KR102422916B1 - 하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 방법, 장치 및 컴퓨터프로그램 - Google Patents

하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 방법, 장치 및 컴퓨터프로그램 Download PDF

Info

Publication number
KR102422916B1
KR102422916B1 KR1020200052617A KR20200052617A KR102422916B1 KR 102422916 B1 KR102422916 B1 KR 102422916B1 KR 1020200052617 A KR1020200052617 A KR 1020200052617A KR 20200052617 A KR20200052617 A KR 20200052617A KR 102422916 B1 KR102422916 B1 KR 102422916B1
Authority
KR
South Korea
Prior art keywords
classification information
information
fashion
fashion image
artificial intelligence
Prior art date
Application number
KR1020200052617A
Other languages
English (en)
Other versions
KR20210030190A (ko
Inventor
권수희
Original Assignee
주식회사 웨얼리
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 주식회사 웨얼리 filed Critical 주식회사 웨얼리
Priority to PCT/KR2020/014141 priority Critical patent/WO2021221247A1/ko
Publication of KR20210030190A publication Critical patent/KR20210030190A/ko
Application granted granted Critical
Publication of KR102422916B1 publication Critical patent/KR102422916B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06K9/627—
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting

Landscapes

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

Abstract

하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 방법, 장치 및 컴퓨터프로그램이 제공된다. 본 발명의 일 실시예에 따른 하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 방법은 컴퓨팅 장치에 의해 수행되는 방법에 있어서, 패션 이미지를 얻는 단계, 상기 패션 이미지로부터 제1 분류 정보를 추출하는 단계, 상기 패션 이미지로부터 제2 분류 정보를 추출하는 단계, 상기 패션 이미지로부터 제3 분류 정보를 추출하는 단계, 상기 제1 분류 정보, 상기 제2 분류 정보 및 상기 제3 분류 정보 간의 연관 관계를 분석하는 단계 및 상기 연관 관계를 분석한 결과에 따라 상기 패션 이미지를 분류하는 단계를 포함한다.

Description

하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 방법, 장치 및 컴퓨터프로그램{METHOD, APPARATUS AND COMPUTER PROGRAM FOR ANALYZING FASHION IMAGE USING ARTIFICIAL INTELLIGENCE MODEL OF HIERARCHY STRUCTURE}
본 발명의 다양한 실시예는 하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 방법, 장치 및 컴퓨터프로그램에 관한 것이다.
인공지능 기술은 머신러닝(Machine Learning, 기계학습) 기술을 포함하며, 머신러닝 기술 중에서도 특히 영상을 분석하는 데 널리 이용되는 딥러닝(Deep Learning) 기술을 포함한다.
딥 러닝은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화(abstractions, 다량의 데이터나 복잡한 자료들 속에서 핵심적인 내용 또는 기능을 요약하는 작업)를 시도하는 기계학습(machine learning) 알고리즘의 집합으로 정의된다. 딥 러닝은 큰 틀에서 사람의 사고방식을 컴퓨터에게 가르치는 기계학습의 한 분야로 볼 수 있다.
어떠한 데이터가 있을 때 이를 컴퓨터가 알아들을 수 있는 형태(예를 들어, 영상의 경우는 픽셀정보를 열벡터로 표현하는 등)로 표현(representation)하고 이를 학습에 적용하기 위해 많은 연구(어떻게 하면 더 좋은 표현기법을 만들고 또 어떻게 이것들을 학습할 모델을 만들지에 대한)가 진행되고 있다. 이러한 노력의 결과로 다양한 딥 러닝 기법들이 개발되었다. 딥 러닝 기법들로는 심층 신경망(Deep Neural Networks, DNN), 합성곱 신경망(Convolutional deep Neural Networks, CNN), 순환 신경망(Recurrent Neural Network, RNN) 및 심층 신뢰 신경망(Deep Belief Networks, DBN)을 예로 들 수 있다.
심층 신경망(Deep Neural Networks, DNN)은 입력 계층(input layer)과 출력 계층(output layer) 사이에 복수개의 은닉 계층(hidden layer)들로 이뤄진 인공신경망(Artificial Neural Network, ANN)이다.
최근에는 이러한 인공지능 기술이 이미지 분석에 적용되어 이미지에 포함된 객체를 인식하고, 그 속성을 추출하는 데 널리 활용되고 있다. 이에 따라, 인공지능 기술을 이용하여 온라인 게시물들을 분석함으로써 패션 정보를 획득하는 기술들이 개발되고 있으나, 기존의 기술들은 이미지에 기반한 분석에만 그 범위가 제한되는 한계가 있었다.
한국공개특허 제10-2016-0120674호(2016.10.18)
본 발명이 해결하고자 하는 과제는 하이라키(Hierarchy) 구조를 가지는 3개의 인공지능 모델(예: 제1 인공지능 모델, 제2 인공지능 모델 및 제3 인공지능 모델)을 순차적으로 이용하여 패션 이미지를 분석 및 분류함으로써, 복잡하고 불명확한 내용들의 정성적인 결과물을 보다 정확하게 정량화하여 패션 이미지를 분류할 수 있는 하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 방법, 장치 및 컴퓨터프로그램을 제공하는 것이다.
본 발명이 해결하고자 하는 다른 과제는 하이라키 구조를 가지는 3개의 인공지능 모델로부터 추출된 복수의 분류 정보를 이용하여 추출된 복수의 분류 정보를 자체 검증함으로써 분류의 정확성을 향상시킬 수 있는 하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 방법, 장치 및 컴퓨터프로그램을 제공하는 것이다
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 방법은, 컴퓨팅 장치에 의해 수행되는 방법에 있어서, 패션 이미지를 얻는 단계, 상기 패션 이미지로부터 제1 분류 정보를 추출하는 단계, 상기 패션 이미지로부터 제2 분류 정보를 추출하는 단계, 상기 패션 이미지로부터 제3 분류 정보를 추출하는 단계, 상기 제1 분류 정보, 상기 제2 분류 정보 및 상기 제3 분류 정보 간의 연관 관계를 분석하는 단계 및 상기 연관 관계를 분석한 결과에 따라 상기 패션 이미지를 분류하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 제1 분류 정보를 추출하는 단계는, 기 설정된 스타일 정보가 레이블링된 복수의 패션 이미지를 학습 데이터로 하여 제1 인공지능 모델을 학습시키는 단계 및 상기 제1 인공지능 모델을 이용하여 상기 패션 이미지의 스타일을 가리키는 상기 제1 분류 정보를 추출하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 제2 분류 정보를 추출하는 단계는, 기 설정된 속성 정보가 레이블링된 복수의 패션 이미지를 학습 데이터로 하여 제2 인공지능 모델을 학습시키는 단계 및 상기 제2 인공지능 모델을 이용하여 상기 패션 이미지의 속성을 가리키는 상기 제2 분류 정보를 추출하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 제3 분류 정보를 추출하는 단계는, 기 설정된 감성 정보가 레이블링된 복수의 패션 이미지를 학습 데이터로 하여 제3 인공지능 모델을 학습시키는 단계 및 상기 제3 인공지능 모델을 이용하여 상기 패션 이미지의 감성을 가리키는 상기 제3 분류 정보를 추출하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 분석하는 단계는, 상기 패션 이미지에 대한 복수의 스타일 정보와 복수의 속성 정보 및 복수의 감성 정보 간의 연결 관계 및 종속 관계를 학습 데이터로 하여 제4 인공지능 모델을 학습시키는 단계 및 상기 제4 인공지능 모델을 이용하여 상기 제1 분류 정보, 상기 제2 분류 정보 및 상기 제3 분류 정보 간의 연관 관계를 추출하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 분류하는 단계는, 상기 연관 관계에 기초하여 상기 제2 분류 정보 및 상기 제3 분류 정보가 상기 제1 분류 정보에 종속되는지 여부를 판단하고, 상기 제1 분류 정보에 종속되는지 여부에 따라 상기 제1 분류 정보를 검증하는 단계, 상기 제2 분류 정보 및 상기 제3 분류 정보가 상기 제1 분류 정보에 종속되는 경우, 상기 제1 분류 정보에 기초하여 상기 패션 이미지를 분류하는 단계 및 상기 제2 분류 정보 및 상기 제3 분류 정보가 상기 제1 분류 정보에 종속되지 않는 경우, 상기 제2 분류 정보 및 상기 제3 분류 정보를 이용하여 상기 제1 분류 정보를 보정하고, 상기 보정된 제1 분류 정보에 기초하여 상기 패션 이미지를 분류하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 분류하는 단계는, 하나의 패션 이미지로부터 둘 이상의 제1 분류 정보가 추출되는 경우, 상기 제2 분류 정보 및 상기 제3 분류 정보와 상기 둘 이상의 제1 분류 정보 각각의 연관 관계를 분석하는 단계, 상기 연관 관계의 분석 결과에 따라 상기 둘 이상의 제1 분류 정보 중 어느 하나의 제1 분류 정보를 선택하는 단계 및 상기 선택한 어느 하나의 제1 분류 정보에 기초하여 상기 패션 이미지를 분류하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 분류하는 단계는, 상기 패션 이미지를 분석하여 상기 패션 이미지가 기 설정된 복수의 스타일 정보 각각에 속할 확률 값을 산출하고, 상기 산출된 확률 값 중 가장 높은 확률 값을 가지는 스타일 정보를 상기 패션 이미지에 대한 제1 분류 정보로써 추출하되, 상기 산출된 확률 값이 기 설정된 확률 값 미만이거나 상기 산출된 확률 값들 간의 차이가 기 설정된 차이 값 미만인 경우, 상기 패션 이미지의 속성 정보를 가리키는 상기 제2 분류 정보와 상기 패션 이미지의 감성 정보를 가리키는 상기 제3 분류 정보만을 이용하여 상기 패션 이미지를 분류하는 단계를 포함할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 다른 실시예에 따른 하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 장치는, 하나 이상의 인스트럭션을 저장하는 메모리 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고, 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 본 발명의 일 실시예에 따른 하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 방법을 수행할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 또 다른 실시예에 컴퓨터 프로그램은, 하드웨어인 컴퓨터와 결합되어, 본 발명의 일 실시예에 따른 하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장될 수 있다.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명의 다양한 실시예에 따르면, 하이라키 구조를 가지는 3개의 인공지능 모델(예: 제1 인공지능 모델, 제2 인공지능 모델 및 제3 인공지능 모델)을 순차적으로 이용하여 패션 이미지를 분석 및 분류함으로써, 복잡하고 불명확한 내용들의 정성적인 결과물을 보다 정확하게 정량화하여 패션 이미지를 분류할 수 있다는 이점이 있다.
또한, 하이라키 구조를 가지는 3개의 인공지능 모델로부터 추출된 복수의 분류 정보를 이용하여 추출된 복수의 분류 정보를 자체 검증함으로써 분류의 정확성을 향상시킬 수 있다는 이점이 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 시스템을 도시한 도면이다.
도 2는 본 발명의 다른 실시예에 따른 하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 장치의 하드웨어 구성도이다.
도 3은 본 발명의 또 다른 실시예에 따른 하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 방법의 순서도이다.
도 4 내지 6은 다양한 실시예에서, 제1 내지 제3 인공지능 모델을 이용하여 패션 이미지로부터 제1 내지 제3 분류 정보를 추출하는 구성을 도시한 도면이다.
도 7은 다양한 실시예에서, 제2 분류 정보와 제3 분류 정보를 이용하여 제1 분류 정보를 자체 검증하는 구성을 도시한 도면이다.
도 8은 다양한 실시예에서, 제2 분류 정보와 제3 분류 정보가 제1 분류 정보에 종속되는지 여부에 따라 패션 이미지를 분류하는 방법의 순서도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 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 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.
공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓여질 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.
본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.
또한, 본 명세서에서는 하이라키 구조의 인공지능 모델을 이용하여 패션 이미지를 분석 및 분류하는 것을 예시로 설명하고 있으나, 이에 한정되지 않고, 다양한 분야에 적용될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.
도 1은 본 발명의 일 실시예에 따른 하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 시스템을 도시한 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 시스템은 패션 이미지 분석 장치(100), 사용자 단말(200) 및 외부 서버(300)를 포함할 수 있다.
여기서, 도 1에 도시된 하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 시스템은 일 실시예에 따른 것이고, 그 구성 요소가 도 1에 도시된 실시예에 한정되는 것은 아니며, 필요에 따라 부가, 변경 또는 삭제될 수 있다.
일 실시예에서, 패션 이미지 분석 장치(100)는 패션 이미지예: 의류, 액세서리 등과 같은 패션 아이템, 패션 아이템을 착용한 사람 또는 마네킹을 촬영함으로써 생성된 이미지)를 분석하여 패션 이미지를 분류할 수 있다.
다양한 실시예에서, 패션 이미지 분석 장치(100)는 하이라키 구조의 인공지능 모델을 이용하여 패션 이미지를 분석함으로써, 패션 이미지를 분류하고, 패션 이미지에 대한 패션 정보를 제공할 수 있다. 예를 들어, 패션 이미지 분석 장치(100)는 제1 인공지능 모델, 제2 인공지능 모델 및 제3 인공지능 모델을 순차적으로 이용하여 패션 이미지로부터 제1 분류 정보, 제2 분류 정보 및 제3 분류 정보를 추출할 수 있고, 추출한 제1 분류 정보, 제2 분류 정보 및 제3 분류 정보를 이용하여 패션 이미지를 분류할 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 패션 이미지 분석 장치(100)는 제1 인공지능 모델, 제2 인공지능 모델 및 제3 인공지능 모델을 이용하여 추출한 제1 분류 정보, 제2 분류 정보 및 제3 분류 정보 간의 연관 관계(예: 연결 관계 및 종속 관계)를 분석하여 패션 이미지를 분류할 수 있다. 예를 들어, 패션 이미지 분석 장치(100)는 제4 인공지능 모델을 이용하여 제1 분류 정보, 제2 분류 정보 및 제3 분류 정보 간의 연관 관계를 추출하고, 추출한 연관 관계를 이용하여 패션 이미지를 분류할 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 패션 이미지 분석 장치(100)는 복수의 패션 이미지를 분석 및 분류한 결과 데이터를 이용하여 사용자에게 맞춤형 패션 정보를 제공하는 패션 정보 제공 서비스를 제공할 수 있다.
여기서, 패션 정보 제공 서비스는 사용자로부터 입력된 선호 패션 정보(예: 선호하는 패션 아이템에 대한 정보 등) 또는 패션 이미지를 업로드 받고, 이에 대한 응답으로 추천 패션 아이템을 선정하여 제공하는 서비스를 의미할 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 패선 이미지 분석 장치(100)는 사용자 단말(200)(예: 패션 전공자 또는 전문가의 단말)로 복수의 패션 이미지에 대한 레이블링 작업을 수행할 수 있는 UI를 제공할 수 있고, UI를 통해 생성된 레이블링 작업 결과 데이터(예: 특정 정보가 레이블링된 패션 이미지)를 제공받아 인공지능 모델 학습 데이터를 생성하기 위한 학습 데이터로써 사용할 수 있다.
일 실시예에서, 사용자 단말(200)은 네트워크(400)를 통해 패션 이미지 분석 장치(100)와 연결될 수 있으며, 패션 이미지 분석 장치(100)로 분류하고자 하는 패션 이미지를 제공하거나, 제공한 패션 이미지에 대한 분류 결과 및 패션 정보를 제공받을 수 있다.
다양한 실시예에서, 사용자 단말(200)은 사용자 단말(200)의 적어도 일부분에 디스플레이를 포함할 수 있으며, 디스플레이를 통해 패션 이미지 분석 장치(100)가 제공하는 사용자 인터페이스(User interface, UI)를 출력할 수 있고, UI를 통해 패션 이미지를 업로드하거나 업로드한 패션 이미지에 대한 분류 결과 및 패션 정보를 얻을 수 있다. 예를 들어, 사용자 단말(200)은 적어도 일부 영역에 디스플레이를 포함하는 스마트폰, 태블릿 PC, 데스크톱 및 노트북 중 적어도 하나를 포함할 수 있다. 그러나, 이에 한정되지 않는다.
일 실시예에서, 외부 서버(300)는 네트워크(400)를 통해 패션 이미지 분석 장치(100)와 연결될 수 있으며, 패션 이미지 분석 장치(100)가 패션 이미지 분석, 분류 및 패션 정보 생성하기 위해 필요한 각종 정보 및 데이터를 제공할 수 있다.
다양한 실시예에서, 외부 서버(300)는 패션 이미지 분석 장치(100)로부터 패션 이미지 분류 결과 데이터 및 패션 이미지에 대한 패션 정보 데이터를 제공받아 저장할 수 있다. 예를 들어, 외부 서버(300)는 각종 데이터를 저장 및 관리하기 위한 저장 서버(예: 클라우드 서버)를 포함할 수 있다. 그러나, 이에 한정되지 않고, 패션 이미지 분석 장치(100)는 내부에 별도의 저장 서버를 구비할 수 있으며, 내부에 별도로 구비되는 저장 서버에 각종 데이터를 저장 및 관리할 수 있다. 이하, 도 2를 참조하여, 패션 이미지 분석 장치(100)의 하드웨어 구성에 대해 설명하도록 한다.
도 2는 본 발명의 다른 실시예에 따른 하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 장치의 하드웨어 구성도이다.
도 2를 참조하면, 다양한 실시예에서, 패션 이미지 분석 장치(100)(이하, "컴퓨팅 장치(100)")는 프로세서(110) 및 메모리(120)를 포함할 수 있다. 다양한 실시예에서, 컴퓨팅 장치(100)는 네트워크 인터페이스(또는 통신 인터페이스)(미도시), 스토리지(미도시), 버스(bus)(미도시)를 더 포함할 수 있다.
일 실시예에서, 프로세서(110)는 컴퓨팅 장치(100)의 각 구성의 전반적인 동작을 제어할 수 있다. 프로세서(110)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), 또는 본 발명의 기술 분야에 잘 알려진 임의의 형태의 프로세서를 포함하여 구성될 수 있다.
다양한 실시예에서, 프로세서(110)는 본 발명의 실시예들에 따른 방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 다양한 실시예에서, 프로세서(110)는 하나 이상의 코어(core, 미도시) 및 그래픽 처리부(미도시) 및/또는 다른 구성 요소와 신호를 송수신하는 연결 통로(예: 버스(bus) 등)를 포함할 수 있다.
다양한 실시예에서, 프로세서(110)는 프로세서(110) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(110)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.
일 실시예에서, 프로세서(110)는 메모리(120)에 저장된 하나 이상의 인스트럭션(instruction)을 실행함으로써, 도 3 내지 8과 관련하여 설명될 방법(예: 하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 방법)을 수행할 수 있다.
예를 들어, 프로세서(110)는 메모리(120)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 패션 이미지를 얻는 단계, 패션 이미지로부터 제1 분류 정보를 추출하는 단계, 패션 이미지로부터 제2 분류 정보를 추출하는 단계, 패션 이미지로부터 제3 분류 정보를 추출하는 단계, 제1 분류 정보, 제2 분류 정보 및 제3 분류 정보 간의 연관 관계를 분석하는 단계 및 연관 관계를 분석한 결과에 따라 패션 이미지를 분류하는 단계를 포함하는 하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 방법을 수행할 수 있다. 그러나, 이에 한정되지 않는다.
일 실시예에서, 메모리(120)는 각종 데이터, 명령 및/또는 정보를 저장할 수 있다. 메모리(120)에는 프로세서(110)의 처리 및 제어를 위한 프로그램들(하나 이상의 인스트럭션들)을 저장할 수 있다. 메모리(120)에 저장된 프로그램들은 기능에 따라 복수 개의 모듈들로 구분될 수 있다.
다양한 실시예에서, 본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수 있다.
본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 이하, 도 3 내지 8을 참조하여 컴퓨팅 장치(100)가 수행하는 하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 방법에 대해 설명하도록 한다.
도 3은 본 발명의 또 다른 실시예에 따른 하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 방법의 순서도이다.
도 3을 참조하면, S110 단계에서, 컴퓨팅 장치(100)는 패션 이미지를 얻을 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 사용자 단말(200)과 유무선 연결될 수 있으며, 사용자 단말(200)로 패션 이미지를 업로드 받기 위한 UI를 제공할 수 있으며, UI를 통해 패션 이미지를 업로드 받음으로써, 패션 이미지를 얻을 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 사용자 단말(200)로 패션과 관련된 특정 대상을 촬영할 수 있는 패션 이미지 촬영 UI를 제공할 수 있고, 사용자가 패션 이미지 촬영 UI를 통해 특정 대상을 촬영함으로써 생성되는 패션 이미지를 제공받을 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 외부 서버(300)와 유무선 연결될 수 있으며, 외부 서버(300)에 기 저장된 복수의 패션 이미지 중 컴퓨팅 장치(100)에 의해 분류되지 않은 패션 이미지를 제공받음으로써, 패션 이미지를 얻을 수 있다. 그러나, 이에 한정되지 않고, 패션 이미지를 얻는 다양한 방법이 적용 가능하다.
S120 단계에서, 컴퓨팅 장치(100)는 S110 단계에서 얻은 패션 이미지를 분석하여 제1 분류 정보를 추출할 수 있다(예: 도 4).
다양한 실시예에서, 컴퓨팅 장치(100)는 제1 인공지능 모델(10)을 이용하여 패션 이미지(1)를 분석함으로써, 패션 이미지(1)의 스타일을 가리키는 제1 분류 정보를 추출할 수 있다.
여기서, 제1 인공지능 모델(10)은 기 설정된 스타일 정보(예: 힙합 스타일, 클래식 스타일, 모던 스타일, 스포티 스타일 캐주얼 스타일 및 로맨틱 스타일 등)가 레이블링(Labeling)된 복수의 패션 이미지(1)를 학습 데이터로써 기 학습한 인공지능 모델일 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 합성곱 신경망(Convolutional Neural Network, CNN), 전처리 및 지도학습 중 적어도 하나를 이용하여 제1 인공지능 모델(10)을 학습시킬 수 있다. 그러나, 이에 한정되지 않는다.
여기서, 제1 인공지능 모델(10)의 학습 데이터로써 사용되는 스타일 정보가 레이블링된 복수의 패션 이미지(1)는 보다 전문적이고 정확한 분류를 위해 패션과 관련된 업종에 종사하는 패션 전공자에 의해 레이블링 작업됨으로써 생성될 수 있다.
일반적으로, 패션 이미지(1)를 분류하는 것은 일반인이 느낌에 따라 수행할 수도 있으나, 각 스타일에 대한 의미를 정확하게 모르는 상태에서 수행될 수 있다. 이러한 점을 고려하여, 복수의 패션 이미지(1)에 대한 스타일 정보 레이블링 작업은 전문가에 의해 수행되는 것이 바람직할 수 있다. 그러나, 이에 한정되지 않는다.
또한, 여기서, 제1 분류 정보는 패션 이미지(1)가 어떤 스타일인지를 가리키는 정보를 의미할 수 있다. 예를 들어, 제1 분류 정보는 힙합 스타일, 클래식 스타일, 모던 스타일, 스포티 스타일 캐주얼 스타일 및 로맨틱 스타일 중 적어도 하나를 포함할 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 컴퓨팅 장치(100)는 S120 단계를 거쳐 추출된 제1 분류 정보와 패션 이미지(1)를 학습 데이터로 하여 제1 인공지능 모델(10)을 학습시킬 수 있다. 예를 들어, 컴퓨팅 장치(100)는 제1 인공지능 모델(10)로부터 추출된 제1 분류 정보와 해당 패션 이미지(1)를 하나의 학습 데이터로 저장할 수 있고, 이를 이용하여 제1 인공지능 모델(10)을 학습시킬 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 컴퓨팅 장치(100)는 패션 이미지(1)를 분석하여 패션 이미지(1)가 기 설정된 복수의 스타일 정보 각각에 속할 확률 값을 산출하고, 산출된 확률 값 중 가장 높은 확률 값을 가지는 스타일 정보를 패션 이미지(1)에 대한 제1 분류 정보로써 추출할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 패션 이미지(1)를 분석하여 패션 이미지(1)가 기 설정된 복수의 스타일 정보 각각에 속할 확률 값을 산출하되, 산출된 확률 값이 각각 모던 70%, 클래식 30% 및 스포티 50%인 경우, "모던 스타일"을 패션 이미지(1)에 대한 제1 분류 정보로써 추출할 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 컴퓨팅 장치(100)는 패션 이미지(1)를 분석하여 패션 이미지(1)가 기 설정된 복수의 스타일 정보 각각에 속할 확률 값에 기초하여 둘 이상의 스타일 정보를 제1 분류 정보로써 추출할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 복수의 스타일 정보 각각에 속할 확률 값이 가장 높은 스타일 정보를 메인 스타일 정보로 하고 메인 스타일 정보 이후에 높은 확률 값을 가지는 스타일 정보를 서브 스타일 정보로 하는 제1 분류 정보를 추출할 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 컴퓨팅 장치(100)는 패션 이미지(1)를 분석하여 패션 이미지(1)에 포함된 복수의 패션 아이템을 식별할 수 있고, 복수의 패션 아이템 각각에 대하여 개별적으로 제1 분류 정보를 추출할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 패션 이미지(1)에 포함된 복수의 패션 아이템이 각각 아우터웨어, 바지, 신발인 경우, 아우터웨어, 바지 및 신발 각각에 대한 제1 분류 정보(예: 아우터웨어&"힙합 스타일", 바지&"모던 스타일" 및 신발&"스포티 스타일")를 추출할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 패션 이미지(1) 내에 포함된 복수의 패션 아이템을 식별할 수 있고, 복수의 패션 아이템 각각에 대한 제1 분류 정보를 추출하되, 추출된 제1 분류 정보의 수에 기초하여 패션 이미지(1)에 대한 대표 제1 분류 정보를 선정할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 제1 인공지능 모델(10)을 이용하여 패션 이미지(1)에 대한 제1 분류 정보를 추출하고, 추출된 제1 분류 정보를 제1 인공지능 모델(10)에 입력된 패션 이미지(1)에 태깅(tagging)하여 출력 데이터(스타일 데이터)를 생성할 수 있다. 여기서, 컴퓨팅 장치(100)는 제1 인공지능 모델(10)을 학습시키기 위한 학습 데이터로써 스타일 데이터를 사용할 수 있다
S130 단계에서, 컴퓨팅 장치(100)는 S110 단계에서 얻은 패션 이미지(1)를 분석하여 제2 분류 정보를 추출할 수 있다(예: 도 5).
다양한 실시예에서, 컴퓨팅 장치(100)는 제2 인공지능 모델(20)을 이용하여 패션 이미지(1)를 분석함으로써, 패션 이미지(1)의 속성을 가리키는 제2 분류 정보를 추출할 수 있다.
여기서, 제2 인공지능 모델(20)은 기 설정된 속성 정보(예: 색상 정보, 소재 정보, 패턴 정보, 핏(fit) 정보 및 부가 정보 등)가 레이블링된 복수의 패션 이미지(1)를 학습 데이터로써 기 학습한 인공지능 모델일 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 CNN, 전처리 및 지도학습 중 적어도 하나를 이용하여 제2 인공지능 모델(20)을 학습시킬 수 있다. 그러나, 이에 한정되지 않는다.
여기서, 제2 인공지능 모델(20)의 학습 데이터로써 사용되는 속성 정보가 레이블링된 복수의 패션 이미지(1)는 보다 전문적이고 정확한 분류를 위해 패션과 관련된 업종에 종사하는 패션 전공자에 의해 레이블링 작업됨으로써 생성될 수 있다. 그러나, 이에 한정되지 않는다.
또한, 여기서, 제2 분류 정보는 패션 이미지(1)가 어떤 속성을 가지고 있는지를 가리키는 정보를 의미할 수 있으며, 색상 정보(예: 레드, 블루, 그린, 화이트, 블랙, 그레이 등), 소재 정보(예: 데님, 실크, 가죽, 면, 모직, 울 등), 패턴 정보(예: 플라워, 스트라이프, 애니메이션, 헤링본 등), 핏(fit) 정보(예: 루즈, 타이트, 배기, 일자, 부츠컷 등) 및 부가 정보 중 적어도 하나를 포함할 수 있다. 그러나, 이에 한정되지 않는다.
또한, 여기서, 제2 분류 정보에 포함된 각각의 속성 정보는 제1 분류 정보에 포함된 복수의 스타일 중 어느 하나 이상의 스타일과 연결되는 연결 관계를 가지거나, 어느 하나 이상의 스타일에 종속되는 종속 관계를 가질 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 S130 단계를 거쳐 추출된 제2 분류 정보와 패션 이미지(1)를 학습 데이터로 하여 제2 인공지능 모델(20)을 학습시킬 수 있다. 예를 들어, 컴퓨팅 장치(100)는 제2 인공지능 모델(20)로부터 추출된 제2 분류 정보와 해당 패션 이미지(1)를 하나의 학습 데이터로 저장할 수 있고, 이를 이용하여 제2 인공지능 모델(20)을 학습시킬 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 컴퓨팅 장치(100)는 S120 단계를 거쳐 패션 이미지(1)에 포함된 복수의 패션 아이템을 식별할 수 있고, 식별된 복수의 패션 아이템 각각에 대한 제2 분류 정보를 추출할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 패션 이미지(1)에 포함된 복수의 패션 아이템이 각각 아우터웨어, 바지, 신발인 경우, 아우터웨어, 바지 및 신발 각각에 대한 제2 분류 정보를 추출할 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 컴퓨팅 장치(100)는 제2 인공지능 모델(20)을 이용하여 패션 이미지(1)에 대한 제2 분류 정보를 추출하고, 추출된 제2 분류 정보를 제2 인공지능 모델(20)에 입력된 패션 이미지(1)에 태깅하여 출력 데이터(속성 데이터)를 생성할 수 있다. 여기서, 컴퓨팅 장치(100)는 제2 인공지능 모델(20)을 학습시키기 위한 학습 데이터로써 속성 데이터를 사용할 수 있다
S140 단계에서, 컴퓨팅 장치(100)는 S110 단계에서 얻은 패션 이미지(1)를 분석하여 제3 분류 정보를 추출할 수 있다(예: 도 6).
다양한 실시예에서, 제3 인공지능 모델(30)을 이용하여 패션 이미지(1)를 분석함으로써, 패션 이미지(1)의 감성 정보를 가리키는 제3 분류 정보를 추출할 수 있다.
여기서, 제3 인공지능 모델(30)은 기 설정된 감성 정보(예: 아름다움, 멋짐, 쿨함, 핫함, 시크함, 여성스러움 및 남성스러움 등)가 레이블링된 복수의 패션 이미지(1)를 학습 데이터로써 기 학습한 인공지능 모델일 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 CNN, 전처리 및 지도학습 중 적어도 하나를 이용하여 제3 인공지능 모델(30)을 학습시킬 수 있다. 그러나, 이에 한정되지 않는다.
또한, 여기서, 제3 인공지능 모델(30)의 학습 데이터로써 사용되는 감성 정보가 레이블링된 복수의 패션 이미지(1)는 패션과 관련된 업종에 종사하는 패션 전공자뿐만 아니라 일반 수요자(사용자)에 의해 레이블링 작업됨으로써 생성될 수 있다. 예를 들어, 컴퓨팅 장치(100)는 사용자로부터 패션 이미지(1)를 업로드 받음과 동시에 패션 이미지(1)에 대한 감성 정보를 입력받을 수 있고, 사용자로부터 입력된 감성 정보를 이용하여 해당 패션 이미지(1)에 대한 감성 정보 레이블링을 수행할 수 있다.
또한, 스타일 정보 레이블링 작업, 속성 정보 레이블링 작업 및 감성 정보 레이블링 작업은 동일한 작업자에 의해 수행될 수 있으나, 이에 한정되지 않고 각각의 레이블링 작업마다 서로 다른 작업자에 의해 수행될 수 있다. 그러나, 이에 한정되지 않는다.
또한, 여기서, 제3 분류 정보는 패션 이미지(1)가 어떤 감성(또는 느낌)을 가지고 있는지를 가리키는 정보를 의미할 수 있으며, 아름다움, 멋짐, 쿨함, 여성스러움, 남성스러움 및 섹시함 중 적어도 하나를 포함할 수 있다. 그러나, 이에 한정되지 않는다.
또한, 여기서, 제3 분류 정보에 포함된 각각의 감성 정보는 제1 분류 정보에 포함된 복수의 스타일 중 어느 하나 이상의 스타일과 연결되는 연결 관계를 가지거나, 어느 하나 이상의 스타일에 종속되는 종속 관계를 가질 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 S140 단계를 거쳐 추출된 제3 분류 정보와 패션 이미지(1)를 학습 데이터로 하여 제3 인공지능 모델(30)을 학습시킬 수 있다. 예를 들어, 컴퓨팅 장치(100)는 제3 인공지능 모델(30)로부터 추출된 제3 분류 정보와 해당 패션 이미지(1)를 하나의 학습 데이터로 저장할 수 있고, 이를 이용하여 제2 인공지능 모델(20)을 학습시킬 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 컴퓨팅 장치(100)는 제1 인공지능 모델(10)을 이용하여 제1 분류 정보를 추출하고, 제2 인공 지능 모델을 이용하여 제2 분류 정보를 추출하며 제3 인공지능 모델(30)을 이용하여 제3 분류 정보를 추출하되, 제1 인공지능 모델(10), 제2 인공지능 모델(20) 및 제3 인공지능 모델(30)을 단계적으로 동작시킴으로써 제1 분류 정보, 제2 분류 정보 및 제3 분류 정보를 순차적으로 추출할 수 있다.
예를 들어, 컴퓨팅 장치(100)는 제1 인공지능 모델(10)을 이용하여 제1 분류 정보를 추출하고, 제1 분류 정보의 추출이 완료되는 시점에서 제2 인공지능 모델(20)을 동작시킬 수 있으며, 제2 인공지능 모델(20)을 이용하여 제2 분류 정보를 추출하고, 제2 분류 정보의 추출이 완료되는 시점에서 제3 인공지능 모델(30)을 동작시킴으로써 제3 분류 정보를 추출할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 외부로부터 패션 이미지(1)를 얻는 경우, 제1 인공지능 모델(10), 제2 인공지능 모델(20) 및 제3 인공지능 모델(30)을 동시에 동작시켜 제1 분류 정보, 제2 분류 정보 및 제3 분류 정보를 동시에 추출할 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 컴퓨팅 장치(100)는 기 설정된 스타일 정보가 레이블링된 복수의 패션 이미지(1), 기 설정된 속성 정보가 레이블링된 복수의 패션 이미지(1) 및 기 설정된 감성 정보가 레이블링된 복수의 패션 이미지(1)를 학습 데이터로써 기 학습한 하나의 인공지능 모델을 이용하여 제1 분류 정보를 추출하는 동작, 제2 분류 정보를 추출하는 동작 및 제3 분류 정보를 추출하는 동작을 단계적으로 수행함으로써, 제1 분류 정보, 제2 분류 정보 및 제3 분류 정보를 순차적으로 추출할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 제3 인공지능 모델(30)을 이용하여 패션 이미지(1)에 대한 제3 분류 정보를 추출하고, 추출된 제3 분류 정보를 제3 인공지능 모델(30)에 입력된 패션 이미지(1)에 태깅하여 출력 데이터(감성 데이터)를 생성할 수 있다. 여기서, 컴퓨팅 장치(100)는 제3 인공지능 모델(30)을 학습시키기 위한 학습 데이터로써 감성 데이터를 사용할 수 있다
S150 단계에서, 컴퓨팅 장치(100)는 S120 단계에서 추출한 제1 분류 정보, S130 단계에서 추출한 제2 분류 정보 및 S140 단계에서 추출한 제3 분류 정보 간의 연관 관계를 분석할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 제4 인공지능 모델을 이용하여 제1 분류 정보, 제2 분류 정보 및 제3 분류 정보 간의 연관 관계를 추출할 수 있다.
여기서, 제4 인공지능 모델은 패션 이미지에 대한 복수의 스타일 정보와 복수의 속성 정보 및 복수의 감성 정보 간의 연관 관계를 학습 데이터로써 기 학습한 인공지능 모델일 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 CNN, 전처리 및 지도학습 중 적어도 하나를 이용하여 제4 인공지능 모델을 학습시킬 수 있다. 그러나, 이에 한정되지 않는다.
또한, 여기서, 연관 관계는 특정 스타일과 속성 정보 및 감성 정보 간의 연결 관계 또는 종속 관계를 의미할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 패션 이미지에 대응하여 추출된 속성 정보 및 감성 정보가 패션 이미지에 대응하는 제1 스타일에 포함되는 요소이거나 또는 제1 스타일에 포함되는 요소를 포함하고 있는 경우, 해당 속성 정보 및 감성 정보와 제1 스타일이 연결 관계 또는 종속 관계가 있는 것으로 판단할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 패션 이미지가 제1 스타일일 경우에 출현되는 빈도수가 높은 속성 정보 및 감성 정보를 제1 스타일과의 연결 관계 또는 종속 관계인 것으로 판단할 수 있다. 예를 들어, 힙합 스타일로 분류된 복수의 패션 이미지에 대하여, A 속성 및 B 속성과 제1 감성 정보 및 제2 감성 정보가 공통적으로 출현하는 빈도수가 높은 경우(예: 기 설정된 횟수 이상), 힙합 스타일과 A 속성, B 속성, 제1 감성 정보 및 제2 감성 정보가 연관 관계를 가지는 것으로 판단할 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 컴퓨팅 장치(100)는 특정 스타일을 가리키는 제1 분류 정보와 제2 분류 정보 및 제3 분류 정보가 함께 출현되는 빈도수에 기초하여 제2 분류 정보 및 제3 분류 정보와 제1 분류 정보 간의 연관성 점수를 산출할 수 있고, 산출된 연관성 점수에 따라 제2 분류 정보 및 제3 분류 정보와 제1 분류 정보 간의 연관 관계를 판단할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 제2 분류 정보 및 제3 분류 정보와 제1 분류 정보 간의 연관성 점수가 기준 점수 이상인 경우, 제2 분류 정보 및 제3 분류 정보와 제1 분류 정보 간의 연관 관계가 있는 것으로 판단할 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 컴퓨팅 장치(100)는 제4 인공지능 모델을 이용하여 추출된 제1 분류 정보, 제2 분류 정보 및 제3 분류 정보 간의 연관 관계에 기초하여 연관 관계도 데이터를 생성할 수 있다.
예를 들어, 컴퓨팅 장치(100)는 제1 스타일 정보와 제1 속성 정보 및 제1 감성 정보가 연관 관계를 가지는 경우, 제1 스타일 정보와 제1 속성 정보 및 제1 감성 정보를 하나의 그룹으로 그룹화(예: "제1 스타일 정보, 제1 속성 정보, 제1 감성 정보")하거나 제1 스타일 정보, 제1 속성 정보 및 제1 감성 정보 하나의 선(또는 화살표)으로 연결(예: 제1 스타일 정보 → 제1 속성 정보 → 제1 감성 정보)함으로서 복수의 분류 정보 간의 연결 관계를 나타내는 연결 관계도 데이터를 생성할 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 컴퓨팅 장치(100)는 제1 내지 제3 분류 정보 각각에 대한 유사도 점수를 산출할 수 있다. 유사도 점수는 확률 개념으로 표현될 수도 있고, 소정의 점수범위 내에서 설정되는 정량적 개념으로 표현될 수도 있으나, 이에 제한되는 것은 아니다.
실시 예에 따라서, 제1 내지 제3 분류 정보 간의 유사도 점수가 기 설정된 기준 이상인 분류정보 간에만 연결관계가 생성될 수도 있다. 이에 따라, 기 설정된 연결관계에 대한 정보가 저장되는 데이터베이스가 획득될 수 있고, 이를 통해 패션 이미지에 대한 분석이 수행될 수도 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 후술되는 S160 단계를 거쳐 분류된 패션 이미지를 학습 데이터로 하여 제4 인공지능 모델을 학습시킬 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 제2 분류 정보 및 제3 분류 정보와 제1 분류 정보 간의 연관 관계를 분석하여 제1 분류 정보에 대한 자체 검증을 수행할 수 있다.
예를 들어, 도 7을 참조하면, 제2 분류 정보에 포함된 패션 이미지의 속성 정보와 제3 분류 정보에 포함된 패션 이미지의 감성 정보가 제1 분류 정보에 포함된 메인 스타일 정보 또는 서브 스타일 정보와 연관 관계가 있는 경우, 제1 인공지능 모델(10)이 제1 분류 정보를 정확하게 추출한 것으로 판단할 수 있다.
반면, 컴퓨팅 장치(100)는 제2 분류 정보에 포함된 패션 이미지의 속성 정보와 제3 분류 정보에 포함된 패션 이미지의 감성 정보가 제1 분류 모델에 포함된 메인 스타일 정보 또는 서브 스타일 정보와 연관 관계가 없는 것으로 판단되는 경우, 제1 인공지능 모델(10)의 제1 분류 정보 추출 동작에 이상이 있는 것으로 판단할 수 있다.
이후, 컴퓨팅 장치(100)는 제1 인공지능 모델(10)의 제1 분류 정보 추출 동작에 이상이 있는 것으로 판단되는 경우, 제1 인공지능 모델(10)을 이용하여 제1 분류 정보를 추출하는 동작을 재 수행할 수 있다. 그러나, 이에 한정되지 않는다.
S160 단계에서, 컴퓨팅 장치(100)는 S150 단계에서 추출한 제1 분류 정보, 제2 분류 정보 및 제3 분류 정보 간의 연관 관계에 기초하여 패션 이미지를 분류할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 제2 분류 정보 및 제3 분류 정보가 제1 분류 정보에 종속되는지 여부에 따라 패션 이미지를 분류할 수 있다. 이하, 도 8을 참조하여 설명하도록 한다.
도 8은 다양한 실시예에서, 제2 분류 정보와 제3 분류 정보가 제1 분류 정보에 종속되는지 여부에 따라 패션 이미지를 분류하는 방법의 순서도이다.
도 8을 참조하면, S1601 단계에서, 컴퓨팅 장치(100)는 연관 관계 분석 단계(예: 도 3의 S160 단계)를 거쳐 추출된 제1 분류 정보, 제2 분류 정보 및 제3 분류 정보 간의 연관 관계에 기초하여 제2 분류 정보 및 제3 분류 정보가 제1 분류 정보에 종속되는지 여부를 판단할 수 있다.
예를 들어, 컴퓨팅 장치(100)는 제1 분류 정보가 "힙합 스타일"이고, 제2 분류 정보가 "레드", "실크" 및 "스트라이프"이며, 제3 분류 정보가 "아름다움" 및 "멋짐"인 경우, 제1 분류 정보, 제2 분류 정보 및 제3 분류 정보 간의 연관 관계를 가리키는 연관 관계도 데이터를 이용하여 제2 분류 정보인 "레드" 및 "실크"와 제3 분류 정보인 "아름다움" 및 "멋짐"이 제1 분류 정보인 "힙합 스타일"에 종속 또는 연결되는 키워드인지를 판단할 수 있다. 그러나, 이에 한정되지 않는다.
S1602 단계에서, 컴퓨팅 장치(100)는 S1601 단계를 거쳐 제2 분류 정보 및 제3 분류 정보가 제1 분류 정보에 종속되는 것으로 판단되는 경우, 제1 분류 정보에 기초하여 패션 이미지를 분류할 수 있다.
S1603 단계에서, 컴퓨팅 장치(100)는 S1601 단계를 거쳐 제2 분류 정보 및 제3 분류 정보가 제1 분류 정보에 종속되지 않는 것으로 판단되는 경우, 제2 분류 정보 및 제3 분류 정보를 이용하여 제1 분류 정보를 보정할 수 있다.
예를 들어, 컴퓨팅 장치(100)는 제1 인공지능 모델을 이용하여 추출한 제1 분류 정보가 "힙합 스타일"이나 제2 분류 정보 및 제3 분류 정보가 "힙합 스타일"에 종속되지 않고, 제2 분류 정보 및 제3 분류 정보가 가리키는 스타일 정보(또는 제2 분류 정보 및 제3 분류 정보가 공통적으로 종속 및 연결되는 스타일 정보)가 "모던 스타일"인 경우, 제1 분류 정보를 "힙합 스타일"에서 "모던 스타일"로 보정할 수 있다. 그러나, 이에 한정되지 않는다.
S1604 단계에서, 컴퓨팅 장치(100)는 S1603 단계를 거쳐 보정된 제1 분류 정보에 기초하여 패션 이미지를 분류할 수 있다. 그러나, 이에 한정되지 않는다.
다시, 도 3을 참조하면, 다양한 실시예에서, 컴퓨팅 장치(100)는 제1 인공지능 모델을 이용하여 하나의 패션 이미지에 대한 둘 이상의 제1 분류 정보(예: 메인 스타일 정보 및 서브 스타일 정보)가 추출되는 경우, 제2 분류 정보 및 제3 분류 정보와 둘 이상의 제1 분류 정보 각각의 연관 관계를 분석하여 둘 이상의 제1 분류 정보 중 어느 하나의 제1 분류 정보를 선택할 수 있고, 선택한 어느 하나의 제1 분류 정보에 기초하여 패션 이미지를 분류할 수 있다.
예를 들어, 컴퓨팅 장치(100)는 하나의 패션 이미지에 대하여 2개의 제1 분류 정보인 "힙합 스타일" 및 "모던 스타일"이 추출된 경우, 제2 분류 정보 및 제3 분류 정보와 "힙합 스타일" 간의 연관 관계 및 제2 분류 정보 및 제3 분류 정보와 "모던 스타일" 간의 연관 관계를 분석할 수 있다.
이때, 컴퓨팅 장치(100)는 제2 분류 정보 및 제3 분류 정보와 "힙합 스타일" 간의 연관 관계가 부재하나, 제2 분류 정보 및 제3 분류 정보와 "모던 스타일" 간에는 종속 관계가 있는 것으로 판단되는 경우, 제1 분류 정보를 "모던 스타일"로 결정할 수 있고, 패션 이미지를 "모던 스타일"로 분류할 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 컴퓨팅 장치(100)는 패션 이미지를 분석하여 패션 이미지가 기 설정된 복수의 스타일 정보 각각에 속할 확률 값을 산출하고, 산출된 확률 값 중 가장 높은 확률 값을 가지는 스타일 정보를 패션 이미지에 대한 제1 분류 정보로써 추출하되, 산출된 확률 값이 기 설정된 확률 값 미만이거나 산출된 확률 값들 간의 차이가 기 설정된 차이 값 미만인 경우, 패션 이미지의 속성 정보를 가리키는 제2 분류 정보와 패션 이미지의 감성 정보를 가리키는 상기 제3 분류 정보만을 이용하여 패션 이미지를 분류할 수 있다.
예를 들어, 패션 이미지의 스타일이 복수의 스타일 정보 각각에 속할 확률 값 중 가장 높은 확률 값이 낮은 경우(예: 50% 미만인 경우), 제1 인공지능 모델을 통해 추출된 제1 분류 정보를 신뢰할 수 없다. 또한, 패션 이미지의 스타일이 복수의 스타일 정보 각각에 속할 확률 값 중 가장 높은 확률 값이 "모던 스타일" 80%이나, "힙합 스타일"에 속할 확률 값이 75%이고 "클래식 스타일"에 속할 확률이 78%인 경우 즉, 스타일 정보간의 확률 값 차이가 작을 경우, 패션 이미지의 스타일이 "모던 스타일"인 것으로 단정짓기 어려울 수 있다.
이러한 점을 고려하여, 컴퓨팅 장치(100)는 확률 값이 기 설정된 확률 값 미만이거나 산출된 확률 값들 간의 차이가 기 설정된 차이 값 미만인 경우 즉, 제1 분류 정보를 신뢰할 수 없는 것으로 판단되는 경우, 제2 분류 정보 및 제3 분류 정보만을 이용하여 패션 이미지를 분류할 수 있다. 그러나, 이에 한정되지 않는다.
종래의 스타일 분류 방법은 복수의 패션 이미지 각각에 스타일 정보를 레이블링하고, 이를 이용하여 외부로부터 얻은 패션 이미지를 스타일에 따라 분류하였기 때문에, 패션 이미지에 대한 분류 성능이 떨어진다는 문제가 있었다.
그러나, 본 발명의 컴퓨팅 장치(100)는 스타일 정보가 레이블링된 패션 이미지뿐만 아니라 속성 정보가 레이블링된 패션 이미지 및 감성 정보가 레이블링된 패션 이미지를 각각 학습한 복수의 인공지능 모델을 단계적으로 적용함으로써, 패션 이미지에 대한 스타일 분류를 위한 다양한 요소를 확보할 수 있고, 이를 통해, 종래의 스타일 분류 방법 대비 패션 이미지에 대한 정확한 스타일 분류가 가능하다는 이점이 있다.
또한, 패션 이미지를 분류하기 위하여 많은 양의 데이터를 학습하는 과정이 필수적인데, 본 발명의 컴퓨팅 장치(100)는 각 스타일 별로 속성 분류 및 감성 분류를 포함함으로써, 동일한 데이터에서 추가적인 양질의 데이터를 발생시켜 다량의 학습 데이터를 확보할 수 있고, 이를 통해, 스타일 분류 성능을 획기적으로 향상시킬 수 있다는 이점이 있다.
또한, 본 발명의 컴퓨팅 장치(100)는 하이라키 구조의 인공지능 모델을 이용하여 단계적으로 분류 정보를 추출하되, 단계를 거치면서 순차적으로 추출되는 분류 정보들을 이용하여 스타일 정보를 가리키는 제1 분류 정보를 자체 검증하는 과정을 수행할 수 있다. 이를 통해, 정확한 분류 성능을 확보할 수 있을 뿐만 아니라, 결과 데이터를 이용하여 재학습할 경우 잘못된 데이터를 이용하여 학습되는 것을 방지할 수 있다는 이점이 있다.
전술한 하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 방법은 도면에 도시된 순서도를 참조하여 설명하였다. 간단한 설명을 위해 하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 방법은 일련의 블록들로 도시하여 설명하였으나, 본 발명은 상기 블록들의 순서에 한정되지 않고, 몇몇 블록들은 본 명세서에 도시되고 시술된 것과 상이한 순서로 수행되거나 또는 동시에 수행될 수 있다. 또한, 본 명세서 및 도면에 기재되지 않은 새로운 블록이 추가되거나, 일부 블록이 삭제 또는 변경된 상태로 수행될 수 있다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.
100 : 패션 이미지 분석 장치(또는 컴퓨팅 장치)
200 : 사용자 단말
300 : 외부 서버
400 : 네트워크

Claims (10)

  1. 컴퓨팅 장치에 의해 수행되는 방법으로,
    패션 이미지를 얻는 단계;
    상기 패션 이미지로부터 제1 분류 정보를 추출하는 단계;
    상기 패션 이미지로부터 제2 분류 정보를 추출하는 단계;
    상기 패션 이미지로부터 제3 분류 정보를 추출하는 단계;
    상기 제1 분류 정보, 상기 제2 분류 정보 및 상기 제3 분류 정보 간의 연관 관계를 분석하는 단계; 및
    상기 연관 관계를 분석한 결과에 따라 상기 패션 이미지를 분류하는 단계를 포함하며,
    상기 분류하는 단계는,
    상기 연관 관계에 기초하여 상기 제2 분류 정보 및 상기 제3 분류 정보가 상기 제1 분류 정보에 종속되는지 여부를 판단하고, 상기 제1 분류 정보에 종속되는지 여부에 따라 상기 제1 분류 정보를 검증하는 단계;
    상기 제2 분류 정보 및 상기 제3 분류 정보가 상기 제1 분류 정보에 종속되는 경우, 상기 제1 분류 정보에 기초하여 상기 패션 이미지를 분류하는 단계; 및
    상기 제2 분류 정보 및 상기 제3 분류 정보가 상기 제1 분류 정보에 종속되지 않는 경우, 상기 제2 분류 정보 및 상기 제3 분류 정보를 이용하여 상기 제1 분류 정보를 보정하고, 상기 보정된 제1 분류 정보에 기초하여 상기 패션 이미지를 분류하는 단계를 포함하는,
    하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 방법.
  2. 제1항에 있어서,
    상기 제1 분류 정보를 추출하는 단계는,
    기 설정된 스타일 정보가 레이블링된 복수의 패션 이미지를 학습 데이터로 하여 제1 인공지능 모델을 학습시키는 단계; 및
    상기 제1 인공지능 모델을 이용하여 상기 패션 이미지의 스타일을 가리키는 상기 제1 분류 정보를 추출하는 단계를 포함하는,
    하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 방법.
  3. 제1항에 있어서,
    상기 제2 분류 정보를 추출하는 단계는,
    기 설정된 속성 정보가 레이블링된 복수의 패션 이미지를 학습 데이터로 하여 제2 인공지능 모델을 학습시키는 단계; 및
    상기 제2 인공지능 모델을 이용하여 상기 패션 이미지의 속성을 가리키는 상기 제2 분류 정보를 추출하는 단계를 포함하는,
    하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 방법.
  4. 제1항에 있어서,
    상기 제3 분류 정보를 추출하는 단계는,
    기 설정된 감성 정보가 레이블링된 복수의 패션 이미지를 학습 데이터로 하여 제3 인공지능 모델을 학습시키는 단계; 및
    상기 제3 인공지능 모델을 이용하여 상기 패션 이미지의 감성을 가리키는 상기 제3 분류 정보를 추출하는 단계를 포함하는,
    하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 방법.
  5. 제1항에 있어서,
    상기 분석하는 단계는,
    상기 패션 이미지에 대한 복수의 스타일 정보와 복수의 속성 정보 및 복수의 감성 정보 간의 연결 관계 및 종속 관계를 학습 데이터로 하여 제4 인공지능 모델을 학습시키는 단계; 및
    상기 제4 인공지능 모델을 이용하여 상기 제1 분류 정보, 상기 제2 분류 정보 및 상기 제3 분류 정보 간의 연관 관계를 추출하는 단계를 포함하는,
    하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 방법.
  6. 삭제
  7. 제1항에 있어서,
    상기 분류하는 단계는,
    하나의 패션 이미지로부터 둘 이상의 제1 분류 정보가 추출되는 경우, 상기 제2 분류 정보 및 상기 제3 분류 정보와 상기 둘 이상의 제1 분류 정보 각각의 연관 관계를 분석하는 단계;
    상기 연관 관계의 분석 결과에 따라 상기 둘 이상의 제1 분류 정보 중 어느 하나의 제1 분류 정보를 선택하는 단계; 및
    상기 선택한 어느 하나의 제1 분류 정보에 기초하여 상기 패션 이미지를 분류하는 단계를 포함하는,
    하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 방법.
  8. 제1항에 있어서,
    상기 분류하는 단계는,
    상기 패션 이미지를 분석하여 상기 패션 이미지가 기 설정된 복수의 스타일 정보 각각에 속할 확률 값을 산출하고, 상기 산출된 확률 값 중 가장 높은 확률 값을 가지는 스타일 정보를 상기 패션 이미지에 대한 제1 분류 정보로써 추출하되, 상기 산출된 확률 값이 기 설정된 확률 값 미만이거나 상기 산출된 확률 값들 간의 차이가 기 설정된 차이 값 미만인 경우, 상기 패션 이미지의 속성 정보를 가리키는 상기 제2 분류 정보와 상기 패션 이미지의 감성 정보를 가리키는 상기 제3 분류 정보만을 이용하여 상기 패션 이미지를 분류하는 단계를 포함하는,
    하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 방법.
  9. 하나 이상의 인스트럭션을 저장하는 메모리; 및
    상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고,
    상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
    제1 항의 방법을 수행하는, 장치.
  10. 하드웨어인 컴퓨터와 결합되어, 제1 항의 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터프로그램.
KR1020200052617A 2019-09-09 2020-04-29 하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 방법, 장치 및 컴퓨터프로그램 KR102422916B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/KR2020/014141 WO2021221247A1 (ko) 2019-09-09 2020-10-16 하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 방법, 장치 및 컴퓨터프로그램

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20190111810 2019-09-09
KR1020190111810 2019-09-09

Publications (2)

Publication Number Publication Date
KR20210030190A KR20210030190A (ko) 2021-03-17
KR102422916B1 true KR102422916B1 (ko) 2022-07-20

Family

ID=75245728

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200052617A KR102422916B1 (ko) 2019-09-09 2020-04-29 하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 방법, 장치 및 컴퓨터프로그램

Country Status (2)

Country Link
KR (1) KR102422916B1 (ko)
WO (1) WO2021221247A1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101768521B1 (ko) * 2016-05-02 2017-08-17 네이버 주식회사 이미지에 포함된 객체에 대한 정보 데이터를 제공하는 방법 및 시스템
KR101886161B1 (ko) * 2017-12-05 2018-08-07 엄나래 Ai 기반 개인 의류 토탈 관리 서비스 제공 방법

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140310304A1 (en) * 2013-04-12 2014-10-16 Ebay Inc. System and method for providing fashion recommendations
KR20160096460A (ko) * 2015-02-05 2016-08-16 삼성전자주식회사 복수의 분류기를 포함하는 딥 러닝 기반 인식 시스템 및 그 제어 방법
KR20160120674A (ko) 2015-04-08 2016-10-18 주식회사 컴퍼니원헌드레드 그래픽 처리 장치를 이용한 의류 추천 시스템
KR20190012365A (ko) * 2017-07-27 2019-02-11 주식회사 맵씨닷컴 사용자 맞춤형 상품 추천 장치
WO2020218635A1 (ko) * 2019-04-23 2020-10-29 엘지전자 주식회사 인공 지능을 이용한 음성 합성 장치, 음성 합성 장치의 동작 방법 및 컴퓨터로 판독 가능한 기록 매체
KR20190103098A (ko) * 2019-08-16 2019-09-04 엘지전자 주식회사 의류 코디 정보 추천 방법 및 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101768521B1 (ko) * 2016-05-02 2017-08-17 네이버 주식회사 이미지에 포함된 객체에 대한 정보 데이터를 제공하는 방법 및 시스템
KR101886161B1 (ko) * 2017-12-05 2018-08-07 엄나래 Ai 기반 개인 의류 토탈 관리 서비스 제공 방법

Also Published As

Publication number Publication date
WO2021221247A1 (ko) 2021-11-04
KR20210030190A (ko) 2021-03-17

Similar Documents

Publication Publication Date Title
US11000107B2 (en) Systems and methods for virtual facial makeup removal and simulation, fast facial detection and landmark tracking, reduction in input video lag and shaking, and method for recommending makeup
US9741137B2 (en) Image-based color palette generation
US10942967B1 (en) Verifying item attributes using artificial intelligence
US9552656B2 (en) Image-based color palette generation
US9396560B2 (en) Image-based color palette generation
WO2018228448A1 (zh) 搭配服饰的推荐方法和装置、电子设备、存储介质
US11887215B2 (en) Image processing apparatus and method for style transformation
CN114258559A (zh) 用于标识具有不受控制的光照条件的图像中的肤色的技术
US20150278710A1 (en) Machine learning apparatus, machine learning method, and non-transitory computer-readable recording medium
KR102586432B1 (ko) 다중 레이블링 학습된 인공지능 모델을 이용한 패션 아이템의 스타일 분류 방법, 장치 및 컴퓨터프로그램
US11037071B1 (en) Cross-category item associations using machine learning
US8564594B2 (en) Similar shader search apparatus and method using image feature extraction
US11188790B1 (en) Generation of synthetic datasets for machine learning models
US11481830B2 (en) Method, system and medium for user specific apparel attribute recommendation
KR102422916B1 (ko) 하이라키 구조의 인공지능 모델을 이용한 패션 이미지 분석 방법, 장치 및 컴퓨터프로그램
KR101724143B1 (ko) 검색 서비스 제공 장치, 시스템, 방법 및 컴퓨터 프로그램
KR102430742B1 (ko) 데이터 증강 기반 공간 분석 모델 학습 장치 및 방법
US20220366248A1 (en) Learning apparatus, a learning method, object detecting apparatus, object detecting method, and recording medium
KR102564000B1 (ko) 수요-공급 속성 기반 잡화 커스텀 보수 추천 시스템 및 방법
US20240037775A1 (en) Method, system and non-transitory computer-readable recording medium for creating training datasets for model training
KR102399833B1 (ko) 인공 신경망 기반의 로그 라인을 이용한 시놉시스 제작 서비스 제공 장치 및 그 방법
US20230306714A1 (en) Chromatic undertone detection
US20240037870A1 (en) Methods and apparatus for determining and using controllable directions of gan space
US20220108506A1 (en) Content-adaptive tutorials for graphics editing tools in a graphics editing system
Kalinin et al. Generative AI-based Style Recommendation Using Fashion ItemDetection and Classification

Legal Events

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