KR102191773B1 - 레고형 딥러닝 학습엔진 생성 장치 및 방법 - Google Patents

레고형 딥러닝 학습엔진 생성 장치 및 방법 Download PDF

Info

Publication number
KR102191773B1
KR102191773B1 KR1020180103530A KR20180103530A KR102191773B1 KR 102191773 B1 KR102191773 B1 KR 102191773B1 KR 1020180103530 A KR1020180103530 A KR 1020180103530A KR 20180103530 A KR20180103530 A KR 20180103530A KR 102191773 B1 KR102191773 B1 KR 102191773B1
Authority
KR
South Korea
Prior art keywords
learning
learning engine
lego
deep learning
target
Prior art date
Application number
KR1020180103530A
Other languages
English (en)
Other versions
KR20200027096A (ko
Inventor
한승완
Original Assignee
한국전자통신연구원
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 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020180103530A priority Critical patent/KR102191773B1/ko
Publication of KR20200027096A publication Critical patent/KR20200027096A/ko
Application granted granted Critical
Publication of KR102191773B1 publication Critical patent/KR102191773B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)

Abstract

레고형 딥러닝 학습엔진 생성 장치 및 방법이 개시된다. 본 발명의 일실시예에 따른 레고형 딥러닝 학습엔진 생성 장치는 사용자로부터 입력 받은 자연어 정보 및 영상 정보 중 적어도 하나 이상을 이용하여 사용자 의향을 분석하는 사용자 의향 분석부; 상기 사용자 의향에 상응하는 목적 작업을 추천하는 목적 작업 추천부 및 상기 목적 작업을 수행하기 위한 복수개의 학습엔진들을 선택하고, 상기 복수개의 학습엔진들을 조합하여 레고형 딥러닝 학습엔진을 생성하는 학습엔진 생성부를 포함한다.

Description

레고형 딥러닝 학습엔진 생성 장치 및 방법 {APPARATUS AND METHOD FOR GENERATING LEARNING ENGINE BASED ON DEEP LEARING OF LEGO TYPE}
본 발명은 딥러닝(Deep learning) 기술에 관한 것으로, 보다 상세하게는 딥러닝 학습엔진 생성 기술에 관한 것이다.
최근 딥러닝 기술이 각광을 받으면서 자율주행, 보안, 관제, 방범 등 다양한 분야에서 지능화된 기능 제공을 위해 딥러닝 기술기반 학습엔진을 활용하고 있다. 딥러닝을 이용한 학습엔진은 기존의 다른 AI 기술에 기반은 둔 학습엔진보다 월등히 뛰어난 지능 성능을 보이고 있다. 그러나, 딥러닝 기술 기반의 지능을 제공하는 학습엔진을 생성하기 위해서는 딥 네트워크 설계, 학습 함수 설정, 파라미터 튜닝 등 여러 가지 어려운 난관이 있다. 이러한 문제들은 딥러닝 전문가가 아니면 쉽게 할 수 없어, 누구나 쉽게 딥러닝 기반 학습엔진을 갖기 어렵다. 또한 학습엔진을 생성할 때마다, 딥러닝의 공통적인 요소를 중복 사용하게 되어, 동일한 과정을 반복 수행해야 하는 문제가 있다.
한편, 한국등록특허 제 10-1787611 호“딥 러닝 기반의 자가 적응 학습 엔진 모듈”는 자가 적응 기술과 딥 러닝 기반의 학습 기술을 결합하여, DNA 미션을 자가 조직하고 인공신경망 DNA 모델을 자가 구성함으로써, 상황을 이해해서 스스로 미션을 파악하고 모델을 만들어 상황을 해결하는 인간의 두뇌 메커니즘을 효과적으로 구현할 수 있는, 딥 러닝 기반의 자가 적응 학습 엔진 모듈 제공에 관하여 개시하고 있다.
본 발명은 사용자의 의향을 분석하여 딥러닝에 관한 전문적 지식이 없는 사용자라도 어려움 없이 사용자에게 필요한 레고형 딥러닝 학습엔진을 자동 생성하여 제공하는 것을 목적으로 한다.
또한, 본 발명은 레고형 딥러닝 학습 엔진 생성에 있어서, 반복적인 과정 및 시스템 중복을 제거하여 효율적으로 레고형 딥러닝 학습엔진을 생성하는 것을 목적으로 한다.
상기한 목적을 달성하기 위한 본 발명의 일실시예에 따른 레고형 딥러닝 학습엔진 생성 장치는 사용자로부터 입력 받은 자연어 정보 및 영상 정보 중 적어도 하나 이상을 이용하여 사용자 의향을 분석하는 사용자 의향 분석부; 상기 사용자 의향에 상응하는 목적 작업을 추천하는 목적 작업 추천부 및 상기 목적 작업을 수행하기 위한 복수개의 학습엔진들을 선택하고, 상기 복수개의 학습엔진들을 조합하여 레고형 딥러닝 학습엔진을 생성하는 학습엔진 생성부를 포함한다.
이 때, 상기 레고형 딥러닝 학습엔진 생성 장치는 상기 목적 작업을 상기 사용자에게 추천하여 사용자 의향에 상응하는 목적 작업인지 확인하는 학습엔진 요청부를 더 포함할 수 있다.
이 때, 상기 목적 작업 추천부는 상기 사용자 의향과 목적 작업 풀(POOL)에 기저장된 복수개의 목적 작업들과의 작업유사도를 계산하여 가장 높은 작업유사도를 갖는 어느 하나의 목적 작업을 추천할 수 있다.
이 때, 상기 목적 작업 추천부는 상기 목적 작업들에 기설정된 조건에 따라 가중치를 설정하고, 상기 가중치가 설정된 목적 작업들로부터 계산된 작업유사도의 가중합(WEIGHTED SUM)을 산출하여 상기 어느 하나의 목적 작업을 추천할 수 있다.
이 때, 상기 학습엔진 요청부는 상기 목적 작업이 상기 사용자 의향에 상응하지 않는 경우, 사용자 의향 분석을 위한 추가 정보 입력 요청 및 작업유사도 계산 재요청 중 어느 하나를 수행할 수 있다.
이 때, 상기 목적 작업 추천부는 상기 작업유사도 계산 재요청을 받은 경우, 차순위 목적 작업 추천 및 기추천한 목적 작업을 제외한 작업유사도 계산 수행 중 어느 하나를 수행할 수 있다.
이 때, 상기 학습엔진 생성부는 상기 딥러닝 네트워크 구조, 상기 딥러닝 네트워크 구조에 상응하는 딥러닝 모델 및 딥러닝 네트워크의 손실 함수(LOSS FUNCTION) 중 적어도 하나 이상을 고려하여 상기 목적 작업을 수행하기 위한 복수개의 학습엔진들을 선택할 수 있다.
이 때, 상기 학습엔진 생성부는 상기 수행 가능한 목적 작업의 개수가 기설정된 개수 이상인 학습엔진을 학습엔진 풀(POOL)에 저장하여, 학습엔진 선택에 우선적으로 선택되기 위한 우선 순위를 부여할 수 있다.
이 때, 상기 학습엔진 생성부는 기설정된 하이퍼 파라미터 설정값, 학습률 설정값 및 학습 횟수 설정값 중 적어도 하나 이상을 고려하여 상기 복수개의 학습엔진들을 조합한 상기 레고형 딥러닝 학습엔진을 생성할 수 있다.
또한, 상기한 목적을 달성하기 위한 본 발명의 일실시예에 따른 레고형 딥러닝 학습엔진 생성 방법은 레고형 딥러닝 학습엔진 생성 장치의 레고형 딥러닝 학습엔진 생성 방법에 있어서, 사용자로부터 입력 받은 자연어 정보 및 영상 정보 중 적어도 하나 이상을 이용하여 사용자 의향을 분석하는 단계; 상기 사용자 의향에 상응하는 목적 작업을 추천하는 단계 및 상기 목적 작업을 수행하기 위한 복수개의 학습엔진들을 선택하고, 상기 복수개의 학습엔진들을 조합하여 레고형 딥러닝 학습엔진을 생성하는 단계를 포함한다.
이 때, 상기 레고형 딥러닝 학습엔진 생성 방법는 상기 목적 작업을 상기 사용자에게 추천하여 사용자 의향에 상응하는 목적 작업인지 확인하는 단계를 더 포함할 수 있다.
이 때, 상기 목적 작업을 추천하는 단계는 상기 사용자 의향과 목적 작업 풀(POOL)에 기저장된 복수개의 목적 작업들과의 작업유사도를 계산하여 가장 높은 작업유사도를 갖는 어느 하나의 목적 작업을 추천할 수 있다.
이 때, 상기 목적 작업을 추천하는 단계는 상기 목적 작업들에 기설정된 조건에 따라 가중치를 설정하고, 상기 가중치가 설정된 목적 작업들로부터 계산된 작업유사도의 가중합(WEIGHTED SUM)을 산출하여 상기 어느 하나의 목적 작업을 추천할 수 있다.
이 때, 상기 목적 작업인지 확인하는 단계는 상기 목적 작업이 상기 사용자 의향에 상응하지 않는 경우, 사용자 의향 분석을 위한 추가 정보 입력 요청 및 작업유사도 계산 재요청 중 어느 하나를 수행할 수 있다.
이 때, 상기 목적 작업을 추천하는 단계는 상기 작업유사도 계산 재요청을 받은 경우, 차순위 목적 작업 추천 및 기추천한 목적 작업을 제외한 작업유사도 계산 수행 중 어느 하나를 수행할 수 있다.
이 때, 상기 학습엔진을 생성하는 단계는 상기 딥러닝 네트워크 구조, 상기 딥러닝 네트워크 구조에 상응하는 딥러닝 모델 및 딥러닝 네트워크의 손실 함수(LOSS FUNCTION) 중 적어도 하나 이상을 고려하여 상기 목적 작업을 수행하기 위한 복수개의 학습엔진들을 선택할 수 있다.
이 때, 상기 학습엔진을 생성하는 단계는 상기 수행 가능한 목적 작업의 개수가 기설정된 개수 이상인 학습엔진을 학습엔진 풀(POOL)에 저장하여, 학습엔진 선택에 우선적으로 선택되기 위한 우선 순위를 부여할 수 있다.
이 때, 상기 학습엔진을 생성하는 단계는 기설정된 하이퍼 파라미터 설정값, 학습률 설정값 및 학습 횟수 설정값 중 적어도 하나 이상을 고려하여 상기 복수개의 학습엔진들을 조합한 상기 레고형 딥러닝 학습엔진을 생성할 수 있다.
본 발명은 사용자의 의향을 자동 분석하여 딥러닝에 관한 전문적 지식이 없는 사용자라도 어려움 없이 사용자에게 필요한 레고형 딥러닝 학습엔진을 자동 생성하여 제공할 수 있다.
또한, 본 발명은 레고형 딥러닝 학습엔진 생성에 있어서, 반복적인 과정 및 시스템 중복을 제거하여 효율적으로 레고형 딥러닝 학습 엔진을 생성할 수 있다.
도 1은 본 발명의 일실시예에 따른 레고형 딥러닝 학습엔진 생성 장치를 나타낸 블록도이다.
도 2는 도 1에 도시된 사용자 의향 분석부의 일 예를 세부적으로 나타낸 블록도이다.
도 3은 도 1에 도시된 목적 작업 추천부의 일 예를 세부적으로 나타낸 블록도이다.
도 4는 도 1에 도시된 학습엔진 생성부의 일 예를 세부적으로 나타낸 블록도이다.
도 5는 본 발명의 일실시예에 따른 레고형 딥러닝 학습엔진 생성 방법을 나타낸 동작흐름도이다.
도 6은 본 발명의 일실시예에 따른 컴퓨터 시스템을 나타낸 도면이다.
본 발명을 첨부된 도면을 참조하여 상세히 설명하면 다음과 같다. 여기서, 반복되는 설명, 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능, 및 구성에 대한 상세한 설명은 생략한다. 본 발명의 실시형태는 당 업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위해서 제공되는 것이다. 따라서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일실시예에 따른 레고형 딥러닝 학습엔진 생성 장치를 나타낸 블록도이다. 도 2는 도 1에 도시된 사용자 의향 분석부의 일 예를 세부적으로 나타낸 블록도이다. 도 3은 도 1에 도시된 목적 작업 추천부의 일 예를 세부적으로 나타낸 블록도이다. 도 4는 도 1에 도시된 학습엔진 생성부의 일 예를 세부적으로 나타낸 블록도이다.
도 1을 참조하면, 본 발명의 일실시예에 따른 레고형 딥러닝 학습엔진 생성 장치는 사용자 입력부(110), 사용자 의향 분석부(120), 목적 작업 추천부(130), 학습엔진 요청부(140), 학습엔진 생성부(150) 및 학습엔진 테스트부(160)를 포함한다.
사용자 입력부(110)는 사용자로부터 딥러닝을 활용하여 수행하고 싶은 작업과 관련된 정보를 사용자 입력 인터페이스를 통해 텍스트, 이미지, 오디오 및 동영상 등을 입력 받을 수 있다.
예를 들어, 딥러닝을 활용하여 수행하는 대표적인 작업은 이미지 분류, 객체 탐지, 객체 추적, 세그먼테이션, 번역 및 비디오 캡셔닝 등이 있다.
사용자 의향 분석부(120)는 사용자로부터 입력 받은 자연어 정보 및 영상 정보 중 적어도 하나 이상을 이용하여 사용자 의향을 분석할 수 있다.
도 2를 참조하면, 사용자 의향 분석부(120)는 자연어 처리부(121) 및 영상 정보 분석부(122)를 포함할 수 있다.
자연어 처리부(121)는 사용자에 의해 서술된 텍스트를 인식할 수 있고, 이미지, 오디오 및 동영상에 포함된 음성 및 텍스트를 인식할 수 있다.
이 때, 자연어 처리부(121)는 인식한 음성 및 텍스트로부터 사용자 의향을 분석할 수 있다.
영상 정보 분석부(122)는 자연어 처리부(121)에서 사용자로부터 입력된 정보에서 텍스트를 인식할 수 없는 경우, 이미지 및 동영상이 어떤 의도를 뜻하는지 분석할 수 있다.
이 때, 영상 정보 분석부(122)는 기저장된 과거의 사양자 의향 분석 결과를 참조하여 이미지 및 동영상의 사용자 의향을 분석할 수 있다.
이 때, 영상 정보 분석부(122)는 빅데이터 분석 기법을 이용하여 이미지 및 동영상의 사용자 의향을 분석할 수 있다.
사용자 의향 분석부(120)는 자연어 처리부(121)와 영상 정보 분석부(122)로부터 분석된 사용자 의향(UI)을 목적 작업 추천부(130)에 전달할 수 있다.
목적 작업 추천부(130)는 사용자 의향에 상응하는 목적 작업을 추천할 수 있다.
도 3을 참조하면, 목적 작업 추천부(130)는 작업유사도 계산부(131) 및 작업 추천부(132)를 포함할 수 있다.
작업유사도 계산부(131)는 복수개의 제1, 제2 내지 제N 작업유사도 계산부(131a, 132b, ??, 131n)를 포함할 수 있다.
이 때, 작업유사도 계산부(131)는 복수개의 작업유사도 계산부를 이용하여 복수개의 목적 작업들의 사용자 의향(UI)에 대한 작업유사도를 계산할 수 있다.
이 때, 목적 작업들에 관한 정보는 목적 작업 풀(POOL)과 같은 저장소에 저장되어 있을 수 있다.
이 때, 작업 추천부(132)는 작업유사도 계산부(131)에서 계산된 가장 높은 작업유사도를 갖는 어느 하나의 목적 작업을 추천할 수 있다.
또한, 작업유사도 계산부(131)는 목적 작업들에 기설정된 조건에 따라 가중치를 설정하고, 가중치가 설정된 목적 작업들로부터 계산된 작업유사도의 가중합(WEIGHTED SUM)을 산출할 수도 있다.
이 때, 작업 추천부(132)는 작업유사도 계산부(131)에서 계산된 가중합을 고려하여 어느 하나의 목적 작업을 추천할 수 있다.
이 때, 작업 추천부(132)는 수학식 1을 이용하여 어느 하나의 목적 작업을 추천할 수 있다.
Figure 112018086719600-pat00001
수학식 1에서, TSCi( )는 작업유사도를 계산한 결과값이며, 사용자 의향(UI)에서 가장 빈번하게 등장하는 단어의 수 또는 단어들과 상관 관계에 의한 점수일 수도 있고, 작업 유사도 계산의 기준 이미지와 사용자가 제공한 이미지 사이의 유사도 값일 수 있다.
가중합(Weighted_SUM)은 시스템의 정책에 따라 다양한 형식으로 목적 작업들에 기설정된 조건에 가중치를 적용하여 산출될 수 있다. 예를 들어, 작업유사도 계산부(131)는 복수개의 목적 작업들의 작업유사도 계산 결과를 똑같은 비율로 가중치를 설정하여 적용할 수 있고, 자연어 처리 중 사용자 서술에 등장하는 단어의 빈도수 계산방식에 중점을 두어 특정 자연어에 상응하는 목적 작업의 작업유사도를 계산하는 작업유사도 계산부에, 1/2의 비율을 가중치로 설정하고, 다른 (n-1)개의 작업유사도 계산부들에 1/2의 비율을 가중치로 설정할 수도 있다.
다음으로, 수학식 1에서 POOL 은 본 발명에서 생성 가능한 목적 작업을 수행할 수 있는 학습엔진들의 집합에 상응할 수 있고, Query( ) 함수는 본 발명이 제공하는 POOL에 저장된 목적 작업들과 작업유사도 계산 결과값이 가장 유사한 목적 작업을 추천해주는 함수이다.
또한, 작업 추천부(132)는 수학식 1의 결과 추천된 Sug_Task와 추천하고자 하는 목적 작업에 대한 설명 및 예시를 학습엔진 요청부(140)를 통해 사용자에게 출력하여 제공할 수도 있다.
학습엔진 요청부(140)는 목적 작업을 사용자에게 추천하여 사용자 의향에 상응하는 목적 작업인지 확인할 수 있다.
이 때, 학습엔진 요청부(140)는 사용자에게 목적 작업을 추천하고, 목적 작업에 대한 학습엔진에 대한 생성 여부를 요청할 수 있다.
이 때, 학습엔진 요청부(140)는 목적 작업이 상기 사용자 의향에 상응하는 경우, 학습엔진 생성부(140)에 목적 작업을 제공하여 학습엔진 생성을 요청할 수 있고, 목적 작업이 상기 사용자 의향에 상응하지 않는 경우, 사용자 의향 분석을 위한 추가 정보 입력 요청 및 작업유사도 계산 재요청 중 어느 하나를 수행할 수도 있다.
이 때, 목적 작업 추천부(130)는 작업유사도 계산 재요청을 받은 경우, 차순위 목적 작업 추천 및 기추천한 목적 작업을 제외한 작업유사도 계산 수행 중 어느 하나를 수행할 수 있다.
학습엔진 생성부(150)는 목적 작업을 수행하기 위한 복수개의 학습엔진들을 선택하고, 복수개의 학습엔진들을 조합하여 레고형 딥러닝 학습엔진을 생성할 수 있다.
도 4를 참조하면, 학습엔진 생성부(150)는 딥러닝 목적 작업 분석부(151), 딥러닝 레고 블록 선택부(152), 딥러닝 레고 블록 조립부(153) 및 딥러닝 엔진 훈련부(154)를 포함할 수 있다.
딥러닝 목적 작업 분석부(151)는 학습 엔진들을 딥러닝 레고 블록 단위로 분석할 수 있다.
예를 들어, 딥러닝 레고 블록 단위는 딥러닝 네트워크 구조, 상기 딥러닝 네트워크 구조에 상응하는 딥러닝 모델 및 딥러닝 네트워크의 손실 함수(LOSS FUNCTION)을 포함할 수 있다.
딥러닝 네트워크 구조는 합성곱 신경망(Convolutional Neural Network, CNN) 및 순환 신경망(Recurrent Neural Networks, RNN) 등을 포함할 수 있다.
딥러닝 모델은 Visual Geometry Group(VGG), A Recurrent Neural Network Based Alternative to Convolutional Networks(ReNet) 및 Long Short-Term Memory models(LSTM) 등을 포함할 수 있다.
딥러닝 네트워크의 손실 함수는 Square loss, Hinge loss 및 Cross entropy loss 등을 포함할 수 있다.
딥러닝 레고 블록 선택부(152)는 딥러닝 네트워크 구조, 상기 딥러닝 네트워크 구조에 상응하는 딥러닝 모델 및 딥러닝 네트워크의 손실 함수(LOSS FUNCTION) 중 적어도 하나 이상을 고려하여 상기 목적 작업을 수행하기 위한 복수개의 학습엔진들을 선택할 수 있다.
이 때, 딥러닝 레고 블록 선택부(152)는 목적 작업을 수행하기 위하여 동일한 기능을 갖는 학습엔진들이 존재하는 경우, 수행 가능한 목적 작업의 개수를 비교하여 어느 하나의 학습엔진을 선택할 수 있다.
이 때, 딥러닝 레고 블록 선택부(152)는 수행 가능한 목적 작업의 개수가 기설정된 개수 이상인 학습엔진을 학습엔진 풀(POOL)에 저장하여, 학습엔진 선택에 우선적으로 선택되기 위한 우선 순위를 부여할 수 있다.
딥러닝 레고 블록 조립부(153)는 기설정된 하이퍼 파라미터 설정값, 학습률 설정값 및 학습 횟수 설정값 중 적어도 하나 이상을 고려하여 상기 복수개의 학습엔진들을 조합하여 레고형 딥러닝 학습엔진을 생성할 수 있다.
딥러닝 엔진 훈련부(154)는 레고형 딥러닝 학습엔진을 학습시켜 사용자에게 제공할 수 있다.
학습엔진 테스트부(160)는 사용자에게 레고형 딥러닝 학습엔진의 테스트 기능을 제공할 수 있다.
도 5는 본 발명의 일실시예에 따른 레고형 딥러닝 학습엔진 생성 방법을 나타낸 동작흐름도이다.
도 5를 참조하면, 본 발명의 일실시예에 따른 레고형 딥러닝 학습엔진 생성 방법은 먼저 사용자 입력을 수행할 수 있다(S210).
즉, 단계(S210)는 사용자로부터 딥러닝을 활용하여 수행하고 싶은 작업과 관련된 정보를 사용자 입력 인터페이스를 통해 텍스트, 이미지, 오디오 및 동영상 등을 입력 받을 수 있다.
예를 들어, 딥러닝을 활용하여 수행하는 대표적인 작업은 이미지 분류, 객체 탐지, 객체 추적, 세그먼테이션, 번역 및 비디오 캡셔닝 등이 있다.
본 발명의 일실시예에 따른 레고형 딥러닝 학습엔진 생성 방법은 사용자 의향 분석을 수행할 수 있다(S220).
즉, 단계(S220)는 사용자로부터 입력 받은 자연어 정보 및 영상 정보 중 적어도 하나 이상을 이용하여 사용자 의향을 분석할 수 있다.
이 때, 단계(S220)는 사용자에 의해 서술된 텍스트를 인식할 수 있고, 이미지, 오디오 및 동영상에 포함된 음성 및 텍스트를 인식할 수 있다.
이 때, 단계(S220)는 인식한 음성 및 텍스트로부터 사용자 의향을 분석할 수 있다.
이 때, 단계(S220)는 사용자로부터 입력된 정보에서 텍스트를 인식할 수 없는 경우, 이미지 및 동영상이 어떤 의도를 뜻하는지 분석할 수 있다.
이 때, 단계(S220)는 기저장된 과거의 사양자 의향 분석 결과를 참조하여 사용자 의향에 기반하여 이미지 및 동영상의 사용자 의향을 분석할 수 있다.
이 때, 단계(S220)는 빅데이터 분석 기법을 이용하여 이미지 및 동영상의 사용자 의향을 분석할 수 있다.
이 때, 단계(S220)는 분석된 사용자 의향(UI)을 다음 단계에 전달할 수 있다.
본 발명의 일실시예에 따른 레고형 딥러닝 학습엔진 생성 방법은 목적 작업을 추천할 수 있다(S230).
즉, 단계(S230)는 사용자 의향에 상응하는 목적 작업을 추천할 수 있다.
이 때, 단계(S230)는 복수개의 작업유사도 계산부를 이용하여 복수개의 목적 작업들의 사용자 의향(UI)에 대한 작업유사도를 계산할 수 있다.
이 때, 목적 작업들에 관한 정보는 목적 작업 풀(POOL)과 같은 저장소에 저장되어 있을 수 있다.
이 때, 단계(S230)는 계산된 가장 높은 작업유사도를 갖는 어느 하나의 목적 작업을 추천할 수 있다.
이 때, 단계(S230)는 목적 작업들에 기설정된 조건에 따라 가중치를 설정하고, 가중치가 설정된 목적 작업들로부터 계산된 작업유사도의 가중합(WEIGHTED SUM)을 산출할 수도 있다.
이 때, 단계(S230)는 계산된 가중합을 고려하여 어느 하나의 목적 작업을 추천할 수 있다.
이 때, 단계(S230)는 상기 수학식 1을 이용하여 어느 하나의 목적 작업을 추천할 수 있다.
상기 수학식 1에서, TSCi( )는 작업유사도를 계산한 결과값이며, 사용자 의향(UI)에서 가장 빈번하게 등장하는 단어의 수 또는 단어들과 상관 관계에 의한 점수일 수도 있고, 작업 유사도 계산의 기준 이미지와 사용자가 제공한 이미지 사이의 유사도 값일 수 있다.
가중합(Weighted_SUM)은 시스템의 정책에 따라 다양한 형식으로 목적 작업들에 기설정된 조건에 가중치를 적용하여 산출될 수 있다. 예를 들어, 작업유사도 계산부(131)는 복수개의 목적 작업들의 작업유사도 계산 결과를 똑같은 비율로 가중치를 설정하여 적용할 수 있고, 자연어 처리 중 사용자 서술에 등장하는 단어의 빈도수 계산방식에 중점을 두어 특정 자연어에 상응하는 목적 작업의 작업유사도를 계산하는 작업유사도 계산부에, 1/2의 비율을 가중치로 설정하고, 다른 (n-1)개의 작업유사도 계산부들에 1/2의 비율을 가중치로 설정할 수도 있다.
다음으로, 수학식 1에서 POOL 은 본 발명에서 생성 가능한 목적 작업을 수행할 수 있는 학습엔진들의 집합에 상응할 수 있고, Query( ) 함수는 본 발명이 제공하는 POOL에 저장된 목적 작업들과 작업유사도 계산 결과값이 가장 유사한 목적 작업을 추천해주는 함수이다.
이 때, 단계(S230)는 수학식 1의 결과 추천된 Sug_Task와 추천하고자 하는 목적 작업에 대한 설명 및 예시를 사용자에게 출력하여 제공할 수도 있다.
또한, 본 발명의 일실시예에 따른 레고형 딥러닝 학습엔진 생성 방법은 학습엔진을 요청할 수 있다(S240).
즉, 단계(S240)는 목적 작업을 사용자에게 추천하여 사용자 의향에 상응하는 목적 작업인지 확인할 수 있다.
이 때, 단계(S240)는 는 사용자에게 목적 작업을 추천하고, 목적 작업에 대한 학습엔진에 대한 생성 여부를 요청할 수 있다.
이 때, 단계(S240)는 목적 작업이 상기 사용자 의향에 상응하는 경우, 목적 작업을 제공하여 학습엔진 생성을 요청할 수 있고, 목적 작업이 상기 사용자 의향에 상응하지 않는 경우, 사용자 의향 분석을 위한 추가 정보 입력 요청 및 작업유사도 계산 재요청 중 어느 하나를 수행할 수도 있다.
이 때, 단계(S240)는 작업유사도 계산 재요청을 받은 경우, 차순위 목적 작업 추천 및 기추천한 목적 작업을 제외한 작업유사도 계산 수행 중 어느 하나를 수행할 수 있다.
또한, 본 발명의 일실시예에 따른 레고형 딥러닝 학습엔진 생성 방법은 학습엔진을 생성할 수 있다(S250).
즉, 단계(S250)는 목적 작업을 수행하기 위한 복수개의 학습엔진들을 선택하고, 복수개의 학습엔진들을 조합하여 레고형 딥러닝 학습엔진을 생성할 수 있다.
이 때, 단계(S250)는 학습 엔진들을 딥러닝 레고 블록 단위로 분석할 수 있다.
예를 들어, 딥러닝 레고 블록 단위는 딥러닝 네트워크 구조, 상기 딥러닝 네트워크 구조에 상응하는 딥러닝 모델 및 딥러닝 네트워크의 손실 함수(LOSS FUNCTION)을 포함할 수 있다.
딥러닝 네트워크 구조는 합성곱 신경망(Convolutional Neural Network, CNN) 및 순환 신경망(Recurrent Neural Networks, RNN) 등을 포함할 수 있다.
딥러닝 모델은 Visual Geometry Group(VGG), A Recurrent Neural Network Based Alternative to Convolutional Networks(ReNet) 및 Long Short-Term Memory models(LSTM) 등을 포함할 수 있다.
딥러닝 네트워크의 손실 함수는 Square loss, Hinge loss 및 Cross entropy loss 등을 포함할 수 있다.
딥러닝 레고 블록 선택부(152)는 딥러닝 네트워크 구조, 상기 딥러닝 네트워크 구조에 상응하는 딥러닝 모델 및 딥러닝 네트워크의 손실 함수(LOSS FUNCTION) 중 적어도 하나 이상을 고려하여 상기 목적 작업을 수행하기 위한 복수개의 학습엔진들을 선택할 수 있다.
이 때, 단계(S250)는 목적 작업을 수행하기 위하여 동일한 기능을 갖는 학습엔진들이 존재하는 경우, 수행 가능한 목적 작업의 개수를 비교하여 어느 하나의 학습엔진을 선택할 수 있다.
이 때, 단계(S250)는 수행 가능한 목적 작업의 개수가 기설정된 개수 이상인 학습엔진을 학습엔진 풀(POOL)에 저장하여, 학습엔진 선택에 우선적으로 선택되기 위한 우선 순위를 부여할 수 있다.
이 때, 단계(S250)는 기설정된 하이퍼 파라미터 설정값, 학습률 설정값 및 학습 횟수 설정값 중 적어도 하나 이상을 고려하여 상기 복수개의 학습엔진들을 조합하여 레고형 딥러닝 학습엔진을 생성할 수 있다.
이 때, 단계(S250)는 레고형 딥러닝 학습엔진을 학습시켜 사용자에게 제공할 수 있다.
또한, 본 발명의 일실시예에 따른 레고형 딥러닝 학습엔진 생성 방법은 학습엔진을 테스트할 수 있다(S260).
즉, 단계(S260)는 사용자에게 레고형 딥러닝 학습엔진의 테스트 기능을 제공할 수 있다.
도 6은 본 발명의 일실시예에 따른 컴퓨터 시스템을 나타낸 도면이다.
도 6을 참조하면, 본 발명의 일실시예에 따른 레고형 딥러닝 학습엔진 생성 장치는 컴퓨터로 읽을 수 있는 기록매체와 같은 컴퓨터 시스템(1100)에서 구현될 수 있다. 도 6에 도시된 바와 같이, 컴퓨터 시스템(1100)은 버스(1120)를 통하여 서로 통신하는 하나 이상의 프로세서(1110), 메모리(1130), 사용자 인터페이스 입력 장치(1140), 사용자 인터페이스 출력 장치(1150) 및 스토리지(1160)를 포함할 수 있다. 또한, 컴퓨터 시스템(1100)은 네트워크(1180)에 연결되는 네트워크 인터페이스(1170)를 더 포함할 수 있다. 프로세서(1110)는 중앙 처리 장치 또는 메모리(1130)나 스토리지(1160)에 저장된 프로세싱 인스트럭션들을 실행하는 반도체 장치일 수 있다. 메모리(1130) 및 스토리지(1160)는 다양한 형태의 휘발성 또는 비휘발성 저장 매체일 수 있다. 예를 들어, 메모리는 ROM(1131)이나 RAM(1132)을 포함할 수 있다.
이상에서와 같이 본 발명에 따른 레고형 딥러닝 학습엔진 생성 장치 및 방법은 상기한 바와 같이 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.
110: 사용자 입력부 120: 사용자 의향 분석부
121: 자연어 처리부 122: 영상 정보 분석부
130: 목적 작업 추천부 131: 작업유사도 계산부
132: 작업 추천부 140: 학습엔진 요청부
150: 학습엔진 생성부
151: 딥러닝 목적 작업 분석부
152: 딥러닝 레고 블록 선택부
153: 딥러닝 레고 블록 조립부
154: 딥러닝 엔진 훈련부
1100: 컴퓨터 시스템 1110: 프로세서
1120: 버스 1130: 메모리
1131: 롬 1132: 램
1140: 사용자 인터페이스 입력 장치
1150: 사용자 인터페이스 출력 장치
1160: 스토리지 1170: 네트워크 인터페이스
1180: 네트워크

Claims (20)

  1. 사용자로부터 입력 받은 자연어 정보 및 영상 정보 중 적어도 하나 이상을 이용하여 사용자 의향을 분석하는 사용자 의향 분석부;
    상기 사용자 의향에 상응하는 목적 작업을 추천하는 목적 작업 추천부; 및
    상기 목적 작업을 수행하기 위한 복수개의 학습엔진들을 선택하고, 상기 복수개의 학습엔진들을 조합하여 레고형 딥러닝 학습엔진을 생성하는 학습엔진 생성부;
    를 포함하고,
    상기 사용자 의향 분석부는
    상기 자연어 정보 및 상기 영상 정보에 포함된 텍스트와 이미지에 기반하여 사용자 의향을 분석하고
    상기 목적 작업 추천부는
    상기 텍스트에 포함된 단어들의 수 및 상기 단어들 간의 상관관계에 기반하여 산출된 제1 점수 및 상기 이미지와 기저장된 작업 유사도 계산용 이미지와의 유사도에 기반하여 산출된 제2 점수에 기반하여 상기 사용자 의향에 상응하는 복수개의 목적 작업들의 작업 유사도들을 계산하고,
    상기 작업 유사도들에 기반하여 목적 작업 풀(POOL)에 기저장된 복수개의 학습 엔진들 중 가장 높은 작업 유사도를 갖는 어느 하나의 목적 작업을 추천하고,
    상기 학습엔진 생성부는
    추천된 상기 어느 하나의 목적 작업을 수행하기 위한 딥러닝 네트워크 구조, 상기 딥러닝 네트워크 구조에 상응하는 딥러닝 모델 및 상기 딥러닝 네트워크의 손실 함수(LOSS FUNCTION)를 고려하여 선택된 상기 복수개의 학습엔진들을 조합하여 상기 레고형 딥러닝 학습 엔진을 생성하는 것을 특징으로 하는 레고형 딥러닝 학습엔진 생성 장치.
  2. 청구항 1에 있어서,
    상기 레고형 딥러닝 학습엔진 생성 장치는
    상기 목적 작업을 상기 사용자에게 추천하여 사용자 의향에 상응하는 목적 작업인지 확인하는 학습엔진 요청부를 더 포함하는 것을 특징으로 하는 레고형 딥러닝 학습엔진 생성 장치.
  3. 삭제
  4. 청구항 2에 있어서,
    상기 목적 작업 추천부는
    상기 목적 작업들에 기설정된 조건에 따라 가중치를 설정하고, 상기 가중치가 설정된 목적 작업들로부터 계산된 작업유사도의 가중합(WEIGHTED SUM)을 산출하여 상기 어느 하나의 목적 작업을 추천하는 것을 특징으로 하는 레고형 딥러닝 학습엔진 생성 장치.
  5. 청구항 4에 있어서,
    상기 학습엔진 요청부는
    상기 목적 작업이 상기 사용자 의향에 상응하지 않는 경우, 사용자 의향 분석을 위한 추가 정보 입력 요청 및 작업유사도 계산 재요청 중 어느 하나를 수행하는 것을 특징으로 하는 레고형 딥러닝 학습엔진 생성 장치.
  6. 청구항 5에 있어서,
    상기 목적 작업 추천부는
    상기 작업유사도 계산 재요청을 받은 경우,
    차순위 목적 작업 추천 및 기추천한 목적 작업을 제외한 작업유사도 계산 수행 중 어느 하나를 수행하는 것을 특징으로 하는 레고형 딥러닝 학습엔진 생성 장치.
  7. 삭제
  8. 청구항 6에 있어서,
    상기 학습엔진 생성부는
    상기 목적 작업을 수행하기 위하여 동일한 기능을 갖는 학습엔진들이 존재하는 경우, 수행 가능한 목적 작업의 개수를 비교하여 어느 하나의 학습엔진을 선택하는 것을 특징으로 하는 레고형 딥러닝 학습엔진 생성 장치.
  9. 청구항 8에 있어서,
    상기 학습엔진 생성부는
    상기 수행 가능한 목적 작업의 개수가 기설정된 개수 이상인 학습엔진을 학습엔진 풀(POOL)에 저장하여, 학습엔진 선택에 우선적으로 선택되기 위한 우선 순위를 부여하는 것을 특징으로 하는 레고형 딥러닝 학습엔진 생성 장치.
  10. 청구항 9에 있어서,
    상기 학습엔진 생성부는
    기설정된 하이퍼 파라미터 설정값, 학습률 설정값 및 학습 횟수 설정값 중 적어도 하나 이상을 고려하여 상기 복수개의 학습엔진들을 조합한 상기 레고형 딥러닝 학습엔진을 생성하는 것을 특징으로 하는 레고형 딥러닝 학습엔진 생성 장치.
  11. 레고형 딥러닝 학습엔진 생성 장치에 의해 각 단계가 수행되는 레고형 딥러닝 학습엔진 생성 방법에 있어서,
    사용자로부터 입력 받은 자연어 정보 및 영상 정보 중 적어도 하나 이상을 이용하여 사용자 의향을 분석하는 단계;
    상기 사용자 의향에 상응하는 목적 작업을 추천하는 단계; 및
    상기 목적 작업을 수행하기 위한 복수개의 학습엔진들을 선택하고, 상기 복수개의 학습엔진들을 조합하여 레고형 딥러닝 학습엔진을 생성하는 단계;
    를 포함하고,
    상기 사용자 의향을 분석하는 단계는
    상기 자연어 정보 및 상기 영상 정보에 포함된 텍스트와 이미지에 기반하여 사용자 의향을 분석하고
    상기 목적 작업을 추천하는 단계는
    상기 텍스트에 포함된 단어들의 수 및 상기 단어들 간의 상관관계에 기반하여 산출된 제1 점수 및 상기 이미지와 기저장된 작업 유사도 계산용 이미지와의 유사도에 기반하여 산출된 제2 점수에 기반하여 상기 사용자 의향에 상응하는 복수개의 목적 작업들의 작업 유사도들을 계산하고,
    상기 작업 유사도들에 기반하여 목적 작업 풀(POOL)에 기저장된 복수개의 학습 엔진들 중 가장 높은 작업 유사도를 갖는 어느 하나의 목적 작업을 추천하고,
    상기 학습엔진을 생성하는 단계는
    추천된 상기 어느 하나의 목적 작업을 수행하기 위한 딥러닝 네트워크 구조, 상기 딥러닝 네트워크 구조에 상응하는 딥러닝 모델 및 상기 딥러닝 네트워크의 손실 함수(LOSS FUNCTION)를 고려하여 선택된 상기 복수개의 학습엔진들을 조합하여 상기 레고형 딥러닝 학습 엔진을 생성하는 것을 특징으로 하는 레고형 딥러닝 학습엔진 생성 방법.
  12. 청구항 11에 있어서,
    상기 레고형 딥러닝 학습엔진 생성 방법은
    상기 목적 작업을 상기 사용자에게 추천하여 사용자 의향에 상응하는 목적 작업인지 확인하는 단계를 더 포함하는 것을 특징으로 하는 레고형 딥러닝 학습엔진 생성 방법.
  13. 삭제
  14. 청구항 12에 있어서,
    상기 목적 작업을 추천하는 단계는
    상기 목적 작업들에 기설정된 조건에 따라 가중치를 설정하고, 상기 가중치가 설정된 목적 작업들로부터 계산된 작업유사도의 가중합(WEIGHTED SUM)을 산출하여 상기 어느 하나의 목적 작업을 추천하는 것을 특징으로 하는 레고형 딥러닝 학습엔진 생성 방법.
  15. 청구항 14에 있어서,
    상기 목적 작업인지 확인하는 단계는
    상기 목적 작업이 상기 사용자 의향에 상응하지 않는 경우, 사용자 의향 분석을 위한 추가 정보 입력 요청 및 작업유사도 계산 재요청 중 어느 하나를 수행하는 것을 특징으로 하는 레고형 딥러닝 학습엔진 생성 방법.
  16. 청구항 15에 있어서,
    상기 목적 작업을 추천하는 단계는
    상기 작업유사도 계산 재요청을 받은 경우,
    차순위 목적 작업 추천 및 기추천한 목적 작업을 제외한 작업유사도 계산 수행 중 어느 하나를 수행하는 것을 특징으로 하는 레고형 딥러닝 학습엔진 생성 방법.
  17. 삭제
  18. 청구항 16에 있어서,
    상기 학습엔진을 생성하는 단계는
    상기 목적 작업을 수행하기 위하여 동일한 기능을 갖는 학습엔진들이 존재하는 경우, 수행 가능한 목적 작업의 개수를 비교하여 어느 하나의 학습엔진을 선택하는 것을 특징으로 하는 레고형 딥러닝 학습엔진 생성 방법.
  19. 청구항 18에 있어서,
    상기 학습엔진을 생성하는 단계는
    상기 수행 가능한 목적 작업의 개수가 기설정된 개수 이상인 학습엔진을 학습엔진 풀(POOL)에 저장하여, 학습엔진 선택에 우선적으로 선택되기 위한 우선 순위를 부여하는 것을 특징으로 하는 레고형 딥러닝 학습엔진 생성 방법.
  20. 청구항 19에 있어서,
    상기 학습엔진을 생성하는 단계는
    기설정된 하이퍼 파라미터 설정값, 학습률 설정값 및 학습 횟수 설정값 중 적어도 하나 이상을 고려하여 상기 복수개의 학습엔진들을 조합한 상기 레고형 딥러닝 학습엔진을 생성하는 것을 특징으로 하는 레고형 딥러닝 학습엔진 생성 방법.
KR1020180103530A 2018-08-31 2018-08-31 레고형 딥러닝 학습엔진 생성 장치 및 방법 KR102191773B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180103530A KR102191773B1 (ko) 2018-08-31 2018-08-31 레고형 딥러닝 학습엔진 생성 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180103530A KR102191773B1 (ko) 2018-08-31 2018-08-31 레고형 딥러닝 학습엔진 생성 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20200027096A KR20200027096A (ko) 2020-03-12
KR102191773B1 true KR102191773B1 (ko) 2020-12-16

Family

ID=69802925

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180103530A KR102191773B1 (ko) 2018-08-31 2018-08-31 레고형 딥러닝 학습엔진 생성 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102191773B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102327595B1 (ko) 2021-06-09 2021-11-17 주식회사 한울시스템 시트에 대한 주름 영역을 결정하는 방법 및 디바이스

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015167041A (ja) 2015-05-20 2015-09-24 大澤　昇平 機械学習モデル設計支援装置、機械学習モデル設計支援方法、機械学習モデル設計支援装置用プログラム
KR101774844B1 (ko) 2017-04-18 2017-09-19 주식회사 더디엔에이시스템 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈
KR101787613B1 (ko) * 2017-01-20 2017-11-15 주식회사 더디엔에이시스템 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼 시스템

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102098897B1 (ko) * 2017-01-03 2020-04-09 한국전자통신연구원 기계학습 지식 및 자동화된 기계 학습 절차 기반의 자가 학습 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015167041A (ja) 2015-05-20 2015-09-24 大澤　昇平 機械学習モデル設計支援装置、機械学習モデル設計支援方法、機械学習モデル設計支援装置用プログラム
KR101787613B1 (ko) * 2017-01-20 2017-11-15 주식회사 더디엔에이시스템 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼 시스템
KR101774844B1 (ko) 2017-04-18 2017-09-19 주식회사 더디엔에이시스템 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102327595B1 (ko) 2021-06-09 2021-11-17 주식회사 한울시스템 시트에 대한 주름 영역을 결정하는 방법 및 디바이스

Also Published As

Publication number Publication date
KR20200027096A (ko) 2020-03-12

Similar Documents

Publication Publication Date Title
KR102422729B1 (ko) 학습 데이터 증강 정책
CN109710800B (zh) 模型生成方法、视频分类方法、装置、终端及存储介质
US11681921B2 (en) Method of outputting prediction result using neural network, method of generating neural network, and apparatus therefor
CN108073876B (zh) 面部解析设备和面部解析方法
US11093798B2 (en) Agile video query using ensembles of deep neural networks
JP2020091922A (ja) 畳み込みニューラルネットワークにおける構造学習
CN110569356B (zh) 基于智能面试交互系统的面试方法、装置和计算机设备
CN108875045B (zh) 针对文本分类来执行机器学习过程的方法及其系统
CN110139067B (zh) 一种野生动物监测数据管理信息系统
US20180165934A1 (en) Automated object and activity tracking in a live video feed
US20240095972A1 (en) Image processing apparatus and method for style transformation
KR20190109121A (ko) 시계열 데이터의 분석 및 예측을 위한 통합적인 딥러닝 시스템
JP7207309B2 (ja) プログラム、情報処理方法、および情報処理装置
KR102370910B1 (ko) 딥러닝 기반 소수 샷 이미지 분류 장치 및 방법
CN110728182B (zh) 基于ai面试系统的面试方法、装置和计算机设备
KR20190007213A (ko) 질문 배분 장치 및 질문 배분 방법
KR102476679B1 (ko) 객체 탐지 장치 및 방법
CN111242176B (zh) 计算机视觉任务的处理方法、装置及电子系统
CN113449011A (zh) 基于大数据预测的信息推送更新方法及大数据预测系统
US20220292349A1 (en) Device and computer-implemented method for the processing of digital sensor data and training method therefor
US11468322B2 (en) Method for selecting and presenting examples to explain decisions of algorithms
KR102191773B1 (ko) 레고형 딥러닝 학습엔진 생성 장치 및 방법
US20200226432A1 (en) Method for classifying a capture taken by a sensor
Little Numerical predictions for serial, parallel, and coactive logical rule-based models of categorization response time
KR102413588B1 (ko) 학습 데이터에 따른 객체 인식 모델 추천 방법, 시스템 및 컴퓨터 프로그램

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant