KR102668317B1 - 레이더 신호 처리를 이용한 객체 인식 시스템 - Google Patents
레이더 신호 처리를 이용한 객체 인식 시스템 Download PDFInfo
- Publication number
- KR102668317B1 KR102668317B1 KR1020220004092A KR20220004092A KR102668317B1 KR 102668317 B1 KR102668317 B1 KR 102668317B1 KR 1020220004092 A KR1020220004092 A KR 1020220004092A KR 20220004092 A KR20220004092 A KR 20220004092A KR 102668317 B1 KR102668317 B1 KR 102668317B1
- Authority
- KR
- South Korea
- Prior art keywords
- radar
- radar image
- reference object
- image
- correction value
- Prior art date
Links
- 238000012545 processing Methods 0.000 title claims abstract description 64
- 238000012937 correction Methods 0.000 claims abstract description 46
- 238000002310 reflectometry Methods 0.000 claims abstract description 39
- 238000013136 deep learning model Methods 0.000 claims abstract description 14
- 238000003702 image correction Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 description 14
- 230000015654 memory Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 239000012212 insulator Substances 0.000 description 4
- 230000005684 electric field Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000002071 nanotube Substances 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 210000000225 synapse Anatomy 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005442 molecular electronic Methods 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/40—Means for monitoring or calibrating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
레이더 신호 처리를 이용한 객체 인식 시스템이 개시된다. 객체 인식 시스템은 기준 객체를 포함하는 영역에 대한 레이더 영상을 획득하는 레이더 센서, 레이더 영상에 나타난 기준 객체의 반사도를 분석하여 레이더 영상에 적용될 보정 값을 결정하는 보정 값 결정부, 결정된 보정 값을 레이더 영상에 적용하여 보정된 레이더 영상을 생성하는 레이더 영상 보정부, 및 보정된 레이더 영상을 입력하는 딥러닝 모델을 이용하여 보정된 레이더 영상에 나타난 하나 이상의 객체를 인식하는 객체 인식부를 포함한다.
Description
본 발명은 레이더 신호 처리를 이용한 객체 인식 기술에 관한 것이다.
객체 인식 기술은 영상 또는 비디오 상의 객체를 식별하는 컴퓨터 비전 기술이다. 여러 환경에서 레이더를 이용하여 레이더 센서를 통해 객체를 포함하는 영상을 획득할 수 있다. 획득된 영상을 바탕으로 객체 인식 기술을 통해 레이더 센서를 통해 획득한 영상 내의 객체 인식이 이루어질 수 있다.
일 실시예에 따른 레이더 신호 처리를 이용한 객체 시스템은, 기준 객체를 포함하는 영역에 대한 레이더 영상을 획득하는 레이더 센서; 상기 레이더 영상에 나타난 기준 객체의 반사도를 분석하여 상기 레이더 영상에 적용될 보정 값을 결정하는 보정 값 결정부; 상기 결정된 보정 값을 상기 레이더 영상에 적용하여 보정된 레이더 영상을 생성하는 레이더 영상 보정부; 및 상기 보정된 레이더 영상을 입력하는 딥러닝 모델을 이용하여 상기 보정된 레이더 영상에 나타난 하나 이상의 객체를 인식하는 객체 인식부를 포함할 수 있다.
상기 기준 객체는, 상기 레이더 센서에 대한 반사 계수가 상기 하나 이상의 객체의 반사 계수보다 높은 미리 정의된 객체일 수 있다.
상기 기준 객체의 반사도는, 기상 환경의 영향에 따라 변하는 것일 수 있다.
상기 보정 값은, 상기 기준 객체의 반사도와 현재 측정된 상기 기준 객체의 현재 반사도 간의 차이에 기초하여 결정될 수 있다.
상기 레이더 영상 보정부는, 상기 결정된 보정 값을 상기 레이더 영상에 적용하여 상기 레이더 영상에 포함된 상기 하나 이상의 객체의 밝기를 변화시킬 수 있다.
상기 레이더 센서는, 동일한 위치에서 상기 레이더 센서에 상기 기준 객체의 반사도를 제공하는 상기 기준 객체로부터 반사도를 제공받을 수 있다.
상기 기준 객체의 반사도는, 무선 주파수(Radio Frequency)의 신호가 상기 기준 객체에 의해 반사된 반사 값에 대한 정보를 포함할 수 있다.
일 실시예에 따른 레이더 신호 처리를 이용한 객체 인식 방법은 기준 객체를 포함하는 영역에 대한 레이더 영상을 획득하는 단계; 상기 레이더 영상에 나타난 기준 객체의 반사도를 분석하여 상기 레이더 영상에 적용될 보정 값을 결정하는 단계; 상기 결정된 보정 값을 상기 레이더 영상에 적용하여 보정된 레이더 영상을 생성하는 단계; 및 상기 보정된 레이더 영상을 입력하는 딥러닝 모델을 이용하여 상기 보정된 레이더 영상에 나타난 하나 이상의 객체를 인식하는 단계를 포함할 수 있다.
상기 보정 값을 결정하는 단계는, 상기 기준 객체의 반사도와 현재 측정된 상기 기준 객체의 현재 반사도 간의 차이를 결정하는 단계를 포함할 수 있다.
상기 보정된 레이더 영상을 생성하는 단계는, 상기 결정된 보정 값을 상기 레이더 영상에 적용하여 상기 레이더 영상에 포함된 상기 하나 이상의 객체의 밝기를 변화시키는 단계를 포함할 수 있다.
도 1은 일 실시예에 따른 레이더 신호 처리를 이용한 객체 인식 시스템을 나타낸다.
도 2는 일 실시예에 따른 레이더 신호 처리를 이용한 객체 인식 장치의 블록도를 나타낸다.
도 3은 일 실시예에 따른 레이더 신호 처리를 이용한 객체 인식 방법을 설명하기 위한 흐름도를 나타낸다.
도 4는 일 실시예에 따른 레이더 신호 처리를 이용한 객체 인식의 예를 나타낸다.
도 2는 일 실시예에 따른 레이더 신호 처리를 이용한 객체 인식 장치의 블록도를 나타낸다.
도 3은 일 실시예에 따른 레이더 신호 처리를 이용한 객체 인식 방법을 설명하기 위한 흐름도를 나타낸다.
도 4는 일 실시예에 따른 레이더 신호 처리를 이용한 객체 인식의 예를 나타낸다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 일 실시예에 따른 레이더 신호 처리를 이용한 객체 인식 시스템(10)을 나타낸다.
레이더를 이용하여 영상의 정보를 획득하는 경우, 객체의 전자기파를 이용하여 객체에 대한 정보를 획득하게 되는 경우가 많다. 전자기파는 진행 중에 특성이 다른 매질을 만나게 되면 반사 또는 굴절을 하게 된다. 이러한 전자기파의 반사와 굴절의 특성은 크게 유전체를 진행하던 전자기파가 유전체를 만나는 경우, 저손실 부도체를 진행하던 전자기파가 저손실 부도체를 만나는 경우, 유전체를 진행하던 전자기파가 이상적 도체를 만나는 경우의 3가지로 분류될 수 있다. 레이더 영상을 획득하는 상황에서 물체에 대한 정보를 포함하는 전자기파가 레이더 센서로 진행하는 경우는 특히 저손실 부도체를 진행하다가 저손실 부도체를 만나는 경우로 볼 수 있다. 이 때 입사되는 전기장과 반사되는 전기장을 각각 ,라 하고, 매질의 고유 임피던스를 각각 , 라 하면 경계면에서의 전기장과 자기장의 값이 동일하다는 접선 방향 경계조건을 이용하여 손실 매질의 반사 계수를 다음과 같이 표현할 수 있다.
그러나 비나 눈, 먼지 등의 주변 기상 환경의 변화로 인해 이러한 고유 임피던스 값의 변화가 생기게 되어 객체 인식 장치의 센서로부터 획득하는 영상의 화질에 영향을 주는 경우, 물체 인식의 오류가 발생할 수 있다. 따라서 주변 환경에 따른 반사도의 변화가 있는 경우, 위치 변동이 없는 물체의 상대적 반사도에 대한 정보를 이용하여 환경에 따라 달라지는 물체의 반사도를 보정함으로써 보정된 영상을 획득하고, 이에 포함된 객체를 인식함으로써 레이더를 이용한 객체 인식 장치의 인식률을 높일 수 있다. 이 때 위치 변동이 없는 물체는 레이더 센서에 대한 반사 계수가 상대적으로 높은 물체일 수 있다. 또한 위치 변동이 없는 물체는 레이더 센서에 대한 반사 계수가 레이더 영상에 포함된 다른 객체의 반사 계수보다 높은 객체로 레이더를 이용한 객체 인식 과정에서 기준 객체로 이용될 수 있으나, 특정 재료로 만들어진 객체에 한정되는 것은 아니다.
객체 인식 시스템(10)은 기준 객체에 관한 정보에 기초하여 레이더 신호 처리를 통해 시스템을 전체적으로 제어할 수 있다.
객체 인식 시스템(10)은 레이더 신호 처리 장치(100-1, 100-2), 기준 객체(300-1, 300-2)를 포함할 수 있다.
레이더 신호 처리 장치(100-1, 100-2)는 기준 객체(300-1, 300-2)와 일정 거리를 유지하며 배치되어 객체를 인식할 수 있다. 레이더 신호 처리 장치(100-1, 100-2)는 레이더 센서를 통해 인식 영역(150-1, 150-2) 내에 위치하는 하나 이상의 객체를 인식할 수 있다. 예를 들어, 레이더 신호 처리 장치(100-1)가 레이더 센서를 통해 인식 영역(150-1)에서 감지한 객체의 수는 사람 세 명과 기준 객체(300-1)를 포함하여 4일 수 있고, 레이더 신호 처리 장치(100-2)가 레이더 센서를 통해 인식 영역(150-2)에서 감지한 객체의 수는 사람 네 명과 기준 객체(300-2)를 포함하여 5일 수 있다. 예를 들어, 레이더 센서는 카메라 또는 TI사의 오토 모티브용 밀리미터파 레이서 센서(Automotive mmWave Sensor)일 수 있다.
레이더 신호 처리 장치(100-1, 100-2)는 레이더 센서를 통해 기준 객체(300-1,300-2)를 포함하는 영역에 대한 레이더 영상을 획득하고, 레이더 영상에 나타난 기준 객체(300-1,300-2)의 반사도를 분석하여 레이더 영상에 적용될 보정 값을 결정하고, 결정된 보정 값을 레이더 영상에 적용하여 보정된 레이더 영상을 생성하고, 보정된 레이더 영상을 입력하는 딥러닝 모델을 이용하여 보정된 레이더 영상에 나타난 하나 이상의 객체를 인식할 수 있다.
기준 객체(300-1, 300-2)는 레이더 신호 처리 장치(100-1, 100-2)의 센서로부터 일정 거리를 유지하며 위치하여, 환경에 따라 변하지 않는 레이더 영상에 적용될 보정 값을 결정하는데 기여할 수 있다.
레이더 신호 처리 장치(100-1, 100-2)는 객체 인식 시스템(10) 전체를 관리하는 서버 내에 구현될 수 있다. 레이더 신호 처리 장치(100-1, 100-2)는 하나 이상의 객체로부터 반사도를 분석하여 레이더 영상에 적용될 보정 값을 결정할 수 있다. 레이더 신호 처리 장치(100-1, 100-2)는 실시간으로 수신되는 객체의 반사도를 분석하여 이에 기초하여 객체 인식 시스템(10)을 전체적으로 제어할 수 있다. 예를 들어, 객체 인식 중앙 처리 장치(500)는 복수의 객체로부터 반사도를 결정함으로써 객체 인식 시스템(10)을 전체적으로 제어할 수 있다.
레이더 신호 처리 장치(100-1, 100-2)는 뉴럴 네트워크를 포함할 수 있고, 레이더 신호 처리 장치(100-1, 100-2)로부터 수신한 기준 객체를 포함한 객체들의 반사도에 기초하여 보정된 레이더 영상을 생성하고, 보정된 레이더 영상을 입력하는 딥러닝 모델을 이용하여 보정된 레이더 영상에 나타난 하나 이상의 객체를 인식할 수 있다.
레이더 신호 처리 장치(100-1, 100-2)는 가속기(accelerator)를 이용하여 뉴럴 네트워크 연산을 수행할 수 있다. 레이더 신호 처리 장치(100-1, 100-2)는 가속기를 이용하여 뉴럴 네트워크 연산을 수행할 수 있다. 가속기는 GPU(graphics processing unit), FPGA(field programmable gate array), ASIC(application specific integrated circuit) 또는 AP(application processor)를 포함할 수 있다. 또한, 가속기는 가상 머신(virtual machine)와 같이 소프트웨어 컴퓨팅 환경으로 구현될 수도 있다.
레이더 신호 처리 장치(100-1, 100-2)는 뉴럴 네트워크를 학습시킬 수 있다. 뉴럴 네트워크(또는 인공 신경망)는 기계학습과 인지과학에서 생물학의 신경을 모방한 통계학적 학습 알고리즘을 포함할 수 있다. 뉴럴 네트워크는 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.
뉴럴 네트워크의 뉴런은 가중치 또는 편향의 조합을 포함할 수 있다. 뉴럴 네트워크는 하나 이상의 뉴런 또는 노드로 구성된 하나 이상의 레이어(layer)를 포함할 수 있다. 뉴럴 네트워크는 뉴런의 가중치를 학습을 통해 변화시킴으로써 임의의 입력으로부터 예측하고자 하는 결과를 추론할 수 있다.
뉴럴 네트워크는 심층 뉴럴 네트워크 (deep neural network)를 포함할 수 있다. 뉴럴 네트워크는 CNN(convolutional neural network), RNN(recurrent neural network), 퍼셉트론(perceptron), 다층 퍼셉트론(multilayer perceptron), FF(feed forward), RBF(radial basis network), DFF(deep feed forward), LSTM(long short term memory), GRU(gated recurrent unit), AE(auto encoder), VAE(variational auto encoder), DAE(denoising auto encoder), SAE(sparse auto encoder), MC(markov chain), HN(hopfield network), BM(boltzmann machine), RBM(restricted boltzmann machine), DBN(deep belief network), DCN(deep convolutional network), DN(deconvolutional network), DCIGN(deep convolutional inverse graphics network), GAN(generative adversarial network), LSM(liquid state machine), ELM(extreme learning machine), ESN(echo state network), DRN(deep residual network), DNC(differentiable neural computer), NTM(neural turning machine), CN(capsule network), KN(kohonen network) 및 AN(attention network)를 포함할 수 있다.
레이더 신호 처리 장치(100-1, 100-2)는 마더보드(motherboard)와 같은 인쇄 회로 기판(printed circuit board(PCB)), 집적 회로(integrated circuit(IC)), 또는 SoC(system on chip)로 구현될 수 있다. 예를 들어, 레이더 신호 처리 장치(100-1, 100-2)는 애플리케이션 프로세서(application processor)로 구현될 수 있다.
또한, 레이더 신호 처리 장치(100-1, 100-2)는 PC(personal computer), 데이터 서버 등으로 구현될 수 있다.
휴대용 장치는 랩탑(laptop) 컴퓨터, 이동 전화기, 스마트 폰(smart phone), 태블릿(tablet) PC, 모바일 인터넷 디바이스(mobile internet device(MID)), PDA(personal digital assistant), EDA(enterprise digital assistant), 디지털 스틸 카메라(digital still camera), 디지털 비디오 카메라(digital video camera), PMP(portable multimedia player), PND(personal navigation device 또는 portable navigation device), 휴대용 게임 콘솔(handheld game console), e-북(e-book), 또는 스마트 디바이스(smart device)로 구현될 수 있다. 스마트 디바이스는 스마트 와치(smart watch), 스마트 밴드(smart band), 또는 스마트 링(smart ring)으로 구현될 수 있다.
도 2는 일 실시예에 따른 레이더 신호 처리를 이용한 레이더 신호 처리 장치(200)의 블록도를 나타낸다.
도 2를 참조하면, 레이더 신호 처리 장치(200)는 레이더 센서(210), 보정 값 결정부(220), 레이더 영상 보정부(230), 및 객체 인식부(240)를 포함할 수 있다.
레이더 센서(210)는 기준 객체를 포함하는 영역에 대한 레이더 영상을 획득할 수 있다. 레이더 센서는 기후 등의 환경 변화와 무관하게 동일한 위치에서 레이더 센서에 기준 객체의 반사도를 제공하는 기준 객체로부터 반사도를 제공받을 수 있다. 이 때 기준 객체는 레이더 센서에 대한 반사 계수가 상대적으로 높은 물체일 수 있다. 또한 기준 객체는 레이더 센서에 대한 반사 계수가 레이더 영상에 포함된 다른 객체의 반사 계수보다 높은 객체로, 레이더를 이용한 객체 인식 과정에서 기준 객체로 이용될 수 있다. 예를 들어, 기준 객체는 레이더 센서가 신호등에 부착된 경우 신호등이 부착된 금속 기둥과 같이 레이더 센서로부터 환경 변화의 영향 없이 일정한 위치에 배치된 객체일 수 있으나 특정 재료로 만들어진 객체에 한정되는 것은 아니다.
보정 값 결정부(220)는 레이더 영상에 나타난 기준 객체의 반사도를 분석하여 레이더 영상에 적용될 보정 값을 결정할 수 있다. 레이더 신호 처리 장치(200)에서 미리 결정된 기준 객체의 반사도 값과 비나 눈, 먼지 등의 환경 변화로 인한 기준 객체의 현재 측정된 반사도 값은 서로 차이가 있을 수 있다. 보정 값 결정부(220)에서의 보정 값은, 기준 객체의 반사도와 현재 측정된 기준 객체의 현재 반사도 간의 차이에 기초하여 결정될 수 있다. 보정 값 결정부(220)는 트랜시버, 프로세서, 및 메모리를 포함할 수 있다.
트랜시버는 프로세서로부터 레이더 영상을 수신하여 레이더 신호 처리 장치(200)에 송신할 수 있다. 프로세서는 기준 객체의 반사도를 분석하여 레이더 영상에 적용될 보정 값을 결정함으로써 레이더 신호 처리 장치(200)를 제어할 수 있다. 프로세서는 메모리에 저장된 데이터를 처리할 수 있다. 프로세서는 메모리에 저장된 컴퓨터로 읽을 수 있는 코드(예를 들어, 소프트웨어) 및 프로세서에 의해 유발된 인스트럭션(instruction)들을 실행할 수 있다. 프로세서는 목적하는 동작들(desired operations)을 실행시키기 위한 물리적인 구조를 갖는 회로를 가지는 하드웨어로 구현된 데이터 처리 장치일 수 있다. 예를 들어, 목적하는 동작들은 프로그램에 포함된 코드(code) 또는 인스트럭션들(instructions)을 포함할 수 있다. 예를 들어, 하드웨어로 구현된 데이터 처리 장치는 마이크로프로세서(microprocessor), 중앙 처리 장치(central processing unit), 프로세서 코어(processor core), 멀티-코어 프로세서(multi-core processor), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array)를 포함할 수 있다.
메모리는 프로세서에 의해 실행가능한 인스트럭션들(또는 프로그램)을 저장할 수 있다. 예를 들어, 인스트럭션들은 프로세서의 동작 및/또는 프로세서의 각 구성의 동작을 실행하기 위한 인스트럭션들을 포함할 수 있다. 메모리는 휘발성 메모리 장치 또는 불휘발성 메모리 장치로 구현될 수 있다. 휘발성 메모리 장치는 DRAM(dynamic random access memory), SRAM(static random access memory), T-RAM(thyristor RAM), Z-RAM(zero capacitor RAM), 또는 TTRAM(twin transistor RAM)으로 구현될 수 있다.
불휘발성 메모리 장치는 EEPROM(electrically erasable programmable read-only memory), 플래시(flash) 메모리, MRAM(magnetic RAM), 스핀전달토크 MRAM(spin-transfer torque(STT)-MRAM), Conductive Bridging RAM(cbRAM), FeRAM(ferroelectric RAM), PRAM(phase change RAM), 저항 메모리(resistive RAM(RRAM)), 나노 튜브 RRAM(nanotube RRAM), 폴리머 RAM(polymer RAM(PoRAM)), 나노 부유 게이트 메모리(nano floating gate memory(NFGM)), 홀로그래픽 메모리(holographic memory), 분자 전자 메모리 소자(molecular electronic memory device), 또는 절연 저항 변화 메모리(insulator resistance change memory)로 구현될 수 있다.
레이더 영상 보정부(230)는 보정 값 결정부(220)에서 결정된 보정 값을 레이더 영상에 적용하여 보정된 레이더 영상을 생성할 수 있다. 레이더 신호 처리 장치(200)에 포함된 레이더 센서(210)로부터 얻어진 기준 객체를 포함하는 영역에 대한 레이더 영상은 기준 객체의 반사도에 기초하여 보정될 수 있다. 레이더 영상 보정부(230)는 보정 값 결정부(220)에서 결정된 보정 값을 레이더 센서(210)를 통해 획득된 레이더 영상에 적용하여, 레이더 영상에 포함된 하나 이상의 객체의 밝기를 변화시킬 수 있다.
객체 인식부(240)는 보정된 레이더 영상을 입력하는 딥러닝 모델을 이용하여 보정된 영상에 나타난 하나 이상의 객체를 인식할 수 있다. 객체 인식부(240)에서의 딥러닝 모델을 이용한 객체 인식은 객체를 식별하기 위해 해당 객체 고유의 특징을 자동으로 학습하는 것에 기초하여 이루어질 수 있다. 예를 들어 객체 인식부(240)는 수많은 훈련용 영상을 분석하고 여러 객체들을 구분하는 특징을 학습하여 객체 간의 차이점을 식별하는 방법을 학습할 수 있다. 객체 인식부(240)는 사전 훈련된 딥러닝 모델을 사용하는 방법을 통해 보정된 영상에 나타난 하나 이상의 객체를 인식할 수 있다. 사전 훈련된 딥러닝 모델은 예를 들어, alexnet 또는 googlenet과 같은 기존 네트워크 일 수 있다. 이러한 기존 네트워크를 사용하여 이전에 알려지지 않은 객체를 포함하는 새로운 데이터를 주입하여 객체 인식부(240)의 훈련이 가능할 수 있다. 이를 통해 객체 인식부(240)는 입력 받은 보정된 레이더 영상을 기반으로 보정된 영상에 나타난 하나 이상의 객체를 더욱 명확히 인식할 수 있다.
도 3은 일 실시예에 따른 레이더 신호 처리를 이용한 객체 인식 방법을 설명하기 위한 흐름도를 나타낸다.
단계(310)에서, 레이더 신호 처리 장치는 레이더 센서를 통해 기준 객체를 포함하는 영역에 대한 레이더 영상을 획득할 수 있다. 기준 객체의 정보는 센서로부터 수신한 영상을 분석함으로써 획득될 수 있다.
단계(320)에서, 레이더 신호 처리 장치는 레이더 영상에 나타난 기준 객체의 반사도를 분석하여 레이더 영상에 적용될 보정 값을 결정할 수 있다. 보정 값 결정부(220)에 포함된 프로세서는 기준 객체의 반사도를 통해 레이더 영상에 적용될 보정 값을 결정할 수 있다. 기준 객체의 반사도는 메모리에 미리 저장되어 있을 수 있다. 기준 객체의 반사도에 따라 레이더 영상에 적용될 보정 값이 상이할 수 있다.
단계(330)에서, 레이더 신호 처리 장치는 결정된 보정 값을 레이더 영상에 적용하여 보정된 레이더 영상을 생성할 수 있다. 레이더 영상을 획득하고 있는 기상 환경이 단순히 흐린 날이거나 비가 심하게 오는 날인 경우와 같이 차이가 있는 경우, 결정된 보정 값을 레이더 영상에 적용하여 생성된 보정된 레이더 영상은 서로 다를 수 있다.
단계(340)에서, 레이더 신호 처리 장치는 보정된 레이더 영상에 나타낸 객체를 인식할 수 있다. 객체 인식 시스템은 훈련된 딥러닝 모델을 통해 객체를 인식할 수 있다.
도 4는 일 실시예에 따른 레이더 신호 처리를 이용한 객체 인식의 예를 나타낸다.
도 4를 참조하면, 레이더 신호 처리 장치가 기준 객체인 신호등(410), 사람 영상(420) 및 강아지 영상(430)에 대한 레이더 영상을 획득한 것을 알 수 있다. 여기서 객체의 인식은 레이더의 반사 신호로 판별이 되는데, 레이더의 반사 신호는 환경의 영향으로 맑은 날과 눈, 또는 비가 오는 날의 마이크로 웨이브 반사량의 차이로 다른 밝기로 영상이 획득될 수 있다. 따라서 기존에 반사 기준 값을 미리 획득하고 있는 기준 객체인 신호등(410)을 제외하고 사람 영상(420)과 강아지 영상(430)은 각각 다른 물체로 인식될 수 있다. 레이더 신호 처리 장치는 기준 객체인 신호등(410)의 반사도를 분석하고, 레이더 영상에 적용될 보정 값을 결정할 수 있다. 레이더 신호 처리 장치는 결정된 기준 객체인 신호등(410)에 대한 보정 값을 획득된 사람 영상(420)과 강아지 영상(430)에 대해 적용하여 보정된 레이더 영상을 생성할 수 있다. 보정된 레이더 영상 속에서 획득된 사람 영상(440)과 강아지 영상(450)은 딥러닝 모델에 입력될 수 있다. 딥러닝 모델에 입력된 보정 영상을 통해 레이더 신호 처리 장치의 객체 인식부는 사람 보정된 레이더 영상 속에서 획득된 사람 영상(440)과 강아지 영상(450)을 바탕으로 획득된 객체가 각각 사람과 강아지임을 인식할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있으며 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 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 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (11)
- 레이더 신호 처리를 이용한 객체 인식 시스템에 있어서,
기준 객체를 포함하는 영역에 대한 레이더 영상을 획득하는 레이더 센서;
상기 레이더 영상에 나타난 기준 객체의 반사도를 분석하여 상기 레이더 영상에 적용될 보정 값을 결정하는 보정 값 결정부;
상기 결정된 보정 값을 상기 레이더 영상에 적용하여 보정된 레이더 영상을 생성하는 레이더 영상 보정부; 및
상기 보정된 레이더 영상을 입력하는 딥러닝 모델을 이용하여 상기 보정된 레이더 영상에 나타난 하나 이상의 객체를 인식하는 객체 인식부
를 포함하고,
상기 기준 객체는,
상기 레이더 센서로부터 이격되어 일정한 위치에 배치된 객체로서, 상기 레이더 센서에 대한 반사 계수가 상기 하나 이상의 객체의 반사 계수보다 높은 미리 정의된 객체이고,
상기 보정 값 결정부는,
미리 결정된 기준 객체의 반사도와 현재 측정된 기준 객체의 현재 반사도 간의 차이에 기초하여 상기 보정 값을 결정하고,
상기 레이더 영상 보정부는,
상기 기준 객체의 반사도에 기초하여 상기 레이더 센서로부터 얻어진 상기 기준 객체를 포함하는 영역에 대한 레이더 영상을 보정하는,
객체 인식 시스템.
- 삭제
- 제1항에 있어서,
상기 기준 객체의 반사도는,
기상 환경의 영향에 따라 변하는 것인
객체 인식 시스템.
- 삭제
- 제1항에 있어서,
상기 레이더 영상 보정부는,
상기 결정된 보정 값을 상기 레이더 영상에 적용하여 상기 레이더 영상에 포함된 상기 하나 이상의 객체의 밝기를 변화시키는
객체 인식 시스템.
- 제1항에 있어서,
상기 레이더 센서는,
동일한 위치에서 상기 레이더 센서에 상기 기준 객체의 반사도를 제공하는 상기 기준 객체로부터 반사도를 제공받는
객체 인식 시스템.
- 제1항에 있어서,
상기 기준 객체의 반사도는,
무선 주파수(Radio Frequency)의 신호가 상기 기준 객체에 의해 반사된 반사 값에 대한 정보를 포함하는
객체 인식 시스템.
- 레이더 신호 처리를 이용한 객체 인식 방법에 있어서,
레이더 센서를 이용하여 기준 객체를 포함하는 영역에 대한 레이더 영상을 획득하는 단계;
상기 레이더 영상에 나타난 기준 객체의 반사도를 분석하여 상기 레이더 영상에 적용될 보정 값을 결정하는 단계;
상기 결정된 보정 값을 상기 레이더 영상에 적용하여 보정된 레이더 영상을 생성하는 단계; 및
상기 보정된 레이더 영상을 입력하는 딥러닝 모델을 이용하여 상기 보정된 레이더 영상에 나타난 하나 이상의 객체를 인식하는 단계
를 포함하고,
상기 기준 객체는,
상기 레이더 센서로부터 이격되어 일정한 위치에 배치된 객체로서, 상기 레이더 센서에 대한 반사 계수가 상기 하나 이상의 객체의 반사 계수보다 높은 미리 정의된 객체이고,
상기 보정 값을 결정하는 단계는,
미리 결정된 기준 객체의 반사도와 현재 측정된 기준 객체의 현재 반사도 간의 차이에 기초하여 상기 보정 값을 결정하는 단계를 포함하고,
상기 보정된 레이더 영상을 생성하는 단계는,
상기 기준 객체의 반사도에 기초하여 상기 레이더 센서로부터 얻어진 상기 기준 객체를 포함하는 영역에 대한 레이더 영상을 보정하는 단계를 포함하는,
객체 인식 방법.
- 삭제
- 삭제
- 제8항에 있어서,
상기 보정된 레이더 영상을 생성하는 단계는,
상기 결정된 보정 값을 상기 레이더 영상에 적용하여 상기 레이더 영상에 포함된 상기 하나 이상의 객체의 밝기를 변화시키는 단계를 포함하는
객체 인식 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220004092A KR102668317B1 (ko) | 2022-01-11 | 2022-01-11 | 레이더 신호 처리를 이용한 객체 인식 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220004092A KR102668317B1 (ko) | 2022-01-11 | 2022-01-11 | 레이더 신호 처리를 이용한 객체 인식 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230108542A KR20230108542A (ko) | 2023-07-18 |
| KR102668317B1 true KR102668317B1 (ko) | 2024-05-22 |
Family
ID=87423592
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220004092A KR102668317B1 (ko) | 2022-01-11 | 2022-01-11 | 레이더 신호 처리를 이용한 객체 인식 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102668317B1 (ko) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001083078A (ja) * | 1999-09-16 | 2001-03-30 | Denso Corp | 路面状況推定装置 |
| US20090067730A1 (en) * | 2004-10-22 | 2009-03-12 | Henry Schneiderman | Object Recognizer and Detector for Two-Dimensional Images Using Bayesian Network Based Classifier |
| KR102207816B1 (ko) | 2020-08-11 | 2021-01-26 | 주식회사 알고씽 | 센서 데이터를 이용한 노면 상태 측정 방법 및 그 장치 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102374211B1 (ko) * | 2019-10-28 | 2022-03-15 | 주식회사 에스오에스랩 | 객체 인식 방법 및 이를 수행하는 객체 인식 장치 |
-
2022
- 2022-01-11 KR KR1020220004092A patent/KR102668317B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001083078A (ja) * | 1999-09-16 | 2001-03-30 | Denso Corp | 路面状況推定装置 |
| US20090067730A1 (en) * | 2004-10-22 | 2009-03-12 | Henry Schneiderman | Object Recognizer and Detector for Two-Dimensional Images Using Bayesian Network Based Classifier |
| KR102207816B1 (ko) | 2020-08-11 | 2021-01-26 | 주식회사 알고씽 | 센서 데이터를 이용한 노면 상태 측정 방법 및 그 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230108542A (ko) | 2023-07-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10013773B1 (en) | Neural networks for object detection | |
| KR102317992B1 (ko) | 뉴럴 네트워크를 이용한 제품 검사 방법, 장치 및 제품 검사 장치 학습 방법 | |
| KR20240025578A (ko) | 뉴럴 네트워크를 이용한 초분광 이미지 분류 방법 및 장치 | |
| KR102524629B1 (ko) | 뉴럴 네트워크를 이용한 호흡 질환 분류 방법 및 장치 | |
| KR20240015120A (ko) | 뉴럴 네트워크를 이용한 초분광 이미지의 시각화 방법 및 장치 | |
| KR102668317B1 (ko) | 레이더 신호 처리를 이용한 객체 인식 시스템 | |
| KR20230150150A (ko) | 초분광 영상 분석 딥러닝 모델을 위한 전처리 방법 및 장치 | |
| KR102633944B1 (ko) | 3d 라이다 센서를 활용한 얼굴 인식 방법 및 장치 | |
| KR102620875B1 (ko) | 심층 신경망 기반 영상 스티칭 방법 및 장치 | |
| US20230058341A1 (en) | Neural network training method and apparatus using trend | |
| KR102631310B1 (ko) | 궤적 예측 방법 및 장치 | |
| US20220284262A1 (en) | Neural network operation apparatus and quantization method | |
| KR102605717B1 (ko) | 스마트 교통 신호 제어 시스템 | |
| KR20220096466A (ko) | 뉴럴 네트워크 연산을 위한 메모리 관리 방법 및 장치 | |
| KR20220056633A (ko) | 기계 독해 방법 및 장치 | |
| KR102506988B1 (ko) | 이종 손실 함수를 이용하여 학습된 뉴럴 네트워크를 이용한 이상 검출 장치 | |
| KR102614909B1 (ko) | 희소화를 이용한 뉴럴 네트워크 연산 방법 및 장치 | |
| KR102666670B1 (ko) | 그룹 레이블링 학습에서 뉴럴 네트워크 기반 효과적인 임베딩 벡터 생성 및 이를 이용한 레이블 예측 방법, 장치 및 그 예측 모델에서의 학습 방법 | |
| KR20240095894A (ko) | 주의 매커니즘을 이용한 고품질의 장면 이미지 생성 방법 및 장치 | |
| KR20230085529A (ko) | 레이블이 부분적으로 주어진 환경에서 다중 레이블을 분류하는 방법 및 이를 수행하는 장치 | |
| KR102479793B1 (ko) | 연합 학습을 이용한 뉴럴 네트워크 학습 방법 및 장치 | |
| KR102504412B1 (ko) | 머신러닝 기반 미세먼지 센서 오차 보정 장치 및 방법 | |
| KR20220097168A (ko) | 딥 러닝 기반 조인트 소스 및 채널 코딩 방법 및 이를 수행하는 장치 | |
| KR20230163183A (ko) | 뉴럴 네트워크를 이용한 이상치 탐지 방법 및 장치 | |
| KR102626850B1 (ko) | 뉴럴 네트워크 기반 에너지 하베스팅 방법 및 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |