KR102337381B1 - 극한 상황에서 폴트 톨러런스 및 플럭츄에이션 로버스트를 향상시키기 위해, 지터링이 일어난 이미지를 안정화하는 프로세스에서 생성된 와핑된 이미지에 발생된 왜곡을, GAN(Generative Adversarial Network)을 이용하여 줄이기 위한 학습 방법 및 학습 장치 - Google Patents

극한 상황에서 폴트 톨러런스 및 플럭츄에이션 로버스트를 향상시키기 위해, 지터링이 일어난 이미지를 안정화하는 프로세스에서 생성된 와핑된 이미지에 발생된 왜곡을, GAN(Generative Adversarial Network)을 이용하여 줄이기 위한 학습 방법 및 학습 장치 Download PDF

Info

Publication number
KR102337381B1
KR102337381B1 KR1020190147110A KR20190147110A KR102337381B1 KR 102337381 B1 KR102337381 B1 KR 102337381B1 KR 1020190147110 A KR1020190147110 A KR 1020190147110A KR 20190147110 A KR20190147110 A KR 20190147110A KR 102337381 B1 KR102337381 B1 KR 102337381B1
Authority
KR
South Korea
Prior art keywords
image
score
initial
network
learning
Prior art date
Application number
KR1020190147110A
Other languages
English (en)
Other versions
KR20200093417A (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 KR20200093417A publication Critical patent/KR20200093417A/ko
Application granted granted Critical
Publication of KR102337381B1 publication Critical patent/KR102337381B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/094—Adversarial learning
    • 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
    • G06F18/217—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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06K9/20—
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/0475—Generative 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
    • G06N3/08—Learning methods
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20201—Motion blur correction
    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/68—Control of cameras or camera modules for stable pick-up of the scene, e.g. compensating for camera body vibrations
    • H04N23/682—Vibration or motion blur correction
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/68—Control of cameras or camera modules for stable pick-up of the scene, e.g. compensating for camera body vibrations
    • H04N23/682—Vibration or motion blur correction
    • H04N23/683—Vibration or motion blur correction performed by a processor, e.g. controlling the readout of an image memory

Landscapes

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

Abstract

본 발명은 극한 상황에서 폴트 톨러런스(Fault Tolerance) 및 플럭츄에이션 로버스트(Fluctuation Robustness)를 향상시키기 위해 제공되는, GAN(Generative Adversarial Network)을 이용하여 와핑된(Warped) 이미지에 발생된 왜곡을 줄이기 위한 학습 방법에 관한 것으로, (a) 초기 이미지(Initial Image)를 획득하면, 제너레이팅 네트워크(Generating Network)에 포함된 조정 레이어(Adjusting Layer)로 하여금, 적어도 일부의 초기 특징 값(Initial Feature Value)을 조정하도록 하여 초기 이미지를 조정 이미지(Adjusted Image)로 변환하도록 하는 단계; 및 (b) (i) 자연도 스코어(Naturality Score), (ii) 특성 유지 스코어(Maintenance Score) 및 (iii) 유사도 스코어(Similarity Score)의 적어도 일부를 획득하면, 제너레이팅 네트워크에 포함된 로스 레이어(Loss Layer)로 하여금, 자연도 스코어, 특성 유지 스코어 및 유사도 스코어를 참조하여 제너레이팅 네트워크 로스(Generating Network Loss)를 생성하도록 하여 제너레이팅 네트워크의 파라미터를 학습하도록 하는 단계;를 포함하는 것을 특징으로 하며, 본 발명은 행동 예측, 초정밀 객체 검출 또는 추적 등에 사용될 수도 있다.

Description

극한 상황에서 폴트 톨러런스 및 플럭츄에이션 로버스트를 향상시키기 위해, 지터링이 일어난 이미지를 안정화하는 프로세스에서 생성된 와핑된 이미지에 발생된 왜곡을, GAN(Generative Adversarial Network)을 이용하여 줄이기 위한 학습 방법 및 학습 장치{LEARNING METHOD AND LEARNING DEVICE FOR REDUCING DISTORTION OCCURRED IN WARPED IMAGE GENERATED IN PROCESS OF STABILIZING JITTERED IMAGE BY USING GAN TO ENHANCE FAULT TOLERANCE AND FLUCTUATION ROBUSTNESS IN EXTREME SITUATIONS}
본 발명은 자율 주행 자동차에 사용되는 학습 방법 및 학습 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치에 관한 것으로, 보다 자세하게는, 와핑된(Warped) 이미지에 발생된 왜곡을 GAN(Generative Adversarial Network)을 이용하여 줄이기 위한 학습 방법 및 학습 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치에 관한 것이다.
CNN은 자동차의 자율 주행 분야에서도 널리 사용되고 있는데, 이는 주로 자동차에 부착된 카메라를 통해 획득된 영상을 분석함으로써 장애물을 검출하고, 프리 스페이스(Free Space)를 검출하는 등의 기능을 수행하여 안전하게 차량이 주행할 수 있도록 한다.
그런데, 이와 같이 CNN을 이용해 자동차가 자율 주행하도록 하는 방법은, 특정 상황에서 수행이 어려울 수 있다. 즉, CNN은 카메라를 통해 얻어진 영상을 사용해야 하는데, 카메라가 흔들리는 등의 문제로 영상이 많이 흔들리면, 영상의 각각의 프레임마다 이미지가 크게 바뀌는 지터링(Jittering) 현상이 발생하게 된다. 이와 같은 지터링 현상이 발생하면 CNN이 영상 상의 객체의 움직임을 추적하기 어렵게 된다. 특히, 이 같은 지터링 현상은 오프로드를 자주 달리는 군용 차량의 자율 주행 중 매우 빈번하게 발생하며, 이 같은 발생을 막는 방법이 매우 중요하다.
이와 같은 지터링을 제거하는 종래의 기술로서 카메라의 움직임을 측정하여 지터링이 발생한 이미지를 물리적으로 바로 잡는 방법이 있지만, 이 경우 카메라 모듈의 무게가 증가하고 비용이 많이 들며, 여러 장치의 사용으로 고장 위험이 증가한다. 대안으로 소프트웨어 기술이 있는데, 이는 이미지를 그리드로 나누고, 카메라의 흔들림으로 인한 각각의 상기 그리드의 각각의 움직임을 나타내는 각각의 벡터를 산출한 후, 각각의 상기 벡터를 참조하여 각각의 그리드를 와핑(Warping) 함으로써 지터링을 없애는 방법이다.
그런데 이 같은 소프트웨어 기술에 따르면, 이는 이미지의 객체의 옵티컬 플로우(Optical Flow)만 고려하며, 지터링이 발생한 이미지를 조정하는 과정에서 이미지에 왜곡을 크게 일으켜, 이미지 상에서 인식되어야 할 객체가 인식되지 않도록 하거나, 해당 이미지를 지나치게 비현실적으로 바꾸게 되는 문제가 있다.
본 발명은 상술한 문제점을 해결하는 것을 목적으로 한다.
본 발명은 지터링(Jittering)이 일어난 이미지를 안정화하는 과정에서 생성된 와핑된(Warped) 이미지에서 발생한 왜곡을, GAN(Generative Adversarial Network)을 이용하여 줄이는 방법을 제공하는 것을 목적으로 한다.
본 발명의 일 태양에 따르면, 지터링(Jittering)이 일어난 이미지를 안정화하는 프로세스에서 생성된 와핑된(Warped) 이미지에 발생한 왜곡(Distortion)을, 제너레이팅 네트워크(Generating Network)와 디스크리미네이팅 네트워크(Discriminating Network)를 포함하는 GAN(Generative Adversarial Network)을 이용하여 줄이기 위한 학습 방법에 있어서, (a) 적어도 하나의 초기 이미지(Initial Image)를 획득하면, 학습 장치가, 조정 레이어(Adjusting Layer)로 하여금, 상기 초기 이미지에 포함된 픽셀에 대응하는 적어도 일부의 초기 특징 값(Initial Feature Value)을 조정하도록 하여 상기 초기 이미지를 적어도 하나의 조정 이미지(Adjusted Image)로 변환하도록 하는 단계; 및 (b) 상기 학습 장치가, (i) 상기 조정 이미지가 상기 디스크리미네이팅 네트워크에 의해 진짜 이미지인 것으로 판단될 적어도 하나의 확률을 나타내는 적어도 하나의 자연도 스코어(Naturality Score), (ii) 상기 초기 이미지에 포함된 적어도 하나의 초기 객체(Initial Object)가 고유 특성이 유지된 상태로 상기 조정 이미지에 포함되어 있는지를 나타내는 적어도 하나의 특성 유지 스코어(Maintenance Score) 및 (iii) 상기 초기 이미지 및 상기 조정 이미지 사이의 유사한 정도를 나타내는 적어도 하나의 유사도 스코어(Similarity Score)의 적어도 일부를 획득하면, 상기 제너레이팅 네트워크에 포함된 로스 레이어(Loss Layer)로 하여금, 상기 자연도 스코어, 상기 특성 유지 스코어 및 상기 유사도 스코어를 참조하여 제너레이팅 네트워크 로스(Generating Network Loss)를 생성하도록 하고, 상기 제너레이팅 네트워크 로스를 백프로파게이션함으로써 상기 제너레이팅 네트워크의 파라미터를 학습하도록 하는 단계;를 포함하는 것을 특징으로 하는 한다.
일 실시예에서, 상기 (b) 단계에서, 상기 디스크리미네이팅 네트워크는, 상기 조정 이미지에 대응하는 특징 맵을 참조로 하여, 상기 조정 이미지가 진짜(Real) 이미지 또는 가짜(Fake) 이미지에 해당하는지에 대한 적어도 하나의 상기 확률을 판단하고, 이를 통해 상기 자연도 스코어를 생성하는 것을 특징으로 한다.
일 실시예에서, 상기 디스크리미네이팅 네트워크는, 상기 조정 이미지, 추가로 획득된 적어도 하나의 학습용 실제 이미지(Real Image) 및 이에 대응하는 GT를 참조로 하여 디스크리미네이팅 네트워크 로스를 생성하고 이를 백프로파게이션함으로써 디스크리미네이팅 네트워크의 파라미터를 학습하여, 상기 조정 이미지를 포함하는 적어도 하나의 입력된 이미지가 진짜 이미지 또는 가짜 이미지에 해당할 확률을 판단하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 (b) 단계에서, 상기 객체 검출 네트워크는, 상기 조정 이미지에 포함된 적어도 하나의 조정 객체(Adjusted Object)에 해당하는 적어도 하나의 ROI에 대한 적어도 하나의 클래스 스코어(Class Score)를 생성하고, 상기 클래스 스코어를 참조로 하여 상기 특성 유지 스코어를 생성하는 것을 특징으로 한다.
일 실시예에서, 상기 (b) 단계에서, 상기 제너레이팅 네트워크에 포함된 비교 레이어(Comparing Layer)는, 상기 초기 특징 값과, 이에 대응하는, 상기 조정 이미지에 포함된 조정 특징 값(Adjusted Feature Value) 간의 차이에 대한 정보를 참조하여 상기 유사도 스코어를 생성하는 것을 특징으로 한다.
일 실시예에서, 상기 유사도 스코어는, 상기 초기 특징 값을 더 참조하여 생성되는 것을 특징으로 한다.
일 실시예에서, 상기 (b) 단계에서, 상기 제너레이팅 네트워크 로스는, 상기 자연도 스코어, 상기 특성 유지 스코어 및 상기 유사도 스코어의 적어도 일부를 참조하여 산출된 통합 스코어(Integrated Score)가 커지도록 상기 제너레이팅 네트워크에 포함된 파라미터가 학습되도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 통합 스코어는, 상기 자연도 스코어, 상기 특성 유지 스코어 및 상기 유사도 스코어의 적어도 일부의 가중합(Weighted Sum)을 참조하여 생성되는 것을 특징으로 한다.
본 발명의 다른 태양에 따르면, 지터링(Jittering)이 일어난 이미지를 안정화하는 프로세스에서 생성된 와핑된(Warped) 이미지에 발생한 왜곡(Distortion)을, 제너레이팅 네트워크(Generating Network)와 디스크리미네이팅 네트워크(Discriminating Network)를 포함하는 GAN(Generative Adversarial Network)을 이용하여 줄이기 위한 테스트 방법에 있어서, (1) 학습 장치가, 조정 레이어(Adjusting Layer)로 하여금, 적어도 하나의 학습용 초기 이미지(Initial Image)에 포함된 픽셀에 대응하는 적어도 일부의 학습용 초기 특징 값(Initial Feature Value)을 조정하도록 하여 상기 학습용 초기 이미지를 적어도 하나의 학습용 조정 이미지(Adjusted Image)로 변환하도록 하고, (2) 상기 학습 장치가, (i) 상기 학습용 조정 이미지가 상기 디스크리미네이팅 네트워크에 의해 진짜 이미지인 것으로 판단될 적어도 하나의 확률을 나타내는 적어도 하나의 자연도 스코어(Naturality Score), (ii) 상기 학습용 초기 이미지에 포함된 적어도 하나의 학습용 초기 객체(Initial Object)가 고유 특성이 유지된 상태로 상기 학습용 조정 이미지에 포함되어 있는지를 나타내는 적어도 하나의 특성 유지 스코어(Maintenance Score) 및 (iii) 상기 학습용 초기 이미지 및 상기 학습용 조정 이미지 사이의 유사한 정도를 나타내는 적어도 하나의 유사도 스코어(Similarity Score)의 적어도 일부를 참조하여 상기 제너레이팅 네트워크에 포함된 로스 레이어(Loss Layer)로 하여금 제너레이팅 네트워크 로스(Generating Network Loss)를 생성하도록 한 상태에서, 테스트 장치가, 상기 제너레이팅 네트워크에 포함된 상기 조정 레이어(Adjusting Layer)로 하여금, 적어도 하나의 테스트용 초기 이미지에 포함된 픽셀에 대응하는 적어도 일부의 테스트용 초기 특징 값(Initial Feature Value)을 조정하도록 하여 상기 테스트용 초기 이미지를 적어도 하나의 테스트용 조정 이미지로 변환하도록 하는 단계;를 포함하는 것을 특징으로 한다.
본 발명의 또 다른 태양에 따르면, 지터링(Jittering)이 일어난 이미지를 안정화하는 프로세스에서 생성된 와핑된(Warped) 이미지에 발생한 왜곡(Distortion)을, 제너레이팅 네트워크(Generating Network)와 디스크리미네이팅 네트워크(Discriminating Network)를 포함하는 GAN(Generative Adversarial Network)을 이용하여 줄이기 위한 학습 장치에 있어서, 인스트럭션을 저장하는 적어도 하나의 메모리; 및 (I) 적어도 하나의 초기 이미지(Initial Image)를 획득하면, 조정 레이어(Adjusting Layer)로 하여금, 상기 초기 이미지에 포함된 픽셀에 대응하는 적어도 일부의 초기 특징 값(Initial Feature Value)을 조정하도록 하여 상기 초기 이미지를 적어도 하나의 조정 이미지(Adjusted Image)로 변환하도록 하는 프로세스, 및 (II) (i) 상기 조정 이미지가 상기 디스크리미네이팅 네트워크에 의해 진짜 이미지인 것으로 판단될 적어도 하나의 확률을 나타내는 적어도 하나의 자연도 스코어(Naturality Score), (ii) 상기 초기 이미지에 포함된 적어도 하나의 초기 객체(Initial Object)가 고유 특성이 유지된 상태로 상기 조정 이미지에 포함되어 있는지를 나타내는 적어도 하나의 특성 유지 스코어(Maintenance Score) 및 (iii) 상기 초기 이미지 및 상기 조정 이미지 사이의 유사한 정도를 나타내는 적어도 하나의 유사도 스코어(Similarity Score)의 적어도 일부를 획득하면, 상기 제너레이팅 네트워크에 포함된 로스 레이어(Loss Layer)로 하여금, 상기 자연도 스코어, 상기 특성 유지 스코어 및 상기 유사도 스코어를 참조하여 제너레이팅 네트워크 로스(Generating Network Loss)를 생성하도록 하고, 상기 제너레이팅 네트워크 로스를 백프로파게이션함으로써 상기 제너레이팅 네트워크의 파라미터를 학습하도록 하는 프로세스를 수행하기 위한 상기 인스트럭션을 실행하도록 구성된 적어도 하나의 프로세서;를 포함하는 것을 특징으로 한다.
일 실시예에서, 상기 (II) 프로세스에서, 상기 디스크리미네이팅 네트워크는, 상기 조정 이미지에 대응하는 특징 맵을 참조로 하여, 상기 조정 이미지가 진짜(Real) 이미지 또는 가짜(Fake) 이미지에 해당하는지에 대한 적어도 하나의 상기 확률을 판단하고, 이를 통해 상기 자연도 스코어를 생성하는 것을 특징으로 한다.
일 실시예에서, 상기 디스크리미네이팅 네트워크는, 상기 조정 이미지, 추가로 획득된 적어도 하나의 학습용 실제 이미지(Real Image) 및 이에 대응하는 GT를 참조로 하여 디스크리미네이팅 네트워크 로스를 생성하고 이를 백프로파게이션함으로써 디스크리미네이팅 네트워크의 파라미터를 학습하여, 상기 조정 이미지를 포함하는 적어도 하나의 입력된 이미지가 진짜 이미지 또는 가짜 이미지에 해당할 확률을 판단하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 (II) 프로세스에서, 상기 객체 검출 네트워크는, 상기 조정 이미지에 포함된 적어도 하나의 조정 객체(Adjusted Object)에 해당하는 적어도 하나의 ROI에 대한 적어도 하나의 클래스 스코어(Class Score)를 생성하고, 상기 클래스 스코어를 참조로 하여 상기 특성 유지 스코어를 생성하는 것을 특징으로 한다.
일 실시예에서, 상기 (II) 프로세스에서, 상기 제너레이팅 네트워크에 포함된 비교 레이어(Comparing Layer)는, 상기 초기 특징 값과, 이에 대응하는, 상기 조정 이미지에 포함된 조정 특징 값(Adjusted Feature Value) 간의 차이에 대한 정보를 참조하여 상기 유사도 스코어를 생성하는 것을 특징으로 한다.
일 실시예에서, 상기 유사도 스코어는, 상기 초기 특징 값을 더 참조하여 생성되는 것을 특징으로 한다.
일 실시예에서, 상기 (II) 프로세스에서, 상기 제너레이팅 네트워크 로스는, 상기 자연도 스코어, 상기 특성 유지 스코어 및 상기 유사도 스코어의 적어도 일부를 참조하여 산출된 통합 스코어(Integrated Score)가 커지도록 상기 제너레이팅 네트워크에 포함된 파라미터가 학습되도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 통합 스코어는, 상기 자연도 스코어, 상기 특성 유지 스코어 및 상기 유사도 스코어의 적어도 일부의 가중합(Weighted Sum)을 참조하여 생성되는 것을 특징으로 한다.
본 발명의 다른 태양에 따르면, 지터링(Jittering)이 일어난 이미지를 안정화하는 프로세스에서 생성된 와핑된(Warped) 이미지에 발생한 왜곡(Distortion)을, 제너레이팅 네트워크(Generating Network)와 디스크리미네이팅 네트워크(Discriminating Network)를 포함하는 GAN(Generative Adversarial Network)을 이용하여 줄이기 위한 테스트 장치에 있어서, 인스트럭션을 저장하는 적어도 하나의 메모리; 및 (1) 학습 장치가, 조정 레이어(Adjusting Layer)로 하여금, 적어도 하나의 학습용 초기 이미지(Initial Image)에 포함된 픽셀에 대응하는 적어도 일부의 학습용 초기 특징 값(Initial Feature Value)을 조정하도록 하여 상기 학습용 초기 이미지를 적어도 하나의 학습용 조정 이미지(Adjusted Image)로 변환하도록 하고, (2) 상기 학습 장치가, (i) 상기 학습용 조정 이미지가 상기 디스크리미네이팅 네트워크에 의해 진짜 이미지인 것으로 판단될 적어도 하나의 확률을 나타내는 적어도 하나의 자연도 스코어(Naturality Score), (ii) 상기 학습용 초기 이미지에 포함된 적어도 하나의 학습용 초기 객체(Initial Object)가 고유 특성이 유지된 상태로 상기 학습용 조정 이미지에 포함되어 있는지를 나타내는 적어도 하나의 특성 유지 스코어(Maintenance Score) 및 (iii) 상기 학습용 초기 이미지 및 상기 학습용 조정 이미지 사이의 유사한 정도를 나타내는 적어도 하나의 유사도 스코어(Similarity Score)의 적어도 일부를 참조하여 상기 제너레이팅 네트워크에 포함된 로스 레이어(Loss Layer)로 하여금 제너레이팅 네트워크 로스(Generating Network Loss)를 생성하도록 한 상태에서, 상기 제너레이팅 네트워크에 포함된 상기 조정 레이어(Adjusting Layer)로 하여금, 적어도 하나의 테스트용 초기 이미지에 포함된 픽셀에 대응하는 적어도 일부의 테스트용 초기 특징 값(Initial Feature Value)을 조정하도록 하여 상기 테스트용 초기 이미지를 적어도 하나의 테스트용 조정 이미지로 변환하도록 하는 프로세스를 수행하기 위한 상기 인스트럭션을 실행하도록 구성된 적어도 하나의 프로세서;를 포함하는 것을 특징으로 한다.
본 발명은 RGB 포맷인 트레이닝 이미지의 세트를 사이클 사이클 GAN(Generative Adversarial Network)을 이용하여 비RGB 포맷으로 전환하여 비RGB 포맷의 트레이닝 이미지 세트에 생기는 문제를 완화시키는 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 지터링(Jittering)이 일어난 이미지를 안정화하는 과정에서 와핑된(Warped) 이미지에 발생된 왜곡을, GAN(Generative Adversarial Network)을 이용하여 줄이는 방법을 수행하기 위한 컴퓨팅 장치의 구성을 간략하게 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 지터링이 일어난 이미지를 안정화하는 과정에서 와핑된 이미지에 발생된 왜곡을 GAN을 이용하여 줄이는 프로세스를 간략하게 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 지터링이 일어난 이미지를 안정화하는 과정에서 와핑된 이미지에 발생된 왜곡을 GAN을 이용하여 줄이는 프로세스의 효과를 간략하게 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.
도 1은 본 발명의 일 실시예에 따른 지터링(Jittering)이 일어난 이미지를 안정화하는 과정에서 와핑된(Warped) 이미지에 발생된 왜곡을 GAN(Generative Adversarial Network)을 이용하여 줄이는 방법을 수행하기 위한 컴퓨팅 장치의 구성을 간략하게 나타낸 도면이다.
도 1을 참조하면, 컴퓨팅 장치(100)는 추후 자세히 설명할 구성요소인 제너레이팅 네트워크(130), 디스크리미네이팅 네트워크(140) 및 객체 검출 네트워크(150)을 포함할 수 있다. 제너레이팅 네트워크(130), 디스크리미네이팅 네트워크(140) 및 객체 검출 네트워크(150)의 입출력 및 연산 과정은 각각 통신부(110) 및 프로세서(120)에 의해 이루어질 수 있다. 다만 도 1에서는 통신부(110) 및 프로세서(120)의 구체적인 연결 관계를 생략하였다. 이 때, 메모리(115)는 후술할 여러 가지 인스트럭션(Instruction)을 저장한 상태일 수 있고, 프로세서(120)는 메모리(115)에 저장된 인스트럭션을 수행할 수 있으며 추후 설명할 프로세스를 수행함으로써 본 발명을 수행할 수 있다. 이와 같이 컴퓨팅 장치(100)가 묘사되었다고 하여, 컴퓨팅 장치(100)가 본 발명을 실시하기 위한 프로세서, 메모리, 매체 또는 다른 컴퓨팅 장치의 모든 조합을 포함하는 통합 프로세서(Integrated Processor)를 포함하는 경우를 배제하는 것은 아니다.
이상 GAN을 이용하여 지터링이 일어난 이미지를 안정화하는 프로세스에서 생성된 와핑된 이미지 내에 발생한 왜곡을 감소하기 위한 학습 방법을 수행하는 학습 장치(100)의 구성을 알아보았다. 이하 상기 학습 방법에 대해 도 2을 참조로 하여 살피도록 한다.
도 2는 본 발명의 일 실시예에 따른 지터링이 일어난 이미지를 안정화하는 과정에서 와핑된 이미지에 발생된 왜곡을 GAN을 이용하여 줄이는 방법을 학습하는 프로세스를 간략하게 나타낸 도면이다.
도 2를 참조하면, 적어도 하나의 초기 이미지가 제너레이팅 네트워크(130)에 입력되면, 제너레이팅 네트워크(130)에 포함된 조정 레이어(131)에 의해 적어도 하나의 조정 이미지(Adjusted Image)가 생성될 수 있다. 이후, 제너레이팅 네트워크(130)에 포함된 로스 레이어(133)가 (i) 제너레이팅 네트워크(130)에 포함된 비교 레이어(132), 디스크리미네이팅 네트워크(140) 및 객체 검출 네트워크(150)에 의해 생성된 조정 이미지에 대한 스코어를 획득하고, (ii) 상기 스코어를 참조하여 제너레이팅 네트워크 로스를 생성한 후, (iii) 이를 백프로파게이션함으로써 제너레이팅 네트워크(130)의 파라미터를 학습할 수 있다.
구체적으로, 학습 장치(100)는, 초기 이미지를 획득할 수 있다. 초기 이미지는, 지터링이 일어난 이미지에서 지터링을 제거하는 프로세스를 통해 생성된 안정화된 이미지 중 하나일 수 있다. 이때, 상기 지터링 제거 프로세스는, 지터링이 일어난 이미지를 여러 개의 그리드로 나누는 프로세스, 카메라가 흔들려 발생한 그리드의 움직임을 나타내는 지터링 벡터를 산출하는 프로세스 및 각각의 지터링 벡터의 각각의 역방향으로 각각의 그리드를 움직이는 지터링 이미지를 와핑하는 프로세스를 포함할 수 있다. 문제는 와핑 프로세스가 다른 방향으로 그리드를 이동시켜 안정화된 이미지 상에 일부 왜곡 현상을 야기할 수 있다는 점이다. 그러므로 이와 같은 과정을 거쳐 생성된 초기 이미지는 그 내부의 객체의 모양이 일부 왜곡되어 있는 상태일 수 있다.
적어도 하나의 초기 이미지가 획득되면, 학습 장치(100)는, 제너레이팅 네트워크(130)로 하여금 초기 이미지를 적어도 하나의 조정 이미지로 변환하도록 할 수 있다. 구체적으로, 학습 장치(100)는, 제너레이팅 네트워크(130)에 포함된 조정 레이어(131)로 하여금, 초기 이미지에 포함된 픽셀에 대응하는 초기 특징 값의 적어도 일부를 조정함으로써 초기 이미지를 조정 이미지로 변환하도록 할 수 있다.
조정 레이어(131)는, 초기 특징 값에 대하여 컨벌루션 연산 및 디컨벌루션 연산을 적어도 한 번씩 적용함으로써 초기 이미지를 조정 이미지로 변환할 수 있을 것이다. 이 때, 초기 특징 값은, 초기 이미지가 RGB 포맷으로 표현되어 있을 경우, 색상 값을 포함할 수 있다. 초기 이미지가 RGB 포맷이 아닐 경우 해당 포맷의 값을 포함할 수 있다. 또한, 초기 이미지가 여러 채널의 값을 포함하고 있다면, 초기 값도 이를 포함할 수 있다.
이후, 조정 이미지는, 제너레이팅 네트워크(130)에 포함된 비교 레이어(132), 디스크리미네이팅 네트워크(140) 및 객체 검출 네트워크(150)로 전달된 후 제너레이팅 네트워크 로스를 생성하기 위한 각각의 스코어를 생성하는 데에 사용되게 된다. 이하 각각의 스코어를 생성하는 프로세스에 대해 설명할 것인데, 먼저 디스크리미네이팅 네트워크(140)에 의해 수행되는 프로세스에 대해 설명하도록 한다.
첫째, 디스크리미네이팅 네트워크(140)는 조정 이미지가 진짜(Real) 이미지로 판단될 적어도 하나의 확률을 나타내는 적어도 하나의 자연도 스코어(Naturality Score)를 생성할 수 있다. 구체적으로, 디스크리미네이팅 네트워크(140)는, 조정 이미지에 컨벌루션 연산을 적어도 한 번 적용함으로써, 조정 이미지에 대응하는 특징 맵(Feature Map)을 생성하고, 이를 참조로 하여, 조정 이미지가 진짜 이미지 또는 가짜(Fake) 이미지인지를 나타내는 적어도 하나의 확률을 판단함으로써, 자연도 스코어를 생성할 수 있다. 자연도 스코어를 생성하기 위해, 디스크리미네이팅 네트워크(140)는, 제너레이팅 네트워크(130)와 병렬적으로 학습될 수 있다.
구체적으로, 제너레이팅 네트워크(130)에 의해 생성된 조정 이미지가 획득되는 동안, 디스크리미네이팅 네트워크(140)는, 자신에게 입력된 이미지가 조정 이미지인지 학습용 실제 이미지인지를 나타내는 학습용 실제 이미지와, 이에 대응하는 GT를 더 획득할 수 있다. 이 때, 각각의 GT는 각각에 대응하는 이미지가 진짜 이미지인지 가짜 이미지인지를 나타낸다. 이후, 디스크리미네이팅 네트워크(140)는, 조정 이미지와 학습용 실제 이미지를 포함해 자신에게 입력된 각각의 이미지에 대하여 컨벌루션 연산을 적어도 한 번 적용하여 생성된 각각의 특징 맵을 참조로 하여 자신에게 입력된 이미지가 진짜 이미지인지 가짜 이미지인지를 판단할 수 있다. 디스크리미네이팅 네트워크(140)는, 판단 결과와 이에 대응하는 GT를 참조하여 디스크리미네이팅 네트워크 로스를 생성한 후, 이를 백프로파게이션함으로써 디스크리미네이팅 네트워크의 파라미터를 학습할 수 있다.
이와 같은 학습 프로세스를 통해, 디스크리미네이팅 네트워크(140)는, 제너레이팅 네트워크(130)와 병렬적으로 학습될 수 있게 된다.
다만, 다른 실시예로서, 디스크리미네이팅 네트워크(140)는, 조정 이미지의 서브 영역(Sub-region)이 진짜 이미지 또는 가짜 이미지인지를 나타내는 확률을 결정할 수 있으며, 이 확률을 참조하여 자연도 스코어를 생성할 수 있다. 이때, 서브 영역은 "슬라이딩 윈도우(Sliding Window)"라 불리는 방법에 의해 선택될 수 있다. 상세하게는, 제1 서브 영역이 조정 이미지 내에 선택될 수 있으며, 제1 서브 영역 등을 조금씩 움직여가며 제2 서브 영역을 선택할 수 있다.
둘째, 객체 검출 네트워크(150)는, 초기 이미지에 포함된 적어도 하나의 초기 객체가 고유 특성이 유지된 상태로 조정 이미지에 포함되어 있는지를 나타내는 적어도 하나의 특성 유지 스코어를 생성할 수 있다. 구체적으로, 객체 검출 네트워크(150)는, (i) RPN으로부터 자신에게 입력된 이미지 상의 각각의 ROI를 획득할 수 있고, (ii) 각각의 ROI에 대하여 컨벌루션 연산을 적어도 한 번 적용함으로써 각각의 특징 맵을 생성한 후, (iii) 각각의 특징 맵에 대하여 FC 연산을 적용함으로써 각각의 ROI에 포함되는 각각의 객체의 클래스에 대응하는 확률을 포함하는 각각의 클래스 스코어를 생성할 수 있다. 이때, 클래스 스코어에 대한 특정 정보를 예를 들어 설명하면, 객체 검출 네트워크(150)가 검출하는 객체를 보행자 클래스, 자동차 클래스, 배경 클래스를 포함하는 3개의 클래스로 분류하면, 특정 객체에 대응하는 특정 클래스 스코어는, 첫째로 특정 ROI에 포함된 특정 객체가 보행자일 확률, 둘째로 특정 객체가 자동차일 확률, 및 셋째로 특정 객체가 배경일 확률인 3개의 구성요소를 포함할 수 있다. 나머지 클래스 스코어가 유사하게 생성된 후, 객체 검출 네트워크(150)은 각각의 클래스 스코어를 참조하여 특성 유지 스코어를 생성할 수 있다.
일 예시로, 특성 유지 스코어는, 각각의 클래스 스코어에 대응하는, 각각의 부분 특성 유지 스코어의 합으로 산출될 수 있다. 이때, 상기 특정 객체에 대응하는 부분 특성 유지 스코어 중 특정 부분 특성 유지 스코어는 (i) 특정 객체가 배경 클래스가 아닌 객체 클래스에 포함될 확률 중 가장 큰 값과 (ii) 특정 객체가 배경 클래스에 포함될 확률과 1 사이의 차이를 합해 산출할 수 있다. 예를 들어, 특정 클래스 스코어가 (0.7, 0.2, 0.1)이면, 특정 일부 특성 유지 스코어는 0.7 + (1 - 0.1) = 1.6으로 계산될 것이다.
상기 디스크리미네이팅 네트워크(140)와 달리, 객체 검출 네트워크(150)는 제너레이팅 네트워크(130)과 병렬적으로 학습하는 것이 아니며, 제너레이팅 네트워크(130)의 학습 과정이 수행되기 이전에 이미 학습된 것일 수 있다.
마지막으로, 비교 레이어(132)는 초기 이미지 및 조정 이미지 사이의 유사한 정도를 나타내는 유사도 스코어를 생성할 수 있다. 구체적으로, 비교 레이어(132)는, 초기 특징 값과, 이에 대응하는, 조정 이미지에 포함된 조정 특징 값 간의 차이에 대한 정보를 생성한 후, 이를 이용해 유사도 스코어를 생성할 수 있다.
예시적으로, 비교 레이어(132)는, 각각의 초기 특징 값과, 이에 대응하는 각각의 조정 특징 값 간의 각각의 유클리디언 디스턴스(Euclidean Distance)를 산출하여 차이에 대한 정보를 생성할 수 있고, 구성요소가 모두 0인 원래 지점으로부터 각각의 초기 특징 값까지의 각각의 유클리디언 디스턴스를 합하여 합 정보(Sum Information)를 생성할 수 있다. 그 후에, 비교 레이어(132)는 차이에 대한 정보를 상기 합으로 나눈 후 이를 1에서 뺌으로써, 유사도 스코어를 생성할 수 있다.
이상 자연도 스코어, 특성 유지 스코어, 유사도 스코어를 생성하는 방법에 대해 구체적으로 살펴보았다. 이와 같은 스코어가 어떻게 사용되는지에 대한 설명은 이하 로스 레이어(133)에 대해 설명하면서 함께 자세히 설명할 것이다.
학습 장치(100)는, 로스 레이어(133)로 하여금, 자연도 스코어, 특성 유지 스코어, 유사도 스코어를 참조로 하여 제너레이팅 네트워크 로스를 생성하도록 할 수 있다. 제너레이팅 네트워크 로스는, 통합 스코어가 커지도록 제너레이팅 네트워크(130)에 포함된 파라미터가 학습되도록 할 수 있다. 이때, 통합 스코어는 적어도 하나의 자연도 스코어, 특성 유지 스코어 및 유사도 스코어를 참조하여 산출될 수 있다. 예시적으로, 통합 스코어는, 자연도 스코어, 특성 유지 스코어 및 유사도 스코어의 적어도 일부의 가중합(Weighted Sum)을 참조하여 생성될 수 있다. 로스 레이어는 아래의 수식을 따라 제너레이팅 네트워크 로스를 생성할 수 있다.
Figure 112019117642128-pat00001
Figure 112019117642128-pat00002
Figure 112019117642128-pat00003
Figure 112019117642128-pat00004
상기 수식에서
Figure 112019117642128-pat00005
는 자연도 스코어를 의미하고,
Figure 112019117642128-pat00006
는 특성 유지 스코어를 의미하며,
Figure 112019117642128-pat00007
는 유사도 스코어를 의미할 수 있다. 그리고
Figure 112019117642128-pat00008
와
Figure 112019117642128-pat00009
는 각각의 항(Term)에 대응하는 가중치를 의미한다.
첫째,
Figure 112019117642128-pat00010
는, 위에서 보는 바와 같이 기본적인 실시예에서는, "슬라이딩 윈도우"라 불리는 방법을 이용하는 경우
Figure 112019117642128-pat00011
일 수 있고, 또는 단순히
Figure 112019117642128-pat00012
로 주어질 수 있는데 이는 디스크리미네이팅 네트워크(140)가 조정 이미지의 확률을 진짜 이미지로 판단할 확률을 나타낸다. "슬라이딩 윈도우"라는 방법을 사용하는 경우에는,
Figure 112019117642128-pat00013
항은, 조정 이미지에 포함되는 각각의 서브 영역이 진짜 이미지 또는 가짜 이미지일 각각의 확률을 합하고 그 결과로 생긴 값을 노말라이징(Nomalizing)하기 위한 것이다.
Figure 112019117642128-pat00014
는 상기 서브 영역의 너비,
Figure 112019117642128-pat00015
는 상기 서브 영역의 높이를 의미하고,
Figure 112019117642128-pat00016
는 조정 이미지의 너비,
Figure 112019117642128-pat00017
는 조정 이미지의 높이를 의미한다.
Figure 112019117642128-pat00018
는 상기 서브 영역의 좌측 변과 조정 이미지 좌측 변 사이의 거리를 의미하고,
Figure 112019117642128-pat00019
는 상기 서브 영역의 상단 변과 조정 이미지의 상단 변 사이의 거리를 의미한다. 수식에 따라
Figure 112019117642128-pat00020
는 이전에 설명한 바와 같은 기능을 할 수 있다.
둘째,
Figure 112019117642128-pat00021
에서,
Figure 112019117642128-pat00022
항은 제i 객체가 배경 클래스가 아닌 객체 클래스에 포함되는 것으로 판단되는 확률 중 가장 큰 값을 의미하고,
Figure 112019117642128-pat00023
항은 1에서, 제i 객체가 배경 클래스에 포함되는 것으로 판단되는 확률을 뺀 값을 의미한다. 이때,
Figure 112019117642128-pat00024
는, 제i 객체를 포함하는 바운딩 박스(Bounding Box)의 위치를 의미할 수 있다.
셋째,
Figure 112019117642128-pat00025
에서,
Figure 112019117642128-pat00026
는 초기 특징 값에 대응하는 벡터,
Figure 112019117642128-pat00027
는 조정 특징 값에 대응하는 벡터를 의미한다.
이와 같이 통합 스코어가 커지도록 하는 방향으로 제너레이팅 네트워크 로스를 생성하는 이유에 대해 이하 설명하도록 한다.
첫째, 자연도 스코어가 높아지도록 함으로써, 조정 이미지가 더욱 자연스럽게 보이도록 한다. 조정 이미지에 포함된 객체가 왜곡되면, 조정 이미지는 자연스럽게 보이지 않는다. 조정 이미지에 포함된 객체가 덜 왜곡될수록 디스크리미네이터(140)는, 조정 이미지가 실제 이미지일 확률을 높게 평가할 것이므로, 자연도 스코어가 높아질 수 있다. 그러면 자연도 스코어가 커져 조정 이미지에 포함된 초기 객체의 왜곡을 줄일 수 있다.
둘째, 특성 유지 스코어가 높도록 함으로써, 조정 이미지에 포함된 객체가 자신의 특성을 잘 유지할 수 있다. 객체 검출 네트워크(150)가, 조정 이미지에 포함된 객체를 쉽게 검출할수록, 특성 유지 스코어가 높아질 수 있다. 그러므로 특성 유지 스코어가 높게 되도록 함으로써, 초기 객체의 특성이 조정 프로세스 후에도 잘 보존되도록 할 수 있는 것이다.
셋째, 유사도 스코어가 높아지도록 함으로써, 조정 이미지에서 초기 객체에 대응하지 않는 새로운 객체가 생성되는 것을 막을 수 있다. 유사도 스코어 없이 자연도 스코어와 특성 유지 스코어만을 사용하게 되면, 조정 레이어(131)의 파라미터는 왜곡된 초기 객체를 조정하는 데 그치지 않고, 조정 이미지 내에 새로운 객체를 생성하는 방향으로 학습될 수 있기 때문이다. 그러므로 유사도 스코어가 높아지도록 함으로써, 원치 않는 새로운 객체가 조정 이미지 상에 생성되는 것을 막을 수 있는 것이다.
앞서 언급한 바와 같이, 자연도 스코어, 특성 유지 스코어 및 유사도 스코어의 적어도 일부의 가중합을 참조하여 통합 스코어를 생성할 수 있다. 이때, 각각의 스코어에 대응하는 각각의 가중치는 사용자가 조정할 수 있다. 예를 들어, 초기 이미지와 조정 이미지가 너무 유사한 나머지 객체의 왜곡이 줄지 않은 경우, 유사도 스코어에 대한 가중치를 줄일 수 있을 것이다.
상기와 같은 방법에 따라 제너레이팅 네트워크 로스가 생성되면, 학습 장치(100)는, 로스 레이어(133)으로 하여금, 제너레이팅 네트워크 로스를 백프로파게이션함으로써 제너레이팅 네트워크(130)의 파라미터를 학습하도록 할 수 있다.
참고로 이하의 설명에서 혼동을 피하기 위해 "학습용"이란 문구는 앞서 설명한 학습 프로세스와 관련된 용어에 대해 추가되고, "테스트용"이란 문구는 테스트 프로세스와 관련된 용어에 대해　추가된다.
구체적으로, (1) 적어도 하나의 학습용 초기 이미지가 획득되면, 학습 장치가, 제너레이팅 네트워크(130)에 포함된 조정 레이어(131)로 하여금, 학습용 초기 이미지(Initial Image)에 포함된 픽셀에 대응하는 적어도 일부의 학습용 초기 특징 값(Initial Feature Value)을 조정하도록 하여 학습용 초기 이미지를 적어도 하나의 학습용 조정 이미지(Adjusted Image)로 변환하도록 하고, (2) 학습 장치가, (i) 학습용 조정 이미지가 디스크리미네이팅 네트워크에 의해 진짜 이미지인 것으로 판단될 적어도 하나의 확률을 나타내는 적어도 하나의 자연도 스코어(Naturality Score), (ii) 학습용 초기 이미지에 포함된 적어도 하나의 학습용 초기 객체(Initial Object)가 고유 특성이 유지된 상태로 학습용 조정 이미지에 포함되어 있는지를 나타내는 적어도 하나의 특성 유지 스코어(Maintenance Score) 및 (iii) 학습용 초기 이미지 및 학습용 조정 이미지 사이의 유사한 정도를 나타내는 적어도 하나의 유사도 스코어(Similarity Score)의 적어도 일부를 참조하여 제너레이팅 네트워크에 포함된 로스 레이어(Loss Layer)로 하여금 제너레이팅 네트워크 로스(Generating Network Loss)를 생성하도록 한 상태에서, 적어도 하나의 테스트용 초기 이미지가 획득되면, 테스트 장치가, 제너레이팅 네트워크(130)에 포함된 조정 레이어(Adjusting Layer)로 하여금, 적어도 하나의 테스트용 초기 이미지에 포함된 픽셀에 대응하는 적어도 일부의 테스트용 초기 특징 값(Initial Feature Value)을 조정하도록 하여 테스트용 초기 이미지를 적어도 하나의 테스트용 조정 이미지로 변환하도록 할 수 있다.
테스트 프로세스에서, 전술하였던 학습 장치(100)의 구성에서, 디스크리미네이터(140), 객체 검출 네트워크(150) 및 제너레이팅 네트워크(130)에 포함된 비교 레이어(132) 및 로스 레이어(133)는 제외된 상태일 것이다.
이와 같이 테스트하는 경우의 효과를 살피기 위해 도 3을 참조하도록 한다.
도 3은 본 발명의 일 실시예에 따른 지터링이 일어난 이미지를 안정화하는 과정에서 와핑된 이미지에 발생된 왜곡을 GAN을 이용하여 줄이는 프로세스의 효과를 간략하게 나타낸 도면이다.
도 3을 참조로 하면, 앞서 언급한 바와 같이, 초기 객체는 이미지 와핑 때문에 왜곡된 것을 확인할 수 있다. 이 때, 본 발명의 일 실시예에 따른 방법을 초기 이미지에 적용하면, 초기 이미지가 도 3에서와 같이 왜곡이 크게 줄어든 조정 이미지로 변환될 수 있다.
본 발명은 GAN을 이용하여 왜곡을 줄임으로써 지터링이 일어난 이미지를 안정화시키는 프로세스 중 생성된 와핑된 이미지에 발생한 왜곡 문제를 완화할 수 있는 긍정적인 효과가 있다.
본 발명의 일 실시예에 따른 방법은 극한 상황에서 극한 상황에서 폴트 톨러런스(Fault Tolerance) 및 플럭츄에이션 로버스트(Fluctuation Robustness)를 향상시키는데 사용될 수 있으며, 행동 예측, 초정밀 객체 검출 또는 추적에 사용될 수도 있다.
본 발명 기술분야의 통상의 기술자에게 이해될 수 있는 바로서, 위에서 설명된 이미지, 예컨대 원본 이미지, 원본 레이블 및 추가 레이블과 같은 이미지 데이터의 송수신이 학습 장치 및 테스트 장치의 통신부들에 의하여 이루어질 수 있으며, 특징 맵과 연산을 수행하기 위한 데이터가 학습 장치 및 테스트 장치의 프로세서(및/또는 메모리)에 의하여 보유/유지될 수 있고, 컨벌루션 연산, 디컨벌루션 연산, 로스 값 연산 과정이 주로 학습 장치 및 테스트 장치의 프로세서에 의하여 수행될 수 있으나, 본 발명이 이에 한정되지는 않을 것이다.
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 (18)

  1. 지터링(Jittering)이 일어난 이미지를 안정화하는 프로세스에서 생성된 와핑된(Warped) 이미지에 발생한 왜곡(Distortion)을, 제너레이팅 네트워크(Generating Network)와 디스크리미네이팅 네트워크(Discriminating Network)를 포함하는 GAN(Generative Adversarial Network)을 이용하여 줄이기 위한 학습 방법에 있어서,
    (a) 적어도 하나의 초기 이미지(Initial Image)를 획득하면, 학습 장치가, 조정 레이어(Adjusting Layer)로 하여금, 상기 초기 이미지에 포함된 픽셀에 대응하는 적어도 일부의 초기 특징 값(Initial Feature Value)을 조정하도록 하여 상기 초기 이미지를 적어도 하나의 조정 이미지(Adjusted Image)로 변환하도록 하는 단계; 및
    (b) 상기 학습 장치가, (i) 상기 조정 이미지가 상기 디스크리미네이팅 네트워크에 의해 진짜 이미지인 것으로 판단될 적어도 하나의 확률을 나타내는 적어도 하나의 자연도 스코어(Naturality Score), (ii) 상기 초기 이미지에 포함된 적어도 하나의 초기 객체(Initial Object)가 고유 특성이 유지된 상태로 상기 조정 이미지에 포함되어 있는지를 나타내는 적어도 하나의 특성 유지 스코어(Maintenance Score) 및 (iii) 상기 초기 이미지 및 상기 조정 이미지 사이의 유사한 정도를 나타내는 적어도 하나의 유사도 스코어(Similarity Score)의 적어도 일부를 획득하면, 상기 제너레이팅 네트워크에 포함된 로스 레이어(Loss Layer)로 하여금, 상기 자연도 스코어, 상기 특성 유지 스코어 및 상기 유사도 스코어를 참조하여 제너레이팅 네트워크 로스(Generating Network Loss)를 생성하도록 하고, 상기 제너레이팅 네트워크 로스를 백프로파게이션함으로써 상기 제너레이팅 네트워크의 파라미터를 학습하도록 하는 단계;
    를 포함하는 것을 특징으로 하는 방법.
  2. 제 1 항에 있어서,
    상기 (b) 단계에서,
    상기 디스크리미네이팅 네트워크는, 상기 조정 이미지에 대응하는 특징 맵을 참조로 하여, 상기 조정 이미지가 진짜(Real) 이미지 또는 가짜(Fake) 이미지에 해당하는지에 대한 적어도 하나의 상기 확률을 판단하고, 이를 통해 상기 자연도 스코어를 생성하는 것을 특징으로 하는 방법.
  3. 제 2 항에 있어서,
    상기 디스크리미네이팅 네트워크는, 상기 조정 이미지, 추가로 획득된 적어도 하나의 학습용 실제 이미지(Real Image) 및 이에 대응하는 GT를 참조로 하여 디스크리미네이팅 네트워크 로스를 생성하고 이를 백프로파게이션함으로써 디스크리미네이팅 네트워크의 파라미터를 학습하여, 상기 조정 이미지를 포함하는 적어도 하나의 입력된 이미지가 진짜 이미지 또는 가짜 이미지에 해당할 확률을 판단하도록 하는 것을 특징으로 하는 방법.
  4. 삭제
  5. 제 1 항에 있어서,
    상기 (b) 단계에서,
    상기 제너레이팅 네트워크에 포함된 비교 레이어(Comparing Layer)는, 상기 초기 특징 값과, 이에 대응하는, 상기 조정 이미지에 포함된 조정 특징 값(Adjusted Feature Value) 간의 차이에 대한 정보를 참조하여 상기 유사도 스코어를 생성하는 것을 특징으로 하는 방법.
  6. 제 5 항에 있어서,
    상기 유사도 스코어는, 상기 초기 특징 값을 더 참조하여 생성되는 것을 특징으로 하는 방법.
  7. 제 1 항에 있어서,
    상기 (b) 단계에서,
    상기 제너레이팅 네트워크 로스는, 상기 자연도 스코어, 상기 특성 유지 스코어 및 상기 유사도 스코어의 적어도 일부를 참조하여 산출된 통합 스코어(Integrated Score)가 커지도록 상기 제너레이팅 네트워크에 포함된 파라미터가 학습되도록 하는 것을 특징으로 하는 방법.
  8. 제 7 항에 있어서
    상기 통합 스코어는, 상기 자연도 스코어, 상기 특성 유지 스코어 및 상기 유사도 스코어의 적어도 일부의 가중합(Weighted Sum)을 참조하여 생성되는 것을 특징으로 하는 방법.
  9. 지터링(Jittering)이 일어난 이미지를 안정화하는 프로세스에서 생성된 와핑된(Warped) 이미지에 발생한 왜곡(Distortion)을, 제너레이팅 네트워크(Generating Network)와 디스크리미네이팅 네트워크(Discriminating Network)를 포함하는 GAN(Generative Adversarial Network)을 이용하여 줄이기 위한 테스트 방법에 있어서,
    (1) 학습 장치가, 조정 레이어(Adjusting Layer)로 하여금, 적어도 하나의 학습용 초기 이미지(Initial Image)에 포함된 픽셀에 대응하는 적어도 일부의 학습용 초기 특징 값(Initial Feature Value)을 조정하도록 하여 상기 학습용 초기 이미지를 적어도 하나의 학습용 조정 이미지(Adjusted Image)로 변환하도록 하고, (2) 상기 학습 장치가, (i) 상기 학습용 조정 이미지가 상기 디스크리미네이팅 네트워크에 의해 진짜 이미지인 것으로 판단될 적어도 하나의 확률을 나타내는 적어도 하나의 자연도 스코어(Naturality Score), (ii) 상기 학습용 초기 이미지에 포함된 적어도 하나의 학습용 초기 객체(Initial Object)가 고유 특성이 유지된 상태로 상기 학습용 조정 이미지에 포함되어 있는지를 나타내는 적어도 하나의 특성 유지 스코어(Maintenance Score) 및 (iii) 상기 학습용 초기 이미지 및 상기 학습용 조정 이미지 사이의 유사한 정도를 나타내는 적어도 하나의 유사도 스코어(Similarity Score)의 적어도 일부를 참조하여 상기 제너레이팅 네트워크에 포함된 로스 레이어(Loss Layer)로 하여금 제너레이팅 네트워크 로스(Generating Network Loss)를 생성하도록 한 상태에서, 테스트 장치가, 상기 제너레이팅 네트워크에 포함된 상기 조정 레이어(Adjusting Layer)로 하여금, 적어도 하나의 테스트용 초기 이미지에 포함된 픽셀에 대응하는 적어도 일부의 테스트용 초기 특징 값(Initial Feature Value)을 조정하도록 하여 상기 테스트용 초기 이미지를 적어도 하나의 테스트용 조정 이미지로 변환하도록 하는 단계;
    를 포함하는 것을 특징으로 하는 테스트 방법.
  10. 지터링(Jittering)이 일어난 이미지를 안정화하는 프로세스에서 생성된 와핑된(Warped) 이미지에 발생한 왜곡(Distortion)을, 제너레이팅 네트워크(Generating Network)와 디스크리미네이팅 네트워크(Discriminating Network)를 포함하는 GAN(Generative Adversarial Network)을 이용하여 줄이기 위한 학습 장치에 있어서,
    인스트럭션을 저장하는 적어도 하나의 메모리; 및
    (I) 적어도 하나의 초기 이미지(Initial Image)를 획득하면, 조정 레이어(Adjusting Layer)로 하여금, 상기 초기 이미지에 포함된 픽셀에 대응하는 적어도 일부의 초기 특징 값(Initial Feature Value)을 조정하도록 하여 상기 초기 이미지를 적어도 하나의 조정 이미지(Adjusted Image)로 변환하도록 하는 프로세스, 및 (II) (i) 상기 조정 이미지가 상기 디스크리미네이팅 네트워크에 의해 진짜 이미지인 것으로 판단될 적어도 하나의 확률을 나타내는 적어도 하나의 자연도 스코어(Naturality Score), (ii) 상기 초기 이미지에 포함된 적어도 하나의 초기 객체(Initial Object)가 고유 특성이 유지된 상태로 상기 조정 이미지에 포함되어 있는지를 나타내는 적어도 하나의 특성 유지 스코어(Maintenance Score) 및 (iii) 상기 초기 이미지 및 상기 조정 이미지 사이의 유사한 정도를 나타내는 적어도 하나의 유사도 스코어(Similarity Score)의 적어도 일부를 획득하면, 상기 제너레이팅 네트워크에 포함된 로스 레이어(Loss Layer)로 하여금, 상기 자연도 스코어, 상기 특성 유지 스코어 및 상기 유사도 스코어를 참조하여 제너레이팅 네트워크 로스(Generating Network Loss)를 생성하도록 하고, 상기 제너레이팅 네트워크 로스를 백프로파게이션함으로써 상기 제너레이팅 네트워크의 파라미터를 학습하도록 하는 프로세스를 수행하기 위한 상기 인스트럭션을 실행하도록 구성된 적어도 하나의 프로세서;
    를 포함하는 것을 특징으로 하는 장치.
  11. 제 10 항에 있어서,
    상기 (II) 프로세스에서,
    상기 디스크리미네이팅 네트워크는, 상기 조정 이미지에 대응하는 특징 맵을 참조로 하여, 상기 조정 이미지가 진짜(Real) 이미지 또는 가짜(Fake) 이미지에 해당하는지에 대한 적어도 하나의 상기 확률을 판단하고, 이를 통해 상기 자연도 스코어를 생성하는 것을 특징으로 하는 장치.
  12. 제 11 항에 있어서,
    상기 디스크리미네이팅 네트워크는, 상기 조정 이미지, 추가로 획득된 적어도 하나의 학습용 실제 이미지(Real Image) 및 이에 대응하는 GT를 참조로 하여 디스크리미네이팅 네트워크 로스를 생성하고 이를 백프로파게이션함으로써 디스크리미네이팅 네트워크의 파라미터를 학습하여, 상기 조정 이미지를 포함하는 적어도 하나의 입력된 이미지가 진짜 이미지 또는 가짜 이미지에 해당할 확률을 판단하도록 하는 것을 특징으로 하는 장치.
  13. 삭제
  14. 제 10 항에 있어서,
    상기 (II) 프로세스에서,
    상기 제너레이팅 네트워크에 포함된 비교 레이어(Comparing Layer)는, 상기 초기 특징 값과, 이에 대응하는, 상기 조정 이미지에 포함된 조정 특징 값(Adjusted Feature Value) 간의 차이에 대한 정보를 참조하여 상기 유사도 스코어를 생성하는 것을 특징으로 하는 장치.
  15. 제 14 항에 있어서,
    상기 유사도 스코어는, 상기 초기 특징 값을 더 참조하여 생성되는 것을 특징으로 하는 장치.
  16. 제 10 항에 있어서,
    상기 (II) 프로세스에서,
    상기 제너레이팅 네트워크 로스는, 상기 자연도 스코어, 상기 특성 유지 스코어 및 상기 유사도 스코어의 적어도 일부를 참조하여 산출된 통합 스코어(Integrated Score)가 커지도록 상기 제너레이팅 네트워크에 포함된 파라미터가 학습되도록 하는 것을 특징으로 하는 장치.
  17. 제 16 항에 있어서
    상기 통합 스코어는, 상기 자연도 스코어, 상기 특성 유지 스코어 및 상기 유사도 스코어의 적어도 일부의 가중합(Weighted Sum)을 참조하여 생성되는 것을 특징으로 하는 장치.
  18. 지터링(Jittering)이 일어난 이미지를 안정화하는 프로세스에서 생성된 와핑된(Warped) 이미지에 발생한 왜곡(Distortion)을, 제너레이팅 네트워크(Generating Network)와 디스크리미네이팅 네트워크(Discriminating Network)를 포함하는 GAN(Generative Adversarial Network)을 이용하여 줄이기 위한 테스트 장치에 있어서,
    인스트럭션을 저장하는 적어도 하나의 메모리; 및
    (1) 학습 장치가, 조정 레이어(Adjusting Layer)로 하여금, 적어도 하나의 학습용 초기 이미지(Initial Image)에 포함된 픽셀에 대응하는 적어도 일부의 학습용 초기 특징 값(Initial Feature Value)을 조정하도록 하여 상기 학습용 초기 이미지를 적어도 하나의 학습용 조정 이미지(Adjusted Image)로 변환하도록 하고, (2) 상기 학습 장치가, (i) 상기 학습용 조정 이미지가 상기 디스크리미네이팅 네트워크에 의해 진짜 이미지인 것으로 판단될 적어도 하나의 확률을 나타내는 적어도 하나의 자연도 스코어(Naturality Score), (ii) 상기 학습용 초기 이미지에 포함된 적어도 하나의 학습용 초기 객체(Initial Object)가 고유 특성이 유지된 상태로 상기 학습용 조정 이미지에 포함되어 있는지를 나타내는 적어도 하나의 특성 유지 스코어(Maintenance Score) 및 (iii) 상기 학습용 초기 이미지 및 상기 학습용 조정 이미지 사이의 유사한 정도를 나타내는 적어도 하나의 유사도 스코어(Similarity Score)의 적어도 일부를 참조하여 상기 제너레이팅 네트워크에 포함된 로스 레이어(Loss Layer)로 하여금 제너레이팅 네트워크 로스(Generating Network Loss)를 생성하도록 한 상태에서, 상기 제너레이팅 네트워크에 포함된 상기 조정 레이어(Adjusting Layer)로 하여금, 적어도 하나의 테스트용 초기 이미지에 포함된 픽셀에 대응하는 적어도 일부의 테스트용 초기 특징 값(Initial Feature Value)을 조정하도록 하여 상기 테스트용 초기 이미지를 적어도 하나의 테스트용 조정 이미지로 변환하도록 하는 프로세스를 수행하기 위한 상기 인스트럭션을 실행하도록 구성된 적어도 하나의 프로세서;
    를 포함하는 것을 특징으로 하는 테스트 장치.
KR1020190147110A 2019-01-28 2019-11-15 극한 상황에서 폴트 톨러런스 및 플럭츄에이션 로버스트를 향상시키기 위해, 지터링이 일어난 이미지를 안정화하는 프로세스에서 생성된 와핑된 이미지에 발생된 왜곡을, GAN(Generative Adversarial Network)을 이용하여 줄이기 위한 학습 방법 및 학습 장치 KR102337381B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/258,820 2019-01-28
US16/258,820 US10380724B1 (en) 2019-01-28 2019-01-28 Learning method and learning device for reducing distortion occurred in warped image generated in process of stabilizing jittered image by using GAN to enhance fault tolerance and fluctuation robustness in extreme situations

Publications (2)

Publication Number Publication Date
KR20200093417A KR20200093417A (ko) 2020-08-05
KR102337381B1 true KR102337381B1 (ko) 2021-12-10

Family

ID=67543705

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190147110A KR102337381B1 (ko) 2019-01-28 2019-11-15 극한 상황에서 폴트 톨러런스 및 플럭츄에이션 로버스트를 향상시키기 위해, 지터링이 일어난 이미지를 안정화하는 프로세스에서 생성된 와핑된 이미지에 발생된 왜곡을, GAN(Generative Adversarial Network)을 이용하여 줄이기 위한 학습 방법 및 학습 장치

Country Status (5)

Country Link
US (1) US10380724B1 (ko)
EP (1) EP3686837B1 (ko)
JP (1) JP6856853B2 (ko)
KR (1) KR102337381B1 (ko)
CN (1) CN111489298B (ko)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI760657B (zh) * 2019-11-14 2022-04-11 和碩聯合科技股份有限公司 異常偵測模型的訓練方法及使用此方法的電子裝置
US20220414849A1 (en) * 2019-11-25 2022-12-29 Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences Image enhancement method and apparatus, and terminal device
WO2021150033A1 (en) * 2020-01-23 2021-07-29 Samsung Electronics Co., Ltd. Electronic device and controlling method of electronic device
CN111199550B (zh) * 2020-04-09 2020-08-11 腾讯科技（深圳）有限公司 图像分割网络的训练方法、分割方法、装置和存储介质
CN112016439B (zh) * 2020-08-26 2021-06-29 上海松鼠课堂人工智能科技有限公司 基于对抗神经网络的游戏化学习环境创建方法和系统
CN115239941B (zh) * 2022-07-25 2023-04-28 北京瑞莱智慧科技有限公司 对抗图像生成方法、相关装置及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180075581A1 (en) 2016-09-15 2018-03-15 Twitter, Inc. Super resolution using a generative adversarial network
US20180239951A1 (en) 2014-06-16 2018-08-23 Siemens Healthcare Diagnostics Inc. Virtual staining of cells in digital holographic microscopy images using general adversarial networks

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013175003A (ja) * 2012-02-24 2013-09-05 Osaka Prefecture Univ Ｐｓｆ推定方法とそれを用いた劣化画像の復元方法およびこれらを記録したプログラムとそれを実行するコンピュータ装置
JP5762587B2 (ja) * 2013-04-15 2015-08-12 キヤノン株式会社 画像処理装置および画像処理方法
US10498962B2 (en) * 2015-07-22 2019-12-03 Sony Corporation Camera module that corrects for camera shake and optical-system distortion
WO2017020150A1 (zh) * 2015-07-31 2017-02-09 深圳市大疆创新科技有限公司 一种图像处理方法、装置及摄像机
CN105631808B (zh) * 2015-12-23 2018-10-19 浙江越剑智能装备股份有限公司 一种矫正自动验布机中布面抖动造成的图像畸变的方法
US10713785B2 (en) * 2017-02-13 2020-07-14 Siemens Healthcare Gmbh Image quality assessment system and method
US20180336439A1 (en) * 2017-05-18 2018-11-22 Intel Corporation Novelty detection using discriminator of generative adversarial network
US10262243B2 (en) * 2017-05-24 2019-04-16 General Electric Company Neural network point cloud generation system
WO2019019199A1 (en) * 2017-07-28 2019-01-31 Shenzhen United Imaging Healthcare Co., Ltd. SYSTEM AND METHOD FOR IMAGE CONVERSION
US10726304B2 (en) * 2017-09-08 2020-07-28 Ford Global Technologies, Llc Refining synthetic data with a generative adversarial network using auxiliary inputs
JP7242288B2 (ja) * 2018-12-25 2023-03-20 キヤノンメディカルシステムズ株式会社 医用画像診断装置及びモデル学習装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180239951A1 (en) 2014-06-16 2018-08-23 Siemens Healthcare Diagnostics Inc. Virtual staining of cells in digital holographic microscopy images using general adversarial networks
US20180075581A1 (en) 2016-09-15 2018-03-15 Twitter, Inc. Super resolution using a generative adversarial network

Also Published As

Publication number Publication date
CN111489298A (zh) 2020-08-04
CN111489298B (zh) 2023-04-14
EP3686837B1 (en) 2021-11-24
JP6856853B2 (ja) 2021-04-14
US10380724B1 (en) 2019-08-13
KR20200093417A (ko) 2020-08-05
EP3686837A1 (en) 2020-07-29
JP2020119555A (ja) 2020-08-06

Similar Documents

Publication Publication Date Title
KR102337381B1 (ko) 극한 상황에서 폴트 톨러런스 및 플럭츄에이션 로버스트를 향상시키기 위해, 지터링이 일어난 이미지를 안정화하는 프로세스에서 생성된 와핑된 이미지에 발생된 왜곡을, GAN(Generative Adversarial Network)을 이용하여 줄이기 위한 학습 방법 및 학습 장치
US10373026B1 (en) Learning method and learning device for generation of virtual feature maps whose characteristics are same as or similar to those of real feature maps by using GAN capable of being applied to domain adaptation to be used in virtual driving environments
US10726279B1 (en) Method and device for attention-driven resource allocation by using AVM and reinforcement learning to thereby achieve safety of autonomous driving
US10373027B1 (en) Method for acquiring sample images for inspecting label among auto-labeled images to be used for learning of neural network and sample image acquiring device using the same
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
KR102313119B1 (ko) 자율주행 자동차의 레벨 4를 충족시키기 위해 요구되는 hd 맵 업데이트에 이용될 적어도 하나의 어댑티브 로스 가중치 맵을 이용한 어텐션 드리븐 이미지 세그먼테이션 학습 방법 및 학습 장치, 그리고 이를 이용한 테스팅 방법 및 테스팅 장치
CN111489285B (zh) 利用循环gan将真实图像变换成虚拟图像的方法及装置
CN111461212B (zh) 一种用于点云目标检测模型的压缩方法
KR20200027428A (ko) 에지 이미지를 이용하여 객체를 검출하는 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치
EP3690740B1 (en) Method for optimizing hyperparameters of auto-labeling device which auto-labels training images for use in deep learning network to analyze images with high precision, and optimizing device using the same
KR102320985B1 (ko) 멀티 카메라 시스템 내의 더블 임베딩 구성을 이용하여 도로 이용자 이벤트를 검출하기 위해 이용될 세그먼테이션 성능 향상을 위한 학습 방법 및 학습 장치 그리고 이를 이용한 테스팅 방법 및 테스팅 장치
US10482584B1 (en) Learning method and learning device for removing jittering on video acquired through shaking camera by using a plurality of neural networks for fault tolerance and fluctuation robustness in extreme situations, and testing method and testing device using the same
KR102325025B1 (ko) 자율주행 차량 레벨4를 충족하기 위해 영역의 클래스에 따라 모드를 전환하기 위하여 그리드 생성기를 이용하는 뉴럴 네트워크 연산 방법 및 이를 이용한 장치
KR102252155B1 (ko) 자율주행 자동차의 레벨 4를 충족시키기 위해 필요한 hd 지도와의 콜라보레이션을 지원하는 임베딩 로스 및 소프트맥스 로스를 이용하여 적어도 하나의 차선을 가지는 이미지를 세그멘테이션하는 학습 방법 및 학습 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치
KR102301631B1 (ko) 협업 주행을 수행하는 자동차들로부터 획득된 주행 이미지들을 통합하는 방법 및 이를 이용한 주행 이미지 통합 장치
US10402686B1 (en) Learning method and learning device for object detector to be used for surveillance based on convolutional neural network capable of converting modes according to scales of objects, and testing method and testing device using the same
CN111507887A (zh) 对具有非rgb格式的图像客体进行探测学习的方法和装置
US20230281974A1 (en) Method and system for adaptation of a trained object detection model to account for domain shift
CN111507152A (zh) 基于内置独立型预测来转换自动驾驶模式的方法及装置
US10373004B1 (en) Method and device for detecting lane elements to plan the drive path of autonomous vehicle by using a horizontal filter mask, wherein the lane elements are unit regions including pixels of lanes in an input image
CN118072278A (zh) 对象检测方法、对象检测设备以及其非暂时性存储媒体
KR20230053235A (ko) 옵티컬 플로우 추정 방법 및 이를 이용하는 객체 검출 방법

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