KR102430743B1 - 데이터 증강 기반 사물 분석 모델 학습 장치 및 방법 - Google Patents

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

Info

Publication number
KR102430743B1
KR102430743B1 KR1020210007411A KR20210007411A KR102430743B1 KR 102430743 B1 KR102430743 B1 KR 102430743B1 KR 1020210007411 A KR1020210007411 A KR 1020210007411A KR 20210007411 A KR20210007411 A KR 20210007411A KR 102430743 B1 KR102430743 B1 KR 102430743B1
Authority
KR
South Korea
Prior art keywords
spatial image
image
model
class
generating
Prior art date
Application number
KR1020210007411A
Other languages
English (en)
Other versions
KR20220012785A (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 KR1020210007411A priority Critical patent/KR102430743B1/ko
Publication of KR20220012785A publication Critical patent/KR20220012785A/ko
Application granted granted Critical
Publication of KR102430743B1 publication Critical patent/KR102430743B1/ko

Links

Images

Classifications

    • 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
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T19/006—Mixed reality
    • 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
    • G06T5/002—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G06V10/235—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on user input or interaction
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/12—Bounding box

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Computer Graphics (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Architecture (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

본 발명의 일 실시예에 따른 데이터 증강 기반 사물 분석 모델 학습 장치는 하나 이상의 프로세서를 포함하고, 프로세서는 사물 이미지를 포함하는 제1 공간 이미지를 획득하여, 제1 공간 이미지가 포함하는 픽셀 정보 중 일부 또는 전부를 변경한 제2 공간 이미지를 생성하는 동작, 제1 공간 이미지 내의 제1 사물 이미지의 영역에 바운딩 박스를 지정하고, 바운딩 박스에 제1 사물 이미지를 특정하는 제1 클래스를 레이블링하는 동작, 소정의 이미지 분류 알고리즘 기반으로 설계된 모델에 제1 공간 이미지를 입력하여, 바운딩 박스 내 제1 사물 이미지와 제1 클래스와의 상관관계를 도출하는 모델의 가중치를 1차 학습시킴으로써 상관관계를 기초로 공간 이미지에 포함된 사물 이미지를 특정하고 클래스를 판별하는 모델을 생성하는 동작, 1차 학습된 모델에 제2 공간 이미지를 입력하여, 모델이 제2 공간 이미지 내의 제2 사물 이미지를 특정한 바운딩 박스와 모델이 판별한 제2 클래스를 레이블링하는 동작 및 제2 공간 이미지를 기초로 모델의 가중치를 2차 학습시킨 모델을 생성할 수 있다.

Description

데이터 증강 기반 사물 분석 모델 학습 장치 및 방법{APPARATUS AND METHOD FOR DEVELOPING OBJECT ANALYSIS MODEL BASED ON DATA AUGMENTATION}
본 발명은 데이터 증강 기반 사물 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. 구매자 역시 상품을 검색할 때 상품이 사용되는 공간의 용도, 상품 그 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 객체 검출알고리즘들이 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 포함하는 사물의 클래스를 분류할 수 있는 모델을 생성하는 기술을 제공하고자 한다.
이때 본 발명의 실시예가 사용하는 기술인 객체 검출 인공지능 알고리즘은 학습에 사용하는 학습 데이터의 양과 질에 따라 모델의 성능에 큰 차이가 발생할 수 있다. 특히, 인공지능 모델 학습의 경우 한정된 학습 데이터만으로도 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 상황을 반영하는 학습 데이터를 생성하는 데이터 증강 기술을 제시한다.
한편, 데이터가 증가할수록 공간 이미지에 포함된 사물의 클래스를 일일이 레이블링하는 것은 매우 오랜 시간이 소요된다는 문제가 발생한다. 이에 따라, 본 발명의 실시예는 1차 학습된 모델을 통해 증강된 학습 데이터에 대한 클래스를 자동으로 레이블링 시킴으로써 데이터 정제 및 학습 과정이 자동으로 수행되는 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 사물 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 제1 사물 이미지를 포함하는 제1 공간 이미지를 획득하여, 상기 제1 공간 이미지가 포함하는 픽셀 정보를 변경한 제2 공간 이미지를 생성하는 동작, 상기 제1 공간 이미지 내의 상기 제1 사물 이미지를 포함하는 영역에 바운딩 박스(bounding box)를 지정하고, 상기 바운딩 박스에 상기 제1 사물 이미지를 특정하는 제1 클래스를 레이블링하는 동작, 소정의 객체 검출알고리즘 기반으로 설계된 모델에 상기 제1 공간 이미지를 입력하여, 상기 바운딩 박스 내 상기 제1 사물 이미지와 상기 제1 클래스와의 상관관계를 도출하는 상기 모델의 가중치를 1차 학습시킴으로써, 상기 상관관계를 기초로 공간 이미지에 포함된 사물 이미지를 특정하고 클래스를 판별하는 모델을 생성하는 동작, 상기 1차 학습된 모델에 상기 제2 공간 이미지를 입력하여, 상기 모델이 상기 제2 공간 이미지 내의 제2 사물 이미지를 특정한 바운딩 박스와, 상기 모델이 상기 제2 사물 이미지에 대해 판별한 제2 클래스를 상기 제2 공간 이미지에 레이블링하는 동작 및 상기 제2 공간 이미지를 기초로 상기 모델의 가중치를 2차 학습시킨 모델을 생성하는 동작을 포함할 수 있다.
또한, 상기 동작은 사물 정보를 특정하는 복수의 클래스를 저장한 세트를 생성하는 동작을 더 포함하고, 상기 레이블링하는 동작은 상기 제1 공간 이미지 내의 제1 사물 이미지의 영역에 바운딩 박스(bounding box)가 지정되면, 상기 세트를 출력하여 상기 제1 사물 이미지를 특정하는 제1 클래스를 선택받아, 상기 바운딩 박스에 상기 제1 클래스를 레이블링하는 동작을 포함할 수 있다.
또한, 상기 2차 학습시킨 모델을 생성하는 동작은 상기 1차 학습된 모델에 상기 제2 공간 이미지를 입력하여, 상기 제2 사물 이미지와 상기 제2 클래스와의 상관관계를 도출하는 모델의 가중치를 2차 학습시킴으로써, 상기 상관관계를 기초로 공간 이미지에 포함된 사물 이미지를 특정하고 클래스를 판별하는 모델을 생성하는 동작을 포함할 수 있다.
또한, 상기 제2 공간 이미지에 레이블링하는 동작은 상기 1차 학습된 모델에 상기 제2 공간 이미지를 입력하여, 상기 모델이 상기 제2 사물 이미지에 대해 판별한 제2 클래스를 상기 제1 클래스와 비교하여, 상기 제2 클래스와 상기 제1 클래스가 동일한 경우, 상기 제2 클래스의 값을 유지하고, 상기 제2 클래스와 상기 제1 클래스가 상이한 경우, 상기 제2 클래스의 값을 상기 제1 클래스와 동일한 값으로 수정하는 동작을 포함할 수 있다.
또한, 상기 바운딩 박스는 하나의 바운딩 박스당 하나의 사물 이미지를 포함하되 바운딩 박스 내부에 사물 이미지의 테두리 영역이 모두 포함되도록 설정되는 것을 특징으로 할 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 112021006999606-pat00001
(src(I): 픽셀 정보의 변경 전 원소값 (x, y, z),
Figure 112021006999606-pat00002
: 상수,
Figure 112021006999606-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 112021006999606-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 112021006999606-pat00005
(src(I): 픽셀 정보의 변경 전 원소값 (x, y, z),
Figure 112021006999606-pat00006
: 상수,
Figure 112021006999606-pat00007
: 상수, dst(I): 픽셀 정보의 변경 후 원소값 (x', y', z'))
[수학식 4]
Figure 112021006999606-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 112021006999606-pat00009
(src(I): 픽셀 정보의 변경 전 원소값 (x, y, z),
Figure 112021006999606-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 112021006999606-pat00011
)에서 상기 복수의 픽셀의 R, G, B 각각의 원소 평균값인 (
Figure 112021006999606-pat00012
)을 뺀 값인 (
Figure 112021006999606-pat00013
)을 구하고, 상기 (
Figure 112021006999606-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.
본 발명의 일 실시예에 따른 데이터 증강 기반 사물 분석 모델 학습 방법은 제1 사물 이미지를 포함하는 제1 공간 이미지를 획득하여, 상기 제1 공간 이미지가 포함하는 픽셀 정보를 변경한 제2 공간 이미지를 생성하는 단계, 상기 제1 공간 이미지 내의 상기 제1 사물 이미지를 포함하는 영역에 바운딩 박스(bounding box)를 지정하고, 상기 바운딩 박스에 상기 제1 사물 이미지를 특정하는 제1 클래스를 레이블링하는 단계, 소정의 이미지 분류 알고리즘 기반으로 설계된 모델에 상기 제1 공간 이미지를 입력하여, 상기 바운딩 박스 내 상기 제1 사물 이미지와 상기 제1 클래스와의 상관관계를 도출하는 상기 모델의 가중치를 1차 학습시킴으로써, 상기 상관관계를 기초로 공간 이미지에 포함된 사물 이미지를 특정하고 클래스를 판별하는 모델을 생성하는 단계, 상기 1차 학습된 모델에 상기 제2 공간 이미지를 입력하여, 상기 모델이 상기 제2 공간 이미지 내의 제2 사물 이미지를 특정한 바운딩 박스와, 상기 모델이 상기 제2 사물 이미지에 대해 판별한 제2 클래스를 상기 제2 공간 이미지에 레이블링하는 단계 및 상기 제2 공간 이미지를 기초로 상기 모델의 가중치를 2차 학습시킨 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 촬영하는 경우에도 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 객체 검출(object detection)모델을 제공할 수 있다.
또한, 1차 학습된 모델을 통해 증강된 학습 데이터에 대한 클래스를 자동으로 레이블링 시킴으로써, 데이터 증강에 의해 데이터가 증가할수록 공간 이미지에 포함된 사물의 클래스를 일일이 레이블링하는 것이 매우 오랜 시간이 소요된다는 문제를 해결할 수 있다.
이에 따라, 본 발명의 이미지 분류 모델을 사용하게 되면, 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 사물 분석 모델 학습 장치가 생성한 모델을 이용하여 이미지가 포함하는 사물에 대한 클래스를 분류하는 기능을 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 데이터 증강 기반 사물 분석 모델 학습 장치의 기능 블록도이다.
도 3은 본 발명의 일 실시예에 따른 데이터 증강 기반 사물 분석 모델 학습 장치가 수행하는 학습 방법의 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 데이터 증강 기반 사물 분석 모델 학습 장치가 수행하는 동작의 개념도이다.
도 5는 제1 공간 이미지에 포함된 사물 이미지를 레이블링하는 경우 복수의 클래스를 저장한 세트가 생성되는 동작의 예시도이다.
도 6은 제1 공간 이미지에 포함된 픽셀 정보를 변경하여 데이터를 증강하는 실시예에 따라 생성된 제2 공간 이미지의 예시도이다.
도 7A는 제1 공간 이미지에 포함된 픽셀 정보에 그레이 스케일을 적용하여 데이터를 증강하는 실시예에 따라 생성된 제2 공간 이미지의 예시도이다.
도 7B는 제1 공간 이미지에 포함된 픽셀 정보의 일부에 노이즈를 추가하여 데이터를 증강하는 실시예에 따라 생성된 제2 공간 이미지의 예시도이다.
도 8은 제1 공간 이미지에 포함된 사물의 테두리 영역을 구분하고, 테두리가 아닌 영역에 블러를 적용하여 제2 공간 이미지를 생성하는 방법을 설명하기 위한 예시도이다.
도 9는 제1 공간 이미지에 가우시안 정규 분포에 따른 노이즈 정보를 추가하여 데이터를 증강하는 실시예에 따라 생성된 제2 공간 이미지의 예시도이다.
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 사물 분석 모델 학습 장치(100)가 생성한 인공지능 모델을 이용하여 이미지가 포함하는 사물에 대한 클래스를 분류하는 기능을 나타낸 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 데이터 증강 기반 사물 분석 모델 학습 장치(100)는 도 1에 도시된 인터페이스의 상단 메뉴의 공간 분류, 사물 검출, 스타일 분석, 상품 추천 기능 중 사물 검출기능을 제공할 수 있다. 데이터 증강 기반 사물 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 포함하는 사물의 위치 및 명칭을 판별할 수 있다. 이러한 실시예를 구현하기 위해 데이터 증강 기반 사물 분석 모델 학습 장치(100)가 가지는 구성을 도 2와 함께 설명한다.
도 2는 본 발명의 일 실시예에 따른 데이터 증강 기반 사물 분석 모델 학습 장치(100)의 기능 블록도이다.
도 2는 참조하면, 일 실시 예에 따른 데이터 증강 기반 사물 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 하나 이상의 사물이 배치된 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 해당 공간 이미지가 포함하는 사물 이미지의 위치 및 사물의 명칭을 판별하는 객체 검출 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 사물 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 공간 이미지 내의 사물 이미지를 포함하는 영역에 바운딩 박스(bounding box)를 지정하고, 바운딩 박스에 사물 이미지를 특정하는 클래스(ex. 소파, 액자, 책, 카펫, 커튼 등)를 공간 이미지에 레이블링하여 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.
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 사물 분석 모델 학습 장치(100)가 학습시키는 모델은 공간 이미지에 포함된 사물 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 6 내지 도 9의 데이터 증강 알고리즘을 통해 학습 데이터의 수량을 증가시킬 수 있다.
한편, 데이터가 증가할수록 공간 이미지에 포함된 사물의 클래스를 일일이 레이블링하는 것은 매우 오랜 시간이 소요될 수 있다. 이에 따라, 레이블링 모듈(123)은 제1 공간 이미지를 통해 1차 학습된 인공지능 모델에 제2 공간 이미지를 입력하여 판별된 사물의 위치(바운딩 박스)와 명칭(클래스)을, 제2 공간 이미지에 레이블링시킬 수 있다. 이때 레이블링 모듈은 1차 학습된 모델에 제2 공간 이미지를 입력하여 인공지능 모델이 판별한 제2 클래스와, 본래 제1 공간 이미지에 레이블링 되어 있는 제1 클래스와 비교하여, 제2 클래스와 제1 클래스가 동일한 경우 제2 클래스의 값을 유지하여 제2 공간 이미지에 레이블링시키고, 제2 클래스와 제1 클래스가 상이한 경우 인공지능 모델이 판별한 제2 클래스의 값 대신, 제1 공간 이미지에 레이블링된 제1 클래스의 값으로 레이블링 함으로써, 증강된 학습 데이터의 아웃라이어를 자동으로 제거할 수 있다. 이에 따라, 학습 모듈은 레이블링된 제2 공간 이미지를 통해 인공지능 모델을 2차 학습시킴으로써, 데이터 정제 및 학습 과정이 자동으로 수행되도록 할 수 있다.
학습 모듈(125)은 객체 검출알고리즘 기반으로 설계된 인공지능 모델에 학습 데이터(ex. 레이블링된 제1 공간 이미지, 또는 레이블링된 제2 공간 이미지)를 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.
이러한 객체 검출알고리즘은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 머신러닝 알고리즘을 포함한다. 본 발명의 실시예는 R-CNN, Fast R-CNN, Faster R-CNN, 또는 SSD의 알고리즘에 따라 설계된 인공지능 모델의 입력 레이어에 공간 이미지가 입력되도록 설정하고, 출력 레이어에 공간 이미지의 바운딩 박스와 레이블링된 클래스가 입력되도록 설정하여, 공간 이미지로부터 사물 이미지를 특정하는 바운딩 박스의 위치와 이미지의 클래스와의 상관관계를 도출하는 인공지능 모델의 가중치를 학습시킬 수 있다.
인공지능 모델은 시냅스의 결합으로 네트워크를 형성한 노드들로 구성되는, 문제 해결 능력을 가지는 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, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.
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.
제어 모듈(127)은 학습이 완료된 인공지능 모델에 공간 이미지를 입력하여, 입력된 공간 이미지에 대하여 인공지능 모델이 판별한 클래스를 해당 공간 이미지에 포함된 사물의 키워드로 도출할 수 있다. 이에 따라, 제어 모듈(127)은 특정 사물을 포함하는 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.
도 3은 본 발명의 일 실시예에 따른 데이터 증강 기반 사물 분석 모델 학습 장치가 수행하는 학습 방법의 흐름도이고, 도 4는 본 발명의 일 실시예에 따른 데이터 증강 기반 사물 분석 모델 학습 장치가 수행하는 동작의 개념도이다.
도 3 및 도 4를 참조하면, 증강 모듈(123)은 제1 사물 이미지를 포함하는 제1 공간 이미지를 획득하여, 제1 공간 이미지가 포함하는 픽셀 정보 중 일부 또는 전부를 변경한 제2 공간 이미지를 생성할 수 있다(S310). 레이블링 모듈(121)은 제1 공간 이미지 내의 제1 사물 이미지를 포함하는 영역에 바운딩 박스(bounding box)를 지정하고, 바운딩 박스에 제1 사물 이미지를 특정하는 제1 클래스를 제1 공간 이미지에 레이블링할 수 있다(S320). 학습 모듈(125)은 객체 검출알고리즘 기반으로 설계된 모델에 레이블링된 제1 공간 이미지를 입력하여, 제1 공간 이미지로부터 바운딩 박스 내 제1 사물 이미지의 위치와, 제1 공간 이미지로부터 제1 사물 이미지의 제1 클래스와의 상관관계를 도출하는 인공지능 모델의 가중치를 1차 학습시킴으로써 가중치에 학습된 상관관계를 기초로 공간 이미지에 포함된 사물 이미지의 위치를 특정하고 사물 이미지의 클래스를 판별하는 모델을 생성할 수 있다(S330). 이후, 레이블링 모듈(121)은 1차 학습된 모델에 제2 공간 이미지를 입력하여, 1차 학습된 인공지능 모델이 제2 공간 이미지 내의 제2 사물 이미지를 특정한 바운딩 박스와, 1차 학습된 인공지능 모델이 제2 사물 이미지에 대해 판별한 제2 클래스를 제2 공간 이미지에 레이블링할 수 있다(S340). 이때 레이블링 모듈(121)은 1차 학습된 모델에 제2 공간 이미지를 입력하여, 인공지능 모델이 제2 사물 이미지에 대해 판별한 제2 클래스를 제1 클래스와 비교하여, 제2 클래스와 제1 클래스가 동일한 경우, 제2 클래스의 값을 유지하고, 제2 클래스와 제1 클래스가 상이한 경우, 제2 클래스의 값을 제1 클래스와 동일한 값으로 수정하는 동작을 수행하여, 1차 학습된 모델의 오류를 정정하여 레이블링할 수 있다(S345). 제2 공간 이미지가 제1 공간 이미지로부터 변형되더라도 각각의 이미지가 포함하는 사물의 클래스는 동일하기 때문에 위와 같은 방법으로 1차 학습된 모델의 오류를 정정하여 아웃라이어 데이터를 제거할 수 있다.
이에 따라, 학습 모듈(125)은 레이블링이 완료된 제2 공간 이미지를 기초로 1차 학습이 완료된 인공지능 모델의 재학습을 수행하여 인공지능 모델의 가중치에 대해 2차 학습시킨 모델을 생성할 수 있다(S350). 구체적으로, 학습 모듈(125)은 2차 학습을 위해, 1차 학습이 수행된 인공지능 모델에 레이블링된 제2 공간 이미지를 입력하여, 제2 공간 이미지로부터 바운딩 박스 내 제2 사물 이미지의 위치와, 제2 공간 이미지로부터 제2 사물 이미지의 제2 클래스와의 상관관계를 도출하는 인공지능 모델의 가중치에 대해 2차 학습시킴으로써 가중치에 학습된 상관관계를 기초로 공간 이미지에 포함된 사물 이미지의 위치를 특정하고 사물 이미지의 클래스를 판별하는 모델을 생성할 수 있다.
도 5는 제1 공간 이미지에 포함된 사물 이미지를 레이블링하는 경우 복수의 클래스를 저장한 세트가 생성되는 동작의 예시도이다.
도 5를 참조하면, 레이블링 모듈은 사물 정보를 특정하는 복수의 클래스(ex. book, sofa, photo frame, curtain, carpet 등)를 저장한 세트를 생성하여 학습 데이터 DB에 저장하고, S320 단계의 레이블링 시에 제1 공간 이미지 내의 제1 사물 이미지의 영역에 제1 사물 이미지(ex. 도 5의 소파)를 특정하기 위한 바운딩 박스(bounding box)가 지정되면, 학습 데이터 DB에 저장된 세트(ex. 도 5의 우측 창)를 출력하여 제1 사물 이미지를 특정하는 제1 클래스를 레이블링을 수행하는 사용자로부터 선택(ex. 도 5의 우측 창 sofa 선택)받아, 제1 사물 이미지를 포함하는 바운딩 박스 영역에 제1 클래스를 레이블링하여 사물 이미지가 특정된 학습 데이터를 생성할 수 있다. 이때 바운딩 박스는 하나의 바운딩 박스당 하나의 사물 이미지를 포함하되 바운딩 박스 내부에 사물 이미지의 테두리 영역이 모두 포함되도록 설정될 수 있다.
이하, 데이터 증강 기반 사물 분석 모델 학습 장치(100)가 제1 공간 이미지를 증강하여 제2 공간 이미지를 생성하는 실시예들을 도 6 내지 도 9와 함께 설명한다.
도 6은 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 112021006999606-pat00015
(src(I): 픽셀 정보의 변경 전 원소값 (x, y, z),
Figure 112021006999606-pat00016
: 상수,
Figure 112021006999606-pat00017
: 상수, dst(I): 픽셀 정보의 변경 후 원소값 (x', y', z'))
수학식 1에 따르면,
Figure 112021006999606-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 112021006999606-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 112021006999606-pat00020
에 의해 출력되는 원소값이 255보다 지나치게 커지지 않도록
Figure 112021006999606-pat00021
를 설정할 수 있고,
Figure 112021006999606-pat00022
함수를 사용하여 최댓값이 255보다 커지지 않도록 설정할 수 있다.
또한, R, G, B의 원소값은 일반적으로 0부터 255 사이의 값을 가지기 때문에,
Figure 112021006999606-pat00023
함수를 사용하여
Figure 112021006999606-pat00024
에 의해 출력되는 원소값이 0보다 작아지지 않도록 max 함수를 사용하여 할 수 있다.
더하여,
Figure 112021006999606-pat00025
가 소수점을 갖는 값으로 설정될 경우, 변경된 픽셀 정보의 원소값이 정수가 되도록
Figure 112021006999606-pat00026
함수를 사용할 수 있다.
도 6A를 참조하면, 좌측은 제1 공간 이미지이고, 우측은
Figure 112021006999606-pat00027
을 설정하여 수학식 1을 적용한 경우의 제2 공간 이미지이다. 도 3A의 우측 제2 공간 이미지는 제1 공간 이미지보다, 밝은 부분이 더 밝게 변하고 어두운 부분이 더 어둡게 변하여 대비가 증가된 새로운 학습 데이터가 생성됨을 확인할 수 있다.
도 6B를 참조하면, 좌측은 제1 공간 이미지이고, 우측은
Figure 112021006999606-pat00028
을 설정하여 수학식 1을 적용한 경우의 제2 공간 이미지이다. 도 3B의 우측 제2 공간 이미지는 제1 공간 이미지보다, 밝은 부분이 덜 밝게 변하고 어두운 부분이 덜 어둡게 변하여 대비가 감소된 새로운 학습 데이터가 생성됨을 확인할 수 있다.
도 6C를 참조하면, 좌측은 하나의 색 (R, G, B) = (183, 191, 194)으로 통일된 제1 공간 이미지이고, 우측은
Figure 112021006999606-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 7A는 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 패턴을 더욱 잘 학습되도록 변수를 반영한 학습 데이터를 생성할 수 있다.
이를 위해, 증강 모듈(123)은 도 7A의 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 112021006999606-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 7A의 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 더 극명하게 드러나는 제2 공간 이미지를 생성할 수 있다.
Figure 112021006999606-pat00031
(src(I): 픽셀 정보의 변경 전 원소값 (x, y, z),
Figure 112021006999606-pat00032
: 상수,
Figure 112021006999606-pat00033
: 상수, dst(I): 픽셀 정보의 변경 후 원소값 (x', y', z'))
Figure 112021006999606-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 7B는 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 112021006999606-pat00035
(src(I): 픽셀 정보의 변경 전 원소값 (x, y, z),
Figure 112021006999606-pat00036
: 난수, dst(I): 픽셀 정보의 변경 후 원소값 (x', y', z'))
도 7B를 참조하면, 좌측은 제1 공간 이미지이고, 우측은 수학식 5를 적용하여 노이즈를 추가한 경우의 제2 공간 이미지를 확인할 수 있다.
도 8은 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 8A은 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 가지지만, R (Red)의 원소값을 기준으로 실시예를 설명한다. 도 5A의 각 픽셀 영역에 도시된 숫자는 R의 원소값을 의미한다.
도 8A의 경우, 모든 픽셀에 후술할 방식의 연산이 수행되지만 설명의 편의를 위해 정중앙의 픽셀을 기준으로 연산을 설명한다. 도 8A의 경우 증강 모듈(123)은 연산이 수행되는 픽셀을 중앙으로 하는 NxN 영역(도 8A에서 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 8B의 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 8C의 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 8B를 참조하면, 좌측은 제1 공간 이미지이고, 우측은 도 8을 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 8C를 참조하면, 좌측은 제1 공간 이미지이고, 우측은 상술한 도 8의 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 9는 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.
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 동작들을 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 주고 받을 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 (16)

  1. 데이터 증강 기반 사물 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,
    제1 사물 이미지를 포함하는 제1 공간 이미지를 획득하여, 상기 제1 공간 이미지가 포함하는 픽셀 정보를 변경한 제2 공간 이미지를 생성하는 동작;
    상기 제1 공간 이미지 내의 상기 제1 사물 이미지를 포함하는 영역에 바운딩 박스(bounding box)를 지정하고, 상기 바운딩 박스에 상기 제1 사물 이미지를 특정하는 제1 클래스를 레이블링하는 동작;
    소정의 객체 검출알고리즘 기반으로 설계된 모델에 상기 제1 공간 이미지를 입력하여, 상기 바운딩 박스 내 상기 제1 사물 이미지와 상기 제1 클래스와의 상관관계를 도출하는 상기 모델의 가중치를 1차 학습시킴으로써, 상기 상관관계를 기초로 공간 이미지에 포함된 사물 이미지를 특정하고 클래스를 판별하는 모델을 생성하는 동작;
    상기 1차 학습된 모델에 상기 제2 공간 이미지를 입력하여, 상기 모델이 상기 제2 공간 이미지 내의 제2 사물 이미지를 특정한 바운딩 박스와, 상기 모델이 상기 제2 사물 이미지에 대해 판별한 제2 클래스를 상기 제2 공간 이미지에 레이블링하는 동작; 및
    상기 제2 공간 이미지를 기초로 상기 모델의 가중치를 2차 학습시킨 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 사물 분석 모델 학습 장치.
  2. 제1항에 있어서,
    상기 동작은,
    사물 정보를 특정하는 복수의 클래스를 저장한 세트를 생성하는 동작을 더 포함하고,
    상기 레이블링하는 동작은,
    상기 제1 공간 이미지 내의 제1 사물 이미지의 영역에 바운딩 박스(bounding box)가 지정되면, 상기 세트를 출력하여 상기 제1 사물 이미지를 특정하는 제1 클래스를 선택받아, 상기 바운딩 박스에 상기 제1 클래스를 레이블링하는 동작을 포함하는,
    데이터 증강 기반 사물 분석 모델 학습 장치.
  3. 제1항에 있어서,
    상기 2차 학습시킨 모델을 생성하는 동작은,
    상기 1차 학습된 모델에 상기 제2 공간 이미지를 입력하여, 상기 제2 사물 이미지와 상기 제2 클래스와의 상관관계를 도출하는 모델의 가중치를 2차 학습시킴으로써, 상기 상관관계를 기초로 공간 이미지에 포함된 사물 이미지를 특정하고 클래스를 판별하는 모델을 생성하는 동작을 포함하는,
    데이터 증강 기반 사물 분석 모델 학습 장치.
  4. 제1항에 있어서,
    상기 제2 공간 이미지에 레이블링하는 동작은,
    상기 1차 학습된 모델에 상기 제2 공간 이미지를 입력하여, 상기 모델이 상기 제2 사물 이미지에 대해 판별한 제2 클래스를 상기 제1 클래스와 비교하여, 상기 제2 클래스와 상기 제1 클래스가 동일한 경우, 상기 제2 클래스의 값을 유지하고, 상기 제2 클래스와 상기 제1 클래스가 상이한 경우, 상기 제2 클래스의 값을 상기 제1 클래스와 동일한 값으로 수정하는 동작을 포함하는,
    데이터 증강 기반 사물 분석 모델 학습 장치.
  5. 제1항에 있어서,
    상기 바운딩 박스는,
    하나의 바운딩 박스당 하나의 사물 이미지를 포함하되 바운딩 박스 내부에 사물 이미지의 테두리 영역이 모두 포함되도록 설정되는 것을 특징으로 하는,
    데이터 증강 기반 사물 분석 모델 학습 장치.
  6. 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 사물 분석 모델 학습 장치.
  7. 제6항에 있어서,
    상기 제2 공간 이미지를 생성하는 동작은,
    [수학식 1]
    Figure 112021006999606-pat00037

    (src(I): 픽셀 정보의 변경 전 원소값 (x, y, z),
    Figure 112021006999606-pat00038
    : 상수,
    Figure 112021006999606-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 사물 분석 모델 학습 장치.
  8. 제1항에 있어서,
    상기 제2 공간 이미지를 생성하는 동작은,
    [수학식 2]
    Figure 112021006999606-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 사물 분석 모델 학습 장치.
  9. 제1항에 있어서,
    상기 제2 공간 이미지를 생성하는 동작은,
    [수학식 3]
    Figure 112021006999606-pat00041

    (src(I): 픽셀 정보의 변경 전 원소값 (x, y, z),
    Figure 112021006999606-pat00042
    : 상수,
    Figure 112021006999606-pat00043
    : 상수, dst(I): 픽셀 정보의 변경 후 원소값 (x', y', z'))
    [수학식 4]
    Figure 112021006999606-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 사물 분석 모델 학습 장치.
  10. 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 사물 분석 모델 학습 장치.
  11. 제10항에 있어서,
    상기 제2 공간 이미지를 생성하는 동작은,
    [수학식 5]
    Figure 112021006999606-pat00045

    (src(I): 픽셀 정보의 변경 전 원소값 (x, y, z),
    Figure 112021006999606-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 사물 분석 모델 학습 장치.
  12. 삭제
  13. 제1항에 있어서,
    상기 모델을 생성하는 동작은,
    Faster R-CNN(region-based convolutional neural network) 알고리즘을 기초로 설계된 신경망의 입력 레이어에 사물 이미지가 포함된 공간 이미지가 입력되도록 설정하고, 출력 레이어에 사물 이미지를 포함하는 바운딩 박스 및 사물 이미지의 클래스가 입력되도록 설정하여, 입력되는 공간 이미지로부터 입력되는 공간 이미지에 포함된 사물 이미지의 바운딩 박스 영역의 상관관계 및 입력되는 공간 이미지에 포함된 사물 이미지의 클래스를 판별하는 상관관계를 도출하는 신경망의 가중치를 학습시키는 동작을 포함하는,
    데이터 증강 기반 사물 분석 모델 학습 장치.
  14. 제1항 내지 제11항 및 제13항 중 어느 한 항의 장치가 생성한 데이터 증강 기반 사물 분석 모델을 포함하는 장치.
  15. 데이터 증강 기반 사물 분석 모델 학습 장치가 수행하는 방법에 있어서,
    제1 사물 이미지를 포함하는 제1 공간 이미지를 획득하여, 상기 제1 공간 이미지가 포함하는 픽셀 정보를 변경한 제2 공간 이미지를 생성하는 단계;
    상기 제1 공간 이미지 내의 상기 제1 사물 이미지를 포함하는 영역에 바운딩 박스(bounding box)를 지정하고, 상기 바운딩 박스에 상기 제1 사물 이미지를 특정하는 제1 클래스를 레이블링하는 단계;
    소정의 객체 검출알고리즘 기반으로 설계된 모델에 상기 제1 공간 이미지를 입력하여, 상기 바운딩 박스 내 상기 제1 사물 이미지와 상기 제1 클래스와의 상관관계를 도출하는 상기 모델의 가중치를 1차 학습시킴으로써, 상기 상관관계를 기초로 공간 이미지에 포함된 사물 이미지를 특정하고 클래스를 판별하는 모델을 생성하는 단계;
    상기 1차 학습된 모델에 상기 제2 공간 이미지를 입력하여, 상기 모델이 상기 제2 공간 이미지 내의 제2 사물 이미지를 특정한 바운딩 박스와 상기 모델이 상기 제2 사물 이미지에 대해 판별한 제2 클래스를 상기 제2 공간 이미지에 레이블링하는 단계; 및
    상기 제2 공간 이미지를 기초로 상기 모델의 가중치를 2차 학습시킨 모델을 생성하는 단계를 포함하고,
    상기 제2 공간 이미지를 생성하는 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 사물 분석 모델 학습 방법.
  16. 제15항의 방법을 프로세서가 수행하도록 하는 컴퓨터 판독 가능 기록매체에 저장된 컴퓨터 프로그램.
KR1020210007411A 2020-07-23 2021-01-19 데이터 증강 기반 사물 분석 모델 학습 장치 및 방법 KR102430743B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210007411A KR102430743B1 (ko) 2020-07-23 2021-01-19 데이터 증강 기반 사물 분석 모델 학습 장치 및 방법

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200091759A KR102208688B1 (ko) 2020-07-23 2020-07-23 데이터 증강 기반 사물 분석 모델 학습 장치 및 방법
KR1020210007411A KR102430743B1 (ko) 2020-07-23 2021-01-19 데이터 증강 기반 사물 분석 모델 학습 장치 및 방법

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020200091759A Division KR102208688B1 (ko) 2020-07-23 2020-07-23 데이터 증강 기반 사물 분석 모델 학습 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220012785A KR20220012785A (ko) 2022-02-04
KR102430743B1 true KR102430743B1 (ko) 2022-08-11

Family

ID=74239288

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020200091759A KR102208688B1 (ko) 2020-07-23 2020-07-23 데이터 증강 기반 사물 분석 모델 학습 장치 및 방법
KR1020210007411A KR102430743B1 (ko) 2020-07-23 2021-01-19 데이터 증강 기반 사물 분석 모델 학습 장치 및 방법

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020200091759A KR102208688B1 (ko) 2020-07-23 2020-07-23 데이터 증강 기반 사물 분석 모델 학습 장치 및 방법

Country Status (6)

Country Link
US (1) US20220358411A1 (ko)
EP (1) EP4040349A4 (ko)
JP (1) JP7336033B2 (ko)
KR (2) KR102208688B1 (ko)
CN (1) CN114830145A (ko)
WO (1) WO2022019390A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021067234A1 (en) * 2019-09-30 2021-04-08 Pricewaterhousecoopers Llp Systems and methods for training image detection systems for augmented and mixed reality applications
KR102568482B1 (ko) * 2023-03-02 2023-08-23 (주) 씨이랩 군사용 영상분석을 위한 데이터증강 서비스 제공 시스템

Citations (2)

* 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
JP6612487B1 (ja) * 2019-05-31 2019-11-27 楽天株式会社 学習装置、分類装置、学習方法、分類方法、学習プログラム、及び分類プログラム

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS58220524A (ja) * 1982-06-16 1983-12-22 Mitsubishi Electric Corp 信号切換装置
JP2006048370A (ja) * 2004-08-04 2006-02-16 Kagawa Univ パターン認識方法、それに用いられる教示データ生成方法およびパターン認識装置
KR20100102772A (ko) 2009-03-12 2010-09-27 주식회사 퍼시스 실내환경 분석 시스템 및 그 방법
US8903167B2 (en) * 2011-05-12 2014-12-02 Microsoft Corporation Synthesizing training samples for object recognition
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
US10289825B2 (en) * 2016-07-22 2019-05-14 Nec Corporation Login access control for secure/private data
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
US10565475B2 (en) * 2018-04-24 2020-02-18 Accenture Global Solutions Limited Generating a machine learning model for objects based on augmenting the objects with physical properties
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
JP2020098455A (ja) * 2018-12-18 2020-06-25 国立大学法人豊橋技術科学大学 物体識別システム、物体識別方法、並びに、画像識別プログラム
KR102646889B1 (ko) * 2018-12-21 2024-03-12 삼성전자주식회사 스타일 변환을 위한 영상 처리 장치 및 방법

Patent Citations (2)

* 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
JP6612487B1 (ja) * 2019-05-31 2019-11-27 楽天株式会社 学習装置、分類装置、学習方法、分類方法、学習プログラム、及び分類プログラム

Also Published As

Publication number Publication date
JP2023508641A (ja) 2023-03-03
JP7336033B2 (ja) 2023-08-30
EP4040349A4 (en) 2024-01-03
KR20220012785A (ko) 2022-02-04
WO2022019390A1 (ko) 2022-01-27
US20220358411A1 (en) 2022-11-10
EP4040349A1 (en) 2022-08-10
KR102208688B1 (ko) 2021-01-28
CN114830145A (zh) 2022-07-29
KR102208688B9 (ko) 2022-03-11

Similar Documents

Publication Publication Date Title
KR102192899B1 (ko) 이미지에 보케 효과를 적용하는 방법 및 기록매체
US11544831B2 (en) Utilizing an image exposure transformation neural network to generate a long-exposure image from a single short-exposure image
Matern et al. Exploiting visual artifacts to expose deepfakes and face manipulations
CN109325954B (zh) 图像分割方法、装置及电子设备
Nestmeyer et al. Reflectance adaptive filtering improves intrinsic image estimation
US9111375B2 (en) Evaluation of three-dimensional scenes using two-dimensional representations
KR102485503B1 (ko) 이미지 데이터베이스 분석 기반 상품 추천 장치 및 방법
CN104915972B (zh) 图像处理装置、图像处理方法以及程序
CN107155360A (zh) 用于对象检测的多层聚合
US11468571B2 (en) Apparatus and method for generating image
US20220358411A1 (en) Apparatus and method for developing object analysis model based on data augmentation
US12026892B2 (en) Figure-ground neural radiance fields for three-dimensional object category modelling
Blanch et al. End-to-end conditional gan-based architectures for image colourisation
US11403491B2 (en) Object recognition from images using cad models as prior
CN113870314A (zh) 一种动作迁移模型的训练方法及动作迁移方法
KR102430742B1 (ko) 데이터 증강 기반 공간 분석 모델 학습 장치 및 방법
CN118710782A (zh) 利用端到端机器学习模型的动画面部表情和姿势转移
Burlin et al. Deep image inpainting
JP6622150B2 (ja) 情報処理装置および情報処理方法
Górriz et al. End-to-end conditional GAN-based architectures for image colourisation
KR102157005B1 (ko) 영상 필터링 기법을 적용한 딥러닝 결과영상의 정확성 향상방법
Deshpande et al. Fusion of handcrafted edge and residual learning features for image colorization
Galdran et al. Weakly supervised fog detection
US12118647B2 (en) Generating colorized digital images utilizing a re-colorization neural network with local hints
Piccoli Visual Anomaly Detection For Automatic Quality Control

Legal Events

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