Loading the company…
Loading the company…
㈜에스아이에이
English name as filed with DART, Korea’s corporate disclosure system · Correct the English name ›
Last updated 2026-11-02 · Korean page ›
Verification level — how far we have checked
L0 · Public records — NPS workforce · filed financials · patents — public data
A company based in Daejeon, founded in 2018. Industry: Software & IT Services. Revenue for 2025 was ₩3.9bn. It has 57 employees enrolled in the National Pension Service (as of Aug 2026). It is externally audited; the latest audit opinion is “Unqualified”.
Loading…
Latest filing 2024-05-31 · latest registration 2026-09-23 · newest first
본 발명은 확률론적모델과 결정론적모델을 결합한 예측방법, 시스템 및 컴퓨팅-판독가능 기록매체에 관한 것으로서, 더욱 상세하게는, 복수의 x개의 과거시계열데이터를 딥러닝 기반의 학습된 결정론적모델에 입력하여, 복수의 y개의 미래결정시계열데이터를 추출하고, 복수의 y개의 미래결정시계열데이터 중 어느 하나의 n번째 미래결정시계열데이터와 복수의 x개의 과거시계열데이터 중 어느 하나를 딥러닝 기반의 학습된 확률론적모델에 입력하여, 상기 확률론적모델에 입력된 n번째 미래결정시계열데이터와 동일한 순서의 n번째 미래확률시계열데이터를 추출하는, 확률론적모델과 결정론적모델을 결합한 예측방법, 시스템 및 컴퓨팅-판독가능 기록매체에 관한 것이다.
본 발명은 시계열기상데이터예측모델 및 태풍경로예측모델을 이용한 태풍경로예측방법, 시스템 및 컴퓨팅-판독가능 기록매체에 관한 것으로서, 더욱 상세하게는, 위치 및 해당 위치에서의 기상변수를 포함하는 과거의 시계열기상데이터를 시계열기상데이터예측모델에 입력하여, 상기 시계열기상데이터예측모델이 미래의 시계열기상데이터를 출력하는 중간과정에서 추출되는 중간결과값 혹은 최종적으로 출력되는 최종결과값을 추출하고, 추출된 중간결과값 혹은 최종결과값, 및 과거의 태풍경로데이터를 태풍경로예측모델에 입력하여, 과거의 태풍경로데이터보다 이후의 시점에 대한 미래의 태풍경로데이터를 출력하여, 태풍경로를 예측하는, 시계열기상데이터예측모델 및 태풍경로예측모델을 이용한 태풍경로예측방법, 시스템 및 컴퓨팅-판독가능 기록매체에 관한 것이다.
본 발명은 3D Mesh 모델링방법, 시스템 및 컴퓨팅-판독가능 기록매체에 관한 것으로서, 더욱 상세하게는, 3D공간상에 분포되어 있는 복수의 포인트클라우드데이터를 2차원 픽셀좌표가 설정되어 있는 대상평면에 프로젝션하여 복수의 프로젝션데이터를 생성하고, 해당 픽셀좌표에 인접한 1 이상의 프로젝션데이터에 기초하여, 해당 픽셀좌표의 높이값을 결정하고, 대상평면의 복수의 픽셀좌표 각각에 대하여, 해당 픽셀좌표와 해당 픽셀좌표를 제외한 복수의 픽셀좌표를 서로 연결하여, 1 이상의 트라이앵글을 생성하고, 생성된 복수의 트라이앵글 각각의 픽셀좌표 및 해당 픽셀좌표에서의 높이값에 기초하여, 메시데이터를 생성하는, 3D Mesh 모델링방법, 시스템 및 컴퓨팅-판독가능 기록매체에 관한 것이다.
본 발명은 재난 관리를 위한 변화탐지방법에 관한 것으로서, 더욱 상세하게는, 판독하고자 하는 영역에 대한 판독이미지 및 레퍼런스이미지에 대하여, 레퍼런스이미지에 재난오브젝트를 추가한 가상재난이미지를 생성하고, 상기 판독이미지, 레퍼런스이미지, 및 가상재난이미지 각각의 분할된 패치 각각에 대하여, 해당 패치의 특징정보를 추출하고, 판독이미지와 레퍼런스이미지에서 서로 상응하는 패치의 특징정보의 차이값에 대한 제1차분데이터 및 가상재난이미지와 레퍼런스이미지에서 서로 상응하는 패치의 특징정보의 차이값에 대한 제2차분데이터를 생성하고, 제1차분데이터 및 제2차분데이터를 차원축소모듈에 입력하여, 제1차원축소데이터 및 제2차원축소데이터를 생성하고, 제1차원축소데이터 및 제2차원축소데이터에 포함되는 복수의 패치 각각에 대한 정보를 클러스터링하여, 재난오브젝트와 같은 그룹으로 클러스터링된 판독이미지의 패치를 식별하고, 해당 패치를 재난영역으로 결정하는, 재난 관리를 위한 변화탐지방법, 시스템 및 컴퓨팅-판독가능 기록매체에 관한 것이다.
본 발명은 항공촬영이미지에 대한 필지 별 클래스분류방법, 시스템 및 컴퓨팅-판독가능 기록매체에 관한 것으로서, 더욱 상세하게는, 항공촬영이미지를 객체분할모델에 입력하여 필지에 대한 객체분할정보를 생성하고, 해당 항공촬영이미지에 포함되는 영역에서의 디지털화된 필지정보와 상기 객체분할정보를 대조하여, 해당 항공촬영이미지에서 필지객체정보를 결정하고, 상기 항공촬영이미지의 필지객체정보에 기초하여, 해당 항공촬영이미지에서 추출된 복수의 필지 각각의 이미지정보 혹은 해당 이미지정보로부터 도출된 정보를 포함하는 이미지특성정보를 클래스분류모델에 입력하여, 복수의 필지 각각에 대한 클래스정보를 도출하는, 항공촬영이미지에 대한 필지 별 클래스분류방법, 시스템 및 컴퓨팅-판독가능 기록매체에 관한 것이다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 이미지 간 변환을 위해 확산(diffusion) 모델을 학습시키는 방법이 개시된다. 상기 방법은 타겟 도메인의 이미지를 획득하는 단계와, 소스 도메인의 분포에서 임의의 노이즈를 샘플링하는 단계와, 상기 샘플링 된 노이즈를 기초로 상기 소스 도메인의 이미지를 상기 타겟 도메인의 이미지로 변환하는 확산 모델을 학습하는 단계를 포함한다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 비디오 예측 모델을 활용하여 프레임을 예측하는 방법이 개시된다. 상기 방법은, 입력 프레임들과 타겟(target) 시간을 입력하는 단계와, 상기 입력 프레임들을 인코딩하여 관측 정보를 생성하는 단계와, 상기 타겟 시간에 기초하여 상기 입력 프레임들에 대한 예측 정보를 생성하는 단계와, 상기 관측 정보와 상기 예측 정보를 연결하는 단계와, 상기 연결된 정보에 기초하여 상기 타겟 시간의 출력 프레임을 예측하는 단계를 포함한다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 위성 영상으로부터 운량 예측 정보를 산출하는 방법으로서, 시계열 예측 모델에 구름과 관련된 복수의 위성 산출물들을 입력하는 단계와, 상기 시계열 예측 모델을 활용하여 상기 복수의 위성 산출물들에 기초하여 위성 영상을 예측하는 단계와, 상기 예측된 위성 영상으로부터 타겟 지역에 대한 운량 예측 정보를 산출하는 단계를 포함한다. `
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 일사량 예측 모델을 활용하여 일사량을 예측하는 방법으로서, 시계열 예측을 수행하는 일사량 예측 모델에 기상 정보를 입력하는 단계와, 상기 일사량 예측 모델에 운량 예측 정보를 추가로 입력하는 단계와, 상기 일사량 예측 모델을 활용하여, 상기 기상 정보 및 상기 운량 예측 정보에 기초하여 일사량을 예측하는 단계를 포함한다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 신경망 모델 기반의 위성 이미지 분석 방법이 개시된다. 상기 방법은, 복수의 위성 이미지들을 획득하는 단계와, 상기 복수의 위성 이미지들에 대해 제 1 컨볼루션(convolution) 연산을 수행하여 공간적 특징맵(spatial feature map)을 생성하는 단계와, 상기 공간적 특징맵에 대해 제 2 컨볼루션 연산을 수행하여 시공간 특징맵(spatio-temporal feature map)을 생성하는 단계와, 상기 시공간 특징맵에 기초하여 중간 출력 이미지를 생성하는 단계를 포함한다.
본 발명은 관심지역에 대한 이미지가 대체된 위성 혹은 항공 이미지의 대체이미지 생성방법, 시스템 및 컴퓨팅-판독가능 기록매체로서, 학습된 제1이미지생성모델은 제1스펙트럼범위에서 제1해상도를 가지는 제1마스킹이미지에서 마스킹대상지역의 이미지가 대체된 제1대체이미지를 생성하고, 학습된 제2이미지생성모델은 상기 제1대체이미지에서 대체된 마스킹대상지역의 이미지를 참조하여, 제2스펙트럼범위에서 제2해상도를 가지는 제2마스킹이미지에서 마스킹대상지역의 이미지가 대체된 제2대체이미지를 생성하는, 관심지역에 대한 이미지가 대체된 위성 혹은 항공 이미지의 대체이미지 생성방법, 시스템 및 컴퓨팅-판독가능 기록매체에 관한 것이다.
본 개시의 일 실시예에 따라 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는, 객체를 탐지하기 위한 방법으로서, 이미지를 획득하는 단계; 및 객체 탐지 모델을 활용하여 상기 이미지에 포함된 객체를 탐지하는 단계를 포함하고, 상기 객체 탐지 모델의 가중치는, 복수의 데이터 증강 기법들을 기초로 사전 학습 모델(pre-trained model)을 조정(tune)하여 생성된, 복수의 조정 모델들(tuned models)의 가중치들에 기반하여 결정된다.
적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 입력 데이터와 복수개의 식별 정보들이 포함된 식별 라벨과 입력 데이터를 사용하여 객체 예측 모델을 학습 시키기 위한 방법으로서, 예측 모델을 사용하여 입력 데이터를 기초로 예측 라벨을 생성하는 단계; 상기 입력 데이터와 대응되는 식별 라벨과 상기 예측 라벨을 기초로 손실값을 생성하는 단계; 및 상기 손실값을 기초로 상기 예측 모델을 학습하는 단계를 포함하는 학습 방법이다.
본 개시의 일 실시예에 따라 사전 학습된 인공 신경망 모델을 활용하여, 변화를 탐지하는 방법이 개시된다. 구체적으로, 본 개시에 따르면, 컴퓨팅 장치가, 기준 이미지 데이터 및 이에 대응하는 비교 대상 이미지 데이터를 획득하고, 사전 학습된 인공 신경망 모델을 활용하여 상기 기준 이미지 데이터를 기준으로 상기 비교 대상 이미지 데이터의 변화를 탐지하되, 상기 사전 학습된 인공 신경망 모델은,단일 시점의 원본 이미지 데이터에 기초하여 생성된 한 쌍(pair)의 이미지 데이터들에 기초하여 사전 학습된 인공 신경망 모델에 대응된다.
적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 입력 데이터와 복수개의 식별 정보들이 포함된 식별 라벨과 입력 데이터를 사용하여 객체 예측 모델을 학습 시키기 위한 방법으로서, 예측 모델을 사용하여 입력 데이터를 기초로 예측 라벨을 생성하는 단계; 상기 입력 데이터와 대응되는 식별 라벨과 상기 예측 라벨을 기초로 손실값을 생성하는 단계; 및 상기 손실값을 기초로 상기 예측 모델을 학습하는 단계를 포함하는 학습 방법이다.
본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 적어도 하나 이상의 프로세서에서 실행되는 경우 입력 이미지와 대비하여 고해상도 이미지를 생성할 수 있다. 상기 고해상도 이미지 생성 방법으로서, 제 1 모델을 사용하여, 적어도 하나의 제 1 이미지를 기초로 상기 적어도 하나의 제 1 이미지와 대비하여 저해상도인 복수개의 제 2 이미지들을 생성하는 단계 및 제 2 모델을 사용하여, 상기 복수개의 제 2 이미지들을 기초로 상기 복수개의 제 2 이미지들과 대비하여 고해상도인 복수개의 제 3 이미지들을 생성하는 단계를 포함하되, - 상기 제 2 모델은 상기 복수개의 제 3 이미지들을 활용하는 비교에 기초하여 학습됨 -;
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 딥러닝 기반 초해상도(super resolution) 이미징 방법이 개시된다. 상기 방법은, 제 1 이미지 및 상기 제 1 이미지 대비 저해상도의 제 2 이미지를 수신하는 단계, 제 1 이미지를 기초로 제 2 이미지에 대응되는 저해상도의 이미지를 생성하도록 제 1 모델을 학습시키는 단계 및 제 1 모델의 출력 이미지를 기초로 제 1 이미지에 대응되는 고해상도의 이미지를 생성하도록 제 2 모델을 학습시키는 단계를 포함할 수 있다. 이때, 제 1 이미지의 콘텐츠(contents)와 제 2 이미지의 콘텐츠는 상호 대응되지 않을 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 딥러닝 기반의 강수량 예측 방법이 개시된다. 상기 방법은, 강수 이미지에 포함된 픽셀의 강수값에 대한 스케일을 변환하는 단계; 및 신경망 모델을 사용하여, 상기 스케일이 변환된 픽셀의 강수값을 기초로 상기 픽셀에 대한 미래 시점의 강수량을 예측하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 객체 검출 방법이 개시된다. 상기 방법은, 서로 다른 클래스(class)를 나타내는 복수의 에피소드(episode)를 기초로 신경망 모델을 학습시키는 단계 및 복수의 에피소드 별 손실(loss)을 최소로 하는, 신경망 모델의 가중치(weight)를 결정하는 단계를 포함할 수 있다.
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨팅 장치의 하나 이상의 프로세서에 의해 실행되는 경우 프로젝트 분석을 위한 사용자 인터페이스를 제공하며, 상기 사용자 인터페이스는, 관심 지역의 제 1 시점에서의 지리적 정보를 포함하는 제 1 이미지를 디스플레이 하는, 제 1 영역; 및 상기 제 1 이미지의 적어도 일부인 제 1 검색 영역을 선택하는 제 1 검색 입력에 응답하여, 상기 제 1 검색 영역과 변화 양상의 유사도가 높은 제 1 결과 영역에 관한 정보를 디스플레이 하는 제 2 영역; 을 포함할 수 있다.
본 개시의 일 실시예에 따라 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 이동 물체 탐지 방법이 개시된다. 상기 방법은: 레이더 영상을 수신하는 단계; 상기 레이더 영상에 기초하여 서로 다른 복수의 단일채널 데이터를 생성하는 단계; 및 뉴럴 네트워크 기반 탐지 모델 및 상기 복수의 단일채널 데이터에 기초하여 이동 물체를 검출하는 단계를 포함할 수 있다.
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨팅 장치의 하나 이상의 프로세서에 의해 실행되는 경우 실시간 모니터링을 위한 사용자 인터페이스를 제공하며, 상기 사용자 인터페이스는, 지리적 정보를 포함하는 제 1 이미지를 디스플레이 하는, 제 1 레이어; 및 사전 설정된 크기로 표시되는 하나 이상의 타일들을 포함하는 그리드(Grid)를 포함하는 제 1 그래픽을 디스플레이 하고, 상기 하나 이상의 타일들 각각이 상기 제 1 이미지 내의 대응되는 영역의 변화율을 나타내도록 디스플레이 하는, 제 2 레이어; 를 포함할 수 있다.
본 개시의 일 실시예에 따라, 객체 검출 방법이 개시된다. 상기 객체 검출 방법은 객체를 포함하는 이미지를 로컬(local) 블록 및 논-로컬(non-local) 블록을 포함하는 객체 검출 모델을 이용하여 연산하는 단계를 포함하고, 상기 로컬 블록은 피처 맵에 포함된 인접한 픽셀들 간의 관계를 연산하고, 그리고 상기 논-로컬 블록은 피처 맵에 포함된 인접하지 않은 픽셀들 간의 관계를 연산할 수 있다.
전술한 바와 같은 과제를 해결하기 위한 기상 관측 자료를 생성하는 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는: 컴퓨터 실행가능한 컴포넌트들을 포함하는 메모리; 및 메모리에 저장된 이하의 컴퓨터 실행가능한 컴포넌트들을 실행하는 프로세서; 를 포함하고, 상기 컴퓨터 실행가능한 컴포넌트들은: 관측된 초기 지상 기상 관측 자료를 인식하는 초기 지상 기상 관측 자료 인식 컴포넌트; 및 기계 학습 모듈을 이용하여 초기 지상 기상 관측 자료 상 공백 영역의 기상 자료를 생성하도록 훈련된 기상자료 생성 컴포넌트; 를 포함할 수 있다.
본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 프로세서로 하여금 이하의 단계들을 수행하게 하기 위한 명령들을 포함하며, 상기 단계들은: 입력 데이터로부터 측정 대상 객체가 포함된 이미지 패치를 생성하는 단계; 상기 이미지 패치의 복수의 픽셀 열 각각 또는 복수의 픽셀 행 각각의 평균 신호 강도에 기초하여 방위 방향(azimuth direction) 중심 선을 추출하는 단계; 상기 추출된 중심 선 상에 위치한 복수의 픽셀들의 신호 강도에 기초하여 하나 이상의 분석 지점들을 추출하는 단계; 및 상기 추출된 하나 이상의 분석 지점들에 기초하여 상기 측정 대상 객체의 부피를 연산하는 단계; 를 포함할 수 있다.
본 개시의 일 실시예에 따라 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 객체 추적 방법으로서, 둘 이상의 영상 프레임을 포함하는 영상 시퀀스에 포함된 제 1 프레임으로부터 하나 이상의 쿼리(query) 샘플을 포함하는 쿼리 세트를 획득하는 단계; 상기 영상 시퀀스에 포함된 제 2 프레임으로부터 하나 이상의 디텍션(detection) 샘플을 포함하는 디텍션 세트를 획득하는 단계; 및 상기 디텍션 세트에 포함된 각각의 디텍션 샘플의 라벨에 기초하여 상기 쿼리 세트에 포함된 쿼리 샘플 각각에 대응되는 라벨을 결정하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 목표 물체 검출 방법으로서, 입력 이미지를 수신하는 단계; 및 학습된 뉴럴 네트워크(neural network) 기반 검출 모델에 기초하여 상기 입력 이미지에서 목표 물체에 해당하는 영역과 관련된 제 1 결과 정보를 생성하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 딥러닝 기반의 강수량 예측 방법이 개시된다. 상기 방법은, 기상 관측 시스템에서 측정된 기상 데이터를 수신하는 단계; 및 딥러닝 모델을 사용하여, 상기 기상 데이터를 기초로 관심 지역의 강수량을 예측하는 단계를 포함할 수 있다. 이때, 상기 딥러닝 모델은, 예측값과 GT(ground truth) 간의 오차 연산을 위한 제 1 손실함수 및 상기 제 1 손실함수와 상이한 오차 연산을 위한 제 2 손실함수의 조합을 기반으로 사전 학습될 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 딥러닝 기반 위성영상의 촬영 스케줄링 방법이 개시된다. 상기 방법은, 사전 학습된 신경망 모델을 사용하여, 기 촬영된 위성영상을 기초로 사용자가 원하는 미래시점까지의 예측영상 및 운량 예측값을 생성하는 단계 및 운량 예측값을 기초로 적어도 하나의 관심지역에 대한 위성의 촬영 스케줄을 결정하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 변화 탐지 방법으로서, 상기 방법은: 변화 탐지의 대상이 되는 이미지 쌍(pair) - 상기 이미지 쌍은 참조 이미지 및 목표 이미지를 포함함 - 을 획득하는 단계; 뉴럴 네트워크 기반 특징 추출 모델을 이용하여 상기 참조 이미지 및 상기 목표 이미지 각각에 대한 특징 데이터를 산출하는 단계; 및 뉴럴 네트워크 기반 변화 탐지 모델을 이용하여 상기 참조 이미지에 대한 특징 데이터 및 상기 목표 이미지에 대한 특징 데이터로부터 상기 목표 이미지에 나타나는 변화 영역 정보를 산출하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 딥러닝 기반의 어노테이션(annotation) 방법이 개시된다. 상기 방법은, 어노테이션을 위한 GT(ground truth)에 해당하는 관심 객체의 제 1 바운딩 박스(bounding box)를 기초로 에이전트(agent) 모델의 제 1 학습을 수행하는 단계 및 바운딩 박스의 기하학적 변환(geometric transform)에 관한 제약 조건에 따라 랜덤 샘플링(random sampling)된, 관심 객체의 제 2 바운딩 박스를 기초로 에이전트 모델의 제 2 학습을 수행하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 영상 정합을 위한 이미지 처리 방법이 개시된다. 상기 방법은, 사전 학습된 제 1 모델을 사용하여, 제 1 이미지로부터 제 1 콘텐트(content) 특징 및 제 1 스타일(style) 특징을 추출하는 단계; 상기 제 1 모델을 사용하여, 제 2 이미지로부터 제 2 콘텐트 특징 및 제 2 스타일 특징을 추출하는 단계; 사전 학습된 제 2 모델을 사용하여, 상기 제 1 스타일 특징 및 상기 제 2 스타일 특징을 기초로 상기 제 1 이미지 및 상기 제 2 이미지 각각의 센서 도메인(domain)을 판단하는 단계; 및 사전 학습된 제 3 모델을 사용하여, 상기 센서 도메인의 판단 결과를 기초로 상기 제 1 이미지의 스타일 변환(translation)을 수행하는 단계를 포함할 수 있다.
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.
본 개시의 몇몇 실시예에 따른, 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 이미지 정합 방법이 개시된다. 상기, 이미지 정합 방법은 제 1 이미지의 제 1 픽셀 수 및 제 2 이미지의 제 2 픽셀 수에 기초하여, 상기 제 1 이미지 및 상기 제 2 이미지에 대한 전처리를 수행할지 여부를 결정하는 단계; 상기 전처리를 수행하는 경우, 전처리 과정을 통해 상기 제 1 이미지 및 상기 제 2 이미지 각각으로부터 제 1 분할 이미지 및 제 2 분할 이미지를 생성하는 단계; 및 상기 제 1 분할 이미지 및 상기 제 2 분할 이미지에 기초하여, 상기 제 1 이미지 및 상기 제 2 이미지를 정합하는 단계를 포함할 수 있다.
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.
본 개시의 일 실시예에 따라 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 변화 탐지 방법으로서, 상기 방법은: 변화 탐지의 대상이 되는 이미지 쌍(pair) - 상기 이미지 쌍은 참조 이미지 및 목표 이미지를 포함함 - 을 획득하는 단계; 뉴럴 네트워크 기반 특징 추출 모델을 이용하여 상기 참조 이미지 및 상기 목표 이미지 각각에 대한 특징 데이터를 산출하는 단계; 및 뉴럴 네트워크 기반 변화 탐지 모델을 이용하여 상기 참조 이미지에 대한 특징 데이터 및 상기 목표 이미지에 대한 특징 데이터로부터 상기 목표 이미지에 나타나는 변화 영역 정보를 산출하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라, 이미지에 포함된 적어도 하나의 물체의 영역 정보를 생성하는 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는: 컴퓨터 실행가능한 컴포넌트들을 포함하는 메모리; 및 메모리에 저장된 이하의 컴퓨터 실행가능한 컴포넌트들을 실행하는 프로세서; 를 포함하고, 상기 컴퓨터 실행가능한 컴포넌트들은: 상기 이미지에 대하여, 상기 적어도 하나의 물체의 키포인트 정보를 포함하는 키포인트 히트맵을 생성하는 키포인트 히트맵 생성 컴포넌트; 생성된 상기 키포인트 히트맵에 기초하여 비-회전 바운딩 박스를 생성하는 비-회전 바운딩 박스 생성 컴포넌트; 상기 비-회전 바운딩 박스를 이용하여, 회전 바운딩 박스를 생성하는 회전 바운딩 박스 생성 컴포넌트; 및 상기 비-회전 바운딩 박스 또는 상기 회전 바운딩 박스 중 적어도 하나를 이용하여, 상기 적어도 하나의 물체가 상기 이미지 내에서 점유하는 영역을 표현하는 최종 바운딩 박스 생성 컴포넌트;를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 수질 관리를 위한 조류(algal) 정량화 방법이 개시된다. 상기 방법은, 관심 대상에 대한 원격 탐사 이미지를 수신하는 단계 및 사전 학습된 조류 추정 모델을 사용하여 상기 원격 탐사 이미지를 기초로 수질 결정인자를 예측하는 단계를 포함할 수 있다.
본 개시의 몇몇 실시예에 따른, 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 이미지 정합 방법이 개시된다. 상기, 이미지 정합 방법은 제 1 이미지의 제 1 픽셀 수 및 제 2 이미지의 제 2 픽셀 수에 기초하여, 상기 제 1 이미지 및 상기 제 2 이미지에 대한 전처리를 수행할지 여부를 결정하는 단계; 상기 전처리를 수행하는 경우, 전처리 과정을 통해 상기 제 1 이미지 및 상기 제 2 이미지 각각으로부터 제 1 분할 이미지 및 제 2 분할 이미지를 생성하는 단계; 및 상기 제 1 분할 이미지 및 상기 제 2 분할 이미지에 기초하여, 상기 제 1 이미지 및 상기 제 2 이미지를 정합하는 단계를 포함할 수 있다.
본 개시의 몇몇 실시예에 따른, 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 이미지 정합 방법이 개시된다. 상기, 이미지 정합 방법은 제 1 이미지의 제 1 픽셀 수 및 제 2 이미지의 제 2 픽셀 수에 기초하여, 상기 제 1 이미지 및 상기 제 2 이미지에 대한 전처리를 수행할지 여부를 결정하는 단계; 상기 전처리를 수행하는 경우, 전처리 과정을 통해 상기 제 1 이미지 및 상기 제 2 이미지 각각으로부터 제 1 분할 이미지 및 제 2 분할 이미지를 생성하는 단계; 및 상기 제 1 분할 이미지 및 상기 제 2 분할 이미지에 기초하여, 상기 제 1 이미지 및 상기 제 2 이미지를 정합하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 딥러닝 기반 객체 검출 방법이 개시된다. 상기 방법은, 이미지를 제 1 신경망에 입력하여 상기 이미지의 특징을 추출하는 단계 및 제 1 신경망을 통해 추출된 특징을 기초로 제 2 신경망 및 제 3 신경망을 적대적 학습시키는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따른 피해 감지 방법은, 제 1 샘플 데이터 세트에 포함된 샘플 데이터들을 셔플(shuffle)하는 단계, 상기 제 1 샘플 데이터 세트의 서브세트들을 생성하는 단계, 및 상기 제 1 샘플 데이터 세트의 서브세트들 및 제 2 샘플 데이터 세트를 포함하는 학습 데이터 세트를 구성하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 딥러닝 기반 초해상도(SR: Super Resolution) 이미징 방법이 개시된다. 상기 방법은, 제 1 이미지 및 제 1 이미지 대비 저해상도의 제 2 이미지를 수신하는 단계 및 제 1 이미지와 제 2 이미지 간의 콘텐츠 밀도(contents density)에 관한 특성을 매칭(matching)시키는 단계를 포함할 수 있다. 이때, 제 1 이미지의 콘텐츠와 제 2 이미지의 콘텐츠는 짝을 이루지 않을(unpaired) 수 있다.
본 개시의 일 실시예에 따른 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨팅 장치의 하나 이상의 프로세서에서 실행되는 경우 라벨링을 위한 정보를 표시하는 사용자 인터페이스(UI)를 제공하며, 상기 사용자 인터페이스는: 라벨 대상 객체를 포함하는 이미지를 표시하고, 그리고 상기 라벨 대상 객체를 표시하기 위한 사용자 어노테이션 입력에 대한 응답으로, 상기 라벨 대상 객체에 대한 어노테이션 폼(form)을 표시하는 이미지 레이어; 및 상기 라벨 대상 객체의 라벨에 포함된 둘 이상의 계층 각각에 대한 클래스를 입력하기 위한 사용자 클래스 입력을 허용하는 라벨 레이어를 포함할 수 있다.
본 개시의 일 실시예에 따른 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨팅 장치의 하나 이상의 프로세서에서 실행되는 경우 라벨링 정보를 표시하는 사용자 인터페이스(UI)를 제공하며, 상기 사용자 인터페이스는: 하나 이상의 라벨 대상 객체를 포함하는 이미지 및 상기 하나 이상의 라벨 대상 객체 각각에 대한 어노테이션 폼(form)을 표시하는, 이미지 뷰어 레이어; 및 상기 하나 이상의 라벨 대상 객체 각각의 라벨에 포함된 둘 이상의 계층 각각에 대한 클래스를 표시하는, 라벨 리스트 레이어를 포함할 수 있다.
본 개시의 일 실시예에 따라 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 이동 물체 탐지 방법이 개시된다. 상기 방법은: 레이더 영상을 수신하는 단계; 상기 레이더 영상에 기초하여 서로 다른 복수의 단일채널 데이터를 생성하는 단계; 및 뉴럴 네트워크 기반 탐지 모델 및 상기 복수의 단일채널 데이터에 기초하여 이동 물체를 검출하는 단계를 포함할 수 있다.
본 개시의 몇몇 실시예에 따른, 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 이미지 정합 방법이 개시된다. 상기, 이미지 정합 방법은 제 1 이미지의 제 1 픽셀 수 및 제 2 이미지의 제 2 픽셀 수에 기초하여, 상기 제 1 이미지 및 상기 제 2 이미지에 대한 전처리를 수행할지 여부를 결정하는 단계; 상기 전처리를 수행하는 경우, 전처리 과정을 통해 상기 제 1 이미지 및 상기 제 2 이미지 각각으로부터 제 1 분할 이미지 및 제 2 분할 이미지를 생성하는 단계; 및 상기 제 1 분할 이미지 및 상기 제 2 분할 이미지에 기초하여, 상기 제 1 이미지 및 상기 제 2 이미지를 정합하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 레이더 영상 처리 방법이 개시된다. 상기 방법은: 입력 레이더 영상에 대해 제 1 분해(decomposition) 연산을 수행하여 제 1 편광 이미지를 생성하는 단계; 상기 입력 레이더 영상에 기초하여 이미지 생성 모델을 통해 합성 이미지를 생성하는 단계; 및 상기 제 1 편광 이미지 및 상기 합성 이미지에 기초하여 영상 처리 모델을 통해 결과 정보를 생성하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 딥러닝 기반 초해상도(super resolution) 이미징 방법이 개시된다. 상기 방법은, 제 1 이미지 및 상기 제 1 이미지 대비 저해상도의 제 2 이미지를 수신하는 단계, 제 1 이미지를 기초로 제 2 이미지에 대응되는 저해상도의 이미지를 생성하도록 제 1 모델을 학습시키는 단계 및 제 1 모델의 출력 이미지를 기초로 제 1 이미지에 대응되는 고해상도의 이미지를 생성하도록 제 2 모델을 학습시키는 단계를 포함할 수 있다. 이때, 제 1 이미지의 콘텐츠(contents)와 제 2 이미지의 콘텐츠는 상호 대응되지 않을 수 있다.
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨팅 장치의 하나 이상의 프로세서에 의해 실행되는 경우 실시간 모니터링을 위한 사용자 인터페이스를 제공하며, 상기 사용자 인터페이스는, 지리적 정보를 포함하는 제 1 이미지를 디스플레이 하는, 제 1 레이어; 및 사전 설정된 크기로 표시되는 하나 이상의 타일들을 포함하는 그리드(Grid)를 포함하는 제 1 그래픽을 디스플레이 하고, 상기 하나 이상의 타일들 각각이 상기 제 1 이미지 내의 대응되는 영역의 변화율을 나타내도록 디스플레이 하는, 제 2 레이어; 를 포함할 수 있다.
KIPO KIPRIS · checked 2026-10-15 · newest filings first · right: registration date (filing date if not yet registered) · 50 of 68 · 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.
| KRW bn | 2024 | 2025 |
|---|---|---|
| Revenue | 4.1 | 3.9 |
| Cost of sales | 3.8 | 2.2 |
| Gross profit (loss) | 0.3 | 1.7 |
| Selling, general and administrative expenses | 13.3 | 7.0 |
| Operating income (loss) | (13.0) | (5.3) |
| Non-operating income | 0.0 | 0.0 |
| Other gains | 0.0 | 0.0 |
| Non-operating expenses | 2.3 | 1.4 |
| Other losses | 1.0 | 0.0 |
| Finance costs | 1.3 | 1.4 |
| Profit (loss) before tax | (10.1) | (5.7) |
| Net income (loss) | (10.1) | (5.7) |
Revenue ₩3.9bn, down 3.3% YoY.
Operating margin -133.5% (prior -317.1%).
Net income ₩-5.7bn.
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.
Headlines and links to public articles only · not checked by us (original ↗) · articles are in Korean — English headlines are our translation; where none is shown, “Read in English ›” opens a machine translation · “Broker view” is a forecast, not reported results · checked 2026-11-08