KR102548682B1 - 자동학습 관리장치 및 방법 - Google Patents

Abstract

본 발명은 영상인식을 위한 자동 학습 장치 및 그 방법이 개시된다. 본 발명의 영상인식을 위한 자동 학습 방법은, 사용자 단말기로부터의 학습명령에 따라 영상인식(image recognition)을 위한 학습모델(learning model)의 학습 요청신호를 학습서버(learning server)로 요청하고, 상기 학습서버로부터 상기 학습 요청신호에 대응한 학습결과를 입력받고, 입력된 학습결과를 등록하고, 학습된 학습모델에 대한 평가를 빌드서버(build server)에 요청하고, 상기 빌드서버로부터 평가결과를 제공받는 평가 요청하고, 상기 평가결과를 등록하여 상기 평가결과에 따라 부족한 데이터에 대한 선별요청신호 및 합성영상(composite image) 생성신호를 출력하여 상기 학습모델의 학습이 반복적으로 수행되도록 동작하는 학습수단를 포함하는 것을 특징으로 한다.

Description

자동학습 관리장치 및 방법{Method And Apparatus for Managing Automatic Learning}

본 발명은 자동학습 관리장치 및 방법에 관한 것으로서, 보다 상세하게는 학습과정의 평가결과에 따라 데이터를 선별하고, 합성 데이터를 생성하여 데이터베이스를 보강함으로써, 알고리즘의 성능을 자동으로 육성시키는 영상인식을 위한, 자동학습 관리장치 및 방법에 관한 것이다.

이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.

일반적으로, 이미지로부터 사물에 대한 정보를 얻기 위해서는 먼저 이미지를 분석해야 한다. 종래의 이미지 처리(image processing) 기법은 이미지를 2차원 신호로 여기고 2차원 신호처리를 수행해 왔다. 이러한 방식은 이미지 속 객체를 인식하는 방법으로도 사용이 되었다. 그 일례로 차량의 번호판 인식 시스템이 있다.

하지만, 종래의 이미지처리 기법은 여러 단계의 처리과정을 거쳐 추출시간이 많이 소요된다는 점과 원 이미지 정보가 손실될 수 있다는 점에서 실시간 객체 인식에 사용되기에는 부족한 부분이 많았다.

이러한 문제를 해결하기 위해, 최근 딥 러닝(deep learning)을 이용한 연구가 이뤄지고 있다. 딥 러닝은 심층신경 네트워크(DNN; Deep Neural Network) 알고리즘과 이를 학습하는 방법을 의미하는 것으로, 초기에는 시간이 오래 소모되고 학습 데이터와의 과적합(overfitting)이라는 단점 때문에 활용도가 낮았다. 그러나 병렬연산이 가능한 GPU(graphics processing unit)의 등장과 새로운 알고리즘의 등장으로 이미지 내 객체 인식 기술 또한 획기적으로 개선되었다. 현재는 오차율이 굉장히 낮아져 인간의 인지 오차율에 매우 근접한 수준이 되었다.

한편, 이러한 낮은 오차율을 가지는 DNN 모델을 생성하기 위해서는 빅데이터에 해당할 정도의 수많은 이미지를 수집해야 하며, 수집된 이미지를 기반으로 수많은 횟수의 강화학습이 이루어져야 해 많은 시간 및 자원이 소모된다. 이러한 시간 및 자원의 소모는 온 보드(on board) 상에서 DNN 모델을 이용하여 객체를 인식시키는데 부담이 되어 왔다.

본 발명의 배경기술은 대한민국 공개특허공보 제2018-0058175호(2018.05.10. 공개, DNN 기반 객체 학습 및 인식 시스템)에 개시되어 있다.

강화학습을 위해서, 개발자(developer)가 수동으로 방대한 데이터를 선별하여 학습을 시키고, 학습이 완료될 때까지 기다린 후 평가결과를 확인한다. 이후 평가결과를 기반으로 개발자는 다시 방대한 데이터로부터 학습에 필요한 데이터를 선별하여 위의 과정을 반복하게 된다.

만약, 평가결과를 기반으로 인식 대상 개체의 데이터가 부족하게 되면 데이터를 수집해야 하고, 수작업으로 정답지를 만들어야 하는 등, 이 모든 과정을 개발자가 일일이 수행해야 하는 번거로움이 있었으며, 선별의 정확성을 높이는 과정과 데이터 로깅(data logging) 업무에 많은 작업량이 요구되는 문제점이 있었다.

본 발명은 상기와 같은 문제점들을 개선하기 위하여 안출된 것으로, 일 측면에 따른 본 발명의 목적은 학습명령을 입력 받아 학습과정을 자동으로 진행하여 평가결과에 따라 데이터를 선별하고, 부족한 데이터는 로깅된 실제 데이터뿐만 아니라 합성 데이터를 생성하여 데이터베이스를 보강함으로써, 알고리즘의 성능을 자동으로 육성시키는 영상인식을 위한 자동 학습 장치 및 그 방법을 제공하는 것이다.

본 발명의 일 측면에 의하면, 영상인식을 위한 자동학습 장치에 포함된 자동학습 관리장치에 있어서,사용자 단말기로부터의 학습명령에 따라 영상인식(image recognition)을 위한 학습모델(learning model)의 학습 요청신호를 학습서버(learning server)로 요청하는 요청수단; 상기 학습서버로부터 상기 학습 요청신호에 대응한 학습결과를 입력받고, 입력된 학습결과를 등록하는 등록수단; 학습된 학습모델에 대한 평가를 빌드서버(build server)에 요청하고, 상기 빌드서버로부터 평가결과를 제공받는 평가 요청수단; 및 상기 평가결과를 등록하고, 상기 평가결과에 따라 부족한 데이터에 대한 선별요청신호 및 합성영상(composite image) 생성신호를 출력하여 상기 학습모델의 학습이 반복적으로 수행되도록 동작하는 학습수단을 포함하는 것을 특징으로 하는 자동학습 관리장치를 제공한다.

본 발명의 다른 측면에 의하면, 영상인식을 위한 자동학습 관리장치를 이용한 자동학습을 관리하는 방법에 있어서, 사용자 단말기로부터의 학습명령에 따라 영상인식(image recognition)을 위한 학습모델(learning model)의 학습 요청신호를 학습서버(learning server)로 요청하는 학습요청과정; 상기 학습서버로부터 상기 학습 요청신호에 대응한 학습결과를 입력받고, 입력된 학습결과를 등록하는 학습결과 등록과정; 학습된 학습모델에 대한 평가를 빌드서버(build server)에 요청하고, 상기 빌드서버로부터 평가결과를 제공받는 평가요청과정; 및 상기 평가결과를 등록하고, 상기 평가결과에 따라 부족한 데이터에 대한 선별요청신호 및 합성영상(composite image) 생성신호를 출력하여 상기 학습모델의 학습이 반복적으로 수행되도록 동작하는 학습과정을 포함하는 것을 특징으로 하는 자동학습 관리방법을 제공한다.

본 발명의 일 측면에 따른 자동학습 관리장치 및 방법은 학습명령을 입력받아 학습과정을 자동으로 진행하여 평가결과에 따라 데이터를 선별하고, 부족한 데이터는 로깅된 실제 데이터뿐만 아니라 합성 데이터를 생성하여 데이터베이스를 보강함으로써, 알고리즘의 성능을 자동으로 향상시킬 수 있고, 학습과정을 자동화하여 업무 효율성 및 개발 시간을 단축시킬 수 있다.

도 1은 본 발명의 일 실시예에 따른 영상인식을 위한 자동학습 장치를 나타낸 블록구성도이다.
도 2는 본 발명의 일 실시예에 따른 영상인식을 위한 자동학습 장치에서 영상 합성과정을 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 영상인식을 위한 자동학습 방법을 설명하기 위한 흐름도이다.

이하, 첨부된 도면들을 참조하여 본 발명에 따른 영상인식을 위한 자동 학습 장치 및 그 방법을 설명한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.

도 1은 본 발명의 일 실시예에 따른 영상인식을 위한 자동학습 장치를 나타낸 블록구성도이고, 도 2는 본 발명의 일 실시예에 따른 영상인식을 위한 자동학습 장치에서 영상 합성과정을 설명하기 위한 도면이다.

도 1에 도시된 바와 같이 본 발명의 일 실시예에 따른 영상인식을 위한 자동학습 장치는, 형상 관리장치(configuration management device, 50), 학습서버(learning server, 40), 빌드서버(build server, 60) 및 자동학습 관리장치(automatic learning management device, 20)를 포함할 수 있다.

형상 관리장치(50)는 학습서버(40)와 빌드서버(60)로부터 제공받은 영상인식을 위한 학습모델의 학습 스크립트(learning script)와 학습된 학습모델의 소스코드(sorce code) 및 바이너리 파일(binary file)을 저장하여 관리하며, 학습을 수행하거나 학습된 학습모델을 빌드하여 평가를 수행할 때 학습서버(40)와 빌드서버(60)에 제공한다.

학습서버(40)는 학습데이터 DB(DataBase, 30)에 저장된 데이터를 기반으로 형상 관리장치(50)로부터 학습 스크립트를 다운로드 받아 학습 환경을 설정하여 영상인식(image recognition)을 위한 학습을 수행하고, 학습결과를 자동학습 관리장치(20)로 전송할 뿐만 아니라 학습된 학습모델을 형상 관리장치(50)에 업로드(upload)한다.

빌드서버(60)는 형상 관리장치(50)로부터 학습된 학습모델과 소스코드를 다운로드 받아 학습모델을 평가하기 위한 빌드환경을 설정하고, 소스코드를 바이너리파일로 빌드하여 평가를 수행하며, 평가결과를 자동학습 관리장치(20)로 전송할 뿐만 아니라 바이터리 파일 및 평가결과를 형상 관리장치(50)에 업로드한다.

자동학습 관리장치(20)는 사용자 단말기(10)의 학습명령에 따라 학습서버(40)에 영상인식을 위한 학습모델의 학습을 요청하여 학습결과를 입력받아 저장 등을 수행하는 등록을 하고, 학습된 학습모델에 대한 평가를 빌드서버(60)에 요청하여 평가결과를 입력받아 등록한다.

또한, 자동학습 관리장치(20)는 학습서버(40)로부터 학습결과가 등록되거나 빌드서버(60)로부터 평가결과가 등록될 경우, 학습결과와 평가결과를 이메일을 통해 사용자 단말기(10)로 전송하여 사용자가 확인하도록 할 수 있다.

한편, 자동학습 관리장치(20)는 평가결과에 따라 부족한 데이터를 학습데이터 DB(30)에서 다시 선별하고, 학습모델의 학습을 반복적으로 요청하여 알고리즘의 성능을 자동으로 육성시킬 수 있다.

영상 합성장치(70)는 자동학습 관리장치(20)로부터 요청된 평가결과에 따른 부족한 데이터의 합성영상(composite image)을 생성하여 학습데이터 DB(50)에 저장함으로써 성능 평가결과에 따라 부족한 데이터를 스스로 보강하여 강화된 학습을 수행하도록 할 수도 있다.

영상 합성장치(70)는 도 2에 도시된 바와 같이 부족한 데이터에 대해 (가)와 같이 월드 모델(world model)을 기반으로 도시환경, 교통량 및 보행자 등의 트래픽을 반영하여 렌더링(rendering)함으로써 부족한 데이터 이미지를 합성할 수 있고, (나)와 같이 이를 시간과 날씨 등을 반영하여 대량의 합성영상을 생성할 수 있다. 이와 같이 생성된 합성영상에 대해 (다)와 같이 GT(Ground Truth)를 추출하고 어노태이션(annotation)하여 학습데이터 DB(30)에 저장하고 부족한 데이터를 보강할 수 있다.

상술한 바와 같이, 본 발명의 실시예에 의한 영상인식을 위한 자동 학습 장치에 따르면, 학습명령을 입력받아 학습과정을 자동으로 진행하여 평가결과에 따라 데이터를 선별하고, 부족한 데이터는 로깅(logging)된 실제 데이터뿐만 아니라 합성 데이터를 생성하여 데이터베이스를 보강함으로써, 알고리즘의 성능을 자동으로 육성시킬 수 있고, 학습과정을 자동화하여 업무 효율성을 향상시키고 개발 시간을 단축시킬 수 있다.

도 3은 본 발명의 일 실시예에 따른 영상인식을 위한 자동 학습 방법을 설명하기 위한 흐름도이다.

도 3에 도시된 바와 같이 본 발명의 일 실시예에 따른 영상인식을 위한 자동 학습 방법에서는 먼저, 자동학습 관리장치(20)가 사용자 단말기(10)로부터 학습명령을 입력받아 자동학습을 위한 프로젝트(project)를 준비한다(S10).

S10 단계에서 프로젝트를 준비한 후 자동학습 관리장치(20)는 학습서버(40)에 영상인식을 위한 학습모델의 학습을 요청한다(S12).

S12 단계에서 학습모델의 학습을 요청하면 학습서버(40)는 형상 관리장치(50)로부터 학습모델의 학습 스크립트를 다운로드한다(S14).

S14 단계에서 학습 스크립트를 다운로드한 후 학습서버(40)는 학습을 수행하기 위한 학습 환경을 설정한다(S16).

S16 단계에서 학습 환경을 설정한 후 학습서버(40)는 학습데이터 DB(30)에 저장된 데이터를 기반으로 학습모델에 대한 학습을 수행한다(S18).

S18 단계에서 학습을 수행한 후 학습서버(40)는 학습결과를 전송한다(S20).

여기서 학습서버(40)는 학습된 학습모델을 형상 관리장치(50)에 업로드할 뿐만 아니라 학습결과를 자동학습 관리장치(20)에 전송한다.

S20 단계에서 전송된 학습결과를 입력받은 자동학습 관리장치(20)는 입력된 학습결과를 등록한다(S22).

S22 단계에서 학습결과를 등록한 후 자동학습 관리장치(20)는 학습결과를 이메일을 통해 사용자 단말기(10)로 전송하여 사용자가 확인할 수 있도록 한다(S24).

S24 단계에서 이메일을 통해 사용자 단말기(10)로 전송한 후 자동학습 관리장치(20)는 학습된 학습모델에 대한 평가를 빌드서버(60)에 요청한다(S26).

S26 단계에서 학습된 학습모델의 평가를 위한 빌드를 요청하면 빌드서버(60)는 형상 관리장치(50)로부터 학습모델 및 소스코드를 다운로드 한다(S28).

S28 단계에서 학습모델 및 소스코드를 다운로드 받은 후 빌드서버(60)는 빌드환경을 설정한다(S28).

S28 단계에서 빌드환경을 설정한 후 빌드서버(60)는 소스코드를 바이너리파일로 빌드하여 평가를 수행한다(S30).

S30 단계에서 평가를 수행한 후 빌드서버(60)는 평가결과를 전송한다(S34).

여기서 빌드서버(60)는 바이너리파일 및 평가결과를 형상 관리장치(50)에 업로드할 뿐만 아니라 평가결과를 자동학습 관리장치(20)에 전송한다.

S34 단계에서 전송된 평가결과를 수신한 자동학습 관리장치(20)는 입력된 평가결과를 등록한다(S36).

S36 단계에서 평가결과를 등록한 후 자동학습 관리장치(20)는 평가결과를 이메일을 통해 사용자 단말기(10)로 전송하여 확인할 수 있도록 한다(S38).

또한, 자동학습 관리장치(20)는 평가결과에 따라 부족한 데이터를 학습데이터 DB(30)에서 다시 선별하고, 평가결과에 따라 부족한 데이터에 대해 영상 합성장치(70)에 합성영상의 생성을 요청하여 학습모델의 학습을 반복적으로 요청한다(S40).

상술한 바와 같이, 본 발명의 실시예에 의한 자동학습 관리방법 및 장치에 따르면, 학습명령을 입력받아 학습과정을 자동으로 진행하여 평가결과에 따라 데이터를 선별하고, 부족한 데이터는 로깅된 실제 데이터 뿐만 아니라 합성 데이터를 생성하여 데이터베이스를 보강함으로써, 알고리즘의 성능을 자동으로 육성시킬 수 있고, 학습과정을 자동화하여 업무 효율성 및 개발 시간을 단축시킬 수 있다.

본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다.

따라서 본 발명의 진정한 기술적 보호범위는 아래의 청구범위에 의해서 정하여져야 할 것이다.

10 : 사용자 단말기 20 : 자동학습 관리장치
30 : 학습데이터 DB 40 : 학습서버
50 : 형상 관리장치 60 : 빌드서버
70 : 영상 합성장치

Claims (11)

1. 사용자 단말기로부터의 학습명령을 입력받아 자동학습을 위한 프로젝트를 준비하는 준비수단;
   상기 프로젝트에 기초하여 영상인식(image recognition)을 위한 학습모델(learning model)의 학습을 학습서버(learning server)에 요청하고, 상기 학습서버로부터 학습결과를 수신하여 상기 학습결과를 등록하는 학습수단;
   상기 프로젝트에 기초하여 학습된 학습모델에 대한 평가를 빌드서버(build server)에 요청하고, 상기 빌드서버로부터 평가결과를 수신하여 상기 평가결과를 등록하는 평가수단; 및
   상기 평가결과에 따라 부족한 데이터를 학습데이터 DB에서 재선별하고 상기 재선별된 데이터의 합성영상(composite image) 생성을 영상 합성장치에 요청한 후, 상기 학습모델의 학습이 반복적으로 수행되도록 동작하는 재학습수단
   을 포함하되,
   상기 빌드서버는,
   형상 관리장치로부터 학습된 상기 학습모델과 소스코드를 다운로드받아 빌드환경을 설정하고, 상기 소스코드를 바이너리파일로 빌드하여 평가를 수행하는 것을 특징으로 하는 자동학습 관리장치.
2. 삭제
3. 제 1항에 있어서,
   상기 영상 합성장치는,
   상기 생성을 요청받아 상기 재선별된 데이터의 합성영상을 생성하고, 생성된 합성영상을 학습데이터 DB에 저장하는 것을 특징으로 하는 자동학습 관리장치.
4. 제 1항에 있어서,
   등록된 학습결과 및 등록된 평가결과를 상기 사용자 단말기로 전송하는 전송수단을 더 포함하는 것을 특징으로 하는 자동학습 관리장치.
5. 사용자 단말기로부터의 학습명령을 입력받아 자동학습을 위한 프로젝트를 준비하는 준비과정;
   상기 프로젝트에 기초하여 영상인식(image recognition)을 위한 학습모델(learning model)의 학습을 학습서버(learning server)에 요청하고, 상기 학습서버로부터 학습결과를 수신하여 상기 학습결과를 등록하는 학습과정;
   상기 프로젝트에 기초하여 학습된 학습모델에 대한 평가를 빌드서버(build server)에 요청하고, 상기빌드서버로부터 평가결과를 수신하여 상기 평가결과를 등록하는 평가과정; 및
   상기 평가결과에 따라 부족한 데이터를 학습데이터 DB에서 재선별하고 상기 재선별된 데이터의 합성영상(composite image) 생성을 영상 합성장치에 요청한 후, 상기 학습모델의 학습이 반복적으로 수행되도록 동작하는 재학습과정
   을 포함하되,
   상기 빌드서버는,
   형상 관리장치로부터 학습된 상기 학습모델과 소스코드를 다운로드받아 빌드환경을 설정하고, 상기 소스코드를 바이너리파일로 빌드하여 평가를 수행하는 것을 특징으로 하는 자동학습 관리방법.
6. 제 5항에 있어서,
   상기 학습과정은,
   상기 학습서버가 상기 형상 관리장치로부터 학습 스크립트를 다운로드 받아 학습 환경을 설정하고, 상기 학습서버가 학습 데이터 DB에 저장된 데이터를 기반으로 상기 학습모델의 학습을 반복적으로 수행하는 것을 특징으로 하는 자동학습 관리방법.
7. 제 6항에 있어서,
   상기 학습서버가 상기 학습모델의 학습을 반복적으로 수행한 후의 학습결과를 출력하는 과정을 더 포함하는 것을 특징으로 하는 자동학습 관리방법.
8. 제 7항에 있어서,
   상기 학습서버가 학습된 상기 학습모델을 상기 형상 관리장치에 업로드하는 과정을 더 포함하는 것을 특징으로 하는 자동학습 관리방법
9. 제 5항에 있어서,
   상기 학습과정은,
   상기 학습결과를 이메일을 통해 상기 사용자 단말기로 전송하는 과정을 더 포함하는 것을 특징으로 하는 자동학습 관리방법.
10. 삭제
11. 제 5항에 있어서,
    상기 빌드서버가 평가를 수행한 후 상기 바이너리파일 및 평가결과를 상기 형상 관리장치에 업로드하는 과정을 더 포함하는 것을 특징으로 하는 자동학습 관리방법.
    

Images