걸쳐, 모델, 신경망, 인공 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.

본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

본 개시의 일 실시예에 따른 뉴럴 네트워크는 복수의 신경망 레이어를 포함할 수 있다. 복수의 신경망 레이어들은 그 기능과 역할에 따라 뉴럴 네트워크 내에서 일정한 순서를 갖는 시퀀스(sequence)를 구성할 수 있다.　상기 복수의 신경망 레이어들에는 컨볼루션 레이어, 풀링 레이어, 완전 연결 레이어 등이 포함될 수 있다. 뉴럴 네트워크에 대한 최초 입력은 시퀀스 내 가장 낮은, 최초의 레이어에 의해 수신될 수 있다. 뉴럴 네트워크는 최초 입력으로부터 최종 출력을 생성하기 위해 최초 입력을 시퀀스 내 레이어들에 순차적으로 입력할 수 있다. 상기 최초 입력은 예를 들어 이미지일 수 있고 그에 대한 최종 출력은 예를 들어 하나 이상의 카테고리를 포함하는 카테고리 집합에 있어서 각각의 카테고리에 대한 스코어일 수 있다.

본 개시의 일 실시예에 따른 신경망 레이어는 적어도 하나의 노드를 포함할 수 있다. 신경망 레이어에 포함된 각 노드에는 가중치(weight) 또는 편향값(bias)이 할당될 수 있다. 본 개시에 따른 컴퓨팅 장치(100)의 메모리(130)는 신경망 레이어에 포함된 적어도 하나의 노드에 할당된 가중치 또는 편향값을 저장할 수 있다. 각 신경망 레이어는 컨볼루션 신경망에 대한 최초 입력 또는 직전 신경망 레이어의 출력을 입력으로 수신할 수 있다. 예를 들어, 복수의 신경망 레이어로 이루어진 시퀀스에 있어서 제 N 번째 신경망 레이어는 제 N-1 번째 신경망 레이어의 출력을 입력으로 수신할 수 있다. 각 신경망 레이어는 입력으로부터 출력을 생성할 수 있다. 신경망 레이어가 시퀀스에서 가장 높은, 최후의 신경망 레이어인 경우,　이러한 신경망 레이어의 출력은 전체 뉴럴 네트워크의 출력으로 취급될 수 있다.

본 개시에 있어서 “특징맵”이라는 용어는 컨볼루션 연산의 결과값 중 적어도 일부를 지칭하는 용어로 사용될 수 있다. 신경망 레이어는 컨볼루션 연산을 위한 하나 이상의 필터를 포함할 수 있다. 특징맵은 신경망 레이어에 포함된 하나 이상의 필터 중 하나의 필터를 이용하여 컨볼루션 연산을 수행한 결과를 지칭하는 용어로 사용될 수 있다. 신경망 레이어의 출력 차원의 크기는 신경망 레이어에 포함된 필터의 수와 같을 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.

뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링 되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤러라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.

본 개시내용에 있어서, 검출 모델은 적어도 하나의 학습 이미지 및 학습 이미지 각각에 대응되는 GT(Ground Truth) 데이터를 포함하는 학습 데이터셋에 기초하여 학습될 수 있다. 검출 모델은 학습 이미지를 입력 받아 학습 이미지에 대한 출력값을 생성할 수 있다. 검출 모델은 학습 이미지에 대한 출력값과 학습 이미지에 대응되는 GT 데이터의 값의 차이에 기초하여 학습될 수 있다. 본 개시에 따른 GT 데이터는 적어도 하나의 채널 또는 복수의 채널을 포함할 수 있다. 복수의 채널은 “제 1”, “제 2”라는 표현을 통해 서로 구별되어 지시될 수 있다. 다만 전술한 바와 같이 본 개시내용에 있어서 "제 1", "제 2" 등의 용어는 명세서 전체적으로 지시 대상을 구분하고 그 지시 대상의 일관성을 유지하기 위해 사용될 뿐, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 본 개시내용에 있어서 “채널”은 “이미지에 포함된 적어도 하나의 픽셀에 할당된 값을 포함하는 데이터 집합”의 의미로 사용될 수 있다. 예를 들어, GT 데이터가 이미지의 색상을 위해 복수의 채널을 포함하는 경우, GT 데이터는 Red 채널, Green 채널, Blue 채널을 포함할 수 있다. 이 때 Red 채널은 이미지에 포함된 각 픽셀에 할당된, Red 색상의 정도를 결정하기 위한 값을 포함할 수 있다. Green 채널, Blue 채널 역시 Red 채널과 마찬가지로 이미지에 포함된 각 픽셀에 할당된, Green 색상 또는 Blue 색상의 정도를 결정하기 위한 값을 포함할 수 있다. 전술한 RGB 채널에 관한 예시는 복수의 채널로 이루어진 GT 데이터를 설명하기 위한 예시적 서술일 뿐, 본 개시는 이미지에 포함된 각 픽셀마다 서로 다른 정보를 나타내기 위해 사용되는 복수의 채널 구성을 제한없이 포함한다.

본 개시에 따른 학습 데이터셋은, 적어도 하나의 기존 학습 이미지-GT 데이터 쌍으로부터 복수의 신규 학습 이미지-GT 데이터 쌍들을 생성하는 증분 연산에 기초하여 생성되며, 뉴럴 네트워크 기반 검출 모델의 학습을 위해 검출 모델에 입력되기 이전에 생성될 수 있다. 기존 학습 이미지-GT 데이터 쌍으로부터 복수의 신규 학습 이미지-GT 데이터 쌍들을 생성하기 위한 증분 연산에는 예를 들어, 상하좌우로 이미지를 뒤집는 Flip 연산, 90도 단위로 이미지를 회전시키는 Rotation 연산, 노이즈 주입 연산 등이 포함될 수 있다. 본 개시에 따른 학습 데이터셋은 검출 모델의 학습을 위한 전체 과정이 시작되기 이전을 의미할 수 있다. 일반적인 데이터 증강(Augmentation) 연산은, 학습 데이터에 대한 일련의 연산 과정을 거쳐 뉴럴 네트워크 기반 모델에 입력하기 직전에 모든 경우의 수에 따라 수행되거나, 학습 데이터에 대한 일련의 연산 과정을 거친 후 뉴럴 네트워크 기반 모델에 입력하기 직전에 랜덤하게 수행된다. 다만, 위와 같이 컴퓨팅 장치에 의해 학습 데이터에 대한 연산 과정이 시작된 이후 학습 데이터를 뉴럴 네트워크 기반 모델에 입력하기 직전에 모든 경우의 수에 따라 학습 데이터를 증강하게 되면 배치 사이즈(i.e. 한번에 학습을 진행하기 위한 데이터의 수) 또는 데이터 사이즈에 따라 메모리 부족 현상이 나타나거나, 데이터 연산에 지나치게 과도한 컴퓨팅 자원이 소요되어 병목(bottleneck) 현상이 야기된다. 또한 랜덤하게 데이터를 증강하게 되면 확률적으로 특정 유형의 데이터에 학습 데이터가 편중되는 문제점이 야기될 수 있다. 그러나 본 개시에 따라 학습 데이터셋을 검출 모델의 학습이 시작되기 이전에 생성하여 메모리(130)에 저장하게 되면 학습 데이터를 모든 경우의 수에 따라 생성할 수 있고, 메모리 자원의 한계 문제 또는 병목 현상을 해결할 수 있는 효과를 갖는다.

본 개시에 따른 일 실시예에 있어서, GT 데이터는 목표 물체의 윤곽 정보를 포함하는 제 1 채널을 포함할 수 있다. 제 1 채널에서 목표 물체의 윤곽에 해당하는 영역에 할당된 픽셀값과 그 외의 영역에 할당된 픽셀값은 서로 다를 수 있다. 예를 들어, 목표 물체의 윤곽에 해당하는 영역에 대한 픽셀값은 '1', 윤곽에 해당하지 않는 영역에 대한 픽셀값은 '0'이 할당되어 있을 수 있다. 본 개시에 따라 목표 물체의 윤곽 정보를 결정하기 위한 제 1 실시예에 있어서 목표 물체의 윤곽에 해당하는 영역은, 학습 이미지 내에서 목표 물체에 해당하는 것으로 결정된 픽셀들 중 적어도 하나의 변(i.e. 사각 형태의 픽셀의 네 변 중 한 변)이 외부 픽셀(i.e. 목표 물체에 해당하지 않는 것으로 결정된 픽셀)과 맞닿아 있는 픽셀들에 기초하여 결정될 수 있다. 제 1 실시예에 따라 결정된 목표 물체의 윤곽에 해당하는 영역은, 픽셀들 중 적어도 하나의 변이 외부 픽셀과 맞닿아 있는 픽셀들을 선택함으로써 두께가 1일 수 있다. 본 개시내용에 있어서 윤곽의 두께는 목표 물체의 윤곽에 의해 구분되는 내부 공간과 외부 공간이 존재할 때, 내부 공간의 적어도 한 픽셀의 중심점과 외부 공간의 적어도 한 픽셀의 중심점을 잇는 가상의 선이 지나는 최소 픽셀의 수로 결정될 수 있다.

본 개시에 따라 목표 물체의 윤곽 정보를 결정하기 위한 제 2 실시예에 있어서 목표 물체의 윤곽에 해당하는 영역은, 학습 이미지 내에서 목표 물체에 해당하는 것으로 결정된 픽셀들과 적어도 한 변이 맞닿아 있는 외부 픽셀들에 기초하여 결정될 수도 있다. 제 2 실시예에 따라 결정된 목표 물체의 윤곽에 해당하는 영역은, 학습 이미지 내에 존재하는 픽셀들 중 목표 물체에 해당하는 것으로 결정된 픽셀들과 적어도 하나의 변이 맞닿아 있는 외부 픽셀들을 선택함으로써 결정될 수 있다. 이 때 픽셀 두께는 1일 수 있다.

본 개시에 따라 목표 물체의 윤곽 정보를 결정하기 위한 제 3 실시예에 있어서 목표 물체의 윤곽에 해당하는 영역은, 제 1 실시예에 의한 윤곽 영역 또는 제 2 실시예에 의한 윤곽 영역에 기초하되 더 큰 두께를 가질 수 있다. 제 3 실시예에 따른 목표 물체의 윤곽에 해당하는 영역은, 제 1 실시예 또는 제 2 실시예에 기초하여 목표 물체의 윤곽에 해당하는 픽셀들을 선택한 후 추가적으로, 상기 선택된 픽셀들과 적어도 한 변이 맞닿아 있는 픽셀들 중 일부를 다시 선택함으로써 두께가 2일 수 있다. 같은 방식으로 확장할 경우, 목표 물체의 윤곽에 해당하는 영역은 N(1이상의 자연수) 픽셀 두께를 가질 수도 있다. 제 3 실시예에 따라 목표 물체의 윤곽 정보를 결정할 경우, 제 1 실시예 및 제 2 실시예보다 두께가 두꺼운 윤곽을 포함할 수 있다. 픽셀 두께가 두꺼운 목표 물체의 윤곽 정보를 포함하는 제 1 채널에 기초하여 뉴럴 네트워크 기반 검출 모델을 학습시킬 경우, 목표 물체의 윤곽이 강조된 학습 데이터를 이용하여 검출 모델을 학습시킬 수 있다.

전술한 바와 같은 목표 물체의 윤곽 정보를 결정하기 위한 제 1 실시예 내지 제 3 실시예들은 설명을 위한 예시들에 해당할 뿐 본 개시를 제한하지 않는다. 본 개시에 따른 뉴럴 네트워크 기반 검출 모델은 상술한 바와 같은 목표 물체의 윤곽 정보를 포함하는 제 1 채널을 포함하는 GT 데이터에 기초하여 학습됨으로써, 추론을 위한 입력 이미지에서 목표 물체의 윤곽 영역을 집중적으로 학습하고 검출할 수 있게 된다. 이와 같은 학습 데이터 및 학습 방법은, 단순히 목표 물체에 해당하는 영역을 전체를 나타내는 단일 데이터에 기초하여 학습된 검출 모델보다 목표 물체와 배경 사이의 경계를 정확히 판단해내는 검출 모델을 생성할 수 있다는 장점을 갖는다.

도 3a는 본 개시의 일 실시예에 따른 GT 데이터에 포함되는 제 1 채널을 나타내는 예시도이다. GT 데이터의 제 1 채널(330)은 목표 물체의 윤곽 정보를 포함할 수 있다. 도 3a에 도시된 바와 같이 GT 데이터의 제 1 채널(330)은 학습 이미지(310)와 같은 가로, 세로 픽셀 크기를 가질 수 있다. GT 데이터의 제 1 채널(330)은 적어도 하나의 픽셀에 할당된 값을 포함하는 데이터 집합일 수 있다. GT 데이터의 제 1 채널(330)은 각 픽셀별로 서로 다른 값을 가질 수 있다. 도 3a에 있어서 일부 픽셀들을 나머지 부분과 다른 색으로 표현한 것은 각 픽셀에 서로 다른 값이 할당된 것을 시각적으로 표현하기 위함이다. 예를 들어, GT 데이터의 제 1 채널(330)에 포함된 복수의 픽셀들 중 다른 부분보다 어둡게 표시된 픽셀들은 학습 이미지(310)에 포함된 목표 물체의 윤곽에 해당하는 픽셀들일 수 있다. 참조번호 311a 및 참조번호 311b는 학습 이미지(310)에 포함된 복수의 목표 물체들 각각을 가리킨다. GT 데이터의 제 1 채널(330)에 포함된 목표 물체의 윤곽에 해당하는 픽셀들은 서로 동일한 값을 가지고 있을 수 있다. 예를 들어, GT 데이터의 제 1 채널(330)에서, 제 1 목표 물체(311a)의 윤곽에 해당하는 영역(331a)의 픽셀값 그리고 제 2 목표 물체(311b)의 윤곽에 해당하는 영역(331b)의 픽셀값은 서로 같은 값을 가질 수 있다.

본 개시에 따른 일 실시예에 있어서, GT 데이터는 서로 다른 두 목표 물체들 사이의 인접한 영역에 관한 인접 영역 정보를 포함하는 제 2 채널을 포함할 수 있다. 본 개시에 따른 “서로 다른 두 목표 물체들 사이의 인접한 영역”은, 서로 다른 두 목표 물체의 윤곽 간 거리가 사전 결정된 임계 거리 이하일 경우, 사전 결정된 임계 거리 이하로 가까운 두 윤곽 사이의 공간을 의미할 수 있다. 여기서, 서로 다른 두 목표 물체의 윤곽 간 거리는, 제 1 목표 물체의 윤곽 위의 한 픽셀에서 제 2 목표 물체의 윤곽 위 픽셀들 중 가장 가까운 픽셀까지의 거리에 의해 산출될 수 있다. 사전 결정된 임계 거리는 자연수 또는 양의 실수로 설정될 수 있다. 이하에서는 도 3b를 참조하여 제 2 채널에 대해 구체적인 예를 들어 설명한다.

도 3b는 본 개시의 일 실시예에 따른 GT 데이터에 포함되는 제 2 채널을 나타내는 예시도이다. GT 데이터의 제 2 채널(350)은 도 3a의 학습 이미지(310)에 포함된 서로 다른 두 목표 물체들 사이의 인접한 영역에 관한 인접 영역 정보를 포함할 수 있다. 도 3b에 있어서 일부 픽셀들을 나머지 부분과 다른 색으로 표현한 것은 각 픽셀에 서로 다른 값이 할당된 것을 시각적으로 표현하기 위함이다. 예를 들어, GT 데이터의 제 2 채널(350)에 포함된 복수의 픽셀들 중 다른 부분보다 어둡게 표시된 픽셀들은 학습 이미지(310)에 포함된 서로 다른 두 목표 물체들 사이의 인접한 영역에 해당하는 픽셀들일 수 있다. GT 데이터의 제 2 채널(350)에 표현된 서로 다른 두 목표 물체들 사이의 인접한 영역(351)은, 학습 이미지(310)에 포함된 제 1 목표 물체(311a)와 제 2 목표 물체(311b)의 윤곽 간 거리가 사전 결정된 임계 거리 이하인 영역일 수 있다. 구체적인 설명을 위해 학습 이미지(310)에서 A 픽셀의 좌표가 (1,8)이고, 학습 이미지(310)에서 B 픽셀의 좌표가 (8,1)이라고 가정하자. 그리고 여기서 사전 결정된 임계 거리는 2라고 가정하자. 위와 같은 가정 하에서 제 1 목표 물체(311a)의 윤곽 위의 한 픽셀인 (3,4)와 가장 가까운 제 2 목표 물체(311b)의 윤곽 위의 픽셀은 (5,4)가 된다. 이 때 두 픽셀 사이의 거리는 2가 되며 이는 사전 결정된 임계 거리인 2 이하에 해당한다. 따라서 두 픽셀 사이의 공간에 해당하는 (4,4) 지점의 픽셀은 인접한 영역으로 결정될 수 있다. 그 결과 학습 이미지(310)에 포함된 서로 다른 두 목표 물체들 사이의 인접한 영역(351)을 나타내는 GT 데이터의 제 2 채널(350)의 픽셀들 중 (4,4) 지점의 픽셀은 인접한 영역으로 결정될 수 있다. 도 3b를 참조하여 서술된 위 예시는 제 2 채널의 생성 원리를 설명하기 위한 일 예시에 불과하며 본 개시를 제한하지 않는다.

본 개시에 따라 서로 다른 두 목표 물체들 사이의 인접한 영역에 관한 인접 영역 정보를 포함하는 제 2 채널을 GT 데이터의 일부로 하여 뉴럴 네트워크 기반 검출 모델을 학습할 경우, 학습된 검출 모델의 분해 성능이 향상되는 장점을 갖는다. 즉, 이미지 내에 복수의 목표 물체들이 가까이 존재함으로 인해 하나의 목표 물체로 인식될 위험이 있는 학습 환경에서, 본 개시에 따른 제 2 채널을 검출 모델의 학습 과정에 이용함으로써 목표 물체 사이의 인접한 영역을 명확히 인식하고 서로 다른 목표 물체를 분리해낼 수 있게 된다. 이는 다른 방법에 의해 학습된 검출 모델보다 높은 분해능을 갖는 학습된 뉴럴 네트워크 기반 검출 모델을 획득할 수 있는 장점을 갖는다.

본 개시에 따른 일 실시예에 있어서, GT 데이터는 목표 영역 정보를 포함하는 제 3 채널을 포함할 수 있다. 제 3 채널은 학습 이미지와 대응되는 크기를 가질 수 있다. 이하에서는 도 3c를 참조하여 제 3 채널에 대해 구체적으로 설명한다.

도 3c는 본 개시의 일 실시예에 따른 GT 데이터에 포함되는 제 3 채널을 나타내는 예시도이다. GT 데이터의 제 3 채널(370)의 참조번호 371a는 도 3a의 학습 이미지(310)에 포함된 제 1 목표 물체(311a)에 대응되는 목표 영역일 수 있다. GT 데이터의 제 3 채널(370)의 참조번호 371b는 도 3a의 학습 이미지(310)에 포함된 제 2 목표 물체(311b)에 대응되는 목표 영역일 수 있다. GT 데이터의 제 3 채널(370)에 포함된 복수의 픽셀들 중 목표 영역(371a, 371b)에 해당하는 픽셀들과 나머지 픽셀들은 서로 다른 값을 가질 수 있다. 본 개시에 따른 제 3 채널을 GT 데이터의 일부로 하여 뉴럴 네트워크 기반 검출 모델이 학습될 경우, 검출 모델은 추론 과정에서 입력된 입력 이미지에 대한 출력 데이터와 정답 데이터를 비교하는 동작에 기초하여 지도 학습될 수 있다.

본 개시에 따른 검출 모델은 복수의 채널을 포함하는 GT 데이터에 기초하여 학습될 수 있다. 구체적으로 검출 모델은, 목표 물체의 윤곽 정보를 포함하는 제 1 채널 또는 서로 다른 두 목표 물체들 사이의 인접한 영역에 관한 인접 영역 정보를 포함하는 제 2 채널 중 적어도 하나의 채널을 포함하고, 목표 영역 정보를 포함하는 제 3 채널을 더 포함하는 GT 데이터에 의해 학습될 수 있다. 뉴럴 네트워크 기반 검출 모델이 위와 같은 GT 데이터에 의해 학습될 경우, 검출 모델은 하나의 채널만을 갖는 GT 데이터에 의해 학습되는 경우보다 정확하게 목표 물체를 검출하도록 학습될 수 있다. 예를 들어, 검출 모델이, 목표 물체의 윤곽 정보를 포함하는 제 1 채널 및 목표 영역 정보를 포함하는 제 3 채널에 의해 학습될 경우 검출 모델은 목표 물체의 윤곽을 보다 정확히 결정하여 목표 물체의 형상을 제대로 검출해낼 수 있다. 또 다른 예를 들어, 검출 모델이, 서로 다른 두 목표 물체들 사이의 인접한 영역에 관한 인접 영역 정보를 포함하는 제 2 채널 및 목표 영역 정보를 포함하는 제 3 채널에 의해 학습될 경우 검출 모델은 서로 가까이 있는 목표 물체들이라도 정확하게 분리해낼 수 있다. 또 다른 예를 들어 검출 모델이 제 1 채널, 제 2 채널 및 제 3 채널 모두에 의해 학습될 경우 검출 모델은 각각의 목표 물체의 윤곽을 정확히 결정하면서 서로 가까이 있는 목표 물체를 정확히 분리해낼 수 있다.

본 개시의 일 실시예에 따라 프로세서(110)가 입력 이미지에서 목표 물체에 해당하는 영역과 관련된 제 1 결과 정보를 생성하는 단계는, 프로세서(110)가 검출 모델에 의해 입력 이미지로부터 생성된 다채널(multi-channel) 출력 데이터에 기초하여, 단채널(single-channel) 출력 데이터를 생성하는 단계를 포함할 수 있다. 프로세서(110)는 복수의 채널을 포함하는 GT 데이터에 기초하여 학습된 검출 모델을 이용하여 입력 이미지에 대해 다채널 출력 데이터를 생성할 수 있다. 예를 들어, 검출 모델이 목표 물체의 윤곽 정보를 포함하는 제 1 채널, 서로 다른 두 목표 물체들 사이의 인접한 영역에 관한 인접 영역 정보를 포함하는 제 2 채널 및 목표 영역 정보를 포함하는 제 3 채널 중 적어도 둘 이상의 채널을 포함하는 GT 데이터에 기초하여 학습된 경우, 프로세서(110)가 검출 모델을 통해 생성하는 다채널 출력 데이터는 목표 물체의 윤곽 정보를 포함하는 제 1 채널, 서로 다른 두 목표 물체들 사이의 인접한 영역에 관한 인접 영역 정보를 포함하는 제 2 채널 및 목표 영역 정보를 포함하는 제 3 채널 중 적어도 둘 이상의 채널을 포함할 수 있다. 본 개시내용에 있어서, 제 1 채널 내지 제 3 채널은 검출 모델의 학습 시 이용되는 GT 데이터와 검출 모델의 추론에 의해 생성되는 출력 데이터 모두에서 데이터의 종류와 무관하게 사용될 수 있다. 검출 모델이 생성하는 다채널 출력 데이터의 제 1 채널 내지 제 3 채널은 검출 모델을 학습시키기 위한 GT 데이터의 제 1 채널 내지 제 3 채널과 대응되며, 제 1 내지 제 3 각각의 채널은 GT 데이터에 포함된 상응하는 채널과 유사하게 설명될 수 있으므로, 이하 중복되는 내용은 생략하고 차이점에 대해 살펴본다.

본 개시에 따른 GT 데이터에 포함된 각각의 채널들과 검출 모델에 의해 생성된 다채널 출력 데이터에 포함된 각각의 채널들은 서로 유사하게 정의되나, 그 값의 정확도 또는 신뢰도에 있어서는 차이가 있을 수 있다. 예를 들어, GT 데이터는 뉴럴 네트워크 기반 검출 모델을 학습시키기 위한 학습 데이터로 학습 결과의 기준을 제공하기 위해 100%의 정확도를 가질 수 있다. 다채널 출력 데이터는 위와 같은 GT 데이터에 기반하여 학습된 검출 모델이 새로운 입력 이미지에 대해 생성하는 데이터이므로 정확도가 GT 데이터의 정확도와 같거나 작을 수 있다. GT 데이터는 사용자에 의해 생성된 후 컴퓨팅 장치(100)의 입력부를 통해 입력될 수 있다. GT 데이터는 외부에서 생성된 후 컴퓨팅 장치(100)의 네트워크부(150)를 통해 메모리(130)에 저장될 수도 있다. 다채널 출력 데이터는 본 개시에 따른 프로세서(110)에 의해 생성될 수 있다.

전술한 바와 같이 복수의 채널을 포함하는 GT 데이터에 의해 학습된 검출 모델은 마찬가지로 복수의 채널을 포함하는 다채널 출력 데이터를 생성할 수 있으며, 이하에서는 다채널 출력 데이터로부터 단채널 출력 데이터를 생성하는 방법에 대해 설명한다. 프로세서(110)는 생성된 단채널 출력 데이터로부터 목표 물체와 관련된 제 1 결과 정보를 생성할 수 있다.

본 개시의 일 실시예에 따라 프로세서(110)는 학습된 검출 모델에 의해 생성된 다채널 출력 데이터의 제 1 채널 또는 제 2 채널 중 적어도 하나의 채널에 기초하여 다채널 출력 데이터의 제 3 채널에 포함된 값을 조절할 수 있다. 프로세서(110)는 값이 조절된 제 3 채널에 기초하여 단채널 출력 데이터를 생성할 수 있다. 이하 도 4를 참조하여 구체적으로 설명한다.

도 4는 본 개시의 일 실시예에 따른 검출 모델에 기초하여 생성된 다채널 출력 데이터를 나타내는 예시도이다. 참조번호 510은 컴퓨팅 장치(100)가 수신한 입력 이미지를 나타낸다. 입력 이미지(510)에서 어둡게 표시된 픽셀은 목표 물체가 존재하는 영역을 나타내는 것으로 해석될 수 있다. 다채널 출력 데이터의 제 1 채널(530)은 입력 이미지(510)에 포함된 목표 물체의 윤곽 정보를 포함할 수 있다. 다채널 출력 데이터의 제 2 채널(550)은 입력 이미지(510)에 포함된 서로 다른 두 목표 물체들 사이의 인접한 영역에 관한 인접 영역 정보를 포함할 수 있다. 다채널 출력 데이터의 제 3 채널(570)은 입력 이미지(510)에 포함된 목표 영역 정보를 포함할 수 있다.

본 개시의 일 실시예에 있어서 프로세서(110)는 단채널 출력 데이터를 생성하기 위해 다채널 출력 데이터의 제 3 채널(570)에서 목표 물체의 윤곽을 기준으로 외부 영역에 해당하는 픽셀의 값을 배경값으로 변경할 수 있다. 목표 물체의 윤곽은 다채널 출력 데이터의 제 1 채널(530)에 기초하여 결정될 수 있다. 본 개시에 있어서 배경값은 목표 물체가 아닌 영역의 픽셀에 할당되기 위한 값으로 임의의 실수를 의미한다. 예를 들어, 배경값은 “0”으로 설정될 수 있다.

본 개시의 다른 일 실시예에 있어서 프로세서(110)는 단채널 출력 데이터를 생성하기 위해 다채널 출력 데이터의 제 3 채널(570)에서 서로 다른 두 목표 물체들 사이의 인접한 영역에 해당하는 픽셀의 값을 배경값으로 변경할 수 있다. 서로 다른 두 목표 물체들 사이의 인접한 영역은 다채널 출력 데이터의 제 2 채널(550)에 기초하여 결정될 수 있다.

프로세서(110)는 단채널 출력 데이터를 생성하기 위해 다채널 출력 데이터의 제 1 채널(530) 및 다채널 출력 데이터의 제 2 채널(550)에 모두 기초하여 다채널 출력 데이터의 제 3 채널(570)의 적어도 일부의 값을 변경할 수도 있다. 프로세서(110)는 다채널 출력 데이터의 제 3 채널(570)에서 목표 물체의 윤곽에 해당하는 픽셀들의 값 중 적어도 일부를 배경값으로 변경할 수 있다. 목표 물체의 윤곽은 다채널 출력 데이터의 제 1 채널(530)에 기초하여 결정될 수 있다. 계속하여, 프로세서(110)는 다채널 출력 데이터의 제 3 채널(570)에서 서로 다른 두 목표 물체들 사이의 인접한 영역에 해당하는 픽셀들의 값 중 적어도 일부를 배경값으로 변경할 수 있다. 서로 다른 두 목표 물체들 사이의 인접한 영역에 해당하는지 여부는 다채널 출력 데이터의 제 2 채널(550)에 기초하여 결정될 수 있다. 상술한 바와 같이 다채널 출력 데이터의 제 3 채널(570)에 대한 값 조절이 완료된 경우, 프로세서(110)는 조절이 완료된 제 3 채널을 단채널 출력 데이터로 생성할 수 있다. 이하 도 5를 참조하여 구체적으로 서술한다.

도 5는 본 개시의 일 실시예에 따라 다채널 출력 데이터로부터 생성된 단채널 출력 데이터를 나타내는 예시도이다. 단채널 출력 데이터(590)에 포함된 복수의 픽셀들은 서로 다른 값을 가질 수 있다. 도 5에 있어서 서로 다른 패턴으로 채워진 픽셀들은 서로 다른 값이 할당되었음을 의미한다. 도 5의 단채널 출력 데이터(590)는 도 4에 도시된 다채널 출력 데이터의 각 채널로부터 생성된 단채널 출력 데이터일 수 있다. 구체적으로, 프로세서(110)는 다채널 출력 데이터의 제 3 채널(570)에 있어서, 다채널 출력 데이터의 제 1 채널(530)에 기초하여 결정할 수 있는 목표 물체의 윤곽에 해당하는 픽셀들의 값을 배경값으로 변경할 수 있다. 배경값은 목표 물체에 해당하지 않는 픽셀들을 표시하기 위한 값으로 임의의 값으로 사전 결정될 수 있으며, 예를 들어, '0'으로 사전 결정될 수 있다. 계속된 실시예에서, 프로세서(110)는 다채널 출력 데이터의 제 3 채널(570)에서 서로 다른 두 목표 물체 사이의 인접한 영역에 해당하는 픽셀들의 값을 배경값으로 변경할 수 있다. 서로 다른 두 목표 물체 사이의 인접한 영역은 다채널 출력 데이터의 제 2 채널(550)에 기초하여 결정할 수 있다. 프로세서(110)는 상술한 바와 같이 도 5를 참조하여 설명된 과정을 거쳐 단채널 출력 데이터(590)를 생성할 수 있다.

입력 이미지 내에 둘 이상의 목표 물체가 존재할 때, 본 개시내용에 따를 경우 뉴럴 네트워크 기반 검출 모델을 이용하여 목표 물체를 서로 분리 검출하는 성능이 향상될 수 있다. 다시 도 4의 다채널 출력 데이터에 포함된 각 채널들을 살펴보자. 다채널 출력 데이터의 제 1 채널(530)은 입력 이미지(510)의 윤곽을 결정하기 위한 채널이다. 다만, 입력 이미지의 화질, 컴퓨팅 자원의 한계, 학습의 진행률 등 다양한 원인으로 말미암아 다채널 출력 데이터의 제 1 채널(530)에 의한 윤곽은 정확도가 다소 떨어질 가능성이 존재한다. 다채널 출력 데이터의 제 3 채널(570) 또한 목표 물체에 해당하는 픽셀들을 표시하기 위한 채널이나, 전술한 바와 같은 다양한 원인들로 인해 도 4에 도시된 바와 같이 그 정확도가 다소 낮을 수 있다. 만약, 도 4에 도시된 다채널 출력 데이터의 제 1 채널(530)만 사용하여 목표 물체를 검출하거나 다채널 출력 데이터의 제 3 채널(570)만 사용하여 목표 물체를 검출할 경우 그 경계가 모호한 관계로 컴퓨팅 장치는 목표 물체를 하나로 인식할 수 있다. 이는 입력 이미지(510)가 전달하는 실제 정보와 차이가 있게 된다. 반면, 전술한 본원 발명의 일 실시예에 따른 단채널 출력 데이터 생성 방법에 따라 목표 물체에 해당하는 영역을 검출할 경우 도 5에 예시된 바와 같이 정확히 복수의 목표 물체를 서로 분리 검출할 수 있게 되는 장점을 갖는다.

이하에서는 입력 이미지가 '레이더 이미지'인 경우, 보다 정확한 목표 물체 검출을 위한 입력 이미지 전처리 방법에 관하여 서술한다. 레이더 이미지는 레이더 신호에 기초하여 생성된 이미지를 의미한다. 이하 입력 이미지가 레이더 신호에 기초하여 생성된 경우를 나타내기 위해'입력 레이더 이미지'와 '입력 이미지'는 상호 교환적으로 사용될 수 있다. 일반적으로, 레이더(Radio Detection And Ranging: RADAR)는 송신기 구성과 수신기 구성을 모두 포함하여, 물체의 위치 또는 방향의 탐지와 거리 또는 속도의 측정을 주요 기능으로 한다. 그 가운데 피탐지체의 거리 및 속도의 측정은 각각 전파의 전파 속도와 전파 소요 시간 및 반사 혹은 산란된 전파가 포함하고 있는 도플러 효과에 의한 주파수 편이의 측정에 바탕을 둔다. 본 개시에 있어서 레이더 신호에 기초하여 생성된 이미지란, 레이더 송신기가 전파 신호를 송신한 후 레이더 수신기가 대상 물체로부터 반사된 전파 신호를 수신할 때, 수신된 전파 신호의 정보에 기초하여 생성된 이미지를 의미한다. 상기 전파 신호의 정보에는 예를 들어 전파의 방향, 크기, 주파수, 산란 정도 등이 포함될 수 있다. 본 개시에 따른 레이더 이미지는 입력 레이더 합성 개구 레이더(SAR, Synthetic Aperture Radar) 이미지일 수 있다. 합성 개구 레이더는 지상 또는 해양으로 펄스파를 순차적으로 송신함에 따라 지상 또는 해양의 굴곡면에서 반사되어 돌아오는 펄스파를 미세한 시간차에 따라 선착순으로 합성해 지상지형도를 만들어내는 레이더의 일 유형으로, SAR 이미지는 위와 같은 합성 개구 레이더에 의해 생성된 레이더 이미지를 일컫는다.

본 개시에 따른 프로세서(110)는 입력 레이더 이미지에 대해 제 1 분해(decomposition) 연산을 수행하여 제 1 편광 이미지를 생성할 수 있다.

본 개시에 있어서 분해 연산은 각 픽셀에 대한 레이더 신호값을 포함하는 입력 레이더 이미지로부터 각 픽셀에 대해 RGB값을 갖는 RGB 이미지를 생성하는 연산을 포함할 수 있다. 각 픽셀에 대한 레이더 신호값은 복수의 유형에 따른 값을 포함할 수 있다. 본 개시에 있어서 '레이더 신호값'은 '산란(scattering) 데이터'와 상호 교환되어 사용될 수 있다. 각 픽셀에 대한 레이더 신호값은 VV값, HH값, VH값, HV값을 포함할 수 있다. V는 vertical의 약자이고 H는 horizontal의 약자로 각각 전파 내 전기장의 방향을 의미한다. 즉, VV값은 수직 송신 및 수직 수신된 펄스파의 값을 의미한다. HH값은 수평 송신 및 수평 수신된 펄스파의 값을 의미한다. 마찬가지로 VH 값은 수직 송신 및 수평 수신된 펄스파의 값을 의미한다.

본 개시에 있어서 분해 연산은 연산의 방법 또는 연산의 대상이 되는 값의 유형에 따라 서로 다르게 구별되는 복수개의 분해 연산들을 포함할 수 있다. 본 개시에서 분해 연산은 이러한 복수개의 분해 연산을 포괄적으로 지칭하기 위해 사용되는 용어일 수 있다. 본 개시의 분해 연산은, 예를 들어 파울리 분해 연산(Pauli decomposition), 싱클레어 분해 연산(Sinclair decomposition), 카메론 분해연산(Cameron decomposition) 등을 포함할 수 있다. 전술한 분해 연산에 관한 예시는 일 예시에 불과할 뿐 다양한 분해 기법을 제한없이 포함한다.

본 개시에 있어서 분해 연산은 입력 레이더 이미지에 포함된 적어도 하나의 픽셀에 대한 산란(scattering) 데이터를 분해하는 연산을 포함할 수 있다. 산란 데이터는 예를 들어 수학식 1의 행렬과 같이 표현될 수 있다.

[수학식 1]

수학식 1에 있어서

는 임의의 한 픽셀에 대한 산란 데이터 행렬을 나타낸다.

의 표현은 X 방향 편광을 송신하고 Y 방향 편광을 수신했을 때의 값을 나타낸다.

본 개시의 일 실시예에 따라 프로세서(110)가 분해 연산에 기초하여 생성하는 편광 이미지는 광학 이미지일 수 있다. 편광 이미지는 RGB 이미지일 수 있다. RGB 이미지는 각 픽셀에 대해 RGB 값을 가질 수 있다. 각 픽셀은 각각의 Red, Green, Blue에 대응되는 값의 조합에 따라 색상이 결정될 수 있다. 예를 들어 (255, 0, 0)의 RGB값을 갖는 픽셀은 빨강색으로 결정될 수 있다. 또 다른 예를 들어 (238, 130, 238)의 RGB값을 갖는 픽셀은 보라색으로 결정될 수 있다. 전술한 RGB 값의 예시는 일 예시에 불과할 뿐 본 개시를 제한하지 않는다.

본 개시에 따른 편광 이미지를 만들기 위한 분해 연산의 제 1 실시예에 있어서, 입력 레이더 이미지에 포함된 복수의 픽셀들 각각에 대해, 프로세서(110)는 RGB값을 결정할 수 있다. 프로세서(110)는 픽셀의 산란 데이터로부터

의 값을 산출하여 해당 픽셀의 Red값을 결정할 수 있다. 프로세서(110)는 픽셀의 산란 데이터로부터

의 값을 산출하여 해당 픽셀의 Green값을 결정할 수 있다. 프로세서(110)는 픽셀의 산란 데이터로부터

의 값을 산출하여 Blue값을 결정할 수 있다. 프로세서(110)는 위와 같은 제 1 실시예에 따라 입력 레이더 이미지의 각 픽셀의 위치와 대응되는 편광 이미지 상의 픽셀의 RGB값을 결정할 수 있다.

본 개시에 따른 편광 이미지를 만들기 위한 분해 연산의 제 2 실시예에 있어서, 입력 레이더 이미지에 포함된 복수의 픽셀들 각각에 대해, 프로세서(110)는 RGB값을 결정할 수 있다. 프로세서(110)는 픽셀의 산란 데이터로부터

의 값을 산출하여 해당 픽셀의 Red값을 결정할 수 있다. 프로세서(110)는 픽셀의 산란 데이터로부터

의 값을 산출하여 해당 픽셀의 Green값을 결정할 수 있다. 프로세서(110)는 픽셀의 산란 데이터로부터

의 값을 산출하여 Blue값을 결정할 수 있다. 프로세서(110)는 위와 같은 제 2 실시예에 따라 입력 레이더 이미지의 각 픽셀의 위치와 대응되는 편광 이미지 상의 픽셀의 RGB값을 결정할 수 있다.

본 개시에 따른 편광 이미지를 만들기 위한 분해 연산의 제 3 실시예에 있어서, 입력 레이더 이미지에 포함된 복수의 픽셀들 각각에 대해 프로세서(110)는 RGB값을 결정할 수 있다. 프로세서(110)는 픽셀의 산란 데이터로부터

의 값을 산출하여 해당 픽셀의 Red값을 결정할 수 있다. 프로세서(110)는 픽셀의 산란 데이터로부터

의 값을 산출하여 해당 픽셀의 Green값을 결정할 수 있다. 프로세서(110)는 픽셀의 산란 데이터로부터

의 값을 산출하여 Blue값을 결정할 수 있다. 프로세서(110)는 위와 같은 제 3 실시예에 따라 입력 레이더 이미지의 각 픽셀의 위치와 대응되는 편광 이미지 상의 픽셀의 RGB값을 결정할 수 있다. 위 제 3 실시예에 따라 프로세서(110)가 입력 레이더 이미지로부터 편광 이미지를 생성할 경우, 본 개시에 따른 컴퓨팅 장치(100)는 각 픽셀에 대해 두가지 종류의 레이더 신호값만 갖는 입력 레이더 이미지에 대해서도 편광 이미지를 생성할 수 있다.

본 개시에 따른 편광 이미지를 만들기 위한 분해 연산의 제 4 실시예에 있어서, 입력 레이더 이미지에 포함된 복수의 픽셀들 각각에 대해 프로세서(110)는 아래의 수학식 2 내지 수학식 4에 기초하여 RGB값을 결정할 수 있다

[수학식 2]

[수학식 3]

[수학식 4]

수학식 2 내지 4에 표시된

는 실수값이다.

는 각각 픽셀별 산란 데이터로부터 수학식 2 내지 4에 표시된 수학식 중 상응하는 수학식에 따라 프로세서(110)에 의해 계산될 수 있다. 프로세서(110)는 수학식 2에 따라 계산된

값을 제곱하여 상응하는 픽셀의 Red값을 결정할 수 있다. 프로세서(110)는 수학식 4에 따라 계산된

값을 제곱하여 상응하는 픽셀의 Green값을 결정할 수 있다. 프로세서(110)는 수학식 3에 따라 계산된

값을 제곱하여 상응하는 픽셀의 Blue값을 결정할 수 있다. 프로세서(110)는 위와 같은 제 4 실시예에 따라 입력 레이더 이미지의 각 픽셀의 위치와 대응되는 편광 이미지 상의 픽셀의 RGB값을 결정할 수 있다.

전술한 바와 같이 프로세서(110)가 입력 레이더 이미지에 대해 분해 연산을 수행하여 편광 이미지를 생성하는 제 1 실시예 내지 제 4 실시예는 서로 다른 방식의 분해 연산에 기초하여 편광 이미지를 생성하는 다양한 예들에 불과할 뿐, 본 개시에 따른 편광 이미지 생성 방법을 제한하지 않는다. 본 개시는 입력 레이더 이미지에 대해 프로세서(110)가 임의의 분해 연산을 수행함으로써, 편광 이미지 상의 적어도 하나의 픽셀 각각에 대한 Red값, Green값, Blue값을 결정할 수 있는 다양한 방법들을 제한없이 포함한다.

본 개시의 일 실시예에 있어서 프로세서(110)는 입력 레이더 이미지에 기초하여 이미지 생성 모델을 통해 합성 이미지를 생성할 수 있다. 이미지 생성 모델은 인공 신경망에 기초한 모델일 수 있다. 이미지 생성 모델에 관하여는 도 2에서 설명한 내용과 중복되는 내용은 생략하고 차이점을 위주로 설명하도록 한다.

본 개시의 일 실시예에 있어서 이미지 생성 모델은 생성적 적대 신경망(Generative adversarial network, GAN) 학습 알고리즘에 기초하여 학습될 수 있다. 이미지 생성 모델은 별도의 이미지 판별 모델과 함께 상호 적대적으로 학습될 수 있다.

본 개시의 일 실시예에 있어서 이미지 생성 모델을 학습시키기 위한 학습 방법은, 레이더 이미지에 기초하여 생성된 편광 이미지로부터 이미지 생성 모델이 합성 이미지를 생성하는 단계 및 이미지 판별 모델이 광학 센서를 통해 촬영된 실제 광학 이미지와 이미지 생성 모델에 의해 생성된 합성 이미지를 판별하는 단계를 포함할 수 있다. 이미지 생성 모델 및 이미지 판별 모델은 적어도 하나 이상의 신경망 레이어를 포함할 수 있다. 이미지 생성 모델은 레이더 이미지에 기초하여 생성된 편광 이미지를 입력 받아 합성 이미지를 생성할 수 있다. 본 개시에 있어서 “실제 광학 이미지”는 “광학 렌즈에 의해 촬영된 RGB 이미지”와 상호 교환적으로 사용될 수 있다. 본 개시에 있어서 “합성 이미지”는 “이미지 생성 모델의 출력에 의해 생성되는 이미지”와 상호 교환적으로 사용될 수 있다. 프로세서(110)는 이미지 생성 모델을 통해 실제 광학 이미지와 유사한 스타일을 갖도록 합성 이미지를 생성할 수 있다. 이미지 판별 모델은 이미지 생성 모델에 의해 생성된 출력 이미지와 실제 광학 이미지를 잘 구별하기 위해 학습될 수 있다. 이 때 이미지 생성 모델은 이미지 판별 모델이 합성 이미지와 실제 광학 이미지를 서로 구별하지 못하도록 학습될 수 있다. 이와 같이 이미지 생성 모델과 이미지 판별 모델은 상호 적대적으로 학습될 수 있다. 이미지 판별 모델은 입력된 이미지에 대해 확신도를 산출한 후, 사전 결정된 임계값과 확신도를 비교함으로써 실제 광학 이미지 여부를 결정할 수 있다. 학습 과정에 있어서 이미지 판별 모델에 입력되는 이미지는 합성 이미지일 수 있고 실제 광학 이미지일 수도 있다. 상술한 바와 같은 이미지 생성 모델을 학습시키기 위한 생성적 적대 신경망 알고리즘에 대한 구체적인 추가 설명은 본 출원에서 전체가 참조로서 통합되는 선행 논문 “Jun-Yan Zhu, Taesung Park, Phillip Isola, Alexei A. Efros, 'Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks' arXiv:1703.10593, 2017”에서 보다 자세하게 논의된다.

본 개시의 일 실시예에 있어서 프로세서(110)가 입력 레이더 이미지에 기초하여 이미지 생성 모델을 통해 합성 이미지를 생성하는 단계는, 제 1 편광 이미지를 이미지 생성 모델에 입력하여 합성 이미지를 생성하는 단계를 포함할 수 있다. 프로세서(110)는 이미지 생성 모델의 입력 데이터를 위해 입력 레이더 이미지를 RGB 이미지로 변환할 수 있다. 프로세서(110)는 입력 레이더 이미지를 RGB 이미지로 변환하기 위해 입력 레이더 이미지에 대해 제 1 분해 연산을 수행하여 제 1 편광 이미지를 생성할 수 있다. 그리고 프로세서(110)는 이렇게 생성된 제 1 편광 이미지를 이미지 생성 모델에 입력하여 합성 이미지를 생성할 수 있다.

본 개시의 일 실시예에 있어서 프로세서(110)가 입력 레이더 이미지에 기초하여 이미지 생성 모델을 통해 합성 이미지를 생성하는 단계는, 입력 레이더 이미지에 대해 제 2 분해 연산을 수행하여 제 2 편광 이미지를 생성하는 단계 및 제 2 편광 이미지를 이미지 생성 모델에 입력하여 합성 이미지를 생성하는 단계를 포함할 수 있다. 이 때, 제 2 분해 연산은 프로세서(110)가 제 1 편광 이미지를 생성하기 위해 수행한 제 1 분해 연산과 서로 상이한 알고리즘에 기초할 수 있다. 예를 들어, 프로세서(110)가 제 1 편광 이미지를 생성하기 위해 수행하는 제 1 분해 연산은 입력 레이더 이미지에 포함된 레이더 신호 중 VV값과 HH값에 기초할 수 있다. 이 때 프로세서(110)가 제 2 편광 이미지를 생성하기 위해 수행하는 제 2 분해 연산은 입력 레이더 이미지에 포함된 레이더 신호 중 HH값과 VH값에 기초할 수 있다. 이처럼 제 1 분해 연산과 제 2 분해 연산은 그 연산 수행의 대상이 되는 신호값의 종류에 따라 구분될 수 있다. 추가적인 예를 들어, 제 1 분해 연산은 파울리 분해 연산에 기초하고 제 2 분해 연산은 카메론(Cameron) 분해 연산에 기초할 수 있다. 이처럼 제 1 분해 연산과 제 2 분해 연산은 그 연산의 수행 방법에 따라 구분될 수도 있다. 전술한 제 1 분해 연산과 제 2 분해 연산의 예시는 설명을 위한 일 예시에 불과할 뿐 본 개시를 제한하지 않는다.

본 개시에 따른 프로세서(110)는 학습된 뉴럴 네트워크 기반 검출 모델에 기초하되, 제 1 편광 이미지와 합성 이미지에 추가적으로 기초하여 입력 이미지에서 목표 물체와 관련된 제 1 결과 정보를 생성할 수 있다.

상술한 바와 같이 프로세서(110)는 제 1 편광 이미지와는 상이한 분해 연산에 기초하여 생성된 제 2 편광 이미지에 기반하여 합성 이미지를 생성할 수 있다. 제 1 편광 이미지와 서로 다른 제 2 편광 이미지에 기초하여 합성 이미지를 생성할 경우, 프로세서(110)는 입력 레이더 이미지를 서로 다르게 처리한 데이터에 기초하여 결과 정보를 생성할 수 있다는 장점을 갖는다. 구체적으로, 프로세서(110)가 제 1 편광 이미지 그리고 제 1 편광 이미지에 기초하여 생성된 합성 이미지를 중첩하여 결과 정보를 생성할 경우, 제 2 편광 이미지를 위한 추가 연산이 소요되지 않으므로 연산 속도는 증가될 수 있으나, 제 1 편광 이미지에 의해서만 데이터가 생성되므로, 편향된 결과 정보가 생성될 수 있다. 반면, 프로세서(110)가 제 1 편광 이미지 그리고 제 2 편광 이미지에 기초하여 생성된 합성 이미지를 중첩하여 결과 정보를 생성할 경우, 서로 다른 분해 연산의 관점에서 생성된 상이한 편광 이미지를 통해 입력 레이더 이미지를 해석하게 되므로 단일 분해 연산에 기초한 해석보다 정확한 결과 정보를 얻을 수 있는 효과가 있다.

본 개시에 따른 프로세서(110)는 제 1 편광 이미지와 합성 이미지를 중첩하여 검출 모델에 입력함으로써 제 1 결과 정보를 생성할 수 있다.

본 개시의 일 실시예에 있어서, 프로세서(110)는 제 1 편광 이미지와 합성 이미지 각각의 동일 좌표에 위치하는 두 픽셀의 RGB값에 대해 덧셈 연산 또는 뺄셈 연산을 수행함으로써 제 1 편광 이미지와 합성 이미지를 중첩할 수 있다. 다른 실시예에 있어서, 프로세서(110)는 제 1 편광 이미지와 합성 이미지 각각의 동일 좌표에 위치하는 두 픽셀의 RGB값에 대해 평균값을 계산함으로써 제 1 편광 이미지와 합성 이미지를 중첩할 수 있다. 또 다른 실시예에 있어서, 프로세서(110)는 제 1 편광 이미지와 합성 이미지 각각의 동일 좌표에 위치하는 두 픽셀의 RGB값에 대해 가중합 연산을 수행함으로써 제 1 편광 이미지와 합성 이미지를 중첩할 수 있다. 프로세서(110)는 가중합 연산을 수행하기 위해 제 1 편광 이미지와 합성 이미지의 RGB 값의 비율을 적절히 선택할 수 있다.

본 개시에서 제 1 편광 이미지와 합성 이미지를 중첩하기 위한 일 실시예에 있어서, 프로세서(110)는 제 1 편광 이미지와 합성 이미지를 순차 결합하여 결합 이미지를 생성할 수 있다. 프로세서(110)는 두 이미지를 각 이미지 데이터의 채널 축 방향으로 순차 결합할 수 있다. 예를 들어, 제 1 편광 이미지의 가로 길이가 W, 세로 길이가 H, 채널의 수가 C1이고, 합성 이미지의 가로 길이가 W, 세로 길이가 H, 채널의 수가 C2인 경우, 프로세서(110)는 제 1 편광 이미지와 합성 이미지를 채널 방향으로 순차 결합함으로써 가로 길이가 W, 세로 길이가 H이고, 채널의 수가 (C1+C2)인 결합 이미지를 생성할 수 있다. RGB 이미지를 표현하기 위해 C1, C2 값이 모두 3인 경우, 프로세서(110)는 제 1 편광 이미지와 합성 이미지를 순차 결합하여 채널의 크기가 6인 결합 이미지를 생성할 수 있다. 이와 같이 프로세서(110)가 제 1 편광 이미지와 합성 이미지를 순차 결합하여 결합 이미지를 생성한 후 검출 모델에 입력하게 되면, 검출 모델은 입력 레이더 이미지의 기초 정보가 비교적으로 많이 보존되어 있는 편광 이미지 및 입력 레이더 이미지 내에 존재하는 각 물체의 윤곽 또는 색상에 대한 보조 정보가 많이 존재하는 합성 이미지를 동시에 입력 받을 수 있는 효과가 있다. 즉, 검출 모델은, 프로세서(110)에 의해, 편광 이미지와 합성 이미지 각각에 존재하는 정보가 손상되지 않은 채로 독립적으로 입력 받게 됨으로써, 보다 정확한 결과 정보를 산출할 수 있다. 이하에서는 도 9를 참조하여 본 개시에 따라 제 1 편광 이미지 및 합성 이미지에 기초하여 검출 모델을 통해 제 1 결과 정보를 생성할 경우의 효과를 서술한다.

도 9는 이미지 처리의 각 단계에 따른 이미지의 상태를 나타낸 예시도이다. 입력 레이더 이미지(903)는 수신된 레이더 신호의 크기에 따라 픽셀별로 서로 다른 밝기를 갖도록 도시될 수 있다. 원본 영상(901)은 촬영 대상을 광학 렌즈로 촬영한 영상일 수 있다. 원본 영상(901)은 촬영 결과에 따라 픽셀별로 서로 다른 색상을 갖도록 도시될 수 있다. 도 9에 도시된 입력 레이더 이미지(903)는 원본 영상(301)에 해당하는 지역을 레이더 장비로 촬영한 경우의 영상을 나타낸다. 편광 이미지(905)는 프로세서(110)에 의해 입력 레이더 이미지(903)에 대해 분해 연산이 수행된 결과 생성된 이미지일 수 있다. 합성 이미지(907)는 입력 레이더 이미지(903)에 기초하여 이미지 생성 모델을 통해 생성된 이미지일 수 있다. 합성 이미지(907)는 편광 이미지(905)를 이미지 생성 모델에 입력한 결과 생성된 이미지일 수 있다. 합성 이미지(907)는 편광 이미지(905)를 생성하기 위한 분해 연산과 서로 다른 분해 연산을 입력 레이더 이미지(903)에 대해 수행한 결과로서 획득된 RGB 이미지로부터 생성될 수도 있다.

본 개시에 따를 경우, 프로세서(110)는 편광 이미지(905)와 합성 이미지(907)를 중첩하여 검출 모델에 입력함으로써 입력 레이더 이미지(903)에 대해 보다 정확한 결과 정보를 획득할 수 있다. 우선, 각각의 이미지 특성은 다음과 같다. 단순한 편광 이미지(905)는 레이더 영상에 대해 분해 연산을 수행하여 획득되므로, 입력 레이더 이미지(903) 내에서 비슷한 레이더 신호 값의 크기를 갖는 영역들은 편광 이미지(905) 내에서 서로 유사한 RGB 값을 갖게 된다. 그러나, 레이더 신호 값은 물체 또는 객체에 따라 구별되는 것이 아니라 표면 특성에 따라 구별되는 값이므로, 편광 이미지(905) 내에서 유사한 RGB값을 갖는 영역의 집합이 특정 객체를 나타내지 않는다는 문제점이 존재한다. 예를 들어 도 9의 편광 이미지(905)를 참조할 경우, 같은 '건물'에 해당함에도 불구하고 각 영역의 RGB값이 다름을 확인할 수 있다. 이러한 문제의 원인은, 레이더 신호 값에 대해 분해 연산을 수행하고 특정 계산의 결과를 각각 Red, Green, Blue로 할당하는 편광 이미지(905) 생성 방식에 있을 수 있다. 따라서, 프로세서(110)는 편광 이미지(905)만으로는, 입력 레이더 이미지(903)으로부터 유의미한 결과 정보를 제대로 생성하지 못할 수 있다.

