적어도 하나의 컴퓨터 장치에 의해 구현되는 학습 시스템에 있어서,상기 적어도 하나의 컴퓨터 장치는 적어도 하나의 프로세서를 포함하고,상기 적어도 하나의 프로세서에 의해,복수의 학습 이미지를 포함하는 데이터 셋을 전처리하고,SSA(Squirrel Search Algorithm)에 기반하여 YOLO(You Only Look once) 모델의 하이퍼 파라미터를 튜닝하고,상기 전처리된 데이터 셋을 이용하여 상기 튜닝된 하이퍼 파라미터에 따라 상기 YOLO 모델을 학습시키고,상기 하이퍼 파라미터를 튜닝하기 위해, 상기 적어도 하나의 프로세서에 의해,상기 SSA에서 사용되는 다람쥐의 위치에 상기 하이퍼 파라미터를 대응시켜 상기 하이퍼 파라미터에 대한 적합도 평가를 통해 하이퍼 파라미터를 선택하고,상기 YOLO 모델을 학습시키기 위해, 상기 적어도 하나의 프로세서에 의해,상기 선택된 하이퍼 파라미터에 따라 상기 YOLO 모델을 학습시키고,상기 적합도 평가는 정밀도(precision), 재현율(recall), 평균 정밀도의 합에서 손실 지표를 빼는 적합도 함수에 따른 적합도에 기반하고,상기 평균 정밀도는 IoU(Intersection over Union)가 0.5 이상인 경우를 기준으로 계산된 제1 평균 정밀도, 및 IoU가 0.5에서 0.95까지 0.05 간격으로 증가하는 여러 임계값에서 계산된 제2 평균 정밀도를 포함하고,상기 손실 지표는, 경계 상자의 위치 및 크기 예측에서 발생하는 오류를 나타내는 경계 상자 손실(Bounding Box Loss), 상기 YOLO 모델이 각 객체의 클래스 레이블을 예측할 때 발생하는 오류를 나타내는 분류 손실(Classification Loss), 및 객체의 형태 변형을 처리하는 데 사용되는 손실을 나타내는 변형 손실(Deformation Loss)을 포함하는 것을 특징으로 하는 학습 시스템.

삭제

적어도 하나의 컴퓨터 장치에 의해 구현되는 객체 검출 시스템의 객체 검출 방법에 있어서,상기 적어도 하나의 컴퓨터 장치는 적어도 하나의 프로세서를 포함하고,상기 객체 검출 방법은,상기 적어도 하나의 프로세서에 의해, SSA(Squirrel Search Algorithm)에 기반하여 튜닝된 하이퍼 파라미터에 따라 사전 학습된 YOLO(You Only Look once) 모델을 로딩하는 단계;상기 적어도 하나의 프로세서에 의해, 객체 검출을 위한 이미지를 입력받는 단계; 및상기 적어도 하나의 프로세서에 의해, 상기 이미지를 상기 YOLO 모델에 입력하여 상기 YOLO 모델이 출력하는 상기 이미지가 포함하는 객체에 대한 정보를 제공하는 단계를 포함하고,상기 YOLO 모델은 상기 SSA에서 사용되는 다람쥐의 위치에 상기 하이퍼 파라미터를 대응시켜 상기 하이퍼 파라미터에 대한 적합도 평가를 통해 선택된 하이퍼 파라미터에 따라 사전 학습되고,상기 적합도 평가는 정밀도(precision), 재현율(recall), 평균 정밀도의 합에서 손실 지표를 빼는 적합도 함수에 따른 적합도에 기반하고,상기 평균 정밀도는 IoU(Intersection over Union)가 0.5 이상인 경우를 기준으로 계산된 제1 평균 정밀도, 및 IoU가 0.5에서 0.95까지 0.05 간격으로 증가하는 여러 임계값에서 계산된 제2 평균 정밀도를 포함하고,상기 손실 지표는, 경계 상자의 위치 및 크기 예측에서 발생하는 오류를 나타내는 경계 상자 손실(Bounding Box Loss), 상기 YOLO 모델이 각 객체의 클래스 레이블을 예측할 때 발생하는 오류를 나타내는 분류 손실(Classification Loss), 및 객체의 형태 변형을 처리하는 데 사용되는 손실을 나타내는 변형 손실(Deformation Loss)을 포함하는 것을 특징으로 하는 객체 검출 방법.

제1항에 있어서,상기 YOLO 모델은 CloU(Complete Intersection over Union) 손실 함수, DFL(Distance Focal Loss) 손실 함수, 및 이미지에 대한 시맨틱 분할 마스크를 예측하는 시맨틱 분할 모델을 포함하는 것을 특징으로 하는 객체 검출 방법.

삭제

제1항에 있어서,상기 하이퍼 파라미터는 학습률(learning rate), 배치 크기(batch size), 및 에포크(epoch) 중 적어도 하나를 포함하는 것을 특징으로 하는 객체 검출 방법.

삭제

삭제

삭제

적어도 하나의 컴퓨터 장치에 의해 구현되는 학습 시스템의 학습 방법에 있어서,상기 적어도 하나의 컴퓨터 장치는 적어도 하나의 프로세서를 포함하고,상기 학습 방법은,상기 적어도 하나의 프로세서에 의해, 복수의 학습 이미지를 포함하는 데이터 셋을 전처리하는 단계;상기 적어도 하나의 프로세서에 의해, SSA(Squirrel Search Algorithm)에 기반하여 YOLO(You Only Look once) 모델의 하이퍼 파라미터를 튜닝하는 단계; 및상기 전처리된 데이터 셋을 이용하여 상기 튜닝된 하이퍼 파라미터에 따라 상기 YOLO 모델을 학습시키는 단계를 포함하고,상기 하이퍼 파라미터를 튜닝하는 단계는,상기 SSA에서 사용되는 다람쥐의 위치에 상기 하이퍼 파라미터를 대응시켜 상기 하이퍼 파라미터에 대한 적합도 평가를 통해 하이퍼 파라미터를 선택하고,상기 YOLO 모델을 학습시키는 단계는,상기 선택된 하이퍼 파라미터에 따라 상기 YOLO 모델을 학습시키고,상기 적합도 평가는 정밀도(precision), 재현율(recall), 평균 정밀도의 합에서 손실 지표를 빼는 적합도 함수에 따른 적합도에 기반하고,상기 평균 정밀도는 IoU(Intersection over Union)가 0.5 이상인 경우를 기준으로 계산된 제1 평균 정밀도, 및 IoU가 0.5에서 0.95까지 0.05 간격으로 증가하는 여러 임계값에서 계산된 제2 평균 정밀도를 포함하고,상기 손실 지표는, 경계 상자의 위치 및 크기 예측에서 발생하는 오류를 나타내는 경계 상자 손실(Bounding Box Loss), 상기 YOLO 모델이 각 객체의 클래스 레이블을 예측할 때 발생하는 오류를 나타내는 분류 손실(Classification Loss), 및 객체의 형태 변형을 처리하는 데 사용되는 손실을 나타내는 변형 손실(Deformation Loss)을 포함하는 것을 특징으로 하는 학습 방법.

제8항에 있어서,상기 YOLO 모델은 CloU(Complete Intersection over Union) 손실 함수, DFL(Distance Focal Loss) 손실 함수, 및 이미지에 대한 시맨틱 분할 마스크를 예측하는 시맨틱 분할 모델을 포함하는 것을 특징으로 하는 학습 방법.

삭제

제8항에 있어서,상기 하이퍼 파라미터는 학습률(learning rate), 배치 크기(batch size), 및 에포크(epoch) 중 적어도 하나를 포함하는 것을 특징으로 하는 학습 방법.

삭제

삭제

삭제

컴퓨터 장치와 결합되어 제1항, 제2항, 제4항, 제8항, 제9항, 또는 제11항 중 어느 한 항의 방법을 컴퓨터 장치에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.

제1항, 제2항, 제4항, 제8항, 제9항, 또는 제11항 중 어느 한 항의 방법을 컴퓨터 장치에 실행시키기 위한 컴퓨터 프로그램이 기록되어 있는 컴퓨터 판독 가능한 기록매체.

적어도 하나의 컴퓨터 장치에 의해 구현되는 객체 검출 시스템에 있어서,상기 적어도 하나의 컴퓨터 장치는 적어도 하나의 프로세서를 포함하고,상기 적어도 하나의 프로세서에 의해, SSA(Squirrel Search Algorithm)에 기반하여 튜닝된 하이퍼 파라미터에 따라 사전 학습된 YOLO(You Only Look once) 모델을 로딩하고,객체 검출을 위한 이미지를 입력받고,상기 이미지를 상기 YOLO 모델에 입력하여 상기 YOLO 모델이 출력하는 상기 이미지가 포함하는 객체에 대한 정보를 제공하고,상기 YOLO 모델은 상기 SSA에서 사용되는 다람쥐의 위치에 상기 하이퍼 파라미터를 대응시켜 상기 하이퍼 파라미터에 대한 적합도 평가를 통해 선택된 하이퍼 파라미터에 따라 사전 학습되고,상기 적합도 평가는 정밀도(precision), 재현율(recall), 평균 정밀도의 합에서 손실 지표를 빼는 적합도 함수에 따른 적합도에 기반하고,상기 평균 정밀도는 IoU(Intersection over Union)가 0.5 이상인 경우를 기준으로 계산된 제1 평균 정밀도, 및 IoU가 0.5에서 0.95까지 0.05 간격으로 증가하는 여러 임계값에서 계산된 제2 평균 정밀도를 포함하고,상기 손실 지표는, 경계 상자의 위치 및 크기 예측에서 발생하는 오류를 나타내는 경계 상자 손실(Bounding Box Loss), 상기 YOLO 모델이 각 객체의 클래스 레이블을 예측할 때 발생하는 오류를 나타내는 분류 손실(Classification Loss), 및 객체의 형태 변형을 처리하는 데 사용되는 손실을 나타내는 변형 손실(Deformation Loss)을 포함하는 것을 특징으로 하는 객체 검출 시스템.

삭제