KR102122560B1 - 글자 인식 모델의 업데이트 방법 - Google Patents

Abstract

본 개시의 일 실시예에 따라, 글자 인식 모델의 업데이트 방법에 개시된다. 상기 방법의 처리를 위해 컴퓨터 프로그램에 저장된 동작은, 문서 이미지에 포함된 하나 이상의 글자 이미지 각각을 사전 학습된 하나 이상의 네트워크 함수를 포함하는 글자 인식 모델을 통해 각각의 글자로 분류하여 상기 글자 이미지가 포함하는 글자를 결정하는 동작; 상기 분류에 기초한 상기 글자 이미지의 분류 결과로 결정된 글자가 적합한 글자인지 여부를 결정하는 동작; 상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 경우, 상기 글자 이미지를 재 분류하여 상기 글자 이미지에 포함된 글자를 재 결정하는 동작; 상기 글자 이미지를 제 1 학습 데이터의 입력으로 하고, 재 분류 결과로 결정된 글자를 상기 제 1 학습 데이터의 라벨로 하는, 상기 제 1 학습 데이터를 생성하는 동작; 및 하나 이상의 제 1 학습 데이터를 포함하는 제 1 학습 데이터 세트에 기초하여 업데이트 된 글자 인식 모델을 생성하는 동작을 포함한다.

Description

글자 인식 모델의 업데이트 방법{METHOD TO UPDATE CHARACTER RECOGNITION MODEL}

본 개시는 글자 인식 모델을 업데이트하는 방법에 관한 것으로서, 보다 구체적으로 오류 학습 데이터에 기초하여 글자 인식 모델을 업데이트하는 방법에 관한 것이다.

약국, 보험 회사, 병원 등에서 처방전에 대한 OCR 기기와 같은 광학 인식 모듈을 이용하여, 처방전에 기재된 환자 정보, 처방 내역, 수급 정보 등을 자동으로 인식하고 있다.

다만, 사람이 직접 확인해서 작업하는 것이 아니기 때문에, OCR 기기를 통한 인식은 유사도가 높은 숫자 또는 문자 간의 인식 오류가 발생할 확률이 높다. 약국의 경우, 처방전의 OCR 기기 인식 오류가 발생하게 되면 환자에게 잘못된 약을 처방하게 될 수 있고, 보험사의 경우 피보험자에게 잘못된 금액을 지급하게 될 수도 있다.

따라서, OCR 기기의 인식률 제고에 대한 방안에 대한 수요가 늘어나고 있다. 이러한 수요에 따라, 특히, 딥러닝을 이용한 OCR 솔루션에 대한 인식률 제고 방안에 대한 연구가 증가하고 있다.

대한민국 등록특허 제10-0717734호는 광학 마크 또는 문자 판독기의 입력 오류 방지 장치를 개시한다.

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 글자 인식 모델의 업데이트 방법을 제공하기 위함이다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨팅 장치의 하나 이상의 프로세서에서 실행되는 경우 글자 인식 모델의 업데이트를 위한 이하의 동작들을 수행하도록 하며 상기 동작들은: 문서 이미지에 포함된 하나 이상의 글자 이미지 각각을 사전 학습된 하나 이상의 네트워크 함수를 포함하는 글자 인식 모델을 통해 각각의 글자로 분류하여 상기 글자 이미지가 포함하는 글자를 결정하는 동작; 상기 분류에 기초한 상기 글자 이미지의 분류 결과로 결정된 글자가 적합한 글자인지 여부를 결정하는 동작; 상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 경우, 상기 글자 이미지를 재 분류하여 상기 글자 이미지에 포함된 글자를 재 결정하는 동작; 상기 글자 이미지를 제 1 학습 데이터의 입력으로 하고, 재 분류 결과로 결정된 글자를 상기 제 1 학습 데이터의 라벨로 하는, 상기 제 1 학습 데이터를 생성하는 동작; 및 하나 이상의 제 1 학습 데이터를 포함하는 제 1 학습 데이터 세트에 기초하여 업데이트 된 글자 인식 모델을 생성하는 동작을 포함할 수 있다.

글자 인식 모델의 업데이트를 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 분류에 기초한 상기 글자 이미지의 분류 결과로 결정된 글자가 적합한 글자인지 여부를 결정하는 동작은, 상기 글자 이미지에 대한 분류 결과의 신뢰도가 사전 결정된 값 이하인 경우, 상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 것으로 결정하는 동작을 포함할 수 있다.

글자 인식 모델의 업데이트를 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 분류에 기초한 상기 글자 이미지의 분류 결과로 결정된 글자가 적합한 글자인지 여부를 결정하는 동작은, 상기 분류 결과로 결정된 글자가 전체 글자 분류 클래스에 포함되지 않는 글자인 경우, 또는 상기 분류 결과로 결정된 글자가 상기 문서 이미지의 도메인의 글자 별 사용 빈도가 일정 값 이하인 글자에 해당하는 경우, 상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 것으로 결정하는 동작을 포함할 수 있다.

글자 인식 모델의 업데이트를 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 분류에 기초한 상기 글자 이미지의 분류 결과로 결정된 글자가 적합한 글자인지 여부를 결정하는 동작은, 상기 문서 이미지에 포함된 하나 이상의 글자 이미지 각각의 분류 결과로 결정된 글자를 의미 단위로 그룹화하여 하나 이상의 인식 단어를 추출하는 동작; 및 상기 하나 이상의 인식 단어 각각을 메모리에 저장된 하나 이상의 기준 단어와 비교 결과에 기초하여, 상기 인식 단어의 기초가 되는 하나 이상의 글자 이미지 중 적어도 하나의 글자 이미지의 분류 결과로 결정된 글자가 적합하지 않은 것으로 결정하는 동작을 포함할 수 있다.

글자 인식 모델의 업데이트를 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 분류에 기초한 상기 글자 이미지의 분류 결과로 결정된 글자가 적합한 글자인지 여부를 결정하는 동작은, 상기 문서 이미지에 포함된 하나 이상의 글자 이미지 각각의 분류 결과로 결정된 글자를 의미 단위로 그룹화하여 하나 이상의 인식 단어를 추출하는 동작; 상기 인식 단어의 상기 문서 이미지 상에서의 컨텍스트 분석을 통해 상기 글자 이미지의 분류 결과가 적합한 글자인지 여부를 결정하는 동작을 포함할 수 있다.

글자 인식 모델의 업데이트를 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 경우, 상기 글자 이미지를 재 분류하여 상기 글자 이미지에 포함된 글자를 재 결정하는 동작은, 상기 글자 이미지의 분류 결과가 메모리에 저장되어 있는 하나 이상의 글자 클래스에 포함되도록 상기 글자 이미지를 재 분류하는 동작을 포함할 수 있다.

글자 인식 모델의 업데이트를 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 경우, 상기 글자 이미지를 재 분류하여 상기 글자 이미지에 포함된 글자를 재 결정하는 동작은, 상기 분류 결과가 적합하지 않은 글자 이미지를 기초로 하는 인식 단어를 추출하는 동작; 및 상기 인식 단어에 포함된 하나 이상의 글자 및 메모리에 저장된 하나 이상의 기준 단어 중 기준 단어 각각에 포함된 하나 이상의 글자의 매칭 비율이 가장 높은 기준 단어를 기초로 하여, 상기 인식 단어에 포함된 상기 분류 결과가 적합하지 않은 글자 이미지를 재 분류하는 동작을 포함할 수 있다.

글자 인식 모델의 업데이트를 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 경우, 상기 글자 이미지를 재 분류하여 상기 글자 이미지에 포함된 글자를 재 결정하는 동작은, 사용자 컴퓨팅 장치로부터 상기 글자 이미지에 대한 수동 보정 정보를 수신하는 동작; 및 상기 수동 보정 정보에 기초하여 상기 글자 이미지를 재 분류하는 동작을 포함할 수 있다.

글자 인식 모델의 업데이트를 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 경우, 상기 글자 이미지에 부적합 정보를 표시하는 동작을 더 포함할 수 있다.

글자 인식 모델의 업데이트를 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 제 1 학습 데이터 세트는, 상기 글자 인식 모델의 학습 후 수집된 사전 결정된 개수의 제 1 학습 데이터를 포함하거나, 또는 사전 결정된 기간 동안 수집된 제 1 학습 데이터를 포함할 수 있다.

글자 인식 모델의 업데이트를 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 하나 이상의 제 1 학습 데이터를 포함하는 제 1 학습 데이터 세트에 기초하여 업데이트 된 글자 인식 모델을 생성하는 동작은, 상기 제 1 학습 데이터의 상기 글자 이미지를 상기 글자 인식 모델의 입력으로 하여 하나의 글자로 분류하는 동작; 상기 제 1 학습 데이터에 대한 분류에 기초한 학습 분류 결과로 결정된 글자와 상기 제 1 학습 데이터의 라벨인, 상기 재 분류 결과로 결정된 글자를 비교하여 오차를 연산하는 동작; 상기 오차에 기초하여 상기 글자 인식 모델의 가중치를 업데이트하여 업데이트 된 글자 인식 모델을 생성하는 동작을 포함할 수 있다.

글자 인식 모델의 업데이트를 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 하나 이상의 제 1 학습 데이터를 포함하는 제 1 학습 데이터 세트에 기초하여 업데이트 된 글자 인식 모델을 생성하는 동작은, 상기 사전 학습된 글자 인식 모델 학습의 기초가 된 제 2 학습 데이터 세트 중 적어도 일부의 제 2 학습 데이터 및 상기 제 1 학습 데이터를 기초로 새로운 글자 인식 모델을 학습시켜, 업데이트 된 글자 인식 모델을 생성하는 동작을 포함할 수 있다.

글자 인식 모델의 업데이트를 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 업데이트 된 글자 인식 모델은, 상기 사전 학습된 글자 인식 모델의 가중치를 적어도 일부 공유할 수 있다.

글자 인식 모델의 업데이트를 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 업데이트 된 글자 인식 모델은, 상기 사전 학습된 글자 인식 모델의 적어도 일부의 레이어를 공유하는 새로운 글자 인식 모델일 수 있다.

글자 인식 모델의 업데이트를 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 글자 이미지에 포함된 글자 이미지를 상기 글자 인식 모델 및 상기 업데이트 된 글자 인식 모델을 이용하여 분류하는 동작; 및 상기 글자 인식 모델의 분류 결과 및 상기 업데이트 된 글자 인식 모델의 분류 결과를 앙상블 하여 상기 글자 이미지가 포함하는 글자에 대한 최종 분류 결과를 생성하는 동작을 더 포함할 수 있다.

글자 인식 모델의 업데이트를 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 문서 이미지에 포함된 글자 이미지를 상기 글자 인식 모델을 통해 제 1 글자로 분류하는 동작; 상기 제 1 글자가 상기 제 1 학습 데이터에 기초하여 결정되는 글자 분류 클래스에 해당하는 경우, 상기 글자 이미지를 상기 업데이트 된 글자 인식 모델을 이용하여 분류 할 것을 결정하는 동작; 및 상기 글자 이미지를 상기 업데이트 된 글자 인식 모델을 이용하여 분류하여 상기 글자 이미지가 포함하는 글자에 대한 최종 분류 결과를 생성하는 동작을 더 포함할 수 있다.

본 개시의 일 실시예에 따라 글자 인식 모델의 업데이트 방법이 개시된다. 상기 방법은, 문서 이미지에 포함된 하나 이상의 글자 이미지 각각을 사전 학습된 하나 이상의 네트워크 함수를 포함하는 글자 인식 모델을 통해 각각의 글자로 분류하여 상기 글자 이미지가 포함하는 글자를 결정하는 단계; 상기 분류에 기초한 상기 글자 이미지의 분류 결과로 결정된 글자가 적합한 글자인지 여부를 결정하는 단계; 상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 경우, 상기 글자 이미지를 재 분류하여 상기 글자 이미지에 포함된 글자를 재 결정하는 단계; 상기 글자 이미지를 제 1 학습 데이터의 입력으로 하고, 재 분류 결과로 결정된 글자를 상기 제 1 학습 데이터의 라벨로 하는, 상기 제 1 학습 데이터를 생성하는 단계; 및 하나 이상의 제 1 학습 데이터를 포함하는 제 1 학습 데이터 세트에 기초하여 업데이트 된 글자 인식 모델을 생성하는 단계를 포함할 수 있다.

본 개시의 일 실시예에 따라 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는, 하나 이상의 코어를 포함하는 프로세서; 및 메모리를 포함하고, 상기 프로세서는, 문서 이미지에 포함된 하나 이상의 글자 이미지 각각을 사전 학습된 하나 이상의 네트워크 함수를 포함하는 글자 인식 모델을 통해 각각의 글자로 분류하여 상기 글자 이미지가 포함하는 글자를 결정하고, 상기 분류에 기초한 상기 글자 이미지의 분류 결과로 결정된 글자가 적합한 글자인지 여부를 결정하고, 상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 경우, 상기 글자 이미지를 재 분류하여 상기 글자 이미지에 포함된 글자를 재 결정하고, 상기 글자 이미지를 제 1 학습 데이터의 입력으로 하고, 재 분류 결과로 결정된 글자를 상기 제 1 학습 데이터의 라벨로 하는, 상기 제 1 학습 데이터를 생성하고, 그리고 하나 이상의 제 1 학습 데이터를 포함하는 제 1 학습 데이터 세트에 기초하여 업데이트 된 글자 인식 모델을 생성할 수 있다.

본 개시는 글자 인식 모델의 업데이트 방법을 제공할 수 있다.

도 1은 본 개시의 일 실시예에 따른 글자 인식 모델의 업데이트를 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.
도 2는 본 개시의 일 실시예에 따른 글자 인식 모델의 업데이트를 위한 학습 데이터 생성 방법에 관한 예시를 도시한 도면이다.
도 3은 본 개시의 일 실시예에 따른 글자 인식 모델의 업데이트 방법의 순서도이다.
도 4는 본 개시의 일 실시예에 따른 글자 인식 모델의 업데이트 방법을 구현하기 위한 로직을 도시한 블록 구성도이다.
도 5는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.

다양한 실시예들이 이제 도면을 참조하여 설명되며, 전체 도면에서 걸쳐 유사한 도면번호는 유사한 구성요소를 나타내기 위해서 사용된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

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, 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 컴포넌트로부터 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통한 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의 미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 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.

본 개시의 일 실시예에서 서버는 서버의 서버 환경을 수행하기 위한 다른 구성들이 포함될 수도 있다. 서버는 임의의 형태의 장치는 모두 포함할 수 있다. 서버는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 서버는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 명세서에 걸쳐, 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 “노드”라 지칭될 수 있는 상호 연결된 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.

본 명세서에서 네트워크 함수는 하나 이상의 뉴럴 네트워크를 포함할 수도 있으며, 이 경우 네트워크 함수의 출력은 하나 이상의 뉴럴 네트워크의 출력의 앙상블(ensemble)일 수 있다. 모델은 다른 모델과 함께 데이터의 처리를 수행할 수 있다. 모델은 다른 모델과 직렬 또는 병렬로 상호 연결될 수 있다.

도 1은 본 개시의 일 실시예에 따른 글자 인식 모델의 업데이트를 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.

도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있다.

본 개시의 일 실시예에 따른 글자 인식 모델의 업데이트 방법을 위한 컴퓨팅 장치(100)는 글자 인식 모델의 인식 오류 데이터에 기초하여 글자 인식 모델의 업데이트를 위해 사용될 수 있다.

본 개시의 일 실시예에 따른 글자 인식 모델의 업데이트 방법을 위한 컴퓨팅 장치(100)는 네트워크부(110), 프로세서(120) 및 메모리(130)를 포함할 수 있다.

네트워크부(110)는 본 개시의 일 실시예에 따른 글자 인식 모델의 업데이트 방법을 수행하기 위한 데이터 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 네트워크부(110)는 글자 이미지의 인식 오류에 대한 정보를 다른 컴퓨팅 장치로부터 수신할 수 있다. 네트워크부(110)는 글자 이미지의 인식 오류 여부를 판단하기 위한 사전 저장된 용어를 서버로부터 수신할 수 있다. 또한, 네트워크부(110)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 복수의 컴퓨팅 장치 각각에서 모델의 학습이 분산 수행되도록 할 수 있다. 네트워크부(110)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 모델을 이용한 이미지의 글자 인식을 분산 처리할 수 있도록 할 수 있다.

프로세서(120)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(120)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 글자 인식 모델의 업데이트 방법을 수행할 수 있다. 본 개시의 일 실시예에 따라 프로세서(120)는 신경망의 학습을 위한 계산을 수행할 수 있다.

프로세서(120)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 모델의 학습을 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 모델을 분산하여 처리할 수 있다. 또한 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 다른 컴퓨팅 장치와 함께 모델을 분산하여 처리할 수 있다.

이하에서는, 프로세서(120)가 문서 이미지를 전처리하는 방법에 관하여 설명한다.

프로세서(120)는 문서 이미지에 포함된 하나 이상의 글자 이미지 각각을 사전 학습된 하나 이상의 네트워크 함수를 포함하는 글자 인식 모델을 통해 각각의 글자로 분류하여 상기 글자 이미지가 포함하는 글자를 결정할 수 있다. 문서 이미지는, 하나 이상의 인식 대상 글자를 포함하는 문서에 대한 이미지일 수 있다. 문서 이미지는, 하나 이상의 글자 이미지를 포함할 수 있다. 글자 이미지는, 하나의 글자를 포함하는 이미지일 수 있다. 예를 들어, 글자 이미지는 '가'라는 글자 하나를 포함하고 있는 이미지일 수 있다. 프로세서(120)는 네트워크부(110)를 통해 문서 이미지를 수신할 수도 있고, 카메라부(미도시)를 통해 문서 이미지를 수신할 수도 있다. 예를 들어, 글자 인식 모델을 약국에서 사용하는 경우, 문서 이미지는 처방전일 수도 있고, 보험회사에서 사용하는 경우, 문서 이미지는 진료비 세부내역서일 수도 있다. 전술한 문서 이미지 및 글자 이미지에 대한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 수신한 문서 이미지에 대하여 이미지 전처리를 수행할 수 있다. 이미지 전처리는, 기울임 보정, 선 및 노이즈 제거, 문자 영역 탐지를 포함할 수 있다.

기울임 보정은, 문서 이미지가 기울어져 있는 경우, 글자 인식 모델이 글자를 인식하기 편하도록 문서 이미지를 정방향으로 돌리는 것을 의미할 수 있다. 프로세서(120)는 문서 이미지에 포함된 임계값 길이 이상의 선을 인식할 수 있다. 프로세서(120)는 임계값 길이 이상의 선에 기초하여 문서 이미지의 기울임을 보정할 수 있다. 프로세서(120)는 임계값 길이 이상의 선과 문서 이미지 자체의 엣지를 비교할 수 있다. 프로세서(120)는 사전 결정된 개수 이상의 임계값 이상의 선과 문서 이미지 자체의 엣지를 비교할 수도 있다. 이는, 문서 내에 표 등을 제외한 표 내의 대각선 표시 등과 문서 이미지의 엣지를 비교하는 것을 막기 위함이다. 프로세서(120)는 임계값 길이 이상의 선과 문서 이미지의 엣지가 평행인 경우, 문서 이미지가 정방향인 것으로 결정할 수 있다. 프로세서(120)는 임계값 길이 이상의 선과 문서 이미지의 엣지가 평행이 아닌 경우, 문서 이미지가 기울어져 있는 것으로 결정할 수 있고, 해당 문서 이미지를 평행이 되도록 조정할 수 있다. 예를 들어, 문서 내의 표와 문서 이미지의 엣지를 비교하였을 때, 표가 엣지에 평행하지 않게 위치해 있을 경우 문서 이미지의 기울임을 보정할 수 있다.

선 및 노이즈 제거는, 문서 이미지에서 글자를 제외한 인식 대상이 아닌 선들은 제외하기 위한 전처리를 의미할 수 있다. 프로세서(120)는 글자를 제외한, 인식 대상이 아닌 선들은 문자 이미지에서 제외할 수 있다. 프로세서(120)는 선을 제거한 문서 이미지에 대한 노이즈 제거를 위하여, 문자 이미지에 대한 이진화 처리를 수행할 수 있다. 노이즈는, 문자 이미지에 포함된 문자가 번지게 표시된 경우, 표의 일 부분에 음영 처리가 된 경우를 의미할 수 있다. 이진화 처리는, 사전 결정된 임계값 이상의 선명도를 가지는 경우 1로 처리하고, 사전 결정된 임계값 미만의 선명도를 가지는 경우 0으로 처리하는 것을 의미할 수 있다. 프로세서(120)는 문서 이미지에 포함된 픽셀 각각에 대하여 선명도를 계산하고, 선명도가 임계값 이상인 경우, 더 진하게 표시하고, 선명도가 임계값 미만인 경우, 문서 이미지에서 삭제하는 전처리를 수행할 수 있다. 예를 들어, 문서 이미지에 포함된 음영 부분 또는 문자가 번진 부분에 대한 픽셀의 선명도는, 글자 부분의 선명도보다 낮을 수 있다. 프로세서(120)는 음영 부분 또는 문자가 번진 부분의 선명도가 임계값 미만인 것으로 결정하고, 해당 부분의 픽셀은 0으로 처리하여, 문서 이미지에서 제외할 수 있다. 전술한 선 및 노이즈 제거 전처리에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

문자 영역 탐지는, 문서 이미지에 대한 글자 세그먼테이션을 의미할 수 있다. 프로세서(120)는 글자 각각에 대한 세그먼테이션을 수행할 수 있다. 프로세서(120)는 문서 이미지에 포함된 하나 이상의 글자 이미지를 인식할 수 있다.

본 명세서에 걸쳐, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 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 있는지, 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.

컨벌루셔널 뉴럴 네트워크는 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 여러 개의 컨벌루셔널 레이어와 이와 결합된 인공 신경망 계층들로 구성될 수 있다. CNN은 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 인코딩 된 이미지 데이터의 경우, R, G, B 색상별로 각각 2차원(예를 들어, 2 차원 이미지 인 경우) 행렬로 나타내 질 수 있다. 즉, 이미지 데이터의 각 픽셀의 색상 값이 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 있다. 컨벌루셔널 필터는 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 성분 곱 (즉, 행렬의 각 성분끼리의 곱) 될 수 있다. 컨벌루셔널 필터와의 곱에 의하여 이 미지에서 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 있다. 이미지에서 상하 직선 성분을 추출하기 위한 3*3 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 역전파에 의하여 업데이트 될 수 있다.

컨벌루셔널 레이어의 출력에는 서브샘플링 레이어가 연결되어 컨벌루셔널 레이어의 출력을 단순화하여 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, 서브 샘플링 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 수행한다. 디컨벌루셔널 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크에서 추출된 피쳐를 원본 데이터와 관련된 피쳐맵으로 출력할 수 있다. 컨벌루셔널 뉴럴 네트워크에 대한 구체적인 구성에 관한 설명은 본 출원에서 전체가 참조로서 통합되는 미국 등록 특허 US9870768B2에서 보다 구체적으로 논의된다.

이하에서는, 프로세서(120)가 하나 이상의 글자 이미지 각각을 글자 인식 모델을 통해 각각의 글자로 분류하여 상기 글자 이미지가 포함하는 글자를 결정하는 방법에 관하여 설명한다.

프로세서(120)는 글자 인식 모델을 통해 글자 이미지의 피쳐를 추출하여, 하나 이상의 클래스 각각에 대한 스코어를 추출할 수 있다. 클래스는, 글자 이미지가 의미하는 글자일 수 있다. 예를 들어, 하나 이상의 클래스 각각은, 가, 나, 다, 라 등일 수 있다. 프로세서(120)는 글자 이미지의 클래스 각각에 대한 스코어 값에 기초하여 글자 이미지를 글자로 분류할 수 있다. 프로세서(120)는 글자 인식 모델을 통하여 글자 이미지를 연산한 결과, 가장 높은 스코어 값을 가지는 클래스로 글자 이미지를 분류하여, 글자 이미지가 포함하는 글자를 결정할 수 있다.

도 2를 참조해서 설명하면, 문서 이미지(200)가 진료비 세부내역서인 경우, 프로세서(120)는 진료비 세부내역서에 포함된 하나 이상의 글자 이미지 각각에 대하여 글자 인식 모델을 통해 하나의 글자로 분류할 수 있다. 프로세서(120)가 글자 이미지(212)에 대하여 글자 인식 모델을 통해 연산한 결과, '판' 클래스의 스코어 값이 0.8이고, 나머지 다른 클래스의 스코어 값이 0.3 미만일 경우, 글자 이미지(212)는 '판' 으로 분류할 수 있다. 프로세서(120)는 글자 이미지(212)에 대하여 '판' 글자를 포함하는 것으로 결정할 수 있다. 전술한 글자 분류에 대한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

이하에서는, 프로세서(120)가 분류에 기초한 상기 글자 이미지의 분류 결과로 결정된 글자가 적합한 글자인지 여부를 결정하는 방법에 관하여 설명한다.

본 개시의 일 실시예에 따라, 프로세서(120)는 글자 이미지에 대한 분류 결과로 결정된 글자의 신뢰도가 사전 결정된 값 이하인 경우, 상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 것으로 결정할 수 있다. 신뢰도가 사전 결정된 값 이하인 경우는, 글자 이미지의 분류의 기초가 된 클래스의 스코어가 사전 결정된 값 이하인 것을 의미할 수 있다. 프로세서(120)는 글자 이미지를 글자 인식 모델을 통해 연산하여, 하나 이상의 클래스 각각에 대한 스코어 값을 출력할 수 있다. 프로세서(120)는 하나 이상의 클래스 중, 스코어 값이 가장 높은 클래스에 기초하여, 글자 이미지를 분류할 수 있다. 프로세서(120)는, 스코어 값이 가장 높은 클래스의 스코어 값에 기초하여, 해당 글자 이미지의 분류 결과의 신뢰도를 결정할 수 있다. 프로세서(120)는 스코어 값이 가장 높은 클래스의 스코어가 사전 결정된 값 이하일 경우, 글자 이미지에 대한 분류 결과로 결정된 글자의 신뢰도가 사전 결정된 값 이하인 것으로 결정할 수 있다. 프로세서(120)는 스코어 값이 가장 높은 클래스의 스코어가 사전 결정된 값 이하일 경우, 글자 이미지의 분류 결과로 결정된 글자가 적합하지 않은 것으로 결정할 수 있다.

도 2를 참조하여 예를 들어 설명하면, 프로세서(120)가 글자 이미지(212)에 대하여 글자 인식 모델을 통해 연산하여 출력한 결과가, '핀' 클래스의 스코어 값이 0.6, '판' 클래스의 스코어 값이 0.5, '픈' 클래스의 스코어 값이 0.5일 수 있다. 프로세서(120)는 '핀' 클래스에 대한 스코어 값이 0.6으로 가장 높은 값을 가지므로, 글자 이미지(212)가 포함하는 글자를 '핀' 으로 결정할 수 있다. 사전 결정된 신뢰도 값이 0.7일 경우, 글자 이미지(212)가 포함하는 것으로 결정한 글자 '핀' 클래스에 대한 스코어 값이 0.6이므로, 프로세서(120)는 상기 글자 이미지(212)에 대한 분류 결과의 신뢰도가 사전 결정된 값 이하인 것으로 판단할 수 있다. 프로세서(120)는 글자 이미지(212)의 분류 결과로 결정된 글자 '핀' 이 적합하지 않은 것으로 결정할 수 있다. 전술한 글자 이미지의 분류 결과의 적합 여부를 결정하는 방법에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(120)는 상기 분류 결과로 결정된 글자가 전체 글자 분류 클래스에 포함되지 않는 글자인 경우, 상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 것으로 결정할 수 있다. 전체 글자 분류 클래스는, 사전 결정된 글자에 대한 하나 이상의 클래스를 포함할 수 있다. 프로세서(120)는 글자 이미지를 글자 인식 모델을 통해 연산하여, 하나 이상의 클래스 각각에 대한 스코어 값을 출력할 수 있다. 프로세서(120)는 하나 이상의 클래스 각각에 대한 스코어 값 중, 가장 큰 값을 가지는 스코어 값을 결정할 수 없거나, 또는 모든 클래스에 대한 스코어 값이 사전 결정된 임계값 보다 낮은 경우, 글자 이미지에 포함된 글자가 전체 글자 분류 클래스에 포함되지 않는, 다른 글자인 것으로 결정할 수 있다. 프로세서(120)는 글자 이미지의 분류 결과로 결정된 글자가, 전체 분류 클래스에 포함되지 않는 다른 글자이므로, 글자 이미지의 분류 결과로 결정된 글자가 적합하지 않은 것으로 결정할 수 있다. 예를 들어, 전체 글자 분류 클래스가 '가', '나', '다' 이고, 글자 이미지에 대한 글자 인식 모델의 연산 결과 '가' 클래스의 스코어 값이 0.2, '나' 클래스의 스코어 값이 0.3, '다' 클래스의 스코어 값이 0.3인 경우, 프로세서(120)는 글자 이미지의 분류 결과로 결정된 글자가, 전체 분류 클래스(본 예시에서, 가, 나, 다)에 포함되지 않는 것으로 결정할 수 있다. 프로세서(120)는 상기 분류 결과로 결정된 글자가 적합하지 않은 것으로 결정할 수 있다. 전술한 글자 이미지의 분류 결과의 적합 여부를 결정하는 방법에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(120)는 상기 분류 결과로 결정된 글자가 상기 문서 이미지의 도메인의 글자 별 사용 빈도가 일정 값 이하인 글자에 해당하는 경우, 상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 것으로 결정할 수 있다. 문서 이미지의 도메인은, 문서가 포함하고 있는 문서의 특성을 의미하는 것일 수 있다. 문서 이미지의 도메인은, 상기 문서 이미지가 사용되는 분야를 의미하는 것일 수 있다. 예를 들어, 문서 이미지의 도메인은, 병원, 로펌, 무역, 출판사 등일 수 있다. 하나 이상의 도메인 각각은, 해당 도메인의 특성에 따라 자주 사용하는 용어가 있을 수 있다. 도메인 각각에 대하여, 도메인의 특성에 기초하여, 글자 별 사용 빈도가 저장되어 있을 수 있다. 메모리(130)에 도메인 각각에 대한 글자 별 사용 빈도가 저장되어 있을 수도 있고, 프로세서(120)는 서버로부터 도메인 각각에 대한 글자 별 사용 빈도를 수신할 수도 있다. 프로세서(120)는 문서 이미지의 도메인에 기초하여, 글자 인식 모델의 분류 결과로 결정된 글자의 사용 빈도를 확인할 수 있다. 프로세서(120)는 글자 인식 모델의 분류 결과로 결정된 글자의 사용 빈도가 일정 값 이하인 경우, 글자 이미지의 분류 결과로 결정된 글자가 적합하지 않은 것으로 결정할 수 있다. 예를 들어, 문서 이미지의 도메인이 처방전인 경우, '메틸페니데이트'에 대한 사용 빈도가 높으므로 글자 '틸'에 대한 사용 빈도가 높을 수 있다. 문서 이미지의 도메인이, 커피 발주서일 경우, 글자 '틸'에 대한 사용 빈도는 낮을 수 있다. 프로세서(120)는 문서 이미지의 도메인이 커피 발주서이고, 문서 이미지에 포함된 일 글자 이미지의 분류 결과로 결정된 글자가 '틸'일 경우, 상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 것으로 결정할 수 있다. 전술한 글자 이미지의 분류 결과의 적합 여부를 결정하는 방법에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(120)는 글자 이미지의 분류 결과에 기초한 단어와 메모리(130)에 저장된 단어를 비교하여, 메모리(130)에 글자 이미지의 분류 결과에 기초한 단어가 저장되어 있지 않은 경우, 상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 것으로 결정할 수 있다. 프로세서(120)는 문서 이미지에 포함된 하나 이상의 글자 이미지 각각의 분류 결과로 결정된 글자를 의미 단위로 그룹화하여 하나 이상의 인식 단어를 추출할 수 있다. 인식 단어는, 글자 인식 모델 문서 이미지에 포함된 단어일 수 있다. 인식 단어는, 글자를 의미 단위로 그룹화 한 것일 수 있다. 예를 들어, 프로세서(120)는 띄어쓰기에 기초하여 글자를 그룹화할 수도 있고, 명사 단위로 글자를 그룹화할 수도 있다. 예를 들어, 인식 단어는 '진찰료'와 같은 하나의 단어일 수도 있고, '혈당 측정'과 같은 복수의 단어를 묶은 구절일 수도 있다. 전술한 인식 단어에 대한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 프로세서(120)는 상기 하나 이상의 인식 단어 각각을 메모리에 저장된 하나 이상의 기준 단어와 비교하고, 매칭되는 기준 단어가 없는 인식 단어의 경우, 상기 인식 단어의 기초가 되는 하나 이상의 글자 이미지 중 적어도 하나의 글자 이미지의 분류 결과로 결정된 글자가 적합하지 않은 것으로 결정할 수 있다. 기준 단어는, 메모리(130)에 사전 저장된 단어일 수 있다. 도메인 별로, 사용하는 단어가 다를 수 있으므로, 문서 이미지가 해당하는 도메인 별 사용하는 단어가 메모리(130)에 저장되어 있을 수 있다. 프로세서(120)는 인식 단어와, 해당 문서 이미지의 도메인에 대하여 메모리(130)에 저장된 기준 단어를 비교할 수 있다. 프로세서(120)는 인식 단어와 매칭되는 기준 단어가 메모리(130)에 저장되어 있지 않은 경우, 인식 단어의 기초가 되는 하나 이상의 글자 이미지 중 적어도 하나의 글자 이미지의 분류 결과로 결정된 글자가 적합하지 않은 것으로 결정할 수 있다.

도 2를 참조하여 예를 들어 설명하면, 문서 이미지(200)는 하나 이상의 글자 이미지를 포함할 수 있다. 문서 이미지(200)의 도메인은, 진료비 세부산정내역서 또는 보험회사일 수 있다. 프로세서(120)는 문서 이미지(200)인 진료비 세부산정내역서에 포함된 하나 이상의 글자 이미지(212, 214) 각각의 분류 결과로 결정된 글자를 의미단위로 그룹화하여 인식 단어(240)인 '판도마그정'을 추출할 수 있다. 프로세서(120)는 문서 이미지(200)의 도메인에 기초하여, 인식 단어(240)를 메모리(130)에 저장된 기준 단어 테이블(250)의 기준 단어(252, 254)들과 비교할 수 있다. 프로세서(120)는 문서 이미지(200)의 도메인이 진료비 세부내역서이므로, 인식 단어(240)를 메모리(130)에 저장된 진료비 세부내역서 도메인에 해당하는 기준 단어 테이블(250)의 기준 단어(252, 254)들과 비교할 수 있다. 프로세서(120)는 인식 단어(240)인 '판도그마정'과 매칭되는 기준 단어가 없는 것으로 결정하고, 상기 인식 단어의 기초가 되는 하나 이상의 글자 이미지 중 적어도 하나의 글자 이미지의 분류 결과로 결정된 글자가 적합하지 않은 것으로 결정할 수 있다. 전술한 글자 이미지의 분류 결과의 적합 여부를 결정하는 방법에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(120)는 글자 이미지의 분류 결과로 결정된 글자에 기초한 인식 단어를 추출하고, 해당 인식 단어의 카테고리를 문서 이미지에서 추출하여, 메모리(130)에 인식 단어와 매칭되는 상기 카테고리의 하위 구성인 기준 단어가 없는 경우, 상기 글자 이미지의 분류 결과가 적합하지 않은 것으로 결정할 수 있다. 프로세서(120)는 상기 문서 이미지에 포함된 하나 이상의 글자 이미지 각각의 분류 결과로 결정된 글자를 의미 단위로 그룹화하여 하나 이상의 인식 단어를 추출할 수 있다. 프로세서(120)는 상기 인식 단어의 상기 문서 이미지 상에서의 컨텍스트 분석을 통해 상기 글자 이미지의 분류 결과가 적합한 글자인지 여부를 결정할 수 있다. 이하에서는 도 2를 참조하여 설명한다. 프로세서(120)는 상기 하나 이상의 인식 단어 중 하나의 인식 단어를 대상 인식 단어로 결정할 수 있다. 대상 인식 단어는, 컨텍스트 분석의 대상이 되는 하나의 인식 단어일 수 있다. 프로세서(120)는 상기 문서 이미지에서 상기 대상 인식 단어의 기초가 되는 글자 이미지의 그룹(도 2를 참조하면, 210)과 수직 또는 수평에 위치한 하나 이상의 인식 단어(도 2를 참조하면, 글자 이미지의 그룹(220)에 기초한 인식 단어 '내복약' 및 글자 이미지의 그룹(230)에 기초한 인식 단어 '명칭') 중 메모리(130)에 저장된 카테고리명과 매칭되는 인식 단어(도 2를 참조하면, 글자 이미지의 그룹(220)에 기초한 인식 단어 '내복약')를, 상기 대상 인식 단어(도 2를 참조하면, 글자 이미지의 그룹(210)에 기초한 대상 인식 단어(240)인 판도마그정)의 상위 카테고리로 결정할 수 있다. 프로세서(120)는 문서 이미지의 도메인에 기초하여, 해당 도메인에 대해 메모리(130)에 저장된 카테고리명과 대상 인식 단어와 수직 또는 수평에 위치한 하나 이상의 인식 단어를 비교할 수 있다. 도 2를 참조하여 예를 들면, 문서 이미지(200)의 도메인은 진료비 세부내역서일 수 있고, 프로세서(120)는 대상 인식 단어와 수직 또는 수평에 위치한 하나 이상의 인식 단어와 메모리(130)에 진료비 세부내역서에 대해 저장된 하나 이상의 카테고리명을 비교할 수 있다. 프로세서(120)는 상기 카테고리명(도 2를 참조하면, 내복약(254))의 하위 구성으로 저장된 하나 이상의 기준 단어(도 2를 참조하면, 판토마그정(252), 하트만액, 리키팬정 등)와 상기 대상 인식 단어(도 2를 참조하면, 인식 단어(240) 판도마그정)가 매칭되는지 여부를 비교할 수 있다. 프로세서(120)는 상기 대상 인식 단어와 매칭되는 기준 단어가 없는 경우, 상기 대상 인식 단어가 상기 문서 이미지의 맥락에 맞지 않는 것으로 판단할 수 있다. 프로세서(120)는 상기 대상 인식 단어의 기초가 되는 하나 이상의 글자 이미지 중 적어도 하나의 글자 이미지의 분류 결과가 적합하지 않은 것으로 결정할 수 있다. 전술한 글자 이미지의 분류 결과의 적합 여부를 결정하는 방법에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

이하에서는, 프로세서(120)가 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 경우, 상기 글자 이미지를 재 분류하여 상기 글자 이미지에 포함된 글자를 재 결정하는 방법에 관하여 설명한다. 글자 이미지의 재 분류는, 글자 이미지에 대한 올바른 인식 결과를 나타내도록 보정하는 작업을 의미할 수 있다.

본 개시의 일 실시예에 따라, 프로세서(120)는 글자 이미지의 분류 결과가 메모리(130)에 저장되어 있는 하나 이상의 글자 분류 클래스에 포함되도록 글자를 재 결정할 수 있다. 프로세서(120)는 글자 이미지의 분류 결과로 결정된 글자가 전체 글자 분류 클래스에 포함되지 않는 글자인 경우, 메모리(130)에 저장되어 있는 글자 분류 클래스에 포함되도록 글자를 재 결정할 수 있다. 글자 분류 클래스에 포함되도록 글자를 재 결정하는 구체적인 방법은 후술한다.

본 개시의 일 실시예에 따라, 프로세서(120)는 인식 단어와 매칭 비율이 가장 높은 기준 단어를 기초로 글자를 재 결정할 수 있다. 프로세서(120)는 상기 분류 결과가 적합하지 않은 글자 이미지를 기초로 하는 인식 단어를 추출할 수 있다. 프로세서(120)는 상기 인식 단어에 포함된 하나 이상의 글자 및 메모리(130)에 저장된 하나 이상의 기준 단어 중 기준 단어 각각에 포함된 하나 이상의 글자의 매칭 비율이 가장 높은 기준 단어를 기초로 하여, 상기 인식 단어에 포함된 상기 분류 결과가 적합하지 않은 글자 이미지를 재 분류할 수 있다. 프로세서(120)는 인식 단어를, 메모리(130)의 기준 단어들 중, 인식 단어를 추출한 문서 이미지의 도메인에 대한 기준 단어들과 비교할 수 있다. 프로세서(120)는 인식 단어에 포함된 하나 이상의 글자와 메모리(130)에 저장되어 있는 하나 이상의 기준 단어 각각에 포함된 하나 이상의 글자를 비교하여, 동일한 글자를 가장 많이 포함하고 있는 기준 단어를 매칭 비율이 가장 높은 기준 단어로 결정할 수 있다. 프로세서(120)는 인식 단어에 포함된 하나 이상의 글자의 배열과 기준 단어에 포함된 하나 이상의 글자의 배열에 기초하여 매칭 비율이 가장 높은 기준 단어를 결정할 수 있다. 도 2를 참조하여 예를 들어 설명하면, 프로세서(120)는 인식 단어(240) 판도마그정을 메모리(130)에 인식 단어(240) 판도마그정의 도메인인, 진료비 세부내역서에 대하여 저장된 기준 단어 테이블(250)에 기초하여 비교할 수 있다. 프로세서(120)는 인식 단어(240) 판도마그정과 기준 단어 판토마그정(252)의 단어 배열 및 동일 단어 비율이 가장 높으므로, 판토마그정(252)에 기초하여 글자 이미지를 재 분류할 수 있다. 프로세서(120)는 인식 단어에 포함된 하나 이상의 글자 중 매칭 비율이 가장 높은 기준 단어에 포함된 글자와 상이한 글자에 기초하여 글자 이미지를 재 분류할 수 있다. 프로세서(120) 상기 상이한 글자의 기초가 되는 글자 이미지에 대하여 기준 단어의 글자로 글자 이미지를 재 분류할 수 있다. 프로세서(120)는 인식 단어(240) 판도마그정의 글자 '도'와 기준 단어 판토마그정(252)의 글자 '토'가 상이한 것에 기초하여 글자 이미지를 재 분류할 수 있다. 프로세서(120)는 상이한 글자인 '도'의 기초가 되는 글자 이미지(214)에 대하여 '토'로 재 분류할 수 있다. 전술한 글자 이미지 재 분류에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(120)는 사용자 컴퓨팅 장치로부터 상기 글자 이미지에 대한 수동 보정 정보를 수신할 수 있다. 프로세서(120)는 상기 수동 보정 정보에 기초하여 상기 글자 이미지를 재 분류할 수 있다. 수동 보정 정보는, 글자 인식 모델을 사용하는 사용자로부터 수신한 오류 정보일 수 있다. 예를 들어, 병원에서 진료비 세부내역서에 대하여 글자 인식 모델을 통해 내용을 확인할 경우, 병원 직원이 수동으로 틀리게 인식된 글자에 대하여 보정을 수행하여, 사용자 컴퓨팅 장치에 입력할 수 있다. 프로세서(120)는 병원 직원이 수동으로 입력한 보정에 기초하여, 해당 글자 이미지를 재 분류할 수 있다. 전술한 수동 보정에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 경우, 상기 글자 이미지에 부적합 정보를 표시할 수 있다. 프로세서(120)는 글자 이미지에 부적합 정보를 표시하여, 사용자 단말에 알림을 줄 수 있다. 프로세서(120)는 네트워크부(110)를 통해 사용자 단말로부터 부적합 정보가 표시된 글자 이미지에 대한 보정 정보를 수신할 수 있다. 프로세서(120)는 보정 정보에 기초하여 상기 글자 이미지를 재 분류할 수 있다.

이하에서는, 프로세서(120)가 글자 인식 모델 업데이트의 기초가 되는, 학습 데이터를 생성하는 방법에 관하여 설명한다.

프로세서(120)는 글자 이미지를 제 1 학습 데이터의 입력으로 하고, 재 분류 결과로 결정된 글자를 상기 제 1 학습 데이터의 라벨로 하는, 상기 제 1 학습 데이터를 생성할 수 있다. 프로세서(120)는 분류 결과로 결정된 글자가 적합하지 않은 경우, 상기 글자의 기초가 되는 글자 이미지에 기초하여 제 1 학습 데이터를 생성할 수 있다. 도 2를 참조하여 예를 들어 설명하면, 글자 이미지(260)를 제 1 학습 데이터의 입력으로 하고, 재 분류 결과로 결정된 글자인 토(270)를 제 1 학습 데이터의 라벨로 하는 제 1 학습 데이터를 생성할 수 있다. 상기 재 분류 결과로 결정된 글자는, 상기 글자 인식 모델의 전체 글자 분류 클래스에 포함되는 글자일 수도 있고, 상기 글자 인식 모델의 전체 글자 분류 클래스에 포함되는 글자가 아닐 수도 있다. 제 1 학습 데이터 세트는, 상기 글자 인식 모델의 학습 후 수집된 사전 결정된 개수의 제 1 학습 데이터를 포함하거나, 또는 사전 결정된 기간 동안 수집된 제 1 학습 데이터를 포함할 수 있다. 본 개시의 일 실시예에 따라, 프로세서(120)는 사전 결정된 개수의 제 1 학습 데이터를 수집하여, 제 1 학습 데이터 세트에 기초하여 업데이트 된 글자 인식 모델을 생성할 수 있다. 본 개시의 일 실시예에 따라, 프로세서(120)는 사전 결정된 기간 동안 제 1 학습 데이터를 수집하여, 제 1 학습 데이터 세트에 기초하여 업데이트 된 글자 인식 모델을 생성할 수 있다.

이하에서는, 프로세서(120)가 업데이트 된 글자 인식 모델을 생성하는 방법에 관하여 설명한다.

프로세서(120)는 하나 이상의 제 1 학습 데이터를 포함하는 제 1 학습 데이터 세트에 기초하여 업데이트 된 글자 인식 모델을 생성할 수 있다. 프로세서(120)는 상기 제 1 학습 데이터의 상기 글자 이미지를 상기 글자 인식 모델의 입력으로 하여 하나의 글자로 분류할 수 있다. 프로세서(120)는 상기 제 1 학습 데이터에 대한 분류에 기초한 학습 분류 결과로 결정된 글자와 상기 제 1 학습 데이터의 라벨인, 상기 재 분류 결과로 결정된 글자를 비교하여 오차를 연산할 수 있다. 프로세서(120)는 상기 오차에 기초하여 상기 글자 인식 모델의 가중치를 업데이트하여 업데이트 된 글자 인식 모델을 생성할 수 있다.

업데이트 된 글자 인식 모델의 학습 데이터는, 제 1 학습 데이터 세트 및 상기 사전 학습된 글자 인식 모델 학습의 기초가 된 제 2 학습 데이터 세트 중 적어도 일부의 제 2 학습 데이터일 수 있다. 제 2 학습 데이터 세트 중 적어도 일부는, 제 2 학습 데이터 세트의 사전결정 비율에 해당하는 제 2 학습 데이터일 수도 있고, 제 2 학습 데이터 세트에 포함되는 제 2 학습 데이터 전부일 수도 있다.

본 개시의 일 실시예에 따라, 프로세서(120)는 업데이트 된 글자 인식 모델의 초기 가중치를, 기존 글자 인식 모델의 최종 가중치로 설정하여 학습을 수행할 수 있다. 프로세서(120)는 사전 학습된 글자 인식 모델 학습의 기초가 된 제 2 학습 데이터 세트 중 적어도 일부의 제 2 학습 데이터 및 상기 제 1 학습 데이터를 기초로 새로운 글자 인식 모델에 대한 학습을 수행할 수 있다. 기존 글자 인식 모델의 최종 가중치를, 업데이트 된 글자 인식 모델의 초기 가중치로 설정할 경우, 업데이트된 글자 인식 모델은 제 2 학습 데이터 세트 전체가 업데이트 된 글자 인식 모델의 학습 데이터 세트에 포함되지 않더라도, 제 1 학습 데이터에 대해서만 오버피팅이 되지 않을 수 있으며 제 1 학습 데이터에 포함된 글자 클래스들 이외의 클래스에 대하여서도 일반화된 성능을 가질 수 있다.

본 개시의 일 실시예에 따라, 프로세서(120)는 업데이트 된 글자 인식 모델의 초기 가중치를, 기존 글자 인식 모델의 최종 가중치의 적어도 일부를 공유하도록 설정하여 학습을 수행할 수 있다. 프로세서(120)는 업데이트 된 글자 인식 모델의 적어도 일부의 노드를 기존 글자 인식 모델의 노드와 동일하게 설정하여 학습을 수행할 수도 있다. 레이어는, 하나 이상의 노드를 포함할 수 있다. 프로세서(120)는 업데이트 된 글자 인식 모델의 적어도 일부의 레이어를 기존 글자 인식 모델의 레이어와 동일하게 설정하여 학습을 수행할 수도 있다. 프로세서(120)는 업데이트 된 글자 인식 모델의 마지막 레이어를 기준으로 사전 결정된 개수의 레이어를 제외한 나머지 레이어는, 기존 글자 인식 모델의 레이어와 동일하게 설정하여 학습을 수행할 수도 있다. 사전 결정된 개수의 레이어는, 1개일 수도 있고, 2개 이상일 수도 있다. 글자 인식 모델의 앞 부분에 해당하는 레이어는, 글자 이미지에서 피쳐를 추출하기 위하여 주로 사용되며, 글자 이미지를 분류하기 위한 레이어는, 글자 인식 모델의 뒤 부분에 해당하는 레이어일 수 있다. 따라서, 업데이트 된 글자 인식 모델의 앞 부분에 해당하는 레이어는, 기존의 글자 인식 모델의 레이어와 동일하게 설정하여 학습을 수행할 수 있다.

본 개시의 일 실시예에 따라, 프로세서(120)는 업데이트 된 글자 인식 모델의 초기 가중치를, 랜덤으로 설정하여 학습을 수행할 수 있다. 프로세서(120)는 업데이트 된 글자 인식 모델의 초기 가중치를, 랜덤으로 설정하는 경우, 학습 데이터를 제 1 학습 데이터 세트 및 제 2 학습 데이터 세트 전체를 사용할 수도 있다.

이하에서는, 프로세서(120)가 업데이트 된 글자 인식 모델을 이용하여 글자 이미지를 분류하는 방법에 관하여 설명한다.

프로세서(120)는 기존의 글자 인식 모델과 업데이트 된 글자 인식 모델의 앙상블을 통해 글자 이미지를 분류할 수 있다. 앙상블을 통한 연산은, 복수의 모델(즉, 하나 이상의 네트워크 함수를 포함하는 모델)의 출력에 기초하여, 최종 출력을 도출하는 방법일 수 있다.

본 개시의 일 실시예에 따라, 프로세서(120)는 기존의 글자 인식 모델과 업데이트 된 글자 인식 모델을 병렬로 앙상블 하여, 글자 이미지를 분류할 수 있다. 프로세서(120)는 상기 문서 이미지에 포함된 글자 이미지를 상기 글자 인식 모델 및 상기 업데이트 된 글자 인식 모델을 이용하여 분류할 수 있다. 프로세서(120)는 상기 글자 인식 모델의 분류 결과 및 상기 업데이트 된 글자 인식 모델의 분류 결과를 앙상블 하여 상기 글자 이미지가 포함하는 글자에 대한 최종 분류 결과를 생성할 수 있다.

본 개시의 일 실시예에 따라, 업데이트 된 글자 인식 모델은, 제 2 학습 데이터 세트의 적어도 일부에 해당하는 제 2 학습 데이터 및 제 1 학습 데이터 세트에 기초하여 학습된 모델일 수 있다. 업데이트 된 글자 인식 모델은, 기존 글자 인식 모델의 최종 가중치와 동일한 초기 가중치를 설정하여 학습된 모델일 수 있다. 프로세서(120)는 상기 문서 이미지에 포함된 글자 이미지를 상기 글자 인식 모델 및 상기 업데이트 된 글자 인식 모델 각각의 입력으로 하여 분류할 수 있다. 프로세서(120)는 기존의 글자 인식 모델이, 글자 이미지를 글자 분류 클래스에 포함되지 않는 글자인 것으로 분류하는 경우, 글자 인식 모델의 분류 결과보다 업데이트 된 글자 인식 모델의 분류 결과에 더 큰 가중치를 두어 글자 이미지가 포함하는 글자에 대한 최종 분류 결과를 생성할 수 있다. 이는, 새로 학습된 글자 분류 클래스에 대해서는 업데이트 된 글자 인식 모델의 인식 결과가 더 정확 할 것으로 판단될 수 있기 때문이다. 예를 들어, 기존의 글자 인식 모델의 글자 분류 클래스가 “가, 나, 다” 이고, 업데이트 된 글자 인식 모델의 글자 분류 클래스가 “가, 나, 다, 라, 마” 이고, 글자 이미지를 글자 인식 모델을 통해 분류한 결과가 “가, 나, 다” 이외의 글자인 것으로 출력되고, 글자 이미지를 업데이트 된 글자 인식 모델을 통해 분류한 결과가 라 글자 인 것으로 출력되는 경우, 프로세서(120)는 기존 글자 인식 모델의 출력 결과보다 업데이트 된 글자 인식 모델의 출력 결과에 더 큰 가중치를 둘 수 있다. 예를 들어, 프로세서(120)는 기존 글자 인식 모델의 출력에 0.5 가중치를 두고, 업데이트 된 글자 인식 모델의 출력에 0.7 가중치를 두어 연산하여, 최종 분류 결과를 '라' 인 것으로 결정할 수 있다. 프로세서(120)는 기존의 글자 인식 모델이, 글자 이미지를 글자 분류 클래스에 포함되는 글자인 것으로 분류하는 경우, 글자 인식 모델의 분류 결과에 업데이트 된 글자 인식 모델의 분류 결과보다 더 큰 가중치를 두어 글자 이미지가 포함하는 글자에 대한 최종 분류 결과를 생성할 수 있다. 이는, 기존의 글자 분류 클래스에 해당하는 글자에 대한 연산은, 기존 글자 인식 모델의 연산이 업데이트 된 글자 인식 모델의 연산보다 더 정확한 것으로 판단될 수 있기 때문이다. 예를 들어, 기존 글자 인식 모델 및 업데이트 된 글자 인식 모델이 전술한 예시와 같은 글자 분류 클래스를 가질 때, 글자 이미지를 글자 인식 모델을 통해 분류한 결과가 가 글자인 것으로 출력되고, 글자 이미지를 업데이트 된 글자 인식 모델을 통해 분류한 결과가 나 글자 인 것으로 출력되는 경우, 프로세서(120)는 기존 글자 인식 모델의 출력 결과에 업데이트 된 글자 인식 모델의 출력 결과보다 더 큰 가중치를 둘 수 있다. 프로세서(120)는 글자 인식 모델을 통해 분류한 결과인 '가' 글자에 가중치를 0.8로 두고, 업데이트 된 글자 인식 모델을 통해 분류한 결과인 '나' 글자에 가중치를 0.5으로 두어 연산할 수 있다. 예를 들어, 글자 인식 모델을 통해 분류한 결과 '가' 글자의 스코어 값이 0.6이고 앙상블에 기초한 가중치 값이 0.8이고, 업데이트 된 글자 인식 모델을 통해 분류한 결과인 '나' 글자의 스코어 값이 0.9이고 앙상블에 기초한 가중치 값이 0.5인 경우, 프로세서(120)는 '가' 글자에 대한 총 연산 값이 0.48이고, '나' 글자에 대한 총 연산 값이 0.45이므로, 최종 분류 결과를 '가'로 결정할 수 있다. 전술한 글자 이미지를 분류하는 방법에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 본 개시의 일 실시예에 따라, 프로세서(120)는 기존의 글자 인식 모델과 두개 이상의 글자 인식 모델을 병렬로 앙상블하여, 보팅(voting)을 통해 글자 이미지를 분류할 수 있다. 프로세서(120)는 총 3개 이상의 글자 인식 모델 각각의 분류 결과 중, 표를 가장 많이 받은 글자 이미지에 대한 분류 결과로 최종 분류 결과를 결정할 수 있다. 즉, 본 개시에서 병렬 모델을 이용한 앙상블 방식은 단순 보팅일 수도 있고, 각 모델의 출력에 모델 별, 분류 별 가중치를 적용한 앙상블 방식일 수도 있으며, 임의의 알려진 앙상블 방식을 포함할 수 있다. 글자 이미지를 기존의 글자 인식 모델과 제 1 업데이트 된 글자 인식 모델 및 제 2 업데이트 된 글자 인식 모델 각각을 이용하여 분류할 수 있다. 업데이트 된 글자 인식 모델의 초기 가중치는, 랜덤으로 설정된 것일 수 있다. 예를 들어, 제 1 업데이트 된 글자 인식 모델은, 제 1 학습 데이터 세트 및 제 2 학습 데이터 세트에 기초하여 학습된 모델일 수 있다. 제 2 업데이트 된 글자 인식 모델은, 제 3 학습 데이터 세트 및 제 1 학습 데이터 세트에 기초하여 학습된 모델이거나, 또는 제 3 학습 데이터 세트, 제 2 학습 데이터 세트 및 제 1 학습 데이터 세트의 적어도 일부에 기초하여 학습된 모델일 수 있다. 제 3 학습 데이터 세트는, 제 1 학습 데이터 세트 생성 후, 사전 결정된 기간 동안에 생성된 학습 데이터 또는 사전 결정된 개수의 학습 데이터의 집합일 수 있다. 예를 들어, 기존의 글자 인식 모델의 글자 분류 결과가 글자 포 이고, 제 1 업데이트 된 글자 인식 모델의 분류 결과가 프 이고 및 제 2 업데이트 된 글자 인식 모델의 분류 결과가 포 인 경우, 더 많은 표를 받은 '포'로 최종 분류 결과를 결정할 수 있다. 전술한, 글자 이미지를 생성하는 방법에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(120)는 기존의 글자 인식 모델과 업데이트 된 글자 인식 모델을 직렬로 구성하여, 글자 이미지를 분류할 수 있다. 프로세서(120)는 상기 문서 이미지에 포함된 글자 이미지를 상기 글자 인식 모델을 통해 제 1 글자로 분류할 수 있다. 프로세서(120)는 상기 제 1 글자가 상기 제 1 학습 데이터에 기초하여 결정되는 글자 분류 클래스에 해당하는 경우, 상기 글자 이미지를 상기 업데이트 된 글자 인식 모델을 이용하여 재분류 할 것을 결정할 수 있다. 프로세서(120)는 상기 글자 이미지를 상기 업데이트 된 글자 인식 모델을 이용하여 분류하여 상기 글자 이미지가 포함하는 글자에 대한 최종 분류 결과를 생성할 수 있다. 예를 들어, 글자 이미지를 글자 인식 모델을 통해 제 1 글자인 '판'으로 분류하고, 제 1 학습 데이터의 라벨에 '판'이 있어, 업데이트 된 글자 인식 모델의 글자 분류 클래스에 '판'이 있는 경우, 글자 이미지를 업데이트 된 글자 인식 모델을 통해 분류하여, 해당 분류 결과를 직렬 앙상블 모델의 최종 분류 결과로 결정할 수 있다. 전술한, 글자 이미지를 분류하는 방법에 관한 구체적인 기재는 예시일 뿐이면 본 개시는 이에 제한되지 않는다.

메모리(130)는 본 개시의 일 실시예에 따른 글자 인식 모델의 업데이트 방법을 수행하기 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 프로세서(120)에 의하여 판독되어 구동될 수 있다.

본 개시의 실시예들에 따른 메모리(130)는 프로세서(120)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들(예를 들어, 문서 이미지, 글자 이미지, 글자 이미지의 재 분류에 따른 학습 데이터 등)을 임시 또는 영구 저장할 수도 있다. 상기 메모리(130)는 디스플레이 및 음향에 관한 데이터를 저장할 수 있다. 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적 어도 하나의 타입의 저장매체를 포함할 수 있다.

도 3은 본 개시의 일 실시예에 따른 글자 인식 모델의 업데이트 방법의 순서도이다.

컴퓨팅 장치(100)는 문서 이미지에 포함된 하나 이상의 글자 이미지 각각을 사전 학습된 하나 이상의 네트워크 함수를 포함하는 글자 인식 모델을 통해 각각의 글자로 분류하여 상기 글자 이미지가 포함하는 글자를 결정(310)할 수 있다. 문서 이미지는, 하나 이상의 인식 대상 글자를 포함하는 문서에 대한 이미지일 수 있다. 문서 이미지는, 하나 이상의 글자 이미지를 포함할 수 있다. 글자 이미지는, 하나의 글자를 포함하는 이미지일 수 있다.

컴퓨팅 장치(100)는 상기 분류에 기초한 상기 글자 이미지의 분류 결과로 결정된 글자가 적합한 글자인지 여부를 결정(320)할 수 있다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 상기 글자 이미지에 대한 분류 결과의 신뢰도가 사전 결정된 값 이하인 경우, 상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 것으로 결정할 수 있다. 신뢰도가 사전 결정된 값 이하인 경우는, 글자 이미지의 분류의 기초가 된 클래스의 스코어가 사전 결정된 값 이하인 것을 의미할 수 있다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 상기 분류 결과로 결정된 글자가 전체 글자 분류 클래스에 포함되지 않는 글자인 경우, 또는 상기 분류 결과로 결정된 글자가 상기 문서 이미지의 도메인의 글자 별 사용 빈도가 일정 값 이하인 글자에 해당하는 경우, 상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 것으로 결정할 수 있다. 전체 글자 분류 클래스는, 사전 결정된 글자에 대한 하나 이상의 클래스를 포함할 수 있다. 문서 이미지의 도메인은, 문서가 포함하고 있는 문서의 특성을 의미하는 것일 수 있다. 문서 이미지의 도메인은, 상기 문서 이미지가 사용되는 분야를 의미하는 것일 수 있다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 상기 문서 이미지에 포함된 하나 이상의 글자 이미지 각각의 분류 결과로 결정된 글자를 의미 단위로 그룹화하여 하나 이상의 인식 단어를 추출할 수 있다. 컴퓨팅 장치(100)는 상기 하나 이상의 인식 단어 각각을 메모리에 저장된 하나 이상의 기준 단어와 비교 결과에 기초하여, 상기 인식 단어의 기초가 되는 하나 이상의 글자 이미지 중 적어도 하나의 글자 이미지의 분류 결과로 결정된 글자가 적합하지 않은 것으로 결정할 수 있다. 인식 단어는, 글자 인식 모델 문서 이미지에 포함된 단어일 수 있다. 인식 단어는, 글자를 의미 단위로 그룹화 한 것일 수 있다. 기준 단어는, 컴퓨팅 장치(100)에 사전 저장된 단어일 수 있다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 상기 문서 이미지에 포함된 하나 이상의 글자 이미지 각각의 분류 결과로 결정된 글자를 의미 단위로 그룹화하여 하나 이상의 인식 단어를 추출할 수 있다. 컴퓨팅 장치(100)는 상기 인식 단어의 상기 문서 이미지 상에서의 컨텍스트 분석을 통해 상기 글자 이미지의 분류 결과가 적합한 글자인지 여부를 결정할 수 있다. 컴퓨팅 장치(100)는 글자 이미지의 분류 결과로 결정된 글자에 기초한 인식 단어를 추출하고, 해당 인식 단어의 카테고리를 문서 이미지에서 추출하여, 컴퓨팅 장치(100)에 인식 단어와 매칭되는 상기 카테고리의 하위 구성인 기준 단어가 없는 경우, 상기 글자 이미지의 분류 결과가 적합하지 않은 것으로 결정할 수 있다.

컴퓨팅 장치(100)는 상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 경우, 상기 글자 이미지를 재 분류하여 상기 글자 이미지에 포함된 글자를 재 결정(330)할 수 있다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 상기 글자 이미지의 분류 결과가 메모리에 저장되어 있는 하나 이상의 글자 클래스에 포함되도록 상기 글자 이미지를 재 분류할 수 있다. 글자 이미지의 재 분류는, 글자 이미지에 대한 올바른 인식 결과를 나타내도록 보정하는 작업을 의미할 수 있다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 상기 분류 결과가 적합하지 않은 글자 이미지를 기초로 하는 인식 단어를 추출할 수 있다. 컴퓨팅 장치(100)는 상기 인식 단어에 포함된 하나 이상의 글자 및 메모리에 저장된 하나 이상의 기준 단어 중 기준 단어 각각에 포함된 하나 이상의 글자의 매칭 비율이 가장 높은 기준 단어를 기초로 하여, 상기 인식 단어에 포함된 상기 분류 결과가 적합하지 않은 글자 이미지를 재 분류할 수 있다. 컴퓨팅 장치(100)는 인식 단어에 포함된 하나 이상의 글자와 컴퓨팅 장치(100)에 저장되어 있는 하나 이상의 기준 단어 각각에 포함된 하나 이상의 글자를 비교하여, 동일한 글자를 가장 많이 포함하고 있는 기준 단어를 매칭 비율이 가장 높은 기준 단어로 결정할 수 있다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 사용자 컴퓨팅 장치로부터 상기 글자 이미지에 대한 수동 보정 정보를 수신할 수 있다. 컴퓨팅 장치(100)는 상기 수동 보정 정보에 기초하여 상기 글자 이미지를 재 분류할 수 있다.

컴퓨팅 장치(100)는 상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 경우, 상기 글자 이미지에 부적합 정보를 표시할 수 있다.

컴퓨팅 장치(100)는 상기 글자 이미지를 제 1 학습 데이터의 입력으로 하고, 재 분류 결과로 결정된 글자를 상기 제 1 학습 데이터의 라벨로 하는, 상기 제 1 학습 데이터를 생성(340)할 수 있다. 제 1 학습 데이터 세트는, 상기 글자 인식 모델의 학습 후 수집된 사전 결정된 개수의 제 1 학습 데이터를 포함하거나, 또는 사전 결정된 기간 동안 수집된 제 1 학습 데이터를 포함할 수 있다.

컴퓨팅 장치(100)는 하나 이상의 제 1 학습 데이터를 포함하는 제 1 학습 데이터 세트에 기초하여 업데이트 된 글자 인식 모델을 생성(350)할 수 있다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 상기 제 1 학습 데이터의 상기 글자 이미지를 상기 글자 인식 모델의 입력으로 하여 하나의 글자로 분류할 수 있다. 컴퓨팅 장치(100)는 상기 제 1 학습 데이터에 대한 분류에 기초한 학습 분류 결과로 결정된 글자와 상기 제 1 학습 데이터의 라벨인, 상기 재 분류 결과로 결정된 글자를 비교하여 오차를 연산할 수 있다. 컴퓨팅 장치(100)는 상기 오차에 기초하여 상기 글자 인식 모델의 가중치를 업데이트하여 업데이트 된 글자 인식 모델을 생성할 수 있다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 상기 사전 학습된 글자 인식 모델 학습의 기초가 된 제 2 학습 데이터 세트 중 적어도 일부의 제 2 학습 데이터 및 상기 제 1 학습 데이터 세트를 기초로 새로운 글자 인식 모델을 학습시켜, 업데이트 된 글자 인식 모델을 생성할 수 있다.

본 개시의 일 실시예에 따라, 상기 사전 학습된 글자 인식 모델의 가중치를 적어도 일부 공유할 수 있다. 컴퓨팅 장치(100)는 업데이트 된 글자 인식 모델의 초기 가중치를, 기존 글자 인식 모델의 최종 가중치로 설정하여 학습을 수행할 수 있다. 컴퓨팅 장치(100)는 업데이트 된 글자 인식 모델의 적어도 일부의 노드를 기존 글자 인식 모델의 노드와 동일하게 설정하여 학습을 수행할 수도 있다. 컴퓨팅 장치(100)는 업데이트 된 글자 인식 모델의 적어도 일부의 레이어를 기존 글자 인식 모델의 레이어와 동일하게 설정하여 학습을 수행할 수도 있다. 컴퓨팅 장치(100)는 업데이트 된 글자 인식 모델의 마지막 레이어를 기준으로 사전 결정된 개수의 레이어를 제외한 나머지 레이어는, 기존 글자 인식 모델의 레이어와 동일하게 설정하여 학습을 수행할 수도 있다.

컴퓨팅 장치(100)는 상기 문서 이미지에 포함된 글자 이미지를 상기 글자 인식 모델 및 상기 업데이트 된 글자 인식 모델을 이용하여 분류할 수 있다. 컴퓨팅 장치(100)는 상기 글자 인식 모델의 분류 결과 및 상기 업데이트 된 글자 인식 모델의 분류 결과를 앙상블 하여 상기 글자 이미지가 포함하는 글자에 대한 최종 분류 결과를 생성할 수 있다.

컴퓨팅 장치(100)는 상기 문서 이미지에 포함된 글자 이미지를 상기 글자 인식 모델을 통해 제 1 글자로 분류할 수 있다. 컴퓨팅 장치(100)는 상기 제 1 글자가 상기 제 1 학습 데이터에 기초하여 결정되는 글자 분류 클래스에 해당하는 경우, 상기 글자 이미지를 상기 업데이트 된 글자 인식 모델을 이용하여 분류 할 것을 결정할 수 있다. 컴퓨팅 장치(100)는 상기 글자 이미지를 상기 업데이트 된 글자 인식 모델을 이용하여 분류하여 상기 글자 이미지가 포함하는 글자에 대한 최종 분류 결과를 생성할 수 있다.

도 4는 본 개시의 일 실시예에 따른 글자 인식 모델의 업데이트 방법을 구현하기 위한 로직을 도시한 블록 구성도이다.

본 개시의 일 실시예에 따라 글자 인식 모델의 업데이트 방법은 다음과 같은 로직에 의해 구현될 수 있다.

본 개시의 일 실시예에 따른 글자 인식 모델의 업데이트 방법은, 문서 이미지에 포함된 하나 이상의 글자 이미지 각각을 사전 학습된 하나 이상의 네트워크 함수를 포함하는 글자 인식 모델을 통해 각각의 글자로 분류하여 상기 글자 이미지가 포함하는 글자를 결정하기 위한 로직(410); 상기 분류에 기초한 상기 글자 이미지의 분류 결과로 결정된 글자가 적합한 글자인지 여부를 결정하기 위한 로직(420); 상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 경우, 상기 글자 이미지를 재 분류하여 상기 글자 이미지에 포함된 글자를 재 결정하기 위한 로직(430); 상기 글자 이미지를 제 1 학습 데이터의 입력으로 하고, 재 분류 결과로 결정된 글자를 상기 제 1 학습 데이터의 라벨로 하는, 상기 제 1 학습 데이터를 생성하기 위한 로직(440); 및 하나 이상의 제 1 학습 데이터를 포함하는 제 1 학습 데이터 세트에 기초하여 업데이트 된 글자 인식 모델을 생성하기 위한 로직(450)에 의하여 구현될 수 있다.

글자 인식 모델의 업데이트 방법의 대안적인 실시예에서, 상기 분류에 기초한 상기 글자 이미지의 분류 결과로 결정된 글자가 적합한 글자인지 여부를 결정하기 위한 로직(420)은,

글자 인식 모델의 업데이트 방법의 대안적인 실시예에서, 상기 분류에 기초한 상기 글자 이미지의 분류 결과로 결정된 글자가 적합한 글자인지 여부를 결정하기 위한 로직(420)은, 상기 글자 이미지에 대한 분류 결과의 신뢰도가 사전 결정된 값 이하인 경우, 상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 것으로 결정하기 위한 로직에 의하여 구현 될 수 있다.

글자 인식 모델의 업데이트 방법의 대안적인 실시예에서, 상기 분류에 기초한 상기 글자 이미지의 분류 결과로 결정된 글자가 적합한 글자인지 여부를 결정하기 위한 로직(420)은, 상기 분류 결과로 결정된 글자가 전체 글자 분류 클래스에 포함되지 않는 글자인 경우, 또는 상기 분류 결과로 결정된 글자가 상기 문서 이미지의 도메인의 글자 별 사용 빈도가 일정 값 이하인 글자에 해당하는 경우, 상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 것으로 결정하기 위한 로직에 의하여 구현될 수 있다.

글자 인식 모델의 업데이트 방법의 대안적인 실시예에서, 상기 분류에 기초한 상기 글자 이미지의 분류 결과로 결정된 글자가 적합한 글자인지 여부를 결정하기 위한 로직(420)은, 상기 문서 이미지에 포함된 하나 이상의 글자 이미지 각각의 분류 결과로 결정된 글자를 의미 단위로 그룹화하여 하나 이상의 인식 단어를 추출하기 위한 로직; 및 상기 하나 이상의 인식 단어 각각을 메모리에 저장된 하나 이상의 기준 단어와 비교 결과에 기초하여, 상기 인식 단어의 기초가 되는 하나 이상의 글자 이미지 중 적어도 하나의 글자 이미지의 분류 결과로 결정된 글자가 적합하지 않은 것으로 결정하기 위한 로직에 의하여 구현될 수 있다.

글자 인식 모델의 업데이트 방법의 대안적인 실시예에서, 상기 분류에 기초한 상기 글자 이미지의 분류 결과로 결정된 글자가 적합한 글자인지 여부를 결정하기 위한 로직(420)은, 상기 문서 이미지에 포함된 하나 이상의 글자 이미지 각각의 분류 결과로 결정된 글자를 의미 단위로 그룹화하여 하나 이상의 인식 단어를 추출하기 위한 로직; 및 상기 인식 단어의 상기 문서 이미지 상에서의 컨텍스트 분석을 통해 상기 글자 이미지의 분류 결과가 적합한 글자인지 여부를 결정하기 위한 로직에 의하여 구현될 수도 있다.

글자 인식 모델의 업데이트 방법의 대안적인 실시예에서, 상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 경우, 상기 글자 이미지를 재 분류하여 상기 글자 이미지에 포함된 글자를 재 결정하기 위한 로직(430)은, 상기 글자 이미지의 분류 결과가 메모리에 저장되어 있는 하나 이상의 글자 클래스에 포함되도록 상기 글자 이미지를 재 분류하기 위한 로직에 의하여 구현될 수 있다.

글자 인식 모델의 업데이트 방법의 대안적인 실시예에서, 상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 경우, 상기 글자 이미지를 재 분류하여 상기 글자 이미지에 포함된 글자를 재 결정하기 위한 로직(430)은, 상기 분류 결과가 적합하지 않은 글자 이미지를 기초로 하는 인식 단어를 추출하기 위한 로직; 및 상기 인식 단어에 포함된 하나 이상의 글자 및 메모리에 저장된 하나 이상의 기준 단어 중 기준 단어 각각에 포함된 하나 이상의 글자의 매칭 비율이 가장 높은 기준 단어를 기초로 하여, 상기 인식 단어에 포함된 상기 분류 결과가 적합하지 않은 글자 이미지를 재 분류하기 위한 로직에 의하여 구현될 수 있다.

글자 인식 모델의 업데이트 방법의 대안적인 실시예에서, 상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 경우, 상기 글자 이미지를 재 분류하여 상기 글자 이미지에 포함된 글자를 재 결정하기 위한 로직(430)은, 사용자 컴퓨팅 장치로부터 상기 글자 이미지에 대한 수동 보정 정보를 수신하기 위한 로직; 및 상기 수동 보정 정보에 기초하여 상기 글자 이미지를 재 분류하기 위한 로직에 의하여 구현될 수 있다.

글자 인식 모델의 업데이트 방법의 대안적인 실시예에서, 상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 경우, 상기 글자 이미지에 부적합 정보를 표시하기 위한 로직에 의하여 추가로 구현될 수 있다.

글자 인식 모델의 업데이트 방법의 대안적인 실시예에서, 하나 이상의 제 1 학습 데이터를 포함하는 제 1 학습 데이터 세트에 기초하여 업데이트 된 글자 인식 모델을 생성하기 위한 로직(450)은, 상기 제 1 학습 데이터의 상기 글자 이미지를 상기 글자 인식 모델의 입력으로 하여 하나의 글자로 분류하기 위한 로직; 상기 제 1 학습 데이터에 대한 분류에 기초한 학습 분류 결과로 결정된 글자와 상기 제 1 학습 데이터의 라벨인, 상기 재 분류 결과로 결정된 글자를 비교하여 오차를 연산하기 위한 로직; 상기 오차에 기초하여 상기 글자 인식 모델의 가중치를 업데이트하여 업데이트 된 글자 인식 모델을 생성하기 위한 로직에 의하여 구현될 수 있다.

글자 인식 모델의 업데이트 방법의 대안적인 실시예에서, 하나 이상의 제 1 학습 데이터를 포함하는 제 1 학습 데이터 세트에 기초하여 업데이트 된 글자 인식 모델을 생성하기 위한 로직(450)은, 상기 사전 학습된 글자 인식 모델 학습의 기초가 된 제 2 학습 데이터 세트 중 적어도 일부의 제 2 학습 데이터 및 상기 제 1 학습 데이터 세트를 기초로 새로운 글자 인식 모델을 학습시켜, 업데이트 된 글자 인식 모델을 생성하기 위한 로직에 의하여 구현될 수 있다.

글자 인식 모델의 업데이트 방법의 대안적인 실시예에서, 상기 문서 이미지에 포함된 글자 이미지를 상기 글자 인식 모델 및 상기 업데이트 된 글자 인식 모델을 이용하여 분류하기 위한 로직; 및 상기 글자 인식 모델의 분류 결과 및 상기 업데이트 된 글자 인식 모델의 분류 결과를 앙상블 하여 상기 글자 이미지가 포함하는 글자에 대한 최종 분류 결과를 생성하기 위한 로직에 의하여 추가로 구현될 수도 있다.

글자 인식 모델의 업데이트 방법의 대안적인 실시예에서, 상기 문서 이미지에 포함된 글자 이미지를 상기 글자 인식 모델을 통해 제 1 글자로 분류하기 위한 로직; 상기 제 1 글자가 상기 제 1 학습 데이터에 기초하여 결정되는 글자 분류 클래스에 해당하는 경우, 상기 글자 이미지를 상기 업데이트 된 글자 인식 모델을 이용하여 분류 할 것을 결정하기 위한 로직; 및 상기 글자 이미지를 상기 업데이트 된 글자 인식 모델을 이용하여 분류하여 상기 글자 이미지가 포함하는 글자에 대한 최종 분류 결과를 생성하기 위한 로직에 의하여 추가로 더 구현될 수도 있다.

본 개시의 일 실시예에 따른 글자 인식 모듈의 업데이트 방법을 구현하기 위한 로직은, 글자 인식 모듈의 업데이트 방법을 구현하기 위한 모듈, 회로 또는 수단에 의하여 구현될 수도 있다.

도 5는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.

도 5는 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 조합으로써 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, 메인 프레임 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 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있다. 컴퓨터 판독가능 매체는 휘발성 및 비 휘발성 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 비 휘발성 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 피 변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피 변조 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 몇 가지 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 비 휘발성 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 둘 다를 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 신뢰성 있으며 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 것이다. 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 (17)

1. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 글자 인식 모델의 업데이트를 위한 이하의 동작들을 수행하도록 하며 상기 동작들은,
   문서 이미지에 포함된 하나 이상의 글자 이미지 각각을 사전 학습된 하나 이상의 네트워크 함수를 포함하는 글자 인식 모델을 통해 각각의 글자로 분류하여 상기 글자 이미지가 포함하는 글자를 결정하는 동작;
   상기 분류에 기초한 상기 글자 이미지의 분류 결과로 결정된 글자가 적합한 글자인지 여부를 결정하는 동작;
   상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 경우, 상기 글자 이미지를 재 분류하여 상기 글자 이미지에 포함된 글자를 재 결정하는 동작;
   상기 글자 이미지를 제 1 학습 데이터의 입력으로 하고, 재 분류 결과로 결정된 글자를 상기 제 1 학습 데이터의 라벨로 하는, 상기 제 1 학습 데이터를 생성하는 동작; 및
   하나 이상의 제 1 학습 데이터를 포함하는 제 1 학습 데이터 세트 및 상기 사전 학습된 글자 인식 모델 학습의 기초가 된 제 2 학습 데이터 세트에 포함된 적어도 하나의 제 2 학습 데이터를 이용하여 학습된, 업데이트 된 글자 인식 모델을 생성하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
2. 제 1 항에 있어서,
   상기 분류에 기초한 상기 글자 이미지의 분류 결과로 결정된 글자가 적합한 글자인지 여부를 결정하는 동작은,
   상기 글자 이미지에 대한 분류 결과의 신뢰도가 사전 결정된 값 이하인 경우, 상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 것으로 결정하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
3. 제 1 항에 있어서,
   상기 분류에 기초한 상기 글자 이미지의 분류 결과로 결정된 글자가 적합한 글자인지 여부를 결정하는 동작은,
   상기 분류 결과로 결정된 글자가 전체 글자 분류 클래스에 포함되지 않는 글자인 경우, 또는 상기 분류 결과로 결정된 글자가 상기 문서 이미지의 도메인의 글자 별 사용 빈도가 일정 값 이하인 글자에 해당하는 경우, 상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 것으로 결정하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
4. 제 1 항에 있어서,
   상기 분류에 기초한 상기 글자 이미지의 분류 결과로 결정된 글자가 적합한 글자인지 여부를 결정하는 동작은,
   상기 문서 이미지에 포함된 하나 이상의 글자 이미지 각각의 분류 결과로 결정된 글자를 의미 단위로 그룹화하여 하나 이상의 인식 단어를 추출하는 동작; 및
   상기 하나 이상의 인식 단어 각각을 메모리에 저장된 하나 이상의 기준 단어와 비교 결과에 기초하여, 상기 인식 단어의 기초가 되는 하나 이상의 글자 이미지 중 적어도 하나의 글자 이미지의 분류 결과로 결정된 글자가 적합하지 않은 것으로 결정하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
5. 제 1 항에 있어서,
   상기 분류에 기초한 상기 글자 이미지의 분류 결과로 결정된 글자가 적합한 글자인지 여부를 결정하는 동작은,
   상기 문서 이미지에 포함된 하나 이상의 글자 이미지 각각의 분류 결과로 결정된 글자를 의미 단위로 그룹화하여 하나 이상의 인식 단어를 추출하는 동작; 및
   상기 인식 단어의 상기 문서 이미지 상에서의 컨텍스트 분석을 통해 상기 글자 이미지의 분류 결과가 적합한 글자인지 여부를 결정하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
6. 제 1 항에 있어서,
   상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 경우, 상기 글자 이미지를 재 분류하여 상기 글자 이미지에 포함된 글자를 재 결정하는 동작은,
   상기 글자 이미지의 분류 결과가 메모리에 저장되어 있는 하나 이상의 글자 클래스에 포함되도록 상기 글자 이미지를 재 분류하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
7. 제 1 항에 있어서,
   상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 경우, 상기 글자 이미지를 재 분류하여 상기 글자 이미지에 포함된 글자를 재 결정하는 동작은,
   상기 분류 결과가 적합하지 않은 글자 이미지를 기초로 하는 인식 단어를 추출하는 동작; 및
   상기 인식 단어에 포함된 하나 이상의 글자 및 메모리에 저장된 하나 이상의 기준 단어 중 기준 단어 각각에 포함된 하나 이상의 글자의 매칭 비율이 가장 높은 기준 단어를 기초로 하여, 상기 인식 단어에 포함된 상기 분류 결과가 적합하지 않은 글자 이미지를 재 분류하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
8. 제 1 항에 있어서,
   상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 경우, 상기 글자 이미지를 재 분류하여 상기 글자 이미지에 포함된 글자를 재 결정하는 동작은,
   사용자 컴퓨팅 장치로부터 상기 글자 이미지에 대한 수동 보정 정보를 수신하는 동작; 및
   상기 수동 보정 정보에 기초하여 상기 글자 이미지를 재 분류하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
9. 제 1 항에 있어서,
   상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 경우, 상기 글자 이미지에 부적합 정보를 표시하는 동작;
   을 더 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
10. 제 1 항에 있어서,
    제 1 학습 데이터 세트는,
    상기 글자 인식 모델의 학습 후 수집된 사전 결정된 개수의 제 1 학습 데이터를 포함하거나, 또는 사전 결정된 기간 동안 수집된 제 1 학습 데이터를 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
11. 제 1 항에 있어서,
    하나 이상의 제 1 학습 데이터를 포함하는 제 1 학습 데이터 세트 및 상기 사전 학습된 글자 인식 모델 학습의 기초가 된 제 2 학습 데이터 세트에 포함된 적어도 하나의 제 2 학습 데이터를 이용하여 학습된, 업데이트 된 글자 인식 모델을 생성하는 동작은,
    상기 제 1 학습 데이터의 상기 글자 이미지를 상기 글자 인식 모델의 입력으로 하여 하나의 글자로 분류하는 동작;
    상기 제 1 학습 데이터에 대한 분류에 기초한 학습 분류 결과로 결정된 글자와 상기 제 1 학습 데이터의 라벨인, 상기 재 분류 결과로 결정된 글자를 비교하여 오차를 연산하는 동작; 및
    상기 오차에 기초하여 상기 글자 인식 모델의 가중치를 업데이트하여 업데이트 된 글자 인식 모델을 생성하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
12. 삭제
13. 제 1 항에 있어서,
    상기 업데이트 된 글자 인식 모델은,
    상기 사전 학습된 글자 인식 모델의 가중치를 적어도 일부 공유하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
14. 제 1 항에 있어서,
    상기 문서 이미지에 포함된 글자 이미지를 상기 글자 인식 모델 및 상기 업데이트 된 글자 인식 모델을 이용하여 분류하는 동작; 및
    상기 글자 인식 모델의 분류 결과 및 상기 업데이트 된 글자 인식 모델의 분류 결과를 앙상블 하여 상기 글자 이미지가 포함하는 글자에 대한 최종 분류 결과를 생성하는 동작;
    을 더 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
15. 제 1 항에 있어서,
    상기 문서 이미지에 포함된 글자 이미지를 상기 글자 인식 모델을 통해 제 1 글자로 분류하는 동작;
    상기 제 1 글자가 상기 제 1 학습 데이터에 기초하여 결정되는 글자 분류 클래스에 해당하는 경우, 상기 글자 이미지를 상기 업데이트 된 글자 인식 모델을 이용하여 분류 할 것을 결정하는 동작; 및
    상기 글자 이미지를 상기 업데이트 된 글자 인식 모델을 이용하여 분류하여 상기 글자 이미지가 포함하는 글자에 대한 최종 분류 결과를 생성하는 동작;
    을 더 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
16. 글자 인식 모델의 업데이트를 위한 방법에 있어서,
    문서 이미지에 포함된 하나 이상의 글자 이미지 각각을 사전 학습된 하나 이상의 네트워크 함수를 포함하는 글자 인식 모델을 통해 각각의 글자로 분류하여 상기 글자 이미지가 포함하는 글자를 결정하는 단계;
    상기 분류에 기초한 상기 글자 이미지의 분류 결과로 결정된 글자가 적합한 글자인지 여부를 결정하는 단계;
    상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 경우, 상기 글자 이미지를 재 분류하여 상기 글자 이미지에 포함된 글자를 재 결정하는 단계;
    상기 글자 이미지를 제 1 학습 데이터의 입력으로 하고, 재 분류 결과로 결정된 글자를 상기 제 1 학습 데이터의 라벨로 하는, 상기 제 1 학습 데이터를 생성하는 단계; 및
    하나 이상의 제 1 학습 데이터를 포함하는 제 1 학습 데이터 세트 및 상기 사전 학습된 글자 인식 모델 학습의 기초가 된 제 2 학습 데이터 세트에 포함된 적어도 하나의 제 2 학습 데이터를 이용하여 학습된, 업데이트 된 글자 인식 모델을 생성하는 단계;
    를 포함하는,
    글자 인식 모델의 업데이트를 위한 방법.
    
17. 글자 인식 모델의 업데이트를 위한 컴퓨팅 장치로서,
    하나 이상의 코어를 포함하는 프로세서; 및
    메모리;
    를 포함하고,
    상기 프로세서는,
    문서 이미지에 포함된 하나 이상의 글자 이미지 각각을 사전 학습된 하나 이상의 네트워크 함수를 포함하는 글자 인식 모델을 통해 각각의 글자로 분류하여 상기 글자 이미지가 포함하는 글자를 결정하고,
    상기 분류에 기초한 상기 글자 이미지의 분류 결과로 결정된 글자가 적합한 글자인지 여부를 결정하고,
    상기 글자 이미지의 상기 분류 결과로 결정된 글자가 적합하지 않은 경우, 상기 글자 이미지를 재 분류하여 상기 글자 이미지에 포함된 글자를 재 결정하고,
    상기 글자 이미지를 제 1 학습 데이터의 입력으로 하고, 재 분류 결과로 결정된 글자를 상기 제 1 학습 데이터의 라벨로 하는, 상기 제 1 학습 데이터를 생성하고, 그리고
    하나 이상의 제 1 학습 데이터를 포함하는 제 1 학습 데이터 세트 및 상기 사전 학습된 글자 인식 모델 학습의 기초가 된 제 2 학습 데이터 세트에 포함된 적어도 하나의 제 2 학습 데이터를 이용하여 학습된, 업데이트 된 글자 인식 모델을 생성하는,
    글자 인식 모델의 업데이트를 위한 컴퓨팅 장치.
    

Images