用于虚拟世界中学习的卷积神经网络的方法和装置制造方法及图纸

本发明专利技术涉及一种方法及装置，用于学习主卷积神经网络，上述主卷积神经网络通过使用至少一个虚拟图像及至少一个风格转换实际图像来执行自动驾驶，上述风格转换实际图像为将至少一个实际图像转换为预设的虚拟世界的图像风格的图像，其特征在于，包括：步骤(a)，学习装置获取与预设的虚拟世界中的虚拟车辆的虚拟行驶相对应的一个以上的第一学习图像的至少一部分；以及步骤(b)，上述学习装置执行第一学习流程(b1)及第二学习流程(b2)，上述第一学习流程(b1)包括步骤(i)及步骤(ii)，在上述步骤(i)中，使包括于上述主卷积神经网络的主卷积层及输出层通过参照上述第一学习图像来生成一个以上的第一预测自动驾驶源信息。

【技术实现步骤摘要】
用于虚拟世界中学习的卷积神经网络的方法和装置
本专利技术涉及用于与自动驾驶车辆一同使用的方法及装置，更具体地，涉及可使在虚拟世界中学习的卷积神经网络(CNN)用于真实世界的学习方法及学习装置、利用其的测试装置。
技术介绍
深度卷积神经网络(DeepConvolutionalNeuralNetworkorDeepCNN)为深度学习领域中显著发展的核心。在90年代，卷积神经网络用于解决字符识别问题，近来，广泛应用于机器学习(MachineLearning)领域。例如，2012年，卷积神经网络在图像识别挑战赛(ImageNetLargeScaleVisualRecognitionChallenge)中战胜其他竞争对象夺得冠军。之后，卷积神经网络成为机器学习领域中非常有用的工具。近来，卷积神经网络广泛应用于自动驾驶领域。卷积神经网络通过在自动驾驶领域处理自己输入的图像来执行客体检测、图像分割、空闲空间检测等。其中，卷积神经网络需要大量的训练集，来执行这些功能。如上所述的方式具有在自动驾驶领域中通过使用卷积神经网络来制作如上所述的训练集所需的成本高的问题。并且，为了生成训练集，可自动获取学习图像，与之相对应的真值(GT)需通过人为生成，因此，成本较高。用于解决这种问题的方案为虚拟行驶。利用所编程的计算机模拟虚拟世界，并可自动获取学习图像和与之相对应的真值，从而具有可降低成本的优点。但是，在此方法中，在虚拟世界中获取的学习图像与真实世界的图像不同，因此，也具有对于在虚拟世界中学习的卷积神经网络的可靠性低的问题。
技术实现思路
本专利技术的目的在于，解决如上所述的问题。本专利技术的再一目的在于，提供通过使用照片风格转换来用于运行时间输入转换的学习方法，使得在虚拟世界中学习的卷积神经网络用于真实世界。本专利技术的另一目的在于，提供作为从虚拟世界获取的虚拟图像和用于测试的图像将相同风格的实际图像用作学习图像的学习方法。用于实现如上所述的本专利技术的目的并实现后述的本专利技术的特征性效果的本专利技术的特征性结构如下。根据本专利技术的一实施方式，提供一种方法，用于学习主卷积神经网络(CNN，ConvolutionalNeuralNetwork)，上述主卷积神经网络通过使用至少一个虚拟图像及至少一个风格转换实际图像来执行自动驾驶，上述风格转换实际图像为将至少一个实际图像转换为预设的虚拟世界的图像风格的图像，其特征在于，包括：步骤(a)，学习装置获取与预设的虚拟世界中的虚拟车辆的虚拟行驶相对应的一个以上的第一学习图像的至少一部分；以及步骤(b)，上述学习装置执行第一学习流程(b1)及第二学习流程(b2)，上述第一学习流程(b1)包括步骤(i)及步骤(ii)，在上述步骤(i)中，使包括于上述主卷积神经网络的主卷积层及输出层通过参照上述第一学习图像来生成一个以上的第一预测自动驾驶源信息，在上述步骤(ii)中，使包括于上述主卷积神经网络的主要损失层执行步骤(ii-1)及步骤(ii-2)，在上述步骤(ii-1)中，通过参照上述第一预测自动驾驶源信息及与之相对应的第一真值(GT，Ground-Truth)自动驾驶源信息来生成一个以上的第一主要损失，在上述步骤(ii-2)中，通过使用上述第一主要损失来执行反向传播，从而学习上述主卷积神经网络的参数的至少一部分，上述第二学习流程(b2)包括步骤(i)、步骤(ii)及步骤(iii)，在上述步骤(i)中，使支持卷积神经网络通过参照与上述第一学习图像相对应的至少一个第一基本图像及与真实世界中的实际车辆的实际行驶相对应的一个以上的第二基本图像来生成一个以上的第二学习图像，在上述步骤(ii)中，使包括于上述主卷积神经网络的上述主卷积层及上述输出层通过参照上述第二学习图像来生成一个以上的第二预测自动驾驶源信息，在上述步骤(iii)中，使包括于上述主卷积神经网络的上述主要损失层执行步骤(iii-1)及步骤(iii-2)，在上述步骤(iii-1)中，通过参照上述第二预测自动驾驶源信息及与之相对应的第二真值自动驾驶源信息来生成一个以上的第二主要损失，在上述步骤(iii-2)中，通过使用上述第二主要损失来执行反向传播，从而学习上述主卷积神经网络的参数的至少一部分。在一实施例中，上述步骤(b2)包括：步骤(b21)，上述学习装置使包括于上述支持卷积神经网络的支持卷积层执行步骤(i)及步骤(ii)，在上述步骤(i)中，通过向上述第一基本图像适用至少一个支持卷积神经网络运算来生成一个以上的特定风格特征地图，在上述步骤(ii)中，通过向上述第二基本图像中的特定第二基本图像适用上述支持卷积神经网络运算来生成一个以上的特定内容特征地图；步骤(b22)，上述学习装置执行步骤(i)及步骤(ii)，在上述步骤(i)中，使包括于上述支持卷积神经网络的上述支持卷积层通过向噪声图像适用上述支持卷积神经网络运算来生成一个以上的第一更新特征地图，在上述步骤(ii)中，使包括于上述支持卷积神经网络的支持损失层执行步骤(ii-1)及步骤(ii-2)，在上述步骤(ii-1)中，通过使用上述特定风格特征地图、上述特定内容特征地图以及上述第一更新特征地图来生成至少一个第一更新损失，在上述步骤(ii-2)中，通过上述第一更新损失来更新上述噪声图像，从而生成至少一个第一更新图像；步骤(b23)，上述学习装置执行步骤(i)及步骤(ii)，在上述步骤(i)中，使包括于上述支持卷积神经网络的上述支持卷积层通过向第K-1更新图像适用上述支持卷积神经网络运算来生成一个以上的第K更新特征地图，在上述步骤(ii)中，使包括于上述支持卷积神经网络的上述支持损失层执行步骤(ii-1)及步骤(ii-2)，在上述步骤(ii-1)中，通过使用上述特定风格特征地图、上述特定内容特征地图以及上述第K更新特征地图来生成至少一个第K更新损失，在上述步骤(ii-2)中，通过上述第K更新损失来更新上述第K-1图像，从而生成至少一个第K更新图像；以及步骤(b24)，将上述学习装置通过执行上述步骤(b22)及上述步骤(b23)而生成的第N更新图像作为特定第二学习图像来输出，其中，K为1至N的整数。在一实施例中，在上述步骤(b22)中，上述学习装置使上述支持损失层执行流程(i)及流程(ii)，在上述流程(i)中，通过使用上述第一更新特征地图和上述特定风格特征地图来生成一个以上的第一风格损失，在上述流程(ii)中，通过使用上述第一更新特征地图和上述特定内容特征地图来生成一个以上的第一内容损失，从而生成包括上述第一风格损失及上述第一内容损失在内的上述第一更新损失。在一实施例中，在上述步骤(b22)中，上述学习装置使上述支持损失层通过以梯度下降方式(gradient-descentscheme)使用上述第一更新损失来更新上述噪声图像，并执行步骤(i)及步骤(ii)，在上述步骤(i)中，相比于上述噪声图像的风格特性，使上述第一更新图像的风格特性与上述特定第一基本图像的风格特性更相似，在上述步骤(ii)中，相比于上述噪声图像的内容特性，使上述第一更新图像的内容特性与上述特定第本文档来自技高网...

【技术保护点】
1.一种方法，用于学习主卷积神经网络，上述主卷积神经网络通过使用至少一个虚拟图像及至少一个风格转换实际图像来执行自动驾驶，上述风格转换实际图像为将至少一个实际图像转换为预设的虚拟世界的图像风格的图像，其特征在于，包括：/n步骤(a)，学习装置获取与预设的虚拟世界中的虚拟车辆的虚拟行驶相对应的一个以上的第一学习图像的至少一部分；以及/n步骤(b)，上述学习装置执行第一学习流程(b1)及第二学习流程(b2)，上述第一学习流程(b1)包括步骤(i)及步骤(ii)，在上述步骤(i)中，使包括于上述主卷积神经网络的主卷积层及输出层通过参照上述第一学习图像来生成一个以上的第一预测自动驾驶源信息，在上述步骤(ii)中，使包括于上述主卷积神经网络的主要损失层执行步骤(ii-1)及步骤(ii-2)，在上述步骤(ii-1)中，通过参照上述第一预测自动驾驶源信息及与之相对应的第一真值自动驾驶源信息来生成一个以上的第一主要损失，在上述步骤(ii-2)中，通过使用上述第一主要损失来执行反向传播，从而学习上述主卷积神经网络的参数的至少一部分，上述第二学习流程(b2)包括步骤(i)、步骤(ii)及步骤(iii)，在上述步骤(i)中，使支持卷积神经网络通过参照与上述第一学习图像相对应的至少一个第一基本图像及与真实世界中的实际车辆的实际行驶相对应的一个以上的第二基本图像来生成一个以上的第二学习图像，在上述步骤(ii)中，使包括于上述主卷积神经网络的上述主卷积层及上述输出层通过参照上述第二学习图像来生成一个以上的第二预测自动驾驶源信息，在上述步骤(iii)中，使包括于上述主卷积神经网络的上述主要损失层执行步骤(iii-1)及步骤(iii-2)，在上述步骤(iii-1)中，通过参照上述第二预测自动驾驶源信息及与之相对应的第二真值自动驾驶源信息来生成一个以上的第二主要损失，在上述步骤(iii-2)中，通过使用上述第二主要损失来执行反向传播，从而学习上述主卷积神经网络的参数的至少一部分。/n...

【技术特征摘要】
20190130 US 62/798,837;20191231 US 16/731,0801.一种方法，用于学习主卷积神经网络，上述主卷积神经网络通过使用至少一个虚拟图像及至少一个风格转换实际图像来执行自动驾驶，上述风格转换实际图像为将至少一个实际图像转换为预设的虚拟世界的图像风格的图像，其特征在于，包括：
步骤(a)，学习装置获取与预设的虚拟世界中的虚拟车辆的虚拟行驶相对应的一个以上的第一学习图像的至少一部分；以及
步骤(b)，上述学习装置执行第一学习流程(b1)及第二学习流程(b2)，上述第一学习流程(b1)包括步骤(i)及步骤(ii)，在上述步骤(i)中，使包括于上述主卷积神经网络的主卷积层及输出层通过参照上述第一学习图像来生成一个以上的第一预测自动驾驶源信息，在上述步骤(ii)中，使包括于上述主卷积神经网络的主要损失层执行步骤(ii-1)及步骤(ii-2)，在上述步骤(ii-1)中，通过参照上述第一预测自动驾驶源信息及与之相对应的第一真值自动驾驶源信息来生成一个以上的第一主要损失，在上述步骤(ii-2)中，通过使用上述第一主要损失来执行反向传播，从而学习上述主卷积神经网络的参数的至少一部分，上述第二学习流程(b2)包括步骤(i)、步骤(ii)及步骤(iii)，在上述步骤(i)中，使支持卷积神经网络通过参照与上述第一学习图像相对应的至少一个第一基本图像及与真实世界中的实际车辆的实际行驶相对应的一个以上的第二基本图像来生成一个以上的第二学习图像，在上述步骤(ii)中，使包括于上述主卷积神经网络的上述主卷积层及上述输出层通过参照上述第二学习图像来生成一个以上的第二预测自动驾驶源信息，在上述步骤(iii)中，使包括于上述主卷积神经网络的上述主要损失层执行步骤(iii-1)及步骤(iii-2)，在上述步骤(iii-1)中，通过参照上述第二预测自动驾驶源信息及与之相对应的第二真值自动驾驶源信息来生成一个以上的第二主要损失，在上述步骤(iii-2)中，通过使用上述第二主要损失来执行反向传播，从而学习上述主卷积神经网络的参数的至少一部分。


2.根据权利要求1所述的方法，其特征在于，
上述步骤(b2)包括：
步骤(b21)，上述学习装置使包括于上述支持卷积神经网络的支持卷积层执行步骤(i)及步骤(ii)，在上述步骤(i)中，通过向上述第一基本图像适用至少一个支持卷积神经网络运算来生成一个以上的特定风格特征地图，在上述步骤(ii)中，通过向上述第二基本图像中的特定第二基本图像适用上述支持卷积神经网络运算来生成一个以上的特定内容特征地图；
步骤(b22)，上述学习装置执行步骤(i)及步骤(ii)，在上述步骤(i)中，使包括于上述支持卷积神经网络的上述支持卷积层通过向噪声图像适用上述支持卷积神经网络运算来生成一个以上的第一更新特征地图，在上述步骤(ii)中，使包括于上述支持卷积神经网络的支持损失层执行步骤(ii-1)及步骤(ii-2)，在上述步骤(ii-1)中，通过使用上述特定风格特征地图、上述特定内容特征地图以及上述第一更新特征地图来生成至少一个第一更新损失，在上述步骤(ii-2)中，通过上述第一更新损失来更新上述噪声图像，从而生成至少一个第一更新图像；
步骤(b23)，上述学习装置执行步骤(i)及步骤(ii)，在上述步骤(i)中，使包括于上述支持卷积神经网络的上述支持卷积层通过向第K-1更新图像适用上述支持卷积神经网络运算来生成一个以上的第K更新特征地图，在上述步骤(ii)中，使包括于上述支持卷积神经网络的上述支持损失层执行步骤(ii-1)及步骤(ii-2)，在上述步骤(ii-1)中，通过使用上述特定风格特征地图、上述特定内容特征地图以及上述第K更新特征地图来生成至少一个第K更新损失，在上述步骤(ii-2)中，通过上述第K更新损失来更新上述第K-1图像，从而生成至少一个第K更新图像；以及
步骤(b24)，将上述学习装置通过执行上述步骤(b22)及上述步骤(b23)而生成的第N更新图像作为特定第二学习图像来输出，
其中，K为1至N的整数。


3.根据权利要求2所述的方法，其特征在于，在上述步骤(b22)中，上述学习装置使上述支持损失层执行流程(i)及流程(ii)，在上述流程(i)中，通过使用上述第一更新特征地图和上述特定风格特征地图来生成一个以上的第一风格损失，在上述流程(ii)中，通过使用上述第一更新特征地图和上述特定内容特征地图来生成一个以上的第一内容损失，从而生成包括上述第一风格损失及上述第一内容损失在内的上述第一更新损失。


4.根据权利要求2所述的方法，其特征在于，在上述步骤(b22)中，上述学习装置使上述支持损失层通过以梯度下降方式使用上述第一更新损失来更新上述噪声图像，并执行步骤(i)及步骤(ii)，在上述步骤(i)中，相比于上述噪声图像的风格特性，使上述第一更新图像的风格特性与上述特定第一基本图像的风格特性更相似，在上述步骤(ii)中，相比于上述噪声图像的内容特性，使上述第一更新图像的内容特性与上述特定第二基本图像的内容特性更相似。


5.根据权利要求1所述的方法，其特征在于，在上述步骤(b)中，上述学习装置执行步骤(i)及步骤(ii)，在上述步骤(i)中，使上述主卷积神经网络通过使用上述第一学习图像的特定数量及与之相对应的上述第一真值自动驾驶源信息来学习上述参数，从而执行上述第一学习流程，在上述步骤(ii)中，使上述主卷积神经网络通过使用上述第二学习图像及与之相对应的上述第二真值自动驾驶源信息来对上述参数进行微细调整，从而执行上述第二学习流程。


6.根据权利要求1所述的方法，其特征在于，
在上述步骤(b)中，
上述学习装置执行步骤(i)，使上述主卷积神经网络通过使用(i-1)以与被管理者预设的特定数有关的特定第一学习图像的数的比例为基础的上述第一学习图像中的一个以上的特定第一学习图像及(i-2)与之相对应的上述第一真值自动驾驶源信息的一部分来在初期学习上述参数，从而执行上述第一学习流程，
上述学习装置执行步骤(ii)，使上述主卷积神经网络同时使用上述第一学习图像、与之相对应的上述第一真值自动驾驶源信息以及上述第二学习图像、与之相对应的上述第二真值自动驾驶源信息来重新学习上述参数，从而执行上述第二学习流程。


7.根据权利要求1所述的方法，其特征在于，在上述步骤(b2)中，上述第一基本图像为选自于上述第一学习图像中的图像，上述第二基本图像为通过搭载于上述实际车辆的至少一个摄像头拍摄与上述实际车辆相对应的实际行驶情状况的图像，在上述至少一个第一基本图像为一个的情况下，上述第二学习图像分别与各个上述第二基本图像相对应。


8.根据权利要求1所述的方法，其特征在于，在上述步骤(b1)中，上述学习装置执行步骤(i)及步骤(ii)，在上述步骤(i)中，使包括于上述主卷积神经网络的上述主卷积层的一个以上的主要卷积神经元反复执行流程来生成第一自动驾驶特征地图，上述流程包括步骤(i-1)及步骤(i-2)，在上述步骤(i-1)中，通过使用自身参数来在所输入的值适用至少一个主卷积，在上述步骤(i-2)中，将其输出向它的下一个自主驱动神经元传递，在上述步骤(ii)中，使包括于上述主卷积神经网络的上述输出层通过向上述第一自动驾驶特征地图适用至少一个输出运算来生成上述第一预测自动驾驶源信息，从而向上述第一学习图像适用上述主卷积神经网络运算。


9.一种方法，用于测试主卷积神经网络，上述主卷积神经网络通过使用至少一个虚拟图像及至少一个风格转换实际图像来执行自动驾驶，上述风格转换实际图像为将至少一个实际图像转换为预设的虚拟世界的图像风格的图像，其特征在于，包括：
步骤(a)，包括步骤(1)及步骤(2)，在上述步骤(1)中，学习装置获取与预设的虚拟世界中的与虚拟车辆的虚拟行驶相对应的一个以上的第一学习图像的至少一部分，在上述步骤(2)中，上述学习装置执行第一学习流程(2-1)及第二学习流程(2-2)，上述第一学习流程(2-1)包括步骤(i)及步骤(ii)，在上述步骤(i)中，使包括于上述主卷积神经网络的主卷积层及输出层通过参照上述第一学习图像来生成一个以上的第一预测自动驾驶源信息，在上述步骤(ii)中，使包括于上述主卷积神经网络的主要损失层执行步骤(ii-1)及步骤(ii-2)，在上述步骤(ii-1)中，通过参照上述第一预测自动驾驶源信息及与之相对应的第一真值自动驾驶源信息来生成一个以上的第一主要损失，在上述步骤(ii-2)中，通过使用上述第一主要损失来执行反向传播，从而学习上述主卷积神经网络的参数的至少一部分，上述第二学习流程(2-2)包括步骤(i)、步骤(ii)及步骤(iii)，在上述步骤(i)中，使支持卷积神经网络通过参照与上述第一学习图像相对应的至少一个第一基本图像及与真实世界中的实际车辆的实际行驶相对应的一个以上的第二基本图像来生成一个以上的第二学习图像，在上述步骤(ii)中，使包括于上述主卷积神经网络的上述主卷积层及上述输出层通过参照上述第二学习图像来生成一个以上的第二预测自动驾驶源信息，在上述步骤(iii)中，使包括于上述主卷积神经网络的上述主要损失层执行步骤(iii-1)及步骤(iii-2)，在上述步骤(iii-1)中，通过参照上述第二预测自动驾驶源信息及与之相对应的第二真值自动驾驶源信息来生成一个以上的第二主要损失，在上述步骤(iii-2)中，通过使用上述第二主要损失来执行反向传播，从而学习上述主卷积神经网络的参数的至少一部分，在完成学习的状态下，测试装置使上述支持卷积神经网络通过参照(i)与测试用虚拟世界中的测试用虚拟车辆的测试用虚拟行驶相对应的至少一个测试用第一基本图像及(ii)搭载于与上述测试装置联动来进行工作的测试用实际车辆的至少一个测试用摄像头获取的至少一个测试用第二基本图像来生成测试图像；以及
步骤(b)，上述测试装置使包括于上述主卷积神经网络的上述主卷积层及上述输出层通过参照上述测试图像来生成测试用预测自动驾驶源信息。


10.根据权利要求9所述的方法，其特征在于，还包括步骤(c)，上述测试装置向自动驾驶应用程序模块传递上述测试用预测自动驾驶源信息来支持上述测试用实际车辆的自动驾驶。


11.根据权利要求9所述的方法，其特征在于，
上述步骤(a)包括：
步骤(a1)，上述测试装置使包括于上述支持卷积神经网络的支持卷积层执行流程(i)及流程(ii)，在上述流程(i)中，通过向上述测试用第一基本图像适用至少一个支持卷积神经网络运算来生成一个以上的测试用特定风格特征地图，在上述流程(ii)中，通过向上述测试用第二基本图像中的特定第二基本图像适用上述支持卷积神经网络运算来生成一个以上的测试用特定内容特征地图；
步骤(a2)，上述测试装置执行步骤(i)及步骤(ii)，在上述步骤(i)中，使包括于上述支持卷积神经网络的上述支持卷积层通过向测试用噪声图像适用上述支持卷积神经网络运算来生成一个以上的测试用第一更新特征地图，在上述步骤(ii)中，使包括于上述支持卷积神经网络的支持损失层执行步骤(ii-1)及步骤(ii-2)，在上述步骤(ii-1)中，通过使用上述测试用特定风格特征地图、上述测试用特定内容特征地图以及上述测试用第一更新特征地图来生成至少一个测试用第一更新损失，在上述步骤(ii-2)中，通过上述测试用第一更新损失来更新上述噪声图像，从而生成至少一个测试用第一更新图像；
步骤(a3)，上述测试装置执行步骤(i)及步骤(ii)，在上述步骤(i)中，使包括于上述支持卷积神经网络的上述支持卷积层通过向测试用第K-1更新图像适用上述支持卷积神经网络运算来生成一个以上的测试用第K更新特征地图，在上述步骤(ii)中，使包括于上述支持卷积神经网络的上述支持损失层执行步骤(ii-1)及步骤(ii-2)，在上述步骤(ii-1)中，通过使用上述测试用特定风格特征地图、上述测试用特定内容特征地图以及上述测试用第K更新特征地图来生成至少一个测试用第K更新损失，在上述步骤(ii-2)中，通过上述测试用第K更新损失来更新上述测试用第K-1图像，从而生成至少一个测试用第K更新图像；以及
步骤(a4)，上述测试装置将通过执行上述步骤(a2)及上述步骤(a3)而生成的测试用第N更新图像作为上述测试图像来输出，
其中，K为1至N的整数。


12.根据权利要求9所述的方法，其特征在于，在上述步骤(b)之后还包括步骤(d)，当获取上述测试用第二基本图像时，若在第T时序之后的第T+1时序通过上述测试用摄像头获取测试用追加第二基本图像，则上述测试装置使上述支持卷积神经网络执行步骤(i)及步骤(ii)，在上述步骤(i)中，通过参照上述测试用第一基本图像及上述测试用追加第二基本图像来生成追加测试图像，在上述步骤(ii)中，通过使用上述追加测试图像来生成测试用追加预测自动驾驶源信息。


13.根据权利要求9所述的方法，其特征在于，在上述步骤(b)中，上述测试装置执行步骤(i)及步骤(ii)，在上述步骤(i)中，使包括于上述主卷积神经网络的上述主卷积层的一个以上的主要卷积神经元反复执行流程来生成测试用自动驾驶特征地图，上述流程包括步骤(i-1)及步骤(i-2)，在上述步骤(i-1)中，通过利用自身参数在所接收的至少一个值适用至少一个主卷积运算，在上述步骤(i-2)中，向自身的下一个自主驱动神经元传递，在上述步骤(ii)中，使上述主卷积神经网络的上述输出层通过向上述测试用自动驾驶特征地图适用至少一个输出运算来生成上述测试用预测自动驾驶源信息，从而向上述测试图像适用上述主卷积神经网络运算。
<...

【专利技术属性】
技术研发人员：金桂贤，金镕重，金鹤京，南云铉，夫硕熏，成明哲，申东洙，吕东勋，柳宇宙，李明春，李炯树，张泰雄，郑景中，诸泓模，赵浩辰，
申请(专利权)人：斯特拉德视觉公司，
类型：发明
国别省市：韩国;KR