KR102410404B1 - 언더 디스플레이 카메라를 이용하는 스마트 거울 - Google Patents

Abstract

본 개시의 몇몇 실시예에 따른, 스마트 거울 디바이스가 개시된다. 상기 스마트 거울 디바이스는 언더 디스플레이 카메라를 활용하는 스마트 거울 디바이스로써, 빛을 반사시켜 대향하는 제 1 객체의 형상을 비추는 거울부; 및 상기 거울부를 통과하여 영상을 외부로 출력하기 위한 디스플레이 유닛, 상기 언더 디스플레이 카메라로 활용되는 카메라 유닛 및 상기 카메라 유닛과 상기 디스플레이 유닛의 동작을 제어하는 프로세서를 포함하는 후면커버를 포함할 수 있다.

Description

언더 디스플레이 카메라를 이용하는 스마트 거울{SMART MIRROR USING UNDER DISPLAY CAMERA}

본 개시는 정보 처리 분야에 관한 것으로, 보다 구체적으로 이미지 정보 처리에 관한 것이다.

사물인터넷(IoT-Internet of Things)은 각종 사물에 센서와 통신 기능을 내장하여 컴퓨팅 장치에 연결하는 기술, 즉, 무선 통신을 통해 각종 사물을 연결하는 기술을 의미한다. 여기서 사물이란 임베디드 시스템을 포함하는 모든 제품 또는 물건이 될 수 있다. 이러한 IoT는 이미 여러 산업 분야에서 사용되고 있고, 소비자전자제품 분야에서도 IoT와 그 분야의 기술이 응용된 제품들이 다양하게 출시되고 있다. 2009년까지 사물인터넷 기술을 사용하는 사물의 개수는 9억여개였으나 2020년에는 이 수가 260억 개에 이른 것으로 예상된다. 이와 같이 많은 사물이 연결되면 인터넷을 통해 방대한 데이터가 모이게 되는데, 이렇게 모인 데이터를 빅 데이터라고 부른다. 따라서, 빅 데이터를 분석하는 효율적인 알고리즘의 기술도 함께 대두되고 있다.

이러한 IoT의 발전에 따라 IoT 기술이 접목된 가전, 인테리어 제품들이 소비자들의 각광을 받으면서 다양한 스마트 기기들이 제작되고 있다. 스마트 기기들에 대한 수요가 증가됨에 따라 스마트 미러에 대한 수요도도 증가하고 있다. 스마트 미러는 거울과 디스플레이 패널이 합쳐져 소비자들에게 거울에 투영된 사물의 모습뿐만 아니라 기타 IoT 디바이스들과 연동하여 홈 시큐리티, 전등, 가스, 난방 등 집안 환경에 대한 스마트홈 제어도 제공할 수 있다.

대한민국 공개특허공보 제 10-2021-0018228 호

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 사용자의 편의를 위한 틸팅이 가능한 언더 디스플레이 카메라를 장착한 스마트 거울 디바이스를 제공하고자 한다.

본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 사용자의 편의를 위한 틸팅이 가능한 언더 디스플레이 카메라를 장착한 스마트 거울 디바이스를 제공하고자 한다. 상기 스마트 거울 디바이스는, 언더 디스플레이 카메라를 활용하는 스마트 거울 디바이스로서, 빛을 반사시켜 대향하는 제 1 객체의 형상을 비추는 거울부; 및 상기 거울부를 통과하여 영상을 외부로 출력하기 위한 디스플레이 유닛, 상기 언더 디스플레이 카메라로 활용되는 카메라 유닛 및 상기 카메라 유닛과 상기 디스플레이 유닛의 동작을 제어하는 프로세서를 포함하는 후면커버;를 포함하며, 상기 후면커버는 상기 거울부에 후방에 위치할 수 있다.

일 실시예에서, 상기 거울부와 상기 후면 커버의 카메라 유닛 사이에 형성되는 공간에는 상기 카메라 유닛의 카메라 글래스와 동일한 굴절률을 갖는 내부 물질이 채워질 수 있다.

일 실시예에서, 상기 후면 커버에는 Anti-Reflection (AR) 코팅이 적용될 수 있다.

일 실시예에서, 상기 거울부와 상기 후면 커버의 카메라 유닛 사이에 형성되는 공간에는 상기 카메라 유닛의 촬영 품질을 강화하기 위한 내부 물질이 채워질 수 있다.

일 실시예에서, 상기 내부 물질에는 Anti-Reflection (AR) 코팅이 적용될 수 있다.

일 실시예에서, 상기 카메라 유닛의 렌즈가 지향하는 방향과 상기 거울부의 배치 방향 간의 각도가 수직이 아닌 틸팅 각도일 수 있다.

일 실시예에서, 상기 카메라 유닛은 영상의 픽셀의 깊이 값을 계산함으로써 객체의 깊이 정보를 획득하는 3D 깊이 카메라일 수 있다.

일 실시예에서, 상기 카메라 유닛이 상기 거울부 상에서 보여지지 않도록, 상기 후면커버의 카메라 유닛의 위치와 대응되는 상기 거울부 상에서의 카메라 영역에 사전결정된 패턴이 인쇄될 수 있다.

일 실시예에서, 상기 후면커버의 카메라 유닛의 위치와 대응되는 상기 거울부 상에서의 카메라 영역에는 상기 카메라 유닛과 대응되는 개구부가 존재하지 않는 것을 특징으로 할 수 있다.

또한, 일 실시예에서, 상기 프로세서는, 사용자 입력에 응답하여: 상기 카메라 유닛이 상기 거울부의 전방에 위치한 제 1 객체에 대한 촬영을 하도록 제어하고, 그리고 상기 디스플레이 유닛이 상기 카메라 유닛의 영상 촬영의 결과에 따라 상기 제 1 객체를 포함하는 제 1 영상을 상기 거울부 상에서의 제 1 영역에서 출력하도록 제어할 수 있다.

일 실시예에서, 상기 프로세서는 제 1 객체가 상기 거울부의 전방에 위치한 상태로 사전결정된 시간 기간 동안 정지되어 있음을 감지한 경우, 상기 카메라 유닛이 상기 제 1 객체에 대한 촬영을 하도록 제어하고, 그리고 상기 디스플레이 유닛이 상기 카메라 유닛의 영상 촬영의 결과에 따라 상기 제 1 객체를 포함하는 제 1 영상을 상기 거울부 상에서의 제 1 영역에서 출력하도록 제어할 수 있다.

또한, 일 실시예에서, 상기 프로세서는 사전학습된 인공지능 모델을 사용하여, 상기 제 1 영상에서 상기 제 1 객체의 안면을 인식하고, 상기 인식된 제 1 객체의 안면과 관련된 안면 특징 정보를 생성하고, 그리고 상기 디스플레이 유닛이 상기 안면 특징 정보를 포함하는 제 2 영상을 제 2 영역에서 출력하도록 제어할 수 있다.

또한, 일 실시예에서, 상기 프로세서는 사전학습된 인공지능 모델을 사용하여, 상기 제 1 영상으로부터 상기 제 1 객체에 대한 분석 정보를 생성하고 그리고 상기 분석 정보에 기초하여 상기 제 1 영상과 상이한 제 2 영상에 대응하는 제 3 영상을 생성하며, 그리고 상기 디스플레이 유닛이 상기 제 3 영상을 상기 제 1 영상과 비교 가능한 형태로 출력하도록 제어할 수 있다.

일 실시예에서, 상기 프로세스는 사전학습된 인공지능 모델을 사용하여, 상기 제 1 영상에서 상기 객체의 안면을 인식하고 그리고 상기 인식된 객체의 안면을 다른 객체에 안면 영역에 삽입함으로써 상기 객체에 대한 합성 영상인 제 3 영상을 생성할 수 있다.

또한, 일 실시예에서, 상기 프로세서는 사전학습된 인공지능 모델을 사용하여, 상기 제 1 영상에서 상기 객체의 안면을 인식하고 그리고 상기 인식된 객체의 안면 및 상기 제 1 객체에 대한 분석 정보를 기초로 하여 상기 제 1 객체에 대한 추천 헤어스타일이 반영된 합성 영상을 생성할 수 있다.

본 개시의 일 실시예에 따르면, 사용자의 편의를 위한 틸팅이 가능한 언더 디스플레이 카메라를 장착한 스마트 거울 디바이스를 제공할 수 있도록 한다.

본 개시의 적용 가능성의 추가적인 범위는 이하의 상세한 설명으로부터 명백해질 것이다. 그러나 본 발명의 사상 및 범위 내에서 다양한 변경 및 수정은 당업자에게 명확하게 이해될 수 있으므로, 상세한 설명 및 본 발명의 바람직한 실시 예와 같은 특정 실시 예는 단지 예시로 주어진 것으로 이해되어야 한다.

다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 특정 세부사항들 없이 실시될 수 있음은 명백할 것이다. 다른 예시들에서, 공지의 구조들 및 장치들이 하나 이상의 양상들의 기재를 용이하게 하기 위해 블록도 형태로 도시된다.
도 1은 본 개시의 몇몇 실시예에 따른 스마트 거울 디바이스를 제공하는 일례를 설명하기 위한 블록 구성도이다.
도 2는 본 개시의 몇몇 실시예에 따른 스마트 거울 디바이스가 영상을 생성하는 일례의 방법의 흐름도이다.
도 3은 본 개시의 몇몇 실시예에 따른 스마트 거울 디바이스의 객체를 인식하는 일례를 도시하기 위한 도면이다.
도 4는 본 개시의 몇몇 실시예에 따른 스마트 거울 디바이스의 내부구성 또는 단면의 일례를 도시하기 위한 도면이다.
도 5는 도 4에 포함된 카메라 유닛의 각도의 일례를 도시하기 위한 도면이다.
도 6은 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.
도 7은 본 개시의 내용의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 일반적인 개략도이다.

다양한 실시예들 및/또는 양상들이 이제 도면들을 참조하여 개시된다. 하기 설명에서는 설명을 목적으로, 하나 이상의 양상들의 전반적 이해를 돕기 위해 다수의 구체적인 세부사항들이 개시된다. 그러나, 이러한 양상(들)은 이러한 구체적인 세부사항들 없이도 실행될 수 있다는 점 또한 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 감지될 수 있을 것이다. 이후의 기재 및 첨부된 도면들은 하나 이상의 양상들의 특정한 예시적인 양상들을 상세하게 기술한다. 하지만, 이러한 양상들은 예시적인 것이고 다양한 양상들의 원리들에서의 다양한 방법들 중 일부가 이용될 수 있으며, 기술되는 설명들은 그러한 양상들 및 그들의 균등물들을 모두 포함하고자 하는 의도이다. 구체적으로, 본 명세서에서 사용되는 "실시예", "예", "양상", "예시" 등은 기술되는 임의의 양상 또는 설계가 다른 양상 또는 설계들보다 양호하다거나, 이점이 있는 것으로 해석되지 않을 수도 있다.

이하, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략한다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않는다.

비록 제 1, 제 2 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제 1 구성요소는 본 발명의 기술적 사상 내에서 제 2 구성요소 일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

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 의미하지만, 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.

더불어, 본 명세서에서 사용되는 용어 "정보" 및 "데이터"는 종종 서로 상호교환 가능하도록 사용될 수 있다.

이하의 설명에서 사용되는 구성 요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.

구성 요소(elements) 또는 층이 다른 구성 요소 또는 층의 "위(on)" 또는 "상(on)"으로 지칭되는 것은 다른 구성 요소 또는 층의 바로 위뿐만 아니라 중간에 다른 층 또는 다른 구성 요소를 개재한 경우를 모두 포함한다. 반면, 구성 요소가 "직접 위(directly on)" 또는 "바로 위"로 지칭되는 것은 중간에 다른 구성 요소 또는 층을 개재하지 않은 것을 나타낸다.

공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성 요소 또는 다른 구성 요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 소자의 서로 다른 방향을 포함하는 용어로 이해되어야 한다.

예를 들면, 도면에 도시되어 있는 구성 요소를 뒤집을 경우, 다른 구성 요소의 "아래(below)" 또는 "아래(beneath)"로 기술된 구성 요소는 다른 구성 요소의 "위(above)"에 놓여질 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성 요소는 다른 방향으로도 배향될 수 있고, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.

본 개시의 목적 및 효과, 그리고 그것들을 달성하기 위한 기술적 구성들은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 본 개시를 설명하는데 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 개시에서의 기능을 고려하여 정의된 용어들로써 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다.

그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있다. 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시는 청구항의 범주에 의해 정의될 뿐이다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.

도 1은 본 개시의 몇몇 실시예에 따른 스마트 거울 디바이스를 제공하는 일례를 설명하기 위한 블록 구성도이다.

도 1을 참조하면 스마트 거울 디바이스를 제공하는 방법은 스마트 거울 디바이스(200)에 포함된 거울부(210), 후면커버(220) 그리고 후면커버(220)에 포함되는 카메라 유닛(221), 디스플레이 유닛(222) 및 프로세서(223)에 의해 구현될 수 있다.

본 개시에서, 거울부(210)는 단순히 물체의 모습을 비추는 도구로 활용되는 용도에 그치지 않고, 시각적인 정보를 제공하는 용도 및/또는 외부로부터 입력 또는 정보를 수신하는 용도를 포함할 수 있다. 거울부(210)가 시각적인 정보를 제공하거나 외부로부터 입력 또는 정보를 수신하는 일례는 이하 도 2 내지 4를 통해 자세히 설명한다.

본 개시에서, 후면커버(220)는 거울부(210)의 후면에 부착되고, 케이스의 기능을 수행할 수 있다. 상기 후면커버(220)는 카메라 유닛(221), 디스플레이 유닛(222), 프로세서(223)를 포함할 수 있으며, 이에 한정되는 것은 아니다.

본 개시에서, 카메라 유닛(221)은 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리하는 하나 또는 복수의 카메라로 구비될 수 있다. 처리된 화상 프레임은 프로세서(223)에 의해 픽셀 단위로 데이터 처리되거나, 디스플레이 유닛(222)에서 표시(출력)될 수 있다. 또한, 카메라 유닛(221)은 촬영 객체의 3D 깊이를 측정할 수 있는 ToF(Time of Flight) 센서를 포함할 수 있다. ToF 센서는 LiDAR(Light Detection And Ranging) 센서일 수 있다. 상기 카메라 유닛(221)은 후면커버(220)의 내부에, 디스플레이 유닛(222)의 상부에 위치할 수 있으며, 카메라 유닛(221)의 위치는 이에 한정되는 것은 아니다. 카메라 유닛(221)은 이미지 센서 또는 ToF 센서를 통해 화상 프레임을 획득하고, 디스플레이 유닛(222)은 화상 프레임을 표시(출력)하는 구체적인 예시는 이하 도 2 내지 도 4를 통해 자세히 설명한다.

본 개시에서, 디스플레이 유닛(222)은 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. 그리고 디스플레이 유닛(222)은 프로세서(223)에서 처리되는 데이터를 표시(출력)한다. 구체적으로, 디스플레이 유닛(222)은 카메라 유닛(221)을 통해 획득된 화상 프레임을 표시(출력)할 수 있다. 디스플레이 유닛(222)은 후면커버(220)의 내부에, 거울부(210)와 밀착하는 곳에 위치할 수 있다. 디스플레이 유닛(222)에 데이터 또는 화상프레임이 표시(출력)되는 구체적인 예시는 이하 도 2를 통해 자세히 설명한다.

본 개시에서, 프로세서(223)는 통상적으로 컴퓨팅 장치의 동작 및 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 예를 들어, 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서 (microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.

프로세서(223)는 컴퓨팅 장치의 통신부를 통해 입력 또는 출력되는 신호, 데이터 등을 처리하거나 저장부에 데이터를 저장 또는 삭제함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다. 구체적으로, 스마트 거울 디바이스를 제공하는 경우, 프로세서(223)는 프로세서(223)내부에 저장된 응용프로그램으로 카메라 유닛(221)과 디스플레이 유닛(222)의 동작을 제어할 수 있다. 예를 들어, 카메라 유닛(221)의 렌즈가 지향하는 방향이 목표물을 향할 수 있도록 카메라 유닛(221)의 물리적 움직임을 제어한다. 또한, 프로세서(223)는 상기 응용 프로그램의 구동을 위하여, 스마트 거울 디바이스(200)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다. 예를 들어, 프로세서(223)는 카메라 유닛(221)이 영상을 획득할 수 있도록 하고, 획득된 영상에 대한 데이터를 처리하여 새로운 데이터를 생성할 수 있고, 디스플레이 유닛(222)을 통해 획득된 영상 및/또는 새로운 데이터를 표시(출력)하도록 제어할 수 있다. 구체적으로, 프로세서(223)는 카메라 유닛(221)을 통해 목표물에 대응하는 제 1 객체(100)를 포함하는 제 1 영상을 수신하고, 제 1 영상 및/또는 제 1 영상에 대응하는 제 2 영상, 제 3 영상을 디스플레이 유닛(222)에서 출력할 수 있도록 한다. 제 1 영상, 제 1 영상, 제 3 영상에 대한 정의 및 예시는 이하 도 2 내지 도 3을 통해 자세히 설명한다.

프로세서(223)는 상기 응용 프로그램과 관련된 동작 외에도, 스마트 거울 디바이스(200)의 전반적인 동작을 제어한다. 프로세서(223)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 저장부에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.

도 1에서는 스마트 거울 디바이스(200)만이 도시되었으나, 추가적인 실시예에서, 외부 서버(미도시)로부터 생성된 데이터를 스마트 거울 디바이스(200)가 수신하여 본 개시의 일 실시예에 따른 동작을 수행할 수도 있다. 이러한 예시에서, 스마트 거울 디바이스(200)의 프로세서(223)의 기능 또는 동작 중 적어도 일부는 외부 서버에서 수행될 수도 있다.

상기 각 구성요소들 중 적어도 일부는, 이하에서 설명되는 다양한 실시 예들에 따른 스마트 거울 디바이스(200)의 동작, 제어, 또는 제어방법을 구현하기 위하여 서로 협력하여 동작할 수 있다.

도 2는 본 개시의 몇몇 실시예에 따른 스마트 거울 디바이스가 영상을 생성하는 일례의 방법의 흐름도이다.

도 2를 참조하면, S100 단계에서, 스마트 거울 디바이스(200)는 제 1 객체(100)를 포함하는 제 1 영상을 생성할 수 있다. 구체적으로, 스마트 거울 디바이스(200)의 프로세서(223)는 카메라 유닛(221)을 통해 제 1 객체(100)를 포함하는 영상을 획득하고, 획득된 영상을 제 1 영상으로 생성한다. 제 1 객체(100) 및 제 1 영상에 대한 상세한 설명은 이하 도 3을 자세히 통해 설명한다.

S200 단계에서, 스마트 거울 디바이스(200)는 제 1 객체(100)에 기초한 제 2 영상을 생성할 수 있다. 구체적으로, 스마트 거울 디바이스(200)의 프로세서(223)는 인공지능 모델을 활용하여, S100 단계에서 획득한 제 1 영상에 포함된 제 1 객체(100)의 안면을 인식하고, 인식된 안면 특징 정보를 생성할 수 있다. 그리고 프로세서(223)는 안면 특징 정보를 포함하는 제 2 영상을 디스플레이 유닛(222)을 통해 출력하도록 제어할 수 있다. 제 2 영상에 대한 상세한 설명은 이하 도 3을 통해 자세히 설명한다.

S300 단계에서, 스마트 거울 디바이스(200)는 제 1 영상과 상이하고, 제 2 영상에 대응하는 제 3 영상을 생성할 수 있다. 구체적으로, 스마트 거울 디바이스(200)의 프로세서(223)는 인공지능 모델을 활용하여, 제 1 객체(100)에 대한 분석 정보를 생성하고, 상기 분석 정보에 기초한 제 1 영상과 상이하고 제 2 영상에 대응하는 제 3 영상을 생성할 수 있다. 그리고 프로세서(223)는 제 3 영상을 디스플레이 유닛(222)을 통해 출력하도록 제어할 수 있다. 제 3 영상에 대한 상세한 설명은 이하 도 3을 통해 자세히 설명한다.

상기 프로세서(223)가 인공지능 모델을 활용하여 영상을 생성하는 방법에 대한 구체적인 설명은 이하 도 6을 통해 자세히 설명한다.

도 3은 본 개시의 몇몇 실시예에 따른 스마트 거울 디바이스의 객체를 인식하는 일례를 도시하기 위한 도면이다.

도 3을 참조하면, 도 1을 참조하여, 스마트 거울 디바이스(200)는 거울부(210) 상에 제 1 객체(100)를 포함하는 제 1 영상을 출력하는 제 1 영역(211), 제 1 영상에 대응하는 제 2 영상을 출력하는 제 2 영역(212), 제 1 영상과 상이한 제 2 영상에 대응하는 제 3 영상을 출력하는 제 3 영역(213) 및/또는 카메라 유닛(221)의 위치와 대응하는 카메라 영역(214)을 포함할 수 있다. 제 1 객체(100)는 사람의 상반신 또는 안면을 의미할 수 있다. 제 1 영상은 사람의 상반신 또는 안면을 촬영한 영상을 의미할 수 있다. 예를 들어, 프로세서(223)는 제 1 객체(100)를 포함한 제 1 영상을 생성하고, 제 1 영상을 제 1 영역(211)에 표시(출력)하게 할 수 있다. 상기 제 1 영상이 카메라 유닛(221)을 통해 획득되는 단계는, 프로세서(223)에 의해, 사용자의 입력을 감지한 경우 또는 제 1 객체(100)가 거울부(210)의 전면에 위치한 상태로 사전결정된 시간 기간 동안 정지되어 있음을 감지한 경우 수행될 수 있다.

또한, 프로세서(223)는 사전학습된 인공지능 모델을 사용하여, 제 1 영상으로부터 제 1 객체(100)의 안면을 인식하고, 상기 안면 특징 정보를 생성할 수 있다. 상기 안면 특징 정보는 ToF 센서를 통해 획득한 제 1 객체(100)의 3D 깊이 정보를 포함할 수 있다. 그리고 디스플레이 유닛(222)은 상기 안면 특징 정보를 포함하는 제 2 영상을 제 2 영역(212)에서 출력할 수 있다.

또한, 프로세서(223)는 제 1 객체(100)에 대한 분석 정보를 생성하고, 상기 분석 정보에 기초하여 제 1 영상과 상이한 제 2 영상에 대응하는 제 3 영상을 생성할 수 있다. 그리고 디스플레이 유닛(222)은 제 3 영상을 상기 제 1 영상과 비교 가능한 형태로 제 3 영역(213)에서 출력할 수 있다. 상기 분석 정보를 생성하는 방법은 이하 도 6을 통해 자세히 설명한다. 구체적으로 제 3 영상은 사전학습된 인공지능 모델을 사용하여 제 1 영상에서 제 1 객체(100)의 안면을 인식하고, 상기 제 1 객체(100)의 안면 영역에 다른 객체의 안면 영역을 삽입하여 합성한 영상일 수 있다. 또한, 프로세서(223)는 제 1 객체(100)에 대한 분석 정보를 기초로 하여 제 1 객체(100)에 대한 추천 스타일(헤어, 메이크업, 안경 등)이 반영된 합성 영상을 제 3 영상으로 생성할 수 있다.

상기 제 1 영역(211), 제 2 영역(212), 제 3 영역(213)은 프로세서(223)에 의해 상기 제 1, 제 2, 제 3 영상들을 출력하는 용도로 제한되지 않는다는 것은 본 개시의 당업자라면 충분히 이해될 수 있을 것이다.

그리고 카메라 영역(214)은 사물을 반사시키는 거울로 사용되기 위해, 카메라 유닛(221)이 거울부(210) 외부로 노출되는 개구부가 아닌, 사전결정된 패턴으로 인쇄되어 있으며, 상기 패턴은 카메라 유닛(221)이 거울부(210)를 통해 외부로 시각적으로 노출되지 않도록 하는 거울부(210)와 유사한 패턴일 수 있다.

본 개시에서, 상기 제 1 영역(211), 제 2 영역(212), 제 3 영역(213), 카메라 영역(214)의 거울부(210) 상에서의 모양, 넓이, 위치 등 물리적인 제약은 예시일 뿐 이에 한정되는 것은 아니다. 그리고 거울부(210)는 본 개시에서 언급되지 않은 영역을 더 포함할 수 있다.

도 4는 본 개시의 몇몇 실시예에 따른 스마트 거울 디바이스의 내부구성 또는 단면의 일례를 도시하기 위한 도면이다.

도 4를 참조하면, 도 1을 참조하여, 거울부(210)는 후면커버(220)와 대향하고, 카메라 유닛(221)이 촬영하는 방향의 전면에 배치되어 있고, 카메라 유닛(221)은 후면커버(220) 내부에 디스플레이 유닛(222)의 상층부에 배치되어 있고, 디스플레이 유닛(222)은 후면커버(220) 내부에 거울부(210)에 밀접하는 위치에 배치되어 있다. 카메라 유닛(221)이 수직인 경우, 카메라 유닛(221)은 거울부(210)와 밀착되어 공간(230)이 존재하지 않을 수 있다. 카메라 유닛(221)은 렌즈가 지향하는 방향이 거울부(210)와 수직이 아닌 틸팅(tilting) 각도일 수 있다. 후면커버(220)는 카메라 유닛(221)이 틸팅 각도인 경우, 거울부(210)와 카메라 유닛(221) 사이에 공간(230)을 포함할 수 있다. 상기 공간(230)은 카메라 유닛(221)의 글래스(렌즈)와 사전결정된 유사 범위 이내의 굴절률 혹은 동일한 굴절률을 갖는 내부 물질로 채워질 수 있다. 상기 카메라 유닛(221)은, 후면커버(220)의 내부 공간(230)에 내부 물질이 존재하지 않거나 내부 물질의 굴절률이 글래스와 일치하지 않은 경우 혹은 특정 범위 이상의 차이가 발생하는 경우, 카메라 유닛(221)을 통해 획득된 사진 또는 영상에 반사 및 빛 번짐 등과 같은 불필요한 잡음인 미광(starry light)이 발생하여 사진 또는 영상의 질이나 선명도를 떨어뜨릴 수 있다. 이러한 미광에 대한 발생을 추가로 방지하기 위해 상기 내부 물질에 Anti-Reflection(AR) 코팅을 적용할 수 있다. 추가적인 실시예에서, 상기 Anti-Reflection(AR) 코팅은 후면 커버의 적어도 일부분에 적용될 수도 있다.

도 5는 도 4에 포함된 카메라 유닛의 각도의 일례를 도시하기 위한 도면이다.

도 5를 참조하면, 카메라 유닛(221)은 거울부(210)와 대향하여 수직이거나 수직이 아닌 각도일 수 있다. 예를 들어, 카메라 유닛(221)이 수직으로 고정인 경우, 사용자는 카메라 유닛(221)의 촬영 프레임에 포함되기 위해 자세를 변형해야 하는 불편함을 감수해야 한다. 따라서, 카메라 유닛(221)은 목표물에 대응하는 제 1 객체(100)를 대향하는 각도로 틸팅이 가능하다.

도 6은 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.

도 6을 참조하면, 스마트 거울 디바이스(200)는 인공지능 모델을 포함하는 제 1 모듈 및 제 2 모듈을 포함할 수 있다.

제 1 모듈은 제 1 객체(100)의 이미지 특징을 추출하는 단계를 포함할 수 있다. 상기 제 1 객체(100)의 이미지 특징을 추출하는 단계는 이미지 세그멘테이션(Image Segmentation)기술을 포함할 수 있다. 예를 들어, 제 1 모듈은 제 1 객체(100)를 포함한 이미지의 각 픽셀을 특정 클래스로 분류할 수 있다. 상기 클래스는 본 개시에서, 사람의 안면에 대응하는'안면'클래스일 수 있다.

그리고 제 1 모듈은 상기 획득된 '안면'클래스 및/또는 제 1 영상을 통해 안면 특징 정보를 생성할 수 있다.

일 실시예에서, 제 1 모듈을 통해 안면 특징 정보를 생성하는 방법은 네트워크를 포함할 수 있다. 본 개시에서 제 1 모듈은 제 1 영상 입력받는 입력 뉴런들을 포함하는 입력 레이어, 하나 이상의 히든 레이어 및 벡터 공간 상에서의 상기 제 1 객체(100)의 안면 특징 정보를 출력하는 출력 뉴런을 포함하는 출력 레이어를 포함할 수 있다.

일 실시예에서, 상기 안면 특징 정보는 제 1 객체(100)의 안면의 3D 깊이, 색상, 크기, 형태 등 물리적인 특징을 포함할 수 있다. 제 1 객체(100)의 안면의 3D 깊이는 카메라 유닛(221)에 포함된 ToF 센서를 통해 획득된 데이터에 의해 생성될 수 있다.

제 2 모듈은 벡터 공간 상에서의 상기 제 1 영상 및/또는 제 2 영상에 대응하는 분석 정보를 생성하는 단계를 포함할 수 있다. 상기 분석 정보를 생성하는 단계는 제 1 객체(100)에 대응하는 참조 정보에 기초하여 생성하는 단계를 포함할 수 있다. 상기 참조 정보는 별도의 컴퓨팅 장치(미도시)에 사전저장된 제 1 객체(100)와 상이한 사람의 영상을 포함할 수 있다. 또한 제 2 모듈은 벡터 공간 상에서, 제 1 영상 및/또는 제 2 영상의 데이터를 픽셀 단위로 저장한 제 1 벡터값과 참조 정보의 데이터를 픽셀 단위로 저장한 제 2 벡터값을 생성할 수 있다. 그리고 제 2 모듈은 제 1 벡터값과 제 2 벡터값을 비교한 유사도 값을 획득할 수 있다. 상기 유사도 값을 계산하는 방법은, 예를 들어, 유클리디안 거리(Euclidean Distance), 맨해튼 거리(Manhattan Distance), 민코프스키 거리(Minkowski Distance), 코사인 유사도(Cosine Similarity) 등이 포함될 수 있으며 이에 한정된 것은 아니다. 예를 들어 제 2 모듈이 코사인 유사에 기반하여 유사도를 판단하는 경우, 유사도는 -1 에서 +1 범위 내에 포함되는 값일 수 있다.

본 명세서에 걸쳐, 인공지능 기반 모델, 인공지능 모델, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 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.

입력 데이터가 인공지능 모델의 입력 레이어에 입력되기 전에, 본 개시내용의 일 실시예에 따른 전처리 기법들이 수행될 수 있다. 예를 들어, 본 개시에서 입력 레이어에 입력되는 입력 데이터는 제 1 영상 또는 제 2 영상이 될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.

본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 이미지 또는 사진의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지 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(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 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 라벨링되어있는 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 라벨링된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.

본 개시의 일 실시예에 따른 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 손실 함수 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 손실 함수 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. 예를 들어, 데이터 구조는 원-핫 인코딩 결과 획득되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

도 7은 본 개시의 내용의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 일반적인 개략도이다.

도 7을 참조하면, 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 3개의 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.

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 신규 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

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.

전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한, 상기 컴퓨터는 단말기의 제어부(180)를 포함할 수도 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

Claims (15)

1. 언더 디스플레이 카메라를 활용하는 스마트 거울 디바이스로서,
   빛을 반사시켜 대향하는 제 1 객체의 형상을 비추는 거울부; 및
   상기 거울부를 통과하여 영상을 외부로 출력하기 위한 디스플레이 유닛, 상기 언더 디스플레이 카메라로 활용되는 카메라 유닛 및 상기 카메라 유닛과 상기 디스플레이 유닛의 동작을 제어하는 프로세서를 포함하는 후면커버;
   를 포함하며,
   상기 후면커버는 상기 거울부의 후방에 위치하고,
   상기 거울부와 상기 후면 커버의 카메라 유닛 사이에 형성되는 공간은 상기 카메라 유닛의 각도가 틸팅이 됨으로써 생기는 공간이며, 상기 공간에는 상기 카메라 유닛의 카메라 글래스와 동일한 굴절률을 갖는 내부 물질이 채워지는,
   스마트 거울 디바이스.
   
2. 제 1 항에 있어서,
   상기 거울부와 상기 후면 커버의 카메라 유닛 사이에 형성되는 공간에는 상기 카메라 유닛의 촬영 품질을 강화하기 위한 내부 물질이 채워지는,
   스마트 거울 디바이스.
   
3. 제 2 항에 있어서,
   상기 내부 물질에는 Anti-Reflection (AR) 코팅이 적용되는,
   스마트 거울 디바이스.
   
4. 삭제
5. 제 1 항에 있어서,
   상기 후면 커버에는 Anti-Reflection (AR) 코팅이 적용되는,
   스마트 거울 디바이스.
6. 제 1 항에 있어서,
   상기 카메라 유닛의 렌즈가 지향하는 방향에 대응되는 직선과 상기 거울부의 배치 방향에 대응되는 직선은 서로 직교하지 않고 평행이 아닌 각도를 가지는,
   스마트 거울 디바이스.
   
7. 제 1 항에 있어서,
   상기 카메라 유닛은 영상의 픽셀의 깊이 값을 계산함으로써 객체의 깊이 정보를 획득하는 3D 깊이 카메라인,
   스마트 거울 디바이스.
   
8. 제 1 항에 있어서,
   상기 카메라 유닛이 상기 거울부 상에서 보여지지 않도록, 상기 후면커버의 카메라 유닛의 위치와 대응되는 상기 거울부 상에서의 카메라 영역에 사전결정된 패턴이 인쇄되는,
   스마트 거울 디바이스.
   
9. 제 1 항에 있어서,
   상기 후면커버의 카메라 유닛의 위치와 대응되는 상기 거울부 상에서의 카메라 영역에는 상기 카메라 유닛과 대응되는 개구부가 존재하지 않는 것을 특징으로 하는,
   스마트 거울 디바이스.
   
10. 제 1 항에 있어서,
    상기 프로세서는, 사용자 입력에 응답하여:
    상기 카메라 유닛이 상기 거울부의 전방에 위치한 제 1 객체에 대한 촬영을 하도록 제어하고, 그리고
    상기 디스플레이 유닛이 상기 카메라 유닛의 영상 촬영의 결과에 따라 상기 제 1 객체를 포함하는 제 1 영상을 상기 거울부 상에서의 제 1 영역에서 출력하도록 제어하는,
    스마트 거울 디바이스.
    
11. 제 1 항에 있어서,
    상기 프로세서는,
    제 1 객체가 상기 거울부의 전방에 위치한 상태로 사전결정된 시간 기간 동안 정지되어 있음을 감지한 경우, 상기 카메라 유닛이 상기 제 1 객체에 대한 촬영을 하도록 제어하고, 그리고
    상기 디스플레이 유닛이 상기 카메라 유닛의 영상 촬영의 결과에 따라 상기 제 1 객체를 포함하는 제 1 영상을 상기 거울부 상에서의 제 1 영역에서 출력하도록 제어하는,
    스마트 거울 디바이스.
    
12. 제 10 항 또는 제 11 항에 있어서,
    상기 프로세서는,
    사전학습된 인공지능 모델을 사용하여, 상기 제 1 영상에서 상기 제 1 객체의 안면을 인식하고, 상기 인식된 제 1 객체의 안면과 관련된 안면 특징 정보를 생성하고, 그리고 상기 디스플레이 유닛이 상기 안면 특징 정보를 포함하는 제 2 영상을 제 2 영역에서 출력하도록 제어하는,
    스마트 거울 디바이스.
    
13. 제 10 항 또는 제 11 항에 있어서,
    상기 프로세서는,
    사전학습된 인공지능 모델을 사용하여, 상기 제 1 영상으로부터 상기 제 1 객체에 대한 분석 정보를 생성하고 그리고 상기 분석 정보에 기초하여 상기 제 1 영상과 상이한 제 2 영상에 대응하는 제 3 영상을 생성하며, 그리고
    상기 디스플레이 유닛이 상기 제 3 영상을 상기 제 1 영상과 비교 가능한 형태로 출력하도록 제어하는,
    스마트 거울 디바이스.
    
14. 제 13 항에 있어서,
    상기 프로세서는,
    상기 사전학습된 인공지능 모델을 사용하여 상기 제 1 영상에서 상기 객체의 안면을 인식하고 그리고 상기 인식된 객체의 안면을 다른 객체에 안면 영역에 삽입함으로써 상기 객체에 대한 합성 영상인 제 3 영상을 생성하는,
    스마트 거울 디바이스.
    
15. 제 13 항에 있어서,
    상기 프로세서는,
    상기 사전학습된 인공지능 모델을 사용하여 상기 제 1 영상에서 상기 객체의 안면을 인식하고 그리고 상기 인식된 객체의 안면 및 상기 제 1 객체에 대한 분석 정보를 기초로 하여 상기 제 1 객체에 대한 추천 헤어스타일이 반영된 합성 영상을 생성하는,
    스마트 거울 디바이스.
    

Images