KR20230029048A - 운전자 이미지 데이터셋 비식별화 방법 및 장치 - Google Patents
운전자 이미지 데이터셋 비식별화 방법 및 장치 Download PDFInfo
- Publication number
- KR20230029048A KR20230029048A KR1020210111059A KR20210111059A KR20230029048A KR 20230029048 A KR20230029048 A KR 20230029048A KR 1020210111059 A KR1020210111059 A KR 1020210111059A KR 20210111059 A KR20210111059 A KR 20210111059A KR 20230029048 A KR20230029048 A KR 20230029048A
- Authority
- KR
- South Korea
- Prior art keywords
- dataset
- driver image
- driver
- image data
- data
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000013503 de-identification Methods 0.000 claims abstract description 46
- 238000005070 sampling Methods 0.000 claims description 23
- 230000001815 facial effect Effects 0.000 claims description 9
- 230000008921 facial expression Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 16
- 230000004927 fusion Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G06T5/005—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Bioethics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Image Processing (AREA)
Abstract
상기한 목적을 달성하기 위한 본 발명의 일 실시예에 따른 운전자 이미지 데이터셋 비식별화 방법은 운전자 이미지 데이터셋에 기반하여 기설정된 크기의 조합 데이터셋을 생성하는 단계, 상기 운전자 이미지 데이터셋을 구성하는 운전자 이미지 데이터들 각각의 얼굴 형태 정보를 추출하는 단계, 및 상기 조합 데이터셋 및 상기 얼굴 형태 정보를 이용하여 비식별화 데이터셋을 생성하는 단계를 포함한다.
Description
본 발명은 운전자 상태 데이터셋을 비식별화하는 기술에 관한 것이다.
구체적으로, 본 발명은 믹스업(MixUp) 증강 기법을 이용하여 데이터셋의 품질을 유지하면서도 간단하게 수행 가능한 데이터 비식별화 기술에 관한 것이다.
또한, 본 발명은 기존 운전자 데이터셋을 이용하여 운전자 상태 인식 기술에 필요한 운전자 상태 데이터셋을 증강하는 기술에 관한 것이다.
자율주행을 시행 시 운전자는 핸들에 손을 올려놓은 상태로 차량 전방을 향해 주의를 집중하고 있어야 한다. 차량 운전자가 전방을 주시하고 있는지를 실시간으로 확인하기 위해 운전자의 상태를 인식하는 운전자 상태 인식 기술이 활발하게 개발되고 있다.
이처럼, 정확한 운전자 상태 인식 기술을 개발하기 위해서는 방대하고 다양한 운전자 상태 데이터셋을 필요로 한다.
운전자 상태 데이터셋과 같이 개인정보가 포함된 데이터를 이용하여 머신 러닝 모델을 학습할 때, 해당 데이터셋의 개인정보는 비식별화되어야 한다.
특히, 보행자 및 운전자의 얼굴은 개인정보로써 필수적으로 비식별화가 진행되어야 한다.
이때, 방대한 양의 데이터셋에 대한 비식별화 작업 시 개인정보 영역을 사람이 직접 지정하는 것은 많은 시간과 비용이 소모된다. 때문에, 현재는 일반적으로 일차적으로 번호판/얼굴 검출기를 사용해 자동으로 개인정보 영역을 검출하고, 사람이 다시 확인하는 방식을 사용한다. 이 방식은 비식별화에 사용되는 시간을 줄일 수 있지만, 여전히 많은 시간과 수고가 많이 소요된다.
또한, 개인정보 영역을 비식별화 하기 위해 일반적으로 해당 영역을 가리거나, 흐리게 처리하는 방식을 사용하기도 한다. 최근에는 적대적 생성 신경망(Generative Adversarial Network, GAN) 기술을 사용해 해당 영역을 새로운 형태로 재합성하는 방식을 사용하기도 한다.
그러나, 비식별화 과정에서 손실되거나 왜곡되는 정보에 의해 해당 데이터로 학습된 시스템의 경우 성능이 저하되거나, 실제 환경에서의 강인함이 줄어드는 경향이 있으며, 표정이나 시선 등의 세밀한 정보는 영구적으로 사라질 수밖에 없다.
결국, 사용자의 개인정보를 보호하면서도 표정이나 시선 등의 세밀한 정보를 보존할 수 있는 데이터 비식별화 방법에 대한 필요성이 절실히 대두된다.
본 발명의 목적은 사용자의 개인정보를 보호하면서도 표정 등의 세밀한 정보를 보존할 수 있는 데이터 비식별화 방법을 제공하는 것이다.
또한, 본 발명의 목적은 운전자 이미지 데이터의 얼굴 형태 정보를 추출하여 학습 가능한 비식별 데이터를 생성하는 것이다.
상기한 목적을 달성하기 위한 본 발명의 일 실시예에 따른 운전자 이미지 데이터셋 비식별화 방법은 운전자 이미지 데이터셋에 기반하여 기설정된 크기의 조합 데이터셋을 생성하는 단계, 상기 운전자 이미지 데이터셋을 구성하는 운전자 이미지 데이터들 각각의 얼굴 형태 정보를 추출하는 단계, 및 상기 조합 데이터셋 및 상기 얼굴 형태 정보를 이용하여 비식별화 데이터셋을 생성하는 단계를 포함한다.
이때, 상기 조합 데이터셋은 기설정된 개수의 운전자 이미지 데이터로 구성된 조합 데이터들을 포함할 수 있다.
이때, 상기 비식별화 데이터셋을 생성하는 단계는 상기 운전자 이미지 데이터들 각각에 상응하는 제1 참값에 기반하여 상기 조합 데이터들 각각에 상응하는 제2 참값을 생성하는 단계를 포함할 수 있다.
이때, 상기 조합 데이터셋을 생성하는 단계는 상기 운전자 이미지 데이터셋에서 상기 기설정된 개수의 운전자 이미지 데이터들을 샘플링하는 단계, 상기 운전자 이미지 데이터셋에서 상기 샘플링된 운전자 이미지 데이터들을 삭제하는 단계, 및 상기 운전자 이미지 데이터셋의 운전자 이미지 데이터가 상기 기설정된 개수보다 작은 경우 상기 운전자 이미지 데이터셋을 리셋하는 단계를 포함할 수 있다.
이때, 상기 기설정된 개수의 운전자 이미지 데이터들을 샘플링하는 단계는 상기 운전자 이미지 데이터들 각각의 샘플링 빈도가 기설정된 범위 내에서 유지되도록 샘플링할 수 있다.
이때, 상기 얼굴 형태 정보는 운전자의 얼굴 위치와 크기, 방향, 이목구비 위치를 포함할 수 있다.
이때, 상기 비식별화 데이터셋을 생성하는 단계는 상기 얼굴 형태 정보에 기반하여 상기 운전자 이미지 데이터들의 운전자 이미지가 같은 영역에 위치하도록 보정할 수 있다.
이때, 상기 비식별화 데이터셋을 생성하는 단계는 믹스업(MixUp) 기법에 기반하여 상기 비식별화 데이터셋을 생성할 수 있다.
또한, 상기한 목적을 달성하기 위한 본 발명의 일 실시예에 따른 운전자 이미지 데이터셋 비식별화 장치는 하나 이상의 프로세서; 및 상기 하나 이상의 프로세서에 의해 실행되는 적어도 하나 이상의 프로그램을 저장하는 실행메모리를 포함하고, 상기 적어도 하나 이상의 프로그램은 운전자 이미지 데이터셋에 기반하여 기설정된 크기의 조합 데이터셋을 생성하고, 상기 운전자 이미지 데이터셋을 구성하는 운전자 이미지 데이터들 각각의 얼굴 형태 정보를 추출하고, 상기 조합 데이터셋 및 상기 얼굴 형태 정보를 이용하여 비식별화 데이터셋을 생성할 수 있다.
이때, 상기 조합 데이터셋은 기설정된 개수의 운전자 이미지 데이터로 구성된 조합 데이터들을 포함할 수 있다.
이때, 상기 적어도 하나의 프로그램은 상기 운전자 이미지 데이터들 각각에 상응하는 제1 참값에 기반하여 상기 조합 데이터들 각각에 상응하는 제2 참값을 생성할 수 있다.
이때, 상기 적어도 하나의 프로그램은 상기 운전자 이미지 데이터셋에서 상기 기설정된 개수의 운전자 이미지 데이터들을 샘플링하고, 상기 운전자 이미지 데이터셋에서 상기 샘플링된 운전자 이미지 데이터들을 삭제하고, 상기 운전자 이미지 데이터셋의 운전자 이미지 데이터가 상기 기설정된 개수보다 작은 경우 상기 운전자 이미지 데이터셋을 리셋할 수 있다.
이때, 상기 적어도 하나의 프로그램은 상기 운전자 이미지 데이터들 각각의 샘플링 빈도가 기설정된 범위 내에서 유지되도록 샘플링할 수 있다.
이때, 상기 얼굴 형태 정보는 운전자의 얼굴 위치와 크기, 방향, 이목구비 위치를 포함할 수 있다.
이때, 상기 적어도 하나의 프로그램은 상기 얼굴 형태 정보에 기반하여 상기 운전자 이미지 데이터들의 운전자 이미지가 같은 영역에 위치하도록 보정할 수 있다.
이때, 상기 적어도 하나의 프로그램은 믹스업(MixUp) 기법에 기반하여 상기 비식별화 데이터셋을 생성할 수 있다.
본 발명에 따르면, 사용자의 개인정보를 보호하면서도 표정 등의 세밀한 정보를 보존할 수 있는 데이터 비식별화 방법을 제공할 수 있다.
또한, 본 발명은 운전자 이미지 데이터의 얼굴 형태 정보를 추출하여 학습 가능한 비식별 데이터를 생성할 수 있다.
도 1은 운전자 상태 데이터셋을 예시적으로 나타낸 도면이다.
도 2는 이미지 비식별화 방법의 예시를 나타낸 도면이다.
도 3은 믹스업(MixUp) 기법과 사용 예시를 나타낸 도면이다.
도 4는 본 발명의 일실시예에 따른 운전자 이미지 데이터셋 비식별화 방법을 나타낸 흐름도이다.
도 5는 조합 데이터셋을 생성하는 단계(S110)를 상세히 나타낸 흐름도이다.
도 6은 운전자 얼굴 형태 예측 방법을 예시적으로 나타낸 도면이다.
도 7은 비식별화 데이터셋을 생성하는 단계(S130)를 상세히 나타낸 흐름도이다.
도 8은 본 발명의 일실시예에 따른 운전자 이미지 데이터셋을 예시적으로 나타낸 도면이다.
도 9는 본 발명의 일실시예에 따른 비식별화 데이터셋을 예시적으로 나타낸 도면이다.
도 10은 본 발명의 일실시예에 따른 운전자 이미지 데이터셋 비식별화 장치를 나타낸 블록도이다.
도 11은 실시예에 따른 컴퓨터 시스템의 구성을 나타낸 도면이다.
도 2는 이미지 비식별화 방법의 예시를 나타낸 도면이다.
도 3은 믹스업(MixUp) 기법과 사용 예시를 나타낸 도면이다.
도 4는 본 발명의 일실시예에 따른 운전자 이미지 데이터셋 비식별화 방법을 나타낸 흐름도이다.
도 5는 조합 데이터셋을 생성하는 단계(S110)를 상세히 나타낸 흐름도이다.
도 6은 운전자 얼굴 형태 예측 방법을 예시적으로 나타낸 도면이다.
도 7은 비식별화 데이터셋을 생성하는 단계(S130)를 상세히 나타낸 흐름도이다.
도 8은 본 발명의 일실시예에 따른 운전자 이미지 데이터셋을 예시적으로 나타낸 도면이다.
도 9는 본 발명의 일실시예에 따른 비식별화 데이터셋을 예시적으로 나타낸 도면이다.
도 10은 본 발명의 일실시예에 따른 운전자 이미지 데이터셋 비식별화 장치를 나타낸 블록도이다.
도 11은 실시예에 따른 컴퓨터 시스템의 구성을 나타낸 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
비록 "제1" 또는 "제2" 등이 다양한 구성요소를 서술하기 위해서 사용되나, 이러한 구성요소는 상기와 같은 용어에 의해 제한되지 않는다. 상기와 같은 용어는 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용될 수 있다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있다.
본 명세서에서 사용된 용어는 실시예를 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 또는 "포함하는(comprising)"은 언급된 구성요소 또는 단계가 하나 이상의 다른 구성요소 또는 단계의 존재 또는 추가를 배제하지 않는다는 의미를 내포한다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 해석될 수 있다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면 부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 운전자 상태 데이터셋을 예시적으로 나타낸 도면이다.
도 1을 참조하면, 운전자 상태 데이터셋은 12개의 운전자 상태 데이터로 구성되어 있다. 또한, 각각의 운전자 상태 데이터는 운전자의 각도, 위치가 조금씩 상이한 것을 확인할 수 있다.
자율주행 시 운전자는 전방을 주시하고 있어야 하며, 운전자가 전방을 주시하고 있는지를 판단하기 위해서는 방대한 운전자 상태 데이터셋을 이용한 학습이 필수적이다.
이때, 운전자 상태 데이터는 운전자의 개인정보가 포함된 데이터로 개인정보 보호를 위해 데이터의 비식별화 과정이 필요하다.
도 2는 이미지 비식별화 방법의 예시를 나타낸 도면이다.
도 2를 참조하면, 여러 가지 이미지 비식별화 방법을 볼 수 있다. 도 2의 (a)는 원본 데이터를 나타내며 (b), (c), (d) 는 각각 흐림 처리한 이미지, 모자이크 처리한 이미지, 및 AnonymousNet을 활용하여 비식별화한 이미지를 나타낸다.
이때, 흐림 처리한 이미지, 모자이크 처리한 이미지는 비식별화 과정에서 사람의 표정, 시선 등의 정보가 소실되는 것을 알 수 있다.
또한, AnonymousNet을 이용한 비식별화 이미지도 원본 데이터의 정보가 일부 소실되며, 비식별화를 위해서 시간이 오래 소요된다는 단점이 잇다.
결국, 운전자의 표정, 시선 등의 정보가 보존되면서도 간단하고 비용이 적게 드는 비식별화 방법이 필요하다.
따라서, 본 발명은 믹스업(MixUp) 기법을 활용하여 운전자의 표정, 시선 등의 세밀한 정보를 보존하면서도 강인한 비식별화 방법을 제공하는 것을 목적으로 한다.
도 3은 믹스업(MixUp) 기법과 사용 예시를 나타낸 도면이다.
도 3을 참조하면, 고양이의 이미지와 강아지의 이미지를 각각 0.7, 0.3의 가중치로 조합하여 새롭게 학습을 위한 데이터를 생성한 것을 볼 수 있다.
즉, 믹스업(MixUp) 기법은 부족한 학습 데이터를 가지고 더 좋은 모델을 학습하기 위해 사용되는 데이터 증강 기법으로 복수의 영상과 해당 영상의 참값을 중첩시켜 학습에 사용하는 기법이다.
믹스업(MixUp) 기법은 일반적으로 이미지 분류 성능을 향상시키는데 사용되며 객체 검출에도 사용될 수 있다. 구현이 간단하고 연산속도가 빠르며 모델이나 데이터셋에 상관없이 일반적으로 성능 향상에 도움을 주기에 자주 사용된다.
도 4는 본 발명의 일실시예에 따른 운전자 이미지 데이터셋 비식별화 방법을 나타낸 흐름도이다.
도 4를 참조하면, 운전자 이미지 데이터셋 비식별화 장치에서 수행되는 운전자 이미지 데이터셋 비식별화 방법은 운전자 이미지 데이터셋에 기반하여 기설정된 크기의 조합 데이터셋을 생성한다(S110).
이때, 상기 조합 데이터셋은 기설정된 개수의 운전자 이미지 데이터로 구성된 조합 데이터들을 포함할 수 있다.
즉, 조합 데이터셋은 k개의 조합 데이터로 구성되며, 각각의 조합 데이터는 n개의 운전자 이미지 데이터로 구성될 수 있다.
구체적으로, 상기 기설정된 크기의 조합 데이터셋을 생성하는 단계(S110)는 상기 운전자 이미지 데이터셋에서 상기 기설정된 개수의 운전자 이미지 데이터들을 샘플링하는 단계, 상기 운전자 이미지 데이터셋에서 상기 샘플링된 운전자 이미지 데이터들을 삭제하는 단계, 상기 운전자 이미지 데이터셋의 운전자 이미지 데이터가 상기 기설정된 개수보다 작은 경우 상기 운전자 이미지 데이터셋을 리셋하는 단계를 포함할 수 있다.
즉, N개로 구성된 운전자 이미지 데이터셋에서 n개의 데이터를 샘플링하여 조합 데이터를 생성한다.
n개의 데이터로 구성된 조합 데이터가 k개가 될 때까지 위 과정을 반복한다.
이때, 샘플링된 n개의 데이터는 운전자 이미지 데이터셋에서 삭제하며, 삭제 후 남은 운전자 이미지 데이터셋의 데이터 개수가 n개보다 작아지면 운전자 이미지 데이터셋을 리셋한다.
이때, 상기 기설정된 개수의 운전자 이미지 데이터들을 샘플링하는 단계는 상기 운전자 이미지 데이터들 각각의 샘플링 빈도가 기설정된 범위 내에서 유지되도록 샘플링할 수 있다.
이하, 도 5를 참조하여 조합 데이터셋을 생성하는 단계(S110)을 보다 상세하게 설명한다.
도 5는 조합 데이터셋을 생성하는 단계(S110)를 상세히 나타낸 흐름도이다.
상기 조합 데이터를 생성하는 단계의 입력은 N 장으로 구성된 데이터셋 X이며, 변수는 조합 데이터셋의 크기 k, 각 조합 데이터의 데이터 개수 n이다. 즉, 데이터 개수 n은 추후 데이터 융합단계에서 융합되는 데이터의 개수를 의미한다.
도 5를 참조하면, 조합 데이터셋을 생성하는 단계(S110)는 랜덤으로 n 장의 샘플을 선택한다(S111).
다음으로, 선택된 n 장의 샘플을 출력셋에 등록한다(S112). 즉, n 장의 샘플은 하나의 출력을 구성한다.
다음으로, 입력셋에서 선택된 샘플을 삭제한다(S113). 샘플을 삭제하여 운전자 이미지 데이터가 유사한 빈도로 추출되게 할 수 있다.
입력셋이 고갈된 경우(S114), 입력셋을 리셋하고(S115) 출력셋의 크기가 k에 도달했는지를 판단한다(S116).
입력셋이 고갈되지 않은 경우(S114) 출력셋의 크기가 k에 도달했는지를 판단한다(S116).
출력셋의 크기가 k에 도달하지 않은 경우(S116), 상기 단계(S111) 내지 단계(S115)를 출력셋의 크기가 k에 도달할 때까지 반복한다.
출력셋의 크기가 k에 도달하면(S116), 조합 데이터셋 T를 출력하고 데이터 선별 과정을 종료한다.
데이터 선별 과정이 종료되면, 본 발명의 일실시예에 따른 운전자 이미지 데이터셋 비식별화 방법은 운전자 이미지 데이터셋을 구성하는 운전자 이미지 데이터들 각각의 얼굴 형태 정보를 추출한다(S120).
이때, 운전자 이미지 데이터들 각각의 얼굴 형태 정보를 추출하는 단계는 N 장으로 구성된 운전자 이미지 데이터셋 X를 입력 받을 수 있다.
운전자 이미지 데이터들 각각의 얼굴 형태 정보를 추출하는 것은 개인정보 식별이 불가능하면서 더 자연스러운 이미지를 생성하기 위해서이다.
입력된 운전자 상태 영상들에 대하여 운전자의 얼굴 형태를 예측한다. 이때 얼굴 형태 정보는 얼굴의 위치와 크기, 방향, 이목구비의 위치 등을 포함할 수 있다. 이 예측 값은 실제로 이미지 데이터를 융합할 때 사용된다.
도 6은 운전자 얼굴 형태 예측 방법을 예시적으로 나타낸 도면이다.
도 6을 참조하면, 사람의 얼굴에서 눈, 코, 입을 포함하는 영역 및 눈, 코, 입의 위치에 관한 정보가 포함된 것을 알 수 있다.
다만, 도 6에 도시된 운전자 얼굴 형태 예측 방법은 예시적인 것이며, 본 발명의 범위가 이에 한정되는 것은 아니다.
얼굴 형태 정보 예측 과정(S120) 후, 본 발명의 일실시예에 따른 운전자 이미지 데이터셋 비식별화 방법은 조합 데이터셋 및 상기 얼굴 형태 정보를 이용하여 비식별화 데이터셋을 생성한다(S130).
이때, 상기 비식별화 데이터셋을 생성하는 단계(S130)는 믹스업(MixUp) 기법에 기반하여 상기 비식별화 데이터셋을 생성할 수 있다.
이때, 상기 비식별화 데이터셋을 생성하는 단계(S130)는 얼굴 형태 정보를 추출하는 단계(S120)에서 획득한 얼굴 형태 정보를 이용하여 운전자 이미지 데이터들의 운전자 이미지가 같은 영역에 위치하도록 보정할 수 있다.
또한, 상기 운전자 이미지 데이터들 각각에 상응하는 참값에 기반하여 상기 조합 데이터들 각각에 상응하는 참값을 생성할 수 있다.
이하, 도 7를 참조하여 비식별화 데이터셋을 생성하는 단계(S130)을 보다 상세하게 설명한다.
도 7은 비식별화 데이터셋을 생성하는 단계(S130)를 상세히 나타낸 흐름도이다.
도 7을 참조하면, 비식별화 데이터셋을 생성하는 단계(S130)는 각 조합 데이터에 있는 모든 이미지를 얼굴 형태 정보를 사용해 융합한다(S131).
다음으로, 각 조합 데이터에 있는 참값을 동일한 비율로 합하여 새 참값을 생성한다.
다만, 각 조합 데이터의 참값을 합하는 비율은 동일한 비율로 제한되는 것은 아니며, 다양한 비율로 선택될 수 있다.
이때, 비식별화 데이터셋을 생성하는 단계(S130)는 조합 데이터셋 T, N 장으로 이루어진 데이터셋 X, 각 이미지에 상응하는 얼굴 형태 정보, 데이터셋 X에 상응하는 참값 Y를 입력을 받을 수 있다.
위 입력데이터를 이용하여 비식별화 데이터셋 생성 과정(S130)을 거치면 k개로 이루어진 비식별화 데이터셋을 생성할 수 있다.
도 8 및 도 9는 본 발명의 일실시예에 따른 운전자 이미지 데이터셋 비식별화 방법에서 운전자 이미지 데이터셋 및 비식별화 데이터셋을 예시적으로 나타낸다(N = 4, k = 4, n = 2).
도 8은 본 발명의 일실시예에 따른 운전자 이미지 데이터셋을 예시적으로 나타낸 도면이다.
도 8을 참조하면, 운전자 이미지 데이터셋은 서로 다른 운전자에 상응하는 4개의 운전자 이미지 데이터로 구성된 것을 알 수 있다(N = 4).
다만, 이는 예시적인 것이며 운전자 이미지 데이터셋의 크기는 필요에 따라 다양하게 설정될 수 있다.
도 9는 본 발명의 일실시예에 따른 비식별화 데이터셋을 예시적으로 나타낸 도면이다.
도 9를 참조하면, 각각의 비식별화 데이터는 두 개의 운전자 이미지 데이터가 조합된 형태인 것을 알 수 있다(n = 2).
또한, 비식별화 데이터셋은 4개의 비식별화 데이터로 구성된 것을 알 수 있다(k = 4).
다만, 이는 예시적인 것이며 비식별화 데이터셋의 크기는 필요에 따라 다양하게 설정될 수 있다.
도 10은 본 발명의 일실시예에 따른 운전자 이미지 데이터셋 비식별화 장치를 나타낸 블록도이다.
도 10을 참조하면, 본 발명의 일실시예에 따른 운전자 이미지 데이터셋 비식별화 장치는 데이터 선별부(210), 데이터 분석부(220), 및 데이터 융합부(230)를 포함한다.
이때, 데이터 선별부(210)는 운전자 이미지 데이터셋에 기반하여 기설정된 크기의 조합 데이터셋을 생성한다.
이때, 상기 조합 데이터셋은 기설정된 개수의 운전자 이미지 데이터로 구성된 조합 데이터들을 포함할 수 있다.
즉, 조합 데이터셋은 k개의 조합 데이터로 구성되며, 각각의 조합 데이터는 n개의 운전자 이미지 데이터로 구성될 수 있다.
구체적으로, 상기 데이터 선별부(210)는 상기 운전자 이미지 데이터셋에서 상기 기설정된 개수의 운전자 이미지 데이터들을 샘플링하고, 상기 운전자 이미지 데이터셋에서 상기 샘플링된 운전자 이미지 데이터들을 삭제하고, 상기 운전자 이미지 데이터셋의 운전자 이미지 데이터가 상기 기설정된 개수보다 작은 경우 상기 운전자 이미지 데이터셋을 리셋할 수 있다.
즉, N개로 구성된 운전자 이미지 데이터셋에서 n개의 데이터를 샘플링하여 조합 데이터를 생성한다.
n개의 데이터로 구성된 조합 데이터가 k개가 될 때까지 위 과정을 반복한다.
이때, 샘플링된 n개의 데이터는 운전자 이미지 데이터셋에서 삭제하며, 삭제 후 남은 운전자 이미지 데이터셋의 데이터 개수가 n개보다 작아지면 운전자 이미지 데이터셋을 리셋한다.
이때, 데이터 선별부(210)는 상기 운전자 이미지 데이터들 각각의 샘플링 빈도가 기설정된 범위 내에서 유지되도록 샘플링할 수 있다.
상기 데이터 선별부(210)의 입력은 N 장으로 구성된 데이터셋 X이며, 변수는 조합 데이터셋의 크기 k, 각 조합 데이터의 데이터 개수 n이다. 즉, 데이터 개수 n은 추후 데이터 융합단계에서 융합되는 데이터의 개수를 의미한다.
이때, 데이터 선별부(210)는 조합 데이터셋을 생성하기 위해 랜덤으로 n 장의 샘플을 선택한다
다음으로, 선택된 n 장의 샘플을 출력셋에 등록한다. 즉, n 장의 샘플은 하나의 출력을 구성한다.
다음으로, 입력셋에서 선택된 샘플을 삭제한다. 샘플을 삭제하여 운전자 이미지 데이터가 유사한 빈도로 추출되게 할 수 있다.
이때, 데이터 선별부(210)는 입력셋이 고갈된 경우, 입력셋을 리셋하고 출력셋의 크기가 k에 도달했는지 판단한다.
또한, 입력셋이 고갈되지 않은 경우 출력셋의 크기가 k에 도달했는지를 판단한다.
출력셋의 크기가 k에 도달하지 않은 경우, 입력셋에서 샘플링 하는 과정 내지 입력셋을 리셋하는 과정을 출력셋의 크기가 k에 도달할 때까지 반복한다.
출력셋의 크기가 k에 도달하면, 조합 데이터셋 T를 출력하고 데이터 선별 과정을 종료한다.
다음으로, 데이터 분석부(220)는 운전자 이미지 데이터셋을 구성하는 운전자 이미지 데이터들 각각의 얼굴 형태 정보를 추출한다.
이때, 데이터 분석부(220)는 N 장으로 구성된 운전자 이미지 데이터셋 X를 입력 받을 수 있다.
운전자 이미지 데이터들 각각의 얼굴 형태 정보를 추출하는 것은 개인정보 식별이 불가능하면서 더 자연스러운 이미지를 생성하기 위해서이다.
입력된 운전자 상태 영상들에 대하여 운전자의 얼굴 형태를 예측한다. 이때 얼굴의 형태 정보는 얼굴의 위치와 크기, 방향, 이목구비의 위치 등을 포함할 수 있다. 이 예측 값은 실제로 이미지 데이터를 융합할 때 사용된다.
다음으로, 데이터 융합부(230)는 조합 데이터셋 및 상기 얼굴 형태 정보를 이용하여 비식별화 데이터셋을 생성한다.
이때, 데이터 융합부(230)는 믹스업(MixUp) 기법에 기반하여 상기 비식별화 데이터셋을 생성할 수 있다.
이때, 데이터 융합부(230)는 데이터 분석부(220)에서 획득한 얼굴 형태 정보를 이용하여 운전자 이미지 데이터들의 운전자 이미지가 같은 영역에 위치하도록 보정할 수 있다.
또한, 상기 운전자 이미지 데이터들 각각에 상응하는 참값에 기반하여 상기 조합 데이터들 각각에 상응하는 참값을 생성할 수 있다.
구체적으로, 데이터 융합부(230)는 각 조합 데이터에 있는 모든 이미지를 얼굴 형태 정보를 사용해 융합한다.
다음으로, 각 조합 데이터에 있는 참값을 동일한 비율로 합하여 새 참값을 생성한다.
다만, 각 조합 데이터의 참값을 합하는 비율은 동일한 비율로 제한 되는 것은 아니며, 다양한 비율로 선택될 수 있다.
이때, 데이터 융합부(230)는 조합 데이터셋 T, N 장으로 이루어진 데이터셋 X, 각 이미지에 상응하는 얼굴 형태 정보, 데이터셋 X에 상응하는 참값 Y를 입력을 받을 수 있다.
위 입력데이터를 이용하여 비식별화 데이터셋 생성 과정을 거쳐 k개로 이루어진 비식별화 데이터셋을 생성할 수 있다.
도 11은 실시예에 따른 컴퓨터 시스템의 구성을 나타낸 도면이다.
실시예에 따른 운전자 이미지 데이터셋 비식별화 장치는 컴퓨터로 읽을 수 있는 기록매체와 같은 컴퓨터 시스템(1000)에서 구현될 수 있다.
컴퓨터 시스템(1000)은 버스(1020)를 통하여 서로 통신하는 하나 이상의 프로세서(1010), 메모리(1030), 사용자 인터페이스 입력 장치(1040), 사용자 인터페이스 출력 장치(1050) 및 스토리지(1060)를 포함할 수 있다. 또한, 컴퓨터 시스템(1000)은 네트워크(1080)에 연결되는 네트워크 인터페이스(1070)를 더 포함할 수 있다. 프로세서(1010)는 중앙 처리 장치 또는 메모리(1030)나 스토리지(1060)에 저장된 프로그램 또는 프로세싱 인스트럭션들을 실행하는 반도체 장치일 수 있다. 메모리(1030) 및 스토리지(1060)는 휘발성 매체, 비휘발성 매체, 분리형 매체, 비분리형 매체, 통신 매체, 또는 정보 전달 매체 중에서 적어도 하나 이상을 포함하는 저장 매체일 수 있다. 예를 들어, 메모리(1030)는 ROM(1031)이나 RAM(1032)을 포함할 수 있다.
프로세서(1010)에 의해 실행되는 적어도 하나 이상의 프로그램은 운전자 이미지 데이터셋에 기반하여 기설정된 크기의 조합 데이터셋을 생성하고, 상기 운전자 이미지 데이터셋을 구성하는 운전자 이미지 데이터들 각각의 얼굴 형태 정보를 추출하고, 상기 조합 데이터셋 및 상기 얼굴 형태 정보를 이용하여 비식별화 데이터셋을 생성할 수 있다.
이때, 상기 조합 데이터셋은 기설정된 개수의 운전자 이미지 데이터로 구성된 조합 데이터들을 포함할 수 있다.
이때, 상기 적어도 하나의 프로그램은 상기 운전자 이미지 데이터들 각각에 상응하는 제1 참값에 기반하여 상기 조합 데이터들 각각에 상응하는 제2 참값을 생성할 수 있다.
이때, 상기 적어도 하나의 프로그램은 상기 운전자 이미지 데이터셋에서 상기 기설정된 개수의 운전자 이미지 데이터들을 샘플링하고, 상기 운전자 이미지 데이터셋에서 상기 샘플링된 운전자 이미지 데이터들을 삭제하고, 상기 운전자 이미지 데이터셋의 운전자 이미지 데이터가 상기 기설정된 개수보다 작은 경우 상기 운전자 이미지 데이터셋을 리셋할 수 있다.
이때, 상기 적어도 하나의 프로그램은 상기 운전자 이미지 데이터들 각각의 샘플링 빈도가 기설정된 범위 내에서 유지되도록 샘플링할 수 있다.
이때, 상기 얼굴 형태 정보는 운전자의 얼굴 위치와 크기, 방향, 이목구비 위치를 포함할 수 있다.
이때, 상기 적어도 하나의 프로그램은 상기 얼굴 형태 정보에 기반하여 상기 운전자 이미지 데이터들의 운전자 이미지가 같은 영역에 위치하도록 보정할 수 있다.
이때, 상기 적어도 하나의 프로그램은 믹스업(MixUp) 기법에 기반하여 상기 비식별화 데이터셋을 생성할 수 있다.
본 발명에서 설명하는 특정 실행들은 실시예들로서, 어떠한 방법으로도 본 발명의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다. 또한, “필수적인”, “중요하게” 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.
210: 데이터 선별부
120: 데이터 분석부
130: 데이터 융합부
1000: 컴퓨터 시스템 1010: 프로세서
1020: 버스 1030: 메모리
1031: 롬 1032: 램
1040: 사용자 인터페이스 입력 장치
1050: 사용자 인터페이스 출력 장치
1060: 스토리지 1070: 네트워크 인터페이스
1080: 네트워크
120: 데이터 분석부
130: 데이터 융합부
1000: 컴퓨터 시스템 1010: 프로세서
1020: 버스 1030: 메모리
1031: 롬 1032: 램
1040: 사용자 인터페이스 입력 장치
1050: 사용자 인터페이스 출력 장치
1060: 스토리지 1070: 네트워크 인터페이스
1080: 네트워크
Claims (16)
- 운전자 이미지 데이터셋에 기반하여 기설정된 크기의 조합 데이터셋을 생성하는 단계;
상기 운전자 이미지 데이터셋을 구성하는 운전자 이미지 데이터들 각각의 얼굴 형태 정보를 추출하는 단계; 및
상기 조합 데이터셋 및 상기 얼굴 형태 정보를 이용하여 비식별화 데이터셋을 생성하는 단계;
를 포함하는 것을 특징으로 하는 운전자 이미지 데이터셋 비식별화 방법. - 청구항 1에 있어서,
상기 조합 데이터셋은
기설정된 개수의 운전자 이미지 데이터로 구성된 조합 데이터들을 포함하는 것을 특징으로 하는 운전자 이미지 데이터셋 비식별화 방법. - 청구항 2에 있어서,
상기 비식별화 데이터셋을 생성하는 단계는
상기 운전자 이미지 데이터들 각각에 상응하는 제1 참값에 기반하여 상기 조합 데이터들 각각에 상응하는 제2 참값을 생성하는 단계를 포함하는 것을 특징으로 하는 운전자 이미지 데이터셋 비식별화 방법. - 청구항 2에 있어서,
상기 조합 데이터셋을 생성하는 단계는
상기 운전자 이미지 데이터셋에서 상기 기설정된 개수의 운전자 이미지 데이터들을 샘플링하는 단계;
상기 운전자 이미지 데이터셋에서 상기 샘플링된 운전자 이미지 데이터들을 삭제하는 단계; 및
상기 운전자 이미지 데이터셋의 운전자 이미지 데이터가 상기 기설정된 개수보다 작은 경우 상기 운전자 이미지 데이터셋을 리셋하는 단계;
를 포함하는 것을 특징으로 하는 운전자 이미지 데이터셋 비식별화 방법. - 청구항 4에 있어서,
상기 기설정된 개수의 운전자 이미지 데이터들을 샘플링하는 단계는
상기 운전자 이미지 데이터들 각각의 샘플링 빈도가 기설정된 범위 내에서 유지되도록 샘플링하는 것을 특징으로 하는 운전자 이미지 데이터셋 비식별화 방법. - 청구항 2에 있어서,
상기 얼굴 형태 정보는 운전자의 얼굴 위치와 크기, 방향, 이목구비 위치를 포함하는 것을 특징으로 하는 운전자 이미지 데이터셋 비식별화 방법. - 청구항 6에 있어서,
상기 비식별화 데이터셋을 생성하는 단계는
상기 얼굴 형태 정보에 기반하여 상기 운전자 이미지 데이터들의 운전자 이미지가 같은 영역에 위치하도록 보정하는 것을 특징으로 하는 운전자 이미지 데이터셋 비식별화 방법. - 청구항 1에 있어서,
상기 비식별화 데이터셋을 생성하는 단계는
믹스업(MixUp) 기법에 기반하여 상기 비식별화 데이터셋을 생성하는 것을 특징으로 하는 운전자 이미지 데이터셋 비식별화 방법. - 하나 이상의 프로세서; 및
상기 하나 이상의 프로세서에 의해 실행되는 적어도 하나 이상의 프로그램을 저장하는 실행메모리를 포함하고,
상기 적어도 하나 이상의 프로그램은
운전자 이미지 데이터셋에 기반하여 기설정된 크기의 조합 데이터셋을 생성하고,
상기 운전자 이미지 데이터셋을 구성하는 운전자 이미지 데이터들 각각의 얼굴 형태 정보를 추출하고,
상기 조합 데이터셋 및 상기 얼굴 형태 정보를 이용하여 비식별화 데이터셋을 생성하는 것을 특징으로 하는 운전자 이미지 데이터셋 비식별화 장치. - 청구항 9에 있어서,
상기 조합 데이터셋은
기설정된 개수의 운전자 이미지 데이터로 구성된 조합 데이터들을 포함하는 것을 특징으로 하는 운전자 이미지 데이터셋 비식별화 장치. - 청구항 10에 있어서,
상기 적어도 하나의 프로그램은
상기 운전자 이미지 데이터들 각각에 상응하는 제1 참값에 기반하여 상기 조합 데이터들 각각에 상응하는 제2 참값을 생성하는 것을 특징으로 하는 운전자 이미지 데이터셋 비식별화 장치. - 청구항 10에 있어서,
상기 적어도 하나의 프로그램은
상기 운전자 이미지 데이터셋에서 상기 기설정된 개수의 운전자 이미지 데이터들을 샘플링하고,
상기 운전자 이미지 데이터셋에서 상기 샘플링된 운전자 이미지 데이터들을 삭제하고,
상기 운전자 이미지 데이터셋의 운전자 이미지 데이터가 상기 기설정된 개수보다 작은 경우 상기 운전자 이미지 데이터셋을 리셋하는 것을 특징으로 하는 운전자 이미지 데이터셋 비식별화 장치. - 청구항 12에 있어서,
상기 적어도 하나의 프로그램은
상기 운전자 이미지 데이터들 각각의 샘플링 빈도가 기설정된 범위 내에서 유지되도록 샘플링하는 것을 특징으로 하는 운전자 이미지 데이터셋 비식별화 장치. - 청구항 10에 있어서,
상기 얼굴 형태 정보는
운전자의 얼굴 위치와 크기, 방향, 이목구비 위치를 포함하는 것을 특징으로 하는 운전자 이미지 데이터셋 비식별화 장치. - 청구항 14에 있어서,
상기 적어도 하나의 프로그램은
상기 얼굴 형태 정보에 기반하여 상기 운전자 이미지 데이터들의 운전자 이미지가 같은 영역에 위치하도록 보정하는 것을 특징으로 하는 운전자 이미지 데이터셋 비식별화 장치. - 청구항 9에 있어서,
상기 적어도 하나의 프로그램은
믹스업(MixUp) 기법에 기반하여 상기 비식별화 데이터셋을 생성하는 것을 특징으로 하는 운전자 이미지 데이터셋 비식별화 장치.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210111059A KR102576791B1 (ko) | 2021-08-23 | 2021-08-23 | 운전자 이미지 데이터셋 비식별화 방법 및 장치 |
| US17/575,317 US20230058530A1 (en) | 2021-08-23 | 2022-01-13 | Method and apparatus for deidentifying driver image dataset |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210111059A KR102576791B1 (ko) | 2021-08-23 | 2021-08-23 | 운전자 이미지 데이터셋 비식별화 방법 및 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230029048A true KR20230029048A (ko) | 2023-03-03 |
| KR102576791B1 KR102576791B1 (ko) | 2023-09-11 |
Family
ID=85228028
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210111059A KR102576791B1 (ko) | 2021-08-23 | 2021-08-23 | 운전자 이미지 데이터셋 비식별화 방법 및 장치 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20230058530A1 (ko) |
| KR (1) | KR102576791B1 (ko) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180060390A (ko) | 2016-11-29 | 2018-06-07 | 주식회사 파수닷컴 | 목적에 따라 비식별화된 데이터를 최적화하는 방법 및 장치 |
| KR20210066390A (ko) | 2019-11-28 | 2021-06-07 | 한국전자기술연구원 | 개인정보 비식별화 방법 및 시스템 |
| KR20210080919A (ko) | 2019-12-23 | 2021-07-01 | 한국전자통신연구원 | 데이터의 비식별화 방법 및 데이터의 비식별화 방법을 수행하는 장치 |
-
2021
- 2021-08-23 KR KR1020210111059A patent/KR102576791B1/ko active IP Right Grant
-
2022
- 2022-01-13 US US17/575,317 patent/US20230058530A1/en active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180060390A (ko) | 2016-11-29 | 2018-06-07 | 주식회사 파수닷컴 | 목적에 따라 비식별화된 데이터를 최적화하는 방법 및 장치 |
| KR20210066390A (ko) | 2019-11-28 | 2021-06-07 | 한국전자기술연구원 | 개인정보 비식별화 방법 및 시스템 |
| KR20210080919A (ko) | 2019-12-23 | 2021-07-01 | 한국전자통신연구원 | 데이터의 비식별화 방법 및 데이터의 비식별화 방법을 수행하는 장치 |
Non-Patent Citations (3)
| Title |
|---|
| 비특허문헌1* * |
| 비특허문헌2* * |
| 비특허문헌3* * |
Also Published As
| Publication number | Publication date |
|---|---|
| US20230058530A1 (en) | 2023-02-23 |
| KR102576791B1 (ko) | 2023-09-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109858555B (zh) | 基于图像的数据处理方法、装置、设备及可读存储介质 | |
| US11403874B2 (en) | Virtual avatar generation method and apparatus for generating virtual avatar including user selected face property, and storage medium | |
| CN111814902A (zh) | 目标检测模型训练方法、目标识别方法、装置和介质 | |
| JP6771259B2 (ja) | 画像および関連するテキストを処理するためのコンピュータ実装される方法、コンピュータ・プログラム製品、ならびにコンピュータ・システム | |
| US10726206B2 (en) | Visual reference resolution using attention memory for visual dialog | |
| US20200210770A1 (en) | Image realism predictor | |
| WO2020097734A1 (en) | Automatically predicting text in images | |
| KR20210009458A (ko) | 객체 검출 방법 및 객체 검출 장치 | |
| CN111881707A (zh) | 图像翻拍检测方法、身份验证方法、模型训练方法及装置 | |
| CN109189970A (zh) | 图片相似度比对方法和装置 | |
| CN111275051A (zh) | 字符识别方法、装置、计算机设备和计算机可读存储介质 | |
| CN115797706A (zh) | 目标检测方法、目标检测模型训练方法及相关装置 | |
| CN110909665A (zh) | 一种多任务的图像处理方法、装置、电子设备及存储介质 | |
| US20230237777A1 (en) | Information processing apparatus, learning apparatus, image recognition apparatus, information processing method, learning method, image recognition method, and non-transitory-computer-readable storage medium | |
| CN113705294A (zh) | 一种基于人工智能的图像识别方法、装置 | |
| CN111881740A (zh) | 人脸识别方法、装置、电子设备及介质 | |
| CN115880695A (zh) | 卡证的识别方法、卡证识别模型的训练方法及电子设备 | |
| CN114332484A (zh) | 关键点检测方法、装置、计算机设备和存储介质 | |
| CN114091551A (zh) | 色情图像识别方法、装置、电子设备及存储介质 | |
| KR102427884B1 (ko) | 객체 검출 모델 학습 장치 및 방법 | |
| KR20230029048A (ko) | 운전자 이미지 데이터셋 비식별화 방법 및 장치 | |
| CN116189214A (zh) | 版面分析方法、装置、电子设备及存储介质 | |
| US20220383663A1 (en) | Method for obtaining data from an image of an object of a user that has a biometric characteristic of the user | |
| CN114612667A (zh) | 图像分割方法、车辆控制方法及装置 | |
| KR20210087494A (ko) | 인체 방향 검출 방법, 장치, 전자 기기 및 컴퓨터 저장 매체 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |