KR102358472B1 - 딥러닝 기반 위성영상의 촬영 스케줄링 방법 - Google Patents

Abstract

본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 딥러닝 기반 위성영상의 촬영 스케줄링 방법이 개시된다. 상기 방법은, 사전 학습된 신경망 모델을 사용하여, 기 촬영된 위성영상을 기초로 사용자가 원하는 미래시점까지의 예측영상 및 운량 예측값을 생성하는 단계 및 운량 예측값을 기초로 적어도 하나의 관심지역에 대한 위성의 촬영 스케줄을 결정하는 단계를 포함할 수 있다.

Description

딥러닝 기반 위성영상의 촬영 스케줄링 방법{METHOD FOR SCHEDULING OF SHOOTING SATELLITE IMAGES BASED ON DEEP LEARNING}

본 발명은 위성영상의 촬영 스케줄을 자동화하는 방법에 관한 것으로, 보다 구체적으로 딥러닝 기반의 운량 예측 결과를 반영하여 위성의 촬영 스케줄을 조정하는 방법에 관한 것이다.

위성영상을 통해 촬영지역의 상태, 촬영지역에서 발생하는 사건 등을 정확하게 분석하기 위해서는 양질의 위성영상을 획득하는 것이 중요하다. 위성영상의 품질에 영향을 미치는 중요한 요소 중 하나는 구름이다. 구름에 의해 지상이 가려지는 경우, 위성영상으로 지상을 정확하게 촬영할 수 없다. 따라서, 구름의 영향력이 최소화되는 시점에 지상을 촬영하여 위성영상을 획득해야 할 필요가 있다.

한편, 위성은 지구 궤도를 일정한 속도로 비행하면서 촬영을 수행하므로, 위성영상의 촬영은 위성이 사용자가 촬영을 원하는 지점의 상공으로 진입하는 시점에 맞추어 수행되어야 한다. 따라서, 위성을 통해 원하는 지점을 촬영하기 위해서는, 위성영상의 촬영 스케줄을 제어하고 관리하는 것이 필요하다. 기존에는 환경예측기구에서 생산하는 3시간 간격의 재분석 자료를 이용하여 사람이 직접 촬영 시점을 판단 후 위성의 촬영 스케줄을 조정해왔다. 그러나, 이러한 방식은 사람이 직접 자료 분석을 수행해야 하므로, 분석에 필요한 시간 및 비용이 많이 소요되어 상당히 비효율적일 수 밖에 없다.

대한민국 등록특허 제10-1647021호(2016.08.24)는 위성 스케줄 검색 및 궤도 표출 기법에 관하여 개시한다.

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 딥러닝 기반의 운량 예측 결과를 반영하여 위성의 촬영 스케줄을 자동으로 조정하는 방법을 제공하는 것을 목적으로 한다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 딥러닝 기반 위성영상의 촬영 스케줄링 방법이 개시된다. 상기 방법은, 사전 학습된 신경망 모델을 사용하여, 기 촬영된 위성영상을 기초로 사용자가 원하는 미래시점까지의 예측영상 및 운량 예측값을 생성하는 단계; 및 상기 운량 예측값을 기초로 적어도 하나의 관심지역에 대한 위성의 촬영 스케줄을 결정하는 단계를 포함할 수 있다.

대안적 실시예에서, 상기 운량 예측값은, 상기 예측영상에 기초한 전체 운량, 상기 예측영상에 기초한 구름 타입(type)에 따른 운량 또는 예측 정확도 중 적어도 하나를 포함할 수 있다.

대안적 실시예에서, 상기 신경망 모델은, 전지구 관측 위성영상으로부터 추출되는 패치들을 입력받아 사전 학습될 수 있다. 이때, 상기 패치들은, 상기 적어도 하나의 관심지역을 포함하는 기준영역을 포함할 수 있다.

대안적 실시예에서, 상기 기준영역은, 상기 적어도 하나의 관심지역을 포함하되, 소정의 시간 동안 구름이 이동한 거리를 커버하는 영역일 수 있다.

대안적 실시예에서, 상기 예측영상 및 운량 예측값을 생성하는 단계는, 상기 적어도 하나의 관심지역의 위경도를 기준으로, 상기 적어도 하나의 관심지역을 포함하도록 상기 기 촬영된 위성영상을 크롭(crop)하는 단계; 상기 신경망 모델을 사용하여, 상기 크롭된 영상을 기초로 상기 예측영상을 생성하는 단계; 및 상기 신경망 모델을 사용하여, 상기 예측영상을 기초로 상기 운량 예측값을 생성하는 단계를 포함할 수 있다.

대안적 실시예에서, 상기 예측영상 및 운량 예측값을 생성하는 단계는, 상기 기 촬영된 위성영상 및 위성영상을 제외한 기상 데이터를 상기 신경망 모델로 입력하여 상기 예측영상 및 상기 운량 예측값을 생성하는 단계를 포함할 수 있다.

대안적 실시예에서, 상기 적어도 하나의 관심지역에 대한 위성의 촬영 스케줄을 결정하는 단계는, 상기 운량 예측값을 기초로 상기 적어도 하나의 관심지역의 운량이 최소가 되는 미래시점을 판단하여 상기 적어도 하나의 관심지역에 대한 촬영 일정을 결정하는 단계를 포함할 수 있다.

대안적 실시예에서, 상기 적어도 하나의 관심지역에 대한 위성의 촬영 스케줄을 결정하는 단계는, 관심지역이 복수인 경우, 상기 운량 예측값을 기초로 우선순위를 판단하여 상기 복수의 관심지역들에 대한 촬영 순서를 결정하는 단계를 포함할 수 있다.

대안적 실시예에서, 상기 우선순위는, 상기 운량 예측값을 기초로 판단된 운량이 최소인 지역에 관한 제 1 조건; 사용자에 의해 설정된 최우선 촬영지역에 관한 제 2 조건; 또는 상기 적어도 하나의 관심지역에 대한 위성의 방문시기에 따른 제 3 조건 중 적어도 하나를 기초로 판단될 수 있다.

대안적 실시예에서, 상기 방법은, 상기 예측영상, 상기 운량 예측값 및 상기 촬영 스케줄을 출력하는 사용자 인터페이스를 제공하는 단계를 더 포함할 수 있다.

대안적 실시예에서, 상기 사용자 인터페이스를 제공하는 단계는, 사용자의 상기 촬영 스케줄에 대한 검토를 요청하는 알람을 출력하는 사용자 인터페이스를 제공하는 단계; 및 상기 알람에 대응하는 상기 사용자의 응답에 따라 상기 촬영 스케줄을 조정하는 단계를 포함할 수 있다.

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 위성영상의 촬영 스케줄링을 수행하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 사전 학습된 신경망 모델을 사용하여, 기 촬영된 위성영상을 기초로 사용자가 원하는 미래시점까지의 예측영상 및 운량 예측값을 생성하는 동작; 및 상기 운량 예측값을 기초로 적어도 하나의 관심지역에 대한 위성의 촬영 스케줄을 결정하는 동작을 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 딥러닝을 기반으로 위성영상의 촬영 스케줄링을 수행하는 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 코어를 포함하는 프로세서; 상기 프로세서에서 실행가능한 프로그램 코드들을 포함하는 메모리; 및 네트워크부를 포함하고, 상기 프로세서는, 사전 학습된 신경망 모델을 사용하여, 기 촬영된 위성영상을 기초로 사용자가 원하는 미래시점까지의 예측영상 및 운량 예측값을 생성하며, 상기 운량 예측값을 기초로 적어도 하나의 관심지역에 대한 위성의 촬영 스케줄을 결정할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 사용자 인터페이스를 제공하는 사용자 단말이 개시된다. 상기 사용자 단말은, 적어도 하나의 코어를 포함하는 프로세서; 메모리; 컴퓨팅 장치로부터 사용자 인터페이스를 수신하는 네트워크부; 및 상기 사용자 인터페이스를 제공하는 출력부를 포함할 수 있다. 이때, 상기 사용자 인터페이스는, 기 촬영된 위성영상을 기초로, 사전 학습된 신경망 모델을 사용하여 생성된 사용자가 원하는 미래시점까지의 예측영상 및 운량 예측값; 그리고 상기 운량 예측값을 기초로 결정된, 적어도 하나의 관심지역에 대한 위성의 촬영 스케줄을 출력할 수 있다.

본 개시를 통해 딥러닝 기반의 운량 예측 결과를 반영하여 위성의 촬영 스케줄을 자동으로 결정함으로써, 촬영 스케줄 조정의 효율화를 기대할 수 있다.

도 1은 본 개시의 일 실시예에 따른 위성영상의 촬영 스케줄링을 수행하기 위한 컴퓨팅 장치의 블록도이다.
도 2는 본 개시의 일 실시예에 따른 신경망을 나타낸 개념도이다.
도 3은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 위성영상의 촬영 스케줄링을 수행하는 과정을 나타낸 블록도이다.
도 4는 본 개시의 일 실시예에 따른 사용자 인터페이스를 나타낸 개념도이다.
도 5는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 위성영상의 촬영 스케줄링을 수행하는 과정을 나타낸 순서도이다.
도 6은 본 개시의 일 실시예에 따른 컴퓨팅 환경의 개략도이다.

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.

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.

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.

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.

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.

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.

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.

본 개시에서 인공 신경망 및 뉴럴 네트워크(neural network)는 상호 교환 가능하게 사용될 수 있다.

한편, 본 개시의 상세한 설명 및 청구항들에 걸쳐 이용된 "이미지" 혹은 "영상" 이라는 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.

도 1은 본 개시의 일 실시예에 따른 위성영상의 촬영 스케줄링을 수행하기 위한 컴퓨팅 장치의 블록도이다.

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.

컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.

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 신경망의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 신경망의 학습, 신경망를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 신경망의 학습, 신경망를 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.

본 개시의 일 실시예에 따르면, 프로세서(110)는 사전 학습된 신경망 모델을 사용하여 과거시점의 위성영상을 기초로 미래시점의 위성영상 및 미래시점의 위성영상에 대응하는 운량 예측값을 산출할 수 있다. 예를 들어, 프로세서(110)는 과거 일정 기간 동안의 정지궤도 위성영상을 신경망 모델로 입력하여 미래의 특정시점의 위성영상을 생성할 수 있다. 정지궤도 위성영상은 전지구 영역을 커버하는 정지궤도 위성에 의해 촬영되는 영상으로, 지상 설비가 없는 지역에 대해서도 모두 운량을 산출할 수 있다는 장점을 가진다. 따라서, 프로세서(110)는 정지궤도 위성영상을 사용함으로써, 관측 영역의 한계를 최소화하고 효과적으로 운량을 산출하기 위한 미래시점의 위성영상을 생성할 수 있다. 또한, 프로세서(110)는 신경망 모델을 사용하여 미래의 특정시점의 위성영상을 기초로 위성영상에 존재하는 구름에 대한 정보를 생성할 수 있다. 구름에 대한 정보는 미래의 특정시점에 존재하는 전체 운량, 구름의 타입(type)에 따른 개별 운량 등을 포함할 수 있다. 아울러, 프로세서(110)는 신경망 모델의 예측을 통해 산출된 구름에 대한 정보가 얼만큼 정확한지를 나타내는 예측 정확도를 산출할 수 있다. 즉, 프로세서(110)는 구름에 대한 정보와 함께 예측 정확도를 산출함으로써, 특정 미래시점의 운량 예측 결과에 대한 신뢰도를 담보할 수 있다.

한편, 프로세서(110)는 과거시점의 위성영상과 더불어 위성영상을 제외한 기타 기상 데이터를 사전 학습된 신경망 모델에 입력하여 미래시점의 위성영상 및 운량 예측값을 생성할 수도 있다. 예를 들어, 프로세서(110)는 정지궤도 위성영상 뿐만 아니라 환경예측기구 등에서 생상하는 재분석 데이터, 지상 관측 데이터 등 다양한 기상 데이터들을 함께 신경망 모델로 입력하여 미래의 특정시점의 위성영상을 생성할 수 있다. 또한, 프로세서(110)는 신경망 모델을 사용하여 미래의 특정시점의 위성영상을 기초로 위성영상에 존재하는 구름에 대한 정보 및 운량의 예측 정확도를 산출할 수 있다. 즉, 프로세서(110)는 위성영상을 제외한 추가적인 기상 데이터를 함께 활용함으로써, 영상만을 사용하는 경우보다 정확한 운량 예측을 수행할 수 있다.

프로세서(110)는 신경망 모델을 통해 산출된 운량 예측값을 이용하여 사용자가 촬영을 원하는 관심지역에 대한 위성의 촬영 스케줄을 결정할 수 있다. 프로세서(110)는 신경망 모델을 통해 산출된 운량 예측값을 사용하여 사용자가 촬영을 원하는 관심지역의 운량을 판단할 수 있다. 프로세서(110)는 관심지역의 운량 판단 결과를 고려하여 사용자가 촬영을 원하는 관심지역의 촬영 일정을 결정할 수 있다. 예를 들어, 특정 위성(e.g. 고해상도 저궤도 위성 등)으로 관심지역을 촬영하고자 할 때, 프로세서(110)는 관심지역에 대한 양질의 위성영상을 획득할 수 있도록 운량 예측값을 토대로 관심지역에 대한 특정 위성의 촬영 날짜 및 시간을 결정할 수 있다. 이때, 프로세서(110)는 운량이 최소가 되는 미래시점을 기준으로 관심지역에 대한 특정 위성의 촬영 날짜 및 시간을 결정할 수 있다. 또한, 프로세서(110)는 운량 예측값과 함께 특정 위성의 지구궤도 순환 일정(i.e. 특정 위성의 움직임)을 고려하여 특정 위성의 촬영 날짜 및 시간을 결정할 수도 있다. 분석대상이 되는 위성영상의 품질에는 운량이 큰 영향을 미치므로, 이와 같은 프로세서(110)의 촬영 스케줄링 결정은 분석에 필요한 양질의 위성영상이 효율적으로 획득될 수 있도록 한다.

한편, 사용자가 촬영을 원하는 관심지역이 복수인 경우, 프로세서(110)는 신경망 모델을 통해 산출된 운량 예측값을 이용하여 복수의 관심지역들에 대한 위성의 촬영 스케줄을 전체적으로 조정할 수 있다. 프로세서(110)는 신경망 모델을 통해 산출된 운량 예측값을 사용하여 관심지역들의 촬영 우선순위를 결정할 수 있다. 프로세서(110)는 관심지역들의 촬영 우선순위에 따라 관심지역들의 촬영 순서를 결정할 수 있다. 예를 들어, 사용자가 촬영을 원하는 관심지역이 3개인 경우, 프로세서(110)는 3개의 관심지역들을 포함하는 미래시점의 위성영상을 기초로 산출된 운량 예측값을 사용하여 3개의 관심지역들의 촬영 우선순위를 결정할 수 있다. 특정 미래시점을 기준으로 3개의 관심지역들 중 운량이 가장 적은 것으로 판단된 지역을 최우선 촬영지역으로 판단할 수 있다. 프로세서(110)는 상술한 운량 뿐만 아니라 관심지역의 촬영 시급성, 위성의 움직임 등을 모두 고려하여 3개의 관심지역들의 촬영 우선순위를 판단할 수 있다. 3개의 관심지역들의 촬영 우선순위가 결정되면, 프로세서(110)는 3개의 관심지역들의 촬영 우선순위에 맞추어 관심지역들의 촬영 일정을 조정할 수 있다. 이와 같은 프로세서(110)의 복수의 관심지역에 대한 위성의 촬영 스케줄링 조정은 촬영 스케줄을 정리하는데 소요되는 시간 및 비용을 최소화시킬 수 있다.

프로세서(110)는 신경망 모델을 통해 생성된 예측 결과 및 스케줄링 작업 결과를 출력하는 사용자 인터페이스를 생성할 수 있다. 프로세서(110)는 신경망 모델을 통해 생성된 예측영상, 운량 예측값 및 관심지역에 대한 위성의 촬영 스케줄을 출력하는 사용자 인터페이스를 생성할 수 있다. 프로세서(110)는 사용자 인터페이스를 통해 사용자가 촬영을 원하는 관심지역에 대한 운량 예측 결과와 촬영 스케줄을 시각화할 수 있다. 또한, 프로세서(110)는 사용자 인터페이스를 통해 사용자와의 인터랙션(interaction)을 수행할 수 있다. 이때, 사용자와의 인터랙션은 사용자 단말 혹은 컴퓨팅 장치에 마련된 별도의 입력부 등을 통한 사용자의 데이터 입력과 사용자의 데이터 입력에 기반한 프로세서(110)의 데이터 처리 및 응답이 수행되는 과정으로 이해될 수 있다. 예를 들어, 프로세서(110)는 사용자 인터페이스를 통해 사용자로부터 관심지역에 대한 정보, 관심지역에 대한 위성의 방문시기, 미래의 관심시점 등을 입력받을 수 있다. 또한, 프로세서(110)는 사용자로부터 입력받은 정보들을 토대로 생성된 사용자가 촬영을 원하는 관심지역에 대한 운량 예측 결과와 촬영 스케줄을 출력하는 사용자 인터페이스를 생성할 수 있다.

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.

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 하나의 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따른 네트워크부(150)는 임의의 형태의 공지된 유무선 통신 시스템을 사용할 수 있다.

네트워크부(150)는 위성영상을 외부 시스템으로부터 수신할 수 있다. 예를 들어, 네트워크부(150)는 지상을 촬영한 위성영상을 인공위성 시스템으로부터 수신할 수 있다. 지상을 촬영한 위성영상은 신경망 모델의 학습용 데이터 또는 추론용 데이터일 수 있다. 위성영상은 정지궤도 인공위성 등을 통해 촬영된 전자 광학 영상, 합성 개구면 레이더(synthetic aperture radar, SAR) 영상 등을 모두 포함할 수 있다. 위성영상의 종류는 상술한 예시에 제한되지 않고, 당업자가 이해할 수 있는 범위 내에서 다양하게 구성될 수 있다.

또한, 네트워크부(150)는 프로세서(110)에 의해 처리된 정보, 타 단말로부터 처리된 정보, 사용자 인터페이스 등을 타 단말과의 통신을 통해 송수신할 수 있다. 예를 들어, 네트워크부(150)는 프로세서(110)에 의해 생성된 사용자 인터페이스를 클라이언트(e.g. 사용자 단말)로 제공할 수 있다. 또한, 네트워크부(150)는 클라이언트로 인가된 사용자의 외부 입력을 수신하여 프로세서(110)로 전달할 수 있다. 이때, 프로세서(110)는 네트워크부(150)로부터 전달받은 사용자의 외부 입력을 기초로 사용자 인터페이스를 통해 제공되는 정보의 출력, 수정, 변경, 추가 등의 동작을 처리할 수 있다.

네트워크부(150)는 프로세서(110)에 의해 처리된 정보, 타 단말로부터 처리된 정보를 위성과의 직접 통신을 통해 송신할 수 있다. 예를 들어, 네트워크부(150)는 프로세서(110)에 의해 생성된 촬영 스케줄을 클라이언트(e.g. 고해상도 저궤도 위성)로 제공할 수 있다. 또한, 네트워크부(150)는 사용자 단말을 통해 인가된 사용자의 외부 입력을 수신하여 위성으로 전달할 수 있다. 이때, 네트워크부(150)를 통해 전달된 정보를 위성이 자체적으로 처리하여 동작할 수도 있으나, 프로세서(110)가 네트워크부(150)를 통해 위성으로 제어신호를 전달하여 특정 관심지역에 대한 위성의 촬영 동작을 제어할 수도 있다.

도 1에는 도시되지 않았으나, 컴퓨팅 장치(100)는 입력부 및 출력부를 포함할 수도 있다.

본 개시의 대안적 실시예에 따른 입력부는 사용자 입력을 수신 받기 위한 사용자 인터페이스 상의 키 및/또는 버튼들, 또는 물리적인 키 및/또는 버튼들을 구비할 수 있다. 입력부를 통한 사용자 입력에 따라 본 개시의 실시예들에 따른 디스플레이를 제어하기 위한 컴퓨터 프로그램이 실행될 수 있다.

입력부는 사용자의 버튼 조작 또는 터치 입력을 감지하여 신호를 수신하거나, 카메라 또는 마이크로폰을 통하여 사용자 등의 음성 또는 동작을 수신하여 이를 입력 신호로 변환할 수도 있다. 이를 위해 음성 인식(Speech Recognition) 기술 또는 동작 인식(Motion Recognition) 기술들이 사용될 수 있다.

입력부는 컴퓨팅 장치(100)와 연결된 외부 입력 장비로서 구현될 수도 있다. 예를 들어, 입력 장비는 사용자 입력을 수신하기 위한 터치 패드, 터치 펜, 키보드 또는 마우스 중 적어도 하나일 수 있으나, 이는 예시일 뿐이며 본 개시는 이에 제한되는 것은 아니다.

입력부는 사용자 터치 입력을 인식할 수 있다. 본 개시의 일 실시예에 따른 입력부는 출력부와 동일한 구성일 수도 있다. 입력부는 사용자의 선택 입력을 수신하도록 구현되는 터치 스크린으로 구성될 수 있다. 터치 스크린은 접촉식 정전용량 방식, 적외선 광 감지 방식, 표면 초음파(SAW) 방식, 압전 방식, 저항막 방식 중 어느 하나의 방식이 사용될 수 있다. 전술한 터치 스크린에 대한 자세한 기재는 본 발명의 일 실시예에 따른 예시일 뿐이며, 다양한 터치 스크린 패널이 컴퓨팅 장치(100)에 채용될 수 있다. 터치 스크린으로 구성된 입력부는 터치 센서를 포함할 수 있다. 터치 센서는 입력부의 특정 부위에 가해진 압력 또는 입력부의 특정 부위에 발생하는 정전 용량 등의 변화를 전기적인 입력신호로 변환하도록 구성될 수 있다. 터치 센서는 터치 되는 위치 및 면적 뿐만 아니라, 터치 시의 압력까지도 검출할 수 있도록 구성될 수 있다. 터치 센서에 대한 터치 입력이 있는 경우, 그에 대응하는 신호(들)는 터치 제어기로 보내진다. 터치 제어기는 그 신호(들)를 처리한 다음 대응하는 데이터를 프로세서(110)로 전송한다. 이로써, 프로세서(110)는 입력부의 어느 영역이 터치 되었는지 여부 등을 인식할 수 있게 된다.

본 개시의 대안적 실시예에 따른 출력부는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보, 사용자 인터페이스(user interface) 및 네트워크부(150)가 수신한 임의의 형태의 정보를 출력할 수 있다.

예를 들어, 출력부는 액정 디스플레이(liquid crystal display, LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display, TFT LCD), 유기 발광 다이오드(organic light-emitting diode, OLED), 플렉서블 디스플레이(flexible display), 3차원 디스플레이(3D display) 중에서 적어도 하나를 포함할 수 있다. 이들 중 일부 디스플레이 모듈은 그를 통해 외부를 볼 수 있도록 투명형 또는 광 투과형으로 구성될 수 있다. 이는 투명 디스플레이 모듈이라 지칭될 수 있는데, 상기 투명 디스플레이 모듈의 대표적인 예로는 TOLED(Transparent OLED) 등이 있다.

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 지상 촬영 영상을 수신하여 특정 지역의 운량을 예측함과 동시에 위성의 촬영 스케줄을 결정할 수 있다. 서버인 컴퓨팅 장치(100)는 운량 예측 결과 및 위성의 촬영 스케줄을 출력하는 사용자 인터페이스를 사용자 단말로 제공할 수 있다. 이때, 사용자 단말은 서버인 컴퓨팅 장치(100)로부터 수신한 사용자 인터페이스를 출력하고, 사용자와의 인터랙션을 통해 정보를 입력 받거나 처리할 수 있다.

사용자 단말은 서버인 컴퓨팅 장치(100)로부터 전달되는 사용자 인터페이스를 표시할 수 있다. 별도로 도시되지는 않았으나, 사용자 단말은 컴퓨팅 장치(100)로부터 사용자 인터페이스를 수신하는 네트워크부, 적어도 하나의 코어를 포함하는 프로세서, 메모리, 사용자 인터페이스를 제공하는 출력부 및 사용자로부터 인가된 외부 입력을 수신하는 입력부를 포함할 수 있다.

추가적인 실시예에서, 컴퓨팅 장치(100)는 임의의 서버에서 생성된 데이터 리소스를 전달받아 추가적인 정보 처리를 수행하는 임의의 형태의 단말을 포함할 수도 있다.

도 2는 본 개시의 일 실시예에 따른 신경망을 나타낸 개념도이다.

본 개시의 일 실시예에 따른 신경망 모델은 위성영상을 기초로 영상에 존재하는 운량을 예측하기 위한 신경망을 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. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

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.

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.

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.

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.

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.

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.

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.

본 개시의 일 실시예에서 신경망은 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.

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.

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.

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, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.

도 3은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 위성영상의 촬영 스케줄링을 수행하는 과정을 나타낸 블록도이다.

도 3을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)의 프로세서(110)는 제 1 모듈(200)을 통해 위성영상(11)을 기초로 위성 촬영의 타겟이 되는 지역에 대한 운량 예측 결과를 생성할 수 있다. 제 1 모듈(200)은 위성영상(11)을 신경망 모델을 입력하여 사용자가 촬영을 원하는 지역 및 미래시점에 대한 예측영상(12) 및 운량 예측값(13)을 생성할 수 있다. 위성영상(11)은 신경망 모델이 예측을 수행하는 시점을 기준으로 과거시점의 데이터로서, 단일시점의 데이터일 수도 있고, 일정 기간동안 누적된 시계열 데이터일 수도 있다. 예측영상(12) 및 운량 예측값(13)은 위성영상(11)이 촬영된 시점 이후의 단일시점의 데이터일 수도 있고, 위성영상(11)이 촬영된 시점 이후의 특정시점부터 사용자가 촬영을 원하는 미래시점까지의 누적된 시계열 데이터일 수 있다. 예를 들어, 제 1 모듈(200)은 과거 일정 기간동안 누적된 위성영상(11)을 신경망 모델에 입력하여 사용자가 촬영하고자 하는 관심지역 및 관심지역에 대한 위성 방문시기를 기준으로 예측영상(12) 및 운량 예측값(13)을 생성할 수 있다. 이때, 사용자가 촬영하고자 하는 관심지역 및 관심지역에 대한 위성 방문시기는 후술할 사용자 인터페이스(15)를 통해 프로세서(110)로 입력될 수 있다.

구체적으로, 제 1 모듈(200)은 신경망 모델에 입력되는 위성영상(11)에 대한 전처리를 수행할 수 있다. 전처리는 기 촬영된 위성영상(11)이 사용자가 촬영을 원하는 적어도 하나의 관심지역이 포함하도록 위성영상(11)을 조작하는 작업으로 이해될 수 있다. 즉, 신경망 모델의 예측 기준이 되는 관심지역에 대한 양질의 정보가 신경망 모델로 입력되어 예측 성능을 보장할 수 있도록, 제 1 모듈(200)은 기존에 촬영된 시계열 위성영상(11)에서 관심지역을 포함하는 영역을 추출하여 신경망 모델의 입력으로 사용할 수 있다. 예를 들어, 사용자가 촬영하고자 하는 관심지역 및 관심지역에 대한 위성 방문시기가 사용자 인터페이스(15)를 통해 입력되면, 제 1 모듈(200)은 적어도 하나의 관심지역에 대한 정보를 기초로 과거 일정 기간동안 촬영된 정지궤도 위성영상을 크롭(crop)하여 신경망 모델의 입력 데이터를 생성할 수 있다. 제 1 모듈(200)은 적어도 하나의 관심지역의 위경도를 기준으로, 기 촬영된 정지궤도 위성영상을 전처리하여 적어도 하나의 관심지역을 포함하는 크롭영상을 생성할 수 있다. 사용자가 촬영을 원하는 관심지역이 3개라고 가정하면, 제 1 모듈(200)은 3개의 관심지역들의 위경도를 기준으로 3개의 관심지역들의 인접한 정도를 판단할 수 있다. 제 1 모듈(200)은 3개의 관심지역들이 인접한 정도에 따라 3개의 관심지역이 모두 포함하는 크롭영상을 생성하거나 3개의 관심지역 각각에 대해 개별적인 크롭영상을 생성할 수 있다.

제 1 모듈(200)은 전처리를 통해 생성된 크롭영상을 신경망 모델로 입력하여 현재시점부터 사용자가 원하는 미래시점까지의 예측영상(12)을 생성할 수 있다. 여기서 현재시점은 신경망 모델로 크롭영상이 입력되는 시점 혹은 사용자에 의해 선택될 수 있는 특정시점으로 이해될 수 있다. 또한, 사용자가 원하는 미래시점은 관심지역 상공으로의 위성 방문시기를 고려하여 사용자에 의해 선택될 수 있는 특정시점(단, 현재시점 이후)으로 이해될 수 있다. 즉, 제 1 모듈(200)은 신경망 모델을 사용하여 적어도 하나의 관심지역을 포함하도록 전처리된 위성영상(11)을 기초로 적어도 하나의 관심지역에 대한 미래시점의 예측영상(12)을 생성할 수 있다. 이때, 예측영상(12)은 단일시점의 영상일 수도 있고, 미래의 일정 기간을 나타내는 시계열 영상일 수도 있다.

제 1 모듈(200)은 신경망 모델을 사용하여 예측영상(12)을 기초로 적어도 하나의 관심지역에 대한 운량 예측값(13)을 생성할 수 있다. 제 1 모듈(200)은 신경망 모델을 통해 예측영상(12)에 존재하는 구름을 분석함으로써, 예측영상(12)에 포함된 적어도 하나의 관심지역에 대한 운량 예측값(13)을 산출할 수 있다. 이때, 운량 예측값(13)은 예측영상(12)에 기초한 전체 운량, 예측영상(12)에 기초한 구름 타입에 따른 운량 또는 예측 정확도 중 적어도 하나를 포함할 수 있다. 예를 들어, 제 1 모듈(200)은 현재시점부터 사용자가 원하는 미래시점까지의 예측영상에 존재하는 모든 구름의 총량을 신경망 모델을 통해 산출할 수 있다. 또한, 제 1 모듈(200)은 예측영상에 존재하는 구름의 타입에 맞추어 타입 별 운량(권적운량, 적란운량, 고층운량 등)을 신경망 모델을 통해 산출할 수 있다. 아울러, 제 1 모듈(200)은 예측영상이 미래시점 상태를 얼만큼 잘 나타내는지, 예측영상에 존재하는 구름의 양을 얼만큼 정확히 계산했는지 등 신경망 모델의 예측 성능에 대한 평가를 위해 예측 정확도를 산출할 수 있다. 관심지역이 복수인 경우, 제 1 모듈(200)은 앞선 예시와 같은 운량 예측값(13)을 예측영상(12)에서 관심지역 별로 계산할 수 있다. 또한, 제 1 모듈(200)은 운량 예측값(13)을 예측영상(12)의 시점에 맞추어 시간 별로 계산할 수 있다.

제 1 모듈(200)은 도 3에 도시된 위성영상(11) 뿐만 아니라 기타 기상 데이터를 신경망 모델의 입력 데이터로 함께 활용할 수 있다. 여기서 기타 기상 데이터란, 위성영상을 제외한 환경예측기구 등에서 생산한 재분석 데이터, 지상 관측 데이터 등 운량 예측을 보조할 수 있는 기상 데이터로 이해될 수 있다. 기타 기상 데이터를 활용하게 되면, 신경망 모델이 위성영상에서 파악하지 못하는 운량의 상태, 운량의 변화에 영향을 미치는 요인 등을 보다 정밀하고 정확하게 파악할 수 있다. 따라서, 신경망 모델의 운량 예측 성능을 높이기 위해서, 제 1 모듈(200)은 위성영상(11)에 기타 기상 데이터를 추가적으로 활용하여 신경망 모델의 입력으로 사용하고, 예측영상(12) 및 운량 예측값(13)을 도출할 수 있다.

한편, 제 1 모듈(200)에서 사용되는 신경망 모델은 전지구 관측 위성영상으로부터 추출되는 패치들을 입력받아 사전 학습될 수 있다. 이때, 패치들은 사용자가 촬영을 원하는 적어도 하나의 관심지역을 포함하는 기준영역을 포함할 수 있다. 예를 들어, 제 1 모듈(200)은 운량을 예측하는 신경망 모델의 학습을 위해 정지궤도 위성영상으로부터 패치들을 추출하여 학습 데이터 세트를 생성할 수 있다. 학습 데이터 세트를 구성하는 패치들은 기준영역을 포함할 수 있다. 기준영역은 적어도 하나의 관심지역을 포함하되, 소정의 시간 동안 구름이 이동한 거리를 커버하는 영역일 수 있다. 이때, 소정의 시간은 신경망 모델이 예측하고자 하는 시점(혹은 기간)에 따라 달라질 수 있다. 소정의 시간이 하루인 경우(i.e. 신경망 모델이 예측하고자 하는 기간이 하루인 경우), 제 1 모듈(200)은 정지궤도 위성영상을 패치 단위로 분할하고, 하루 동안 구름이 이동한 영역을 고려하여 관심지역을 포함하는 더 넓은 영역을 학습 영역으로 정의할 수 있다. 제 1 모듈(200)은 학습 영역에 해당하는 정지궤도 위성영상의 패치들을 학습 데이터 세트로 구성하여 신경망 모델의 학습에 사용할 수 있다.

도 3을 참조하면, 본 개시의 일 실시예에 따른 프로세서(110)는 제 2 모듈(300)을 통해 제 1 모듈(200)의 출력값을 기초로 위성 촬영의 타겟이 되는 지역에 대한 위성의 촬영 스케줄(14)을 생성할 수 있다. 제 2 모듈(300)은 제 1 모듈(200)의 출력값 중에서 운량 예측값(13)을 기초로 적어도 하나의 관심지역의 촬영 일정을 결정할 수 있다. 예를 들어, 제 2 모듈(300)은 운량 예측값(13)을 기초로 적어도 하나의 관심지역의 운량이 최소가 되는 미래시점을 판단하여 적어도 하나의 관심지역에 대한 촬영 일정을 결정할 수 있다. 구름은 위성영상의 품질을 저해하는 방해 요소이다. 따라서, 제 2 모듈(300)은 운량이 최소가 되는 시점에 맞추어 관심지역의 촬영 일정을 결정함으로써, 분석에 적합한 양질의 위성영상을 촬영할 수 있도록 위성의 촬영 스케줄을 조절할 수 있다.

사용자가 확인하고자 하는 관심지역이 복수인 경우, 제 2 모듈(300)은 운량 예측값(13)을 기초로 우선순위를 판단하여 복수의 관심지역들에 대한 촬영 순서를 결정할 수 있다. 제 2 모듈(300)은 운량 예측값(13)을 기초로 상술한 조건들에 따라 복수의 관심지역들의 촬영 우선순위를 결정할 수 있다. 제 2 모듈(300)은 촬영 우선순위에 맞추어 복수의 관심지역들의 촬영 순서를 결정하고 촬영 스케줄(14)을 조정할 수 있다. 이때, 우선순위는, 운량 예측값(13)을 기초로 판단된 운량이 최소인 지역에 관한 제 1 조건, 사용자에 의해 설정된 최우선 촬영지역에 관한 제 2 조건 또는 적어도 하나의 관심지역에 대한 위성의 방문시기에 따른 제 3 조건 중 적어도 하나를 기초로 판단될 수 있다. 즉, 제 2 모듈(300)은 운량, 촬영의 시급성 및 위성의 방문시기 등과 같은 여러 조건들을 복합적으로 고려하여 사용자가 원하는 미래시점의 촬영지역에 대한 우선순위를 판단할 수 있다.

예를 들어, 관심지역 A, B 및 C인 경우, 제 2 모듈(300)은 사용자에 의해 입력된 특정 미래시점을 기준으로 운량 예측값(13)에 따라 제 1 조건을 판단하여 3개의 관심지역들 중 운량이 가장 적은 관심지역 A를 최우선 촬영 지역으로 선정하고 일정을 생성할 수 있다. 제 2 모듈(300)은 운량 예측값(13)에 따른 제 1 조건, 사용자에 의해 설정된 최우선 촬영지역에 관한 제 2 조건 및 관심지역 B 및 C에 대한 위성의 방문시기를 나타내는 제 3 조건을 함께 고려하여 관심지역 B 또는 C를 관심지역 A의 다음 촬영지역으로 선정하고 일정을 생성할 수 있다. 상술한 예시에서는 제 1 조건을 우선적으로 판단한 후 나머지 조건들을 함께 판단하고 있으나, 제 2 모듈(300)은 설정에 따라 각 조건들을 개별적으로 고려할 수도 있고, 순차적으로 혹은 종합적으로 고려할 수도 있다. 즉, 우선순위를 결정하기 위한 조건들의 판단은 상술한 예시를 기초로 당업자가 변형 가능한 범위에서 다양하게 수행될 수 있다.

상술한 바와 같은 제 2 모듈(200)을 통한 촬영 스케줄링은 사람의 주관적 판단에 의해 수행되어 부정확하고 효율적이지 못한 기존의 위성 촬영 스케줄링 방식의 문제를 효과적으로 개선할 수 있다. 즉, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 위성의 촬영 스케줄을 결정하는 과정을 컴퓨팅 환경에서 자동화하여, 위성영상을 촬영하는데 불필요한 리소스를 최소화하고, 사용자가 위성의 촬영 스케줄을 효율적으로 관리할 수 있는 환경을 제공할 수 있다. 또한, 컴퓨팅 장치(100)는 신경망 모델을 통한 운량 예측 결과를 촬영 스케줄을 생성하는데 반영하여, 분석에 적합한 위성영상을 촬영하도록 위성의 동작을 효과적으로 제어할 수 있는 환경을 제공할 수 있다.

도 3을 참조하면, 본 개시의 일 실시예에 따른 프로세서(110)는 제 3 모듈(400)을 통해 제 1 모듈(200) 및 제 2 모듈(300)의 출력값을 표시하기 위한 사용자 인터페이스(15)를 생성할 수 있다. 제 3 모듈(400)은 예측영상(12), 운량 예측값(13) 및 촬영 스케줄(14)을 출력하는 사용자 인터페이스(15)를 제공할 수 있다. 제 3 모듈(400)에 의해 생성되는 사용자 인터페이스(15)는 제 1 모듈(200) 및 제 2 모듈(300)을 통해 처리된 데이터들을 표시할 뿐만 아니라 프로세서(110)가 사용자와의 인터랙션을 수행할 수 있도록 하는 환경을 제공한다. 즉, 사용자는 촬영 관심지역, 위성 방문시기 등의 외부 정보를 사용자 인터페이스(15)를 통해 프로세서(110)로 입력시킬 수 있다. 또한, 프로세서(110)는 사용자에 의해 입력된 외부 정보를 기초로 처리된 예측 정보 및 스케줄링 정보를 생성하여 사용자 인터페이스(15)를 통해 제공할 수 있다. 제 3 모듈(400)을 통해 생성된 사용자 인터페이스(15)는 컴퓨팅 장치(100)에 직접 마련된 입출력부를 통해 사용자에게 제공될 수도 있고, 외부의 사용자 단말로 전송되어 사용자에게 제공될 수도 있다.

한편, 프로세서(110)를 통해 처리된 스케줄링 정보를 사용자가 수정(혹은 조정)할 수 있도록 하는 "스케줄링 검토 알람" 기능이 사용자 인터페이스(15)를 통해 구현될 수 있다. 제 2 모듈(300)에서 상술한 조건들에 따라 우선순위를 판단하지 못하고 복수의 관심지역들에 대한 일정을 개별적으로 결정한 경우, 스케줄링 검토 알람 기능은 사용자 인터페이스(15)를 통해 자동적으로 구현될 수 있다. 예를 들어, 복수의 관심지역들의 운량이 모두 비슷한 경우, 제 1 조건에 따른 우선순위 판단이 이루어지지 못해 복수의 관심지역들에 대한 일정이 개별적으로 결정될 수 있다. 이때, 프로세서(110)는 복수의 관심지역들의 촬영 스케줄에 대한 검토를 요청하는 알람을 출력하는 사용자 인터페이스(15)를 제공할 수 있다. 즉, 복수의 관심지역들에 대한 촬영 순서를 사용자가 검토할 수 있도록, 프로세서(110)는 사용자 단말로 사용자 인터페이스(15)를 제공하여 알람 및 관련 정보를 출력할 수 있다. 사용자 인터페이스(15)를 통해 사용자 단말로부터 입력값을 수신하면, 프로세서(110)는 알람에 대응하는 사용자의 응답에 따라 촬영 스케줄을 조정할 수 있다. 즉, 프로세서(110)는 사용자 인터페이스(15)를 통한 사용자 응답에 맞추어 복수의 관심지역들의 촬영 순서를 결정할 수 있다. 이러한 기능을 통해 프로세서(110)가 제대로 판단하지 못하는 스케줄링 케이스를 사용자의 의도를 반영하여 효과적으로 제어할 수 있다.

도 4는 본 개시의 일 실시예에 따른 사용자 인터페이스를 나타낸 개념도이다.

본 개시의 일 실시예에 따른 위성영상의 촬영 스케줄링 과정은 사용자 인터페이스를 통한 사용자의 입력을 기초로 시작될 수 있다. 먼저, 사용자 인터페이스는 사용자의 입력을 수신하기 위한 위성영상을 출력할 수 있다. 위성영상에 인가되는 사용자 입력에 맞추어 사용자 인터페이스는 사용자가 촬영을 원하는 관심지역들의 정보 및 관심지역들에 대한 위성 방문시기를 입력받을 수 있다. 사용자 인터페이스를 통해 입력된 정보는 컴퓨팅 장치(100)의 프로세서(110)로 전달되어 처리될 수 있다. 프로세서(110)는 신경망 모델을 사용하여 사용자 인터페이스를 통해 입력된 정보를 기초로 관심지역들의 운량 예측 결과를 산출할 수 있다. 또한, 프로세서(110)는 관심지역들의 운량 예측 결과를 기초로 관심지역들의 위성 촬영 스케줄을 결정할 수 있다. 사용자 인터페이스는 프로세서(110)를 통해 처리된 정보들을 출력할 수 있다.

예를 들어, 사용자 인터페이스를 통한 사용자 입력에 의해 도 4의 위성영상(20)에서 핀(pin) 아이콘을 통해 박스영역이 규정되었다고 가정한다. 또한, 박스영역 내에서 관심지역이 서울, 대전, 도쿄 및 상해로 설정되고, 4개의 관심지역들을 포함하는 박스영역의 상공으로 미래시점 i에 고해상도 저궤도 위성이 지나갈 예정이라고 가정한다. 프로세서(110)는 신경망 모델을 기초로 4개의 관심지역들에 대한 운량 예측 정보를 생성할 수 있다. 이때, 운량 예측 정보는 미래시점 i를 기준으로 주기적으로 예측되는 정보로서, 예측영상, 각 관심지역 별 운량 및 예측 정확도일 수 있다. 미래시점 i에 서울의 운량: 100%, 부산의 운량: 50%, 상해의 운량: 0% 및 도쿄의 운량: 60%로 예측되고, 미래시점 i+1(i+1은 i 이후 다음 번 위성 방문시점)에 서울의 운량: 0%, 부산의 운량: 60%, 상해의 운량: 100%, 및 도쿄의 운량: 50%로 예측되면, 프로세서(110)는 미래시점 i에 운량이 최소인 상해를 촬영하고, 미래시점 i+1에 운량이 최소인 서울을 찍는 것으로 촬영 일정 및 순서를 결정할 수 있다. 프로세서(110)는 운량 예측 정보와 함께 ①상해, ②서울로 결정된 촬영 스케줄을 표시하는 위성영상(30)을 사용자 인터페이스를 통해 출력할 수 있다. 미래시점 i 및 i+1에서 운량이 유사한 것으로 예측된 ③부산 및 ③도쿄의 경우, 검토 알람과 함께 위성영상(30)에 표시되어 사용자에 의해 순서가 조정될 수도 있고, 프로세서(110)에 의해 추가적으로 예측된 결과를 기초로 스케줄이 결정될 수도 있다.

도 5는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 위성영상의 촬영 스케줄링을 수행하는 과정을 나타낸 순서도이다.

도 5를 참조하면, S100 단계에서 컴퓨팅 장치(100)는 기 촬영된 위성영상을 정지궤도 위성 시스템으로부터 수신할 수 있다. 컴퓨팅 장치(100)는 신경망 모델을 사용하여 정지궤도 위성 시스템으로부터 수신된 위성영상을 기초로 미래 일정기간 동안의 예측영상 및 운량 예측값을 생성할 수 있다. 이때, 예측영상은 신경망 모델로 입력된 과거 일정 기간동안의 정지궤도 위성영상으로부터 예측되는 미래 일정 기간동안의 위성영상으로 이해될 수 있다. 또한, 운량 예측값은 예측영상의 분석 결과로서, 예측영상에 존재하는 구름의 양과 예측 결과에 대한 평가 지표인 예측 정확도를 포함할 수 있다. 운량 예측값에 포함되는 예측 정확도를 통해 신경망 모델의 예측 결과를 얼만큼 신뢰할 수 있는지를 평가하여 신경망 모델을 효율적으로 학습시킬 수 있다.

S200 단계에서 컴퓨팅 장치(100)는 신경망 모델을 통해 생성된 운량 예측값을 기초로 사용자가 촬영하고자 하는 적어도 하나의 관심지역에 대한 위성의 촬영 스케줄을 결정할 수 있다. 컴퓨팅 장치(100)는 기본적으로 운량 예측값을 기초로 운량이 최소가 되는 미래시점을 관심지역의 촬영 일정으로 결정할 수 있다. 다만, 관심지역이 복수인 경우에는 관심지역들 간의 비교를 통해 촬영의 우선순위를 결정해야 한다. 따라서, 컴퓨팅 장치(100)는 특정 미래시점을 기준으로 관심지역들의 운량을 비교하여 관심지역들의 촬영 순서를 결정할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 운량 예측값을 기초로 구름이 없는 맑은 하늘인 지역 혹은 얇은 고층운이 존재하는 관심지역을 최우선 촬영지역으로 선정할 수 있다. 관심지역들의 운량이 앞선 2가지 조건을 만족하지 못하고 모두 비슷한 경우, 컴퓨팅 장치(100)는 사전 결정된 임계값(i.e. 사용자가 허용한 한도)을 기초로 운량을 비교하여 관심지역들의 촬영 순서를 결정할 수 있다. 한편, 운량 뿐만 아니라 위성촬영에 영향을 미치는 다른 요소들을 함께 고려하는 것이 촬영 스케줄을 결정하는데 필요하므로, 컴퓨팅 장치(100)는 운량 예측값 뿐만 아니라 특정 관심지역의 촬영 시급성, 위성 방문시기 등을 모두 종합적으로 고려하여 관심지역들의 촬영 순서를 결정할 수도 있다. S200 단계를 통해 컴퓨팅 장치(100)는 관심지역들에 대한 위성영상의 촬영 스케줄을 자동적으로 조율할 수 있으며, 구름으로 인해 촬영이 어려운 지역에 대한 대안을 효과적으로 제시할 수 있다.

S300 단계에서 컴퓨팅 장치(100)는 S100 단계 및 S200 단계를 통해 산출된 정보들을 시각화하기 위한 사용자 인터페이스를 제공할 수 있다. 사용자 인터페이스는 사용자 입력을 수신하기 위해 S100 단계 이전에 미리 생성될 수 있다. 사용자 인터페이스를 통해서 다음의 예시와 같은 다양한 기능들이 구현될 수 있다. 예를 들어, 사용자가 음성으로 특정 데이터을 언급하면 언급된 데이터를 시각화 하는 음성인식 기능이 사용자 인터페이스를 통해 구현될 수 있다. 또한, 사용자가 원하는 지역이 선택적으로 표시되거나 각 관심지역의 시계열 영상과 시간대 별 이미지가 선택적으로 표시되는 디스플레이 기능이 사용자 인터페이스를 통해 구현될 수 있다. 상술한 기능들은 하나의 예시일 뿐이며, 당업자가 변경 가능한 범위에서 다양하게 구성될 수 있다.

도 6은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

한편, 본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

Claims (14)

1. 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 딥러닝 기반 위성영상의 촬영 스케줄링 방법으로서,
   사전 학습된 신경망 모델을 사용하여, 적어도 하나의 관심지역이 포함되도록 기 촬영된 위성영상을 상기 관심지역의 위경도를 기준으로 크롭하여 생성한 크롭된 영상을 기초로 사용자가 원하는 미래시점까지의 예측영상 및 운량 예측값을 생성하는 단계; 및
   상기 운량 예측값을 기초로 적어도 하나의 관심지역에 대한 위성의 촬영 스케줄을 결정하는 단계;
   를 포함하는,
   방법.
   
2. 제 1 항에 있어서,
   상기 운량 예측값은,
   상기 예측영상에 기초한 전체 운량, 상기 예측영상에 기초한 구름 타입(type)에 따른 운량 또는 예측 정확도 중 적어도 하나를 포함하는,
   방법.
   
3. 제 1 항에 있어서,
   상기 신경망 모델은,
   전지구 관측 위성영상으로부터 추출되는 패치들을 입력받아 사전 학습되고,
   상기 패치들은,
   상기 적어도 하나의 관심지역을 포함하는 기준영역을 포함하는,
   방법.
   
4. 제 3 항에 있어서,
   상기 기준영역은,
   상기 적어도 하나의 관심지역을 포함하되, 소정의 시간 동안 구름이 이동한 거리를 커버하는 영역인,
   방법.
   
5. 삭제
6. 제 1 항에 있어서,
   상기 예측영상 및 운량 예측값을 생성하는 단계는,
   상기 기 촬영된 위성영상 및 위성영상을 제외한 기상 데이터를 상기 신경망 모델로 입력하여 상기 예측영상 및 상기 운량 예측값을 생성하는 단계;
   를 포함하는,
   방법.
   
7. 제 1 항에 있어서,
   상기 적어도 하나의 관심지역에 대한 위성의 촬영 스케줄을 결정하는 단계는,
   상기 운량 예측값을 기초로 상기 적어도 하나의 관심지역의 운량이 최소가 되는 미래시점을 판단하여 상기 적어도 하나의 관심지역에 대한 촬영 일정을 결정하는 단계;
   를 포함하는,
   방법.
   
8. 제 1 항에 있어서,
   상기 적어도 하나의 관심지역에 대한 위성의 촬영 스케줄을 결정하는 단계는,
   관심지역이 복수인 경우, 상기 운량 예측값을 기초로 우선순위를 판단하여 상기 복수의 관심지역들에 대한 촬영 순서를 결정하는 단계;
   를 포함하는,
   방법.
   
9. 제 8 항에 있어서,
   상기 우선순위는,
   상기 운량 예측값을 기초로 판단된 운량이 최소인 지역에 관한 제 1 조건;
   사용자에 의해 설정된 최우선 촬영지역에 관한 제 2 조건; 또는
   상기 적어도 하나의 관심지역에 대한 위성의 방문시기에 따른 제 3 조건;
   중 적어도 하나를 기초로 판단되는,
   방법.
   
10. 제 1 항에 있어서,
    상기 예측영상, 상기 운량 예측값 및 상기 촬영 스케줄을 출력하는 사용자 인터페이스를 제공하는 단계;
    를 더 포함하는,
    방법.
    
11. 제 10 항에 있어서,
    상기 사용자 인터페이스를 제공하는 단계는,
    사용자의 상기 촬영 스케줄에 대한 검토를 요청하는 알람을 출력하는 사용자 인터페이스를 제공하는 단계; 및
    상기 알람에 대응하는 상기 사용자의 응답에 따라 상기 촬영 스케줄을 조정하는 단계;
    를 포함하는,
    방법.
    
12. 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 딥러닝을 기반으로 위성영상의 촬영 스케줄링을 수행하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
    사전 학습된 신경망 모델을 사용하여, 적어도 하나의 관심지역이 포함되도록 기 촬영된 위성영상을 상기 관심지역의 위경도를 기준으로 크롭하여 생성한 크롭된 영상을 기초로 기초로 사용자가 원하는 미래시점까지의 예측영상 및 운량 예측값을 생성하는 동작; 및
    상기 운량 예측값을 기초로 적어도 하나의 관심지역에 대한 위성의 촬영 스케줄을 결정하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
    
13. 딥러닝을 기반으로 위성영상의 촬영 스케줄링을 수행하는 컴퓨팅 장치로서,
    적어도 하나의 코어를 포함하는 프로세서;
    상기 프로세서에서 실행 가능한 프로그램 코드들을 포함하는 메모리; 및
    네트워크부;
    를 포함하고,
    상기 프로세서는,
    사전 학습된 신경망 모델을 사용하여, 적어도 하나의 관심지역이 포함되도록 기 촬영된 위성영상을 상기 관심지역의 위경도를 기준으로 크롭하여 생성한 크롭된 영상을 기초로 사용자가 원하는 미래시점까지의 예측영상 및 운량 예측값을 생성하며,
    상기 운량 예측값을 기초로 적어도 하나의 관심지역에 대한 위성의 촬영 스케줄을 결정하는,
    장치.
    
14. 사용자 단말로서,
    적어도 하나의 코어를 포함하는 프로세서;
    메모리;
    컴퓨팅 장치로부터 사용자 인터페이스를 수신하는 네트워크부; 및
    상기 사용자 인터페이스를 제공하는 출력부;
    를 포함하고,
    상기 사용자 인터페이스는,
    사전 학습된 신경망 모델을 사용하여, 적어도 하나의 관심지역이 포함되도록 기 촬영된 위성영상을 상기 관심지역의 위경도를 기준으로 크롭하여 생성한 크롭된 영상을 기초로 사용자가 원하는 미래시점까지의 예측영상 및 운량 예측값을 생성하며,
    상기 운량 예측값을 기초로 적어도 하나의 관심지역에 대한 위성의 촬영 스케줄을 결정하는,
    단말.

Images