KR20220025435A - Apparatus and method for selecting optimized models - Google Patents

Apparatus and method for selecting optimized models Download PDF

Info

Publication number
KR20220025435A
KR20220025435A KR1020200106128A KR20200106128A KR20220025435A KR 20220025435 A KR20220025435 A KR 20220025435A KR 1020200106128 A KR1020200106128 A KR 1020200106128A KR 20200106128 A KR20200106128 A KR 20200106128A KR 20220025435 A KR20220025435 A KR 20220025435A
Authority
KR
South Korea
Prior art keywords
recognition
object recognition
modeling program
rate
rates
Prior art date
Application number
KR1020200106128A
Other languages
Korean (ko)
Other versions
KR102440073B1 (en
Inventor
이진석
이승원
김범진
김형복
윤석원
Original Assignee
주식회사 테스트웍스
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 테스트웍스 filed Critical 주식회사 테스트웍스
Priority to KR1020200106128A priority Critical patent/KR102440073B1/en
Priority to PCT/KR2021/005179 priority patent/WO2022045519A1/en
Publication of KR20220025435A publication Critical patent/KR20220025435A/en
Application granted granted Critical
Publication of KR102440073B1 publication Critical patent/KR102440073B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/96—Management of image or video recognition tasks
    • G06K9/62—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G06V10/993—Evaluation of the quality of the acquired pattern
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

An apparatus and method for selecting an optimized model are disclosed. According to the present invention, when performing learning using a new object recognition modeling program, the learning can be performed by selecting an object model optimized according to processing speed and recognition rate. The apparatus calculates the recognition rate of an individual object recognition modeling program by inputting a data set composed of a plurality of images into a plurality of object recognition modeling programs, respectively.

Description

최적화 모델 선택 장치 및 방법{APPARATUS AND METHOD FOR SELECTING OPTIMIZED MODELS}APPARATUS AND METHOD FOR SELECTING OPTIMIZED MODELS

본 발명은 최적화 모델 선택 장치 및 방법에 관한 발명으로서, 더욱 상세하게는 새로운 객체 인식 모델링 프로그램을 이용하여 학습할 때, 처리속도와 인식률에 따라 최적화된 객체 모델을 선택하여 학습을 진행하는 최적화 모델 선택 장치 및 방법에 관한 것이다.The present invention relates to an apparatus and method for selecting an optimization model, and more particularly, when learning using a new object recognition modeling program, selecting an optimization model for learning by selecting an object model optimized according to processing speed and recognition rate It relates to an apparatus and method.

최근들어 머신 러닝을 이용한 물체 감지 방법에 대한 연구가 많이 진행되고 있다.Recently, a lot of research on object detection methods using machine learning has been conducted.

좀더 구체적으로는 영상을 이용한 정보 수집에서 가장 중요한 요소는 물체로 의심되는 객체를 정확히 인지하는 문제이다. More specifically, the most important factor in information collection using images is the problem of accurately recognizing a suspected object.

지금까지는 모션 히스토리(Motion History), SIFT(Scale-Invariant Feature Transform), 히스토그램 역투영(Back-projection)을 이용한 평균시프트(Mean Shift), 머신 러닝 알고리즘 등을 사용하여 물체를 인지해 왔다.So far, objects have been recognized using motion history, scale-invariant feature transform (SIFT), mean shift using histogram back-projection, and machine learning algorithms.

모션 히스토리 알고리즘은 인접하는 프레임들의 차연산을 통해 각각의 결과 이미지에서 임계치 이상의 값들을 이진화한뒤, 그 결과 이미지들을 짧은 시간동안 겹쳐 나타내어 객체의 움직임을 추정하는 알고리즘이다. The motion history algorithm is an algorithm for estimating the motion of an object by binarizing values above a threshold in each result image through the difference operation of adjacent frames, and then overlaying the result images for a short time.

하지만 긴시간 동안 영상 프레임이 멈춰 있을 경우 객체로 인지하지 못한다는 단점이 있다.However, if the image frame is stopped for a long time, it has a disadvantage that it cannot be recognized as an object.

SIFT 알고리즘의 경우 특징점을 기반으로 프레임 간 객체 매칭을 통하여 물체를 인지하기 때문에 시간에 상관없이 객체를 잘 인지할 수 있다. In the case of the SIFT algorithm, objects can be recognized well regardless of time because objects are recognized through frame-to-frame object matching based on feature points.

그러나, 처리할 연산량이 너무 많아 실시간 처리가 불가능한 문제점이 있고, 경우에 따라서는 하나의 프레임 계산에 2~3초가 수행되기도 한다. However, there is a problem that real-time processing is impossible because the amount of calculation to be processed is too large, and in some cases, it takes 2-3 seconds to calculate one frame.

뿐만 아니라 사전에 인식 대상 물체의 모델 이미지들을 미리 입력해 주어야 하기 때문에 불특정 다수의 물체를 검출하기에는 매우 제한적인 문제점이 있다.In addition, since model images of the object to be recognized must be input in advance, there is a very limited problem in detecting a large number of unspecified objects.

히스토그램 역투영 기법을 사용한 Mean-Shift는 색상정보(Hue Channel) 히스토그램을 이용해 입력 영상에서 유사도를 측정하고, 그 결과 영상의 픽셀값을 확률값으로 변경시켜 구한 확률값 분포에 대해 Mean-Shift를 수행한다. Mean-Shift using the histogram back-projection technique measures the similarity in the input image using a color information (Hue Channel) histogram. As a result, the pixel value of the image is changed to a probability value, and Mean-Shift is performed on the probability value distribution obtained.

그러나, SIFT와 마찬가지로 사전정보를 요구하기 때문에 불특정 다수의 물체를 감지하는 것은 실제로 불가능한 문제점이 있다.However, there is a problem in that it is practically impossible to detect a large number of unspecified objects because, like SIFT, prior information is required.

도1은 종래 기술에 따른 객체 인식 장치의 구성을 개략적으로 나타낸 블록도이다.1 is a block diagram schematically showing the configuration of an object recognition apparatus according to the prior art.

도1을 참조하면, 도1(a)의 객체 인식 장치(10)는 이미지가 입력되는 영상 입력부(11)와, 이미지로부터 객체를 인식하는 시간 우선 모델링 제어부(12)와, 인식 결과를 표시하는 디스플레이부(13)로 구성될 수 있다.Referring to FIG. 1 , the object recognition apparatus 10 of FIG. 1 (a) includes an image input unit 11 to which an image is input, a time-priority modeling control unit 12 for recognizing an object from an image, and a method for displaying a recognition result The display unit 13 may be configured.

도1(a)의 객체 인식 장치(10)는 연산량이 작아 인식 시간이 빠른 객체 인식 모델링 프로그램은 객체 인식이 빠른 장점이 있지만, 인식률이 낮아서 인식률이 중요한 객체 인식 서비스에서는 그대로 활용하기 어려운 문제점이 있다.The object recognition apparatus 10 of FIG. 1(a) has the advantage of fast object recognition in the object recognition modeling program, which has a small amount of computation and a fast recognition time, but has a problem that it is difficult to utilize it as it is in an object recognition service where the recognition rate is important because the recognition rate is low. .

또한, 도1(b)의 객체 인식 장치(20)는 이미지가 입력되는 영상 입력부(21)와, 이미지로부터 객체를 인식하는 성능 우선 모델링 제어부(22)와, 인식 결과를 표시하는 디스플레이부(23)로 구성될 수 있다.In addition, the object recognition apparatus 20 of FIG. 1(b) includes an image input unit 21 to which an image is input, a performance-priority modeling control unit 22 for recognizing an object from an image, and a display unit 23 for displaying the recognition result ) can be composed of

그러나, 도1(b)의 객체 인식 장치(20)는 인식률이 높은 대신 연산량이 많아 인식률 계산에 많은 시간이 걸려 실시간 인식이 중요한 객체 인식 서비스에서는 그대로 활용하기 어려운 문제점이 있다.However, the object recognition apparatus 20 of FIG. 1B has a high recognition rate but a large amount of computation, so it takes a lot of time to calculate the recognition rate, so it is difficult to use it as it is in an object recognition service where real-time recognition is important.

따라서, 새로운 객체 인식 모델링 프로그램을 이용하여 학습할 때, 물체에 대한 일정 기준 이상의 인식률을 유지하거나 또는 증가시키면서 실시간 인식률도 향상시킬 수 있는 최적화된 객체 인식 모델링 프로그램이 필요하다.Therefore, when learning using a new object recognition modeling program, an optimized object recognition modeling program capable of improving the real-time recognition rate while maintaining or increasing the recognition rate of an object above a certain standard is needed.

한국 등록특허공보 등록번호 제10-2074073호(발명의 명칭: 차량 인식 방법 및 이를 이용하는 장치)Korea Patent Publication No. 10-2074073 (Title of the invention: vehicle recognition method and device using the same)

이러한 문제점을 해결하기 위하여, 본 발명은 새로운 객체 인식 모델링 프로그램을 이용하여 학습할 때, 처리속도와 인식률에 따라 최적화된 객체 모델을 선택하여 학습을 진행하는 최적화 모델 선택 장치 및 방법을 제공하는 것을 목적으로 한다.In order to solve this problem, an object of the present invention is to provide an optimization model selection apparatus and method for selecting an object model optimized according to processing speed and recognition rate when learning using a new object recognition modeling program and performing learning do it with

상기한 목적을 달성하기 위하여 본 발명의 일 실시 예는 최적화 모델 선택 장치로서, 복수의 이미지들로 구성된 데이터 셋(Data set)을 복수의 객체 인식 모델링 프로그램에 각각 입력하여 개별 객체 인식 모델링 프로그램의 인식률을 산출하되, 상기 산출된 인식률이 동일하거나 또는 산출된 인식률 간의 차이가 미리 설정된 기준 범위를 초과하지 않고 만족하면, 상기 인식률의 산출 속도가 가장 빠른 객체 인식 모델링 프로그램을 선택하여 객체 인식을 수행하는 것을 특징으로 한다.In order to achieve the above object, an embodiment of the present invention is an apparatus for selecting an optimization model, by inputting a data set composed of a plurality of images into a plurality of object recognition modeling programs, respectively, to determine the recognition rate of an individual object recognition modeling program However, if the calculated recognition rates are the same or the difference between the calculated recognition rates is satisfied without exceeding a preset reference range, selecting an object recognition modeling program with the fastest calculation speed of the recognition rate to perform object recognition characterized.

또한, 상기 실시 예에 따른 복수의 객체 인식 모델링 프로그램은 인식률의 산출시에 시간을 우선으로 하는 시간 우선 객체 인식 모델링 프로그램과, 인식률을 우선으로 하는 성능 우선 객체 인식 모델링 프로그램인 것을 특징으로 한다.In addition, the plurality of object recognition modeling programs according to the embodiment are characterized in that they are a time-priority object recognition modeling program giving priority to time when calculating a recognition rate, and a performance-priority object recognition modeling program giving priority to a recognition rate.

또한, 상기 실시 예에 따른 선택 장치는 일정 주기마다 복수의 객체 인식 모델링 프로그램으로 데이터 셋을 입력하여 인식률을 재산출하되, 상기 재산출된 인식률이 동일하거나 또는 재산출된 인식률 간의 차이가 미리 설정된 기준 범위를 초과하지 않고 만족하면, 현재 설정된 시간 우선 객체 인식 모델링 프로그램의 설정을 유지하고, 상기 산출된 인식률이 기준 범위를 만족하지 않으면, 성능 우선 객체 인식 모델링 프로그램으로 변경하는 것을 특징으로 한다.In addition, the selection device according to the embodiment recalculates the recognition rate by inputting a data set into a plurality of object recognition modeling programs at regular intervals, and the recalculated recognition rate is the same or a difference between the recalculated recognition rates is preset. If the range is satisfied without exceeding the range, the currently set time-priority object recognition modeling program is maintained, and if the calculated recognition rate does not satisfy the reference range, it is changed to the performance-priority object recognition modeling program.

또한, 상기 실시 예는 데이터 셋을 입력하는 영상 입력부; 및 상기 데이터 셋을 복수의 객체 인식 모델링 프로그램에 각각 입력하여 개별 객체 인식 모델링 프로그램의 인식률을 산출하되, 상기 산출된 인식률에 기반하여 인식률이 동일하거나 또는 산출된 인식률 간의 차이가 미리 설정된 기준 범위를 초과하지 않고 만족하면, 상기 인식률의 산출시에 시간을 우선으로 하는 시간 우선 객체 인식 모델링 프로그램을 선택하여 객체 인식을 수행하는 모델링 제어부를 포함하는 것을 특징으로 한다.In addition, the embodiment includes an image input unit for inputting a data set; and inputting the data set into a plurality of object recognition modeling programs, respectively, to calculate a recognition rate of an individual object recognition modeling program, but based on the calculated recognition rate, the recognition rate is the same or a difference between the calculated recognition rates exceeds a preset reference range It is characterized in that it comprises a modeling control unit for performing object recognition by selecting a time-priority object recognition modeling program that gives priority to time when calculating the recognition rate, if satisfied.

또한, 상기 실시 예에 따른 모델링 제어부는 일정 주기마다 상기 복수의 객체 인식 모델링 프로그램의 인식률을 재산출하되, 재산출된 인식률이 동일하거나 또는 재산출된 인식률 간의 차이가 미리 설정된 기준 범위를 초과하지 않고 만족하면, 현재 설정된 시간 우선 객체 인식 모델링 프로그램을 유지하고, 상기 재산출된 인식률 간의 차이가 기준 범위를 초과하여 만족하지 않으면, 인식률을 우선으로 하는 성능 우선 객체 인식 모델링 프로그램으로 변경하는 것을 특징으로 한다.In addition, the modeling control unit according to the embodiment recalculates the recognition rates of the plurality of object recognition modeling programs at regular intervals, but the recalculated recognition rates are the same or the difference between the recalculated recognition rates does not exceed a preset reference range If satisfied, the currently set time-priority object recognition modeling program is maintained, and if the difference between the recalculated recognition rates exceeds a reference range and is not satisfied, it is characterized by changing to a performance-priority object recognition modeling program that prioritizes the recognition rate. .

또한, 본 발명의 일 실시 예는 최적화 모델 선택 방법으로서, a) 선택 장치가 복수의 이미지들로 구성된 데이터 셋(Data set)을 복수의 객체 인식 모델링 프로그램에 각각 입력하여 개별 객체 인식 모델링 프로그램의 인식률을 산출하는 단계; 및 b) 상기 산출된 인식률이 동일하거나 또는 산출된 인식률 간의 차이가 미리 설정된 기준 범위를 초과하지 않고 만족하면, 상기 선택 장치가 인식률의 산출 속도가 가장 빠른 객체 인식 모델링 프로그램을 선택하여 객체 인식을 수행하는 단계;를 포함한다.In addition, an embodiment of the present invention provides a method for selecting an optimization model, a) the selection device inputs a data set composed of a plurality of images into a plurality of object recognition modeling programs, respectively, and the recognition rate of the individual object recognition modeling program calculating ; and b) if the calculated recognition rates are the same or the difference between the calculated recognition rates does not exceed a preset reference range and is satisfied, the selection device selects the object recognition modeling program with the fastest calculating speed of the recognition rate and performs object recognition including;

또한, 상기 실시 예는 c) 상기 선택 장치가 일정 주기마다 복수의 객체 인식 모델링 프로그램으로 데이터 셋을 입력하여 인식률을 재산출하는 단계; 및 d) 상기 재산출된 인식률이 동일하거나 또는 재산출된 인식률 간의 차이가 미리 설정된 기준 범위를 초과하지 않고 만족하면, 상기 선택 장치가 현재 설정된 객체 인식 모델링 프로그램을 유지하고, 상기 재산출된 인식률 간의 차이가 기준 범위를 초과하여 만족하지 않으면, 다른 객체 인식 모델링 프로그램으로 변경하는 것을 특징으로 한다.In addition, the embodiment includes the steps of: c) recalculating, by the selection device, a recognition rate by inputting a data set into a plurality of object recognition modeling programs at regular intervals; and d) if the recalculated recognition rates are the same or the difference between the recalculated recognition rates is satisfied without exceeding a preset reference range, the selection device maintains the currently set object recognition modeling program, and between the recalculated recognition rates If the difference exceeds the reference range and is not satisfied, it is characterized by changing to another object recognition modeling program.

또한, 상기 실시 예에 따른 복수의 객체 인식 모델링 프로그램은 인식률의 산출시에 시간을 우선으로 하는 시간 우선 객체 인식 모델링 프로그램과, 인식률을 우선으로 하는 성능 우선 객체 인식 모델링 프로그램인 것을 특징으로 한다.In addition, the plurality of object recognition modeling programs according to the embodiment are characterized in that they are a time-priority object recognition modeling program giving priority to time when calculating a recognition rate, and a performance-priority object recognition modeling program giving priority to a recognition rate.

본 발명은 새로운 객체 인식 모델링 프로그램을 이용하여 학습할 때, 처리속도와 인식률에 따라 최적화된 객체 모델을 선택하여 학습을 진행할 수 있는 장점이 있다.The present invention has the advantage that, when learning using a new object recognition modeling program, an object model optimized according to the processing speed and recognition rate can be selected for learning.

또한, 본 발명은 두 개의 객체 인식 모델링 프로그램이 인식률에 따라 주기적으로 대체하여 동작하므로 적정한 인식률의 유지와, 전류 효율을 향상시킬 수 있는 장점이 있다.In addition, the present invention has the advantage of maintaining an appropriate recognition rate and improving current efficiency because two object recognition modeling programs operate by replacing them periodically according to the recognition rate.

도1은 종래 기술에 따른 객체 인식 모델링 프로그램링 시스템의 구성을 나타낸 블록도.
도2는 본 발명의 일 실시 예에 따른 최적화 모델 선택 장치의 구성을 나타낸 블록도.
도3은 본 발명의 일 실시 예에 따른 최적화 모델 선택 방법을 나타낸 흐름도.
도4는 도3의 실시 예에 따른 최적화 모델 선택 방법을 나타낸 다른 흐름도.1 is a block diagram showing the configuration of an object recognition modeling programming system according to the prior art.
2 is a block diagram showing the configuration of an optimization model selection apparatus according to an embodiment of the present invention.
3 is a flowchart illustrating a method for selecting an optimization model according to an embodiment of the present invention.
4 is another flowchart illustrating a method for selecting an optimization model according to the embodiment of FIG. 3;

이하에서는 본 발명의 바람직한 실시 예 및 첨부하는 도면을 참조하여 본 발명을 상세히 설명하되, 도면의 동일한 참조부호는 동일한 구성요소를 지칭함을 전제하여 설명하기로 한다.DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS Hereinafter, the present invention will be described in detail with reference to preferred embodiments of the present invention and the accompanying drawings.

본 발명의 실시를 위한 구체적인 내용을 설명하기에 앞서, 본 발명의 기술적 요지와 직접적 관련이 없는 구성에 대해서는 본 발명의 기술적 요지를 흩뜨리지 않는 범위 내에서 생략하였음에 유의하여야 할 것이다. Prior to describing the specific content for carrying out the present invention, it should be noted that components not directly related to the technical gist of the present invention are omitted within the scope of not disturbing the technical gist of the present invention.

또한, 본 명세서 및 청구범위에 사용된 용어 또는 단어는 발명자가 자신의 발명을 최선의 방법으로 설명하기 위해 적절한 용어의 개념을 정의할 수 있다는 원칙에 입각하여 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 할 것이다.In addition, the terms or words used in the present specification and claims have meanings and concepts consistent with the technical idea of the invention based on the principle that the inventor can define the concept of an appropriate term to best describe his invention. should be interpreted as

본 명세서에서 어떤 부분이 어떤 구성요소를 "포함"한다는 표현은 다른 구성요소를 배제하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.In the present specification, the expression that a part "includes" a certain element does not exclude other elements, but means that other elements may be further included.

또한, "‥부", "‥기", "‥모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어, 또는 그 둘의 결합으로 구분될 수 있다.Also, terms such as “… unit”, “… group”, and “… module” mean a unit that processes at least one function or operation, which may be divided into hardware, software, or a combination of the two.

또한, "적어도 하나의" 라는 용어는 단수 및 복수를 포함하는 용어로 정의되고, 적어도 하나의 라는 용어가 존재하지 않더라도 각 구성요소가 단수 또는 복수로 존재할 수 있고, 단수 또는 복수를 의미할 수 있음은 자명하다 할 것이다. In addition, the term "at least one" is defined as a term including the singular and the plural, and even if the term at least one does not exist, each element may exist in the singular or plural, and may mean the singular or plural. will be self-evident.

또한, 각 구성요소가 단수 또는 복수로 구비되는 것은, 실시 예에 따라 변경가능하다 할 것이다.In addition, that each component is provided in singular or plural may be changed according to an embodiment.

이하, 첨부된 도면을 참조하여 본 발명의 일 실시 예에 따른 최적화 모델 선택 장치 및 방법의 바람직한 실시예를 상세하게 설명한다.Hereinafter, a preferred embodiment of an apparatus and method for selecting an optimization model according to an embodiment of the present invention will be described in detail with reference to the accompanying drawings.

도2는 본 발명의 일 실시 예에 따른 최적화 모델 선택 장치의 구성을 나타낸 블록도이다.2 is a block diagram illustrating the configuration of an apparatus for selecting an optimization model according to an embodiment of the present invention.

도2를 참조하면, 본 발명의 일 실시 예에 따른 선택 장치(100)는 복수의 이미지들로 구성된 데이터 셋(Data set)을 복수의 객체 인식 모델링 프로그램에 각각 입력하여 개별 객체 인식 모델링 프로그램의 인식률을 산출한다. Referring to FIG. 2 , the selection apparatus 100 according to an embodiment of the present invention inputs a data set composed of a plurality of images into a plurality of object recognition modeling programs, respectively, and the recognition rate of the individual object recognition modeling programs to calculate

또한, 상기 선택 장치(100)는 산출된 인식률이 동일하거나 또는 미리 설정된 기준 범위를 만족하면, 상기 인식률의 산출 속도가 가장 빠른 객체 인식 모델링 프로그램을 선택하여 객체 인식을 수행한다.Also, when the calculated recognition rate is the same or satisfies a preset reference range, the selection device 100 selects an object recognition modeling program having the fastest calculation speed of the recognition rate and performs object recognition.

또한, 상기 선택 장치(100)는 일정 주기마다 복수의 객체 인식 모델링 프로그램으로 데이터 셋을 입력하여 인식률을 재산출하고, 재산출된 인식률 결과에 따라 선택된 객체 인식 모델링 프로그램을 유지하거나 또는 변경할 수도 있으며, 이를 위해, 영상 입력부(110)와, 모델링 제어부(120)와 데이터베이스(130)를 포함하여 구성된다.In addition, the selection device 100 may recalculate a recognition rate by inputting a data set into a plurality of object recognition modeling programs at regular intervals, and maintain or change the selected object recognition modeling program according to the result of the recalculated recognition rate, To this end, it is configured to include an image input unit 110 , a modeling control unit 120 , and a database 130 .

또한, 상기 실시 예에 따른 복수의 객체 인식 모델링 프로그램은 인식률의 산출시에 시간을 우선으로 하는 시간 우선 객체 인식 모델링 프로그램과, 인식률을 우선으로 하는 성능 우선 객체 인식 모델링 프로그램으로 구성될 수 있다.In addition, the plurality of object recognition modeling programs according to the embodiment may be composed of a time-priority object recognition modeling program giving priority to time when calculating a recognition rate, and a performance-priority object recognition modeling program giving priority to a recognition rate.

상기 영상 입력부(110)는 인식 대상 이미지를 입력받는 구성으로서, 내부 저장장치 또는 외부 저장장치 등에 저장된 이미지를 수신하거나, CCD 센서, CMOS 센서 또는 광전변환수단을 구비한 카메라 등의 디지털 촬영장치로부터 출력되는 이미지 정보를 수신할 수 있다.The image input unit 110 receives an image to be recognized, and receives an image stored in an internal storage device or an external storage device, or outputs it from a digital photographing device such as a CCD sensor, a CMOS sensor, or a camera having a photoelectric conversion means. image information can be received.

상기 모델링 제어부(120)는 영상 입력부(110)로부터 입력된 데이터 셋을 복수의 객체 인식 모델링 프로그램에 각각 입력하여 개별 객체 인식 모델링 프로그램의 인식률을 산출한다.The modeling control unit 120 inputs the data sets input from the image input unit 110 into a plurality of object recognition modeling programs, respectively, and calculates a recognition rate of each object recognition modeling program.

또한, 상기 모델링 제어부(120)는 제1 모델링부(121)와 제2 모델링부(122)로 구성될 수 있고, 상기 제1 모델링부(121)에는 인식률의 산출시에 시간을 우선으로 하는 시간 우선 객체 인식 모델링 프로그램이 설치되어 객체 인식을 수행다.In addition, the modeling control unit 120 may include a first modeling unit 121 and a second modeling unit 122 , and the first modeling unit 121 includes a time in which time is prioritized when calculating the recognition rate. First, an object recognition modeling program is installed to perform object recognition.

또한, 상기 제2 모델링부(122)에는 인식률을 우선으로 하는 성능 우선 객체 인식 모델링 프로그램이 설치되어 객체 인식을 수행할 수 있다.In addition, a performance-priority object recognition modeling program that prioritizes the recognition rate is installed in the second modeling unit 122 to perform object recognition.

상기 제1 및 제2 모델링부(121, 122)에 설치된 개별 객체 인식 모델링 프로그램은 입력되는 이미지를 기계학습 프로그램, 딥러닝 프로그램 중 하나 이상의 프로그램을 이용하여 객체 인식을 수행하고, 객체 인식된 결과를 인식률로 산출하여 제공할 수 있다.The individual object recognition modeling programs installed in the first and second modeling units 121 and 122 perform object recognition using one or more of a machine learning program and a deep learning program on the input image, and display the object recognition result. It can be provided by calculating the recognition rate.

본 실시 예에서는 설명의 편의를 위해 시간 우선 객체 인식 모델링 프로그램과 성능 우선 객체 인식 모델링 프로그램으로 이루어진 두 개의 프로그램이 설치된 것을 실시 예로 설명하지만, 이에 한정되는 것은 아니고, 필요에 따라 3개 이상의 프로그램을 설치하여 변경 실시할 수 있음은 당업자에게 있어서 자명할 것이다.In this embodiment, for convenience of explanation, two programs consisting of a time-priority object recognition modeling program and a performance-priority object recognition modeling program are installed as an embodiment, but the present invention is not limited thereto, and three or more programs are installed as needed. It will be apparent to those skilled in the art that modifications can be made.

또한, 상기 모델링 제어부(120)는 개별 객체 인식 모델링 프로그램으로부터 산출된 인식률에 기반하여 시간 우선 객체 인식 모델링 프로그램과 성능 우선 객체 인식 모델링 프로그램의 인식률이 동일하거나 또는 미리 설정된 기준 범위를 초과하지 않고 만족하는지 판단한다.In addition, the modeling control unit 120 determines whether the recognition rates of the time-priority object recognition modeling program and the performance-priority object recognition modeling program are the same or are satisfied without exceeding a preset reference range based on the recognition rate calculated from the individual object recognition modeling program. judge

이때, 산출된 각각의 인식률이 동일하거나 또는 모델링 프로그램의 선택을 위해 설정된 기준 범위를 만족하면, 상기 모델링 제어부(120)는 시간을 우선으로 하는 시간 우선 객체 인식 모델링 프로그램을 선택하여 객체 인식을 수행 및 학습하도록 한다.At this time, if the calculated recognition rates are the same or satisfy the reference range set for the selection of a modeling program, the modeling control unit 120 selects a time-priority object recognition modeling program that prioritizes time to perform object recognition and let it learn

또한, 상기 모델링 제어부(120)는 시간 우선 객체 인식 모델링 프로그램이 선택되어 객체 인식을 수행 및 학습하는 동안, 일정 주기마다 모든 객체 인식 모델링 프로그램의 인식률을 재산출할 수 있다.Also, the modeling control unit 120 may recalculate the recognition rates of all object recognition modeling programs at regular intervals while the time-priority object recognition modeling program is selected to perform and learn object recognition.

즉, 상기 모델링 제어부(120)는 일정 시간 또는 일정 비율(이미지 처리량 등)의 데이터 셋을 학습한 후, 모든 객체 인식 모델링 프로그램의 인식률을 재산출한다.That is, the modeling control unit 120 recalculates the recognition rates of all object recognition modeling programs after learning a data set of a certain time or a certain ratio (image processing amount, etc.).

또한, 상기 모델링 제어부(120)는 상기 재산출된 객체 인식 모델링 프로그램들의 인식률이 동일하거나 또는 미리 설정된 기준 범위를 초과하지 않고 만족하면, 현재 설정된 시간 우선 객체 인식 모델링 프로그램이 객체 인식 및 학습을 수행할 수 있도록 유지함으로써, 실시간성이 향상될 수 있도록 한다.In addition, if the recalculated recognition rate of the recalculated object recognition modeling programs is satisfied without exceeding a preset reference range, the currently set time-priority object recognition modeling program performs object recognition and learning. By keeping it possible, real-time performance can be improved.

그러나, 상기 재산출된 인식률이 기준 범위를 초과하여 만족하지 않으면, 상기 모델링 제어부(120)는 인식률을 향상시키기 위해 인식률을 우선으로 하는 성능 우선 객체 인식 모델링 프로그램으로 변경하여 객체 인식 및 학습이 수행될 수 있도록 함으로써, 객체 인식 성능이 유지될 수 있도록 한다.However, if the recalculated recognition rate exceeds the reference range and is not satisfied, the modeling control unit 120 changes to a performance-priority object recognition modeling program that prioritizes the recognition rate in order to improve the recognition rate, so that object recognition and learning are performed. By doing so, object recognition performance can be maintained.

상기 데이터베이스(130)는 기계학습 프로그램, 딥러닝 프로그램을 저장하는 구성으로서, 상기 데이터베이스(130)는 선택 장치(100)에 물리적으로 포함된 저장 매체로 구성될 있지만, 상기 선택 장치(100)와 분리되어 원격지에 설치되고, 네트워크를 통해 연결된 저장 매체로 구성될 수도 있다.The database 130 is a configuration for storing a machine learning program and a deep learning program, and the database 130 is configured as a storage medium physically included in the selection device 100 , but is separated from the selection device 100 . It may be installed in a remote location and may consist of a storage medium connected through a network.

다음은 본 발명의 일 실시 예에 따른 최적화 모델 선택 방법을 설명한다.The following describes a method for selecting an optimization model according to an embodiment of the present invention.

도3은 본 발명의 일 실시 예에 따른 최적화 모델 선택 방법을 나타낸 흐름도이고, 도4는 도3의 실시 예에 따른 최적화 모델 선택 방법을 나타낸 다른 흐름도이다.3 is a flowchart illustrating a method for selecting an optimization model according to an embodiment of the present invention, and FIG. 4 is another flowchart illustrating a method for selecting an optimization model according to the embodiment of FIG. 3 .

도2 내지 도4를 참조하면, 본 발명의 일 실시 예에 따른 최적화 모델 선택 방법은 선택 장치(100)가 영상 입력부(110)를 통해 복수의 이미지들로 구성된 데이터 셋(Data set)을 입력받는다(S100).2 to 4 , in the optimization model selection method according to an embodiment of the present invention, the selection device 100 receives a data set composed of a plurality of images through the image input unit 110 . (S100).

상기 S100 단계에서 입력된 데이터 셋은 상기 선택 장치(100)가 미리 저장된 복수의 객체 인식 모델링 프로그램에 각각 입력하고, 입력된 데이터 셋에 대하여 개별 객체 인식 모델링 프로그램이 객체 인식한 결과를 인식률로 산출하여 비교(S110)한다.The data sets input in step S100 are respectively input to a plurality of object recognition modeling programs stored in advance by the selection device 100, and the result of object recognition by the individual object recognition modeling program for the input data sets is calculated as a recognition rate. Compare (S110).

상기 개별 객체 인식 모델링 프로그램은 인식률의 산출시에 시간을 우선으로 하는 시간 우선 객체 인식 모델링 프로그램과, 인식률을 우선으로 하는 성능 우선 객체 인식 모델링 프로그램으로 구성될 수 있다.The individual object recognition modeling program may be composed of a time-priority object recognition modeling program giving priority to time when calculating a recognition rate, and a performance-priority object recognition modeling program giving priority to a recognition rate.

상기 S110 단계에서 산출된 개별 객체 인식 모델링 프로그램의 인식률이 동일하거나 또는 산출된 인식률 간의 차이가 미리 설정된 기준 범위를 초과하지 않고 만족하는지 판단(S120)한다.It is determined whether the recognition rates of the individual object recognition modeling programs calculated in step S110 are the same or whether a difference between the calculated recognition rates is satisfied without exceeding a preset reference range (S120).

상기 S120 단계의 판단 결과, 만족하면 상기 선택 장치(100)는 인식률의 산출 속도가 가장 빠른 객체 인식 모델링 프로그램, 즉 인식률의 산출시 시간을 우선으로 하는 시간 우선 객체 인식 모델링 프로그램을 선택하여 객체 인식의 수행 및 학습이 이루어질 수 있도록 한다(S130).If the determination result of step S120 is satisfied, the selection device 100 selects the object recognition modeling program that has the fastest calculation speed of the recognition rate, that is, the time-priority object recognition modeling program that gives priority to time when calculating the recognition rate. It enables execution and learning (S130).

계속해서, 상기 선택 장치(100)는 S130 단계에서 설정된 시간 우선 객체 인식 모델링 프로그램을 이용하여 객체 인식과 학습이 이루어지도록 하고, 중간 평가를 위해 일정 주기마다 설치된 모든 객체 인식 모델링 프로그램으로 데이터 셋을 입력하여 개별 객체 인식 모델링 프로그램 별로 학습을 진행(S140)하고, 개별 객체 인식 모델링 프로그램 별로 인식률을 재산출하여 인식률의 차이를 판단(S150)한다.Subsequently, the selection device 100 performs object recognition and learning using the time-priority object recognition modeling program set in step S130, and inputs a data set into all object recognition modeling programs installed at regular intervals for intermediate evaluation. Thus, learning is performed for each individual object recognition modeling program (S140), and the recognition rate is recalculated for each individual object recognition modeling program to determine the difference in the recognition rate (S150).

상기 S150 단계의 판단 결과, 재산출된 인식률이 동일하거나 또는 재산출된 인식률 간의 차이가 미리 설정된 기준 범위를 초과하지 않고 만족하면, 선택 장치(100)는 현재 설정된 객체 인식 모델링 프로그램, 즉 시간 우선 객체 인식 모델링 프로그램을 유지하고, 상기 시간 우선 객체 인식 모델링 프로그램에 기반한 객체 인식 수행 및 학습이 이루어지도록 한다(S160).As a result of the determination in step S150, if the recalculated recognition rates are the same or the difference between the recalculated recognition rates does not exceed a preset reference range and is satisfied, the selection device 100 is a currently set object recognition modeling program, that is, a time-priority object The recognition modeling program is maintained, and object recognition is performed and learned based on the time-priority object recognition modeling program (S160).

또한, 상기 S150 단계의 판단 결과, 재산출된 인식률이 기준 범위를 초과하여 만족하지 않으면, 선택 장치(100)는 다른 객체 인식 모델링 프로그램, 즉 시간이 오래 걸리지만 인식률을 우선으로 하는 성능 우선 객체 인식 모델링 프로그램으로 변경한 후 객체 인식의 수행과 학습이 이루어지도록 한다(S200).In addition, as a result of the determination in step S150, if the recalculated recognition rate exceeds the reference range and is not satisfied, the selection device 100 recognizes another object recognition modeling program, that is, a performance-priority object recognition that takes a long time but prioritizes the recognition rate After changing to the modeling program, object recognition is performed and learning is performed (S200).

계속해서, 상기 선택 장치(100)는 S200 단계에서 설정된 성능 우선 객체 인식 모델링 프로그램을 이용하여 객체 인식과 학습이 이루어지도록 하고, 중간 평가를 위해 일정 주기마다 설치된 모든 객체 인식 모델링 프로그램으로 데이터 셋을 입력하여 개별 객체 인식 모델링 프로그램 별로 학습을 진행(S210)하며, 개별 객체 인식 모델링 프로그램 별로 인식률을 재산출하여 인식률의 차이를 판단(S220)한다.Subsequently, the selection device 100 performs object recognition and learning using the performance-priority object recognition modeling program set in step S200, and inputs a data set into all object recognition modeling programs installed at regular intervals for intermediate evaluation. Thus, learning is performed for each individual object recognition modeling program (S210), and the recognition rate is recalculated for each individual object recognition modeling program to determine the difference in the recognition rate (S220).

상기 S220 단계의 판단 결과, 재산출된 인식률 간의 차이가 미리 설정된 기준범위를 초과하는 차이가 있으면, 선택 장치(100)는 현재 설정된 객체 인식 모델링 프로그램, 즉 성능 우선 객체 인식 모델링 프로그램을 유지하고, 상기 성능 우선 객체 인식 모델링 프로그램에 기반한 객체 인식 수행 및 학습이 이루어지도록 한다(S230).As a result of the determination in step S220, if there is a difference between the recalculated recognition rates exceeding a preset reference range, the selection device 100 maintains the currently set object recognition modeling program, that is, the performance-priority object recognition modeling program, and Perform and learn object recognition based on the performance-priority object recognition modeling program (S230).

또한, 상기 S220 단계의 판단 결과, 재산출된 인식률 간의 차이가 미리 설정된 기준범위를 초과하지 않고 차이가 없으면, 선택 장치(100)는 현재 설정된 객체 인식 모델링 프로그램, 즉 성능 우선 객체 인식 모델링 프로그램을 시간 우선 객체 인식 프로그램으로 변경하고, 상기 변경된 시간 우선 객체 인식 모델링 프로그램에 기반한 객체 인식 수행 및 학습이 이루어지도록 한다(S231).In addition, as a result of the determination in step S220, if the difference between the recalculated recognition rates does not exceed a preset reference range and there is no difference, the selection device 100 executes the currently set object recognition modeling program, that is, the performance-priority object recognition modeling program for time. First, it is changed to an object recognition program, and object recognition is performed and learned based on the changed time-priority object recognition modeling program (S231).

따라서, 새로운 객체 인식 모델링 프로그램을 이용하여 학습할 때, 처리속도와 인식률에 따라 최적화된 객체 모델을 선택하여 학습을 진행할 수 있고, 두 개의 객체 인식 모델링 프로그램이 인식률에 따라 주기적으로 대체하여 동작하므로 적정한 인식률의 유지와, 전류 효율을 향상시킬 수 있다.Therefore, when learning using a new object recognition modeling program, learning can be performed by selecting an object model optimized according to processing speed and recognition rate, and since two object recognition modeling programs operate by replacing them periodically according to the recognition rate, appropriate It is possible to maintain the recognition rate and improve the current efficiency.

상기와 같이, 본 발명의 바람직한 실시 예를 참조하여 설명하였지만 해당 기술 분야의 숙련된 당업자라면 하기의 특허청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.As described above, although described with reference to preferred embodiments of the present invention, those skilled in the art can variously modify and change the present invention within the scope without departing from the spirit and scope of the present invention described in the claims below. You will understand that it can be done.

또한, 본 발명의 특허청구범위에 기재된 도면번호는 설명의 명료성과 편의를 위해 기재한 것일 뿐 이에 한정되는 것은 아니며, 실시예를 설명하는 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다.In addition, the reference numbers described in the claims of the present invention are only provided for clarity and convenience of explanation, and are not limited thereto, and in the process of describing the embodiment, the thickness of the lines shown in the drawings or the size of components, etc. may be exaggerated for clarity and convenience of explanation.

또한, 상술된 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있으므로, 이러한 용어들에 대한 해석은 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.In addition, the above-mentioned terms are terms defined in consideration of functions in the present invention, which may vary depending on the intention or custom of the user or operator, so the interpretation of these terms should be made based on the content throughout this specification. .

또한, 명시적으로 도시되거나 설명되지 아니하였다 하여도 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기재사항으로부터 본 발명에 의한 기술적 사상을 포함하는 다양한 형태의 변형을 할 수 있음은 자명하며, 이는 여전히 본 발명의 권리범위에 속한다. In addition, even if it is not explicitly shown or described, a person of ordinary skill in the art to which the present invention pertains can make various types of modifications including the technical idea according to the present invention from the description of the present invention. Obviously, this still falls within the scope of the present invention.

또한, 첨부하는 도면을 참조하여 설명된 상기의 실시예들은 본 발명을 설명하기 위한 목적으로 기술된 것이며 본 발명의 권리범위는 이러한 실시예에 국한되지 아니한다.In addition, the above embodiments described with reference to the accompanying drawings have been described for the purpose of explaining the present invention, and the scope of the present invention is not limited to these embodiments.

100 : 선택 장치
110 : 영상 입력부
120 : 모델링 제어부
121 : 제1 모델링부
122 : 제2 모델링부
130 : 데이터베이스100: select device
110: video input unit
120: modeling control unit
121: first modeling unit
122: second modeling unit
130: database

Claims (8)

복수의 이미지들로 구성된 데이터 셋(Data set)을 복수의 객체 인식 모델링 프로그램에 각각 입력하여 개별 객체 인식 모델링 프로그램의 인식률을 산출하되,
상기 산출된 인식률이 동일하거나 또는 산출된 인식률 간의 차이가 미리 설정된 기준 범위를 초과하지 않고 만족하면, 상기 인식률의 산출 속도가 가장 빠른 객체 인식 모델링 프로그램을 선택하여 객체 인식을 수행하는 선택 장치(100)인 것을 특징으로 하는 최적화 모델 선택 장치.A data set composed of a plurality of images is input to a plurality of object recognition modeling programs, respectively, to calculate a recognition rate of an individual object recognition modeling program,
If the calculated recognition rates are the same or if the difference between the calculated recognition rates does not exceed a preset reference range and is satisfied, selecting an object recognition modeling program having the fastest calculation speed of the recognition rate to perform object recognition 100 Optimization model selection device, characterized in that. 제 1 항에 있어서,
상기 복수의 객체 인식 모델링 프로그램은 인식률의 산출시에 시간을 우선으로 하는 시간 우선 객체 인식 모델링 프로그램과, 인식률을 우선으로 하는 성능 우선 객체 인식 모델링 프로그램인 것을 특징으로 하는 최적화 모델 선택 장치.The method of claim 1,
The plurality of object recognition modeling programs are a time-priority object recognition modeling program giving priority to time when calculating a recognition rate, and a performance-priority object recognition modeling program giving priority to a recognition rate. 제 2 항에 있어서,
상기 선택 장치(100)는 일정 주기마다 복수의 객체 인식 모델링 프로그램으로 데이터 셋을 입력하여 인식률을 재산출하되,
상기 재산출된 인식률이 동일하거나 또는 재산출된 인식률 간의 차이가 미리 설정된 기준 범위를 초과하지 않고 만족하면, 현재 설정된 시간 우선 객체 인식 모델링 프로그램의 설정을 유지하고,
상기 재산출된 인식률 간의 차이가 기준 범위를 초과하여 만족하지 않으면,
성능 우선 객체 인식 모델링 프로그램으로 변경하는 것을 특징으로 하는 최적화 모델 선택 장치.3. The method of claim 2,
The selection device 100 recalculates the recognition rate by inputting a data set into a plurality of object recognition modeling programs at regular intervals,
If the recalculated recognition rate is the same or the difference between the recalculated recognition rates is satisfied without exceeding a preset reference range, maintain the currently set time-priority object recognition modeling program setting,
If the difference between the recalculated recognition rates exceeds the reference range and is not satisfied,
Optimization model selection device, characterized in that it is changed to a performance-first object recognition modeling program. 제 1 항에 있어서,
상기 데이터 셋을 입력하는 영상 입력부(110); 및
상기 데이터 셋을 복수의 객체 인식 모델링 프로그램에 각각 입력하여 개별 객체 인식 모델링 프로그램의 인식률을 산출하되,
상기 산출된 인식률에 기반하여 인식률이 동일하거나 또는 산출된 인식률 간의 차이가 미리 설정된 기준 범위를 초과하지 않고 만족하면, 상기 인식률의 산출시에 시간을 우선으로 하는 시간 우선 객체 인식 모델링 프로그램을 선택하여 객체 인식을 수행하는 모델링 제어부(120)를 포함하는 것을 특징으로 하는 최적화 모델 선택 장치.The method of claim 1,
an image input unit 110 for inputting the data set; and
By inputting the data set into a plurality of object recognition modeling programs, respectively, the recognition rate of each object recognition modeling program is calculated,
If the recognition rate is the same based on the calculated recognition rate or the difference between the calculated recognition rates is satisfied without exceeding a preset reference range, a time-priority object recognition modeling program that prioritizes time when calculating the recognition rate is selected to select an object Optimization model selection device, characterized in that it comprises a modeling control unit 120 for performing the recognition. 제 4 항에 있어서,
상기 모델링 제어부(120)는 일정 주기마다 상기 복수의 객체 인식 모델링 프로그램의 인식률을 재산출하되,
재산출된 인식률이 동일하거나 또는 재산출된 인식률 간의 차이가 미리 설정된 기준 범위를 초과하지 않고 만족하면, 현재 설정된 시간 우선 객체 인식 모델링 프로그램을 유지하고,
상기 재산출된 인식률 간의 차이가 기준 범위를 초과하여 만족하지 않으면, 인식률을 우선으로 하는 성능 우선 객체 인식 모델링 프로그램으로 변경하는 것을 특징으로 하는 최적화 모델 선택 장치.5. The method of claim 4,
The modeling control unit 120 recalculates the recognition rates of the plurality of object recognition modeling programs at regular intervals,
If the recalculated recognition rate is the same or the difference between the recalculated recognition rates is satisfied without exceeding a preset reference range, maintain the currently set time-priority object recognition modeling program,
If the difference between the recalculated recognition rates exceeds a reference range and is not satisfied, the optimization model selection device, characterized in that the recognition rate is changed to a performance-priority object recognition modeling program. a) 선택 장치(100)가 복수의 이미지들로 구성된 데이터 셋(Data set)을 복수의 객체 인식 모델링 프로그램에 각각 입력하여 개별 객체 인식 모델링 프로그램의 인식률을 산출하는 단계; 및
b) 상기 산출된 인식률이 동일하거나 또는 산출된 인식률 간의 차이가 미리 설정된 기준 범위를 초과하지 않고 만족하면, 상기 선택 장치(100)가 인식률의 산출 속도가 가장 빠른 객체 인식 모델링 프로그램을 선택하여 객체 인식을 수행하는 단계;를 포함하는 최적화 모델 선택 방법.a) calculating, by the selection device 100, a recognition rate of each object recognition modeling program by inputting a data set composed of a plurality of images into a plurality of object recognition modeling programs; and
b) If the calculated recognition rates are the same or the difference between the calculated recognition rates does not exceed a preset reference range and is satisfied, the selection device 100 selects the object recognition modeling program with the fastest calculating speed of the recognition rate to recognize the object Optimization model selection method comprising; 제 1 항에 있어서,
c) 상기 선택 장치(100)가 일정 주기마다 복수의 객체 인식 모델링 프로그램으로 데이터 셋을 입력하여 인식률을 재산출하는 단계; 및
d) 상기 재산출된 인식률이 동일하거나 또는 재산출된 인식률 간의 차이가 미리 설정된 기준 범위를 초과하지 않고 만족하면, 상기 선택 장치(100)가 현재 설정된 객체 인식 모델링 프로그램을 유지하고,
상기 재산출된 인식률 간의 차이가 기준 범위를 초과하여 만족하지 않으면, 다른 객체 인식 모델링 프로그램으로 변경하는 것을 특징으로 하는 최적화 모델 선택 방법.The method of claim 1,
c) recalculating, by the selection device 100, a recognition rate by inputting a data set into a plurality of object recognition modeling programs at regular intervals; and
d) If the recalculated recognition rates are the same or the difference between the recalculated recognition rates is satisfied without exceeding a preset reference range, the selection device 100 maintains the currently set object recognition modeling program,
If the difference between the recalculated recognition rates exceeds a reference range and is not satisfied, the optimization model selection method, characterized in that the change to another object recognition modeling program. 제 7 항에 있어서,
상기 복수의 객체 인식 모델링 프로그램은 인식률의 산출시에 시간을 우선으로 하는 시간 우선 객체 인식 모델링 프로그램과, 인식률을 우선으로 하는 성능 우선 객체 인식 모델링 프로그램인 것을 특징으로 하는 최적화 모델 선택 방법.8. The method of claim 7,
The plurality of object recognition modeling programs are a time-priority object recognition modeling program that prioritizes time when calculating a recognition rate, and a performance-priority object recognition modeling program that prioritizes the recognition rate.
KR1020200106128A 2020-08-24 2020-08-24 Apparatus and method for selecting optimized models KR102440073B1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200106128A KR102440073B1 (en) 2020-08-24 2020-08-24 Apparatus and method for selecting optimized models
PCT/KR2021/005179 WO2022045519A1 (en) 2020-08-24 2021-04-23 Optimization model selection device and method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200106128A KR102440073B1 (en) 2020-08-24 2020-08-24 Apparatus and method for selecting optimized models

Publications (2)

Publication Number Publication Date
KR20220025435A true KR20220025435A (en) 2022-03-03
KR102440073B1 KR102440073B1 (en) 2022-09-05

Family

ID=80442750

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200106128A KR102440073B1 (en) 2020-08-24 2020-08-24 Apparatus and method for selecting optimized models

Country Status (2)

Country Link
KR (1) KR102440073B1 (en)
WO (1) WO2022045519A1 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116129731B (en) * 2022-12-29 2023-09-15 北京布局未来教育科技有限公司 Artificial Intelligence Simulation Teaching System and Method

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016522459A (en) * 2013-08-13 2016-07-28 三菱電機株式会社 Pattern recognition apparatus and pattern recognition method
KR20190094133A (en) * 2019-04-16 2019-08-12 엘지전자 주식회사 An artificial intelligence apparatus for recognizing object and method for the same
KR102074073B1 (en) 2018-06-29 2020-03-02 한국교통대학교산학협력단 Method for detecting vehicles and apparatus using the same
JP2020077066A (en) * 2018-11-05 2020-05-21 株式会社リコー Learning device and method for learning

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150332167A1 (en) * 2014-05-13 2015-11-19 Tokyo Electron Limited System and method for modeling and/or analyzing manufacturing processes
KR101827108B1 (en) * 2016-05-04 2018-02-07 두산중공업 주식회사 Plant fault detection learning method and system
KR102383134B1 (en) * 2017-11-03 2022-04-06 삼성전자주식회사 Electronic device for processing image based on priority and method for operating thefeof

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016522459A (en) * 2013-08-13 2016-07-28 三菱電機株式会社 Pattern recognition apparatus and pattern recognition method
KR102074073B1 (en) 2018-06-29 2020-03-02 한국교통대학교산학협력단 Method for detecting vehicles and apparatus using the same
JP2020077066A (en) * 2018-11-05 2020-05-21 株式会社リコー Learning device and method for learning
KR20190094133A (en) * 2019-04-16 2019-08-12 엘지전자 주식회사 An artificial intelligence apparatus for recognizing object and method for the same

Also Published As

Publication number Publication date
KR102440073B1 (en) 2022-09-05
WO2022045519A1 (en) 2022-03-03

Similar Documents

Publication Publication Date Title
US10719743B2 (en) License plate reader using optical character recognition on plural detected regions
KR102385463B1 (en) Facial feature extraction model training method, facial feature extraction method, apparatus, device and storage medium
EP3044947B1 (en) Automated selection of keeper images from a burst photo captured set
US9619753B2 (en) Data analysis system and method
JP2008250908A (en) Picture discriminating method and device
JP5662670B2 (en) Image processing apparatus, image processing method, and program
EP2959454A1 (en) Method, system and software module for foreground extraction
US11915430B2 (en) Image analysis apparatus, image analysis method, and storage medium to display information representing flow quantity
CN111401374A (en) Model training method based on multiple tasks, character recognition method and device
JP2004282535A (en) Device for adjusting angle of field
CN112801918A (en) Training method of image enhancement model, image enhancement method and electronic equipment
WO2023025010A1 (en) Stroboscopic banding information recognition method and apparatus, and electronic device
CN112383824A (en) Video advertisement filtering method, device and storage medium
US20240320971A1 (en) Pre-processing image frames based on camera statistics
KR102440073B1 (en) Apparatus and method for selecting optimized models
CN113920168B (en) Image tracking method in audio/video control equipment
CN114613006A (en) Remote gesture recognition method and device
KR20140134549A (en) Apparatus and Method for extracting peak image in continuously photographed image
KR20190056873A (en) Apparatus for detecting object using multi neural network and method thereof, and method for learning detection of object
WO2022218215A1 (en) Video highlight detection method and apparatus, computer device, and storage medium
CN115984546A (en) Sample base generation method for anomaly detection of fixed scene
JP6855175B2 (en) Image processing equipment, image processing methods and programs
CN112101331B (en) Security video fusion scheduling method and device
KR20210089043A (en) Method for selecting object detection model to perform object detection on image received from user device and object detection server for performing method
JP6789676B2 (en) Image processing equipment, image processing methods and programs

Legal Events

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