KR102469679B1 - 인공지능 기반의 맞춤형 음식 추천 방법 및 장치 - Google Patents

인공지능 기반의 맞춤형 음식 추천 방법 및 장치 Download PDF

Info

Publication number
KR102469679B1
KR102469679B1 KR1020220017323A KR20220017323A KR102469679B1 KR 102469679 B1 KR102469679 B1 KR 102469679B1 KR 1020220017323 A KR1020220017323 A KR 1020220017323A KR 20220017323 A KR20220017323 A KR 20220017323A KR 102469679 B1 KR102469679 B1 KR 102469679B1
Authority
KR
South Korea
Prior art keywords
membership
degree
constitution
sasang
image data
Prior art date
Application number
KR1020220017323A
Other languages
English (en)
Inventor
허선주
Original Assignee
허선주
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 허선주 filed Critical 허선주
Priority to KR1020220017323A priority Critical patent/KR102469679B1/ko
Application granted granted Critical
Publication of KR102469679B1 publication Critical patent/KR102469679B1/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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Tourism & Hospitality (AREA)
  • Human Computer Interaction (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

인공지능 기반의 한의학적 체질 맞춤형 음식 추천 방법이 제공된다. 상기 인공지능 기반의 한의학적 체질 맞춤형 음식 추천 방법은 사용자의 얼굴 이미지 데이터 및 체형 이미지 데이터를 수신하는 단계, 상기 얼굴 이미지 데이터를 인공신경망 기반의 제1 체질 분류 모델에 입력하여, 네 개의 사상체질에 대한 상기 사용자의 제1 소속도 - 각각의 사상체질에 대응하는 제1 소속도의 엘리먼트들의 총합은 1로 정의됨 - 를 계산하는 단계, 상기 체형 이미지 데이터를 인공신경망 기반의 제2 체질 분류 모델에 입력하여, 상기 네 개의 사상체질에 대한 상기 사용자의 제2 소속도 - 각각의 사상체질에 대응하는 제2 소속도의 엘리먼트들의 총합은 1로 정의됨 - 를 계산하는 단계, 상기 제1 소속도 및 상기 제2 소속도 각각에 대한 앙상블 가중치를 적용함으로써 최종 소속도를 결정하는 단계 및 상기 최종 소속도에 기초하여, 상기 사용자의 사상체질에 대응하는 맞춤형 음식 추천 데이터를 결정하는 단계를 포함할 수 있다.

Description

인공지능 기반의 맞춤형 음식 추천 방법 및 장치{METHOD AND APPARATUS FOR RECOMMENDING CUSTOMISED FOOD BASED ON ARTIFICIAL INTELLIGENCE}
이하의 설명은 인공지능 기반의 맞춤형 음식 추천 방법 및 장치에 관한 발명으로서, 특히 사용자의 이미지 데이터를 입력 받아, 태양인, 태음인, 소양인 및 소음인 등으로 분류되는 사상체질에 대한 음식 추천 시나리오를 퍼지 로직 모듈에 기반하여 출력하는 맞춤형 음식 추천 방법 및 장치에 관한 것이다.
오늘날 컴퓨터 기술 발전에 따라 인공지능(AI: artificial intelligence) 기술이 급속도로 고도화됨에 따라 개인 데이터에 기반한 맞춤형 추천 기술에 대해 다양한 기술 발전이 이루어지고 있는 실정이다.
그러나, 역설적이게도 현대과학의 빠른 발전이 이뤄지고 있는 서양 문화권에서는 동양철학에 대한 관심이 높아지고 있으며 명상(meditation), 요가(yoga) 등 다양한 습관들이 생활 속에 자리잡고 있는 실정이다.
사상체질에 대한 한의학적 정보와 인공신경망에 기반하여 분류 기술을 접목하여 사용자에 맞는 식재료를 자동으로 추천하는 기술에 대한 필요성이 날로 증가하고 있는 실정이다.
대한민국 등록특허 제10-2255843호에는 사용자의 위치, 연령, 성별 등을 포함하는 개인 정보와 계절, 실외온도, 강수여보 등의 외부 정보에 기반하여 머신러닝을 이용한 음식 추천 방법에 대한 기술이 개시되어 있다. 그러나 대상 특허에는 인공지능 중 퍼지 로직 기술에 기반하여 사용자의 사상체질을 정밀하게 매핑하고, 매핑 결과에 따라 맞춤형 음식을 추천하는 기술에 대한 해결책은 제공되지 않는다.
일 측면에 따르면, 인공지능 기반의 한의학적 체질 맞춤형 음식 추천 방법이 제공된다. 상기 인공지능 기반의 한의학적 체질 맞춤형 음식 추천 방법은 사용자의 얼굴 이미지 데이터 및 체형 이미지 데이터를 수신하는 단계, 상기 얼굴 이미지 데이터를 인공신경망 기반의 제1 체질 분류 모델에 입력하여, 네 개의 사상체질에 대한 상기 사용자의 제1 소속도 - 각각의 사상체질에 대응하는 제1 소속도의 엘리먼트들의 총합은 1로 정의됨 - 를 계산하는 단계, 상기 체형 이미지 데이터를 인공신경망 기반의 제2 체질 분류 모델에 입력하여, 상기 네 개의 사상체질에 대한 상기 사용자의 제2 소속도 - 각각의 사상체질에 대응하는 제2 소속도의 엘리먼트들의 총합은 1로 정의됨 - 를 계산하는 단계, 상기 제1 소속도 및 상기 제2 소속도 각각에 대한 앙상블 가중치를 적용함으로써 최종 소속도를 결정하는 단계 및 상기 최종 소속도에 기초하여, 상기 사용자의 사상체질에 대응하는 맞춤형 음식 추천 데이터를 결정하는 단계를 포함할 수 있다.
일 실시 예에 따르면, 상기 맞춤형 음식 추천 데이터를 결정하는 단계는 상기 최종 소속도를 음식 추천 시나리오를 포함하는 퍼지 로직 모듈에 입력하는 단계 및 상기 음식 추천 시나리오에 포함되는 재료를 소정의 비율 이상 포함하는 밀키트를 추천 음식으로 출력하는 단계를 포함할 수 있다.
다른 일 실시 예에 따르면, 상기 제1 소속도 및 상기 제2 소속도 각각에 대한 앙상블 가중치를 적용함으로써 최종 소속도를 결정하는 단계는 제1 사상 체질에 대응하는 제1 소속 함수에 수학식 1에 따라 제1 소속도를 입력함으로써 제1 무게중심으로 계산하는 단계, 상기 제1 사상 체질에 대응하는 제1 소속 함수에 상기 수학식 2에 따라 제2 소속도를 입력함으로써 제2 무게중심을 계산하는 단계, 상기 제1 소속 함수의 중심점으로부터 상기 제1 무게중심까지의 제1 거리를 계산하는 단계, 상기 제1 소속 함수의 중심점으로부터 상기 제2 무게중심까지의 제2 거리를 계산하는 단계 및 상기 제1 거리 및 상기 제2 거리의 비율에 따라 상기 앙상블 가중치를 결정하는 단계를 포함하고, 상기 수학식 1은
Figure 112022014924299-pat00001
이고, xi는 제1 소속 함수에 입력된 i 번째 엘리먼트를 나타내고, m1(xi)는 제1 소속 함수의 결과값을 나타낼 수 있다.
또 다른 일 실시 예에 따르면, 상기 제1 소속도 및 상기 제2 소속도 각각에 대한 앙상블 가중치를 적용함으로써 최종 소속도를 결정하는 단계는 제2 사상 체질로부터 제4 사상 체질까지 각각에 대응하는 제2 소속 함수로부터 제4 소속 함수까지 각각을 이용하여 제2 소속도, 제3 소속도 및 제4 소속도 각각에 대응하는 앙상블 가중치를 결정하는 단계를 더 포함할 수 있다.
도 1a는 인공 신경망(Artificial Neural Network)를 이용한 딥러닝 연산 방법을 설명하기 위한 도면이다.
도 1b는 일 실시 예에 따라 인공지능 기반의 맞춤형 음식 추천 시스템을 설명하기 위한 도면이다.
도 2는 일 실시 예에 따른 맞춤형 음식 추천 데이터 생성 방법을 설명하기 위한 도면이다.
도 3은 퍼지 로직 모듈이 제1 소속도의 무게중심에 기반하여 앙상블 가중치를 결정하는 방법을 설명하는 예시도이다.
도 4는 일 실시 예에 다른 맞춤형 음식 추천 데이터의 예시를 도시한 도면이다.
실시 예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시 예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
도 1a은 인공 신경망(Artificial Neural Network)를 이용한 딥러닝 연산 방법을 설명하기 위한 도면이다.
딥러닝(Deep Learning) 등을 포함하는 인공지능(AI) 알고리즘은 인공 신경망(Artificial Neural Network, ANN)에 입력 데이터(10)를 입력시키고, 컨볼루션 등의 연산을 통해 출력 데이터(30)를 학습하고, 학습된 인공 신경망을 이용하여 특징을 추출할 수 있다. 인공 신경망은 생물학적 뇌를 모델링한 컴퓨터 과학적 아키텍쳐(Computational Architecture)를 의미할 수 있다. 인공 신경망 내에서, 뇌의 뉴런들에 해당되는 노드들은 서로 연결되어 있고, 입력 데이터를 처리하기 위하여 집합적으로 동작한다. 다양한 종류의 뉴럴 네트워크들을 예로 들면, 컨볼루션 뉴럴 네트워크(Convolutional Neural Network, CNN), 회귀 뉴럴 네트워크(Recurrent Neural Network, RNN), 딥 빌리프 네트워크(Deep Belief Network, DBN), 제한된 볼츠만 기계(Restricted Boltzman Machine, RBM) 방식 등이 있으나, 이에 제한되지 않는다. 피드-포워드(feed-forward) 뉴럴 네트워크에서, 뉴럴 네트워크의 뉴런들은 다른 뉴런들과의 연결들(links)을 갖는다. 이와 같은 연결들은 뉴럴 네트워크를 통해, 한 방향으로, 예를 들어 순방향(forward direction)으로 확장될 수 있다.
도 1a은 입력 데이터(10)를 입력 받아 출력 데이터(30)를 출력하는 인공 신경망(예를 들어, 컨볼루션 뉴럴 네트워크(Convolution Neural Network, CNN)(20))의 구조를 도시한다. 인공 신경망은 2개 이상의 레이어(layer)를 보유한 딥 뉴럴 네트워크(deep neural network)일 수 있다.
컨볼루션 뉴럴 네트워크(20)는 입력 데이터(10)로부터 테두리, 선 색 등과 같은 "특징들(features)"을 추출하기 위해 이용될 수 있다. 컨볼루션 뉴럴 네트워크(20)는 복수의 레이어를 포함할 수 있다. 각각의 레이어는 데이터를 수신할 수 있고, 해당 레이어에 입력되는 데이터를 처리하여 해당 레이어에서 출력되는 데이터를 생성할 수 있다. 레이어에서 출력되는 데이터는, 컨볼루션 뉴럴 네트워크(20)에 입력된 이미지 또는 입력된 특징맵(feature map)을 필터(filter) 웨이트(weight) 값과 컨볼루션 연산하여 생성한 특징맵일 수 있다. 컨볼루션 뉴럴 네트워크(20)의 초기 레이어들은 입력으로부터 에지들 또는 그레디언트들과 같은 낮은 레벨의 특징들을 추출하도록 동작될 수 있다. 컨볼루션 뉴럴 네트워크(20)의 다음 레이어들은 이미지 내의 눈, 코 등과 같은 점진적으로 더 복잡한 특징들을 추출할 수 있다.
도 1b는 일 실시 예에 따라 인공지능 기반의 맞춤형 음식 추천 시스템을 설명하기 위한 도면이다.
일 실시 예에 따른 맞춤형 음식 추천 시스템은 사용자의 얼굴 이미지 데이터 및 체형 이미지 데이터를 이용하여 사용자의 사상체질을 결정하고, 결정된 사상체질에 맞는 맞춤형 음식 추천 시나리오를 제공할 수 있다. 구체적으로, 사상체질은 태양인, 태음인, 소양인 및 소음인을 나타낸다. 또한, 후술되겠지만 학습된 체질 분류 모델이 출력하는 값은 사용자에 대해 네 개의 사상체질에 대한 소속도를 나타내고, 각각의 소속도를 나타내는 엘리먼트들의 총합은 1로 정의될 수 있다.
도 1b를 참조하면, 맞춤형 음식 추천 데이터 학습 장치(100) 및 맞춤형 음식 추천 데이터 생성 장치(150)를 포함할 수 있다. 일 실시 예에 따른 맞춤형 음식 추천 데이터 학습 장치(100)는 뉴럴 네트워크를 생성하거나, 뉴럴 네트워크를 훈련(train)(또는 학습(learn))하거나, 뉴럴 네트워크를 재훈련(retrain)하는 기능들과 같은 다양한 프로세싱 기능들을 갖는 컴퓨팅 디바이스에 해당된다. 예를 들어, 맞춤형 음식 추천 데이터 학습 장치(100)는 PC(personal computer), 서버 디바이스, 모바일 디바이스 등의 다양한 종류의 디바이스들로 구현될 수 있다.
맞춤형 음식 추천 데이터 학습 장치(100)는 주어진 초기 뉴럴 네트워크를 반복적으로 훈련(학습)시킴으로써, 훈련된 뉴럴 네트워크(110)를 생성할 수 있다. 훈련된 뉴럴 네트워크(110)를 생성하는 것은 뉴럴 네트워크 파라미터를 결정하는 것을 의미할 수 있다. 여기서, 파라미터들은 예를 들어 뉴럴 네트워크의 입/출력 액티베이션들, 웨이트들, 바이어스들 등 뉴럴 네트워크에 입/출력되는 다양한 종류의 데이터를 포함할 수 있다. 뉴럴 네트워크의 반복적인 훈련이 진행됨에 따라, 뉴럴 네트워크의 파라미터들은 주어진 입력에 대해 보다 정확한 출력을 연산하기 위해 조정될(tuned) 수 있다.
일 실시 예에 따른 훈련된 뉴럴 네트워크(110)는 복수의 뉴럴 네트워크로 구성될 수도 있다. 구체적으로, 훈련된 뉴럴 네트워크(110)는 제1 뉴럴 네트워크와 제2 뉴럴 네트워크를 포함할 수 있다. 예를 들어, 제1 뉴럴 네트워크는 얼굴 이미지 데이터에 대응하는 사용자의 사상체질 타입을 결정하도록 학습될 수 있고, 제2 뉴럴 네트워크는 체형 이미지 데이터에 대응하는 사용자의 사상체질 타입을 결정하도록 학습될 수 있다. 제1 뉴럴 네트워크와 제2 뉴럴 네트워크는 독립적으로 학습될 수도 있고, 서로 연관되어 학습될 수도 있다.
맞춤형 음식 추천 데이터 학습 장치(100)는 훈련된 뉴럴 네트워크(110)를 맞춤형 음식 추천 데이터 생성 장치(150)에 전달할 수 있다. 맞춤형 음식 추천 데이터 생성 장치(150)는 모바일 디바이스, 임베이스(embedded) 디바이스 등에 포함될 수 있다. 맞춤형 음식 추천 데이터 생성 장치(150)는 뉴럴 네트워크의 구동을 위한 전용 하드웨어일 수 있다.
맞춤형 음식 추천 데이터 생성 장치(150)는 훈련된 뉴럴 네트워크(110)를 그대로 구동하거나, 훈련된 뉴럴 네트워크(110)가 가동(예를 들어, 양자화)된 뉴럴 네트워크(160)를 구동할 수 있다. 가공된 뉴럴 네트워크(160)를 구동하는 맞춤형 음식 추천 데이터 생성 장치(150)는, 맞춤형 음식 추천 데이터 학습 장치(100)와는 별도로 독립적인 디바이스에서 구현될 수 있다. 하지만, 이에 제한되지 않고, 맞춤형 음식 추천 데이터 생성 장치(150)는 맞춤형 음식 추천 데이터 학습 장치(100)와 동일한 디바이스 내에도 구현될 수 있다.
도 2는 일 실시 예에 따른 맞춤형 음식 추천 데이터 생성 방법을 설명하기 위한 도면이다. 도 1a 내지 도 1b를 참조하여 설명한 내용은 도 2 및 도 3에도 동일하게 적용될 수 있는 바, 중복되는 내용은 생략될 수 있다.
도 2를 참조하면, 일 실시 예에 따른 맞춤형 음식 추천 데이터 생성 장치는 제1 체질 분류 모델(210), 제2 체질 분류 모델(220) 및 퍼지 로직 모듈(230)을 포함할 수 있다.
일 실시 예에 따른 인공 신경망 기반의 제1 체질 분류 모델(210)은 도 1a를 참조하여 전술한 훈련된 뉴럴 네트워크(110)를 포함할 수 있다. 예를 들어, 제1 체질 분류 모델(210)은 얼굴 이미지 데이터를 입력 받아 사용자가 각각의 사싱체질에 속하는 소속도(또는 확률값)를 결정하도록 학습된 뉴럴 네트워크(110)를 포함할 수 잇다.
일 실시 예에 따른 맞춤형 음식 추천 데이터 생성 장치의 제1 체질 분류 모델(210)은 사용자의 얼굴 이미지 데이터를 수신하여, 해당 얼굴 이미지 데이터에 따른 소속도 벡터를 결정할 수 있다. 소속도 벡터는 태양인에 대응하는 제1 엘리먼트, 태음인에 대응하는 제2 엘리먼트, 소양인에 대응하는 제3 엘리먼트 및 소음인에 대응하는 제4 엘리먼트를 포함할 수 있다. 소속도 벡터에 포함되는 각각의 소속도(또는 엘리먼트)들의 총합은 1로 결정될 수 있다.
구체적으로, 각각의 소속도는 제1 체질 분류 모델(210)의 출력 레이어가 출력하는 복수의 원소들에 대응하는 특징 값으로, 사상체질 각각에 대한 스코어 또는 확률 값을 의미할 수 있다. 소속도는 로짓(logit)으로 표현될 수도 있다.
보다 구체적으로, 뉴럴 네트워크는 입력 레이어, 히든 레이어, 및 출력 레이어를 포함할 수 있다. 각 레이어는 복수의 노드들을 포함하고, 인접한 레이어 사이의 노드들은 연결 가중치를 가지고 서로 연결될 수 있다. 각 노드들은 활성화 모델에 기초하여 동작할 수 있다. 활성화 모델에 따라 입력 값에 대응하는 출력 값이 결정될 수 있다. 임의의 노드의 출력 값은 해당 노드와 연결된 다음 레이어의 노드로 입력될 수 있다. 다음 레이어의 노드는 복수의 노드들로부터 출력되는 값들을 입력 받을 수 있다. 임의의 노드의 출력 값이 다음 레이어의 노드로 입력되는 과정에서, 연결 가중치가 적용될 수 있다. 다음 레이어의 노드는 활성화 모델에 기초하여 입력 값에 대응하는 출력 값을 해당 노드와 연결된 그 다음 레이어의 노드로 출력할 수 있다. 출력 레이어는 복수의 원소들에 대응하는 노드들을 포함할 수 있다. 출력 레이어의 노드들은 복수의 원소들에 대응하는 특징 값들을 출력할 수 있고, 해당 특징 값들은 소속도라 지칭될 수 있다.
일 실시 예로서, 맞춤형 음식 추천 데이터 생성 장치의 제1 체질 분류 모델(210)은 사용자의 얼굴 이미지 데이터를 수신하여, 해당 얼굴 이미지 데이터에 대응하는 제1 소속도를 결정할 수 있다. 구체적으로, 얼굴 이미지 데이터는 사용자의 눈, 코, 귀 및 얼굴형을 포함하는 이미지 데이터로서, 제1 체질 분류 모델(210)에는 특정한 사용자의 적어도 하나 이상의 이미지 데이터가 입력될 수 있다. 제1 체질 분류 모델(210)은 각각의 사상체질이 나타내는 특성값에 따라 해당 얼굴 이미지 데이터가 나타내는 사상체질 별 확률 값을 출력할 수 있다. 예시적으로, 제1 체질 분류 모델(210)은 태양인의 경우에 얼굴 면적 중 눈이 차지하는 면적이 크고, 이마 면적이 소정 비율 이상인 특성값을 이용할 수 있다. 또한, 제1 체질 분류 모델(210)은 태음인의 경우에 얼굴형이 사각형을 나타내고, 눈이 형태가 좌우로 길고, 코가 크고 코폭이 넓은 특성값을 이용할 수 있다. 또한, 제1 체질 분류 모델(210)은 소양인의 경우에 이마가 돌출되고 상하 비율이 좌우 비율보다 크고, 눈의 끝이 올라간 특성값을 이용할 수 있다. 또한, 제1 체질 분류 모델(210)은 소음인의 경우에 얼굴 전체의 좌우 비율이 소정의 기준치 이하이고, 눈꼬리가 내려가는 특성값을 이용할 수 있다. 위와 같은 방식으로, 제1 체질 분류 모델(210)은 미리 학습된 특성값을 이용하여 사용자의 얼굴 이미지 데이터에 대응하는 제1 소속도를 출력할 수 있다. 위의 설명은 제1 체질 분류 모델(210)이 얼굴 이미지 데이터에 기반하여 사상체질에 대한 소속도를 계산하는 과정에서 활용 가능한 특성값의 예시적인 기재일 뿐, 다른 실시 예를 제한하거나 한정하는 것으로 해석되어서는 안될 것이다.
예시적으로, 제1 소속도는 사용자의 얼굴 이미지 데이터를 제1 체질 분류 모델(210)에 입력하여 출력되는 각각의 사상체질에 해당하는 확률 값을 나타낼 수 있다. 예를 들어, 제1 소속도가 (a1, a2, a3, a4)인 경우, 제1 엘리먼트 a1는 해당 사용자가 태양인일 확률 값을 나타내고, 제2 엘리먼트 a2는 해당 사용자가 태음인일 확률 값을 나타내고, 제3 엘리먼트 a3는 해당 사용자가 소양인일 확률 값을 나타내고, 제4 엘리먼트 a4는 해당 사용자가 소음인일 확률 값을 나타낼 수 있다.
그러나, 사용자의 사상체질을 결정하는 과정에서 얼굴형을 나타내는 얼굴 이미지 데이터만으로 사상체질을 결정하는 것은 정확도가 떨어질 수 있다. 또한, 정확한 사상체질을 결정하는 것은 한의학적 데이터베이스를 활용하여 맞춤형 식단 또는 맞춤형 밀키트 등을 추천하기 위한 필수 선제 조건일 수 있다. 이에 따라 일 실시 예에 따른 맞춤형 음식 추천 데이터 생성 장치는 사용자의 체형 이미지 데이터를 더 이용하여 보다 정확하게 사용자의 사상체질을 결정할 수 있다.
보다 구체적으로, 다른 일 실시 예에 따른 맞춤형 음식 추천 데이터 생성 장치의 제2 체질 분류 모델(220)은 체형 이미지 데이터를 수신하여, 해당 체형 이미지 데이터에 대응하는 제2 소속도를 결정할 수 있다. 예시적으로, 제2 소속도는 사용자의 체형 이미지 데이터를 제2 체질 분류 모델(220)에 입력하여 출력되는 각각의 사상체질에 해당하는 확률 값을 나타낼 수 있다. 예시적으로, 제2 체질 분류 모델(220)은 태양인의 경우에 머리가 전체 몸의 면적 중에서 소정의 제1 기준치 이상이 되고, 몸통 영역이 전체 몸의 면적 중에서 소정의 제2 기준치 미만이 되는 특성값을 이용할 수 있다. 또한, 제2 체질 분류 모델(220)은 태음인의 경우에 허리 둘레가 몸의 좌우 비율 중에서 기준치 이상이 되는 특성값을 이용할 수 있다. 또한, 제2 체질 분류 모델(220)은 소양인의 경우에 어깨 영역의 좌우 길이가 몸 전체의 좌우 비율 중에서 기준치 이상이 되는 특성값을 이용할 수 있다. 또한, 제2 체질 분류 모델(220)은 소음인의 경우에 가슴 영역의 좌우 길이가 몸 전체의 좌우 비율 중에서 기준치 미만이 되는 특성값을 이용할 수 있다. 앞서 설명한 바와 같이, 제2 체질 분류 모델(220)이 얼굴 이미지 데이터에 기반하여 사상체질에 대한 소속도를 계산하는 과정에서 활용 가능한 특성값들도 이해를 돕기 위한 예시적인 기재일 뿐, 다른 실시 예를 제한하거나 한정하는 것으로 해석되어서는 안될 것이다.
일 실시 예에 따르면, 인공 신경망 기반의 제2 체질 분류 모델(220)은 도 1a를 참조하면 전술한 뉴럴 네트워크(110)를 포함할 수 있다. 예를 들어, 제2 체질 분류 모델(220)은 훈련된 뉴럴 네트워크(110)의 제2 뉴럴 네트워크(예를 들어, 사용자의 체형 이미지 데이터에 대응하는 사상체질 소속도를 결정하도록 학습된 뉴럴 네트워크)를 포함할 수 있다.
일 실시 예에 따른, 제2 소속도는 제2 뉴럴 네트워크의 출력 레이어가 출력하는 복수의 원소들에 대응하는 특징 값으로, 네 개의 사상체질 각각에 대한 스코어 또는 확률 값을 의미할 수 있다. 예를 들어, 제2 소속도가 (b1, b2, b3, b4)인 경우, 제1 엘리먼트 b1는 해당 사용자가 태양인일 확률 값을 나타내고, 제2 엘리먼트 b2는 해당 사용자가 태음인일 확률 값을 나타내고, 제3 엘리먼트 b3는 해당 사용자가 소양인일 확률 값을 나타내고, 제4 엘리먼트 b4는 해당 사용자가 소음인일 확률 값을 나타낼 수 있다.
맞춤형 음식 추천 데이터 생성 장치는 제1 소속도와 제2 소속도의 조합에 기초하여 최종 소속도를 결정할 수 있다. 보다 구체적으로, 맞춤형 음식 추천 데이터 생성 장치는 제1 소속도 및 제2 소속도를 앙상블 가중치에 따라 앙상블하여 최종 인식 결과를 생성할 수 있다. 앙상블 가중치는 각각의 소속도에 곱하여 지는 값으로, 미리 결정된 값을 사용할 수도 있고, 학습에 의하여 결정될 수도 있다. 예를 들어, 제1 소속도와 제2 소속도의 앙상블 가중치 비율은 0.8:0.2일 수 있고, 이 경우 피부 타입에 대응하는 최종 소속도는 (y1, y2, y3, y4)일 수 있다.
도 3은 퍼지 로직 모듈이 제1 소속도의 무게중심에 기반하여 앙상블 가중치를 결정하는 방법을 설명하는 예시도이다. 퍼지 로직은 사람 언어의 모호성을 컴퓨터로 처리하기 위한 논리이다. 예를 들어 100kg를 몸무게가 무거운 사람의 경계값으로 정의한다면, 몸무게가 99kg인 사람의 경우에는 몸무게가 가벼운 사람으로 처리되고, 몸무게가 101kg인 사람의 경우에는 몸무게가 무거운 사람으로 처리되는 종래 이분법적인 논리(bool논리)의 불합리성을 해결하기 위한 방안이다.
일 실시 예로서, 퍼지 로직 모듈을 각각의 사상체질에 대응하는 소속 함수(membership function)을 저장 및 관리할 수 있다. 보다 구체적으로, 태양인에 대응하는 제1 소속 함수, 태음인에 대응하는 제2 소속 함수, 소양인에 대응하는 제3 소속 함수 및 소음인에 대응하는 제4 소속 함수를 포함할 수 있다.
도 3을 참조하면, 사용자의 얼굴 이미지 데이터 중 얼굴형 에지 데이터에 기반한 소속 함수가 도시된다. 퍼지 로직 모듈은 얼굴 이미지 데이터에 기반하여 계산된 제1 소속도의 소속 함수에 대한 무게중심과 체형 이미지 데이터에 기반하여 계산된 제2 소속도의 소속 함수에 대한 무게중심을 비교함으로써 앙상블 가중치를 결정할 수 있다.
앞서 설명한 바와 같이, 제1 소속도는 사용자의 얼굴 이미지 데이터를 입력으로 이용하여 출력된 값을 나타내고, 제2 소속도는 사용자의 체형 이미지 데이터를 입력으로 이용하여 출력된 값을 나타낸다.
퍼지 로직 모듈은 각각의 소속도를 특정한 사상체질에 대응하는 소속 함수에 입력함으로써 아래의 수학식 1에 따라 무게중심을 계산할 수 있다.
Figure 112022014924299-pat00002
상기 수학식 1에서, xi는 제1 소속 함수에 입력된 i 번째 샘플을 나타내고, m1(xi)는 소속 함수의 결과값을 나타낼 수 있다.
위와 같이 서로 다른 사상체질에 대한 소속도들은 퍼지 로직 모듈에 의해 역퍼지화됨으로써 후술되는 사용자 맞춤형 음식 추천 데이터를 생성하는데 활용될 수 있다.
퍼지 로직 모듈은 동일한 사상체질에 대한 소속 함수를 이용하여 제1 소속도의 무게중심 및 제2 소속도의 무게중심을 비교할 수 있다. 인공 신경망에 따라 분석된 사상체질의 소속도가 (0.25, 0.25, 0.25, 0.25)로 나온 경우라면, 해당 사용자는 네 가지 사상체질에 모두 속한다는 의미이기 때문에 해당 이미지 데이터에 기반한 분석의 결과는 큰 의미가 없게 된다. 본 실시 예에 따른 맞춤형 음식 추천 데이터 생성 장치는 무게중심에서부터 큰 거리 차이를 가지는 체질 분류 결과(예. 태양인에 매우 가깝다.)에 더 큰 앙상블 가중치를 부여하는 방식으로 체형이나 얼굴에 따른 분류 결과 중 우세한 분류 결과를 추종하도록 하여 높은 정확도를 기대하는 효과를 지원한다.
일 실시 예에 따른 맞춤형 음식 추천 데이터 생성 장치는 최종 사상체질에 기초하여 맞춤형 음식 추천 데이터를 결정할 수 있다. 예를 들어, 맞춤형 처방 데이터 생성 장치는 각각의 사상체질에 대응하는 음식 재료 데이터베이스를 포함할 수 있다.
도 4는 일 실시 예에 다른 맞춤형 음식 추천 데이터의 예시를 도시한 도면이다. 도 4를 참조하면, 사용자의 얼굴 이미지 데이터 및 체형 이미지 데이터에 기반하여 결정된 사상체질에 대한 최종 소속도(410)가 퍼지 로직 모듈(400)로 입력될 수 있고, 그에 따라 역퍼지화가 진행됨으로써 맞춤형 음식 추천 데이터(420)가 도출될 수 있다.
일 실시 예로서, 맞춤형 음식 추천 데이터(420)는 사용자의 사상체질에 맞는 음식 재료 별 추천 리스트가 포함될 수 있다. 구체적으로, 음식 재료 별 추천 리스트에는 곡류, 채소, 육류, 어패류, 과일, 건강식품 및 차 음료 각각에 대응하는 음식 재료가 포함될 수 있다.
본 실시 예는 사용자의 이미지를 이용하여 딥 러닝 기반의 강화학습이 적용된 인공 신경망에 기반하여 체질 분류를 진행하여 보다 향상된 체질 분류 효과를 기대할 수 있다. 또한, 전통적인 한의학 자료에 기반하여 체질 분류에 대응하는 음식 재료와 해당 음식 재료를 포함하는 밀키트를 추천함으로써 사용자 체질의 대응하는 신체 취약점을 보완하고 강화하는 효과를 기대할 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. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 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.

Claims (5)

  1. 인공지능 기반의 한의학적 체질 맞춤형 음식 추천 방법에 있어서,
    사용자의 얼굴 이미지 데이터 및 체형 이미지 데이터를 수신하는 단계;
    상기 얼굴 이미지 데이터를 인공신경망 기반의 제1 체질 분류 모델에 입력하여, 네 개의 사상체질에 대한 상기 사용자의 제1 소속도 - 각각의 사상체질에 대응하는 제1 소속도의 엘리먼트들의 총합은 1로 정의됨 - 를 계산하는 단계;
    상기 체형 이미지 데이터를 인공신경망 기반의 제2 체질 분류 모델에 입력하여, 상기 네 개의 사상체질에 대한 상기 사용자의 제2 소속도 - 각각의 사상체질에 대응하는 제2 소속도의 엘리먼트들의 총합은 1로 정의됨 - 를 계산하는 단계;
    상기 제1 소속도 및 상기 제2 소속도 각각에 대한 앙상블 가중치를 적용함으로써 최종 소속도를 결정하는 단계; 및
    상기 최종 소속도에 기초하여, 상기 사용자의 사상체질에 대응하는 맞춤형 음식 추천 데이터를 결정하는 단계
    를 포함하고,
    상기 맞춤형 음식 추천 데이터를 결정하는 단계는,
    상기 최종 소속도를 음식 추천 시나리오를 포함하는 퍼지 로직 모듈에 입력하는 단계; 및
    상기 음식 추천 시나리오에 포함되는 재료를 소정의 비율 이상 포함하는 밀키트를 추천 음식으로 출력하는 단계
    를 포함하고,
    상기 제1 소속도 및 상기 제2 소속도 각각에 대한 앙상블 가중치를 적용함으로써 최종 소속도를 결정하는 단계는,
    제1 사상 체질에 대응하는 제1 소속 함수에 수학식 1에 따라 제1 소속도를 입력함으로써 제1 무게중심으로 계산하는 단계;
    상기 제1 사상 체질에 대응하는 제1 소속 함수에 상기 수학식 1에 따라 제2 소속도를 입력함으로써 제2 무게중심을 계산하는 단계;
    상기 제1 소속 함수의 중심점으로부터 상기 제1 무게중심까지의 제1 거리를 계산하는 단계;
    상기 제1 소속 함수의 중심점으로부터 상기 제2 무게중심까지의 제2 거리를 계산하는 단계; 및
    상기 제1 거리 및 상기 제2 거리 중에서 더 큰 값을 가지는 소속도에 더 큰 앙상블 가중치를 부여함으로써 상기 얼굴 이미지 데이터 및 상기 체형 이미지 데이터 중에서 우세한 분류 결과를 추종하도록 하는 상기 앙상블 가중치를 결정하는 단계
    를 포함하고,
    상기 수학식 1은
    Figure 112022096235351-pat00003
    이고, xi는 제1 소속 함수에 입력된 i 번째 엘리먼트를 나타내고, m1(xi)는 제1 소속 함수의 결과값을 나타내고,
    상기 제1 소속도 및 상기 제2 소속도 각각에 대한 앙상블 가중치를 적용함으로써 최종 소속도를 결정하는 단계는,
    제2 사상 체질로부터 제4 사상 체질까지 각각에 대응하는 제2 소속 함수로부터 제4 소속 함수까지 각각을 이용하여 제2 소속도, 제3 소속도 및 제4 소속도 각각에 대응하는 앙상블 가중치를 결정하는 단계
    를 더 포함하는 인공지능 기반의 한의학적 체질 맞춤형 음식 추천 방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
KR1020220017323A 2022-02-10 2022-02-10 인공지능 기반의 맞춤형 음식 추천 방법 및 장치 KR102469679B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220017323A KR102469679B1 (ko) 2022-02-10 2022-02-10 인공지능 기반의 맞춤형 음식 추천 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220017323A KR102469679B1 (ko) 2022-02-10 2022-02-10 인공지능 기반의 맞춤형 음식 추천 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102469679B1 true KR102469679B1 (ko) 2022-11-23

Family

ID=84236830

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220017323A KR102469679B1 (ko) 2022-02-10 2022-02-10 인공지능 기반의 맞춤형 음식 추천 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102469679B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102511977B1 (ko) * 2022-12-19 2023-03-22 주식회사 비브라이트 식약처 공공데이터를 활용한 식제품 큐레이팅 서비스를 제공하는 방법 및 그 시스템
KR102589677B1 (ko) * 2023-02-17 2023-10-17 주식회사 비브라이트 식약처 데이터에 기반하여 식제품 및 구성 비율을 추천하는 장치

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140148130A (ko) * 2013-06-21 2014-12-31 동아대학교 산학협력단 개인별 메뉴추천 시스템 및 방법
KR102191649B1 (ko) * 2020-05-21 2020-12-16 박준경 인공신경망을 이용한 음료 추천 장치 및 방법
KR102255843B1 (ko) 2020-02-17 2021-05-25 주식회사 타키 머신러닝을 이용한 음식추천방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140148130A (ko) * 2013-06-21 2014-12-31 동아대학교 산학협력단 개인별 메뉴추천 시스템 및 방법
KR102255843B1 (ko) 2020-02-17 2021-05-25 주식회사 타키 머신러닝을 이용한 음식추천방법
KR102191649B1 (ko) * 2020-05-21 2020-12-16 박준경 인공신경망을 이용한 음료 추천 장치 및 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
행복지구, ‘퍼지이론’, 티스토리 블로그, 페이지 1-8, (2015.12.13.) 1부* *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102511977B1 (ko) * 2022-12-19 2023-03-22 주식회사 비브라이트 식약처 공공데이터를 활용한 식제품 큐레이팅 서비스를 제공하는 방법 및 그 시스템
KR102589677B1 (ko) * 2023-02-17 2023-10-17 주식회사 비브라이트 식약처 데이터에 기반하여 식제품 및 구성 비율을 추천하는 장치

Similar Documents

Publication Publication Date Title
US11537884B2 (en) Machine learning model training method and device, and expression image classification method and device
KR102071582B1 (ko) 딥 뉴럴 네트워크(Deep Neural Network)를 이용하여 문장이 속하는 클래스(class)를 분류하는 방법 및 장치
US11657286B2 (en) Structure learning in convolutional neural networks
CN110796190B (zh) 具有深度学习特征的指数建模
Tiwari et al. Cnn based multiclass brain tumor detection using medical imaging
KR102410820B1 (ko) 뉴럴 네트워크를 이용한 인식 방법 및 장치 및 상기 뉴럴 네트워크를 트레이닝하는 방법 및 장치
KR102469679B1 (ko) 인공지능 기반의 맞춤형 음식 추천 방법 및 장치
Duch Uncertainty of data, fuzzy membership functions, and multilayer perceptrons
KR20180060257A (ko) 객체 인식 방법 및 장치
KR20160102690A (ko) 신경망 학습 방법 및 장치, 및 인식 방법 및 장치
Welbl Casting random forests as artificial neural networks (and profiting from it)
Cheng et al. Classification of long sequential data using circular dilated convolutional neural networks
Halvardsson et al. Interpretation of swedish sign language using convolutional neural networks and transfer learning
KR20200010680A (ko) 기계학습 모델을 이용하여 n개의 프레임에 기초하여 대상의 감정인식을 수행하는 감정인식 시스템, 방법, 및 컴퓨터-판독가능매체
Wu et al. Improving NeuCube spiking neural network for EEG-based pattern recognition using transfer learning
KR102365783B1 (ko) 인공지능 기반의 맞춤형 처방 데이터 생성 방법 및 장치
CN110909860A (zh) 神经网络参数初始化的方法和装置
KR102334666B1 (ko) 얼굴 이미지 생성 방법
Nizam et al. Explainable Artificial Intelligence (XAI): Conception, Visualization and Assessment Approaches Towards Amenable XAI
KR102408042B1 (ko) 그룹 기반 얼굴 인식 방법 및 장치
EP3836150A1 (en) Method and apparatus for generating new chemical structure using neural network
JP2022104911A (ja) エンベッディング正規化方法およびこれを利用した電子装置
Khalafi et al. A hybrid deep learning approach for phenotype prediction from clinical notes
KR102662214B1 (ko) 사용자 개인 성향에 기반한 진주를 포함하는 쥬얼리 제품 추천 방법
KR102525624B1 (ko) 인공지능 기반 고객의 퍼스널 컬러와 매칭되는 가방 제공 방법, 장치 및 시스템

Legal Events

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