KR20200017611A - 딥러닝을 이용한 위치 측위 방법 및 장치 - Google Patents

딥러닝을 이용한 위치 측위 방법 및 장치 Download PDF

Info

Publication number
KR20200017611A
KR20200017611A KR1020180092262A KR20180092262A KR20200017611A KR 20200017611 A KR20200017611 A KR 20200017611A KR 1020180092262 A KR1020180092262 A KR 1020180092262A KR 20180092262 A KR20180092262 A KR 20180092262A KR 20200017611 A KR20200017611 A KR 20200017611A
Authority
KR
South Korea
Prior art keywords
positioning
input
radio wave
deep learning
scanned
Prior art date
Application number
KR1020180092262A
Other languages
English (en)
Inventor
박영몽
한덕규
Original Assignee
(주)휴빌론
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 (주)휴빌론 filed Critical (주)휴빌론
Priority to KR1020180092262A priority Critical patent/KR20200017611A/ko
Publication of KR20200017611A publication Critical patent/KR20200017611A/ko

Links

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
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0252—Radio frequency fingerprinting
    • 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
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0205—Details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • G06N7/04—Physical realisation
    • G06N7/046—Implementation by means of a neural network
    • 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
    • G01S2205/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S2205/001—Transmission of position information to remote stations
    • G01S2205/008—Transmission of position information to remote stations using a mobile telephone network

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Biomedical Technology (AREA)
  • Fuzzy Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

본 발명은 신호 세기를 이용한 위치 측위 방법 및 장치에 관한 것으로서, 전파 기반 측위 자원의 신호 세기에 대하여 기계학습(machine learning)된 인공신경망 모델을 이용하여 위치 측위를 추정하는 방법 및 이를 수행하는 장치에 관한 것이다.
이와 같은 목적을 달성하기 위하여 본 발명에 따른 신호 세기를 이용한 위치 측위 방법은 (a) 복수개의 전파 기반 측위 자원을 스캔하는 단계; (b) 상기 단계 (a)에서 스캔된 복수개의 전파 기반 측위 자원에 대응되는 컨벌루션 레이어와 뉴럴 네트워크를 위한 컨벌루션 필터와 인공신경망 가중치를 포함하는 정보를 수신하는 단계; (c) 상기 단계 (a)에서 스캔된 전파 기반 측위 자원의 ID와 신호 세기를 입력으로 사용하여 컨벌루션 레이어를 통해 특징 벡터를 추출하는 단계; (d) 상기 특징 벡터를 입력으로 받아, 1개 이상의 레이어의 뉴럴 네트워크(neural network)에서 상기 스캔된 전파 기반 측위 자원별로 위치 측위 확률값을 추정하는 단계; 및 (e) 상기 추정된 위치 측위 확률값으로부터 위치 측위를 결정하는 단계를 포함한다.

Description

딥러닝을 이용한 위치 측위 방법 및 장치{Method and apparatus for positioning by using Deep learning}
본 발명은 신호 세기를 이용한 위치 측위 방법 및 장치에 관한 것으로서, 전파 기반 측위 자원의 신호 세기에 대하여 기계학습(machine learning)된 인공신경망 모델을 이용하여 위치 측위를 추정하는 방법 및 이를 수행하는 장치에 관한 것이다.
위치정보 추정 기술은 자산이나 사람들의 위치를 실시간으로 추적하고 트래킹 할 수 있는 기술로 다양한 분야에서 유용하게 활용할 수 있는 서비스이다. GPS 위성 정보를 이용한 자동차 네비게이션 기술 등의 보편화된 서비스에서부터 액티브(active) RFID 기술 등의 전용 특수 단말을 이용하여 이동 물체에 대한 실내외 위치측위 기술까지 다양한 분야에서 유용하게 활용되고 있다.
실내 측위가 발전되면서 다양한 측위원이 사용되고 있는데, 가장 대중적인 것은 WIFI를 기반으로 하는 WPS로서, 기존에 설치된 인프라를 그대로 사용하며 실내 공간 중에 상업시설이나 사무공간은 WIFI 기반 측위(WPS)에 충분한 AP가 설치되어 있으므로 실내 측위 분야에서도 측위를 위해 필요한 학습 전략 및 모델을 확립하여 측위를 잘 수행할 수 있는 딥러닝 방법이 필요하다. 그러나 대중적으로 잘 알려진 딥러닝의 입출력 방식은 원핫인코딩(One Hot Encoding 이하 OHE)으로 데이터를 유형에 따라 분류 속성을 직교 행렬표로 표현하고 이를 입력 또는 출력으로 처리한다. 이 방식은 한 번에 하나의 속성만 표현 가능하며 이들 사이의 관계를 표현하지 못하고 메모리를 많이 차지하는 문제가 있으며, 현재는 분류(Classication) 문제를 위한 출력 표현 방식으로 많이 사용하고 있다. 또한 딥러닝은 도메인별로 실제 데이터를 입력으로 처리하기 위하여 각기 다른 방식으로 데이터를 표현하는데, 잘 알려진 이미지 인식 분야의 경우에는 이미지 데이터 RGB의 각 픽셀값을 CNN(Convolutional Neural Network 이하 CNN) 입력으로 사용하며, 자연어 처리 분야에서는 이미지와 같이 바로 입력이 불가하여 단어뭉치를 벡터로 만들고 이를 입력으로 사용하는데 일반적으로 자연어의 경우, 단어의 개수가 10만개 이상으로 매우 크다. 따라서 이를 OHE로 표현할 경우, 입력 사이즈 및 메모리 용량이 많이 필요하며, 단어의 의미를 표현할 수 없기에 보통은 전체 단어 집합을 특정수(예 1만개)로 한정하고 이를 OHE로 표현하고 단어의 문장내의 근접성으로 학습하여 Vector 형태로 구성하여 이를 딥러닝(CNN, RNN등)의 입력으로 사용한다.
그러나 실내 측위에서 일반적인 측위 자원은 WIFI AP 또는 BLE 태그 등과 같이 전파를 이용하는 것과 지자기등 건물 구조에서 발생하는 자연 자원이 있다. 지자기의 경우 센서의 X, Y, Z 또는 지자기의 수평성분(Mh), 수직성분(Mv) 형태이므로 그대로 딥러닝의 입력으로 사용 가능하다. 그러나 WIFI 및 BLE의 경우에는 해당 데이터가 맥 주소와 같은 식별자(ID) 및 신호 세기(RSSI; Received Signal Strength Indicator)로 표현되는데 전파 기반 측위 자원의 경우 식별자(ID)와 신호세기(RSSI)가 종속적인 관계를 가지고 있어서 1:1로 매핑을 할 수 있어야 하므로 앞서 설명한 딥러닝에서 주로 사용하는 OHE나 Word2Vec 와 같은 기법을 그대로 사용할 수 없으며, 전파 기반 측위 자원의 경우, 전파 스캐닝 시 발견되는 AP 수가 스캔시마다 가변 크기를 가지고 있으며, WIFI AP나 BLE 태그의 식별자(MAC 주소등)의 범위가 매우 크며, 한 건물에서 나타나는 AP는 이중 극히 일부만 사용되어 일반적인 OHE를 사용할 경우 매우 큰 메모리를 사용하게 되며, 전파 환경이 변화함에 따라 추가 삭제되는 AP 또는 BLE 태그에 유연하게 대처 가능해야 하는 문제가 있다.
1020180058191 A
본 발명은 이와 같은 문제점을 해결하기 위하여 창안된 것으로서, 전파 기반 측위 자원을 딥러닝에 적용 가능한 표현으로 변환하여 신호 세기에 대하여 기계학습(machine learning)된 인공신경망 모델을 이용하여 위치 측위 추정이 가능하도록 하는 것을 그 목적으로 한다.
이와 같은 목적을 달성하기 위하여 본 발명에 따른 딥 러닝을 이용한 위치 측위 방법은 (a) 복수개의 전파 기반 측위 자원을 스캔하는 단계; (b) 상기 단계 (a)에서 스캔된 복수개의 전파 기반 측위 자원에 대응되는 컨벌루션 레이어와 뉴럴 네트워크를 위한 컨벌루션 필터와 인공신경망 가중치를 포함하는 정보를 수신하는 단계; (c) 상기 단계 (a)에서 스캔된 전파 기반 측위 자원의 ID와 신호 세기를 입력으로 사용하여 컨벌루션 레이어를 통해 특징 벡터를 추출하는 단계; (d) 상기 특징 벡터를 입력으로 받아, 1개 이상의 레이어의 뉴럴 네트워크(neural network)에서 상기 스캔된 전파 기반 측위 자원별로 위치 측위 확률값을 추정하는 단계; 및 (e) 상기 추정된 위치 측위 확률값으로부터 위치 측위를 결정하는 단계를 포함한다.
