KR20220052620A - 객체 추적 방법 및 이를 수행하는 장치 - Google Patents

객체 추적 방법 및 이를 수행하는 장치 Download PDF

Info

Publication number
KR20220052620A
KR20220052620A KR1020200136783A KR20200136783A KR20220052620A KR 20220052620 A KR20220052620 A KR 20220052620A KR 1020200136783 A KR1020200136783 A KR 1020200136783A KR 20200136783 A KR20200136783 A KR 20200136783A KR 20220052620 A KR20220052620 A KR 20220052620A
Authority
KR
South Korea
Prior art keywords
feature map
convolution operation
bounding box
result
depth
Prior art date
Application number
KR1020200136783A
Other languages
English (en)
Inventor
김승욱
이현정
박창범
손창용
이서형
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020200136783A priority Critical patent/KR20220052620A/ko
Priority to US17/227,719 priority patent/US11335012B2/en
Publication of KR20220052620A publication Critical patent/KR20220052620A/ko

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
    • G06V10/70—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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
    • 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
    • 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
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
    • 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
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/12—Bounding box

Landscapes

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

Abstract

객체 추적 방법 및 이를 수행하는 장치가 개시된다. 일 실시예에 따른 객체 추적 방법은, 탐색 이미지의 특징 맵 및 타겟 이미지의 특징 맵을 생성하는 단계와, 상기 탐색 이미지의 특징 맵 및 상기 타겟 이미지의 특징 맵에 기초하여 객체 분류 결과 및 기본 바운딩 박스를 획득하는 단계와, 상기 탐색 이미지의 특징 맵에 기초하여 보조 바운딩 박스를 획득하는 단계와, 상기 기본 바운딩 박스 및 상기 보조 바운딩 박스에 기초하여 최종 바운딩 박스를 획득하는 단계와, 상기 객체 분류 및 상기 최종 바운딩 박스에 기초하여 객체를 추적하는 단계를 포함한다.

Description

객체 추적 방법 및 이를 수행하는 장치{OBJECT TRAKING METHOD AND APPARATUS PERFORMING THE SAME}
본 개시는 객체 추적 방법 및 이를 수행하는 장치에 관한 것이다.
객체 추적(Object Tracking)은 연속적인 이미지 내에서 시간이 지남에 따라 움직이는 객체를 추적하는 기술이다. 객체 추적 기술은 보안 및 감시, 비디오 통신 및 압축, 증강 현실 등 다양한 용도로 이용될 수 있다. 객체 추적은 이미지 내에 포함된 데이터의 양으로 인해 긴 시간이 소요되는 작업이다. 나아가, 객체 추적은 이미지 내 객체 인식(Object Recognition)을 포함함으로 매우 큰 복잡성을 가지고 있다.
객체 추적은 객체 분류(Object Classification) 및 로컬화(Localization)를 통해 수행될 수 있다. 객체 분류는 이미지 내 객체의 종류(클래스 또는 레이블)을 분류하는 동작이고, 로컬화는 이미지내 객체의 위치 정보를 획득하는 동작으로 일반적으로 바운딩 박스(bounding box)의 좌표로 획득된다.
딥러닝 기반 객체 추적 기술은 학습된 뉴럴 네트워크를 이용하여 추적 대상의 특징 및 추적 대상이 포함되는 이미지의 특징을 추출하고, 추출된 특징에 기초하여 객체 분류 및 로컬화가 수행된다. 다만, 객체 분류 및 로컬화를 수행하기 위해 특징을 추출하는 뉴럴 네트워크의 연산 중 일부는 연산량이 과도하게 많다.
일 실시예에 따른 객체 추적 방법은, 탐색 이미지의 특징 맵 및 타겟 이미지의 특징 맵을 생성하는 단계와, 상기 탐색 이미지의 특징 맵 및 상기 타겟 이미지의 특징 맵에 기초하여 객체 분류 결과 및 기본 바운딩 박스를 획득하는 단계와, 상기 탐색 이미지의 특징 맵에 기초하여 보조 바운딩 박스를 획득하는 단계와, 상기 기본 바운딩 박스 및 상기 보조 바운딩 박스에 기초하여 최종 바운딩 박스를 획득하는 단계와, 상기 객체 분류 결과 및 상기 최종 바운딩 박스에 기초하여 객체를 추적하는 단계를 포함한다.
상기 객체 분류 결과 및 상기 기본 바운딩 박스를 획득하는 단계는, 뎁스 와이즈 컨볼루션(Depthwise convolution)을 이용하여 상기 타겟 이미지의 특징 맵을 객체 분류를 위한 제1 특징 맵과 바운딩 박스 회귀를 위한 제2 특징 맵으로 변환하는 단계와, 뎁스 와이즈 컨볼루션을 이용하여 상기 탐색 이미지의 특징 맵을 객체 분류를 위한 제3 특징 맵과 바운딩 박스 회귀를 위한 제4 특징 맵으로 변환하는 단계와, 상기 제1 특징 맵과 상기 제3 특징 맵에 기초하여 상기 객체 분류 결과를 획득하는 단계와, 상기 제2 특징 맵과 상기 제4 특징 맵에 기초하여 상기 바운딩 박스 회귀를 수행하여 상기 기본 바운딩 박스를 획득하는 단계를 포함할 수 있다.
상기 제1 특징 맵 및 상기 제2 특징 맵으로 변환하는 단계는, 상기 타겟 이미지의 특징 맵에 컨볼루션 연산을 수행하는 단계와, 상기 컨볼루션 연산의 결과에 제1 뎁스 와이즈 컨볼루션 연산 및 제2 뎁스 와이즈 컨볼루션 연산을 수행하는 단계와, 상기 컨볼루션 연산의 결과와 상기 제1 뎁스 와이즈 컨볼루션 연산의 결과를 합하여 상기 제1 특징 맵을 생성하는 단계와, 상기 컨볼루션 연산의 결과와 상기 제2 뎁스 와이즈 컨볼루션 연산의 결과를 합하여 상기 제2 특징 맵을 생성하는 단계를 포함할 수 있다.
상기 제3 특징 맵 및 상기 제4 특징 맵으로 변환하는 단계는, 상기 탐색 이미지의 특징 맵에 컨볼루션 연산을 수행하는 단계와, 상기 컨볼루션 연산의 결과에 제1 뎁스 와이즈 컨볼루션 연산 및 제2 뎁스 와이즈 컨볼루션 연산을 수행하는 단계와, 상기 컨볼루션 연산의 결과와 상기 제1 뎁스 와이즈 컨볼루션 연산의 결과를 합하여 상기 제3 특징 맵을 생성하는 단계와, 상기 컨볼루션 연산의 결과와 상기 제2 뎁스 와이즈 컨볼루션 연산의 결과를 합하여 상기 제4 특징 맵을 생성하는 단계를 포함할 수 있다.
상기 보조 바운딩 박스를 획득하는 단계는, 상기 탐색 이미지의 특징 맵에 컨볼루션 연산을 수행하는 단계와, 상기 컨볼루션 연산의 결과에 제1 뎁스 와이즈 컨볼루션 연산을 수행하는 단계와, 상기 컨볼루션 연산의 결과 및 상기 제1 뎁스 와이즈 컨볼루션 연산의 결과의 합에 제2 뎁스 와이즈 컨볼루션 연산을 수행하는 단계와, 상기 제2 뎁스 와이즈 컨볼루션 연산의 결과에 기초하여 상기 보조 바운딩 박스를 획득하는 단계를 포함할 수 있다.
상기 보조 바운딩 박스를 획득하는 단계는, 상기 제2 뎁스 와이즈 컨볼루션 연산의 결과에 제1 컨볼루션 연산을 수행하는 단계와, 상기 제1 컨볼루션 연산의 결과에 제2 컨볼루션 연산을 수행하는 단계를 포함할 수 있다.
상기 보조 바운딩 박스를 획득하는 단계는, 이전 프레임에서 검출된 객체의 카테고리에 기초하여 상기 보조 바운딩 박스를 획득하는 단계를 포함할 수 있다.
상기 최종 바운딩 박스를 획득하는 단계는, 상기 기본 바운딩 박스 및 상기 보조 바운딩 박스의 가중합에 기초하여 상기 최종 바운딩 박스를 획득하는 단계를 포함할 수 있다.
일 실시예에 따른 객체 추적 장치는, 인스트럭션들을 포함하는 메모리와, 상기 인스트럭션들을 실행하기 위한 프로세서를 포함하고, 상기 프로세서에 의해 상기 인스트럭션들이 실행될 때, 상기 프로세서는, 탐색 이미지의 특징 맵 및 타겟 이미지의 특징 맵을 생성하고, 상기 탐색 이미지의 특징 맵 및 상기 타겟 이미지의 특징 맵에 기초하여 객체 분류 결과 및 기본 바운딩 박스를 획득하고, 상기 탐색 이미지의 특징 맵에 기초하여 보조 바운딩 박스를 획득하고, 상기 기본 바운딩 박스 및 상기 보조 바운딩 박스에 기초하여 최종 바운딩 박스를 획득하고, 상기 객체 분류 결과 및 상기 최종 바운딩 박스에 기초하여 객체를 추적한다.
상기 프로세서는, 뎁스 와이즈 컨볼루션(Depthwise convolution)을 이용하여 상기 타겟 이미지의 특징 맵을 객체 분류를 위한 제1 특징 맵과 바운딩 박스 회귀를 위한 제2 특징 맵으로 변환하고, 뎁스 와이즈 컨볼루션을 이용하여 상기 탐색 이미지의 특징 맵을 객체 분류를 위한 제3 특징 맵과 바운딩 박스 회귀를 위한 제4 특징 맵으로 변환하고, 상기 제1 특징 맵과 상기 제3 특징 맵에 기초하여 상기 객체 분류 결과를 획득하고, 상기 제2 특징 맵과 상기 제4 특징 맵에 기초하여 상기 바운딩 박스 회귀를 수행하여 상기 기본 바운딩 박스를 획득할 수 있다.
상기 프로세서는, 상기 타겟 이미지의 특징 맵에 컨볼루션 연산을 수행하고, 상기 컨볼루션 연산의 결과에 제1 뎁스 와이즈 컨볼루션 연산 및 제2 뎁스 와이즈 컨볼루션 연산을 수행하고, 상기 컨볼루션 연산의 결과와 상기 제1 뎁스 와이즈 컨볼루션 연산의 결과를 합하여 상기 제1 특징 맵을 생성하고, 상기 컨볼루션 연산의 결과와 상기 제2 뎁스 와이즈 컨볼루션 연산의 결과를 합하여 상기 제2 특징 맵을 생성할 수 있다.
상기 프로세서는, 상기 탐색 이미지의 특징 맵에 컨볼루션 연산을 수행하고, 상기 컨볼루션 연산의 결과에 제1 뎁스 와이즈 컨볼루션 연산 및 제2 뎁스 와이즈 컨볼루션 연산을 수행하고, 상기 컨볼루션 연산의 결과와 상기 제1 뎁스 와이즈 컨볼루션 연산의 결과를 합하여 상기 제3 특징 맵을 생성하고, 상기 컨볼루션 연산의 결과와 상기 제2 뎁스 와이즈 컨볼루션 연산의 결과를 합하여 상기 제4 특징 맵을 생성할 수 있다.
상기 프로세서는, 상기 탐색 이미지의 특징 맵에 컨볼루션 연산을 수행하고, 상기 컨볼루션 연산의 결과에 제1 뎁스 와이즈 컨볼루션 연산을 수행하고, 상기 컨볼루션 연산의 결과 및 상기 제1 뎁스 와이즈 컨볼루션 연산의 결과의 합에 제2 뎁스 와이즈 컨볼루션 연산을 수행하고, 상기 제2 뎁스 와이즈 컨볼루션 연산의 결과에 기초하여 상기 보조 바운딩 박스를 획득할 수 있다.
상기 프로세서는, 상기 제2 뎁스 와이즈 컨볼루션 연산의 결과에 제1 컨볼루션 연산을 수행하고, 상기 제1 컨볼루션 연산의 결과에 제2 컨볼루션 연산을 수행할 수 있다.
상기 프로세서는, 이전 프레임에서 검출된 객체의 카테고리에 기초하여 상기 보조 바운딩 박스를 획득할 수 있다.
상기 프로세서는, 상기 기본 바운딩 박스 및 상기 보조 바운딩 박스의 가중합에 기초하여 상기 최종 바운딩 박스를 획득할 수 있다.
도 1은 일 실시예에 따른 객체 추적 장치의 개략적인 블록도이다.
도 2는 도 1에 도시된 객체 추적 장치의 동작을 개념적으로 설명하기 위한 흐름도이다.
도 3은 도 1에 도시된 객체 추적 장치의 동작의 일 예를 설명하기 위한 도면이다.
도 4는 도 1에 도시된 객체 추적 장치의 동작의 다른 예를 설명하기 위한 도면이다.
도 5는 도 1에 도시된 객체 추적 장치가 클래스 정보를 적응적으로 활용하는 동작을 상세히 설명하기 위한 도면이다.
도 6은 도 1에 도시된 객체 추적 장치가 수행하는 특징 변환을 상세히 설명하기 위한 도면이다.
도 7은 도 1에 도시된 객체 추적 장치가 수행하는 보조 박스 회귀를 상세히 설명하기 위한 도면이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 일 실시예에 따른 객체 추적 장치의 개략적인 블록도이다.
객체 추적 장치(10)는 이미지 내 객체를 추적할 수 있다. 객체 추적 장치(10)는 시간에 따라 이미지 내에서 이동하는 객체를 각각의 프레임에서 추적할 수 있다.
객체 추적 장치(10)는 연속된 프레임을 포함하는 이미지와 함께 첫 프레임 내 타겟 객체의 위치를 수신할 수 있다. 객체 추적 장치(10)는 타겟 객체의 위치에 기초하여 타겟 객체가 포함된 타겟 이미지(target image)를 획득할 수 있다.
객체 추적 장치(10)는 타겟 이미지 및 현재 프레임에 기초하여 타겟을 추적할 수 있다. 이하, 객체 추적이 수행되는 현재 프레임을 탐색 이미지(search image)라 지칭하기로 한다. 즉, 탐색 이미지는 타겟 객체에 대한 추적이 수행되는 탐색 영역(search region)을 포함하는 이미지일 수 있다.
객체 추적 장치(10)는 타겟 객체를 추적함에 있어서, 탐색 이미지만을 이용하는 보조 바운딩 박스 회귀(auxiliary bounding box regression)를 추가로 수행할 수 있다. 객체 추적 장치(10)는 보조 바운딩 박스 회귀를 추가로 수행함으로써 타겟 객체 추적의 로컬화(localization) 성능을 강화할 수 있다.
객체 추적 장치(10)는 탐색 이미지 및 타겟 이미지의 특징을 추출하고 각각의 특징을 객체 분류(object classification) 및 로컬화(localization)를 위한 특징으로 변환할 수 있다. 특징은 특징 맵을 의미할 수 있다.
객체 추적 장치(10)는 객체 분류 및 로컬화를 위한 특징 변환(feature transformation)을 수행하는 컨볼루션 뉴럴 네트워크(convolutional neural network)를 공유할 수 있다. 예를 들어, 객체 추적 장치(10)는 한번의 컨볼루션 연산의 결과에 기초하여 객체 분류 및 로컬화 각각을 위한 특징을 생성할 수 있다. 객체 추적 장치(10)를 컨볼루션 뉴럴 네트워크를 공유함으로써 특징 변환에 요구되는 연산량을 감소시킬 수 있다.
객체 추적 장치(10)는 특징 변환을 위한 컨볼루션 네트워크를 공유함으로써 발생하는 성능 저하를 보상하는 네트워크를 이용할 수 있다. 예를 들어, 객체 추적 장치(10)는 연산량이 적은 뎁스 와이즈 컨볼루션 네트워크(depth-wise convolutional neural network)를 이용하여 성능 저하를 보상할 수 있다.
객체 추적 장치(10)는 메모리(130) 및 프로세서(150)를 포함한다.
메모리(130)는 프로세서(150)에 의해 실행가능한 인스트럭션들(또는 프로그램)을 저장할 수 있다. 예를 들어, 인스트럭션들은 프로세서(150)의 동작 및/또는 프로세서(150)의 각 구성의 동작을 실행하기 위한 인스트럭션들을 포함할 수 있다.
메모리(130)는 휘발성 메모리 장치 또는 불휘발성 메모리 장치로 구현될 수 있다.
휘발성 메모리 장치는 DRAM(dynamic random access memory), SRAM(static random access memory), T-RAM(thyristor RAM), Z-RAM(zero capacitor RAM), 또는 TTRAM(Twin Transistor RAM)으로 구현될 수 있다.
불휘발성 메모리 장치는 EEPROM(Electrically Erasable Programmable Read-Only Memory), 플래시(flash) 메모리, MRAM(Magnetic RAM), 스핀전달토크 MRAM(Spin-Transfer Torque(STT)-MRAM), Conductive Bridging RAM(CBRAM), FeRAM(Ferroelectric RAM), PRAM(Phase change RAM), 저항 메모리(Resistive RAM(RRAM)), 나노 튜브 RRAM(Nanotube RRAM), 폴리머 RAM(Polymer RAM(PoRAM)), 나노 부유 게이트 메모리(Nano Floating Gate Memory(NFGM)), 홀로그래픽 메모리(holographic memory), 분자 전자 메모리 소자(Molecular Eelectronic Memory Device), 또는 절연 저항 변화 메모리(Insulator Resistance Change Memory)로 구현될 수 있다.
메모리(130)는 뉴럴 네트워크에 포함된 연산이 수행될 행렬을 저장할 수 있다. 메모리(130)는 프로세서(150)가 처리하여 생성된 연산 결과를 저장할 수 있다.
프로세서(150)는 메모리(130)에 저장된 데이터를 처리할 수 있다. 프로세서(150)는 메모리(130)에 저장된 컴퓨터로 읽을 수 있는 코드(예를 들어, 소프트웨어) 및 프로세서(150)에 의해 유발된 인스트럭션(instruction)들을 실행할 수 있다.
프로세서(150)는 목적하는 동작들(desired operations)을 실행시키기 위한 물리적인 구조를 갖는 회로를 가지는 하드웨어로 구현된 데이터 처리 장치일 수 있다. 예를 들어, 목적하는 동작들은 프로그램에 포함된 코드(code) 또는 인스트럭션들(instructions)을 포함할 수 있다.
예를 들어, 하드웨어로 구현된 데이터 처리 장치는 중앙 처리 장치(central processing unit), 그래픽 처리 장치(graphics processing unit), 신경망 처리 장치(neural processing unit), 멀티-코어 프로세서(multi-core processor), 멀티프로세서(multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array)를 포함할 수 있다.
이하에서는, 도 2 내지 도 7을 참조하여 프로세서(150)에 의해 수행되는 객체 추적 장치(10)의 객체 추적 동작에 대해서 상세히 설명하도록 한다.
도 2는 도 1에 도시된 객체 추적 장치의 동작을 개념적으로 설명하기 위한 흐름도이다.
객체 추적 장치(10)에 의해 수행되는 객체 추적 동작(200)은 단계들(210 내지 290)을 포함할 수 있다.
프로세서(150)는 탐색 이미지 및 타겟 이미지의 특징을 추출하여 탐색 이미지의 특징 맵 및 타겟 이미지의 특징 맵을 생성할 수 있다(210). 프로세서(150)는 학습된 뉴럴 네트워크를 이용하여 탐색 이미지 및 타겟 이미지 각각에 대한 특징 맵을 생성할 수 있다.
프로세서(150)는 탐색 이미지의 특징 맵 및 타겟 이미지의 특징 맵을 분류 및 로컬화를 수행하기 위한 특징 맵으로 변환할 수 있다(220). 프로세서(150)는 뎁스 와이즈 컨볼루션 연산을 이용하여 특징 변환에 요구되는 연산량을 감소시킬 수 있다.
프로세서(150)는 변환된 특징 맵에 기초하여 유사도 맵(similarity map)을 계산할 수 있다. 프로세서(150)는 타겟 분류를 위한 유사도 맵 및 바운딩 박스 회귀를 위한 유사도 맵을 각각 계산할 수 있다.
프로세서(150)는 유사도 맵에 기초하여 이미지내 타겟을 분류할 수 있다(240). 즉, 프로세서(150)는 탐색 이미지 내에서 타겟 객체를 분류할 수 있다.
프로세서(150)는 유사도 맵에 기초하여 바운딩 박스 회귀를 수행할 수 있다(250). 즉, 프로세서(150)는 탐색 이미지 내에서 타겟 객체의 위치를 나타내는 바운딩 박스를 획득할 수 있다.
프로세서(150)는 탐색 이미지만을 이용하는 보조 바운딩 박스 회귀(auxiliary bonding box regression)를 추가로 수행할 수 있다(260). 프로세서(150)는 보조 바운딩 박스 회귀를 수행하기 위해 탐색 이미지의 특징 맵을 변환할 수 있다(270). 프로세서(150)는 변환된 탐색 이미지의 특징 맵에 기초하여 보조 바운딩 박스 회귀를 수행할 수 있다(280).
프로세서(150)는 보조 바운딩 박스 회귀에 기초하여 획득한 바운딩 박스와 유사도 맵에 기초하여 획득한 바운딩 박스를 병합할 수 있다(290). 예를 들어, 프로세서(150)는 탐색 이미지의 특징만을 이용하여 획득한 보조 바운딩 박스와 탐색 이미지 및 타겟 이미지의 특징을 모두 이용하여 획득한 기본 바운딩 박스를 병합하여 더 정확한 최종 바운딩 박스를 획득할 수 있다.
도 3은 도 1에 도시된 객체 추적 장치의 동작의 일 예를 설명하기 위한 도면이다.
객체 추적 장치(10)에 의해 수행되는 객체 추적 방법(300)은 단계들(310 내지 373)을 포함할 수 있다.
프로세서(150)는 입력 이미지에서 타겟 영역을 크로핑(cropping)하여 타겟 이미지를 획득할 수 있다(310). 예를 들어, 프로세서(150)는 입력 이미지의 첫번째 프레임에서 타겟의 위치 정보에 기초하여 미리 설정된 크기의 타겟 이미지를 획득할 수 있다.
프로세서(150)는 타겟 이미지의 학습된 뉴럴 네트워크를 이용하여 특징 맵을 추출할 수 있다(311). 예를 들어, 프로세서(150)는 이미지 내 객체의 특징을 파악할 수 있도록 학습된 뉴럴 네트워크를 이용하여 특징 맵을 획득할 수 있다.
프로세서(150)는 타겟 이미지의 특징 맵을 각각 분류를 위한 특징 맵(
Figure pat00001
) 및 로컬화를 위한 특징 맵(
Figure pat00002
)으로 변환할 수 있다(312 및 313). 프로세서(150)는 타겟 이미지의 특징 맵에 3×3 컨볼루션 연산을 수행하여 분류를 위한 특징 맵(
Figure pat00003
) 및 로컬화를 위한 특징 맵(
Figure pat00004
)을 획득할 수 있다.
프로세서(150)는 분류를 위한 특징 맵(
Figure pat00005
) 및 로컬화를 위한 특징 맵(
Figure pat00006
) 각각을 획득하기 별개의 3×3 컨볼루션 연산(3×3 conv)을 수행하는 대신, 한 번의 3×3 컨볼루션 연산을 수행하고 연산 결과를 공유할 수 있다.
프로세서(150)는 분류를 위한 특징 맵(
Figure pat00007
) 및 로컬화를 위한 특징 맵(
Figure pat00008
)을 획득하기 위해 3×3 뎁스 와이즈 컨볼루션 연산(3×3 DWConv)을 추가로 수행할 수 있다. 프로세서(150)는 분류를 위한 특징 맵(
Figure pat00009
) 및 로컬화를 위한 특징 맵(
Figure pat00010
) 각각을 획득하기 위한 각각의 3×3 뎁스 와이즈 컨볼루션 연산을 수행함으로써 3×3 컨볼루션 연산을 공유함으로써 발생하는 성능 저하를 보상할 수 있다.
타겟 이미지에 대한 분류를 위한 특징 맵(
Figure pat00011
) 및 로컬화를 위한 특징 맵(
Figure pat00012
)은 입력 이미지의 첫번째 프레임에 대해 획득되고, 이후 다른 프레임에 대한 객체 추적 동작에 계속 이용될 수 있다. 다만, 이에 한정되는 것은 아니고, 프로세서(150)는 중간 프레임에 대해 분류를 위한 특징 맵(
Figure pat00013
) 및 로컬화를 위한 특징 맵(
Figure pat00014
)을 획득하여, 업데이트를 수행할 수 있다. 프로세서(150)의 특징 변환에 대해서는 이하에서 도 6을 참조하여 더 상세히 설명하도록 한다.
프로세서(150)는 입력 이미지의 탐색 영역을 크로핑할 수 있다(330). 프로세서(150)는 이전 프레임에서 추적된 바운딩 박스에 기초하여 탐색 영역을 크로핑할 수 있다. 예를 들어, 프로세서(150)는 이전 프레임에서 추적된 바운딩 박스를 포함하면서 설정된 크기로 크로핑할 수 있다. 이하, 설명의 편의를 위해 크로핑된 이미지 역시 탐색 이미지라고 지칭하기로 한다.
프로세서(150)는 탐색 이미지의 특징을 추출할 수 있다(331). 예를 들어, 프로세서(150)는 이미지 내 객체의 특징을 파악할 수 있도록 학습된 뉴럴 네트워크를 이용하여 특징 맵을 획득할 수 있다.
프로세서(150)는 탐색 이미지의 특징 맵을 각각 분류를 위한 특징 맵(
Figure pat00015
) 및 로컬화를 위한 특징 맵(
Figure pat00016
)으로 변환할 수 있다(332 및 333). 탐색 이미지의 특징 변환(332 및 330)은 타겟 이미지의 특징 변환(312 및 333)과 동일할 수 있으므로 반복되는 설명은 생략하기로 한다.
프로세서(150)는 탐색 이미지의 특징 맵(
Figure pat00017
) 및 타겟 이미지의 특징 맵(
Figure pat00018
)에 기초하여 유사도(similarity)를 계산할 수 있다(351). 예를 들어, 프로세서(150)는 탐색 이미지의 특징 맵(
Figure pat00019
) 및 타겟 이미지의 특징 맵(
Figure pat00020
)에 기초하여 박스 회귀를 위한 유사도 맵(similarity map;
Figure pat00021
)을 생성할 수 있다.
프로세서(150)는 탐색 이미지의 특징 맵(
Figure pat00022
) 및 타겟 이미지의 특징 맵(
Figure pat00023
)에 기초하여 유사도를 계산할 수 있다(351). 예를 들어, 프로세서(150)는 탐색 이미지의 특징 맵(
Figure pat00024
) 및 타겟 이미지의 특징 맵(
Figure pat00025
)에 기초하여 객체 분류를 위한 유사도 맵(
Figure pat00026
)을 생성할 수 있다.
프로세서(150)는 유사도 맵(
Figure pat00027
)에 기초하여 박스 회귀를 수행할 수 있다(373). 프로세서(150)는 박스 회귀를 수행하여 바운딩 박스를 획득할 수 있다. 프로세서(150)는 바운딩 박스의 중심 좌표(x,y), 너비(w) 및 높이(h)를 획득할 수 있다.
프로세서(150)는 유사도 맵(
Figure pat00028
)에 기초하여 객체 분류를 수행할 수 있다(373). 프로세서(150)는 유사도 맵(
Figure pat00029
)에서 가장 큰 값을 가지는 영역을 추출할 수 있다.
프로세서(150)는 분류 결과 및 획득한 바운딩 박스를 매칭하여 타겟 객체를 추적할 수 있다.
객체 추적 방법(300)은 타겟 이미지와 탐색 이미지의 상대적 관계만을 포함하는 유사도 맵에 기초하여 객체를 추적하므로, 객체 추적 방법(300)은 타겟 객체의 작은 변화를 추정하기에 용이할 수 있다. 다만, 객체 추적 방법(300)은 추적 객체 자체의 형태 정보가 손실될 수 있으며, 추적 객체의 큰 변화에 취약할 수 있다.
도 4는 도 1에 도시된 객체 추적 장치의 동작의 다른 예를 설명하기 위한 도면이다.
객체 추적 장치(10)에 의해 수행되는 객체 추적 방법(400)은 단계들(410 내지 490)을 포함할 수 있다.
프로세서(150)는 탐색 이미지만을 이용하는 보조 바운딩 박스 회귀를 추가로 수행할 수 있다. 보조 바운딩 박스 회귀는 탐색 이미지 내 객체 검출(object detection) 동작일 수 있다.
객체 추적 방법(400)은 도 3에 도시된 객체 추적 방법(300)에 탐색 이미지만을 이용하는 보조 바운딩 박스 회귀가 추가로 수행되는 것일 수 있다. 즉, 객체 추적 방법(400)의 동작(410 내지 413, 430 내지 433, 451, 452, 472 및 473)은 객체 추적 방법(300)의 동작(310 내지 313, 330 내지 333, 351, 352, 371 및 373)과 동일할 수 있다. 객체 추적 방법(400)의 설명함에 있어, 도 3에 도시된 객체 추적 방법(300)과 중복되는 동작에 대해서는 반복하여 설명하지 않도록 한다.
프로세서(150)는 탐색 이미지에서 추출된 특징 맵을 로컬화를 위한 특징 맵으로 변환할 수 있다(434). 프로세서(150)는 탐색 이미지의 특징 맵에 3×3 컨볼루션 연산을 수행하여 특징 변환을 수행할 수 있다.
프로세서(150)는 특징 변환(432 및 433)에서 수행된 탐색 이미지의 특징 맵에 대한 3×3 컨볼루션 연산 결과를 공유할 수 있다. 즉, 프로세서(150)는 특징 변환(432 내지 434)은 위해 3×3 컨볼루션 연산을 총 한 번만 수행할 수 있다.
프로세서(150)는 변환된 탐색 이미지의 특징 맵에 기초하여 박스 회귀를 수행할 수 있다(471). 프로세서(150)는 타겟 이미지와 유사도를 고려하지 않고 탐색 이미지의 특징만을 이용하여 보조 바운딩 박스를 추정할 수 있다.
프로세서(150)는 보조 바운딩 박스 회귀를 수행함에 있어서, 검출된 객체 정보를 활용하여 적응적으로 박스 회귀를 수행할 수 있다. 적응적 박스 회귀에 대해서는 도 5를 참조하여 상세하게 설명하도록 한다.
프로세서(150)는 탐색 이미지의 특징 맵에 기초한 박스 회귀(471)를 통해 추정된 보조 바운딩 박스와 유사도 맵에 기초한 박스 회귀(473)를 통해 추정된 기본 바운딩 박스의 가중합(weighted sum)을 계산할 수 있다(490). 프로세서(150)는 서로 매칭되는 보조 바운딩 박스 및 기본 바운딩 박스 각각의 파라미터(x,y,w,h)에 학습된 가중치를 적용하여 최종 바운딩 박스를 획득할 수 있다.
프로세서(150)는 최종 바운딩 박스를 객체 분류 결과와 매칭하여 추적 결과를 생성할 수 있다.
객체 추적 방법(400)은 보조 박스 회귀를 포함함으로써, 로컬화 성능을 향상시킬 수 있다. 객체 추적 방법(400)은 탐색 이미지의 특징만을 이용하여 객체 자체의 형태를 추정할 수 있으므로, 추적 객체의 큰 변화에도 강인할 수 있다.
도 5는 도 1에 도시된 객체 추적 장치가 클래스 정보를 적응적으로 활용하는 동작을 상세히 설명하기 위한 도면이다.
객체 추적 장치(10)에 의해 수행되는 객체 추적 방법(500)은 단계들(530 내지 573)을 포함할 수 있다.
객체 추적 방법(500)은 도 4에 도시된 객체 추적 방법(400)에서 보조 바운딩 박스 회귀 동작(로컬화를 위한 특징 변환(434) 및 박스 회귀(471))이 객체 검출 결과에 대해 적응적으로 수행되는 방법일 수 있다. 따라서, 객체 추적 방법(500)에서 객체 추적 방법(400)의 보조 바운딩 박스 회귀 동작(434 및 471) 이외의 동작들은 모두 동일하게 수행될 수 있다.
프로세서(150)는 이전 프레임에서 검출된 객체의 카테고리 정보를 활용하여 적응적으로 박스 회귀를 수행할 수 있다. 프로세서(150)는 서로 다른 객체 클래스에 대해 학습된 뉴럴 네트워크 중 이전 프레임에서 검출된 객체가 포함된 클래스에 대응하는 뉴럴 네트워크를 이용하여 현재 프레임에 대한 객체 추적을 수행할 수 있다.
예를 들어, 프로세서(150)는 클래스 그룹 A 내지 클래스 그룹 D에 대해 학습된 보조 박스 회귀 네트워크(533-1 내지 533-4) 중 분류된 클래스 정보에 대응하는 보조 박스 회귀 네트워크(533-3)에 기초하여 바운딩 박스를 추정할 수 있다. 이때, 보조 박스 회귀 네트워크(533-1 내지 533-4)는 특징 변환 및 박스 회귀를 모두 수행하는 네트워크일 수 있다.
도 6은 도 1에 도시된 객체 추적 장치가 수행하는 특징 변환을 상세히 설명하기 위한 도면이다.
프로세서(150)는 특징 변환을 위한 3×3 컨볼루션 연산 결과를 공유할 수 있다. 프로세서(150)는 타겟 이미지의 특징 맵에 대해 제1 컨볼루션 연산(611)을 수행하고, 탐색 이미지의 특징 맵에 대해 제2 컨볼루션 연산(621)을 수행할 수 있다.
프로세서(150)는 3×3 뎁스 와이즈 컨볼루션 연산을 통해 3×3 컨볼루션 연산 결과를 공유함으로써 발생하는 성능 저하를 보상할 수 있다. 뎁스 와이즈 컨볼루션은 각각의 채널에 대해 독립적으로 수행되는 컨볼루션 연산일 수 있다. 뎁스 와이즈 컨볼루션은 채널 별로 컨볼루션 연산이 수행되므로 연산량이 적을 수 있다.
프로세서(150)는 타겟 이미지의 특징 맵에 수행된 제1 컨볼루션 연산(611)의 결과에 제1 뎁스 와이즈 컨볼루션 연산(631) 및 제2 뎁스 와이즈 컨볼루션 연산(633)을 수행하고, 탐색 이미지의 특징 맵에 수행된 제2 컨볼루션 연산(621)의 결과에 제3 뎁스와이즈 컨볼루션 연산(635) 및 제4 뎁스 와이즈 컨볼루션 연산(637)을 수행할 수 있다.
프로세서(150)는 제1 뎁스 와이즈 컨볼루션 연산(631) 결과와 제1 컨볼루션 연산(611) 결과을 합해(concatenate) 제1 특징 맵을 생성할 수 있고, 제2 뎁스 와이즈 컨볼루션 연산(633) 결과와 제1 컨볼루션 연산(611) 결과를 합해 제2 특징 맵을 생성할 수 있다. 제1 특징 맵은 객체 분류를 위한 타겟 이미지의 특징 맵일 수 있고, 제2 특징 맵은 로컬화를 위한 타겟 이미지의 특징 맵일 수 있다.
프로세서(150)는 제3 뎁스 와이즈 컨볼루션 연산(635) 결과와 제2 컨볼루션 연산(621) 결과를 합해 제3 특징 맵을 생성할 수 있고, 제4 뎁스 와이즈 컨볼루션 연산(637) 결과와 제2 컨볼루션 연산(621) 결과를 합해 제4 특징 맵을 생성할 수 있다. 제3 특징 맵은 객체 분류를 위한 탐색 이미지의 특징 맵일 수 있고, 제4 특징 맵은 로컬화를 위한 탐색 이미지의 특징 맵일 수 있다.
프로세서(150)는 제1 특징 맵 및 제3 특징 맵의 교차 상관(Cross-correlation)을 계산할 수 있다(671). 프로세서(150)는 제1 특징 맵 및 제3 특징 맵의 교차 상관에 기초하여 객체 분류를 위한 제1 유사도 맵을 생성할 수 있다.
프로세서(150)는 제2 특징 맵 및 제4 특징 맵의 교차 상관을 계산할 수 있다(673). 프로세서(150)는 제2 특징 맵 및 제4 특징 맵의 교차 상관에 기초하여 로컬화를 위한 제2 유사도 맵을 생성할 수 있다.
프로세서(150)는 제1 유사도 맵에 기초하여 객체 분류를 수행할 수 잇고, 제2 유사도 맵에 기초하여 로컬화를 수행할 수 있다.
도 7은 도 1에 도시된 객체 추적 장치가 수행하는 보조 박스 회귀를 상세히 설명하기 위한 도면이다.
프로세서(150)는 탐색 이미지의 특징 맵에 기초하여 보조 박스 회귀(750)를 수행할 수 있다.
프로세서(150)는 탐색 이미지의 특징 맵을 보조 박스 회귀를 위한 특징 맵으로 변환할 수 있다. 예를 들어, 프로세서(150)는 탐색 이미지의 특징 맵에 3×3 컨볼루션 연산(710)을 수행하고, 3×3 컨볼루션 연산(710) 결과에 3×3 뎁스 와이즈 컨볼루션 연산(720)을 수행하고, 3×3 컨볼루션 연산(710) 결과 및 3×3 뎁스 와이즈 컨볼루션 연산(720)의 결과를 합하여 보조 박스 회귀를 위한 특징 맵을 획득할 수 있다. 이때, 탐색 이미지의 특징 맵에 대한 3×3 컨볼루션 연산(710) 결과는 도 6에 도시된 제2 컨볼루션 연산(621)의 결과일 수 있다. 즉, 탐색 이미지의 특징 맵에 대한 3×3 컨볼루션 연산(621) 결과는 보조 박스 회귀에 공유될 수 있다.
프로세서(150)는 변환된 특징 맵에 3×3 뎁스 와이즈 컨볼루션 연산(740)을 수행하고, 3×3 뎁스 와이즈 컨볼루션 연산(740) 결과를 이용하여 보조 박스 회귀(750)를 수행할 수 있다. 예를 들어, 프로세서(150)는 맵에 3×3 뎁스 와이즈 컨볼루션 연산(740) 결과에 1×1 컨볼루션 연산(760)을 수행하고, 1×1 컨볼루션 연산(760) 결과에 1×1 컨볼루션 연산(770)을 수행하여 바운딩 박스 추정 결과를 포함하는 특징 맵을 생성할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있으며 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (17)

  1. 탐색 이미지의 특징 맵 및 타겟 이미지의 특징 맵을 생성하는 단계;
    상기 탐색 이미지의 특징 맵 및 상기 타겟 이미지의 특징 맵에 기초하여 객체 분류 결과 및 기본 바운딩 박스를 획득하는 단계;
    상기 탐색 이미지의 특징 맵에 기초하여 보조 바운딩 박스를 획득하는 단계;
    상기 기본 바운딩 박스 및 상기 보조 바운딩 박스에 기초하여 최종 바운딩 박스를 획득하는 단계; 및
    상기 객체 분류 결과 및 상기 최종 바운딩 박스에 기초하여 객체를 추적하는 단계
    를 포함하는, 객체 추적 방법.
  2. 제1항에 있어서,
    상기 객체 분류 결과 및 상기 기본 바운딩 박스를 획득하는 단계는,
    뎁스 와이즈 컨볼루션(Depthwise convolution)을 이용하여 상기 타겟 이미지의 특징 맵을 객체 분류를 위한 제1 특징 맵과 로컬화를 위한 제2 특징 맵으로 변환하는 단계;
    뎁스 와이즈 컨볼루션을 이용하여 상기 탐색 이미지의 특징 맵을 객체 분류를 위한 제3 특징 맵과 바운딩 박스 회귀를 위한 제4 특징 맵으로 변환하는 단계;
    상기 제1 특징 맵과 상기 제3 특징 맵에 기초하여 상기 객체 분류 결과를 획득하는 단계; 및
    상기 제2 특징 맵과 상기 제4 특징 맵에 기초하여 상기 바운딩 박스 회귀를 수행하여 상기 기본 바운딩 박스를 획득하는 단계
    를 포함하는, 객체 추적 방법.
  3. 제2항에 있어서,
    상기 제1 특징 맵 및 상기 제2 특징 맵으로 변환하는 단계는,
    상기 타겟 이미지의 특징 맵에 컨볼루션 연산을 수행하는 단계;
    상기 컨볼루션 연산의 결과에 제1 뎁스 와이즈 컨볼루션 연산 및 제2 뎁스 와이즈 컨볼루션 연산을 수행하는 단계;
    상기 컨볼루션 연산의 결과와 상기 제1 뎁스 와이즈 컨볼루션 연산의 결과를 합하여 상기 제1 특징 맵을 생성하는 단계; 및
    상기 컨볼루션 연산의 결과와 상기 제2 뎁스 와이즈 컨볼루션 연산의 결과를 합하여 상기 제2 특징 맵을 생성하는 단계
    를 포함하는, 객체 추적 방법.
  4. 제2항에 있어서,
    상기 제3 특징 맵 및 상기 제4 특징 맵으로 변환하는 단계는,
    상기 탐색 이미지의 특징 맵에 컨볼루션 연산을 수행하는 단계;
    상기 컨볼루션 연산의 결과에 제1 뎁스 와이즈 컨볼루션 연산 및 제2 뎁스 와이즈 컨볼루션 연산을 수행하는 단계;
    상기 컨볼루션 연산의 결과와 상기 제1 뎁스 와이즈 컨볼루션 연산의 결과를 합하여 상기 제3 특징 맵을 생성하는 단계; 및
    상기 컨볼루션 연산의 결과와 상기 제2 뎁스 와이즈 컨볼루션 연산의 결과를 합하여 상기 제4 특징 맵을 생성하는 단계
    를 포함하는, 객체 추적 방법.
  5. 제1항에 있어서,
    상기 보조 바운딩 박스를 획득하는 단계는,
    상기 탐색 이미지의 특징 맵에 컨볼루션 연산을 수행하는 단계;
    상기 컨볼루션 연산의 결과에 제1 뎁스 와이즈 컨볼루션 연산을 수행하는 단계;
    상기 컨볼루션 연산의 결과 및 상기 제1 뎁스 와이즈 컨볼루션 연산의 결과의 합에 제2 뎁스 와이즈 컨볼루션 연산을 수행하는 단계; 및
    상기 제2 뎁스 와이즈 컨볼루션 연산의 결과에 기초하여 상기 보조 바운딩 박스를 획득하는 단계
    를 포함하는, 객체 추적 방법.
  6. 제5항에 있어서,
    상기 보조 바운딩 박스를 획득하는 단계는,
    상기 제2 뎁스 와이즈 컨볼루션 연산의 결과에 제1 컨볼루션 연산을 수행하는 단계; 및
    상기 제1 컨볼루션 연산의 결과에 제2 컨볼루션 연산을 수행하는 단계
    를 포함하는, 객체 추적 방법.
  7. 제1항에 있어서,
    상기 보조 바운딩 박스를 획득하는 단계는,
    이전 프레임에서 검출된 객체의 카테고리에 기초하여 상기 보조 바운딩 박스를 획득하는 단계
    를 포함하는, 객체 추적 방법.
  8. 제1항에 있어서,
    상기 최종 바운딩 박스를 획득하는 단계는,
    상기 기본 바운딩 박스 및 상기 보조 바운딩 박스의 가중합에 기초하여 상기 최종 바운딩 박스를 획득하는 단계;
    를 포함하는, 객체 추적 방법.
  9. 하드웨어와 결합되어 제1항 내지 제8항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
  10. 인스트럭션들을 포함하는 메모리; 및
    상기 인스트럭션들을 실행하기 위한 프로세서
    를 포함하고,
    상기 프로세서에 의해 상기 인스트럭션들이 실행될 때, 상기 프로세서는,
    탐색 이미지의 특징 맵 및 타겟 이미지의 특징 맵을 생성하고, 상기 탐색 이미지의 특징 맵 및 상기 타겟 이미지의 특징 맵에 기초하여 객체 분류 결과 및 기본 바운딩 박스를 획득하고, 상기 탐색 이미지의 특징 맵에 기초하여 보조 바운딩 박스를 획득하고, 상기 기본 바운딩 박스 및 상기 보조 바운딩 박스에 기초하여 최종 바운딩 박스를 획득하고, 상기 객체 분류 결과 및 상기 최종 바운딩 박스에 기초하여 객체를 추적하는, 객체 추적 장치.
  11. 제10항에 있어서,
    상기 프로세서는,
    뎁스 와이즈 컨볼루션(Depthwise convolution)을 이용하여 상기 타겟 이미지의 특징 맵을 객체 분류를 위한 제1 특징 맵과 바운딩 박스 회귀를 위한 제2 특징 맵으로 변환하고, 뎁스 와이즈 컨볼루션을 이용하여 상기 탐색 이미지의 특징 맵을 객체 분류를 위한 제3 특징 맵과 바운딩 박스 회귀를 위한 제4 특징 맵으로 변환하고, 상기 제1 특징 맵과 상기 제3 특징 맵에 기초하여 상기 객체 분류 결과를 획득하고, 상기 제2 특징 맵과 상기 제4 특징 맵에 기초하여 상기 바운딩 박스 회귀를 수행하여 상기 기본 바운딩 박스를 획득하는, 객체 추적 장치.
  12. 제11항에 있어서,
    상기 프로세서는,
    상기 타겟 이미지의 특징 맵에 컨볼루션 연산을 수행하고, 상기 컨볼루션 연산의 결과에 제1 뎁스 와이즈 컨볼루션 연산 및 제2 뎁스 와이즈 컨볼루션 연산을 수행하고, 상기 컨볼루션 연산의 결과와 상기 제1 뎁스 와이즈 컨볼루션 연산의 결과를 합하여 상기 제1 특징 맵을 생성하고, 상기 컨볼루션 연산의 결과와 상기 제2 뎁스 와이즈 컨볼루션 연산의 결과를 합하여 상기 제2 특징 맵을 생성하는, 객체 추적 장치.
  13. 제11항에 있어서,
    상기 프로세서는,
    상기 탐색 이미지의 특징 맵에 컨볼루션 연산을 수행하고, 상기 컨볼루션 연산의 결과에 제1 뎁스 와이즈 컨볼루션 연산 및 제2 뎁스 와이즈 컨볼루션 연산을 수행하고, 상기 컨볼루션 연산의 결과와 상기 제1 뎁스 와이즈 컨볼루션 연산의 결과를 합하여 상기 제3 특징 맵을 생성하고, 상기 컨볼루션 연산의 결과와 상기 제2 뎁스 와이즈 컨볼루션 연산의 결과를 합하여 상기 제4 특징 맵을 생성하는, 객체 추적 장치.
  14. 제10항에 있어서,
    상기 프로세서는,
    상기 탐색 이미지의 특징 맵에 컨볼루션 연산을 수행하고, 상기 컨볼루션 연산의 결과에 제1 뎁스 와이즈 컨볼루션 연산을 수행하고, 상기 컨볼루션 연산의 결과 및 상기 제1 뎁스 와이즈 컨볼루션 연산의 결과의 합에 제2 뎁스 와이즈 컨볼루션 연산을 수행하고, 상기 제2 뎁스 와이즈 컨볼루션 연산의 결과에 기초하여 상기 보조 바운딩 박스를 획득하는, 객체 추적 장치.
  15. 제13항에 있어서,
    상기 프로세서는,
    상기 제2 뎁스 와이즈 컨볼루션 연산의 결과에 제1 컨볼루션 연산을 수행하고, 상기 제1 컨볼루션 연산의 결과에 제2 컨볼루션 연산을 수행하는, 객체 추적 장치.
  16. 제10항에 있어서,
    상기 프로세서는,
    이전 프레임에서 검출된 객체의 카테고리에 기초하여 상기 보조 바운딩 박스를 획득하는, 객체 추적 장치.
  17. 제10항에 있어서,
    상기 프로세서는,
    상기 기본 바운딩 박스 및 상기 보조 바운딩 박스의 가중합에 기초하여 상기 최종 바운딩 박스를 획득하는, 객체 추적 장치.
KR1020200136783A 2020-10-21 2020-10-21 객체 추적 방법 및 이를 수행하는 장치 KR20220052620A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200136783A KR20220052620A (ko) 2020-10-21 2020-10-21 객체 추적 방법 및 이를 수행하는 장치
US17/227,719 US11335012B2 (en) 2020-10-21 2021-04-12 Object tracking method and apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200136783A KR20220052620A (ko) 2020-10-21 2020-10-21 객체 추적 방법 및 이를 수행하는 장치

Publications (1)

Publication Number Publication Date
KR20220052620A true KR20220052620A (ko) 2022-04-28

Family

ID=81185226

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200136783A KR20220052620A (ko) 2020-10-21 2020-10-21 객체 추적 방법 및 이를 수행하는 장치

Country Status (2)

Country Link
US (1) US11335012B2 (ko)
KR (1) KR20220052620A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024005279A1 (ko) * 2022-06-29 2024-01-04 주식회사 쓰리아이 소프트웨어 기반의 객체 트래킹 제공 방법 및 그를 위한 컴퓨팅 장치

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9940726B2 (en) 2014-12-19 2018-04-10 The Boeing Company System and method to improve object tracking using tracking fingerprints
CN105844128B (zh) 2015-01-15 2021-03-02 北京三星通信技术研究有限公司 身份识别方法和装置
CA3056026A1 (en) 2016-03-22 2017-09-28 Communities Uncomplicated Inc. A method and system for tracking objects
US10346723B2 (en) 2016-11-01 2019-07-09 Snap Inc. Neural network for object detection in images
WO2018093796A1 (en) 2016-11-15 2018-05-24 Magic Leap, Inc. Deep learning system for cuboid detection
KR101995107B1 (ko) 2017-03-23 2019-07-01 한국과학기술원 딥 러닝을 이용한 인공지능 기반 영상 감시 방법 및 시스템
US11017556B2 (en) * 2017-10-04 2021-05-25 Nvidia Corporation Iterative spatio-temporal action detection in video
US10628961B2 (en) 2017-10-13 2020-04-21 Qualcomm Incorporated Object tracking for neural network systems
US9946960B1 (en) * 2017-10-13 2018-04-17 StradVision, Inc. Method for acquiring bounding box corresponding to an object in an image by using convolutional neural network including tracking network and computing device using the same
KR102109941B1 (ko) 2018-01-23 2020-05-12 충북대학교 산학협력단 라이다 센서 및 카메라를 이용한 객체 검출 방법 및 그를 위한 장치
CN108830211A (zh) 2018-06-11 2018-11-16 厦门中控智慧信息技术有限公司 基于深度学习的人脸识别方法及相关产品
KR102108854B1 (ko) 2018-10-05 2020-05-12 재단법인대구경북과학기술원 딥러닝 네트워크 모델에 의한 실시간 객체 검출 방법 및 장치
KR102197946B1 (ko) 2018-11-30 2021-01-04 (주)케이아이오티 딥러닝 인공지능 기술을 이용한 객체인식 및 카운팅 방법
US11200671B2 (en) * 2019-12-31 2021-12-14 International Business Machines Corporation Reference image guided object detection in medical image processing
US11915432B2 (en) * 2020-01-16 2024-02-27 Samsung Electronics Co., Ltd. Method and apparatus for tracking target
KR20210116966A (ko) * 2020-03-18 2021-09-28 삼성전자주식회사 타겟 트래킹 방법 및 장치

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024005279A1 (ko) * 2022-06-29 2024-01-04 주식회사 쓰리아이 소프트웨어 기반의 객체 트래킹 제공 방법 및 그를 위한 컴퓨팅 장치

Also Published As

Publication number Publication date
US11335012B2 (en) 2022-05-17
US20220122273A1 (en) 2022-04-21

Similar Documents

Publication Publication Date Title
US10672131B2 (en) Control method, non-transitory computer-readable storage medium, and control apparatus
JP7033373B2 (ja) ターゲット検出方法及び装置、スマート運転方法、装置並びに記憶媒体
Hannuna et al. DS-KCF: a real-time tracker for RGB-D data
KR102108854B1 (ko) 딥러닝 네트워크 모델에 의한 실시간 객체 검출 방법 및 장치
US10860837B2 (en) Deep multi-task learning framework for face detection, landmark localization, pose estimation, and gender recognition
US10679355B2 (en) System and method for detecting moving obstacles based on sensory prediction from ego-motion
KR20200095335A (ko) 고정밀도 이미지를 분석하는 딥러닝 네트워크의 학습에 이용하기 위한 트레이닝 이미지를 오토 라벨링하기 위한 방법 및 이를 이용한 오토 라벨링 장치
KR102160224B1 (ko) 약한 지도학습 객체 검출기에 기반한 의미론적 객체 영역 분할 방법 및 시스템
KR102073162B1 (ko) 딥러닝 기반의 소형 물체 검출 기법
US10423860B1 (en) Learning method and learning device for object detector based on CNN to be used for multi-camera or surround view monitoring using image concatenation and target object merging network, and testing method and testing device using the same
US10430691B1 (en) Learning method and learning device for object detector based on CNN, adaptable to customers' requirements such as key performance index, using target object merging network and target region estimating network, and testing method and testing device using the same to be used for multi-camera or surround view monitoring
KR102455632B1 (ko) 스테레오 매칭 방법 및 장치
US20160224864A1 (en) Object detecting method and apparatus based on frame image and motion vector
US20220148284A1 (en) Segmentation method and segmentation apparatus
CN109255382B (zh) 用于图片匹配定位的神经网络系统，方法及装置
KR102434574B1 (ko) 이미지에 포함된 특징 포인트의 시간 또는 공간의 움직임에 기초하여 이미지에 존재하는 피사체를 인식하는 장치 및 방법
KR20210116953A (ko) 타겟 트래킹 방법 및 장치
KR20220122456A (ko) 영상 데이터에 포함된 개인식별정보 비식별화 방법 및 이를 수행하는 장치
Chen et al. Occlusion-robust object pose estimation with holistic representation
KR20220052620A (ko) 객체 추적 방법 및 이를 수행하는 장치
Al Mamun et al. Efficient lane marking detection using deep learning technique with differential and cross-entropy loss.
Eilertsen et al. BriefMatch: Dense binary feature matching for real-time optical flow estimation
Khan et al. Feature-Based Tracking via SURF Detector and BRISK Descriptor
KR101853211B1 (ko) 모바일 gpu 환경에서 차영상 정보를 이용한 sift 알고리즘의 복잡도 감소 기법
JP7511690B2 (ja) 情報処理装置、選択出力方法、及び選択出力プログラム

Legal Events

Date Code Title Description
A201 Request for examination