KR102346705B1 - 이미지 데이터베이스 생성 방법 및 이미지 데이터 검색 방법 - Google Patents

이미지 데이터베이스 생성 방법 및 이미지 데이터 검색 방법 Download PDF

Info

Publication number
KR102346705B1
KR102346705B1 KR1020200022325A KR20200022325A KR102346705B1 KR 102346705 B1 KR102346705 B1 KR 102346705B1 KR 1020200022325 A KR1020200022325 A KR 1020200022325A KR 20200022325 A KR20200022325 A KR 20200022325A KR 102346705 B1 KR102346705 B1 KR 102346705B1
Authority
KR
South Korea
Prior art keywords
image data
image
query
bit stream
feature value
Prior art date
Application number
KR1020200022325A
Other languages
English (en)
Other versions
KR20210107387A (ko
Inventor
강규창
Original Assignee
군산대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 군산대학교산학협력단 filed Critical 군산대학교산학협력단
Priority to KR1020200022325A priority Critical patent/KR102346705B1/ko
Publication of KR20210107387A publication Critical patent/KR20210107387A/ko
Application granted granted Critical
Publication of KR102346705B1 publication Critical patent/KR102346705B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Processing Or Creating Images (AREA)

Abstract

이미지 데이터베이스 생성 방법 및 이미지 데이터 검색 방법이 개시된다. 이미지 데이터베이스 생성 방법은 이미지 데이터를 이미지 데이터보다 저차원의 특징 값으로 변환하는 단계, 특징 값을 비트 데이터로 표현된 비트 스트림으로 변환하는 단계 및 비트 스트림과 비트 스트림에 대응하는 이미지 데이터를 이미지 데이터베이스에 저장하는 단계를 포함할 수 있다.

Description

이미지 데이터베이스 생성 방법 및 이미지 데이터 검색 방법{METHOD FOR CREATING IMAGE DATABASE AND RETRIEVING IMAGE DATA}
아래 실시예들은 이미지 데이터베이스 생성 및 이미지 데이터 검색 기술에 관한 것이다.
이미지 검색 시스템은 다양한 기술을 바탕으로 이미지 데이터베이스를 구축하여 사용되고 있다. 이미지 검색 시스템이 기반으로 하는 기술은 예를 들어, 이미지의 태깅 정보를 검색에 활용하는 단순한 검색 방법부터, 이미지 내용을 기반으로 검색이 가능하도록 이미지의 내용을 인식하고 이를 데이터베이스화 하여 검색에 활용하는 방법이 있다. 기존의 키워드 기반의 검색에서 발전된 버전으로, 시맨틱 웹을 활용한 이미지 검색 시스템이 구축되어 서비스되고 있으나, 효율적인 검색을 도모하기에는 기술적으로 부족한 실정이다. 기존의 기술들은 사람의 지식에 기반하여 키워드 매핑, 관계 매핑 등으로 활용되고 있기 때문에, 사람이 인식하지 못하는 개념이나 사람이 명시적으로 지식화하지 않은 개념 및 속성들은 검색의 키로 활용될 수 없는 문제가 있다.
일 실시예에 따른 이미지 데이터베이스 생성 방법은 이미지 데이터를 상기 이미지 데이터보다 저차원의 특징 값으로 변환하는 단계; 상기 특징 값을 비트 데이터로 표현된 비트 스트림으로 변환하는 단계; 및 상기 비트 스트림과 상기 비트 스트림에 대응하는 상기 이미지 데이터를 이미지 데이터베이스에 저장하는 단계를 포함할 수 있다.
상기 특징 값으로 변환하는 단계는, 매니폴드 변환을 통해 상기 이미지 데이터를 상기 이미지 데이터보다 저차원의 특징 값으로 변환하는 단계를 포함할 수 있다.
상기 매니폴드 변환은, VAE(Variational Autoencoder), 오토 인코더(Autoencoder; AE), 아이소 맵(Isomap), LLE(Locally Linear Embedding), M-LLE(Modified Locally Linear Embedding), HE(Hessian Eigen Mapping), SE(Spectral Embedding), LTSA(Local Tangent Space Alignment), MDS(Multi-dimensional Scaling) 및 t-SNE(t-distributed Stochastic Neighbor Embedding) 중 적어도 하나를 이용하여 수행될 수 있다.
상기 특징 값으로 변환하는 단계는, 상기 매니폴드 변환을 통해 상기 이미지 데이터를 부동 소수점 형태의 특징 값으로 변환하는 단계를 포함할 수 있다.
상기 비트 스트림으로 변환하는 단계는, 상기 특징 값의 최댓값과 최솟값에 기초하여 상기 특징 값의 범위를 계산하는 단계; 상기 특징 값의 범위에 기초하여 상기 특징 값의 범위를 일정한 간격으로 분할하는 것에 대한 분할 버킷의 개수를 결정하는 단계; 상기 특징 값의 활성 비트 수를 계산하여, 상기 활성 비트 수 및 상기 분할 버킷의 개수에 기초하여 상기 특징 값의 총 비트 수를 계산하는 단계; 및 상기 비트 수에 기초하여 상기 특징 값의 버킷을 결정하는 단계를 포함할 수 있다.
일 실시예에 따른 이미지 데이터 검색 방법은 쿼리 입력을 수신하는 단계; 상기 수신한 쿼리 입력의 종류를 구별하는 단계; 상기 쿼리 입력이 쿼리 이미지인 경우, 상기 쿼리 이미지를 상기 쿼리 이미지보다 저차원의 특징 값으로 변환하는 단계; 상기 특징 값을 비트 데이터로 표현된 비트 스트림으로 변환하는 단계; 이미지 데이터베이스에 저장된 이미지 데이터들의 비트 스트림들 중에서 상기 변환된 비트 스트림에 대응하는 타겟 비트 스트림을 결정하는 단계; 및 상기 이미지 데이터베이스에 저장된 이미지 데이터들 중에서 상기 타겟 비트 스트림에 대응하는 이미지 데이터를 상기 쿼리 입력에 대응하는 검색 결과로 출력하는 단계를 포함할 수 있다.
상기 쿼리 입력의 종류를 구별하는 단계는, 상기 쿼리 입력을 쿼리 이미지, 쿼리 속성 및 쿼리 텍스트 중 어느 하나로 구별하는 단계를 포함할 수 있다.
일 실시예에 따른 이미지 데이터 검색 방법은 상기 쿼리 입력이 쿼리 속성인 경우, 이미지 데이터베이스에 저장된 이미지 데이터들의 비트 스트림들 중에서 상기 쿼리 속성에 대응하는 타겟 비트 스트림을 결정하는 단계; 상기 이미지 데이터베이스에 저장된 이미지 데이터들 중에서 상기 타겟 비트 스트림에 대응하는 이미지 데이터를 상기 쿼리 입력에 대응하는 검색 결과로 출력하는 단계를 더 포함할 수 있다.
일 실시예에 따른 이미지 데이터 검색 방법은 상기 쿼리 입력이 쿼리 텍스트인 경우, 상기 쿼리 텍스트를 비트 스트림으로 변환하는 단계; 상기 이미지 데이터베이스에 저장된 이미지 데이터 텍스트들의 비트 스트림들 중에서 상기 변환된 비트 스트림에 대응하는 타겟 비트 스트림을 결정하는 단계; 및 상기 이미지 데이터베이스에 저장된 이미지 데이터들 중에서 상기 타겟 비트 스트림에 대응하는 이미지 데이터를 상기 쿼리 입력에 대응하는 검색 결과로 출력하는 단계를 더 포함할 수 있다.
상기 이미지 데이터베이스는, 이미지 데이터, 상기 특징 값의 비트 스트림, 상기 이미지 데이터의 기 설정된 속성 및 상기 이미지 데이터의 기 설정된 텍스트에 대한 비트 스트림 중 적어도 하나를 저장할 수 있다.
일 실시예에 따른 이미지 데이터베이스 생성 장치는 이미지 데이터를 상기 이미지 데이터보다 저차원의 특징 값으로 변환하는 이미지 변환부; 상기 특징 값을 비트 데이터로 표현된 비트 스트림으로 변환하는 부호화부; 및 상기 비트 스트림과 상기 비트 스트림에 대응하는 상기 이미지 데이터를 저장하는 이미지 데이터베이스를 포함할 수 있다.
상기 이미지 변환부는, 매니폴드 변환을 통해 상기 이미지 데이터를 상기 이미지 데이터보다 저차원의 특징 값으로 변환할 수 있다.
상기 매니폴드 변환은, VAE(Variational Autoencoder), 오토 인코더(Autoencoder; AE), 아이소 맵(Isomap), LLE(Locally Linear Embedding), M-LLE(Modified Locally Linear Embedding), HE(Hessian Eigen Mapping), SE(Spectral Embedding), LTSA(Local Tangent Space Alignment), MDS(Multi-dimensional Scaling) 및 t-SNE(t-distributed Stochastic Neighbor Embedding) 중 적어도 하나를 이용하여 수행될 수 있다.
상기 이미지 변환부는, 상기 매니폴드 변환을 통해 상기 이미지 데이터를 부동 소수점 형태의 특징 값으로 변환할 수 있다.
상기 부호화부는, 상기 특징 값의 최댓값과 최솟값에 기초하여 상기 특징 값의 범위를 계산하고, 상기 특징 값의 범위에 기초하여 상기 특징 값의 범위를 일정한 간격으로 분할하는 것에 대한 분할 버킷의 개수를 결정하고, 상기 특징 값의 활성 비트 수를 계산하여, 상기 활성 비트 수 및 상기 분할 버킷의 개수에 기초하여 상기 특징 값의 총 비트 수를 계산하고, 상기 비트 수에 기초하여 상기 특징 값의 버킷을 결정할 수 있다.
일 실시예에 따른 이미지 데이터 검색 장치는 쿼리 입력을 수신하고, 상기 수신한 쿼리 입력의 종류를 구별하는 쿼리 관리부; 상기 쿼리 입력이 쿼리 이미지인 경우, 상기 쿼리 이미지를 상기 쿼리 이미지보다 저차원의 특징 값으로 변환하는 이미지 변환부; 상기 특징 값을 비트 데이터로 표현된 비트 스트림으로 변환하는 부호화부; 이미지 데이터베이스에 저장된 이미지 데이터들의 비트 스트림들 중에서 상기 변환된 비트 스트림에 대응하는 타겟 비트 스트림을 결정하는 비트 연산부; 및 상기 이미지 데이터베이스에 저장된 이미지 데이터들 중에서 상기 타겟 비트 스트림에 대응하는 이미지 데이터를 상기 쿼리 입력에 대응하는 검색 결과로 출력하는 출력부를 포함할 수 있다.
상기 쿼리 관리부는, 상기 쿼리 입력을 쿼리 이미지, 쿼리 속성 및 쿼리 텍스트 중 어느 하나로 구별할 수 있다.
상기 쿼리 입력이 쿼리 속성인 경우, 상기 비트 연산부는 이미지 데이터베이스에 저장된 이미지 데이터들의 비트 스트림들 중에서 상기 쿼리 속성에 대응하는 타겟 비트 스트림을 결정하고, 상기 출력부는 상기 이미지 데이터베이스에 저장된 이미지 데이터들 중에서 상기 타겟 비트 스트림에 대응하는 이미지 데이터를 상기 쿼리 입력에 대응하는 검색 결과로 출력할 수 있다.
상기 쿼리 입력이 쿼리 텍스트인 경우, 상기 부호화부는 상기 쿼리 텍스트를 비트 스트림으로 변환하고, 상기 비트 연산부는 상기 이미지 데이터베이스에 저장된 이미지 데이터 텍스트들의 비트 스트림들 중에서 상기 변환된 비트 스트림에 대응하는 타겟 비트 스트림을 결정하고, 상기 출력부는 상기 이미지 데이터베이스에 저장된 이미지 데이터들 중에서 상기 타겟 비트 스트림에 대응하는 이미지 데이터를 상기 쿼리 입력에 대응하는 검색 결과로 출력할 수 있다.
일 실시예에 따른 이미지 데이터 검색 장치는 이미지 데이터, 상기 특징 값의 비트 스트림, 상기 이미지 데이터의 기 설정된 속성 및 상기 이미지 데이터의 기 설정된 텍스트에 대한 비트 스트림 중 적어도 하나를 저장하는 상기 이미지 데이터베이스를 더 포함할 수 있다.
일 실시예에 따르면, 사람이 명시적으로 인식하지 못하는 개념이나 속성에 대해서도 검색 기능을 제공할 수 있다.
일 실시예에 따르면, 이미지의 부호화를 통해 이미지 데이터의 특징 값을 데이터베이스화하여 검색 시스템을 구축하고, 이를 통해 사용자에게 보다 포괄적인 검색 기능을 제공할 수 있다.
일 실시예에 따르면, 기존의 이미지 검색 시스템이 제공하는 기본적인 기능을 포함하여 사람이 명시적으로 인식하지 못하는 개념이나 속성을 포괄적으로 포함하는 검색 속성을 부여한 검색 기능을 제공할 수 있다.
일 실시예에 따르면, 이미지 데이터에 대한 매니폴드 변환을 통해, 이미지 데이터를 저차원의 특징 값으로 변환한 후에, 특징 값을 부호화하여 비트 스트림 형태로 저장하고, 비트 연산을 통한 검색 방법을 제공하여, 보다 빠른 속도의 검색 기능을 제공할 수 있다.
도 1은 일 실시예에 이미지 데이터 검색 시스템의 전체적인 개요를 도시하는 도면이다.
도 2는 일 실시예에 따른 이미지 데이터베이스 생성 방법을 설명하기 위한 흐름도이다.
도 3은 일 실시예에 따른 이미지 데이터 검색 방법을 설명하기 위한 흐름도이다.
도 4는 일 실시예에 따른 이미지 데이터를 특징 값으로 변환하는 과정을 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 이미지 데이터의 특징 값을 부호화하는 과정을 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 이미지 데이터 검색 장치의 구성을 도시하는 도면이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 일 실시예에 이미지 데이터 검색 시스템의 전체적인 개요를 도시하는 도면이다.
이미지 데이터 검색 시스템은 이미지를 저차원의 특징 값으로 변환하고 이를 이미지 지문이라고도 지칭되는 비트 스트림으로 부호화(인코딩)하여 데이터베이스에 저장하여, 저장된 이미지 지문을 기반으로, 이미지를 검색하는 장치 및 방법에 관한 것일 수 있다. 이미지 데이터 검색 시스템은 이미지를 검색하기 위하여, 이미지 데이터에 관련된 데이터를 저장하는 이미지 데이터베이스를 생성하기 위한 이미지 데이터베이스 생성 방법 및 장치를 개시할 수도 있다.
도 1을 참조하면, 사용자는 쿼리 입력을 입력하여, 검색부에 이미지, 텍스트, 속성 등의 정보를 기준으로 이미지 데이터에 대한 검색을 요청할 수 있다. 검색부는 사용자 인터페이스를 통해 수신한 사용자의 이미지 데이터 검색 요청과 쿼리 입력에 기초하여 이미지 데이터 검색 방법을 수행할 수 있다.
쿼리 입력은 쿼리 이미지, 쿼리 텍스트 및 쿼리 속성을 포함할 수 있다. 사용자가 이미지로 쿼리를 입력하면, 검색부는 쿼리 이미지를 수신하고, 사용자가 텍스트로 쿼리를 입력하면, 검색부는 쿼리 텍스트를 수신하며, 사용자가 속성으로 쿼리를 입력하면, 검색부는 쿼리 속성을 수신할 수 있다.
검색부가 쿼리 입력을 수신하면, 쿼리 매니저(140)는 쿼리 입력의 종류를 쿼리 이미지, 쿼리 텍스트 및 쿼리 속성으로 구별할 수 있다. 쿼리 입력이 쿼리 이미지인 경우, 어댑터부(150)는 쿼리 이미지를 매니폴드 변환부(110)로 전달할 수 있다. 매니폴드 변환부(110)는 쿼리 이미지를 특징 값으로 변환하고, 인코딩부(120)는 특징 값을 이미지 지문으로 변환하여, 이미지 지문을 지문 연산기/비교기(160)로 전달할 수 있다. 지문 연산기/비교기(160)는 이미지 지문들 간의 비트 논리 연산을 통해, 데이터베이스부(130)의 이미지 지문 저장부에 저장된 이미지 지문들 중에서 변환된 이미지 지문에 대응하는 타겟 이미지 지문을 검색할 수 있다. 타겟 이미지 지문이 검색된 경우, 데이터베이스부(130)는 출력 매니저(170)에 이미지 원본 저장부에 저장된 이미지 데이터 중에서, 타겟 이미지 지문에 대응하는 이미지 데이터의 원본을 전달할 수 있다. 출력 매니저(170)는 데이터베이스부(130)로부터 전달받은 이미지 데이터를 출력함으로써, 사용자에게 쿼리 입력에 대응하는 이미지 데이터를 제공할 수 있다.
쿼리 입력이 쿼리 텍스트인 경우, 어댑터부(150)는 표준 이미지 지문을 통해 쿼리 텍스트에 대응하는 이미지 지문을 검색할 수 있다. 지문 연산기/비교기(160)는 데이터베이스부(130)에서 검색된 이미지 지문에 정합되는 타겟 이미지 지문을 검색할 수 있다. 출력 매니저(170)는 데이터베이스부(130)로부터 타겟 이미지 지문에 대응하는 이미지 데이터를 전달받아, 이미지 데이터를 출력할 수 있다. 표준 이미지 지문은 다양한 이미지에 대해 사전에 구축된 이미지 지문 사전과 같은 개념일 수 있다. 표준 이미지 지문은 사용자나 관리자에 의해 자체적으로 구축되거나, 또는 제3자에 의해 구축되어 제공될 수 있다.
쿼리 입력이 쿼리 속성인 경우, 지문 연산기/비교기(160)는 데이터베이스부(130)에 저장된 이미지 지문 중에서 쿼리 속성에 대응하는 타겟 이미지 지문을 결정할 수 있다. 데이터베이스부(130)는 타겟 이미지 지문에 대응하는 이미지 데이터를 출력 매니저(170)에 전달할 수 있고, 출력 매니저(170)는 전달받은 이미지 데이터를 출력할 수 있다.
이미지 데이터 검색 시스템은 데이터베이스부(130)를 생성하기 위한 이미지 데이터베이스 생성 방법을 수행할 수도 있다. 매니폴드 변환부(110)는 데이터베이스부(130)에 저장될 이미지 데이터들에 대하여 매니폴드 변환을 수행할 수 있다. 매니폴드 변환은 도 2에 대한 설명에서 자세히 설명될 수 있다. 매니폴드 변환부(110)는 이미지 데이터를 특징 값으로 변환할 수 있고, 인코딩부(120)는 특징 값을 이미지 지문으로 변환할 수 있다. 데이터베이스부(130)는 변환된 이미지 지문들과 각 이미지 지문들에 대응하는 이미지 데이터의 원본을 저장할 수 있다. 데이터베이스부(130)는 변환된 이미지 지문들은 이미지 지문 저장부에 저장하고, 각 이미지 지문들에 대응하는 이미지 데이터의 원본은 이미지 원본 저장부에 저장할 수 있다.
도 2는 일 실시예에 따른 이미지 데이터베이스 생성 방법을 설명하기 위한 흐름도이다.
도 2를 참조하면 단계(210)에서 이미지 데이터베이스 생성 장치는 이미지 데이터를 이미지 데이터보다 저차원의 특징 값으로 변환할 수 있다. 일 실시예에서 이미지 데이터베이스 생성 장치는 매니폴드 변환을 통해 이미지 데이터를 이미지 데이터보다 저차원의 특징 값으로 변환할 수 있다. 매니폴드 변환은 데이터 분포의 비선형 구조를 직접적으로 고려하는 매니폴드 학습을 통해 수행되는 변환이 될 수 있다. 매니폴드 학습은 고차원 공간에 내재된 저차원 공간을, 학습을 통해 하이퍼파라미터를 결정하는 학습 방법이 될 수 있다. 즉, 위 실시예에 따른 매니폴드 학습은 이미지 데이터에 내재된 특징 값을, 학습을 통해 하이퍼파라미터를 결정하는 학습 방법이 될 수 있다. 이미지 데이터베이스 생성 장치는 매니폴드 변환을 통해 이미지 데이터를 부동 소수점 형태의 특징 값으로 변환할 수 있다. 예를 들어, 이미지 데이터베이스 생성 장치는 매니폴드 변환을 통해 이미지 데이터를 -0.11011363과 같은 형태로 변환할 수 있다.
매니폴드 변환은 VAE(Variational Autoencoder), 오토 인코더(Autoencoder; AE), 아이소 맵(Isomap), LLE(Locally Linear Embedding), M-LLE(Modified Locally Linear Embedding), HE(Hessian Eigen Mapping), SE(Spectral Embedding), LTSA(Local Tangent Space Alignment), MDS(Multi-dimensional Scaling) 및 t-SNE(t-distributed Stochastic Neighbor Embedding) 중 적어도 하나를 이용하여 수행될 수 있다. Isomap은 비선형 차원 축소 방법으로, 일련의 고차원 데이터 포인트의 준등 방형, 저차원 임베딩을 계산하는 데 사용될 수 있다. LLE는 서로 인접한 데이터들을 보존(neighborhood-preserving)하면서 고차원인 데이터셋을 저차원으로 축소하는 방법이 될 수 있다. LTSA는 고차원 데이터에서 저차원 좌표로 비선형 임베딩을 효율적으로 학습하기 위한 방법으로, 내장 좌표에서 고차원 좌표를 재구성할 수도 있다. MDS는　데이터 세트의 개별 사례의 유사성 수준을 시각화하는 방법으로, "n개(n은 자연수)의 객체 또는 개인 세트 중 쌍별 '거리"에 대한 정보를 추상 직교 공간에 매핑 된 n개의 포인트 구성으로 변환하는 데 사용될 수 있다. t-SNE는 데이터의 차원 축소에 사용되는 기계 학습 알고리즘으로, 고차원 데이터를 특히 2, 3차원 등으로 줄여 가시화하는 데에 유용하게 사용될 수 있다. 매니폴드 변환을 수행하는 방법의 종류에 따라 하이퍼파라미터는 각각 달라질 수 있다.
단계(220)에서 이미지 데이터베이스 생성 장치는 특징 값(v)을 비트 데이터로 표현된 비트 스트림으로 변환할 수 있다. 일 실시예에서 이미지 데이터베이스 생성 장치는 특징 값의 최댓값(maxVal)과 최솟값(minVal)에 기초하여 특징 값의 범위(range)를 계산할 수 있다. 이미지 데이터베이스 생성 장치는 최댓값에서 최솟값을 빼서 특징 값의 범위를 계산할 수 있다. 이미지 데이터베이스 생성 장치는 특징 값의 범위에 기초하여 특징 값의 범위를 일정한 간격으로 분할(buckets)하는 것에 대한 분할 버킷의 개수(number of buckets)를 결정할 수 있다.
이미지 데이터베이스 생성 장치는 특징 값의 활성 비트 수(width; w)를 계산하여, 활성 비트 수 및 분할 버킷의 개수에 기초하여 특징 값의 총 비트 수(number of bits; n)를 계산할 수 있다. 이미지 데이터베이스 생성 장치는 버킷의 개수에 특징 값의 활성 비트 수를 더하고 1을 빼서 특징 값의 비트 수를 계산할 수 있다. 이미지 데이터베이스 생성 장치는 비트 수에 기초하여 특징 값의 버킷을 결정할 수 있다. 특징 값의 버킷은 다음 식을 통해 계산될 수 있다.
Figure 112020019307949-pat00001
단계(230)에서 이미지 데이터베이스 생성 장치는 비트 스트림과 비트 스트림에 대응하는 이미지 데이터를 이미지 데이터베이스에 저장할 수 있다. 이미지 데이터베이스는 비트 스트림을 저장하는 비트 스트림 저장부와 이미지 데이터를 저장하는 이미지 데이터 저장부를 포함할 수 있다. 이미지 데이터베이스는 이미지 데이터 검색 장치가 쿼리 이미지의 비트 스트림에 대응하는 타겟 비트 스트림을 찾아내고, 타겟 비트 스트림에 대응하는 이미지 데이터를 제공받을 수 있도록, 특징 값의 비트 스트림과 이미지 데이터를 저장할 수 있다. 위 과정에 따라 데이터베이스에 저장된 이미지 데이터의 특징 값에 대응하는 비트 스트림은 이미지 지문이라고도 지칭될 수 있다.
도 3은 일 실시예에 따른 이미지 데이터 검색 방법을 설명하기 위한 흐름도이다.
도 3을 참조하면 이미지 데이터 검색 장치는 단계(310)에서 쿼리 입력을 수신할 수 있다. 이미지 데이터 검색 장치는 단계(320)에서 수신한 쿼리 입력의 종류를 구별할 수 있다. 이미지 데이터 검색 장치는 쿼리 입력을 쿼리 이미지, 쿼리 속성 및 쿼리 텍스트 중 어느 하나로 구별할 수 있다.
단계(330)에서 쿼리 입력이 쿼리 이미지인 것으로 결정된 경우, 이미지 데이터 검색 장치는 도 2의 단계(210) 및 단계(220)와 동일한 과정을 거쳐 쿼리 이미지를 비트 스트림으로 변환할 수 있다. 이미지 데이터 검색 장치는 쿼리 입력이 쿼리 이미지인 경우, 단계(340)에서 쿼리 이미지를 쿼리 이미지보다 저차원의 특징 값으로 변환할 수 있다. 이미지 데이터 검색 장치는 단계(345)에서 특징 값을 비트 데이터로 표현된 비트 스트림으로 변환하고, 이미지 데이터베이스에 저장된 이미지 데이터들의 비트 스트림들 중에서 변환된 비트 스트림에 대응하는 타겟 비트 스트림을 결정할 수 있다. 이미지 데이터 검색 장치는 이미지 데이터베이스에 저장된 특징 값의 비트 스트림과 변환된 비트 스트림에 대해 AND, OR 등과 같은 비트 연산을 수행하여, 변환된 비트 스트림에 대응하는 타겟 비트 스트림을 결정할 수 있다. 이미지 데이터 검색 장치는 이미지 데이터베이스에 저장된 이미지 데이터들의 비트 스트림과 변환된 비트 스트림에 대해 비트 연산을 수행하여, 변환된 비트 스트림과 정합되는 타겟 비트 스트림을 결정할 수 있다.
단계(330)에서 쿼리 입력이 쿼리 속성인 것으로 결정된 경우, 단계(350)에서 이미지 데이터 검색 장치는 이미지 데이터베이스에 저장된 이미지 데이터들의 비트 스트림들 중에서 쿼리 속성에 대응하는 타겟 비트 스트림을 결정할 수 있다.
일 실시예에서 이미지 데이터베이스는 이미지 데이터 속성 즉, 이미지 데이터의 특징 값에 대한 비트 스트림을 저장할 수 있다. 이미지 데이터 속성은 이미지 데이터의 특징 값에 대한 사전과 같은 개념으로 미리 구축되어 있거나, 또는 제3자가 제공하는 이미지 데이터의 특징 값의 표준일 수도 있다. 이미지 데이터베이스는 이미지 지문의 표준이라고도 지칭될 수 있는 이미지 데이터 속성을 저장할 수 있다. 쿼리 입력으로 쿼리 속성을 이용하는 경우는 특징 값의 비트 스트림을 구성하는 속성을 세부적으로 명시하여 이미지 데이터 검색을 수행하는 것과 동일할 수 있다. 예를 들어 이미지 데이터의 특징 값은10개의 속성을 포함할 수 있고, 이 속성들이 이미지 데이터베이스에 저장되어 있을 수 있다. 이미지 데이터를 검색하기 위한 쿼리 속성은 예를 들어 다음 식과 같은 형태를 가질 수 있다.
Figure 112020019307949-pat00002
여기서 Feature는 이미지 데이터의 특징 값의 비트 스트림을 나타낼 수 있다. 수학식 2와 같은 이미지 데이터의 속성은 이미지 데이터베이스에 기 저장되어 있을 수 있다. 이미지 데이터 검색 장치는 수학식 2에 해당되는 타겟 비트 스트림을 결정할 수 있다.
단계(330)에서 쿼리 입력이 쿼리 텍스트인 것으로 결정된 경우, 이미지 데이터 검색 장치는 단계(360)에서 쿼리 텍스트를 비트 스트림으로 변환할 수 있다. 단계(365)에서 이미지 데이터 검색 장치는 이미지 데이터베이스에 저장된 이미지 데이터 텍스트들의 비트 스트림들 중에서 변환된 비트 스트림에 대응하는 타겟 비트 스트림을 결정할 수 있다. 이미지 데이터 검색 장치는 이미지 데이터베이스에 저장된 이미지 데이터 텍스트의 비트 스트림과 변환된 비트 스트림에 대해 AND, OR 등과 같은 비트 연산을 수행하여, 변환된 비트 스트림에 대응하는 타겟 비트 스트림을 결정할 수 있다. 이미지 데이터 검색 장치는 이미지 데이터베이스에 저장된 이미지 데이터 텍스트의 비트 스트림과, 변환된 비트 스트림에 대해 비트 연산을 수행하여, 변환된 비트 스트림과 정합되는 타겟 비트 스트림을 결정할 수 있다.
일 실시예에서 이미지 데이터베이스는 이미지 데이터를 나타내는 텍스트에 대응하는 비트 스트림을 저장할 수 있다. 이미지 데이터 텍스트에 대응하는 비트 스트림은 이미지 데이터의 특징 값에 대한 사전과 같은 개념으로 미리 구축되어 있거나, 또는 제3자가 제공하는 이미지 데이터의 특징 값의 표준일 수도 있다. 이미지 데이터베이스는 이미지 지문의 표준이라고도 지칭될 수 있는 이미지 데이터 텍스트에 대한 비트 스트림을 저장할 수 있다.
단계(370)에서 이미지 데이터 검색 장치는 이미지 데이터베이스에 저장된 이미지 데이터들 중에서 타겟 비트 스트림에 대응하는 이미지 데이터를 쿼리 입력에 대응하는 검색 결과로 출력할 수 있다. 일 실시예에서 이미지 데이터베이스는 이미지 데이터, 특징 값의 비트 스트림, 이미지 데이터의 기 설정된 속성 및 이미지 데이터의 기 설정된 텍스트에 대한 비트 스트림 중 적어도 하나를 저장할 수 있다.
도 4는 일 실시예에 따른 이미지 데이터를 특징 값으로 변환하는 과정을 설명하기 위한 도면이다.
도 4를 참조하면 이미지 변환부(420)는 고차원의 이미지 데이터들(410)을 수신하여 저차원의 특징 값들(430)로 변환할 수 있다. 일 실시예에서 이미지 변환부(420)는 이미지 데이터들(410)에 대하여 매니폴드 변환을 수행하여 이미지 데이터들(410)을 저차원의 특징 값들(430)로 변환할 수 있다. 이미지 변환부(420)는 이미지 데이터들(410)에 대하여 VAE, 오토 인코더, 아이소 맵, LLE, M-LLE, HE, SE, STSA, MDS 및 t-SNE 중 적어도 하나를 이용하여 매니폴드 변환을 수행할 수 있다. 도 4에서 이미지 변환부(420)는 VAE를 이용하여 매니폴드 변환을 수행할 수 있다.
VAE를 이용하여 매니폴드 변환을 수행하는 경우, 학습되는 하이퍼파라미터는 특징 값의 개수(N), 이미지 데이터의 확률분포를 추정하는 가우시안 확률 분포의 평균(
Figure 112020019307949-pat00003
)과 표준편차(
Figure 112020019307949-pat00004
), 정규분포에서 샘플링한 임의의 값(
Figure 112020019307949-pat00005
)를 기준으로 하는 특징 벡터일 수 있다. 하이퍼파라미터는 아래 식과 같이 표현될 수 있다.
Figure 112020019307949-pat00006
이미지 변환부(420)는 이미지 데이터들(410)을 참조번호(440)과 같은 부동 소수점 형태의 특징 값들로 변환할 수 있다. 참조번호(450)은 이미지 데이터의 확률분포를 추정하는 가우시안 확률 분포를 나타내는 그래프일 수 있다.
도 5는 일 실시예에 따른 이미지 데이터의 특징 값을 부호화하는 과정을 설명하기 위한 도면이다.
도 5를 참조하면, 부호화부(520)는 저차원의 특징 값들(510)을 비트 스트림(530)으로 변환할 수 있다. 부호화부(520)는 부동 소수점의 형태로 표현된 저차원의 특징 값들(510)을 정형화된 형태로 이미지 데이터베이스에 저장하기 위하여 부호화를 수행할 수 있다. 부호화부(520)는, 이미지 데이터의 변환 방법으로 VAE 매니폴드 변환 방법이 사용되고, 특징 값의 집합, 즉 특징 벡터가 수학식 3과 같이 주어졌을 때, 아래와 같은 방법으로, 특징 값들(510)을 비트 스트림(530)으로 변환할 수 있다.
부호화부(520)는 특징 값들(510)의 최댓값과 최솟값에 기초하여 특징 값들(510)의 범위를 계산할 수 있다. 부호화부(520)는 특징 값의 범위에 기초하여 특징 값의 범위를 일정한 간격으로 분할하는 것에 대한 분할 버킷의 개수를 결정할 수 있다. 부호화부(520)는 특징 값의 활성 비트 수를 계산하여, 활성 비트 수 및 분할 버킷의 개수에 기초하여 특징 값의 총 비트 수를 계산할 수 있다. 부호화부(520)는 비트 수에 기초하여 특징 값의 버킷을 결정하여, 저차원의 특징 값들(510)을 비트 스트림(530)으로 변환할 수 있다. 변환된 비트 스트림(530)은 참조번호(540)와 같은 형태를 가질 수 있다.
비트 스트림(530)은 다양한 저차원의 특징 값들이 부호화를 통해 비트로 표현된 것일 수 있다. 따라서 위 실시예에 따르면, 하나의 비트 스트림(530)은 사용된 특징 값이 10개이므로 10개의 이미지 데이터 속성이 상호 중첩된 구조일 수 있다.
도 6은 일 실시예에 따른 이미지 데이터 검색 장치의 구성을 도시하는 도면이다.
이미지 데이터 검색 장치(600)는 본 명세서에서 설명하는 이미지 데이터 검색 장치에 대응하여 이미지 데이터 검색 방법을 수행할 수 있다. 또한, 이미지 데이터 검색 장치는 본 명세서에서 설명하는 이미지 데이터베이스 생성 장치로서, 이미지 데이터베이스 생성 방법을 수행할 수도 있다.
실시예에 따라 이미지 데이터 검색 장치(600)는 이미지 데이터베이스 생성 장치를 포함할 수도 있고, 또는, 이미지 데이터베이스 생성 장치와 동일한 장치일 수도 있다.
이미지 데이터 검색 장치(600) 이미지 변환부(610), 부호화부(620), 이미지 데이터베이스(630), 쿼리 관리부(640), 비트 연산부(650) 및 출력부(660)를 포함할 수 있다.
이미지 변환부(610)는 이미지 데이터를 저차원의 특징 값으로 변환할 수 있다. 부호화부(620)는 특징 값을 비트 스트림 또는 이미지 데이터 속성으로 변환하여 특징 값을 부호화할 수 있다. 이미지 데이터베이스(630)는 이미지 데이터와 관련된 데이터와 이미지 데이터 검색 장치(600)가 이미지 데이터 검색 방법과 이미지 데이터베이스 생성 방법을 수행하는 데 필요한 데이터를 저장할 수 있다. 쿼리 관리부(640) 쿼리 입력의 종류를 구별할 수 있다. 비트 연산부(650)는 비트 스트림에 대하여 AND 및 OR 등과 같은 비트 논리 연산을 수행하여 세부적인 검색을 도모할 수 있다. 출력부(660)는 이미지 데이터베이스(630)에 저장된 이미지 데이터들 중에서 타겟 비트 스트림에 대응하는 이미지 데이터를 쿼리 입력에 대응하는 검색 결과로 출력할 수 있다.
일 실시예에서, 이미지 변환부(610)는 매니폴드 변환을 통해 이미지 데이터를 이미지 데이터보다 저차원인 특징 값으로 변환할 수 있다. 이미지 변환부(610)는 이미지 데이터를 부동 소수점 형태의 특징 값으로 변환할 수 있다.
부호화부(620)는 특징 값을 비트 데이터로 표현된 비트 스트림으로 변환할 수 있다. 부호화부(620)는 특징 값을 비트 스트림으로 변환하기 위하여, 특징 값의 최댓값과 최솟값에 기초하여 특징 값의 범위를 계산하고, 특징 값의 범위에 기초하여 특징 값의 범위를 일정한 간격으로 분할하는 것에 대한 분할 버킷의 개수를 결정하고, 특징 값의 활성 비트 수를 계산하여, 활성 비트 수 및 분할 버킷의 개수에 기초하여 특징 값의 총 비트 수를 계산하고, 비트 수에 기초하여 특징 값의 버킷을 결정할 수 있다.
쿼리 관리부(640)는 쿼리 입력을 수신하고, 수신한 쿼리 입력의 종류를 구별할 수 있다. 쿼리 관리부(640)는 쿼리 입력을 쿼리 이미지, 쿼리 속성 및 쿼리 텍스트 중 어느 하나로 구별할 수 있다.
쿼리 입력이 쿼리 이미지인 경우, 이미지 변환부(610)는 쿼리 이미지를 쿼리 이미지보다 저차원의 특징 값으로 변환할 수 있다. 또한, 부호화부(620)는 특징 값을 비트 데이터로 표현된 비트 스트림으로 변환할 수 있다. 비트 연산부(650)는 이미지 데이터베이스(630)에 저장된 이미지 데이터들의 비트 스트림들 중에서 변환된 비트 스트림에 대응하는 타겟 비트 스트림을 결정할 수 있다.
쿼리 입력이 쿼리 속성인 경우, 비트 연산부(650)는 이미지 데이터베이스(630)에 저장된 이미지 데이터들의 비트 스트림들 중에서 쿼리 속성에 대응하는 타겟 비트 스트림을 결정할 수 있다.
쿼리 입력이 쿼리 텍스트인 경우, 부호화부(620)는 쿼리 텍스트를 비트 스트림으로 변환할 수 있다. 또한, 비트 연산부(650)는 이미지 데이터베이스(630)에 저장된 이미지 데이터 텍스트들의 비트 스트림들 중에서 변환된 비트 스트림에 대응하는 타겟 비트 스트림을 결정할 수 있다.
이미지 데이터베이스(630)는 이미지 데이터, 특징 값의 비트 스트림, 이미지 데이터의 기 설정된 속성 및 이미지 데이터의 기 설정된 텍스트에 대한 비트 스트림 중 적어도 하나를 저장할 수 있다. 실시예에 따라 이미지 데이터베이스(630)는 이미지 데이터와 관련된 비트 스트림을 저장하는 데이터베이스와 이미지 데이터 자체를 저장하는 데이터베이스를 부가적으로 포함할 수도 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (20)

  1. 이미지 데이터베이스 생성 장치에 의해 수행되는 이미지 데이터베이스 생성 방법에 있어서,
    이미지 데이터를 상기 이미지 데이터보다 저차원의 특징 값으로 변환하는 단계;
    상기 특징 값을 비트 데이터로 표현된 비트 스트림으로 변환하는 단계; 및
    상기 비트 스트림과 상기 비트 스트림에 대응하는 상기 이미지 데이터를 이미지 데이터베이스에 저장하는 단계를 포함하고,
    상기 비트 스트림으로 변환하는 단계는,
    상기 특징 값의 최댓값과 최솟값에 기초하여 상기 특징 값의 범위를 계산하는 단계;
    상기 특징 값의 범위에 기초하여 상기 특징 값의 범위를 일정한 간격으로 분할하는 것에 대한 분할 버킷의 개수를 결정하는 단계;
    상기 특징 값의 활성 비트 수를 계산하여, 상기 활성 비트 수 및 상기 분할 버킷의 개수에 기초하여 상기 특징 값의 총 비트 수를 계산하는 단계; 및
    상기 비트 수에 기초하여 상기 특징 값의 버킷을 결정하는 단계
    를 포함하는,
    이미지 데이터베이스 생성 방법.
  2. 제1항에 있어서,
    상기 특징 값으로 변환하는 단계는,
    매니폴드 변환을 통해 상기 이미지 데이터를 상기 이미지 데이터보다 저차원의 특징 값으로 변환하는 단계
    를 포함하는,
    이미지 데이터베이스 생성 방법.
  3. 제2항에 있어서,
    상기 매니폴드 변환은,
    VAE(Variational Autoencoder), 오토 인코더(Autoencoder; AE), 아이소 맵(Isomap), LLE(Locally Linear Embedding), M-LLE(Modified Locally Linear Embedding), HE(Hessian Eigen Mapping), SE(Spectral Embedding), LTSA(Local Tangent Space Alignment), MDS(Multi-dimensional Scaling) 및 t-SNE(t-distributed Stochastic Neighbor Embedding) 중 적어도 하나를 이용하여 수행되는,
    이미지 데이터베이스 생성 방법.
  4. 제2항에 있어서,
    상기 특징 값으로 변환하는 단계는,
    상기 매니폴드 변환을 통해 상기 이미지 데이터를 부동 소수점 형태의 특징 값으로 변환하는 단계
    를 포함하는,
    이미지 데이터베이스 생성 방법.
  5. 삭제
  6. 이미지 데이터 검색 장치에 의해 수행되는 이미지 데이터 검색 방법에 있어서,
    쿼리 입력을 수신하는 단계;
    상기 수신한 쿼리 입력의 종류를 구별하는 단계;
    상기 쿼리 입력이 쿼리 이미지인 경우, 상기 쿼리 이미지를 상기 쿼리 이미지보다 저차원의 특징 값으로 변환하는 단계;
    상기 특징 값을 비트 데이터로 표현된 비트 스트림으로 변환하는 단계;
    이미지 데이터베이스에 저장된 이미지 데이터들의 비트 스트림들 중에서 상기 변환된 비트 스트림에 대응하는 타겟 비트 스트림을 결정하는 단계; 및
    상기 이미지 데이터베이스에 저장된 이미지 데이터들 중에서 상기 타겟 비트 스트림에 대응하는 이미지 데이터를 상기 쿼리 입력에 대응하는 검색 결과로 출력하는 단계를 포함하고,
    상기 쿼리 입력의 종류를 구별하는 단계는,
    상기 쿼리 입력을 쿼리 이미지, 쿼리 속성 및 쿼리 텍스트 중 어느 하나로 구별하는 단계를 포함하는,
    이미지 데이터 검색 방법.
  7. 삭제
  8. 이미지 데이터 검색 장치에 의해 수행되는 이미지 데이터 검색 방법에 있어서,
    쿼리 입력을 수신하는 단계;
    상기 수신한 쿼리 입력의 종류를 구별하는 단계;
    상기 쿼리 입력이 쿼리 이미지인 경우, 상기 쿼리 이미지를 상기 쿼리 이미지보다 저차원의 특징 값으로 변환하는 단계;
    상기 특징 값을 비트 데이터로 표현된 비트 스트림으로 변환하는 단계;
    이미지 데이터베이스에 저장된 이미지 데이터들의 비트 스트림들 중에서 상기 변환된 비트 스트림에 대응하는 타겟 비트 스트림을 결정하는 단계;
    상기 이미지 데이터베이스에 저장된 이미지 데이터들 중에서 상기 타겟 비트 스트림에 대응하는 이미지 데이터를 상기 쿼리 입력에 대응하는 검색 결과로 출력하는 단계; 및
    상기 쿼리 입력이 쿼리 속성인 경우, 이미지 데이터베이스에 저장된 이미지 데이터들의 비트 스트림들 중에서 상기 쿼리 속성에 대응하는 타겟 비트 스트림을 결정하는 단계; 및
    상기 이미지 데이터베이스에 저장된 이미지 데이터들 중에서 상기 타겟 비트 스트림에 대응하는 이미지 데이터를 상기 쿼리 입력에 대응하는 검색 결과로 출력하는 단계
    를 포함하는,
    이미지 데이터 검색 방법.
  9. 이미지 데이터 검색 장치에 의해 수행되는 이미지 데이터 검색 방법에 있어서,
    쿼리 입력을 수신하는 단계;
    상기 수신한 쿼리 입력의 종류를 구별하는 단계;
    상기 쿼리 입력이 쿼리 이미지인 경우, 상기 쿼리 이미지를 상기 쿼리 이미지보다 저차원의 특징 값으로 변환하는 단계;
    상기 특징 값을 비트 데이터로 표현된 비트 스트림으로 변환하는 단계;
    이미지 데이터베이스에 저장된 이미지 데이터들의 비트 스트림들 중에서 상기 변환된 비트 스트림에 대응하는 타겟 비트 스트림을 결정하는 단계;
    상기 이미지 데이터베이스에 저장된 이미지 데이터들 중에서 상기 타겟 비트 스트림에 대응하는 이미지 데이터를 상기 쿼리 입력에 대응하는 검색 결과로 출력하는 단계;
    상기 쿼리 입력이 쿼리 텍스트인 경우, 상기 쿼리 텍스트를 비트 스트림으로 변환하는 단계;
    상기 이미지 데이터베이스에 저장된 이미지 데이터 텍스트들의 비트 스트림들 중에서 상기 변환된 비트 스트림에 대응하는 타겟 비트 스트림을 결정하는 단계; 및
    상기 이미지 데이터베이스에 저장된 이미지 데이터들 중에서 상기 타겟 비트 스트림에 대응하는 이미지 데이터를 상기 쿼리 입력에 대응하는 검색 결과로 출력하는 단계
    를 포함하는,
    이미지 데이터 검색 방법.
  10. 제6항에 있어서,
    상기 이미지 데이터베이스는,
    이미지 데이터, 상기 특징 값의 비트 스트림, 상기 이미지 데이터의 기 설정된 속성 및 상기 이미지 데이터의 기 설정된 텍스트에 대한 비트 스트림 중 적어도 하나를 저장하는,
    이미지 데이터 검색 방법.
  11. 이미지 데이터베이스 생성 장치에 있어서,
    이미지 데이터를 상기 이미지 데이터보다 저차원의 특징 값으로 변환하는 이미지 변환부;
    상기 특징 값을 비트 데이터로 표현된 비트 스트림으로 변환하는 부호화부; 및
    상기 비트 스트림과 상기 비트 스트림에 대응하는 상기 이미지 데이터를 저장하는 이미지 데이터베이스를 포함하고,
    상기 부호화부는,
    상기 특징 값의 최댓값과 최솟값에 기초하여 상기 특징 값의 범위를 계산하고,
    상기 특징 값의 범위에 기초하여 상기 특징 값의 범위를 일정한 간격으로 분할하는 것에 대한 분할 버킷의 개수를 결정하고,
    상기 특징 값의 활성 비트 수를 계산하여, 상기 활성 비트 수 및 상기 분할 버킷의 개수에 기초하여 상기 특징 값의 총 비트 수를 계산하고,
    상기 비트 수에 기초하여 상기 특징 값의 버킷을 결정하는,
    이미지 데이터베이스 생성 장치.
  12. 제11항에 있어서,
    상기 이미지 변환부는,
    매니폴드 변환을 통해 상기 이미지 데이터를 상기 이미지 데이터보다 저차원의 특징 값으로 변환하는,
    이미지 데이터베이스 생성 장치.
  13. 제12항에 있어서,
    상기 매니폴드 변환은,
    VAE(Variational Autoencoder), 오토 인코더(Autoencoder; AE), 아이소 맵(Isomap), LLE(Locally Linear Embedding), M-LLE(Modified Locally Linear Embedding), HE(Hessian Eigen Mapping), SE(Spectral Embedding), LTSA(Local Tangent Space Alignment), MDS(Multi-dimensional Scaling) 및 t-SNE(t-distributed Stochastic Neighbor Embedding) 중 적어도 하나를 이용하여 수행되는,
    이미지 데이터베이스 생성 장치.
  14. 제12항에 있어서,
    상기 이미지 변환부는,
    상기 매니폴드 변환을 통해 상기 이미지 데이터를 부동 소수점 형태의 특징 값으로 변환하는,
    이미지 데이터베이스 생성 장치.
  15. 삭제
  16. 이미지 데이터 검색 장치에 있어서,
    쿼리 입력을 수신하고, 상기 수신한 쿼리 입력의 종류를 구별하는 쿼리 관리부;
    상기 쿼리 입력이 쿼리 이미지인 경우, 상기 쿼리 이미지를 상기 쿼리 이미지보다 저차원의 특징 값으로 변환하는 이미지 변환부;
    상기 특징 값을 비트 데이터로 표현된 비트 스트림으로 변환하는 부호화부;
    이미지 데이터베이스에 저장된 이미지 데이터들의 비트 스트림들 중에서 상기 변환된 비트 스트림에 대응하는 타겟 비트 스트림을 결정하는 비트 연산부; 및
    상기 이미지 데이터베이스에 저장된 이미지 데이터들 중에서 상기 타겟 비트 스트림에 대응하는 이미지 데이터를 상기 쿼리 입력에 대응하는 검색 결과로 출력하는 출력부를 포함하고,
    상기 쿼리 관리부는,
    상기 쿼리 입력을 쿼리 이미지, 쿼리 속성 및 쿼리 텍스트 중 어느 하나로 구별하는,
    이미지 데이터 검색 장치.
  17. 삭제
  18. 이미지 데이터 검색 장치에 있어서,
    쿼리 입력을 수신하고, 상기 수신한 쿼리 입력의 종류를 구별하는 쿼리 관리부;
    상기 쿼리 입력이 쿼리 이미지인 경우, 상기 쿼리 이미지를 상기 쿼리 이미지보다 저차원의 특징 값으로 변환하는 이미지 변환부;
    상기 특징 값을 비트 데이터로 표현된 비트 스트림으로 변환하는 부호화부;
    이미지 데이터베이스에 저장된 이미지 데이터들의 비트 스트림들 중에서 상기 변환된 비트 스트림에 대응하는 타겟 비트 스트림을 결정하는 비트 연산부; 및
    상기 이미지 데이터베이스에 저장된 이미지 데이터들 중에서 상기 타겟 비트 스트림에 대응하는 이미지 데이터를 상기 쿼리 입력에 대응하는 검색 결과로 출력하는 출력부를 포함하고,
    상기 비트 연산부는 상기 쿼리 입력이 쿼리 속성인 경우, 이미지 데이터베이스에 저장된 이미지 데이터들의 비트 스트림들 중에서 상기 쿼리 속성에 대응하는 타겟 비트 스트림을 결정하고,
    상기 출력부는 상기 쿼리 입력이 쿼리 속성인 경우, 상기 이미지 데이터베이스에 저장된 이미지 데이터들 중에서 상기 타겟 비트 스트림에 대응하는 이미지 데이터를 상기 쿼리 입력에 대응하는 검색 결과로 출력하는,
    이미지 데이터 검색 장치.
  19. 이미지 데이터 검색 장치에 있어서,
    쿼리 입력을 수신하고, 상기 수신한 쿼리 입력의 종류를 구별하는 쿼리 관리부;
    상기 쿼리 입력이 쿼리 이미지인 경우, 상기 쿼리 이미지를 상기 쿼리 이미지보다 저차원의 특징 값으로 변환하는 이미지 변환부;
    상기 특징 값을 비트 데이터로 표현된 비트 스트림으로 변환하는 부호화부;
    이미지 데이터베이스에 저장된 이미지 데이터들의 비트 스트림들 중에서 상기 변환된 비트 스트림에 대응하는 타겟 비트 스트림을 결정하는 비트 연산부; 및
    상기 이미지 데이터베이스에 저장된 이미지 데이터들 중에서 상기 타겟 비트 스트림에 대응하는 이미지 데이터를 상기 쿼리 입력에 대응하는 검색 결과로 출력하는 출력부를 포함하고,
    상기 쿼리 입력이 쿼리 텍스트인 경우 상기 부호화부는 상기 쿼리 텍스트를 비트 스트림으로 변환하고,
    상기 비트 연산부는 상기 이미지 데이터베이스에 저장된 이미지 데이터 텍스트들의 비트 스트림들 중에서 상기 변환된 비트 스트림에 대응하는 타겟 비트 스트림을 결정하고,
    상기 출력부는 상기 이미지 데이터베이스에 저장된 이미지 데이터들 중에서 상기 타겟 비트 스트림에 대응하는 이미지 데이터를 상기 쿼리 입력에 대응하는 검색 결과로 출력하는,
    이미지 데이터 검색 장치.
  20. 제16항에 있어서,
    이미지 데이터, 상기 특징 값의 비트 스트림, 상기 이미지 데이터의 기 설정된 속성 및 상기 이미지 데이터의 기 설정된 텍스트에 대한 비트 스트림 중 적어도 하나를 저장하는 상기 이미지 데이터베이스
    를 더 포함하는,
    이미지 데이터 검색 장치.
KR1020200022325A 2020-02-24 2020-02-24 이미지 데이터베이스 생성 방법 및 이미지 데이터 검색 방법 KR102346705B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200022325A KR102346705B1 (ko) 2020-02-24 2020-02-24 이미지 데이터베이스 생성 방법 및 이미지 데이터 검색 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200022325A KR102346705B1 (ko) 2020-02-24 2020-02-24 이미지 데이터베이스 생성 방법 및 이미지 데이터 검색 방법

Publications (2)

Publication Number Publication Date
KR20210107387A KR20210107387A (ko) 2021-09-01
KR102346705B1 true KR102346705B1 (ko) 2022-01-03

Family

ID=77779978

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200022325A KR102346705B1 (ko) 2020-02-24 2020-02-24 이미지 데이터베이스 생성 방법 및 이미지 데이터 검색 방법

Country Status (1)

Country Link
KR (1) KR102346705B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110290387A (zh) * 2019-05-17 2019-09-27 北京大学 一种基于生成模型的图像压缩方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101737045B1 (ko) * 2015-09-18 2017-05-17 주식회사 카카오 유사중복 이미지 검출 장치 및 방법
US10860898B2 (en) * 2016-10-16 2020-12-08 Ebay Inc. Image analysis and prediction based visual search

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110290387A (zh) * 2019-05-17 2019-09-27 北京大学 一种基于生成模型的图像压缩方法

Also Published As

Publication number Publication date
KR20210107387A (ko) 2021-09-01

Similar Documents

Publication Publication Date Title
JP5346279B2 (ja) 検索による注釈付与
US9355171B2 (en) Clustering of near-duplicate documents
Fitzgerald et al. Using NLP techniques for file fragment classification
JP2019008778A (ja) 画像の領域のキャプション付加
US20100017850A1 (en) Methods and systems to fingerprint textual information using word runs
CN116775847B (zh) 一种基于知识图谱和大语言模型的问答方法和系统
CN111985228B (zh) 文本关键词提取方法、装置、计算机设备和存储介质
WO2022141864A1 (zh) 对话意图识别模型训练方法、装置、计算机设备及介质
US9298757B1 (en) Determining similarity of linguistic objects
Zhang et al. A retrieval algorithm of encrypted speech based on short-term cross-correlation and perceptual hashing
US20230123941A1 (en) Multiscale Quantization for Fast Similarity Search
CN112241631A (zh) 文本语义识别方法、装置、电子设备及存储介质
Bettaiah et al. An analysis of time series representation methods: Data mining applications perspective
WO2021000412A1 (zh) 文本匹配度检测方法、装置、计算机设备和可读存储介质
CN115994177B (zh) 基于数据湖的知识产权管理方法及其系统
Chen Scalable spectral clustering with cosine similarity
WO2019082362A1 (ja) 単語意味関係推定装置および単語意味関係推定方法
Wang et al. File fragment type identification with convolutional neural networks
Wan et al. Hdidx: High-dimensional indexing for efficient approximate nearest neighbor search
JP2006351001A (ja) コンテンツ特徴量抽出方法及び装置及びコンテンツ同一性判定方法及び装置
KR102346705B1 (ko) 이미지 데이터베이스 생성 방법 및 이미지 데이터 검색 방법
Zhang et al. An efficient retrieval approach for encrypted speech based on biological hashing and spectral subtraction
Magdy et al. Privacy preserving search index for image databases based on SURF and order preserving encryption
Bhat et al. Content-based file type identification
CN113609846B (zh) 一种语句中实体关系的抽取方法及装置

Legal Events

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