상기 전파 기반 측위 자원은 WIFI AP 또는 BLE 태그 중 어느 하나 인 것이다.
상기 입력으로 사용된 신호 세기는 원 핫 인코딩(One Hot Encoding; OHE) 형태, RSSI값 형태 그리고 맥주소를 포함한 RSSI 벡터 형태 중 어느 하나 인 것이다.
본 발명의 다른 측면에 따르면, 딥러닝을 이용한 위치 측위를 위한 장치는 적어도 하나의 프로세서; 및 컴퓨터로 실행가능한 명령을 저장하는 적어도 하나의 메모리를 포함하되, 상기 적어도 하나의 메모리에 저장된 상기 컴퓨터로 실행가능한 명령은, 상기 적어도 하나의 프로세서에 의하여, (a) 복수개의 전파 기반 측위 자원을 스캔하는 단계; (b) 상기 단계 (a)에서 스캔된 복수개의 전파 기반 측위 자원에 대응되는 컨벌루션 레이어와 뉴럴 네트워크를 위한 컨벌루션 필터와 인공신경망 가중치를 포함하는 정보를 수신하는 단계; (c) 상기 단계 (a)에서 스캔된 전파 기반 측위 자원의 ID와 신호 세기를 입력으로 사용하여 컨벌루션 레이어를 통해 특징 벡터를 추출하는 단계; (d) 상기 특징 벡터를 입력으로 받아, 1개 이상의 레이어의 뉴럴 네트워크(neural network)에서 상기 스캔된 전파 기반 측위 자원별로 위치 측위 확률값을 추정하는 단계; 및 (e) 상기 추정된 위치 측위 확률값으로부터 위치 측위를 결정하는 단계가 실행되도록 한다.
본 발명의 또 다른 측면에 따르면, 딥러닝을 이용한 위치 측위를 추정하기 위한 컴퓨터 프로그램은, 비일시적 저장 매체에 저장되며, 프로세서에 의하여, (a) 복수개의 전파 기반 측위 자원을 스캔하는 단계; (b) 상기 단계 (a)에서 스캔된 복수개의 전파 기반 측위 자원에 대응되는 컨벌루션 레이어와 뉴럴 네트워크를 위한 컨벌루션 필터와 인공신경망 가중치를 포함하는 정보를 수신하는 단계; (c) 상기 단계 (a)에서 스캔된 전파 기반 측위 자원의 ID와 신호 세기를 입력으로 사용하여 컨벌루션 레이어를 통해 특징 벡터를 추출하는 단계; (d) 상기 특징 벡터를 입력으로 받아, 1개 이상의 레이어의 뉴럴 네트워크(neural network)에서 상기 스캔된 전파 기반 측위 자원별로 위치 측위 확률값을 추정하는 단계; 및 (e) 상기 추정된 위치 측위 확률값으로부터 위치 측위를 결정하는 단계가 실행되도록 하는 명령을 포함한다.
본 발명의 또 다른 측면에 따르면 딥러닝을 이용한 위치 측위 방법은 (a) 단말기로부터 스캔된 복수개의 전파 기반 측위 자원을 수신하는 단계; (b) 상기 단계 (a)에서 수신된 전파 기반 측위 자원의 ID와 신호 세기를 입력으로 사용하여 컨벌루션 레이어를 통해 특징 벡터를 추출하는 단계; (c) 상기 특징 벡터를 입력으로 받아, 1개 이상의 레이어의 뉴럴 네트워크(neural network)에서 상기 수신된 전파 기반 측위 자원별로 위치 측위 확률값을 추정하는 단계; (d) 상기 추정된 위치 측위 확률값으로부터 위치 측위를 결정하는 단계; 및 (e) 상기 결정된 위치 측위를 상기 단말기로 전송하는 단계를 포함한다.
상기 전파 기반 측위 자원은 WIFI AP 또는 BLE 태그 중 어느 하나 인 것이다.
상기 입력으로 사용된 신호 세기는 원 핫 인코딩(One Hot Encoding; OHE) 형태, RSSI값 형태 그리고 맥주소를 포함한 RSSI 벡터 형태 중 어느 하나 인 것이다.
본 발명의 또 다른 측면에 따르면 딥러닝을 이용한 위치 측위를 위한 장치는 적어도 하나의 프로세서; 및 컴퓨터로 실행가능한 명령을 저장하는 적어도 하나의 메모리를 포함하되, 상기 적어도 하나의 메모리에 저장된 상기 컴퓨터로 실행가능한 명령은, 상기 적어도 하나의 프로세서에 의하여, (a) 단말기로부터 스캔된 복수개의 전파 기반 측위 자원을 수신하는 단계; (b) 상기 단계 (a)에서 수신된 전파 기반 측위 자원의 ID와 신호 세기를 입력으로 사용하여 컨벌루션 레이어를 통해 특징 벡터를 추출하는 단계; (c) 상기 특징 벡터를 입력으로 받아, 1개 이상의 레이어의 뉴럴 네트워크(neural network)에서 상기 수신된 전파 기반 측위 자원별로 위치 측위 확률값을 추정하는 단계; (d) 상기 추정된 위치 측위 확률값으로부터 위치 측위를 결정하는 단계; 및, (e) 상기 결정된 위치 측위를 상기 단말기로 전송하는 단계가 실행되도록 한다.
본 발명의 또 다른 측면에 따르면 딥러닝을 이용한 위치 측위를 추정하기 위한 컴퓨터 프로그램으로서, 비일시적 저장 매체에 저장되며, 프로세서에 의하여, (a) 단말기로부터 스캔된 복수개의 전파 기반 측위 자원을 수신하는 단계; (b) 상기 단계 (a)에서 수신된 전파 기반 측위 자원의 ID와 신호 세기를 입력으로 사용하여 컨벌루션 레이어를 통해 특징 벡터를 추출하는 단계; (c) 상기 특징 벡터를 입력으로 받아, 1개 이상의 레이어의 뉴럴 네트워크(neural network)에서 상기 수신된 전파 기반 측위 자원별로 위치 측위 확률값을 추정하는 단계; (d) 상기 추정된 위치 측위 확률값으로부터 위치 측위를 결정하는 단계; 및, (e) 상기 결정된 위치 측위를 상기 단말기로 전송하는 단계가 실행되도록 명령을 포함한다.
본 발명에 의하면, 전파 기반 측위 자원인 식별자와 신호세기를 종속적인 관계인 1:1로 매칭하여 딥러닝에 적용 가능한 표현으로 변환하므로 실내 위치 측위를 수행하는 효과가 있다.
도 1은 본 발명에 따른 딥러닝을 이용한 위치 측위 학습 구조이며, 입력되는 측위 자원 표현의 제1 실시예.
도 2는 본 발명에 따른 입력되는 측위 자원 표현의 제2 실시예.
도 3은 본 발명에 따른 입력되는 측위 자원 표현의 제3 실시예.
도 4는 본 발명에 따른 딥러닝을 이용한 위치 측위 방법의 제1 실시예로서의 순서도.
도 5는 본 발명에 따른 딥러닝을 이용한 위치 측위 방법 제2 실시예로서의 순서도.
도 6은 본 발명에 따른 딥러닝을 이용한 위치 측위 장치의 구성을 나타낸 도면.
이하 첨부된 도면을 참조로 본 발명의 바람직한 실시예를 상세히 설명하기로 한다. 이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
도 1은 본 발명에 따른 딥러닝을 이용한 위치 측위 학습 구조이며, 입력되는 측위 자원 표현의 제 1 실시예를 나타낸 도면이다.
CNN은 입력 레이어, 히든 레이어 및 출력 레이어를 포함한다. 입력 레이어는 전파 기반 측위 자원을 입력받는다. 히든 레이어는 다수의 레이어로 구성되고, 각 레이어는 컨볼루션 레이어 및 풀링 레이어를 포함한다. 컨볼루션 레이어는 컨볼루션 필터를 이용하여 각 레이어에 입력된 전파 기반 측위 자원에 컨볼루션 연산을 수행하고, 특징을 생성한다. 그리고 풀링(pooling)을 통해 생성된 특징의 크기를 감소시키는데, 이때 컨볼루션 레이어 및 풀링 레이어를 특징 추출부로 나타낼 수 있다. 출력 레이어는 특징 추출부에서 표현된 다양한 특징을 조합하여 클래스(class)를 분류한다. 이때, 출력 레이어는 완전 연결 레이어(fully connected layer)로 구성될 수 있으며 분류기로 나타내기도 한다. 일반적으로 CNN의 구조(예컨대, 히든 레이어의 수, 각 레이어에서의 필터의 수와 크기 등)는 미리 결정되며, 각 레이어에서의 필터(특히, 컨볼루션 필터)의 가중치 메트릭스(weight matrix)는 이미 어느 클래스에 속할지 정답이 알려진 데이터들을 이용하여 적절한 값으로 산정된다. 이와 같이 이미 정답이 알려진 데이터들을 '학습 데이터'라고 하고, 필터의 가중치 메트릭스를 결정하는 과정을 '학습'이라고 한다
본 발명의 CNN을 이용한 학습 모델은 크게 학습 단계(Training)와 예측 단계로 구성된다. 학습 단계는 데이터 수집, 데이터 특징 필터링(혹은 피처링이라고 함), 가설정의, Cost 함수정의, 학습 순서로 진행되며, 예측 단계는 실제 데이터를 이용해서 학습한 결과를 추정하는 단계이다. 본 발명에서 실내 측위 전파 환경을 처리하기 위한 필터는 매우 다양하게 정의되고 사용될 수 있지만, 본 발명에서는 다음과 같은 [직관] 및 [전략]에 의하여 필터를 정의하였다.
[직관]
① 비슷한 위치에서는 비슷한 AP/태그 및 RSSI가 탐지되는 경향이 있다.
- 공간의 형태 또는 물체로 인하여 AP/태그의 RSSI가 달라질 수 있다.
- 스캐닝 타이밍에 따라 탐지되는 AP/태그가 달라질 수 있다.
- 인접하지 않은 위치에서 동일한 AP/태그 및 RSSI가 탐지 될 수 있다
② RSSI는 거리에 비례하는 경향이 있다.
- RSSI는 거리가 가까울수록 거리에 비례하고, 거리가 멀수록 비례하지 않는다.
- 공간의 형태 및 물체에 의한 전파 세기 감쇄로 인하여 비례하지 않는 경우가 많다.
③ RSSI가 클수록 신뢰도가 높은 경향이 있다.
- RSSI가 클수록 측정 편차가 적은 경향이 있다.
- RSSI가 작을수록 측정 편차가 큰 경향이 있다.
[전략]
① 비슷한 AP/태그 및 RSSI에 대하여 비슷한 위치가 추정되도록 학습을 진행한다.
- 공간의 형태 또는 물체로 인하여 신호 감쇄 효과를 반영하도록 학습을 진행한다.
- 누락되는 AP/태그를 반영하도록 학습을 진행한다.
- 서로 다른 위치에 동일 AP/태그 및 RSSI가 존재하는 경우, 확률 기반으로 학습을 진행한다.
② AP/태그간 측정 RSSI와 위치거리간 학습을 진행한다.
- 공간에 따라 AP/태그별 RSSI와 거리가 비례하는 구간 및 비례하지 않는 구간에 대한 학습을 진행한다.
③ RSSI 세기 및 편차에 따른 신뢰도에 대한 학습을 진행한다.
이와 같은 [직관]과 [전략]에 의하여, 본 발명의 가장 기본적인 필터는 복수개의 AP가 동시에 나타나는 특징을 필터링 하도록 합성곱을 정의한다. 예를 들면 가상 입력 노드 m개에 대하여, 스캐닝한 AP/태그 수를 p개라고 하고 해당 AP/태그를 신호세기 순서에 따라 APi 라고 할 때, 입력 벡터의 차원수는 2가 된다. 이때 스캔된 AP 리스트는 px2 크기의 벡터로 표현할 수 있다.
그리고 AP 스캔 리스트를 {AP1, AP2,...APP} 라 할 때, AP가 동시에 나타나는 경우는 APi,...APi+k 라고 하자. 복수개의 AP가 동시에 나타나는 특징을 필터링하는 필터 K 는 차원수가 k x 2 인 벡터(k 는 CNN의 합성곱 수행을 위한 윈도우 크기로 볼 수 있으며, 2이상의 값을 다양하게 사용할 수 있음)가 되며, 이 필터는 스캔된 AP수에 따라 h개의 AP에 적용된다. 정의한 피처를 이용한 함수 Ci 는 [수식 1]과 같이 정의한다.
[수식 1]
Figure pat00001
여기서 b 는 바이어스, F 는 활성화 함수로 CNN에서 많이 사용하는 시그모이드함수 또는 ReLU등 다양한 비선형함수가 사용 될 수 있다. 필터 K는 특징맵(피처맵)을 생성하기 위해 동일한 가중치를 사용하며, k의 크기에 따라 여러 개의 필터로 정의하여 전파 환경의 특징을 보다 다양하게 추출할 수 있다. 이상과 비슷한 방식으로 [전략]에서 기술한 다양한 직관 및 전략을 여러 개의 필터로 정의해서 사용하였다. 이 경우, 필터링 결과는 필터의 개수만큼 생성되며, 각 필터별 결과를 필요에 따라서 다시 합치는 과정(풀링:Pooling)을 거칠 수 있다. 풀링 역시 다양한 형태로 처리할 수 있으며, 본 발명에서 예시로는 MaxPooling을 사용한다. 입력 스캔 리스트의 상기 필터의 결과는 p+h-1개의 벡터로 표현되므로, MaxPooling 결과
Figure pat00002
은 다음의 [수식 2]와 같이 정의한다.
[수식 2]
Figure pat00003
이때, 마지막 풀링 결과의 벡터 크기는 위치 라벨의 수와 일치시켜야 한다.
한편, 가설 함수 및 Cost 함수 정의 할 때, 가설 함수는 측위 학습 및 위치를 추정할 때 사용되는 함수로 다양하게 정의할 수 있으며, 본 발명에서는 예시로서 소프트맥스 회귀분석 함수를 이용한다. 상기 CNN의 결과로 출력되는 q개의 벡터(Y i )를 이용하여 소프트맥스 회귀 분석을 이용하여 q개의 위치와 확률을 출력하도록 다음의 [수식 3]과 같이 정의한다.
[수식 3]
Figure pat00004
그리고 Cost 함수는 측위 학습시 학습 결과에 대한 정확도를 계산하는 함수로 추정 위치와 실제 위치와의 오차 거리가 작을수록 작은 값이 나오고 오차 거리가 클수록 큰 값이 나오도록 설계한다. 본 발명에서는 예시로서 크로스 엔트로피 함수를 사용하며 상기 가설 함수로부터 유도할 수 있다.
위치 학습시, 실제 위치에 해당하는 라벨을
Figure pat00005
라고 정의하고 해당 라벨의 확률은 1로 정의한다. 상기 가설 함수의 추정 위치 라벨에 대한 확률을
Figure pat00006
라 할 때 Cost함수는 다음의 [수식 4]와 같다.
[수식 4]
Figure pat00007
그리고 실내 측위를 위한 전파 환경 학습은 실제 데이터세트를 학습용과 검증용으로 분리하고, 학습용 데이터만으로 학습을 진행한다. 학습은 Cost 함수가 최소가 되도록 하는 것을 목표로 진행하며, Cost함수의 가중치를 역전파하여 CNN 내부의 가중치를 자동으로 조절함으로써 수행된다. 이후, 검증용 데이터를 이용하여 실제 학습이 적절히 수행되었는지 평가함으로써 학습의 정확도를 판단할 수 있다.
한편 전파 기반 측위 자원을 CNN에 적용 가능한 표현으로 변환하는 방법을 설명하면 다음과 같다.
첫째, WIFI AP 또는 BLE 태그를 고정 입력 노드로 이용하는 방법으로 전파 기반 측위 자원의 식별자(MAC 주소)를 딥러닝시 사용되는 인공 신경망의 입력 노드로 처리하고 입력으로는 도 1의 제1 실시예와 같이 원 핫 인코딩 형태의 신호 세기(RSSI)를 입력하거나 도 2의 제2 실시예와 같이 신호세기(RSSI)값을 그대로 입력하는 방법이다. 이때 스캔 되지 않은 AP의 입력은 모든 값이 0 값이 처리되도록 하며, WIFI AP 또는 BLE 태그와 전파세기(RSSI)가 1:1 매핑 된다. 이때 각 AP의 식별자를 가상의 입력노드로 처리함으로써 AP/태그의 식별자와 신호세기(RSSI)를 1:1로 매핑하여 학습에 이용할 수 있으며, 측위 환경 변화(시간이 지남에 따라 AP가 추가 삭제되는 경우)에도 입력 노드를 추가 삭제함으로서 측위 환경 학습을 유연하게 처리할 수 있다.
둘째, 벡터 입력과 가상 입력 노드를 이용하는 방법으로 도 3의 제3 실시예와 같다. 앞서 설명한 제1 실시예와 제2 실시예와 같은 방법을 사용할 경우에는 고정 입력 노드로 인하여 입력데이터로 사용되지 않은 노드가 항상 존재해야 하므로 추가적인 저장소(디스크 또는 메모리)가 사용되어야 한다. 즉 일반적인 경우, 한번 스캔시 검출되는 WIFI AP 또는 BLE 태그의 수는 수개에서 많아야 수백여 개로 해당 건물에 검출되는 AP가 4000개라면 매 입력시 3000개 이상의 입력 노드가 불필요하게 된다. 이에 도 3의 제3 실시예와 같은 방식으로 입력 노드의 수를 스캔시 인식되는 최대 AP의 수(m개)로 정의하고, [MAC주소, RSSI] 벡터 형태로 입력으로 처리하는 방식으로 사용할 수 있다. 실제 학습 데이터의 스캔된 AP수가 m개 이하인 경우, 해당 벡터는 [0,0]를 입력한다. 학습 효율을 높이기 위하여 스캔된 데이터를 RSSI로 정렬하여 입력하며, 해당 방식은 저장소(메모리/디스크)를 절약하는 장점이 있다.
도 4는 본 발명에 따른 딥러닝을 이용한 위치 측위 방법의 제1 실시예로서의 순서도이다.
단말기는 임의의 공간에 위치하고 있으며 위치 측위 어플리케이션을 실행시키므로 복수개의 전파 기반 측위 자원을 스캔한다(S100). 전파 기반 측위 자원은 WIFI AP 또는 BLE 태그 중 어느 하나 일 수 있으며, 이때 단말기는 서버로 스캔된 전파 기반 측위 자원 정보와 함께 측위 결정을 위한 정보 요청 메시지를 전송한다.
이후, 단말기는 서버로부터 단계 S110에서 스캔된 복수개의 전파 기반 측위 자원에 대응되는 컨벌루션 레이어와 뉴럴 네트워크를 위한 컨벌루션 필터와 인공신경망 가중치를 포함하는 정보를 수신한다(S110).
그리고, 단말기는 스캔된 전파 기반 측위 자원의 ID와 신호 세기를 입력으로 사용하여 컨벌루션 레이어를 통해 특징 벡터를 추출한다(S120). 이때 본 발명에서는 앞서 도 1 내지 도 3의 실시예에서 설명한 바와 같이 입력으로 사용된 신호 세기는 원 핫 인코딩(One Hot Encoding; OHE) 형태이거나, RSSI 값 형태이거나 또는 맥주소를 포함한 RSSI 벡터 형태 중 어느 하나를 사용하게 된다.
단계 S120에서 특징 벡터가 추출되면, 특징 벡터를 입력으로 받아, 1개 이상의 레이어의 뉴럴 네트워크(neural network)에서 단계 S100 에서 스캔된 전파 기반 측위 자원별로 위치 측위 확률값을 추정한다(S130).
그리고 단계 S130 에서 추정된 확률값으로부터 단말기의 위치 측위가 결정(S140)되고, 단말기는 결정된 위치 측위를 표시하게 된다.
도 5는 본 발명에 따른 딥러닝을 이용한 위치 측위 방법의 제2 실시예로서의 순서도이다.
단말기는 임의의 공간에 위치하고 있으며 위치 측위 어플리케이션을 실행시키므로 복수개의 전파 기반 측위 자원을 스캔하게 되며, 이때 서버는 단말기로부터 스캔된 복수개의 전파 기반 측위 자원을 수신한다(S200). 전파 기반 측위 자원은 WIFI AP 또는 BLE 태그 중 어느 하나 일 수 있으며, 이때 단말기는 서버로 스캔된 전파 기반 측위 자원 정보와 함께 측위 결정을 위한 정보 요청 메시지를 전송한다.
이후, 서버는 단계 S200 에서 수신된 전파 기반 측위 자원의 ID와 신호 세기를 입력으로 사용하여 컨벌루션 레이어를 통해 특징 벡터를 추출한다(S210). 이때 서버는 전파 기반 측위 자원에 대한 컨벌루션 레이어와 뉴럴 네트워크를 위한 컨벌불션 필터와 인공신경망 가중치를 이미 학습을 통하여 알고 있으며 이 정보가 저장되어 있다. 그리고 본 발명에서는 앞서 도 1 내지 도 3의 실시예에서 설명한 바와 같이 입력으로 사용된 신호 세기는 원 핫 인코딩(One Hot Encoding; OHE) 형태이거나, RSSI 값 형태이거나 또는 맥주소를 포함한 RSSI 벡터 형태 중 어느 하나를 사용하게 된다.
단계 S210에서 특징 벡터가 추출되면, 특징 벡터를 입력으로 받아, 1개 이상의 레이어의 뉴럴 네트워크(neural network)에서 단계 S200 에서 수신된 전파 기반 측위 자원별로 위치 측위 확률값을 추정한다(S220).
그리고 단계 S220 에서 추정된 확률값으로부터 단말기의 위치 측위가 결정(S230)되고, 서버는 결정된 위치 측위를 단말기로 전송한다(S240).
도 6은 본 발명에 따른 딥러닝을 이용한 위치 측위 어플리케이션이 탑재된 컴퓨터 장치의 구성을 나타낸 도면으로 단말기이거나 서버 일 수 있으며, 도 4의 제1 실시예는 컴퓨터 장치가 단말기일 경우이며, 도 5의 제2 실시예는 서버에서 이루어진다.
신호 세기를 이용한 위치 측위 장치(100)는 프로세서(110), 프로그램과 데이터를 저장하는 비휘발성 저장부(120), 실행 중인 프로그램들을 저장하는 휘발성 메모리(130), 다른 기기와 통신을 수행하기 위한 통신부(140), 이들 장치 사이의 내부 통신 통로인 버스 등으로 이루어져 있다. 실행 중인 프로그램으로는, 장치 드라이버, 운영체계(Operating System), 및 다양한 어플리케이션이 있을 수 있다. 본 발명의 신호 세기를 이용한 위치 측위는 위치 측위 어플리케이션(210)에 의하여 동작되며, 저장부(120) 컨벌루션 필터와 인공신경망 가중치가 저장되어 있으며, 서버로부터 컨벌루션 필터와 인공신경망 가중치를 포함하는 정보를 저장하고 있으며, 단말기는 서버로부터 다운받아 이용한다. 그리고 도시되지는 않았지만 전자장치는 배터리와 같은 전력제공부를 포함한다.
이상과 같이, 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 이것에 의해 한정되지 않으며 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 본 발명의 기술사상과 아래에 기재될 특허청구범위의 균등범위 내에서 다양한 수정 및 변형이 가능함은 물론이다.
100: 딥러닝을 이용한 위치 측위 장치
110: 프로세서
120: 저장부
130: 메모리
140: 통신부
210: 위치 측위 어플리케이션

Claims (10)

  1. 딥러닝을 이용한 위치 측위 방법으로서,
    (a) 복수개의 전파 기반 측위 자원을 스캔하는 단계;
    (b) 상기 단계 (a)에서 스캔된 복수개의 전파 기반 측위 자원에 대응되는 컨벌루션 레이어와 뉴럴 네트워크를 위한 컨벌루션 필터와 인공신경망 가중치를 포함하는 정보를 수신하는 단계;
    (c) 상기 단계 (a)에서 스캔된 전파 기반 측위 자원의 ID와 신호 세기를 입력으로 사용하여 컨벌루션 레이어를 통해 특징 벡터를 추출하는 단계;
    (d) 상기 특징 벡터를 입력으로 받아, 1개 이상의 레이어의 뉴럴 네트워크(neural network)에서 상기 스캔된 전파 기반 측위 자원별로 위치 측위 확률값을 추정하는 단계; 및,
    (e) 상기 추정된 위치 측위 확률값으로부터 위치 측위를 결정하는 단계
    를 포함하는 딥러닝을 이용한 위치 측위 방법.
  2. 청구항 1에 있어서,
    상기 전파 기반 측위 자원은 WIFI AP 또는 BLE 태그 중 어느 하나 인 것
    을 특징으로 하는 딥러닝을 이용한 위치 측위 방법.
  3. 청구항 1에 있어서,
    상기 입력으로 사용된 신호 세기는 원 핫 인코딩(One Hot Encoding; OHE) 형태, RSSI값 형태 그리고 맥주소를 포함한 RSSI 벡터 형태 중 어느 하나 인 것
    을 특징으로 하는 딥러닝을 이용한 위치 측위 방법.
  4. 딥러닝을 이용한 위치 측위를 위한 장치로서,
    적어도 하나의 프로세서; 및
    컴퓨터로 실행가능한 명령을 저장하는 적어도 하나의 메모리를 포함하되,
    상기 적어도 하나의 메모리에 저장된 상기 컴퓨터로 실행가능한 명령은, 상기 적어도 하나의 프로세서에 의하여,
    (a) 복수개의 전파 기반 측위 자원을 스캔하는 단계;
    (b) 상기 단계 (a)에서 스캔된 복수개의 전파 기반 측위 자원에 대응되는 컨벌루션 레이어와 뉴럴 네트워크를 위한 컨벌루션 필터와 인공신경망 가중치를 포함하는 정보를 수신하는 단계;
    (c) 상기 단계 (a)에서 스캔된 전파 기반 측위 자원의 ID와 신호 세기를 입력으로 사용하여 컨벌루션 레이어를 통해 특징 벡터를 추출하는 단계;
    (d) 상기 특징 벡터를 입력으로 받아, 1개 이상의 레이어의 뉴럴 네트워크(neural network)에서 상기 스캔된 전파 기반 측위 자원별로 위치 측위 확률값을 추정하는 단계; 및
    (e) 상기 추정된 위치 측위 확률값으로부터 위치 측위를 결정하는 단계
    가 실행되도록 하는 딥러닝을 이용한 위치 측위 장치.
  5. 딥러닝을 이용한 위치 측위를 추정하기 위한 컴퓨터 프로그램으로서,
    비일시적 저장 매체에 저장되며, 프로세서에 의하여,
    (a) 복수개의 전파 기반 측위 자원을 스캔하는 단계;
    (b) 상기 단계 (a)에서 스캔된 복수개의 전파 기반 측위 자원에 대응되는 컨벌루션 레이어와 뉴럴 네트워크를 위한 컨벌루션 필터와 인공신경망 가중치를 포함하는 정보를 수신하는 단계;
    (c) 상기 단계 (a)에서 스캔된 전파 기반 측위 자원의 ID와 신호 세기를 입력으로 사용하여 컨벌루션 레이어를 통해 특징 벡터를 추출하는 단계;
    (d) 상기 특징 벡터를 입력으로 받아, 1개 이상의 레이어의 뉴럴 네트워크(neural network)에서 상기 스캔된 전파 기반 측위 자원별로 위치 측위 확률값을 추정하는 단계; 및
    (e) 상기 추정된 위치 측위 확률값으로부터 위치 측위를 결정하는 단계
    가 실행되도록 하는 명령을 포함하는 딥러닝을 이용한 위치 측위를 추정하기 위한 컴퓨터 프로그램.
  6. 딥러닝을 이용한 위치 측위 방법으로서,
    (a) 단말기로부터 스캔된 복수개의 전파 기반 측위 자원을 수신하는 단계;
    (b) 상기 단계 (a)에서 수신된 전파 기반 측위 자원의 ID와 신호 세기를 입력으로 사용하여 컨벌루션 레이어를 통해 특징 벡터를 추출하는 단계;
    (c) 상기 특징 벡터를 입력으로 받아, 1개 이상의 레이어의 뉴럴 네트워크(neural network)에서 상기 수신된 전파 기반 측위 자원별로 위치 측위 확률값을 추정하는 단계;
    (d) 상기 추정된 위치 측위 확률값으로부터 위치 측위를 결정하는 단계; 및
    (e) 상기 결정된 위치 측위를 상기 단말기로 전송하는 단계
    를 포함하는 딥러닝을 이용한 위치 측위 방법.
  7. 청구항 6에 있어서,
    상기 전파 기반 측위 자원은 WIFI AP 또는 BLE 태그 중 어느 하나 인 것
    을 특징으로 하는 딥러닝을 이용한 위치 측위 방법.
  8. 청구항 6에 있어서,
    상기 입력으로 사용된 신호 세기는 원 핫 인코딩(One Hot Encoding; OHE) 형태, RSSI값 형태 그리고 맥주소를 포함한 RSSI 벡터 형태 중 어느 하나 인 것
    을 특징으로 하는 딥러닝을 이용한 위치 측위 방법.
  9. 딥러닝을 이용한 위치 측위를 위한 장치로서,
    적어도 하나의 프로세서; 및
    컴퓨터로 실행가능한 명령을 저장하는 적어도 하나의 메모리를 포함하되,
    상기 적어도 하나의 메모리에 저장된 상기 컴퓨터로 실행가능한 명령은, 상기 적어도 하나의 프로세서에 의하여,
    (a) 단말기로부터 스캔된 복수개의 전파 기반 측위 자원을 수신하는 단계;
    (b) 상기 단계 (a)에서 수신된 전파 기반 측위 자원의 ID와 신호 세기를 입력으로 사용하여 컨벌루션 레이어를 통해 특징 벡터를 추출하는 단계;
    (c) 상기 특징 벡터를 입력으로 받아, 1개 이상의 레이어의 뉴럴 네트워크(neural network)에서 상기 수신된 전파 기반 측위 자원별로 위치 측위 확률값을 추정하는 단계;
    (d) 상기 추정된 위치 측위 확률값으로부터 위치 측위를 결정하는 단계; 및,
    (e) 상기 결정된 위치 측위를 상기 단말기로 전송하는 단계
    가 실행되도록 하는 딥러닝을 이용한 위치 측위 장치.
  10. 딥러닝을 이용한 위치 측위를 추정하기 위한 컴퓨터 프로그램으로서,
    비일시적 저장 매체에 저장되며, 프로세서에 의하여,
    (a) 단말기로부터 스캔된 복수개의 전파 기반 측위 자원을 수신하는 단계;
    (b) 상기 단계 (a)에서 수신된 전파 기반 측위 자원의 ID와 신호 세기를 입력으로 사용하여 컨벌루션 레이어를 통해 특징 벡터를 추출하는 단계;
    (c) 상기 특징 벡터를 입력으로 받아, 1개 이상의 레이어의 뉴럴 네트워크(neural network)에서 상기 수신된 전파 기반 측위 자원별로 위치 측위 확률값을 추정하는 단계;
    (d) 상기 추정된 위치 측위 확률값으로부터 위치 측위를 결정하는 단계; 및,
    (e) 상기 결정된 위치 측위를 상기 단말기로 전송하는 단계
    가 실행되도록 하는 명령을 포함하는 딥러닝을 이용한 위치 측위를 추정하기 위한 컴퓨터 프로그램.















KR1020180092262A 2018-08-08 2018-08-08 딥러닝을 이용한 위치 측위 방법 및 장치 KR20200017611A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180092262A KR20200017611A (ko) 2018-08-08 2018-08-08 딥러닝을 이용한 위치 측위 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180092262A KR20200017611A (ko) 2018-08-08 2018-08-08 딥러닝을 이용한 위치 측위 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20200017611A true KR20200017611A (ko) 2020-02-19

Family

ID=69669914

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180092262A KR20200017611A (ko) 2018-08-08 2018-08-08 딥러닝을 이용한 위치 측위 방법 및 장치

Country Status (1)

Country Link
KR (1) KR20200017611A (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344212A (zh) * 2021-05-14 2021-09-03 香港中文大学（深圳） 模型训练方法、装置、计算机设备及可读存储介质
KR20220011520A (ko) * 2020-07-21 2022-01-28 국민대학교산학협력단 사용자 위치 탐지 장치 및 방법
WO2022086984A1 (en) * 2020-10-21 2022-04-28 Idac Holdings, Inc. Methods, apparatus, and systems for artificial intelligence (ai)-enabled filters in wireless systems
KR20230069654A (ko) * 2021-11-12 2023-05-19 덕성여자대학교 산학협력단 자율 주행체에 대한 저전력 블루투스를 이용한 측위 방법
US11943834B2 (en) 2020-03-31 2024-03-26 Samsung Electronics Co., Ltd. Electronic device and control method thereof
CN118474860A (zh) * 2024-07-12 2024-08-09 山东大学 视距场景室内可见光定位方法、系统、介质及计算机设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180058191A (ko) 2016-11-23 2018-05-31 부산대학교 산학협력단 지자기 센서 및 자기 페인트 도장을 통해 향상된 정확도를 가지는 실내 측위를 위한 시스템 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180058191A (ko) 2016-11-23 2018-05-31 부산대학교 산학협력단 지자기 센서 및 자기 페인트 도장을 통해 향상된 정확도를 가지는 실내 측위를 위한 시스템 및 방법

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11943834B2 (en) 2020-03-31 2024-03-26 Samsung Electronics Co., Ltd. Electronic device and control method thereof
KR20220011520A (ko) * 2020-07-21 2022-01-28 국민대학교산학협력단 사용자 위치 탐지 장치 및 방법
WO2022086984A1 (en) * 2020-10-21 2022-04-28 Idac Holdings, Inc. Methods, apparatus, and systems for artificial intelligence (ai)-enabled filters in wireless systems
CN113344212A (zh) * 2021-05-14 2021-09-03 香港中文大学（深圳） 模型训练方法、装置、计算机设备及可读存储介质
CN113344212B (zh) * 2021-05-14 2024-01-19 香港中文大学（深圳） 模型训练方法、装置、计算机设备及可读存储介质
KR20230069654A (ko) * 2021-11-12 2023-05-19 덕성여자대학교 산학협력단 자율 주행체에 대한 저전력 블루투스를 이용한 측위 방법
CN118474860A (zh) * 2024-07-12 2024-08-09 山东大学 视距场景室内可见光定位方法、系统、介质及计算机设备

Similar Documents

Publication Publication Date Title
KR20200017611A (ko) 딥러닝을 이용한 위치 측위 방법 및 장치
US10803359B2 (en) Image recognition method, apparatus, server, and storage medium
CN109919251B (zh) 一种基于图像的目标检测方法、模型训练的方法及装置
US10951500B2 (en) Method and apparatus for warning
KR20200017612A (ko) 딥러닝을 이용한 위치 측위 학습 방법
US9226262B2 (en) Location model updating apparatus and position estimating method
CN111382868A (zh) 神经网络结构搜索方法和神经网络结构搜索装置
CN113807399A (zh) 一种神经网络训练方法、检测方法以及装置
CN112214677B (zh) 一种兴趣点推荐方法、装置、电子设备及存储介质
CN113626612B (zh) 一种基于知识图谱推理的预测方法和系统
CN118015598B (zh) 一种目标检测模型构建方法、装置及目标检测系统
CN114612531B (zh) 一种图像处理方法、装置、电子设备及存储介质
CN114972910A (zh) 图文识别模型的训练方法、装置、电子设备及存储介质
US20220292397A1 (en) Recognition system, model processing apparatus, model processing method, and recording medium
KR102252599B1 (ko) 토지감정평가서비스장치 및 그 장치의 구동방법, 그리고 컴퓨터 판독가능 기록매체
US20240153059A1 (en) Method and system for anomaly detection using multimodal knowledge graph
CN109583583B (zh) 神经网络训练方法、装置、计算机设备及可读介质
KR20220138696A (ko) 이미지 분류 방법 및 장치
CN117351995A (zh) 基于深度学习复合模型的环境声音识别方法及装置
CN115273148B (zh) 行人重识别模型训练方法、装置、电子设备及存储介质
US9378466B2 (en) Data reduction in nearest neighbor classification
CN115880538A (zh) 图像处理模型的域泛化、图像处理的方法及设备
CN116311546A (zh) 活体检测方法和系统
CN113569890A (zh) 一种数据处理方法及相关装置
CN115240171B (zh) 道路结构感知方法及装置

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
WITB Written withdrawal of application