KR102440073B1 - 최적화 모델 선택 장치 및 방법 - Google Patents
최적화 모델 선택 장치 및 방법 Download PDFInfo
- Publication number
- KR102440073B1 KR102440073B1 KR1020200106128A KR20200106128A KR102440073B1 KR 102440073 B1 KR102440073 B1 KR 102440073B1 KR 1020200106128 A KR1020200106128 A KR 1020200106128A KR 20200106128 A KR20200106128 A KR 20200106128A KR 102440073 B1 KR102440073 B1 KR 102440073B1
- Authority
- KR
- South Korea
- Prior art keywords
- recognition
- object recognition
- modeling program
- priority
- time
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/96—Management of image or video recognition tasks
-
- G06K9/62—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
최적화 모델 선택 장치 및 방법을 개시한다. 본 발명은 새로운 객체 인식 모델링 프로그램을 이용하여 학습할 때, 처리속도와 인식률에 따라 최적화된 객체 모델을 선택하여 학습을 진행할 수 있다.
Description
본 발명은 최적화 모델 선택 장치 및 방법에 관한 발명으로서, 더욱 상세하게는 새로운 객체 인식 모델링 프로그램을 이용하여 학습할 때, 처리속도와 인식률에 따라 최적화된 객체 모델을 선택하여 학습을 진행하는 최적화 모델 선택 장치 및 방법에 관한 것이다.
최근들어 머신 러닝을 이용한 물체 감지 방법에 대한 연구가 많이 진행되고 있다.
좀더 구체적으로는 영상을 이용한 정보 수집에서 가장 중요한 요소는 물체로 의심되는 객체를 정확히 인지하는 문제이다.
지금까지는 모션 히스토리(Motion History), SIFT(Scale-Invariant Feature Transform), 히스토그램 역투영(Back-projection)을 이용한 평균시프트(Mean Shift), 머신 러닝 알고리즘 등을 사용하여 물체를 인지해 왔다.
모션 히스토리 알고리즘은 인접하는 프레임들의 차연산을 통해 각각의 결과 이미지에서 임계치 이상의 값들을 이진화한뒤, 그 결과 이미지들을 짧은 시간동안 겹쳐 나타내어 객체의 움직임을 추정하는 알고리즘이다.
하지만 긴시간 동안 영상 프레임이 멈춰 있을 경우 객체로 인지하지 못한다는 단점이 있다.
SIFT 알고리즘의 경우 특징점을 기반으로 프레임 간 객체 매칭을 통하여 물체를 인지하기 때문에 시간에 상관없이 객체를 잘 인지할 수 있다.
그러나, 처리할 연산량이 너무 많아 실시간 처리가 불가능한 문제점이 있고, 경우에 따라서는 하나의 프레임 계산에 2~3초가 수행되기도 한다.
뿐만 아니라 사전에 인식 대상 물체의 모델 이미지들을 미리 입력해 주어야 하기 때문에 불특정 다수의 물체를 검출하기에는 매우 제한적인 문제점이 있다.
히스토그램 역투영 기법을 사용한 Mean-Shift는 색상정보(Hue Channel) 히스토그램을 이용해 입력 영상에서 유사도를 측정하고, 그 결과 영상의 픽셀값을 확률값으로 변경시켜 구한 확률값 분포에 대해 Mean-Shift를 수행한다.
그러나, SIFT와 마찬가지로 사전정보를 요구하기 때문에 불특정 다수의 물체를 감지하는 것은 실제로 불가능한 문제점이 있다.
도1은 종래 기술에 따른 객체 인식 장치의 구성을 개략적으로 나타낸 블록도이다.
도1을 참조하면, 도1(a)의 객체 인식 장치(10)는 이미지가 입력되는 영상 입력부(11)와, 이미지로부터 객체를 인식하는 시간 우선 모델링 제어부(12)와, 인식 결과를 표시하는 디스플레이부(13)로 구성될 수 있다.
도1(a)의 객체 인식 장치(10)는 연산량이 작아 인식 시간이 빠른 객체 인식 모델링 프로그램은 객체 인식이 빠른 장점이 있지만, 인식률이 낮아서 인식률이 중요한 객체 인식 서비스에서는 그대로 활용하기 어려운 문제점이 있다.
또한, 도1(b)의 객체 인식 장치(20)는 이미지가 입력되는 영상 입력부(21)와, 이미지로부터 객체를 인식하는 성능 우선 모델링 제어부(22)와, 인식 결과를 표시하는 디스플레이부(23)로 구성될 수 있다.
