KR102467890B1 - 뉴럴 네트워크를 이용하여 서버가 도면과 관련된 물품에 대한 정보를 제공하는 방법 및 장치 - Google Patents

뉴럴 네트워크를 이용하여 서버가 도면과 관련된 물품에 대한 정보를 제공하는 방법 및 장치 Download PDF

Info

Publication number
KR102467890B1
KR102467890B1 KR1020220074720A KR20220074720A KR102467890B1 KR 102467890 B1 KR102467890 B1 KR 102467890B1 KR 1020220074720 A KR1020220074720 A KR 1020220074720A KR 20220074720 A KR20220074720 A KR 20220074720A KR 102467890 B1 KR102467890 B1 KR 102467890B1
Authority
KR
South Korea
Prior art keywords
information
terminal
server
article
neural network
Prior art date
Application number
KR1020220074720A
Other languages
English (en)
Inventor
김성희
Original Assignee
주식회사 노트디자인
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 노트디자인 filed Critical 주식회사 노트디자인
Priority to KR1020220074720A priority Critical patent/KR102467890B1/ko
Application granted granted Critical
Publication of KR102467890B1 publication Critical patent/KR102467890B1/ko

Links

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]
    • G06Q30/0631—Item recommendations
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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]
    • G06Q30/0641—Shopping interfaces
    • G06Q30/0643—Graphical representation of items or shoppers
    • 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

Abstract

실시예들은 서버가 뉴럴 네트워크(neural network)를 이용하여 서버가 도면과 관련된 물품에 대한 정보를 제1 단말에게 제공하는 방법 및 장치를 제시한다. 일 실시예에 따른 상기 방법은, 상기 제1 단말로부터 도면의 원본 이미지를 수신하고, 상기 도면의 원본 이미지에 기반하여 제1 뉴럴 네트워크를 이용한 분류 모델을 통해 도면과 관련된 공간의 용도 및 도면에 대한 복수의 영역을 결정하고, 상기 도면과 관련된 공간의 용도, 상기 도면에 대한 복수의 영역에 관한 정보, 상기 도면의 원본 이미지, 사전 설정된 제1 물품 정보 및 사전 설정된 제2 물품 정보에 기반하여 제2 뉴럴 네트워크를 이용한 물품 추천 모델을 통해 상기 복수의 영역과 관련된 제1 물품에 대한 정보 및 상기 복수의 영역과 관련된 제2 물품에 대한 정보를 결정하고, 상기 도면에 대한 복수의 영역이 표시된 도면 이미지를 상기 제1 단말에게 전송하고, 상기 도면에 대한 복수의 영역 중 적어도 하나의 영역에 대한 입력 값을 상기 제1 단말로부터 수신하는 것에 기반하여, 상기 적어도 하나의 영역과 관련된 제1 물품에 대한 정보 및 제2 물품에 대한 정보를 전송하고, 상기 제1 물품에 대한 정보에 기반하여 상기 제1 단말로부터 상기 제1 물품에 대한 세트가 포함된 제1 선택 정보를 수신하는 것에 기반하여, 상기 제1 물품에 대한 세트가 조합된 이미지를 전송하고, 상기 제2 물품에 대한 정보에 기반하여 상기 제1 단말로부터 적어도 하나의 제2 물품이 포함된 제2 선택 정보를 수신하는 것에 기반하여, 상기 적어도 하나의 제2 물품에 대한 위치 정보를 전송하는 단계를 포함할 수 있다. 예를 들어. 상기 위치 정보에 기반하여 상기 도면 이미지 상에서 상기 적어도 하나의 제2 물품에 대한 이미지가 최적화된 위치에 디스플레이될 수 있다. 예를 들어, 상기 제1 단말의 입력에 따라 상기 도면 이미지 상에서 상기 적어도 하나의 제2 물품에 대한 이미지가 상기 최적화된 위치에서 다른 위치로 변경될 수 있다.

Description

뉴럴 네트워크를 이용하여 서버가 도면과 관련된 물품에 대한 정보를 제공하는 방법 및 장치{METHOD AND APPARATUS FOR PROVIDING INFORMATION ABOUT ITEMS RELATED TO A DRAWING USING A NEURAL NETWORK BY A SEVER}
본 개시의 실시예들은 도면과 관련된 물품에 대한 정보를 제공하는 기술에 관한 것으로, 뉴럴 네트워크를 이용하여 서버가 도면과 관련된 물품에 대한 정보를 제공하는 기술에 대한 것이다.
일반적으로 입주자는 건물에 입주하기 이전에, 입주할 공간을 미리 파악하고 필요한 물품들을 사전에 결정한다. 이때, 입주자가 벽지, 바닥재 또는 타일과 같이 해당 공간의 면적에 따라 구매량이 상이한 물품을 구매하는 경우, 입주자가 직접 해당 공간에 대해 실제 필요한 물품의 양을 측정하기 어려울 수 있다.
또한, 입주자가 가구나 카펫과 같이 해당 공간의 크기에 맞추어 구매해야 하는 물품의 경우에도, 입주자가 직접 해당 공간을 실측한 후 물품을 구매해야 하는 번거로움이 있을 수 있다. 따라서, 도면에 대한 정보를 기초로 해당 공간의 면적에 따라 구매량이 상이한 물품이나 해당 공간의 크기에 따라 구매해야 하는 물품을 해당 공간에 맞추어 입주자에게 제공해줄 필요가 있다.
한편, 벽지와 바닥재의 경우에는 시공이 완료된 이후 바로 벽지와 바닥재를 변경하기가 어려우며, 가구의 경우에는 공간의 형태에 따라 배치가 달라지므로, 입주자는 벽지와 바닥재가 조합된 예상 이미지와 가구의 배치를 미리 확인할 필요가 있을 수 있다.
이에, 입주자가 입주할 공간과 관련된 도면을 제공하면, 뉴럴 네트워크를 통해 상기 도면을 통해 예측되는 공간의 면적 및 크기에 따라 도면과 관련된 물품 리스트를 제공하는 방법이 필요할 수 있다.
본 개시의 실시예들은, 뉴럴 네트워크를 이용하여 서버가 도면과 관련된 물품에 대한 정보를 제공하는 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 도면과 관련된 물품에 대한 정보를 제1 단말에게 제공하는 방법은, 상기 제1 단말로부터 도면의 원본 이미지를 수신하고, 상기 도면의 원본 이미지에 기반하여 제1 뉴럴 네트워크를 이용한 분류 모델을 통해 도면과 관련된 공간의 용도 및 도면에 대한 복수의 영역을 결정하고, 상기 도면과 관련된 공간의 용도, 상기 도면에 대한 복수의 영역에 관한 정보, 상기 도면의 원본 이미지, 사전 설정된 제1 물품 정보 및 사전 설정된 제2 물품 정보에 기반하여 제2 뉴럴 네트워크를 이용한 물품 추천 모델을 통해 상기 복수의 영역과 관련된 제1 물품에 대한 정보 및 상기 복수의 영역과 관련된 제2 물품에 대한 정보를 결정하고, 상기 도면에 대한 복수의 영역이 표시된 도면 이미지를 상기 제1 단말에게 전송하고, 상기 도면에 대한 복수의 영역 중 적어도 하나의 영역에 대한 입력 값을 상기 제1 단말로부터 수신하는 것에 기반하여, 상기 적어도 하나의 영역과 관련된 제1 물품에 대한 정보 및 제2 물품에 대한 정보를 전송하고, 상기 제1 물품에 대한 정보에 기반하여 상기 제1 단말로부터 상기 제1 물품에 대한 세트가 포함된 제1 선택 정보를 수신하는 것에 기반하여, 상기 제1 물품에 대한 세트가 조합된 이미지를 전송하고, 상기 제2 물품에 대한 정보에 기반하여 상기 제1 단말로부터 적어도 하나의 제2 물품이 포함된 제2 선택 정보를 수신하는 것에 기반하여, 상기 적어도 하나의 제2 물품에 대한 위치 정보를 전송하는 단계를 포함할 수 있다. 예를 들어. 상기 위치 정보에 기반하여 상기 도면 이미지 상에서 상기 적어도 하나의 제2 물품에 대한 이미지가 최적화된 위치에 디스플레이될 수 있다. 예를 들어, 상기 제1 단말의 입력에 따라 상기 도면 이미지 상에서 상기 적어도 하나의 제2 물품에 대한 이미지가 상기 최적화된 위치에서 다른 위치로 변경될 수 있다.
일 실시예에 따라, 상기 도면에 대한 복수의 영역에 관한 정보는 상기 복수의 영역 각각에 대한 제1 면적 정보와 제2 면적 정보를 포함할 수 있다. 예를 들어, 상기 도면의 원본 이미지에 기반하여 상기 도면의 척도에 대한 정보가 결정될 수 있다. 예를 들어, 상기 적어도 하나의 제2 물품에 대한 이미지는 상기 도면의 척도에 대한 정보 및 상기 적어도 하나의 영역과 관련된 제2 물품에 대한 정보에 기반하여 상기 도면 이미지 상에 디스플레이될 수 있다.
일 실시예에 따라, 서버는 상기 제1 단말이 상기 서버와 연결된 시간이 사전 설정된 시간 이상인 것에 기반하여, 복수의 제2 물품을 배치한 복수의 후보 도면 이미지를 상기 제1 단말에게 전송할 수 있다.
예를 들어, 상기 사전 설정된 시간은 하기 수학식에 의해 설정될 수 있다.
Figure 112022063981173-pat00001
상기 수학식에서, 상기 t는 상기 사전 설정된 시간이고, 상기 k는 복수의 제2 단말의 개수이고, 상기 c0는 i번째 제2 단말과 상기 서버의 연결 시간이고, 상기 c는 상기 제1 단말과 상기 서버의 연결 시간이고, 상기 a0는 i번째 제2 단말로부터 수신된 도면의 원본 이미지를 기반으로 결정된 도면에 대한 복수의 영역의 개수이고, 상기 a는 상기 도면에 대한 복수의 영역의 개수이고, 상기 n0은 i번째 제2 단말에게 전송된 제2 물품의 개수이고, 상기 n은 상기 제1 단말에게 전송된 제2 물품의 개수이고, 상기 RSRP0는 i번째 제2 단말의 통신 상태를 나타내는 RSRP 값이고, 상기 RSRP는 상기 제1 단말의 통신 상태를 나타내는 RSRP 값일 수 있다. 예를 들어, 상기 제2 단말은 상기 도면과 관련된 공간의 용도가 동일한 도면의 원본 이미지를 상기 서버에게 전송한 단말일 수 있다.
일 실시예에 따라, 복수의 도면의 원본 이미지들에 따른 복수의 벡터 값들에 기반하여 PCA(principal component analysis) 기법 및 DBSCAN(density-based spatial clustering of applications with Noise) 기법을 이용한 비지도 학습을 통해 n개의 도면 유형이 결정될 수 있다. 예를 들어, 상기 후보 도면 이미지는 상기 도면의 원본 이미지에 대한 도면 유형과 동일한 도면 유형일 수 있다. 예를 들어, 상기 복수의 벡터 값들은 도면에 대한 복수의 영역의 위치, 도면에 대한 복수의 영역의 개수 및 도면과 관련된 공간의 용도에 대한 값에 기반하여 데이터 전처리될 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, 상기 도면의 원본 이미지 및 정답 도면과 관련된 공간의 용도와 정답 도면에 대한 복수의 영역으로 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 분류 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, 상기 도면과 관련된 공간의 용도, 상기 도면에 대한 복수의 영역에 관한 정보, 상기 도면의 원본 이미지, 사전 설정된 제1 물품 정보, 사전 설정된 제2 물품 정보 및 정답 복수의 영역과 관련된 제1 물품과 정답 복수의 영역과 관련된 제2 물품으로 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 물품 추천 모델이 생성될 수 있다.
부가적으로, 예를 들어, 서버는 상기 복수의 위치 정보를 기반으로 k-평균 클러스터링을 통해 k개의 클러스터를 결정할 수 있다. 이후, 서버는 k개의 클러스터의 중심점에 대해서 평균점 이동 클러스터링을 적용할 수 있고, k개 이하의 클러스터를 결정할 수 있다. 서버는 상기 k개 이하의 중심점과 각각의 중심점에 대한 반경 값을 복수의 사전 설정된 범위로 결정할 수 있다.
예를 들어, 서버는 k개의 중심점에 대해 상기 평균점 이동 클러스터링을 수행할 때, 하기 수학식에 의해 위치 정보에 대한 분포를 결정할 수 있다. 여기서, 커널 함수는 확률 밀도 추정에 사용되는 함수로써, 적분 값이 1이고, 원점을 중심으로 대칭이며, 음수 값이 없는 함수일 수 있다. 즉, 서버는 하기 수학식에 의한 커널 밀도 추정을 통해 위치 정보의 분포를 결정할 수 있다. 여기서, 커널 밀도 추정은 함수와 데이터를 기반으로 연속성 있는 확률 밀도 함수를 추정하는 것일 수 있다.
Figure 112022063981173-pat00002
상기 수학식에서, 상기 n은 상기 위치 정보의 개수이고, 상기 K는 커널 함수, 상기 xi는 각각의 위치 정보, 상기 x는 확률 변수이고, h는 대역폭을 결정하는 파라미터일 수 있다. 여기서, 대역폭은 확률 밀도 함수를 스무딩(smoothing)하는 역할을 할 수 있다.
예를 들어, 상기 위치 정보에 대한 분포가 결정된 후, 서버는 하기 수학식에 의해 k개 이하의 클러스터를 결정할 수 있다.
Figure 112022063981173-pat00003
상기 수학식에서,
Figure 112022063981173-pat00004
는 새로운 좌표이고, h는 대역폭의 크기이고, c는 현재 위치 정보의 좌표, 상기 xi는 각각의 위치 정보일 수 있다.
예를 들어, 상술한 바와 같이 결정된, k개 이하의 복수의 사전 설정된 범위 중에서, 서버는 상기 제1 단말로부터 수신된 도면과 관련된 건물이 위치가 상기 k개 이하의 복수의 사전 설정된 범위 중에서 어느 하나에 포함되는지 결정할 수 있다.
부가적으로, 예를 들어, 서버는 구매 물품에 대한 정보, 상기 도면과 관련된 공간의 용도 및 상기 도면의 복수의 영역에 대한 정보에 기반하여 상기 제1 범위의 반경을 변경시킬 수 있다. 예를 들어, 서버는 하기 수학식에 의해 상기 제1 범위의 반경을 변경시킬 수 있다.
Figure 112022063981173-pat00005
상기 수학식에서, 상기 r는 상기 제1 범위의 변경, 상기 t는 상기 구매 물품의 종류와 관련된 값이고, 상기 u는 상기 도면과 관련된 공간의 용도에 대한 값이고, 상기 n은 상기 제1 단말로부터 수신된 도면의 복수의 영역의 개수이고, 상기 navg는 상기 제1 범위에 포함된 도면의 복수의 영역의 평균 개수이고, 상기 ravg는 상기 구매 물품에 대한 평균 배송 반경에 대한 값일 수 있다.
실시예들에 따르면, 서버는 도면의 원본 이미지에 기반하여 제1 뉴럴 네트워크를 통해 도면과 관련된 공간의 용도 및 도면에 대한 복수의 영역에 대한 정보를 결정함으로써, 도면과 관련된 공간의 용도 및 도면에 대한 복수의 영역의 면적 및 크기를 고려하여 제2 뉴럴 네트워크를 통해 상기 복수의 영역 각각과 관련된 물품들을 결정할 수 있다. 따라서, 입주자들은 도면의 원본 이미지만으로 자신에게 필요한 물품들의 정보를 효율적으로 얻을 수 있다.
실시예들에 따르면, 서버는 단말에 의해 선택된 물품들이 조합된 이미지를 제공하고, 도면 상에서 선택된 물품들에 대해 최적화된 위치를 제공할 수 있다. 이후, 단말에 디스플레이된 도면 상에서 상기 선택된 물품들의 위치를 변경시키면서 상기 선택된 물품들의 배치를 확인할 수 있다. 따라서, 입주자들은 도면의 원본 이미지 상에서 구매하고자 하는 물품들의 배치를 미리 확인할 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 도면과 관련된 물품에 대한 정보를 제1 단말에게 제공하는 방법을 나타낸다.
도 4는 일 실시예에 따른 분류 모델 및 물품 추천 모델에 대한 예이다.
도 5는 일 실시예에 따른 서버가 할인 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 갱신 될 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 도면과 관련된 물품에 대한 정보를 제1 단말에게 제공하는 방법을 나타낸다. 도 3의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 3을 참조하면, 단계 S301에서, 서버는 상기 제1 단말로부터 도면의 원본 이미지를 수신할 수 있다. 여기서, 상기 도면은 건물에 대한 도면일 수 있다. 예를 들어, 상기 도면은 평면도, 배치도, 입면도 또는 단면도 중 적어도 하나를 포함할 수 있다. 예를 들어, 도면의 원본 이미지는 각 실의 위치, 개구부의 위치 및 치수, 치수를 나타내는 선, 건물의 위치, 축척 및 도면의 이름을 포함할 수 있다.
단계 S302에서, 서버는 상기 도면의 원본 이미지에 기반하여 제1 뉴럴 네트워크를 이용한 분류 모델을 통해 도면과 관련된 공간의 용도 및 도면에 대한 복수의 영역을 결정할 수 있다.
여기서, 도면과 관련된 공간의 용도는 상기 도면이 나타내는 공간의 용도일 수 있다. 예를 들어, 상기 도면과 관련된 공간의 용도는 복수의 용도를 포함할 수 있다. 예를 들어, 상기 복수의 용도는 주거 용도 및 상가 용도를 포함하는 상위 카테고리로 분류될 수 있다. 예를 들어, 주거 용도는 아파트, 주택, 빌라 등과 같이 하위 카테고리로 분류될 수 있다. 예를 들어, 상가 용도는 사무실, 상점, 식당 등과 같이 하위 카테고리로 분류될 수 있다.
여기서, 도면에 대한 복수의 영역은 상기 도면과 관련된 공간의 용도에 따라 도면의 원본 이미지를 복수의 영역으로 분류한 것일 수 있다. 예를 들어, 주거 용도의 경우, 상기 도면에 대한 복수의 영역은 현관, 거실, 침실, 화장실, 복도, 주방 및 발코니를 포함할 수 있다. 예를 들어, 사무실의 경우, 상기 도면에 대한 복수의 영역은 회의실, 탕비실, 임원실, 창고 및 화장실을 포함할 수 있다. 예를 들어, 식당의 경우, 상기 도면에 대한 복수의 영역은 계산대, 홀, 주방, 방, 창고 및 화장실을 포함할 수 있다. 예를 들어, 상점의 경우, 상기 도면에 대한 복수의 영역은 계산대, 전시장, 창고 및 화장실을 포함할 수 있다. 상기 도면과 관련된 공간의 용도에 따라 도면의 원본 이미지를 복수의 영역으로 분류하는 것은 상술한 예에 한정되지 않으며, 다양한 방식으로 분류될 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, 상기 도면의 원본 이미지 및 정답 도면과 관련된 공간의 용도와 정답 도면에 대한 복수의 영역으로 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 출력될 수 있다. 예를 들어, 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 출력할 수 있다. 예를 들어, 상기 제1 뉴럴 네트워크의 파라미터는 상기 제1 손실 값이 작아지는 방향으로 학습되는, 상기 분류 모델이 생성될 수 있다.
예를 들어, 서버는 부동산과 관련된 웹 사이트에 공개된 복수의 평면도 이미지를 수집하고, 상기 수집된 복수의 평면도 이미지를 기반으로 상기 제1 뉴럴 네트워크를 이용한 상기 분류 모델을 학습시킬 수 있다. 예를 들어, 상기 복수의 평면도 이미지는 복수의 도면의 원본 이미지일 수 있다.
예를 들어, OCR(optical character recognition) 기법을 통해 추출된 상기 도면의 원본 이미지에 포함된 텍스트에 기반하여, 상기 분류 모델을 사용함으로써, 상기 도면과 관련된 공간의 용도 및 상기 도면에 대한 복수의 영역이 결정될 수 있다. 예를 들어, 서버는 다양한 OCR 기법을 통해 상기 도면의 원본 이미지 내 텍스트들을 인식할 수 있다. 예를 들어, 서버는 도면의 원본 이미지의 밝기 또는 색과 같은 메타데이터를 전처리할 수 있고, 도면의 원본 이미지 내 텍스트들이 존재하는 위치를 결정하고, 해당 위치의 텍스트들에 대해 경계 박스(bounding box)를 설정하고, 상기 경계 박스 내 텍스트들을 인식할 수 있다. 이후, 서버는 인식된 텍스트들 중에서 상기 분류 모델을 통해 도면과 관련된 공간의 용도와 관련된 텍스트와 매칭되는 텍스트를 검출함으로써, 상기 도면과 관련된 공간의 용도 및 상기 도면에 대한 복수의 영역이 결정할 수 있다.
또한, 예를 들어, 상기 도면의 원본 이미지에 포함된 픽셀들에 기반하여 상기 분류 모델을 사용함으로써, 상기 도면에 대한 복수의 영역이 결정될 수 있다. 예를 들어, 상기 도면의 원본 이미지에 포함된 픽셀들의 RGB(red green blue) 값에 기반하여 상기 분류 모델을 사용함으로써, 상기 도면에 대한 복수의 영역이 결정될 수 있다. 예를 들어, 상기 도면의 원본 이미지는 각 영역마다 색깔이 구분되어 표시된 이미지인 경우, 상기 도면의 원본 이미지에 포함된 픽셀들의 RGB 값에 기반하여 상기 분류 모델에 따라 상기 도면에 대한 복수의 영역이 결정될 수 있다.
단계 S303에서, 서버는 상기 도면과 관련된 공간의 용도, 상기 도면에 대한 복수의 영역에 관한 정보, 상기 도면의 원본 이미지, 사전 설정된 제1 물품 정보 및 사전 설정된 제2 물품 정보에 기반하여 제2 뉴럴 네트워크를 이용한 물품 추천 모델을 통해 상기 복수의 영역과 관련된 제1 물품에 대한 정보 및 상기 복수의 영역과 관련된 제2 물품에 대한 정보를 결정할 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, 상기 도면과 관련된 공간의 용도, 상기 도면에 대한 복수의 영역에 관한 정보, 상기 도면의 원본 이미지, 사전 설정된 제1 물품 정보, 사전 설정된 제2 물품 정보 및 정답 복수의 영역과 관련된 제1 물품과 정답 복수의 영역과 관련된 제2 물품으로 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 출력될 수 있다. 예를 들어, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력될 수 있다. 예를 들어, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력할 수 있다. 예를 들어, 상기 제2 뉴럴 네트워크의 파라미터는 상기 제2 손실 값이 작아지는 방향으로 학습되는, 상기 물품 추천 모델이 생성될 수 있다.
여기서, 제1 물품은 면적에 따라 구매량이 상이한 물품을 포함할 수 있다. 예를 들어, 제1 물품은 벽지, 타일 및 바닥재를 포함할 수 있다.
여기서, 제2 물품은 낱개로 구매하는 물품을 포함할 수 있다. 예를 들어, 제2 물품은 가구, 조명 및 카펫을 포함할 수 있다.
예를 들어, 상기 도면에 대한 복수의 영역에 관한 정보는 상기 복수의 영역 각각에 대한 제1 면적 정보와 제2 면적 정보를 포함할 수 있다. 예를 들어, 제1 면적 정보는 벽면에 대한 면적 정보일 수 있다. 예를 들어, 제2 면적 정보는 바닥에 대한 면적 정보일 수 있다. 예를 들어, 상기 도면의 원본 이미지에 기반하여 상기 도면의 척도에 대한 정보가 결정될 수 있다.
예를 들어, 상기 복수의 영역 각각에 대한 제1 면적 정보 및 제2 면적 정보에 기반하여 상기 제1 물품이 필요한 양과 상기 제2 물품에 대한 크기가 결정될 수 있다. 예를 들어, 상기 서버에 입력된 제1 물품에 대한 구매 이력 정보 및 제2 물품에 대한 구매 이력 정보에 기반하여 상기 제1 물품에 대한 권장 가격 및 상기 제2 물품에 대한 권장 가격이 결정될 수 있다.
단계 S304에서, 서버는 상기 도면에 대한 복수의 영역이 표시된 도면 이미지를 상기 제1 단말에게 전송할 수 있다.
예를 들어, 제1 단말은 상기 도면에 대한 복수의 영역 중 적어도 하나의 영역을 상기 서버에 입력할 수 있다. 예를 들어, 제1 단말은 상기 도면에 대한 복수의 영역 중 적어도 하나의 영역에 대한 입력 값을 상기 서버에게 전송할 수 있다.
단계 S305에서, 서버는 상기 도면에 대한 복수의 영역 중 적어도 하나의 영역에 대한 입력 값을 상기 제1 단말로부터 수신하는 것에 기반하여, 상기 적어도 하나의 영역과 관련된 제1 물품에 대한 정보 및 제2 물품에 대한 정보를 전송할 수 있다.
예를 들어, 제1 단말은 상기 제1 물품에 대한 정보에 기반하여 상기 제1 물품에 대한 세트를 결정할 수 있다. 여기서, 상기 제1 물품에 대한 세트는 벽지, 타일 또는 바닥재 중에서 두가지 물품을 조합한 세트일 수 있다. 예를 들어, 제1 단말은 상기 제1 물품에 대한 세트가 포함된 제1 선택 정보를 상기 서버에게 전송할 수 있다.
단계 S306에서, 서버는 상기 제1 물품에 대한 정보에 기반하여 상기 제1 단말로부터 상기 제1 물품에 대한 세트가 포함된 제1 선택 정보를 수신하는 것에 기반하여, 상기 제1 물품에 대한 세트가 조합된 이미지를 전송할 수 있다. 여기서, 조합된 이미지는 상기 제1 물품에 대한 세트에 포함된 두가지 물품이 조합된 이미지일 수 있다.
단계 S307에서, 서버는 상기 제2 물품에 대한 정보에 기반하여 상기 제1 단말로부터 적어도 하나의 제2 물품이 포함된 제2 선택 정보를 수신하는 것에 기반하여, 상기 적어도 하나의 제2 물품에 대한 위치 정보를 전송할 수 있다.
예를 들어, 상기 적어도 하나의 제2 물품에 대한 위치 정보는 상기 적어도 하나의 제2 물품에 대한 이미지가 상기 도면 이미지 상에서 배치될 수 있는 위치들 및 상기 도면 이미지 상에서 최적화된 위치를 포함할 수 있다.
예를 들어, 최적화된 위치는 복수의 도면의 원본 이미지를 기반으로 상기 적어도 하나의 제2 물품이 가장 많이 배치된 위치로 결정될 수 있다. 또는, 예를 들어, 최적화된 위치는 상기 도면의 원본 이미지에 상기 적어도 하나의 제2 물품과 관련된 사전 설정된 수식을 적용하여 결정된 위치일 수 있다.
예를 들어, 상기 위치 정보에 기반하여 상기 도면 이미지 상에서 상기 적어도 하나의 제2 물품에 대한 이미지가 최적화된 위치에 디스플레이될 수 있다. 예를 들어, 상기 위치 정보는 상기 도면 이미지 상에서 상기 적어도 하나의 제2 물품에 대한 이미지가 최적화된 위치에 대한 정보를 포함할 수 있다. 예를 들어, 제1 단말은 상기 위치 정보에 기반하여 상기 도면 이미지 상에서 상기 적어도 하나의 제2 물품에 대한 이미지를 최적화된 위치에 디스플레이할 수 있다.
예를 들어, 상기 적어도 하나의 제2 물품에 대한 이미지는 상기 도면의 척도에 대한 정보 및 상기 적어도 하나의 영역과 관련된 제2 물품에 대한 정보에 기반하여 상기 도면 이미지 상에 디스플레이될 수 있다. 예를 들어, 제1 단말은 상기 도면의 척도에 대한 정보 및 상기 적어도 하나의 영역과 관련된 제2 물품에 대한 정보에 기반하여 상기 적어도 하나의 제2 물품에 대한 이미지를 상기 도면 이미지 상에 디스플레이할 수 있다.
예를 들어, 상기 제1 단말의 입력에 따라 상기 도면 이미지 상에서 상기 적어도 하나의 제2 물품에 대한 이미지가 상기 최적화된 위치에서 다른 위치로 변경될 수 있다. 예를 들어, 제1 단말은 상기 도면 이미지 상에서 상기 적어도 하나의 제2 물품에 대한 이미지가 상기 최적화된 위치에서 다른 위치로 이동시킬 수 있다.
일 실시예에 따라, 상기 제1 단말이 상기 서버와 연결된 시간이 사전 설정된 시간 이상인 것에 기반하여, 서버는 복수의 제2 물품을 배치한 복수의 후보 도면 이미지를 상기 제1 단말에게 전송할 수 있다.
예를 들어, 상기 사전 설정된 시간은 하기 수학식 1에 의해 설정될 수 있다.
예를 들어, 상기 사전 설정된 시간은 하기 수학식 1에 의해 설정될 수 있다.
Figure 112022063981173-pat00006
예를 들어, 상기 수학식 1에서, 상기 t는 상기 사전 설정된 시간이고, 상기 k는 복수의 제2 단말의 개수이고, 상기 c0는 i번째 제2 단말과 상기 서버의 연결 시간이고, 상기 c는 상기 제1 단말과 상기 서버의 연결 시간이고, 상기 a0는 i번째 제2 단말로부터 수신된 도면의 원본 이미지를 기반으로 결정된 도면에 대한 복수의 영역의 개수이고, 상기 a는 상기 도면에 대한 복수의 영역의 개수이고, 상기 n0은 i번째 제2 단말에게 전송된 제2 물품의 개수이고, 상기 n은 상기 제1 단말에게 전송된 제2 물품의 개수이고, 상기 RSRP0는 i번째 제2 단말의 통신 상태를 나타내는 RSRP(reference signal received power) 값이고, 상기 RSRP는 상기 제1 단말의 통신 상태를 나타내는 RSRP 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 복수의 제2 단말 사이에 무선 연결이 확립된 후, 서버는 상기 복수의 제2 단말로부터 통신 상태에 대한 값(예: RSRP 값)을 수신할 수 있다.
예를 들어, 상기 제2 단말은 상기 도면과 관련된 공간의 용도가 동일한 도면의 원본 이미지를 상기 서버에게 전송한 단말일 수 있다.
예를 들어, 서버는 상기 복수의 도면의 원본 이미지들을 기반으로 PCA(principal component analysis) 기법 및 DBSCAN(Density-Based Spatial Clustering of Applications with Noise) 기법을 이용한 비지도 학습을 통해 n개의 도면 유형을 결정할 수 있다. 예를 들어, 상기 후보 도면 이미지는 상기 도면의 원본 이미지에 대한 도면 유형과 동일한 도면 유형일 수 있다.
예를 들어, 복수의 도면의 원본 이미지들에 기반하여 뉴럴 네트워크를 이용한 클러스터링(clustering) 기법을 통해 n개의 도면 유형이 결정될 수 있다. 예를 들어, 클러스터링은 유사한 속성들을 갖는 데이터를 일정한 수의 군집으로 그룹핑하는 비지도 학습을 지칭할 수 있다.
예를 들어, 복수의 도면의 원본 이미지는 데이터 전처리를 통해 벡터화될 수 있다. 예를 들어, 서버는 복수의 도면의 원본 이미지를 데이터 전처리를 통해 도면에 대한 복수의 영역의 위치, 도면에 대한 복수의 영역의 개수, 도면과 관련된 공간의 용도에 대한 값을 기반으로 벡터화할 수 있다.
부가적으로, 예를 들어, 상기 도면의 원본 이미지가 사전 설정된 개수의 동일한 영역으로 나누어지고, 각 영역에 대응하는 값을 통해 복수의 영역의 위치가 표현될 수 있다. 예를 들어, 상기 복수의 영역의 위치와 관련하여, 주거 용도의 도면의 경우, 상기 주거 용도의 도면이 사각형으로 9등분되면, 각 영역은 0부터 8까지의 숫자에 대응될 수 있다. 이때, 예를 들어, 첫번째로 많은 공간을 차지한 영역이 침실에 대응하는 벡터는 [0, 6, 8]일 수 있다. 예를 들어, 두번째로 많은 공간을 차지한 영역이 거실에 대응하는 벡터는 [1, 4] 일 수 있다. 예를 들어, 첫번째로 많은 공간을 차지한 영역이 3개의 숫자를 초과하는 경우에는 랜덤하게 3개의 숫자를 결정할 수 있다. 예를 들어, 두번째로 많은 공간을 차지한 영역이 2개의 숫자를 초과하는 경우에는 랜덤하게 2개의 숫자를 결정할 수 있다.
그리고, 예를 들어, 상기 주거 용도의 도면은, 복수의 영역의 개수가 6개이고, 주거 용도에 대응하는 값이 1인 경우, 서버는 데이터 전처리를 통해 상기 주거 용도의 도면을 [0, 6, 8, 1, 4, 6, 1]로 벡터화할 수 있다.
또한, 예를 들어, 상기 벡터는 7차원이기 때문에, 서버는 다양한 차원 축소 기법을 통해 상기 벡터를 3차원 이하의 차수로 차원을 축소시킬 수 있다. 예를 들어, 서버는 주성분 분석(principal component analysis, PCA) 기법을 통해 상기 벡터를 3차원 이하의 차수로 축소시킬 수 있다. 예를 들어, 서버는 상기 벡터 데이터를 주성분 축에 사영했을 때 가장 높은 분산을 가지는 데이터의 축을 결정하고, 결정된 축으로 차원을 축소시킬 수 있다. 예를 들어, 서버는 복수의 벡터 데이터 중에서 가장 큰 분산을 기반으로 첫 번째 축을 생성할 수 있고, 두 번째 축은 첫 번째 벡터 축에 직각이 되는 벡터를 축으로 생성할 수 있다. 이후, 서버는 세 번째 축을 다시 두 번째 축과 직각이 되는 벡터를 축으로 생성할 수 있다. 서버가 생성된 3개의 벡터 축에 원본 데이터를 투영하면, 서버는 벡터 축의 개수만큼의 차원으로 원본 데이터를 차원 축소시킬 수 있다. 이하, 구직자에 대한 정보에 대한 데이터 전처리가 수행된 벡터가 생성되고, 상기 생성된 벡터를 다양한 차원 축소 기법을 통해 차원 축소시킨 벡터를 차원 축소 벡터라고 지칭할 수 있다.
예를 들어, 복수의 차원 축소 벡터에 기반하여 DBSCAN(Density-Based Spatial Clustering of Applications with Noise) 기법을 통해 n개의 도면 유형으로 결정될 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. 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 도면 유형은 고정된 유형들로 결정되지 않고, 현재 부동산과 관련된 웹 사이트에 업로드된 평면도에 따라 유동적으로 변경되어 보다 다양한 도면 유형을 결정할 수 있다.
부가적으로, 예를 들어, 서버는 상기 도면의 원본 이미지로부터 상기 도면과 관련된 건물의 위치 정보를 추출할 수 있다. 예를 들어, 서버는 복수의 제2 단말로부터 복수의 도면의 원본 이미지를 수신할 수 있다. 예를 들어, 서버는 상기 제1 단말 및 상기 복수의 제2 단말로부터 구매 물품에 대한 정보를 수신할 수 있다. 예를 들어, 상기 구매 물품은 상기 제1 물품 또는 상기 제2 물품 중 적어도 하나를 포함할 수 있다.
예를 들어, 서버는 복수의 도면의 원본 이미지를 기반으로 복수의 사전 설정된 범위를 결정할 수 있다. 예를 들어, 서버는 복수의 사전 설정된 범위 중에서 어느 하나의 범위 내에 상기 도면과 관련된 건물이 위치하는지 결정할 수 있다. 예를 들어, 상기 복수의 사전 설정된 범위는 상기 도면과 관련된 건물의 밀집도를 기반으로 결정될 수 있다.
예를 들어, 서버는 상기 제1 단말로부터 수신한 구매 물품과 동일한 구매 물품이 사전 설정된 개수 이상인 것에 기반하여, 상기 제1 단말에게 할인 정보를 전송할 수 있다.
부가적으로, 예를 들어, 서버는 도면과 관련된 공간의 용도 및 도면에 대한 복수의 영역에 대한 정보에 기반하여 제1 단말에게 상기 도면과 관련된 건물에 대한 가격 정보를 전송할 수 있다. 예를 들어, 서버는 상기 도면의 원본 이미지로부터 상기 도면과 관련된 건물의 위치를 결정하고, 상기 건물의 위치를 기반으로 제1 웹 크롤링(web crawling)을 통해 상기 도면과 관련된 건물에 대한 가격 정보를 상기 제1 단말에게 전송할 수 있다. 여기서, 웹 크롤링은 복수의 웹사이트들을 검색하고, 검색된 웹 페이지 내에서 정보를 수집하는 동작일 수 있다. 예를 들어, 상기 도면과 관련된 건물에 대한 가격 정보는 상기 건물의 매매 가격에 대한 정보, 상기 건물의 전세에 대한 정보 및 상기 건물의 월세에 대한 정보를 포함할 수 있다. 예를 들어, 상기 매매 가격에 대한 정보, 상기 전세에 대한 정보 및 상기 월세에 대한 정보 각각은 최대 가격, 평균 가격 및 최소 가격을 포함할 수 있다.
부가적으로, 예를 들어, 서버는 도면과 관련된 공간의 용도 및 도면에 대한 복수의 영역에 대한 정보에 기반하여 제1 단말에게 상기 도면과 관련된 건물에 대한 주차 정보를 전송할 수 있다. 예를 들어, 서버는 상기 도면의 원본 이미지로부터 상기 도면과 관련된 건물의 위치를 결정하고, 상기 건물의 위치를 기반으로 제2 웹 크롤링(web crawling)을 통해 상기 도면과 관련된 건물에 대한 주차 정보를 상기 제1 단말에게 전송할 수 있다. 예를 들어, 상기 도면과 관련된 건물에 대한 주차 정보는 상기 건물에 대해 주차가 가능한 차량의 개수, 상기 건물에 대한 주차비, 상기 건물에 대해 사전 설정된 반경 내에서 주차가 가능한 주차 장소, 상기 주차 장소에 대해 주차가 가능한 차량의 개수 및 상기 주차 장소에 대한 주차비를 포함할 수 있다.
도 4는 일 실시예에 따른 분류 모델 및 물품 추천 모델에 대한 예이다. 도 4의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 4를 참조하면, 상기 분류 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 네트워크는 복수의 컨벌루션 뉴럴 네트워크를 직렬로 연결한 다단 심층 뉴럴 네트워크일 수 있다.
예를 들어, 서버는 부동산과 관련된 웹 사이트에 공개된 복수의 평면도 이미지를 수집하고, 상기 수집된 복수의 평면도 이미지를 기반으로 상기 제1 뉴럴 네트워크를 이용한 상기 분류 모델을 학습시킬 수 있다. 예를 들어, 상기 복수의 평면도 이미지는 복수의 도면의 원본 이미지일 수 있다. 즉, 상기 도면은 평면도일 수 있다.
예를 들어, 상술한 OCR 기법을 통해 상기 복수의 평면도 이미지에 포함된 복수의 텍스트가 추출되고, 상기 복수의 평면도 이미지에 대한 복수의 픽셀 값이 추출될 수 있다. 이때, 상기 다단 심층 뉴럴 네트워크를 통해 각 단계에서 복수의 텍스트 데이터 및 복수의 픽셀 값에 대응하는 RGB 값과 상기 도면과 관련된 공간의 용도의 관계, 특징 지도(feature map), 상기 복수의 평면도에 특정 영역이 존재할 확률에 대한 맵이 계산될 수 있다. 또한, 상기 복수의 평면도 이미지에 포함된 축척 및 방향을 추출하여 동일한 축척 및 방향이 되도록 상기 복수의 평면도 이미지를 기준 축척 및 기준 방향으로 변환시킬 수 있다. 예를 들어, 상기 평면도의 원본 이미지에 기반하여 상기 평면도의 척도에 대한 정보가 결정될 수 있다. 예를 들어, 상기 평면도의 척도는 사전 설정된 위치에 기재된 숫자를 식별함으로써, 상기 식별된 숫자를 기반으로 결정될 수 있다. 예를 들어, 상기 기준 축척에 대한 정보 및 상기 기준 방향에 대한 정보는 상기 서버에 사전 입력될 수 있다. 그리고, 복수의 텍스트 데이터 및 복수의 픽셀 값에 대응하는 RGB 값과 상기 도면과 관련된 공간의 용도의 관계, 특징 지도(feature map), 상기 복수의 평면도에 특정 영역이 존재할 확률에 대한 열지도를 통해 복수의 영역의 위치가 검출될 수 있다. 여기서, 복수의 텍스트 데이터에 매칭되는 상기 도면과 관련된 공간의 용도에 대한 텍스트 데이터가 사전 설정될 수 있고, 복수의 픽셀 값에 대응하는 RGB 값과 매칭되는 상기 도면과 관련된 공간의 용도에 대한 값이 사전 설정될 수 있다. 특징 지도는 상기 평면도의 특징을 나타낸 맵 형태의 정보일 수 있다. 예를 들어, 평면도에 포함된 특정 영역에 대한 검출을 통해 평면도의 특정 영역에 대한 좌표를 구하게 되면, 특정 영역에 대한 좌표를 이용하여 복수의 영역을 계산하고, 사전 입력된 복수의 영역에 대한 샘플 값들에 매칭시킴으로써, 평면도 이미지에 복수의 영역을 정합시킬 수 있다.
예를 들어, 상기 복수의 평면도 이미지에 포함된 텍스트 데이터와 상기 복수의 평면도 이미지에 대한 픽셀 값에 대응하는 RGB 값이 제1 입력 레이어(411)에 입력되는 경우, 상기 복수의 평면도 이미지에 포함된 텍스트 데이터와 상기 RGB 값은 하나 이상의 제1 히든 레이어(412) 및 제1 출력 레이어(413)를 통과하게 되고, 복수의 특징 벡터가 생성되고 상기 복수의 특징 벡터를 기반으로 상기 평면도와 관련된 공간의 용도에 대한 출력 벡터 및 상기 평면도에 대한 복수의 영역과 관련된 출력 벡터가 출력될 수 있다. 상기 평면도와 관련된 공간의 용도에 대한 출력 벡터는 상기 제1 출력 레이어(413)에 연결된 용도에 대한 손실함수 레이어(미도시)에 입력되고, 상기 평면도에 대한 복수의 영역과 관련된 출력 벡터는 상기 제1 출력 레이어(413)에 연결된 영역에 대한 손실함수 레이어(미도시)에 연결될 수 있다. 예를 들어, 상기 용도에 대한 손실함수 레이어는 상기 평면도와 관련된 공간의 용도에 대한 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 용도에 대한 손실 함수를 이용하여 용도에 대한 손실값을 출력하고, 상기 영역에 대한 손실함수 레이어는 상기 평면도에 대한 복수의 영역과 관련된 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 영역에 대한 손실 함수를 이용하여 영역에 대한 손실값을 출력할 수 있다. 예를 들어, 상기 제1 뉴럴 네트워크의 파라미터는 상기 용도에 대한 손실값 및 상기 영역에 대한 손실값이 작아지는 방향으로 학습될 수 있다.
도 4를 참조하면, 상기 물품 추천 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 네트워크는 복수의 컨벌루션 뉴럴 네트워크를 직렬로 연결한 다단 심층 뉴럴 네트워크일 수 있다.
예를 들어, 상기 도면과 관련된 공간의 용도, 상기 도면에 대한 복수의 영역에 관한 정보, 상기 도면의 원본 이미지, 사전 설정된 제1 물품 정보, 사전 설정된 제2 물품 정보 및 정답 복수의 영역과 관련된 제1 물품과 정답 복수의 영역과 관련된 제2 물품으로 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 출력될 수 있다. 예를 들어, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력될 수 있다. 예를 들어, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력할 수 있다. 예를 들어, 상기 제2 뉴럴 네트워크의 파라미터는 상기 제2 손실 값이 작아지는 방향으로 학습되는, 상기 물품 추천 모델이 생성될 수 있다.
예를 들어, 상기 분류 모델을 통해 출력된 상기 도면과 관련된 공간의 용도에 대한 값 및 상기 도면에 대한 복수의 영역에 대한 값이 상기 물품 추천 모델의 학습 데이터로 사용될 수 있다.
예를 들어, 상술한 OCR 기법을 통해 상기 복수의 영역과 관련된 복수의 숫자 텍스트가 추출되고, 상기 복수의 숫자 텍스트에 대한 픽셀 값이 추출될 수 있다. 또한, 예를 들어, 상기 사전 설정된 제1 물품 정보에 기반하여 상기 도면과 관련된 공간의 용도에 대응하는 복수의 제1 물품이 결정될 수 있다. 예를 들어, 상기 사전 설정된 제2 물품 정보에 기반하여 상기 도면과 관련된 공간의 용도에 대응하는 복수의 제2 물품이 결정될 수 있다. 여기서, 제1 물품은 면적에 따라 구매량이 상이한 물품을 포함할 수 있다. 예를 들어, 제1 물품은 벽지, 타일 및 바닥재를 포함할 수 있다. 여기서, 제2 물품은 낱개로 구매하는 물품을 포함할 수 있다. 예를 들어, 제2 물품은 가구, 조명 및 카펫을 포함할 수 있다.
이때, 상기 다단 심층 뉴럴 네트워크를 통해 각 단계에서 복수의 숫자 텍스트 데이터와 상기 복수의 영역의 크기의 관계, 복수의 영역과 관련된 제1 물품에 대한 제1 특징 지도, 복수의 영역과 관련된 제2 물품에 대한 제2 특징 지도가 계산될 수 있다. 그리고, 복수의 숫자 텍스트 데이터와 상기 복수의 영역의 크기의 관계를 통해 상기 복수의 영역에 대한 제1 면적 정보 및 제2 면적 정보가 결정될 수 있다. 예를 들어, 제1 면적 정보는 벽면에 대한 면적 정보일 수 있다. 예를 들어, 제2 면적 정보는 바닥에 대한 면적 정보일 수 있다. 이후, 상기 제1 면적 정보, 상기 제2 면적 정보, 제1 특징 지도 및 제2 특징 지도를 통해 상기 복수의 영역에 매칭되는 제1 물품 및 제2 물품이 결정될 수 있다.
예를 들어, 상기 복수의 영역에 대한 제1 면적 정보 및 제2 면적 정보에 기반하여 상기 복수의 영역에 매칭되는 제1 물품이 필요한 양과 상기 복수의 영역에 매칭되는 제2 물품에 대한 크기가 결정될 수 있다.
도 5는 일 실시예에 따른 서버가 할인 정보를 전송하는 방법을 나타내는 흐름도이다. 도 5의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 5를 참조하면, 단계 S510에서, 서버는 도면의 원본 이미지로부터 위치 정보를 추출할 수 있다. 예를 들어, 서버는 제1 단말 및 복수의 제2 단말로부터 도면의 원본 이미지를 수신할 수 있다. 예를 들어, 서버는 상기 도면의 원본 이미지의 사전 설정된 위치에 기재된 주소에 대한 텍스트를 기반으로 위치 정보를 결정할 수 있다.
단계 S520에서, 서버는 상기 제1 단말 및 상기 복수의 제2 단말로부터 구매 물품에 대한 정보를 수신할 수 있다. 예를 들어, 상기 구매 물품에 대한 정보는 구매 물품, 구매 물품을 주문한 시간 및 구매 물품에 대한 배송 기간을 포함할 수 있다. 예를 들어, 상기 구매 물품은 상기 제1 물품 또는 상기 제2 물품 중 적어도 하나를 포함할 수 있다.
단계 S530에서, 서버는 복수의 사전 설정된 범위 중에서 어느 범위 내에 상기 제1 단말로부터 수신된 도면과 관련된 건물이 위치하는지 결정할 수 있다. 예를 들어, 상기 복수의 사전 설정된 범위는 상기 도면과 관련된 건물의 밀집도를 기반으로 결정될 수 있다. 예를 들어, 서버는 사전 입력된 복수의 도면의 원본 이미지를 기반으로 복수의 사전 설정된 범위를 결정할 수 있다.
예를 들어, 서버는 복수의 도면의 원본 이미지들에 기반하여 클러스터링을 수행함으로써, 복수의 사전 설정된 범위를 결정할 수 있다. 예를 들어, 서버는 복수의 도면의 원본 이미지들에 대한 위치 정보에 기반하여 k-평균 클러스터링(k-means clustering) 및 평균점 이동 클러스터링(mean-shift clustering)을 수행함으로써, 복수의 사전 설정된 범위를 결정할 수 있다. 예를 들어, 위치 정보는 위도 및 경도를 포함할 수 있다. 예를 들어, 위도 및 경도는 상기 도면의 원본 이미지로부터 OCR을 통해 추출된 주소에 따라 결정될 수 있다.
여기서, k-평균 알고리즘은 주어진 데이터를 k개의 클러스터로 묶는 알고리즘으로, 각 클러스터와 거리 차이의 분산을 최소화하는 방식으로 동작할 수 있다.
여기서, 평균점 이동 클러스터링 알고리즘은 비모수적인 클러스터링 방법으로, 데이터 오브젝트들의 분포에서 그 밀도가 가장 높은 곳을 찾는 방식으로 그룹화를 수행할 수 있다. 즉, 서버는 평균점 이동 클러스터링 알고리즘을 통해 각 데이터 오브젝트에서 미리 지정된 크기의 윈도우 이내의 데이터 오브젝트들이 검색하고, 해당 윈도우 내의 평균 값을 구할 수 있다. 그리고, 서버는 상기 평균값에서 동일한 크기의 윈도우 이내의 데이터 오브젝트들을 검색하고, 해당 윈도우 내의 평균 값을 다시 구할 수 있다. 이 방식을 반복함으로써, 서버는 데이터 오브젝트들의 지역 밀도가 최대인 곳에서 윈도우의 움직임을 멈출 수 있고, 움직임이 멈추게 된 좌표가 데이터 오브젝트 밀도의 지역 최댓값(최빈값)일 수 있다. 이러한 방식을 통해, 서버는 모든 데이터 오브젝트에 대해 지역 최댓값을 알아낼 수 있다. 이 때, 서버는 동일한 최빈값으로 수렴한 데이터 오브젝트는 동일한 클러스터로 결정하고, 하나의 클러스터로 그룹화할 수 있다.
구체적으로, 예를 들어, 서버는 사전에 입력된 복수의 도면의 원본 이미지들에 기반하여 복수의 위치 정보를 추출할 수 있다. 또는, 예를 들어, 서버는 복수의 제2 단말로부터 수신된 복수의 도면의 원본 이미지들에 기반하여 복수의 위치 정보를 추출할 수 있다. 서버는 상기 복수의 위치 정보를 기반으로 k-평균 클러스터링을 통해 k개의 클러스터를 결정할 수 있다. 이후, 서버는 k개의 클러스터의 중심점에 대해서 평균점 이동 클러스터링을 적용할 수 있고, k개 이하의 클러스터를 결정할 수 있다. 서버는 상기 k개 이하의 중심점과 각각의 중심점에 대한 반경 값을 복수의 사전 설정된 범위로 결정할 수 있다.
예를 들어, 서버는 k개의 중심점에 대해 상기 평균점 이동 클러스터링을 수행할 때, 하기 수학식 2의 커널 함수를 사용한 하기 수학식 3에 의해 위치 정보에 대한 분포를 결정할 수 있다. 여기서, 커널 함수는 확률 밀도 추정에 사용되는 함수로써, 적분 값이 1이고, 원점을 중심으로 대칭이며, 음수 값이 없는 함수일 수 있다. 즉, 서버는 하기 수학식 3에 의한 커널 밀도 추정을 통해 위치 정보의 분포를 결정할 수 있다. 여기서, 커널 밀도 추정은 함수와 데이터를 기반으로 연속성 있는 확률 밀도 함수를 추정하는 것일 수 있다.
Figure 112022063981173-pat00007
상기 수학식 2에서, 상기 K는 커널 함수이고, 상기 u는 원 데이터로부터의 거리일 수 있다.
Figure 112022063981173-pat00008
상기 수학식 3에서, 상기 n은 상기 위치 정보의 개수이고, 상기 K는 커널 함수, 상기 xi는 각각의 위치 정보, 상기 x는 확률 변수이고, h는 대역폭을 결정하는 파라미터일 수 있다. 여기서, 대역폭은 확률 밀도 함수를 스무딩(smoothing)하는 역할을 할 수 있다.
예를 들어, 상기 위치 정보에 대한 분포가 결정된 후, 서버는 하기 수학식 4에 의해 k개 이하의 클러스터를 결정할 수 있다.
Figure 112022063981173-pat00009
상기 수학식 4에서,
Figure 112022063981173-pat00010
는 새로운 좌표이고, h는 대역폭의 크기이고, c는 현재 위치 정보의 좌표, 상기 xi는 각각의 위치 정보일 수 있다.
예를 들어, 상술한 바와 같이 결정된, k개 이하의 복수의 사전 설정된 범위 중에서, 서버는 상기 제1 단말로부터 수신된 도면과 관련된 건물이 위치가 상기 k개 이하의 복수의 사전 설정된 범위 중에서 어느 하나에 포함되는지 결정할 수 있다. 예를 들어, 서버는 상기 제1 단말로부터 수신된 도면과 관련된 건물이 위치하는 사전 설정된 범위를 제1 범위로 결정할 수 있다.
부가적으로, 예를 들어, 서버는 구매 물품에 대한 정보, 상기 도면과 관련된 공간의 용도 및 상기 도면의 복수의 영역에 대한 정보에 기반하여 상기 제1 범위의 반경을 변경시킬 수 있다.
예를 들어, 서버는 하기 수학식 5에 의해 상기 제1 범위의 반경을 변경시킬 수 있다.
Figure 112022063981173-pat00011
상기 수학식 5에서, 상기 r는 상기 제1 범위의 변경, 상기 t는 상기 구매 물품의 종류와 관련된 값이고, 상기 u는 상기 도면과 관련된 공간의 용도에 대한 값이고, 상기 n은 상기 제1 단말로부터 수신된 도면의 복수의 영역의 개수이고, 상기 navg는 상기 제1 범위에 포함된 도면의 복수의 영역의 평균 개수이고, 상기 ravg는 상기 구매 물품에 대한 평균 배송 반경에 대한 값일 수 있다.
예를 들어, 상기 t는 제1 물품에 대한 값과 제2 물품에 대한 값이 상이할 수 있다. 예를 들어, 상기 u는 주거 용도에 대한 값과 상가 용도에 대한 값이 상이할 수 있다. 예를 들어, ravg는 상기 서버에 사전 저장된 값일 수 있다.
단계 S540에서, 상기 복수의 사전 설정된 범위 중에서 어느 범위 내에 상기 제1 단말로부터 수신된 도면과 관련된 건물이 위치하는 경우, 서버는 상기 제1 범위 내에서 상기 제1 단말로부터 수신된 구매 물품과 동일한 구매 물품이 사전 설정된 개수 이상인지 여부를 결정할 수 있다. 예를 들어, 서버는 사전 설정된 기간 내 상기 배송 기간이 포함되는 구매 물품을 동일한 구매 물품으로 결정할 수 있다.
단계 S550에서, 상기 제1 범위 내에서 상기 제1 단말로부터 수신된 구매 물품과 동일한 구매 물품이 사전 설정된 개수 이상인 것에 기반하여, 서버는 제1 단말에게 할인 정보를 전송할 수 있다. 여기서, 할인 정보는 구매 물품의 가격에 대해 할인된 가격을 포함할 수 있고, 상기 사전 설정된 개수에 따라 상기 구매 물품의 가격에 대한 할인율이 상이할 수 있다.
단계 S560에서, 상기 제1 범위 내에서 상기 제1 단말로부터 수신된 구매 물품과 동일한 구매 물품이 사전 설정된 개수 미만인 것에 기반하여, 서버는 사전 설정된 시간이 경과된 후, 상기 제1 범위 내에서 상기 제1 단말로부터 수신된 구매 물품과 동일한 구매 물품이 사전 설정된 개수 이상인지 여부를 결정할 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 제1 단말로부터 도면의 원본 이미지를 수신할 수 있다. 프로세서(610)는 통신부(620)를 통해 서버와 연결된 적어도 하나의 장치로부터 도면의 원본 이미지를 네트워크를 통해 수신할 수 있다.
프로세서(610)는 상기 도면의 원본 이미지에 기반하여 제1 뉴럴 네트워크를 이용한 분류 모델을 통해 도면과 관련된 공간의 용도 및 도면에 대한 복수의 영역을 결정할 수 있다. 프로세서(610)는 상기 도면과 관련된 공간의 용도, 상기 도면에 대한 복수의 영역에 관한 정보, 상기 도면의 원본 이미지, 사전 설정된 제1 물품 정보 및 사전 설정된 제2 물품 정보에 기반하여 제2 뉴럴 네트워크를 이용한 물품 추천 모델을 통해 상기 복수의 영역과 관련된 제1 물품에 대한 정보 및 상기 복수의 영역과 관련된 제2 물품에 대한 정보를 결정할 수 있다.
프로세서(610)는 통신부(620)를 통해 상기 도면에 대한 복수의 영역이 표시된 도면 이미지를 상기 제1 단말에게 전송할 수 있다. 프로세서(610)는 통신부(620)를 통해 상기 도면에 대한 복수의 영역 중 적어도 하나의 영역에 대한 입력 값을 상기 제1 단말로부터 수신하는 것에 기반하여, 상기 적어도 하나의 영역과 관련된 제1 물품에 대한 정보 및 제2 물품에 대한 정보를 전송할 수 있다.
프로세서(610)는 통신부(620)를 통해 상기 제1 물품에 대한 정보에 기반하여 상기 제1 단말로부터 상기 제1 물품에 대한 세트가 포함된 제1 선택 정보를 수신하는 것에 기반하여, 상기 제1 물품에 대한 세트가 조합된 이미지를 상기 제1 단말에게 전송할 수 있다.
프로세서(610)는 통신부(620)를 통해 상기 제2 물품에 대한 정보에 기반하여 상기 제1 단말로부터 적어도 하나의 제2 물품이 포함된 제2 선택 정보를 수신하는 것에 기반하여, 상기 적어도 하나의 제2 물품에 대한 위치 정보를 상기 제1 단말에게 전송할 수 있다.
프로세서(610)는 상기 도면의 원본 이미지에 기반하여 상기 도면의 척도에 대한 정보를 결정할 수 있다.
프로세서(610)는 상기 제1 단말이 상기 서버와 연결된 시간이 사전 설정된 시간 이상인 것에 기반하여, 복수의 제2 물품을 배치한 복수의 후보 도면 이미지를 상기 제1 단말에게 전송할 수 있다. 예를 들어, 프로세서(610)는 상술한 수학식 1에 의해 상기 사전 설정된 시간을 결정할 수 있다.
프로세서(610)는 복수의 도면의 원본 이미지들에 따른 복수의 벡터 값들에 기반하여 PCA(principal component analysis) 기법 및 DBSCAN(density-based spatial clustering of applications with noise) 기법을 이용한 비지도 학습을 통해 n개의 도면 유형을 결정할 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)

  1. 뉴럴 네트워크(neural network)를 이용하여 서버가 도면과 관련된 물품에 대한 정보를 제1 단말에게 제공하는 방법에 있어서,
    상기 제1 단말로부터 도면의 원본 이미지를 수신하는 단계;
    상기 도면의 원본 이미지에 기반하여 제1 뉴럴 네트워크를 이용한 분류 모델을 통해 도면과 관련된 공간의 용도 및 도면에 대한 복수의 영역을 결정하는 단계;
    상기 도면과 관련된 공간의 용도, 상기 도면에 대한 복수의 영역에 관한 정보, 상기 도면의 원본 이미지, 사전 설정된 제1 물품 정보 및 사전 설정된 제2 물품 정보에 기반하여 제2 뉴럴 네트워크를 이용한 물품 추천 모델을 통해 상기 복수의 영역과 관련된 제1 물품에 대한 정보 및 상기 복수의 영역과 관련된 제2 물품에 대한 정보를 결정하는 단계;
    상기 도면에 대한 복수의 영역이 표시된 도면 이미지를 상기 제1 단말에게 전송하는 단계;
    상기 도면에 대한 복수의 영역 중 적어도 하나의 영역에 대한 입력 값을 상기 제1 단말로부터 수신하는 것에 기반하여, 상기 적어도 하나의 영역과 관련된 제1 물품에 대한 정보 및 제2 물품에 대한 정보를 전송하는 단계;
    상기 제1 물품에 대한 정보에 기반하여 상기 제1 단말로부터 상기 제1 물품에 대한 세트가 포함된 제1 선택 정보를 수신하는 것에 기반하여, 상기 제1 물품에 대한 세트가 조합된 이미지를 상기 제1 단말에게 전송하는 단계; 및
    상기 제2 물품에 대한 정보에 기반하여 상기 제1 단말로부터 적어도 하나의 제2 물품이 포함된 제2 선택 정보를 수신하는 것에 기반하여, 상기 적어도 하나의 제2 물품에 대한 위치 정보를 상기 제1 단말에게 전송하는 단계를 포함하되,
    상기 위치 정보에 기반하여 상기 도면 이미지 상에서 상기 적어도 하나의 제2 물품에 대한 이미지가 최적화된 위치에 디스플레이되고,
    상기 제1 단말의 입력에 따라 상기 도면 이미지 상에서 상기 적어도 하나의 제2 물품에 대한 이미지가 상기 최적화된 위치에서 다른 위치로 변경되고,
    상기 도면에 대한 복수의 영역에 관한 정보는 상기 복수의 영역 각각에 대한 제1 면적 정보와 제2 면적 정보를 포함하고,
    상기 도면의 원본 이미지에 기반하여 상기 도면의 척도에 대한 정보가 결정되고,
    상기 적어도 하나의 제2 물품에 대한 이미지는 상기 도면의 척도에 대한 정보 및 상기 적어도 하나의 영역과 관련된 제2 물품에 대한 정보에 기반하여 상기 도면 이미지 상에 디스플레이되고,
    상기 제1 단말이 상기 서버와 연결된 시간이 사전 설정된 시간 이상인 것에 기반하여, 복수의 제2 물품을 배치한 복수의 후보 도면 이미지를 상기 제1 단말에게 전송하는 단계를 더 포함하되,
    상기 사전 설정된 시간은 하기 수학식에 의해 설정되고,
    Figure 112022100336405-pat00018

    상기 수학식에서, 상기 t는 상기 사전 설정된 시간이고, 상기 k는 복수의 제2 단말의 개수이고, 상기 c0는 i번째 제2 단말과 상기 서버의 연결 시간이고, 상기 c는 상기 제1 단말과 상기 서버의 연결 시간이고, 상기 a0는 i번째 제2 단말로부터 수신된 도면의 원본 이미지를 기반으로 결정된 도면에 대한 복수의 영역의 개수이고, 상기 a는 상기 도면에 대한 복수의 영역의 개수이고, 상기 n0은 i번째 제2 단말에게 전송된 제2 물품의 개수이고, 상기 n은 상기 제1 단말에게 전송된 제2 물품의 개수이고, 상기 RSRP0는 i번째 제2 단말의 통신 상태를 나타내는 RSRP(reference signal received power) 값이고, 상기 RSRP는 상기 제1 단말의 통신 상태를 나타내는 RSRP 값이고,
    상기 제2 단말은 상기 도면과 관련된 공간의 용도가 동일한 도면의 원본 이미지를 상기 서버에게 전송한 단말인,
    방법.

  2. 삭제
  3. 삭제
  4. 제 3항에 있어서,
    복수의 도면의 원본 이미지들에 따른 복수의 벡터 값들에 기반하여 PCA(principal component analysis) 기법 및 DBSCAN(density-based spatial clustering of applications with noise) 기법을 이용한 비지도 학습을 통해 n개의 도면 유형이 결정되고,
    상기 후보 도면 이미지는 상기 도면의 원본 이미지에 대한 도면 유형과 동일한 도면 유형이고,
    상기 복수의 벡터 값들은 도면에 대한 복수의 영역의 위치, 도면에 대한 복수의 영역의 개수 및 도면과 관련된 공간의 용도에 대한 값에 기반하여 데이터 전처리되는,
    방법.
  5. 제 1항에 있어서,
    상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함하고,
    상기 도면의 원본 이미지 및 정답 도면과 관련된 공간의 용도와 정답 도면에 대한 복수의 영역으로 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 분류 모델이 생성되고,
    상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함하고,
    상기 도면과 관련된 공간의 용도, 상기 도면에 대한 복수의 영역에 관한 정보, 상기 도면의 원본 이미지, 사전 설정된 제1 물품 정보, 사전 설정된 제2 물품 정보 및 정답 복수의 영역과 관련된 제1 물품과 정답 복수의 영역과 관련된 제2 물품으로 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 물품 추천 모델이 생성되는,
    방법.
KR1020220074720A 2022-06-20 2022-06-20 뉴럴 네트워크를 이용하여 서버가 도면과 관련된 물품에 대한 정보를 제공하는 방법 및 장치 KR102467890B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220074720A KR102467890B1 (ko) 2022-06-20 2022-06-20 뉴럴 네트워크를 이용하여 서버가 도면과 관련된 물품에 대한 정보를 제공하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220074720A KR102467890B1 (ko) 2022-06-20 2022-06-20 뉴럴 네트워크를 이용하여 서버가 도면과 관련된 물품에 대한 정보를 제공하는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102467890B1 true KR102467890B1 (ko) 2022-11-16

Family

ID=84235843

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220074720A KR102467890B1 (ko) 2022-06-20 2022-06-20 뉴럴 네트워크를 이용하여 서버가 도면과 관련된 물품에 대한 정보를 제공하는 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102467890B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102501576B1 (ko) * 2022-11-22 2023-02-21 주식회사 아무랩스 뉴럴 네트워크를 이용하여 도표에 대한 정보를 사용자 단말에게 전송하는 방법 및 장치
KR102530412B1 (ko) * 2023-02-15 2023-05-10 주식회사 아폴론이머시브웍스 뉴럴 네트워크를 이용하여 메타버스에 생성된 가상 건축물 내에서 미디어아트 조형물을 설치하기 위한 영역을 사용자 단말에게 추천하는 방법 및 장치
KR102591113B1 (ko) * 2023-06-05 2023-10-20 유선희 바이너리 트리 기반의 컨벌루션 신경망을 활용한 의류 이미지 검색 기능을 가진 맞춤형 인터페이스를 제공하는 방법 및 장치
KR102625839B1 (ko) * 2023-08-30 2024-01-16 주식회사 시원금속 뉴럴 네트워크를 이용하여 3차원 가상 공간에 인테리어와 관련된 금속 제품을 배치하는 방법 및 장치
KR102629912B1 (ko) * 2023-03-07 2024-01-29 신성식 뉴럴 네트워크를 이용하여 절삭 공정에 사용되는 절삭유의 분사를 제어하는 방법 및 시스템

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101076473B1 (ko) * 2010-11-24 2011-10-25 엘아이지넥스원 주식회사 시간 제약 다중 요청 기법 기반의 멀티미디어 데이터 관리 장치 및 방법
KR102364533B1 (ko) * 2021-10-05 2022-02-18 김의현 인공 지능 기반의 인테리어 서비스 방법 및 이러한 방법을 수행하는 장치
KR102387408B1 (ko) * 2021-07-23 2022-04-18 조원진 인공지능을 이용한 인테리어 시뮬레이션 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101076473B1 (ko) * 2010-11-24 2011-10-25 엘아이지넥스원 주식회사 시간 제약 다중 요청 기법 기반의 멀티미디어 데이터 관리 장치 및 방법
KR102387408B1 (ko) * 2021-07-23 2022-04-18 조원진 인공지능을 이용한 인테리어 시뮬레이션 시스템
KR102364533B1 (ko) * 2021-10-05 2022-02-18 김의현 인공 지능 기반의 인테리어 서비스 방법 및 이러한 방법을 수행하는 장치

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102501576B1 (ko) * 2022-11-22 2023-02-21 주식회사 아무랩스 뉴럴 네트워크를 이용하여 도표에 대한 정보를 사용자 단말에게 전송하는 방법 및 장치
KR102530412B1 (ko) * 2023-02-15 2023-05-10 주식회사 아폴론이머시브웍스 뉴럴 네트워크를 이용하여 메타버스에 생성된 가상 건축물 내에서 미디어아트 조형물을 설치하기 위한 영역을 사용자 단말에게 추천하는 방법 및 장치
KR102629912B1 (ko) * 2023-03-07 2024-01-29 신성식 뉴럴 네트워크를 이용하여 절삭 공정에 사용되는 절삭유의 분사를 제어하는 방법 및 시스템
KR102591113B1 (ko) * 2023-06-05 2023-10-20 유선희 바이너리 트리 기반의 컨벌루션 신경망을 활용한 의류 이미지 검색 기능을 가진 맞춤형 인터페이스를 제공하는 방법 및 장치
KR102625839B1 (ko) * 2023-08-30 2024-01-16 주식회사 시원금속 뉴럴 네트워크를 이용하여 3차원 가상 공간에 인테리어와 관련된 금속 제품을 배치하는 방법 및 장치

Similar Documents

Publication Publication Date Title
KR102467890B1 (ko) 뉴럴 네트워크를 이용하여 서버가 도면과 관련된 물품에 대한 정보를 제공하는 방법 및 장치
KR102625772B1 (ko) 뉴럴 네트워크를 이용한 공동 구매 방법 및 장치
KR102582594B1 (ko) 뉴럴 네트워크를 이용한 의상 추천 방법 및 장치
KR102421073B1 (ko) 인공지능을 이용하여 인테리어 마감재 템플릿을 제공하는 인테리어 시뮬레이션 시스템
KR102387408B1 (ko) 인공지능을 이용한 인테리어 시뮬레이션 시스템
KR102439212B1 (ko) 학습된 뉴럴 네트워크를 이용하여 온라인상에서 임대차 통합 서비스를 제공하는 시스템
KR102479512B1 (ko) 성과 지향 교육 방법, 그 방법을 수행하는 서버 및 단말기
KR102422153B1 (ko) 뉴럴 네트워크를 이용한 상담 가이드 정보 추천 방법 및 장치
KR102497016B1 (ko) 농산물 추천 방법 및 장치
KR102501056B1 (ko) 뉴럴 네트워크를 이용한 상담 가이드 정보 제공 방법 및 장치
KR102530412B1 (ko) 뉴럴 네트워크를 이용하여 메타버스에 생성된 가상 건축물 내에서 미디어아트 조형물을 설치하기 위한 영역을 사용자 단말에게 추천하는 방법 및 장치
KR102573285B1 (ko) 뉴럴 네트워크를 이용하여 고객 관리 서비스를 제공하는 방법 및 장치
KR102666423B1 (ko) 유휴 공간과 연동된 팝업 스토어를 가상 공간에 생성하는 방법 및 시스템
KR102636189B1 (ko) 인공지능 영상 분석과 디지털 트윈 정합을 통한 객체 공간성 인지와 발생 이벤트의 공간-시간 맵 가시화 방법 및 장치
KR102562282B1 (ko) 성향 기반 매칭 방법 및 장치
KR102528407B1 (ko) 뉴럴 네트워크를 이용하여 인플루언서와 광고 대상의 분야에 대한 연관도에 따른 마케팅 비용에 대한 정보를 결정하는 방법 및 장치
KR102536674B1 (ko) 뉴럴 네트워크를 이용하여 도매 상품에 대한 추천 리스트를 셀러 단말에게 제공하는 방법 및 장치
KR102604762B1 (ko) 뉴럴 네트워크를 이용하여 예측된 배송량에 기반하여 물류 거점에 대한 배송량을 결정하는 방법 및 장치
KR102610945B1 (ko) B2b 서비스 통합 관리 방법
KR102607631B1 (ko) 인공지능 기반의 농축산물 직거래 플랫폼 서비스 제공 방법 및 시스템
KR102513048B1 (ko) 뉴럴 네트워크를 이용하여 지원 사업과 관련된 리포트 정보 및 지원 사업과 관련된 진행 정보를 기반으로 진단 정보를 멘토 단말에게 전송하는 방법 및 장치
KR102622114B1 (ko) 뉴럴 네트워크를 이용하여 사용자 단말에게 상품에 대한 추천 정보를 전송하는 방법 및 장치
KR102585090B1 (ko) 뉴럴 네트워크를 이용하여 웹툰과 연동된 게임을 사용자 단말에게 제공하는 방법 및 장치
KR102602594B1 (ko) 메타버스 상에서 공간 시멘틱 정보를 기반으로 아바타의 위치를 추적하는 방법 및 장치
KR102591113B1 (ko) 바이너리 트리 기반의 컨벌루션 신경망을 활용한 의류 이미지 검색 기능을 가진 맞춤형 인터페이스를 제공하는 방법 및 장치

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant