KR102326278B1 - 자율주행 차량 레벨4를 충족하기 위해 영역의 클래스에 따라 모드를 전환하기 위하여 그리드 생성기를 이용하는 뉴럴 네트워크 연산 방법 및 이를 이용한 장치 - Google Patents

자율주행 차량 레벨4를 충족하기 위해 영역의 클래스에 따라 모드를 전환하기 위하여 그리드 생성기를 이용하는 뉴럴 네트워크 연산 방법 및 이를 이용한 장치 Download PDF

Info

Publication number
KR102326278B1
KR102326278B1 KR1020190119527A KR20190119527A KR102326278B1 KR 102326278 B1 KR102326278 B1 KR 102326278B1 KR 1020190119527 A KR1020190119527 A KR 1020190119527A KR 20190119527 A KR20190119527 A KR 20190119527A KR 102326278 B1 KR102326278 B1 KR 102326278B1
Authority
KR
South Korea
Prior art keywords
test
neural network
information
specific
learning
Prior art date
Application number
KR1020190119527A
Other languages
English (en)
Other versions
KR20200091320A (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 KR20200091320A publication Critical patent/KR20200091320A/ko
Application granted granted Critical
Publication of KR102326278B1 publication Critical patent/KR102326278B1/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
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G06K9/00791—
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

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

Abstract

본 발명은 자율주행차 레벨4를 충족하기 위해 영역의 클래스에 따라 모드를 전환하기 위하여 그리드 생성기를 이용한 뉴럴 네트워크 연산 방법에 있어서, 컴퓨팅 장치가 (a) 검출기로 하여금 테스트용 객체의 위치 정보와 클래스 정보를 획득하도록 하는 단계, (b) 그리드 생성기로 하여금, 상기 테스트용 객체의 위치 정보를 참조로 하여 섹션 정보를 생성하도록 하는 단계, (c) 뉴럴 네트워크로 하여금, (i) 각각의 테스트용 비객체와 상기 각각의 테스트용 비객체를 포함하는 상기 서브섹션에, 또는 (ii) 상기 각각의 서브섹션 내에서 상기 각각의 테스트용 비객체가 위치하는 각각의 서브영역에 적용하는 데 사용될 테스트용 파라미터를 결정하도록 하는 단계, 및 (d) 상기 뉴럴 네트워크로 하여금, 상기 테스트용 테스트 이미지에 상기 뉴럴 네트워크 연산을 적용함으로써 뉴럴 네트워크 결과를 출력하도록 하는 단계를 포함하는 방법이 개시된다.

Description

자율주행 차량 레벨4를 충족하기 위해 영역의 클래스에 따라 모드를 전환하기 위하여 그리드 생성기를 이용하는 뉴럴 네트워크 연산 방법 및 이를 이용한 장치{METHOD AND DEVICE OF NEURAL NETWORK OPERATIONS USING A GRID GENERATOR FOR CONVERTING MODES ACCORDING TO CLASSES OF AREAS TO SATISFY LEVEL 4 OF AUTONOMOUS VEHICLES}
본 발명은 자율주행 차량 레벨4를 충족하기 위해, 테스트 이미지 내 영역의 클래스에 따라 모드를 전환하기 위하여 그리드 생성기를 이용하는 뉴럴 네트워크 연산 방법에 관한 것으로, 보다 상세하게는, 상기 그리드 생성기를 이용한 상기 뉴럴 네트워크 연산 방법에 있어서, (a) 상기 테스트 이미지가 획득되면, 검출기로 하여금, 상기 테스트 이미지 상에 존재하는 테스트용 비객체(non-object)와 테스트용 객체를 검출하여, 상기 테스트 이미지 상에 상기 테스트용 객체가 어디에 있는지에 관한 정보를 포함하는 테스트용 객체 위치 정보와 상기 테스트 이미지 상에 존재하는 상기 테스트용 비객체의 클래스에 관한 정보를 포함하는 상기 테스트용 비객체의 클래스 정보를 획득하도록 하는 단계; (b) 그리드 생성기로 하여금, 상기 테스트용 객체 위치 정보를 참조로 하여 상기 테스트 이미지 내의 복수의 서브섹션에 관한 정보를 포함하는 섹션 정보를 생성하도록 하는 단계; (c) 뉴럴 네트워크로 하여금, 상기 뉴럴 네트워크 연산을 (i) 각각의 상기 테스트용 객체와 이에 대응되는 상기 테스트용 비객체를 포함하는 상기 서브섹션 중 적어도 일부에, 또는 (ii) 상기 서브섹션 중 상기 적어도 일부 내에서 상기 각각의 테스트용 비객체가 위치하는 각각의 서브영역에 적용하는 데 사용될 테스트용 파라미터를 결정하되, 상기 각각의 테스트용 비객체의 상기 클래스 정보와 동일 또는 유사한 클래스 정보를 가지는 각각의 학습용 비객체에 대한 정보를 사용하여 학습된 학습용 파라미터를 참조로 하여 결정하도록 하는 단계; 및 (d) 상기 뉴럴 네트워크로 하여금, 상기 서브섹션 중 상기 적어도 일부 각각에 대응하는 상기 각각의 테스트용 파라미터를 이용하여, 상기 뉴럴 네트워크 연산을 상기 테스트 이미지에 적용함으로써 하나 이상의 뉴럴 네트워크 결과를 출력하도록 하는 단계;를 포함하는 방법 및 이를 이용한 장치에 관한 것이다.
딥 컨벌루션 뉴럴 네트워크(Deep Convolutional Neural Network or Deep CNN)는 딥 러닝 분야에서 일어난 눈부신 발전의 핵심이다. CNN은 글자 식별 문제를 해결하기 위해 90년대에도 사용되었지만, 근래에 들어서야 기계 학습(Machine Learning) 분야에서 널리 쓰이게 되었다. 예를 들어, CNN은 2012년에 이미지 인식 경진대회(ImageNet Large Scale Visual Recognition Challenge)에서 다른 경쟁 상대를 제치고 우승을 차지했다. 그 후, CNN은 기계 학습 분야에서 매우 유용한 툴로 쓰이게 되었다.
한편, CNN은 자율 주행 분야에서도 널리 사용된다. 자율 주행 환경에서 대부분의 입력 이미지는 주로 입력 이미지 가운데에 차도를 포함하고 좌우측에 인도를 포함하는 등의 전형적이고 유사한 배열을 갖는다. 따라서 자율 주행용 CNN은 입력 이미지의 구성요소와 같이 전형적인 배열, 예를 들어 전형적인 구성요소를 지닌 트레이닝 이미지를 이용하여 파라미터를 학습하게 된다.
그러나 상기에 언급한 학습 프로세스에는 큰 결점이 있다. 바로, 입력 이미지의 배열이 트레이닝 이미지의 전형적인 배열과 상이한 경우 CNN 연산이 비효율적이라는 점이다. 가령, 코너를 도는 경우, 전형적인 배열이 지닌 트레이닝 이미지와는 다르게 테스트 이미지 가운데 차도가 없을 것이고, CNN 파라미터는 이미지 가운데에 차도가 있는 입력 이미지에 최적화 되어있으므로, 상기 언급된 파라미터로는 테스트 이미지를 제대로 연산할 수 없다.
본 발명은 상술한 문제점을 해결하는 것을 목적으로 한다.
본 발명은 하나 이상의 테스트용 비객체에 대한 클래스 정보 또는 서브섹션 중 적어도 일부 각각에 포함되는 하나 이상의 테스트용 객체에 대한 클래스 정보를 참조로 하여, 테스트용 파라미터를 결정하는 방법을 제공함으로써, 최적화된 뉴럴 네트워크 결과를 출력하는 것을 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, 그리드 생성기를 이용한 뉴럴 네트워크 연산 방법에 있어서, (a) 컴퓨팅 장치가, 테스트 이미지가 획득되면, 검출기로 하여금, 상기 테스트 이미지 상에 존재하는 테스트용 객체와 테스트용 비객체를 검출하여, 상기 테스트 이미지 상에 상기 테스트용 객체가 어디에 있는지에 관한 정보를 포함하는 테스트용 객체 위치 정보와 상기 테스트 이미지 상에 존재하는 상기 테스트용 비객체의 클래스에 관한 정보를 포함하는 상기 테스트용 비객체의 클래스 정보를 획득하도록 하는 단계; (b) 상기 컴퓨팅 장치가, 그리드 생성기로 하여금, 상기 테스트용 객체 위치 정보를 참조로 하여 상기 테스트 이미지 내의 복수의 서브섹션에 관한 정보를 포함하는 섹션 정보를 생성하도록 하는 단계; (c) 상기 컴퓨팅 장치가, 뉴럴 네트워크로 하여금, 상기 뉴럴 네트워크 연산을 (i) 각각의 상기 테스트용 객체와 이에 대응되는 상기 테스트용 비객체를 포함하는 상기 서브섹션 중 적어도 일부에, 또는 (ii) 상기 서브섹션 중 상기 적어도 일부 내에서 상기 각각의 테스트용 비객체가 위치하는 각각의 서브영역에 적용하는 데 사용될 테스트용 파라미터를 결정하되, 상기 각각의 테스트용 비객체의 상기 클래스 정보와 동일 또는 유사한 클래스 정보를 가지는 각각의 학습용 비객체에 대한 정보를 사용하여 학습된 학습용 파라미터를 참조로 하여 결정하도록 하는 단계; 및 (d) 상기 컴퓨팅 장치가, 상기 뉴럴 네트워크로 하여금, 상기 서브섹션 중 상기 적어도 일부 각각에 대응하는 상기 각각의 테스트용 파라미터를 이용하여, 상기 뉴럴 네트워크 연산을 상기 테스트 이미지에 적용함으로써 하나 이상의 뉴럴 네트워크 결과를 출력하도록 하는 단계;를 포함하는 것을 특징으로 하는 방법을 개시한다.
일 실시예에서, 상기 (b) 단계에서, 상기 그리드 생성기가, 가변 템플릿(dynamic template)을 이용하여 상기 테스트 이미지를 나누되, 상기 가변 템플릿의 상기 서브섹션의 상기 적어도 일부 각각에 상기 테스트용 객체 중 적어도 하나가 포함되도록 하나 이상의 경계선이 조정된 상기 가변 템플릿이 제공되는 것을 특징으로 한다.
일 실시예에서, 상기 그리드 생성기가, 상기 가변 템플릿에 대한 정보를 관리하며, 상기 가변 템플릿은 (i) 제1 방향의 적어도 하나의 제1 경계선 및 (ii) 제2 방향의 적어도 하나의 제2 경계선 중 적어도 일부를 포함하되, 이 중 일부는 조정 가능한 것을 특징으로 한다.
일 실시예에서, 상기 가변 템플릿은, 행 그룹(row group)과 하나 이상의 열 그룹(column group)을 포함하고, 상기 행 그룹은 (i) 상단 행 그룹, (ii) 상기 열 그룹 중 적어도 일부를 포함하는 중단 행 그룹, 및 (iii) 하단 행 그룹을 포함하며, 적어도 하나의 상기 테스트용 객체는 상기 행 그룹과 상기 열 그룹에 의해 형성되는 상기 서브섹션 중 상기 적어도 일부 각각에 포함되는 것을 특징으로 한다.
일 실시예에서, 상기 (a) 단계 이전에, (a0) 상기 컴퓨팅 장치가, 상기 뉴럴 네트워크로 하여금, 하나 이상의 트레이닝 이미지에 포함되는 각각의 상기 학습용 비객체에 관한 정보를 이용하여, 상기 학습용 파라미터를 학습하도록 하는 단계;를 더 포함하는 것을 특징으로 한다.
일 실시예에서, 상기 (a0) 단계에서, 상기 뉴럴 네트워크는 상기 트레이닝 이미지 내에 포함된 제1 분할 영역 내지 제k 분할 영역까지의 분할 영역 중 적어도 일부 각각에 포함되는 각각의 상기 학습용 비객체에 관한 정보를 이용하여 상기 학습용 파라미터를 학습하고, 상기 학습용 비객체에 관한 클래스 정보를, 상기 학습용 비객체에 대응하는 학습용 파라미터와 연동하여 저장하는 것을 특징으로 한다.
일 실시예에서, 상기 각각의 트레이닝 이미지 상에서 상기 제1 분할 영역 내지 상기 제k 분할 영역의 위치 정보를 제1 위치 정보 내지 제k 위치 정보라고 할 때, 상기 트레이닝 이미지 각각의 제1 위치 정보의 상대적인 편차 내지 상기 제k 위치 정보의 상대적인 편차 중 적어도 일부 각각이 기설정된 임계치 이하에 해당되면, 이를 상기 트레이닝 이미지로 선정하는 것을 특징으로 한다.
일 실시예에서, 상기 (c) 단계에서, (i) 특정 테스트용 객체를 포함하는 특정 서브섹션 대비 상기 특정 테스트용 객체가 차지하는 면적의 비율이 기설정된 임계치 미만인 경우, 상기 컴퓨팅 장치는 상기 뉴럴 네트워크로 하여금, 상기 학습용 파라미터 중 적어도 하나의 특정 학습용 파라미터를 참조로 하여, 상기 특정 서브섹션에 상기 뉴럴 네트워크 연산을 적용하는데 사용될, 상기 테스트용 파라미터 중 적어도 하나의 특정 테스트용 파라미터를 결정하도록 하고, (ii) 상기 특정 테스트용 객체를 포함하는 상기 특정 서브섹션 대비 상기 특정 테스트용 객체가 차지하는 면적의 비율이 상기 기설정된 임계치 이상인 경우, 상기 컴퓨팅 장치는 상기 뉴럴 네트워크로 하여금 (ii-1) 상기 학습용 파라미터 중 상기 특정 학습용 파라미터를 참조로 하여, 상기 특정 서브섹션에서 특정 테스트용 비객체가 위치하는 서브영역에 상기 뉴럴 네트워크 연산을 적용하는 데 사용될, 상기 특정 테스트용 파라미터의 제1 부분을 결정하도록 하고, (ii-2) 상기 특정 테스트용 객체의 클래스 정보와 동일 또는 유사한 클래스 정보를 가지는 추가 학습용 객체를 이용하여 개별적으로 학습된 적어도 하나의 추가 학습용 파라미터를 참조로 하여, 상기 특정 서브섹션에서 상기 특정 테스트용 객체가 위치하는 서브영역에 상기 뉴럴 네트워크 연산을 적용하는데 사용될 상기 특정 테스트용 파라미터의 제2 부분을 결정하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 (d) 단계에서, 상기 컴퓨팅 장치가, 상기 뉴럴 네트워크로 하여금, 상기 테스트용 파라미터를 이용하여 상기 테스트 이미지에 하나 이상의 컨벌루션 연산과 하나 이상의 디컨벌루션 연산을 적용하여, 상기 뉴럴 네트워크 결과를 출력하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 테스트 이미지는 도로 주행 상황을 나타내고, 상기 테스트용 객체는 도로 상에서 나타날 수 있는 물체이며, 상기 뉴럴 네트워크 결과는 자율 주행을 위해 사용되는 것을 특징으로 한다.
본 발명의 다른 태양에 따르면, 그리드 생성기를 이용한 뉴럴 네트워크 연산 방법에 있어서, (a) 컴퓨팅 장치가, 테스트 이미지가 획득되면, 검출기로 하여금, 상기 테스트 이미지 상에 존재하는 테스트용 객체를 검출하여, 상기 테스트 이미지 상에 상기 테스트용 객체가 어디에 있는지에 관한 정보를 포함하는 테스트용 객체 위치 정보와 상기 테스트 이미지 상에 존재하는 상기 테스트용 객체 클래스에 관한 정보를 포함하는 상기 테스트용 객체의 클래스 정보를 획득하도록 하는 단계; (b) 상기 컴퓨팅 장치가, 그리드 생성기로 하여금, 상기 테스트용 객체 위치 정보를 참조로 하여 상기 테스트 이미지 내의 복수의 서브섹션에 관한 정보를 포함하는 섹션 정보를 생성하도록 하는 단계; (c) 상기 컴퓨팅 장치가, 뉴럴 네트워크로 하여금, 뉴럴 네트워크 연산을 (i) 각각의 상기 테스트용 객체와 이에 대응되는 상기 테스트용 비객체를 포함하는 상기 서브섹션 중 적어도 일부에, 또는 (ii) 상기 서브섹션 중 상기 적어도 일부 내에서 상기 각각의 테스트용 객체가 위치하는 각각의 서브영역에 적용하는 데 사용될 테스트용 파라미터를 결정하되, 상기 각각의 테스트용 객체의 상기 클래스 정보와 동일 또는 유사한 클래스 정보를 가지는 각각의 학습용 객체에 대한 정보를 사용하여 학습된 학습용 파라미터를 참조로 하여 결정하도록 하는 단계; 및 (d) 상기 컴퓨팅 장치가, 상기 뉴럴 네트워크로 하여금, 상기 서브섹션 중 상기 적어도 일부 각각에 대응하는 상기 각각의 테스트용 파라미터를 이용하여, 상기 뉴럴 네트워크 연산을 상기 테스트 이미지에 적용함으로써 하나 이상의 뉴럴 네트워크 결과를 출력하도록 하는 단계;를 포함하는 것을 특징으로 하는 방법을 개시한다.
일 실시예에서, 상기 (a) 단계 이전에, (a0) 상기 컴퓨팅 장치가, 상기 뉴럴 네트워크로 하여금, 하나 이상의 트레이닝 이미지에 포함되는 각각의 상기 학습용 객체에 관한 정보를 이용하여, 상기 학습용 파라미터를 학습하도록 하는 단계;를 더 포함하는 것을 특징으로 한다.
일 실시예에서, 상기 (a0) 단계에서, 상기 뉴럴 네트워크는 상기 트레이닝 이미지 내에 포함된 제1 분할 영역 내지 제k분할 영역까지의 분할 영역 중 적어도 일부 각각에 포함되는 각각의 상기 학습용 객체에 관한 정보를 이용하여, 상기 학습용 파라미터를 학습하고, 상기 학습용 객체에 관한 클래스 정보를, 상기 학습용 객체에 대응하는 학습용 파라미터와 연동하여 저장하는 것을 특징으로 한다.
일 실시예에서, 상기 각각의 트레이닝 이미지 상에서 상기 제1 분할 영역 내지 상기 제k 분할 영역의 위치 정보를 제1 위치 정보 내지 제k 위치 정보라고 할 때, 상기 트레이닝 이미지 각각의 제1 위치 정보의 상대적인 편차 내지 상기 제k 위치 정보의 상대적인 편차 중 적어도 일부 각각이 기설정된 임계치 이하에 해당되면, 이를 상기 트레이닝 이미지로 선정하는 것을 특징으로 한다.
일 실시예에서, 상기 (c) 단계에서, (i) 특정 테스트용 객체를 포함하는 특정 서브섹션 대비 상기 특정 테스트용 객체가 차지하는 면적의 비율이 기설정된 임계치 이상인 경우, 상기 컴퓨팅 장치는 상기 뉴럴 네트워크로 하여금, 상기 학습용 파라미터 중 적어도 하나의 특정 학습용 파라미터를 참조로 하여, 상기 특정 서브섹션에 상기 뉴럴 네트워크 연산을 적용하는데 사용될, 상기 테스트용 파라미터 중 적어도 하나의 특정 테스트용 파라미터를 결정하도록 하고, (ii) 상기 특정 테스트용 객체를 포함하는 상기 특정 서브섹션 대비 상기 특정 테스트용 객체가 차지하는 면적의 비율이 상기 기설정된 임계치 미만인 경우, 상기 컴퓨팅 장치는 상기 뉴럴 네트워크로 하여금 (ii-1) 상기 학습용 파라미터 중 상기 특정 학습용 파라미터를 참조로 하여, 상기 특정 서브섹션에서 특정 테스트용 객체가 위치하는 서브영역에 상기 뉴럴 네트워크 연산을 적용하는 데 사용될, 상기 특정 테스트용 파라미터의 제1 부분을 결정하도록 하고, (ii-2) 특정 테스트용 비객체의 클래스 정보와 동일 또는 유사한 클래스 정보를 가지는 추가 학습용 비객체를 이용하여 개별적으로 학습된 적어도 하나의 추가 학습용 파라미터를 참조로 하여, 상기 특정 서브섹션에서 상기 특정 테스트용 비객체가 위치하는 서브영역에 상기 뉴럴 네트워크 연산을 적용하는데 사용될 상기 특정 테스트용 파라미터의 제2 부분을 결정하도록 하는 것을 특징으로 한다.
본 발명의 또 다른 태양에 따르면, 그리드 생성기를 이용하여 뉴럴 네트워크 연산하기 위한 컴퓨팅 장치에 있어서, 인스트럭션들을 저장하는 적어도 하나의 메모리; 및 (I) 검출기로 하여금, 테스트 이미지 상에 존재하는 테스트용 객체와 테스트용 비객체를 검출하여, 상기 테스트 이미지 상에 상기 테스트용 객체가 어디에 있는지에 관한 정보를 포함하는 테스트용 객체 위치 정보와 상기 테스트 이미지 상에 존재하는 상기 테스트용 비객체의 클래스에 관한 정보를 포함하는 상기 테스트용 비객체의 클래스 정보를 획득하도록 하는 프로세스, (II) 그리드 생성기로 하여금, 상기 테스트용 객체 위치 정보를 참조로 하여 상기 테스트 이미지 내의 복수의 서브섹션에 관한 정보를 포함하는 섹션 정보를 생성하도록 하는 프로세스, (III) 뉴럴 네트워크로 하여금, 상기 뉴럴 네트워크 연산을 (i) 각각의 상기 테스트용 객체와 이에 대응되는 상기 테스트용 비객체를 포함하는 상기 서브섹션 중 적어도 일부에, 또는 (ii) 상기 서브섹션 중 상기 적어도 일부 내에서 상기 각각의 테스트용 비객체가 위치하는 각각의 서브영역에 적용하는 데 사용될 테스트용 파라미터를 결정하되, 상기 각각의 테스트용 비객체의 상기 클래스 정보와 동일 또는 유사한 클래스 정보를 가지는 각각의 학습용 비객체에 대한 정보를 사용하여 학습된 학습용 파라미터를 참조로 하여 결정하도록 하는 프로세스, 및 (IV) 상기 뉴럴 네트워크로 하여금, 상기 서브섹션 중 상기 적어도 일부 각각에 대응하는 상기 각각의 테스트용 파라미터를 이용하여, 상기 뉴럴 네트워크 연산을 상기 테스트 이미지에 적용함으로써 하나 이상의 뉴럴 네트워크 결과를 출력하도록 하는 프로세스를 수행하기 위한 상기 인스트럭션들을 실행하도록 구성된 적어도 하나의 프로세서;를 포함하는 것을 특징으로 하는 컴퓨팅 장치를 개시한다.
일 실시예에서, 상기 (II) 프로세스에서, 상기 그리드 생성기가, 가변 템플릿을 이용하여 상기 테스트 이미지를 나누되, 상기 가변 템플릿의 상기 서브섹션의 상기 적어도 일부 각각에 상기 테스트용 객체 중 적어도 하나가 포함되도록 하나 이상의 경계선이 조정된 상기 가변 템플릿이 제공되는 것을 특징으로 한다.
일 실시예에서, 상기 그리드 생성기가, 상기 가변 템플릿에 대한 정보를 관리하며, 상기 가변 템플릿은 (i) 제1 방향의 적어도 하나의 제1 경계선 및 (ii) 제2 방향의 적어도 하나의 제2 경계선 중 적어도 일부를 포함하되, 이 중 일부는 조정 가능한 것을 특징으로 한다.
일 실시예에서, 상기 가변 템플릿은, 행 그룹과 하나 이상의 열 그룹을 포함하고, 상기 행 그룹은 (i) 상단 행 그룹, (ii) 상기 열 그룹 중 적어도 일부를 포함하는 중단 행 그룹, 및 (iii) 하단 행 그룹을 포함하며, 적어도 하나의 상기 테스트용 객체는 상기 행 그룹과 상기 열 그룹에 의해 형성되는 상기 서브섹션 중 상기 적어도 일부 각각에 포함되는 것을 특징으로 한다.
일 실시예에서, 상기 (I) 프로세스 이전에, 상기 프로세서는, (0) 상기 뉴럴 네트워크로 하여금, 하나 이상의 트레이닝 이미지에 포함되는 각각의 상기 학습용 비객체에 관한 정보를 이용하여, 상기 학습용 파라미터를 학습하도록 하는 프로세스를 더 수행하는 것을 특징으로 한다.
일 실시예에서, 상기 (0)프로세스에서, 상기 뉴럴 네트워크는 상기 트레이닝 이미지 내에 포함된 제1 분할 영역 내지 제k 분할 영역까지의 분할 영역 중 적어도 일부 각각에 포함되는 각각의 상기 학습용 비객체에 관한 정보를 이용하여 상기 학습용 파라미터를 학습하고, 상기 학습용 비객체에 관한 클래스 정보를, 상기 학습용 비객체에 대응하는 학습용 파라미터와 연동하여 저장하는 것을 특징으로 한다.
일 실시예에서, 상기 각각의 트레이닝 이미지 상에서 상기 제1 분할 영역 내지 상기 제k 분할 영역의 위치 정보를 제1 위치 정보 내지 제k 위치 정보라고 할 때, 상기 트레이닝 이미지 각각의 제1 위치 정보의 상대적인 편차 내지 상기 제k 위치 정보의 상대적인 편차 중 적어도 일부 각각이 기설정된 임계치 이하에 해당되면, 이를 상기 트레이닝 이미지로 선정하는 것을 특징으로 한다.
일 실시예에서, 상기 (III) 프로세스에서, (i) 특정 테스트용 객체를 포함하는 특정 서브섹션 대비 상기 특정 테스트용 객체가 차지하는 면적의 비율이 기설정된 임계치 미만인 경우, 상기 프로세서는 상기 뉴럴 네트워크로 하여금, 상기 학습용 파라미터 중 적어도 하나의 특정 학습용 파라미터를 참조로 하여, 상기 특정 서브섹션에 상기 뉴럴 네트워크 연산을 적용하는데 사용될, 상기 테스트용 파라미터 중 적어도 하나의 특정 테스트용 파라미터를 결정하도록 하고, (ii) 상기 특정 테스트용 객체를 포함하는 상기 특정 서브섹션 대비 상기 특정 테스트용 객체가 차지하는 면적의 비율이 상기 기설정된 임계치 이상인 경우, 상기 프로세서는 상기 뉴럴 네트워크로 하여금 (ii-1) 상기 학습용 파라미터 중 상기 특정 학습용 파라미터를 참조로 하여, 상기 특정 서브섹션에서 특정 테스트용 비객체가 위치하는 서브영역에 상기 뉴럴 네트워크 연산을 적용하는 데 사용될, 상기 특정 테스트용 파라미터의 제1 부분을 결정하도록 하고, (ii-2) 상기 특정 테스트용 객체의 클래스 정보와 동일 또는 유사한 클래스 정보를 가지는 추가 학습용 객체를 이용하여 개별적으로 학습된 적어도 하나의 추가 학습용 파라미터를 참조로 하여, 상기 특정 서브섹션에서 상기 특정 테스트용 객체가 위치하는 서브영역에 상기 뉴럴 네트워크 연산을 적용하는데 사용될 상기 특정 테스트용 파라미터의 제2 부분을 결정하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 (IV) 프로세스에서, 상기 프로세서가 상기 뉴럴 네트워크로 하여금, 상기 테스트용 파라미터를 이용하여 상기 테스트 이미지에 하나 이상의 컨벌루션 연산과 하나 이상의 디컨벌루션 연산을 적용하여, 상기 뉴럴 네트워크 결과를 출력하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 테스트 이미지는 도로 주행 상황을 나타내고, 상기 테스트용 객체는 도로 상에서 나타날 수 있는 물체이며, 상기 뉴럴 네트워크 결과는 자율 주행을 위해 사용되는 것을 특징으로 한다.
본 발명의 또 다른 태양에 따르면, 그리드 생성기를 이용하여 뉴럴 네트워크 연산하기 위한 컴퓨팅 장치에 있어서, 인스트럭션들을 저장하는 적어도 하나의 메모리; 및 (I) 검출기로 하여금, 테스트 이미지 상에 존재하는 테스트용 객체를 검출하여, 상기 테스트 이미지 상에 상기 테스트용 객체가 어디에 있는지에 관한 정보를 포함하는 테스트용 객체 위치 정보와 상기 테스트 이미지 상에 존재하는 상기 테스트용 객체 클래스에 관한 정보를 포함하는 상기 테스트용 객체의 클래스 정보를 획득하도록 하는 프로세스, (II) 그리드 생성기로 하여금, 상기 테스트용 객체 위치 정보를 참조로 하여 상기 테스트 이미지 내의 복수의 서브섹션에 관한 정보를 포함하는 섹션 정보를 생성하도록 하는 프로세스, (III) 뉴럴 네트워크로 하여금, 뉴럴 네트워크 연산을 (i) 각각의 상기 테스트용 객체와 이에 대응되는 상기 테스트용 비객체를 포함하는 상기 서브섹션 중 적어도 일부에, 또는 (ii) 상기 서브섹션 중 상기 적어도 일부 내에서 상기 각각의 테스트용 객체가 위치하는 각각의 서브영역에 적용하는 데 사용될 테스트용 파라미터를 결정하되, 상기 각각의 테스트용 객체의 상기 클래스 정보와 동일 또는 유사한 클래스 정보를 가지는 각각의 학습용 객체에 대한 정보를 사용하여 학습된 학습용 파라미터를 참조로 하여 결정하도록 하는 프로세스, 및 (IV) 상기 뉴럴 네트워크로 하여금, 상기 서브섹션 각각에 대응하는 상기 각각의 테스트용 파라미터를 이용하여, 상기 뉴럴 네트워크 연산을 상기 테스트 이미지에 적용함으로써 하나 이상의 뉴럴 네트워크 결과를 출력하도록 하는 프로세스를 수행하기 위한 상기 인스트럭션들을 실행하도록 구성된 적어도 하나의 프로세서;를 포함하는 것을 특징으로 하는 컴퓨팅 장치를 개시한다.
일 실시예에서, 상기 (I) 프로세스 이전에, 상기 프로세서는, (0) 상기 뉴럴 네트워크로 하여금, 하나 이상의 트레이닝 이미지에 포함되는 각각의 상기 학습용 객체에 관한 정보를 이용하여, 상기 학습용 파라미터를 학습하도록 하는 프로세스를 더 수행하는 것을 특징으로 한다.
일 실시예에서, 상기 (0) 프로세스에서, 상기 뉴럴 네트워크는 상기 트레이닝 이미지 내에 포함된 제1 분할 영역 내지 제k분할 영역까지의 분할 영역 중 적어도 일부 각각에 포함되는 각각의 상기 학습용 객체에 관한 정보를 이용하여, 상기 학습용 파라미터를 학습하고, 상기 학습용 객체에 관한 클래스 정보를, 상기 학습용 객체에 대응하는 학습용 파라미터와 연동하여 저장하는 것을 특징으로 한다.
일 실시예에서, 상기 각각의 트레이닝 이미지 상에서 상기 제1 분할 영역 내지 상기 제k 분할 영역의 위치 정보를 제1 위치 정보 내지 제k 위치 정보라고 할 때, 상기 트레이닝 이미지 각각의 제1 위치 정보의 상대적인 편차 내지 상기 제k 위치 정보의 상대적인 편차 중 적어도 일부 각각이 기설정된 임계치 이하에 해당되면, 이를 상기 트레이닝 이미지로 선정하는 것을 특징으로 한다.
일 실시예에서, 상기 (III) 프로세스에서, (i) 특정 테스트용 객체를 포함하는 특정 서브섹션 대비 상기 특정 테스트용 객체가 차지하는 면적의 비율이 기설정된 임계치 이상인 경우, 상기 프로세서는 상기 뉴럴 네트워크로 하여금, 상기 학습용 파라미터 중 적어도 하나의 특정 학습용 파라미터를 참조로 하여, 상기 특정 서브섹션에 상기 뉴럴 네트워크 연산을 적용하는데 사용될, 상기 테스트용 파라미터 중 적어도 하나의 특정 테스트용 파라미터를 결정하도록 하고, (ii) 상기 특정 테스트용 객체를 포함하는 상기 특정 서브섹션 대비 상기 특정 테스트용 객체가 차지하는 면적의 비율이 상기 기설정된 임계치 미만인 경우, 상기 프로세서는 상기 뉴럴 네트워크로 하여금 (ii-1) 상기 학습용 파라미터 중 상기 특정 학습용 파라미터를 참조로 하여, 상기 특정 서브섹션에서 특정 테스트용 객체가 위치하는 서브영역에 상기 뉴럴 네트워크 연산을 적용하는 데 사용될, 상기 특정 테스트용 파라미터의 제1 부분을 결정하도록 하고, (ii-2) 특정 테스트용 비객체의 클래스 정보와 동일 또는 유사한 클래스 정보를 가지는 추가 학습용 비객체를 이용하여 개별적으로 학습된 적어도 하나의 추가 학습용 파라미터를 참조로 하여, 상기 특정 서브섹션에서 상기 특정 테스트용 비객체가 위치하는 서브영역에 상기 뉴럴 네트워크 연산을 적용하는데 사용될 상기 특정 테스트용 파라미터의 제2 부분을 결정하도록 하는 것을 특징으로 한다.
본 발명에 의하면, 테스트용 비객체의 클래스 정보와 동일, 또는 유사한 클래스 정보를 가지는 서브섹션에 포함된 학습용 비객체에 관한 정보를 이용하여 테스트용 파라미터를 결정하는 방법을 제공함으로써, 최적화된 뉴럴 네트워크 결과를 출력할 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 발명에 따라 그리드 생성기를 이용하여 뉴럴 네트워크 연산 방법을 수행하기 위한 컴퓨팅 장치의 구성을 나타낸 도면이다.
도 2는 본 발명에 따라 뉴럴 네트워크 결과를 출력하기 위한 프로세스를 나타낸 도면이다.
도 3은 본 발명에 따라 상기 뉴럴 네트워크의 파라미터를 학습하는데 사용될 전형적인 배열을 가진 트레이닝 이미지를 나타낸 도면이다.
도 4a는 본 발명에 따라 상기 그리드 생성기를 이용한 뉴럴 네트워크 연산 방법을 효율적으로 적용할 수 있는 테스트 이미지를 나타낸 도면이다.
도 4b는 본 발명에 따라 서브섹션이 가변 템플릿에 의해 생성된 테스트 이미지를 나타낸 도면이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 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.
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.
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.
참고로, 후술할 설명에서 혼동을 방지하기 위해, 학습 프로세스와 관련된 용어에는 "학습용"이라는 문구가 추가되고, 테스트 프로세스와 관련된 용어에는 "테스트용"라는 문구가 추가되었다.
본 발명의 제1 실시예를 이하에서 설명하도록 한다.
도 1은 본 발명에 따라 그리드 생성기를 이용한 뉴럴 네트워크 연산 방법을 수행하기 위한 컴퓨팅 장치의 구성을 나타낸 도면이다.
도 1을 참조하면, 상기 컴퓨팅 장치(100)는 검출기(130), 그리드 생성기(140) 및 뉴럴 네트워크(150)를 포함할 수 있다. 상기 검출기(130), 상기 그리드 생성기(140) 및 상기 뉴럴 네트워크(150)의 다양한 데이터 입출력 과정 및 연산 과정은 통신부(110) 및 프로세서(120)에 의해 각각 수행될 수 있다. 다만, 도 1에서는 상기 통신부(110) 및 상기 프로세서(120)의 연결 관계에 대한 상세한 설명을 생략하였다. 또한, 상기 컴퓨팅 장치(100)는 후술할 프로세스를 수행하기 위한 컴퓨터 판독 가능한 인스트럭션(computer readable instruction)들을 저장할 수 있는 메모리(115)를 더 포함할 수 있다. 일 예시로, 상기 프로세서, 상기 메모리, 매체(medium) 등은 하나의 프로세서로 통합되어 기능할 수도 있다.
이상 상기 컴퓨팅 장치(100)의 구성을 알아본 바, 본 발명에 따라 상기 그리드 생성기(140)를 이용하여 뉴럴 네트워크 결과를 도출하는 프로세스에 대해 알아보도록 한다.
도 2는 본 발명에 따라 상기 뉴럴 네트워크 결과를 출력하기 위한 프로세스를 나타낸 도면이다.
도 2를 참조하면, 테스트 이미지가 획득되면, 상기 검출기(130), 상기 그리드 생성기(140) 및 상기 뉴럴 네트워크(150) 순으로 프로세스가 수행되는 것을 알 수 있다. 상기 테스트 이미지는 검출기(130)에 입력되고, 상기 검출기(130)에 의해 생성된 테스트용 객체 위치 정보와 상기 테스트 이미지는 상기 그리드 생성기(140)에 입력될 수 있다. 최종적으로, 상기 검출기(130)에 의해 생성되는, 상기 테스트 이미지 상의 테스트용 비객체(non-object)의 클래스에 관한 정보를 포함한 상기 테스트용 비객체의 클래스 정보와 상기 그리드 생성기(140)에 의해 생성되는 섹션 정보와 상기 테스트 이미지가 상기 뉴럴 네트워크(150)에 입력될 수 있다. 그 후, 상기 뉴럴 네트워크(150)는 상기 테스트용 비객체의 클래스 정보와 상기 섹션 정보를 참조로 하여 결정된 테스트용 파라미터를 참조로 하여 상기 뉴럴 네트워크 결과를 출력할 수 있다.
구체적으로, 도로 주행 상황을 나타내는 상기 테스트 이미지가 상기 통신부(110)에 의해 획득되면, 상기 컴퓨팅 장치(100)는 상기 검출기(130)로 하여금, 상기 테스트 이미지 상에 존재하는 상기 테스트용 비객체와 테스트용 객체를 검출하여, 상기 테스트 이미지 상에 상기 테스트용 객체가 어디에 있는지에 관한 정보를 포함하는 상기 테스트용 객체 위치 정보와 상기 테스트용 비객체의 클래스 정보를 획득하도록 한다.
상기 테스트용 객체 위치 정보와 상기 테스트용 비객체 클래스 정보가 상기 검출기(130)에 의해 획득되고 난 후, 상기 컴퓨팅 장치(100)는 그리드 생성기(140)로 하여금 상기 테스트용 객체 위치 정보를 참조로 하여, 상기 테스트 이미지를 복수 개의 서브섹션으로 나누고, 상기 테스트 이미지 내의 상기 서브섹션에 관한 정보를 포함하는 상기 섹션 정보를 생성하도록 할 수 있다. 상기 서브섹션 중 일부에서는, 예를 들면 자동차(테스트용 객체) 및 차도(테스트용 비객체)와 같이 테스트용 객체가 그에 대응하는 테스트용 비객체와 함께 존재할 수 있다.
상기 그리드 생성기(140)는 가변 템플릿(dynamic template)을 사용하여 상기 테스트 이미지를 상기 서브섹션으로 나눌 수 있다.
구체적으로, 상기 그리드 생성기(140)는, 상기 가변 템플릿에 대한 정보를 관리할 수 있고, 상기 가변 템플릿은 (i) 제1 방향의 적어도 하나의 제1 경계선 및 (ii) 제2 방향의 적어도 하나의 제2 경계선 중 적어도 일부를 포함할 수 있으며, 이 중 일부는 조정 가능하다.
일 예시로서, 제1 방향은 상기 테스트 이미지의 가로축과 평행한 방향이고, 제2 방향은 상기 테스트 이미지의 세로축과 평행한 방향일 수 있으나 이에 한정되는 것은 아니며, 각 방향은 사선 방향일 수도 있으며 심지어는 특정 함수에 의해 결정되는 곡선의 방향일 수 있다.
또는, 상기 가변 템플릿은 행 그룹과 하나 이상의 열 그룹을 포함할 수 있다. 일 예시로서, 상기 행 그룹은 (i) 상단 행 그룹, (ii) 상기 열 그룹 중 적어도 일부를 포함하는 중단 행 그룹 및 (iii) 하단 행 그룹을 포함할 수 있다. 상기 중단 행 그룹이 상기 열 그룹 중 적어도 일부를 포함하는 이유는 일반적으로 중요한 객체 다수가 상기 테스트 이미지 중심에 존재하기 때문이다.
상기와 같이 상기 가변 템플릿의 구성은 기설정되어 있고, 상기 그리드 생성기(140)가 상기 가변 템플릿을 사용하여 상기 테스트 이미지를 나눌 때, 하나 이상의 경계선이 조정된 상기 가변 템플릿이 제공될 수 있다. 일 예시로서, 상기 서브섹션의 적어도 일부 각각에 상기 테스트용 객체 중 적어도 하나가 포함되도록 상기 가변 템플릿이 제공될 수 있다. 상기 섹션 정보는 상기 조정된 경계선 위치에 관한 정보를 포함할 수 있다.
이와 같이 상기 섹션 정보가 생성되면, 상기 컴퓨팅 장치(100)는 상기 뉴럴 네트워크(150)로 하여금 상기 테스트용 비객체에 관한 클래스 정보와 상기 섹션 정보를 이용하여 상기 테스트용 파라미터를 결정하도록 할 수 있다.
상기 테스트용 파라미터를 결정하는 프로세스를 기술하기 위해, 상기 뉴럴 네트워크의 학습용 파라미터를 학습하는 프로세스를 설명하기로 한다.
상기 테스트 이미지가 상기 통신부(110)에 의해 획득되기 전, 상기 컴퓨팅 장치(100)는, 상기 뉴럴 네트워크(150)로 하여금, 하나 이상의 트레이닝 이미지에 포함된 학습용 비객체 각각에 관한 정보를 이용하여, 학습용 파라미터를 학습하도록 할 수 있다. 상기 각각의 트레이닝 이미지는 도로 주행 상황에서 나타날 수 있는 전형적인 배열을 포함할 수 있다. 상기 전형적인 배열을 설명하기 위해, 도 3을 참조하도록 한다.
도 3은 본 발명에 따라 상기 뉴럴 네트워크의 학습용 파라미터를 학습하는데 사용될 전형적인 배열을 가진 예시 트레이닝 이미지를 나타낸 도면이다.
도 3을 참조하면, 상기 예시 트레이닝 이미지(300)의 가운데에 차도 부분이 위치하고, 좌우측에 인도 부분이 위치하며, 상단에 하늘 부분이 위치하는 것을 알 수 있다. 상기 뉴럴 네트워크(150)의 파라미터를 학습하는 데 사용된 상기 트레이닝 이미지는 상기 예시 트레이닝 이미지(300)와 유사할 수 있다.
상기 예시 트레이닝 이미지(300)의 구성을 설명하기 위해 학습용 위치 정보와 분할 영역 용어를 살피도록 한다.
상기 분할 영역은 상기 학습용 비객체가 위치하는 영역을 말하는 것으로, 차도, 인도 부분 및 하늘 부분이 각각 위치하는 각각의 영역을 말한다. 상기 학습용 위치 정보는 상기 분할 영역의 중심 좌표를 포함할 수 있다.
이때, 상기 각각의 트레이닝 이미지 내에서 상기 제1 분할 영역 내지 상기 제k 분할 영역의 위치 정보를 제1 위치 정보 내지 제k 위치 정보라고 하면, 상기 트레이닝 이미지 각각의 제1 위치 정보의 상대적인 편차 내지 상기 제k 위치 정보의 상대적인 편차 중 적어도 일부 각각이 기설정된 임계치 이하에 해당되면, 이를 상기 트레이닝 이미지로 상기 학습 프로세스에 사용하기 위해 선정할 수 있다.
학습 프로세스에서, 상기 뉴럴 네트워크(150)는 상기 각각의 트레이닝 이미지에 포함된 전체 영역을 사용하여 상기 학습용 파라미터를 학습하는 것이 아니라, 상기 트레이닝 이미지 내에 포함된 제1 분할 영역 내지 제k 분할 영역까지의 분할 영역 중 적어도 일부 각각에 포함되는 각각의 상기 학습용 비객체에 관한 정보를 이용하여 상기 학습용 파라미터를 학습하고, 상기 학습용 비객체에 대응하는 학습용 파라미터와 연동하여 상기 학습용 비객체에 관한 클래스 정보를 저장할 수 있다.
가령, 상기 뉴럴 네트워크(150)가 도 3의 상기 예시 트레이닝 이미지와 같은 트레이닝 이미지를 복수 개 사용하여 상기 학습용 파라미터를 학습하는 경우를 상정할 수 있다. 이 경우, 제1분할 영역(310)은 하늘 부분, 제2분할 영역(320)은 좌측의 인도 부분, 제3분할 영역(330)은 차도 부분, 그리고 제4 분할 영역(340)은 우측의 인도 부분일 것이다. 상기 뉴럴 네트워크(150)는 상기 제1분할 영역(310)을 이용하여 상기 하늘 부분에 대응하는 학습용 파라미터를 학습하고, 상기 하늘 부분의 상기 파라미터와 연동하여 상기 하늘 부분에 관한 클래스 정보를 저장할 수 있다. 이와 유사하게, 상기 인도 부분에 대응하는 상기 학습용 파라미터의 일부분을 결정할 경우, 제2분할 영역(320)과 제4분할 영역(340)이 사용될 수 있고, 상기 인도 부분의 클래스 정보가 저장될 수 있다.
이상, 상기 뉴럴 네트워크(150)의 학습 프로세스에 대해 알아본 바, 상기 테스트용 파라미터를 결정하는 프로세스에 대해 설명하도록 한다.
상기 뉴럴 네트워크(150)의 학습 프로세스가 완료되면, 상기 학습용 파라미터와 그에 대응하는 비객체에 대한 상기 클래스 정보는 저장될 수 있다. 그 후, 상기 테스트 이미지가 상기 통신부(110)에 의해 획득되고, 상기 검출기(130)와 상기 그리드 생성기(140)가 수행하는 프로세스가 완료되면, 상기 컴퓨팅 장치(100)는 상기 뉴럴 네트워크(150)로 하여금, 상기 테스트용 비객체의 클래스 정보와 동일 또는 유사한 클래스 정보를 가지는 상기 학습용 비객체에 대한 정보를 사용하여 학습된 학습용 파라미터를 참조로 하여, 상기 테스트용 파라미터를 결정하도록 한다.
상기 테스트용 파라미터는 상기 뉴럴 네트워크 연산을 (i) 각각의 상기 테스트용 객체와 이에 대응되는 상기 테스트용 비객체를 포함하는 상기 서브섹션 중 적어도 일부에, 또는 (ii) 상기 서브섹션 중 상기 적어도 일부에 위치하는 각각의 서브영역으로서 상기 각각의 테스트용 비객체가 위치하는 각각의 서브영역에 적용하는 데 사용될 수 있다. 상기 테스트용 파라미터가 상기 서브영역에만 적용된다면, 상기 각각의 테스트용 객체가 위치하는 각각의 영역에 적용될 적어도 하나의 추가 테스트용 파라미터는, 상기 테스트용 객체의 클래스 정보와 동일 또는 유사한 클래스 정보를 가지는 추가 학습용 객체를 사용하여 별도로 학습된 추가 학습용 파라미터를 참조로 하여 결정될 수 있다.
이러한 프로세스를 위해, 상기 뉴럴 네트워크(150)는 상기 검출기(130)에 의해 획득된 상기 서브섹션 중 적어도 일부 각각에 포함된 상기 테스트용 비객체 각각에 대한 클래스 정보를 사용할 수 있다.
가령, 상기 차도 부분에 대응하는 특정 학습용 파라미터와 상기 차도 부분에 대한 클래스 정보가 함께 저장되는 경우를 상정할 수 있다. 이 경우, 상기 차도가 상기 테스트 이미지 내 특정 서브섹션에 존재하는 것으로 판단된다면, 특정 테스트용 파라미터는 상기 특정 서브섹션에 대응하는 특정 학습용 파라미터를 사용하여 결정된다.
종래의 방법과 비교해봤을 때 이러한 방법이 효과적인 이유는, 상기 테스트 이미지에 포함되는 구성 요소의 상대적 위치가 상기 트레이닝 이미지에 포함되는 구성 요소의 위치와 다를 경우에도 적절한 테스트용 파라미터를 적용하기 때문이다.
구체적으로, 상기 트레이닝 이미지에서의 제1 분할 영역 내지 제k 분할 영역에 대응하는 제1 위치 정보 내지 제k 위치 정보 각각과 상기 테스트 이미지에서의 제1 위치 정보 내지 제k 위치 정보 각각을 비교한 편차 중 적어도 일부가 제2 임계치를 초과하는 경우, 본 발명이 보다 효과적으로 적용될 수 있으나, 이에 한정되는 것은 아니다.
도 4a는 본 발명에 따라 상기 그리드 생성기를 이용한 상기 뉴럴 네트워크 연산을 효과적으로 적용할 수 있는 예시 테스트 이미지를 나타낸 도면이다.
도 4a를 참조하면, 도 3과는 달리 차도 부분이 좌측에 위치하고 인도 부분은 우측에 위치하는 것을 확인할 수 있다. 이 경우, 종래의 방법에 의해 생성된 상기 뉴럴 네트워크 연산의 결과는 최적화될 수 없는데, 그 이유는 상기 테스트 이미지에 포함된 차도 부분 위치와 상기 트레이닝 이미지에 포함된 차도 부분 위치가 다르기 때문이다. 따라서 상기 테스트용 파라미터가 최적화되지 않은 상태가 되는 바 결과가 좋지 않은 단점이 있다. 그러나, 본 발명의 방법이 이러한 경우에 대응하는 상기 테스트 이미지에 적용된다면, 최적화된 파라미터가 상기 서브섹션 중 적어도 일부 각각에 적용되어 상기 뉴럴 네트워크 연산의 결과가 최적으로 생성될 것이다. 이는 도 4b 를 참조하면 알 수 있다.
도 4b는 본 발명에 따라 가변 템플릿에 의해 생성된 서브섹션을 포함하는 예시 테스트 이미지를 나타낸 도면이다.
도 4b를 참조하면, 상기 중단 행 좌측의 차도 부분을 포함하는 서브섹션(520), 상기 중단 행 중심의 차도 부분을 포함하는 서브섹션(530), 및 상기 하단 행의 차도 부분을 포함하는 서브섹션(550)과 상기 중단 행의 우측에 있는 인도 부분을 포함하는 서브섹션(540)이 표시된 것을 알 수 있다. 상기 서브섹션으로 인해, 상기 트레이닝 이미지에 포함되는 상기 차도 부분을 사용하여 학습된 상기 학습용 파라미터를 서브섹션(520, 530 및 550)에 적용할 수 있고, 상기 트레이닝 이미지에 포함된 상기 인도 부분을 사용하여 학습된 상기 학습용 파라미터는 상기 서브섹션(540)에 적용할 수 있다.
한편, 상기 테스트용 파라미터는 특정 테스트용 객체를 포함하는 특정 서브섹션 대비 특정 테스트용 객체가 차지하는 면적의 비율을 추가적으로 더 참조하여 결정된다.
구체적으로, 상기 특정 테스트용 객체를 포함하는 상기 특정 서브섹션 대비 상기 특정 테스트용 객체가 차지하는 면적의 비율이 기설정된 임계치 미만인 경우, 상기 컴퓨팅 장치(100)는 상기 뉴럴 네트워크(150)로 하여금, 상기 테스트용 파라미터 중 적어도 하나의 특정 학습용 파라미터를 참조로 하여, 상기 특정 서브섹션에 상기 뉴럴 네트워크 연산을 적용하는데 사용될 상기 테스트용 파라미터 중 적어도 하나의 특정 테스트용 파라미터를 결정하도록 할 수 있다.
이와 달리, 상기 특정 테스트용 객체를 포함하는 상기 특정 서브섹션 대비 상기 특정 테스트용 객체가 차지하는 면적의 비율이 상기 기설정된 임계치 이상인 경우, 상기 컴퓨팅 장치(100)는 상기 뉴럴 네트워크(150)로 하여금 상기 학습용 파라미터 중 상기 특정 학습용 파라미터를 참조로 하여, 상기 특정 서브섹션에서 특정 테스트용 비객체가 위치하는 서브영역에 상기 뉴럴 네트워크 연산을 적용하는 데 사용될 상기 특정 테스트용 파라미터의 제1 부분을 결정하도록 하고, 상기 특정 테스트용 객체의 클래스 정보와 동일 또는 유사한 클래스 정보를 가지는 추가 학습용 객체를 이용하여 개별적으로 학습된 적어도 하나의 추가 학습용 파라미터를 참조로 하여, 상기 특정 서브섹션에서 상기 특정 테스트용 객체가 위치하는 서브영역에 상기 뉴럴 네트워크 연산을 적용하는데 사용될 상기 특정 테스트용 파라미터의 제2 부분을 결정하도록 할 수 있다.
상기 학습용 파라미터는 상기 학습용 비객체를 참조하여 학습되었으므로, 상기 특정 서브섹션 대비 상기 특정 비객체가 차지하는 면적의 비율이 높을 경우, 상기 학습용 파라미터를 이용하여 상기 테스트용 파라미터를 효율적으로 결정할 수 있다. 그 반대인 경우에는, 즉, 상기 특정 서브섹션 대비 상기 특정 비객체가 차지하는 면적의 비율이 낮을 경우, 상기 특정 비객체는 상기 특정 서브섹션을 대표한다고 볼 수 없으므로, 상기 학습용 파라미터를 이용하여 상기 테스트용 파라미터를 결정하는 것이 효율적이지 않을 수 있다. 따라서, 상기 특정 테스트용 파라미터의 제1부분은 상기 특정 테스트용 비객체가 위치하는 상기 서브영역에 적용되고, 상기 특정 테스트용 파라미터의 제2부분은 상기 특정 테스트용 객체가 위치하는 서브영역에 적용된다.
이와 같이 상기 테스트용 파라미터가 결정되면, 상기 뉴럴 네트워크 연산은 상기 테스트 이미지에 적용될 수 있는데, 상기 뉴럴 네트워크 연산은 컨벌루션 연산 및 디컨벌루션 연산일 수 있다. 즉, 상기 컴퓨팅 장치(100)는 상기 뉴럴 네트워크(150)로 하여금, 상기 테스트용 파라미터를 이용하여 상기 테스트 이미지에 하나 이상의 컨벌루션 연산과 하나 이상의 디컨벌루션 연산을 적용하여 상기 뉴럴 네트워크 연산 결과를 출력하도록 할 수 있다.
다음으로, 본 발명의 다른 실시예를 소개하도록 한다.
상기 일 실시예와 다른 실시예의 가장 큰 차이점은 (i) 다른 실시예에서 상기 테스트용 파라미터는 상기 테스트용 객체에 관한 클래스 정보를 참조로 하여 결정되고, (ii) 다른 실시예에서 상기 학습용 파라미터는 상기 학습용 객체를 이용하여 학습된다는 점이다. 예를 들어, 자동차가 상기 테스트 이미지 내의 특정 서브섹션에 존재한다면, 상기 특정 테스트용 파라미터는, 상기 다른 실시예에 따라, 상기 트레이닝 이미지에 포함된 자동차를 사용하여 학습된 특정 학습용 파라미터를 이용하여 결정될 수 있다. 일 실시예와 다른 실시예를 보면 동일한 특징도 있고 상이한 특징도 있는 바, 이를 중점적으로 설명하도록 한다.
먼저, 상기 검출기(130)가 수행하는 프로세스부터 상기 그리드 생성기(140)가 수행하는 프로세스까지는, 상기 테스트 이미지 상의 상기 테스트용 객체의 클래스에 관한 정보를 포함하는 상기 테스트용 객체의 클래스 정보가 상기 검출기(130)에 의해 획득된다는 점을 제외하면 상기 일 실시예와 유사하지만, 다른 실시예에서 상기 뉴럴 네트워크(150)가 수행하는 이후의 프로세스는 일 실시예와는 다르다.
즉, 다른 실시예에서, 상기 컴퓨팅 장치(100)는, 상기 뉴럴 네트워크 연산을 (i) 상기 각각의 상기 테스트용 객체와 이에 대응되는 상기 테스트용 비객체를 포함하는 상기 서브섹션 중 적어도 상기 일부에, 또는 (ii) 상기 서브섹션 중 상기 적어도 일부에 위치하는 서브영역으로서 상기 각각의 테스트용 객체가 위치하는 각각의 서브영역에 적용하는 데 사용될 테스트용 파라미터를 결정하되, 상기 각각의 테스트용 객체의 상기 클래스 정보와 동일 또는 유사한 클래스 정보를 가지는 각각의 학습용 객체에 대한 정보를 사용하여 학습된 학습용 파라미터를 참조로 하여 결정하도록 할 수 있다. 일 실시예와 비교해 보면, 비객체가 아닌 상기 테스트용 객체에 관한 클래스 정보를 참조로 한다는 점이 다르고, 상기 학습용 파라미터는 상기 테스트용 객체가 위치하는 상기 서브영역에 사용될 상기 테스트용 파라미터를 결정하는데 사용된다.
여기에서, 상기 다른 실시예에서 상기 뉴럴 네트워크(150)의 학습 프로세스 또한 상기 일 실시예와는 다르므로, 상기 다른 실시예의 상기 학습 프로세스를 설명하도록 한다.
상기 테스트 이미지가 획득되기 이전에, 상기 컴퓨팅 장치(100)는 상기 뉴럴 네트워크(150)로 하여금, 상기 트레이닝 이미지 내에 포함된 상기 제1 분할 영역 내지 상기 제k 분할 영역까지의 분할 영역 중 적어도 일부 각각에 포함되는 각각의 상기 학습용 객체에 관한 정보를 이용하여 상기 학습용 파라미터를 학습하고, 상기 학습용 객체에 관한 클래스 정보를 상기 학습용 객체에 대응하는 학습용 파라미터와 연동하여 저장하도록 할 수 있다. 상기 학습용 객체의 상기 저장된 클래스 정보를 사용함으로써, 상기 테스트용 파라미터가 결정될 수 있다.
또한, 상기 다른 실시예에서 상기 특정 테스트용 객체를 포함하는 특정 서브섹션 대비 특정 테스트용 객체가 차지하는 면적의 비율을 더 참조로 하여 상기 테스트용 파라미터를 결정하는 방법도 다르다.
구체적으로, 상기 특정 테스트용 객체를 포함하는 상기 특정 서브섹션 대비 상기 특정 테스트용 객체가 차지하는 면적의 비율이 기설정된 임계치 이상인 경우, 상기 컴퓨팅 장치(100)는 상기 뉴럴 네트워크(150)로 하여금, 상기 학습용 파라미터 중 적어도 하나의 특정 학습용 파라미터를 참조로 하여, 상기 특정 서브섹션에 상기 뉴럴 네트워크 연산을 적용하는데 사용될, 상기 테스트용 파라미터 중 적어도 하나의 특정 테스트용 파라미터를 결정하도록 한다.
이와 달리, 상기 특정 테스트용 객체를 포함하는 상기 특정 서브섹션 대비 상기 특정 테스트용 객체가 차지하는 면적의 비율이 상기 기설정된 임계치 미만인 경우, 상기 컴퓨팅 장치(100)는 상기 뉴럴 네트워크(150)로 하여금, 상기 학습용 파라미터 중 상기 특정 학습용 파라미터를 참조로 하여, 상기 특정 서브섹션에서 특정 테스트용 객체가 위치하는 서브영역에 상기 뉴럴 네트워크 연산을 적용하는 데 사용될, 상기 테스트용 파라미터 중 상기 특정 테스트용 파라미터의 제1 부분을 결정하도록 하고, 상기 특정 테스트용 비객체의 클래스 정보와 동일 또는 유사한 클래스 정보를 가지는 추가 학습용 비객체를 이용하여 개별적으로 학습된 적어도 하나의 추가 학습용 파라미터를 참조로 하여, 상기 특정 서브섹션에서 상기 특정 테스트용 비객체가 위치하는 서브영역에 상기 뉴럴 네트워크 연산을 적용하는데 사용될 상기 특정 테스트용 파라미터의 제2 부분을 결정하도록 할 수 있다.
상기에 언급되지 않은 다른 실시예의 특징, 예를 들어 상기 뉴럴 네트워크 연산 프로세스 또는 상기 가변 템플릿은 일 실시예의 특징과 유사하므로 이에 대한 설명은 생략하도록 한다.
본 발명의 방법은 자율 주행 차량 레벨4를 충족하기 위해 영역의 클래스에 따라 모드를 전환하기 위하여 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 (30)

  1. 그리드 생성기를 이용한 뉴럴 네트워크 연산 방법에 있어서,
    (a) 컴퓨팅 장치가, 테스트 이미지가 획득되면, 검출기로 하여금, 상기 테스트 이미지 상에 존재하는 테스트용 객체와 테스트용 비객체(non-object)를 검출하여, 상기 테스트 이미지 상에 상기 테스트용 객체가 어디에 있는지에 관한 정보를 포함하는 테스트용 객체 위치 정보와 상기 테스트 이미지 상에 존재하는 상기 테스트용 비객체의 클래스에 관한 정보를 포함하는 상기 테스트용 비객체의 클래스 정보를 획득하도록 하는 단계;
    (b) 상기 컴퓨팅 장치가, 그리드 생성기로 하여금, 상기 테스트용 객체 위치 정보를 참조로 하여 상기 테스트 이미지 내의 복수의 서브섹션에 관한 정보를 포함하는 섹션 정보를 생성하도록 하는 단계;
    (c) 상기 컴퓨팅 장치가, 뉴럴 네트워크로 하여금, 상기 뉴럴 네트워크 연산을 (i) 각각의 상기 테스트용 객체와 이에 대응되는 상기 테스트용 비객체를 포함하는 상기 서브섹션 중 적어도 일부에, 또는 (ii) 상기 서브섹션 중 상기 적어도 일부 내에서 상기 각각의 테스트용 비객체가 위치하는 각각의 서브영역에 적용하는 데 사용될 테스트용 파라미터를 결정하되, 상기 각각의 테스트용 비객체의 상기 클래스 정보와 동일 또는 유사한 클래스 정보를 가지는 각각의 학습용 비객체에 대한 정보를 사용하여 학습된 학습용 파라미터를 참조로 하여 결정하도록 하는 단계; 및
    (d) 상기 컴퓨팅 장치가, 상기 뉴럴 네트워크로 하여금, 상기 서브섹션 중 상기 적어도 일부 각각에 대응하는 상기 각각의 테스트용 파라미터를 이용하여, 상기 뉴럴 네트워크 연산을 상기 테스트 이미지에 적용함으로써 하나 이상의 뉴럴 네트워크 결과를 출력하도록 하는 단계;
    를 포함하는 것을 특징으로 하는 방법.
  2. 제 1항에 있어서,
    상기 (b) 단계에서,
    상기 그리드 생성기가, 가변 템플릿(dynamic template)을 이용하여 상기 테스트 이미지를 나누되, 상기 가변 템플릿의 상기 서브섹션의 상기 적어도 일부 각각에 상기 테스트용 객체 중 적어도 하나가 포함되도록 하나 이상의 경계선이 조정된 상기 가변 템플릿이 제공되는 것을 특징으로 하는 방법.
  3. 제 2항에 있어서,
    상기 그리드 생성기가, 상기 가변 템플릿에 대한 정보를 관리하며, 상기 가변 템플릿은 (i) 제1 방향의 적어도 하나의 제1 경계선 및 (ii) 제2 방향의 적어도 하나의 제2 경계선 중 적어도 일부를 포함하되, 이 중 일부는 조정 가능한 것을 특징으로 하는 방법.
  4. 제 2항에 있어서,
    상기 가변 템플릿은, 행 그룹(row group)과 하나 이상의 열 그룹(column group)을 포함하고, 상기 행 그룹은 (i) 상단 행 그룹, (ii) 상기 열 그룹 중 적어도 일부를 포함하는 중단 행 그룹, 및 (iii) 하단 행 그룹을 포함하며, 적어도 하나의 상기 테스트용 객체는 상기 행 그룹과 상기 열 그룹에 의해 형성되는 상기 서브섹션 중 상기 적어도 일부 각각에 포함되는 것을 특징으로 하는 방법.
  5. 제 1항에 있어서,
    상기 (a) 단계 이전에,
    (a0) 상기 컴퓨팅 장치가, 상기 뉴럴 네트워크로 하여금, 하나 이상의 트레이닝 이미지에 포함되는 각각의 상기 학습용 비객체에 관한 정보를 이용하여, 상기 학습용 파라미터를 학습하도록 하는 단계;
    를 더 포함하는 것을 특징으로 하는 방법.
  6. 제 5항에 있어서,
    상기 (a0) 단계에서,
    상기 뉴럴 네트워크는 상기 트레이닝 이미지 내에 포함된 제1 분할 영역 내지 제k 분할 영역까지의 분할 영역 중 적어도 일부 각각에 포함되는 각각의 상기 학습용 비객체에 관한 정보를 이용하여 상기 학습용 파라미터를 학습하고, 상기 학습용 비객체에 관한 클래스 정보를, 상기 학습용 비객체에 대응하는 학습용 파라미터와 연동하여 저장하는 것을 특징으로 하는 방법.
  7. 제 6항에 있어서,
    상기 각각의 트레이닝 이미지 상에서 상기 제1 분할 영역 내지 상기 제k 분할 영역의 위치 정보를 제1 위치 정보 내지 제k 위치 정보라고 할 때, 상기 트레이닝 이미지 각각의 제1 위치 정보의 상대적인 편차 내지 상기 제k 위치 정보의 상대적인 편차 중 적어도 일부 각각이 기설정된 임계치 이하에 해당되면, 이를 상기 트레이닝 이미지로 선정하는 것을 특징으로 하는 방법.
  8. 제 1항에 있어서,
    상기 (c) 단계에서,
    (i) 특정 테스트용 객체를 포함하는 특정 서브섹션 대비 상기 특정 테스트용 객체가 차지하는 면적의 비율이 기설정된 임계치 미만인 경우, 상기 컴퓨팅 장치는 상기 뉴럴 네트워크로 하여금, 상기 학습용 파라미터 중 적어도 하나의 특정 학습용 파라미터를 참조로 하여, 상기 특정 서브섹션에 상기 뉴럴 네트워크 연산을 적용하는데 사용될, 상기 테스트용 파라미터 중 적어도 하나의 특정 테스트용 파라미터를 결정하도록 하고, (ii) 상기 특정 테스트용 객체를 포함하는 상기 특정 서브섹션 대비 상기 특정 테스트용 객체가 차지하는 면적의 비율이 상기 기설정된 임계치 이상인 경우, 상기 컴퓨팅 장치는 상기 뉴럴 네트워크로 하여금 (ii-1) 상기 학습용 파라미터 중 상기 특정 학습용 파라미터를 참조로 하여, 상기 특정 서브섹션에서 특정 테스트용 비객체가 위치하는 서브영역에 상기 뉴럴 네트워크 연산을 적용하는 데 사용될, 상기 특정 테스트용 파라미터의 제1 부분을 결정하도록 하고, (ii-2) 상기 특정 테스트용 객체의 클래스 정보와 동일 또는 유사한 클래스 정보를 가지는 추가 학습용 객체를 이용하여 개별적으로 학습된 적어도 하나의 추가 학습용 파라미터를 참조로 하여, 상기 특정 서브섹션에서 상기 특정 테스트용 객체가 위치하는 서브영역에 상기 뉴럴 네트워크 연산을 적용하는데 사용될 상기 특정 테스트용 파라미터의 제2 부분을 결정하도록 하는 것을 특징으로 하는 방법.
  9. 제 1항에 있어서,
    상기 (d) 단계에서,
    상기 컴퓨팅 장치가, 상기 뉴럴 네트워크로 하여금, 상기 테스트용 파라미터를 이용하여 상기 테스트 이미지에 하나 이상의 컨벌루션 연산과 하나 이상의 디컨벌루션 연산을 적용하여, 상기 뉴럴 네트워크 결과를 출력하도록 하는 것을 특징으로 하는 방법.
  10. 제 9항에 있어서,
    상기 테스트 이미지는 도로 주행 상황을 나타내고, 상기 테스트용 객체는 도로 상에서 나타날 수 있는 물체이며, 상기 뉴럴 네트워크 결과는 자율 주행을 위해 사용되는 것을 특징으로 하는 방법.
  11. 그리드 생성기를 이용한 뉴럴 네트워크 연산 방법에 있어서,
    (a) 컴퓨팅 장치가, 테스트 이미지가 획득되면, 검출기로 하여금, 상기 테스트 이미지 상에 존재하는 테스트용 객체를 검출하여, 상기 테스트 이미지 상에 상기 테스트용 객체가 어디에 있는지에 관한 정보를 포함하는 테스트용 객체 위치 정보와 상기 테스트 이미지 상에 존재하는 테스트용 객체 클래스에 관한 정보를 포함하는 상기 테스트용 객체의 클래스 정보를 획득하도록 하는 단계;
    (b) 상기 컴퓨팅 장치가, 그리드 생성기로 하여금, 상기 테스트용 객체 위치 정보를 참조로 하여 상기 테스트 이미지 내의 복수의 서브섹션에 관한 정보를 포함하는 섹션 정보를 생성하도록 하는 단계;
    (c) 상기 컴퓨팅 장치가, 뉴럴 네트워크로 하여금, 뉴럴 네트워크 연산을 (i) 각각의 상기 테스트용 객체와 이에 대응되는 테스트용 비객체를 포함하는 상기 서브섹션 중 적어도 일부에, 또는 (ii) 상기 서브섹션 중 상기 적어도 일부 내에서 상기 각각의 테스트용 객체가 위치하는 각각의 서브영역에 적용하는 데 사용될 테스트용 파라미터를 결정하되, 상기 각각의 테스트용 객체의 상기 클래스 정보와 동일 또는 유사한 클래스 정보를 가지는 각각의 학습용 객체에 대한 정보를 사용하여 학습된 학습용 파라미터를 참조로 하여 결정하도록 하는 단계; 및
    (d) 상기 컴퓨팅 장치가, 상기 뉴럴 네트워크로 하여금, 상기 서브섹션 중 상기 적어도 일부 각각에 대응하는 상기 각각의 테스트용 파라미터를 이용하여, 상기 뉴럴 네트워크 연산을 상기 테스트 이미지에 적용함으로써 하나 이상의 뉴럴 네트워크 결과를 출력하도록 하는 단계;
    를 포함하는 것을 특징으로 하는 방법.
  12. 제 11항에 있어서,
    상기 (a) 단계 이전에,
    (a0) 상기 컴퓨팅 장치가, 상기 뉴럴 네트워크로 하여금, 하나 이상의 트레이닝 이미지에 포함되는 각각의 상기 학습용 객체에 관한 정보를 이용하여, 상기 학습용 파라미터를 학습하도록 하는 단계;
    를 더 포함하는 것을 특징으로 하는 방법.
  13. 제 12항에 있어서,
    상기 (a0) 단계에서,
    상기 뉴럴 네트워크는 상기 트레이닝 이미지 내에 포함된 제1 분할 영역 내지 제k분할 영역까지의 분할 영역 중 적어도 일부 각각에 포함되는 각각의 상기 학습용 객체에 관한 정보를 이용하여, 상기 학습용 파라미터를 학습하고, 상기 학습용 객체에 관한 클래스 정보를, 상기 학습용 객체에 대응하는 학습용 파라미터와 연동하여 저장하는 것을 특징으로 하는 방법.
  14. 제 13항에 있어서,
    상기 각각의 트레이닝 이미지 상에서 상기 제1 분할 영역 내지 상기 제k 분할 영역의 위치 정보를 제1 위치 정보 내지 제k 위치 정보라고 할 때, 상기 트레이닝 이미지 각각의 제1 위치 정보의 상대적인 편차 내지 상기 제k 위치 정보의 상대적인 편차 중 적어도 일부 각각이 기설정된 임계치 이하에 해당되면, 이를 상기 트레이닝 이미지로 선정하는 것을 특징으로 하는 방법.
  15. 제 14항에 있어서,
    상기 (c) 단계에서,
    (i) 특정 테스트용 객체를 포함하는 특정 서브섹션 대비 상기 특정 테스트용 객체가 차지하는 면적의 비율이 기설정된 임계치 이상인 경우, 상기 컴퓨팅 장치는 상기 뉴럴 네트워크로 하여금, 상기 학습용 파라미터 중 적어도 하나의 특정 학습용 파라미터를 참조로 하여, 상기 특정 서브섹션에 상기 뉴럴 네트워크 연산을 적용하는데 사용될, 상기 테스트용 파라미터 중 적어도 하나의 특정 테스트용 파라미터를 결정하도록 하고, (ii) 상기 특정 테스트용 객체를 포함하는 상기 특정 서브섹션 대비 상기 특정 테스트용 객체가 차지하는 면적의 비율이 상기 기설정된 임계치 미만인 경우, 상기 컴퓨팅 장치는 상기 뉴럴 네트워크로 하여금 (ii-1) 상기 학습용 파라미터 중 상기 특정 학습용 파라미터를 참조로 하여, 상기 특정 서브섹션에서 특정 테스트용 객체가 위치하는 서브영역에 상기 뉴럴 네트워크 연산을 적용하는 데 사용될, 상기 특정 테스트용 파라미터의 제1 부분을 결정하도록 하고, (ii-2) 특정 테스트용 비객체의 클래스 정보와 동일 또는 유사한 클래스 정보를 가지는 추가 학습용 비객체를 이용하여 개별적으로 학습된 적어도 하나의 추가 학습용 파라미터를 참조로 하여, 상기 특정 서브섹션에서 상기 특정 테스트용 비객체가 위치하는 서브영역에 상기 뉴럴 네트워크 연산을 적용하는데 사용될 상기 특정 테스트용 파라미터의 제2 부분을 결정하도록 하는 것을 특징으로 하는 방법.
  16. 그리드 생성기를 이용하여 뉴럴 네트워크 연산하기 위한 컴퓨팅 장치에 있어서,
    인스트럭션들을 저장하는 적어도 하나의 메모리; 및
    (I) 검출기로 하여금, 테스트 이미지 상에 존재하는 테스트용 객체와 테스트용 비객체를 검출하여, 상기 테스트 이미지 상에 상기 테스트용 객체가 어디에 있는지에 관한 정보를 포함하는 테스트용 객체 위치 정보와 상기 테스트 이미지 상에 존재하는 상기 테스트용 비객체의 클래스에 관한 정보를 포함하는 상기 테스트용 비객체의 클래스 정보를 획득하도록 하는 프로세스, (II) 그리드 생성기로 하여금, 상기 테스트용 객체 위치 정보를 참조로 하여 상기 테스트 이미지 내의 복수의 서브섹션에 관한 정보를 포함하는 섹션 정보를 생성하도록 하는 프로세스, (III) 뉴럴 네트워크로 하여금, 상기 뉴럴 네트워크 연산을 (i) 각각의 상기 테스트용 객체와 이에 대응되는 상기 테스트용 비객체를 포함하는 상기 서브섹션 중 적어도 일부에, 또는 (ii) 상기 서브섹션 중 상기 적어도 일부 내에서 상기 각각의 테스트용 비객체가 위치하는 각각의 서브영역에 적용하는 데 사용될 테스트용 파라미터를 결정하되, 상기 각각의 테스트용 비객체의 상기 클래스 정보와 동일 또는 유사한 클래스 정보를 가지는 각각의 학습용 비객체에 대한 정보를 사용하여 학습된 학습용 파라미터를 참조로 하여 결정하도록 하는 프로세스, 및 (IV) 상기 뉴럴 네트워크로 하여금, 상기 서브섹션 중 상기 적어도 일부 각각에 대응하는 상기 각각의 테스트용 파라미터를 이용하여, 상기 뉴럴 네트워크 연산을 상기 테스트 이미지에 적용함으로써 하나 이상의 뉴럴 네트워크 결과를 출력하도록 하는 프로세스를 수행하기 위한 상기 인스트럭션들을 실행하도록 구성된 적어도 하나의 프로세서;
    를 포함하는 것을 특징으로 하는 컴퓨팅 장치.
  17. 제16항에 있어서,
    상기 (II) 프로세스에서,
    상기 그리드 생성기가, 가변 템플릿을 이용하여 상기 테스트 이미지를 나누되, 상기 가변 템플릿의 상기 서브섹션의 상기 적어도 일부 각각에 상기 테스트용 객체 중 적어도 하나가 포함되도록 하나 이상의 경계선이 조정된 상기 가변 템플릿이 제공되는 것을 특징으로 하는 컴퓨팅 장치.
  18. 제17항에 있어서,
    상기 그리드 생성기가, 상기 가변 템플릿에 대한 정보를 관리하며, 상기 가변 템플릿은 (i) 제1 방향의 적어도 하나의 제1 경계선 및 (ii) 제2 방향의 적어도 하나의 제2 경계선 중 적어도 일부를 포함하되, 이 중 일부는 조정 가능한 것을 특징으로 하는 컴퓨팅 장치.
  19. 제17항에 있어서,
    상기 가변 템플릿은, 행 그룹과 하나 이상의 열 그룹을 포함하고, 상기 행 그룹은 (i) 상단 행 그룹, (ii) 상기 열 그룹 중 적어도 일부를 포함하는 중단 행 그룹, 및 (iii) 하단 행 그룹을 포함하며, 적어도 하나의 상기 테스트용 객체는 상기 행 그룹과 상기 열 그룹에 의해 형성되는 상기 서브섹션 중 상기 적어도 일부 각각에 포함되는 것을 특징으로 하는 컴퓨팅 장치.
  20. 제16항에 있어서,
    상기 (I) 프로세스 이전에,
    상기 프로세서는, (0) 상기 뉴럴 네트워크로 하여금, 하나 이상의 트레이닝 이미지에 포함되는 각각의 상기 학습용 비객체에 관한 정보를 이용하여, 상기 학습용 파라미터를 학습하도록 하는 프로세스를 더 수행하는 것을 특징으로 하는 컴퓨팅 장치.
  21. 제20항에 있어서,
    상기 (0)프로세스에서,
    상기 뉴럴 네트워크는 상기 트레이닝 이미지 내에 포함된 제1 분할 영역 내지 제k 분할 영역까지의 분할 영역 중 적어도 일부 각각에 포함되는 각각의 상기 학습용 비객체에 관한 정보를 이용하여 상기 학습용 파라미터를 학습하고, 상기 학습용 비객체에 관한 클래스 정보를, 상기 학습용 비객체에 대응하는 학습용 파라미터와 연동하여 저장하는 것을 특징으로 하는 컴퓨팅 장치.
  22. 제21항에 있어서,
    상기 각각의 트레이닝 이미지 상에서 상기 제1 분할 영역 내지 상기 제k 분할 영역의 위치 정보를 제1 위치 정보 내지 제k 위치 정보라고 할 때, 상기 트레이닝 이미지 각각의 제1 위치 정보의 상대적인 편차 내지 상기 제k 위치 정보의 상대적인 편차 중 적어도 일부 각각이 기설정된 임계치 이하에 해당되면, 이를 상기 트레이닝 이미지로 선정하는 것을 특징으로 하는 컴퓨팅 장치.
  23. 제16항에 있어서,
    상기 (III) 프로세스에서,
    (i) 특정 테스트용 객체를 포함하는 특정 서브섹션 대비 상기 특정 테스트용 객체가 차지하는 면적의 비율이 기설정된 임계치 미만인 경우, 상기 프로세서는 상기 뉴럴 네트워크로 하여금, 상기 학습용 파라미터 중 적어도 하나의 특정 학습용 파라미터를 참조로 하여, 상기 특정 서브섹션에 상기 뉴럴 네트워크 연산을 적용하는데 사용될, 상기 테스트용 파라미터 중 적어도 하나의 특정 테스트용 파라미터를 결정하도록 하고, (ii) 상기 특정 테스트용 객체를 포함하는 상기 특정 서브섹션 대비 상기 특정 테스트용 객체가 차지하는 면적의 비율이 상기 기설정된 임계치 이상인 경우, 상기 프로세서는 상기 뉴럴 네트워크로 하여금 (ii-1) 상기 학습용 파라미터 중 상기 특정 학습용 파라미터를 참조로 하여, 상기 특정 서브섹션에서 특정 테스트용 비객체가 위치하는 서브영역에 상기 뉴럴 네트워크 연산을 적용하는 데 사용될, 상기 특정 테스트용 파라미터의 제1 부분을 결정하도록 하고, (ii-2) 상기 특정 테스트용 객체의 클래스 정보와 동일 또는 유사한 클래스 정보를 가지는 추가 학습용 객체를 이용하여 개별적으로 학습된 적어도 하나의 추가 학습용 파라미터를 참조로 하여, 상기 특정 서브섹션에서 상기 특정 테스트용 객체가 위치하는 서브영역에 상기 뉴럴 네트워크 연산을 적용하는데 사용될 상기 특정 테스트용 파라미터의 제2 부분을 결정하도록 하는 것을 특징으로 하는 컴퓨팅 장치.
  24. 제16항에 있어서,
    상기 (IV) 프로세스에서,
    상기 프로세서가 상기 뉴럴 네트워크로 하여금, 상기 테스트용 파라미터를 이용하여 상기 테스트 이미지에 하나 이상의 컨벌루션 연산과 하나 이상의 디컨벌루션 연산을 적용하여, 상기 뉴럴 네트워크 결과를 출력하도록 하는 것을 특징으로 하는 컴퓨팅 장치.
  25. 제24항에 있어서,
    상기 테스트 이미지는 도로 주행 상황을 나타내고, 상기 테스트용 객체는 도로 상에서 나타날 수 있는 물체이며, 상기 뉴럴 네트워크 결과는 자율 주행을 위해 사용되는 것을 특징으로 하는 컴퓨팅 장치.
  26. 그리드 생성기를 이용하여 뉴럴 네트워크 연산하기 위한 컴퓨팅 장치에 있어서,
    인스트럭션들을 저장하는 적어도 하나의 메모리; 및
    (I) 검출기로 하여금, 테스트 이미지 상에 존재하는 테스트용 객체를 검출하여, 상기 테스트 이미지 상에 상기 테스트용 객체가 어디에 있는지에 관한 정보를 포함하는 테스트용 객체 위치 정보와 상기 테스트 이미지 상에 존재하는 테스트용 객체 클래스에 관한 정보를 포함하는 상기 테스트용 객체의 클래스 정보를 획득하도록 하는 프로세스, (II) 그리드 생성기로 하여금, 상기 테스트용 객체 위치 정보를 참조로 하여 상기 테스트 이미지 내의 복수의 서브섹션에 관한 정보를 포함하는 섹션 정보를 생성하도록 하는 프로세스, (III) 뉴럴 네트워크로 하여금, 뉴럴 네트워크 연산을 (i) 각각의 상기 테스트용 객체와 이에 대응되는 테스트용 비객체를 포함하는 상기 서브섹션 중 적어도 일부에, 또는 (ii) 상기 서브섹션 중 상기 적어도 일부 내에서 상기 각각의 테스트용 객체가 위치하는 각각의 서브영역에 적용하는 데 사용될 테스트용 파라미터를 결정하되, 상기 각각의 테스트용 객체의 상기 클래스 정보와 동일 또는 유사한 클래스 정보를 가지는 각각의 학습용 객체에 대한 정보를 사용하여 학습된 학습용 파라미터를 참조로 하여 결정하도록 하는 프로세스, 및 (IV) 상기 뉴럴 네트워크로 하여금, 상기 서브섹션 각각에 대응하는 상기 각각의 테스트용 파라미터를 이용하여, 상기 뉴럴 네트워크 연산을 상기 테스트 이미지에 적용함으로써 하나 이상의 뉴럴 네트워크 결과를 출력하도록 하는 프로세스를 수행하기 위한 상기 인스트럭션들을 실행하도록 구성된 적어도 하나의 프로세서;
    를 포함하는 것을 특징으로 하는 컴퓨팅 장치.
  27. 제26항에 있어서,
    상기 (I) 프로세스 이전에,
    상기 프로세서는, (0) 상기 뉴럴 네트워크로 하여금, 하나 이상의 트레이닝 이미지에 포함되는 각각의 상기 학습용 객체에 관한 정보를 이용하여, 상기 학습용 파라미터를 학습하도록 하는 프로세스를 더 수행하는 것을 특징으로 하는 컴퓨팅 장치.
  28. 제27항에 있어서,
    상기 (0) 프로세스에서,
    상기 뉴럴 네트워크는 상기 트레이닝 이미지 내에 포함된 제1 분할영역 내지 제k분할 영역까지의 분할 영역 중 적어도 일부 각각에 포함되는 각각의 상기 학습용 객체에 관한 정보를 이용하여, 상기 학습용 파라미터를 학습하고, 상기 학습용 객체에 관한 클래스 정보를, 상기 학습용 객체에 대응하는 학습용 파라미터와 연동하여 저장하는 것을 특징으로 하는 컴퓨팅 장치.
  29. 제28항에 있어서,
    상기 각각의 트레이닝 이미지 상에서 상기 제1 분할 영역 내지 상기 제k 분할 영역의 위치 정보를 제1 위치 정보 내지 제k 위치 정보라고 할 때, 상기 트레이닝 이미지 각각의 제1 위치 정보의 상대적인 편차 내지 상기 제k 위치 정보의 상대적인 편차 중 적어도 일부 각각이 기설정된 임계치 이하에 해당되면, 이를 상기 트레이닝 이미지로 선정하는 것을 특징으로 하는 컴퓨팅 장치.
  30. 제 29항에 있어서,
    상기 (III) 프로세스에서,
    (i) 특정 테스트용 객체를 포함하는 특정 서브섹션 대비 상기 특정 테스트용 객체가 차지하는 면적의 비율이 기설정된 임계치 이상인 경우, 상기 프로세서는 상기 뉴럴 네트워크로 하여금, 상기 학습용 파라미터 중 적어도 하나의 특정 학습용 파라미터를 참조로 하여, 상기 특정 서브섹션에 상기 뉴럴 네트워크 연산을 적용하는데 사용될, 상기 테스트용 파라미터 중 적어도 하나의 특정 테스트용 파라미터를 결정하도록 하고, (ii) 상기 특정 테스트용 객체를 포함하는 상기 특정 서브섹션 대비 상기 특정 테스트용 객체가 차지하는 면적의 비율이 상기 기설정된 임계치 미만인 경우, 상기 프로세서는 상기 뉴럴 네트워크로 하여금 (ii-1) 상기 학습용 파라미터 중 상기 특정 학습용 파라미터를 참조로 하여, 상기 특정 서브섹션에서 특정 테스트용 객체가 위치하는 서브영역에 상기 뉴럴 네트워크 연산을 적용하는 데 사용될, 상기 특정 테스트용 파라미터의 제1 부분을 결정하도록 하고, (ii-2) 특정 테스트용 비객체의 클래스 정보와 동일 또는 유사한 클래스 정보를 가지는 추가 학습용 비객체를 이용하여 개별적으로 학습된 적어도 하나의 추가 학습용 파라미터를 참조로 하여, 상기 특정 서브섹션에서 상기 특정 테스트용 비객체가 위치하는 서브영역에 상기 뉴럴 네트워크 연산을 적용하는데 사용될 상기 특정 테스트용 파라미터의 제2 부분을 결정하도록 하는 것을 특징으로 하는 컴퓨팅 장치.
KR1020190119527A 2019-01-22 2019-09-27 자율주행 차량 레벨4를 충족하기 위해 영역의 클래스에 따라 모드를 전환하기 위하여 그리드 생성기를 이용하는 뉴럴 네트워크 연산 방법 및 이를 이용한 장치 KR102326278B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/254,500 2019-01-22
US16/254,500 US10339424B1 (en) 2019-01-22 2019-01-22 Method and device of neural network operations using a grid generator for converting modes according to classes of areas to satisfy level 4 of autonomous vehicles

Publications (2)

Publication Number Publication Date
KR20200091320A KR20200091320A (ko) 2020-07-30
KR102326278B1 true KR102326278B1 (ko) 2021-11-15

Family

ID=67069340

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190119527A KR102326278B1 (ko) 2019-01-22 2019-09-27 자율주행 차량 레벨4를 충족하기 위해 영역의 클래스에 따라 모드를 전환하기 위하여 그리드 생성기를 이용하는 뉴럴 네트워크 연산 방법 및 이를 이용한 장치

Country Status (5)

Country Link
US (1) US10339424B1 (ko)
EP (1) EP3686799A1 (ko)
JP (1) JP6856905B2 (ko)
KR (1) KR102326278B1 (ko)
CN (1) CN111460878B (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012124000A1 (ja) 2011-03-17 2012-09-20 日本電気株式会社 画像認識システム、画像認識方法および画像認識用プログラムが格納された非一時的なコンピュータ可読媒体
US8798314B2 (en) 2008-07-14 2014-08-05 National Ict Australia Limited Detection of vehicles in images of a night time scene
US20180129906A1 (en) 2016-11-07 2018-05-10 Qualcomm Incorporated Deep cross-correlation learning for object tracking
JP2018077829A (ja) 2016-11-09 2018-05-17 パナソニックＩｐマネジメント株式会社 情報処理方法、情報処理装置およびプログラム

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7433524B2 (en) * 2003-05-08 2008-10-07 Ricoh Company, Ltd. Processing system with frame rate and image quality optimized
JP5506274B2 (ja) * 2009-07-31 2014-05-28 富士フイルム株式会社 画像処理装置及び方法、データ処理装置及び方法、並びにプログラム
US20160042548A1 (en) * 2014-03-19 2016-02-11 Intel Corporation Facial expression and/or interaction driven avatar apparatus and method
WO2016037300A1 (en) * 2014-09-10 2016-03-17 Xiaoou Tang Method and system for multi-class object detection
US20170206434A1 (en) * 2016-01-14 2017-07-20 Ford Global Technologies, Llc Low- and high-fidelity classifiers applied to road-scene images
WO2018033156A1 (zh) * 2016-08-19 2018-02-22 北京市商汤科技开发有限公司 视频图像的处理方法、装置和电子设备
US10424064B2 (en) * 2016-10-18 2019-09-24 Adobe Inc. Instance-level semantic segmentation system
US10157441B2 (en) * 2016-12-27 2018-12-18 Automotive Research & Testing Center Hierarchical system for detecting object with parallel architecture and hierarchical method thereof
WO2018138603A1 (en) * 2017-01-26 2018-08-02 Semiconductor Energy Laboratory Co., Ltd. Semiconductor device and electronic device including the semiconductor device
US10325166B2 (en) * 2017-04-13 2019-06-18 Here Global B.V. Method, apparatus, and system for a parametric representation of signs
US10824938B2 (en) * 2017-04-24 2020-11-03 Intel Corporation Specialized fixed function hardware for efficient convolution
US10402995B2 (en) * 2017-07-27 2019-09-03 Here Global B.V. Method, apparatus, and system for real-time object detection using a cursor recurrent neural network
CN108022238B (zh) * 2017-08-09 2020-07-03 深圳科亚医疗科技有限公司 对3d图像中对象进行检测的方法、计算机存储介质和系统
US10753997B2 (en) * 2017-08-10 2020-08-25 Siemens Healthcare Gmbh Image standardization using generative adversarial networks
US11227108B2 (en) * 2017-09-11 2022-01-18 Nec Corporation Convolutional neural network architecture with adaptive filters
CN110838124B (zh) * 2017-09-12 2021-06-18 深圳科亚医疗科技有限公司 用于分割具有稀疏分布的对象的图像的方法、系统和介质
CN107506802A (zh) * 2017-10-19 2017-12-22 广东工业大学 一种基于网格的聚类算法及其装置
US10175697B1 (en) * 2017-12-21 2019-01-08 Luminar Technologies, Inc. Object identification and labeling tool for training autonomous vehicle controllers
CN108229446B (zh) * 2018-02-09 2020-07-24 中煤航测遥感集团有限公司 一种区域圈定方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8798314B2 (en) 2008-07-14 2014-08-05 National Ict Australia Limited Detection of vehicles in images of a night time scene
WO2012124000A1 (ja) 2011-03-17 2012-09-20 日本電気株式会社 画像認識システム、画像認識方法および画像認識用プログラムが格納された非一時的なコンピュータ可読媒体
US20180129906A1 (en) 2016-11-07 2018-05-10 Qualcomm Incorporated Deep cross-correlation learning for object tracking
JP2018077829A (ja) 2016-11-09 2018-05-17 パナソニックＩｐマネジメント株式会社 情報処理方法、情報処理装置およびプログラム

Also Published As

Publication number Publication date
CN111460878B (zh) 2023-11-24
CN111460878A (zh) 2020-07-28
EP3686799A1 (en) 2020-07-29
JP6856905B2 (ja) 2021-04-14
JP2020119536A (ja) 2020-08-06
US10339424B1 (en) 2019-07-02
KR20200091320A (ko) 2020-07-30

Similar Documents

Publication Publication Date Title
KR102296507B1 (ko) 트래킹 네트워크를 포함한 cnn을 사용하여 객체를 트래킹하는 방법 및 이를 이용한 장치
KR102337376B1 (ko) 레인 마스크(Lane Mask)를 사용하여 후처리 없이 입력 이미지에 포함된 하나 이상의 차선을 검출하는 방법 및 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치
KR102319541B1 (ko) 객체의 종횡비나 스케일에 따라 모드를 전환할 수 있는 r-cnn 기반의 감시에 사용되는 객체 검출기의 학습 방법 및 테스트 방법, 이를 이용한 학습 장치 및 테스트 장치
KR102114357B1 (ko) 풀링 타입에 대한 정보를 포함하는 테이블을 작성하기 위한 방법, 장치 및 이를 이용한 테스팅 방법, 테스팅 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
KR20200027427A (ko) 차선 후보 픽셀의 분류를 통해 차선을 검출하는 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치
US10423840B1 (en) Post-processing method and device for detecting lanes to plan the drive path of autonomous vehicle by using segmentation score map and clustering map
CN111462193B (zh) 用于多摄像机或环绕视图监控的对象检测方法及装置
KR102309708B1 (ko) 인스턴스 세그멘테이션을 이용한 객체의 자세에 따라 모드를 전환할 수 있는 cnn 기반의 수도-3d 바운딩 박스를 검출하는 방법 및 이를 이용한 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
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
KR20200091317A (ko) 자율 주행 자동차의 레벨 4를 충족시키기 위해 영역의 클래스에 따라 모드를 전환하여 그리드 셀 별로 가중 컨벌루션 필터를 이용한 감시용 이미지 세그멘테이션 방법 및 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치
KR102325025B1 (ko) 자율주행 차량 레벨4를 충족하기 위해 영역의 클래스에 따라 모드를 전환하기 위하여 그리드 생성기를 이용하는 뉴럴 네트워크 연산 방법 및 이를 이용한 장치
KR102309705B1 (ko) Cnn 기반 차선 검출을 위한 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치
CN111476082A (zh) 在线批次归一化、在线学习及持续学习的方法和装置
KR20200095357A (ko) 비최대값 억제를 학습하는 병합 네트워크를 이용한 이종 센서 융합을 위한 학습 방법 및 학습 장치
KR20200092846A (ko) 객체의 조건에 따라 모드를 전환할 수 있는 CNN 기반으로 군사 목적, 스마트폰 또는 가상 주행에 사용되는 수도(Pseudo)-3D 바운딩 박스를 검출하는 방법 및 이를 이용한 장치
KR102326278B1 (ko) 자율주행 차량 레벨4를 충족하기 위해 영역의 클래스에 따라 모드를 전환하기 위하여 그리드 생성기를 이용하는 뉴럴 네트워크 연산 방법 및 이를 이용한 장치
KR102313605B1 (ko) 자율주행 차량 레벨4를 충족하기 위해 영역의 클래스에 따라 모드를 전환하기 위하여 그리드 생성기를 이용하는 뉴럴 네트워크 연산 방법 및 이를 이용한 장치
KR20200091791A (ko) 하드웨어 최적화에 쓰이는 1x1 컨벌루션을 이용한 CNN 기반의 객체 검출기를 학습하는 방법 및 학습 장치, 이를 이용한 테스트 장치 및 테스트 장치
KR102224778B1 (ko) 횡 필터 마스크를 이용하여 자율 주행 차량의 주행 경로를 계획하기 위해 차선 요소를 검출하는 방법 및 장치

Legal Events

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