컴퓨팅 장치에 의해 구현되는 어노테이션 방법에 있어서, (a) 원본 이미지를 분할하여 분할 이미지들을 생성하고, 상기 분할 이미지들에 대하여 각각 사용자에 의해 수행된 어노테이션의 결과를 이용하여, 분할 이미지 라벨링 파일들을 생성하는 단계;(b) 상기 분할 이미지 라벨링 파일들을 모두 합성하여, 원본 이미지에 대한 원본 이미지 라벨링 파일을 생성하는 단계;(c) 모델링하고자 하는 인공 지능 모델에서 요구되는 이미지의 크기에 따라 원본 이미지를 재분할하여 학습 데이터용 이미지들을 생성하고, 원본 이미지에 대한 원본 이미지 라벨링 파일을 이용하여 상기 학습 데이터용 이미지들에 대한 학습 이미지 라벨링 파일을 생성하는 단계;를 구비하는 학습 데이터용 이미지에 대한 어노테이션 방법.

제8항에 있어서, 상기 어노테이션부는, 상기 생성된 분할 이미지들 및 분할 이미지 라벨링 파일들에 대하여 제1 이미지 크기, 제1 오버랩 크기, 원본 이미지에서의 위치 정보를 포함하는 파일 이름을 부여하여 저장하는 것을 특징으로 하는 학습 데이터용 이미지에 대한 어노테이션 시스템.

제1항에 있어서, 상기 (a) 단계는, (a1) 원본 이미지를 입력받는 단계;(a2) 분할을 하기 위한 제1 이미지 크기 및 제1 오버랩 크기에 대한 정보를 입력받는 단계;(a3) 상기 입력된 제1 오버랩 크기에 대응되게 오버랩시키면서, 원본 이미지를 상기 입력된 제1 이미지 크기에 따라 분할시켜, 분할 이미지들을 생성하는 단계; 및(a4) 분할 이미지들에 대하여 사용자에 의해 어노테이션 작업이 수행되고, 어노테이션의 결과를 이용하여, 각 분할 이미지들에 대한 분할 이미지 라벨링 파일들을 생성하는 단계;를 구비하는 것을 특징으로 하는 학습 데이터용 이미지에 대한 어노테이션 방법.

제2항에 있어서, 상기 (a3) 단계는, 제1 이미지 크기 및 제1 오버랩 크기에 따라 stride하면서 원본 이미지를 분할하여 분할 이미지들을 생성하되, 원본 이미지의 행과 열의 마지막 분할 이미지들은 제1 이미지 크기에 맞게 패딩(padding) 처리하는 것을 특징으로 하는 학습 데이터용 이미지에 대한 어노테이션 방법.

제1항에 있어서, 상기 (c) 단계는, (c1) 모델링하고자 하는 인공 지능 모델에서 요구되는 제2 이미지 크기 및 제2 오버랩 크기에 대한 정보를 입력받는 단계;(c2) 상기 입력된 제2 오버랩 크기에 대응되게 오버랩시키면서, 원본 이미지를 상기 입력된 제2 이미지 크기에 따라 분할시켜, 학습 데이터용 이미지들을 생성하는 단계; 및(c3) 상기 학습 데이터용 이미지들에 대응되게 원본 이미지에 대한 원본 이미지 라벨링 파일을 분할하여, 각 학습 데이터용 이미지에 대한 학습 이미지 라벨링 파일을 생성하는 단계;를 구비하는 것을 특징으로 하는 학습 데이터용 이미지에 대한 어노테이션 방법.

제1항에 있어서, 상기 분할 이미지 라벨링 파일, 원본 이미지 라벨링 파일 및 학습 이미지 라벨링 파일은, 대응되는 이미지에 포함된 객체들에 대한 바운딩 박스들의 시작 좌표(center x, center y), 높이(height), 폭(width), 및 객체의 클래스(Class) 정보를 포함하는 것을 특징으로 하는 학습 데이터용 이미지에 대한 어노테이션 방법.

제1항에 있어서, 상기 (a) 단계는, 상기 생성된 분할 이미지들 및 분할 이미지 라벨링 파일들에 대하여 제1 이미지 크기, 제1 오버랩 크기, 원본 이미지에서의 위치 정보를 포함하는 파일 이름을 부여하여 저장하는 것을 특징으로 하는 학습 데이터용 이미지에 대한 어노테이션 방법.

제1항에 있어서, 상기 (b) 단계는, 상기 분할 이미지 라벨링 파일들을 모두 합성하여 하나의 원본 이미지 라벨링 파일을 생성하고, 상기 원본 이미지 라벨링 파일의 바운딩 박스들 중 IOU(Intersection Over Union)값이 0이 아닌 바운딩 박스들로 구성된 객체 리스트를 생성하고, 객체 리스트 중 하나의 바운딩 박스를 선택하여 바운딩 박스들간의 IoU(Intersection over Union)를 확인하고, 가장 높은 IoU 값을 가진 바운딩 박스를 남기고 나머지의 바운딩 박스들은 제거하여, 상기 원본 이미지 라벨링 파일은 정확하게 객체만을 포함한 바운딩 박스만을 포함하도록 구성된 것을 특징으로 하는 학습 데이터용 이미지에 대한 어노테이션 방법.

원본 이미지가 저장된 데이터베이스; 및 원본 이미지에 대한 어노테이션을 수행하여 라벨링 파일을 생성하는 어노테이션 장치;를 구비하고, 상기 어노테이션 장치는, 제1 이미지 크기 및 제1 오버랩 크기에 대한 정보를 입력받고, 제1 이미지 크기 및 제1 오버랩 크기에 대한 정보를 이용하여, 원본 이미지를 분할하여 분할 이미지들을 생성하고, 분할 이미지들에 대하여 각각 수행된 어노테이션의 결과를 이용하여 분할 이미지 라벨링 파일들을 생성하고, 상기 분할 이미지들에 대한 분할 이미지 라벨링 파일들을 모두 합성하여, 원본 이미지에 대한 원본 이미지 라벨링 파일을 생성하는 어노테이션부; 및모델링하고자 하는 인공 지능 모델에서 요구되는 제2 이미지 크기 및 제2 오버랩 크기에 대한 정보를 입력받고, 제2 이미지 크기 및 제2 오버랩 크기에 대한 정보를 이용하여 원본 이미지를 재분할하여 학습 데이터용 이미지들을 생성하고, 원본 이미지에 대한 원본 이미지 라벨링 파일을 이용하여, 각 학습 데이터용 이미지에 대한 학습 이미지 라벨링 파일을 생성하는 학습 데이터 생성부; 를 구비하는 것을 특징으로 하는 학습 데이터용 이미지에 대한 어노테이션 시스템.

제8항에 있어서, 상기 분할 이미지 라벨링 파일, 원본 이미지 라벨링 파일 및 학습 이미지 라벨링 파일은, 대응되는 이미지에 포함된 객체들에 대한 바운딩 박스들의 시작 좌표(center x, center y), 높이(height), 폭(width), 및 객체의 클래스(Class) 정보를 포함하는 것을 특징으로 하는 학습 데이터용 이미지에 대한 어노테이션 시스템.

제8항에 있어서, 상기 어노테이션부는, 제1 이미지 크기 및 제1 오버랩 크기에 대한 정보를 입력받고, 제1 이미지 크기 및 제1 오버랩 크기에 대한 정보를 이용하여 원본 이미지를 분할하여 분할 이미지들을 생성하는 영상 분할 모듈;분할 이미지들에 대하여 사용자에 의해 어노테이션 작업이 수행될 수 있도록 구성되고, 어노테이션 작업의 결과를 이용하여, 각 분할 이미지들에 대한 분할 이미지 라벨링 파일들을 생성하는 분할 이미지 라벨링 파일 생성 모듈; 및 상기 분할 이미지들에 대한 분할 이미지 라벨링 파일들을 합성하여 원본 이미지에 대한 원본 이미지 라벨링 파일을 생성하는 원본 이미지 라벨링 파일 생성 모듈;을 구비하는 것을 특징으로 하는 학습 데이터용 이미지에 대한 어노테이션 시스템.

제10항에 있어서, 상기 영상 분할 모듈은, 제1 이미지 크기 및 제1 오버랩 크기에 대한 정보를 입력받고, 제1 이미지 크기 및 제1 오버랩 크기에 따라 stride하면서 원본 이미지를 분할하여 분할 이미지들을 생성하며, 원본 이미지의 행과 열의 마지막 분할 이미지들은 제1 이미지 크기에 맞게 패딩(padding) 처리하는 것을 특징으로 하는 학습 데이터용 이미지에 대한 어노테이션 시스템.

제10항에 있어서, 상기 원본 이미지 라벨링 파일 생성 모듈은, 상기 분할 이미지 라벨링 파일들을 모두 합성하여 하나의 원본 이미지 라벨링 파일을 생성하고, 상기 원본 이미지 라벨링 파일의 바운딩 박스들 중 IOU값이 0이 아닌 바운딩 박스들로 구성된 객체 리스트를 생성하고, 객체 리스트 중 하나의 바운딩 박스를 선택하여 바운딩 박스들간의 IoU(Intersection over Union)를 확인하고, 가장 높은 IoU 값을 가진 바운딩 박스를 남기고 나머지의 바운딩 박스들은 제거하여, 원본 이미지 라벨링 파일은 정확하게 객체만을 포함한 바운딩 박스만을 포함하도록 구성된 것을 특징으로 하는 학습 데이터용 이미지에 대한 어노테이션 시스템.