KR102337367B1 - 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 - Google Patents

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 Download PDF

Info

Publication number
KR102337367B1
KR102337367B1 KR1020190119531A KR20190119531A KR102337367B1 KR 102337367 B1 KR102337367 B1 KR 102337367B1 KR 1020190119531 A KR1020190119531 A KR 1020190119531A KR 20190119531 A KR20190119531 A KR 20190119531A KR 102337367 B1 KR102337367 B1 KR 102337367B1
Authority
KR
South Korea
Prior art keywords
image
test
learning
nth
processed image
Prior art date
Application number
KR1020190119531A
Other languages
English (en)
Other versions
KR20200091324A (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 KR20200091324A publication Critical patent/KR20200091324A/ko
Application granted granted Critical
Publication of KR102337367B1 publication Critical patent/KR102337367B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

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

Abstract

원거리 검출 또는 군사 목적을 위해, 이미지 컨캐터네이션을 이용한, CNN 기반의 하드웨어 최적화가 가능한 객체 검출기를 학습하는 방법이 제공된다. 상기 CNN은 상기 KPI에 따른 해상도나 초점 거리(focal length)가 바뀌게 됨에 따라 객체의 크기가 바뀌면, 상기 CNN은 재설계될 수 있다. 상기 방법은 (a) 제n 타겟 영역에 대응되는 제n 가공 이미지를 컨캐터네이팅하는 단계; (b) RPN으로 하여금, 통합 특징 맵을 이용하여, 상기 제n 가공 이미지 내에 제1 내지 제n 객체 프로포잘을 생성하도록 하고, 풀링 레이어로 하여금, 상기 통합 특징 맵 상에서, 상기 제1 내지 상기 제n 객체 프로포잘에 대응하는 영역에 풀링 연산을 적용하도록 하는 단계; (c) FC 로스 레이어로 하여금, FC 레이어에서 출력된 객체 검출 정보를 참조하여, 제1 내지 제n FC 로스를 획득하도록 하는 단계;를 포함한다.

Description

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{LEARNING METHOD AND LEARNING DEVICE FOR OBJECT DETECTOR WITH HARDWARE OPTIMIZATION BASED ON CNN FOR DETECTION AT DISTANCE OR MILITARY PURPOSE USING IMAGE CONCATENATION, AND TESTING METHOD AND TESTING DEVICE USING THE SAME}
본 발명은 원거리 검출 또는 군사 목적을 위해, 이미지 컨캐터네이션 (Image concatenation)을 이용한, CNN 기반의 하드웨어 최적화가 가능한 객체 검출기의 파라미터를 학습하는 방법에 관한 것으로; 보다 상세하게는, (a) 적어도 하나의 트레이닝 이미지가 입력되면, (i) 타겟 영역 예측 네트워크로 하여금, 상기 트레이닝 이미지 또는 이에 대응되는 하나 이상의 리사이즈된 이미지 상에서, 하나 이상의 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제1 타겟 영역 내지 제n 타겟 영역 각각을 찾도록 하고, (ii) 이미지 가공 네트워크로 하여금, 상기 트레이닝 이미지 또는 이에 대응되는 리사이즈된 이미지로부터, 상기 제1 타겟 영역 내지 상기 제n 타겟 영역 각각에 대응되는 제1 가공 이미지 내지 제n 가공 이미지를 획득하도록 하며, (iii) 상기 제1 가공 이미지 내지 상기 제n 가공 이미지를 컨캐터네이팅(concatenating)한 통합 트레이닝 이미지를 출력하도록 하는 단계; (b) (i) 하나 이상의 컨벌루션 레이어로 하여금, 하나 이상의 컨벌루션 연산을 상기 통합 트레이닝 이미지에 적용함으로써, 적어도 하나의 통합 특징 맵을 출력하도록 하며, (ii) RPN으로 하여금, 상기 통합 특징 맵을 이용하여, 상기 제1 가공 이미지 내지 상기 제n 가공 이미지 각각 내에 위치하는 하나 이상의 객체에 대응하는 제1 객체 프로포잘 내지 제n 객체 프로포잘 각각을 출력하도록 하고, (iii) 풀링 레이어로 하여금, 상기 통합 특징 맵 상에서, 상기 제1 객체 프로포잘 내지 상기 제n 객체 프로포잘 각각에 대응되는 각각의 영역에 하나 이상의 풀링 연산을 적용하여, 적어도 하나의 풀링된 통합 특징 맵을 출력하도록 하며, (iv) FC 레이어로 하여금, 상기 풀링된 통합 특징 맵에 적어도 하나의 FC(fully connected) 연산을 적용하여, 상기 객체에 대응하는 제1 객체 검출 정보 내지 제n 객체 검출 정보를 출력하도록 하는 단계; 및 (c) 적어도 하나의 FC 로스 레이어로 하여금, 상기 제1 객체 검출 정보 내지 상기 제n 객체 검출 정보와 이에 대응되는 GT(Ground Truth)를 참조하여, 하나 이상의 제1 FC 로스 내지 하나 이상의 제n FC 로스를 획득하도록 함으로써, 상기 제1 FC 로스 내지 상기 제n FC 로스를 이용한 백프로파게이션을 통해, 상기 FC 레이어 및 상기 컨벌루션 레이어의 파라미터 중 적어도 일부를 학습하도록 하는 단계;를 포함하는 것을 특징으로 하는 방법 및 학습 장치 및 이를 이용한 테스팅 방법 및 테스팅 장치에 관한 것이다.
기계 학습(machine learning)에서, 컨벌루션 뉴럴 네트워크(CNN 또는 ConvNet)는 시각적 이미지 분석에 성공적으로 적용된 심층 피드포워드 인공 뉴럴 네트워크(Deep feedforward artificial neural network)이다.
CNN 기반 객체 검출기는, (i) 하나 이상의 컨벌루션 레이어로 하여금, 입력 이미지에 컨벌루션 연산을 적용함으로써, 상기 입력 이미지에 대응되는 특징 맵을 출력하고, (ii) RPN(Region Proposal Network)으로 하여금, 상기 특징 맵을 이용하여, 상기 입력 이미지 내의 객체에 대응되는 프로포잘을 확인하며, (iii) 풀링 레이어로 하여금, 상기 확인된 프로포잘에 대응되는 상기 특징 맵 상의 영역에 적어도 하나 이상의 풀링 연산을 적용하여 풀링된 특징 맵을 획득하고, (iv) FC(Fully Connected) 레이어로 하여금, 적어도 하나의 FC 연산을 상기 획득된 풀링된 특징 맵 내지 상기 객체에 관한 출력 클래스 정보와 리그레션 정보에 적용함으로써, 상기 입력 이미지 상의 상기 객체를 검출한다.
하지만, 상기 CNN 기반 객체 검출기는 상기 컨벌루션 레이어에 의해 상기 입력 이미지의 사이즈를 축소한 사이즈의 상기 특징 맵을 이용하게 되므로, 상기 입력 이미지에 위치하는 사이즈가 큰 객체는 쉽게 검출되지만, 상기 입력 이미지에 위치하는 사이즈가 작은 객체를 검출하기는 어렵다.
즉, 상기 입력 이미지 상에서 검출될 대상으로서의 하나 이상의 객체에 대응되는 다수의 타겟 영역이 있을 경우, 일부 타겟 영역으로부터는 사이즈 때문에 원하는 특징이 정확하게 추출될 수 없게 되며, 그에 따라 특정 객체는 검출할 수 없게 된다.
이러한 문제를 해결하기 위하여, 상기 입력 이미지로부터 얻은 이미지 피라미드 중 각각의 이미지 내에 상기 타겟 영역 각각을 크롭하여 객체 검출을 수행할 수 있으나, 이 경우에는 상기 타겟 영역에 대응하여 크롭한 각각의 이미지에 대해 상기 객체 검출을 수행해야 하므로, 연산량이 증가될 수 있다.
또한, CNN 연산은 빠른 연산을 위해 일정 단위, 일 예로, 32, 64, 128 등의 배수로 블록 연산을 수행하는데, 상기 단위의 배수가 되지 않는 너비나 높이를 가진 입력 이미지가 획득되면, 상기 단위의 배수로 만들기 위해 하나 이상의 패딩 영역을 추가해야 하지만, 이는 상기 CNN 연산에 부담이 된다. 따라서, 상기 단위의 배수가 아닌 너비나 높이를 가진 크롭한 이미지가 많아지면, 상기 CNN 연산에 더 큰 부담으로 작용하여 상기 CNN의 연산 속도는 감소하게 된다.
따라서, 본 발명의 발명자는 상기 입력 이미지 상에 위치하는, 다양한 사이즈의 객체에 대응하는 상기 타겟 영역을 이용하여, 상기 CNN의 연산 시간을 줄이며 효과적으로 객체를 검출할 수 있는 학습 방법, 학습 장치 및 이를 이용한 테스팅 방법과 테스팅 장치를 제안하고자 한다.
본 발명은 상술한 문제점을 모두 해결하는 것을 그 목적으로 한다.
본 발명은 이미지 상에 위치하는 객체를 사이즈에 관계없이 효과적으로 검출할 수 있도록 하는 CNN 기반의 객체 검출기를 제공하는 것을 다른 목적으로 한다.
본 발명은 연산량을 증가시키지 않으며 상기 이미지 상의 상기 객체를 검출할 수 있도록 하는, 상기 CNN 기반의 상기 객체 검출기를 제공하는 것을 또 다른 목적으로 한다.
본 발명은 상기 입력 이미지 상의 다양한 사이즈의 상기 객체에 대응하는 타겟 영역을 이용하여, 상기 CNN의 연산 시간을 줄이며 효과적으로 상기 객체를 검출할 수 있도록 하는, 상기 CNN 기반의 상기 객체 검출기를 제공하는 것을 또 다른 목적으로 한다.
상기한 바와 같은 본 발명의 목적을 달성하고, 후술하는 본 발명의 특징적인 효과를 실현하기 위한 본 발명의 특징적인 구성은 하기와 같다.
본 발명의 일 태양에 따르면, 이미지 컨캐터네이션(Image concatenation)을 이용한, CNN 기반 객체 검출기의 파라미터를 학습하는 방법에 있어서, (a) 적어도 하나의 트레이닝 이미지가 입력되면, 학습 장치가, (i) 타겟 영역 예측 네트워크로 하여금, 상기 트레이닝 이미지 또는 이에 대응되는 하나 이상의 리사이즈된 이미지 상에서, 하나 이상의 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제1 타겟 영역 내지 제n 타겟 영역 각각을 찾도록 하고, (ii) 이미지 가공 네트워크로 하여금, 상기 트레이닝 이미지 또는 이에 대응되는 리사이즈된 이미지로부터, 상기 제1 타겟 영역 내지 상기 제n 타겟 영역 각각에 대응되는 제1 가공 이미지 내지 제n 가공 이미지를 획득하도록 하며, (iii) 상기 제1 가공 이미지 내지 상기 제n 가공 이미지를 컨캐터네이팅(concatenating)한 통합 트레이닝 이미지를 출력하도록 하는 단계; (b) 상기 학습 장치가, (i) 하나 이상의 컨벌루션 레이어로 하여금, 하나 이상의 컨벌루션 연산을 상기 통합 트레이닝 이미지에 적용함으로써, 적어도 하나의 통합 특징 맵을 출력하도록 하며, (ii) RPN으로 하여금, 상기 통합 특징 맵을 이용하여, 상기 제1 가공 이미지 내지 상기 제n 가공 이미지 각각 내에 위치하는 하나 이상의 객체에 대응하는 제1 객체 프로포잘 내지 제n 객체 프로포잘 각각을 출력하도록 하고, (iii) 풀링 레이어로 하여금, 상기 통합 특징 맵 상에서, 상기 제1 객체 프로포잘 내지 상기 제n 객체 프로포잘 각각에 대응되는 각각의 영역에 하나 이상의 풀링 연산을 적용하여, 적어도 하나의 풀링된 통합 특징 맵을 출력하도록 하며, (iv) FC 레이어로 하여금, 상기 풀링된 통합 특징 맵에 적어도 하나의 FC(fully connected) 연산을 적용하여, 상기 객체에 대응하는 제1 객체 검출 정보 내지 제n 객체 검출 정보를 출력하도록 하는 단계; 및 (c) 상기 학습 장치가, 적어도 하나의 FC 로스 레이어로 하여금, 상기 제1 객체 검출 정보 내지 상기 제n 객체 검출 정보와 이에 대응되는 GT(Ground Truth)를 참조하여, 하나 이상의 제1 FC 로스 내지 하나 이상의 제n FC 로스를 획득하도록 함으로써, 상기 제1 FC 로스 내지 상기 제n FC 로스를 이용한 백프로파게이션을 통해, 상기 FC 레이어 및 상기 컨벌루션 레이어의 파라미터 중 적어도 일부를 학습하도록 하는 단계;를 포함하는 것을 특징으로 하는 방법이 개시된다.
일 실시예에서, 상기 (b) 단계 이후, 상기 학습 장치가, 적어도 하나의 RPN 로스 레이어로 하여금, 상기 제1 객체 프로포잘 내지 상기 제n 객체 프로포잘과 이에 대응되는 GT를 참조하여, 하나 이상의 제1 RPN 로스 내지 하나 이상의 제n RPN 로스를 획득하도록 함으로써, 상기 제1 RPN 로스 내지 상기 제n RPN 로스를 이용한 백프로파게이션을 통해, 상기 RPN의 파라미터 중 적어도 일부를 학습하는 것을 특징으로 한다.
일 실시예에서, 상기 (a) 단계에서, 상기 학습 장치가, 상기 이미지 가공 네트워크로 하여금, 상기 제1 가공 이미지 내지 상기 제n 가공 이미지의 너비와 높이 중 적어도 하나를 동일하게 조정한 다음, 동일한 크기로 조정된 상기 너비 또는 상기 높이 방향으로 상기 제1 조정된 가공 이미지 내지 상기 제n 조정된 가공 이미지를 컨캐터네이팅하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 학습 장치가, 상기 이미지 가공 네트워크로 하여금, 상기 제1 조정된 가공 이미지 내지 상기 제n 조정된 가공 이미지 중, 컨캐터네이팅된 인접하는 각각의 두 개의 조정된 가공 이미지로 구성되는 각각의 페어 사이에 각각 적어도 하나의 제로 패딩 영역을 추가하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 컨벌루션 레이어의 다중 컨벌루션 연산에 의해 상기 통합 트레이닝 이미지가 1/S로 축소되며, 상기 컨벌루션 레이어 각각의 커널 각각의 최대 사이즈를
Figure 112019099057824-pat00001
라 할 경우, 상기 제로 패딩 영역의 폭이
Figure 112019099057824-pat00002
로 되도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 (a) 단계에서, 상기 학습 장치는, 상기 타겟 영역 예측 네트워크로 하여금, 상기 트레이닝 이미지 또는 이에 대응되는 리사이즈된 이미지 각각에 대한 각각의 스케일 히스토그램을 연산하도록 하며, 상기 스케일 히스토그램을 참조함으로써, 상기 타겟 객체가 위치하는 것으로 예측되는 스케일 프로포잘에 대응되는 상기 제1 타겟 영역 내지 상기 제n 타겟 영역을 찾도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 (a) 단계에서, 상기 학습 장치는, 상기 이미지 가공 네트워크로 하여금, 상기 트레이닝 이미지 또는 이에 대응되는 리사이즈된 이미지 상에서 상기 제1 타겟 영역 내지 상기 제n 타겟 영역에 대응되는 하나 이상의 영역을 크롭함으로써, 상기 제1 가공 이미지 내지 상기 제n 가공 이미지를 획득하도록 하거나, 상기 트레이닝 이미지 또는 이에 대응되는 리사이즈된 이미지 상에서 상기 제1 타겟 영역 내지 상기 제n 타겟 영역에 대응되는 하나 이상의 영역을 크롭한 다음 리사이즈함으로써, 상기 제1 가공 이미지 내지 상기 제n 가공 이미지를 획득하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 제1 타겟 영역 내지 상기 제n 타겟 영역은 상기 트레이닝 이미지 내에 위치하는 상기 타겟 객체 중 서로 다른 다수의 타겟 객체에 대응되거나, 상기 트레이닝 이미지 및 이에 대응되는 리사이즈된 이미지 내에 위치하는 적어도 하나의 동일한 타겟 객체에 대응되는 것을 특징으로 한다.
본 발명의 다른 태양에 따르면, 이미지 컨캐터네이션을 이용한 CNN 기반 객체 검출기를 테스팅하는 방법에 있어서, (a) 학습 장치가, (1) (i) 타겟 영역 예측 네트워크로 하여금, 적어도 하나의 트레이닝 이미지 또는 이에 대응되는 하나 이상의 리사이즈된 학습용 이미지 상에서, 하나 이상의 학습용 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제1 학습용 타겟 영역 내지 제n 학습용 타겟 영역 각각을 찾도록 하고, (ii) 이미지 가공 네트워크로 하여금, 상기 트레이닝 이미지 또는 이에 대응되는 리사이즈된 학습용 이미지로부터 상기 제1 학습용 타겟 영역 내지 상기 제n 학습용 타겟 영역 각각에 대응되는 제1 학습용 가공 이미지 내지 제n 학습용 가공 이미지를 획득하도록 하며, (iii) 상기 제1 학습용 가공 이미지 내지 상기 제n 학습용 가공 이미지를 컨캐터네이팅한 통합 트레이닝 이미지를 출력하도록 하고, (2) (i) 하나 이상의 컨벌루션 레이어로 하여금, 하나 이상의 컨벌루션 연산을 상기 통합 트레이닝 이미지에 적용함으로써, 적어도 하나의 학습용 통합 특징 맵을 출력하도록 하며, (ii) RPN으로 하여금 상기 학습용 통합 특징 맵을 이용하여, 상기 제1 학습용 가공 이미지 내지 상기 제n 학습용 가공 이미지 각각 내에 위치하는 하나 이상의 학습용 객체에 대응하는 제1 학습용 객체 프로포잘 내지 제n 학습용 객체 프로포잘 각각을 출력하도록 하고, (iii) 풀링 레이어로 하여금, 상기 학습용 통합 특징 맵 상에서, 상기 제1 학습용 객체 프로포잘 내지 상기 제n 학습용 객체 프로포잘 각각에 대응되는 각각의 영역에 하나 이상의 풀링 연산을 적용하여, 적어도 하나의 학습용 풀링된 통합 특징 맵을 출력하도록 하며, (iv) FC 레이어로 하여금, 상기 학습용 풀링된 통합 특징 맵에 적어도 하나의 FC(fully connected) 연산을 적용하여, 상기 학습용 객체에 대응하는 제1 학습용 객체 검출 정보 내지 제n 학습용 객체 검출 정보를 출력하도록 하며, (3) 적어도 하나의 FC 로스 레이어로 하여금, 상기 제1 학습용 객체 검출 정보 내지 상기 제n 학습용 객체 검출 정보와 이에 대응되는 GT(Ground Truth)를 참조하여, 하나 이상의 제1 FC 로스 내지 하나 이상의 제n FC 로스를 획득하도록 함으로써, 상기 제1 FC 로스 내지 상기 제n FC 로스를 이용한 백프로파게이션을 통해, 상기 FC 레이어 및 상기 컨벌루션 레이어의 파라미터 중 적어도 일부를 학습한 상태에서, 테스팅 장치가, 적어도 하나의 테스트 이미지가 획득되면, (i) 상기 타겟 영역 예측 네트워크로 하여금, 상기 테스트 이미지 또는 이에 대응되는 하나 이상의 리사이즈된 테스트용 이미지 상에서, 하나 이상의 테스트용 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제1 테스트용 타겟 영역 내지 제n 테스트용 타겟 영역 각각을 찾도록 하고, (ii) 상기 이미지 가공 네트워크로 하여금, 상기 테스트 이미지 또는 이에 대응되는 리사이즈된 테스트용 이미지로부터, 상기 제1 테스트용 타겟 영역 내지 상기 제n 테스트용 타겟 영역 각각에 대응되는 제1 테스트용 가공 이미지 내지 제n 테스트용 가공 이미지를 획득하도록 하며, (iii) 상기 제1 테스트용 가공 이미지 내지 상기 제n 테스트용 가공 이미지를 컨캐터네이팅한 통합 테스트 이미지를 출력하도록 하는 단계; 및 (b) 상기 테스팅 장치가, (i) 상기 컨벌루션 레이어로 하여금, 상기 컨벌루션 연산을 상기 통합 테스트 이미지에 적용함으로써, 적어도 하나의 테스트용 통합 특징 맵을 출력하도록 하며, (ii) 상기 RPN으로 하여금, 상기 테스트용 통합 특징 맵을 이용하여, 상기 제1 테스트용 가공 이미지 내지 상기 제n 테스트용 가공 이미지 각각 내에 위치하는 하나 이상의 테스트용 객체에 대응하는 제1 테스트용 객체 프로포잘 내지 제n 테스트용 객체 프로포잘 각각을 출력하도록 하고, (iii) 상기 풀링 레이어로 하여금, 상기 테스트용 통합 특징 맵 상에서, 상기 제1 테스트용 객체 프로포잘 내지 상기 제n 테스트용 객체 프로포잘 각각에 대응되는 각각의 영역에 상기 풀링 연산을 적용하여, 적어도 하나의 테스트용 풀링된 통합 특징 맵을 출력하도록 하며, (iv) 상기 FC 레이어로 하여금, 상기 테스트용 풀링된 통합 특징 맵에 상기 FC 연산을 적용하여, 상기 테스트용 객체에 대응하는 제1 테스트용 객체 검출 정보 내지 제n 테스트용 객체 검출 정보를 출력하도록 하는 단계;를 포함하는 것을 특징으로 하는 방법이 개시된다.
일 실시예에서, 상기 (a) 단계에서, 상기 테스팅 장치가, 상기 이미지 가공 네트워크로 하여금, 상기 제1 테스트용 가공 이미지 내지 상기 제n 테스트용 가공 이미지의 너비와 높이 중 적어도 하나를 동일하게 조정한 다음, 동일한 크기로 조정된 상기 너비 또는 상기 높이 방향으로 상기 제1 테스트용 조정된 가공 이미지 내지 상기 제n 테스트용 조정된 가공 이미지를 컨캐터네이팅하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 테스팅 장치가, 상기 이미지 가공 네트워크로 하여금, 상기 제1 테스트용 조정된 가공 이미지 내지 상기 제n 테스트용 조정된 가공 이미지 중, 컨캐터네이팅된 인접하는 각각의 두 개의 테스트용 조정된 가공 이미지로 구성되는 각각의 페어 사이에 각각 적어도 하나의 제로 패딩 영역을 추가하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 컨벌루션 레이어의 다중 컨벌루션 연산에 의해 상기 통합 테스트 이미지가 1/S로 축소되며, 상기 컨벌루션 레이어 각각의 커널 각각의 최대 사이즈를
Figure 112019099057824-pat00003
라 할 경우, 상기 제로 패딩 영역의 폭이
Figure 112019099057824-pat00004
로 되도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 (a) 단계에서, 상기 테스팅 장치는, 상기 타겟 영역 예측 네트워크로 하여금, 상기 테스트 이미지 또는 이에 대응되는 리사이즈된 테스트용 이미지 각각에 대한 각각의 테스트용 스케일 히스토그램을 연산하도록 하며, 상기 테스트용 스케일 히스토그램을 참조함으로써, 상기 테스트용 타겟 객체가 위치하는 것으로 예측되는 스케일 프로포잘에 대응되는 상기 제1 테스트용 타겟 영역 내지 상기 제n 테스트용 타겟 영역을 찾도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 (a) 단계에서, 상기 테스팅 장치는, 상기 이미지 가공 네트워크로 하여금, 상기 테스트 이미지 또는 이에 대응되는 리사이즈된 테스트용 이미지 상에서 상기 제1 테스트용 타겟 영역 내지 상기 제n 테스트용 타겟 영역에 대응되는 하나 이상의 영역을 크롭함으로써, 상기 제1 테스트용 가공 이미지 내지 상기 제n 테스트용 가공 이미지를 획득하도록 하거나, 상기 테스트 이미지 또는 이에 대응되는 리사이즈된 테스트용 이미지 상에서 상기 제1 테스트용 타겟 영역 내지 상기 제n 테스트용 타겟 영역에 대응되는 하나 이상의 영역을 크롭한 다음 리사이즈함으로써, 상기 제1 테스트용 가공 이미지 내지 상기 제n 테스트용 가공 이미지를 획득하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 제1 테스트용 타겟 영역 내지 상기 제n 테스트용 타겟 영역은 상기 테스트 이미지 내에 위치하는 상기 테스트용 타겟 객체 중 서로 다른 다수의 테스트용 타겟 객체에 대응되거나, 상기 테스트 이미지 및 이에 대응되는 리사이즈된 테스트용 이미지 내에 위치하는 적어도 하나의 동일한 테스트용 타겟 객체에 대응되는 것을 특징으로 한다.
본 발명의 또 다른 태양에 따르면, 이미지 컨캐터네이션을 이용한, CNN 기반 객체 검출기의 파라미터를 학습하기 위한 학습 장치에 있어서, 인스트럭션들을 저장하는 적어도 하나의 메모리; 및 (I) (i) 타겟 영역 예측 네트워크로 하여금, 적어도 하나의 트레이닝 이미지 또는 이에 대응되는 하나 이상의 리사이즈된 이미지 상에서, 하나 이상의 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제1 타겟 영역 내지 제n 타겟 영역 각각을 찾도록 하고, (ii) 이미지 가공 네트워크로 하여금, 상기 트레이닝 이미지 또는 이에 대응되는 리사이즈된 이미지로부터, 상기 제1 타겟 영역 내지 상기 제n 타겟 영역 각각에 대응되는 제1 가공 이미지 내지 제n 가공 이미지를 획득하도록 하며, (iii) 상기 제1 가공 이미지 내지 상기 제n 가공 이미지를 컨캐터네이팅한 통합 트레이닝 이미지를 출력하도록 하는 프로세스, (II) (i) 하나 이상의 컨벌루션 레이어로 하여금, 하나 이상의 컨벌루션 연산을 상기 통합 트레이닝 이미지에 적용함으로써, 적어도 하나의 통합 특징 맵을 출력하도록 하며, (ii) RPN으로 하여금, 상기 통합 특징 맵을 이용하여, 상기 제1 가공 이미지 내지 상기 제n 가공 이미지 각각 내에 위치하는 하나 이상의 객체에 대응하는 제1 객체 프로포잘 내지 제n 객체 프로포잘 각각을 출력하도록 하고, (iii) 풀링 레이어로 하여금, 상기 통합 특징 맵 상에서, 상기 제1 객체 프로포잘 내지 상기 제n 객체 프로포잘 각각에 대응되는 각각의 영역에 하나 이상의 풀링 연산을 적용하여, 적어도 하나의 풀링된 통합 특징 맵을 출력하도록 하며, (iv) FC 레이어로 하여금, 상기 풀링된 통합 특징 맵에 적어도 하나의 FC(fully connected) 연산을 적용하여, 상기 객체에 대응하는 제1 객체 검출 정보 내지 제n 객체 검출 정보를 출력하도록 하는 프로세스, 및 (III) 적어도 하나의 FC 로스 레이어로 하여금, 상기 제1 객체 검출 정보 내지 상기 제n 객체 검출 정보와 이에 대응되는 GT(Ground Truth)를 참조하여, 하나 이상의 제1 FC 로스 내지 하나 이상의 제n FC 로스를 획득하도록 함으로써, 상기 제1 FC 로스 내지 상기 제n FC 로스를 이용한 백프로파게이션을 통해, 상기 FC 레이어 및 상기 컨벌루션 레이어의 파라미터 중 적어도 일부를 학습하도록 하는 프로세스를 수행하기 위한 상기 인스트럭션들을 실행하도록 구성된 적어도 하나의 프로세서;를 포함하는 것을 특징으로 하는 학습 장치가 개시된다.
일 실시예에서, 상기 (II) 프로세스 이후, 상기 프로세서는, 적어도 하나의 RPN 로스 레이어로 하여금, 상기 제1 객체 프로포잘 내지 상기 제n 객체 프로포잘과 이에 대응되는 GT를 참조하여, 하나 이상의 제1 RPN 로스 내지 하나 이상의 제n RPN 로스를 획득하도록 함으로써, 상기 제1 RPN 로스 내지 상기 제n RPN 로스를 이용한 백프로파게이션을 통해, 상기 RPN의 파라미터 중 적어도 일부를 학습하는 것을 특징으로 한다.
일 실시예에서, 상기 (I) 프로세스에서, 상기 프로세서는, 상기 이미지 가공 네트워크로 하여금, 상기 제1 가공 이미지 내지 상기 제n 가공 이미지의 너비와 높이 중 적어도 하나를 동일하게 조정한 다음, 동일한 크기로 조정된 상기 너비 또는 상기 높이 방향으로 상기 제1 조정된 가공 이미지 내지 상기 제n 조정된 가공 이미지를 컨캐터네이팅(concatenating)하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 프로세서는, 상기 이미지 가공 네트워크로 하여금 상기 제1 조정된 가공 이미지 내지 상기 제n 조정된 가공 이미지 중, 컨캐터네이팅된 인접하는 각각의 두 개의 조정된 가공 이미지로 구성되는 각각의 페어 사이에 각각 적어도 하나의 제로 패딩 영역을 추가하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 컨벌루션 레이어의 다중 컨벌루션 연산에 의해 상기 통합 트레이닝 이미지가 1/S로 축소되며, 상기 컨벌루션 레이어 각각의 커널 각각의 최대 사이즈를
Figure 112019099057824-pat00005
라 할 경우, 상기 제로 패딩 영역의 폭이
Figure 112019099057824-pat00006
로 되도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 (I) 프로세스에서, 상기 프로세서는, 상기 타겟 영역 예측 네트워크로 하여금, 상기 트레이닝 이미지 또는 이에 대응되는 리사이즈된 이미지 각각에 대한 각각의 스케일 히스토그램을 연산하도록 하며, 상기 스케일 히스토그램을 참조함으로써, 상기 타겟 객체가 위치하는 것으로 예측되는 스케일 프로포잘에 대응되는 상기 제1 타겟 영역 내지 상기 제n 타겟 영역을 찾도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 (I) 프로세스에서, 상기 프로세서는, 상기 이미지 가공 네트워크로 하여금, 상기 트레이닝 이미지 또는 이에 대응되는 리사이즈된 이미지 상에서 상기 제1 타겟 영역 내지 상기 제n 타겟 영역에 대응되는 하나 이상의 영역을 크롭함으로써, 상기 제1 가공 이미지 내지 상기 제n 가공 이미지를 획득하도록 하거나, 상기 트레이닝 이미지 또는 이에 대응되는 리사이즈된 이미지 상에서 상기 제1 타겟 영역 내지 상기 제n 타겟 영역에 대응되는 하나 이상의 영역을 크롭한 다음 리사이즈함으로써, 상기 제1 가공 이미지 내지 상기 제n 가공 이미지를 획득하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 제1 타겟 영역 내지 상기 제n 타겟 영역은 상기 트레이닝 이미지 내에 위치하는 상기 타겟 객체 중 서로 다른 다수의 타겟 객체에 대응되거나, 상기 트레이닝 이미지 및 이에 대응되는 리사이즈된 이미지 내에 위치하는 적어도 하나의 동일한 타겟 객체에 대응되는 것을 특징으로 한다.
본 발명의 또 다른 태양에 따르면, 이미지 컨캐터네이션을 이용한, CNN 기반 객체 검출기를 테스팅하기 위한 테스팅 장치에 있어서, 인스트럭션들을 저장하는 적어도 하나의 메모리; 및 학습 장치가, (1) (i) 타겟 영역 예측 네트워크로 하여금, 적어도 하나의 트레이닝 이미지 또는 이에 대응되는 하나 이상의 리사이즈된 학습용 이미지 상에서, 하나 이상의 학습용 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제1 학습용 타겟 영역 내지 제n 학습용 타겟 영역 각각을 찾도록 하고, (ii) 이미지 가공 네트워크로 하여금, 상기 트레이닝 이미지 또는 이에 대응되는 리사이즈된 학습용 이미지로부터 상기 제1 학습용 타겟 영역 내지 상기 제n 학습용 타겟 영역 각각에 대응되는 제1 학습용 가공 이미지 내지 제n 학습용 가공 이미지를 획득하도록 하며, (iii) 상기 제1 학습용 가공 이미지 내지 상기 제n 학습용 가공 이미지를 컨캐터네이팅한 통합 트레이닝 이미지를 출력하도록 하고, (2) (i) 하나 이상의 컨벌루션 레이어로 하여금, 하나 이상의 컨벌루션 연산을 상기 통합 트레이닝 이미지에 적용함으로써, 적어도 하나의 학습용 통합 특징 맵을 출력하도록 하며, (ii) RPN으로 하여금, 상기 학습용 통합 특징 맵을 이용하여, 상기 제1 학습용 가공 이미지 내지 상기 제n 학습용 가공 이미지 각각 내에 위치하는 하나 이상의 학습용 객체에 대응하는 제1 학습용 객체 프로포잘 내지 제n 학습용 객체 프로포잘 각각을 출력하도록 하고, (iii) 풀링 레이어로 하여금, 상기 학습용 통합 특징 맵 상에서, 상기 제1 학습용 객체 프로포잘 내지 상기 제n 학습용 객체 프로포잘 각각에 대응되는 각각의 영역에 하나 이상의 풀링 연산을 적용하여, 적어도 하나의 학습용 풀링된 통합 특징 맵을 출력하도록 하며, (iv) FC 레이어로 하여금, 상기 학습용 풀링된 통합 특징 맵에 적어도 하나의 FC(fully connected) 연산을 적용하여, 상기 학습용 객체에 대응하는 제1 학습용 객체 검출 정보 내지 제n 학습용 객체 검출 정보를 출력하도록 하며, (3) 적어도 하나의 FC 로스 레이어로 하여금, 상기 제1 학습용 객체 검출 정보 내지 상기 제n 학습용 객체 검출 정보와 이에 대응되는 GT(Ground Truth)를 참조하여, 하나 이상의 제1 FC 로스 내지 하나 이상의 제n FC 로스를 획득하도록 함으로써, 상기 제1 FC 로스 내지 상기 제n FC 로스를 이용한 백프로파게이션을 통해, 상기 FC 레이어 및 상기 컨벌루션 레이어의 파라미터 중 적어도 일부를 학습한 상태에서, (I) (i) 상기 타겟 영역 예측 네트워크로 하여금, 적어도 하나의 테스트 이미지 또는 이에 대응되는 하나 이상의 리사이즈된 테스트용 이미지 상에서, 하나 이상의 테스트용 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제1 테스트용 타겟 영역 내지 제n 테스트용 타겟 영역 각각을 찾도록 하고, (ii) 상기 이미지 가공 네트워크로 하여금, 상기 테스트 이미지 또는 이에 대응되는 리사이즈된 테스트용 이미지로부터 상기 제1 테스트용 타겟 영역 내지 상기 제n 테스트용 타겟 영역 각각에 대응되는 제1 테스트용 가공 이미지 내지 제n 테스트용 가공 이미지를 획득하도록 하며, (iii) 상기 제1 테스트용 가공 이미지 내지 상기 제n 테스트용 가공 이미지를 컨캐터네이팅한 통합 테스트 이미지를 출력하도록 하는 프로세스, 및 (II) (i) 상기 컨벌루션 레이어로 하여금, 상기 컨벌루션 연산을 상기 통합 테스트 이미지에 적용함으로써, 적어도 하나의 테스트용 통합 특징 맵을 출력하도록 하며, (ii) 상기 RPN으로 하여금, 상기 테스트용 통합 특징 맵을 이용하여, 상기 제1 테스트용 가공 이미지 내지 상기 제n 테스트용 가공 이미지 각각 내에 위치하는 하나 이상의 테스트용 객체에 대응하는 제1 테스트용 객체 프로포잘 내지 제n 테스트용 객체 프로포잘 각각을 출력하도록 하고, (iii) 상기 풀링 레이어로 하여금, 상기 테스트용 통합 특징 맵 상에서, 상기 제1 테스트용 객체 프로포잘 내지 상기 제n 테스트용 객체 프로포잘 각각에 대응되는 각각의 영역에 상기 풀링 연산을 적용하여, 적어도 하나의 테스트용 풀링된 통합 특징 맵을 출력하도록 하며, (iv) 상기 FC 레이어로 하여금, 상기 테스트용 풀링된 통합 특징 맵에 상기 FC 연산을 적용하여, 상기 테스트용 객체에 대응하는 제1 테스트용 객체 검출 정보 내지 제n 테스트용 객체 검출 정보를 출력하도록 하는 프로세스를 수행하기 위한 상기 인스트럭션들을 실행하도록 구성된 적어도 하나의 프로세서;를 포함하는 것을 특징으로 하는 테스팅 장치가 개시된다.
일 실시예에서, 상기 (I) 프로세스에서, 상기 프로세서는, 상기 이미지 가공 네트워크로 하여금, 상기 제1 테스트용 가공 이미지 내지 상기 제n 테스트용 가공 이미지의 너비와 높이 중 적어도 하나를 동일하게 조정한 다음, 동일한 크기로 조정된 상기 너비 또는 상기 높이 방향으로 상기 제1 테스트용 조정된 가공 이미지 내지 상기 제n 테스트용 조정된 가공 이미지를 컨캐터네이팅하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 프로세서는, 상기 이미지 가공 네트워크로 하여금, 상기 제1 테스트용 조정된 가공 이미지 내지 상기 제n 테스트용 조정된 가공 이미지 중, 컨캐터네이팅된 인접하는 각각의 두 개의 테스트용 조정된 가공 이미지로 구성되는 각각의 페어 사이에 각각 적어도 하나의 제로 패딩 영역을 추가하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 컨벌루션 레이어의 다중 컨벌루션 연산에 의해 상기 통합 테스트 이미지가 1/S로 축소되며, 상기 컨벌루션 레이어 각각의 커널 각각의 최대 사이즈를
Figure 112019099057824-pat00007
라 할 경우, 상기 제로 패딩 영역의 폭이
Figure 112019099057824-pat00008
로 되도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 (I) 프로세스에서, 상기 프로세서는, 상기 타겟 영역 예측 네트워크로 하여금, 상기 테스트 이미지 또는 이에 대응되는 리사이즈된 테스트용 이미지 각각에 대한 각각의 테스트용 스케일 히스토그램을 연산하도록 하며, 상기 테스트용 스케일 히스토그램을 참조함으로써, 상기 테스트용 타겟 객체가 위치하는 것으로 예측되는 스케일 프로포잘에 대응되는 상기 제1 테스트용 타겟 영역 내지 상기 제n 테스트용 타겟 영역을 찾도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 (I) 프로세스에서, 상기 프로세서는, 상기 이미지 가공 네트워크로 하여금, 상기 테스트 이미지 또는 이에 대응되는 리사이즈된 테스트용 이미지 상에서 상기 제1 테스트용 타겟 영역 내지 상기 제n 테스트용 타겟 영역에 대응되는 하나 이상의 영역을 크롭함으로써, 상기 제1 테스트용 가공 이미지 내지 상기 제n 테스트용 가공 이미지를 획득하도록 하거나, 상기 테스트 이미지 또는 이에 대응되는 리사이즈된 테스트용 이미지 상에서 상기 제1 테스트용 타겟 영역 내지 상기 제n 테스트용 타겟 영역에 대응되는 하나 이상의 영역을 크롭한 다음 리사이즈함으로써, 상기 제1 테스트용 가공 이미지 내지 상기 제n 테스트용 가공 이미지를 획득하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 제1 테스트용 타겟 영역 내지 상기 제n 테스트용 타겟 영역은 상기 테스트 이미지 내에 위치하는 상기 테스트용 타겟 객체 중 서로 다른 다수의 테스트용 타겟 객체에 대응되거나, 상기 테스트 이미지 및 이에 대응되는 리사이즈된 테스트용 이미지 내에 위치하는 적어도 하나의 동일한 테스트용 타겟 객체에 대응되는 것을 특징으로 한다.
이 외에도, 본 발명의 방법을 실행하기 위한 컴퓨터 프로그램을 기록하기 위한 컴퓨터 판독 가능한 기록 매체(recordable media)가 더 제공된다.
본 발명은 이미지 상에 위치하는 객체를 사이즈에 관계 없이 효과적으로 검출할 수 있는 효과가 있다.
또한, 본 발명은 연산량을 증가시키지 않으면서 상기 이미지 내의 객체를 검출할 수 있는 효과가 있다.
또한, 본 발명은 사이즈가 다양한 객체에 대응하는 타겟 영역을 이용하여, CNN의 연산량을 줄이면서 효과적으로 객체를 검출할 수 있는 효과가 있다.
본 발명의 실시예의 설명에 이용되기 위하여 첨부된 아래 도면들은 본 발명의 실시예들 중 단지 일부일 뿐이며, 본 발명이 속한 기술분야에서 통상의 지식을 가진 자(이하 "통상의 기술자")에게 있어서는 발명적 작업이 이루어짐 없이 이 도면들에 기초하여 다른 도면들이 얻어질 수 있다.
도 1은 본 발명의 일 실시예에 따른 이미지 컨캐터네이션(Image concatenation)을 이용한, CNN 기반 객체 검출기를 학습하는 학습 장치를 개략적으로 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 상기 이미지 컨캐터네이션을 이용한, 상기 CNN 기반 객체 검출기를 학습하는 방법을 개략적으로 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 상기 이미지 컨캐터네이션을 이용한, 상기 CNN 기반 객체 검출기를 학습하는 데 사용될, 이미지 피라미드 상에서 각각의 타겟 영역을 예측하는 과정을 개략적으로 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따른 상기 이미지 컨캐터네이션을 이용한, 상기 CNN 기반 객체 검출기를 학습하는 데 이용될, 각각의 타겟 영역에 대응하여 가공된 이미지를 컨캐터네이팅한 상태를 개략적으로 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따른 상기 이미지 컨캐터네이션을 이용한, 상기 CNN 기반 객체 검출기의 테스팅 장치를 개략적으로 나타낸 도면이다.
도 6은 본 발명의 일 실시예에 따른 상기 이미지 컨캐터네이션을 이용한, 상기 CNN 기반의 객체 검출기를 테스팅하는 방법을 개략적으로 나타낸 도면이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명의 목적들, 기술적 해법들 및 장점들을 분명하게 하기 위하여 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 통상의 기술자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다.
또한, 본 발명의 상세한 설명 및 청구항들에 걸쳐, "포함하다"라는 단어 및 그것의 변형은 다른 기술적 특징들, 부가물들, 구성요소들 또는 단계들을 제외하는 것으로 의도된 것이 아니다. 통상의 기술자에게 본 발명의 다른 목적들, 장점들 및 특성들이 일부는 본 설명서로부터, 그리고 일부는 본 발명의 실시로부터 드러날 것이다. 아래의 예시 및 도면은 실례로서 제공되며, 본 발명을 한정하는 것으로 의도된 것이 아니다.
더욱이 본 발명은 본 명세서에 표시된 실시예들의 모든 가능한 조합들을 망라한다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
본 발명에서 언급하는 각종 이미지는 포장 또는 비포장 도로 관련 이미지를 포함할 수 있으며, 이 경우 도로 환경에서 등장할 수 있는 물체(가령, 자동차, 사람, 동물, 식물, 물건, 건물, 비행기나 드론과 같은 비행체, 기타 장애물)를 상정할 수 있을 것이나, 반드시 이에 한정되는 것은 아니며, 본 발명에서 언급하는 각종 이미지는 도로와 상관 없는 이미지(가령, 비포장도로, 골목길, 공터, 바다, 호수, 강, 산, 숲, 사막, 하늘, 실내와 관련된 이미지)일 수도 있으며, 이 경우, 비포장도로, 골목길, 공터, 바다, 호수, 강, 산, 숲, 사막, 하늘, 실내 환경에서 등장할 수 있는 물체(가령, 자동차, 사람, 동물, 식물, 물건, 건물, 비행기나 드론과 같은 비행체, 기타 장애물)를 상정할 수 있을 것이나, 반드시 이에 한정되는 것은 아니다.
이하, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 이미지 컨캐터네이션(Image concatenation)을 이용한, CNN 기반 객체 검출기를 학습하는 학습 장치를 개략적으로 도시한 것으로, 도 1을 참조하면, 상기 학습 장치(100)는 통신부(110)와 프로세서(120)를 포함할 수 있다.
먼저, 상기 통신부(110)는 적어도 하나의 트레이닝 이미지를 획득하거나, 타 장치로 하여금 획득하도록 지원할 수 있다.
이때, 상기 트레이닝 이미지는 데이터베이스(130)에 저장될 수 있으며, 상기 데이터베이스(130)는 상기 트레이닝 이미지에 위치하는 하나 이상의 객체 각각에 대응하는 클래스 정보 및 위치 정보에 대한 적어도 하나의 GT(ground truth)를 저장할 수 있다. 또한, 상기 데이터베이스(130)는, 상기 트레이닝 이미지를 리사이즈하여 생성된, 리사이즈된 이미지 내 위치하는 상기 객체 각각에 관한 위치 정보 및 클래스 정보에 대한 적어도 하나의 GT를 저장할 수 있다.
또한, 상기 학습 장치는 후술될 프로세스를 수행하는 컴퓨터 판독 가능한 인스트럭션(computer readable instruction)을 저장할 수 있는 메모리(115)를 더 포함할 수 있다. 일 예시로, 상기 프로세서, 상기 메모리, 및 매체 등은 하나의 프로세서로 통합되어 기능할 수도 있다.
다음으로, 상기 프로세서(120)는 (i) 타겟 영역 예측 네트워크로 하여금, 상기 트레이닝 이미지 또는 이에 대응되는 하나 이상의 리사이즈된 이미지 상에서, 하나 이상의 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제1 타겟 영역 내지 제n 타겟 영역 각각을 찾도록 하고, (ii) 이미지 가공 네트워크로 하여금, 상기 트레이닝 이미지 또는 이에 대응되는 리사이즈된 이미지로부터, 상기 제1 타겟 영역 내지 상기 제n 타겟 영역 각각에 대응되는 제1 가공 이미지 내지 제n 가공 이미지를 획득하도록 하며, (iii) 상기 제1 가공 이미지 내지 상기 제n 가공 이미지를 컨캐터네이팅(concatenating)한 통합 트레이닝 이미지를 출력하도록 할 수 있다. 그리고 상기 프로세서(120)는 (i) 하나 이상의 컨벌루션 레이어로 하여금, 하나 이상의 컨벌루션 연산을 상기 통합 트레이닝 이미지에 적용함으로써, 적어도 하나의 통합 특징 맵을 출력하도록 하며, (ii) RPN으로 하여금, 상기 통합 특징 맵을 이용하여, 상기 제1 가공 이미지 내지 상기 제n 가공 이미지 각각 내에 위치하는 상기 객체에 대응하는 제1 객체 프로포잘 내지 제n 객체 프로포잘 각각을 출력하도록 하고, (iii) 풀링 레이어로 하여금, 상기 통합 특징 맵 상에서, 상기 제1 객체 프로포잘 내지 상기 제n 객체 프로포잘 각각에 대응되는 각각의 영역에 하나 이상의 풀링 연산을 적용하여, 적어도 하나의 풀링된 통합 특징 맵을 출력하도록 하며, (iv) FC 레이어로 하여금, 상기 풀링된 통합 특징 맵에 적어도 하나의 FC(fully connected) 연산을 적용하여, 상기 객체에 대응하는 제1 객체 검출 정보 내지 제n 객체 검출 정보를 출력하도록 할 수 있다. 이후, 상기 프로세서(120)는 적어도 하나의 FC 로스 레이어로 하여금, 상기 제1 객체 검출 정보 내지 상기 제n 객체 검출 정보와 이에 대응되는 GT(Ground Truth)를 참조하여, 하나 이상의 제1 FC 로스 내지 하나 이상의 제n FC 로스를 획득하도록 함으로써, 상기 제1 FC 로스 내지 상기 제n FC 로스를 이용한 백프로파게이션을 통해, 상기 FC 레이어 및 상기 컨벌루션 레이어의 파라미터 중 적어도 일부를 학습하도록 할 수 있다.
또한, 상기 프로세서(120)는 적어도 하나의 RPN 로스 레이어로 하여금, 상기 제1 객체 프로포잘 내지 상기 제n 객체 프로포잘과 이에 대응되는 GT를 참조하여, 하나 이상의 제1 RPN 로스 내지 하나 이상의 제n RPN 로스를 획득하도록 함으로써, 상기 제1 RPN 로스 내지 상기 제n RPN 로스를 이용한 백프로파게이션을 통해, 상기 RPN의 파라미터 중 적어도 일부를 학습하도록 할 수 있다.
이때, 본 발명의 일 실시예에 따른 상기 학습 장치(100)는 컴퓨팅 장치로서, 프로세서를 탑재하여 연산 능력을 갖춘 장치라면 얼마든지 본 발명에 따른 학습 장치(100)로서 채택될 수 있다. 또한, 도 1에서는 하나의 학습 장치(100)만을 나타내었으나, 이에 한정되지 않으며, 상기 학습 장치는 복수 개로 나뉘어 역할을 수행할 수도 있다.
이와 같이 구성된 본 발명의 일 실시예에 따른 상기 학습 장치(100)를 이용하여, 상기 이미지 컨캐터네이션을 이용한 CNN 기반 객체 검출기의 파라미터를 학습하는 방법을 도 2를 참조하여 설명하면 다음과 같다.
먼저, 상기 트레이닝 이미지가 입력되면, 상기 학습 장치(100)가, 타겟 영역 예측 네트워크(121)로 하여금, 상기 트레이닝 이미지 또는 이에 대응되는 리사이즈된 이미지 상에서, 적어도 하나의 타겟 객체가 위치하는 것으로 예측되는 적어도 하나의 영역에 대응되는 상기 제1 타겟 영역 내지 상기 제n 타겟 영역을 찾도록 한다.
이때, 상기 제1 타겟 영역 내지 상기 제n 타겟 영역은, 동일한 이미지 내에 위치하는 상기 타겟 객체 중 서로 다른 복수의 타겟 객체에 대응되거나, 서로 다른 사이즈의 복수의 이미지 내에 위치하는 동일한 타켓 객체에 대응될 수 있다. 또한, 상기 제1 타겟 영역 내지 상기 제n 타겟 영역은, 동일한 이미지의 사이즈를 서로 다르게 한 상기 이미지 피라미드 중 각각의 이미지 내에 위치한다고 예측되는 타겟 객체에 대응될 수 있다.
즉, 상기 타겟 영역 예측 네트워크(121)는 상기 트레이닝 이미지 상에서, 제1 타겟 객체 내지 제n 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 상기 제1 타겟 영역 내지 상기 제n 타겟 영역을 찾거나, 상기 트레이닝 이미지를 리사이즈하여 얻은 제1 리사이즈된 이미지 내지 제n 리사이즈된 이미지 상에서 각각, 적어도 하나의 특정 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 상기 제1 타겟 영역 각각 내지 상기 제n 타겟 영역 각각을 찾을 수 있다.
또한, 상기 타겟 영역 예측 네트워크(121)는 상기 트레이닝 이미지 상에서, 단일의 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 특정 타겟 영역을 찾고, 상기 트레이닝 이미지를 리사이즈하여 얻은 상기 제1 리사이즈된 이미지 내지 상기 제n 리사이즈된 이미지 상에서 각각, 상기 단일의 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 상기 제1 타겟 영역 내지 상기 제n 타겟 영역 각각을 찾을 수 있다. 이에 더하여, 상기 트레이닝 이미지 내에 다수의 타겟 객체가 위치할 경우, 상기 리사이즈된 이미지 각각에서 상기 타겟 객체에 대응되는 상기 타겟 영역을 예측할 수 있다.
한편, 상기 타겟 영역 예측 네트워크(121)는 상기 트레이닝 이미지 또는 이에 대응되는 리사이즈된 이미지 각각에 대한 각각의 스케일 히스토그램을 연산하고, 상기 스케일 히스토그램을 참조함으로써, 상기 타겟 객체가 위치하는 것으로 예측되는 스케일 프로포잘에 대응되는 상기 제1 타겟 영역 내지 상기 제n 타겟 영역을 찾을 수 있다.
또한, 상기 타겟 영역 예측 네트워크(121)는 상기 트레이닝 이미지 또는 이에 대응되는 리사이즈된 이미지 각각에 대하여 세그먼테이션을 수행하며, 상기 세그먼테이션을 기반으로 상기 타겟 영역을 찾기 위한 시드(seed)를 설정한 다음, 작은 타겟 영역이 반복적으로 통합된 통합 영역을 참조하여 상기 타겟 영역을 설정할 수 있다.
또한, 상기 타겟 영역 예측 네트워크(121)는 포그라운드 세그먼테이션(foreground segmentation)을 통해 이미지 상의 포그라운드를 확인하고, 상기 확인된 포그라운드를 참조하여, 적어도 하나의 타겟 객체가 위치하는 것으로 예측되고, 상기 적어도 하나의 타겟 객체를 포함하는 것으로 예측되는 사이즈의, 적어도 하나의 영역을 적어도 하나의 타겟 영역으로 설정할 수 있다.
이에 더하여, 상기 타겟 영역 예측 네트워크(121)는 중요도 검출(saliency detection) 방법을 이용하여, 하나 이상의 타겟 영역을 설정할 수 있다.
하지만, 본원 발명은 이에 한정되지 않으며, 이미지 내 타겟 객체가 위치한다고 예측되는 타겟 영역을 찾는 모든 방법이 사용될 수 있다.
다음으로, 상기 학습 장치(100)는, 이미지 가공 네트워크(111)로 하여금, 상기 타겟 영역 예측 네트워크(121)에서 설정된 제1 타겟 영역 내지 제n 타겟 영역 각각에 대응되는 상기 트레이닝 이미지 또는 각각의 이에 대응되는 리사이즈된 이미지 상에서, 상기 제1 타겟 영역 내지 상기 제n 타겟 영역에 대응되는 제1 가공 이미지 내지 제n 가공 이미지를 획득하도록 한다.
이때, 상기 학습 장치(100)는, 상기 이미지 가공 네트워크(111)로 하여금, 상기 트레이닝 이미지 또는 이에 대응되는 리사이즈된 이미지 상에서 상기 제1 타겟 영역 내지 상기 제n 타겟 영역에 대응되는 하나 이상의 영역을 크롭하여, 상기 제1 가공 이미지 내지 상기 제n 가공 이미지를 획득하도록 하거나, 상기 트레이닝 이미지 또는 이에 대응되는 리사이즈된 이미지 상에서 상기 제1 타겟 영역 내지 상기 제n 타겟 영역에 대응되는 하나 이상의 영역을 크롭한 다음 리사이즈하여, 상기 제1 가공 이미지 내지 상기 제n 가공 이미지를 획득하도록 할 수 있다.
일 예로, 도 3을 참조하면, 상기 제1 타겟 영역을 포함한 상기 제1 리사이즈된 이미지(RI1)를 상기 제1 가공 이미지(MI1)로 획득할 수 있고, 상기 제2 타겟 영역에 대응하는 상기 제2 가공 이미지(MI2)는 상기 제2 리사이즈된 이미지(RI2)로부터 생성될 수 있으며, 제3 타겟 영역에 대응하는 상기 제3 가공 이미지(MI3)는 제3 리사이즈된 이미지로부터 생성될 수 있다.
다음으로, 상기 학습 장치(100)는, 상기 이미지 가공 네트워크(111)로 하여금, 상기 제1 가공 이미지 내지 상기 제3 가공 이미지를 컨캐터네이팅한 상기 통합 트레이닝 이미지를 획득하도록 할 수 있다.
이때, 상기 학습 장치(100)는, 상기 이미지 가공 네트워크(111)로 하여금, 상기 제1 가공 이미지 내지 상기 제3 가공 이미지의 너비와 높이 중 적어도 하나를 동일하게 조정한 다음, 동일하게 조정된 상기 너비 또는 상기 높이 방향으로 상기 제1 조정된 가공 이미지 내지 상기 제3 조정된 가공 이미지를 컨캐터네이팅하도록 할 수 있다.
그리고, 상기 학습 장치(100)는, 상기 이미지 가공 네트워크(111)로 하여금, 상기 제1 조정된 가공 이미지 내지 상기 제3 조정된 가공 이미지 중, 컨캐터네이팅된 인접하는 각각의 두 개의 조정된 가공 이미지로 구성되는 각각의 페어 사이에 각각 적어도 하나의 제로 패딩(zero padding) 영역을 추가하도록 할 수 있다. 이때, 상기 컨벌루션 레이어의 다중 컨벌루션 연산에 의해 상기 통합 트레이닝 이미지가 1/S로 축소되며, 상기 컨벌루션 레이어 각각의 커널 각각의 최대 사이즈를
Figure 112019099057824-pat00009
라 할 경우, 상기 제로 패딩 영역의 폭이
Figure 112019099057824-pat00010
로 되도록 할 수 있다. 이를 통해, 상기 CNN의 오버헤드(overhead)를 최소화할 수 있다.
일 예시로, 도 4를 참조하면, 도 3의 과정을 통해 생성된 상기 제1 가공 이미지(MI1), 상기 제2 가공 이미지(MI2), 및 상기 제3 가공 이미지(MI3)는 서로 높이가 같도록 조정된 다음, 컨캐터네이팅될 수 있다. 이때, 각각의 제로 패딩 영역(PR)은 각각의 상기 인접한 조정된 가공 이미지 사이에 추가될 수 있다. 다른 예시로, 상기 가공 이미지의 너비를 동일하게 조정한 다음, 상기 조정된 너비를 이용하여 상기 각각의 가공 이미지를 컨캐터네이팅하거나, 상기 너비와 상기 높이를 동일하게 조정한 다음 상기 각각의 가공 이미지를 큰 정사각형 형상으로 컨캐터네이팅할 수 있다.
다음으로, 상기 학습 장치(100)는, 컨벌루션 레이어(122)로 하여금, 상기 통합 트레이닝 이미지에 상기 컨벌루션 연산을 적용함으로써, 적어도 하나의 통합 특징 맵을 출력하도록 할 수 있다. 이때, 상기 컨벌루션 레이어(122)는 단일의 컨벌루션 레이어일 수도 있으며, 다수의 컨벌루션 레이어일 수도 있다.
다음으로, 상기 학습 장치(100)는, RPN(123)으로 하여금, 상기 통합 특징 맵을 이용하여, 상기 통합 트레이닝 이미지에 포함된 상기 제1 가공 이미지 내지 상기 제n 가공 이미지 내에 위치하는 상기 객체에 대응하는 하나 이상의 제1 객체 프로포잘 내지 하나 이상의 제n 객체 프로포잘을 출력하도록 할 수 있다.
이때, 상기 제1 객체 프로포잘 내지 상기 제n 객체 프로포잘 각각은 상기 제1 가공 이미지 내지 상기 제n 가공 이미지 내에 위치하는 상기 객체 각각에 대응할 수 있으며, 상기 객체 프로포잘 각각은 상기 객체 각각, 즉, 태깅 영역에 대응하는 위치 정보와 상기 태깅 영역 각각이 객체인지 여부에 대한 정보를 갖는 각 프로포잘 박스에 대한 정보를 포함할 수 있다. 이때, 객체인지 여부에 대한 정보는 상기 각각의 객체 프로포잘이 객체로 예측되는 확률 정보를 포함할 수 있으며, 상기 프로포잘 박스에 관한 정보는 상기 프로포잘 박스가 상기 객체의 위치에 일치하는 것으로 예측되는 확률 정보를 포함할 수 있다.
다음으로, 상기 학습 장치(100)는 풀링 레이어(124)로 하여금, 상기 통합 특징 맵 상에서, 상기 제1 객체 프로포잘 내지 상기 제n 객체 프로포잘 각각에 대응되는 각각의 영역에 상기 풀링 연산을 적용하여, 적어도 하나의 풀링된 통합 특징 맵을 출력하도록 하며, FC 레이어(125)로 하여금, 상기 풀링된 통합 특징 맵에 상기 FC(fully connected) 연산을 적용하여, 상기 객체에 대응하는 제1 객체 검출 정보 내지 제n 객체 검출 정보를 출력하도록 할 수 있다.
이때, 상기 제1 객체 검출 정보 내지 상기 제n 객체 검출 정보는 상기 제1 객체 프로포잘 내지 상기 제n 객체 프로포잘에 대응되는 상기 객체 각각에 관한 클래스 정보와 바운딩 박스에 관한 정보(즉, 상기 객체 각각에 관한 위치 정보)를 포함할 수 있다. 또한, 상기 클래스 정보는 상기 객체 각각이 해당 클래스로 예측되는 확률 정보를 포함할 수 있으며, 상기 바운딩 박스에 관한 정보는 상기 바운딩 박스 각각이 상기 객체의 위치에 일치하는 것으로 예측되는 확률 정보를 포함할 수 있다.
다음으로, 상기 학습 장치(100)는 적어도 하나의 FC 로스 레이어(126)로 하여금, 상기 제1 객체 검출 정보 내지 상기 제n 객체 검출 정보와 이에 대응되는 GT를 참조하여, 하나 이상의 제1 FC 로스 내지 하나 이상의 제n FC 로스를 획득하도록 함으로써, 상기 제1 FC 로스 내지 상기 제n FC 로스를 이용한 백프로파게이션을 통해, 상기 FC 레이어(125) 및 상기 컨벌루션 레이어(122)의 파라미터 중 적어도 일부를 학습하도록 할 수 있다.
또한, 상기 학습 장치(100)는 적어도 하나의 RPN 로스 레이어(127)로 하여금, 상기 제1 객체 프로포잘 내지 상기 제n 객체 프로포잘과 이에 대응되는 GT를 참조하여, 하나 이상의 제1 RPN 로스 내지 하나 이상의 제n RPN 로스를 획득하도록 함으로써, 상기 제1 RPN 로스 내지 상기 제n RPN 로스를 이용한 백프로파게이션을 통해, 상기 RPN(123)의 파라미터 중 적어도 일부를 학습하도록 할 수 있다.
상기와 같은 방법에 의해 상기 트레이닝 이미지 내에 위치하는 사이즈가 다양한 객체, 특히 사이즈가 작고 원거리에 위치한 상기 객체는 효율적으로 검출할 수 있게 되며, 또한, 상기 예측된 타겟 영역에 대응하는 영역만을 사용하므로 연산량을 줄일 수 있으며, 그에 따라 상기 CNN 기반 상기 객체 검출의 연산 시간을 줄일 수 있게 된다.
또한, 상기에서는 상기 트레이닝 이미지 상에 타겟 객체가 하나인 경우를 상정하여 설명하였으나, 상기 트레이닝 이미지 내에 타겟 객체 다수가 있을 경우에도, 상기와 같은 방법에 의해 상기 트레이닝 이미지 내에서의 상기 각각의 타겟 객체에 대응되는 각각의 타겟 영역을 이용하여 상기 각각의 타겟 객체의 검출이 가능하다.
도 5는 본 발명의 일 실시예에 따른 상기 이미지 컨캐터네이션을 이용한, 상기 CNN 기반 객체 검출기를 테스팅하는 테스팅 장치를 개략적으로 도시한 것으로, 도 5를 참조하면, 상기 테스팅 장치(200)는 통신부(210)와 프로세서(220)를 포함할 수 있다.
먼저, 상기 통신부(210)는 적어도 하나의 테스트 이미지를 획득하거나 타 장치로 하여금 획득하도록 지원할 수 있다.
또한, 상기 테스팅 장치는 후술할 프로세스를 수행하는 컴퓨터 판독 가능한 인스트럭션(computer readable instruction)을 저장할 수 있는 메모리(215)를 더 포함할 수 있다. 일 예시로, 상기 프로세서, 상기 메모리, 및 매체(medium) 등은 하나의 프로세서로 통합되어 기능할 수도 있다.
이때, 상기 이미지 컨캐터네이션을 이용한, 상기 CNN 기반 상기 객체 검출기는 도 1 내지 도 4를 참조하여 설명된 상기 학습 방법으로 학습될 수 있다.
참고로, 아래의 설명에서 혼동을 방지하기 위해, 학습 프로세스와 관련된 용어에는 "학습용"이라는 문구가 추가되고, 테스트 프로세스와 관련된 용어에는 "테스트용"이라는 문구가 추가되었다.
즉, 적어도 하나의 트레이닝 이미지가 획득되면, 상기 학습 장치는, (a) (i) 상기 타겟 영역 예측 네트워크로 하여금, 상기 트레이닝 이미지 또는 이에 대응되는 하나 이상의 리사이즈된 학습용 이미지 상에서, 하나 이상의 학습용 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제1 학습용 타겟 영역 내지 제n 학습용 타겟 영역 각각을 찾도록 하고, (ii) 상기 이미지 가공 네트워크로 하여금, 상기 트레이닝 이미지 또는 이에 대응되는 리사이즈된 학습용 이미지로부터 상기 제1 학습용 타겟 영역 내지 상기 제n 학습용 타겟 영역 각각에 대응되는 제1 학습용 가공 이미지 내지 제n 학습용 가공 이미지를 획득하도록 하며, (iii) 상기 제1 학습용 가공 이미지 내지 상기 제n 학습용 가공 이미지를 컨캐터네이팅한 통합 트레이닝 이미지를 출력하도록 하고, (b) (i) 상기 컨벌루션 레이어로 하여금, 상기 컨벌루션 연산을 상기 통합 트레이닝 이미지에 적용함으로써, 적어도 하나의 학습용 통합 특징 맵을 출력하도록 하며, (ii) 상기 RPN으로 하여금, 상기 학습용 통합 특징 맵을 이용하여, 상기 제1 학습용 가공 이미지 내지 상기 제n 학습용 가공 이미지 각각 내에 위치하는 하나 이상의 학습용 객체에 대응하는 제1 학습용 객체 프로포잘 내지 제n 학습용 객체 프로포잘 각각을 출력하도록 하고, (iii) 상기 풀링 레이어로 하여금, 상기 학습용 통합 특징 맵 상에서, 상기 제1 학습용 객체 프로포잘 내지 상기 제n 학습용 객체 프로포잘 각각에 대응되는 각각의 영역에 상기 풀링 연산을 적용하여, 적어도 하나의 학습용 풀링된 통합 특징 맵을 출력하도록 하며, (iv) 상기 FC 레이어로 하여금, 상기 학습용 풀링된 통합 특징 맵에 상기 FC(fully connected) 연산을 적용하여, 상기 학습용 객체에 대응하는 제1 학습용 객체 검출 정보 내지 제n 학습용 객체 검출 정보를 출력하도록 하며, (c) 상기 FC 로스 레이어로 하여금, 상기 제1 학습용 객체 검출 정보 내지 상기 제n 학습용 객체 검출 정보와 이에 대응되는 GT(Ground Truth)를 참조하여, 하나 이상의 제1 FC 로스 내지 하나 이상의 제n FC 로스를 산출하도록 함으로써, 상기 제1 FC 로스 내지 상기 제n FC 로스를 이용한 백프로파게이션을 통해, 상기 FC 레이어 및 상기 컨벌루션 레이어의 파라미터 중 적어도 일부를 학습하도록 한 상태일 수 있다.
또한, 상기 학습 장치가, 상기 RPN 로스 레이어로 하여금, 제1 학습용 객체 프로포잘 내지 제n 학습용 객체 프로포잘의 정보와 이에 각각 대응되는 GT를 참조하여 제1 RPN 로스 내지 제n RPN 로스를 획득하도록 함으로써, 상기 제1 RPN 로스 내지 상기 제n RPN 로스를 이용한 백프로퍼게이션을 통해, 상기 RPN의 파라미터를 학습한 상태일 수 있다.
다음으로, 상기 프로세서(220)는 (i) 상기 타겟 영역 예측 네트워크로 하여금, 적어도 하나의 테스트 이미지 또는 이에 대응되는 하나 이상의 리사이즈된 테스트용 이미지 상에서, 하나 이상의 테스트용 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제1 테스트용 타겟 영역 내지 제n 테스트용 타겟 영역 각각을 찾도록 하고, (ii) 상기 이미지 가공 네트워크로 하여금, 상기 테스트 이미지 또는 이에 대응되는 리사이즈된 테스트용 이미지로부터 상기 제1 테스트용 타겟 영역 내지 상기 제n 테스트용 타겟 영역 각각에 대응되는 제1 테스트용 가공 이미지 내지 제n 테스트용 가공 이미지를 획득하도록 하며, (iii) 상기 제1 테스트용 가공 이미지 내지 상기 제n 테스트용 가공 이미지를 컨캐터네이팅한 통합 테스트 이미지를 출력하도록 하는 프로세스를 수행할 수 있다. 그리고, 상기 프로세서(220)는 (i) 상기 컨벌루션 레이어로 하여금, 상기 컨벌루션 연산을 상기 통합 테스트 이미지에 적용함으로써, 적어도 하나의 테스트용 통합 특징 맵을 출력하도록 하며, (ii) 상기 RPN으로 하여금, 상기 테스트용 통합 특징 맵을 이용하여, 상기 제1 테스트용 가공 이미지 내지 상기 제n 테스트용 가공 이미지 각각 내에 위치하는 하나 이상의 테스트용 객체에 대응하는 제1 테스트용 객체 프로포잘 내지 제n 테스트용 객체 프로포잘 각각을 출력하도록 하고, (iii) 상기 풀링 레이어로 하여금, 상기 테스트용 통합 특징 맵 상에서, 상기 제1 테스트용 객체 프로포잘 내지 상기 제n 테스트용 객체 프로포잘 각각에 대응되는 각각의 영역에 상기 풀링 연산을 적용하여, 적어도 하나의 테스트용 풀링된 통합 특징 맵을 출력하도록 하며, (iv) 상기 FC 레이어로 하여금, 상기 테스트용 풀링된 통합 특징 맵에 상기 FC 연산을 적용하여, 상기 테스트용 객체에 대응하는 제1 테스트용 객체 검출 정보 내지 제n 테스트용 객체 검출 정보를 출력하도록 할 수 있다.
이때, 본 발명의 일 실시예에 따른 테스팅 장치(200)는 컴퓨팅 장치로서, 프로세서를 탑재하여 연산 능력을 갖춘 장치라면 얼마든지 본 발명에 따른 테스팅 장치(200)로서 채택될 수 있다. 또한, 도 6에서는 하나의 테스팅 장치(200)만을 나타내었으나, 이에 한정되지 않으며, 테스팅 장치는 복수 개로 나뉘어 역할을 수행할 수도 있다.
본 발명의 일 실시예에 따른 상기 테스팅 장치(200)를 이용하여 상기 이미지 컨캐터네이션을 이용한, 상기 CNN 기반 상기 객체 검출기를 테스팅하는 방법을 도 6을 참조하여 설명하면 다음과 같다. 이하의 설명에서, 도 1 내지 도 4를 참조하여 설명한 상기 학습 방법으로 쉽게 이해 가능한 부분에 대해서는 상세한 설명을 생략하기로 한다.
먼저, 도 1 내지 도 4를 참조하여 설명한 학습 방법에 따라 FC 레이어(225), 컨벌루션 레이어(222) 및 RPN(223)의 파라미터 중 적어도 일부가 학습된 상태에서, 상기 테스트 이미지가 입력되면, 상기 테스팅 장치(200)가 타겟 영역 예측 네트워크(221)로 하여금, 상기 테스트 이미지 또는 이에 대응되는 리사이즈된 이미지 상에서, 상기 테스트용 타겟 객체가 위치하는 것으로 예측되는 적어도 하나의 영역에 대응되는 상기 제1 테스트용 타겟 영역 내지 상기 제n 테스트용 타겟 영역을 찾도록 할 수 있다.
이때, 상기 제1 테스트용 타겟 영역 내지 상기 제n 테스트용 타겟 영역은, 동일한 테스트 이미지 내에 위치하는 상기 테스트용 타겟 객체 중 서로 다른 복수의 테스트용 타겟 객체에 대응되거나, 서로 다른 사이즈의 복수의 이미지 내에 위치하는 동일한 테스트용 타켓 객체에 대응될 수 있다. 또한, 상기 제1 테스트용 타겟 영역 내지 상기 제n 테스트용 타겟 영역은 동일한 이미지의 사이즈를 서로 다르게 한 상기 이미지 피라미드 중 각각의 이미지 내에 위치하는 것으로 예측되는 테스트용 타겟 객체에 대응될 수 있다.
즉, 상기 타겟 영역 예측 네트워크(221)는 상기 테스트 이미지 상에서, 제1 테스트용 타겟 객체 내지 제n 테스트용 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 상기 제1 테스트용 타겟 영역 내지 상기 제n 테스트용 타겟 영역을 찾거나, 상기 테스트 이미지를 리사이즈하여 얻은 제1 테스트용 리사이즈된 이미지 내지 제n 테스트용 리사이즈된 이미지 상에서 각각, 적어도 하나의 특정 테스트용 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 상기 제1 테스트용 타겟 영역 내지 상기 제n 테스트용 타겟 영역 각각을 찾을 수 있다. 또한, 상기 타겟 영역 예측 네트워크(221)는 상기 테스트 이미지 상에서, 단일의 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 특정 타겟 영역을 찾고, 상기 테스트 이미지를 리사이즈하여 얻은 제1 테스트용 리사이즈된 이미지 내지 제n 테스트용 리사이즈된 이미지 상에서 각각, 상기 단일의 테스트용 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 상기 제1 테스트용 타겟 영역 내지 상기 제n 테스트용 타겟 영역 각각을 찾을 수 있다. 이에 더하여, 상기 테스트 이미지 내에 다수의 테스트용 타겟 객체가 위치할 경우, 상기 테스트 이미지의 리사이즈된 이미지 각각에서 상기 테스트용 타겟 객체에 대응되는 상기 테스트용 타겟 영역을 예측할 수 있다.
다음으로, 상기 테스팅 장치(200)는, 상기 이미지 가공 네트워크(211)로 하여금, 상기 타겟 영역 예측 네트워크(221)에서 설정된 제1 테스트용 타겟 영역 내지 제n 테스트용 타겟 영역 각각에 대응되는 상기 테스트 이미지 또는 각각의 이에 대응되는 리사이즈된 이미지 상에서, 상기 제1 테스트용 타겟 영역 내지 상기 제n 테스트용 타겟 영역에 대응되는 제1 테스트용 가공 이미지 내지 제n 테스트용 가공 이미지를 획득하도록 한다.
이때, 상기 테스팅 장치(200)는, 상기 이미지 가공 네트워크(211)로 하여금, 상기 테스트 이미지 또는 이에 대응되는 리사이즈된 이미지 상에서 상기 제1 테스트용 타겟 영역 내지 상기 제n 테스트용 타겟 영역에 대응되는 하나 이상의 영역을 크롭하여, 상기 제1 테스트용 가공 이미지 내지 상기 제n 테스트용 가공 이미지를 획득하도록 하거나, 상기 테스트 이미지 또는 이에 대응되는 리사이즈된 이미지 상에서 상기 제1 테스트용 타겟 영역 내지 상기 제n 테스트용 타겟 영역에 대응되는 하나 이상의 영역을 크롭한 다음 리사이즈하여, 상기 제1 테스트용 가공 이미지 내지 상기 제n 테스트용 가공 이미지를 획득하도록 할 수 있다.
다음으로, 상기 테스팅 장치(200)는 상기 이미지 가공 네트워크(211)로 하여금, 상기 제1 테스트용 가공 이미지 내지 상기 제n 테스트용 가공 이미지를 컨캐터네이팅한 상기 통합 테스트 이미지를 획득하도록 할 수 있다.
이때, 상기 테스팅 장치(200)는, 상기 이미지 가공 네트워크(211)로 하여금, 상기 제1 테스트용 가공 이미지 내지 상기 제n 테스트용 가공 이미지의 너비와 높이 중 적어도 하나를 동일하게 조정한 다음, 동일하게 조정된 상기 너비 또는 상기 높이 방향으로 상기 제1 테스트용 조정된 가공 이미지 내지 상기 제n 테스트용 조정된 가공 이미지를 컨캐터네이팅하도록 할 수 있다.
그리고, 상기 테스팅 장치(200)는, 상기 이미지 가공 네트워크(211)로 하여금, 상기 제1 테스트용 조정된 가공 이미지 내지 상기 제n 테스트용 조정된 가공 이미지 중, 컨캐터네이팅된 인접하는 각각의 두 개의 테스트용 조정된 가공 이미지로 구성되는 각각의 페어 사이에 각각 적어도 하나의 제로 패딩(zero padding) 영역을 추가하도록 할 수 있다. 이때, 상기 컨벌루션 레이어의 다중 컨벌루션 연산에 의해 상기 통합 테스트 이미지가 1/S로 축소되며, 상기 컨벌루션 레이어 각각의 커널 각각의 최대 사이즈를
Figure 112019099057824-pat00011
라 할 경우, 상기 제로 패딩 영역의 폭이
Figure 112019099057824-pat00012
로 되도록 할 수 있다.
다음으로, 상기 테스팅 장치(200)는, 상기 컨벌루션 레이어(222)로 하여금, 상기 통합 테스트 이미지에 상기 컨벌루션 연산을 적용함으로써, 적어도 하나의 테스트용 통합 특징 맵을 출력하도록 할 수 있다. 이때, 상기 컨벌루션 레이어(222)는 단일의 컨벌루션 레이어일 수도 있으며, 다수의 컨벌루션 레이어일 수도 있다.
다음으로, 상기 테스팅 장치(200)는, 상기 RPN(223)으로 하여금, 상기 테스트용 통합 특징 맵을 이용하여, 상기 통합 테스트 이미지에 포함된 상기 제1 테스트용 가공 이미지 내지 상기 제n 테스트용 가공 이미지 내에 위치하는 상기 테스트용 객체에 대응하는 하나 이상의 제1 테스트용 객체 프로포잘 내지 하나 이상의 제n 테스트용 객체 프로포잘을 출력하도록 할 수 있다.
이때, 상기 제1 테스트용 객체 프로포잘 내지 상기 제n 테스트용 객체 프로포잘 각각은, 상기 테스트용 객체 각각, 즉, 태깅 영역에 대응하는 위치 정보와 상기 태깅 영역이 객체인지 여부에 대한 정보를 갖는 각 프로포잘 박스에 대한 정보를 포함할 수 있다.
다음으로, 상기 테스팅 장치(200)는 풀링 레이어(224)로 하여금, 상기 테스트용 통합 특징 맵 상에서, 상기 제1 테스트용 객체 프로포잘 내지 상기 제n 테스트용 객체 프로포잘 각각에 대응되는 각각의 영역에 상기 풀링 연산을 적용하여, 적어도 하나의 테스트용 풀링된 통합 특징 맵을 출력하도록 하며, 상기 FC 레이어(225)로 하여금, 상기 테스트용 풀링된 통합 특징 맵에 상기 FC(fully connected) 연산을 적용하여, 상기 테스트용 객체에 대응하는 제1 테스트용 객체 검출 정보 내지 제n 테스트용 객체 검출 정보를 출력하도록 할 수 있다.
이때, 상기 제1 테스트용 객체 검출 정보 내지 상기 제n 테스트용 객체 검출 정보는 테스트용 바운딩 박스에 관한 정보(즉, 상기 테스트용 객체 각각에 관한 위치 정보) 및 상기 제1 테스트용 객체 프로포잘 내지 상기 제n 테스트용 객체 프로포잘에 대응되는 상기 테스트용 객체 각각에 관한 클래스 정보를 포함할 수 있다.
상기와 같은 방법에 의해 상기 테스트 이미지 내에 위치하는 사이즈가 다양한 객체, 특히 사이즈가 작고 원거리에 위치한 상기 객체는 효율적으로 검출할 수 있게 되며, 또한, 상기 예측된 타겟 영역에 대응하는 영역만을 사용하므로 연산량을 줄일 수 있으며, 그에 따라 상기 CNN 기반 상기 객체 검출의 연산 시간을 줄일 수 있게 된다.
또한, 상기에서는 상기 테스트 이미지 상에 타겟 객체가 하나인 경우를 상정하여 설명하였으나, 상기 테스트 이미지 내에 타겟 객체 다수가 있을 경우에도, 상기와 같은 방법에 의해 상기 테스트 이미지 내에서의 상기 각각의 타겟 객체에 대응되는 각각의 타겟 영역을 이용하여 상기 각각의 타겟 객체의 검출이 가능하다.
상기 CNN은 핵심성과지표(KPI)와 같은 사용자 요구 사항에 적응 가능하다. 즉, 상기 KPI에 따른 해상도나 초점 거리(focal length)가 바뀌게 됨에 따라, 객체 크기가 바뀌면 상기 CNN의 재설계가 가능하다. 이러한 CNN을 이용하여, 하드웨어는 처리 속도가 향상되며 최적화될 수 있다.
본 발명에 따르면, 이미지 컨캐터네이션을 이용하는 CNN 기반의 하드웨어 최적화가 가능한 상기 객체 검출기는 군사 목적 또는 원거리에 있는 객체 검출을 위해 사용할 수 있게 된다.
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. 이미지 컨캐터네이션(Image concatenation)을 이용한, CNN 기반 객체 검출기의 파라미터를 학습하는 방법에 있어서,
    (a) 적어도 하나의 트레이닝 이미지가 입력되면, 학습 장치가, (i) 타겟 영역 예측 네트워크로 하여금, 상기 트레이닝 이미지 또는 이에 대응되는 하나 이상의 리사이즈된 이미지 상에서, 하나 이상의 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제1 타겟 영역 내지 제n 타겟 영역 각각을 찾도록 하고, (ii) 이미지 가공 네트워크로 하여금, 상기 트레이닝 이미지 또는 이에 대응되는 리사이즈된 이미지로부터, 상기 제1 타겟 영역 내지 상기 제n 타겟 영역 각각에 대응되는 제1 가공 이미지 내지 제n 가공 이미지를 획득하도록 하며, (iii) 상기 제1 가공 이미지 내지 상기 제n 가공 이미지를 컨캐터네이팅(concatenating)한 통합 트레이닝 이미지를 출력하도록 하는 단계;
    (b) 상기 학습 장치가, (i) 하나 이상의 컨벌루션 레이어로 하여금, 하나 이상의 컨벌루션 연산을 상기 통합 트레이닝 이미지에 적용함으로써, 적어도 하나의 통합 특징 맵을 출력하도록 하며, (ii) RPN(Region Proposal Network)으로 하여금, 상기 통합 특징 맵을 이용하여, 상기 제1 가공 이미지 내지 상기 제n 가공 이미지 각각 내에 위치하는 하나 이상의 객체에 대응하는 제1 객체 프로포잘 내지 제n 객체 프로포잘 각각을 출력하도록 하고, (iii) 풀링 레이어로 하여금, 상기 통합 특징 맵 상에서, 상기 제1 객체 프로포잘 내지 상기 제n 객체 프로포잘 각각에 대응되는 각각의 영역에 하나 이상의 풀링 연산을 적용하여, 적어도 하나의 풀링된 통합 특징 맵을 출력하도록 하며, (iv) FC 레이어로 하여금, 상기 풀링된 통합 특징 맵에 적어도 하나의 FC(fully connected) 연산을 적용하여, 상기 객체에 대응하는 제1 객체 검출 정보 내지 제n 객체 검출 정보를 출력하도록 하는 단계; 및
    (c) 상기 학습 장치가, 적어도 하나의 FC 로스 레이어로 하여금, 상기 제1 객체 검출 정보 내지 상기 제n 객체 검출 정보와 이에 대응되는 GT(Ground Truth)를 참조하여, 하나 이상의 제1 FC 로스 내지 하나 이상의 제n FC 로스를 획득하도록 함으로써, 상기 제1 FC 로스 내지 상기 제n FC 로스를 이용한 백프로파게이션을 통해, 상기 FC 레이어 및 상기 컨벌루션 레이어의 파라미터 중 적어도 일부를 학습하도록 하는 단계;
    를 포함하는 것을 특징으로 하는 방법.
  2. 제1항에 있어서,
    상기 (b) 단계 이후,
    상기 학습 장치가, 적어도 하나의 RPN 로스 레이어로 하여금, 상기 제1 객체 프로포잘 내지 상기 제n 객체 프로포잘과 이에 대응되는 GT를 참조하여, 하나 이상의 제1 RPN 로스 내지 하나 이상의 제n RPN 로스를 획득하도록 함으로써, 상기 제1 RPN 로스 내지 상기 제n RPN 로스를 이용한 백프로파게이션을 통해, 상기 RPN의 파라미터 중 적어도 일부를 학습하는 것을 특징으로 하는 방법.
  3. 제1항에 있어서,
    상기 (a) 단계에서,
    상기 학습 장치가, 상기 이미지 가공 네트워크로 하여금, 상기 제1 가공 이미지 내지 상기 제n 가공 이미지의 너비와 높이 중 적어도 하나를 동일하게 조정한 다음, 동일한 크기로 조정된 상기 너비 또는 상기 높이 방향으로 상기 제1 조정된 가공 이미지 내지 상기 제n 조정된 가공 이미지를 컨캐터네이팅하도록 하는 것을 특징으로 하는 방법.
  4. 제3항에 있어서,
    상기 학습 장치가, 상기 이미지 가공 네트워크로 하여금, 상기 제1 조정된 가공 이미지 내지 상기 제n 조정된 가공 이미지 각각의 사이에 제로 패딩(zero padding) 영역을 추가하도록 하는 것을 특징으로 하는 방법.
  5. 제4항에 있어서,
    상기 컨벌루션 레이어의 다중 컨벌루션 연산에 의해 상기 통합 트레이닝 이미지가 1/S로 축소되며, 상기 컨벌루션 레이어 각각의 커널 각각의 최대 사이즈를
    Figure 112019099057824-pat00013
    라 할 경우, 상기 제로 패딩 영역의 폭이
    Figure 112019099057824-pat00014
    로 되도록 하는 것을 특징으로 하는 방법.
  6. 제1항에 있어서,
    상기 (a) 단계에서,
    상기 학습 장치는, 상기 타겟 영역 예측 네트워크로 하여금, 상기 트레이닝 이미지 또는 이에 대응되는 리사이즈된 이미지 각각에 대한 각각의 스케일 히스토그램을 연산하도록 하며, 상기 스케일 히스토그램을 참조함으로써, 상기 타겟 객체가 위치하는 것으로 예측되는 스케일 프로포잘에 대응되는 상기 제1 타겟 영역 내지 상기 제n 타겟 영역을 찾도록 하는 것을 특징으로 하는 방법.
  7. 제1항에 있어서,
    상기 (a) 단계에서,
    상기 학습 장치는, 상기 이미지 가공 네트워크로 하여금, 상기 트레이닝 이미지 또는 이에 대응되는 리사이즈된 이미지 상에서 상기 제1 타겟 영역 내지 상기 제n 타겟 영역에 대응되는 하나 이상의 영역을 크롭함으로써, 상기 제1 가공 이미지 내지 상기 제n 가공 이미지를 획득하도록 하거나, 상기 트레이닝 이미지 또는 이에 대응되는 리사이즈된 이미지 상에서 상기 제1 타겟 영역 내지 상기 제n 타겟 영역에 대응되는 하나 이상의 영역을 크롭한 다음 리사이즈함으로써, 상기 제1 가공 이미지 내지 상기 제n 가공 이미지를 획득하도록 하는 것을 특징으로 하는 방법.
  8. 제1항에 있어서,
    상기 제1 타겟 영역 내지 상기 제n 타겟 영역은 상기 트레이닝 이미지 내에 위치하는 상기 타겟 객체 중 서로 다른 다수의 타겟 객체에 대응되거나, 상기 트레이닝 이미지 및 이에 대응되는 리사이즈된 이미지 내에 위치하는 적어도 하나의 동일한 타겟 객체에 대응되는 것을 특징으로 하는 방법.
  9. 이미지 컨캐터네이션을 이용한 CNN 기반 객체 검출기를 테스팅하는 방법에 있어서,
    (a) 학습 장치가, (1) (i) 타겟 영역 예측 네트워크로 하여금, 적어도 하나의 트레이닝 이미지 또는 이에 대응되는 하나 이상의 리사이즈된 학습용 이미지 상에서, 하나 이상의 학습용 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제1 학습용 타겟 영역 내지 제n 학습용 타겟 영역 각각을 찾도록 하고, (ii) 이미지 가공 네트워크로 하여금, 상기 트레이닝 이미지 또는 이에 대응되는 리사이즈된 학습용 이미지로부터 상기 제1 학습용 타겟 영역 내지 상기 제n 학습용 타겟 영역 각각에 대응되는 제1 학습용 가공 이미지 내지 제n 학습용 가공 이미지를 획득하도록 하며, (iii) 상기 제1 학습용 가공 이미지 내지 상기 제n 학습용 가공 이미지를 컨캐터네이팅한 통합 트레이닝 이미지를 출력하도록 하고, (2) (i) 하나 이상의 컨벌루션 레이어로 하여금, 하나 이상의 컨벌루션 연산을 상기 통합 트레이닝 이미지에 적용함으로써, 적어도 하나의 학습용 통합 특징 맵을 출력하도록 하며, (ii) RPN으로 하여금, 상기 학습용 통합 특징 맵을 이용하여, 상기 제1 학습용 가공 이미지 내지 상기 제n 학습용 가공 이미지 각각 내에 위치하는 하나 이상의 학습용 객체에 대응하는 제1 학습용 객체 프로포잘 내지 제n 학습용 객체 프로포잘 각각을 출력하도록 하고, (iii) 풀링 레이어로 하여금, 상기 학습용 통합 특징 맵 상에서, 상기 제1 학습용 객체 프로포잘 내지 상기 제n 학습용 객체 프로포잘 각각에 대응되는 각각의 영역에 하나 이상의 풀링 연산을 적용하여, 적어도 하나의 학습용 풀링된 통합 특징 맵을 출력하도록 하며, (iv) FC 레이어로 하여금, 상기 학습용 풀링된 통합 특징 맵에 적어도 하나의 FC(fully connected) 연산을 적용하여, 상기 학습용 객체에 대응하는 제1 학습용 객체 검출 정보 내지 제n 학습용 객체 검출 정보를 출력하도록 하며, (3) 적어도 하나의 FC 로스 레이어로 하여금, 상기 제1 학습용 객체 검출 정보 내지 상기 제n 학습용 객체 검출 정보와 이에 대응되는 GT(Ground Truth)를 참조하여, 하나 이상의 제1 FC 로스 내지 하나 이상의 제n FC 로스를 획득하도록 함으로써, 상기 제1 FC 로스 내지 상기 제n FC 로스를 이용한 백프로파게이션을 통해, 상기 FC 레이어 및 상기 컨벌루션 레이어의 파라미터 중 적어도 일부를 학습한 상태에서, 테스팅 장치가, 적어도 하나의 테스트 이미지가 획득되면, (i) 상기 타겟 영역 예측 네트워크로 하여금, 상기 테스트 이미지 또는 이에 대응되는 하나 이상의 리사이즈된 테스트용 이미지 상에서, 하나 이상의 테스트용 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제1 테스트용 타겟 영역 내지 제n 테스트용 타겟 영역 각각을 찾도록 하고, (ii) 상기 이미지 가공 네트워크로 하여금, 상기 테스트 이미지 또는 이에 대응되는 리사이즈된 테스트용 이미지로부터, 상기 제1 테스트용 타겟 영역 내지 상기 제n 테스트용 타겟 영역 각각에 대응되는 제1 테스트용 가공 이미지 내지 제n 테스트용 가공 이미지를 획득하도록 하며, (iii) 상기 제1 테스트용 가공 이미지 내지 상기 제n 테스트용 가공 이미지를 컨캐터네이팅한 통합 테스트 이미지를 출력하도록 하는 단계; 및
    (b) 상기 테스팅 장치가, (i) 상기 컨벌루션 레이어로 하여금, 상기 컨벌루션 연산을 상기 통합 테스트 이미지에 적용함으로써, 적어도 하나의 테스트용 통합 특징 맵을 출력하도록 하며, (ii) 상기 RPN으로 하여금, 상기 테스트용 통합 특징 맵을 이용하여, 상기 제1 테스트용 가공 이미지 내지 상기 제n 테스트용 가공 이미지 각각 내에 위치하는 하나 이상의 테스트용 객체에 대응하는 제1 테스트용 객체 프로포잘 내지 제n 테스트용 객체 프로포잘 각각을 출력하도록 하고, (iii) 상기 풀링 레이어로 하여금, 상기 테스트용 통합 특징 맵 상에서, 상기 제1 테스트용 객체 프로포잘 내지 상기 제n 테스트용 객체 프로포잘 각각에 대응되는 각각의 영역에 상기 풀링 연산을 적용하여, 적어도 하나의 테스트용 풀링된 통합 특징 맵을 출력하도록 하며, (iv) 상기 FC 레이어로 하여금, 상기 테스트용 풀링된 통합 특징 맵에 상기 FC 연산을 적용하여, 상기 테스트용 객체에 대응하는 제1 테스트용 객체 검출 정보 내지 제n 테스트용 객체 검출 정보를 출력하도록 하는 단계;
    를 포함하는 것을 특징으로 하는 방법.
  10. 제9항에 있어서,
    상기 (a) 단계에서,
    상기 테스팅 장치가, 상기 이미지 가공 네트워크로 하여금, 상기 제1 테스트용 가공 이미지 내지 상기 제n 테스트용 가공 이미지의 너비와 높이 중 적어도 하나를 동일하게 조정한 다음, 동일한 크기로 조정된 상기 너비 또는 상기 높이 방향으로 상기 제1 테스트용 조정된 가공 이미지 내지 상기 제n 테스트용 조정된 가공 이미지를 컨캐터네이팅하도록 하는 것을 특징으로 하는 방법.
  11. 제10항에 있어서,
    상기 테스팅 장치가, 상기 이미지 가공 네트워크로 하여금, 상기 제1 테스트용 조정된 가공 이미지 내지 상기 제n 테스트용 조정된 가공 이미지 각각의 사이에 제로 패딩 영역을 추가하도록 하는 것을 특징으로 하는 방법.
  12. 제11항에 있어서,
    상기 컨벌루션 레이어의 다중 컨벌루션 연산에 의해 상기 통합 테스트 이미지가 1/S로 축소되며, 상기 컨벌루션 레이어 각각의 커널 각각의 최대 사이즈를
    Figure 112019099057824-pat00015
    라 할 경우, 상기 제로 패딩 영역의 폭이
    Figure 112019099057824-pat00016
    로 되도록 하는 것을 특징으로 하는 방법.
  13. 제9항에 있어서,
    상기 (a) 단계에서,
    상기 테스팅 장치는, 상기 타겟 영역 예측 네트워크로 하여금, 상기 테스트 이미지 또는 이에 대응되는 리사이즈된 테스트용 이미지 각각에 대한 각각의 테스트용 스케일 히스토그램을 연산하도록 하며, 상기 테스트용 스케일 히스토그램을 참조함으로써, 상기 테스트용 타겟 객체가 위치하는 것으로 예측되는 스케일 프로포잘에 대응되는 상기 제1 테스트용 타겟 영역 내지 상기 제n 테스트용 타겟 영역을 찾도록 하는 것을 특징으로 하는 방법.
  14. 제9항에 있어서,
    상기 (a) 단계에서,
    상기 테스팅 장치는, 상기 이미지 가공 네트워크로 하여금, 상기 테스트 이미지 또는 이에 대응되는 리사이즈된 테스트용 이미지 상에서 상기 제1 테스트용 타겟 영역 내지 상기 제n 테스트용 타겟 영역에 대응되는 하나 이상의 영역을 크롭함으로써, 상기 제1 테스트용 가공 이미지 내지 상기 제n 테스트용 가공 이미지를 획득하도록 하거나, 상기 테스트 이미지 또는 이에 대응되는 리사이즈된 테스트용 이미지 상에서 상기 제1 테스트용 타겟 영역 내지 상기 제n 테스트용 타겟 영역에 대응되는 하나 이상의 영역을 크롭한 다음 리사이즈함으로써, 상기 제1 테스트용 가공 이미지 내지 상기 제n 테스트용 가공 이미지를 획득하도록 하는 것을 특징으로 하는 방법.
  15. 제9항에 있어서,
    상기 제1 테스트용 타겟 영역 내지 상기 제n 테스트용 타겟 영역은 상기 테스트 이미지 내에 위치하는 상기 테스트용 타겟 객체 중 서로 다른 다수의 테스트용 타겟 객체에 대응되거나, 상기 테스트 이미지 및 이에 대응되는 리사이즈된 테스트용 이미지 내에 위치하는 적어도 하나의 동일한 테스트용 타겟 객체에 대응되는 것을 특징으로 하는 방법.
  16. 이미지 컨캐터네이션을 이용한, CNN 기반 객체 검출기의 파라미터를 학습하기 위한 학습 장치에 있어서,
    인스트럭션들을 저장하는 적어도 하나의 메모리; 및
    (I) (i) 타겟 영역 예측 네트워크로 하여금, 적어도 하나의 트레이닝 이미지 또는 이에 대응되는 하나 이상의 리사이즈된 이미지 상에서, 하나 이상의 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제1 타겟 영역 내지 제n 타겟 영역 각각을 찾도록 하고, (ii) 이미지 가공 네트워크로 하여금, 상기 트레이닝 이미지 또는 이에 대응되는 리사이즈된 이미지로부터, 상기 제1 타겟 영역 내지 상기 제n 타겟 영역 각각에 대응되는 제1 가공 이미지 내지 제n 가공 이미지를 획득하도록 하며, (iii) 상기 제1 가공 이미지 내지 상기 제n 가공 이미지를 컨캐터네이팅한 통합 트레이닝 이미지를 출력하도록 하는 프로세스, (II) (i) 하나 이상의 컨벌루션 레이어로 하여금, 하나 이상의 컨벌루션 연산을 상기 통합 트레이닝 이미지에 적용함으로써, 적어도 하나의 통합 특징 맵을 출력하도록 하며, (ii) RPN으로 하여금, 상기 통합 특징 맵을 이용하여, 상기 제1 가공 이미지 내지 상기 제n 가공 이미지 각각 내에 위치하는 하나 이상의 객체에 대응하는 제1 객체 프로포잘 내지 제n 객체 프로포잘 각각을 출력하도록 하고, (iii) 풀링 레이어로 하여금, 상기 통합 특징 맵 상에서, 상기 제1 객체 프로포잘 내지 상기 제n 객체 프로포잘 각각에 대응되는 각각의 영역에 하나 이상의 풀링 연산을 적용하여, 적어도 하나의 풀링된 통합 특징 맵을 출력하도록 하며, (iv) FC 레이어로 하여금, 상기 풀링된 통합 특징 맵에 적어도 하나의 FC(fully connected) 연산을 적용하여, 상기 객체에 대응하는 제1 객체 검출 정보 내지 제n 객체 검출 정보를 출력하도록 하는 프로세스, 및 (III) 적어도 하나의 FC 로스 레이어로 하여금, 상기 제1 객체 검출 정보 내지 상기 제n 객체 검출 정보와 이에 대응되는 GT(Ground Truth)를 참조하여, 하나 이상의 제1 FC 로스 내지 하나 이상의 제n FC 로스를 획득하도록 함으로써, 상기 제1 FC 로스 내지 상기 제n FC 로스를 이용한 백프로파게이션을 통해, 상기 FC 레이어 및 상기 컨벌루션 레이어의 파라미터 중 적어도 일부를 학습하도록 하는 프로세스를 수행하기 위한 상기 인스트럭션들을 실행하도록 구성된 적어도 하나의 프로세서;
    를 포함하는 것을 특징으로 하는 학습 장치.
  17. 제16항에 있어서,
    상기 프로세서는,
    상기 (II) 프로세스 이후, 적어도 하나의 RPN 로스 레이어로 하여금, 상기 제1 객체 프로포잘 내지 상기 제n 객체 프로포잘과 이에 대응되는 GT를 참조하여, 하나 이상의 제1 RPN 로스 내지 하나 이상의 제n RPN 로스를 획득하도록 함으로써, 상기 제1 RPN 로스 내지 상기 제n RPN 로스를 이용한 백프로파게이션을 통해, 상기 RPN의 파라미터 중 적어도 일부를 학습하는 것을 특징으로 하는 학습 장치.
  18. 제16항에 있어서,
    상기 (I) 프로세스에서,
    상기 프로세서는, 상기 이미지 가공 네트워크로 하여금, 상기 제1 가공 이미지 내지 상기 제n 가공 이미지의 너비와 높이 중 적어도 하나를 동일하게 조정한 다음, 동일한 크기로 조정된 상기 너비 또는 상기 높이 방향으로 상기 제1 조정된 가공 이미지 내지 상기 제n 조정된 가공 이미지를 컨캐터네이팅(concatenating)하도록 하는 것을 특징으로 하는 학습 장치.
  19. 제18항에 있어서,
    상기 프로세서는, 상기 이미지 가공 네트워크로 하여금 상기 제1 조정된 가공 이미지 내지 상기 제n 조정된 가공 이미지 각각의 사이에 제로 패딩 영역을 추가하도록 하는 것을 특징으로 하는 학습 장치.
  20. 제19항에 있어서,
    상기 컨벌루션 레이어의 다중 컨벌루션 연산에 의해 상기 통합 트레이닝 이미지가 1/S로 축소되며, 상기 컨벌루션 레이어 각각의 커널 각각의 최대 사이즈를
    Figure 112019099057824-pat00017
    라 할 경우, 상기 제로 패딩 영역의 폭이
    Figure 112019099057824-pat00018
    로 되도록 하는 것을 특징으로 하는 학습 장치.
  21. 제16항에 있어서,
    상기 (I) 프로세스에서,
    상기 프로세서는, 상기 타겟 영역 예측 네트워크로 하여금, 상기 트레이닝 이미지 또는 이에 대응되는 리사이즈된 이미지 각각에 대한 각각의 스케일 히스토그램을 연산하도록 하며, 상기 스케일 히스토그램을 참조함으로써, 상기 타겟 객체가 위치하는 것으로 예측되는 스케일 프로포잘에 대응되는 상기 제1 타겟 영역 내지 상기 제n 타겟 영역을 찾도록 하는 것을 특징으로 하는 학습 장치.
  22. 제16항에 있어서,
    상기 (I) 프로세스에서,
    상기 프로세서는, 상기 이미지 가공 네트워크로 하여금, 상기 트레이닝 이미지 또는 이에 대응되는 리사이즈된 이미지 상에서 상기 제1 타겟 영역 내지 상기 제n 타겟 영역에 대응되는 하나 이상의 영역을 크롭함으로써, 상기 제1 가공 이미지 내지 상기 제n 가공 이미지를 획득하도록 하거나, 상기 트레이닝 이미지 또는 이에 대응되는 리사이즈된 이미지 상에서 상기 제1 타겟 영역 내지 상기 제n 타겟 영역에 대응되는 하나 이상의 영역을 크롭한 다음 리사이즈함으로써, 상기 제1 가공 이미지 내지 상기 제n 가공 이미지를 획득하도록 하는 것을 특징으로 하는 학습 장치.
  23. 제16항에 있어서,
    상기 제1 타겟 영역 내지 상기 제n 타겟 영역은 상기 트레이닝 이미지 내에 위치하는 상기 타겟 객체 중 서로 다른 다수의 타겟 객체에 대응되거나, 상기 트레이닝 이미지 및 이에 대응되는 리사이즈된 이미지 내에 위치하는 적어도 하나의 동일한 타겟 객체에 대응되는 것을 특징으로 하는 학습 장치.
  24. 이미지 컨캐터네이션을 이용한, CNN 기반 객체 검출기를 테스팅하기 위한 테스팅 장치에 있어서,
    인스트럭션들을 저장하는 적어도 하나의 메모리; 및
    학습 장치가, (1) (i) 타겟 영역 예측 네트워크로 하여금, 적어도 하나의 트레이닝 이미지 또는 이에 대응되는 하나 이상의 리사이즈된 학습용 이미지 상에서, 하나 이상의 학습용 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제1 학습용 타겟 영역 내지 제n 학습용 타겟 영역 각각을 찾도록 하고, (ii) 이미지 가공 네트워크로 하여금, 상기 트레이닝 이미지 또는 이에 대응되는 리사이즈된 학습용 이미지로부터 상기 제1 학습용 타겟 영역 내지 상기 제n 학습용 타겟 영역 각각에 대응되는 제1 학습용 가공 이미지 내지 제n 학습용 가공 이미지를 획득하도록 하며, (iii) 상기 제1 학습용 가공 이미지 내지 상기 제n 학습용 가공 이미지를 컨캐터네이팅한 통합 트레이닝 이미지를 출력하도록 하고, (2) (i) 하나 이상의 컨벌루션 레이어로 하여금, 하나 이상의 컨벌루션 연산을 상기 통합 트레이닝 이미지에 적용함으로써, 적어도 하나의 학습용 통합 특징 맵을 출력하도록 하며, (ii) RPN으로 하여금, 상기 학습용 통합 특징 맵을 이용하여, 상기 제1 학습용 가공 이미지 내지 상기 제n 학습용 가공 이미지 각각 내에 위치하는 하나 이상의 학습용 객체에 대응하는 제1 학습용 객체 프로포잘 내지 제n 학습용 객체 프로포잘 각각을 출력하도록 하고, (iii) 풀링 레이어로 하여금, 상기 학습용 통합 특징 맵 상에서, 상기 제1 학습용 객체 프로포잘 내지 상기 제n 학습용 객체 프로포잘 각각에 대응되는 각각의 영역에 하나 이상의 풀링 연산을 적용하여, 적어도 하나의 학습용 풀링된 통합 특징 맵을 출력하도록 하며, (iv) FC 레이어로 하여금, 상기 학습용 풀링된 통합 특징 맵에 적어도 하나의 FC(fully connected) 연산을 적용하여, 상기 학습용 객체에 대응하는 제1 학습용 객체 검출 정보 내지 제n 학습용 객체 검출 정보를 출력하도록 하며, (3) 적어도 하나의 FC 로스 레이어로 하여금, 상기 제1 학습용 객체 검출 정보 내지 상기 제n 학습용 객체 검출 정보와 이에 대응되는 GT(Ground Truth)를 참조하여, 하나 이상의 제1 FC 로스 내지 하나 이상의 제n FC 로스를 획득하도록 함으로써, 상기 제1 FC 로스 내지 상기 제n FC 로스를 이용한 백프로파게이션을 통해, 상기 FC 레이어 및 상기 컨벌루션 레이어의 파라미터 중 적어도 일부를 학습한 상태에서, (I) (i) 상기 타겟 영역 예측 네트워크로 하여금, 적어도 하나의 테스트 이미지 또는 이에 대응되는 하나 이상의 리사이즈된 테스트용 이미지 상에서, 하나 이상의 테스트용 타겟 객체가 위치하는 것으로 예측되는 영역에 대응되는 제1 테스트용 타겟 영역 내지 제n 테스트용 타겟 영역 각각을 찾도록 하고, (ii) 상기 이미지 가공 네트워크로 하여금, 상기 테스트 이미지 또는 이에 대응되는 리사이즈된 테스트용 이미지로부터 상기 제1 테스트용 타겟 영역 내지 상기 제n 테스트용 타겟 영역 각각에 대응되는 제1 테스트용 가공 이미지 내지 제n 테스트용 가공 이미지를 획득하도록 하며, (iii) 상기 제1 테스트용 가공 이미지 내지 상기 제n 테스트용 가공 이미지를 컨캐터네이팅한 통합 테스트 이미지를 출력하도록 하는 프로세스, 및 (II) (i) 상기 컨벌루션 레이어로 하여금, 상기 컨벌루션 연산을 상기 통합 테스트 이미지에 적용함으로써, 적어도 하나의 테스트용 통합 특징 맵을 출력하도록 하며, (ii) 상기 RPN으로 하여금, 상기 테스트용 통합 특징 맵을 이용하여, 상기 제1 테스트용 가공 이미지 내지 상기 제n 테스트용 가공 이미지 각각 내에 위치하는 하나 이상의 테스트용 객체에 대응하는 제1 테스트용 객체 프로포잘 내지 제n 테스트용 객체 프로포잘 각각을 출력하도록 하고, (iii) 상기 풀링 레이어로 하여금, 상기 테스트용 통합 특징 맵 상에서, 상기 제1 테스트용 객체 프로포잘 내지 상기 제n 테스트용 객체 프로포잘 각각에 대응되는 각각의 영역에 상기 풀링 연산을 적용하여, 적어도 하나의 테스트용 풀링된 통합 특징 맵을 출력하도록 하며, (iv) 상기 FC 레이어로 하여금, 상기 테스트용 풀링된 통합 특징 맵에 상기 FC 연산을 적용하여, 상기 테스트용 객체에 대응하는 제1 테스트용 객체 검출 정보 내지 제n 테스트용 객체 검출 정보를 출력하도록 하는 프로세스를 수행하기 위한 상기 인스트럭션들을 실행하도록 구성된 적어도 하나의 프로세서;
    를 포함하는 것을 특징으로 하는 테스팅 장치.
  25. 제24항에 있어서,
    상기 (I) 프로세스에서,
    상기 프로세서는, 상기 이미지 가공 네트워크로 하여금, 상기 제1 테스트용 가공 이미지 내지 상기 제n 테스트용 가공 이미지의 너비와 높이 중 적어도 하나를 동일하게 조정한 다음, 동일한 크기로 조정된 상기 너비 또는 상기 높이 방향으로 상기 제1 테스트용 조정된 가공 이미지 내지 상기 제n 테스트용 조정된 가공 이미지를 컨캐터네이팅하도록 하는 것을 특징으로 하는 테스팅 장치.
  26. 제25항에 있어서,
    상기 프로세서는, 상기 이미지 가공 네트워크로 하여금, 상기 제1 테스트용 조정된 가공 이미지 내지 상기 제n 테스트용 조정된 가공 이미지 각각의 사이에 제로 패딩 영역을 추가하도록 하는 것을 특징으로 하는 테스팅 장치.
  27. 제26항에 있어서,
    상기 컨벌루션 레이어의 다중 컨벌루션 연산에 의해 상기 통합 테스트 이미지가 1/S로 축소되며, 상기 컨벌루션 레이어 각각의 커널 각각의 최대 사이즈를
    Figure 112019099057824-pat00019
    라 할 경우, 상기 제로 패딩 영역의 폭이
    Figure 112019099057824-pat00020
    로 되도록 하는 것을 특징으로 하는 테스팅 장치.
  28. 제24항에 있어서,
    상기 (I) 프로세스에서,
    상기 프로세서는, 상기 타겟 영역 예측 네트워크로 하여금, 상기 테스트 이미지 또는 이에 대응되는 리사이즈된 테스트용 이미지 각각에 대한 각각의 테스트용 스케일 히스토그램을 연산하도록 하며, 상기 테스트용 스케일 히스토그램을 참조함으로써, 상기 테스트용 타겟 객체가 위치하는 것으로 예측되는 스케일 프로포잘에 대응되는 상기 제1 테스트용 타겟 영역 내지 상기 제n 테스트용 타겟 영역을 찾도록 하는 것을 특징으로 하는 테스팅 장치.
  29. 제24항에 있어서,
    상기 (I) 프로세스에서,
    상기 프로세서는, 상기 이미지 가공 네트워크로 하여금, 상기 테스트 이미지 또는 이에 대응되는 리사이즈된 테스트용 이미지 상에서 상기 제1 테스트용 타겟 영역 내지 상기 제n 테스트용 타겟 영역에 대응되는 하나 이상의 영역을 크롭함으로써, 상기 제1 테스트용 가공 이미지 내지 상기 제n 테스트용 가공 이미지를 획득하도록 하거나, 상기 테스트 이미지 또는 이에 대응되는 리사이즈된 테스트용 이미지 상에서 상기 제1 테스트용 타겟 영역 내지 상기 제n 테스트용 타겟 영역에 대응되는 하나 이상의 영역을 크롭한 다음 리사이즈함으로써, 상기 제1 테스트용 가공 이미지 내지 상기 제n 테스트용 가공 이미지를 획득하도록 하는 것을 특징으로 하는 테스팅 장치.
  30. 제24항에 있어서,
    상기 제1 테스트용 타겟 영역 내지 상기 제n 테스트용 타겟 영역은 상기 테스트 이미지 내에 위치하는 상기 테스트용 타겟 객체 중 서로 다른 다수의 테스트용 타겟 객체에 대응되거나, 상기 테스트 이미지 및 이에 대응되는 리사이즈된 테스트용 이미지 내에 위치하는 적어도 하나의 동일한 테스트용 타겟 객체에 대응되는 것을 특징으로 하는 테스팅 장치.
KR1020190119531A 2019-01-22 2019-09-27 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 KR102337367B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/254,279 2019-01-22
US16/254,279 US10387752B1 (en) 2019-01-22 2019-01-22 Learning method and learning device for object detector with hardware optimization based on CNN for detection at distance or military purpose using image concatenation, and testing method and testing device using the same

Publications (2)

Publication Number Publication Date
KR20200091324A KR20200091324A (ko) 2020-07-30
KR102337367B1 true KR102337367B1 (ko) 2021-12-10

Family

ID=67620645

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190119531A KR102337367B1 (ko) 2019-01-22 2019-09-27 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

Country Status (5)

Country Link
US (1) US10387752B1 (ko)
EP (1) EP3686781A1 (ko)
JP (1) JP6846069B2 (ko)
KR (1) KR102337367B1 (ko)
CN (1) CN111460877B (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102618066B1 (ko) 2023-07-11 2023-12-27 같다커뮤니케이션 주식회사 군인 기반 커뮤니티 애플리케이션에서 자연어 처리 및 이미지 대조를 기반으로 하여 군사 보안을 강화하는 방법, 장치 및 시스템

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018211144A1 (en) 2017-05-19 2018-11-22 Deepmind Technologies Limited Making object-level predictions of the future state of a physical system
US10572770B2 (en) * 2018-06-15 2020-02-25 Intel Corporation Tangent convolution for 3D data
US10915793B2 (en) * 2018-11-08 2021-02-09 Huawei Technologies Co., Ltd. Method and system for converting point cloud data for use with 2D convolutional neural networks
US20210056357A1 (en) * 2019-08-19 2021-02-25 Board Of Trustees Of Michigan State University Systems and methods for implementing flexible, input-adaptive deep learning neural networks
CN114693532A (zh) * 2020-12-28 2022-07-01 富泰华工业（深圳）有限公司 图像校正方法及相关设备
KR102637342B1 (ko) 2021-03-17 2024-02-16 삼성전자주식회사 대상 객체를 추적하는 방법과 장치 및 전자 장치
CN113034456B (zh) * 2021-03-18 2023-07-28 北京百度网讯科技有限公司 螺栓松动的检测方法、装置、设备以及存储介质

Family Cites Families (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9536293B2 (en) * 2014-07-30 2017-01-03 Adobe Systems Incorporated Image assessment using deep convolutional neural networks
CN106156807B (zh) * 2015-04-02 2020-06-02 华中科技大学 卷积神经网络模型的训练方法及装置
WO2016165060A1 (en) * 2015-04-14 2016-10-20 Intel Corporation Skin detection based on online discriminative modeling
US9965719B2 (en) * 2015-11-04 2018-05-08 Nec Corporation Subcategory-aware convolutional neural networks for object detection
US9881234B2 (en) * 2015-11-25 2018-01-30 Baidu Usa Llc. Systems and methods for end-to-end object detection
JP2018005506A (ja) * 2016-06-30 2018-01-11 株式会社東芝 画像認識手法評価装置、画像認識手法評価方法、及びプログラム
US20180039853A1 (en) * 2016-08-02 2018-02-08 Mitsubishi Electric Research Laboratories, Inc. Object Detection System and Object Detection Method
US10354159B2 (en) * 2016-09-06 2019-07-16 Carnegie Mellon University Methods and software for detecting objects in an image using a contextual multiscale fast region-based convolutional neural network
US10354362B2 (en) * 2016-09-08 2019-07-16 Carnegie Mellon University Methods and software for detecting objects in images using a multiscale fast region-based convolutional neural network
US11308350B2 (en) * 2016-11-07 2022-04-19 Qualcomm Incorporated Deep cross-correlation learning for object tracking
US10846523B2 (en) * 2016-11-14 2020-11-24 Kodak Alaris Inc. System and method of character recognition using fully convolutional neural networks with attention
US10380741B2 (en) * 2016-12-07 2019-08-13 Samsung Electronics Co., Ltd System and method for a deep learning machine for object detection
US10262237B2 (en) * 2016-12-08 2019-04-16 Intel Corporation Technologies for improved object detection accuracy with multi-scale representation and training
CN108303748A (zh) * 2017-01-12 2018-07-20 同方威视技术股份有限公司 检查设备和检测行李物品中的枪支的方法
KR101902883B1 (ko) * 2017-02-22 2018-10-01 연세대학교 산학협력단 컴퓨터 단층촬영 영상에서 플라크를 분석하기 위한 방법 및 장치
US10185878B2 (en) * 2017-02-28 2019-01-22 Microsoft Technology Licensing, Llc System and method for person counting in image data
US10635927B2 (en) * 2017-03-06 2020-04-28 Honda Motor Co., Ltd. Systems for performing semantic segmentation and methods thereof
JP6787196B2 (ja) * 2017-03-09 2020-11-18 コニカミノルタ株式会社 画像認識装置及び画像認識方法
US20180260414A1 (en) * 2017-03-10 2018-09-13 Xerox Corporation Query expansion learning with recurrent networks
US10678846B2 (en) * 2017-03-10 2020-06-09 Xerox Corporation Instance-level image retrieval with a region proposal network
US11010595B2 (en) * 2017-03-23 2021-05-18 Samsung Electronics Co., Ltd. Facial verification method and apparatus
US10325342B2 (en) * 2017-04-27 2019-06-18 Apple Inc. Convolution engine for merging interleaved channel data
US10460470B2 (en) * 2017-07-06 2019-10-29 Futurewei Technologies, Inc. Recognition and reconstruction of objects with partial appearance
US10503978B2 (en) * 2017-07-14 2019-12-10 Nec Corporation Spatio-temporal interaction network for learning object interactions
KR101880901B1 (ko) * 2017-08-09 2018-07-23 펜타시큐리티시스템 주식회사 기계 학습 방법 및 장치
JP6972756B2 (ja) * 2017-08-10 2021-11-24 富士通株式会社 制御プログラム、制御方法、及び情報処理装置
JP6972757B2 (ja) * 2017-08-10 2021-11-24 富士通株式会社 制御プログラム、制御方法、及び情報処理装置
US10679351B2 (en) * 2017-08-18 2020-06-09 Samsung Electronics Co., Ltd. System and method for semantic segmentation of images
CN107492099B (zh) * 2017-08-28 2021-08-20 京东方科技集团股份有限公司 医学图像分析方法、医学图像分析系统以及存储介质
US9984325B1 (en) * 2017-10-04 2018-05-29 StradVision, Inc. Learning method and learning device for improving performance of CNN by using feature upsampling networks, and testing method and testing device using the same
US10169679B1 (en) * 2017-10-13 2019-01-01 StradVision, Inc. Learning method and learning device for adjusting parameters of CNN by using loss augmentation and testing method and testing device using the same
US10007865B1 (en) * 2017-10-16 2018-06-26 StradVision, Inc. Learning method and learning device for adjusting parameters of CNN by using multi-scale feature maps and testing method and testing device using the same

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Peng Tang., Weakly supervised Region Proposal Network and Object Detection., ECCV 2018, 1-17pages (2018.12.31)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102618066B1 (ko) 2023-07-11 2023-12-27 같다커뮤니케이션 주식회사 군인 기반 커뮤니티 애플리케이션에서 자연어 처리 및 이미지 대조를 기반으로 하여 군사 보안을 강화하는 방법, 장치 및 시스템

Also Published As

Publication number Publication date
JP2020119540A (ja) 2020-08-06
EP3686781A1 (en) 2020-07-29
KR20200091324A (ko) 2020-07-30
CN111460877A (zh) 2020-07-28
US10387752B1 (en) 2019-08-20
JP6846069B2 (ja) 2021-03-24
CN111460877B (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
KR102337367B1 (ko) 원거리 검출 또는 군사 목적을 위해, 이미지 컨캐터네이션을 이용한, cnn 기반의 하드웨어 최적화가 가능한 객체 검출기를 학습하는 방법 및 학습 장치, 이를 이용한 테스팅 방법 및 테스팅 장치
KR102349920B1 (ko) 이미지 컨캐터네이션과 타겟 객체 통합 네트워크를 이용하여, 다중 카메라 혹은 서라운드 뷰 모니터링에 이용될 cnn 기반 객체 검출기를 학습하는 방법 및 학습 장치, 그리고 이를 이용한 테스팅 방법 및 테스팅 장치
KR102326256B1 (ko) 고정밀도 이미지를 분석하는 딥러닝 네트워크의 학습에 이용하기 위한 트레이닝 이미지를 오토 라벨링하기 위한 방법 및 이를 이용한 오토 라벨링 장치
KR102328731B1 (ko) 다중 카메라 혹은 서라운드 뷰 모니터링에 이용되기 위해, 타겟 객체 통합 네트워크 및 타겟 영역 예측 네트워크를 이용하여 핵심성과지표와 같은 사용자 요구 사항에 적응 가능한 cnn 기반 객체 검출기를 학습하는 방법 및 학습 장치, 그리고 이를 이용한 테스팅 방법 및 테스팅 장치
US10509987B1 (en) Learning method and learning device for object detector based on reconfigurable network for optimizing customers' requirements such as key performance index using target object estimating network and target object merging network, and testing method and testing device using the same
KR102246368B1 (ko) 핵심성과지표와 같은 사용자 요구 사항에 적합한 타겟 객체 예측 네트워크를 이용한, cnn 기반의 변동에 강인한 객체 검출기를 학습하는 방법 및 학습 장치, 및 이를 이용한 테스팅 방법 및 테스팅 장치
KR102280414B1 (ko) 고 정밀도로 이미지를 분석하기 위한 딥 러닝 네트워크를 사용하기 위해 트레이닝 이미지를 오토 라벨링하는 오토 라벨링 장치의 하이퍼파라미터를 최적화하는 방법 및 이를 이용한 최적화 장치
KR20200047307A (ko) 유용한 학습 데이터를 취사 선별하기 위한 cnn 기반 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치
KR20200027889A (ko) CNN(Convolutional Neural Network)을 사용하여 차선을 검출하기 위한 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치
KR102337383B1 (ko) 하드웨어 최적화에 사용되는 1xK 또는 Kx1 컨벌루션 연산을 이용한 CNN을 학습하는 방법 및 학습 장치, 이를 이용한 테스트 방법 및 테스트 장치
US10387753B1 (en) Learning method and learning device for convolutional neural network using 1×1 convolution for image recognition to be used for hardware optimization, and testing method and testing device using the same
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
US10474543B1 (en) Method and device for economizing computing resources to be used during a process of verification of convolutional parameters using test pattern to enhance fault tolerance and fluctuation robustness in extreme situations
US10395140B1 (en) Learning method and learning device for object detector based on CNN using 1×1 convolution to be used for hardware optimization, and testing method and testing device using the same
KR102464358B1 (ko) 머신러닝에 기반하여 이미지에 대응되는 공간 정보를 추정하기 위한 방법 및 이를 이용한 공간 추정 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