한편, 이미지 생성 모델을 통해 생성된 합성 이미지(907)는 객체별로 서로 다른 RGB값을 부여하므로 RGB값에 따른 객체의 구별 또는 검출이 편광 이미지(905)보다 용이할 수 있다. 구체적으로, 합성 이미지(907)는 건물 지붕, 도로, 나무 등이 서로 다른 RGB값을 가지고 있으며, 이는 프로세서(110)로 하여금 편광 이미지(905)와 비교하여 보다 용이하게 객체의 경계를 결정하거나 객체를 검출할 수 있게 하는 효과를 갖는다. 다만, 프로세서(110)가 합성 이미지(907)만을 사용하여 검출 모델을 통해 결과 정보를 생성할 경우, 입력 레이더 이미지(903)에 대한 추가적인 처리로 인해 정보가 왜곡되어 정확한 결과 정보를 생성할 수 없을 수 있다.

따라서 본 개시의 프로세서(110)는 입력 레이더 이미지(903)의 데이터를 잘 보존하고 있으나 노이즈가 심한 편광 이미지(905) 및 입력 레이더 이미지 내의 물체의 윤곽, 색상 정보 등을 알려주어 결과 정보를 생성하는데 보조적인 역할을 하는 합성 이미지(907)를 중첩하여 검출 모델에 입력함으로써, 입력 레이더 이미지(903)에 대해 보다 정확한 결과 정보를 생성하는 방법을 개시한다. 프로세서(110)는 편광 이미지(905)와 합성 이미지(907)를 순차 결합하여 검출 모델에 입력함으로써, 입력 레이더 이미지에 포함된 목표 물체의 정확한 위치 정보는 편광 이미지(905)로부터 획득하고, 입력 레이더 이미지에 포함된 목표 물체의 윤곽 정보 또는 색상 정보는 합성 이미지(907)로부터 획득할 수 있다. 그 결과, 프로세서(110)는 입력 레이더 이미지(903)로부터 보다 정확하게 목표 물체를 검출해낼 수 있다.

본 개시의 일 실시예에 따른 프로세서(110)는 제 1 결과 정보에 기초하여, 입력 이미지 내에서 서로 겹치지 않는 둘 이상의 목표 물체들 각각의 개별 영역과 관련된 제 2 결과 정보를 생성할 수 있다. 프로세서(110)는 제 1 결과 정보에 기초하여 서로 구분되는 둘 이상의 목표 물체들 각각의 개별 영역을 결정할 수 있다. 입력 이미지 내에서 목표 물체에 해당하는 픽셀과 목표 물체에 해당하지 않는 픽셀이 서로 다른 값을 갖도록 생성된 제 1 결과 정보로부터, 프로세서(110)는 제 2 결과 정보를 생성할 수 있다. 프로세서(110)는 제 1 결과 정보로부터 watershed 알고리즘에 기초하여 제 2 결과 정보를 생성할 수 있다. Watershed 알고리즘에 대한 구체적인 추가 설명은 본 출원에서 전체가 참조로서 통합되는 선행 논문 “Min Bai, Raquel Urtasun, 'Deep Watershed Transform for Instance Segmentation', In CVPR, 2017”에서 보다 자세하게 논의된다.

도 6은 본 개시의 일 실시예에 따라, 제 2 결과 정보에 기초하여 서로 겹치지 않는 둘 이상의 목표 물체들 각각의 개별 영역을 구분한 결과를 시각적으로 도시한 예시도이다. 프로세서(110)는 도 5에 도시된 단채널 출력 데이터()로부터, 도 6에 도시된 바와 같이 둘 이상의 목표 물체들 각각의 개별 영역을 구분하는 인스턴스별 출력 데이터(600)를 생성할 수 있다. 프로세서(110)는 단채널 출력 데이터()에 대해 Watershed 알고리즘 연산을 수행함으로써 인스턴스별 출력 데이터()를 생성할 수 있다. 단채널 출력 데이터()는 본 개시 내용의 설명을 위한 예시로서, 도 4의 입력 이미지(510)에 대해 생성된 출력 데이터이다. 인스턴스별 출력 데이터() 또한 단채널 출력 데이터()로부터 생성될 수 있으므로 도 4의 입력 이미지(510)에 대해 생성된 출력 데이터이다. 이 때 단채널 출력 데이터()는 목표 물체들이 서로 구별되더라도 목표 물체에 대해 동일한 픽셀값을 가지고 있을 수 있다. 반면, 인스턴스별 출력 데이터()는 서로 겹치지 않는 둘 이상의 목표 물체들 각각에 대해 서로 다른 픽셀값을 가지고 있을 수 있다. 예를 들어, 제 1 목표 인스턴스(610)에 대해서는 '1', 제 2 목표 인스턴스(630)에 대해서는 '2'의 값을 가지고 있을 수 있다. 전술한 예시는 설명을 위한 일 예시일 뿐 본 개시를 제한하지 않는다. 전술한 바와 같이 제 2 결과 정보를 생성함으로써 입력 이미지에 포함된 복수의 목표 물체들 각각에 대해 서로 다른 픽셀값을 부여할 경우, 프로세서(110)는 각각의 목표 물체들에 ID 정보를 부여할 수 있다. 개별 목표 물체들에 고유한 값인 ID가 부여될 경우, 프로세서(110)는 개별 목표 물체의 시간에 따른 변화를 개별적으로 관리할 수 있다.

본 개시의 일 실시예에 따른 프로세서(110)는 제 2 결과 정보에 기초하여 둘 이상의 목표 물체들 각각에 대한 개별 윤곽 정보를 연산할 수 있다. 프로세서(110)는 제 2 결과 정보에 기초하여 각각의 목표 물체들에 대한 개별 윤곽 정보를 연산할 수 있다. 본 개시에 따른 개별 윤곽 정보는 제 2 결과 정보 및 제 1 결과 정보를 생성하기 위한 과정에서 생성된 다채널 출력 데이터에 기초하여 연산될 수 있다. 구체적으로, 프로세서(110)는 제 2 결과 정보를 제 1 결과 정보에 기초하여 생성하고, 제 1 결과 정보는 프로세서(110)가 뉴럴 네트워크 기반 검출 모델을 통해 연산을 수행함으로써 생성된다. 이때, 제 1 결과 정보는 검출 모델이 생성하는 다채널 출력 데이터에 기초하여 생성된다. 다채널 출력 데이터의 제 1 채널은 목표 물체의 윤곽 정보를 포함하므로, 프로세서(110)는 제 2 결과 정보로부터 각 물체의 고유 ID를 확인하고, 다채널 출력 데이터의 제 1 채널로부터 확인된 고유 ID 물체에 상응하는 목표 물체의 윤곽 정보를 획득할 수 있다. 프로세서(110)는 제 2 결과 정보에 기초하여 개별 윤곽 정보를 연산한 후, 개별 목표 물체에 대한 개별 윤곽 정보를 메모리(130)에 저장할 수 있다. 시간 순서에 따라 메모리(130)에 개별 윤곽 정보가 저장될 경우, 프로세서(110)는 시간 순서에 따른 개별 윤곽 정보로부터 각각의 고유 ID를 갖는 목표 물체의 외형 변화를 추적할 수 있는 효과를 갖는다.

도 7은 본 개시의 실시예에 따라 컴퓨팅 장치가 입력 이미지로부터 목표 물체를 검출하기 위한 과정의 흐름도이다. 도 7에 서술된 여러 단계들 중 일부 단계만이 목표 물체 검출 방법의 각 단계를 구성할 수도 있고, 목표 물체 검출 방법에 추가적인 단계가 추가될 수도 있음은 통상의 기술자에게 자명할 것이다. 프로세서(110)는 단계 S710에서, 입력 이미지를 수신할 수 있다. 입력 이미지는 컴퓨팅 장치(100)의 입력부를 통해 수신될 수도 있고, 컴퓨팅 장치(100)의 네트워크부(150)를 통해 외부의 장치로부터 수신될 수도 있다. 프로세서(110)는 단계 S730에서, 학습된 뉴럴 네트워크 기반 검출 모델을 이용하여 입력 이미지에서 목표 물체와 관련된 제 1 결과 정보를 생성할 수 있다. 학습된 뉴럴 네트워크 기반 검출 모델은 복수의 채널을 갖는 GT 데이터에 기초하여 학습될 수 있다. GT 데이터에 포함된 복수의 채널들은 목표 물체의 윤곽 정보를 포함하는 제 1 채널, 서로 다른 두 목표 물체들 사이의 인접한 영역에 관한 인접 영역 정보를 포함하는 제 2 채널 및 목표 영역 정보를 포함하는 제 3 채널 중 적어도 둘 이상으로 구성될 수 있다. 프로세서(110)는 학습된 검출 모델을 이용하여 입력 이미지로부터 다채널 출력 데이터를 생성할 수 있다. 다채널 출력 데이터는 검출 모델을 학습시킨 GT 데이터에 포함된 채널의 구성에 따라 목표 물체의 윤곽 정보를 포함하는 제 1 채널, 서로 다른 두 목표 물체들 사이의 인접한 영역에 관한 인접 영역 정보를 포함하는 제 2 채널 및 목표 영역 정보를 포함하는 제 3 채널 중 적어도 둘 이상의 상응하는 채널을 포함할 수 있다. 프로세서(110)는 다채널 출력 데이터로부터 단채널 출력 데이터를 생성하고 이에 기초하여 제 1 결과 정보를 생성할 수 있다. 예를 들어, 프로세서(110)는 다채널 출력 데이터에 포함된 제 1 채널 또는 제 2 채널에 기초하여 제 3 채널에 포함된 픽셀 값을 조절함으로써 단채널 출력 데이터를 생성할 수 있다. 프로세서(110)는 단계 S750에서, 제 1 결과 정보에 기초하여 입력 이미지 내에서 서로 겹치지 않는 둘 이상의 목표 물체들 각각의 개별 영역과 관련된 제 2 결과 정보를 생성할 수 있다. 제 2 결과 정보는 서로 겹치지 않는 둘 이상의 목표 물체들 각각의 개별 영역과 관련된 정보를 포함할 수 있다. 프로세서(110)는 제 1 결과 정보에 watershed 알고리즘을 적용함으로써 제 2 결과 정보를 생성할 수 있다. 제 1 결과 정보는 프로세서(110)가 입력 이미지에 대해 시맨틱 세그멘테이션 작업을 수행한 결과 생성된 정보일 수 있다. 제 2 결과 정보는 프로세서(110)가 제 1 결과 정보에 기초하여 입력 이미지에 대해 인스턴스 세그멘테이션 작업을 수행한 결과 생성된 정보일 수 있다. 프로세서(110)는 제 2 결과 정보에 기초하여 둘 이상의 목표 물체들 각각에 대해 고유 ID를 부여할 수 있다. 프로세서(110)는 단계 S770에서, 제 2 결과 정보에 기초하여 둘 이상의 목표 물체들 각각에 대한 개별 윤곽 정보를 연산할 수 있다. 프로세서(110)는 연산된 개별 윤곽 정보에 기초하여 각각의 고유 ID를 갖는 개별 목표 물체들의 외형 변화를 탐지할 수 있다.

도 8은 본 개시의 실시예에 따라 컴퓨팅 장치가 입력 이미지에 대해 수행하는 전처리 과정에 대한 흐름도이다. 도 8에 도시된 전처리 과정의 각 단계는 입력 이미지가 레이더 신호에 기초하여 생성된 레이더 이미지인 경우 프로세서(110)에 의해 수행될 수 있다. 프로세서(110)는 단계 S810에서, 입력 이미지에 대해 제 1 분해 연산을 수행하여 제 1 편광 이미지를 생성할 수 있다. 프로세서(110)는 단계 S830에서, 입력 이미지에 기초하여 이미지 생성 모델을 통해 합성 이미지를 생성할 수 있다. 이미지 생성 모델은 입력된 이미지를 실제 광학 이미지와 유사한 스타일을 갖도록 변환하는 작업을 수행하는 뉴럴 네트워크 기반 모델일 수 있다. 이미지 생성 모델은 생성적 적대 신경망 알고리즘에 기초하여 학습될 수 있다. 합성 이미지는 제 1 편광 이미지를 이미지 생성 모델에 입력한 결과 생성될 수 있다. 합성 이미지는 제 2 편광 이미지를 이미지 생성 모델에 입력한 결과 생성될 수도 있다. 이 때, 제 2 편광 이미지는 제 1 편광 이미지와 서로 상이한 알고리즘에 기초할 수 있다. 단계 S810 및 단계 S830은 서로 순차적 또는 병렬적으로 프로세서(110)에 의해 수행될 수 있다. 프로세서(110)는 단계 S850에서, 학습된 뉴럴 네트워크 기반 검출 모델에 기초하되, 제 1 편광 이미지 및 합성 이미지에 추가적으로 기초하여 입력 이미지에서 목표 물체와 관련된 제 1 결과 정보를 생성할 수 있다. 프로세서(110)는 제 1 편광 이미지와 합성 이미지를 중첩하여 검출 모델에 입력함으로써 제 1 결과 정보를 생성할 수 있다. 프로세서(110)는 제 1 편광 이미지와 합성 이미지를 순차 결합하여 생성된 결합 이미지를 검출 모델에 입력할 수도 있다.

도 10은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다. 본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (14)

1. 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 목표 물체 검출 방법으로서,
   입력 이미지를 수신하는 단계; 및
   적어도 하나의 학습 이미지 및 상기 학습 이미지 각각에 대응되는 GT(Ground Truth) 데이터를 포함하는 학습 데이터셋에 기초하여 학습된 뉴럴 네트워크(neural network) 기반 검출 모델에 기초하여 상기 입력 이미지에서 목표 물체와 관련된 제 1 결과 정보를 생성하는 단계;
   를 포함하고,
   상기 GT 데이터는, 서로 다른 목표 물체들 사이의 인접한 영역에 관한 인접 영역 정보를 포함하는 채널을 포함하는,
   목표 물체 검출 방법.
   
2. 삭제
3. 제 1 항에 있어서,
   상기 학습 데이터셋은,
   적어도 하나의 기존 학습 이미지-GT 데이터 쌍으로부터 복수의 신규 학습 이미지-GT 데이터 쌍들을 생성하는 증분 연산에 기초하여 생성되며,
   상기 검출 모델의 학습을 위해 검출 모델에 입력되기 이전에 생성되는,
   목표 물체 검출 방법.
   
4. 제 1 항에 있어서,
   상기 GT 데이터는,
   목표 물체의 윤곽 정보를 포함하는 채널;
   을 더 포함하는,
   목표 물체 검출 방법.
   
5. 삭제
6. 제 1 항에 있어서,
   상기 GT 데이터는,
   목표 물체의 윤곽 정보를 포함하는 채널; 및
   목표 영역 정보를 포함하는 채널;
   을 더 포함하는,
   목표 물체 검출 방법.
   
7. 제 1 항에 있어서,
   상기 제 1 결과 정보를 생성하는 단계는,
   상기 검출 모델에 의해 상기 입력 이미지로부터 생성된 다채널(multi-channel) 출력 데이터에 기초하여 단채널(single-channel) 출력 데이터를 생성하는 단계;
   를 포함하는,
   목표 물체 검출 방법.
   
8. 제 7 항에 있어서,
   상기 단채널 출력 데이터를 생성하는 단계는,
   상기 다채널 출력 데이터의 제 1 채널 또는 제 2 채널 중 적어도 하나의 채널에 기초하여 제 3 채널에 포함된 값을 조절하는 단계;
   를 포함하되,
   상기 다채널 출력 데이터는,
   목표 물체의 윤곽 정보를 포함하는 제 1 채널;
   서로 다른 두 목표 물체들 사이의 인접한 영역에 관한 인접 영역 정보를 포함하는 제 2 채널; 및
   목표 영역 정보를 포함하는 제 3 채널;
   을 포함하는,
   목표 물체 검출 방법.
   
9. 제 8 항에 있어서,
   상기 조절하는 단계는,
   상기 제 3 채널에서, 상기 제 1 채널에 기초하여 결정된 윤곽과 대응되는 영역에 할당된 값의 적어도 일부를 배경값으로 변경하는 단계; 및
   상기 제 3 채널에서, 상기 제 2 채널에 기초하여 결정된 인접 영역과 대응되는 영역에 할당된 값의 적어도 일부를 배경값으로 변경하는 단계;
   를 포함하는,
   목표 물체 검출 방법.
   
10. 제 1 항에 있어서,
    상기 입력 이미지에 대해 제 1 분해(decomposition) 연산을 수행하여 제 1 편광 이미지를 생성하는 단계; 및
    상기 입력 이미지에 기초하여 이미지 생성 모델을 통해 합성 이미지를 생성하는 단계;
    를 더 포함하며, 그리고
    상기 제 1 결과 정보를 생성하는 단계는:
    상기 제 1 편광 이미지 및 상기 합성 이미지에 추가적으로 기초하여, 상기 입력 이미지에서 목표 물체와 관련된 제 1 결과 정보를 생성하는 단계;
    를 포함하는,
    목표 물체 검출 방법.
    
11. 제 1 항에 있어서,
    상기 제 1 결과 정보에 기초하여, 상기 입력 이미지 내에서 서로 겹치지 않는 둘 이상의 목표 물체들 각각의 개별 영역과 관련된 제 2 결과 정보를 생성하는 단계;
    를 더 포함하는,
    목표 물체 검출 방법.
    
12. 제 11 항에 있어서,
    상기 제 2 결과 정보에 기초하여 상기 둘 이상의 목표 물체들 각각에 대한 개별 윤곽 정보를 연산하는 단계;
    를 더 포함하는,
    목표 물체 검출 방법.
    
13. 컴퓨터 판독가능한 저장매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 목표 물체를 검출하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
    입력 이미지를 수신하는 동작; 및
    적어도 하나의 학습 이미지 및 상기 학습 이미지 각각에 대응되는 GT(Ground Truth) 데이터를 포함하는 학습 데이터셋에 기초하여 학습된 뉴럴 네트워크(neural network) 기반 검출 모델에 기초하여 상기 입력 이미지에서 목표 물체와 관련된 제 1 결과 정보를 생성하는 동작;
    을 포함하고,
    상기 GT 데이터는, 서로 다른 목표 물체들 사이의 인접한 영역에 관한 인접 영역 정보를 포함하는 채널을 포함하는,
    컴퓨터 판독가능한 저장매체에 저장된 컴퓨터 프로그램.
    
14. 목표 물체 검출 장치로서,
    하나 이상의 프로세서;
    하나 이상의 메모리; 및
    네트워크부;
    를 포함하며, 그리고
    상기 하나 이상의 프로세서는,
    입력 이미지를 수신하고, 그리고
    적어도 하나의 학습 이미지 및 상기 학습 이미지 각각에 대응되는 GT(Ground Truth) 데이터를 포함하는 학습 데이터셋에 기초하여 학습된 뉴럴 네트워크(neural network) 기반 검출 모델에 기초하여 상기 입력 이미지에서 목표 물체와 관련된 제 1 결과 정보를 생성하며,
    상기 GT 데이터는, 서로 다른 목표 물체들 사이의 인접한 영역에 관한 인접 영역 정보를 포함하는 채널을 포함하는,
    목표 물체 검출 장치.
    
    

Images