KR20180107988A - 객체 탐지 장치 및 방법 - Google Patents

객체 탐지 장치 및 방법 Download PDF

Info

Publication number
KR20180107988A
KR20180107988A KR1020170037024A KR20170037024A KR20180107988A KR 20180107988 A KR20180107988 A KR 20180107988A KR 1020170037024 A KR1020170037024 A KR 1020170037024A KR 20170037024 A KR20170037024 A KR 20170037024A KR 20180107988 A KR20180107988 A KR 20180107988A
Authority
KR
South Korea
Prior art keywords
detection
detection candidate
region
regions
candidate region
Prior art date
Application number
KR1020170037024A
Other languages
English (en)
Inventor
고종국
오원근
정다운
이승재
손형관
이근동
Original Assignee
한국전자통신연구원
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 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020170037024A priority Critical patent/KR20180107988A/ko
Publication of KR20180107988A publication Critical patent/KR20180107988A/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
    • G06T7/11—Region-based segmentation
    • G06K9/3233—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

적어도 하나의 객체탐지모델을 이용해 추출된 복수의 제1 탐지후보 영역들 간의 중첩 여부 및 중첩 정도를 판단하는 탐지결과 중첩검사부, 상기 제1 탐지후보 영역들 및 상기 제1 탐지후보 영역들 간의 중첩 여부 및 중첩 정도에 기반하여 제2 탐지후보 영역을 추출하는 영역 추출부, 및 상기 제2탐지후보 영역에 포함된 각 후보 영역별 가중치에 기반하여 최종 탐지영역을 도출하는 중첩영역 정규화부를 포함하는 객체 탐지 장치가 개시된다. 본 발명의 객체 탐지 장치에 따르면, 보다 정확한 최종 탐지영역을 추출할 수 있고, 그에 따라 입력 이미지로부터 객체를 정확히 탐지할 수 있는 효과를 얻을 수 있다.

Description

객체 탐지 장치 및 방법{APPARATUS AND METHDO FOR DETECTING OBJECT OF IMAGE}
본 발명은 객체 탐지 장치 및 방법에 관한 것으로, 더욱 상세하게는 최적의 탐지결과를 도출하여 입력이미지로부터 객체를 정확히 탐지하는 객체 탐지 장치 및 방법에 관한 것이다.
이미지로부터 객체를 추출 또는 탐지하는 객체 탐지 기술은 컴퓨터 비젼 기술을 비롯하여 영상 처리 및 객체 인식이 필요한 다양한 분야에서 활용되고 있다. 객체 탐지를 위해 신경망(deep neural network, DNN) 기술 등을 통한 객체 탐지 기술이 많이 사용되고 있다.
이러한 종래의 객체 탐지 방법은 탐지 후보영역 하나만을 이용한 객체 탐지 방법으로서, 복수의 객체탐지모델에서 탐지된 복수의 탐지 후보영역들 중에서 NMS(non-maximum suppression)를 통해 최고 값의 탐지 신뢰도를 가지는 탐지 후보영역 하나만을 기준으로 중첩되는 영역들을 모두 제거하여 최종 탐지영역을 추출한다. 하지만, 이러한 탐지 방법의 경우 최고 값의 탐지 신뢰도를 가지는 탐지 후보영역 하나만으로는 정확한 탐지 결과를 보장할 수 없다는 문제점이 있다.
즉, 다양한 크기 및 다양한 종횡비 등을 기준으로 다양한 탐색영역들을 검사하여 하나의 객체에 대해서도 복수의 탐지 후보영역들이 추출될 수 있기 때문에, 추출된 각 탐지 후보영역들에서 가장 높은 신뢰도를 가진 후보 영역이 가장 정확한 탐지 영역을 나타내지 못하는 경우가 있다.
이와 같이, 기존의 객체 탐지 방법을 이용하는 경우 최고 값의 탐지 신뢰도를 가지는 하나의 탐지 모델 또는 탐지 후보영역만으로는 정확한 탐지 결과를 보장할 수 없다는 문제점이 있다.
상기와 같은 문제점을 해결하기 위한 본 발명의 목적은, 중첩하는 복수의 탐지 후보 영역을 이용해 객체를 탐지하는 객체 탐지 장치를 제공하는 데 있다.
상기와 같은 문제점을 해결하기 위한 본 발명의 다른 목적은, 상기 객체 탐지 장치에 의해 이용될 수 있는 객체 탐지 방법을 제공하는 데 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 객체 탐지 장치는, 적어도 하나의 객체탐지모델을 이용해 추출된 복수의 제1 탐지후보 영역들 간의 중첩 여부 및 중첩 정도를 판단하는 탐지결과 중첩검사부, 상기 제1 탐지후보 영역들 및 상기 제1 탐지후보 영역들 간의 중첩 여부 및 중첩 정도에 기반하여 제2 탐지후보 영역을 추출하는 영역 추출부, 및 상기 제2탐지후보 영역에 포함된 각 후보 영역별 가중치에 기반하여 최종 탐지영역을 도출하는 중첩영역 정규화부를 포함할 수 있다.
상기 제1 탐지후보 영역은 기 설정된 임계치 이상의 객체 인식 신뢰도를 갖는 영역이다.
상기 제2 탐지후보 영역은, 중첩 탐지후보 영역, 전체 탐지후보 영역, 및 최고 신뢰도를 갖는 탐지후보 영역 중 적어도 하나를 포함한다.
여기서, 상기 중첩 탐지후보 영역은, 복수의 제1 탐지후보 영역들 중 서로 중첩하는 영역들에 대한 중첩 정도를 파악하여 중첩 가중치가 높은 영역들을 기반으로 추출된다. 또한, 상기 전체 탐지후보 영역은 복수의 제1 탐지후보 영역들 전체로 설정되는 영역이고, 상기 최고 신뢰도를 갖는 탐지후보 영역은 복수의 제1 탐지후보 영역들 전체 중 최고의 객체 인식 신뢰도를 갖는 영역이다.
그에 따라 상기 중첩영역 정규화부는, 상기 중첩 탐지후보 영역에 부여된 가중치, 상기 전체 탐지후보 영역에 부여된 가중치, 및 상기 최고 신뢰도를 갖는 탐지후보 영역에 부여된 가중치에 따라 최종 탐지영역을 산출할 수 있다.
한편, 상기 탐지결과 중첩검사부는 객체 클래스별로 서로 다른 제1 탐지후보 영역들 간의 중첩 여부 및 중첩 정도를 계산한다.
상기 목적을 달성하기 위한 본 발명의 다른 실시예에 따른 객체 탐지 장치는, 적어도 하나의 객체탐지모델을 저장하는 메모리 및 상기 적어도 하나의 객체탐지모델을 이용해 복수의 제1 탐지후보 영역들을 도출하고, 상기 복수의 제1 탐지후보 영역들 간의 중첩 여부 및 중첩 정도를 판단하며, 상기 제1 탐지후보 영역들, 그리고 상기 복수의 제1 탐지후보 영역들 간의 중첩 여부 및 중첩 정도에 기반하여 제2 탐지후보 영역을 추출하고, 상기 제2탐지후보 영역에 포함된 각 후보 영역별 가중치에 기반하여 최종 탐지영역을 도출하는 프로세서를 포함할 수 있다.
상기 다른 목적을 달성하기 위한 본 발명의 일 실시예에 따른 객체 탐지 방법은, 입력되는 이미지에 대해 적어도 하나의 객체탐지모델을 이용해 복수의 제1 탐지후보 영역들을 도출하는 단계, 상기 복수의 제1 탐지후보 영역들 간의 중첩 여부 및 중첩 정도를 판단하는 단계, 상기 제1 탐지후보 영역들, 그리고 상기 복수의 제1 탐지후보 영역들 간의 중첩 여부 및 중첩 정도에 기반하여 제2 탐지후보 영역을 추출하는 단계, 상기 제2탐지후보 영역에 포함된 각 후보 영역별 가중치에 기반하여 최종 탐지영역을 도출하는 단계를 포함한다.
여기서, 제1 탐지후보 영역은 기 설정된 임계치 이상의 객체 인식 신뢰도를 갖는 영역이고, 제2 탐지후보 영역은, 중첩 탐지후보 영역, 전체 탐지후보 영역, 및 최고 신뢰도를 갖는 탐지후보 영역 중 적어도 하나를 포함할 수 있다.
상기 제2 탐지후보 영역을 추출하는 단계는, 복수의 제1 탐지후보 영역들 중 서로 중첩하는 영역들에 대한 중첩 정도를 파악하여 중첩 가중치가 높은 영역들을 기반으로 상기 중첩 탐지후보 영역을 추출하는 단계를 포함할 수 있다.
상기 제2 탐지후보 영역을 추출하는 단계는, 복수의 제1 탐지후보 영역들 전체로 설정되는 전체 탐지후보 영역을 도출하는 단계, 복수의 제1 탐지후보 영역들 전체 중 최고의 객체 인식 신뢰도를 갖는 영역인 최고 신뢰도를 갖는 탐지후보 영역을 추출하는 단계를 포함할 수 있다.
상기 최종 탐지영역을 도출하는 단계는, 상기 중첩 탐지후보 영역에 부여된 가중치, 상기 전체 탐지후보 영역에 부여된 가중치, 및 상기 최고 신뢰도를 갖는 탐지후보 영역에 부여된 가중치에 따라 최종 탐지영역을 산출하는 단계를 포함할 수 있다.
상기 복수의 제1 탐지후보 영역들 간의 중첩 여부 및 중첩 정도를 판단하는 단계는, 각 객체 클래스별로 서로 다른 제1 탐지후보 영역들 간의 중첩 여부 및 중첩 정도를 계산하는 단계를 포함할 수 있다.
상기와 같은 본 발명에 따른 객체 탐지 장치 및 방법은 복수의 추출영역들을 융합하여 최종 탐지영역을 추출함으로써, 최고신뢰도 탐지영역 하나만을 사용하는 것보다 더 정확한 최종 탐지영역을 추출할 수 있기 때문에, 최적의 탐지결과를 도출하여 입력 이미지로부터 객체를 정확히 탐지할 수 있는 효과를 갖는다.
도 1은 객체 탐지를 위한 검색영역들 추출 방법을 나타낸 개략도이다.
도 2는 실시예에 따른 객체 탐지 장치를 나타낸 블록도이다.
도 3은 도 2의 중첩기반 탐지영역추출부의 중첩 탐지영역 추출을 나타낸 개략도이다.
도 4는 도 2의 전체탐지후보 중첩영역추출부의 탐지후보 전체영역 추출을 나타낸 개략도이다.
도 5는 도 2의 중첩영역 정규화부의 최종 탐지영역 추출을 나타낸 개략도이다.
도 6은 실시예에 따른 객체 탐지 방법을 나타낸 순서도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는 데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. "및/또는"이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 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 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 객체 탐지를 위한 통상적인 검색영역 추출 개념을 도시하는 개념도이다.
입력 이미지에 대해 객체를 탐지하기 위한 통상적인 검색영역 추출은 도 1에 도시된 바와 같이, 다양한 사이즈와 다양한 종횡비를 가지는 검색영역들을 추출함으로써 이루어지고, 추출된 검색영역들은 객체를 인식하는 과정에 활용된다.
도 1에서 추출된 검색영역들은 다양한 크기 및 종횡비를 갖는 사각형 형태로 표현되어 있으며, 총 4개의 검색 영역들이 추출된 상태를 보여준다.
추출된 검색 영역들은 객체탐지 모델을 활용해 프로세싱되고 객체탐지 모델을 활용한 프로세싱 결과로서 적어도 하나의 객체 인식 영역이 출력된다. 좀더 구체적으로, 객체 탐지 프로세싱은 다양한 사이즈 및 다양한 종횡비를 갖는 여러 검색 영역들 중 일정 임계치를 초과하는 영역들을 객체로 인식함으로써 이루어진다.
입력이미지에 대한 객체 인식의 결과로서, 도 1에 도시된 실시예에서는 강아지로 인식된 3개의 객체인식 후보 영역(각각 레드, 블루, 그린으로 표현되는 사각형 영역)이 도출됨을 알 수 있다. 이들 후보 영역들 중 영역 신뢰도 값이 가장 큰 영역이 객체 인식 영역으로 최종 선택되고 해당 영역이 강아지로 인식된다.
여기서, 객체 인식을 위한 객체 탐지 모델로 딥러닝(Deep Learning) 또는 심층 신경망(Deep Neural Network: DNN) 기반의 탐지 기술 등이 사용될 수 있다. 딥 러닝은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화를 시도하는 기계학습(machine learning) 알고리즘의 집합으로 정의될 수 있다. 관련하여, 어떠한 데이터가 있을 때 이를 컴퓨터가 판독 가능한 형태(예를 들어 이미지의 경우는 픽셀정보를 열벡터로 표현하는 등)로 표현하고 이를 학습에 적용하기 위해 많은 연구가 진행되고 있으며, 이러한 노력의 결과로 DNN, CNN(convolutional deep neural networks)과 같은 다양한 딥러닝 기법들이 객체 인식을 비롯한 다양한 분야에 적용되고 있다.
도 2는 본 발명의 일 실시예에 따른 객체 탐지 장치의 블록 구성도이다.
도 2에 도시된 바와 같이, 본 발명의 일 실시예에 따른 객체 탐지 장치는 객체인식 수행부(100), 적어도 하나의 객체탐지모델을 이용해 추출된 복수의 제1 탐지후보 영역들 간의 중첩 여부 및 중첩 정도를 판단하는 탐지결과 중첩검사부(200), 제1 탐지후보 영역들 및 상기 제1 탐지후보 영역들 간의 중첩 여부 및 중첩 정도에 기반하여 제2 탐지후보 영역을 추출하는 영역 추출부(300), 및 제2탐지후보 영역에 포함된 각 후보 영역별 가중치에 기반하여 최종 탐지영역을 도출하는 중첩영역 정규화부(400)를 포함할 수 있다.
여기서, 제1 탐지후보 영역은 기 설정된 임계치 이상의 객체 인식 신뢰도를 갖는 영역이고, 상기 제2 탐지후보 영역은, 중첩 탐지후보 영역, 전체 탐지후보 영역, 및 최고 신뢰도를 갖는 탐지후보 영역 중 적어도 하나를 포함한다.
도 2를 참조하여 좀더 상세히 설명하면, 객체인식 수행부(100)는 적어도 하나의 객체탐지모델을 이용해 적어도 하나의 후보 영역을 추출한다. 여기서, 하나의 객체탐지모델을 사용해 객체인식을 수행하는 경우라도 복수의 탐지 후보 영역이 도출될 수 있으며, 복수의 탐지 모델을 사용하는 경우에도 도출된 복수의 탐지 후보 영역의 크기 및 위치가 유사하게 중복될 수 있다.
탐지결과 중첩검사부(200)는 객체인식 수행부(100)가 인식한 복수의 후보 영역 간에 특정 임계치 이상의 중첩(overlap)이 발생하는지 분석 및 검사한다. 탐지결과 중첩검사부(200)는 또한, 검색된 중첩영역들에 대해 객체 클래스와 신뢰도 기반의 중첩영역 검색을 통해 개별 객체 클래스에 대해 탐지 후보 영역이 복수개 이상인지 검사한다.
여기서, 객체 클래스는 이미지 내에 표현되는 강아지, 공, 나무 등 개별 객체에 대해 정의되는 개념으로 이해될 수 있다. 즉, 본 발명에 따른 탐지결과 중첩검사는 이미지 내에 복수의 객체 클래스가 존재하는 경우 각 객체 클래스마다 탐지결과 중첩검사를 수행한다.
즉, 탐지결과 중첩검사부(200)는 특정 객체 클래스에 대해 특정 임계치 이상의 객체 인식 신뢰도를 갖는 탐지 후보영역들 중 중첩하는 탐지 후보영역들에 대한 중첩 정도를 계산한다. 탐지 후보영역들의 중첩 정도(overlap)는 아래의 수학식 1에 의해 표현될 수 있다.
Figure pat00001
수학식 1에서 중첩 정도는 0과 1 사이의 값을 가질 수 있으며, A, B 각각은 탐지 후보 영역이다.
수학식 1에서 탐지 후보 영역이 A, B의 2개의 영역으로 표현되었으나 3개 이상의 후보 영역이 존재할 수 있다. 이러한 경우에는 2개의 영역 간의 중첩 정도를 반복하여 산출한다. 예를 들어, A, B, C 3개의 영역의 존재하는 경우, {A, B} 중첩 정도, {B, C} 중첩 정도, {A, C} 중첩 정도를 별도로 산출한다.
즉, 본 발명에 따른 중첩 정도는 객체 탐지에 사용된 전체 모델들의 합집합에 대한 전체 모델들의 교집합의 비율을 의미할 수 있다.
영역추출부(300)는 탐지결과 중첩검사부(200)가 도출한 후보 영역들간 중첩 정도에 기반하여 탐지영역 후보들을 추출한다. 이를 위해 영역추출부(300)는 중첩기반 탐지영역추출부(310), 전체탐지후보 중첩영역추출부(320), 및 최고신뢰도 탐지영역추출부(330)를 포함할 수 있다.
중첩기반 탐지영역 추출부(310)는 중첩하는 탐지후보 영역들에 대한 중첩 정도를 파악하여 중첩 가중치가 높은 영역들을 기반으로 탐지 영역을 추출한다. 전체탐지후보 중첩영역추출부(320)는 객체인식 수행부(100)에 의해 인식된 탐지후보 영역들 전체를 탐지 영역으로 추출한다. 최고신뢰도 탐지영역 추출부(330)는 적어도 하나의 객체 탐지 모델에 의해 인식된 최초 후보 영역들 중 최고의 객체 인식 신뢰도 값을 갖는 영역을 탐지영역 후보로 추출한다.
그에 따라 영역추출부(300)는 중첩 탐지후보 영역, 전체 탐지후보 영역, 최고 신뢰도를 갖는 탐지후보 영역의 3개의 탐지 영역을 출력한다.
중첩영역 정규화부(400)는 중첩 탐지후보 영역, 전체 탐지후보 영역, 최고 신뢰도를 갖는 탐지후보 영역의 3개의 탐지후보 영역을 수신하여 최종 탐지 영역을 추출한다.
아래 수학식 2는 중첩영역 정규화부(400)에 의해 수행되는 가중치 기반 최종 탐지영역 추출식을 나타낸다.
Figure pat00002
수학식 2에서 A1은 중첩 탐지후보 영역을, A2는 전체 탐지후보 영역을, A3은 최고 신뢰도를 갖는 탐지후보 영역을 의미한다. 또한,
Figure pat00003
는 중첩 탐지후보 영역에 대한 가중치를,
Figure pat00004
는 전체 탐지후보 영역을,
Figure pat00005
는 최고 신뢰도를 갖는 탐지후보 영역의 가중치를 나타낸다. 여기서,
Figure pat00006
+
Figure pat00007
+
Figure pat00008
= 1로 정의될 수 있다.
수학식 3에서, 각 가중치 값을 동일하게 설정하는 경우는 평균화(averaging) 기반의 최종 탐지영역을 추출할 수 있다. 또한, 각 가중치 값을 영역의 중요도에 따라 다르게 설정하는 경우에는 탐지영역별 중요도에 따른 최종 탐지영역을 추출할 수 있다.
수학식 2를 각 영역의 위치에 기반하여 나타내면 아래 수학식 3 및 수학식 4과 같이 표현할 수 있다.
Figure pat00009
수학식 3에서 Ltl 는 사각형인 최종 탐지영역의 좌측 상단 꼭지점을 나타내며, Ltlx 는 최종 탐지영역의 좌측 상단 꼭지점의 x 좌표를, Ltly 는 최종 탐지영역의 좌측 상단 꼭지점의 y 좌표를 나타낸다.
Figure pat00010
수학식4에서 Lbr 은 사각형 영역으로 정의되는 최종 탐지영역의 우측 하단 꼭지점을 나타내며, Lbrx 는 최종 탐지영역의 우측 하단 꼭지점의 x 좌표를, Lbry 는 최종 탐지영역의 우측 하단 꼭지점의 y 좌표를 나타낸다.
수학식 3에 의해 정의될 수 있는 최종 탐지영역의 좌측 상단 꼭지점의 위치 및 수학식 4에 의해 정의될 수 있는 최종 탐지영역의 우측 하단 꼭지점의 위치로부터 사각형 형태 영역인 최종 탐지영역이 정의될 수 있다.
본 발명에 따른 다른 실시예에 따르면 최종 탐지영역은 또한, 우측 상단 꼭지점 위치 및 좌측 하단 꼭지점의 위치를 이용해 도출될 수도 있으며 이를 도출하는 식은 수학식 3 및 수학식 4와 유사하게 표현될 수 있을 것이다.
즉, 본 발명에 따른 최종 탐지영역이 사각형 형태 영역으로 정의되는 경우, 사격형 중 서로 대각선 상에 위치하는 2개의 꼭지점의 위치를 상기 수학식 2에 따른 가중치 기반의 결정 방법에 따라 산출하는 경우 최종 탐지영역이 정의될 수 있다.
즉, 중첩영역 정규화부(400)는 가중치 값 기반으로 각 추출영역을 조합하여 3가지 추출영역을 융합할 수 있고, 3가지 추출영역이 융합된 영역을 통하여 최종 탐지영역을 추출한다.
예를 들어, 중첩영역 정규화부(400)는 최고신뢰도 탐지영역의 가중치 값을 크게 하고 다른 2개의 추출영역의 가중치 값을 작게 함으로써, 최고신뢰도 탐지영역이 가질 수 있는 탐지영역 에러를 줄여가며 최종 탐지영역을 추출할 수 있다.
본 발명의 다른 실시예에 따른 객체 탐지 장치는 또한 프로세서(10) 및 메모리(20)를 포함할 수 있다. 프로세서(10)는 앞서 설명한 탐지결과 중첩검사부(200), 영역추출부(300), 및 중첩영역 정규화부(400)의 기능을 통합된 형태로 포함할 수 있다. 또한, 메모리(20)는 적어도 하나의 객체탐지 모델을 저장할 수 있으며, 프로세서(10)에 의해 수행되는 객체 탐지 프로세싱 과정에서 도출되는 다양한 데이터, 이미지 등을 저장한다.
즉, 본 발명에 따른 프로세서(10)는 메모리에 저장된 적어도 하나의 객체탐지모델을 이용해 복수의 제1 탐지후보 영역들을 도출하고, 상기 복수의 제1 탐지후보 영역들 간의 중첩 여부 및 중첩 정도를 판단하며, 제1 탐지후보 영역들, 그리고 상기 복수의 제1 탐지후보 영역들 간의 중첩 여부 및 중첩 정도에 기반하여 제2 탐지후보 영역을 추출하고, 제2탐지후보 영역에 포함된 각 후보 영역별 가중치에 기반하여 최종 탐지영역을 도출한다.
이하 도 3 내지 도 5에서는, 본 발명에 따른 탐지영역 추출 과정을 좀더 상세히 설명한다.
도 3은 본 발명의 일 실시예에 따른 중첩 탐지영역 추출의 개념도이다.
도 3에 도시된 중첩 탐지영역 추출은 도 2에 도시된 탐지영역 추출부(300), 더 상세하게는, 중첩기반 탐지영역추출부(310)에 의해 수행될 수 있으나, 그 동작 주체가 이들에 한정되는 것은 아니다.
본 발명의 일 실시예에 따른 중첩기반 탐지영역추출은 탐지결과 중첩검사부(200)에 의해 파악된 탐지 후보영역들 간의 중첩 정도를 기반으로 중첩 가중치가 높은 영역들을 중심으로 중첩 탐지영역을 추출한다.
즉, 본 발명의 중첩 기반 탐지영역 추출은 복수의 탐지 후보영역들에 정의되는 복수의 영역들에 대해 중첩 정도에 따른 가중치를 수치화하여 부여함으로써 복수의 영역에 대한 중첩 가중치를 설정한다.
도 3에 도시된 실시예를 살펴보면, 레드, 그린, 블루로 설정된 3개의 사각형 영역들은 적어도 하나의 객체 탐지 모델에 의해 인식된 최초 후보 영역들 중 객체 인식 신뢰도 값이 일정 임계치(예를 들어, 0.5) 이상인 영역들이다. 예를 들어, 레드 사각형 영역은 0.8의 신뢰도 값을, 그린 사각형 영역은 0.7의 신뢰도 값을, 블루 사각형 영역은 0.6의 신뢰도 값을 가질 수 있다.
본 예에서는, 레드 사각형 영역의 0.8의 최고 신뢰도 값을 가지며, 따라서, 본 발명에 따른 최고 신뢰도를 갖는 탐지 영역으로는 레드 영역이 추출될 것이다.
또한, 일정 신뢰도 값 이상의 임계치를 가지는 3개의 영역 간들은 서로 중첩하는 영역이 발생하게 되고, 중첩하는 영역들 중에서의 2개의 영역이 중첩하는 구간, 3개의 영역이 모두 중첩하는 구간 등 중첩 정도에 따라 여러 영역으로 구분할 수 있다.
도 3의 각 영역에 부여된 숫자는 이러한 중첩 정도를 수치화하여 나타낸 것으로, 숫자 "1"이 부여된 영역은 다른 영역과 중첩하지 않는 부분을, 숫자 "2"가 부여된 영역은 다른 하나의 영역과 중첩하는 부분을, 숫자 "3"이 부여된 영역은 다른 2개의 영역과 중첩하는 부분을 나타낸다. 즉, 도 3에서 복수의 후보 영역들에 의해 정의되는 복수의 영역들에 대해, 후보 영역들 간 중첩 정도가 클수록 큰 숫자가 부여되어 있다.
본 발명에 따른 중첩기반 탐지영역 추출은 일정한 값 이상의 중첩 가중치를 갖는 영역을 중첩 탐지후보 영역으로 설정할 수 있다. 도 3의 실시예에서는 노란색으로 표시된 구간이 중첩 가중치 "2" 이상의 값을 갖는 영역들로서 중첩 탐지후보 영역으로 최종 추출된 결과를 보여주고 있다.
도 4는 본 발명의 일 실시예에 따른 전체 탐지후보 영역 추출의 개념도이다.
도 4에 도시된 전체 탐지후보 영역 추출은 도 2에 도시된 탐지영역 추출부(300), 더 상세하게는, 전체탐지후보 중첩영역추출부(320)에 의해 수행될 수 있으나, 그 동작 주체가 이들에 한정되는 것은 아니다.
본 발명의 일 실시예에 따른 전체 탐지후보 영역 추출은 탐지결과 중첩검사부(200)에 의해 파악된 탐지 후보영역들 전체를 탐지후보 영역으로 추출한다.
도 4에 도시된 실시예에서, 도 3의 경우와 마찬가지로, 레드, 그린, 블루로 설정된 3개의 사각형 영역들은, 적어도 하나의 객체 탐지 모델에 의해 인식된 최초 후보 영역들 중 객체 인식 신뢰도 값이 일정 임계치(예를 들어, 0.5) 이상인 영역들이다. 예를 들어, 레드 사각형 영역은 0.8의 신뢰도 값을, 그린 사각형 영역은 0.7의 신뢰도 값을, 블루 사각형 영역은 0.6의 신뢰도 값을 가질 수 있다.
이들 영역들은 모두 임계치 이상의 신뢰도를 갖는 영역들로서 탐지 후보 영역으로서 의미 있는 영역이므로, 본 발며에 따른 전체 탐지후보 영역 추출은, 이들 영역을 모두 합친 영역, 즉, 각 영역들의 합집합으로 정의되는 영역을 탐지후보 영역으로 설정한다.
도 4에서는 하늘색으로 표현되는 사각형 영역이 전체탐지 후보 영역을 나타낸다.
도 5는 본 발명의 일 실시예에 따른 중첩영역 정규화의 개념을 나타내는 개념도이다.
도 5에 도시된 중첩영역 정규화는 도 2에 도시된 중첩영역 정규화부(400) 에 의해 수행될 수 있으나, 그 동작 주체가 이에 한정되는 것은 아니다.
도 3의 실시예를 통해 일정 임계치 이상의 객체 인식 신뢰도를 갖는 복수의 탐지 후보 영역들에 대해 중첩 가중치에 기반하여 중첩 탐지 후보 영역을 도출하는 과정을 살펴보았다. 또한, 도 4를 통해서는 일정 임계치 이상의 객체 인식 신뢰도를 갖는 복수의 탐지 후보 영역들 전체를 후보 영역으로 도출하는 과정을 살펴보았다. 또한, 별도의 도면을 통해 살펴보지는 않았으나, 탐지 후보영역들 중 특정 객체 클래스에 대한 객체 인식 신뢰도가 가장 높은 최고신뢰도 탐지영역을 추출하는 과정 또한 살펴보았다.
본 발명에 따른 중첩영역 정규화 방법은, 도 3의 실시예를 통해 도출한 중첩 탐지 후보 영역, 도 4 실시예를 통해 도출한 전체 탐지 후보 영역 및 최고 신뢰도 탐지 후보 영역들 중 적어도 하나의 영역을 고려하여 최종 탐지 영역을 결정한다.
본 발명에 다른 중첩영역 정규화에 따르면, 최고 신뢰도를 가지는 후보 영역 하나만을 사용하는 것보다는 더 정확한 탐지 영역 도출을 기대할 수 있는데, 중첩 탐지 후보 영역과 전체 탐지 후보 영역에 의해 상호 보완이 가능하기 때문이다.
중첩영역 정규화를 통한 최종 탐지 영역을 결정함에 있어서는, 앞서 살펴본 수학식 2를 이용할 수 있다. 즉, 3개의 탐지 영역을 융합하고자 하는 경우에는 수학식 2와 같이 가중치 값 기반으로 각 탐지 후보 영역을 조합하여 사용할 수 있다.
수학식 2로 돌아가 해당 식을 다시 살펴보면, 각 후보 영역에는 가중치가 부여되며 사용자가 목적하는 바에 따라 각 후보 영역에 대한 가중치를 조정하여 설정할 수 있다. 본 발명에 따른 바람직한 실시예로서, 3개의 후보 탐지 영역 중 최고 신뢰도를 가지는 후보 영역의 가중치 값을 가장 크게 부여하고 다른 2개의 후보 탐지 영역의 가중치 값을 상대적으로 작게 설정함으로, 최고 신뢰도를 가지는 후보 영역이 가질 수 있는 탐지 영역 에러를 줄여가며 최종 탐지 영역을 추출할 수 있다.
도 6은 본 발명의 일 실시예에 따른 객체 탐지 방법의 동작 순서도이다.
본 발명의 일 실시예에 따른 객체 탐지 방법은, 입력되는 이미지에 대해 적어도 하나의 객체탐지모델을 이용해 복수의 제1 탐지후보 영역들을 도출하는 단계, 복수의 제1 탐지후보 영역들 간의 중첩 여부 및 중첩 정도를 판단하는 단계, 제1 탐지후보 영역들, 그리고 상기 복수의 제1 탐지후보 영역들 간의 중첩 여부 및 중첩 정도에 기반하여 제2 탐지후보 영역을 추출하는 단계, 및 제2탐지후보 영역에 포함된 각 후보 영역별 가중치에 기반하여 최종 탐지영역을 도출하는 단계를 포함할 수 있다.
좀더 구체적으로, 도 6을 참조하면, 본 발명의 일 실시예에 따른 객체 탐지 방법은 우선, 입력된 이미지에 대해 복수의 객체탐지모델을 이용한 객체 인식을 수행한다(S610). 객체 인식되어 탐지된 영역들 중 기 설정된 임계치 이상의 객체 인식 신뢰도를 갖는 영역이 제1 탐지후보 영역으로 설정된다.
제1 탐지후보 영역들에 대해서는 영역들 간의 중첩 여부 및 중첩 정도를 판단하는 중첩 검사를 수행한다(S620).
이후 중첩 검사 결과를 이용해 탐지후보 영역을 추출하는데(S630). 이 때의 탐지후보 영역은 제1 탐지후보 영역과는 다르며, 제2 탐지후보 영역으로 지칭될 수 있다. 제2 탐지후보 영역은 상기 제1 탐지후보 영역들, 그리고 상기 복수의 제1 탐지후보 영역들 간의 중첩 여부 및 중첩 정도에 기반하여 추출될 수 있다. 제2 탐지후보 영역은 또한, 중첩 탐지후보 영역, 전체 탐지후보 영역, 및 최고 신뢰도를 갖는 탐지후보 영역 중 적어도 하나를 포함할 수 있다.
따라서, 중첩 검사 결과를 이용한 탐지후보 영역 추출 단계(S630)는, 복수의 제1 탐지후보 영역들 중 서로 중첩하는 영역들에 대한 중첩 정도를 파악하여 중첩 가중치가 높은 영역들을 기반으로 상기 중첩 탐지후보 영역을 추출하는 단계를 포함할 수 있다.
탐지후보 영역 추출 단계(S630)는 또한, 복수의 제1 탐지후보 영역들 전체로 설정되는 전체 탐지후보 영역을 도출하는 단계, 복수의 제1 탐지후보 영역들 전체 중 최고의 객체 인식 신뢰도를 갖는 영역인 최고 신뢰도를 갖는 탐지후보 영역을 추출하는 단계를 포함할 수 있다.
탐지후보 영역 추출이 완료되면, 중첩 영역에 대한 정규화 단계(S640)가 수행된다. 정규화 단계(S640)는 최종 탐지영역을 도출하는 단계로, 중첩 탐지후보 영역에 부여된 가중치, 전체 탐지후보 영역에 부여된 가중치, 및 상기 최고 신뢰도를 갖는 탐지후보 영역에 부여된 가중치에 따라 최종 탐지영역을 산출하고, 최종적으로 탐지된 영역을 출력한다(S650).
본 발명의 실시예에 따른 객체 탐지 방법의 동작은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 프로그램 또는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의해 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산 방식으로 컴퓨터로 읽을 수 있는 프로그램 또는 코드가 저장되고 실행될 수 있다.
또한, 컴퓨터가 읽을 수 있는 기록매체는 롬(rom), 램(ram), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다. 프로그램 명령은 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다.
본 발명의 일부 측면들은 장치의 문맥에서 설명되었으나, 그것은 상응하는 방법에 따른 설명 또한 나타낼 수 있고, 여기서 블록 또는 장치는 방법 단계 또는 방법 단계의 특징에 상응한다. 유사하게, 방법의 문맥에서 설명된 측면들은 또한 상응하는 블록 또는 아이템 또는 상응하는 장치의 특징으로 나타낼 수 있다. 방법 단계들의 몇몇 또는 전부는 예를 들어, 마이크로프로세서, 프로그램 가능한 컴퓨터 또는 전자 회로와 같은 하드웨어 장치에 의해(또는 이용하여) 수행될 수 있다. 몇몇의 실시예에서, 가장 중요한 방법 단계들의 하나 이상은 이와 같은 장치에 의해 수행될 수 있다.
실시예들에서, 프로그램 가능한 로직 장치(예를 들어, 필드 프로그머블 게이트 어레이)가 여기서 설명된 방법들의 기능의 일부 또는 전부를 수행하기 위해 사용될 수 있다. 실시예들에서, 필드 프로그머블 게이트 어레이는 여기서 설명된 방법들 중 하나를 수행하기 위한 마이크로프로세서와 함께 작동할 수 있다. 일반적으로, 방법들은 어떤 하드웨어 장치에 의해 수행되는 것이 바람직하다.
이상 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
10: 프로세서 20: 메모리
100: 객체인식 수행부 200: 탐지결과 중첩검사부
300: 영역추출부 310: 중첩기반 탐지영역추출부
320: 전체탐지후보 중첩영역추출부 330: 최고신뢰도 탐지영역추출부
400: 중첩영역 정규화부

Claims (18)

  1. 적어도 하나의 객체탐지모델을 이용해 추출된 복수의 제1 탐지후보 영역들 간의 중첩 여부 및 중첩 정도를 판단하는 탐지결과 중첩검사부;
    상기 제1 탐지후보 영역들 및 상기 제1 탐지후보 영역들 간의 중첩 여부 및 중첩 정도에 기반하여 제2 탐지후보 영역을 추출하는 영역 추출부; 및
    상기 제2탐지후보 영역에 포함된 각 후보 영역별 가중치에 기반하여 최종 탐지영역을 도출하는 중첩영역 정규화부를 포함하는 객체 탐지 장치.
  2. 청구항 1에 있어서,
    상기 제1 탐지후보 영역은 기 설정된 임계치 이상의 객체 인식 신뢰도를 갖는 영역인, 객체 탐지 장치.
  3. 청구항 1에 있어서,
    상기 제2 탐지후보 영역은,
    중첩 탐지후보 영역, 전체 탐지후보 영역, 및 최고 신뢰도를 갖는 탐지후보 영역 중 적어도 하나를 포함하는, 객체 탐지 장치.
  4. 청구항 3에 있어서,
    상기 중첩 탐지후보 영역은,
    복수의 제1 탐지후보 영역들 중 서로 중첩하는 영역들에 대한 중첩 정도를 파악하여 중첩 가중치가 높은 영역들을 기반으로 추출되는, 객체 탐지 장치.
  5. 청구항 3에 있어서,
    상기 전체 탐지후보 영역은 복수의 제1 탐지후보 영역들 전체로 설정되는 영역인, 객체 탐지 장치.
  6. 청구항 3에 있어서,
    상기 최고 신뢰도를 갖는 탐지후보 영역은 복수의 제1 탐지후보 영역들 전체 중 최고의 객체 인식 신뢰도를 갖는 영역인, 객체 탐지 장치.
  7. 청구항 3에 있어서,
    상기 중첩영역 정규화부는,
    상기 중첩 탐지후보 영역에 부여된 가중치, 상기 전체 탐지후보 영역에 부여된 가중치, 및 상기 최고 신뢰도를 갖는 탐지후보 영역에 부여된 가중치에 따라 최종 탐지영역을 산출하는, 객체 탐지 장치.
  8. 청구항 1에 있어서,
    상기 탐지결과 중첩검사부는,
    객체 클래스별로 서로 다른 제1 탐지후보 영역들 간의 중첩 여부 및 중첩 정도를 계산하는, 객체 탐지 장치.
  9. 입력되는 이미지에 대해 적어도 하나의 객체탐지모델을 이용해 복수의 제1 탐지후보 영역들을 도출하는 단계;
    상기 복수의 제1 탐지후보 영역들 간의 중첩 여부 및 중첩 정도를 판단하는 단계;
    상기 제1 탐지후보 영역들, 그리고 상기 복수의 제1 탐지후보 영역들 간의 중첩 여부 및 중첩 정도에 기반하여 제2 탐지후보 영역을 추출하는 단계; 및
    상기 제2 탐지후보 영역에 포함된 각 후보 영역별 가중치에 기반하여 최종 탐지영역을 도출하는 단계를 포함하는, 객체 탐지 방법.
  10. 청구항 9에 있어서,
    상기 제1 탐지후보 영역은 기 설정된 임계치 이상의 객체 인식 신뢰도를 갖는 영역인, 객체 탐지 방법.
  11. 청구항 9에 있어서,
    상기 제2 탐지후보 영역은,
    중첩 탐지후보 영역, 전체 탐지후보 영역, 및 최고 신뢰도를 갖는 탐지후보 영역 중 적어도 하나를 포함하는, 객체 탐지 방법.
  12. 청구항 11에 있어서,
    상기 제2 탐지후보 영역을 추출하는 단계는,
    복수의 제1 탐지후보 영역들 중 서로 중첩하는 영역들에 대한 중첩 정도를 파악하여 중첩 가중치가 높은 영역들을 기반으로 상기 중첩 탐지후보 영역을 추출하는 단계를 포함하는, 객체 탐지 방법.
  13. 청구항 11에 있어서,
    상기 제2 탐지후보 영역을 추출하는 단계는,
    복수의 제1 탐지후보 영역들 전체로 설정되는 전체 탐지후보 영역을 도출하는 단계를 포함하는, 객체 탐지 방법.
  14. 청구항 11에 있어서,
    상기 제2 탐지후보 영역을 추출하는 단계는,
    복수의 제1 탐지후보 영역들 전체 중 최고의 객체 인식 신뢰도를 갖는 영역인 최고 신뢰도를 갖는 탐지후보 영역을 추출하는 단계를 포함하는, 객체 탐지 방법.
  15. 청구항 11에 있어서,
    상기 최종 탐지영역을 도출하는 단계는,
    상기 중첩 탐지후보 영역에 부여된 가중치, 상기 전체 탐지후보 영역에 부여된 가중치, 및 상기 최고 신뢰도를 갖는 탐지후보 영역에 부여된 가중치에 따라 최종 탐지영역을 산출하는 단계를 포함하는, 객체 탐지 방법.
  16. 청구항 9에 있어서,
    상기 복수의 제1 탐지후보 영역들 간의 중첩 여부 및 중첩 정도를 판단하는 단계는,
    각 객체 클래스별로 서로 다른 제1 탐지후보 영역들 간의 중첩 여부 및 중첩 정도를 계산하는 단계를 포함하는, 객체 탐지 방법.
  17. 적어도 하나의 객체탐지모델을 저장하는 메모리; 및
    상기 적어도 하나의 객체탐지모델을 이용해 복수의 제1 탐지후보 영역들을 도출하고, 상기 복수의 제1 탐지후보 영역들 간의 중첩 여부 및 중첩 정도를 판단하며, 상기 제1 탐지후보 영역들, 그리고 상기 복수의 제1 탐지후보 영역들 간의 중첩 여부 및 중첩 정도에 기반하여 제2 탐지후보 영역을 추출하고, 상기 제2탐지후보 영역에 포함된 각 후보 영역별 가중치에 기반하여 최종 탐지영역을 도출하는 프로세서를 포함하는, 객체 탐지 장치.
  18. 청구항 17에 있어서,
    상기 프로세서는,
    적어도 하나의 객체탐지모델을 이용해 추출된 복수의 제1 탐지후보 영역들 간의 중첩 여부 및 중첩 정도를 판단하는 탐지결과 중첩검사부;
    상기 제1 탐지후보 영역들, 그리고 상기 복수의 제1 탐지후보 영역들 간의 중첩 여부 및 중첩 정도에 기반하여 제2 탐지후보 영역을 추출하는 영역 추출부; 및
    상기 제2 탐지후보 영역에 포함된 각 후보 영역별 가중치에 기반하여 최종 탐지영역을 도출하는 중첩영역 정규화부를 포함하는, 객체 탐지 장치.
KR1020170037024A 2017-03-23 2017-03-23 객체 탐지 장치 및 방법 KR20180107988A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170037024A KR20180107988A (ko) 2017-03-23 2017-03-23 객체 탐지 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170037024A KR20180107988A (ko) 2017-03-23 2017-03-23 객체 탐지 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20180107988A true KR20180107988A (ko) 2018-10-04

Family

ID=63863187

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170037024A KR20180107988A (ko) 2017-03-23 2017-03-23 객체 탐지 장치 및 방법

Country Status (1)

Country Link
KR (1) KR20180107988A (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102104238B1 (ko) * 2018-10-19 2020-04-24 한국과학기술연구원 광변조기 기반 구조 조명 현미경 시스템 및 상기 시스템에 의해 수행되는 이미지 생성 방법
KR20200052416A (ko) 2018-10-25 2020-05-15 카페24 주식회사 객체 영역 추출을 수행하는 인공 신경망을 위한 학습 데이터를 생성하는 방법 및 장치
CN111191730A (zh) * 2020-01-02 2020-05-22 中国航空工业集团公司西安航空计算技术研究所 一种面向嵌入式深度学习的超大尺寸图像目标检测方法及系统
WO2020213750A1 (ko) * 2019-04-16 2020-10-22 엘지전자 주식회사 객체를 인식하는 인공 지능 장치 및 그 방법
KR20210002104A (ko) * 2019-06-26 2021-01-06 베이징 센스타임 테크놀로지 디벨롭먼트 컴퍼니 리미티드 목표 검출 및 목표 검출 네트워크의 훈련
KR20210006627A (ko) * 2019-07-09 2021-01-19 주식회사 케이티 객체 확인 방법 및 이를 위한 시스템
KR102525725B1 (ko) * 2022-09-30 2023-05-02 옴니스랩스 주식회사 고해상도 이미지에서 객체를 탐지하는 방법 및 이러한 방법을 수행하는 장치

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102104238B1 (ko) * 2018-10-19 2020-04-24 한국과학기술연구원 광변조기 기반 구조 조명 현미경 시스템 및 상기 시스템에 의해 수행되는 이미지 생성 방법
KR20200052416A (ko) 2018-10-25 2020-05-15 카페24 주식회사 객체 영역 추출을 수행하는 인공 신경망을 위한 학습 데이터를 생성하는 방법 및 장치
WO2020213750A1 (ko) * 2019-04-16 2020-10-22 엘지전자 주식회사 객체를 인식하는 인공 지능 장치 및 그 방법
US11113532B2 (en) 2019-04-16 2021-09-07 Lg Electronics Inc. Artificial intelligence apparatus for recognizing object and method therefor
KR20210002104A (ko) * 2019-06-26 2021-01-06 베이징 센스타임 테크놀로지 디벨롭먼트 컴퍼니 리미티드 목표 검출 및 목표 검출 네트워크의 훈련
KR20210006627A (ko) * 2019-07-09 2021-01-19 주식회사 케이티 객체 확인 방법 및 이를 위한 시스템
CN111191730A (zh) * 2020-01-02 2020-05-22 中国航空工业集团公司西安航空计算技术研究所 一种面向嵌入式深度学习的超大尺寸图像目标检测方法及系统
KR102525725B1 (ko) * 2022-09-30 2023-05-02 옴니스랩스 주식회사 고해상도 이미지에서 객체를 탐지하는 방법 및 이러한 방법을 수행하는 장치

Similar Documents

Publication Publication Date Title
KR20180107988A (ko) 객체 탐지 장치 및 방법
US10977523B2 (en) Methods and apparatuses for identifying object category, and electronic devices
US10885365B2 (en) Method and apparatus for detecting object keypoint, and electronic device
CN111160379B (zh) 图像检测模型的训练方法及装置、目标检测方法及装置
CN110738101B (zh) 行为识别方法、装置及计算机可读存储介质
US11210513B2 (en) Detection method and detection device
US10860837B2 (en) Deep multi-task learning framework for face detection, landmark localization, pose estimation, and gender recognition
US9349076B1 (en) Template-based target object detection in an image
US8730157B2 (en) Hand pose recognition
US9619733B2 (en) Method for generating a hierarchical structured pattern based descriptor and method and device for recognizing object using the same
US20140348420A1 (en) Method and system for automatic selection of one or more image processing algorithm
CN109271999B (zh) 图像的处理方法、装置和计算机可读存储介质
KR20160053749A (ko) 얼굴 영상의 다양성에 강인한 얼굴 표정 특징 분류 방법 및 시스템
US20230137337A1 (en) Enhanced machine learning model for joint detection and multi person pose estimation
US20230368033A1 (en) Information processing device, control method, and program
CN114529963A (zh) 图像处理方法、装置、电子设备和可读存储介质
CN110705531A (zh) 缺失字符检测、缺失字符检测模型的建立方法及装置
CN111259838B (zh) 服务机器人服务环境下深度理解人体行为的方法及系统
US20190066285A1 (en) Image inspection apparatus, image inspection method, and image inspection program
CN110533184B (zh) 一种网络模型的训练方法及装置
CN115797735A (zh) 目标检测方法、装置、设备和存储介质
CN112270671B (zh) 图像检测方法、装置、电子设备及存储介质
CN109635755A (zh) 人脸提取方法、装置及存储介质
CN111126566B (zh) 基于gan模型的异常家具布局数据检测方法
CN109447021B (zh) 一种属性检测方法及属性检测装置

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
E601 Decision to refuse application
E801 Decision on dismissal of amendment