KR102310585B1 - 용이하게 객체를 지정할 수 있는 어노테이션 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램 - Google Patents

Abstract

본 발명은 이미지 속에 포함된 객체를 용이하게 지정할 수 있는 어노테이션 방법을 제안한다. 상기 방법은 작업자의 제어에 따라, 인공지능(Artificial Intelligence, AI) 학습을 위한 어노테이션(annotation) 작업의 대상이 되는 이미지 속의 일부 영역을 바운딩 박스(bounding box)로 설정하는 단계; 상기 바운딩 박스의 내측 영역에 완전히 포함되거나, 또는 상기 바운딩 박스를 구성하는 복수 개의 선분(line) 중에서 하나 이상의 선분에 걸쳐 있는 객체(object)를 식별하는 단계; 상기 식별된 객체의 외곽선에 대응하는 크기를 가지도록 상기 바운딩 박스의 크기를 확대 또는 축소하는 단계; 및 상기 작업자의 제어에 의해 상기 확대 또는 축소된 바운딩 박스의 위치 및 크기가 확정되면, 상기 확정된 바운딩 박스의 위치 및 크기에 따른 좌표를 포함하여 어노테이션의 작업 결과물을 생성하는 단계를 포함할 수 있다.

Description

용이하게 객체를 지정할 수 있는 어노테이션 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램{Annotation method of assigning object simply, and computer program recorded on record-medium for executing method thereof}

본 발명은 인공지능(Artificial Intelligence, AI) 학습용 데이터 설계에 관한 것이다. 보다 상세하게는, 인공지능(AI) 학습용 데이터를 어노테이션함에 있어, 이미지 속에 포함된 객체를 용이하게 지정할 수 있는 어노테이션 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램에 관한 것이다.

인공지능(AI)은 인간의 학습능력, 추론능력 및 지각능력 등의 일부 또는 전부를 컴퓨터 프로그램을 이용하여 인공적으로 구현하는 기술을 의미한다. 인공지능(AI)과 관련하여, 기계 학습(machine learning)은 다수의 파라미터로 구성된 모델을 이용하여 주어진 데이터로 파라미터를 최적화하는 학습을 의미한다. 이와 같은, 기계 학습은 학습용 데이터의 형태에서 따라, 지도 학습(supervised learning), 비지도 학습(unsupervised learning) 및 강화 학습(reinforcement learning)으로 구분된다.

일반적으로, 인공지능(AI) 학습용 데이터의 설계는 데이터 구조의 설계, 데이터의 수집, 데이터의 정제, 데이터의 가공, 데이터의 확장, 및 데이터의 검증 단계로 진행된다.

각각의 단계에서 대하여 보다 구체적으로 설명하면, 데이터 구조의 설계는 온톨로지(ontology) 정의, 분류 체계의 정의 등을 통해 이루어진다. 데이터의 수집은 직접 촬영, 웹 크롤링(web crawling) 또는 협회/전문 단체 등을 통해 데이터를 수집하여 이루어진다. 데이터 정제는 수집된 데이터 내에서 중복 데이터를 제거하고, 개인 정보 등을 비식별화하여 이루어진다. 데이터의 가공은 메타데이터(meta data)를 입력하고 어노테이션(annotation)을 수행하여 이루어진다. 데이터의 확장은 온톨로지 매핑(mapping)을 수행하고, 필요에 따라 온톨로지를 보완하거나 확장하여 이루어진다. 그리고, 데이터의 검증은 다양한 검증 도구를 활용하여 설정된 목표 품질에 따른 유효성을 검증하여 이루어진다.

일반적으로, 데이터 가공 단계의 어노테이션은 이미지 속에 포함된 객체에 대하여 바운딩 박스(bounding box) 처리하고, 바운딩 박스 처리된 객체의 속성 정보를 입력하여 진행된다. 이와 같은 어노테이션은 데이터 라벨링(data labeling)이라 지칭되기도 한다. 그리고, 어노테이션의 작업 결과물에 해당되는 데이터셋(dataset)은 JSON(Java Script Object Notation) 파일 형태로 산출된다.

구체적으로, 어노테이션에서 바운딩 박스를 처리하는 과정은 이미지 속 인식하고자 하는 객체 각각에 대하여, 객체의 외곽에 따라 작업자가 일일이 수작업으로 바운딩 박스 처리하여 진행된다.

그러나, 바운딩 박스 처리는 인공지능(AI) 학습 효과(즉, 이미지 속 객체의 인식률)를 보장하기 위하여 사전에 결정된 다양한 규칙에 따라야 한다. 예를 들어, 바운딩 박스 처리는 객체가 인식될 수 있는 영역의 최소 크기 값, 객체의 외곽선으로부터의 최대 이격 픽셀(pixel) 수 등의 규칙에 따라야 한다. 따라서, 작업자가 다수의 객체에 대하여 일일이 수작업으로 바운딩 박스 처리하는 과정에서 사전에 결정된 모든 규칙을 완벽하게 준수하는 것은 쉬운 일이 아니다.

또한, 어노테이션에서 속성 정보를 입력하는 과정도 바운딩 박스 처리된 각각의 객체에 대하여 작업자가 일일이 수작업으로 정보를 입력하여 진행된다.

그러나, 작업자가 입력해야 하는 속성 정보에는 어노테이션의 종류(type), 클래스 명(class), 분류 항목(tags), 객체의 잘림 여부(truncated), 대분류, 소분류, 상위 레벨(instance upper) 등 다양한 정보가 포함되어야 한다. 따라서, 작업자가 다수의 객체에 대하여 일일이 수작업으로 모든 속성 정보를 정확하게 입력하는 것 또한 쉬운 일이 아니다.

대한민국 공개특허공보 제10-2020-0042629호, ‘인공지능 학습을 위한 모바일 기기의 터치 기반 어노테이션과 이미지 생성 방법 및 그 장치’, (2020.04.24. 공개)

본 발명의 일 목적은 인공지능(AI) 학습용 데이터를 어노테이션함에 있어, 이미지 속에 포함된 객체를 용이하게 지정할 수 있는 어노테이션 방법을 제공하는 것이다.

본 발명의 다른 목적은 이미지 속에 포함된 객체를 용이하게 지정할 수 있는 어노테이션 방법을 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램을 제공하는 것이다.

본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

상술한 바와 같은 기술적 과제를 달성하기 위하여, 본 발명은 이미지 속에 포함된 객체를 용이하게 지정할 수 있는 어노테이션 방법을 제안한다. 상기 방법은 작업자의 제어에 따라, 인공지능(Artificial Intelligence, AI) 학습을 위한 어노테이션(annotation) 작업의 대상이 되는 이미지 속의 일부 영역을 바운딩 박스(bounding box)로 설정하는 단계; 상기 바운딩 박스의 내측 영역에 완전히 포함되거나, 또는 상기 바운딩 박스를 구성하는 복수 개의 선분(line) 중에서 하나 이상의 선분에 걸쳐 있는 객체(object)를 식별하는 단계; 상기 식별된 객체의 외곽선에 대응하는 크기를 가지도록 상기 바운딩 박스의 크기를 확대 또는 축소하는 단계; 및 상기 작업자의 제어에 의해 상기 확대 또는 축소된 바운딩 박스의 위치 및 크기가 확정되면, 상기 확정된 바운딩 박스의 위치 및 크기에 따른 좌표를 포함하여 어노테이션의 작업 결과물을 생성하는 단계를 포함할 수 있다.

상기 바운딩 박스로 설정하는 단계는 상기 이미지 내에서 상기 작업자로부터 입력된 두 좌표를 좌상단 꼭짓점(vertex)의 좌표와 우하단 꼭짓점의 좌표로 가지는 사각형을 기초로 상기 바운딩 박스를 설정할 수 있다.

상기 객체를 식별하는 단계는 상기 바운딩 박스의 내측 영역에 포함된 픽셀과 상기 바운딩 박스의 외측 영역의 픽셀 사이의 연속성을 기준으로 상기 객체가 상기 선분에 걸쳐 있는지 여부를 판단할 수 있다. 여기서, 상기 연속성은 인접한 두 픽셀의 색상, 채도 또는 명도의 차이가 사전에 설정된 범위 이내인지 여부를 기준으로 판단될 수 있다.

상기 객체를 식별하는 단계는 상기 바운딩 박스 내측 영역에서 식별된 객체가 복수 개인 경우, 사전에 설정된 우선순위에 따라 상기 복수 개의 객체 중에서 하나의 객체만을 선택할 수 있다. 이 경우, 상기 우선순위는 이미지 내에서 차지하고 있는 객체의 크기, 위치 또는 형성에 따라 설정된 기준이 될 수 있다.

일 실시예에 따르면, 상기 크기를 확대 또는 축소하는 단계는 상기 식별된 객체가 상기 바운딩 박스의 내측 영역에 완전히 포함되는 경우, 상기 바운딩 박스를 구성하는 복수 개의 선분 각각에 대하여 상기 객체의 외곽선에 존재하는 최인접 지점으로부터의 거리가 사전에 설정된 최대 이격 픽셀 수 이내가 될 때까지, 상기 바운딩 박스의 중심을 향하여 상기 선분을 이동시킬 수 있다.

다른 실시예에 따르면, 상기 크기를 확대 또는 축소하는 단계는 상기 식별된 객체가 상기 바운딩 박스를 구성하는 복수 개의 선분 중 하나 이상의 선분에 걸쳐 있는 경우, 상기 식별된 객체가 상기 바운딩 박스의 내측 영역에 완전히 포함될 때까지, 상기 바운딩 박스의 외부 방향을 향하여 상기 객체가 걸쳐진 선분을 이동시킬 수 있다.

다른 실시예에 따르면, 상기 크기를 확대 또는 축소하는 단계는 상기 식별된 개체가 상기 바운딩 박스를 구성하는 복수 개의 선분 중 하나 이상의 선분에 걸쳐 있는 경우, 상기 식별된 객체가 상기 바운딩 박스의 내측 영역에 완전히 포함될 때까지, 상기 바운딩 박스의 중심을 상기 객체가 걸쳐진 선분의 방향으로 이동시키며 상기 바운딩 박스의 크기를 사방으로 확대할 수 있다.

다른 실시예에 따르면, 상기 크기를 확대 또는 축소하는 단계는 상기 식별된 개체가 상기 바운딩 박스를 구성하는 복수 개의 선분 중 하나 이상의 선분에 걸쳐 있는 경우, 상기 바운딩 박스를 복수 개의 세부 영역으로 분할한 후, 상기 식별된 객체가 상기 바운딩 박스의 내측 영역에 완전히 포함될 때까지, 상기 분할된 세부 영역 중에서 상기 객체가 걸쳐 있는 세부 영역의 크기만을 확대시킬 수 있다.

또 다른 실시예에 따르면, 상기 크기를 확대 또는 축소하는 단계는 상기 식별된 개체가 상기 바운딩 박스를 구성하는 복수 개의 선분 중 하나 이상의 선분에 걸쳐 있는 경우, 상기 식별된 객체가 병합된 바운딩 박스의 내측 영역에 완전히 포함될 때까지, 상기 객체가 걸쳐진 선분의 바깥 영역에 사전에 결정된 크기를 가지는 추가 영역을 새롭게 설정하고 새롭게 설정된 추가 영역과 상기 바운딩 박스를 병합시키는 과정을 반복 수행할 수 있다.

상술한 바와 같은 기술적 과제를 달성하기 위하여, 본 발명은 어노테이션 방법을 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램을 제안한다. 상기 컴퓨터 프로그램은 메모리(memory); 입출력장치(input output device); 및 상기 메모리에 상주된 명령어를 처리하는 프로세서(processor)를 포함하여 구성된 컴퓨팅 장치와 결합될 수 있다. 그리고, 상기 컴퓨터 프로그램은 상기 프로세서가, 상기 입출력장치를 통해 입력된 작업자의 제어에 따라, 인공지능(AI) 학습을 위한 어노테이션 작업의 대상이 되는 이미지 속의 일부 영역을 바운딩 박스로 설정하는 단계; 상기 프로세서가, 상기 바운딩 박스의 내측 영역에 완전히 포함되거나, 또는 상기 바운딩 박스를 구성하는 복수 개의 선분 중에서 하나 이상의 선분에 걸쳐 있는 객체를 식별하는 단계; 상기 프로세서가, 상기 식별된 객체의 외곽선에 대응하는 크기를 가지도록 상기 바운딩 박스의 크기를 확대 또는 축소하는 단계; 및 상기 프로세서가, 상기 입출력장치를 통해 입력된 작업자의 제어에 의해 상기 확대 또는 축소된 바운딩 박스의 위치 및 크기가 확정되면, 상기 확정된 바운딩 박스의 위치 및 크기에 따른 좌표를 포함하여 어노테이션의 작업 결과물을 생성하는 단계를 실행시키기 위하여, 기록매체에 기록될 수 있다.

기타 실시 예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

본 발명의 실시 예들에 따르면, 인공지능(AI) 학습을 위한 다수의 이미지 각각에 대하여 어노테이션을 수행함에 있어, 이미지 속에 포함된 객체의 형상에 따라 바운딩 박스의 크기가 자동으로 확대 또는 축소됨으로써, 어노테이션을 수행하는 작업자는 보다 용이하게 바운딩 박스를 설정할 수 있게 되며, 어노테이션 작업 결과물은 보다 균일한 품질을 가질 수 있게 된다.

결과적으로, 본 발명의 실시 예들에 따르면, 이미지 속에 포함된 객체의 인식률을 일정하게 보장할 수 있는 인공지능(AI) 학습용 데이터를 생성할 수 있게 된다.

본 발명의 효과들은 이상에서 언급한 효과로 제한되지 아니하며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 본 발명이 속한 기술분야의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1 내지 도 3은 본 발명의 다양한 실시예에 따른 인공지능 학습 시스템의 구성도이다.
도 4는 본 발명의 일 실시예에 따른 어노테이션 장치의 논리적 구성도이다.
도 5는 본 발명의 일 실시예에 따른 어노테이션 장치의 하드웨어 구성도이다.
도 6 내지 도 9는은 본 발명의 일 실시예에 따라 바운딩 박스를 설정하는 과정을 설명하기 위한 예시도이다.
도 10 및 도 11은 발명의 일 실시예에 따라 객체의 속성을 입력하는 과정을 설명하기 위한 예시도이다.
도 12는 본 발명의 일 실시예에 따른 어노테이션 방법을 설명하기 위한 순서도이다.
도 13은 본 발명의 일 실시예에 따라 바운딩 박스를 설정하는 방법을 설명하기 위한 순서도이다.
도 14는 본 발명의 일 실시예에 따라 객체의 속성 정보를 입력하는 방법을 설명하기 위한 순서도이다.

본 명세서에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 명세서에서 사용되는 기술적 용어는 본 명세서에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 명세서에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는, 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 발명에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.

또한, 본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "구성된다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.

또한, 본 명세서에서 사용되는 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.

어떤 구성 요소가 다른 구성 요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성 요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성 요소가 존재할 수도 있다. 반면에, 어떤 구성 요소가 다른 구성 요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성 요소가 존재하지 않는 것으로 이해되어야 할 것이다.

이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다. 본 발명의 사상은 첨부된 도면 외에 모든 변경, 균등물 내지 대체물에 까지도 확장되는 것으로 해석되어야 한다.

한편, 인공지능(AI) 학습용 데이터를 가공하기 위한 어노테이션과 관련하여, 작업자가 다수의 객체에 대하여 일일이 수작업으로 바운딩 박스 처리하는 과정에서 사전에 결정된 모든 규칙을 완벽하게 준수하는 것은 쉬운 일이 아니다. 또한, 작업자가 다수의 객체에 대하여 일일이 수작업으로 모든 속성 정보를 정확하게 입력하는 것 또한 쉬운 일이 아니다.

이러한 어려움을 극복하기 위하여, 본 발명은 바운딩 박스를 설정하고, 객체의 속성 정보를 입력하는 과정에서 작업자에게 다양한 편의성을 제공할 수 있는 수단들을 제안하고자 한다.

도 1 내지 도 3은 본 발명의 다양한 실시예에 따른 인공지능 학습 시스템의 구성도이다.

도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 인공지능 학습 시스템은 하나 이상의 어노테이션 장치(100-1, 100-2, 100-3, …, 100-n; 100) 및 인공지능 학습 장치(300)를 포함하여 구성될 수 있다.

도 2에 도시된 바와 같이, 본 발명의 다른 실시예에 따른 인공지능 학습 시스템은 어노테이션 장치(100) 및 인공지능 학습 장치(300) 외에 학습 데이터 설계 장치(200)를 추가적으로 포함하여 구성될 수 있다.

또한, 도 3에 도시된 바와 같이, 본 발명의 또 다른 실시예에 따른 인공지능 학습 시스템은 어노테이션 장치(100), 학습 데이터 설계 장치(200) 및 인공지능 학습 장치(300)가 공개된 네트워크(public network)를 통해 서로 연결될 수도 있다. 이 경우, 어노테이션 장치(100)의 일부는 클라우딩 서비스(clouding service)에 의해 어노테이션을 수행하는 장치가 될 수도 있다.

이와 같은, 다양한 실시예에 따른 인공지능 학습 시스템의 구성 요소들은 기능적으로 구분되는 요소들을 나타낸 것에 불과하므로, 둘 이상의 구성 요소가 실제 물리적 환경에서는 서로 통합되어 구현되거나, 하나의 구성 요소가 실제 물리적 환경에서는 서로 분리되어 구현될 수 있을 것이다.

각각의 구성 요소에 대하여 설명하면, 어노테이션 장치(100)는 학습 데이터 설계 장치(200) 또는 인공지능 학습 장치(300)로부터 제공된 이미지에 대하여 어노테이션을 수행하는데 사용될 수 있는 장치이다.

특히, 본 발명에 따른 어노테이션 장치(100)는 어노테이션 작업과 관련하여 바운딩 박스를 설정하고, 객체의 속성 정보를 입력하는 과정에서 작업자에게 다양한 편의성을 제공할 수 있는 특징을 가지고 있다.

이와 같은, 어노테이션 장치(100)는 학습 데이터 설계 장치(200) 또는 인공지능 학습 장치(300)와 데이터를 송수신하고, 송수신된 데이터를 이용하여 연산을 수행할 수 있는 장치라면 어떠한 장치라도 허용될 수 있다.

예를 들어, 어노테이션 장치(100)는 데스크탑(desktop), 워크스테이션(workstation) 또는 서버(server)와 같은 고정식 컴퓨팅 장치 중 어느 하나가 될 수 있으나, 이에 한정되지 아니하고, 스마트폰(smart phone), 랩탑(laptaop), 태블릿(tablet), 패블릿(phablet), 휴대용 멀티미디어 재생장치(Portable Multimedia Player, PMP), 개인용 휴대 단말기(Personal Digital Assistants, PDA) 또는 전자책 단말기(E-book reader)과 같은 이동식 컴퓨팅 장치 중 어느 하나가 될 수도 있다.

상술한 바와 같은, 어노테이션 장치(100)에 대한 구체적인 구성 및 동작에 대해서는 추후 도 4 내지 도 14를 참조하여 설명하기로 한다.

다음 구성으로, 학습 데이터 설계 장치(200)는 인공지능(AI) 학습용 데이터를 설계 및 생성하는데 사용될 수 있는 장치이다. 이와 같은, 학습 데이터 설계 장치(200)는 기본적으로 인공지능 학습 장치(300)와 구분되는 장치이나, 실제 물리적 환경에서 인공지능 학습 장치(300)에 통합되어 구현될 수도 있다.

구체적으로, 학습 데이터 설계 장치(200)는 인공지능 학습 장치(300)로부터 인공지능(AI) 학습과 관련된 프로젝트의 속성을 수신할 수 있다. 학습 데이터 설계 장치(200)는 사용자의 제어 및 프로젝트의 속성을 기초로, 인공지능(AI) 학습을 위한 데이터 구조의 설계, 수집된 데이터의 정제, 데이터의 가공, 데이터의 확장 및 데이터의 검증을 수행할 수 있다.

특히, 학습 데이터 설계 장치(200)는 인공지능(AI) 학습을 위한 데이터 가공을 위하여, 어노테이션의 대상이 되는 이미지를 어노테이션 장치(100)에 전송할 수 있다. 학습 데이터 설계 장치(200)는 어노테이션 장치(100)로부터 어노테이션 작업 결과물을 수신할 수 있다. 이 경우, 어노테이션 작업 결과물은 JSON(Java Script Object Notation) 파일 형식을 가질 수 있다. 이와 다르게, 학습 데이터 설계 장치(200)는 JSON과 다른 형식의 어노테이션 작업 결과물을 수신한 후, 수신된 결과물을 기초로 JSON 파일을 생성할 수도 있다. 그리고, 학습 데이터 설계 장치(200)는 수신 또는 생성된 JSON 파일을 검수(inspection)한 후, 이를 패키징하여 인공지능 학습 장치(300)에 전송할 수 있다.

이와 같은, 학습 데이터 설계 장치(200)는 어노테이션 장치(100) 및 인공지능 학습 장치(300)와 데이터를 송수신하고, 송수신된 데이터를 이용하여 연산을 수행할 수 있는 장치라면 어떠한 장치라도 허용될 수 있다. 예를 들어, 학습 데이터 설계 장치(200)는 데스크탑, 워크스테이션 또는 서버와 같은 고정식 컴퓨팅 장치 중 어느 하나가 될 수 있으나, 이에 한정되는 것은 아니다.

다음 구성으로, 인공지능 학습 장치(300)는 인공지능(AI) 학습용 데이터를 기초로, 인공지능(AI)의 기계 학습을 수행하는데 사용될 수 있는 장치이다.

구체적으로, 인공지능 학습 장치(300)는 어노테이션 장치(100)로부터 직접 또는 학습 데이터 설계 장치(200)로부터 패키징된 JSON 파일을 수신할 수 있다. 그리고, 인공지능 학습 장치(300)는 수신된 JSON 파일을 이용하여 인공지능(AI)의 기계 학습을 수행할 수 있다.

이와 같은, 인공지능 학습 장치(300)는 어노테이션 장치(100) 또는 학습 데이터 설계 장치(200)와 데이터를 송수신하고, 송수신된 데이터를 이용하여 연산을 수행할 수 있는 장치라면 어떠한 장치라도 허용될 수 있다. 예를 들어, 인공지능 학습 장치(300)는 데스크탑, 워크스테이션 또는 서버와 같은 고정식 컴퓨팅 장치 중 어느 하나가 될 수 있으나, 이에 한정되는 것은 아니다.

상술한 바와 같은, 하나 이상의 어노테이션 장치(100), 학습 데이터 설계 장치(200) 및 인공지능 학습 장치(300)는 장치들 사이에 직접 연결된 보안회선, 공용 유선 통신망 또는 이동 통신망 중 하나 이상이 조합된 네트워크를 이용하여 데이터를 송수신할 수 있다.

예를 들어, 공용 유선 통신망에는 이더넷(ethernet), 디지털가입자선(x Digital Subscriber Line, xDSL), 광동축 혼합망(Hybrid Fiber Coax, HFC), 광가입자망(Fiber To The Home, FTTH)가 포함될 수 있으나, 이에 한정되는 것도 아니다. 그리고, 이동 통신망에는 코드 분할 다중 접속(Code Division Multiple Access, CDMA), 와이드 밴드 코드 분할 다중 접속(Wideband CDMA, WCDMA), 고속 패킷 접속(High Speed Packet Access, HSPA), 롱텀 에볼루션(Long Term Evolution, LTE), 5세대 이동통신(5th generation mobile telecommunication)가 포함될 수 있으나, 이에 한정되는 것은 아니다.

이하, 상술한 바와 같은, 어노테이션 장치(100)의 구성에 대하여 보다 구체적으로 설명하기로 한다.

도 4는 본 발명의 일 실시예에 따른 어노테이션 장치의 논리적 구성도이다.

도 4에 도시된 바와 같이, 어노테이션 장치(100)는 통신부(105), 입출력부(110), 저장부(115), 바운딩 박스 설정부(120), 객체 속성 설정부(125) 및 결과물 생성부(130)를 포함하여 구성될 수 있다.

이와 같은, 어노테이션 장치(100)의 구성 요소들은 기능적으로 구분되는 요소들을 나타낸 것에 불과하므로, 둘 이상의 구성 요소가 실제 물리적 환경에서는 서로 통합되어 구현되거나, 하나의 구성 요소가 실제 물리적 환경에서는 서로 분리되어 구현될 수 있을 것이다.

각각의 구성 요소에 대하여 설명하면, 통신부(105)는 학습 데이터 설계 장치(200) 및 인공지능 학습 장치(300)와 데이터를 송수신할 수 있다.

구체적으로, 통신부(105)는 학습 데이터 설계 장치(200) 또는 인공지능 학습 장치(300)로부터 하나 이상의 이미지를 수신할 수 있다.

여기서, 이미지는 인공지능(AI) 학습을 위한 어노테이션 작업의 대상이 되는 이미지이다. 이와 같은, 이미지는 학습 데이터 설계 장치(200) 또는 인공지능 학습 장치(300)가 설계한 데이터 가공 계획에 따라, 어노테이션 작업의 대상이 되는 이미지를 개별적으로 수신하거나, 또는 복수 개의 이미지를 일괄적으로 수신할 수 있다.

통신부(105)는 어노테이션의 작업 결과물을 학습 데이터 설계 장치(200) 또는 인공지능 학습 장치(300)에 전송할 수 있다.

여기서, 작업 결과물은 작업자의 제어에 따라 설정된 바운딩 박스의 좌표 및 객체의 속성 정보가 포함될 수 있다. 또한, 작업 결과물은 JSON 파일 형식을 가질 수 있으나, 이에 한정되는 것은 아니다.

그리고, 통신부(150)는 학습 데이터 설계 장치(200) 또는 인공지능 학습 장치(300)로부터 프로젝트의 속성, 이미지의 속성 또는 작업자의 속성을 수신할 수 있다.

여기서, 프로젝트의 속성에는 인공지능(AI)의 학습과 관련된 프로젝트에 대한 학습 목적, 학습 기간, 학습에 필요한 이미지의 수, 이미지에서 식별하고자 하는 객체의 속성, 바운딩 박스 설정 규칙 등이 포함될 수 있으나, 이에 한정되는 것은 아니다.

이미지의 속성에는 이미지의 파일명, 이미지의 크기(너비, 높이), 해상도, 비트 수준, 압축 형식, 촬영 장치명, 노출 시간, ISO 감도, 초점 거리, 조리개 개방 값, 촬영 장소 좌표(GPS 위도, 경도), 촬영 시각 등이 포함될 수 있으나, 이에 한정되는 것은 아니다.

작업자의 속성에는 작업자의 명칭, 식별번호, 할당된 작업량, 작업에 따른 비용, 작업 결과 평가 등이 포함될 수 있으나, 이에 한정되는 것은 아니다.

또한, 바운딩 박스 설정 규칙은 프로젝트의 속성, 이미지의 속성 또는 작업자의 속성에 따라, 작업자가 이미지 내의 객체에 바운딩 박스를 설정하는 과정에서 지켜야 하는 규칙이다. 이러한, 바운딩 박스 설정 규칙에는 영역의 최소 크기 값, 객체의 외곽선으로부터의 최대 이격 픽셀 수 등이 포함될 수 있으나, 이에 한정되는 것은 아니다.

다음 구성으로, 입출력부(110)는 사용자 인터페이스(User Interface, UI)를 통해 작업자로부터 신호를 입력 거나, 또는 연산된 결과를 외부로 출력할 수 있다.

여기서, 작업자는 어노테이션 작업을 수행하는 자를 의미한다. 이와 같은, 작업자는 사용자, 수행자, 라벨러 또는 데이터 라벨러 등으로 지칭될 수 있으며, 이에 한정되는 것은 아니다.

구체적으로, 입출력부(110)는 어노테이션 작업의 대상이 되는 이미지를 출력할 수 있다. 입출력부(110)는 바운딩 박스를 설정하기 위한 제어 신호를 작업자로부터 입력 받을 수 있다. 그리고, 입출력부(110)는 이미지 위에 바운딩 박스를 오버레이(overlay)하여 출력할 수 있다.

여기서, 바운딩 박스(bounding box)는 이미지 속에 포함된 객체들 중에서 인공지능(AI) 학습의 대상이 되는 객체를 특정하기 위한 영역이다. 이와 같은, 바운딩 박스는 사각형(rectangle) 또는 다각형(polygon) 형상을 가질 수 있으며, 이에 한정되는 것은 아니다.

입출력부(110)는 객체의 속성 정보로 활용될 수 있는 추천 정보의 목록을 출력할 수 있다. 그리고, 입출력부(110)는 객체의 속성 정보를 설정하기 위한 제어 신호를 작업자로부터 입력 받을 수 있다.

여기서, 추천 정보(proposed information)의 목록은 객체의 속성 정보에 포함될 가능성이 높은 정보들로 구성되어, 작업자가 어노테이션을 수행하는 과정에서 객체의 속성 정보로 활용할 수 있는 정보들의 목록(list)이다.

또한, 객체의 속성 정보는 인공지능(AI) 학습의 대상이 되는 객체의 속성을 지정하기 위한 정보이다. 이와 같은, 객체의 속성 정보에는 어노테이션의 종류(type), 클래스 명(class), 분류 항목(tags), 객체의 잘림 여부(truncated), 대분류, 소분류 또는 상위 레벨(instance upper)에 관한 정보가 포함될 수 있으며, 이에 한정되는 것은 아니다.

다음 구성으로, 저장부(115)는 어노테이션 작업에 필요한 데이터를 저장할 수 있다.

구체적으로, 저장부(115)는 통신부(105)를 통해 수신된 이미지를 저장할 수 있다. 저장부(115)는 통신부(105)를 통해 수신된 프로젝트의 속성, 이미지의 속성 또는 작업자의 속성을 저장할 수 있다.

저장부(115)는 입출력부(110)를 통해 입력된 제어 신호에 따라 설정된 바운딩 박스의 위치 및 크기를 임시 저장할 수 있다. 저장부(115)는 입출력부(110)를 통해 입력된 객체의 속성을 임시 저장할 수 있다.

다음 구성으로, 바운딩 박스 설정부(120)는 이미지 속에 포함된 객체들 중에서 인공지능(AI) 학습의 대상이 되는 객체를 특정하기 위한 바운딩 박스를 설정할 수 있다. 특히, 본 발명에 따른 바운딩 박스 설정부(120)는 이미지 속에 포함된 객체의 형상에 따라, 작업자가 일차적으로 설정한 바운딩 박스가 객체의 외곽선에 대응하는 크기를 가지도록, 바운딩 박스의 크기를 자동으로 확대 또는 축소할 수 있는 특징을 가지고 있다.

우선적으로, 바운딩 박스 설정부(120)는 입출력부(110)를 통해 입력된, 작업자의 제어에 따라 학습을 위한 어노테이션 작업의 대상이 되는 이미지 속의 일부 영역을 바운딩 박스로 설정할 수 있다.

구체적으로, 바운딩 박스 설정부(120)는 입출력부(110)를 통해 작업자로부터 두 개의 좌표를 입력 받고, 입력된 두 좌표를 이미지 내에서 좌상단 꼭지점(vertex)의 좌표와 우하단 꼭지점의 좌표로 가지는 사각형을 기초로 바운딩 박스를 설정할 수 있다. 이 경우, 두 개의 좌표는 작업자가 한 종류의 입력 신호를 두 번 입력(예들 들어, 마우스 클릭)하여 설정되거나, 작업자가 두 종류의 입력 신호를 한번씩 입력(예를 들어, 마우스 드래그)하여 설정될 수 있으나, 이에 한정되는 것은 아니다.

이와 다르게, 바운딩 박스 설정부(120)는 입출력부(110)를 통해 작업자로부터 세 개 이상의 선분(line)을 입력 받고, 입력된 세 개 이상의 선분으로 구성된 다각형을 기초로 바운딩 박스를 설정할 수 있다. 이 경우, 세 개 이상의 선분은 작업자가 다각형 툴을 이용하여 한번에 입력되거나, 작업자가 직선 툴을 이용하여 세 번 이상 입력하여 설정될 수 있으나, 이에 한정되는 것은 아니다.

다음으로, 바운딩 박스 설정부(120)는 작업자의 제어에 의해 설정된 바운딩 박스의 내측 영역에 완전히 포함되거나, 또는 바운딩 박스를 구성하는 복수 개의 선분 중에서 하나 이상의 선분에 걸쳐 있는 객체를 식별할 수 있다.

구체적으로, 바운딩 박스 설정부(120)는 작업자의 제어 의해 설정된 바운딩 박스 내측 영역에 포함된 객체의 전부 또는 일부를 식별할 수 있다. 이를 위하여, 바운딩 박스 설정부(120)는 바운딩 박스 내측 영역에 대하여 이미지 처리(image processing)를 수행할 수 있다.

예를 들어, 바운딩 박스 설정부(120)는 바운딩 박스 내측 영역을 RGB(Red, Green, Blue)에 따라 세 개의 이미지로 분할할 수 있다. 바운딩 박스 설정부(120)는 세 개의 이미지로 분할된 각 이미지의 엣지를 추출(edge detection)할 수 있다. 보다 상세하게, 바운딩 박스 설정부(120)는 각 이미지의 엣지 추출을 위하여, LoG(Laplacian of Gaussian) 알고리즘 또는 DoG(Difference of Gaussian) 알고리즘 중 어느 하나를 이용할 수 있다.

LoG 알고리즘을 이용할 경우, 바운딩 박스 설정부(120)는 가우시안 필터(Gaussian filter)를 이용하여 이미지 내에 존재하는 잡음을 제거할 수 있다. 바운딩 박스 설정부(120)는 잡음이 제거된 이미지에 라플라시안 필터(Laplacian)를 적용할 수 있다. 그리고, 바운딩 박스 설정부(120)는 라플라시안 필터가 적용된 이미지에 영교차(zerocrossing)을 검출하여 엣지를 추출할 수 있다.

DoG 알고리즘을 이용할 경우, 바운딩 박스 설정부(120)는 이미지로부터 분산이 서로 다른 가우시안 마스크(Gaussian mask)를 두 개 생성한다. 바운딩 박스 설정부(120)는 생성된 하나의 마스크에서 다른 하나의 마스크를 뺀다. 그리고, 바운딩 박스 설정부(120)는 뺀 마스크를 이미지에 적용하여 엣지를 추출할 수 있다.

바운딩 박스 설정부(120)는 각 이미지 내에서 추출된 엣지에 의한 폐쇄 영역(enclosure)을 하나 이상 식별할 수 있다. 이 경우, 바운딩 박스 설정부(120)는 엣지 영역이 폐쇄되었는지 명확히 하기 위하여, 각 이미지에 이진화(binarization)를 먼저 처리할 수 있다. 그리고, 바운딩 박스 설정부(120)는 식별된 폐쇄 영역을 객체로 식별할 수 있다.

만약, 바운딩 박스 내측 영역에서 식별된 객체가 복수 개인 경우, 바운딩 박스 설정부(120)는 사전에 설정된 우선순위에 따라, 식별된 복수 개의 객체 중에서 하나의 객체만을 선택할 수 있다. 이 경우, 우선순위는 이미지 내에서 차지하고 있는 객체의 크기, 위치 또는 형상에 따라 설정된 기준이 될 수 있다.

다음으로, 바운딩 박스 설정부(120)는 바운딩 박스의 내측 영역에 포함된 픽셀과 바운딩 박스의 외측 영역의 픽셀 사이의 연속성을 기준으로, 식별된 객체가 바운딩 박스를 구성하는 복수 개의 선분 중에서 하나 이상의 선분에 걸쳐 있는지 여부를 판단할 수 있다. 여기서, 연속성은 인접한 두 픽셀의 색상, 채도 또는 명도의 차이가 사전에 설정된 범위 이내인지 여부를 기준으로 판단될 수 있다.

바운딩 박스 설정부(120)는 식별된 객체가 바운딩 박스를 구성하는 복수 개의 선분 중에서 어느 선분에도 걸쳐져 있지 않은 경우, 객체가 바운딩 박스 내측 영역에 완전히 포함된 것으로 판단할 수 있다.

특징적으로, 본 발명의 일 실시 예에 따르면, 바운딩 박스 설정부(120)는 객체가 바운딩 박스 내측 영역에 완전히 포함된 것으로 판단된 경우, 객체가 바운딩 박스 내측 영역에 밀접하게 피팅(fitting)되도록 바운딩 박스의 크기를 축소할 수 있다.

일 실시예로, 바운딩 박스 설정부(120)는 바운딩 박스를 구성하는 복수 개의 선분 각각에 대하여, 객체의 외곽선에 존재하는 최인접 지점으로부터의 거리가 사전에 설정된 최대 이격 픽셀 수 이내가 될 때까지, 바운딩 박스의 중심을 향하여 선분을 이동시켜 바운딩 박스의 크기를 축소시킬 수 있다.

특징적으로, 본 발명의 일 실시예에 따르면, 바운딩 박스 설정부(120)는 객체가 바운딩 박스를 구성하는 복수 개의 선분 중에서 하나 이상의 선분이 걸쳐 있는 것으로 판단된 경우, 바운딩 박스 내에 객체가 완전히 포함되도록 바운딩 박스의 크기를 확대할 수 있다. 이와 같은, 바운딩 박스의 크기 확대가 수행된 이후, 바운딩 박스 설정부(120)는 객체가 바운딩 박스 내측 영역에 완전히 피팅되도록 바운딩 박스의 크기 축소를 수행할 수 있다.

일 실시예로, 바운딩 박스 설정부(120)는 객체가 바운딩 박스를 구성하는 복수 개의 선분 중에서 하나 이상의 선분에 걸쳐 있는 경우, 객체가 바운딩 박스의 내측 영역에 완전히 포함될 때까지, 바운딩 박스의 외부 방향을 향하여 객체가 걸쳐진 선분을 이동시켜 바운딩 박스의 크기를 확대시킬 수 있다.

다른 실시예로, 바운딩 박스 설정부(120)는 객체가 바운딩 박스를 구성하는 복수 개의 선분 중에서 하나 이상의 선분에 걸쳐 있는 경우, 객체가 바운딩 박스의 내측 영역에 완전히 포함될 때까지, 바운딩 박스의 중심을 객체가 걸쳐진 선분의 방향으로 이동시키며 바운딩 박스의 크기를 사방으로 확대시킬 수 있다.

다른 실시예로, 바운딩 박스 설정부(120)는 객체가 바운딩 박스를 구성하는 복수 개의 선분 중에서 하나 이상의 선분에 걸쳐 있는 경우, 바운딩 박스를 복수 개의 세부 영역으로 분할한 후, 객체가 바운딩 박스의 내측 영역에 완전히 포함될 때까지, 분할된 세부 영역 중에서 객체가 걸쳐 있는 세부 영역의 크기만을 확대시킬 수 있다. 이 경우, 세부 영역의 크기는 이미지의 해상도 또는 식별하고자 하는 객체의 해상도에 따라 사전에 미리 결정될 수 있다. 또한, 세부 영역의 형상에 따라 확대된 바운딩 박스는 다각형 형상을 가질 수도 있다.

또 다른 실시예로, 바운딩 박스 설정부(120)는 객체가 바운딩 박스를 구성하는 복수 개의 선분 중에서 하나 이상의 선분에 걸쳐 있는 경우, 객체가 병합된 바운딩 박스의 내측 영역에 완전히 포함될 때까지, 객체가 걸쳐진 선분의 바깥 영역에 추가 영역을 새롭게 설정하고 새롭게 설정된 추가 영역과 바운딩 박스를 병합시키는 과정을 반복 수행할 수 있다.

다음 구성으로, 객체 속성 설정부(125)는 바운딩 박스에 의해 특정된 객체의 속성을 설정할 수 있다. 특히, 본 발명에 따른 객체 속성 설정부(125)는 작업자가 속성 정보를 직접 입력하기 이전에, 선제적으로 객체의 속성 정보로 활용될 수 있는 추천 정보의 목록을 제공할 수 있다.

우선적으로, 객체 속성 설정부(125)는 바운딩 박스 설정부(120)에 의해 설정된 바운딩 박스에 대응하는 객체의 속성 정보로 활용될 수 있는 추천 정보의 목록을 작성할 수 있다.

일 실시예로, 객체 속성 설정부(125)는 사전에 설정된 인공지능(AI) 학습과 관련된 프로젝트의 속성, 이미지의 속성 또는 작업자의 속성에 따라, 객체의 속성 정보로 활용될 가능성이 있는 정보를 포함시켜 추천 정보의 목록을 작성할 수 있다.

다른 실시예로, 객체 속성 설정부(125)는 바운딩 박스 설정(120)에 의해 설정된 바운딩 박스 내에 포함된 픽셀들의 평균 색상, 채도 또는 명도를 산출할 수 있다. 객체 속성 설정부(125)는 객체의 유형별로 구성된 색상, 채도 또는 명도의 확률 분포도를 기초로, 산출된 평균 색상, 채도 또는 명도에 따라 하나의 추천 객체의 유형을 선택할 수 있다. 그리고, 객체 속성 설정부(125)는 선택된 추천 객체의 유형과 관련된 정보를 포함시켜 추천 정보의 목록을 작성할 수 있다.

또 다른 실시예로, 객체 속성 설정부(125)는 어노테이션 장치(100)의 로컬 저장장치(local storage)에 저장된 작업자의 작업 로그(log)로부터 작업자가 기존에 입력한 속성 정보의 입력 빈도를 식별할 수 있다. 그리고, 객체 속성 설정부(125)는 식별된 입력 빈도를 기초로, 입력 빈도가 높은 속성 정보를 포함시켜 추천 정보의 목록을 작성할 수 있다.

다음으로, 객체 속성 설정부(125)는 기 작성된 추천 정보의 목록을 필터링할 수 있다.

구체적으로, 객체 속성 설정부(125)는 기 작성된 추천 정보의 목록에 포함된 정보 중에서, 작업자가 바운딩 박스를 설정하는 과정에서 사용한 작업 툴(tool)에 의해 설정될 수 없는 객체의 유형과 관련된 정보(즉, 객체와 무관한 정보)들을 제거할 수 있다.

일 실시예로, 작업자가 바운딩 박스를 설정하는 과정에서 사각형 모양의 영역을 지정할 수 있는 툴을 사용한 경우, 객체 속성 설정부(125)는 기 작성된 추천 정보의 목록에서 생명체에 해당하는 객체의 유형과 관련된 정보들을 제거할 수 있다.

다른 실시예로, 작업자가 바운딩 박스를 설정하는 과정에서 객체의 스켈레톤(skeleton) 구조를 지정할 수 있는 툴을 사용한 경우, 객체 속성 설정부(125)는 기 작성된 추천 정보의 목록에서 뼈대를 가지지 않는 객체의 유형과 관련된 정보들을 제거할 수도 있다.

객체 속성 설정부(125)는 추천 정보의 목록에서 객체와 무관한 정보가 제거되고 남은 정보들을 정렬할 수 있다.

일 실시예로, 객체 속성 설정부(125)는 이미지 내에서 바운딩 박스가 차지하고 있는 위치 또는 크기를 기초로, 사전에 설정된 정렬 기준에 따라 추천 정보의 목록에 포함된 정보를 정렬할 수 있다.

다른 실시예로, 객체 속성 설정부(125)는 객체의 유형별로 사전에 구비된 기초 형상과 바운딩 박스에 포함된 객체의 형상을 대비하여, 두 형상의 유사성을 기초로 추천 정보의 목록에 포함된 정보를 정렬할 수도 있다.

다음으로, 객체 속성 설정부(125)는 작성 및 필터링된 추천 정보의 목록을 입출력부(110)를 출력할 수 있다. 그리고, 객체 속성 설정부(125)는 입출력부(110)를 통해 작업자로부터 객체의 속성 정보를 설정하기 위한 제어 신호를 입력받을 수 있다.

객체 속성 설정부(125)는 작업자의 제어에 의해 추천 정보의 목록 중에서 하나의 정보가 선택되면, 선택된 정보에 대응하는 객체의 유형에 따라 피드백(feedback)을 제공할 수 있다.

일 실시예로, 객체 속성 설정부(125)는 선택된 정보에 대응하는 객체의 유형에 따라 서로 다르게 설정된 색상 또는 투명도를 반영하여, 바운딩 박스 내부의 영역 또는 객체 내부의 영역과 관련된 사용자 인터페이스(User Interface, UI)를 변경할 수 있다.

다음 구성으로, 결과물 생성부(130)는 어노테이션의 작업 결과물을 생성하여, 학습 데이터 설계 장치(200) 또는 인공지능 학습 장치(300)에 전송할 수 있다.

구체적으로, 결과물 생성부(130)는 작업자의 제어에 의해 확대 또는 축소된 바운딩 박스의 위치 및 크기가 확정되고, 추천 정보 목록을 기초로 작업자의 제어에 의해 객체의 속성 정보가 확정되면, 확정된 바운딩 박스의 위치 및 크기에 따른 좌표 및 확정된 속성 정보를 포함하여 어노테이션의 작업 결과물을 생성할 수 있다. 이와 같은, 작업 결과물은 JSON 파일 형식을 가질 수 있으나, 이에 한정되는 것은 아니다.

그리고, 결과물 생성부(130)는 생성된 어노테이션의 작업 결과물을 통신부(105)를 통해 학습 데이터 설계 장치(200) 또는 인공지능 학습 장치(300)에 전송할 수 있다.

이하, 상술한 바와 같은 어노테이션 장치(100)의 논리적 구성요소를 구현하기 위한 하드웨어에 대하여 보다 구체적으로 설명한다.

도 5는 본 발명의 일 실시예에 따른 어노테이션 장치의 하드웨어 구성도이다.

도 5에 도시된 바와 같이, 어노테이션 장치(100)는 프로세서(Processor, 150), 메모리(Memory, 155), 송수신기(Transceiver, 160), 입출력장치(Input/output device, 165), 데이터 버스(Bus, 170) 및 스토리지(Storage, 175)를 포함하여 구성될 수 있다.

프로세서(150)는 메모리(155)에 상주된 어노테이션 방법이 구현된 소프트웨어(180a)에 따른 명령어를 기초로, 어노테이션 장치(100)의 동작 및 기능을 구현할 수 있다. 메모리(155)에는 어노테이션 방법이 구현된 소프트웨어(180a)가 상주(loading)될 수 있다. 송수신기(160)는 학습 데이터 설계 장치(200) 및 인공지능 학습 장치(300)와 데이터를 송수신할 수 있다. 입출력장치(165)는 어노테이션 장치(100)의 동작에 필요한 데이터를 입력 받고, 이미지, 바운딩 박스 및 추천 정보의 목록을 출력할 수 있다. 데이터 버스(170)는 프로세서(150), 메모리(155), 송수신기(160), 입출력장치(165) 및 스토리지(175)와 연결되어, 각각의 구성 요소 사이가 서로 데이터를 전달하기 위한 이동 통로의 역할을 수행할 수 있다.

스토리지(175)는 어노테이션 방법이 구현된 소프트웨어(180a)의 실행을 위해 필요한 애플리케이션 프로그래밍 인터페이스(Application Programming Interface, API), 라이브러리(library) 파일, 리소스(resource) 파일 등을 저장할 수 있다. 스토리지(175)는 어노테이션 방법이 구현된 소프트웨어(180b)를 저장할 수 있다. 또한, 스토리지(175)는 어노테이션 방법의 수행에 필요한 정보들을 저장할 수 있다. 특히, 스토리지(175)는 어노테이션 작업의 대상이 되는 이미지, 프로젝트의 속성, 이미지의 속성, 작업자의 속성 및 작업자의 작업 로그 등을 저장하는 데이터베이스(185)를 포함할 수 있다.

본 발명의 제1 실시예에 따르면, 메모리(155)에 상주되거나 또는 스토리지(175)에 저장된 어노테이션 방법을 구현하기 위한 소프트웨어(180a, 180b)는 프로세서(150)가 입출력장치(165)를 통해 입력된 작업자의 제어에 따라 인공지능(AI) 학습을 위한 어노테이션 작업의 대상이 되는 이미지 속의 일부 영역을 바운딩 박스로 설정하는 단계, 프로세서(150)가 바운딩 박스의 내측 영역에 완전히 포함되거나 또는 바운딩 박스를 구성하는 복수 개의 선분 중에서 하나 이상의 선분에 걸쳐 있는 객체를 식별하는 단계, 프로세서(150)가 식별된 객체의 외곽선에 대응하는 크기를 가지도록 바운딩 박스의 크기를 확대 또는 축소하는 단계, 및 프로세서(150)가 입출력장치(165)를 통해 입력된 작업자의 제어에 의해 확대 또는 축소된 바운딩 박스의 위치 및 크기가 확정되면, 확정된 바운딩 박스의 위치 및 크기에 따른 좌표를 포함하여 어노테이션의 작업 결과물을 생성하는 단계를 실행시키기 위하여 기록매체에 기록된 컴퓨터 프로그램이 될 수 있다.

본 발명의 제2 실시예에 따르면, 메모리(155)에 상주되거나 또는 스토리지(175)에 저장된 어노테이션 방법을 구현하기 위한 소프트웨어(180a, 180b)는 프로세서(150)가 입출력장치(165)를 통해 입력된 작업자의 제어에 따라 인공지능(AI) 학습을 위한 어노테이션 작업의 대상이 되는 이미지 속의 일영역을 바운딩 박스로 설정하는 단계, 프로세서(150)가 설정된 바운딩 박스에 대응하는 객체의 속성 정보로 활용될 수 있는 추천 정보의 목록을 작성하는 단계, 및 프로세서(150)가 작성된 추천 정보의 목록을 기초로 작업자의 제어에 의해 객체의 속정 정보가 확정되면 바운딩 박스의 위치 및 크기에 따른 좌표 및 상기 확정된 속성 정보를 포함하여 어노테이션의 작업 결과물을 생성하는 단계를 실행시키기 위하여 기록매체에 기록된 컴퓨터 프로그램이 될 수 있다.

보다 구체적으로, 프로세서(150)는 ASIC(Application-Specific Integrated Circuit), 다른 칩셋(chipset), 논리 회로 및/또는 데이터 처리 장치를 포함할 수 있다. 메모리(155)는 ROM(Read-Only Memory), RAM(Random Access Memory), 플래쉬 메모리, 메모리 카드, 저장 매체 및/또는 다른 저장 장치를 포함할 수 있다. 송수신기(160)는 유무선 신호를 처리하기 위한 베이스밴드 회로를 포함할 수 있다. 입출력장치(165)는 키보드(keyboard), 마우스(mouse), 및/또는 조이스틱(joystick) 등과 같은 입력 장치 및 액정표시장치(Liquid Crystal Display, LCD), 유기 발광 다이오드(Organic LED, OLED) 및/또는 능동형 유기 발광 다이오드(Active Matrix OLED, AMOLED) 등과 같은 영상 출력 장치 프린터(printer), 플로터(plotter) 등과 같은 인쇄 장치를 포함할 수 있다.

본 명세서에 포함된 실시 예가 소프트웨어로 구현될 경우, 상술한 방법은 상술한 기능을 수행하는 모듈(과정, 기능 등)로 구현될 수 있다. 모듈은 메모리(155)에 상주되고, 프로세서(150)에 의해 실행될 수 있다. 메모리(155)는 프로세서(150)의 내부 또는 외부에 있을 수 있고, 잘 알려진 다양한 수단으로 프로세서(150)와 연결될 수 있다.

도 5에 도시된 각 구성요소는 다양한 수단, 예를 들어, 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다. 하드웨어에 의한 구현의 경우, 본 발명의 일 실시예는 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 프로세서, 콘트롤러, 마이크로 콘트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.

또한, 펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 일 실시예는 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차, 함수 등의 형태로 구현되어, 다양한 컴퓨터 수단을 통하여 판독 가능한 기록매체에 기록될 수 있다. 여기서, 기록매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(Magnetic Media), CD-ROM(Compact Disk Read Only Memory), DVD(Digital Video Disk)와 같은 광 기록 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 장치를 포함한다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함할 수 있다. 이러한, 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이하, 지금까지 상술한 바와 같은 본 발명의 다양한 실시예에 따른 인공지능 학습 시스템의 특징들에 대하여, 도면을 참조하여 구체적으로 설명하기로 한다.

도 6 내지 도 9는 본 발명의 일 실시예에 따라 바운딩 박스를 설정하는 과정을 설명하기 위한 예시도이다.

도 6을 참조하면, 본 발명의 일 실시예에 따른 인공지능 학습 시스템의 어노테이션 장치(100)는 인공지능(AI) 학습을 위한 어노테이션 작업의 대상이 되는 이미지(10)가 로딩되면, 작업자로부터 이미지(10) 속에 포함된 하나의 객체(20) 특정하기 위한 제어 신호를 입력 받을 수 있다.

도 6은 작업자의 제어 신호에 따라 두 좌표(30-1, 30-2)가 지정된 상황을 도시하고 있으나, 본 발명의 실시예들이 이에 한정되는 것은 아니다.

도 7을 참조하면, 어노테이션 장치(100)는 자업자로부터 입력된 제어 신호에 따라 이미지(10) 속의 일부 영역을 바운딩 박스(40)로 설정할 수 있다.

도 7은 작업자로부터 입력된 두 개의 좌표를 좌상단 꼭지점(30-1)과 우하단 꼭지점(30-2)으로 가지는 사각형 형상을 바운딩 박스(40)로 설정하고 있으나, 본 발명에 따라 설정될 수 있는 바운딩 박스(40)는 사각형 외에도, 다각형, 스켈레톤 등 다양할 수 있다.

도 8을 참조하면, 어노테이션 장치(100)는 바운딩 박스(40) 내측 영역에 완전히 포함되거나, 또는 바운딩 박스(40)를 구성하는 복수 개의 선분 중에서 하나 이상의 선분(40-1)에 걸쳐 있는 객체(20)를 식별할 수 있다.

그리고, 어노테이션 장치(100)는 식별된 객체(20)가 바운딩 박스(40)를 구성하는 복수 개의 선분 중에서 하나 이상의 선분(40-1)에 걸쳐 있는 것으로 판단된 경우, 바운딩 박스(40) 내에 객체(20)가 포함되도록 바운딩 박스의 크기를 확대할 수 있다.

일 실시예로, 어노테이션 장치(100)는 객체(20)가 바운딩 박스(40) 내측 영역에 완전히 포함될 때까지, 바운딩 박스(40)의 외부 방향을 향하여 객체(20)가 걸쳐진 선분(40-1)을 이동시켜 바운딩 박스(40)의 크기를 확대시킬 수 있다.

다른 실시예로, 어노테이션 장치(100)는 객체(20)가 바운딩 박스(40)의 내측 영역에 완전히 포함될 때까지, 바운딩 박스(40)의 중심을 객체(20)가 걸쳐진 선분(40-1)의 방향으로 이동시키며 바운딩 박스(40)의 크기를 사방으로 확대시킬 수 있다.

다른 실시예로, 어노테이션 장치(100)는 바운딩 박스(40)를 복수 개의 세부 영역으로 분할한 후, 객체(20)가 바운딩 박스(40) 내측 영역에 완전히 포함될 때까지, 분할된 세부 영역 중에서 객체(20)가 걸쳐 있는 세부 영역의 크기만을 확대시킬 수 있다.

또 다른 실시예로, 어노테이션 장치(100)는 객체(20)가 바운딩 박스(40) 내측 영역에 완전히 포함될 때까지, 객체(20)가 걸쳐진 선분(40-1)의 바깥 영역에 추가 영역을 새롭게 설정하고, 새롭게 설정된 추가 영역과 바운딩 박스(40)를 병합시키는 과정을 반복 수행할 수도 있다.

도 9를 참조하면, 어노테이션 장치(100)는 객체(20)가 바운딩 박스(40)를 구성하는 복수 개의 선분 중에서 어느 선분에도 걸쳐 있지 않은 경우, 객체(20)가 바운딩 박스(40) 내측 영역에 완전히 포함된 것으로 판단하고, 객체(20)가 바운딩 박스(40) 내측 영역에 밀접하게 피팅되도록 바운딩 박스(40)의 크기를 축소할 수 있다.

일 실시예로, 어노테이션 장치(100)는 바운딩 박스(40)를 구성하는 복수 개의 선분 각각에 대하여, 객체(20)의 외곽선에 존재하는 최인접 지점으로부터의 거리가 사전에 설정된 최대 이격 픽셀 수 이내가 될 때까지, 바운딩 박스(40)의 중심을 향하여 선분(40-2, 40-3)을 이동시켜 바운딩 박스(40)의 크기를 축소시킬 수 있다.

상술한 바와 같은 본 발명의 실시예에 따르면, 인공지능(AI) 학습을 위한 다수의 이미지(10) 각각에 대하여 어노테이션을 수행함에 있어, 이미지(10) 속에 포함된 객체(20)의 형상에 따라 바운딩 박스(40)의 크기가 자동으로 확대 또는 축소됨으로써, 작업자가 보다 용이하게 바운딩 박스(40)를 설정할 수 있게 되며, 어노테이션의 작업 결과물은 보다 균일한 품질을 가질 수 있게 된다.

도 10 및 도 11은 본 발명의 일 실시예에 따라 객체의 속성을 입력하는 과정을 설명하기 위한 예시도이다.

도 10을 참조하면, 본 발명의 일 실시예에 따른 인공지능 학습 시스템의 어노테이션 장치(100)는 바운딩 박스(40)에 의해 특정된 객체(20)의 속성 정보를 작업자가 직접 입력하기 이전에, 선제적으로 객체(20)의 속성 정보로 활용될 수 있는 추천 정보의 목록(50)을 제공할 수 있다.

이를 위하여, 어노테이션 장치(100)는 인공지능(AI) 학습과 관련된 프로젝트의 속성, 이미지의 속성 또는 작업자의 속성을 기초로 추천 정보의 목록(50)을 작성하거나, 바운딩 박스(40)에 내에 포함된 픽셀들의 평균 색상, 채도 또는 명도를 기초로 추천 정보의 목록(50)을 작성하거나, 또는 로컬 저장장치에 저장된 작업자의 작업 로그의 입력 빈도를 기초로 추천 정보의 목록(50)을 작성할 수 있다.

그 후, 어노테이션 장치(100)는 기 작성된 추천 정보의 목록에서 객체(20)의 유형과 무관한 정보들을 제거하고, 바운딩 박스(40) 또는 객체(20)의 특성에 따라 목록(50)에 포함된 정보들을 정렬할 수 있다.

그리고, 어노테이션 장치(100)는 어노테이션 장치(100)는 작업자로부터 객체의 속성 정보(51)를 설정하기 위한 제어 신호를 입력 받을 수 있다.

도 11을 참조하면, 어노테이션 장치(100)는 작업자의 제어에 의해, 추천 정보의 목록(50) 중에서 하나의 정보(51)가 선택되면, 선택된 정보(50)에 대응하는 객체(20)의 유형에 따라 피드백을 제공할 수 있다.

일 실시예로, 어노테이션 장치(100)는 선택된 정보(51)에 대응하는 객체(20)의 유형에 따라 서로 다르게 설정된 색상 또는 투명도를 반영하여, 바운딩 박스(40) 내부의 영역 또는 객체(20)의 내부 영역과 관련된 사용자 인터페이스(UI)를 변경할 수 있다.

상술한 바와 같은, 본 발명의 실시예에 따르면, 인공지능(AI) 학습을 위한 다수의 이미지(10) 각각에 대하여 어노테이션을 수행함에 있어, 바운딩 박스(40)로 설정된 객체(20)에 대응하여 추천 정보(50)를 제공함으로써, 작업자가 보다 용이하게 객체(20)의 속성 정보(51)를 입력할 수 있게 되며, 피드백을 통해 자신이 입력한 객체(20)의 속성 정보를 정확하게 인지할 수 있게 된다.

이하, 상술한 바와 같은, 어노테이션 장치(100)의 동작에 대하여 보다 구체적으로 설명하기로 한다.

도 12는 본 발명의 일 실시예에 따른 어노테이션 방법을 설명하기 위한 순서도이다.

도 12를 참조하여 본 발명의 일 실시예에 따른 어노테이션 방법을 설명함에 있어, 도 6 내지 도 11을 참조하여 설명한 바와 동일한 설명은 반복하여 기재하지 않는다.

도 12를 참조하면, 어노테이션 장치(100)는 어노테이션 작업의 대상이 되는 이미지 속의 일부 영역을 바운딩 박스로 설정하기 위한 좌표를 작업자로부터 입력 받을 수 있다(S100).

어노테이션 장치(100)는 작업자로부터 입력된 좌표를 기초로 바운딩 박스를 설정할 수 있다(S200).

특히, 본 발명의 일 실시예에 따른 어노테이션 장치(100)는 이미지 속에 포함된 객체의 형상에 따라, 작업자가 일차적으로 설정한 바운딩 박스가 객체의 외곽선에 대응하는 크기를 가지도록, 바운딩 박스의 크기를 자동으로 확대 또는 축소할 수 있다. 이에 대한 구체적인 설명은 추후 도 13을 참조하여 후술하기로 한다.

어노테이션 장치(100)는 바운딩 박스에 의해 특정된 객체의 속성 정보를 입력할 수 있다(S300).

특히, 본 발명의 일 실시예에 따른 어노테이션 장치(100)는 작업자가 객체의 속성 정보를 직접 입력하기 이전에, 선제적으로 객체의 속성 정보로 활용될 수 있는 추천 정보의 목록을 제공할 수 있다. 이에 대한 구체적인 설명은 추후 도 14를 참조하여 후술하기로 한다.

어노테이션 장치(100)는 작업자의 제어에 의해 확대 또는 축소된 바운딩 박스의 위치 및 크기가 확정되고, 추천 정보 목록을 기초로 작업자의 제어에 의해 객체의 속성 정보가 확정되면, 확정된 바운딩 박스의 위치 및 크기에 따른 좌표 및 확정된 속성 정보를 포함하여 어노테이션의 작업 결과물을 생성할 수 있다(S400). 이와 같은, 작업 결과물은 JSON 파일 형식을 가질 수 있으나, 이에 한정되는 것은 아니다.

그리고, 어노테이션 장치(100)는 생성된 어노테이션의 작업 결과물을 학습 데이터 설계 장치(200) 또는 인공지능 학습 장치(300)에 전송할 수 있다.

도 13은 본 발명의 일 실시예에 따라 바운딩 박스를 설정하는 방법을 설명하기 위한 순서도이다.

도 13을 참조하면, 본 발명의 일 실시예에 따른 어노테이션 장치(100)는 작업자로부터 입력된 좌표를 기초로 바운딩 박스를 설정할 수 있다(S210).

일 실시예로서, 어노테이션 장치(100)는 작업자로부터 입력된 두 좌표를 이미지 내에서 좌상단 꼭지점(vertex)의 좌표와 우하단 꼭지점의 좌표로 가지는 사각형을 기초로 바운딩 박스를 설정할 수 있다. 다른 실시예로서, 어노테이션 장치(100)는 작업자로부터 입력된 세 개 이상의 선분으로 구성된 다각형을 기초로 바운딩 박스를 설정할 수도 있다.

어노테이션 장치(100)는 설정된 바운딩 박스 내측 영역에 포함된 객체의 전부 또는 일부를 식별할 수 있다(S220). 이를 위하여, 어노테이션 장치(100)는 바운딩 박스 내측 영역에 대하여, 엣지 추출, 이진화 및 폐쇄 영역 식별 등의 이미지 처리를 수행할 수도 있다.

어노테이션 장치(100)는 바운딩 박스 내측 영역에 포함된 객체가 복수 개인지 판단할 수 있다(S230). 판단 결과, 바운딩 박스 내측 영역에서 식별된 객체가 복수 개인 경우, 어노테이션 장치(100)는 사전에 설정된 우선순위에 따라, 식별된 복수 개의 객체 중에서 하나의 객체만을 선택할 수 있다(S240).

어노테이션 장치(100)는 식별된 객체가 바운딩 박스 내측 영역에 완전히 포함되었는지 판단할 수 있다(S250). 이를 위하여, 어노테이션 장치(100)는 바운딩 박스의 내측 영역에 포함된 픽셀과 바운딩 박스의 외측 영역의 픽셀 사이의 연속성을 기준으로, 식별된 객체가 바운딩 박스를 구성하는 복수 개의 선분 중에서 하나 이상의 선분에 걸쳐 있는지 여부를 판단할 수 있다.

판단 결과, 객체가 바운딩 박스를 구성하는 복수 개의 선분 중에서 하나 이상의 선분에 걸쳐진 것으로 판단된 경우, 어노테이션 장치(100)는 바운딩 박스 내에 객체가 완전히 포함되도록 바운딩 박스의 크기를 확대할 수 있다(S260).

일 실시예로, 어노테이션 장치(100)는 객체가 바운딩 박스 내측 영역에 완전히 포함될 때까지, 바운딩 박스의 외부 방향을 향하여 객체가 걸쳐진 선분을 이동시켜 바운딩 박스의 크기를 확대시킬 수 있다.

다른 실시예로, 어노테이션 장치(100)는 객체가 바운딩 박스의 내측 영역에 완전히 포함될 때까지, 바운딩 박스의 중심을 객체가 걸쳐진 선분의 방향으로 이동시키며 바운딩 박스의 크기를 사방으로 확대시킬 수 있다.

다른 실시예로, 어노테이션 장치(100)는 바운딩 박스를 복수 개의 세부 영역으로 분할한 후, 객체가 바운딩 박스 내측 영역에 완전히 포함될 때까지, 분할된 세부 영역 중에서 객체가 걸쳐 있는 세부 영역의 크기만을 확대시킬 수 있다.

또 다른 실시예로, 어노테이션 장치(100)는 객체가 바운딩 박스 내측 영역에 완전히 포함될 때까지, 객체가 걸쳐진 선분의 바깥 영역에 추가 영역을 새롭게 설정하고, 새롭게 설정된 추가 영역과 바운딩 박스를 병합시키는 과정을 반복 수행할 수도 있다.

판단 결과, 객체가 바운딩 박스 내측 영역에 완전히 포함된 것으로 판단된 경우, 어노테이션 장치(100)는 객체가 바운딩 박스 내측 영역에 밀접하게 피팅되도록 바운딩 박스의 크기를 축소할 수 있다(S270).

일 실시예로, 어노테이션 장치(100)는 바운딩 박스를 구성하는 복수 개의 선분 각각에 대하여, 객체의 외곽선에 존재하는 최인접 지점으로부터의 거리가 사전에 설정된 최대 이격 픽셀 수 이내가 될 때까지, 바운딩 박스의 중심을 향하여 선분을 이동시켜 바운딩 박스의 크기를 축소시킬 수 있다.

도 14는 본 발명의 일 실시예에 따라 객체의 속성 정보를 입력하는 방법을 설명하기 위한 순서도이다.

도 14를 참조하면, 본 발명의 일 실시예에 따른 어노테이션 장치(100)는 바운딩 박스에 대응하는 객체의 속성 정보로 활용될 수 있는 추천 정보의 목록을 작성할 수 있다(310).

일 실시예로, 어노테이션 장치(100)는 프로젝트의 속성, 이미지의 속성 또는 작업자의 속성에 따라, 객체의 속성 정보로 활용될 가능성이 있는 정보를 포함시켜 추천 정보의 목록을 작성할 수 있다.

다른 실시예로, 어노테이션 장치(100)는 바운딩 박스 내에 포함된 픽셀들의 평균 색상, 채도 또는 명도를 산출할 수 있다. 어노테이션 장치(100)는 객체의 유형별로 구성된 색상, 채도 또는 명도의 확률 분포도를 기초로, 산출된 평균 색상, 채도 또는 명도에 따라 하나의 추천 객체의 유형을 선택할 수 있다. 그리고, 어노테이션 장치(100)는 선택된 추천 객체의 유형과 관련된 정보를 포함시켜 추천 정보의 목록을 작성할 수 있다.

또 다른 실시예로, 어노테이션 장치(100)는 로컬 저장장치(local storage)에 저장된 작업자의 작업 로그(log)로부터 작업자가 기존에 입력한 속성 정보의 입력 빈도를 식별할 수 있다. 그리고, 어노테이션 장치(100)는 식별된 입력 빈도를 기초로, 입력 빈도가 높은 속성 정보를 포함시켜 추천 정보의 목록을 작성할 수 있다.

어노테이션 장치(100)는 기 작성된 추천 정보의 목록을 필터링할 수 있다(S320). 이 경우, 추천 정보 목록의 필터링은 노이즈 제거 및 정렬을 수행하여 이루어질 수 있다.

구체적으로, 어노테이션 장치(100)는 추천 정보의 목록에 포함된 정보 중에서, 작업자가 바운딩 박스를 설정하는 과정에서 사용한 작업 툴에 의해 설정될 수 없는 객체의 유형과 관련된 정보들을 제거할 수 있다.

그리고, 어노테이션 장치(100)는 추천 정보의 목록에 남아 있는 정보들을 정렬할 수 있다.

일 실시예로, 어노테이션 장치(100)는 이미지 내에서 바운딩 박스가 차지하고 있는 위치 또는 크기를 기초로, 사전에 설정된 정렬 기준에 따라 추천 정보의 목록에 포함된 정보를 정렬할 수 있다.

다른 실시예로, 어노테이션 장치(100)는 객체의 유형별로 사전에 구비된 기초 형상과 바운딩 박스에 포함된 객체의 형상을 대비하여, 두 형상의 유사성을 기초로 추천 정보의 목록에 포함된 정보를 정렬할 수도 있다.

어노테이션 장치(100)는 필터링된 추천 정보의 목록을 출력할 수 있다(S330). 그리고, 어노테이션 장치(100)는 작업자로부터 객체의 속성 정보를 설정하기 위한 제어 신호를 입력 받을 수 있다(S340).

그리고, 어노테이션 장치(100)는 작업자에 의해 추천 정보의 목록 중에서 하나의 정보가 선택되면, 선택된 정보에 대응하는 객체의 유형에 따라 피드백(feedback)을 제공할 수 있다(S350).

구체적으로, 어노테이션 장치(100)는 추천 정보의 목록 중에서 하나의 정보가 선택되면, 선택된 정보에 대응하는 객체의 유형에 따라 서로 다르게 설정된 색상 또는 투명도를 반영하여, 바운딩 박스 내부의 영역 또는 객체 내부의 영역과 관련된 사용자 인터페이스(UI)를 변경할 수 있다.

이상과 같이, 본 명세서와 도면에는 본 발명의 바람직한 실시예에 대하여 개시하였으나, 여기에 개시된 실시예 외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다. 또한, 본 명세서와 도면에서 특정 용어들이 사용되었으나, 이는 단지 본 발명의 기술 내용을 쉽게 설명하고 발명의 이해를 돕기 위한 일반적인 의미에서 사용된 것이지, 본 발명의 범위를 한정하고자 하는 것은 아니다. 따라서, 상술한 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 선정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

어노테이션 장치: 100-1, 100-2, 100-3, …, 100-n; 100
학습 데이터 설계 장치: 200 인공지능 학습 장치: 300
통신부: 105 입출력부: 110
저장부: 115 바운딩 박스 설정부: 120
객체 속성 설정부: 125 결과물 생성부: 130

Claims (10)

1. 작업자의 제어에 따라, 인공지능(Artificial Intelligence, AI) 학습을 위한 어노테이션(annotation) 작업의 대상이 되는 이미지 속의 일부 영역을 바운딩 박스(bounding box)로 설정하는 단계;
   상기 바운딩 박스의 내측 영역에 완전히 포함되거나, 또는 상기 바운딩 박스를 구성하는 복수 개의 선분(line) 중에서 하나 이상의 선분에 걸쳐 있는 객체(object)를 식별하는 단계;
   상기 식별된 객체의 외곽선에 대응하는 크기를 가지도록 상기 바운딩 박스의 크기를 확대 또는 축소하는 단계; 및
   상기 작업자의 제어에 의해 상기 확대 또는 축소된 바운딩 박스의 위치 및 크기가 확정되면, 상기 확정된 바운딩 박스의 위치 및 크기에 따른 좌표를 포함하여 어노테이션의 작업 결과물을 생성하는 단계를 포함하며,
   상기 객체를 식별하는 단계는
   상기 바운딩 박스의 내측 영역에 포함된 픽셀과 상기 바운딩 박스의 외측 영역의 픽셀 사이의 연속성을 기준으로 상기 객체가 상기 선분에 걸쳐 있는지 여부를 판단하되,
   상기 연속성은 인접한 두 픽셀의 색상, 채도 또는 명도의 차이가 사전에 설정된 범위 이내인지 여부를 기준으로 판단되는 것을 특징으로 하는, 어노테이션 방법.
2. 제1 항에 있어서, 상기 바운딩 박스로 설정하는 단계는
   상기 이미지 내에서 상기 작업자로부터 입력된 두 좌표를 좌상단 꼭짓점(vertex)의 좌표와 우하단 꼭짓점의 좌표로 가지는 사각형을 기초로 상기 바운딩 박스를 설정하는 것을 특징으로 하는, 어노테이션 방법.
3. 제1 항에 있어서, 상기 객체를 식별하는 단계는
   상기 바운딩 박스 내측 영역에서 식별된 객체가 복수 개인 경우, 사전에 설정된 우선순위에 따라 상기 복수 개의 객체 중에서 하나의 객체만을 선택하되,
   상기 우선순위는 이미지 내에서 차지하고 있는 객체의 크기, 위치 또는 형성에 따라 설정된 기준인 것을 특징으로 하는, 어노테이션 방법.
4. 제1 항에 있어서, 상기 크기를 확대 또는 축소하는 단계는
   상기 식별된 객체가 상기 바운딩 박스의 내측 영역에 완전히 포함되는 경우, 상기 바운딩 박스를 구성하는 복수 개의 선분 각각에 대하여 상기 객체의 외곽선에 존재하는 최인접 지점으로부터의 거리가 사전에 설정된 최대 이격 픽셀 수 이내가 될 때까지, 상기 바운딩 박스의 중심을 향하여 상기 선분을 이동시키는 것을 특징으로 하는, 어노테이션 방법.
5. 제1 항에 있어서, 상기 크기를 확대 또는 축소하는 단계는
   상기 식별된 객체가 상기 바운딩 박스를 구성하는 복수 개의 선분 중 하나 이상의 선분에 걸쳐 있는 경우, 상기 식별된 객체가 상기 바운딩 박스의 내측 영역에 완전히 포함될 때까지, 상기 바운딩 박스의 외부 방향을 향하여 상기 객체가 걸쳐진 선분을 이동시키는 것을 특징으로 하는, 어노테이션 방법.
6. 제1 항에 있어서, 상기 크기를 확대 또는 축소하는 단계는
   상기 식별된 개체가 상기 바운딩 박스를 구성하는 복수 개의 선분 중 하나 이상의 선분에 걸쳐 있는 경우, 상기 식별된 객체가 상기 바운딩 박스의 내측 영역에 완전히 포함될 때까지, 상기 바운딩 박스의 중심을 상기 객체가 걸쳐진 선분의 방향으로 이동시키며 상기 바운딩 박스의 크기를 사방으로 확대시키는 것을 특징으로 하는, 어노테이션 방법.
7. 제1 항에 있어서, 상기 크기를 확대 또는 축소하는 단계는
   상기 식별된 개체가 상기 바운딩 박스를 구성하는 복수 개의 선분 중 하나 이상의 선분에 걸쳐 있는 경우, 상기 바운딩 박스를 복수 개의 세부 영역으로 분할한 후, 상기 식별된 객체가 상기 바운딩 박스의 내측 영역에 완전히 포함될 때까지, 상기 분할된 세부 영역 중에서 상기 객체가 걸쳐 있는 세부 영역의 크기만을 확대시키는 것을 특징으로 하는, 어노테이션 방법.
8. 제1 항에 있어서, 상기 크기를 확대 또는 축소하는 단계는
   상기 식별된 개체가 상기 바운딩 박스를 구성하는 복수 개의 선분 중 하나 이상의 선분에 걸쳐 있는 경우, 상기 식별된 객체가 병합된 바운딩 박스의 내측 영역에 완전히 포함될 때까지, 상기 객체가 걸쳐진 선분의 바깥 영역에 사전에 결정된 크기를 가지는 추가 영역을 새롭게 설정하고 새롭게 설정된 추가 영역과 상기 바운딩 박스를 병합시키는 과정을 반복 수행하는 것을 특징으로 하는, 어노테이션 방법.
9. 메모리(memory);
   입출력장치(input output device); 및
   상기 메모리에 상주된 명령어를 처리하는 프로세서(processor)를 포함하여 구성된 컴퓨팅 장치와 결합되어,
   상기 프로세서가, 상기 입출력장치를 통해 입력된 작업자의 제어에 따라, 인공지능(AI) 학습을 위한 어노테이션 작업의 대상이 되는 이미지 속의 일부 영역을 바운딩 박스로 설정하는 단계;
   상기 프로세서가, 상기 바운딩 박스의 내측 영역에 완전히 포함되거나, 또는 상기 바운딩 박스를 구성하는 복수 개의 선분 중에서 하나 이상의 선분에 걸쳐 있는 객체를 식별하는 단계;
   상기 프로세서가, 상기 식별된 객체의 외곽선에 대응하는 크기를 가지도록 상기 바운딩 박스의 크기를 확대 또는 축소하는 단계; 및
   상기 프로세서가, 상기 입출력장치를 통해 입력된 작업자의 제어에 의해 상기 확대 또는 축소된 바운딩 박스의 위치 및 크기가 확정되면, 상기 확정된 바운딩 박스의 위치 및 크기에 따른 좌표를 포함하여 어노테이션의 작업 결과물을 생성하는 단계를 실행시키기 위한 것이며,
   상기 객체를 식별하는 단계는
   상기 바운딩 박스의 내측 영역에 포함된 픽셀과 상기 바운딩 박스의 외측 영역의 픽셀 사이의 연속성을 기준으로 상기 객체가 상기 선분에 걸쳐 있는지 여부를 판단하되,
   상기 연속성은 인접한 두 픽셀의 색상, 채도 또는 명도의 차이가 사전에 설정된 범위 이내인지 여부를 기준으로 판단되는 것을 특징으로 하는, 기록매체에 기록된 컴퓨터 프로그램.
10. 제9 항에 있어서, 상기 바운딩 박스로 설정하는 단계는
    상기 이미지 내에서 상기 작업자로부터 입력된 두 좌표를 좌상단 꼭짓점(vertex)의 좌표와 우하단 꼭짓점의 좌표로 가지는 사각형을 기초로 상기 바운딩 박스를 설정하는 것을 특징으로 하는, 기록매체에 기록된 컴퓨터 프로그램.

Images