KR20200095359A - 자율 주행에 대한 논리적 근거를 제시하기 위하여, 관리자가 객체 검출기의 객체 검출 프로세스를 평가할 수 있도록 지원하는 방법 및 장치 - Google Patents

자율 주행에 대한 논리적 근거를 제시하기 위하여, 관리자가 객체 검출기의 객체 검출 프로세스를 평가할 수 있도록 지원하는 방법 및 장치 Download PDF

Info

Publication number
KR20200095359A
KR20200095359A KR1020200001723A KR20200001723A KR20200095359A KR 20200095359 A KR20200095359 A KR 20200095359A KR 1020200001723 A KR1020200001723 A KR 1020200001723A KR 20200001723 A KR20200001723 A KR 20200001723A KR 20200095359 A KR20200095359 A KR 20200095359A
Authority
KR
South Korea
Prior art keywords
specific
feature map
roi
representative
information
Prior art date
Application number
KR1020200001723A
Other languages
English (en)
Other versions
KR102313129B1 (ko
Inventor
김계현
김용중
김학경
남운현
부석훈
성명철
신동수
여동훈
유우주
이명춘
이형수
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 KR20200095359A publication Critical patent/KR20200095359A/ko
Application granted granted Critical
Publication of KR102313129B1 publication Critical patent/KR102313129B1/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
    • 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
    • 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
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06T7/50—Depth or shape recovery
    • 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
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • 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
    • G06V10/70—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
    • G06V10/82—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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/945—User interactive design; Environments; Toolboxes
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

자율 주행에 대한 논리적 근거를 제시하기 위하여, 적어도 하나의 관리자가 하나 이상의 객체 검출기의 하나 이상의 검출 프로세스를 평가할 수 있도록 지원하는 방법이 개시된다. 즉, (a) 컴퓨팅 장치가, 이전에 학습이 완료된 객체 검출 CNN(Convolutional Neural Network)에 포함된 컨벌루션 레이어로 하여금, 이에 입력된 참조 이미지에 하나 이상의 컨벌루션 연산을 적용하여 참조 컨벌루션 특징 맵을 생성하도록 한 후, 상기 객체 검출 CNN에 포함된 ROI(region of interest) 풀링 레이어로 하여금, 상기 참조 컨벌루션 특징 맵 상의 ROI에 대응하는 값 중 적어도 일부를 풀링하여 참조 ROI 풀링된 특징 맵을 생성하도록 하는 단계; 및 (b) 상기 컴퓨팅 장치가, 대표 선택 유닛으로 하여금, 상기 참조 이미지 상의 상기 ROI에 포함된 객체의 클래스에 관한 정보를 참조로 하여 상기 참조 ROI 풀링된 특징 맵을 분류한 후, 각 클래스 당 적어도 하나의 대표 특징 맵을 생성하도록 하는 단계를 포함하는 것을 특징으로 하는 방법이 개시된다.

Description

자율 주행에 대한 논리적 근거를 제시하기 위하여, 관리자가 객체 검출기의 객체 검출 프로세스를 평가할 수 있도록 지원하는 방법 및 장치 {METHOD AND DEVICE FOR SUPPORTING ADMINISTRATORS TO EVALUATE OBJECT DETECTING PROCESSES OF OBJECT DETECTORS TO PROVIDE LOGICAL GROUNDS OF AUTONOMOUS DRIVING}
본 발명은 자율 주행 차량에 이용하기 위한 방법 및 장치에 관한 것으로; 보다 상세하게는, 자율 주행에 대한 논리적 근거를 제공하기 위하여, 관리자가 객체 검출기의 객체 검출 프로세스를 평가할 수 있도록 지원하는 방법 및 장치에 관한 것이다.
딥 컨벌루션 뉴럴 네트워크(Deep Convolution Neural Networks, Deep CNNs)는 딥 러닝 분야에서 일어난 눈부신 발전의 핵심이다. CNNs은 글자 식별 문제를 해결하기 위해 90년대에도 사용되었지만, 현재처럼 널리 쓰이게 된 것은 최근의 연구 결과 덕분이다. 이러한 CNN은 2012년 ImageNet 이미지 분류 경진대회에서 다른 경쟁 상대를 제치고 우승을 차지했다. 그 후, CNN은 기계 학습 분야에서 매우 유용한 툴로 쓰이게 되었다.
최근, CNN은 자율 주행 분야에 널리 사용된다. CNN은 자율 주행 차량에서, 상기 자율 주행을 지원하는 다양한 기능, 예를 들어 시맨틱(semantic) 세그먼테이션 및 객체 검출과 같은 기능을 수행할 수 있는데, 이들은 수 만장의 학습 데이터 세트를 이용하여 학습된 후, 자율 주행 차량에 탑재되게 된다.
하지만, 상기 CNN이 차량을 동작하는 동안 상기 CNN이 안정적으로 동작하고 있는지 판단하는 것은 어렵다. 상기 CNN이 안정적으로 동작하는지 아는 것은 매우 중요한데, 이는 상기 CNN이 불안정하게 동작하는 경우, 운전자에게 알림을 주어, 상기 운전자가 어떠한 문제인지 기록하여 추후 상기 CNN을 향상할 수 있도록 하는 것이 필요하기 때문이다.
종래 기술로서, 특정 조건을 만족하는 구성을 가지는 상기 CNN에 대해, 상기 CNN의 객체 검출 결과에 대한 근거를 제시하는 방법이 존재한다. 하지만, 상기 종래 기술의 상기 특정 조건은 매우 한정적이어서 일반적인 경우에 적용되기 어렵다는 단점이 있다. 즉, 상기 CNN이 반드시 클래스 활성화 맵(Class Activation Map)을 사용하는 구성이어야 하는 것이다. 따라서, 일반적인 구성을 가지는 상기 CNN의 안정 동작 여부를 탐지할 수 있는 종래 기술은 전무한 실정이다.
본 발명은 상술한 문제점을 해결하는 것을 목적으로 한다.
본 발명은 각 객체에 대한 각 대표 특징 맵을 사용하여 객체 검출기의 각 검출 프로세스를 평가하는 방법을 제공함으로써 자율 주행을 위한 논리적 근거를 제시하는 것을 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, 자율 주행에 대한 논리적 근거를 제시하기 위하여, 적어도 하나의 관리자가 하나 이상의 객체 검출기의 하나 이상의 검출 프로세스를 평가할 수 있도록 지원하는 방법에 있어서, (a) 컴퓨팅 장치가, 이전에 학습이 완료된 객체 검출 CNN(Convolutional Neural Network)에 포함된 하나 이상의 컨벌루션 레이어로 하여금, 이에 입력된 하나 이상의 참조 이미지에 하나 이상의 컨벌루션 연산을 적용하여 하나 이상의 참조 컨벌루션 특징 맵을 생성하도록 한 후, 상기 객체 검출 CNN에 포함된 하나 이상의 ROI(region of interest) 풀링 레이어로 하여금, 상기 객체 검출 CNN과 연동된 RPN으로부터 상기 참조 컨벌루션 특징 맵 상의 ROI에 대한 정보를 획득하고, 상기 ROI에 대응하는 값 중 적어도 일부를 풀링하여 하나 이상의 참조 ROI 풀링된 특징 맵을 생성하도록 하는 단계; 및 (b) 상기 컴퓨팅 장치가, 대표 선택 유닛으로 하여금, 상기 참조 이미지 상의 상기 ROI에 포함된 객체의 클래스에 관한 정보를 참조로 하여 상기 참조 ROI 풀링된 특징 맵을 분류한 후, 각 클래스 당 적어도 하나의 대표 특징 맵을 생성하도록 하여, 상기 관리자가 상기 객체 검출 CNN의 상기 검출 프로세스를 평가할 수 있도록 지원하는 단계; 를 포함하는 것을 특징으로 하는 방법이 개시된다.
일 실시예에서, 상기 (b) 단계 이전에, 상기 컴퓨팅 장치가, 상기 대표 선택 유닛으로 하여금, (i) 상기 객체 검출 CNN의 적어도 하나의 FC(fully connected) 레이어에 포함된 FC 뉴런 간의 관계를 분석하고, (ii) 상기 FC 레이어에 입력된 특징 맵에 대응하는 객체에 대한 정보가 특정 클래스에 대응하는지를 판단하는데 이용되는 특정 최종 FC 출력 값을 생성하는, 특정 FC 뉴런의 파라미터의 특정 세트를 획득한 후, (iii) 상기 파라미터의 상기 특정 세트를 참조하여 특정 통합 파라미터 벡터를 생성하도록 하고, 상기 (b) 단계에서, 상기 컴퓨팅 장치가, 상기 대표 선택 유닛으로 하여금, 상기 특정 통합 파라미터 벡터를 사용하는 벡터 연산을 상기 특정 클래스에 대응하는 하나 이상의 특정 참조 ROI 풀링된 특징 맵에 적용함으로써 하나 이상의 특정 참조 FC 특징 맵을 생성하도록 한 후, 상기 특정 참조 FC 특징 맵을 참조로 하여 상기 특정 클래스에 대응하는 적어도 하나의 특정 대표 특징 맵을 생성하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 특정 통합 파라미터 벡터는 하기 수식에 따라 생성되고,
Figure pat00001
상기 수식에서,
Figure pat00002
는 상기 특정 클래스
Figure pat00003
에 대응하는 상기 특정 통합 파라미터 벡터를 의미하고,
Figure pat00004
는 상기 참조 이미지 중 하나에서 좌표
Figure pat00005
에 위치한 상기 ROI중 하나에 대응하는 상기 특정 참조 ROI 풀링된 특징 맵 중 하나에 포함된 제k 채널의 값을 의미하며,
Figure pat00006
는 상기 특정 최종 FC 출력 값을 의미하며,
Figure pat00007
은 상기 특정 참조 ROI 풀링된 특징 맵의 채널의 개수를 의미하는 것을 특징으로 한다.
일 실시예에서, 상기 (b) 단계에서, 상기 컴퓨팅 장치가, 상기 대표 선택 유닛으로 하여금, 상기 특정 참조 FC 특징 맵에 포함된 각 요소의 각 평균을 계산함으로써 상기 특정 대표 특징 맵을 생성하도록 하는 것을 특징으로 한다.
일 실시예에서, (c) 상기 컴퓨팅 장치가, 상기 대표 선택 유닛으로 하여금, 상기 특정 대표 특징 맵을 참조로 하여 상기 특정 참조 FC 특징 맵 중 적어도 일부를 선택하도록 하고, 상기 선택된 특정 참조 FC 특징 맵에 대응하는 상기 참조 이미지 중 일부를 상기 특정 클래스에 대응하는 특정 참조 이미지로서 설정하도록 함으로써, 상기 관리자가 상기 객체 검출 CNN의 상기 검출 프로세스를 평가할 수 있도록 지원하는 단계; 를 더 포함하는 것을 특징으로 한다.
일 실시예에서, 상기 (c) 단계에서, 상기 컴퓨팅 장치가, 상기 대표 선택 유닛으로 하여금, 상기 특정 대표 특징 맵과 상기 특정 참조 FC 특징 맵 간 거리에 대한 정보를 생성한 후, 상기 특정 대표 이미지를 설정하기 위해, 상기 특정 대표 특징 맵으로부터의 거리가 가장 짧은 상기 특정 참조 FC 특징 맵 중 일부를 선택하도록 하되, 상기 선택된 특정 참조 FC 특징 맵의 개수와 상기 특정 참조 FC 특징 맵의 개수에 대한 특정 비율이 기설정된 것을 특징으로 한다.
일 실시예에서, 상기 (b) 단계에서, 상기 컴퓨팅 장치가, 상기 대표 선택 유닛으로 하여금, 상기 클래스에 관한 정보를 참조로 하여 상기 참조 ROI 풀링된 특징 맵을 분류한 후, 특정 클래스에 속하는 객체에 대응하는 특정 참조 ROI 풀링된 특징 맵에 포함된 각 요소의 각 평균을 계산하도록 함으로써, 상기 특정 클래스에 대응하는 적어도 하나의 특정 대표 특징 맵을 생성하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 (a) 단계 이전에, 상기 컴퓨팅 장치가, 하나 이상의 트레이닝 이미지가 획득되면, 상기 객체 검출 CNN으로 하여금, 상기 트레이닝 이미지에 상기 컨벌루션 레이어, 상기 ROI 풀링 레이어 및 FC 레이어의 연산을 적용하여 학습용 출력 값을 생성하도록 한 후, 상기 학습용 출력 값 및 이에 대응하는 GT(Ground Truth)를 이용한 백프로퍼게이션(backpropagation)을 수행하여 상기 컨벌루션 레이어, 상기 ROI 풀링 레이어 및 상기 FC 레이어 중 적어도 일부에 대한 파라미터를 학습하도록 하되, 상기 트레이닝 이미지는 상기 참조 이미지 중 적어도 일부를 포함하는 것을 특징으로 한다.
본 발명의 다른 태양에 따르면, 자율 주행에 대한 논리적 근거를 제시하기 위하여, 적어도 하나의 관리자가 하나 이상의 객체 검출기의 하나 이상의 검출 프로세스를 평가할 수 있도록 지원하는 테스팅 방법에 있어서, (a) 준비 장치가, (1) 이전에 학습이 완료된 객체 검출 CNN(Convolutional Neural Network)에 포함된 하나 이상의 컨벌루션 레이어로 하여금, 이에 입력된 하나 이상의 참조 이미지에 하나 이상의 컨벌루션 연산을 적용하여 하나 이상의 참조 컨벌루션 특징 맵을 생성하도록 한 후, 상기 객체 검출 CNN에 포함된 하나 이상의 ROI(region of interest) 풀링 레이어로 하여금, 상기 객체 검출 CNN과 연동된 RPN으로부터 상기 참조 컨벌루션 특징 맵 상의 ROI에 대한 정보를 획득하고, 상기 ROI에 대응하는 값 중 적어도 일부를 풀링하여 하나 이상의 참조 ROI 풀링된 특징 맵을 생성하도록 하고, (2) 대표 선택 유닛으로 하여금, 상기 참조 이미지 상의 상기 ROI에 포함된 객체의 클래스에 관한 정보를 참조로 하여 상기 참조 ROI 풀링된 특징 맵을 분류한 후, 각 클래스 당 적어도 하나의 대표 특징 맵을 생성하도록 하여, 상기 관리자가 상기 객체 검출 CNN의 상기 검출 프로세스를 평가할 수 있도록 지원한 상태에서, 테스팅 장치가, 테스트 이미지를 획득하면, 상기 객체 검출 CNN으로 하여금 이에 포함된, 상기 컨벌루션 레이어 및 상기 ROI 풀링 레이어 및 FC 레이어를 이용하여 하나 이상의 테스팅 ROI 풀링된 특징 맵을 생성하도록 하는 단계; 및 (b) 상기 테스팅 장치가, 평가 유닛으로 하여금, 테스트용 특정 객체의 특정 클래스에 대응하는 적어도 하나의 특정 대표 특징 맵 및 특정 테스팅 ROI 풀링된 특징 맵을 참조로 하여, 상기 테스트 이미지에 포함된 테스트용 객체 중 상기 테스트용 특정 객체에 대한 객체 검출 결과에 대응하는 신뢰도 점수를 생성하도록 하는 단계; 를 포함하는 것을 특징으로 한다.
일 실시예에서, 상기 (b) 단계에서, 상기 특정 대표 특징 맵을 포함하는 대표 특징 맵이 참조 FC 특징 맵을 이용하여 생성된 경우, 상기 테스팅 장치가, 상기 평가 유닛으로 하여금, 상기 특정 테스팅 ROI 풀링된 특징 맵에 FC 연산을 적용하여 생성된 특정 테스팅 FC 특징 맵 및 상기 특정 대표 특징 맵 간 거리에 관한 정보를 생성하도록 하고, 상기 거리에 대한 정보를 참조로 하여 상기 신뢰도 점수를 생성하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 (b) 단계에서, 상기 특정 대표 특징 맵을 포함하는 대표 특징 맵이 참조 ROI 풀링된 특징 맵을 이용하여 생성된 경우, 상기 테스팅 장치가, 상기 평가 유닛으로 하여금, 상기 특정 대표 특징 맵과 상기 특정 테스팅 ROI 풀링된 특징 맵 간 거리에 관한 정보를 생성하도록 하고, 상기 거리에 관한 정보를 참조로 하여 상기 신뢰도 점수를 생성하도록 하는 것을 특징으로 한다.
일 실시예에서, (c) 상기 테스팅 장치가, 상기 평가 유닛으로 하여금, 상기 특정 클래스에 대응하는 특정 대표 이미지 중 적어도 일부를 디스플레이하여, 상기 관리자가 상기 객체 검출 CNN의 검출 프로세스를 평가할 수 있도록 지원하는 단계;를 더 포함하는 것을 특징으로 한다.
일 실시예에서, 상기 특정 대표 특징 맵을 포함하는 대표 특징 맵이 참조 FC 특징 맵을 이용하여 생성된 경우, 상기 테스팅 장치가, 상기 평가 유닛으로 하여금, 상기 특정 테스팅 ROI 풀링된 특징 맵을 사용하여 생성된 특정 테스팅 FC 특징 맵 및 상기 특정 대표 이미지에 대응하는 특정 참조 FC 특징 맵 간 거리에 관한 정보를 생성하도록 하고, 디스플레이할 상기 특정 대표 이미지 중 일부를 선택하기 위해 상기 거리에 관한 정보를 참조로 하여 상기 특정 참조 FC 특징 맵 중 일부를 선택하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 특정 대표 특징 맵을 포함하는 대표 특징 맵이 상기 참조 ROI 풀링된 특징 맵을 이용하여 생성된 경우, 상기 테스팅 장치가, 상기 평가 유닛으로 하여금, 상기 특정 대표 이미지에 대응하는 특정 참조 ROI 풀링된 특징 맵 및 상기 특정 테스팅 ROI 풀링된 특징 맵 간 거리에 관한 정보를 생성하도록 한 후, 디스플레이할 상기 특정 대표 이미지 중 일부를 선택하기 위해 상기 거리에 관한 정보를 참조로 하여 상기 특정 참조 FC 특징 맵 중 일부를 선택하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 (b) 단계에서, 상기 테스팅 장치가, 상기 객체 검출 CNN으로 하여금, 상기 FC 레이어를 이용하여 상기 테스트 이미지에 포함된 상기 테스트용 객체의 클래스에 관한 정보를 획득하도록 하고, 상기 평가 유닛으로 하여금, 상기 테스트용 객체의 클래스에 관한 상기 정보에 포함된, 상기 테스트용 특정 객체의 상기 특정 클래스에 관한 정보를 참조로 하여 상기 특정 대표 특징 맵을 선택하도록 하는 것을 특징으로 한다.
본 발명의 다른 태양에 따르면, 자율 주행에 대한 논리적 근거를 제시하기 위하여, 적어도 하나의 관리자가 하나 이상의 객체 검출기의 하나 이상의 검출 프로세스를 평가할 수 있도록 지원하는 컴퓨팅 장치에 있어서, 적어도 하나의 인스트럭션들을 저장하는 적어도 하나의 메모리; 및 (I) 이전에 학습이 완료된 객체 검출 CNN(Convolutional Neural Network)에 포함된 하나 이상의 컨벌루션 레이어로 하여금, 이에 입력된 하나 이상의 참조 이미지에 하나 이상의 컨벌루션 연산을 적용하여 하나 이상의 참조 컨벌루션 특징 맵을 생성하도록 한 후, 상기 객체 검출 CNN에 포함된 하나 이상의 ROI(region of interest) 풀링 레이어로 하여금, 상기 객체 검출 CNN과 연동된 RPN으로부터 상기 참조 컨벌루션 특징 맵 상의 ROI에 대한 정보를 획득하고, 상기 ROI에 대응하는 값 중 적어도 일부를 풀링하여 하나 이상의 참조 ROI 풀링된 특징 맵을 생성하도록 하는 프로세스 및 (II) 대표 선택 유닛으로 하여금, 상기 참조 이미지 상의 상기 ROI에 포함된 객체의 클래스에 관한 정보를 참조로 하여 상기 참조 ROI 풀링된 특징 맵을 분류한 후, 각 클래스 당 적어도 하나의 대표 특징 맵을 생성하도록 하여, 상기 관리자가 상기 객체 검출 CNN의 상기 검출 프로세스를 평가할 수 있도록 지원하는 프로세스를 수행하기 위한 상기 인스트럭션들을 실행하도록 구성된 적어도 하나의 프로세서;를 포함하는 것을 특징으로 하는 컴퓨팅 장치를 개시한다.
일 실시예에서, 상기 (II) 프로세스 이전에, 상기 프로세서가, 상기 대표 선택 유닛으로 하여금, (i) 상기 객체 검출 CNN의 적어도 하나의 FC(fully connected) 레이어에 포함된 FC 뉴런 간의 관계를 분석하고, (ii) 상기 FC 레이어에 입력된 특징 맵에 대응하는 객체에 대한 정보가 특정 클래스에 대응하는지를 판단하는데 이용되는 특정 최종 FC 출력 값을 생성하는, 특정 FC 뉴런의 파라미터의 특정 세트를 획득한 후, (iii) 상기 파라미터의 상기 특정 세트를 참조하여 특정 통합 파라미터 벡터를 생성하도록 하고, 상기 (II) 프로세스에서, 상기 프로세서가, 상기 대표 선택 유닛으로 하여금, 상기 특정 통합 파라미터 벡터를 사용하는 벡터 연산을 상기 특정 클래스에 대응하는 하나 이상의 특정 참조 ROI 풀링된 특징 맵에 적용함으로써 하나 이상의 특정 참조 FC 특징 맵을 생성하도록 한 후, 상기 특정 참조 FC 특징 맵을 참조로 하여 상기 특정 클래스에 대응하는 적어도 하나의 특정 대표 특징 맵을 생성하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 특정 통합 파라미터 벡터는 하기 수식에 따라 생성되고,
Figure pat00008
상기 수식에서,
Figure pat00009
는 상기 특정 클래스
Figure pat00010
에 대응하는 상기 특정 통합 파라미터 벡터를 의미하고,
Figure pat00011
는 상기 참조 이미지 중 하나에서 좌표
Figure pat00012
에 위치한 상기 ROI중 하나에 대응하는 상기 특정 참조 ROI 풀링된 특징 맵 중 하나에 포함된 제k 채널의 값을 의미하며,
Figure pat00013
는 상기 특정 최종 FC 출력 값을 의미하며,
Figure pat00014
은 상기 특정 참조 ROI 풀링된 특징 맵의 채널의 개수를 의미하는 것을 특징으로 한다.
일 실시예에서, 상기 (II) 프로세스에서, 상기 프로세서가, 상기 대표 선택 유닛으로 하여금, 상기 특정 참조 FC 특징 맵에 포함된 각 요소의 각 평균을 계산함으로써 상기 특정 대표 특징 맵을 생성하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 프로세서가, (III) 상기 대표 선택 유닛으로 하여금, 상기 특정 대표 특징 맵을 참조로 하여 상기 특정 참조 FC 특징 맵 중 적어도 일부를 선택하도록 하고, 상기 선택된 특정 참조 FC 특징 맵에 대응하는 상기 참조 이미지 중 일부를 상기 특정 클래스에 대응하는 특정 참조 이미지로서 설정하도록 함으로써, 상기 관리자가 상기 객체 검출 CNN의 상기 검출 프로세스를 평가할 수 있도록 지원하는 프로세스를 더 수행하는 것을 특징으로 한다.
일 실시예에서, 상기 (III) 프로세스에서, 상기 프로세서가, 상기 대표 선택 유닛으로 하여금, 상기 특정 대표 특징 맵과 상기 특정 참조 FC 특징 맵 간 거리에 대한 정보를 생성한 후, 상기 특정 대표 이미지를 설정하기 위해, 상기 특정 대표 특징 맵으로부터의 거리가 가장 짧은 상기 특정 참조 FC 특징 맵 중 일부를 선택하도록 하되, 상기 선택된 특정 참조 FC 특징 맵의 개수와 상기 특정 참조 FC 특징 맵의 개수에 대한 특정 비율이 기설정된 것을 특징으로 한다.
일 실시예에서, 상기 (II) 프로세스에서, 상기 프로세서가, 상기 대표 선택 유닛으로 하여금, 상기 클래스에 관한 정보를 참조로 하여 상기 참조 ROI 풀링된 특징 맵을 분류한 후, 특정 클래스에 속하는 객체에 대응하는 특정 참조 ROI 풀링된 특징 맵에 포함된 각 요소의 각 평균을 계산하도록 함으로써, 상기 특정 클래스에 대응하는 적어도 하나의 특정 대표 특징 맵을 생성하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 (I) 프로세스 이전에, 상기 프로세서가, 하나 이상의 트레이닝 이미지가 획득되면, 상기 객체 검출 CNN으로 하여금, 상기 트레이닝 이미지에 상기 컨벌루션 레이어, 상기 ROI 풀링 레이어 및 FC 레이어의 연산을 적용하여 학습용 출력 값을 생성하도록 한 후, 상기 학습용 출력 값 및 이에 대응하는 GT(Ground Truth)를 이용한 백프로퍼게이션(backpropagation)을 수행하여 상기 컨벌루션 레이어, 상기 ROI 풀링 레이어 및 상기 FC 레이어 중 적어도 일부에 대한 파라미터를 학습하도록 하되, 상기 트레이닝 이미지는 상기 참조 이미지 중 적어도 일부를 포함하는 것을 특징으로 한다.
본 발명의 다른 태양에 따르면, 자율 주행에 대한 논리적 근거를 제시하기 위하여, 적어도 하나의 관리자가 하나 이상의 객체 검출기의 하나 이상의 검출 프로세스를 평가할 수 있도록 지원하는 테스팅 장치에 있어서, 적어도 하나의 인스트럭션들을 저장하는 적어도 하나의 메모리; 및 (I) 준비 장치가, (1) 이전에 학습이 완료된 객체 검출 CNN(Convolutional Neural Network)에 포함된 하나 이상의 컨벌루션 레이어로 하여금, 이에 입력된 하나 이상의 참조 이미지에 하나 이상의 컨벌루션 연산을 적용하여 하나 이상의 참조 컨벌루션 특징 맵을 생성하도록 한 후, 상기 객체 검출 CNN에 포함된 하나 이상의 ROI(region of interest) 풀링 레이어로 하여금, 상기 객체 검출 CNN과 연동된 RPN으로부터 상기 참조 컨벌루션 특징 맵 상의 ROI에 대한 정보를 획득하고, 상기 ROI에 대응하는 값 중 적어도 일부를 풀링하여 하나 이상의 참조 ROI 풀링된 특징 맵을 생성하도록 하고, (2) 대표 선택 유닛으로 하여금, 상기 참조 이미지 상의 상기 ROI에 포함된 객체의 클래스에 관한 정보를 참조로 하여 상기 참조 ROI 풀링된 특징 맵을 분류한 후, 각 클래스 당 적어도 하나의 대표 특징 맵을 생성하도록 하여, 상기 관리자가 상기 객체 검출 CNN의 상기 검출 프로세스를 평가할 수 있도록 지원한 상태에서, 테스트 이미지를 획득하면, 상기 객체 검출 CNN으로 하여금 이에 포함된, 상기 컨벌루션 레이어 및 상기 ROI 풀링 레이어 및 FC 레이어를 이용하여 하나 이상의 테스팅 ROI 풀링된 특징 맵을 생성하도록 하는 프로세스 및 (II) 평가 유닛으로 하여금, 테스트용 특정 객체의 특정 클래스에 대응하는 적어도 하나의 특정 대표 특징 맵 및 특정 테스팅 ROI 풀링된 특징 맵을 참조로 하여, 상기 테스트 이미지에 포함된 테스트용 객체 중 상기 테스트용 특정 객체에 대한 객체 검출 결과에 대응하는 신뢰도 점수를 생성하도록 하는 프로세스를 수행하기 위한 상기 인스트럭션들을 실행하도록 구성된 적어도 하나의 프로세서; 를 포함하는 것을 특징으로 하는 테스팅 장치가 개시된다.
일 실시예에서, 상기 (II) 프로세스에서, 상기 특정 대표 특징 맵을 포함하는 대표 특징 맵이 참조 FC 특징 맵을 이용하여 생성된 경우, 상기 프로세서가, 상기 평가 유닛으로 하여금, 상기 특정 테스팅 ROI 풀링된 특징 맵에 FC 연산을 적용하여 생성된 특정 테스팅 FC 특징 맵 및 상기 특정 대표 특징 맵 간 거리에 관한 정보를 생성하도록 하고, 상기 거리에 대한 정보를 참조로 하여 상기 신뢰도 점수를 생성하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 (II) 프로세스에서, 상기 특정 대표 특징 맵을 포함하는 대표 특징 맵이 참조 ROI 풀링된 특징 맵을 이용하여 생성된 경우, 상기 프로세서가, 상기 평가 유닛으로 하여금, 상기 특정 대표 특징 맵과 상기 특정 테스팅 ROI 풀링된 특징 맵 간 거리에 관한 정보를 생성하도록 하고, 상기 거리에 관한 정보를 참조로 하여 상기 신뢰도 점수를 생성하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 프로세서가, (III) 상기 평가 유닛으로 하여금, 상기 특정 클래스에 대응하는 특정 대표 이미지 중 적어도 일부를 디스플레이하여, 상기 관리자가 상기 객체 검출 CNN의 검출 프로세스를 평가할 수 있도록 지원하는 프로세스를 더 수행하는 것을 특징으로 한다.
일 실시예에서, 상기 특정 대표 특징 맵을 포함하는 대표 특징 맵이 참조 FC 특징 맵을 이용하여 생성된 경우, 상기 프로세서가, 상기 평가 유닛으로 하여금, 상기 특정 테스팅 ROI 풀링된 특징 맵을 사용하여 생성된 특정 테스팅 FC 특징 맵 및 상기 특정 대표 이미지에 대응하는 특정 참조 FC 특징 맵 간 거리에 관한 정보를 생성하도록 하고, 디스플레이할 상기 특정 대표 이미지 중 일부를 선택하기 위해 상기 거리에 관한 정보를 참조로 하여 상기 특정 참조 FC 특징 맵 중 일부를 선택하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 특정 대표 특징 맵을 포함하는 대표 특징 맵이 상기 참조 ROI 풀링된 특징 맵을 이용하여 생성된 경우, 상기 프로세서가, 상기 평가 유닛으로 하여금, 상기 특정 대표 이미지에 대응하는 특정 참조 ROI 풀링된 특징 맵 및 상기 특정 테스팅 ROI 풀링된 특징 맵 간 거리에 관한 정보를 생성하도록 한 후, 디스플레이할 상기 특정 대표 이미지 중 일부를 선택하기 위해 상기 거리에 관한 정보를 참조로 하여 상기 특정 참조 FC 특징 맵 중 일부를 선택하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 (II) 프로세스에서, 상기 프로세서가, 상기 객체 검출 CNN으로 하여금, 상기 FC 레이어를 이용하여 상기 테스트 이미지에 포함된 상기 테스트용 객체의 클래스에 관한 정보를 획득하도록 하고, 상기 평가 유닛으로 하여금, 상기 테스트용 객체의 클래스에 관한 상기 정보에 포함된, 상기 테스트용 특정 객체의 상기 특정 클래스에 관한 정보를 참조로 하여 상기 특정 대표 특징 맵을 선택하도록 하는 것을 특징으로 한다.
Figure pat00015
본 발명은 각 객체에 대한 각 대표 특징 맵을 사용하여 객체 검출기의 각 판단 결과를 평가하는 방법을 제공함으로써 자율 주행의 신뢰성에 대한 근거를 제시할 수 있게 되는 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, 자율 주행에 대한 논리적 근거를 제시하기 위하여, 관리자가 객체 검출기의 객체 검출 프로세스를 평가할 수 있도록 지원하는 방법을 수행하는 컴퓨팅 장치의 구성을 개략적으로 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른, 자율 주행에 대한 논리적 근거를 제시하기 위하여, 관리자가 객체 검출기의 객체 검출 프로세스를 평가할 수 있도록 지원하는 방법을 수행하는, 상기 컴퓨팅 장치에 포함된 객체 검출 CNN의 구성을 개략적으로 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른, 자율 주행에 대한 논리적 근거를 제시하기 위하여, 관리자가 객체 검출기의 객체 검출 프로세스를 평가할 수 있도록 지원하는 방법에 대한 준비 프로세스에서의 흐름을 개략적으로 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따른, 자율 주행에 대한 논리적 근거를 제시하기 위하여, 관리자가 객체 검출기의 객체 검출 프로세스를 평가할 수 있도록 지원하는 방법에 대한 테스팅 프로세스에서의 흐름을 개략적으로 나타낸 도면이다.
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 물체(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 물체(가령, 자동차, 사람, 동물, 식물, 물건, 건물, 비행기나 드론과 같은 비행체, 기타 장애물)를 상정할 수 있을 것이나, 반드시 이에 한정되는 것은 아니다.
참고로, 하기 설명에서, 혼동을 피하기 위해, 학습 프로세스와 관련한 용어에는 "학습용" 또는 "트레이닝" 문구가, 테스팅 프로세스와 관련한 용어에는 "테스트용" 또는 "테스팅" 문구가 추가된다.
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, 자율 주행에 대한 논리적 근거를 제시하기 위하여, 관리자가 객체 검출기의 객체 검출 프로세스를 평가할 수 있도록 지원하는 방법을 수행하는 컴퓨팅 장치의 구성을 개략적으로 나타낸 도면이다.
도 1을 참조로 하면, 컴퓨팅 장치(100)는, 적어도 하나의 객체 검출 CNN(200), 대표 선택 유닛(300) 및 평가 유닛(400)을 포함할 수 있다. 이 때, 상기 객체 검출 CNN(200), 상기 대표 선택 유닛(300) 및 상기 평가 유닛(400)의 입출력 및 연산 과정은, 상기 컴퓨팅 장치(100)에 포함된 통신부(110) 및 프로세서(120)에 의해 각각 이루어질 수 있다. 또한, 상기 컴퓨팅 장치(100)에 포함된 메모리(115)는 후술할 여러 가지 인스트럭션들을 저장한 상태일 수 있고, 상기 프로세서(120)는 상기 메모리(115)에 저장된 상기 인스트럭션들을 수행할 수 있고, 추후 설명할 상기 인스트럭션들을 수행함으로써 본 발명의 프로세스를 수행할 수 있다. 이와 같은 상기 컴퓨팅 장치(100)가 묘사되었다고 하여, 상기 컴퓨팅 장치(100)가 프로세서, 메모리, 매체 또는 기타 연산 요소를 포함한 통합 장치를 배제하는 것은 아니다.
이 때 상기 객체 검출 CNN(200)의 구성에 대해 살피기 위해 도 2를 참조하기로 한다.
도 2는 본 발명의 일 실시예에 따른, 자율 주행에 대한 논리적 근거를 제시하기 위하여, 관리자가 객체 검출기의 객체 검출 프로세스를 평가할 수 있도록 지원하는 방법을 수행하는, 상기 컴퓨팅 장치에 포함된 객체 검출 CNN의 구성을 개략적으로 나타낸 도면이다.
이 때, 상기 객체 검출 CNN(200)은 적어도 하나의 컨벌루션 레이어(210), 적어도 하나의 ROI 풀링 레이어(220) 및 적어도 하나의 FC 레이어(230)를 포함할 수 있다. 상기 컨벌루션 레이어(210)는 상기 객체 검출 CNN(200)에 입력된 적어도 하나의 입력 이미지에 하나 이상의 컨벌루션 연산을 적용함으로써 적어도 하나의 특징 맵을 생성할 수 있고, 상기 ROI 풀링 레이어(220)는 상기 컨벌루션 특징 맵 상에서, 상기 각각의 ROI에 대응하는 각 영역에 하나 이상의 풀링 연산을 적용할 수 있다. 이후, 상기 FC 레이어(230)는, 각각의 상기 ROI에 대응하는 각 ROI 풀링된 특징 맵에 하나 이상의 FC 연산을 적용하여, 상기 입력 이미지에 대한 각 객체를 포함하는 각 바운딩 박스와 이에 대응하는 클래스에 관한 정보를 생성할 수 있다. 상기 객체 검출 CNN(200)은, 본 발명의 일 실시예에 따른 방법을 적용하기 전에 학습이 완료되었을 수 있다.
상기 객체 검출 CNN(200) 이외에 상기 대표 선택 유닛(300) 및 상기 평가 유닛(400)은 추후 상세히 설명하도록 한다.
도 3은 본 발명의 일 실시예에 따른, 자율 주행에 대한 논리적 근거를 제시하기 위하여, 관리자가 객체 검출기의 객체 검출 프로세스를 평가할 수 있도록 지원하는 방법에 대한 준비 프로세스에서의 흐름을 개략적으로 나타낸 도면이다.
도 3을 참조하면, 먼저, 상기 컴퓨팅 장치(100)는, 하나 이상의 대표 특징 맵을 생성하기 위한, 하나 이상의 참조 이미지를 획득하거나 타 장치가 하나 이상의 참조 이미지를 획득하도록 지원할 수 있다. 이 때, 상기 참조 이미지는, 상기 객체 검출 CNN(200)이 객체 검출을 학습하기 위해 사용하였던 트레이닝 이미지 중 적어도 일부를 포함할 수 있다. 구체적으로, 상기 트레이닝 이미지는 상기 객체 검출 CNN(200)에 입력되어, 상기 컨벌루션 레이어(210), 상기 ROI 풀링 레이어(220) 및 상기 FC 레이어(230)를 통해 연산됨으로써 학습용 결과 값이 생성될 수 있다. 또한, 상기 학습용 결과 값 및 이에 대응하는 GT를 이용한 백프로퍼게이션(backpropagation)을 수행하여, 상기 컨벌루션 레이어(210), 상기 ROI 풀링 레이어(220) 및 상기 FC 레이어(230) 중 적어도 일부의 파라미터를 학습할 수 있다. 위와 같이 상기 트레이닝 이미지가 사용된 후, 상기 트레이닝 이미지 중 적어도 일부가 상기 참조 이미지에 포함될 수 있다. 그러나 본 발명의 범위는 이에 한정되지 않는다.
이와 같은 참조 이미지가 획득되면, 상기 컴퓨팅 장치(100)는, 상기 객체 검출 CNN(200)으로 하여금, 상기 참조 이미지에 각 레이어의 각 연산을 적용하도록 할 수 있다. 구체적으로, 상기 컨벌루션 레이어(210)는, 상기 참조 이미지에 상기 컨벌루션 연산을 적용하여, 상기 참조 이미지에 대응하는 하나 이상의 참조 컨벌루션 특징 맵을 생성할 수 있다. 그리고, 이러한 프로세스와 동시에, 상기 객체 검출 CNN(200)을 지원하는 RPN은, 상기 참조 이미지 상에서 각각의 상기 객체가 존재하는 것으로 추정되는 영역인 상기 ROI를 생성하고, 상기 ROI를 상기 객체 검출 CNN(200)에 전달할 수 있다. 이후, 상기 ROI 풀링 레이어(220)는, 상기 참조 특징 맵 상에서, 각각의 상기 ROI에 대응하는 각 영역 값에 상기 풀링 연산을 적용하여 하나 이상의 참조 ROI 풀링된 특징 맵을 생성할 수 있다.
상기 참조 ROI 풀링된 특징 맵이 생성되면, 상기 컴퓨팅 장치(100)는 상기 참조 ROI 풀링된 특징 맵을 상기 대표 선택 유닛(300)에 전달할 수 있다. 상기 대표 선택 유닛(300)은, 상기 참조 이미지 상의 대응되는 ROI에 포함된 객체 클래스에 관한 정보를 참조로 하여, 상기 참조 ROI 풀링된 특징 맵을 클래스로 각각 분류할 수 있다. 이러한 정보는 각각의 상기 참조 이미지에 대응하는 각 GT로부터 획득될 수 있다. 이후, 상기 대표 선택 유닛(300)은 각각의 상기 참조 ROI 풀링된 특징 맵을 이용하여 각 클래스 별 각각의 상기 대표 특징 맵을 생성할 수 있는데, 이에 대해 이하 자세히 살피도록 한다.
일 예로, 상기 대표 선택 유닛(300)은, 특정 클래스에 속하는 객체를 가지는 특정 참조 ROI 풀링된 특징 맵에 포함된 각 구성요소의 각 평균을 계산하고, 상기 평균을 그 구성요소로서 하는, 상기 특정 클래스에 대한 특정 대표 특징 맵을 생성할 수 있다.
다른 예로, 상기 대표 선택 유닛(300)은, 상기 특정 클래스에 대한 상기 특정 대표 특징 맵을 생성하기 위한 선행 과정으로서, 상기 FC 레이어(230)에 포함된 FC 뉴런 간 관계를 분석하고, 상기 FC 뉴런 중 적어도 일부에 대응하는 파라미터 세트를 획득할 수 있다. 구체적으로, 상기 대표 선택 유닛(300)은, 특정 최종 FC 출력 값을 생성하는 데 사용된, 특정 FC 뉴런의 파라미터의 특정 세트를 획득할 수 있다. 상기 특정 최종 FC 출력 값은 입력된 특징 맵에 대응하는 객체가 특정 클래스에 포함되는지를 판단하는데 이용되는 값일 수 있다. 이후, 이러한 특정 세트가 획득되면, 상기 대표 선택 유닛(300)은 상기 특정 세트를 참조로 하여 특정 통합 파라미터 벡터를 생성할 수 있다. 이후, 상기 대표 선택 유닛(300)은, 상기 특정 클래스에 대응하는 상기 특정 참조 ROI 풀링된 특징 맵에, 상기 특정 통합 파라미터 벡터를 이용하는 하나 이상의 벡터 연산을 적용하여 특정 참조 FC 특징 맵을 생성할 수 있다. 일예로, 상기 벡터 연산에는 상기 특정 통합 파라미터 벡터와 상기 특정 참조 ROI 풀링된 특징 맵의 곱셈이 포함될 수 있다. 이후, 상기 대표 선택 유닛(300)은 상기 특정 참조 FC 특징 맵에 포함된 각 구성요소에 대한 각 평균을 계산하고, 상기 평균을 그 구성요소로서 하는, 특정 클래스에 대한 특정 대표 특징 맵을 생성할 수 있다.
예를 들어, 도 3의 상기 객체 검출 CNN(200)은 자신에게 입력된 이미지에 포함된 객체를 자동차, 보행자, 오토바이 등으로 분류할 수 있으며, 그후, 자동차 클래스, 보행자 클래스, 및 오토바이 클래스에 대응하는 각 대표 특징 맵이 생성될 수 있다. 도 3에서,
Figure pat00016
등은 전술한 상기 FC 레이어(230)에 포함된 상기 파라미터 중 상기 보행자
Figure pat00017
의 상기 클래스에 대응하는 보행자를 의미할 수 있다. 그 결과, 상기 보행자 클래스에 대응하는 상기 특정 통합 파라미터 벡터는, 이와 같이 상기 파라미터를 참조로 하여 생성될 수 있다.
상기 프로세스를 보다 상세히 설명하기 위해 이를 수식으로 표현하면 다음과 같다.
Figure pat00018
이때,
Figure pat00019
는 상기 특정 클래스
Figure pat00020
에 대한 상기 특정 통합 파라미터 벡터를,
Figure pat00021
는 상기 참조 이미지 중 하나에서 좌표
Figure pat00022
에 위치한 상기 ROI 중 하나에 대응하는 상기 특정 참조 ROI 풀링된 특징 맵 중 하나에 포함된 제k 채널 값을 의미할 수 있다. 그리고,
Figure pat00023
는 상기 특정 최종 FC 출력 값을,
Figure pat00024
은 상기 특정 참조 ROI 풀링된 맵의 채널의 개수를 의미할 수 있다. 상기의 수식을 참조로 하면 상기 특정 통합 파라미터 벡터를 생성하는 프로세스가 이해될 수 있다.
부가적으로, 상기 컴퓨팅 장치(100)는, 각 클래스 별 상기 대표 특징 맵 각각을 참조로 하여, 각 클래스 별 대표 이미지를 획득할 수 있다. 즉, 상기 컴퓨팅 장치(100)는, 상기 대표 선택 유닛(300)으로 하여금, 상기 특정 클래스에 대한, 상기 특정 대표 특징 맵을 생성하기 위해 사용한 특징 맵 중 적어도 일부를 선택하고, 상기 선택된 특징 맵에 대응하는 상기 참조 이미지 중 일부를, 상기 특정 클래스에 대한 특정 대표 이미지로서 설정할 수 있다. 구체적으로, 상기 컴퓨팅 장치(100)는 상기 대표 선택 유닛(300)으로 하여금 상기 특정 클래스에 대응하는 상기 특정 대표 특징 맵과 상기 특정 대표 특징 맵을 생성하는데 사용한 상기 특징 맵 간 거리에 관한 정보를 생성할 수 있고, 상기 참조 이미지 중 거리가 가장 짧은 상기 특징 맵에 대응하는 상기 참조 이미지 중 일부를 설정할 수 있다. 참고로, 상기 트레이닝 이미지의 개수에 대한 상기 참조 이미지 중 상기 일부의 개수의 비율은 기설정될 수 있다.
예를 들어, 전술했던 일 예의 결과대로, 상기 대표 선택 유닛(300)은, 상기 특정 대표 특징 맵과 상기 특정 참조 ROI 풀링된 특징 맵 간 거리에 대한 상기 정보를 생성할 수 있다. 전술했던 다른 예의 결과대로, 상기 대표 선택 유닛(300)은, 상기 특정 대표 특징 맵과 상기 특정 참조 FC 특징 맵 간 거리에 대한 정보를 생성할 수 있다. 이후의 과정은 양 예시가 서로 같다.
결과적으로, 상기 객체 검출 CNN(200)이 검출할 수 있는 클래스 별 상기 대표 특징 맵 및 상기 대표 이미지가 생성될 수 있다. 이하, 상기 대표 특징 맵을 이용하여 상기 컴퓨팅 장치(100)가 상기 테스팅 프로세스를 수행하는 방식을 살피도록 한다.
도 4는 본 발명의 일 실시예에 따른, 자율 주행에 대한 논리적 근거를 제시하기 위하여, 관리자가 객체 검출기의 객체 검출 프로세스를 평가할 수 있도록 지원하는 방법에 대한 테스팅 프로세스에서의 흐름을 개략적으로 나타낸 도면이다.
도 4를 참조하면, 상기 컴퓨팅 장치(100)는, 적어도 하나의 테스트 이미지를 획득하거나 타 장치가 적어도 하나의 테스트 이미지를 획득하도록 지원할 수 있다. 일 예로, 상기 컴퓨팅 장치(100)가 상기 자율 주행 차량에 탑재된 경우, 상기 테스트 이미지는 상기 자율 주행 차량이 운행하면서 카메라를 통해 획득한 이미지 중 하나일 수 있다. 상기 테스트 이미지가 획득되면, 상기 컴퓨팅 장치(100)는, 상기 객체 검출 CNN(200)으로 하여금, 상기 테스트 이미지에 각 레이어의 각 연산을 적용할 수 있다. 구체적으로, 상기 컨벌루션 레이어(210)는, 상기 테스트 이미지에 상기 컨벌루션 연산을 적용하여 상기 테스트 이미지에 대응하는 하나 이상의 테스팅 컨벌루션 특징 맵을 생성할 수 있다. 그리고, 이러한 프로세스와 동시에, 상기 객체 검출 CNN(200)을 지원하는 상기 RPN은, 상기 테스트 이미지 상에서 각각의 테스트용 객체가 존재하는 것으로 추정되는 각 영역인 테스트용 ROI를 생성하고, 상기 테스트용 ROI를 상기 객체 검출 CNN(200)에 전달할 수 있다. 이후, 상기 ROI 풀링 레이어(220)는, 상기 테스팅 컨벌루션 특징 맵 상에서, 각각의 상기 테스트용 ROI에 대응하는 각 영역에 상기 풀링 연산을 적용하여 하나 이상의 테스팅 ROI 풀링된 특징 맵을 생성할 수 있다.
이 후, 상기 FC 레이어(230)는 각각의 테스팅 ROI 풀링된 특징 맵에 상기 FC 연산을 적용하여 테스팅 FC 특징 맵 각각을 생성할 수 있고, 상기 테스트 이미지 상의 상기 각 테스트용 객체를 포함하는 각각의 테스트용 바운딩 박스에 관한 정보와 각각의 테스트용 객체에 관한 각 클래스에 관한 정보를 생성할 수 있다. 이때, 각 객체의 각 클래스에 관한 상기 정보는 상기 테스트용 특정 객체의 상기 특정 클래스에 관한 정보를 포함할 수 있다. 즉, 상기 테스팅 장치는 상기 객체 검출 CNN(200)으로 하여금 상기 FC 레이어(230)을 사용하여 상기 테스트 이미지에 포함된 상기 테스트용 객체의 클래스에 관한 정보를 획득하도록 할 수 있고, 상기 평가 유닛으로 하여금 상기 테스트용 객체의 상기 클래스에 관한 정보를 사용하여 상기 대표 특징 맵을 선택하도록 할 수 있다.
이때, 상기 컴퓨팅 장치(100)는, 상기 대표 특징 맵이 상기 참조 ROI 풀링된 특징 맵을 사용하여 생성된 경우라면, 상기 평가 유닛(400)으로 하여금, (i) 테스트용 특정 객체에 대응하는, 상기 테스팅 ROI 풀링된 특징 맵 중 특정 테스팅 ROI 풀링된 특징 맵과, (ii) 상기 테스트용 특정 객체를 포함한다고 추정되는 상기 특정 클래스에 대응하는 상기 특정 대표 특징 맵 간 거리에 관한 정보를 생성하도록 할 수 있고, 상기 거리에 대한 상기 정보를 참조로 하여 상기 테스트용 특정 객체에 관한 특정 신뢰도 점수를 생성하도록 할 수 있다.
또는, 상기 컴퓨팅 장치(100)는, 상기 대표 특징 맵이 상기 참조 FC 특징 맵을 사용하여 생성된 경우라면, 상기 평가 유닛(400)으로 하여금, (i) 상기 테스트용 특정 객체에 대응하는, 상기 테스팅 FC 특징 맵 중 특정 테스팅 FC 특징 맵과, (ii) 특정 대표 특징 맵 간 거리에 관한 정보를 생성하도록 할 수 있고, 상기 거리에 관한 상기 정보를 참조로 하여, 상기 테스트용 특정 객체에 대한 상기 특정 신뢰도 점수를 생성하도록 할 수 있다.
이 때, 상기 거리에 대한 상기 정보는 상기 두 개의 특징 맵 간 거리인 L1 거리 또는 L-p 거리인 유클리드 거리(Euclidean distance)를 계산함으로써 생성될 수 있으나, 본 발명의 범위는 이에 한정되는 것은 아닐 것이다.
또한, 상기 특정 신뢰도 점수를 계산하는 과정에 더하여, 상기 컴퓨팅 장치(100)는, 상기 평가 유닛(400)으로 하여금, 상기 특정 클래스에 대응하는 상기 특정 대표 이미지 중 적어도 일부를, 관리자에 의해 확인되거나 관리자에게 보여주는 이미지로서 획득할 수 있다.
이 때, 상기 평가 유닛(400)은, 상기 대표 특징 맵이 상기 참조 ROI 풀링된 특징 맵을 이용하여 생성된 경우, 상기 특정 대표 이미지에 대응하는 상기 특정 참조 ROI 풀링된 특징 맵 및 상기 특정 테스팅 ROI 풀링된 특징 맵 간 거리에 관한 정보를 생성하도록 한 후, 디스플레이할 상기 특정 대표 이미지 중 일부를 선택하기 위해 상기 거리에 관한 정보를 참조로 하여 상기 특정 참조 ROI 풀링된 특징 맵 중 일부를 선택하도록 할 수 있다. 이때, 상기 특정 대표 이미지는 상기 특정 참조 ROI 풀링된 특징 맵에 대응할 수 있다. 상기 거리에 대한 이러한 정보는 상기 관리자에게 보여질 때의 순서를 결정하기 위해 참조될 수 있다.
반면, 상기 평가 유닛(400)은, 상기 대표 특징 맵이 상기 참조 FC 특징 맵을 사용하여 생성된 경우, 상기 특정 대표 이미지에 대응하는 상기 특정 참조 FC 특징 맵 및 상기 특정 테스팅 FC 특징 맵 간 거리에 관한 정보를 생성하도록 한 후, 상기 거리에 관한 정보를 참조로 하여 상기 특정 참조 FC 특징 맵 중 일부를 선택하여 디스플레이할 상기 특정 대표 이미지 중 일부를 선택할 수 있다. 이때, 상기 특정 대표 이미지는 상기 특정 참조 FC 특징 맵에 대응할 수 있다. 상기 거리에 대한 이러한 정보는 상기 관리자에게 보여질 때의 순서를 결정하기 위해 참조될 수 있다.
상기에서 설명된 테스팅 방법은 연동된 상기 준비 프로세스와 함께 설명하고자 한다. 하기 설명에서, 준비 장치 및 테스팅 장치가 설명될 것이다. 상기 준비 장치 및 상기 테스팅 장치는 상기 컴퓨팅 장치(100)와 같이 동일한 컴퓨팅 장치일 수 있으나, 동일하지는 않을 것이다. 예를 들어, 상기 준비 장치는 상기 컴퓨팅 장치(100)일 수 있지만, 상기 테스팅 장치는 별도의 컴퓨팅 장치일 수 있다.
먼저, 상기 준비 장치가, (1) 이전에 학습이 완료된 상기 객체 검출 CNN(200)에 포함된 상기 컨벌루션 레이어(210)로 하여금, 이에 입력된 상기 참조 이미지에 상기 컨벌루션 연산을 적용하여 상기 참조 컨벌루션 특징 맵을 생성하도록 한 후, 상기 객체 검출 CNN(200)에 포함된 상기 ROI(region of interest) 풀링 레이어(220)로 하여금, 상기 객체 검출 CNN과 연동된 상기 RPN으로부터 상기 참조 컨벌루션 특징 맵 상의 상기 ROI에 대한 정보를 획득하고, 상기 ROI에 대응하는 값 중 적어도 일부를 풀링하여 하나 이상의 참조 ROI 풀링된 특징 맵을 생성하도록 하고, (2) 상기 대표 선택 유닛(300)으로 하여금, 상기 참조 이미지 상의 상기 ROI에 포함된 객체의 클래스에 관한 정보를 참조로 하여 상기 참조 ROI 풀링된 특징 맵을 분류한 후, 각 클래스 당 적어도 하나의 대표 특징 맵을 생성하도록 하여, 상기 관리자가 상기 객체 검출 CNN의 검출 프로세스를 평가할 수 있도록 지원한 상태에서, 상기 테스팅 장치가, 상기 테스트 이미지를 획득하면, 상기 객체 검출 CNN(200)으로 하여금 이에 포함된, 상기 컨벌루션 레이어(210) 및 상기 ROI 풀링 레이어(220) 및 FC 레이어(230)를 이용하여 상기 테스팅 ROI 풀링된 특징 맵을 생성하도록 할 수 있다.
이후, 상기 테스팅 장치는, 평가 유닛(400)으로 하여금, 테스트용 특정 객체의 특정 클래스에 대응하는 상기 특정 대표 특징 맵 및 상기 특정 테스팅 ROI 풀링된 특징 맵을 참조로 하여, 상기 테스트 이미지에 포함된 테스트용 객체 중 상기 테스트용 특정 객체에 대한 객체 검출 결과에 대응하는 상기 특정 신뢰도 점수를 생성하도록 할 수 있다.
각 객체의 프로세스를 수행함으로써 각 객체의 상기 판별 신뢰도를 판단하기 위한, 상기 이미지를 생성한 이후의 프로세스를 하기 설명하도록 한다.
먼저, 상기 신뢰도 점수는, 상기 컴퓨팅 장치(100)가 상기 자율 주행 차량에 탑재되어 있는 경우, 운전자에게 알림을 주는 용도로 사용될 수 있다. 즉, 상기 신뢰도 점수가 특정 임계 값 이하인 경우, 상기 객체 검출 CNN(200)은 더 이상 신뢰할 수 없게 되므로, 상기 운전자는, 상기 자율 주행 차량을 통제하고 상기 객체 검출 CNN(200)을 갱신할 수 있도록 알림을 받을 수 있다.
또한, 보여진 상기 특정 이미지 중 상기 적어도 일부는, 상기 프로그래머가 상기 객체 검출 CNN(200)을 유지보수할 때, 상기 객체 검출 CNN(200)이 어떤 식으로, 왜 잘못 동작한 것인지 파악하는데 도움을 줄 수 있다.
본 발명은 설명 가능한 AI를 사용한 자율 주행 시스템과 관련이 있다. 상기 설명 가능한 AI는 판별 프로세스를 판단하므로, 프로그래머는 상기 설명 가능한 AI를 포함하는 자율 주행 시스템을 더 쉽게 구축하면서 기능 안전을 도모할 수 있다. 예를 들어, 학습된 DNN은 자신에게 입력된 이미지로부터 특징 맵을 추출할 수 있고, 상기 특징 맵과 이에 대응하는 대표 특징 맵을 비교함으로써 상기 두 개의 특징 맵 간 유사 점수를 생성할 수 있으며, 이는 프로그래머가 분석할 수 있다. 그러므로 본 발명은 고장에 대한 저항력 및 극한 상황에서 변동에 대한 강인함을 위해 사용될 수 있다.
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 (30)

  1. 자율 주행에 대한 논리적 근거를 제시하기 위하여, 적어도 하나의 관리자가 하나 이상의 객체 검출기의 하나 이상의 검출 프로세스를 평가할 수 있도록 지원하는 방법에 있어서,
    (a) 컴퓨팅 장치가, 이전에 학습이 완료된 객체 검출 CNN(Convolutional Neural Network)에 포함된 하나 이상의 컨벌루션 레이어로 하여금, 이에 입력된 하나 이상의 참조 이미지에 하나 이상의 컨벌루션 연산을 적용하여 하나 이상의 참조 컨벌루션 특징 맵을 생성하도록 한 후, 상기 객체 검출 CNN에 포함된 하나 이상의 ROI(region of interest) 풀링 레이어로 하여금, 상기 객체 검출 CNN과 연동된 RPN으로부터 상기 참조 컨벌루션 특징 맵 상의 ROI에 대한 정보를 획득하고, 상기 ROI에 대응하는 값 중 적어도 일부를 풀링하여 하나 이상의 참조 ROI 풀링된 특징 맵을 생성하도록 하는 단계; 및
    (b) 상기 컴퓨팅 장치가, 대표 선택 유닛으로 하여금, 상기 참조 이미지 상의 상기 ROI에 포함된 객체의 클래스에 관한 정보를 참조로 하여 상기 참조 ROI 풀링된 특징 맵을 분류한 후, 각 클래스 당 적어도 하나의 대표 특징 맵을 생성하도록 하여, 상기 관리자가 상기 객체 검출 CNN의 상기 검출 프로세스를 평가할 수 있도록 지원하는 단계;
    를 포함하는 것을 특징으로 하는 방법.
  2. 제 1항에 있어서,
    상기 (b) 단계 이전에,
    상기 컴퓨팅 장치가, 상기 대표 선택 유닛으로 하여금, (i) 상기 객체 검출 CNN의 적어도 하나의 FC(fully connected) 레이어에 포함된 FC 뉴런 간의 관계를 분석하고, (ii) 상기 FC 레이어에 입력된 특징 맵에 대응하는 객체에 대한 정보가 특정 클래스에 대응하는지를 판단하는데 이용되는 특정 최종 FC 출력 값을 생성하는, 특정 FC 뉴런의 파라미터의 특정 세트를 획득한 후, (iii) 상기 파라미터의 상기 특정 세트를 참조하여 특정 통합 파라미터 벡터를 생성하도록 하고,
    상기 (b) 단계에서,
    상기 컴퓨팅 장치가, 상기 대표 선택 유닛으로 하여금, 상기 특정 통합 파라미터 벡터를 사용하는 벡터 연산을 상기 특정 클래스에 대응하는 하나 이상의 특정 참조 ROI 풀링된 특징 맵에 적용함으로써 하나 이상의 특정 참조 FC 특징 맵을 생성하도록 한 후, 상기 특정 참조 FC 특징 맵을 참조로 하여 상기 특정 클래스에 대응하는 적어도 하나의 특정 대표 특징 맵을 생성하도록 하는 것을 특징으로 하는 방법.
  3. 제 2항에 있어서,
    상기 특정 통합 파라미터 벡터는 하기 수식에 따라 생성되고,
    Figure pat00025

    상기 수식에서,
    Figure pat00026
    는 상기 특정 클래스
    Figure pat00027
    에 대응하는 상기 특정 통합 파라미터 벡터를 의미하고,
    Figure pat00028
    는 상기 참조 이미지 중 하나에서 좌표
    Figure pat00029
    에 위치한 상기 ROI중 하나에 대응하는 상기 특정 참조 ROI 풀링된 특징 맵 중 하나에 포함된 제k 채널의 값을 의미하며,
    Figure pat00030
    는 상기 특정 최종 FC 출력 값을 의미하며,
    Figure pat00031
    은 상기 특정 참조 ROI 풀링된 특징 맵의 채널의 개수를 의미하는 것을 특징으로 하는 방법.
  4. 제 2항에 있어서,
    상기 (b) 단계에서,
    상기 컴퓨팅 장치가, 상기 대표 선택 유닛으로 하여금, 상기 특정 참조 FC 특징 맵에 포함된 각 요소의 각 평균을 계산함으로써 상기 특정 대표 특징 맵을 생성하도록 하는 것을 특징으로 하는 방법.
  5. 제 2항에 있어서,
    (c) 상기 컴퓨팅 장치가, 상기 대표 선택 유닛으로 하여금, 상기 특정 대표 특징 맵을 참조로 하여 상기 특정 참조 FC 특징 맵 중 적어도 일부를 선택하도록 하고, 상기 선택된 특정 참조 FC 특징 맵에 대응하는 상기 참조 이미지 중 일부를 상기 특정 클래스에 대응하는 특정 참조 이미지로서 설정하도록 함으로써, 상기 관리자가 상기 객체 검출 CNN의 상기 검출 프로세스를 평가할 수 있도록 지원하는 단계;
    를 더 포함하는 것을 특징으로 하는 방법.
  6. 제 5항에 있어서,
    상기 (c) 단계에서,
    상기 컴퓨팅 장치가, 상기 대표 선택 유닛으로 하여금, 상기 특정 대표 특징 맵과 상기 특정 참조 FC 특징 맵 간 거리에 대한 정보를 생성한 후, 상기 특정 대표 이미지를 설정하기 위해, 상기 특정 대표 특징 맵으로부터의 거리가 가장 짧은 상기 특정 참조 FC 특징 맵 중 일부를 선택하도록 하되, 상기 선택된 특정 참조 FC 특징 맵의 개수와 상기 특정 참조 FC 특징 맵의 개수에 대한 특정 비율이 기설정된 것을 특징으로 하는 방법.
  7. 제 1항에 있어서,
    상기 (b) 단계에서,
    상기 컴퓨팅 장치가, 상기 대표 선택 유닛으로 하여금, 상기 클래스에 관한 정보를 참조로 하여 상기 참조 ROI 풀링된 특징 맵을 분류한 후, 특정 클래스에 속하는 객체에 대응하는 특정 참조 ROI 풀링된 특징 맵에 포함된 각 요소의 각 평균을 계산하도록 함으로써, 상기 특정 클래스에 대응하는 적어도 하나의 특정 대표 특징 맵을 생성하도록 하는 것을 특징으로 하는 방법.
  8. 제 1항에 있어서,
    상기 (a) 단계 이전에,
    상기 컴퓨팅 장치가, 하나 이상의 트레이닝 이미지가 획득되면, 상기 객체 검출 CNN으로 하여금, 상기 트레이닝 이미지에 상기 컨벌루션 레이어, 상기 ROI 풀링 레이어 및 FC 레이어의 연산을 적용하여 학습용 출력 값을 생성하도록 한 후, 상기 학습용 출력 값 및 이에 대응하는 GT(Ground Truth)를 이용한 백프로퍼게이션(backpropagation)을 수행하여 상기 컨벌루션 레이어, 상기 ROI 풀링 레이어 및 상기 FC 레이어 중 적어도 일부에 대한 파라미터를 학습하도록 하되, 상기 트레이닝 이미지는 상기 참조 이미지 중 적어도 일부를 포함하는 것을 특징으로 하는 방법.
  9. 자율 주행에 대한 논리적 근거를 제시하기 위하여, 적어도 하나의 관리자가 하나 이상의 객체 검출기의 하나 이상의 검출 프로세스를 평가할 수 있도록 지원하는 테스팅 방법에 있어서,
    (a) 준비 장치가, (1) 이전에 학습이 완료된 객체 검출 CNN(Convolutional Neural Network)에 포함된 하나 이상의 컨벌루션 레이어로 하여금, 이에 입력된 하나 이상의 참조 이미지에 하나 이상의 컨벌루션 연산을 적용하여 하나 이상의 참조 컨벌루션 특징 맵을 생성하도록 한 후, 상기 객체 검출 CNN에 포함된 하나 이상의 ROI(region of interest) 풀링 레이어로 하여금, 상기 객체 검출 CNN과 연동된 RPN으로부터 상기 참조 컨벌루션 특징 맵 상의 ROI에 대한 정보를 획득하고, 상기 ROI에 대응하는 값 중 적어도 일부를 풀링하여 하나 이상의 참조 ROI 풀링된 특징 맵을 생성하도록 하고, (2) 대표 선택 유닛으로 하여금, 상기 참조 이미지 상의 상기 ROI에 포함된 객체의 클래스에 관한 정보를 참조로 하여 상기 참조 ROI 풀링된 특징 맵을 분류한 후, 각 클래스 당 적어도 하나의 대표 특징 맵을 생성하도록 하여, 상기 관리자가 상기 객체 검출 CNN의 상기 검출 프로세스를 평가할 수 있도록 지원한 상태에서, 테스팅 장치가, 테스트 이미지를 획득하면, 상기 객체 검출 CNN으로 하여금 이에 포함된, 상기 컨벌루션 레이어 및 상기 ROI 풀링 레이어 및 FC 레이어를 이용하여 하나 이상의 테스팅 ROI 풀링된 특징 맵을 생성하도록 하는 단계; 및
    (b) 상기 테스팅 장치가, 평가 유닛으로 하여금, 테스트용 특정 객체의 특정 클래스에 대응하는 적어도 하나의 특정 대표 특징 맵 및 특정 테스팅 ROI 풀링된 특징 맵을 참조로 하여, 상기 테스트 이미지에 포함된 테스트용 객체 중 상기 테스트용 특정 객체에 대한 객체 검출 결과에 대응하는 신뢰도 점수를 생성하도록 하는 단계;
    를 포함하는 것을 특징으로 하는 방법.
  10. 제 9항에 있어서,
    상기 (b) 단계에서,
    상기 특정 대표 특징 맵을 포함하는 대표 특징 맵이 참조 FC 특징 맵을 이용하여 생성된 경우, 상기 테스팅 장치가, 상기 평가 유닛으로 하여금, 상기 특정 테스팅 ROI 풀링된 특징 맵에 FC 연산을 적용하여 생성된 특정 테스팅 FC 특징 맵 및 상기 특정 대표 특징 맵 간 거리에 관한 정보를 생성하도록 하고, 상기 거리에 대한 정보를 참조로 하여 상기 신뢰도 점수를 생성하도록 하는 것을 특징으로 하는 방법.
  11. 제 9항에 있어서,
    상기 (b) 단계에서,
    상기 특정 대표 특징 맵을 포함하는 대표 특징 맵이 참조 ROI 풀링된 특징 맵을 이용하여 생성된 경우, 상기 테스팅 장치가, 상기 평가 유닛으로 하여금, 상기 특정 대표 특징 맵과 상기 특정 테스팅 ROI 풀링된 특징 맵 간 거리에 관한 정보를 생성하도록 하고, 상기 거리에 관한 정보를 참조로 하여 상기 신뢰도 점수를 생성하도록 하는 것을 특징으로 하는 방법.
  12. 제 9항에 있어서,
    (c) 상기 테스팅 장치가, 상기 평가 유닛으로 하여금, 상기 특정 클래스에 대응하는 특정 대표 이미지 중 적어도 일부를 디스플레이하여, 상기 관리자가 상기 객체 검출 CNN의 검출 프로세스를 평가할 수 있도록 지원하는 단계;
    를 더 포함하는 것을 특징으로 하는 방법.
  13. 제 12항에 있어서,
    상기 특정 대표 특징 맵을 포함하는 대표 특징 맵이 참조 FC 특징 맵을 이용하여 생성된 경우, 상기 테스팅 장치가, 상기 평가 유닛으로 하여금, 상기 특정 테스팅 ROI 풀링된 특징 맵을 사용하여 생성된 특정 테스팅 FC 특징 맵 및 상기 특정 대표 이미지에 대응하는 특정 참조 FC 특징 맵 간 거리에 관한 정보를 생성하도록 하고, 디스플레이할 상기 특정 대표 이미지 중 일부를 선택하기 위해 상기 거리에 관한 정보를 참조로 하여 상기 특정 참조 FC 특징 맵 중 일부를 선택하도록 하는 것을 특징으로 하는 방법.
  14. 제 12항에 있어서,
    상기 특정 대표 특징 맵을 포함하는 대표 특징 맵이 상기 참조 ROI 풀링된 특징 맵을 이용하여 생성된 경우, 상기 테스팅 장치가, 상기 평가 유닛으로 하여금, 상기 특정 대표 이미지에 대응하는 특정 참조 ROI 풀링된 특징 맵 및 상기 특정 테스팅 ROI 풀링된 특징 맵 간 거리에 관한 정보를 생성하도록 한 후, 디스플레이할 상기 특정 대표 이미지 중 일부를 선택하기 위해 상기 거리에 관한 정보를 참조로 하여 상기 특정 참조 FC 특징 맵 중 일부를 선택하도록 하는 것을 특징으로 하는 방법.
  15. 제 9항에 있어서,
    상기 (b) 단계에서,
    상기 테스팅 장치가, 상기 객체 검출 CNN으로 하여금, 상기 FC 레이어를 이용하여 상기 테스트 이미지에 포함된 상기 테스트용 객체의 클래스에 관한 정보를 획득하도록 하고, 상기 평가 유닛으로 하여금, 상기 테스트용 객체의 클래스에 관한 상기 정보에 포함된, 상기 테스트용 특정 객체의 상기 특정 클래스에 관한 정보를 참조로 하여 상기 특정 대표 특징 맵을 선택하도록 하는 것을 특징으로 하는 방법.
  16. 자율 주행에 대한 논리적 근거를 제시하기 위하여, 적어도 하나의 관리자가 하나 이상의 객체 검출기의 하나 이상의 검출 프로세스를 평가할 수 있도록 지원하는 컴퓨팅 장치에 있어서,
    적어도 하나의 인스트럭션들을 저장하는 적어도 하나의 메모리; 및
    (I) 이전에 학습이 완료된 객체 검출 CNN(Convolutional Neural Network)에 포함된 하나 이상의 컨벌루션 레이어로 하여금, 이에 입력된 하나 이상의 참조 이미지에 하나 이상의 컨벌루션 연산을 적용하여 하나 이상의 참조 컨벌루션 특징 맵을 생성하도록 한 후, 상기 객체 검출 CNN에 포함된 하나 이상의 ROI(region of interest) 풀링 레이어로 하여금, 상기 객체 검출 CNN과 연동된 RPN으로부터 상기 참조 컨벌루션 특징 맵 상의 ROI에 대한 정보를 획득하고, 상기 ROI에 대응하는 값 중 적어도 일부를 풀링하여 하나 이상의 참조 ROI 풀링된 특징 맵을 생성하도록 하는 프로세스 및 (II) 대표 선택 유닛으로 하여금, 상기 참조 이미지 상의 상기 ROI에 포함된 객체의 클래스에 관한 정보를 참조로 하여 상기 참조 ROI 풀링된 특징 맵을 분류한 후, 각 클래스 당 적어도 하나의 대표 특징 맵을 생성하도록 하여, 상기 관리자가 상기 객체 검출 CNN의 상기 검출 프로세스를 평가할 수 있도록 지원하는 프로세스를 수행하기 위한 상기 인스트럭션들을 실행하도록 구성된 적어도 하나의 프로세서;
    를 포함하는 것을 특징으로 하는 컴퓨팅 장치.
  17. 제 16항에 있어서,
    상기 (II) 프로세스 이전에,
    상기 프로세서가, 상기 대표 선택 유닛으로 하여금, (i) 상기 객체 검출 CNN의 적어도 하나의 FC(fully connected) 레이어에 포함된 FC 뉴런 간의 관계를 분석하고, (ii) 상기 FC 레이어에 입력된 특징 맵에 대응하는 객체에 대한 정보가 특정 클래스에 대응하는지를 판단하는데 이용되는 특정 최종 FC 출력 값을 생성하는, 특정 FC 뉴런의 파라미터의 특정 세트를 획득한 후, (iii) 상기 파라미터의 상기 특정 세트를 참조하여 특정 통합 파라미터 벡터를 생성하도록 하고,
    상기 (II) 프로세스에서,
    상기 프로세서가, 상기 대표 선택 유닛으로 하여금, 상기 특정 통합 파라미터 벡터를 사용하는 벡터 연산을 상기 특정 클래스에 대응하는 하나 이상의 특정 참조 ROI 풀링된 특징 맵에 적용함으로써 하나 이상의 특정 참조 FC 특징 맵을 생성하도록 한 후, 상기 특정 참조 FC 특징 맵을 참조로 하여 상기 특정 클래스에 대응하는 적어도 하나의 특정 대표 특징 맵을 생성하도록 하는 것을 특징으로 하는 컴퓨팅 장치.
  18. 제 17항에 있어서,
    상기 특정 통합 파라미터 벡터는 하기 수식에 따라 생성되고,
    Figure pat00032

    상기 수식에서,
    Figure pat00033
    는 상기 특정 클래스
    Figure pat00034
    에 대응하는 상기 특정 통합 파라미터 벡터를 의미하고,
    Figure pat00035
    는 상기 참조 이미지 중 하나에서 좌표
    Figure pat00036
    에 위치한 상기 ROI중 하나에 대응하는 상기 특정 참조 ROI 풀링된 특징 맵 중 하나에 포함된 제k 채널의 값을 의미하며,
    Figure pat00037
    는 상기 특정 최종 FC 출력 값을 의미하며,
    Figure pat00038
    은 상기 특정 참조 ROI 풀링된 특징 맵의 채널의 개수를 의미하는 것을 특징으로 하는 컴퓨팅 장치.
  19. 제 17항에 있어서,
    상기 (II) 프로세스에서,
    상기 프로세서가, 상기 대표 선택 유닛으로 하여금, 상기 특정 참조 FC 특징 맵에 포함된 각 요소의 각 평균을 계산함으로써 상기 특정 대표 특징 맵을 생성하도록 하는 것을 특징으로 하는 컴퓨팅 장치.
  20. 제 17항에 있어서,
    상기 프로세서가, (III) 상기 대표 선택 유닛으로 하여금, 상기 특정 대표 특징 맵을 참조로 하여 상기 특정 참조 FC 특징 맵 중 적어도 일부를 선택하도록 하고, 상기 선택된 특정 참조 FC 특징 맵에 대응하는 상기 참조 이미지 중 일부를 상기 특정 클래스에 대응하는 특정 참조 이미지로서 설정하도록 함으로써, 상기 관리자가 상기 객체 검출 CNN의 상기 검출 프로세스를 평가할 수 있도록 지원하는 프로세스를 더 수행하는 것을 특징으로 하는 컴퓨팅 장치.
  21. 제 20항에 있어서,
    상기 (III) 프로세스에서,
    상기 프로세서가, 상기 대표 선택 유닛으로 하여금, 상기 특정 대표 특징 맵과 상기 특정 참조 FC 특징 맵 간 거리에 대한 정보를 생성한 후, 상기 특정 대표 이미지를 설정하기 위해, 상기 특정 대표 특징 맵으로부터의 거리가 가장 짧은 상기 특정 참조 FC 특징 맵 중 일부를 선택하도록 하되, 상기 선택된 특정 참조 FC 특징 맵의 개수와 상기 특정 참조 FC 특징 맵의 개수에 대한 특정 비율이 기설정된 것을 특징으로 하는 컴퓨팅 장치.
  22. 제 16항에 있어서,
    상기 (II) 프로세스에서,
    상기 프로세서가, 상기 대표 선택 유닛으로 하여금, 상기 클래스에 관한 정보를 참조로 하여 상기 참조 ROI 풀링된 특징 맵을 분류한 후, 특정 클래스에 속하는 객체에 대응하는 특정 참조 ROI 풀링된 특징 맵에 포함된 각 요소의 각 평균을 계산하도록 함으로써, 상기 특정 클래스에 대응하는 적어도 하나의 특정 대표 특징 맵을 생성하도록 하는 것을 특징으로 하는 컴퓨팅 장치.
  23. 제 16항에 있어서,
    상기 (I) 프로세스 이전에,
    상기 프로세서가, 하나 이상의 트레이닝 이미지가 획득되면, 상기 객체 검출 CNN으로 하여금, 상기 트레이닝 이미지에 상기 컨벌루션 레이어, 상기 ROI 풀링 레이어 및 FC 레이어의 연산을 적용하여 학습용 출력 값을 생성하도록 한 후, 상기 학습용 출력 값 및 이에 대응하는 GT(Ground Truth)를 이용한 백프로퍼게이션(backpropagation)을 수행하여 상기 컨벌루션 레이어, 상기 ROI 풀링 레이어 및 상기 FC 레이어 중 적어도 일부에 대한 파라미터를 학습하도록 하되, 상기 트레이닝 이미지는 상기 참조 이미지 중 적어도 일부를 포함하는 것을 특징으로 하는 컴퓨팅 장치.
  24. 자율 주행에 대한 논리적 근거를 제시하기 위하여, 적어도 하나의 관리자가 하나 이상의 객체 검출기의 하나 이상의 검출 프로세스를 평가할 수 있도록 지원하는 테스팅 장치에 있어서,
    적어도 하나의 인스트럭션들을 저장하는 적어도 하나의 메모리; 및
    (I) 준비 장치가, (1) 이전에 학습이 완료된 객체 검출 CNN(Convolutional Neural Network)에 포함된 하나 이상의 컨벌루션 레이어로 하여금, 이에 입력된 하나 이상의 참조 이미지에 하나 이상의 컨벌루션 연산을 적용하여 하나 이상의 참조 컨벌루션 특징 맵을 생성하도록 한 후, 상기 객체 검출 CNN에 포함된 하나 이상의 ROI(region of interest) 풀링 레이어로 하여금, 상기 객체 검출 CNN과 연동된 RPN으로부터 상기 참조 컨벌루션 특징 맵 상의 ROI에 대한 정보를 획득하고, 상기 ROI에 대응하는 값 중 적어도 일부를 풀링하여 하나 이상의 참조 ROI 풀링된 특징 맵을 생성하도록 하고, (2) 대표 선택 유닛으로 하여금, 상기 참조 이미지 상의 상기 ROI에 포함된 객체의 클래스에 관한 정보를 참조로 하여 상기 참조 ROI 풀링된 특징 맵을 분류한 후, 각 클래스 당 적어도 하나의 대표 특징 맵을 생성하도록 하여, 상기 관리자가 상기 객체 검출 CNN의 상기 검출 프로세스를 평가할 수 있도록 지원한 상태에서, 테스트 이미지를 획득하면, 상기 객체 검출 CNN으로 하여금 이에 포함된, 상기 컨벌루션 레이어 및 상기 ROI 풀링 레이어 및 FC 레이어를 이용하여 하나 이상의 테스팅 ROI 풀링된 특징 맵을 생성하도록 하는 프로세스 및 (II) 평가 유닛으로 하여금, 테스트용 특정 객체의 특정 클래스에 대응하는 적어도 하나의 특정 대표 특징 맵 및 특정 테스팅 ROI 풀링된 특징 맵을 참조로 하여, 상기 테스트 이미지에 포함된 테스트용 객체 중 상기 테스트용 특정 객체에 대한 객체 검출 결과에 대응하는 신뢰도 점수를 생성하도록 하는 프로세스를 수행하기 위한 상기 인스트럭션들을 실행하도록 구성된 적어도 하나의 프로세서;
    를 포함하는 것을 특징으로 하는 테스팅 장치.
  25. 제 24항에 있어서,
    상기 (II) 프로세스에서,
    상기 특정 대표 특징 맵을 포함하는 대표 특징 맵이 참조 FC 특징 맵을 이용하여 생성된 경우, 상기 프로세서가, 상기 평가 유닛으로 하여금, 상기 특정 테스팅 ROI 풀링된 특징 맵에 FC 연산을 적용하여 생성된 특정 테스팅 FC 특징 맵 및 상기 특정 대표 특징 맵 간 거리에 관한 정보를 생성하도록 하고, 상기 거리에 대한 정보를 참조로 하여 상기 신뢰도 점수를 생성하도록 하는 것을 특징으로 하는 테스팅 장치.
  26. 제 24항에 있어서,
    상기 (II) 프로세스에서,
    상기 특정 대표 특징 맵을 포함하는 대표 특징 맵이 참조 ROI 풀링된 특징 맵을 이용하여 생성된 경우, 상기 프로세서가, 상기 평가 유닛으로 하여금, 상기 특정 대표 특징 맵과 상기 특정 테스팅 ROI 풀링된 특징 맵 간 거리에 관한 정보를 생성하도록 하고, 상기 거리에 관한 정보를 참조로 하여 상기 신뢰도 점수를 생성하도록 하는 것을 특징으로 하는 테스팅 장치.
  27. 제 24항에 있어서,
    상기 프로세서가, (III) 상기 평가 유닛으로 하여금, 상기 특정 클래스에 대응하는 특정 대표 이미지 중 적어도 일부를 디스플레이하여, 상기 관리자가 상기 객체 검출 CNN의 검출 프로세스를 평가할 수 있도록 지원하는 프로세스를 더 수행하는 것을 특징으로 하는 테스팅 장치.
  28. 제 27항에 있어서,
    상기 특정 대표 특징 맵을 포함하는 대표 특징 맵이 참조 FC 특징 맵을 이용하여 생성된 경우, 상기 프로세서가, 상기 평가 유닛으로 하여금, 상기 특정 테스팅 ROI 풀링된 특징 맵을 사용하여 생성된 특정 테스팅 FC 특징 맵 및 상기 특정 대표 이미지에 대응하는 특정 참조 FC 특징 맵 간 거리에 관한 정보를 생성하도록 하고, 디스플레이할 상기 특정 대표 이미지 중 일부를 선택하기 위해 상기 거리에 관한 정보를 참조로 하여 상기 특정 참조 FC 특징 맵 중 일부를 선택하도록 하는 것을 특징으로 하는 테스팅 장치.
  29. 제 27항에 있어서,
    상기 특정 대표 특징 맵을 포함하는 대표 특징 맵이 상기 참조 ROI 풀링된 특징 맵을 이용하여 생성된 경우, 상기 프로세서가, 상기 평가 유닛으로 하여금, 상기 특정 대표 이미지에 대응하는 특정 참조 ROI 풀링된 특징 맵 및 상기 특정 테스팅 ROI 풀링된 특징 맵 간 거리에 관한 정보를 생성하도록 한 후, 디스플레이할 상기 특정 대표 이미지 중 일부를 선택하기 위해 상기 거리에 관한 정보를 참조로 하여 상기 특정 참조 FC 특징 맵 중 일부를 선택하도록 하는 것을 특징으로 하는 테스팅 장치.
  30. 제 24항에 있어서,
    상기 (II) 프로세스에서,
    상기 프로세서가, 상기 객체 검출 CNN으로 하여금, 상기 FC 레이어를 이용하여 상기 테스트 이미지에 포함된 상기 테스트용 객체의 클래스에 관한 정보를 획득하도록 하고, 상기 평가 유닛으로 하여금, 상기 테스트용 객체의 클래스에 관한 상기 정보에 포함된, 상기 테스트용 특정 객체의 상기 특정 클래스에 관한 정보를 참조로 하여 상기 특정 대표 특징 맵을 선택하도록 하는 것을 특징으로 하는 테스팅 장치.
KR1020200001723A 2019-01-31 2020-01-06 자율 주행에 대한 논리적 근거를 제시하기 위하여, 관리자가 객체 검출기의 객체 검출 프로세스를 평가할 수 있도록 지원하는 방법 및 장치 KR102313129B1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201962799139P 2019-01-31 2019-01-31
US62/799,139 2019-01-31
US16/724,424 US10713815B1 (en) 2019-01-31 2019-12-23 Method and device for supporting administrators to processes of object detectors to provide logical driving
US16/724,424 2019-12-23

Publications (2)

Publication Number Publication Date
KR20200095359A true KR20200095359A (ko) 2020-08-10
KR102313129B1 KR102313129B1 (ko) 2021-10-18

Family

ID=69192004

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200001723A KR102313129B1 (ko) 2019-01-31 2020-01-06 자율 주행에 대한 논리적 근거를 제시하기 위하여, 관리자가 객체 검출기의 객체 검출 프로세스를 평가할 수 있도록 지원하는 방법 및 장치

Country Status (5)

Country Link
US (1) US10713815B1 (ko)
EP (1) EP3690733A1 (ko)
JP (1) JP6853543B2 (ko)
KR (1) KR102313129B1 (ko)
CN (1) CN111507151B (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7324757B2 (ja) * 2018-01-10 2023-08-10 シーメンス・ヘルスケア・ダイアグノスティックス・インコーポレイテッド 訓練が低減されたニューラルネットワークを使用したバイオ流体検体の特徴付けのための方法および装置
CN112766687B (zh) * 2021-01-12 2024-02-27 北京化工大学 一种基于深度cnn的飞机总装物料配送优先级分配方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180158189A1 (en) * 2016-12-07 2018-06-07 Samsung Electronics Co., Ltd. System and method for a deep learning machine for object detection
JP2020008896A (ja) * 2018-07-02 2020-01-16 カシオ計算機株式会社 画像識別装置、画像識別方法及びプログラム

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9286524B1 (en) * 2015-04-15 2016-03-15 Toyota Motor Engineering & Manufacturing North America, Inc. Multi-task deep convolutional neural networks for efficient and robust traffic lane detection
US9965719B2 (en) * 2015-11-04 2018-05-08 Nec Corporation Subcategory-aware convolutional neural networks for object detection
US10002313B2 (en) * 2015-12-15 2018-06-19 Sighthound, Inc. Deeply learned convolutional neural networks (CNNS) for object localization and classification
US9858496B2 (en) * 2016-01-20 2018-01-02 Microsoft Technology Licensing, Llc Object detection and classification in images
CN108475331B (zh) * 2016-02-17 2022-04-05 英特尔公司 用于对象检测的方法、装置、系统和计算机可读介质
CN106599773B (zh) * 2016-10-31 2019-12-24 清华大学 用于智能驾驶的深度学习图像识别方法、系统及终端设备
JP6964234B2 (ja) * 2016-11-09 2021-11-10 パナソニックＩｐマネジメント株式会社 情報処理方法、情報処理装置およびプログラム
CN110168477B (zh) * 2016-11-15 2022-07-08 奇跃公司 用于长方体检测的深度学习系统
US10474908B2 (en) * 2017-07-06 2019-11-12 GM Global Technology Operations LLC Unified deep convolutional neural net for free-space estimation, object detection and object pose estimation
US9953437B1 (en) * 2017-10-18 2018-04-24 StradVision, Inc. Method and device for constructing a table including information on a pooling type and testing method and testing device using the same
KR102585216B1 (ko) * 2017-12-14 2023-10-05 삼성전자주식회사 영상 인식 방법 및 그 장치
CN108416394B (zh) * 2018-03-22 2019-09-03 河南工业大学 基于卷积神经网络的多目标检测模型构建方法
US10678253B2 (en) * 2018-05-24 2020-06-09 GM Global Technology Operations LLC Control systems, control methods and controllers for an autonomous vehicle
US10955842B2 (en) * 2018-05-24 2021-03-23 GM Global Technology Operations LLC Control systems, control methods and controllers for an autonomous vehicle
US10325179B1 (en) * 2019-01-23 2019-06-18 StradVision, Inc. Learning method and learning device for pooling ROI by using masking parameters to be used for mobile devices or compact networks via hardware optimization, and testing method and testing device using the same
US10410120B1 (en) * 2019-01-25 2019-09-10 StradVision, Inc. Learning method and testing method of object detector to be used for surveillance based on R-CNN capable of converting modes according to aspect ratios or scales of objects, and learning device and testing device using the same

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180158189A1 (en) * 2016-12-07 2018-06-07 Samsung Electronics Co., Ltd. System and method for a deep learning machine for object detection
JP2020008896A (ja) * 2018-07-02 2020-01-16 カシオ計算機株式会社 画像識別装置、画像識別方法及びプログラム

Also Published As

Publication number Publication date
EP3690733A1 (en) 2020-08-05
KR102313129B1 (ko) 2021-10-18
US10713815B1 (en) 2020-07-14
JP2020126621A (ja) 2020-08-20
CN111507151A (zh) 2020-08-07
CN111507151B (zh) 2023-08-18
US20200250853A1 (en) 2020-08-06
JP6853543B2 (ja) 2021-03-31

Similar Documents

Publication Publication Date Title
KR102373456B1 (ko) 자동 주차 시스템을 제공하기 위해 결정 지점 간의 관계 및 결정 지점에 대한 리그레션 결과를 이용하여 주차 공간을 검출하는 학습 방법 및 학습 장치, 그리고 이를 이용한 테스팅 방법 및 테스팅 장치
US10373026B1 (en) 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
EP3686779B1 (en) Method and device for attention-based lane detection without post-processing by using lane mask and testing method and testing device using the same
KR20200027427A (ko) 차선 후보 픽셀의 분류를 통해 차선을 검출하는 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치
US10832140B2 (en) Method and device for providing information for evaluating driving habits of driver by detecting driving scenarios occurring during driving
KR20200039547A (ko) 트래킹 네트워크를 포함한 cnn을 사용하여 객체를 트래킹하는 방법 및 이를 이용한 장치
KR20200047306A (ko) 다른 라벨 세트를 가지는 복수의 라벨링된 데이터베이스를 이용하여 학습하는 방법 및 장치 그리고 이를 이용한 테스트 방법 및 장치
JP6846070B2 (ja) 自律走行ネットワークの検出プロセスを検証する説明可能な人工知能を利用して運転者に潜在的リスクの状況について警告することにより機能的安全性を提供する学習方法及び学習装置、そしてこれを用いたテスティング方法及びテスティング装置｛ｌｅａｒｎｉｎｇ ｍｅｔｈｏｄ ａｎｄ ｌｅａｒｎｉｎｇ ｄｅｖｉｃｅ ｆｏｒ ｐｒｏｖｉｄｉｎｇ ｆｕｎｃｔｉｏｎａｌ ｓａｆｅｔｙ ｂｙ ｗａｒｎｉｎｇ ｄｒｉｖｅｒ ａｂｏｕｔ ｐｏｔｅｎｔｉａｌ ｄａｎｇｅｒｏｕｓ ｓｉｔｕａｔｉｏｎ ｂｙ ｕｓｉｎｇ ｅｘｐｌａｉｎａｂｌｅ ａｉ ｗｈｉｃｈ ｖｅｒｉｆｉｅｓ ｄｅｔｅｃｔｉｏｎ ｐｒｏｃｅｓｓｅｓ ｏｆ ａｕｔｏｎｏｍｏｕｓ ｄｒｉｖｉｎｇ ｎｅｔｗｏｒｋ， ａｎｄ ｔｅｓｔｉｎｇ ｍｅｔｈｏｄ ａｎｄ ｔｅｓｔｉｎｇ ｄｅｖｉｃｅ ｕｓｉｎｇ ｔｈｅ ｓａｍｅ｝
KR20200095337A (ko) 감시 시스템이 보다 정확하게 주변 상황을 식별하고 희귀 이벤트를 검출할 수 있도록 하기 위해, 생성 뉴럴 네트워크와 판별 뉴럴 네트워크를 포함하는 생성적 적대 신경망을 이용하여 합성여부판단불가 합성 이미지를 생성하는 방법과 장치
KR102301631B1 (ko) 협업 주행을 수행하는 자동차들로부터 획득된 주행 이미지들을 통합하는 방법 및 이를 이용한 주행 이미지 통합 장치
KR20200027889A (ko) CNN(Convolutional Neural Network)을 사용하여 차선을 검출하기 위한 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치
US10551846B1 (en) Learning method and learning device for improving segmentation performance to be used for detecting road user events using double embedding configuration in multi-camera system and testing method and testing device using the same
KR20200027888A (ko) 차선 모델을 이용하여 차선을 검출할 수 있는 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치
KR20200095359A (ko) 자율 주행에 대한 논리적 근거를 제시하기 위하여, 관리자가 객체 검출기의 객체 검출 프로세스를 평가할 수 있도록 지원하는 방법 및 장치
KR20200094644A (ko) V2x 정보 융합 기술을 통해 획득된, 각 객체에 대한 깊이 예측 정보 및 각 객체에 대한 클래스 정보를 이용해 3d 공간을 재구축함으로써 hd 맵을 업데이트하는 학습 방법 및 학습 장치, 그리고 이를 이용한 테스팅 방법 및 테스팅 장치
CN110909588B (zh) 基于cnn的用于车道线检测的方法和装置
KR20200095357A (ko) 비최대값 억제를 학습하는 병합 네트워크를 이용한 이종 센서 융합을 위한 학습 방법 및 학습 장치

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right