KR102457277B1 - 뉴럴 네트워크를 이용하여 서버가 의류 도안에 대한 정보에 기반하여 샘플 주문에 대한 정보를 전송하는 방법 및 장치 - Google Patents
뉴럴 네트워크를 이용하여 서버가 의류 도안에 대한 정보에 기반하여 샘플 주문에 대한 정보를 전송하는 방법 및 장치 Download PDFInfo
- Publication number
- KR102457277B1 KR102457277B1 KR1020220084505A KR20220084505A KR102457277B1 KR 102457277 B1 KR102457277 B1 KR 102457277B1 KR 1020220084505 A KR1020220084505 A KR 1020220084505A KR 20220084505 A KR20220084505 A KR 20220084505A KR 102457277 B1 KR102457277 B1 KR 102457277B1
- Authority
- KR
- South Korea
- Prior art keywords
- clothing
- information
- design
- server
- neural network
- Prior art date
Links
- 238000013461 design Methods 0.000 title claims abstract description 276
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000004744 fabric Substances 0.000 claims abstract description 50
- 238000012552 review Methods 0.000 claims abstract description 34
- 239000000463 material Substances 0.000 claims abstract description 15
- 230000000295 complement effect Effects 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 66
- 238000004519 manufacturing process Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 26
- 230000007423 decrease Effects 0.000 claims description 10
- 238000012790 confirmation Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 238000002360 preparation method Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 67
- 239000000047 product Substances 0.000 description 41
- 238000012545 processing Methods 0.000 description 21
- 238000007726 management method Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000009193 crawling Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- VKWMGUNWDFIWNW-UHFFFAOYSA-N 2-chloro-1,1-dioxo-1,2-benzothiazol-3-one Chemical compound C1=CC=C2S(=O)(=O)N(Cl)C(=O)C2=C1 VKWMGUNWDFIWNW-UHFFFAOYSA-N 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 229920000433 Lyocell Polymers 0.000 description 1
- 239000004677 Nylon Substances 0.000 description 1
- 229920000297 Rayon Polymers 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- NIXOWILDQLNWCW-UHFFFAOYSA-N acrylic acid group Chemical group C(C=C)(=O)O NIXOWILDQLNWCW-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000011324 bead Substances 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- -1 brushed Polymers 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000003155 kinesthetic effect Effects 0.000 description 1
- 229920001778 nylon Polymers 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 229920000728 polyester Polymers 0.000 description 1
- 239000002964 rayon Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000009958 sewing Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
- 210000002268 wool Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0621—Item configuration or customization
-
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Manufacturing & Machinery (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
실시예들은 서버가 뉴럴 네트워크(neural network)를 이용하여 서버가 의류 도안에 대한 정보에 기반하여 샘플 주문에 대한 정보를 전송하는 방법 및 장치를 제시한다. 일 실시예에 따른 상기 방법은, 의류 도안에 대한 제1 정보를 포함하는 요청 메시지를 제1 단말로부터 수신하고, 상기 의류 도안에 대한 제1 정보는 브랜드의 명칭, 의류의 제1 도안 이미지, 의류에 대한 기본 정보 및 샘플 주문을 위한 기본 정보를 포함하고, 상기 의류 도안에 대한 제1 정보를 기반으로 제1 뉴럴 네트워크를 이용한 보완 모델을 통해 의류 도안에 대한 제2 정보를 결정하고, 상기 의류 도안에 대한 제2 정보는 의류의 제2 도안 이미지, 의류의 각 부분에 대한 수치 정보 및 컬러 정보, 의류의 부자재에 대한 정보, 의류의 요척에 대한 정보 및 스타일 넘버를 포함하고, 상기 의류 도안에 대한 제1 정보 및 상기 의류 도안에 제2 정보를 기반으로 제2 뉴럴 네트워크를 이용한 주문 모델을 통해 샘플 주문에 대한 정보를 결정하고, 상기 샘플 주문에 대한 정보를 포함하는 주문 메시지를 샘플 제작과 관련된 서버에게 전송하고, 상기 샘플 주문에 대한 정보를 포함하는 주문 완료 메시지를 상기 제1 단말에게 전송하는 단계를 포함할 수 있다. 예를 들어, 사전 설정된 리뷰 정보에 기반하여 상기 의류 도안에 대한 제1 정보에 대한 리뷰 점수가 결정될 수 있다. 예를 들어, 상기 의류 도안에 대한 제1 정보에 대한 리뷰 점수가 사전 설정된 제1 점수 이상인 것에 기반하여 상기 의류 도안에 대한 제2 정보가 결정될 수 있다.
Description
본 개시의 실시예들은 서버가 의류 도안에 대한 정보에 기반하여 샘플 주문에 대한 정보를 전송하는 기술에 관한 것으로, 뉴럴 네트워크를 이용하여 서버가 의류 도안에 대한 정보에 기반하여 샘플 주문에 대한 정보를 전송하는 기술에 대한 것이다.
인터넷의 발달로 인해, 온라인 패션 산업의 규모가 증가하고, 의류 생산에 대한 접근이 용이해지면서, 최근 많은 브랜드 또는 온라인 쇼핑몰은 자체적으로 제작한 의류들을 소비자들에게 제공하고 있다. 이때, 자체적으로 의류를 제작하기 위해, 의류 디자인과 의류 생산에 대한 전문적인 지식을 가진 전문가들이 필요할 수 있다.
한편, 대기업에 의해 대량으로 생산된 의류보다 소량으로 생산된 유니크한 의류를 입고 싶어하는 소비자들이 증가하고 있고, 직접 자신만의 의류를 제작하고 싶어하는 일반인 또한 증가하고 있다. 다만, 의류 디자인과 의류 생산에 대한 전문적인 지식이 부족한 일반인은 직접 의류를 디자인하고 주문 제작하는 데에 어려움이 있을 수 있다.
이에, 일반인이 작성한 의류 도안이 제공되면, 제공된 의류 도안을 뉴럴 네트워크를 통해 샘플 제작이 가능하도록 의류 도안을 보완하는 방법이 필요할 수 있다. 또한, 보완된 의류 도안을 기반으로 뉴럴 네트워크를 통해 샘플을 제작하는 공장을 일반인과 효율적으로 연결해주는 방법이 필요할 수 있다.
본 개시의 실시예들은, 뉴럴 네트워크를 이용하여 서버가 의류 도안에 대한 정보에 기반하여 샘플 주문에 대한 정보를 전송하는 방법 및 장치를 제공할 수 있다.
실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
일 실시예에 따른 서버가 뉴럴 네트워크(neural network)를 이용하여 서버가 의류 도안에 대한 정보에 기반하여 샘플 주문에 대한 정보를 전송하는 방법은, 의류 도안에 대한 제1 정보를 포함하는 요청 메시지를 제1 단말로부터 수신하고, 상기 의류 도안에 대한 제1 정보는 브랜드의 명칭, 의류의 제1 도안 이미지, 의류에 대한 기본 정보 및 샘플 주문을 위한 기본 정보를 포함하고, 상기 의류 도안에 대한 제1 정보를 기반으로 제1 뉴럴 네트워크를 이용한 보완 모델을 통해 의류 도안에 대한 제2 정보를 결정하고, 상기 의류 도안에 대한 제2 정보는 의류의 제2 도안 이미지, 의류의 각 부분에 대한 수치 정보 및 컬러 정보, 의류의 부자재에 대한 정보, 의류의 요척에 대한 정보 및 스타일 넘버를 포함하고, 상기 의류 도안에 대한 제1 정보 및 상기 의류 도안에 제2 정보를 기반으로 제2 뉴럴 네트워크를 이용한 주문 모델을 통해 샘플 주문에 대한 정보를 결정하고, 상기 샘플 주문에 대한 정보를 포함하는 주문 메시지를 샘플 제작과 관련된 서버에게 전송하고, 상기 샘플 주문에 대한 정보를 포함하는 주문 완료 메시지를 상기 제1 단말에게 전송하는 단계를 포함할 수 있다. 예를 들어, 사전 설정된 리뷰 정보에 기반하여 상기 의류 도안에 대한 제1 정보에 대한 리뷰 점수가 결정될 수 있다. 예를 들어, 상기 의류 도안에 대한 제1 정보에 대한 리뷰 점수가 사전 설정된 제1 점수 이상인 것에 기반하여 상기 의류 도안에 대한 제2 정보가 결정될 수 있다.
예를 들어, 상기 의류 도안에 대한 제1 정보에 대한 리뷰 점수는 하기 수학식에 의해 결정될 수 있다.
상기 수학식에서, 상기 rp는 상기 리뷰 점수이고, 상기 n1은 상기 의류 도안에 대한 제1 정보에 포함된 텍스트의 총 개수이고, 상기 nr는 상기 의류의 종류에 따른 텍스트의 기준 개수이고, 상기 nc는 상기 의류 도안에 대한 제1 정보에 포함된 총 카테고리의 개수이고, 상기 nw는 상기 의류 도안에 대한 제1 정보 중에서 작성된 카테고리의 개수이고, 상기 l1은 상기 의류의 제1 도안 이미지에 포함된 선의 총 길이이고, 상기 lr은 상기 의류의 종류 및 상기 의류의 제1 도안 이미지의 크기에 따른 기준 길이이고, 상기 it는 상기 총 카테고리 중에서 중요 카테고리의 개수이고, 상기 iw는 상기 의류의 제1 도안에 대한 정보 중에서 작성된 중요 카테고리의 개수일 수 있다.
일 실시예에 따라, 상기 방법은 상기 의류 도안에 대한 제1 정보, 상기 의류 도안에 대한 제2 정보 및 사전 설정된 복수의 의류 도안에 대한 정보를 기반으로 상기 의류의 제1 도안 이미지에 대한 창의성 점수를 결정하고, 상기 의류의 제1 도안 이미지, 상기 의류의 제2 도안 이미지 및 복수의 그룹에 대한 정보에 기반하여 상기 의류가 포함된 그룹을 결정하고, 상기 창의성 점수가 사전 설정된 제2 점수 이상인 것에 기반하여, 적어도 하나의 의류의 제1 도안 이미지를 전송한 적어도 하나의 제2 단말을 결정하고, 상기 적어도 하나의 의류는 상기 그룹 중에서 상기 의류의 종류와 상이한 종류를 가진 의류이고, 상기 적어도 하나의 제2 단말에 대한 정보를 상기 제1 단말에게 전송하는 단계를 더 포함할 수 있다. 예를 들어, 상기 복수의 그룹은 복수의 도안 이미지에 기반하여 제3 뉴럴 네트워크를 이용한 그룹핑 모델을 통해 결정될 수 있다. 예를 들어, 상기 사전 설정된 복수의 의류 도안에 대한 정보는 상기 복수의 도안 이미지 및 상기 복수의 도안 이미지와 관련된 정보를 포함할 수 있다.
예를 들어, 상기 창의성 점수는 하기 수학식에 의해 결정될 수 있다.
상기 수학식에서, 상기 cp는 상기 창의성 점수이고, 상기 nt는 상기 복수의 도안 이미지의 총 개수이고, 상기 nc는 상기 복수의 도안 이미지 중에서 상기 의류의 컬러가 사용된 의류의 도안 이미지의 개수이고, 상기 nf는 상기 복수의 도안 이미지 중에서 상기 의류의 원단이 사용된 의류의 도안 이미지의 개수이고, 상기 nd1은 상기 의류의 제1 도안 이미지가 포함된 그룹 내 도안 이미지의 개수이고, 상기 nd2는 상기 의류의 제2 도안 이미지가 포함된 그룹 내 도안 이미지의 개수일 수 있다. 예를 들어, 상기 의류의 원단이 복수인 경우, 상기 원단이 모두 사용된 의류의 도안 이미지일 수 있다.
일 실시예에 따라, 상기 방법은 상기 주문 완료 메시지에 대한 확인 메시지를 상기 제1 단말로부터 수신하고, 상기 확인 메시지를 상기 제1 단말로부터 수신한 것에 기반하여, 샘플 제작에 대한 진행 메시지를 상기 샘플과 관련된 서버에 전송할 수 있다. 예를 들어, 상기 주문 완료 메시지는 상기 의류 도안에 대한 제1 정보 및 상기 의류 도안에 제2 정보를 기반으로 생성된 가상 캐릭터가 상기 의류를 착용한 이미지를 포함할 수 있다.
예를 들어, 상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다. 예를 들어, 복수의 의류 도안에 대한 제1 정보 및 복수의 정답 의류 도안에 대한 제2 정보로 구성된 각각의 학습 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되어 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터로 출력되고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실 값이 작아지는 방향으로 학습되는, 상기 보완 모델이 생성될 수 있다.
예를 들어, 상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다. 예를 들어, 복수의 의류 도안에 대한 제1 정보, 복수의 의류 도안에 대한 제2 정보 및 정답 샘플 주문에 대한 정보로 구성된 각각의 학습 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되어 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터로 출력되고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실 값이 작아지는 방향으로 학습되는, 상기 주문 모델이 생성될 수 있다.
부가적으로, 예를 들어, 서버는 상기 의류 도안에 대한 제1 정보, 상기 의류 도안에 대한 제2 정보를 기반으로 상기 의류에 대한 이미지를 결정할 수 있다. 예를 들어, 상기 창의성 점수가 사전 설정된 제2 점수 미만인 것에 기반하여, 서버는 상기 의류에 대한 이미지 및 복수의 의류 상품에 대한 이미지를 기반으로 제4 뉴럴 네트워크를 이용한 유사 이미지 추출 모델을 통해 상기 의류에 대한 이미지와 유사한 의류 상품에 대한 이미지를 결정할 수 있다. 예를 들어, 서버는 상기 의류에 대한 이미지 및 상기 유사한 의류 상품에 대한 이미지를 포함하는 평가 메시지를 복수의 제3 단말에게 전송할 수 있고, 상기 복수의 제3 단말로부터 상기 의류에 대한 이미지 및 상기 유사한 의류 상품에 대한 이미지 각각에 대한 평점을 포함하는 평점 메시지를 수신할 수 있다. 여기서, 평점은 0부터 10 사이의 값일 수 있다. 예를 들어, 제4 뉴럴 네트워크는 제4 입력 레이어, 하나 이상의 제4 히든 레이어 및 제4 출력 레이어를 포함할 수 있다. 예를 들어, 복수의 의류에 대한 이미지 및 복수의 의류 상품에 대한 이미지 및 정답 의류 상품에 대한 이미지지로 구성된 각각의 학습 데이터는 상기 제4 뉴럴 네트워크의 상기 제4 입력 레이어에 입력되고, 상기 하나 이상의 제4 히든 레이어 및 제4 출력 레이어를 통과하여 제4 출력 벡터를 출력하고, 상기 제4 출력 벡터는 상기 제4 출력 레이어에 연결된 제4 손실함수 레이어에 입력되고, 상기 제4 손실함수 레이어는 상기 제4 출력 벡터와 각각의 학습 데이터에 대한 제4 정답 벡터를 비교하는 제4 손실 함수를 이용하여 제4 손실값을 출력하고, 상기 제4 뉴럴 네트워크의 파라미터가 상기 제4 손실값이 작아지는 방향으로 학습되는, 유사 이미지 추출 모델이 생성될 수 있다.
예를 들어, 사전 설정된 의류 상품에 대한 정보는 서버에 의한 웹 크롤링을 통해 상기 의류의 종류와 관련된 웹 사이트들을 기반으로 획득될 수 있다. 예를 들어, 사전 설정된 의류 상품에 대한 정보는 상기 의류의 종류와 동일한 복수의 의류 상품에 대한 이미지 및 상기 복수의 의류 상품에 대한 정보를 포함할 수 있다. 예를 들어, 상기 복수의 의류 상품에 대한 정보는 의류의 종류에 대한 정보, 의류의 컬러에 대한 정보, 의류의 사이즈에 대한 정보 및 의류의 원단에 대한 정보를 포함할 수 있다.
예를 들어, 모방성 점수는 하기 수학식에 의해 결정될 수 있다.
상기 수학식에 있어서, 상기 ip는 상기 모방성 점수이고, 상기 n은 상기 복수의 제3 단말의 개수이고, 상기 pi는 i번째 제3 단말의 상기 의류에 대한 이미지에 대한 평점이고, 상기 qi는 i번째 제3 단말의 상기 유사한 의류 상품에 대한 이미지에 대한 평점이고, 상기 fi는 상기 의류에 사용된 주된 원단에 매칭되는 값이고, 상기 fm은 상기 의류 상품에 사용된 주된 원단에 매칭되는 값이고, 상기 yi는 상기 의류에 사용된 주된 원단의 비율이고, 상기 ym은 상기 의류 상품에 사용된 주된 원단의 비율일 수 있다. 예를 들어, 주된 원단은 가장 많은 비율을 가지는 원단일 수 있다. 예를 들어, 상이한 원단 두개가 5:5의 비율로 구성된 의류 또는 의류 상품의 경우, 랜덤하게 하나의 원단이 주된 원단으로 결정될 수 있다. 예를 들어, 원단의 특성에 따라 분류된 그룹이 서버에 사전 설정될 수 있다. 예를 들어, 원단의 특성에 따라 분류된 그룹 내 원단들에 대해 매칭되는 값들의 차이는 사전 설정된 값 이하일 수 있다. 예를 들어, 상이한 그룹에 포함된 원단들에 대해 매칭되는 값들의 차이는 사전 전 설정된 값보다 클 수 있다.
실시예들에 따르면, 서버는 의류 도안에 대한 제1 정보를 기반으로 뉴럴 네트워크를 이용한 보완 모델을 통해 의류 도안에 대한 제2 정보를 결정하고, 상기 제1 정보 및 상기 제2 정보를 기반으로 뉴럴 네트워크를 이용한 주문 모델을 통해 샘플 주문에 대한 정보를 결정할 수 있다. 따라서, 서버가 일반인에 의해 제공된 의류 도안을 보완하고, 샘플 제작을 위한 주문 정보를 생성함으로써, 누구나 전문가의 도움 없이 직접 의류 제작을 의뢰할 수 있다.
실시예들에 따르면, 서버는 의류의 종류에 따라 적응적으로 의류 도안에 대한 제1 정보에 대한 리뷰 점수를 결정할 수 있고, 상기 리뷰 점수가 사전 설정된 제1 점수 이상인 경우에 의류의 제2 도안에 대한 정보를 결정함으로써, 상기 의류 도안에 대한 제1 정보가 불명확한 케이스를 필터링할 수 있다.
실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.
실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따른 서버가 의류 도안에 대한 정보에 기반하여 샘플 주문에 대한 정보를 전송하는 방법을 나타낸다.
도 4는 일 실시예에 따른 보완 모델 및 주문 모델에 대한 예이다.
도 5는 일 실시예에 따른 서버가 샘플 주문에 대한 정보를 전송하는 방법을 나타내는 흐름도이다.
도 6은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따른 서버가 의류 도안에 대한 정보에 기반하여 샘플 주문에 대한 정보를 전송하는 방법을 나타낸다.
도 4는 일 실시예에 따른 보완 모델 및 주문 모델에 대한 예이다.
도 5는 일 실시예에 따른 서버가 샘플 주문에 대한 정보를 전송하는 방법을 나타내는 흐름도이다.
도 6은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다.
이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다. 전자 장치(101)는 클라이언트, 단말기 또는 피어로 지칭될 수도 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다.
인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
서버(108)는 전자 장치(101)가 접속되며, 접속된 전자 장치(101)로 서비스를 제공할 수 있다. 또한, 서버(108)는 회원 가입 절차를 진행하여 그에 따라 회원으로 가입된 사용자의 각종 정보를 저장하여 관리하고, 서비스에 관련된 각종 구매 및 결제 기능을 제공할 수도 있다. 또한, 서버(108)는, 사용자 간에 서비스를 공유할 수 있도록, 복수의 전자 장치(101) 각각에서 실행되는 서비스 애플리케이션의 실행 데이터를 실시간으로 공유할 수도 있다. 이러한 서버(108)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 서비스 서버(Service Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Python, Golang, kotlin 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다. 또한, 서버(108)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다. 또한, 서버(108)는, 전술한 서버 프로그램 이외에도, 서버(108) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 칭함)를 포함하는 넓은 개념으로 이해되어야 할 것이다. 따라서, 서버(108)는, 회원 가입 정보와, 게임에 대한 각종 정보 및 데이터를 분류하여 DB에 저장시키고 관리하는데, 이러한 DB는 서버(108)의 내부 또는 외부에 구현될 수 있다. 또한, 서버(108)는, 일반적인 서버용 하드웨어에 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH, TOMCAT 등을 이용하여 웹 서비스를 구현할 수 있다. 또한, 서버(108)는, 서비스의 사용자 인증이나 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.
제1 네트워크(198) 및 제2 네트워크(199)는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버(108)와 전자 장치들(101, 104)을 연결하는 망(Network)을 의미한다. 제1 네트워크(198) 및 제2 네트워크(199)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 제1 네트워크(198) 및 제2 네트워크(199)는 LAN, WAN 등의 폐쇄형 제1 네트워크(198) 및 제2 네트워크(199)일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜, TCP, UDP(user datagram protocol) 등의 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 제1 네트워크(198) 및 제2 네트워크(199) 구조를 의미한다.
데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 있다. 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM, TizenTM, 또는 BadaTM를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신될 수 있다. 프로그램(140)의 전부 또는 일부는 뉴럴 네트워크를 포함할 수 있다.
운영 체제(142)는 전자 장치(101)의 하나 이상의 시스템 리소스들(예: 프로세스, 메모리, 또는 전원)의 관리(예: 할당 또는 회수)를 제어할 수 있다. 운영 체제(142)는, 추가적으로 또는 대체적으로, 전자 장치(101)의 다른 하드웨어 디바이스, 예를 들면, 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.
미들웨어(144)는 전자 장치(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는, 예를 들면, 어플리케이션 매니저(201), 윈도우 매니저(203), 멀티미디어 매니저(205), 리소스 매니저(207), 파워 매니저(209), 데이터베이스 매니저(211), 패키지 매니저(213), 커넥티비티 매니저(215), 노티피케이션 매니저(217), 로케이션 매니저(219), 그래픽 매니저(221), 시큐리티 매니저(223), 통화 매니저(225), 또는 음성 인식 매니저(227)를 포함할 수 있다.
어플리케이션 매니저(201)는, 예를 들면, 어플리케이션(146)의 생명 주기를 관리할 수 있다. 윈도우 매니저(203)는, 예를 들면, 화면에서 사용되는 하나 이상의 GUI 자원들을 관리할 수 있다. 멀티미디어 매니저(205)는, 예를 들면, 미디어 파일들의 재생에 필요한 하나 이상의 포맷들을 파악하고, 그 중 선택된 해당하는 포맷에 맞는 코덱을 이용하여 상기 미디어 파일들 중 해당하는 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(207)는, 예를 들면, 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리할 수 있다. 파워 매니저(209)는, 예를 들면, 배터리(189)의 용량, 온도 또는 전원을 관리하고, 이 중 해당 정보를 이용하여 전자 장치(101)의 동작에 필요한 관련 정보를 결정 또는 제공할 수 있다. 일실시예에 따르면, 파워 매니저(209)는 전자 장치(101)의 바이오스(BIOS: basic input/output system)(미도시)와 연동할 수 있다.
데이터베이스 매니저(211)는, 예를 들면, 어플리케이션(146)에 의해 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(213)는, 예를 들면, 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다. 커넥티비티 매니저(215)는, 예를 들면, 전자 장치(101)와 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리할 수 있다. 노티피케이션 매니저(217)는, 예를 들면, 지정된 이벤트(예: 착신 통화, 메시지, 또는 알람)의 발생을 사용자에게 알리기 위한 기능을 제공할 수 있다. 로케이션 매니저(219)는, 예를 들면, 전자 장치(101)의 위치 정보를 관리할 수 있다. 그래픽 매니저(221)는, 예를 들면, 사용자에게 제공될 하나 이상의 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다.
시큐리티 매니저(223)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 통화(telephony) 매니저(225)는, 예를 들면, 전자 장치(101)에 의해 제공되는 음성 통화 기능 또는 영상 통화 기능을 관리할 수 있다. 음성 인식 매니저(227)는, 예를 들면, 사용자의 음성 데이터를 서버(108)로 전송하고, 그 음성 데이터에 적어도 일부 기반하여 전자 장치(101)에서 수행될 기능에 대응하는 명령어(command), 또는 그 음성 데이터에 적어도 일부 기반하여 변환된 문자 데이터를 서버(108)로부터 수신할 수 있다. 일 실시예에 따르면, 미들웨어(244)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. 일 실시예에 따르면, 미들웨어(144)의 적어도 일부는 운영 체제(142)의 일부로 포함되거나, 또는 운영 체제(142)와는 다른 별도의 소프트웨어로 구현될 수 있다.
어플리케이션(146)은, 예를 들면, 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279)(예: 운동량 또는 혈당과 같은 생체 정보를 측정), 또는 환경 정보(281)(예: 기압, 습도, 또는 온도 정보 측정) 어플리케이션을 포함할 수 있다. 일실시예에 따르면, 어플리케이션(146)은 전자 장치(101)와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션(미도시)을 더 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치로 지정된 정보 (예: 통화, 메시지, 또는 알람)를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 예를 들면, 전자 장치(101)의 다른 어플리케이션(예: 이메일 어플리케이션(269))에서 발생된 지정된 이벤트(예: 메일 수신)에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 추가적으로 또는 대체적으로, 노티피케이션 릴레이 어플리케이션은 외부 전자 장치로부터 알림 정보를 수신하여 전자 장치(101)의 사용자에게 제공할 수 있다.
장치 관리 어플리케이션은, 예를 들면, 전자 장치(101)와 통신하는 외부 전자 장치 또는 그 일부 구성 요소(예: 외부 전자장치의 디스플레이 모듈 또는 카메라 모듈)의 전원(예: 턴-온 또는 턴-오프) 또는 기능(예: 밝기, 해상도, 또는 포커스)을 제어할 수 있다. 장치 관리 어플리케이션은, 추가적으로 또는 대체적으로, 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.
본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은, "뉴런(neuron)"들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.
뉴럴 네트워크 내에서, 링크를 통해 연결된 둘 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치를 가질 수 있다. 가중치는 가변적일 수 있으며, 뉴럴 네트워크가 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
전술한 바와 같이, 뉴럴 네트워크는, 둘 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 뉴럴 네트워크 내에서 입력 노드 및 출력 노드 관계를 형성한다. 뉴럴 네트워크 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 네트워크의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망 네트워크가 존재하는 경우, 두 개의 신경망 네트워크들은 서로 상이한 것으로 인식될 수 있다.
도 3은 일 실시예에 따른 서버가 의류 도안에 대한 정보에 기반하여 샘플 주문에 대한 정보를 전송하는 방법을 나타낸다. 도 3의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 3을 참조하면, 단계 S301에서, 서버는 의류 도안에 대한 제1 정보를 포함하는 요청 메시지를 제1 단말로부터 수신할 수 있다. 예를 들어, 상기 의류 도안에 대한 제1 정보는 브랜드의 명칭, 의류의 제1 도안 이미지, 의류에 대한 기본 정보 및 샘플 주문을 위한 기본 정보를 포함할 수 있다.
여기서, 브랜드의 명칭은 상기 제1 단말과 관련된 사용자가 의류에 사용하고자 하는 브랜드의 이름일 수 있다. 여기서, 의류의 제1 도안 이미지는 상기 제1 단말과 관련된 사용자에 의해 작성된 의류의 도안 이미지일 수 있다. 예를 들어, 의류의 제1 도안 이미지의 크기는 사전 설정된 크기일 수 있다. 예를 들어, 의류에 대한 기본 정보는 의류의 종류에 대한 정보, 의류의 사이즈에 대한 정보, 의류의 컬러에 대한 정보 및 의류의 원단에 대한 정보를 포함할 수 있다. 예를 들어, 의류의 종류는 상의와 하의로 크게 분류될 수 있고, 상의는 자켓, 점퍼, 코트, 조끼, 패팅, 니트, 스웨터, 셔츠, 블라우스 등과 같이 분류될 수 있고, 하의는 치마, 바지, 반바지 등과 같이 분류될 수 있다. 예를 들어, 의류의 사이즈에 대한 정보는 XXS, XS, S, M, L, XL, XXL 등과 같이 의류의 사이즈를 나타내는 정보일 수 있다. 예를 들어, 의류의 컬러에 대한 정보는 의류의 색상에 대한 정보, 의류의 채도에 대한 정보, 의류의 명도에 대한 정보를 포함할 수 있다. 예를 들어, 의류의 컬러에 대한 정보는 RGB(red, green, blue) 값과 HSL(hue, saturation, lightness) 값을 포함할 수 있다. 예를 들어, 의류의 원단에 대한 정보는 면, 폴리에스테르, 나일론, 레이온, 기모, 텐셀, 아크릴, 울, 린넨, 쉬폰, 옥스포드, 스웨이드 등과 같이 다양한 종류의 원단과 각 원단의 비율에 대한 정보를 포함할 수 있다. 여기서, 샘플 주문을 위한 기본 정보는 상기 의류 도안을 기반으로 제작되는 샘플을 주문하기 위한 기본적인 정보일 수 있다. 예를 들어, 샘플 주문을 위한 기본 정보는 수량, 의뢰일 및 납품일을 포함할 수 있다.
단계 S302에서, 서버는 상기 의류 도안에 대한 제1 정보를 기반으로 제1 뉴럴 네트워크를 이용한 보완 모델을 통해 의류 도안에 대한 제2 정보를 결정할 수 있다.
여기서, 의류 도안에 대한 제2 정보는 의류에 대한 샘플을 주문하기 위해 더 필요한 정보일 수 있다. 예를 들어, 상기 의류 도안에 대한 제2 정보는 의류의 제2 도안 이미지, 의류의 각 부분에 대한 수치 정보 및 컬러 정보, 의류의 부자재에 대한 정보, 의류의 요척에 대한 정보 및 스타일 넘버를 포함할 수 있다. 예를 들어, 의류의 제2 도안 이미지는 상기 의류의 제1 도안 이미지를 보다 명확하게 표현한 도안 이미지일 수 있다. 예를 들어, 의류의 각 부분에 대한 수치 정보는 상기 의류의 제2 도안 이미지를 기반으로 결정된 의류의 각 부분에 대한 수치를 나타내는 정보일 수 있다. 여기서, 의류의 각 부분은 어깨너비, 총장, 가슴둘레, 허리둘레, 힙둘레, 밑단둘레, 소매기장, 소매통, 소매부리, 목너비, 앞목깊이, 뒤목깊이, 허벅지, 밑위둘레, 주머니위치 등과 같이 다양한 부분을 포함할 수 있고, 의류의 종류에 따라 각 부분이 결정될 수 있다. 예를 들어, 의류의 각 부분에 대한 컬러 정보는 상기 의류의 제2 도안 이미지를 기반으로 결정된 의류의 각 부분에 대한 컬러를 나타내는 정보일 수 있다. 예를 들어, 의류의 부자재에 대한 정보는 상기 의류의 제2 도안 이미지를 기반으로 결정된 의류에 사용되는 부자재를 나타내는 정보일 수 있다. 예를 들어, 의류의 부자재는 스토퍼(stopper)와 비드(bead), 아일렛(eyelet), 단추, 이밴드(elastic band), 테이프, 훅앤아이(hook and eye), 훅앤바(hook and bar), 버클, 스트링 등과 같이 의류에 사용되는 다양한 부자재를 포함할 수 있다. 예를 들어, 의류의 요척에 대한 정보는 의류 한 벌을 제작하기 위해 필요한 원단 소요량에 대한 정보일 수 있다. 예를 들어, 의류의 요척은 각 패턴에 대한 폭과 기장을 기반으로 결정될 수 있다. 여기서, 패턴은 의류를 제작할 때 소재를 재단하기 위해 본보기로 만든 종이일 수 있다. 예를 들어, 스타일 넘버는 의류에 대한 참조 번호일 수 있다. 예를 들어, 스타일 넘버는 브랜드의 명칭의 영문 약자, 의류의 종류에 대한 영문 약자, 의류의 출고 번호 및 의류의 컬러에 대한 영문 약자를 포함할 수 있다. 예를 들어, 주의 사항에 대한 정보는 의류를 제작할 때 사용되는 원단으로 인한 봉제 시 주의 사항에 대한 정보일 수 있다.
예를 들어, 상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다.
예를 들어, 복수의 의류 도안에 대한 제1 정보 및 복수의 정답 의류 도안에 대한 제2 정보로 구성된 각각의 학습 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되어 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터로 출력되고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터는 상기 제1 손실 값이 작아지는 방향으로 학습되는, 상기 보완 모델이 생성될 수 있다.
단계 S303에서, 서버는 상기 의류 도안에 대한 제1 정보 및 상기 의류 도안에 제2 정보를 기반으로 제2 뉴럴 네트워크를 이용한 주문 모델을 통해 샘플 주문에 대한 정보를 결정할 수 있다. 여기서, 샘플 주문에 대한 정보는 의류에 대한 정보, 샘플을 제작하는 비용에 대한 정보 및 샘플을 제작하는 생산처에 대한 정보를 포함할 수 있다. 예를 들어, 의류에 대한 정보는 샘플을 제작하기 위해 필요한 의류에 대한 정보를 포함할 수 있다. 예를 들어, 의류에 대한 정보는 의류의 제2 도안 이미지, 의류의 종류, 스타일 넘버, 의류의 사이즈, 의류의 각 부분의 수치에 대한 정보, 의류의 원단에 대한 정보, 의류의 부자재에 대한 정보, 의류의 요척에 대한 정보 및 주의사항에 대한 정보를 포함할 수 있다.
예를 들어, 상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다.
예를 들어, 복수의 의류 도안에 대한 제1 정보, 복수의 의류 도안에 대한 제2 정보 및 복수의 정답 샘플 주문에 대한 정보로 구성된 각각의 학습 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되어 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터로 출력되고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터는 상기 제2 손실 값이 작아지는 방향으로 학습되는, 상기 주문 모델이 생성될 수 있다.
단계 S304에서, 서버는 상기 샘플 주문에 대한 정보를 포함하는 주문 메시지를 샘플 제작과 관련된 서버에게 전송할 수 있다.
단계 S305에서, 서버는 상기 샘플 주문에 대한 정보를 포함하는 주문 완료 메시지를 상기 제1 단말에게 전송할 수 있다.
예를 들어, 사전 설정된 리뷰 정보에 기반하여 상기 의류 도안에 대한 제1 정보에 대한 리뷰 점수가 결정될 수 있다. 예를 들어, 상기 의류 도안에 대한 제1 정보에 대한 리뷰 점수가 사전 설정된 제1 점수 이상인 것에 기반하여 상기 의류 도안에 대한 제2 정보가 결정될 수 있다. 예를 들어, 사전 설정된 제1 점수는 상기 의류의 종류에 따라 상이하게 설정될 수 있다.
예를 들어, 상기 의류 도안에 대한 제1 정보에 대한 리뷰 점수는 하기 수학식 1에 의해 결정될 수 있다.
상기 수학식 1에서, 상기 rp는 상기 리뷰 점수이고, 상기 n1은 상기 의류 도안에 대한 제1 정보에 포함된 텍스트의 총 개수이고, 상기 nr는 상기 의류의 종류에 따른 텍스트의 기준 개수이고, 상기 nc는 상기 의류 도안에 대한 제1 정보에 포함된 총 카테고리의 개수이고, 상기 nw는 상기 의류 도안에 대한 제1 정보 중에서 작성된 카테고리의 개수이고, 상기 l1은 상기 의류의 제1 도안 이미지에 포함된 선의 총 길이이고, 상기 lr은 상기 의류의 종류 및 상기 의류의 제1 도안 이미지의 크기에 따른 기준 길이이고, 상기 it는 상기 총 카테고리 중에서 중요 카테고리의 개수이고, 상기 iw는 상기 의류의 제1 도안에 대한 정보 중에서 작성된 중요 카테고리의 개수일 수 있다.
예를 들어, 의류 도안에 대한 제1 정보는 복수의 카테고리를 포함할 수 있고, 상기 복수의 카테고리는 중요 카테고리를 포함할 수 있다. 예를 들어, 복수의 카테고리는 명칭에 대한 카테고리, 제1 도안 이미지에 대한 카테고리, 수량에 대한 카테고리, 종류에 대한 카테고리, 사이즈에 대한 카테고리, 컬러에 대한 카테고리, 원단에 대한 카테고리, 의뢰일에 대한 카테고리 및 납품일에 대한 카테고리일 수 있다. 예를 들어, 중요 카테고리는 의류의 제1 도안 이미지에 대한 카테고리, 수량에 대한 카테고리, 의뢰일에 대한 카테고리 및 납품일에 대한 카테고리일 수 있다. 예를 들어, 중요 카테고리는 상기 서버에 대해 사전 설정될 수 있다.
예를 들어, 의류의 종류마다 의류 도안에 대한 제1 정보에 포함되는 기준 텍스트의 개수가 상이할 수 있다. 여기서, 기준 텍스트는 의류 도안에 대한 제1 정보에 포함되는 평균적인 텍스트의 개수일 수 있다. 예를 들어, 의류의 종류별로 상기 기준 텍스트의 개수가 서버에 사전 설정될 수 있다. 예를 들어, 의류의 종류마다 의류의 제1 도안 이미지에 포함되는 기준 길이가 상이할 수 있다. 예를 들어, 의류의 종류별로 상기 기준 길이가 서버에 사전 설정될 수 있다. 여기서, 기준 길이는 의류의 제1 도안 이미지에 그려진 선의 총 길이에 대한 평균 값일 수 있다. 예를 들어, 의류의 제1 도안 이미지의 크기는 사전 설정된 크기일 수 있다.
이로 인해, 서버는 의류의 종류에 따라 적응적으로 리뷰 점수를 결정할 수 있고, 서버는 상기 리뷰 점수가 사전 설정된 제1 점수 이상인 경우에 의류의 제2 도안에 대한 정보를 결정함으로써, 상기 의류 도안에 대한 제1 정보가 불명확한 케이스를 필터링할 수 있다.
일 실시예에 따라, 서버는 상기 의류 도안의 제1 정보, 상기 의류 도안의 제2 정보 및 사전 설정된 복수의 의류 도안에 대한 정보를 기반으로 상기 의류의 제1 도안 이미지에 대한 창의성 점수를 결정할 수 있다. 예를 들어, 상기 사전 설정된 복수의 의류 도안에 대한 정보는 복수의 도안 이미지 및 상기 복수의 도안 이미지와 관련된 정보를 포함할 수 있다. 예를 들어, 상기 복수의 도안 이미지와 관련된 정보는 의류의 종류에 대한 정보, 원단에 대한 정보, 컬러에 대한 정보, 사이즈에 대한 정보 및 각 부분의 수치에 대한 정보를 포함할 수 있다. 예를 들어, 상기 의류의 제1 도안 이미지, 상기 의류의 제2 도안 이미지 및 복수의 그룹에 대한 정보에 기반하여 상기 의류가 포함된 그룹을 결정할 수 있다. 예를 들어, 상기 창의성 점수가 사전 설정된 제2 점수 이상인 것에 기반하여, 서버는 적어도 하나의 의류의 제1 도안 이미지를 전송한 적어도 하나의 제2 단말을 결정할 수 있다. 예를 들어, 상기 적어도 하나의 의류는 상기 그룹 중에서 상기 의류의 종류와 상이한 종류를 가진 의류일 수 있다. 예를 들어, 서버는 상기 적어도 하나의 제2 단말에 대한 정보를 상기 제1 단말에게 전송할 수 있다. 예를 들어, 상기 복수의 그룹은 상기 의류의 제1 도안 이미지, 상기 의류의 제2 도안 이미지 및 복수의 도안 이미지에 기반하여 제3 뉴럴 네트워크를 이용한 그룹핑 모델을 통해 결정될 수 있다. 여기서, 상기 복수의 도안 이미지는 복수의 제1 단말로부터 수신한 의류의 제1 도안 이미지일 및 상기 의류의 제1 도안 이미지에 기반하여 결정된 의류의 제2 도안 이미지를 포함할 수 있다. 이로 인해, 서버는 창의적인 의류 도안을 제공한 제1 단말에게 유사한 컨셉의 도안을 제공한 제2 단말을 연결시킴으로써, 두 단말의 사용자 사이의 협업을 수행할 수 있게 보조할 수 있다.
부가적으로, 예를 들어, 서버는 상기 의류의 제1 도안 이미지, 상기 의류의 제2 도안 이미지 및 복수의 도안 이미지에 기반하여 제3 뉴럴 네트워크를 이용한 클러스터링(clustering) 기법을 통해 n개의 그룹을 결정할 수 있다. 예를 들어, 클러스터링은 유사한 속성들을 갖는 데이터를 일정한 수의 군집으로 그룹핑하는 비지도 학습을 지칭할 수 있다.
예를 들어, 상기 의류의 제1 도안 이미지, 상기 의류의 제2 도안 이미지 및 복수의 도안 이미지는 데이터 전처리를 통해 설정된 사이즈로 압축한 이미지의 각 픽셀 값에 대한 변화량으로 각각 제1 벡터화될 수 있다. 또한, 예를 들어, 서버는 상기 의류의 제1 도안 이미지, 상기 의류의 제2 도안 이미지 및 복수의 도안 이미지에 대한 데이터 전처리를 통해 의류의 스타일에 대한 값, 의류의 종류에 대한 값으로 제2 벡터화할 수 있다. 예를 들어, 의류의 스타일은 캐주얼 스타일, 스트릿 스타일, 스포티 스타일 및 오피스 스타일로 분류될 수 있고, 상기 오피스 스타일은 클래식 스타일 및 세미 클래식 스타일로 분류될 수 있다. 예를 들어, 서버는 의류 판매와 관련된 웹 사이트들에 대한 웹 크롤링을 수행함으로써, 상기 의류의 스타일에 대한 카테고리를 수집할 수 있다. 그리고, 각각의 스타일에 맵핑되는 값이 서버에 대해 사전 설정될 수 있다. 또한, 예를 들어, 의류의 각 종류에 맵핑되는 값이 서버에 대해 사전 설정될 수 있다.
예를 들어, 상기 그룹핑 모델은 상술한 복수의 벡터화된 값들(제1 벡터화된 값들과 제2 벡터화된 값들)을 기반으로 뉴럴 네트워크를 이용한 다양한 클러스터링 기법에 의해 학습될 수 있다.
예를 들어, 서버는 복수의 벡터화된 값들을 기반으로 DBSCAN(Density-Based Spatial Clustering of Applications with Noise) 기법을 통해 n개의 그룹을 결정할 수 있다. 즉, 상기 그룹핑 모델은 뉴럴 네트워크를 이용한 DBSCAN 기법을 통해 벡터화된 값들을 기반으로 학습될 수 있다. 예를 들어, DBSCAN은 특정 요소(point)가 클러스터에 속하는 경우, 해당 클러스터 내 다른 많은 요소와 가까운 위치에 있어야 하는 것을 전제로 하며, 이러한 계산을 위해 직경(radius)과 최소 요소(minimum points)가 사용될 수 있다. 여기서, 요소는 상술한 벡터화된 값일 수 있다. 예를 들어, 직경은 특정 데이터 요소를 기준으로 하는 반경일 수 있고, 이를 밀도 영역(dense area)이라 지칭할 수 있다. 예를 들어, 최소 요소는 핵심 요소(core point)를 지정하기 위해 핵심 요소 주변으로 요소가 몇 개 필요한 지를 나타낼 수 있다. 또한, 데이터 세트의 각 요소는 핵심(core), 경계(border), 이상치 요소(outlier point)로 구분될 수 있다.
예를 들어, 상술한 클러스터링과 관련된 뉴럴 네트워크를 통해, 서버는 요소별로 직경의 크기를 체크하고, 주변의 요소가 몇 개 있는지를 탐색할 수 있다. 이후, 서버는 직경의 범위 내에 m개 이상의 요소가 존재하면, 해당 요소를 핵심 요소로 결정할 수 있다. 그리고, 서버는 핵심 요소로부터 직경의 범위 내에 포함된 요소를 경계 요소로 결정할 수 있다. 그리고, 서버는 핵심 요소로부터 직경의 범위 내에 포함되지 않은 요소는 이상치 요소로 결정할 수 있고, 상기 이상치 요소는 해당 클러스터에서 제외될 수 있다. 또한, 서버는 핵심 요소들 사이의 거리가 직경보다 작을 경우, 해당 요소들을 동일한 클러스터로 분류할 수 있다.
이로 인해, n개의 그룹은 고정된 유형들로 결정되지 않고, 상기 서버에 제공된 도안 이미지들에 따라 유동적으로 변경되어 보다 다양한 유형의 그룹을 결정할 수 있다.
일 실시예에 따라, 서버는 상기 주문 완료 메시지에 대한 확인 메시지를 상기 제1 단말로부터 수신할 수 있다. 예를 들어, 상기 확인 메시지를 상기 제1 단말로부터 수신한 것에 기반하여, 샘플 제작에 대한 진행 메시지를 상기 샘플 제작과 관련된 서버에 전송할 수 있다. 예를 들어, 상기 주문 완료 메시지는 상기 의류 도안에 대한 제1 정보 및 상기 의류 도안에 제2 정보를 기반으로 생성된 가상 캐릭터가 상기 의류를 착용한 이미지를 포함할 수 있다.
예를 들어, 상기 의류에 대한 이미지는 상기 의류 도안에 대한 제1 정보 및 상기 의류 도안에 제2 정보를 기반으로 결정된 샘플 이미지일 수 있다.
예를 들어, 상기 가상 캐릭터에 대한 외형 정보는 상기 의류의 사이즈 정보, 상기 의류 각 부분의 수치 정보, 상기 창의성 점수 및 상기 제1 단말과 상기 서버의 통신 상태에 대한 값에 기반하여 결정될 수 있다. 예를 들어, 상기 가상 캐릭터에 대한 이미지는 상기 가상 캐릭터에 대한 외형 정보에 기반하여 결정될 수 있다. 여기서, 외형 정보는 가상 캐릭터의 각 몸체 부위에 대한 크기 및 가상 캐릭터의 몸체와 얼굴의 비율을 포함할 수 있다.
예를 들어, 상기 의류의 사이즈 정보 및 상기 의류 각 부분의 수치 정보에 기반하여 상기 가상 캐릭터의 몸체 사이즈 및 상기 가상 캐릭터의 각 몸체 부위에 대한 크기가 결정될 수 있다. 예를 들어, 상기 창의성 점수가 높을수록 가상 캐릭터의 몸체와 얼굴의 비율이 8:1의 비율에 근접하게 설정될 수 있다. 예를 들어, 상기 제1 단말과 상기 서버의 통신 상태에 대한 값이 양호한 통신 상태를 나타내는 값에 근접할수록 상기 가상 캐릭터에 대한 선명도가 높게 설정될 수 있다. 예를 들어, 통신 상태를 나타내는 값은 RSRP(reference signal received power) 값일 수 있다. 여기서, RSRP 값은 단말이 수신하는 참조 신호에 대한 전력을 나타내며, 음의 dB 값을 가질 수 있다. 예를 들어, RSRP의 절대 값이 클수록, 상기 단말의 통신 상태가 불량한 것으로 결정될 수 있다. 예를 들어, 서버와 제1 단말 사이에 무선 연결이 확립된 후, 서버는 상기 제1 단말로부터 통신 상태에 대한 값(예: RSRP 값)을 수신할 수 있다.
부가적으로, 예를 들어, 서버는 상기 샘플 주문에 대한 정보에 대한 수정 사항과 관련된 정보를 포함하는 수정 메시지를 상기 제1 단말로부터 수신할 수 있다. 예를 들어, 서버는 상기 수정 사항과 관련된 정보를 상기 샘플 제작과 관련된 서버에게 전송할 수 있다.
부가적으로, 예를 들어, 서버는 상기 샘플 제작과 관련된 서버로부터 샘플 제작 완료 메시지를 수신할 수 있다. 예를 들어, 서버는 상기 샘플 제작 완료 메시지를 상기 제1 단말에게 전송할 수 있다. 이때, 예를 들어, 상술한 바와 같이 제1 단말은 상기 샘플 주문에 대한 정보의 수정 사항과 관련된 정보를 포함하는 수정 메시지를 상기 서버에게 전송할 수 있다. 예를 들어, 제1 단말은 의류 생산을 요청하는 메시지를 상기 서버에게 전송할 수 있다. 예를 들어, 의류 생산을 요청하는 메시지는 상기 의류에 대한 정보, 의류의 수량에 대한 정보 및 납품일에 대한 정보를 포함할 수 있다. 예를 들어, 상기 제1 단말로부터 상기 수정 메시지를 상기 서버가 수신한 경우, 의류 생산을 요청하는 메시지에 포함된 의류에 대한 정보는 상기 샘플 주문에 대한 정보의 수정 사항이 반영되어 업데이트된 정보일 수 있다. 예를 들어, 서버는 상기 의류 생산을 요청하는 메시지를 기반으로 복수의 의류 생산처 중에서 적어도 하나의 의류 생산처를 결정할 수 있다. 예를 들어, 서버는 상기 의류에 대한 정보, 의류의 수량에 대한 정보 및 납품일에 대한 정보를 기반으로 제3 뉴럴 네트워크를 이용한 생산처 검색 모델을 통해 복수의 의류 생산처 중에서 적어도 하나의 의류 생산처를 결정할 수 있다. 예를 들어, 제3 뉴럴 네트워크는 제3 입력 레이어, 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 포함할 수 있다. 예를 들어, 복수의 의류에 대한 정보, 복수의 의류의 수량에 대한 정보, 복수의 납품일에 대한 정보 및 정답 의류 생산처 정보로 구성된 각각의 학습 데이터는 상기 제3 뉴럴 네트워크의 상기 제3 입력 레이어에 입력되어 상기 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 통과하여 제3 출력 벡터로 출력되고, 상기 제3 출력 벡터는 상기 제3 출력 레이어에 연결된 제3 손실함수 레이어에 입력되고, 상기 제3 손실함수 레이어는 상기 제3 출력 벡터와 각각의 학습 데이터에 대한 제3 정답 벡터를 비교하는 제3 손실함수를 이용하여 제3 손실 값을 출력하고, 상기 제3 뉴럴 네트워크의 파라미터가 상기 제3 손실 값이 작아지는 방향으로 학습되는, 상기 생산처 검색 모델이 생성될 수 있다. 따라서, 상기 학습된 생산처 검색 모델을 통해 복수의 의류 생산처 중에서 의류의 수량과 납품일을 고려하여 상기 의류를 생산하기에 적합한 적어도 하나의 생산처가 결정될 수 있다. 예를 들어, 서버는 상기 적어도 하나의 의류 생산처를 포함하는 의류 생산처에 대한 정보를 상기 제1 단말에게 전송할 수 있다. 예를 들어, 상기 의류 생산처에 대한 정보는, 상기 적어도 하나의 의류 생산처 각각에 대한, 생산 비용에 대한 정보 및 위치에 대한 정보를 포함할 수 있다. 예를 들어, 서버는 상기 제1 단말로부터 수신된 수락 메시지에 기반하여 상기 적어도 하나의 의류 생산처와 관련된 서버에게 상기 의류 생산을 요청하는 메시지를 전송할 수 있다.
도 4는 일 실시예에 따른 보완 모델 및 주문 모델에 대한 예이다. 도 4의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 4를 참조하면, 상기 보완 모델의 학습과 관련된 제1 뉴럴 네트워크(410)는 제1 입력 레이어(411), 하나 이상의 제1 히든 레이어(412) 및 제1 출력 레이어(413)를 포함할 수 있다. 예를 들어, 상기 제1 뉴럴 네트워크(410)는 복수의 컨벌루션 뉴럴 네트워크를 직렬로 연결한 다단 심층 뉴럴 네트워크일 수 있다.
예를 들어, 복수의 의류 도안에 대한 제1 정보 및 복수의 정답 의류 도안에 대한 제2 정보로 구성된 각각의 학습 데이터는 상기 제1 뉴럴 네트워크(410)의 상기 제1 입력 레이어(411)에 입력되어 상기 하나 이상의 제1 히든 레이어(412) 및 제1 출력 레이어(413)를 통과하여 제1 출력 벡터로 출력되고, 상기 제1 출력 벡터는 상기 제1 출력 레이어(413)에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크(410)의 파라미터가 상기 제1 손실 값이 작아지는 방향으로 학습되는, 상기 보완 모델이 생성될 수 있다.
예를 들어, 서버는 복수의 의류 도안에 대한 제1 정보에 대한 제1 데이터 전처리를 수행할 수 있다. 예를 들어, 서버는, 복수의 의류 도안에 대한 제1 정보에 포함된, 복수의 의류의 제1 도안 이미지 각각에 대해 복수의 픽셀 값에 대한 변화량을 추출할 수 있다. 또한, 예를 들어, 서버는, 복수의 의류 도안에 대한 제1 정보에 포함된, 의류의 종류에 대한 정보, 의류의 사이즈에 대한 정보, 의류의 컬러에 대한 정보 및 의류의 원단에 대한 정보를 대해 제1 데이터 전처리를 통해 벡터화할 수 있다. 예를 들어, 상술한 제1 데이터 전처리를 통해, 서버는 복수의 의류 도안에 대한 제1 정보 각각에 대한, 복수의 픽셀 값과 [의류의 사이즈에 매칭되는 값, 의류의 RGB 값, 의류의 HSL 값, 의류의 원단에 매칭되는 값, 의류의 종류에 매칭되는 값]으로 구성된 제1 입력 벡터를 결정할 수 있다.
구체적으로, 예를 들어, 서버는 복수의 픽셀 값에 대한 변화량과 [의류의 사이즈에 매칭되는 값, 의류의 RGB 값, 의류의 HSL 값, 의류의 원단에 매칭되는 값, 의류의 종류에 매칭되는 값]으로 구성된 제1 입력 벡터를 상기 제1 뉴럴 네트워크(410)의 상기 제1 입력 레이어(411)에 입력시키고, 상기 하나 이상의 제1 히든 레이어(412) 및 제1 출력 레이어(413)를 통과하여 제1 출력 벡터로 출력시킬 수 있다. 예를 들어, 서버는 상기 제1 출력 벡터를 상기 제1 출력 레이어(413)에 연결된 제1 손실함수 레이어에 입력시키고, 상기 제1 손실함수 레이어를 통해 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력할 수 있다. 예를 들어, 서버는 상기 제1 뉴럴 네트워크(410)의 파라미터가 상기 제1 손실 값이 작아지는 방향으로 학습되는, 상기 보완 모델을 생성할 수 있다. 예를 들어, 제1 정답 벡터는 의류의 제2 도안 이미지에 매칭되는 값일 수 있다.
즉, 상기 보완 모델은 복수의 의류 도안에 대한 제1 정보를 기반으로 의류의 제1 도안 이미지를 보완하는 의류의 제2 도안 이미지를 결정하기 위해 학습될 수 있다. 따라서, 서버는 상기 보완 모델을 통해 의류의 제1 도안 이미지를 보완하는 의류의 제2 도안 이미지를 결정하고, 사전 설정된 복수의 의류 도안에 대한 제2 정보 중에서 상기 의류의 제2 도안 이미지가 포함된 의류 도안에 대한 제2 정보를 결정할 수 있다.
도 4를 참조하면, 상기 주문 모델의 학습과 관련된 제2 뉴럴 네트워크(420)는 제2 입력 레이어(421), 하나 이상의 제2 히든 레이어(422) 및 제2 출력 레이어(423)를 포함할 수 있다. 예를 들어, 상기 제2 뉴럴 네트워크(420)는 복수의 컨벌루션 뉴럴 네트워크를 직렬로 연결한 다단 심층 뉴럴 네트워크일 수 있다.
예를 들어, 복수의 의류 도안에 대한 제1 정보, 복수의 의류 도안에 대한 제2 정보 및 복수의 정답 샘플 주문에 대한 정보로 구성된 각각의 학습 데이터는 상기 제2 뉴럴 네트워크(420)의 상기 제2 입력 레이어(421)에 입력되어 상기 하나 이상의 제2 히든 레이어(422) 및 제2 출력 레이어(423)를 통과하여 제2 출력 벡터로 출력되고, 상기 제2 출력 벡터는 상기 제2 출력 레이어(423)에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 상기 제2 뉴럴 네트워크(420)의 파라미터는 상기 제2 손실 값이 작아지는 방향으로 학습되는, 상기 주문 모델이 생성될 수 있다.
예를 들어, 서버는 복수의 의류 도안에 대한 제1 정보 및 복수의 의류 도안에 대한 제2 정보에 대한 제2 데이터 전처리를 수행할 수 있다. 예를 들어, 서버는 상술한 제1 데이터 전처리를 통해 결정된 입력 벡터에서, [의류의 사이즈에 매칭되는 값, 의류의 RGB 값, 의류의 HSL 값, 의류의 원단에 매칭되는 값, 의류의 종류에 매칭되는 값]으로 구성된 벡터를 추출할 수 있다. 예를 들어, 서버는, 복수의 의류 도안에 대한 제2 정보에 포함된, 의류의 부자재에 대한 정보 및 의류의 요척에 대한 정보를 [부자재의 종류에 매칭되는 값, 부자재의 요척에 매칭되는 값, 원단의 요척에 매칭되는 값]으로 벡터화할 수 있다. 예를 들어, 서버는 복수의 의류 도안에 대한 제1 정보 및 복수의 의류 도안에 대한 제2 정보에 대한 제2 데이터 전처리를 통해 [의류의 사이즈에 매칭되는 값, 의류의 RGB 값, 의류의 HSL 값, 의류의 원단에 매칭되는 값, 의류의 종류에 매칭되는 값, 부자재의 종류에 매칭되는 값, 부자재의 요척에 매칭되는 값, 원단의 요척에 매칭되는 값]로 구성된 제2 입력 벡터를 결정할 수 있다.
구체적으로, 예를 들어, 서버는 상술한 제2 입력 벡터를 상기 제2 뉴럴 네트워크(420)의 상기 제2 입력 레이어(421)에 입력시키고, 상기 하나 이상의 제2 히든 레이어(422) 및 제2 출력 레이어(423)를 통과하여 제2 출력 벡터로 출력시킬 수 있다. 예를 들어, 서버는 상기 제2 출력 벡터를 상기 제2 출력 레이어(423)에 연결된 제2 손실함수 레이어에 입력시키고, 상기 제2 손실함수 레이어를 통해 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력할 수 있다. 예를 들어, 서버는 상기 제2 뉴럴 네트워크(420)의 파라미터가 상기 제2 손실 값이 작아지는 방향으로 학습되는, 상기 주문 모델을 생성할 수 있다. 예를 들어, 제2 정답 벡터는 샘플을 제작하는 비용과 샘플을 제작하는 생산처로 구성된 벡터일 수 있다.
즉, 상기 주문 모델은 복수의 의류 도안에 대한 제1 정보 및 복수의 의류 도안에 대한 제2 정보를 기반으로 샘플을 제작하기 위한 최적의 비용과 샘플을 제작하기에 최적화된 생산처를 결정하도록 학습될 수 있다. 따라서, 서버는 복수의 의류 도안에 대한 제1 정보 및 복수의 의류 도안에 대한 제2 정보를 기반으로 상기 주문 모델을 통해 상기 의류의 샘플을 제작하기 위한 비용과 생산처를 결정하고, 서버는 의류에 대한 정보와 상기 의류의 샘플을 제작하기 위한 비용 및 생산처에 대한 정보를 포함하는 샘플 주문에 대한 정보를 결정할 수 있다. 예를 들어, 상기 의류에 대한 정보는 상기 의류 도안에 대한 제1 정보 및 상기 의류 도안에 대한 제2 정보를 기반으로 의류의 제2 도안 이미지, 의류의 종류, 스타일 넘버, 의류의 사이즈, 의류의 각 부분의 수치에 대한 정보, 의류의 원단에 대한 정보, 의류의 부자재에 대한 정보, 의류의 요척에 대한 정보 및 주의사항에 대한 정보를 포함하도록 결정될 수 있다. 여기서, 주의사항에 대한 정보는 사전 설정된 주의 사항에 대한 정보 중에서 상기 의류의 원단에 매칭되는 주의 사항에 대한 정보로 결정될 수 있다.
도 5는 일 실시예에 따른 서버가 샘플 주문에 대한 정보를 전송하는 방법을 나타내는 흐름도이다. 도 5의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 5를 참조하면, 단계 S501에서, 서버는 의류 도안에 대한 제1 정보를 포함하는 요청 메시지를 제1 단말로부터 수신할 수 있다. 예를 들어, 서버는 상기 제1 정보에 대한 리뷰 점수를 사전 설정된 리뷰 정보에 기반하여 결정할 수 있다. 예를 들어, 서버는 상술한 수학식 1에 의해 상기 제1 정보에 대한 리뷰 점수를 결정할 수 있다.
단계 S502에서, 서버는 상기 제1 정보에 대한 리뷰 점수가 사전 설정된 제1 점수 이상인지 여부를 결정할 수 있다.
단계 S503에서, 상기 제1 정보에 대한 리뷰 점수가 사전 설정된 제1 점수 이상인 경우, 서버는 상기 제1 정보를 기반으로 제1 뉴럴 네트워크를 이용한 보완 모델을 통해 의류 도안에 대한 제2 정보를 결정할 수 있다. 예를 들어, 서버는 상기 제1 정보를 기반으로 제1 뉴럴 네트워크를 이용한 보완 모델을 통해 의류의 제2 도안 이미지를 결정할 수 있고, 사전 설정된 복수의 의류 도안에 대한 제2 정보 중에서 상기 의류의 제2 도안 이미지가 포함된 의류 도안에 대한 제2 정보를 결정할 수 있다.
단계 S504에서, 상기 제1 정보에 대한 리뷰 점수가 사전 설정된 제1 점수 미만인 경우, 서버는 상기 요청 메시지에 대한 재전송을 요청하는 메시지를 상기 제1 단말에게 전송할 수 있다. 예를 들어, 재전송을 요청하는 메시지는 상기 의류 도안에 대한 제1 정보에 포함된 복수의 카테고리 중에서 데이터가 부족한 카테고리를 지시하는 정보를 포함할 수 있다. 예를 들어, 상기 데이터가 부족한 카테고리는 기준 텍스트의 개수보다 작은 개수를 가진 카테고리일 수 있다.
예를 들어, 서버는 상기 의류 도안에 대한 제1 정보, 상기 의류 도안에 대한 제2 정보 및 사전 설정된 복수의 의류 도안에 대한 정보를 기반으로 의류의 제1 도안 이미지에 대한 창의성 점수를 결정할 수 있다. 예를 들어, 서버는 상기 의류의 제1 도안 이미지, 상기 의류의 제2 도안 이미지 및 복수의 도안 이미지에 기반하여 제3 뉴럴 네트워크를 이용한 클러스터링(clustering) 기법을 통해 n개의 그룹을 결정할 수 있다.
예를 들어, 상기 창의성 점수는 하기 수학식 2에 의해 결정될 수 있다.
상기 수학식 2에서, 상기 cp는 상기 창의성 점수이고, 상기 nt는 상기 복수의 도안 이미지의 총 개수이고, 상기 nc는 상기 복수의 도안 이미지 중에서 상기 의류의 컬러가 사용된 의류의 도안 이미지의 개수이고, 상기 nf는 상기 복수의 도안 이미지 중에서 상기 의류의 원단이 사용된 의류의 도안 이미지의 개수이고, 상기 nd1은 상기 의류의 제1 도안 이미지가 포함된 그룹 내 도안 이미지의 개수이고, 상기 nd2는 상기 의류의 제2 도안 이미지가 포함된 그룹 내 도안 이미지의 개수일 수 있다. 예를 들어, 상기 의류의 원단이 복수인 경우, 상기 원단이 모두 사용된 의류의 도안 이미지일 수 있다.
예를 들어, 상기 의류의 컬러가 사용된 도안 이미지의 개수와 상기 의류의 원단이 사용된 도안 이미지의 개수가 많을수록 상기 창의성 점수가 낮아질 수 있다. 또한, 예를 들어, 상기 의류의 제1 도안 이미지가 포함된 그룹 내 도안 이미지의 개수와 상기 의류의 제2 도안 이미지가 포함된 그룹 내 도안 이미지의 개수가 많을수록 상기 창의성 점수가 낮아질 수 있다. 이때, 각 변수의 중요도에 따라 창의성 점수에 반영되는 비율이 상이할 수 있다. 따라서, 서버는 상기 창의성 점수를 통해 필터링된 의류 도안이 얼마나 유니크한 지를 파악할 수 있다.
단계 S505에서, 서버는 상기 창의성 점수가 사전 설정된 제2 점수 이상인지 여부를 결정할 수 있다. 예를 들어, 사전 설정된 제2 점수는 상기 의류의 종류에 따라 상이하게 설정될 수 있다. 예를 들어, 사전 설정된 제2 점수는 상기 복수의 도안 이미지의 개수에 따라 상이하게 설정될 수 있다. 즉, 상기 복수의 도안 이미지의 개수가 많을수록 사전 설정된 제2 점수가 높게 설정될 수 있다.
단계 S506에서, 상기 창의성 점수가 사전 설정된 제2 점수 이상인 것에 기반하여, 서버는 적어도 하나의 제2 단말에 대한 정보를 상기 제1 단말에게 전송할 수 있다. 예를 들어, 적어도 하나의 제2 단말은 적어도 하나의 의류의 제1 도안 이미지를 서버에게 전송한 단말일 수 있다. 예를 들어, 상기 적어도 하나의 의류는 상기 그룹 중에서 상기 의류의 종류와 상이한 종류를 가진 의류일 수 있다. 예를 들어, 적어도 하나의 제2 단말의 개수는 사전 설정된 개수일 수 있다.
부가적으로, 예를 들어, 서버는 상기 의류 도안에 대한 제1 정보, 상기 의류 도안에 대한 제2 정보를 기반으로 상기 의류에 대한 이미지를 결정할 수 있다. 예를 들어, 상기 창의성 점수가 사전 설정된 제2 점수 미만인 것에 기반하여, 서버는 상기 의류에 대한 이미지 및 복수의 의류 상품에 대한 이미지를 기반으로 제4 뉴럴 네트워크를 이용한 유사 이미지 추출 모델을 통해 상기 의류에 대한 이미지와 유사한 의류 상품에 대한 이미지를 결정할 수 있다. 예를 들어, 서버는 상기 의류에 대한 이미지 및 상기 유사한 의류 상품에 대한 이미지를 포함하는 평가 메시지를 복수의 제3 단말에게 전송할 수 있고, 상기 복수의 제3 단말로부터 상기 의류에 대한 이미지 및 상기 유사한 의류 상품에 대한 이미지 각각에 대한 평점을 포함하는 평점 메시지를 수신할 수 있다. 여기서, 평점은 0부터 10 사이의 값일 수 있다.
예를 들어, 제4 뉴럴 네트워크는 제4 입력 레이어, 하나 이상의 제4 히든 레이어 및 제4 출력 레이어를 포함할 수 있다. 예를 들어, 복수의 의류에 대한 이미지 및 복수의 의류 상품에 대한 이미지 및 정답 의류 상품에 대한 이미지지로 구성된 각각의 학습 데이터는 상기 제4 뉴럴 네트워크의 상기 제4 입력 레이어에 입력되고, 상기 하나 이상의 제4 히든 레이어 및 제4 출력 레이어를 통과하여 제4 출력 벡터를 출력하고, 상기 제4 출력 벡터는 상기 제4 출력 레이어에 연결된 제4 손실함수 레이어에 입력되고, 상기 제4 손실함수 레이어는 상기 제4 출력 벡터와 각각의 학습 데이터에 대한 제4 정답 벡터를 비교하는 제4 손실 함수를 이용하여 제4 손실값을 출력하고, 상기 제4 뉴럴 네트워크의 파라미터가 상기 제4 손실값이 작아지는 방향으로 학습되는, 유사 이미지 추출 모델이 생성될 수 있다.
예를 들어, 사전 설정된 의류 상품에 대한 정보는 서버에 의한 웹 크롤링을 통해 상기 의류의 종류와 관련된 웹 사이트들을 기반으로 획득될 수 있다. 예를 들어, 사전 설정된 의류 상품에 대한 정보는 상기 의류의 종류와 동일한 복수의 의류 상품에 대한 이미지 및 상기 복수의 의류 상품에 대한 정보를 포함할 수 있다. 예를 들어, 상기 복수의 의류 상품에 대한 정보는 의류의 종류에 대한 정보, 의류의 컬러에 대한 정보, 의류의 사이즈에 대한 정보 및 의류의 원단에 대한 정보를 포함할 수 있다.
예를 들어, 모방성 점수는 하기 수학식 3에 의해 결정될 수 있다.
상기 수학식 3에 있어서, 상기 ip는 상기 모방성 점수이고, 상기 n은 상기 복수의 제3 단말의 개수이고, 상기 pi는 i번째 제3 단말의 상기 의류에 대한 이미지에 대한 평점이고, 상기 qi는 i번째 제3 단말의 상기 유사한 의류 상품에 대한 이미지에 대한 평점이고, 상기 fi는 상기 의류에 사용된 주된 원단에 매칭되는 값이고, 상기 fm은 상기 의류 상품에 사용된 주된 원단에 매칭되는 값이고, 상기 yi는 상기 의류에 사용된 주된 원단의 비율이고, 상기 ym은 상기 의류 상품에 사용된 주된 원단의 비율일 수 있다. 예를 들어, 주된 원단은 가장 많은 비율을 가지는 원단일 수 있다. 예를 들어, 상이한 원단 두개가 5:5의 비율로 구성된 의류 또는 의류 상품의 경우, 랜덤하게 하나의 원단이 주된 원단으로 결정될 수 있다. 예를 들어, 원단의 특성에 따라 분류된 그룹이 서버에 사전 설정될 수 있다. 예를 들어, 원단의 특성에 따라 분류된 그룹 내 원단들에 대해 매칭되는 값들의 차이는 사전 설정된 값 이하일 수 있다. 예를 들어, 상이한 그룹에 포함된 원단들에 대해 매칭되는 값들의 차이는 사전 전 설정된 값보다 클 수 있다.
즉, 의류에 대한 이미지와 의류 상품에 대한 이미지의 평점의 차이가 작을수록 상기 의류와 상기 의류 상품이 유사할 가능성이 높을 수 있고, 의류 도안에 사용된 원단과 의류 상품에 대한 원단이 유사하고, 원단의 비율에 대한 차이가 작을수록 상기 의류와 상기 의류 상품이 유사할 가능성이 높을 수 있다.
이로 인해, 서버는 상기 의류와 상기 의류 상품이 유사한지 여부를 판단할 수 있고, 나아가, 이미지만으로 확인이 어려운 원단을 추가적인 변수로 고려하여 보다 정확하게 유사성을 결정할 수 있다. 즉, 서버는 의류 도안에 대한 모방성을 현재 판매 중인 상품들과 비교하여 미리 판단하고, 모방성이 높은 의류 도안의 작성자에게 사전에 경고할 수 있다.
단계 S507에서, 상기 창의성 점수가 사전 설정된 제2 점수 미만인 것에 기반하여, 서버는 상기 모방성 점수가 사전 설정된 제3 점수 이상인지 여부를 결정할 수 있다. 예를 들어, 사전 설정된 제3 점수는 상기 의류의 종류에 따라 상이하게 설정될 수 있다. 예를 들어, 사전 설정된 제3 점수는 상기 복수의 의류 상품에 대한 이미지의 개수에 따라 상이하게 설정될 수 있다. 즉, 상기 복수의 의류 상품에 대한 이미지의 개수가 많을수록 사전 설정된 제3 점수가 높게 설정될 수 있다.
단계 S508에서, 상기 모방성 점수가 사전 설정된 제3 점수 이상인 것에 기반하여, 서버는 경고 메시지를 상기 제1 단말에게 전송할 수 있다. 예를 들어, 상기 경고 메시지는 상기 의류 상품에 대한 이미지를 포함할 수 있다.
단계 S509에서, 서버는 상기 의류 도안에 대한 제1 정보 및 상기 의류 도안에 제2 정보를 기반으로 제2 뉴럴 네트워크를 이용한 주문 모델을 통해 샘플 주문에 대한 정보를 결정할 수 있고, 상기 샘플 주문에 대한 정보를 포함하는 주문 메시지를 샘플 제작과 관련된 서버에게 전송할 수 있다.
도 6은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다. 도 6의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 6에 도시된 바와 같이, 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630)를 포함할 수 있다. 그러나, 도 6에 도시된 구성 요소 모두가 서버(600)의 필수 구성 요소인 것은 아니다. 도 6에 도시된 구성 요소보다 많은 구성 요소에 의해 서버(600)가 구현될 수도 있고, 도 6에 도시된 구성 요소보다 적은 구성 요소에 의해 서버(600)가 구현될 수도 있다. 예를 들어, 일부 실시예에 따른 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630) 이외에 사용자 입력 인터페이스(미도시), 출력부(미도시) 등을 더 포함할 수도 있다.
프로세서(610)는, 통상적으로 서버(600)의 전반적인 동작을 제어한다. 프로세서(610)는 하나 이상의 프로세서를 구비하여, 서버(600)에 포함된 다른 구성 요소들을 제어할 수 있다. 예를 들어, 프로세서(610)는, 메모리(630)에 저장된 프로그램들을 실행함으로써, 통신부(620) 및 메모리(630) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(610)는 메모리(630)에 저장된 프로그램들을 실행함으로써, 도 3 내지 도 5에 기재된 서버(600)의 기능을 수행할 수 있다.
일 실시예에 따라, 프로세서(610)는 통신부(620)를 통해 의류 도안에 대한 제1 정보를 포함하는 요청 메시지를 제1 단말로부터 수신할 수 있다. 예를 들어, 상기 의류 도안에 대한 제1 정보는 브랜드의 명칭, 의류의 제1 도안 이미지, 의류에 대한 기본 정보 및 샘플 주문을 위한 기본 정보를 포함할 수 있다.
프로세서(610)는 메모리(630)를 통해 상기 의류 도안에 대한 제1 정보를 기반으로 제1 뉴럴 네트워크를 이용한 보완 모델을 통해 의류 도안에 대한 제2 정보를 결정할 수 있다. 예를 들어, 상기 의류 도안에 대한 제2 정보는 의류의 제2 도안 이미지, 의류의 각 부분에 대한 수치 정보 및 컬러 정보, 의류의 부자재에 대한 정보, 의류의 요척에 대한 정보 및 스타일 넘버를 포함할 수 있다.
프로세서(610)는 메모리(630)를 통해 상기 의류 도안에 대한 제1 정보 및 상기 의류 도안에 제2 정보를 기반으로 제2 뉴럴 네트워크를 이용한 주문 모델을 통해 샘플 주문에 대한 정보를 결정할 수 있다.
프로세서(610)는 통신부(620)를 통해 상기 샘플 주문에 대한 정보를 포함하는 주문 메시지를 샘플 제작과 관련된 서버에게 전송할 수 있다. 프로세서(610)는 통신부(620)를 통해 상기 샘플 주문에 대한 정보를 포함하는 주문 완료 메시지를 상기 제1 단말에게 전송할 수 있다.
프로세서(610)는 메모리(630)를 통해 사전 설정된 리뷰 정보에 기반하여 상기 의류 도안에 대한 제1 정보에 대한 리뷰 점수가 결정할 수 있다. 예를 들어, 프로세서(610)는 메모리(630)를 통해 상기 의류 도안에 대한 제1 정보에 대한 리뷰 점수가 사전 설정된 제1 점수 이상인 것에 기반하여 상기 의류 도안에 대한 제2 정보를 결정할 수 있다. 프로세서(610)는 메모리(630)를 통해 상기 의류 도안에 대한 제1 정보에 대한 리뷰 점수를 상술한 수학식 1에 의해 결정할 수 있다.
일 실시예에 따라, 프로세서(610)는 메모리(630)를 통해 상기 의류 도안에 대한 제1 정보, 상기 의류 도안에 대한 제2 정보 및 사전 설정된 복수의 의류 도안에 대한 정보를 기반으로 상기 의류의 제1 도안 이미지에 대한 창의성 점수를 결정할 수 있다. 프로세서(610)는 메모리(630)를 통해 상기 창의성 점수는 상술한 수학식 2에 의해 결정할 수 있다. 프로세서(610)는 메모리(630)를 통해 상기 의류의 제1 도안 이미지, 상기 의류의 제2 도안 이미지 및 복수의 그룹에 대한 정보에 기반하여 상기 의류가 포함된 그룹을 결정할 수 있다. 프로세서(610)는 메모리(630)를 통해, 상기 창의성 점수가 사전 설정된 제2 점수 이상인 것에 기반하여, 적어도 하나의 의류의 제1 도안 이미지를 전송한 적어도 하나의 제2 단말을 결정할 수 있다. 예를 들어, 상기 적어도 하나의 의류는 상기 그룹 중에서 상기 의류의 종류와 상이한 종류를 가진 의류일 수 있다. 프로세서(610)는 통신부(620)를 통해 상기 적어도 하나의 제2 단말에 대한 정보를 상기 제1 단말에게 전송할 수 있다. 예를 들어, 프로세서(610)는 메모리(630)를 통해 상기 복수의 그룹을 복수의 도안 이미지에 기반하여 제3 뉴럴 네트워크를 이용한 그룹핑 모델을 통해 결정할 수 있다. 예를 들어, 사전 설정된 복수의 의류 도안에 대한 정보는 상기 복수의 도안 이미지 및 상기 복수의 도안 이미지와 관련된 정보를 포함할 수 있다.
일 실시예에 따라, 프로세서(610)는 통신부(620)를 통해 주문 완료 메시지에 대한 확인 메시지를 상기 제1 단말로부터 수신할 수 있다. 프로세서(610)는 통신부(620)를 통해 상기 확인 메시지를 상기 제1 단말로부터 수신한 것에 기반하여, 샘플 제작에 대한 진행 메시지를 상기 샘플과 관련된 서버에 전송할 수 있다. 예를 들어, 상기 주문 완료 메시지는 상기 의류 도안에 대한 제1 정보 및 상기 의류 도안에 제2 정보를 기반으로 생성된 가상 캐릭터가 상기 의류를 착용한 이미지를 포함할 수 있다.
예를 들어, 상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다.
프로세서(610)는 메모리(630)를 통해 복수의 의류 도안에 대한 제1 정보 및 복수의 정답 의류 도안에 대한 제2 정보로 구성된 각각의 학습 데이터를 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력시켜 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터로 출력시킬 수 있다. 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실 값이 작아지는 방향으로 학습되는, 상기 보완 모델이 생성될 수 있다.
예를 들어, 상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다.
프로세서(610)는 메모리(630)를 통해 복수의 의류 도안에 대한 제1 정보, 복수의 의류 도안에 대한 제2 정보 및 정답 샘플 주문에 대한 정보로 구성된 각각의 학습 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력시켜 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터로 출력시킬 수 있다. 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실 값이 작아지는 방향으로 학습되는, 상기 주문 모델이 생성될 수 있다.
통신부(620)는, 서버(600)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 서버(1000)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 통신부(620)는 네트워크를 통해, 다른 전자 장치로부터의 사용자 입력을 수신하거나, 외부 장치로부터 외부 장치에 저장된 데이터를 수신할 수 있다.
예를 들어, 통신부(620)는 적어도 하나의 장치와 연결을 확립하기 위한 메시지를 송수신할 수 있다. 통신부(620)는 프로세서(610)에서 생성된 정보를 서버와 연결된 적어도 하나의 장치에게 전송할 수 있다. 통신부(620)는 서버와 연결된 적어도 하나의 장치로부터 정보를 수신할 수 있다. 통신부(620)는 적어도 하나의 장치로부터 수신한 정보에 대응하여, 수신한 정보와 관련된 정보를 전송할 수 있다.
메모리(630)는, 프로세서(610)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. 예를 들어, 메모리(630)는 서버에 입력된 정보 또는 네트워크를 통해 다른 장치로부터 수신된 정보를 저장할 수 있다. 또한, 메모리(630)는 프로세서(610)에서 생성된 데이터를 저장할 수 있다. 메모리(630)는 서버(600)로 입력되거나 서버(600)로부터 출력되는 정보를 저장할 수도 있다.
메모리(630)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (5)
- 뉴럴 네트워크(neural network)를 이용하여 서버가 의류 도안에 대한 정보에 기반하여 샘플 주문에 대한 정보를 전송하는 방법에 있어서,
의류 도안에 대한 제1 정보를 포함하는 요청 메시지를 제1 단말로부터 수신하는 단계;
상기 의류 도안에 대한 제1 정보는 브랜드의 명칭, 의류의 제1 도안 이미지, 의류에 대한 기본 정보 및 샘플 주문을 위한 기본 정보를 포함하고,
상기 의류 도안에 대한 제1 정보를 기반으로 제1 뉴럴 네트워크를 이용한 보완 모델을 통해 의류 도안에 대한 제2 정보를 결정하는 단계;
상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함하고,
복수의 의류 도안에 대한 제1 정보를 기반으로 데이터 전처리를 통해 복수의 픽셀 값에 대한 변화량과 의류의 사이즈에 매칭되는 값, 의류의 RGB(red, green, blue) 값, 의류의 HSL(hue, saturation, lightness) 값, 의류의 원단에 매칭되는 값, 의류의 종류에 매칭되는 값으로 구성된 제1 입력 벡터가 결정되고,
상기 제1 입력 벡터 및 복수의 정답 의류 도안에 대한 제2 정보로 구성된 각각의 학습 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되어 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터로 출력되고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실 값이 작아지는 방향으로 학습되는, 상기 보완 모델이 생성되고,
상기 의류 도안에 대한 제2 정보는 의류의 제2 도안 이미지, 의류의 각 부분에 대한 수치 정보 및 컬러 정보, 의류의 부자재에 대한 정보, 의류의 요척에 대한 정보 및 스타일 넘버를 포함하고,
상기 의류 도안에 대한 제1 정보 및 상기 의류 도안에 제2 정보를 기반으로 제2 뉴럴 네트워크를 이용한 주문 모델을 통해 샘플 주문에 대한 정보를 결정하는 단계;
상기 샘플 주문에 대한 정보를 포함하는 주문 메시지를 샘플 제작과 관련된 서버에게 전송하는 단계; 및
상기 샘플 주문에 대한 정보를 포함하는 주문 완료 메시지를 상기 제1 단말에게 전송하는 단계를 포함하되,
사전 설정된 리뷰 정보에 기반하여 상기 의류 도안에 대한 제1 정보에 대한 리뷰 점수가 결정되고,
상기 의류 도안에 대한 제1 정보에 대한 리뷰 점수는, 상기 의류 도안에 대한 제1 정보에 포함된 텍스트의 총 개수, 상기 의류 도안에 대한 제1 정보에 포함된 총 카테고리의 개수, 상기 의류 도안에 대한 제1 정보 중에서 작성된 카테고리의 개수, 상기 의류의 제1 도안 이미지에 포함된 선의 총 길이에 기반하여 결정되고,
상기 의류 도안에 대한 제1 정보에 대한 리뷰 점수가 사전 설정된 제1 점수 이상인 것에 기반하여 상기 의류 도안에 대한 제2 정보가 결정되는,
방법.
- 제 1항에 있어서,
상기 의류 도안에 대한 제1 정보에 대한 리뷰 점수는 하기 수학식에 의해 결정되고,
상기 수학식에서, 상기 rp는 상기 리뷰 점수이고, 상기 n1은 상기 의류 도안에 대한 제1 정보에 포함된 텍스트의 총 개수이고, 상기 nr는 상기 의류의 종류에 따른 텍스트의 기준 개수이고, 상기 nc는 상기 의류 도안에 대한 제1 정보에 포함된 총 카테고리의 개수이고, 상기 nw는 상기 의류 도안에 대한 제1 정보 중에서 작성된 카테고리의 개수이고, 상기 l1은 상기 의류의 제1 도안 이미지에 포함된 선의 총 길이이고, 상기 lr은 상기 의류의 종류 및 상기 의류의 제1 도안 이미지의 크기에 따른 기준 길이이고, 상기 it는 상기 총 카테고리 중에서 중요 카테고리의 개수이고, 상기 iw는 상기 의류의 제1 도안에 대한 정보 중에서 작성된 중요 카테고리의 개수인,
방법.
- 제 1항에 있어서,
상기 의류 도안에 대한 제1 정보, 상기 의류 도안에 대한 제2 정보 및 사전 설정된 복수의 의류 도안에 대한 정보를 기반으로 상기 의류의 제1 도안 이미지에 대한 창의성 점수를 결정하는 단계;
상기 의류의 제1 도안 이미지, 상기 의류의 제2 도안 이미지 및 복수의 그룹에 대한 정보에 기반하여 상기 의류가 포함된 그룹을 결정하는 단계; 및
상기 창의성 점수가 사전 설정된 제2 점수 이상인 것에 기반하여, 적어도 하나의 의류의 제1 도안 이미지를 전송한 적어도 하나의 제2 단말을 결정하는 단계;
상기 적어도 하나의 의류는 상기 그룹 중에서 상기 의류의 종류와 상이한 종류를 가진 의류이고,
상기 적어도 하나의 제2 단말에 대한 정보를 상기 제1 단말에게 전송하는 단계를 더 포함하되,
상기 복수의 그룹은 복수의 도안 이미지에 기반하여 제3 뉴럴 네트워크를 이용한 그룹핑 모델을 통해 결정되고,
상기 사전 설정된 복수의 의류 도안에 대한 정보는 상기 복수의 도안 이미지 및 상기 복수의 도안 이미지와 관련된 정보를 포함하는,
방법.
- 제 1항에 있어서,
상기 주문 완료 메시지에 대한 확인 메시지를 상기 제1 단말로부터 수신하는 단계; 및
상기 확인 메시지를 상기 제1 단말로부터 수신한 것에 기반하여, 샘플 제작에 대한 진행 메시지를 상기 샘플과 관련된 서버에 전송하는 단계를 더 포함하되,
상기 주문 완료 메시지는 상기 의류 도안에 대한 제1 정보 및 상기 의류 도안에 제2 정보를 기반으로 생성된 가상 캐릭터가 상기 의류를 착용한 이미지를 포함하는,
방법.
- 제 1항에 있어서,
상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함하고,
복수의 의류 도안에 대한 제1 정보, 복수의 의류 도안에 대한 제2 정보 및 정답 샘플 주문에 대한 정보로 구성된 각각의 학습 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되어 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터로 출력되고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실 값이 작아지는 방향으로 학습되는, 상기 주문 모델이 생성되는,
방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220084505A KR102457277B1 (ko) | 2022-07-08 | 2022-07-08 | 뉴럴 네트워크를 이용하여 서버가 의류 도안에 대한 정보에 기반하여 샘플 주문에 대한 정보를 전송하는 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220084505A KR102457277B1 (ko) | 2022-07-08 | 2022-07-08 | 뉴럴 네트워크를 이용하여 서버가 의류 도안에 대한 정보에 기반하여 샘플 주문에 대한 정보를 전송하는 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102457277B1 true KR102457277B1 (ko) | 2022-10-21 |
Family
ID=83805380
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220084505A KR102457277B1 (ko) | 2022-07-08 | 2022-07-08 | 뉴럴 네트워크를 이용하여 서버가 의류 도안에 대한 정보에 기반하여 샘플 주문에 대한 정보를 전송하는 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102457277B1 (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102504950B1 (ko) | 2022-11-03 | 2023-03-03 | 이제민 | 뉴럴 네트워크를 이용하여 예측된 상품 판매량을 사용자 단말에게 제공하는 방법 및 장치 |
| KR102536674B1 (ko) * | 2022-12-23 | 2023-05-26 | 주식회사 트렌드헌터 | 뉴럴 네트워크를 이용하여 도매 상품에 대한 추천 리스트를 셀러 단말에게 제공하는 방법 및 장치 |
| KR102626945B1 (ko) * | 2023-07-05 | 2024-01-18 | 주식회사 니그나스 | 인공지능 모델 기반 3d 의류 데이터 변환 방법 및 장치 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190061629A (ko) * | 2017-11-28 | 2019-06-05 | 지정배 | 일반인이 직접 참여하는 디자인 제품 판매 서비스 방법 |
| JP2020512628A (ja) * | 2017-03-07 | 2020-04-23 | オリジナル, インコーポレイテッドOriginal, Inc. | カスタマイズされた衣服及び衣装デザインを生成する方法及びシステム |
| KR20200065547A (ko) * | 2018-11-30 | 2020-06-09 | 이자영 | 의류 주문 제작 시스템 및 방법 |
| KR102408462B1 (ko) * | 2021-10-05 | 2022-06-14 | 임동욱 | 뉴럴 네트워크를 이용한 의상 추천 방법 및 장치 |
| KR102417157B1 (ko) * | 2021-08-18 | 2022-07-06 | 주식회사 루츠코퍼레이션 | 의류 상품을 판매하고 디자인하기 위한 전자 장치 및 그 동작 방법 |
-
2022
- 2022-07-08 KR KR1020220084505A patent/KR102457277B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020512628A (ja) * | 2017-03-07 | 2020-04-23 | オリジナル, インコーポレイテッドOriginal, Inc. | カスタマイズされた衣服及び衣装デザインを生成する方法及びシステム |
| KR20190061629A (ko) * | 2017-11-28 | 2019-06-05 | 지정배 | 일반인이 직접 참여하는 디자인 제품 판매 서비스 방법 |
| KR20200065547A (ko) * | 2018-11-30 | 2020-06-09 | 이자영 | 의류 주문 제작 시스템 및 방법 |
| KR102417157B1 (ko) * | 2021-08-18 | 2022-07-06 | 주식회사 루츠코퍼레이션 | 의류 상품을 판매하고 디자인하기 위한 전자 장치 및 그 동작 방법 |
| KR102408462B1 (ko) * | 2021-10-05 | 2022-06-14 | 임동욱 | 뉴럴 네트워크를 이용한 의상 추천 방법 및 장치 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102504950B1 (ko) | 2022-11-03 | 2023-03-03 | 이제민 | 뉴럴 네트워크를 이용하여 예측된 상품 판매량을 사용자 단말에게 제공하는 방법 및 장치 |
| KR102536674B1 (ko) * | 2022-12-23 | 2023-05-26 | 주식회사 트렌드헌터 | 뉴럴 네트워크를 이용하여 도매 상품에 대한 추천 리스트를 셀러 단말에게 제공하는 방법 및 장치 |
| KR102626945B1 (ko) * | 2023-07-05 | 2024-01-18 | 주식회사 니그나스 | 인공지능 모델 기반 3d 의류 데이터 변환 방법 및 장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102457277B1 (ko) | 뉴럴 네트워크를 이용하여 서버가 의류 도안에 대한 정보에 기반하여 샘플 주문에 대한 정보를 전송하는 방법 및 장치 | |
| KR102582594B1 (ko) | 뉴럴 네트워크를 이용한 의상 추천 방법 및 장치 | |
| KR102553152B1 (ko) | 뉴럴 네트워크를 이용하여 사용자 단말에게 추천 액세서리에 대한 정보를 전송하는 방법 및 장치 | |
| KR102375587B1 (ko) | 헤어 이미지 추천 및 합성 방법 및 장치 | |
| KR102387408B1 (ko) | 인공지능을 이용한 인테리어 시뮬레이션 시스템 | |
| KR102576380B1 (ko) | 뉴럴 네트워크를 이용하여 rMQR 코드에 날짜가 중첩되어 표기된 상품을 관리하는 방법 및 시스템 | |
| KR102433654B1 (ko) | 뉴럴 네트워크를 이용하여 서버가 색상 이미지에 기반한 심리 상태와 관련된 정보를 단말에게 제공하는 방법 및 장치 | |
| KR102474122B1 (ko) | 사용자의 유형 및 사용자와 관련된 정보를 기초로 증강현실을 이용하여 상품을 추천하는 방법 및 장치 | |
| KR102452577B1 (ko) | 뉴럴 네트워크를 이용하여 서버가 웹툰에 대한 시각화 정보를 제공하는 방법 및 장치 | |
| KR102476292B1 (ko) | 인공지능을 이용하여 차량의 페달 박스 촬영 영상 데이터를 가공하는 블랙박스 관리 시스템 | |
| KR102622114B1 (ko) | 뉴럴 네트워크를 이용하여 사용자 단말에게 상품에 대한 추천 정보를 전송하는 방법 및 장치 | |
| KR102493412B1 (ko) | 의류 및 사이즈 추천 방법 및 그 방법을 수행하기 위한 서버 | |
| KR102591113B1 (ko) | 바이너리 트리 기반의 컨벌루션 신경망을 활용한 의류 이미지 검색 기능을 가진 맞춤형 인터페이스를 제공하는 방법 및 장치 | |
| KR102564511B1 (ko) | 사용자 커스터마이징 기반의 메뉴판 인터페이스 제공 장치 및 방법 | |
| KR102563097B1 (ko) | 뉴럴 네트워크를 이용하는 뷰티 서비스를 위한 온라인 결제 시스템 | |
| KR102456402B1 (ko) | 뉴럴 네트워크를 이용한 디자인 공동 작업 보조 방법 및 장치 | |
| KR102478964B1 (ko) | 복수의 뉴럴 네트워크를 이용하여 소프트웨어 아키텍쳐와 관련된 정보를 기반으로 결정된 소프트웨어 아키텍쳐에 대한 구성도를 서버가 사용자 단말에게 전송하는 방법 및 장치 | |
| KR102575856B1 (ko) | 입력 수단의 호환 방법 및 장치 | |
| KR20230021041A (ko) | 의류 및 사이즈 추천 방법 및 그 방법을 수행하기 위한 서버 | |
| KR102465106B1 (ko) | 뉴럴 네트워크를 이용한 주식 종목 분석 방법 및 장치 | |
| KR102562282B1 (ko) | 성향 기반 매칭 방법 및 장치 | |
| KR102583984B1 (ko) | 사용자 건강상태 기반의 식단 추천서비스 제공 장치 및 방법 | |
| KR102486525B1 (ko) | 뉴럴 네트워크를 이용한 nft 발행 방법 및 장치 | |
| KR102481347B1 (ko) | 뉴럴 네트워크를 이용하여 서버가 예측 판매량에 따라 hmr 식품의 주문량을 결정하는 방법 및 장치 | |
| KR102517884B1 (ko) | 온라인 결제 서버 및 그 방법, 그리고 온라인 결제 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |