KR102343056B1

KR102343056B1 - 어노테이션을 위한 이미지의 데이터 로드를 감축시키는 방법

Info

Publication number: KR102343056B1
Application number: KR1020210089484A
Authority: KR
Inventors: 승정민
Original assignee: 주식회사 인피닉
Priority date: 2021-07-08
Filing date: 2021-07-08
Publication date: 2021-12-24

Abstract

본 발명은 인공지능(AI)을 기계 학습하기 위한 데이터의 어노테이션을 위한 이미지의 데이터 로드를 감축시키는 방법을 제안한다. 상기 방법은 학습 데이터 생성 장치가 차량의 자율주행에 사용될 수 있는 인공지능(Artificial Intelligence, AI)을 기계 학습(machine learning)시키기 위하여 차량에 고정 설치된 카메라를 통해 촬영된 2D 이미지들을 수신하는 단계; 상기 학습 데이터 생성 장치가 상기 2D 이미지들을 재압축(recompression)하여 용량을 감축시키는 단계; 및 상기 학습 데이터 생성 장치가 상기 용량이 감축된 2D 이미지들을 복수의 어노테이션 장치에 배포하는 단계를 포함할 수 있다.

Description

어노테이션을 위한 이미지의 데이터 로드를 감축시키는 방법{A method of reducing data load of images for annotation, and computer program recorded on record-medium for executing method thereof}

본 발명은 인공지능(Artificial Intelligence, AI) 학습용 데이터의 가공에 관한 것이다. 보다 상세하게는, 인공지능(AI)을 기계 학습하기 위한 데이터의 어노테이션(annotation) 작업과 관련하여, 어노테이션을 위한 이미지의 데이터 로드를 감축시키는 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램에 관한 것이다.

인공지능(AI)은 인간의 학습능력, 추론능력 및 지각능력 등의 일부 또는 전부를 컴퓨터 프로그램을 이용하여 인공적으로 구현하는 기술을 의미한다. 인공지능(AI)과 관련하여, 기계 학습(machine learning)은 다수의 파라미터로 구성된 모델을 이용하여 주어진 데이터로 파라미터를 최적화하는 학습을 의미한다. 이와 같은, 기계 학습은 학습용 데이터의 형태에서 따라, 지도 학습(supervised learning), 비지도 학습(unsupervised learning) 및 강화 학습(reinforcement learning)으로 구분된다.

일반적으로, 인공지능(AI) 학습용 데이터의 설계는 데이터 구조의 설계, 데이터의 수집, 데이터의 정제, 데이터의 가공, 데이터의 확장 및 데이터의 검증 단계로 진행된다.

각각의 단계에서 대하여 보다 구체적으로 설명하면, 데이터 구조의 설계는 온톨로지(ontology) 정의, 분류 체계의 정의 등을 통해 이루어진다. 데이터의 수집은 직접 촬영, 웹 크롤링(web crawling) 또는 협회/전문 단체 등을 통해 데이터를 수집하여 이루어진다. 데이터 정제는 수집된 데이터 내에서 중복 데이터를 제거하고, 개인 정보 등을 비식별화하여 이루어진다. 데이터의 가공은 어노테이션(annotation)을 수행하고, 메타데이터(metadata)를 입력하여 이루어진다. 데이터의 확장은 온톨로지 매핑(mapping)을 수행하고, 필요에 따라 온톨로지를 보완하거나 확장하여 이루어진다. 그리고, 데이터의 검증은 다양한 검증 도구를 활용하여 설정된 목표 품질에 따른 유효성을 검증하여 이루어진다.

한편, 차량의 자율주행(automatic driving)은 차량 스스로 판단하여 주행할 수 있는 시스템을 의미한다. 이와 같은, 자율주행은 시스템이 주행에 관여하는 정도와 운전차가 차량을 제어하는 정도에 따라 비자동화부터 완전 자동화까지 점진적인 단계로 구분될 수 있다. 일반적으로, 자율주행의 단계는 국제자동차기술자협회(SAE(Society of Automotive Engineers) International)에서 분류한 6단계의 레벨로 구분된다. 국제자동차기술자협회가 분류한 6단계에 따르면, 레벨 0단계는 비자동화, 레벨 1단계는 운전자 보조, 레벨 2단계는 부분 자동화, 레벨 3단계는 조건부 자동화, 레벨 4단계는 고도 자동화, 그리고 레벨 5단계는 완전 자동화 단계이다.

차량의 자율주행은 인지(perception), 측위(localization), 경로 계획(path planning) 및 제어(control)의 메커니즘을 통해 수행된다. 현재 여러 기업체들은 자율주행 메커니즘 중에서 인지 및 경로 계획을 인공지능(AI)을 이용하여 구현하기 위해 개발 중에 있다. 그리고, 자율주행에 사용될 수 있는 인공지능(AI)의 기계 학습에 사용되는 데이터는 적게는 몇 천개에서, 많게는 수 백만개에 이르는 많은 수로 이루어진다.

이러한, 자율주행에 사용될 인공지능(AI)을 기계 학습에 사용될 많은 수의 데이터들에 대하여 개별적으로 어노테이션 작업을 수행하는 과정에는 수많은 작업자가 참여하게 된다. 그러나, 수많은 작업자가 개별적으로 어노테이션 작업을 수행하기 위해 사용하는 각 로컬 컴퓨팅 장치(local computing device)의 컴퓨팅 파워는 균일하지 아니하며, 각 로컬 컴퓨팅 장치와 데이터를 송수신하는 네트워크 회선의 대역폭(bandwidth)과 응답 속도(response time) 또한 균일하지 않다.

그리고, 균일하지 못한 로컬 컴퓨팅 장치의 컴퓨팅 파워와, 네트워크 회선의 대역폭과 응답 속도는 어노테이션 작업의 효율에 영향을 미치고 있다.

대한민국 공개특허공보 제10-2020-0042629호, ‘인공지능 학습을 위한 모바일 기기의 터치 기반 어노테이션과 이미지 생성 방법 및 그 장치’, (2020.04.24. 공개)

본 발명의 일 목적은 인공지능(AI)을 기계 학습하기 위한 데이터의 어노테이션(annotation) 작업과 관련하여, 어노테이션을 위한 이미지의 데이터 로드를 감축시키는 방법을 제공하는 것이다.

본 발명의 다른 목적은 어노테이션을 위한 이미지의 데이터 로드를 감축시키는 방법을 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램을 제공하는 것이다.

본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

상술한 바와 같은 기술적 과제를 달성하기 위하여, 본 발명은 인공지능(AI)을 기계 학습하기 위한 데이터의 어노테이션을 위한 이미지의 데이터 로드를 감축시키는 방법을 제안한다. 상기 방법은 학습 데이터 생성 장치가 차량의 자율주행에 사용될 수 있는 인공지능(Artificial Intelligence, AI)을 기계 학습(machine learning)시키기 위하여 차량에 고정 설치된 카메라를 통해 촬영된 2D 이미지들을 수신하는 단계; 상기 학습 데이터 생성 장치가 상기 2D 이미지들을 재압축(recompression)하여 용량을 감축시키는 단계; 및 상기 학습 데이터 생성 장치가 상기 용량이 감축된 2D 이미지들을 복수의 어노테이션 장치에 배포하는 단계를 포함할 수 있다.

구체적으로, 상기 용량을 감축시키는 단계는 각각의 2D 이미지를 복수 개의 영역(sector)으로 구획하는 단계; 상기 구획된 복수 개의 영역 각각에 대하여, 영역 내에 객체(object)가 존재할 확률을 산출하는 단계; 및 상기 산출된 확률이 사전에 설정된 임계 값 이상인 영역들을 중심으로 상기 각각의 2D 이미지들을 재압축하는 단계를 포함할 수 있다.

일 실시예에 따르면, 상기 복수 개의 영역으로 구획하는 단계는 상기 각각의 2D 이미지에 대하여 엣지(edge)를 추출하고, 상기 엣지가 추출된 2D 이미지들을 이진화(binarization)하고, 상기 이진화된 2D 이미지 내에서 상기 엣지에 의해 폐쇄된 영역(enclosure)들을 기준으로, 상기 복수 개의 영역을 구획할 수 있다.

다른 실시예에 따르면, 상기 복수 개의 영역으로 구획하는 단계는 사전에 설정된 그리드(grid) 크기를 기준으로 상기 각각의 2D 이미지를 격자화하여, 상기 복수 개의 영역을 구획할 수 있다.

상기 2D 이미지들을 수신하는 단계는 상기 차량에 고정 설치된 라이다(lidar)를 통해 획득된 3D 점군(3D points group) 데이터를 더 수신하고, 상기 확률을 산출하는 단계는 상기 수신된 3D 점군 데이터 내에서 상기 2D 이미지로부터 구획된 복수 개의 영역에 대응하는 영역에 포함된 점들(points)의 거리 값들 중에서 최소 값과 사전에 설정된 식별 가능 거리 값의 차이를 기초로 상기 확률을 산출할 수 있다.

일 실시예에 따르면, 상기 재압축하는 단계는 2D 이미지 내에서 상기 산출된 확률이 상기 임계 값 이하인 영역의 데이터 값을 사전에 설정된 단일의 가비지(garbage) 값으로 대체할 수 있다.

다른 실시예에 따르면, 상기 재압축하는 단계는 2D 이미지 내에서 상기 산출된 확률이 상기 임계 값 이하인 영역의 이미지 압축률(compression rate)을 상기 산출된 확률이 상기 임계 값 이상인 영역의 이미지 압축률보다 높게 설정하여 상기 재압축을 수행할 수 있다.

다른 실시예에 따르면, 상기 재압축하는 단계는 2D 이미지 내에서 상기 산출된 확률이 상기 임계 값 이하인 영역의 해상도(resolution)를 상기 산출된 확률이 상기 임계 값 이상인 영역의 해상도보다 낮게 설정하여 상기 재압축을 수행할 수 있다.

또 다른 실시예에 따르면, 상기 재압축하는 단계는 상기 구획된 모든 영역에 대하여 산출된 확률이 상기 임계 값 이하인 2D 이미지를 어노테이션(annotation) 작업 대상에서 배제시킬 수도 있다.

상술한 바와 같은 기술적 과제를 달성하기 위하여, 본 발명은 인공지능(AI)을 기계 학습하기 위한 데이터의 어노테이션 작업과 관련하여 2D 이미지들을 전처리할 수 있는 방법을 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램을 제안한다. 상기 컴퓨터 프로그램은 메모리(memory); 송수신기(transceiver); 및 상기 메모리에 상주된 명령어를 처리하는 프로세서(processor)를 포함하여 구성된 컴퓨팅 장치와 결합될 수 있다. 그리고, 상기 컴퓨터 프로그램은 상기 프로세서가 차량의 자율주행에 사용될 수 있는 인공지능(AI)을 기계 학습시키기 위하여 차량에 고정 설치된 카메라를 통해 촬영된 2D 이미지들을 상기 송수신기를 통해 수신하는 단계; 상기 프로세서가 상기 2D 이미지들을 재압축하여 용량을 감축시키는 단계; 및 상기 프로세서가 상기 용량이 감축된 2D 이미지들을 상기 송수신기를 통해 복수의 어노테이션 장치에 배포하는 단계를 실행시키기 위하여, 기록매체에 기록된 컴퓨터 프로그램이 될 수 있다.

기타 실시 예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

본 발명의 실시예에 따르면, 2D 이미지들 내에서 객체가 존재할 확률이 상대적으로 낮은 영역들을 전처리하여 그 용량을 감축함으로써, 어노테이션 작업 결과에 대한 영향을 최소화하며, 동시에 로컬 컴퓨팅 장치와 데이터를 송수신하는 네트워크 회선의 대역폭과 응답 속도에 따른 영향을 낮출 수 있다.

본 발명의 효과들은 이상에서 언급한 효과로 제한되지 아니하며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 본 발명이 속한 기술분야의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 일 실시예에 따른 인공지능 학습 시스템의 구성도이다.
도 2는 본 발명의 일 실시예에 따른 학습 데이터 수집 장치를 설명하기 위한 예시도이다.
도 3은 본 발명의 일 실시예에 따른 학습 데이터 생성 장치의 논리적 구성도이다.
도 4는 본 발명의 일 실시예에 따른 학습 데이터 생성 장치의 데이터 가공부의 논리적 구성도이다.
도 5는 본 발명의 일 실시예에 따른 학습 데이터 생성 장치의 하드웨어 구성도이다.
도 6 및 도 7은 본 발명의 몇몇 실시예에 따라 복수 개의 영역으로 구획된 2D 이미지를 설명하기 위한 예시도이다.
도 8 및 도 9는 본 발명의 몇몇 실시예에 따라 용량이 감축된 2D 이미지를 설명하기 위한 예시도이다.
도 10은 본 발명의 일 실시예에 따라 식별된 객체 후보들을 설명하기 위한 예시도이다.
도 11은 본 발명의 일 실시예에 따라 객체 후보의 클래스를 추정하는 과정을 설명하기 위한 예시도이다.
도 12는 본 발명의 일 실시예에 따라 용량이 감축된 3D 점군 데이터를 설명하기 위한 예시도이다.
도 13은 본 발명의 일 실시예에 따라 기준 객체 후보를 선택하는 과정을 설명하기 위한 예시도이다.
도 14는 본 발명의 일 실시예에 따라 기준 객체 후보에 대한 작업 결과를 일괄 적용하는 과정을 설명하기 위한 예시도이다.
도 15는 본 발명의 일 실시예에 따라 로컬 장치의 능력을 평가하는 과정을 설명하기 위한 예시도이다.
도 16은 본 발명의 일 실시예에 따라 어노테이션 작업 결과물을 재작성하는 과정을 설명하기 위한 예시도이다.
도 17은 본 발명의 일 실시예에 따른 학습 데이터 생성 방법을 설명하기 위한 순서도이다.
도 18은 본 발명의 일 실시예에 따른 데이터 가공 방법을 설명하기 위한 순서도이다.

본 명세서에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 명세서에서 사용되는 기술적 용어는 본 명세서에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 명세서에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는, 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 발명에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.

또한, 본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "구성된다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.

또한, 본 명세서에서 사용되는 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.

어떤 구성 요소가 다른 구성 요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성 요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성 요소가 존재할 수도 있다. 반면에, 어떤 구성 요소가 다른 구성 요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성 요소가 존재하지 않는 것으로 이해되어야 할 것이다.

이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다. 본 발명의 사상은 첨부된 도면 외에 모든 변경, 균등물 내지 대체물에 까지도 확장되는 것으로 해석되어야 한다.

상술한 바와 같이, 수많은 작업자가 개별적으로 어노테이션 작업을 수행하기 위해 사용하는 각 로컬 컴퓨팅 장치의 컴퓨팅 파워는 균일하지 아니하며, 각 로컬 컴퓨팅 장치와 데이터를 송수신하는 네트워크 회선의 대역폭과 응답 속도 또한 균일하지 않다. 그리고, 균일하지 못한 로컬 컴퓨팅 장치의 컴퓨팅 파워와, 네트워크 회선의 대역폭과 응답 속도는 어노테이션 작업의 효율에 영향을 미치고 있다.

이러한 어려움을 해결하고자, 본 발명은 로컬 컴퓨팅 장치의 컴퓨팅 파워 또는 네트워크 회선의 품질로부터 받게 되는 영향을 최소화시킬 수 있는 다양한 수단들을 제안하고자 한다.

도 1은 본 발명의 일 실시예에 따른 인공지능 학습 시스템의 구성도이다.

도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 인공지능 학습 시스템은 학습 데이터 수집 장치(100), 학습 데이터 생성 장치(200), 다수 개의 어노테이션 장치(300) 및 인공지능 학습 장치(400)를 포함하여 구성될 수 있다.

이와 같은, 일 실시예에 따른 인공지능 학습 시스템의 구성 요소들은 기능적으로 구분되는 요소들을 나타낸 것에 불과하므로, 둘 이상의 구성 요소가 실제 물리적 환경에서는 서로 통합되어 구현되거나, 하나의 구성 요소가 실제 물리적 환경에서는 서로 분리되어 구현될 수 있을 것이다.

각각의 구성 요소에 대하여 설명하면, 학습 데이터 수집 장치(100)는 차량의 자율주행에 사용될 수 있는 인공지능(AI)을 기계 학습시키기 위한 데이터를 수집하는데 사용될 수 있는 장치이다.

이를 위한, 학습 데이터 수집 장치(100)는 라이다(lidar), 카메라(camera), 레이더(radar) 및 초음파 센서(ultrasonic sensor) 중 하나 이상을 포함하여 구성될 수 있으며, 이에 한정되지 않고, 하나 이상의 라이다, 카메라, 레이더 또는 초음파 센서에 의해 측정된 데이터를 수집하는 컴퓨팅 장치가 될 수도 있다.

이와 같은, 학습 데이터 수집 장치(100)가 인공지능(AI) 기계 학습을 위한 데이터를 수집하는 예시에 대해서 추후 도 2를 참조하여 설명하기로 한다.

다음 구성으로, 학습 데이터 생성 장치(200)는 차량의 자율주행에 사용될 수 있는 인공지능(AI)을 기계 학습시키기 위한 데이터를 설계 및 생성하는데 사용될 수 있는 장치이다.

이와 같은, 학습 데이터 생성 장치(200)는 기본적으로 학습 데이터 검증 장치(400)와 구분되는 장치이나, 실제 물리적 환경에서 학습 데이터 생성 장치(200)와 학습 데이터 검증 장치(400)가 하나의 장치로 통합되어 구현될 수도 있다.

특징적으로, 본 발명의 실시예들에 따른 학습 데이터 생성 장치(200)는 학습 데이터 수집 장치(100)로부터 수신된 2D 이미지들 및 3D 점군 데이터를 다수 개의 어노테이션 장치(300)를 이용하여 데이터 가공함에 있어, 로컬 컴퓨팅 장치에 해당하는 어노테이션 장치(300)의 컴퓨팅 파워 또는 네트워크 회선의 품질로부터 받게 되는 영향을 최소화시킬 수 있다.

이와 같은 특징을 가지는, 학습 데이터 생성 장치(200)는 학습 데이터 수집 장치(100), 어노테이션 장치(300) 및 인공지능 학습 장치(400)와 데이터를 송수신하고, 송수신된 데이터를 기초로 연산을 수행할 수 있는 장치라면 어떠한 장치라도 허용될 수 있다. 예를 들어, 학습 데이터 생성 장치(200)는 데스크탑(desktop), 워크스테이션(workstation) 또는 서버(server)와 같은 고정식 컴퓨팅 장치 중 어느 하나가 될 수 있으나, 이에 한정되는 것은 아니다.

다음 구성으로, 어노테이션 장치(300)는 학습 데이터 생성 장치(200)에 의해 배포된 2D 이미지들 또는 3D 점군 데이터에 대하여, 어노테이션(annotation) 작업을 수행하는데 사용될 수 있는 로컬 컴퓨팅 장치이다. 이와 같은, 어노테이션 장치(300)의 전부 또는 일부는 어노테이션 작업자가 클라우딩 서비스(clouding service)를 통해 어노테이션 작업을 수행하는 장치가 될 수도 있다.

구체적으로, 어노테이션 장치(300)는 학습 데이터 생성 장치(200)로부터 수신된 2D 이미지들 또는 3D 점군 데이터 중에서 어노테이션 작업 대상이 되는 하나의 2D 이미지 또는 3D 점군 데이터를 디스플레이에 출력할 수 있다.

어노테이션 장치(300)는 입출력장치를 통해 사용자로부터 입력된 신호에 따라 툴(tool)을 선택할 수 있다. 여기서, 툴은 2D 이미지 또는 3D 점군 데이터 속에 포함되어 있는 하나 이상의 객체(object)를 특정하는 바운딩 박스를 설정하기 위한 도구이다.

어노테이션 장치(300)는 입출력장치를 통해 선택된 툴에 따른 좌표를 입력 받을 수 있다. 그리고, 어노테이션 장치(300)는 입력된 좌표를 기초로 바운딩 박스(bounding box)를 설정하여, 2D 이미지 또는 3D 점군 데이터 속에 포함된 객체를 특정할 수 있다. 여기서, 바운딩 박스는 이미지 속에 포함된 객체들 중에서 인공지능(AI) 학습의 대상이 되는 객체를 특정하기 위한 영역이다. 이와 같은, 바운딩 박스는 사각형(rectangle) 또는 정육면체(cube)의 형상을 가질 수 있으며, 이에 한정되는 것은 아니다.

예를 들어, 어노테이션 장치(300)는 입출력장치를 통해 두 개의 좌표를 입력 받고, 입력된 두 좌표를 2D 이미지 내에서 좌상단 꼭지점(vertex)의 좌표와 우하단 꼭지점의 좌표로 가지는 사각형을 기초로 바운딩 박스를 설정하여, 2D 이미지 속에 포함된 객체를 특정할 수 있다. 이 경우, 두 개의 좌표는 사용자가 한 종류의 입력 신호를 두 번 입력(예들 들어, 마우스 클릭)하여 설정되거나, 사용자가 두 종류의 입력 신호를 한번씩 입력(예를 들어, 마우스 드래그)하여 설정될 수 있으나, 이에 한정되는 것은 아니다.

어노테이션 장치(300)는 입출력장치를 통해 사용자로부터 입력된 신호에 따라, 어노테이션 작업의 대상이 되는 2D 이미지 또는 3D 점군 데이터, 또는 설정된 객체에 대한 메타데이터(metadata)를 생성할 수 있다. 여기서, 메타데이터는 3D 점군 데이터 또는 2D 이미지와, 3D 점군 데이터 또는 2D 이미지로부터 특정된 객체를 설명하기 위한 데이터이다. 이와 같은, 메타데이터에는 3D 점군 데이터 또는 2D 이미지로부터 특정된 객체의 카테고리, 객체가 화각에 의해 잘려진 비율, 객체가 다른 객체 또는 물체에 의해 가려진 비율, 객체의 트래킹 아이디, 이미지가 촬영된 시각, 이미지가 촬영된 날의 기상 조건 등이 포함될 수 있으며, 이에 한정되지 아니하고, 파일 크기, 이미지 크기, 저작권자, 해상도, 비트 값, 조리개 투과량, 노출 시간, ISO 감도, 초점 거리, 조리개 개방 수치, 화각, 화이트 밸런스, RGB 깊이, 클래스 명, 태그, 촬영 장소, 도로의 유형, 도로 표면 정보 또는 교통 체증 정보가 더 포함될 수도 있다.

어노테이션 장치(300)는 2D 이미지 또는 3D 점군 데이터로부터 설정된 객체와 생성된 메타데이터를 기초로, 어노테이션 작업 결과물을 생성할 수 있다. 이 경우, 어노테이션 작업 결과물을 JSON(Java Script Object Notation) 파일 형식을 가질 수 있으나, 이에 한정되는 것은 아니다. 어노테이션 장치(300)는 생성된 어노테이션 작업 결과물을 학습 데이터 생성 장치(200)에 전송할 수 있다. 그리고, 어노테이션 장치(300)는 생성된 어노테이션 작업 결과물 외에도, 검증을 위하여 객체가 설정된 2D 이미지 또는 3D 점군 데이터를 학습 데이터 생성 장치(200)에 전송할 수 있다.

특징적으로, 본 발명을 일 실시예에 따른 어노테이션 장치(300)는 어노테이션 작업 결과물과 객체가 설정된 2D 이미지 또는 3D 점군 데이터를 학습 데이터 생성 장치(200)에 전송하지 아니하고, 어노테이션 장치(300)를 구성하고 있는 입출력장치의 제어 데이터를 학습 데이터 생성 장치(200)에 전송할 수도 있다.

여기서, 입출력장치의 제어 데이터는 어노테이션 장치(300)가 2D 이미지 또는 3D 점군 데이터에 대하여 어노테이션 작업을 수행하는 과정에서 사용자가 입출력장치를 제어하기 위하여 입력한 하나 이상의 신호를 시계열적으로 저장한 데이터가 될 수 있다. 여기서, 사용자는 작업자, 수행자, 라벨러 또는 데이터 라벨러 등으로 지칭될 수 있으며, 이에 한정되는 것은 아니다.

예를 들어, 어노테이션 장치(300)가 이벤트-주도 아키텍처(event-driven architecture)에 따른 운영체제(operating system)에 의해 구동되는 경우, 입출력장치의 제어 데이터에 포함된 하나 이상의 신호는 어노테이션 장치(200)의 입출력장치의 제어에 대응하여 운영체제에 의해 생성된 이벤트 메시지(event message)가 될 수 있다. 그리고, 어노테이션 장치(300)는 운영체제에 의해 생성된 이벤트 메시지가 선입선출(first-in first-out) 구조로 저장된 시스템 큐(system queue)를 복제하여 입출력장치의 제어 데이터를 생성할 수도 있다.

보다 구체적인 예로, 어노테이션 장치(300)의 운영체제가 윈도우즈(windows)에 해당하는 경우, 입출력장치의 제어 데이터에는 마우스의 왼쪽 버튼 클릭에 대응하여 생성된 WM_LBUUTONDOWN, 키보드의 입력에 대응하여 생성된 WM_KEYDOWN 등의 이벤트 메시지가 포함될 수 있다.

상술한 바와 같은 특징을 가지는, 어노테이션 장치(300)는 학습 데이터 생성 장치(200)와 데이터를 송수신하고, 송수신된 데이터를 기초로 연산을 수행할 수 있는 장치라면 어떠한 장치라도 허용될 수 있다. 예를 들어, 어노테이션 장치(300)는 데스크탑, 워크스테이션 또는 서버와 같은 고정식 컴퓨팅 장치, 또는 스마트폰(smart phone), 랩탑(laptop), 태블릿(tablet), 패블릿(phablet), 휴대용 멀티미디어 재생장치(Portable Multimedia Player, PMP), 개인용 휴대 단말기(Personal Digital Assistants, PDA) 또는 전자책 단말기(E-book reader)과 같은 이동식 컴퓨팅 장치 중 어느 하나가 될 수 있다.

다음 구성으로, 인공지능 학습 장치(400)는 차량의 자율주행에 사용될 수 있는 인공지능(AI)을 기계 학습시키는데 사용될 수 있는 장치이다.

구체적으로, 인공지능 학습 장치(400)는 차량의 자율주행에 사용될 수 있는 인공지능(AI)의 목적 달성을 위한 요구 사항을 학습 데이터 생성 장치(200)에 전송할 수 있다. 인공지능 학습 장치(400)는 학습 데이터 생성 장치(200)로부터 인공지능(AI) 학습용 데이터를 수신할 수 있다. 그리고, 인공지능 학습 장치(400)는 수신된 인공지능(AI) 학습용 데이터를 이용하여, 차량의 자율주행에 사용될 수 있는 인공지능(AI)을 기계 학습할 수 있다.

이와 같은, 인공지능 학습 장치(400)는 학습 데이터 생성 장치(200)와 데이터를 송수신하고, 송수신된 데이터를 이용하여 연산을 수행할 수 있는 장치라면 어떠한 장치라도 허용될 수 있다. 예를 들어, 인공지능 학습 장치(400)는 데스크탑, 워크스테이션 또는 서버와 같은 고정식 컴퓨팅 장치 중 어느 하나가 될 수 있으나, 이에 한정되는 것은 아니다.

지금까지 상술한 바와 같은, 학습 데이터 수집 장치(100), 학습 데이터 생성 장치(200), 다수 개의 어노테이션 장치(300) 및 인공지능 학습 장치(400)는 장치들 사이를 직접 연결하는 보안 회선, 공용 유선 통신망 또는 이동 통신망 중 하나 이상이 조합된 네트워크를 이용하여 데이터를 송수신할 수 있다.

예를 들어, 공용 유선 통신망에는 이더넷(ethernet), 디지털가입자선(x Digital Subscriber Line, xDSL), 광동축 혼합망(Hybrid Fiber Coax, HFC), 광가입자망(Fiber To The Home, FTTH)가 포함될 수 있으나, 이에 한정되는 것도 아니다. 그리고, 이동 통신망에는 코드 분할 다중 접속(Code Division Multiple Access, CDMA), 와이드 밴드 코드 분할 다중 접속(Wideband CDMA, WCDMA), 고속 패킷 접속(High Speed Packet Access, HSPA), 롱텀 에볼루션(Long Term Evolution, LTE), 5세대 이동통신(5th generation mobile telecommunication)가 포함될 수 있으나, 이에 한정되는 것은 아니다.

이하, 상술한 바와 같은 학습 데이터 수집 장치(100)가 데이터를 수집하는 예시에 대하여 구체적으로 설명하기로 한다.

도 2는 본 발명의 일 실시예에 따른 학습 데이터 수집 장치를 설명하기 위한 예시도이다.

도 2에 도시된 바와 같이, 본 발명의 일 실시예에 따른 학습 데이터 수집 장치(100a, 100b, 100c, 100d, 100e, 100f 및 100g; 100)는 차량(10)에 고정 설치되어, 자율주행에 사용될 수 있는 인공지능(AI)을 기계 학습시키기 위한 데이터를 수집할 수 있다.

예를 들어, 학습 데이터 수집 장치(100)는 라이다(100a)와 복수 개의 카메라(100b, 100c, 100d, 100e, 100f 및 100g)를 포함하여 구성될 수 있다. 그러나, 이에 한정되지 않고 학습 데이터 수집 장치(100)는 하나 이상의 레이더 또는 초음파 센서를 포함하여 구성될 수 있다. 나아가, 학습 데이터 생성 장치(100)는 하나 이상의 라이다, 카메라, 레이더 또는 초음파 센서에 의해 측정된 데이터를 수집하는 컴퓨팅 장치가 될 수도 있다.

학습 데이터 수집 장치(100)에 포함된 라이다(100a)는 차량(10)에 고정 설치되어, 차량(10)의 주위로 레이저 펄스를 발사하고 차량(10) 주위에 위치하는 객체들에 의해 반사되어 돌아온 빛을 감지하여, 차량(10) 주위에 대한 3차원 영상에 해당하는 3D 점군 데이터를 생성할 수 있다. 따라서, 라이다(100a)에 의해 획득된 3D 점군 데이터는 라이다(100a)에 의해 3차원 공간으로 발사된 레이저 펄스를 반사시킨 점들(points)의 집합을 포함할 수 있다.

학습 데이터 수집 장치(100)에 포함된 복수 개의 카메라(100b, 100c, 100d, 100e, 100f 및 100g)는 차량(10)을 중심으로 하는 방사형으로 고정 설치되어, 차량(10)의 주위에 대한 2차원 이미지를 각각 촬영할 수 있다. 도 2에는 학습 데이터 수집 장치(100)가 6개의 카메라(100b, 100c, 100d, 100e, 100f 및 100g)를 포함하는 것으로 도시되어 있으나, 본 발명이 6개 보다 적거나 또는 6개 보다 많은 카메라에 의해 촬영된 2D 이미지를 기초로 구현될 수 있음은 본 발명이 속한 기술분야의 통상의 지식을 가진 자에게 자명할 것이다.

이하, 상술한 바와 같은, 학습 데이터 생성 장치(200)의 구성에 대하여 보다 구체적으로 설명하기로 한다.

도 3은 본 발명의 일 실시예에 따른 학습 데이터 생성 장치의 논리적 구성도이다.

도 3에 도시된 바와 같이, 학습 데이터 생성 장치(200)는 통신부(205), 입출력부(210), 데이터 구조 설계부(215), 데이터 수집 및 정제부(220), 데이터 가공부(225) 및 학습 데이터 생성부(230)를 포함하여 구성될 수 있다.

이와 같은, 학습 데이터 생성 장치(200)의 구성 요소들은 기능적으로 구분되는 요소들을 나타낸 것에 불과하므로, 둘 이상의 구성 요소가 실제 물리적 환경에서는 서로 통합되어 구현되거나, 하나의 구성 요소가 실제 물리적 환경에서는 서로 분리되어 구현될 수 있을 것이다.

각각의 구성 요소에 대하여 설명하면, 통신부(205)는 학습 데이터 수집 장치(100), 어노테이션 장치(300) 및 인공지능 학습 장치(400) 중 하나 이상과 데이터를 송수신할 수 있다.

구체적으로, 통신부(205)는 학습 데이터 수집 장치(100)로부터 2D 이미지들 및 3D 점군 데이터를 수신할 수 있다. 여기서, 2D 이미지들은 차량의 자율주행에 사용될 수 있는 인공지능(AI)을 기계 학습시키기 위하여, 차량에 고정 설치된 카메라를 통해 촬영된 이미지들이 될 수 있다. 그리고, 3D 점군 데이터들은 차량의 자율주행에 사용될 수 있는 인공지능(AI)을 기계 학습시키기 위하여, 차량에 고정 설치된 라이다를 통해 획득된 점군 데이터들이 될 수 있다.

통신부(205)는 어노테이션 작업의 대상이 되는 복수 개의 2D 이미지들 또는 3D 점군 데이터들을 복수 개의 어노테이션 장치(200)에 배포 전송할 수 있다. 통신부(205)는 복수 개의 어노테이션 장치(300) 각각으로부터 어노테이션 작업 결과물을 수신할 수 있다. 또한, 통신부(205)는 복수 개의 어노테이션 장치(300) 각각으로부터 입출력장치의 제어 데이터를 수신할 수도 있다. 여기서, 입출력장치의 제어 데이터는 2D 이미지들 또는 3D 점군 데이터들 중 하나 이상을 수신한 어노테이션 장치(300)가 수신한 2D 이미지 또는 3D 점군 데이터에 대하여 어노테이션 작업을 수행하는 과정에서, 사용자가 어노테이션 장치(300)를 구성하고 있는 입출력장치를 제어하기 위하여 입력한 하나 이상의 신호를 시계열적으로 저장한 데이터가 될 수 있다.

그리고, 통신부(205)는 인공지능(AI) 학습용 데이터를 인공지능 학습 장치(300)에 전송할 수 있다.

다음 구성으로, 입출력부(210)는 사용자 인터페이스(UI)를 통해 사용자로부터 신호를 입력 받거나, 연산 결과를 외부로 출력할 수 있다.

구체적으로, 입출력부(210)는 사용자로부터 인공지능(AI) 학습을 위한 데이터 구조를 설계하기 위한 제어 신호를 입력 받을 수 있다. 입출력부(210)는 사용자로부터 복수 개의 어노테이션 장치(300)에 대하여 어노테이션 작업을 분배하기 위한 할당량 등을 입력 받을 수 있다.

다음 구성으로, 데이터 구조 설계부(215)는 차량의 자율주행에 사용될 수 있는 인공지능(AI)을 기계 학습시키기 위한 데이터 구조를 설계할 수 있다.

구체적으로, 데이터 구조 설계부(215)는 입출력부(110)를 통해 입력된 사용자의 제어를 기초로, 인공지능(AI)을 기계 학습시키기 위한 데이터 구조를 설계할 수 있다. 예를 들어, 데이터 구조 설계부(215)는 입력된 사용자의 제어를 기초로, 인공지능(AI) 학습을 위한 온톨로지(ontology), 인공지능(AI) 학습을 위한 데이터의 분류 체계를 정의할 수 있다.

다음 구성으로, 데이터 수집 및 정제부(220)는 데이터 구조 설계부(215)에 의해 설계된 데이터 구조를 기초로, 차량의 자율주행에 사용될 수 있는 인공지능(AI)을 기계 학습시키기 위한 데이터를 수집 및 정제할 수 있다.

구체적으로, 데이터 수집 및 정제부(220)는 통신부(205)를 통해 학습 데이터 수집 장치(100)로부터 2D 이미지들 및 3D 점군 데이터들을 수신할 수 있다. 그러나, 이에 한정되지 아니하고, 데이터 수집 및 정제부(220)는 통신부(205)를 통해 웹 크롤링(crawling)을 수행하여 2D 이미지를 수집하거나, 또는 2D 이미지 및 3D 점군 데이터를 보유하고 있는 외부 기관의 장치로부터 데이터를 다운로드할 수도 있다.

데이터 수집 및 정제부(220)는 수신된 2D 이미지들 및 3D 점군 데이터들 중에서 중복되거나 또는 극히 유사한 이미지를 제거할 수 있다. 그리고, 데이터 수집 및 정제부(220)는 수집된 2D 이미지들 및 3D 점군 데이터들에 포함된 개인정보를 비식별화(de-identification)할 수 있다.

다음 구성으로, 데이터 가공부(225)는 데이터 수집 및 정제부(220)에 의해 수집 및 정제된 데이터를 어노테이션 장치(300)에 배포하여 가공할 수 있다.

특징적으로, 본 발명의 일 실시예에 따른 데이터 가공부(225)는 데이터 가공(즉, 어노테이션 작업) 과정에서, 로컬 컴퓨팅 장치에 해당하는 어노테이션 장치(300)의 컴퓨팅 파워 또는 네트워크 회선의 품질로부터 받게 되는 영향을 최소화시킬 수 있다.

이와 같은 특징을 가지는, 데이터 가공부(225)의 구체적인 구성에 대해서는 추후 도 4를 참조하여 보다 구체적으로 설명하기로 한다.

다음 구성으로, 학습 데이터 생성부(230)는 데이터 가공부(225)에 의해 가공된 데이터를 기초로, 차량의 자율주행에 사용될 수 있는 인공지능(AI)의 기계 학습에 사용될 수 있는 데이터를 생성할 수 있다.

구체적으로, 학습 데이터 생성부(230)는 가공된 데이터를 패키징(packaging)하여 인공지능(AI) 학습용 데이터를 생성할 수 있다. 그리고, 학습 데이터 생성부(230)는 생성된 인공지능(AI) 학습용 데이터를 통신부(205)를 통해 인공지능 학습 장치(400)에 전송할 수 있다.

이하, 상술한 바와 같은, 데이터 가공부(225)에 대하여 보다 구체적으로 설명하기로 한다.

도 4는 본 발명의 일 실시예에 따른 학습 데이터 생성 장치의 데이터 가공부의 논리적 구성도이다.

도 4에 도시된 바와 같이, 학습 데이터 생성 장치(200)의 데이터 가공부(225)는 2D 이미지 전처리 모듈(225-1), 3D 점군 전처리 모듈(225-2), 로컬 능력 대응 모듈(225-3), 배포 및 수집 모듈(225-4), 결과물 재작성 모듈(225-5) 및 동일 객체 후처리 모듈(225-6)을 포함하여 구성될 수 있다.

이와 같은, 데이터 가공부(225)의 구성 요소들은 기능적으로 구분되는 요소들을 나타낸 것에 불과하므로, 둘 이상의 구성 요소가 실제 물리적 환경에서는 서로 통합되어 구현되거나, 하나의 구성 요소가 실제 물리적 환경에서는 서로 분리되어 구현될 수 있을 것이다.

각각의 구성 요소에 대하여 설명하면, 2D 이미지 전처리 모듈(225-1)은 어노테이션 장치(300)를 이용한 데이터의 가공(즉, 어노테이션 작업)에 앞서, 2D 이미지들을 재압축(recompression)하여 그 용량을 감축시키는 전처리를 수행할 수 있다.

우선적으로, 2D 이미지 전처리 모듈(225-1)은 통신부(205)를 통해 수신된 2D 이미지들을 대상으로, 각각의 2D 이미지를 복수 개의 영역(sector)으로 구획할 수 있다.

본 발명의 일 실시예에 따르면, 2D 이미지 전처리 모듈(225-1)은 2D 이미지의 엣지(edge)를 기준으로 영역을 구획할 수 있다. 구체적으로, 2D 이미지 전처리 모듈(225-1)은 LoG(Laplacian of Gaussian) 알고리즘 또는 DoG(Difference of Gaussian) 알고리즘 중 어느 하나를 이용하여, 각각의 2D 이미지에 대하여 엣지를 추출할 수 있다.

LoG 알고리즘을 이용할 경우, 2D 이미지 전처리 모듈(225-1)은 가우시안 필터(Gaussian filter)를 이용하여 2D 이미지 내에 존재하는 잡음을 제거할 수 있다. 2D 이미지 전처리 모듈(225-1)은 잡음이 제거된 2D 이미지에 라플라시안 필터(Laplacian)를 적용할 수 있다. 그리고, 2D 이미지 전처리 모듈(225-1)은 라플라시안 필터가 적용된 이미지에 영교차(zerocrossing)을 검출하여 엣지를 추출할 수 있다.

DoG 알고리즘을 이용할 경우, 2D 이미지 전처리 모듈(225-1)은 2D 이미지로부터 분산이 서로 다른 가우시안 마스크(Gaussian mask)를 두 개 생성한다. 2D 이미지 전처리 모듈(225-1)은 생성된 하나의 마스크에서 다른 하나의 마스크를 뺀다. 그리고, 2D 이미지 전처리 모듈(225-1)은 뺀 마스크를 2D 이미지에 적용하여 엣지를 추출할 수 있다.

2D 이미지 전처리 모듈(225-1)은 엣지가 추출된 2D 이미지들을 이진화(binarization)할 수 있다. 그리고, 2D 이미지 전처리 모듈(225-1)은 이진화된 2D 이미지 내에서 엣지에 의해 폐쇄된 영역(enclosure)들을 기준으로, 2D 이미지 내에서 복수 개의 영역을 구획할 수 있다.

이와 다르게, 본 발명의 다른 실시예에 따르면, 2D 이미지 전처리 모듈(225-1)은 단순히 사전에 설정된 그리드(grid) 크기를 기준으로 각각의 2D 이미지를 격자화함으로써, 2D 이미지 내에서 복수 개의 영역을 구획할 수도 있다. 전처리를 수행하여야 할 2D 이미지들에 대한 연산량을 감소시키기 위하여, 학습 데이터 생성 장치(200)는 단순히 그리드 크기를 기준으로 영역을 구획할 수 있는 것이다.

다음으로, 2D 이미지 전처리 모듈(225-1)은 구획된 복수 개의 영역 각각에 대하여, 영역 내에 객체(object)가 존재할 확률을 산출할 수 있다. 구체적으로, 2D 이미지 전처리 모듈(225-1)은 2D 이미지들과 함께 수신된 3D 점군 데이터 내에서 2D 이미지로부터 구획된 복수 개의 영역에 대응하는 영역에 포함된 점들(points)의 거리 값들 중에서 최소 값과 사전에 설정된 식별 가능 거리 값의 차이를 기초로, 영역 내에 객체가 존재할 확률을 산출할 수 있다.

이 경우, 3D 점군 데이터는 2D 이미지가 차량에 고정 설치된 카메라에 의해 촬영된 시점과 동일한 시점에, 동일한 차량에 고정 설치된 라이다에 의해 획득된 데이터가 될 것이다.

다음으로, 2D 이미지 전처리 모듈(225-1)은 산출된 확률이 사전에 설정된 임계 값 이상인 영역들을 중심으로, 각각의 2D 이미지들을 재압축할 수 있다.

본 발명의 일 실시예에 따르면, 2D 이미지 전처리 모듈(225-1)은 2D 이미지 내의 구획된 영역들 중에서, 산출된 확률이 임계 값 이하인 영역의 데이터 값을 사전에 설정된 단일의 가비지(garbage) 값으로 대체할 수 있다.

본 발명의 다른 실시예에 따르면, 2D 이미지 전처리 모듈(225-1)은 2D 이미지 내의 구획된 영역들 중에서, 산출된 확률이 임계 값 이하인 영역의 이미지 압축률을, 산출된 확률이 임계 값 이상인 영역의 이미지 압축률보다 높게 설정하여 재압축을 수행할 수 있다.

본 발명의 다른 실시예에 따르면, 2D 이미지 전처리 모듈(225-1)은 2D 이미지 내의 구획된 영역들 중에서, 산출된 확률이 임계 값 이하인 영역의 해상도(resolution)를, 산출된 확률이 임계 값 이상인 영역의 해상도보다 낮게 설정하여 재압축을 수행할 수 있다.

본 발명의 다른 실시예에 따르면, 2D 이미지 전처리 모듈(225-1)은 2D 이미지 내의 구획된 모든 영역에 대하여 산출된 확률이 임계 값 이하인 경우, 해당 2D 이미지를 어노테이션 작업 대상에서 배제시킬 수도 있다.

다음 구성으로, 3D 점군 전처리 모듈(225-2)은 어노테이션 장치(300)를 이용한 데이터의 가공(즉, 어노테이션 작업)에 앞서, 3D 점군 데이터들에 포함된 점들(points)의 거리 값을 기초로, 각각의 3D 점군 데이터의 용량을 감축시키는 전처리를 수행할 수 있다.

본 발명의 일 실시예에 따르면, 3D 점군 전처리 모듈(225-2)은 3D 점군 데이터에 포함된 점들의 특성에 따라, 각각의 3D 점군 데이터의 용량을 감축시키는 전처리를 수행할 수 있다.

구체적으로, 3D 점군 전처리 모듈(225-2)은 각각의 3D 점군 데이터에 포함된 점들 중에서 사전에 설정된 임계 범위 내에서 군집(crowd)을 형성하고 있는 점들을 추출하여 객체 후보(object candidate)들로 식별할 수 있다. 이 경우, 3D 점군 전처리 모듈(225-2)은 3D 점군 데이터들과 함께 수신된 2D 이미지 내에서 객체 후보에 대응하는 영역의 RGB(Red, Green, Blue) 값을 기초로, 식별된 객체 후보들에 대한 검증을 수행할 수 있다.

3D 점군 전처리 모듈(225-2)은 식별된 객체 후보들을 구성하는 점들의 거리 값 또는 식별된 객체 후보들의 크기 값을 기초로, 3D 점군 데이터에 포함된 점들의 일부를 변경 또는 제거할 수 있다.

보다 상세하게, 3D 점군 전처리 모듈(225-2)은 3D 점군 데이터로부터 원거리 객체 후보를 구성하는 점들을 제거할 수 있다. 여기서, 원거리 객체 후보는 객체 후보를 구성하는 점들의 각 거리 값들 중에서 최소 거리 값이 사전에 설정된 임계 거리 이상인 객체 후보가 될 수 있다.

3D 점군 전처리 모듈(225-2)은 식별된 객체 후보들 각각에 대한 클래스(class)를 추정할 수 있다. 예를 들어, 3D 점군 전처리 모듈(225-2)은 객체 후보가 3D 점군 데이터 내에서 차지하는 X축 상의 폭(width), Y축 상의 높이(height) 및 Z축 상의 깊이(depth)와, 사전에 설정된 클래스별 크기(dimension) 범위를 대비하여, 객체 후보들 각각에 대한 클래스를 추정할 수 있다.

3D 점군 전처리 모듈(225-2)은 각각의 객체 후보에 대하여 추정된 클래스와, 클래스의 유형별로 사전에 설정된 식별 가능 거리 값들을 기초로, 객체 후보들 각각에 대한 식별 가능 거리 값을 산출할 수 있다. 3D 점군 전처리 모듈(225-2)은 차량에 고정 설치된 라이다로부터 각 객체 후보까지의 거리 값과, 각각의 객체 후보들에 대하여 산출된 식별 가능 거리 값을 서로 대비하여, 3D 점군 데이터로부터 변경 또는 제거할 점들을 식별할 수 있다.

예를 들어, 3D 점군 전처리 모듈(225-2)은 라이다로부터의 거리 값이 산출된 식별 가능 거리 값 이상인 객체 후보를 구성하는 점들을 사전에 설정된 단일의 가비지 값으로 대체할 수 있다.

다른 예를 들어, 3D 점군 전처리 모듈(225-2)은 라이다로부터의 거리 값이 산출된 식별 가능 거리 값 이상인 객체 후보를 구성하는 점들을 3D 점군 데이터로부터 단순 제거할 수 있다.

또한, 3D 점군 전처리 모듈(225-2)은 각각의 객체 후보에 대하여 추정된 클래스를 기초로, 인공지능(AI) 기계 학습과 무관한 것으로 사전에 설정된 클래스의 유형으로 추정된 객체 후보를 구성하는 점들을 3D 점군 데이터로부터 변경 또는 제거할 점들로 식별할 수도 있다.

본 발명의 다른 실시예에 따르면, 3D 점군 전처리 모듈(225-2)은 3D 점군 데이터들에 포함된 동일한 객체들을 일괄적으로 처리함으로써, 각각의 3D 점군 데이터의 용량을 감축시키는 전처리를 수행할 수 있다. 이 경우, 3D 점군 데이터들은 차량에 고정 설치된 라이다를 통해 시계열적으로 연속하여 획득된 3D 점군 데이터가 될 수 있다.

구체적으로, 3D 점군 전처리 모듈(225-2)은 3D 점군 데이터들에 포함된 객체 후보들의 클래스를 추정할 수 있다. 이를 위하여, 3D 점군 전처리 모듈(225-2)은 각각의 3D 점군 데이터에 포함된 점들 중에서 사전에 설정된 임계 범위 내에서 군집을 형성하고 있는 점들을 추출하여 객체 후보들로 식별할 수 있다. 이 경우, 3D 점군 전처리 모듈(225-2)은 3D 점군 데이터들과 함께 수신된 2D 이미지 내에서 객체 후보에 대응하는 영역의 RGB 값을 기초로, 식별된 객체 후보들에 대한 검증을 수행할 수 있다.

3D 점군 전처리 모듈(225-2)은 객체 후보가 3D 점군 데이터 내에서 차지하는 X축 상의 폭, Y축 상의 높이 및 Z축 상의 깊이와, 사전에 설정된 클래스별 크기 범위를 대비하여, 식별된 객체 후보들 각각에 대한 클래스를 추정할 수 있다.

3D 점군 전처리 모듈(225-2)은 추정된 클래스의 유형이 동일한 객체 후보들에 대한 3D 점군 데이터 내에서의 품질을 서로 비교하여, 클래스의 유형이 동일한 객체 후보들 중에서 하나의 기준 객체 후보를 선택할 수 있다.

예를 들어, 3D 점군 전처리 모듈(225-2)은 클래스의 유형이 동일한 객체 후보들 중에서 차량에 고정 설치된 라이다로부터의 거리가 최소인 점(point)을 포함하는 개체 후보를 기준 객체 후보로 선택할 수 있다.

다른 예를 들어, 3D 점군 전처리 모듈(225-2)은 클래스의 유형이 동일한 객체 후보들 중에서 객체 후보를 구성하는 점들의 개수가 가장 많은 객체 후보를 기준 객체 후보로 선택할 수도 있다.

기준 객체 후보를 선택하기에 앞서, 3D 점군 전처리 모듈(225-2)은 클래스의 유형이 동일한 객체 후보들의 크기(dimension)를 서로 대조하여, 클래스의 유형이 이질적인 객체 후보를 필터링할 수도 있다.

그리고, 3D 점군 전처리 모듈(225-2)은 클래스의 유형이 동일한 객체 후보들을 각각 구성하는 점들 중에서 기준 객체 후보를 구성하지 않는 점들을 3D 점군 데이터들로부터 제거할 수 있다.

다음 구성으로, 로컬 능력 대응 모듈(225-3)은 로컬 컴퓨팅 장치에 해당하는 어노테이션 장치(300)의 능력에 대응하여, 각각의 어노테이션 장치(300)에 배포할 2D 이미지들 및 3D 점군 데이터들에 대하여 전처리를 수행할 수 있다.

구체적으로, 로컬 능력 대응 모듈(225-3)은 복수 어노테이션 장치(300)들의 능력을 평가할 수 있다. 여기서, 어노테이션 장치(300)는 차량의 자율주행에 사용될 수 있는 인공지능(AI)을 기계 학습시키기 위한 2D 이미지들 및 3D 점군 데이터들에 대하여 어노테이션 작업을 수행할 로컬 컴퓨팅 장치이다. 그리고, 로컬 능력 대응 모듈(225-3)은 평가된 어노테이션 장치(300)의 능력에 대응하여, 2D 이미지들 또는 3D 점군 데이터들을 재압축하여 각각의 용량을 감축시킬 수 있다.

본 발명의 일 실시예에 따르면, 로컬 능력 대응 모듈(225-3)은 복수의 어노테이션 장치(300)들 각각에 대한 하드웨어 정보를 수집할 수 있다. 로컬 능력 대응 모듈(225-3)은 수집된 하드웨어 정보를 기초로 복수의 어노테이션 장치(300) 각각에 대한 연산 능력을 산출할 수 있다. 그리고, 로컬 능력 대응 모듈(225-3)은 산출된 연산 능력에 대응하여, 각각의 어노테이션 장치(300)에 전송할 2D 이미지들 또는 3D 점군 데이터들의 재압축 품질을 결정할 수 있다.

로컬 능력 대응 모듈(225-3)은 사전에 설정된 권장 연산 능력보다 낮은 연산 능력이 산출된 어노테이션 장치에 대하여 3D 점군 데이터를 전송하지 아니하고, 오직 2D 이미지들만 전송하도록 결정할 수도 있다.

본 발명의 다른 실시예에 따르면, 로컬 능력 대응 모듈(225-3)은 복수의 어노테이션 장치(300) 각각에 대하여 ICMP(Internet Control Message Protocol)의 신호를 전송한 후 응답까지 소요된 시간을 산출할 수 있다. 로컬 능력 대응 모듈(225-3)은 응답까지 소요된 시간에 대응하여 각각의 어노테이션 장치(300)에 전송할 2D 이미지들 또는 3D 점군 데이터들의 재압축 품질을 결정할 수 있다.

로컬 능력 대응 모듈(225-3)은 어노테이션 장치(300)에 대하여 ICMP의 PING 신호를 전송하여 식별된 홉(hop)의 개수가 사전에 설정된 임계 개수 이상인 어노테이션 장치(300)에 대하여, 2D 이미지들 및 3D 점군 데이터들의 전송 대상에서 배제시키도록 결정할 수도 있다.

본 발명의 또 다른 실시예에 따르면, 로컬 능력 대응 모듈(225-3)은 복수의 어노테이션 장치(300)가 접속된 각 ISP(Internet Service Provider)의 대역폭(bandwidth) 정보를 수집할 수 있다. 로컬 능력 대응 모듈(225-3)은 수집된 대역폭 정보에 대응하여 각각의 어노테이션 장치(300)에 전송할 2D 이미지들 또는 3D 점군 데이터들의 재압축 품질을 결정할 수도 있다.

다음 구성으로, 배포 및 수집 모듈(225-4)은 2D 이미지 전처리 모듈(225-1), 3D 점군 전처리 모듈(225-2) 또는 로컬 능력 대응 모듈(225-3)에 의해 전처리된 2D 이미지들 및 3D 점군 데이터들을 복수의 어노테이션 장치(300)에 배포 전송할 수 있다.

그 후, 배포 및 수집 모듈(225-4)은 복수의 어노테이션 장치(300) 각각으로부터 어노테이션 작업 결과물을 수신할 수 있다.

특징적으로, 배포 및 수집 모듈(225-4)은 복수의 어노테이션 장치(300)로부터 어노테이션 작업 결과물을 수신하지 아니하고, 어노테이션 장치(300)를 구성하고 있는 입출력장치의 제어 데이터를 수신할 수도 있다. 여기서, 입출력장치의 제어 데이터는 어노테이션 장치(300)가 2D 이미지 또는 3D 점군 데이터에 대하여 어노테이션 작업을 수행하는 과정에서 사용자가 입출력장치를 제어하기 위하여 입력한 하나 이상의 신호를 시계열적으로 저장한 데이터가 될 수 있다.

다음 구성으로, 결과물 재작성 모듈(225-5)은 어노테이션 장치(300)로부터 어노테이션 작업 결과물을 수신하지 아니하고, 입출력장치의 제어 데이터를 수신한 경우, 수신된 입출력장치의 제어 데이터를 기초로 2D 이미지들 및 3D 점군 데이터에 대한 어노테이션 작업을 수행할 수 있다.

구체적으로, 결과물 재작성 모듈(225-5)은 입출력장치의 제어 데이터를 생성한 어노테이션 장치(300)의 하드웨어 정보에 대응하여 가상 머신(virtual machine)을 생성할 수 있다. 결과물 재작성 모듈(225-5)은 생성된 가상 머신 상에서 수신된 제어 데이터에 포함된 하나 이상의 신호를 생성 순서에 따라 처리하여 어노테이션 작업을 수행할 수 있다.

예를 들어, 어노테이션 장치(300)가 이벤트-주도 아키텍처에 따른 운영체제에 의해 구동되는 경우, 입출력장치의 제어 데이터에 포함된 하나 이상의 신호는 어노테이션 장치(200)의 입출력장치의 제어에 대응하여 운영체제에 의해 생성된 이벤트 메시지가 될 수 있다. 그리고, 어노테이션 장치(300)는 운영체제에 의해 생성된 이벤트 메시지가 선입선출 구조로 저장된 시스템 큐를 복제하여 입출력장치의 제어 데이터를 생성할 수도 있다.

이 경우, 결과물 재작성 모듈(225-5)은 수신된 입출력장치의 제어 데이터로부터 이벤트 메시지를 하나씩 순서대로 꺼내어(dequeue) 메시지 처리 루프를 통해 처리함으로써, 어노테이션 작업을 수행할 수 있다.

다음 구성으로, 동일 객체 후처리 모듈(225-6)은 기준 객체 후보에 대하여 처리된 어노테이션 작업 결과를, 동일한 객체 후보들을 포함하고 있었던 3D 점군 데이터에 대한 어노테이션 작업 결과물에 일괄적으로 반영할 수 있다.

구체적으로, 클래스의 유형이 동일한 객체 후보들을 포함하고 있었던 3D 점군 데이터들에 대한 어노테이션 작업 결과물들 중에서, 오직 기준 객체 후보가 포함된 3D 점군 데이터를 수신한 어노테이션 장치(300)만이 동일한 객체 후보에 대한 어노테이션 작업을 수행하였을 것이다. 따라서, 동일 객체 후처리 모듈(225-6)은 클래스의 유형이 동일한 객체 후보들을 포함하고 있었던 3D 점군 데이터들에 대한 어노테이션 작업 결과물에 대하여, 기준 객체 후보에 대한 어노테이션 작업 결과를 일괄적으로 포함시킬 수 있다.

그리고, 동일 객체 후처리 모듈(225-6)은 기준 객체 후보에 대한 어노테이션 작업 결과가 일괄적으로 반영된 객체들에 대하여, 동일한 트래킹 아이디(tracking identifier)를 부여할 수 있다. 여기서, 트래킹 아이디는 3D 점군 데이터로부터 동일한 객체를 추적할 수 있도록 부여된 객체의 고유한 식별자가 될 수 있다.

이하, 상술한 바와 같은 학습 데이터 생성 장치(200)의 논리적 구성요소를 구현하기 위한 하드웨어에 대하여 보다 구체적으로 설명한다.

도 5는 본 발명의 일 실시예에 따른 학습 데이터 생성 장치의 하드웨어 구성도이다.

도 5에 도시된 바와 같이, 학습 데이터 생성 장치(200)는 프로세서(Processor, 250), 메모리(Memory, 255), 송수신기(Transceiver, 260), 입출력장치(Input/output device, 265), 데이터 버스(Bus, 270) 및 스토리지(Storage, 275)를 포함하여 구성될 수 있다.

프로세서(250)는 메모리(255)에 상주된 본 발명의 실시예들에 따른 방법이 구현된 소프트웨어(280a)에 따른 명령어를 기초로, 학습 데이터 생성 장치(200)의 동작 및 기능을 구현할 수 있다. 메모리(255)에는 본 발명의 실시예들에 따른 방법이 구현된 소프트웨어(280a)가 상주(loading)될 수 있다. 송수신기(260)는 학습 데이터 수집 장치(100), 어노테이션 장치(300) 및 인공지능 학습 장치(400)와 데이터를 송수신할 수 있다. 입출력장치(265)는 학습 데이터 생성 장치(200)의 동작에 필요한 데이터를 입력 받고, 수집 및 전처리된 2D 이미지들, 3D 점군 데이터들, 어노테이션 작업 결과물을 출력할 수 있다. 데이터 버스(270)는 프로세서(250), 메모리(255), 송수신기(260), 입출력장치(265) 및 스토리지(275)와 연결되어, 각각의 구성 요소 사이가 서로 데이터를 전달하기 위한 이동 통로의 역할을 수행할 수 있다.

스토리지(275)는 본 발명의 실시예들에 따른 방법이 구현된 소프트웨어(280a)의 실행을 위해 필요한 애플리케이션 프로그래밍 인터페이스(Application Programming Interface, API), 라이브러리(library) 파일, 리소스(resource) 파일 등을 저장할 수 있다. 스토리지(275)는 본 발명의 실시예들에 따른 방법이 구현된 소프트웨어(280b)를 저장할 수 있다. 또한, 스토리지(275)는 본 발명의 실시예들에 따른 방법의 수행에 필요한 정보들을 저장할 수 있다.

본 발명의 일 실시예에 따르면, 메모리(255)에 상주되거나 또는 스토리지(275)에 저장된, 어노테이션 분산 처리 방법을 구현하기 위한 소프트웨어(280a, 280b)는 프로세서(250)가 차량의 자율주행에 사용될 수 있는 인공지능(AI)을 기계 학습시키기 위한 2D 이미지들 및 3D 점군 데이터들에 대하여 어노테이션 작업을 수행할 복수의 어노테이션 장치의 능력을 평가하는 단계, 프로세서(250)가 송수신기(260)를 통해 상기 복수의 어노테이션 장치에 상기 2D 이미지들 및 3D 점군 데이터들을 배포한 후, 상기 복수의 어노테이션 장치 각각으로부터 입출력장치의 제어 데이터를 수신하는 단계, 및 프로세서(250)가 상기 수신된 입출력장치의 제어 데이터를 기초로, 상기 2D 이미지들 및 3D 점군 데이터들에 대한 어노테이션 작업을 수행하는 단계를 실행시키기 위하여 기록매체에 기록된 컴퓨터 프로그램이 될 수 있다.

본 발명의 다른 실시예에 따르면, 메모리(255)에 상주되거나 또는 스토리지(275)에 저장된, 어노테이션을 위한 이미지의 데이터 로드를 감축시키는 방법을 구현하기 위한 소프트웨어(280a, 280b)는 프로세서(250)가 차량의 자율주행에 사용될 수 있는 인공지능(AI)을 기계 학습시키기 위하여 차량에 고정 설치된 카메라를 통해 촬영된 2D 이미지들을 상기 송수신기를 통해 수신하는 단계, 프로세서(250)가 상기 2D 이미지들을 재압축하여 용량을 감축시키는 단계, 및 프로세서(250)가 상기 용량이 감축된 2D 이미지들을 상기 송수신기(260)를 통해 복수의 어노테이션 장치에 배포하는 단계를 실행시키기 위하여 기록매체에 기록된 컴퓨터 프로그램이 될 수 있다.

본 발명의 다른 실시예에 따르면, 메모리(255)에 상주되거나 또는 스토리지(275)에 저장된, 3D 점군 데이터 전처리 방법을 구현하기 위한 소프트웨어(280a, 280b)는 프로세서(250)가 차량의 자율주행에 사용될 수 있는 인공지능(AI)을 기계 학습시키기 위하여 차량에 고정 설치된 라이다를 통해 획득된 3D 점군 데이터들을 상기 송수신기를 통해 수신하는 단계, 프로세서(250)가 상기 3D 점군 데이터들에 포함된 점들(points)의 거리 값을 기초로, 각각의 3D 점군 데이터의 용량을 감축시키는 단계, 및 프로세서(250)가 상기 용량이 감축된 3D 점군 데이터들을 송수신기(260)를 통해 복수의 어노테이션 장치에 배포하는 단계를 실행시키기 위하여 기록매체에 기록된 컴퓨터 프로그램이 될 수 있다.

본 발명의 또 다른 실시예에 따르면, 메모리(255)에 상주되거나 또는 스토리지(275)에 저장된, 3D 점군 데이터 일괄 처리 방법을 구현하기 위한 소프트웨어(280a, 280b)는 프로세서(250)가 차량의 자율주행에 사용될 수 있는 인공지능(AI)을 기계 학습시키기 위하여 차량에 고정 설치된 라이다를 통해 획득된 3D 점군 데이터들을 상기 송수신기(260)를 통해 수신하는 단계, 프로세서(250)가 상기 3D 점군 데이터들에 포함된 객체 후보들의 클래스를 추정하는 단계, 프로세서(250)가 상기 클래스의 유형이 동일한 객체 후보들에 대한 상기 3D 점군 데이터들 내에서의 품질을 서로 대비하여, 상기 클래스의 유형이 동일한 객체 후보들 중에서 하나의 기준 객체 후보를 선택하는 단계, 및 상기 프로세서(250)가 상기 선택된 기준 객체 후보를 기초로 상기 3D 점군 데이터에 포함된 점들의 일부를 제거한 이후, 상기 송수신기를 통해 복수의 어노테이션 장치들에 배포하는 단계를 실행시키기 위하여 기록매체에 기록된 컴퓨터 프로그램이 될 수 있다.

보다 구체적으로, 프로세서(250)는 ASIC(Application-Specific Integrated Circuit), 다른 칩셋(chipset), 논리 회로 및/또는 데이터 처리 장치를 포함할 수 있다. 메모리(255)는 ROM(Read-Only Memory), RAM(Random Access Memory), 플래쉬 메모리, 메모리 카드, 저장 매체 및/또는 다른 저장 장치를 포함할 수 있다. 송수신기(260)는 유무선 신호를 처리하기 위한 베이스밴드 회로를 포함할 수 있다. 입출력장치(265)는 키보드(keyboard), 마우스(mouse), 및/또는 조이스틱(joystick) 등과 같은 입력 장치 및 액정표시장치(Liquid Crystal Display, LCD), 유기 발광 다이오드(Organic LED, OLED) 및/또는 능동형 유기 발광 다이오드(Active Matrix OLED, AMOLED) 등과 같은 영상 출력 장치 프린터(printer), 플로터(plotter) 등과 같은 인쇄 장치를 포함할 수 있다.

본 명세서에 포함된 실시 예가 소프트웨어로 구현될 경우, 상술한 방법은 상술한 기능을 수행하는 모듈(과정, 기능 등)로 구현될 수 있다. 모듈은 메모리(255)에 상주되고, 프로세서(250)에 의해 실행될 수 있다. 메모리(255)는 프로세서(250)의 내부 또는 외부에 있을 수 있고, 잘 알려진 다양한 수단으로 프로세서(250)와 연결될 수 있다.

도 5에 도시된 각 구성요소는 다양한 수단, 예를 들어, 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다. 하드웨어에 의한 구현의 경우, 본 발명의 일 실시예는 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 프로세서, 콘트롤러, 마이크로 콘트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.

또한, 펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 일 실시예는 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차, 함수 등의 형태로 구현되어, 다양한 컴퓨터 수단을 통하여 판독 가능한 기록매체에 기록될 수 있다. 여기서, 기록매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(Magnetic Media), CD-ROM(Compact Disk Read Only Memory), DVD(Digital Video Disk)와 같은 광 기록 매체(Optical Media), 플롭티컬 디스크(Floptical Disk)와 같은 자기-광 매체(Magneto-Optical Media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함한다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함할 수 있다. 이러한, 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이하, 상술한 바와 같은 본 발명의 다양한 실시예에 따른 인공지능 학습 시스템의 특징들에 대하여, 도면을 참조하여 구체적으로 설명하기로 한다.

도 6 및 도 7은 본 발명의 몇몇 실시예에 따라 복수 개의 영역으로 구획된 2D 이미지를 설명하기 위한 예시도이다. 그리고, 도 8 및 도 9는 본 발명의 몇몇 실시예에 따라 용량이 감축된 2D 이미지를 설명하기 위한 예시도이다.

본 발명의 일 실시예에 따른 학습 데이터 생성 장치(200)는 어노테이션 장치(300)를 이용한 데이터 가공(즉, 어노테이션 작업)에 앞서, 2D 이미지들의 용량을 감축시키는 전처리를 수행할 수 있다.

구체적으로, 학습 데이터 생성 장치(200)는 2D 이미지들을 대상으로, 각각의 2D 이미지를 복수 개의 영역으로 구획할 수 있다.

도 6에 도시된 바와 같이, 본 발명의 일 실시예에 따른 학습 데이터 생성 장치(200)는 2D 이미지에 대하여 엣지(edge)를 추출하고, 엣지가 추출된 2D 이미지를 이진화한 후, 2D 이미지 내에서 엣지에 의해 폐쇄된 영역들을 기준으로 2D 이미지 내에서 복수 개의 영역을 구획할 수 있다.

도 7에 도시된 바와 같이, 본 발명의 다른 실시예에 따른 학습 데이터 생성 장치(200)는 단순히 사전에 설정된 그리드(grid) 크기를 기준으로 각각의 2D 이미지를 격자화함으로써, 2D 이미지 내에서 복수 개의 영역을 구획할 수도 있다.

다음으로, 학습 데이터 생성 장치(200)는 구획된 복수 개의 영역 각각에 대하여, 영역 내에 객체(object)가 존재할 확률을 산출할 수 있다. 예를 들어, 학습 데이터 생성 장치(200)는 2D 이미지들과 함께 수신된 3D 점군 데이터 내에서 2D 이미지로부터 구획된 복수 개의 영역에 대응하는 영역에 포함된 점들의 거리 값들 중에서 최소 값과 사전에 설정된 식별 가능 거리 값의 차이를 기초로, 영역 내에 객체가 존재할 확률을 산출할 수 있다. 이 경우, 3D 점군 데이터는 2D 이미지가 차량에 고정 설치된 카메라에 의해 촬영된 시점과 동일한 시점에, 동일한 차량에 고정 설치된 라이다에 의해 획득된 데이터가 될 것이다.

다음으로, 학습 데이터 생성 장치(200)는 산출된 확률이 사전에 설정된 임계 값 이상인 영역들을 중심으로, 각각의 2D 이미지들을 재압축할 수 있다.

도 8에 도시된 바와 같이, 본 발명의 일 실시예에 따른 학습 데이터 생성 장치(200)는 2D 이미지 내의 구획된 영역들 중에서, 산출된 확률이 임계 값 이하인 영역의 데이터 값을 사전에 설정된 단일의 가비지(garbage) 값으로 대체할 수 있다.

도 9에 도시된 바와 같이, 본 발명의 다른 실시예에 따른 학습 데이터 생성 장치(200)는 2D 이미지 내의 구획된 영역들 중에서, 산출된 확률이 임계 값 이하인 영역의 이미지 압축률을, 산출된 확률이 임계 값 이상인 영역의 이미지 압축률보다 높게 설정하여 재압축을 수행할 수 있다.

또한, 본 발명의 또 다른 실시예에 따른 학습 데이터 생성 장치(200)는 2D 이미지 내의 구획된 영역들 중에서, 산출된 확률이 임계 값 이하인 영역의 해상도(resolution)를, 산출된 확률이 임계 값 이상인 영역의 해상도보다 낮게 설정하여 재압축을 수행할 수도 있다.

따라서, 본 발명의 실시예들에 따른 학습 데이터 생성 장치(200)는 2D 이미지들 내에서 객체가 존재할 확률이 상대적으로 낮은 영역들을 전처리하여 그 용량을 감축함으로써, 어노테이션 작업 결과에 대한 영향을 최소화하며, 동시에 로컬 컴퓨팅 장치와 데이터를 송수신하는 네트워크 회선의 대역폭과 응답 속도에 따른 영향을 낮출 수 있다.

도 10은 본 발명의 일 실시예에 따라 식별된 객체 후보들을 설명하기 위한 예시도이다. 도 11은 본 발명의 일 실시예에 따라 객체 후보의 클래스를 추정하는 과정을 설명하기 위한 예시도이다. 그리고, 도 12는 본 발명의 일 실시예에 따라 용량이 감축된 3D 점군 데이터를 설명하기 위한 예시도이다.

본 발명의 일 실시예에 따른 학습 데이터 생성 장치(200)는 어노테이션 장치(300)를 이용한 데이터 가공(즉, 어노테이션 작업)에 앞서, 3D 점군 데이터들의 용량을 감축시키는 전처리를 수행할 수 있다.

구체적으로, 도 10에 도시된 바와 같이, 학습 데이터 생성 장치(200)는 각각의 3D 점군 데이터에 포함된 점들 중에서 사전에 설정된 임계 범위 내에서 군집(crowd)을 형성하고 있는 점들을 추출하여 객체 후보(object candidate)들로 식별할 수 있다. 이 경우, 학습 데이터 생성 장치(200)는 3D 점군 데이터들과 함께 수신된 2D 이미지 내에서 객체 후보에 대응하는 영역의 RGB 값을 기초로, 식별된 객체 후보들에 대한 검증을 수행할 수 있다.

도 11에 도시된 바와 같이, 학습 데이터 생성 장치(200)는 식별된 객체 후보들 각각에 대하여, 3D 점군 데이터 내에서 차지하는 X축 상의 폭(w), Y축 상의 높이(h) 및 Z축 상의 깊이(d)와, 사전에 설정된 클래스별 크기(dimension) 범위를 대비하여, 객체 후보들 각각에 대한 클래스를 추정할 수 있다.

학습 데이터 생성 장치(200)는 각각의 객체 후보에 대하여 추정된 클래스와, 클래스의 유형별로 사전에 설정된 식별 가능 거리 값들을 기초로, 객체 후보들 각각에 대한 식별 가능 거리 값을 산출할 수 있다.

도 12에 도시된 바와 같이, 학습 데이터 생성 장치(200)는 차량(10)에 고정 설치된 라이다로부터의 거리 값이 식별 가능 거리 값 이상인 객체 후보들을 대상으로, 객체 후보를 구성하는 점들을 사전에 설정된 가비지 값으로 대체하거나, 또는 3D 점군 데이터로부터 제거할 수 있다.

따라서, 본 발명의 실시예들에 따른 학습 데이터 생성 장치(200)는 3D 점군 데이터들 내에서 객체를 식별하지 못할 정도로 품질이 낮은 점군들을 전처리하여 그 용량을 감축함으로써, 어노테이션 작업 결과에 대한 영향을 최소화하며, 동시에 로컬 컴퓨팅 장치와 데이터를 송수신하는 네트워크 회선의 대역폭과 응답 속도에 따른 영향을 낮출 수 있다.

도 13은 본 발명의 일 실시예에 따라 기준 객체 후보를 선택하는 과정을 설명하기 위한 예시도이다. 그리고, 도 14는 본 발명의 일 실시예에 따라 기준 객체 후보에 대한 작업 결과를 일괄 적용하는 과정을 설명하기 위한 예시도이다.

본 발명의 일 실시예에 따른 학습 데이터 생성 장치(200)는 3D 점군 데이터들에 포함된 동일한 객체들을 일괄적으로 처리함으로써, 각각의 3D 점군 데이터의 용량을 감축시키는 전처리를 수행할 수 있다. 이 경우, 3D 점군 데이터들은 차량에 고정 설치된 라이다를 통해 시계열적으로 연속하여 획득된 3D 점군 데이터가 될 수 있다.

구체적으로, 도 13에 도시된 바와 같이, 학습 데이터 생성 장치(200)는 3D 점군 데이터들에 포함된 객체 후보들의 클래스를 추정할 수 있다. 이를 위하여, 학습 데이터 생성 장치(200)는 각각의 3D 점군 데이터에 포함된 점들 중에서 사전에 설정된 임계 범위 내에서 군집을 형성하고 있는 점들을 추출하여 객체 후보들로 식별할 수 있다. 학습 데이터 생성 장치(200)는 객체 후보가 3D 점군 데이터 내에서 차지하는 X축 상의 폭, Y축 상의 높이 및 Z축 상의 깊이와, 사전에 설정된 클래스별 크기 범위를 대비하여, 식별된 객체 후보들 각각에 대한 클래스를 추정할 수 있다.

학습 데이터 생성 장치(200)는 추정된 클래스의 유형이 동일한 객체 후보들에 대한 3D 점군 데이터 내에서의 품질을 서로 비교하여, 클래스의 유형이 동일한 객체 후보들 중에서 하나의 기준 객체 후보를 선택할 수 있다. 기준 객체 후보를 선택하기에 앞서, 학습 데이터 생성 장치(200)는 클래스의 유형이 동일한 객체 후보들의 크기(dimension)를 서로 대조하여, 클래스의 유형이 이질적인 객체 후보를 필터링할 수도 있다.

예를 들어, 학습 데이터 생성 장치(200)는 클래스의 유형이 동일한 객체 후보들 중에서 차량에 고정 설치된 라이다로부터의 거리가 최소인 점(point)을 포함하는 개체 후보를 기준 객체 후보로 선택할 수 있다.

다른 예를 들어, 학습 데이터 생성 장치(200)는 클래스의 유형이 동일한 객체 후보들 중에서 객체 후보를 구성하는 점들의 개수가 가장 많은 객체 후보를 기준 객체 후보로 선택할 수도 있다.

그리고, 학습 데이터 생성 장치(200)는 클래스의 유형이 동일한 객체 후보들을 각각 구성하는 점들 중에서 기준 객체 후보를 구성하지 않는 점들을 3D 점군 데이터들로부터 제거할 수 있다.

도 14에 도시된 바와 같이, 복수의 어노테이션 장치(300)들로부터 어노테이션 작업 결과물을 수신 이후, 학습 데이터 생성 장치(200)는 클래스의 유형이 동일한 객체 후보들을 포함하고 있었던 3D 점군 데이터들에 대한 어노테이션 작업 결과물에 대하여, 기준 객체 후보에 대한 어노테이션 작업 결과를 일괄적으로 포함시킬 수 있다.

그리고, 학습 데이터 생성 장치(200)는 기준 객체 후보에 대한 어노테이션 작업 결과가 일괄적으로 반영된 객체들에 대하여, 동일한 트래킹 아이디를 부여할 수 있다.

따라서, 본 발명의 실시예들에 따른 학습 데이터 생성 장치(200)는 3D 점군 데이터들 내의 동일한 객체에 대한 점군들 중에서 상대적으로 최고 품질을 가지는 하나의 객체만을 선택하여 데이터 가공을 수행한 이후 나머지 3D 점군 데이터들에 일괄 적용함으로써, 어노테이션 작업 대상이 되는 3D 점군 데이터들의 용량을 감소시킴과 동시에 어노테이션 작업 결과물의 품질을 향상시킬 수 있다.

도 15는 본 발명의 일 실시예에 따라 로컬 장치의 능력을 평가하는 과정을 설명하기 위한 예시도이다. 그리고, 도 16은 본 발명의 일 실시예에 따라 어노테이션 작업 결과물을 재작성하는 과정을 설명하기 위한 예시도이다.

본 발명의 일 실시예에 따른 학습 데이터 생성 장치(200)는 로컬 컴퓨팅 장치에 해당하는 어노테이션 장치(300)의 능력에 대응하여, 각각의 어노테이션 장치(300)에 배포할 2D 이미지들 및 3D 점군 데이터들에 대하여 전처리를 수행할 수 있다.

도 15에 도시된 바와 같이, 학습 데이터 생성 장치(200)는 복수 어노테이션 장치(300)들의 능력을 평가할 수 있다. 구체적으로, 학습 데이터 생성 장치(200)는 복수의 어노테이션 장치(300)들 각각에 대한 하드웨어 정보를 수집할 수 있다. 학습 데이터 생성 장치(200)는 수집된 하드웨어 정보를 기초로, 복수의 어노테이션 장치(300) 각각에 대한 연산 능력을 산출할 수 있다.

학습 데이터 생성 장치(200)는 복수의 어노테이션 장치(300) 각각에 대하여 ICMP의 신호를 전송한 후 응답까지 소요된 시간을 산출할 수 있다. 학습 데이터 생성 장치(200)는 복수의 어노테이션 장치(300)가 접속된 각 ISP의 대역폭 정보를 수집할 수 있다. 학습 데이터 생성 장치(200)는 산출된 ICMP의 신호를 전송한 후 응답까지 소요된 시간과 ISP의 대역폭 정보를 기초로, 복수의 어노테이션 장치(300) 각각에 대한 네트워킹 능력을 산출할 수 있다.

그리고, 학습 데이터 생성 장치(200)는 평가된 어노테이션 장치(300)의 연산 능력 및 네트워킹 능력에 대응하여, 2D 이미지들 또는 3D 점군 데이터들을 재압축하여 각각의 용량을 감축시킬 수 있다.

한편, 도 16에 도시된 바와 같이, 학습 데이터 생성 장치(200)는 어노테이션 장치(300)로부터 어노테이션 작업 결과물을 수신하지 아니하고, 입출력장치의 제어 데이터를 수신할 수 있다.

이 경우, 학습 데이터 생성 장치(200)는 입출력장치의 제어 데이터를 생성한 어노테이션 장치(300)의 하드웨어 정보에 대응하여 가상 머신을 생성할 수 있다. 그리고, 학습 데이터 생성 장치(200)는 생성된 가상 머신 상에서 수신된 제어 데이터에 포함된 하나 이상의 신호를 생성 순서에 따라 처리하여 어노테이션 작업을 수행할 수 있다.

그리고, 학습 데이터 생성 장치(200)는 수신된 입출력장치의 제어 데이터로부터 이벤트 메시지를 하나씩 순서대로 꺼내어 메시지 처리 루프를 통해 처리함으로써, 어노테이션 작업을 수행할 수 있다.

이하, 상술한 바와 같은 본 발명의 다양한 실시예에 따른 학습 데이터 생성 장치(200)의 동작에 대하여, 도면을 참조하여 구체적으로 설명하기로 한다.

도 17은 본 발명의 일 실시예에 따른 학습 데이터 생성 방법을 설명하기 위한 순서도이다.

도 17을 참조하면, 본 발명의 일 실시예에 따른 학습 데이터 생성 장치(200)는 차량의 자율주행에 사용될 수 있는 인공지능(AI)을 기계 학습시키기 위한 데이터 구조를 설계할 수 있다(S100). 예를 들어, 학습 데이터 생성 장치(200)는 인공지능(AI) 학습을 위한 온톨로지(ontology), 인공지능(AI) 학습을 위한 데이터의 분류 체계를 정의할 수 있다.

학습 데이터 생성 장치(200)는 설계된 데이터 구조를 기초로, 학습 데이터 수집 장치(100)로부터 2D 이미지들 및 3D 점군 데이터들을 수신할 수 있다(S200). 그러나, 이에 한정되지 아니하고, 학습 데이터 생성 장치(200)는 웹 크롤링을 수행하여 2D 이미지를 수집하거나, 또는 2D 이미지 및 3D 점군 데이터를 보유하고 있는 외부 기관의 장치로부터 데이터를 다운로드할 수도 있다.

학습 데이터 생성 장치(200)는 수신된 2D 이미지들 및 3D 점군 데이터들 중에서 중복되거나 또는 극히 유사한 이미지를 제거하고, 2D 이미지들 및 3D 점군 데이터들에 포함된 개인정보를 비식별화하여 데이터 정제를 수행할 수 있다(S300).

학습 데이터 생성 장치(200)는 수집 및 정제된 데이터를 어노테이션 장치(300)에 배포하여 데이터를 가공할 수 있다(S400). 이와 같은, 데이터 가공 단계에 대해서는 도 18을 참조하여 후술하기로 한다.

학습 데이터 생성 장치(200)는 가공된 데이터를 패키징하여, 차량의 자율주행에 사용될 수 있는 인공지능(AI)의 기계 학습에 사용될 수 있는 데이터를 생성할 수 있다(S500).

그리고, 학습 데이터 생성 장치(200)는 생성된 인공지능(AI) 학습용 데이터를 인공지능 학습 장치(400)에 전송할 수 있다(S600).

도 18은 본 발명의 일 실시예에 따른 데이터 가공 방법을 설명하기 위한 순서도이다.

도 18을 참조하면, 본 발명의 일 실시예에 따른 학습 데이터 생성 장치(200)는 2D 이미지들 및 3D 점군 데이터들을 대상으로, 그 용량을 감축시키기 위한 전처리를 수행할 수 있다(S410).

구체적으로, 학습 데이터 생성 장치(200)는 각각의 2D 이미지를 복수 개의 영역으로 구획하고, 구획된 복수 개의 영역 각각에 대하여 영역 내에 객체가 존재할 확률을 산출하고, 산출된 확률이 사전에 설정된 임계 값 이상인 영역들을 중심으로 각각의 2D 이미지들을 재압축할 수 있다.

학습 데이터 생성 장치(200)는 각각의 3D 점군 데이터에 포함된 점들 중에서 사전에 설정된 임계 범위 내에서 군집을 형성하고 있는 점들을 추출하여 객체 후보들로 식별하고, 식별된 객체 후보들을 구성하는 점들의 거리 값 또는 식별된 객체 후보들의 크기 값을 기초로, 3D 점군 데이터에 포함된 점들의 일부를 변경 또는 제거할 수 있다.

또한, 학습 데이터 생성 장치(200)는 각각의 3D 점군 데이터들에 포함된 객체 후보들의 클래스를 추정하고, 추정된 클래스의 유형이 동일한 객체 후보들에 대한 3D 점군 데이터 내에서의 품질을 서로 비교하여 클래스의 유형이 동일한 객체 후보들 중에서 하나의 기준 객체 후보를 선택하고, 클래스의 유형이 동일한 객체 후보들을 각각 구성하는 점들 중에서 기준 객체 후보를 구성하지 않는 점들을 3D 점군 데이터들로부터 제거할 수도 있다.

다음으로, 학습 데이터 생성 장치(200)는 로컬 컴퓨팅 장치에 해당하는, 복수 어노테이션 장치(300)들의 능력을 평가할 수 있다(S420).

구체적으로, 학습 데이터 생성 장치(200)는 복수의 어노테이션 장치(300)들 각각에 대한 하드웨어 정보를 수집하고, 이를 기초로 복수의 어노테이션 장치(300) 각각에 대한 연산 능력을 산출할 수 있다.

학습 데이터 생성 장치(200)는 복수의 어노테이션 장치(300) 각각에 대하여 ICMP의 신호를 전송한 후 응답까지 소요된 시간을 산출하고, 복수의 어노테이션 장치(300)가 접속된 각 ISP의 대역폭 정보를 수집하고, 이를 기초로 복수의 어노테이션 장치(300) 각각에 대한 네트워킹 능력을 산출할 수 있다.

다음으로, 학습 데이터 생성 장치(200)는 전처리된 2D 이미지들 및 3D 점군 데이터들을 복수의 어노테이션 장치(300)에 배포 전송할 수 있다(S430).

그 후, 학습 데이터 생성 장치(200)는 복수의 어노테이션 장치(300) 각각으로부터 어노테이션 작업 결과물을 수신할 수 있다. 특징적으로, 학습 데이터 생성 장치(200)는 복수의 어노테이션 장치(300)로부터 어노테이션 작업 결과물을 수신하지 아니하고, 어노테이션 장치(300)를 구성하고 있는 입출력장치의 제어 데이터를 수신할 수도 있다(S440).

마지막으로, 학습 데이터 생성 장치(200)는 수신된 데이터에 대하여 후처리를 수행하거나, 또는 어노테이션 작업 결과물을 재작성할 수 있다(S450).

구체적으로, 어노테이션 장치(300)로부터 어노테이션 작업 결과물을 수신하지 아니하고 입출력장치의 제어 데이터를 수신한 경우, 학습 데이터 생성 장치(200)는 가상 머신 상에서 제어 데이터에 포함된 하나 이상의 신호를 생성 순서에 따라 처리하여 어노테이션 작업을 수행할 수 있다.

그리고, 학습 데이터 생성 장치(200)는 클래스의 유형이 동일한 객체 후보들을 포함하고 있었던 3D 점군 데이터들에 대한 어노테이션 작업 결과물에 대하여, 기준 객체 후보에 대한 어노테이션 작업 결과를 일괄적으로 포함시킬 수 있다.

이상과 같이, 본 명세서와 도면에는 본 발명의 바람직한 실시예에 대하여 개시하였으나, 여기에 개시된 실시예 외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다. 또한, 본 명세서와 도면에서 특정 용어들이 사용되었으나, 이는 단지 본 발명의 기술 내용을 쉽게 설명하고 발명의 이해를 돕기 위한 일반적인 의미에서 사용된 것이지, 본 발명의 범위를 한정하고자 하는 것은 아니다. 따라서, 상술한 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 선정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

학습 데이터 수집 장치: 100 학습 데이터 생성 장치: 200
어노테이션 장치: 300 인공지능 학습 장치: 400
통신부: 205 입출력부: 210
데이터 구조 설계부: 215 데이터 수집 및 정제부: 220
데이터 가공부: 225 학습 데이터 생성부: 230
2D 이미지 전처리 모듈: 225-1 3D 점군 전처리 모듈: 225-2
로컬 능력 대응 모듈: 225-3 배포 및 수집 모듈: 225-4
결과물 재작성 모듈: 225-5 동일 객체 후처리 모듈: 225-6

Claims

학습 데이터 생성 장치가, 인공지능(Artificial Intelligence, AI)을 기계 학습(machine learning)시키기 위하여 카메라를 통해 촬영된 2D 이미지들을 수신하는 단계;
상기 학습 데이터 생성 장치가, 상기 2D 이미지들을 재압축(recompression)하여 용량을 감축시키는 단계; 및
상기 학습 데이터 생성 장치가, 상기 용량이 감축된 2D 이미지들을 복수의 어노테이션 장치에 배포하는 단계를 포함하며,
상기 용량을 감축시키는 단계는,
각각의 2D 이미지를 복수 개의 영역(sector)으로 구획하는 단계; 및
상기 구획된 복수 개의 영역 각각에 대하여, 영역 내에 객체(object)가 존재할 확률을 산출하는 단계;를 포함하는 것을 특징으로 하고,
상기 산출된 확률이 사전에 설정된 임계 값 이상인 영역들을 중심으로 상기 각각의 2D 이미지들을 재압축하는 단계를 더 포함하는 것을 특징으로 하며,
상기 2D 이미지들을 수신하는 단계는,
차량에 고정 설치된 라이다(lidar)를 통해 획득된 3D 점군(3D points group) 데이터를 더 수신하고,
상기 확률을 산출하는 단계는,
상기 수신된 3D 점군 데이터 내에서 상기 2D 이미지로부터 구획된 복수 개의 영역에 대응하는 영역에 포함된 점들(points)의 거리 값들 중에서 최소 값과 사전에 설정된 식별 가능 거리 값의 차이를 기초로, 상기 확률을 산출하는 것을 특징으로 하며,
상기 학습 데이터 생성 장치가, 상기 2D 이미지들에 대하여, 어노테이션(annotation) 작업을 수행할 복수의 어노테이션 장치의 능력을 평가하는 단계;를 더 포함하고,
상기 재압축하는 단계는,
상기 평가된 능력에 대응하여, 상기 2D 이미지들을 재압축하여 각각의 용량을 감축시키는 것을 특징으로 하며,
상기 능력을 평가하는 단계는,
상기 복수의 어노테이션 장치 각각에 대한 하드웨어 정보를 수집하고, 상기 수집된 하드웨어 정보를 기초로 상기 복수의 어노테이션 장치 각각에 대한 연산 능력을 산출하고, 상기 산출된 연산 능력에 대응하여 각각의 어노테이션 장치에 전송할 상기 2D 이미지들의 재압축 품질을 결정하는 것을 특징으로 하고,
상기 배포하는 단계는,
사전에 설정된 권장 연산 능력보다 낮은 연산 능력이 산출된 어노테이션 장치에 대하여, 상기 3D 점군 데이터를 전송하지 아니하고 상기 2D 이미지만 전송하도록 결정하는 것을 특징으로 하는, 어노테이션을 위한 이미지의 데이터 로드를 감축시키는 방법.
제1 항에 있어서, 상기 복수 개의 영역으로 구획하는 단계는
상기 각각의 2D 이미지에 대하여 엣지(edge)를 추출하고, 상기 엣지가 추출된 2D 이미지들을 이진화(binarization)하고, 상기 이진화된 2D 이미지 내에서 상기 엣지에 의해 폐쇄된 영역(enclosure)들을 기준으로, 상기 복수 개의 영역을 구획하는 것을 특징으로 하는, 어노테이션을 위한 이미지의 데이터 로드를 감축시키는 방법.
제1 항에 있어서, 상기 복수 개의 영역으로 구획하는 단계는
사전에 설정된 그리드(grid) 크기를 기준으로 상기 각각의 2D 이미지를 격자화하여, 상기 복수 개의 영역을 구획하는 것을 특징으로 하는, 어노테이션을 위한 이미지의 데이터 로드를 감축시키는 방법.
제1 항에 있어서, 상기 재압축하는 단계는
2D 이미지 내에서 상기 산출된 확률이 상기 임계 값 이하인 영역의 데이터 값을 사전에 설정된 단일의 가비지(garbage) 값으로 대체하는 것을 특징으로 하는, 어노테이션을 위한 이미지의 데이터 로드를 감축시키는 방법.
제1 항에 있어서, 상기 재압축하는 단계는
2D 이미지 내에서 상기 산출된 확률이 상기 임계 값 이하인 영역의 이미지 압축률(compression rate)을 상기 산출된 확률이 상기 임계 값 이상인 영역의 이미지 압축률보다 높게 설정하여 상기 재압축을 수행하는 것을 특징으로 하는, 어노테이션을 위한 이미지의 데이터 로드를 감축시키는 방법.
제1 항에 있어서, 상기 재압축하는 단계는
2D 이미지 내에서 상기 산출된 확률이 상기 임계 값 이하인 영역의 해상도(resolution)를 상기 산출된 확률이 상기 임계 값 이상인 영역의 해상도보다 낮게 설정하여 상기 재압축을 수행하는 것을 특징으로 하는, 어노테이션을 위한 이미지의 데이터 로드를 감축시키는 방법.
제1 항에 있어서, 상기 재압축하는 단계는
상기 구획된 모든 영역에 대하여 산출된 확률이 상기 임계 값 이하인 2D 이미지를 어노테이션(annotation) 작업 대상에서 배제시키는 것을 특징으로 하는, 어노테이션을 위한 이미지의 데이터 로드를 감축시키는 방법.
메모리(memory);
송수신기(transceiver); 및
상기 메모리에 상주된 명령어를 처리하는 프로세서(processor)를 포함하여 구성된 컴퓨팅 장치와 결합되어,
상기 프로세서가, 인공지능(AI)을 기계 학습시키기 위하여 카메라를 통해 촬영된 2D 이미지들을 상기 송수신기를 통해 수신하는 단계;
상기 프로세서가, 상기 2D 이미지들을 재압축하여 용량을 감축시키는 단계; 및
상기 프로세서가, 상기 용량이 감축된 2D 이미지들을 상기 송수신기를 통해 복수의 어노테이션 장치에 배포하는 단계를 실행시키기 위한 것이며,
상기 용량을 감축시키는 단계는
각각의 2D 이미지를 복수 개의 영역(sector)으로 구획하는 단계; 및
상기 구획된 복수 개의 영역 각각에 대하여, 영역 내에 객체(object)가 존재할 확률을 산출하는 단계;를 포함하여 실행시키되,
상기 산출된 확률이 사전에 설정된 임계 값 이상인 영역들을 중심으로 상기 각각의 2D 이미지들을 재압축하는 단계를 더 포함하는 것을 특징으로 하며,
상기 2D 이미지들을 수신하는 단계는
차량에 고정 설치된 라이다(lidar)를 통해 획득된 3D 점군(3D points group) 데이터를 더 수신하고,
상기 확률을 산출하는 단계는
상기 수신된 3D 점군 데이터 내에서 상기 2D 이미지로부터 구획된 복수 개의 영역에 대응하는 영역에 포함된 점들(points)의 거리 값들 중에서 최소 값과 사전에 설정된 식별 가능 거리 값의 차이를 기초로, 상기 확률을 산출하는 것을 특징으로 하며,
상기 프로세서가, 상기 2D 이미지들 및 3D 점군 데이터들에 대하여, 어노테이션(annotation) 작업을 수행할 복수의 어노테이션 장치의 능력을 평가하는 단계;를 더 포함하고,
상기 재압축하는 단계는
상기 평가된 능력에 대응하여, 상기 2D 이미지들 또는 3D 점군 데이터들을 재압축하여 각각의 용량을 감축시키는 것을 특징으로 하며,
상기 능력을 평가하는 단계는
상기 복수의 어노테이션 장치 각각에 대한 하드웨어 정보를 수집하고, 상기 수집된 하드웨어 정보를 기초로 상기 복수의 어노테이션 장치 각각에 대한 연산 능력을 산출하고, 상기 산출된 연산 능력에 대응하여 각각의 어노테이션 장치에 전송할 상기 2D 이미지들 또는 3D 점군 데이터들의 재압축 품질을 결정하는 것을 특징으로 하고,
상기 배포하는 단계는
사전에 설정된 권장 연산 능력보다 낮은 연산 능력이 산출된 어노테이션 장치에 대하여, 상기 3D 점군 데이터를 전송하지 아니하고 상기 2D 이미지만 전송하도록 결정하는 것을 특징으로 하는, 기록매체에 기록된 컴퓨터 프로그램.
제8 항에 있어서, 상기 재압축하는 단계는
2D 이미지 내에서 상기 산출된 확률이 상기 임계 값 이하인 영역의 이미지 압축률(compression rate)을 상기 산출된 확률이 상기 임계 값 이상인 영역의 이미지 압축률보다 높게 설정하여 상기 재압축을 수행하는 것을 특징으로 하는, 기록매체에 기록된 컴퓨터 프로그램.
제8 항에 있어서, 상기 재압축하는 단계는
2D 이미지 내에서 상기 산출된 확률이 상기 임계 값 이하인 영역의 해상도(resolution)를 상기 산출된 확률이 상기 임계 값 이상인 영역의 해상도보다 낮게 설정하여 상기 재압축을 수행하는 것을 특징으로 하는, 기록매체에 기록된 컴퓨터 프로그램.