KR20230020708A - 객체 검출 장치 및 객체 검출 방법 - Google Patents

객체 검출 장치 및 객체 검출 방법 Download PDF

Info

Publication number
KR20230020708A
KR20230020708A KR1020210102431A KR20210102431A KR20230020708A KR 20230020708 A KR20230020708 A KR 20230020708A KR 1020210102431 A KR1020210102431 A KR 1020210102431A KR 20210102431 A KR20210102431 A KR 20210102431A KR 20230020708 A KR20230020708 A KR 20230020708A
Authority
KR
South Korea
Prior art keywords
target candidate
target
error
input image
detection result
Prior art date
Application number
KR1020210102431A
Other languages
English (en)
Inventor
김기경
김인수
백지원
한승주
한재준
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 KR1020210102431A priority Critical patent/KR20230020708A/ko
Priority to US17/698,445 priority patent/US20230038006A1/en
Priority to CN202210625031.0A priority patent/CN115705702A/zh
Priority to EP22186436.6A priority patent/EP4131176A1/en
Publication of KR20230020708A publication Critical patent/KR20230020708A/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
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

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

Abstract

이미지에서 객체를 검출하는 객체 검출 방법 및 객체 검출 장치가 개시된다. 객체 검출 방법은 입력 이미지를 수신하는 단계, 객체 검출 모델을 이용하여 입력 이미지로부터 타겟 후보 객체의 검출 결과를 획득하는 단계, 오류 예측 모델을 이용하여 입력 이미지로부터 오류 객체의 검출 결과를 획득하는 단계, 및 타겟 후보 객체의 검출 결과와 오류 객체의 검출 결과에 기초하여 입력 이미지에서 타겟 객체를 검출하는 단계를 포함한다.

Description

객체 검출 장치 및 객체 검출 방법{METHOD AND APPARATUS FOR DETECTING OBJECT IN IMAGE}
아래의 개시는 이미지에서 객체를 검출하는 기술에 관한 것이다.
카메라와 같은 이미지 획득 장치를 구비하는 전자 장치가 널리 사용되고, 통신 기술 및 데이터 처리 기술이 발전함에 따라 이미지가 넘쳐나는 시대가 되었다. 이에 이미지 관련 기술도 계속적으로 발전되어 왔으며, 그 중 하나가 객체 검출 기술이다. 객체 검출 기술은 이미지에서 객체를 검출하는 기술로서, 컴퓨터 비전과 이미지 처리와 관련된 컴퓨터 기술이다. 객체 검출에서는 디지털 이미지와 비디오로 특정한 계열의 시맨틱 객체 인스턴스(예: 인간, 건물, 자동차)를 검출하는 기능이 수행된다. 이러한 객체 검출은 영상 복구, 비디오 감시, 보안 시스템, 신원 확인, 사용자 검색을 포함한 수많은 컴퓨터 비전 분야에 응용되고 있다. 최근에는 딥러닝 기술의 급속한 진전으로 이미지에서 원하는 객체를 보다 빠르고 정확하게 검출하려는 객체 검출 기술에 대한 연구가 활발히 진행되고 있다.
일 실시예에 따른 객체 검출 장치에 의해 수행되는 객체 검출 방법은, 입력 이미지를 수신하는 단계; 객체 검출 모델을 이용하여 상기 입력 이미지로부터 타겟 후보 객체의 검출 결과를 획득하는 단계; 오류 예측 모델을 이용하여 상기 입력 이미지로부터 오류 객체의 검출 결과를 획득하는 단계; 및 상기 타겟 후보 객체의 검출 결과와 상기 오류 객체의 검출 결과에 기초하여 상기 입력 이미지에서 타겟 객체를 검출하는 단계를 포함할 수 있다.
상기 타겟 후보 객체의 검출 결과는, 상기 입력 이미지 내에서 검출된 상기 타겟 후보 객체의 영역 및 상기 타겟 후보 객체에 대응하는 객체 스코어를 포함하고, 상기 오류 객체의 검출 결과는, 상기 입력 이미지 내에서 검출된 오류 객체의 영역을 포함할 수 있다.
상기 타겟 객체를 검출하는 단계는, 상기 타겟 후보 객체의 영역 및 상기 오류 객체의 영역 간의 중첩 정도에 기초하여 결정되는 가중치를 상기 객체 스코어에 적용하는 것에 의해 상기 타겟 후보 객체의 최종 스코어를 결정하는 단계; 및 상기 최종 스코어에 기초하여 상기 입력 이미지에서 상기 타겟 객체를 검출하는 단계를 포함할 수 있다.
상기 객체 검출 모델은, 상기 입력 이미지로부터 추출된 특징 데이터에 기초하여 상기 타겟 후보 객체의 검출 결과를 제공하고, 상기 오류 예측 모델은, 상기 입력 이미지로부터 추출된 특징 데이터에 기초하여 상기 오류 객체의 검출 결과를 제공할 수 있다.
일 실시예에 따른 상기 객체 검출 모델과 상기 오류 예측 모델은, 상기 입력 이미지로부터 상기 특징 데이터를 추출하는 특징 추출 레이어들을 공유할 수 있다.
다른 실시예에 따른 상기 객체 검출 모델과 상기 오류 예측 모델은, 각각 개별의 뉴럴 네트워크에 기초할 수 있다.
일 실시예에 따른 객체 검출 방법은, 오류 보완 모델을 이용하여 상기 입력 이미지로부터 상기 타겟 후보 객체의 추가 검출 결과를 획득하는 단계를 더 포함하고, 상기 타겟 후보 객체의 추가 검출 결과는, 상기 오류 보완 모델을 이용하여 검출된 상기 타겟 후보 객체의 영역을 포함할 수 있다.
상기 타겟 객체를 검출하는 단계는, 상기 객체 검출 모델을 이용하여 검출된 타겟 후보 객체의 영역 및 상기 오류 객체의 영역 간의 중첩 정도에 기초하여 결정되는 제1 가중치, 및 상기 객체 검출 모델을 이용하여 검출된 타겟 후보 객체의 영역 및 상기 오류 보완 모델을 이용하여 검출된 상기 타겟 후보 객체의 영역 간의 중첩 정도에 기초하여 결정되는 제2 가중치를 상기 객체 스코어에 적용하는 것에 의해 상기 타겟 후보 객체의 최종 스코어를 결정하는 단계; 및 상기 최종 스코어에 기초하여 상기 입력 이미지에서 상기 타겟 객체를 검출하는 단계를 포함할 수 있다.
일 실시예에 따른 객체 검출 장치는, 프로세서를 포함하고, 상기 프로세서는, 입력 이미지를 수신하고, 객체 검출 모델을 이용하여 상기 입력 이미지로부터 타겟 후보 객체의 검출 결과를 획득하고, 오류 예측 모델을 이용하여 상기 입력 이미지로부터 오류 객체의 검출 결과를 획득하고, 상기 타겟 후보 객체의 검출 결과와 상기 오류 객체의 검출 결과에 기초하여 상기 입력 이미지에서 타겟 객체를 검출할 수 있다.
일 실시예에 따른 이미지 모니터링 장치는, 하나 이상의 단말로부터 이미지를 수신하는 통신 장치; 및 상기 수신한 이미지에서 객체를 검출하는 프로세서를 포함하고, 상기 프로세서는, 객체 검출 모델을 이용하여 상기 이미지로부터 타겟 후보 객체의 검출 결과를 획득하고, 오류 예측 모델을 이용하여 상기 이미지로부터 오류 객체의 검출 결과를 획득하고, 상기 타겟 후보 객체의 검출 결과와 상기 오류 객체의 검출 결과에 기초하여 상기 이미지에서 타겟 객체를 검출하고, 상기 타겟 객체의 검출 결과로서 미리 정의된 타겟 객체가 검출된 경우, 상기 미리 정의된 타겟 객체에 대응하는 제어 동작을 실행할 수 있다.
도 1은 일 실시예에 따른 객체 검출 장치의 개요(overview)를 제공하기 위한 도면이다.
도 2는 일 실시예에 따른 객체 검출 방법의 동작을 설명하기 위한 도면이다.
도 3은 일 실시예에 따른 제1 객체 검출 구조를 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 영역 간의 중첩 정도에 기초하여 가중치를 결정하는 것을 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 제2 객체 검출 구조를 설명하기 위한 도면이다.
도 6은 다른 실시예에 따른 객체 검출 방법의 동작을 설명하기 위한 도면이다.
도 7은 다른 실시예에 따른 제3 객체 검출 구조를 설명하기 위한 도면이다.
도 8은 다른 실시예에 따른 영역 간의 중첩 정도에 기초하여 가중치를 결정하는 것을 설명하기 위한 도면이다.
도 9는 또 다른 실시예에 따른 제4 객체 검출 구조를 설명하기 위한 도면이다.
도 10은 또 다른 실시예에 따른 제5 객체 검출 구조를 설명하기 위한 도면이다.
도 11a는 일 실시예에 따른 객체 검출 모델의 학습(training)을 설명하기 위한 도면이다.
도 11b는 일 실시예에 따른 오류 예측 모델의 학습을 설명하기 위한 도면이다.
도 12는 일 실시예에 따른 객체 검출 장치의 구성을 도시하는 도면이다.
도 13은 일 실시예에 따른 이미지 모니터링 장치를 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 검출 장치의 개요를 제공하기 위한 도면이다.
도 1을 참조하면, 객체 검출 장치(100)는 입력 이미지(110)에서 객체(object)를 검출하는 장치이다. '입력 이미지(110)'는 스틸 이미지(still image) 또는 동영상일 수 있고, 컬러 이미지, 흑백 이미지, 그레이 이미지, 적외선 이미지 또는 깊이 이미지에 해당할 수 있다. 본 명세서에서 '입력 이미지(110)'의 용어는 '이미지'로 대체될 수 있다. '객체'는 사람, 사물 등과 같이 입력 이미지(110)에서 검출하고자 하는 대상이다. 검출하고자 하는 '객체'의 종류는 특정한 종류(예: 사람, 촬영 장치)로 미리 정의되어 있거나 또는 종류의 제한이 없을 수도 있다.
객체 검출 장치(100)는 다양한 분야에서 응용될 수 있다. 예를 들어, 객체 검출 장치(100)는 재택 근무 환경에서 근무자의 단말로부터 수신되는 이미지를 분석하여 이미지에서 사람, 사람의 포즈나 움직임, 특정 물체(예: 촬영 장치, 모바일 장치)의 존재를 검출하는데 이용될 수 있다. 또한, 객체 검출 장치(100)는 CCTV 감시나 군사 경계 감시와 같은 감시 시스템, 스포츠 경기 분석, 스마트 캠퍼스, 영상 회의 시스템 등과 같은 분야에서 이용될 수 있다. 그 밖에, 객체 검출 장치(100)는 이미지에서 객체를 검출하는 것이 필요한 분야에서 이용될 수 있다.
객체 검출 과정에 대해 설명하면, 먼저 객체 검출의 대상인 입력 이미지(110)가 객체 검출 장치(100)에 입력된다. 실시예에 따라, 입력 이미지(110)가 객체 검출 장치(100)에 입력되기 전에 입력 이미지(110)에 대한 이미지 전처리가 수행될 수도 있다. 이미지 전처리는 입력 이미지(110)를 객체 검출에 보다 적합한 형태로 변환하는 하나 이상의 과정을 포함할 수 있다. 예를 들어, 이미지 전처리는 입력 이미지(110)의 크기/해상도 조정, 입력 이미지(110)의 회전, 노이즈 제거, 컨트라스트 조정, 왜곡(distortion) 보정, 디블러링(deblurring) 및 크롭핑(cropping) 등을 포함할 수 있다. 이미지 전처리가 수행되는 경우, 객체 검출 장치(100)에는 이미지 전처리가 수행된 입력 이미지(110)가 입력된다.
객체 검출 장치(100)는 뉴럴 네트워크 기반의 객체 검출 모델을 이용하여 입력 이미지(110)에서 객체를 검출한다. 객체 검출 모델은 학습 데이터(training data)에 기초하여 미리 학습될 수 있고, 비선형 맵핑(non-linear mapping)을 통해 객체 검출에 있어 뛰어난 구별 능력을 제공한다. 일 실시예에서, 객체 검출 모델은 깊은 컨볼루션 뉴럴 네트워크(Deep Convolutional Neural Network; DCNN)에 기초할 수 있다. DCNN는 컨볼루션 레이어(convolution layer), 풀링 레이어(pooling layer) 및 완전 연결 레이어(fully connected layer)를 포함하고, 각 레이어에 의해 수행되는 연산 과정을 통해 객체 검출 모델에 입력되는 입력 이미지(110)로부터 객체 검출의 결과를 제공할 수 있다. 여기서, DCNN는 일 실시예에 불과하며, 객체 검출 모델은 DCNN 이외의 다른 구조의 뉴럴 네트워크에 기초할 수도 있다. 뉴럴 네트워크에 대해서는 도 12에서 후술한다.
객체 검출 장치(100)는 객체 검출 모델 뿐만 아니라 오류 예측 모델을 함께 이용하여 객체 검출 결과를 결정한다. 오류 예측 모델은 객체 검출의 오류를 예측하는 모델로서, 객체 검출 모델의 출력과 구분되는 오류 예측 정보를 제공한다. 오류 예측 모델의 학습 과정에서 오류 예측 모델은 객체 검출 모델이 일으킬 수 있는 오류를 검출하는 기능을 수행하도록 학습되기 때문에, 오류 예측 모델은 객체 검출 모델의 오류를 보완해 주는 역할을 한다. 이에 따라, 오류 예측 모델을 통해 객체 검출 결과에 오류가 발생할 가능성을 낮추어 객체 검출의 정확도가 향상될 수 있다. 객체 검출 모델과 오류 예측 모델을 이용한 객체 검출 과정, 및 객체 검출 모델과 오류 예측 모델의 학습 과정에 대해서는 아래에서 보다 자세히 설명한다.
일 실시예에서, 입력 이미지(110)에 대한 객체 검출 결과는 객체를 포함하는 영역으로서 바운딩 박스(bounding box)로 나타날 수 있다. 바운딩 박스는 서로 중첩될 수도 있으며, 어느 하나의 바운딩 박스가 다른 바운딩 박스에 포함될 수도 있다. 객체 검출 장치(100)는 바운딩 박스의 위치(예: 중심 위치 또는 모서리 등의 기준 위치), 크기(너비(width) 및 높이(height)), 객체의 클래스 등을 포함하는 객체 검출 결과를 제공할 수 있다. 바운딩 박스는 임의의 형태(예: 직사각형 또는 정사각형)를 가질 수 있고, 바운딩 박스의 적어도 일부의 선(line)은 객체 영역의 일부와 접하거나 또는 객체 영역의 경계와 특정 거리만큼 이격될 수 있다. 검출의 대상인 하나 이상의 클래스(예: 사람, 촬영 장치)에 해당하는 객체가 입력 이미지(110)에서 바운딩 박스(120, 130)로 나타날 수 있다.
도 2는 일 실시예에 따른 객체 검출 방법의 동작을 설명하기 위한 도면이다. 객체 검출 방법의 동작들은 도 1의 객체 검출 장치(100) 또는 도 12의 객체 검출 장치(1200)에 의해 수행될 수 있다.
도 2를 참조하면, 단계(210)에서 객체 검출 장치는 객체 검출의 대상으로서 입력 이미지를 수신한다.
단계(220)에서, 객체 검출 장치는 객체 검출 모델을 이용하여 입력 이미지로부터 타겟 후보 객체의 검출 결과를 획득한다. 객체 검출 모델은 입력 이미지로부터 추출된 특징 데이터(예: 특징 맵)에 기초하여 타겟 후보 객체의 검출 결과를 제공할 수 있다. 객체 검출 모델은 타겟 후보 객체의 검출 결과를 제공하도록 학습된 뉴럴 네트워크에 기반할 수 있다. 타겟 후보 객체는 객체 검출의 대상인 타겟 객체의 후보가 되는 객체를 나타낸다. 타겟 후보 객체는 타겟 객체를 포함하는 것을 목적으로 하나, 경우에 따라 원하지 않은 오류 객체를 포함할 수도 있다.
객체 검출 모델이 제공하는 타겟 후보 객체의 검출 결과는 입력 이미지 내에서 검출된 타겟 후보 객체의 영역 및 타겟 후보 객체에 대응하는 객체 스코어에 대한 정보를 포함한다. 타겟 후보 객체의 영역은 예를 들어 사각형의 바운딩 박스로 나타날 수 있고, 객체 검출 모델은 바운딩 박스의 기준 위치(예: 중심 위치 또는 어느 하나의 모서리 위치)와 크기(예: 너비 및 높이)에 대한 정보를 출력할 수 있다. 객체 스코어에 대한 정보는 타겟 후보 객체가 특정 객체가 있을 확률 내지 기대 값을 나타낼 수 있다. 실시예에 따라, 객체 검출 모델은 객체 클래스 분류를 수행하여 복수의 객체 클래스들에 대한 타겟 후보 객체의 검출 결과를 제공할 수도 있다. 객체 클래스들은 예를 들어 사람 및 촬영 장치를 포함할 수 있다. 이 경우, 객체 검출 모델은 타겟 후보 객체에 대응하는 객체 클래스의 종류와 해당 타겟 후보 객체가 해당 객체 클래스에 해당할 확률 내지 기대 값을 제공할 수 있다. 일 실시예에서, 객체 검출 모델은 YOLO(you only look once)의 객체 검출 알고리즘에 따라 동작할 수 있다.
단계(230)에서, 객체 검출 장치는 오류 예측 모델을 이용하여 입력 이미지로부터 오류 객체의 검출 결과를 획득한다. 오류 예측 모델은 입력 이미지로부터 추출된 특징 데이터(예: 특징 맵)에 기초하여 오류 객체의 검출 결과를 제공할 수 있다. 오류 예측 모델은 오류 객체의 검출 결과를 제공하도록 학습된 뉴럴 네트워크에 기반할 수 있고, 객체에 대한 잘못된 탐지를 예측한다. 오류 객체는 기대하는 객체 검출의 대상이 아니나 객체 검출 모델이 타겟 후보 객체로서 잘못 지정할 우려가 있는 객체이다. 따라서, 객체 검출의 정확도를 향상시키기 위해서는 타겟 후보 객체들 중에서 오류 객체를 잘 선별해 내는 것이 중요하다. 객체 검출 장치는 객체 검출 모델 뿐만 아니라 오류 예측 모델을 이용함으로써, 최종의 객체 검출 결과에서 오류 객체가 포함될 가능성을 낮추어 객체 검출의 정확도를 개선시킬 수 있다. 오류 예측 모델의 검출 결과를 통해, 타겟 후보 객체가 기대하지 않은 객체인지 여부를 식별할 수 있어 거짓 양성(false positive)의 케이스들이 줄어들 수 있다.
오류 예측 모델이 제공하는 오류 객체의 검출 결과는 입력 이미지 내에서 검출된 오류 객체의 영역에 대한 정보를 포함한다. 오류 객체의 영역은 예를 들어 사각형의 바운딩 박스로 나타날 수 있고, 오류 예측 모델은 바운딩 박스의 기준 위치(예: 중심 위치 또는 어느 하나의 모서리 위치)와 크기(예: 너비 및 높이)에 대한 정보를 출력할 수 있다. 실시예에 따라, 오류 예측 모델은 입력 이미지에서 오류 객체를 하나도 검출하지 않을 수도 있고, 하나 또는 복수의 오류 객체들을 검출할 수도 있다.
객체 검출 모델과 오류 예측 모델을 포함하는 객체 검출 구조는 다양한 형태로 구현될 수 있다. 일 실시예에서, 객체 검출 모델과 오류 예측 모델은 입력 이미지로부터 특징 데이터를 추출하는 특징 추출 레이어들을 공유할 수 있다. 특징 추출 레이어들은 입력 이미지로부터 특징 맵을 추출할 수 있고, 추출한 특징 맵은 각각 객체 검출 모델과 오류 예측 모델로 입력될 수 있다. 다른 실시예에서, 객체 검출 모델과 오류 예측 모델은 각각 개별의 뉴럴 네트워크에 기초할 수 있다. 이 경우, 객체 검출 모델과 오류 객체 모델은 독립적으로 존재하며, 각각 입력 이미지로부터 특징 맵을 추출하기 위한 개별의 특징 추출 레이어들을 가진다.
단계(220)과 단계(230)은 순차적으로 수행되거나 또는 병렬적으로 수행될 수 있다. 전자의 경우, 단계(220)이 단계(230)보다 먼저 수행될 수도 있고, 단계(230)이 단계(220)보다 먼저 수행될 수도 있다.
단계(240)에서, 객체 검출 장치는 타겟 후보 객체의 검출 결과와 오류 객체의 검출 결과에 기초하여 입력 이미지에서 타겟 객체를 검출한다. 객체 검출 장치는 객체 검출 모델을 이용한 검출 결과와 오류 예측 모델을 이용한 검출 결과를 조합하여 타겟 객체를 선정한다. 타겟 객체는 객체 검출의 최종 검출 결과로서 선정된 객체를 나타낸다. 객체 검출 장치는 타겟 후보 객체의 영역 및 오류 객체의 영역 간의 중첩 정도에 기초하여 가중치를 결정할 수 있다. 가중치를 결정하는 방법으로서, 예를 들어 두 영역들 간의 교차 영역의 넓이를 합 영역의 값으로 나눈 값을 이용하는 IOU(intersection over union) 함수가 이용될 수 있다. IOU 함수를 통해 타겟 후보 객체의 영역과 오류 객체의 영역을 합친 전체 면적에서 타겟 후보 객체의 영역과 오류 객체의 영역을 간에 겹치는 면적의 비율을 측정할 수 있고, 해당 비율에 기초하여 가중치가 결정될 수 있다. IOU 함수를 이용한 가중치 결정에 대해서는 도 4에서 후술한다.
객체 검출 장치는 결정된 가중치를 해당 타겟 후보 객체의 객체 스코어에 적용하는 것에 의해 타겟 후보 객체의 최종 스코어를 결정하고, 결정된 최종 스코어에 기초하여 상기 입력 이미지에서 타겟 객체를 검출할 수 있다. 예를 들어, 객체 검출 장치는 타겟 후보 객체에 대한 최종 스코어가 임계치 이상인 경우에는 해당 타겟 후보 객체를 타겟 객체로 결정하고, 최종 스코어가 임계치 미만인 경우에는 해당 타겟 후보 객체를 타겟 객체로 선정하지 않는다.
객체 검출 장치는 객체 검출 모델이 가지는 고유의 검출 성능은 유지하면서, 오류 예측 모델을 이용하여 예측된 오류를 줄이는 것에 의해 객체 검출 결과의 정확도를 향상시킬 수 있다. 객체 검출 모델이 잘 탐지하는 객체들은 그대로 잘 탐지하면서, 객체 검출 모델이 잘못 검출하는 객체들에 대해서는 오류 예측 모델을 통해 개별적으로 검출하여 최종 객체 검출 결과에 반영함으로써 객체 검출의 성능을 향상시킬 수 있다.
도 3은 일 실시예에 따른 제1 객체 검출 구조를 설명하기 위한 도면이다.
도 3을 참조하면, 입력 이미지(310)가 특징 추출기(320)에 입력된다. 특징 추출기(320)는 예를 들어 컨볼루셔널 뉴럴 네트워크의 레이어들을 특징 추출 레이어들로서 포함할 수 있다. 특징 추출기(320)는 '백본(backbone) 네트워크'로도 지칭될 수 있다. 특징 추출기(320)로부터 입력 이미지(310)에 대응하는 특징 데이터로서 특징 맵이 출력되고, 특징 맵은 객체 검출 모델(340)과 오류 예측 모델(350)로 전달될 수 있다. 이와 같이, 객체 검출 모델(340)과 오류 예측 모델(350)은 입력 이미지(310)로부터 특징 데이터를 추출하는 특징 추출 레이어들을 공유할 수 있고, 이러한 특징 추출 레이어들의 공유를 통해 연산 속도의 저하는 줄이면서 객체 검출의 성능은 향상시킬 수 있다. 객체 검출 모델(340)과 오류 예측 모델(350)는 특징 추출기(320)의 일부 또는 전체를 공유할 수 있다.
객체 검출 모델(340)를 통해 입력 이미지(310)로부터 타겟 후보 객체(362, 364)가 검출되고, 오류 예측 모델(350)을 통해 입력 이미지(310)로부터 오류 객체(372)가 검출된다. 객체 검출 모델(340)의 출력 값은 각 타겟 후보 객체(362, 364)에 대응하는 영역의 기준 위치, 영역의 크기, 및 객체 클래스에 관한 정보를 포함하는 벡터 값으로 표현될 수 있다. 오류 예측 모델(350)의 출력 값은 각 오류 객체(372)에 대응하는 영역의 기준 위치, 및 영역의 크기에 관한 정보를 포함하는 벡터 값으로 표현될 수 있다.
객체 검출 장치는 타겟 후보 객체(362, 364)의 검출 결과와 오류 객체(372)의 검출 결과를 융합(fusion)(또는 조합)(380)하여 입력 이미지(310)로부터 타겟 객체(390)를 검출한다. 융합(380)의 결과 값은 타겟 객체(390)에 대응하는 영역의 기준 위치, 영역의 크기, 및 객체 클래스에 관한 정보를 포함하는 벡터 값으로 표현될 수 있다. 해당 융합(380)을 통해 타겟 후보 객체(362, 364)의 검출 결과에 포함된 오류가 보상된다. 융합(380) 과정에서, 객체 검출 장치는 오류 예측 모델(350)이 예측한 오류 객체(372)의 영역과 중복되는 타겟 후보 객체(362)의 영역은 오류에 해당할 가능성이 높은 것으로 처리하여, 최종적으로 타겟 객체(390)의 검출 결과에 타겟 후보 객체 객체(362)가 반영되지 않도록 한다.
융합(380) 과정에서, 객체 검출 장치는 각각의 타겟 후보 객체(362, 364)와 오류 객체(372)의 영역 간 중첩 정도에 따라 결정되는 가중치를 각 타겟 후보 객체(362, 364)가 가지는 객체 스코어에 적용함으로써 최종 스코어를 결정할 수 있다. 예를 들어, 최종 스코어는 다음의 수학식 1에 따라 계산될 수 있다.
Figure pat00001
여기서, Sfin은 타겟 후보 객체의 최종 스코어를 나타내고, Sorg는 객체 검출 모델(340)에 의해 결정된 해당 타겟 후보 객체의 객체 스코어를 나타낸다.
Figure pat00002
는 상수이고, borg와 bepm은 각각 타겟 후보 객체의 바운딩 박스 및 오류 객체의 바운딩 박스를 나타낸다. IOU()는 IOU 함수를 나타낸다. IOU 함수에 의해 타겟 후보 객체의 바운딩 박스와 각 오류 객체의 바운딩 박스 간의 중첩 정도에 따른 가중치가 결정되고, 각 오류 객체의 바운딩 박스에 대응하는 가중치 중 가장 큰 가중치에 미리 정의된 상수
Figure pat00003
가 곱해진 값이 타겟 후보 객체의 객체 스코어 Sorg에서 차감되어 최종 스코어 Sfin가 결정된다. 이와 같이 객체 검출 장치는 오류 객체의 바운딩 박스와의 중첩도에 따라 각 타겟 후보 객체의 객체 스코어를 조정하여 최종 스코어를 결정하고, 최종 스코어가 임계치 이상이면 타겟 객체로 결정할 수 있다. 만약, 타겟 후보 객체의 최종 스코어가 임계치 미만이면, 해당 타겟 후보 객체는 타겟 객체에서 제외된다.
도 4는 일 실시예에 따른 영역 간의 중첩 정도에 기초하여 가중치를 결정하는 것을 설명하기 위한 도면이다.
도 4를 참조하면, 입력 이미지(410)에 바운딩 박스의 형태로, 타겟 후보 객체(420)의 영역과 오류 객체(430)의 영역이 도시되어 있고, 타겟 후보 객체(420)의 영역과 오류 객체(430)의 영역은 중첩 영역(440)을 가진다. 객체 검출 장치는 IOU 함수를 이용하여 타겟 후보 객체(420)의 영역과 오류 객체(430)의 영역 간의 중첩 정도에 따른 가중치를 결정할 수 있다. IOU 함수의 값은 타겟 후보 객체(420)의 영역과 오류 객체(430)의 영역 간의 중첩 정도로서, 두 영역의 중첩 영역(440)의 넓이를 두 영역의 합 영역(union region)의 넓이로 나눈 값을 나타낼 수 있다. IOU 함수의 값은 0에서 1 까지의 값을 가질 수 있다. 0의 값은 타겟 후보 객체(420)의 영역과 오류 객체(430)의 영역이 전혀 중첩되지 않음을 나타내고, 1의 값은 타겟 후보 객체(420)의 영역과 오류 객체(430)의 영역이 완전히 일치함을 나타낼 수 있다. 두 영역의 합 영역에 비해 중첩 영역(440)의 비중이 더 커질수록 IOU 함수의 값은 1에 가까워지고, 가중치는 보다 커질 수 있다. 위 수학식 1에 따라, 가중치가 점점 커지면 타겟 후보 객체(420)에 대한 최종 스코어는 점점 작아진다.
도 5는 일 실시예에 따른 제2 객체 검출 구조를 설명하기 위한 도면이다.
도 5를 참조하면, 제2 객체 검출 구조는 도 3의 제1 객체 검출 구조가 일부 변형된 구조를 가진다. 제1 객체 검출 구조가 객체 검출 모델(340)과 오류 예측 모델(350)이 특징 추출기(320)의 전부 또는 일부를 공유한 구조를 가지는 반면에, 제2 객체 검출 구조에서는 객체 검출 모델(515)과 오류 예측 모델(525)이 각각 개별의 뉴럴 네트워크에 기초한다. 이에 따라, 객체 검출 모델(515)과 오류 예측 모델(525)은 각각 개별의 특징 추출기(510) 및 특징 추출기(520)를 가진다. 특징 추출기(510)는 입력 이미지(310)로부터 특징 데이터(예: 특징 맵)를 추출하여 객체 검출 모델(515)에 전달하고, 특징 추출기(520)는 입력 이미지(310)로부터 특징 데이터를 추출하여 오류 예측 모델(525)에 전달한다. 특징 추출기(510)와 특징 추출기(520)의 구조나 특성은 서로 동일할 수도 있고, 서로 다를 수도 있다. 특징 추출기(520)가 객체 검출 모델(515)과는 독립적으로 오류 객체(372)의 검출을 위한 특징 데이터를 추출하기 때문에, 제2 객체 검출 구조가 제1 객체 검출 구조보다 오류 객체(372)를 보다 정확히 추출할 가능성이 높다. 실시예에 따라, 특징 추출기(510)는 객체 검출 모델(515)에 통합되고, 특징 추출기(520)는 오류 예측 모델(525)에 통합될 수 있다. 객체 검출 모델(515)을 통해 입력 이미지(310)의 타겟 후보 객체(362, 364)가 검출되고, 오류 예측 모델(525)을 통해 입력 이미지(310)로부터 오류 객체(372)가 검출된다. 이후의 과정은 도 3에서 설명한 과정과 동일하며 중복되는 설명은 생략한다.
도 6은 다른 실시예에 따른 객체 검출 방법의 동작을 설명하기 위한 도면이다. 객체 검출 방법의 동작들은 도 1의 객체 검출 장치(100) 또는 도 12의 객체 검출 장치(1200)에 의해 수행될 수 있다.
도 6을 참조하면, 단계(610)에서 객체 검출 장치는 객체 검출의 대상으로서 입력 이미지를 수신한다. 단계(620)에서, 객체 검출 장치는 객체 검출 모델을 이용하여 입력 이미지로부터 타겟 후보 객체의 검출 결과를 획득한다. 단계(630)에서, 객체 검출 장치는 오류 예측 모델을 이용하여 입력 이미지로부터 오류 객체의 검출 결과를 획득한다. 단계(610) 내지 단계(630)은 도 2의 단계(210) 내지 단계(230)에 대응하며, 중복되는 설명은 생략한다.
단계(640)에서, 객체 검출 장치는 오류 보완 모델을 이용하여 입력 이미지로부터 타겟 후보 객체의 추가 검출 결과를 획득한다. 오류 보완 모델은 입력 이미지로부터 추출된 특징 데이터(예: 특징 맵)에 기초하여 타겟 후보 객체를 검출하도록 학습된 뉴럴 네트워크에 기반할 수 있다. 오류 보완 모델은 객체 검출 모델보다 높은 기준치로 타겟 후보 객체를 검출하도록 학습된 모델일 수 있다. 예를 들어, 단계(620)의 객체 검출 모델이 타겟 후보 객체에 해당할 확률이 50%가 넘으면 타겟 후보 객체로 선정하도록 학습된 모델이라고 가정하면, 오류 보완 모델은 해당 확률이 70%가 넘어야 타겟 후보 객체로 선정하도록 학습된 모델일 수 있다.
오류 보완 모델에 의해 획득된 타겟 후보 객체의 추가 검출 결과는 오류 보완 모델을 이용하여 검출된 타겟 후보 객체의 영역을 포함할 수 있다. 타겟 후보 객체의 영역은 바운딩 박스로 나타날 수 있고, 오류 보완 모델은 바운딩 박스의 기준 위치(예: 중심 위치 또는 어느 하나의 모서리 위치)와 크기(예: 너비 및 높이)에 대한 정보를 출력할 수 있다. 실시예에 따라, 오류 보완 모델은 입력 이미지에서 타겟 후보 객체를 하나도 검출하지 않을 수도 있고, 하나 또는 복수의 타겟 후보 객체들을 검출할 수도 있다. 객체 검출 장치는 오류 보완 모델을 추가적으로 이용함으로써 거짓 음성(false negative)의 케이스가 발생할 가능성을 낮추어 객체 검출의 정확도를 향상시킬 수 있다.
단계(620) 내지 단계(640)은 순차적으로 수행되거나 또는 병렬적으로 수행될 수 있다. 전자의 경우, 단계(620), 단계(630) 및 단계(640) 간의 수행 순서상 제한은 없다.
단계(650)에서, 객체 검출 장치는 단계(620)에서의 타겟 후보 객체의 검출 결과, 단계(630)에서의 오류 객체 검출 결과 및 단계(640)에서의 타겟 후보 객체의 추가 검출 결과에 기초하여 타겟 객체를 검출한다. 객체 검출 장치는 객체 검출 모델을 이용하여 검출된 타겟 후보 객체의 영역 및 오류 객체의 영역 간의 중첩 정도에 기초하여 제1 가중치를 결정하고, 객체 검출 모델을 이용하여 검출된 타겟 후보 객체의 영역 및 오류 보완 모델을 이용하여 검출된 타겟 후보 객체의 영역 간의 중첩 정도에 기초하여 제2 가중치를 결정할 수 있다. 객체 검출장치는 이렇게 결정된 제1 가중치와 제2 가중치를 타겟 후보 객체의 객체 스코어에 적용하는 것에 의해 타겟 후보 객체의 최종 스코어를 결정하고, 결정된 최종 스코어에 기초하여 입력 이미지에서 타겟 객체를 검출할 수 있다. 예를 들어, 객체 검출 장치는 타겟 후보 객체에 대한 최종 스코어가 임계치 이상인 경우에는 해당 타겟 후보 객체를 타겟 객체로 결정하고, 최종 스코어가 임계치 미만인 경우에는 해당 타겟 후보 객체를 타겟 객체로 선정하지 않는다.
도 7은 다른 실시예에 따른 제3 객체 검출 구조를 설명하기 위한 도면이다.
도 7을 참조하면, 제 3 객체 검출 구조는 도 5의 제2 객체 검출 구조의 특징 추출기(510), 객체 검출 모델(515), 특징 추출기(520) 및 오류 예측 모델(525)을 그대로 포함한다. 다만, 제3 객체 검출 구조는 추가적으로 특징 추출기(710)와 특징 추출기(710)에 연결된 오류 보완 모델(715)을 더 포함한다. 특징 추출기(710)는 입력 이미지(310)로부터 특징 데이터(예: 특징 맵)를 추출하고, 추출한 특징 데이터를 오류 보완 모델(715)에 전달한다. 실시예에 따라, 특징 추출기(710)는 오류 보완 모델(715)에 통합될 수 있고, 객체 검출 모델(520), 오류 예측 모델(525) 및 오류 보완 모델(715)은 공통된 특징 추출기를 공유할 수도 있다.
오류 보완 모델(715)을 통해 입력 이미지(310)로부터 타겟 후보 객체(720)가 추가적으로 검출된다. 오류 보완 모델(715)의 출력 값은 타겟 후보 객체(720)에 대응하는 영역의 기준 위치 및 영역의 크기(예, 너비 및 높이)에 관한 정보를 포함하는 벡터 값으로 표현될 수 있다. 오류 보완 모델(715)에 의해 검출된 타겟 후보 객체(720)는 객체 검출 모델(515)에 의해 검출된 타겟 후보 객체(362, 364)와 중복될 수 있다. 도 7의 실시예와 같이, 오류 보완 모델(715)에 의해 검출된 타겟 후보 객체(720)는 객체 검출 모델(515)에 의해 검출된 타겟 후보 객체(362, 364)에서 일부의 타겟 후보 객체(364)만 포함할 수도 있다. 이는 오류 보완 모델(715)이 객체 검출 모델(515)보다 더 높은 기준으로 타겟 후보 객체를 검출하도록 학습되었기 때문이다.
객체 검출 장치는 객체 검출 모델을 이용하여 검출된 타겟 후보 객체(362, 364)의 검출 결과, 오류 예측 모델(525)을 이용하여 검출된 오류 객체(372)의 검출 결과 및 오류 보완 모델(715)을 이용하여 검출된 타겟 후보 객체(720)의 검출 결과를 융합(또는 조합)(730)하여 입력 이미지(310)로부터 타겟 객체(390)를 검출한다. 융합(730)의 결과 값은 타겟 객체(390)에 대응하는 영역의 기준 위치, 영역의 크기, 및 객체 클래스에 관한 정보를 포함하는 벡터 값으로 표현될 수 있다.
융합(730) 과정에서, 객체 검출 장치는 객체 검출 모델(515)을 이용하여 검출된 각 타겟 후보 객체(362, 364)와 오류 객체(372)의 영역 간의 중첩 정도에 기초하여 결정되는 제1 가중치와 각 타겟 후보 객체(362, 364)와 오류 보완 모델(715)을 이용하여 검출된 타겟 후보 객체(720)의 영역 간의 중첩 정도에 기초하여 결정되는 제2 가중치를 각 타겟 후보 객체(362, 364)가 가지는 객체 스코어에 적용함으로써 최종 스코어를 결정할 수 있다. 예를 들어, 최종 스코어는 다음의 수학식 2에 따라 계산될 수 있다.
Figure pat00004
여기서, Sfin2은 타겟 후보 객체의 최종 스코어를 나타내고, Sorg2는 객체 검출 모델(515)에 의해 결정된 해당 타겟 후보 객체의 객체 스코어를 나타낸다.
Figure pat00005
,
Figure pat00006
는 상수이고, bepm2은 오류 객체의 바운딩 박스를 나타낸다. borg2는 객체 검출 모델(515)에 검출된 타겟 후보 객체의 바운딩 박스를 나타내고, besm2는 오류 보완 모델(715)에 검출된 타겟 후보 객체의 바운딩 박스를 나타낸다.
IOU()는 IOU 함수를 나타낸다. IOU 함수에 의해 타겟 후보 객체의 바운딩 박스와 각 오류 객체의 바운딩 박스 간의 중첩 정도에 따른 제1 가중치가 결정되고, 각 오류 객체의 바운딩 박스에 대응하는 제1 가중치 중 가장 큰 제1 가중치에 미리 정의된 상수
Figure pat00007
가 곱해진 값이 타겟 후보 객체의 객체 스코어 Sorg2에서 차감된다. 또한, IOU 함수에 의해 타겟 후보 객체의 바운딩 박스 borg2와 타겟 후보 객체의 바운딩 박스 besm2 간의 중첩 정도에 따른 제2 가중치가 결정되고, 각 타겟 후보 객체의 바운딩 박스 besm2 에 대응하는 제2 가중치 중 가장 큰 제2 가중치에 미리 정의된 상수
Figure pat00008
가 곱해진 값이 타겟 후보 객체의 객체 스코어 Sorg2에 더해진다. 이러한 과정을 거쳐 각 타겟 후보 객체의 최종 스코어 Sfin2이 결정되고, 최종 스코어 Sfin2가 임계치 이상이면 타겟 객체로 결정될 수 있다. 최종 스코어 Sfin2가 임계치 미만이면, 해당 타겟 후보 객체는 타겟 객체에서 제외된다. 도 7의 실시예에서는, 타겟 후보 객체(364)의 최종 스코어가 임계치 이상에 해당하여 타겟 객체(390)로 결정되었고, 타겟 후보 객체(362)는 오류 객체(372)에 의한 제1 가중치에 의해 최종 스코어가 임계치보다 작아져 타겟 객체에서 제외되었다.
도 8은 다른 실시예에 따른 영역 간의 중첩 정도에 기초하여 가중치를 결정하는 것을 설명하기 위한 도면이다.
도 8을 참조하면, 입력 이미지(810)에 바운딩 박스의 형태로, 객체 검출 모델(515)에 의해 검출된 타겟 후보 객체(820)의 영역, 오류 예측 모델(525)에 의해 검출된 오류 객체(830)의 영역, 및 오류 보완 모델(715)에 의해 검출된 타겟 후보 객체(840)의 영역이 도시되어 있다. 타겟 후보 객체(820)의 영역과 오류 객체(830)의 영역은 중첩 영역(835)를 가지고, 타겟 후보 객체(820)의 영역과 타겟 후보 객(840)의 영역은 중첩 영역(855)를 가진다.
객체 검출 장치는 IOU 함수를 이용하여 타겟 후보 객체(820)의 영역과 오류 객체(830)의 영역 간의 중첩 정도에 따른 제1 가중치를 결정할 수 있다. 제1 가중치는 타겟 후보 객체(820)의 영역과 오류 객체(830)의 영역 간의 중첩 영역(835)의 넓이를 두 영역의 합 영역(union region)의 넓이로 나눈 값에 기초하여 결정될 수 있다. 또한, 객체 검출 장치는 IOU 함수를 이용하여 타겟 후보 객체(820)의 영역과 타겟 후보 객체(840)의 영역 간의 중첩 정도에 따른 제2 가중치를 결정할 수 있다. 제2 가중치는 타겟 후보 객체(820)의 영역과 타겟 후보 객체(840)의 영역 간의 중첩 영역(845)의 넓이를 두 영역의 합 영역(union region)의 넓이로 나눈 값에 기초하여 결정될 수 있다. 객체 검출 장치는 위 수학식 2와 같이 타겟 후보 객체(820)의 객체 스코어에서 제1 가중치를 빼고, 제2 가중치를 더하는 것에 의해 최종 스코어를 결정할 수 있다. 중첩 영역(835)에 대한 IOU 함수 값이 커질수록 제1 가중치는 커지고, 최종 스코어는 작아진다. 중첩 영역(845)에 대한 IOU 함수 값이 커질수록 제2 가중치는 커지고, 최종 스코어도 커진다.
도 9는 또 다른 실시예에 따른 제4 객체 검출 구조를 설명하기 위한 도면이다.
도 9를 참조하면, 제4 객체 검출 구조는 도 7의 제3 객체 검출 구조가 일부 변형된 구조를 가진다. 제3 객체 검출 구조가 개별의 특징 추출기들(510, 520, 710)과 별도의 오류 보완 모델(715)을 가지는 반면에, 제4 객체 검출 구조에서는 객체 검출 모델(920)과 오류 예측 모델(930)이 특징 추출기(910)를 가지고, 오류 예측 모델(930)이 오류 예측 모델(515)의 기능과 함께 오류 보완 모델(715)의 기능도 함께 수행한다. 오류 예측 모델(930)은 입력 이미지(310)에서 오류 객체(372)의 검출 결과 및 타겟 후보 객체(720)의 추가 검출 결과를 출력할 수 있다. 오류 예측 모델(930)은 학습 과정에서 오류 객체와 타겟 후보 객체의 클래스를 모두 검출하도록 학습될 수 있다.
타겟 후보 객체(362, 364)의 검출 결과, 오류 객체(372)의 검출 결과 및 타겟 후보 객체(720)의 추가 검출 결과를 융합(730)하여 입력 이미지(310)에서 타겟 객체(390)를 검출하는 과정은 도 7에서 설명한 과정과 동일하며 중복되는 설명은 생략한다.
도 10은 또 다른 실시예에 따른 제5 객체 검출 구조를 설명하기 위한 도면이다.
도 10을 참조하면, 제5 객체 검출 구조는 입력 이미지(310)로부터 특징 데이터를 추출하는 특징 추출기(1010) 및 객체 분류 모델(1020)을 포함할 수 있다. 객체 분류 모델(1020)은 특징 추출기(1010)로부터 전달된 특징 데이터에 기초하여 입력 이미지(310)에서 객체들을 분류할 수 있다. 객체 분류 모델(1020)은 특징 데이터에 기반하여 입력 이미지(310)에 나타난 객체들을 분류하도록 학습된 뉴럴 네트워크에 기반할 수 있다. 객체 분류 모델(1020)은 입력 이미지(310)에서 타겟 객체(1030)를 검출하고, 타겟 객체(1030)가 아닌 배경 객체(1040)를 검출할 수 있다. 객체 분류 모델(1020)에 의해 검출되는 하는 타겟 객체(1030)의 클래스는 복수 개(예: 사람, 이미지 촬영 장치)일 수 있으며, 입력 이미지(310)에서 타겟 객체(1030)를 제외한 나머지 객체들은 모두 배경 객체(1040)로 분류될 수 있다.
도 11a 및 도 11b는 일 실시예에 따른 객체 검출 모델과 오류 예측 모델의 학습을 설명하기 위한 도면들이다.
도 11a 및 도 11b를 참조하면 도 3의 제1 객체 검출 구조와 동일하게, 학습 이미지(1110)로부터 특징 데이터를 추출하는 특징 추출기(1120)를 공유하는 객체 검출 모델(1130)과 오류 예측 모델(1140)이 도시되어 있다. 객체 검출 모델(1130)과 오류 예측 모델(1140)은 특징 추출기(1120)를 공유하는 구조로 학습이 수행되므로 학습에 요구되는 연산량을 줄일 수 있다. 학습 과정은 특징 추출기(1120) 및 객체 검출 모델(1130)을 학습시키는 제1 단계와 오류 예측 모델(1140)을 학습시키는 제2 단계로 구분되며, 이하의 학습 과정은 학습 장치(training apparatus)에 의해 수행될 수 있다.
도 11a는 일 실시예에 따른 객체 검출 모델(1130)의 학습 과정을 설명하기 위한 것으로, 객체 검출 모델(1130)의 학습 과정에서는 오류 예측 모델(1140)에 대한 학습은 이루어지지 않는다. 학습 이미지(1110)가 특징 추출기(1120)에 입력되고, 특징 추출기(1120)에 의해 추출된 학습 이미지(1110)의 특징 데이터가 객체 검출 모델(1130)에 전달된다. 객체 검출 모델(1130)은 특징 데이터에 기초하여 학습 이미지(1110)에서 타겟 후보 객체(1152, 1154)를 검출한다. 학습 장치는 객체 검출 모델(1130)이 추출한 타겟 후보 객체(1152, 1154)와 학습 이미지(1110)에 대응하는 정답(ground truth)인 실제 타겟 객체(1160) 간의 차이를 계산하고, 계산된 차이가 줄어들도록 특징 추출기(1120)와 객체 검출 모델(1130)의 파라미터들(예: 뉴럴 네트워크의 연결 가중치)을 업데이트할 수 있다. 학습 장치는 객체 검출 모델(1130)이 검출하는 타겟 후보 객체(1152, 1154)의 영역이 실제 타겟 객체(1160)의 영역에 가까워지고, 타겟 후보 객체(1152, 1154)의 객체 클래스 정보(객체 클래스 타입, 객체 스코어)가 실제 타겟 객체(1160)의 객체 클래스 정보와 유사해지도록 특징 추출기(1120)와 객체 검출 모델(1130)의 파라미터들을 업데이트할 수 있다.
도 11b는 일 실시예에 따른 오류 예측 모델(1140)의 학습을 설명하기 위한 것으로, 오류 예측 모델(1140)의 학습 과정에서는 특징 추출기(1120) 및 객체 검출 모델(1130)에 대한 학습은 이루어지지 않는다. 객체 검출 모델(1130)의 학습 과정에서 객체 검출 모델(1130)에 의해 객체의 오-검출(false detection)이 발생한 학습 이미지가 오류 예측 모델(1140)의 학습을 위한 학습 이미지(1170)로 이용될 수 있다.
특징 추출기(1120)에 의해 학습 이미지(1170)로부터 특징 데이터가 추출되고, 추출된 특징 데이터는 오류 예측 모델(1140)에 전달된다. 오류 예측 모델(1140)은 학습 이미지(1170)에서 검출된 객체(1180)가 오류 객체에 해당하는지 아닌지를 예측하는 결과를 제공하고, 예측한 결과와 학습 이미지(1170)의 실제 정답인 오류 객체(1190)를 기초로 손실(loss)(예: 바이너리 분류 엔트로피 손실(binary classification entropy (BCE) loss))을 구한 후 해당 손실이 줄어드는 방향으로 오류 예측 모델(1140)의 파라미터들(예: 뉴럴 네트워크의 연결 가중치)을 업데이트할 수 있다.
객체 검출 모델(1130)이 객체를 잘못 검출한 학습 이미지들이 오류 예측 모델(1140)의 학습 대상이 되므로, 학습 이미지에서 객체 검출 모델(1130)의 실수를 검출하도록 학습되는 오류 예측 모델(1140)는 객체 검출 모델(1130)의 성능을 보완해 주는 역할을 할 수 있다. 객체 검출 모델(1130)과 오류 예측 모델(1140)을 포함하는 객체 검출 구조는, 객체 검출 모델(1130)의 고유한 성능은 그대로 유지(객체 검출 모델(1130)이 객체를 잘 검출하던 케이스에 대한 성능은 유지)하면서, 별도의 오류 예측 모델(1140)을 통해 객체 검출 모델(1130)이 잘못 검출하는 객체를 찾아 이를 기초로 객체 검출 모델(1130)의 객체 검출 결과를 보정함으로써 객체 검출의 정확도를 향상시킬 수 있다.
도 12는 일 실시예에 따른 객체 검출 장치의 구성을 도시하는 도면이다.
도 12를 참조하면, 객체 검출 장치(1200)는 입력 이미지에서 객체를 검출하는 컴퓨팅 장치로서, 도 1의 객체 검출 장치(100)에 대응할 수 있다. 객체 검출 장치(1200)는 프로세서(1210), 메모리(1220) 및 통신 장치(1230)를 포함할 수 있으며, 실시예에 따라 이미지 촬영 장치(1240)를 더 포함할 수도 있다. 객체 검출 장치(1200)의 각 컴포넌트들은 통신 버스(1250)를 통해 서로 통신할 수 있다.
프로세서(1210)는 객체 검출 장치(1200)의 전체적인 동작을 제어하며, 객체 검출 장치(1200) 내에서 실행하기 위한 기능 및 인스트럭션들을 실행한다. 프로세서(1210)는 도 1 내지 도 10을 통하여 전술한 하나 이상의 동작을 수행할 수 있다.
일 실시예에서, 프로세서(1210)는 입력 이미지를 수신하고, 객체 검출 모델을 이용하여 입력 이미지로부터 타겟 후보 객체의 검출 결과를 획득할 수 있다. 타겟 후보 객체의 검출 결과는 입력 이미지 내에서 검출된 타겟 후보 객체의 영역 및 타겟 후보 객체에 대응하는 객체 스코어에 대한 정보를 포함할 수 있다. 프로세서(1210)는 오류 예측 모델을 이용하여 입력 이미지로부터 오류 객체의 검출 결과를 획득할 수 있고, 오류 객체의 검출 결과는 입력 이미지 내에서 검출된 오류 객체의 영역에 대한 정보를 포함할 수 있다. 프로세서(1210)는 타겟 후보 객체의 검출 결과와 오류 객체의 검출 결과에 기초하여 입력 이미지에서 타겟 객체를 검출할 수 있다. 프로세서(1210)는 타겟 후보 객체의 영역 및 오류 객체의 영역 간의 중첩 정도에 기초하여 결정되는 가중치를 객체 스코어에 적용하는 것에 의해 타겟 후보 객체의 최종 스코어를 결정할 수 있다. 프로세서(1210)는 결정된 최종 스코어에 기초하여 입력 이미지에서 타겟 객체를 검출할 수 있다. 예를 들어, 프로세서(1210)는 타겟 후보 객체의 최종 스코어가 임계치 이상인 경우에는 해당 타겟 후보 객체를 타겟 객체로 선정할 수 있다.
다른 실시예에서, 프로세서(1210)는 오류 보완 모델을 이용하여 입력 이미지로부터 타겟 후보 객체의 추가 검출 결과를 획득할 수 있다. 타겟 후보 객체의 추가 검출 결과는 오류 보완 모델을 이용하여 검출된 타겟 후보 객체의 영역에 대한 정보를 포함할 수 있다. 프로세서(1210)는 객체 검출 모델을 이용하여 검출된 타겟 후보 객체의 영역 및 오류 객체의 영역 간의 중첩 정도에 기초하여 결정되는 제1 가중치, 및 객체 검출 모델을 이용하여 검출된 타겟 후보 객체의 영역 및 오류 보완 모델을 이용하여 검출된 상기 타겟 후보 객체의 영역 간의 중첩 정도에 기초하여 결정되는 제2 가중치를 타겟 후보 객체의 객체 스코어에 적용하는 것에 의해 타겟 후보 객체의 최종 스코어를 결정할 수 있다. 프로세서(1210)는 결정된 최종 스코어에 기초하여 입력 이미지에서 타겟 객체를 검출할 수 있다.
메모리(1220)는 프로세서(1210)가 처리 동작을 수행하는데 필요한 정보를 저장한다. 예를 들어, 메모리(1220)는 프로세서(1210)에 의해 실행하기 위한 인스트럭션들과 저장할 수 있고, 객체 검출 장치(1200)에서 소프트웨어 또는 프로그램이 실행되는 동안 관련 정보를 저장할 수 있다. 메모리(1220)는 RAM, DRAM, SRAM과 같은 휘발성 메모리 및/또는 플래쉬 메모리와 같은 이 기술 분야에서 알려진 비휘발성 메모리를 포함할 수 있다.
통신 장치(1230)는 유선 네트워크 또는 무선 네트워크를 통해 외부 장치와 통신할 수 있다. 통신 장치(1230)를 통해 입력 이미지가 객체 검출 장치(1200)에 전달되거나 또는 객체 검출 결과에 대한 정보가 객체 검출 장치(1200)로부터 외부 장치로 전송될 수 있다.
실시예에 따라, 객체 검출 장치(1200)는 카메라와 같은 이미지 촬영 장치(1240)를 더 포함할 수 있고, 이미지 촬영 장치(1240)는 객체 검출의 대상인 입력 이미지를 촬영할 수 있다. 이미지 촬영 장치(1240)는 컬러 이미지, 흑백 이미지, 그레이 이미지, 적외선 이미지, 및 깊이 이미지 등을 획득할 수 있다.
도 13은 일 실시예에 따른 이미지 모니터링 장치를 설명하기 위한 도면이다.
도 13을 참조하면, 이미지 모니터링 장치(1310)는 복수의 단말들(1322, 1324, 1326)로부터 전달되는 이미지를 모니터링하는 장치이다. 이미지 모니터링 장치(1310)는 재택 근로자를 실시간으로 촬영한 이미지를 전송하는 재택 근무 시스템 및 영상 회의 시스템 등에서 이용될 수 있다. 이미지 모니터링 장치(1310)가 재택 근무 시스템에서 이용되는 경우, 이미지 모니터링 장치(1310)는 각각의 재택 근로자의 단말들(1322, 1324, 1326)로부터 전달되는 재택 근로자의 이미지를 분석하여 보안 위반 사항이나 재택 근무 규정 위반 사항이 있는지 여부를 감시할 수 있다.
이미지 모니터링 장치(1310)는 이미지에서 객체를 검출하는 기능을 수행할 수 있다. 이미지 모니터링 장치(1310)는 예를 들어 이미지에 타겟 객체로서 사람이나 미리 정의된 객체(이미지 촬영 장치 등)가 존재하는지 여부를 감시하고, 이미지에서 검출된 사람이 인증된 사용자인지 여부를 판단할 수 있다. 또한, 이미지 모니터링 장치(1310)는 이미지에 사람이 존재하는지 여부나 이미지에 몇 명의 사람이 존재하는지에 대해서도 판단할 수 있다.
이미지 모니터링 장치(1310)는 프로세서(1330), 메모리(1340) 및 통신 장치(1350)를 포함할 수 있으며, 이미지 모니터링 장치(1310)의 각 컴포넌트들은 통신 버스(1360)를 통해 서로 통신할 수 있다.
통신 장치(1350)는 유선 네트워크 또는 무선 네트워크를 통해 하나 이상의 단말(1322, 1324, 1326)로부터 이미지를 수신한다.
프로세서(1330)는 이미지 모니터링 장치(1310)의 전체적인 동작을 제어하며, 이미지 모니터링 장치(1310) 내에서 실행하기 위한 기능 및 인스트럭션들을 실행한다. 프로세서(1330)는 단말(1322, 1324, 1326)로부터 수신한 이미지에서 객체를 검출할 수 있다. 프로세서(1330)는 객체 검출과 관련하여 본 명세서에서 설명된 객체 검출 장치(도 1의 객체 검출 장치(100) 또는 도 12의 객체 검출 장치(1200))의 동작들을 수행할 수 있다. 예를 들어, 프로세서(1330)는 객체 검출 모델을 이용하여 이미지로부터 이미지 내에서 검출된 타겟 후보 객체의 영역 및 타겟 후보 객체에 대응하는 객체 스코어에 대한 정보를 포함하는 타겟 후보 객체의 검출 결과를 획득할 수 있다. 프로세서(1330)는 오류 예측 모델을 이용하여 이미지로부터 오류 객체의 검출 결과를 획득할 수 있고, 오류 객체의 검출 결과는 이미지 내에서 검출된 오류 객체의 영역에 대한 정보를 포함할 수 있다. 프로세서(1330)는 타겟 후보 객체의 검출 결과와 오류 객체의 검출 결과에 기초하여 이미지에서 타겟 객체를 검출할 수 있다. 프로세서(1330)는 타겟 후보 객체의 영역 및 오류 객체의 영역 간의 중첩 정도에 기초하여 결정되는 가중치를 객체 스코어에 적용하는 것에 의해 타겟 후보 객체의 최종 스코어를 결정할 수 있다. 프로세서(1330)는 결정된 최종 스코어에 기초하여 이미지에서 타겟 객체를 검출할 수 있다. 예를 들어, 프로세서(1330)는 타겟 후보 객체의 최종 스코어가 임계치 이상인 경우에는 해당 타겟 후보 객체를 타겟 객체로 선정할 수 있다.
다른 실시예에서, 프로세서(1330)는 오류 보완 모델을 이용하여 이미지로부터 타겟 후보 객체의 추가 검출 결과를 획득할 수 있다. 타겟 후보 객체의 추가 검출 결과는 오류 보완 모델을 이용하여 검출된 타겟 후보 객체의 영역에 대한 정보를 포함할 수 있다. 프로세서(1330)는 객체 검출 모델을 이용하여 검출된 타겟 후보 객체의 영역 및 오류 객체의 영역 간의 중첩 정도에 기초하여 결정되는 제1 가중치, 및 객체 검출 모델을 이용하여 검출된 타겟 후보 객체의 영역 및 오류 보완 모델을 이용하여 검출된 상기 타겟 후보 객체의 영역 간의 중첩 정도에 기초하여 결정되는 제2 가중치를 타겟 후보 객체의 객체 스코어에 적용하는 것에 의해 타겟 후보 객체의 최종 스코어를 결정할 수 있다. 프로세서(1330)는 결정된 최종 스코어에 기초하여 이미지에서 타겟 객체를 검출할 수 있다.
프로세서(1330)는 타겟 객체의 검출 결과로서 미리 정의된 타겟 객체가 검출된 경우, 미리 정의된 타겟 객체에 대응하는 제어 동작을 실행할 수 있다. 예를 들어, 제1 단말(1322)로부터 전송된 이미지에서 스마트폰, 노트북, 웹캠, 태블릿 컴퓨터 등과 같이 이미지 촬영 수단이 구비된 전자 장치가 검출된 경우, 프로세서(1330)는 전자 장치의 검출 결과가 보안 사항 위반에 해당되는 것으로 판단되면 제1 단말(1322)에 대해 액세스 차단이나 스크린 락(screen lock)과 같은 제재를 가할 수 있다.
또한, 프로세서(1330)는 제1 단말(1322)로부터 전송된 이미지에서 사람(또는 얼굴)을 검출하고, 검출된 사람이 등록된 사람인지 여부를 검사하는 사용자 인증을 수행할 수 있다. 프로세서(1330)는 이미지에서 사람의 얼굴 영역을 추출하고, 추출한 얼굴 영역에서 얼굴 특징을 추출할 수 있다. 프로세서(1330)는 추출된 얼굴 특징을 미리 등록된 사람의 얼굴 특징과 비교하여 이미지에 나타난 사람이 등록된 사람인지 여부를 결정할 수 있다. 프로세서(1330)는 이미지에 나타난 사람이 등록된 사람이 아닌 것으로 판단되거나, 이미지에 기준 인원 수보다 많은 여러 사람이 검출된 경우, 또는 실시간으로 수신되는 이미지 시퀀스에서 일정한 시간동안 사람이 나타나지 않는 경우, 제1 단말(1322)에 대해 액세스 차단이나 스크린 락과 같은 제재를 가할 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 장치에 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 저장할 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 (19)

  1. 객체 검출 장치에 의해 수행되는 객체 검출 방법에 있어서,
    입력 이미지를 수신하는 단계;
    객체 검출 모델을 이용하여 상기 입력 이미지로부터 타겟 후보 객체의 검출 결과를 획득하는 단계;
    오류 예측 모델을 이용하여 상기 입력 이미지로부터 오류 객체의 검출 결과를 획득하는 단계; 및
    상기 타겟 후보 객체의 검출 결과와 상기 오류 객체의 검출 결과에 기초하여 상기 입력 이미지에서 타겟 객체를 검출하는 단계
    를 포함하는 객체 검출 방법.
  2. 제1항에 있어서,
    상기 타겟 후보 객체의 검출 결과는,
    상기 입력 이미지 내에서 검출된 상기 타겟 후보 객체의 영역 및 상기 타겟 후보 객체에 대응하는 객체 스코어를 포함하고,
    상기 오류 객체의 검출 결과는,
    상기 입력 이미지 내에서 검출된 오류 객체의 영역을 포함하는,
    객체 검출 방법.
  3. 제2항에 있어서,
    상기 타겟 객체를 검출하는 단계는,
    상기 타겟 후보 객체의 영역 및 상기 오류 객체의 영역 간의 중첩 정도에 기초하여 결정되는 가중치를 상기 객체 스코어에 적용하는 것에 의해 상기 타겟 후보 객체의 최종 스코어를 결정하는 단계; 및
    상기 최종 스코어에 기초하여 상기 입력 이미지에서 상기 타겟 객체를 검출하는 단계
    를 포함하는 객체 검출 방법.
  4. 제3항에 있어서,
    상기 타겟 객체를 검출하는 단계는,
    상기 타겟 후보 객체에 대한 상기 최종 스코어가 임계치 이상인 경우, 상기 타겟 후보 객체를 타겟 객체로 결정하는 단계
    를 포함하는 객체 검출 방법.
  5. 제1항에 있어서,
    상기 객체 검출 모델은,
    상기 입력 이미지로부터 추출된 특징 데이터에 기초하여 상기 타겟 후보 객체의 검출 결과를 제공하고,
    상기 오류 예측 모델은,
    상기 입력 이미지로부터 추출된 특징 데이터에 기초하여 상기 오류 객체의 검출 결과를 제공하는,
    객체 검출 방법.
  6. 제5에 있어서,
    상기 객체 검출 모델과 상기 오류 예측 모델은,
    상기 입력 이미지로부터 상기 특징 데이터를 추출하는 특징 추출 레이어들을 공유하는,
    객체 검출 방법.
  7. 제1항에 있어서,
    상기 객체 검출 모델과 상기 오류 예측 모델은, 각각 개별의 뉴럴 네트워크에 기초하는,
    객체 검출 방법.
  8. 제2항에 있어서,
    오류 보완 모델을 이용하여 상기 입력 이미지로부터 상기 타겟 후보 객체의 추가 검출 결과를 획득하는 단계
    를 더 포함하고,
    상기 타겟 후보 객체의 추가 검출 결과는,
    상기 오류 보완 모델을 이용하여 검출된 상기 타겟 후보 객체의 영역을 포함하는, 객체 검출 방법.
  9. 제8항에 있어서,
    상기 타겟 객체를 검출하는 단계는,
    상기 객체 검출 모델을 이용하여 검출된 타겟 후보 객체의 영역 및 상기 오류 객체의 영역 간의 중첩 정도에 기초하여 결정되는 제1 가중치, 및 상기 객체 검출 모델을 이용하여 검출된 타겟 후보 객체의 영역 및 상기 오류 보완 모델을 이용하여 검출된 상기 타겟 후보 객체의 영역 간의 중첩 정도에 기초하여 결정되는 제2 가중치를 상기 객체 스코어에 적용하는 것에 의해 상기 타겟 후보 객체의 최종 스코어를 결정하는 단계; 및
    상기 최종 스코어에 기초하여 상기 입력 이미지에서 상기 타겟 객체를 검출하는 단계
    를 포함하는 객체 검출 방법.
  10. 제1항에 있어서,
    상기 오류 예측 모델은,
    상기 오류 객체의 검출 결과 및 상기 타겟 후보 객체의 추가 검출 결과를 출력하고,
    상기 타겟 객체를 검출하는 단계는,
    상기 타겟 후보 객체의 검출 결과, 상기 오류 객체의 검출 결과 및 상기 타겟 후보 객체의 추가 검출 결과에 기초하여 상기 입력 이미지에서 상기 타겟 객체를 검출하는 단계
    를 포함하는 객체 검출 방법.
  11. 제1항에 있어서,
    상기 타겟 후보 객체의 검출 결과는,
    복수의 객체 클래스에 대한 타겟 후보 객체의 검출 결과를 포함하고,
    상기 복수의 객체 클래스는,
    사람 및 촬영 장치를 포함하는,
    객체 검출 방법.
  12. 제1항 내지 제11항 중 어느 한 항의 방법을 수행하기 위한 명령어를 포함하는 하나 이상의 컴퓨터 프로그램을 저장한 컴퓨터 판독 가능 기록 매체.
  13. 객체 검출 장치에 있어서,
    프로세서를 포함하고,
    상기 프로세서는,
    입력 이미지를 수신하고,
    객체 검출 모델을 이용하여 상기 입력 이미지로부터 타겟 후보 객체의 검출 결과를 획득하고,
    오류 예측 모델을 이용하여 상기 입력 이미지로부터 오류 객체의 검출 결과를 획득하고,
    상기 타겟 후보 객체의 검출 결과와 상기 오류 객체의 검출 결과에 기초하여 상기 입력 이미지에서 타겟 객체를 검출하는,
    객체 검출 장치.
  14. 제13항에 있어서,
    상기 타겟 후보 객체의 검출 결과는,
    상기 입력 이미지 내에서 검출된 상기 타겟 후보 객체의 영역 및 상기 타겟 후보 객체에 대응하는 객체 스코어를 포함하고,
    상기 오류 객체의 검출 결과는,
    상기 입력 이미지 내에서 검출된 오류 객체의 영역을 포함하는,
    객체 검출 장치.
  15. 제14항에 있어서,
    상기 프로세서는,
    상기 타겟 후보 객체의 영역 및 상기 오류 객체의 영역 간의 중첩 정도에 기초하여 결정되는 가중치를 상기 객체 스코어에 적용하는 것에 의해 상기 타겟 후보 객체의 최종 스코어를 결정하고,
    상기 최종 스코어에 기초하여 상기 입력 이미지에서 상기 타겟 객체를 검출하는,
    객체 검출 장치.
  16. 제14항에 있어서,
    상기 프로세서는,
    오류 보완 모델을 이용하여 상기 입력 이미지로부터 상기 타겟 후보 객체의 추가 검출 결과를 획득하고,
    상기 타겟 후보 객체의 추가 검출 결과는,
    상기 오류 보완 모델을 이용하여 검출된 상기 타겟 후보 객체의 영역을 포함하는, 객체 검출 장치.
  17. 제16항에 있어서,
    상기 프로세서는,
    상기 객체 검출 모델을 이용하여 검출된 타겟 후보 객체의 영역 및 상기 오류 객체의 영역 간의 중첩 정도에 기초하여 결정되는 제1 가중치, 및 상기 객체 검출 모델을 이용하여 검출된 타겟 후보 객체의 영역 및 상기 오류 보완 모델을 이용하여 검출된 상기 타겟 후보 객체의 영역 간의 중첩 정도에 기초하여 결정되는 제2 가중치를 상기 객체 스코어에 적용하는 것에 의해 상기 타겟 후보 객체의 최종 스코어를 결정하고,
    상기 최종 스코어에 기초하여 상기 입력 이미지에서 상기 타겟 객체를 검출하는,
    객체 검출 장치.
  18. 이미지 모니터링 장치에 있어서,
    하나 이상의 단말로부터 이미지를 수신하는 통신 장치; 및
    상기 수신한 이미지에서 객체를 검출하는 프로세서를 포함하고,
    상기 프로세서는,
    객체 검출 모델을 이용하여 상기 이미지로부터 타겟 후보 객체의 검출 결과를 획득하고,
    오류 예측 모델을 이용하여 상기 이미지로부터 오류 객체의 검출 결과를 획득하고,
    상기 타겟 후보 객체의 검출 결과와 상기 오류 객체의 검출 결과에 기초하여 상기 이미지에서 타겟 객체를 검출하고,
    상기 타겟 객체의 검출 결과로서 미리 정의된 타겟 객체가 검출된 경우, 상기 미리 정의된 타겟 객체에 대응하는 제어 동작을 실행하는,
    이미지 모니터링 장치.
  19. 제18항에 있어서,
    상기 타겟 후보 객체의 검출 결과는, 상기 입력 이미지 내에서 검출된 상기 타겟 후보 객체의 영역 및 상기 타겟 후보 객체에 대응하는 객체 스코어를 포함하고,
    상기 오류 객체의 검출 결과는, 상기 입력 이미지 내에서 검출된 오류 객체의 영역을 포함하고,
    상기 프로세서는,
    상기 타겟 후보 객체의 영역 및 상기 오류 객체의 영역 간의 중첩 정도에 기초하여 결정되는 가중치를 상기 객체 스코어에 적용하는 것에 의해 상기 타겟 후보 객체의 최종 스코어를 결정하고,
    상기 최종 스코어에 기초하여 상기 입력 이미지에서 상기 타겟 객체를 검출하는,
    이미지 모니터링 장치.
KR1020210102431A 2021-08-04 2021-08-04 객체 검출 장치 및 객체 검출 방법 KR20230020708A (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020210102431A KR20230020708A (ko) 2021-08-04 2021-08-04 객체 검출 장치 및 객체 검출 방법
US17/698,445 US20230038006A1 (en) 2021-08-04 2022-03-18 Method and apparatus for detecting object in image
CN202210625031.0A CN115705702A (zh) 2021-08-04 2022-06-02 用于检测图像中的对象的方法和设备
EP22186436.6A EP4131176A1 (en) 2021-08-04 2022-07-22 Method and apparatus for detecting object in image

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210102431A KR20230020708A (ko) 2021-08-04 2021-08-04 객체 검출 장치 및 객체 검출 방법

Publications (1)

Publication Number Publication Date
KR20230020708A true KR20230020708A (ko) 2023-02-13

Family

ID=82701744

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210102431A KR20230020708A (ko) 2021-08-04 2021-08-04 객체 검출 장치 및 객체 검출 방법

Country Status (4)

Country Link
US (1) US20230038006A1 (ko)
EP (1) EP4131176A1 (ko)
KR (1) KR20230020708A (ko)
CN (1) CN115705702A (ko)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5849558B2 (ja) * 2011-09-15 2016-01-27 オムロン株式会社 画像処理装置、画像処理方法、制御プログラムおよび記録媒体
US10657364B2 (en) * 2016-09-23 2020-05-19 Samsung Electronics Co., Ltd System and method for deep network fusion for fast and robust object detection
EP3392799A1 (en) * 2017-04-21 2018-10-24 Koninklijke Philips N.V. Medical image detection

Also Published As

Publication number Publication date
EP4131176A1 (en) 2023-02-08
CN115705702A (zh) 2023-02-17
US20230038006A1 (en) 2023-02-09

Similar Documents

Publication Publication Date Title
CN109948408B (zh) 活性测试方法和设备
CN109325964B (zh) 一种人脸追踪方法、装置及终端
US9697420B2 (en) Information processing system, information processing method, and computer-readable recording medium
CN109241896B (zh) 一种通道安全检测方法、装置及电子设备
US20220174089A1 (en) Automatic identification and classification of adversarial attacks
WO2017221643A1 (ja) 画像処理装置、画像処理システム、および画像処理方法、並びにプログラム
KR102476758B1 (ko) 영상 정규화 장치 및 방법
CN111178245A (zh) 车道线检测方法、装置、计算机设备和存储介质
US20180173940A1 (en) System and method for matching an object in captured images
CN104966079A (zh) 区分真人面部与平坦表面
US10853631B2 (en) Face verification method and apparatus, server and readable storage medium
WO2017221644A1 (ja) 画像処理装置、画像処理システム、および画像処理方法、並びにプログラム
CN111104925B (zh) 图像处理方法、装置、存储介质和电子设备
Tang et al. Multiple-kernel adaptive segmentation and tracking (MAST) for robust object tracking
Denman et al. Multi-spectral fusion for surveillance systems
CN111709471A (zh) 对象检测模型的训练方法以及对象检测方法、装置
KR20200083119A (ko) 사용자 인증 장치 및 방법
JP2023516480A (ja) 対象部位追跡方法、装置、電子機器及び読み取り可能な記憶媒体
US20220076005A1 (en) Person authentication apparatus, control method, and non-transitory storage medium
CN111402185B (zh) 一种图像检测方法及装置
KR20200083188A (ko) 라이브니스 검출 방법 및 장치, 이를 이용한 객체 인식 방법
CN114170642A (zh) 图像检测的处理方法、装置、设备及存储介质
KR20230020708A (ko) 객체 검출 장치 및 객체 검출 방법
KR102540290B1 (ko) 이종 센서 카메라 기반 사람 재식별 장치 및 방법
Nguyen et al. An improvement of the camshift human tracking algorithm based on deep learning and the Kalman filter

Legal Events

Date Code Title Description
A201 Request for examination