KR102242042B1 - 데이터 라벨링 방법, 시스템 및 컴퓨터 프로그램 - Google Patents

데이터 라벨링 방법, 시스템 및 컴퓨터 프로그램 Download PDF

Info

Publication number
KR102242042B1
KR102242042B1 KR1020190082315A KR20190082315A KR102242042B1 KR 102242042 B1 KR102242042 B1 KR 102242042B1 KR 1020190082315 A KR1020190082315 A KR 1020190082315A KR 20190082315 A KR20190082315 A KR 20190082315A KR 102242042 B1 KR102242042 B1 KR 102242042B1
Authority
KR
South Korea
Prior art keywords
cluster
votes
data
value
data elements
Prior art date
Application number
KR1020190082315A
Other languages
English (en)
Other versions
KR20210006247A (ko
Inventor
이명연
Original Assignee
네이버 주식회사
라인 가부시키가이샤
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 네이버 주식회사, 라인 가부시키가이샤 filed Critical 네이버 주식회사
Priority to KR1020190082315A priority Critical patent/KR102242042B1/ko
Publication of KR20210006247A publication Critical patent/KR20210006247A/ko
Application granted granted Critical
Publication of KR102242042B1 publication Critical patent/KR102242042B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/56—Information retrieval; Database structures therefor; File system structures therefor of still image data having vectorial format
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
    • G06F16/65—Clustering; Classification

Abstract

본 발명의 일 실시예에 따르면, 획득된 데이터를 군집화하여 하나 이상의 군집들의 세트를 생성하는 군집 생성부; 상기 하나 이상의 군집 각각에 대하여, 군집 내 데이터 요소들 간 동일성 판별에 기초하여 최소 득표수를 산출하는 최소 득표수 산출부; 상기 최소 득표수 및 군집 내 데이터 요소의 개수에 기초하여 쓰레기 군집을 판정하고 상기 쓰레기 군집을 상기 군집들의 세트에서 제외하거나, 상기 최소 득표수 및 데이터 요소의 이상값에 기초하여 노이즈 요소를 판정하고 상기 노이즈 요소를 상기 노이즈 요소가 속한 군집에서 제외하는 삭제부; 를 포함하는 데이터 라벨링 시스템이 제공된다.

Description

데이터 라벨링 방법, 시스템 및 컴퓨터 프로그램{METHOD, APPARATUS AND COMPUTER PROGRAM FOR DATA LABELING}
본 발명은 데이터 라벨링 방법, 시스템 및 컴퓨터 프로그램에 관한 것으로, 보다 상세하게는 군집 내 데이터 요소들의 특징벡터 간 거리를 이진화하여 도출한 최소 득표수에 기초하여 쓰레기 군집 및 노이즈 요소를 삭제할 수 있은 데이터 라벨링 방법, 시스템 및 컴퓨터 프로그램에 관한 것이다.
최근 데이터의 양이 폭발적으로 증가하면서, 데이터를 사람이 직접 라벨링하는 비용 역시 기하급수적으로 증가하고 있다. 이에, 라벨링 알고리즘을 이용하여 데이터를 자동으로 라벨링하는 방법들이 연구되고 있다. 이와 같은 데이터 라벨링 방법은 얼굴 사진 데이터를 동일 인물들끼리 그루핑하여 라벨링하는 것에 활용될 수 있다.
예를 들어, 얼굴 사진을 자동으로 라벨링하는 기존 알고리즘 중 하나는, 입력 데이터의 일부를 얼굴 인식기의 학습 데이터로 사용하였다. 보다 상세히, 데이터 크롤링(crawling) 등으로 수집된 약하게 라벨링된 입력 데이터에서, 약한 라벨링 아이디(ID)마다 엄격한 임계값으로 서브 그래프를 생성하고, 그 중 가장 큰 그래프를 라벨링된 데이터로 사용하여 얼굴 인식기 학습에 이용하고, 다시 학습한 얼굴 인식기를 이용하여 입력 데이터에서 더 큰 그래프를 생성하여 나머지 데이터를 자동 라벨링하였다. 그러나, 이러한 알고리즘은 입력 데이터의 아이디에서 하나의 서브 그래프만 취하기 때문에 하나의 라벨링 아이디에 2 개 이상의 군집을 포함하는 경우 하나의 군집은 자동 라벨링에서 제외된다는 문제점이 존재하였다.
더불어, 얼굴 사진을 자동으로 라벨링하는 기존의 알고리즘 중 다른 하나는, 군집의 요소들의 특징 벡터 간 거리의 상대값을 이용하였다. 보다 상세히, 약하게 라벨링된 입력 데이터에서 요소들의 특징벡터 간 거리의 평균 값을 기준으로 임계값을 설정하여 그래프를 형성하고, 그래프들을 군집으로 하여 군집 내 요소들의 특징 벡터들 간 거리 분포를 이용하여 쓰레기 군집을 제거하거나 노이즈 요소를 삭제하였다. 이와 같은 알고리즘은, 특징벡터 간 거리의 평균 값을 기준으로 얼굴 확인의 임계값을 설정하기 때문에, 노이즈 요소와의 특징벡터 거리 값이 임계값에 영향을 준다는 문제점이 존재한다.
본 발명은 군집 내 데이터 요소들의 특징 벡터 간 거리를 이진화하여 최소 득표수를 산출하는 것을 목적으로 한다.
또한, 본 발명은 최소 득표수에 기초하여 쓰레기 군집을 판정 및 제거하거나, 군집 내 쓰레기 요소를 판정 및 제거하는 것을 목적으로 한다.
본 발명의 일 실시예에 따르면, 획득된 데이터를 군집화하여 하나 이상의 군집들의 세트를 생성하는 군집 생성부; 상기 하나 이상의 군집 각각에 대하여, 군집 내 데이터 요소들 간 동일성 판별에 기초하여 최소 득표수를 산출하는 최소 득표수 산출부; 상기 최소 득표수 및 군집 내 데이터 요소의 개수에 기초하여 쓰레기 군집을 판정하고 상기 쓰레기 군집을 상기 군집들의 세트에서 제외하거나, 상기 최소 득표수 및 데이터 요소의 이상값에 기초하여 노이즈 요소를 판정하고 상기 노이즈 요소를 상기 노이즈 요소가 속한 군집에서 제외하는 삭제부; 를 포함하는 데이터 라벨링 시스템이 제공된다.
본 발명에 있어서, 상기 삭제부는, 상기 하나 이상의 군집 각각에 대하여, 상기 최소 득표수를 상기 군집 내 데이터 요소들의 개수로 나눈 불결값(impure value)을 산출하고, 상기 불결값이 제2 파라미터를 초과하는 경우 해당 군집을 상기 군집 생성부가 생성한 군집 세트에서 제외하는 군집 삭제부; 를 포함할 수 있다.
본 발명에 있어서, 상기 삭제부는, 상기 군집 내 하나 이상의 데이터 요소 각각에 대하여, 득표수를 상기 군집 내 데이터 요소들의 개수로 나눈 이상값(outlier value)을 산출하고, 상기 이상값과 상기 불결값에 기초하여 상기 노이즈 요소를 상기 노이즈 요소가 속한 군집에서 제외하는 요소 삭제부; 를 포함할 수 있다.
본 발명에 있어서, 상기 최소 득표수는, 상기 군집 내 데이터 요소 간의 동일성 여부를 기준으로 이진화한 득표 행렬에 대하여, 상기 득표 행렬을 행합산하여 산출한 데이터 요소별 득표수의 최소값일 수 있다.
본 발명에 있어서, 상기 득표 행렬은 행렬 위치에 대응하는 상기 군집 내 데이터 요소들의 특징벡터 간 거리가 특정 임계치를 초과하면 1, 그렇지 않으면 0으로 정의되는 것을 특징으로 할 수 있다.
본 발명에 있어서, 상기 쓰레기 군집을 상기 군집들의 세트에서 제외하거나 상기 노이즈 요소를 판정한 후, 가능한 조합들로 군집을 생성하고, 생성된 새로운 군집에 대해 상기 최소 득표수에 기초한 불결값을 산출하며, 상기 생성된 새로운 군집의 상기 불결값이 제3 파라미터를 초과하지 않는 경우 해당 새로운 군집으로 기존의 군집을 대체하는 군집 병합부; 를 더 포함할 수 있다.
본 발명의 일 실시예에 따르면, 획득된 데이터를 군집화하여 하나 이상의 군집들의 세트를 생성하는 군집화 단계; 상기 하나 이상의 군집 각각에 대하여, 군집 내 데이터 요소들 간 동일성 판별에 기초한 최소 득표수를 산출하는 최소 득표수 산출 단계; 상기 최소 득표수 및 군집 내 데이터 요소의 개수에 기초하여 쓰레기 군집을 판정하고 상기 쓰레기 군집을 상기 군집들의 세트에서 제외하거나, 상기 최소 득표수 및 데이터 요소의 이상값에 기초하여 노이즈 요소를 판정하고 상기 노이즈 요소를 상기 노이즈 요소가 속한 군집에서 제외하는 삭제 단계; 를 포함하는 데이터 라벨링 방법이 제공된다.
본 발명에 있어서, 상기 삭제 단계는, 상기 하나 이상의 군집 각각에 대하여, 상기 최소 득표수를 상기 군집 내 데이터 요소들의 개수로 나눈 불결값(impure value)을 산출하고, 상기 불결값이 제2 파라미터를 초과하는 경우 해당 군집을 상기 군집화 단계가 생성한 군집 세트에서 제외하는 군집 삭제 단계; 를 포함할 수 있다.
본 발명에 있어서, 상기 삭제 단계는, 상기 군집 내 하나 이상의 데이터 요소 각각에 대하여, 득표수를 상기 군집 내 데이터 요소들의 개수로 나눈 이상값(outlier value)을 산출하고, 상기 이상값과 상기 불결값에 기초하여 상기 노이즈 요소를 상기 노이즈 요소가 속한 군집에서 제외하는 요소 삭제 단계; 를 포함할 수 있다.
본 발명에 있어서, 상기 최소 득표수는, 상기 군집 내 데이터 요소 간의 동일성 여부를 기준으로 이진화하고, 이진화된 행렬을 행합산하여 생성한 데이터 요소별 득표수의 최소값일 수 있다.
본 발명에 있어서, 상기 쓰레기 군집을 상기 군집들의 세트에서 제외하거나 상기 노이즈 요소를 판정한 후, 가능한 조합들로 군집을 생성하고, 생성된 새로운 군집에 대해 상기 최소 득표수에 기초한 불결값을 산출하며, 상기 생성된 새로운 군집의 상기 불결값이 제3 파라미터를 초과하지 않는 경우 해당 새로운 군집으로 기존의 군집을 대체하는 단계; 를 더 포함할 수 있다.
본 발명의 일 실시예에 따르면, 복수개 데이터 요소들을 획득하는 단계; 상기 복수개 데이터 요소들 간 동일성 판별에 기초한 최소 득표수를 산출하는 단계; 상기 복수개 데이터 요소들 각각에 대하여 상기 득표수에 기초한 이상값을 산출하고, 상기 데이터 요소별 이상값 및 상기 최소 득표수를 비교하여 노이즈 요소를 판정하고, 상기 노이즈 요소를 상기 데이터 요소들에서 제외하는 단계; 를 포함하는 데이터 라벨링 방법이 제공된다.
도한, 본 발명에 따른 방법을 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 기록된 컴퓨터 프로그램이 제공된다.
본 발명에 의하면, 군집 내 노이즈 요소의 비율이 높더라도 정확도 높게 라벨링을 수행할 수 있다.
또한, 본 발명에 의하면, 특징 벡터 간 거리를 이진화한 값을 이용함으로써, 노이즈 요소의 특징 벡터 값이 군집의 대표값 또는 판정값에 주는 영향을 최소화할 수 있다.
도 1 은 본 발명의 일 실시예에 따른 네트워크 환경의 예를 도시한 도면이다.
도 2 는 본 발명의 일 실시예에 있어서, 사용자 단말 및 서버의 내부 구성을 설명하기 위한 블록도이다.
도 3 은 본 발명의 일 실시예에 따른 프로세서의 내부 구성을 나타낸 것이다.
도 4 는 본 발명의 일 실시예에 따른 데이터 라벨링 방법을 시계열적으로 나타낸 도면이다.
도 5 는 본 발명의 일 실시예에 따른 데이터 라벨링 과정을 설명하기 위한 것이다.
도 6 은 본 발명의 일 실시예에 따른 하나의 군집에 속한 데이터 요소를 예시한 것이다.
도 7 은 라벨링 대상 데이터를 예시한 것이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 본 명세서에 기재되어 있는 특정 형상, 구조 및 특성은 본 발명의 정신과 범위를 벗어나지 않으면서 일 실시예로부터 다른 실시예로 변경되어 구현될 수 있다. 또한, 각각의 실시예 내의 개별 구성요소의 위치 또는 배치도 본 발명의 정신과 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 행하여지는 것이 아니며, 본 발명의 범위는 특허청구범위의 청구항들이 청구하는 범위 및 그와 균등한 모든 범위를 포괄하는 것으로 받아들여져야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 구성요소를 나타낸다.
도 1 은 본 발명의 일 실시예에 따른 네트워크 환경의 예를 도시한 도면이다.
도 1의 네트워크 환경은 복수의 사용자 단말들(110, 120, 130, 140), 서버(150) 및 네트워크(160)를 포함하는 예를 나타내고 있다. 이러한 도 1은 발명의 설명을 위한 일례로 사용자 단말의 수나 서버의 수가 도 1과 같이 한정되는 것은 아니다.
복수의 사용자 단말들(110, 120, 130, 140)은 컴퓨터 장치로 구현되는 고정형 단말이거나 이동형 단말일 수 있다. 복수의 사용자 단말들(110, 120, 130, 140)의 예를 들면, 스마트폰(smart phone), 휴대폰, 네비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC 등이 있다. 일례로 사용자 단말 1(110)은 무선 또는 유선 통신 방식을 이용하여 네트워크(160)를 통해 다른 사용자 단말들(120, 130, 140) 및/또는 서버(150)와 통신할 수 있다.
통신 방식은 제한되지 않으며, 네트워크(160)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망)을 활용하는 통신 방식뿐만 아니라 기기들간의 근거리 무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(160)는, PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크(160)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.
서버(150)는 복수의 사용자 단말들(110, 120, 130, 140)과 네트워크(160)를 통해 통신하여 명령, 코드, 파일, 컨텐츠, 서비스 등을 제공하는 컴퓨터 장치 또는 복수의 컴퓨터 장치들로 구현될 수 있다.
일례로, 서버(150)는 네트워크(160)를 통해 접속한 사용자 단말 1(110)로 어플리케이션의 설치를 위한 파일을 제공할 수 있다. 이 경우 사용자 단말 1(110)은 서버(150)로부터 제공된 파일을 이용하여 어플리케이션을 설치할 수 있다. 또한 사용자 단말 1(110)이 포함하는 운영체제(Operating System, OS) 및 적어도 하나의 프로그램(일례로 브라우저나 설치된 어플리케이션)의 제어에 따라 서버(150)에 접속하여 서버(150)가 제공하는 기능을 제공받을 수 있다. 예를 들어, 사용자 단말1(110)이 어플리케이션의 제어에 따라 네트워크(160)를 통해 분류 대상이 되는 데이터를 서버(150)로 전송하면, 서버(150)는 데이터를 라벨링하여 사용자 단말 1(110)로 전송할 수 있고, 사용자 단말 1(110)은 어플리케이션의 제어에 따라 라벨링된 데이터를 표시할 수 있다.
도 2 는 본 발명의 일 실시예에 있어서, 사용자 단말 및 서버의 내부 구성을 설명하기 위한 블록도이다.
도 2에서는 하나의 사용자 단말에 대한 예로서 사용자 단말 1(110), 그리고 하나의 서버에 대한 예로서 서버(150)의 내부 구성을 설명한다. 다른 사용자 단말들(120, 130, 140)들 역시 동일한 또는 유사한 내부 구성을 가질 수 있다.
사용자 단말 1(110)과 서버(150)는 메모리(211, 221), 프로세서(212, 222), 통신 모듈(213, 223) 그리고 입출력 인터페이스(214, 224)를 포함할 수 있다. 메모리(211, 221)는 컴퓨터에서 판독 가능한 기록 매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 또한, 메모리(211, 221)에는 운영체제와 적어도 하나의 프로그램 코드(일례로 사용자 단말 1(110)에 설치되어 구동되는 브라우저나 상술한 어플리케이션 등을 위한 코드)가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 드라이브 메커니즘(drive mechanism)을 이용하여 메모리(211, 221)와는 별도의 컴퓨터에서 판독 가능한 기록 매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록 매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록 매체를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록 매체가 아닌 통신 모듈(213, 223)을 통해 메모리(211, 221)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 어플리케이션의 설치 파일을 배포하는 파일 배포 시스템(일례로 상술한 서버(150))이 네트워크(160)를 통해 제공하는 파일들에 의해 설치되는 프로그램(일례로 상술한 어플리케이션)에 기반하여 메모리(211, 221)에 로딩될 수 있다.
프로세서(212, 222)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(211, 221) 또는 통신 모듈(213, 223)에 의해 프로세서(212, 222)로 제공될 수 있다. 예를 들어 프로세서(212, 222)는 메모리(211, 221)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
통신 모듈(213, 223)은 네트워크(160)를 통해 사용자 단말 1(110)과 서버(150)가 서로 통신하기 위한 기능을 제공할 수 있으며, 다른 사용자 단말(일례로 사용자 단말 2(120)) 또는 다른 서버(일례로 서버(150))와 통신하기 위한 기능을 제공할 수 있다. 일례로, 사용자 단말 1(110)의 프로세서(212)가 메모리(211)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이 통신 모듈(213)의 제어에 따라 네트워크(160)를 통해 서버(150)로 전달될 수 있다. 역으로, 서버(150)의 프로세서(222)의 제어에 따라 제공되는 제어 신호나 명령, 컨텐츠, 파일 등이 통신 모듈(223)과 네트워크(160)를 거쳐 사용자 단말 1(110)의 통신 모듈(213)을 통해 사용자 단말 1(110)로 수신될 수 있다. 예를 들어 통신 모듈(213)을 통해 수신된 서버(150)의 제어 신호나 명령 등은 프로세서(212)나 메모리(211)로 전달될 수 있고, 컨텐츠나 파일 등은 사용자 단말 1(110)이 더 포함할 수 있는 저장 매체로 저장될 수 있다.
입출력 인터페이스(214, 224)는 입출력 장치(215)와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 키보드 또는 마우스 등의 장치를, 그리고 출력 장치는 어플리케이션의 통신 세션을 표시하기 위한 디스플레이와 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(214)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 보다 구체적인 예로, 사용자 단말 1(110)의 프로세서(212)는 메모리(211)에 로딩된 컴퓨터 프로그램의 명령을 처리함에 있어서 서버(150)나 사용자 단말 2(120)가 제공하는 데이터를 이용하여 구성되는 서비스 화면이나 컨텐츠가 입출력 인터페이스(214)를 통해 디스플레이에 표시될 수 있다.
또한, 다른 실시예들에서 사용자 단말 1(110) 및 서버(150)는 도 2의 구성요소들보다 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 사용자 단말 1(110)은 상술한 입출력 장치(215) 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), GPS(Global Positioning System) 모듈, 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다.
도 3 은 본 발명의 일 실시예에 따른 프로세서의 내부 구성을 나타낸 것이다.
프로세서(222)는 획득된 데이터를 자동 라벨링할 수 있다. 프로세서(222) 내에서 본 발명의 일 실시예에 따른 자동 데이터 라벨링을 수행하는 구성은 도 3 에 도시된 바와 같이 군집 생성부(310), 최소 득표수 산출부(320), 삭제부(334) 및 군집 병합부(350)를 포함할 수 있다. 이 때 삭제부(334)는, 군집 삭제부(330), 요소 삭제부(340)를 포하여 구성될 수 있다. 실시예에 따라 프로세서(222)의 구성요소들은 선택적으로 프로세서(222)에 포함되거나 제외될 수도 있다. 또한, 실시예에 따라 프로세서(222)의 구성요소들은 프로세서(222)의 기능의 표현을 위해 분리 또는 병합될 수도 있다.
여기서, 프로세서(222)의 구성요소들은 서버(150)에 저장된 프로그램 코드가 제공하는 명령에 따라 프로세서(222)에 의해 수행되는 프로세서(222)의 서로 다른 기능들(different functions)의 표현들일 수 있다.
이러한 프로세서(222)의 구성요소들은 도 4 의 데이터 라벨링 방법이 포함하는 단계들(S1 내지 S3과 S31 및 S32)을 수행하도록 서버(150)를 제어할 수 있다. 예를 들어, 프로세서(222) 및 프로세서(222)의 구성요소들은 메모리(221)가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다.
도 4 는 본 발명의 일 실시예에 따른 데이터 라벨링 방법을 시계열적으로 나타낸 도면이다. 이하에서는, 도 3 및 도 4 를 함께 참조하여 본 발명의 데이터 라벨링 방법, 시스템 및 컴퓨터 프로그램을 구체적으로 살펴보기로 한다.
먼저, 본 발명의 데이터 라벨링 방법 및 시스템은 데이터 요소들을 자동으로 군집화하여 라벨링하는 것을 특징으로 한다. 본 발명의 일 실시예에 따르면, 다른 데이터 요소와의 특징벡터의 계산이 가능하거나 같은 레이블인지 분류 가능한 데이터 요소라면 제한 없이 본 발명의 라벨링 대상이 되는 데이터 요소가 될 수 있다. 예를 들어, 본 발명의 일 실시예에 따르면 라벨링 대상이 되는 데이터 요소들은 인물 사진일 수 있고, 이때 본 발명은 최소 득표수에 기초하여 동일 인물의 사진들끼리 군집화하고 라벨링할 수 있다.
먼저, 군집 생성부(310)는 약하게 라벨링된 데이터들을 획득하고, 획득된 약한 라벨링 그룹의 데이터를 군집화하여 하나 이상의 군집들의 세트를 형성한다(S1). 약하게 라벨링된 데이터란, 크롤링(crawling) 등으로 획득된 데이터로서, 1차적으로 라벨링은 이루어졌지만 라벨링의 정확성을 담보할 수 없는 데이터이다. 본 발명에서 하나의 라벨링된 데이터들은 하나의 라벨링 아이디(ID)(이하에서는, 설명의 편의를 위해 '아이디'라 칭하기로 한다) 안에 다수개의 요소를 포함할 수 있다.
일 예로, 군집 생성부(310)는 "A" 를 검색어로 하였을 때 반환되는 검색 결과 이미지들을 아이디 "A"로 라벨링하여 저장할 수 있다. 그러나, 검색 결과가 반드시 "A"에 관한 것이 아닐 수도 있으므로, 해당 검색 결과에 의한 라벨링 데이터는 다수의 노이즈를 포함하고 있다. 즉, 아이디 "A"로 라벨링된 이미지들 중 "A"와 관련없는 않는 이미지가 다수 포함될 수 있다. 이와 같이, 라벨링의 정확성을 담보할 수 없는 상태의 라벨링된 이미지들을 약하게 라벨링된 데이터라 할 수 있다.
도 5 는 본 발명의 일 실시예에 따른 데이터 라벨링 과정을 설명하기 위한 것이다.
보다 상세히, 도 5 는 (a) 데이터 요소를 약하게 라벨링하는 단계, (b) 아이디 내 데이터 요소들을 군집화하는 단계, (c) 쓰레기 군집을 제거하는 단계, (d) 노이즈 요소를 제거하는 단계 및 (d) 군집을 병합하는 단계를 설명하기 위한 것이다.
도 5 를 참조하면, 도 5 의 (a)에서는 약하게 라벨링된 인물 사진들이 예시되어 있다. 도 5 의 실시예에서는 라벨링 대상이 되는 데이터가 인물 사진인 경우를 가정하고, 라벨링의 목표는 사진을 동일 인물들끼리 그루핑하는 것으로 한다. 즉, 도 5 의 실시예에서는 약하게 라벨링된 인물 사진을 요소 데이터로서 획득하며, 요소 데이터들의 라벨링 그룹 각각은 아이디로서 id k (k=1, 2, 3, ..., i, i+1,...)를 가질 수 있다. 약한 라벨링이 정확하다면, 동일 아이디 내의 개별 데이터 요소들은 동일한 특성을 가져야 한다. 예를 들어, 도 5 와 같이 라벨링 기준이 '인물'이라면, 동일 ID 내의 데이터 요소들은 모두 동일 인물의 인물사진이어야 한다. 그러나, 상술한 바와 같이 약한 라벨링 만으로는 정확한 라벨링이 어려우므로, 동일 아이디 내의 데이터 요소들을 재라벨링하는 작업이 필요하다.
이를 위해, 본 발명의 군집 생성부(310)는 아이디 내의 데이터 요소들을 군집화하여 하나 이상의 군집을 생성한다. 즉, 약하게 라벨링되어 동일 아이디를 갖는 데이터 요소들을 다시 군집화한다. 군집 생성부(310)는 특정 알고리즘을 이용하여 획득된 데이터를 군집화할 수 있고, 이때 사용되는 알고리즘은 기존의 군집화 알고리즘을 제한 없이 사용할 수 있다.
본 발명의 일 실시예에 따르면, 군집화 대상 데이터들이 특징벡터를 추출 가능한 데이터인 경우, 군집 생성부(310)는 사전에 학습된 모델(pre-trained model)을 이용하여 약하게 라벨링 된 아이디 내의 요소들의 특징벡터들을 추출하고, 벡터들 간의 거리를 계산할 수 있다. 또한, 군집 생성부(310)는 계산된 특징벡터들 간의 거리에 기초하여 군집을 생성할 수 있다.
구체적인 실시예에 따르면, 군집 생성부(310)는 계산된 특징벡터들 간의 거리에 기초하여 계층적 밀도 기반 군집화 알고리즘(Hierarchical Density-Based Spatial Clustering of Application with Noise, HDBSCAN)을 이용하여 군집을 생성할 수 있다. 예를 들어, 군집 생성부(310)는 HDBSCAN을 이용하여 다양한 스케일(scale)의 벡터 값을 갖는 도메인의 얼굴 사진 데이터들을 동일 인물들끼리 군집화할 수 있다.
추가적으로, 군집 생성부(310)는 군집화에서 제외된 개별 데이터 요소들에 대해 낮은 임계값을 적용하여 재군집화를 통해 군집에 포함시킬 수 있다. 본 발명의 데이터 라벨링 방법에서는 보존도가 중요한 요소이므로, 군집화에서 제외된 개별 데이터 요소들을 군집에 포함시킬 필요성이 존재한다. 여기에서 보존도(kept, 또는 재현율(recall))란 획득된 약하게 라벨링 된 데이터를 보존하는 정도를 의미한다. 따라서, 본 발명의 군집 생성부(310)는 군집화에서 제외된 요소와 생성된 군집 내의 요소들간의 거리를 느슨한 임계값으로 구별하여 가장 가까운 군집에 포함시킬 수 있다.
다시 도 5 를 참조하면, 도 5 의 (b) 에서는 약하게 라벨링된 id i 의 데이터 요소들을 군집화하여 복수개의 군집 C1, C2, C3, C4 을 생성한 것을 알 수 있다. 즉, 도 5 의 실시예에 따르면 idi 의 인물 사진들을 인물 기준으로 분류한 군집이 4개(C1, C2, C3, C4) 생성된 것을 알 수 있다.
도 5 는 비록 id i 의 데이터 요소들에 대해 군집화가 이루어졌지만, 다른 ID 의 데이터 그룹들에 대해서도 동일한 방법으로 군집화가 이루어질 수 있다. 이하에서는, 설명의 편의를 위하여 idi 그룹에 대하여 군집화 및 라벨링을 수행하는 실시예에 대해 설명하기로 한다.
다음으로, 최소 득표수 산출부(320)는 군집 내 데이터 요소들 간 동일성 판별에 기초한 최소 득표수를 산출한다. 본 발명에 의하면 각 데이터 요소들 간 동일성은 각 요소들이 서로 동일한 특징을 가졌는지에 의해 판별될 수 있다. 또한, 각 데이터 요소들에 대하여 군집 내에서 동일한 특징을 가진 데이터 요소들의 수를 득표수라고 할 때, 최소 득표수란 군집 내 데이터 요소들의 득표수 중 최소값을 의미한다. 즉, 군집내 각 데이터 요소들 간 동일한 특징을 가진 요소인지 여부를 이진화 행렬 V=[v ij ]로 나타낼 때(i번째 요소와 j 번째 요소가 동일하다고 판단되면 v ij =0, 그렇지 않으면 v ij =1), 각 데이터 요소들에 대한 득표수는 각 행을 합산한 값이 된다.
이진화 행렬을 구하기 위해서는 동일성 내지는 분류를 판별하는 다양한 기술을 사용할 수 있다. 예를 들면, 두개의 입력에 대하여 유사도를 계산하거나, 동일성 여부를 판별하도록 학습된 인공신경망을 이용할 수 있다. 또는 특정 카테고리로 분류가 가능하도록 학습된 인공신경망을 이용하여 결과가 동일 분류인지 여부를 판별하는 방법을 사용할 수도 있다. 이하에서는 일 실시예로써 특징 벡터 간의 거리 행렬을 이용하는 방법을 예시로 설명하도록 한다.
본 발명의 일 실시예에 따르면, 군집내에서 데이터 요소들의 특징벡터 간 거리 행렬을 특정 임계치를 기준으로 이진화하고, 이진화된 행렬을 행합산한하여 생성한 요소별 득표수의 최소값이 최소 득표수가 될 수 있다..
보다 구체적으로, 하나의 군집 내 요소가 n 개 있을 때, i 번째 요소와 j 번째 요소의 특징벡터 간 거리 d ij 를 임계값 t 를 기준으로 이진화한 값 v ij 는 하기의 [수학식 1] 같이 나타낼 수 있다. 여기에서 특징벡터간 거리는 특징벡터끼리 유사할수록 가깝게, 다를수록 멀게 계산될 수 있다. 이때, 임계값 t 는 특징벡터 간 거리가 해당 임계값을 초과할 때 요소들은 서로 다른 특징(예를 들어, 서로 다른 인물의 얼굴)을 가진다고 판단하는 기준값이다.
Figure 112019069897575-pat00001
[수학식 1]
즉, 특징벡터 간 거리가 t 를 초과하는 경우 v ij 는 1이고, t 이하인 경우 v ij 는 0 이다. 상술한 v ij 는 득표행렬 V=[v ij ]로 나타낼 수 있다. 이때, 득표형렬 V 의 i 번째 요소의 득표수 votei 는 행 v i 의 요소들을 합한 값이고, 그 정의는 하기의 [수학식 2] 와 같이 나타낼 수 있다.
Figure 112019069897575-pat00002
[수학식 2]
즉, votei 는 i 번째 요소의 득표수로서, i 번째 요소와 다른 요소들의 특징벡터 간 거리가 임계값 t 를 초과하는 경우만큼의 수이다. 만약, 특징벡터 간 거리 측정 및 임계값 설정이 오류 없이 이루어진 경우라면 득표수 vote i 는 군집에서 i 번째 요소와 특징이 다른 요소들의 개수이다.
보다 상세히, 개별 요소들의 득표수 vote i 는 군집 내에서 i 번째 요소와 특징이 다른 요소들의 개수이다. 따라서, vote i 가 큰 요소는 해당 군집 내에 자신과 특징이 다르다고 판단되는 요소가 많은 요소이다.
더불어, 개별 요소들의 득표수에 기초하여 최소 득표수 산출부(320)는 군집의 최소 득표수 min(Vote) ((
Figure 112019069897575-pat00003
Figure 112019069897575-pat00004
)를 산출할 수 있다. 본 발명의 일 실시예에 따르면, min(Vote)는 해당 군집의 노이즈 요소의 개수이다. 이는, vote i 값이 min(Vote)에 대응되는 요소들이 해당 군집에서 가장 우세한 그룹의(특징이 같은 요소끼리 묶었을 때 요소의 수가 가장 많은 그룹의) 요소들이기 때문이다.
도 6 은 본 발명의 일 실시예에 따른 하나의 군집에 속한 데이터 요소를 예시한 것이다.
도 6 은 도 5 의 (b)에서 군집 C2 의 요소들을 확대하여 표시한 것이다. 도 5 의 예시에서 계속하여, 군집 내의 각 요소들은 사람의 얼굴 사진일 수 있으며, 라벨링의 최종 목적은 동일한 사람의 얼굴 사진들끼리 그룹화하여 라벨링하는 것일 수 있다. 도 6 의 실시예에서, id i 의 군집 C1 내지 C4 에서, 군집 C2 는 요소 e1, e2, e3, e4 를 포함할 수 있다. 이때, e1, e4 는 A 인물의 사진이고, e2 는 B 인물의 사진이고, e3 는 C 인물의 사진이라 가정한다. 즉, 군집화가 올바르게 이루어지지 않아 C2 군집에 모두 3명의 서로 다른 인물의 사진이 존재한다고 가정한다.
도 6 의 실시예에서, i번째 요소들의 vote i 를 산출할 수 있다. 요소간 특징점들의 거리인 d ij 에 대한 임계값 t 가 올바르게 설정되어 있다면, 같은 인물들 간의 v ij 는 0, 다른 인물들 간의 v ij 는 1 이 된다. 예를 들어, v 14 는 0이고, v 12 , v 13 , v 23 , v 24 , v 34 는 1 의 값을 가진다. (이때, v ii 는 0 이고, v ij =v ji 임)
따라서, 상기 [수학식 2]에 따르면 1번째 요소인 e1 의 득표수 vote 1 은 2이다. 마찬가지의 방법으로, vote 2 는 3, vote 3 는 3, vote 4 는 2이다. 즉, 요소 e1 및 e2 는 군집 내에서 자신과 다르다고 판단되는 요소가 2개이고, 요소 e2 및 e3 는 군집 내에서 자신과 다르다고 판단되는 요소가 3개이다. 따라서, C2 군집의 최소 득표수 min(Vote)는 2 이다. 이는, 군집 내 가장 우세한 그룹(e1 및 e4로 이루어진 그룹)과 다른 요소들의 수로서, 군집의 노이즈 요소가 2개라는 뜻이다. 이러한 방법으로, 최소 득표수 산출부(320)는 군집 내 요소들의 특징벡터 간 거리를 이진화한 값에 기초하여 최소 득표수를 산정하고, 최소 득표수로부터 군집의 노이즈 개수를 추정할 수 있다.
다음으로, 삭제부(334)는 최소 득표수 및 군집 내 데이터 요소의 개수에 기초하여 쓰레기 군집을 판정하여 삭제하거나, 최소 득표수 및 데이터 요소의 이상값(outlier value)에 기초하여 노이즈 요소를 판정하여 삭제한다(S3). 보다 상세히, 삭제부(334)는 하나 이상의 군집 각각에 대해 최소 득표수를 군집 내 데이터 요소들의 개수로 나눈 불결값(impure value)을 산출하고, 불결값이 제2 파라미터를 초과하는 경우 해당 군집을 삭제하는 군집 삭제부(330)를 포함한다(S31). 또한, 삭제부(334)는 군집 내 하나 이상의 데이터 요소 각각에 대하여, 득표수를 군집 내 데이터 요소들의 개수로 나눈 이상값(outlier value)을 산출하고, 이상값과 최소 득표수에 기초하여 해당 데이터 요소를 삭제하는 요소 삭제부(340)를 포함한다(S32).
먼저, 군집 삭제부(330)는 군집의 최소 득표수에 기초하여 쓰레기 군집을 결정 및 삭제한다. 이때, 쓰레기 군집을 삭제하는 것은 군집 생성부(310)가 생성한 군집들의 세트에서 해당 쓰레기 군집을 제외하는 것일 수 있다. 상술한 바와 같이, 군집의 최소 득표수로 군집의 노이즈 요소의 개수를 추정할 수 있다. 따라서, 군집의 최소 득표수를 그 군집의 크기로 나눌 경우 해당 군집에서 노이즈 요소가 차지하는 비율을 알 수 있다. 본 발명의 일 실시예에 따른 군집 삭제부(330)는 군집의 최소 득표수를 그 군집의 크기로 나눈 값을 산출하여 해당 군집의 노이즈 비율을 추정한다.
본 발명에서는, 군집의 최소 득표수를 군집의 크기로 나눈 값을 불결값(impure value)라 정의할 수 있다. 불결값은 하기의 [수학식 3]과 같이 나타낼 수 있다. 본 발명의 일 실시예에 따르면, 군집 삭제부(330)는 군집의 불결값이 기설정된 제2 파라미터 β를 초과하는 경우 해당 군집을 쓰레기 군집으로 판별하고, 해당 군집을 삭제한다. 만약, β가 0.5 인 경우, 군집 내에서 노이즈 요소가 차지하는 비율인 불결값이 50%이하인 군집은 정상 군집으로 판단되고, 불결값이 50% 를 초과인 경우 쓰레기 군집으로 판단될 수 있다.
Figure 112019069897575-pat00005
(n은 군집의 크기)
[수학식 3]
다시 도 6 을 참조하면, C2 그룹의 불결값은 2/4=0.5 이다. 즉, C2 군집은 군집 내 요소들 중 50%의 요소가 노이즈값이라는 것을 의미한다. 만약, 기설정된 임계값 β가 0.4라면, 해당 C2 군집은 쓰레기 군집이라 판단될 수 있고, 기설정된 임계값 β가 0.5이라면 해당 C2 군집은 정상 군집이라 판단될 수 있다. 본 발명의 도 5 및 도 6 의 실시예에서는 β가 0.8 라고 가정하기로 하며, 따라서 C2 군집은 정상 군집으로 판명될 수 있다.
계속하여 도 5 를 참조하여, 도 5 의 (b) 에서 군집 C1 내지 C4 의 최소 득표수는 순서대로 {0, 2, 1, 2} 이라 가정하기로 한다. 또한, 도 5 의 (b) 에서 볼 수 있는 바와 같이, 군집의 크기(인물 사진의 갯수)는 군집 C1 내지 C4 순서대로 {3, 4, 3, 2}이다. 따라서, 군집 C1 내지 C4 의 불결값은 {0, 0.5, 0.33, 1} 이라 산출될 수 있고, 이때 불결값이 0.8 을 초과하는 C4 군집은 쓰레기 군집이라 판단될 수 있다. 도 5 의 (c) 에서는, 쓰레기 군집으로 판단된 C4 군집이 삭제되었다.
다음으로, 요소 삭제부(340)는 요소의 이상값 및 최소 득표수에 기초하여 노이즈 요소를 결정 및 삭제할 수 있다. 이때, 노이즈 요소를 삭제하는 것은 노이즈 요소가 속한 군집에서 해당 노이즈 요소를 제외하는 것일 수 있다. 또한, 요소 삭제부(340)는 쓰레기 군집이 아닌 정상 군집에 대하여 노이즈 요소를 판정 및 삭제할 수 있다. 즉, 요소 삭제부(340)는 군집 삭제부(330)가 쓰레기 군집을 삭제한 후, 남은 정상 군집에 대하여 노이즈 요소 판정 및 삭제를 수행할 수 있다.
보다 구체적으로, 본 발명의 요소 삭제부(340)는 군집 내 각 데이터 요소들의 이상값(outlier value)을 산출한다. 데이터 요소의 이상값이란, 임의의 i 번째 요소의 득표수를 군집의 크기로 나눈 값으로 정의된다. 이상값은 하기의 [수학식 4]와 같이 나타낼 수 있다.
Figure 112019069897575-pat00006
[수학식 4]
상술한 바와 같이, 요소의 특징점 간 거리 계산 및 임계값이 오류 없이 산정되었다면 득표수 vote i 값은 군집에서 해당 요소와 다른 특징을 갖는 요소들의 개수이다. 따라서, 임의의 i 번째 요소의 득표수를 군집의 크기로 나눈 이상값은 해당 군집에서 i 번째 요소와 다른 특징을 갖는 요소의 비율로 추정될 수 있다.
예를 들어, 상술한 도 6 의 예시를 계속하여 참고하면, 군집 C2 내 요소 e1, e2, e3, e4 의 득표수는 {2, 3, 3, 2} 이므로, 요소 e1, e2, e3, e4 의 이상값은 {0.5, 0.75, 0.75, 0.5} 이다. 즉, e1 요소의 이상값은 0.5 이므로 e1 요소와 다른 특징을 갖는(다른 인물의 사진인) 요소의 비율은 0.5 라 추정할 수 있다.
또한, 요소의 특징점 간 거리 계산 및 임계값이 오류 없이 산정되었다면, 즉 동일성 여부의 판단에 오류가 없다면, 요소 삭제부(340)는 임의의 요소 i 의 이상값이 군집의 최소 득표수보다 크면 해당 요소는 그 군집의 지배적인 특징을 갖는, 즉 군집의 아이디를 대표하는 요소가 아니라고 판단할 수 있다. 즉, 요소 삭제부(340)는 임의의 요소 i 의 이상값이 해당 요소가 포함된 군집의 불결값을 초과하는 경우 요소 i 를 노이즈 요소라 판단할 수 있다.계속하여 상술한 도 5 및 도 6 의 예시를 참고하면, 도 6 에서 군집 C2 의 최소 득표수는 2이고, 각 요소 e1, e2, e3, e4 의 이상값은 {0.5, 0.75, 0.75, 0.5}이므로, e2 및 e3 는 노이즈 요소라 판단될 수 있다. 따라서, 도 5 의 (d)에 예시된 바와 같이 C2 의 데이터 요소 e2 및 e3 는 삭제될 수 있다. 마찬가지로, 군집 C1 및 C3 에 대해서도 동일한 방법으로 노이즈 요소를 판정하고 삭제할 수 있다.
본 발명의 추가적인 실시예에 따르면, 요소의 동일성 판단에 오류가 존재할 수 있으므로, 임의의 i 번째 요소의 이상값이 군집의 최소 불결값보다 남은 가능 득표수의 비율에 제1 임계값 α를 곱한만큼을초과할 때, 즉 임의의 i번째 요소의 이상값이 우세 그룹에 해당하지 않는 요소들의 비율에 α을 곱한만큼
Figure 112019069897575-pat00007
초과할 경우,i 번째 요소를 노이즈로 판정할 수 있다. 보다 구체적으로, i 번째 요소 ei 에 대한 노이즈 판정식 det(ei)는 하기의 [수학식 5]와 같이 나타낼 수 있다.
Figure 112019069897575-pat00008
(Vote는 i번째 요소가 속한 군집 내의 각 요소들의 득표수의 집합임)
[수학식 5]
상기의 [수학식 5]에서, det(e i )<0 이면 i 번째 요소는 노이즈 요소로 판정될 수 있다. α=0 인 경우 이상값이 최소 득표수를 초과하면 해당 요소는 노이즈 요소로 판단된다.
보다 상세히, 상기 [수학식 5]를 풀어쓰면, [det(e i ) = e i 요소가 포함된 군집의 불결값 + α(1- e i 요소가 포함된 군집의 불결값) - e i 요소의 이상값] 이 된다. 즉, 불결값에 (1-불결값)의 α비율만큼 곱한 값이 이상값보다 작다면, 해당 데이터 요소는 노이즈 요소인 것으로 판정될 수 있다. 즉, 본 발명의 일 실시예에 따르면 제1 파라미터α의 값을 조정함으로써, 이상값이 불결값을 초과하는 요소를 모두 노이즈 요소로 판단하는 대신, 특징점간 거리가 오류가 존재할 수 있는 점을 고려하여 (1-불결값)의 일정 비율을 더한 값을 초과하는 요소를 노이즈 요소로 판단할 수 있다.
본 발명의 일 실시예에 따르면, 제1 파라미터 α 및 제2 파라미터 β의 값은 필요에 따라 경험적으로 기설정될 수 있다. 본 발명의 일 실시예에 따르면, α 및 β의 값은 이율배반적 관계에 있는 청정도와 보전도의 균형을 고려하여 결정될 수 있다. 보다 구체적으로, β가 커지는 경우 적은 군집들이 쓰레기군집으로 판정되어 높은 보존도를 얻을 수 있는 반면, 불결값이 높은 군집이 삭제되지 않아서 청정도가 낮아질 수 있다. 또한, α가 작으면 군집의 데이터 요소가 노이즈로 판정되기 쉬워져 청정도가 높아질 수 있지만, 보존도는 낮아질 수 있다. 본 발명의 일 실시예에 따르면, α=0.4, β=0.8 로 설정될 수 있다.
한편, 본 발명의 다른 실시예에 따르면, 군집 생성부(310) 및 군집 삭제부(330)의 기능 수행 없이 요소 삭제부(340)가 최소 득표수에 기초하여 노이즈 요소를 제거하는 단계만 수행될 수 있다. 즉, 약하게 라벨링된 아이디 내의 데이터 요소들에 대하여, 최소 득표수에 기초한 노이즈 요소의 판정 및 제거만 수행될 수 있다. 도 5 의 예를 들면, 도 5 의 (b) 단계 및 (c) 단계 없이, 도 5 의 (a) 단계의 각 아이디를 하나의 군집으로 가정하고, 군집 내 노이즈 요소 판정 및 제거를 수행할 수 있다.
다음으로, 군집 병합부(350)는 노이즈 요소가 삭제된 정상 군집의 가능한 조합을 생성하고, 조합의 불결값에 기초하여 정상 군집을 병합한다. 상술한 바와 같이 본 발명의 군집 생성부(310)는 하나의 아이디 내에서 복수개의 군집을 형성하기 때문에, 동일한 특징을 갖는 요소가 복수개의 군집으로 나누어져 있을 수 있다. 이를 해결하기 위해, 군집 병합부(350)는 쓰레기 군집 및 노이즈 요소를 제거한 후, 아이디 내에 존재하는 군집들의 모든 가능한 조합을 생성한다. 군집들의 조합으로 생성된 새로운 군집의 불결값이 제3 임계값 γ 이하이면, 기존 군집을 새로운 군집으로 대체한다. 보다 상세히, 이때, 새로운 군집의 불결값을 측정하는 방법은 상술한 군집 삭제부(330)에서 설명과 동일할 수 있다.
계속하여 도 5 의 실시예를 참고하면, 도 5 의 (d) 단계에서 노이즈 요소가 삭제된 정상 군집은 C1, C2, C3 가 존재한다. 따라서, 생성 가능한 정상 군집의 조합은 {C1, C2}, {C1, C3}, {C2, C3}, {C1, C2, C3} 이다. 본 발명의 군집 병합부(350)는 조합으로 생성된 새로운 군집에 대하여 불결값을 계산하고, 불결값이 γ 이하인 경우 해당 조합을 군집으로 결정한다. 도 5 의 (d) 를 참조하면, {C1, C3} 의 조합으로 생성된 군집의 불결값이 γ 이하여서 새로운 군집 C1 이 생성된 것을 확인할 수 있다.
본 발명의 데이터 라벨링 방법 및 시스템은 최종적으로 결정된 군집을 이용하여 아이디 내의 데이터 요소들에 라벨링을 수행한다.
이하에서는, 본 발명의 일 실시예에 따른 데이터 라벨링 방법의 구체적 실행예를 살펴보기로 한다.
도 7 은 라벨링 대상 데이터를 예시한 것이다.
도 7 의 데이터 요소 e1 내지 e10 은 군집 내에 존재하는 데이터 요소들일 수 있다. 군집의 크기 n=10 이다. e1 내지 e10 데이터 요소들은, 본 발명의 일 실시예에 따라 약하게 라벨링된 데이터들 중, 동일 아이디 내에서 군집 생성부(310)에 의해 생성된 군집 내에 존재하는 데이터 요소들이다. 즉, 도 5 를 참조하면 (b) 단계와 같이 아이디 내에 생성된 군집들 중 하나의 군집 내에 존재하는 데이터 요소들이다.
도 7 의 데이터 요소들은 모두 인물 사진인 것으로 가정하기로 한다. 또한, 도 7 의 예시에서, {e1, e2, e7, e9, e10}는 인물 A 의 사진이고, {e3, e8} 는 인물 B 의 사진이며, 나머지 데이터 요소들은 모두 다른 사람의 인물 사진인 것으로 가정하기로 한다.
먼저, 최소 득표수 산출부(320)는 군집의 모든 데이터 요소의 특징벡터를 추출하고, 특징벡터 간 거리를 산출한다. 도 7 의 10개 데이터 요소들에 대해 특징벡터 간 거리를 산출하면, 10 by 10 크기의 거리 행렬 D = [d ij ] (1≤i≤10, 1≤j≤10)를 얻을 수 있다. 또한, 임계값 t 를 이용하여 거리 행렬 D 를 이진화한 득표수 행렬 V = [v ij ] 를 산출할 수 있다. 예를 들어, 적절한 임계값 t 가 설정되었다면, 동일 인물들 간의 거리를 이진화한 값은 0(ex. v 12 = 0) 이고, 다른 인물들 간의 거리를 이진화한 값은 1(ex. v 13 = 1) 이다. 이와 같은 방법으로 산출한, 도 7 의 군집의 득표행렬 V = [V ij ] 은 하기의 [행렬 1] 과 같다.
Figure 112019069897575-pat00009
[행렬 1]
더불어, 상술한 바와 같이 득표행렬 V = [V ij ] 의 행별 값을 합산한 득표수 배열 Vote=(vote i ), (1≤i≤10) 는 하기의 [배열 1] 과 같이 산출될 수 있다.
Figure 112019069897575-pat00010
[배열 1]
상기 득표수 배열 Vote 로부터 최소 득표수는 5, 불결값은 0.5로 산출되고, 이상값 배열은 하기의 [배열 2] 와 같이 산출될 수 있다.
Figure 112019069897575-pat00011
[배열 2]
만약, α=0, β=0.8 이면, 군집의 불결값이 β보다 작으므로 쓰레기 군집으로 판정되지 않는다. 또한, 군집의 불결값 0.5 보다 큰 이상값을 갖는 데이터 요소 e3, e4, e5, e6, e8 이 노이즈 요소로 판정되어 삭제된다. 또한, α=0.4인 경우에도, 0.5+0.4*0.5=0.7 보다 큰 이상값을 갖는 데이터 요소가 노이즈 요소로 판정되므로, 동일하게 e3, e4, e5, e6, e8 이 노이즈 요소로 판정되어 삭제될 수 있다. 다만, α=0.6인 경우, 0.8보다 큰 이상값을 갖는 데이터 요소인 e4, e5, e6 만 삭제된다.
이상에서 설명한 본 발명의 데이터 라벨링 방법 및 시스템은, 데이터 요소들의 특징벡터 간 거리를 그대로 사용하지 않고 이진화하여 득표수 행렬을 생성하므로, 노이즈 요소의 특징벡터 값이 군집의 대표값 또는 판정값에 주는 영향을 최소화할 수 있다. 따라서, 본 발명에 따르면 군집 내 노이즈 요소의 비율이 많더라도 정확도 높게 라벨링을 수행할 수 있다.
또한, 본 발명의 데이터 라벨링 방법 및 시스템은, 약하게 라벨링된 아이디 내의 노이즈 비율의 영향을 받지 않고 군집을 형성할 수 있다.
또한, 최소 득표수를 이용함으로써, 군집 안의 노이즈 요소의 비율을 군집들 간 상대 비교로 추정하는 것이 아니라 각 군집 자체에서 얻은 절대값으로 추정하므로, 각 군집의 불결한 정도(노이즈 요소가 포함된 정도)가 다른 군집들의 영향을 받지 않고 추정할 수 있다.
더불어, 본 발명의 데이터 라벨링 방법 및 시스템은, 약하게 라벨링된 아이디 내에서 복수개의 군집을 형성할 수 있으므로, 하나의 아이디에 복수개의 군집이 형성되어야 하는 경우에도 높은 재현율을 보일 수 있다.
이상 설명된 본 발명에 따른 실시예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항과 한정된 실시예 및 도면에 의하여 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위하여 제공된 것일 뿐, 본 발명이 상기 실시예에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정과 변경을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims (13)

  1. 획득된 데이터를 군집화하여 하나 이상의 군집들의 세트를 생성하는 군집 생성부;
    상기 하나 이상의 군집 각각에 대하여, 군집 내 데이터 요소들 간 동일성 판별에 기초하여 최소 득표수를 산출하는 최소 득표수 산출부;
    상기 최소 득표수 및 군집 내 데이터 요소의 개수에 기초하여 쓰레기 군집을 판정하고 상기 쓰레기 군집을 상기 군집들의 세트에서 제외하거나, 상기 최소 득표수 및 데이터 요소의 이상값에 기초하여 노이즈 요소를 판정하고 상기 노이즈 요소를 상기 노이즈 요소가 속한 군집에서 제외하는 삭제부;
    를 포함하고,
    상기 최소 득표수는, 상기 군집 내 데이터 요소 간의 동일성 여부를 기준으로 이진화한 득표 행렬에 대하여, 상기 득표 행렬을 행합산하여 산출한 데이터 요소별 득표수의 최소값인,
    데이터 라벨링 시스템.
  2. 제 1 항에 있어서,
    상기 삭제부는,
    상기 하나 이상의 군집 각각에 대하여, 상기 최소 득표수를 상기 군집 내 데이터 요소들의 개수로 나눈 불결값(impure value)을 산출하고, 상기 불결값이 제2 파라미터를 초과하는 경우 해당 군집을 상기 군집 생성부가 생성한 군집 세트에서 제외하는 군집 삭제부;
    를 포함하는, 데이터 라벨링 시스템.
  3. 제 2 항에 있어서,
    상기 삭제부는,
    상기 군집 내 하나 이상의 데이터 요소 각각에 대하여, 상기 득표수를 상기 군집 내 데이터 요소들의 개수로 나눈 이상값(outlier value)을 산출하고, 상기 이상값과 상기 불결값에 기초하여 상기 노이즈 요소를 상기 노이즈 요소가 속한 군집에서 제외하는 요소 삭제부;
    를 포함하는, 데이터 라벨링 시스템.
  4. 삭제
  5. 제 1 항에 있어서,
    상기 득표 행렬은 행렬 위치에 대응하는 상기 군집 내 데이터 요소들의 특징벡터 간 거리가 특정 임계치를 초과하면 1, 그렇지 않으면 0으로 정의되는 것을 특징으로 하는, 데이터 라벨링 시스템.
  6. 제 1 항에 있어서,
    상기 쓰레기 군집을 상기 군집들의 세트에서 제외하거나 상기 노이즈 요소를 판정한 후, 가능한 조합들로 군집을 생성하고, 생성된 새로운 군집에 대해 상기 최소 득표수에 기초한 불결값을 산출하며, 상기 생성된 새로운 군집의 상기 불결값이 제3 파라미터를 초과하지 않는 경우 해당 새로운 군집으로 기존의 군집을 대체하는 군집 병합부; 를 더 포함하는, 데이터 라벨링 시스템.
  7. 컴퓨팅 장치에 의해 수행되는 데이터 라벨링 방법에 있어서,
    획득된 데이터를 군집화하여 하나 이상의 군집들의 세트를 생성하는 군집화 단계;
    상기 하나 이상의 군집 각각에 대하여, 군집 내 데이터 요소들 간 동일성 판별에 기초한 최소 득표수를 산출하는 최소 득표수 산출 단계;
    상기 최소 득표수 및 군집 내 데이터 요소의 개수에 기초하여 쓰레기 군집을 판정하고 상기 쓰레기 군집을 상기 군집들의 세트에서 제외하거나, 상기 최소 득표수 및 데이터 요소의 이상값에 기초하여 노이즈 요소를 판정하고 상기 노이즈 요소를 상기 노이즈 요소가 속한 군집에서 제외하는 삭제 단계;
    를 포함하고,
    상기 최소 득표수는, 상기 군집 내 데이터 요소 간의 동일성 여부를 기준으로 이진화한 득표 행렬에 대하여, 상기 득표 행렬을 행합산하여 산출한 데이터 요소별 득표수의 최소값인,
    데이터 라벨링 방법.
  8. 제 7 항에 있어서,
    상기 삭제 단계는,
    상기 하나 이상의 군집 각각에 대하여, 상기 최소 득표수를 상기 군집 내 데이터 요소들의 개수로 나눈 불결값(impure value)을 산출하고, 상기 불결값이 제2 파라미터를 초과하는 경우 해당 군집을 상기 군집화 단계가 생성한 군집 세트에서 제외하는 군집 삭제 단계; 를 포함하는, 데이터 라벨링 방법.
  9. 제 8 항에 있어서,
    상기 삭제 단계는,
    상기 군집 내 하나 이상의 데이터 요소 각각에 대하여, 상기 득표수를 상기 군집 내 데이터 요소들의 개수로 나눈 이상값(outlier value)을 산출하고, 상기 이상값과 상기 불결값에 기초하여 상기 노이즈 요소를 상기 노이즈 요소가 속한 군집에서 제외하는 요소 삭제 단계; 를 포함하는, 데이터 라벨링 방법.
  10. 삭제
  11. 제 8 항에 있어서,
    상기 쓰레기 군집을 상기 군집들의 세트에서 제외하거나 상기 노이즈 요소를 판정한 후, 가능한 조합들로 군집을 생성하고, 생성된 새로운 군집에 대해 상기 최소 득표수에 기초한 불결값을 산출하며, 상기 생성된 새로운 군집의 상기 불결값이 제3 파라미터를 초과하지 않는 경우 해당 새로운 군집으로 기존의 군집을 대체하는 단계; 를 더 포함하는, 데이터 라벨링 방법.
  12. 컴퓨팅 장치에 의해 수행되는 데이터 라벨링 방법에 있어서,
    복수개 데이터 요소들을 획득하는 단계;
    상기 복수개 데이터 요소들 간 동일성 판별에 기초한 최소 득표수를 산출하는 단계;
    상기 복수개 데이터 요소들 각각에 대하여 상기 득표수에 기초한 이상값을 산출하고, 상기 데이터 요소별 이상값 및 상기 최소 득표수를 비교하여 노이즈 요소를 판정하고, 상기 노이즈 요소를 상기 데이터 요소들에서 제외하는 단계;
    를 포함하고,
    상기 최소 득표수는, 상기 군집 내 데이터 요소 간의 동일성 여부를 기준으로 이진화한 득표 행렬에 대하여, 상기 득표 행렬을 행합산하여 산출한 데이터 요소별 득표수의 최소값인,
    데이터 라벨링 방법.
  13. 제 7 항 내지 제 9 항 및 제 11 항 및 제 12 항 중 어느 한 항에 따른 방법을 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 기록된 컴퓨터 프로그램.
KR1020190082315A 2019-07-08 2019-07-08 데이터 라벨링 방법, 시스템 및 컴퓨터 프로그램 KR102242042B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190082315A KR102242042B1 (ko) 2019-07-08 2019-07-08 데이터 라벨링 방법, 시스템 및 컴퓨터 프로그램

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190082315A KR102242042B1 (ko) 2019-07-08 2019-07-08 데이터 라벨링 방법, 시스템 및 컴퓨터 프로그램

Publications (2)

Publication Number Publication Date
KR20210006247A KR20210006247A (ko) 2021-01-18
KR102242042B1 true KR102242042B1 (ko) 2021-04-19

Family

ID=74236960

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190082315A KR102242042B1 (ko) 2019-07-08 2019-07-08 데이터 라벨링 방법, 시스템 및 컴퓨터 프로그램

Country Status (1)

Country Link
KR (1) KR102242042B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102540873B1 (ko) * 2022-12-15 2023-06-07 주식회사 에이모 노이즈 레이블을 필터링하는 방법 및 장치

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004021350A (ja) * 2002-06-12 2004-01-22 Alliance Group Inc データ潜在規則抽出装置、データ潜在規則抽出方法及びデータ潜在規則抽出プログラム
KR100791037B1 (ko) * 2007-04-19 2008-01-03 인하대학교 산학협력단 그리드 기반 대용량 데이터 분류 장치 및 방법
JP2009134735A (ja) * 1999-01-27 2009-06-18 Ricoh Co Ltd 画像分類装置およびその装置としてコンピュータを機能させるためのプログラムを記録したコンピュータ読み取り可能な記録媒体

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009134735A (ja) * 1999-01-27 2009-06-18 Ricoh Co Ltd 画像分類装置およびその装置としてコンピュータを機能させるためのプログラムを記録したコンピュータ読み取り可能な記録媒体
JP2004021350A (ja) * 2002-06-12 2004-01-22 Alliance Group Inc データ潜在規則抽出装置、データ潜在規則抽出方法及びデータ潜在規則抽出プログラム
KR100791037B1 (ko) * 2007-04-19 2008-01-03 인하대학교 산학협력단 그리드 기반 대용량 데이터 분류 장치 및 방법

Also Published As

Publication number Publication date
KR20210006247A (ko) 2021-01-18

Similar Documents

Publication Publication Date Title
CN111860872B (zh) 用于异常检测的系统和方法
US11748401B2 (en) Generating congruous metadata for multimedia
US20180260531A1 (en) Training random decision trees for sensor data processing
CN105765609B (zh) 使用有向无环图的存储器促进
CN108280477B (zh) 用于聚类图像的方法和装置
WO2019076173A1 (zh) 内容推送方法、装置及计算机设备
JP5917719B2 (ja) 画像データベースにおける画像管理のための方法、装置、および、コンピュータで読取り可能な記録媒体
US20190057284A1 (en) Data processing apparatus for accessing shared memory in processing structured data for modifying a parameter vector data structure
WO2018090545A1 (zh) 融合时间因素的协同过滤方法、装置、服务器和存储介质
US20190212977A1 (en) Candidate geographic coordinate ranking
US20120084226A1 (en) Measuring or estimating user credibility
KR20190094068A (ko) 온라인 게임에서 게이머 행동 유형을 분류하는 분류기의 학습 방법 및 상기 분류기를 포함하는 장치
EP4053757A1 (en) Degradation suppression program, degradation suppression method, and information processing device
CN112818162A (zh) 图像检索方法、装置、存储介质和电子设备
CN114298122A (zh) 数据分类方法、装置、设备、存储介质及计算机程序产品
CN113963303A (zh) 图像处理方法、视频识别方法、装置、设备及存储介质
CN115034315A (zh) 基于人工智能的业务处理方法、装置、计算机设备及介质
WO2016037346A1 (en) Measuring and diagnosing noise in urban environment
CN107767155B (zh) 一种评估用户画像数据的方法及系统
Tao et al. A study of a Gaussian mixture model for urban land-cover mapping based on VHR remote sensing imagery
KR102242042B1 (ko) 데이터 라벨링 방법, 시스템 및 컴퓨터 프로그램
CN114330703A (zh) 搜索模型的更新方法、装置、设备及计算机可读存储介质
CN113379469A (zh) 一种异常流量检测方法、装置、设备及存储介质
US20150331889A1 (en) Method of Image Tagging for Identifying Regions and Behavior Relationship between Different Objects
US9477757B1 (en) Latent user models for personalized ranking

Legal Events

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