Loading the company…
Loading the company…
㈜에이모
English name as filed with DART, Korea’s corporate disclosure system · Correct the English name ›
Last updated 2026-10-09 · Korean page ›
Verification level — how far we have checked
L0 · Public records — NPS workforce · filed financials · patents — public data
A company based in Gyeonggi, founded in 2016. Industry: Software & IT Services. Group consolidated revenue for 2025 was ₩2.2bn — this includes subsidiaries and is not the revenue of this entity alone. It has 7 employees enrolled in the National Pension Service (as of Aug 2026). It is externally audited; the latest audit opinion is “Disclaimer of opinion”.
Loading…
Latest filing 2024-02-01 · latest registration 2025-07-21 · newest first
본 발명은 다양한 영상 이미지들의 객체 정보를 결합하는 방법에 관한 것으로서, 사용자 기기로부터 제 1 영상 이미지의 객체 정보 결합 요청을 수신하는 단계, 상기 제 1 영상 이미지의 객체들의 정보를 관리하는 제 1 서브셋 정보를 호출하는 단계, 기준 영상 이미지 및 기준 영상 이미지의 서브셋의 기준 객체를 결정하는 단계, 각 서브셋 포함된 객체의 위치정보를 참조하여, 상기 제 1 영상 이미지의 제 1 서브셋을 상기 기준 영상 이미지의 기준 서브셋에 매핑하는 단계, 상기 제 1 서브셋에 포함된 객체들의 자세, 텍스쳐(texture) 및 광도노멀벡터를 보정하기 위해, 상기 제 1 서브셋에 포함된 각 객체와 상기 매핑된 기준 영상 이미지의 서브셋에 포함된 가장 근접한 객체를 결정하여, 상기 가장 근접한 객체의 운동벡터 참조하여, 상기 제 1 서브셋의 각 객체의 3D 자세를 조정하는 단계, 상기 제 1 서브셋에 포함된 객체들의 텍스쳐를 보정하기 위해 상기 매핑된 기준 영상 이미지의 상기 각 서브셋의 기준 객체의 픽셀 통계값을 참조하여, 상기 제 1 서브셋의 객체들의 픽셀 통계값이 일정 수준 이상 유사하도록 텍스쳐를 조정한 후, 상기 참조된 근접 객체의 광도노멀벡터를 참조하여, 일정 수준 이상의 유사한 광도 노멀벡터를 갖도록 조정하는 단계, 및 상기 조정 단계를 마친 제 1 서브셋에 포함된 객체들을 상기 ...(이하생략)
본 발명은 실시간 머신러닝 모델의 업데이트를 지원하는 방법에 관한 것으로서 실시간 머신러닝 모델의 업데이트를 지원하는 방법에 있어서, 객체 인식 머신러닝 어플리케이션 또는 주행 시나리오 머신러닝 어플리케이션이 중요 객체 및 위험 신호에 대한 이벤트를 수신하는 단계, 상기 객체 인식 머신러닝 어플리케이션이 상기 이벤트 발생 시점에서 일정 시간 동안 저장된 영상 이미지를 수신하는 단계, 상기 객체 인식 머신러닝 어플리케이션이, 제 1 객체 인식 임베딩 벡터를 생성하고, 객체 인식 확률값을 추출하여, 일정 수준 이상의 확률값을 만족하는 제 2 객체 인식 임베딩 벡터를 상기 주행 시나리오 머신러닝 어플리케이션으로 전송하는 단계, 상기 주행 시나리오 머신러닝 어플리케이션이, 상기 제 2 객체 인식 임베딩 벡터를 입력값으로 처리하여, 제 1 주행 시나리오 임베딩 벡터를 생성하고 상기 제 1 주행 시나리오 임베딩 벡터의 확률값을 계산하는 단계, 상기 주행 시나리오 머신러닝 어플리케이션이 일정 수준 이하의 확률값을 갖는 상기 제 2 주행 시나리오 임베딩 벡터를 추출하고, 상기 제 2 주행 시나리오에 포함된 객체 정보를 참조하여 상기 객체 인식 머신러닝 어플리케이션에 피드백 신호를 전송하는 단계를 포함하고, 상기 객체 인식 머신러닝 어플리케이션은 상기 피드백 신호의 포함된 객체 정보를 참조하여, 상기 제 1 객체 ...(이하생략)
본 발명은 영상 이미지에서 중첩 객체를 추적하는 방법에 관한 것으로서, 이벤트 정보를 수신하는 단계, 일정 시간 동안 영상 이미지를 수신하는 단계, 상기 수신한 영상 이미지를 일정 시간 간격으로 샘플링하여, 상기 샘플링된 이미지들의 해상도를 저해상도 이미지들로 변경하는 단계, 상기 저해상도 이미지들의 광도노멀벡터를 추출하고, 일정 수준 이하의 픽셀 밝기값을 갖는 그림자 영역들 및 일정 수준 이상의 픽셀 밝기값을 갖는 객체 영역들을 추출하는 단계, 연속적으로 샘플링된 상기 이미지에서, 동일한 서브셋의 상기 객체 영역들에 대하여, t-1 시간에 샘플링된 이미지의 각 객체 영역을, Affine 변환을 통해, t 시간에 샘플링된 이미지의 동일한 객체 영역과 매칭하여, 상기 각 객체의 Affine 변환의 스케일값을 결정하는 단계, 상기 동일한 서브셋의 각 객체와 가장 근접한 객체간의 스케일값의 차이가 일정 수준보다 큰 경우, 해당 객체를 다른 객체와 중첩된 객체로 결정하는 단계, 및 상기 이벤트를 전송한 기기 또는 제 3 기기로, 상기 다른 객체와 중첩된 객체 정보를 전송하는 단계를 포함하는 것을 특징으로 하며, 고해상도 영상을 저해상도 영상으로 변경하여 빠르게 객체 인식 영역을 선정함으로써, 데이터 처리를 개선할 수 있다.
본 발명은 영상 이미지에서 객체 인식 머신러닝 모델 및 주행 시나리오 머신러닝 모델을 생성하는 방법에 관한 것으로서, 영상 이미지에서 객체의 특징을 인식하여 머신러닝 학습을 위한 제 1 객체 인식 임베딩(embedding) 벡터를 생성하는 단계, 상기 제 1 객체 인식 임베딩 벡터를 입력값으로 사용하여, 합성곱 신경망(CNN: Convolution Neural Network) 머신러닝(machine-learning) 학습을 수행하고 객체 인식 머신러닝 모델을 생성하는 단계, 상기 객체 인식 머신러닝 모델 생성에 사용된 제 2 객체 인식 임베딩 벡터 및 미리 정해진 객체간의 연관 정보(sematic relation)를 정의한 주행 시나리오 룰을 이용하여, 제 1 그래프(graph) 임베딩 벡터를 생성하는 단계, 상기 제 1 그래프 임베딩 벡터를 입력값으로 사용하여, 그래프 신경망 머신러닝(GNN: graph neural network) 학습을 수행하고, 주행 시나리오 머신러닝 모델을 생성하는 단계를 포함하는 것을 특징으로 하며, 객체 인식 및 주행 시나리오가 별개의 머신러닝으로 학습되지만, 주행 시나리오의 머신러닝 모델의 신뢰성을 높여서, 상기 모델이 추출한 객체간 연관정보(sematic relation)를 이용하여, 객체 인식 오류를 검증할 수 있다.
본 발명은 영상 이미지에서 객체 인식 영역 및 객체 렌더링 해상도를 결정하는 방법에 관한 것으로서, 이벤트를 수신하는 단계, 객체가 인식된 시간을 기준으로 일정 시간 동안 저장된 영상 이미지를 수신하는 단계, 상기 수신한 영상 이미지를 일정 시간 간격으로 샘플링하여, 상기 샘플링된 영상 이미지의 해상도를 저해상도 이미지로 변경하는 단계, 상기 저해상도 이미지의 픽셀값을 분석하여, 광도노멀벡터를 추출하고, 일정 수준 이하의 밝기값을 갖는 그림자 영역들 및 일정 수준 이상의 밝기값을 갖는 제 1 객체 영역들을 추출하는 단계, 상기 그림자 영역들은 저해상도로, 상기 제 1 객체 영역들에 대하여 중간 해상도로 렌더링하는 정보를 저장하는 단계, 연속적으로 상기 샘플링된 영상 이미지들에 포함된 상기 제 1 객체 영역들에 대하여, 블러링(blurring) 커널을 적용하여, 일정 수준 이하의 블러링 노이즈를 갖는 제 2 객체들 추출하는 단계, 및 상기 제 2 객체들마다 아이디, 색깔, 위치정보, 운동벡터(motion vector), 고해상도 렌더링 정보 또는 3D 깊이 정보를 저장하는 단계를 포함하는 것을 특징으로 하며, 고해상도 영상을 저해상도 영상으로 변경하여 빠르게 객체 인식 영역을 선정함으로써, 데이터 처리를 개선할 수 있다.
본 발명은 GAN 머신러닝 학습방법을 이용한 주행 시나리오 머신러닝 모델 생성 방법에 관한 것으로서, 객체들의 계층구조를 나타내는 온톨로지(ontology)와 참값의 주행 시나리오를 호출하는 단계, 가중치를 반영하여, 상기 참값의 주행 시나리오 대비, 거짓 주행 시나리오 및 세미-주행 시나리오의 생성량을 결정하여 가상 주행 시나리오를 생성하는 단계, 상기 참값 주행 시나리오와 상기 가상 주행 시나리오의 속성맵을 생성하는 단계, 및 피드백 신호를 수신하여 손실함수값을 계산하고, 상기 피드백 신호 및 손실함수값을 참조하여 머신러닝 학습을 진행하는 단계를 포함하며, 상기 피드백 신호는, 상기 참값의 주행 시나리오와 상기 가상 주행 시나리오를 입력값에 대해, 각 주행 시나리오의 참값, 거짓으로 분류하는 예상값과 상기 속성맵의 차이로 결정되며, 상기 세미-주행 시나리오는 상기 온톨로지 및 상기 참값 주행 시나리오를 결합하여 생성되는 것을 특징으로 하며, 객체 인식 및 주행 시나리오가 별개의 머신러닝으로 학습되지만, 주행 시나리오의 머신러닝 모델의 신뢰성을 높여서, 상기 모델이 추출한 객체간 연관정보(sematic relation)를 이용하여, 객체 인식 오류를 검증할 수 있다.
본 발명은 주행 시나리오 머신러닝 모델 기반의 가상 영상 이미지 제공 방법에 관한 것으로서, 사용자가 선택한 가상 객체 및 위치 정보를 수신하는 단계, 영상 이미지에서 인식된 기준 객체 정보와 상기 수신한 가상 객체 정보를 이용하여, 제 1 객체 인식 임베딩 벡터 모듈을 생성하는 단계, 객체 인식 머신러닝 모델을 이용하여, 상기 제 1 객체 인식 임베딩 벡터를 처리하여, 일정 수준 이상의 객체 인식 확률값을 만족하는 객체를 추출하여, 제 2 객체 인식 임베딩 벡터를 생성하는 단계, 상기 제 2 객체 인식 임베딩 벡터를 이용하여, 제 1 주행 시나리오 임베딩 벡터를 구성하는 단계, 주행 시나리오 머신러닝 모델을 이용하여, 상기 제 1 주행 시나리오 임베딩 벡터를 처리하여, 일정 수준 이하의 주행 시나리오 확률값을 만족하는 제 2 주행 시나리오 임베딩 벡터를 추출하여, 상기 제 2 주행 시나리오 임베딩 벡터에 포함된 상기 가상 객체 정보를 참조하여, 상기 제 1 객체 인식 임베딩 벡터를 업데이트하거나, 일정 수준 이상의 주행 시나리오 확률값을 만족하는 제 3 주행 시나리오 임베딩 벡터를 추출하여, 상기 제 3 주행 시나리오 임베딩 벡터에 포함된 하나 이상의 상기 가상 객체 정보를 참조하여, 상기 영상 이미지에 하나 이상의 상기 가상 객체 정보를 삽입하는 단계, 및 상기 사용자에게 상기 가상 객체가 삽입...(이하생략)
본 발명은 영상 이미지에서 객체 정보 관리 및 가상 배경 생성 방법에 관한 것으로서, 사용자 기기가 상기 영상 이미지에 포함될 가상 배경 및 가상 배경의 위치를 결정하고, 해당 정보를 서버로 전송하는 단계, 상기 서버가 상기 가상 배경의 픽셀 통계값을 계산하는 단계, 상기 서버가 상기 영상 이미지의 각 서브셋의 기준 객체를 호출하는 단계, 상기 서버가 상기 가상 배경의 픽셀 통계값과 상기 각 서브셋의 기준 객체의 픽셀 통계값과의 차이를 계산하는 단계, 상기 서버가 상기 각 서브셋에 포함된 모든 객체에 대하여, 상기 각 픽셀 통계값의 차이가 일정 수준 내에서 제거되도록, 각 서브셋마다 픽셀 통계값을 조정하고, 상기 각 서브셋의 기준 객체의 광도 노멀벡터를 참조하여, 각 서브셋에 포함된 모든 객체의 광도 노멀벡터가 일정 수준 내에서 유사하도록, 각 서브셋에 포함된 모든 객체의 광도 노멀벡터를 조정하는 단계, 상기 서버가 상기 조정 단계를 수행하고 상기 가상 배경을 렌더링하고, 이후 상기 영상 이미지에 포함된 객체들을 렌더링하는 단계, 및 상기 서버가 상기 가상 배경이 포함된 상기 영상 이미지를 상기 사용자 기기로 전송하는 단계를 포함하는 것을 특징으로 하며, 객체 인식 영상 정보를 그룹별로 관리함으로써, 객체 인식, 가상 객체 및 배경을 용이하게 추가할 수 있고, 머신러닝 학습 데이터를 효과적으로 구축...(이하생략)
본 발명은 다양한 영상 이미지들의 객체 정보를 결합하는 방법에 관한 것으로서, 사용자 기기가 제 1 영상 이미지의 객체 정보 결합을 서버에 요청하는 단계, 상기 서버가 상기 제 1 영상 이미지의 객체들의 정보를 관리하는 제 1 서브셋 정보를 호출하는 단계, 상기 서버가 기준 영상 이미지 및 기준 영상 이미지의 서브셋의 기준 객체를 결정하는 단계, 상기 서버가, 각 서브셋 포함된 객체의 위치정보를 참조하여, 상기 제 1 영상 이미지의 제 1 서브셋을 상기 기준 영상 이미지의 기준 서브셋에 매핑하는 단계, 상기 서버가 상기 제 1 서브셋에 포함된 객체들의 자세, 텍스쳐(texture) 및 광도노멀벡터를 보정하기 위해, 상기 제 1 서브셋에 포함된 각 객체와 상기 매핑된 기준 서브셋에 포함된 가장 근접한 객체를 결정하여, 상기 가장 근접한 객체의 운동벡터 참조하여, 상기 제 1 서브셋의 각 객체의 3D 자세를 조정하는 단계, 상기 서버가 제 1 서브셋에 포함된 객체들의 텍스쳐를 보정하기 위해 상기 매핑된 기준 영상 이미지의 상기 각 서브셋의 기준 객체의 픽셀 통계값을 참조하여, 상기 제 1 서브셋의 객체들의 픽셀 통계값이 일정 수준 이상 유사하도록 텍스쳐를 조정한 후, 상기 참조된 근접 객체의 광도노멀벡터를 참조하여, 일정 수준 이상의 유사한 광도 노멀벡터를 갖도록 조정하는 단계, 및 상기 서버가 상기 ...(이하생략)
본 발명은 다양한 영상 이미지들의 객체 정보를 결합하는 방법에 관한 것으로서, 사용자 기기가 기준 영상 이미지와 제 1 영상 이미지의 객체 정보 결합을 서버에 요청하는 단계, 및 상기 사용자 기기가 상기 기준 영상 이미지와 제 1 영상 이미지의 객체 정보들이 결합된 영상 이미지를 수신하는 단계를 포함하고, 상기 서버가 상기 제 1 영상 이미지의 객체들의 정보를 관리하는 제 1 서브셋 정보를 호출하고, 상기 기준 영상 이미지의 서브셋의 기준 객체를 결정하고, 각 서브셋 포함된 객체의 위치정보를 참조하여, 상기 제 1 영상 이미지의 제 1 서브셋을 상기 기준 영상 이미지의 기준 서브셋에 매핑하고, 상기 제 1 서브셋에 포함된 객체들의 자세, 텍스쳐(texture) 및 광도노멀벡터를 보정하기 위해, 상기 제 1 서브셋에 포함된 각 객체와 상기 매핑된 기준 서브셋에 포함된 가장 근접한 객체를 결정하여, 상기 가장 근접한 객체의 운동벡터 참조하여, 상기 제 1 서브셋의 각 객체의 3D 자세를 조정하고, 제 1 서브셋에 포함된 객체들의 텍스쳐를 보정하기 위해 상기 매핑된 기준 영상 이미지의 상기 각 서브셋의 기준 객체의 픽셀 통계값을 참조하여, 상기 제 1 서브셋의 객체들의 픽셀 통계값이 일정 수준 이상 유사하도록 텍스쳐를 조정한 후, 상기 참조된 근접 객체의 광도노멀벡터를 참조하여, 일정 수준 이상의 유사한...(이하생략)
본 발명은 영상 이미지에서 객체 인식 및 가상 객체 생성 방법에 관한 것으로서, 사용자 기기로부터 영상 이미지에 가상 객체 및 가상 객체의 위치를 결정한 정보를 수신하는 단계, 상기 영상 이미지의 객체 정보를 저장한 서브셋에 상기 수신한 가상 객체 정보를 저장하는 단계, 상기 가상 객체의 자세, 텍스쳐(texture) 및 광도 노멀벡터를 보정하기 위해, 상기 가상 객체의 위치 정보를 참조하여, 상기 서브셋에 포함된 객체중에서 상기 가상 객체와 가장 근접한 객체를 결정하여, 상기 가장 근접한 객체의 운동벡터를 참조하여, 상기 가상 객체의 3D 자세를 조정하는 단계, 상기 가상 객체들의 텍스쳐를 보정하기 위해 상기 서브셋의 기준 객체의 픽셀 통계값을 참조하여, 상기 가상 객체의 픽셀 통계값이 일정 수준 이상 유사하도록 텍스쳐를 조정한 후, 상기 참조된 근접 객체의 광도 노멀벡터를 참조하여, 일정 수준 이상의 유사한 광도 노멀벡터를 갖도록 조정하는 단계, 상기 조정 단계를 수행하고 상기 가상 객체를 상기 영상 이미지에 투영시키는 단계, 및 상기 가상 객체가 포함된 상기 영상 이미지를 상기 사용자 기기로 전송하는 단계를 포함하는 것을 특징으로 하며, 객체 인식 영상 정보를 그룹별로 관리함으로써, 객체 인식, 가상 객체 및 배경을 용이하게 추가할 수 있고, 머신러닝 학습 데이터를 효과적으로 구축하여 ML 학...(이하생략)
본 발명은 머신러닝 모델을 이용하여 영상 이미지에 가상 객체를 삽입하는 방법에 관한 것으로서, 영상 이미지에서 객체의 특징을 인식하여 머신러닝 학습을 위한 제 1 객체 인식 임베딩(embedding) 벡터를 생성하는 단계, 상기 영상 이미지에 상기 가상객체들의 위치 정보를 이용하여, 가상객체 정보가 추가된 상기 제 1 객체 인식 임베딩 벡터를 업데이트 하는 단계, 상기 제 1 객체 인식 임베딩 벡터를, 합성곱 신경망 머신러닝(machine-learning) 학습 방법으로 생성된 객체 인식 머신러닝 모델의 입력값으로 이용하고, 상기 객체 인식 머신러닝 모델의 일정 수준 이상의 객체 인식 확률값을 만족하는 객체들로 구성된 제 2 객체 인식 임베딩 벡터를 추출하는 단계, 상기 제 2 객체 인식 임베딩 벡터를, 그래프 신경망 머신러닝(GNN: graph neural network) 학습으로 생성된 주행 시나리오 머신러닝 모델의 입력값으로 이용하여, 일정 수준 이상의 주행 시나리오 머신러닝 모델의 확률값을 만족하는 주행 시나리오 그래프 데이터를 추출하는 단계, 및 상기 추출된 그래프 데이터에 포함된 상기 하나 이상의 가상객체를 이용하여, 상기 영상 이미지에 가상객체를 삽입하는 단계를 포함하는 것을 특징으로 하며, 객체 인식 및 주행 시나리오가 별개의 머신러닝으로 학습되지만, 주행 시나리오의 머신러닝 모델의 ...(이하생략)
본 발명은 영상 이미지에서 객체 정보 관리 및 가상 배경 생성 방법에 관한 것으로서, 사용자 기기로부터 영상 이미지에 포함될 가상 배경 및 가상 배경의 위치정보를 수신하는 단계, 상기 가상 배경의 픽셀 통계값을 계산하는 단계, 상기 영상 이미지의 각 서브셋의 기준 객체를 호출하는 단계, 상기 가상 배경의 픽셀 통계값과 상기 각 서브셋의 기준 객체의 픽셀 통계값과의 차이를 계산하는 단계, 상기 각 서브셋에 포함된 모든 객체에 대하여, 상기 각 픽셀 통계값의 차이가 일정 수준 내에서 제거되도록, 각 서브셋마다 픽셀 통계값을 조정하고, 상기 각 서브셋의 기준 객체의 광도 노멀벡터를 참조하여, 각 서브셋에 포함된 모든 객체의 광도 노멀벡터가 일정 수준 내에서 유사하도록, 각 서브셋에 포함된 모든 객체의 광도 노멀벡터를 조정하는 단계, 상기 조정 단계를 수행하고 상기 가상 배경을 렌더링하고, 이후 상기 영상 이미지에 포함된 객체들을 렌더링하는 단계, 및 상기 가상 배경이 포함된 상기 영상 이미지를 상기 사용자 기기로 전송하는 단계를 포함하는 것을 특징으로 하며, 객체 인식 영상 정보를 그룹별로 관리함으로써, 객체 인식, 가상 객체 및 배경을 용이하게 추가할 수 있고, 머신러닝 학습 데이터를 효과적으로 구축하여 ML 학습 후, 모델을 생성 및 적용하여, 가상 객체 임베딩 벡터를 증강시켜 데이터 신뢰성을 검증한...(이하생략)
본 발명은 머신러닝을 이용하여 가상 객체를 삽입한 영상 이미지 제공 방법에 관한 것으로서, 사용자로부터 선택된 영상 이미지 및 하나 이상의 가상객체의 위치 정보를 전송하는 단계, 상기 사용자가 선택한, 상기 가상객체가 포함된 선택한 주행 시나리오 룰을 전송하는 단계, 상기 선택된 영상 이미지에 적어도 하나의 상기 가상객체가 포함된 수정된 영상 이미지를 수신하는 단계가 포함되고, 상기 수정된 영상 이미지에 포함된 가상객체는, 그래프 신경망 머신러닝(GNN: graph neural network) 학습으로 생성된 주행 시나리오 머신러닝 모델에서 일정 수준 이상의 주행 시나리오 확률값을 만족하는 주행 시나리오 그래프 데이터에 포함된 가상객체이며, 상기 신경망 머신러닝 학습에 이용된 객체 인식 임베딩 벡터는, 합성곱 신경망(CNN: Convolution Neural Network) 머신러닝(machine-learning) 학습 방법으로 객체 인식 머신러닝 모델을 이용하고, 상기 객체 인식 머신러닝 모델의 일정 수준 이상의 객체 인식 확률값을 만족하는 객체들로 구성된 것을 특징으로 하며, 객체 인식 및 주행 시나리오가 별개의 머신러닝으로 학습되지만, 주행 시나리오의 머신러닝 모델의 신뢰성을 높여서, 상기 모델이 추출한 객체간 연관정보(sematic relation)를 이용하여, 객체 인식 오류를 검증할 수 ...(이하생략)
본 발명은 영상 이미지에서 객체 정보 관리 및 가상 배경 생성 방법에 관한 것으로서, 상기 영상 이미지에 포함될 가상 배경 및 가상 배경 위치를 결정하고 서버로 전송하는 단계, 및 상기 가상 배경이 포함된 상기 영상 이미지를 수신하는 단계를 포함하고, 상기 서버가 상기 가상 배경의 픽셀 통계값과 상기 각 서브셋의 기준 객체의 픽셀 통계값과의 차이를 계산하여, 상기 영상 이미지에 포함된 각 서브셋에 포함된 모든 객체에 대하여, 상기 각 픽셀 통계값의 차이가 일정 수준 내에서 제거되도록, 각 서브셋마다 픽셀 통계값을 조정하고, 상기 각 서브셋의 기준 객체의 광도 노멀벡터를 참조하여, 상기 각 서브셋에 포함된 모든 객체의 광도 노멀벡터가 일정 수준 내에서 유사하도록, 각 서브셋에 포함된 모든 객체의 광도 노멀벡터를 조정하고, 상기 영상 이미지에 상기 가상 배경의 위치를 참조하여 가상 배경을 렌더링하고, 상기 픽셀 통계값과 광도 노멀벡터가 조정된 각 서브셋의 객체들의 객체 영역을 참조하여 렌더링하고, 상기 사용자 기기로 상기 렌더링된 영상 이미지를 이미지를 전송하는 것을 특징으로 하며, 객체 인식 영상 정보를 그룹별로 관리함으로써, 객체 인식, 가상 객체 및 배경을 용이하게 추가할 수 있고, 머신러닝 학습 데이터를 효과적으로 구축하여 ML 학습 후, 모델을 생성 및 적용하여, 가상 객체 임베딩 벡터를 증강...(이하생략)
본 발명은 주행 시나리오 머신러닝 모델을 이용한 가상 영상 이미지 제공 방법에 관한 것으로서, 사용자가 선택한 영상 이미지, 가상 객체 및 위치 정보를 제1 정보로 전송하는 단계, 상기 사용자가, 상기 가상 객체의 위치를 조정하거나 상기 가상 객체를 제외하는 제2 정보를 전송하는 단계, 및 상기 영상 이미지에 상기 제1 정보에 포함된 하나 이상의 가상 객체가 삽입된 가상 영상 이미지를 수신하는 단계를 포함하고, 상기 가상 영상 이미지에 포함된 가상 객체는, 상기 주행 시나리오 머신러닝 모델을 이용하여, 주행 시나리오 임베딩 벡터를 처리하여, 일정 수준 이상의 주행 시나리오 확률값을 만족하는 제 2 주행 시나리오 벡터에 포함된 가상 객체이며, 상기 제2 정보에 포함된 상기 가상 객체는, 주행 시나리오 머신러닝 모델을 이용하여, 주행 시나리오 임베딩 벡터를 생성하고 처리하여, 일정 수준 이하의 주행 시나리오 확률값을 가지는 제 1 주행 시나리오 임베딩 벡터에 포함된 가상 객체이며, 상기 주행 시나리오 임베딩 벡터는, 객체 인식 머신러닝 모델을 이용하여 상기 영상 이미지에 포함된 객체를 인식하여 객체 인식 임베딩 벡터를 구성하고, 상기 제1 정보 또는 상기 제2 정보를 이용하여 가상으로 구성하여 가상 객체 인식 임베딩 벡터를 생성하고, 상기 주행 시나리오 머신러닝 모델을 이용하여, 상기 객체 인식 임베딩...(이하생략)
본 발명은 영상 이미지에서 객체 인식 및 가상 객체 생성 방법에 관한 것으로서, 상기 영상 이미지에 가상 객체 및 가상 객체의 위치를 결정한 정보를 서버로 전송하는 단계, 및 상기 가상 객체가 포함된 상기 영상 이미지를 상기 서버로부터 수신하는 단계를 포함하고, 상기 서버는 상기 수신한 가상 객체 정보를 상기 영상 이미지의 객체 정보를 저장한 서브셋에 저장하여, 상기 가상 객체의 자세, 텍스쳐(texture) 및 광도 노멀벡터를 보정하기 위해, 상기 가상 객체의 위치 정보를 참조하여, 상기 서브셋에 포함된 객체중에서 상기 가상 객체와 가장 근접한 객체를 결정하고, 상기 가장 근접한 객체의 운동벡터를 참조하여, 상기 가상 객체의 3D 자세를 조정하고, 상기 서브셋의 기준 객체의 픽셀 통계값을 참조하여, 상기 가상 객체의 픽셀 통계값이 일정 수준 이상 유사하도록 텍스쳐를 조정한 후, 상기 참조된 근접 객체의 광도 노멀벡터를 참조하여, 일정 수준 이상의 유사한 광도 노멀벡터를 갖도록 조정하고, 상기 조정 단계를 마친 상기 가상 객체를 상기 영상 이미지에 투영시키는 것을 특징으로 하며, 객체 인식 영상 정보를 그룹별로 관리함으로써, 객체 인식, 가상 객체 및 배경을 용이하게 추가할 수 있고, 머신러닝 학습 데이터를 효과적으로 구축하여 ML 학습 후, 모델을 생성 및 적용하여, 가상 객체 임베딩 벡터를 증강...(이하생략)
본 발명은 주행 시나리오 머신러닝 모델을 이용한 가상 영상 이미지 제공 방법에 관한 것으로서, 영상 이미지에서 인식된 기준 객체 정보와 사용자가 선택한 가상 객체 정보를 이용하여, 제 1 객체 인식 임베딩 벡터를 생성하는 단계, 객체 인식 머신러닝 모델을 이용하여, 상기 제 1 객체 인식 임베딩 벡터를 처리하여, 일정 수준 이상의 객체 인식 확률값을 만족하는 객체를 추출하여, 제 2 객체 인식 임베딩 벡터를 생성하는 단계, 상기 제 2 객체 인식 임베딩 벡터를 이용하여, 제 1 주행 시나리오 임베딩 벡터를 구성하는 단계, 및 주행 시나리오 머신러닝 모델을 이용하여, 상기 제 1 주행 시나리오 임베딩 벡터를 처리하여, 일정 수준 이하의 주행 시나리오 확률값을 만족하는 제 2 주행 시나리오 임베딩 벡터를 추출하여, 상기 제 2 주행 시나리오 임베딩 벡터에 포함된 상기 가상 객체 정보를 참조하여, 상기 제 1 객체 인식 임베딩 벡터를 업데이트하거나, 일정 수준 이상의 주행 시나리오 확률값을 만족하는 제 3 주행 시나리오 임베뎅 벡터를 추출하여, 상기 제 3 주행 시나리오 임베딩 벡터에 포함된 하나 이상의 상기 가상 객체 정보를 참조하여, 상기 영상 이미지에 하나 이상의 상기 가상 객체 정보를 삽입하는 단계를 포함하는 것을 특징으로 하며, 객체 인식 영상 정보를 그룹별로 관리함으로써, 객체 인식, 가상 객...(이하생략)
본 발명은 머신러닝 모델을 이용하여 영상 이미지에 가상 객체를 삽입하는 방법에 관한 것으로서, 사용자가 선택한 영상 이미지 및 하나 이상의 가상객체의 위치 정보를 전송하는 단계, 상기 사용자가 선택한, 상기 가상객체가 포함된 선택한 주행 시나리오 룰을 전송하는 단계, 상기 영상 이미지에서 객체의 특징을 인식하여 머신러닝 학습을 위한 제 1 객체 인식 임베딩(embedding) 벡터를 생성하는 단계, 상기 영상 이미지에 상기 가상객체들의 위치 정보를 이용하여, 가상객체 정보가 추가된 상기 제 1 객체 인식 임베딩 벡터를 업데이트 하는 단계, 상기 제 1 객체 인식 임베딩 벡터를, 합성곱 신경망(CNN: Convolution Neural Network) 머신러닝(machine-learning) 학습 방법으로 생성된 객체 인식 머신러닝 모델의 입력값으로 이용하고, 상기 객체 인식 머신러닝 모델의 일정 수준 이상의 객체 인식 확률값을 만족하는 객체들로 구성된 제 2 객체 인식 임베딩 벡터를 추출하는 단계, 상기 제 2 객체 인식 임베딩 벡터를, 그래프 신경망 머신러닝(GNN: graph neural network) 학습으로 생성된 주행 시나리오 머신러닝 모델의 입력값으로 이용하여, 일정 수준 이상의 주행 시나리오 머신러닝 모델의 확률값을 만족하는 주행 시나리오 그래프 데이터를 추출하는 단계, 및 상기 추출...(이하생략)
본 발명은 영상 이미지에서 객체 인식 및 가상 객체 생성 방법에 관한 것으로서, 사용자 기기가 상기 영상 이미지에 가상 객체 및 가상 객체의 위치를 결정하고, 해당 정보를 서버로 전송하는 단계, 상기 서버가 상기 영상 이미지의 객체 정보를 저장한 서브셋에 상기 수신한 가상 객체 정보를 저장하는 단계, 상기 서버가 상기 가상 객체의 자세, 텍스쳐(texture) 및 광도 노멀벡터를 보정하기 위해, 상기 가상 객체의 위치 정보를 참조하여, 상기 서브셋에 포함된 객체중에서 상기 가상 객체와 가장 근접한 객체를 결정하여, 상기 가장 근접한 객체의 운동벡터를 참조하여, 상기 가상 객체의 3D 자세를 조정하는 단계, 상기 서버가 상기 가상 객체들의 텍스쳐를 보정하기 위해 상기 서브셋의 기준 객체의 픽셀 통계값을 참조하여, 상기 가상 객체의 픽셀 통계값이 일정 수준 이상 유사하도록 텍스쳐를 조정한 후, 상기 참조된 근접 객체의 광도 노멀벡터를 참조하여, 일정 수준 이상의 유사한 광도 노멀벡터를 갖도록 조정하는 단계, 상기 서버가 상기 조정 단계를 수행하고 상기 가상 객체를 상기 영상 이미지에 투영시키는 단계, 및 상기 서버가 상기 가상 객체가 포함된 상기 영상 이미지를 상기 사용자 기기로 전송하는 단계를 포함하는 것을 특징으로 하며, 객체 인식 영상 정보를 그룹별로 관리함으로써, 객체 인식, 가상 객체 및 배...(이하생략)
본 발명은 영상 이미지에서 객체 인식 영역 및 객체 렌더링 해상도를 결정하는 방법에 관한 것으로서, 사용자의 제 1 기기가 이벤트를 생성하고 전송하는 단계, 상기 사용자의 상기 제 1 기기가 객체를 인식한 후, 상기 객체가 인식된 시간을 기준으로 일정 시간 동안의 제 1 영상 이미지를 전송하는 단계, 및 상기 사용자의 제 2 기기가, 상기 영상 이미지에 포함된 객체들을 서로 다른 해상도로 렌더링하는 제 2 영상 이미지를 수신하는 단계를 포함하고, 상기 각 객체의 서로 다른 해상도의 결정은, 상기 제 1 영상 이미지를 일정 시간 간격으로 샘플링하고, 상기 샘플링된 이미지들을 저해상도 이미지들로 변환 후, 광도노멀벡터를 추출하여, 일정 수준 이하의 밝기값을 갖는 그림자 영역들 및 일정 수준 이상의 밝기값을 갖는 제 1 객체 영역들을 추출하여, 상기 그림자 영역들은 저해상도로 렌더링되는 정보를 저장하고, 상기 제 1 객체 영역들에 대하여 중간 해상도로 렌더링되는 정보를 저장하고, 상기 제 1 영상 이미지에서 연속적으로 상기 샘플링된 이미지들을 이용하여, 상기 제 1 객체 영역들에 대해 블러링(blurring) 커널을 적용하여, 일정 수준 이하의 블러링 노이즈를 갖는 객체 영역에 대해 고해상도로 렌더링되는 정보를 저장하는 것을 특징으로 하며, 고해상도 영상을 저해상도 영상으로 변경하여 빠르게 객체 인식 영...(이하생략)
본 발명은 영상 이미지에서 객체 인식 영역 및 객체 렌더링 해상도를 결정하는 방법에 관한 것으로서, 엣지 기기가 이벤트를 생성하고 서버로 전송하는 단계; 상기 엣지 기기가 객체를 인식한 후, 상기 객체가 인식된 시간을 기준으로 일정 시간 동안의 영상 이미지를 상기 서버로 전송하는 단계, 상기 서버가 상기 수신한 영상 이미지를 일정 시간 간격으로 샘플링하여, 상기 샘플링된 영상 이미지들의 해상도를 저해상도 이미지로 변경하는 단계, 상기 서버가 상기 저해상도 이미지의 픽셀값을 분석하여, 광도노멀벡터를 추출하고, 일정 수준 이하의 밝기값을 갖는 그림자 영역들 및 일정 수준 이상의 밝기값을 갖는 제 1 객체 영역들을 추출하는 단계, 상기 서버가 상기 그림자 영역들은 저해상도로, 상기 제 1 객체 영역들에 대하여 중간 해상도로 렌더링하는 정보를 저장하는 단계, 상기 서버가 상기 영상 이미지의 연속적으로 상기 샘플링된 이미지들에 포함된 상기 제 1 객체 영역들에 대하여, 블러링(blurring) 커널을 적용하여, 일정 수준 이하의 블러링 노이즈를 갖는 제 2 객체들 추출하는 단계, 및 상기 제 2 객체들마다 아이디, 색깔, 위치정보, 운동벡터(motion vector), 고해상도 렌더링 정보 또는 3D 깊이 정보를 저장하는 단계를 포함하는 것을 특징으로 하며, 고해상도 영상을 저해상도 영상으로 변경하여 빠르...(이하생략)
본 발명은 GAN 머신러닝 학습방법을 이용한 주행 시나리오 머신러닝 모델 생성 방법에 관한 것으로서, 참값 주행 시나리오와 가상 주행 시나리오에 대한 속성맵을 호출하는 단계, 상기 참값의 주행 시나리오와 가상 주행 시나리오를 입력값으로, 각 주행 시나리오에 대해 참값 또는 거짓으로 예상하는 예상값을 결정하는 단계, 상기 속성맵과 상기 예상값의 차이로 손실함수의 결과값을 결정하는 단계, 미리 설정된 학습율과 상기 손실함수 결과값을 참조하여 머신러닝 학습을 수행하는 단계, 및 상기 손실함수 결과값 또는 상기 예상값을 피드백 신호로 전송하는 단계를 포함하고, 상기 세미-주행 시나리오는 객체들의 계층구조를 나타내는 온톨로지(ontology) 및 상기 참값 주행 시나리오를 결합하여 생성되고, 상기 가상 주행 시나리오는 거짓 주행 시나리오 및 상기 세미-주행 시나리오로 구성되는 것을 특징으로 하며, 객체 인식 및 주행 시나리오가 별개의 머신러닝으로 학습되지만, 주행 시나리오의 머신러닝 모델의 신뢰성을 높여서, 상기 모델이 추출한 객체간 연관정보(sematic relation)를 이용하여, 객체 인식 오류를 검증할 수 있다.
본 발명은 GAN 머신러닝 학습방법을 이용한 주행 시나리오 머신러닝 모델 생성 방법에 관한 것으로서, 생성기가 객체들의 계층구조를 나타내는 온톨로지(ontology)와 참값의 주행 시나리오를 호출하는 단계, 상기 생성기가 상기 생성기의 가중치를 반영하여, 상기 참값 주행 시나리오 대비, 거짓 주행 시나리오 및 세미-주행 시나리오를 생성량을 결정하여 가상 주행 시나리오를 생성하고, 상기 참값 주행 시나리오와 상기 가상 주행 시나리오의 속성맵을 생성하는 단계, 판별기가 상기 참값의 주행 시나리오와 가상 주행 시나리오를 입력값으로, 각 주행 시나리오에 대해 참값 또는 거짓으로 예상하는 예상값을 결정하는 단계, 상기 판별기가 상기 속성맵과 상기 예상값의 차이로 손실함수 결과값을 결정하는 단계, 상기 판별기가 학습율과 상기 손실함수 결과값을 참조하여 머신러닝 학습을 수행하는 단계, 상기 생성기가 상기 판별기의 손실함수 결과값을 참조하여 상기 생성기의 가중치를 조정하는 단계, 상기 생성기가, 상기 판별기가 참값으로 판단한 세미-주행 시나리오를 참값 시나리오로 업데이트 단계를 포함하고, 상기 판별기의 손실함수 결과값은 일정 수준을 만족하고, 상기 세미-주행 시나리오는 상기 온톨로지 및 상기 참값 주행 시나리오를 결합하여 상기 생성기에서 생성되는 것을 특징으로 하며, 객체 인식 및 주행 시나리오가 별개의 머신러닝...(이하생략)
본 발명은 영상 이미지에서 중첩 객체를 추적하고 디스플레이하는 방법에 관한 것으로서, 사용자의 제 1 기기가 이벤트를 생성하고 서버로 전송하는 단계, 상기 사용자의 상기 제 1 기기가 객체를 인식한 후, 상기 객체가 인식된 시간을 기준으로 일정 시간 동안의 영상 이미지를 전송하는 단계, 및 상기 사용자의 제 2 기기가 상기 영상 이미지에서 인식된 객체들간의 중첩된 객체 정보 수신하여 디스플레이 하는 단계를 포함하고, 상기 객체들간의 중첩된 객체에 대한 정보는, 상기 서버에서 전송된 영상 이미지를 일정 시간 간격으로 샘플링하여, 상기 샘플링된 이미지들의 해상도를 저해상도 이미지들로 변경하고, 상기 서버에서 저해상도 이미지들의 광도노멀벡터를 추출하여, 일정 수준 이하의 픽셀 밝기값을 갖는 그림자 영역들 및 일정 수준 이상의 픽셀 밝기값을 갖는 객체 영역들을 분류하여, 상기 서버에서 연속적으로 샘플링된 상기 이미지에서, 동일한 서브셋의 상기 객체 영역들에 대하여, t-1 시간에 샘플링된 이미지의 각 객체 영역을, Affine 변환을 통해, t 시간에 샘플링된 이미지의 동일한 객체 영역과 매칭하여, 상기 각 객체의 Affine 변환의 스케일값을 결정하고, 상기 동일한 서브셋의 각 객체와 가장 근접한 객체간의 스케일값의 차이가 일정 수준보다 큰 경우, 해당 객체를 다른 객체와 중첩된 객체로 결정하는 것을 특...(이하생략)
본 발명은 영상 이미지에서 중첩 객체를 추적하고 디스플레이하는 방법에 관한 것으로서, 엣지 기기가 이벤트를 생성하고 서버로 전송하는 단계, 상기 엣지 기기가 객체를 인식한 후, 상기 객체가 인식된 시간을 기준으로 일정 시간 동안의 영상 이미지를 상기 서버로 전송하는 단계, 상기 서버가 상기 수신한 영상 이미지를 일정 시간 간격으로 샘플링하여, 상기 샘플링된 이미지들의 해상도를 저해상도 이미지들로 변경하는 단계, 상기 서버가 상기 저해상도 이미지들의 광도노멀벡터를 추출하고, 일정 수준 이하의 픽셀 밝기값을 갖는 그림자 영역들 및 일정 수준 이상의 픽셀 밝기값을 갖는 객체 영역들을 추출하는 단계, 상기 서버가 연속적으로 샘플링된 상기 이미지에서, 동일한 서브셋의 상기 객체 영역들에 대하여, t-1 시간에 샘플링된 이미지의 각 객체 영역을, Affine 변환을 통해, t 시간에 샘플링된 이미지의 동일한 객체 영역과 매칭하여, 상기 각 객체의 Affine 변환의 스케일값을 결정하는 단계, 상기 서버가 상기 동일한 서브셋의 각 객체와 가장 근접한 객체간의 스케일값의 차이가 일정 수준보다 큰 경우, 해당 객체를 다른 객체와 중첩된 객체로 결정하는 단계, 및 상기 서버가 상기 엣지 기기 또는 제 3 기기로, 상기 다른 객체와 중첩된 객체 정보를 전송하는 단계를 포함하는 것을 특징으로 하며, 고해상도 영상을 저해...(이하생략)
본 발명은 실시간 머신러닝 모델의 업데이트를 지원하는 방법에 관한 것으로서, 엣지 기기가 객체 인식 머신러닝 모델 또는 주행 시나리오 머신러닝 모델을 이용하여 이벤트를 생성하고 서버-A 또는 서버-B로 전송하는 단계, 상기 엣지 기기가 객체를 인식한 후, 상기 객체가 인식된 시간을 기준으로 일정 시간 동안의 영상 이미지를 상기 서버-A에 전송하는 단계, 상기 서버-A가 상기 객체 인식 머신러닝 모델을 이용하여, 제 1 객체 인식 임베딩 벡터를 생성하고, 객체 인식 확률값을 추출하여, 일정 수준 이상의 확률값을 만족하는 제 2 객체 인식 임베딩 벡터를 상기 서버-B로 전송하는 단계, 상기 서버-B가 상기 주행 시나리오 머신러닝 모델을 이용하여, 상기 제 2 객체 인식 임베딩 벡터를 입력값으로 처리하여, 제 1 주행 시나리오 임베딩 벡터를 생성하고 상기 제 1 주행 시나리오 임베딩 벡터의 확률값을 계산하는 단계, 및 상기 서버-B가 일정 수준 이하의 확률값을 갖는 상기 제 2 주행 시나리오 임베딩 벡터를 추출하고, 상기 제 2 주행 시나리오에 포함된 객체 정보에 대한 피드백 신호를 상기 서버-A에 전송하는 단계를 포함하고, 상기 서버-A는 상기 피드백 신호의 포함된 객체 정보를 참조하여, 상기 제 1 객체 인식 임베딩 벡터를 최적화하는 것을 특징으로 하며, 고해상도 영상을 저해상도 영상으로 변경하여 빠...(이하생략)
본 발명은 실시간 머신러닝 모델의 업데이트 방법에 관한 것으로서, 객체 인식 머신러닝 모델 또는 주행 시나리오 머신러닝 모델을 이용하여 이벤트를 생성하고 전송하는 단계, 상기 객체 인식 머신러닝 모델을 이용하여 객체를 인식한 후, 상기 객체가 인식된 시간을 기준으로 일정 시간 동안의 영상 이미지를 전송하는 단계, 업데이트된 객체 인식 머신러닝 모델 또는 주행 시나리오 머신러닝 모델을 수신하여 상기 각각의 머신러닝 모델을 업데이트 단계를 포함하고, 상기 이벤트는 중요 객체가 인식된 경우, 소리 및 빛의 변화가 일정 수준 이상인 경우 경우, 또는 충돌 위험 가능성이 높은 경우에 생성되어 전송되고, 상기 객체 인식 머신러닝 모델은, 상기 주행 시나리오 머신러닝 모델로부터 피드백 신호를 수신하여, 객체 인식 임베딩 벡터를 최적화하여 머신러닝 학습을 수행하여 상기 업데이트된 객체 인식 머신러닝 모델을 생성하고, 상기 주행 시나리오 머신러닝 모델은 상기 최적화된 객체 인식 임베딩 벡터를 이용하여, 주행 시나리오 임베딩 벡터를 생성하고, 상기 주행 시나리오 임베딩 벡터의 확률값을 계산하여, 일정 수준 이하의 확률값을 갖는 하나 이상의 주행 시나리오 벡터에 포함된 객체 정보를 참조하여 상기 피드백 신호를 생성하는 것을 특징으로 하며, 고해상도 영상을 저해상도 영상으로 변경하여 빠르게 객체 인식 영역을 선정함으로써...(이하생략)
본 발명은 객체 인식 머신러닝 모델 및 주행 시나리오 머신러닝 모델을 이용하여 영상 이미지를 취득하고 분석하는 방법에 관한 것으로서, 엣지 기기가 제 1 서버로, 상기 객체 인식 머신러닝 모델을 이용하여 영상 이미지에서 객체의 특징을 인식한 경우, 현재 시간을 기준으로 일정 시간동안 촬영된 영상 이미지를 전송하는 단계, 상기 엣지 기기가 제 2 서버로, 상기 영상 이미지에서 주행 시나리오 머신러닝 모델을 이용하여 주행 시나리오가 인식된 경우, 현재 시간을 기준으로 일정 시간동안 인식된 상기 주행 시나리오와 매칭되는 상기 인식된 객체간의 연관 정보를 전송하는 단계, 상기 제 1 서버가 상기 수신한 영상 이미지에서 객체의 특징을 인식하여 머신러닝 학습을 위한 제 1 객체 인식 임베딩(embedding) 벡터를 생성하는 단계, 상기 제 1 서버가 상기 제 1 객체 인식 임베딩 벡터를 입력값으로 사용하여, 합성곱 신경망(CNN: Convolution Neural Network) 머신러닝(machine-learning) 학습을 수행하고 객체 인식 머신러닝 모델 및 제 2 객체 인식 임베딩 벡터를 생성하는 단계, 상기 제 1 서버가 상기 제 2 객체 인식 임베딩 벡터를 상기 제 2 서버에 전송하는 단계, 상기 제 2 서버가 상기 제 2 객체 인식 임베딩 벡터 및 미리 정해진 상기 객체간의 연관 정보(semat...(이하생략)
본 발명은 객체 인식 머신러닝 모델 및 주행 시나리오 머신러닝 모델 이용하여 영상 이미지를 취득하는 방법에 관한 것으로서, 영상 이미지에서 상기 객체 인식 머신러닝 모델을 이용하여 객체의 특징이 인식된 경우, 현재 시간을 기준으로 일정 시간동안 촬영된 상기 영상 이미지를 서버로 전송하는 단계, 상기 영상 이미지에서 상기 주행 시나리오 머신러닝 모델을 이용하여 주행 시나리오가 인식된 경우, 현재 시간을 기준으로 일정 시간동안 인식된 상기 주행 시나리오와 매칭되는 객체간의 연관 정보를 상기 서버로 전송하는 단계, 상기 서버로부터 상기 객체 인식 머신러닝 모델 및 상기 주행 시나리오 머신러닝 모델을 수신하고 업데이트하는 단계를 포함하고, 상기 객체 인식 머신러닝 모델은 합성곱 신경망(CNN: Convolution Neural Network) 머신러닝 학습 방법으로 생성되고, 상기 주행 시나리오 머신러닝 모델은 그래프 신경망 (GNN: graph neural network) 머신러닝 학습 방법으로 생성되는 것을 특징으로 하며, 객체 인식 및 주행 시나리오가 별개의 머신러닝으로 학습되지만, 주행 시나리오의 머신러닝 모델의 신뢰성을 높여서, 상기 모델이 추출한 객체간 연관정보(sematic relation)를 이용하여, 객체 인식 오류를 검증할 수 있다.
본 발명은 포인트 클라우드의 클러스터링 맵을 생성하는 방법 및 장치에 관한 것이다. 본 발명의 일 실시예에 따른 포인트 클라우드의 클러스터링 맵을 생성하는 방법은, 적어도 하나의 포인트 클라우드 프레임을 포함하는 포인트 클라우드 데이터를 획득하는 단계, 포인트 클라우드 프레임에 포함된 복수의 포인트들 중, 바닥면에 대응하는 포인트들을 바닥면 클러스터로 군집화하는 단계, 포인트 클라우드 프레임에 포함된 복수의 포인트들 중, 바닥면 클러스터로 군집화되지 않은 포인트들을 복수의 1차 클러스터들로 군집화하는 단계, 복수의 1차 클러스터들 중, 미리 정해진 개수를 초과한 포인트들을 포함하는 클러스터가 존재하는 경우, 클러스터에 포함된 포인트들을 복수의 2차 클러스터들로 군집화하는 단계, 복수의 1차 클러스터들을 기초로 한 1차 클러스터링 맵을 생성하는 단계, 및 복수의 2차 클러스터들을 기초로 한 2차 클러스터링 맵을 생성하는 단계를 포함한다.
본 발명은 포인트 클라우드의 클러스터링 맵을 생성하는 방법 및 장치에 관한 것이다. 본 발명의 일 실시예에 따른 포인트 클라우드의 클러스터링 맵을 생성하는 방법은, 적어도 하나의 포인트 클라우드 프레임을 포함하는 포인트 클라우드 데이터를 획득하는 단계, 포인트 클라우드 프레임에 포함된 복수의 포인트들 중, 바닥면에 대응하는 포인트들을 바닥면 클러스터로 군집화하는 단계, 포인트 클라우드 프레임에 포함된 복수의 포인트들 중, 바닥면 클러스터로 군집화되지 않은 포인트들을 복수의 1차 클러스터들로 군집화하는 단계, 복수의 1차 클러스터들 중, 미리 정해진 개수를 초과한 포인트들을 포함하는 클러스터가 존재하는 경우, 클러스터에 대응하는 포인트들을 복수의 2차 클러스터들로 군집화하는 단계, 복수의 1차 클러스터들을 기초로 한 1차 클러스터링 맵을 생성하는 단계, 및 복수의 2차 클러스터들을 기초로 한 2차 클러스터링 맵을 생성하는 단계를 포함한다.
본 발명은 이미지 데이터 셋에서 학습 대상 이미지 프레임을 선별하는 방법 및 장치에 관한 것이다. 본 발명의 일 실시예에 따른 이미지 데이터 셋에서 학습 대상 이미지 프레임을 선별하는 방법은 시계열적으로 연속된 복수의 이미지 프레임들로 구성된 이미지 데이터 셋을 획득하는 단계, 복수의 이미지 프레임들 각각에서 이미지 데이터 셋에 포함된 복수의 객체들 각각에 대한 좌표 정보를 획득하는 단계, 복수의 객체들 중 미리 정해진 수의 객체를 평가 대상 객체로 선정하는 단계, 복수의 이미지 프레임들 각각에서 평가 대상 객체 각각에 대한 평가 점수를 산출하는 단계, 및 복수의 이미지 프레임들 중, 평가 대상 객체 각각에 대해 산출된 평가 점수들의 평균값이 미리 정해진 값 이상인 이미지 프레임을 학습 대상 이미지 프레임으로 선별하는 단계를 포함한다.
본 발명은 인스턴스 레이어를 생성하는 방법 및 장치에 관한 것이다. 본 발명의 일 실시예에 따른 인스턴스 레이어를 생성하는 방법은, 세그멘테이션된 데이터에 포함된 복수의 인스턴스들 각각에 할당된 클래스가 수정 대상 클래스인지 판단하는, 클래스 판단 단계, 수정 대상 클래스가 할당된 인스턴스의 영역을 수정하는, 인스턴스 수정 단계, 및 수정 대상 클래스가 아닌 클래스가 할당된 인스턴스를 수정된 인스턴스 상에 오버랩하는, 인스턴스 오버랩 단계를 포함한다.
본 발명은 폴리곤 간소화 방법 및 이를 수행하는 장치에 관한 것으로서, 구체적으로는 AI를 이용하여 이미지 내에 포함된 객체를 인식함에 있어서, 객체에 대응하는 폴리곤 정보를 획득하고, 획득한 폴리곤에 대하여 간소화를 수행하는 폴리곤 간소화 장치 및 방법에 관한 것이다. 본 발명의 일 실시예에 따르면, 폴리곤 간소화 방법은 장치는 간소화의 대상이 되는 폴리곤 정보를 획득하는 단계 및 상기 폴리곤 정보로 이루어진 폴리곤에 대한 간소화를 수행하는 단계를 포함할 수 있다.
본 발명은 증발원에 관한 것이다. 본 발명의 일 실시예에 따른 노이즈 레이블을 필터링하는 방법은, 사전에 세그먼트(segment) 레이블링(labeling)된 복수의 레이블 인스턴스(instance)들을 포함하는, 적어도 하나의 학습 데이터를 준비하는, 학습 데이터 준비 단계, 학습 데이터를 이용하여 세그멘테이션(segmentation) 모델을 학습시키는, 모델 학습 단계, 세그멘테이션 모델을 이용하여 학습 데이터에 포함된 복수의 인스턴스들을 추론하는, 인스턴스 추론 단계, 세그멘테이션 모델에 의해 추론된 복수의 인스턴스들 각각에 대한 수치 및 추론된 복수의 인스턴스들 각각과 대응되는 복수의 레이블 인스턴스들 각각에 대한 수치로부터, 복수의 레이블 인스턴스들 각각에 대한 추론의 정확도를 산출하는, 추론 정확도 산출 단계, 및 복수의 레이블 인스턴스들 각각에 대한 추론의 정확도를 미리 설정된 임계값과 각각 비교하는, 노이즈 레이블 판단 단계를 포함한다.
본 발명은 영상에서 학습 대상 이미지 프레임을 선별하는 방법 및 장치에 관한 것이다. 본 발명의 일 실시예에 따른 영상에서 학습 대상 이미지 프레임을 선별하는 방법은 이동체에 배치된 복수의 센서들로부터 획득된 운행 정보를 수신하는, 운행 정보 수신 단계, 운행 정보를 이용하여 매 이미지 프레임마다 이동체에 대한 움직임 정보를 획득하는, 움직임 정보 획득 단계, 움직임 정보 및 움직임 정보에 대응하는 미리 설정된 임계값을 비교하는, 움직임 정보 비교 단계, 및 움직임 정보가 임계값 이상일 경우, 움직임 정보에 대응하는 이미지 프레임을 학습 대상 이미지 프레임으로 선별하는, 학습 대상 이미지 프레임 선별 단계를 포함하고, 운행 정보는 시계열적으로 연속된 복수의 이미지 프레임들로 구성된 영상을 포함한다.
본 발명은 영상에서 검수 대상 이미지 프레임을 선택하는 방법 및 장치에 관한 것이다. 본 발명의 일 실시예에 따른 영상에서 검수 대상 이미지 프레임을 선택하는 방법은 적어도 하나의 객체를 포함하는 시계열적으로 연속된 이미지 프레임들로 구성된 영상을 수신하는, 영상 수신 단계, 및 이미지 프레임들 중 적어도 하나의 이미지 프레임에 포함된 제1 객체에 대한 객체정보를 획득하는, 객체정보 획득 단계를 포함하되, 객체정보는, 이미지 프레임들 중 제1 이미지 프레임에서 제1 객체가 차지하는 넓이 비율, 및 제1 이미지 프레임의 직전 이미지 프레임에서의 제1 객체의 넓이에 대한 제1 이미지 프레임에서의 제1 객체의 넓이 변화율을 포함하고, 제1 객체의 넓이 비율이 미리 설정된 넓이 비율 임계값 이상인지 비교하는, 넓이 비율 비교 단계, 제1 객체의 넓이 변화율이 미리 설정된 넓이 변화율 임계값 이상인지 비교하는, 넓이 변화율 비교 단계, 및 제1 객체의 넓이 비율이 넓이 비율 임계값 이상이고 제1 객체의 넓이 변화율이 넓이 변화율 임계값 이상인 경우, 제1 이미지 프레임을 검수 대상 이미지 프레임으로 선택하는, 이미지 프레임 선택 단계를 더 포함한다.
본 발명은 오류가 의심되는 바운딩 박스를 검출하는 방법 및 이를 수행하는 컴퓨터 장치에 관한 것이다. 본 발명의 일 실시예에 따른 오류가 의심되는 바운딩 박스를 검출하는 방법은 작업자에 의해 검수가 완료된 데이터 세트를 이용하여, 제1 인공지능 모델 및 제2 인공지능 모델을 각각 학습시키는 단계, 학습된 제1 인공지능 모델을 통해 검수 예정 이미지 파일을 추론하고, 학습된 제2 인공지능 모델을 통해 검수 예정 이미지 파일을 추론하는 단계, 제1 인공지능 모델에 의해 검수 예정 이미지 파일로부터 추론된 제1 추론 파일로부터 제1 추론 바운딩 박스의 좌표를 추출하고, 제2 인공지능 모델에 의해 검수 예정 이미지 파일로부터 추론된 제2 추론 파일로부터 제2 추론 바운딩 박스의 좌표를 추출하는 단계, 작업 결과 파일의 작업 결과 바운딩 박스를 제1 추론 바운딩 박스 및 제2 추론 바운딩 박스와 각각 비교하여 IoU(Intersection over Union)를 산출하는 단계, IoU를 기초로, 작업 결과 바운딩 박스를 제1 추론 바운딩 박스 및 제2 추론 바운딩 박스에 각각 매핑(mapping)하는 단계, 및 매핑된 작업 결과 바운딩 박스와 제1 추론 바운딩 박스의 IoU, 및 매핑된 작업 결과 바운딩 박스와 제2 추론 바운딩 박스의 IoU를 미리 결정된 임계값과 비교하여, 오류가 의심되는 바운딩 박스를 ...(이하생략)
본 발명은 누락되거나 잘못된 바운딩 박스 작업 결과를 검출하는 방법 및 이를 수행하는 컴퓨터 장치에 관한 것이다. 본 발명의 일 실시예에 따른 누락되거나 잘못된 바운딩 박스 작업 결과를 검출하는 방법은 작업자에 의해 검수가 완료된 데이터 세트를 이용하여, 제1 인공지능 모델 및 제2 인공지능 모델을 각각 학습시키는 단계, 학습된 제1 인공지능 모델을 통해 검수 예정 이미지 파일을 추론하고, 학습된 제2 인공지능 모델을 통해 검수 예정 이미지 파일을 추론하는 단계, 제1 인공지능 모델에 의해 검수 예정 이미지 파일로부터 추론된 제1 추론 파일로부터 제1 추론 바운딩 박스의 좌표를 추출하고, 제2 인공지능 모델에 의해 검수 예정 이미지 파일로부터 추론된 제2 추론 파일로부터 제2 추론 바운딩 박스의 좌표를 추출하는 단계, 제1 추론 파일 중 하나의 제1 추론 바운딩 박스를 선택하여, 선택된 제1 추론 바운딩 박스의 좌표와 작업 결과 파일의 작업 결과 바운딩 박스들 각각의 좌표 사이의 작업 결과 IoU(Intersection over Union)를 산출하는 단계, 제1 추론 파일 내의 모든 제1 추론 바운딩 박스 각각에 대하여, 제1 추론 바운딩 박스들 각각의 좌표와 제2 추론 바운딩 박스들 각각의 좌표를 비교하여 서로 매핑(mapping)하는 단계, 및 제1 추론 바운딩 박스들과 제2 추론 바운딩 박스...(이하생략)
본 발명은 이미지 파일의 바운딩 박스 작업의 난이도를 예측하는 방법 및 이를 수행하는 컴퓨터 장치에 관한 것이다. 본 발명의 일 실시예에 따른 이미지 파일의 바운딩 박스 작업의 난이도를 예측하는 방법은 복수의 이미지 파일들을 포함하는 데이터 세트에서 이미지 파일 각각으로부터 어노테이션(annotation) 정보를 추출하는 단계, 어노테이션 정보로부터 이미지 파일에 포함된 인스턴스의 수 및 인스턴스에 대응하는 바운딩 박스(bounding box)의 좌표를 추출하는 단계, 바운딩 박스의 좌표를 기초로, 이미지 파일의 전체 면적에 대한 바운딩 박스 각각의 면적의 비율을 산출하는 단계, 바운딩 박스의 좌표를 기초로, 이미지 파일 내의 바운딩 박스 각각마다 겹쳐진 바운딩 박스의 수를 산출하는 단계, 이미지 파일에서 바운딩 박스 각각의 면적의 비율의 평균값 및 겹쳐진 바운딩 박스의 수의 평균값을 산출하는 단계, 복수의 이미지 파일 각각에 대한 인스턴스의 수, 바운딩 박스 각각의 면적의 비율의 평균값 및 겹쳐진 바운딩 박스의 수의 평균값을 기초로, 제1 데이터 프레임을 생성하는 단계, 제1 데이터 프레임의 이미지 파일 각각에 대해 난이도 그룹을 결정하는 단계, 난이도 그룹에 포함된 이미지 파일 각각의 난이도 값을 산출하는 단계, 난이도 그룹 각각에 대해, 난이도 그룹에 포함된 이미지 파일을 난이도 값을 기준으로...(이하생략)
본 발명은 인공지능 모델을 이용하여 바운딩 박스를 추론하는 방법 및 바운딩 박스를 추론하는 컴퓨터 장치에 관한 것이다. 본 발명의 일 실시예에 따른 인공지능 모델을 이용하여 바운딩 박스를 추론하는 방법은 복수의 인스턴스들 또는 인스턴스들에 대응하는 바운딩 박스(bounding box)의 좌표를 포함하는 추론대상 데이터 세트를 준비하는 단계, 추론대상 데이터 세트에 포함된 바운딩 박스에 대응하는 신뢰 점수 벡터(confidence score vector)를 산출하는 단계, 신뢰 점수 벡터 중에서 가장 높은 점수를 갖는 클래스를 제1 클래스로 결정하는 단계, 제1 클래스가 모호한 바운딩 박스 또는 고스트 바운딩 박스에 해당하는지 여부를 확인하는 단계, 및 제1 클래스가 모호한 바운딩 박스 또는 고스트 바운딩 박스에 해당하는 경우, 바운딩 박스에 대응하는 인스턴스를 재검토 대상으로 분류하거나 삭제하는 단계를 포함한다.
본 발명은 학습 데이터 세트를 생성하는 방법 및 학습 데이터 세트를 생성하기 위한 컴퓨터 장치에 관한 것이다. 본 발명의 컴퓨터 장치가 인공지능 모델을 학습시키기 위한 학습 데이터 세트를 생성하는 방법은 초기 데이터를 생성하는 단계, 초기 데이터를 기초로 미리 결정된 수의 학습대상 데이터 세트를 생성하는 단계, 학습대상 데이터 세트로부터 제1 데이터 세트를 추출하는 단계, 학습대상 데이터 세트로부터 제2 데이터 세트를 생성하는 단계, 및 제1 데이터 세트 및 제2 데이터 세트를 병합하여, 학습 데이터 세트를 생성하는 단계를 포함한다.
본 발명은 동영상을 요약하는 방법 및 장치에 관한 것이다. 본 발명의 동영상을 요약하는 방법은 동영상 파일로부터 음성 데이터와 이미지 데이터를 분리하는 단계, 단위 시간마다 음성 데이터 및 이미지 데이터를 샘플링하여, 샘플링된 음성 데이터로부터 음성 특징 벡터(feature vector)를 추출하고, 샘플링된 이미지 데이터로부터 이미지 특징 벡터를 추출하는 단계, 음성 특징 벡터로부터 특징값을 계산하여, 특징값이 임계값보다 작은 구간에서 최소값을 갖는 시점을 추출하는 단계, 최소값을 갖는 시점을 기준으로 동영상 파일을 분할하여, 1-레벨(1-level) 장면을 생성하는 단계, 1-레벨 장면의 구간마다 음성 특징 벡터 및 이미지 특징 벡터 사이의 유사도를 계산하여 동영상 특징 매트릭스(feature matrix)를 생성하는 단계, 동영상 특징 매트릭스를 기초로 생성된 비용함수값이 최소가 되는 구간을 기준으로 1-레벨 장면을 병합하여 상위레벨(higher-level) 장면을 생성하는 단계, 상위레벨 장면마다 우선순위를 산출하는 단계, 및 상위레벨 장면별 우선순위 중에서 우선순위가 높은 상위레벨 장면을 동영상 파일 내에서의 시간적 순서로 배열하여 요약 동영상을 생성하는 단계를 포함한다.
본 발명은 바운딩 박스 생성 장치 및 그를 이용한 바운딩 박스 생성 방법을 개시한다. 본 발명의 바운딩 박스 생성 장치 및 방법은 이미지를 출력하는 출력부, 제1입력을 수신하는 입력부, 상기 제1입력의 기울기를 추출하고, 추출된 제1입력의 기울기에 기초하여 상기 이미지에서 특정 영역을 구획하는 바운딩 박스를 생성하는 제어부를 포함하므로, 기울어진 객체에 대한 바운딩을 효율적으로 할 수 있다.
본 발명에 따른 일 실시예에 따른 인공지능을 이용한 크라우드 아웃소싱 작업 분배 방법은 인공지능 모듈에 의해 제어되는 프로세서가 작업이 필요한 작업 대상 데이터의 작업 대상 영역을 설정하여 작업 데이터를 생성하는 작업 데이터 생성 단계; 통신부가 상기 작업 데이터를 인터넷에 접속된 복수의 작업자 단말 중 일부 작업자 단말에게 송신하는 송신 단계; 및 상기 통신부로 상기 복수의 작업자 단말로부터 상기 작업 데이터에 대한 작업이 완료된 상기 완료 데이터가 수신되는 경우, 상기 완료 데이터에 기초하여 상기 인공지능 모듈을 학습시키는 수신 및 학습 단계;를 포함하는 작업 데이터 분배 및 수신 단계를 상기 복수의 작업자 단말 중 기 설정된 수의 단말에게 송신할 때 또는 상기 작업 대상 데이터에 대한 작업이 완료될 때까지 반복하는 단계를 포함한다.
본 발명의 일 실시예에 따른 인공지능을 이용한 크라우드 아웃소싱 작업 관리 장치는, 복수의 작업자 단말로 작업 데이터를 송신하고, 상기 복수의 작업자 단말로부터 완료 데이터를 수신하는 통신부, 상기 복수의 작업자 단말로 송신할 상기 작업 데이터를 생성하고, 상기 복수의 작업자 단말로부터 수신된 상기 완료 데이터들을 검수하는 연산을 수행하도록 구성된 프로세서, 및 상기 프로세서의 연산 동작을 제어하는 인공지능 모듈이 저장된 메모리를 포함하고, 상기 인공지능 모듈은 작업 대상 데이터의 작업 대상 영역을 설정하여 상기 작업 데이터를 생성하고, 상기 복수의 작업자 단말로부터 상기 작업 데이터에 대한 작업이 완료된 상기 완료 데이터가 수신되는 경우, 복수의 작업자별 작업에 대한 정확도, 성향 및 작업 난이도를 판단하고, 상기 복수의 작업자별 상기 정확도 및 상기 작업 난이도에 기초하여 상기 복수의 작업자별 반영률을 결정하고, 상기 반영률에 기초하여 상기 복수의 작업자별 상기 완료 데이터를 검수하기 위한 정답 데이터를 선택한다.
본 발명의 일 실시예에 따른 인공지능을 이용한 크라우드 아웃소싱 완료 데이터로 검수 기준 데이터를 형성하는 방법은, 복수의 작업자 단말로부터 작업 데이터에 대한 작업이 완료된 완료 데이터를 수신하는 완료 데이터 수신 단계; 인공지능 모듈에 의해 제어되는 프로세서가 각 작업자에 대하여 상기 작업자의 신뢰도인 반영률을 결정하는 반영률 결정 단계; 및 상기 반영률에 기초하여 상기 완료 데이터의 검수를 위한 검수 기준 데이터를 결정하는 가중치에 따른 검수 기준 데이터 형성 단계를 포함한다.
본 발명에 따른 일 실시예에 따른 인공지능을 이용한 크라우드 아웃소싱 작업 샘플링 방법은 복수의 작업자 단말로부터 작업 데이터에 대한 작업이 완료된 완료 데이터가 수신되는 경우, 인공지능 모듈에 의해 제어되는 프로세서가 상기 작업자 단말별 설정된 샘플링 비율에 따라 상기 완료 데이터 중 샘플링 데이터를 선정하는 샘플링 데이터 선정 단계, 인공지능 모듈에 의해 제어되는 프로세서가 선정된 상기 샘플링 데이터의 정확도를 평가하는 정확도 평가 단계 및 상기 인공지능 모듈에 의해 제어되는 프로세서가 상기 정확도에 따라 상기 샘플링 비율을 조정하는 셈플링 비율 재조정 단계를 포함한다.
본 발명의 일 실시예에 따른 인공지능을 이용한 크라우드 아웃소싱 작업 검수 방법은, 통신부가 인터넷을 통해 복수의 작업자 단말로부터 학습 데이터 형성 작업에 대한 완료 데이터를 수신하는 데이터 수신 단계, 인공지능 모듈에 의해 제어되는 프로세서가 상기 완료 데이터를 중첩 가능한 데이터로 재구성하는 데이터 재구성 단계, 및 상기 인공지능 모듈에 의해 제어되는 프로세서가 상기 재구성된 데이터를 복수의 작업자 별로 분석하여 상기 복수의 작업자별 성향, 정확도, 상기 학습 데이터 형성 작업의 난이도 중 적어도 하나를 결정하는 성향 결정 단계를 포함한다.
KIPO KIPRIS · checked 2026-10-15 · newest filings first · right: registration date (filing date if not yet registered) · 50 of 50 · titles and abstracts are in Korean as filed · click a row for details ▾
For now we hold public records only (National Pension Service · DART filings · patents · registers · press). When the company files material in our IR Room, it moves to L1. We do not score or rate companies — we only state how far we have checked.
The figures below are group consolidated. They include subsidiaries and are not the revenue of this entity alone. The workforce figure counts pension enrollees at this entity only, so the two should not be divided to read revenue per employee.
Total equity is negative (capital impairment). Audit opinion: “Disclaimer of opinion”.
| Item | FY2025 |
|---|---|
| Income statement | |
| Revenue | ₩2.2bn |
| Balance sheet | |
| Total assets | ₩8.0bn |
| Total liabilities | ₩117.0bn |
| Total equity | −₩108.9bn |
RevenueOperating profit
Need more than is shown here? Ask for more information — full review report · valuation · executive teaser · IM · competitor analysis · due diligence. Tell us what you need and we will reply by email with scope, cost and timing.
Is this your company?
If anything here is wrong, tell us — we check it against the original and correct it. You do not need to join. If you would like your financials verified and this page completed, that is a separate process.