KR20200087892A - Deep Learning Based Object Recognition System in Video - Google Patents
Deep Learning Based Object Recognition System in Video Download PDFInfo
- Publication number
- KR20200087892A KR20200087892A KR1020180172481A KR20180172481A KR20200087892A KR 20200087892 A KR20200087892 A KR 20200087892A KR 1020180172481 A KR1020180172481 A KR 1020180172481A KR 20180172481 A KR20180172481 A KR 20180172481A KR 20200087892 A KR20200087892 A KR 20200087892A
- Authority
- KR
- South Korea
- Prior art keywords
- learning
- data
- deep learning
- object recognition
- beauty
- Prior art date
Links
Images
Classifications
-
- G06K9/00711—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Abstract
Description
본 발명은 딥러닝 기반 영상 내 객체 인식 시스템에 관한 것이다.The present invention relates to an object recognition system in a deep learning based image.
객체 머신러닝을 통한 딥러닝 기반의 영상 내 자동 객체 인식/분석 시스템을 개발한다.Develop an automatic object recognition/analysis system in deep learning based images through object machine learning.
현재 국내 미용분야의 이러닝 학습시스템은 아직까지 종합적인 체계로 구현되어 있지 않으며, 특히 미용사 국가 기술시험의 이론 및 실기시험 과목에 대해서는 감점 및 불합격 요인에 대한 개인별 맞춤형 보완 지원시스템 구현이 없다. Currently, the e-learning learning system in the domestic beauty field has not yet been implemented as a comprehensive system, and in particular, there is no implementation of a personalized supplementary support system for deductions and failing factors in the theoretical and practical test subjects of the national technical exam of the beautician.
헤어 컷트 분야의 예를 들면 컷트 실기의 종류는 이사도라, 스파니엘, 그래듀에이션, 레이어 드가 있는데, 불합격 사유의 예를 들면 이사도라의 경우 "앞머리가 뒤쪽보다 짧아지는 스타 일로 마네킹의 머리가 15ㅀ 숙여야하는 커트로, 통상에서 턱선과 맞추어야 하는데 양쪽이 잘 맞지 않는 부분이 생기고 층이 생기면……" 이다.In the field of hair cut, for example, the types of cut skills are Isadora, Spaniel, Gradation, and Layered. For example of the reason for rejection, in the case of Isadora, "The mannequin's head must be bowed 15 inches with a shorter bangs than the back. It is a cut to be made, and it should be aligned with the chin line in the normal.
따라서 이와 같은 부분의 취약점 분석과 보완 서비스가 절대적으로 필요한 부분이며, 차후 에는 디자이너로서의 성장을 위한 심화학습까지 제공할 예정으로, 이것이 본 과제 시스템의 개발 의도이다.Therefore, vulnerability analysis and complementary services in this area are absolutely necessary, and in the future, we will provide in-depth learning to grow as a designer, and this is the intention of developing this system.
미용 분야는 크게 헤어, 피부, 네일, 메이크업 분야로 대분류되며, 본 과제 제안서는 미용 분야 전 분야인 4개 분야에 대한 이론 부분을 적용할 것이며, 실습 부문에 있어서는 우선 헤어 분야 중 컷트 분야를 적용시킬 것이다.The beauty field is largely divided into the hair, skin, nail, and makeup fields, and the proposal for this project will apply the theoretical parts of the four fields, which are all areas of the beauty field, and in the practical field, the cut field among the hair fields will be applied first. will be.
당사가 검토 조사한 바에 따르면 문제점 현상이 크게 2가지 이다.According to our review and investigation, there are two major problems.
첫째는 학습자들에 대한 모의고사 평가결과가 학습자 교육수준이라든가, 기존 직업 그리고 개인 호불호 등에 따라 천차만별로 나타나기 때문에, 안타깝게도 학원에서는 많은 학습자 개개인 별로 강습을 할 수가 없고 정해진 과정에 따라 교육을 진행하기 때문에 학습자 취약점에 대한 맞춤형 교육이 결코 이루어질 수가 없다는 것이다.First, because the results of the mock test evaluations for learners are different depending on the level of the learner's education, the existing job, and personal dislike, unfortunately, many learners cannot take lessons by individual learners. It is that tailored education for never can be achieved.
둘째는 이와 같은 사유로 학습자의 시험 합격률은 통상적으로 30% 정도의 매우 저조한 실정이고, 적어도 2~4 회차가 되어서야 합격하는 실정이다. Second, for this reason, the test pass rate of the learner is usually very low, about 30%, and the test is passed only at least 2-4 times.
따라서 학습자가 최고의 기술력 습득을 통하여 최단시간에 목적한 학습 목표를 달성 시키기 위한 아래와 같은 시스템 구현 지원이 절대적으로 필요하게 되었다.Therefore, the following system implementation support is absolutely necessary for learners to achieve the target learning objectives in the shortest time by acquiring the best technology.
미용 분야별 /숙련 단계별 학습 과정에 대한 체계적인 통합 스마트 이러닝 시스템 구축 필요 It is necessary to establish a systematic integrated smart e-learning system for the learning process for each beauty field / skill level
학습자 개인별 취약 분야 (이론, 실기)에 대하여 자동적으로 분석, 선정 제시해줄 수 있는 지능형 분석 알고리즘 (빅데이타 분석, 딥러닝 분석) 개발 적용 시스템 필요Development and application system of intelligent analysis algorithms (big data analysis, deep learning analysis) that can automatically analyze and select and present students' vulnerable areas (theories and practical skills)
최초의 Global Version "이/미용 스마트 통합 학습 솔루션" 선도적 모델 기반 구축 필요First Global Version "Smart/Beauty Smart Integrated Learning Solution" needs to build a leading model base
특히 이와 같은 '지능형 스마트 이/미용 시스템'에 대한 구현의 필요성에 대하여는 '대한미용사회중앙회'사무부총장님이나, 청주'보떼아트쿨'원장이며, 현재 서원대학교 뷰티학과 교수이신'한희선'님으로부터 직접적으로 강력한 필요성 요청을 받은 상황이다.In particular, regarding the necessity of implementing such an'intelligent smart tooth/beauty system' from the'Korean Beauty Society Central' secretary-general, or Cheongju'Botte Art Cool', and currently Seowon University's beauty department professor Han Hee-sun' It was a situation that was directly asked for a strong need.
본 발명은 객체 머신러닝을 통한 딥러닝 기반의 영상 내 자동 객체 인식/분석 시스템을 개발한다.The present invention develops an automatic object recognition/analysis system in an image based on deep learning through object machine learning.
기존은 인터넷을 통하여 주요 강사 또는 개인별 취득 정보 등록에 의한 학습자 개인의 임 의적 검색을 통하여 단순한 정보만을 습득하였다.Previously, only simple information was acquired through a random search of individual learners through registration of information acquired by major lecturers or individuals through the Internet.
신규 제시 시스템은 미용분야에 대하여 수준별, 계층별, 단계별 정보(이론, 사진, 동영상)를 종합 관리함으로써, 개인별 학습자에 맞는 체계적인 맞춤형 학습 시스템으로 구현되며, 이러한 종합된 정보에 대한 빅데이터 구성을 통하여 지능형 분석 알고리즘을 적용한 개인별 취약부분을 분석 제공해 주는 최초의 빅데이타, 딥러닝 IT기술 시스템을 구현할 계획이다.The new presentation system is implemented as a systematic customized learning system suitable for individual learners by comprehensively managing information (theory, photos, and videos) by level, hierarchy, and step by step in the beauty field. The company plans to implement the first big data and deep learning IT technology system that provides analysis and analysis of individual vulnerabilities by applying intelligent analysis algorithms.
본 발명의 한 실시예에 따른 딥러닝 기반 영상 내 객체 인식 시스템은, TensorFlow 머신러닝/딥러닝 기반 CCTV 자동 객체 인식 시스템 개발로서, 분석 모듈: 다중 객체들의 빠르고 정확한 결과를 도출하기 위한 Fast R-CNN 알고리즘 적용하고, 머신러닝/딥러닝: TensorFlow를 이용해 데이터 머신러닝 수행한다.An object recognition system in a deep learning based image according to an embodiment of the present invention is a development of a TensorFlow machine learning/deep learning based CCTV automatic object recognition system, an analysis module: Fast R-CNN for deriving fast and accurate results of multiple objects Apply algorithm, machine learning/deep learning: Perform data machine learning using TensorFlow.
학습자 정보, 문제정보, 동영상 등 미용 관련 모든 자료에 대한 최초의 빅데이타 구성을 통한 '이/미용 스마트 이러닝 플랫폼' 구축과 이를 기반으로 한 취약 부분 분석 도출 알고리즘 구현 분야별 표준적 동영상 이미지 커트 대비 학습자의 실습 동영상 이미지의 자동 비교 분석 및 적합률 데이터를 제공해주는 딥러닝 알고리즘 적용 기술 구현Establishment of'E-Beauty Smart E-Learning Platform' through the construction of the first big data for all beauty-related materials such as learner information, problem information, videos, and implementation of algorithms for deriving weak parts analysis based on this, based on standard video image cuts by learners Implementation of deep learning algorithm application technology that provides automatic comparative analysis of practice video images and fit rate data
본 발명의 실시예에 따르면, 사용자 별 커스터마이징이 가능하고 확장성이 우수한 솔루션으로서, 객체 머신러닝을 통한 자동 객체인식 딥러닝 솔루션 개발과 원하는 객체를 자유롭게 Train 시켜 영상 내에서 검출 가능하다.According to an embodiment of the present invention, as a user-customizable and scalable solution, it is possible to develop an automatic object recognition deep learning solution through object machine learning and freely train a desired object to detect within an image.
본 발명의 실시예에 따르면, CCTV 내 객체 인식 시스템으로 침입탐지, 사람계수 등 보안/마케팅 분야 활용 가능하다. 사회 전반적으로 안전, 보안의식이 향상됨에 따라 보안/방법분야를 중심으로 교통/재해감시 등의 공공분야와 기업 내 보안 및 마케팅, 고객관리 등의 민간분야 등으로 활용용도와 범위 확장 용이하다. 그리고 상태감지(Status Detection)을 통해 사람이나 물체의 움직임과 더불어 관제 구역에 대한 상태 감지 기능을 추가하여 부가적인 보안기능이 요구되는 환경에서 활용 가능 CCTV로 촬영되는 관제구역에서의 변화에 대해 감지가능 하다. 또한, 특정 물체의 움직임 또는 사라짐을 감지하여 특정분야 활용 가능하다.According to an embodiment of the present invention, security/marketing fields such as intrusion detection and human counting may be used as an object recognition system in CCTV. As the overall safety and security consciousness have improved in society, it is easy to expand its use and scope to the public sector, such as traffic/disaster monitoring, and the private sector, such as security and marketing, customer management, etc. And it can be used in environments where additional security functions are required by adding the state detection function to the control area along with the movement of people or objects through status detection. It is possible to detect changes in the control area recorded by CCTV Do. In addition, it is possible to use a specific field by detecting the movement or disappearance of a specific object.
도 1은 본 발명의 한 실시예에 따른 TensorFlow-GPU 구성
도 2는 객체 탐지 디렉토리 및 환경변수 구성
도 3은 사진(이미지) 수집
도 4는 학습 이미지와 테스트 이미지 데이터에 대한 레이블 지정
도 5는 학습 자료 생성
도 6은 학습구성
도 7은 학습
도 8은 추론그래프 생성
도 9는 객체 인식 분류기를 통하여 학습된 모델 적용
도 10은 CCTV로 촬영되는 관제구역에서의 변화에 대해 감지
도 11은 시스템 활용 가능 분야
도 12는 목표 시스템 구성도 1 is a TensorFlow-GPU configuration according to an embodiment of the present invention
2 is an object detection directory and environment variable configuration
3 is a collection of photos (images)
4 shows labeling for training images and test image data
5 is a learning material generation
6 is a learning configuration
7 is learning
8 is a reasoning graph generation
9 is applied to the model learned through the object recognition classifier
Figure 10 detects the change in the control area taken by CCTV
11 is a system application field
12 is a target system configuration diagram
이하, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예에 대하여 첨부한 도면을 참고로 하여 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 명세서 전체를 통하여 유사한 부분에 대해서는 동일한 도면 부호를 붙였다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings so that those skilled in the art to which the present invention pertains can easily practice. However, the present invention can be implemented in many different forms and is not limited to the embodiments described herein. The same reference numerals are used for similar parts throughout the specification.
그러면 본 발명의 한 실시예에 따른 딥러닝 기반 영상 내 객체 인식 시스템에 대하여 도 내지 도 을 참고하여 설명한다.Then, an object recognition system in a deep learning based image according to an embodiment of the present invention will be described with reference to FIGS.
도 1 내지 도 12를 참고하면, 본 실시예에 따른 딥러닝 기반 영상 내 객체 인식 시스템은1 to 12, an object recognition system in a deep learning based image according to the present embodiment is
AI(머신러닝, 딥러닝 분야) 전문 인력 양성 가능AI (machine learning, deep learning) professional manpower can be trained
TensorFlow 엔진 전문 인력 양성 가능TensorFlow engine specialists can be trained
신경망 분야 전문 인력 양성 가능Neural network specialists can be trained
데이터 분석 알고리즘 개발(신경망, CNN, RNN 등)Development of data analysis algorithm (neural network, CNN, RNN, etc.)
객체 인식 딥러닝 개발을 위한 머신러닝Machine learning for object-aware deep learning development
TensorFlow 기반 머신러닝, 딥러닝 과정 학습TensorFlow based machine learning, deep learning process learning
신경망 구성 내용 학습Learning the contents of a neural network
Python을 이용한 인공지능 개발 과정 학습Learning AI development process using Python
객체 인식 딥러닝 시스템으로 커스터마이징이 용이함Easy to customize with object recognition deep learning system
인공지능 이미지 색출 분야 기술 확보Securing technology in the field of artificial intelligence image extraction
Python 기반 인공지능 개발이 가능한 초급기술자 양성Training beginners who can develop Python-based AI
4차 산업혁명 핵심인재 양성Fostering key talents for the 4th Industrial Revolution
TensorFlow 머신러닝/딥러닝 기반 CCTV 자동 객체 인식 시스템 개발한다. 시스템 최종 목표구현을 위한 시스템 개발내용으로, 분석 모듈: 다중 객체들의 빠르고 정확한 결과를 도출하기 위한 Fast R-CNN 알고리즘 적용한다. 머신러닝/딥러닝: TensorFlow를 이용해 데이터 머신러닝 수행한다.Develop TensorFlow machine learning/deep learning based CCTV automatic object recognition system. As a system development for final system implementation, analysis module: Fast R-CNN algorithm is applied to derive fast and accurate results of multiple objects. Machine Learning/Deep Learning: Perform data machine learning using TensorFlow.
TensorFlow-GPU 구성TensorFlow-GPU configuration
① 객체 탐지 디렉토리 및 환경변수 구성① Object detection directory and environment variable configuration
ⓐ 디렉토리 구조 설정: train data와 test data로 분류하여 특정 디렉토리 구조 적용Ⓐ Directory structure setting: Classify into train data and test data to apply a specific directory structure
ⓑ 환경변수 구성: 지정한 디렉토리 환경변수 적용 Ⓑ Environment variable configuration: Apply the specified directory environment variable
② 사진 수집 및 레이블 지정② Photo collection and labeling
ⓐ 다양한 배경과 조명 조건을 가진 임의의 대상물체 사진(이미지)수집Ⓐ Collection of random object photos (images) with various backgrounds and lighting conditions
대상의 물체가 가려져 있는 이미지, 겹쳐 있는 이미지, 중간 부분만 있는 이미지 등An image with the object obscured, an overlapping image, an image with only the middle part, etc.
인식률을 극대화시키기 위해 수백 개의 물체 이미지를 기계에 학습시키고, 다른 임의의 물체가 있는 환경과 다양한 배경, 조도 조건을 갖춘 이미지를 학습시킨다.In order to maximize the recognition rate, hundreds of object images are trained on the machine, and images with different random objects, various backgrounds, and illumination conditions are trained.
ⓑ 학습 이미지와 테스트 이미지 데이터에 대한 레이블 지정Ⓑ Labeling of training image and test image data
③ 학습 자료 생성③ Create learning materials
지정한 레이블을 Tensorflow Record를 생성하기 위해 레이블 소스 작업을 하고,We work with the label source to create a Tensorflow Record at the specified label.
Train record와 Test record를 생성하여 Training 준비 자료들을 구성.Create training records and test records to organize training preparation materials.
④ 학습구성④ Learning composition
파이프 라인 구성Pipeline composition
[어떤 모델, 어떤 매개 변수가 학습에 사용될지 정의][Defining which model and which parameters will be used for training]
학습learning
ⓐ 학습을 하는 동안 TensorBoard를 통해 학습 및 작업의 프로세스 확인Ⓐ While learning, check the process of learning and work through TensorBoard
mAP(평균 정밀도), loss(손실) 등mAP (average precision), loss (loss), etc.
⑥ 추론그래프 생성⑥ Create inference graph
ⓐ 학습 된 모델을 단일 Tensorflow 그래프로 생성Ⓐ Generate the trained model as a single Tensorflow graph
학습이 완료되었을 마지막 단계에 고정 유추 그래프를 생성Create a static analogy graph at the last step when learning is complete
⑦ 객체 인식 분류기를 통하여 학습된 모델 적용⑦ Applied model learned through object recognition classifier
ⓐ Python 스크립트로 객체 인식 분류 로직[웹캠, 동영상, 이미지] 구현 Ⓐ Implementation of object recognition classification logic [web cam, video, image] with Python script
오픈소스를 기반으로 한 객체 삽입/삭제 및 소스 수정 용이: Easy object insertion/deletion and source modification based on open source:
오픈소스를 이용한 파이썬(Python)과 TensorFlow 라이브러리를 이용해 구성된 솔루션으로 기존 시장 제품은 중앙 집중형 구성 방식으로 객체 추가/삭제와 소스 수정이 번거로운 반면 본 개발에서는 각 객체를 캡슐화(Encapsulation)시켜 추가/삭제가 용이할 뿐만 아니라 발생하는 오류에 대한 유지보수 측면에서도 우수함을 나타냄.It is a solution composed using open source Python and TensorFlow library. In the existing market product, adding/deleting objects and modifying sources are cumbersome in a centralized configuration method, whereas in this development, each object is encapsulated to add/delete. It is not only easy to use, but also excellent in terms of maintenance for errors that occur.
이/미용 학습을 위한 빅데이타 분석 플랫폼 구축을 통하여 학습자 취약부문을 자동 분석, 제공하는 지능형 이러닝 시스템 모듈 구현Implementation of an intelligent e-learning system module that automatically analyzes and provides learners' vulnerable areas through the construction of a big data analysis platform for e/beauty learning
본 모듈에서는 학습자의 학습 성적 및 평가 기반 다양한 비교 패턴의 Big Data 구성과 학습자의 학습 평가 결과를 바탕으로 함This module is based on learner's learning scores and evaluation based Big Data composition of various comparison patterns and learner's learning evaluation results.
학습자 과목별 또는 부문별 평가 성적에 대하여는 K-means 방법론을 통한 클러스터링 군집 분석으로 각 군집 별 특성을 분석하고, 개인별 적성 등과 같은 학습자 별 학습 요인을 적용한 decision tree 기법으로 취약점 분석 (library개발)For each student's subject or department evaluation scores, the clustering cluster analysis through the K-means methodology analyzes the characteristics of each cluster, and the vulnerability analysis with a decision tree technique that applies learning factors for each learner such as individual aptitude (library development)
이론 분야는 헤어, 피부, 네일, 메이크업의 전 분야에 대하여, 실습 분야는 우선 헤어 컷트 분야에 대하여 학습자 취약분야 분석 후, 동영상 강의를 제공The theoretical field is for all fields of hair, skin, nail, and makeup, and the field of practice is first for the hair cut field, then analyzes the weak areas of learners, and then provides video lectures
추후에는 학습자 취약분야 분석 후 동영상 강의를 헤어, 피부, 네일, 메이크업의 전 분야로 확대할 것이며, 또한 심화학습 과정 동영상 서비스도 같이 제공함.In the future, after analyzing the vulnerable areas of learners, video lectures will be expanded to all areas of hair, skin, nails, and makeup, and video services for in-depth learning courses will also be provided.
강의 동영상은 Microsoft Azure Cloude 서비스를 이용 구축함Lecture videos are built using Microsoft Azure Cloude service
전체 개발 내용Full development content
Big Data 구성과 Data Base 구축Big Data Composition and Data Base Construction
구현 내용: 특정 대상 모집단의 수강자 정보 및 학습 data를 이용하여 오픈소스를 기반으로 한 Big Data를 구축하며, 향후 상용솔루션의 기반이 됨Implementation contents: Build big data based on open source by using learner information and learning data of a specific target population, and become the basis for future commercial solutions
구현 방법: 데이터 파악, 이해 → 시나리오 구성 → 분석 플랫폼 구축 → 시나리오 개발 Implementation method: Data identification, understanding → Scenario composition → Analysis platform construction → Scenario development
이/미용 학습을 위한 빅데이타 분석 플랫폼 구축 및 지능형 분석 알고리즘 적용 학습자 취약부분 자동분석 시스템 개발 Establishment of a big data analysis platform for this/beauty learning and development of an automatic analysis system for the weak part of learners applying intelligent analysis algorithms
K-means 이용한 취약점 분석 (학습자 평가 데이터)Vulnerability analysis using K-means (learner evaluation data)
k means 알고리즘은 k 개의 평균(means) 벡터를 이용한 클러스터링(군집화) 알고리즘 이며 데이터들의 분산을 최소화하는 k개의 평균 벡터를 구한다.The k means algorithm is a clustering (clustering) algorithm using k mean vectors and finds k mean vectors that minimize the variance of the data.
1. (처음 중심 값 선택) 랜덤하게 초기 중심 값(centroid)을 선택한다.1. (Select the first center value) Select the initial center value (centroid) randomly.
2. (클러스터 할당) k 개의 중심 값과 각 개별 데이터간의 거리(distance)를 측정한다. 가장 가까운 클러스터에 해당 데이터를 할당(assign)한다.2. (Cluster allocation) Measure the distance between k center values and each individual data. Assign the data to the nearest cluster.
3. (새 중심 값 선택) 클러스터마다 새로운 중심 값을 계산한다.3. (Select new center value) Calculate a new center value for each cluster.
4. (범위 확인-convergence) 선택된 중심 값이 변화가 어느 정도 없다면 멈춘다. 만약 계속 변화가 있다면 1 번부터 반복한다.4. (Convergence) If the selected center value has no change, stop. If the change continues, repeat from
Decision Tree 분석 기능을 이용한 취약점 분석 (학습자 평가 요인)Vulnerability analysis using Decision Tree analysis function (learner evaluation factor)
decision tree 알고리즘 어떤 항목에 대한 관측값과 목표값을 연결시켜주는 예측 모델 로써 결정 트리를 사용decision tree algorithm A decision tree is used as a prediction model that links observations and target values for an item.
1. 최초의 decision 생성한다.1. Create the first decision.
2. 하위 집합은 최초의 decision 노드의 branches가 된다.2. The subset becomes the branches of the first decision node.
3. 만약 branch에 있는 데이터가 모두 같은 분류 항목에 속하면 제대로 분류가 된 것이며 생성을 종료한다.3. If all the data in the branch belong to the same category, it is classified properly and the creation is finished.
4. 그렇지 않다면, 이 하위 집합에서는 다시 분할 절차를 반복한다.4. If not, repeat the partitioning procedure again in this subset.
5. 모든 데이터가 분류될 때까지 이 절차를 반복한다.5. Repeat this procedure until all data has been classified.
공동개발기관 개발내용Contents of joint development agency development
시큐어 코딩: 개발 단계에서 발생할 수 있는 코드 수준의 취약점을 방지하는 기술지원 서비스 수준 보안: LMS 및 컨텐츠 서버의 보안 기술 지원(OWASP top 10 취약점 제거)Secure Coding: Technical support to prevent code-level vulnerabilities that may occur during the development phase Service-level security: LMS and content server security technical support (
네트워크 수준 보안: 컨텐츠 서버와 사용자 단말 간의 안전한 통신을 위한 모듈 지원Network level security: Support module for secure communication between content server and user terminal
제품화 계획Commercialization plan
대한미용사회중앙회, 한국피부미용사회중앙회 등과 같은 주용 한국 이/미용협회 및 주요 전문 학원과의 시스템 구축 사업 협약을 통하여 미용분야 Smart e-Learning의 구현 및 제품화Realization and commercialization of smart e-learning in the beauty field through a business agreement with major Korean academy associations and major professional academies, such as the Korea Society of Beauty Society and the Korean Society for Skin and Beauty Society.
산학 개발 TFT(전문개발자, 교수, 학생 등)를 구성하여 본 사업과제를 구현하여, 필요시에는 특정 연구단체를 연계 활용한다. By constructing an industry-academic development TFT (professional developer, professor, student, etc.), this project is implemented, and if necessary, a specific research group is used.
수행 모듈 구성 체제로 개발 추진Promote development with the implementation module composition system
분석, 설계 → 개발 구현 → 시스템 테스트, 보완 → 현장 적용 테스트, 보완 → 개발 완료의단계로 구현 Analysis, Design → Development Implementation → System Test, Complementation → Field Application Test, Complementation → Implementation
시스템 신뢰성 확보를 위해 공공시험기관 및 별도의 전문 검증단 구성 및 검증 실시Construction and verification of public test institutes and separate professional verification teams to ensure system reliability
양산 계획Mass production plan
이/미용분야 Smart e-Learning system의 모듈화 (Package Solution) 구현 Implementation of modular e-learning system (Package Solution)
전문 솔루션 모델 인증을 위해 솔루션 모듈 공식 인증기관의 시스템 인증 획득Obtained system certification from the solution module official certification body for certification of professional solution model
단계별 추가 개발 모듈(3~5개)을 위해 인증 완료 제품을 기준으로 하며 과업 추진완료 후 지속적 연계 사업으로 확대 추진It is based on certified products for additional development modules (3~5) for each stage.
(현 과업모델 (1단계)→ 이/미용 4개분야 이론/실습 모델(2단계) → Global Version (3단계))(Current task model (1st step)→ 4 fields of theory/practice/commercial model (2nd step) → Global Version (3rd step))
판로개척 방안Market development plan
1단계: 한국 이/미용협회 및 주요 전문학원과의 사전 협약을 기반으로한 지역기반 선 적용Step 1: Apply regional based lines based on prior agreements with the Korean Hair and Beauty Association and major professional academies
충청도 주요 학원 20여개 학원 (1차) → 전국 주요 체인 학원위주 확대 적용(2차)20 major institutes in Chungcheong-do (1st) → Expanded to mainly major institutes nationwide (2nd)
2단계: On-line 광고 및 Off-line 광고 매체를 통한 전방위 사업화 추진 Step 2: Promote omni-directional commercialization through on-line advertising and off-line advertising media
3단계: 베트남, 중국 등에 대한 박람회 및 대회 참여 사업화 (각 국가별 이/미용 협회 협력)Step 3: Commercialization of participation in trade shows and competitions in Vietnam, China, etc.
이상에서 본 발명의 바람직한 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.The preferred embodiments of the present invention have been described in detail above, but the scope of the present invention is not limited thereto, and various modifications and improvements of those skilled in the art using the basic concepts of the present invention defined in the following claims are also provided. It belongs to the scope of rights.
Claims (2)
사진 수집 및 레이블 지정
학습 자료 생성
학습구성
학습
추론그래프 생성
객체 인식 분류기를 통하여 학습된 모델 적용
TensorFlow 머신러닝/딥러닝 기반 CCTV 자동 객체 인식 시스템.Object detection directory and environment variable configuration
Collect and label photos
Create learning materials
Learning composition
learning
Inference graph generation
Application of the trained model through object recognition classifier
TensorFlow machine learning/deep learning based CCTV automatic object recognition system.
머신러닝/딥러닝: TensorFlow를 이용해 데이터 머신러닝 수행
학습자 정보, 문제정보, 동영상 등 미용 관련 모든 자료에 대한 최초의 빅데이타 구성을 통한 '이/미용 스마트 이러닝 플랫폼' 구축과 이를 기반으로 한 취약 부분 분석 도출 알고리즘 구현 분야별 표준적 동영상 이미지 커트 대비 학습자의 실습 동영상 이미지의 자동 비교 분석 및 적합률 데이터를 제공해주는 딥러닝 알고리즘 적용 시스템 구현
k means 알고리즘은 k 개의 평균(means) 벡터를 이용한 클러스터링(군집화) 알고리즘 이며 데이터들의 분산을 최소화하는 k개의 평균 벡터를 구한다.
1. (처음 중심 값 선택) 랜덤하게 초기 중심 값(centroid)을 선택한다.
2. (클러스터 할당) k 개의 중심 값과 각 개별 데이터간의 거리(distance)를 측정한다. 가장 가까운 클러스터에 해당 데이터를 할당(assign)한다.
3. (새 중심 값 선택) 클러스터마다 새로운 중심 값을 계산한다.
4. (범위 확인-convergence) 선택된 중심 값이 변화가 어느 정도 없다면 멈춘다. 만약 계속 변화가 있다면 1 번부터 반복한다.
decision tree 알고리즘 어떤 항목에 대한 관측값과 목표값을 연결시켜주는 예측 모델 로써 결정 트리를 사용.
1. 최초의 decision 생성한다.
2. 하위 집합은 최초의 decision 노드의 branches가 된다.
3. 만약 branch에 있는 데이터가 모두 같은 분류 항목에 속하면 제대로 분류가 된 것이며 생성을 종료한다.
4. 그렇지 않다면, 이 하위 집합에서는 다시 분할 절차를 반복한다.
5. 모든 데이터가 분류될 때까지 이 절차를 반복한다.
객체 인식 시스템.Analysis module: Fast R-CNN algorithm for fast and accurate results of multiple objects
Machine Learning/Deep Learning: Perform data machine learning using TensorFlow
Establishment of'E-Beauty Smart E-Learning Platform' through the construction of the first big data for all beauty-related materials such as learner information, problem information, and videos, and implementation of algorithms for deriving weak parts analysis based on this. Implementation of a system for applying deep learning algorithms that provides automatic comparative analysis of practice video images and data on conformity
The k means algorithm is a clustering (clustering) algorithm using k mean vectors and finds k mean vectors that minimize the variance of the data.
1. (Select the first center value) Select the initial center value (centroid) randomly.
2. (Cluster allocation) Measure the distance between k center values and each individual data. Assign the data to the nearest cluster.
3. (Select new center value) Calculate a new center value for each cluster.
4. (Convergence) If the selected center value has no change, stop. If the change continues, repeat from step 1.
decision tree algorithm A decision tree is used as a prediction model that links observations and target values for an item.
1. Create the first decision.
2. The subset becomes the branches of the first decision node.
3. If all the data in the branch belong to the same category, it is classified properly and the creation is finished.
4. If not, repeat the partitioning procedure again in this subset.
5. Repeat this procedure until all data has been classified.
Object recognition system.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180172481A KR20200087892A (en) | 2018-12-28 | 2018-12-28 | Deep Learning Based Object Recognition System in Video |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180172481A KR20200087892A (en) | 2018-12-28 | 2018-12-28 | Deep Learning Based Object Recognition System in Video |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20200087892A true KR20200087892A (en) | 2020-07-22 |
Family
ID=71892955
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180172481A KR20200087892A (en) | 2018-12-28 | 2018-12-28 | Deep Learning Based Object Recognition System in Video |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20200087892A (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112801137A (en) * | 2021-01-04 | 2021-05-14 | 中国石油天然气集团有限公司 | Petroleum pipe quality dynamic evaluation method and system based on big data |
-
2018
- 2018-12-28 KR KR1020180172481A patent/KR20200087892A/en active Search and Examination
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112801137A (en) * | 2021-01-04 | 2021-05-14 | 中国石油天然气集团有限公司 | Petroleum pipe quality dynamic evaluation method and system based on big data |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sanger et al. | A simple approach to complexity theory | |
| CN108121785A (en) | A kind of analysis method based on education big data | |
| CN107967572A (en) | A kind of intelligent server based on education big data | |
| Ducange et al. | Educational big data mining: how to enhance virtual learning environments | |
| Delgado et al. | Analysis of students’ behavior through user clustering in online learning settings, based on self organizing maps neural networks | |
| Ozdemır et al. | Model proposal on the determination of student attendance in distance education with face recognition technology | |
| Torre et al. | The G-DINA model framework | |
| Ganeshan et al. | An intelligent student advising system using collaborative filtering | |
| Alhusban et al. | Measuring and enhancing the performance of undergraduate student using machine learning tools | |
| KR20200087892A (en) | Deep Learning Based Object Recognition System in Video | |
| Vas | Studio: Ontology-centric knowledge-based system | |
| Sukhija et al. | Educational data mining towards knowledge engineering: a review state | |
| Towell et al. | Personality differences and computer related stress in business students | |
| He et al. | Analysis of concentration in English education learning based on CNN model | |
| Cain et al. | Artificial intelligence and conversational agent evolution–a cautionary tale of the benefits and pitfalls of advanced technology in education, academic research, and practice | |
| TW202127364A (en) | System and method for innovation, creativity, and learning as a service | |
| Weintrop | iSchools as venues for expanding the K-12 computer science teacher pipeline | |
| Smith | Event detection in educational records: an application of big data approaches | |
| Memon et al. | Data science: Theory, analysis and applications | |
| Suomalainen | Multicriteria analysis and visualization of location-allocation problems | |
| Ramdania et al. | Web-based design for lecturer performance reporting applications | |
| Liu | Resource Mining Algorithm and IoT Applications for Career Literacy Oriented Civics Courses | |
| Somsuphaprungyos et al. | Inferring Students' Activity Using RFID and Ontology. | |
| Jnr | DEPARTMENT OF ICT EDUCATION | |
| Szmodics | High-Skilled Immigrants on the job Markets, Initiators of Change |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination |