KR102364882B1 - 객체 검출 방법 - Google Patents

Abstract

본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 딥러닝 기반 객체 검출 방법이 개시된다. 상기 방법은, 이미지를 제 1 신경망에 입력하여 상기 이미지의 특징을 추출하는 단계 및 제 1 신경망을 통해 추출된 특징을 기초로 제 2 신경망 및 제 3 신경망을 적대적 학습시키는 단계를 포함할 수 있다.

Description

객체 검출 방법{METHOD FOR DETECTING OBJECT}

본 발명은 이미지 처리 방법에 관한 것으로, 보다 구체적으로 이미지에 포함된 메타데이터를 이용하여 효과적으로 딥러닝 모델을 학습시켜 이미지 내 객체를 탐지할 수 있는 기술에 관한 것이다.

최근 들어 딥러닝의 발전으로 물체 탐지 딥러닝 모델이 공공, 산업, 군사 등 분야를 막론하고 널리 적용되고 있다. 특히, 물체 탐지 딥러닝 모델은 위성영상 또는 항공 영상을 이용한 원격 탐사 분야에서 주로 이용된다.

다만, 원격 탐사 분야에서의 딥러닝 기반 물체 탐지 모델은 고도, 촬영각도, 날씨 등과 같은 이미지의 교란 요소(nuisance factor)에 대한 의존성(dependency)을 지니므로 도메인의 변화(domain variance)에 따라서 물체를 정확히 탐지하지 못하는 문제가 발생할 수 있다.

또한, 높은 고도에서 영상이 획득되는 위성 영상의 경우 식별하고자 하는 물체의 크기가 작아서, 물체를 구분하기 위한 정보가 상대적으로 부족하다. 이로 인해 물체의 위치를 식별하고 물체를 세부 분류하기 어려운 실정이다.

이를 해결하기 위해 기존의 딥러닝 모델은 모델을 학습시키는데 있어서 학습 데이터의 양을 늘려야 하지만, 이는 현실적으로 시간, 비용의 문제가 수반된다. 따라서 원격 탐사 분야에 있어 물체 감지 모델의 성능 향상을 위한 새로운 아이디어가 필요한 실정이다.

한국 등록특허 제10-2140805호(2020.07.28.)는 위성 이미지의 객체 검출을 위한 신경망에 관하여 개시한다.

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 딥러닝을 기반으로 위성 영상 또는 항공 영상에서 쉽게 얻을 수 있는 메타 데이터를 활용하여 비용, 시간의 추가적인 투입 없이 도메인에 견고하게 객체를 탐지하는 방법을 제공하는 것을 목적으로 한다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 객체 검출 방법이 개시된다. 상기 방법은, 이미지를 제 1 신경망에 입력하여 상기 이미지의 특징을 추출하는 단계; 및 상기 제 1 신경망을 통해 추출된 특징을 기초로 제 2 신경망 및 제 3 신경망을 적대적 학습시키는 단계를 포함할 수 있다.

대안적 실시예에서, 상기 제 2 신경망 및 제 3 신경망을 적대적 학습시키는 단계는, 상기 제 1 신경망을 통해 추출된 특징을 기초로, 객체 감지를 위한 상기 제 2 신경망이 제 1 손실함수를 최소화 하도록 상기 제 2 신경망을 학습시키는 단계를 포함할 수 있다.

대안적 실시예에서, 상기 제 2 신경망 및 제 3 신경망을 적대적 학습시키는 단계는, 상기 제 1 신경망을 통해 추출된 특징을 기초로, 교란 예측(Nuisance Prediction)을 위한 상기 제 3 신경망이 제 2 손실함수를 최대화 하도록 상기 제 3 신경망을 학습시키는 단계를 포함할 수 있다.

대안적 실시예에서, 상기 제 2 손실함수는, 위성 이미지의 도메인에 견고한 객체 감지를 위해 고도(altitude), 시야각(view angle), 또는 날씨(weather) 중 적어도 하나를 포함하는 메타데이터를 고려하여 연산되는 것인 방법을 포함할 수 있다.

대안적 실시예에서, 상기 방법은 상기 제 1 신경망으로부터 추출된 특징을 제 4 신경망에 저장하는 단계를 더 포함할 수 있다.

대안적 실시예에서, 상기 제 4 신경망은 FIFO(First-In First-Out)의 구조를 갖는 신경망을 포함할 수 있다.

대안적 실시예에서, 상기 제 2 신경망 및 제 3 신경망을 적대적 학습시키는 단계는, 상기 제 4 신경망에 저장된 특징 중 가장 최근에 추출된 특징의 적어도 일부를 기반으로 상기 제 3 신경망을 학습시키는 단계를 포함할 수 있다.

대안적 실시예에서, 상기 제 2 신경망 및 제 3 신경망을 적대적 학습시키는 단계는, 소정의 에폭(epoch)마다 상기 제 4 신경망에 저장된 특징을 모두 이용하여 제 3 신경망을 학습시키는 단계를 포함할 수 있다.

대안적 실시예에서, 상기 제 2 신경망 및 제 3 신경망을 적대적 학습시키는 단계는, 상기 제 3 신경망의 제 2 파라미터를 기초로 제 1 파라미터를 업데이트하는 단계를 포함하고, 상기 제 2 파라미터는 상기 제 1 파라미터 대비 이전 시점에 복제된 것인 방법을 포함할 수 있다.

대안적 실시예에서, 상기 제 2 파라미터를 기초로 상기 제 1 파라미터를 업데이트하는 단계는, 상기 제 1 파라미터와 상기 제 2 파라미터를 가중합(weight sum)하여 상기 제 1 파라미터를 업데이트하는 단계를 포함할 수 있다.

대안적 실시예에서, 상기 제 2 파라미터를 기초로 상기 제 1 파라미터를 업데이트하는 단계는, 상기 제 1 파라미터의 생성까지 상기 제 2 파라미터의 업데이트를 중지하는 단계(stop gradient)를 포함할 수 있다.

대안적 실시예에서, 상기 제 1 파라미터와 상기 제 2 파라미터를 가중합하여 제 1 파라미터를 업데이트하는 단계는, 상기 제 1 파라미터와 상기 제 2 파라미터를 기초로 지수 이동 평균(EMA) 방식으로 연산하는 단계를 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 또다른 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 객체 검출 방법이 개시된다. 상기 방법은, 사전 학습된 제 1 신경망을 사용하여, 객체 감지를 위해 입력 이미지에서 특징을 추출하는 단계를 포함하고, 상기 제 1 신경망은, 상기 제 2 신경망 및 교란 예측(nuisance prediction)을 위한 제 3 신경망 간의 적대적 학습을 통해 도메인에 견고한 특징을 추출하도록 사전 학습된 방법이며, 사전 학습된 제 2 신경망을 사용하여, 상기 제 1 신경망을 통해 추출된 특징을 기초로 상기 입력 이미지에 포함된 객체를 검출할 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, 객체를 검출하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 이미지를 제 1 신경망에 입력하여 상기 이미지의 특징을 추출하는 동작; 및 상기 제 1 신경망을 통해 추출된 특징을 기초로 제 2 신경망 및 제 3 신경망을 적대적 학습시키는 동작을 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 객체를 검출하는 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 코어를 포함하는 프로세서; 상기 프로세서에서 실행가능한 프로그램 코드들을 포함하는 메모리; 및 네트워크부를 포함하고, 상기 프로세서는, 이미지를 제 1 신경망에 입력하여 상기 이미지의 특징을 추출하고, 상기 제 1 신경망을 통해 추출된 특징을 기초로 제 2 신경망 및 제 3 신경망을 적대적 학습시킬 수 있다.

본 개시의 일 실시예에 따라, 학습 과정에서 적어도 일부가 업데이트(update)되는 신경망의 파라미터에 대응하는 데이터 구조가 저장된 컴퓨터 판독가능한 기록 매체가 개시된다. 상기 신경망의 동작은 상기 파라미터에 적어도 부분적으로 기초하고, 상기 학습 과정은, 이미지를 제 1 신경망에 입력하여 상기 이미지의 특징을 추출하는 단계; 및 상기 제 1 신경망을 통해 추출된 특징을 기초로 제 2 신경망 및 제 3 신경망을 적대적 학습시키는 단계를 포함할 수 있다.

본 개시의 일 실시예에 따른 방법을 통해, 메타데이터를 이용하여 물체 탐지 모델을 학습시킴으로써, 학습된 모델을 이용하여 시간, 비용의 추가적인 투입 없이 도메인의 변화에 견고하게 객체를 검출할 수 있다.

도 1은 본 개시의 일 실시예에 따른 객체 검출을 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따른 딥러닝 모델의 객체 검출을 위한 기본적인 학습 과정을 나타낸 블록 구성도이다.
도 4는 따른 딥러닝 모델의 객체 검출을 위한 기본적인 학습 과정을 나타낸 순서도이다.
도 5는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 딥러닝 모델을 학습시키는 과정 중 느린 학습기(slow learner)를 나타낸 블록 구성도이다.
도 6은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 딥러닝 모델을 학습시키는 과정 중 느린 학습기를 나타낸 순서도이다.
도 7은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 딥러닝 모델을 학습시키는 과정 중 특징 리플레이(feature replay)를 나타낸 블록 구성도이다.
도 8은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 딥러닝 모델을 학습시키는 과정 중 특징 리플레이를 나타낸 순서도이다.
도 9는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 딥러닝 모델을 이용하여 객체를 검출하는 과정을 나타낸 블록 구성도이다.
도 10은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 딥러닝 모델을 이용하여 객체를 검출하는 과정을 나타낸 순서도이다.
도 11은 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 네트워크 함수와 인공 신경망 및 뉴럴 네트워크(neural network)는 상호 교환 가능하게 사용될 수 있다.

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.

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.

도 1은 본 개시의 일 실시예에 따른 객체 검출을 위한 컴퓨팅 장치의 블록 구성도이다.

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(120), 메모리(130), 네트워크부(110)를 포함할 수 있다.

프로세서(120)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(120)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(120)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(120)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(120)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.

본 개시의 일 실시예에 따르면, 프로세서(120)는 이미지로부터 특징을 추출하고, 추출한 특징을 기초로 객체를 검출하도록 딥러닝 모델을 학습시킬 수 있다. 프로세서(120)가 학습시키는 딥러닝 모델은 복수의 도메인-적대적 신경망(domain adversarial training of neural network, DANN) 기반의 모델들을 포함할 수 있다. 예를 들어, 딥러닝 모델에 포함된 복수의 도메인-적대적 신경망 기반의 모델들은 엔드-투-엔드(end-to-end)로 연결될 수 있다. 엔드-투-엔드로 연결되는 복수의 도메인-적대적 신경망 모델들은 교란 요소(nuisance factor)와 같은 메타 데이터를 기초로 도메인의 변화(domain variance)에 견고하게 객체를 검출하도록 학습될 수 있다. 또한, 프로세서(120)가 학습시키는 딥러닝 모델은 이미지로부터 추출된 특징을 저장할 수 있는 구성을 포함할 수 있다. 이러한 구성을 통해 적대적 학습과정에서, 특징을 도출해내는 절차를 반복하지 않을 수 있다. 즉, 딥러닝 모델은 이미지로부터 추출된 특징을 저장할 수 있는 구성을 포함함으로써 빠르게 학습(fast training)될 수 있다. 따라서, 프로세서(120)는 데이터 세트를 확보하기 위한 시간이나 비용의 투입 없이 이미지 자체에 포함되어 있는 메타데이터를 통해 성능이 향상된 딥러닝 모델을 이용하여 객체를 검출할 수 있다.

모델 자체의 추가 혹은 변경 없이 어떠한 태스크(task)든 수행할 수 있는 딥러닝 모델을 구축하기 위해, 프로세서(120)는 입력 이미지 데이터 세트를 기초로 학습된 딥러닝 모델의 가중치(weight)를 조정할 수 있다. 다시 말해서, 빠르게 학습할 수 있도록 하는 가중치를 설정하기 위해, 프로세서(120)는 입력 이미지 데이터 세트를 기초로 학습된 딥러닝 모델의 가중치를 최적화(optimization)할 수 있다. 도 2를 통해서 구체적으로 후술하겠지만, 딥러닝 모델의 가중치는 신경망을 구성하는 노드들의 연결 관계를 나타내는 값으로 이해될 수 있다. 예를 들어, 프로세서(120)는 서로 다른 이미지 데이터 세트를 이용하여 딥러닝 모델을 학습시키는 과정에서 도출되는 복수의 가중치들 중 적어도 일부를 기초로 가중치를 초기화(initialization) 할 수 있다. 즉, 프로세서(120)는 서로 다른 이미지 데이터 세트로 학습된 딥러닝 모델의 가중치를 어떤 도메인을 지닌 이미지가 입력되든지 간에 손실에 빠르게 수렴할 수 있도록 초기화할 수 있다. 프로세서(120)는 딥러닝 모델의 적대적 학습 과정에서 도출된 복수의 가중치들 중 적어도 일부를 이용하여, 객체 검출에 대한 손실을 최소로 하고, 교란 예측(nuisance prediction)에 대한 손실을 최대로 하는 가중치를 결정할 수 있다. 그리고 초기화를 통해 프로세서(120)는 도메인에 견고하게 객체를 검출하기 위한 딥러닝 모델의 가중치를 결정할 수 있다. 이와 같은 딥러닝 모델의 학습 및 가중치 조정은 추가적인 데이터 세트 획득이 어려워 검출하고자 하는 객체에 대한 라벨이 충분하지 않은 상황에서도 완전히 새롭게 주어진 데이터에 대해 딥러닝 모델이 잘 동작할 수 있도록 할 수 있다.

한편, 본 개시의 일 실시예에 따른 딥러닝 모델이 수신하는 이미지는 위성 이미지 또는 항공 이미지를 포함할 수 있다. 위성 이미지 또는 항공 이미지는 고도(altitude), 시야각(view angle), 날씨(weather), 영상 획득 시간, 태양 각도, 또는 센서 GSD(ground sample distance)중 적어도 일부를 포함하는, 여러 가지 교란 요소(nuisance factor)에 관한 정보인 메타데이터를 포함하는 것으로 이해될 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(120)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(110)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 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따른 네트워크부(110)는 임의의 형태의 공지된 유무선 통신 시스템을 사용할 수 있다.

네트워크부(110)는 이미지들을 외부 시스템으로부터 수신할 수 있다. 예를 들어, 네트워크부(110)는 지상 촬영 이미지들을 인공위성 시스템, 항공 시스템 등으로부터 수신할 수 있다. 지상 촬영 이미지들은 고도(altitude), 시야각(view angle), 날씨(weather), 영상 획득 시간, 태양 각도, 센서 GSD(ground sample distance)중 적어도 일부를 포함하는, 여러 가지 교란 요소(nuisance factor)에 관한 정보인 메타데이터를 포함하는 것으로 이해될 수 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.

또한, 네트워크부(110)는 프로세서(120)에 의해 처리된 정보, 데이터를 타 단말과의 통신을 통해 송수신할 수 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 이미지들을 수신하여 지상 촬영 이미지에 포함된 객체를 검출하고 검출 결과를 서버 혹은 사용자 단말로 제공할 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 따라 네트워크 함수를 나타낸 개략도이다.

본 개시의 일 실시예에 따른 딥러닝 모델은 객체를 검출하기 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.

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.

본 명세서에 걸쳐, 가중치 및 파라미터는 상호 교환 가능한 의미로 사용될 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 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.

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, 레귤러라이제이션(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 딥러닝 모델의 객체 검출을 위한 기본적인 학습 과정을 나타낸 블록 구성도이다.

도 3을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)의 프로세서(120)는 이미지 내에 존재하는 객체를 검출하기 위한 딥러닝 모델을 학습시킬 수 있다. 이 때, 딥러닝 모델은 이미지의 특징 추출을 위한 제 1 신경망(310), 제 1 신경망(310)을 통해 추출된 특징을 기초로 이미지 내 존재하는 객체를 검출하는 제 2 신경망(320) 및 제 1 신경망(310)과 제 2 신경망(320)의 학습 성능을 높이기 위한 제 3 신경망(330)을 포함할 수 있다. 즉, 프로세서(120)는 전술한 세 가지 신경망(310, 320, 330)을 포함하는 딥러닝 모델에 이미지를 입력하여 딥러닝 모델의 학습을 수행할 수 있다. 예를 들어 프로세서(120)는 이미지(30)를 제 1 신경망(310)에 입력하여 이미지의 특징을 추출할 수 있다. 프로세서(120)는 제 1 신경망(310)을 통해 추출된 특징(31)을 기초로 하여 제 2 신경망(320) 및 제 3 신경망(330)을 적대적 학습시킬 수 있다.

본 개시의 일 실시예로, 프로세서(120)가 제 1 신경망(310)에 입력하는 이미지(30)는 위성 이미지 또는 항공 이미지를 포함할 수 있다. 이 때 위성 이미지 또는 항공 이미지는 고도(altitude), 시야각(view angle), 날씨(weather), 영상 획득 시간, 태양 각도, 또는 센서 GSD(ground sample distance)중 적어도 일부를 포함하는, 여러 가지 교란 요소(nuisance factor)에 관한 정보인 메타데이터를 포함하는 것으로 이해될 수 있다.

이미지(30)의 특징을 추출하는 제 1 신경망(310)은 하나 이상의 컨볼루션 레이어를 포함할 수 있다. 예를 들어, 제 1 신경망(310)은 복수의 컨볼루션 레이어(conv1, conv2, conv3, conv4)를 포함할 수 있다.

적대적 학습과정에 있어서, 프로세서(120)는 제 1 신경망(310)을 통해 추출된 특징을 기초로 객체 검출을 위한 제 2 신경망(320) 및 교란 예측(nuisance prediction)을 위한 제 3 신경망(330)을 적대적 학습시킬 수 있다.

예를 들어, 제 2 신경망(320) 및 제 3 신경망(330)은 도메인-적대적 신경망(domain adversarial training of neural network, DANN) 기반의 모델을 포함할 수 있다. 도메인-적대적 신경망(DANN)은 도메인 적응(domain adaptation)에 효과적이다. 도메인 적응(Domain adaptation)이란 동일한 객체에 있어, 소스 이미지(source image)와 전혀 다른 도메인을 갖는 타겟 이미지(target image)를 분류할 때 두 도메인의 간격을 줄여주는 것을 의미한다. 즉, 특징을 추출하는 신경망 모델이 도메인의 특성을 지우고 분류(classification)를 위해서만 특징을 추출할 수 있도록 해야 한다. 구체적으로 살펴보면, 객체 분류를 위한 손실을 최소화 시키고 도메인 분류를 위한 손실을 최대화 시킴으로써 도메인의 간격을 줄일 수 있다. 즉, 제 2 신경망(320) 및 제 3 신경망(330)이 도메인-적대적 신경망 기반의 모델을 포함함으로써, 프로세서(120)가 제 2 신경망(320) 및 제 3 신경망(330)을 적대적 학습시키고, 제 1 신경망(310)이 도메인의 특성에 관계 없이 분류를 위해서만 특징을 추출할 수 있도록 할 수 있다. 따라서, 본 개시의 일 실시예에 따른 딥러닝 모델은 도메인 분류를 위한 특징인 교란 요소와 같은 메타 데이터를 기초로 도메인의 변화(domain variance)에 견고하게 객체를 검출하도록 학습될 수 있다.

본 개시의 일 실시예로, 제 1 신경망(310)을 통해 추출된 특징은 관심 영역 배열 레이어(ROI Align layer)를 통과한 후에 객체 검출을 위한 제 2 신경망(320)으로 입력될 수 있다. 제 1 신경망(310)을 통해 추출된 특징은 공간 피라미드 풀링 레이어(spatial pyramid pooling layer)를 통과한 후에 교란 예측을 위한 제 3 신경망(330)으로 입력될 수 있다.

프로세서(120)는 제 2 신경망(320)을 제 1 손실함수를 기반으로, 제 3 신경망(330)을 제 2 손실함수를 기반으로 적대적 학습시킬 수 있다.

본 개시의 일 실시예로, 제 1 손실함수 및 제 2 손실함수는 바운딩 박스 분류 손실(Bounding box classification loss) 또는 회귀 손실(regression loss)을 포함할 수 있다. 제 2 손실함수는 메타데이터1(32), 메타데이터2(32) 또는 메타데이터3(33) 중 적어도 하나를 고려하여 연산될 수 있다. 예를 들어, 메타데이터1(32)은 고도를, 메타데이터2(33)은 시야각을, 메타데이터3(33)은 날씨를 의미할 수 있다. 제 2 손실함수는 경사 반전 트릭(gradient reversal trick)을 이용하여 연산될 수 있다. 제 2 손실함수는 소프트맥스 벡터의 음의 엔트로피를 적대 손실(adversarial loss)에 포함할 수 있다. 전술한 메타데이터의 의미 및 손실함수는 하나의 예시일 뿐 당업자의 입장에서 본 개시는 이에 제한되지 않는다.

프로세서(120)는 제 1 신경망(310)을 통해 추출된 특징을 기초로, 객체 감지를 위한 제 2 신경망(320)이 제 1 손실함수를 최소화하도록 제 2 신경망(320)을 학습시킬 수 있다. 또한, 프로세서(120)는 제 1 신경망(310)을 통해 추출된 특징을 기초로, 교란 예측(nuisance prediction)을 위한 제 3 신경망(330)이 제 2 손실함수를 최대화하도록 제 3 신경망(330)을 학습시킬 수 있다. 이와 같은 적대적 학습 과정은 다음의 [수학식 1]과 같이 표현될 수 있다.

[수학식 1]

여기서,

는 제 1 신경망(310),

는 제 2 신경망(320),

은 제 3 신경망(330)을 의미하며,

는 제 1 손실함수,

는 제 2 손실함수를 나타낸다. 프로세서(120)는 [수학식 1]로 표현 가능한 적대적 학습을 통해 제 1 신경망(310), 제 2 신경망(320) 및 제 3 신경망(330)을 공동으로 학습시킴으로써 도메인에 견고한 객체 감지 관련 기능을 보존하는 최적의 변환을 찾도록 제 1 신경망(310)의 성능을 향상시킬 수 있다.

도 4는 본 개시의 일 실시예에 따른 딥러닝 모델의 물체 탐지를 위한 기본적인 학습 과정을 나타낸 순서도이다.

도 4를 참조하면, S410 단계에서, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 이미지를 제 1 신경망에 입력하여 이미지의 특징을 도출할 수 있다.

본 개시의 실시예로, 컴퓨팅 장치(100)가 제 1 신경망에 입력하는 이미지는 인공위성 시스템, 항공 시스템 등으로부터 수신한 지상 촬영 이미지들을 포함할 수 있다. 지상 촬영 이미지들은 고도, 시야각, 날씨, 영상 획득 시간, 태양 각도, 또는 센서 GSD중 적어도 일부를 포함하는, 여러 가지 교란 요소에 관한 정보인 메타데이터를 포함하는 것으로 이해될 수 있다.

S420 단계에서, 컴퓨팅 장치(100)는 제 1 신경망을 통해 도출된 특징을 기초로 제 2 신경망 및 제 3 신경망을 적대적으로 학습시킬 수 있다.

본 개시의 실시예로, 컴퓨팅 장치(100)는 적대적 학습 과정에서 제 1 신경망을 통해 도출된 특징을 기초로 물체 탐지를 위한 제 2 신경망 및 교란 예측을 위한 제 3 신경망을 적대적 학습시킬 수 있다.

본 개시의 일 실시예로, 제 1 신경망을 통해 추출된 특징은 관심 영역 배열 레이어를 통과한 후에 물체 탐지를 위한 제 2 신경망으로 입력될 수 있다. 제 1 신경망을 통해 도출된 특징은 공간 피라미드 풀링 레이어를 통과한 후에 교란 예측을 위한 제 3 신경망으로 입력될 수 있다.

컴퓨팅 장치(100)는 제 1 손실함수를 기반으로 제 2 신경망을, 그리고 제 2 손실함수를 기반으로 제 3 신경망을 적대적 학습시킬 수 있다.

본 개시의 일 실시예로, 제 1 손실함수 및 제 2 손실함수는 바운딩 박스 분류 손실 또는 회귀 손실을 포함할 수 있다. 제 2 손실함수는 메타데이터를 고려하여 연산될 수 있다. 예를 들어, 메타데이터는 고도, 시야각, 날씨 등과 같이 이미지 상에서 객체 탐지에 영향을 미치는 요소들을 포함할 수 있다. 제 2 손실함수는 경사 반전 트릭을 이용하여 연산될 수 있다. 제 2 손실함수는 소프트맥스 벡터의 음의 엔트로피를 적대 손실에 포함할 수 있다. 전술한 메타데이터의 의미 및 손실함수는 하나의 예시일 뿐, 당업자의 입장에서 본 개시는 이에 제한되지 않는다.

컴퓨팅 장치(100)는 제 1 신경망을 통해 도출된 특징을 기초로, 물체 탐지를 위한 제 2 신경망이 제 1 손실함수를 최소화하도록 제 2 신경망을 학습시킬 수 있다. 또한, 컴퓨팅 장치(100)는 제 1 신경망을 통해 도출된 특징을 기초로, 교란 예측을 위한 제 3 신경망이 제 2 손실함수를 최대화하도록 제 3 신경망을 학습시킬 수 있다.

S420 단계를 통해, 제 1 신경망, 제 2 신경망 및 제 3 신경망을 공동으로 학습시킴으로써 도메인에 견고한 물체 탐지 관련 기능을 보존하는 최적의 변환을 찾도록 제 1 신경망의 성능을 향상시킬 수 있다.

도 5는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 딥러닝 모델을 학습시키는 과정 중 느린 학습기(slow learner)를 나타낸 블록 구성도이다.

도 5를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)의 프로세서(120)는 제 1 신경망을 통해 추출된 특징(51)을 기초로 제 2 신경망 및 제 3 신경망(510)을 적대적 학습시키는데 있어, 제 3 신경망(510)의 제 2 파라미터(55)를 기초로 제 1 파라미터(59)를 업데이트 할 수 있다. 이 때 제 2 파라미터(55)는 제 1 파라미터(59) 대비 이전 시점에 복제된 것일 수 있다.

본 개시의 일 실시예로, 제 1 파라미터(59) 및 제 2 파라미터(55)는 메타데이터를 기초로 연산될 수 있다. 예를 들어, 제 2 파라미터(55)는 이전 시점에 복제된 메타데이터1(52), 메타데이터2(53), 메타데이터3(54)를 고려하여 연산될 수 있다. 예를 들어, 제 1 파라미터(59)는 메타데이터4(56), 메타데이터5(57), 메타데이터6(58)을 고려하여 연산될 수 있다.

프로세서(120)가 제 2 파라미터(55)를 기초로 제 1 파라미터(59)를 업데이트하는 과정은 제 1 파라미터(59)와 제 2 파라미터(55)를 가중합하여 연산하는 것을 포함할 수 있다.

본 개시의 일 실시예로, 제 1 파라미터(59)와 제 2 파라미터(55)를 가중합하여 연산하는 것은 지수 이동 평균(EMA) 방식을 이용하여 연산할 수 있다. [수학식 2]는 지수 이동 평균(EMA) 방식을 나타내며, 다음과 같이 표현될 수 있다.

[수학식 2]

여기서,

는 제 1 파라미터(59),

는 제 2 파라미터(55),

는 0과 1 사이의 붕괴율을 나타낸다.

프로세서(120)는 지수 이동 평균(EMA)을 채택하여 연산함으로써 제 3 신경망(510)이 평균값을 유지하며 동시에 새로운 데이터를 받도록 하여 딥러닝 모델을 천천히, 충분히 학습시킬 수 있다. 전술한 가중합 연산 방식은 예시일 뿐 본 개시는 이에 제한되지 않는다.

프로세서(120)는 제 2 파라미터(55)를 기초로 제 1 파라미터(59)를 업데이트하는 과정에서 제1 파라미터(59)의 생성까지 제 2 파라미터(55)의 업데이트를 중지(stop gradient)할 수 있다. 즉, 제 2 파라미터(55)는 제 1 파라미터(55)가 업데이트될 때까지 복제된 상태로 학습 중에 업데이트 되지 않을 수 있다. 이를 통해 현재 매겨 변수와 과거 매개 변수 사이에서 적절한 하이퍼 매개 변수를 찾는 노력을 줄일 수 있다.

도 6은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 딥러닝 모델을 학습시키는 과정 중 느린 학습기를 나타낸 순서도이다.

도 6을 참조하면, S610 단계에서, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 제 1 신경망을 통해 도출된 특징을 기초로 제 2 신경망 및 제 3 신경망을 적대적 학습시키는데 있어, 제 1 파라미터 대비 이전 시점에 제 2 파라미터를 복제할 수 있다. 제 1 파라미터 및 제 2 파라미터는 메타데이터를 기초로 연산될 수 있다.

S620 단계에서, 컴퓨팅 장치(100)는 제 1 파라미터 생성까지 제 2 파라미터의 업데이트를 중지할 수 있다. 제 2 파라미터는 제 1 파라미터가 업데이트될 때까지 복제된 상태 그대로 변화가 없음을 의미하고, 이를 통해 현재의 파라미터와 과거의 파라미터 사이에서 적절한 하이퍼 파라미터를 찾는 노력을 줄일 수 있다.

S630 단계에서, 컴퓨팅 장치(100)는 제 3 신경망의 제 2 파라미터를 기초로 제 1 파라미터를 업데이트 할 수 있다. 제 2 파라미터를 기초로 제 1 파라미터를 업데이트하는 과정은 제 1 파라미터와 제 2 파라미터를 가중합하여 연산하는 것을 포함할 수 있다.

본 개시의 일 실시예로, 제 1 파라미터와 제 2 파라미터를 가중합하여 연산하는 것은 지수 이동 평균 방식을 이용하여 연산할 수 있다. 컴퓨팅 장치(100)는 지수 이동 평균 방식을 채택하여 연산함으로써 과거의 정보를 천천히 잃어버리고 새로운 정보를 받아들일 수 있는 바, 딥러닝 모델을 천천히, 충분히 학습시켜서 세분화된 도메인(fine-grained domain) 적응에 효과적이도록 모델의 성능을 향상시킬 수 있다. 전술한 가중합 연산 방식은 예시일 뿐 본 개시는 이에 제한되지 않는다.

도 7은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 딥러닝 모델을 학습시키는 과정 중 특징 리플레이(feature replay)를 나타낸 블록 구성도이다.

도 7을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)의 프로세서(120)는 제 1 신경망(710)을 통해 추출된 특징(71)을 제 4 신경망(740)에 저장하고, 이를 이용하여 제 3 신경망(730)을 학습시킴으로써 백본 네트워크(back bone network)의 피드 포워드 프로세스(feed-forward process)의 중복을 방지하여 빠른 학습(fast training)을 가능하게 할 수 있다.

딥러닝 모델은 특징 리플레이를 위해 제 1 신경망(710)을 통해 추출된 특징을 저장하는 제 4 신경망(740)을 포함할 수 있다. 특징 리플레이는 딥러닝 모델의 빠른 학습을 위해 반복하여 특징을 추출하는 절차를 없애고, 제 4 신경망(740)을 통해 한번 추출한 특징을 재사용하는 것으로 이해될 수 있다. 특징 리플레이에 대한 구체적인 설명은 후술된다.

본 개시의 일 실시예로, 제 4 신경망(740)은 FIFO(First-in First-out)의 구조를 갖는 신경망을 포함할 수 있다. 제 4 신경망(740)은 풀링 대기열(pooling queue)을 포함할 수 있다. 풀링 대기열은 하기와 같이 설명될 수 있다. 예를 들어, 이미지(70) 10장 X1, X2, ···, X10이 있고, 제 4 신경망(740)의 크기가 6이고, 그리고 제 1 신경망(710)을 통과하여 추출된 특징(71) 을 f1, f2, ···, f10라고 가정한다. f1을 제 4 신경망(740)에 입력시키면 제 4 신경망(740)에 저장되어 있는 특징은 {f1}이다. 그 다음 f2를 제 4 신경망(740)에 입력시키면 제 4 신경망(740)에 저장되어 있는 특징은 {f2, f1}이다. 이와 같은 식으로 f6까지 입력시키면 제 4 신경망(740)에 저장되어 있는 특징은 {f6, f5, f4, f3, f2, f1}이다. 이 때 f7을 제 4 신경망(740)에 입력시키면 제 4 신경망(740)의 크기가 6이므로 제 4 신경망(740)에 저장되어 있는 특징은 {f7, f6, f5, f4, f3, f2}이 된다. 전술한 제 4 신경망의 구조는 예시일 뿐 당업자의 입장에서 본 개시는 이에 제한되지 않는다.

프로세서(120)는 제 1 신경망(710)을 통해 추출된 특징(71)을 기초로 제 2 신경망(720) 및 제 3 신경망(730)을 적대적 학습시키는데 있어, 제 4 신경망(740)에 저장된 특징 중 적어도 일부를 기반으로 제 3 신경망(730)을 학습시킬 수 있다. 즉, 프로세서(120)는 제 4 신경망(740)에 저장되어 있는 모든 특징을 배치 샘플링할 수 있다.

본 개시의 일 실시예로, 프로세서(120)는 제 2 신경망(720) 및 제 3 신경망(730)을 적대적 학습시키는데 있어, 제 4 신경망(740)에 저장된 특징 중 가장 최근에 추출된 특징의 적어도 일부를 기반으로 제 3 신경망(730)을 학습시킬 수 있다. 즉, 제 3 신경망(730)의 학습 시 제 4 신경망(740)에 저장된 특징 중 최상위 요소를 사용하므로 학습시간이 단축될 수 있다. 이를 통해 제 4 신경망(740)은 제 3 신경망(730)의 학습 시 제 4 신경망(740)에 저장된 특징의 일부(e.g. 배치 샘플링된 특징)를 사용하므로 학습 시간을 단축시킬 수 있으며, 같은 시간이 주어졌을 때 더 많은 학습 데이터를 수용할 수 있어 딥러닝 모델의 성능이 향상되는 효과가 발생한다.

프로세서(120)는 제 1 신경망(710)을 통해 추출된 특징(71)을 기초로 제 2 신경망(720) 및 제 3 신경망(730)을 적대적 학습시키는데 있어, 소정의 에폭마다 제 4 신경망(740)에 저장된 특징을 모두 이용하여 제 3 신경망(730)을 학습시킬 수 있다. 예를 들어, 소정의 에폭은 전체 학습 과정의 반복에 있어, 일정량의 반복 횟수를 의미할 수 있다. 다만, 특징의 일부를 통해서만 제 3 신경망(730)을 훈련시키면, 과거 정보의 망각이 발생할 뿐만 아니라 배치 샘플 과정에서 불균형이 발생할 수 있다. 따라서 훈련 중 딥러닝 모델의 성능이 저하되지 않도록 모니터링하여 소정의 에폭마다 제 4 신경망(740)에 저장된 특징을 모두 이용해서 학습 데이터의 손실 없이 제 3 신경망(730)을 학습시킬 수 있다.

도 8은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 딥러닝 모델을 학습시키는 과정 중 특징 리플레이를 나타낸 순서도이다.

도 8을 참조하면, S810단계에서, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 이미지를 제 1 신경망에 입력하여 이미지의 특징을 도출할 수 있다.

S820단계에 있어, 컴퓨팅 장치(100)는 제 1 신경망으로부터 도출된 특징을 제 4 신경망에 저장할 수 있다. 컴퓨팅 장치(100)는 제 1 신경망을 통해 도출된 특징을 제 4 신경망에 저장하고, 이를 이용하여 제 3 신경망을 학습시킴으로써 백본 네트워크의 피드 포워드 프로세스의 중복을 방지하여 빠른 학습을 가능하게 할 수 있다.

S830단계에 있어, 컴퓨팅 장치(100)는 제 4 신경망에 저장된 특징 중 가장 최근에 도출된 특징의 적어도 일부를 기반으로 제 3 신경망을 학습시킬 수 있다.

본 개시의 일 실시예로, 제 3 신경망의 학습 시 제 4 신경망에 저장된 특징 중 최상위 요소를 사용하므로 학습시간이 단축될 수 있다. 이를 통해 제 4 신경망은 제 3 신경망의 학습 시 제 4 신경망에 저장된 특징의 일부(e.g. 배치 샘플링된 특징)를 사용하므로 학습 시간을 크게 단축시킬 수 있어서 딥러닝 모델의 성능이 향상되는 효과가 발생한다. 즉, 컴퓨팅 장치(100)가 제 2 신경망 및 제 3 신경망을 적대적 학습하는 과정에 있어, 제 2 신경망 및 제 3 신경망을 통과시키기 위해 각각 특징을 도출하는데 제 4 신경망을 이용하여 연산의 중복성을 제거할 수 있다.

컴퓨팅 장치(100)는 제 1 신경망을 통해 도출된 특징을 기초로 제 2 신경망 및 제 3 신경망을 적대적 학습시키는데 있어, 소정의 에폭마다 제 4 신경망에 저장된 특징을 모두 이용하여 제 3 신경망을 학습시킬 수 있다. 즉, 컴퓨팅 장치(100)는 K- 반복마다 제 4 신경망의 모든 요소를 사용하여 제 3 신경망을 학습시킴으로써 학습 손실 없이 딥러닝 모델의 성능을 유지할 수 있다.

도 9는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 딥러닝 모델을 이용하여 객체를 검출하는 과정을 나타낸 블록 구성도이다.

도 9를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)의 프로세서(120)는 사전 학습된 제 1 신경망(920)을 사용하여 객체 감지를 위해 입력 이미지(90)에서 특징(91)을 추출할 수 있다. 프로세서(120)는 사전 학습된 제 2 신경망(920)을 사용하여 제 1 신경망(910)을 통해 추출된 특징(91)을 기초로 객체를 검출하는 방법을 수행할 수 있다.

본 개시의 일 실시예로, 프로세서(120)는 이미지(90)를 사전 학습된 제 1 신경망(910)에 입력하여 특징(91)을 추출한 뒤, 추출된 특징(91)을 기초로 사전 학습된 제 2 신경망(920)을 이용하여 객체 검출 작업을 수행할 수 있다. 객체가 검출된 이미지(92)는 객체를 지시하는 초록색 바운딩 박스를 포함할 수 있으며, 도메인에 견고하게 객체 검출을 수행하도록 사전 학습된 신경망들을 이용하기 때문에, 딥러닝 모델을 통한 객체 검출의 성능이 향상될 수 있다.

프로세서(120)는 제 1 신경망(910)을 제 2 신경망(920) 및 제 3 신경망(930) 간의 적대적 학습을 통해 도메인에 견고한 특징을 추출할 수 있도록 사전 학습시킬 수 있다. 구체적으로, 프로세서(120)는 제 1 신경망(910)을 객체 감지를 위한 제 2 신경망(920) 및 교란 예측을 위한 제 3 신경망(930) 간의 적대적 학습을 통해 도메인에 견고하게 객체의 특징을 추출할 수 있도록 사전 학습시킬 수 있다.

도 10은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 딥러닝 모델을 이용하여 물체를 탐지하는 과정을 나타낸 순서도이다.

도 10을 참조하면, S1010 단계에서, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 제 2 신경망 및 제 3 신경망 간의 적대적 학습을 통해 도메인에 견고하게 특징을 도출하도록 제 1 신경망을 사전 학습시킬 수 있다.

본 개시의 일실시예로, 컴퓨팅 장치(100)는 제 1 신경망을 물체 탐지를 위한 제 2 신경망 및 교란 예측을 위한 제 3 신경망 간의 적대적 학습을 통해 도메인에 견고한 특징을 도출할 수 있도록 사전 학습시킬 수 있다.

S1020단계에서, 컴퓨팅 장치(100)는 사전 학습된 제 1 신경망을 사용하여 물체 탐지를 위해 입력 이미지에서 특징을 도출할 수 있다.

S1030단계에서, 컴퓨팅 장치(100)는 사전 학습된 제 2 신경망을 사용하여 제 1 신경망을 통해 도출된 특징을 기초로 물체를 탐지하는 방법을 수행할 수 있다.

본 개시의 일 실시예로, 컴퓨팅 장치(100)는 이미지를 사전 학습된 제 1 신경망에 입력하여 특징을 도출한 뒤, 도출된 특징을 기초로 물체 탐지를 위해 사전 학습된 제 2 신경망을 이용하여 물체 탐지 작업을 수행할 수 있다. 물체가 검출된 이미지는 물체를 지시하는 초록색 바운딩 박스를 포함할 수 있으며, 도메인에 견고하게 물체 탐지를 수행하도록 사전 학습된 신경망들을 이용하기 때문에, 딥러닝 모델을 통한 물체 탐지의 성능이 향상될 수 있다.

도 11은 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.

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.

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, 매개 변수, 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.

100: 컴퓨팅 장치

Claims (16)

1. 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 객체 검출 방법으로서,
   이미지를 제 1 신경망에 입력하여 상기 이미지의 특징을 추출하는 단계;
   특징 리플레이를 위해 상기 제 1 신경망으로부터 추출된 특징을 FIFO(First-In First-Out)의 구조를 포함하는 제 4 신경망에 저장하는 단계; 및
   상기 제 1 신경망을 통해 추출된 특징을 기초로 제 2 신경망 및 제 3 신경망을 적대적 학습시키는 단계;
   를 포함하되,
   상기 제 2 신경망 및 제 3 신경망을 적대적 학습시키는 단계는,
   상기 제 4 신경망에 저장된 특징 중 가장 최근에 추출된 특징의 적어도 일부를 기반으로 상기 제 3 신경망을 학습시키는 단계;
   를 포함하는,
   방법.
   
   
2. 제 1 항에 있어서,
   상기 제 2 신경망 및 제 3 신경망을 적대적 학습시키는 단계는,
   상기 제 1 신경망을 통해 추출된 특징을 기초로, 객체 감지를 위한 상기 제 2 신경망이 제 1 손실함수를 최소화 하도록 상기 제 2 신경망을 학습시키는 단계;
   를 포함하는,
   방법.
   
3. 제 1 항에 있어서,
   상기 제 2 신경망 및 제 3 신경망을 적대적 학습시키는 단계는,
   상기 제 1 신경망을 통해 추출된 특징을 기초로, 교란 예측(nuisance prediction)을 위한 상기 제 3 신경망이 제 2 손실함수를 최대화 하도록 상기 제 3 신경망을 학습시키는 단계;
   를 포함하는,
   방법.
   
4. 제 3 항에 있어서,
   상기 제 2 손실함수는,
   위성 이미지의 도메인에 견고한 객체 감지를 위해 고도(altitude), 시야각(view angle), 또는 날씨(weather) 중 적어도 하나를 포함하는 메타데이터를 고려하여 연산되는 것인,
   방법.
   
5. 삭제
6. 삭제
7. 삭제
8. 제 1 항에 있어서,
   상기 제 2 신경망 및 제 3 신경망을 적대적 학습시키는 단계는,
   소정의 에폭(epoch)마다 상기 제 4 신경망에 저장된 특징을 모두 이용하여 제 3 신경망을 학습시키는 단계;
   를 포함하는,
   방법.
   
9. 제 4 항 또는 제 8 항에 있어서,
   상기 제 2 신경망 및 제 3 신경망을 적대적 학습시키는 단계는,
   상기 제 3 신경망의 제 2 파라미터를 기초로 제 1 파라미터를 업데이트하는 단계;
   를 포함하고,
   상기 제 2 파라미터는 상기 제 1 파라미터 대비 이전 시점에 복제된 것인,
   방법.
   
10. 제 9 항에 있어서,
    상기 제 2 파라미터를 기초로 상기 제 1 파라미터를 업데이트하는 단계는,
    상기 제 1 파라미터와 상기 제 2 파라미터를 가중합(weight sum)하여 상기 제 1 파라미터를 업데이트하는 단계;
    를 포함하는,
    방법.
    
11. 제 9 항에 있어서,
    상기 제 2 파라미터를 기초로 상기 제 1 파라미터를 업데이트하는 단계는,
    상기 제 1 파라미터의 생성까지 상기 제 2 파라미터의 업데이트를 중지하는 단계(stop gradient);
    를 포함하는,
    방법.
    
12. 제 10 항에 있어서,
    상기 제 1 파라미터와 상기 제 2 파라미터를 가중합하여 제 1 파라미터를 업데이트하는 단계는,
    상기 제 1 파라미터와 상기 제 2 파라미터를 기초로 지수 이동 평균(EMA) 방식으로 연산하는 단계;
    를 포함하는,
    방법.
    
13. 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 객체 검출 방법으로서,
    사전 학습된 제 1 신경망을 사용하여, 객체 감지를 위해 입력 이미지에서 특징을 추출하는 단계; 및
    사전 학습된 제 2 신경망을 사용하여, 상기 제 1 신경망을 통해 추출된 특징을 기초로 객체를 검출하는 단계;
    를 포함하되,
    상기 제 1 신경망은,
    상기 제 2 신경망 및 교란 예측(nuisance prediction)을 위한 제 3 신경망 간의 적대적 학습을 통해 도메인에 견고한 특징을 추출하도록 사전 학습되고,
    상기 제 1 신경망, 상기 제 2 신경망 및 상기 제 3 신경망의 학습 과정에서, 특징 리플레이를 위해 상기 제 1 신경망으로부터 추출된 특징은 FIFO(First-In First-Out)의 구조를 포함하는 제 4 신경망에 저장되고,
    상기 제 4 신경망에 저장된 특징 중 가장 최근에 추출된 특징의 적어도 일부를 기반으로 상기 제 3 신경망이 학습되는,
    방법.
    
14. 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 객체 검출을 수행하는 동작들을 수행하도록 하며, 상기 동작들은:
    이미지를 제 1 신경망에 입력하여 상기 이미지의 특징을 추출하는 동작;
    특징 리플레이를 위해 상기 제 1 신경망으로부터 추출된 특징을 FIFO(First-In First-Out)의 구조를 포함하는 제 4 신경망에 저장하는 동작; 및
    상기 제 1 신경망을 통해 추출된 특징을 기초로 제 2 신경망 및 제 3 신경망을 적대적 학습시키는 동작;
    을 포함하되,
    상기 제 2 신경망 및 제3 신경망을 적대적 학습시키는 동작은,
    상기 제 4 신경망에 저장된 특징 중 가장 최근에 추출된 특징의 적어도 일부를 기반으로 상기 제 3 신경망을 학습시키는 동작
    을 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
    
15. 딥러닝을 기반으로 객체 검출을 수행하는 컴퓨팅 장치로서,
    적어도 하나의 코어를 포함하는 프로세서;
    상기 프로세서에서 실행 가능한 프로그램 코드들을 포함하는 메모리; 및
    이미지를 수신하는 네트워크부;
    를 포함하고,
    상기 프로세서는,
    이미지를 제 1 신경망에 입력하여 상기 이미지의 특징을 추출하고,
    특징 리플레이를 위해 상기 제 1 신경망으로부터 추출된 특징을 FIFO(First-In First-Out)의 구조를 포함하는 제 4 신경망에 저장하며,
    상기 제 1 신경망을 통해 추출된 특징을 기초로 제 2 신경망 및 제 3 신경망을 적대적 학습시키되,
    상기 제 4 신경망에 저장된 특징 중 가장 최근에 추출된 특징의 적어도 일부를 기반으로 상기 제 3 신경망이 학습되는,
    장치.
    
16. 학습 과정에서 적어도 일부가 업데이트 되는 신경망의 파라미터에 대응하는 데이터 구조가 저장된 컴퓨터 판독가능한 기록 매체로서, 상기 신경망의 동작은 상기 파라미터에 적어도 부분적으로 기초하고, 상기 학습 과정은,
    이미지를 제 1 신경망에 입력하여 상기 이미지의 특징을 추출하는 단계;
    특징 리플레이를 위해 상기 제 1 신경망으로부터 추출된 특징을 FIFO(First-In First-Out)의 구조를 포함하는 제 4 신경망에 저장하는 단계; 및
    상기 제 1 신경망을 통해 추출된 특징을 기초로 제 2 신경망 및 제 3 신경망을 적대적 학습시키는 단계;
    를 포함하되,
    상기 제 2 신경망 및 제 3 신경망을 적대적 학습시키는 단계는,
    상기 제 4 신경망에 저장된 특징 중 가장 최근에 추출된 특징의 적어도 일부를 기반으로 상기 제 3 신경망을 학습시키는 단계
    를 포함하는,
    데이터 구조가 저장된 컴퓨터 판독가능한 기록 매체.

Images