KR101916347B1

KR101916347B1 - 딥러닝 기반 이미지 비교 장치, 방법 및 컴퓨터 판독가능매체에 저장된 컴퓨터 프로그램

Info

Publication number: KR101916347B1
Application number: KR1020170133452A
Authority: KR
Inventors: 송기영; 강형신
Original assignee: 주식회사 수아랩
Priority date: 2017-10-13
Filing date: 2017-10-13
Publication date: 2018-11-08
Also published as: WO2019074195A1; US10937141B2; CN111247535B; EP3696736A1; US20200388021A1; CN111247535A; EP3696736A4; JP2020536337A; JP7112501B2

Abstract

본 개시의 일 실시예에 따라 이미지 비교 방법이 개시된다. 상기 이미지 비교 방법은, 사전 학습된 네트워크 함수가 상호 연관성이 있는 제 1 이미지 데이터 및 제 2 이미지 데이터를 수신하는 단계; 상기 수신된 제 1 이미지 데이터 및 제 2 이미지 데이터에 기초하여 제 2 이미지 데이터의 어노말리 관련 정보를 결정하는 단계; 및 상기 네트워크 함수에 의해 결정된 어노말리 관련 정보를 출력하는 단계를 포함한다.

Description

딥러닝 기반 이미지 비교 장치, 방법 및 컴퓨터 판독가능매체에 저장된 컴퓨터 프로그램{DEEP LEARNING BASED IMAGE COMPARISON DEVICE, METHOD AND COMPUTER PROGRAM STORED IN COMPUTER READABLE MEDIUM}

본 발명은 이미지 프로세싱과 관련된 것으로서, 더 구체적으로는 딥러닝 기반의 이미지 비교에 관련된 것이다.

딥러닝(심층학습, deep learning)은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화(abstracton, 다량의 데이터나 복잡한 자료들 속에서 특징, 핵심적인 내용 또는 기능을 요약하는 작업)를 시도하는 기계학습(machine learning) 알고리즘의 집합으로 정의될 수 있으며, 사람의 사고방식을 컴퓨터에게 가르치는 기계학습의 한 분야이다. 딥러닝은 기계로부터 만들어진 지능을 의미하는 인공지능과 함께 산업 전반에 사용되고 있다.

대한민국 공개특허 10-2017-0083805는 초서체 또는 흘림체로 작성된 문자의 신경망을 이용한 판별 방법을 개시한다.

본 개시는 전술한 배경기술에 대응하여 안출된 것으로 딥러닝 기반의 이미지 프로세싱 솔루션을 제공하기 위함이다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 이미지 비교 방법이 개시된다. 상기 이미지 비교 방법은, 사전 학습된 네트워크 함수가 상호 연관성이 있는 제 1 이미지 데이터 및 제 2 이미지 데이터를 수신하는 단계; 상기 수신된 제 1 이미지 데이터 및 제 2 이미지 데이터에 기초하여 제 2 이미지 데이터의 어노말리 관련 정보를 결정하는 단계; 및 상기 네트워크 함수에 의해 결정된 어노말리 관련 정보를 출력하는 단계를 포함한다.

이미지 비교 방법의 대안적인 실시예에서 상기 네트워크 함수는, 상기 제 1 이미지 데이터가 입력되는 제 1 서브 네트워크; 및 상기 제 2 이미지 데이터가 입력되는 제 2 서브 네트워크를 포함할 수 있다.

이미지 비교 방법의 대안적인 실시예에서 상기 네트워크 함수는, 상기 제 1 서브 네트워크 및 상기 제 2 서브 네트워크 중 적어도 하나와 직렬(in series)로 연결되는 비교 모듈을 더 포함할 수 있다.

이미지 비교 방법의 대안적인 실시예에서 상기 제 1 서브 네트워크, 상기 제 2 서브 네트워크 및 상기 비교 모듈 중 적어도 하나는 딥 뉴럴 네트워크(Deep Neural Network; DNN)구조를 포함할 수 있다.

이미지 비교 방법의 대안적인 실시예에서 상기 제 1 서브 네트워크 및 상기 제 2 서브 네트워크 중 적어도 하나는, 상기 딥 뉴럴 네트워크 구조 중 컨벌루셔널 뉴럴 네트워크(Convolutional Neural Network; CNN) 구조를 포함할 수 있다.

이미지 비교 방법의 대안적인 실시예에서 상기 비교 모듈은, 상기 딥 뉴럴 네트워크 구조 중 디컨벌루셔널 뉴럴 네트워크(Deconvolutional Neural Network) 구조를 포함할 수 있다.

이미지 비교 방법의 대안적인 실시예에서 상기 비교 모듈은, 상기 제 1 서브 네트워크 및 상기 제 2 서브 네트워크 중 적어도 하나의 서브 네트워크와 유-네트워크(U-Net) 구조의 적어도 일 부분을 구성할 수 있다.

이미지 비교 방법의 대안적인 실시예에서 상기 제 1 서브 네트워크 및 상기 제 2 서브 네트워크는, 동일한 가중치(weight)를 가지는 링크를 적어도 하나 이상 공유할 수 있다.

이미지 비교 방법의 대안적인 실시예에서 상기 제 1 서브 네트워크 및 상기 제 2 서브 네트워크는, 샴 네트워크(Siamese Network)의 적어도 일 부분을 구성할 수 있다.

이미지 비교 방법의 대안적인 실시예에서 상기 어노말리 정보를 결정하는 단계는, 상기 제 1 서브 네트워크의 적어도 하나의 레이어 및 상기 제 2 서브네트워크의 적어도 하나의 레이어에 기초하여, 적어도 하나의 레이어 비교 정보를 생성하는 단계; 및 상기 생성된 레이어 비교 정보에 기초하여, 상기 어노말리 관련 정보를 연산하는 단계를 포함할 수 있다.

이미지 비교 방법의 대안적인 실시예에서 상기 어노말리 관련 정보를 연산하는 단계는, 상기 생성된 레이어 비교 정보를 상기 비교 모듈의 대응하는 레이어에 제공하는 단계를 포함할 수 있다.

이미지 비교 방법의 대안적인 실시예에서 상기 대응하는 레이어는, 상기 레이어 비교 정보를 생성하는데 기초가 된 상기 제 1 서브 네트워크의 레이어 또는 상기 제 2 서브 네트워크의 레이어의 위치에 기초하여 결정될 수 있다.

이미지 비교 방법의 대안적인 실시예에서 상기 제 1 이미지 데이터는, 어노말리 데이터를 포함하지 않는 정상 상태 이미지 데이터만을 포함하는 마스터 이미지이고, 상기 제 2 이미지 데이터는, 슬레이브 이미지일 수 있다.

이미지 비교 방법의 대안적인 실시예에서 상기 어노말리 관련 데이터는, 상기 제 2 이미지 데이터 중 어노말리가 존재하는 픽셀의 위치정보 관련 데이터를 포함할 수 있다.

이미지 비교 방법의 대안적인 실시예에서 상기 제 1 이미지 데이터 및 제 2 이미지 데이터는 동일한 크기를 가질 수 있다.

본 개시는 딥러닝 기반의 이미지 프로세싱 솔루션을 제공할 수 있다.

도 1 은 본 개시의 일 실시예에 따라 이미지 비교 방법을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한다.
도 2 는 본 개시의 일 실시예 따라 인공 뉴럴 네트워크의 일부를 나타낸 개략도이다.
도 3 은 본 개시의 일 실시예에 따라 컨벌루셔널 뉴럴 네트워크(convolutional nerual network)를 나타낸 개략도이다
도 4 는 본 개시의 일 실시예에 따라 샴 네트워크(Siamese Network)를 나타낸 도면이다.
도 5 는 는 본 개시의 일 실시예에 따라 이미지 비교 방법을 간략화하여 나타낸 개념도이다.
도 6 은 본 개시의 일 실시예에 따라 이미지 비교 방법을 구현하기 위한 뉴럴 네트워크 구성를 나타낸 예시도이다.
도 7 은 본 개시의 일 실시예에 따라 이미지 비교 방법을 구현하기 위한 뉴럴 네트워크의 학습 데이터의 예시이다.
도 8 는 본 개시의 일 실시예에 따라 이미지 비교 방법을 구현하기 위한 뉴럴 네트워크 학습 방식을 나타낸 개념도이다.
도 9 는 본 개시의 다른 일 실시예에 따라 이미지 비교 방법을 구현하기 위한 뉴럴 네트워크 학습 방식을 나타낸 개념도이다.
도 10 은 본 개시의 또 다른 일 실시예에 따라 이미지 비교 방법을 구현하기 위한 뉴럴 네트워크 학습 방식을 나타낸 개념도이다.
도 11 은 본 개시의 일 실시에에 따라 이미지 비교 방법을 구현하기 위한 네트워크 구성을 나나탠 도면이다.
도 12 는 본 개시의 일 실시예에 따라 이미지 비교 방법을 구현하기 위한 U네트워크(U network)의 예시도이다.
도 13 은 본 개시의 다른 일 실시예에 따라 이미지 비교 방법을 구현하기 위한 샴 네트워크(siamese network)의 예시도이다.
도 14 는 본 개시의 일 실시예에 따라 이미지 비교 방법을 구현하기 위한 수단을 도시한 블록 구성도이다.
도 15 는 본 개시의 일 실시예에 따라 이미지 비교 방법을 구현하기 위한 모듈을 도시한 블록 구성도이다.
도 16 은 본 개시의 일 실시예에 따라 이미지 비교 방법을 구현하기 위한 로직을 도시한 블록 구성도이다.
도 17 은 본 개시의 일 실시예에 따라 이미지 비교 방법을 구현하기 위한 회로를 도시한 블록 구성도이다.
도 18 은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도(block diagram)이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다. 다른 예들에서, 공지된 구조 및 장치들은 실시예들의 설명을 용이하게 하기 위해서 블록 다이어그램 형태로 제공된다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있고, 일 컴포넌트는 하나의 컴퓨터 내에 로컬화될 수 있고, 또는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하지만, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

도 1 은 본 개시의 일 실시예에 따라 이미지 비교 방법을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한다. 도 1 에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이며, 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수헝하기 위한 다른 구성들이 포함될 수 있다.

컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크 모듈(150), 카메라 모듈(170)을 포함할 수 있다.

프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치(GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 이미지 비교 방법을 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)는 딥러닝(DN: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피쳐(feature) 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 개시의 일 실시예에서 컴퓨팅 장치(100)는 CPU, GPGPU, 및 TPU 중 적어도 하나를 이용하여 네트워크 함수를 분산하여 처리할 수 있다. 또한 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 다른 컴퓨팅 장치와 함께 네트워크 함수를 분산하여 처리할 수 있다.

본 개시의 일 실시예에서 네트워크 함수를 이용하여 처리되는 이미지는 컴퓨팅 장치(100)의 저장 매체에 저장된 이미지, 컴퓨팅 장치(100)의 카메라 모듈(170)에 의하여 촬영된 이미지 및/또는 네트워크 모듈(150)에 의하여 이미지 데이터 베이스 등 다른 컴퓨팅 장치로부터 전송된 이미지 일 수 있다. 또한 본 개시의 일 실시예에서 네트워크 함수를 이용하여 처리되는 이미지는 컴퓨터 판독가능 저장 매체(예를 들어, 플래시 메모리 등을 포함할 수 있으나 본 개시는 이에 제한되지 않음)에 저장된 이미지일 수 있다. 컴퓨팅 장치(100)는 입출력 인터페이스(미도시)를 통해 컴퓨터 판독가능 저장 매체에 저장된 이미지 파일을 입력 받을 수 있다.

메모리(130)는 본 개시의 일 실시예에 따른 이미지 비교 방법을 수행하기 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 프로세서(110)에 의하여 판독되어 구동될 수 있다.

네트워크 모듈(150)은 본 개시의 일 실시예에 따른 이미지 비교 방법을 수행하기 위한 데이터 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 네트워크 모듈(150)은 이미지 데이터 등 본 개시의 실시예에 필요한 데이터들을 다른 컴퓨팅 장치, 서버등과 송수신할 수 있다. 예를 들어, 네트워크 모듈(150)은 학습 이미지 데이터베이스 등에서 학습 이미지 데이터를 수신할 수 있다. 또한, 네트워크 모듈(150)은 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 복수의 컴퓨팅 장치 각각에서 네트워크 함수의 학습이 분산 수행되도록 할 수 있고, 네트워크 함수를 사용한 데이터 분류를 분산 처리할 수 있도록 할 수 있다.

카메라 모듈(170)은 본 개시의 일 실시예에 따른 이미지 비교 방법을 수행하기 위하여 검사 대상물을 촬영하여 이미지 데이터를 생성하도록 할 수 있다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 하나 이상의 카메라 모듈(170)을 포함할 수 있다.

도 2 는 본 개시의 일 실시예 따라 인공 신경망의 일부를 나타낸 개략도이다.

본 명세서에 걸쳐, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 “노드”라 지칭될 수 있는 상호연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 “노드”들은 “뉴런(neuron)”들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 “링크”에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

전술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

도 2 에 도시된 바와 같이, 신경망은 하나 이상의 노드들을 포함하여, 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다, 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 전술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 도 2 의 도시에서는 출력 노드는 생략되어 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드가 출력 레이어에 가까운 히든 레이어의 노드보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 잇는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다.

도 3 에 도시된 컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network)는 딥 뉴럴 네트워크의 일종으로서, 컨벌루셔널 레이어를 포함하는 신경망을 포함한다. 컨벌루셔널 뉴럴 네트워크는 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptorns)의 한 종류이다. CNN은 하나 또는 여러개의 컨벌루셔널 레이어와 이와 결합된 인공 신경망 계층들로 구성될 수 있으며, 가중치와 풀링 레이어(pooling layer)들을 추가로 활용할 수 있다. 이러한 구조 덕분에 CNN은 2 차원 구조의 입력 데이터를 충분히 활용할 수 있다. 컨벌루셔널 뉴럴 네트워크는 이미지에서 오브젝트를 인식하기 위하여 사용될 수 있다. 컨벌루셔널 뉴럴 네트워크는 이미지 데이터를 차원을 가진 행렬로 나타내어 처리할 수 있다. 예를 들어 RGB(red-green-blue)로 인코딩된 이미지 데이터의 경우, R, G, B 색상별로 각각 2차원(예를 들어, 2 차원 이미지인경우) 행렬로 나타내 질 수 있다. 즉, 이미지 데이터의 각 픽셀의 색상값이 행렬의 성분이 될 수 있으며 행렬의 크기는 이미지의 크기와 같을 수 있다. 따라서 이미지 데이터는 3개의 2차원 행렬로(3차원의 데이터 어레이)로 나타내질 수 있다.

컨벌루셔널 뉴럴 네트워크에서 컨벌루셔널 필터를 이동해가며 컨벌루셔널 필터와 이미지의 각 위치에서의 행렬 성분끼리 곱하는 것으로 컨벌루셔널 과정(컨벌루셔널 레이어의 입출력)을 수행할 수 있다. 컨벌루셔널 필터는 n*n 형태의 행렬로 구성될 수 있으며, 일반적으로 이미지의 전체 픽셀의 수보다 작은 고정된 형태의 필터로 구성될 수 있다. 즉, m*m 이미지를 컨벌루셔널 레이어(예를 들어, 컨벌루셔널 필터의 사이즈가 n*n인 컨벌루셔널 레이어)입력시키는 경우, 이미지의 각 픽셀을 포함하는 n*n 픽셀을 나타내는 행렬이 컨벌루셔널 필터와 성분곱(즉, 행렬의 각 성분끼리의 곱) 될 수 있다. 컨벌루셔널 필터와의 곱에 의하여 이미지에서 컨벌루셔널 필터와 매칭되는 성분이 추출될 수 있다. 예를 들어, 이미지에서 상하 직선 성분을 추출하기 위한 3*3 컨벌루셔널 필터는 [[0,1,0],[0,1,0],[0,1,0]] 와 같이 구성될 수 있으며, 이러한 컨벌루셔널 필터가 입력 이미지에 적용되면 이미지에서 컨벌루셔널 필터와 매칭되는 상하 직선 성분이 추출되어 출력될 수 있다. 컨벌루셔널 레이어는 이미지를 나타낸 각각의 채널에 대한 각각의 행렬(즉, R, G, B 코딩 이미지의 경우, R, G, B 색상)에 컨벌루셔널 필터를 적용할 수 있다. 컨벌루셔널 레이어는 입력 이미지에 컨벌루셔널 필터를 적용하여 입력 이미지에서 컨벌루셔널 필터와 매칭되는 피쳐를 추출할 수 있다. 컨벌루셔널 필터의 필터 값(즉, 행렬의 각 성분의 값)은 컨벌루셔널 뉴럴 네트워크의 학습 과정에서 역전파(back propagation)에 의하여 업데이트 될 수 있다.

컨벌루셔널 레이어의 출력에는 서브샘플링 레이어가 연결되어 컨벌루셔널 레이어의 출력을 단순화 하여 메모리 사용량과 연산량을 줄일 수 있다. 예를 들어, 2*2 맥스 풀링 필터를 가지는 풀링 레이어에 컨벌루셔널 레이어의 출력을 입력시키는 경우, 이미지의 각 픽셀에서 2*2 패치마다 각 패치에 포함되는 최대값을 출력하여 이미지를 압축할 수 있다. 전술한 풀링은 패치에서 최소값을 출력하거나, 패치의 평균값을 출력하는 방식일 수도 있으며 임의의 풀링 방식이 본 개시에 포함될 수 있다.

컨벌루셔널 뉴럴 네트워크는 하나 이상의 컨벌루셔널 레이어, 서브샘플링 레이어를 포함할 수 있다. 컨벌루셔널 뉴럴 네트워크는 컨벌루셔널 과정과 서브샘플링 과정(예를 들어, 전술한 맥스 풀링 등)을 반복적으로 수행하여 이미지에서 피쳐를 추출할 수 있다. 반복적인 컨벌루션널 과정과 서브샘플링 과정을 통해 뉴럴 네트워크는 이미지의 글로벌 피쳐를 추출할 수 있다.

컨벌루셔널 레이어 또는 서브샘플링 레이어의 출력은 풀 커넥티드 레이어(fully connected layer)에 입력될 수 있다. 풀 커넥티드 레이어는 하나의 레이어에 있는 모든 뉴런과 이웃한 레이어에 있는 모든 뉴런이 연결되는 레이어이다. 풀 커넥티드 레이어는 뉴럴 네트워크에서 각 레이어의 모든 노드가 다른 레이어의 모든 노드에 연결된 구조를 의미할 수 있다.

본 개시의 일 실시예에서 이미지 데이터의 세그먼테이션(segmentation)을 수행하기 위하여 뉴럴 네트워크는 디컨벌루셔널 뉴럴 네트워크(DCNN: deconvolutional neural network)를 포함할 수 있다. 디컨벌루셔널 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크를 역방향으로 계산시킨 것과 유사한 동작을 수행하며, 컨벌루셔널 뉴럴 네트워크에서 추출된 피쳐를 원본 데이터와 관련된 피쳐 맵으로 출력할 수 있다.

도 4 는 본 개시의 일 실시예에 따라 샴 네트워크(Siamese Network)를 나타낸 도면이다.

샴 네트워크(200)(siamese network)는 카테고리별 학습 데이터(traing data)가 충분치 않은 인식기에 사용될 수 있는 뉴럴 네트워크이다. 샴 네트워크는 데이터로부터 유사성 측정을 학습할 수 있다. 샴 네트워크는 도 4 에 도시된 바와 같이 적어도 부분적으로 가중치를 공유하는 2 이상의 뉴럴 네트워크들(210, 230)(서브 네트워크들)과 뉴럴 네트워크들로부터 출력을 입력받는 비교 모듈(250)을 포함할 수 있다. 샴 네트워크(200)에는 적어도 2 개의 이미지가 입력될 수 있다. 샴 네트워크(200)는 입력되는 2 개의 이미지의 유사도를 판단한 결과를 출력할 수 있다. 이미지 처리를 위하여 샴 네트워크는 이미지를 입력 받는 2개의 컨벌루셔널 뉴럴 네트워크를 포함할 수 있다. 샴 네트워크에서 이미지를 입력 받는 2 개의 컨벌루셔널 뉴럴 네트워크는 가중치의 적어도 일부를 공유할 수 있다. 샴 네트워크에 포함된 서브 네트워크들은 가중치 공유 모듈(220)에 의하여 가중치를 공유할 수 있으며, 서브 네트워크들이 가중치를 공유 함으로써, 샴 네트워크는 입력된 두 데이터에 대해 공통된 가중치로 피쳐를 추출하여 비교할 수 있다.

샴 네트워크 구조는 입력 데이터의 유사성을 측정할 수 있는 학습이 가능한 네트워크 구조로서, 카테고리가 많고 훈련을 위한 데이터가 충분치 않은 경우에 사용될 수 있다. 입력 데이터 유사성 측정의 학습 방법은 타겟 공간에서의 단순 거리가 입력 공간에서 의미론적 거리(semantic distance)에 근접하도록 입력 패턴을 타겟 공간에 매핑시키는 함수를 찾는 과정을 포함할 수 있다.

샴 네트워크의 입력 데이터 유사성 측정의 학습 방법은 서브 네트워크의 가중치 w를 가지는 함수

에서 가중치 w를 연산하는 과정을 포함할 수 있다. 구체적으로, 서브 네트워크의 함수

에서 입력 데이터

,

가 서로 같은 카테고리인 경우 유사도 함수

가 작은 값을 가지고, 입력 데이터

,

가 서로 다른 카테고리인 경우 유사도 함수가 큰 값을 가지도록 하는 가중치 w를 연산하는 과정을 포함할 수 있다. 서브 네트워크의 가중치 w는 가중치 공유 모듈(220)에 의하여 각각 공유될 수 있다. 샴 네트워크 구조는 서브 네트워크가 공유된 가중치를 가지는 함수

로 각각의 입력 데이터를 처리할 수 있다.

두 컨벌루셔널 뉴럴 네트워크는 서로 대응되는 노드끼리 가중치를 공유할 수 있다. 컨벌루셔널 뉴럴 네트워크에서 출력된 피쳐들은 비교 모듈(250)에서 서로 유사도가 비교될 수 있다. 이때 비교는 양 컨벌루셔널 뉴럴 네트워크에서 출력된 피쳐의 수학적 거리에 기초하여 수행될 수 있다. 양 이미지를 비교하는 방식으로 샴 네트워크(200)는 학습 데이터가 충분치 않은 경우에도 이미지 데이터에서 오브젝트 등을 인식할 수 있고, 이미지 데이터의 회전, 변형 등에 민감하지 않아 일반적인(general) 인식 성능을 가질 수 있다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화 하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력 시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고 뉴럴 네트워트의 출력(카테고리)과 학습 데이터의 라벨을 비교하여 오차(error)가 계산될 수 있다. 계산된 오차는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learing rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오차는 감소하나 실제 데이터에 대해서는 오차가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오차가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오차를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regulaization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.

도 5 는 는 본 개시의 일 실시예에 따라 이미지 비교 방법을 간략화하여 나타낸 개념도이다.

본 개시의 이미지 비교 방법은 컴퓨팅 장치(100)의 하나 이상의 프로세서(110)에 의하여 수행될 수 있다. 본 개시의 컴퓨팅 장치(100)의 하나 이상의 프로세서(110)는 본 개시의 뉴럴 네트워크의 연산 프로세스를 수행할 수 있다. 본 개시의 이미지 비교 방법의 모든 연산 프로세스(즉, 뉴럴 네트워크 학습, 피쳐 추출, 피쳐 비교 등)은 컴퓨팅 장치(100)의 프로세서에 의해여 수행 될 수 있다. 즉, 뉴럴 네트워크에서 데이터를 처리한다는 표현은 컴퓨팅 장치(100)의 프로세서(110)가 뉴럴 네트워크를 실행하여 데이터를 처리하는 과정을 의미할 수 있다.

본 개시의 이미지 비교 방법에서 컴퓨팅 장치(100)는 뉴럴 네트워크(200)에 마스터 이미지(310) 및 슬레이브 이미지(330)를 입력하고, 뉴럴 네트워크(200)에서 계산한 두 이미지의 유사도 계산 결과에 기초하여 결과를 출력할 수 있다.

본 개시의 뉴럴 네트워크는 데이터의 분류를 위해 사용될 수 있다. 예를 들어, 본 개시의 뉴럴 네트워크는 어노말리 디택션(Anomaly Detection)에 사용될 수 있다.

어노말리 데이터는 데이터의 정상 패턴에서 벗어나는 비정상 데이터를 의미할 수 있다. 데이터는 비정형 패턴을 가질 수 있으며 어노말리 데이터는 이러한 비정형 패턴에서 벗어나는 데이터를 의미할 수 있다. 예를 들어, 생산 공정에서 생산 제품의 이미지에 관한 데이터는 정상 제품이라는 비정형 패턴을 가질 수 있으며, 어노말리 데이터는 정상 제품이라는 비정형 패턴에서 벗어난 데이터(즉, 예를 들어 불량 제품의 이미지 등)일 수 있다. 본 개시의 정상 데이터, 비정형 패턴, 어노말리 데이터에 관한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

보다 구체적으로 본 개시의 뉴럴 네트워크는 생산 공정에서 어노말리 제품과 정상 제품을 분류하기 위하여 사용될 수 있다. 또한 본 개시의 뉴럴 네트워크는 이미지 세그먼테이션(image segmantation)을 위하여 사용될 수 있다. 이미지 세그먼테이션은 이미지의 일부를 다른 일부와 구분되도록 분리하는 과정을 의미할 수 있다. 이미지 세그먼테이션은 예를 들어, 이미지에서 추출된 엣지, 색상 등에 기초하여 이미지의 일부를 다른 일부와 구분되도록 분리하는 과정을 포함할 수 있다. 또한, 이미지 세그먼테이션은 이미지에서 어노말리 부분의 위치정보를 추출하여 이미지의 다른 부분으로부터 어노말리 데이터의 위치를 식별하는 과정일 수 있다. 또한 이미지 세그먼테이션은 다른 일부와 구분된 이미지의 일부를 시각화하여 표시하는 과정 도한 포함할 수 있다. 예를 들어, 본 개시의 뉴럴 네트워크는 이미지에서 어노말리 부분을 표시하기 위해 사용될 수 있다.

마스터 이미지(310)는 입력 데이터의 어노말리(anomaly)의 판단의 기초가 되는 이미지이다. 슬레이브 이미지(330)는 어노말리의 판단 대상이 되는 이미지이다. 본 개시에서 어노말리 데이터는 데이터의 정상 패턴에서 벗어나는 비정상 데이터일 수 있다. 마스터 이미지(310)는 어노말리 데이터를 포함하지 않는 정상 상태 이미지 데이터만을 포함하는 이미지 일 수 있다. 슬레이브 이미지(330)는 정상 패턴일 수도 있고 비정상 데이터일 수도 있으며, 뉴럴 네트워크가 이를 판단하는 대상이 되는 이미지일 수 있다. 예를 들어, 마스터 이미지(310)는 정상 제품의 이미지 일 수 있으며, 슬레이브 이미지(330)는 검사 대상이 되는 제품의 이미지 일 수 있다.

뉴럴 네트워크(200)에 입력되는 이미지들은 동일한 크기를 가질 수 있다. 또한, 뉴를 네트워크에 입력되는 이미지는 뉴럴 네트워크의 처리를 용이하게 하고, 패치 중첩으로 분류의 정확도를 높이기 위하여 일정한 크기의 패치(patch)로 분리될 수 있다. 예를 들어, 마스터 이미지(310)와 슬레이브 이미지(330)는 각각 256*256 픽셀 크기를 가지는 이미지일 수 있으며, 이들 각각은 뉴럴 네트워크(200)의 서브 네트워크에 입력되기 위하여 32*32 픽셀 크기를 가지는 패치로 분리될 수 있다. 이미지에서의 패치 추출은 이미지의 각 픽셀에 대해 수행될 수 있으며, 각각의 패치는 서로 중첩되는 부분을 가질 수 있다. 예를 들어, 이미지의 가장 왼쪽 위 픽셀에서 32*32 픽셀의 패치가 추출되고, 해당 픽셀에서 오른쪽에 인접한 픽셀에서 32*32 픽셀의 패치를 추출하는 경우, 각각의 패치는 중첩 부분을 가질 수 있다.

컴퓨팅 장치(100)는 뉴럴 네트워크(200)에 입력된 마스터 이미지(310) 및 슬레이브 이미지(330)에서 각각 피쳐를 추출할 수 있다. 컴퓨팅 장치(100)는 각각의 피쳐를 비교하여 마스터 이미지(310)와 슬레이브 이미지(330)의 유사도를 판단할 수 있다. 컴퓨팅 장치(100)는 마스터 이미지(310)의 피쳐와 슬레이브 이미지(330)의 피쳐 사이의 수학적 거리를 구하여 유사도를 판단할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 마스터 이미지(310)와 슬레이브 이미지(330)의 유사도가 사전결정된 임계값 이하인 경우 슬레이브 이미지(330)를 어노말리 데이터를 포함하는 이미지로 판단할 수 있다. 또한, 컴퓨팅 장치(100)는 마스터 이미지(310)의 피쳐와 슬레이브 이미지(330)의 피쳐를 딥 뉴럴 네트워크로 비교하여 두 이미지에서 실제 어느 픽셀이 상이한지를 픽셀 단위로 표현하는 픽셀바이 픽셀 세그먼테이션 출력(pixel by pixel segmentation output)을 생성할 수도 있다. 컴퓨팅 장치(100)는 임의의 비교 알고리즘으로 서브 네트워크의 출력을 서로 비교할 수 있다. 컴퓨팅 장치(100)는 양 피쳐의 차이를 단순 비교하는 것뿐 아니라, 양 피쳐의 비교에 뉴럴 네트워크를 시용하여 양 피쳐의 차이의 정도, 차이가 있는 부분의 픽셀의 위치 등을 출력할 수 있다.

도 6 은 본 개시의 일 실시예에 따라 이미지 비교 방법을 구현하기 위한 신경망 구성을 나타낸 예시도이다.

도 6 는 도 5 의 개략도를 보다 구체화 하여 나타낸 예시도이다.

마스터 이미지(310) 및 슬레이브 이미지(330)는 각각 뉴럴 네트워크(200)의 서브 네트워크(210, 230)에 입력될 수 있다. 컴퓨팅 장치(100)는 각각의 서브 네트워크(210, 230)를 이용하여 입력된 이미지를 각각 연산하여 입력된 이미지의 피쳐를 각각 추출할 수 있다. 서브 네트워크들(210, 230)은 샴 네트워크의 적어도 일부를 구성할 수 있다. 서브 네트워크들(210, 230)은 서로 가중치의 적어도 일부를 공유하여 비교 모듈(250)이 마스터 이미지(310) 및 슬레이브 이미지(330)에 대하여 공통된 가중치로 피쳐를 추출하여 비교하도록 할 수 있다. 여기서 서브 너트워크들(210, 230)은 딥 뉴럴 네트워크 구조를 포함할 수 있다. 예를 들어 네트워크들(210, 230) 중 적어도 하나는 컨벌루셔널 뉴럴 네트워크 구조를 가질 수 있으나 본 개시는 이에 제한되지 않는다.

비교 모듈(250)은 컨벌루셔널 뉴럴 네트워크, 컨벌류셔널 뉴럴 네트워크, 또는 임의의 비교 알고리즘 구조를 가질 수 있다. 본 개시의 이미지 비교 방법이 슬레이브 이미지(330)에 존재하는 어노말리 부분의 픽셀의 위치 정보를 출력하는 경우 비교 모듈(250)은 딥 뉴럴 네트워크 구조를 가질 수 있다. 본 개시의 비교 방법이 슬레이브 이미지(330)에 어노말리 부분이 존재하는지 여부를 출력하는 경우 비교 모듈(250)은 수학적 비교 알고리즘으로 구성될 수 있다.

비교 모듈(250)은 각각의 서브 네트워크(210, 230)와 직렬(in series)로 연결될 수 있다. 여기서 직렬은 서브 네트워크의 출력의 적어도 일부가 비교 모듈(250)의 입력이 되거나, 서브 네트워크의 일부가 비교 모듈(250)과 중첩될 수 있음을 의미할 수 있다. 비교 모듈(250)은 복수의 이미지, 이미지의 피쳐를 비교할 수 있는 구성을 가질 수 있으며, 비교 모듈(250)은 각각의 서브 네트워크에서 출력된 피쳐를 서로 비교하여 비교 정보를 생성할 수 있다. 비교 모듈(250)은 두 피쳐의 수학적 거리를 비교하는 함수의 형태를 가질 수도 있으며, 딥 뉴럴 네트워크로 구성되어 두 피쳐의 유사를 판단하는 구성일 수도 있다. 비교 모듈(250)이 딥 뉴럴 네트워크로 구성되는 경우, 비교 모듈(250)은 제 1 서브 네트워크(210) 및 제 2 서브 네트워크(230)로부터 수신된 데이터로부터 이미지의 유사성과 관련된 피쳐를 계산 할 수 있다. 비교 모듈(250)은 임의의 데이터 비교 알고리즘으로 서브 네트워크에서 추출된 피쳐를 서로 비교할 수 있으며 본 개시는 비교 알고리즘에 제한되지 않는다. 비교 모듈(250)은 딥 뉴럴 네트워크 구조를 가질 수 있으며 그중 디컨벌루셔널 뉴럴 네트워크 구조를 포함할 수 있다.

비교 모듈(250)의 비교 결과에 기초하여 뉴럴 네트워크(200)는 어노말리 관련 데이터를 출력할 수 있다. 어노말리 관련 데이터는 이미지가 어노말리 데이터를 포함하는지 여부 또는 어노말리 데이터를 포함하는 경우 어노말리가 존재하는 픽셀의 위치정보를 포함할 수 있다. 도 7의 라벨링 이미지(450)는 어노말리가 존재하는 픽셀의 위치정보를 시각화하여 표시한 이미지이다. 이미지에서 어노말리가 존재하는 픽셀의 위치정보는 이미지에서 어노말리가 존재하는 부분에 중첩된 형상으로 표시되어 시각화 될 수 있다. 다른 실시예에서 어노말리가 존재하는 픽셀의 위치정보를 어노말리가 존재하는 데이터 영역의 윤곽선을 특정할 수 있는 정보를 포함할 수 있다. 본 개시는 이미지에서 어노말리가 존재하는 부분을 표시하기 위한 임의의 방법을 포함한다.

도 7 은 본 개시의 일 실시예에 따라 이미지 비교 방법을 구현하기 위한 뉴럴 네트워크의 학습 데이터의 예시이다.

본 개시의 일 실시예의 이미지 비교 방법을 구현하기 위한 뉴럴 네트워크의 학습 데이터(400)는 정상 이미지(410), 대상 이미지(430), 라벨링 이미지(450)를 포함할 수 있다. 정상 이미지(410)는 입력 데이터의 어노말리의 판단의 기초가 되는 이미지로서, 어노말리 데이터를 포함하지 않는 정상 상태 이미지 데이터만을 포함하는 이미지 일 수 있다. 정상 이미지(410)는 학습 후 뉴럴 네트워크의 마스터 이미지(310)에 대응될 수 있다. 즉 예를 들어 정상 이미지(410)는 정상 제품의 비정형 패턴만을 가지는 어노말리가 없는 이미지일 수 있다. 대상 이미지(430)는 어노말리 판단 대상이 되는 이미지로서 어노말리 데이터를 포함할 수 있는 이미지 일 수 있다. 대상 이미지(430)는 학습 후 신경 네트워크의 슬레이브 이미지(330)에 대응될 수 있다. 라벨링 이미지(450)는 대상 이미지(430)에서 어노말리가 존재하는 픽셀을 라벨링한 이미지이다. 도 7에 도시된 이미지는 섬유 가공 분야에 관한 제품 이미지이나 본 개시는 이에 제한되지 않는다.

도 8 내지 10은 본 개시의 이미지 비교 방법을 구현하기 위한 뉴럴 네트워크 학습 방식을 나타낸 개념도이다.

도 8 에 도시된 바와 같이 본 개시의 실시예에서 뉴럴 네트워크(200)는 정상 이미지(410) 및 대상 이미지(430)를 학습 데이터(420)(즉, 비정상의 존재 여부가 라벨링된 데이터)로 학습하여, 입력 데이터가 어노말리 데이터를 포함하는지 여부를 판단하도록 학습될 수 있다. 여기서 대상 이미지(430)는 어노말리의 존재 여부가 라벨링된 이미지일 수 있다. 즉, 도 8 의 학습 방식에서 정상 이미지(410) 및 대상 이미지(430)는 뉴럴 네트워크(200)에 입력되고 뉴럴 네트워크(200)는 대상 이미지(430)에서 어노말리 데이터가 존재하는지 여부에 관한 출력(351)을 출력할 수 있다. 컴퓨팅 장치(100)는 뉴럴 네트워크의 출력과 대상 이미지(430)에 라벨링된 어노말리 데이터의 존재 여부에 정보를 비교하여 오차를 구하고 오차를 역전파하여 뉴럴 네트워크(200)를 슬레이브 이미지(330)에서 어노말리 데이터가 존재하는지 여부를 분류하도록 학습시킬 수 있다. 즉, 컴퓨팅 장치(100)는 어노말리 데이터의 존재 여부가 라벨링된 학습 데이터(420)을 이용하여 어노말리 데이터의 존재 여부에 관한 출력(351)을 출력하도록 뉴럴 네트워크(200)를 학습시킬 수 있다.

도 9 에 도시된 바와 같이 본 개시의 다른 일 실시예에서 뉴럴 네트워크(200)는 정상 이미지(410) 및 라벨링 이미지(450)를 학습 데이터(440)(즉, 정상 데이터와 어노말리가 존재하는 픽셀이 라벨링된 비정상 이미지)로 학습하여, 입력 데이터에서 어노말리가 존재하는 픽셀의 위치정보 관련 데이터(353)를 출력하도록 학습될 수 있다. 여기서 라벨링 이미지(450)는 전술한 바와 같이 이미지에 어노말리가 존재하는 픽셀의 위치정보가 라벨링된 데이터 일 수 있다. 즉, 도 9 에 도시된 학습 방식에서 정상 이미지(410) 및 라벨링 이미지(450)가 뉴럴 네트워크(200)에 입력되고 뉴럴 네트워크(200)는 라벨링 이미지(450)에서 어노말리가 존재하는 픽셀의 위치정보 관련 데이터를 출력할 수 있다. 컴퓨팅 장치(100)는 뉴럴 네트워크의 출력과 라벨링 이미지(450)에 라벨링된 어노말리가 존재하는 픽셀의 위치정보 관련 데이터를 비교하여 오차를 구하고 오차를 역전파하여 뉴럴 네트워크(200)를 슬레이브 이미지(330)에서 어노말리가 존재하는 픽셀의 위치정보 관련 데이터를 출력하도록 학습시킬 수 있다. 즉, 컴퓨팅 장치(100)는 이미지 데이터에서 어노말리가 존재하는 픽셀의 위치정보가 라벨링된 학습 데이터(440)을 이용하여 이미지 데이터에서 어노말리가 존재하는 픽셀의 위치정보에 관한 출력(353)을 출력하도록 뉴럴 네트워크(200)를 학습시킬 수 있다.

도 10 에 도시된 바와 같이 본 개시의 또 다른 일 실시예에서 뉴럴 네트워크(200)는 정상 이미지(410) 및 대상 이미지(430)를 학습 데이터(420)로 학습하여, 입력 데이터에서 어노말리가 존재하는 픽셀의 위치정보 관련 데이터(353)를 출력하도록 학습될 수 있다. 즉 도 10 에 도시된 학습 방식에서 정상 이미지(410) 및 대상 이미지(430)가 뉴럴 네트워크(200)에 입력되고 뉴럴 네트워크(200)는 대상 이미지(430)에서 어노말리가 존재하는 픽셀의 위치정보 관련 데이터를 출력할 수 있다. 컴퓨팅 장치(100)는 뉴럴 네트워크의 출력과 타겟(예를 들어, 대상 이미지(430)에 라벨링된 어노말리의 존재 여부)을 비교하여 오차를 구하고 오차를 역전파하여 뉴럴 네트워크(200)를 슬레이브 이미지(330)에서 어노말리가 존재하는 픽셀의 위치정보 관련 데이터를 출력하도록 학습시킬 수 있다. 즉, 컴퓨팅 장치(100)는 어노말리 데이터의 존재 여부가 라벨링된 학습 데이터(420)을 이용하여 이미지 데이터에서 어노말리가 존재하는 픽셀의 위치정보에 관한 출력(353)을 출력하도록 뉴럴 네트워크(200)를 학습시킬 수 있다.

도 11 은 도 6의 뉴럴 네트워크(200)의 구조를 보다 상세히 나타낸 도면이다.

도 11 은 본 개시의 이미지 비교 방법을 구현하기 위한 샴 네트워크를 도시한 도면이다. 샴 네트워크(200)는 도 6의 뉴럴 네트워크(200)를 구성할 수 있다. 서브 네트워크들(210, 230) 중 적어도 하나는 컨벌루셔널 뉴럴 네트워크 구조를 포함할 수 있다. 서브 네트워크들(210, 230)은 가중치 공유 모듈(220)에 의하여 하나 이상의 가중치를 서로 공유할 수 있다. 가중치 공유 모듈(220)은 두 서브 네트워크들(210, 230)이 하나 이상의 가중치를 공유할 수 있도록 서브 네트워크들(210, 230)을 연결하는 구조일 수 있다. 비교 모듈(250)은 컨벌루셔널 네트워크 구조를 포함할 수 있다. 서브 네트워크들(210, 230)은 서로 가중치의 적어도 일부를 공유할 수 있다. 따라서 서브 네트워크들(210, 230)은 마스터 이미지(310) 및 슬레이브 이미지(330)에 대해 공통된 가중치로 피쳐를 추출하여 비교 모듈(250)이 비교하게 할 수 있다.

비교 모듈(250)은 각각의 서브 네트워크들 중 적어도 하나와 유 네트워크 구조의 적어도 일부분을 구성할 수 있다. 유 네트워크(500)에 관해서는 도 12 를 참고하여 설명한다. 서브 네트워크들(210, 230)의 전부 또는 일부와 비교 모듈(250)의 전부 또는 일부가 유 네트워크를 구성할 수 있다. 그리고 서브 네트워크들(210, 230)과 비교 모듈(250)의 조합이 유 네크워크의 일부일 수도 있다.

유 네트워크(500)는 이미지 세그먼테이션을 수행할 수 있는 딥 뉴럴 네트워크 구조일 수 있다. 도 12 도시된 U네트워크의 왼쪽 부분은 입력 데이터의 차원을 감소시킬 수 있는 딥 뉴럴 네트워크 구조를 가지고, 오른쪽 부분은 입력 데이터의 차원을 증가시킬 수 있는 딥 뉴럴 네트워크 구조를 가질 수 있다. 보다 구체적으로 유 네트워크(500)의 차원 감소 네트워크(510)는 컨벌루셔널 뉴럴 네트워크 구조를 가질 수 있고, 차원 증가 네트워크(530)는 디컨벌루셔널 뉴럴 네트워크 구조를 가질 수 있다. 도 12 의 도시에서 직사각형으로 표시된 부분은 유 네트워크의 각각의 레이어일 수 있다. 도 12의 도시에서 각 레이어의 501 부분의 숫자는 각 레이어의 예시적인 채널의 수일 수 있다. 도 12의 도시에서 각 레이어의 503 부분의 숫자는 각 레이어에서 처리되는 이미지의 예시적인 픽셀의 수를 의미할 수 있으며, 도 12 에 도시된 유 네트워크의 연산의 화살표 방향을 따라 가면 이미지의 예시적인 픽셀의 수가 감소하였다가 증가하는 것에서 이미지의 차원이 감소되었다가 다시 증가함을 확인할 수 있다. 도 12에 도시된 화살표 511은 이미지에 컨벌루셔널 필터를 적용시키는 컨벌루셔널 동작을 의미할 수 있다. 예를 들어, 화살표 511은 3*3 컨벌루셔널 필터를 이미지에 적용하는 컨벌루셔널 동작일 수 있으나 본 개시는 이에 제한되지 않는다. 도 12 에 도시된 화살표 513은 차원감소된 이미지의 차원을 증가시키기 위해 필요한 정보를 차원 감소 네트워크(510)에서 대응하는 차원 증가 네트워크(530)에 전송하는 동작을 의미할 수 있다. 도 12에 도시된 화살표 515은 이미지의 픽셀을 감소시키기 위한 풀링 동작을 의미할 수 있다. 예를 들어 화살표 515는 최대 값을 추출하는 맥스 풀링(max pooling)일 수 있으나 본 개시는 이에 제한되지 않는다. 도 12 에 도시된 화살표 517은 이미지의 차원을 증가시키는 컨벌루셔널 동작을 의미할 수 있다. 예를 들어, 화살표 517은 2*2 컨벌루셔널 필터를 이용한 컨벌루셔널 동작일 수 있으나 본 개시는 이에 제한되지 않는다. 도 12에 도시된 화살표 519는 완전 연결 레이어에 출력을 전달하기 위한 컨벌루셔널 동작을 의미할 수 있다. 예를 들어, 화살표 519은 1*1 컨벌루셔널 필터를 이용한 컨벌루셔널 동작일 수 있다. 도 12의 도시에서 차원 증가 네트워크(530)에 포함된 빗금이 쳐진 직사각형은 이미지의 차원 증가를 위한 정보를 차원 감소 네트워크(510)의 대응하는 레이어로부터 전달받음을 의미할 수 있다.

유 네트워크(500)는 이미지 세그먼테이션을 위하여 이미지의 차원을 감소시키는 과정에서 차원 증가를 위한 정보(예를 들어, 픽셀의 위치정보, 고레벨 피쳐 등) 이미지 차원을 증가시키는 과정에 전달될 수 있도록 하는 구조(도 12의 도시에서 화살표 513)를 가질 수 있다. 즉, 유 네트워크의 차원 감소 네트워크(510)의 각 레이어는 차원 증가 네트워크(530)의 대응되는 레이어에 피쳐의 위치 정보를 전달할 수 있다. 이로써, 이미지의 차원을 감소시켰다가 차원을 증가시키는 과정에서 유실될 수 있는 픽셀의 위치 정보를 복원할 수 있다. 따라서, 픽셀의 위치 정보가 이미지 차원을 증가시키는 과정에서 복구될 수 있으므로 유 네트워크는 픽셀의 위치 정보가 필수적인 이미지 세그먼테이션에 사용될 수 있다. 구체적으로, 도 12 에 도시된 예시에서와 같이 유 네트워크(500)의 차원 감소 네트워크(510)에서 제 1 레이어(입력과 가장 가까운 레이어)는 차원 증가 네트워크(530)의 마지막 레이어(출력과 가장 가까운 레이어)에 정보를 전달할 수 있다. 전달되는 정보는 차원 증가 네트워크(530)에서 차원감소된 이미지의 차원을 증가시키기 위해 필요한 정보를 포함할 수 있다. 전달되는 정보는 예를 들어 피쳐, 피쳐의 위치정보, 각 피쳐가 추출된 픽셀의 위치정보, 원본 이미지의 픽셀 위치 정보 등일 수 있으며 본 개시는 이에 제한되지 않는다. 그리고 유 네트워크의 차원 감소 네트워크에서 제 2 레이어(입력에서 2 번째 레이어)는 차원 증가 네트워크(530)의 마지막에서 두번째 레이어(출력에서 2 번째 레이어)에 정보를 전달할 수 있다. 이러한 과정으로 유 네트워크의 각 서브네트워크(차원 증가 네트워크(530), 차원 감소 네트워크(510))는 레이어의 위치에 기초하여 결정되는 대응되는 레이어에 정보를 전달할 수 있다.

비교 모듈(250)은 차원 증가 네트워크를 포함하여 서브 네트워크들(210, 230)중 적어도 하나와 유 네트워크 구조의 적도 일부분을 구성할 수 있다. 도 13은 본 개시의 이미지 비교 방법을 구현하기 위한 샴 네트워크의 예시도로서, 서브 네트워크들(210, 230)이 비교 모듈(250)과 유 네트워크 구조를 구성하는 것을 나타낸 도면이다. 도 13 의 예시에서 일 그룹의 직사각형은 뉴럴 네트워크의 1 레이어를 나타낼 수 있다. 도 13 에 구성된 뉴럴 네트워크는 단순화한 예시일 뿐이며, 레이어의 수, 이미지의 크기 등은 변경될 수 있으며, 본 개시는 도 13 의 기재에 제한되지 않는다.

도 13 에서 점선 좌측은 유 네트워크의 입력 데이터의 차원을 감소시키는 차원 감소 네트워크(510)고 점선 우측은 입력 데이터의 차원을 복원하는 차원 증가 네트워크(530)를 구성할 수 있다.

도 13 의 예시에서 마스터 이미지(310)는 제 1 서브 네트워크(210)에 입력되고 슬레이브 이미지(330)는 제 2 서브 네트워크(230)에 입력될 수 있다. 제 1 서브 네트워크(210)는 마스터 이미지(310)에서 피쳐를 추출하고, 제 2 서브 네트워크(230)는 슬레이브 이미지(330)에서 피쳐를 추출할 수 있다. 이때, 제 1 및 제 2 서브 네트워크(230)는 서로 가중치를 공유할 수 있다. 제 1 및 제 2 서브 네트워크(230)의 각 레이어의 피쳐는 서로 비교될 수 있다. 도 13 에 도시된 화살표 255는 제 1 및 제 2 서브네트워크로부터 데이터를 도출하는 동작을 의미할 수 있다. 예를 들어 화살표 255는 제 1 및 제 2 서브네트워크에서 계산된 데이터를 비교하는 동작을 의미할 수 있다. 또한 에를 들어, 화살표 255는 마스터 이미지 피쳐와 슬레이브 이미지 피쳐의 차이 계산 또는 마스터 이미지 피쳐와 슬레이브 이미지 피쳐의 딥 뉴럴 네트워크 비교기 동작을 의미할 수 있다. 제 1 및 제 2 서브 네트워크(230)의 각각 레이어에서 추출된 피쳐는 비교 모듈(250)에 의하여 각각 비교될 수 있다. 프로세서(110)는 제 1 및 제 2 서브 네트워크(230)의 각각 레이어에서 추출된 피쳐는 각각 비교하여 레이어 비교 정보를 생성할 수 있다. 레이어 비교 정보는 마스터 이미지 피쳐와 슬레이브 이미지 피쳐의 차이에 관한 정보를 포함할 수 있다. 프로세서(110)는 레이어 비교 정보에 기초하여 어노말리 관련 정보를 연산할 수 있다. 이를 위하여 프로세서(110)는 생성된 레이어 비교 정보, 피쳐 정보를 비교 모듈(250)의 대응하는 레이어에 제공할 수 있다. 제공되는 정보는 피쳐, 피쳐의 위치정보, 각 피쳐가 추출된 픽셀의 위치정보, 원본 이미지의 픽셀 위치 정보, 레이어 비교 정보 등일 수 있다. 대응하는 레이어는 레이어 비교 정보를 생성하는대 기초가된 제 1 서브 네트워크의 레이어 또는 제 2 서브 네트워크의 레이어의 위치에 기초하여 결정된다. 보다 구체적으로 제 1 및 2 서브 네트워크의 입력 레이어에 가까운 레이어는 비교 모듈(250)의 출력과 가까운 레이어와 대응된다. 도 13에 도시된 직사각형에 도시된 패턴은 서로 대응되는 레이어임을 의미할 수 있다. 즉, 도 13 도시된 제 1 및 제 2 서브 네트워크의 제 1 레이어(211, 231)는 비교 모듈(250)의 제 3 레이어와 대응될 수 있다. 즉, 제 1 및 제 2 서브 네트워크의 입력 레이어를 기준으로 한 레이어의 위치와 비교 모듈(250)의 출력 레이어를 기준으로 한 레이어의 위치가 서로 대응될 수 있다. 즉, 도 13 에 도시된 제 1 레이어 비교 정보(251)는 비교 모듈(250)의 차원 증가 네트워크(530)의 제 3 레이어(253)에 전달될 수 있다. 도 13에 도시된 화살표 257는 제 1 및 제 2 서브네트워크로부터 도출된 정보를 차원 증가 네트워크(530)에 속하는 대응되는 레이어에 전달하는 동작을 의미할 수 있다. 또한 화살표 257은 감소된 이미지의 차원을 증가시키기 위한 정보의 전달을 의미할 수 있다. 레이어 비교 정보, 피쳐 정보의 전달 및 연결을 의미하며 이는 도 12의 유 네트워크에 관하여 도시된 화살표 513과 유사한 동작이다. 도 13 의 샴 네트워크는 샴 네트워크의 서브 네트워크들(서브 네트워크 및 비교 모듈)이 유 네트워크 구조를 이루어 이러한 레이어 비교 정보(351)가 차원 증가 네트워크(530) 측으로 전달되어 이미지의 차원을 감소시켰다가 차원을 증가시키는 과정에서 유실될 수 있는 픽셀의 위치 정보를 복원할 수 있다. 따라서 본 개시의 이미지 비교 방법은 도 13과 같은 뉴럴 네트워크 구조를 가짐으로써 어노말리 부분에 대한 이미지 세그컨테이션을 수행할 수 있다.

본 개시에서 뉴럴 네트워크(200)는 마스터 이미지(310)와 슬레이브 이미지(330)의 차이에 기초하여 슬레이브 이미지(330)에 어노말리 데이터가 포함되는지 여부를 분류할 수 있다. 또한, 본 개시에서 뉴럴 네트워크(200)는 마스터 이미지(310)와 슬레이브 이미지(330)의 차이와 레이어 비교 정보에 기초하여 슬레이브 이미지(330)에 존재하는 어노말리 부분의 픽셀을 표시할 수 있다.

샴 네트워크를 응용한 뉴럴 네트워크를 사용함으로서 본 개시의 일 실시예의 이미지 비교 방법은 마스터 이미지와 슬레이브 이미지가 일부 상이한 경우(두 이미지가 많이 비슷하나 일부 어노말리가 존재하여 디테일이 일부 상이한 경우 등)와 많이 상이한 경우(렌즈 왜곡, 조명 변화, 텍스쳐 상이 등에 의하여 두 이미지가 상당 부분 상이하나 어노말리는 존재하지 않아 디테일은 유사한 경우 등)를 모두 학습 하고 분류할 수 있다. 본 개시의 이미지 비교 방법은 마스터 이미지와 슬레이브 이미지가 동일한 도메인에 속하는 경우에 디테일의 차이로 슬레이브 이미지에 어노말리 데이터가 존재하는지 여부를 판단할 수 있다. 구체적으로 마스터 이미지와 슬레이브 이미지가 모두 꽃무늬를 포함하는 직물에 관한 이미지인경우(무늬 동일, 텍스쳐 동일의 경우), 두 이미지에서 차이가 발생하는 부분이 어노말리 데이터일 수 있다. 또한, 본 개시의 이미지 비교 방법은 마스터 이미지와 슬레이브 이미지가 상이한 도메인에 속하는 경우에도 디테일을 비교하여 슬레이브 이미지에 어노말리 데이터가 존재하는지 여부를 판단할 수 있다. 구체적으로 마스터 이미지는 꽃무늬를 포함하는 직물에 관한 이미지이고, 슬레이브 이미지는 별무늬를 포함하는 가죽에 관한 이미지인 경우(무늬, 텍스쳐 상이한 경우), 두 이미지에서 도메인이 상이하여 발생하는 큰 차이 부분은 무시하고 디테일을 살펴 슬레이브 이미지에서 어노말리 데이터가 존재하는지 여부를 판단할 수 있다. 그러므로 본 개시의 이미지 비교 방법은 이미지 데이터의 회전, 변형, 렌즈 왜곡에 의한 오차, 도메인 변경 등에도 일반적인 인식 성능을 가질 수 있어, 도메인 별로 학습 데이터를 확보하고 도메인 별로 학습을 수행하여야 하는 기존 뉴럴 네트워크의 한계를 극복한 효과를 가진다.

도 14 는 본 개시의 일 실시예에 따라 이미지 비교 방법을 구현하기 위한 수단을 도시한 블록 구성도이다.

본 개시의 일 실시예에 따라 이미지 비교 방법은 다음과 같은 수단에 의해 구현될 수 있다.

본 개시의 일 시릿예에 따라 이미지 비교 방법은 사전 학습된 네트워크 함수가 상호 연관성이 있는 제 1 이미지 데이터 및 제 2 이미지 데이터를 수신하기 위한 수단(610); 상기 수신된 제 1 이미지 데이터 및 제 2 이미지 데이터에 기초하여 제 2 이미지 데이터의 어노말리 관련 정보를 결정하기 위한 수단(630); 및 상기 네트워크 함수에 의해 결정된 어노말리 관련 정보를 출력하기 위한 수단(650)에 의하여 구현될 수 있다.

대안적인 실시예에서 상기 네트워크 함수는, 상기 제 1 이미지 데이터가 입력되는 제 1 서브 네트워크; 및 상기 제 2 이미지 데이터가 입력되는 제 2 서브 네트워크를 포함할 수 있다.

대안적인 실시예에서 상기 네트워크 함수는, 상기 제 1 서브 네트워크 및 상기 제 2 서브 네트워크 중 적어도 하나와 직렬(in series)로 연결되는 비교 모듈을 더 포함할 수 있다.

대안적인 실시예에서 상기 제 1 서브 네트워크, 상기 제 2 서브 네트워크 및 상기 비교 모듈 중 적어도 하나는 딥 뉴럴 네트워크(Deep Neural Network; DNN)구조를 포함할 수 있다.

대안적인 실시예에서 상기 제 1 서브 네트워크 및 상기 제 2 서브 네트워크 중 적어도 하나는, 상기 딥 뉴럴 네트워크 구조 중 컨벌루셔널 뉴럴 네트워크(Convolutional Neural Network; CNN) 구조를 포함할 수 있다.

대안적인 실시예에서 상기 비교 모듈은, 상기 딥 뉴럴 네트워크 구조 중 디컨벌루셔널 뉴럴 네트워크(Deconvolutional Neural Network) 구조를 포함할 수 있다.

대안적인 실시예에서 상기 비교 모듈은, 상기 제 1 서브 네트워크 및 상기 제 2 서브 네트워크 중 적어도 하나의 서브 네트워크와 유-네트워크(U-Net) 구조의 적어도 일 부분을 구성할 수 있다.

대안적인 실시예에서 상기 제 1 서브 네트워크 및 상기 제 2 서브 네트워크는, 동일한 가중치(weight)를 가지는 링크를 적어도 하나 이상 공유할 수 있다.

대안적인 실시예에서 상기 제 1 서브 네트워크 및 상기 제 2 서브 네트워크는, 샴 네트워크(Siamese Network)의 적어도 일 부분을 구성할 수 있다.

대안적인 실시예에서, 어노말리 관련 정보를 결정하기 위한 수단(630)은 상기 제 1 서브 네트워크의 적어도 하나의 레이어 및 상기 제 2 서브네트워크의 적어도 하나의 레이어에 기초하여, 적어도 하나의 레이어 비교 정보를 생성하기 위한 수단; 및 상기 생성된 레이어 비교 정보에 기초하여, 상기 어노말리 관련 정보를 연산하기 위한 수단을 포함할 수 있다.

대안적인 실시예에서, 어노말리 관련 정보를 연산하기 위한 수단은 상기 생성된 레이어 비교 정보를 상기 비교 모듈의 대응하는 레이어에 제공하기 위한 수단을 포함할 수 있다.

대안적인 실시예에서, 상기 대응하는 레이어는, 상기 레이어 비교 정보를 생성하는데 기초가 된 상기 제 1 서브 네트워크의 레이어 또는 상기 제 2 서브 네트워크의 레이어의 위치에 기초하여 결정될 수 있다.

대안적인 실시예에서, 상기 제 1 이미지 데이터는, 어노말리 데이터를 포함하지 않는 정상 상태 이미지 데이터만을 포함하는 마스터 이미지이고, 상기 제 2 이미지 데이터는, 슬레이브 이미지일 수 있다.

대안적인 실시예에서, 상기 어노말리 관련 데이터는, 상기 제 2 이미지 데이터 중 어노말리가 존재하는 픽셀의 위치정보 관련 데이터를 포함할 수 있다.

대안적인 실시예에서, 상기 제 1 이미지 데이터 및 제 2 이미지 데이터는 동일한 크기를 가질 수 있다.

도 15 는 본 개시의 일 실시예에 따라 이미지 비교 방법을 구현하기 위한 모듈을 도시한 블록 구성도이다.

본 개시의 일 실시예에 따라 이미지 비교 방법은 다음과 같은 모듈에 의해 구현될 수 있다.

본 개시의 일 시릿예에 따라 이미지 비교 방법은 사전 학습된 네트워크 함수가 상호 연관성이 있는 제 1 이미지 데이터 및 제 2 이미지 데이터를 수신하기 위한 모듈(710); 상기 수신된 제 1 이미지 데이터 및 제 2 이미지 데이터에 기초하여 제 2 이미지 데이터의 어노말리 관련 정보를 결정하기 위한 모듈(730); 및 상기 네트워크 함수에 의해 결정된 어노말리 관련 정보를 출력하기 위한 모듈(750)에 의하여 구현될 수 있다.

대안적인 실시예에서, 어노말리 관련 정보를 결정하기 위한 모듈(730)은 상기 제 1 서브 네트워크의 적어도 하나의 레이어 및 상기 제 2 서브네트워크의 적어도 하나의 레이어에 기초하여, 적어도 하나의 레이어 비교 정보를 생성하기 위한 모듈; 및 상기 생성된 레이어 비교 정보에 기초하여, 상기 어노말리 관련 정보를 연산하기 위한 모듈을 포함할 수 있다.

대안적인 실시예에서, 어노말리 관련 정보를 연산하기 위한 모듈은 상기 생성된 레이어 비교 정보를 상기 비교 모듈의 대응하는 레이어에 제공하기 위한 모듈을 포함할 수 있다.

도 16 은 본 개시의 일 실시예에 따라 이미지 비교 방법을 구현하기 위한 로직을 도시한 블록 구성도이다.

본 개시의 일 실시예에 따라 이미지 비교 방법은 다음과 같은 로직에 의해 구현될 수 있다.

본 개시의 일 시릿예에 따라 이미지 비교 방법은 사전 학습된 네트워크 함수가 상호 연관성이 있는 제 1 이미지 데이터 및 제 2 이미지 데이터를 수신하기 위한 로직(810); 상기 수신된 제 1 이미지 데이터 및 제 2 이미지 데이터에 기초하여 제 2 이미지 데이터의 어노말리 관련 정보를 결정하기 위한 로직(830); 및 상기 네트워크 함수에 의해 결정된 어노말리 관련 정보를 출력하기 위한 로직(850)에 의하여 구현될 수 있다.

대안적인 실시예에서, 어노말리 관련 정보를 결정하기 위한 로직(830)은 상기 제 1 서브 네트워크의 적어도 하나의 레이어 및 상기 제 2 서브네트워크의 적어도 하나의 레이어에 기초하여, 적어도 하나의 레이어 비교 정보를 생성하기 위한 로직; 및 상기 생성된 레이어 비교 정보에 기초하여, 상기 어노말리 관련 정보를 연산하기 위한 로직을 포함할 수 있다.

대안적인 실시예에서, 어노말리 관련 정보를 연산하기 위한 로직은 상기 생성된 레이어 비교 정보를 상기 비교 모듈의 대응하는 레이어에 제공하기 위한 로직을 포함할 수 있다.

도 17 은 본 개시의 일 실시예에 따라 이미지 비교 방법을 구현하기 위한 회로를 도시한 블록 구성도이다.

본 개시의 일 실시예에 따라 이미지 비교 방법은 다음과 같은 회로에 의해 구현될 수 있다.

본 개시의 일 시릿예에 따라 이미지 비교 방법은 사전 학습된 네트워크 함수가 상호 연관성이 있는 제 1 이미지 데이터 및 제 2 이미지 데이터를 수신하기 위한 회로(910); 상기 수신된 제 1 이미지 데이터 및 제 2 이미지 데이터에 기초하여 제 2 이미지 데이터의 어노말리 관련 정보를 결정하기 위한 회로(930); 및 상기 네트워크 함수에 의해 결정된 어노말리 관련 정보를 출력하기 위한 회로(950)에 의하여 구현될 수 있다.

대안적인 실시예에서, 어노말리 관련 정보를 결정하기 위한 회로(930)는 상기 제 1 서브 네트워크의 적어도 하나의 레이어 및 상기 제 2 서브네트워크의 적어도 하나의 레이어에 기초하여, 적어도 하나의 레이어 비교 정보를 생성하기 위한 회로; 및 상기 생성된 레이어 비교 정보에 기초하여, 상기 어노말리 관련 정보를 연산하기 위한 회로를 포함할 수 있다.

대안적인 실시예에서, 어노말리 관련 정보를 연산하기 위한 모듈은 상기 생성된 레이어 비교 정보를 상기 비교 모듈의 대응하는 레이어에 제공하기 위한 회로를 포함할 수 있다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있으나, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

도 18 은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도(block diagram)이다.

도 18 은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

본 개시가 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시가 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로서 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)―이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음―, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims

컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 이미지 비교 방법으로서,
상기 프로세서가 어노말리 데이터를 포함하지 않는 마스터 이미지인 제 1 이미지 데이터를 사전 학습된 네트워크 함수에 포함된 제 1 서브 네트워크를 이용하여 연산하는 단계;
상기 프로세서가 판단 대상에 해당하는 슬레이브 이미지인 제 2 이미지 데이터를 상기 사전 학습된 네트워크 함수에 포함된 제 2 서브 네트워크를 이용하여 연산하는 단계;
상기 프로세서가 상기 네트워크 함수의 상기 제 1 이미지 데이터 및 상기 제 2 이미지 데이터의 연산 결과에 기초하여 상기 제 2 이미지 데이터의 어노말리 관련 정보를 결정하는 단계; 및
상기 프로세서가 상기 네트워크 함수를 이용하여 결정된 어노말리 관련 정보를 출력하는 단계;
를 포함하는,
이미지 비교 방법.
제 1 항에 있어서,
상기 네트워크 함수는,
상기 제 1 서브 네트워크 및 상기 제 2 서브 네트워크 중 적어도 하나와 직렬(in series)로 연결되는 비교 모듈을 더 포함하는,
이미지 비교 방법.
제 2 항에 있어서,
상기 제 1 서브 네트워크, 상기 제 2 서브 네트워크 및 상기 비교 모듈 중 적어도 하나는 딥 뉴럴 네트워크(Deep Neural Network; DNN)구조를 포함하는,
이미지 비교 방법.
제 3 항에 있어서,
상기 제 1 서브 네트워크 및 상기 제 2 서브 네트워크 중 적어도 하나는,
상기 딥 뉴럴 네트워크 구조 중 컨벌루셔널 뉴럴 네트워크(Convolutional Neural Network; CNN) 구조를 포함하는,
이미지 비교 방법.
제 4 항에 있어서,
상기 비교 모듈은,
상기 딥 뉴럴 네트워크 구조 중 디컨벌루셔널 뉴럴 네트워크(Deconvolutional Neural Network) 구조를 포함하는,
이미지 비교 방법.
제 4 항에 있어서,
상기 비교 모듈은,
상기 제 1 서브 네트워크 및 상기 제 2 서브 네트워크 중 적어도 하나의 서브 네트워크와 유-네트워크(U-Net) 구조의 적어도 일 부분을 구성하는,
이미지 비교 방법.
제 2 항에 있어서,
상기 제 1 서브 네트워크 및 상기 제 2 서브 네트워크는,
동일한 가중치(weight)를 가지는 링크를 적어도 하나 이상 공유하는,
이미지 비교 방법.
제 7 항에 있어서,
상기 제 1 서브 네트워크 및 상기 제 2 서브 네트워크는,
샴 네트워크(Siamese Network)의 적어도 일 부분을 구성하는,
이미지 비교 방법.
제 2 항에 있어서,
상기 프로세서가 상기 어노말리 관련 정보를 결정하는 단계는,
상기 프로세서가 상기 제 1 서브 네트워크의 적어도 하나의 레이어 및 상기 제 2 서브 네트워크의 적어도 하나의 레이어에 기초하여, 적어도 하나의 레이어 비교 정보를 생성하는 단계; 및
상기 프로세서가 상기 생성된 레이어 비교 정보에 기초하여, 상기 어노말리 관련 정보를 연산하는 단계를 포함하는,
이미지 비교 방법.
제 9 항에 있어서,
상기 프로세서가 상기 어노말리 관련 정보를 연산하는 단계는,
상기 프로세서가 상기 생성된 레이어 비교 정보를 상기 비교 모듈의 대응하는 레이어에 전달하는 단계를 포함하는,
이미지 비교 방법.
제 10 항에 있어서,
상기 대응하는 레이어는,
상기 레이어 비교 정보를 생성하는데 기초가 된 상기 제 1 서브 네트워크의 레이어 또는 상기 제 2 서브 네트워크의 레이어의 위치에 기초하여 결정되는,
이미지 비교 방법.
제 1 항에 있어서,
상기 어노말리 관련 정보는,
상기 제 2 이미지 데이터 중 어노말리가 존재하는 픽셀의 위치정보 관련 데이터를 포함하는,
이미지 비교 방법.
제 1 항에 있어서,
상기 제 1 이미지 데이터 및 제 2 이미지 데이터는 동일한 크기를 가지는,
이미지 비교 방법.
컴퓨팅 장치로서,
하나 이상의 프로세서; 및
상기 하나 이상의 프로세서에서 실행가능한 명령들을 저장하는 메모리;
를 포함하고,
상기 하나 이상의 프로세서는,
어노말리 데이터를 포함하지 않는 마스터 이미지인 제 1 이미지 데이터를 사전 학습된 네트워크 함수에 포함된 제 1 서브 네트워크를 이용하여 연산하고,
판단 대상에 해당하는 슬레이브 이미지인 제 2 이미지 데이터를 상기 사전 학습된 네트워크 함수에 포함된 제 2 서브 네트워크를 이용하여 연산하고,
상기 네트워크 함수의 상기 제 1 이미지 데이터 및 상기 제 2 이미지 데이터의 연산 결과에 기초하여 상기 제 2 이미지 데이터의 어노말리 관련 정보를 결정하고, 그리고,
상기 네트워크 함수를 이용하여 결정된 어노말리 관련 정보를 출력하는,
컴퓨팅 장치.
인코딩된 명령들을 포함하는 컴퓨터-판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨터 시스템의 하나 이상의 프로세서들에 의해 실행되는 경우, 상기 하나 이상의 프로세서들로 하여금 이미지 비교를 위한 동작들을 실행하도록 하며, 상기 동작들은:
상기 프로세서가 어노말리 데이터를 포함하지 않는 마스터 이미지인 제 1 이미지 데이터를 사전 학습된 네트워크 함수에 포함된 제 1 서브 네트워크를 이용하여 연산하는 동작;
상기 프로세서가 판단 대상에 해당하는 슬레이브 이미지인 제 2 이미지 데이터를 상기 사전 학습된 네트워크 함수에 포함된 제 2 서브 네트워크를 이용하여 연산하는 동작;
상기 프로세서가 상기 네트워크 함수의 상기 제 1 이미지 데이터 및 상기 제 2 이미지 데이터의 연산 결과에 기초하여 상기 제 2 이미지 데이터의 어노말리 관련 정보를 결정하는 동작; 및
상기 프로세서가 상기 네트워크 함수를 이용하여 결정된 어노말리 관련 정보를 출력하는 동작;
을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.