그러나, 도1(b)의 객체 인식 장치(20)는 인식률이 높은 대신 연산량이 많아 인식률 계산에 많은 시간이 걸려 실시간 인식이 중요한 객체 인식 서비스에서는 그대로 활용하기 어려운 문제점이 있다.
따라서, 새로운 객체 인식 모델링 프로그램을 이용하여 학습할 때, 물체에 대한 일정 기준 이상의 인식률을 유지하거나 또는 증가시키면서 실시간 인식률도 향상시킬 수 있는 최적화된 객체 인식 모델링 프로그램이 필요하다.
이러한 문제점을 해결하기 위하여, 본 발명은 새로운 객체 인식 모델링 프로그램을 이용하여 학습할 때, 처리속도와 인식률에 따라 최적화된 객체 모델을 선택하여 학습을 진행하는 최적화 모델 선택 장치 및 방법을 제공하는 것을 목적으로 한다.
상기한 목적을 달성하기 위하여 본 발명의 일 실시 예는 최적화 모델 선택 장치로서, 복수의 이미지들로 구성된 데이터 셋(Data set)을 복수의 객체 인식 모델링 프로그램에 각각 입력하여 개별 객체 인식 모델링 프로그램의 인식률을 산출하되, 상기 산출된 인식률이 동일하거나 또는 산출된 인식률 간의 차이가 미리 설정된 기준 범위를 초과하지 않고 만족하면, 상기 인식률의 산출 속도가 가장 빠른 객체 인식 모델링 프로그램을 선택하여 객체 인식을 수행하는 것을 특징으로 한다.
또한, 상기 실시 예에 따른 복수의 객체 인식 모델링 프로그램은 인식률의 산출시에 시간을 우선으로 하는 시간 우선 객체 인식 모델링 프로그램과, 인식률을 우선으로 하는 성능 우선 객체 인식 모델링 프로그램인 것을 특징으로 한다.
또한, 상기 실시 예에 따른 선택 장치는 일정 주기마다 복수의 객체 인식 모델링 프로그램으로 데이터 셋을 입력하여 인식률을 재산출하되, 상기 재산출된 인식률이 동일하거나 또는 재산출된 인식률 간의 차이가 미리 설정된 기준 범위를 초과하지 않고 만족하면, 현재 설정된 시간 우선 객체 인식 모델링 프로그램의 설정을 유지하고, 상기 산출된 인식률이 기준 범위를 만족하지 않으면, 성능 우선 객체 인식 모델링 프로그램으로 변경하는 것을 특징으로 한다.
또한, 상기 실시 예는 데이터 셋을 입력하는 영상 입력부; 및 상기 데이터 셋을 복수의 객체 인식 모델링 프로그램에 각각 입력하여 개별 객체 인식 모델링 프로그램의 인식률을 산출하되, 상기 산출된 인식률에 기반하여 인식률이 동일하거나 또는 산출된 인식률 간의 차이가 미리 설정된 기준 범위를 초과하지 않고 만족하면, 상기 인식률의 산출시에 시간을 우선으로 하는 시간 우선 객체 인식 모델링 프로그램을 선택하여 객체 인식을 수행하는 모델링 제어부를 포함하는 것을 특징으로 한다.
또한, 상기 실시 예에 따른 모델링 제어부는 일정 주기마다 상기 복수의 객체 인식 모델링 프로그램의 인식률을 재산출하되, 재산출된 인식률이 동일하거나 또는 재산출된 인식률 간의 차이가 미리 설정된 기준 범위를 초과하지 않고 만족하면, 현재 설정된 시간 우선 객체 인식 모델링 프로그램을 유지하고, 상기 재산출된 인식률 간의 차이가 기준 범위를 초과하여 만족하지 않으면, 인식률을 우선으로 하는 성능 우선 객체 인식 모델링 프로그램으로 변경하는 것을 특징으로 한다.
또한, 본 발명의 일 실시 예는 최적화 모델 선택 방법으로서, a) 선택 장치가 복수의 이미지들로 구성된 데이터 셋(Data set)을 복수의 객체 인식 모델링 프로그램에 각각 입력하여 개별 객체 인식 모델링 프로그램의 인식률을 산출하는 단계; 및 b) 상기 산출된 인식률이 동일하거나 또는 산출된 인식률 간의 차이가 미리 설정된 기준 범위를 초과하지 않고 만족하면, 상기 선택 장치가 인식률의 산출 속도가 가장 빠른 객체 인식 모델링 프로그램을 선택하여 객체 인식을 수행하는 단계;를 포함한다.
또한, 상기 실시 예는 c) 상기 선택 장치가 일정 주기마다 복수의 객체 인식 모델링 프로그램으로 데이터 셋을 입력하여 인식률을 재산출하는 단계; 및 d) 상기 재산출된 인식률이 동일하거나 또는 재산출된 인식률 간의 차이가 미리 설정된 기준 범위를 초과하지 않고 만족하면, 상기 선택 장치가 현재 설정된 객체 인식 모델링 프로그램을 유지하고, 상기 재산출된 인식률 간의 차이가 기준 범위를 초과하여 만족하지 않으면, 다른 객체 인식 모델링 프로그램으로 변경하는 것을 특징으로 한다.
또한, 상기 실시 예에 따른 복수의 객체 인식 모델링 프로그램은 인식률의 산출시에 시간을 우선으로 하는 시간 우선 객체 인식 모델링 프로그램과, 인식률을 우선으로 하는 성능 우선 객체 인식 모델링 프로그램인 것을 특징으로 한다.
본 발명은 새로운 객체 인식 모델링 프로그램을 이용하여 학습할 때, 처리속도와 인식률에 따라 최적화된 객체 모델을 선택하여 학습을 진행할 수 있는 장점이 있다.
또한, 본 발명은 두 개의 객체 인식 모델링 프로그램이 인식률에 따라 주기적으로 대체하여 동작하므로 적정한 인식률의 유지와, 전류 효율을 향상시킬 수 있는 장점이 있다.
도1은 종래 기술에 따른 객체 인식 모델링 프로그램링 시스템의 구성을 나타낸 블록도.
도2는 본 발명의 일 실시 예에 따른 최적화 모델 선택 장치의 구성을 나타낸 블록도.
도3은 본 발명의 일 실시 예에 따른 최적화 모델 선택 방법을 나타낸 흐름도.
도4는 도3의 실시 예에 따른 최적화 모델 선택 방법을 나타낸 다른 흐름도.
도2는 본 발명의 일 실시 예에 따른 최적화 모델 선택 장치의 구성을 나타낸 블록도.
도3은 본 발명의 일 실시 예에 따른 최적화 모델 선택 방법을 나타낸 흐름도.
도4는 도3의 실시 예에 따른 최적화 모델 선택 방법을 나타낸 다른 흐름도.
이하에서는 본 발명의 바람직한 실시 예 및 첨부하는 도면을 참조하여 본 발명을 상세히 설명하되, 도면의 동일한 참조부호는 동일한 구성요소를 지칭함을 전제하여 설명하기로 한다.
본 발명의 실시를 위한 구체적인 내용을 설명하기에 앞서, 본 발명의 기술적 요지와 직접적 관련이 없는 구성에 대해서는 본 발명의 기술적 요지를 흩뜨리지 않는 범위 내에서 생략하였음에 유의하여야 할 것이다.
또한, 본 명세서 및 청구범위에 사용된 용어 또는 단어는 발명자가 자신의 발명을 최선의 방법으로 설명하기 위해 적절한 용어의 개념을 정의할 수 있다는 원칙에 입각하여 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 할 것이다.
본 명세서에서 어떤 부분이 어떤 구성요소를 "포함"한다는 표현은 다른 구성요소를 배제하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
또한, "‥부", "‥기", "‥모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어, 또는 그 둘의 결합으로 구분될 수 있다.
또한, "적어도 하나의" 라는 용어는 단수 및 복수를 포함하는 용어로 정의되고, 적어도 하나의 라는 용어가 존재하지 않더라도 각 구성요소가 단수 또는 복수로 존재할 수 있고, 단수 또는 복수를 의미할 수 있음은 자명하다 할 것이다.
또한, 각 구성요소가 단수 또는 복수로 구비되는 것은, 실시 예에 따라 변경가능하다 할 것이다.
이하, 첨부된 도면을 참조하여 본 발명의 일 실시 예에 따른 최적화 모델 선택 장치 및 방법의 바람직한 실시예를 상세하게 설명한다.
도2는 본 발명의 일 실시 예에 따른 최적화 모델 선택 장치의 구성을 나타낸 블록도이다.
도2를 참조하면, 본 발명의 일 실시 예에 따른 선택 장치(100)는 복수의 이미지들로 구성된 데이터 셋(Data set)을 복수의 객체 인식 모델링 프로그램에 각각 입력하여 개별 객체 인식 모델링 프로그램의 인식률을 산출한다.
또한, 상기 선택 장치(100)는 산출된 인식률이 동일하거나 또는 미리 설정된 기준 범위를 만족하면, 상기 인식률의 산출 속도가 가장 빠른 객체 인식 모델링 프로그램을 선택하여 객체 인식을 수행한다.
또한, 상기 선택 장치(100)는 일정 주기마다 복수의 객체 인식 모델링 프로그램으로 데이터 셋을 입력하여 인식률을 재산출하고, 재산출된 인식률 결과에 따라 선택된 객체 인식 모델링 프로그램을 유지하거나 또는 변경할 수도 있으며, 이를 위해, 영상 입력부(110)와, 모델링 제어부(120)와 데이터베이스(130)를 포함하여 구성된다.
또한, 상기 실시 예에 따른 복수의 객체 인식 모델링 프로그램은 인식률의 산출시에 시간을 우선으로 하는 시간 우선 객체 인식 모델링 프로그램과, 인식률을 우선으로 하는 성능 우선 객체 인식 모델링 프로그램으로 구성될 수 있다.
상기 영상 입력부(110)는 인식 대상 이미지를 입력받는 구성으로서, 내부 저장장치 또는 외부 저장장치 등에 저장된 이미지를 수신하거나, CCD 센서, CMOS 센서 또는 광전변환수단을 구비한 카메라 등의 디지털 촬영장치로부터 출력되는 이미지 정보를 수신할 수 있다.
상기 모델링 제어부(120)는 영상 입력부(110)로부터 입력된 데이터 셋을 복수의 객체 인식 모델링 프로그램에 각각 입력하여 개별 객체 인식 모델링 프로그램의 인식률을 산출한다.
또한, 상기 모델링 제어부(120)는 제1 모델링부(121)와 제2 모델링부(122)로 구성될 수 있고, 상기 제1 모델링부(121)에는 인식률의 산출시에 시간을 우선으로 하는 시간 우선 객체 인식 모델링 프로그램이 설치되어 객체 인식을 수행다.
또한, 상기 제2 모델링부(122)에는 인식률을 우선으로 하는 성능 우선 객체 인식 모델링 프로그램이 설치되어 객체 인식을 수행할 수 있다.
상기 제1 및 제2 모델링부(121, 122)에 설치된 개별 객체 인식 모델링 프로그램은 입력되는 이미지를 기계학습 프로그램, 딥러닝 프로그램 중 하나 이상의 프로그램을 이용하여 객체 인식을 수행하고, 객체 인식된 결과를 인식률로 산출하여 제공할 수 있다.
본 실시 예에서는 설명의 편의를 위해 시간 우선 객체 인식 모델링 프로그램과 성능 우선 객체 인식 모델링 프로그램으로 이루어진 두 개의 프로그램이 설치된 것을 실시 예로 설명하지만, 이에 한정되는 것은 아니고, 필요에 따라 3개 이상의 프로그램을 설치하여 변경 실시할 수 있음은 당업자에게 있어서 자명할 것이다.
또한, 상기 모델링 제어부(120)는 개별 객체 인식 모델링 프로그램으로부터 산출된 인식률에 기반하여 시간 우선 객체 인식 모델링 프로그램과 성능 우선 객체 인식 모델링 프로그램의 인식률이 동일하거나 또는 미리 설정된 기준 범위를 초과하지 않고 만족하는지 판단한다.
이때, 산출된 각각의 인식률이 동일하거나 또는 모델링 프로그램의 선택을 위해 설정된 기준 범위를 만족하면, 상기 모델링 제어부(120)는 시간을 우선으로 하는 시간 우선 객체 인식 모델링 프로그램을 선택하여 객체 인식을 수행 및 학습하도록 한다.
또한, 상기 모델링 제어부(120)는 시간 우선 객체 인식 모델링 프로그램이 선택되어 객체 인식을 수행 및 학습하는 동안, 일정 주기마다 모든 객체 인식 모델링 프로그램의 인식률을 재산출할 수 있다.
즉, 상기 모델링 제어부(120)는 일정 시간 또는 일정 비율(이미지 처리량 등)의 데이터 셋을 학습한 후, 모든 객체 인식 모델링 프로그램의 인식률을 재산출한다.
또한, 상기 모델링 제어부(120)는 상기 재산출된 객체 인식 모델링 프로그램들의 인식률이 동일하거나 또는 미리 설정된 기준 범위를 초과하지 않고 만족하면, 현재 설정된 시간 우선 객체 인식 모델링 프로그램이 객체 인식 및 학습을 수행할 수 있도록 유지함으로써, 실시간성이 향상될 수 있도록 한다.
그러나, 상기 재산출된 인식률이 기준 범위를 초과하여 만족하지 않으면, 상기 모델링 제어부(120)는 인식률을 향상시키기 위해 인식률을 우선으로 하는 성능 우선 객체 인식 모델링 프로그램으로 변경하여 객체 인식 및 학습이 수행될 수 있도록 함으로써, 객체 인식 성능이 유지될 수 있도록 한다.
상기 데이터베이스(130)는 기계학습 프로그램, 딥러닝 프로그램을 저장하는 구성으로서, 상기 데이터베이스(130)는 선택 장치(100)에 물리적으로 포함된 저장 매체로 구성될 있지만, 상기 선택 장치(100)와 분리되어 원격지에 설치되고, 네트워크를 통해 연결된 저장 매체로 구성될 수도 있다.
다음은 본 발명의 일 실시 예에 따른 최적화 모델 선택 방법을 설명한다.
도3은 본 발명의 일 실시 예에 따른 최적화 모델 선택 방법을 나타낸 흐름도이고, 도4는 도3의 실시 예에 따른 최적화 모델 선택 방법을 나타낸 다른 흐름도이다.
도2 내지 도4를 참조하면, 본 발명의 일 실시 예에 따른 최적화 모델 선택 방법은 선택 장치(100)가 영상 입력부(110)를 통해 복수의 이미지들로 구성된 데이터 셋(Data set)을 입력받는다(S100).
상기 S100 단계에서 입력된 데이터 셋은 상기 선택 장치(100)가 미리 저장된 복수의 객체 인식 모델링 프로그램에 각각 입력하고, 입력된 데이터 셋에 대하여 개별 객체 인식 모델링 프로그램이 객체 인식한 결과를 인식률로 산출하여 비교(S110)한다.
상기 개별 객체 인식 모델링 프로그램은 인식률의 산출시에 시간을 우선으로 하는 시간 우선 객체 인식 모델링 프로그램과, 인식률을 우선으로 하는 성능 우선 객체 인식 모델링 프로그램으로 구성될 수 있다.
상기 S110 단계에서 산출된 개별 객체 인식 모델링 프로그램의 인식률이 동일하거나 또는 산출된 인식률 간의 차이가 미리 설정된 기준 범위를 초과하지 않고 만족하는지 판단(S120)한다.
상기 S120 단계의 판단 결과, 만족하면 상기 선택 장치(100)는 인식률의 산출 속도가 가장 빠른 객체 인식 모델링 프로그램, 즉 인식률의 산출시 시간을 우선으로 하는 시간 우선 객체 인식 모델링 프로그램을 선택하여 객체 인식의 수행 및 학습이 이루어질 수 있도록 한다(S130).
계속해서, 상기 선택 장치(100)는 S130 단계에서 설정된 시간 우선 객체 인식 모델링 프로그램을 이용하여 객체 인식과 학습이 이루어지도록 하고, 중간 평가를 위해 일정 주기마다 설치된 모든 객체 인식 모델링 프로그램으로 데이터 셋을 입력하여 개별 객체 인식 모델링 프로그램 별로 학습을 진행(S140)하고, 개별 객체 인식 모델링 프로그램 별로 인식률을 재산출하여 인식률의 차이를 판단(S150)한다.
상기 S150 단계의 판단 결과, 재산출된 인식률이 동일하거나 또는 재산출된 인식률 간의 차이가 미리 설정된 기준 범위를 초과하지 않고 만족하면, 선택 장치(100)는 현재 설정된 객체 인식 모델링 프로그램, 즉 시간 우선 객체 인식 모델링 프로그램을 유지하고, 상기 시간 우선 객체 인식 모델링 프로그램에 기반한 객체 인식 수행 및 학습이 이루어지도록 한다(S160).
또한, 상기 S150 단계의 판단 결과, 재산출된 인식률이 기준 범위를 초과하여 만족하지 않으면, 선택 장치(100)는 다른 객체 인식 모델링 프로그램, 즉 시간이 오래 걸리지만 인식률을 우선으로 하는 성능 우선 객체 인식 모델링 프로그램으로 변경한 후 객체 인식의 수행과 학습이 이루어지도록 한다(S200).
계속해서, 상기 선택 장치(100)는 S200 단계에서 설정된 성능 우선 객체 인식 모델링 프로그램을 이용하여 객체 인식과 학습이 이루어지도록 하고, 중간 평가를 위해 일정 주기마다 설치된 모든 객체 인식 모델링 프로그램으로 데이터 셋을 입력하여 개별 객체 인식 모델링 프로그램 별로 학습을 진행(S210)하며, 개별 객체 인식 모델링 프로그램 별로 인식률을 재산출하여 인식률의 차이를 판단(S220)한다.
상기 S220 단계의 판단 결과, 재산출된 인식률 간의 차이가 미리 설정된 기준범위를 초과하는 차이가 있으면, 선택 장치(100)는 현재 설정된 객체 인식 모델링 프로그램, 즉 성능 우선 객체 인식 모델링 프로그램을 유지하고, 상기 성능 우선 객체 인식 모델링 프로그램에 기반한 객체 인식 수행 및 학습이 이루어지도록 한다(S230).
또한, 상기 S220 단계의 판단 결과, 재산출된 인식률 간의 차이가 미리 설정된 기준범위를 초과하지 않고 차이가 없으면, 선택 장치(100)는 현재 설정된 객체 인식 모델링 프로그램, 즉 성능 우선 객체 인식 모델링 프로그램을 시간 우선 객체 인식 프로그램으로 변경하고, 상기 변경된 시간 우선 객체 인식 모델링 프로그램에 기반한 객체 인식 수행 및 학습이 이루어지도록 한다(S231).
따라서, 새로운 객체 인식 모델링 프로그램을 이용하여 학습할 때, 처리속도와 인식률에 따라 최적화된 객체 모델을 선택하여 학습을 진행할 수 있고, 두 개의 객체 인식 모델링 프로그램이 인식률에 따라 주기적으로 대체하여 동작하므로 적정한 인식률의 유지와, 전류 효율을 향상시킬 수 있다.
상기와 같이, 본 발명의 바람직한 실시 예를 참조하여 설명하였지만 해당 기술 분야의 숙련된 당업자라면 하기의 특허청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
또한, 본 발명의 특허청구범위에 기재된 도면번호는 설명의 명료성과 편의를 위해 기재한 것일 뿐 이에 한정되는 것은 아니며, 실시예를 설명하는 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다.
또한, 상술된 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있으므로, 이러한 용어들에 대한 해석은 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
또한, 명시적으로 도시되거나 설명되지 아니하였다 하여도 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기재사항으로부터 본 발명에 의한 기술적 사상을 포함하는 다양한 형태의 변형을 할 수 있음은 자명하며, 이는 여전히 본 발명의 권리범위에 속한다.
또한, 첨부하는 도면을 참조하여 설명된 상기의 실시예들은 본 발명을 설명하기 위한 목적으로 기술된 것이며 본 발명의 권리범위는 이러한 실시예에 국한되지 아니한다.
100 : 선택 장치
110 : 영상 입력부
120 : 모델링 제어부
121 : 제1 모델링부
122 : 제2 모델링부
130 : 데이터베이스
110 : 영상 입력부
120 : 모델링 제어부
121 : 제1 모델링부
122 : 제2 모델링부
130 : 데이터베이스
Claims (8)
- 복수의 이미지들로 구성된 데이터 셋(Data set)을 인식률의 산출시에 시간을 우선으로 하는 하나 이상의 시간 우선 객체 인식 모델링 프로그램과 인식률을 우선으로 하는 하나 이상의 성능 우선 객체 인식 모델링 프로그램으로 구성된 복수의 객체 인식 모델링 프로그램에 각각 입력하여 개별 객체 인식 모델링 프로그램의 인식률을 산출하되, 상기 시간 우선 객체 인식 모델링 프로그램과 성능 우선 객체 인식 모델링 프로그램에서 산출된 인식률이 동일하거나 또는 산출된 인식률 간의 차이가 미리 설정된 기준 범위를 만족하면, 상기 인식률의 산출 속도가 가장 빠른 시간 우선 객체 인식 모델링 프로그램을 선택하여 객체 인식을 수행하고,
일정 주기마다 상기 시간 우선 객체 인식 모델링 프로그램과 성능 우선 객체 인식 모델링 프로그램의 인식률을 재산출하되, 재산출된 인식률이 동일하거나 또는 재산출된 인식률 간의 차이가 미리 설정된 기준 범위를 만족하면, 현재 설정된 시간 우선 객체 인식 모델링 프로그램을 유지하고, 상기 재산출된 인식률 간의 차이가 기준 범위를 초과하여 만족하지 않으면, 처리속도와 인식률에 따라 최적의 다른 객체 인식 모델링 프로그램으로 변경하여 객체 인식을 수행하는 것을 특징으로 하는 선택 장치(100)인 것을 특징으로 하는 최적화 모델 선택 장치. - 삭제
- 삭제
- 제 1 항에 있어서,
상기 선택 장치(100)는 데이터 셋을 입력하는 영상 입력부(110); 및
상기 데이터 셋을 인식률의 산출시에 시간을 우선으로 하는 하나 이상의 시간 우선 객체 인식 모델링 프로그램과 인식률을 우선으로 하는 하나 이상의 성능 우선 객체 인식 모델링 프로그램으로 구성된 복수의 객체 인식 모델링 프로그램에 각각 입력하여 개별 객체 인식 모델링 프로그램의 인식률을 산출하되, 상기 산출된 인식률에 기반하여 시간 우선 객체 인식 모델링 프로그램과 성능 우선 객체 인식 모델링 프로그램에서 산출된 인식률이 동일하거나 또는 산출된 인식률 간의 차이가 미리 설정된 기준 범위를 만족하면, 상기 인식률의 산출시에 시간을 우선으로 하는 시간 우선 객체 인식 모델링 프로그램을 선택하여 객체 인식을 수행하는 모델링 제어부(120)를 포함하고,
상기 모델링 제어부(120)는 일정 주기마다 상기 시간 우선 객체 인식 모델링 프로그램과 성능 우선 객체 인식 모델링 프로그램의 인식률을 재산출하되, 재산출된 인식률이 동일하거나 또는 재산출된 인식률 간의 차이가 미리 설정된 기준 범위를 초과하지 않고 만족하면, 현재 설정된 시간 우선 객체 인식 모델링 프로그램을 유지하고, 상기 재산출된 인식률 간의 차이가 기준 범위를 초과하여 만족하지 않으면, 처리속도와 인식률을 우선으로 하는 성능 우선 객체 인식 모델링 프로그램으로 변경하여 객체 인식을 수행하는 것을 특징으로 하는 최적화 모델 선택 장치. - 삭제
- a) 선택 장치(100)가 복수의 이미지들로 구성된 데이터 셋(Data set)을 인식률의 산출시에 시간을 우선으로 하는 하나 이상의 시간 우선 객체 인식 모델링 프로그램과 인식률을 우선으로 하는 하나 이상의 성능 우선 객체 인식 모델링 프로그램으로 구성된 복수의 객체 인식 모델링 프로그램에 각각 입력하여 개별 객체 인식 모델링 프로그램의 인식률을 산출하는 단계; 및
b) 상기 시간 우선 객체 인식 모델링 프로그램과 성능 우선 객체 인식 모델링 프로그램에서 산출된 인식률이 동일하거나 또는 산출된 인식률 간의 차이가 미리 설정된 기준 범위를 초과하지 않고 만족하면, 상기 선택 장치(100)가 인식률의 산출 속도가 가장 빠른 시간 우선 객체 인식 모델링 프로그램을 선택하여 객체 인식을 수행하는 단계;
c) 상기 선택 장치(100)가 일정 주기마다 상기 시간 우선 객체 인식 모델링 프로그램과 성능 우선 객체 인식 모델링 프로그램으로 데이터 셋을 입력하여 인식률을 재산출하는 단계; 및
d) 상기 재산출된 인식률이 동일하거나 또는 재산출된 인식률 간의 차이가 미리 설정된 기준 범위를 초과하지 않고 만족하면, 상기 선택 장치(100)가 현재 설정된 시간 우선 객체 인식 모델링 프로그램을 유지하고, 상기 재산출된 인식률 간의 차이가 기준 범위를 초과하여 만족하지 않으면, 처리속도와 인식률에 따라 최적의 다른 객체 인식 모델링 프로그램으로 변경하여 객체 인식을 수행하는 단계를 포함하는 최적화 모델 선택 방법. - 삭제
- 삭제
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200106128A KR102440073B1 (ko) | 2020-08-24 | 2020-08-24 | 최적화 모델 선택 장치 및 방법 |
PCT/KR2021/005179 WO2022045519A1 (ko) | 2020-08-24 | 2021-04-23 | 최적화 모델 선택 장치 및 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200106128A KR102440073B1 (ko) | 2020-08-24 | 2020-08-24 | 최적화 모델 선택 장치 및 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20220025435A KR20220025435A (ko) | 2022-03-03 |
KR102440073B1 true KR102440073B1 (ko) | 2022-09-05 |
Family
ID=80442750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200106128A KR102440073B1 (ko) | 2020-08-24 | 2020-08-24 | 최적화 모델 선택 장치 및 방법 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR102440073B1 (ko) |
WO (1) | WO2022045519A1 (ko) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116129731B (zh) * | 2022-12-29 | 2023-09-15 | 北京布局未来教育科技有限公司 | 人工智能模拟教学***与方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016522459A (ja) * | 2013-08-13 | 2016-07-28 | 三菱電機株式会社 | パターン認識装置およびパターン認識方法 |
JP2020077066A (ja) * | 2018-11-05 | 2020-05-21 | 株式会社リコー | 学習装置および学習方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150332167A1 (en) * | 2014-05-13 | 2015-11-19 | Tokyo Electron Limited | System and method for modeling and/or analyzing manufacturing processes |
KR101827108B1 (ko) * | 2016-05-04 | 2018-02-07 | 두산중공업 주식회사 | 플랜트 이상 감지 학습 시스템 및 방법 |
KR102383134B1 (ko) * | 2017-11-03 | 2022-04-06 | 삼성전자주식회사 | 우선 순위에 기반하여 이미지를 처리하는 전자 장치 및 그 동작 방법 |
KR102074073B1 (ko) | 2018-06-29 | 2020-03-02 | 한국교통대학교산학협력단 | 차량 인식 방법 및 이를 이용하는 장치 |
WO2020213750A1 (ko) * | 2019-04-16 | 2020-10-22 | 엘지전자 주식회사 | 객체를 인식하는 인공 지능 장치 및 그 방법 |
-
2020
- 2020-08-24 KR KR1020200106128A patent/KR102440073B1/ko active IP Right Grant
-
2021
- 2021-04-23 WO PCT/KR2021/005179 patent/WO2022045519A1/ko active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016522459A (ja) * | 2013-08-13 | 2016-07-28 | 三菱電機株式会社 | パターン認識装置およびパターン認識方法 |
JP2020077066A (ja) * | 2018-11-05 | 2020-05-21 | 株式会社リコー | 学習装置および学習方法 |
Also Published As
Publication number | Publication date |
---|---|
KR20220025435A (ko) | 2022-03-03 |
WO2022045519A1 (ko) | 2022-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10719743B2 (en) | License plate reader using optical character recognition on plural detected regions | |
EP3644236B1 (en) | Cnn-based learning method, learning device for selecting useful training data and test method, test device using the same | |
EP3044947B1 (en) | Automated selection of keeper images from a burst photo captured set | |
KR102385463B1 (ko) | 얼굴 특징 추출 모델 학습 방법, 얼굴 특징 추출 방법, 장치, 디바이스 및 저장 매체 | |
US20230196837A1 (en) | Action recognition method and apparatus, and device and storage medium | |
US11494886B2 (en) | Hierarchical multiclass exposure defects classification in images | |
US20040175058A1 (en) | System and method for adaptive video fast forward using scene generative models | |
US20060017825A1 (en) | Method and apparatus for effecting automatic red eye reduction | |
JP2008250908A (ja) | 映像判別方法および映像判別装置 | |
KR102476022B1 (ko) | 얼굴검출 방법 및 그 장치 | |
CN108182421A (zh) | 视频分割方法和装置 | |
CN111401374A (zh) | 基于多任务的模型训练方法、字符识别方法及装置 | |
JP2004282535A (ja) | 画角調整装置 | |
CN112383824A (zh) | 视频广告过滤方法、设备及存储介质 | |
KR102440073B1 (ko) | 최적화 모델 선택 장치 및 방법 | |
KR20130091441A (ko) | 물체 추적 장치 및 그 제어 방법 | |
JP6977624B2 (ja) | 物体検出装置、物体検出方法、およびプログラム | |
KR20190056873A (ko) | 다중 신경망을 활용한 객체 검출 장치 및 그 방법과, 객체 검출 학습 방법 | |
KR20080079443A (ko) | 영상으로부터의 객체 검출 방법 및 장치 | |
KR20140134549A (ko) | 연속 촬영 이미지에서의 고조점 이미지 추출 장치 및 방법 | |
JP6855175B2 (ja) | 画像処理装置、画像処理方法およびプログラム | |
CN113920168A (zh) | 一种音视频控制设备中图像跟踪方法 | |
KR20210089043A (ko) | 사용자 단말로부터 수신한 이미지에 대해 물체 인식을 수행할 물체 인식 모델을 선택하는 방법 및 상기 방법을 수행하는 물체 인식 서버 | |
CN112101331B (zh) | 一种安防视频融合调度方法及装置 | |
JP6789676B2 (ja) | 画像処理装置、画像処理方法およびプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |