Products

AI 영상 분석 및 인식 기술

Scroll

H    SOLUTIONS    Products

Problem Statement

기존 딥러닝 AI 기반 물체 검출 모델 개발의 경우 검출 대상에 따라서 대량의 학습용 이미지 데이터를 필요하여 초기 학습 비용이 매우 크며, 미세한 환경 차이로 인한 성능 (검출율/인식율) 저하로 인하여 재학습 비용이 크게 소요된다. 응용 분야 (예: 공장, 축사 등)에 따라서 현장 접근이 어려워 학습용 이미지 데이터 취득에 시간이 많이 소요되는 측면이 있고, 이미지 데이터 자체가 외부로 반출이 되지 않는 경우도 많이 있다.

 

기존 딥러닝 AI 기반 물체 검출기 개발 방법론의 경우 검출기를 개발하기 위해 필요한 데이터 취득/정제/학습/평가/배포/모니터링 등을 포함하는 작업흐름이 자동화 되어 있지 않아서 개발에 시간이 오래 걸리며, 클라우드 기반의 작업흐름 자동화는 일부 존재하나 현장 (On-Prem)에 가볍게 적용 가능한 작업흐름 자동화 솔루션은 미비한 상태이다. 또한, 환경변화 및 검출대상 변경 시 딥러닝 모델을 처음부터 다시 재개발 해야 하고, Edge AI 경량화를 포함한 다수의 최적화 기법을 다시 적용해야 하기에 개발 작업이 반복적이며 비생산적이다.

Approach

현장 적응 (학습)이 가능한 물체 검출 솔루션 제공하고자 한다. 다양한 도메인 (예: 농장, 공장 등)의 대상 물체 (예: 가축, 농작물, 설비/로봇 등)의 변화를 검출할 수 있는 검출기 (DX)와 검출기 성능 모니터링 및 필요 시 재학습을 지원하기 위한 서버 (TX) 및 원격지원 (Remote Assistant) 등으로 구성되며 (아래 그림 참조), 물체 검출기 (DX)는 연계된 인식기능 (행위, 상황, 얼굴/번호 등)을 수행하기 위한 전처리 역할을 수행하기에 처리속도 최적화가 매우 중요하다. 따라서, SOTA 대비 동등 수준 이상의 정확도와 50% 이상의 처리속도 개선을 목표로 하여 기존 YOLO/SSD와 같은 방식과 다르게 Anchor 및 NMS 없이 물체를 검출하는 새로운 구조의 자체 모델을 연구/개발하고자 한다.

 

좌우스크롤 이미지화면을 좌, 우로 움직여 주세요.

Approach

 

다양한 딥러닝 모델 개발 및 응용을 위한 현장 중심의 AutoML 플랫폼 제공하고자 한다. 모델 개발을 위하여 소요되는 반복적이며 비생산적인 수작업 (데이터셋 구축, 데이터 레이블링, 하이퍼 파라미터 튜닝 등)을 최소화하고 현장에서 취득된 이미지로 온라인 학습 및 준지도 학습이 이루어 질 수 있는 작업흐름 자동화를 지원하는 Vision AI 기반 AutoCare 플랫폼을 제공하며, 특히 스마트 팜 및 팩토리 등의 거친 환경에서 요구되는 Edge AI 형태의 경량화된 커스텀 검출 모델이 AutoCare 플랫폼을 활용하여 빠르게 개발될 수 있도록 지원하고자 한다.

AutoCare 플랫폼   개요

좌우스크롤 이미지화면을 좌, 우로 움직여 주세요.

Approach

AutoCare 제품   구성

좌우스크롤 이미지화면을 좌, 우로 움직여 주세요.

AutoCare 제품구성

AutoCare DX

새로운 구조의 물체 검출 모델 개발 (Object Detection without Anchor)

연산비용을 효과적으로 줄이는 모델 압축 알고리즘 적용 (채널 Pruning을 통한 모델 경량화)

NMS 기반 후처리 보다 적은 연산량이 필요한 후처리 기법 적용 (Object Detection without NMS)

 

좌우스크롤 이미지화면을 좌, 우로 움직여 주세요.

AutoCare DX

AutoCare TX

현장 자동 학습을 위한 Active Flow 구성 (Training Flow + Auto Label Flow)

Labeled/Unlabeled 데이터 대상으로 Supervised Learning, Semi-Supervised Learning, Self-Supervised Learning 학습 모델 적용

 

 

좌우스크롤 이미지화면을 좌, 우로 움직여 주세요.

AutoCare TX

 

 

Online Learning : model 𝑓𝑡⟶ data 𝐱𝑡⟶ estimate 𝑓𝑡(𝐱𝑡) ⟶ observation 𝑦𝑡 ⟶ loss 𝑙(𝑦𝑡, 𝑓𝑡(𝐱𝑡))⟶ model 𝑓𝑡+1

Semi-supervised Learning : labeled data and unlabeled (pseudo-labeled) data considered together in training