KR20220086403A - LPWAN(Low Power Wide Area Network) 환경에서 영상에 기초하여 객체에 관한 정보를 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 - Google Patents

LPWAN(Low Power Wide Area Network) 환경에서 영상에 기초하여 객체에 관한 정보를 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 Download PDF

Info

Publication number
KR20220086403A
KR20220086403A KR1020200176824A KR20200176824A KR20220086403A KR 20220086403 A KR20220086403 A KR 20220086403A KR 1020200176824 A KR1020200176824 A KR 1020200176824A KR 20200176824 A KR20200176824 A KR 20200176824A KR 20220086403 A KR20220086403 A KR 20220086403A
Authority
KR
South Korea
Prior art keywords
category information
captured image
detection result
image
present
Prior art date
Application number
KR1020200176824A
Other languages
English (en)
Other versions
KR102597045B1 (ko
Inventor
정종수
박수민
송보근
Original Assignee
주식회사 콕스랩
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 콕스랩 filed Critical 주식회사 콕스랩
Priority to KR1020200176824A priority Critical patent/KR102597045B1/ko
Priority to PCT/KR2021/018927 priority patent/WO2022131733A1/ko
Publication of KR20220086403A publication Critical patent/KR20220086403A/ko
Application granted granted Critical
Publication of KR102597045B1 publication Critical patent/KR102597045B1/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
    • G06V10/10—Image acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06K9/6267—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation

Landscapes

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

Abstract

본 발명의 일 태양에 따르면, LPWAN(Low Power Wide Area Network) 환경에서 영상에 기초하여 객체에 관한 정보를 추정하기 위한 방법으로서, 촬영 영상에서 검출할 객체의 상위 카테고리 정보를 추정하도록 학습되는 객체 검출 모델을 이용하여 상기 객체에 관한 촬영 영상에서 상기 객체가 검출된 결과 및 상기 검출 결과에 기초하여 생성되는 상기 촬영 영상에 관한 부분 영상을 획득하는 단계, 및 상기 촬영 영상에 관한 부분 영상으로부터 상기 객체의 하위 카테고리 정보를 추정하도록 학습되는 객체 분류 모델을 이용하여, 상기 획득되는 검출 결과 및 상기 부분 영상에 기초하여 상기 객체의 하위 카테고리 정보를 추정하는 단계를 포함하고, 상기 검출 결과에는 상기 객체의 상위 카테고리 정보가 포함되는 방법이 제공된다.

Description

LPWAN(Low Power Wide Area Network) 환경에서 영상에 기초하여 객체에 관한 정보를 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체{METHOD, SYSTEM AND NON-TRANSITORY COMPUTER-READABLE RECORDING MEDIUM FOR ESTIMATING INFORMATION ON OBJECTS BASED ON IMAGE IN LPWAN ENVIRONMENT}
본 발명은 LPWAN(Low Power Wide Area Network) 환경에서 영상에 기초하여 객체에 관한 정보를 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체에 관한 것이다.
근래에 들어, 인공 지능 관련 기술이 급격히 발전함에 따라 인공 지능을 이용하여 영상에서 객체를 검출하는 방법에 관한 다양한 기술들이 소개되고 있다.
이에 관한 종래 기술의 일 예로서, 복수의 네트워크 카메라들에 의하여 획득되는 촬영 영상을 인공신경망 모델을 이용하여 분석함으로써, 위의 촬영 영상에서 특정 객체를 검출하는 기술을 예로 들 수 있는데, 이렇게 인공신경망을 이용하여 영상에서 객체를 검출하기 위해서는 상당히 많은 양의 연산이 처리되어야 하기 때문에, 고사양의 GPU(Graphic Processor Unit)를 포함한 컴퓨터 시스템을 갖추는 것이 일반적이다.
그리고, 복수의 네트워크 카메라들로부터 실시간으로 영상을 획득하고, 그 영상에서 특정 객체를 검출한 결과를 실시간으로 응답하여야 할 필요가 있는 경우에는, 이러한 컴퓨터 시스템의 구축 비용이 더 높아질 뿐만 아니라, 복수의 네트워크 카메라들과 위의 컴퓨터 시스템 사이에서 주고받는 데이터양도 많아지므로 통신 비용도 매우 높아지게 된다.
최근에는 비용 절감을 위한 대안으로서, GPU를 경량화한 산업용 에지 컴퓨팅(edge computing) 솔루션들이 등장하고 있으나, 본래 많은 양의 연산을 처리하는 GPU의 특성상 간단한 임베디드 시스템에 비하여 많은 전력을 소모한다는 문제점이 있다.
또한, 최근에는 고사양의 GPU를 사용하는 대신에, 행렬곱 연산만을 가속화하는 기능을 탑재한 마이크로프로세서나 FPGA(Field Programmable Gate Array) 등을 임베디드 시스템에 내장함으로써 큰 전력 소모 없이 저렴한 비용으로 인공신경망 모델 기반의 객체 검출을 지원하려는 시도도 있다. 다만, 이러한 경우 소프트웨어인 인공신경망 모델이 위와 같은 특수한 하드웨어에 적합하게 변형 및 경량화되어야 할 뿐만 아니라, 그러한 변형 및 경량화로 인하여 인공신경망 모델의 성능이 저하된다는 문제점도 있다.
한편, 최근에 각광받고 있는 에지 컴퓨팅, 온 디바이스(on-device) AI 등의 개념은 중앙 서버의 기능을 분산시킴으로써 중앙 서버의 부하를 줄이고, 통신망을 통하여 중앙 서버와 주고받는 데이터양을 줄임으로써 AI 모델의 응답 속도를 높이는 데에 그 목표가 있다. 특히, 통신 부하, 즉, 중앙 서버와 주고받는 데이터양을 줄이는 것은 AI 모델의 응답 속도를 높이는 것 외에 시스템 구축 비용을 줄이는 데에도 직접적인 영향을 미치는 요소이다.
다만, 인공신경망 모델을 이용한 객체 검출 시스템을 구축함에 있어서, 시스템 구축 비용을 줄이기 위한 목적으로 고사양의 GPU 대신에 제한적인 연산 능력을 갖는 프로세서를 사용하고, 이더넷, Wi-Fi, LTE 등의 광대역 통신망 대신에 LPWAN(Low Power Wide Area Network)와 같이 대역폭이 제한적인 통신망을 사용(즉, 서버와 주고받는 데이터양을 최소화)하게 되면, 고사양의 GPU 및 광대역 통신망을 사용하는 경우에 비하여 인공신경망 모델의 성능이 저하될 가능성이 높다. 상술한 바와 같이, 인공신경망 모델 기반의 객체 검출에는 많은 연산의 처리가 요구되기 때문이다.
이에 본 발명자(들)는, 제한적인 연산 능력만을 갖는 네트워크 카메라 및 대역폭이 제한적인 LPWAN을 사용함으로써 저렴한 비용으로 인공신경망 모델을 이용한 객체 검출 시스템을 구축할 수 있도록 지원하면서, 그 인공신경망 모델의 성능(즉, 검출 속도 및 정확도)도 높게 유지할 수 있도록 지원하는 기술을 제안하는 바이다.
등록특허공보 제10-2029751호 (2019. 10. 8)
본 발명은 전술한 종래 기술의 문제점을 모두 해결하는 것을 그 목적으로 한다.
또한, 본 발명은, 촬영 영상에서 검출할 객체의 상위 카테고리 정보를 추정하도록 학습되는 객체 검출 모델을 이용하여 위의 객체에 관한 촬영 영상에서 위의 객체가 검출된 결과 및 위의 검출 결과에 기초하여 생성되는 위의 촬영 영상에 관한 부분 영상을 획득하고, 위의 촬영 영상에 관한 부분 영상으로부터 위의 객체의 하위 카테고리 정보를 추정하도록 학습되는 객체 분류 모델을 이용하여, 위의 획득되는 검출 결과 및 위의 부분 영상에 기초하여 위의 객체의 하위 카테고리 정보를 추정하고, 위의 검출 결과에는 위의 객체의 상위 카테고리 정보가 포함되는 것을 다른 목적으로 한다.
또한, 본 발명은, 촬영 영상에서 검출할 객체의 상위 카테고리 정보를 추정하도록 학습되는 객체 검출 모델을 이용하여 위의 객체에 관한 촬영 영상에서 위의 객체를 검출하고, 위의 검출 결과 및 위의 검출 결과에 기초하여 생성되는 위의 촬영 영상에 관한 부분 영상을 서버에 전송하고, 위의 검출 결과에는 위의 객체의 상위 카테고리 정보가 포함되는 것을 또 다른 목적으로 한다.
또한, 본 발명은, 저렴한 비용으로 인공신경망 모델을 이용한 객체 검출 시스템을 구축할 수 있도록 지원하면서, 그 인공신경망 모델의 성능도 높게 유지할 수 있도록 지원하는 것을 또 다른 목적으로 한다.
상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.
본 발명의 일 태양에 따르면, 촬영 영상에서 검출할 객체의 상위 카테고리 정보를 추정하도록 학습되는 객체 검출 모델을 이용하여 상기 객체에 관한 촬영 영상에서 상기 객체가 검출된 결과 및 상기 검출 결과에 기초하여 생성되는 상기 촬영 영상에 관한 부분 영상을 획득하는 단계, 및 상기 촬영 영상에 관한 부분 영상으로부터 상기 객체의 하위 카테고리 정보를 추정하도록 학습되는 객체 분류 모델을 이용하여, 상기 획득되는 검출 결과 및 상기 부분 영상에 기초하여 상기 객체의 하위 카테고리 정보를 추정하는 단계를 포함하고, 상기 검출 결과에는 상기 객체의 상위 카테고리 정보가 포함되는 방법이 제공된다.
본 발명의 다른 태양에 따르면, 촬영 영상에서 검출할 객체의 상위 카테고리 정보를 추정하도록 학습되는 객체 검출 모델을 이용하여 상기 객체에 관한 촬영 영상에서 상기 객체를 검출하는 단계, 및 상기 검출 결과 및 상기 검출 결과에 기초하여 생성되는 상기 촬영 영상에 관한 부분 영상을 서버에 전송하는 단계를 포함하고, 상기 검출 결과에는 상기 객체의 상위 카테고리 정보가 포함되는 방법이 제공된다.
본 발명의 또 다른 태양에 따르면, 촬영 영상에서 검출할 객체의 상위 카테고리 정보를 추정하도록 학습되는 객체 검출 모델을 이용하여 상기 객체에 관한 촬영 영상에서 상기 객체가 검출된 결과 및 상기 검출 결과에 기초하여 생성되는 상기 촬영 영상에 관한 부분 영상을 획득하는 검출 결과 획득부, 및 상기 촬영 영상에 관한 부분 영상으로부터 상기 객체의 하위 카테고리 정보를 추정하도록 학습되는 객체 분류 모델을 이용하여, 상기 획득되는 검출 결과 및 상기 부분 영상에 기초하여 상기 객체의 하위 카테고리 정보를 추정하는 객체 분류부를 포함하고, 상기 검출 결과에는 상기 객체의 상위 카테고리 정보가 포함되는 시스템이 제공된다.
본 발명의 또 다른 태양에 따르면, 촬영 영상에서 검출할 객체의 상위 카테고리 정보를 추정하도록 학습되는 객체 검출 모델을 이용하여 상기 객체에 관한 촬영 영상에서 상기 객체를 검출하는 객체 검출부, 및 상기 검출 결과 및 상기 검출 결과에 기초하여 생성되는 상기 촬영 영상에 관한 부분 영상을 서버에 전송하는 검출 결과 관리부를 포함하고, 상기 검출 결과에는 상기 객체의 상위 카테고리 정보가 포함되는 시스템이 제공된다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 비일시성의 컴퓨터 판독 가능한 기록 매체가 더 제공된다.
본 발명에 의하면, 저렴한 비용으로 인공신경망 모델을 이용한 객체 검출 시스템을 구축할 수 있도록 지원하면서, 그 인공신경망 모델의 성능도 높게 유지할 수 있도록 지원할 수 있게 된다.
도 1은 본 발명의 일 실시예에 따라 LPWAN 환경에서 영상에 기초하여 객체에 관한 정보를 추정하기 위한 전체 시스템의 개략적인 구성을 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 서버의 내부 구성을 상세하게 도시하는 도면이다.
도 3은 본 발명의 일 실시예에 따른 네트워크 카메라의 내부 구성을 상세하게 도시하는 도면이다.
도 4는 본 발명의 일 실시예에 따라 객체에 관한 정보를 추정하는 과정을 예시적으로 나타내는 도면이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 본 명세서에 기재되어 있는 특정 형상, 구조 및 특성은 본 발명의 정신과 범위를 벗어나지 않으면서 일 실시예로부터 다른 실시예로 변경되어 구현될 수 있다. 또한, 각각의 실시예 내의 개별 구성요소의 위치 또는 배치도 본 발명의 정신과 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 행하여지는 것이 아니며, 본 발명의 범위는 특허청구범위의 청구항들이 청구하는 범위 및 그와 균등한 모든 범위를 포괄하는 것으로 받아들여져야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 구성요소를 나타낸다.
이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 여러 바람직한 실시예에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
전체 시스템의 구성
도 1은 본 발명의 일 실시예에 따라 LPWAN 환경에서 영상에 기초하여 객체에 관한 정보를 추정하기 위한 전체 시스템의 개략적인 구성을 나타내는 도면이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 전체 시스템은 LPWAN(100), 서버(200) 및 네트워크 카메라(300)를 포함할 수 있다.
먼저, 본 발명의 일 실시예에 따른 LPWAN(Low Power Wide Area Network; 100)은 서비스 범위가 10km 이상으로 매우 넓고, 초당 수백 킬로비트(kbps)의 통신 속도를 제공하는 저전력의 무선 광역 통신망을 의미한다. 이러한 LPWAN(100)에는 로라완(LoRaWAN), 시그폭스(SIGFOX), 엘티이-엠티시(LTE-MTC), 협대역 사물 인터넷(NB-IoT) 등이 포함되며, 특히, 로라완(LoRaWAN)은, Wi-Fi, Bluetooth, Zigbee 등 기존의 근거리 무선 통신보다 통신 속도는 느리지만, 개활지에서는 약 30km, 도심에서는 약 1km의 장거리 통신이 가능한 특징이 있다.
다음으로, 본 발명의 일 실시예에 따른 서버(200)는 촬영 영상에서 검출할 객체의 상위 카테고리 정보를 추정하도록 학습되는 객체 검출 모델을 이용하여 위의 객체에 관한 촬영 영상에서 위의 객체가 검출된 결과 및 위의 검출 결과에 기초하여 생성되는 위의 촬영 영상에 관한 부분 영상을 획득하고, 위의 촬영 영상에 관한 부분 영상으로부터 위의 객체의 하위 카테고리 정보를 추정하도록 학습되는 객체 분류 모델을 이용하여, 위의 획득되는 검출 결과 및 위의 부분 영상에 기초하여 위의 객체의 하위 카테고리 정보를 추정하는 기능을 수행할 수 있다. 여기서, 본 발명의 일 실시예에 따르면, 위의 검출 결과에는 위의 객체의 상위 카테고리 정보가 포함될 수 있다.
다음으로, 본 발명의 일 실시예에 따른 네트워크 카메라(300)는 촬영 영상에서 검출할 객체의 상위 카테고리 정보를 추정하도록 학습되는 객체 검출 모델을 이용하여 위의 객체에 관한 촬영 영상에서 위의 객체를 검출하고, 위의 검출 결과 및 위의 검출 결과에 기초하여 생성되는 위의 촬영 영상에 관한 부분 영상을 서버에 전송하는 기능을 수행할 수 있다. 여기서, 본 발명의 일 실시예에 따르면, 위의 검출 결과에는 위의 객체의 상위 카테고리 정보가 포함될 수 있다.
본 발명에 따른 서버(200) 및 네트워크 카메라(300)의 구성과 기능에 관하여는 이하의 상세한 설명을 통하여 자세하게 알아보기로 한다.
한편, 본 발명의 일 실시예에 따른 네트워크 카메라(300)는 LPWAN 환경에서 서버(200)와 통신할 수 있는 기능 및 영상 촬영 기능을 포함하는 디지털 기기로서, 메모리 수단을 구비하고 마이크로 프로세서를 탑재하여 연산 능력을 갖춘 디지털 기기라면 얼마든지 본 발명에 따른 네트워크 카메라(300)로서 채택될 수 있다. 여기서, 본 발명의 일 실시예에 따른 네트워크 카메라(300)는, 네트워크 카메라 그 자체(예를 들면, 상용 보안 카메라)를 지칭하는 것일 수 있지만, 그와 유선 및/또는 무선으로 연결(또는 결합)될 수 있는 하드웨어 장치까지 포괄하여 지칭하는 것일 수도 있다.
한편, 서버(200) 및 네트워크 카메라(300)에는, 본 발명에 따른 LPWAN 환경에서 영상에 기초하여 객체에 관한 정보를 추정하는 기능을 지원하는 애플리케이션(미도시됨)이 포함될 수 있다. 이와 같은 애플리케이션은 외부의 애플리케이션 배포 서버(미도시됨)로부터 다운로드된 것일 수 있다. 여기서, 애플리케이션은 그 적어도 일부가 필요에 따라 그것과 실질적으로 동일하거나 균등한 기능을 수행할 수 있는 하드웨어 장치나 펌웨어 장치로 치환될 수도 있다.
서버의 구성
이하에서는, 본 발명의 구현을 위하여 중요한 기능을 수행하는 서버(200)의 내부 구성과 각 구성요소의 기능에 대하여 살펴보기로 한다.
도 2는 본 발명의 일 실시예에 따른 서버(200)의 내부 구성을 상세하게 도시하는 도면이다.
도 2에 도시된 바와 같이, 본 발명의 일 실시예에 따른 서버(200)는, 검출 결과 획득부(210), 객체 분류부(220), 모델 관리부(230), 통신부(240) 및 제어부(250)를 포함하여 구성될 수 있다. 본 발명의 일 실시예에 따르면, 검출 결과 획득부(210), 객체 분류부(220), 모델 관리부(230), 통신부(240) 및 제어부(250)는 그 중 적어도 일부가 외부의 시스템(미도시됨)과 통신하는 프로그램 모듈일 수 있다. 이러한 프로그램 모듈은 운영 시스템, 응용 프로그램 모듈 또는 기타 프로그램 모듈의 형태로 서버(200)에 포함될 수 있고, 물리적으로는 여러 가지 공지의 기억 장치에 저장될 수 있다. 또한, 이러한 프로그램 모듈은 서버(200)과 통신 가능한 원격 기억 장치에 저장될 수도 있다. 한편, 이러한 프로그램 모듈은 본 발명에 따라 후술할 특정 업무를 수행하거나 특정 추상 데이터 유형을 실행하는 루틴, 서브루틴, 프로그램, 오브젝트, 컴포넌트, 데이터 구조 등을 포괄하지만, 이에 제한되지는 않는다.
한편, 서버(200)에 관하여 위와 같이 설명되었으나, 이러한 설명은 예시적인 것이고, 서버(200)의 구성요소 또는 기능 중 적어도 일부가 필요에 따라 외부 시스템(미도시됨) 내에서 실현되거나 포함될 수도 있음은 당업자에게 자명하다.
먼저, 본 발명의 일 실시예에 따른 검출 결과 획득부(210)는, 촬영 영상에서 검출할 객체의 상위 카테고리 정보를 추정하도록 학습되는 객체 검출 모델을 이용하여 위의 객체에 관한 촬영 영상에서 위의 객체가 검출된 결과 및 위의 검출 결과에 기초하여 생성되는 위의 촬영 영상에 관한 부분 영상을 획득하는 기능을 수행할 수 있다.
구체적으로, 본 발명의 일 실시예에 따른 객체 검출부(310)는, 위의 객체 검출 모델을 이용하여 객체에 관한 촬영 영상에서 위의 객체를 검출할 수 있고, 위의 객체가 검출된 결과에 기초하여 위의 촬영 영상에 관한 부분 영상을 생성할 수 있다. 그리고, 본 발명의 일 실시예에 따른 검출 결과 획득부(210)는, LPWAN 환경에서 위의 검출 결과 및 위의 부분 영상을 획득할 수 있다.
보다 구체적으로, 본 발명의 일 실시예에 따르면, 위의 검출 결과에는, 촬영 영상에서 검출할 객체의 상위 카테고리 정보 및 그 검출을 수행한 네트워크 카메라(300)의 식별 정보가 포함될 수 있다. 즉, 본 발명의 일 실시예에 따른 검출 결과 획득부(210)가 획득하는 검출 결과는, 네트워크 카메라(300)에 의하여 촬영 영상에서 검출할 객체가 상위 카테고리 수준에서 검출된 결과를 의미할 수 있다. 그리고, 본 발명의 일 실시예에 따르면, 위의 상위 카테고리 정보는, 사용자에 의하여 선택되는 객체, 즉, 촬영 영상에서 검출할 객체의 둘 이상의 하위 카테고리 정보와 연관될 수 있다.
예를 들어, 본 발명의 일 실시예에 따르면, 촬영 영상에서 검출할 객체의 하위 카테고리 정보로서, 사용자에 의하여 '버스'와 '트럭'이 선택된 경우를 가정할 수 있다. 이러한 경우에, 본 발명의 일 실시예에 따른 검출 결과 획득부(210)는, 위의 객체의 상위 카테고리 정보를 '차량'으로 결정하거나, 위의 사용자가 위의 하위 카테고리 정보와 연관되는 상위 카테고리 정보로서, '차량', '대형 차량' 등을 선택할 수 있도록 위의 사용자에게 적절한 정보를 제공할 수 있다.
다른 예를 들어, 본 발명의 일 실시예에 따르면, 촬영 영상에서 검출할 객체의 상위 카테고리 정보로서, 사용자에 의하여 '사람'이 선택된 경우를 가정할 수 있다. 이러한 경우에, 본 발명의 일 실시예에 따른 검출 결과 획득부(210)는, 위의 객체의 하위 카테고리 정보를 '어른' 및 '어린이'로 결정하거나, 위의 사용자가 위의 상위 카테고리 정보와 연관되는 하위 카테고리 정보로서, '어른', '어린이', '남자', '여자' 등을 선택할 수 있도록 위의 사용자에게 적절한 정보를 제공할 수 있다.
다만, 본 발명의 일 실시예에 따른 객체의 상위 카테고리 정보 및 하위 카테고리 정보의 종류 및 해당 정보들을 결정하는 방식은 위에서 설명된 것에 한정되지 않으며, 본 발명의 목적을 달성할 수 있는 범위 내에서 다양하게 변경될 수 있다.
계속하면, 본 발명의 일 실시예에 따른 검출 결과 획득부(210)가 획득하는 촬영 영상에 관한 부분 영상은, 위의 촬영 영상에서 객체가 검출된 영역에 관한 영상(예를 들면, 위의 객체가 검출된 바운딩 박스(bounding box)의 경계에 따라 잘라낸 영상)을 의미할 수 있다. 그리고, 촬영 영상에서 복수의 객체가 검출되는 경우에는, 본 발명의 일 실시예에 따른 객체 검출부(310)는, 그 검출되는 복수의 객체 각각에 대하여 부분 영상을 생성할 수 있다. 그리고, 본 발명의 일 실시예에 따른 검출 결과 획득부(210)는, 위의 각각 생성되는 부분 영상을 획득할 수 있다. 한편, 본 발명의 일 실시예에 따르면, 위의 부분 영상은 해당 부분 영상 자체만을 의미할 수 있지만, 촬영 영상에서 해당 부분 영상이 차지하는 위치에 관한 정보(예를 들면, 좌표)까지 포함할 수도 있다. 본 발명의 일 실시예에 따른 검출 결과 획득부(210)는, 위와 같이 네트워크 카메라(300)에 의하여 촬영되는 객체에 관한 촬영 영상 전체가 아닌 해당 촬영 영상에 관한 부분 영상만을 획득하게 되므로, LPWAN와 같이 대역폭이 제한되는 통신 환경에서도 객체 검출 시스템이 안정적으로 운영되도록 할 수 있다.
한편, 본 발명의 일 실시예에 따른 객체 검출부(310)에서 이용되는 객체 검출 모델은, 서버(200)에서 생성되는 객체 검출 모델이 경량화되어 배포된 것일 수 있다.
구체적으로, 본 발명의 일 실시예에 따른 모델 관리부(230)는, 촬영 영상에서 검출할 객체의 상위 카테고리 정보를 추정하도록 학습되는 객체 검출 모델을 생성할 수 있다. 본 발명의 일 실시예에 따르면, 이러한 객체 검출 모델을 생성함에 있어서 사용되는 촬영 영상에서 검출할 객체에 관한 학습 데이터는, 위의 객체에 관한 촬영 영상 및 그 촬영 영상에 관한 라벨링 데이터로서 위의 촬영 영상에서 위의 객체가 위치하는 영역에 관한 정보와 위의 객체의 상위 카테고리 정보를 포함할 수 있다. 즉, 본 발명의 일 실시예에 따른 모델 관리부(230)는, 위의 객체 검출 모델이 위의 객체의 하위 카테고리 정보가 아닌 상위 카테고리 정보를 추정하도록 위의 객체 검출 모델을 학습시킬 수 있다. 그리고, 이에 따라, 위의 객체 검출 모델은 검출해야 하는 객체의 종류가 줄어들게 되므로, 하위 카테고리 정보를 추정하는 경우에 비하여 더 적은 양의 연산을 처리하면서도 더 높은 정확도로 객체를 검출할 수 있다.
계속하면, 본 발명의 일 실시예에 따른 모델 관리부(230)는, 위와 같이 생성되는 객체 검출 모델을 경량화하여 네트워크 카메라(300)에 배포할 수 있다.
보다 구체적으로, 본 발명의 일 실시예에 따른 모델 관리부(230)는, 촬영 영상에서 검출할 객체의 상위 카테고리 정보를 추정하도록 학습되는 객체 검출 모델을 생성하고, 가지치기(Pruning), 양자화(Quantization), 지식 증류(Knowledge Distillation) 등의 인공신경망 모델 경량화 알고리즘을 사용하여 그 생성된 모델을 경량화할 수 있다. 그리고, 본 발명의 일 실시예에 따른 모델 관리부(230)는, 서버(200)에 비하여 연산 능력이 떨어지는 네트워크 카메라(300)에서도 원활한 이용이 가능하도록 하기 위하여, 위와 같이 경량화된 모델을 본 발명의 일 실시예에 따른 객체 검출부(310)가 이용하는 객체 검출 모델로서 네트워크 카메라(300)에 배포할 수 있다. 다만, 본 발명의 일 실시예에 따른 경량화 알고리즘은 위의 열거된 것에 한정되지 않으며, 본 발명의 목적을 달성할 수 있는 범위 내에서 다양하게 변경될 수 있다.
한편, 본 발명의 일 실시예에 따른 객체 검출부(310)의 기능에 관하여 위에서 설명되지 않은 내용은 후술하기로 한다.
다음으로, 본 발명의 일 실시예에 따른 객체 분류부(220)는, 본 발명의 일 실시예에 따른 검출 결과 획득부(210)에 의하여 획득되는 촬영 영상에 관한 부분 영상으로부터 객체의 하위 카테고리 정보를 추정하도록 학습되는 객체 분류 모델을 이용하여, 본 발명의 일 실시예에 따른 검출 결과 획득부(210)에 의하여 획득되는 검출 결과 및 위의 부분 영상에 기초하여 위의 객체의 하위 카테고리 정보를 추정하는 기능을 수행할 수 있다.
구체적으로, 촬영 영상에 관한 부분 영상이 획득되면, 본 발명의 일 실시예에 따른 객체 분류부(220)는, 위의 부분 영상으로부터 객체의 하위 카테고리 정보를 추정하도록 학습되는 객체 분류 모델을 이용하여, 본 발명의 일 실시예에 따른 객체 검출부(310)에 의하여 위의 촬영 영상에서 객체가 검출된 결과(구체적으로는, 위의 객체의 상위 카테고리 정보) 및 위의 부분 영상에 기초하여 위의 객체의 하위 카테고리 정보를 추정할 수 있다.
보다 구체적으로, 본 발명의 일 실시예에 따른 모델 관리부(230)는, 위의 부분 영상으로부터 객체의 하위 카테고리 정보를 추정하도록 학습되는 객체 분류 모델을 생성할 수 있다. 본 발명의 일 실시예에 따르면, 이러한 객체 분류 모델을 생성함에 있어서 사용되는 객체에 관한 학습 데이터는, 위의 객체에 관한 촬영 영상에서 위의 객체가 검출된 영역에 관한 영상, 즉, 부분 영상 및 그 부분 영상에 관한 라벨링 데이터로서 위의 객체의 하위 카테고리 정보를 포함할 수 있다. 즉, 본 발명의 일 실시예에 따른 모델 관리부(230)는, 사용자에 의하여 선택되는 위의 객체의 둘 이상의 하위 카테고리 정보를 추정하도록 위의 객체 검출 모델을 학습시킬 수 있다. 촬영 영상에서 검출할 객체를 구체적으로 분류하는 기능은 많은 양의 연산을 처리할 필요가 있는데, 본 발명의 일 실시예에 따르면, 이러한 기능을 위에서 설명한 바와 같이 네트워크 카메라(300)에 비하여 연산 능력이 높은 서버(200)에서 수행되도록 함으로써 네트워크 카메라(300)의 연산 부담을 줄일 수 있게 된다.
다음으로, 본 발명의 일 실시예에 따른 통신부(240)는 검출 결과 획득부(210), 객체 분류부(220) 및 모델 관리부(230)로부터의/로의 데이터 송수신이 가능하도록 하는 기능을 수행할 수 있다.
마지막으로, 본 발명의 일 실시예에 따른 제어부(250)는 검출 결과 획득부(210), 객체 분류부(220), 모델 관리부(230) 및 통신부(240) 간의 데이터의 흐름을 제어하는 기능을 수행할 수 있다. 즉, 본 발명에 따른 제어부(250)는 서버(200)의 외부로부터의/로의 데이터 흐름 또는 서버(200)의 각 구성요소 간의 데이터 흐름을 제어함으로써, 검출 결과 획득부(210), 객체 분류부(220), 모델 관리부(230) 및 통신부(240)에서 각각 고유 기능을 수행하도록 제어할 수 있다.
네트워크 카메라의 구성
이하에서는, 본 발명의 구현을 위하여 중요한 기능을 수행하는 네트워크 카메라(300)의 내부 구성과 각 구성요소의 기능에 대하여 살펴보기로 한다.
도 3은 본 발명의 일 실시예에 따른 네트워크 카메라(300)의 내부 구성을 상세하게 도시하는 도면이다.
도 3에 도시된 바와 같이, 본 발명의 일 실시예에 따른 네트워크 카메라(300)는, 객체 검출부(310), 검출 결과 관리부(320), 통신부(330) 및 제어부(340)를 포함하여 구성될 수 있다. 본 발명의 일 실시예에 따르면, 객체 검출부(310), 검출 결과 관리부(320), 통신부(330) 및 제어부(340)는 그 중 적어도 일부가 외부의 시스템(미도시됨)과 통신하는 프로그램 모듈일 수 있다. 이러한 프로그램 모듈은 운영 시스템, 응용 프로그램 모듈 또는 기타 프로그램 모듈의 형태로 네트워크 카메라(300)에 포함될 수 있고, 물리적으로는 여러 가지 공지의 기억 장치에 저장될 수 있다. 또한, 이러한 프로그램 모듈은 네트워크 카메라(300)와 통신 가능한 원격 기억 장치에 저장될 수도 있다. 한편, 이러한 프로그램 모듈은 본 발명에 따라 후술할 특정 업무를 수행하거나 특정 추상 데이터 유형을 실행하는 루틴, 서브루틴, 프로그램, 오브젝트, 컴포넌트, 데이터 구조 등을 포괄하지만, 이에 제한되지는 않는다.
한편, 네트워크 카메라(300)에 관하여 위와 같이 설명되었으나, 이러한 설명은 예시적인 것이고, 네트워크 카메라(300)의 구성요소 또는 기능 중 적어도 일부가 필요에 따라 외부 시스템(미도시됨) 내에서 실현되거나 포함될 수도 있음은 당업자에게 자명하다.
먼저, 본 발명의 일 실시예에 따른 객체 검출부(310)는, 촬영 영상에서 검출할 객체의 상위 카테고리 정보를 추정하도록 학습되는 객체 검출 모델을 이용하여 위의 객체에 관한 촬영 영상에서 위의 객체를 검출하는 기능을 수행할 수 있다.
구체적으로, 본 발명의 일 실시예에 따른 객체 검출부(310)는, 위의 객체 검출 모델을 이용하여 객체에 관한 촬영 영상에서 위의 객체를 검출할 수 있고, 위의 검출 결과에는, 위의 검출된 객체의 상위 카테고리 정보 및 그 검출을 수행한 네트워크 카메라(300)의 식별 정보가 포함될 수 있다.
계속하면, 본 발명의 일 실시예에 따른 객체 검출부(310)가 위와 같이 촬영 영상에서 상위 카테고리 수준으로 객체를 검출함에 있어서 이용하는 객체 검출 모델은, R-CNN(Region-based Convolutional Neural Networks), YOLO(You Only Look Once), SSD(Single Shot multibox Detector) 등의 인공신경망 기반의 객체 인식 모델에 기초하여 생성된 것일 수 있다. 다만, 본 발명의 일 실시예에 따른 인공신경망 기반의 객체 인식 모델은 위의 열거된 것에 한정되지 않으며, 본 발명의 목적을 달성할 수 있는 범위 내에서 다양하게 변경될 수 있다.
그리고, 본 발명의 일 실시예에 따르면, 촬영 영상에서 검출할 객체의 상위 카테고리 정보는, 사용자에 의하여 선택되는 객체, 즉, 촬영 영상에서 검출할 객체의 둘 이상의 하위 카테고리 정보와 연관될 수 있다. 한편, 위의 상위 카테고리 정보 및 하위 카테고리 정보에 관하여는 위에서 자세히 설명하였으므로, 여기에서는 해당 내용의 설명을 생략하기로 한다.
한편, 본 발명의 일 실시예에 따른 객체 검출부(310)에서 이용되는 객체 검출 모델은, 서버(200)에서 생성되는 객체 검출 모델이 경량화되어 배포된 것일 수 있다.
구체적으로, 본 발명의 일 실시예에 따른 모델 관리부(230)는, 촬영 영상에서 검출할 객체의 상위 카테고리 정보를 추정하도록 학습되는 객체 검출 모델을 생성할 수 있다. 그리고, 본 발명의 일 실시예에 따른 모델 관리부(230)는, 위와 같이 생성되는 객체 검출 모델을 경량화하여 네트워크 카메라(300)에 배포할 수 있다. 한편, 위의 객체 검출 모델의 생성 및 그 모델의 경량화에 관하여는 위에서 자세히 설명하였으므로, 여기에서는 해당 내용의 설명을 생략하기로 한다.
다음으로, 본 발명의 일 실시예에 따른 검출 결과 관리부(320)는, 위와 같이 객체에 관한 촬영 영상에서 위의 객체가 검출된 결과 및 그 검출 결과에 기초하여 생성되는 위의 촬영 영상에 관한 부분 영상을 서버(200)에 전송하는 기능을 수행할 수 있다.
구체적으로, 본 발명의 일 실시예에 따른 객체 검출부(310)는, 촬영 영상에서 객체가 상위 카테고리 수준으로 검출된 영역에 관한 영상(예를 들면, 위의 객체가 검출된 바운딩 박스(bounding box)의 경계에 따라 잘라낸 영상), 즉, 부분 영상을 생성할 수 있다. 그리고, 촬영 영상에서 복수의 객체가 검출되는 경우에는, 본 발명의 일 실시예에 따른 객체 검출부(310)는, 그 검출되는 복수의 객체 각각에 대하여 부분 영상을 생성할 수도 있다. 그리고, 본 발명의 일 실시예에 따른 검출 결과 관리부(320)는, 위와 같이 생성되는 부분 영상을 서버에 전송할 수 있다. 한편, 본 발명의 일 실시예에 따르면, 위의 부분 영상은 해당 부분 영상 자체만을 의미할 수 있지만, 촬영 영상에서 해당 부분 영상이 차지하는 위치에 관한 정보(예를 들면, 좌표)까지 포함할 수도 있다.
도 4는 본 발명의 일 실시예에 따라 객체에 관한 정보를 추정하는 과정을 예시적으로 나타내는 도면이다.
도 4를 참조하면, 본 발명의 일 실시예에 따르면, 네트워크 카메라(300; 구체적으로는, 객체 검출부(310))는, 촬영 영상에서 검출할 객체의 상위 카테고리 정보(예를 들면, 차량)를 추정하도록 학습되는 객체 검출 모델을 이용하여, 객체에 관한 촬영 영상(410)에서 해당 객체를 검출할 수 있다(411 및 412).
계속하여 도 4를 참조하면, 본 발명의 일 실시예에 따른 객체 검출부(310)는 해당 객체가 검출된 결과에 기초하여 촬영 영상(410)에 관한 부분 영상(420 및 430)을 생성할 수 있다. 그리고, 본 발명의 일 실시예에 따른 검출 결과 관리부(320)는, 위의 검출 결과 및 위의 부분 영상(420 및 430)을 서버(200)에 전송할 수 있다.
계속하여 도 4를 참조하면, 본 발명의 일 실시예에 따른 검출 결과 획득부(210)가 위의 검출 결과 및 위의 부분 영상(420 및 430)을 획득하면, 본 발명의 일 실시예에 따른 객체 분류부(220)는, 위의 부분 영상으로부터 객체의 하위 카테고리 정보(예를 들면, 세단 또는 트럭)를 추정하도록 학습되는 객체 분류 모델을 이용하여, 위의 객체의 하위 카테고리 정보를 추정할 수 있다(420 및 450).
이상 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 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 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항과 한정된 실시예 및 도면에 의하여 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위하여 제공된 것일 뿐, 본 발명이 상기 실시예에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정과 변경을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.
100: 통신망
200: 서버
210: 검출 결과 획득부
220: 객체 분류부
230: 모델 관리부
300: 네트워크 카메라
310: 객체 검출부
320: 검출 결과 관리부
240, 330: 통신부
250, 340: 제어부

Claims (13)

  1. LPWAN(Low Power Wide Area Network) 환경에서 영상에 기초하여 객체에 관한 정보를 추정하기 위한 방법으로서,
    촬영 영상에서 검출할 객체의 상위 카테고리 정보를 추정하도록 학습되는 객체 검출 모델을 이용하여 상기 객체에 관한 촬영 영상에서 상기 객체가 검출된 결과 및 상기 검출 결과에 기초하여 생성되는 상기 촬영 영상에 관한 부분 영상을 획득하는 단계, 및
    상기 촬영 영상에 관한 부분 영상으로부터 상기 객체의 하위 카테고리 정보를 추정하도록 학습되는 객체 분류 모델을 이용하여, 상기 획득되는 검출 결과 및 상기 부분 영상에 기초하여 상기 객체의 하위 카테고리 정보를 추정하는 단계를 포함하고,
    상기 검출 결과에는 상기 객체의 상위 카테고리 정보가 포함되는
    방법.
  2. 제1항에 있어서,
    상기 상위 카테고리 정보는, 사용자에 의하여 선택되는 상기 객체의 둘 이상의 하위 카테고리 정보와 연관되는
    방법.
  3. 제1항에 있어서,
    상기 객체 검출 모델은, 서버에서 생성되는 객체 검출 모델이 경량화되어 배포된 것인
    방법.
  4. LPWAN(Low Power Wide Area Network) 환경에서 영상에 기초하여 객체에 관한 정보를 추정하기 위한 방법으로서,
    촬영 영상에서 검출할 객체의 상위 카테고리 정보를 추정하도록 학습되는 객체 검출 모델을 이용하여 상기 객체에 관한 촬영 영상에서 상기 객체를 검출하는 단계, 및
    상기 검출 결과 및 상기 검출 결과에 기초하여 생성되는 상기 촬영 영상에 관한 부분 영상을 서버에 전송하는 단계를 포함하고,
    상기 검출 결과에는 상기 객체의 상위 카테고리 정보가 포함되는
    방법.
  5. 제4항에 있어서,
    상기 상위 카테고리 정보는, 사용자에 의하여 선택되는 상기 객체의 둘 이상의 하위 카테고리 정보와 연관되는
    방법.
  6. 제4항에 있어서,
    상기 객체 검출 모델은, 서버에서 생성되는 객체 검출 모델이 경량화되어 배포된 것인
    방법.
  7. 제1항 및 제4항 중 어느 한 항에 따른 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 비일시성의 컴퓨터 판독 가능 기록 매체.
  8. LPWAN(Low Power Wide Area Network) 환경에서 영상에 기초하여 객체에 관한 정보를 추정하기 위한 시스템으로서,
    촬영 영상에서 검출할 객체의 상위 카테고리 정보를 추정하도록 학습되는 객체 검출 모델을 이용하여 상기 객체에 관한 촬영 영상에서 상기 객체가 검출된 결과 및 상기 검출 결과에 기초하여 생성되는 상기 촬영 영상에 관한 부분 영상을 획득하는 검출 결과 획득부, 및
    상기 촬영 영상에 관한 부분 영상으로부터 상기 객체의 하위 카테고리 정보를 추정하도록 학습되는 객체 분류 모델을 이용하여, 상기 획득되는 검출 결과 및 상기 부분 영상에 기초하여 상기 객체의 하위 카테고리 정보를 추정하는 객체 분류부를 포함하고,
    상기 검출 결과에는 상기 객체의 상위 카테고리 정보가 포함되는
    시스템.
  9. 제8항에 있어서,
    상기 상위 카테고리 정보는, 사용자에 의하여 선택되는 상기 객체의 둘 이상의 하위 카테고리 정보와 연관되는
    시스템.
  10. 제8항에 있어서,
    상기 객체 검출 모델은, 서버에서 생성되는 객체 검출 모델이 경량화되어 배포된 것인
    시스템.
  11. LPWAN(Low Power Wide Area Network) 환경에서 영상에 기초하여 객체에 관한 정보를 추정하기 위한 시스템으로서,
    촬영 영상에서 검출할 객체의 상위 카테고리 정보를 추정하도록 학습되는 객체 검출 모델을 이용하여 상기 객체에 관한 촬영 영상에서 상기 객체를 검출하는 객체 검출부, 및
    상기 검출 결과 및 상기 검출 결과에 기초하여 생성되는 상기 촬영 영상에 관한 부분 영상을 서버에 전송하는 검출 결과 관리부를 포함하고,
    상기 검출 결과에는 상기 객체의 상위 카테고리 정보가 포함되는
    시스템.
  12. 제11항에 있어서,
    상기 상위 카테고리 정보는, 사용자에 의하여 선택되는 상기 객체의 둘 이상의 하위 카테고리 정보와 연관되는
    시스템.
  13. 제11항에 있어서,
    상기 객체 검출 모델은, 서버에서 생성되는 객체 검출 모델이 경량화되어 배포된 것인
    시스템.
KR1020200176824A 2020-12-16 2020-12-16 LPWAN(Low Power Wide Area Network) 환경에서 영상에 기초하여 객체에 관한 정보를 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 KR102597045B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200176824A KR102597045B1 (ko) 2020-12-16 2020-12-16 LPWAN(Low Power Wide Area Network) 환경에서 영상에 기초하여 객체에 관한 정보를 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
PCT/KR2021/018927 WO2022131733A1 (ko) 2020-12-16 2021-12-14 Lpwan(low power wide area network) 환경에서 영상에 기초하여 객체에 관한 정보를 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200176824A KR102597045B1 (ko) 2020-12-16 2020-12-16 LPWAN(Low Power Wide Area Network) 환경에서 영상에 기초하여 객체에 관한 정보를 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체

Publications (2)

Publication Number Publication Date
KR20220086403A true KR20220086403A (ko) 2022-06-23
KR102597045B1 KR102597045B1 (ko) 2023-11-02

Family

ID=82059321

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200176824A KR102597045B1 (ko) 2020-12-16 2020-12-16 LPWAN(Low Power Wide Area Network) 환경에서 영상에 기초하여 객체에 관한 정보를 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체

Country Status (2)

Country Link
KR (1) KR102597045B1 (ko)
WO (1) WO2022131733A1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101732382B1 (ko) * 2016-01-01 2017-05-24 차보영 Cctv 범죄예방 cpted tower 및 cpted 환경시스템
KR101801846B1 (ko) * 2015-08-26 2017-11-27 옴니어스 주식회사 상품 영상 검색 및 시스템
KR102029751B1 (ko) 2017-10-27 2019-10-08 (주)테크노니아 소리 또는 영상에 기반하여 외부 환경을 모니터링할 수 있는 센서 디바이스 및 이를 포함하는 환경 모니터링 시스템
KR20200046188A (ko) * 2018-10-19 2020-05-07 삼성전자주식회사 인공 지능 모델을 재구성하기 위한 전자 장치 및 그의 제어 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190052785A (ko) * 2017-11-09 2019-05-17 재단법인대구경북과학기술원 객체 검출 방법, 장치 및 컴퓨터 프로그램
KR20190122606A (ko) * 2019-10-11 2019-10-30 엘지전자 주식회사 차량 내 객체 모니터링 장치 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101801846B1 (ko) * 2015-08-26 2017-11-27 옴니어스 주식회사 상품 영상 검색 및 시스템
KR101732382B1 (ko) * 2016-01-01 2017-05-24 차보영 Cctv 범죄예방 cpted tower 및 cpted 환경시스템
KR102029751B1 (ko) 2017-10-27 2019-10-08 (주)테크노니아 소리 또는 영상에 기반하여 외부 환경을 모니터링할 수 있는 센서 디바이스 및 이를 포함하는 환경 모니터링 시스템
KR20200046188A (ko) * 2018-10-19 2020-05-07 삼성전자주식회사 인공 지능 모델을 재구성하기 위한 전자 장치 및 그의 제어 방법

Also Published As

Publication number Publication date
WO2022131733A1 (ko) 2022-06-23
KR102597045B1 (ko) 2023-11-02

Similar Documents

Publication Publication Date Title
CN110458854B (zh) 一种道路边缘检测方法和装置
US20210294326A1 (en) Method and system for closed loop perception in autonomous driving vehicles
US11683831B2 (en) Systems and methods for providing resource analysis for autonomous mobility on demand
US11790551B2 (en) Method and system for object centric stereo in autonomous driving vehicles
US11573573B2 (en) Method and system for distributed learning and adaptation in autonomous driving vehicles
KR102582194B1 (ko) 선택적 역전파
KR20170140214A (ko) 신경망을 위한 훈련 기준으로서의 필터 특이성
KR20180028442A (ko) 이미지들에서의 오브젝트 검출을 위한 콘텍스트-기반 프라이어들
JP7413543B2 (ja) データ伝送方法および装置
KR20180113447A (ko) 전자 장치, 그의 경고 메시지 제공 방법 및 비일시적 컴퓨터 판독가능 기록매체
US11157002B2 (en) Methods, systems, articles of manufacture and apparatus to improve autonomous machine capabilities
US20210117864A1 (en) Optimizing ai/ml model training for individual autonomous agents
Raja et al. SPAS: Smart pothole-avoidance strategy for autonomous vehicles
CN109661671B (zh) 使用边界位图对图像分类的改善
CN112622923B (zh) 用于控制车辆的方法和装置
KR20220086403A (ko) LPWAN(Low Power Wide Area Network) 환경에서 영상에 기초하여 객체에 관한 정보를 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
US20210343091A1 (en) Deported compute for teleoperation and autonomous systems
CN110177222A (zh) 一种结合车机闲散资源的摄像头曝光参数调整方法及装置
KR102362906B1 (ko) 객체를 모니터링하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
US20240086709A1 (en) Deep learning compute paths for faster vehicle reaction times
WO2023092520A1 (zh) 车辆识别模型的参数调整及数据处理方法和装置、车辆
US11669789B1 (en) Vehicle mass determination
WO2023185914A1 (en) Vehicle and power management using power over ethernet devices
Makrigiorgis et al. Efficient Deep Vision for Aerial Visual Understanding
KR20220071841A (ko) 메시지 id 시퀀스를 활용한 무인 이동체 이상 탐지 모델

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)