회사 자료를 불러오는 중…
회사 자료를 불러오는 중…
검증 단계 — 어디까지 확인했나
L0 · 국민연금 인력 · 공시 재무 · 특허 — 공공자료
서울특별시에 있는 2018년 설립 회사입니다. 응용 소프트웨어 개발 및 공급업을 합니다. 2025년 그룹 연결 매출은 59.7억입니다. 자회사까지 합친 숫자이며 이 법인 하나의 매출이 아닙니다. 2026년 8월 기준 국민연금 가입자는 68명입니다. 외부감사를 받는 회사이고, 가장 최근 감사의견은 「적정」입니다.
읽어오는 중입니다…
최근 출원 2025-12-15 · 최근 등록 2026-09-29 · 최신 출원순
본 발명은 인공지능 학습을 위한 학습 데이터 세트를 생성하는 방법에 있어서, (a) 퍼블릭 데이터 세트에 포함된 적어도 하나의 초기 그라운드 트루스 어노테이션들을 가지는 적어도 하나의 학습 이미지에 대응되는 슈도 어노테이션 - 상기 슈도 어노테이션은 상기 학습 이미지를 캡셔닝한 이미지 캡션임 - 이 획득되면, 학습 데이트 세트 생성 장치가, 상기 슈도 어노테이션에서 명사구들을 파싱하며, 상기 파싱된 명사구들에서 피지컬 오브젝트에 대응되는 명사들을 추출하는 단계; (b) 상기 학습 데이터 생성 장치가, 상기 학습 이미지에서 상기 명사들에 대응되는 오브젝트들의 바운딩 박스들을 검출하고, 상기 검출된 바운딩 박스들 각각과 이에 대응되는 상기 명사들 각각을 참조하여 추가 그라운드 트루스 어노테이션들을 생성하며, 상기 추가 그라운드 트루스 어노테이션들을 상기 학습 이미지에 추가하는 단계; 및 (c) 상기 학습 데이터 생성 장치가, 상기 초기 그라운드 트루스 어노테이션들과 상기 추가 그라운드 트루스 어노테이션들을 참조하여 상기 학습 이미지에 대응되는 최종 그라운드 트루스 어노테이션들을 생성하는 단계; 를 포함하는 방법에 관한 것이다.
사용자 요구 사항의 유형화 및 결과 코드 데이터의 라이브러리화를 통해 효율적으로 신규 코드 데이터를 생성하는 방법에 관한 것으로서, 보다 상세하게는, (a) 사용자와 AI(Artificial Intelligence) 에이전트 간의 상호작용을 기록한 적어도 하나의 챗 로그 데이터가 획득되면, 상기 AI 에이전트가, 상기 적어도 하나의 챗 로그 데이터를 상호작용 단위별로 분해하여 청크 데이터들을 생성하고, 대형 언어 모델을 통해 상기 청크 데이터들 각각에 대한 요구 사항 데이터들 각각 및 초기 코드 데이터들 각각을 추출하며, 상기 요구 사항 데이터들 각각을 임베딩하여 요구 사항 임베딩 벡터들 각각을 생성하고, 상기 요구 사항 데이터들 각각, 상기 초기 코드 데이터들 각각, 및 상기 요구 사항 임베딩 벡터들 각각을 청크 데이터베이스에 저장하는 단계; (b) 상기 AI 에이전트가, 상기 청크 데이터베이스에 저장된 상기 요구 사항 임베딩 벡터들을 클러스터링하여 적어도 하나의 요구 사항별 클러스터들을 생성하고, 기설정된 임계 사이즈 이상의 어느 하나의 클러스터에 포함된 제1 요구 사항 임베딩 벡터에 대응되는 제1 요구 사항 데이터 내지 제n 요구 사항 임베딩 벡터에 대응되는 제n 요구 사항 데이터 - 상기 n은 2 이상의 정수임 - 를 상기 청크 데이터베이스로부터 획득하고, 상기 대형 언어 모델을 통해 상기 ...(이하생략)
본 발명에 따르면, 비전 언어 모델에 기반한 에이전트 모델을 학습하기 위한 학습 데이터를 생성하는 방법에 있어서, (a) 제품에 대한 불량 검수 기준 및 상기 제품에 대응되는 모델링 이미지가 획득되면, 데이터 생성 장치가, 상기 불량 검수 기준 및 상기 모델링 이미지를 디펙트 제너레이터로 입력하여, 상기 디펙트 제너레이터로 하여금, 상기 불량 검수 기준을 참조하여 디펙트 마스크 - 상기 디펙트 마스크는 상기 모델링 이미지 상에 적용될 디펙트의 유형 및 위치 정보를 포함함 - 를 생성하도록 하고, 상기 모델링 이미지에 적용될 소정의 기울기 및 회전에 대한 정보를 포함하는 렌더링 정보를 생성하도록 하며, 상기 불량 검수 기준, 상기 디펙트 마스크 및 상기 렌더링 정보를 포함하는 디펙트 파라미터를 획득하는 단계; (b) 상기 데이터 생성 장치가, (i) 상기 디펙트 제너레이터로 하여금, 상기 디펙트 파라미터를 참조하여 상기 모델링 이미지에 기반한 판별 대상 이미지를 생성하도록 하는 서브 프로세스 및 (ii) 상기 디펙트 파라미터를 다큐먼트 제너레이터에 입력하여, 상기 다큐먼트 제너레이터로 하여금, 상기 디펙트 파라미터를 참조하여 상기 판별 대상 이미지 디스크립션을 생성하도록 하고, 상기 불량 검수 기준 및 상기 판별 대상 이미지 디스크립션을 참조하여 툴 사용 계획 정보를 생성하도록 하며, 상기 툴 사용 ...(이하생략)
본 발명은 3D 기하학 기반으로 2D 이미지와 평면도를 정합하는 방법에 있어서, (a) 특정 공간 내에 설치된 카메라를 통해 촬영된 2D 이미지가 획득되면, 이미지 정합 장치가, 신경망 기반 기하 추정 모델(neural geometry estimation model)을 통해 추론된 상기 2D 이미지의 픽셀들 각각에 대한 3D 좌표값들을 참조하여 상기 2D 이미지를 3D 공간으로 확장한 이미지 3D 좌표계를 생성하고, 상기 특정 공간에 대한 평면도의 평면을 바닥 평면으로 하여 3D로 확장한 평면도 3D 좌표계를 생성하는 단계; (b) 상기 이미지 정합 장치가, 상기 이미지 3D 좌표계에서 인식된 제1 평면들과 상기 제1 평면들에 대응되는 상기 평면도 3D 좌표계에서의 제2 평면들 사이에서의 평면 대응 정보들, 및 상기 이미지 3D 좌표계에서의 3D 포인트들과 상기 3D 포인트들에 대응되는 상기 평면도 3D 좌표계에서의 2D 포인트들 사이에서의 라인 대응 정보들을 참조하여 상기 이미지 3D 좌표계와 상기 평면도 3D 좌표계 사이의 정합 정보를 생성하는 단계; 및 (c) 상기 이미지 정합 장치가, 상기 정합 정보를 참조하여 상기 2D 이미지의 상기 픽셀들 각각을 상기 평면도로 투영함으로써, 상기 2D 이미지와 상기 평면도 사이의 정합을 수행하는 단계;를 포함하는 방법에 관한 것이다.
본 발명은 VLM(Vision Language Model) 에이전트를 이용하여 제품의 불량을 검출하는 방법에 있어서, (a) 제품의 불량 판정 기준에 대한 텍스트 프롬프트와 카메라로부터 촬영된 상기 제품에 대한 판별 대상 이미지가 획득되면, VLM 에이전트가, 상기 판별 대상 이미지를 참조하여 상기 제품에 결함이 있는지를 확인하며, 상기 판별 대상 이미지에서 상기 결함이 적어도 하나 확인되면, 상기 텍스트 프롬프트에 포함된 상기 불량 판정 기준에 따라 상기 결함을 인스펙션하기 위한 제1 인스펙션 태스크 내지 제n 인스펙션 태스크 - 상기 n은 1 이상의 정수임 - 를 생성하는 단계; (b) 상기 VLM 에이전트가, 상기 제1 인스펙션 태스크 내지 상기 제n 인스펙션 태스크인 제p 인스펙션 태스크 - 상기 p는 1부터 상기 n까지 순차적으로 증가하는 정수임 - 에 따라 제p 인스펙션 툴로 상기 결함에 대한 제p 인스펙션을 요청하여, 상기 제p 인스펙션 툴로 하여금 상기 결함에 대한 상기 제p 인스펙션을 수행하도록 하고 상기 제p 인스펙션을 수행한 결과인 제p 인스펙션 결과를 전송하도록 함으로써, 제1 인스펙션 결과 내지 제n 인스펙션 결과를 획득하는 단계; 및 (c) 상기 VLM 에이전트가, 상기 제1 인스펙션 결과 내지 상기 제n 인스펙션 결과를 참조하여 상기 결함이 상기 불량 판정 기준에 해당되는...(이하생략)
본 발명에 따르면, 이미지에 대한 수도 라벨을 이용하여 비주얼 그라운딩 모델을 학습하는 방법에 있어서, (a) 학습 이미지, 상기 학습 이미지 상에 위치하는 적어도 하나의 제1 오브젝트에 대한 제1 오브젝트 바운딩 박스 및 제1 오브젝트 카테고리 네임 - 상기 제1 오브젝트 카테고리 네임은 상기 제1 오브젝트에 대한 코어스(coarse)-그레인드 카테고리 네임임 - 을 포함하는 적어도 하나의 GT 라벨, 및 상기 학습 이미지 상에 위치하는 적어도 하나의 제2 오브젝트 - 상기 제2 오브젝트는 상기 제1 오브젝트와 동일한 오브젝트이거나 서로 다른 오브젝트임 - 에 대한 제2 오브젝트 바운딩 박스 및 제2 오브젝트 카테고리 네임 - 상기 제2 오브젝트 카테고리 네임은 상기 제2 오브젝트에 대한 파인-그레인드 카테고리 네임임 - 을 포함하는 적어도 하나의 수도 라벨을 포함하는 적어도 하나의 학습 데이터가 획득되면, 학습 장치가, (i) 상기 학습 이미지와 상기 제1 오브젝트 카테고리 네임을 비주얼 그라운딩 모델에 입력하여, 상기 비주얼 그라운딩 모델로 하여금 (i-1) 텍스트 인코더를 통해 상기 제1 오브젝트 카테고리 네임을 임베딩한 제1 텍스트 임베딩 벡터를 생성하도록 하고, (i-2) 비주얼 인코더를 통해 상기 학습 이미지를 임베딩한 이미지 임베딩 벡터를 생성하도록 하며, (i-3) 디텍션 헤드를 통...(이하생략)
본 발명은 AI 기반의 기하 추정을 통해 카메라 캘리브레이션을 수행하는 방법에 있어서, (a) 적어도 하나의 카메라로부터 특정 공간을 서로 다른 각도에서 촬영한 제1 2D 이미지 내지 제n 2D 이미지 - 상기 n은 2 이상의 정수임 - 가 획득되면, 카메라 캘리브레이션 장치가, 상기 제1 2D 이미지 내지 상기 제n 2D 이미지 각각을 신경망 기반 기하 추정 모델(neural geometry estimation model)에 입력하여 상기 신경망 기반 기하 추정 모델로 하여금 상기 제1 2D 이미지에 대응되는 제1 피처맵 및 제1 기하 특징 정보 - 상기 제1 기하 특징 정보는 상기 제1 2D 이미지의 제1 픽셀들 각각에 대응되는 제1 3D 좌표값들 각각을 포함함 - 내지 상기 제n 2D 이미지에 대응되는 제n 피처맵 및 제n 기하 특징 정보 - 상기 제n 기하 특징 정보는 상기 제n 2D 이미지의 제n 픽셀들 각각에 대응되는 제n 3D 좌표값들 각각을 포함함 - 를 생성하도록 하는 단계; 및 (b) 상기 카메라 캘리브레이션 장치가, 상기 제1 피처맵 및 상기 제1 기하 특징 정보 내지 상기 제n 피처맵 및 상기 제n 기하 특징 정보를 SfM(Structure-from-Motion, SfM) 모델에 입력하여 상기 SfM 모델로 하여금 상기 제1 피처맵 및 상기 제1 기하 특징 정보 내지 상기 제n...(이하생략)
본 발명은 모노큘러(Monocular) 3D 오브젝트 디텍션 모델의 학습을 위한 학습 데이터를 생성하는 방법에 있어서, (a) 원본 이미지가 획득되면, 3D 오토 라벨링 장치가, (i) 2D 오브젝트 디텍션 모델을 통해 상기 원본 이미지에 대한 2D 오브젝트 디텍션을 수행하여 상기 원본 이미지 상의 적어도 하나의 오브젝트에 대응되는 2D 바운딩 박스 정보 - 상기 2D 바운딩 박스 정보는 상기 2D 바운딩 박스의 중심점 좌표와, 상기 2D 바운딩 박스의 폭 및 높이 정보를 포함함 - 및 클래스 정보를 획득하고, (ii) 방향 추정 모델을 통해 상기 2D 바운딩 박스의 중심점을 기준으로 상기 오브젝트의 방향 정보를 획득하며, (iii) 기설정된 클래스별 쉐이프(shape) 정보를 참조로 하여 상기 클래스 정보에 대응되는 오브젝트 쉐이프 정보를 획득하고, 상기 2D 바운딩 박스 정보와 상기 오브젝트 쉐이프 정보를 결합하여 상기 클래스 정보에 대응되는 3D 오브젝트 사이즈 정보를 획득하는 단계; (b) 상기 3D 오토 라벨링 장치가, 깊이 추정 모델을 통해 생성된 상기 원본 이미지에 대한 뎁스맵을 참조하여 획득된 상기 중심점의 깊이 정보, 상기 방향 정보 및 상기 3D 오브젝트 사이즈 정보를 참조하여 기설정된 가상 3D 공간 상에서 3D 바운딩 박스를 생성하는 단계; 및 (c) 상기 3D 오토 라벨링 장...(이하생략)
본 발명은 오브젝트 별 기하 특징을 활용한 시간-공간 GNN 기반으로 다중 카메라를 이용하여 다중 오브젝트를 트래킹하는 방법에 있어서, (a) 오브젝트 트래킹 장치가, 특정 공간 내에 설치된 제1 카메라 내지 제n 카메라 - n 은 2 이상이며, 상기 제1 카메라 내지 상기 제n 카메라는 서로 다른 뷰잉 프러스텀을 가짐 - 각각에서 현재 시각 t에서 촬영된 제1_t 프레임 상의 제1_t_1 오브젝트 내지 제1_t_i 오브젝트 각각에 대응되는 제1_t_1 오브젝트 디스크립터 내지 제1_t_i 오브젝트 디스크립터 - 상기 제1_t 프레임 상에 오브젝트가 존재하는 경우 i는 1 이상이며, 상기 제1_t_1 오브젝트 디스크립터 내지 제1_t_i 오브젝트 디스크립터 각각은 상기 제1_t_1 오브젝트 내지 상기 제1_t_i 오브젝트 각각에 대한 각각의 외형 특징 정보 및 각각의 기하 특징 정보를 포함하며, 상기 제1_t 프레임 상에 오브젝트가 존재하지 않는 경우 상기 제1_t_1 오브젝트 디스크립터 내지 상기 제1_t_i 오브젝트 디스크립터는 존재하지 않음 - 부터 제n_t 프레임 상의 제n_t_1 오브젝트 내지 제n_t_j 오브젝트 각각에 대응되는 제n_t_1 오브젝트 디스크립터 내지 제n_t_j 오브젝트 디스크립터 - 상기 제n_t 프레임 상에 오브젝트가 존재하는 경우 j는 1 이상이며, 상기 제n_t_1...(이하생략)
본 발명은 파인-그레인드(Fine-grained) 인스턴스 레이아웃(Instance Layout) 반영이 가능한 컨트롤러블(Controllable)한 이미지 생성 모델의 학습 방법에 관한 것으로서, 보다 상세하게는 (a) 학습용 이미지 및 학습용 타임스텝이 획득되면, 학습 장치가, 상기 학습용 이미지를 VAE(Variational Autoencoder)의 인코더에 입력하여 상기 VAE의 상기 인코더로 하여금 학습용 이미지 레이턴트(Image Latent)를 생성하도록 하고, 스케줄러(Scheduler)를 통해 상기 학습용 타임스텝에 따라 상기 학습용 이미지 레이턴트에 노이즈를 반복적으로 추가하도록 하여 학습용 노이지 이미지 레이턴트(Noisy Image Latent)를 생성하도록 하는 단계; (b) 상기 학습 장치가, 상기 학습용 이미지에 대응되는 학습용 시맨틱 마스크 및 학습용 이미지 캡션 - 상기 학습용 이미지 캡션은 상기 학습용 시맨틱 마스크에 대응되는 학습용 클래스에 대한 학습용 인스턴스 레벨 텍스트(Instance-level Text) 및 상기 학습용 이미지에 대응되는 학습용 글로벌 레벨(Global-level Text) 텍스트를 포함함 - 이 획득되면, 상기 학습용 시맨틱 마스크를 상기 VAE의 상기 인코더에 입력하여 상기 VAE의 인코더로 하여금 학습용 시맨틱 마스크 레이턴트(Seman...(이하생략)
본 발명은 인스턴스 레이아웃 기반으로 이미지를 생성하는 방법에 관한 것으로서, 보다 상세하게는 (a) 제1 인스턴스 레이아웃 - 상기 인스턴스 레이아웃은 클래스에 따라 생성하고자 하는 오브젝트의 배치나 구조를 나타냄 - 내지 제n 인스턴스 레이아웃 - 상기 n은 1 이상의 정수임 - 을 포함하는 원본 컨트롤 이미지와 이미지 캡션이 획득되면, 컴퓨팅 장치가, 상기 원본 컨트롤 이미지 및 상기 이미지 캡션을 조건형 이미지 생성 모델에 입력하여 상기 조건형 이미지 생성 모델로 하여금 상기 이미지 캡션을 참조하여 상기 원본 컨트롤 이미지의 상기 제1 인스턴스 레이아웃 내지 상기 제n 인스턴스 레이아웃 각각에 제1 오브젝트 내지 제n 오브젝트 각각을 합성한 이니셜 합성 이미지를 생성하도록 하는 단계; 및 (b) 상기 컴퓨팅 장치가, 제1 오브젝트 디텍션 모델을 통해 상기 이니셜 합성 이미지에 대하여 오브젝트 디텍션한 결과를 참조하여 상기 제1 인스턴스 레이아웃 내지 상기 제n 인스턴스 레이아웃 중에서 오검출 또는 미검출된 인스턴스 레이아웃이 있는지를 확인하며, 오검출 및 미검출된 인스턴스 레이아웃이 없을 경우에는 상기 이니셜 합성 이미지를 완성된 합성 이미지로 생성하며, 오검출 또는 미검출된 인스턴스 레이아웃이 있을 경우에는, 상기 이니셜 합성 이미지에서의 오검출 또는 미검출된 적어도 하나의 특정 인스턴스 ...(이하생략)
본 발명은 제1 오브젝트 디텍션 모델의 예측 결과에 기반하여 결정된 취약 데이터에 대해 제2 오브젝트 디텍션 모델의 성능을 평가하는 방법에 있어서, (a) 평가용 데이터셋으로부터 평가용 이미지들이 획득되면, 컴퓨팅 장치가, (i) 상기 평가용 이미지들 각각을 제1 오브젝트 디텍션 모델에 입력하여 상기 제1 오브젝트 디텍션 모델로 하여금 상기 평가용 이미지들 각각에 대한 오브젝트 디텍션을 수행하도록 하여 상기 평가용 이미지들 각각에서의 오브젝트들을 예측한 제1 예측 라벨들을 생성하도록 하고, (ii) 상기 제1 예측 라벨들과 상기 평가용 이미지들에 대응되는 그라운드 트루스 어노테이션들을 참조로 하여 상기 그라운드 트루스 어노테이션들 각각이 트루 포지티브(True Positive)에 해당되는지 여부를 판단하고, 판단 결과에 따라 상기 그라운드 트루스 어노테이션들을 상기 트루 포지티브(True Positive)에 대응되는 제1 그룹 그라운드 트루스 어노테이션들과 상기 트루 포지티브(True Positive)에 대응되지 않는 제2 그룹 그라운드 트루스 어노테이션들로 분류하는 단계; (b) 상기 컴퓨팅 장치가, (i) 상기 평가용 이미지들 각각을 제2 오브젝트 디텍션 모델에 입력하여 상기 제2 오브젝트 디텍션 모델로 하여금 상기 평가용 이미지들 각각에 대한 오브젝트 디텍션을 수행하도록 하여 상기 평가용 이미...(이하생략)
본 발명에 따르면, 식별 모델의 예측 불확실성에 기반하여 이미지를 생성하도록 이미지 생성 모델을 학습하는 방법에 있어서, (a) 적어도 하나의 원본 이미지 및 상기 원본 이미지를 증강하기 위한 에디팅 프롬프트가 획득되면, 학습 장치가, 상기 원본 이미지 및 상기 에디팅 프롬프트를 이미지 생성 모델에 입력하여 상기 이미지 생성 모델로 하여금 상기 원본 이미지에 상기 에디팅 프롬프트를 적용한 제1 합성 이미지 내지 제n 합성 이미지 - 상기 n은 2 이상의 정수임 - 를 생성하도록 하는 단계; (b) 상기 학습 장치가, 상기 제1 합성 이미지에 대한 식별 모델의 제1 불확실성 값 내지 상기 제n 합성 이미지에 대한 상기 식별 모델의 제n 불확실성 값을 생성하는 단계; 및 (c) 상기 학습 장치가, 상기 제1 불확실성 값 내지 상기 제n 불확실성 값을 참조하여 생성한 선호도 데이터 세트 및 상기 제1 불확실성 값 내지 상기 제n 불확실성 값을 참조하여 생성한 그룹 노말라이즈드 리워드 중 어느 하나를 이용한 선호도 학습을 통해 상기 이미지 생성 모델을 파인 튜닝하는 단계;를 포함하는 방법 및 이를 이용한 학습 장치가 개시된다.
본 발명은 에지 케이스 데이터 생성을 위한 캡션 리프레이징 모델을 학습하는 방법에 있어서, (a) 적어도 하나의 이미지 캡션이 획득되면, 학습 장치가, 상기 이미지 캡션을 캡션 리프레이징 모델로 입력하여 상기 캡션 리프레이징 모델로 하여금 상기 이미지 캡션을 리프레이징하도록 하여 상기 이미지 캡션에 대한 제1 리프레이즈드 캡션 내지 제n 리프레이즈드 캡션 - 상기 n은 2 이상의 정수임 - 을 생성하도록 하는 단계; (b) 상기 제1 리프레이즈드 캡션 내지 상기 제n 리프레이즈드 캡션 각각을 이미지 생성 모델에 입력하여 상기 이미지 생성 모델로 하여금 상기 제1 리프레이즈드 캡션에 대응되는 제1 합성 이미지 및 제1 수도 라벨 내지 상기 제n 리프레이즈드 캡션에 대응되는 제n 합성 이미지 및 제n 수도 라벨을 생성하도록 하고, 상기 제1 합성 이미지에 대한 식별 모델의 제1 식별 로스 내지 상기 제n 합성 이미지에 대한 상기 식별 모델의 제n 식별 로스를 생성하는 단계; 및 (c) 상기 학습 장치가, 상기 제1 식별 로스 내지 상기 제n 식별 로스를 참조하여 생성한 선호도 데이터 세트 및 상기 제1 식별 로스 내지 상기 제n 식별 로스를 참조하여 생성한 그룹 노말라이즈드 리워드 중 어느 하나를 이용한 선호도 학습을 통해 상기 캡션 리프레이징 모델을 파인 튜닝하는 단계; 를 포함하는 방법에 관한 것이...(이하생략)
본 발명에 따르면, 멀티 모달리티 프롬프트 기반의 비전 파운데이션 모델을 생성하는 방법이 개시된다. 구체적으로, 이니셜 모달리티 데이터를 인코딩하는 이니셜 프롬프트 인코더를 포함하는 이니셜 비전 파운데이션 모델이 사전 학습된 상태에서, 제1 모달리티 데이터를 인코딩하는 제1 프롬프트 인코더 내지 제n 모달리티 데이터를 인코딩하는 제n 프롬프트 인코더를 부착하고, 상기 이니셜 프롬프트 인코더의 임베딩 벡터와 상기 제1 프롬프트 인코더의 임베딩 벡터 사이의 디스틸레이션 로스 및 상기 제1 프롬프트 인코더 내지 상기 제n 프롬프트 인코더 각각 사이에서 산출된 얼라인먼트 로스를 활용하여 상기 제1 프롬프트 인코더 내지 상기 제n 프롬프트 인코더 각각을 파인 튜닝시킴으로써, 멀티 모달리티 프롬프트를 지원하는 비전 파운데이션 모델을 생성하는 방법에 관한 것이다.
본 발명은 확장된 크롭 이미지를 이용하여 입력 이미지 상의 적어도 하나의 객체를 검출하는 방법에 관한 것으로서, 보다 상세하게는 (a) 레퍼런스 이미지, 상기 레퍼런스 이미지 상에 위치하는 레퍼런스 객체에 대응되는 레퍼런스 객체 영역을 나타내는 오리지날 박스에 대한 정보, 및 입력 이미지가 획득되면, 컴퓨팅 장치가, 상기 오리지날 박스의 크기를 기설정된 조건에 따라 외측 영역으로 확장하여 확장된 박스를 생성하고, 상기 레퍼런스 이미지에서 상기 확장된 박스에 대응되는 영역을 크롭하여 확장된 크롭 이미지를 생성하며, 상기 확장된 크롭 이미지를 이미지 임베딩 모델에 입력하여 상기 이미지 임베딩 모델로 하여금, 상기 확장된 크롭 이미지를 임베딩하여 피처맵을 생성하도록 하며, 상기 피처맵에서 상기 오리지날 박스에 대응되는 대상 영역을 풀링하여 비주얼 프롬프트를 생성하도록 하는 단계; 및 (b) 상기 컴퓨팅 장치가, 상기 비주얼 프롬프트와 상기 입력 이미지를 비주얼 프롬프트 기반 객체 검출 모델로 입력하여 상기 비주얼 프롬프트 기반 객체 검출 모델로 하여금, 상기 비주얼 프롬프트를 참조하여 상기 입력 이미지에서 적어도 하나의 객체를 검출하도록 하는 단계;를 포함하는 방법이 개시된다.
본 발명에 따르면, 프롬프트 기반 오브젝트 디텍터를 이용하여 오브젝트 디텍션을 수행하는 방법에 있어서, (a) 적어도 제1 스테이지용 입력 이미지가 획득되면, 컴퓨팅 장치가, 상기 제1 스테이지용 입력 이미지를 제1 오브젝트 디텍터에 입력하여 상기 제1 오브젝트 디텍터로 하여금 상기 제1 스테이지용 입력 이미지에서 적어도 하나의 제1 오브젝트를 검출한 제1 오브젝트 디텍션 정보를 생성하도록 하는 단계; 및 (b) 제2 스테이지용 입력 이미지 - 상기 제2 스테이지용 입력 이미지는 상기 제1 스테이지용 입력 이미지와 동일하거나 다른 이미지임 - 가 획득되면, 상기 컴퓨팅 장치가, 제2 스테이지용 프롬프트 엔코더를 통해, 상기 제1 스테이지용 입력 이미지와 적어도 하나의 제1 오브젝트 위치 정보 - 상기 제1 오브젝트 위치 정보는, 상기 제1 오브젝트 디텍션 정보에 포함된 상기 적어도 하나의 제1 오브젝트에 대응됨 - 를 포함하는 제2 스테이지용 포지셔닝 관련 정보를 임베딩하거나, 상기 제1 스테이지용 입력 이미지에서 상기 적어도 하나의 제1 오브젝트 위치 정보에 대응되는 영역을 크롭한 제2 스테이지용 크롭 이미지를 임베딩하여, 제2 스테이지용 비주얼 프롬프트를 생성하고, 상기 제2 스테이지용 비주얼 프롬프트와 상기 제2 스테이지용 입력 이미지를 프롬프트 기반 오브젝트 디텍터인 제2 오브젝트 디텍터에 ...(이하생략)
본 발명은 머신 러닝 모델의 학습을 위한 학습 데이터를 생성하는 방법에 있어서, (a) 원본 이미지가 획득되면, 학습 데이터 생성 장치가, 상기 원본 이미지에 대한 캡셔닝을 수행하여 상기 원본 이미지에 대한 이미지 캡션을 생성하고, 상기 이미지 캡션에서 적어도 하나의 명사구를 추출하며, 상기 적어도 하나의 명사구를 참조하여 상기 원본 이미지에서 오픈 보캐뷸러리 오브젝트 디텍션을 수행하여 적어도 하나의 제1 카테고리 네임 및 제1 바운딩 박스를 포함하는 적어도 하나의 제1 수도(pseudo) 라벨을 생성하는 서브 프로세스, 및 상기 원본 이미지에서 적어도 하나의 오브젝트에 대응되는 적어도 하나의 프로포잘을 추출하고, 상기 적어도 하나의 프로포잘에 대응되는 적어도 하나의 리전(region) 디스크립션을 생성하여 적어도 하나의 제2 카테고리 네임 및 제2 바운딩 박스를 포함하는 적어도 하나의 제2 수도 라벨을 생성하는 서브 프로세스를 수행하는 단계; 및 (b) 상기 학습 데이터 생성 장치가, 기설정된 필터링 조건에 따라 상기 적어도 하나의 제1 수도 라벨 및 상기 적어도 하나의 제2 수도 라벨을 필터링하여 통합 수도 라벨을 생성하고, 상기 통합 수도 라벨을 상기 원본 이미지에 어노테이션하여 학습 데이터를 생성하는 단계; 를 포함하는 방법에 관한 것이다.
키-밸류 저장소를 이용하여 에이전틱 AI가 서비스를 제공하는 방법에 있어서, (a) 자연어 지시 데이터가 획득되면, 상기 에이전틱 AI가, LLM(Large Language Model)을 통해 상기 자연어 지시 데이터를 분석하여 상기 자연어 지시 데이터에 대응하여 수행되어야 하는 제1 작업 내지 제n 작업 - 상기 n은 1 이상의 정수임 - 을 결정하는 단계; (b) 상기 에이전틱 AI가, 상기 제1 작업 내지 상기 제n 작업 중 어느 하나인 제i 작업에 대하여, 셋-밸류 도구를 통해 상기 제i 작업을 수행하기 위한 제i 데이터가 키-밸류 저장소에 저장되도록 하고, 상기 제i 데이터에 대응되는 제i 키를 획득하는 단계; (c) 상기 에이전틱 AI가, 상기 제i 키를 이용하여 상기 제i 작업에 대응되는 제i 도구를 호출함으로써 상기 제i 도구로 하여금 (i) 겟-밸류 도구를 통해 상기 키-밸류 저장소로부터 상기 제i 키에 대응되는 상기 제i 데이터를 획득하도록 하고, (ii) 적어도 상기 제i 데이터를 이용하여 상기 제i 작업을 수행한 제i 작업 결과를 상기 에이전틱 AI로 전송하도록 하는 단계; 및 (d) 상기 에이전틱 AI가, 상기 i 가 1 내지 n 중에서 아직 수행되지 않은 인덱스에 대해 상기 (b) 단계 및 상기 (c) 단계를 반복하여, 상기 제1 작업 내지 상기 제n 작업에 대응되는 제1 ...(이하생략)
본 발명은 멀티턴(multi-turn)을 이용하여 AI 에이전트가 서비스를 제공하는 방법에 있어서, (a) 1부터 j까지 순차적으로 증가하는 정수 - 상기 j는 기설정된 1 이상의 정수임 - 인 p에 대하여, 사용자로부터 제p 서비스를 요청하기 위한 제p 쿼리가 획득되면, AI 에이전트가, 챗 히스토리에 저장된 제1 원본 메시지 내지 제(p-1) 원본 메시지와 상기 제p 쿼리를 분석 - 상기 p가 1인 경우에는 상기 제p 쿼리만 분석함 - 하여 제p 서비스를 제공하기 위한 제p 태스크를 결정하고, 상기 제p 태스크에 따라 적어도 하나의 데이터베이스로부터 상기 제p 서비스를 제공하는 데 필요한 제p 데이터를 획득하며, 상기 제p 데이터를 이용하여 상기 제p 쿼리에 대응되는 제p 응답을 생성하고 상기 사용자에게 상기 제p 응답을 제공하며, 제p 원본 메시지 - 상기 제p 원본 메시지는 (i) 상기 제p 쿼리에 대한 제p 쿼리 정보, (ii) 상기 제1 원본 메시지 내지 상기 제(p-1) 원본 메시지 및 상기 제p 쿼리를 분석하여 상기 제p 태스크를 결정하는 과정 및 상기 제p 데이터를 이용하여 상기 제p 응답을 생성하는 과정에 대한 제p 에이전트 동작 정보, 및 (iii) 상기 제p 응답에 대한 제p 응답 정보를 포함함 - 를 상기 챗 히스토리에 저장하는 제p 턴을 반복 수행하는 단계; (b) 상기 사...(이하생략)
본 발명은 사전 학습된 베이스 모델에 기반한 커스텀 모델을 학습하는 방법에 있어서, (a) 학습 장치가, 사전 학습된 제1 피처 추출 블록 내지 제n 피처 추출 블록 - 상기 n은 2 이상의 정수임 - 을 포함하는 베이스 모델, 제1 어댑션 블록 내지 제k 어댑션 블록 - 상기 k는 2 이상이며, 상기 n 이하인 정수임 -, 제1 레지듀얼 유닛 내지 제k 레지듀얼 유닛, 및 태스크 헤드 블록으로 구성되며, 특정 태스크를 수행하는 커스텀 모델에 학습 데이터를 입력하여, 상기 베이스 모델의 상기 제1 피처 추출 블록 내지 상기 제n 피처 추출 블록 각각을 통해 제1 중간 피처 내지 제n 중간 피처를 생성하고, 상기 제1 어댑션 블록 내지 상기 제k 어댑션 블록 각각을 통해 상기 제1 중간 피처 내지 상기 제n 중간 피처 중에서 선택된 제1 특정 중간 피처 내지 제k 특정 중간 피처 각각에서의 상기 베이스 모델에 대응되는 소스 도메인들을 상기 특정 태스크에 대응되는 타겟 도메인들로 변환한 제1 변환 피처 내지 제k 변환 피처 각각을 생성하는 단계; (b) 상기 학습 장치가, 상기 제1 레지듀얼 유닛을 통해 상기 제1 변환 피처에서 상기 특정 태스크를 위하여 추출한 제1 레지듀얼 피처와 상기 제1 변환 피처를 퓨전한 제1 퓨전 피처를 생성한 후, 제(i-1) 퓨전 피처와 제i 변환 피처 - 상기 i는 2 ...(이하생략)
본 발명은 딥러닝 모델의 학습을 위한 학습 데이터를 선별하는 방법에 있어서, (a) 학습 데이터 선별 장치가, 데이터 풀에 저장된 전체 학습 데이터에 포함된 다수의 학습 데이터 각각에 대응되는 각각의 적어도 하나의 개별 유형(attribute)들을 획득하고, 상기 전체 학습 데이터에 포함된 상기 다수의 학습 데이터 각각과 상기 개별 유형들을 매칭한 이분 그래프를 생성하는 단계; 및 (b) 상기 학습 데이터 선별 장치가, 상기 이분 그래프를 참조하여, 상기 전체 학습 데이터 중에서 상기 개별 유형들에 매칭되는 n개 - 상기 n은 1 이상의 정수임 - 의 학습 데이터를 선별하되, 상기 n개의 학습 데이터에 매칭되는 상기 개별 유형들 각각의 개수가 소정의 임계 편차 이내가 되도록 딥러닝 모델의 학습을 위한 상기 n개의 학습 데이터를 선별하는 단계; 를 포함하는 방법에 관한 것이다.
본 발명에 따르면, 저 프레임 속도 영상 상의 객체를 추적하는 방법에 있어서, (a) 영상 장치로부터 복수의 프레임으로 구성되는 영상이 획득하면, 객체 추적 장치가, (i) 상기 복수의 프레임 중 현재 시점에 대응되는 제t 프레임을 객체 탐지 네트워크에 입력하여, 상기 객체 탐지 네트워크로 하여금 상기 제t 프레임을 FPN(Feature Pyramid Network)에 입력하여 제1 스케일 내지 제k 스케일 - 상기 k는 2 이상의 정수임 - 각각에 대응되는 제1_1 피라미드 피쳐 맵 내지 제1_k 피라미드 피쳐 맵을 생성하도록 하고, 상기 제1_1 피라미드 피쳐 맵 내지 상기 제1_k 피라미드 피쳐 맵이 결합된 제1 결합 피쳐 맵에 대해 객체 탐지를 수행하여 상기 제1 프레임 상에 포함된 제1 객체들을 탐지함으로써, 상기 제1 객체들에 대응되는 제1 바운딩 박스들을 획득하며, 상기 제1 객체들에 대해 고유 아이디들을 부여하는 단계; 및 (b) 상기 객체 추적 장치가, (i) 상기 제t 프레임의 다음 프레임인 제t+1 프레임을 상기 객체 탐지 네트워크에 입력하여, 상기 객체 탐지 네트워크로 하여금 상기 제t+1 프레임을 상기 FPN에 입력하여 상기 제1 스케일 내지 상기 제k 스케일에 대응하는 제2_1 피라미드 피쳐 맵 내지 제2_k 피라미드 피쳐 맵을 생성하도록 하고, 상기 제2_1 피라미드 피쳐...(이하생략)
본 발명은 확장된 오브젝트 클래스를 검출하는 딥러닝 기반의 오브젝트 디텍터를 생성하는 방법에 있어서, (a) 제1 오브젝트들 중 적어도 하나가 포함된 제1 이미지들 각각에 상기 제1 오브젝트들의 제1 오브젝트 클래스들을 어노테이션하여 생성한 제1 트레이닝 데이터 셋을 이용한 학습에 의해, 제1 입력 이미지에서 상기 제1 오브젝트들을 검출하는 제1 오브젝트 디텍터를 생성한 상태에서, 제2 오브젝트들 중 적어도 하나가 포함된 제2 이미지들이 획득되면, 디텍터 생성 장치가, 상기 제2 이미지들 각각에 상기 제2 오브젝트들의 제2 오브젝트 클래스들을 어노테이션한 제2 트레이닝 데이터 셋을 생성하며, 상기 제2 트레이닝 데이터 셋을 이용한 학습에 의해 제2 입력 이미지에서 상기 제2 오브젝트들을 검출하는 제2 오브젝트 디텍터를 생성하는 단계; (b) 상기 디텍터 생성 장치가, (i) 상기 제1 트레이닝 데이터 셋의 상기 제1 이미지들을 상기 제2 오브젝트 디텍터로 입력하여 상기 제2 오브젝트 디텍터로 하여금 상기 제1 이미지들 각각에 포함된 상기 제2 오브젝트들을 검출하여 제2 오브젝트 디텍션 결과들을 출력하도록 하며, 상기 제2 오브젝트 디텍션 결과들을 참조하여 상기 제1 이미지들 각각에 검출된 상기 제2 오브젝트들에 대한 상기 제2 오브젝트 클래스들을 어노테이션하여 상기 제1 오브젝트 클래스들과 상기 제...(이하생략)
제1 오브젝트 클래스들을 검출하도록 학습된 오브젝트 디텍터를 제2 오브젝트 클래스들을 검출할 수 있도록 전이 학습하는 방법에 있어서, (a) 제1 학습 데이터 셋으로부터 상기 제1 오브젝트 클래스들에 대응되는 제1 오브젝트들을 적어도 하나 포함하는 제1 학습 이미지들이 획득되고, 컨벌루셔널 레이어에 의해 상기 제1 학습 이미지들 각각에 적어도 하나의 컨벌루션 연산이 적용되어 제1 특징 맵들이 출력되고, 제1 ROI(region of interest) 프로포잘 네트워크에 의해 상기 제1 특징 맵들 각각이 참조되어 상기 제1 학습 이미지들 각각에서의 오브젝트 영역들을 예측한 제1 ROI 프로포잘들이 출력되며, 풀링 레이어에 의해 상기 제1 특징 맵들 각각에서 상기 제1 ROI 프로포잘들에 대응되는 영역들 각각이 풀링됨으로써 제1 풀링된 특징 맵들이 출력되고, 제1 FC (fully-connected) 레이어에 의해 상기 제1 풀링된 특징 맵들에 제1 FC 연산이 적용되어 제1 FC 출력들이 생성되며, 제2 FC 레이어에 의해 상기 제1 FC 출력들에 제2 FC 연산이 적용되어 상기 제1 학습 이미지들 상의 오브젝트들에 대응되는 제1 클래스 예측 정보들 및 제1 리그레션 예측 정보들이 출력되고, 상기 제1 클래스 예측 정보 및 상기 제1 리그레션 예측 정보들에 각각 대응되는 제1 클래스 GT(ground...(이하생략)
컴퓨팅 장치 및 이를 구비하는 인공 지능 기반 영상 처리 서비스 시스템이 개시된다. 개시되는 일 실시예에 따른 분류 서비스 시스템은, 기계 학습(Machine Learning) 기법을 기반으로 콘텐츠 내에 포함된 객체의 검출, 상기 콘텐츠 내에 포함된 객체의 종류 판별, 및 상기 콘텐츠 내에 포함된 객체의 영역 표시 중 하나 이상을 수행하여 예비 라벨링을 수행하는 예비 라벨 서버, 예비 라벨링 된 콘텐츠를 콘텐츠 내 객체 종류 및 콘텐츠 내 검출되지 못한 객체의 존재 여부 중 하나 이상에 따라 분배 작업을 수행하는 분류 관리 서버, 및 분배 작업에 따라 예비 라벨링 된 콘텐츠를 수신하고, 검증자의 입력에 따라 예비 라벨링 된 콘텐츠를 검증하여 최종 라벨링을 수행하는 복수 개의 검증 단말을 포함한다.
특허청 KIPRIS · 2026-10-15 조회 · 최신 출원순 · 오른쪽은 등록일(등록 전은 출원일) · 전체 26건 중 26건 · 줄을 누르면 자세한 내용이 펼쳐집니다 ▾
지금은 공공자료(국민연금 · 전자공시 · 특허 · 명부 · 보도)만 있습니다. 회사가 IR Room에 자료를 내면 L1로 올라갑니다. 저희는 회사에 점수나 등급을 매기지 않습니다 — 어디까지 확인했는지만 적습니다.
| 단위 억원 | 2024 | 2025 |
|---|---|---|
| 영업수익(매출액) | 23.8 | 59.7 |
| 영업비용 | 94.0 | 144.6 |
| 영업이익(손실) | (70.2) | (84.9) |
| 영업외수익 | 1.7 | 1.2 |
| 기타이익 | 0.2 | 0.5 |
| 금융수익 | 1.5 | 0.7 |
| 영업외비용 | 25.4 | 115.5 |
| 기타손실 | 0.1 | 0.8 |
| 금융원가 | 25.3 | 114.6 |
| 법인세비용차감전순이익(손실) | (93.9) | (199.1) |
| 법인세비용 | — | 0.0 |
| 당기순이익(손실) | (93.9) | (199.1) |
매출은 59.7억으로 전년 대비 150.5% 증가한 것으로 나타났다.
영업이익률은 -142.2%로 전년 -294.7%에서 상승했다.
당기순이익은 -199.1억으로 나타났다.
여기 실린 것보다 깊은 자료가 필요하십니까. 추가 정보 요청 — 종합 검토보고서 · 가치평가 · Executive Teaser · IM · 경쟁사 분석 · 실사 의뢰. 고르시면 산출비용과 걸리는 기간을 메일로 안내드립니다.
공개 기사의 제목 · 링크만 싣습니다 · 저희가 확인한 내용이 아닙니다(원문 ↗) · 「증권사 전망」은 확정 실적 아님 · 2026-11-08 확인