KR102143192B1

KR102143192B1 - 신경망 학습 방법 및 그 장치

Info

Publication number: KR102143192B1
Application number: KR1020190144431A
Authority: KR
Inventors: 남현섭; 김효은
Original assignee: 주식회사 루닛
Priority date: 2019-11-12
Filing date: 2019-11-12
Publication date: 2020-08-10

Abstract

신경망의 목적 태스크에 따라 지능적인 정규화를 수행함으로써 신경망의 성능을 향상시킬 수 있는 신경망 학습 방법 및 그 장치가 제공된다. 본 개시의 몇몇 실시예에 따른 신경망 학습 방법은 제1 정규화 기법을 이용하여 상기 출력 데이터를 제1 정규화 데이터로 변환하고, 제2 정규화 기법을 이용하여 상기 출력 데이터를 제2 정규화 데이터로 변환하며, 학습 가능한 파라미터(learnable parameter)를 기초로 상기 제1 정규화 데이터와 상기 제2 정규화 데이터를 종합(aggregation)하여 목표 정규화 데이터를 생성할 수 있다.수 이때, 상기 제1 정규화 데이터가 상기 목표 정규화 데이터에 반영되는 비율이 상기 학습 가능한 파라미터에 의해 조절됨으로써 목적 태스크에 따른 지능적인 정규화가 수행될 수 있고, 신경망의 성능은 향상될 수 있다.

Description

신경망 학습 방법 및 그 장치{MACHINE-LEARNING METHOD FOR NEURAL NETWORK AND APPARATUS THEREOF}

본 개시는 신경망 학습 방법 및 그 장치에 관한 것이다. 보다 자세하게는, 신경망에 대한 기계학습을 수행할 때, 신경망의 목적 태스크에 따라 지능적으로 정규화를 수행함으로써 신경망의 성능을 향상시킬 수 있는 방법 및 그 방법을 지원하는 장치에 관한 것이다.

신경망(neural network)은 인간의 뉴런 구조를 모사하여 만든 기계 학습 모델이다. 신경망은 하나 이상의 레이어로 구성되고, 각 레이어의 출력 데이터는 다음 레이어의 입력으로 이용된다. 최근에는, 다수의 레이어로 구성된 심층 신경망을 활용하는 것에 대한 연구가 집중적으로 진행되고 있으며, 심층 신경망은 음성 인식, 자연어 처리, 병변 진단 등 다양한 분야에서 인식 성능을 높이는 데 중요한 역할을 하고 있다.

심층 신경망은 다수의 은닉 레이어를 포함하기 때문에 다양한 비선형적 관계를 학습할 수 있다. 그러나, 다수의 은닉 레이어를 학습하다 보면, 과적합(overfitting), 기울기 소실 문제(vanishing gradient problem) 등이 발생될 수 있다. 이와 같은 문제를 해결하기 위해, 기계 학습 분야에서는 정규화 기법(normalization)이 주로 활용되고 있다. 이외에도, 정규화 기법은 학습의 안정화, 학습 속도 향상 등과 같이 다양한 목적을 위해 이용된다.

한국공개특허 제10-2017-0108081호 (2017.09.26일 공개)

본 개시의 몇몇 실시예를 통해 해결하고자 하는 기술적 과제는, 신경망의 목적 태스크에 따라 세밀하고 지능적인 정규화를 수행함으로써, 신경망의 성능을 향상시킬 수 있는 학습 방법 및 그 방법을 지원하는 장치를 제공하는 것이다.

본 개시의 몇몇 실시예 통해 해결하고자 하는 다른 기술적 과제는, 신경망의 목적 태스크와 스타일 정보와의 연관성을 알지 못하는 경우에도, 세밀하고 지능적인 정규화를 수행할 수 있는 학습 방법 및 그 방법을 지원하는 장치를 제공하는 것이다.

본 개시의 몇몇 실시예 통해 해결하고자 하는 또 다른 기술적 과제는, 특징 맵의 채널 별 또는 신경망의 레이어 별로 세밀하고 지능적인 정규화를 수행함으로써, 신경망의 성능을 향상시킬 수 있는 학습 방법 및 그 방법을 지원하는 장치를 제공하는 것이다.

본 개시의 몇몇 실시예 통해 해결하고자 하는 또 다른 기술적 과제는, 이미지셋에 포함된 스타일 정보의 종류에 따라 세밀하고 지능적인 정규화를 수행함으로써, 신경망의 성능을 향상시킬 수 있는 학습 방법 및 그 방법을 지원하는 장치를 제공하는 것이다.

본 개시의 몇몇 실시예 통해 해결하고자 하는 또 다른 기술적 과제는, 이미지에 담긴 스타일 정보의 종류 또는 신경망의 목적 태스크에 관계없이 범용적으로 적용될 수 있는 정규화 방법 및 그 방법을 지원하는 장치를 제공하는 것이다.

본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시의 기술분야에서의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상기 기술적 과제를 해결하기 위한, 본 개시의 몇몇 실시예에 따른 신경망 학습 방법은, 컴퓨팅 장치에서 신경망(neural network)을 학습하는 방법에 있어서,트레이닝 샘플에 대한 상기 신경망의 제1 레이어의 출력 데이터를 얻는 단계, 제1 정규화 기법을 이용하여 상기 출력 데이터를 제1 정규화 데이터로 변환하는 단계, 제2 정규화 기법을 이용하여 상기 출력 데이터를 제2 정규화 데이터로 변환하는 단계, 학습 가능한 파라미터(learnable parameter)를 기초로 상기 제1 정규화 데이터와 상기 제2 정규화 데이터를 종합(aggregation)하여 제3 정규화 데이터를 생성하는 단계 및 상기 제3 정규화 데이터를 상기 신경망의 제2 레이어의 입력으로 제공하는 단계를 포함할 수 있다.

몇몇 실시예에서, 상기 제3 정규화 데이터를 상기 제2 레이어를 통해 포워딩하여, 상기 트레이닝 샘플과 연관된 예측 오차를 산출하는 단계 및 상기 예측 오차를 역전파하여 상기 신경망의 가중치와 상기 학습 가능한 파라미터의 값을 업데이트하는 단계를 더 포함할 수 있다.

몇몇 실시예에서, 상기 제1 정규화 데이터 및 상기 제2 정규화 데이터가 각각이 상기 제3 정규화 데이터에 반영되는 비율은 상기 학습 가능한 파라미터에 의해 조절되고, 상기 제1 정규화 데이터가 상기 제3 정규화 데이터에 반영되는 비율이 커질수록 상기 제2 정규화 데이터가 상기 제3 정규화 데이터에 반영되는 비율은 작아지며, 상기 제1 정규화 데이터가 상기 제3 정규화 데이터에 반영되는 비율이 작아질수록 상기 제2 정규화 데이터가 상기 제3 정규화 데이터에 반영되는 비율은 커질 수 있다.

몇몇 실시예에서, 상기 제3 정규화 데이터를 생성하는 단계는, 상기 파라미터를 기초로 상기 제1 정규화 데이터와 상기 제2 정규화 데이터를 종합하는 단계 및 상기 종합된 정규화 데이터를 어파인 변환(affine transform)하여 상기 제3 정규화 데이터를 생성하는 단계를 포함할 수 있다.

몇몇 실시예에서, 상기 신경망은 컨볼루션 신경망(convolutional neural network)에 기반한 것이고, 상기 출력 데이터는 특징 맵(feature map)일 수 있다.

몇몇 실시예에서, 상기 출력 데이터는 제1 채널과 연관된 제1 특징 맵과 제2 채널과 연관된 제2 특징 맵을 포함하고, 상기 제3 정규화 데이터를 생성하는 단계는, 상기 제1 특징 맵과 연관된 정규화 데이터를 이용하여 상기 제1 채널에 대한 제3-1 정규화 데이터를 생성하는 단계 및 상기 제2 특징 맵과 연관된 정규화 데이터를 이용하여 상기 제2 채널에 대한 제3-2 정규화 데이터를 생성하는 단계를 포함할 수 있다.

몇몇 실시예에서, 상기 출력 데이터의 통계 정보는 상기 특징 맵에 포함된 복수의 특징 값에 대한 평균과 표준 편차를 포함할 수 있다.

몇몇 실시예에서, 상기 제1 레이어는 컨볼루션 연산을 통해 상기 특징 맵을 추출하는 레이어이고, 상기 제2 레이어는 활성화 함수(activation function)를 통해 입력된 데이터에 대한 비선형 변환을 수행하는 레이어일 수 있다.

몇몇 실시예에서, 상기 제1 정규화 기법은 상기 트레이닝 샘플이 속한 배치의 통계 정보를 이용하여 상기 출력 데이터를 배치 정규화(batch normalization)를 포함하고, 상기 제2 정규화 기법은 상기 출력 데이터의 통계 정보를 이용하여 상기 출력 데이터를 정규화는 인스턴스 정규화(instance normalization)를 포함할 수 있다.

몇몇 실시예에서, 상기 신경망은 컨볼루션 신경망(convolutional neural network)에 기반한 것이고, 상기 출력 데이터는 각 채널에 대응되는 복수의 특징 맵을 포함하며, 상기 제1 정규화 기법은 상기 트레이닝 샘플이 속한 배치의 통계 정보를 이용하여 상기 출력 데이터를 정규화하는 배치 정규화(batch normalization)를 포함하고, 상기 제2 정규화 기법은 상기 복수의 특징 맵 중에서 제1 특징 맵이 속한 그룹의 통계 정보를 이용하여 상기 제1 특징 맵을 정규화하는 그룹 정규화(group normalization)를 포함할 수 있다.

상술한 기술적 과제를 해결하기 위한 본 개시의 몇몇 실시예에 따른 신경망 학습 장치는, 하나 이상의 인스트럭션들(instructions)을 저장하는 메모리 및 상기 저장된 하나 이상의 인스트럭션들을 실행함으로써, 트레이닝 샘플에 대한 신경망의 제1 레이어의 출력 데이터를 얻어 오고, 제1 정규화 기법을 이용하여 상기 출력 데이터를 제1 정규화 데이터로 변환하며, 제2 정규화 기법을 이용하여 상기 출력 데이터를 제2 정규화 데이터로 변환하고, 학습 가능한 파라미터(learnable parameter)를 기초로 상기 제1 정규화 데이터와 상기 제2 정규화 데이터를 종합(aggregation)하여 제3 정규화 데이터를 생성하며, 상기 제3 정규화 데이터를 상기 신경망의 제2 레이어의 입력으로 제공하는 프로세서를 포함할 수 있다.

상술한 기술적 과제를 해결하기 위한 본 개시의 다른 몇몇 실시예에 따른 컴퓨터 프로그램은, 컴퓨팅 장치와 결합되어, 트레이닝 샘플에 대한 상기 신경망의 제1 레이어의 출력 데이터를 얻는 단계, 제1 정규화 기법을 이용하여 상기 출력 데이터를 제1 정규화 데이터로 변환하는 단계, 제2 정규화 기법을 이용하여 상기 출력 데이터를 제2 정규화 데이터로 변환하는 단계, 학습 가능한 파라미터(learnable parameter)를 기초로 상기 제1 정규화 데이터와 상기 제2 정규화 데이터를 종합하여 제3 정규화 데이터를 생성하는 단계 및 상기 제3 정규화 데이터를 상기 신경망의 제2 레이어의 입력으로 제공하는 단계를 실행시키기 위하여 컴퓨터로 판독가능한 기록매체에 저장될 수 있다.

도 1은 본 개시의 몇몇 실시예에 따른 신경망 학습 장치와 그 학습 환경을 설명하기 위한 도면이다.
도 2 및 도 3은 배치 정규화 기법을 설명하기 위한 도면이다.
도 4는 인스턴스 정규화 기법을 설명하기 위한 도면이다.
도 5는 본 개시의 몇몇 실시예에 따른 신경망 학습 방법을 나타내는 예시적인 흐름도이다.
도 6은 본 개시의 다양한 실시예에서 참조될 수 있는 신경망의 구조와 정규화 레이어를 설명하기 위한 예시도이다.
도 7 및 도 8은 도 5에 도시된 정규화 데이터 생성 단계 S160의 세부 프로세스를 설명하기 위한 도면이다.
도 9는 본 개시의 다양한 실시예에서 참조될 수 있는 신경망 학습 이력을 나타내는 예시도이다.
도 10은 본 개시의 다양한 실시예에서 참조될 수 있는 컨볼루션 신경망의 구조와 정규화 레이어를 설명하기 위한 예시도이다.
도 11 및 도 12는 본 개시의 몇몇 실시예에 따른 컨볼루션 신경망 학습 방법을 설명하기 위한 예시도이다.
도 13 및 도 14는 본 개시의 몇몇 실시예에 따른 정규화 파라미터 설정 방법을 설명하기 위한 예시도이다.
도 15는 본 개시의 다른 몇몇 실시예에 따른 신경망 학습 방법을 나타내는 예시적인 흐름도이다.
도 16은 본 개시의 다양한 실시예에서 참조될 수 있는 배치 정규화 기법과 그룹 정규화 기법의 차이를 설명하기 위한 예시도이다.
도 17 및 도 18은 제안된 정규화 기법에 대한 실험 결과를 나타낸다.
도 19는 본 개시의 다양한 실시예에 따른 장치를 구현할 수 있는 예시적인 컴퓨팅 장치를 도시한다.

이하, 첨부된 도면을 참조하여 본 개시의 바람직한 실시예들을 상세히 설명한다. 본 개시의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시의 기술적 사상은 이하의 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 이하의 실시예들은 본 개시의 기술적 사상을 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 본 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시의 기술적 사상은 청구항의 범주에 의해 정의될 뿐이다.

각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 개시를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 개시를 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.

또한, 본 개시의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.

명세서에서 사용되는 "포함한다 (comprises)" 및/또는 "포함하는 (comprising)"은 언급된 구성 요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성 요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.

본 명세서에 대한 설명에 앞서, 본 명세서에서 사용되는 몇몇 용어들에 대하여 명확하게 하기로 한다.

본 명세서에서, 태스크(task)란, 기계학습을 통해 해결하고자 하는 과제 또는 기계학습을 통해 수행하고자 하는 작업을 지칭한다. 예를 들어, 얼굴 데이터로부터 얼굴 인식, 표정 인식, 성별 분류, 포즈 분류 등을 수행한다고 할 때, 얼굴 인식, 표정 인식, 성별 분류, 포즈 분류 각각이 개별 태스크에 대응될 수 있다. 다른 예로, 의료 이미지 데이터(medical image data)로부터 이상(abnormality)에 대한 인식, 분류, 예측 등을 수행한다고 할 때, 이상 인식, 이상 분류, 이상 예측 각각이 개별 태스크에 대응될 수 있다. 그리고 태스크는 목적 태스크라고 칭할 수도 있다

본 명세서에서, 신경망(neural network)이란, 신경 구조를 모방하여 고안된 모든 종류의 기계학습 모델을 포괄하는 용어이다. 가령, 상기 신경망은 인공 신경망(artificial neural network; ANN), 컨볼루션 신경망(convolutional neural network; CNN) 등과 같이 모든 종류의 신경망 기반 모델을 포함할 수 있다.

본 명세서에서 인스트럭션(instruction)이란, 기능을 기준으로 묶인 일련의 컴퓨터 판독가능 명령어들로서 컴퓨터 프로그램의 구성 요소이자 프로세서에 의해 실행되는 것을 가리킨다.

이하, 본 개시의 몇몇 실시예들에 대하여 첨부된 도면에 따라 상세하게 설명한다.

도 1은 본 개시의 몇몇 실시예에 따른 신경망 학습 장치(30)와 학습 환경을 예시한다.

도 1에 도시된 바와 같이, 신경망 학습 장치(30)는 목적 태스크를 수행하기 위해 신경망에 대한 기계학습을 수행하는 컴퓨팅 장치이다. 특히, 도 1은 상기 목적 태스크가 이미지와 연관된 태스크(e.g. 객체 인식)인 경우를 예로써 도시하고 있으나, 본 개시의 기술적 범위가 태스크 또는 신경망의 종류에 한정되는 것은 아니다. 이하에서는, 설명의 편의상 신경망 학습 장치(30)를 학습 장치(30)로 약칭하도록 한다.

상기 컴퓨팅 장치는, 노트북, 데스크톱(desktop), 랩탑(laptop), 서버(server) 등이 될 수 있으나, 이에 국한되는 것은 아니며 컴퓨팅 기능이 구비된 모든 종류의 장치를 포함할 수 있다. 상기 컴퓨팅 장치의 일 예는 도 19를 참조하도록 한다.

도 1은 학습 장치(30)가 하나의 컴퓨팅 장치로 구현된 것을 예로써 도시하고 있으나, 실제 물리적 환경에서 학습 장치(30)의 제1 기능은 제1 컴퓨팅 장치에서 구현되고, 학습 장치(30)의 제2 기능은 제2 컴퓨팅 장치에서 구현될 수도 있다. 또한, 학습 장치(30)는 복수의 컴퓨팅 장치로 구성될 수 있고, 복수의 컴퓨팅 장치가 제1 기능과 제2 기능을 나누어 구현할 수도 있다.

도 1에 도시된 바와 같이, 학습 장치(30)는 복수의 트레이닝 샘플로 구성된 데이터셋(31)을 이용하여 신경망(e.g. 컨볼루션 신경망)을 학습시킬 수 있다. 이때, 상기 신경망은 복수의 레이어로 구성되며, 상기 복수의 레이어 중 적어도 일부는 신경망 내부의 입력(또는 출력) 데이터를 정규화하는 정규화 레이어를 포함할 수 있다. 또한, 학습 장치(30)는 상기 정규화 레이어를 통해 세밀하고 지능적인 정규화를 수행함으로써, 신경망의 학습 효과를 증진시킬 수 있다. 여기서 트레이닝 샘플은 학습을 위한 데이터의 단위를 의미할 수 있고, 다양한 데이터일 수 있다. 예를 들어, 트레이닝 샘플은 하나의 이미지일 수 있고, 학습 대상 또는 태스크에 따라 이미지 이외에 다양한 데이터를 더 포함할 수도 있다.

본 개시의 다양한 실시예에 따른 학습 장치(30)는 다양한 정규화를 수행할 수 있다. 예를 들면, 학습 장치(30)는 복수의 정규화 방식을 선택적으로 수행할 수 있다. 이때, 상기 복수의 정규화 방식은 배치 정규화(batch normalization), 인스턴스 정규화(instance normalization), 그룹 정규화(group normalization), 레이어 정규화(layer normalization) 등을 포함할 수 있다. 그러나, 이에 한정되지 않고, 다른 정규화 기법이 더 포함될 수도 있다.

배치 정규화 기법에 관한 내용은 도 2 및 도 3에 도시되어 있다.

도 2에 도시된 바와 같이, 배치 정규화 기법은 특정 레이어 사이에 위치한 배치 정규화 레이어(1)에서 이전 레이어의 출력 데이터에 대한 정규화를 수행하고 학습 가능한 파라미터(learnable parameter; 3, 5)를 이용하여 어파인 변환(affine transformation)을 수행하는 기법이다. 이때, 상기 정규화는 배치의 통계 정보(e.g. 평균, 표준 편차)에 기반하여 수행된다. 가령, 도 3에 도시된 바와 같이, 배치 사이즈가 2이고, 배치 내에 2개의 트레이닝 샘플(x₁, x₂)과 연관된 특징 맵들(e.g. 15, 17)이 있다고 가정하자. 이와 같은 경우, 특징 맵들(e.g. 15, 17)의 통계 정보(19)를 이용하여 각각의 특징 맵(e.g. 15, 17)이 정규화될 수 있다. 배치 정규화 기법에 대한 보다 자세한 내용은 한국공개특허 제10-2017-0108081호를 참조하도록 한다.

다음으로, 인스턴스 정규화 기법은 개별 인스턴스의 통계 정보에 기반하여 정규화를 수행하는 기법이다. 인스턴스 정규화의 개념은 배치 사이즈가 1로 설정된 경우의 배치 정규화와 유사한 것으로 이해될 수 있다. 가령, 도 4에 도시된 바와 같이, 2개의 트레이닝 샘플(x_1, x₂)과 연관된 특징 맵들(21, 24)이 있다고 가정하자. 이와 같은 경우, 인스턴스 정규화 기법을 적용하면, 제1 특징 맵(22)의 통계 정보(23)를 이용하여 제1 특징 맵(22)이 정규화되고, 제2 특징 맵(25)의 통계 정보(26)를 이용하여 제2 특징 맵(25)이 정규화될 수 있다.

위와 같은 배치 정규화 기법과 인스턴스 정규화 기법은 유사한 목적을 위해 이용되는 것이나 스타일 정보 관점에서는 그 효과가 극명하게 구분된다.

예를 들어, 배치 정규화 기법 및 인스턴스 정규화 기법의 대상이 되는 이미지(image)가 표현하는 정보는 크게 컨텐트(content)와 스타일(style)로 구분될 수 있다. 일 실시예로, 컨텐트는 이미지에 포함된 물체들의 형태(shape)와 관련된 정보일 수 있고, 스타일은 이미지에 포함된 텍스쳐(texture)와 관련된 정보일 수 있다. 구체적인 실시예로, 이미지 내의 의자와 책상을 구별하는데 있어서, 오브젝트 형태(object shape)는 컨텐트에 해당하고, 재질, 무늬, 색깔 등과 같은 오브젝트 텍스쳐(object texture)는 텍스쳐에 해당할 수 있다.

다른 표현으로, 이미지는 공간적(spatial) 정보와, 스타일 정보로 구성될 수 있다. 예를 들어, 공간적 정보는 오브젝트 형태(object shape)일 수 있고, 스타일 정보는 텍스쳐(texture)일 수 있다. 스타일 정보는 공간적 구성과 무관한 정보일 수 있다. 따라서 공간적 정보는 상술한 컨텐트에 대응하는 정보일 수 있다.

배치 정규화 기법에서는, 정규화가 수행되더라도 이미지의 스타일 정보(e.g. 평균, 분산, 표준 편차 등)가 보존될 수 있다. 배치 사이즈(batch size)가 충분히 크다면 배치 통계 정보 내의 바이어스(bias)가 작을 것이기 때문이다. 이에 반해, 인스턴스 정규화 기법은 개별 인스턴스의 통계 정보를 이용하기 때문에 정규화가 수행됨에 따라 각 이미지의 스타일 정보가 완전히 소실될 수 밖에 없다.

일반적인 영상 인식 분야의 태스크(e.g. 객체 분류)인 경우, 이미지셋에 담긴 스타일의 다양성은 학습의 방해 요인으로 작용하는 경우가 많다. 가령, X-레이 이미지에서 병변을 검출하기 위한 신경망을 학습할 때, 촬영 장비의 다양성에 의해 발생되는 X-레이 이미지의 밝기, 선명도 등의 차이는 신경망의 학습을 어렵게 만들 수 있다.

그러나, 특정한 영상 인식 문제에 있어서는 스타일 정보가 중요한 역할을 수행할 수도 있다. 가령, 이미지로부터 날씨 혹은 시간대를 인식하고자 할 때, 이미지의 밝기와 대조 등의 스타일 정보는 날씨 혹은 시간대를 인식하기 위한 중요한 단서가 될 수도 있다.

따라서, 신경망의 성능을 보장하기 위해서는 목적 태스크와 이미지에 담긴 스타일 정보와의 연관성에 따라 적절한 정규화 기법을 선택하는 것이 매우 중요하다. 그러나, 스타일 정보와 신경망의 목적 태스크와의 관계를 미리 아는 것은 어려우며, 획일적으로 정해지지 않을 수도 있다. 이를테면, 일부 특징 맵의 경우, 스타일 정보가 보존되는 것이 중요할 수 있으나, 다른 일부의 특징 맵의 경우 스타일 정보가 손실되는 것이 오히려 신경망의 성능 향상에 도움이 될 수도 있다. 따라서, 신경망의 목적 태스크에 따라 자동으로 지능적인 정규화를 수행할 수 있는 방법이 고안되어야 하는 것이다.

본 개시의 기술적 사상은 이러한 필요성을 바탕으로 도출된 것이며, 본 개시의 다양한 실시예에 따르면, 학습 장치(30) 또는 정규화 레이어는 신경망의 목적 태스크에 따라 복수의 정규화 방식을 이용하여 지능적인 정규화를 수행할 수 있다. 이하, 자세히 설명한다.

본 개시의 다양한 실시예에 따르면, 상기 신경망의 목적 태스크와 이미지의 스타일 정보 간에 연관성이 깊은 경우(즉, 스타일 정보가 목적 태스크 수행에 필요한 경우), 정규화 레이어는 배치 정규화 기법에 중점을 두고 정규화를 수행할 수 있다. 이와 반대로, 상기 신경망의 목적 태스크와 이미지의 스타일 정보 간에 연관성이 적은 경우(즉, 스타일 정보가 목적 태스크 수행에 방해되는 경우)라면, 본 개시의 다양한 실시예에 따른 정규화 레이어는 인스턴스 정규화 기법에 중점을 두고 정규화를 수행할 수 있다. 이와 같은 정규화 레이어의 동작은 학습 가능한 정규화 파라미터(learnable normalization parameter)를 통해 자동으로 제어될 수 있는데, 이에 대한 자세한 설명은 도 5 이하의 도면을 참조하여 상세하게 설명하도록 한다.

학습이 충분히 수행된 이후, 학습 장치(30)는 신경망을 이용하여 목적 태스크를 수행할 수 있다. 가령, 학습 장치(30)는 실제 이미지(33)를 신경망에 입력하여 얻어진 예측 값(e.g. 클래스별 컨피던스 스코어)에 기반하여 예측 결과를 제공할 수 있다.

지금까지 도 1 내지 도 4를 참조하여 본 개시의 몇몇 실시예에 따른 학습 장치(30)와 그 학습 환경에 대하여 설명하였다. 이하에서는, 본 개시의 다양한 실시예에 따른 신경망 학습 방법에 대하여 설명하도록 한다.

이하에서 후술될 방법들의 각 단계는 컴퓨팅 장치에 의해 수행될 수 있다. 다시 말하면, 상기 방법들의 각 단계는 컴퓨팅 장치의 프로세서에 의해 실행되는 하나 이상의 인스트럭션들로 구현될 수 있다. 상기 방법들에 포함되는 모든 단계는 하나의 물리적인 컴퓨팅 장치에 의하여 실행될 수도 있을 것이나, 상기 방법들의 제1 단계들은 제1 컴퓨팅 장치에 의하여 수행되고, 상기 방법들의 제2 단계들은 제2 컴퓨팅 장치에 의하여 수행될 수도 있다. 이하에서는, 상기 방법들의 각 단계가 학습 장치(30)에 의해 수행되는 것을 가정하여 설명을 이어가도록 한다. 따라서, 이하의 설명에서 특정 동작의 주어가 생략된 경우, 해당 동작은 상기 예시된 장치에 의하여 수행될 수 있는 것으로 이해될 수 있을 것이다. 또한, 이하에서 후술될 방법은 필요에 따라 논리적으로 수행 순서가 바뀔 수 있는 범위 안에서 각 동작의 수행 순서가 바뀔 수 있음은 물론이다.

도 5는 본 개시의 몇몇 실시예에 따른 신경망 학습 방법을 나타내는 예시적인 흐름도이다. 특히, 도 5는 신경망의 학습(or 트레이닝) 프로세스 중에서 정규화 동작을 중점적으로 예시하고 있다. 도 5에 도시된 흐름도는 본 개시의 목적을 달성하기 위한 바람직한 실시예를 설명하기 위한 것일 뿐이며, 필요에 따라 일부 단계가 추가되거나 삭제될 수도 있다.

도 5에 도시된 바와 같이, 상기 신경망 학습 방법은 제1 레이어로부터 트레이닝 샘플에 대한 출력 데이터를 획득하는 단계 S100에서 시작된다. 가령, 도 6에 도시된 신경망(40)을 참조하면, 상기 제1 레이어는 신경망(40)을 구성하는 복수의 레이어 중 어느 하나인 레이어 #k(41)에 대응되는 것일 수 있다. 또한, 본 단계 S100와 후술될 단계(S120 내지 S180)는 정규화 레이어(42)에서 수행되는 동작으로 이해될 수 있다. 또한, 후술될 제2 레이어는 레이어 #k+1(43)에 대응되는 것일 수 있다. 본 단계 S100에서, 트레이닝 샘플(44)이 신경망(44)으로 입력되고 포워딩됨에 따라 정규화 레이어(42)는 이전 레이어(41)의 출력 데이터를 획득할 수 있다.

단계 S120에서, 상기 트레이닝 샘플이 속한 배치(batch)의 통계 정보를 이용하여 상기 출력 데이터가 제1 정규화 데이터로 변환된다. 즉, 배치 정규화 기법을 통해 상기 출력 데이터가 상기 제1 정규화 데이터로 변환된다. 이때, 상기 배치 정규화 기법은 어파인 변환(affine transform)을 포함하지 않는 것으로 이해될 수 있으나, 이는 실시예에 따라 달라질 수도 있다.

상기 배치의 통계 정보는 배치에 속한 복수의 트레이닝 샘플의 출력 데이터들에 대한 통계 정보로써, 평균과 표준 편차와 같이 정규화에 이용되는 정보를 모두 포함할 수 있다.

단계 S140에서, 상기 출력 데이터의 통계 정보를 이용하여 상기 출력 데이터가 제2 정규화 데이터로 변환된다. 즉, 인스턴스 정규화 기법을 통해 상기 출력 데이터가 상기 제2 정규화 데이터로 변환된다. 이때, 상기 인스턴스 정규화 기법은 어파인 변환을 포함하지 않는 것으로 이해될 수 있으나, 이는 실시예에 따라 달라질 수도 있다.

상기 출력 데이터의 통계 정보는 출력 데이터(즉, 하나의 인스턴스) 자체의 통계 정보를 의미할 수 있다. 예를 들면, 상기 출력 데이터가 복수의 특징 값을 포함하는 특징 맵(feature map)인 경우, 상기 통계 정보는 상기 복수의 특징 값에 대한 다양한 통계와 관련된 정보일 수 있고, 평균과 표준 편차를 포함할 수 있다.

참고로, 도 5는 단계 S120과 단계 S140이 순서대로 수행되는 것을 예시하고 있으나, 단계 S140, 단계 S120 순서로 수행될 수도 있으며, 단계 S120과 단계 S140이 동시에 수행될 수도 있다.

단계 S160에서, 상기 제1 정규화 데이터와 상기 제2 정규화 데이터를 기초로 목표 정규화 데이터가 생성될 수 있다. 단계 S160에 대한 세부 프로세스는 도 7에 도시되어 있다. 도 7에 도시된 바와 같이, 상기 제1 정규화 데이터와 상기 제2 정규화 데이터를 종합(aggregating)하여 제3 정규화 데이터가 생성되고(S162), 상기 제3 정규화 데이터에 대해 어파인 변환을 수행하여 상기 목표 정규화 데이터가 생성될 수 있다(S164).

본 개시의 다양한 실시예들에 따르면, 상기 목표 정규화 데이터를 생성하기 위해 정규화 파라미터가 이용될 수 있다. 여기서, 상기 정규화 파라미터는 상기 제1 정규화 데이터와 상기 제2 정규화 데이터의 반영 비율을 조절하는 제1 정규화 파라미터, 어파인 변환 시 스케일(scale)을 조절하기 위한 제2 정규화 파라미터 및 쉬프트(shift)를 조절하기 위한 제3 정규화 파라미터를 포함할 수 있다. 보다 구체적으로, 상기 제1 정규화 파라미터는 전술한 단계 S162에서 상기 제1 정규화 데이터와 상기 제2 정규화 데이터가 상기 제3 정규화 데이터에 반영되는 비율을 조절하기 위해 이용될 수 있다. 또한, 상기 제2 및 상기 제3 정규화 파라미터는 전술한 단계 S164에서 어파인 변환을 수행하기 위해 이용될 수 있다.

상기 정규화 파라미터는 모두 학습 가능한 파라미터(즉, 신경망과 함께 학습되는 파라미터)로써, 신경망과 함께 학습될 수 있다. 도 6을 다시 참조하여 부연 설명하면, 트레이닝 샘플(44)의 정답과 예측 값(45)의 오차(46)를 역전파하여 신경망(40)의 가중치(e.g. 47, 49)가 업데이트될 때, 정규화 파라미터(48)의 값도 함께 업데이트될 수 있다.

또한, 몇몇 실시예에서는, 하나의 정규화 파라미터(즉, 상기 제1 정규화 파라미터)에 의해 상기 제1 정규화 데이터의 반영 비율과 상기 제2 정규화 데이터의 반영 비율이 함께 조절될 수 있다. 즉, 입력된 트레이닝 샘플의 스타일 정보를 보존한다는 관점에서, 배치 정규화 기법과 인스턴스 정규화 기법이 상충 관계에 있다는 점이 고려될 수 있다. 그래서, 본 개시의 실시예에 따르면, 하나의 정규화 파라미터에 의해 2가지 정규화 데이터의 반영 비율이 조절될 수 있다. 예를 들어, 하나의 정규화 파라미터에 의해 상기 제1 정규화 데이터의 반영 비율이 커질수록 다른 정규화 데이터인 상기 제2 정규화 데이터의 반영 비율이 작아지도록 조절될 수 있다(아래의 수학식 1 참조).

다른 몇몇 실시예에서는, 상기 제1 정규화 데이터와 상기 제2 정규화 데이터의 반영 비율은 별도의 파라미터에 의해 조절될 수도 있다. 즉, 각각의 정규화 기법에 별도의 정규화 파라미터가 정의될 수도 있다. 이와 같은 경우, 상기 제1 정규화 데이터가 상기 제3 정규화 데이터에 반영되는 비율은 제1 파라미터에 의해 조절되고, 상기 제2 정규화 데이터가 상기 제3 정규화 데이터에 반영되는 비율은 제2 파라미터에 의해 조절될 수 있다. 또한, 상기 제1 파라미터와 상기 제2 파라미터는 신경망과 함께 학습될 수 있다. 본 실시예에 따르면, 목적 태스크가 콘텐트 정보와 스타일 정보를 모두 필요로 하지 않는 경우, 상기 제1 파라미터와 상기 제2 파라미터가 전부 0으로 학습될 수 있다. 또한, 상기 제1 파라미터와 상기 제2 파라미터가 전부 1로 학습될 수도 있는데, 이 경우에는 배치 정규화가 인스턴스 정규화 기법이 동시에 이용되는 것이므로, 신경망이 트레이닝 샘플의 콘텐트를 더 강조하도록 학습될 수 있다. 또한, 몇몇 실시예에서는, 채널 별로도 정규화 파라미터가 정의될 수 있다. 이와 같은 경우, 목적 태스크가 특정 채널이 가진 콘텐트 정보와 스타일 정보가 모두 필요로 하지 않는 경우, 상기 특정 채널의 파라미터들만 전부 0으로 학습될 수 있으므로, 신경망이 각 채널의 중요도 자체를 학습할 수 있게 된다. 또한, 학습될 수 있다. 또한, 특정 채널이 파라미터들이 전부 1로 학습될 수도 있는데, 이 경우에는 신경망이 트레이닝 샘플의 상기 특정 채널의 콘텐트를 더 강조하도록 학습될 수 있다.

정리하면, 단계 S160에서, 상기 제1 레이어의 출력 데이터에 대한 목표 정규화 데이터는 배치 정규화를 통해 산출된 제1 정규화 데이터와 인스턴스 정규화를 통해 산출된 제2 정규화 데이터를 종합(aggregating)하고, 어파인 변환함으로써 산출될 수 있다. 이를 수식으로 표현하면, 하기의 수학식 1과 같이 표기될 수 있고, 개념적으로 표현하면 도 8과 같이 도식화될 수 있다.

상기 수학식 1에서, X^(B)와 X^(I)는 각각 배치 정규화를 통해 산출된 제1 정규화 데이터와 인스턴스 정규화를 통해 산출된 제2 정규화 데이터를 의미한다. 또한, ρ는 정규화 데이터의 반영 비율을 조절하는 제1 파라미터일 수 있고, γ는 스케일을 조절하는 제2 정규화 파라미터일 수 있다. 또한, β는 쉬프트를 조절하는 제3 정규화 파라미터를 의미할 수 있다. 그리고, ρ는 0과 1 사이의 값일 수 있다.

도 8을 참조하면, x(51)는 특정 트레이닝 샘플에 대한 이전 레이어의 출력 데이터를 의미한다. 또한, x^(55)는 배치 정규화(52)를 통해 산출된 제1 정규화 데이터와 인스턴스 정규화(53)를 통해 산출된 제2 정규화 데이터가 종합된 제3 정규화 데이터를 의미한다. 전술한 바와 같이, 상기 제1 정규화 파라미터(ρ)에 의해 2가지의 정규화 데이터가 종합될 수 있다. y(57)는 종합된 정규화 데이터(55)을 어파인 변환(56)하여 생성된 목표 정규화 데이터를 의미한다.

다시 도 5를 참조하여 설명한다.

단계 S180에서, 상기 제1 레이어의 출력 데이터에 대한 목표 정규화 데이터가 신경망의 제2 레이어의 입력으로 제공된다. 도 6을 참조하면, 본 단계 S180에서, 정규화 레이어(42)를 통해 생성된 목표 정규화 데이터가 다음 레이어(43)의 입력으로 제공될 수 있다. 또한, 상기 목표 정규화 데이터는 레이어(43)를 통해 포워딩되며, 트레이닝 샘플(44)에 대한 예측 오차(46)를 산출하기 위해 이용될 수 있다. 아울러, 예측 오차(46)는 신경망(40)으로 역전파됨으로써, 정규화 파라미터(48)와 신경망의 가중치 파라미터(e.g. 47, 49)의 값을 업데이트하기 위해 이용될 수 있다.

지금까지 하나의 정규화 레이어가 이전 레이어의 출력 데이터에 대한 정규화를 수행하고, 정규화된 데이터를 다음 레이어의 입력으로 제공하는 과정을 상세하게 설명하였다. 복수의 정규화 레이어가 존재하는 경우라면, 전술한 동작들이 각각의 정규화 레이어에서 수행되는 것으로 이해될 수 있다. 이때, 각각의 정규화 레이어는 서로 별도의 정규화 파라미터를 이용하여 정규화를 수행할 수 있다. 다만, 다른 몇몇 실시예에서는, 복수의 정규화 레이어 간에 적어도 일부의 정규화 파라미터를 공유할 수도 있다.

한편, 본 개시의 몇몇 실시예들에 따르면, 신경망의 목적 태스크에 기초하여 정규화 파라미터(ρ)에 대한 초기 값이 자동으로 설정될 수 있다. 예를 들어, 상기 목적 태스크가 스타일 정보를 요구하는 태스크인 경우, 상기 정규화 파라미터의 초기 값은 1에 가까운 값(즉, 배치 정규화 기법이 중점적으로 활용되는 값)으로 설정될 수 있다. 물론, 반대의 경우라면, 상기 정규화 파라미터의 초기 값은 0에 가까운 값(즉, 인스턴스 정규화 기법이 중점적으로 활용되는 값)으로 설정될 수 있다. 그렇게 함으로써, 상기 정규화 파라미터의 값이 빠르게 최적 값에 수렴하고, 신경망의 학습 속도는 향상될 수 있기 때문이다.

또한, 본 개시의 몇몇 실시예들에 따르면, 신경망의 목적 태스크에 기초하여 배치 사이즈가 자동으로 설정되거나 변경될 수 있다. 예를 들어, 상기 목적 태스크가 스타일 정보를 요구하는 태스크인 경우, 상기 배치 사이즈는 충분히 큰 값(e.g. 기준치 이상의 값)으로 설정될 수 있다. 그렇게 함으로써, 스타일 정보가 더욱 잘 보존되고, 신경망의 성능은 향상될 수 있기 때문이다.

또한, 몇몇 실시예에서는, 학습 이력에 기초하여 정규화 파라미터(ρ)의 초기 값이 결정될 수 있다. 도 9의 표(60)에 예시된 바와 같이, 상기 학습 이력은 태스크의 종류, 학습된 정규화 파라미터의 평균값, 성능 평가 결과 등을 포함할 수 있을 것이나, 이에 한정되지 않고 다른 정보가 더 포함될 수도 있다. 본 실시예에서, 목적 태스크가 학습 이력에 존재하는 경우, 학습 이력 상의 정규화 파라미터 값이 상기 초기 값으로 설정될 수 있다. 다른 예를 들어, 목적 태스크가 학습 이력에 존재하지 않는 경우, 상기 학습 이력 상에서 상기 목적 태스크와 유사한 태스크의 정규화 파라미터 값에 기초하여 상기 초기 값이 설정될 수 있다. 이때, 태스크 간 유사도에 따라 상기 초기 값이 적절하게 조정될 수도 있을 것이다. 또는, 상기 학습 이력 상에서 상기 목적 태스크와 비유사한 태스크의 정규화 파라미터 값에 기초하여 상기 초기 값이 설정될 수도 있다. 이때도, 태스크 간 비유사도에 따라 상기 초기 값이 적절하게 조정될 수 있을 것이다.

또한, 몇몇 실시예에서는, 정규화 파라미터(ρ)의 값에 따라 배치 사이즈가 조정될 수도 있다. 가령, 상기 정규화 파라미터의 값이 1에 가까워지는 경우, 배치 사이즈는 더 큰 값으로 조정될 수도 있다. 배치 사이즈가 커질수록, 스타일 정보가 더욱 잘 보존될 수 있기 때문이다.

지금까지 도 5 내지 도 9를 참조하여 본 개시의 몇몇 실시예에 따른 신경망 학습 방법에 대하여 설명하였다. 상술한 방법에 따르면, 학습 가능한 정규화 파라미터(ρ)에 의해 각 정규화 기법의 활용 비율이 결정된다. 이에 따라, 목적 태스크와 스타일 정보의 종류에 따라 세밀하고 지능적인 정규화가 수행될 수 있으며, 신경망의 성능은 향상될 수 있다. 가령, 목적 태스크를 수행할 때 스타일 정보가 불필요한 경우라면, 정규화 파라미터(ρ)의 값이 0에 가깝게 학습됨으로써, 스타일 정보가 제거될 수 있다. 반대의 경우라면, 정규화 파라미터(ρ)의 값이 1에 가깝게 학습됨으로써, 스타일 정보가 보존될 수 있다.

또한, 각 정규화 기법의 활용 비율에 대한 조절은 신경망에 의해 자동적으로 수행되는 것이기 때문에, 전문적인 지식이나 사용자의 개입이 요구되지 않는다. 즉, 목적 태스크와 스타일 정보 간의 관계를 인지하지 못하거나, 명확하게 알 수 없는 경우에도 신경망이 자체적으로 최적의 정규화가 수행될 수 있다. 따라서, 본 개시를 통해 제안된 정규화 기법은 목적 태스크나 이미지에 담긴 스타일 정보에 관계없이 범용적으로 활용될 수 있다.

이하에서는, 보다 이해의 편의를 제공하기 위해, 학습 대상 신경망이 컨볼루션 신경망에 기반하여 구현된 경우를 예로 들어 본 개시의 기술적 사상을 보다 상세하게 설명하도록 한다. 다만, 당해 기술 분야의 당업자라면, 이하에서 후술될 기술적 사상 또는 실시예들은 다른 종류의 신경망에도 용이하게 적용될 수 있음을 자명하게 이해할 수 있을 것이다. 이하, 도 10 내지 도 14를 참조하여 설명하도록 한다.

가령, 도 10에 도시된 바와 같이, 학습 대상 신경망(70)은 하나 이상의 컨볼루션 레이어(71), 정규화 레이어(73), 활성화 레이어(75) 등을 포함할 수 있다. 이때, 컨볼루션 레이어(71)는 컨볼루션 연산을 통해 입력된 데이터(e.g. 이미지, 특징 맵)로부터 특징 맵을 추출하는 레이어이고, 활성화 레이어(75)는 활성화 함수(activation function)을 통해 입력된 데이터에 대한 비선형 변환을 수행하는 레이어이다. 상기 활성화 함수는 시그모이드(sigmoid) 함수, ReLU(Rectified Linear Unit) 함수 등을 포함할 수 있을 것이나, 이외에도 다양한 활성화 함수가 포함될 수 있어서 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.

실시예에 따라, 학습 대상 신경망(70)은 풀링 레이어(pooling layer), 완전 연결 레이어(fully connected layer) 등을 더 포함할 수 있을 것이다. 그러나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.

도 10에 도시된 바와 같이, 정규화 레이어(73)는 컨볼루션 레이어(71)와 활성화 레이어(75) 사이에 위치하여, 컨볼루션 레이어(71)의 출력 데이터(즉, 특징 맵)를 정규화하여 활성화 레이어(75)의 입력으로 제공하는 역할을 수행할 수 있다. 다만, 정규화 레이어(73)의 위치, 개수 중 적어도 하나는 실시예에 따라 다양하게 선택될 수 있고, 설정될 수 있다.

도 11은 컨볼루션 레이어(83)의 입력 데이터와 출력 데이터를 예시한다. 특히, 도 11은 배치 사이즈가 N(단, N은 1 이상의 자연수)이고, 컨볼루션 레이어(83)가 C개(단, C는 1 이상의 자연수)의 컨볼루션 필터를 통해 컨볼루션 연산을 수행하는 것을 예시하고 있다.

도 11에 도시된 바와 같이, 컨볼루션 레이어(83)는 동일한 배치에 속한 트레이닝 샘플(81-1 내지 81-n)을 입력받을 수 있다. 그리고, 컨볼루션 레이어(83)는 각 트레이닝 샘플(81-1 내지 81-n)에 대응되는 특징 맵들(85-1 내지 85-n)을 출력할 수 있다. 가령, 트레이닝 샘플(81-1)로부터 C개의 채널에 대응되는 특징 맵들(85-1)이 추출될 수 있다. 물론, 컨볼루션 레이어(83)는 특징 맵을 입력으로 받을 수도 있고, 상기 특징 맵들을 입력받은 컨볼루션 레이어(83)는 C개의 컨볼루션 필터를 통해 C개의 특징 맵들을 출력할 수 있다.

도 12는 도 11에 도시된 특징 맵들(85-1 내지 85-n)에 대해 정규화가 수행될 수 있다. 특히, 도 12는 트레이닝 샘플(81-1)과 연관된 특징 맵들(85-1) 중에서 제1 특징 맵(91)을 정규화하는 것을 예시하고 있다.

도 12에 도시된 바와 같이, 제1 특징 맵(91)에 대하여 배치 정규화가 수행된다. 보다 자세하게는, 제1 특징 맵(91)이 속한 제1 채널의 배치(90, 즉 N개의 특징 맵)의 통계 정보를 이용하여 제1 특징 맵(91)이 정규화되고, 상기 정규화의 결과로 제1 특징 맵(91)이 제1 정규화 특징 맵(93)으로 변환된다. 전술한 바와 같이, 상기 통계 정보는 평균과 표준 편차를 포함할 수 있다. 또한, 여기서의 배치 정규화는 어파인 변환이 포함되지 않은 것을 의미하나, 다른 몇몇 실시예에서는 어파인 변환이 추가로 수행될 수도 있다.

상기 배치 정규화를 수식으로 표현하면 하기의 수학식 2와 같이 표기될 수 있다.

상기 수학식 2에서, x^(B) _nchw는 배치 정규화를 통해 변환된 정규화 특징 맵(normalized feature map, e.g. 93)을 의미하고, x_nchw는 정규화가 수행되기 이전의 특징 맵(e.g. 91)을 의미할 수 있다. 또한, c는 채널의 인덱스 의미하고, N, n은 배치(batch)의 인덱스를 의미하며, H, h 및 W, w는 공간적 위치(spatial location)을 의미할 수 있다. 그리고, μ는 평균을 의미하고, σ는 표준 편차를 의미할 수 있다. ε은 0으로 나누어지는 것을 방지하기 위한 파라미터로써, 매우 작은 값으로 설정될 수 있다.

다음으로, 제1 특징 맵(91)에 대하여 인스턴스 정규화가 수행된다. 보다 자세하게는, 제1 특징 맵(91)의 통계 정보를 이용하여 제1 특징 맵(91)이 정규화되고, 상기 정규화의 결과로 제1 특징 맵(91)이 제2 정규화 특징 맵(95)으로 변환된다. 여기서의 인스턴스 정규화는 어파인 변환이 포함되지 않은 것을 의미하나, 다른 몇몇 실시예에서는 어파인 변환이 추가로 수행될 수도 있다.

상기 인스턴스 정규화를 수식으로 표현하면 하기의 수학식 3과 같이 표기될 수 있다.

상기 수학식 3에서, x^(I)n _chw는 인스턴스 정규화를 통해 변환된 정규화 특징 맵(e.g. 95)을 의미하고, x_nchw는 정규화가 수행되기 이전의 특징 맵(e.g. 91)을 의미한다. 또한, c는 채널의 인덱스 의미하고, N, n은 배치(batch)의 인덱스를 의미하며, H, h 및 W, w는 공간적 위치(spatial location)을 의미할 수 있다. 그리고, μ는 평균을 의미하고, σ는 표준 편차를 의미할 수 있다. ε은 0으로 나누어지는 것을 방지하기 위한 파라미터로써, 매우 작은 값으로 설정될 수 있다.

다음으로, 제1 정규화 특징 맵(93)과 제2 정규화 특징 맵(95)이 종합되어 제3 정규화 특징 맵(미도시)이 생성되고, 상기 제3 정규화 특징 맵에 대해 어파인 변환이 수행되면 제1 특징 맵(91)에 대한 목표 정규화 특징 맵(97)이 생성될 수 있다. 이와 같은 과정은, 전술한 바와 같이, 학습 가능한 정규화 파라미터(ρ, γ, β)에 의해 수행될 수 있다. 즉, 목표 정규화 특징 맵(97)이 다음 레이어(e.g. 활성화 레이어 75)로 포워딩되어 예측 오차가 산출되고, 예측 오차가 역전파됨에 따라, 정규화 파라미터(ρ, γ, β)의 값은 신경망의 다른 가중치와 함께 업데이트될 수 있다. 그렇게 됨으로써, 트레이닝 샘플의 스타일 정보와 목적 태스크의 관계에 따라 정규화 파라미터(ρ, γ, β)의 값도 조정된다. 이를테면, 트레이닝 샘플의 스타일 정보가 목적 태스크를 수행하는데 중요한 정보인 경우, 정규화 파라미터(ρ)의 값은 배치 정규화가 중점이 되도록 조정될 수 있는 것이다.

상기 제1 채널에 속한 특징 맵들(90)과 동일하게, 제2 채널에 속한 특징 맵들에 대해서도 정규화가 수행될 수 있다. 가령, 상기 제2 채널에 속한 제2 특징 맵은 상기 제2 채널과 연관된 배치의 통계 정보를 이용하여 배치 정규화가 수행되고, 상기 제2 특징 맵 자체의 통계 정보를 이용하여 인스턴스 정규화가 수행되며, 두 가지의 정규화 결과가 정규화 파라미터(ρ)에 기초하여 종합될 수 있다.

한편, 본 개시의 다양한 실시예에 따르면, 정규화 파라미터(ρ)는 다양한 방식으로 정의될 수 있다.

예를 들어, 정규화 파라미터(ρ)는 하나의 레이어(layer)마다 하나씩 스칼라(scalar) 값으로 정의되거나 복수의 채널(channel)마다 하나씩 정의될 수 있다. 보다 구체적인 예를 들면, 도 13에 도시된 바와 같이, 제1 채널과 연관된 배치의 특징 맵들(101-1)과 제2 채널과 연관된 배치의 특징 맵들(101-2)은 동일한 정규화 파라미터(103)에 의해 정규화될 수 있다. 도 13은 모든 채널(즉, 모든 배치의 특징 맵들 101-1 내지 101-c)이 하나의 정규화 파라미터(103)를 공유하는 것을 예로써 도시하고 있으나, 일부 채널들끼리만 정규화 파라미터를 공유할 수도 있다.

다른 예로, 정규화 파라미터(ρ)는 하나의 채널(channel)마다 하나씩 정의될 수 있다. 보다 구체적인 예를 들면, 도 14에 도시된 바와 같이, 제1 채널과 연관된 배치의 특징 맵들(111-1)은 제1 정규화 파라미터(113-1)에 기초하여 정규화되고, 제2 채널과 연관된 배치의 특징 맵들(101-2)은 제2 정규화 파라미터(113-2)에 기초하여 정규화될 수도 있다. 즉, 각 채널에 대해 개별적으로 정규화 파라미터가 세팅되고 학습될 수도 있다. 이와 같은 경우, 채널 별로 정규화 기법의 활용 비율이 조절될 수 있는 바, 보다 세밀하고 정밀한 정규화가 수행될 수 있다.

지금까지 본 개시의 기술적 사상이 컨볼루션 신경망에 구체화된 예를 도 10 내지 도 14를 참조하여 상세하게 설명하였다. 상술한 바에 따르면, 이미지에 담긴 스타일 정보와 목적 태스크에 적응적으로 정규화가 수행될 수 있다. 또한, 그렇게 함으로써, 신경망의 성능은 크게 향상될 수 있다. 컨볼루션 신경망에 대한 성능 실험 결과에 대해서는 도 17 및 도 18을 참조하도록 한다.

이하에서는, 도 15를 참조하여 본 개시의 다른 몇몇 실시예에 따른 신경망 학습 방법에 대하여 설명하도록 한다. 본 실시예는 전술한 신경망 학습 방법을 보다 일반화한 것으로 이해될 수 있다. 본 실시예를 설명함에 있어서, 앞선 실시예와 중복되거나 유사한 내용에 대한 설명은 생략하도록 한다.

도 15는 본 개시의 다른 몇몇 실시예에 따른 신경망 학습 방법을 나타내는 예시적인 흐름도이다. 단, 이는 본 개시의 목적을 달성하기 위한 바람직한 실시예일 뿐이며, 필요에 따라 일부 단계가 추가되거나 삭제될 수 있음은 물론이다.

도 15에 도시된 바와 같이, 상기 신경망 학습 방법은 신경망의 제1 레이어로부터 트레이닝 샘플에 대한 출력 데이터를 획득하는 단계 S200에서 시작된다. 가령, 상기 제1 레이어가 컨볼루션 레이어인 경우, 상기 출력 데이터는 특징 맵을 의미하는 것일 수 있다.

단계 S220에서, 제1 정규화 기법을 이용하여 상기 출력 데이터가 제1 정규화 데이터로 변환된다.

단계 S240에서, 제2 정규화 기법을 이용하여 상기 출력 데이터가 제2 정규화 데이터로 변환된다.

본 개시의 다양한 실시예에 따르면, 상기 제1 정규화 기법과 상기 제2 정규화 기법은 배치 정규화(batch normalization), 인스턴스 정규화(instance normalization), 그룹 정규화(group normalization), 레이어 정규화(layer normalization) 등과 같이 다양한 정규화 기법을 포함할 수 있다. 그러나, 이에 한정되지 않고, 다른 정규화 기법이 더 포함될 수도 있다.

몇몇 실시예에서, 상기 제1 정규화 기법은 상기 트레이닝 샘플이 속한 배치의 통계 정보를 이용하여 상기 출력 데이터를 정규화하는 기법(즉, 배치 정규화 기법)이고, 상기 제2 정규화 기법은 상기 출력 데이터의 통계 정보를 이용하여 상기 출력 데이터를 정규화는 기법(즉, 인스턴스 정규화 기법)일 수 있다.

다른 몇몇 실시예에서, 상기 신경망은 컨볼루션 신경망에 기반한 것이고, 상기 출력 데이터는 각 채널에 대응되는 복수의 특징 맵을 포함할 수 있다. 또한, 상기 제1 정규화 기법은 배치 정규화 기법이고, 상기 제2 정규화 기법은 상기 복수의 특징 맵 중에서 특정 특징 맵이 속한 그룹의 통계 정보를 이용하여 상기 특정 특징 맵을 정규화하는 기법(즉, 그룹 정규화 기법)일 수 있다. 그룹 정규화 기법이 적용되는 경우, 배치 사이즈가 작을 때에도 신경망이 안정적으로 학습될 수 있다. 예를 들어, 배치 사이즈가 클 때에는 배치 정규화 기법에 의해 신경망이 안정적으로 학습될 수 있고, 배치 사이즈가 작을 때에도 그룹 정규화 기법에 의해 학습의 안정성이 보장될 수 있다.

상기 그룹 정규화 기법과 상기 배치 정규화 기법의 차이는 도 16에 도시되어 있다. 특히, 도 16은 배치의 사이즈가 N이고, 제1 내지 제n 트레이닝 샘플(121-1 내지 121-n)이 하나의 배치에 속한 경우를 예시하고 있다. 도 16에 도시된 바와 같이, 배치 정규화 기법은 배치의 통계 정보를 이용하여 채널 별로 정규화를 수행할 수 있다. 가령, 배치 정규화 기법은 제1 채널과 연관된 배치(123)의 통계 정보를 이용하여 배치(123)에 속한 각각의 특징 맵에 대하여 정규화를 수행할 수 있다. 이에 반해, 그룹 정규화 기법은 전체 C개의 채널 중 특정 그룹(e.g. 125, 127, 129)의 통계 정보를 이용하여 각 그룹(e.g. 125, 127, 129)에 대한 정규화를 수행하는 기법이다. 이때, 각 그룹(e.g. 125, 127, 129)은 하나의 트레이닝 샘플(e.g. 121-1, 121-2, 121-n)과 연관될 수 있다. 전체 채널을 포함하도록 그룹이 설정되면, 상기 그룹 정규화 기법은 레이어 정규화(layer normalization) 기법과 동일한 동작을 수행할 수도 있다. 당해 기술 분야의 당업자라면, 상기 그룹 정규화 기법에 대해 자명하게 이해할 수 있을 것인 바, 이에 대한 더 이상의 설명은 생략하도록 한다.

또 다른 몇몇 실시예에서, 상기 신경망은 컨볼루션 신경망에 기반한 것이고, 상기 출력 데이터는 각 채널에 대응되는 복수의 특징 맵을 포함할 수 있다. 또한, 상기 제1 정규화 기법은 그룹 정규화 기법이고, 상기 제2 정규화 기법은 인스턴스 정규화 기법일 수 있다.

또 다른 몇몇 실시예에서, 배치 정규화 기법, 인스턴스 정규화 기법 및 그룹 정규화 기법(또는 레이어 정규화 기법)이 함께 활용될 수 있다. 이와 같은 경우, 상기 출력 데이터는 각각의 정규화 기법에 의해 변환되고, 변환된 데이터를 종합하여 목표 정규화 데이터가 생성될 수 있다. 본 실시예에 따르면, 신경망 학습의 안정도와 스타일 정보의 양이 동시에 조절될 수 있다. 예를 들어, 배치 사이즈가 클 때에는 배치 정규화 기법에 의해 신경망이 안정적으로 학습될 수 있고, 배치 사이즈가 작더라도 그룹 정규화 기법에 의해 학습의 안정성이 보장될 수 있다. 또한, 인스턴스 정규화 기법에 의해 스타일 정보의 양이 자동으로 조절될 수 있다. 예를 들어, 목표 태스크가 스타일 정보를 필요로 하지 않는 경우, 인스턴스 정규화의 반영 비율을 조절하는 파라미터가 1에 가깝게 학습됨으로써, 신경망의 학습에 스타일 정보가 거의 이용되지 않도록 조절될 수 있다.

단계 S260에서, 제1 정규화 데이터와 제2 정규화 데이터를 종합하여 목표 정규화 데이터가 생성된다. 본 단계 S260에 대한 자세한 설명은 도 7 및 도 8을 참조하도록 한다.

단계 S280에서, 상기 목표 정규화 데이터가 신경망의 제2 레이어의 입력으로 제공된다. 그러면, 상기 목표 정규화 데이터가 상기 제2 레이어를 통해 포워딩됨으로써, 상기 트레이닝 샘플에 대한 신경망의 예측 값이 출력될 수 있다. 또한, 상기 예측 값과 상기 트레이닝 샘플의 정답과의 오차가 역전파되어, 상기 신경망이 가중치가 업데이트될 수 있다. 물론, 상기 가중치와 함께 정규화 파라미터 또한 업데이트될 수 있다.

한편, 지금까지 서술된 실시예들은 2개의 정규화 기법이 활용되는 것을 가정하여 설명하였다. 그러나, 다른 몇몇 실시예에서는, 3개 이상의 정규화 기법이 동시에 활용될 수도 있다.

지금까지 도 15 및 도 16을 참조하여 본 개시의 다른 몇몇 실시예에 따른 신경망 학습 방법에 대하여 설명하였다. 상술한 방법에 따르면, 다양한 정규화 기법이 학습 가능한 파라미터에 기초하여 조합될 수 있다. 즉, 본 개시의 기술적 사상에 따르면, 학습 가능한 파라미터(ρ)를 통해, 서로 다른 정규화 방식이 목적 태스크에 따라 적응적으로 적용될 수 있다. 예를 들면, 학습 가능한 파라미터(ρ)를 통해, 서로 다른 정규화 방식인 배치 정규화 방식과 인스턴스 정규화 방식이 목적 태스크에 따라 적응적으로 적용될 수 있다. 또한, 이로 인해, 다양한 도메인과 목적 태스크에 적용될 수 있는 범용적인 정규화 기법이 제공될 수 있다.

이하에서는, 도 17 및 도 18를 참조하여 본 개시를 통해 제안된 정규화 기법에 대한 실험 결과에 대하여 간략하게 소개하도록 한다. 도 17 및 도 18에서 "BIN"은 제안된 정규화 기법을 통해 배치 정규화 기법과 인스턴스 정규화 기법이 동시에 활용된 경우를 의미하고, "BN"은 배치 정규화 기법을 의미하며, "IN"은 인스턴스 정규화 기법을 의미한다. 또한, "BN+IN"은 배치 정규화 기법과 인스턴스 정규화 기법이 각각 독립적으로 수행된 경우를 의미한다.

먼저, 도 17은 일반적인 객체 인식 태스크를 수행하는 신경망에 대한 성능 평가 결과를 도시하고 있는데, 왼편의 그래프(131)는 트레이닝 데이터셋으로 평가된 정확도를 나타내고, 오른편의 그래프(133)는 테스트 데이터셋으로 평가된 정확도를 나타내고 있다. 또한, 상기 신경망의 학습 및 평가를 위해 CIFAR-100 데이터셋이 이용되었다.

도 17을 참조하면, 제안된 기법("BIN")의 정확도와 배치 정규화 기법("BN")의 정확도가 가장 높은 것을 확인할 수 있다. 이는, 상기 객체 인식 태스크를 수행하는 신경망은 배치 정규화 기법("BN")을 이용하여 학습되는 것이 적절하다는 것을 의미하고, 이와 동시에 제안된 기법("BIN")은 상기 객체 인식 태스크와 이미지셋에 담긴 스타일 정보를 고려하여 지능적으로 배치 정규화 기법에 중점을 두고 정규화를 수행했다는 것을 의미한다.

다음으로, 도 18은 스타일 변환(style transfer) 태스크를 수행하는 신경망에 대한 성능 평가 결과를 도시하고 있는데, 각각의 그래프(141, 143, 145)는 서로 다른 도메인의 데이터셋으로 평가된 로스(loss)의 정도를 나타낸다. 또한, 상단의 그래프들은 콘텐트 로스(content loss)를 나타내고, 하단의 그래프들은 스타일 로스(style loss)를 나타낸다. 또한, 상기 신경망의 학습 및 평가를 위해 오피스 홈 데이터셋(office home dataset)이 이용되었다.

당해 기술 분야에서, 스타일 변환 태스크는 특히 스타일 정보를 요구하지 않는 태스크로 잘 알려져 있으며, 그 특성 상 인스턴스 정규화 기법이 주로 활용된다. 도 18에 도시된 그래프(141 내지 145) 또한 스타일 변환 태스크의 특성을 잘 보여주고 있는데, 이는 배치 정규화 기법("BN")의 콘텐트 로스와 스타일 로스가 가장 크고, 인스턴스 정규화 기법("IN")의 콘텐트 로스와 스타일 로스가 가장 작은 것으로 알 수 있다.

또한, 도메인에 관계없이, 제안된 기법("BIN")의 콘텐트 로스와 스타일 로스는 인스턴스 정규화 기법("IN")과 유사한 것을 확인할 수 있는데, 이는 제안된 기법("BIN")이 상기 스타일 변환 태스크의 특성을 고려하여 지능적으로 인스턴스 정규화 기법에 중점을 두고 정규화를 수행했다는 것을 의미한다.

도 17 및 도 18에 도시된 실험 결과를 참고하면, 본 개시를 통해 제안된 기법("BIN")은 이미지셋에 담긴 스타일 정보와 목적 태스크의 특성을 고려하여 적응적으로(또는 지능적으로) 정규화 기법의 활용 비율을 조정한다는 것을 확인할 수 있다. 또한, 제안된 기법("BIN")은 스타일 정보와 목적 태스크뿐만 아니라 도메인에 관계없이 범용적으로 활용될 수 있다는 것을 확인할 수 있다.

지금까지 도 17 및 도 18을 참조하여 제안된 정규화 기법에 대한 실험 결과에 대하여 설명하였다. 이하에서는, 도 19를 참조하여 본 개시의 다양한 실시예들에 따른 신경망 학습 장치(e.g. 도 4의 학습 장치 30)를 구현할 수 있는 예시적인 컴퓨팅 장치(200)에 대하여 설명하도록 한다.

도 19는 컴퓨팅 장치(200)를 나타내는 예시적인 하드웨어 구성도이다.

도 19에 도시된 바와 같이, 컴퓨팅 장치(200)는 하나 이상의 프로세서(210), 버스(250), 통신 인터페이스(270), 프로세서(210)에 의하여 수행되는 컴퓨터 프로그램을 로드(load)하는 메모리(230)와, 컴퓨터 프로그램(291)을 저장하는 스토리지(290)를 포함할 수 있다. 다만, 도 19에는 본 개시의 실시예와 관련 있는 구성요소들만이 도시되어 있다. 따라서, 본 개시가 속한 기술분야의 통상의 기술자라면 도 19에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다. 즉, 컴퓨팅 장치(200)에는, 도 19에 도시된 구성 요소 이외에도 다양한 구성 요소가 더 포함될 수 있다.

프로세서(210)는 컴퓨팅 장치(200)의 각 구성의 전반적인 동작을 제어한다. 프로세서(210)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 개시의 기술 분야에 잘 알려진 임의의 형태의 프로세서 중 적어도 하나를 포함하여 구성될 수 있다. 또한, 프로세서(210)는 본 개시의 실시예들에 따른 방법/동작을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 컴퓨팅 장치(200)는 하나 이상의 프로세서를 구비할 수 있다.

메모리(230)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(230)는 본 개시의 다양한 실시예들에 따른 방법/동작을 실행하기 위하여 스토리지(290)로부터 하나 이상의 프로그램(291)을 로드할 수 있다. 메모리(230)는 RAM과 같은 휘발성 메모리로 구현될 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.

버스(250)는 컴퓨팅 장치(200)의 구성 요소 간 통신 기능을 제공한다. 버스(250)는 주소 버스(Address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.

통신 인터페이스(270)는 컴퓨팅 장치(200)의 유무선 인터넷 통신을 지원한다. 또한, 통신 인터페이스(270)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 통신 인터페이스(270)는 본 개시의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다. 경우에 따라, 통신 인터페이스(270)는 생략될 수도 있다.

스토리지(290)는 상기 하나 이상의 프로그램(291)을 비임시적으로 저장할 수 있다. 스토리지(290)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 개시가 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.

컴퓨터 프로그램(291)은 메모리(230)에 로드될 때 프로세서(210)로 하여금 본 개시의 다양한 실시예에 따른 방법/동작을 수행하도록 하는 하나 이상의 인스트럭션들(instructions)을 포함할 수 있다. 즉, 프로세서(210)는 상기 하나 이상의 인스트럭션들을 실행함으로써, 본 개시의 다양한 실시예에 따른 방법들을 수행할 수 있다. 또한, 상술한 다양한 실시예들은 프로세서(210)가 하나 이상의 인스트럭션들을 실행함으로써 수행될 수 있다.

예를 들어, 컴퓨터 프로그램(291)은 트레이닝 샘플에 대한 상기 신경망의 제1 레이어의 출력 데이터를 얻는 동작, 상기 트레이닝 샘플이 속한 배치의 통계 정보를 이용하여 상기 출력 데이터를 제1 정규화 데이터로 변환하는 동작, 상기 출력 데이터의 통계 정보를 이용하여 상기 출력 데이터를 제2 정규화 데이터로 변환하는 동작, 학습 가능한 파라미터를 기초로 상기 제1 정규화 데이터와 상기 제2 정규화 데이터를 종합하여 목표 정규화 데이터를 생성하는 동작 및 상기 목표 정규화 데이터를 상기 신경망의 제2 레이어의 입력으로 제공하는 동작을 수행하도록 하는 인스트럭션들을 포함할 수 있다. 이와 같은 경우, 컴퓨팅 장치(200)를 통해 본 개시의 몇몇 실시예에 따른 신경망 학습 장치(e.g. 30)가 구현될 수 있다.

다른 예를 들어, 컴퓨터 프로그램(291)은 트레이닝 샘플에 대한 상기 신경망의 제1 레이어의 출력 데이터를 얻는 동작, 제1 정규화 기법을 이용하여 상기 출력 데이터를 제1 정규화 데이터로 변환하는 동작, 제2 정규화 기법을 이용하여 상기 출력 데이터를 제2 정규화 데이터로 변환하는 동작, 학습 가능한 파라미터를 기초로 상기 제1 정규화 데이터와 상기 제2 정규화 데이터를 종합하여 목표 정규화 데이터를 생성하는 동작 및 상기 목표 정규화 데이터를 상기 신경망의 제2 레이어의 입력으로 제공하는 동작을 수행하도록 하는 인스트럭션들을 포함할 수 있다. 이와 같은 경우, 컴퓨팅 장치(200)를 통해 본 개시의 다른 몇몇 실시예에 따른 신경망 학습 장치(e.g. 30)가 구현될 수 있다.

지금까지 도 1 내지 도 19를 참조하여 본 개시의 다양한 실시예들과 그 실시예들에 따른 효과들을 언급하였다. 본 개시의 기술적 사상에 따른 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

지금까지 도 1 내지 도 19를 참조하여 설명된 본 개시의 기술적 사상은 컴퓨터가 읽을 수 있는 매체 상에 컴퓨터가 읽을 수 있는 코드로 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체는, 예를 들어 이동형 기록 매체(CD, DVD, 블루레이 디스크, USB 저장 장치, 이동식 하드 디스크)이거나, 고정식 기록 매체(ROM, RAM, 컴퓨터 구비 형 하드 디스크)일 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체에 기록된 상기 컴퓨터 프로그램은 인터넷 등의 네트워크를 통하여 다른 컴퓨팅 장치에 전송되어 상기 다른 컴퓨팅 장치에 설치될 수 있고, 이로써 상기 다른 컴퓨팅 장치에서 사용될 수 있다.

이상에서, 본 개시의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 개시의 기술적 사상이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 개시의 목적 범위 안에서라면, 그 모든 구성요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다.

도면에서 동작들이 특정한 순서로 도시되어 있지만, 반드시 동작들이 도시된 특정한 순서로 또는 순차적 순서로 실행되어야만 하거나 또는 모든 도시 된 동작들이 실행되어야만 원하는 결과를 얻을 수 있는 것으로 이해되어서는 안 된다. 특정 상황에서는, 멀티태스킹 및 병렬 처리가 유리할 수도 있다. 더욱이, 위에 설명한 실시예들에서 다양한 구성들의 분리는 그러한 분리가 반드시 필요한 것으로 이해되어서는 안 되고, 설명된 프로그램 컴포넌트들 및 시스템들은 일반적으로 단일 소프트웨어 제품으로 함께 통합되거나 다수의 소프트웨어 제품으로 패키지 될 수 있음을 이해하여야 한다.

이상 첨부된 도면을 참조하여 본 개시의 실시예들을 설명하였지만, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 본 개시가 다른 구체적인 형태로도 실시될 수 있다는 것을 이해할 수 있다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로 이해해야만 한다. 본 개시의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 개시에 의해 정의되는 기술적 사상의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims

컴퓨팅 장치에서 신경망(neural network)을 학습하는 방법에 있어서,
입력 데이터에 대한 상기 신경망의 제1 레이어의 출력 데이터를 획득하는 단계;
제1 정규화 기법을 이용하여 상기 출력 데이터를 제1 정규화 데이터로 정규화하는 단계;
상기 제1 정규화 기법과는 다른 제2 정규화 기법을 이용하여 상기 출력 데이터를 제2 정규화 데이터로 정규화하는 단계;
학습 가능한 파라미터(learnable parameter)를 기초로 상기 제1 정규화 데이터와 상기 제2 정규화 데이터의 반영 비율을 조절하고, 상기 조절된 반영 비율이 반영된 상기 제1 정규화 데이터와 상기 제2 정규화 데이터를 합하여 제3 정규화 데이터를 생성하는 단계; 및
상기 제3 정규화 데이터를 상기 신경망의 제2 레이어의 입력으로 제공하는 단계를 포함하는,
신경망 학습 방법.
제1항에 있어서,
상기 제1 정규화 기법은 상기 입력 데이터가 속한 배치의 통계 정보를 이용하여 상기 출력 데이터를 정규화하는 배치 정규화(batch normalization)를 포함하고,
상기 제2 정규화 기법은 상기 출력 데이터의 통계 정보를 이용하여 상기 출력 데이터를 정규화하는 인스턴스 정규화(instance normalization)를 포함하는
신경망 학습 방법.
제1항에 있어서,
상기 제3 정규화 데이터를 상기 제2 레이어를 통해 포워딩하여 상기 입력 데이터와 관련된 예측 오차를 산출하는 단계; 및
상기 산출된 예측 오차를 역전파하여 상기 학습 가능한 파라미터의 값을 업데이트하는 단계를 더 포함하는
신경망 학습 방법.
제1항에 있어서,
상기 제3 정규화 데이터를 생성하는 단계는
상기 제1 정규화 데이터를 상기 제3 정규화 데이터에 반영하는 제1 비율과 상기 제2 정규화 데이터를 상기 제3 정규화 데이터에 반영하는 제2 비율을 서로 반비례하도록 조절하는 단계와,
상기 조절된 제1 비율 및 제2 비율을 기초로, 상기 제1 정규화 데이터와 상기 제2 정규화 데이터를 합하여 상기 제3 정규화 데이터를 생성하는 단계를 포함하는
신경망 학습 방법.
제1항에 있어서,
상기 학습 가능한 파라미터는
각각의 레어어(layer) 또는 각각의 채널(channel)마다 정의되는
신경망 학습 방법.
하나 이상의 인스트럭션들(instructions)을 저장하는 메모리; 및
상기 저장된 하나 이상의 인스트럭션들을 실행함으로써,
입력 데이터에 대한 신경망(neural network)의 제1 레이어의 출력 데이터를 획득하고,
제1 정규화 기법을 이용하여 상기 출력 데이터를 제1 정규화 데이터로 정규화하고,
상기 제1 정규화 기법과는 다른 제2 정규화 기법을 이용하여 상기 출력 데이터를 제2 정규화 데이터로 정규화하고,
학습 가능한 파라미터(learnable parameter)를 기초로 상기 제1 정규화 데이터와 상기 제2 정규화 데이터의 반영 비율을 조절하고, 상기 조절된 반영 비율이 반영된 상기 제1 정규화 데이터와 상기 제2 정규화 데이터를 합하여 제3 정규화 데이터를 생성하고,
상기 제3 정규화 데이터를 상기 신경망의 제2 레이어의 입력으로 제공하는 프로세서를 포함하는
신경망 학습 장치.
제6항에 있어서,
상기 제1 정규화 기법은 상기 입력 데이터가 속한 배치의 통계 정보를 이용하여 상기 출력 데이터를 정규화하는 배치 정규화(batch normalization)를 포함하고,
상기 제2 정규화 기법은 상기 출력 데이터의 통계 정보를 이용하여 상기 출력 데이터를 정규화하는 인스턴스 정규화(instance normalization)를 포함하는,
신경망 학습 장치.
제6항에 있어서,
상기 프로세서는
상기 제3 정규화 데이터를 상기 제2 레이어를 통해 포워딩하여 상기 입력 데이터와 연관된 예측 오차를 산출하고,
상기 산출된 예측 오차를 역전파하여 상기 학습 가능한 파라미터의 값을 업데이트하는
신경망 학습 장치.
제6항에 있어서,
상기 프로세서는
상기 제1 정규화 데이터를 상기 제3 정규화 데이터에 반영하는 제1 비율과 상기 제2 정규화 데이터를 상기 제3 정규화 데이터에 반영하는 제2 비율을 서로 반비례하도록 조절하고,
상기 조절된 제1 비율 및 제2 비율을 기초로, 상기 제1 정규화 데이터와 상기 제2 정규화 데이터를 합하여 상기 제3 정규화 데이터를 생성하는
신경망 학습 장치.
제6항에 있어서,
상기 학습 가능한 파라미터는
각각의 레어어(layer) 또는 각각의 채널(channel)마다 정의되는
신경망 학습 장치.
하드웨어와 결합되어,
입력 데이터에 대한 신경망(neural network)의 제1 레이어의 출력 데이터를 획득하는 단계;
제1 정규화 기법을 이용하여 상기 출력 데이터를 제1 정규화 데이터로 정규화하는 단계;
상기 제1 정규화 기법과는 다른 제2 정규화 기법을 이용하여 상기 출력 데이터를 제2 정규화 데이터로 정규화하는 단계;
학습 가능한 파라미터(learnable parameter)를 기초로 상기 제1 정규화 데이터와 상기 제2 정규화 데이터의 반영 비율을 조절하고, 상기 조절된 반영 비율이 반영된 상기 제1 정규화 데이터와 상기 제2 정규화 데이터를 합하여 제3 정규화 데이터를 생성하는 단계; 및
상기 제3 정규화 데이터를 상기 신경망의 제2 레이어의 입력으로 제공하는 단계를 실행시키기 위하여 매체에 저장된
컴퓨터 프로그램.
제11항에 있어서,
상기 제1 정규화 기법은 상기 입력 데이터가 속한 배치의 통계 정보를 이용하여 상기 출력 데이터를 정규화하는 배치 정규화(batch normalization)를 포함하고,
상기 제2 정규화 기법은 상기 출력 데이터의 통계 정보를 이용하여 상기 출력 데이터를 정규화하는 인스턴스 정규화(instance normalization)를 포함하는
컴퓨터 프로그램.
제11항에 있어서,
상기 제3 정규화 데이터를 상기 제2 레이어를 통해 포워딩하여 상기 입력 데이터와 연관된 예측 오차를 산출하는 단계; 및
상기 산출된 예측 오차를 역전파하여 상기 학습 가능한 파라미터의 값을 업데이트하는 단계를 더 포함하여 실행시키기 위하여 매체에 저장된
컴퓨터 프로그램.
제11항에 있어서,
상기 제3 정규화 데이터를 생성하는 단계는
상기 제1 정규화 데이터를 상기 제3 정규화 데이터에 반영하는 제1 비율과 상기 제2 정규화 데이터를 상기 제3 정규화 데이터에 반영하는 제2 비율을 서로 반비례하도록 조절하는 단계와,
상기 조절된 제1 비율 및 제2 비율을 기초로, 상기 제1 정규화 데이터와 상기 제2 정규화 데이터를 합하여 상기 제3 정규화 데이터를 생성하는 단계를 포함하여 실행시키기 위하여 매체에 저장된
컴퓨터 프로그램.
제11항에 있어서,
상기 학습 가능한 파라미터는
각각의 레어어(layer) 또는 각각의 채널(channel)마다 정의되는
컴퓨터 프로그램.