KR102247056B1 - 인증 과정 분류 방법 및 그 장치 - Google Patents

인증 과정 분류 방법 및 그 장치 Download PDF

Info

Publication number
KR102247056B1
KR102247056B1 KR1020200107970A KR20200107970A KR102247056B1 KR 102247056 B1 KR102247056 B1 KR 102247056B1 KR 1020200107970 A KR1020200107970 A KR 1020200107970A KR 20200107970 A KR20200107970 A KR 20200107970A KR 102247056 B1 KR102247056 B1 KR 102247056B1
Authority
KR
South Korea
Prior art keywords
vector
result data
certification
target product
processor
Prior art date
Application number
KR1020200107970A
Other languages
English (en)
Inventor
박은진
이다운
박성재
박찬일
Original Assignee
싸이엔스 주식회사
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 싸이엔스 주식회사 filed Critical 싸이엔스 주식회사
Priority to KR1020200107970A priority Critical patent/KR102247056B1/ko
Application granted granted Critical
Publication of KR102247056B1 publication Critical patent/KR102247056B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Abstract

인증 과정 분류 방법 및 그 장치가 제공 된다. 본 발명의 일 실시예에 따른 인증 과정 분류 방법은 대상 상품에 포함된 적어도 하나의 성분 정보를 획득하는 단계, 식품의약품 안전처의 인증 성분 리스트를 획득하고, 상기 인증 성분 리스트를 멀티핫 벡터로 인코딩하는 단계, 상기 인코딩 된 멀티핫 벡터 및 상기 성분 정보를 CNN 구조의 인공신경망에 입력하고 결과 데이터를 획득하는 단계 및 상기 결과 데이터를 기초로 상기 성분 정보의 인증 과정을 제1 과정 또는 제2 과정으로 분류하는 단계를 포함한다.

