KR102490044B1 - 물체인식 학습용 이미지 데이터 증강 방법, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램 - Google Patents

물체인식 학습용 이미지 데이터 증강 방법, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램 Download PDF

Info

Publication number
KR102490044B1
KR102490044B1 KR1020200099837A KR20200099837A KR102490044B1 KR 102490044 B1 KR102490044 B1 KR 102490044B1 KR 1020200099837 A KR1020200099837 A KR 1020200099837A KR 20200099837 A KR20200099837 A KR 20200099837A KR 102490044 B1 KR102490044 B1 KR 102490044B1
Authority
KR
South Korea
Prior art keywords
image
area
data
bounding box
augmented data
Prior art date
Application number
KR1020200099837A
Other languages
English (en)
Other versions
KR20220019432A (ko
Inventor
허지성
박지훈
Original Assignee
국방과학연구소
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 국방과학연구소 filed Critical 국방과학연구소
Priority to KR1020200099837A priority Critical patent/KR102490044B1/ko
Publication of KR20220019432A publication Critical patent/KR20220019432A/ko
Application granted granted Critical
Publication of KR102490044B1 publication Critical patent/KR102490044B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/12—Bounding box

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

실시예에 따른 물체인식 학습용 이미지 데이터 증강 방법은 이미지를 선택하는 단계와, 상기 이미지에서 물체 영역을 선택하는 단계와, 상기 물체 영역의 적어도 일부를 가리는 임의의 영역에 증강 데이터를 생성하는 단계와, 확률 분포를 기반으로 바운딩 박스를 조정하는 단계를 포함할 수 있다.
실시예는 데이터 증강을 통해 부분적으로 가려진 물체를 인식 할 때에도 간겅하게 높은 정확도로 인식할 수 있는 물체 인식기를 학습할 수 있는 데이터셋을 획득할 수 있는 효과가 있다.

Description

물체인식 학습용 이미지 데이터 증강 방법, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램{METHOD OF IMAGE DATA AUGMENTATION FOR LEARNING OF OBJECTS DETECTING, COMPUTER-READABLE STORAGE MEDIUM AND COMPUTER PROGRAM}
실시예는 물체를 높은 정확도로 인식하기 위한 데이터를 획득하기 위한 물체인식 학습용 이미지 데이터 증강 방법에 관한 것이다.
일반적으로, 딥 콘볼루션 뉴럴네트워크를 이용한 물체 인식 알고리즘의 속도와 정확도가 매우 높아지고 있다.
딥 콘볼루션 뉴럴네트워크를 활용한 물체 인식 알고리즘을 실제 적용할 때, 학습데이터에 포함되지 않은 데이터가 입력으로 들어올 경우의 정확도가 낮아질 수밖에 없으며, 그에 따라 학습 데이터를 최대한 많이 확보하는 것이 중요하다.
그러나, 학습데이터를 무한히 확보하는 것이 불가능하므로 주어진 학습데이터가 있을 때 데이터 증강 (Data augmentation) 방법을 통해 데이터의 양을 늘리는 방법이 보편적이다.
일반적으로 이미지 분류 (Image classification)을 적용하기 위해 다양한 방법이 제안되었으나, 물체 인식 (Object detection) 데이터의 증강방법에 대해서는 구체적인 방안이 제시되어 있지 않고 있다.
물체 인식 데이터의 실 적용 시 가장 큰 문제점 중에 하나는, 물체의 일부가 다른 사물에 가려져 있는 경우에 대한 대응이 어렵다. 대부분의 데이터셋이 목표 물체가 모두 보이는 상황에서 수집이 되고, 레이블 되었다면 이를 실제 적용할 때 다른 물체에 가려진 물체는 인식 정확도가 매우 떨어진다.
상술한 문제점을 해결하기 위해, 실시예는 물체 인식기의 물체 인식 정확도를 향상시키기 위한 물체인식 학습용 이미지 데이터 증강 방법을 제공하는 것을 그 목적으로 한다.
실시예에 따른 물체인식 학습용 이미지 데이터 증강 방법은 이미지를 선택하는 단계와, 상기 이미지에서 물체 영역을 선택하는 단계와, 상기 물체 영역의 적어도 일부를 가리는 임의의 영역에 증강 데이터를 생성하는 단계와, 확률 분포를 기반으로 바운딩 박스를 조정하는 단계를 포함할 수 있다.
상기 임의의 영역에 증강 데이터를 생성하는 단계는, 상기 임의의 영역에 검정 색상의 이미지를 채워 상기 증강 데이터를 생성할 수 있다.
상기 임의의 영역에 증강 데이터를 생성하는 단계는, 상기 임의의 영역에 상기 이미지의 배경 영역에 대응되는 이미지를 채워 상기 증강 데이터를 생성할 수 있다.
상기 임의의 영역에 증강 데이터를 생성하는 단계는, 상기 임의의 영역에 랜덤 노이즈 값을 채워 상기 증강 데이터를 생성할 수 있다.
상기 임의의 영역에 증강 데이터를 생성하는 단계는, 상기 임의의 영역에 상기 이미지의 색상 분포를 고려한 노이즈 값을 채워 상기 증강 데이터를 생성할 수 있다.
상기 확률 분포를 기반으로 바운딩 박스를 조정하는 단계에서, 좌측,우측,상측 및 하측의 바운딩 박스를 조정할 때 상기 바운딩 박스 내에 포함되는 영역의 누적 확률 값은 특정 임계치 이상일 수 있다.
상기 바운딩 박스를 조정하는 확률 분포를 이변량 정규분포 기반으로 수행될 수 있다.
상기 바운딩 박스를 조정하는 확률 분포를 실제 데이터 셋의 물체 확률 분포를 기반으로 수행될 수 있다.
실시예는 데이터 증강을 통해 부분적으로 가려진 물체를 인식 할 때에도 강건하게 높은 정확도로 인식할 수 있는 물체 인식기를 학습할 수 있는 데이터셋을 획득할 수 있는 효과가 있다.
도 1은 실시예에 따른 물체인식 학습용 이미지 데이터 증강 방법을 나타낸 순서도이다.
도 2 내지 도 11은 실시예에 따른 물체인식 학습용 이미지 데이터 증강 방법을 설명하기 위한 도면이다.
이하, 도면을 참조하여 실시예를 상세히 설명하기로 한다.
도 1은 실시예에 따른 물체인식 학습용 이미지 데이터 증강 방법을 나타낸 순서도이고, 도 2 내지 도 11은 실시예에 따른 물체인식 학습용 이미지 데이터 증강 방법을 설명하기 위한 도면이다.
도 1을 참조하면, 실시예에 따른 이미지 데이터 증강 방법은 이미지를 선택하는 단계(S100)와, 상기 이미지에서 물체 영역을 선택하는 단계(S200)와, 상기 물체 영역의 적어도 일부를 가리는 임의의 영역에 증강 데이터를 생성하는 단계(S300)와, 확률 분포를 기반으로 바운딩 박스를 조정하는 단계(S400)를 포함할 수 있다.
이미지를 선택하는 단계(S100)는 먼저, 복수의 이미지를 수집할 수 있다. 도 2에 도시된 바와 같이, 수집된 복수의 이미지 중 증강에 활용할 이미지(100)를 선택할 수 있다.
이미지를 선택하는 단계(S100)를 마치면, 이미지에서 물체 영역을 선택하는 단계(S200)를 수행할 수 있다. 이미지(10)에는 하나 또는 복수의 물체 영역을 포함할 수 있다. 따라서, 상기 단계(S100)에서는 인식할 대상 물체를 포함하는 물체 영역을 선택할 수 있다.
이미지에서 물체 영역을 선택하는 단계(S200)를 마치면, 물체 영역의 적어도 일부를 가리는 임의의 영역에 증강 데이터를 생성하는 단계(S300)를 수행할 수 있다.
물체 영역은 인식되어야 할 특정 물체 영역과 특정 물체 영역을 일부 또는 전체를 가리는 다른 물체 영역을 포함할 수 있다. 다른 물체 영역이 특정 물체 영역을 가릴 경우, 잘못된 데이터를 포함하게 되어 인식 정확도가 떨어질 수 있다.
따라서, 특정 물체 영역을 가리는 다른 물체 영역(이하 '임의의 영역'이라 칭함)에 대해 데이터 처리가 필요하다.
도 3에 도시된 바와 같이, 먼저, 임의의 영역(20)을 선택할 수 있다. 임의의 영역(20)에는 도 4 내지 도 7과 같이, 증강 데이터를 생성할 수 있다.
도 4에 도시된 바와 같이, 일 실시예로 임의의 영역(20)에 이미지 상 검정 색상의 이미지(22)를 채워 증강 데이터를 생성할 수 있다. 여기서, 검정 색상은 '0' 값일 수 있다.
도 5에 도시된 바와 같이, 다른 실시예로 임의의 영역(20)에 이미지의 배경 영역에 대응되는 이미지(24)를 채워 증강 데이터를 생성할 수 있다.
도 6에 도시된 바와 같이, 또 다른 실시예로 임의의 영역(20)에 노이즈 값(26)을 채워 증강 데이터를 생성할 수 있다. 노이즈는 랜덤한 값일 수 있다.
도 7에 도시된 바와 같이, 또 다른 실시예로 임의의 영역(20)에 노이즈 값(28)을 채워 증강 데이터를 생성할 수 있다. 노이즈는 이미지의 색상 분포를 고려한 값일 수 있다.
임의의 영역에 증강 데이터를 생성하는 단계(S300)를 마치면, 확률 분포를 기반으로 바운딩 박스를 조정하는 단계(S400)를 수행할 수 있다.
상기와 같이, 임의의 영역은 실제 물체로 레이블링할 경우, 물체 인식기가 잘못된 데이터를 포함하여 학습할 가능성이 있으므로, 실제 영역에 맞는 바운딩 박스로 조정이 필요하다. 이에 바운딩 박스에 해당하는 영역을 해당 공간에 물체가 존재할 확률에 대한 확률 분포로 나타낼 수 있는데, 만약 표준 이변량 정규 분포를 가정한다면 수학식 1과 같이 표현할 수 있다.
[수학식 1]
Figure 112020083727474-pat00001
이 때, 이미지의 영역을 특정 확률 분포에 맞는 영역에 대응할 수 있다. 예를 들어, 이변량 정규 분포에서의 x, y 의 -3 ~ +3 까지의 영역에 대해 정사각형 영역의 확률분포를 가정할 수 있다. 이 때 가려진 영역
Figure 112020083727474-pat00002
를 같은 크기의 박스에서의 가려짐이 적용된 영역으로 정의하고, 이 영역을 0으로 치환한 새로운
Figure 112020083727474-pat00003
을 수학식 2와 같이 정의할 수 있다.
[수학식 2]
Figure 112020083727474-pat00004
이 때, 가려진 영역에 해당하는 변수를 조정한다. 가려진 영역이 물체의 상측을 포함한다면 ymin, 하측을 포함한다면 ymax, 좌측을 포함한다면 xmin, 우측을 포함한다면 xmax를 조정한다. 조정하는 방법은 각 축을 줄인 나머지 영역에 대하여 확률 분포 상의 누적 확률 값이 특정 임계치 (Threshold) 이상이 되게 하는 것으로, 조정식은 수학식 3과 같다.
[수학식 3]
Figure 112020083727474-pat00005
필요시, 도 10에 도시된 바와 같이, 임의의 영역을 가린 후 원본 이미지 크기로 리사이즈를 진행하여 확률 분포 기반 바운딩 박스 조정을 수행할 수 있다.
다시 말해, 도 8에 도시된 바와 같이, 예컨대, 1:1 비율로 리사이즈 하고, 도 9에 도시된 바와 같이, 확률 분포 기반 바운딩 박스를 조정하고, 도 10에 도시된 바와 같이, 조정된 바운딩 박스를 도 11에 도시된 바와 같이, 원본 그림 크기로 리사이즈를 진행할 수 있다.
분포 중 표준 이변량 정규 분포는 실제 데이터셋의 분포에 따라 다른 분포로 대체될 수 있다. 예를 들어, 자동차 입장에서의 보행자를 검출하기 위한 데이터셋이라면 사람의 일반적인 보행 시 형상에 따른 확률 분포를 사용할 수 있다.
확률 분포를 기반으로 바운딩 박스를 조정하는 단계(S400)에 의해 생성된 새로운 데이터는 물체 인식기의 학습 데이터로 활용될 수 있다.
상기와 같이, 증강된 데이터를 학습 데이터로 활용함으로써, 물체 인식의 정확도를 향상시킬 수 있는 효과가 있다.
실시예에 따른 물체인식 학습용 이미지 데이터 증강 방법은 물체인식 학습용 이미지 데이터 증강 장치에 의해 수행될 수 있으며, 물체인식 학습용 이미지 데이터 증강 장치는 이미지 선택부, 물체영역 선택부, 증강데이터 생성부, 바운딩 박스 조정부를 포함할 수 있다.
이미지 선택부 이미지를 선택할 수 있다. 물체영역 선택부는 이미지에서 물체 영역을 선택할 수 있다. 증강데이터 생성부는 물체 영역의 적어도 일부를 가리는 임의의 영역에 증강 데이터를 생성할 수 있다. 증강 데이터는 도 4 내지 도 7과 같은 방법으로 수행될 수 있다. 바운딩 박스 조정부는 확률 분포를 기반으로 바운딩 박스를 조정할 수 있다.
본 문서의 다양한 실시예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media)(예: 메모리(내장 메모리 또는 외장 메모리))에 저장된 명령어를 포함하는 소프트웨어(예: 프로그램)로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시예들에 따른 전자 장치를 포함할 수 있다. 상기 명령이 제어부에 의해 실행될 경우, 제어부가 직접, 또는 상기 제어부의 제어하에 다른 구성요소들을 이용하여 상기 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, 비일시적은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.
실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다.
일 실시예에 따르면, 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서, 이미지를 선택하는 단계와, 상기 이미지에서 물체 영역을 선택하는 단계와, 상기 물체 영역의 적어도 일부를 가리는 임의의 영역에 증강 데이터를 생성하는 단계와, 확률 분포를 기반으로 바운딩 박스를 조정하는 단계를 수행하기 위한 동작을 포함하는 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함할 수 있다.
일 실시예에 따르면, 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서, 이미지를 선택하는 단계와, 상기 이미지에서 물체 영역을 선택하는 단계와, 상기 물체 영역의 적어도 일부를 가리는 임의의 영역에 증강 데이터를 생성하는 단계와, 확률 분포를 기반으로 바운딩 박스를 조정하는 단계를 수행하기 위한 동작을 포함하는 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함할 수 있다.
상기에서는 도면 및 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허청구범위에 기재된 실시예의 기술적 사상으로부터 벗어나지 않는 범위 내에서 실시예는 다양하게 수정 및 변경시킬 수 있음은 이해할 수 있을 것이다.
10: 이미지
20: 임의의 영역

Claims (10)

  1. 이미지를 선택하는 단계;
    상기 이미지에서 물체 영역을 선택하는 단계;
    상기 물체 영역의 적어도 일부를 가리는 가려진 영역에 증강 데이터를 생성하는 단계; 및
    상기 가려진 영역이 포함되는 물체 영역에 대해 확률 분포를 기반으로 바운딩 박스를 조정하는 단계;를 포함하되,
    상기 조정하는 단계는 상기 바운딩 박스 내에 상기 물체 영역이 존재할 확률에 대한 누적 확률 값이 임계치 이상이 되도록 상기 바운딩 박스의 좌측, 우측, 상측 및 하측을 조정하는 단계를 포함하는 물체인식 학습용 이미지 데이터 증강 방법.
  2. 제1항에 있어서,
    상기 가려진 영역에 증강 데이터를 생성하는 단계는,
    상기 가려진 영역에 검정 색상의 이미지를 채워 상기 증강 데이터를 생성하는 물체인식 학습용 이미지 데이터 증강 방법.
  3. 제1항에 있어서,
    상기 가려진 영역에 증강 데이터를 생성하는 단계는,
    상기 가려진 영역에 상기 이미지의 배경 영역에 대응되는 이미지를 채워 상기 증강 데이터를 생성하는 물체인식 학습용 이미지 데이터 증강 방법.
  4. 제1항에 있어서,
    상기 가려진 영역에 증강 데이터를 생성하는 단계는,
    상기 가려진 영역에 랜덤 노이즈 값을 채워 상기 증강 데이터를 생성하는 물체인식 학습용 이미지 데이터 증강 방법.
  5. 제1항에 있어서,
    상기 가려진 영역에 증강 데이터를 생성하는 단계는,
    상기 가려진 영역에 상기 이미지의 색상 분포를 고려한 노이즈 값을 채워 상기 증강 데이터를 생성하는 물체인식 학습용 이미지 데이터 증강 방법.
  6. 제1항에 있어서,
    상기 가려진 영역에 증강 데이터를 생성하는 단계의 수행 후 상기 가려진 영역이 포함되는 물체 영역을 1:1 비율로 리사이징하는 단계를 더 포함하고,
    상기 조정하는 단계의 수행 후 상기 가려진 영역이 포함된 물체 영역을 원본 비율로 리사이징하는 단계를 더 포함하는
    물체인식 학습용 이미지 데이터 증강 방법.
  7. 제6항에 있어서,
    상기 바운딩 박스를 조정하는 확률 분포를 이변량 정규분포 기반으로 수행되는 물체인식 학습용 이미지 데이터 증강 방법.
  8. 제6항에 있어서,
    상기 바운딩 박스를 조정하는 확률 분포를 실제 데이터 셋의 물체 확률 분포를 기반으로 수행되는 물체인식 학습용 이미지 데이터 증강 방법.
  9. 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서,
    상기 컴퓨터 프로그램은,
    이미지를 선택하는 단계;
    상기 이미지에서 물체 영역을 선택하는 단계;
    상기 물체 영역의 적어도 일부를 가리는 가려진 영역에 증강 데이터를 생성하는 단계; 및
    상기 가려진 영역이 포함되는 물체 영역에 대해 확률 분포를 기반으로 바운딩 박스를 조정하되, 상기 바운딩 박스 내에 상기 물체 영역이 존재할 확률에 대한 누적 확률 값이 임계치 이상이 되도록 상기 바운딩 박스의 좌측, 우측, 상측 및 하측을 조정하는 단계;를 프로세서가 수행하도록 하기 위한 명령어를 포함하는 컴퓨터 판독 가능한 기록매체.
  10. 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서,
    상기 컴퓨터 프로그램은,
    이미지를 선택하는 단계;
    상기 이미지에서 물체 영역을 선택하는 단계;
    상기 물체 영역의 적어도 일부를 가리는 가려진 영역에 증강 데이터를 생성하는 단계; 및
    상기 가려진 영역이 포함되는 물체 영역에 대해 확률 분포를 기반으로 바운딩 박스를 조정하되, 상기 바운딩 박스 내에 상기 물체 영역이 존재할 확률에 대한 누적 확률 값이 임계치 이상이 되도록 상기 바운딩 박스의 좌측, 우측, 상측 및 하측을 조정하는 단계;를 프로세서가 수행하도록 하기 위한 명령어를 포함하는 기록매체에 저장된 컴퓨터 프로그램.
KR1020200099837A 2020-08-10 2020-08-10 물체인식 학습용 이미지 데이터 증강 방법, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램 KR102490044B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200099837A KR102490044B1 (ko) 2020-08-10 2020-08-10 물체인식 학습용 이미지 데이터 증강 방법, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200099837A KR102490044B1 (ko) 2020-08-10 2020-08-10 물체인식 학습용 이미지 데이터 증강 방법, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램

Publications (2)

Publication Number Publication Date
KR20220019432A KR20220019432A (ko) 2022-02-17
KR102490044B1 true KR102490044B1 (ko) 2023-01-18

Family

ID=80493312

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200099837A KR102490044B1 (ko) 2020-08-10 2020-08-10 물체인식 학습용 이미지 데이터 증강 방법, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램

Country Status (1)

Country Link
KR (1) KR102490044B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102568482B1 (ko) * 2023-03-02 2023-08-23 (주) 씨이랩 군사용 영상분석을 위한 데이터증강 서비스 제공 시스템

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190354817A1 (en) 2018-05-18 2019-11-21 Google Llc Learning Data Augmentation Strategies for Object Detection

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200087310A (ko) * 2018-12-28 2020-07-21 소프트온넷(주) 인공지능 영상판독 딥러닝 학습을 위한 애노테이션 학습데이터 생성과 증강 시스템 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190354817A1 (en) 2018-05-18 2019-11-21 Google Llc Learning Data Augmentation Strategies for Object Detection

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Barret Zoph 등, Learning Data Augmentation Strategies for Object Detection, arXiv:1906.11172v1(2019.06.26.)*
Zhun Zhong 등, Random Erasing Data Augmentation, arXiv:1708.04896v2(2017.11.16.)*

Also Published As

Publication number Publication date
KR20220019432A (ko) 2022-02-17

Similar Documents

Publication Publication Date Title
JP4628882B2 (ja) 判別器の学習方法、顔判別方法および装置並びにプログラム
CN111353512B (zh) 障碍物分类方法、装置、存储介质和计算机设备
KR102154393B1 (ko) 기계 학습 기반의 자동 결함 분류 방법
CN108960062A (zh) 校正发票图像的方法、装置、计算机设备和存储介质
KR101896357B1 (ko) 객체를 검출하는 방법, 디바이스 및 프로그램
CN109325532A (zh) 一种小样本下扩充数据集的图像处理方法
US20190197729A1 (en) Object detecting device, object detecting method and non-transitory computer-readable medium
CN112381061B (zh) 一种面部表情识别方法及系统
CN110135446B (zh) 文本检测方法及计算机存储介质
KR20200039043A (ko) 객체 인식 장치 및 그 동작 방법
CN112950477A (zh) 一种基于双路径处理的高分辨率显著性目标检测方法
CN111598065A (zh) 深度图像获取方法及活体识别方法、设备、电路和介质
KR102490044B1 (ko) 물체인식 학습용 이미지 데이터 증강 방법, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램
CN117372604B (zh) 一种3d人脸模型生成方法、装置、设备及可读存储介质
US20200364913A1 (en) User guided segmentation network
CN112613445B (zh) 人脸图像生成方法、装置、计算机设备和存储介质
JP2011170890A (ja) 顔検出方法および装置並びにプログラム
CN116994049A (zh) 全自动针织横机及其方法
CN114170231A (zh) 基于卷积神经网络的图像语义分割方法、装置及电子设备
JP4795737B2 (ja) 顔検出方法および装置並びにプログラム
JP5490360B2 (ja) ボールド化されたアンチエイリアシング・ビットマップを生成するための方法および記録媒体
JP5051671B2 (ja) 情報処理装置、情報処理方法およびプログラム
CN115063847A (zh) 一种面部图像获取模型的训练方法及装置
CN115393695A (zh) 人脸图像质量评估方法、装置、电子设备及存储介质
CN116420176A (zh) 基于对象的图像表示来区分对象的不同配置状态的方法和设备

Legal Events

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