KR20200092841A - 위험 요소 검출에 사용될 학습용 이미지 데이터 세트 생성 방법 및 컴퓨팅 장치 그리고 이용한 학습 방법 및 학습 장치 - Google Patents

위험 요소 검출에 사용될 학습용 이미지 데이터 세트 생성 방법 및 컴퓨팅 장치 그리고 이용한 학습 방법 및 학습 장치 Download PDF

Info

Publication number
KR20200092841A
KR20200092841A KR1020190119501A KR20190119501A KR20200092841A KR 20200092841 A KR20200092841 A KR 20200092841A KR 1020190119501 A KR1020190119501 A KR 1020190119501A KR 20190119501 A KR20190119501 A KR 20190119501A KR 20200092841 A KR20200092841 A KR 20200092841A
Authority
KR
South Korea
Prior art keywords
image
label
edge
edge portion
another device
Prior art date
Application number
KR1020190119501A
Other languages
English (en)
Other versions
KR102313607B1 (ko
Inventor
김계현
김용중
김인수
김학경
남운현
부석훈
성명철
여동훈
유우주
장태웅
정경중
제홍모
조호진
Original Assignee
주식회사 스트라드비젼
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 주식회사 스트라드비젼 filed Critical 주식회사 스트라드비젼
Publication of KR20200092841A publication Critical patent/KR20200092841A/ko
Application granted granted Critical
Publication of KR102313607B1 publication Critical patent/KR102313607B1/ko

Links

Images

Classifications

    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30261—Obstacle

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Electromagnetism (AREA)
  • Image Analysis (AREA)

Abstract

주행 시 위험 요소를 검출하는 능력을 향상시키기 위해, 입력 이미지에서 객체 검출을 위한 CNN(Convolutional Neural Network)에 사용될 학습용 이미지 데이터 세트를 생성하는 방법에 있어서, 컴퓨팅 장치가, (a) 상기 객체와 백그라운드 사이의 경계에 에지 부분이 설정되고 상기 백그라운드 및 상기 객체의 각각에 대응하여 서로 다른 라벨 값이 할당된 제1 라벨 이미지를 획득하는 단계; (b) 상기 에지 부분을 추출하여, 상기 제1 라벨 이미지로부터 에지 이미지를 생성하는 단계; (c) 상기 제1 라벨 이미지에 상기 추출된 에지 부분에 가중치를 부여하여 생성된 에지 강화 이미지를 병합하여 제2 라벨 이미지를 생성하는 단계; 및 (d) 상기 입력 이미지와 상기 제2 라벨 이미지를 상기 학습용 이미지 데이터 세트로서 저장하는 단계;를 포함하는 방법이 개시된다. 또한, 상기 방법을 통해, 교통 신호, 표지판, 도로 표시 등을 검출하는 정도를 증가시킬 수 있다.

Description

위험 요소 검출에 사용될 학습용 이미지 데이터 세트 생성 방법 및 컴퓨팅 장치 그리고 이용한 학습 방법 및 학습 장치{METHOD AND COMPUTING DEVICE FOR GENERATING IMAGE DATA SET TO BE USED FOR HAZARD DETECTION AND LEARNING METHOD AND LEARNING DEVICE USING THE SAME}
본 발명은 적어도 하나의 입력 이미지에서 하나 이상의 객체 검출을 위한 CNN(Convolutional Neural Network)을 이용하여 위험 요소의 검출 능력을 향상시키기 위해 사용될 학습용 이미지 데이터 세트를 생성하는 방법에 관한 것으로; 구체적으로는, 상기 입력 이미지에서 상기 객체 검출을 위한 상기 CNN에 사용될 상기 학습용 이미지 데이터 세트를 생성하는 상기 방법에 있어서, (a) 상기 입력 이미지에서 상기 객체와 백그라운드 사이의 하나 이상의 경계에 하나 이상의 에지 부분이 설정되고 상기 백그라운드 및 상기 객체의 각각에 대응하는 클래스에 각각의 서로 다른 라벨 값이 할당된, 상기 입력 이미지에 대응되는, 적어도 하나의 제1 라벨 이미지를 획득하거나 타 장치로 하여금 획득하도록 지원하는 단계; (b) 상기 백그라운드의 클래스 및 상기 객체의 각 클래스 사이의 상기 에지 부분을 추출하여, 상기 제1 라벨 이미지로부터 적어도 하나의 에지 이미지를 생성하거나 타 장치로 하여금 생성하도록 지원하는 단계; (c) 상기 추출된 에지 부분에 하나 이상의 가중치를 부여하여 적어도 하나의 에지 강화 이미지를 생성하거나 타 장치로 하여금 생성하도록 지원하고, 상기 제1 라벨 이미지에 상기 에지 강화 이미지를 병합하여 적어도 하나의 제2 라벨 이미지를 생성하거나 타 장치로 하여금 생성하도록 지원하는 단계; 및 (d) 상기 입력 이미지와 이에 대응하는 GT(Ground Truth) 이미지로서 기능을 하는 상기 제2 라벨 이미지를 상기 학습용 이미지 데이터 세트로서 저장하거나 타 장치로 하여금 저장하도록 지원하는 단계;를 포함하는 방법 및 이를 이용한 학습 방법 및 컴퓨팅 장치에 관한 것이다.
딥러닝은 사물이나 데이터를 군집화하거나 분류하는 데 사용하는 기술이다. 예를 들어 컴퓨터는 사진만으로 개와 고양이를 구분하지 못한다. 하지만 사람은 아주 쉽게 구분할 수 있다. 이를 위해 '기계학습(Machine Learning)'이라는 방법이 고안됐다. 많은 데이터를 컴퓨터에 입력하고 비슷한 것끼리 분류하도록 하는 기술이다. 저장된 개 사진과 비슷한 사진이 입력되면, 이를 개 사진이라고 컴퓨터가 분류하도록 한 것이다.
데이터를 어떻게 분류할 것인가를 놓고 이미 많은 기계학습 알고리즘이 등장했다. '의사결정나무'나 '베이지안망', '서포트벡터머신(SVM)', '인공신경망' 등이 대표적이다. 이 중 딥러닝은 인공신경망의 후예다.
딥 컨벌루션 뉴럴 네트워크(Deep Convolutional Neural Network; Deep CNN)는 딥 러닝 분야에서 일어난 놀라운 발전의 핵심이다. CNN은 글자 인식 문제를 풀기 위해 90년대에 이미 사용되었지만, 현재처럼 널리 쓰이게 된 것은 최근의 연구 결과 덕분이다. 이러한 딥 CNN은 2012년 ImageNet 이미지 분류 시합에서 다른 경쟁자들을 이기고 우승을 차지했다. 그리고 나서 컨벌루션 뉴럴 네트워크는 기계학습(Machine Learning) 분야에서 매우 유용한 툴이 되었다.
이미지 세그멘테이션(Image segmentation)은 입력으로 이미지를 받아서 출력으로 라벨링된 이미지를 만들어내는 방법이다. 최근 딥러닝 기술이 각광을 받으면서 세그멘테이션도 딥러닝을 많이 사용하는 추세이다. 컨벌루션 연산을 이용하여 라벨 이미지를 만들어 내는 방법 등 초기에는 인코더 만을 사용하는 세그멘테이션을 시도하였다. 이후에 인코더-디코더 구조를 설계하여 인코더에서 이미지의 특징들을 추출하고 디코더를 이용하여 라벨 이미지로 복원하는 방법들이 사용되었다. 하지만 인코더-디코더 구조만으로는 정밀한 라벨 이미지를 얻기가 어려웠다. 즉, 이미지의 인코딩 및 디코딩 과정에서 에지 부분이 많이 사라지는 문제가 있어, 이러한 문제를 해결하고 이미지나 이에 대응하는 특징 맵에서 에지를 강화하고자 하는 다양한 방법이 제시되고 있다.
본 발명은 앞서 언급한 모든 문제점을 해결하는 것을 목적으로 한다.
본 발명은 하나 이상의 강화된 시맨틱(semantic) 에지 부분을 포함하는 적어도 하나의 라벨 이미지를 사용하여 하나 이상의 에지 부분을 검출하는 CNN(Convolutional Neural Network)의 학습에 사용될 적어도 하나의 학습용 이미지 데이터 세트를 제공하는 것을 다른 목적으로 한다.
또한 본 발명은 이미지 세그멘테이션(Image segmentation) 과정에서 정교한 에지 부분을 찾을 수 있도록 CNN을 학습할 수 있는 방법을 제공하는 것을 또 다른 목적으로 한다.
상기한 바와 같은 본 발명의 목적을 달성하고, 후술하는 본 발명의 특징적인 효과를 실현하기 위한 본 발명의 특징적인 구성은 하기와 같다.
본 발명의 일 태양에 따르면, 적어도 하나의 입력 이미지에서 하나 이상의 객체 검출을 위한 CNN(Convolutional Neural Network)에 사용될 학습용 이미지 데이터 세트를 생성하는 방법에 있어서, (a) 컴퓨팅 장치가, 상기 입력 이미지에서 상기 객체와 백그라운드 사이의 하나 이상의 경계에 하나 이상의 에지 부분이 설정되고 상기 백그라운드 및 상기 객체의 각각에 대응하는 클래스에 각각의 서로 다른 라벨 값이 할당된, 상기 입력 이미지에 대응되는, 적어도 하나의 제1 라벨 이미지를 획득하거나 타 장치로 하여금 획득하도록 지원하는 단계; (b) 상기 컴퓨팅 장치가, 상기 백그라운드의 클래스 및 상기 객체의 각 클래스 사이의 상기 에지 부분을 추출하여, 상기 제1 라벨 이미지로부터 적어도 하나의 에지 이미지를 생성하거나 타 장치로 하여금 생성하도록 지원하는 단계; (c) 상기 컴퓨팅 장치가, 상기 추출된 에지 부분에 하나 이상의 가중치를 부여하여 적어도 하나의 에지 강화 이미지를 생성하거나 타 장치로 하여금 생성하도록 지원하고, 상기 제1 라벨 이미지에 상기 에지 강화 이미지를 병합하여 적어도 하나의 제2 라벨 이미지를 생성 하거나 타 장치로 하여금 생성하도록 지원하는 단계; 및 (d) 상기 컴퓨팅 장치가, 상기 입력 이미지와 이에 대응하는 GT(Ground Truth) 이미지로서 기능을 하는 상기 제2 라벨 이미지를 상기 학습용 이미지 데이터 세트로서 저장하거나 타 장치로 하여금 저장하도록 지원하는 단계;를 포함하는 것을 특징으로 하는 방법이 제공된다.
일 실시예에서, 상기 에지 강화 이미지에서 상기 에지 부분에 할당된 라벨 값은, 상기 제1 라벨 이미지 에서 상기 객체 각각에 할당된 각각의 라벨 값보다 크다.
일 실시예에서, 상기 (c) 단계에서, 상기 추출된 에지 부분의 폭을 증가시킴으로써 하나 이상의 확대된 에지 부분이 생성되고, 상기 확대된 에지 부분에 상기 가중치를 부여하여 상기 에지 강화 이미지가 생성된다.
일 실시예에서, 상기 (c) 단계에서, 상기 확대된 에지 부분에 부여된 상기 가중치가 균일한(uniform) 형태를 갖도록 상기 에지 강화 이미지가 생성된다.
일 실시예에서, 상기 (c) 단계에서, 상기 확대된 에지 부분에 부여된 상기 가중치가 가우시안(Gaussian) 형태를 갖도록 상기 에지 강화 이미지가 생성된다.
본 발명의 다른 태양에 따르면, 적어도 하나의 입력 이미지에서 하나 이상의 객체를 검출하기 위한 CNN의 학습 방법에 있어서, (a) 제1 컴퓨팅 장치가, (i) 상기 입력 이미지에서 상기 객체와 백그라운드 사이의 하나 이상의 경계에 하나 이상의 에지 부분이 설정되고 상기 백그라운드 및 상기 객체의 각각에 대응하는 클래스에 각각의 서로 다른 라벨 값이 할당된, 상기 입력 이미지에 대응되는, 적어도 하나의 제1 라벨 이미지를 획득하거나 타 장치로 하여금 획득하도록 지원하는 프로세스, (ii) 상기 백그라운드의 클래스 및 상기 객체의 각 클래스 사이의 상기 에지 부분을 추출하여, 상기 제1 라벨 이미지로부터 적어도 하나의 에지 이미지를 생성하거나 타 장치로 하여금 생성하도록 지원하는 프로세스, (iii) 상기 추출된 에지 부분에 하나 이상의 가중치를 부여하여 적어도 하나의 에지 강화 이미지를 생성하거나 타 장치로 하여금 생성하도록 지원하고, 상기 제1 라벨 이미지에 상기 에지 강화 이미지를 병합하여 적어도 하나의 제2 라벨 이미지를 생성하거나 타 장치로 하여금 생성하도록 지원하는 프로세스, 및 (iv) 상기 입력 이미지와 이에 대응하는 GT(Ground Truth) 이미지로서 기능을 하는 상기 제2 라벨 이미지를 적어도 하나의 학습용 이미지 데이터 세트로서 저장하거나 타 장치로 하여금 저장하도록 지원하는 프로세스를 통해, 상기 학습용 이미지 데이터 세트를 생성한 상태에서, 제2 컴퓨팅 장치는 상기 입력 이미지를 트레이닝 이미지로서 획득하거나 타 장치로 하여금 획득하도록 지원하는 단계; (b) 상기 제2 컴퓨팅 장치가, 상기 CNN으로부터 상기 트레이닝 이미지의 적어도 하나의 세그멘테이션(segmentation) 결과를 획득하거나 타 장치로 하여금 획득하도록 지원하는 단계; 및 (c) 상기 제2 컴퓨팅 장치가, 상기 세그멘테이션 결과 및 상기 제2 라벨 이미지를 이용하여 적어도 하나의 로스를 산출하고, 상기 산출된 로스를 백프로파게이션하여 상기 CNN의 하나 이상의 파라미터를 최적화하거나 타 장치로 하여금 최적화하도록 지원하는 단계;를 포함하는 것을 특징으로 하는 방법이 제공된다.
본 발명의 또 다른 태양에 따르면, 적어도 하나의 입력 이미지에서 하나 이상의 객체 검출을 위한 CNN에 사용될 학습용 이미지 데이터 세트를 생성하는 컴퓨팅 장치에 있어서, 인스트럭션들을 저장하는 적어도 하나의 메모리; 및 (I) 상기 입력 이미지에서 상기 객체와 백그라운드 사이의 하나 이상의 경계에 하나 이상의 에지 부분이 설정되고 상기 백그라운드 및 상기 객체의 각각에 대응하는 클래스에 각각의 서로 다른 라벨 값이 할당된, 상기 입력 이미지에 대응되는, 적어도 하나의 제1 라벨 이미지를 획득하거나 타 장치로 하여금 획득하도록 지원하는 프로세스, (II) 상기 백그라운드의 클래스 및 상기 객체의 각 클래스 사이의 상기 에지 부분을 추출하여, 상기 제1 라벨 이미지로부터 적어도 하나의 에지 이미지를 생성하거나 타 장치로 하여금 생성하도록 지원하는 프로세스, (III) 상기 추출된 에지 부분에 하나 이상의 가중치를 부여하여 적어도 하나의 에지 강화 이미지를 생성하거나 타 장치로 하여금 생성하도록 지원하고, 상기 제1 라벨 이미지에 상기 에지 강화 이미지를 병합하여 적어도 하나의 제2 라벨 이미지를 생성하거나 타 장치로 하여금 생성하도록 지원하는 프로세스, 및 (IV) 상기 입력 이미지와 이에 대응하는 GT(Ground Truth) 이미지로서 기능을 하는 상기 제2 라벨 이미지를 상기 학습용 이미지 데이터 세트로서 저장하거나 타 장치로 하여금 저장하도록 지원하는 프로세스를 수행하기 위한 상기 인스트럭션들을 실행하도록 구성된 적어도 하나의 프로세서;를 포함하는 것을 특징으로 하는 컴퓨팅 장치가 제공된다.
일 실시예에서, 상기 에지 강화 이미지에서 상기 에지 부분에 할당된 라벨 값은, 상기 제1 라벨 이미지에서 상기 객체 각각에 할당된 각각의 라벨 값보다 크다.
일 실시예에서, 상기 (III) 프로세서에서, 상기 추출된 에지 부분의 폭을 증가시킴으로써 하나 이상의 확대된 에지 부분이 생성되고, 상기 확대된 에지 부분에 상기 가중치를 부여하여 상기 에지 강화 이미지가 생성된다.
일 실시예에서, 상기 (III) 프로세서에서, 상기 확대된 에지 부분에 부여된 상기 가중치가 균일한(uniform) 형태를 갖도록 상기 에지 강화 이미지가 생성된다.
일 실시예에서, 상기 (III) 프로세서에서, 상기 확대된 에지 부분에 부여된 상기 가중치가 가우시안(Gaussian) 형태를 갖도록 상기 에지 강화 이미지가 생성된다.
본 발명의 또 다른 태양에 따르면, 적어도 하나의 입력 이미지에서 적어도 하나의 객체 검출을 위한 CNN의 컴퓨팅 장치에 있어서, 인스트럭션들을 저장하는 적어도 하나의 메모리; 및 제1 컴퓨팅 장치가, (i) 상기 입력 이미지에서 상기 객체와 백그라운드 사이의 하나 이상의 경계에 하나 이상의 에지 부분이 설정되고 상기 백그라운드 및 상기 객체의 각각에 대응하는 클래스에 각각의 서로 다른 라벨 값이 할당된, 상기 입력 이미지에 대응되는, 적어도 하나의 제1 라벨 이미지를 획득하거나 타 장치로 하여금 획득하도록 지원하는 프로세스, (ii) 상기 백그라운드의 클래스 및 상기 객체의 각 클래스 사이의 상기 에지 부분을 추출하여, 상기 제1 라벨 이미지로부터 적어도 하나의 에지 이미지를 생성하거나 타 장치로 하여금 생성하도록 지원하는 프로세스, (iii) 상기 추출된 에지 부분에 하나 이상의 가중치를 부여하여 적어도 하나의 에지 강화 이미지를 생성하거나 타 장치로 하여금 생성하도록 지원하고, 상기 제1 라벨 이미지에 상기 에지 강화 이미지를 병합하여 적어도 하나의 제2 라벨 이미지를 생성하거나 타 장치로 하여금 생성하도록 지원하는 프로세스, 및 (iv) 상기 입력 이미지와 이에 대응하는 GT(Ground Truth) 이미지로서 기능을 하는 상기 제2 라벨 이미지를 적어도 하나의 학습용 이미지 데이터 세트로서 저장하거나 타 장치로 하여금 저장하도록 지원하는 프로세스를 통해, 상기 학습용 이미지 데이터 세트를 생성한 상태에서; (I) 상기 CNN으로부터 상기 트레이닝 이미지의 적어도 하나의 세그멘테이션 결과를 획득하거나 타 장치로 하여금 획득하도록 지원하는 프로세스 및 (II) 상기 세그멘테이션 결과 및 상기 제2 라벨 이미지를 이용하여 적어도 하나의 로스를 산출하고, 상기 산출된 로스를 백프로파게이션하여 상기 CNN의 하나 이상의 파라미터를 최적화하거나 타 장치로 하여금 최적화하도록 지원는 프로세스를 수행하기 위한 상기 인스트럭션들을 실행하도록 구성된 적어도 하나의 프로세서;를 포함하는 것을 특징으로 하는 컴퓨팅 장치가 제공된다.
본 발명에 따르면, 에지를 강화한 라벨 이미지를 사용하여 CNN(Convolutional Neural Network)을 통해 에지를 효과적으로 찾을 수 있도록 하는 효과가 있다.
또한 본 발명에 따르면, 에지 강화 이미지를 통한 학습을 통해, 추후 이미지 세그멘테이션(Image segmentation) 테스트 과정 시 정밀한 에지를 찾을 수 있는 효과가 있다.
본 발명의 실시예의 설명에 이용되기 위하여 첨부된 아래 도면들은 본 발명의 실시예들 중 단지 일부일 뿐이며, 본 발명이 속한 기술분야에서 통상의 지식을 가진 자(이하 "통상의 기술자")에게 있어서는 발명적 작업이 이루어짐 없이 이 도면들에 기초하여 다른 도면들이 얻어질 수 있다.
도 1은 본 발명에 따른 학습용 이미지 데이터 세트 생성 과정을 개략적으로 나타낸 흐름도이다.
도 2는 본 발명에 따른 적어도 하나의 에지 강화 이미지를 적어도 하나의 초기 라벨 이미지와 병합하여 적어도 하나의 새로운 라벨 이미지를 만드는 과정에서의 각 이미지들을 예시적으로 나타낸 도이다.
도 3은 본 발명에 따른 상기 에지 강화 이미지, 상기 초기 라벨 이미지 및 상기 에지 강화 이미지를 상기 초기 라벨 이미지와 병합하여 생성된 상기 새로운 라벨 이미지, 그리고 이들 각각에 대응하는 라벨 값 분포의 예를 나타낸다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명의 목적들, 기술적 해법들 및 장점들을 분명하게 하기 위하여 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 통상의 기술자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다.
또한, 본 발명의 상세한 설명 및 청구항들에 걸쳐, "포함하다"라는 단어 및 그것의 변형은 다른 기술적 특징들, 부가물들, 구성요소들 또는 단계들을 제외하는 것으로 의도된 것이 아니다. 통상의 기술자에게 본 발명의 다른 목적들, 장점들 및 특성들이 일부는 본 설명서로부터, 그리고 일부는 본 발명의 실시로부터 드러날 것이다. 아래의 예시 및 도면은 실례로서 제공되며, 본 발명을 한정하는 것으로 의도된 것이 아니다.
더욱이 본 발명은 본 명세서에 표시된 실시예들의 모든 가능한 조합들을 망라한다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
본 발명에서 언급하는 각종 이미지는 포장 또는 비포장 도로 관련 이미지를 포함할 수 있으며, 이 경우 도로 환경에서 등장할 수 있는 객체(가령, 자동차, 사람, 동물, 식물, 물건, 건물, 비행기나 드론과 같은 비행체, 기타 장애물)를 상정할 수 있을 것이나, 반드시 이에 한정되는 것은 아니며, 본 발명에서 언급하는 각종 이미지는 도로와 상관 없는 이미지(가령, 비포장도로, 골목길, 공터, 바다, 호수, 강, 산, 숲, 사막, 하늘, 실내와 관련된 이미지)일 수도 있으며, 이 경우, 비포장도로, 골목길, 공터, 바다, 호수, 강, 산, 숲, 사막, 하늘, 실내 환경에서 등장할 수 있는 객체(가령, 자동차, 사람, 동물, 식물, 물건, 건물, 비행기나 드론과 같은 비행체, 기타 장애물)를 상정할 수 있을 것이나, 반드시 이에 한정되는 것은 아니다.
이하, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명에 따른 학습용 이미지 데이터 세트 생성 과정을 개략적으로 나타낸 흐름도이다. 도 2는 본 발명에 따른 적어도 하나의 에지 강화 이미지를 적어도 하나의 초기 라벨 이미지와 병합하여 적어도 하나의 새로운 라벨 이미지를 만드는 과정에서의 각 이미지들을 예시적으로 나타낸다.
도 1 및 도 2를 참조하여 본 발명에 따른 하나 이상의 객체의 검출을 위한 CNN(Convolutional Neural Network)에 사용될 상기 학습용 이미지 데이터 세트 생성 과정을 설명하면 다음과 같다.
우선, 컴퓨팅 장치가, 입력 이미지에서 각각의 상기 객체와 백그라운드 사이의 하나 이상의 경계에 하나 이상의 에지 부분이 설정되고 상기 백그라운드 및 상기 객체의 각각에 대응하는 클래스에 각각의 서로 다른 라벨(label) 값이 할당된, 상기 입력 이미지에 대응되는, 상기 초기 라벨 이미지 즉, 적어도 하나의 제1 라벨 이미지를 획득하거나 타 장치로 하여금 획득하도록 지원한다(S01). 도 2를 참조하면, 상기 입력 이미지(10)에서 상기 백 그라운드와 상기 객체 각각에 대응하는 각 클래스에 각각 서로 다른 라벨 값이 할당된, 상기 입력 이미지에 대응되는, 상기 제1 라벨 이미지(20)를 획득하거나 타 장치로 하여금 획득하도록 지원하는 과정이 도시된다. 이 경우, 상기 제1 라벨 이미지(20)에서 상기 백그라운드에 대응하는 클래스의 라벨 값은 0, 두 개의 동전에 대응하는 클래스의 라벨 값은 1로 할당될 수 있고, 상기 백그라운드에 대응하는 클래스의 라벨 값은 0, 좌측 동전에 대응하는 클래스의 라벨 값은 1, 우측 동전에 대응하는 클래스의 라벨 값은 2로 할당될 수도 있을 것이다.
그런 다음, 상기 컴퓨팅 장치는 상기 백그라운드의 클래스와 상기 객체의 각 클래스 사이의 상기 에지 부분을 추출하여, 상기 제1 라벨 이미지로부터 적어도 하나의 에지 이미지(30)를 생성하거나 타 장치로 하여금 생성하도록 지원한다(S02). 그리고 나서 상기 컴퓨팅 장치는 상기 추출된 에지 부분에 하나 이상의 가중치(weight)를 부여하여 상기 에지 강화 이미지(40)를 생성하거나 타 장치로 하여금 생성하도록 지원한다(S03). 일 예로, 상기 컴퓨팅 장치는 상기 에지 부분의 폭을 증가시키고, 상기 확대된 에지 부분에 상기 가중치를 부여하여 상기 에지 강화 이미지를 생성하거나 타 장치로 하여금 생성하도록 지원할 수 있다. 이때 상기 에지 강화 이미지(40)에서 상기 에지 부분(또는 상기 확대된 에지 부분)에 할당된 라벨 값은, 상기 제1 라벨 이미지(20) 내 각각의 상기 객체에 할당된 각각의 라벨 값보다 더 크게 설정될 수 있다. 예를 들어, 상기 제1 라벨 이미지(20)에서, 상기 백그라운드에 대응하는 클래스의 라벨 값은 0, 상기 두 개의 동전에 대응하는 클래스의 라벨 값은 1로 할당된다면, 상기 에지 부분의 라벨 값은 2로 할당될 수 있을 것이다. 그렇지만, 상기 제1 라벨 이미지(20)에서 상기 두 개의 동전에 대응하는 클래스의 영역과 상기 에지 강화 이미지(40)에서 상기 에지 부분에 대응하는 클래스의 영역이 서로 겹치므로, 상기 에지 부분의 라벨 값이 상기 두 개의 동전에 대응하는 클래스의 라벨 값 보다 클 필요는 없을 것이다. 이 경우 추후 설명되겠지만, 상기 에지 부분의 라벨 값은 상기 두 개의 동전에 대응하는 클래스의 라벨 값보다 더 큰 값을 갖게 되기 때문이다.
도 3은 본 발명에 따른 (i) 상기 에지 강화 이미지, 상기 초기 라벨 이미지 및 상기 에지 강화 이미지를 상기 초기 라벨 이미지와 병합하여 생성된 상기 새로운 라벨 이미지, 그리고 (ii) 이들 각각에 대응하는 라벨 값 분포의 예를 나타낸다.
도 3을 참조하면, 상기 에지 강화 이미지(40)는, 상기 에지 이미지(30)의 상기 에지 부분에 하나 이상의 가중치를 부여하여, 상기 에지 부분이 강화됨으로써 생성된다. 다른 예시로, 상기 에지 부분의 폭을 증가시킴으로써 하나 이상의 확대된 에지 부분이 생성되고, 상기 확대된 에지 부분에 상기 가중치를 부여하여 상기 에지 강화 이미지(40)가 생성될 수 있다. 이 때, 상기 에지 부분(또는 상기 확대된 에지 부분)의 라벨 값은 다른 부분 즉, 상기 백그라운드의 라벨 값과 다를 수 있다. 도 3의 예에서, 일 실시예에 따른 상기 에지 강화 이미지(40)는, 상기 에지 강화 이미지(40) 내 상기 에지 부분(또는 상기 확대된 에지 부분)의 라벨 값(41)이 균일한(uniform) 형태를 갖도록 형성된다. 이 때, 상기 에지 부분(또는 상기 확대된 에지 부분)에 상기 가중치를 부여하는 방식으로 상기 에지 강화 이미지(40)를 생성하는 경우에는, 상기 에지 부분(또는 상기 확대된 에지 부분)에 부여된 상기 가중치가 균일한 형태를 갖도록 상기 에지 강화 이미지(40)가 형성될 수 있다. 또한, 다른 실시예에 따른 상기 에지 강화 이미지(40)는, 상기 에지 강화 이미지(40) 내 상기 에지 부분(또는 상기 확대된 에지 부분)의 라벨 값(42)이 가우시안(Gaussian) 형태를 갖도록 상기 에지 강화 이미지(40)가 생성될 수도 있다. 이때 상기 에지 부분(또는 상기 확대된 에지 부분)에 상기 가중치를 부여하는 방식으로 상기 에지 강화 이미지(40)를 생성하는 경우에는, 상기 확대된 에지 부분에 부여된 상기 가중치가 가우시안 형태를 갖도록 상기 에지 강화 이미지(40)가 형성될 수도 있다.
그리고 나서, 도 1 및 도 2를 다시 참조하면, 상기 컴퓨팅 장치가, 상기 초기 라벨 이미지 즉, 상기 제1 라벨 이미지(20)에 상기 에지 강화 이미지(40)를 병합하여 상기 새로운 라벨 이미지 즉, 제2 라벨 이미지(50)를 생성하거나 타 장치로 하여금 생성하도록 지원할 수 있다(S04). 상기 제1 라벨 이미지(20)에 상기 에지 강화 이미지(40)를 병합하는 과정은 각 이미지의 라벨 값들을 요소별 합산(element-wise sum)하여 수행될 수도 있으며, 상기 제1 라벨 이미지(20)의 라벨 값에 상기 에지 강화 이미지(40)의 상기 가중치를 요소별 곱셈(element-wise product)을 적용한 후에 상기 요소별 합산이 수행될 수도 있다.
도 3을 참조하면, 일 실시예에 따른 상기 에지 강화 이미지(40) 내 상기 에지 부분(또는 상기 확대된 에지 부분)의 라벨 값(41)이 균일한 형태를 갖는 경우에, 상기 라벨 값(41)이 상기 제1 라벨 이미지(20)의 라벨 값(21)과 합산되면, 상기 제2 라벨 이미지(50)의 라벨 값(51)을 얻을 수 있고, 다른 실시예에 따른 상기 에지 강화 이미지(40) 내 상기 에지 부분(또는 상기 확대된 에지 부분)의 라벨 값(42)이 가우시안 형태를 갖는 경우, 상기 라벨 값(42)이 상기 제1 라벨 이미지(20)의 라벨 값(22)과 합산되면, 상기 제2 라벨 이미지(50)의 라벨 값(52)을 얻을 수 있다. 상기 제2 라벨 이미지(50)에서는, 상기 에지 부분의 폭이 넓을 뿐만 아니라 두 가지 실시예(51 및 52)의 상기 에지 부분(또는 상기 확대된 에지 부분)의 상기 가중치 또는 라벨 값이 다른 클래스보다 더 크게 설정이 된다.
그리고 나서, 상기 컴퓨팅 장치가, (i) 상기 입력 이미지(10)와 (ii) 상기 입력 이미지(10)에 대응하는 GT(Ground Truth) 이미지로서 기능을 하는 상기 제2 라벨 이미지(50)를 학습용 이미지 데이터 세트로서 저장하거나 타 장치로 하여금 저장하도록 지원할 수 있다(S05).
그리고 상기 학습용 이미지 데이터 세트를 이용하여 상기 CNN의 하나 이상의 파라미터가 학습될 수 있다(S06). 이 때 상기 제2 라벨 이미지(50)는 상기 입력 이미지(10)로부터 구한 세그멘테이션(segmentation) 결과와 비교될 상기 GT 이미지로서 기능을 한다. 예를 들어, 상기 입력 이미지(10)를 상기 CNN에 입력하여 세그멘테이션 결과가 생성되고 난 후, 상기 세그멘테이션 결과와 상기 제2 라벨 이미지(50)를 이용하여 적어도 하나의 로스가 산출되고, 상기 산출된 로스를 백프로파게이션(backpropagation)하여 상기 CNN의 상기 파라미터가 학습될 수 있다.
이와 같은 방식으로 생성된 상기 학습용 이미지 데이터 세트를 이용하여 상기 CNN 의 상기 파라미터가 학습되면, 상기 제2 라벨 이미지(50) 내 상기 에지 부분이 상기 GT 이미지처럼 강화되기 때문에 상기 에지 부분을 검출하기 위한 상기 CNN의 학습이 더 효과적으로 이루어질 수 있다. 특히 상기 에지 부분의 라벨 값이 다른 클래스의 라벨 값보다 더 크면, 상기 에지 부분의 로스 값이 다른 부분의 로스 값 보다 더 크게 산출되어 학습이 잘 이루어질 수 있다. 이에 따라 상기 에지 부분을 더 잘 찾는 방향으로 학습이 이루어지게 되고, 결국 더 정밀한 에지 부분을 갖는 세그멘테이션 결과를 얻도록 학습될 수 있게 된다.
상술한 방법은 주행 시 위험요소를 검출하는 능력을 향상시키기 위해 사용될 수 있으며, 교통 신호, 표지판, 도로 표시 등을 검출하는 정도를 증가시킬 수 있다.
본 발명 기술분야의 통상의 기술자에게 이해될 수 있는 바로서, 위에서 설명된 이미지, 예컨대 트레이닝 이미지, 테스트 이미지와 같은 이미지 데이터의 송수신이 학습 장치 및 테스트 장치의 통신부들에 의하여 이루어질 수 있으며, 특징 맵과 연산을 수행하기 위한 데이터가 학습 장치 및 테스트 장치의 프로세서(및/또는 메모리)에 의하여 보유/유지될 수 있고, 컨벌루션 연산, 디컨벌루션 연산, 로스 값 연산 과정이 주로 학습 장치 및 테스트 장치의 프로세서에 의하여 수행될 수 있으나, 본 발명이 이에 한정되지는 않을 것이다.
이상 설명된 본 발명에 따른 실시예들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims (12)

  1. 적어도 하나의 입력 이미지에서 하나 이상의 객체 검출을 위한 CNN(Convolutional Neural Network)에 사용될 학습용 이미지 데이터 세트를 생성하는 방법에 있어서,
    (a) 컴퓨팅 장치가, 상기 입력 이미지에서 상기 객체와 백그라운드 사이의 하나 이상의 경계에 하나 이상의 에지 부분이 설정되고 상기 백그라운드 및 상기 객체의 각각에 대응하는 클래스에 각각의 서로 다른 라벨 값이 할당된, 상기 입력 이미지에 대응되는, 적어도 하나의 제1 라벨 이미지를 획득하거나 타 장치로 하여금 획득하도록 지원하는 단계;
    (b) 상기 컴퓨팅 장치가, 상기 백그라운드의 클래스 및 상기 객체의 각 클래스 사이의 상기 에지 부분을 추출하여, 상기 제1 라벨 이미지로부터 적어도 하나의 에지 이미지를 생성하거나 타 장치로 하여금 생성하도록 지원하는 단계;
    (c) 상기 컴퓨팅 장치가, 상기 추출된 에지 부분에 하나 이상의 가중치를 부여하여 적어도 하나의 에지 강화 이미지를 생성하거나 타 장치로 하여금 생성하도록 지원하고, 상기 제1 라벨 이미지에 상기 에지 강화 이미지를 병합하여 적어도 하나의 제2 라벨 이미지를 생성하거나 타 장치로 하여금 생성하도록 지원하는 단계; 및
    (d) 상기 컴퓨팅 장치가, 상기 입력 이미지와 이에 대응하는 GT(Ground Truth) 이미지로서 기능을 하는 상기 제2 라벨 이미지를 상기 학습용 이미지 데이터 세트로서 저장하거나 타 장치로 하여금 저장하도록 지원하는 단계;
    를 포함하는 것을 특징으로 하는 방법.
  2. 제 1 항에 있어서,
    상기 에지 강화 이미지에서 상기 에지 부분에 할당된 라벨 값은, 상기 제1 라벨 이미지에서 상기 객체 각각에 할당된 각각의 라벨 값보다 큰 것을 특징으로 하는 방법.
  3. 제 1 항에 있어서,
    상기 (c) 단계에서,
    상기 추출된 에지 부분의 폭을 증가시킴으로써 하나 이상의 확대된 에지 부분이 생성되고, 상기 확대된 에지 부분에 상기 가중치를 부여하여 상기 에지 강화 이미지가 생성되는 것을 특징으로 하는 방법.
  4. 제 3 항에 있어서,
    상기 (c) 단계에서,
    상기 확대된 에지 부분에 부여된 상기 가중치가 균일한(uniform) 형태를 갖도록 상기 에지 강화 이미지가 생성되는 것을 특징으로 하는 방법.
  5. 제 3 항에 있어서,
    상기 (c) 단계에서,
    상기 확대된 에지 부분에 부여된 상기 가중치가 가우시안(Gaussian) 형태를 갖도록 상기 에지 강화 이미지가 생성되는 것을 특징으로 하는 방법.
  6. 적어도 하나의 입력 이미지에서 하나 이상의 객체를 검출하기 위한 CNN의 학습 방법에 있어서,
    (a) 제1 컴퓨팅 장치가, (i) 상기 입력 이미지에서 상기 객체와 백그라운드 사이의 하나 이상의 경계에 하나 이상의 에지 부분이 설정되고 상기 백그라운드 및 상기 객체의 각각에 대응하는 클래스에 각각의 서로 다른 라벨 값이 할당된, 상기 입력 이미지에 대응되는, 적어도 하나의 제1 라벨 이미지를 획득하거나 타 장치로 하여금 획득하도록 지원하는 프로세스, (ii) 상기 백그라운드의 클래스 및 상기 객체의 각 클래스 사이의 상기 에지 부분을 추출하여, 상기 제1 라벨 이미지로부터 적어도 하나의 에지 이미지를 생성하거나 타 장치로 하여금 생성하도록 지원하는 프로세스, (iii) 상기 추출된 에지 부분에 하나 이상의 가중치를 부여하여 적어도 하나의 에지 강화 이미지를 생성하거나 타 장치로 하여금 생성하도록 지원하고, 상기 제1 라벨 이미지에 상기 에지 강화 이미지를 병합하여 적어도 하나의 제2 라벨 이미지를 생성하거나 타 장치로 하여금 생성하도록 지원하는 프로세스, 및 (iv) 상기 입력 이미지와 이에 대응하는 GT(Ground Truth) 이미지로서 기능을 하는 상기 제2 라벨 이미지를 적어도 하나의 학습용 이미지 데이터 세트로서 저장하거나 타 장치로 하여금 저장하도록 지원하는 프로세스를 통해, 상기 학습용 이미지 데이터 세트를 생성한 상태에서, 제2 컴퓨팅 장치는 상기 입력 이미지를 상기 트레이닝 이미지로서 획득하거나 타 장치로 하여금 획득하도록 지원하는 단계;
    (b) 상기 제2 컴퓨팅 장치가, 상기 CNN으로부터 상기 트레이닝 이미지의 적어도 하나의 세그멘테이션(segmentation) 결과를 획득하거나 타 장치로 하여금 획득하도록 지원하는 단계; 및
    (c) 상기 제2 컴퓨팅 장치가, 상기 세그멘테이션 결과 및 상기 제2 라벨 이미지를 이용하여 적어도 하나의 로스를 산출하고, 상기 산출된 로스를 백프로파게이션(backpropagation)하여 상기 CNN의 하나 이상의 파라미터를 최적화하거나 타 장치로 하여금 최적화하도록 지원하는 단계;
    를 포함하는 것을 특징으로 하는 방법.
  7. 적어도 하나의 입력 이미지에서 하나 이상의 객체 검출을 위한 CNN에 사용될 학습용 이미지 데이터 세트를 생성하는 컴퓨팅 장치에 있어서,
    인스트럭션들을 저장하는 적어도 하나의 메모리; 및
    (I) 상기 입력 이미지에서 상기 객체와 백그라운드 사이의 하나 이상의 경계에 하나 이상의 에지 부분이 설정되고 상기 백그라운드 및 상기 객체의 각각에 대응하는 클래스에 각각의 서로 다른 라벨 값이 할당된, 상기 입력 이미지에 대응되는, 적어도 하나의 제1 라벨 이미지를 획득하거나 타 장치로 하여금 획득하도록 지원하는 프로세스, (II) 상기 백그라운드의 클래스 및 상기 객체의 각 클래스 사이의 상기 에지 부분을 추출하여, 상기 제1 라벨 이미지로부터 적어도 하나의 에지 이미지를 생성하거나 타 장치로 하여금 생성하도록 지원하는 프로세스, (III) 상기 추출된 에지 부분에 하나 이상의 가중치를 부여하여 적어도 하나의 에지 강화 이미지를 생성하거나 타 장치로 하여금 생성하도록 지원하고, 상기 제1 라벨 이미지에 상기 에지 강화 이미지를 병합하여 적어도 하나의 제2 라벨 이미지를 생성하거나 타 장치로 하여금 생성하도록 지원하는 프로세스, 및 (IV) 상기 입력 이미지와 이에 대응하는 GT(Ground Truth) 이미지로서 기능을 하는 상기 제2 라벨 이미지를 상기 학습용 이미지 데이터 세트로서 저장하거나 타 장치로 하여금 저장하도록 지원하는 프로세스를 수행하기 위한 상기 인스트럭션들을 실행하도록 구성된 적어도 하나의 프로세서;
    를 포함하는 것을 특징으로 하는 컴퓨팅 장치.
  8. 제 7 항에 있어서,
    상기 에지 강화 이미지에서 상기 에지 부분에 할당된 라벨 값은, 상기 제1 라벨 이미지에서 상기 객체 각각에 할당된 각각의 라벨 값보다 큰 것을 특징으로 하는 컴퓨팅 장치.
  9. 제 7 항에 있어서,
    상기 (III) 프로세서에서,
    상기 추출된 에지 부분의 폭을 증가시킴으로써 하나 이상의 확대된 에지 부분이 생성되고, 상기 확대된 에지 부분에 상기 가중치를 부여하여 상기 에지 강화 이미지가 생성되는 것을 특징으로 하는 컴퓨팅 장치.
  10. 제 9 항에 있어서,
    상기 (III) 프로세서에서,
    상기 확대된 에지 부분에 부여된 상기 가중치가 균일한(uniform) 형태를 갖도록 상기 에지 강화 이미지가 생성되는 것을 특징으로 하는 컴퓨팅 장치.
  11. 제 9 항에 있어서,
    상기 (III) 프로세서에서,
    상기 확대된 에지 부분에 부여된 상기 가중치가 가우시안(Gaussian) 형태를 갖도록 상기 에지 강화 이미지가 생성되는 것을 특징으로 하는 컴퓨팅 장치.
  12. 적어도 하나의 입력 이미지에서 적어도 하나의 객체 검출을 위한 CNN의 컴퓨팅 장치에 있어서,
    인스트럭션들을 저장하는 적어도 하나의 메모리; 및
    제1 컴퓨팅 장치가, (i) 상기 입력 이미지에서 상기 객체와 백그라운드 사이의 하나 이상의 경계에 하나 이상의 에지 부분이 설정되고 상기 백그라운드 및 상기 객체의 각각에 대응하는 클래스에 각각의 서로 다른 라벨 값이 할당된, 상기 입력 이미지에 대응되는, 적어도 하나의 제1 라벨 이미지를 획득하거나 타 장치로 하여금 획득하도록 지원하는 프로세스, (ii) 상기 백그라운드의 클래스 및 상기 객체의 각 클래스 사이의 상기 에지 부분을 추출하여, 상기 제1 라벨 이미지로부터 적어도 하나의 에지 이미지를 생성하거나 타 장치로 하여금 생성하도록 지원하는 프로세스, (iii) 상기 추출된 에지 부분에 하나 이상의 가중치를 부여하여 적어도 하나의 에지 강화 이미지를 생성하거나 타 장치로 하여금 생성하도록 지원하고, 상기 제1 라벨 이미지에 상기 에지 강화 이미지를 병합하여 적어도 하나의 제2 라벨 이미지를 생성하거나 타 장치로 하여금 생성하도록 지원하는 프로세스, 및 (iv) 상기 입력 이미지와 이에 대응하는 GT(Ground Truth) 이미지로서 기능을 하는 상기 제2 라벨 이미지를 적어도 하나의 학습용 이미지 데이터 세트로서 저장하거나 타 장치로 하여금 저장하도록 지원하는 프로세스를 통해, 상기 학습용 이미지 데이터 세트를 생성한 상태에서; (I) 상기 CNN으로부터 상기 트레이닝 이미지의 적어도 하나의 세그멘테이션 결과를 획득하거나 타 장치로 하여금 획득하도록 지원하는 프로세스 및 (II) 상기 세그멘테이션 결과 및 상기 제2 라벨 이미지를 이용하여 적어도 하나의 로스를 산출하고, 상기 산출된 로스를 백프로파게이션하여 상기 CNN의 하나 이상의 파라미터를 최적화하거나 타 장치로 하여금 최적화하도록 지원는 프로세스를 수행하기 위한 상기 인스트럭션들을 실행하도록 구성된 적어도 하나의 프로세서;
    를 포함하는 것을 특징으로 하는 컴퓨팅 장치.
KR1020190119501A 2019-01-25 2019-09-27 위험 요소 검출에 사용될 학습용 이미지 데이터 세트 생성 방법 및 컴퓨팅 장치 그리고 이용한 학습 방법 및 학습 장치 KR102313607B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/257,940 2019-01-25
US16/257,940 US10551845B1 (en) 2019-01-25 2019-01-25 Method and computing device for generating image data set to be used for hazard detection and learning method and learning device using the same

Publications (2)

Publication Number Publication Date
KR20200092841A true KR20200092841A (ko) 2020-08-04
KR102313607B1 KR102313607B1 (ko) 2021-10-19

Family

ID=68424612

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190119501A KR102313607B1 (ko) 2019-01-25 2019-09-27 위험 요소 검출에 사용될 학습용 이미지 데이터 세트 생성 방법 및 컴퓨팅 장치 그리고 이용한 학습 방법 및 학습 장치

Country Status (5)

Country Link
US (1) US10551845B1 (ko)
EP (1) EP3686796A1 (ko)
JP (1) JP6869565B2 (ko)
KR (1) KR102313607B1 (ko)
CN (1) CN111489297B (ko)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102073873B1 (ko) * 2019-03-22 2020-02-05 주식회사 루닛 시맨틱 세그먼테이션 방법 및 그 장치
CN110163153B (zh) * 2019-05-23 2022-01-04 阿波罗智能技术(北京)有限公司 用于识别交通标志牌边界的方法及装置
CN111859131B (zh) * 2020-07-21 2021-06-15 山东省科院易达科技咨询有限公司 一种多约束条件下的个性化信息推荐方法及信息推荐系统
CN112085001B (zh) * 2020-09-23 2024-04-23 清华大学苏州汽车研究院（相城） 一种基于多尺度边缘特征检测的隧道识别模型及方法
CN113077624A (zh) * 2021-03-23 2021-07-06 广东粤高智慧交通科技有限公司 一种交通事件智慧检测系统
CN113012087B (zh) * 2021-03-31 2022-11-04 中南大学 基于卷积神经网络的图像融合方法
CN114359676B (zh) * 2022-03-08 2022-07-19 人民中科(济南)智能技术有限公司 训练目标检测模型和构建样本集的方法、装置及存储介质
US20230386163A1 (en) * 2022-05-28 2023-11-30 Orbital Insight, Inc. Object Level Data Augmentation Scheme for Training Object Detectors
CN115063639B (zh) * 2022-08-11 2022-12-09 小米汽车科技有限公司 生成模型的方法、图像语义分割方法、装置、车辆及介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007029467A1 (ja) * 2005-09-05 2007-03-15 Konica Minolta Medical & Graphic, Inc. 画像処理方法及び画像処理装置

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5767857A (en) * 1996-08-30 1998-06-16 Pacific Data Images, Inc. Method, apparatus, and software product for generating outlines for raster-based rendered images
JP3699873B2 (ja) * 1999-10-27 2005-09-28 オリンパス株式会社 画像処理装置
CN1273935C (zh) * 2001-05-17 2006-09-06 西门子共同研究公司 用于分割磁共振心脏图像中左心室的变化的方法
TWI239209B (en) * 2004-04-08 2005-09-01 Benq Corp A specific image extraction method, storage medium and image pickup device using the same
JP5308391B2 (ja) * 2010-03-31 2013-10-09 富士フイルム株式会社 画像符号化装置および方法並びにプログラム
WO2013025219A1 (en) * 2011-08-18 2013-02-21 Hewlett-Packard Development Company, L.P. Creating a blended image
SG10201510667SA (en) * 2012-06-27 2016-01-28 Agency Science Tech & Res Text detection devices and text detection methods
US9710892B2 (en) * 2015-10-21 2017-07-18 Chunghwa Picture Tubes, Ltd. Image enhancement method and image processing apparatus thereof
US10621747B2 (en) * 2016-11-15 2020-04-14 Magic Leap, Inc. Deep learning system for cuboid detection
CN111095296B (zh) * 2017-09-14 2024-07-02 雪佛龙美国公司 使用机器学习对字符串进行分类
CN108876804B (zh) * 2017-10-12 2021-07-09 北京旷视科技有限公司 抠像模型训练和图像抠像方法、装置和系统及存储介质
US10852419B2 (en) * 2017-10-20 2020-12-01 Texas Instruments Incorporated System and method for camera radar fusion

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007029467A1 (ja) * 2005-09-05 2007-03-15 Konica Minolta Medical & Graphic, Inc. 画像処理方法及び画像処理装置

Also Published As

Publication number Publication date
JP6869565B2 (ja) 2021-05-12
EP3686796A1 (en) 2020-07-29
JP2020119496A (ja) 2020-08-06
KR102313607B1 (ko) 2021-10-19
CN111489297B (zh) 2023-08-22
US10551845B1 (en) 2020-02-04
CN111489297A (zh) 2020-08-04

Similar Documents

Publication Publication Date Title
KR20200092841A (ko) 위험 요소 검출에 사용될 학습용 이미지 데이터 세트 생성 방법 및 컴퓨팅 장치 그리고 이용한 학습 방법 및 학습 장치
KR102325033B1 (ko) 에지 이미지를 이용하여 객체를 검출하는 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치
KR102280395B1 (ko) 차선 후보 픽셀의 분류를 통해 차선을 검출하는 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치
KR102286760B1 (ko) 다른 라벨 세트를 가지는 복수의 라벨링된 데이터베이스를 이용하여 학습하는 방법 및 장치 그리고 이를 이용한 테스트 방법 및 장치
KR102279376B1 (ko) CNN(Convolutional Neural Network)을 사용하여 차선을 검출하기 위한 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치
KR102246326B1 (ko) 라플라시안 피라미드 네트워크를 이용하여 자율 주행 자동차 레벨 4 및 레벨 5를 만족시키기 위해 요구되는 도로 장애물 검출에 있어서의 세그먼테이션 성능 향상을 위한 학습 방법 및 학습 장치 및 이를 이용한 테스팅 방법 및 테스팅 장치
KR102313133B1 (ko) 컨벌루션 뉴럴 네트워크로부터 복수의 출력들의 앙상블을 이용하여 통합된 특징 맵을 제공하기 위한 방법 및 장치
KR102279388B1 (ko) 차선 모델을 이용하여 차선을 검출할 수 있는 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치
CN109118504B (zh) 一种基于神经网络的图像边缘检测方法、装置及其设备
KR102279399B1 (ko) 복수의 비디오 프레임을 이용하여 cnn의 파라미터를 최적화하기 위한 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치
EP3686795A1 (en) Learning method and learning device for improving segmentation performance to be used for detecting events including pedestrian event, vehicle event, falling event and fallen event using edge loss and test method and test device using the same
KR102337358B1 (ko) 모바일 장치 또는 소형 네트워크에 적용 가능한 하드웨어를 최적화하는데 사용될 수 있는 roi를 풀링하기 위하여, 마스킹 파라미터를 이용하는 방법 및 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치
CN110879960B (zh) 生成卷积神经网络学习用图像数据集的方法及计算装置
KR102337383B1 (ko) 하드웨어 최적화에 사용되는 1xK 또는 Kx1 컨벌루션 연산을 이용한 CNN을 학습하는 방법 및 학습 장치, 이를 이용한 테스트 방법 및 테스트 장치
Fan et al. Faster-than-real-time linear lane detection implementation using soc dsp tms320c6678
KR20200092847A (ko) 핵심 성능 지수를 만족시킬 수 있는 하드웨어 최적화가 이루어지도록, cnn에서 복수의 블록 내의 입력 이미지로부터 특징을 추출하는 학습 방법 및 학습 장치, 이를 이용한 테스트 방법 및 테스트 장치
US11367206B2 (en) Edge-guided ranking loss for monocular depth prediction
Su et al. Widening residual refine edge reserved neural network for semantic segmentation
US10373004B1 (en) Method and device for detecting lane elements to plan the drive path of autonomous vehicle by using a horizontal filter mask, wherein the lane elements are unit regions including pixels of lanes in an input image
Nguyen Multiscale feature learning based on enhanced feature pyramid for vehicle detection
CN114882243B (zh) 目标检测方法、电子设备及计算机可读存储介质
CN117649635B (zh) 狭窄水道场景影消点检测方法、系统及存储介质
Reddy et al. Water Bodies Detection and Classification from VHRS Images
Grond Text detection in natural images using convolutional neural networks
CN115908922A (zh) 一种基于深度学习的遥感地物分类方法

Legal Events

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