KR102337412B1 - Method for super resolution imaging based on deep learning - Google Patents
Method for super resolution imaging based on deep learning Download PDFInfo
- Publication number
- KR102337412B1 KR102337412B1 KR1020210034415A KR20210034415A KR102337412B1 KR 102337412 B1 KR102337412 B1 KR 102337412B1 KR 1020210034415 A KR1020210034415 A KR 1020210034415A KR 20210034415 A KR20210034415 A KR 20210034415A KR 102337412 B1 KR102337412 B1 KR 102337412B1
- Authority
- KR
- South Korea
- Prior art keywords
- image
- neural network
- resolution
- model
- low
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003384 imaging method Methods 0.000 title claims abstract description 38
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims description 275
- 230000006870 function Effects 0.000 claims description 95
- 230000008569 process Effects 0.000 claims description 29
- 238000003860 storage Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 41
- 238000013136 deep learning model Methods 0.000 description 19
- 238000012545 processing Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 241000282326 Felis catus Species 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000012850 discrimination method Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013498 data listing Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
- G06T3/4076—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution using the original low-resolution images to iteratively correct the high-resolution images
-
- G06N3/0454—
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
Description
본 발명은 이미지 처리 방법에 관한 것으로, 보다 구체적으로 짝을 이루지 않는(unpaired) 저해상도 이미지와 고해상도 이미지를 이용하여 초해상도 이미징을 수행하는 딥러닝 기술에 관한 것이다.The present invention relates to an image processing method, and more particularly, to a deep learning technique for performing super-resolution imaging using an unpaired low-resolution image and a high-resolution image.
초해상도(super resolution) 이미징은 저해상도 이미지를 고해상도로 복원하는 기법에 관한 것이다. 딥러닝 기술의 발전에 따라 초해상도 이미징의 기술적 성능 역시 크게 향상되고 있다. 현재 개발되고 있는 대부분의 딥러닝 기반의 초해상도 이미징 방식은 짝을 이루는(paired) 이미지 세트를 사용하여 모델을 학습시킴으로써 수행된다. 짝을 이루는 이미지 세트란 서로 대응되는 콘텐츠(contents)를 포함하여 상호 연관되는 이미지 세트로서, 자연스러운 매칭(matching) 혹은 결합이 가능한 이미지 세트를 의미한다.Super resolution imaging relates to a technique for reconstructing a low resolution image to a high resolution. With the development of deep learning technology, the technical performance of super-resolution imaging is also greatly improved. Most of the deep learning-based super-resolution imaging methods currently being developed are performed by training a model using a paired image set. The paired image set is a set of images that are correlated with each other including corresponding contents, and refers to an image set that can be naturally matched or combined.
그러나, 실제 도메인 환경에 따라 짝을 이루는 이미지 세트를 확보하는 것은 매우 어려운 일이기 때문에, 짝을 이루는 이미지 세트를 사용한 모델의 학습은 실용적이지 않은 단점이 있다. 예를 들어, 위성 영상의 경우, 위성 영상을 촬영하는데 영향을 미치는 수많은 환경적 요인, 기술적 요인으로 인해 짝을 이루는 이미지 세트를 구하는 것이 다른 도메인에 비해 쉽지 않다. 따라서, 위성 영상의 경우, 종래 딥러닝 기반의 초해상도 이미징 방식을 그대로 적용할 수 없으며, 적용한다고 하더라도 그 성능을 담보할 수 없다. 이와 같이 짝을 이루는 이미지 세트가 부족한 환경에서는 기존의 방식을 적용하기 어렵기 때문에, 짝을 이루지 않는(unpaired) 이미지 세트를 가지고도 초해상도 이미징을 수행하는 기술에 대한 당업계의 요구가 증가하고 있는 상황이다.However, since it is very difficult to obtain a paired image set according to an actual domain environment, training a model using the paired image set is not practical. For example, in the case of satellite imagery, it is not easy to obtain a pair of image sets compared to other domains due to numerous environmental and technical factors that affect the acquisition of satellite images. Therefore, in the case of satellite imagery, the conventional deep learning-based super-resolution imaging method cannot be applied as it is, and even if it is applied, its performance cannot be guaranteed. Since it is difficult to apply the conventional method in an environment where paired image sets are scarce, there is an increasing demand in the art for a technology for performing super-resolution imaging even with an unpaired image set. situation.
한국 등록특허 제10-2169242호(2020.10.19)는 초해상도 영상 복원을 위한 기계 학습 방법 및 장치에 관하여 개시한다.Korean Patent Registration No. 10-2169242 (October 19, 2020) discloses a machine learning method and apparatus for super-resolution image restoration.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 딥러닝을 기반으로 짝을 이루지 않는(unpaired) 저해상도 이미지와 고해상도 이미지를 이용하여 초해상도(super resolution) 이미징을 수행하는 방법을 제공하는 것을 목적으로 한다.The present disclosure has been made in response to the above-mentioned background technology, and it is an object of the present disclosure to provide a method of performing super-resolution imaging using an unpaired low-resolution image and a high-resolution image based on deep learning. do it with
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 딥러닝 기반 초해상도 이미징 방법이 개시된다. 상기 방법은, 제 1 이미지 및 상기 제 1 이미지 대비 저해상도의 제 2 이미지를 수신하는 단계; 상기 제 1 이미지를 기초로 상기 제 2 이미지에 대응되는 저해상도의 이미지를 생성하도록 제 1 모델을 학습시키는 단계; 및 상기 제 1 모델의 출력 이미지를 기초로 상기 제 1 이미지에 대응되는 고해상도의 이미지를 생성하도록 제 2 모델을 학습시키는 단계를 포함할 수 있다. 이때, 상기 제 1 이미지의 콘텐츠(contents)와 상기 제 2 이미지의 콘텐츠는 상호 대응되지 않을 수 있다.A deep learning-based super-resolution imaging method performed by a computing device according to an embodiment of the present disclosure for realizing the above-described problem is disclosed. The method includes: receiving a first image and a second image having a lower resolution compared to the first image; training a first model to generate a low-resolution image corresponding to the second image based on the first image; and training the second model to generate a high-resolution image corresponding to the first image based on the output image of the first model. In this case, the contents of the first image and the contents of the second image may not correspond to each other.
대안적 실시예에서, 상기 제 1 모델은, 상기 제 1 이미지를 입력받아 상기 제 2 이미지에 대응되는 저해상도의 이미지를 생성하는 제 1-1 신경망; 상기 제 2 이미지를 GT(ground truth)로 하여, 상기 제 1-1 신경망을 통해 생성된 저해상도의 이미지를 판별하는 제 1-2 신경망; 및 상기 제 2 이미지를 GT(ground truth)로 하여, 상기 제 1-1 신경망을 통해 생성된 저해상도의 이미지의 텍스처(texture)와 관계된 요소들을 조절하는 제 1-3 신경망을 포함할 수 있다.In an alternative embodiment, the first model may include: a 1-1 neural network that receives the first image and generates a low-resolution image corresponding to the second image; a first-second neural network for discriminating a low-resolution image generated through the first-first neural network by using the second image as a ground truth (GT); and a 1-3 th neural network that adjusts elements related to a texture of a low-resolution image generated through the 1-1 neural network by using the second image as a ground truth (GT).
대안적 실시예에서, 상기 제 1 모델은, 상기 제 1 이미지를 다운 샘플링(down sampling)하기 위한 보간(interpolation) 모듈을 더 포함할 수 있다.In an alternative embodiment, the first model may further include an interpolation module for down sampling the first image.
대안적 실시예에서, 상기 제 1 모델은, 상기 보간 모듈을 통해 다운 샘플링된 제 1 이미지와 상기 제 1-1 신경망을 통해 생성된 저해상도의 이미지 간의 픽셀 거리를 연산하는 제 1-1 손실함수를 기반으로 학습될 수 있다.In an alternative embodiment, the first model includes a 1-1 loss function for calculating a pixel distance between a first image down-sampled through the interpolation module and a low-resolution image generated through the 1-1 neural network. can be learned based on
대안적 실시예에서, 상기 제 1 모델은, 상기 제 1-1 신경망을 통해 생성된 저해상도의 이미지와 상기 제 2 이미지 간의 그램 행렬(gram matrix)의 차이를 연산하는 제 1-2 손실함수를 기반으로 학습될 수 있다.In an alternative embodiment, the first model is based on a 1-2 loss function that calculates a difference in a gram matrix between the low-resolution image and the second image generated through the 1-1 neural network can be learned as
대안적 실시예에서, 상기 그램 행렬은, 상기 제 1-2 신경망의 중간 레이어에서 도출된 특징값을 기초로 산출될 수 있다.In an alternative embodiment, the gram matrix may be calculated based on a feature value derived from an intermediate layer of the first and second neural networks.
대안적 실시예에서, 상기 제 2 모델은, 상기 제 1 모델의 출력 이미지를 입력받아 상기 제 1 이미지에 대응되는 고해상도의 이미지를 생성하는 제 2-1 신경망; 상기 제 1 이미지를 GT(ground truth)로 하여, 상기 제 2-1 신경망을 통해 생성된 고해상도의 이미지를 판별하는 제 2-2 신경망; 및 상기 제 1 이미지를 GT(ground truth)로 하여, 상기 제 2-1 신경망을 통해 생성된 고해상도의 이미지의 텍스처(texture)와 관계된 요소들을 조절하는 제 2-3 신경망을 포함할 수 있다.In an alternative embodiment, the second model may include: a 2-1 neural network that receives an output image of the first model and generates a high-resolution image corresponding to the first image; a 2-2 neural network that determines the high-resolution image generated through the 2-1 neural network by using the first image as a ground truth (GT); and a second-third neural network that controls elements related to a texture of a high-resolution image generated through the second-first neural network by using the first image as a ground truth (GT).
대안적 실시예에서, 상기 제 2 모델은, 상기 제 1 이미지와 상기 제 2-1 신경망을 통해 생성된 고해상도의 이미지 간의 픽셀 거리를 연산하는 제 2-1 손실함수를 기반으로 학습될 수 있다.In an alternative embodiment, the second model may be trained based on a 2-1 loss function that calculates a pixel distance between the first image and the high-resolution image generated through the 2-1 neural network.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 딥러닝 기반 초해상도 이미징 방법이 개시된다. 상기 방법은, 사전 학습된 제 1 모델을 사용하여, 제 2 이미지 대비 고해상도의 제 1 이미지를 기초로 제 2 이미지에 대응되는 저해상도의 이미지를 생성하는 단계; 및 사전 학습된 제 2 모델을 사용하여, 상기 제 1 모델의 출력 이미지를 기초로 상기 제 1 이미지에 대응되는 고해상도의 이미지를 생성하는 단계를 포함할 수 있다. 이때, 상기 제 1 이미지의 콘텐츠와 상기 제 2 이미지의 콘텐츠는 상호 대응되지 않을 수 있다.A deep learning-based super-resolution imaging method performed by a computing device according to an embodiment of the present disclosure for realizing the above-described problem is disclosed. The method includes the steps of using the pre-trained first model to generate a low-resolution image corresponding to the second image based on the first image having a higher resolution compared to the second image; and using the pre-trained second model to generate a high-resolution image corresponding to the first image based on the output image of the first model. In this case, the content of the first image and the content of the second image may not correspond to each other.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 딥러닝을 기반으로 초해상도 이미징을 수행하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 제 1 이미지 및 상기 제 1 이미지 대비 저해상도의 제 2 이미지를 수신하는 동작; 상기 제 1 이미지를 기초로 상기 제 2 이미지에 대응되는 저해상도의 이미지를 생성하도록 제 1 모델을 학습시키는 동작; 및 상기 제 1 모델의 출력 이미지를 기초로 상기 제 1 이미지에 대응되는 고해상도의 이미지를 생성하도록 제 2 모델을 학습시키는 동작을 포함할 수 있다. 이때, 이때, 상기 제 1 이미지의 콘텐츠와 상기 제 2 이미지의 콘텐츠는 상호 대응되지 않을 수 있다.A computer program stored in a computer-readable storage medium is disclosed according to an embodiment of the present disclosure for realizing the above-described problems. The computer program, when executed on one or more processors, causes the following operations to be performed for performing super-resolution imaging based on deep learning, wherein the operations include: a first image and a second image of a lower resolution compared to the first image receiving; training the first model to generate a low-resolution image corresponding to the second image based on the first image; and training the second model to generate a high-resolution image corresponding to the first image based on the output image of the first model. In this case, the content of the first image and the content of the second image may not correspond to each other.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 딥러닝을 기반으로 초해상도 이미징을 수행하는 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 코어를 포함하는 프로세서; 상기 프로세서에서 실행가능한 프로그램 코드들을 포함하는 메모리; 및 이미지를 수신하는 네트워크부를 포함하고, 상기 프로세서는, 제 2 이미지 대비 고해상도의 제 1 이미지를 기초로 상기 제 2 이미지에 대응되는 저해상도의 이미지를 생성하도록 제 1 모델을 학습시키고, 상기 제 1 모델의 출력 이미지를 기초로 상기 제 1 이미지에 대응되는 고해상도의 이미지를 생성하도록 제 2 모델을 학습시킬 수 있다. 이때, 상기 제 1 이미지의 콘텐츠와 상기 제 2 이미지의 콘텐츠는 상호 대응되지 않을 수 있다.A computing device for performing super-resolution imaging based on deep learning according to an embodiment of the present disclosure for realizing the above-described problem is disclosed. The apparatus includes: a processor including at least one core; a memory containing program codes executable by the processor; and a network unit for receiving an image, wherein the processor trains the first model to generate a low-resolution image corresponding to the second image based on the first image having a high resolution compared to the second image, and the first model The second model may be trained to generate a high-resolution image corresponding to the first image based on the output image of . In this case, the content of the first image and the content of the second image may not correspond to each other.
본 개시의 일 실시예에 따라, 학습 과정에서 적어도 일부가 업데이트 되는 신경망의 파라미터에 대응하는 데이터 구조가 저장된 컴퓨터 판독가능한 기록 매체가 개시된다. 상기 신경망의 동작은 상기 파라미터에 적어도 부분적으로 기초하고, 상기 학습 과정은, 제 1 이미지 및 상기 제 1 이미지 대비 저해상도의 제 2 이미지를 수신하는 단계; 상기 제 1 이미지를 기초로 상기 제 2 이미지에 대응되는 저해상도의 이미지를 생성하도록 제 1 모델을 학습시키는 단계; 및 상기 제 1 모델의 출력 이미지를 기초로 상기 제 1 이미지에 대응되는 고해상도의 이미지를 생성하도록 제 2 모델을 학습시키는 단계를 포함할 수 있다. 이때, 상기 제 1 이미지의 콘텐츠와 상기 제 2 이미지의 콘텐츠는 상호 대응되지 않을 수 있다.According to an embodiment of the present disclosure, there is disclosed a computer-readable recording medium storing a data structure corresponding to a parameter of a neural network that is at least partially updated in a learning process. The operation of the neural network is based at least in part on the parameter, and the learning process may include: receiving a first image and a second image having a lower resolution compared to the first image; training a first model to generate a low-resolution image corresponding to the second image based on the first image; and training the second model to generate a high-resolution image corresponding to the first image based on the output image of the first model. In this case, the content of the first image and the content of the second image may not correspond to each other.
본 개시는 딥러닝을 기반으로 짝을 이루지 않는(unpaired) 저해상도 이미지와 고해상도 이미지를 이용하여 초해상도(super resolution) 이미징을 수행하는 방법을 제공할 수 있다.The present disclosure may provide a method of performing super-resolution imaging using an unpaired low-resolution image and a high-resolution image based on deep learning.
도 1은 본 개시의 일 실시예에 따른 딥러닝을 기반으로 초해상도(super resolution) 이미징을 수행하는 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 초해상도 이미지 생성 과정을 나타낸 블록 구성도이다.
도 4는 본 개시의 일 실시예에 따라 초해상도 이미징을 수행하는 딥러닝 모델의 구조를 나타낸 블록 구성도이다.
도 5는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 딥러닝 모델을 학습시키는 과정을 나타낸 순서도이다.
도 6은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 초해상도 이미징 과정을 나타낸 순서도이다.
도 7은 본 개시의 일 실시예에 따른 컴퓨팅 환경의 개략도이다.1 is a block diagram of a computing device that performs super-resolution imaging based on deep learning according to an embodiment of the present disclosure.
2 is a schematic diagram illustrating a network function according to an embodiment of the present disclosure;
3 is a block diagram illustrating a process of generating a super-resolution image of a computing device according to an embodiment of the present disclosure.
4 is a block diagram showing the structure of a deep learning model for performing super-resolution imaging according to an embodiment of the present disclosure.
5 is a flowchart illustrating a process of learning a deep learning model of a computing device according to an embodiment of the present disclosure.
6 is a flowchart illustrating a super-resolution imaging process of a computing device according to an embodiment of the present disclosure.
7 is a schematic diagram of a computing environment according to an embodiment of the present disclosure;
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.Various embodiments are now described with reference to the drawings. In this specification, various descriptions are presented to provide an understanding of the present disclosure. However, it is apparent that these embodiments may be practiced without these specific descriptions.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.The terms “component,” “module,” “system,” and the like, as used herein, refer to a computer-related entity, hardware, firmware, software, a combination of software and hardware, or execution of software. For example, a component can be, but is not limited to being, a process running on a processor, a processor, an object, a thread of execution, a program, and/or a computer. For example, both an application running on a computing device and the computing device may be a component. One or more components may reside within a processor and/or thread of execution. A component may be localized within one computer. A component may be distributed between two or more computers. In addition, these components can execute from various computer readable media having various data structures stored therein. Components may communicate via a network such as the Internet with another system, for example, via a signal having one or more data packets (eg, data and/or signals from one component interacting with another component in a local system, distributed system, etc.) may communicate via local and/or remote processes depending on the data being transmitted).
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.In addition, the term “or” is intended to mean an inclusive “or” rather than an exclusive “or.” That is, unless otherwise specified or clear from context, "X employs A or B" is intended to mean one of the natural implicit substitutions. That is, X employs A; X employs B; or when X employs both A and B, "X employs A or B" may apply to either of these cases. It should also be understood that the term “and/or” as used herein refers to and includes all possible combinations of one or more of the listed related items.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.Also, the terms "comprises" and/or "comprising" should be understood to mean that the feature and/or element in question is present. However, it should be understood that the terms "comprises" and/or "comprising" do not exclude the presence or addition of one or more other features, elements and/or groups thereof. Also, unless otherwise specified or unless it is clear from context to refer to a singular form, the singular in the specification and claims should generally be construed to mean “one or more”.
그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우, "B 만을 포함하는 경우,"A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다. And, the term "at least one of A or B" should be interpreted as meaning "when only A is included, when only B is included, "when combined with the configuration of A and B".
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.Those skilled in the art will further appreciate that the various illustrative logical blocks, configurations, modules, circuits, means, logics, and algorithm steps described in connection with the embodiments disclosed herein may be implemented in electronic hardware, computer software, or combinations of both. It should be recognized that they can be implemented with To clearly illustrate this interchangeability of hardware and software, various illustrative components, blocks, configurations, means, logics, modules, circuits, and steps have been described above generally in terms of their functionality. Whether such functionality is implemented as hardware or software depends upon the particular application and design constraints imposed on the overall system. Skilled artisans may implement the described functionality in varying ways for each particular application. However, such implementation decisions should not be interpreted as causing a departure from the scope of the present disclosure.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다. Descriptions of the presented embodiments are provided to enable those skilled in the art to use or practice the present invention. Various modifications to these embodiments will be apparent to those skilled in the art of the present disclosure. The generic principles defined herein may be applied to other embodiments without departing from the scope of the present disclosure. Therefore, the present invention is not limited to the embodiments presented herein. This invention is to be interpreted in its widest scope consistent with the principles and novel features presented herein.
본 개시에서 네트워크 함수와 인공 신경망 및 뉴럴 네트워크(neural network)는 상호 교환 가능하게 사용될 수 있다. In the present disclosure, a network function, an artificial neural network, and a neural network may be used interchangeably.
한편, 본 개시의 상세한 설명 및 청구항들에 걸쳐 이용된 "이미지", "영상" 또는 "영상 데이터"라는 용어는 이산적 영상 요소들(예컨대, 2차원 영상에 있어서는 픽셀)로 구성된 다차원 데이터를 지칭하며, 달리 말하자면, (예컨대, 비디오 화면에 표시된) 눈으로 볼 수 있는 대상 또는 (예컨대, 등의 픽셀 출력에 대응되는 파일과 같은) 그 대상의 디지털 표현물을 지칭하는 용어이다.On the other hand, the terms “image”, “image” or “image data” used throughout the detailed description and claims of the present disclosure refer to multidimensional data composed of discrete image elements (eg, pixels in a two-dimensional image). In other words, it is a term that refers to a visible object (eg, displayed on a video screen) or a digital representation of that object (eg, a file corresponding to the pixel output of the back).
본 개시의 상세한 설명 및 청구항들에 걸쳐 표현된 "제 N(N은 자연수)"이라는 용어는 발명의 구성요소들을 기능적 혹은 구조적 관점에서 상호 구별하기 위해 사용되는 표현으로 이해될 수 있다. "제 N"이라는 용어는 소정의 기준에 따라 구성요소들을 구별하여 표현하기 위해 사용되는 용어로 이해될 수 있다. 예를 들어, 본 개시에서 동일한 신경망 구조에 기반하나 입출력 데이터 등의 차이로 서로 다른 기능을 수행하는 두 모델은 제 1 모델과 제 2 모델과 같이 제 N 구성이라는 표현을 통해 구별될 수 있다. 또한, 동일한 기능을 수행하나 서로 다른 신경망 구조에 기반하는 두 모델도 제 1 모델과 제 2 모델과 같이 제 N 구성이라는 표현을 통해 구별될 수 있다. 다만, 이는 하나의 예시일 뿐이며, 여러 관점에서 다양한 기준에 따라 구성요소들을 구별하기 위해 "제 N"이라는 용어가 사용될 수 있다.The term “Nth (N is a natural number)” expressed throughout the detailed description and claims of the present disclosure may be understood as an expression used to distinguish elements of the invention from a functional or structural point of view. The term “Nth” may be understood as a term used to distinguish and express components according to a predetermined criterion. For example, in the present disclosure, two models that are based on the same neural network structure but perform different functions due to differences in input/output data, etc. can be distinguished through an expression called an N-th configuration, like the first model and the second model. In addition, two models that perform the same function but are based on different neural network structures can be distinguished through the expression of the N-th configuration like the first model and the second model. However, this is only an example, and the term “Nth” may be used to distinguish components according to various criteria from various viewpoints.
또한, 본 개시의 상세한 설명 및 청구항들에 걸쳐 표현된 "제 N-M(N, M은 자연수)"이라는 용어는 발명의 특정 구성(i.e. 제 N 구성)과 연관된 구성요소들을 기능적 혹은 구조적 관점에서 상호 구별하기 위해 사용되는 표현으로 이해될 수 있다. 예를 들어, 제 1 모델에 포함된 신경망 단위의 구성요소들은 기능 혹은 구조에 따라 제 1-1 모듈(혹은 신경망), 제 1-2 모듈(혹은 신경망), 제 1-3 모듈(혹은 신경망) 등과 같이 제 N-M 구성이라는 표현을 통해 구별될 수 있다. 다만, 이는 하나의 예시일 뿐이며, 여러 관점에서 다양한 기준에 따라 구성요소들을 구별하기 위해 "제 N-M"이라는 용어가 사용될 수 있다.In addition, the term “NM (N, M is a natural number)” expressed throughout the detailed description and claims of the present disclosure distinguishes elements associated with a specific configuration (ie, N-th configuration) of the invention from each other from a functional or structural point of view. It can be understood as an expression used for For example, the components of the neural network unit included in the first model are 1-1 modules (or neural networks), 1-2 modules (or neural networks), and 1-3 modules (or neural networks) according to functions or structures. It can be distinguished through the expression of the NM-th configuration, such as. However, this is only an example, and the term “N-M” may be used to distinguish components according to various criteria from various viewpoints.
도 1은 본 개시의 일 실시예에 따른 딥러닝을 기반으로 초해상도(super resolution) 이미징을 수행하는 컴퓨팅 장치의 블록 구성도이다.1 is a block diagram of a computing device that performs super-resolution imaging based on deep learning according to an embodiment of the present disclosure.
도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다. The configuration of the
컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.The
프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.The
본 개시의 일 실시예에 따르면, 프로세서(110)는 짝을 이루지 않는(unpaired) 이미지 세트를 기초로 초해상도 이미징을 수행할 수 있다. 이때, 짝을 이루지 않는 이미지 세트는 서로 대응되지 않는 콘텐츠(contents)를 포함하여 상호 독립적인 복수의 이미지들을 포함하는 것으로 이해될 수 있다. 짝을 이루지 않는 이미지 세트는 상호 대응되지 않는 콘텐츠로 인해 자연스러운 특징 매칭(matching) 혹은 결합이 어려운 이미지 세트를 의미하는 것으로 이해될 수 있다. 예를 들어, 짝을 이루지 않는 이미지 세트는 서로 다른 구역을 촬영한 위성 이미지들을 포함할 수 있다. 프로세서(110)는 서로 다른 구역을 촬영한 위성 이미지들로 구성된 이미지 세트를 기초로 딥러닝 모델을 사용하여 저해상도 이미지를 고해상도 이미지로 변환시키는 초해상도 이미징을 수행할 수 있다.According to an embodiment of the present disclosure, the
프로세서(110)는 짝을 이루지 않으면서 해상도의 차이가 존재하는 복수의 이미지들을 기초로 초해상도 이미징을 수행하기 위한 딥러닝 모델을 학습시킬 수 있다. 프로세서(110)는 콘텐츠가 상호 대응되지 않는 저해상도 이미지와 고해상도 이미지를 기초로 초해상도 이미징을 만드는 딥러닝 모델을 학습시킬 수 있다. 이때, 복수의 이미지들의 해상도는 화소의 수에 따라 일반적으로 결정되는 절대적인 기준의 해상도에 따라 구분될 수도 있고, 상대적인 차이로 구분될 수도 있다. 예를 들어, 프로세서(110)는 상호 대응되지 않는 콘텐츠를 갖는 저해상도 위성 이미지와 고해상도 위성 이미지를 기초로 초해상도 이미지를 수행하는 딥러닝 모델을 학습시킬 수 있다. 프로세서(110)가 학습시키는 딥러닝 모델은 복수의 생성적 적대 신경망(generative adversarial network, GAN) 기반의 모델들을 포함할 수 있다. 딥러닝 모델에 포함된 복수의 생성적 적대 신경망 기반의 모델들은 엔드-투-엔드(end-to-end)로 연결되어, 저해상도 위성 이미지와 고해상도 이미지를 기초로 초해상도 이미지를 생성하도록 학습될 수 있다.The
본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.According to an embodiment of the present disclosure, the
본 개시의 일 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.According to an embodiment of the present disclosure, the
본 개시의 일 실시예에 따른 네트워크부(150)는 임의의 형태의 공지된 유무선 통신 시스템을 사용할 수 있다. The network unit 150 according to an embodiment of the present disclosure may use any type of known wired/wireless communication system.
네트워크부(150)는 이미지들을 외부 시스템으로부터 수신할 수 있다. 예를 들어, 네트워크부(150)는 지상 촬영 이미지들을 인공위성 시스템, 항공 시스템 등으로부터 수신할 수 있다. 지상 촬영 이미지들은 신경망 모델의 학습용 데이터 또는 추론용 데이터일 수 있다. 또한, 지상 촬영 이미지들은 상호 짝을 이루는 이미지들일 수도 있고, 짝을 이루지 않는 이미지들일 수도 있다. 지상 촬영 이미지들은 인공위성, 항공기 등을 통해 촬영된 전자 광학(electro-optic) 영상, 합성 개구면 레이더(synthetic aperture radar, SAR) 영상 등을 모두 포함할 수 있다. 지상 촬영 이미지들은 상술한 예시에 제한되지 않고, 당업자가 이해할 수 있는 범위 내에서 다양하게 구성될 수 있다.The network unit 150 may receive images from an external system. For example, the network unit 150 may receive ground-captured images from a satellite system, an air system, or the like. The ground-captured images may be data for training or inference of a neural network model. Also, the terrestrial photographed images may be images that are mutually paired or images that are not paired. The ground-captured images may include both an electro-optic image and a synthetic aperture radar (SAR) image captured through an artificial satellite or an aircraft. The ground-captured images are not limited to the above-described examples, and may be variously configured within a range that those skilled in the art can understand.
또한, 네트워크부(150)는 프로세서(110)에 의해 처리된 정보, 데이터를 타 단말과의 통신을 통해 송수신할 수 있다. 예를 들어, 네트워크부(150)는 프로세서(110)에 의해 생성된 초해상도 이미지를 클라이언트(e.g. 타 서버, 사용자 단말 등)로 제공할 수 있다.Also, the network unit 150 may transmit/receive information and data processed by the
한편, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 클라이언트와 통신을 통해 정보를 송수신하는 컴퓨팅 시스템으로서 서버를 포함할 수 있다. 이때, 클라이언트는 서버에 엑세스(access)할 수 있는 임의의 형태의 단말일 수 있다. 예를 들어, 서버인 컴퓨팅 장치(100)는 인공위성 시스템으로부터 서로 짝을 이루지 않는 지상 촬영 이미지들을 수신하여 초해상도 이미징을 수행하고, 작업 결과로 생성된 초해상도 이미지를 이미지 분석(e.g. 객체 탐지 등)을 위한 서버 혹은 사용자 단말로 제공할 수 있다.Meanwhile, the
추가적인 실시예에서, 컴퓨팅 장치(100)는 임의의 서버에서 생성된 데이터 리소스를 전달받아 추가적인 정보 처리를 수행하는 임의의 형태의 단말을 포함할 수도 있다.In an additional embodiment, the
도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.2 is a schematic diagram illustrating a network function according to an embodiment of the present disclosure;
본 개시의 일 실시예에 따른 모델은 초해상도 이미징을 수행하기 위한 신경망을 포함할 수 있다. 본 명세서에 걸쳐, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 상호 교환 가능한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.A model according to an embodiment of the present disclosure may include a neural network for performing super-resolution imaging. Throughout this specification, the terms neural network, network function, and neural network may be used interchangeably. A neural network may be composed of a set of interconnected computational units, which may generally be referred to as nodes. These nodes may also be referred to as neurons. A neural network is configured to include at least one or more nodes. Nodes (or neurons) constituting the neural networks may be interconnected by one or more links.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.In the neural network, one or more nodes connected through a link may relatively form a relationship between an input node and an output node. The concepts of an input node and an output node are relative, and any node in an output node relationship with respect to one node may be in an input node relationship in a relationship with another node, and vice versa. As described above, an input node-to-output node relationship may be created around a link. One or more output nodes may be connected to one input node through a link, and vice versa.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.In the relationship between the input node and the output node connected through one link, the value of the data of the output node may be determined based on data input to the input node. Here, a link interconnecting the input node and the output node may have a weight. The weight may be variable, and may be changed by a user or an algorithm in order for the neural network to perform a desired function. For example, when one or more input nodes are interconnected to one output node by respective links, the output node sets values input to input nodes connected to the output node and links corresponding to the respective input nodes. An output node value may be determined based on the weight.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.As described above, in a neural network, one or more nodes are interconnected through one or more links to form an input node and an output node relationship in the neural network. The characteristics of the neural network may be determined according to the number of nodes and links in the neural network, the correlation between the nodes and the links, and the value of a weight assigned to each of the links. For example, when the same number of nodes and links exist and there are two neural networks having different weight values of the links, the two neural networks may be recognized as different from each other.
신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.A neural network may consist of a set of one or more nodes. A subset of nodes constituting the neural network may constitute a layer. Some of the nodes constituting the neural network may configure one layer based on distances from the initial input node. For example, a set of nodes having a distance of n from the initial input node may constitute n layers. The distance from the initial input node may be defined by the minimum number of links that must be passed to reach the corresponding node from the initial input node. However, the definition of such a layer is arbitrary for description, and the order of the layer in the neural network may be defined in a different way from the above. For example, a layer of nodes may be defined by a distance from the final output node.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. The initial input node may mean one or more nodes to which data is directly input without going through a link in a relationship with other nodes among nodes in the neural network. Alternatively, in a relationship between nodes based on a link in a neural network, it may mean nodes that do not have other input nodes connected by a link. Similarly, the final output node may refer to one or more nodes that do not have an output node in relation to other nodes among nodes in the neural network. In addition, the hidden node may mean nodes constituting the neural network other than the first input node and the last output node.
본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.The neural network according to an embodiment of the present disclosure may be a neural network in which the number of nodes in the input layer may be the same as the number of nodes in the output layer, and the number of nodes decreases and then increases again as progresses from the input layer to the hidden layer. can Also, in the neural network according to another embodiment of the present disclosure, the number of nodes in the input layer may be less than the number of nodes in the output layer, and the number of nodes may be reduced as the number of nodes progresses from the input layer to the hidden layer. have. In addition, the neural network according to another embodiment of the present disclosure may be a neural network in which the number of nodes in the input layer may be greater than the number of nodes in the output layer, and the number of nodes increases as the number of nodes progresses from the input layer to the hidden layer. can The neural network according to another embodiment of the present disclosure may be a neural network in a combined form of the aforementioned neural networks.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. A deep neural network (DNN) may refer to a neural network including a plurality of hidden layers in addition to an input layer and an output layer. Deep neural networks can be used to identify the latent structures of data. In other words, it can identify the potential structure of photos, texts, videos, voices, and music (e.g., what objects are in the photos, what the text and emotions are, what the texts and emotions are, etc.) . Deep neural networks include convolutional neural networks (CNNs), recurrent neural networks (RNNs), auto encoders, generative adversarial networks (GANs), and restricted boltzmann machines (RBMs). machine), a deep belief network (DBN), a Q network, a U network, a Siamese network, and a Generative Adversarial Network (GAN). The description of the deep neural network described above is only an example, and the present disclosure is not limited thereto.
본 개시의 일 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.In an embodiment of the present disclosure, the network function may include an autoencoder. The auto-encoder may be a kind of artificial neural network for outputting output data similar to input data. The auto encoder may include at least one hidden layer, and an odd number of hidden layers may be disposed between the input/output layers. The number of nodes in each layer may be reduced from the number of nodes of the input layer to an intermediate layer called the bottleneck layer (encoding), and then expanded symmetrically with reduction from the bottleneck layer to the output layer (symmetrically with the input layer). The auto-encoder can perform non-linear dimensionality reduction. The number of input layers and output layers may correspond to a dimension after preprocessing the input data. In the auto-encoder structure, the number of nodes of the hidden layer included in the encoder may have a structure that decreases as the distance from the input layer increases. If the number of nodes in the bottleneck layer (the layer with the fewest nodes located between the encoder and decoder) is too small, a sufficient amount of information may not be conveyed, so a certain number or more (e.g., more than half of the input layer, etc.) ) may be maintained.
뉴럴 네트워크는 교사 학습, 비교사 학습(unsupervised learning), 반교사 학습(semi supervised learning), 또는 강화 학습 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다. The neural network may be trained by at least one of teacher learning, unsupervised learning, semi-supervised learning, and reinforcement learning. Learning of the neural network may be a process of applying knowledge for the neural network to perform a specific operation to the neural network.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링 되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.A neural network can be trained in a way that minimizes output errors. In the training of a neural network, iteratively input the training data into the neural network, calculate the output of the neural network and the target error for the training data, and calculate the error of the neural network from the output layer of the neural network to the input layer in the direction to reduce the error. It is a process of updating the weight of each node in the neural network by backpropagation in the direction. In the case of teacher learning, learning data in which the correct answer is labeled in each learning data is used (ie, labeled learning data), and in the case of comparative learning, the correct answer may not be labeled in each learning data. That is, for example, learning data in the case of teacher learning related to data classification may be data in which categories are labeled in each of the learning data. Labeled training data is input to the neural network, and an error can be calculated by comparing the output (category) of the neural network with the label of the training data. As another example, in the case of comparison learning related to data classification, an error may be calculated by comparing the input training data with the neural network output. The calculated error is back propagated in the reverse direction (ie, from the output layer to the input layer) in the neural network, and the connection weight of each node of each layer of the neural network may be updated according to the back propagation. The change amount of the connection weight of each node to be updated may be determined according to a learning rate. The computation of the neural network on the input data and the backpropagation of errors can constitute a learning cycle (epoch). The learning rate may be applied differently according to the number of repetitions of the learning cycle of the neural network. For example, in the early stage of learning of a neural network, a high learning rate can be used to enable the neural network to quickly obtain a certain level of performance, thereby increasing efficiency, and using a low learning rate at a later stage of learning can increase accuracy.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤러라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.In the training of neural networks, in general, the training data may be a subset of real data (that is, data to be processed using the trained neural network), and thus, the error on the training data is reduced, but the error on the real data is reduced. There may be increasing learning cycles. Overfitting is a phenomenon in which errors on actual data increase by over-learning on training data as described above. For example, a phenomenon in which a neural network that has learned a cat by seeing a yellow cat does not recognize that it is a cat when it sees a cat other than yellow may be a type of overfitting. Overfitting can act as a cause of increasing errors in machine learning algorithms. In order to prevent such overfitting, various optimization methods can be used. In order to prevent overfitting, methods such as increasing the training data, regularization, dropout that deactivate some nodes of the network in the process of learning, and the use of a batch normalization layer can be applied.
도 3은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 초해상도 이미지 생성 과정을 나타낸 블록 구성도이다.3 is a block diagram illustrating a process of generating a super-resolution image of a computing device according to an embodiment of the present disclosure.
도 3을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)의 프로세서(110)는 제 1 이미지(11) 및 제 1 이미지(11) 대비 저해상도의 제 2 이미지(15)를 기초로 초해상도 이미징을 위한 딥러닝 모델을 학습시킬 수 있다. 이때, 제 1 이미지(11)의 콘텐츠와 제 2 이미지(15)의 콘텐츠는 상호 대응되지 않을 수 있다. 예를 들어, 제 1 이미지(11)는 특정 지역을 촬영한 위성 이미지를 포함할 수 있다. 제 2 이미지(15)는 제 1 이미지와 다른 지역을 촬영한 위성 이미지로서, 제 1 이미지에 비해 상대적으로 저해상도의 이미지를 포함할 수 있다. 이와 같이 제 1 이미지(11)와 제 2 이미지(15)는 객체, 배경, 스타일 등 콘텐츠를 구성하는 요소들이 상이한 이미지일 수 있다. 제 1 이미지(11)와 제 2 이미지(15) 간의 해상도의 차이는 이미지들(11, 15) 간의 상대적인 비교에 기반하는 것일 수도 있고, 화소의 수에 따라 결정되는 해상도 기준(e.g. HD(high definition) 등)에 기반하는 것일 수도 있다.Referring to FIG. 3 , the
프로세서(110)는 제 1 이미지(11) 및 제 2 이미지(15)를 기초로 이미지의 해상도 변환을 수행하는 제 1 모델(200)을 학습시킬 수 있다. 프로세서(110)는 제 1 이미지(11) 및 제 2 이미지(15)를 제 1 모델(200)에 입력하여 제 2 이미지(15)에 대응되는 저해상도의 이미지를 생성하도록 제 1 모델(200)을 학습시킬 수 있다. 예를 들어, 프로세서(110)는 제 2 이미지(15)를 GT(ground truth)로 하여 제 1 이미지(11)의 해상도를 감소(degradation)시키도록 제 1 모델(200)을 학습시킬 수 있다. 제 1 모델(200)의 학습은 다음의 [수학식 1]과 같이 표현되는 해상도 감소를 위한 함수를 잘 추정하도록 수행되는 것으로 당업자에 의해 이해될 수 있다.The
여기서, k는 커널(kernel), n은 노이즈(noise), s는 스케일 인자(scale factor)를 나타낸다. k 및 n 값을 알 수 없으므로, (x*k)↓s를 깊게 쌓은 신경망에 대응시켜 제 1 모델(200)이 상술한 함수에 대응되는 연산을 수행하도록 함으로써, 프로세서(110)는 제 1 모델(200)이 제 1 이미지(11)의 해상도를 조절하도록 학습시킬 수 있다. 다시 말해서, 제 1 모델(200)은 제 1 이미지(11)와 제 2 이미지(15)를 기초로 제 1 이미지(11)를 제 2 이미지(15)에 대응되는 저해상도로 변환시키도록 학습될 수 있다. 이때, 제 1 이미지(11)와 제 2 이미지(15)의 콘텐츠 특징이 상호 대응되지 않기 때문에, 제 2 이미지(15)를 GT(ground truth)를 하여 특징을 매칭시키는 일반적인 신경망 구조를 갖는 모델을 제 1 모델(200)로 사용하기는 어렵다. 따라서, 전술한 문제를 해결하기 위해, 본 개시의 제 1 모델(200)로는 제 1 이미지(11)를 생성자(generator)의 입력, 제 2 이미지(15)를 판별자(discriminator)의 GT(ground truth)로 하는 생성적 적대 신경망 기반의 모델이 사용될 수 있다.Here, k denotes a kernel, n denotes noise, and s denotes a scale factor. Since the values of k and n are unknown, (x*k)↓ s corresponds to a deep-stacked neural network so that the
프로세서(110)는 제 1 모델(200)의 출력 이미지 및 제 1 이미지(11)를 기초로 이미지의 해상도 변환을 수행하는 제 2 모델(300)을 학습시킬 수 있다. 프로세서(110)는 제 1 모델(200)의 출력 이미지 및 제 1 이미지(11)를 제 2 모델(300)에 입력하여 제 1 이미지(11)에 대응되는 고해상도의 이미지를 생성하도록 제 2 모델(300)을 학습시킬 수 있다. 예를 들어, 프로세서(110)는 제 1 이미지(11)를 GT(ground truth)로 하여 제 1 모델(200)의 출력 이미지의 해상도를 향상시키도록 제 2 모델(300)을 학습시킬 수 있다. 다시 말해서, 제 2 모델(300)은 제 1 이미지(11)와 제 1 모델(200)의 출력 이미지를 기초로 제 2 이미지(15)에 대응되는 저해상도의 이미지를 고해상도로 변환시키도록 학습될 수 있다. 이때, 본 개시의 제 2 모델(300)로는 제 1 모델(200)의 출력 이미지를 생성자의 입력, 제 1 이미지(11)를 판별자의 GT(ground truth)로 하는 생성적 적대 신경망 기반의 모델이 사용될 수 있다.The
프로세서(110)는 전술한 바에 따라 사전 학습된 제 1 모델(200) 및 제 2 모델(300)을 사용하여 짝을 이루지 않는 이미지에 대한 초해상도 이미징을 수행할 수 있다. 프로세서(110)는 사전 학습된 제 1 모델(200) 및 제 2 모델(300)을 통해 저해상도 이미지와 짝을 이루지 않는 고해상도 이미지를 기초로 저해상도 이미지와 짝을 이루는 초해상도 이미지를 생성할 수 있다. 예를 들어, 도 3에서 제 1 이미지(11)를 고해상도의 입력 이미지, 제 2 이미지(15)를 제 1 이미지와 짝을 이루지 않는 저해상도의 GT(ground truth) 이미지로 가정하면, 제 2 이미지(15)와 짝을 이루는 초해상도 이미지를 생성하기 위해, 프로세서(110)는 앞서 서술한 바에 따라 사전 학습된 제 1 모델(200) 및 제 2 모델(300)을 사용할 수 있다. 제 1 모델(200)은 제 1 이미지(11)를 입력받아 제 2 이미지에 대응되는 저해상도의 이미지를 생성할 수 있다. 제 2 모델(300)은 제 1 모델(200)에 의해 생성된 저해상도의 이미지를 입력받아 제 1 이미지(11)에 대응되는 해상도의 초해상도 이미지(19)를 생성할 수 있다. 이와 같은 제 1 모델(200) 및 제 2 모델(300)을 활용한 프로세서(110)의 동작을 통해 짝을 이루지 않는 이미지 세트로도 저해상도의 이미지에 대한 해상도를 개선하는 초해상도 이미징을 효과적으로 수행할 수 있다.The
도 4는 본 개시의 일 실시예에 따라 초해상도 이미징을 수행하는 딥러닝 모델의 구조를 나타낸 블록 구성도이다.4 is a block diagram showing the structure of a deep learning model for performing super-resolution imaging according to an embodiment of the present disclosure.
도 4를 참조하면, 본 개시의 일 실시예에 따라 고해상도 이미지를 저해상도 이미지로 변환시키는 제 1 모델(200)은 제 1 이미지(21)를 입력받아 제 2 이미지(23)에 대응되는 저해상도의 이미지를 생성하는 제 1-1 신경망(210), 제 2 이미지(23)를 GT(ground truth)로 하여 제 1-1 신경망(210)을 통해 생성된 저해상도의 이미지(25)를 판별하는 제 1-2 신경망(220) 및 제 2 이미지(23)를 GT(ground truth)로 하여 제 1-1 신경망(210)을 통해 생성된 저해상도의 이미지(25)의 텍스처(texture)와 관계된 요소들을 조절하는 제 1-3 신경망(230)을 포함할 수 있다. 이때, 제 1 이미지(21)의 콘텐츠는 제 2 이미지(23)의 콘텐츠와 상호 대응되지 않을 수 있다. 또한, 제 1 이미지(21)는 제 2 이미지(23) 대비 고해상도의 이미지일 수 있다.Referring to FIG. 4 , a
제 1-1 신경망(210)은 제 1 이미지(21)를 입력받아 제 2 이미지(23)에 가까운 저해상도의 이미지인 제 3 이미지(25)를 생성할 수 있다. 제 1-1 신경망(210)은 제 2 이미지(23)를 기준으로 제 1 이미지(21)의 해상도를 고해상도에서 저해상도로 변환시킬 수 있다. 예를 들어, 제 1-1 신경망(210)은 제 1 이미지(21)의 해상도를 조절하는 생성적 적대 신경망의 생성자로 이해될 수 있다. 따라서, 제 1-1 신경망(210)은 후술할 제 1-2 신경망(220)이 제 2 이미지(23)와 제 3 이미지(25)의 구별이 어렵도록 제 2 이미지(23)의 해상도에 가까운 제 3 이미지(25)를 생성하는 것을 목표로 한다. 즉, 제 1-1 신경망(210)은 제 1-2 신경망(220)과의 경쟁을 통해 제 1 이미지(21)로부터 제 2 이미지(23)에 대응되는 제 3 이미지(25)를 생성하도록 학습될 수 있다.The 1-1
제 1-2 신경망(220)은 제 3 이미지(25)를 입력받아 제 3 이미지(25)가 제 2 이미지(220)인지 혹은 제 1-1 신경망(210)에 의해 생성된 저해상도의 이미지인지를 판별할 수 있다. 예를 들어, 제 1-2 신경망(220)은 제 2 이미지(23)를 기준으로 제 3 이미지(25)를 식별하는 생성적 적대 신경망의 판별자로 이해될 수 있다. 따라서, 제 1-2 신경망(220)은 전술한 제 1-1 신경망(210)이 생성한 제 3 이미지(25)와 GT(ground truth)인 제 2 이미지(23)를 구별하거나, 제 3 이미지(25)가 GT(ground truth)인 제 2 이미지(23)에 얼마나 가까운지를 정확히 판별하는 것을 목표로 한다. 즉, 제 1-2 신경망(220)은 제 1-1 신경망(210)과의 경쟁을 통해 제 3 이미지(25)가 제 1-1 신경망(210)을 통해 생성된 이미지인지 혹은 제 2 이미지(23)인지를 판별하도록 학습될 수 있다.The 1-2
제 1-3 신경망(230)은 제 3 이미지(25)를 입력받아 제 3 이미지(25)의 텍스처와 관계된 명암, 선명도 등과 같은 요소들을 개선시킬 수 있다. 제 1-3 신경망(230)은 제 3 이미지(25)의 밝기, 이미지에 표현된 객체의 엣지(edge) 등 텍스처에 영향을 미치는 요소들을 개선하여 제 1 모델(200)의 최종 출력 이미지를 생성하는 역할을 수행할 수 있다. 예를 들어, 제 1-3 신경망(230)은 복수의 컨볼루셔널 레이어를 포함하는 VGG(visual geometry group) 신경망을 포함할 수 있다. 다만, 전술한 제 1-3 신경망(230)에 포함되는 신경망의 종류는 하나의 예시일 뿐, 당업자가 이해할 수 있는 범위 내에서 다양하게 변경될 수 있다.The 1-3 th
한편, 제 1 모델(200)은 제 1 이미지(21)를 다운 샘플링(down sampling)하기 위한 보간(interpolation) 모듈(240)을 더 포함할 수 있다. 보간 모듈(240)은 제 1 이미지(21)에 대한 다운 샘플링을 통해 제 3 이미지(25)와의 비교를 위한 GT(ground truth) 이미지를 생성할 수 있다. 다시 말해서, 보간 모듈(240)은 제 1 이미지(21)의 해상도를 낮추는 다운 샘플링을 수행하여 제 1-1 신경망(210)의 학습을 위한 GT(ground truth) 이미지를 생성할 수 있다. 예를 들어, 보간 모듈(240)은 바이큐빅(bicubic) 다운 샘플링을 통해 제 1 이미지(21)로부터 제 3 이미지(25)와의 비교를 위한 GT(ground truth) 이미지를 생성할 수 있다. 바이큐빅 다운 샘플링 이외에도 제 1 이미지(21)의 해상도를 낮추기 위한 다양한 다운 샘플링 방식이 보간 모듈(240)에 적용될 수 있다.Meanwhile, the
제 1 모델(200)은 보간 모듈(240)을 통해 생성된 GT(ground truth) 이미지와 제 1-1 신경망(210)을 통해 생성된 저해상도의 이미지인 제 3 이미지(25) 간의 픽셀 거리를 연산하는 제 1-1 손실함수를 기반으로 학습될 수 있다. 제 1-1 손실함수는 픽셀 공간에서 비교 대상인 두 이미지들 간의 거리를 연산하기 위한 함수일 수 있다. 즉, 제 1-1 손실함수는 보간 모듈(240)을 통해 다운 샘플링된 제 1 이미지와 제 3 이미지(25)의 픽셀값을 입력 변수로 하여 픽셀 거리를 최소화하기 위한 함수일 수 있다. 이와 같은 제 1-1 손실함수를 통해 제 1-1 신경망(210)의 성능을 향상시킬 수 있다.The
제 1 모델(200)은 제 1-1 신경망(210)을 통해 생성된 저해상도의 이미지인 제 3 이미지(25)와 제 2 이미지(23) 간의 그램 행렬(gram matrix)의 차이를 연산하는 제 1-2 손실함수를 기반으로 학습될 수 있다. 제 1-2 손실함수는 제 3 이미지(25)의 특징값의 그램 행렬과 GT(ground truth)에 해당하는 제 2 이미지(23)의 특징값의 그램 행렬을 입력 변수로 하여 두 그램 행렬들 간의 거리를 최소화하기 위한 함수일 수 있다. 여기서, 그램 행렬은 제 3 이미지(25)와 제 2 이미지(23)를 입력받은 제 1-2 신경망(220)의 중간 레이어에서 도출된 특징값을 기초로 산출될 수 있다. 예를 들어, 그램 행렬은 다음의 [수학식 2]와 같이 제 1-2 신경망(220)의 특정 중간 레이어의 특징값의 채널을 기준으로 가로 및 세로의 비율을 연산함으로써 도출될 수 있다.The
여기서, c, c'은 특징값의 채널, h는 특징값의 세로, w는 특징값의 가로, Фj는 제 1-2 신경망(220)의 j번째(j는 자연수) 레이어의 특징값, x는 제 1-2 신경망(220)의 입력 이미지를 나타낸다. 즉, 제 1-1 신경망(210)이 저해상도의 제 2 이미지(23)의 특징을 보다 잘 모사할 수 있도록, 제 1 모델(200)은 제 1-2 신경망(220)의 입출력 레이어를 제외한 중간 레이어에서 도출되는 특징값의 그램 행렬을 제 1-2 손실함수의 입력 변수로 사용하여 학습을 수행할 수 있다.Here, c and c' are the channel of the feature value, h is the length of the feature value, w is the width of the feature value, Ф j is the feature value of the j-th (j is a natural number) layer of the 1-2
제 1 모델(200)은 제 1-2 신경망(220)의 판별 결과를 입력 변수로 하는 제 1-3 손실함수를 기반으로 학습될 수 있다. 이때, 제 1-3 손실함수는 제 1-2 신경망(220)의 판별 결과를 입력 변수로 하므로, 제 1-2 신경망(220)의 판별 방식에 맞추어 정의될 수 있다. 예를 들어, 제 1-2 신경망(220)은 제 3 이미지(25)가 제 2 이미지(23)인지 아닌지(i.e. 제 1-1 신경망(210)에 의해 모사된 이미지인지 아닌지)를 판별하거나, 제 3 이미지(25)가 GT(ground truth)에 해당하는 제 2 이미지(23)에 얼마나 가까운지를 판단할 수도 있다. 이러한 제 1-2 신경망(220)의 판별 방식에 맞추어 제 1-3 손실함수가 결정되어 제 1 모델(200)의 학습에 사용될 수 있다. 이와 같은 제 1-3 손실함수를 통해 제 1-2 신경망(220)의 성능을 향상시킬 수 있다.The
제 1 모델(200)은 제 1-3 신경망(230)을 통해 도출된 입력 이미지들의 특징들 간의 거리를 연산하는 제 1-4 손실함수를 기반으로 학습될 수 있다. 제 1-4 손실함수는 제 1-1 손실함수와 같이 픽셀 공간이 아닌 특징 공간에서 비교 대상인 두 이미지들 간의 거리를 연산하기 위한 함수일 수 있다. 즉, 제 1-4 손실함수는 제 1-3 신경망(230)을 통해 도출된 GT(ground truth)인 제 2 이미지(23)의 특징과 제 1-3 신경망(230)을 통해 도출된 제 3 이미지(25)의 특징 간의 거리를 최소화하기 위한 함수일 수 있다. 예를 들어, 제 1-3 신경망(230)이 VGG 신경망인 경우, 제 1-4 손실함수는 VGG 신경망을 통해 도출된 특징들을 입력 변수로 하는 지각(perceptual) 손실함수를 포함할 수 있다. 다만, 전술한 제 1-4 손실함수에 포함되는 함수의 종류는 하나의 예시일 뿐, 당업자가 이해할 수 있는 범위 내에서 다양하게 변경될 수 있다.The
제 1 모델(200)은 전술한 4가지의 손실함수들의 조합을 기반으로 학습을 수행할 수 있다. 예를 들어, 제 1 모델(200)은 제 1-1 손실함수, 제 1-2 손실함수, 제 1-3 손실함수 및 제 1-4 손실함수의 가중치 합(weighted sum)을 통해 조합된 손실함수를 기반으로 학습될 수 있다. 제 1 모델(200)은 제 1 이미지(21)의 해상도를 감소시켜 제 1 이미지(21)와 짝을 이루지 않는 제 2 이미지(23)에 대응되는 저해상도의 이미지를 생성하는 것이 목적이다. 따라서, 이러한 목적에 맞춘 해상도 감소 동작을 적절히 수행할 수 있도록 제 1 모델(200)은 상술한 4가지 손실함수들의 조합을 통해 학습될 수 있다.The
도 4를 참조하면, 본 개시의 일 실시예에 따라 저해상도 이미지를 고해상도 이미지로 변환시키는 제 2 모델(300)은 제 1 모델(200)의 출력 이미지를 입력받아 제 1 이미지(21)에 대응되는 고해상도의 이미지를 생성하는 제 2-1 신경망(310), 제 1 이미지(21)를 GT(ground truth)로 하여 제 2-1 신경망(320)을 통해 생성된 고해상도의 이미지를 판별하는 제 2-2 신경망(320) 및 제 1 이미지(21)를 GT(ground truth)로 하여 제 2-1 신경망(320)을 통해 생성된 고해상도의 이미지의 텍스처와 관계된 요소들을 조절하는 제 2-3 신경망(330)을 포함할 수 있다. 이때, 제 1 모델(200)의 출력 이미지는 제 1 이미지(21)가 입력된 제 1-1 신경망(210)에 의해 생성된 제 3 이미지(25)일 수 있다.Referring to FIG. 4 , a
제 2-1 신경망(310)은 제 3 이미지(25)를 입력받아 제 1 이미지(21)에 가까운 고해상도의 이미지인 제 4 이미지(27)를 생성할 수 있다. 제 2-1 신경망(310)은 제 1 이미지(21)를 기준으로 제 3 이미지(25)의 해상도를 저해상도에서 고해상도로 변환시킬 수 있다. 예를 들어, 제 2-1 신경망(310)은 제 3 이미지(25)의 해상도를 조절하는 생성적 적대 신경망의 생성자로 이해될 수 있다. 따라서, 제 2-1 신경망(310)은 후술할 제 2-2 신경망(320)이 제 1 이미지(21)와 제 4 이미지(27)의 구별이 어렵도록 제 1 이미지(21)의 해상도에 가까운 제 4 이미지(27)를 생성하는 것을 목표로 한다. 즉, 제 2-1 신경망(310)은 제 2-2 신경망(320)과의 경쟁을 통해 제 3 이미지(25)로부터 제 1 이미지(21)에 대응되는 제 4 이미지(27)를 생성하도록 학습될 수 있다.The 2-1 th
제 2-2 신경망(320)은 제 4 이미지(27)를 입력받아 제 4 이미지(27)가 제 1 이미지(21)인지 혹은 제 2-1 신경망(310)에 의해 생성된 고해상도의 이미지인지를 판별할 수 있다. 예를 들어, 제 2-2 신경망(320)은 제 1 이미지(21)를 기준으로 제 4 이미지(27)를 식별하는 생성적 적대 신경망의 판별자로 이해될 수 있다. 따라서, 제 2-2 신경망(320)은 제 2-1 신경망(310)이 생성한 제 4 이미지(27)와 GT(ground truth)인 제 1 이미지(21)를 구별하거나, 제 4 이미지(27)가 GT(ground truth)인 제 1 이미지(21)에 얼마나 가까운지를 정확히 판별하는 것을 목표로 한다. 즉, 제 2-2 신경망(320)은 제 2-1 신경망(310)과의 경쟁을 통해 제 4 이미지(27)가 제 2-1 신경망(310)을 통해 생성된 이미지인지 혹은 제 1 이미지(21)인지를 판별하도록 학습될 수 있다.The 2-2
제 2-3 신경망(330)은 제 4 이미지(27)를 입력받아 제 4 이미지(27)의 텍스처와 관계된 명암, 선명도 등과 같은 요소들을 개선시킬 수 있다. 제 2-3 신경망(330)은 제 4 이미지(27)의 밝기, 이미지에 표현된 객체의 엣지(edge) 등 텍스처에 영향을 미치는 요소들을 개선하여 제 2 모델(300)의 최종 출력 이미지를 생성하는 역할을 수행할 수 있다. 예를 들어, 제 2-3 신경망(330)은 복수의 컨볼루셔널 레이어를 포함하는 VGG(visual geometry group) 신경망을 포함할 수 있다. 다만, 전술한 제 2-3 신경망(330)에 포함되는 신경망의 종류는 하나의 예시일 뿐, 당업자가 이해할 수 있는 범위 내에서 다양하게 변경될 수 있다.The 2-3 th
제 2 모델(300)은 제 1 이미지(21)와 제 2-1 신경망(310)을 통해 생성된 고해상도의 이미지인 제 4 이미지(27) 간의 픽셀 거리를 연산하는 제 2-1 손실함수를 기반으로 학습될 수 있다. 제 2-1 손실함수는 픽셀 공간에서 비교 대상인 두 이미지들 간의 거리를 연산하기 위한 함수일 수 있다. 즉, 제 2-1 손실함수는 제 1 이미지(21)와 제 4 이미지(27)의 픽셀값을 입력 변수로 하여 픽셀 거리를 최소화하기 위한 함수일 수 있다. 이와 같은 제 2-1 손실함수를 통해 제 2-1 신경망(310)의 성능을 향상시킬 수 있다.The
제 2 모델(300)은 제 2-2 신경망(320)의 판별 결과를 입력 변수로 하는 제 2-2 손실함수를 기반으로 학습될 수 있다. 이때, 제 2-2 손실함수는 제 2-2 신경망(320)의 판별 결과를 입력 변수로 하므로, 제 2-2 신경망(320)의 판별 방식에 맞추어 정의될 수 있다. 예를 들어, 제 2-2 신경망(320)은 제 4 이미지(27)가 제 1 이미지(21)인지 아닌지(i.e. 제 2-1 신경망(310)에 의해 모사된 이미지인지 아닌지)를 판별하거나, 제 4 이미지(27)가 GT(ground truth)에 해당하는 제 1 이미지(21)에 얼마나 가까운지를 판단할 수도 있다. 이러한 제 2-2 신경망(320)의 판별 방식에 맞추어 제 2-2 손실함수가 결정되어 제 2 모델(300)의 학습에 사용될 수 있다. 이와 같은 제 2-2 손실함수를 통해 제 2-2 신경망(320)의 성능을 향상시킬 수 있다.The
제 2 모델(300)은 제 2-3 신경망(330)을 통해 도출된 입력 이미지들의 특징들 간의 거리를 연산하는 제 2-3 손실함수를 기반으로 학습될 수 있다. 제 2-3 손실함수는 제 2-1 손실함수와 같이 픽셀 공간이 아닌 특징 공간에서 비교 대상인 두 이미지들 간의 거리를 연산하기 위한 함수일 수 있다. 즉, 제 2-3 손실함수는 제 2-3 신경망(330)을 통해 도출된 GT(ground truth)인 제 1 이미지(21)의 특징과 제 2-3 신경망(330)을 통해 도출된 제 4 이미지(27)의 특징 간의 거리를 최소화하기 위한 함수일 수 있다. 예를 들어, 제 2-3 신경망(330)이 VGG 신경망인 경우, 제 2-3 손실함수는 VGG 신경망을 통해 도출된 특징들을 입력 변수로 하는 지각(perceptual) 손실함수를 포함할 수 있다. 다만, 전술한 제 2-3 손실함수에 포함되는 함수의 종류는 하나의 예시일 뿐, 당업자가 이해할 수 있는 범위 내에서 다양하게 변경될 수 있다.The
제 2 모델(300)은 전술한 3가지의 손실함수들의 조합을 기반으로 학습을 수행할 수 있다. 예를 들어, 제 2 모델(300)은 제 2-1 손실함수, 제 2-2 손실함수 및 제 2-3 손실함수의 가중치 합(weighted sum)을 통해 조합된 손실함수를 기반으로 학습될 수 있다. 제 2 모델(300)은 제 1 모델(200)을 통해 생성된 제 3 이미지(25)의 해상도를 향상시켜 제 2 이미지(23)와 짝을 이루지 않는 제 1 이미지(21)에 대응되는 고해상도의 이미지를 생성하는 것이 목적이다. 따라서, 이러한 목적에 맞춘 해상도 향상 동작을 적절히 수행할 수 있도록 제 2 모델(300)은 상술한 3가지 손실함수들의 조합을 통해 학습될 수 있다.The
한편, 도 4에 도시된 각 신경망의 입출력 관계를 고려하면, 제 1 모델(200) 및 제 2 모델(300)은 엔드-투-엔드의 연결 구조를 갖는 것으로 이해될 수 있다. 즉, 본 개시의 일 실시예에 따른 딥러닝 모델은 상호 대응되는 콘텐츠를 포함하지 않아 짝을 이루지 않는 이미지들을 기초로 해상도를 감소시키는 제 1 모델(200)의 출력이 해상도를 증가시키는 제 2 모델(300)의 입력으로 연결되는 엔드-투-엔드 구조를 가질 수 있다. 이와 같이 엔드-투-엔드로 연결되는 제 1 모델(200)과 제 2 모델(300)을 포함하는 딥러닝 모델을 사용하여, 프로세서(110)는 짝을 이루지 않고 해상도의 차이가 존재하는 복수의 이미지들을 기초로 초해상도 이미징을 수행할 수 있다.Meanwhile, considering the input/output relationship of each neural network shown in FIG. 4 , the
도 5는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 딥러닝 모델을 학습시키는 과정을 나타낸 순서도이다.5 is a flowchart illustrating a process of learning a deep learning model of a computing device according to an embodiment of the present disclosure.
도 5를 참조하면, S110 단계에서, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 콘텐츠가 상호 대응되지 않는 복수의 이미지들을 포함하는 이미지 세트를 외부 시스템으로부터 수신할 수 있다. 이때, 이미지 세트에 포함된 복수의 이미지들은 서로 다른 해상도를 갖는 이미지일 수 있다. 예를 들어, 컴퓨팅 장치(100)는 제 1 이미지 및 제 1 이미지 대비 저해상도의 이미지인 제 2 이미지를 포함하는 이미지 세트를 데이터베이스 서버로부터 수신할 수 있다. 컴퓨팅 장치(100)로 수신된 이미지 세트는 후술할 단계에서 초해상도 이미징을 수행하기 위한 딥러닝 모델을 학습시키기 위해 사용될 수 있다.Referring to FIG. 5 , in step S110 , the
S120 단계에서, 컴퓨팅 장치(100)는 이미지 세트에 포함된 복수의 이미지들 중 고해상도의 이미지의 해상도를 조절하도록 딥러닝 모델에 포함된 제 1 모델을 학습시킬 수 있다. 컴퓨팅 장치(100)는 서로 짝을 이루지 않는 고해상도의 이미지와 저해상도의 이미지를 기초로 고해상도의 이미지의 해상도를 감소시키도록 제 1 모델을 학습시킬 수 있다. 예를 들어, 컴퓨팅 장치(100)는 제 1 모델이 제 1 이미지를 입력받아 제 2 이미지에 대응되는 저해상도의 이미지를 생성하도록 제 1 모델을 학습시킬 수 있다. 이때, 제 1 이미지의 콘텐츠는 제 2 이미지의 콘텐츠에 대응되지 않는다.In operation S120 , the
S130 단계에서, 컴퓨팅 장치(100)는 제 1 모델을 통해 생성된 저해상도의 이미지의 해상도를 조절하도록 딥러닝 모델에 포함된 제 2 모델을 학습시킬 수 있다. 컴퓨팅 장치(100)는 제 1 모델을 통해 생성된 저해상도의 이미지를 고해상도로 개선하도록 제 2 모델을 학습시킬 수 있다. 이때, 제 2 모델은 제 1 모델과 엔드-투-엔드로 연결될 수 있다. 예를 들어, 컴퓨팅 장치(100)는 제 2 모델이 제 1 모델의 출력 이미지를 입력받아 제 1 이미지에 대응되는 고해상도의 이미지를 생성하도록 제 2 모델을 학습시킬 수 있다. 다시 말해서, 컴퓨팅 장치(100)는 제 2 모델이 제 1 이미지를 입력받은 제 1 모델의 출력 이미지로부터 제 2 이미지와 짝을 이룰 수 있는 고해상도의 이미지를 생성할 수 있도록 제 2 모델을 학습시킬 수 있다.In step S130 , the
도 6은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 초해상도 이미징 과정을 나타낸 순서도이다.6 is a flowchart illustrating a super-resolution imaging process of a computing device according to an embodiment of the present disclosure.
도 6를 참조하면, S210 단계에서, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 초해상도 이미징을 수행하기 위해서 기준이 되는 저해상도의 이미지와 콘텐츠가 상호 대응되지 않는 고해상도의 이미지를 수신할 수 있다. 컴퓨팅 장치(100)는 전술한 도 5와 같은 과정을 통해 사전 학습된 딥러닝 모델의 학습의 GT(ground truth)로 사용된 저해상도의 이미지와 짝을 이루지 않는 고해상도의 이미지를 외부 시스템으로부터 수신할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 딥러닝 모델의 학습을 위한 GT(ground truth)로 사용된 제 2 이미지 대비 고해상도의 이미지인 제 1 이미지를 데이터베이스 서버로부터 수신할 수 있다. 컴퓨팅 장치(100)로 수신된 제 1 이미지는 후술할 단계에서 초해상도 이미징을 수행하기 위한 딥러닝 모델의 추론 동작을 위해 사용될 수 있다.Referring to FIG. 6 , in step S210 , the
S220 단계에서, 컴퓨팅 장치(100)는 사전 학습된 제 1 모델을 사용하여, S210 단계에서 수신된 고해상도의 이미지를 기초로 제 1 모델의 학습의 GT(ground truth)로 사용된 이미지에 대응되는 저해상도의 이미지를 생성할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 사전 학습된 제 1 모델로 제 1 이미지를 입력하여 제 2 이미지에 대응되는 저해상도의 이미지를 생성할 수 있다. 즉, 컴퓨팅 장치(100)는 제 1 모델을 통해 제 2 이미지와 콘텐츠가 상호 대응되지 않고 고해상도인 제 1 이미지로부터 제 2 이미지와 짝을 이룰 수 있는 저해상도의 이미지를 생성할 수 있다.In step S220, the
S230 단계에서, 컴퓨팅 장치(100)는 사전 학습된 제 2 모델을 사용하여, S220 단계에서 생성된 저해상도의 이미지를 기초로 S210 단계에서 수신된 고해상도의 이미지에 대응되는 고해상도의 이미지를 생성할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 사전 학습된 제 2 모델로 제 1 모델을 통해 생성된 저해상도의 이미지를 입력하여 제 1 이미지에 대응되는 고해상도의 이미지를 생성할 수 있다. 즉, 컴퓨팅 장치(100)는 제 2 모델을 통해 제 2 이미지와 짝을 이룰 수 있는 저해상도의 이미지로부터 제 2 이미지와 짝을 이룰 수 있는 고해상도의 이미지를 생성할 수 있다. 이러한 과정을 통해 컴퓨팅 장치(100)는 짝을 이루지 않는 서로 다른 해상도의 이미지들을 기초로 초해상도 이미징을 효과적으로 수행할 수 있다.In step S230, the
도 7은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.7 is a simplified, general schematic diagram of an exemplary computing environment in which embodiments of the present disclosure may be implemented.
본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.Although the present disclosure has been described above as being generally capable of being implemented by a computing device, those skilled in the art will appreciate that the present disclosure is a combination of hardware and software and/or in combination with computer-executable instructions and/or other program modules that may be executed on one or more computers. It will be appreciated that it can be implemented as a combination.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.Generally, program modules include routines, programs, components, data structures, etc. that perform particular tasks or implement particular abstract data types. In addition, those skilled in the art will appreciate that the methods of the present disclosure can be applied to single-processor or multiprocessor computer systems, minicomputers, mainframe computers as well as personal computers, handheld computing devices, microprocessor-based or programmable consumer electronics, and the like. It will be appreciated that each of these may be implemented in other computer system configurations, including those capable of operating in connection with one or more associated devices.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.The described embodiments of the present disclosure may also be practiced in distributed computing environments where certain tasks are performed by remote processing devices that are linked through a communications network. In a distributed computing environment, program modules may be located in both local and remote memory storage devices.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.Computers typically include a variety of computer-readable media. Any medium accessible by a computer can be a computer-readable medium, and such computer-readable media includes volatile and nonvolatile media, transitory and non-transitory media, removable and non-transitory media. including removable media. By way of example, and not limitation, computer-readable media may include computer-readable storage media and computer-readable transmission media. Computer readable storage media includes volatile and nonvolatile media, temporary and non-transitory media, removable and non-removable media implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data. includes media. A computer-readable storage medium may be RAM, ROM, EEPROM, flash memory or other memory technology, CD-ROM, digital video disk (DVD) or other optical disk storage device, magnetic cassette, magnetic tape, magnetic disk storage device, or other magnetic storage device. device, or any other medium that can be accessed by a computer and used to store the desired information.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.Computer readable transmission media typically embodies computer readable instructions, data structures, program modules or other data, etc. in a modulated data signal such as a carrier wave or other transport mechanism, and Includes all information delivery media. The term modulated data signal means a signal in which one or more of the characteristics of the signal is set or changed so as to encode information in the signal. By way of example, and not limitation, computer-readable transmission media includes wired media such as a wired network or direct-wired connection, and wireless media such as acoustic, RF, infrared, and other wireless media. Combinations of any of the above are also intended to be included within the scope of computer-readable transmission media.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.An example environment 1100 implementing various aspects of the disclosure is shown including a
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.The
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)-이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음-, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.The
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.These drives and their associated computer-readable media provide non-volatile storage of data, data structures, computer-executable instructions, and the like. In the case of
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.A number of program modules may be stored in the drive and
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.A user may enter commands and information into the
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.A
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.When used in a LAN networking environment, the
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.The
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.Wi-Fi (Wireless Fidelity) makes it possible to connect to the Internet, etc. without a wired connection. Wi-Fi is a wireless technology such as cell phones that allows these devices, eg, computers, to transmit and receive data indoors and outdoors, ie anywhere within range of a base station. Wi-Fi networks use a radio technology called IEEE 802.11 (a, b, g, etc.) to provide secure, reliable, and high-speed wireless connections. Wi-Fi can be used to connect computers to each other, to the Internet, and to wired networks (using IEEE 802.3 or Ethernet). Wi-Fi networks may operate in unlicensed 2.4 and 5 GHz radio bands, for example at 11 Mbps (802.11a) or 54 Mbps (802.11b) data rates, or in products that include both bands (dual band). .
한편, 본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.On the other hand, a computer-readable medium storing a data structure according to an embodiment of the present disclosure is disclosed.
데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.The data structure may refer to the organization, management, and storage of data that enables efficient access and modification of data. A data structure may refer to an organization of data to solve a specific problem (eg, data retrieval, data storage, and data modification in the shortest time). A data structure may be defined as a physical or logical relationship between data elements designed to support a particular data processing function. The logical relationship between data elements may include a connection relationship between user-defined data elements. Physical relationships between data elements may include actual relationships between data elements physically stored on a computer-readable storage medium (eg, persistent storage). A data structure may specifically include a set of data, relationships between data, and functions or instructions applicable to data. Through an effectively designed data structure, the computing device can perform an operation while using the resource of the computing device to a minimum. Specifically, the computing device may increase the efficiency of operations, reads, insertions, deletions, comparisons, exchanges, and retrievals through effectively designed data structures.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.A data structure may be classified into a linear data structure and a non-linear data structure according to the type of the data structure. The linear data structure may be a structure in which only one piece of data is connected after one piece of data. The linear data structure may include a list, a stack, a queue, and a deck. A list may mean a set of data in which an order exists internally. The list may include a linked list. The linked list may be a data structure in which data is linked in such a way that each data is linked in a line with a pointer. In a linked list, a pointer may contain information about a link with the next or previous data. A linked list may be expressed as a single linked list, a doubly linked list, or a circularly linked list according to a shape. A stack can be a data enumeration structure with limited access to data. A stack can be a linear data structure in which data can be manipulated (eg, inserted or deleted) at only one end of the data structure. The data stored in the stack may be a data structure (LIFO-Last in First Out). A queue is a data listing structure that allows limited access to data, and unlike a stack, it may be a data structure that is stored later (FIFO-First in First Out). A deck can be a data structure that can process data at either end of the data structure.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.The non-linear data structure may be a structure in which a plurality of data is connected after one data. The nonlinear data structure may include a graph data structure. A graph data structure may be defined as a vertex and an edge, and the edge may include a line connecting two different vertices. A graph data structure may include a tree data structure. The tree data structure may be a data structure in which one path connects two different vertices among a plurality of vertices included in the tree. That is, it may be a data structure that does not form a loop in the graph data structure.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 이하에서는 신경망으로 통일하여 기술한다. 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.Throughout this specification, computational model, neural network, network function, and neural network may be used interchangeably. Hereinafter, the neural network is unified and described. The data structure may include a neural network. And the data structure including the neural network may be stored in a computer-readable medium. Data structures including neural networks also include preprocessed data for processing by the neural network, data input to the neural network, weights of the neural network, hyperparameters of the neural network, data obtained from the neural network, activation functions associated with each node or layer of the neural network, and neural networks. It may include a loss function for learning of . A data structure comprising a neural network may include any of the components disclosed above. That is, the data structure including the neural network includes data preprocessed for processing by the neural network, data input to the neural network, weights of the neural network, hyperparameters of the neural network, data obtained from the neural network, activation functions associated with each node or layer of the neural network, and neural network It may be configured to include all or any combination thereof, such as a loss function for learning of. In addition to the above-described configurations, a data structure including a neural network may include any other information that determines a characteristic of a neural network. In addition, the data structure may include all types of data used or generated in the operation process of the neural network, and is not limited to the above. Computer-readable media may include computer-readable recording media and/or computer-readable transmission media. A neural network may be composed of a set of interconnected computational units, which may generally be referred to as nodes. These nodes may also be referred to as neurons. A neural network is configured by including at least one or more nodes.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.The data structure may include data input to the neural network. A data structure including data input to the neural network may be stored in a computer-readable medium. The data input to the neural network may include learning data input in a neural network learning process and/or input data input to the neural network in which learning is completed. Data input to the neural network may include pre-processing data and/or pre-processing target data. The preprocessing may include a data processing process for inputting data into the neural network. Accordingly, the data structure may include data to be pre-processed and data generated by pre-processing. The above-described data structure is merely an example, and the present disclosure is not limited thereto.
데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.The data structure may include the weights of the neural network. (In this specification, weight and parameter may be used interchangeably.) And the data structure including the weight of the neural network may be stored in a computer-readable medium. The neural network may include a plurality of weights. The weight may be variable, and may be changed by a user or an algorithm in order for the neural network to perform a desired function. For example, when one or more input nodes are interconnected to one output node by respective links, the output node sets values input to input nodes connected to the output node and links corresponding to the respective input nodes. A data value output from the output node may be determined based on the weight. The above-described data structure is merely an example, and the present disclosure is not limited thereto.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.By way of example and not limitation, the weight may include a weight variable in a neural network learning process and/or a weight in which neural network learning is completed. The variable weight in the neural network learning process may include a weight at a time point at which a learning cycle starts and/or a weight variable during the learning cycle. The weight for which neural network learning is completed may include a weight for which a learning cycle is completed. Accordingly, the data structure including the weights of the neural network may include a data structure including the weights that vary in the neural network learning process and/or the weights on which the neural network learning is completed. Therefore, it is assumed that the above-described weights and/or combinations of weights are included in the data structure including the weights of the neural network. The above-described data structure is merely an example, and the present disclosure is not limited thereto.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.The data structure including the weights of the neural network may be stored in a computer-readable storage medium (eg, memory, hard disk) after being serialized. Serialization can be the process of converting a data structure into a form that can be reconstructed and used later by storing it on the same or a different computing device. The computing device may serialize the data structure to send and receive data over the network. A data structure including weights of the serialized neural network may be reconstructed in the same computing device or in another computing device through deserialization. The data structure including the weight of the neural network is not limited to serialization. Furthermore, the data structure including the weights of the neural network is a data structure to increase computational efficiency while using the resources of the computing device to a minimum (e.g., B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree). The foregoing is merely an example, and the present disclosure is not limited thereto.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.The data structure may include hyper-parameters of the neural network. In addition, the data structure including the hyperparameters of the neural network may be stored in a computer-readable medium. The hyper parameter may be a variable variable by a user. Hyperparameters are, for example, learning rate, cost function, number of iterations of the learning cycle, weight initialization (e.g., setting the range of weight values to be initialized for weights), Hidden Unit The number (eg, the number of hidden layers, the number of nodes of the hidden layer) may be included. The above-described data structure is merely an example, and the present disclosure is not limited thereto.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.One of ordinary skill in the art of this disclosure will understand that information and signals may be represented using any of a variety of different technologies and techniques. For example, data, instructions, instructions, information, signals, bits, symbols, and chips that may be referenced in the above description are voltages, currents, electromagnetic waves, magnetic fields or particles, optical field particles or particles, or any combination thereof.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.Those of ordinary skill in the art of the present disclosure will recognize that the various illustrative logical blocks, modules, processors, means, circuits, and algorithm steps described in connection with the embodiments disclosed herein include electronic hardware, (convenience For this purpose, it will be understood that it may be implemented by various forms of program or design code (referred to herein as software) or a combination of both. To clearly illustrate this interchangeability of hardware and software, various illustrative components, blocks, modules, circuits, and steps have been described above generally in terms of their functionality. Whether such functionality is implemented as hardware or software depends upon the particular application and design constraints imposed on the overall system. A person skilled in the art of the present disclosure may implement the described functionality in various ways for each specific application, but such implementation decisions should not be interpreted as a departure from the scope of the present disclosure.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.The various embodiments presented herein may be implemented as methods, apparatus, or articles of manufacture using standard programming and/or engineering techniques. The term article of manufacture includes a computer program, carrier, or media accessible from any computer-readable storage device. For example, computer-readable storage media include magnetic storage devices (eg, hard disks, floppy disks, magnetic strips, etc.), optical disks (eg, CDs, DVDs, etc.), smart cards, and flash drives. memory devices (eg, EEPROMs, cards, sticks, key drives, etc.). Also, various storage media presented herein include one or more devices and/or other machine-readable media for storing information.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.It is to be understood that the specific order or hierarchy of steps in the presented processes is an example of exemplary approaches. Based on design priorities, it is to be understood that the specific order or hierarchy of steps in the processes may be rearranged within the scope of the present disclosure. The appended method claims present elements of the various steps in a sample order, but are not meant to be limited to the specific order or hierarchy presented.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.The description of the presented embodiments is provided to enable any person skilled in the art to make or use the present disclosure. Various modifications to these embodiments will be readily apparent to those skilled in the art, and the generic principles defined herein may be applied to other embodiments without departing from the scope of the present disclosure. Thus, the present disclosure is not intended to be limited to the embodiments presented herein, but is to be construed in the widest scope consistent with the principles and novel features presented herein.
Claims (12)
제 1 이미지 및 상기 제 1 이미지 대비 저해상도의 제 2 이미지를 수신하는 단계;
상기 제 1 이미지를 기초로 상기 제 2 이미지에 대응되는 저해상도의 이미지를 생성하도록, 상기 제 1 이미지를 입력받아 상기 제 2 이미지에 대응되는 저해상도의 이미지를 생성하는 제 1-1 신경망 및 상기 제 2 이미지를 GT(ground truth)로 하여 상기 제 1-1 신경망을 통해 생성된 저해상도의 이미지를 판별하는 제 1-2 신경망을 포함하는 제 1 모델을 학습시키는 단계; 및
상기 제 1 모델의 출력 이미지를 기초로 상기 제 1 이미지에 대응되는 고해상도의 이미지를 생성하도록 제 2 모델을 학습시키는 단계;
를 포함하되,
상기 제 1 모델은, 상기 제 1-1 신경망을 통해 생성된 저해상도의 이미지와 상기 제 2 이미지 간의 그램 행렬(gram matrix)의 차이를 연산하는 제 1-2 손실함수를 기반으로 학습되고,
상기 그램 행렬은, 상기 제 1-2 신경망의 중간 레이어에서 도출된 특징값을 기초로 산출되며,
상기 제 1 이미지의 콘텐츠(contents)와 상기 제 2 이미지의 콘텐츠는 상호 대응되지 않는 것인,
방법.
A deep learning-based super resolution imaging method performed by a computing device comprising at least one processor, the method comprising:
Receiving a first image and a second image having a lower resolution compared to the first image;
A 1-1 neural network for generating a low-resolution image corresponding to the second image by receiving the first image so as to generate a low-resolution image corresponding to the second image based on the first image; training a first model including a 1-2 neural network for discriminating a low-resolution image generated through the 1-1 neural network using an image as a ground truth (GT); and
training a second model to generate a high-resolution image corresponding to the first image based on the output image of the first model;
including,
The first model is learned based on a 1-2 loss function that calculates a difference in a gram matrix between the low-resolution image and the second image generated through the 1-1 neural network,
The gram matrix is calculated based on the feature values derived from the intermediate layer of the first and second neural networks,
The contents of the first image and the contents of the second image do not correspond to each other,
Way.
상기 제 1 모델은,
상기 제 2 이미지를 GT(ground truth)로 하여, 상기 제 1-1 신경망을 통해 생성된 저해상도의 이미지의 텍스처(texture)와 관계된 요소들을 조절하는 제 1-3 신경망;
을 더 포함하는,
방법.
The method of claim 1,
The first model is
a 1-3 th neural network that controls elements related to a texture of a low-resolution image generated through the 1-1 neural network by using the second image as a ground truth (GT);
further comprising,
Way.
상기 제 1 모델은,
상기 제 1 이미지를 다운 샘플링(down sampling)하기 위한 보간(interpolation) 모듈;
을 더 포함하는,
방법.
3. The method of claim 2,
The first model is
an interpolation module for down sampling the first image;
further comprising,
Way.
상기 제 1 모델은,
상기 보간 모듈을 통해 다운 샘플링된 제 1 이미지와 상기 제 1-1 신경망을 통해 생성된 저해상도의 이미지 간의 픽셀 거리를 연산하는 제 1-1 손실함수를 기반으로 학습되는 것인,
방법.
4. The method of claim 3,
The first model is
What is learned based on the 1-1 loss function that calculates the pixel distance between the first image down-sampled through the interpolation module and the low-resolution image generated through the 1-1 neural network,
Way.
상기 제 2 모델은,
상기 제 1 모델의 출력 이미지를 입력받아 상기 제 1 이미지에 대응되는 고해상도의 이미지를 생성하는 제 2-1 신경망;
상기 제 1 이미지를 GT(ground truth)로 하여, 상기 제 2-1 신경망을 통해 생성된 고해상도의 이미지를 판별하는 제 2-2 신경망; 및
상기 제 1 이미지를 GT(ground truth)로 하여, 상기 제 2-1 신경망을 통해 생성된 고해상도의 이미지의 텍스처(texture)와 관계된 요소들을 조절하는 제 2-3 신경망;
을 포함하는,
방법.
The method of claim 1,
The second model is
a 2-1 neural network that receives the output image of the first model and generates a high-resolution image corresponding to the first image;
a 2-2 neural network that determines the high-resolution image generated through the 2-1 neural network by using the first image as a ground truth (GT); and
a second-third neural network that uses the first image as a ground truth (GT) and controls elements related to a texture of a high-resolution image generated through the second-first neural network;
containing,
Way.
상기 제 2 모델은,
상기 제 1 이미지와 상기 제 2-1 신경망을 통해 생성된 고해상도의 이미지 간의 픽셀 거리를 연산하는 제 2-1 손실함수를 기반으로 학습되는 것인,
방법.
8. The method of claim 7,
The second model is
What is learned based on the 2-1 loss function that calculates the pixel distance between the first image and the high-resolution image generated through the 2-1 neural network,
Way.
제 1 이미지를 입력받아 제 2 이미지에 대응되는 저해상도의 이미지를 생성하는 제 1-1 신경망 및 상기 제 2 이미지를 GT(ground truth)로 하여 상기 제 1-1 신경망을 통해 생성된 저해상도의 이미지를 판별하는 제 1-2 신경망을 포함하는, 사전 학습된 제 1 모델을 사용하여, 제 2 이미지 대비 고해상도의 제 1 이미지를 기초로 제 2 이미지에 대응되는 저해상도의 이미지를 생성하는 단계; 및
사전 학습된 제 2 모델을 사용하여, 상기 제 1 모델의 출력 이미지를 기초로 상기 제 1 이미지에 대응되는 고해상도의 이미지를 생성하는 단계;
를 포함하되,
상기 제 1 모델은, 상기 제 1-1 신경망을 통해 생성된 저해상도의 이미지와 상기 제 2 이미지 간의 그램 행렬(gram matrix)의 차이를 연산하는 제 1-2 손실함수를 기반으로 학습되고,
상기 그램 행렬은, 상기 제 1-2 신경망의 중간 레이어에서 도출된 특징값을 기초로 산출되며,
상기 제 1 이미지의 콘텐츠(contents)와 상기 제 2 이미지의 콘텐츠는 상호 대응되지 않는 것인,
방법.
A deep learning-based super resolution imaging method performed by a computing device comprising at least one processor, the method comprising:
A 1-1 neural network that receives a first image and generates a low-resolution image corresponding to the second image, and a low-resolution image generated through the 1-1 neural network using the second image as GT (ground truth) generating a low-resolution image corresponding to the second image based on the first image having a higher resolution compared to the second image using the pre-trained first model, including the first and second neural networks to determine the second image; and
generating a high-resolution image corresponding to the first image based on an output image of the first model using the pre-trained second model;
including,
The first model is learned based on a 1-2 loss function that calculates a difference in a gram matrix between the low-resolution image and the second image generated through the 1-1 neural network,
The gram matrix is calculated based on the feature values derived from the intermediate layer of the first and second neural networks,
The contents of the first image and the contents of the second image do not correspond to each other,
Way.
제 1 이미지 및 상기 제 1 이미지 대비 저해상도의 제 2 이미지를 수신하는 동작;
상기 제 1 이미지를 기초로 상기 제 2 이미지에 대응되는 저해상도의 이미지를 생성하도록, 상기 제 1 이미지를 입력받아 상기 제 2 이미지에 대응되는 저해상도의 이미지를 생성하는 제 1-1 신경망 및 상기 제 2 이미지를 GT(ground truth)로 하여 상기 제 1-1 신경망을 통해 생성된 저해상도의 이미지를 판별하는 제 1-2 신경망을 포함하는 제 1 모델을 학습시키는 동작; 및
상기 제 1 모델의 출력 이미지를 기초로 상기 제 1 이미지에 대응되는 고해상도의 이미지를 생성하도록 제 2 모델을 학습시키는 동작;
을 포함하되,
상기 제 1 모델은, 상기 제 1-1 신경망을 통해 생성된 저해상도의 이미지와 상기 제 2 이미지 간의 그램 행렬(gram matrix)의 차이를 연산하는 제 1-2 손실함수를 기반으로 학습되고,
상기 그램 행렬은, 상기 제 1-2 신경망의 중간 레이어에서 도출된 특징값을 기초로 산출되며,
상기 제 1 이미지의 콘텐츠(contents)와 상기 제 2 이미지의 콘텐츠는 상호 대응되지 않는 것인,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
A computer program stored in a computer readable storage medium, wherein the computer program, when executed on one or more processors, performs the following operations of performing super-resolution imaging based on deep learning, the operations comprising:
receiving a first image and a second image having a lower resolution compared to the first image;
A 1-1 neural network for generating a low-resolution image corresponding to the second image by receiving the first image so as to generate a low-resolution image corresponding to the second image based on the first image; training a first model including a first and second neural network for discriminating a low-resolution image generated through the 1-1 neural network by using an image as a ground truth (GT); and
training a second model to generate a high-resolution image corresponding to the first image based on the output image of the first model;
including,
The first model is learned based on a 1-2 loss function that calculates a difference in a gram matrix between the low-resolution image and the second image generated through the 1-1 neural network,
The gram matrix is calculated based on the feature values derived from the intermediate layer of the first and second neural networks,
The contents of the first image and the contents of the second image do not correspond to each other,
A computer program stored in a computer-readable storage medium.
적어도 하나의 코어를 포함하는 프로세서;
상기 프로세서에서 실행 가능한 프로그램 코드들을 포함하는 메모리; 및
이미지를 수신하는 네트워크부;
를 포함하고,
상기 프로세서는,
제 2 이미지 대비 고해상도의 제 1 이미지를 기초로 상기 제 2 이미지에 대응되는 저해상도의 이미지를 생성하도록, 상기 제 1 이미지를 입력받아 상기 제 2 이미지에 대응되는 저해상도의 이미지를 생성하는 제 1-1 신경망 및 상기 제 2 이미지를 GT(ground truth)로 하여 상기 제 1-1 신경망을 통해 생성된 저해상도의 이미지를 판별하는 제 1-2 신경망을 포함하는 제 1 모델을 학습시키고,
상기 제 1 모델의 출력 이미지를 기초로 상기 제 1 이미지에 대응되는 고해상도의 이미지를 생성하도록 제 2 모델을 학습시키며,
상기 제 1 모델은, 상기 제 1-1 신경망을 통해 생성된 저해상도의 이미지와 상기 제 2 이미지 간의 그램 행렬(gram matrix)의 차이를 연산하는 제 1-2 손실함수를 기반으로 학습되고,
상기 그램 행렬은, 상기 제 1-2 신경망의 중간 레이어에서 도출된 특징값을 기초로 산출되며,
상기 제 1 이미지의 콘텐츠(contents)와 상기 제 2 이미지의 콘텐츠는 상호 대응되지 않는 것인,
장치.
A computing device that performs super-resolution imaging based on deep learning, comprising:
a processor including at least one core;
a memory containing program codes executable by the processor; and
a network unit for receiving an image;
including,
The processor is
Step 1-1 for receiving the first image and generating a low-resolution image corresponding to the second image so as to generate a low-resolution image corresponding to the second image based on the first image having a high resolution compared to the second image By using the neural network and the second image as GT (ground truth), a first model including a first and second neural network for discriminating a low-resolution image generated through the 1-1 neural network is trained;
training a second model to generate a high-resolution image corresponding to the first image based on the output image of the first model,
The first model is learned based on a 1-2 loss function that calculates a difference in a gram matrix between the low-resolution image and the second image generated through the 1-1 neural network,
The gram matrix is calculated based on the feature values derived from the intermediate layer of the first and second neural networks,
The contents of the first image and the contents of the second image do not correspond to each other,
Device.
제 1 이미지 및 상기 제 1 이미지 대비 저해상도의 제 2 이미지를 수신하는 단계;
상기 제 1 이미지를 기초로 상기 제 2 이미지에 대응되는 저해상도의 이미지를 생성하도록, 상기 제 1 이미지를 입력받아 상기 제 2 이미지에 대응되는 저해상도의 이미지를 생성하는 제 1-1 신경망 및 상기 제 2 이미지를 GT(ground truth)로 하여 상기 제 1-1 신경망을 통해 생성된 저해상도의 이미지를 판별하는 제 1-2 신경망을 포함하는 제 1 모델을 학습시키는 단계; 및
상기 제 1 모델의 출력 이미지를 기초로 상기 제 1 이미지에 대응되는 고해상도의 이미지를 생성하도록 제 2 모델을 학습시키는 단계;
를 포함하되,
상기 제 1 모델은, 상기 제 1-1 신경망을 통해 생성된 저해상도의 이미지와 상기 제 2 이미지 간의 그램 행렬(gram matrix)의 차이를 연산하는 제 1-2 손실함수를 기반으로 학습되고,
상기 그램 행렬은, 상기 제 1-2 신경망의 중간 레이어에서 도출된 특징값을 기초로 산출되며,
상기 제 1 이미지의 콘텐츠(contents)와 상기 제 2 이미지의 콘텐츠는 상호 대응되지 않는 것인,
데이터 구조가 저장된 컴퓨터 판독가능한 기록 매체.
A computer-readable recording medium storing a data structure corresponding to a parameter of a neural network that is at least partially updated in a learning process, wherein an operation of the neural network is based at least in part on the parameter, the learning process comprising:
Receiving a first image and a second image having a lower resolution compared to the first image;
A 1-1 neural network for generating a low-resolution image corresponding to the second image by receiving the first image so as to generate a low-resolution image corresponding to the second image based on the first image; training a first model including a 1-2 neural network for discriminating a low-resolution image generated through the 1-1 neural network using an image as a ground truth (GT); and
training a second model to generate a high-resolution image corresponding to the first image based on the output image of the first model;
including,
The first model is learned based on a 1-2 loss function that calculates a difference in a gram matrix between the low-resolution image and the second image generated through the 1-1 neural network,
The gram matrix is calculated based on the feature values derived from the intermediate layer of the first and second neural networks,
The contents of the first image and the contents of the second image do not correspond to each other,
A computer-readable recording medium having a data structure stored thereon.
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210034415A KR102337412B1 (en) | 2021-03-17 | 2021-03-17 | Method for super resolution imaging based on deep learning |
KR1020210172526A KR20220129995A (en) | 2021-03-17 | 2021-12-06 | Method for super resolution imaging based on deep learning |
US17/688,564 US11373274B1 (en) | 2021-03-17 | 2022-03-07 | Method for super resolution imaging based on deep learning |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210034415A KR102337412B1 (en) | 2021-03-17 | 2021-03-17 | Method for super resolution imaging based on deep learning |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210172526A Division KR20220129995A (en) | 2021-03-17 | 2021-12-06 | Method for super resolution imaging based on deep learning |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102337412B1 true KR102337412B1 (en) | 2021-12-09 |
Family
ID=78866216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210034415A KR102337412B1 (en) | 2021-03-17 | 2021-03-17 | Method for super resolution imaging based on deep learning |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102337412B1 (en) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102406287B1 (en) * | 2021-12-31 | 2022-06-08 | 주식회사 에스아이에이 | super resolution imaging method using collaborative learning |
WO2024043717A1 (en) * | 2022-08-26 | 2024-02-29 | 주식회사 에너자이 | Method for training resolution enhancement model and arrangement model for barcode image |
WO2024053828A1 (en) * | 2022-09-05 | 2024-03-14 | 주식회사 에어스 메디컬 | Artificial neural network-based super-resolution method, program, and apparatus |
WO2024110799A1 (en) * | 2022-11-24 | 2024-05-30 | 삼성전자주식회사 | Electronic device and control method therefor |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018151747A (en) * | 2017-03-10 | 2018-09-27 | 株式会社ツバサファクトリー | Super-resolution processing apparatus, super-resolution processing method and computer program |
JP2021502644A (en) * | 2017-11-09 | 2021-01-28 | 京東方科技集團股▲ふん▼有限公司Boe Technology Group Co.,Ltd. | Image processing method, processing device and processing device |
-
2021
- 2021-03-17 KR KR1020210034415A patent/KR102337412B1/en active IP Right Grant
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018151747A (en) * | 2017-03-10 | 2018-09-27 | 株式会社ツバサファクトリー | Super-resolution processing apparatus, super-resolution processing method and computer program |
JP2021502644A (en) * | 2017-11-09 | 2021-01-28 | 京東方科技集團股▲ふん▼有限公司Boe Technology Group Co.,Ltd. | Image processing method, processing device and processing device |
Non-Patent Citations (4)
Title |
---|
Bulat et al. To learn image super-resolution, use a GAN to learn how to do image degradation first. arXiv, 2018년 7월, pp. 1-16. 1부.* |
Bulat et al. To learn image super-resolution, use a GAN to learn how to do image degradation first. arXiv, July 2018, pp. 1-16. 1. * |
Zhu et al. Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. arXiv, 2020년 8월, pp. 1-18. 1부.* |
Zhu et al. Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. arXiv, August 2020 pp. 1-18. 1 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102406287B1 (en) * | 2021-12-31 | 2022-06-08 | 주식회사 에스아이에이 | super resolution imaging method using collaborative learning |
WO2023128349A1 (en) * | 2021-12-31 | 2023-07-06 | 주식회사 에스아이에이 | Super-resolution imaging method using cooperative learning |
WO2024043717A1 (en) * | 2022-08-26 | 2024-02-29 | 주식회사 에너자이 | Method for training resolution enhancement model and arrangement model for barcode image |
WO2024053828A1 (en) * | 2022-09-05 | 2024-03-14 | 주식회사 에어스 메디컬 | Artificial neural network-based super-resolution method, program, and apparatus |
WO2024110799A1 (en) * | 2022-11-24 | 2024-05-30 | 삼성전자주식회사 | Electronic device and control method therefor |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102337412B1 (en) | Method for super resolution imaging based on deep learning | |
KR20220129995A (en) | Method for super resolution imaging based on deep learning | |
KR102285530B1 (en) | Method for processing image for registration | |
KR102437856B1 (en) | Method and apparatus for generating weather data based on machine learning | |
KR20220099409A (en) | Method for classification using deep learning model | |
KR102517968B1 (en) | Method for image feature ectraction by using neural network model | |
KR102450409B1 (en) | Method for segmentation based on medical image | |
KR102406287B1 (en) | super resolution imaging method using collaborative learning | |
KR102357531B1 (en) | Method for classification of precipitation type based on deep learning | |
KR102402194B1 (en) | Deep learning based end-to-end o-ring defect inspection method | |
KR102345892B1 (en) | Method and apparatus for detecting change | |
KR102364762B1 (en) | Method for training model for super resolution imaging | |
KR102364882B1 (en) | Method for detecting object | |
KR102457893B1 (en) | Method for predicting precipitation based on deep learning | |
KR102437285B1 (en) | method of training object prediction models using ambiguous labels | |
KR102364881B1 (en) | Training method for model that imitates expert and apparatus thereof | |
KR102393951B1 (en) | Object-oriented data augmentation method | |
KR102270198B1 (en) | Method for object detection based on anchor-free rpn | |
KR102379636B1 (en) | Method for annotation based on deep learning | |
KR102508654B1 (en) | Method for image-based table border generation | |
KR102557746B1 (en) | Adversarial attack method for malfuncioning object detection model with super resolution | |
KR102616081B1 (en) | Method for acquiring feature point of depth map | |
KR102547630B1 (en) | Method for restoring a masked face image by using the neural network model | |
KR102263590B1 (en) | Method for image registration | |
KR102285240B1 (en) | Method to train model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A107 | Divisional application of patent | ||
GRNT | Written decision to grant |