KR102437396B1 - Method to train model - Google Patents
Method to train model Download PDFInfo
- Publication number
- KR102437396B1 KR102437396B1 KR1020210093874A KR20210093874A KR102437396B1 KR 102437396 B1 KR102437396 B1 KR 102437396B1 KR 1020210093874 A KR1020210093874 A KR 1020210093874A KR 20210093874 A KR20210093874 A KR 20210093874A KR 102437396 B1 KR102437396 B1 KR 102437396B1
- Authority
- KR
- South Korea
- Prior art keywords
- box
- neural network
- prediction
- accuracy
- boxes
- Prior art date
Links
Images
Classifications
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
본 개시의 일 실시예에 따라, 모델 학습 방법이 개시된다. 상기 모델 학습 방법은 입력 이미지를 뉴럴 네트워크 모델을 이용하여 연산하는 동작; 상기 뉴럴 네트워크 모델로부터 출력된 예측 박스(prediction box)와 실측 박스(ground truth box)를 비교하여 상기 예측 박스의 정확도를 연산하는 동작; 및 상기 정확도에 기초하여 상기 뉴럴 네트워크 모델에 대한 역전파를 수행함으로써, 상기 뉴럴 네트워크 모델을 학습시키는 동작을 포함할 수 있다.According to an embodiment of the present disclosure, a model training method is disclosed. The model learning method may include calculating an input image using a neural network model; calculating accuracy of the prediction box by comparing a prediction box output from the neural network model with a ground truth box; and training the neural network model by performing backpropagation on the neural network model based on the accuracy.
Description
본 발명은 모델 학습 방법에 관한 것으로, 보다 구체적으로 예측 박스 및 실측 박스에 기초하여 모델을 학습하는 방법에 관한 것이다.The present invention relates to a method for learning a model, and more particularly, to a method for learning a model based on a prediction box and a measurement box.
근래에는 인공 지능 시스템이 다양한 분야에서 이용되고 있다. 인공 지능 시스템은 기존의 룰(rule) 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑 해지는 시스템이다. 인공 지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 룰 기반 스마트 시스템은 점차 딥러닝 기반 인공 지능 시스템으로 대체되고 있다.Recently, artificial intelligence systems have been used in various fields. Unlike the existing rule-based smart system, an artificial intelligence system is a system in which a machine learns, judges, and becomes smarter by itself. The more the artificial intelligence system is used, the better the recognition rate and the more accurate understanding of user preferences, and the existing rule-based smart systems are gradually being replaced by deep learning-based artificial intelligence systems.
인공 지능 기술은 기계학습(예로, 딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다.Artificial intelligence technology consists of machine learning (eg, deep learning) and elemental technologies using machine learning.
기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.Machine learning is an algorithm technology that categorizes/learns the characteristics of input data by itself, and element technology uses machine learning algorithms such as deep learning to simulate functions such as cognition and judgment of the human brain. It consists of technical fields such as understanding, reasoning/prediction, knowledge expression, and motion control.
인공 지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 오브젝트 인식, 오브젝트 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.Various fields where artificial intelligence technology is applied are as follows. Linguistic understanding is a technology for recognizing and applying/processing human language/text, and includes natural language processing, machine translation, dialogue system, question and answer, and speech recognition/synthesis. Visual understanding is a technology for recognizing and processing objects like human vision, and includes object recognition, object tracking, image search, human recognition, scene understanding, spatial understanding, image improvement, and the like. Inferential prediction is a technology for logically reasoning and predicting by judging information, and includes knowledge/probability-based reasoning, optimization prediction, preference-based planning, and recommendation. Knowledge expression is a technology that automatically processes human experience information into knowledge data, and includes knowledge construction (data generation/classification) and knowledge management (data utilization). Motion control is a technology for controlling autonomous driving of a vehicle and movement of a robot, and includes motion control (navigation, collision, driving), manipulation control (action control), and the like.
다양한 분야에서 기계 학습을 수행하기 위해, 인공 신경망에 대한 학습 효율 및 속도를 향상시키기 위한 당업계의 수요가 존재한다.In order to perform machine learning in various fields, there is a demand in the art to improve the learning efficiency and speed of artificial neural networks.
대한민국 공개특허 제2020-0021408호는 신경망 학습 방법에 관하여 개시한다.Korean Patent Application Laid-Open No. 2020-0021408 discloses a method for learning a neural network.
본 개시는 전술한 배경기술에 대응하여 안출 된 것으로, 모델 학습 방법을 제공하는 것을 목적으로 한다.The present disclosure has been made in response to the above-mentioned background art, and an object of the present disclosure is to provide a model learning method.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 모델 학습 방법으로서, 입력 이미지를 뉴럴 네트워크 모델을 이용하여 연산하는 동작; 상기 뉴럴 네트워크 모델로부터 출력된 예측 박스(prediction box)와 실측 박스(ground truth box)를 비교하여 상기 예측 박스의 정확도를 연산하는 동작; 및 상기 정확도에 기초하여 상기 뉴럴 네트워크 모델에 대한 역전파를 수행함으로써, 상기 뉴럴 네트워크 모델을 학습시키는 동작을 포함할 수 있다.A model learning method according to an embodiment of the present disclosure for realizing the above-described task, the method comprising: calculating an input image using a neural network model; calculating accuracy of the prediction box by comparing a prediction box output from the neural network model with a ground truth box; and training the neural network model by performing backpropagation on the neural network model based on the accuracy.
모델 학습 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 동작들의 대안적인 실시예에서, 상기 뉴럴 네트워크 모델로부터 출력된 예측 박스(prediction box)와 실측 박스(ground truth box)를 비교하여 상기 예측 박스의 정확도를 연산하는 동작은, 상기 예측 박스와 상기 실측 박스의 합 영역 및 교차 영역의 넓이에 기초하여 상기 예측 박스의 정확도를 연산하는 동작을 포함할 수 있다.In an alternative embodiment of the operations to perform the following operations for providing a model learning method, a prediction box output from the neural network model is compared with a ground truth box to determine the prediction box. The operation of calculating the accuracy may include calculating the accuracy of the prediction box based on an area of a sum area and an intersection area of the prediction box and the actual measurement box.
모델 학습 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 동작들의 대안적인 실시예에서, 상기 뉴럴 네트워크 모델로부터 출력된 예측 박스(prediction box)와 실측 박스(ground truth box)를 비교하여 상기 예측 박스의 정확도를 연산하는 동작은, 상기 예측 박스와 상기 실측 박스의 교차점을 제 1 기준점으로 결정하는 동작; 상기 예측 박스의 꼭지점과 상기 실측 박스의 엣지(edge)를 비교하여, 상기 꼭지점이 상기 실측 박스의 내부에 위치하는 경우, 상기 꼭지점을 제 2 기준점으로 결정하는 동작; 및 상기 제 1 기준점 및 상기 제 2 기준점을 기초로 상기 예측 박스의 정확도를 연산하는 동작을 포함할 수 있다.In an alternative embodiment of the operations to perform the following operations for providing a model learning method, a prediction box output from the neural network model is compared with a ground truth box to determine the prediction box. The operation of calculating the accuracy may include: determining an intersection point of the prediction box and the actual measurement box as a first reference point; comparing a vertex of the prediction box with an edge of the measured box, and determining the vertex as a second reference point when the vertex is located inside the measured box; and calculating the accuracy of the prediction box based on the first reference point and the second reference point.
모델 학습 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 동작들의 대안적인 실시예에서, 상기 제 1 기준점 및 상기 제 2 기준점을 기초로 상기 예측 박스의 정확도를 연산하는 동작은, 상기 제 1 기준점 및 상기 제 2 기준점에 기초하여 상기 예측 박스와 상기 실측 박스의 교차 영역의 넓이를 연산하는 동작을 포함할 수 있다.In an alternative embodiment of the operations to perform the following operations for providing a model learning method, the operation of calculating the accuracy of the prediction box based on the first reference point and the second reference point includes: the first reference point and and calculating an area of an intersection area between the prediction box and the actual measurement box based on the second reference point.
모델 학습 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 동작들의 대안적인 실시예에서, 상기 뉴럴 네트워크 모델로부터 출력된 예측 박스(prediction box)와 실측 박스(ground truth box)를 비교하여 상기 예측 박스의 정확도를 연산하는 동작은, 둘 이상의 실측 박스가 존재하는 경우, 실측 박스의 개수에 대응되는 횟수만큼 정확도를 연산하는 동작을 포함할 수 있다.In an alternative embodiment of the operations to perform the following operations for providing a model learning method, a prediction box output from the neural network model is compared with a ground truth box to determine the prediction box. The operation of calculating the accuracy may include an operation of calculating the accuracy by a number of times corresponding to the number of the actual measurement boxes when two or more actual measurement boxes exist.
모델 학습 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 동작들의 대안적인 실시예에서, 상기 뉴럴 네트워크 모델로부터 출력된 예측 박스(prediction box)와 실측 박스(ground truth box)를 비교하여 상기 예측 박스의 정확도를 연산하는 동작은, 상기 뉴럴 네트워크 모델로부터 출력된 둘 이상의 예측 박스와 둘 이상의 실측 박스 각각을 비교하여, 상기 둘 이상의 예측 박스의 정확도를 연산하는 동작을 포함할 수 있다.In an alternative embodiment of the operations to perform the following operations for providing a model learning method, a prediction box output from the neural network model is compared with a ground truth box to determine the prediction box. The operation of calculating the accuracy may include calculating the accuracy of the two or more prediction boxes by comparing each of the two or more prediction boxes output from the neural network model with the two or more actual measurement boxes.
모델 학습 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 동작들의 대안적인 실시예에서, 상기 뉴럴 네트워크 모델로부터 출력된 예측 박스(prediction box)와 실측 박스(ground truth box)를 비교하여 상기 예측 박스의 정확도를 연산하는 동작은, 실측 박스를 기준으로 하여, 둘 이상의 실측 박스 각각에 대응되는 예측 박스를 하나씩 결정하는 동작을 포함할 수 있다.In an alternative embodiment of the operations to perform the following operations for providing a model learning method, a prediction box output from the neural network model is compared with a ground truth box to determine the prediction box. The operation of calculating the accuracy may include an operation of determining one prediction box corresponding to each of the two or more actual measurement boxes based on the actual measurement box.
모델 학습 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 동작들의 대안적인 실시예에서, 상기 실측 박스를 기준으로 하여, 둘 이상의 실측 박스 각각에 대응되는 예측 박스를 하나씩 결정하는 동작은, 상기 둘 이상의 실측 박스 각각이 포함된 그리드를 결정하는 동작; 상기 그리드를 기준으로 하나의 예측 박스와 하나의 실측 박스 각각을 매칭하는 동작; 및 상기 매칭된 예측 박스와 실측 박스에 대한 정확도를 연산하는 동작을 포함할 수 있다.In an alternative embodiment of the operations for performing the following operations for providing a model learning method, the operation of determining one prediction box corresponding to each of the two or more actual measurement boxes based on the actual measurement box may include: determining a grid including each of the actual measurement boxes; matching each of one prediction box and one actual measurement box based on the grid; and calculating the accuracy of the matched prediction box and the actual measurement box.
모델 학습 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 동작들의 대안적인 실시예에서, 상기 뉴럴 네트워크 모델로부터 출력된 둘 이상의 예측 박스와 둘 이상의 실측 박스 각각을 비교하여, 상기 둘 이상의 예측 박스의 정확도를 연산하는 동작은, 상기 둘 이상의 예측 박스의 정확도에 기초하여, 상기 역전파의 기초가 되는 하나의 정확도 값을 추출하는 동작을 포함할 수 있다.In an alternative embodiment of the operations to perform the following operations for providing a model learning method, by comparing each of the two or more prediction boxes output from the neural network model with the two or more actual measurement boxes, the accuracy of the two or more prediction boxes The operation of calculating may include extracting one accuracy value that is a basis of the backpropagation based on the accuracy of the two or more prediction boxes.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 흉부 이미지 판독을 수행하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작은: 입력 이미지를 뉴럴 네트워크 모델을 이용하여 연산하는 동작; 상기 뉴럴 네트워크 모델로부터 출력된 예측 박스(prediction box)와 실측 박스(ground truth box)를 비교하여 상기 예측 박스의 정확도를 연산하는 동작; 및 상기 정확도에 기초하여 상기 뉴럴 네트워크 모델에 대한 역전파를 수행함으로써, 상기 뉴럴 네트워크 모델을 학습시키는 동작을 포함할 수 있다.As a computer program stored in a computer readable storage medium according to an embodiment of the present disclosure for realizing the above-described problem, the computer program, when executed in one or more processors, performs the following operations for performing chest image reading The operation may include: calculating an input image using a neural network model; calculating accuracy of the prediction box by comparing a prediction box output from the neural network model with a ground truth box; and training the neural network model by performing backpropagation on the neural network model based on the accuracy.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 서버로서, 하나 이상의 코어를 포함하는 프로세서; 네트워크부; 및 메모리; 를 포함하고, 상기 프로세서는, 입력 이미지를 뉴럴 네트워크 모델을 이용하여 연산하고, 상기 뉴럴 네트워크 모델로부터 출력된 예측 박스(prediction box)와 실측 박스(ground truth box)를 비교하여 상기 예측 박스의 정확도를 연산하고, 그리고 상기 정확도에 기초하여 상기 뉴럴 네트워크 모델에 대한 역전파를 수행함으로써, 상기 뉴럴 네트워크 모델을 학습시킬 수 있다.As a server according to an embodiment of the present disclosure for realizing the above-described problem, the processor including one or more cores; network department; and memory; including, wherein the processor calculates an input image using a neural network model, and compares a prediction box output from the neural network model with a ground truth box to determine the accuracy of the prediction box. By calculating, and performing backpropagation on the neural network model based on the accuracy, the neural network model may be trained.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 학습 과정에서 적어도 일부가 업데이트 되는 뉴럴 네트워크의 파라미터에 대응하는 데이터 구조가 저장된 컴퓨터 판독가능한 기록 매체로서, 상기 뉴럴 네트워크의 동작은 상기 파라미터에 적어도 부분적으로 기초하고, 상기 뉴럴 네트워크는: 입력 이미지를 뉴럴 네트워크 모델을 이용하여 연산하는 단계; 상기 뉴럴 네트워크 모델로부터 출력된 예측 박스(prediction box)와 실측 박스(ground truth box)를 비교하여 상기 예측 박스의 정확도를 연산하는 단계; 및 상기 정확도에 기초하여 상기 뉴럴 네트워크 모델에 대한 역전파를 수행함으로써, 상기 뉴럴 네트워크 모델을 학습시키는 단계를 포함할 수 있다.A computer-readable recording medium storing a data structure corresponding to a parameter of a neural network that is at least partially updated in a learning process according to an embodiment of the present disclosure for realizing the above-described task, wherein the operation of the neural network is based at least in part on the parameter, the neural network comprising: computing an input image using a neural network model; calculating accuracy of the prediction box by comparing a prediction box output from the neural network model with a ground truth box; and training the neural network model by performing backpropagation on the neural network model based on the accuracy.
본 개시는 모델 학습 방법을 제공할 수 있다.The present disclosure may provide a model training method.
도 1은 본 개시의 일 실시예에 따라 모델 학습을 수행하기 위한 동작들을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.
도 2는 본 개시의 일 실시예에 따라 모델 학습을 수행하기 위한 연산 방법을 예시적으로 도시한 도면이다.
도 3은 본 개시의 일 실시예에 따라 모델 학습을 수행하기 위한 연산 방법을 예시적으로 도시한 도면이다.
도 4는 본 개시의 일 실시예에 따라 모델 학습 방법에 관한 순서도를 예시적으로 도시한 도면이다.
도 5는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.1 is a diagram illustrating a block diagram of a computing device that performs operations for performing model learning according to an embodiment of the present disclosure.
2 is a diagram exemplarily illustrating a calculation method for performing model learning according to an embodiment of the present disclosure.
3 is a diagram exemplarily illustrating a calculation method for performing model learning according to an embodiment of the present disclosure.
4 is a diagram exemplarily illustrating a flowchart of a model learning method according to an embodiment of the present disclosure.
5 is a block diagram of a computing device according to an embodiment of the present disclosure.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.Various embodiments are now described with reference to the drawings. In this specification, various descriptions are presented to provide an understanding of the present disclosure. However, it is apparent that these embodiments may be practiced without these specific descriptions.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.The terms “component,” “module,” “system,” and the like, as used herein, refer to a computer-related entity, hardware, firmware, software, a combination of software and hardware, or execution of software. For example, a component can be, but is not limited to being, a process running on a processor, a processor, an object, a thread of execution, a program, and/or a computer. For example, both an application running on a computing device and the computing device may be a component. One or more components may reside within a processor and/or thread of execution. A component may be localized within one computer. A component may be distributed between two or more computers. In addition, these components can execute from various computer readable media having various data structures stored therein. Components may communicate via a network such as the Internet with another system, for example via a signal having one or more data packets (eg, data and/or signals from one component interacting with another component in a local system, distributed system, etc.) may communicate via local and/or remote processes depending on the data being transmitted).
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.In addition, the term “or” is intended to mean an inclusive “or” rather than an exclusive “or.” That is, unless otherwise specified or clear from context, "X employs A or B" is intended to mean one of the natural implicit substitutions. That is, X employs A; X employs B; or when X employs both A and B, "X employs A or B" may apply to either of these cases. It should also be understood that the term “and/or” as used herein refers to and includes all possible combinations of one or more of the listed related items.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.Also, the terms "comprises" and/or "comprising" should be understood to mean that the feature and/or element in question is present. However, it should be understood that the terms "comprises" and/or "comprising" do not exclude the presence or addition of one or more other features, elements and/or groups thereof. Also, unless otherwise specified or unless it is clear from context to refer to a singular form, the singular in the specification and claims should generally be construed to mean “one or more”.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시 적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시 적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.Those skilled in the art will further appreciate that the various illustrative logical blocks, configurations, modules, circuits, means, logics, and algorithm steps described in connection with the embodiments disclosed herein may be implemented in electronic hardware, computer software, or combinations of both. It should be recognized that they can be implemented with To clearly illustrate this interchangeability of hardware and software, various illustrative components, blocks, configurations, means, logics, modules, circuits, and steps have been described above generally in terms of their functionality. Whether such functionality is implemented as hardware or software depends upon the particular application and design constraints imposed on the overall system. Skilled artisans may implement the described functionality in varying ways for each particular application. However, such implementation decisions should not be interpreted as causing a departure from the scope of the present disclosure.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.Descriptions of the presented embodiments are provided to enable those skilled in the art to use or practice the present invention. Various modifications to these embodiments will be apparent to those skilled in the art of the present disclosure. The generic principles defined herein may be applied to other embodiments without departing from the scope of the present disclosure. Thus, the present invention is not limited to the embodiments presented herein. The invention is to be construed in its widest scope consistent with the principles and novel features presented herein.
본 개시의 일 실시예에서 서버는 서버의 서버 환경을 수행하기 위한 다른 구성들이 포함될 수도 있다. 서버는 임의의 형태의 장치는 모두 포함할 수 있다. 서버는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 서버는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. In an embodiment of the present disclosure, the server may include other configurations for performing a server environment of the server. The server may include any type of device. The server is a digital device, and may be a digital device equipped with a processor, such as a laptop computer, a notebook computer, a desktop computer, a web pad, and a mobile phone, and having a computing capability with a memory. The server may be a web server that processes the service. The above-described types of servers are merely examples and the present disclosure is not limited thereto.
본 명세서에서 신경망, 인공 신경망, 네트워크 함수는 종종 상호 교환 가능하게 사용될 수 있다. In this specification, neural network, artificial neural network, and network function may often be used interchangeably.
도 1은 본 개시의 일 실시예에 따라 모델 학습 방법을 제공하기 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.1 is a diagram illustrating a block diagram of a computing device that performs an operation for providing a model learning method according to an embodiment of the present disclosure.
이미지에는 하나 이상의 객체들이 포함되어 있을 수 있다. 프로세서(120)는 뉴럴 네트워크 모델을 이용하여 이미지에 포함된 하나 이상의 객체들을 검출할 수 있다. 프로세서(120)는 하나 이상의 객체들을 검출하기 위한 사전 학습된 뉴럴 네트워크 모델을 활용해야 할 수 있다.An image may contain one or more objects. The
본 개시의 사전 학습된 네트워크 모델은 교사 학습(supervised learning), 비 교사 학습(unsupervised learning) 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 네트워크 함수의 학습은 출력의 오류를 최소화하기 위한 것이다. 네트워크 함수의 학습에서 반복적으로 학습 데이터를 네트워크 함수에 입력시킨다. 네트워크 함수의 학습에서 학습 데이터에 대한 네트워크 함수의 출력과 타겟의 에러를 계산한다. 네트워크 함수의 학습에서 에러를 줄이기 위한 방향으로 네트워크 함수의 에러를 네트워크 함수의 출력 레이어에서부터 입력 레이어 방향으로 역전파 하여 네트워크 함수의 각 노드의 가중치를 업데이트 할 수 있다.The pre-trained network model of the present disclosure may be trained in at least one of supervised learning, unsupervised learning, and semi-supervised learning. Learning the network function is to minimize the error in the output. In learning the network function, iteratively input the training data to the network function. In network function training, we calculate the output of the network function and the error of the target on the training data. The weight of each node of the network function can be updated by backpropagating the error of the network function from the output layer of the network function to the input layer in the direction to reduce the error in the learning of the network function.
프로세서(120)는 라벨링 된 학습 데이터를 네트워크 함수에 입력하고, 네트워크 함수의 출력인 분류와 학습 데이터의 라벨을 비교하여 오차를 계산할 수 있다. 계산된 오차는 네트워크 함수에서 역방향인 출력 레이어에서 입력 레이어 방향으로 역전파 될 수 있다. 출력 레이어에서 입력 레이어 방향으로 역전파 된 역전파에 따라 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learing rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 네트워크 함수의 계산과 에러의 역전파는 학습 사이클을 구성할 수 있다. 학습률은 네트워크 함수의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 네트워크 함수의 학습 초기에는 높은 학습률을 사용하여 네트워크 함수가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높일 수 있다. 예를 들어, 네트워크 함수의 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다. 이미지 세그먼테이션은 예를 들어, 이미지에서 추출된 픽셀, 엣지, 색상 등에 기초하여 이미지의 일부를 다른 일부와 구분되도록 분리하는 이미지 프로세싱을 포함할 수 있다. 네트워크 함수의 출력인 분류는 픽셀 바이 픽셀 이미지 세그멘테이션 일 수 있다. 이미지의 픽셀 단위로 스코어링 값을 획득하고, 각 픽셀 스코어링 값에 기초하여 이미지 세그멘테이션을 하여 이미지 데이터를 분류할 수 있다. 이미지 세그멘테이션은 이미지의 일부를 다른 일부와 구분되도록 분리하는 이미지 프로세싱을 의미할 수 있다.The
이미지에 포함된 객체가 정방향이 아닌 회전된 객체인 경우, 회전된 객체에 대한 학습 성능이 떨어질 수 있다. 프로세서(120)는 객체의 회전 각도까지 고려하여, 뉴럴 네트워크 모델에 대한 학습을 수행할 수 있다. 본 개시의 실시예에 따른 모델 학습 방법은, 회전 객체에 대한 학습 시, 객체의 위치 뿐만 아니라 객체의 회전 각도까지 고려할 수 있다. 즉, 회전 각도에 관한 정보도 역전파 하여 뉴럴 네트워크 모델을 학습시킬 수 있다.If the object included in the image is a rotated object instead of in a forward direction, learning performance for the rotated object may deteriorate. The
본 개시의 실시예에 따른 모델 학습 방법은 회전된 객체에 대한 학습 성능 및 속도를 향상시킬 수 있다. 본 개시의 실시예에 따른 모델 학습 방법은 각도에 대한 학습 모호성을 해결하여, 뉴럴 네트워크 모델에 대한 정확성을 향상시킬 수 있다. 또한, 기존의 각도 학습 방법과 비교하였을 때, 각도에 대한 학습을 안정적으로 수행할 수 있다.A model learning method according to an embodiment of the present disclosure may improve learning performance and speed for a rotated object. The model learning method according to an embodiment of the present disclosure may improve accuracy of a neural network model by resolving learning ambiguity with respect to angle. In addition, when compared with the existing angle learning method, it is possible to stably learn the angle.
프로세서(120)는 입력 이미지를 뉴럴 네트워크 모델을 이용하여 연산할 수 있다. 입력 이미지는 하나 이상의 객체를 포함하는 이미지일 수 있다. 입력 이미지에 포함된 객체는 정방향이 아닌, 적어도 일부 회전된 객체일 수 있다. 예를 들어, 입력 이미지에 포함된 사람 객체는 180도의 각도로 서 있는 사람이 아니라, 적어도 일부 회전된 객체일 수 있다. 전술한 객체에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.The
전술한 뉴럴 네트워크 모델은 딥 뉴럴 네트워크일 수 있다. 본 명세서에 걸쳐, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크 (CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다.The above-described neural network model may be a deep neural network. Throughout this specification, the terms neural network, network function, and neural network may be used interchangeably. A deep neural network (DNN) may refer to a neural network including a plurality of hidden layers in addition to an input layer and an output layer. Deep neural networks can be used to identify the latent structures of data. In other words, it can identify the potential structure of photos, texts, videos, voices, and music (e.g., what objects are in the photos, what the text and emotions are, what the texts and emotions are, etc.) . Deep neural networks include a convolutional neural network (CNN), a recurrent neural network (RNN), a restricted boltzmann machine (RBM), and a deep belief network (DBN). , Q network, U network, Siamese network, and the like.
컨벌루셔널 뉴럴 네트워크는 딥 뉴럴 네트워크의 일종으로서, 컨벌루셔널 레이어를 포함하는 신경망을 포함한다. 컨벌루셔널 뉴럴 네트워크는 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptorns)의 한 종류이다. CNN은 하나 또는 여러 개의 컨벌루셔널 레이어와 이와 결합된 인공 신경망 계층들로 구성될 수 있다. CNN은 가중치와 풀링 레이어(pooling layer)들을 추가로 활용할 수 있다. 이러한 구조 덕분에 CNN은 2 차원 구조의 입력 데이터를 충분히 활용할 수 있다. 컨벌루셔널 뉴럴 네트워크는 이미지에서 오브젝트를 인식하기 위하여 사용될 수 있다. 컨벌루셔널 뉴럴 네트워크는 이미지 데이터를 차원을 가진 행렬로 나타내어 처리할 수 있다. 예를 들어 RGB(red-green-blue)로 인코딩 된 이미지 데이터의 경우, R, G, B 색상별로 각각 2차원(예를 들어, 2 차원 이미지 인 경우) 행렬로 나타내 질 수 있다. 즉, 이미지 데이터의 각 픽셀의 색상 값이 행렬의 성분이 될 수 있으며 행렬의 크기는 이미지의 크기와 같을 수 있다. 따라서 이미지 데이터는 3개의 2차원 행렬로(3차원의 데이터 어레이)로 나타내질 수 있다.A convolutional neural network is a kind of deep neural network, and includes a neural network including a convolutional layer. Convolutional neural networks are a type of multilayer perceptorns designed to use minimal preprocessing. A CNN can consist of one or several convolutional layers and artificial neural network layers combined with them. CNNs can additionally utilize weights and pooling layers. Thanks to this structure, CNN can fully utilize the input data of the two-dimensional structure. Convolutional neural networks can be used to recognize objects in images. A convolutional neural network can process image data by representing it as a matrix with dimensions. For example, in the case of RGB (red-green-blue) encoded image data, each R, G, and B color may be represented as a two-dimensional (eg, two-dimensional image) matrix. That is, the color value of each pixel of the image data may be a component of the matrix, and the size of the matrix may be the same as the size of the image. Accordingly, the image data can be represented by three two-dimensional matrices (three-dimensional data array).
컨벌루셔널 뉴럴 네트워크에서 컨벌루셔널 필터를 이동해가며 컨벌루셔널 필터와 이미지의 각 위치에서의 행렬 성분끼리 곱하는 것으로 컨벌루셔널 과정(컨벌루셔널 레이어의 입출력)을 수행할 수 있다. 컨벌루셔널 필터는 n*n 형태의 행렬로 구성될 수 있다. 컨벌루셔널 필터는 일반적으로 이미지의 전체 픽셀의 수보다 작은 고정된 형태의 필터로 구성될 수 있다. 즉, m*m 이미지를 컨벌루셔널 레이어(예를 들어, 컨벌루셔널 필터의 사이즈가 n*n인 컨벌루셔널 레이어)입력시키는 경우, 이미지의 각 픽셀을 포함하는 n*n 픽셀을 나타내는 행렬이 컨벌루셔널 필터와 성분 곱 (즉, 행렬의 각 성분끼리의 곱) 될 수 있다. 컨벌루셔널 필터와의 곱에 의하여 이 미지에서 컨벌루셔널 필터와 매칭되는 성분이 추출될 수 있다. 예를 들어, 이미지에서 상하 직선 성분을 추출하기 위한 3*3 컨벌루셔널 필터는 [[0,1,0], [0,1,0], [0,1,0]] 와 같이 구성될 수 있다. 이미지에서 상하 직선 성분을 추출하기 위한 3*3 컨벌루셔널 필터가 입력 이미지에 적용되면 이미지에서 컨벌루셔널 필터와 매칭되는 상하 직선 성분이 추출되어 출력될 수 있다. 컨벌루셔널 레이어는 이미지를 나타낸 각각의 채널에 대한 각각의 행렬(즉, R, G, B 코딩 이미지의 경우, R, G, B 색상)에 컨벌루셔널 필터를 적용할 수 있다. 컨벌루셔널 레이어는 입력 이미지에 컨벌루셔널 필터를 적용하여 입력 이미지에서 컨벌루셔널 필터와 매칭되는 피쳐를 추출할 수 있다. 컨벌루셔널 필터의 필터 값(즉, 행렬의 각 성분의 값)은 컨벌루셔널 뉴럴 네트워크의 학습 과정에서 역전파에 의하여 업데이트 될 수 있다.In a convolutional neural network, a convolutional process (input/output of a convolutional layer) can be performed by moving the convolutional filter and multiplying the convolutional filter and matrix components at each position of the image. The convolutional filter may be composed of an n*n matrix. A convolutional filter can be composed of a fixed type filter that is generally smaller than the total number of pixels in the image. That is, when an m*m image is input as a convolutional layer (for example, a convolutional layer having a size of n*n of a convolutional filter), a matrix representing n*n pixels including each pixel of the image This convolutional filter can be multiplied by a component (ie, the product of each component of a matrix). A component matching the convolutional filter may be extracted from the image by multiplication with the convolutional filter. For example, a 3*3 convolutional filter for extracting upper and lower linear components from an image can be configured as [[0,1,0], [0,1,0], [0,1,0]] can When the 3*3 convolutional filter for extracting the upper and lower linear components from the image is applied to the input image, the upper and lower linear components matching the convolutional filter may be extracted and output from the image. The convolutional layer may apply a convolutional filter to each matrix (ie, R, G, B colors for R, G, B coded images) for each channel representing the image. The convolutional layer may extract a feature matching the convolutional filter from the input image by applying the convolutional filter to the input image. The filter value of the convolutional filter (ie, the value of each component of the matrix) may be updated by backpropagation in the learning process of the convolutional neural network.
컨벌루셔널 레이어의 출력에는 서브샘플링 레이어가 연결되어 컨벌루셔널 레이어의 출력을 단순화하여 메모리 사용량과 연산량을 줄일 수 있다. 예를 들어, 2*2 맥스 풀링 필터를 가지는 풀링 레이어에 컨벌루셔널 레이어의 출력을 입력시키는 경우, 이미지의 각 픽셀에서 2*2 패치마다 각 패치에 포함되는 최대값을 출력하여 이미지를 압축할 수 있다. 전술한 풀링은 패치에서 최소값을 출력하거나, 패치의 평균값을 출력하는 방식일 수도 있으며 임의의 풀링 방식이 본 개시에 포함될 수 있다.A subsampling layer is connected to the output of the convolutional layer to simplify the output of the convolutional layer, thereby reducing memory usage and computational amount. For example, if you input the output of the convolutional layer to a pooling layer with a 2*2 max pooling filter, you can compress the image by outputting the maximum value included in each patch for every 2*2 patch in each pixel of the image. can The above-described pooling may be a method of outputting a minimum value from a patch or an average value of a patch, and any pooling method may be included in the present disclosure.
컨벌루셔널 뉴럴 네트워크는 하나 이상의 컨벌루셔널 레이어, 서브 샘플링 레이어를 포함할 수 있다. 컨벌루셔널 뉴럴 네트워크는 컨벌루셔널 과정과 서브샘플링 과정(예를 들어, 전술한 맥스 풀링 등)을 반복적으로 수행하여 이미지에서 피쳐를 추출할 수 있다. 반복적인 컨벌루션널 과정과 서브샘플링 과정을 통해 뉴럴 네트워크는 이미지의 글로벌 피쳐를 추출할 수 있다.A convolutional neural network may include one or more convolutional layers and subsampling layers. The convolutional neural network may extract features from an image by repeatedly performing a convolutional process and a subsampling process (eg, the aforementioned max pooling, etc.). Through iterative convolutional and subsampling processes, neural networks can extract global features from images.
컨벌루셔널 레이어 또는 서브샘플링 레이어의 출력은 풀 커넥티드 레이어(fully connected layer)에 입력될 수 있다. 풀 커넥티드 레이어는 하나의 레이어에 있는 모든 뉴런과 이웃한 레이어에 있는 모든 뉴런이 연결되는 레이어이다. 풀 커넥티드 레이어는 뉴럴 네트워크에서 각 레이어의 모든 노드가 다른 레이어의 모든 노드에 연결된 구조를 의미할 수 있다.An output of the convolutional layer or the subsampling layer may be input to a fully connected layer. A fully connected layer is a layer in which all neurons in one layer and all neurons in neighboring layers are connected. The fully connected layer may refer to a structure in which all nodes of each layer are connected to all nodes of other layers in a neural network.
본 개시의 일 실시예에서 의료 이미지에 포함된 의료 데이터에 대한 세그먼테이션(segmentation)을 수행하기 위하여 뉴럴 네트워크는 디컨벌루셔널 뉴럴 네트워크(DCNN: deconvolutional neural network)를 포함할 수 있다. 디컨벌루셔널 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크를 역방향으로 계산시킨 것과 유사한 동작을 수행한다. 디컨벌루셔널 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크에서 추출된 피쳐를 원본 데이터와 관련된 피쳐맵으로 출력할 수 있다. 컨벌루셔널 뉴럴 네트워크에 대한 구체적인 구성에 관한 설명은 본 출원에서 전체가 참조로서 통합되는 미국 등록 특허 US9870768B2에서 보다 구체적으로 논의된다.In an embodiment of the present disclosure, in order to perform segmentation on medical data included in a medical image, the neural network may include a deconvolutional neural network (DCNN). A deconvolutional neural network performs an operation similar to that calculated in the reverse direction of a convolutional neural network. The deconvolutional neural network may output features extracted from the convolutional neural network as a feature map related to original data. A description of a specific configuration for a convolutional neural network is more specifically discussed in US Patent No. US9870768B2, which is incorporated herein by reference in its entirety.
프로세서(120)는 상기 뉴럴 네트워크 모델로부터 출력된 예측 박스(prediction box)와 실측 박스(ground truth box)를 비교하여 상기 예측 박스의 정확도를 연산할 수 있다.The
학습 데이터는 학습 이미지 및 학습 이미지에 포함된 객체에 대한 라벨링 결과를 포함할 수 있다. 학습 이미지에 대한 라벨링 결과가 실측 박스일 수 있다. 실측 박스는 이미지에 포함된 객체의 실제 위치를 나타내는 박스일 수 있다. 실측 박스는 즉, 이미지에 포함된 객체에 대한 라벨링 결과일 수 있다. 실측 박스는 학습 데이터인 학습 이미지에 대해서, 학습 이미지에 포함된 객체의 실제 위치를 표시한 결과를 의미할 수 있다.The training data may include a training image and a labeling result for an object included in the training image. A labeling result for the training image may be an actual measurement box. The actual measurement box may be a box indicating an actual position of an object included in an image. The actual measurement box may be a labeling result for an object included in an image. The actual measurement box may mean a result of displaying the actual location of an object included in the training image with respect to the training image, which is the training data.
예측 박스는 입력 이미지를 뉴럴 네트워크 모델을 이용하여 연산함으로써, 출력된 결과일 수 있다. 프로세서(120)는 입력 이미지를 뉴럴 네트워크 모델을 이용하여 연산하여, 입력 이미지에 포함된 객체의 위치를 예측하여, 객체에 대한 예측 박스를 출력할 수 있다.The prediction box may be a result output by calculating an input image using a neural network model. The
프로세서(120)는 실제 정답인 실측 박스와, 뉴럴 네트워크 모델을 이용한 연산 결과인 예측 박스 간의 차이를 이용하여, 뉴럴 네트워크 모델을 학습시킬 수 있다. 프로세서(120)는 뉴럴 네트워크 모델의 출력과 실제 정답 간의 차이를 뉴럴 네트워크 모델이 학습하도록 할 수 있다.The
프로세서(120)는 상기 예측 박스와 상기 실측 박스의 합 영역 및 교차 영역의 넓이에 기초하여 상기 예측 박스의 정확도를 연산할 수 있다. 프로세서(120)는 예측 박스와 실측 박스의 넓이의 합에서 교차 영역의 넓이를 뺀 값인, 합 영역 넓이를 연산할 수 있다. 프로세서(120)는 예측 박스와 실측 박스 간 교차 영역에 대한 넓이를 연산할 수 있다. 프로세서(120)는 교차 영역의 넓이에서 합 영역의 넓이를 나누어, 예측 박스의 정확도를 연산할 수 있다. 프로세서(120)는 즉, IOU(Intersection Over Union)값인, (교차 영역의 넓이)/(합 영역의 넓이)를 연산하여, 예측 박스의 정확도를 출력할 수 있다. 프로세서(120)는 예측 박스의 정확도 값을 역전파하여, 뉴럴 네트워크 모델에 대한 학습을 수행할 수 있다.The
이하에서는 프로세서(120)가 예측 박스의 정확도 값을 연산하는 방법에 관하여 구체적으로 설명한다. 이하에서는 도 2를 참조하여 설명한다. 도 2는 예측 박스(220) 및 실측 박스(210)를 예시적으로 도시한 도면이다.Hereinafter, a method for the
프로세서(120)는 상기 예측 박스(220)와 상기 실측 박스(210)의 교차점을 제 1 기준점(232, 234, 236, 238)으로 결정할 수 있다.The
프로세서(120)는 상기 예측 박스(220)의 꼭지점과 상기 실측 박스(210)의 엣지(edge)를 비교하여, 상기 꼭지점이 상기 실측 박스(210)의 내부에 위치하는 경우, 상기 꼭지점을 제 2 기준점(242)으로 결정할 수 있다. The
프로세서(120)는 상기 제 1 기준점(232, 234, 236, 238) 및 상기 제 2 기준점(242)을 기초로 상기 예측 박스(220)의 정확도를 연산할 수 있다.The
프로세서(120)는 상기 제 1 기준점(232, 234, 236, 238) 및 상기 제 2 기준점(242)에 기초하여 상기 예측 박스(220)와 상기 실측 박스(210)의 교차 영역의 넓이를 연산할 수 있다.The
프로세서(120)는 제 1 기준점(232, 234, 236, 238) 및 상기 제 2 기준점(242)을 연결하는 선들로 이어진 영역들에 대한 넓이를 연산할 수 있다. 프로세서(120)는 제 1 기준점과 제 2 기준점을 이용하여 교차 영역에 대한 넓이를 연산함으로써, 회전된 객체들에 대한 박스들의 연산 결과를 정확하게 도출할 수 있다.The
프로세서(120)는 회전된 객체들을 학습하는 경우에도, 제 1 기준점과 제 2 기준점을 설정함으로써, 학습을 쉽고 빠르게 수행할 수 있다. 기존의 회전 객체 학습 방법들의 경우, 회전 객체의 각도 변화를 연산함으로써, 학습 효율이 떨어지고, 과도한 연산이 필요하다는 단점이 존재하였다. 본 개시의 일 실시예에 따른 학습 방법을 이용하는 경우, 빠른 속도로 정확하게 회전된 객체에 대한 예측 박스와 실측 박스 간의 차이를 연산할 수 있다.Even when learning the rotated objects, the
프로세서(120)는 둘 이상의 실측 박스가 존재하는 경우, 실측 박스의 개수에 대응되는 횟수만큼 정확도를 연산할 수 있다. 프로세서(120)는 실측 박스의 개수 만큼, 정확도 연산을 수행할 수 있다. 예를 들어, 학습 데이터에 라벨링 된 실측 박스가 3개인 경우, 3번의 정확도 연산을 수행할 수 있다. 기존의 학습 방법의 경우, 실측 박스가 3개이고, 그리고 예측 박스가 3개인 경우, 3*3, 즉, 9번의 정확도 연산을 수행하여 뉴럴 네트워크 모델에 대한 학습을 수행하였다. 본 개시의 일 실시예에 따른 뉴럴 네트워크 모델의 학습 방법의 경우, 실측 박스의 개수 만큼만 정확도 연산을 수행함으로써, 불필요한 연산 량을 감소시킬 수 있다.When two or more actual measurement boxes exist, the
프로세서(120)는 실측 박스를 기준으로 하여, 둘 이상의 실측 박스 각각에 대응되는 예측 박스를 하나씩 결정할 수 있다. 프로세서(120)는 실측 박스의 개수 만큼 정확도 연산을 수행하기 위하여, 실측 박스와 정확도 연산을 수행할, 그에 대응되는 예측 박스를 각각 한 개씩 결정할 수 있다. 즉, 제 1 실측 박스에 대해서는 제 1 예측 박스와 정확도 연산을 수행하고, 그리고 제 1 실측 박스와 제 2 예측 박스, 제 1 실측 박스와 제 3 예측 박스 간에는 정확도 연산을 수행하지 않을 수 있다.The
도 3을 참조하여 정확도 연산에 관하여 설명한다. 도 3은 예측 박스와 실측 박스들을 예시적으로 도시한 도면이다. 도 3에는 3개의 예측 박스와 3개의 실측 박스가 도시되어 있다.The accuracy calculation will be described with reference to FIG. 3 . 3 is a diagram exemplarily illustrating a prediction box and an actual measurement box. 3 shows three prediction boxes and three actual measurement boxes.
프로세서(120)는 상기 둘 이상의 실측 박스 각각이 포함된 그리드를 결정할 수 있다. 프로세서(120)는 실측 박스의 중심점이 포함된 그리드를 하나 결정할 수 있다. 도 3에 도시된 각 박스 중심의 검정색 점이, 실측 박스의 중심점일 수 있다. 도 3에 도시된 중심점은 학습 방법을 설명하기 위하여, 예시적으로 도시한 점이고, 그리고 실제 학습 과정에서는 이러한 점이 표시되지는 않을 수 있다.The
프로세서(120)는 상기 그리드를 기준으로 하나의 예측 박스와 하나의 실측 박스 각각을 매칭할 수 있다. 프로세서(120)는 실측 박스에 대해 결정된 그리드를 기준으로, 해당 그리드에 대해 예측된 예측 박스를 하나 결정할 수 있다. 프로세서(120)는 실측 박스의 중심점을 기준으로 그리드를 하나 결정하고, 그리고 결정된 그리드에 대해서 하나의 예측 박스를 결정하여, 해당 실측 박스와 예측 박스 간의 정확도 연산을 수행할 수 있다. 프로세서(120)는 상기 매칭된 예측 박스와 실측 박스에 대한 정확도를 연산할 수 있다. 매칭된 예측 박스와 실측 박스에 대한 정확도 연산은 전술한 바와 같이 IOU 연산일 수 있다. The
프로세서(120)는 해당 그리드 밖에 위치한 다른 예측 박스들과, 해당 그리드에 대응되는 실측 박스 간의 정확도 연산을 수행하지 않을 수 있다.The
도 3은 3개의 실측 박스와 3개의 예측 박스를 각각 도시하고 있다. 기존의 학습 방법들의 경우에는, 실측 박스가 3개이고, 그리고 예측 박스가 3개이기 때문에, 9번의 정확도 연산을 수행해야 한다는 단점이 존재하였다. 9번의 정확도 연산을 수행하는 경우, 컴퓨팅 파워의 소모량이 상당히 많아지며, 그리고 정확도도 떨어질 수 있다.3 shows three actual measurement boxes and three prediction boxes, respectively. In the case of the existing learning methods, since there are 3 actual measurement boxes and 3 prediction boxes, there is a disadvantage that 9 accuracy calculations must be performed. When performing 9 precision calculations, the consumption of computing power increases considerably, and accuracy may also decrease.
본 개시의 일 실시예에 따른 모델 학습 방법의 경우, 3개의 실측 박스가 존재하기 때문에, 3개의 실측 박스 각각에 대응되는 그리드를 결정하고, 그리고 해당 그리드에 대응되는 하나의 예측 박스를 결정하여, 3개의 실측 박스와 그에 대응되는 각각 하나 씩의 예측 박스 간의 정확도 연산을 수행할 수 있다. 즉, 본 개시의 일 실시예에 따른 뉴럴 네트워크 모델의 학습 방법에 따라, 3번의 정확도 연산을 수행하면 되므로, 컴퓨팅 파워의 소모량도 훨씬 적어지게 되어, 연산 효율성을 달성할 수 있으며, 불필요한 박스들 간의 연산을 수행할 필요가 없어지므로, 연산의 정확성 또한 달성할 수 있다.In the case of the model learning method according to an embodiment of the present disclosure, since there are three measured boxes, a grid corresponding to each of the three measured boxes is determined, and one prediction box corresponding to the grid is determined, It is possible to perform an accuracy calculation between the three actual measurement boxes and one prediction box corresponding thereto. That is, according to the learning method of the neural network model according to an embodiment of the present disclosure, since it is enough to perform the accuracy calculation three times, the consumption of computing power is also much reduced, so that computational efficiency can be achieved, and between unnecessary boxes Since there is no need to perform the calculation, the accuracy of the calculation can also be achieved.
프로세서(120)는 상기 뉴럴 네트워크 모델로부터 출력된 둘 이상의 예측 박스와 둘 이상의 실측 박스 각각을 비교하여, 상기 둘 이상의 예측 박스의 정확도를 연산할 수 있다. 예를 들어, 도 3의 경우, 프로세서(120)는 3개의 박스에 대한 정확도를 각각 연산할 수 있다.The
프로세서(120)는 상기 둘 이상의 예측 박스의 정확도에 기초하여, 상기 역전파의 기초가 되는 하나의 정확도 값을 추출할 수 있다. 프로세서(120)는 둘 이상의 예측 박스의 정확도에 대한 합 연산을 이용하여 하나의 정확도 값을 추출할 수 있다. 예를 들어, 도 3의 경우, 프로세서(120)는 제 1 실측 박스에 대해 제 1 정확도 값, 제 2 실측 박스에 대해 제 2 정확도 값, 그리고 제 3 실측 박스에 대해 제 3 정확도 값을 각각 연산할 수 있다. 프로세서(120)는 제 1 정확도 값 내지 제 3 정확도 값에 대한 평균 값을 이용하여 하나의 정확도 값을 추출할 수 있다. 프로세서(120)는 전술한 평균 값 이외에도, 다양한 방법으로 하나의 정확도 값을 추출할 수 있다. 전술한 정확도 값 추출에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.The
프로세서(120)는 상기 정확도에 기초하여 상기 뉴럴 네트워크 모델에 대한 역전파를 수행함으로써, 상기 뉴럴 네트워크 모델을 학습시킬 수 있다. 프로세서(120)는 정확도 값을 이용하여 뉴럴 네트워크 모델을 학습시킬 수 있다. 교사 학습의 경우, 학습 데이터에 포함된 정답인 라벨과, 뉴럴 네트워크 모델의 출력 값 간의 차이 값인, 오차를 역전파 하여, 뉴럴 네트워크 모델이 그러한 오차를 최소화하도록 할 수 있다.The
본 개시의 일 실시예에 따른 모델 학습 방법을 제공하기 위한 컴퓨팅 장치(100)는 네트워크부(110), 프로세서(120) 및 메모리(130)를 포함할 수 있다.The
네트워크부(110)는 본 개시의 일 실시예에 따른 이미지 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 또한, 네트워크부(110)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 복수의 컴퓨팅 장치 각각에서 모델의 학습을 위한 동작들이 분산 수행되도록 할 수 있다. 네트워크부(110)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 네트워크 함수를 사용한 모델 학습을 위한 연산을 분산 처리하도록 할 수 있다.The
본 개시의 일 실시예에 따른 네트워크부(110)는 근거리(단거리), 원거리, 유선 및 무선 등과 같은 현재 사용 및 구현되는 임의의 형태의 유무선 통신 기술에 기반하여 동작할 수 있으며, 다른 네트워크들 에서도 사용될 수 있다.The
프로세서(120)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 모델의 학습을 위한 프로세서를 포함할 수 있다. 프로세서(120)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 객체 검출 방법을 제공할 수 있다. 본 개시의 일 실시예에 따라 프로세서(120)는 객체 검출 방법을 제공하기 위한 계산을 수행할 수 있다.The
메모리(130)는 본 개시의 일 실시예에 따른 모델 학습 방법을 제공하기 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 프로세서(120)에 의하여 판독되어 구동될 수 있다.The
본 개시의 실시예들에 따른 메모리(130)는 프로세서(120)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들 또는 이벤트들을 임시 또는 영구 저장할 수도 있다. 상기 메모리(130)는 디스플레이 및 음향에 관한 데이터를 저장할 수 있다. 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.The
본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.A computer-readable medium storing a data structure is disclosed according to an embodiment of the present disclosure.
데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.The data structure may refer to the organization, management, and storage of data that enables efficient access and modification of data. A data structure may refer to an organization of data to solve a specific problem (eg, data retrieval, data storage, and data modification in the shortest time). A data structure may be defined as a physical or logical relationship between data elements designed to support a particular data processing function. The logical relationship between data elements may include a connection relationship between user-defined data elements. Physical relationships between data elements may include actual relationships between data elements physically stored on a computer-readable storage medium (eg, persistent storage). A data structure may specifically include a set of data, relationships between data, and functions or instructions applicable to data. Through an effectively designed data structure, a computing device can perform an operation while using the computing device's resources to a minimum. Specifically, the computing device may increase the efficiency of operations, reads, insertions, deletions, comparisons, exchanges, and retrievals through effectively designed data structures.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.A data structure may be classified into a linear data structure and a non-linear data structure according to the type of the data structure. The linear data structure may be a structure in which only one piece of data is connected after one piece of data. The linear data structure may include a list, a stack, a queue, and a deck. A list may mean a set of data in which an order exists internally. The list may include a linked list. The linked list may be a data structure in which data is linked in such a way that each data is linked in a line with a pointer. In a linked list, a pointer may contain information about a link with the next or previous data. A linked list may be expressed as a single linked list, a doubly linked list, or a circularly linked list according to a shape. A stack can be a data enumeration structure with limited access to data. A stack can be a linear data structure in which data can be processed (eg, inserted or deleted) at only one end of the data structure. The data stored in the stack may be a data structure LIFO-Last in First Out. A queue is a data listing structure that allows limited access to data, and unlike a stack, it may be a data structure that comes out later (FIFO-First in First Out) as data stored later. A deck can be a data structure that can process data at either end of the data structure.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.The nonlinear data structure may be a structure in which a plurality of data is connected after one data. The nonlinear data structure may include a graph data structure. A graph data structure may be defined as a vertex and an edge, and the edge may include a line connecting two different vertices. A graph data structure may include a tree data structure. The tree data structure may be a data structure in which one path connects two different vertices among a plurality of vertices included in the tree. That is, it may be a data structure that does not form a loop in the graph data structure.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 이하에서는 신경망으로 통일하여 기술한다. 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.Throughout this specification, computational model, neural network, network function, and neural network may be used interchangeably. Hereinafter, the neural network is unified and described. The data structure may include a neural network. And the data structure including the neural network may be stored in a computer-readable medium. Data structures, including neural networks, also include preprocessed data for processing by the neural network, data input to the neural network, weights of the neural network, hyperparameters of the neural network, data obtained from the neural network, activation functions associated with each node or layer of the neural network, and the neural network. It may include a loss function for learning of . A data structure comprising a neural network may include any of the components disclosed above. That is, the data structure including the neural network includes preprocessed data for processing by the neural network, data input to the neural network, weights of the neural network, hyperparameters of the neural network, data obtained from the neural network, activation functions associated with each node or layer of the neural network, and the neural network It may be configured to include all or any combination thereof, such as a loss function for learning of . In addition to the above-described configurations, a data structure including a neural network may include any other information that determines a characteristic of the neural network. In addition, the data structure may include all types of data used or generated in the operation process of the neural network, and is not limited thereto. Computer-readable media may include computer-readable recording media and/or computer-readable transmission media. A neural network may be composed of a set of interconnected computational units, which may generally be referred to as nodes. These nodes may also be referred to as neurons. A neural network is configured to include at least one or more nodes.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.The data structure may include data input to the neural network. A data structure including data input to the neural network may be stored in a computer-readable medium. The data input to the neural network may include learning data input in a neural network learning process and/or input data input to the neural network in which learning is completed. Data input to the neural network may include pre-processing data and/or pre-processing target data. The preprocessing may include a data processing process for inputting data into the neural network. Accordingly, the data structure may include data to be pre-processed and data generated by pre-processing. The above-described data structure is merely an example, and the present disclosure is not limited thereto.
데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.The data structure may include the weights of the neural network. (In this specification, a weight and a parameter may be used interchangeably.) And a data structure including a weight of a neural network may be stored in a computer-readable medium. The neural network may include a plurality of weights. The weight may be variable, and may be changed by the user or algorithm in order for the neural network to perform a desired function. For example, when one or more input nodes are interconnected to one output node by respective links, the output node sets values input to input nodes connected to the output node and links corresponding to the respective input nodes. A data value output from the output node may be determined based on the weight. The above-described data structure is merely an example, and the present disclosure is not limited thereto.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.By way of example and not limitation, the weight may include a weight variable in a neural network learning process and/or a weight in which neural network learning is completed. The variable weight in the neural network learning process may include a weight at the start of the learning cycle and/or a variable weight during the learning cycle. The weight for which neural network learning is completed may include a weight for which a learning cycle is completed. Accordingly, the data structure including the weights of the neural network may include a data structure including the weights that vary in the neural network learning process and/or the weights on which the neural network learning is completed. Therefore, it is assumed that the above-described weights and/or combinations of weights are included in the data structure including the weights of the neural network. The above-described data structure is merely an example, and the present disclosure is not limited thereto.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.The data structure including the weights of the neural network may be stored in a computer-readable storage medium (eg, memory, hard disk) after being serialized. Serialization can be the process of converting a data structure into a form that can be reconstructed and used later by storing it on the same or a different computing device. The computing device may serialize the data structure to send and receive data over a network. A data structure including weights of the serialized neural network may be reconstructed in the same computing device or in another computing device through deserialization. The data structure including the weight of the neural network is not limited to serialization. Furthermore, the data structure including the weights of the neural network is a data structure to increase the efficiency of computation while using the resources of the computing device to a minimum (e.g., B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree). The foregoing is merely an example, and the present disclosure is not limited thereto.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.The data structure may include hyper-parameters of the neural network. In addition, the data structure including the hyperparameters of the neural network may be stored in a computer-readable medium. The hyper parameter may be a variable variable by a user. Hyperparameters are, for example, learning rate, cost function, number of iterations of the learning cycle, weight initialization (e.g., setting the range of weight values to be initialized for weights), Hidden Unit The number (eg, the number of hidden layers, the number of nodes of the hidden layer) may be included. The above-described data structure is merely an example, and the present disclosure is not limited thereto.
도 4는 본 개시의 일 실시예에 따른 모델 학습 방법을 수행하기 위한 순서도이다.4 is a flowchart for performing a model learning method according to an embodiment of the present disclosure.
컴퓨팅 장치(100)는 입력 이미지를 뉴럴 네트워크 모델을 이용하여 연산(410)할 수 있다.The
컴퓨팅 장치(100)는 상기 뉴럴 네트워크 모델로부터 출력된 예측 박스(prediction box)와 실측 박스(ground truth box)를 비교하여 상기 예측 박스의 정확도를 연산(420)할 수 있다. 컴퓨팅 장치(100)는 예측 박스와 상기 실측 박스의 합 영역 및 교차 영역의 넓이에 기초하여 상기 예측 박스의 정확도를 연산할 수 있다.The
컴퓨팅 장치(100)는 상기 예측 박스와 상기 실측 박스의 교차점을 제 1 기준점으로 결정할 수 있다. 컴퓨팅 장치(100)는 상기 예측 박스의 꼭지점과 상기 실측 박스의 엣지(edge)를 비교하여, 상기 꼭지점이 상기 실측 박스의 내부에 위치하는 경우, 상기 꼭지점을 제 2 기준점으로 결정할 수 있다. 컴퓨팅 장치(100)는 상기 제 1 기준점 및 상기 제 2 기준점을 기초로 상기 예측 박스의 정확도를 연산할 수 있다. 컴퓨팅 장치(100)는 상기 제 1 기준점 및 상기 제 2 기준점에 기초하여 상기 예측 박스와 상기 실측 박스의 교차 영역의 넓이를 연산할 수 있다.The
컴퓨팅 장치(100)는 둘 이상의 실측 박스가 존재하는 경우, 실측 박스의 개수에 대응되는 횟수만큼 정확도를 연산할 수 있다. 컴퓨팅 장치(100)는 상기 뉴럴 네트워크 모델로부터 출력된 둘 When two or more actual measurement boxes exist, the
정확도에 기초하여 상기 뉴럴 네트워크 모델에 대한 역전파를 수행함으로써, 상기 뉴럴 이상의 예측 박스와 둘 이상의 실측 박스 각각을 비교하여, 상기 둘 이상의 예측 박스의 정확도를 연산할 수 있다.By performing backpropagation on the neural network model based on the accuracy, the accuracy of the two or more prediction boxes may be calculated by comparing the neural anomaly prediction box and two or more actual measurement boxes, respectively.
컴퓨팅 장치(100)는 실측 박스를 기준으로 하여, 둘 이상의 실측 박스 각각에 대응되는 예측 박스를 하나씩 결정할 수 있다. 컴퓨팅 장치(100)는 상기 둘 이상의 실측 박스 각각이 포함된 그리드를 결정할 수 있다. 컴퓨팅 장치(100)는 상기 그리드를 기준으로 하나의 예측 박스와 하나의 실측 박스 각각을 매칭할 수 있다. 컴퓨팅 장치(100)는 상기 매칭된 예측 박스와 실측 박스에 대한 정확도를 연산할 수 있다.The
컴퓨팅 장치(100)는 상기 둘 이상의 예측 박스의 정확도에 기초하여, 상기 역전파의 기초가 되는 하나의 정확도 값을 추출할 수 있다.The
컴퓨팅 장치(100)는 상기 네트워크 모델을 학습(430)시킬 수 있다.The
본 개시의 일 실시예에 따른 모델 학습 방법은 상기와 같은 동작을 수행하는 모듈, 회로, 수단 및 로직에 의해 구현될 수 있다.The model learning method according to an embodiment of the present disclosure may be implemented by modules, circuits, means, and logic that perform the above operations.
도 5는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.5 is a block diagram of a computing device according to an embodiment of the present disclosure.
도 5는 본 개시의 실시예들이 구현될 수 있는 예시 적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.5 depicts a simplified, general schematic diagram of an exemplary computing environment in which embodiments of the present disclosure may be implemented.
본 개시가 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시가 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.Although the present disclosure has been described above generally in the context of computer-executable instructions that may be executed on one or more computers, those skilled in the art will appreciate that the present disclosure may be implemented in combination with other program modules and/or as a combination of hardware and software. will be.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드 헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.Generally, program modules include routines, programs, components, data structures, etc. that perform particular tasks or implement particular abstract data types. In addition, those skilled in the art will appreciate that the methods of the present disclosure can be applied to single-processor or multiprocessor computer systems, minicomputers, mainframe computers as well as personal computers, hand held computing devices, microprocessor-based or programmable consumer electronics, etc. (each of which is It will be appreciated that other computer system configurations may be implemented, including those that may operate in connection with one or more associated devices.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.The described embodiments of the present disclosure may also be practiced in distributed computing environments where certain tasks are performed by remote processing devices that are linked through a communications network. In a distributed computing environment, program modules may be located in both local and remote memory storage devices.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있다. 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.Computers typically include a variety of computer-readable media. Any medium accessible by a computer may be a computer-readable medium. Computer-readable media includes volatile and non-volatile media, transitory and non-transitory media, removable and non-removable media. By way of example, and not limitation, computer-readable media may include computer-readable storage media and computer-readable transmission media. Computer-readable storage media includes volatile and non-volatile media, temporary and non-transitory media, removable and non-removable media implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data. includes media. Computer storage media may include RAM, ROM, EEPROM, flash memory or other memory technology, CD-ROM, digital video disk (DVD) or other optical disk storage device, magnetic cassette, magnetic tape, magnetic disk storage device or other magnetic storage device; or any other medium that can be accessed by a computer and used to store the desired information.
컴퓨터 판독가능 전송 매체는 통상적으로 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.Computer-readable transmission media typically embodies computer-readable instructions, data structures, program modules, or other data in a modulated data signal such as other transport mechanisms, and includes all information delivery media. do. The term modulated data signal means a signal in which one or more of the characteristics of the signal is set or changed so as to encode information in the signal. By way of example, and not limitation, computer-readable transmission media includes wired media such as a wired network or direct-wired connection, and wireless media such as acoustic, RF, infrared, and other wireless media. Combinations of any of the above are also intended to be included within the scope of computer-readable transmission media.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시 적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.An example environment 1100 for implementing various aspects of the present disclosure is shown including a
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.The
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)-이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음-, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비 휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시 적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.These drives and their associated computer readable media provide non-volatile storage of data, data structures, computer executable instructions, and the like. For
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.A number of program modules may be stored in the drive and
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.A user may enter commands and information into the
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.A
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화 된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화 된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시 적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.When used in a LAN networking environment, the
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.Wi-Fi (Wireless Fidelity) makes it possible to connect to the Internet, etc. without a wire. Wi-Fi is a wireless technology such as cell phones that allows these devices, eg, computers, to transmit and receive data indoors and outdoors, ie anywhere within range of a base station. Wi-Fi networks use a radio technology called IEEE 802.11 (a, b, g, etc.) to provide secure, reliable, and high-speed wireless connections. Wi-Fi can be used to connect computers to each other, to the Internet, and to wired networks (using IEEE 802.3 or Ethernet). Wi-Fi networks may operate in unlicensed 2.4 and 5 GHz radio bands, for example, at 11 Mbps (802.11a) or 54 Mbps (802.11b) data rates, or in products that include both bands (dual band). have.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.One of ordinary skill in the art of this disclosure will understand that information and signals may be represented using any of a variety of different technologies and techniques. For example, data, instructions, instructions, information, signals, bits, symbols, and chips that may be referenced in the above description are voltages, currents, electromagnetic waves, magnetic fields or particles, optical field particles or particles, or any combination thereof.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시 적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시 적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.Those of ordinary skill in the art of the present disclosure will recognize that the various illustrative logical blocks, modules, processors, means, circuits, and algorithm steps described in connection with the embodiments disclosed herein include electronic hardware, (convenience For this purpose, it will be understood that it may be implemented by various forms of program or design code (referred to herein as "software") or a combination of both. To clearly illustrate this interchangeability of hardware and software, various illustrative components, blocks, modules, circuits, and steps have been described above generally in terms of their functionality. Whether such functionality is implemented as hardware or software depends upon the particular application and design constraints imposed on the overall system. A person skilled in the art of the present disclosure may implement the described functionality in various ways for each specific application, but such implementation decisions should not be interpreted as a departure from the scope of the present disclosure.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다. The various embodiments presented herein may be implemented as methods, apparatus, or articles of manufacture using standard programming and/or engineering techniques. The term “article of manufacture” includes a computer program or media accessible from any computer-readable device. For example, computer-readable media include magnetic storage devices (eg, hard disks, floppy disks, magnetic strips, etc.), optical disks (eg, CDs, DVDs, etc.), smart cards, and flash memory. devices (eg, EEPROMs, cards, sticks, key drives, etc.). Also, various storage media presented herein include one or more devices and/or other machine-readable media for storing information.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시 적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.It is understood that the specific order or hierarchy of steps in the presented processes is an example of exemplary approaches. Based on design priorities, it is to be understood that the specific order or hierarchy of steps in the processes may be rearranged within the scope of the present disclosure. The appended method claims present elements of the various steps in a sample order, but are not meant to be limited to the specific order or hierarchy presented.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.The description of the presented embodiments is provided to enable any person skilled in the art to make or use the present disclosure. Various modifications to these embodiments will be apparent to those skilled in the art of the present disclosure. The generic principles defined herein may be applied to other embodiments without departing from the scope of the present disclosure. Thus, the present disclosure is not intended to be limited to the embodiments presented herein, but is to be construed in the widest scope consistent with the principles and novel features presented herein.
Claims (10)
적어도 하나의 회전된 객체를 포함하는 입력 이미지를 기초로 뉴럴 네트워크 모델을 이용하여 복수개의 예측 박스들을 출력하는 단계;
복수개의 실측 박스(ground-truth box)들의 각각을 기준으로 실측 박스의 중심점이 포함된 소정의 영역인 그리드를 생성하는 단계;
상기 그리드를 기준으로 상기 복수개의 예측 박스들과 상기 복수개의 실측 박스들을 한쌍씩 매칭(matching)하는 단계;
서로 매칭된 예측 박스와 실측 박스에 대한 정확도를 연산하는 단계; 및
상기 정확도에 기초하여 상기 뉴럴 네트워크 모델에 대한 역전파를 수행함으로써, 상기 뉴럴 네트워크 모델을 학습시키는 단계;
를 포함하는,
모델 학습 방법.
A method for training a model, performed by a computing device comprising at least one processor, the method comprising:
outputting a plurality of prediction boxes using a neural network model based on an input image including at least one rotated object;
generating a grid, which is a predetermined area including a center point of a ground-truth box, based on each of a plurality of ground-truth boxes;
matching the plurality of prediction boxes and the plurality of actual measurement boxes in pairs based on the grid;
calculating accuracies for the prediction box and the actual measurement box matched with each other; and
training the neural network model by performing backpropagation on the neural network model based on the accuracy;
containing,
How to train a model.
상기 매칭된 예측 박스와 실측 박스에 대한 정확도를 연산하는 단계는,
상기 매칭된 예측 박스와 상기 매칭된 실측 박스의 합 영역 및 교차 영역의 넓이에 기초하여 상기 매칭된 예측 박스의 정확도를 연산하는 단계;
를 포함하는,
모델 학습 방법.
The method of claim 1,
The step of calculating the accuracy of the matched prediction box and the actual measurement box,
calculating accuracy of the matched prediction box based on an area of a sum area and an intersection area of the matched prediction box and the matched actual measurement box;
containing,
How to train a model.
상기 매칭된 예측 박스와 실측 박스에 대한 정확도를 연산하는 단계는,
상기 매칭된 예측 박스와 상기 매칭된 실측 박스의 교차점을 제 1 기준점으로 결정하는 단계;
상기 매칭된 예측 박스의 꼭지점과 상기 매칭된 실측 박스의 엣지(edge)를 비교하여, 상기 꼭지점이 상기 매칭된 실측 박스의 내부에 위치하는 경우, 상기 꼭지점을 제 2 기준점으로 결정하는 단계; 및
상기 제 1 기준점 및 상기 제 2 기준점을 기초로 상기 매칭된 예측 박스의 정확도를 연산하는 단계;
를 포함하는,
모델 학습 방법.
The method of claim 1,
The step of calculating the accuracy for the matched prediction box and the actual measurement box,
determining an intersection of the matched prediction box and the matched actual measurement box as a first reference point;
comparing a vertex of the matched prediction box with an edge of the matched actual measurement box, and determining the vertex as a second reference point when the vertex is located inside the matched actual measurement box; and
calculating the accuracy of the matched prediction box based on the first reference point and the second reference point;
containing,
How to train a model.
상기 제 1 기준점 및 상기 제 2 기준점을 기초로 상기 매칭된 예측 박스의 정확도를 연산하는 단계는,
상기 제 1 기준점 및 상기 제 2 기준점에 기초하여 상기 매칭된 예측 박스와 상기 매칭된 실측 박스의 교차 영역의 넓이를 연산하는 단계;
를 포함하는,
모델 학습 방법.
4. The method of claim 3,
Calculating the accuracy of the matched prediction box based on the first reference point and the second reference point,
calculating an area of an intersection of the matched prediction box and the matched actual measurement box based on the first reference point and the second reference point;
containing,
How to train a model.
상기 매칭된 예측 박스와 매칭된 실측 박스에 대한 정확도를 연산하는 단계는,
둘 이상의 실측 박스가 존재하는 경우, 실측 박스의 개수에 대응되는 횟수만큼 정확도를 연산하는 단계;
를 포함하는,
모델 학습 방법.
The method of claim 1,
Calculating the accuracy of the matched prediction box and the matched actual box comprises:
calculating the accuracy by a number of times corresponding to the number of actual measurement boxes when there are two or more actual measurement boxes;
containing,
How to train a model.
상기 매칭된 예측 박스와 매칭된 실측 박스에 대한 정확도를 연산하는 단계는,
복수개의 매칭된 예측 박스들과 복수개의 매칭된 실측 박스들을 각각 비교하여, 상기 복수개의 매칭된 예측 박스들의 정확도를 연산하는 단계;
를 포함하는,
모델 학습 방법.
The method of claim 1,
Calculating the accuracy of the matched prediction box and the matched actual box comprises:
Comparing each of the plurality of matched prediction boxes and the plurality of matched actual measurement boxes, calculating the accuracy of the plurality of matched prediction boxes;
containing,
How to train a model.
상기 매칭된 예측 박스와 매칭된 실측 박스에 대한 정확도를 연산하는 단계는,
상기 복수개의 예측 박스들의 정확도에 기초하여, 상기 역전파의 기초가 되는 하나의 정확도 값을 추출하는 단계;
를 포함하는,
모델 학습 방법.
7. The method of claim 6,
Calculating the accuracy of the matched prediction box and the matched actual box comprises:
extracting, based on the accuracy of the plurality of prediction boxes, one accuracy value that is a basis for the backpropagation;
containing,
How to train a model.
상기 명령어들은, 적어도 하나의 프로세서로 하여금, 모델 학습을 위한 동작들을 수행하게 하고, 상기 동작들은:
적어도 하나의 회전된 객체를 포함하는 입력 이미지를 기초로 뉴럴 네트워크 모델을 이용하여 복수개의 예측 박스들을 출력하는 동작;
복수개의 실측 박스(ground-truth box)들의 각각을 기준으로 실측 박스의 중심점이 포함된 소정의 영역인 그리드를 생성하는 동작;
상기 그리드를 기준으로 상기 복수개의 예측 박스들과 상기 복수개의 실측 박스들을 한쌍씩 매칭(matching)하는 동작;
서로 매칭된 예측 박스와 실측 박스에 대한 정확도를 연산하는 동작; 및
상기 정확도에 기초하여 상기 뉴럴 네트워크 모델에 대한 역전파를 수행함으로써, 상기 뉴럴 네트워크 모델을 학습시키는 동작;
을 포함하는,
컴퓨터 판독가능한 기록 매체.
A computer-readable recording medium having instructions stored thereon, comprising:
The instructions cause the at least one processor to perform operations for model training, the operations comprising:
outputting a plurality of prediction boxes using a neural network model based on an input image including at least one rotated object;
generating a grid, which is a predetermined area including a center point of a ground-truth box, based on each of a plurality of ground-truth boxes;
matching the plurality of prediction boxes and the plurality of actual measurement boxes in pairs based on the grid;
calculating the accuracy of the prediction box and the actual measurement box matched with each other; and
training the neural network model by performing backpropagation on the neural network model based on the accuracy;
containing,
A computer-readable recording medium.
하나 이상의 코어를 포함하는 프로세서; 및
메모리;
를 포함하고,
상기 프로세서는,
적어도 하나의 회전된 객체를 포함하는 입력 이미지를 기초로 뉴럴 네트워크 모델을 이용하여 복수개의 예측 박스들을 출력하고,
복수개의 실측 박스(ground-truth box)들의 각각을 기준으로 실측 박스의 중심점이 포함된 소정의 영역인 그리드를 생성하고,
상기 그리드를 기준으로 상기 복수개의 예측 박스들과 상기 복수개의 실측 박스들을 한쌍씩 매칭(matching)하고,
서로 매칭된 예측 박스와 실측 박스에 대한 정확도를 연산하고, 그리고
상기 정확도에 기초하여 상기 뉴럴 네트워크 모델에 대한 역전파를 수행함으로써, 상기 뉴럴 네트워크 모델을 학습시키는,
장치.
As a device,
a processor including one or more cores; and
Memory;
including,
The processor is
Outputs a plurality of prediction boxes using a neural network model based on an input image including at least one rotated object,
Based on each of the plurality of ground-truth boxes, a grid, which is a predetermined area including the center point of the ground-truth box, is generated,
Matching the plurality of prediction boxes and the plurality of actual measurement boxes one by one based on the grid,
Calculate the accuracy for the predicted box and the actual box matched with each other, and
Training the neural network model by performing backpropagation on the neural network model based on the accuracy,
Device.
적어도 하나의 회전된 객체를 포함하는 입력 이미지를 기초로 뉴럴 네트워크 모델을 이용하여 복수개의 예측 박스들을 출력하는 동작;
복수개의 실측 박스(ground-truth box)들의 각각을 기준으로 실측 박스의 중심점이 포함된 소정의 영역인 그리드를 생성하는 동작;
상기 그리드를 기준으로 상기 복수개의 예측 박스들과 상기 복수개의 실측 박스를 한쌍씩 매칭(matching)하는 동작;
서로 매칭된 예측 박스와 실측 박스에 대한 정확도를 연산하는 동작; 및
상기 정확도에 기초하여 상기 뉴럴 네트워크 모델에 대한 역전파를 수행함으로써, 상기 뉴럴 네트워크 모델을 학습시키는 동작;
을 포함하는,
컴퓨터 판독가능한 저장 매체에 저장된 컴퓨터 프로그램.A computer program stored on a computer-readable storage medium, the computer program causing the computer program to perform operations for model training, the operations comprising:
outputting a plurality of prediction boxes using a neural network model based on an input image including at least one rotated object;
generating a grid, which is a predetermined area including a center point of a ground-truth box, based on each of a plurality of ground-truth boxes;
matching the plurality of prediction boxes and the plurality of actual measurement boxes in pairs based on the grid;
calculating the accuracy of the prediction box and the actual measurement box matched with each other; and
training the neural network model by performing backpropagation on the neural network model based on the accuracy;
containing,
A computer program stored on a computer-readable storage medium.
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210093874A KR102437396B1 (en) | 2020-08-31 | 2021-07-19 | Method to train model |
US17/459,086 US20220067532A1 (en) | 2020-08-31 | 2021-08-27 | Method to Train Model |
EP21193838.6A EP3961515A3 (en) | 2020-08-31 | 2021-08-30 | Method for learning model |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200109820A KR102285240B1 (en) | 2020-08-31 | 2020-08-31 | Method to train model |
KR1020210093874A KR102437396B1 (en) | 2020-08-31 | 2021-07-19 | Method to train model |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200109820A Division KR102285240B1 (en) | 2020-08-31 | 2020-08-31 | Method to train model |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20220029362A KR20220029362A (en) | 2022-03-08 |
KR102437396B1 true KR102437396B1 (en) | 2022-08-29 |
Family
ID=80813590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210093874A KR102437396B1 (en) | 2020-08-31 | 2021-07-19 | Method to train model |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102437396B1 (en) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102478076B1 (en) * | 2022-06-13 | 2022-12-15 | 주식회사 액션파워 | Method for generating learning data for speech recognition errer detection |
-
2021
- 2021-07-19 KR KR1020210093874A patent/KR102437396B1/en active IP Right Grant
Non-Patent Citations (1)
Title |
---|
송수호 등., 심층 신경망을 이용한 보행자 검출 방법, 정보과학회논문지 44(1), 44-50pages 1부* |
Also Published As
Publication number | Publication date |
---|---|
KR20220029362A (en) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102313626B1 (en) | Method for training neural network | |
KR102295805B1 (en) | Method for managing training data | |
KR102285530B1 (en) | Method for processing image for registration | |
KR102337412B1 (en) | Method for super resolution imaging based on deep learning | |
US11721325B1 (en) | Method for generating learning data for speech recognition error detection | |
KR20220129995A (en) | Method for super resolution imaging based on deep learning | |
KR102345892B1 (en) | Method and apparatus for detecting change | |
KR102308752B1 (en) | Method and apparatus for tracking object | |
KR102437396B1 (en) | Method to train model | |
KR102357531B1 (en) | Method for classification of precipitation type based on deep learning | |
KR20220029366A (en) | Method to train model | |
US20220067532A1 (en) | Method to Train Model | |
KR102457893B1 (en) | Method for predicting precipitation based on deep learning | |
KR102364882B1 (en) | Method for detecting object | |
KR102437285B1 (en) | method of training object prediction models using ambiguous labels | |
KR102285240B1 (en) | Method to train model | |
KR102364881B1 (en) | Training method for model that imitates expert and apparatus thereof | |
KR102270198B1 (en) | Method for object detection based on anchor-free rpn | |
KR102393951B1 (en) | Object-oriented data augmentation method | |
KR20220023320A (en) | Method to detect object | |
KR102292703B1 (en) | Method for transfer learning based on feature set information | |
KR20220057268A (en) | Method, device and computer program for classifying patent documents using neural network | |
US20230196745A1 (en) | Adversarial attack method for malfunctioning object detection model with super resolution | |
KR102260169B1 (en) | Method to generate data | |
KR102379636B1 (en) | Method for annotation based on deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |