KR102401626B1 - 이미지 기반 상품검색 방법 및 그 시스템 - Google Patents

이미지 기반 상품검색 방법 및 그 시스템 Download PDF

Info

Publication number
KR102401626B1
KR102401626B1 KR1020200107961A KR20200107961A KR102401626B1 KR 102401626 B1 KR102401626 B1 KR 102401626B1 KR 1020200107961 A KR1020200107961 A KR 1020200107961A KR 20200107961 A KR20200107961 A KR 20200107961A KR 102401626 B1 KR102401626 B1 KR 102401626B1
Authority
KR
South Korea
Prior art keywords
image
product
search
product search
representative
Prior art date
Application number
KR1020200107961A
Other languages
English (en)
Other versions
KR20220026880A (ko
Inventor
김현기
박근한
Original Assignee
엔에이치엔 주식회사
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 엔에이치엔 주식회사 filed Critical 엔에이치엔 주식회사
Priority to KR1020200107961A priority Critical patent/KR102401626B1/ko
Publication of KR20220026880A publication Critical patent/KR20220026880A/ko
Application granted granted Critical
Publication of KR102401626B1 publication Critical patent/KR102401626B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0623—Item investigation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • G06K9/6255—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0641—Shopping interfaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/12—Bounding box

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명의 실시예에 따른 이미지 기반 상품검색 방법 및 그 시스템은, 컴퓨팅 디바이스에 의하여 실행되는 상품검색 어플리케이션이 이미지 딥러닝에 기반한 상품검색을 수행하는 방법으로서, 검색하고자 하는 상품을 촬영한 영상인 입력 이미지를 획득하는 단계; 상기 입력 이미지를 오브젝트 디텍션 딥러닝 뉴럴 네트워크에 입력하여 상기 입력 이미지 내 복수의 오브젝트를 검출하는 단계; 상기 복수의 오브젝트 중 상품검색 대상인 오브젝트를 대표상품으로 결정하는 단계; 상기 결정된 대표상품의 이미지를 기초로 이미지 딥러닝에 기반한 유사상품을 검색하는 상품검색을 수행하는 단계; 및 상기 수행된 상품검색에서 검색된 유사상품을 제공하는 단계를 포함한다.

Description

이미지 기반 상품검색 방법 및 그 시스템{METHOD AND SYSTEM FOR IMAGE-BASED PRODUCT SEARCH}
본 발명은 이미지 기반 상품검색 방법 및 그 시스템에 관한 것이다. 보다 상세하게는, 이미지를 기반으로 상품을 검색할 시 해당 이미지 내 대표상품을 선정하여 상품검색을 수행하는 방법 및 그 시스템에 관한 것이다.
온라인 쇼핑몰(Online shopping mall)이란, 인터넷과 같은 네트워크를 통하여 온라인 상에서 상품을 구매하고 판매할 수 있는 장소를 의미한다.
최근에는, 정보통신기술이 급격히 발전함에 따라서 위와 같은 온라인 쇼핑몰의 개체 수가 폭발적으로 증가하였으며, 이에 대한 사용자의 니즈(needs) 또한 다각화되고 있다.
특히, 다수의 온라인 쇼핑몰로부터 개인이 감당하기에 벅찰 정도로 방대한 양의 상품이 제공되고 있어, 이에 대한 효과적인 상품검색 기술이 요구되고 있다.
또한, 인터넷 웹 상에서 상품을 검색할 시 상품의 기본적인 정보에 기반한 텍스트나 음성으로 검색을 수행해야 하는 불편함이 존재하고, 이러한 경우 상품을 인터넷 웹 상에서 검색하려면 상품명이나 최소한의 기본적인 상품정보를 알아야 한다는 한계가 있다.
이러한 문제를 해결하기 위하여, 종래에는 소정의 이미지를 기반으로 상품을 검색할 수 있는 기술이 도입되어 왔다.
예를 들면, 검색하고자 하는 상품을 포함하는 이미지를 딥러닝을 통해 인식하여, 해당 이미지 내 상품과 대응되는 상품을 온라인 쇼핑몰로부터 검출해 제공하는 서비스가 있다.
그러나, 기존의 이미지 기반 상품검색 기술의 경우, 상품검색에 이용되는 이미지를 단순히 인식하여 그에 대응되는 상품을 제공하는 수준에 머물러 있어, 해당하는 이미지가 검색하고자 하는 상품의 형상을 온전하게 표시하지 못할 경우 상품 검색의 정확도와 품질이 보장될 수 없다는 문제가 있다.
또한, 기존의 이미지 기반 상품검색 시에는, 해당 이미지 내에 복수의 오브젝트(상품)가 존재하는 경우, 사용자가 해당 이미지를 통해 검색하고자 하는 메인상품을 선택해주어야 하는 등의 추가적인 액션이 요구되는 불편함이 있다.
그리하여 종래의 본 기술분야에서는, 이러한 불편함을 해소하기 위해 이미지 내 메인상품을 자동으로 결정하고, 결정된 메인상품을 토대로 상품검색의 결과를 제공하고자 하나, 이를 수행할 수 있는 명확한 기준이 미흡하여 이미지 기반 상품검색 시 일관된 검색 결과를 제공하기 어렵다는 문제가 있다.
KR 10-1852598 B1
본 발명은, 이미지를 기반으로 상품을 검색할 시, 해당 이미지 내 대표상품을 선정하여 상품검색을 수행하는 이미지 기반 상품검색 방법 및 그 시스템을 제공하는데 그 목적이 있다.
자세히, 본 발명은, 이미지 내 적어도 하나 이상의 오브젝트(상품)가 존재하는 경우, 해당 오브젝트 중에서 검색하고자 하는 상품인 대표상품을 선정하고, 선정된 대표상품에 대한 이미지에 기초하여 상품검색을 수행하는 이미지 기반 상품검색 방법 및 그 시스템을 제공하고자 한다.
또한, 본 발명은, 대표상품에 대한 이미지를 기초로 상품검색을 수행하여, 해당하는 대표상품에 대응되는 유사상품을 검출해 제공하는 이미지 기반 상품검색 방법 및 그 시스템을 구현하고자 한다.
다만, 본 발명 및 본 발명의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
본 발명의 실시예에 따른 이미지 기반 상품검색 방법 및 그 시스템은, 컴퓨팅 디바이스에 의하여 실행되는 상품검색 어플리케이션이 이미지 딥러닝에 기반한 상품검색을 수행하는 방법으로서, 검색하고자 하는 상품을 촬영한 영상인 입력 이미지를 획득하는 단계; 상기 입력 이미지를 오브젝트 디텍션 딥러닝 뉴럴 네트워크에 입력하여 상기 입력 이미지 내 복수의 오브젝트를 검출하는 단계; 상기 복수의 오브젝트 중 상품검색 대상인 오브젝트를 대표상품으로 결정하는 단계; 상기 결정된 대표상품의 이미지를 기초로 이미지 딥러닝에 기반한 유사상품을 검색하는 상품검색을 수행하는 단계; 및 상기 수행된 상품검색에서 검색된 유사상품을 제공하는 단계를 포함한다.
이때, 상기 입력 이미지 내 복수의 오브젝트를 검출하는 단계는, 상기 입력 이미지 내 검출된 복수의 오브젝트를 각각 기준하여 설정된 소정의 영역에 대한 경계를 나타내는 바운딩 박스를 생성하는 단계와, 상기 바운딩 박스 별 이미지를 상품 이미지로 결정하는 단계를 포함한다.
또한, 상기 복수의 오브젝트 중 상품검색 대상인 오브젝트를 대표상품으로 결정하는 단계는, 상기 복수의 오브젝트 및 상기 복수의 오브젝트의 상품 이미지를 기초로 소정의 파라미터를 산출하는 단계와, 상기 산출된 소정의 파라미터를 기준으로 상기 입력 이미지 내 복수의 오브젝트 중 검색하고자 하는 상품인 대표상품 오브젝트를 검출하는 단계를 포함한다.
또한, 상기 파라미터는, 넓이 파라미터, 신뢰도 점수(confidence score) 파라미터, 포커싱 점수(focusing score) 파라미터 및 통합 파라미터 중 적어도 둘 이상을 포함한다.
또한, 상기 대표상품 오브젝트를 검출하는 단계는, 상기 넓이 파라미터에 기초하여 상기 대표상품 오브젝트를 검출하는 단계를 포함하고, 상기 넓이 파라미터는, 상기 입력 이미지 내 오브젝트가 차지하는 영역의 넓이를 나타내는 요소이다.
또한, 상기 넓이 파라미터에 기초하여 상기 대표상품 오브젝트를 검출하는 단계는, 크기 보정상수에 기반하여 상기 넓이 파라미터를 획득하는 단계를 포함하고, 상기 크기 보정상수는, 상기 입력 이미지 내 오브젝트의 제품군에 따라서 상기 오브젝트의 넓이를 보정하는 상수 값이다.
또한, 상기 대표상품 오브젝트를 검출하는 단계는, 상기 신뢰도 점수 파라미터에 기초하여 상기 대표상품 오브젝트를 검출하는 단계를 포함하고, 상기 신뢰도 점수 파라미터는, 상기 딥러닝을 기초로 획득된 상기 입력 이미지 내 복수의 오브젝트 각각이, 상기 각 오브젝트에 매칭되는 제품군으로 분류될 확률을 나타내는 요소이다.
또한, 상기 상품검색을 수행하는 단계는, 상기 대표상품의 이미지 내에 상기 상품검색을 방해하는 오브젝트인 장애물이 포함된 경우, 상기 대표상품의 이미지로부터 상기 장애물을 제거한 이미지인 복구 이미지를 생성하는 단계를 포함한다.
또한, 상기 상품검색을 수행하는 단계는, 상기 생성된 복구 이미지에 기초한 딥러닝을 수행하여 상기 상품검색을 수행하는 단계를 포함한다.
또한, 본 발명의 실시예에 따른 이미지 기반 상품검색 방법 및 그 시스템은, 상기 입력 이미지 내 상기 대표상품의 이미지 외의 타 상품 이미지에 기반한 상품검색을 수행하는 단계와, 상기 타 상품 이미지에 기반한 상품검색을 기초로 검출된 유사상품을 제공하는 단계를 더 포함한다.
본 발명의 실시예에 따른 이미지 기반 상품검색 방법 및 그 시스템은, 이미지를 기반으로 상품을 검색할 시 해당 이미지 내 대표상품을 선정하여 상품검색을 수행함으로써, 이미지 내에 복수의 오브젝트(상품)가 존재하는 경우, 해당 이미지를 통해 검색하고자 하는 상품을 자동으로 선정할 수 있고, 이를 통해 이미지 기반 상품검색 시 일관된 검색 결과를 제공할 수 있는 효과가 있다.
또한, 본 발명의 실시예에 따른 이미지 기반 상품검색 방법 및 그 시스템은, 이미지 내 적어도 하나 이상의 오브젝트가 존재하면, 해당 오브젝트 중에서 검색하고자 하는 상품인 대표상품을 선정하고, 선정된 대표상품에 대한 이미지에 기초하여 상품검색을 수행함으로써, 해당 이미지 내에 복수의 오브젝트가 존재하더라도 사용자가 해당 이미지를 통해 검색하려는 상품을 선택해주어야 하는 등의 추가적인 액션을 최소화할 수 있는 효과가 있다.
또한, 본 발명의 실시예에 따른 이미지 기반 상품검색 방법 및 그 시스템은, 자동으로 선정된 대표상품에 대한 이미지를 기초로 상품검색을 수행하여 대응되는 유사상품을 검출해 제공함으로써, 이미지를 입력하는 동작만으로도 검색하고자 하는 상품에 대한 유사상품을 획득할 수 있고, 이를 통해 이미지 기반 상품검색에 소요되는 비용(예를 들면, 입력 이미지 내 복수의 오브젝트 중 검색하고자 하는 상품을 선택하는데 소비되는 비용 및/또는 시간 등)을 최소화할 수 있다.
또한, 본 발명의 실시예에 따른 이미지 기반 상품검색 방법 및 그 시스템은, 다각도로 설정된 기준(파라미터)을 기반으로 이미지에 대한 대표상품을 선정함으로써, 명확하고 객관적인 데이터에 기초하여 이미지로부터 검색하고자 하는 상품을 결정할 수 있는 효과가 있다.
또한, 본 발명의 실시예에 따른 이미지 기반 상품검색 방법 및 그 시스템은, 이미지에 상품검색 시 장애가 되는 요소가 존재하는 경우 해당 장애물을 제거한 뒤 복원된 이미지를 기초로 이미지에 기반한 상품검색을 수행함으로써, 이미지에 기반한 상품검색 서비스의 정확도 및 품질을 향상시킬 수 있는 효과가 있다.
또한, 본 발명의 실시예에 따른 이미지 기반 상품검색 방법 및 그 시스템은, 이미지로부터 자동으로 선정된 대표상품에 대한 유사상품을 제공하는 것 외에, 해당 이미지 내 타 오브젝트(상품)에 대한 유사상품을 제공 가능함으로써, 이미지 기반의 상품검색 서비스의 사용성을 향상시킬 수 있고, 이를 통해 사용자 만족도와 서비스 경쟁력을 증대시킬 수 있다.
다만, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 명확하게 이해될 수 있다.
도 1은 본 발명의 실시예에 따른 이미지 기반 상품검색 시스템의 개념도이다.
도 2는 본 발명의 실시예에 따른 모바일 타입 컴퓨팅 디바이스의 내부 블록도이다.
도 3은 본 발명의 실시예에 따른 데스크탑 타입 컴퓨팅 디바이스의 내부 블록도이다.
도 4는 본 발명의 실시예에 따른 상품검색 서버의 내부 블록도이다.
도 5는 본 발명의 실시예에 따른 이미지 기반 상품검색 방법을 설명하기 위한 흐름도이다.
도 6은 본 발명의 실시예에 따른 입력 이미지로부터 상품 이미지를 검출하는 모습의 일례이다.
도 7은 본 발명의 실시예에 따른 넓이 파라미터를 기반으로 대표상품 오브젝트를 검출하는 방법을 설명하기 위한 도면의 일례이다.
도 8은 본 발명의 실시예에 따른 크기 보정상수를 적용하여 넓이 파라미터를 획득하는 과정을 설명하기 위한 도면의 일례이다.
도 9는 본 발명의 실시예에 따른 신뢰도 점수 파라미터에 기반하여 대표상품 오브젝트를 검출하는 방법을 설명하기 위한 도면의 일례이다.
도 10은 본 발명의 실시예에 따른 포커싱 점수 파라미터에 기초하여 대표상품 오브젝트를 검출하는 방법을 설명하기 위한 도면의 일례이다.
도 11은 본 발명의 실시예에 따른 복구 이미지를 획득하는 방법을 설명하기 위한 도면의 일례이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다. 이하의 실시예에서, 제1, 제2 등의 용어는 한정적인 의미가 아니라 하나의 구성 요소를 다른 구성 요소와 구별하는 목적으로 사용되었다. 또한, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다. 또한, 도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타내었으므로, 본 발명이 반드시 도시된 바에 한정되지 않는다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 본 발명의 실시예에 따른 이미지 기반 상품검색 시스템의 개념도이다.
도 1을 참조하면, 본 발명의 실시예에 따른 이미지 기반 상품검색 시스템은, 컴퓨팅 디바이스(100), 상품검색 서버(400) 및 쇼핑몰 서버(500)를 포함할 수 있다.
실시예에서, 컴퓨팅 디바이스(100), 상품검색 서버(400) 및 쇼핑몰 서버(500)는, 상품검색 서버(400)에서 제공하는 상품검색 어플리케이션(이하, 검색 어플리케이션)의 구동을 통해 상호 연동하여, 이미지를 기반으로 상품을 검색할 시 해당 이미지 내 대표상품을 선정하여 상품검색을 수행하는 이미지 기반 상품검색 서비스(이하, 상품검색 서비스)를 제공할 수 있다.
자세히, 실시예에서 컴퓨팅 디바이스(100)는, 상품검색 서버(400) 또는 어플리케이션 제공서버로부터 검색 어플리케이션을 다운받아 설치할 수 있으며, 검색 어플리케이션의 구동을 통해 상품검색 서비스를 제공할 수 있다.
이때, 실시예에서 검색 어플리케이션은, 온라인 쇼핑몰에서 상품검색과 관련된 키워드 기반 검색 서비스, 카테고리 기반 검색 서비스 및/또는 이미지 기반 검색 서비스 등을 포함한 종합적인 온라인 상품검색 플랫폼을 제공할 수 있는 어플리케이션일 수 있다.
이하의 실시예에서는, 검색 어플리케이션이 이미지로부터 검색하고자 하는 상품인 대표상품을 선정하고, 선정된 대표상품에 대한 이미지에 기초하여 온라인 쇼핑몰에서의 상품검색을 수행하는 과정에 기준하여 설명한다.
자세히, 실시예에서 검색 어플리케이션은, 검색하고자 하는 상품을 촬영한 영상인 입력 이미지를 획득할 수 있다.
그리고 검색 어플리케이션은, 획득된 입력 이미지로부터 적어도 하나 이상의 상품 이미지를 검출할 수 있다.
여기서, 실시예에 따른 상품 이미지란, 입력 이미지가 포함하는 적어도 하나 이상의 오브젝트 각각에 기준하여 설정된 소정의 영역을 나타내는 이미지일 수 있다.
또한, 실시예에서 검색 어플리케이션은, 입력 이미지로부터 복수의 상품 이미지가 검출되면, 검출된 복수의 상품 이미지 중에서 대표상품 이미지를 선정할 수 있다.
이때, 검색 어플리케이션은, 다각도로 설정된 기준(파라미터)에 기반하여 복수의 상품 이미지 중 대표상품 이미지를 결정할 수 있다.
또한, 실시예에서 검색 어플리케이션은, 선정된 대표상품 이미지에 기반하여 딥러닝을 이용한 상품검색을 수행할 수 있다.
또한, 검색 어플리케이션은, 위와 같은 상품검색을 통하여 해당하는 대표상품과 대응되는 유사상품을 검출할 수 있고, 검출된 유사상품을 사용자에게 제공할 수 있다.
또한, 실시예에 따라서 검색 어플리케이션은, 입력 이미지로부터 자동으로 선정된 대표상품 뿐만 아니라, 입력 이미지 내 타 상품에 대한 상품검색을 수행하여 그에 대한 유사상품을 제공할 수도 있다.
한편, 도 1의 컴퓨팅 디바이스(100), 상품검색 서버(400) 및 쇼핑몰 서버(500)는, 네트워크를 기반으로 연결될 수 있다.
여기서, 네트워크는, 컴퓨팅 디바이스(100), 상품검색 서버(400) 및 쇼핑몰 서버(500) 등과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크의 일 예에는 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.
- 컴퓨팅 디바이스(100: Computing Device)
본 발명의 실시예에서 컴퓨팅 디바이스(100)는, 상품검색 서비스를 이용하기 위한 환경을 제공하며, 이러한 상품검색 서비스 환경 내에서 온라인 쇼핑몰의 상품검색에 사용되는 이미지 내 대표상품을 선정하고, 선정된 대표상품에 대한 이미지에 기초하여 딥러닝을 이용한 상품검색을 수행할 수 있는 검색 어플리케이션을 실행할 수 있다.
실시예에서, 이와 같은 컴퓨팅 디바이스(100)는, 검색 어플리케이션이 설치된 다양한 타입(예컨대, 모바일 타입 또는 데스크탑 타입)의 컴퓨팅 디바이스(100)를 포함할 수 있다.
1. 모바일 타입 컴퓨팅 디바이스(200: Mobile type computing device)
본 발명의 실시예에서 모바일 타입 컴퓨팅 디바이스(200)는, 검색 어플리케이션이 설치된 스마트 폰이나 테블릿 PC와 같은 모바일 장치일 수 있다.
예를 들어, 모바일 타입 컴퓨팅 디바이스(200)는, 스마트 폰(smart phone), 휴대폰, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 태블릿 PC(tablet PC) 등이 포함될 수 있다.
도 2는 본 발명의 실시예에 따른 모바일 타입 컴퓨팅 디바이스(200)의 내부 블록도이다.
도 2를 참조하면, 예시적인 구현에 따른 모바일 타입 컴퓨팅 디바이스(200)는, 메모리(210), 프로세서 어셈블리(220), 통신 모듈(230), 인터페이스 모듈(240), 입력 시스템(250), 센서 시스템(260) 및 디스플레이 시스템(270)을 포함할 수 있다. 이러한 구성요소들은 모바일 타입 컴퓨팅 디바이스(200)의 하우징 내에 포함되도록 구성될 수 있다.
자세히, 메모리(210)에는, 검색 어플리케이션(211)이 저장되며, 검색 어플리케이션(211)에는 상품검색 서비스를 구현할 수 있는 환경을 제공하기 위한 각종 응용 프로그램, 데이터 및 명령어 중 어느 하나 이상을 저장할 수 있다.
예를 들면, 메모리(210)는, 입력 이미지, 상품 이미지, 대표상품 이미지, 크기 보정상수 정보, 대표상품 이미지 선정을 위한 파라미터 정보, 유사상품 관련 정보, 장애물 이미지, 손실 이미지 및/또는 복구 이미지 등을 포함할 수 있다.
즉, 메모리(210)는 상품검색 서비스 환경을 생성하기 위해 사용될 수 있는 명령 및 데이터를 저장할 수 있다.
또한, 메모리(210)는, 적어도 하나 이상의 비일시적 컴퓨터 판독 가능 저장매체와, 일시적 컴퓨터 판독 가능 저장매체를 포함할 수 있다. 예를 들어, 메모리(210)는, ROM, EPROM, 플래시 드라이브, 하드 드라이브 등과 같은 다양한 저장기기일 수 있고, 인터넷(internet)상에서 상기 메모리(210)의 저장 기능을 수행하는 웹 스토리지(web storage)를 포함할 수 있다.
프로세서 어셈블리(220)는, 상품검색 서비스 환경을 구현하기 위한 다양한 작업을 수행하기 위해, 메모리(210)에 저장된 검색 어플리케이션(211)의 명령들을 실행할 수 있는 적어도 하나 이상의 프로세서를 포함할 수 있다.
실시예에서 프로세서 어셈블리(220)는, 상품검색 서비스를 제공하기 위하여 메모리(210)의 검색 어플리케이션(211)을 통해 구성요소의 전반적인 동작을 컨트롤할 수 있다.
이러한 프로세서 어셈블리(220)는, 중앙처리장치(CPU) 및/또는 그래픽 프로세서 장치(GPU)를 포함할 수 있다. 또한, 프로세서 어셈블리(220)는, ASICs (application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세스(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 포함하여 구현될 수 있다.
통신 모듈(230)은, 다른 컴퓨팅 장치(예컨대, 상품검색 서버(400))와 통신하기 위한 하나 이상의 장치를 포함할 수 있다. 이러한 통신 모듈(230)은, 무선 네트워크를 통해 통신할 수 있다.
자세히, 통신 모듈(230)은, 상품검색 서비스 환경을 구현하기 위한 컨텐츠 소스를 저장한 컴퓨팅 장치와 통신할 수 있으며, 사용자 입력을 받은 컨트롤러와 같은 다양한 사용자 입력 컴포넌트와 통신할 수 있다.
실시예에서 통신 모듈(230)은, 상품검색 서비스와 관련된 각종 데이터를 상품검색 서버(400) 및/또는 다른 컴퓨팅 디바이스(100)와 송수신할 수 있다.
이러한 통신 모듈(230)은, 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced),5G NR(New Radio), WIFI) 또는 근거리 통신방식 등을 수행할 수 있는 통신장치를 통해 구축된 이동 통신망 상에서 기지국, 외부의 단말, 임의의 서버 중 적어도 하나와 무선으로 데이터를 송수신할 수 있다.
센서 시스템(260)은, 이미지 센서(261), 위치 센서(IMU, 263), 오디오 센서, 거리 센서, 근접 센서, 접촉 센서 등 다양한 센서를 포함할 수 있다.
이미지 센서(261)는, 모바일 타입 컴퓨팅 디바이스(200) 주위의 물리적 공간에 대한 이미지 및/또는 영상을 캡처할 수 있다.
실시예에서 이미지 센서(261)는, 상품검색 서비스에 관련된 영상(실시예로, 입력 이미지 등)을 촬영하여 획득할 수 있다.
또한, 이미지 센서(261)는, 모바일 타입 컴퓨팅 디바이스(200)의 전면 또는/및 후면에 배치되어 배치된 방향측을 촬영하여 영상을 획득할 수 있으며, 모바일 타입 컴퓨팅 디바이스(200)의 외부를 향해 배치된 카메라를 통해 물리적 공간을 촬영할 수 있다.
이러한 이미지 센서(261)는, 이미지 센서장치와 영상 처리 모듈을 포함할 수 있다. 자세히, 이미지 센서(261)는, 이미지 센서장치(예를 들면, CMOS 또는 CCD)에 의해 얻어지는 정지영상 또는 동영상을 처리할 수 있다.
또한, 이미지 센서(261)는, 영상 처리 모듈을 이용하여 이미지 센서장치를 통해 획득된 정지영상 또는 동영상을 가공해 필요한 정보를 추출하고, 추출된 정보를 프로세서에 전달할 수 있다.
이러한 이미지 센서(261)는, 적어도 하나 이상의 카메라를 포함하는 카메라 어셈블리일 수 있다. 카메라 어셈블리는, 가시광선 대역을 촬영하는 일반 카메라를 포함할 수 있으며, 적외선 카메라, 스테레오 카메라 등의 특수 카메라를 더 포함할 수 있다.
IMU(263)는 모바일 타입 컴퓨팅 디바이스(200)의 움직임 및 가속도 중 적어도 하나 이상을 감지할 수 있다. 예를 들어, 가속도계, 자이로스코프, 자력계와 같은 다양한 위치 센서의 조합으로 이루어 질 수 있다. 또한, 통신 모듈(230)의 GPS와 같은 위치 통신 모듈(230)과 연동하여, 모바일 타입 컴퓨팅 디바이스(200) 주변의 물리적 공간에 대한 공간 정보를 인식할 수 있다.
또한, IMU(263)는, 검출된 위치 및 방향을 기초로 사용자의 시선 방향 및 머리 움직임을 검출 및 추적하는 정보를 검출할 수 있다.
또한, 일부 구현들에서, 검색 어플리케이션(211)은 이러한 IMU(263) 및 이미지 센서(261)를 사용하여 물리적 공간 내의 사용자의 위치 및 방향을 결정하거나 물리적 공간 내의 특징 또는 객체를 인식할 수 있다.
오디오 센서(265)는, 모바일 타입 컴퓨팅 디바이스(200) 주변의 소리를 인식할 수 있다.
자세히, 오디오 센서(265)는, 모바일 타입 컴퓨팅 디바이스(200) 사용자의 음성 입력을 감지할 수 있는 마이크로폰을 포함할 수 있다.
실시예에서 오디오 센서(265)는, 상품검색 서비스를 위해 필요한 음성 데이터를 사용자로부터 입력 받을 수 있다.
인터페이스 모듈(240)은, 모바일 타입 컴퓨팅 디바이스(200)를 하나 이상의 다른 장치와 통신 가능하게 연결할 수 있다. 자세히, 인터페이스 모듈(240)은, 하나 이상의 상이한 통신 프로토콜과 호환되는 유선 및/또는 무선 통신 장치를 포함할 수 있다.
이러한 인터페이스 모듈(240)을 통해 모바일 타입 컴퓨팅 디바이스(200)는, 여러 입출력 장치들과 연결될 수 있다.
예를 들어, 인터페이스 모듈(240)은, 헤드셋 포트나 스피커와 같은 오디오 출력장치와 연결되어, 오디오를 출력할 수 있다.
예시적으로 오디오 출력장치가 인터페이스 모듈(240)을 통해 연결되는 것으로 설명하였으나, 모바일 타입 컴퓨팅 디바이스(200) 내부에 설치되는 실시예도 포함될 수 있다.
이러한 인터페이스 모듈(240)은, 유/무선 헤드셋 포트(port), 외부 충전기 포트(port), 유/무선 데이터 포트(port), 메모리 카드(memory card) 포트, 식별 모듈이 구비된 장치를 연결하는 포트(port), 오디오 I/O(Input/Output) 포트(port), 비디오 I/O(Input/Output) 포트(port), 이어폰 포트(port), 전력 증폭기, RF 회로, 송수신기 및 기타 통신 회로 중 적어도 하나를 포함하여 구성될 수 있다.
입력 시스템(250)은 상품검색 서비스와 관련된 사용자의 입력(예를 들어, 제스처, 음성 명령, 버튼의 작동 또는 다른 유형의 입력)을 감지할 수 있다.
자세히, 입력 시스템(250)은 버튼, 터치 센서 및 사용자 모션 입력을 수신하는 이미지 센서(261)를 포함할 수 있다.
또한, 입력 시스템(250)은, 인터페이스 모듈(240)을 통해 외부 컨트롤러와 연결되어, 사용자의 입력을 수신할 수 있다.
디스플레이 시스템(270)은, 상품검색 서비스와 관련된 다양한 정보를 그래픽 이미지로 출력할 수 있다.
이러한 디스플레이는, 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), 전자잉크 디스플레이(e-ink display) 중에서 적어도 하나를 포함할 수 있다.
이러한 모바일 타입 컴퓨팅 디바이스(200)의 하우징 내에는 상기 구성요소들이 배치될 수 있으며, 사용자 인터페이스는 사용자 터치 입력을 수신하도록 구성된 디스플레이(271) 상에 터치 센서(273)를 포함할 수 있다.
자세히, 디스플레이 시스템(270)은, 이미지를 출력하는 디스플레이(271)와, 사용자의 터치 입력을 감지하는 터치 센서(273)를 포함할 수 있다.
예시적으로 디스플레이(271)는 터치 센서(273)와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린으로 구현될 수 있다. 이러한 터치 스크린은, 모바일 타입 컴퓨팅 디바이스(200)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부로써 기능함과 동시에, 모바일 타입 컴퓨팅 디바이스(200)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.
2. 데스크탑 타입 컴퓨팅 디바이스(300: Desktop type computing device)
도 3은 본 발명의 실시예에 따른 데스크탑 타입 컴퓨팅 디바이스(300)의 내부 블록도이다.
데스크탑 타입 컴퓨팅 디바이스(300)의 상기 구성요소에 대한 설명 중 중복되는 내용은 모바일 타입 컴퓨팅 디바이스(200)의 구성요소에 대한 설명으로 대체하기로 하며, 이하에서는 모바일 타입 컴퓨팅 디바이스(200)와의 차이점을 중심으로 설명한다.
도 3을 참조하면, 다른 예시에서 데스크탑 타입 컴퓨팅 디바이스(300)는, 검색 어플리케이션(311)이 설치된 고정형 데스크탑 PC, 노트북 컴퓨터(laptop computer), 울트라북(ultrabook)과 같은 퍼스널 컴퓨터 등과 같이 유/무선 통신을 기반으로 상품검색 서비스를 실행하기 위한 프로그램이 설치된 장치를 더 포함할 수 있다.
또한, 데스크탑 타입 컴퓨팅 디바이스(300)는, 유저 인터페이스 시스템(350)을 포함하여, 사용자 입력(예컨대, 터치 입력, 마우스 입력, 키보드 입력, 제스처 입력, 가이드 도구를 이용한 모션 입력 등)을 수신할 수 있다.
예시적으로, 데스크탑 타입 컴퓨팅 디바이스(300)는, 유저 인터페이스 시스템(350)을 다양한 통신 프로토콜로 마우스(351), 키보드(352), 제스처 입력 컨트롤러, 이미지 센서(361)(예컨대, 카메라) 및 오디오 센서(365) 등 적어도 하나의 장치와 연결되어, 사용자 입력을 획득할 수 있다.
또한, 데스크탑 타입 컴퓨팅 디바이스(300)는, 유저 인터페이스 시스템(350)을 통해 외부 출력 장치와 연결될 수 있으며, 예컨대, 디스플레이 장치(370), 오디오 출력 장치 등에 연결될 수 있다.
또한, 예시적인 구현에 따른 데스크탑 타입 컴퓨팅 디바이스(300)는, 메모리(310), 프로세서 어셈블리(320), 통신 모듈(330), 유저 인터페이스 시스템(350) 및 입력 시스템(340)을 포함할 수 있다. 이러한 구성요소들은 컴퓨팅 디바이스(100)(300)의 하우징 내에 포함되도록 구성될 수 있다.
데스크탑 타입 컴퓨팅 디바이스(300)의 상기 구성요소에 대한 설명은 모바일 타입 컴퓨팅 디바이스(200)의 구성요소에 대한 설명으로 대체하기로 한다.
다만, 본 발명의 실시예에서 도 2 및 3에 도시된 구성요소들은, 컴퓨팅 디바이스(100)를 구현하는데 있어 필수적인 것은 아니어서, 본 명세서 상에서 설명되는 컴퓨팅 디바이스(100)는 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.
- 상품검색 서버(400: Product Search Server)
본 발명의 실시예에 다른 상품검색 서버(400)는, 상품검색 서비스를 제공하기 위한 일련의 프로세스를 수행할 수 있다.
자세히, 상품검색 서버(400)는, 컴퓨팅 디바이스(100)에서 검색 어플리케이션이 구동되게 하기 위하여 컴퓨팅 디바이스(100)와 필요한 데이터를 교환함으로써, 상품검색 서비스를 제공할 수 있다.
보다 상세히, 실시예에서 상품검색 서버(400)는, 컴퓨팅 디바이스(100)에서 검색 어플리케이션이 동작할 수 있는 환경을 제공할 수 있다.
또한, 상품검색 서버(400)는, 상품검색 서비스에 필요한 이미지 딥러닝(Image Deep-learning)을 수행할 수 있다.
또한, 실시예에서 상품검색 서버(400)는, 이미지를 이용하여 상품을 검색할 때 해당 이미지 내 복수의 오브젝트가 존재하는 경우, 복수의 오브젝트 중 사용자가 검색하고자 하는 상품을 나타내는 대표상품 오브젝트를 검출하여 대표상품을 선정할 수 있다.
또한, 실시예에서 상품검색 서버(400)는, 소정의 이미지에 기반한 딥러닝을 기초로 온라인 쇼핑몰에 대한 상품검색을 수행할 수 있다.
또한, 상품검색 서버(400)는, 상품검색 서비스에 필요한 각종 데이터를 수집, 저장 및 관리할 수 있다.
도 4는 본 발명의 실시예에 따른 상품검색 서버(400)의 내부 블록도이다.
보다 상세히, 도 4를 참조하면, 위와 같은 상품검색 서버(400)는, 서비스 제공서버(410), 딥러닝 서버(420), 대표상품 선정서버(430), 상품검출 서버(440) 및 데이터베이스 서버(450)를 포함할 수 있다.
이때, 실시예에 따라서 상기 각 구성요소는, 상품검색 서버(400)와는 별도의 장치로서 구현될 수도 있고, 상품검색 서버(400)에 포함되어 구현될 수도 있다. 이하, 각 구성요소가 상품검색 서버(400)에 포함되어 구현되는 것으로 설명하나 이에 한정되는 것은 아니다.
자세히, 서비스 제공서버(410)는, 컴퓨팅 디바이스(100)에서 검색 어플리케이션이 동작할 수 있는 환경을 제공할 수 있다.
즉, 서비스 제공서버(410)는, 이미지 기반의 상품검색 서비스를 제공하는 검색 어플리케이션이, 컴퓨팅 디바이스(100)에서 실행될 수 있는 환경을 제공할 수 있다.
이를 위해, 서비스 제공서버(410)는, 검색 어플리케이션을 구현하기 위한 응용 프로그램, 데이터 및/또는 명령어 등을 포함할 수 있다.
또한, 딥러닝 서버(420)는, 이미지 딥러닝 뉴럴 네트워크(Image Deep-learning Neural Network)와 연동하여 상품검색 서비스에 필요한 이미지 딥러닝을 수행할 수 있다.
여기서, 이미지 딥러닝 뉴럴 네트워크는, 컨볼루션 뉴럴 네트워크(CNN, Convolution Neural Network, 예컨대, 유-넷 컨볼루션 뉴럴 네트워크(U-net Convolution Neural Network)), 및 Mask R-CNN 중 적어도 하나의 딥러닝 뉴럴 네트워크를 포함할 수 있다.
실시예에서, 이미지 딥러닝 뉴럴 네트워크와 연동한 딥러닝 서버(420)는, 이미지 딥러닝 뉴럴 네트워크에 입력된 이미지에 기반하여, 오브젝트 디텍션(Object Detection), 세그멘테이션(segmentation), 클레시피케이션(classification) 및/또는 인페인팅(inpainting) 등의 이미지 처리 기술에 대한 기능 동작을 수행할 수 있다.
또한, 대표상품 선정서버(430)는, 이미지가 적어도 하나 이상의 오브젝트를 포함할 시, 해당 오브젝트 중 사용자가 검색하고자 하는 상품을 나타내는 대표상품 오브젝트를 검출하여 대표상품을 선정할 수 있다.
이때, 대표상품 선정서버(430)는, 다각도로 설정된 소정의 파라미터(실시예에서, 넓이, 신뢰도 점수, 포커싱 점수 및/또는 통합 파라미터 등)에 기초하여, 이미지 내 복수의 오브젝트 중 대표상품 오브젝트를 검출할 수 있다. 이에 대한 자세한 설명은 후술하기로 한다.
또한, 상품검출 서버(440)는, 소정의 이미지에 기반한 딥러닝을 기초로 온라인 쇼핑몰에 대한 상품검색 서비스를 제공할 수 있다.
실시예에서, 상품검출 서버(440)는, 검색하고자 하는 대표상품 이미지를 기초로 딥러닝을 수행하여 상품검색을 수행할 수 있다.
또한, 실시예에 따라서 상품검출 서버(440)는, 대표상품 이미지 내에 상품검색에 방해가 되는 요소인 장애물(예컨대, 이종상품 또는 사람의 신체 등)이 존재하는 경우, 해당 대표상품 이미지로부터 해당 장애물이 제거된 후 소정의 손실이 발생한 이미지의 복원이 수행된 이미지에 기초하여, 딥러닝에 기반한 상품검색을 수행할 수 있다.
또한, 상품검출 서버(440)는, 위와 같은 이미지 딥러닝 기반의 상품검색을 통하여 온라인 쇼핑몰로부터 해당하는 이미지 내 대표상품에 대응되는 상품을 검출해 제공할 수 있다.
또한, 데이터베이스 서버(450)는, 상품검색 서비스를 구현하기 위한 각종 응용 프로그램, 어플리케이션, 명령어 및/또는 데이터 등을 저장하고 관리할 수 있다.
실시예로, 데이터베이스 서버(450)는, 입력 이미지, 상품 이미지, 대표상품 이미지, 크기 보정상수 정보, 대표상품 이미지 선정을 위한 파라미터 정보, 유사상품 관련 정보, 장애물 이미지, 손실 이미지 및/또는 복구 이미지 등을 저장 및 관리할 수 있다.
한편, 위와 같은 구성요소들을 포함하는 상품검색 서버(400)는, 적어도 하나 이상의 서비스 제공서버(410), 딥러닝 서버(420), 대표상품 선정서버(430), 상품검출 서버(440) 및/또는 데이터베이스 서버(450)로 구성될 수 있으며, 데이터 처리를 위한 프로세서들과, 상품검색 서비스 제공을 위한 명령어들을 저장하는 메모리들을 포함할 수 있다.
또한, 본 발명의 실시예에서는, 상품검색 서버(400)에서 상품검색 서비스에 필요한 이미지 딥러닝을 수행하고, 이미지 기반 상품검색 시 해당 이미지 내 복수의 오브젝트가 존재하면 해당 복수의 오브젝트 중 대표상품 오브젝트를 검출하여 대표상품을 선정하고, 소정의 이미지에 기반한 딥러닝을 기초로 상품검색을 수행하며, 상품검색 서비스에 필요한 각종 데이터를 수집, 저장 및 관리한다고 설명하였으나, 실시예에 따라서 상품검색 서버(400)가 수행하는 기능 동작의 일부를 컴퓨팅 디바이스(100)에서 수행할 수도 있는 등 다양한 실시예 또한 가능할 수 있다.
- 쇼핑몰 서버(500: Shopping-mall Server)
본 발명의 실시예에서 쇼핑몰 서버(500)는, 온라인 쇼핑몰 서비스(Online shopping-mall service)를 제공하기 위한 일련의 프로세스를 수행할 수 있다.
자세히, 실시예에서 쇼핑몰 서버(500)는, 네트워크를 통하여 상품을 주문하고 판매할 수 있는 전자상거래 온라인 쇼핑몰 서비스를 실행하기 위한 환경을 컴퓨팅 디바이스(100)로 제공할 수 있다.
또한, 쇼핑몰 서버(500)는, 상품검색 서비스에 필요한 각종 데이터를 컴퓨팅 디바이스(100) 및/또는 상품검색 서버(400) 등과 송수신할 수 있다.
실시예로, 쇼핑몰 서버(500)는, 온라인 쇼핑몰 상의 복수의 상품에 대한 상품 관련 정보(예컨대, 상품에 대한 이미지 정보, 상품 기본정보 및/또는 해당 상품을 공급하는 쇼핑몰 정보 등)를 컴퓨팅 디바이스(100) 및/또는 상품검색 서버(400)로 송신할 수 있고, 컴퓨팅 디바이스(100) 및/또는 상품검색 서버(400)로부터 온라인 쇼핑몰 상의 특정 상품에 대한 니즈(needs) 관련 정보(예컨대, 해당하는 온라인 쇼핑몰에 대하여 검색된 상품에 대한 정보 등)를 수신할 수 있다.
또한, 쇼핑몰 서버(500)는, 온라인 쇼핑몰 서비스와 관련된 기능 동작에 필요한 응용 프로그램, 데이터 및 명령어 중 어느 하나 이상을 저장할 수 있다.
실시예로, 쇼핑몰 서버(500)는, 온라인 쇼핑몰에 게시된 적어도 하나 이상의 상품에 대한 이미지 정보 및/또는 상품 기본정보 등을 저장하여 관리할 수 있다.
보다 상세히, 도 1을 더 참조하면, 위와 같은 쇼핑몰 서버(500)는, 쇼핑몰 서비스 제공서버(510), 상품관리 서버(520) 및 데이터저장 서버(530)를 포함할 수 있다.
여기서, 쇼핑몰 서비스 제공서버(510)는, 컴퓨팅 디바이스(100)에서 온라인 쇼핑몰 서비스가 동작할 수 있는 환경을 제공할 수 있다.
즉, 쇼핑몰 서비스 제공서버(510)는, 컴퓨팅 디바이스(100)에서 인터넷(Internet)　등을 이용하여 상품을 매매할 수 있는 가상의 상점인 온라인 쇼핑몰을 제공하는 온라인 쇼핑몰 서비스를 구현할 수 있는 환경을 제공할 수 있다.
이러한 쇼핑몰 서비스 제공서버(510)는, 온라인 쇼핑몰 서비스와 관련하여 제공되는 서비스를 구현할 수 있는 각종 응용 프로그램, 데이터 및/또는 명령어 등을 포함할 수 있다.
또한, 상품관리 서버(520)는, 온라인 쇼핑몰 서비스에 기반하여 제공되는 적어도 하나 이상의 상품과 관련된 각종 데이터를 관리할 수 있다.
실시예에서, 상품관리 서버(520)는, 상품 별 이미지 정보(예컨대, 썸네일(thumbnail) 및/또는 상품 이미지 등) 및/또는 상품 기본정보(예컨대, 상품명, 제품군, 상품 가격 및/또는 잔여 수량 등) 등을 관리할 수 있다.
또한, 데이터저장 서버(530)는, 온라인 쇼핑몰 서비스를 구현하기 위한 각종 응용 프로그램, 어플리케이션, 명령어 및/또는 데이터 등을 저장하고 관리할 수 있다.
예를 들면, 데이터저장 서버(530)는, 온라인 쇼핑몰 서비스를 이용하는 사용자별 개인 정보, 쇼핑 정보 및/또는 주문 정보 등을 각 사용자 별 계정에 매칭하여 저장 및 관리할 수 있다.
위와 같은 구성요소들을 포함하는 쇼핑몰 서버(500)는, 적어도 하나 이상의 쇼핑몰 서비스 제공서버(510), 상품관리 서버(520) 및/또는 데이터저장 서버(530)로 구성될 수 있으며, 데이터 처리를 위한 프로세서들과, 온라인 쇼핑몰 서비스 제공을 위한 명령어들을 저장하는 메모리들을 포함할 수 있다.
- 이미지 기반 상품검색 방법
이하, 첨부된 도면을 참조하여 본 발명의 실시예에 따른 이미지 기반 상품검색 방법에 대해 상세히 설명하고자 한다. 이때, 이하의 실시예에서는, 컴퓨팅 디바이스(100)를 모바일 타입 컴퓨팅 디바이스(200)에 기준하여 설명하기로 하나, 이에 한정되는 것은 아니다.
도 5는 본 발명의 실시예에 따른 이미지 기반 상품검색 방법을 설명하기 위한 흐름도이다.
도 5를 참조하면, 본 발명의 실시예에서 모바일 타입 컴퓨팅 디바이스(200)는, 온라인 쇼핑몰의 상품검색에 사용되는 이미지 내 대표상품을 선정하고, 선정된 대표상품에 대한 이미지에 기초하여 딥러닝을 이용한 상품검색을 수행할 수 있는 검색 어플리케이션(211)을 실행하거나 백그라운드 상태로 동작하게 할 수 있다.
그리고 실행되거나 백그라운드 상태로 동작하는 검색 어플리케이션(211)은, 입력 이미지로부터 적어도 하나 이상의 상품 이미지를 검출할 수 있다. (S101)
여기서, 실시예에 따른 입력 이미지란, 검색하고자 하는 상품을 촬영한 영상일 수 있다.
다만, 위와 같은 입력 이미지 내에는, 검색하고자 하는 상품인 대표상품을 나타내는 오브젝트 외에 타 오브젝트(예컨대, 이종상품 등)가 포함되어 있을 수 있다. 그리하여 본 발명의 실시예에서는, 입력 이미지 내 복수의 오브젝트가 존재하는 경우, 해당 복수의 오브젝트 중에서 검색하고자 하는 상품인 대표상품을 나타내는 오브젝트를 선정하여 상품검색을 수행하고자 한다.
또한, 실시예에서 상품 이미지란, 입력 이미지가 포함하는 적어도 하나 이상의 오브젝트 각각에 기준하여 설정된 소정의 영역을 나타내는 이미지일 수 있다.
실시예에서, 이러한 상품 이미지는, 입력 이미지로부터 감지되는 적어도 하나 이상의 오브젝트에 대한 바운딩 박스(bounding box)에 기초하여 획득될 수 있다.
이때, 실시예에 따른 바운딩 박스란, 입력 이미지에 포함되는 적어도 하나 이상의 오브젝트 각각에 기준하여 설정된 소정의 영역에 대한 경계를 표시하는 박스일 수 있다.
도 6은 본 발명의 실시예에 따른 입력 이미지로부터 상품 이미지를 검출하는 모습의 일례이다.
자세히, 도 6을 참조하면, 실시예에서 검색 어플리케이션(211)은, 검색하고자 하는 상품에 대한 이미지를 입력할 수 있는 이미지 기반 검색 인터페이스를 제공할 수 있다.
또한, 검색 어플리케이션(211)은, 제공된 검색 인터페이스에 대한 사용자 입력에 기초하여, 검색하고자 하는 상품에 대한 입력 이미지를 획득할 수 있다.
또한, 실시예에서 검색 어플리케이션(211)은, 획득된 입력 이미지에 기초한 딥러닝(Deep-learning)을 수행하여, 해당 입력 이미지에 대한 적어도 하나 이상의 상품 이미지를 검출할 수 있다.
보다 상세히, 검색 어플리케이션(211)은, 상품검색 서버(400)와 연동하거나 또는 자체적인 프로세스에 의하여, 획득된 입력 이미지에 기반한 이미지 딥러닝(Image Deep-learning)을 수행할 수 있다.
이때, 실시예에서 검색 어플리케이션(211)은, 이미지 딥러닝 뉴럴 네트워크에 기반하여, 입력 이미지에 대한 오브젝트 디텍션(Object detection)을 수행하는 이미지 딥러닝을 수행할 수 있다.
그리고 검색 어플리케이션(211)은, 위와 같은 오브젝트 디텍션을 통하여 해당 입력 이미지 내에서 적어도 하나 이상의 오브젝트를 검출할 수 있다.
또한, 검색 어플리케이션(211)은, 검출된 오브젝트 각각에 기준하여 설정되는 소정의 영역에 대한 경계를 표시하는 박스(예컨대, 해당하는 오브젝트를 에워싸는 소정의 영역을 경계로 표시하는 사각형 박스 등)인 바운딩 박스를 생성할 수 있다.
이때, 실시예에서 검색 어플리케이션(211)은, 위와 같은 오브젝트 디텍션에 사용되는 이미지 딥러닝 뉴럴 네트워크를, 이미지 내 적어도 하나 이상의 오브젝트 중에서 패션(Fashion)상품과 관련된 오브젝트를 추출하는데 최적화되도록 트레이닝(training)하여 사용할 수 있다.
즉, 검색 어플리케이션(211)은, 위와 같이 기학습된 이미지 딥러닝 뉴럴 네트워크를 사용해 오브젝트 디텍션을 수행함으로써, 입력 이미지로부터 검출되는 적어도 하나 이상의 오브젝트가 패션과 관련된 상품이 되도록 특정할 수 있고, 해당 패션상품에 대한 바운딩 박스가 생성되게 할 수 있다.
예시적으로, 검색 어플리케이션(211)은, 패션상품과 관련된 오브젝트를 추출하는데 최적화되도록 트레이닝된 이미지 딥러닝 뉴럴 네트워크인 패션 디텍터(Fashion Detector)와 연동할 수 있다.
그리고 검색 어플리케이션(211)은, 패션 디텍터와의 연동에 기반하여, 입력 이미지 내에서 패션과 관련된 오브젝트와, 해당 오브젝트가 차지하는 소정의 영역을 감지할 수 있다.
또한, 검색 어플리케이션(211)은, 감지된 패션 관련 오브젝트 별 바운딩 박스를 생성하여 패션 디텍션(fashion detection)을 수행할 수 있다.
이때, 예시적인 패션 디텍터는, 입력 이미지를 적어도 1회 컨볼루션 레이어(Convolution layer)를 통과시키는 제 1 컨볼루션 뉴럴 네트워크(Conv 1)와, 롤 풀링 레이어와 소프트 맥스, 바운딩 박스 리그레서로 구성된 제 2 컨볼루션 뉴럴 네트워크(Conv 2)를 포함할 수 있다.
자세히, 제 1 컨볼루션 뉴럴 네트워크(Conv 1)는, 전체 이미지 및 오브젝트 후보 영역을 동시에 입력으로 받아들일 수 있다.
그리고 제 1 컨볼루션 네트워크는, 컨볼루션 레이어(Convolution layer)와 맥스 풀링 레이어(max-pooling layer)을 통해 이미지 전체를 한번에 처리하여, 유의미한 오브젝트들을 각각 묶어 특징 영역들로 나타낸 특징 맵(feature map)을 생성할 수 있다.
다음으로, 제 2 컨볼루션 네트워크는, 각 오브젝트 후보 영역에 대하여 롤 풀링 레이어(RoI Pooling layer)를 통과시켜, 특징 맵(feature map)으로부터 특징벡터(fixed-length feature vector)를 추출할 수 있다.
또한, 제 2 컨볼루션 네트워크는, 추출한 특징벡터를 풀리 커넥티드 레이어(Fully-Connected Layer, FCs)에 인가한 뒤, 풀리 커넥티드 레이어의 출력 데이터를 최종 단에 배치된 소프트 맥스(softmax)에 인가하여 각 객체의 종류를 특정할 수 있다.
이때, 제 2 컨볼루션 네트워크는, 객체의 종류 중 패션 관련 오브젝트만을 추출하도록 학습될 수 있다.
또한, 제 2 컨볼루션 네트워크는, 풀리 커넥티드 레이어의 출력 데이터를 바운딩 박스 리그레서(bbox regressor)에 인가하여 패션 관련 오브젝트가 차지하는 영역을 개략적으로 나타내는 바운딩 박스를 추출할 수 있다.
이러한 제 1 컨볼루션 네트워크와 제 2 컨볼루션 네트워크로 구성된 패션 디텍터는, 입력 이미지 내 오브젝트의 종류가 패션 관련 상품임을 특정하고, 해당 상품이 차지하는 특징 영역을 바운딩 박스로 추출할 수 있다.
다시 말해서, 검색 어플리케이션(211)은, 패션상품을 검출하도록 트레이닝된 딥러닝 뉴럴 네트워크에 기반한 딥러닝을 수행하여, 입력 이미지 내 오브젝트의 종류가 패션 관련 상품임을 특정하고, 해당 상품이 차지하는 특징 영역을 바운딩 박스로 추출할 수 있다.
또한, 실시예에서 검색 어플리케이션(211)은, 입력 이미지에 대한 딥러닝을 통해 획득된 적어도 하나 이상의 오브젝트 각각에 대한 바운딩 박스 내 이미지에 기초하여, 해당 입력 이미지에 대한 적어도 하나 이상의 상품 이미지를 획득할 수 있다.
자세히, 검색 어플리케이션(211)은, 입력 이미지로부터 검출된 적어도 하나 이상의 바운딩 박스 내 이미지를 추출할 수 있다.
그리고 검색 어플리케이션(211)은, 추출된 이미지에 기초하여 해당 입력 이미지에 대응되는 적어도 하나 이상의 상품 이미지를 생성할 수 있다.
예를 들면, 검색 어플리케이션(211)은, 제 1 입력 이미지에 대한 딥러닝을 수행하여, 제 1 입력 이미지 내 복수의 오브젝트(예컨대, 상의 오브젝트, 안경 오브젝트, 팔찌 오브젝트, 벨트 오브젝트 및/또는 귀걸이 오브젝트 등)를 검출할 수 있다.
그리고 검색 어플리케이션(211)은, 검출된 제 1 입력 이미지 내 복수의 오브젝트 각각에 대한 바운딩 박스를 생성할 수 있다.
또한, 검색 어플리케이션(211)은, 제 1 입력 이미지 내 복수의 오브젝트 각각에 대한 바운딩 박스를 기반으로, 해당하는 복수의 오브젝트 각각에 대한 상품 이미지를 생성할 수 있다.
즉, 검색 어플리케이션(211)은, 제 1 입력 이미지에 대한 딥러닝을 수행하여 상기 제 1 입력 이미지에 대한 적어도 하나 이상의 상품 이미지를 획득할 수 있다.
이때, 실시예에서 검색 어플리케이션(211)은, 입력 이미지로부터 복수의 상품 이미지가 검출되는 경우, 검출된 복수의 상품 이미지 중 대표상품 이미지를 선정할 수 있다. (S103)
자세히, 검색 어플리케이션(211)은, 입력 이미지 내 복수의 상품 이미지 중, 검색하고자 하는 상품인 대표상품 오브젝트를 포함하는 이미지를 검출할 수 있다.
또한, 검색 어플리케이션(211)은, 대표상품 오브젝트를 포함하는 해당 이미지를 대표상품 이미지로 선정할 수 있다.
여기서, 실시예에 따른 검색 어플리케이션(211)은, 소정의 파라미터(parameter)에 기준하여, 입력 이미지 내 복수의 오브젝트 중 대표상품 오브젝트를 검출할 수 있다.
이때, 검색 어플리케이션(211)은, 상기 소정의 파라미터로 오브젝트에 대한 넓이 파라미터, 신뢰도 점수(confidence score) 파라미터, 포커싱 점수(focusing score) 파라미터 및/또는 통합 파라미터를 포함할 수 있다.
도 7은 본 발명의 실시예에 따른 넓이 파라미터를 기반으로 대표상품 오브젝트를 검출하는 방법을 설명하기 위한 도면의 일례이다.
자세히, 도 7을 참조하면, 실시예에서 검색 어플리케이션(211)은, 1) 넓이 파라미터에 기초하여 입력 이미지 내 복수의 오브젝트 중 대표상품 오브젝트를 선정할 수 있다.
여기서, 실시예에 따른 넓이 파라미터란, 이미지 내 오브젝트가 차지하는 영역의 넓이(크기)를 나타내는 파라미터일 수 있다.
실시예로, 검색 어플리케이션(211)은, 입력 이미지 내 복수의 오브젝트 각각이 차지하는 영역의 넓이(예컨대, 10-1, 10-2, 10-3, 10-4 및 10-5)를 기반으로, 각 오브젝트 별 넓이 파라미터 값을 획득할 수 있다.
또한, 검색 어플리케이션(211)은, 획득된 오브젝트 별 넓이 파라미터 값을 상호 비교할 수 있다.
그리고 검색 어플리케이션(211)은, 각 오브젝트 별 넓이 파라미터 값 중에서 가장 큰 넓이 파라미터 값을 가지는 즉, 입력 이미지 내에서 가장 큰 영역을 차지하는 오브젝트를 검출할 수 있다.
또한, 검색 어플리케이션(211)은, 위와 같이 검출된 오브젝트를 대표상품 오브젝트로 선정할 수 있다.
여기서, 실시예에 따른 검색 어플리케이션(211)은, 이러한 넓이 파라미터 값을 딥러닝에 기초하여 획득할 수 있다.
자세히, 실시예에서 검색 어플리케이션(211)은, 이미지 딥러닝 뉴럴 네트워크와 연동하여, 입력 이미지에 기반한 시멘틱 세그멘테이션(Semantic Segmentation)을 수행할 수 있다.
여기서, 실시예에 따른 시멘틱 세그멘테이션이란, 전체 이미지에서 적어도 하나 이상의 오브젝트 각각의 영역을 분리하는 기술로서, 전체 이미지 내 오브젝트의 영역을 픽셀 단위로 분할하는 기술일 수 있다.
또한, 검색 어플리케이션(211)은, 수행된 시멘틱 세그멘테이션을 통하여 입력 이미지 내 오브젝트 별 픽셀 수를 획득할 수 있다.
그리고 검색 어플리케이션(211)은, 획득된 픽셀 수에 기반하여 넓이 파라미터 값을 생성할 수 있다.
이와 같이, 검색 어플리케이션(211)은, 입력 이미지 내 존재하는 오브젝트 중 상대적으로 가장 넓은 면적을 차지하는 오브젝트를 검출하여 대표상품으로 설정함으로써, 나타내고자 하는 메인상품이 큰 영역을 차지하는 일반적인 패션상품 이미지에서의 대표상품을 빠르고 손 쉽게 검출해낼 수 있다.
다만, 입력 이미지 내 오브젝트의 상품군(예컨대, 상의, 하의, 원피스, 가방, 신발 및/또는 액세서리 등)에 따라서, 입력 이미지 내에서 차지하는 영역이 상대적으로 작더라도 대표상품일 수 있는 경우가 발생할 수 있다.
예를 들면, 검색하려는 상품인 대표상품이 액세서리인 경우임에도, 입력 이미지 내 액세서리 오브젝트의 넓이 파라미터 값이 타 오브젝트(예컨대, 상의 오브젝트 등)의 넓이 파라미터 값보다 작게 산출되는 상황이 발생할 수 있다.
이를 위하여, 실시예에 따라서 검색 어플리케이션(211)은, 입력 이미지 내 복수의 오브젝트 각각에 대하여 크기 보정상수를 적용할 수 있다.
여기서, 실시예에 따른 크기 보정상수란, 이미지 내 오브젝트의 제품군에 따라서 해당 오브젝트의 넓이(크기)를 보정하는 소정의 상수 값일 수 있다.
실시예에서, 이러한 크기 보정상수는, 이미지 기반 상품검색 시스템 상에 제품군 별로 기설정되어 있을 수 있다.
예를 들면, 크기 보정상수는, 액세서리 제품군에 속하는 오브젝트에 대한 크기 보정상수(예컨대, 10), 가방 제품군에 속하는 오브젝트에 대한 크기 보정상수(예컨대, 5), 상의 또는 하의 제품군에 속하는 오브젝트에 대한 크기 보정상수(예컨대, 2) 및/또는 원피스 제품군에 속하는 오브젝트에 대한 크기 보정상수(예컨대, 1) 등을 포함할 수 있고, 이미지 기반 상품검색 시스템 상에 기설정되어 있을 수 있다.
이러한 크기 보정상수를 입력 이미지 내 복수의 오브젝트 각각에 적용한 검색 어플리케이션(211)은, 크기 보정상수가 적용된 각 오브젝트에 기반한 오브젝트 별 픽셀 수를 획득할 수 있다.
그리고 검색 어플리케이션(211)은, 위와 같이 획득된 오브젝트 별 픽셀 수에 기초하여, 각 오브젝트 별 넓이 파라미터 값을 생성할 수 있다.
도 8은 본 발명의 실시예에 따른 크기 보정상수를 적용하여 넓이 파라미터를 획득하는 과정을 설명하기 위한 도면의 일례이다.
보다 상세히, 도 8을 참조하면, 실시예에서 검색 어플리케이션(211)은, 이미지 딥러닝 뉴럴 네트워크와 연동하여, 입력 이미지에 기반한 시멘틱 세그멘테이션(Semantic Segmentation)을 수행할 수 있다.
그리고 검색 어플리케이션(211)은, 수행된 시멘틱 세그멘테이션에 기반하여 획득된 오브젝트 별 영역의 넓이(예컨대, 10-1, 10-2, 10-3, 10-4 및 10-5)를 기반으로, 해당 각 오브젝트 별 픽셀 수를 획득할 수 있다.
또한, 검색 어플리케이션(211)은, 이미지 딥러닝 뉴럴 네트워크와 연동하여, 획득된 각 오브젝트를 소정의 제품군으로 분류하는 오브젝트 클레시피케이션(Objedt Classification)을 수행할 수 있다.
그리고 검색 어플리케이션(211)은, 수행된 오브젝트 클레시피케이션을 통하여 각 오브젝트 별 제품군을 파악할 수 있다.
예를 들면, 검색 어플리케이션(211)은, 입력 이미지에 기반한 오브젝트 클레시피케이션을 수행하여 제 1 내지 5 오브젝트를 검출할 수 있다.
그리고 검색 어플리케이션(211)은, 검출된 제 1 오브젝트에 대한 제품군을 '상의'로 판단할 수 있고, 제 2 내지 5 오브젝트에 대한 제품군을 '액세서리'로 판단할 수 있다.
또한, 실시예에서 검색 어플리케이션(211)은, 파악된 각 오브젝트 별 제품군 별로 매칭되어 있는 소정의 크기 보정상수 값을 획득할 수 있다.
예를 들면, 검색 어플리케이션(211)은, 상의 제품군인 경우에 해당 상의 제품군에 매칭되어 기설정되어 있는 크기 보정상수 값(예컨대, 2)을 획득할 수 있고, 액세서리 제품군인 경우에는 해당 액세서리 제품군에 매칭되어 기설정되어 있는 크기 보정상수 값(예컨대, 10)을 획득할 수 있다.
또한, 실시예에서 검색 어플리케이션(211)은, 획득된 크기 보정상수 값에 기반하여, 각 오브젝트의 넓이(크기) 보정을 수행할 수 있다.
실시예로, 검색 어플리케이션(211)은, 시멘틱 세그멘테이션을 통해 획득된 오브젝트의 픽셀 수와, 이미지 클레시피케이션을 통하여 획득된 해당 오브젝트의 제품군에 따른 크기 보정상수 값에 기반한 소정의 연산(예컨대, 곱하기 등)을 수행하여, 각 오브젝트 별 넓이(크기) 보정을 수행할 수 있다.
예를 들면, 검색 어플리케이션(211)은, '상의' 오브젝트의 픽셀 수와, '상의' 제품군의 크기 보정상수 값 2를 곱하는 방식으로 '상의' 오브젝트에 대한 넓이 보정을 수행할 수 있다.
다른 예시로, 검색 어플리케이션(211)은, '액세서리' 오브젝트의 픽셀 수와, '액세서리' 제품군의 크기 보정상수 값 10를 곱하는 방식으로 '액세서리' 오브젝트에 대한 넓이 보정을 수행할 수 있다.
또한, 실시예에서 검색 어플리케이션(211)은, 크기 보정상수가 적용된 각 오브젝트에 기반하여, 오브젝트 별 픽셀 수를 획득할 수 있다.
예를 들어, 검색 어플리케이션(211)은, 크기 보정상수가 적용되어 넓이(크기)가 커진 '액세서리' 오브젝트에 대한 딥러닝을 수행하여, 해당 '액세서리' 오브젝트의 보정된 픽셀 수를 획득할 수 있다.
또한, 실시예에서 검색 어플리케이션(211)은, 위와 같이 획득된 오브젝트 별 픽셀 수에 기반하여, 각 오브젝트 별 넓이 파라미터 값을 생성할 수 있다.
그리고, 검색 어플리케이션(211)은, 생성된 각 오브젝트 별 넓이 파라미터 값을 상호 비교할 수 있다.
그리고 검색 어플리케이션(211)은, 각 오브젝트 별 넓이 파라미터 값 중에서 가장 큰 넓이 파라미터 값을 가지는 즉, 입력 이미지 내에서 가장 큰 영역을 차지하는 오브젝트를 검출할 수 있다.
또한, 검색 어플리케이션(211)은, 위와 같이 검출된 오브젝트를 대표상품 오브젝트로 선정할 수 있다.
즉, 실시예에서 따라서 검색 어플리케이션(211)은, 크기 보정상수에 기반하여 상대적으로 크기가 작은 오브젝트(예컨대, 액세사리 등)는 넓이 파라미터 값을 산출할 시 파라미터 값이 더 커지도록 보정하고, 상대적으로 크기가 큰 오브젝트(예컨대, 원피스 등)는 넓이 파라미터 값이 유지되거나 작아지도록 보정하여, 넓이 파라미터에 기반한 대표상품 검출 시의 정확도를 향상시킬 수 있다.
도 9는 본 발명의 실시예에 따른 신뢰도 점수 파라미터에 기반하여 대표상품 오브젝트를 검출하는 방법을 설명하기 위한 도면의 일례이다.
또한, 도 9을 참조하면, 실시예에서 검색 어플리케이션(211)은, 2) 신뢰도 점수(confidence score) 파라미터에 기초하여 입력 이미지 내 복수의 오브젝트 중 대표상품 오브젝트를 선정할 수 있다.
여기서, 실시예에 따른 신뢰도 점수 파라미터란, 딥러닝에 기초하여 입력 이미지로부터 감지된 복수의 오브젝트 각각이, 해당하는 제품군으로 분류될 확률을 나타내는 파라미터일 수 있다.
즉, 신뢰도 점수 파라미터는, 입력 이미지 내 오브젝트 감지의 정확도를 나타내는 요소일 수 있다.
이러한 신뢰도 점수 파라미터는, 예시적으로 probability(object)*IOU(truth, predict)로 표현될 수 있다.
자세히, 실시예에서 검색 어플리케이션(211)은, 입력 이미지 내 복수의 오브젝트 각각에 대한 딥러닝을 수행하여, 각 오브젝트 별 신뢰도 점수 파라미터 값을 획득할 수 있다.
또한, 검색 어플리케이션(211)은, 획득된 오브젝트 별 신뢰도 점수 파라미터 값을 상호 비교할 수 있다.
또한, 상호 비교를 수행한 검색 어플리케이션(211)은, 각 오브젝트 별 신뢰도 점수 파라미터 값 중에서 가장 큰 신뢰도 점수 파라미터 값을 가지는 즉, 입력 이미지 내에서 가장 정확도 높게 검출된 오브젝트를 검출할 수 있다.
그리고 검색 어플리케이션(211)은, 위와 같이 검출된 오브젝트를 대표상품 오브젝트로 선정할 수 있다.
이와 같이, 검색 어플리케이션(211)은, 입력 이미지 내 오브젝트 감지의 정확도를 나타내는 신뢰도 점수 파라미터를 기초로 대표상품을 선정함으로써, 보다 정확하고 신뢰성 높은 대표상품을 결정할 수 있다.
도 10은 본 발명의 실시예에 따른 포커싱 점수 파라미터에 기초하여 대표상품 오브젝트를 검출하는 방법을 설명하기 위한 도면의 일례이다
또한, 도 10을 참조하면, 실시예에서 검색 어플리케이션(211)은, 3) 포커싱 점수(focusing score) 파라미터에 기초하여 입력 이미지 내 복수의 오브젝트 중 대표상품 오브젝트를 선정할 수 있다.
여기서, 실시예에 따른 포커싱 점수 파라미터란, 이미지 내 오브젝트가 해당 이미지에서 포커싱된 정도를 나타내는 파라미터일 수 있다.
실시예에서, 포커싱 점수 파라미터는, 이미지 내 오브젝트 각각이, 해당 이미지의 중앙점으로부터 이격된 거리를 기반으로 획득될 수 있다.
자세히, 실시예에서 검색 어플리케이션(211)은, 딥러닝을 수행하여 획득된 입력 이미지 내 각 오브젝트 별 상품 이미지를 검출할 수 있다.
또한, 검색 어플리케이션(211)은, 검출된 각 오브젝트 별 상품 이미지의 중앙점과, 입력 이미지의 중앙점 간의 거리 값을 산출할 수 있다.
예를 들면, 검색 어플리케이션(211)은, 입력 이미지 내 상품 이미지의 중앙점을 나타내는 픽셀 좌표 값과, 해당 입력 이미지의 중앙점을 나타내는 픽셀 좌표 값 간의 이격된 거리 값을 산출할 수 있다.
또한, 실시예에서 검색 어플리케이션(211)은, 산출된 거리 값에 기반하여 각 오브젝트 별 포커싱 점수 파라미터 값을 획득할 수 있다.
예를 들어, 검색 어플리케이션(211)은, 산출된 거리 값에 반비례하여 포커싱 점수 파라미터 값을 설정할 수 있다. 즉, 검색 어플리케이션(211)은, 산출된 거리 값이 작을수록(입력 이미지의 중앙점과 가까울수록) 포커싱 점수 파라미터 값이 커지도록 설정할 수 있다.
또한, 실시예에서 검색 어플리케이션(211)은, 획득된 오브젝트 별 포커싱 점수 파라미터 값을 상호 비교할 수 있다.
또한, 검색 어플리케이션(211)은, 소정의 기준(예컨대, 포커싱 점수 파라미터 값이 가장 큰 오브젝트 등)에 따라서, 입력 이미지 내에서 가장 포커싱된 오브젝트를 검출할 수 있다.
그리고 검색 어플리케이션(211)은, 검출된 오브젝트를 대표상품 오브젝트로 선정할 수 있다.
이와 같이, 검색 어플리케이션(211)은, 이미지 내 오브젝트가 해당 이미지에서 포커싱된 정도를 나타내는 포커싱 점수 파라미터를 기초로 대표상품을 설정함으로써, 입력 이미지에서 강조하고자 초점이 맞춰진 오브젝트를 객관적인 데이터에 기초하여 검출해 대표상품으로 선정할 수 있다.
또한, 실시예에서 검색 어플리케이션(211)은, 4) 통합 파라미터에 기초하여 입력 이미지 내 복수의 오브젝트 중 대표상품 오브젝트를 선정할 수 있다.
여기서, 실시예에 따른 통합 파라미터란, 이미지 내 오브젝트 각각에 대하여 획득된 넓이, 신뢰도 점수 및/또는 포커싱 점수의 파라미터 값을 종합하여 산출되는 값을 기반으로 대표상품 오브젝트를 선정하는 파라미터일 수 있다.
자세히, 실시예에서 검색 어플리케이션(211)은, 입력 이미지에 대한 딥러닝을 수행하여, 해당 입력 이미지 내 복수의 오브젝트 각각에 대한 넓이, 신뢰도 점수 및/또는 포커싱 점수 파라미터 값을 획득할 수 있다.
또한, 검색 어플리케이션(211)은, 획득된 파라미터 값들에 기반하여 각 오브젝트 별 통합 파라미터 값을 획득할 수 있다.
예를 들면, 검색 어플리케이션(211)은, 오브젝트의 넓이, 신뢰도 점수 및/또는 포커싱 점수 파라미터 값의 평균값을 산출하여 해당 오브젝트에 대한 통합 파라미터 값을 설정할 수 있다.
또한, 실시예에서 검색 어플리케이션(211)은, 획득된 오브젝트 별 통합 파라미터 값을 상호 비교할 수 있다.
이때, 검색 어플리케이션(211)은, 소정의 기준(예컨대, 가장 큰 통합 파라미터 값을 가지는 오브젝트 등)을 기반으로, 입력 이미지 내 복수의 오브젝트 중 대표상품으로 판단되는 오브젝트인 대표상품 오브젝트를 선정할 수 있다.
이와 같이, 검색 어플리케이션(211)은, 복수의 파라미터를 기반으로 다각화된 시점에서 입력 이미지 내 오브젝트를 분석하고, 이를 토대로 대표상품을 선정함으로써, 입력 이미지로부터 검출되는 대표상품의 정확도와 품질을 보다 향상시킬 수 있다.
또한, 실시예에서 검색 어플리케이션(211)은, 소정의 파라미터에 기준하여 입력 이미지 내 복수의 오브젝트 중 대표상품 오브젝트를 선정하면, 선정된 대표상품 오브젝트를 포함하는 상품 이미지를 대표상품 이미지로 결정할 수 있다.
즉, 검색 어플리케이션(211)은, 다각도로 설정된 파라미터에 기준하여 입력 이미지에 대한 대표상품 이미지를 선정함으로써, 명확하고 객관적인 데이터를 기초로 입력 이미지로부터 검색하고자 하는 상품을 나타내는 대표상품 이미지를 검출할 수 있다.
또한, 실시예에서 검색 어플리케이션(211)은, 선정된 대표상품 이미지에 기반한 상품검색을 수행하여 유사상품을 검출할 수 있다. (S105)
자세히, 실시예에서 검색 어플리케이션(211)은, 쇼핑몰 서버(500) 및/또는 상품검색 서버(400)와 연동하여, 대표상품 이미지에 대한 딥러닝 기반의 상품검색을 수행할 수 있다.
보다 상세히, 검색 어플리케이션(211)은, 이미지 딥러닝 뉴럴 네트워크를 기반으로, 쇼핑몰 서버(500)에서 제공되는 복수의 상품들 각각에 대한 대표 이미지(예컨대, 상품 별 섬네일(thumbnail) 이미지 등)와, 대표상품 이미지에 기초한 이미지 딥러닝을 수행할 수 있다.
또한, 검색 어플리케이션(211)은, 수행된 이미지 딥러닝에 기초하여, 쇼핑몰 서버(500)에서 제공되는 복수의 상품들 중, 해당 대표상품 이미지와 소정의 유사도(예컨대, 소정의 퍼센트(%) 이상의 유사도 등)를 가지는 대표 이미지를 검출할 수 있다.
예를 들면, 검색 어플리케이션(211)은, 대표상품 이미지 내 대표상품 오브젝트와 소정의 유사도를 가지는 오브젝트를 포함하는 대표 이미지를 검출할 수 있다.
또한, 실시예에서 검색 어플리케이션(211)은, 검출된 대표 이미지에 매칭되는 상품을 유사상품으로 선정할 수 있다.
이와 같이, 검색 어플리케이션(211)은, 입력 이미지로부터 자동으로 선정된 대표상품 이미지를 기초로 상품검색을 수행해 유사상품을 검출함으로써, 이미지에 기반한 상품검색 시 입력 이미지를 입력하는 동작만으로도 검색하고자 하는 상품에 대한 유사상품을 획득할 수 있고, 이를 통해 이미지 기반 상품검색에 소요되는 비용(예를 들면, 입력 이미지 내 복수의 오브젝트 중 검색하고자 하는 상품을 선택하는데 소비되는 비용 및/또는 시간 등)을 최소화할 수 있다.
이때, 실시예에 따라서 검색 어플리케이션(211)은, 대표상품 이미지 내에서 대표상품 오브젝트 외의 타 오브젝트인 장애물(예컨대, 이종(異種)상품 및/또는 사람의 신체를 나타내는 오브젝트 등)이 존재하는 경우, 해당 대표상품 이미지로부터 해당 장애물을 제거한 이미지인 복구 이미지를 생성할 수 있고, 생성된 복구 이미지에 기초한 상품검색을 수행하여 유사상품을 선정할 수 있다.
도 11은 본 발명의 실시예에 따른 복구 이미지를 획득하는 방법을 설명하기 위한 도면의 일례이다.
자세히, 도 11을 참조하면, 검색 어플리케이션(211)은, 획득된 대표상품 이미지(1) 내의 장애물 포함 여부를 판단할 수 있다.
자세히, 실시예에서 검색 어플리케이션(211)은, 대표상품 이미지(1) 내에 대표상품 외의 오브젝트(예컨대, 이종상품 및/또는 사람의 신체 오브젝트 등)가 존재하는지 여부를 판단할 수 있다.
보다 상세히, 실시예에서 검색 어플리케이션(211)은, 상품검색 서버(400)와 연동하거나 또는 자체적인 프로세스에 의하여, 이미지 딥러닝 뉴럴 네트워크에 기반해 대표상품 이미지(1)에 대한 이미지 세그멘테이션(Segmentation)을 수행할 수 있다.
이때, 실시예에서 검색 어플리케이션(211)은, 소정의 기준(예컨대, 픽셀 색상 분포 등)에 따라서 대표상품 이미지(1)로부터 대표상품 외의 오브젝트(즉, 장애물)를 검출하도록 트레이닝된 이미지 딥러닝 뉴럴 네트워크를 이미지 세그멘테이션 수행 시 사용할 수 있다.
즉, 검색 어플리케이션(211)은, 위와 같이 기학습된 이미지 딥러닝 뉴럴 네트워크를 사용해 이미지 세그멘테이션을 수행할 수 있고, 이를 통해 대표상품 이미지(1) 내에서 분할된 각 오브젝트 영역 중, 상품 검색 시 방해가 되는 요소인 장애물을 포함하는 영역이 존재하는지 판단할 수 있다.
계속해서, 획득된 대표상품 이미지(1) 내에 장애물이 포함되었는지 여부를 판단한 검색 어플리케이션(211)은, 대표상품 이미지(1) 내에 장애물이 포함되었다고 판단된 경우, 해당 대표상품 이미지(1) 내 장애물을 제거할 수 있다.
자세히, 실시예에서 검색 어플리케이션(211)은, 대표상품 이미지(1) 내에 대표상품 외의 오브젝트(예컨대, 이종상품 및/또는 사람의 신체 오브젝트 등)가 존재하는 경우, 해당 오브젝트(즉, 장애물)를 나타내는 소정의 영역을 기반으로 장애물 이미지(2)를 획득할 수 있다.
즉, 실시예에 따른 장애물 이미지(2)란, 대표상품 이미지(1) 내에서 대표상품을 나타내는 영역 외의 다른 오브젝트(장애물)를 나타내는 영역을 기반으로 생성되는 이미지일 수 있다.
예를 들면, 검색 어플리케이션(211)은, 이미지 딥러닝 뉴럴 네트워크에 기반하여 대표상품이 원피스인 대표상품 이미지(1)에 대한 이미지 세그멘테이션을 수행할 수 있다.
그리고 검색 어플리케이션(211)은, 수행된 이미지 세그멘테이션에 기반하여, 해당 대표상품 이미지(1)에 존재하는 장애물인 핸드백 오브젝트(즉, 대표상품인 원피스 외의 다른 이종상품)를 나타내는 영역을 감지할 수 있다.
또한, 검색 어플리케이션(211)은, 감지된 핸드백 오브젝트를 나타내는 장애물 영역에 기반하여, 해당 대표상품 이미지(1)에 대한 장애물 이미지(2)를 획득할 수 있다.
또한, 실시예에서 검색 어플리케이션(211)은, 위와 같이 획득된 장애물 이미지(2)에 기초하여, 해당하는 대표상품 이미지(1)로부터 장애물을 제거하는 이미지 처리를 수행할 수 있다.
그리고 검색 어플리케이션(211)은, 장애물을 제거하는 이미지 처리를 통해, 대표상품 이미지(1)로부터 장애물 영역이 삭제된 상태의 이미지인 손실 이미지(3)를 획득할 수 있다.
자세히, 실시예에서 검색 어플리케이션(211)은, 장애물 이미지(2)에 기반하여 해당하는 대표상품 이미지(1)의 적어도 일부에 대한 마스크를 생성할 수 있다.
실시예로, 검색 어플리케이션(211)은, 장애물 이미지(2)가 포함하는 영역과 동일한 영역으로 구현되는 마스크를 생성할 수 있다.
그리고 검색 어플리케이션(211)은, 생성된 마스크에 기초하여 대표상품 이미지(1)의 적어도 일부에 대한 삭제 프로세스를 수행할 수 있다.
이를 통해, 실시예에서 검색 어플리케이션(211)은, 대표상품 이미지(1)로부터 장애물 이미지(2)가 포함하는 영역이 제거된 이미지인 손실 이미지(3)를 획득할 수 있다.
예시적으로, 검색 어플리케이션(211)은, 대표상품이 원피스인 대표상품 이미지(1) 내에, 원피스 외의 다른 이종상품인 핸드백을 나타내는 영역에 대한 장애물 이미지(2)가 존재하는 경우, 해당 장애물 이미지(2)를 기반으로 해당 대표상품 이미지(1)로부터 상기 핸드백 영역에 대한 삭제 이미지 처리가 수행된 손실 이미지(3)를 획득할 수 있다.
또한, 실시예에서 검색 어플리케이션(211)은, 장애물이 제거된 대표상품 이미지(즉, 손실 이미지(3))에 대한 이미지 복원을 수행할 수 있다.
자세히, 검색 어플리케이션(211)은, 상품검색 서버(400)와 연동하거나 또는 자체적인 프로세스에 의하여, 이미지 딥러닝 뉴럴 네트워크에 기반해 손실 이미지(3)에 대한 이미지 인페인팅(Image Inpainting)을 수행할 수 있다.
여기서, 실시예에 따른 이미지 인페인팅이란, 입력된 이미지(즉, 손실 이미지(3))에서 손실된 부분(즉, 대표상품 이미지(1)에서 제거된 영역)에 대한 이미지 복원을 수행하는 기술일 수 있다.
또한, 실시예에서 검색 어플리케이션(211)은, 이미지 딥러닝 뉴럴 네트워크를 통해 수행된 이미지 인페인팅에 기반하여, 손실 이미지(3)에 대한 복원이 수행된 이미지인 복구 이미지(4)를 획득할 수 있다.
이때, 검색 어플리케이션(211)은, 입력되는 이미지(즉, 손실 이미지(3))에 대한 이미지 인페인팅을 수행하도록 트레이닝된 이미지 딥러닝 뉴럴 네트워크를 사용하여, 해당하는 이미지에 대한 복구 이미지(4)를 획득할 수 있다.
즉, 실시예에서 검색 어플리케이션(211)은, 기학습된 이미지 딥러닝 뉴럴 네트워크에 기초한 이미지 인페인팅을 수행하여, 장애물 영역의 삭제로 인해 소정의 손실이 발생된 대표상품 이미지(1)에 대한 손실 복구를 수행할 수 있고, 이를 통해 복구 이미지(4)를 획득할 수 있다.
예를 들면, 검색 어플리케이션(211)은, 대표상품이 '원피스'인 대표상품 이미지(1)로부터, 이종상품인 핸드백을 나타내는 장애물 영역이 삭제 처리된 손실 이미지(3)인 경우, 해당 손실 이미지(3)를 기반으로 이미지 딥러닝 뉴럴 네트워크에 기초한 이미지 인페이팅을 수행하여, 해당 핸드백 장애물 영역이 삭제됨으로 인해 발생한 소정의 손실(예컨대, 원피스 이미지 영역 내의 특징벡터 손실 등)을 복원한 복구 이미지(4)를 획득할 수 있다.
이와 같이, 실시예에서 검색 어플리케이션(211)은, 대표상품 이미지에 상품검색 시 장애가 되는 요소(장애물)가 존재하는 경우, 해당 장애물을 제거한 뒤 복원된 이미지를 기초로 이미지에 기반한 상품검색을 수행함으로써, 이미지에 기반한 상품검색 서비스의 정확도 및 품질을 향상시킬 수 있다.
또한, 실시예에서 검색 어플리케이션(211)은, 이미지 딥러닝에 기반한 상품검색을 통해 검출된 유사상품을 제공할 수 있다. (S107)
자세히, 유사상품을 검출한 검색 어플리케이션(211)은, 쇼핑몰 서버(500) 및/또는 상품검색 서버(400)와 연동하여, 검출된 유사상품에 대한 관련 정보(예컨대, 해당 상품을 판매하는 쇼핑몰 정보, 해당 상품에 대한 상품 기본정보 및/또는 이미지 정보 등)를 획득할 수 있다.
그리고 검색 어플리케이션(211)은, 획득된 유사상품 관련 정보를 디스플레이(271, 371)로 출력하여 사용자에게 제공할 수 있다.
한편, 실시예에 따라서 검색 어플리케이션(211)은, 입력 이미지 내 타 상품 이미지에 기반한 상품검색을 수행할 수 있고, 수행된 상품검색을 통해 검출된 유사상품을 제공할 수 있다. (S109)
이하, 효과적인 설명을 위하여 상술된 기재와 중복되는 설명은 요약되거나 생략될 수 있다.
자세히, 검색 어플리케이션(211)은, 쇼핑몰 서버(500) 및/또는 상품검색 서버(400)와 연동하여, 입력 이미지 내 적어도 하나 이상의 상품 이미지 중, 상술된 프로세스를 거쳐 자동으로 선정되는 대표상품 이미지 외의 타 상품 이미지에 대한 딥러닝 기반의 상품검색을 수행할 수 있고, 수행된 상품검색을 통해 검출된 유사상품을 제공할 수 있다.
보다 상세히, 실시예에서 검색 어플리케이션(211)은, 입력 이미지에 대한 딥러닝을 기초로 획득된 복수의 상품 이미지 중 적어도 하나를 선택할 수 있는 검색상품 선택 인터페이스를 제공할 수 있다.
또한, 검색 어플리케이션(211)은, 제공된 검색상품 선택 인터페이스에 대한 사용자 입력을 기반으로, 검색상품 이미지를 선정할 수 있다.
여기서, 실시예에 따른 검색상품 이미지란, 검색상품 선택 인터페이스에 기반한 사용자의 입력에 의해 선택된 상품 이미지로서, 입력 이미지 내 복수의 오브젝트(상품) 중, 사용자에 의해 상품검색을 수행하고자 선택된 오브젝트인 검색상품 오브젝트를 포함하는 상품 이미지일 수 있다.
또한, 실시예에서 검색 어플리케이션(211)은, 검색상품 선택 인터페이스에 기반하여 선정된 검색상품 이미지를 기초로 딥러닝을 이용한 상품검색을 수행할 수 있다.
그리고 검색 어플리케이션(211)은, 수행된 이미지 딥러닝 기반의 상품검색에 기초하여 해당하는 검색상품과 소정의 유사도(예컨대, 소정의 퍼센트(%) 이상의 유사도 등)를 가지는 유사상품을 검출할 수 있다.
또한, 검색 어플리케이션(211)은, 검출된 유사상품에 대한 관련 정보(예컨대, 해당 상품을 판매하는 쇼핑몰 정보, 해당 상품에 대한 상품 기본정보 및/또는 이미지 정보 등)를 디스플레이(271, 371)로 출력하여 사용자에게 제공할 수 있다.
이와 같이, 검색 어플리케이션(211)은, 입력 이미지로부터 자동으로 선정된 대표상품에 대한 유사상품을 제공하는 것 외에, 해당 입력 이미지 내 타 상품에 대한 유사상품 또한 제공 가능함으로써, 이미지 기반의 상품검색 서비스의 사용성을 향상시킬 수 있고, 이를 통해 사용자 만족도와 서비스 경쟁력을 증대시킬 수 있다.
이상, 본 발명의 실시예에 따른 이미지 기반 상품검색 방법 및 그 시스템은, 이미지를 기반으로 상품을 검색할 시 해당 이미지 내 대표상품을 선정하여 상품검색을 수행함으로써, 이미지 내에 복수의 오브젝트(상품)가 존재하는 경우, 해당 이미지를 통해 검색하고자 하는 상품을 자동으로 선정할 수 있고, 이를 통해 이미지 기반 상품검색 시 일관된 검색 결과를 제공할 수 있는 효과가 있다.
또한, 본 발명의 실시예에 따른 이미지 기반 상품검색 방법 및 그 시스템은, 이미지 내 적어도 하나 이상의 오브젝트가 존재하면, 해당 오브젝트 중에서 검색하고자 하는 상품인 대표상품을 선정하고, 선정된 대표상품에 대한 이미지에 기초하여 상품검색을 수행함으로써, 해당 이미지 내에 복수의 오브젝트가 존재하더라도 사용자가 해당 이미지를 통해 검색하려는 상품을 선택해주어야 하는 등의 추가적인 액션을 최소화할 수 있는 효과가 있다.
또한, 본 발명의 실시예에 따른 이미지 기반 상품검색 방법 및 그 시스템은, 자동으로 선정된 대표상품에 대한 이미지를 기초로 상품검색을 수행하여 대응되는 유사상품을 검출해 제공함으로써, 이미지를 입력하는 동작만으로도 검색하고자 하는 상품에 대한 유사상품을 획득할 수 있고, 이를 통해 이미지 기반 상품검색에 소요되는 비용(예를 들면, 입력 이미지 내 복수의 오브젝트 중 검색하고자 하는 상품을 선택하는데 소비되는 비용 및/또는 시간 등)을 최소화할 수 있다.
또한, 본 발명의 실시예에 따른 이미지 기반 상품검색 방법 및 그 시스템은, 다각도로 설정된 기준(파라미터)을 기반으로 이미지에 대한 대표상품을 선정함으로써, 명확하고 객관적인 데이터에 기초하여 이미지로부터 검색하고자 하는 상품을 결정할 수 있는 효과가 있다.
또한, 본 발명의 실시예에 따른 이미지 기반 상품검색 방법 및 그 시스템은, 이미지에 상품검색 시 장애가 되는 요소가 존재하는 경우 해당 장애물을 제거한 뒤 복원된 이미지를 기초로 이미지에 기반한 상품검색을 수행함으로써, 이미지에 기반한 상품검색 서비스의 정확도 및 품질을 향상시킬 수 있는 효과가 있다.
또한, 본 발명의 실시예에 따른 이미지 기반 상품검색 방법 및 그 시스템은, 이미지로부터 자동으로 선정된 대표상품에 대한 유사상품을 제공하는 것 외에, 해당 이미지 내 타 오브젝트(상품)에 대한 유사상품을 제공 가능함으로써, 이미지 기반의 상품검색 서비스의 사용성을 향상시킬 수 있고, 이를 통해 사용자 만족도와 서비스 경쟁력을 증대시킬 수 있는 효과가 있다.
또한, 이상에서 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.
본 발명에서 설명하는 특정 실행들은 일 실시 예들로서, 어떠한 방법으로도 본 발명의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다. 또한, “필수적인”, “중요하게” 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.
또한 설명한 본 발명의 상세한 설명에서는 본 발명의 바람직한 실시 예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자 또는 해당 기술분야에 통상의 지식을 갖는 자라면 후술할 특허청구범위에 기재된 본 발명의 사상 및 기술 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명의 기술적 범위는 명세서의 상세한 설명에 기재된 내용으로 한정되는 것이 아니라 특허청구범위에 의해 정하여져야만 할 것이다.

Claims (20)

  1. 컴퓨팅 디바이스에 의하여 실행되는 상품검색 어플리케이션이 이미지 딥러닝에 기반한 상품검색을 수행하는 방법으로서,
    검색하고자 하는 상품을 촬영한 영상인 하나의 입력 이미지를 획득하는 단계;
    상기 획득된 하나의 입력 이미지를 오브젝트 디텍션 딥러닝 뉴럴 네트워크에 입력하여 상기 하나의 입력 이미지 내 복수의 오브젝트를 검출하는 단계;
    상기 복수의 오브젝트 중 상품검색 대상인 오브젝트를 대표상품으로 결정하는 단계;
    상기 결정된 대표상품의 이미지를 기초로 이미지 딥러닝에 기반한 유사상품을 검색하는 상품검색을 수행하는 단계; 및
    상기 수행된 상품검색에서 검색된 유사상품을 제공하는 단계를 포함하고,
    상기 복수의 오브젝트 중 상품검색 대상인 오브젝트를 대표상품으로 결정하는 단계는,
    상기 하나의 입력 이미지 내 상기 복수의 오브젝트 각각을 기초로 소정의 파라미터를 산출하는 단계와, 상기 산출된 소정의 파라미터를 기준으로 상기 복수의 오브젝트 중 검색하고자 하는 상품인 대표상품 오브젝트를 검출하는 단계를 포함하는
    이미지 기반 상품검색 방법.
  2. 제 1 항에 있어서,
    상기 입력 이미지 내 복수의 오브젝트를 검출하는 단계는,
    상기 입력 이미지 내 검출된 복수의 오브젝트를 각각 기준하여 설정된 소정의 영역에 대한 경계를 나타내는 바운딩 박스를 생성하는 단계와,
    상기 바운딩 박스 별 이미지를 상품 이미지로 결정하는 단계를 포함하는
    이미지 기반 상품검색 방법.
  3. 삭제
  4. 제 1 항에 있어서,
    상기 파라미터는,
    넓이 파라미터, 신뢰도 점수(confidence score) 파라미터, 포커싱 점수(focusing score) 파라미터 및 통합 파라미터 중 적어도 둘 이상을 포함하는
    이미지 기반 상품검색 방법.
  5. 제 4 항에 있어서,
    상기 대표상품 오브젝트를 검출하는 단계는,
    상기 넓이 파라미터에 기초하여 상기 대표상품 오브젝트를 검출하는 단계를 포함하고,
    상기 넓이 파라미터는,
    상기 입력 이미지 내 오브젝트가 차지하는 영역의 넓이를 나타내는 요소인
    이미지 기반 상품검색 방법.
  6. 제 5 항에 있어서,
    상기 넓이 파라미터에 기초하여 상기 대표상품 오브젝트를 검출하는 단계는,
    크기 보정상수에 기반하여 상기 넓이 파라미터를 획득하는 단계를 포함하고,
    상기 크기 보정상수는,
    상기 입력 이미지 내 오브젝트의 제품군에 따라서 상기 오브젝트의 넓이를 보정하는 상수 값인
    이미지 기반 상품검색 방법.
  7. 제 4 항에 있어서,
    상기 대표상품 오브젝트를 검출하는 단계는,
    상기 신뢰도 점수 파라미터에 기초하여 상기 대표상품 오브젝트를 검출하는 단계를 포함하고,
    상기 신뢰도 점수 파라미터는,
    상기 딥러닝을 기초로 획득된 상기 입력 이미지 내 복수의 오브젝트 각각이, 상기 복수의 오브젝트 각각에 매칭되는 제품군으로 분류될 확률을 나타내는 요소인
    이미지 기반 상품검색 방법.
  8. 제 1 항에 있어서,
    상기 상품검색을 수행하는 단계는,
    상기 대표상품의 이미지 내에 상기 상품검색을 방해하는 오브젝트인 장애물이 포함된 경우, 상기 대표상품의 이미지로부터 상기 장애물을 제거한 이미지인 복구 이미지를 생성하는 단계를 포함하는
    이미지 기반 상품검색 방법.
  9. 제 8 항에 있어서,
    상기 상품검색을 수행하는 단계는,
    상기 생성된 복구 이미지에 기초한 딥러닝을 수행하여 상기 상품검색을 수행하는 단계를 포함하는
    이미지 기반 상품검색 방법.
  10. 제 1 항에 있어서,
    상기 입력 이미지 내 상기 대표상품의 이미지 외의 타 상품 이미지에 기반한 상품검색을 수행하는 단계와,
    상기 타 상품 이미지에 기반한 상품검색을 기초로 검출된 유사상품을 제공하는 단계를 더 포함하는
    이미지 기반 상품검색 방법.
  11. 이미지 딥러닝 기반의 상품검색을 수행하는 상품검색 어플리케이션을 실행하는 컴퓨팅 디바이스;
    상기 상품검색 어플리케이션이 동작하는 환경을 제공하는 상품검색 서버; 및
    온라인 쇼핑몰 서비스를 기반으로 상기 상품검색에 필요한 데이터를 제공하는 쇼핑몰 서버를 포함하고,
    상기 컴퓨팅 디바이스는,
    상기 상품검색 어플리케이션을 제어하여, 검색하고자 하는 상품을 촬영한 영상인 하나의 입력 이미지를 획득하고, 상기 획득된 하나의 입력 이미지를 오브젝트 디텍션 딥러닝 뉴럴 네트워크에 입력하여 상기 하나의 입력 이미지 내 복수의 오브젝트를 검출하며,
    상기 복수의 오브젝트 중 상품검색 대상인 오브젝트를 대표상품으로 결정하고, 상기 결정된 대표상품의 이미지를 기초로 이미지 딥러닝에 기반한 유사상품을 검색하는 상품검색을 수행하며, 상기 수행된 상품검색에서 검색된 유사상품을 제공하고,
    상기 하나의 입력 이미지 내 상기 복수의 오브젝트 각각을 기초로 소정의 파라미터를 산출하고, 상기 산출된 소정의 파라미터를 기준으로 상기 복수의 오브젝트 중 검색하고자 하는 상품인 대표상품 오브젝트를 검출하는
    이미지 기반 상품검색 시스템.
  12. 제 11 항에 있어서,
    상기 컴퓨팅 디바이스는,
    상기 입력 이미지 내 검출된 복수의 오브젝트를 각각 기준하여 설정된 소정의 영역에 대한 경계를 나타내는 바운딩 박스를 생성하고, 상기 생성된 바운딩 박스 별 이미지를 상품 이미지로 결정하는
    이미지 기반 상품검색 시스템.
  13. 삭제
  14. 제 11 항에 있어서,
    상기 컴퓨팅 디바이스는,
    넓이 파라미터, 신뢰도 점수(confidence score) 파라미터, 포커싱 점수(focusing score) 파라미터 및 통합 파라미터 중 적어도 둘 이상을 포함하여 상기 파라미터를 산출하는
    이미지 기반 상품검색 시스템.
  15. 제 14 항에 있어서,
    상기 컴퓨팅 디바이스는,
    상기 입력 이미지 내 오브젝트가 차지하는 영역의 넓이를 나타내는 요소인 상기 넓이 파라미터를 기초로 상기 대표상품 오브젝트를 검출하는
    이미지 기반 상품검색 시스템.
  16. 제 15 항에 있어서,
    상기 컴퓨팅 디바이스는,
    상기 입력 이미지 내 오브젝트의 제품군에 따라서 상기 오브젝트의 넓이를 보정하는 상수 값인 크기 보정상수에 기반하여 상기 넓이 파라미터를 획득하는
    이미지 기반 상품검색 시스템.
  17. 제 14 항에 있어서,
    상기 컴퓨팅 디바이스는,
    상기 딥러닝을 기초로 획득된 상기 입력 이미지 내 복수의 오브젝트 각각이, 상기 복수의 오브젝트 각각에 매칭되는 제품군으로 분류될 확률을 나타내는 요소인 상기 신뢰도 점수 파라미터에 기초하여 상기 대표상품 오브젝트를 검출하는
    이미지 기반 상품검색 시스템.
  18. 제 11 항에 있어서,
    상기 컴퓨팅 디바이스는,
    상기 대표상품의 이미지 내에 상기 상품검색을 방해하는 오브젝트인 장애물이 포함된 경우, 상기 대표상품의 이미지로부터 상기 장애물을 제거한 이미지인 복구 이미지를 생성하는
    이미지 기반 상품검색 시스템.
  19. 제 18 항에 있어서,
    상기 컴퓨팅 디바이스는,
    상기 생성된 복구 이미지에 기초한 딥러닝을 수행하여 상기 상품검색을 수행하는
    이미지 기반 상품검색 시스템.
  20. 제 11 항에 있어서,
    상기 컴퓨팅 디바이스는,
    상기 입력 이미지 내 상기 대표상품의 이미지 외의 타 상품 이미지에 기반한 상품검색을 수행하고, 상기 타 상품 이미지에 기반한 상품검색을 기초로 검출된 유사상품을 제공하는
    이미지 기반 상품검색 시스템.
KR1020200107961A 2020-08-26 2020-08-26 이미지 기반 상품검색 방법 및 그 시스템 KR102401626B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200107961A KR102401626B1 (ko) 2020-08-26 2020-08-26 이미지 기반 상품검색 방법 및 그 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200107961A KR102401626B1 (ko) 2020-08-26 2020-08-26 이미지 기반 상품검색 방법 및 그 시스템

Publications (2)

Publication Number Publication Date
KR20220026880A KR20220026880A (ko) 2022-03-07
KR102401626B1 true KR102401626B1 (ko) 2022-05-25

Family

ID=80817776

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200107961A KR102401626B1 (ko) 2020-08-26 2020-08-26 이미지 기반 상품검색 방법 및 그 시스템

Country Status (1)

Country Link
KR (1) KR102401626B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009230703A (ja) * 2008-03-25 2009-10-08 Fujifilm Corp オブジェクト検出方法、オブジェクト検出装置、およびオブジェクト検出プログラム
KR101768521B1 (ko) * 2016-05-02 2017-08-17 네이버 주식회사 이미지에 포함된 객체에 대한 정보 데이터를 제공하는 방법 및 시스템

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101852598B1 (ko) 2016-11-18 2018-04-26 설영석 사물 인식을 이용한 상품 검색 시스템
KR102116264B1 (ko) * 2018-04-02 2020-06-05 카페24 주식회사 대표이미지 추천 방법 및 장치, 및 시스템
KR102221122B1 (ko) * 2019-01-28 2021-02-25 네이버 주식회사 이미지 검색 장치 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009230703A (ja) * 2008-03-25 2009-10-08 Fujifilm Corp オブジェクト検出方法、オブジェクト検出装置、およびオブジェクト検出プログラム
KR101768521B1 (ko) * 2016-05-02 2017-08-17 네이버 주식회사 이미지에 포함된 객체에 대한 정보 데이터를 제공하는 방법 및 시스템

Also Published As

Publication number Publication date
KR20220026880A (ko) 2022-03-07

Similar Documents

Publication Publication Date Title
US11587297B2 (en) Virtual content generation
US9424461B1 (en) Object recognition for three-dimensional bodies
US10915167B2 (en) Rendering rich media content based on head position information
US10346684B2 (en) Visual search utilizing color descriptors
CN105934760B (zh) 利用计算机视觉辅助的适应性图像搜索
KR102430029B1 (ko) 딥러닝 기반 유사상품 검색 결과 제공 방법 및 그 시스템
US10326928B2 (en) Image processing apparatus for determining whether section of target area matches section of person area and control method thereof
US11727605B2 (en) Method and system for creating virtual image based deep-learning
CN112749350B (zh) 推荐对象的信息处理方法、装置、存储介质与电子设备
US9058660B2 (en) Feature searching based on feature quality information
US11106913B2 (en) Method and electronic device for providing object recognition result
US11436804B2 (en) Augmented reality system
US9076062B2 (en) Feature searching along a path of increasing similarity
US9990665B1 (en) Interfaces for item search
KR102467010B1 (ko) 이미지 복원에 기반한 상품 검색 방법 및 시스템
CN112766406A (zh) 物品图像的处理方法、装置、计算机设备及存储介质
US12118765B2 (en) Method and system for product search based on deep-learning
CN115777117A (zh) 人-物体场景识别方法、装置及计算机可读存储介质
KR102401626B1 (ko) 이미지 기반 상품검색 방법 및 그 시스템
WO2019207875A1 (ja) 情報処理装置、情報処理方法及びプログラム
US20240203069A1 (en) Method and system for tracking object for augmented reality
KR20240095674A (ko) 증강현실을 위한 객체 트래킹 방법 및 시스템

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right