Description

인증 과정 분류 방법 및 그 장치{ METHOD AND APPARATUS FOR CLASSIFYING PRODUCT CERTIFICATION PROCESS }
본 발명은 인증 과정 분류 방법 및 그 장치에 관한 것이다. 보다 자세하게는, 기획된 의약외품에 대해 식약처 인증과정을 분류할 수 있도록 딥러닝을 이용한 식약처 인증 분류 방법에 관한 것이다.
제품 기획시 제품의 기능성, 상품성을 판단해 기획을 진행한다. 하지만 의약외품의 경우 인증에 대한 부분을 추가로 고려해야한다.
의약품과 의약외품의 경우 식약처에 인증을 받아야하며 제품 기획 단계에서 이를 고려하지 않으면 모든 기획이 완료된 후 인증을 통과하지 못해 다시 상품을 기획하는 경우가 발생할 수 있다. 또한 인증을 통과한다고 하더라도 인증을 통과하기 위해 많은 인력과 자본이 소요된다.
의약외품의 경우 식약처 인증 받는 방법이 허가, 신고 두가지로 나뉘는데 허가의 경우가 신고에 비해 많은 프로세스를 요구한다. 또한, 동일한 기능을 하는 의약외품임에도 불구하고 첨가 성분에 따라 허가로 인증을 받아야 하는 경우, 신고로 인증을 받는 경우 대비 전문가의 인건비와 시간이 많이 소요된다는 문제점이 존재한다.
전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.
한국등록공보 10-2074178 B1 (2020.01.31)
본 발명의 실시예들은 기획 상품의 인증을 위한 소요비용 예측 또는 기획 방향 조정을 위해 인증과정에 필요한 시간과 비용을 절약할 수 있는 인증 과정 분류 방법 및 그 장치를 제공한다.
본 발명의 일 실시예에 따른 인증 과정 분류 방법은 대상 상품에 포함된 적어도 하나의 성분 정보를 획득하는 단계, 식품의약품 안전처의 인증 성분 리스트를 획득하고, 상기 인증 성분 리스트를 멀티핫 벡터로 인코딩하는 단계, 상기 인코딩 된 멀티핫 벡터 및 상기 성분 정보를 CNN 구조의 인공신경망에 입력하고 결과 데이터를 획득하는 단계 및 상기 결과 데이터를 기초로 상기 성분 정보의 인증 과정을 제1 과정 또는 제2 과정으로 분류하는 단계를 포함할 수 있다.
일 실시예에서 상기 결과 데이터를 획득하는 단계는, 상기 멀티핫 벡터를 완전 연결 레이어(Fully Connected Layer)에 입력하고, 상기 성분 정보를 제1 컨벌루션 레이어(Convolution Layer)에 입력하는 단계를 포함할 수 있다.
일 실시예에서 상기 결과 데이터를 획득하는 단계는, 상기 완전 연결 레이어를 통해 차원이 축소된 상기 멀티핫 벡터와 상기 제1 컨벌루션 레이어에서 출력된 성분 정보를 연결(concat)하여 결합 벡터를 생성하는 단계를 포함할 수 있다.
일 실시예에서 상기 결과 데이터를 획득하는 단계는, 상기 결합 벡터를 제2 컨벌루션 레이어에 입력하여 상기 결과 데이터를 생성하는 단계를 포함할 수 있다.
일 실시예에서 상기 제1 과정은, 신고 과정이고, 상기 제2 과정은, 허가 과정이고, 상기 인증 성분 리스트는, 신고 과정인 성분은 1로 표시되고 허가 과정인 성분은 0으로 표시된 성분의 개수 크기의 벡터일 수 있다.
일 실시예에서 상기 적어도 하나의 성분 정보를 획득하는 단계는, 상기 대상 상품의 주성분 정보 및 첨가제 정보를 수신하는 단계를 포함할 수 있다.
일 실시예에서 상기 CNN 구조의 인공신경망은, 어텐션 알고리즘 기반의 인공신경망일 수 있다.
일 실시예에서 제1 과정 또는 제2 과정으로 분류하는 단계는, 상기 결과 데이터를 기초로 상기 대상 상품의 인증 과정이 상기 제1 과정일 확률 및 상기 대상 상품의 인증 과정이 제2 과정일 확률을 획득하는 단계를 포함할 수 있다.
일 실시예에서 인증 과정 분류 장치는 프로세서를 포함하고, 상기 프로세서는, 대상 상품에 포함된 적어도 하나의 성분 정보를 수신하고, 식품의약품 안전처의 인증 성분 리스트를 획득하고, 상기 인증 성분 리스트를 멀티핫 벡터로 인코딩하고, 상기 인코딩 된 멀티핫 벡터 및 상기 성분 정보를 CNN 구조의 인공신경망에 입력하고 결과 데이터를 획득하고, 상기 결과 데이터를 기초로 상기 성분 정보의 인증 과정을 제1 과정 또는 제2 과정으로 분류할 수 있다.
일 실시예에서 상기 프로세서는, 상기 멀티핫 벡터를 완전 연결 레이어(Fully Connected Layer)에 입력하고, 상기 성분 정보를 제1 컨벌루션 레이어(Convolution Layer)에 입력할 수 있다.
일 실시예에서 상기 프로세서는, 상기 완전 연결 레이어를 통해 차원이 축소된 상기 멀티핫 벡터와 상기 제1 컨벌루션 레이어에서 출력된 성분 정보를 연결(concat)하여 결합 벡터를 생성할 수 있다.
일 실시예에서 상기 프로세서는, 상기 결합 벡터를 제2 컨벌루션 레이어에 입력하여 상기 결과 데이터를 생성할 수 있다.
일 실시예에서 상기 프로세서는, 상기 대상 상품의 주성분 정보 및 첨가제 정보를 수신할 수 있다.
상기 프로세서는, 상기 결과 데이터를 기초로 상기 대상 상품의 인증 과정이 상기 제1 과정일 확률 및 상기 대상 상품의 인증 과정이 제2 과정일 확률을 획득할 수 있다.
전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.
도 1은 본 발명의 일 실시예에 따른 인증 과정 분류 방법을 포함하는 인증 과정 분류 시스템의 예를 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 인증 과정 분류 장치의 내부 구성을 설명하기 위한 블록도이다.
도 3은 본 발명의 일 실시예에 따른 인증 과정 분류 장치의 프로세서의 내부 구성을 나타낸 것이다.
도 4는 본 발명의 일 실시예에 따른 인증 과정 분류 방법의 순서도이다.
도 5는 본 발명의 일 실시예에 따른 인증 성분 리스트를 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따라 인증 성분 분류를 수행하는 인공신경망의 구조를 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따라 대상 상품의 단일 성분 정보를 기초로 인증 과정을 분류하는 방법을 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시예에 따라 주성분 정보 및 첨가제 성분 정보를 기초로 인증 과정을 분류하는 방법을 설명하기 위한 도면이다.
도 9는 본 발명의 일 실시예에 따라 복수의 성분 정보를 기초로 대상 상품의 인정 과정을 분류하는 방법을 설명하기 위한 도면이다.
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.
이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 여러 실시예에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
이하 도 1을 참조하여 본 발명의 일 실시예에 따른 인증 과정 분류 시스템에 대하여 상세히 설명한다.
본 발명은 약외품 및 기능성 화장품의 기획 단계에서 상품의 성분을 미리 분석해 식약처 인증 기준이 “허가” 또는 “신고”인지 나눌 수 있는 분류 시스템을 포함할 수 있다.
의약외품·기능성 화장품은 인체에 직접 작용하는 상품으로서 식품의약품안전처 (식약처)의 기준에 맞는 인증을 반드시 받아야 한다. 따라서, 의약외품·기능성 화장품 업체들은 인증 통과를 위해 상품 기획 단계에서 성분 결정 및 배합에 많은 인적, 금전적, 시간적 자원을 투입하고 있다.
식약처 의약외품·기능성 화장품의 인증 절차는 크게 ‘허가’와 ‘신고’로 나뉜다. 보다 구체적으로,'허가'는 국내에서 사용례가 없는 새로운 성분을 배합하는 경우이고, '신고'는 대한민국 약전 또는 식약처장이 인정하는 공정서 및 의약품집에 실려 있는 품목 및 성분을 이용해 제품을 만드는 경우일 수 있다.
대부분 의약외품·기능성 화장품 제조업체에서는 식약처 인증 단계에서 기회비용을 줄이기 위해 인증 절차와 기간이 적게 걸리는 ‘신고’ 절차를 선호한다. 인증 절차가 '신고‘로 이뤄질 경우, 비교적으로 적은 자원을 투입해 상품 기획이 가능하다.
다만, 동일 품목에 대해서도 주성분이 동일함에도 첨가제의 차이로 ‘허가’와 ‘신고’가 나뉘는 경우 존재하여 실제 인증 절차를 수행하기 전에는 기획중인 상품의 인증 절차를 정확히 알 수 없다는 문제가 존재한다.
이에 따라 본 발명의 몇몇 실시예에 따른 인증 과정 분류 방법은 딥러닝을 적용하여 대상 상품에 대해 식약처 인증과정을 분류하여 인증 절차에 소요되는 시간과 비용을 절약할 수 있다.
일 실시예에 따른 인증 과정 분류 방법은 대상 상품의 성분 정보(20)와 식약처에서 발표한 인증 성분 리스트(10)를 이용하여 딥러닝 기반의 인증 과정 분류 모델(30)을 학습시키고, 인증 과정 분류 모델(30)의 결과 데이터를 기초로 인증 결과를 예측(40)할 수 있다. 본 실시예에 따른 각 구성의 동작 방법은 이하 관련 도면에서 상세히 설명한다.
이하 도 2를 참조하여 인증 과정 분류 장치의 구성 및 동작에 대하여 상세히 설명한다.
일 실시예에서 인증 과정 분류 장치(100)는 메모리(101), 프로세서(102), 통신 모듈(103) 및 입출력 인터페이스(104)를 포함할 수 있다.
메모리(101)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(101)에는 인증 과정 분류 장치(100)를 제어하기 위한 프로그램 코드 및 설정, 카메라 영상, 그리고 물체의 포즈 데이터가 일시적 또는 영구적으로 저장될 수 있다.
프로세서(102)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(101) 또는 통신 모듈(103)에 의해 프로세서(102)로 제공될 수 있다. 예를 들어 프로세서(102)는 메모리(101)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
통신 모듈(103)은 네트워크를 통해 외부 서버와 통신하기 위한 기능을 제공할 수 있다. 일례로, 인증 과정 분류 장치(100)의 프로세서(102)가 메모리(101)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이 통신 모듈(103)의 제어에 따라 네트워크를 통해 외부 서버로 전달될 수 있다. 역으로, 외부 서버의 프로세서의 제어에 따라 제공되는 제어 신호나 명령, 컨텐츠, 파일 등이 네트워크를 거쳐 통신 모듈(103)을 통해 인증 과정 분류 장치(100)로 수신될 수 있다. 예를 들어 통신 모듈(103)을 통해 수신된 외부 서버의 제어 신호나 명령 등은 프로세서(102)나 메모리(101)로 전달될 수 있고, 컨텐츠나 파일 등은 인증 과정 분류 장치(100)가 더 포함할 수 있는 저장 매체로 저장될 수 있다. 또한, 통신 모듈의 통신 방식은 제한되지 않지만, 네트워크는 근거리 무선통신망일 수 있다. 예를 들어, 네트워크는 블루투스(Bluetooth), BLE(Bluetooth Low Energy), Wifi 통신망일 수 있다.
입출력 인터페이스(104)는 입출력 장치와의 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(104)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 보다 구체적인 예로, 인증 과정 분류 장치(100)의 프로세서(102)는 메모리(101)에 로딩된 컴퓨터 프로그램의 명령을 처리함에 있어서 외부 서버가 제공하는 데이터를 이용하여 구성되는 서비스 화면이나 컨텐츠가 입출력 인터페이스(104)를 통해 디스플레이에 표시될 수 있다.
또한, 다른 실시예들에서 인증 과정 분류 장치(100)는 도 2의 구성요소들보다 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 인증 과정 분류 장치(100)는 내부 구성요소들에 전력을 공급하는 배터리 및 충전 장치를 포함할 수 있고, 상술한 입출력 장치 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), GPS(Global Positioning System) 모듈, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다.
이하 도 3을 참조하여 본 발명의 일 실시예에 따른 인증 과정 분류 장치의 프로세서(102)의 내부 구성에 대하여 상세히 검토한다. 후술되는 프로세서는 이해의 용이를 위하여 도 2에 도시된 인증 과정 분류 장치(100)의 프로세서(102)임을 가정하고 설명하나, 일 실시예에서 상기 물체의 3차원 모델 데이터가 외부 서버에서 생성되는 경우 후술되는 프로세서는 외부 서버의 프로세서일 수 있음에 유의한다.
본 발명의 일 실시예에 따른 물체의 인증 과정 분류 장치의 프로세서(102)는 성분 정보 획득부(111), 인증 성분 리스트 인코딩부(112), 인공신경망부(113) 및 인증 과정 분류부(114)를 포함한다. 몇몇 실시예에 따라 프로세서(102)의 구성요소들은 선택적으로 프로세서(102)에 포함되거나 제외될 수도 있다. 또한, 몇몇 실시예에 따라 프로세서(102)의 구성요소들은 프로세서(102)의 기능의 표현을 위해 분리 또는 병합될 수도 있다.
이러한 프로세서(102) 및 프로세서(102)의 구성요소들은 도 4 의 인증 과정 분류 방법이 포함하는 단계들(S110 내지 S140)을 수행하도록 인증 과정 분류 장치(100)를 제어할 수 있다. 예를 들어, 프로세서(102) 및 프로세서(102)의 구성요소들은 메모리(101)가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다. 여기서, 프로세서(102)의 구성요소들은 인증 과정 분류 장치(100)에 저장된 프로그램 코드가 제공하는 명령에 따라 프로세서(102)에 의해 수행되는 프로세서(102)의 서로 다른 기능들(different functions)의 표현들일 수 있다. 프로세서(102)의 내부 구성 및 구체적인 동작에 대해서는 도 4 의 인증 과정 분류 방법 및 도 5내지 도 9의 실시예를 참조하여 설명하기로 한다.
도 4 는 본 발명의 일 실시예에 따른 인증 과정 분류 방법을 시계열적으로 나타낸 도면이다.
이하 본 발명의 몇몇 실시예에 따라 인증 과정 분류 방법을 수행하는 컴퓨팅 장치를 전자장치로 기재한다.
단계 S110에서 전자장치는 대상 상품에 포함된 적어도 하나의 상품 정보를 획득할 수 있다. 이 경우 전자장치는 대상상품에 포함된 단일 상품 정보를 획득할 수도 있고, 대상상품에 포함된 복수의 상품 정보를 획득할 수도 있다. 또한, 일 실시예에서 전자장치는 상기 대상 상품의 주성분 정보 및 첨가제 정보를 수신할 수도 있다.
단계 S120에서 전자장치는 식품의약품안전처의 인증 성분 리스트를 획득하고, 인증 성분 리스트를 멀티핫 벡터로 인코딩할 수 있다. 이 경우 상기 인증 성분 리스트의 데이터 포맷은 한정되지 않으나, 일 실시예에 따른 인증 성분 리스트는 신고 과정인 성분은 1로 표시되고 허가 과정인 성분은 0으로 표시된 성분의 개수 크기의 벡터일 수 있다.
단계 S130에서 전자장치는 인코딩 된 멀티핫 벡터 및 성분 정보를 CNN 구조의 인공신경망에 입력하고 결과 데이터를 획득할 수 있다. 인공신경망의 구조는 한정되지 않으나, 일 실시예에서 상기 CNN 구조의 인공신경망은 어텐션 알고리즘 기반의 인공신경망일 수 있다. 본 실시예에 따른 인공신경망은 상술한 어텐션 알고리즘을 기초로 식약처의 인증과정을 분류하는데 크게 영향을 미치는 성분 정보를 검출할 수 있고, 이를 기초로 입력된 대상 상품의 인증 과정 분류를 정확하게 수행할 수 있다.
보다 구체적으로 전자장치는 멀티핫 벡터를 완전 연결 레이어(Fully Connected Layer)에 입력하고, 상기 성분 정보를 제1 컨벌루션 레이어(Convolution Layer)에 입력할 수 있다. 그리고 전자장치는 상기 완전 연결 레이어를 통해 차원이 축소된 상기 멀티핫 벡터와 상기 제1 컨벌루션 레이어에서 출력된 성분 정보를 연결(concat)하여 결합 벡터를 생성할 수 있다. 이후, 전자장치는 상기 결합 벡터를 제2 컨벌루션 레이어에 입력하여 상기 결과 데이터를 생성할 수 있다.
이후, 단계 S140에서 전자장치는 결과 데이터를 기초로 성분 정보의 인증 과정을 제1 과정 또는 제2 과정으로 분류할 수 있다.
본 발명의 몇몇 실시예에서 상기 제1 과정은 신고 과정이고, 상기 제2 과정은 허가 과정일 수 있다. 본 실시예에서 전자장치는 전술한 결과 데이터를 기초로 상기 대상 상품의 인증 과정이 상기 제1 과정일 확률 및 상기 대상 상품의 인증 과정이 제2 과정일 확률을 획득할 수 있다. 보다 상세한 설명은 이하 관련 도면에서 후술한다.
도 5는 본 발명의 일 실시예에 따른 인증 성분 리스트를 설명하기 위한 도면이다.
본 발명의 몇몇 실시예에 따른 인증 성분 리스트는 식품의약품안전처에서 획득한 데이터를 포함할 수 있다. 일 실시예에서 전자장치는 획득한 인증 성분 리스트를 소정의 조건에 따라 멀티핫 벡터로 인코딩할 수 있다. 전술한 바, 전자장치는 인증 성분 리스트를 성분의 갯수 크기의 벡터로 변환할 수 있다. 즉, 일 실시예에 따른 전자장치는 인증 성분 리스트에 대하여 신고 과정인 성분은 1로 표시되고 허가 과정인 성분은 0으로 표시된 성분의 개수 크기의 벡터로 인코딩을 수행할 수 있다.
도시된 바를 참고하면 '염화칼륨', '에탄올', '젖산 나트륨' 및 '염산'의 경우 '허가'를 통해 인증을 수행할 수 있고 '정제수', '알로에 엑스' 및 '녹차 추출물'의 경우 '신고' 통해 인증을 수행할 수 있음을 알 수 있다.
이후, 전자장치는 도시된 바에 따라 생성된 멀티핫 벡터 인공신경망에 입력하여, 추가로 입력된 대상 상품의 성분 정보를 기초로 해당 대상 상품의 인증 과정 분류를 수행할 수 있다. 보다 상세한 설명은 이하 도 6을 참조하여 설명한다.
도 6은 본 발명의 일 실시예에 따라 대상 상품의 인증 과정 분류를 수행하는 인공신경망의 구조를 설명하기 위한 도면이다.
전술한 바, 본 발명의 몇몇 실시예에 따른 상술한 인증 성분 리스트가 인코딩된 멀티핫 벡터 및 대상 상품의 성분 정보를 획득할 수 있다. 전자장치는 인코딩 된 멀티핫 벡터 및 성분 정보를 CNN 구조의 인공신경망에 입력하고 결과 데이터를 획득할 수 있다. 인공신경망의 구조는 한정되지 않으나, 일 실시예에서 상기 CNN 구조의 인공신경망은 어텐션 알고리즘 기반의 인공신경망일 수 있다.
본 실시예에 따른 인공신경망은 상술한 어텐션 알고리즘을 기초로 식약처의 인증과정을 분류하는데 크게 영향을 미치는 성분 정보를 학습시킬 수 있다. 이후 전자장치는 인증 및 허가에 영향을 미치는 성분의 특징을 추출하여 이를 기초로 입력된 대상 상품의 인증 과정 분류를 정확하게 수행할 수 있다.
즉 본 발명의 몇몇 실시예에 따른 인증 과정 분류 방법은 CNN 구조의 이미지 분류 모델을 기초로 어텐션 알고리즘을 적용할 수 있다. 이 경우 해당 인공신경망에 입력되는 입력 데이터는 전술한 성분 벡터일 수 있다.
이 경우 전자장치는 상기 멀티핫 벡터를 완전 연결 레이어(Fully Connected Layer)에 입력하고, 상기 성분 정보를 제1 컨벌루션 레이어(Convolution Layer)에 입력할 수 있다. 그리고 전자장치는 상기 완전 연결 레이어를 통해 차원이 축소된 상기 멀티핫 벡터와 상기 제1 컨벌루션 레이어에서 출력된 성분 정보를 연결(concat)하여 결합 벡터를 생성할 수 있다. 이후, 전자장치는 상기 결합 벡터를 제2 컨벌루션 레이어에 입력하여 상기 결과 데이터를 생성할 수 있다.
이하 도 7 내지 도 9는 본 발명의 몇몇 실시예에 따른 인증 과정 분류 장치의 입출력 인터페이스와 연결된 입출력 장치에 표시된 GUI(graphic User Interface)의 일 예시를 도시한 도면이다.
도 7을 참조하여 본 발명의 일 실시예에 따라 대상 상품의 단일 성분 정보를 기초로 인증 과정을 분류하는 방법을 설명한다.
일 실시예에서 전자장치에 대하여 사용자가 대상 상품에 포함된 주성분 정보(201)를 입력하는 경우, 전자장치는 해당 주성분 정보에 대한 인증 과정 분류 결과 데이터(210a)를 출력할 수 있다. 본 실시예에서 전자장치는 결과 데이터를 기초로 성분 정보의 인증 과정을 '신고'또는 '허가'로 분류할 수 있다. 전자장치는 전술한 인공신경망의 출력 데이터를 기초로 상기 대상 상품의 인증 과정이 '허가'일 확률 및 상기 대상 상품의 인증 과정이 '신고'일 확률을 포함하는 결과 데이터(210a)를 출력할 수 있다.
도시된 결과 데이터(210a)를 참조하면 주성분'에탄올'로 구성된 대상 상품의 경우 식약처 인증을 위하여 '허가' 인증 과정이 수행될 확률이 99.99%이고, '신고' 인증 과장이 수행될 확률이 0.01%임을 알 수 있다. 다만, 본 실시예에서 출력된 인증 과정 분류 결과는 첨가제 없이 에탄올로만 구성된 대상 상품에 대한 것이다. 따라서 이하 복합 성분으로 구성된 대상 상품에 대한 인증 과정을 분류하는 방법에 대하여 검토한다.
이하, 도 8을 참조하여 본 발명의 일 실시예에 따라 주성분 정보 및 첨가제 성분 정보를 기초로 인증 과정을 분류하는 방법을 설명한다.
일 실시예에서 대상 상품의 주성분 외에 첨가제를 포함하는 경우, 전자 장치는 첨가제 성분 정보(202)를 더 획득할 수 있다. 도시된 바를 참조하면, 대상 상품은 주성분인 '에탄올' 외에 첨가제인 '프로필렌글라이콜'을 포함하는 것을 알 수 있다. 이 경우, 전자장치는 '에탄올'을 주성분으로 하고 '프로필렌글라이콜'을 첨가제로 포함하는 대상 상품의 인증 과정 분류 결과 데이터(210b)를 출력할 수 있다.
전술한 대상 상품의 경우 도시된 결과 데이터(210b)를 참고하면, '허가'인증 과정이 수행될 확률이 62.06%이고, '신고'인증 과정이 수행될 확률이 37.94%임을 알 수 있다.
전술한 바와 같이 본 발명의 일 실시예에 따른 인증 과정 분류 방법은 단일 성분으로 구성된 대상 상품 또는 하나의 주성분과 하나의 첨가제로 구성된 대상 상품의 경우도 인증 과정 분류를 수행할 수 있다. 이하 도 8을 참조하여 복수의 첨가제를 포함하는 대상 상품의 경우 인증 과정 분류가 수행되는 방법에 대하여 서술한다.
도 9는 본 발명의 일 실시예에 따라 복수의 성분 정보를 기초로 대상 상품의 인증 과정을 분류하는 방법을 설명하기 위한 도면이다.
도시된 바를 참조하여 복수의 첨가제 성분 정보(203)로 구성된 대상 상품의 인증 과정 분류 방법을 수행하는 방법에 대하여 서술한다. 이 경우 대상 상품은 주성분으로'에탄올'을 포함하고, 첨가제 성분으로 '프로필렌글라이콜', '트리에탄올아민'및 '녹차추출물'으로 구성될 수 있다. 이 경우, 출력된 인증 과정 결과 데이터(210c)를 참조하면 전술한 대상 상품의 경우'허가'인증 과정이 진행될 확률이 81.51%이고 '신고'인증 과정이 진행될 확률이 18.49%임을 알 수 있다.
또한, 다른 몇몇 실시예에 따른 인증 과정 분류 장치는 해당 대상 상품이 '화장품'으로 사용될 수 있는지, '의약외품'으로 사용될 수 있는지, '의약품'으로 사용될 수 있는지, '의료기기'로 사용될 수 있는지 여부를 더 판단할 수 있다. 이를 위해 본 실시예에 따른 인증 과정 분류 장치는 식약처로부터 '화장품'에 대한 인증 성분 리스트, '의약외품'에 대한 인증 성분 리스트, '의약품'에 대한 인증성분 리스트 및 '의료기기'에 대한 인증 성분 리스트를 더 이용하여 인공신경망 학습을 수행할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (17)

  1. 컴퓨팅 장치에 의해 수행되는 인증 과정 분류 방법에 있어서,
    대상 상품에 포함된 적어도 하나의 성분 정보를 획득하는 단계;
    식품의약품 안전처의 인증 성분 리스트를 획득하고, 상기 인증 성분 리스트를 멀티핫 벡터로 인코딩하는 단계;
    상기 인코딩 된 멀티핫 벡터 및 상기 성분 정보를 CNN 구조의 인공신경망에 입력하고 결과 데이터를 획득하는 단계; 및
    상기 결과 데이터를 기초로 상기 성분 정보의 인증 과정을 제1 과정 또는 제2 과정으로 분류하는 단계;를 포함하는,
    인증 과정 분류 방법.
  2. 제1 항에 있어서,
    상기 결과 데이터를 획득하는 단계는,
    상기 멀티핫 벡터를 완전 연결 레이어(Fully Connected Layer)에 입력하고, 상기 성분 정보를 제1 컨벌루션 레이어(Convolution Layer)에 입력하는 단계;를 포함하는,
    인증 과정 분류 방법.
  3. 제2 항에 있어서,
    상기 결과 데이터를 획득하는 단계는,
    상기 완전 연결 레이어를 통해 차원이 축소된 상기 멀티핫 벡터와 상기 제1 컨벌루션 레이어에서 출력된 성분 정보를 연결(concat)하여 결합 벡터를 생성하는 단계;를 포함하는,
    인증 과정 분류 방법.
  4. 제3 항에 있어서,
    상기 결과 데이터를 획득하는 단계는,
    상기 결합 벡터를 제2 컨벌루션 레이어에 입력하여 상기 결과 데이터를 생성하는 단계를 포함하는,
    인증 과정 분류 방법.
  5. 제1 항에 있어서,
    상기 제1 과정은,
    신고 과정이고,
    상기 제2 과정은,
    허가 과정이고,
    상기 인증 성분 리스트는,
    신고 과정인 성분은 1로 표시되고 허가 과정인 성분은 0으로 표시된 성분의 개수 크기의 벡터인,
    인증 과정 분류 방법.
  6. 제1 항에 있어서,
    상기 적어도 하나의 성분 정보를 획득하는 단계는,
    상기 대상 상품의 주성분 정보 및 첨가제 정보를 수신하는 단계를 포함하는,
    인증 과정 분류 방법.
  7. 제1 항에 있어서,
    상기 CNN 구조의 인공신경망은,
    어텐션 알고리즘 기반의 인공신경망인,
    인증 과정 분류 방법.
  8. 제1 항에 있어서,
    제1 과정 또는 제2 과정으로 분류하는 단계는,
    상기 결과 데이터를 기초로 상기 대상 상품의 인증 과정이 상기 제1 과정일 확률 및 상기 대상 상품의 인증 과정이 제2 과정일 확률을 획득하는 단계를 포함하는,
    인증 과정 분류 방법.
  9. 프로세서; 를 포함하고,
    상기 프로세서는,
    대상 상품에 포함된 적어도 하나의 성분 정보를 수신하고, 식품의약품 안전처의 인증 성분 리스트를 획득하고, 상기 인증 성분 리스트를 멀티핫 벡터로 인코딩하고, 상기 인코딩 된 멀티핫 벡터 및 상기 성분 정보를 CNN 구조의 인공신경망에 입력하고 결과 데이터를 획득하고, 상기 결과 데이터를 기초로 상기 성분 정보의 인증 과정을 제1 과정 또는 제2 과정으로 분류하는,
    인증 과정 분류 장치.
  10. 제9 항에 있어서,
    상기 프로세서는,
    상기 멀티핫 벡터를 완전 연결 레이어(Fully Connected Layer)에 입력하고, 상기 성분 정보를 제1 컨벌루션 레이어(Convolution Layer)에 입력하는,
    인증 과정 분류 장치.
  11. 제10 항에 있어서,
    상기 프로세서는,
    상기 완전 연결 레이어를 통해 차원이 축소된 상기 멀티핫 벡터와 상기 제1 컨벌루션 레이어에서 출력된 성분 정보를 연결(concat)하여 결합 벡터를 생성하는,
    인증 과정 분류 장치.
  12. 제11 항에 있어서,
    상기 프로세서는,
    상기 결합 벡터를 제2 컨벌루션 레이어에 입력하여 상기 결과 데이터를 생성하는,
    인증 과정 분류 장치.
  13. 제9 항에 있어서,
    상기 제1 과정은,
    신고 과정이고,
    상기 제2 과정은,
    허가 과정이고,
    상기 인증 성분 리스트는,
    신고 과정인 성분은 1로 표시되고 허가 과정인 성분은 0으로 표시된 성분의 개수 크기의 벡터인,
    인증 과정 분류 장치.
  14. 제9 항에 있어서,
    상기 프로세서는,
    상기 대상 상품의 주성분 정보 및 첨가제 정보를 수신하는,
    인증 과정 분류 장치.
  15. 제9 항에 있어서,
    상기 CNN 구조의 인공신경망은,
    어텐션 알고리즘 기반의 인공신경망인,
    인증 과정 분류 장치.
  16. 제9 항에 있어서,
    상기 프로세서는,
    상기 결과 데이터를 기초로 상기 대상 상품의 인증 과정이 상기 제1 과정일 확률 및 상기 대상 상품의 인증 과정이 제2 과정일 확률을 획득하는,
    인증 과정 분류 장치.
  17. 컴퓨터를 이용하여 제1항 내지 제8항 중 어느 한 항의 방법을 실행시키기 위하여 기록매체에 저장된 컴퓨터 프로그램.
KR1020200107970A 2020-08-26 2020-08-26 인증 과정 분류 방법 및 그 장치 KR102247056B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200107970A KR102247056B1 (ko) 2020-08-26 2020-08-26 인증 과정 분류 방법 및 그 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200107970A KR102247056B1 (ko) 2020-08-26 2020-08-26 인증 과정 분류 방법 및 그 장치

Publications (1)

Publication Number Publication Date
KR102247056B1 true KR102247056B1 (ko) 2021-04-30

Family

ID=75740457

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200107970A KR102247056B1 (ko) 2020-08-26 2020-08-26 인증 과정 분류 방법 및 그 장치

Country Status (1)

Country Link
KR (1) KR102247056B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100103053A (ko) * 2009-03-13 2010-09-27 전정휘 의약품 개발정보 통합 서비스 방법 및 시스템
KR20140070237A (ko) * 2012-11-30 2014-06-10 대한민국 (식품의약품안전처장) 온라인을 통한 식품안전 관리 시스템 및 방법
WO2019246473A1 (en) * 2018-06-21 2019-12-26 The Procter & Gamble Company Method of determining authenticity of a consumer good
KR102074178B1 (ko) 2018-12-27 2020-02-06 (주)로그싱크 개인 맞춤형 화장품 정보제공 분석 시스템 및 방법
KR20200063299A (ko) * 2018-11-19 2020-06-05 유소현 빅데이터 기반 인공지능 기계학습을 이용한 피부관리 추천 서비스 제공 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100103053A (ko) * 2009-03-13 2010-09-27 전정휘 의약품 개발정보 통합 서비스 방법 및 시스템
KR20140070237A (ko) * 2012-11-30 2014-06-10 대한민국 (식품의약품안전처장) 온라인을 통한 식품안전 관리 시스템 및 방법
WO2019246473A1 (en) * 2018-06-21 2019-12-26 The Procter & Gamble Company Method of determining authenticity of a consumer good
KR20200063299A (ko) * 2018-11-19 2020-06-05 유소현 빅데이터 기반 인공지능 기계학습을 이용한 피부관리 추천 서비스 제공 방법
KR102074178B1 (ko) 2018-12-27 2020-02-06 (주)로그싱크 개인 맞춤형 화장품 정보제공 분석 시스템 및 방법

Similar Documents

Publication Publication Date Title
US20210383538A1 (en) Multi-modal, multi-resolution deep learning neural networks for segmentation, outcomes prediction and longitudinal response monitoring to immunotherapy and radiotherapy
US20210248736A1 (en) Localization and classification of abnormalities in medical images
US10896502B2 (en) Prediction system, method and computer program product thereof
Chen et al. Automated contouring error detection based on supervised geometric attribute distribution models for radiation therapy: a general strategy
KR102476016B1 (ko) 안구 위치 정보 확정 방법 및 장치
CN112259246B (zh) 一种融合医学概念层级结构的疾病预测方法及相关设备
CN108764944A (zh) 验证方法、装置和计算机可读存储介质
CN104321666A (zh) 用于可信位置应用与位置提供器通信的技术
US20200335197A1 (en) Method and apparatus for classification of lesion based on learning data applying one or more augmentation methods in lesion information augmented patch of medical image
US11152123B1 (en) Processing brain data using autoencoder neural networks
Wallis et al. An [18F] FDG-PET/CT deep learning method for fully automated detection of pathological mediastinal lymph nodes in lung cancer patients
US20210056706A1 (en) Gross tumor volume segmentation method and computer device
Wang et al. RETRACTED: Music teaching platform based on FPGA and neural network
Cipollari et al. Convolutional neural networks for automated classification of prostate multiparametric magnetic resonance imaging based on image quality
KR102247056B1 (ko) 인증 과정 분류 방법 및 그 장치
CN109829401A (zh) 基于双拍摄设备的交通标志识别方法及装置
TWI769603B (zh) 影像處理方法及存儲介質
CN108133132B (zh) 身份验证方法、系统和电子设备
CN112699907A (zh) 数据融合的方法、装置和设备
CN110428320A (zh) 数据处理方法和系统、以及电子设备和计算机可读介质
KR102280149B1 (ko) 인증 성분 추천 방법 및 그 장치
CN112541436B (zh) 专注度分析方法、装置、电子设备及计算机存储介质
US20240020873A1 (en) Image generation system, image generation method, and recording medium
KR102054347B1 (ko) 스테가노그래피 분석 모델 생성 방법 및 장치
WO2020174770A1 (ja) 領域特定装置、方法およびプログラム、学習装置、方法およびプログラム、並びに識別器

Legal Events

Date Code Title Description
GRNT Written decision to grant