KR102454538B1

KR102454538B1 - 인공지능을 이용한 행동 추정 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램

Info

Publication number: KR102454538B1
Application number: KR1020220019298A
Authority: KR
Inventors: 노성운; 오승진
Original assignee: 주식회사 인피닉
Priority date: 2022-02-15
Filing date: 2022-02-15
Publication date: 2022-10-14

Abstract

본 발명은 행동 추정 방법을 제안한다. 상기 방법은 인공지능(Artificial Intelligence, AI) 학습을 위한 어노테이션(annotation) 작업 대상물을 수집하는 단계, 상기 학습 데이터 설계 장치가, 상기 수집한 어노테이션 작업 대상물에서 객체를 식별하여 3D 객체를 생성하는 단계 및 상기 학습 데이터 설계 장치가, 상기 생성된 3D 객체에 대한 2D 이미지의 복수의 키 포인트를 추출하고, 상기 추출된 키 포인트를 사전에 구축된 인체 자세 모형 데이터 셋에 저장된 인체 자세 모형과 비교하여, 상기 저장된 인체 자세 모형 데이터 셋 중 상기 추출된 키 포인트와 매칭되는 인체 자세 모형을 추출하여 상기 3D 객체의 행동을 추정하는 단계를 포함할 수 있다.

Description

인공지능을 이용한 행동 추정 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램{Method for behavior estimation using artificial intelligence, and computer program recorded on record-medium for executing method therefor}

본 발명은 인공지능(Artificial Intelligence, AI) 학습용 데이터 설계에 관한 것이다. 보다 상세하게는, 인공지능(AI) 학습용 데이터를 생성하는 과정에서 인식된 객체를 행동에 따라 분류하고 선택적으로 학습 데이터를 생성하여, 학습 효율을 높이기 위한 인공지능을 이용한 행동 추정 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 메타데이터(meta data)를 입력하고 어노테이션(annotation)을 수행하여 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.

여기서, 데이터 정제는 적게는 몇 천개에서, 많게는 수 백만개에 이르는 많은 수의 수집된 데이터를 정제하게 된다. 이때, 데이터 정제는 단순히 중복 데이터를 제거하는데 그치지 않고, 학습 대상과 관련성이 없는 데이터를 선택적으로 제거할 수 있는 기술이 필요하다.

그리고, 데이터 가공 단계의 어노테이션은 이미지 속에 포함된 객체에 대하여 바운딩 박스(bounding box) 처리하고, 바운딩 박스 처리된 객체의 속성 정보를 입력하여 진행된다. 이와 같은 어노테이션은 데이터 라벨링(data labeling)이라 지칭되기도 한다. 그리고, 어노테이션의 작업 결과물에 해당되는 데이터셋(dataset)은 JSON(Java Script Object Notation) 파일 형태로 산출된다.

이러한, 어노테이션 작업은 적게는 몇 천개에서, 많게는 수 백만개에 이르는 많은 수의 데이터를 대상으로 이루어지므로, 어노테이션 작업 결과물 또한 많은 수로 구성된다. 따라서, 많은 수의 어노테이션 작업 결과물이 올바르게 수행되었는지 제각각 검증하기 위하여 스크립트(script)를 활용하거나, 리뷰어(reviewer)가 직접 수작업으로 검증을 수행하게 된다.

이 중에서, 검증자가 직접 수작업으로 검증을 수행하는 경우에는 어노테이션 작업을 수행하는 작업자와 리뷰어 간의 소통이 매우 중요하나, 소통이 원활이 이루어지지 않아, 결과적으로 어노테이션 작업 결과물에 존재하는 오류를 정확히 수정하지 못하는 어려움이 있었다. 따라서, 많은 수의 데이터를 보다 용이하게 가공할 수 있는 다양한 수단들이 요구되고 있는 실정이다.

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) 학습용 데이터를 생성하는 과정에서 인식된 객체를 행동에 따라 분류하고 선택적으로 학습 데이터를 생성하여, 학습 효율을 높이기 위한 인공지능을 이용한 행동 추정 방법을 제공하는 것이다.

본 발명의 다른 목적은 인식된 객체를 행동에 따라 분류하고 선택적으로 학습 데이터를 생성하여, 학습 효율을 높이기 위한 인공지능을 이용한 행동 추정 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 행동 추정 방법을 제안한다. 상기 방법은 인공지능(Artificial Intelligence, AI) 학습을 위한 어노테이션(annotation) 작업 대상물을 수집하는 단계, 상기 학습 데이터 설계 장치가, 상기 수집한 어노테이션 작업 대상물에서 객체를 식별하여 3D 객체를 생성하는 단계 및 상기 학습 데이터 설계 장치가, 상기 생성된 3D 객체에 대한 2D 이미지의 복수의 키 포인트를 추출하고, 상기 추출된 키 포인트를 사전에 구축된 인체 자세 모형 데이터 셋에 저장된 인체 자세 모형과 비교하여, 상기 저장된 인체 자세 모형 데이터 셋 중 상기 추출된 키 포인트와 매칭되는 인체 자세 모형을 추출하여 상기 3D 객체의 행동을 추정하는 단계를 포함할 수 있다.

보다 구체적으로, 상기 인체 자세 모형을 추출하는 단계는 사전에 기계 학습(machine learning)된 인공지능(Artificial Intelligence, AI)을 이용하여, 상기 추출된 키 포인트와 매칭되는 인체 자세 모형을 예측할 수 있다.

상기 인체 자세 모형을 추출하는 단계 이전에 상기 3D 객체를 사전에 정해진 프레임 단위로 키 포인트를 추출하는 단계, 상기 사전에 정해진 프레임 단위로 상기 추출된 키 포인트를 통합하여 통합 키 포인트를 생성하는 단계, 상기 생성된 통합 키 포인트에서 특징 데이터를 추출하는 단계, 상기 추출된 특징 데이터를 통해 상기 인공지능을 기계학습 시키는 단계를 더 포함할 수 있다.

상기 키 포인트를 추출하는 단계는 ResNet(Residual Network) 모델을 기반으로, 관절 포지션을 예측하고, 예측된 관절 포지션을 인체 골격에 맞도록 연결할 수 있다.

상기 통합 키 포인트를 생성하는 단계는 상기 추출된 키 포인트를 통합하되, 머리, 눈 및 귀를 포함하는 키 포인트를 제거하고, 목 또는 허벅지에 키 포인트가 없는 경우 해당 프레임을 삭제할 수 있다.

상기 통합 키 포인트를 생성하는 단계는 연속된 제1 프레임 및 제2 프레임 사이의 키 포인트를 비교하여, 상기 제2 프레임에 추출된 키 포인트가 누락된 것으로 판단되면, 상기 제1 프레임의 키 포인트를 이용하여 상기 제2 프레임의 키 포인트를 추가할 수 있다.

상기 특징 데이터를 추출하는 단계에서 상기 특징 데이터는 최상단 키 포인트와 최하단 키 포인트 사이의 높이, 몸체의 속도, 정규화 한 관절 위치, 관절들의 속도, 관절 각도 및 팔과 다리 길이 중 적어도 하나를 포함할 수 있다.

상기 특징 데이터를 추출하는 단계 이후에 상기 추출된 특징 데이터를 주성분 분석(Principal Component Analysis: PCA)을 이용하여 차원(dimension)을 감소시키는 단계를 더 포함할 수 있다.

상기 인체 자세 모형을 출력하는 단계 이후에 상기 출력된 인체 자세 모형을 통해 상기 작업 대상물에 대한 프레임 단위로 행동 분류를 수행하는 단계, 상기 행동 분류에 따라 학습 데이터를 생성하는 단계를 포함할 수 있다.

상기 학습 데이터를 생성하는 단계는 상기 행동 분류에 따라 학습 대상이 되는 행동으로 분류된 프레임을 상기 학습 데이터로 생성할 수 있다.

상기 학습 데이터를 생성하는 단계는 상기 행동 분류에 따라 분류된 프레임 별로 학습 데이터로 생성하기 위한 프레임 수를 제어할 수 있다.

상기 수집하는 단계에서 상기 어노테이션 작업 대상물은 카메라(camera)에 의해 촬영된 2D 이미지 및 라이다(Lidar)를 통해 생성된 3D 점군 데이터를 포함하고, 상기 2D 이미지 및 상기 3D 점군 데이터를 기반으로 상기 키 포인트를 추출할 수 있다.

상술한 바와 같은 기술적 과제를 달성하기 위하여, 본 발명은 상술한 바와 같은 행동 추정 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 결합되어, 상기 프로세서가, 인공지능(Artificial Intelligence, AI) 학습을 위한 어노테이션(annotation) 작업 대상물을 수집하는 단계, 상기 프로세서가, 상기 수집한 어노테이션 작업 대상물에서 객체를 식별하여 3D 객체를 생성하는 단계 및 상기 프로세서가, 상기 생성된 3D 객체에 대한 2D 이미지의 복수의 키 포인트를 추출하고, 상기 추출된 키 포인트를 사전에 구축된 인체 자세 모형 데이터 셋에 저장된 인체 자세 모형과 비교하여, 상기 저장된 인체 자세 모형 데이터 셋 중 상기 추출된 키 포인트와 매칭되는 인체 자세 모형을 추출하여 상기 3D 객체의 행동을 추정하는 단계를 실행시키기 위하여, 기록매체에 기록된 컴퓨터 프로그램이 될 수 있다.

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

본 발명의 실시 예들에 따르면, 수집한 어노테이션 작업 대상물에서 객체를 식별하여 3D 객체를 생성하고, 생성된 3D 객체의 행동을 추정하고, 행동에 따라 분류하여 선택적으로 학습 데이터를 생성함으로써 학습 효율을 높일 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 1 및 도 2는 본 발명의 다양한 실시예에 따른 인공지능 학습 시스템의 구성도이다.
도 3은 본 발명의 일 실시예에 따른 학습 데이터 설계 장치의 논리적 구성도이다.
도 4는 본 발명의 일 실시예에 따른 학습 데이터 설계 장치의 하드웨어 구성도이다.
도 5는 본 발명의 일 실시예에 따른 학습 데이터 검증 장치의 논리적 구성도이다.
도 6은 본 발명의 일 실시예에 따른 학습 데이터 검증 장치의 하드웨어 구성도이다.
도 7은 본 발명의 일 실시예에 따른 학습 데이터 생성 방법을 설명하기 위한 순서도이다.
도 8은 본 발명의 일 실시예에 따른 행동 추정을 위한 기계 학습 방법을 설명하기 위한 순서도이다.
도 9는 본 발명의 일 실시예에 따른 피드백 방법을 설명하기 위한 순서도이다.
도 10은 본 발명의 다른 실시예에 따른 피드백 방법을 설명하기 위한 순서도이다.
도 11은 본 발명의 일 실시예에 따라 인공지능(AI) 기계 학습을 위한 데이터를 수집하는 차량을 설명하기 위한 예시도이다.
도 12는 본 발명의 일 실시예에 따라 키 포인트를 추출하기 위한 과정을 설명하기 위한 예시도이다.
도 13은 본 발명의 일 실시예에 따라 피드백 정보를 설명하기 위한 예시도이다.

본 명세서에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본명세서에서 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 구성요소로부터 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.

한편 데이터 정제는 적게는 몇 천개에서, 많게는 수 백만개에 이르는 많은 수의 수집된 데이터를 정제하게 된다. 이때, 데이터 정제는 단순히 중복 데이터를 제거하는데 그치지 않고, 학습 대상과 관련성이 없는 데이터를 선택적으로 제거할 수 있는 기술이 필요하다.

이러한 한계를 극복하기 위하여, 본 발명은 어노테이션(annotation)한 작업 결과물을 검증하여 검증 결과를 피드백하고, 학습 효율을 높이기 위한 다양한 수단들을 제안하고자 한다.

도 1 및 도 2는 본 발명의 다양한 실시예에 따른 인공지능 학습 시스템의 구성도이다.

도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 인공지능 학습 시스템은 학습 데이터 설계 장치(100), 하나 이상의 어노테이션 장치(200-1, 200-2, …, 200-n; 200), 학습 데이터 검증 장치(300) 및 인공지능 학습 장치(400)를 포함하여 구성될 수 있다.

또한, 도 2에 도시된 바와 같이, 본 발명의 다른 실시예에 따른 인공지능 학습 시스템은 하나 이상의 어노테이션 장치(200-a, 200-b, …, 200-m; 200)와 학습 데이터 검증 장치(300-a, 300-b, …, 300-m; 300)가 하나로 이루어진 복수 개의 그룹(Group-a, Group-b …, Group-m), 학습 데이터 생성 장치(100) 및 인공지능 학습 장치(400)를 포함하여 구성될 수 있다.

이와 같은, 다양한 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 설계 장치(100)는 인공지능(AI)을 기계 학습시키기 위한 데이터를 설계 및 생성하는데 사용될 수 있는 장치이다.

이와 같은, 학습 데이터 설계 장치(100)는 기본적으로 학습 데이터 검증 장치(300)와 구분되는 장치이나, 실제 물리적 환경에서 학습 데이터 설계 장치(100)와 학습 데이터 검증 장치(300)가 하나의 장치로 통합되어 구현될 수도 있다.

구체적으로, 학습 데이터 설계 장치(100)는 인공지능 학습 장치(400)로부터 인공지능(AI) 학습과 관련된 프로젝트의 속성을 수신할 수 있다. 학습 데이터 설계 장치(100)는 사용자의 제어 및 수신된 프로젝트의 속성을 기초로, 인공지능(AI) 학습을 위한 데이터 구조의 설계, 수집된 데이터의 정제, 데이터의 가공, 데이터의 확장 및 데이터의 검증을 수행할 수 있다.

우선적으로, 학습 데이터 설계 장치(100)는 인공지능(AI) 학습을 위한 데이터 구조를 설계할 수 있다. 예를 들어, 학습 데이터 설계 장치(100)는 사용자의 제어 및 수신된 프로젝트의 속성을 기초로, 인공지능(AI) 학습을 위한 온톨로지(ontology), 인공지능(AI) 학습을 위한 데이터의 분류 체계를 정의할 수 있다.

학습 데이터 설계 장치(100)는 설계된 데이터 구조를 기초로, 인공지능(AI) 학습을 위한 데이터를 수집할 수 있다. 이를 위하여, 학습 데이터 설계 장치(100)는 외부로부터 3D 점군 데이터 및 2D 이미지들을 입력 받거나, 웹 크롤링(web crawling)을 수행하여 3D 점군 데이터 및 2D 이미지들을 수집하거나, 또는 외부 기관의 장치로부터 3D 점군 데이터 및 2D 이미지들을 다운로드 할 수 있다.

여기서, 3D 점군 데이터는 차량에 고정 설치된 라이다(lidar)에 의해 획득된 데이터이다. 차량에 고정 설치된 라이다는 레이저 펄스를 발사하고, 차량 주위에 위치하는 객체들에 의해 반사되어 돌아온 빛을 감지하여, 차량 주위에 대한 3차원 영상에 해당하는 3D 점군 데이터를 생성할 수 있다. 즉, 3D 점군 데이터를 구성하는 점군은 라이다에 의해 3차원 공간으로 발사된 레이저 펄스를 반사시킨 점(point)들의 집합을 의미한다.

그리고, 2D 이미지는 차량에 고정 설치된 복수 개의 카메라에 의해 촬영된 이미지이다. 자율주행을 위하여 하나의 차량에는 다수 개의 카메라가 고정 설치되어, 차량 주위에 대한 2차원 이미지를 각각 촬영할 수 있다. 예를 들어, 하나의 차량에 6개의 카메라가 설치될 수 있으나, 이에 한정되지 않는다.

학습 데이터 설계 장치(100)는 수집된 3D 점군 데이터 및 2D 이미지들 중에서 중복되거나 또는 극히 유사한 데이터를 제거할 수 있다. 학습 데이터 설계 장치(100)는 수집된 3D 점군 데이터 및 2D 이미지들에 포함된 개인정보를 비식별화(de-identification)할 수 있다.

학습 데이터 설계 장치(100)는 수집 및 정제된 3D 점군 데이터 및 2D 이미지들을 복수 개의 어노테이션 장치(200)에 분배하여 전송할 수 있다. 이 경우, 학습 데이터 설계 장치(100)는 어노테이션 장치(200)의 작업자(즉, 라벨러)에 대하여 사전에 할당된 양에 따라 3D 점군 데이터 및 2D 이미지들을 분배할 수 있다.

학습 데이터 설계 장치(100)는 어노테이션 장치(200)로부터 직접 어노테이션 작업 결과물을 수신하거나, 또는 학습 데이터 검증 장치(300)로부터 어노테이션 작업 결과물 및 검수 결과를 수신할 수 있다.

학습 데이터 설계 장치(100)는 수신된 어노테이션 작업 결과물을 패키징(packaging)하여 인공지능(AI) 학습용 데이터를 생성할 수 있다. 그리고, 학습 데이터 설계 장치(100)는 생성된 인공지능(AI) 학습용 데이터를 인공지능 학습 장치(400)에 전송할 수 있다.

특징적으로, 학습 데이터 설계 장치(100)는 인공지능(Artificial Intelligence, AI) 학습을 위한 어노테이션(annotation) 작업 대상물을 수집하고, 수집한 어노테이션 작업 대상물에서 객체를 식별하여 3D 객체를 생성하고, 생성된 3D 객체를 학습 대상이 되는 가상 공간에 합성하여 학습 데이터를 생성할 수 있다.

또한, 학습 데이터 설계 장치(100)는 인공지능(AI) 학습을 위한 어노테이션 작업 대상물을 수집하고, 수집한 어노테이션 작업 대상물에서 객체를 식별하여 3D 객체를 생성하고, 생성된 3D 객체에 대한 2D 이미지의 복수의 키 포인트를 추출하고, 추출된 키 포인트를 사전에 구축된 인체 자세 모형 데이터 셋에 저장된 인체 자세 모형과 비교하여, 저장된 인체 자세 모형 데이터 셋 중 추출된 키 포인트와 매칭되는 인체 자세 모형을 추출하여 3D 객체의 행동을 추정할 수 있다.

한편, 학습 데이터 설계 장치(100)의 구체적인 구성 및 동작에 대해서는 추후 도 3 및 도 4를 참조하여 설명하기로 한다.

이와 같은 특징을 가지는, 학습 데이터 생성 장치(100)는 어노테이션 장치(200), 학습 데이터 검증 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(100)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(200)는 학습 데이터 설계 장치(100)에 의해 배포된 2D 이미지들 또는 3D 점군 데이터에 대하여, 어노테이션(annotation) 작업을 수행하는데 사용될 수 있는 로컬 컴퓨팅 장치이다. 이와 같은, 어노테이션 장치(200)의 전부 또는 일부는 어노테이션 작업자가 클라우딩 서비스(clouding service)를 통해 어노테이션 작업을 수행하는 장치가 될 수도 있다.

구체적으로, 어노테이션 장치(200)는 학습 데이터 설계 장치(100)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(200)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(200)는 입출력장치를 통해 선택된 툴에 따른 좌표를 입력 받을 수 있다. 그리고, 어노테이션 장치(200)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(200)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(200)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(200)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(200)는 생성된 어노테이션 작업 결과물을 학습 데이터 설게 장치(100)에 전송할 수 있다. 그리고, 어노테이션 장치(200)는 생성된 어노테이션 작업 결과물 외에도, 검증을 위하여 객체가 설정된 2D 이미지 또는 3D 점군 데이터를 학습 데이터 설계 장치(100)에 전송할 수 있다.

본 발명을 일 실시예에 따른 어노테이션 장치(200)는 어노테이션 작업 결과물과 객체가 설정된 2D 이미지 또는 3D 점군 데이터를 학습 데이터 설계 장치(100)에 전송하지 아니하고, 어노테이션 장치(200)를 구성하고 있는 입출력장치의 제어 데이터를 학습 데이터 설계 장치(100)에 전송할 수도 있다.

여기서, 입출력장치의 제어 데이터는 어노테이션 장치(200)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(200)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(200)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(200)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(200)는 학습 데이터 설계 장치(100)와 데이터를 송수신하고, 송수신된 데이터를 기초로 연산을 수행할 수 있는 장치라면 어떠한 장치라도 허용될 수 있다. 예를 들어, 어노테이션 장치(200)는 데스크탑, 워크스테이션 또는 서버와 같은 고정식 컴퓨팅 장치, 또는 스마트폰(smart phone), 랩탑(laptap), 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, 학습 데이터 검증 장치(300)는 인공지능(AI) 학습용 데이터를 검증하는데 사용될 수 있는 장치이다. 즉, 학습 데이터 검증 장치(300)는 어노테이션 장치(200)에 의해 생성된 어노테이션 작업 결과물이 사전에 설정된 목표 품질에 부합하는지 여부, 또는 어노테이션 작업 결과물이 인공지능(AI) 학습에 유효한지 여부를 검증할 수 있는 장치이다.

구체적으로, 학습 데이터 검증 장치(300)는 어노테이션 장치(200)로부터 어노테이션 작업 결과물을 수신할 수 있다. 여기서, 어노테이션 작업 결과물은 3D 점군 데이터 및 2D 이미지들로부터 특정된 객체의 좌표와, 이미지 또는 객체에 대한 메타데이터가 포함될 수 있다. 어노테이션 작업 결과물의 메타데이터에는 특정된 객체의 카테고리(category), 객체가 2D 이미지의 화각에 의해 잘려진 비율(truncation), 객체가 다른 객체 또는 물체에 의해 가려진 비율(occlusion), 객체의 트래킹 아이디(tracking identifier), 이미지가 촬영된 시각, 이미지가 촬영된 날의 기상 조건 등이 포함될 수 있으며, 이에 한정되는 것은 아니다. 이와 같은, 어노테이션 작업 결과물은 JSON(Java Script Object Notation) 파일 형식을 가질 수 있으나, 이에 한정되는 것도 아니다.

학습 데이터 검증 장치(300)는 수신된 어노테이션 작업 결과물을 검수할 수 있다. 이를 위하여, 학습 데이터 검증 장치(300)는 어노테이션 작업 결과물을 대상으로 스크립트(script)를 이용하여 검수를 수행할 수 있다. 여기서, 스크립트는 어노테이션 작업 결과물을 대상으로 사전에 설정된 목표 품질의 부합 여부 또는 데이터 유효성 여부를 검증하기 위한 코드이다.

또한, 학습 데이터 검증 장치(300)는 리뷰어(reviwer)에 의해 직접 검수를 수행하고, 리뷰어로부터 입력 받은 검수 결과를 어노테이션 장치(200)에 전송할 수 있다.

그리고, 학습 데이터 검증 장치(300)는 어노테이션 장치(200)들로부터 수신된 어노테이션 작업 결과물 및 검수 결과를 학습 데이터 설계 장치(100)에 전송할 수 있다.

특징적으로, 학습 데이터 검증 장치(300)는 인공지능(AI) 학습을 위한 어노테이션 작업 결과물을 수신하고, 어노테이션 작업 결과물의 검증을 수행하고, 검증 수행 결과 부적합으로 판단되는 경우, 부적합 사유에 대하여 사전에 구축된 피드백 풀(feedback pool)에 포함된 피드백 정보 중 판단된 부적합 사유에 해당하는 피드백 정보를 어노테이션 장치(200)에 전송할 수 있다.

한편, 학습 데이터 검증 장치(300)의 구체적인 구성 및 동작에 대해서는 추후 도 5 및 도 6을 참조하여 설명하기로 한다.

상술한 바와 같은 특징을 가지는, 학습 데이터 검증 장치(300)는 어노테이션 장치(200) 및 학습 데이터 설계 장치(100)와 데이터를 송수신하고, 송수신된 데이터를 기초로 연산을 수행할 수 있는 장치라면 어떠한 장치라도 허용될 수 있다. 예를 들어, 학습 데이터 검증 장치(300)는 데스크탑, 워크스테이션 또는 서버와 같은 고정식 컴퓨팅 장치 중 어느 하나가 될 수 있으나, 이에 한정되는 것은 아니다.

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

이와 같은, 인공지능 학습 장치(400)는 학습 데이터 설계 장치(100)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.

상술한 바와 같은, 학습 데이터 설계 장치(100), 하나 이상의 어노테이션 장치(200), 학습 데이터 검증 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.

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

도 3에 도시된 바와 같이, 본 발명의 일 실시예에 따른 학습 데이터 설계 장치(100)는 통신부(105), 입출력부(110), 저장부(115), 작업 대상물 수집부(120), 3D 객체 생성부(125), 행동 추정부(130) 및 학습 데이터 생성부(135)를 포함하여 구성될 수 있다.

이와 같은, 학습 데이터 설계 장치(100)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(105)는 학습 데이터 수집 장치(미도시) 및 학습 데이터 검증 장치(300) 및 인공지능 학습 장치(400)와 데이터를 송수신할 수 있다.

구체적으로, 통신부(105)는 학습 데이터 수집 장치로부터 3D 점군 데이터 및 2D 이미지들을 수신할 수 있다. 통신부(105)는 3D 점군 데이터 및 2D 이미지들을 학습 데이터 수집 장치로부터 개별적으로 수신하거나, 또는 일괄적으로 수신할 수 있다.

그리고, 통신부(105)는 학습 데이터를 생성하여 인공지능 학습 장치(400)에 전송할 수 있다.

다음 구성으로, 입출력부(110)는 사용자 인터페이스(UI)를 통해 사용자로부터 신호를 입력 받거나, 연산 결과를 외부로 출력할 수 있다. 입출력부(110)는 수집된 어노테이션 작업 대상물, 생성된 3D 객체, 3D 객체를 가상 공간에 합성한 학습 데이터 등을 출력할 수 있다.

저장부(115)는 통신부(105)를 통해 수신된 3D 점군 데이터 및 2D 이미지들을 저장할 수 있다. 또한, 저장부(115)는 생성된 3D 객체, 3D 객체를 가상 공간에 합성한 학습 데이터 등을 저장할 수 있다.

다음 구성으로, 작업 대상물 수집부(120)는 통신부(105)를 통해 인공지능(Artificial Intelligence, AI) 학습을 위한 어노테이션(annotation) 작업 대상물을 수집한다.

여기서, 작업 대상물 수집부(120)는 수집된 2D 이미지들 중 연속된 2D 이미지에서 식별된 객체 사이의 유사도를 산출하고, 산출된 유사도가 사전에 설정된 임계 값보다 낮은 경우, 수집을 중단할 수 있다. 즉, 작업 대상물 수집부(120)는 작업 대상물을 수집하는 과정에서 중복되거나 매우 유사한 작업 대상물을 제거하기 위하여, 연속된 2D 이미지의 유사도를 통해 데이터를 정제할 수 있다.

또한, 작업 대상물 수집부(120)는 수집된 2D 이미지들 중 연속된 2D 이미지에서 식별된 객체 사이의 유사도를 산출하고, 산출된 유사도가 사전에 설정된 임계 값보다 낮은 경우, 유사도 산출 전에 수집된 2D 이미지들과, 유사도 산출 후에 수집된 2D 이미지들을 학습 대상이 서로 다른 이미지로 인식하여 수집할 수 있다. 즉, 작업 대상물 수집부(120)는 연속된 2D 이미지들 중 연속된 2D 이미지의 유사도가 사전에 설정된 임계 값보다 높은 경우, 학습 대상이 변경된 것으로 인식할 수 있다. 예를 들어, 매장에 위치한 사람의 움직임에 대한 2D 이미지를 수집 중에, 연속된 2D 이미지의 유사도가 설정된 임계 값보다 낮은 경우, 2D 이미지 내의 객체가 다른 사람으로 변경된 것으로 판단하고, 수집을 중단하거나, 별개의 학습 대상으로 인식하여, 학습 대상이 변경된 것으로 기록하거나, 별개의 데이터로 기록할 수 있다.

이때, 작업 대상물 수집부(120)는 연속된 2D 이미지에서 식별된 객체의 픽셀에 대한 RGB(Red, Green, Blue) 히스토그램을 생성하고, 생성된 RGB 히스토그램을 비교하여 유사도를 산출할 수 있다. 여기서 RGB 히스토그램은 이미지에서 각 원색(RGB)의 밝기 분포를 나타내는 그래프이다. 예를 들어, RGB 히스토그램은 가로축이 컬러의 밝기 레벨을 표시하며, 세로축이 컬러의 밝기 레벨에 할당된 픽셀 수로 표시되고, 좌측으로 치우친 픽셀 수가 많을수록 색상이 어둡고 덜 선명하게 표현되며, 우측으로 치운 친 픽셀 수가 많을수록 색상이 더 밝고 진하게 표현될 수 있다. 이와 같이, 유사도 산출부(115)는 RGB 히스토그램을 통해 연속된 2D 이미지의 색상의 채도와 계조 상태, 화이트 밸런스의 성향 등을 비교하여 유사도를 산출할 수 있다.

또한, 작업 대상물 수집부(120)는 연속된 2D 이미지에서 RGB(Red, Green, Blue)에 따라 세 개의 이미지로 분할하고, 분할된 각 이미지의 엣지를 추출(edge detection)하고, 각 이미지 내에서 추출된 엣지에 의한 폐쇄 영역(enclosure)을 식별한 후, 식별된 폐쇄 영역이 상기 이미지 내에서 차지하고 있는 크기, 위치 또는 형상을 기초로 상기 유사성을 판단할 수 있다.

또한, 작업 대상물 수집부(120)는 작업 대상물의 수집이 완료되면, 학습 대상이 서로 다른 이미지 그룹(group)에 포함된 이미지 수와 관련한 이미지 그룹별 수집 비율을 산출할 수 있다. 여기서 이미지 그룹별 수집 비율은 학습 데이터에 포함시켜 인공지능 학습 장치(400)의 학습 효율을 높일 수 있다. 예를 들어, 작업 대상물 수집부(120)는 수집된 2D 이미지 내에서 사람 A, 사람 B, 사람 C가 포함된 경우, "사람 A 60%, 사람 B 20%, 사람 C 20%"와 같이, 이미지 그룹별 수집 비율을 함께 기록할 수 있다. 여기서, 이미지 그룹별 수집 비율은 2D 이미지 각각의 메타 데이터로 기록하거나, 별도의 데이터로 기록할 수 있다.

다음 구성으로, 3D 객체 생성부(125)는 수집한 어노테이션 작업 대상물에서 객체를 식별하여 3D 객체를 생성할 수 있다.

구체적으로, 3D 객체 생성부(125)는 2D 이미지에 존재하는 객체 영역을 검출하고, 검출된 객체 영역에 RGB(Red, Green, Blue) 정보를 추출할 수 있다. 이후, 3D 객체 생성부(125)는 3D 점군 데이터 중 객체 영역에 매칭되는 포인트를 추출하고, 포인트 정보와 추출된 RGB 정보를 정합하여 3D 객체를 생성할 수 있다. 이때, 3D 객체 생성부(120)는 포인트 정보를 2D 이미지 좌표 상에 투영하고, 투영된 이미지 좌표와, 추출된 RGB 정보를 기반으로, 포인트 정보와 추출된 RGB 정보를 정합하여 3D 객체를 생성할 수 있다. 여기서, 3D 객체 생성부(125)는 사전에 기계 학습(machine learning)된 인공지능(Artificial Intelligence, AI)을 이용하여, 상기 RGB 정보 및 상기 포인트 정보를 추출하여 정합할 수 있다.

또한, 3D 객체 생성부(125)는 다양한 각도로 배치된 복수의 카메라에 의해 촬영된 2D 이미지인 경우, 사전에 기계학습 된 인공지능을 이용하여, 2D 이미지에 등장하는 3D 객체의 종류를 파악하고, 3D 객체를 관찰하는 복수의 카메라의 자세를 파악한 후에, 파악된 카메라의 자세를 기초로, 3D 객체의 좌표를 추정할 수 있다. 그리고, 3D 객체 생성부(125)는 추정된 3D 객체의 좌표를 3D 객체의 종류, 카메라의 자세 정보와 함께 인공지능 모델을 학습시킬 수 있다.

다음 구성으로, 행동 추정부(130)는 3D 객체 생성부(125)에 의해 생성된 3D 객체에 대한 2D 이미지의 복수의 키 포인트를 추출하고, 추출된 키 포인트를 사전에 구축된 인체 자세 모형 데이터 셋에 저장된 인체 자세 모형과 비교하여, 저장된 인체 자세 모형 데이터 셋 중 추출된 키 포인트와 매칭되는 인체 자세 모형을 추출하여 3D 객체의 행동을 추정할 수 있다. 즉, 행동 추정부(130)는 3D 객체의 스켈레톤 데이터를 생성하고, 저장된 스켈레톤 데이터와 비교하여 3D 객체의 행동을 추정할 수 있다.

이때, 스켈레톤 데이터는 객체의 체형, 자세 또는 방향 변화의 기준이 되는 지점(예를 들어, 관절 등)의 위치에 대응되는 하나 이상의 키 포인트(key point)를 포함하여 구성될 수 있다. 이와 같은, 스켈레톤 데이터를 구성하는 하나 이상의 키 포인트는 객체의 속성에 따라 그 개수, 연결 관계 및 위치해야 하는 지점 등의 규격이 사전에 정의되어 있다.

예를 들어, 3차원 인체 자세(3D human pose) 모델에 따른 스켈레톤 데이터의 경우, 인체의 주요 골격에 따라 연결된 16개의 키 포인트로 구성되며, 키 포인트 1은 왼쪽 엉덩이, 키 포인트 2는 왼쪽 무릎, 키 포인트 3은 왼쪽 발, 키 포인트 4는 오른쪽 엉덩이, 키 포인트 5는 오른쪽 무릎, 키 포인트 6은 오른쪽 발, 키 포인트 7은 몸통 중앙, 키 포인트 8은 몸통 상체, 키 포인트 9는 목, 키 포인트 10은 머리 중심, 키 포인트 11은 오른쪽 어깨, 키 포인트 12는 오른쪽 팔꿈치, 키 포인트 13은 오른손, 키 포인트 14는 왼쪽 어깨, 키 포인트 15는 왼쪽 팔꿈치, 키 포인트 16은 왼손으로, 각각의 위치가 사전에 정의되어 있다.

행동 추정부(130)는 사전에 기계 학습(machine learning)된 인공지능(Artificial Intelligence, AI)을 이용하여, 추출된 키 포인트와 매칭되는 인체 자세 모형을 예측할 수 있다.

구체적으로, 행동 추정부(130)는 3D 객체를 사전에 정해진 프레임 단위로 키 포인트를 추출할 수 있다. 이때, 행동 추정부(130)는 ResNet(Residual Network) 모델을 기반으로, 관절 포지션을 예측하고, 예측된 관절 포지션을 인체 골격에 맞도록 연결하여 키 포인트를 추출할 수 있다. 이때, 행동 추정부(130)는 2D 이미지 및 3D 점군 데이터를 기반으로 키 포인트를 추출할 수 있다.

이후, 행동 추정부(130)는 사전에 정해진 프레임 단위로 추출된 키 포인트를 통합하여 통합 키 포인트를 생성할 수 있다. 이때, 행동 추정부(130)는 골격을 트래킹(tracking)하기 위한 전처리 과정을 수행하고, 크기가 다른 2D 이미지를 처리하기 위해 좌표를 조정할 수 있다.

이후, 행동 추정부(130)는 추출된 키 포인트를 통합하되, 머리, 눈 및 귀를 포함하는 키 포인트를 제거하고, 목 또는 허벅지에 키 포인트가 없는 경우 해당 프레임을 삭제할 수 있다. 즉, 행동 추정부(130)는 인식에 도움이 되지 않는 키 포인트를 삭제하거나, 불필요한 2D 이미지는 삭제할 수 있다.

또한, 행동 추정부(130)는 연속된 제1 프레임 및 제2 프레임 사이의 키 포인트를 비교하여, 제2 프레임에 추출된 키 포인트가 누락된 것으로 판단되면, 제1 프레임의 키 포인트를 이용하여 제2 프레임의 키 포인트를 추가할 수 있다. 한편, 누락된 키 포인트를 추가하는 구체적인 내용은 도 12를 참조하여 후술하도록 한다.

이후, 행동 추정부(130)는 생성된 통합 키 포인트에서 특징 데이터를 추출할 수 있다. 여기서, 특징 데이터는 윈도우 사이즈(window size), 최상단 키 포인트와 최하단 키 포인트 사이의 높이, 몸체의 속도, 정규화 한 관절 위치, 관절들의 속도, 관절 각도 및 팔과 다리 길이 중 적어도 하나를 포함할 수 있다. 예를 들어, 최상단 키 포인트와 최하단 키 포인트 사이의 높이는 윈도우 사이즈를 기준으로 목에서 허벅지까지의 길이를 의미하며, 모든 특징 데이터를 정규화 하는데 사용될 수 있다. 몸체의 속도는 현재 프레임의 목의 위치에서 이전 프레임의 목의 위치를 기준으로 산출될 수 있다. 관절들의 속도는 현재 프레임의 관절의 위치에서 이전 프레임의 관절의 위치를 기준으로 산출될 수 있다.

또한, 행동 추정부(130)는 추출된 특징 데이터를 주성분 분석(Principal Component Analysis: PCA)을 이용하여 차원(dimension)을 감소시킬 수 있다. 즉, 행동 추정부(130)는 측정된 특징 데이터들의 선형 조합(linear combination)에 의해 대표적인 주성분을 만들어 차원(dimension)을 줄일 수 있다. 그리고, 행동 추정부(130)는 추출된 특징 데이터를 통해 인공지능을 기계학습 시킬 수 있다.

다음 구성으로, 학습 데이터 생성부(135)는 출력된 인체 자세 모형을 통해 작업 대상물에 대한 프레임 단위로 행동 분류를 수행하고, 행동 분류에 따라 학습 데이터를 생성할 수 있다. 여기서, 학습 데이터 생성부(135)는 행동 분류에 따라 학습 대상이 되는 행동으로 분류된 프레임을 학습 데이터로 생성할 수 있다. 또한, 학습 데이터 생성부(135)는 행동 분류에 따라 분류된 프레임 별로 학습 데이터로 생성하기 위한 프레임 수를 제어할 수 있다. 또한, 학습 데이터 생성부(135)는 생성된 3D 객체를 학습 대상이 되는 가상 공간에 합성하여 학습 데이터를 생성할 수 있다.

도 4는 본 발명의 일 실시예에 따른 학습 데이터 설계 장치의 하드웨어 구성도이다.

도 5에 도시된 바와 같이, 학습 데이터 설계 장치(100)는 프로세서(Processor, 150), 메모리(Memory, 155), 송수신기(Transceiver, 160), 입출력장치(Input/output device, 165), 데이터 버스(Bus, 170) 및 스토리지(Storage, 175)를 포함하여 구성될 수 있다.

프로세서(150)는 메모리(155)에 상주된 학습 데이터 생성 방법이 구현된 소프트웨어(180a)에 따른 명령어를 기초로, 학습 데이터 설계 장치(100)의 동작 및 기능을 구현할 수 있다. 메모리(155)에는 학습 데이터 생성 방법이 구현된 소프트웨어(180a)가 상주(loading)될 수 있다. 송수신기(160)는 어노테이션 장치(200), 학습 데이터 검증 장치(300) 및 인공지능 학습 장치(400)와 데이터를 송수신할 수 있다. 입출력장치(165)는 학습 데이터 설계 장치(100)의 동작에 필요한 데이터를 입력 받고, 이미지 및 구조 템플릿을 출력할 수 있다. 데이터 버스(170)는 프로세서(150), 메모리(155), 송수신기(160), 입출력장치(165) 및 스토리지(175)와 연결되어, 각각의 구성 요소 사이가 서로 데이터를 전달하기 위한 이동 통로의 역할을 수행할 수 있다.

스토리지(175)는 학습 데이터 생성 방법이 구현된 소프트웨어(180a)의 실행을 위해 필요한 애플리케이션 프로그래밍 인터페이스(Application Programming Interface, API), 라이브러리(library) 파일, 리소스(resource) 파일 등을 저장할 수 있다. 스토리지(175)는 학습 데이터 생성 방법이 구현된 소프트웨어(180b)를 저장할 수 있다. 또한, 스토리지(175)는 스켈레톤 데이터 생성 방법의 수행에 필요한 데이터베이스(185)를 저장할 수 있다. 여기서, 데이터베이스(185)에는 객체의 유형별로 규격화된 구조 템플릿들이 포함되어 저장될 수 있으나, 이에 한정되는 것은 아니다.

본 발명의 일 실시예에 따르면, 메모리(155)에 상주되거나 또는 스토리지(175)에 저장된 학습 데이터 생성 방법을 구현하기 위한 소프트웨어(180a, 180b)는 프로세서(150)가 인공지능(Artificial Intelligence, AI) 학습을 위한 어노테이션(annotation) 작업 대상물을 수집하는 단계, 프로세서(150)가, 수집한 어노테이션 작업 대상물에서 객체를 식별하여 3D 객체를 생성하는 단계 및 프로세서(150)가, 생성된 3D 객체를 학습 대상이 되는 가상 공간에 합성하여 학습 데이터를 생성하는 단계를 실행시키기 위하여 기록매체에 기록된 컴퓨터 프로그램이 될 수 있다.

또한 본 발명의 일 실시예에 따르면, 메모리(155)에 상주되거나 또는 스토리지(175)에 저장된 행동 추정 방법을 구현하기 위한 소프트웨어(180a, 180b)는 프로세서(150)가, 인공지능(Artificial Intelligence, AI) 학습을 위한 어노테이션(annotation) 작업 대상물을 수집하는 단계, 프로세서(150)가, 수집한 어노테이션 작업 대상물에서 객체를 식별하여 3D 객체를 생성하는 단계 및 프로세서(150)가, 생성된 3D 객체에 대한 2D 이미지의 복수의 키 포인트를 추출하고, 추출된 키 포인트를 사전에 구축된 인체 자세 모형 데이터 셋에 저장된 인체 자세 모형과 비교하여, 저장된 인체 자세 모형 데이터 셋 중 상기 추출된 키 포인트와 매칭되는 인체 자세 모형을 추출하여 3D 객체의 행동을 추정하는 단계를 실행시키기 위하여, 기록매체에 기록된 컴퓨터 프로그램이 될 수 있다.

보다 구체적으로, 프로세서(150)는 ASIC(Application-Specific Integrated Circuit), 다른 칩셋(chipset), 논리 회로 및/또는 데이터 처리 장치를 포함할 수 있다. 메모리(155)는 ROM(Read-Only Memory), RAM(Random Access Memory), 플래쉬 메모리, 메모리 카드, 저장 매체 및/또는 다른 저장 장치를 포함할 수 있다. 송수신기(160)는 유무선 신호를 처리하기 위한 베이스밴드 회로를 포함할 수 있다. 입출력장치(165)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(155)에 상주되고, 프로세서(150)에 의해 실행될 수 있다. 메모리(155)는 프로세서(150)의 내부 또는 외부에 있을 수 있고, 잘 알려진 다양한 수단으로 프로세서(150)와 연결될 수 있다.

도 4에 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.

도 5는 본 발명의 일 실시예에 따른 학습 데이터 검증 장치의 논리적 구성도이다.

도 5를 참조하면, 학습 데이터 검증 장치(300)는 통신부(305), 입출력부(310), 저장부(315), 응답 생성부(320), 검증 수행부(325) 및 피드백 생성부(330)를 포함하여 구성될 수 있다.

이와 같은, 학습 데이터 검증 장치(300)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(305)는 어노테이션 장치(200) 및 인공지능 학습 장치(400) 중 하나 이상과 데이터를 송수신할 수 있다.

구체적으로, 통신부(305)는 어노테이션 장치(200)로부터 어노테이션 작업 결과물을 수신할 수 있다. 여기서, 어노테이션 작업 결과물은 어노테이션 작업의 대상이 된 이미지의 정보, 어노테이션 작업자로부터 입력된 좌표 정보 및 좌표 정보에 의해 특정된 객체의 속성 정보가 포함된 데이터이다. 예를 들어, 어노테이션 작업 결과물은 어노테이션 작업의 대상이 된 이미지의 정보, 어노테이션 작업자로부터 입력된 좌표 정보 및 좌표 정보에 의해 특정된 객체의 속성 정보가 JSON 파일 형식으로 표현된 데이터가 될 수 있다.

그리고, 통신부(305)는 검증 및 패키징된 어노테이션 작업 결과물을 인공지능 학습 장치(400)에 전송할 수 있다.

다음 구성으로, 입출력부(310)는 사용자 인터페이스(User Interface, UI)를 통해 리뷰어(reviewer)로부터 신호를 입력 받거나, 또는 연산된 결과를 외부로 출력할 수 있다.

여기서, 리뷰어는 어노테이션 작업 결과물의 검증을 수행하는 자를 의미한다. 이와 같은, 리뷰어는, 검증자, 수행자, 인스펙터(inspector) 등으로 지칭될 수 있으며, 이에 한정되는 것은 아니다.

그리고, 입출력부(310)는 검증 결과와 피드백 정보를 어노테이션 장치(200)에 전송할 수 있다. 또한, 입출력부(310)는 어노테이션 작업 결과물을 작업하는 작업자로부터 어노테이션 작업에 대한 질의를 수신하고, 질의에 대한 응답을 어노테이션 장치(200)에 전송할 수 있다.

다음 구성으로, 저장부(315)는 부적합 사유에 대하여 사전에 구축된 피드백 풀(feedback pool)을 저장할 수 있다. 여기서, 피드백 풀은 판단된 부적합 사유와 매칭되는 리뷰어의 코멘트 및 작업 이미지 중 적어도 하나를 포함할 수 있다. 또한, 피드백 풀은 부적합 사유에 대한 리뷰어의 코멘트, 작업자로부터 수신한 질의 및 질의에 대한 응답 중 적어도 하나를 포함할 수 있다. 이러한 피드백 정보는 텍스트 또는 이미지 형태로 구성될 수 있다.

다음 구성으로, 응답 생성부(320)는 어노테이션 장치(200)로부터 어노테이션 작업 결과물을 작업하는 작업자로부터 어노테이션 작업에 대한 질의를 수신하고, 저장부(315)에 저장된 피드백 풀에 포함된 피드백 정보를 통해 질의에 대한 응답을 수행할 수 있다.

여기서, 응답 생성부(320)는 자연어 처리(NLP)를 기반으로, 사전에 기계 학습된 인공지능(AI)을 이용하여, 부적합 사유에 대한 리뷰어의 코멘트, 작업자로부터 수신한 질의 및 질의에 대한 응답 중 적어도 하나를 분석하고, 질의에 대한 응답을 생성하여 제공할 수 있다. 이때, 응답 생성부(320)는 텍스트 형태의 응답과 함께, 작업자가 수행하는 어노테이션 작업 결과물과 매칭되는 이미지에 오류 영역을 강조하여 응답을 제공할 수 있다.

다음 구성으로, 검증 수행부(330)는 어노테이션 작업 결과물을 리뷰하는 리뷰어(reviewer)로부터 검증 결과와, 검증 결과가 부적합으로 판단된 경우 판단된 부적합 사유에 해당하는 코멘트를 입력 받을 수 있다.

여기서, 검증 수행부(330)는 리뷰어로부터 입력 받은 코멘트를 먼저 어노테이션 장치(200)에 전송하여, 코멘트를 참조로 재작성 된 어노테이션 작업 결과물을 수신하고, 재작성 된 어노테이션 작업 결과물에 대한 재검증을 수행할 수 있다.

다음 구성으로, 피드백 생성부(330)는 리뷰어로부터 입력 받은 코멘트와 함께 피드백 정보를 전송할 수 있다.

또한, 피드백 생성부(330)는 리뷰어로부터 입력 받은 코멘트를 기준으로 피드백 풀에 포함된 피드백 정보 중 판단된 부적합 사유에 해당하는 피드백 정보를 추출할 수 있다.

여기서, 피드백 생성부(330)는 자연어 처리(Natural Language Processing: NLP)를 기반으로, 사전에 기계 학습(machine learning)된 인공지능(Artificial Intelligence, AI)을 이용하여, 부적합 사유를 분석하고, 부적합 사유에 대한 코멘트를 생성하여, 피드백 정보에 포함시킬 수 있다. 하지만 이에 한정된 것은 아니고, 피드백 생성부(330)는 자연어 처리(NLP)를 기반으로, 사전에 기계 학습된 인공지능(AI)을 이용하여, 피드백 풀에 저장된 부적합 사유와 매칭되는 리뷰어의 코멘트 및 작업 이미지 중 적어도 하나를 분석하고, 부적합 사유에 대한 코멘트를 생성하여, 피드백 정보를 포함시킬 수 있다. 이때, 피드백 생성부(330)는 피드백 정보를 챗봇(chatter robot) 형태로 전송할 수 있다.

도 6은 본 발명의 일 실시예에 따른 학습 데이터 검증 장치의 하드웨어 구성도이다.

도 6에 도시된 바와 같이, 학습 데이터 검증 장치(300)는 프로세서(Processor, 350), 메모리(Memory, 355), 송수신기(Transceiver, 360), 입출력장치(Input/output device, 365), 데이터 버스(Bus, 370) 및 스토리지(Storage, 375)를 포함하여 구성될 수 있다.

프로세서(350)는 메모리(355)에 상주된 검증 방법이 구현된 소프트웨어(380a)에 따른 명령어를 기초로, 학습 데이터 검증 장치(300)의 동작 및 기능을 구현할 수 있다. 메모리(355)에는 피드백 방법이 구현된 소프트웨어(380a)가 상주(loading)될 수 있다. 송수신기(360)는 어노테이션 장치(200) 및 인공지능 학습 장치(400)와 데이터를 송수신할 수 있다. 입출력장치(365)는 학습 데이터 검증 장치(300)의 동작에 필요한 데이터, 리뷰어의 검수 코멘트 등을 입력 받고, 피드백 풀에서 추출한 피드백 정보 등을 출력할 수 있다. 데이터 버스(370)는 프로세서(350), 메모리(355), 송수신기(360), 입출력장치(365) 및 스토리지(375)와 연결되어, 각각의 구성 요소 사이가 서로 데이터를 전달하기 위한 이동 통로의 역할을 수행할 수 있다.

스토리지(375)는 피드백 방법이 구현된 소프트웨어(380a)의 실행을 위해 필요한 애플리케이션 프로그래밍 인터페이스(Application Programming Interface, API), 라이브러리(library) 파일, 리소스(resource) 파일 등을 저장할 수 있다. 스토리지(375)는 피드백 방법이 구현된 소프트웨어(380b)를 저장할 수 있다. 또한, 스토리지(375)는 피드백 방법의 수행에 필요한 정보들을 저장할 수 있다. 특히, 스토리지(375)는 피드백 풀을 저장하는 데이터베이스(385)를 포함하여 구성될 수 있다.

본 발명의 실시예에 따르면, 메모리(355)에 상주되거나 또는 스토리지(375)에 저장된 피드백 방법을 구현하기 위한 소프트웨어(380a, 380b)는 프로세서(350)가 인공지능(Artificial Intelligence, AI) 학습을 위한 어노테이션(annotation) 작업 결과물을 수신하는 단계, 프로세서(350)가, 어노테이션 작업 결과물의 검증을 수행하는 단계 및 프로세서(350)가, 검증 수행 결과 부적합으로 판단되는 경우, 부적합 사유에 대하여 사전에 구축된 피드백 풀(feedback pool)에 포함된 피드백 정보 중 판단된 부적합 사유에 해당하는 피드백 정보를 전송하는 단계를 실행시키기 위하여, 기록매체에 기록된 컴퓨터 프로그램이 될 수 있다.

보다 구체적으로, 프로세서(350)는 ASIC(Application-Specific Integrated Circuit), 다른 칩셋(chipset), 논리 회로 및/또는 데이터 처리 장치를 포함할 수 있다. 메모리(355)는 ROM(Read-Only Memory), RAM(Random Access Memory), 플래쉬 메모리, 메모리 카드, 저장 매체 및/또는 다른 저장 장치를 포함할 수 있다. 송수신기(360)는 유무선 신호를 처리하기 위한 베이스밴드 회로를 포함할 수 있다. 입출력장치(365)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(355)에 상주되고, 프로세서(350)에 의해 실행될 수 있다. 메모리(355)는 프로세서(350)의 내부 또는 외부에 있을 수 있고, 잘 알려진 다양한 수단으로 프로세서(350)와 연결될 수 있다.

도 6에 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.

도 7은 본 발명의 일 실시예에 따른 학습 데이터 생성 방법을 설명하기 위한 순서도이다.

도 7을 참조하면, 본 발명의 일 실시예에 따른 학습 데이터 설계 장치(100)는 인공지능(Artificial Intelligence, AI) 학습을 위한 어노테이션(annotation) 작업 대상물을 수집한다(S110).

여기서, 학습 데이터 설계 장치(100)는 수집된 2D 이미지들 중 연속된 2D 이미지에서 식별된 객체 사이의 유사도를 산출하고, 산출된 유사도가 사전에 설정된 임계 값보다 낮은 경우, 수집을 중단할 수 있다. 즉, 작업 대상물 수집부(120)는 작업 대상물을 수집하는 과정에서 중복되거나 매우 유사한 작업 대상물을 제거하기 위하여, 연속된 2D 이미지의 유사도를 통해 데이터를 정제할 수 있다.

또한, 학습 데이터 설계 장치(100)는 수집된 2D 이미지들 중 연속된 2D 이미지에서 식별된 객체 사이의 유사도를 산출하고, 산출된 유사도가 사전에 설정된 임계 값보다 낮은 경우, 유사도 산출 전에 수집된 2D 이미지들과, 유사도 산출 후에 수집된 2D 이미지들을 학습 대상이 서로 다른 이미지로 인식하여 수집할 수 있다.

이때, 학습 데이터 설계 장치(100)는 연속된 2D 이미지에서 식별된 객체의 픽셀에 대한 RGB(Red, Green, Blue) 히스토그램을 생성하고, 생성된 RGB 히스토그램을 비교하여 유사도를 산출할 수 있다.

또한, 학습 데이터 설계 장치(100)는 연속된 2D 이미지에서 RGB(Red, Green, Blue)에 따라 세 개의 이미지로 분할하고, 분할된 각 이미지의 엣지를 추출(edge detection)하고, 각 이미지 내에서 추출된 엣지에 의한 폐쇄 영역(enclosure)을 식별한 후, 식별된 폐쇄 영역이 상기 이미지 내에서 차지하고 있는 크기, 위치 또는 형상을 기초로 상기 유사성을 판단할 수 있다.

또한, 학습 데이터 설계 장치(100)는 작업 대상물의 수집이 완료되면, 학습 대상이 서로 다른 이미지 그룹(group)에 포함된 이미지 수와 관련한 이미지 그룹별 수집 비율을 산출할 수 있다. 여기서 이미지 그룹별 수집 비율은 학습 데이터에 포함시켜 인공지능 학습 장치(400)의 학습 효율을 높일 수 있다

다음으로, 학습 데이터 설계 장치(100)는 수집한 어노테이션 작업 대상물에서 객체를 식별하여 3D 객체를 생성할 수 있다(S120).

구체적으로, 학습 데이터 설계 장치(100)는 2D 이미지에 존재하는 객체 영역을 검출하고, 검출된 객체 영역에 RGB(Red, Green, Blue) 정보를 추출할 수 있다. 이후, 학습 데이터 설계 장치(100)는 3D 점군 데이터 중 객체 영역에 매칭되는 포인트를 추출하고, 포인트 정보와 추출된 RGB 정보를 정합하여 3D 객체를 생성할 수 있다. 이때, 학습 데이터 설계 장치(100)는 포인트 정보를 2D 이미지 좌표 상에 투영하고, 투영된 이미지 좌표와, 추출된 RGB 정보를 기반으로, 포인트 정보와 추출된 RGB 정보를 정합하여 3D 객체를 생성할 수 있다. 여기서, 학습 데이터 설계 장치(100)는 사전에 기계 학습(machine learning)된 인공지능(Artificial Intelligence, AI)을 이용하여, 상기 RGB 정보 및 상기 포인트 정보를 추출하여 정합할 수 있다.

또한, 학습 데이터 설계 장치(100)는 다양한 각도로 배치된 복수의 카메라에 의해 촬영된 2D 이미지인 경우, 사전에 기계학습 된 인공지능을 이용하여, 2D 이미지에 등장하는 3D 객체의 종류를 파악하고, 3D 객체를 관찰하는 복수의 카메라의 자세를 파악한 후에, 파악된 카메라의 자세를 기초로, 3D 객체의 좌표를 추정할 수 있다. 그리고, 3D 학습 데이터 설계 장치(100)는 추정된 3D 객체의 좌표를 3D 객체의 종류, 카메라의 자세 정보와 함께 인공지능 모델을 학습시킬 수 있다.

다음으로, 학습 데이터 설계 장치(100)는 S120 단계에서 생성된 3D 객체에 대한 2D 이미지의 복수의 키 포인트를 추출하고, 추출된 키 포인트를 사전에 구축된 인체 자세 모형 데이터 셋에 저장된 인체 자세 모형과 비교하여, 저장된 인체 자세 모형 데이터 셋 중 추출된 키 포인트와 매칭되는 인체 자세 모형을 추출하여 3D 객체의 행동을 추정할 수 있다.

여기서, 학습 데이터 설계 장치(100)는 사전에 기계 학습(machine learning)된 인공지능(Artificial Intelligence, AI)을 이용하여, 추출된 키 포인트와 매칭되는 인체 자세 모형을 예측할 수 있다. 한편, 인공지능을 기계학습 시키기 위한 내용은 도 8을 참조하여 후술하도록 한다.

그리고, 학습 데이터 설계 장치(100)는 출력된 인체 자세 모형을 통해 작업 대상물에 대한 프레임 단위로 행동 분류를 수행하고, 행동 분류에 따라 학습 데이터를 생성할 수 있다(S140).

여기서, 학습 데이터 설계 장치(100)는 행동 분류에 따라 학습 대상이 되는 행동으로 분류된 프레임을 학습 데이터로 생성할 수 있다. 또한, 학습 데이터 설계 장치(100)는 행동 분류에 따라 분류된 프레임 별로 학습 데이터로 생성하기 위한 프레임 수를 제어할 수 있다. 또한, 학습 데이터 설계 장치(100)는 생성된 3D 객체를 학습 대상이 되는 가상 공간에 합성하여 학습 데이터를 생성할 수 있다.

도 8은 본 발명의 일 실시예에 따른 행동 추정을 위한 기계 학습 방법을 설명하기 위한 순서도이다.

도 8을 참조하면, 학습 데이터 설계 장치(100)는 3D 객체를 사전에 정해진 프레임 단위로 키 포인트를 추출할 수 있다(S121). 이때, 학습 데이터 설계 장치(100)는 ResNet(Residual Network) 모델을 기반으로, 관절 포지션을 예측하고, 예측된 관절 포지션을 인체 골격에 맞도록 연결하여 키 포인트를 추출할 수 있다. 이때, 학습 데이터 설계 장치(100)는 2D 이미지 및 3D 점군 데이터를 기반으로 키 포인트를 추출할 수 있다.

다음으로, 학습 데이터 설계 장치(100)는 사전에 정해진 프레임 단위로 추출된 키 포인트를 통합하여 통합 키 포인트를 생성할 수 있다(S122). 이때, 학습 데이터 설계 장치(100)는 골격을 트래킹(tracking)하기 위한 전처리 과정을 수행하고, 크기가 다른 2D 이미지를 처리하기 위해 좌표를 조정할 수 있다.

여기서, 학습 데이터 설계 장치(100)는 추출된 키 포인트를 통합하되, 머리, 눈 및 귀를 포함하는 키 포인트를 제거하고, 목 또는 허벅지에 키 포인트가 없는 경우 해당 프레임을 삭제할 수 있다. 즉, 학습 데이터 설계 장치(100)는 인식에 도움이 되지 않는 키 포인트를 삭제하거나, 불필요한 2D 이미지는 삭제할 수 있다.

또한, 학습 데이터 설계 장치(100)는 연속된 제1 프레임 및 제2 프레임 사이의 키 포인트를 비교하여, 제2 프레임에 추출된 키 포인트가 누락된 것으로 판단되면, 제1 프레임의 키 포인트를 이용하여 제2 프레임의 키 포인트를 추가할 수 있다.

다음으로, 학습 데이터 설계 장치(100)는 생성된 통합 키 포인트에서 특징 데이터를 추출할 수 있다(S124). 여기서, 특징 데이터는 윈도우 사이즈(window size), 최상단 키 포인트와 최하단 키 포인트 사이의 높이, 몸체의 속도, 정규화 한 관절 위치, 관절들의 속도, 관절 각도 및 팔과 다리 길이 중 적어도 하나를 포함할 수 있다. 예를 들어, 최상단 키 포인트와 최하단 키 포인트 사이의 높이는 윈도우 사이즈를 기준으로 목에서 허벅지까지의 길이를 의미하며, 모든 특징 데이터를 정규화 하는데 사용될 수 있다. 몸체의 속도는 현재 프레임의 목의 위치에서 이전 프레임의 목의 위치를 기준으로 산출될 수 있다. 관절들의 속도는 현재 프레임의 관절의 위치에서 이전 프레임의 관절의 위치를 기준으로 산출될 수 있다.

여기서, 학습 데이터 설계 장치(100)는 추출된 특징 데이터를 주성분 분석(Principal Component Analysis: PCA)을 이용하여 차원(dimension)을 감소시킬 수 있다. 즉, 학습 데이터 설계 장치(100)는 측정된 특징 데이터들의 선형 조합(linear combination)에 의해 대표적인 주성분을 만들어 차원(dimension)을 줄일 수 있다.

그리고, 학습 데이터 설계 장치(100)는 추출된 특징 데이터를 통해 인공지능을 기계학습 시킬 수 있다(S124).

도 9는 본 발명의 일 실시예에 따른 피드백 방법을 설명하기 위한 순서도이다.

먼저, 학습 데이터 검증 장치(300)는 어노테이션 장치(200)로부터 어노테이션 작업 결과물을 작업하는 작업자로부터 어노테이션 작업에 대한 질의를 수신할 수 있다(S210).

다음으로, 학습 데이터 검증 장치(300)는 피드백 풀에 포함된 피드백 정보를 통해 질의에 대한 응답을 수행할 수 있다(S220).

여기서, 학습 데이터 검증 장치(300)는 자연어 처리(NLP)를 기반으로, 사전에 기계 학습된 인공지능(AI)을 이용하여, 부적합 사유에 대한 리뷰어의 코멘트, 작업자로부터 수신한 질의 및 질의에 대한 응답 중 적어도 하나를 분석하고, 질의에 대한 응답을 생성하여 제공할 수 있다. 이때, 학습 데이터 설계 장치(100)는 텍스트 형태의 응답과 함께, 작업자가 수행하는 어노테이션 작업 결과물과 매칭되는 이미지에 오류 영역을 강조하여 응답을 제공할 수 있다.

그리고, 학습 데이터 검증 장치(300)는 생성된 응답을 어노테이션 장치(200)로 전송할 수 있다(S230).

도 10은 본 발명의 다른 실시예에 따른 피드백 방법을 설명하기 위한 순서도이다.

먼저, 학습 데이터 검증 장치(300)는 어노테이션 장치(200)에 의해 어노테이션 작업을 수행하는 작업자로부터 작업 결과물을 수신할 수 있다(S340).

다음으로, 학습 데이터 검증 장치(300)는 S340 단계에서 수신한 작업 결과물에 대한 검증을 수행한다(S340). 즉 학습 데이터 검증 장치(300)는 어노테이션 작업 결과물을 리뷰하는 리뷰어(reviewer)로부터 검증 결과와, 검증 결과가 부적합으로 판단된 경우 판단된 부적합 사유에 해당하는 코멘트를 입력 받을 수 있다.

여기서, 학습 데이터 검증 장치(300)는 리뷰어로부터 입력 받은 코멘트를 먼저 어노테이션 장치(200)에 전송하여, 코멘트를 참조로 재작성 된 어노테이션 작업 결과물을 수신하고, 재작성 된 어노테이션 작업 결과물에 대한 재검증을 수행할 수 있다.

다음으로, 학습 데이터 검증 장치(300)는 S360 단계에서 검증 결과, 작업 대상물이 적합한 경우 적합 결과를 어노테이션 장치(200)를 통해 작업자에게 전송할 수 있다(S370).

여기서, 학습 데이터 검증 장치(300)는 S360 단계에서 검증 결과, 작업 대상물이 부적합한 경우, 피드백 정보를 생성할 수 있다(S380). 즉, 학습 데이터 검증 장치(300)는 자연어 처리(Natural Language Processing: NLP)를 기반으로, 사전에 기계 학습(machine learning)된 인공지능(Artificial Intelligence, AI)을 이용하여, 부적합 사유를 분석하고, 부적합 사유에 대한 코멘트를 생성할 수 있다. 하지만 이에 한정된 것은 아니고, 학습 데이터 검증 장치(300)는 자연어 처리(NLP)를 기반으로, 사전에 기계 학습된 인공지능(AI)을 이용하여, 피드백 풀에 저장된 부적합 사유와 매칭되는 리뷰어의 코멘트 및 작업 이미지 중 적어도 하나를 분석하고, 부적합 사유에 대한 코멘트를 생성하여, 피드백 정보를 포함시킬 수 있다.

그리고, 학습 데이터 검증 장치(300)는 리뷰어로부터 입력 받은 코멘트와 함께 피드백 정보를 전송할 수 있다(S390). 이때, 학습 데이터 검증 장치(300)는 피드백 정보를 챗봇(chatter robot) 형태로 전송할 수 있다.

도 11은 본 발명의 일 실시예에 따라 인공지능(AI) 기계 학습을 위한 데이터를 수집하는 차량을 설명하기 위한 예시도이다.

본 발명의 일 실시예에 따른 학습 데이터 설계 장치(100)는 수집한 어노테이션 작업 대상물에서 객체를 식별하여 3D 객체를 생성하고, 생성된 3D 객체를 학습 대상이 되는 가상 공간에 합성하여 학습 데이터를 생성함으로써 학습 효율을 높일 수 있다. 이때, 학습 데이터 설계 장치(100)는 카메라를 통해 획득한 2D 이미지와, 라이다를 통해 획득한 3D 점군 데이터를 통해 3D 객체를 생성할 수 있다.

예를 들어, 도 11에 도시된 바와 같이, 본 발명의 실시예에 따라 인공지능(AI) 기계 학습을 위한 데이터를 수집하는 차량(10)은 라이다(lidar)와 복수 개의 카메라(camera 1, camera 2, camera 3, camera 4, camera 5, camera)가 고정 설치될 수 있다.

차량(10)에 고정 설치된 라이다는 레이저 펄스를 발사하고, 차량 주위에 위치하는 객체들에 의해 반사되어 돌아온 빛을 감지하여, 차량 주위에 대한 3차원 영상에 해당하는 3D 점군 데이터를 생성할 수 있다. 따라서, 라이다에 의해 획득된 3D 점군 데이터는 라이다에 의해 3차원 공간으로 발사된 레이저 펄스를 반사시킨 점(point)들의 집합을 포함할 수 있다.

차량(10)에 고정 설치된 카메라는 차량 주위에 대한 2차원 이미지를 각각 촬영할 수 있다. 도 12에는 차량(10)에 6개의 카메라가 고정 설치된 실시 예가 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

도 12는 본 발명의 일 실시예에 따라 키 포인트를 추출하기 위한 과정을 설명하기 위한 예시도이다.

본 발명의 일 실시예에 따른 학습 데이터 설계 장치(100)는 수집한 어노테이션 작업 대상물에서 객체를 식별하여 3D 객체를 생성하고, 생성된 3D 객체의 행동을 추정하고, 행동에 따라 분류하여 선택적으로 학습 데이터를 생성함으로써 학습 효율을 높일 수 있다.

여기서, 학습 데이터 설계 장치(100)는 또한, 행동 추정부(130)는 연속된 제1 프레임 및 제2 프레임 사이의 키 포인트를 비교하여, 제2 프레임에 추출된 키 포인트가 누락된 것으로 판단되면, 제1 프레임의 키 포인트를 이용하여 제2 프레임의 키 포인트를 추가할 수 있다.

예를 들어, 도 12에 도시된 바와 같이, 이전 프레임(prev_frame)은 가려진 부분이 없기 때문에 모든 키 포인트(point a)들이 추출된 것을 확인할 수 있다. 그러나, 현재 프레임(curr_frame)은 누락된 키 포인트(point b)가 발생된 것을 확인할 수 있다. 즉, 객체가 사람인 경우, 카메라를 기준으로 옆모습이 촬영되는 경우, 몸통에 의해 팔이 가려지거나, 다리가 서로 교차하는 경우 가려지는 영역이 발생되기 때문에, 가려지는 영역은 키 포인트가 추출되지 않을 수 있다.

이에 따라, 학습 데이터 설계 장치(100)는 이전 프레임(prev_frame)의 키 포인트(point a)를 추적하여 가려진 키포인트(point b)를 추정하고, 해당 키 포인트를 현재 프레임(curr_frame)에 추가할 수 있다.

도 13은 본 발명의 일 실시예에 따라 피드백 정보를 설명하기 위한 예시도이다.

본 발명의 일 실시예에 따른 학습 데이터 검증 장치(300)는 어노테이션한 작업 결과물을 검증하고, 검증 수행 결과 부적합으로 판단되는 경우, 부적합 사유에 대하여 사전에 구축된 피드백 풀(feedback pool)에 포함된 피드백 정보 중 판단된 부적합 사유에 해당하는 피드백 정보를 전송함으로써, 작업자와 리뷰어 간의 소통을 원활이 하여 어노테이션 작업의 정확성을 높일 수 있다.

예를 들어, 도 13의 (a)에 도시된 바와 같이, 어노테이션 작업자가 컵(cup)을 객체로 포함하는 작업 대상물에 어노테이션 작업을 수행하는 과정에서, 컵 손잡이를 누락하고 바운딩 박스(bounding box)를 설정한 경우, 학습 데이터 검증 장치(300)는 컵 또는 손잡이 등의 키워드를 기반으로 피드백 풀에서 답변 데이터를 검색하여, 어노테이션 장치(200)에 전송할 수 있다. 이때, 학습 데이터 검증 장치(300)는 텍스트 형태의 설명을 전달하거나, (b)에 도시된 바와 같이 동일한 객체가 포함된 가이드 이미지를 함께 어노테이션 장치(200)에 제공할 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 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적해석에 의해 선정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

학습 데이터 설계 장치: 100 어노테이션 장치: 200
학습 데이터 검증 장치: 300 인공지능 학습 장치: 400
통신부: 105, 305 입출력부: 110, 310
저장부: 115, 315 작업 대상물 수집부: 120
3D 객체 생성부: 125 행동 추정부: 130
학습 데이터 생성부: 135 응답 생성부: 320
검증 수행부: 325 피드백 생성부: 330

Claims

인공지능(Artificial Intelligence, AI) 학습을 위한 어노테이션(annotation) 작업 대상물을 수집하는 단계;
학습 데이터 생성 장치가, 상기 수집한 어노테이션 작업 대상물에서 객체를 식별하여 3D 객체를 생성하는 단계; 및
상기 학습 데이터 생성 장치가, 상기 생성된 3D 객체에 대한 2D 이미지의 복수의 키 포인트를 추출하고, 상기 추출된 키 포인트를 사전에 구축된 인체 자세 모형 데이터 셋에 저장된 인체 자세 모형과 비교하여, 상기 저장된 인체 자세 모형 데이터 셋 중 상기 추출된 키 포인트와 매칭되는 인체 자세 모형을 추출하여 상기 3D 객체의 행동을 추정하는 단계를 포함하는 것을 특징으로 하고,
상기 수집하는 단계에서
상기 어노테이션 작업 대상물은 카메라(camera)에 의해 촬영된 2D 이미지 및 라이다(Lidar)를 통해 생성된 점군 데이터를 포함하고,
상기 2D 이미지 및 상기 점군 데이터를 기반으로 상기 키 포인트를 추출하는 것을 특징으로 하며,
상기 행동을 추정하는 단계는
사전에 기계 학습(machine learning)된 인공지능(Artificial Intelligence, AI)을 이용하여, 상기 추출된 키 포인트와 매칭되는 인체 자세 모형을 예측하는 것을 특징으로 하고,
상기 행동을 추정하는 단계 이전에
상기 3D 객체를 사전에 정해진 프레임 단위로 키 포인트를 추출하는 단계;
상기 사전에 정해진 프레임 단위로 상기 추출된 키 포인트를 통합하여 통합 키 포인트를 생성하는 단계;
상기 생성된 통합 키 포인트에서 특징 데이터를 추출하는 단계;
상기 추출된 특징 데이터를 통해 상기 인공지능을 기계학습 시키는 단계를 더 포함하는 것을 특징으로 하며,
상기 통합 키 포인트를 생성하는 단계는
상기 추출된 키 포인트를 통합하되, 머리, 눈 및 귀를 포함하는 키 포인트를 제거하고, 목 또는 허벅지에 키 포인트가 없는 경우 해당 프레임을 삭제하는 것을 특징으로 하고,
상기 특징 데이터를 추출하는 단계에서
상기 특징 데이터는 목의 위치에 대응되는 키 포인트와 허벅지의 위치에 대응되는 키 포인트 사이의 높이를 포함하는 것을 특징으로 하는, 행동 추정 방법.
제1 항에 있어서, 상기 키 포인트를 추출하는 단계는
ResNet(Residual Network) 모델을 기반으로, 관절 포지션을 예측하고, 예측된 관절 포지션을 인체 골격에 맞도록 연결하는 것을 특징으로 하는, 행동 추정 방법.
제1 항에 있어서, 상기 통합 키 포인트를 생성하는 단계는
연속된 제1 프레임 및 제2 프레임 사이의 키 포인트를 비교하여, 상기 제2 프레임에 추출된 키 포인트가 누락된 것으로 판단되면, 상기 제1 프레임의 키 포인트를 이용하여 상기 제2 프레임의 키 포인트를 추가하는 것을 특징으로 하는, 행동 추정 방법.
제1 항에 있어서, 상기 특징 데이터를 추출하는 단계에서
상기 특징 데이터는 윈도우 사이즈(window size), 몸체의 속도, 정규화 한 관절 위치, 관절들의 속도, 관절 각도 및 팔과 다리 길이 중 적어도 하나를 더 포함하는 것을 특징으로 하는, 행동 추정 방법.
제1항에 있어서, 상기 특징 데이터를 추출하는 단계 이후에
상기 추출된 특징 데이터를 주성분 분석(Principal Component Analysis: PCA)을 이용하여 차원(dimension)을 감소시키는 단계를 포함하는 것을 특징으로 하는, 행동 추정 방법.
제1 항에 있어서, 상기 3D 객체의 행동을 추정하는 단계 이후에
상기 추출된 인체 자세 모형을 통해 상기 작업 대상물의 행동 분류를 수행하는 단계;
상기 행동 분류에 따라 학습 데이터를 생성하는 단계를 더 포함하는 것을 특징으로 하는, 행동 추정 방법.
제6 항에 있어서, 상기 학습 데이터를 생성하는 단계는
상기 행동 분류에 따라 학습 대상이 되는 행동으로 분류된 프레임을 상기 학습 데이터로 생성하는 것을 특징으로 하는, 행동 추정 방법.
제6 항에 있어서, 상기 학습 데이터를 생성하는 단계는
상기 행동 분류에 따라 분류된 프레임 별로 학습 데이터로 생성하기 위한 프레임 수를 제어하는 것을 특징으로 하는, 행동 추정 방법.
메모리(memory);
송수신기(transceiver); 및
상기 메모리에 상주된 명령어를 처리하는 프로세서(processor)를 포함하여 구성된 컴퓨팅 장치와 결합되어,
상기 프로세서가, 인공지능(Artificial Intelligence, AI) 학습을 위한 어노테이션(annotation) 작업 대상물을 수집하는 단계;
상기 프로세서가, 상기 수집한 어노테이션 작업 대상물에서 객체를 식별하여 3D 객체를 생성하는 단계; 및
상기 프로세서가, 상기 생성된 3D 객체에 대한 2D 이미지의 복수의 키 포인트를 추출하고, 상기 추출된 키 포인트를 사전에 구축된 인체 자세 모형 데이터 셋에 저장된 인체 자세 모형과 비교하여, 상기 저장된 인체 자세 모형 데이터 셋 중 상기 추출된 키 포인트와 매칭되는 인체 자세 모형을 추출하여 상기 3D 객체의 행동을 추정하는 단계를 포함하여 실행시키되,
상기 수집하는 단계에서
상기 어노테이션 작업 대상물은 카메라(camera)에 의해 촬영된 2D 이미지 및 라이다(Lidar)를 통해 생성된 점군 데이터를 포함하고,
상기 2D 이미지 및 상기 점군 데이터를 기반으로 상기 키 포인트를 추출하는 것을 특징으로 하며,
상기 행동을 추정하는 단계는
사전에 기계 학습(machine learning)된 인공지능(Artificial Intelligence, AI)을 이용하여, 상기 추출된 키 포인트와 매칭되는 인체 자세 모형을 예측하는 것을 특징으로 하고,
상기 행동을 추정하는 단계 이전에
상기 3D 객체를 사전에 정해진 프레임 단위로 키 포인트를 추출하는 단계;
상기 사전에 정해진 프레임 단위로 상기 추출된 키 포인트를 통합하여 통합 키 포인트를 생성하는 단계;
상기 생성된 통합 키 포인트에서 특징 데이터를 추출하는 단계;
상기 추출된 특징 데이터를 통해 상기 인공지능을 기계학습 시키는 단계를 더 포함하는 것을 특징으로 하며,
상기 통합 키 포인트를 생성하는 단계는
상기 추출된 키 포인트를 통합하되, 머리, 눈 및 귀를 포함하는 키 포인트를 제거하고, 목 또는 허벅지에 키 포인트가 없는 경우 해당 프레임을 삭제하는 것을 특징으로 하고,
상기 특징 데이터를 추출하는 단계에서
상기 특징 데이터는 목의 위치에 대응되는 키 포인트와 허벅지의 위치에 대응되는 키 포인트 사이의 높이를 포함하는 것을 특징으로 하는, 기록매체에 기록된 컴퓨터 프로그램.
제9 항에 있어서, 상기 3D 객체의 행동을 추정하는 단계 이후에
상기 추출된 인체 자세 모형을 통해 상기 작업 대상물의 행동 분류를 수행하는 단계;
상기 행동 분류에 따라 학습 데이터를 생성하는 단계를 더 포함하는 것을 특징으로 하는, 기록매체에 기록된 컴퓨터 프로그램.