KR20240037716A - 인공신경망을 이용한 창세트 정보 자동 산출 방법 및 장치 - Google Patents
인공신경망을 이용한 창세트 정보 자동 산출 방법 및 장치 Download PDFInfo
- Publication number
- KR20240037716A KR20240037716A KR1020220116577A KR20220116577A KR20240037716A KR 20240037716 A KR20240037716 A KR 20240037716A KR 1020220116577 A KR1020220116577 A KR 1020220116577A KR 20220116577 A KR20220116577 A KR 20220116577A KR 20240037716 A KR20240037716 A KR 20240037716A
- Authority
- KR
- South Korea
- Prior art keywords
- feature map
- information
- neural network
- artificial neural
- window set
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 205
- 238000000034 method Methods 0.000 title description 56
- 238000004364 calculation method Methods 0.000 claims abstract description 84
- 238000002372 labelling Methods 0.000 claims description 22
- 239000000284 extract Substances 0.000 claims description 15
- 230000003287 optical effect Effects 0.000 claims description 14
- 230000005855 radiation Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 description 31
- 230000008569 process Effects 0.000 description 22
- 238000012545 processing Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 239000011521 glass Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013434 data augmentation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000005357 flat glass Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001151 other effect Effects 0.000 description 2
- 238000007634 remodeling Methods 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
일 실시예에 따른 인공신경망을 이용한 창세트 정보 자동 산출 장치는이미지 정보를 포함하는 제1입력 정보를 입력 정보로 하고, 상기 이미지 정보에서 창세트 특성을 추출한 창세트 정보를 출력 정보로 하는 기 학습된 창세트 정보 산출 인공신경망 모듈 및 상기 창세트 정보 산출 인공신경망 모듈에서, 상기 이미지 정보에 대해 서로 다른 스케일 값을 가지는 제1-1특징 맵과 제1-2특징 맵을 추출하는 특징 추출부를 포함하고, 상기 창세트 정보 산출 인공신경망 모듈은, 상기 제1-1특징 맵과 상기 제1-2특징 맵에 대해 각각 컨볼루션을 적용하여 제3-1특징 맵과 제3-2특징 맵을 생성한 후, 미리 설정된 기준에 따라 상기 제3-1특징 맵과 상기 제3-2특징 맵 중 하나를 최종 특징 맵으로 결정한 후, 선택된 최종 특징 맵을 기초로 상기 창세트 정보를 산출할 수 있다.
Description
본 발명은 인공신경망을 이용한 창세트 정보 자동 산출 방법 및 장치에 관한 발명으로서, 보다 구체적으로는 기 학습된 인공신경망을 이용하여 입력되는 이미지에 창세트 영역을 분류하고, 동시에 분류된 창세트 영역에 대한 창세트 정보를 자동적으로 산출할 수 있는 기술에 관한 발명이다.
건물에서 실내 공간은 건축 환경 설비 측면에서 실내외 환경 변화로부터 재실자의 쾌적함을 유지시켜주는 공간이다. 재실자의 쾌적감은 여러 온열 인자들의 조합으로 인해 실시간으로 변화될 수 있는데 이중 가장 대표적인 온열 인자는 온도이다. 따라서 재실자에게 쾌적한 실내 환경을 조성해주기 위한 온도 분포 평가가 필요하다
한편, 최근에는 최근 지구 온난화 등의 환경 이슈로 인하여 산업용 및 가정용 건축물에서 열에너지 효율적으로 관리하고 저감시키는 기술 등이 주목 받고 있으며, 이로 인해 산업용 및 공공 건물에 주광 에너지를 관리하고 저감시키기 위한 다양한 리모델링이 이루어지고 있다.
주광 에너지를 관리하고 저감시키기 위한 리모델링의 경우 기존 건축물의 설계도면을 이용하여 건물의 광 에너지 특성을 분석하고 이를 바탕으로 건물에 대한 설계가 이루어져야 한다. 그리고 이러한 설계를 함에 있어서, 건축물의 광 에너지 특성에 영향을 주는 요소들을 다양하게 고려해야 하는데, 여러 요소 중 건축물에 가장 밀접한 영향을 주는 요소는 창세트이며, 창세트는 건물의 일사 획득량, 주광 면적 등 건물 내부로 유입되는 광 에너지에 영향을 가장 크게 미친다.
창세트의 광 특성값인 일사 획득량, 주광면적 등을 계산하기 위해서는 창세트의 상세 형상 치수가 필요하기 때문에, 일반적으로 건물의 창세트를 설계할 경우 기존 건물 창세트에 대한 형상 정보가 필요하다. 하지만 시간이 오래 흐른 구형 건물의 경우 도면이 소실되어 창세트 형상 정보를 확보할 수 없는 문제점이 있다. 이러한 경우 시공자나 설계자가 직접 기존 건물의 창세트 형상을 실측해야 하는데 이러한 경우 비용과 시간이 소요되는 문제가 있다. 이러한 문제는 기존 건물 창세트의 형상 정보를 사용하는 창세트 광특성값을 분석할 경우에도 한계로 작용한다.
따라서, 일 실시예에 따른 인공신경망을 이용한 창세트 정보 자동 산출 방법 및 장치는 상기 설명한 문제점을 해결하기 위해 고안된 발명으로서, 입력된 이미지에 대해 자동적으로 창세트 영역을 분류하고, 분류된 영역에 대한 창세트 정보를 자동으로 산출할 수 있는 창세트 정보 자동 산출 방법을 제공하는데 목적이 존재한다.
또한, 산출된 창세트 정보를 기초로, 건물의 광특성에 영향을 미치는 일사 획득량과 주광 면적에 대한 정보를 산출함으로써, 보다 효율적으로 건물을 관리할 수 있는 방법을 제공하는데 목적이 있다.
본 발명의 효과들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.
일 실시예에 따른 인공신경망을 이용한 창세트 정보 자동 산출 장치는이미지 정보를 포함하는 제1입력 정보를 입력 정보로 하고, 상기 이미지 정보에서 창세트 특성을 추출한 창세트 정보를 출력 정보로 하는 기 학습된 창세트 정보 산출 인공 신경망 모듈 및 상기 창세트 정보 산출 인공신경망 모듈에서, 상기 이미지 정보에 대해 서로 다른 스케일 값을 가지는 제1-1특징 맵과 제1-2특징 맵을 추출하는 특징 추출부를 포함하고, 상기 창세트 정보 산출 인공신경망 모듈은, 상기 제1-1특징 맵과 상기 제1-2특징 맵에 대해 각각 컨볼루션을 적용하여 제3-1특징 맵과 제3-2특징 맵을 생성한 후, 미리 설정된 기준에 따라 상기 제3-1특징 맵과 상기 제3-2특징 맵 중 하나를 최종 특징 맵으로 결정한 후, 선택된 최종 특징 맵을 기초로 상기 창세트 정보를 산출할 수 있다.
상기 창세트 정보 산출 인공신경망 모듈은, 상기 제3-1특징 맵과 상기 제3-2특징 맵에 대한 신뢰도 정보를 산출한 후, 더 높은 신뢰도 값을 가지고 있는 특징 맵을 상기 미리 설정된 기준에 따라 상기 최종 특징 맵으로 결정할 수 있다.
상기 창세트 정보 산출 인공신경망 모듈은, 상기 제1입력 정보를 입력 정보로 하고, 상기 이미지 정보에 대응되는 제1-1특징 맵을 출력 정보로 출력하는, 기 학습된 제1인공신경망을 포함할 수 있다.
상기 특징 추출부는, 상기 제1인공신경망에서 상기 제1-1특징 맵이 가지고 있는 스케일 값과 다른 스케일 값을 가지는 제1-2특징 맵을 추출할 수 있다.
상기 창세트 정보 산출 인공신경망 모듈은, 상기 제1-1특징 맵을 입력 정보로 하고, 상기 제1-2특징 맵을 중간 입력 정보로 하여, 상기 제1-1특징 맵에 대응되는 제2-1특징 맵과, 상기 제1-2특징 맵에 대응되는 제2-2특징 맵을 출력 정보로 출력하는, 기 학습된 제2인공신경망을 포함할 수 있다.
상기 창세트 정보 산출 인공신경망 모듈은, 상기 제2-1특징 맵과 상기 제2-2특징 맵을 입력 정보로 하고, 상기 제2-2특징 맵에 대응되는 제3-2특징 맵과, 상기 제3-1특징 맵에 대응되는 제3-2특징 맵을 출력 정보로 출력하는, 기 학습된 제3인공신경망을 포함할 수 있다.
상기 창세트 정보 산출 인공신경망 모듈은, 미리 설정된 기준에 따라 상기 제3-1특징 맵과 상기 제3-2특징 맵 중 하나를 상기 최종 특징 맵으로 결정하는, FC-레이어를 더 포함할 수 있다.
상기 인공신경망을 이용한 창세트 정보 자동 산출 장치는 상기 최종 특징 맵을 기초로 상기 이미지 정보에 대응되는 창호의 면적 정보와 길이 정보 및 프레임의 면적 정보와 길이 정보를 포함하는 창세트 정보를 산출하는 광 특성 정보 산출부를 더 포함할 수 있다.
상기 광 특성 정보 산출부는, 상기 창세트 정보를 기초로 일사 획득량 및 주광 면적을 산출할 수 있다.
상기 특징 추출부는, 상기 창세트 정보 산출 인공신경망 모듈에서, 상기 이미지 정보에 대해 상기 제1-1특징 맵과 상기 제1-2특징 맵과 다른 스케일 값을 가지는 제1-3특징 맵을 추출할 수 있다.
상기 창세트 정보 산출 인공신경망 모듈은, 상기 제3-1특징 맵, 상기 제3-2특징 맵 및 상기 제3-2특징 맵에 대한 신뢰도 정보를 산출한 후, 더 높은 신뢰도 값을 가지고 있는 특징 맵을 상기 미리 설정된 기준에 따라 상기 최종 특징 맵으로 결정할 수 있다.
일 실시예에 따른 인공신경망을 이용한 창세트 정보 자동 산출 방법은 이미지 정보를 포함하는 제1입력 정보를 입력 정보로 하고, 상기 이미지 정보에 대응되는 제1-1특징 맵을 출력 정보로 출력하는, 기 학습된 제1인공신경망을 이용하여 상기 제1-1특징 맵을 출력하는 제1특징 맵 생성 단계, 상기 이미지 정보에 대해 서로 다른 스케일 값을 가지는 제1-1특징 맵과 제1-2특징 맵을 상기 제1인공신경망을 통해 추출하는 특징 추출 단계, 상기 제1-1특징 맵과 상기 제1-2특징 맵에 대해 각각 컨볼루션을 적용하여 제3-1특징 맵과 제3-2특징 맵을 생성하는 제3특징 맵 생성 단계 및 미리 설정된 기준에 따라 상기 제3-1특징 맵과 상기 제3-2특징 맵 중 하나를 최종 특징 맵으로 결정한 후, 선택된 최종 특징 맵을 기초로 상기 창세트 정보를 산출하는 창세트 정보 산출 단계를 포함할 수 있다.
일 실시예에 따른 인공신경망을 이용한 창세트 정보 자동 산출 방법은 상기 최종 특징 맵을 기초로 상기 이미지 정보에 대응되는 창호의 면적 정보와 길이 정보 및 프레임의 면적 정보와 길이 정보를 포함하는 창세트 정보를 산출하는 창세트 정보 산출 단계를 더 포함할 수 있다.
일 실시예에 따른 인공신경망을 이용한 창세트 정보 자동 산출 장치는 이미지 정보를 포함하는 제1입력 정보를 입력 정보로 하고, 상기 이미지 정보에서 창세트 특성을 추출한 창세트 정보를 출력 정보로 하는 기 학습된 창세트 정보 산출 인공 신경망 모듈, 상기 창세트 정보 산출 인공신경망 모듈에서, 상기 이미지 정보에 대해 서로 다른 스케일 값을 가지는 제1-1특징 맵과 제1-2특징 맵을 추출하는 특징 추출부를 포함하고, 상기 창세트 정보 산출 인공신경망 모듈은, 상기 제1-1특징 맵과 상기 제1-2특징 맵에 대해 각각 컨볼루션을 적용하여 제3-1특징 맵과 제3-2특징 맵을 생성한 후, 미리 설정된 기준에 따라 상기 제3-1특징 맵과 상기 제3-2특징 맵 중 하나를 최종 특징 맵으로 결정한 후, 선택된 최종 특징 맵을 기초로 상기 창세트 정보를 산출하고, 상기 창세트 정보 산출 인공신경망 모듈은, 상기 이미지 정보에 포함되어 있는 창세트 정보에 대해 라벨링 되어 있는 라벨링 정보를 이용하여 학습을 수행할 수 있다.
상기 창세트 정보 산출 인공신경망 모듈은, 상기 라벨링 정보를 포함하는 제2입력 정보를 상기 제1입력 정보와 함께 상기 창세트 정보 산출 인공신경망 모듈의 입력 정보로 하여, 학습을 수행할 수 있다.
일 실시예에 따른 인공신경망을 이용한 창세트 정보 자동 산출 방법 및 장치는 건물의 창세트 이미지 속 창문의 형상을 라벨링하고 이를 인공신경망 모듈의 알고리즘으로 학습함으로써 건물의 창세트 형상 정보를 사진 이미지만으로 빠른 시간 안에 추출할 수 있으며, 학습되지 않은 창세트 이미지가 입력된 경우에도 창세트의 형상 정보를 탐지하고 창세트 정보를 추출할 수 있는 장점이 존재한다.
또한, 일 실시예에 따른 인공신경망을 이용한 창세트 정보 자동 산출 방법 및 장치는 새로운 이미지에 대해 오토 레이블링을 하여 자동으로 추가 학습을 진행하여 정확도를 지속적으로 향상시킬 수 있는 효과가 존재한다.
또한, 일 실시예에 따른 인공신경망을 이용한 창세트 정보 자동 산출 방법 및 장치는 추출된 창세트 정보를 이용하여 해당 창세트의 일사 획득량과 주광 면적 등과 같은 창세트의 광특성에 대한 정보를 용이하게 도출할 수 있는 장점이 존재한다.
본 발명의 효과들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명의 상세한 설명에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 간단한 설명이 제공된다.
도 1은 본 발명의 일 실시예에 따른 인공신경망을 이용한 창세트 정보 자동 산출 방법 및 장치의 일부 구성 요소를 도시한 도면이다.
도 2는 본 발명에서 측정 대상이 되는 창세트의 구성 요소를 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 창세트 정보 산출 인공 신경망 모듈이 추론 할 때의 입력 정보와 출력 정보를 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 창세트 정보 산출 인공 신경망 모듈이 학습할 때의 입력 정보와 출력 정보를 도시한 도면이다.
도 5는 본 발명의 일 실시예에 따른 창세트 정보 산출 인공 신경망 모듈의 구성을 구체적으로 도시한 도면이다.
도 6는 본 발명의 일 실시예에 따른 창세트 정보 산출 인공 신경망 모듈의 프로세스를 간략히 도시한 도면이다.
도 7은 본 발명의 일 실시예에 따른 창세트 정보 산출 인공 신경망 모듈의 프로세스를 구체적으로 도시한 도면이다.
도 8은 본 발명의 일 실시예에 따른 제1인공신경망의 프로세스를 설명하기 위한 도면이다.
도 9는 본 발명의 일 실시예에 따른 제2인공신경망의 프로세스를 설명하기 위한 도면이다.
도 10은 본 발명의 일 실시예에 따른 창세트 정보 산출 인공신경망 모듈의 최종 출력 정보를 도시한 도면이다.
도 11은 본 발명의 일 실시예에 따라, 창세트 정보 산출 인공 신경망 모듈의 학습 방법을 설명하기 위한 도면이다.
도 12는 본 발명의 일 실시예에 따라, 학습 데이터를 라벨링 하는 방법을 도시한 도면이다.
도 13은 본 발명의 일 실시예에 따라 창세트 정보 산출 장치가 일사 열 획득량을 산출하는 방법을 도시한 도면이다.
도 14는 도 13에 도시된 방법에 따라 계산된 창세트의 월별/연도별 일사 획득량을 도시한 그래프이다.
도 15는 본 발명의 일 실시예에 따라 창세트 정보 산출 장치가 주광 면적을 산출하는 방법을 도시한 도면이다.
도 16은 본 발명의 일 실시예에 따른 창세트 정보 산출 장치에 의해 도출된 주광 면적에 대한 값과 유한요소해석 결과의 의해 도출된 값을 비교한 도면이다.
도 1은 본 발명의 일 실시예에 따른 인공신경망을 이용한 창세트 정보 자동 산출 방법 및 장치의 일부 구성 요소를 도시한 도면이다.
도 2는 본 발명에서 측정 대상이 되는 창세트의 구성 요소를 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 창세트 정보 산출 인공 신경망 모듈이 추론 할 때의 입력 정보와 출력 정보를 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 창세트 정보 산출 인공 신경망 모듈이 학습할 때의 입력 정보와 출력 정보를 도시한 도면이다.
도 5는 본 발명의 일 실시예에 따른 창세트 정보 산출 인공 신경망 모듈의 구성을 구체적으로 도시한 도면이다.
도 6는 본 발명의 일 실시예에 따른 창세트 정보 산출 인공 신경망 모듈의 프로세스를 간략히 도시한 도면이다.
도 7은 본 발명의 일 실시예에 따른 창세트 정보 산출 인공 신경망 모듈의 프로세스를 구체적으로 도시한 도면이다.
도 8은 본 발명의 일 실시예에 따른 제1인공신경망의 프로세스를 설명하기 위한 도면이다.
도 9는 본 발명의 일 실시예에 따른 제2인공신경망의 프로세스를 설명하기 위한 도면이다.
도 10은 본 발명의 일 실시예에 따른 창세트 정보 산출 인공신경망 모듈의 최종 출력 정보를 도시한 도면이다.
도 11은 본 발명의 일 실시예에 따라, 창세트 정보 산출 인공 신경망 모듈의 학습 방법을 설명하기 위한 도면이다.
도 12는 본 발명의 일 실시예에 따라, 학습 데이터를 라벨링 하는 방법을 도시한 도면이다.
도 13은 본 발명의 일 실시예에 따라 창세트 정보 산출 장치가 일사 열 획득량을 산출하는 방법을 도시한 도면이다.
도 14는 도 13에 도시된 방법에 따라 계산된 창세트의 월별/연도별 일사 획득량을 도시한 그래프이다.
도 15는 본 발명의 일 실시예에 따라 창세트 정보 산출 장치가 주광 면적을 산출하는 방법을 도시한 도면이다.
도 16은 본 발명의 일 실시예에 따른 창세트 정보 산출 장치에 의해 도출된 주광 면적에 대한 값과 유한요소해석 결과의 의해 도출된 값을 비교한 도면이다.
이하, 본 발명에 따른 실시 예들은 첨부된 도면들을 참조하여 설명한다. 각 도면의 구성요소들에 참조 부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명의 실시 예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 실시예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다. 또한, 이하에서 본 발명의 실시 예들을 설명할 것이나, 본 발명의 기술적 사상은 이에 한정되거나 제한되지 않고 당업자에 의해 변형되어 다양하게 실시될 수 있다.
또한, 본 명세서에서 사용한 용어는 실시 예를 설명하기 위해 사용된 것으로, 개시된 발명을 제한 및/또는 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 명세서에서, "포함하다", "구비하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는다.
또한, 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함하며, 본 명세서에서 사용한 "제 1", "제 2" 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되지는 않는다.
아래에서는 첨부한 도면을 참고하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략한다.
한편 본 발명의 명칭은 '인공신경망을 이용한 창세트 정보 자동 산출 방법 및 장치'로 기재하였으나, 이하 명세서에서는 설명의 편의를 위해 '인공신경망을 이용한 창세트 정보 자동 산출 장치'는 '창세트 정보 산출 장치'로 지칭하고, '인공신경망을 이용한 창세트 정보 자동 산출 방법'은 '창세트 정보 산출 방법'으로 지칭하여 설명하도록 한다.
도 1은 본 발명의 일 실시예에 따른 인공신경망을 이용한 창세트 정보 자동 산출 장치의 일부 구성 요소를 도시한 도면이다.
도 1을 참조하면, 일 실시예에 따른 인공신경망을 이용한 창세트 정보 산출 장치(1)는 라벨링 정보 생성부(100), 프로세서(200), 광 특성 정보 생성부(400) 및 메모리부(500)를 포함할 수 있다. 본 발명에 따른 창세트 정보 산출 장치(1)의 구성요소가 도 1에 구성된 요소로 한정되는 것은 아니고, 도시된 구성 요소보다 더 적게 구성되거나, 다른 구성요소들이 추가적으로 결합하여 구현될 수 도 있다.
라벨링 정보 생성부(100)는 본 발명에 따른 창세트 정보 산출 인공신경망 모듈(300, 도 3참조)이 학습을 수행하는데 필요한 데이터를 생성하는 생성부를 의미한다.
라벨링 정보 생성부(100)는 창세트 정보 산출 인공신경망 모듈(300)이 학습 또는 추론을 하기 위한 데이터를 생성하는 구성 요소로서, 라벨링 정보 생성부(100)가 생성하는 데이터에는 창세트 정보 산출 인공신경망 모듈(300)에 입력되는 이미지에 대응되는 창세트에 관한 구체적인 수치 정보와 영역 정보가 포함되어 있다. 이는 창세트 정보 산출 인공신경망 모듈(300)이 학습을 수행하는데 학습 데이터로서의 역할을 할 수 있다.
라벨링 정보 생성부(100)가 생성한 라벨링 데이터는 창세트 정보 산출 장치(1)에 이미지 정보(10)와 함께 입력 정보로 입력되거나, 추후 출력된 추론 정보에 대응되는 레퍼런스 정보로 활용될 수 있다. 이에 대한 구체적인 설명은 후술하도록 한다.
프로세서(200)는 본 발명에 따른 창세트 정보 산출 장치(1)의 전반적인 작동을 제어하는 역할을 할 수 있다. 구체적으로, 프로세서(200)는 창세트 정보 산출 인공신경망 모듈(300)을 포함하고 있어, 프로세서(200)로 입력되는 이미지에서 창세트에 관한 영역 정보 수치 정보를 산출할 수 있다. 창세트 정보 산출 인공신경망 모듈(300)의 구체적으로 프로세서에 대해서는 도 3 내지 도 9를 통해 자세히 설명하도록 한다.
광 특성 정보 생성부(400)는 프로세서(200)가 산출한 창세트에 관한 영역 정보 및 수치 정보를 기초로, 건물 내부로 유입되는 창세트의 광 특성값에 해당하는 일사 획득량(Amount of solar heat gasin) 및 주광 면적 등을 산출할 수 있다. 이에 대한 자세한 설명은 도 13내지 도 16을 통해 자세히 설명하도록 한다.
메모리부(500)는 입력되는 이미지 정보(10), 라벨링 정보 생성부(100)가 생성한 라벨링 데이터, 프로세서(200)가 생성한 창세트 정보 및 광특성 정보 생성부(400)가 생성한 광특성 정보 등이 저장될 수 있으며, 분석 대상이 되는 건물에 대한 다양한 정보 등이 저장될 수 있다.
한편, 도 1에서는 메모리부(500)를 프로세서(200)와 별도의 구성요소로 도시하였지만, 본 발명의 실시예가 이로 한정되는 것은 아니고, 메모리부(500)와 프로세서(200)가 하나의 구성 요소로 합쳐져 본 발명이 구현될 수 도 있다.
도 2는 본 발명에서 측정 대상이 되는 창세트의 구성 요소를 도시한 도면이다.
건물에 설치되는 창세트는 창호, 프레임, 패널 등 다양한 구성요소를 포함하고 있으며, 창세트 정보를 정확하게 산출하기 위해서는 이러한 구성요소들이 어디에 위치하고, 차지하고 있는 면적과 길이 등에 대한 정보도 알고 있어야 한다.
구체적으로, 창세트는 도 2의 (A)에 도시된 바와 같이, 세로 프레임에 해당하는 멀리언, 고정창에 해당하는 창호, 가로 프레임에 해당하는 트랜섬, 개폐창에 해당하는 T/T창, 스팬드럴에 해당하는 패널 등을 포함할 수 있으며, 이들에 대한 면적과 수치는 다양하게 정의될 수 있다.
구체적으로 창세트 정보는 도2의 (B)에 도시된 바와 같이 창세트의 전체 너비, 전체 높이, 전체 면적, 멀리언/트랜섬 프레임 면적, 고정창 유리 면적, T/T창 유리 면적, T/T창 프레임 면적, 패널 면적, 패널-멀리언/트랜섬 길이, 유리-멀리언/트랜섬 길이, 프레임-멀리언/트랜섬 길이, 유리-프레임 길이 등에 대한 정보를 포함할 수 있다.
본 발명에 따른 창세트 정보 산출 장치(100)는 도 2의 (A)와 같이 이미지가 입력 정보로 입력된 경우, 이미지에서 구성요소들을 구획한 구획 정보와, 각각의 구성요소들에 대한 수치 정보를 도 2의 (B)와 같이 자동적으로 산출하는데 그 목적이 존재한다. 이하 도면을 통해 본 발명의 구체적으로 프로세스에 대해 자세히 알아보도록 한다.
도 3은 본 발명의 일 실시예에 따른 창세트 정보 산출 인공 신경망 모듈이 추론 할 때의 입력 정보와 출력 정보를 도시한 도면이고, 도 4는 본 발명의 일 실시예에 따른 창세트 정보 산출 인공 신경망 모듈이 학습할 때의 입력 정보와 출력 정보를 도시한 도면이다.
도 3 내지 도 4를 참조하면, 본 발명에 따른 창세트 정보 산출 인공신경망 모듈(300)은 이미지 정보(10)를 포함하는 제1입력 정보를 입력 정보로 하고, 입력된 이미지 정보(10)에서 창세트에 대한 영역 정보와 수치 정보를 추출한 창세트 정보(40)를 포함하는 출력 정보를 출력 정보로 하는 기 학습된 인공신경망을 의미한다.
본 발명에 따른 창세트 정보 산출 인공신경망 모듈(300)은 도 4에 도시된 바와 같이 이미지 정보를 포함하는 제1입력 정보(10)와, 창세트 정보를 포함하는 출력 정보(40) 및 출력 정보(40)에 대응되는 레퍼런스 정보(ground truth, 50)를 기초로 학습을 수행하는 학습 세션과, 제1입력 정보(10)를 기초로 제1출력 정보(40)를 추론하는 추론 세션을 포함할 수 있다. 도면에서는 학습 세션과 추론 세션을 분리하여 도시하였지만, 본 발명의 실시예가 이로 한정되는 것으로 학습 세션과 추론 세션은 분리하여 구현될 수 도 있다.
한편 본 발명의 경우 창세트 정보 산출 인공신경망 모듈(300)이 학습을 수행함에 있어서, 도면에 도시된 바와 같이 제1출력 정보(40)와 레퍼런스 정보(50)를 기초로 학습을 수행할 수 있지만, 창세트 정보 산출 인공신경망 모듈(300)에 이미지 정보에 대응되는 수치 정보가 함께 입력되어 학습이 수행될 수도 있다.
구체적으로, 창세트 정보 산출 인공신경망 모듈(300)에 입력되는 입력 정보에는 이미지 정보를 포함하는 제1입력 정보(10)와 상기 이미지 정보에 포함되어 있는 창세트에 관한 수치 정보 라벨링 되어 있는 제2입력 정보(20)가 포함되어 있어, 창세트 정보 산출 인공신경망 모듈(300)은 입력된 2개의 입력 정보를 기초로 학습을 수행할 수 있다.
한편, 본 발명에서 학습을 수행한다는 의미는, 인공신경망의 파라미터를 조정하는 것을 의미하며, 창세트 정보 산출 인공신경망 모듈(300)에 입력되는 제2입력 정보(20)는, 라벨링 정보 생성부(100)에서 생성한 이미지 정보에 대응되는 라벨링 정보를 의미할 수 있다. 이에 대한 설명은 도 12를 통해 후술하도록 한다.
도 5 내지 도 9는 창세트 정보 산출 인공신경망 모듈(300)이 학습하는 방법을 설명하기 위한 도면으로서, 도 5는 본 발명의 일 실시예에 따른 창세트 정보 산출 인공 신경망 모듈의 구성을 구체적으로 도시한 도면이다.
도 5를 참조하면, 본 발명에 따른 창세트 정보 산출 인공신경망 모듈(300)은 제1인공신경망(310), 제2인공신경망(320), 제3인공신경망(330) 및 FC-레이어(340)를 포함할 수 있다.
한편, 도 5에서는 창세트 정보 산출 인공신경망 모듈(300)을 3개의 인공신경망과 한 개의 FC-레이어로 구분하여 도시하였지만, 이는 설명의 편의를 위한 것으로서 본 발명의 실시예가 이로 한정되는 것은 아니다. 따라서, 3개의 인공신경망이 모두 합쳐져 하나의 인공신경망으로 구현될 수도 있고, 3개의 인공신경망과 한 개의 FC-레이어가 모두 합쳐진 하나의 인공신경망으로도 구현될 수 있다.
제1인공신경망(310)은 이미지 정보를 포함하는 제1입력 정보(10)와 이미지 정보에 포함되어 있는 창세트에 대한 수치 정보 및 영역 정보 중 적어도 하나를 포함하는 제2입력 정보(20)를 입력 정보로 하고, 상기 이미지 정보에 컨볼루션을 적용하여 제1-1특징 맵(11)을 출력 정보로 출력하는, 기 학습된 인공신경망을 의미한다.
한편, 제1인공신경망(310)의 경우 복수 회에 걸쳐 컨볼루션 연산이 수행되기 때문에, 제1인공신경망(310)에 내부에서 생성되는 특징 맵은 서로 다른 스케일을 가지는 특징 맵이 복수 개 생성될 수 있다.
따라서, 특징 맵 추출불(미도시)는 제1-2특징 맵(12)과 제1-3특징 맵(13)을 제1인공신경망(310)에서 추출한 후, 도면에서 도시된 바와 같이 제1인공신경망(310)의 중간 출력 정보로 출력할 수 있고, 이렇게 출력된 중간 출력 정보들은 병렬적으로 제2인공신경망(320)의 중간 입력 정보로 입력될 수 있다.
한편, 도 5에서는 제1인공신경망(310)의 중간 출력 정보로 출력되는 중간 출력 정보는 2개(제1-2특징 맵, 제1-3특징 맵)로 도시하였지만, 본 발명의 실시예가 이로 한정되는 것은 아니다. 앞서 설명한 바와 같이 제1인공신경망(310)이 출력하는 중간 출력 정보에 해당하는 특징 맵들은 제1-1특징 맵(11)의 스케일 값과 다른 스케일 값을 가지는 특징 맵을 의미하는 것이기 때문에, 본 발명의 목적에 따라 중간 출력 정보에 해당하는 특징 맵의 개수는 자유롭게 변형이 가능하다.
일 예로 제1-1특징 맵(11)의 스케일 값과 다른 스케일 값을 가지는 특징 맵은 2개 또는 4개, 5개로 구현될 수 있으며, 이러한 경우 각각의 특징 맵들은 서로 다른 스케일 값을 가지고 있을 수 있다. 이하 설명의 편의를 위해 제1인공신경망(310)의 중간 출력 정보인 특징 맵은 제1-1특징 맵(11), 제1-2특징 맵(12)인 2개로 한정하여 설명하도록 한다.
제2인공신경망(320)은 제1인공신경망(310)이 출력한 제1-1특징 맵(11)과 제1인공신경망(310)의 중간 출력 정보인 제1-2특징 맵(12)과 제1-3특징 맵(13)을 기초로 컨볼루션 연산을 수행하여, 제1-1특징 맵(11)의 특징을 강화시킨 제2-1특징 맵(21), 제1-2특징 맵(12)의 특징을 강화시킨 제2-2특징 맵(22) 및 제1-3특징 맵(13)의 특징을 강화시킨 제2-3특징 맵(23)을 출력 정보로 출력할 수 있다.
앞서 설명한 바와 같이, 제1인공신경망(310)의 중간 출력 정보가 한 개인 경우 제2인공신경망(320)이 출력하는 출력 정보는 총 2개 일 수 있으며(제2-1특징 맵과 제2-2특징 맵), 제1인공신경망(310)의 중간 출력 정보가 3개인 경우 제2인공신경망이 출력하는 출력 정보는 총 4개의 출력 정보가 출력될 수 있다.
제3인공신경망(330)은 제2인공신경망(320)이 출력한 제2-1특징 맵(21), 제2-2특징 맵(22) 및 제2-3특징 맵(23)을 입력 정보로 하여, 입력된 각각의 특징 맵에 대해 컨볼루션 연산을 독립적으로 수행하여 앵커 박스 이미지를 포함하고 있는 제3-1특징 맵(31), 제3-2특징 맵(32) 및 제3-3특징 맵(33)을 출력 정보로 출력할 수 있다.
FC-레이어(340, Fully-connected Layer)는 제3인공신경망(330)이 출력한 제3-1특징 맵(31), 제3-2특징 맵(32) 및 제3-3특징 맵(33)을 각각 분석하여 미리 설정된 기준(가장 신뢰도가 높은 정보가 출력된 맵)을 최종 출력 정보로 출력하는 역할을 수행할 수 있다.
도 6는 본 발명의 일 실시예에 따른 창세트 정보 산출 인공 신경망 모듈의 프로세스를 간략히 도시한 도면이다.
본 발명에 따른 창세트 정보 산출 인공 신경망 모듈(300)은 입력되는 이미지 정보(10)에서 창세트에 관한 영역 정보를 추출하고, 추출된 영역 정보에서 수치 정보를 산출하는데 그 목적이 있으므로, 이러한 목적으로 달성하기 위해 복수개의 인공신경망을 이용하여 창세트 정보를 산출한다.
따라서, 창세트 정보 산출 인공신경망 모듈(300)은 도 6에 도시된 바와 같이 제1인공신경망(310)을 이용하여 입력된 이미지 정보(10)에 대해 이미지 특징을 추출한 제1특징 맵을 추출하고, 추출된 제1특징 맵에 대해 이미지의 특징을 강화하는 프로세스를 통해 제2특징 맵을 추출하고, 추출된 제2특징 맵에 대해 최종적인 객체 탐지 정보를 추출할 수 있는 프로세스를 통해 제3특징 맵을 추출할 수 있다. 이하 도면을 통해 각각의 인공신경망의 프로세스에 대해 자세히 알아보도록 한다.
도 7은 본 발명의 일 실시예에 따른 창세트 정보 산출 인공 신경망 모듈의 프로세스를 구체적으로 도시한 도면이다. 도 8은 본 발명의 일 실시예에 따른 제1인공신경망의 프로세스를 설명하기 위한 도면이고, 도 9는 본 발명의 일 실시예에 따른 제2인공신경망의 프로세스를 설명하기 위한 도면이다.
도 7과 도 8을 참조하면 제1인공신경망(310)은 입력되는 이미지 정보(10)에 대해 특징을 추출하는 인공싱경망으로서, 컨볼루션 기반의 네트워크를 적용하여 제1-1특징 맵(11)을 추출할 수 있다.
구체적으로, 제1인공신경망(310)은 컨볼루션 기반의 BottleNeck-CSP(Cross Stage Neterok) 네트워크를 이용하여 입력되는 이미지 정보를 3차원 형식의 데이터에서 1차원 형식의 데이터로 변환하는 역할을 할 수 있다.
제1인공신경망(310)의 첫 프로세스는 포커스(Focus) 단계로서, 여러 이미지를 일정한 형식으로 (일 예로, 3 x 1024 x 1024 로 통일)하여 모델 계산이 간단하게 이루어질 수 있는 프로세스를 진행한다. 이를 진행하기 되면 학습의 효과가 가속화되는 장점이 존재한다.
포커스 단계가 마무리되면, 제1인공신경망(310)은 컨볼루션 레이어와 BottleneckCSP를 통과를 복수 회 반복함으로써, 입력된 이미지 정보에서 특징(feature)을 추출한다. BottleneckCSP는 입력 값의 채널을 압축하여 특징을 추출하고 다시 채널을 증가시키는 구조이다.
256개의 채널은 Conv 1 x1을 통해 64채널로 축소시키며 이는 연산량을 줄이는 효과를 나타낸다.
이후 Conv 1x1에서는 공간적인 특징 추출이 불가능하므로 Conv 3x3에서 특징을 추출한다. 그 후 채널을 다시 256개로 확장시키면서 Conv 1x1로 파라미터를 감소시킨다. 제1인공신경망(310)이 학습을 수행함에 있어서, 특징 맵의 특징이 많을수록 학습이 잘 되기 때문에 Conv 1x1을 통해 채널의 개수를 증가시켰다.
제1인공신경망(310)에서 컨볼루션 레이어 이후에는 batch normalization 과정을 거치며 BottleneckCSP로 진행된다. 해당 단계에서는 4개의 컨볼루션 레이어를 생성하는데 이 중 두 개의 레이어는 서로 short-connection으로 연결되어 연산된 값을 도출하고 다른 컨볼루션 레이어에서 연산된 값을 합쳐서 나머지 하나의 컨볼루션 레이어를 통과하도록 제1인공신경망(310)을 구현하였다. 그 후 첫 번째와 네 번째 레이어에만 batch normalization을 적용하여 연산을 진행하였다.
제1인공신경망(310)의 마지막 단계로서 추출된 특징 맵을 고정된 1차원 형태로 배열하는 SPP(Spatial Pyramid Pooling Layer)을 과정을 진행한 후, SPP프로세스가 적용된 특징 맵이 FC-레이어(Fully Conneted Layer)의 입력 정보로 입력되기 때문에, 최종적으로 제1인공신경망(310)의 최종 출력 정보는 제1-1특징 맵(11)이 된다.
한편, 도면에 도시된 바와 같이 제1인공신경망(310)은 중간 출력 정보로 제1-2특징 맵(12)과 제1-3특징 맵(13)이 출력될 수 있는데, 제1-2특징 맵(12)과 제1-3특징 맵(13)은 제1-1특징 맵(11)과 서로 다른 스케일 값을 가지는 특징 맵을 의미한다.
즉, 입력된 이미지 정보(10)는 제1인공신경망(310)을 단계적으로 지나면서 채널의 개수가 많아지도록 레이어를 구성 하였으므로, 레이어를 통과 할 때 마다 그만큼 특징 맵의 스케일이 달라진다. 따라서, 제1-3특징 맵(13)은 제1-2특징 맵(12)보다 채널의 개수가 작은 특징 맵이 되며, 제1-2특징 맵(12)은 제1-1특징 맵(11)보다 채널의 개수가 작은 특징 맵이 되며, 이렇게 제1인공신경망(310)의 중간 프로세스에서 추출된 특징 맵들은 제2인공신경망(320)의 중간 입력 값으로 입력된다.
제2인공신경망(320)은 제1인공신경망(310)을 거친 특징 맵에 대해 특징을 구체화하는 PANet(Path-Aggregation Network) 단계로 구성되는 인공신경망으로서, 정보의 흐름(information flow)을 강화하는 것을 목표로 하는 인공신경망에 해당한다.
구체적으로, 제2인공신경망(320)은 제1인공신경망(310)을 통해 다양한 크기(다양한 스케일 값을 가지는)의 특징 맵을 수집하고 처리하는 인공신경망으로서, 앞 단에서 취득한 로우 레벨(low level)의 특징 맵이 뒷단의 컨볼루션 레이어로 입력이 잘 되지 않아 발생할 수 있는 문제를 해결하기 위해 Bottom-up 경로 Augmentation에 의해 전체 특징 계층을 강화하는 방식으로 localization의 정확도를 향상시킨 특징이 존재한다.
최하단 레이어에서 최상단 레이어를 잇는 shortcut 하나와 컨볼루션 레이어를 거쳐 기존 backbone 모델에 비해 원할한 flow가 가능하게 된다.
제2인공신경망의 Concat 층(321)은 제2인공신경망(320)에서 바로 직전 층에 해당하는 Upsampling 층(325)과 제1인공신경망(310)의 제3CSP층(313)층을 결합하는 역할을 수행한다.
구체적으로, 제2인공신경망(320)은 총 4개의 Concat층 (321,322,323,324)이 사용되었으며, 제1 Concat층은 제1인공신경망(310)의 제3CSP층(313)과 연결되며, 제1인공신경망(310)의 제3CSP층(313)과 Upsampling 층이 결합한 제2 Concat층(322)에서는 스케일이 작은 객체를 검출하고, 나머지 두 개의 Concat층(323, 324)에서 제2인공신경망(320)의 CSP와 Conv 층이 결합하여 중간 스케일과 큰 스케일의 객체를 검출하도록 한다.
따라서, 제2 Concat 층(322)을 통과한 제2-1특징 맵(21)과 제3contact층(323)을 통과한 제2-2특징 맵(22) 및 제4contact층(324)을 통과한 제2-3특징 맵(23)은 서로 다른 스케일을 가지게 되는는(제2-3특징 맵의 스케일이 가장 크고, 제2-2특징 맵의 스케일은 중간 크기이며, 제2-1특징 맵의 스케일이 가장 작다) 특징 맵이 각각 출력되며, 이렇게 출력된 특징 맵들은 제3인공신경망(330)의 입력 정보로 각각 입력된다.
제3인공신경망(330)은 입력된 3가지의 이미지의 스케일에서 컨볼루션을 거쳐 최종적으로 결과값을 각각 제3-1특징 맵(31), 제3-2특징 맵(32) 및 제3-3특징 맵(33)으로 도출한다. 결과값은 멀티스케일 특징 맵을 사용하여 빠른 추론 속도로 앵커 박스를 빠르게 생성할 수 있다.
제3인공신경망(330)에서 출력된 3개의 특징 맵은 최종적으로 FC-레이어(340)에 입력되며, FC-레이어에서는 3개의 특징 맵 중 가장 신뢰도가 높은 특징 맵을 기초로 산출한 창세트 정보(영역 정보와 수치 정보)를 창세트 정보 산출 인공 신경망 모듈(300)의 최종 출력 정보로 출력한다.
도 10은 본 발명의 일 실시예에 따른 창세트 정보 산출 인공신경망 모듈(300)의 최종 출력 정보를 도시한 도면이다.
도 10을 참고하면, 출력된 최종 정보는 창세트를 구역별로 구분한 앵커박스 이미지로 출력될 수 있으며, 이미지 내에서 유리에 해당하는 부분만 정확하게 앵커 박스를 만들어 이미지가 도출됨을 알 수 있다. 또한, 창세트 앞을 가리는 장애물, 창문에 반사된 이미지 또한 딥러닝 학습에 반영되었기에 구별 결과가 좋게 나옴을 알 수 있다.
또한, 최종 정보에는 도면에 도시된 바와 같이 창 번호와 이에 따른 X 좌표, Y좌표, 너비, 높이 등에 대한 정보가 텍스트 파일 정보로 같이 출력될 수 있다.
도 11은 본 발명의 일 실시예에 따라, 창세트 정보 산출 인공 신경망 모듈의 학습 방법을 설명하기 위한 도면이며, 도 12는 본 발명의 일 실시예에 따라, 학습 데이터를 라벨링 하는 방법을 도시한 도면이다.
도 11 및 도 12를 참조하면, 본 발명에 따른 창세트 정보 산출 인공신경망 모듈(300)은 새로운 이미지를 입력 데이터로 입력 받는다. 그리고 입력된 이미지에 대해 객체 탐지를 진행하여, 객체 탐지에 대한 불확실성 결과가 목표 불확실성보다 낮은 경우에는 객체 데이터를 수동으로 제작한 후, 제작된 데이터를 기초로 학습을 추가적으로 진행한다.
수동으로 학습 데이터를 생성하는 방법은 데이터를 라벨링 하는 과정을 포함하는 방법으로서, 도 12의 도시된 바와 같이 건물의 외벽 이미지에서 유리 면적에 해당하는 부분을 지정한 후, 지정된 부분에 대해 데이터 값을 레이블링하여 데이터를 저장한다. 일 예로, 본 단계에서는 Data augmentation을 사용하여 이미지의 대비, 명조를 조절한 20개의 이미지를 재생성하는 방법으로 데이터의 증대 과정을 거쳤다.
다시 도 11로 돌아와, 입력된 이미지에 대해 객체 탐지를 진행하여, 객체 탐지에 대한 불확실성 결과가 목표 불확실성보다 높은 경우에는 객체 데이터를 증대 시켜서 학습을 하면서 동시에 탐지된 객체 데이터를 추출하는 과정을 거치도록 하였다.
본 발명의 경우 이 과정에서 오토-라벨링(Auto-labeling) 방법을 사용하였기 때문에, 본 발명의 경우 학습되지 않은 이미지가 인공신경망 모델에 입력값으로 들어갔을 때, 도출되는 라벨링 데이터를 인공신경망의 학습에 사용하여 인공신경망 모델의 정확도를 향상시키고 작업시간을 획기적으로 단축시킬 수 있는 효과가 존재하였다.
도 13은 본 발명의 일 실시예에 따라 창세트 정보 산출 장치가 일사 열 획득량을 산출하는 방법을 도시한 도면이며, 도 14는 도 13에 도시된 방법에 따라 계산된 창세트의 월별/연도별 일사 획득량을 도시한 그래프이다.
일 실시예에 따른 광특성 정보 생성부(400)는 창세트 정보 산출 인공신경망 모듈(300)이 출력한 출력 정보를 기초로 하여 일사 열 획득량 정보를 산출할 수 있다.
도 13을 참조하면, 광특성 정보 생성부(400)는 창세트 정보 산출 인공신경망 모듈(300)이 출력한 창세트 정보를 기초로 창호 면적(A)을 계산한 후, 이를 월 평균 일사량( )과 창세트의 차양 장치 유무 및 단일 창 혹은 이중 창 등의 특성이 담긴 총 유효 에너지 투과율( ), 창호내 유리 면적비( )등 이용하여 아래 수학식 (1)과 같이 일사에 의한 열 획득량( )을 계산할 수 있다.
(수학식 1)
= A
도 15는 본 발명의 일 실시예에 따라 창세트 정보 산출 장치가 주광 면적을 산출하는 방법을 도시한 도면이다.
도 15를 참조하면, 일 실시예에 따른 광특성 정보 생성부(400)는 창세트 정보 산출 인공신경망 모듈(300)이 도출된 창호 세로 치수를 통해 데이라이트 존(daylight zone)의 최대 깊이를 도출한다. 그 후, 도출된 창호의 가로 치수와 데이라이트 존의 최대 깊이를 이용하여 데이라이트 존의 너비를 도출한 후, 데이라이트 존의 너비와 깊이의 곱을 이용하여 주광 면적을 아래 수학식 2와 같이 도출할 수 있다.
(수학식 2)
수학식 2에서 는 daylight zone의 최대 깊이를 의미하고, 는 창호 상단까지의 높이이고, 는 창호 하단까지의 높이를 의미한다.
그리고 광특성 정보 생성부(400)는 수학식 2와 창세트 정보 산출 인공신경망 모듈(300)이 산출한 창호의 세로 치수를 통해 데이라이트 존의 최대 깊이를 도출할 수 있다.
(수학식 3)
수학식 3에서 는 데이라이트 존의 너비를 의미하고, 은 창호의 너비를 의미한다.
그리고 광특성 정보 생성부(400)는 수학식3과 창세트 정보 산출 인공신경망 모듈(300)이 산출한 창호의 가로 치수와 도출된 데이라이트 존의 최대 깊이를 사용하여 데이라이트 존의 너비를 아래 수학식 4와 같이 도출할 수 있다.
(수학식 4)
수학식 4에서 는 주광 면적을 의미하고 는 데이라이트 존의 깊이를 의미한다. 광특성 정보 생성부(400)는 위 수학식 4를 이용하여 데이라이트 존의 너비와 깊이의 곱을 통해 최종적으로 주광 면적에 대한 정보를 도출할 수 있다.
도 16은 본 발명의 일 실시예에 따른 창세트 정보 산출 장치에 의해 도출된 주광 면적에 대한 값과 유한요소해석 결과의 의해 도출된 값을 비교한 도면이다.
도 16을 참조하면, 본 발명에 의해 산출된 주광 면적 값(2.1100625)과 유한요소해석에 의해 도출된 값(2.1)이 오차 0.48프로 밖에 안나는 것을 통해 본 발명의 정확성이 매우 높음을 알 수 있다.
지금까지 도면을 통해 일 실시예에 따른 인공신경망을 이용한 창세트 정보 자동 산출 방법 및 장치에 대해 자세히 알아보았다.
일 실시예에 따른 인공신경망을 이용한 창세트 정보 자동 산출 방법 및 장치는 건물의 창세트 이미지 속 창문의 형상을 라벨링하고 이를 인공신경망 모듈의 알고리즘으로 학습함으로써 건물의 창세트 형상 정보를 사진 이미지만으로 빠른 시간 안에 추출할 수 있으며, 학습되지 않은 창세트 이미지가 입력된 경우에도 창세트의 형상 정보를 탐지하고 창세트 정보를 추출할 수 있는 장점이 존재한다.
또한, 일 실시예에 따른 인공신경망을 이용한 창세트 정보 자동 산출 방법 및 장치는 새로운 이미지에 대해 오토 레이블링을 하여 자동으로 추가 학습을 진행하여 정확도를 지속적으로 향상시킬 수 있는 효과가 존재한다.
또한, 일 실시예에 따른 인공신경망을 이용한 창세트 정보 자동 산출 방법 및 장치는 추출된 창세트 정보를 이용하여 해당 창세트의 일사 획득량과 주광 면적 등과 같은 창세트의 광특성에 대한 정보를 용이하게 도출할 수 있는 장점이 존재한다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 정보를 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 정보는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 정보를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 정보는 하나 이상의 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 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.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 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.
1: 창세트 정보 자동 산출 장치
100: 라벨링 정보 생성부
200: 프로세서
300: 창세트 정보 산출 인공신경망 모듈
310: 제1인공신경망
320: 제2인공신경망
330: 제3인공신경망
340: FC-레이어
400: 광특성 정보 생성부
500: 메모리부
100: 라벨링 정보 생성부
200: 프로세서
300: 창세트 정보 산출 인공신경망 모듈
310: 제1인공신경망
320: 제2인공신경망
330: 제3인공신경망
340: FC-레이어
400: 광특성 정보 생성부
500: 메모리부
Claims (15)
- 이미지 정보를 포함하는 제1입력 정보를 입력 정보로 하고, 상기 이미지 정보에서 창세트 특성을 추출한 창세트 정보를 출력 정보로 하는 기 학습된 창세트 정보 산출 인공신경망 모듈; 및
상기 창세트 정보 산출 인공신경망 모듈에서, 상기 이미지 정보에 대해 서로 다른 스케일 값을 가지는 제1-1특징 맵과 제1-2특징 맵을 추출하는 특징 추출부;를 포함하고,
상기 창세트 정보 산출 인공신경망 모듈은,
상기 제1-1특징 맵과 상기 제1-2특징 맵에 대해 각각 컨볼루션을 적용하여 제3-1특징 맵과 제3-2특징 맵을 생성한 후, 미리 설정된 기준에 따라 상기 제3-1특징 맵과 상기 제3-2특징 맵 중 하나를 최종 특징 맵으로 결정한 후, 선택된 최종 특징 맵을 기초로 상기 창세트 정보를 산출하는 것을 특징으로 하는
인공신경망을 이용한 창세트 정보 자동 산출 장치. - 제1항에 있어서,
상기 창세트 정보 산출 인공신경망 모듈은,
상기 제3-1특징 맵과 상기 제3-2특징 맵에 대한 신뢰도 정보를 산출한 후, 더 높은 신뢰도 값을 가지고 있는 특징 맵을 상기 미리 설정된 기준에 따라 상기 최종 특징 맵으로 결정하는 것을 특징으로 하는,
인공신경망을 이용한 창세트 정보 자동 산출 장치. - 제1항에 있어서,
상기 창세트 정보 산출 인공신경망 모듈은,
상기 제1입력 정보를 입력 정보로 하고, 상기 이미지 정보에 대응되는 제1-1특징 맵을 출력 정보로 출력하는, 기 학습된 제1인공신경망을 포함하는 것을 특징으로 하는,
인공신경망을 이용한 창세트 정보 자동 산출 장치. - 제3항에 있어서,
상기 특징 추출부는,
상기 제1인공신경망에서 상기 제1-1특징 맵이 가지고 있는 스케일 값과 다른 스케일 값을 가지는 제1-2특징 맵을 추출하는 것을 특징으로 하는,
인공신경망을 이용한 창세트 정보 자동 산출 장치. - 제4항에 있어서,
상기 창세트 정보 산출 인공신경망 모듈은,
상기 제1-1특징 맵을 입력 정보로 하고, 상기 제1-2특징 맵을 중간 입력 정보로 하여, 상기 제1-1특징 맵에 대응되는 제2-1특징 맵과, 상기 제1-2특징 맵에 대응되는 제2-2특징 맵을 출력 정보로 출력하는, 기 학습된 제2인공신경망을 포함하는 것을 특징으로 하는,
인공신경망을 이용한 창세트 정보 자동 산출 장치. - 제5항에 있어서,
상기 창세트 정보 산출 인공신경망 모듈은,
상기 제2-1특징 맵과 상기 제2-2특징 맵을 입력 정보로 하고, 상기 제2-2특징 맵에 대응되는 제3-2특징 맵과, 상기 제3-1특징 맵에 대응되는 제3-2특징 맵을 출력 정보로 출력하는, 기 학습된 제3인공신경망을 포함하는 것을 특징으로 하는,
인공신경망을 이용한 창세트 정보 자동 산출 장치. - 제6항에 있어서,
상기 창세트 정보 산출 인공신경망 모듈은,
미리 설정된 기준에 따라 상기 제3-1특징 맵과 상기 제3-2특징 맵 중 하나를 상기 최종 특징 맵으로 결정하는, FC-레이어를 더 포함하는 것을 특징으로 하는,
인공신경망을 이용한 창세트 정보 자동 산출 장치. - 제7항에 있어서,
상기 최종 특징 맵을 기초로 상기 이미지 정보에 대응되는 창호의 면적 정보와 길이 정보 및 프레임의 면적 정보와 길이 정보를 포함하는 창세트 정보를 산출하는 광 특성 정보 산출부;를 더 포함하는 것을 특징으로 하는,
인공신경망을 이용한 창세트 정보 자동 산출 장치. - 제8항에 있어서,
상기 광 특성 정보 산출부는,
상기 창세트 정보를 기초로 일사 획득량 및 주광 면적을 산출하는 것을 특징으로 하는,
인공신경망을 이용한 창세트 정보 자동 산출 장치. - 제1항에 있어서,
상기 특징 추출부는,
상기 창세트 정보 산출 인공신경망 모듈에서, 상기 이미지 정보에 대해 상기 제1-1특징 맵과 상기 제1-2특징 맵과 다른 스케일 값을 가지는 제1-3특징 맵을 추출하는 것을 특징으로 하는,
인공신경망을 이용한 창세트 정보 자동 산출 장치. - 제10항에 있어서,
상기 창세트 정보 산출 인공신경망 모듈은,
상기 제3-1특징 맵, 상기 제3-2특징 맵 및 상기 제3-2특징 맵에 대한 신뢰도 정보를 산출한 후, 더 높은 신뢰도 값을 가지고 있는 특징 맵을 상기 미리 설정된 기준에 따라 상기 최종 특징 맵으로 결정하는 것을 특징으로 하는,
인공신경망을 이용한 창세트 정보 자동 산출 장치. - 이미지 정보를 포함하는 제1입력 정보를 입력 정보로 하고, 상기 이미지 정보에 대응되는 제1-1특징 맵을 출력 정보로 출력하는, 기 학습된 제1인공신경망을 이용하여 상기 제1-1특징 맵을 출력하는 제1특징 맵 생성 단계;
상기 이미지 정보에 대해 서로 다른 스케일 값을 가지는 제1-1특징 맵과 제1-2특징 맵을 상기 제1인공신경망을 통해 추출하는 특징 추출 단계;
상기 제1-1특징 맵과 상기 제1-2특징 맵에 대해 각각 컨볼루션을 적용하여 제3-1특징 맵과 제3-2특징 맵을 생성하는 제3특징 맵 생성 단계; 및
미리 설정된 기준에 따라 상기 제3-1특징 맵과 상기 제3-2특징 맵 중 하나를 최종 특징 맵으로 결정한 후, 선택된 최종 특징 맵을 기초로 창세트 정보를 산출하는 창세트 정보 산출 단계;를 포함하는 것을 특징으로 하는
인공신경망을 이용한 창세트 정보 자동 산출 방법. - 제12항에 있어서,
상기 최종 특징 맵을 기초로 상기 이미지 정보에 대응되는 창호의 면적 정보와 길이 정보 및 프레임의 면적 정보와 길이 정보를 포함하는 창세트 정보를 산출하는 창세트 정보 산출 단계;를 더 포함하는 것을 특징으로 하는,
인공신경망을 이용한 창세트 정보 자동 산출 방법. - 이미지 정보를 포함하는 제1입력 정보를 입력 정보로 하고, 상기 이미지 정보에서 창세트 특성을 추출한 창세트 정보를 출력 정보로 하는 기 학습된 창세트 정보 산출 인공신경망 모듈;
상기 창세트 정보 산출 인공신경망 모듈에서, 상기 이미지 정보에 대해 서로 다른 스케일 값을 가지는 제1-1특징 맵과 제1-2특징 맵을 추출하는 특징 추출부;를 포함하고,
상기 창세트 정보 산출 인공신경망 모듈은,
상기 제1-1특징 맵과 상기 제1-2특징 맵에 대해 각각 컨볼루션을 적용하여 제3-1특징 맵과 제3-2특징 맵을 생성한 후, 미리 설정된 기준에 따라 상기 제3-1특징 맵과 상기 제3-2특징 맵 중 하나를 최종 특징 맵으로 결정한 후, 선택된 최종 특징 맵을 기초로 상기 창세트 정보를 산출하고,
상기 창세트 정보 산출 인공신경망 모듈은, 상기 이미지 정보에 포함되어 있는 창세트 정보에 대해 라벨링 되어 있는 라벨링 정보를 이용하여 학습을 수행하는 것을 특징으로 하는,
인공신경망을 이용한 창세트 정보 자동 산출 장치. - 제14항에 있어서,
상기 창세트 정보 산출 인공신경망 모듈은,
상기 라벨링 정보를 포함하는 제2입력 정보를 상기 제1입력 정보와 함께 상기 창세트 정보 산출 인공신경망 모듈의 입력 정보로 하여, 학습을 수행하는 것을 특징으로 하는,
인공신경망을 이용한 창세트 정보 자동 산출 장치.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220116577A KR20240037716A (ko) | 2022-09-15 | 2022-09-15 | 인공신경망을 이용한 창세트 정보 자동 산출 방법 및 장치 |
| PCT/KR2023/013760 WO2024058556A1 (ko) | 2022-09-15 | 2023-09-13 | 인공신경망을 이용한 창세트 정보 자동 산출 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220116577A KR20240037716A (ko) | 2022-09-15 | 2022-09-15 | 인공신경망을 이용한 창세트 정보 자동 산출 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240037716A true KR20240037716A (ko) | 2024-03-22 |
Family
ID=90275512
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220116577A KR20240037716A (ko) | 2022-09-15 | 2022-09-15 | 인공신경망을 이용한 창세트 정보 자동 산출 방법 및 장치 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20240037716A (ko) |
| WO (1) | WO2024058556A1 (ko) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101714400B1 (ko) | 2015-07-16 | 2017-03-09 | 호서대학교 산학협력단 | 실시간 에너지 형별성능내역서 자동 산출을 위한 에너지 빌딩정보 모델링 분석 시스템 및 방법 |
| KR20180032905A (ko) | 2016-09-23 | 2018-04-02 | 김활석 | 건물의 일조 특성 시뮬레이션 시스템 및 그 제어 방법 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102208694B1 (ko) * | 2020-07-23 | 2021-01-28 | 주식회사 어반베이스 | 시설 평면도에 포함된 기호 분석 장치 및 방법 |
| CN114565953A (zh) * | 2020-11-27 | 2022-05-31 | 北京三星通信技术研究有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
| KR102365554B1 (ko) * | 2021-10-18 | 2022-02-18 | 김창원 | 인공지능 알고리즘을 이용한 창호 교체 플랫폼 제공 방법 및 장치 |
| KR102380014B1 (ko) * | 2021-10-28 | 2022-03-29 | 한국건설기술연구원 | 영역 온도차 기반 창호의 열성능 저하 부위 탐지 및 판정 방법 |
| KR102351710B1 (ko) * | 2021-11-01 | 2022-01-17 | 성한 주식회사 | 건물의 일사부하에 따른 열쾌적성을 위한 공조제어방법 |
-
2022
- 2022-09-15 KR KR1020220116577A patent/KR20240037716A/ko unknown
-
2023
- 2023-09-13 WO PCT/KR2023/013760 patent/WO2024058556A1/ko unknown
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101714400B1 (ko) | 2015-07-16 | 2017-03-09 | 호서대학교 산학협력단 | 실시간 에너지 형별성능내역서 자동 산출을 위한 에너지 빌딩정보 모델링 분석 시스템 및 방법 |
| KR20180032905A (ko) | 2016-09-23 | 2018-04-02 | 김활석 | 건물의 일조 특성 시뮬레이션 시스템 및 그 제어 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024058556A1 (ko) | 2024-03-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111489358B (zh) | 一种基于深度学习的三维点云语义分割方法 | |
| CN109800628B (zh) | 一种加强ssd小目标行人检测性能的网络结构及检测方法 | |
| CN109886066B (zh) | 基于多尺度和多层特征融合的快速目标检测方法 | |
| Mura et al. | Automatic room detection and reconstruction in cluttered indoor environments with complex room layouts | |
| CN109635694B (zh) | 一种行人检测方法、装置、设备及计算机可读存储介质 | |
| KR102338744B1 (ko) | 타겟 객체 예측 네트워크 및 타겟 객체 통합 네트워크를 이용하여 핵심성과지표와 같은 사용자 요구 사항에 따른 최적화를 위해 재구성 가능한 네트워크 기반의 객체 검출기를 학습하는 방법 및 학습 장치, 그리고 이를 이용한 테스팅 방법 및 테스팅 장치 | |
| CN113628249B (zh) | 基于跨模态注意力机制与孪生结构的rgbt目标跟踪方法 | |
| CN104361611B (zh) | 一种基于群稀疏鲁棒pca的运动目标检测方法 | |
| CN112801169B (zh) | 一种基于改进yolo算法的伪装目标检测方法、系统、装置及存储介质 | |
| CN110490073A (zh) | 目标检测方法、装置、设备及存储介质 | |
| CN111461319A (zh) | 可适应用户要求的基于cnn的对象检测方法及装置 | |
| JP6846069B2 (ja) | 遠距離検出または軍事目的のために、イメージコンカチネーションを利用したｃｎｎ基盤のハードウェア最適化が可能な物体検出器を学習する方法及び学習装置、それを利用したテスト方法及びテスト装置｛ｌｅａｒｎｉｎｇ ｍｅｔｈｏｄ ａｎｄ ｌｅａｒｎｉｎｇ ｄｅｖｉｃｅ ｆｏｒ ｏｂｊｅｃｔ ｄｅｔｅｃｔｏｒ ｗｉｔｈ ｈａｒｄｗａｒｅ ｏｐｔｉｍｉｚａｔｉｏｎ ｂａｓｅｄ ｏｎ ｃｎｎ ｆｏｒ ｄｅｔｅｃｔｉｏｎ ａｔ ｄｉｓｔａｎｃｅ ｏｒ ｍｉｌｉｔａｒｙ ｐｕｒｐｏｓｅ ｕｓｉｎｇ ｉｍａｇｅ ｃｏｎｃａｔｅｎａｔｉｏｎ， ａｎｄ ｔｅｓｔｉｎｇ ｍｅｔｈｏｄ ａｎｄ ｔｅｓｔｉｎｇ ｄｅｖｉｃｅ ｕｓｉｎｇ ｔｈｅ ｓａｍｅ｝ | |
| CN111462193A (zh) | 用于多摄像机或环绕视图监控的对象检测方法及装置 | |
| Le-Thanh et al. | Machine learning-based real-time daylight analysis in buildings | |
| Shaghaghian et al. | Application of deep learning in generating desired design options: experiments using synthetic training dataset | |
| CN109544516A (zh) | 图像检测方法及装置 | |
| CN111444865A (zh) | 一种基于逐步求精的多尺度目标检测方法 | |
| CN110738132A (zh) | 一种具备判别性感知能力的目标检测质量盲评价方法 | |
| CN109697727A (zh) | 基于相关滤波和度量学习的目标跟踪方法、系统及存储介质 | |
| CN116341081A (zh) | 一种建筑设计多目标快速优化设计辅助系统及方法 | |
| Zeng et al. | A detection method of Edge Coherent Mode based on improved SSD | |
| KR20240037716A (ko) | 인공신경망을 이용한 창세트 정보 자동 산출 방법 및 장치 | |
| CN113160117A (zh) | 一种自动驾驶场景下的三维点云目标检测方法 | |
| KR20190105147A (ko) | 반딧불 알고리즘을 이용한 데이터 클러스터링 방법 및 시스템 | |
| CN116385466A (zh) | 一种基于边界框弱标注的图像中目标分割方法及系统 |