KR102430742B1 - 데이터 증강 기반 공간 분석 모델 학습 장치 및 방법 - Google Patents

데이터 증강 기반 공간 분석 모델 학습 장치 및 방법 Download PDF

Info

Publication number
KR102430742B1
KR102430742B1 KR1020210007406A KR20210007406A KR102430742B1 KR 102430742 B1 KR102430742 B1 KR 102430742B1 KR 1020210007406 A KR1020210007406 A KR 1020210007406A KR 20210007406 A KR20210007406 A KR 20210007406A KR 102430742 B1 KR102430742 B1 KR 102430742B1
Authority
KR
South Korea
Prior art keywords
spatial
spatial image
generating
image
data
Prior art date
Application number
KR1020210007406A
Other languages
English (en)
Other versions
KR20220012784A (ko
Inventor
윤대희
백윤아
Original Assignee
주식회사 어반베이스
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 어반베이스 filed Critical 주식회사 어반베이스
Priority to KR1020210007406A priority Critical patent/KR102430742B1/ko
Publication of KR20220012784A publication Critical patent/KR20220012784A/ko
Application granted granted Critical
Publication of KR102430742B1 publication Critical patent/KR102430742B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/006—Mixed reality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/001—Image restoration
    • G06T5/002—Denoising; Smoothing
    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
    • G06V20/36—Indoor scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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

Abstract

본 발명의 일 실시예에 따른 데이터 증강 기반 공간 분석 모델 학습 장치는 하나 이상의 프로세서를 포함하여, 프로세서가 수행하는 동작은 복수의 공간 이미지를 획득하여 공간 정보를 특정하는 클래스를 레이블링하거나, 클래스가 레이블링된 복수의 공간 이미지를 획득하여 학습 데이터를 생성하는 동작, 제1 공간 이미지가 포함하는 픽셀 정보의 일부 또는 전부를 변경한 제2 공간 이미지를 생성하여 학습 데이터를 증강시키는 동작, 제1 공간 이미지에 레이블링된 클래스를 제2 공간 이미지에 레이블링하는 동작, 및 이미지 분류 알고리즘 기반으로 설계된 모델에 증강된 학습 데이터를 입력하여 공간 이미지와 레이블링된 클래스와의 상관관계를 도출하는 모델의 가중치를 학습시킴으로써 공간 이미지에 대한 클래스를 판별하는 모델을 생성하는 동작을 포함할 수 있다.

Description

데이터 증강 기반 공간 분석 모델 학습 장치 및 방법{APPARATUS AND METHOD FOR DEVELOPING SPACE ANALYSIS MODEL BASED ON DATA AUGMENTATION}
본 발명은 데이터 증강 기반 공간 분석 모델 학습 장치 및 방법에 관한 것이다.
한국인터넷진흥원(KISA)에 따르면 2019년에 집계된 국내 온라인 쇼핑 시장의 규모는 약 133조 원으로 2018년의 111조 원 대비 약 20% 성장세를 보인다. 이처럼 온라인 쇼핑 시장의 성장세가 가파르게 증가하면서, 온라인 쇼핑 플랫폼에 등록되는 스토어 및 상품의 수가 비약적으로 증가하고 있으며, 소비자들이 오프라인 매장보다 온라인 매장을 통해 물건을 구입하는 비율이 대폭 상승하고 있다.
한편, 오프라인 쇼핑의 형태는 소비자가 매장을 골라 매장 내에 구비된 상품들을 눈으로 확인하여 마음에 드는 상품을 구입하는 형태였다면, 온라인 쇼핑의 형태는 소비자들이 원하는 상품의 키워드를 통해 상품을 검색하여 구입하는 형태로써, 상품이 판매되는 플랫폼이 변화함에 따라 소비자가 상품을 찾게 되는 형태도 달라지고 있다.
그렇기 때문에, 온라인 쇼핑에서는 상품 페이지에 소비자들의 트래픽을 유입시킬 수 있도록 상품과 연관된 키워드를 잘 설정하는 것이 매우 중요해지고 있다. 다만, 국내 상위 10개의 온라인 쇼핑몰에 업로드된 상품의 개수만 하더라도 4억 개가 넘는 상황에서 상품마다 키워드를 일일이 설정하는 것은 어려운 상황이기 때문에, 온라인 쇼핑몰에는 상품에 대한 이미지 파일만으로 상품의 키워드를 설정할 수 있는 기능의 솔루션이 요구되고 있다.
이때 상품의 이미지를 구성하는 요소는 크게 공간, 사물, 분위기, 색채로 나눌 수 있다. 구매자가 역시 상품을 검색할 때 상품이 사용되는 공간의 용도, 상품 자체, 공간의 분위기, 상품의 색채를 중요한 요소로 여기기 때문에, 상품의 이미지를 구성하는 요소인 공간, 사물, 분위기, 색채 중 어느 하나의 키워드를 조합하여 검색하게 된다.
이처럼, 상품의 이미지로부터 자동으로 공간, 사물, 분위기, 색채에 대한 키워드를 추출할 수 있는 솔루션이 요구되는 상황에서 도입 가능한 대표적인 기술로는 인공지능을 이용한 이미지 분류 알고리즘들이 있다. 한편, 상품의 이미지로부터 공간, 사물, 분위기, 색채를 정확히 분류해내기 위해서는, 데이터의 품질, 데이터의 수량, 레이블링 방법, 학습의 용이성 등 고려해야 할 요소가 많다. 이에 따라, 다양한 학습 데이터를 생성하고 인공지능 모델의 학습을 용이하게 하면서 정확한 성능을 갖는 모델을 생성시킬 수 있는 기술이 필요한 실정이다.
한국 공개특허공보 제10-2010-0102772호: 실내환경 분석 시스템 및 그 방법
본 발명의 실시예에서 해결하고자 하는 과제는 이미지로부터 자동으로 해당 이미지가 나타내는 공간의 클래스를 분류할 수 있는 모델을 생성하는 기술을 제공하고자 한다.
이때 본 발명의 실시예가 사용하는 기술인 이미지 분류 인공지능 알고리즘은 학습에 사용하는 학습 데이터의 양과 질에 따라 모델의 성능에 큰 차이가 발생할 수 있다. 특히, 인공지능 모델이 학습하는 경우 한정된 학습 데이터만으로 우수한 성능을 가진 모델을 만들기 위해서는, 모델이 실제로 사용될 다양한 환경이나 다양한 상황의 변수를 포함하는 학습 데이터를 통해 모델을 학습시키는 것이 중요하다. 본 발명은 공간 이미지를 분류하는 모델을 생성함에 있어, 모델이 실제로 사용될 다양한 환경이나 상황의 변수를 포함하는 학습 데이터를 생성하는 데이터 증강 기술을 제시한다.
다만, 본 발명의 실시예가 이루고자 하는 기술적 과제는 이상에서 언급한 과제로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 기술적 과제가 도출될 수 있다.
본 발명의 일 실시예에 따른 데이터 증강 기반 공간 분석 모델 학습 장치는 소정의 동작을 수행하도록 하는 명령어들을 저장하는 하나 이상의 메모리 및 상기 하나 이상의 메모리와 동작할 수 있도록 연결되어 상기 명령어들을 실행하도록 설정된 하나 이상의 프로세서를 포함하고, 상기 프로세서가 수행하는 동작은 복수의 공간 이미지를 획득하여 상기 복수의 공간 이미지 각각에 해당하는 공간 정보를 특정하는 클래스를 레이블링하거나, 상기 클래스가 레이블링된 복수의 공간 이미지를 획득하여 학습 데이터를 생성하는 동작, 상기 복수의 공간 이미지 중 제1 공간 이미지가 포함하는 픽셀 정보의 일부 또는 전부를 변경한 제2 공간 이미지를 생성하여 상기 학습 데이터를 증강시키는 동작, 상기 제1 공간 이미지에 레이블링된 클래스를 상기 제2 공간 이미지에 레이블링하는 동작 및 소정의 이미지 분류 알고리즘 기반으로 설계된 모델에 상기 증강된 학습 데이터를 입력하고, 상기 학습 데이터에 포함된 공간 이미지와 상기 공간 이미지 각각에 레이블링된 클래스와의 상관관계를 도출하는 상기 모델의 가중치를 학습시킴으로써, 상기 상관관계를 기초로 공간 이미지에 대한 클래스를 판별하는 모델을 생성하는 동작을 포함할 수 있다.
또한, 상기 제2 공간 이미지를 생성하는 동작은 상기 제1 공간 이미지에 포함된 픽셀 정보의 RGB 정보를 구성하는 (x, y, z) 원소값에 대하여, 소정의 기준값보다 큰 값을 가지는 원소값이 더 큰 값을 갖도록 변경하고, 상기 기준값보다 작은 값을 가지는 원소값이 더 작은 원소값을 갖도록 변경하여 상기 제2 공간 이미지를 생성하는 동작을 포함할 수 있다.
또한, 상기 제2 공간 이미지를 생성하는 동작은,
[수학식 1]
Figure 112021006993914-pat00001
(src(I): 픽셀 정보의 변경 전 원소값 (x, y, z),
Figure 112021006993914-pat00002
: 상수,
Figure 112021006993914-pat00003
: 상수, dst(I): 픽셀 정보의 변경 후 원소값 (x', y', z')) 상기 수학식 1을 기초로 상기 제1 공간 이미지로부터 상기 제2 공간 이미지를 생성하는 동작을 포함할 수 있다.
또한, 상기 제2 공간 이미지를 생성하는 동작은,
[수학식 2]
Figure 112021006993914-pat00004
(R: 픽셀 정보의 RGB 정보 (x, y, z) 중 x, G: 픽셀 정보의 RGB 정보 (x, y, z) 중 y, B: 픽셀 정보의 RGB 정보 (x, y, z) 중 z, Y: 픽셀 정보의 변경 후 원소값 (x', y', z')) 상기 수학식 2를 기초로 상기 제1 공간 이미지로부터 상기 제2 공간 이미지를 생성하는 동작을 포함할 수 있다.
또한, 상기 제2 공간 이미지를 생성하는 동작은,
[수학식 3]
Figure 112021006993914-pat00005
(src(I): 픽셀 정보의 변경 전 원소값 (x, y, z),
Figure 112021006993914-pat00006
: 상수,
Figure 112021006993914-pat00007
: 상수, dst(I): 픽셀 정보의 변경 후 원소값 (x', y', z'))
[수학식 4]
Figure 112021006993914-pat00008
(R: 상기 dst(I)의 (x', y', z') 중 x', G: 상기 dst(I)의 (x', y', z') 중 y', B: 상기 dst(I)의 (x', y', z') 중 z', Y: 픽셀 정보의 변경 후 원소값 (x'', y'', z'')) 상기 수학식 3 및 4를 기초로 상기 제1 공간 이미지로부터 상기 제2 공간 이미지를 생성하는 동작을 포함할 수 있다.
또한, 상기 제2 공간 이미지를 생성하는 동작은 상기 제1 공간 이미지에 포함된 픽셀 정보의 일부에 노이즈 정보를 추가하여 상기 제2 공간 이미지를 생성하는 동작을 포함할 수 있다.
또한, 상기 제2 공간 이미지를 생성하는 동작은,
[수학식 5]
Figure 112021006993914-pat00009
(src(I): 픽셀 정보의 변경 전 원소값 (x, y, z),
Figure 112021006993914-pat00010
: 난수, dst(I): 픽셀 정보의 변경 후 원소값 (x', y', z')) 상기 수학식 5를 기초로 상기 제1 공간 이미지의 픽셀 정보에 노이즈 정보를 부가하여 상기 제2 공간 이미지를 생성하는 동작을 포함할 수 있다.
또한, 상기 제2 공간 이미지를 생성하는 동작은 상기 제1 공간 이미지가 포함하는 픽셀 중 제1 픽셀을 정중앙에 포함하는 NxN (N은 3 이상의 자연수) 행렬 크기에 포함된 복수의 픽셀의 R, G, B 각각의 원소값 중 최대 원소값인 (
Figure 112021006993914-pat00011
)에서 상기 복수의 픽셀의 R, G, B 각각의 원소 평균값인 (
Figure 112021006993914-pat00012
)을 뺀 값인 (
Figure 112021006993914-pat00013
)을 구하고, 상기 (
Figure 112021006993914-pat00014
)의 원소값 중 어느 하나가 기 설정된 값보다 작은 경우, 상기 제1 픽셀을 블러 처리를 하는 연산을 수행하여 상기 제2 공간 이미지를 생성하는 동작을 포함할 수 있다.
또한, 상기 제2 공간 이미지를 생성하는 동작은 상기 제1 공간 이미지가 포함하는 모든 픽셀의 개수만큼, 평균 0 및 표준편차 100의 표준 가우시안 정규 분포를 따르는 난수 정보를 생성하고, 상기 모든 픽셀의 각각에 상기 난수 정보 각각을 합산하여 노이즈가 삽입된 상기 제2 공간 이미지를 생성하는 동작을 포함할 수 있다.
또한, 상기 모델을 생성하는 동작은 ResNet(Deep Residual Learning for Image Recognition) 알고리즘을 기초로 설계된 신경망의 입력 레이어에 상기 학습 데이터에 포함된 공간 이미지가 입력되도록 설정하고, 출력 레이어에 상기 공간 이미지 각각에 레이블링된 클래스가 입력되도록 설정하여, 상기 학습 데이터에 포함된 공간 이미지와 상기 공간 이미지 각각에 레이블링된 클래스와의 상관관계를 도출하는 신경망의 가중치를 학습시키는 동작을 포함할 수 있다.
또한, 상기 ResNet 알고리즘을 기초로 설계된 신경망의 하이퍼 파라미터 중 네트워크 계층 수는 [18, 34, 50, 101, 152, 200] 중 하나의 값을 갖고, 클래스 개수는 거실/방/주방/욕실로 분류되는 4가지의 클래스를 포함하고, 미니 배치 크기는 [32, 64, 128, 256] 중 하나의 값을 갖고, 학습 횟수는 10 내지 15의 값 중 하나를 갖고, 학습률은 0.005 또는 0.01로 설정되고, 손실함수는 SGD 또는 Adam으로 설정될 수 있다.
본 발명의 일 실시예에 따른 데이터 증강 기반 공간 분석 모델 학습 방법은 복수의 공간 이미지를 획득하여 상기 복수의 공간 이미지 각각에 해당하는 공간 정보를 특정하는 클래스를 레이블링하거나, 상기 클래스가 레이블링된 복수의 공간 이미지를 획득하여 학습 데이터를 생성하는 단계, 상기 복수의 공간 이미지 중 제1 공간 이미지가 포함하는 픽셀 정보의 일부 또는 전부를 변경한 제2 공간 이미지를 생성하여 상기 학습 데이터를 증강하는 단계, 상기 제1 공간 이미지에 레이블링된 클래스를 상기 제2 공간 이미지에 레이블링하는 단계 및 소정의 이미지 분류 알고리즘 기반으로 설계된 모델에 상기 증강된 학습 데이터를 입력하여, 상기 학습 데이터에 포함된 공간 이미지와 상기 공간 이미지 각각에 레이블링된 클래스와의 상관관계를 도출하는 상기 모델의 가중치를 학습시킴으로써, 상기 상관관계를 기초로 공간 이미지에 대한 클래스를 판별하는 모델을 생성하는 단계를 포함할 수 있다.
본 발명의 실시예에 따르면, 같은 공간을 촬영하더라도 촬영하는 카메라의 특성, 촬영 시간, 촬영하는 사람의 습관 등 실제 다양한 환경이나 상황에 의해, 같은 공간을 촬영해도 생성되는 이미지가 달라질 수 있다는 변수를 학습할 수 있도록, 원본 학습 데이터를 변형시켜 다양한 학습 데이터를 확보하는 데이터 증강 기술을 통해 학습 데이터의 수량을 증가시키면서도 고품질의 학습 데이터를 확보하고, 증강된 학습 데이터에 대한 레이블링을 자동화하여 학습이 용이하면서 성능이 향상된 이미지 분류 모델을 제공할 수 있다.
이러한 이미지 분류 모델을 사용하여, 온라인 쇼핑몰은 상품의 이미지만으로 상품과 연관된 키워드를 사용함으로써 상품 페이지에 소비자들의 트래픽을 효과적으로 유입시킬 수 있으며, 소비자 또한 자신이 원하는 이미지를 이용하여 자신에게 필요한 키워드를 찾아 검색에 이용할 수 있다.
이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
도 1은 본 발명의 일 실시예에 따른 데이터 증강 기반 공간 분석 모델 학습 장치가 생성한 모델을 이용하여 이미지가 나타내는 공간에 대한 클래스를 분류하는 기능을 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 데이터 증강 기반 공간 분석 모델 학습 장치의 기능 블록도다.
도 3은 제1 공간 이미지에 포함된 픽셀 정보를 변경하여 데이터를 증강하는 실시예에 따라 생성된 제2 공간 이미지의 예시도이다.
도 4A는 제1 공간 이미지에 포함된 픽셀 정보에 그레이 스케일을 적용하여 데이터를 증강하는 실시예에 따라 생성된 제2 공간 이미지의 예시도이다.
도 4B는 제1 공간 이미지에 포함된 픽셀 정보의 일부에 노이즈를 추가하여 데이터를 증강하는 실시예에 따라 생성된 제2 공간 이미지의 예시도이다.
도 5는 제1 공간 이미지에 포함된 사물의 테두리 영역을 구분하고, 테두리가 아닌 영역에 블러를 적용하여 제2 공간 이미지를 생성하는 방법을 설명하기 위한 예시도이다.
도 6은 제1 공간 이미지에 가우시안 정규 분포에 따른 노이즈 정보를 추가하여 데이터를 증강하는 실시예에 따라 생성된 제2 공간 이미지의 예시도이다.
도 7은 본 발명의 일 실시예에 따른 데이터 증강 기반 공간 분석 모델 학습 방법의 흐름도이다.
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 한정되는 것이 아니라 다양한 형태로 구현될 수 있으며,　단지 본 실시예들은 본 발명의 개시가 완전하도록 하고,　본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며,　본 발명의 범주는 청구항에　의해 정의될 뿐이다.
본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명은 실제로 필요한 경우 외에는 생략될 것이다.　　그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다.　　그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도면에 표시되고 아래에 설명되는 기능 블록들은 가능한 구현의 예들일 뿐이다. 다른 구현들에서는 상세한 설명의 사상 및 범위를 벗어나지 않는 범위에서 다른 기능 블록들이 사용될 수 있다. 또한 본 발명의 하나 이상의 기능 블록이 개별 블록들로 표시되지만, 본 발명의 기능 블록 중 하나 이상은 동일 기능을 실행하는 다양한 하드웨어 및 소프트웨어 구성의 조합일 수 있다.
또한 어떤 구성 요소들을 포함한다는 표현은 개방형의 표현으로서 해당 구성 요소들이 존재하는 것을 단순히 지칭할 뿐이며, 추가적인 구성 요소들을 배제하는 것으로 이해되어서는 안 된다.
나아가 어떤 구성 요소가 다른 구성 요소에 연결되어 있다거나 접속되어 있다고 언급될 때에는, 그 다른 구성 요소에 직접적으로 연결 또는 접속되어 있을 수도 있지만, 중간에 다른 구성 요소가 존재할 수도 있다고 이해되어야 한다.
또한 '제1, 제2' 등과 같은 표현은 복수의 구성을 구분하기 위한 용도로만 사용된 표현으로써, 구성들 사이의 순서나 기타 특징들을 한정하지 않는다.
이하에서는 도면들을 참조하여 본 발명의 실시예들에 대해 설명하도록 한다.
도 1은 본 발명의 일 실시예에 따른 데이터 증강 기반 공간 분석 모델 학습 장치(100)가 생성한 인공지능 모델을 이용하여 이미지가 나타내는 공간에 대한 클래스를 분류하는 기능을 나타낸 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 데이터 증강 기반 공간 분석 모델 학습 장치(100)는 도 1에 도시된 인터페이스의 상단 메뉴의 공간 분류, 사물 검출, 스타일 분석, 상품 추천 기능 중 공간 분류 기능을 제공할 수 있다. 데이터 증강 기반 공간 분석 모델 학습 장치(100)는 도 1의 인터페이스에 사용되는 인공지능 모델을 생성한다. 인공지능 모델은 도 1의 좌측 하단에 입력되는 공간 이미지를 분석하여 공간 이미지가 어떠한 명칭, 용도, 또는 특성을 갖는지 클래스를 판별(ex. living room: 99%)할 수 있다. 이러한 실시예를 구현하기 위해 데이터 증강 기반 공간 분석 모델 학습 장치(100)가 가지는 구성을 도 2와 함께 설명한다.
도 2는 본 발명의 일 실시예에 따른 데이터 증강 기반 공간 분석 모델 학습 장치(100)의 기능 블록도다.
도 2는 참조하면, 일 실시예에 따른 데이터 증강 기반 공간 분석 모델 학습 장치(100)는 메모리(110), 프로세서(120), 입력 인터페이스(130), 디스플레이부(140) 및 통신 인터페이스(150)를 포함할 수 있다.
메모리(110)는 학습 데이터 DB(111), 신경망 모델(113), 및 명령어 DB(115)를 포함할 수 있다.
학습 데이터 DB(111)는 실내 공간, 외부 공간 등 특정한 공간을 촬영한 공간 이미지 파일을 포함할 수 있다. 공간 이미지는 외부 서버, 외부 DB를 통해 획득하거나 인터넷상의 공간 이미지를 획득할 수 있다. 이때 공간 이미지는 다수의 픽셀(ex. 가로 M개, 세로 N개 행렬 형태로 구성된 M*N 개의 픽셀)로 구성될 수 있고, 각각의 픽셀은 R (Red), G(Green), B(Blue)의 고유 색상을 나타내는 RGB 원소값 (x, y, z)으로 구성된 픽셀 정보를 포함할 수 있다.
신경망 모델(113)은 입력된 공간 이미지를 분석하여 공간 이미지가 어떠한 명칭, 용도, 특징으로 쓰이는 공간에 해당하는지를 특정하는 클래스를 판별하는 이미지 분류 인공지능 알고리즘 기반으로 학습된 인공지능 모델일 수 있다. 인공지능 모델은 후술할 프로세서(120)의 동작에 의해 생성되어 메모리(110)에 저장될 수 있다.
명령어 DB(115)는 프로세서(120)의 동작을 수행시킬 수 있는 명령어들을 저장할 수 있다. 예를 들어, 명령어 DB(115)는 후술할 프로세서(120)의 동작들과 대응되는 동작을 수행하도록 하는 컴퓨터 코드를 저장할 수 있다.
프로세서(120)는 데이터 증강 기반 공간 분석 모델 학습 장치(100)가 포함하는 구성들, 메모리(110), 입력 인터페이스(130), 디스플레이부(140) 및 통신 인터페이스(150)의 전반적인 동작을 제어할 수 있다. 프로세서(120)는 레이블링 모듈(121), 증강 모듈(123), 학습 모듈(125) 및 제어 모듈(127)을 포함할 수 있다. 프로세서(120)는 메모리(110)에 저장된 명령어들을 실행해 레이블링 모듈(121), 증강 모듈(123), 학습 모듈(125) 및 제어 모듈(127)을 구동시킬 수 있고, 레이블링 모듈(121), 증강 모듈(123), 학습 모듈(125) 및 제어 모듈(127)에 의해 수행되는 동작은 프로세서(120)에 의해 수행되는 동작으로 이해될 수 있다.
레이블링 모듈(121)은 복수의 공간 이미지 각각의 이미지에 포함된 공간 정보(ex. 공간의 명칭, 공간의 용도, 공간의 특성 등)를 특정하는 클래스를 레이블링(매핑)하여 인공지능 모델의 학습에 사용될 학습 데이터를 생성하고 학습 데이터 DB(111)에 저장할 수 있다. 레이블링 모듈(121)은 외부 서버, 외부 DB를 통해 공간 이미지를 획득하거나 인터넷상의 공간 이미지를 획득할 수 있다. 공간 이미지에는 해당 이미지의 공간 정보를 특정하는 클래스(ex. 방, 욕실, 주방, 거실 등)가 기 레이블링 되어 있을 수 있다.
증강 모듈(123)은 학습 데이터 DB(111)에 저장된 공간 이미지(증강 모듈이 변형을 가하지 않은 공간 이미지를 이하, '제1 공간 이미지'로 지칭)가 포함하는 픽셀 정보의 일부 또는 전부를 변경한 공간 이미지(증강 모듈이 변형을 가한 공간 이미지를 이하, '제2 공간 이미지'로 지칭)를 생성하여 학습 데이터를 증강시키고, 제2 공간 이미지를 학습 데이터 DB(111)에 추가하여 저장할 수 있다.
본 발명의 실시예에 따른 데이터 증강 기반 공간 분석 모델 학습 장치(100)가 학습시키는 모델은 공간 이미지의 클래스를 분류하는 기능을 갖는다. 이때, 공간 이미지는 같은 공간이 촬영되는 것이라도 촬영에 사용되는 카메라의 특성, 촬영이 행해지는 시간, 촬영하는 사람의 습관 등 실제 공간 이미지가 생성되는 다양한 환경이나 상황에 의해, 동일한 공간을 촬영하는 경우라도 다양한 변수에 의해 이미지 파일에 포함되는 정보가 달라질 수 있다. 따라서, 인공지능 모델의 성능 향상을 위해서는 학습에 사용되는 데이터의 양과 질이 중요하다. 특히, 촬영에 사용되는 카메라의 특성, 촬영 시간, 촬영하는 사람의 습관에 따라 발생할 수 있는 변수들을 학습할 수 있도록, 증강 모듈(123)은 하나의 공간 이미지에 대하여 실제로 발생할 수 있는 변수를 반영하는 도 3 내지 도 6의 데이터 증강 알고리즘을 통해 학습 데이터의 수량을 증가시킬 수 있다. 이때 레이블링 모듈(121)은 새롭게 생성되어 레이블링이 수행되기 전의 제2 공간 이미지에 대하여, 제1 공간 이미지에 레이블링된 클래스를 제2 공간 이미지에 레이블링하도록 하여, 증강된 학습 데이터에 대한 레이블링 과정을 자동화함으로써 레이블링 시간을 단축할 수 있다.
학습 모듈(125)은 이미지 분류 알고리즘 기반으로 설계된 모델에 증강된 학습 데이터를 입력하여, 학습 데이터에 포함된 공간 이미지와 공간 이미지 각각에 레이블링된 클래스와의 상관관계를 도출하는 가중치를 학습시킴으로써, 가중치의 상관관계를 기초로 새롭게 입력되는 공간 이미지에 대한 클래스를 판별하는 인공지능 모델을 생성할 수 있다. 예를 들어, 학습 모듈(125)은 이미지 분류 알고리즘 중 ResNet(Deep Residual Learning for Image Recognition) 알고리즘을 기초로 설계된 신경망의 입력 레이어에 학습 데이터에 포함된 공간 이미지가 입력되도록 설정하고, 출력 레이어에 공간 이미지 각각에 레이블링된 클래스가 입력되도록 설정하여, 학습 데이터에 포함된 공간 이미지와 공간 이미지 각각에 레이블링된 클래스와의 상관관계를 도출하도록 신경망의 가중치를 학습시켜 신경망을 생성할 수 있다.
제어 모듈(127)은 학습이 완료된 인공지능 모델에 공간 이미지를 입력하여, 입력된 공간 이미지에 대하여 인공지능 모델이 판별한 클래스를 해당 공간 이미지의 키워드로 도출할 수 있다. 이에 따라, 제어 모듈(127)은 공간 이미지를 포함하는 상품 페이지에 해당 키워드 정보를 사용할 수 있도록 온라인 쇼핑몰 서버의 상품 DB에 키워드를 저장할 수 있다.
입력 인터페이스(130)는 사용자의 입력을 수신할 수 있다. 예를 들면, 학습 데이터에 대한 클래스를 레이블링하는 경우 사용자의 입력을 수신할 수 있다.
디스플레이부(140)는 디스플레이 패널을 포함하여 화상을 출력하는 하드웨어 구성을 포함할 수 있다.
통신 인터페이스(150)는 외부 장치(ex. 온라인 쇼핑몰 서버, 사용자 단말 등)와 통신하여 정보를 송수신 할 수 있게 한다. 이를 위해, 통신 인터페이스(150)는 무선 통신모듈 또는 유선 통신모듈을 포함할 수 있다.
이하, 데이터 증강 기반 공간 분석 모델 학습 장치(100)를 구성하는 각 구성이 구현하는 다양한 실시예들을 도 3 내지 도 6과 함께 설명한다.
도 3은 제1 공간 이미지에 포함된 픽셀 정보를 변경하여 데이터를 증강하는 실시예에 따라 생성된 제2 공간 이미지의 예시도이다.
증강 모듈(123)은 제1 공간 이미지의 픽셀 중에서 밝은 부분을 더 밝게 하고 어두운 부분을 더 어둡게 하여 대비를 증가시키도록 변형하거나, 또는 제1 공간 이미지의 픽셀 중에서 밝은 부분을 덜 밝게 하고 어두운 부분을 덜 어둡게 하여 대비를 감소시키도록 변형하여, 카메라의 성능이나 기종에 따라 하나의 공간에 대한 이미지가 다르게 생성될 수 있는 변수까지 학습되도록 하는 제2 공간 이미지를 생성할 수 있다.
이를 위해, 증강 모듈(123)은 제1 공간 이미지에 포함된 픽셀 정보의 RGB 정보를 구성하는 (x, y, z) 원소값에 대하여, 소정의 기준값보다 큰 값을 가지는 원소값이 더 큰 값을 갖도록 변경하고, 기준값보다 작은 값을 가지는 원소값이 더 작은 원소값을 갖도록 변경하여 제2 공간 이미지를 생성할 수 있다.
예를 들어, 증강 모듈(123)은 제1 공간 이미지가 갖는 모든 픽셀이 갖는 픽셀 정보에 대해, 하기 수학식 1을 적용하여 픽셀 정보가 변경된 제2 공간 이미지를 생성할 수 있다.
Figure 112021006993914-pat00015
(src(I): 픽셀 정보의 변경 전 원소값 (x, y, z),
Figure 112021006993914-pat00016
: 상수,
Figure 112021006993914-pat00017
: 상수, dst(I): 픽셀 정보의 변경 후 원소값 (x', y', z'))
수학식 1에 따르면,
Figure 112021006993914-pat00018
가 1보다 큰 값을 갖도록 설정하는 경우, 제1 공간 이미지의 픽셀 중에서 밝은 부분을 더 밝게 하고 어두운 부분을 더 어둡게 하여 대비를 증가시킬 수 있고,
Figure 112021006993914-pat00019
가 0보다 크고 1보다 작은 값을 갖도록 설정하는 경우, 제1 공간 이미지의 픽셀 중에서 밝은 부분을 덜 밝게 하고 어두운 부분을 덜 어둡게 하여 대비를 감소시킬 수 있다.
또한, R, G, B의 원소값은 일반적으로 0부터 255 사이의 값을 가지기 때문에,
Figure 112021006993914-pat00020
에 의해 출력되는 원소값이 255보다 지나치게 커지지 않도록
Figure 112021006993914-pat00021
를 설정할 수 있고,
Figure 112021006993914-pat00022
함수를 사용하여 최댓값이 255보다 커지지 않도록 설정할 수 있다.
또한, R, G, B의 원소값은 일반적으로 0부터 255 사이의 값을 가지기 때문에,
Figure 112021006993914-pat00023
함수를 사용하여
Figure 112021006993914-pat00024
에 의해 출력되는 원소값이 0보다 작아지지 않도록 max 함수를 사용하여 할 수 있다.
더하여,
Figure 112021006993914-pat00025
가 소수점을 갖는 값으로 설정될 경우, 변경된 픽셀 정보의 원소값이 정수가 되도록
Figure 112021006993914-pat00026
함수를 사용할 수 있다.
도 3A를 참조하면, 좌측은 제1 공간 이미지이고, 우측은
Figure 112021006993914-pat00027
을 설정하여 수학식 1을 적용한 경우의 제2 공간 이미지이다. 도 3A의 우측 제2 공간 이미지는 제1 공간 이미지에 비해, 밝은 부분이 더 밝게 변하고 어두운 부분이 더 어둡게 변하여 대비가 증가된 새로운 학습 데이터가 생성됨을 확인할 수 있다.
도 3B를 참조하면, 좌측은 제1 공간 이미지이고, 우측은
Figure 112021006993914-pat00028
을 설정하여 수학식 1을 적용한 경우의 제2 공간 이미지이다. 도 3B의 우측 제2 공간 이미지는 제1 공간 이미지에 비해, 밝은 부분이 덜 밝게 변하고 어두운 부분이 덜 어둡게 변하여 대비가 감소된 새로운 학습 데이터가 생성됨을 확인할 수 있다.
도 3C를 참조하면, 좌측은 하나의 색 (R, G, B) = (183, 191, 194)으로 통일된 제1 공간 이미지이고, 우측은
Figure 112021006993914-pat00029
을 설정하여 수학식 1을 적용한 경우의 제2 공간 이미지이다. 도 3C를 통해 하나의 픽셀 정보가 수학식 1에 따라 변하는 정도를 확인할 수 있다.
도 4A는 제1 공간 이미지에 포함된 픽셀 정보에 그레이 스케일을 적용하여 데이터를 증강하는 실시예에 따라 생성된 제2 공간 이미지의 예시도이다.
공간 이미지에 대한 클래스 판별은 사물의 배치나, 사물의 패턴에 큰 영향을 받기 때문에, 증강 모듈(123)은 색상을 단조롭게 변환시킨 후 사물의 배치와 사물의 패턴이 보다 잘 학습되도록 변수를 반영한 학습 데이터를 생성할 수 있다.
이를 위해, 증강 모듈(123)은 도 4A의 좌측 이미지와 같이, 제1 공간 이미지가 갖는 모든 픽셀이 갖는 픽셀 정보에 대해, 하기 수학식 2를 적용하여 픽셀 정보가 단조로운 색상을 가지면서 배치와 패턴이 드러나는 제2 공간 이미지를 생성할 수 있다.
Figure 112021006993914-pat00030
(R: 픽셀 정보의 RGB 정보 (x, y, z) 중 x, G: 픽셀 정보의 RGB 정보 (x, y, z) 중 y, B: 픽셀 정보의 RGB 정보 (x, y, z) 중 z, Y: 픽셀 정보의 변경 후 원소값 (x', y', z'))
더하여, 증강 모듈(123)은 도 4A의 우측 이미지와 같이, 하기 수학식 3을 통해 제1 공간 이미지의 대비를 증가시킨 후 도출된 원소값에, 하기 수학식 4를 적용하여, 제1 공간 이미지에 포함된 사물의 배치와 패턴이 보다 극명하게 드러나는 제2 공간 이미지를 생성할 수 있다.
Figure 112021006993914-pat00031
(src(I): 픽셀 정보의 변경 전 원소값 (x, y, z),
Figure 112021006993914-pat00032
: 상수,
Figure 112021006993914-pat00033
: 상수, dst(I): 픽셀 정보의 변경 후 원소값 (x', y', z'))
Figure 112021006993914-pat00034
(R: 수학식 3에서 구해진 dst(I)의 (x', y', z') 중 x', G: 수학식 3에서 구해진 dst(I)의 (x', y', z') 중 y', B: 수학식 3에서 구해진 dst(I)의 (x', y', z') 중 z', Y: 픽셀 정보의 변경 후 원소값 (x'', y'', z'')
도 4B는 제1 공간 이미지에 포함된 픽셀 정보의 일부에 노이즈를 추가하여 데이터를 증강하는 실시예에 따라 생성된 제2 공간 이미지의 예시도이다.
증강 모듈(123)은 카메라를 확대하여 촬영하는 경우 이미지에 노이즈가 발생하는 경우를 학습하기 위한 학습 데이터를 생성할 수 있다. 이를 위해, 증강 모듈(123)은 제1 공간 이미지에 포함된 픽셀 정보의 일부에 노이즈 정보를 추가하여 제2 공간 이미지를 생성할 수 있다. 예를 들어, 증강 모듈(123)은 난수 발생 알고리즘을 통해 임의의 좌표 정보를 생성하여, 제1 공간 이미지에 포함된 픽셀 중 일부의 좌표를 선택하고, 선택된 좌표의 픽셀이 갖는 원소값에 대해 하기 수학식 5를 이용하여, 픽셀 정보에 난수 발생 알고리즘을 이용해 산출되는 난수를 부가하여 노이즈 정보가 추가된 제2 공간 이미지를 생성할 수 있다.
Figure 112021006993914-pat00035
(src(I): 픽셀 정보의 변경 전 원소값 (x, y, z),
Figure 112021006993914-pat00036
: 난수, dst(I): 픽셀 정보의 변경 후 원소값 (x', y', z'))
도 4B를 참조하면, 좌측은 제1 공간 이미지이고, 우측은 수학식 5를 적용하여 노이즈를 추가한 경우의 제2 공간 이미지를 확인할 수 있다.
도 5는 제1 공간 이미지에 포함된 사물의 테두리 영역을 구분하고, 테두리가 아닌 영역에 블러를 적용하여 제2 공간 이미지를 생성하는 방법을 설명하기 위한 예시도이다.
증강 모듈(123)은 카메라의 초점이 잘 맞지 않는 상태에서 촬영된 이미지를 학습하도록 다음의 실시예를 통해 사물의 가장자리가 뭉개진 듯한 제2 공간 이미지를 생성할 수 있다.
도 5A은 설명의 편의를 위해, 가로 5개 x 세로 5개 행렬 형태의 25개 픽셀을 포함하는 제1 공간 이미지를 가정하여 각 픽셀 영역을 구분한 예시이다. 이때 각 픽셀은 R, G, B의 원소값을 갖지만, R (Red)의 원소값을 기준으로 실시예를 설명한다. 도 5A의 각 픽셀 영역에 도시된 숫자는 R의 원소값을 의미한다.
도 5A의 경우, 모든 픽셀에 후술할 방식의 연산이 수행되지만 설명의 편의를 위해 정중앙의 픽셀을 기준으로 연산을 설명한다. 도 5A의 경우 증강 모듈(123)은 연산이 수행되는 픽셀을 중앙으로 하는 NxN 영역(도 5A에서 N은 3을 가정)에 포함된 픽셀 중 R 원소값의 최댓값(R_max = 130) 과 R 원소값의 평균값(R_avg = 120)의 차이(R_max - R_avg = 10)를 계산하여, 도출되는 값이 기 설정된 값 n보다 작은 경우의 픽셀(사물의 안쪽 영역에 존재하는 픽셀로 판별)과 기 설정된 값 n보다 큰 경우의 픽셀(사물의 테두리 영역에 존재하는 픽셀로 판별)을 구분하여, 도 5B의 우측과 같이 제1 공간 이미지에 포함된 사물의 테두리를 판별할 수 있다. 여기서, 증강 모듈(123)은 테두리 영역을 제외한 영역의 픽셀에 대해서만 가우시안 블러 알고리즘을 적용하여 도 5C의 우측 이미지와 같은 이미지를 생성할 수 있다. 한편, 연산이 수행되는 픽셀을 기준으로 하는 NxN 영역에 픽셀이 존재하지 않는 영역(ex. 이미지의 가장자리 쪽)이 존재한다면, 해당 픽셀에 대해서는 상술한 연산을 생략하고 블러 처리를 할 수 있다.
이처럼, 증강 모듈(123)은 제1 공간 이미지가 포함하는 모든 픽셀 각각에 대하여 위의 연산을 수행할 수 있다. 연산이 수행되는 픽셀의 경우, 해당 픽셀을 중앙에 포함하는 NxN (N은 3 이상의 홀수) 행렬 크기에 포함되는 복수의 픽셀을 커널 영역으로 선택하고, 커널 영역에 포함된 복수의 픽셀의 R, G, B 각각의 원소값 중 최대 원소값인 (R_max, G_max, B_max)에서, 커널 영역에 포함된 복수의 픽셀의 R, G, B 각각의 원소 평균값인 (R_avg, G_avg, B_avg)을 뺀 값인 (R_max-R_avg, G_max-G_avg, B_max-B_avg)을 구하고, (R_max-R_avg, G_max-G_avg, B_max-B_avg) 중 적어도 어느 하나의 원소값이 기 설정된 값 n보다 작으면 해당 픽셀에 가우시안 블러 알고리즘을 적용하여 제2 공간 이미지를 생성할 수 있다.
이와 같은 연산을 제1 공간 이미지에 포함된 모든 픽셀에 대해 수행하면, 색상 차이가 크게 벌어지는 테두리 영역의 픽셀만이 픽셀 정보를 그대로 가지고, 색상 차이가 없는 영역의 픽셀은 블러 처리되어, 카메라의 초점이 잘 맞지 않는 상태에서 촬영된 이미지를 학습할 수 있는 제2 공간 이미지를 생성할 수 있다. 이때 블러 처리는 가우시안 블러 알고리즘을 적용할 수 있으나 이에 한정되지 않고 다양한 블러 필터를 사용할 수 있다.
도 5B를 참조하면, 좌측은 제1 공간 이미지이고, 우측은 도 5를 통해 설명한 실시예에서 기 설정된 값 n보다 큰 경우와 n보다 작은 경우의 픽셀을 구분하여 생성된 이미지이다. 도 5B의 우측 이미지 역시 사물의 테두리를 극명하게 나타내기 때문에, 사물의 배치와 패턴을 명확하게 인식시키기 위한 목적으로 학습 데이터에 추가하여 사용할 수 있다.
도 5C를 참조하면, 좌측은 제1 공간 이미지이고, 우측은 상술한 도 5의 실시예에서 N = 7, n = 20을 적용한 실시예로, 테두리 이외의 영역이 블러 처리된 제2 공간 이미지를 확인할 수 있다.
더하여, 도 5를 통해 설명한 실시예에서 기 설정된 값 n보다 큰 경우의 픽셀을 블러 처리하여 상술한 실시예와 반대의 효과를 발생시킨 제2 공간 이미지를 학습 데이터 DB(111)에 추가할 수도 있다.
도 6은 제1 공간 이미지에 가우시안 정규 분포에 따른 노이즈 정보를 추가하여 데이터를 증강하는 실시예에 따라 생성된 제2 공간 이미지의 예시도이다.
증강 모듈(123)은 이미지의 특정 부분에 초점이 맞지 않는 경우를 학습하기 위한 학습 데이터를 생성할 수 있다. 이를 위해, 증강 모듈(123)은 제1 공간 이미지가 포함하는 모든 픽셀의 개수만큼, 평균 0 및 표준편차 100의 표준 가우시안 정규 분포를 따르는 난수 정보를 생성하고, 모든 픽셀의 각각에 난수 정보 각각을 합산하여 노이즈 정보가 삽입된 제2 공간 이미지를 생성할 수 있다.
레이블링 모듈(121)은 도 3 내지 도 6을 통해 생성된 제2 공간 데이터에 대하여, 변형 전의 원본인 제1 공간 이미지에 레이블링된 클래스를, 변형 후의 제2 공간 이미지에 동일하게 레이블링하여, 증강된 학습 데이터에 대한 레이블링 과정을 자동화하여 레이블링 시간을 단축할 수 있다.
이후, 학습 모듈(125)은 이미지 분류 알고리즘 기반으로 설계된 모델에 원본 학습 데이터(제1 공간 이미지)와 도 3 내지 도 6의 실시예들을 통해 증강된 학습 데이터(제2 공간 이미지)를 입력하여, 학습 데이터에 포함된 공간 이미지와 공간 이미지 각각에 레이블링된 클래스와의 상관관계를 도출하는 모델의 가중치를 학습시킴으로써, 상관관계를 기초로 공간 이미지에 대한 클래스를 판별하는 모델을 생성할 수 있다.
이러한 이미지 분류 알고리즘은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 머신러닝 알고리즘을 포함한다. 본 발명의 실시예는 ResNet, LeNet-5, AlexNet, VGG-F, VGG-M, VGG-S, VGG-16, VGG-19, GoogLeNet(inception v1), SENet의 알고리즘에 따라 설계된 인공지능 모델을 통해 학습을 진행할 수 있다.
인공지능 모델은 시냅스의 결합으로 네트워크를 형성한 노드들로 구성되는, 문제 해결 능력을 갖추는 모델 전반을 의미할 수 있다. 인공지능 모델은 모델을 구성하는 레이어 사이의 가중치인, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.
모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 레이어 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼 파라미터는 머신러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 네트워크 계층 수(num_layer), 학습 데이터 개수(num_training_samples), 클래스 개수(num_classes), 학습률(Learning Rate), 학습 횟수(epochs), 미니 배치 크기(mini_batch_size), 손실 함수(optimizer) 등이 포함된다.
본 발명의 일 실시예에 따른 인공지능 모델의 하이퍼 파라미터는 아래와 같은 설정값을 가질 수 있다. 예를 들어, 네트워크 계층 수는 이미지의 크기가 큰 학습 데이터일 경우 [18, 34, 50, 101, 152, 200] 사이에서 선택될 수 있다. 이때 네트워크 계층 수는 학습 시간을 고려하여 초깃값 18로 학습되다가 소정 개수의 학습 데이터가 학습된 이후에는 34 로 변경될 수 있고, 이에 따라 정확도가 향상될 수 있다. 학습 데이터 개수는 전체 이미지 데이터에서 평가 데이터의 개수를 뺀 값으로, 총 79,756장 중에서 63,806장이 학습 데이터로 사용될 수 있고, 나머지 16,625장은 평가 데이터로 사용될 수 있다. 클래스 개수는 거실/방/주방/욕실로 분류되는 4가지의 클래스를 포함할 수 있다. 미니 배치 크기는 크기값에 따라 수렴 속도 및 최종 loss 값에 차이가 있으므로 [32, 64, 128, 256] 등의 크기를 각각 시도하여 적절한 값을 선택할 수 있고, 바람직하게 128 또는 256의 크기가 설정될 수 있다. 학습 횟수는 10 내지 15 어느 하나의 값으로 설정될 수 있다. 학습률은 0.005 또는 0.01로 설정될 수 있다. 손실함수(목적함수)는 기본값인 SGD로 설정될 수 있고, 또는 이미지 분류에 적합한 Adam으로 설정될 수 있다. 다만, 상술한 설정값들은 일 예시일 뿐 실시예들이 위 수치에 한정되는 것은 아니다.
인공지능 모델의 학습 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공지능 모델의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.
도 7은 본 발명의 일 실시예에 따른 데이터 증강 기반 공간 분석 모델 학습 방법의 흐름도이다. 도 7에 따른 데이터 증강 기반 공간 분석 모델 학습 방법의 각 단계는 도 2을 통해 설명된 데이터 증강 기반 공간 분석 모델 학습 장치(100)에 의해 수행될 수 있으며, 각 단계를 설명하면 다음과 같다.
먼저, 레이블링 모듈(121)은 복수의 공간 이미지를 획득하여 복수의 공간 이미지 각각에 해당하는 공간 정보를 특정하는 클래스를 레이블링하거나, 클래스가 레이블링된 복수의 공간 이미지를 획득하여 학습 데이터를 생성한다(S710). 이후, 증강 모듈(123)은 복수의 공간 이미지 중 제1 공간 이미지가 포함하는 픽셀 정보의 일부 또는 전부를 변경한 제2 공간 이미지를 생성하여 학습 데이터를 증강시킨다(S720). 다음으로, 레이블링 모듈(121)은 제1 공간 이미지에 레이블링된 클래스를 제2 공간 이미지에 레이블링한다(S730). 이에 따라, 학습 모듈(125)은 소정의 이미지 분류 알고리즘 기반으로 설계된 모델에 증강된 학습 데이터를 입력하여, 학습 데이터에 포함된 공간 이미지와 공간 이미지 각각에 레이블링된 클래스와의 상관관계를 도출하는 모델의 가중치를 학습시킴으로써, 상관관계를 기초로 공간 이미지에 대한 클래스를 판별하는 모델을 생성할 수 있다(S740).
한편, 상술한 각 단계의 주체인 구성 요소들이 해당 단계를 실시하기 위한 과정은 도 2 내지 도 6과 함께 설명하였으므로 중복된 설명은 생략한다.
상술한 본 발명의 실시예들은 다양한 수단을 통해 구현될 수 있다. 예를 들어, 본 발명의 실시예들은 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다.
하드웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 프로세서, 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.
펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 이상에서 설명된 기능 또는 동작을 수행하는 모듈, 절차 또는 함수 등의 형태로 구현될 수 있다. 소프트웨어 코드 등이 기록된 컴퓨터 프로그램은 컴퓨터 판독 가능 기록 매체 또는 메모리 유닛에 저장되어 프로세서에 의해 구동될 수 있다. 메모리 유닛은 프로세서 내부 또는 외부에 위치하여, 이미 공지된 다양한 수단에 의해 프로세서와 데이터를 주고받을 수 있다.
또한 본 발명에 첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 인코딩 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 인코딩 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방법으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
더불어 각 블록 또는 각 단계는 특정된 논리적 기능을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또한, 몇 가지 대체 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들 또는 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
이와 같이, 본 발명이 속하는 기술분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (13)

  1. 데이터 증강 기반 공간 분석 모델 학습 장치에 있어서,
    소정의 동작을 수행하도록 하는 명령어들을 저장하는 하나 이상의 메모리; 및 상기 하나 이상의 메모리와 동작할 수 있도록 연결되어 상기 명령어들을 실행하도록 설정된 하나 이상의 프로세서를 포함하고,
    상기 프로세서가 수행하는 동작은,
    복수의 공간 이미지를 획득하여 상기 복수의 공간 이미지 각각에 해당하는 공간 정보를 특정하는 클래스를 레이블링하거나, 상기 클래스가 레이블링된 복수의 공간 이미지를 획득하여 학습 데이터를 생성하는 동작;
    상기 복수의 공간 이미지 중 제1 공간 이미지가 포함하는 픽셀 정보의 일부 또는 전부를 변경한 제2 공간 이미지를 생성하여 상기 학습 데이터를 증강하는 동작;
    상기 제1 공간 이미지에 레이블링된 클래스를 상기 제2 공간 이미지에 레이블링하는 동작; 및
    소정의 이미지 분류 알고리즘 기반으로 설계된 모델에 상기 증강된 학습 데이터를 입력하고, 상기 학습 데이터에 포함된 공간 이미지와 상기 공간 이미지 각각에 레이블링된 클래스와의 상관관계를 도출하는 상기 모델의 가중치를 학습시킴으로써, 상기 상관관계를 기초로 공간 이미지에 대한 클래스를 판별하는 모델을 생성하는 동작을 포함하고,
    상기 제2 공간 이미지를 생성하는 동작은,
    상기 제1 공간 이미지가 포함하는 모든 픽셀의 개수만큼, 평균 0 및 표준편차 100의 표준 가우시안 정규 분포를 따르는 난수 정보를 생성하고, 상기 모든 픽셀의 각각에 상기 난수 정보 각각을 합산하여 노이즈가 삽입된 상기 제2 공간 이미지를 생성하는 동작을 포함하는,
    데이터 증강 기반 공간 분석 모델 학습 장치.
  2. 제1항에 있어서,
    상기 제2 공간 이미지를 생성하는 동작은,
    상기 제1 공간 이미지에 포함된 픽셀 정보의 RGB 정보를 구성하는 (x, y, z) 원소값에 대하여, 소정의 기준값보다 큰 값을 가지는 원소값이 더 큰 값을 갖도록 변경하고, 상기 기준값보다 작은 값을 가지는 원소값이 더 작은 원소값을 갖도록 변경하여 상기 제2 공간 이미지를 생성하는 동작을 포함하는,
    데이터 증강 기반 공간 분석 모델 학습 장치.
  3. 제2항에 있어서,
    상기 제2 공간 이미지를 생성하는 동작은,
    [수학식 1]
    Figure 112021006993914-pat00037

    (src(I): 픽셀 정보의 변경 전 원소값 (x, y, z),
    Figure 112021006993914-pat00038
    : 상수,
    Figure 112021006993914-pat00039
    : 상수, dst(I): 픽셀 정보의 변경 후 원소값 (x', y', z'))
    상기 수학식 1을 기초로 상기 제1 공간 이미지로부터 상기 제2 공간 이미지를 생성하는 동작을 포함하는,
    데이터 증강 기반 공간 분석 모델 학습 장치.
  4. 제1항에 있어서,
    상기 제2 공간 이미지를 생성하는 동작은,
    [수학식 2]
    Figure 112021006993914-pat00040

    (R: 픽셀 정보의 RGB 정보 (x, y, z) 중 x, G: 픽셀 정보의 RGB 정보 (x, y, z) 중 y, B: 픽셀 정보의 RGB 정보 (x, y, z) 중 z, Y: 픽셀 정보의 변경 후 원소값 (x', y', z'))
    상기 수학식 2를 기초로 상기 제1 공간 이미지로부터 상기 제2 공간 이미지를 생성하는 동작을 포함하는,
    데이터 증강 기반 공간 분석 모델 학습 장치.
  5. 제1항에 있어서,
    상기 제2 공간 이미지를 생성하는 동작은,
    [수학식 3]
    Figure 112021006993914-pat00041

    (src(I): 픽셀 정보의 변경 전 원소값 (x, y, z),
    Figure 112021006993914-pat00042
    : 상수,
    Figure 112021006993914-pat00043
    : 상수, dst(I): 픽셀 정보의 변경 후 원소값 (x', y', z'))
    [수학식 4]
    Figure 112021006993914-pat00044

    (R: 상기 dst(I)의 (x', y', z') 중 x', G: 상기 dst(I)의 (x', y', z') 중 y', B: 상기 dst(I)의 (x', y', z') 중 z', Y: 픽셀 정보의 변경 후 원소값 (x'', y'', z''))
    상기 수학식 3 및 4를 기초로 상기 제1 공간 이미지로부터 상기 제2 공간 이미지를 생성하는 동작을 포함하는,
    데이터 증강 기반 공간 분석 모델 학습 장치.
  6. 제1항에 있어서,
    상기 제2 공간 이미지를 생성하는 동작은,
    상기 제1 공간 이미지에 포함된 픽셀 정보의 일부에 노이즈 정보를 추가하여 상기 제2 공간 이미지를 생성하는 동작을 포함하는,
    데이터 증강 기반 공간 분석 모델 학습 장치.
  7. 제6항에 있어서,
    상기 제2 공간 이미지를 생성하는 동작은,
    [수학식 5]
    Figure 112021006993914-pat00045

    (src(I): 픽셀 정보의 변경 전 원소값 (x, y, z),
    Figure 112021006993914-pat00046
    : 난수, dst(I): 픽셀 정보의 변경 후 원소값 (x', y', z'))
    상기 수학식 5를 기초로 상기 제1 공간 이미지의 픽셀 정보에 노이즈 정보를 부가하여 상기 제2 공간 이미지를 생성하는 동작을 포함하는,
    데이터 증강 기반 공간 분석 모델 학습 장치.
  8. 삭제
  9. 제1항에 있어서,
    상기 모델을 생성하는 동작은,
    ResNet(Deep Residual Learning for Image Recognition) 알고리즘을 기초로 설계된 신경망의 입력 레이어에 상기 학습 데이터에 포함된 공간 이미지가 입력되도록 설정하고, 출력 레이어에 상기 공간 이미지 각각에 레이블링된 클래스가 입력되도록 설정하여, 상기 학습 데이터에 포함된 공간 이미지와 상기 공간 이미지 각각에 레이블링된 클래스와의 상관관계를 도출하는 신경망의 가중치를 학습시키는 동작을 포함하는,
    데이터 증강 기반 공간 분석 모델 학습 장치.
  10. 제9항에 있어서,
    상기 ResNet 알고리즘을 기초로 설계된 신경망의 하이퍼 파라미터 중 네트워크 계층 수는 [18, 34, 50, 101, 152, 200] 중 하나의 값을 갖고, 클래스 개수는 거실/방/주방/욕실로 분류되는 4가지의 클래스를 포함하고, 미니 배치 크기는 [32, 64, 128, 256] 중 하나의 값을 갖고, 학습 횟수는 10 내지 15의 값 중 하나를 갖고, 학습률은 0.005 또는 0.01로 설정되고, 손실함수는 SGD 또는 Adam으로 설정되는,
    데이터 증강 기반 공간 분석 모델 학습 장치.
  11. 제1항 내지 제7항, 제9항 및 제10항 중 어느 한 항의 장치가 생성한 데이터 증강 기반 공간 분석 모델을 포함하는 장치.
  12. 데이터 증강 기반 공간 분석 모델 학습 장치가 수행하는 방법에 있어서,
    복수의 공간 이미지를 획득하여 상기 복수의 공간 이미지 각각에 해당하는 공간 정보를 특정하는 클래스를 레이블링하거나, 상기 클래스가 레이블링된 복수의 공간 이미지를 획득하여 학습 데이터를 생성하는 단계;
    상기 복수의 공간 이미지 중 제1 공간 이미지가 포함하는 픽셀 정보의 일부 또는 전부를 변경한 제2 공간 이미지를 생성하여 상기 학습 데이터를 증강하는 단계;
    상기 제1 공간 이미지에 레이블링된 클래스를 상기 제2 공간 이미지에 레이블링하는 단계; 및
    소정의 이미지 분류 알고리즘 기반으로 설계된 모델에 상기 증강된 학습 데이터를 입력하여, 상기 학습 데이터에 포함된 공간 이미지와 상기 공간 이미지 각각에 레이블링된 클래스와의 상관관계를 도출하는 상기 모델의 가중치를 학습시킴으로써, 상기 상관관계를 기초로 공간 이미지에 대한 클래스를 판별하는 모델을 생성하는 단계를 포함하고,
    상기 학습 데이터를 증강하는 단계에서,
    상기 제2 공간 이미지를 생성하는 동작은 상기 제1 공간 이미지가 포함하는 모든 픽셀의 개수만큼, 평균 0 및 표준편차 100의 표준 가우시안 정규 분포를 따르는 난수 정보를 생성하고, 상기 모든 픽셀의 각각에 상기 난수 정보 각각을 합산하여 노이즈가 삽입된 상기 제2 공간 이미지를 생성하는 동작을 포함하는,
    데이터 증강 기반 공간 분석 모델 학습 방법.
  13. 제12항의 방법을 프로세서가 수행하도록 하는 컴퓨터 판독 가능 기록매체에 저장된 컴퓨터 프로그램.
KR1020210007406A 2020-07-23 2021-01-19 데이터 증강 기반 공간 분석 모델 학습 장치 및 방법 KR102430742B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210007406A KR102430742B1 (ko) 2020-07-23 2021-01-19 데이터 증강 기반 공간 분석 모델 학습 장치 및 방법

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200091753A KR102208685B1 (ko) 2020-07-23 2020-07-23 데이터 증강 기반 공간 분석 모델 학습 장치 및 방법
KR1020210007406A KR102430742B1 (ko) 2020-07-23 2021-01-19 데이터 증강 기반 공간 분석 모델 학습 장치 및 방법

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020200091753A Division KR102208685B1 (ko) 2020-07-23 2020-07-23 데이터 증강 기반 공간 분석 모델 학습 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220012784A KR20220012784A (ko) 2022-02-04
KR102430742B1 true KR102430742B1 (ko) 2022-08-11

Family

ID=74239270

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020200091753A KR102208685B1 (ko) 2020-07-23 2020-07-23 데이터 증강 기반 공간 분석 모델 학습 장치 및 방법
KR1020210007406A KR102430742B1 (ko) 2020-07-23 2021-01-19 데이터 증강 기반 공간 분석 모델 학습 장치 및 방법

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020200091753A KR102208685B1 (ko) 2020-07-23 2020-07-23 데이터 증강 기반 공간 분석 모델 학습 장치 및 방법

Country Status (6)

Country Link
US (1) US20220358752A1 (ko)
EP (1) EP4040347A4 (ko)
JP (1) JP7362924B2 (ko)
KR (2) KR102208685B1 (ko)
CN (1) CN114830146A (ko)
WO (1) WO2022019389A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117302236B (zh) * 2023-09-27 2024-03-26 湖北天凯风林电子有限公司 一种基于深度学习的车辆状态监测方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018169672A (ja) * 2017-03-29 2018-11-01 三菱電機インフォメーションシステムズ株式会社 教師画像を生成する方法、コンピュータおよびプログラム

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3347817B2 (ja) * 1993-06-22 2002-11-20 株式会社ビュープラス 画像認識装置
KR20100102772A (ko) 2009-03-12 2010-09-27 주식회사 퍼시스 실내환경 분석 시스템 및 그 방법
US10095950B2 (en) * 2015-06-03 2018-10-09 Hyperverge Inc. Systems and methods for image processing
US10878320B2 (en) * 2015-07-22 2020-12-29 Qualcomm Incorporated Transfer learning in neural networks
KR101880035B1 (ko) * 2015-09-24 2018-07-19 주식회사 뷰노 영상 생성 방법 및 장치, 및 영상 분석 방법
US9864931B2 (en) 2016-04-13 2018-01-09 Conduent Business Services, Llc Target domain characterization for data augmentation
KR102645202B1 (ko) * 2017-01-03 2024-03-07 한국전자통신연구원 기계 학습 방법 및 장치
CN108520278A (zh) 2018-04-10 2018-09-11 陕西师范大学 一种基于随机森林的路面裂缝检测方法及其评价方法
US10489683B1 (en) * 2018-12-17 2019-11-26 Bodygram, Inc. Methods and systems for automatic generation of massive training data sets from 3D models for training deep learning networks
KR102646889B1 (ko) * 2018-12-21 2024-03-12 삼성전자주식회사 스타일 변환을 위한 영상 처리 장치 및 방법
CN110516703A (zh) * 2019-07-18 2019-11-29 平安科技（深圳）有限公司 基于人工智能的车辆识别方法、装置及存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018169672A (ja) * 2017-03-29 2018-11-01 三菱電機インフォメーションシステムズ株式会社 教師画像を生成する方法、コンピュータおよびプログラム

Also Published As

Publication number Publication date
EP4040347A1 (en) 2022-08-10
KR20220012784A (ko) 2022-02-04
EP4040347A4 (en) 2023-08-23
KR102208685B1 (ko) 2021-01-28
CN114830146A (zh) 2022-07-29
KR102208685B9 (ko) 2022-03-11
JP2023508639A (ja) 2023-03-03
JP7362924B2 (ja) 2023-10-17
WO2022019389A1 (ko) 2022-01-27
US20220358752A1 (en) 2022-11-10

Similar Documents

Publication Publication Date Title
US20210073953A1 (en) Method for applying bokeh effect to image and recording medium
Matern et al. Exploiting visual artifacts to expose deepfakes and face manipulations
KR102339915B1 (ko) 셀피를 촬영하도록 사용자를 안내하기 위한 시스템 및 방법
KR102485503B1 (ko) 이미지 데이터베이스 분석 기반 상품 추천 장치 및 방법
CN107155360B (zh) 用于对象检测的多层聚合
Kao et al. Visual aesthetic quality assessment with a regression model
CN105917353A (zh) 用于生物认证的特征提取及匹配以及模板更新
CN113496507A (zh) 一种人体三维模型重建方法
US20220358411A1 (en) Apparatus and method for developing object analysis model based on data augmentation
Blanch et al. End-to-end conditional gan-based architectures for image colourisation
US11468571B2 (en) Apparatus and method for generating image
CN109684853A (zh) 用于确定和提供图像内的匿名内容的装置和方法
JP2024515532A (ja) １つ以上のユーザ固有の頭皮分類を生成するために、ユーザの頭皮の頭皮領域の画素データを分析するためのデジタル撮像及び学習システム並びに方法
Li et al. Color vision deficiency datasets & recoloring evaluation using GANs
KR102430742B1 (ko) 데이터 증강 기반 공간 분석 모델 학습 장치 및 방법
KR102430740B1 (ko) 데이터 증강 기반 스타일 분석 모델 학습 장치 및 방법
Hepburn et al. Enforcing perceptual consistency on generative adversarial networks by using the normalised laplacian pyramid distance
CN115457015A (zh) 一种基于视觉交互感知双流网络的图像无参考质量评估方法及装置
Górriz et al. End-to-end conditional GAN-based architectures for image colourisation
CN113837236A (zh) 图像中目标对象的识别方法、装置、终端设备及存储介质
Deshpande et al. Fusion of handcrafted edge and residual learning features for image colorization
Piccoli Visual Anomaly Detection For Automatic Quality Control
CN114926567A (zh) 图像着色方法、电子设备、存储介质及计算机程序产品
Rathi et al. Multi-Model Convolution: An Innovative Machine Learning Approach for Sign Language Recognition
CN116805373A (zh) 彩色底色检测

Legal Events

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