KR20200093425A - 가상 주행 환경에서 사용되는 도메인 적응에 적용될 수 있는 gan을 이용하여, 실제 특징 맵과 동일하거나 유사한 특성을 가지는 가상 특징 맵을 생성하는 학습 방법 및 학습 장치 - Google Patents

가상 주행 환경에서 사용되는 도메인 적응에 적용될 수 있는 gan을 이용하여, 실제 특징 맵과 동일하거나 유사한 특성을 가지는 가상 특징 맵을 생성하는 학습 방법 및 학습 장치 Download PDF

Info

Publication number
KR20200093425A
KR20200093425A KR1020190166179A KR20190166179A KR20200093425A KR 20200093425 A KR20200093425 A KR 20200093425A KR 1020190166179 A KR1020190166179 A KR 1020190166179A KR 20190166179 A KR20190166179 A KR 20190166179A KR 20200093425 A KR20200093425 A KR 20200093425A
Authority
KR
South Korea
Prior art keywords
feature map
network
learning
image
virtual
Prior art date
Application number
KR1020190166179A
Other languages
English (en)
Other versions
KR102349910B1 (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 KR20200093425A publication Critical patent/KR20200093425A/ko
Application granted granted Critical
Publication of KR102349910B1 publication Critical patent/KR102349910B1/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
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06K9/20—
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/0475—Generative networks
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • 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
    • G06V10/77—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
    • G06V10/776—Validation; Performance evaluation
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

본 발명은 가상 주행 환경에서 사용되는 도메인 적응에 적용될 수 있는, 제너레이팅 네트워크(Generating Network) 및 디스크리미네이팅 네트워크(Discriminating Network)를 포함하는 GAN(Generative Adversarial Network)을 이용하여, 실제 이미지(Real Image)로부터 도출된 실제 특징 맵(Real Feature Map)과 동일하거나 유사한 특성(Characteristic)을 갖는 가상 이미지(Virtual Image)로부터 가상 특징 맵(Virtual Feature Map)을 도출하는 학습 방법에 관한 것으로, (a) 학습 장치가, 제너레이팅 네트워크로 하여금, 입력 이미지에 대하여 컨벌루션 연산을 적용하도록 하여, 실제 특징 맵과 동일하거나 유사한 특성을 가지는 출력 특징 맵(Output Feature Map)을 생성하도록 하는 단계; 및 (b) 제1 로스 유닛(Loss Unit)으로 하여금, 출력 특징 맵에 대응되는, 디스크리미네이팅 네트워크에 의해 생성된 평가 스코어(Evaluation Score)를 참조로 하여 로스를 생성하도록 하는 단계;를 포함하는 것을 특징으로 하며, 런타임 입력 변환에 사용하는 상기 방법을 통해, 가상과 현실 간의 차이와 어노테이션(Annotation) 비용을 줄일 수 있다.

Description

가상 주행 환경에서 사용되는 도메인 적응에 적용될 수 있는 GAN을 이용하여, 실제 특징 맵과 동일하거나 유사한 특성을 가지는 가상 특징 맵을 생성하는 학습 방법 및 학습 장치{LEARNING METHOD AND LEARNING DEVICE FOR GENERATION OF VIRTUAL FEATURE MAPS WHOSE CHARACTERISTICS ARE SAME AS OR SIMILAR TO THOSE OF REAL FEATURE MAPS BY USING GAN CAPABLE OF BEING APPLIED TO DOMAIN ADAPTATION TO BE USED IN VIRTUAL DRIVING ENVIRONMENTS}
본 발명은 가상 주행 환경에서 사용되는 학습 방법 및 학습 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치에 관한 것으로, GAN을 이용하여, 실제 특징 맵과 동일하거나 유사한 특성을 가지는 가상 특징 맵을 생성하는 학습 방법 및 학습 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치에 관한 것이다.
딥 컨벌루션 뉴럴 네트워크(Deep Convolution Neural Networks; Deep CNNs)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 CNN은 2012년 ImageNet 이미지 분류 시합에서 다른 경쟁자들을 이기고 우승을 차지했다. 그리고 나서 컨벌루션 뉴럴 네트워크는 기계 학습(Machine Learning) 분야에서 매우 유용한 툴이 되었다.
최근 CNN은 자율 주행 자동차 분야에서 매우 널리 사용되고 있다. 자율 주행 자동차 분야에서 사용될 때, CNN은, 자동차에 부착된 카메라로부터 영상을 획득하고 차선을 탐색하는 등의 역할을 수행한다. 이를 위해, CNN은 현실 세계 상의 트레이닝 이미지 및 이에 대응하는 GT를 이용하여 파라미터를 학습한다. 이와 같은 전통적인 접근 방법의 단점은 현실 세계 상의 트레이닝 이미지를 획득하고 이에 대응하는 GT를 생성하는 데에, 이는 프로그래밍된 컴퓨터가 자동으로 처리할 수 없고 사람이 투입되어야 하므로 트레이닝 과정에 비용과 시간이 많이 든다.
CNN을 트레이닝하는 대안으로 제시된 것이 프로그래밍된 컴퓨터로 시뮬레이션된 가상 세계 상의 가상 이미지를 이용하는 방법이다. 이 때, 가상 이미지와 이에 대응하는 GT는 프로그래밍된 컴퓨터를 통해 획득할 수 있고, 전통적인 접근 방법에 비해 트레이닝 과정에서 비용과 시간이 현저히 줄게 된다.
하지만 이 경우의 단점은, CNN이 가상 이미지를 이용해 파라미터를 학습한 바, 가상 이미지의 특성과 약간 다른 특성을 가지는 실제 세상에 대한 실제 이미지 내에 포함된 객체를 검출하는 작업의 성능이 떨어질 수 있는 문제가 있다.
본 발명은 상술한 문제점을 해결하는 것을 목적으로 한다.
본 발명은 GAN을 이용하여, 실제 이미지를 사용하여 생성된 실제 특징 맵과 동일 또는 유사한 특성을 가지는 가상 특징 맵을 생성하는 방법을 제시함으로써, 실제 이미지(예를 들어, 테스트 이미지)에 포함된 객체를 검출하도록, 가상 이미지를 이용해 객체 검출기가 학습되도록 하는 것을 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, 제너레이팅 네트워크(Generating Network) 및 디스크리미네이팅 네트워크(Discriminating Network)를 포함하는 GAN(Generative Adversarial Network)을 이용하여, 적어도 하나의 실제 이미지(Real Image)로부터 도출된 적어도 하나의 실제 특징 맵(Real Feature Map)과 동일하거나 유사한 적어도 하나의 특성(Characteristic)을 갖는 적어도 하나의 가상 이미지(Virtual Image)로부터 적어도 하나의 가상 특징 맵(Virtual Feature Map)을 도출하는 학습 방법에 있어서, (a) 상기 가상 이미지 중 하나인 적어도 하나의 입력 이미지가 획득되면, 학습 장치가, 상기 제너레이팅 네트워크로 하여금, 상기 입력 이미지에 대하여 컨벌루션 연산을 적어도 한 번 적용하도록 하여, 상기 실제 특징 맵과 동일하거나 유사한 특성을 가지는 적어도 하나의 출력 특징 맵(Output Feature Map)을 생성하도록 하는 단계; 및 (b) 상기 출력 특징 맵에 대응하는, 상기 디스크리미네이팅 네트워크에 의해 생성된 적어도 하나의 평가 스코어(Evaluation Score)가 획득되면, 상기 학습 장치가, 제1 로스 유닛(Loss Unit)으로 하여금, 상기 평가 스코어를 참조로 하여 적어도 하나의 제1 로스를 생성하도록 하고, 이를 백프로파게이션함으로써 상기 제너레이팅 네트워크의 파라미터를 학습하도록 하는 단계;를 포함하는 것을 특징으로 한다.
일 실시예에서, 상기 학습 장치는, 자신에게 입력된 특징 맵이 상기 실제 특징 맵 중 하나인지 또는 상기 가상 특징 맵 중 하나인지를 판단할 수 있는 상기 디스크리미네이팅 네트워크로 하여금, 상기 출력 특징 맵이 실제(Real) 출력 특징 맵인지 가짜(Fake) 출력 특징 맵인지에 대한 적어도 하나의 확률을 생성하도록 함으로써 상기 평가 스코어를 생성하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 출력 특징 맵, 상기 실제 이미지의 일부를 이용해 생성된 적어도 하나의 학습용 실제 특징 맵 및 이에 대응하는 GT가 획득되면, 상기 디스크리미네이팅 네트워크는, 이에 대응하는 제2 로스 유닛으로 하여금, (i) 상기 디스크리미네이팅 네트워크에 의해 생성된 상기 출력 특징 맵과 상기 학습용 실제 특징 맵에 대한 학습용 평가 스코어, 및 (ii) 상기 GT를 참조하여 적어도 하나의 제2 로스를 생성하도록 하고, 이를 백프로파게이션함으로써 상기 디스크리미네이팅 네트워크의 파라미터를 학습하도록 하여, 입력될 일부 특징 맵이 실제 특징 맵인지 가짜 특징 맵인지에 대한 확률을 판단할 수 있도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 학습 장치가, 객체 검출 네트워크로 하여금, 상기 출력 특징 맵을 참조로 하여, 상기 입력 이미지에 포함된 적어도 하나의 객체 각각에 대응하는 적어도 하나의 클래스 스코어(Class Score) 각각을 생성하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 학습 장치가, 제3 로스 유닛으로 하여금, 상기 클래스 스코어 및 이에 대응하는 GT를 참조로 하여 적어도 하나의 제3 로스를 생성하도록 하고, 상기 제3 로스를 백프로파게이션함으로써 상기 제너레이팅 네트워크 및 상기 객체 검출 네트워크의 파라미터를 학습하도록 하는 것을 특징으로 한다.
일 실시예에서, RPN에 의해 생성된 상기 입력 이미지 상의 적어도 하나의 각각의 ROI가 획득되면, 상기 객체 검출 네트워크가, 컨벌루션 레이어로 하여금, 각각의 상기 ROI에 대응하는 상기 출력 특징 맵 상의 영역 각각에 대하여 컨벌루션 연산을 적어도 한 번 적용하도록 하여 ROI 별 부분 특징 맵(Partial Feature Map) 각각을 생성하도록 하며, FC 레이어로 하여금 상기 부분 특징 맵 각각을 참조로 하여, 상기 입력 이미지에 포함된 상기 객체의 적어도 하나의 클래스 각각에 대한 정보를 생성하도록 하여 상기 클래스 스코어를 생성하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 RPN은, 각각의 상기 ROI 및 이에 대응하는 각각의 GT를 참조로 하여 적어도 하나의 RPN 로스를 생성하고, 이를 백프로파게이션하여 상기 RPN의 파라미터를 학습함으로써, 입력될 일부 이미지에 포함된 일부 객체가 RPN에 의해 생성된 일부 ROI에 위치할 확률이 높아지도록 하는 것을 특징으로 한다.
본 발명의 다른 태양에 따르면, 제너레이팅 네트워크(Generating Network) 및 디스크리미네이팅 네트워크(Discriminating Network)를 포함하는 GAN(Generative Adversarial Network)을 이용하여, 적어도 하나의 실제 이미지(Real Image)로부터 도출된 적어도 하나의 테스트용 실제 특징 맵(Real Feature Map)과 동일하거나 유사한 적어도 하나의 특성(Characteristic)을 갖는 적어도 하나의 가상 이미지(Virtual Image)로부터 적어도 하나의 테스트용 가상 특징 맵(Virtual Feature Map)을 도출하는 테스트 방법에 있어서, (1) 학습 장치가, 상기 제너레이팅 네트워크로 하여금, 상기 가상 이미지 중 하나인 적어도 하나의 트레이닝 이미지에 대하여 컨벌루션 연산을 적어도 한 번 적용하도록 하여, 적어도 하나의 학습용 실제 특징 맵과 동일하거나 유사한 특성을 가지는 적어도 하나의 학습용 출력 특징 맵(Output Feature Map)을 생성하도록 하고, (2) 상기 학습 장치가, 제1 로스 유닛(Loss Unit)으로 하여금, 상기 학습용 출력 특징 맵에 대응되는, 상기 디스크리미네이팅 네트워크에서 생성된 적어도 하나의 평가 스코어를 참조로 하여 적어도 하나의 제1 로스를 생성하도록 하고, 이를 백프로파게이션함으로써 상기 제너레이팅 네트워크의 파라미터를 학습하도록 한 상태에서, 상기 가상 이미지 중 하나인 적어도 하나의 테스트 이미지가 획득되면, 테스트 장치가, 상기 제너레이팅 네트워크로 하여금, 상기 테스트 이미지에 대하여 컨벌루션 연산을 적어도 한 번 적용하도록 하여, 상기 테스트용 실제 특징 맵과 동일하거나 유사한 특성을 가지는 적어도 하나의 테스트용 출력 특징 맵(Output Feature Map)을 생성하도록 하는 것을 특징으로 한다.
일 실시예에서, 객체 검출 네트워크는, 상기 테스트용 출력 특징 맵을 참조로 하여 상기 테스트 이미지에 포함된 적어도 하나의 객체를 검출하는 것을 특징으로 한다.
일 실시예에서, 상기 테스트 이미지는, 상기 객체 검출 네트워크를 포함하는 자율 주행 차량에 포함된 카메라를 통해 획득되며, 상기 객체 검출 네트워크는 상기 테스트 이미지를 이용해 상기 자율 주행 차량을 지원하는 것을 특징으로 한다.
본 발명의 다른 태양에 따르면, 제너레이팅 네트워크(Generating Network) 및 디스크리미네이팅 네트워크(Discriminating Network)를 포함하는 GAN(Generative Adversarial Network)을 이용하여, 적어도 하나의 실제 이미지(Real Image)로부터 도출된 적어도 하나의 실제 특징 맵(Real Feature Map)과 동일하거나 유사한 적어도 하나의 특성(Characteristic)을 갖는 적어도 하나의 가상 이미지(Virtual Image)로부터 적어도 하나의 가상 특징 맵(Virtual Feature Map)을 도출하는 학습 장치에 있어서, 인스트럭션을 저장하는 적어도 하나의 메모리; 및 (I) 상기 가상 이미지 중 하나인 적어도 하나의 입력 이미지가 획득되면, 상기 제너레이팅 네트워크로 하여금, 상기 입력 이미지에 대하여 컨벌루션 연산을 적어도 한 번 적용하도록 하여, 상기 실제 특징 맵과 동일하거나 유사한 특성을 가지는 적어도 하나의 출력 특징 맵(Output Feature Map)을 생성하도록 하는 프로세스; 및 (II) 상기 출력 특징 맵에 대응하는, 상기 디스크리미네이팅 네트워크에 의해 생성된 적어도 하나의 평가 스코어(Evaluation Score)가 획득되면, 제1 로스 유닛(Loss Unit)으로 하여금, 상기 평가 스코어를 참조로 하여 적어도 하나의 제1 로스를 생성하도록 하고, 이를 백프로파게이션함으로써 상기 제너레이팅 네트워크의 파라미터를 학습하도록 하는 프로세스를 수행하기 위한 상기 인스트럭션을 실행하도록 구성된 적어도 하나의 프로세서;를 포함하는 것을 특징으로 한다.
일 실시예에서, 상기 프로세서는, 자신에게 입력된 특징 맵이 상기 실제 특징 맵 중 하나인지 또는 상기 가상 특징 맵 중 하나인지를 판단할 수 있는 상기 디스크리미네이팅 네트워크로 하여금, 상기 출력 특징 맵이 실제(Real) 출력 특징 맵인지 가짜(Fake) 출력 특징 맵인지에 대한 적어도 하나의 확률을 생성하도록 함으로써 상기 평가 스코어를 생성하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 출력 특징 맵, 상기 실제 이미지의 일부를 이용해 생성된 적어도 하나의 학습용 실제 특징 맵 및 이에 대응하는 GT가 획득되면, 상기 디스크리미네이팅 네트워크는, 이에 대응하는 제2 로스 유닛으로 하여금, (i) 상기 디스크리미네이팅 네트워크에 의해 생성된 상기 출력 특징 맵과 상기 학습용 실제 특징 맵에 대한 학습용 평가 스코어, 및 (ii) 상기 GT를 참조하여 적어도 하나의 제2 로스를 생성하도록 하고, 이를 백프로파게이션함으로써 상기 디스크리미네이팅 네트워크의 파라미터를 학습하도록 하여, 입력될 일부 특징 맵이 실제 특징 맵인지 가짜 특징 맵인지에 대한 확률을 판단할 수 있도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 프로세서가, 객체 검출 네트워크로 하여금, 상기 출력 특징 맵을 참조로 하여, 상기 입력 이미지에 포함된 적어도 하나의 객체 각각에 대응하는 적어도 하나의 클래스 스코어(Class Score) 각각을 생성하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 프로세서가, 제3 로스 유닛으로 하여금, 상기 클래스 스코어 및 이에 대응하는 GT를 참조로 하여 적어도 하나의 제3 로스를 생성하도록 하고, 상기 제3 로스를 백프로파게이션함으로써 상기 제너레이팅 네트워크 및 상기 객체 검출 네트워크의 파라미터를 학습하도록 하는 것을 특징으로 한다.
일 실시예에서, RPN에 의해 생성된 상기 입력 이미지 상의 적어도 하나의 각각의 ROI가 획득되면, 상기 객체 검출 네트워크가, 컨벌루션 레이어로 하여금, 각각의 상기 ROI에 대응하는 상기 출력 특징 맵 상의 영역 각각에 대하여 컨벌루션 연산을 적어도 한 번 적용하도록 하여 ROI 별 부분 특징 맵(Partial Feature Map) 각각을 생성하도록 하며, FC 레이어로 하여금 상기 부분 특징 맵 각각을 참조로 하여, 상기 입력 이미지에 포함된 상기 객체의 적어도 하나의 클래스 각각에 대한 정보를 생성하도록 하여 상기 클래스 스코어를 생성하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 RPN은, 각각의 상기 ROI 및 이에 대응하는 각각의 GT를 참조로 하여 적어도 하나의 RPN 로스를 생성하고, 이를 백프로파게이션하여 상기 RPN의 파라미터를 학습함으로써, 입력될 일부 이미지에 포함된 일부 객체가 RPN에 의해 생성된 일부 ROI에 위치할 확률이 높아지도록 하는 것을 특징으로 한다.
본 발명의 다른 태양에 따르면, 제너레이팅 네트워크(Generating Network) 및 디스크리미네이팅 네트워크(Discriminating Network)를 포함하는 GAN(Generative Adversarial Network)을 이용하여, 적어도 하나의 실제 이미지(Real Image)로부터 도출된 적어도 하나의 테스트용 실제 특징 맵(Real Feature Map)과 동일하거나 유사한 적어도 하나의 특성(Characteristic)을 갖는 적어도 하나의 가상 이미지(Virtual Image)로부터 적어도 하나의 테스트용 가상 특징 맵(Virtual Feature Map)을 도출하는 테스트 장치에 있어서, 인스트럭션을 저장하는 적어도 하나의 메모리; 및 (1) 학습 장치가, 상기 제너레이팅 네트워크로 하여금, 상기 가상 이미지 중 하나인 적어도 하나의 트레이닝 이미지에 대하여 컨벌루션 연산을 적어도 한 번 적용하도록 하여, 적어도 하나의 학습용 실제 특징 맵과 동일하거나 유사한 특성을 가지는 적어도 하나의 학습용 출력 특징 맵(Output Feature Map)을 생성하도록 하고, (2) 상기 학습 장치가, 제1 로스 유닛(Loss Unit)으로 하여금, 상기 학습용 출력 특징 맵에 대응되는, 상기 디스크리미네이팅 네트워크에서 생성된 적어도 하나의 평가 스코어를 참조로 하여 적어도 하나의 제1 로스를 생성하도록 하고, 이를 백프로파게이션함으로써 상기 제너레이팅 네트워크의 파라미터를 학습하도록 한 상태에서, 상기 가상 이미지 중 하나인 적어도 하나의 테스트 이미지가 획득되면, 상기 제너레이팅 네트워크로 하여금, 상기 테스트 이미지에 대하여 컨벌루션 연산을 적어도 한 번 적용하도록 하여, 상기 테스트용 실제 특징 맵과 동일하거나 유사한 특성을 가지는 적어도 하나의 테스트용 출력 특징 맵(Output Feature Map)을 생성하도록 하는 프로세스를 수행하기 위한 상기 인스트럭션을 실행하도록 구성된 적어도 하나의 프로세서;포함하는 것을 특징으로 한다.
일 실시예에서, 객체 검출 네트워크는, 상기 테스트용 출력 특징 맵을 참조로 하여 상기 테스트 이미지에 포함된 적어도 하나의 객체를 검출하는 것을 특징으로 한다.
일 실시예에서, 상기 테스트 이미지는, 상기 객체 검출 네트워크를 포함하는 자율 주행 차량에 포함된 카메라를 통해 획득되며, 상기 객체 검출 네트워크는 상기 테스트 이미지를 이용해 상기 자율 주행 차량을 지원하는 것을 특징으로 한다.
이 외에도, 본 발명의 방법을 실행하기 위한 컴퓨터 프로그램을 기록하기 위한 컴퓨터 판독 가능한 기록 매체가 더 제공된다.
본 발명은 도메인 적응에 적용될 수 있는 사이클 GAN(Cycle Generative Adversarial Network)을 통해 RGB 형식의 트레이닝 이미지 세트를 비RGB 형식으로 변환함으로써 비RGB 형식의 트레이닝 이미지 세트가 생기는 문제를 완화하는 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 발명의 일 실시예에 따른, GAN을 이용하여, 실제 특징 맵과 동일하거나 유사한 특성을 가지는 가상 특징 맵을 생성하는 방법을 수행하기 위한 학습 장치의 구성을 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른, GAN을 이용하여, 실제 특징 맵과 동일하거나 유사한 특성을 가지는 가상 특징 맵을 생성하는 학습 방법의 흐름을 간략하게 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른, GAN을 이용하여, 실제 특징 맵과 동일하거나 유사한 특성을 가지는 가상 특징 맵을 생성하는 학습 방법을 수행하기 위한 객체 검출 네트워크 및 이에 대응하는 RPN을 간략하게 나타낸 도면이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 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.
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.
본 발명에서 언급하는 각종 이미지는 도로 관련 이미지를 포함할 수 있으며, 이 경우 도로 환경에서 등장할 수 있는 물체(가령, 자동차, 사람, 동물, 식물, 물건, 건물, 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, 실내와 관련된 이미지)일 수도 있으며, 이 경우, 비포장도로, 골목길, 공터, 실내 환경에서 등장할 수 있는 물체(가령, 자동차, 사람, 동물, 식물, 물건, 건물, 기타 장애물)를 상정할 수 있을 것이다.
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 발명의 일 실시예에 따른, GAN을 이용하여, 실제 특징 맵과 동일하거나 유사한 특성을 가지는 가상 특징 맵을 생성하는 방법을 수행하기 위한 학습 장치의 구성을 나타낸 도면이다.
도 1을 참조하면, 학습 장치(100)는 추후 자세히 설명할 구성요소인 제너레이팅 네트워크(130), 디스크리미네이팅 네트워크(140) 및 객체 검출 네트워크(150), 제1 로스 유닛(160), 제2 로스 유닛(170) 및 제3 로스 유닛(180)을 포함할 수 있다. 제너레이팅 네트워크(130), 디스크리미네이팅 네트워크(140) 및 객체 검출 네트워크(150), 제1 로스 유닛(160), 제2 로스 유닛(170) 및 제3 로스 유닛(180)의 입출력 및 연산 과정은 각각 통신부(110) 및 프로세서(120)에 의해 이루어질 수 있다. 다만, 도 1에서는 통신부(110) 및 프로세서(120)의 구체적인 연결 관계를 생략하였다. 이 때, 메모리(115)는 후술할 여러 가지 인스트럭션(Instruction)을 저장한 상태일 수 있고, 프로세서(120)는 메모리(115)에 저장된 인스트럭션을 수행하도록 설정되되, 프로세서(120)는 추후 설명할 프로세스를 수행함으로써 본 발명을 수행할 수 있다. 이와 같이 학습 장치(100)가 묘사되었다고 하여, 학습 장치(100)가 본 발명을 실시하기 위한 프로세서, 메모리, 매체 또는 다른 컴퓨팅 요소의 조합을 포함하는 경우를 배제하는 것은 아니다.
이상 본 발명의 일 실시예에 따라, GAN을 이용하여 실제 특징 맵과 동일하거나 유사한 특성을 가지는 가상 특징 맵을 생성하는 방법을 수행하는 학습 장치(100)의 구성을 알아본 바, 이하 이와 같은 방법에 대해 설명하도록 한다. 이를 위해 도 2를 참조할 것이다.
도 2는 본 발명의 일 실시예에 따른, GAN을 이용하여, 실제 특징 맵과 동일하거나 유사한 특성을 가지는 가상 특징 맵을 생성하는 학습 방법의 흐름을 간략하게 나타낸 도면이다.
도 2를 참조하면, 학습 방법의 개략적인 흐름을 알 수 있다. 먼저, 적어도 하나의 입력 이미지가 획득되면, 제너레이팅 네트워크(130)는 적어도 하나의 출력 특징 맵(Output Feature Map)을 생성하고, 이를 디스크리미네이팅 네트워크(140) 및 객체 검출 네트워크(150)로 전달할 수 있다. 이후, 디스크리미네이팅 네트워크(140)는, 출력 특징 맵에 대한 적어도 하나의 평가 스코어(Evaluation Score)를 생성하여, 이를 제1 로스 유닛(160) 및 제2 로스 유닛(170)에 전달할 수 있다. 또한, 객체 검출 네트워크(150)는, 적어도 하나의 클래스 스코어(Class Score)를 생성하고, 이를 제3 로스 유닛(180)에 전달할 수 있다. 제1 로스 유닛(160), 제2 로스 유닛(170) 및 제3 로스 유닛(180)은, 각각 적어도 하나의 제1 로스, 적어도 하나의 제2 로스, 적어도 하나의 제3 로스를 생성한 후, 각각에 대응하는 네트워크로 하여금 이를 백프로파게이션함으로써 제1 로스 유닛(160), 제2 로스 유닛(170) 및 제3 로스 유닛(180)의 파라미터를 학습하도록 하는 것을 지원할 수 있다.
구체적으로, 학습 장치(100)는, 적어도 하나의 상기 입력 이미지를 획득하고, 이를 제너레이팅 네트워크(130)에 입력할 수 있다. 입력 이미지는, 가상 이미지 중 하나일 수 있다. 이 때, 가상 이미지란, 프로그래밍된 컴퓨터를 통해 시뮬레이션된 가상 세계에 대한 가상 사진 이미지(Virtually Photographed Image)일 수 있다. 이후, 학습 장치(100)는, 제너레이팅 네트워크(130)로 하여금, 입력 이미지에 대하여 컨벌루션 연산을 적어도 한 번 적용하도록 하여, 실제 특징 맵과 동일하거나 유사한 특성을 가지는 적어도 하나의 출력 특징 맵을 생성하도록 할 수 있다. 이 때, "A와 B가 유사하다"는 말은 A와 B 사이의 유사도가 기설정된 임계치를 초과한다는 의미이다. 이들 사이의 유사도는 잘 알려진 다양한 방법을 이용해 결정될 수 있지만, 구체적인 설명은 여기에서는 생략하도록 한다. 여기서, 실제 특징 맵은 가상 특징 맵과는 다른, 현실 세계에 대한 실제 사진 이미지의 일부인 실제 이미지로부터 도출될 수 있다. 그리고 실제 특징 맵의 특성(Characteristic)은 실제 이미지로부터 나온 특성을 포함할 수 있으며, 실제 이미지는 채도가 낮고, 콘트라스트(Contrast)가 적으며, 물체의 세세한 디테일이 이미지 상에 반영되어 있고, 상대적으로 정교하고 현실적인 빛의 경로를 포함한다.
이후, 학습 장치(100)가, 출력 특징 맵을 디스크리미네이팅 네트워크(140) 및 객체 검출 네트워크(150)에 전달할 수 있다. 먼저 디스크리미네이팅 네트워크(140)에서 수행되는 프로세스에 대해 설명하도록 한다.
학습 장치(100)는, 디스크리미네이팅 네트워크(140)로 하여금 출력 특징 맵이 진짜 출력 특징 맵인지 가짜 출력 특징 맵인지에 대한 적어도 하나의 확률을 산출하도록 할 수 있다. 이 때, 디스크리미네이팅 네트워크(140)는, 입력된 특징 맵에 대하여 적어도 하나의 컨벌루션 연산과 적어도 하나의 FC 연산 중 일부를 적용하여 디스크리미네이팅 네트워크(140)에 입력된 특징 맵이 실제 특징 맵 중 하나인지 가상 특징 맵 중 하나인지를 판단할 수 있다. 디스크리미네이팅 네트워크(140)가 어떻게 트레이닝 되는지는, 제2 로스 유닛(170)과 함께 설명하기로 한다.
또한, 학습 장치(100)는 객체 검출 네트워크(150)로 하여금 출력 특징 맵을 참조로 하여, 입력 이미지에 포함된 적어도 하나의 객체를 검출하도록 함으로써, 적어도 하나의 상기 클래스 스코어를 생성할 수 있다. 이와 같은 객체 검출 네트워크(150)에 대해 설명하기 위해 도 3을 참조하도록 한다.
도 3은 본 발명의 일 실시예에 따른, GAN을 이용하여, 실제 특징 맵과 동일하거나 유사한 특성을 가지는 가상 특징 맵을 생성하는 학습 방법을 수행하기 위한 객체 검출 네트워크 및 이에 대응하는 RPN을 간략하게 나타낸 도면이다.
도 3을 참조하면, 객체 검출 네트워크(150)는, RPN(153)의 지원을 받아, 그 내부에 포함된 컨벌루션 레이어(151) 및 FC 레이어(152)를 통해 클래스 스코어를 생성할 수 있음을 알 수 있다.
먼저, RPN(153)은, Region Proposal Network의 약자로서, 출력 특징 맵을 참조로 하여 입력 이미지 상의 각각의 ROI를 획득할 수 있다. ROI란, Region Of Interest의 약자로, RPN(153)이, 객체가 위치할 것으로 예측하는 영역을 나타낼 수 있다. RPN(153)은 각각의 ROI 및 이에 대한 GT를 참조로 하여 적어도 하나의 RPN 로스를 생성하고, 이를 백프로파게이션하여 RPN의 파라미터를 학습함으로써, 입력될 일부 이미지에 포함된 일부 객체가 RPN(153)에 의해 생성한 일부 ROI에 위치할 확률이 높아지도록 할 수 있다.
ROI가 RPN(153)에 의해 생성된 후, 객체 검출 네트워크(150)는, 컨벌루션 레이어(151)로 하여금, 각각의 ROI에 대응하는, 출력 특징 맵 상의 각각의 영역에 대하여 컨벌루션 연산을 적어도 한 번 적용하도록 하여 ROI 별 부분 특징 맵 각각을 생성하도록 할 수 있다. 이후, 객체 검출 네트워크(150)는, FC 레이어(152)로 하여금, ROI별 부분 특징 맵 각각을 참조로 하여, 입력 이미지에 포함된 객체의 적어도 하나의 각각에 대한 클래스 정보를 생성하도록 할 수 있다. 클래스 정보는, 입력 이미지의 각각의 객체가 어느 클래스에 속할지를 나타내는 각각의 확률을 포함할 수 있고, 클래스 스코어란 각각의 객체에 대응하는 확률을 포함할 수 있다.
객체 검출 네트워크(150)는, 전술한 바와 같은 구성을 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
이상 평가 스코어와 클래스 스코어가 생성되는 방식에 대해 알아보았다. 이하 평가 스코어 및 클래스 스코어가 어떻게 처리되는지 설명하도록 한다.
평가 스코어는, 제1 로스 유닛(160) 및 제2 로스 유닛(170)으로 전달될 수 있고, 클래스 스코어는 제3 로스 유닛(180)으로 전달될 수 있다. 먼저 제1 로스 유닛(160)에 대해 설명하도록 한다.
학습 장치(100)는, 제1 로스 유닛(160)으로 하여금, 디스크리미네이팅 네트워크(140)에 의해 생성된 평가 스코어를 참조로 하여 적어도 하나의 제1 로스를 생성하도록 할 수 있다. 제1 로스는, 제너레이팅 네트워크(130)의 파라미터를 조정하여 디스크리미네이팅 네트워크(140)를 속이도록 함으로써, 가상 특징 맵 중 하나인 제너레이팅 네트워크(130)에 의해 생성될 특징 맵이 디스크리미네이팅 네트워크(140)에 의해 실제 특징 맵 중 하나로 판단될 수 있도록 한다. 이와 같이 제1 로스가 생성되면, 학습 장치(100)는 제1 로스 유닛(160)으로 하여금 제1 로스를 백프로파게이션함으로써 제너레이팅 네트워크(130)의 파라미터를 학습하도록 할 수 있다.
제2 로스 유닛(170)은, 디스크리미네이팅 네트워크(140)가 제2 로스 유닛(170)의 파라미터를 학습하도록 지원한다. 구체적으로, 학습 장치(100)는 디스크리미네이팅 네트워크(140)로 하여금 출력 특징 맵 외에, 추가적으로 실제 이미지의 일부로부터 도출된 적어도 하나의 학습용 실제 특징 맵과 이에 대응하는 GT도 획득할 수 있다. 이 때, 디스크리미네이팅 네트워크(140)는, 출력 특징 맵과 학습용 실제 특징 맵을 포함하는 디스크리미네이팅 네트워크(140)에 입력된 특징 맵에 대한 디스크리미네이팅 네트워크(140)의 학습용 평가 스코어를 생성할 수 있다. 이후, 제2 로스 유닛(170)은 디스크리미네이팅 네트워크(140)의 학습용 평가 스코어와 이에 대응하는 GT를 획득하고, 이를 참조로 하여 적어도 하나의 제2 로스를 생성할 수 있다. 이후, 제2 로스가 백프로파게이션되어 디스크리미네이팅 네트워크(140)의 파라미터를 학습함으로써, 입력될 특징 맵이 실제 특징 맵인지 가상 특징 맵인지를 정확하게 판단하도록 할 수 있다.
제2 로스 유닛(170)을 사용한 디스크리미네이팅 네트워크(140)의 학습 프로세스는, 제1 로스 유닛(160)을 사용한 제너레이팅 네트워크(130)의 학습 프로세스와 병렬적으로 이루어지면서, 제너레이팅 네트워크(130)의 파라미터와 디스크리미네이팅 네트워크(140)의 파라미터를 경쟁적으로 학습할 수 있다.
제3 로스 유닛(180)은, 제너레이팅 네트워크(130) 및 객체 검출 네트워크(150)가 제3 로스 유닛(180)의 파라미터를 학습하도록 지원하는 역할을 한다. 구체적으로, 학습 장치(100)는, 제3 로스 유닛(180)으로 하여금, 클래스 스코어 및 이에 대한 GT를 참조로 하여 적어도 하나의 제3 로스를 생성하도록 할 수 있다. 제3 로스가, 객체 검출 네트워크(150)의 파라미터를 학습하는데 사용되는 경우, 제3 로스는 입력될 일부 특징 맵에 대응되는 이미지에 포함된 객체를 더 효율적으로 검출하기 위해 객체 검출 네트워크(150)의 파라미터를 조정할 수 있다. 제 3 로스가 제너레이팅 네트워크(130)의 파라미터를 학습하는데 사용되는 경우, 제3 로스는 최적화 특징 맵(Optimized Feature Map)을 사용하여 객체 검출 네트워크(150)가 객체를 더 잘 검출하도록 지원하는 최적화 특징 맵을 생성하기 위하여 제너레이팅 네트워크(130)의 파라미터를 조정하는 역할을 할 수 있다. 제3 로스도 추가로 이용하여, 제너레이팅 네트워크(130)는, 입력될 일부 이미지에 포함된 객체의 특성을 포함하는 일부 특징 맵을 생성할 수 있다.
이 때, 제3 로스를 이용한 백프로파게이션 프로세스에서, 객체 검출 네트워크(150) 및 제너레이팅 네트워크(130)에 포함된 각각의 레이어에 대응되는 각각의 그래디언트(Gradient)는 네트워크 중 관계식(Interaction Formula)을 이용해 산출되고, 상기 네트워크의 파라미터는 산출된 그래디언트를 이용하여 학습될 수 있다.
참고로 이하의 설명에서 혼동을 피하기 위해 "학습용"이란 문구는 앞서 설명한 학습 프로세스와 관련된 용어에 대해 추가되고, "테스트용"이란 문구는 테스트 프로세스와 관련된 용어에 대해　추가된다.
이와 같이 학습된 학습 장치(100)는, 다음과 같이 테스트될 수 있다. 이하에서, 테스트 장치란 학습 장치(100)가 학습이 완료된 상태를 의미할 수 있다.
먼저, (1) 가상 이미지 중 하나인 적어도 하나의 트레이닝 이미지를 획득하면, 학습 장치가, 제너레이팅 네트워크(130)로 하여금, 트레이닝 이미지에 대하여 컨벌루션 연산을 적어도 한 번 적용하도록 하여, 학습용 실제 특징 맵과 동일하거나 유사한 특성을 가지는 적어도 하나의 학습용 출력 특징 맵(Output Feature Map)을 생성하도록 하고, (2) 학습용 출력 특징 맵에 대응되는, 디스크리미네이팅 네트워크(140)에서 생성된 적어도 하나의 평가 스코어가 생성되면, 학습 장치가, 제1 로스 유닛(Loss Unit)으로 하여금, 평가 스코어를 참조로 하여 적어도 하나의 제1 로스를 생성하도록 하고, 이를 백프로파게이션함으로써 제너레이팅 네트워크의 파라미터를 학습하도록 한 상태에서, 가상 이미지 중 하나인 적어도 하나의 테스트 이미지가 획득되면, 테스트 장치가, 제너레이팅 네트워크(130)로 하여금, 테스트 이미지에 대하여 컨벌루션 연산을 적어도 한 번 적용하도록 하여, 테스트용 실제 특징 맵과 동일하거나 유사한 특성을 가지는 적어도 하나의 테스트용 출력 특징 맵(Output Feature Map)을 생성하도록 한다.
테스트 시에, 객체 검출 네트워크(150)는, 현실 세계에서 자율 주행을 지원하는 데에 사용될 수 있다. 구체적으로, 테스트 이미지는, 객체 검출 네트워크(150)를 포함하는 자율 주행 차량에 포함된 카메라를 통해 획득된 이미지일 수 있고, 객체 검출 네트워크(150)는, 테스트 이미지를 이용하여 자율 주행 차량을 지원할 수 있다.
객체 검출 네트워크(150)는, 실제 특징 맵과 동일하거나 유사한 특성을 가지는 테스트용 가상 특징 맵을 이용해 학습되었으므로, 객체 검출 네트워크(150)는 가상 세계에서 학습되었더라도 실제 세계에서 잘 동작할 수 있다.
본 발명은 GAN을 이용해 실제 이미지에 의해 생성된 실제 특징 맵과 동일하거나 유사한 특징을 가지는 가상 특징 맵을 생성하는 방법을 제공함으로써, 가상 이미지를 이용해 학습된 객체 검출기가 실제 이미지(예를 들어, 테스트 이미지)에 포함된 객체를 더 효율적으로 검출하도록 하는 긍정적인 효과가 있다.
본 발명 기술분야의 통상의 기술자에게 이해될 수 있는 바로서, 위에서 설명된 이미지, 예컨대 원본 이미지, 원본 레이블 및 추가 레이블과 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 (20)

  1. 제너레이팅 네트워크(Generating Network) 및 디스크리미네이팅 네트워크(Discriminating Network)를 포함하는 GAN(Generative Adversarial Network)을 이용하여, 적어도 하나의 실제 이미지(Real Image)로부터 도출된 적어도 하나의 실제 특징 맵(Real Feature Map)과 동일하거나 유사한 적어도 하나의 특성(Characteristic)을 갖는 적어도 하나의 가상 이미지(Virtual Image)로부터 적어도 하나의 가상 특징 맵(Virtual Feature Map)을 도출하는 학습 방법에 있어서,
    (a) 상기 가상 이미지 중 하나인 적어도 하나의 입력 이미지가 획득되면, 학습 장치가, 상기 제너레이팅 네트워크로 하여금, 상기 입력 이미지에 대하여 컨벌루션 연산을 적어도 한 번 적용하도록 하여, 상기 실제 특징 맵과 동일하거나 유사한 특성을 가지는 적어도 하나의 출력 특징 맵(Output Feature Map)을 생성하도록 하는 단계; 및
    (b) 상기 출력 특징 맵에 대응하는, 상기 디스크리미네이팅 네트워크에 의해 생성된 적어도 하나의 평가 스코어(Evaluation Score)가 획득되면, 상기 학습 장치가, 제1 로스 유닛(Loss Unit)으로 하여금, 상기 평가 스코어를 참조로 하여 적어도 하나의 제1 로스를 생성하도록 하고, 이를 백프로파게이션함으로써 상기 제너레이팅 네트워크의 파라미터를 학습하도록 하는 단계;
    를 포함하는 것을 특징으로 하는 방법.
  2. 제 1항에 있어서,
    상기 학습 장치는, 자신에게 입력된 특징 맵이 상기 실제 특징 맵 중 하나인지 또는 상기 가상 특징 맵 중 하나인지를 판단할 수 있는 상기 디스크리미네이팅 네트워크로 하여금, 상기 출력 특징 맵이 실제(Real) 출력 특징 맵인지 가짜(Fake) 출력 특징 맵인지에 대한 적어도 하나의 확률을 생성하도록 함으로써 상기 평가 스코어를 생성하도록 하는 것을 특징으로 하는 방법.
  3. 제 2항에 있어서,
    상기 출력 특징 맵, 상기 실제 이미지의 일부를 이용해 생성된 적어도 하나의 학습용 실제 특징 맵 및 이에 대응하는 GT가 획득되면, 상기 디스크리미네이팅 네트워크는, 이에 대응하는 제2 로스 유닛으로 하여금, (i) 상기 디스크리미네이팅 네트워크에 의해 생성된 상기 출력 특징 맵과 상기 학습용 실제 특징 맵에 대한 학습용 평가 스코어, 및 (ii) 상기 GT를 참조하여 적어도 하나의 제2 로스를 생성하도록 하고, 이를 백프로파게이션함으로써 상기 디스크리미네이팅 네트워크의 파라미터를 학습하도록 하여, 입력될 일부 특징 맵이 실제 특징 맵인지 가짜 특징 맵인지에 대한 확률을 판단할 수 있도록 하는 것을 특징으로 하는 방법.
  4. 제 1항에 있어서,
    상기 학습 장치가, 객체 검출 네트워크로 하여금, 상기 출력 특징 맵을 참조로 하여, 상기 입력 이미지에 포함된 적어도 하나의 객체 각각에 대응하는 적어도 하나의 클래스 스코어(Class Score) 각각을 생성하도록 하는 것을 특징으로 하는 방법.
  5. 제 4항에 있어서,
    상기 학습 장치가, 제3 로스 유닛으로 하여금, 상기 클래스 스코어 및 이에 대응하는 GT를 참조로 하여 적어도 하나의 제3 로스를 생성하도록 하고, 상기 제3 로스를 백프로파게이션함으로써 상기 제너레이팅 네트워크 및 상기 객체 검출 네트워크의 파라미터를 학습하도록 하는 것을 특징으로 하는 방법.
  6. 제 4항에 있어서,
    RPN에 의해 생성된 상기 입력 이미지 상의 적어도 하나의 각각의 ROI가 획득되면, 상기 객체 검출 네트워크가, 컨벌루션 레이어로 하여금, 각각의 상기 ROI에 대응하는 상기 출력 특징 맵 상의 영역 각각에 대하여 컨벌루션 연산을 적어도 한 번 적용하도록 하여 ROI 별 부분 특징 맵(Partial Feature Map) 각각을 생성하도록 하며, FC 레이어로 하여금 상기 부분 특징 맵 각각을 참조로 하여, 상기 입력 이미지에 포함된 상기 객체의 적어도 하나의 클래스 각각에 대한 정보를 생성하도록 하여 상기 클래스 스코어를 생성하도록 하는 것을 특징으로 하는 방법.
  7. 제 6항에 있어서,
    상기 RPN은, 각각의 상기 ROI 및 이에 대응하는 각각의 GT를 참조로 하여 적어도 하나의 RPN 로스를 생성하고, 이를 백프로파게이션하여 상기 RPN의 파라미터를 학습함으로써, 입력될 일부 이미지에 포함된 일부 객체가 RPN에 의해 생성된 일부 ROI에 위치할 확률이 높아지도록 하는 것을 특징으로 하는 방법.
  8. 제너레이팅 네트워크(Generating Network) 및 디스크리미네이팅 네트워크(Discriminating Network)를 포함하는 GAN(Generative Adversarial Network)을 이용하여, 적어도 하나의 실제 이미지(Real Image)로부터 도출된 적어도 하나의 테스트용 실제 특징 맵(Real Feature Map)과 동일하거나 유사한 적어도 하나의 특성(Characteristic)을 갖는 적어도 하나의 가상 이미지(Virtual Image)로부터 적어도 하나의 테스트용 가상 특징 맵(Virtual Feature Map)을 도출하는 테스트 방법에 있어서,
    (1) 학습 장치가, 상기 제너레이팅 네트워크로 하여금, 상기 가상 이미지 중 하나인 적어도 하나의 트레이닝 이미지에 대하여 컨벌루션 연산을 적어도 한 번 적용하도록 하여, 적어도 하나의 학습용 실제 특징 맵과 동일하거나 유사한 특성을 가지는 적어도 하나의 학습용 출력 특징 맵(Output Feature Map)을 생성하도록 하고, (2) 상기 학습 장치가, 제1 로스 유닛(Loss Unit)으로 하여금, 상기 학습용 출력 특징 맵에 대응되는, 상기 디스크리미네이팅 네트워크에서 생성된 적어도 하나의 평가 스코어를 참조로 하여 적어도 하나의 제1 로스를 생성하도록 하고, 이를 백프로파게이션함으로써 상기 제너레이팅 네트워크의 파라미터를 학습하도록 한 상태에서, 상기 가상 이미지 중 하나인 적어도 하나의 테스트 이미지가 획득되면, 테스트 장치가, 상기 제너레이팅 네트워크로 하여금, 상기 테스트 이미지에 대하여 컨벌루션 연산을 적어도 한 번 적용하도록 하여, 상기 테스트용 실제 특징 맵과 동일하거나 유사한 특성을 가지는 적어도 하나의 테스트용 출력 특징 맵(Output Feature Map)을 생성하도록 하는 것을 특징으로 하는 방법.
  9. 제 8항에 있어서,
    객체 검출 네트워크는, 상기 테스트용 출력 특징 맵을 참조로 하여 상기 테스트 이미지에 포함된 적어도 하나의 객체를 검출하는 것을 특징으로 하는 방법.
  10. 제 9항에 있어서,
    상기 테스트 이미지는, 상기 객체 검출 네트워크를 포함하는 자율 주행 차량에 포함된 카메라를 통해 획득되며, 상기 객체 검출 네트워크는 상기 테스트 이미지를 이용해 상기 자율 주행 차량을 지원하는 것을 특징으로 하는 방법.
  11. 제너레이팅 네트워크(Generating Network) 및 디스크리미네이팅 네트워크(Discriminating Network)를 포함하는 GAN(Generative Adversarial Network)을 이용하여, 적어도 하나의 실제 이미지(Real Image)로부터 도출된 적어도 하나의 실제 특징 맵(Real Feature Map)과 동일하거나 유사한 적어도 하나의 특성(Characteristic)을 갖는 적어도 하나의 가상 이미지(Virtual Image)로부터 적어도 하나의 가상 특징 맵(Virtual Feature Map)을 도출하는 학습 장치에 있어서,
    인스트럭션을 저장하는 적어도 하나의 메모리; 및
    (I) 상기 가상 이미지 중 하나인 적어도 하나의 입력 이미지가 획득되면, 상기 제너레이팅 네트워크로 하여금, 상기 입력 이미지에 대하여 컨벌루션 연산을 적어도 한 번 적용하도록 하여, 상기 실제 특징 맵과 동일하거나 유사한 특성을 가지는 적어도 하나의 출력 특징 맵(Output Feature Map)을 생성하도록 하는 프로세스; 및 (II) 상기 출력 특징 맵에 대응하는, 상기 디스크리미네이팅 네트워크에 의해 생성된 적어도 하나의 평가 스코어(Evaluation Score)가 획득되면, 제1 로스 유닛(Loss Unit)으로 하여금, 상기 평가 스코어를 참조로 하여 적어도 하나의 제1 로스를 생성하도록 하고, 이를 백프로파게이션함으로써 상기 제너레이팅 네트워크의 파라미터를 학습하도록 하는 프로세스를 수행하기 위한 상기 인스트럭션을 실행하도록 구성된 적어도 하나의 프로세서;
    를 포함하는 것을 특징으로 하는 장치.
  12. 제 11항에 있어서,
    상기 프로세서는, 자신에게 입력된 특징 맵이 상기 실제 특징 맵 중 하나인지 또는 상기 가상 특징 맵 중 하나인지를 판단할 수 있는 상기 디스크리미네이팅 네트워크로 하여금, 상기 출력 특징 맵이 실제(Real) 출력 특징 맵인지 가짜(Fake) 출력 특징 맵인지에 대한 적어도 하나의 확률을 생성하도록 함으로써 상기 평가 스코어를 생성하도록 하는 것을 특징으로 하는 장치.
  13. 제 12항에 있어서,
    상기 출력 특징 맵, 상기 실제 이미지의 일부를 이용해 생성된 적어도 하나의 학습용 실제 특징 맵 및 이에 대응하는 GT가 획득되면, 상기 디스크리미네이팅 네트워크는, 이에 대응하는 제2 로스 유닛으로 하여금, (i) 상기 디스크리미네이팅 네트워크에 의해 생성된 상기 출력 특징 맵과 상기 학습용 실제 특징 맵에 대한 학습용 평가 스코어, 및 (ii) 상기 GT를 참조하여 적어도 하나의 제2 로스를 생성하도록 하고, 이를 백프로파게이션함으로써 상기 디스크리미네이팅 네트워크의 파라미터를 학습하도록 하여, 입력될 일부 특징 맵이 실제 특징 맵인지 가짜 특징 맵인지에 대한 확률을 판단할 수 있도록 하는 것을 특징으로 하는 장치.
  14. 제 11항에 있어서,
    상기 프로세서가, 객체 검출 네트워크로 하여금, 상기 출력 특징 맵을 참조로 하여, 상기 입력 이미지에 포함된 적어도 하나의 객체 각각에 대응하는 적어도 하나의 클래스 스코어(Class Score) 각각을 생성하도록 하는 것을 특징으로 하는 장치.
  15. 제 14항에 있어서,
    상기 프로세서가, 제3 로스 유닛으로 하여금, 상기 클래스 스코어 및 이에 대응하는 GT를 참조로 하여 적어도 하나의 제3 로스를 생성하도록 하고, 상기 제3 로스를 백프로파게이션함으로써 상기 제너레이팅 네트워크 및 상기 객체 검출 네트워크의 파라미터를 학습하도록 하는 것을 특징으로 하는 장치.
  16. 제 14항에 있어서,
    RPN에 의해 생성된 상기 입력 이미지 상의 적어도 하나의 각각의 ROI가 획득되면, 상기 객체 검출 네트워크가, 컨벌루션 레이어로 하여금, 각각의 상기 ROI에 대응하는 상기 출력 특징 맵 상의 영역 각각에 대하여 컨벌루션 연산을 적어도 한 번 적용하도록 하여 ROI 별 부분 특징 맵(Partial Feature Map) 각각을 생성하도록 하며, FC 레이어로 하여금 상기 부분 특징 맵 각각을 참조로 하여, 상기 입력 이미지에 포함된 상기 객체의 적어도 하나의 클래스 각각에 대한 정보를 생성하도록 하여 상기 클래스 스코어를 생성하도록 하는 것을 특징으로 하는 장치.
  17. 제 16항에 있어서,
    상기 RPN은, 각각의 상기 ROI 및 이에 대응하는 각각의 GT를 참조로 하여 적어도 하나의 RPN 로스를 생성하고, 이를 백프로파게이션하여 상기 RPN의 파라미터를 학습함으로써, 입력될 일부 이미지에 포함된 일부 객체가 RPN에 의해 생성된 일부 ROI에 위치할 확률이 높아지도록 하는 것을 특징으로 하는 장치.
  18. 제너레이팅 네트워크(Generating Network) 및 디스크리미네이팅 네트워크(Discriminating Network)를 포함하는 GAN(Generative Adversarial Network)을 이용하여, 적어도 하나의 실제 이미지(Real Image)로부터 도출된 적어도 하나의 테스트용 실제 특징 맵(Real Feature Map)과 동일하거나 유사한 적어도 하나의 특성(Characteristic)을 갖는 적어도 하나의 가상 이미지(Virtual Image)로부터 적어도 하나의 테스트용 가상 특징 맵(Virtual Feature Map)을 도출하는 테스트 장치에 있어서,
    인스트럭션을 저장하는 적어도 하나의 메모리; 및
    (1) 학습 장치가, 상기 제너레이팅 네트워크로 하여금, 상기 가상 이미지 중 하나인 적어도 하나의 트레이닝 이미지에 대하여 컨벌루션 연산을 적어도 한 번 적용하도록 하여, 적어도 하나의 학습용 실제 특징 맵과 동일하거나 유사한 특성을 가지는 적어도 하나의 학습용 출력 특징 맵(Output Feature Map)을 생성하도록 하고, (2) 상기 학습 장치가, 제1 로스 유닛(Loss Unit)으로 하여금, 상기 학습용 출력 특징 맵에 대응되는, 상기 디스크리미네이팅 네트워크에서 생성된 적어도 하나의 평가 스코어를 참조로 하여 적어도 하나의 제1 로스를 생성하도록 하고, 이를 백프로파게이션함으로써 상기 제너레이팅 네트워크의 파라미터를 학습하도록 한 상태에서, 상기 가상 이미지 중 하나인 적어도 하나의 테스트 이미지가 획득되면, 상기 제너레이팅 네트워크로 하여금, 상기 테스트 이미지에 대하여 컨벌루션 연산을 적어도 한 번 적용하도록 하여, 상기 테스트용 실제 특징 맵과 동일하거나 유사한 특성을 가지는 적어도 하나의 테스트용 출력 특징 맵(Output Feature Map)을 생성하도록 하는 프로세스를 수행하기 위한 상기 인스트럭션을 실행하도록 구성된 적어도 하나의 프로세서;
    포함하는 것을 특징으로 하는 장치.
  19. 제 18항에 있어서,
    객체 검출 네트워크는, 상기 테스트용 출력 특징 맵을 참조로 하여 상기 테스트 이미지에 포함된 적어도 하나의 객체를 검출하는 것을 특징으로 하는 장치.
  20. 제 19항에 있어서,
    상기 테스트 이미지는, 상기 객체 검출 네트워크를 포함하는 자율 주행 차량에 포함된 카메라를 통해 획득되며, 상기 객체 검출 네트워크는 상기 테스트 이미지를 이용해 상기 자율 주행 차량을 지원하는 것을 특징으로 하는 장치.
KR1020190166179A 2019-01-28 2019-12-12 가상 주행 환경에서 사용되는 도메인 적응에 적용될 수 있는 gan을 이용하여, 실제 특징 맵과 동일하거나 유사한 특성을 가지는 가상 특징 맵을 생성하는 학습 방법 및 학습 장치 KR102349910B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/259,355 2019-01-28
US16/259,355 US10373026B1 (en) 2019-01-28 2019-01-28 Learning method and learning device for generation of virtual feature maps whose characteristics are same as or similar to those of real feature maps by using GAN capable of being applied to domain adaptation to be used in virtual driving environments

Publications (2)

Publication Number Publication Date
KR20200093425A true KR20200093425A (ko) 2020-08-05
KR102349910B1 KR102349910B1 (ko) 2022-01-12

Family

ID=67477548

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190166179A KR102349910B1 (ko) 2019-01-28 2019-12-12 가상 주행 환경에서 사용되는 도메인 적응에 적용될 수 있는 gan을 이용하여, 실제 특징 맵과 동일하거나 유사한 특성을 가지는 가상 특징 맵을 생성하는 학습 방법 및 학습 장치

Country Status (5)

Country Link
US (1) US10373026B1 (ko)
EP (1) EP3686787A1 (ko)
JP (1) JP6886202B2 (ko)
KR (1) KR102349910B1 (ko)
CN (1) CN111489403B (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220061290A (ko) * 2020-11-05 2022-05-13 엔에이치엔 주식회사 컴퓨터 게임 맵 생성 장치 및 방법
KR20230108436A (ko) 2022-01-11 2023-07-18 연세대학교 산학협력단 이미지 문맥 오차를 통한 적대적 생성 신경망 기반의 실사 주행 영상 생성 방법 및 장치

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018176000A1 (en) 2017-03-23 2018-09-27 DeepScale, Inc. Data synthesis for autonomous control systems
US11409692B2 (en) 2017-07-24 2022-08-09 Tesla, Inc. Vector computational unit
US11157441B2 (en) 2017-07-24 2021-10-26 Tesla, Inc. Computational array microprocessor system using non-consecutive data formatting
US10671349B2 (en) 2017-07-24 2020-06-02 Tesla, Inc. Accelerated mathematical engine
US11893393B2 (en) 2017-07-24 2024-02-06 Tesla, Inc. Computational array microprocessor system with hardware arbiter managing memory requests
US11561791B2 (en) 2018-02-01 2023-01-24 Tesla, Inc. Vector computational unit receiving data elements in parallel from a last row of a computational array
US11215999B2 (en) 2018-06-20 2022-01-04 Tesla, Inc. Data pipeline and deep learning system for autonomous driving
US11361457B2 (en) 2018-07-20 2022-06-14 Tesla, Inc. Annotation cross-labeling for autonomous control systems
US11636333B2 (en) 2018-07-26 2023-04-25 Tesla, Inc. Optimizing neural network structures for embedded systems
US11562231B2 (en) 2018-09-03 2023-01-24 Tesla, Inc. Neural networks for embedded devices
KR20210072048A (ko) 2018-10-11 2021-06-16 테슬라, 인크. 증강 데이터로 기계 모델을 훈련하기 위한 시스템 및 방법
US11196678B2 (en) 2018-10-25 2021-12-07 Tesla, Inc. QOS manager for system on a chip communications
US11816585B2 (en) 2018-12-03 2023-11-14 Tesla, Inc. Machine learning models operating at different frequencies for autonomous vehicles
US11537811B2 (en) 2018-12-04 2022-12-27 Tesla, Inc. Enhanced object detection for autonomous vehicles based on field view
US11610117B2 (en) 2018-12-27 2023-03-21 Tesla, Inc. System and method for adapting a neural network model on a hardware platform
US10997461B2 (en) 2019-02-01 2021-05-04 Tesla, Inc. Generating ground truth for machine learning from time series elements
US11567514B2 (en) 2019-02-11 2023-01-31 Tesla, Inc. Autonomous and user controlled vehicle summon to a target
US10956755B2 (en) 2019-02-19 2021-03-23 Tesla, Inc. Estimating object properties using visual image data
EP3970110A1 (en) * 2019-05-17 2022-03-23 Barco n.v. Method and system for training generative adversarial networks with heterogeneous data
CN111639861B (zh) * 2020-06-01 2023-06-23 上海大学 一种基于神经网络的绩效考核方法及系统
CN112785542B (zh) * 2021-02-07 2022-09-09 中国人民解放军国防科技大学 遥感影像转换网络地图方法、装置、计算机设备和介质
US11250298B1 (en) * 2021-03-26 2022-02-15 Stradavision, Inc. Methods for training and testing perception network by using images obtained from multiple imaging devices having diverse specifications and learning device and testing device using the same
CN113205468B (zh) * 2021-06-01 2022-08-09 桂林电子科技大学 一种基于自注意力机制和gan的水下图像实时复原模型方法
CN113534837B (zh) * 2021-07-06 2024-03-22 深圳市科卫泰实业发展有限公司 基于生成对抗网络的无人机飞行状态融合控制系统及控制方法
CN114756894B (zh) * 2022-06-15 2022-08-23 北京中科开迪软件有限公司 一种基于光盘库的电子图像档案保护方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180144466A1 (en) * 2016-11-23 2018-05-24 General Electric Company Deep learning medical systems and methods for image acquisition

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002109555A (ja) * 2000-07-24 2002-04-12 Mitsubishi Electric Corp 仮想美容整形システム及び仮想美容整形方法
US10614287B2 (en) * 2014-06-16 2020-04-07 Siemens Healthcare Diagnostics Inc. Virtual staining of cells in digital holographic microscopy images using general adversarial networks
CN108229508B (zh) * 2016-12-15 2022-01-04 富士通株式会社 用于训练图像处理装置的训练装置和训练方法
US20180336439A1 (en) * 2017-05-18 2018-11-22 Intel Corporation Novelty detection using discriminator of generative adversarial network
US10346974B2 (en) * 2017-05-18 2019-07-09 Toshiba Medical Systems Corporation Apparatus and method for medical image processing
US11003995B2 (en) * 2017-05-19 2021-05-11 Huawei Technologies Co., Ltd. Semi-supervised regression with generative adversarial networks
US10262243B2 (en) * 2017-05-24 2019-04-16 General Electric Company Neural network point cloud generation system
GB201710877D0 (en) * 2017-07-06 2017-08-23 Nokia Technologies Oy A method and an apparatus for evaluating generative machine learning model
WO2019019199A1 (en) * 2017-07-28 2019-01-31 Shenzhen United Imaging Healthcare Co., Ltd. SYSTEM AND METHOD FOR IMAGE CONVERSION
US10726304B2 (en) * 2017-09-08 2020-07-28 Ford Global Technologies, Llc Refining synthetic data with a generative adversarial network using auxiliary inputs
CN108495110B (zh) * 2018-01-19 2020-03-17 天津大学 一种基于生成式对抗网络的虚拟视点图像生成方法
CN108335306B (zh) * 2018-02-28 2021-05-18 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
CN108550151A (zh) * 2018-04-17 2018-09-18 深圳市唯特视科技有限公司 一种基于对抗训练的反向域自适应方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180144466A1 (en) * 2016-11-23 2018-05-24 General Electric Company Deep learning medical systems and methods for image acquisition

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220061290A (ko) * 2020-11-05 2022-05-13 엔에이치엔 주식회사 컴퓨터 게임 맵 생성 장치 및 방법
KR20230108436A (ko) 2022-01-11 2023-07-18 연세대학교 산학협력단 이미지 문맥 오차를 통한 적대적 생성 신경망 기반의 실사 주행 영상 생성 방법 및 장치

Also Published As

Publication number Publication date
JP6886202B2 (ja) 2021-06-16
CN111489403B (zh) 2023-09-26
US10373026B1 (en) 2019-08-06
KR102349910B1 (ko) 2022-01-12
CN111489403A (zh) 2020-08-04
JP2020119554A (ja) 2020-08-06
EP3686787A1 (en) 2020-07-29

Similar Documents

Publication Publication Date Title
KR102349910B1 (ko) 가상 주행 환경에서 사용되는 도메인 적응에 적용될 수 있는 gan을 이용하여, 실제 특징 맵과 동일하거나 유사한 특성을 가지는 가상 특징 맵을 생성하는 학습 방법 및 학습 장치
CN111489285B (zh) 利用循环gan将真实图像变换成虚拟图像的方法及装置
JP6855082B2 (ja) 自律走行状況での障害物検出のためのｃｎｎ学習用イメージデータセットの生成方法及び装置、そしてこれを利用したテスト方法及びテスト装置
KR102337376B1 (ko) 레인 마스크(Lane Mask)를 사용하여 후처리 없이 입력 이미지에 포함된 하나 이상의 차선을 검출하는 방법 및 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치
US20200192389A1 (en) Building an artificial-intelligence system for an autonomous vehicle
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
JP7112752B2 (ja) 疑似３ｄバウンディングボックスを検出する方法及びそのテスト方法、並びに疑似３ｄバウンディングボックスを検出する方法を利用した装置及びそのテスト装置
KR102375286B1 (ko) Gan을 이용해 가상 세계에 대한 가상 데이터로부터 나온 트레이닝 데이터를 생성하여, 자율 주행용 뉴럴 네트워크의 학습 프로세스에 필요한 어노테이션 비용을 줄이는 학습 방법 및 학습 장치, 이를 이용한 테스트 방법 및 테스트 장치
US20200239029A1 (en) Learning method and learning device for determining whether to switch mode of vehicle from manual driving mode to autonomous driving mode by performing trajectory-based behavior analysis on recent driving route
KR20200095332A (ko) Non-RGB 포맷을 가지는 이미지의 객체에 대한 객체 디텍션 학습에 사용될 수 있도록, 사이클 GAN을 사용하여 RGB 트레이닝 이미지 세트를 Non-RGB 트레이닝 이미지 세트로 변환하여, 컴퓨팅 부하 및 재활용 데이터를 현저하게 감소시킬 수 있는 학습 방법 및 학습 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치
JP2020038668A (ja) 自律走行状況で、障害物検出のためのｃｎｎ学習用イメージデータセットの生成方法及びコンピューティング装置
CN111507468A (zh) 使用人工智能来警告驾驶员危险的方法和装置
KR20200095387A (ko) 협업 주행을 수행하는 자동차들로부터 획득된 주행 이미지들을 통합하는 방법 및 이를 이용한 주행 이미지 통합 장치
KR20200094640A (ko) 연속 학습을 이용해 검출 가능한 클래스의 종류를 실시간으로 업데이트할 수 있는 객체 검출 시스템을 제공하는 방법 및 이를 이용한 장치
KR20200095357A (ko) 비최대값 억제를 학습하는 병합 네트워크를 이용한 이종 센서 융합을 위한 학습 방법 및 학습 장치
JP2020047272A (ja) Ｃｎｎ基盤車線検出のための学習方法及び学習装置、そしてこれを利用したテスト方法及びテスト装置
US10635938B1 (en) Learning method and learning device for allowing CNN having trained in virtual world to be used in real world by runtime input transformation using photo style transformation, and testing method and testing device using the same
US10311336B1 (en) Method and device of neural network operations using a grid generator for converting modes according to classes of areas to satisfy level 4 of autonomous vehicles
JP2020119552A (ja) テストパターンを使用してコンボリューションパラメータの無欠性を検証する過程で所要されるコンピューティングリソースを節約し、極度の状況で欠陥許容能力及び揺れに強靭な性質を向上させる方法及び装置
KR20200091791A (ko) 하드웨어 최적화에 쓰이는 1x1 컨벌루션을 이용한 CNN 기반의 객체 검출기를 학습하는 방법 및 학습 장치, 이를 이용한 테스트 장치 및 테스트 장치
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
KR102326278B1 (ko) 자율주행 차량 레벨4를 충족하기 위해 영역의 클래스에 따라 모드를 전환하기 위하여 그리드 생성기를 이용하는 뉴럴 네트워크 연산 방법 및 이를 이용한 장치
KR20210063607A (ko) 객체 검출을 위한 학습 데이터 생성 시스템

Legal Events

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