KR102099561B1 - 기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스 제공 시스템 - Google Patents

기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스 제공 시스템 Download PDF

Info

Publication number
KR102099561B1
KR102099561B1 KR1020190048150A KR20190048150A KR102099561B1 KR 102099561 B1 KR102099561 B1 KR 102099561B1 KR 1020190048150 A KR1020190048150 A KR 1020190048150A KR 20190048150 A KR20190048150 A KR 20190048150A KR 102099561 B1 KR102099561 B1 KR 102099561B1
Authority
KR
South Korea
Prior art keywords
textile product
image
machine learning
textile
matching algorithm
Prior art date
Application number
KR1020190048150A
Other languages
English (en)
Inventor
김진성
Original Assignee
김진성
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 김진성 filed Critical 김진성
Priority to KR1020190048150A priority Critical patent/KR102099561B1/ko
Application granted granted Critical
Publication of KR102099561B1 publication Critical patent/KR102099561B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0623—Item investigation
    • G06Q30/0625—Directed, with specific intent or strategy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0613—Third-party assisted
    • G06Q30/0619—Neutral agent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0621—Item configuration or customization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/08—Auctions

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Library & Information Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스 제공 시스템이 제공되며, B2B(Business to Business) 사용자 인증을 받아 페이지에 엑세스하고, 적어도 하나의 섬유제품 이미지와, 적어도 하나의 섬유제품 정보를 등록하고, 적어도 하나의 섬유제품의 변경이력을 관리할 수 있도록 히스토리를 입력하는 업체 단말, 적어도 하나의 섬유제품 이미지를 등록하고, 적어도 하나의 섬유제품 이미지를 기 저장된 기계학습 기반 이미지 콘텐츠 분석 알고리즘으로 분석하여 적어도 하나의 특징을 추출하고, 추출된 적어도 하나의 특징을 이미지 데이터로 등록한 적어도 하나의 섬유제품 이미지와 매핑하여 등록하는 사용자 단말, 및 업체 단말의 B2B 사용자 인증을 처리하여 적어도 하나의 섬유제품 이미지 및 정보를 등록하도록 엑세스를 허가하는 엑세스 관리부, 업체 단말 및 사용자 단말로부터 수집된 적어도 하나의 섬유제품 이미지, 적어도 하나의 섬유제품 정보, 및 적어도 하나의 이미지 데이터를 빅데이터로 구축하는 구축부, 적어도 하나의 섬유제품 이미지를 레이블로 분류(Classification)하는 분류부, 질의(Query) 이미지와 구축된 빅데이터에 포함된 이미지 간의 유사도를 측정하는 매칭 알고리즘을 기계학습으로 고도화하는 고도화부를 포함하는 섬유제품 검색 서비스 제공 서버를 포함한다.

Description

기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스 제공 시스템{SYSTEM FOR PROVIDING MACHINE LEARNING BASED TEXTILE PRODUCT SEARCHING SERVICE INCLUDING ADVANCED MATCHING ALGORITHM}
본 발명은 기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스 제공 시스템에 관한 것으로, 섬유제품 이미지를 기계학습으로 훈련 및 학습시킴으로써 비정형 이미지를 검색하는데 오류를 최소화할 수 있는 플랫폼을 제공한다.
스마트 모바일 환경의 급격한 발전에 따라 모바일 쇼핑 산업이 나날이 성장하고 있다. 다양한 사용자의요구 사항에 부합되는 비주얼 검색, 특히 의류와 같이 정형화 되지 않은 사물에 대한 검색의 필요성이 부각되고 있다. 또한 사용자들은 다양하고 유용한 정보 검색 뿐 아니라 사용자의 선호 및 상황에 맞고 신뢰도가 높은 검색 이른바 사용자 중심의 정보 검색 서비스를 지향하고 있다. 이때, 의류 검색용 회전 및 스케일 불변 이미지 분류 및 검색 기술과 관련된 기술이 연구되었고, 영상의류 인식률이나 데이터베이스를 구축과 더불어 기계학습의 발전으로 이미지 매칭으로 의류를 검색하거나 원단을 검색하는 연구 및 사례가 증가하고 있다.
이때, 구매하고자 하는 섬유원단을 섬유원단이 가지는 고유의 텍스쳐 이미지 및 패턴 이미지에 의해 정확하게 검색할 수 있는 이미지 검색이 연구 및 개발되었는데, 이와 관련하여, 선행기술인 한국등록특허 제10-1832946호(2018년04월13일 공고)에는, 섬유원단에 대한 텍스처 이미지를 입력받아 분석하고, 이미지 분석된 텍스처(texture)에 따라 텍스처 클래스를 분류하는 소재 분류부와, 섬유원단에 대한 패턴 이미지를 입력받아 분석하고, 이미지 분석된 패턴(pattern)에 따라 패턴 클래스를 분류하는 특징 분류부와, 판매용 섬유원단에 대한 텍스처 이미지, 텍스처 클래스, 패턴 이미지 및 패턴 클래스를 각각 저장하는 데이터베이스부와, 구매자가 찾기를 희망하는 샘플용 섬유원단에 대한 텍스처 클래스 및 패턴 클래스를 데이터베이스부에 저장된 텍스처 클래스 및 패턴 클래스와 비교하여 텍스처 클래스 및 패턴 클래스가 동일하거나 혹은 설정된 오차 범위 내에서 유사한 것을 검색하는 검색부, 및 데이터베이스부에 저장된 텍스처 클래스 및 패턴 클래스 중 검색부에 의해 검색된 텍스처 클래스 및 패턴 클래스에 해당하는 텍스처 이미지 및 패턴 이미지를 판매자의 연락처와 함께 구매자에게 제공하는 제어부의 구성이 개시되어 있다.
다만, 상술한 구성을 이용한다고 할지라도 의류 검색 분야는 의류의 비정형 특성으로 인해 매우 어려운 분야로 빅데이터 학습을 하지 않는 한 인식 오류가 여전히 존재할 수 밖에 없다. 또한, 오류와 연산량을 줄이기 위한 학습 및 인식 과정 전체에 대한 구체적인 연구는 전무하며, 일부 관련 기술들은 아직 많은 한계를 보이고 있다. 또한, 현재 개발 중인 의류검색 기술의 경우 아직 그 성능이 미흡하여 실제 의류검색 서비스에 제대로 적용되지 못하고 있는 것이 현 실정이다.
본 발명의 일 실시예는, 다양한 사용자의 요구사항에 부합하는 비주얼 검색, 특히 정형화된 사물이 아닌, 의류와 같이 정형화 되지 않은 사물에 대한 비정형 이미지 검색에서 발생할 수 있는 인식 오류를 최소화하도록 빅데이터에 기반하여 매칭 알고리즘을 기계학습으로 고도화하고, 고도화된 매칭 알고리즘을 이용하여 사용자가 스마트 환경에서도 손쉽게 섬유제품을 검색할 수 있도록 하며, 조명변화, 회전 및 스케일 변화 등 검색에 취약한 환경에서 생성되는 비정형 이미지라도 그 자체를 입력으로 하는 의류를 검색하는 기술을 제공할 수 있고, 데이터베이스에 구축되어 있지 않은 섬유제품이 등록될 경우 기계학습으로 강화학습을 진행할 때 레벨을 평가하여 새로운 섬유제품을 등록한 공급자에게 학습평가레벨에 차등한 블록체인 코인을 제공함으로써, 검색 플랫폼에서 이용가능하도록 하여 동기부여를 할 수 있는, 기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스 제공 방법을 제공할 수 있다. 다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 일 실시예는, B2B(Business to Business) 사용자 인증을 받아 페이지에 엑세스하고, 적어도 하나의 섬유제품 이미지와, 적어도 하나의 섬유제품 정보를 등록하고, 적어도 하나의 섬유제품의 변경이력을 관리할 수 있도록 히스토리를 입력하는 업체 단말, 적어도 하나의 섬유제품 이미지를 등록하고, 적어도 하나의 섬유제품 이미지를 기 저장된 기계학습 기반 이미지 콘텐츠 분석 알고리즘으로 분석하여 적어도 하나의 특징을 추출하고, 추출된 적어도 하나의 특징을 이미지 데이터로 등록한 적어도 하나의 섬유제품 이미지와 매핑하여 등록하는 사용자 단말, 및 업체 단말의 B2B 사용자 인증을 처리하여 적어도 하나의 섬유제품 이미지 및 정보를 등록하도록 엑세스를 허가하는 엑세스 관리부, 업체 단말 및 사용자 단말로부터 수집된 적어도 하나의 섬유제품 이미지, 적어도 하나의 섬유제품 정보, 및 적어도 하나의 이미지 데이터를 빅데이터로 구축하는 구축부, 적어도 하나의 섬유제품 이미지를 레이블로 분류(Classification)하는 분류부, 질의(Query) 이미지와 구축된 빅데이터에 포함된 이미지 간의 유사도를 측정하는 매칭 알고리즘을 기계학습으로 고도화하는 고도화부를 포함하는 섬유제품 검색 서비스 제공 서버를 포함한다.
전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 다양한 사용자의 요구사항에 부합하는 비주얼 검색, 특히 정형화된 사물이 아닌, 의류와 같이 정형화 되지 않은 사물에 대한 비정형 이미지 검색에서 발생할 수 있는 인식 오류를 최소화하도록 빅데이터에 기반하여 매칭 알고리즘을 기계학습으로 고도화하고, 고도화된 매칭 알고리즘을 이용하여 사용자가 스마트 환경에서도 손쉽게 섬유제품을 검색할 수 있도록 하며, 조명변화, 회전 및 스케일 변화 등 검색에 취약한 환경에서 생성되는 비정형 이미지라도 그 자체를 입력으로 하는 의류를 검색하는 기술을 제공할 수 있고, 데이터베이스에 구축되어 있지 않은 섬유제품이 등록될 경우 기계학습으로 강화학습을 진행할 때 레벨을 평가하여 새로운 섬유제품을 등록한 공급자에게 학습평가레벨에 차등한 블록체인 코인을 제공함으로써, 검색 플랫폼에서 이용가능하도록 하여 동기부여를 할 수 있다.
도 1은 본 발명의 일 실시예에 따른 기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스 제공 시스템을 설명하기 위한 도면이다.
도 2는 도 1의 시스템에 포함된 섬유제품 검색 서비스 제공 서버를 설명하기 위한 블록 구성도이다.
도 3은 본 발명의 일 실시예에 따른 기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스가 구현된 일 실시예를 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 도 1의 기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스가 빅데이터 구축 및 검색 과정의 두 단계로 나뉘어 실행되는 것을 설명하기 위한 흐름도이다.
도 5는 본 발명의 일 실시예에 따른 기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스 제공 방법을 설명하기 위한 동작 흐름도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
명세서 전체에서 사용되는 정도의 용어 "약", "실질적으로" 등은 언급된 의미에 고유한 제조 및 물질 허용오차가 제시될 때 그 수치에서 또는 그 수치에 근접한 의미로 사용되고, 본 발명의 이해를 돕기 위해 정확하거나 절대적인 수치가 언급된 개시 내용을 비양심적인 침해자가 부당하게 이용하는 것을 방지하기 위해 사용된다. 본 발명의 명세서 전체에서 사용되는 정도의 용어 "~(하는) 단계" 또는 "~의 단계"는 "~ 를 위한 단계"를 의미하지 않는다.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1개의 유닛이 2개 이상의 하드웨어를 이용하여 실현되어도 되고, 2개 이상의 유닛이 1개의 하드웨어에 의해 실현되어도 된다.
본 명세서에 있어서 단말, 장치 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말, 장치 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말, 장치 또는 디바이스에서 수행될 수도 있다.
본 명세서에서 있어서, 단말과 매핑(Mapping) 또는 매칭(Matching)으로 기술된 동작이나 기능 중 일부는, 단말의 식별 정보(Identifying Data)인 단말기의 고유번호나 개인의 식별정보를 매핑 또는 매칭한다는 의미로 해석될 수 있다.
이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스 제공 시스템을 설명하기 위한 도면이다. 도 1을 참조하면, 기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스 제공 시스템(1)은, 적어도 하나의 사용자 단말(100), 섬유제품 검색 서비스 제공 서버(300), 적어도 하나의 업체 단말(400)을 포함할 수 있다. 다만, 이러한 도 1의 기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스 제공 시스템(1)은, 본 발명의 일 실시예에 불과하므로, 도 1을 통하여 본 발명이 한정 해석되는 것은 아니다.
이때, 도 1의 각 구성요소들은 일반적으로 네트워크(network, 200)를 통해 연결된다. 예를 들어, 도 1에 도시된 바와 같이, 적어도 하나의 사용자 단말(100)은 네트워크(200)를 통하여 섬유제품 검색 서비스 제공 서버(300)와 연결될 수 있다. 그리고, 섬유제품 검색 서비스 제공 서버(300)는, 네트워크(200)를 통하여 적어도 하나의 사용자 단말(100), 적어도 하나의 업체 단말(400)과 연결될 수 있다. 또한, 적어도 하나의 업체 단말(400)은, 네트워크(200)를 통하여 섬유제품 검색 서비스 제공 서버(300)와 연결될 수 있다.
여기서, 네트워크는, 복수의 단말 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크의 일 예에는 RF, 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5GPP(5th Generation Partnership Project) 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, NFC 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.
하기에서, 적어도 하나의 라는 용어는 단수 및 복수를 포함하는 용어로 정의되고, 적어도 하나의 라는 용어가 존재하지 않더라도 각 구성요소가 단수 또는 복수로 존재할 수 있고, 단수 또는 복수를 의미할 수 있음은 자명하다 할 것이다. 또한, 각 구성요소가 단수 또는 복수로 구비되는 것은, 실시예에 따라 변경가능하다 할 것이다.
적어도 하나의 사용자 단말(100)은, 기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스 관련 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 이용하여 이미지를 등록하거나 검색하는 사용자의 단말일 수 있다. 이때, 적어도 하나의 사용자는, 공급자(Supplier)일 수도 있고, 바어이(Buyer)일 수도 있지만 상술한 것들로 한정되지는 않고 이미지를 등록하거나 검색하는 자이면 모두 가능하다 할 것이다. 그리고, 적어도 하나의 사용자 단말(100)은, 자체적으로 보유한 또는 섬유제품 검색 서비스 제공 서버(300)에서 제공하거나 연동하는 서버(미도시)에서 제공하는 기계학습 기반 이미지 콘텐츠 분석 알고리즘으로 이미지를 섬유제품 검색 서비스 제공 서버(300)에 등록하거나 섬유제품 검색 서비스 제공 서버(300)에서 검색할 때, 이미지에 대한 데이터를 별도로 입력하지 않아도 자동으로 분류하거나 특성을 태깅하는 단말일 수 있다. 또한, 적어도 하나의 사용자 단말(100)은, 섬유제품 검색 서비스 제공 서버(300)의 데이터베이스에 존재하지 않는 새로운 이미지를 등록한 경우, 섬유제품 검색 서비스 제공 서버(300)에서 자체적으로 발행한 가상화폐 또는 섬유제품 검색 서비스 제공 서버(300)에서 지급하는 가상화폐 등을 블록체인 기반으로 이체받는 단말일 수 있다. 그리고, 적어도 하나의 사용자 단말(100)은, 지급받은 가상화폐를 사용하여 섬유제품 검색 서비스 제공 서버(300) 또는 섬유제품 검색 서비스 제공 서버(300)와 연동된 서버(미도시)의 페이지에서 제공하는 서비스를 이용하는 단말일 수 있다.
여기서, 적어도 하나의 사용자 단말(100)은, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다. 이때, 적어도 하나의 사용자 단말(100)은, 네트워크를 통해 원격지의 서버나 단말에 접속할 수 있는 단말로 구현될 수 있다. 적어도 하나의 사용자 단말(100)은, 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(smartphone), 스마트 패드(smartpad), 타블렛 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.
섬유제품 검색 서비스 제공 서버(300)는, 기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 제공하는 서버일 수 있다. 그리고, 섬유제품 검색 서비스 제공 서버(300)는, 적어도 하나의 업체 단말(400)로부터 적어도 하나의 섬유제품 이미지 및 섬유제품 정보를 등록받는 서버일 수 있다. 또한, 섬유제품 검색 서비스 제공 서버(300)는, 사용자 단말(100)에서 검색을 위해 등록했거나 별도로 등록한 섬유제품 이미지를 수집하는 서버일 수 있다. 이렇게 업체 단말(400) 및 사용자 단말(100)로부터 수집된 적어도 하나의 섬유제품 이미지를 이용하여 섬유제품 검색 서비스 제공 서버(300)는, 빅데이터를 구축하는 서버일 수 있다. 그리고, 섬유제품 검색 서비스 제공 서버(300)는, 사용자 단말(100)로부터 이미지 검색을 실시할 때, 질의(Query)로 입력된 섬유제품 질의 이미지와, 기 저장된 빅데이터 내의 섬유제품 이미지 간의 유사도를 측정함으로써, 사용자가 입력한 질의 이미지와 유사한 제품을 그룹핑하여 사용자 단말(100)로 전송하는 서버일 수 있다. 이를 위하여, 섬유제품 검색 서비스 제공 서버(300)는, 빅데이터를 구축할 때 매칭 알고리즘을 기계학습을 이용하여 고도화하는 서버일 수 있다. 또한, 섬유제품 검색 서비스 제공 서버(300)는, 새로운 섬유제품 이미지가 등록되는 경우, 학습 평가 레벨에 차등한 블록체인 기반 코인 또는 토큰(가상화폐)을 지급하는 서버일 수 있다.
여기서, 섬유제품 검색 서비스 제공 서버(300)는, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다.
적어도 하나의 업체 단말(400)은, 기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스 관련 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 이용하는 업체의 단말일 수 있다. 이때, 적어도 하나의 업체 단말(400)은, B2B 사이트의 사용자 인증을 받은 단말일 수 있고, 해당 인증은 섬유제품 검색 서비스 제공 서버(300)에서 실시하거나 섬유제품 검색 서비스 제공 서버(300)와 연동된 서버(미도시)에서 실시할 수도 있다. 이때, 적어도 하나의 업체 단말(400)의 업체는, 바이어 업체일 수도 있지만 주로 공급자 업체일 수 있다. 그리고, 적어도 하나의 업체 단말(400)은, 적어도 하나의 섬유제품 이미지를 등록하면서 제품의 길이, 가격, 종류, 너비, 중량, 방축률(Shrinkage), 토르크(Torque), 최소발주수량(MOQ :Minimum Order Q'ty), 최소구매수량(MPQ: Minimum Purchase Q'ty), 최소발주컬러수량(MCQ: Minimum Color Q'ty) 등을 적어도 하나의 섬유제품 이미지와 함께 등록하는 단말일 수 있다. 그리고, 적어도 하나의 업체 단말(400)은, 등록한 정보의 변경이력을 알 수 있도록 히스토리 로그를 제공하는 단말일 수 있다.
여기서, 적어도 하나의 업체 단말(400)은, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다. 이때, 적어도 하나의 업체 단말(400)은, 네트워크를 통해 원격지의 서버나 단말에 접속할 수 있는 단말로 구현될 수 있다. 적어도 하나의 업체 단말(400)은, 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(smartphone), 스마트 패드(smartpad), 타블렛 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.
도 2는 도 1의 시스템에 포함된 섬유제품 검색 서비스 제공 서버를 설명하기 위한 블록 구성도이고, 도 3은 본 발명의 일 실시예에 따른 기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스가 구현된 일 실시예를 설명하기 위한 도면이고, 도 4는 본 발명의 일 실시예에 따른 도 1의 기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스가 빅데이터 구축 및 검색 과정의 두 단계로 나뉘어 실행되는 것을 설명하기 위한 흐름도이다.
도 2를 참조하면, 섬유제품 검색 서비스 제공 서버(300)는, 엑세스 관리부(310), 구축부(320), 분류부(330), 고도화부(340), 제공부(350)를 포함할 수 있다.
본 발명의 일 실시예에 따른 섬유제품 검색 서비스 제공 서버(300)와 연동되어 동작하는 다른 서버(미도시)가 적어도 하나의 사용자 단말(100), 및 적어도 하나의 업체 단말(400)로 기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스 애플리케이션, 프로그램, 앱 페이지, 웹 페이지 등을 전송하는 경우, 적어도 하나의 사용자 단말(100), 및 적어도 하나의 업체 단말(400)은, 기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스 애플리케이션, 프로그램, 앱 페이지, 웹 페이지 등을 설치하거나 열 수 있다. 또한, 웹 브라우저에서 실행되는 스크립트를 이용하여 서비스 프로그램이 적어도 하나의 사용자 단말(100), 및 적어도 하나의 업체 단말(400)에서 구동될 수도 있다. 여기서, 웹 브라우저는 웹(WWW: world wide web) 서비스를 이용할 수 있게 하는 프로그램으로 HTML(hyper text mark-up language)로 서술된 하이퍼 텍스트를 받아서 보여주는 프로그램을 의미하며, 예를 들어 넷스케이프(Netscape), 익스플로러(Explorer), 크롬(chrome) 등을 포함한다. 또한, 애플리케이션은 단말 상의 응용 프로그램(application)을 의미하며, 예를 들어, 모바일 단말(스마트폰)에서 실행되는 앱(app)을 포함한다.
도 2를 참조하면, 엑세스 관리부(310)는, 업체 단말(400)의 B2B 사용자 인증을 처리하여 적어도 하나의 섬유제품 이미지 및 정보를 등록하도록 엑세스를 허가할 수 있다. 이후, 데이터베이스를 구축할 때에나 빅데이터를 구축할 때 등록되는 이미지의 소스는 2 개일 수 있는데, 그 중 하나가 업체 단말(400)이고, 나머지 하나는 사용자 단말(100)일 수 있다. 이를 위하여, 업체 단말(400)은, B2B(Business to Business) 사용자 인증을 받아 페이지에 엑세스하고, 적어도 하나의 섬유제품 이미지와, 적어도 하나의 섬유제품 정보를 등록하고, 적어도 하나의 섬유제품의 변경이력을 관리할 수 있도록 히스토리를 입력할 수 있다. 빅데이터를 구축하거나 데이터베이스를 구축할 때 섬유제품의 속성을 어떻게 정의하는지에 따라 레이블화를 어떻게 특징지을 것인지 등이 달라질 수 있다. 따라서, 인증을 받은 사람만이 속성이 입력할 수 있도록 하는 것인데, 인증 방법은 다양할 수 있고 어느 하나의 인증 방법에 한정된 것은 아니다.
구축부(320)는, 업체 단말(400) 및 사용자 단말(100)로부터 수집된 적어도 하나의 섬유제품 이미지, 적어도 하나의 섬유제품 정보, 및 적어도 하나의 이미지 데이터를 빅데이터로 구축할 수 있다. 이때, 상술한 바와 같이 빅데이터나 데이터베이스를 구축할 때의 소스가 2 개인데, 나머지 하나인 사용자 단말(100)은, 적어도 하나의 섬유제품 이미지를 등록하고, 적어도 하나의 섬유제품 이미지를 기 저장된 기계학습 기반 이미지 콘텐츠 분석 알고리즘으로 분석하여 적어도 하나의 특징을 추출하고, 추출된 적어도 하나의 특징을 이미지 데이터로 등록한 적어도 하나의 섬유제품 이미지와 매핑하여 등록할 수 있다. 이때, 사용자는 바이어나 일반인일 수 있고, 섬유제품의 속성을 잘 모를 수 있고 제대로 된 분류를 하지 못할 가능성이 크기 때문에 기 저장된 기계학습 기반 이미지 콘텐츠 분석 알고리즘을 이용하여 섬유제품의 속성이나 특성을 등록할 수 있도록 한다. 이때, 기계학습 기반 이미지 콘텐츠 분석 알고리즘은, 구글 비전 API(Google Vision API)일 수 있으나, 기계학습 기반으로 이미지를 분류하고 속성을 태깅하고 특성을 추출할 수 있는 알고리즘이라면 그 어느 것이라도 가능하다. 이때, 기 저장된 기계학습 기반 이미지 콘텐츠 분석 알고리즘은, 섬유제품 이미지가 업로드되는 경우, 라벨(Label), 특성(Property), 색상(Color) 정보를 사용비율별로 분석할 수 있고, 분석한 라벨, 특성, 색상 등의 정보를 필터 및 정렬이 가능하도록 정리하는 알고리즘일 수 있다. 이에 따라, 사용자 단말(100)에서 등록한 섬유제품 이미지, 알고리즘으로 분석된 속성 정보, 업체 단말(400)에서 등록한 섬유제품 이미지, 및 섬유제품 정보를 이용하여 빅데이터를 구축할 수 있게 된다.
분류부(330)는, 적어도 하나의 섬유제품 이미지를 레이블로 분류(Classification)할 수 있다. 이때, 분류부(330)는, 적어도 하나의 섬유제품 이미지를 레이블로 분류할 때, 기 저장된 적어도 하나의 이미지 분류 모델을 이용하여 적어도 하나의 섬유제품 이미지에 포함된 적어도 하나의 특징을 레이블화하여 데이터베이스에 정보를 입력할 수 있다. 이때, 섬유제품 이미지의 분류는, 이미지를 하나의 레이블로 분류하는 작업인데, 여기서 이미지 분류 모델을 이용할 수 있고, 이는 AlexNet 모델, VGG-16 모델, 인셉션 V3 모델, ResNet-50 모델, DenseNet 모델일 수 있으나 이에 한정되는 것은 아니다. 그리고, 분류부(330)는, 섬유제품 이미지의 높은 추상화, 및 작은 특징을 레이블화하여 모두 데이터베이스에 정보를 입력함으로써 데이터베이스를 구축할 수 있다. 그리고, 분류뷰(330)는, 섬유제품 이미지 분류를 위한 기계학습 알고리즘을 위해, 학습을 위한 섬유제품 이미지 데이터를 준비하고, 데이터 셋 확장 작업을 실행한다. 이때, 확장 기법은, 플리핑(Flipping), 무작위 잘라내기, 시어링, 확대/축소, 회전, 화이트닝, 정규화, 채널 시프팅(Channel-Shifting)일 수 있으나 이에 한정되지는 않는다. 또한, 분류뷰(330)는, 상술한 이미지 분류 모델의 전이 학습(Transition Learning)을 수행하고, 미세 조정(병목 특징에 대한 트레이닝) 딥러닝의 레이어 미세조정을 실시하며, 분류를 목적으로 훈련된 모델에서 특징을 추출하며, 특징을 사용하여 질의 이미지(Query Image)와, 데이터베이스 또는 빅데이터 내의 섬유제품 이미지 집합 간의 유사도를 계산할 수 있다.
고도화부(340)는, 질의(Query) 이미지와 구축된 빅데이터에 포함된 이미지 간의 유사도를 측정하는 매칭 알고리즘을 기계학습으로 고도화할 수 있다. 이때, 질의 이미지는, 이미지 검색에서 사용자가 검색을 위해 키워드나 검색어 대신 입력하는 이미지를 의미한다. 여기서, 고도화부(340)는, 매칭 알고리즘을 기계학습으로 고도화할 때, 두 엔티티(Entity) 간의 유사도를 계산하기 위해 측정 항목을 학습하는 유사도 학습(Similarity Learning)을 위한 기계학습 알고리즘을 이용할 수 있다. 이때, 유사도 학습을 위한 기계학습 알고리즘은, 빅데이터로 구축된 적어도 하나의 섬유제품 이미지를 CNN(Convolutional neural network)를 이용하여 특징 벡터를 계산하는 과정을 포함할 수 있다. 그리고, 유사도 학습을 위한 기계학습 알고리즘은, 로컬라이제이션(Localization) 알고리즘을 이용하여 적어도 하나의 섬유제품 이미지 내에 포함된 패턴을 객체로 검출하여 패턴 데이터셋으로 데이터베이스화하고, 적어도 하나의 섬유제품 정보, 및 적어도 하나의 이미지 데이터를 패턴 데이터셋에 포함시켜 MATPL(Multi-Attribute Textile Product Landmark) 데이터 셋을 구축하는 과정을 포함할 수 있다. 또한, 유사도 학습을 위한 기계학습 알고리즘은, MATPL 데이터 셋에 포함된 속성 값에 대한 매개변수를 정의하고 컨볼루션 레이어(Convolution Layer)를 이용하여 분류 및 클러스터링(Clustering)을 위한 CNN 기본 모델을 구성할 수 있다.
여기서, 로컬라이제이션은, 이미지 안의 객체(Object)가 이미지 안의 어느 위치에 있는지 위치 정보를 출력해주는 것으로, 주로 바운딩 박스(Bounding box)를 이용하며, 바운딩 박스의 네 꼭지점 픽셀의 좌표가 출력되는 것이 아닌, 좌상단(left top), 우하단(right bottom) 좌표를 출력하는 것이다. 그리고, 객체 검출(Object Detection)은, 분류(Classification)와 로컬라이제이션이 동시에 수행되는 것을 의미한다. 모델의 학습 목적에 따라 특정 객체만 검출하는 경우도 있고 복수의 객체를 검출하는 모델을 만들기도 한다. 또한, 객체 인식(Object Recognition)이란, 대부분 객체 검출과 같은 의미로 쓰이지만, 검출은 객체의 존재 유무만을 의미하고, 인식은 객체의 종류를 아는 것으로 해석할 수도 있다. 그 이외의 용어는 기계학습 또는 딥러닝 객체 검출에서 공지된 것으로 상세한 설명은 생략하기로 한다.
다시 유사도 학습으로 돌아가서, 유사도 학습은, 두 엔티티 간의 유사도를 계산하기 위해, 측정 항목을 학습하는 프로세스인데, 이때의 측정 항목은 유클리드(Euclidean), 코사인 또는 기타 사용자 정의 거리 함수(Custom distance function) 등이 사용될 수 있다. 여기서, 측정 항목을 계산하기 위해서는 이미지의 벡터 표현이 필요한데, 이는 CNN에 의해 계산된 특징이 사용될 수 있다. 객체 분류를 위해 CNN은 측정 항목을 계산하는 벡터로 사용될 수 있다. 이미지 분류를 위해 얻어진 특징 벡터가 현재의 작업을 가장 잘 표현한 것은 아니기 때문에, 고도화부(340)는 유사도 학습에서는 유사도 학습 과제를 위해 훈련된 특징을 생성하는 CNN을 고려해야 한다. 그리고, 고도화부(340)는 로컬라이제이션 알고리즘을 통하여 패턴 검출(객체 검출)을 진행한다. 이를 통하여, 섬유 제품 표식 및 속성을 패턴 데이터셋으로 데이터베이스화하여 구축할 수 있다. 이를 MATPL(Multi-Attribute Textile Product Landmark) 데이터셋이라 명명하며, 고도화부(340)는 등록 프로세스에 입력된 컨텐츠, 구글 비전 API 통하여 섬유제품의 패턴과 속성(Property) 추출하는 것을 포함하여 데이터베이스 형태로 MATPL 데이터 셋을 구축할 수 있다. 섬유제품 키 포인트 학습을 통한 섬유 제품 특징(패턴) 검출하는 과정에서는, 고도화부(340)는 MATPL에서 속성(RGB Color 등) 값에 대한 매개변수 정의를 하고, 컨볼루션 레이어를 사용하여 기본 모델을 구성하며, 로직 분기를 만들고 손실은 텐서플로우 코드(Tensorflow code)로 모든 섬유 제품 특징에 대해 개별적으로 계산된다. 이와 같은 과정들을 통하여 이후에, 제공부(350)에서 섬유제품 확인, 섬유 제품 인식, 섬유 제품 클러스터링 작업을 구현할 수 있다.
제공부(350)는, 고도화된 매칭 알고리즘을 이용하여 질의(Query)로 입력된 섬유제품 질의 이미지를 확인(Verification), 인식(Recognition), 및 클러스터링(Clustering)하여 섬유제품 질의 이미지와 유사한 섬유제품 이미지 그룹을 제공할 수 있다. 이때, 제공부(350)에서 진행되는 확인(Verification)은, 섬유제품 질의 이미지를 유클리드(Euclidean), 코사인, 및 기 설정된 사용자 정의 거리 함수(Custom Distance Function) 중 어느 하나 또는 적어도 하나에 대응하는 거리 측정 항목으로 확인하고, 빅데이터로 구축된 적어도 하나의 섬유제품 이미지 간의 유사여부를 확인하는 과정을 포함하여 진행될 수 있다.
그리고, 제공부(350)에서 진행되는 인식(Recognition)은, 섬유제품 질의 이미지에 이름을 태깅하기 위하여 분류(Classification)을 수행하여 섬유제품을 식별하는 과정일 수 있다. 이때, 임베딩 벡터는 최총 레이블을 학습하는데 이용할 수 있다. 제공부(350)의 인식은, 섬유제품 간 유사도를 계산하는 방법으로 이루어질 수 있는데, 이를 위하여 섬유제품을 검출하고 섬유제품에 대한 기준점을 찾는 것으로 시작할 수 있다. 여기서, 섬유제품은 기준점을 기준으로 정렬될 수 있다. 정렬된 섬유제품은 비교에 사용될 수 있는데, 섬유제품의 인식과정은 객체 검출과 비슷하다. 즉, 제공부(350)는, 텐서플로우 코드(Tensor Flow code)를 이용하여 빅데이터에 포함된 적어도 하나의 섬유제품 이미지의 정보인 MATPL(Multi-Attribute Textile Product Landmark) 데이터 셋을 로딩(Loading) 및 정렬하는 것으로 시작한다. 그 다음에, 제공부(350)는, 임베딩을 수행하기 위하여 MATPL 데이터 셋의 경로를 지정하고, 임베딩 간 유클리드 거리를 계산하는 함수인 텐서플로우 코드를 이용하여 임베딩 간의 거리를 계산하여 섬유제품 질의 이미지와 빅데이터 내 포함된 적어도 하나의 섬유제품 이미지 간의 유사도의 정확도를 계산할 수 있다. 이때, 정확도의 최적 임계값은, 텐서플로우의 분류(Classification) 코드 및 정확도(Accuracy) 코드를 이용하여 계산할 수 있다.
제공부(350)의 클러스터링(Clustering) 과정은, 비슷한 섬유제품을 그룹화하는 과정으로 이루어질 수 있다. 여기서, 클러스터 분석(Cluster Analysis)은, 비슷한 특성을 가진 객체를 합쳐가면서 최종적으로 유사 특성의 그룹을 발굴하는데 사용될 수 있다. 이를 위하여, K-평균(K-means)과 같은 클러스터링 알고리즘이 이용될 수 있는데, 이에 한정되는 것은 아니고 클러스터링이 가능한 알고리즘이라면 어느 것이든 가능하다 할 것이다. 이때, 클러스터링 알고리즘은, 섬유제품을 그룹화하는데 사용될 수 있다. 섬유제품 클러스터링은, 섬유제품의 이미지를 그룹화하는 과정이다. 이를 위해, 제공부(350)는, 섬유제품의 임베딩을 검출할 수 있으며, K-평균과 같은 클러스터링 알고리즘을 이용하여 같은 패턴의 섬유제품을 모을 수 있다. 텐서플로우는 K-평균 알고리즘을 위한 KmeansClustering API를 제공하므로, 이를 이용해도 무방하다.
덧붙여서, 본 발명의 일 실시예에 따른 방법은, 기존 데이터베이스에 없는 새로운 이미지가 업로드되는 경우에는, 해당 새로운 이미지를 등록한 사용자에게 보상을 해줄 수 있다. 이때, 보상 방법은 블록체인에 기반한 가상화폐를 지급하는 방법일 수 있으나, 명목화폐를 지급하는 것을 배제하는 것은 아니다. 그리고, 그 금액이나 수량은, 기계학습 강화학습을 진행할 때 학습평가레벨에 따라 차등적으로 부여된 레벨에 기반할 수 있다. 여기서, 강화학습은, 비지도 학습, 반지도 학습, 지도학습 중 어느 하나일 수 있으나 상술한 것들로 한정되는 것은 아니다.
덧붙여서, 회전이나 스케일에도 강건한 검색 및 분류를 할 수 있도록, 본 발명의 일 실시예에 따른 방법은, 섬유제품의 색상, 무늬, 질감 등 의상이 가질 수 있는 특성 정보를 분석하여, 이를 분류하고 검색하는 방법을 더 실시할 수 있다. 이때, 섬유제품의 패턴 및 무늬 등을 구분하기 위한 비정형 의류 검색을 위한 LBPROT_35 디스크립터를 이용할 수 있다. 이는, 영상의 통계적 특징을 분석하는 기존의 LBP_ROT(Local Binary Pattern with ROTation-invariant) 방식에 추가로 원 영상에 크기 변화가 생겨도 검색해 낼 수 있도록 하는 특성이 추가된 것이며, 이를 통해 비정형 의류 검색 시 옷이 회전되어 있거나 스케일에 변화가 있어도 높은 검색율을 얻을 수 있다. 또한 색 공간을 11개의 구간으로 양자화 하는 방식을 이용하여 컬러 분류를 구현하여, 의류 검색에 있어서 중요한 컬러 유사성을 상실하지 않도록 할 수도 있다. 이를 위하여, 인터넷 상의 섬유제품의 이미지를 추출하여 훈련 이미지로 데이터베이스를 구축할 수도 있고, 이 중 일부를 질의 이미지로 테스트할 수 있다.
이때, LBP(Local Binary Pattern)은 한 픽셀과 주위에 이웃하는 픽셀간의 크기 비교를 통하여 추출되는 이진화된 값을 이용하는 방식으로, 중앙 픽셀의 값보다 크거나 같은 값에 해당하는 픽셀에 대해선 1을 부여하고, 그렇지 않은 픽셀들에 대하여 0을 부여하고, 특정 시작점(좌상단)을 기준으로 한자리씩 읽어서 2진수로 표현하는 방법이다. 이러한 방식으로 추출되는 LBP 값은 0 부터 255 까지 총 256개의 종류로 나뉘게 되며, 여기에 회전을 고려하면 36개의 종류로 줄일 수 있게 되는데, 이것을 LBP_ROT(Local Binary Pattern with ROTation-invariant)라고 부른다. LBP_ROT는 LBP의 특성에 회전변환을 고려한 방식으로 기존의 이진화된 패턴에서 공통적인 패턴형태를 보유한 대상을 한데 묶어버리는 방식이다.
다만, LBP_ROT에는 비정형 의류의 확대/축소에 따른 크기 변화에 관한 문제를 해결하지 못하는 한계가 존재 한다. 확대 및 축소 문제는 비정형 의류 검색과 관련하여 상당히 중요한 요인으로, 비정형 의류 검색 분야에 있어서 반드시 해결 되어야 하는 문제이다. 따라서, 본 발명의 일 실시예에서는, 엣지 영역은 이미지 영역에서 선 형태로 존재하여 1차원적인 특성을 지니지만, 반대로 평탄영역은 면 형태로 존재하여 2차원적인 특성을 지니므로, 이미지가 2배 확대되었다고 가정하면, 엣지 영역은 이에 비례하여 2배 증가하게 되지만, 평탄 영역은 확대비의 제곱에 비례하여 4배 증가하게 되는 특성을 이용하여, 실제 패턴 분석에 필요한 요소에 해당하는 엣지 영역만을 LBP_ROT 영역의 추출대상으로 설정할 수 있다. 엣지 영역을 추출하는 방식은 케니 엣지 검출을 이용할 수 있지만, 이에 한정되는 것은 아니다. 이렇게 케니 엣지 검출을 거친 이미지는 엣지 영역만이 남게 되고, 이는 LBP_ROT의 특징 벡터들의 히스토그램 상에서 평탄 영역의 LBP_ROT 값 한개는 통계 대상에서 제외시키는 효과를 가져 온다. 이렇게 모서리 검출을 거친 뒤 이후 평탄영역을 분석대상에서 제외시키는 특징 벡터는 크기 변화에 따른 영향이 최소화 되어 비정형 검색 성능을 극대화 해준다. 이를 상술한 데이터 셋의 확장과 함께 적용하는 경우 검색 오류율을 줄일 수도 있다.
한편, 컬러 인식은 패턴 인식과 마찬가지로 섬유제품 매칭 알고리즘 구성에서 반드시 필요한 과정이다. 단색으로 이루어진 이미지의 컬러 특성을 분석하는 것은 물론이고, 패턴에 의해 발생하는 다양한 컬러 분포 모두를 종합적으로 분석대상에 포함시켜야 한다. 더불어 컬러의 다양성을 고려함으로써 사용자가 원하는 색상의 이미지를 정확히 내놓을 수 있도록 해야 한다. 또한, 컬러 인식의 정확도를 높이기 위해, 외부 조명의 변화나 그림자에 의한 이미지의 명암 변화에도 고려해야 한다. 즉, 극단적인 명암변화가 아닌 일상생활에서의 조명이나 그림자에 의한 명암 변화가 검색능력에 부정적인 영향을 주지 않도록 설계해야 한다. 이를 위해 본 발명의 일 실시예에서는, 컬러 디스크립터를 이용할 수 있다. 우선, RGB 색 공간으로 표현된 이미지를 명암을 고려하여 HLS 색 공간으로 변환할 수 있고 HLS 색공간은 RGB와 마찬가지로 색을 표현하는 하나의 방법으로 색상(Hue), 채도(Saturation), 밝기(Lightness)의 좌표를 이용하여 색을 표현한다. 색상(Hue, H)는 가시광선 스펙트럼을 고리모양으로 배치한 색상환(Color Circle)에서 가장 파장이 긴 빨강을 0°로 하였을 때의 상대적인 배치 각도의 분포이다. 때문에 H 값은 0°~360°의 범위를 갖고, 360°와 0°는 같은 색상 빨강을 가리키고, 채도(Saturation, S)는 특정한 색상의 가장 진한 상태를 100%라고 하였을 때 진하기의 정도를 나타내는 것으로, 0%는 색상과 무관하게 무채색을 나타내며, 밝기(Lightness, L)는 색의 밝고 어두움을 나타내는 정도로, 실제 이미지의 명암변화와 직접적으로 관련이 있다. RGB 색 공간에서 HLS 색 공간으로 변환이 이루어진 이미지는 밝기 정도를 수치화 하여 표현할 수 있다. 따라서 만약 이미지 상에서 조명이나 그림자에 의해 명암의 변화가 발생한다면, 밝기(L) 값의 변화가 크게 발생하고 색상(H)과 채도(S)는 거의 변하지 않는다.
이러한 점을 이용하여 HLS 공간을 몇 가지의 색으로 양자화 시키는데, 우선 밝기에 대해 문턱 값을 설정함으로써 자연스러운 밝기 변화를 넘어서 극단적으로 밝아지거나 어두워지는 색 변화는 그 부분이 조명변화에 의한 것이 아닌 본래 흰색과 검은색을 가지고 있는 것으로 판단되도록 설정할 수 있고, 기 설정된 수의 색상으로 양자화시켜, 이 색상 각각을 하나의 특징 벡터의 차원으로 설정할 수 있다. 이후 이미지에 대하여 11가지 색상의 분포를 분석한 뒤 전체 이미지에서의 특정 색상의 비율을 히스토그램으로 나타내며, 최종적으로 개별 이미지들에서 추출된 히스토그램 내의 컬러의 분포를 좌측 색에서 우측 색 방향으로 차례대로 읽어서 기 설정된 차원으로 구성된 특징 벡터인 컬러 디스크립터를 만들고, 이를 비교하여 색상이 유사한 이미지를 찾아낼 수 있다. 이때, 두 이미지간의 컬러 벡터로 구성된 히스토그램의 유사도 여부를 분석하는 과정은 Histogram Intersection을 사용할 수 있으나 이에 한정되는 것은 아니다.
이하, 상술한 도 2의 섬유제품 검색 서비스 제공 서버의 구성에 따른 동작 과정을 도 3 및 도 4를 예로 들어 상세히 설명하기로 한다. 다만, 실시예는 본 발명의 다양한 실시예 중 어느 하나일 뿐, 이에 한정되지 않음은 자명하다 할 것이다.
도 3 및 도 4를 참조하면, (a) 섬유제품 검색 서비스 제공 서버(300)는 적어도 하나의 업체 단말(400)로부터 섬유제품 이미지와 섬유제품 정보를 등록받고, (b) 적어도 하나의 사용자 단말(100)로부터 섬유제품 이미지를 등록받아 기 설정된 기계학습 기반 이미지 콘텐츠 분석 알고리즘으로 속성 정보나 특징 정보를 추출하여 섬유제품 정보도 등록받는다. 그리고, (c) 섬유제품 검색 서비스 제공 서버(300)는, 섬유제품 이미지와 섬유제품 정보를 모아 데이터베이스 및 빅데이터를 구축하고, 매칭 알고리즘을 고도화시킨다. 그리고 나서, (d) 섬유제품 검색 서비스 제공 서버(300)는, 사용자 단말(100)에서 이미지 검색을 통하여 섬유제품 질의 이미지를 입력하면, 확인, 인식 및 클러스터링 과정을 수행하는 매칭 알고리즘을 이용하여 사용자가 입력한 질의 이미지와 유사한 섬유제품 이미지를 추출하여 사용자 단말(100)로 전송한다.
이와 같은 도 2 내지 도 4의 기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스 제공 방법에 대해서 설명되지 아니한 사항은 앞서 도 1을 통해 기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스 제공 방법에 대하여 설명된 내용과 동일하거나 설명된 내용으로부터 용이하게 유추 가능하므로 이하 설명을 생략하도록 한다.
도 5는 본 발명의 일 실시예에 따른 기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스 제공 방법을 설명하기 위한 동작 흐름도이다. 도 5를 참조하면, 섬유제품 검색 서비스 제공 서버는, 업체 단말의 B2B 사용자 인증을 처리하여 적어도 하나의 섬유제품 이미지 및 정보를 등록하도록 엑세스를 허가한다(S5100).
그리고, 섬유제품 검색 서비스 제공 서버는, 업체 단말 및 사용자 단말로부터 수집된 적어도 하나의 섬유제품 이미지, 적어도 하나의 섬유제품 정보, 및 적어도 하나의 이미지 데이터를 빅데이터로 구축한다(S5200). 또한, 섬유제품 검색 서비스 제공 서버는, 적어도 하나의 섬유제품 이미지를 레이블로 분류(Classification)하고(S5300), 질의(Query) 이미지와 구축된 빅데이터에 포함된 이미지 간의 유사도를 측정하는 매칭 알고리즘을 기계학습으로 고도화한다(S5400). 이에 따라, 이후에 사용자 단말(100)에서 섬유제품 질의 이미지가 입력되는 경우, 입력된 질의 이미지와 유사한 섬유제품 이미지를 높은 정확도로 검색하여 사용자 단말(100)로 제공할 수 있게 된다.
이와 같은 도 5의 기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스 제공 방법에 대해서 설명되지 아니한 사항은 앞서 도 1 내지 도 4를 통해 기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스 제공 방법에 대하여 설명된 내용과 동일하거나 설명된 내용으로부터 용이하게 유추 가능하므로 이하 설명을 생략하도록 한다.
도 5를 통해 설명된 일 실시예에 따른 기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스 제공 방법은, 컴퓨터에 의해 실행되는 애플리케이션이나 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
전술한 본 발명의 일 실시예에 따른 기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스 제공 방법은, 단말기에 기본적으로 설치된 애플리케이션(이는 단말기에 기본적으로 탑재된 플랫폼이나 운영체제 등에 포함된 프로그램을 포함할 수 있음)에 의해 실행될 수 있고, 사용자가 애플리케이션 스토어 서버, 애플리케이션 또는 해당 서비스와 관련된 웹 서버 등의 애플리케이션 제공 서버를 통해 마스터 단말기에 직접 설치한 애플리케이션(즉, 프로그램)에 의해 실행될 수도 있다. 이러한 의미에서, 전술한 본 발명의 일 실시예에 따른 기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스 제공 방법은 단말기에 기본적으로 설치되거나 사용자에 의해 직접 설치된 애플리케이션(즉, 프로그램)으로 구현되고 단말기에 등의 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (7)

  1. B2B(Business to Business) 사용자 인증을 받아 페이지에 엑세스하고, 적어도 하나의 섬유제품 이미지와, 적어도 하나의 섬유제품 정보를 등록하고, 상기 적어도 하나의 섬유제품의 변경이력을 관리할 수 있도록 히스토리를 입력하는 업체 단말;
    적어도 하나의 섬유제품 이미지를 등록하고, 상기 적어도 하나의 섬유제품 이미지를 기 저장된 기계학습 기반 이미지 콘텐츠 분석 알고리즘으로 분석하여 적어도 하나의 특징을 추출하고, 상기 추출된 적어도 하나의 특징을 이미지 데이터로 상기 등록한 적어도 하나의 섬유제품 이미지와 매핑하여 등록하는 사용자 단말; 및
    상기 업체 단말의 B2B 사용자 인증을 처리하여 상기 적어도 하나의 섬유제품 이미지 및 정보를 등록하도록 엑세스를 허가하는 엑세스 관리부, 상기 업체 단말 및 사용자 단말로부터 수집된 적어도 하나의 섬유제품 이미지, 적어도 하나의 섬유제품 정보, 및 적어도 하나의 이미지 데이터를 빅데이터로 구축하는 구축부, 상기 적어도 하나의 섬유제품 이미지를 레이블로 분류(Classification)하는 분류부, 질의(Query) 이미지와 구축된 빅데이터에 포함된 이미지 간의 유사도를 측정하는 매칭 알고리즘을 기계학습으로 고도화하는 고도화부를 포함하는 섬유제품 검색 서비스 제공 서버;를 포함하고,
    상기 고도화부는, 상기 매칭 알고리즘을 기계학습으로 고도화할 때, 두 엔티티(Entity) 간의 유사도를 계산하기 위해 측정 항목을 학습하는 유사도 학습(Similarity Learning)을 위한 기계학습 알고리즘을 이용하며,
    상기 유사도 학습을 위한 기계학습 알고리즘은, 상기 빅데이터로 구축된 적어도 하나의 섬유제품 이미지를 CNN(Convolutional neural network)를 이용하여 특징 벡터를 계산하고, 로컬라이제이션(Localization) 알고리즘을 이용하여 상기 적어도 하나의 섬유제품 이미지 내에 포함된 패턴을 객체로 검출하여 패턴 데이터셋으로 데이터베이스화하고, 상기 적어도 하나의 섬유제품 정보, 및 적어도 하나의 이미지 데이터를 상기 패턴 데이터셋에 포함시켜 MATPL(Multi-Attribute Textile Product Landmark) 데이터 셋을 구축하고, 상기 MATPL 데이터 셋에 포함된 속성 값에 대한 매개변수를 정의하고 컨볼루션 레이어(Convolution Layer)를 이용하여 분류 및 클러스터링(Clustering)을 위한CNN 기본 모델을 구성하고,
    상기 섬유제품 검색 서비스 제공 서버는, 상기 고도화된 매칭 알고리즘을 이용하여 질의(Query)로 입력된 섬유제품 질의 이미지를 확인(Verification), 인식(Recognition), 및 클러스터링(Clustering)하여 상기 섬유제품 질의 이미지와 유사한 섬유제품 이미지 그룹을 제공하는 제공부;를 더 포함하며,
    상기 제공부의 확인은, 상기 섬유제품 질의 이미지를 유클리드(Euclidean), 코사인, 및 기 설정된 사용자 정의 거리 함수(Custom Distance Function) 중 어느 하나 또는 적어도 하나에 대응하는 거리 측정 항목으로 확인하고, 상기 빅데이터로 구축된 적어도 하나의 섬유제품 이미지 간의 유사여부를 확인하는 과정을 포함하고,
    상기 제공부의 인식은, 상기 섬유제품 질의 이미지에 이름을 태깅하기 위하여 분류(Classification)을 수행하여 상기 섬유제품을 식별하는 과정이고,
    상기 제공부의 인식은, 텐서플로우 코드(Tensor Flow code)를 이용하여 상기 빅데이터에 포함된 적어도 하나의 섬유제품 이미지의 정보인 MATPL(Multi-Attribute Textile Product Landmark) 데이터 셋을 로딩(Loading) 및 정렬하고,
    임베딩을 수행하기 위하여 상기 MATPL 데이터 셋의 경로를 지정하고, 임베딩 간 유클리드 거리를 계산하는 함수인 상기 텐서플로우 코드를 이용하여 임베딩 간의 거리를 계산하여 상기 섬유제품 질의 이미지와 빅데이터 내 포함된 적어도 하나의 섬유제품 이미지 간의 유사도의 정확도를 계산하고,
    상기 정확도의 최적 임계값은, 상기 텐서플로우의 분류(Classification) 코드 및 정확도(Accuracy) 코드를 이용하여 계산하는 과정을 포함하는 것을 특징으로 하는 기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스 제공 시스템.
  2. 제 1 항에 있어서,
    상기 섬유제품 검색 서비스 제공 서버는 상기 업체 단말 또는 상기 사용자 단말로부터 등록되는 섬유제품 이미지가 새로운 섬유제품 이미지인 경우, 블록체인 기반 코인 또는 토큰(가상화폐)을 새로운 섬유제품 이미지를 등록한 상기 업체 단말 또는 상기 사용자 단말에게 지급하는 것을 특징으로 하는 기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스 제공 시스템.
  3. 삭제
  4. 삭제
  5. 삭제
  6. 삭제
  7. 제 1 항에 있어서,
    상기 분류부는,
    상기 적어도 하나의 섬유제품 이미지를 레이블로 분류할 때, 기 저장된 적어도 하나의 이미지 분류 모델을 이용하여 상기 적어도 하나의 섬유제품 이미지에 포함된 적어도 하나의 특징을 레이블화하여 데이터베이스에 정보를 입력하는 것을 특징으로 하는 기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스 제공 시스템.
KR1020190048150A 2019-04-25 2019-04-25 기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스 제공 시스템 KR102099561B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190048150A KR102099561B1 (ko) 2019-04-25 2019-04-25 기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스 제공 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190048150A KR102099561B1 (ko) 2019-04-25 2019-04-25 기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스 제공 시스템

Publications (1)

Publication Number Publication Date
KR102099561B1 true KR102099561B1 (ko) 2020-04-09

Family

ID=70276034

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190048150A KR102099561B1 (ko) 2019-04-25 2019-04-25 기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스 제공 시스템

Country Status (1)

Country Link
KR (1) KR102099561B1 (ko)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022025570A1 (ko) * 2020-07-27 2022-02-03 옴니어스 주식회사 상품 이미지에 속성 관련 키워드를 부여하는 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체
WO2022059839A1 (ko) * 2020-09-18 2022-03-24 신지혜 글로벌 패션 수요 및 공급 매칭 플랫폼 시스템
KR20220055503A (ko) * 2020-09-25 2022-05-04 주식회사 디쓰리디 원단의 물성 측정 시스템 및 방법
KR20220071697A (ko) * 2020-11-24 2022-05-31 (주)아이씨엔아이티 비접촉방식의 섬유제품검색 서비스 제공 시스템 및 그 방법
KR20220090935A (ko) * 2020-12-23 2022-06-30 주식회사 동운인터내셔널 B2b 거래 매칭 및 정보제공 서비스 플랫폼
KR102425811B1 (ko) * 2021-05-06 2022-07-27 주식회사 우주하나소유 인공지능 기반 웹사이트 크롤링을 이용한 상품 판매 콘텐츠 게시방법, 서버 및 컴퓨터프로그램
KR20220107916A (ko) * 2021-01-25 2022-08-02 쿠팡 주식회사 변환된 이미지 정보를 사용하여 아이템 유사성을 모델링하기 위한 시스템 및 방법
KR20220151521A (ko) * 2021-05-06 2022-11-15 네이버 주식회사 임베딩 유사도에 기반한 상품 검색 방법, 컴퓨터 장치, 및 컴퓨터 프로그램

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101841522B1 (ko) * 2016-11-07 2018-03-23 오드컨셉 주식회사 쇼핑 정보를 제공하는 방법, 장치 및 컴퓨터 프로그램
KR101832946B1 (ko) * 2016-11-18 2018-04-13 신경태 이미지 검색이 가능한 섬유원단 중계 시스템 및 방법
KR20180126220A (ko) * 2017-05-17 2018-11-27 삼성전자주식회사 객체를 식별하는 방법 및 디바이스

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101841522B1 (ko) * 2016-11-07 2018-03-23 오드컨셉 주식회사 쇼핑 정보를 제공하는 방법, 장치 및 컴퓨터 프로그램
KR101832946B1 (ko) * 2016-11-18 2018-04-13 신경태 이미지 검색이 가능한 섬유원단 중계 시스템 및 방법
KR20180126220A (ko) * 2017-05-17 2018-11-27 삼성전자주식회사 객체를 식별하는 방법 및 디바이스

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022025570A1 (ko) * 2020-07-27 2022-02-03 옴니어스 주식회사 상품 이미지에 속성 관련 키워드를 부여하는 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체
WO2022059839A1 (ko) * 2020-09-18 2022-03-24 신지혜 글로벌 패션 수요 및 공급 매칭 플랫폼 시스템
KR102496992B1 (ko) 2020-09-25 2023-02-07 주식회사 디쓰리디 원단의 물성 측정 시스템 및 방법
KR20220055503A (ko) * 2020-09-25 2022-05-04 주식회사 디쓰리디 원단의 물성 측정 시스템 및 방법
KR20220071697A (ko) * 2020-11-24 2022-05-31 (주)아이씨엔아이티 비접촉방식의 섬유제품검색 서비스 제공 시스템 및 그 방법
KR102433779B1 (ko) * 2020-11-24 2022-08-18 (주)아이씨엔아이티 비접촉방식의 섬유제품검색 서비스 제공 시스템 및 그 방법
KR20220090935A (ko) * 2020-12-23 2022-06-30 주식회사 동운인터내셔널 B2b 거래 매칭 및 정보제공 서비스 플랫폼
KR102606162B1 (ko) * 2020-12-23 2023-11-28 주식회사 동운인터내셔널 B2b 거래 매칭 및 정보제공 서비스 플랫폼
KR20220107916A (ko) * 2021-01-25 2022-08-02 쿠팡 주식회사 변환된 이미지 정보를 사용하여 아이템 유사성을 모델링하기 위한 시스템 및 방법
KR102517852B1 (ko) 2021-01-25 2023-04-05 쿠팡 주식회사 변환된 이미지 정보를 사용하여 아이템 유사성을 모델링하기 위한 시스템 및 방법
KR102425811B1 (ko) * 2021-05-06 2022-07-27 주식회사 우주하나소유 인공지능 기반 웹사이트 크롤링을 이용한 상품 판매 콘텐츠 게시방법, 서버 및 컴퓨터프로그램
KR20220151521A (ko) * 2021-05-06 2022-11-15 네이버 주식회사 임베딩 유사도에 기반한 상품 검색 방법, 컴퓨터 장치, 및 컴퓨터 프로그램
KR102640369B1 (ko) * 2021-05-06 2024-02-27 네이버 주식회사 임베딩 유사도에 기반한 상품 검색 방법, 컴퓨터 장치, 및 컴퓨터 프로그램

Similar Documents

Publication Publication Date Title
KR102099561B1 (ko) 기계학습 기반 고도화된 매칭 알고리즘을 포함한 섬유제품 검색 서비스 제공 시스템
US11636364B2 (en) Image-based popularity prediction
Ye et al. Convolutional neural network for pothole detection in asphalt pavement
KR102127191B1 (ko) 쇼핑 정보를 제공하는 방법, 장치 및 컴퓨터 프로그램
US9405773B2 (en) Searching for more products like a specified product
US20110314031A1 (en) Product category optimization for image similarity searching of image-based listings in a network-based publication system
Linares et al. Segmentation of large images based on super‐pixels and community detection in graphs
CN113239227B (zh) 图像数据结构化方法、装置、电子设备及计算机可读介质
TW202242679A (zh) 關聯物件資料之系統以及電腦實施的方法
CN110580489A (zh) 一种数据对象的分类系统、方法以及设备
Fang et al. A deep learning fusion approach to retrieve images of People's unsafe behavior from construction sites
Li et al. Automatic building detection from very high-resolution images using multiscale morphological attribute profiles
KR20200052573A (ko) 소셜미디어 및 사용자 로그를 이용한 큐레이션 기반 데일리 코디 서비스 제공 방법
Zhang et al. Change detection in very high-resolution images based on ensemble CNNs
Vieira et al. CBIR-ANR: A content-based image retrieval with accuracy noise reduction
Rodriguez‐Lozano et al. Efficient data dimensionality reduction method for improving road crack classification algorithms
US20230230408A1 (en) Methods, systems, articles of manufacture, and apparatus for decoding images
Zheng et al. Design of quick search method for key feature images in mobile networks
Beheshtifar Identification of landslide-prone zones using a GIS-based multi-criteria decision analysis and region-growing algorithm in uncertain conditions
Espindola et al. Comparing different deep learning architectures as vision-based multi-label classifiers for identification of multiple distresses on asphalt pavement
Ahonen et al. Morphological clustering of cell cultures based on size, shape, and texture features
KR20200058343A (ko) 쇼핑 정보를 제공하는 방법, 장치 및 컴퓨터 프로그램
Fu et al. Spectral-spatial hyperspectral image classification with dual spatial ensemble learning
Vijaya et al. A Performance Study of Probabilistic Possibilistic Fuzzy C-Means Clustering Algorithm
Sudarsan et al. E-commerce Website with Image Search and Price Prediction

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant