KR102554181B1 - 골 영상으로부터 골 연령을 판독하는 방법 - Google Patents

Abstract

본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서로 하여금 골 영상으로부터 골 연령을 추정하게 하기 위한 명령들을 포함하며, 상기 명령들은: 하나 이상의 레이어를 포함하는 부분 골 러스 점수 추정 모델을 이용하여, 하나 이상의 부분 골 영상 각각에 대한 러스 점수(RUS score)를 추정하고, 상기 하나 이상의 부분 골 영상은 전체 골 영상으로부터 생성되는 단계; 및 상기 하나 이상의 부분 골 영상 각각에 대해 추정된 하나 이상의 러스 점수를 이용하여 상기 전체 골 영상에 대응하는 골 연령을 추정하는 단계를 포함하고, 상기 부분 골 러스 점수 추정 모델은, 라벨링된 부분 골 영상을 학습 데이터로 사용하고, 그리고 상기 하나 이상의 레이어에서 산출된 특징 값에 대한 조정을 통해 학습될 수 있다.

Description

골 영상으로부터 골 연령을 판독하는 방법{BONE AGE ASSESSMENT METHOD FOR BONE IMAGE}

본 발명은 기계 학습 모듈을 이용한 골 연령 측정 방법에 관한 것으로, 보다 구체적으로 골 영상으로부터 골 연령을 측정하는 기계 학습 모듈에 관한 것이다.

종래 골 영상으로부터 골 연령을 판독하기 위해 GP(Greulich-Pyle) 방법과 TW3(Tanner-Whitehouse 3) 방법이 이용되었다.

GP 측정법은 약 1년 간격의 골 연령별로 표준화된 손뼈 사진들이 실린 표준도감을 참고해 대상 아동의 손뼈 사진을 비교, 분석해 골 연령을 측정한다. GP 측정법은 검사결과를 신속히 확인할 수 있지만, 판독자에 따라 중점적으로 보는 부위가 다를 수 있고 편차가 다소 발생한다는 문제가 존재한다.

TW3 측정법은 손뼈 내 13개 부위별로 골 성숙 등급을 판별하며, 그 등급에 해당하는 점수를 합산해 골 연령을 산출한다. GP와 달리 손뼈 내 주요 성장판 부위들에 대해 전반적으로 평가하기 때문에 편차가 적지만, 판독시간이 오래 걸리고 모호한 9단계의 골 성숙 등급분류가 정확도에 영향을 줄 수 있다는 문제가 존재한다.

따라서, 이와 같은 문제를 해결하기 위한 정확한 골 연령 측정 기법에 대한 수요가 당업계에 존재할 수 있다.

본 개시는 전술한 배경기술에 대응하여 안출 된 것으로, 골 영상으로부터 골 연령을 측정하는 기계 학습 모듈을 제공하는 것을 목적으로 한다.

전술한 과제를 해결하기 위한, 컴퓨터 판독가능 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서로 하여금 골 영상으로부터 골 연령을 추정하게 하기 위한 명령들을 포함하며, 상기 명령들은: 하나 이상의 레이어를 포함하는 부분 골 러스 점수 추정 모델을 이용하여, 하나 이상의 부분 골 영상 각각에 대한 러스 점수(RUS score)를 추정하고, 상기 하나 이상의 부분 골 영상은 전체 골 영상으로부터 생성되는 단계; 및 상기 하나 이상의 부분 골 영상 각각에 대해 추정된 하나 이상의 러스 점수를 이용하여 상기 전체 골 영상에 대응하는 골 연령을 추정하는 단계를 포함하고, 상기 부분 골 러스 점수 추정 모델은, 라벨링된 부분 골 영상을 학습 데이터로 사용하고, 그리고 상기 하나 이상의 레이어에서 산출된 특징 값에 대한 조정을 통해 학습될 수 있다.

대안적으로, 상기 부분 골 러스 점수 추정 모델은, 러스 점수가 라벨링된 둘 이상의 학습 데이터 각각에 대한 상기 부분 골 러스 점수 추정 모델의 히든 레이어에서 산출된 둘 이상의 특징 값을 믹스업(mix-up)을 통해 조정하여 학습될 수 있다.

대안적으로, 상기 믹스업은, 상기 둘 이상의 학습 데이터 중 상기 부분 골 러스 점수 추정 모델의 히든 레이어에서 산출된 하나의 학습 데이터에 대응하는 특징 값의 적어도 일부를 상기 부분 골 러스 점수 추정 모델의 히든 레이어에서 산출된 다른 학습 데이터에 대응하는 특징 값의 적어도 일부와 교환하는 동작을 포함할 수 있다.

대안적으로, 상기 부분 골 러스 점수 추정 모델은, 상기 믹스업에 기초하여 조정된 상기 둘 이상의 학습 데이터 각각에 라벨링된 러스 점수에 기초하여 학습될 수 있다.

대안적으로, 상기 학습 데이터 각각에 라벨링 되는 러스 점수는, 하나 이상의 클래스를 포함하며, 각각의 클래스는 실제 정보(ground truth)에 기초한 순서 상의 상관 관계를 가질 수 있다.

대안적으로, 상기 학습 데이터 각각에 라벨링 되는 러스 점수는, 상기 믹스업의 정도에 기초한 가중치와 각각의 클래스에 대한 연산 결과에 기초하여 조정될 수 있다.

대안적으로, 상기 학습 데이터 각각에 라벨링 되는 러스 점수는, 상기 러스 점수의 라벨에 대한 라벨 스무딩을 수행함으로써 생성되는 러스 점수 분포 형태를 포함할 수 있다.

대안적으로, 하나의 학습 데이터에 라벨링된 러스 점수는, 상기 하나의 학습 데이터에 대한 상기 부분 골 러스 점수 추정 모델의 히든 레이어에서 산출된 특징 값의 적어도 일부의 다른 학습 데이터에 대한 상기 부분 골 러스 점수 추정 모델의 히든 레이어에서 산출된 특징 값의 적어도 일부와의 교환의 정도에 기초하여 결정되는 가중치와 상기 러스 점수의 클래스에 대한 연산 결과에 기초하여 조정될 수 있다.

대안적으로, 하나 이상의 부분 골 영상은 상기 전체 골 영상에 포함된 하나 이상의 지점 각각이 주요 지점에 해당할 확률에 기초하여 상기 하나 이상의 주요 지점을 결정하고, 상기 하나 이상의 주요 지점의 유형에 기초하여, 상기 부분 골 영상의 크기를 결정하고, 그리고 상기 하나 이상의 주요 지점 및 이에 대응하는 부분 골 영상의 크기에 기초하여, 상기 하나 이상의 부분 골 영상을 생성할 수 있다.

전술한 과제를 해결하기 위한, 골 영상으로부터 골 연령을 추정하는 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는: 컴퓨터 실행가능한 컴포넌트들을 포함하는 메모리; 메모리에 저장된 이하의 컴퓨터 실행가능한 컴포넌트들을 실행하는 프로세서; 를 포함하고, 상기 프로세서는, 하나 이상의 레이어를 포함하는 부분 골 러스 점수 추정 모델을 이용하여, 하나 이상의 부분 골 영상 각각에 대한 러스 점수(RUS score)를 추정하고, 상기 하나 이상의 부분 골 영상은 전체 골 영상으로부터 생성되며, 그리고, 상기 하나 이상의 부분 골 영상 각각에 대해 추정된 하나 이상의 러스 점수를 이용하여 상기 전체 골 영상에 대응하는 골 연령을 추정하며, 그리고, 상기 부분 골 러스 점수 추정 모델은, 라벨링된 부분 골 영상을 학습 데이터로 사용하고, 그리고 상기 하나 이상의 레이어에서 산출된 특징 값에 대한 조정을 통해 학습될 수 있다.

전술한 과제를 해결하기 위한, 컴퓨팅 장치에서 전체 골 영상으로부터 전체 골 연령을 추정하는 방법이 개시된다. 상기 방법은: 하나 이상의 레이어를 포함하는 부분 골 러스 점수 추정 모델을 이용하여, 하나 이상의 부분 골 영상 각각에 대한 러스 점수(RUS score)를 추정하고, 상기 하나 이상의 부분 골 영상은 전체 골 영상으로부터 생성되는 단계; 및 상기 하나 이상의 부분 골 영상 각각에 대해 추정된 하나 이상의 러스 점수를 이용하여 상기 전체 골 영상에 대응하는 골 연령을 추정하는 단계를 포함하고, 상기 부분 골 러스 점수 추정 모델은, 라벨링된 부분 골 영상을 학습 데이터로 사용하고, 그리고 상기 하나 이상의 레이어에서 산출된 특징 값에 대한 조정을 통해 학습될 수 있다.

전술한 과제를 해결하기 위한, 모델의 동작을 결정하는 파라미터를 저장하는 데이터 구조가 저장된 컴퓨터 판독가능 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 파라미터는 상기 모델의 학습 방법에 기초하여 결정되며, 상기 학습 방법은, 러스 점수가 라벨링된 둘 이상의 부분 골 영상을 부분 골 러스 점수 추정 모델에 입력시키는 단계; 상기 둘 이상의 부분 골 영상 중 하나의 부분 골 영상에 대한 부분 골 러스 점수 추정 모델의 히든 레이어에서 산출된 특징 값의 적어도 일부를 다른 부분 골 영상에 대한 부분 골 러스 점수 추정 모델의 히든 레이어에서 산출된 특징 값의 적어도 일부에 기초하여 조정하는 단계; 상기 둘 이상의 부분 골 영상 각각에 라벨링된 러스 점수를 조정하는 단계; 및 상기 조정된 러스 점수와 상기 부분 골 러스 점수 추정 모델에서 출력되는 러스 점수에 기초하여 상기 부분 골 러스 점수 추정 모델의 파라미터를 업데이트 하는 단계를 포함할 수 있다.

본 개시는 골 영상으로부터 골 연령을 판독하기 위한 기계 학습 모듈 및 기계 학습 모듈의 훈련 방법을 제공할 수 있다.

도 1은 본 개시의 일 실시예에 따른 프로세서가 전체 골 영상의 골 연령을 측정하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따른 컴퓨팅 장치에 의해 전체 골 영상의 골 연령이 측정되는 과정을 나타낸 도면이다.
도 4는 본 개시의 일 실시예에 따른 전체 골 영상에 대한 하나 이상의 주요 지점을 나타낸 도면이다.
도 5는 본 개시의 일 실시예에 따른 전체 골 영상 및 부분 골 영상을 나타낸 도면이다.
도 6은 본 개시의 일 실시예에 따른 골 연령 라벨 분포를 나타낸 도면이다.
도 7은 본 개시의 일 실시예에 따른 초기 특징 값 및 라벨에 대한 조정을 나타낸 도면이다.
도 8은 본 개시의 일 실시예에 따른 프로세서가 전체 골 영상의 골 연령을 측정하는 방법을 나타낸 순서도이다.
도 9는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

본 개시에서 네트워크 함수와 인공 신경망 및 뉴럴 네트워크(neural network)는 상호 교환 가능하게 사용될 수 있다.

본 발명의 상세한 설명 및 청구항들에 걸쳐 이용된 "영상" 또는 "영상 데이터"라는 용어는 이산적 영상 요소들(예컨대, 2차원 영상에 있어서는 픽셀)로 구성된 다차원 데이터를 지칭하며, 달리 말하자면, (예컨대, 비디오 화면에 표시된) 눈으로 볼 수 있는 대상 또는 (예컨대, CT, MRI 검출기 등의 픽셀 출력에 대응되는 파일과 같은) 그 대상의 디지털 표현물을 지칭하는 용어이다.

예를 들어 "이미지" 또는 "영상"은 전산화 단층 촬영(CT; computed tomography), 자기 공명 영상(MRI; magnetic resonance imaging), 안저 영상, 초음파 또는 본 발명의 기술분야에서 공지된 임의의 다른 의료 영상 시스템의 의하여 수집된 피검체(subject)의 의료 영상일 수 있다. 영상이 반드시 의료적 맥락에서 제공되어야 하는 것은 아니고 비의료적 맥락에서 제공될 수도 있는 바, 예를 들어 보안 검색용 X선 촬영 등이 있을 수 있다.

본 발명의 상세한 설명 및 청구항들에 걸쳐 'DICOM(Digital Imaging and Communications in Medicine; 의료용 디지털 영상 및 통신)' 표준은 의료용 기기에서 디지털 영상 표현과 통신에 이용되는 여러 가지 표준을 총칭하는 용어인 바, DICOM 표준은 미국 방사선 의학회(ACR)와 미국 전기 공업회(NEMA)에서 구성한 연합 위원회에서 발표한다.

또한, 본 발명의 상세한 설명 및 청구항들에 걸쳐 '의료영상 저장 전송 시스템(PACS; Picture Archiving and Communication System)'은 DICOM 표준에 맞게 저장, 가공, 전송하는 시스템을 지칭하는 용어이며, X선, CT, MRI와 같은 디지털 의료영상 장비를 이용하여 획득된 의료영상 이미지는 DICOM 형식으로 저장되고 네트워크를 통하여 병원 내외의 단말로 전송이 가능하며, 이에는 판독 결과 및 진료 기록이 추가될 수 있다.

도 1은 본 개시의 일 실시예에 따른 위한 컴퓨팅 장치의 블록 구성도이다.

도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.

컴퓨팅 장치(100)는 프로세서(110), 메모리(120), 네트워크부(미도시)를 포함할 수 있다.

프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 개시의 일 실시예에 따르면, 메모리(120)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부가 수신한 임의의 형태의 정보를 저장할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(120)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(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), 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. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(120)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따른 네트워크부는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.

또한, 본 명세서에서 제시되는 네트워크부는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.

본 개시에서 네트워크부는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다.

본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.

도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 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. 상술한 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 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 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.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.

본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.

뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.

본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.

데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.

데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.

비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 이하에서는 신경망으로 통일하여 기술한다. 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.

데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 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 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

도 3은 본 개시의 일 실시예에 따른 컴퓨팅 장치에 의해 전체 골 영상의 골 연령이 측정되는 과정을 나타낸 도면이다.

본 개시에 따른 프로세서(110)는, 컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램을 실행함으로써 골 영상으로부터 골 연령을 추정할 수 있다. 이를 위하여, 프로세서(110)는 전체 골 영상으로부터 하나 이상의 부분 골 영상(400)을 생성하고, 상기 하나 이상의 부분 골 영상(400) 각각에 대한 부분 러스 점수(RUS score)(600)를 추정하고, 상기 하나 이상의 부분 골 영상(400) 각각에 대해 추정된 하나 이상의 부분 러스 점수를 이용하여 전체 골 영상(200)의 전체 골 연령을 측정할 수 있다. 이때, 부분 러스 점수(600)는 부분 골 러스 점수 추정 모델(500)에 의하여 추정될 수 있다. 이러한 부분 골 러스 점수 추정 모델(500)은 기계 학습(machine learning) 모듈일 수 있다. 부분 골 러스 점수 추정 모델(500)이 기계 학습 모듈을 이용하여 구축되었을 경우, 부분 골 러스 점수 추정 모델(500)에 대한 훈련(training)은 라벨링된 부분 골 영상을 학습 데이터로 이용할 수 있고, 하나 이상의 레이어에서 산출된 특징 값에 대한 조정을 통해 수행될 수 있다.

본 개시에 걸쳐, 특징 값에 대한 조정이란 부분 골 러스 점수 추정 모델의 학습 과정에서, 둘 이상의 학습 데이터 각각에 대한 특징 값들에 대한 믹스업을 수행하는 것을 의미할 수 있다. 부분 골 러스 점수 추정 모델(500)은 믹스업에 기초하여 조정된 둘 이상의 학습데이터 각각에 라벨링된 러스 점수에 기초하여 학습될 수 있다. 믹스업 연산에 관한 구체적인 설명은 하기 [수학식 1]과 관련하여 자세히 후술한다.

본 개시에 있어서 전체 골 영상(200)은 골 연령이 측정되어야 하는 신체 부위의 골 영상일 수 있다. 예를 들어, 전체 골 영상(200)은 수골 영상, 팔꿈치 영상, 기타 관절에 대한 영상을 포함할 수 있으며, 뼈의 형상을 확인할 수 있는 X-ray 영상을 포함할 수 있으나 이에 제한되지 않는다.

전체 골 영상(200)은 하나 이상의 주요 지점을 포함할 수 있다. 이러한 하나 이상의 주요 지점은 전체 골 영상(200)에 대한 골 연령이 측정되기 위한 러스 점수(600)가 측정되어야 하는 지점일 수 있다. 즉, 프로세서(110)는 하나 이상의 주요 지점 각각에 대한 러스 점수(600)를 추정하고, 추정된 하나 이상의 러스 점수(600) 를 이용하여 전체 골 연령을 측정할 수 있다.

하나 이상의 주요 지점 각각에 대한 러스 점수(600)를 측정하기 위해 전체 골 영상(200)은 하나 이상의 부분 골 영상(400)으로 분할될 수 있다. 이를 위하여, 주요 영역 추출부(300)는 전체 골 영상(200)으로부터 하나 이상의 주요 지점을 추출할 뿐만 아니라, 추출된 주요 지점을 포함하는 부분 골 영상(400)을 생성할 수 있다.

본 개시에 따른 프로세서(110)는 주요 영역 추출부(300)를 이용하여 전체 골 영상(200)으로부터 부분 골 영상(400)을 생성할 수 있다. 프로세서(110)는 주요 영역 추출부(300)를 이용하여 전체 골 영상(200)에 포함된 하나 이상의 주요 지점을 추출하고, 추출된 하나 이상의 주요 지점을 이용하여 하나 이상의 부분 골 영상(400)을 생성할 수 있다. 주요 영역 추출부(300)는 전체 골 영상(200)으로부터 하나 이상의 주요 지점을 추출하기 위해 훈련된 기계 학습 모듈로서 구축될 수 있다. 전체 골 영상(200)에 포함된 하나 이상의 픽셀들이 전체 골 영상(200)에 포함된 하나 이상의 주요 지점에 해당하는지 여부를 주요 지점에 관한 그라운드 트루스(ground truth)와 비교하는 손실 함수(Loss function)을 최소화하도록 훈련될 수 있다. 구체적으로, 주요 영역 추출부(300)는 전체 골 영상(200)에 포함된 하나 이상의 픽셀 각각에 대하여 해당 픽셀이 주요 지점에 해당할 확률을 산출해낼 수 있다. 주요 영역 추출부(300)는 임의의 픽셀이 주요 지점에 해당할 확률이 기 설정된 기준 값을 넘어가면 이를 주요 지점으로 결정할 수 있다. 나아가, 주요 영역 추출부(300)는 주요 지점을 유형별로 구분할 수 있다. 즉, 주요 영역 추출부(300)는 특정 픽셀이 제 1 주요 지점에 해당할 확률, 제 2 주요 지점에 해당할 확률을 별도로 산출해낼 수 있다. 이와 관련하여 주요 영역 추출부(300)는 주요 지점의 유형 별로 별도의 확률맵(probability map)을 생성할 수 있다.

또한, 주요 영역 추출부(300)는 추출된 주요 지점을 이용하여 하나 이상의 부분 골 영상(400)을 생성해낼 수 있다. 예를 들면, 주요 영역 추출부(300)는 주요 지점의 유형 별로 부분 골 영상(400)의 크기를 결정할 수 있다. 주요 영역 추출부(300)는 주요 지점 각각에 대한 부분 골 영상 영역의 그라운드 트루스(ground truth)와 주요 영역 추출부(300)에 의해 생성된 부분 골 영상(400)의 영역을 비교함으로써 부분 골 영상(400)의 크기를 결정하도록 할 수 있다. 구체적으로, 주요 영역 추출부(300)는 주요 지점 각각에 대한 부분 골 영상 영역과 주요 영역 추출부(300)에 의해 생성된 부분 골 영상(400) 간의 불일치 영역의 차이를 이용하여 결정된 손실 함수를 최소화하도록 훈련될 수 있다. 이러한 부분 골 영상(400)의 크기는 주요 지점의 유형에 따라 상이하게 결정될 수 있다. 그러나, 부분 골 영상(400)의 크기 결정에 관한 주요 영역 추출부(300)의 훈련에 요구되는 연산량을 줄이기 위해, 부분 골 영상(400)의 크기는 주요 영역의 유형과 무관하게 일괄적으로 결정될 수도 있다.

본 개시에 있어 부분 골 영상(400)은 전체 골 영상(200)의 분할된 일부일 수 있다. 부분 골 영상(400)은 골 연령 측정을 위한 주요 지점을 부분 골 영상(400) 내에 하나 이상 포함하고 있을 수 있다. 상술한 바와 같이 부분 골 영상(400)은 추출된 주요 지점 및 추출된 주요 지점의 유형에 따른 부분 골 영상(400)의 크기에 기초하여 생성될 수 있다. 이 때, 부분 골 영상(400)의 중심에 주요 지점이 위치할 수 있다.

본 개시에 있어서 부분 골 러스 점수 추정 모델(500)은 부분 골 영상(400)을 입력받아, 입력된 부분 골 영상(400)에 대응하는 러스 점수(600)를 생성하는 컴퓨터 실행가능한 컴포넌트일 수 있다. 본 개시에 따른 부분 골 러스 점수 추정 모델(500)은 러스 점수를 생성하기 위한 기계 학습 모듈로서 구성될 수 있다. 부분 골 러스 점수 추정 모델(500)은 하나 이상의 인공 신경망으로 구성될 수 있으며, 인공 신경망의 수는 입력 데이터에 대한 부분 골 영상(400)의 수에 기초할 수 있다. 즉, 부분 골 러스 점수 추정 모델(500)은 각각의 부분 골 영상을 분류하도록 하는 서브 모듈을 포함할 수 있다.

본 개시에 따른 부분 골 러스 점수 추정 모델(500)은 부분 골 영상(400)을 입력으로 받아, 이에 대한 러스 점수(600)를 추정하도록 훈련될 수 있다. 부분 골 러스 점수 추정 모델(500)을 훈련시키기 위하여 지도 학습, 비지도 학습, 반지도 학습 등이 이용될 수 있다. 부분 골 러스 점수 추정 모델(500)을 훈련시키기 위한 훈련 데이터는 부분 골 영상(400) 및 부분 골 영상의 러스 점수에 대한 라벨을 포함할 수 있다.

본 개시에 있어서 부분 골 러스 점수 추정 모델(500)에 대한 훈련 데이터의 조정이 이루어질 수 있다. 이러한 훈련 데이터에 대한 조정은 부분 골 영상(400)에 대한 특징(feature) 값 및 러스 점수 라벨 값에 대한 조정을 포함할 수 있다. 즉, 훈련 데이터에 대한 믹스-업 연산은 특징 값 및 러스 점수 라벨 값 모두에 대해 수행될 수 있다.

구체적으로, 훈련 데이터에 대한 조정은, 둘 이상의 학습 데이터에 대한 부분 골 영상(400)에 있어, 같은 유형의 특징 값을 기 설정된 로직에 의하여 조합함으로써 새로운 특징 값을 생성해내는 것일 수 있다. 또한, 러스 점수 라벨 값에 대한 조정은, 둘 이상의 학습 데이터에 대한 부분 골 영상(400)에 대한 골 연령 초기 라벨을 기 설정된 로직에 의하여 조합 함으로써 새로운 라벨 값을 생성하는 것을 포함할 수 있다. 이러한 골 연령 초기 라벨에 대한 조합은 하나 이상의 골 연령 초기 라벨에 대한 믹스-업 연산을 수행하는 것을 포함할 수 있다. 나아가, 러스 점수 라벨에 대한 조정은, 생성된 상기 새로운 라벨 값을 이용하여 라벨 스무딩(label smoothing)을 수행하는 것을 포함할 수 있다.

예를 들어, 본 개시에 따른 부분 골 러스 점수 추정 모델(500)을 훈련시키기 위하여, 입력 데이터인 부분 골 영상(400)에 대한 조정이 이루어질 수 있다. 믹스업 연산은, 둘 이상의 학습 데이터를 포함하는 그룹에서, 그룹에 포함된 학습 데이터 각각의 부분 골 러스 점수 추정 모델의 히든 레이어에서 산출된 특징 값의 혼합 동작을 포함할 수 있다. 믹스업 연산은, 둘 이상의 학습 데이터 중 하나의 학습 데이터에 대한 부분 골 러스 점수 추정 모델의 히든 레이어에서 산출된 특징 값의 적어도 일부를 다른 학습 데이터에 대한 부분 골 러스 점수 추정 모델의 히든 레이어에서 산출된 특징 값의 적어도 일부와 교환하는 동작을 포함할 수 있다. 예를 들어, 제 1 학습 데이터의 부분 골 영상에 대한 부분 골 러스 점수 추정 모델의 히든 레이어에서 산출된 제 1 특징 값과 제 2 학습 데이터의 부분 골 영상에 대한 부분 골 러스 점수 추정 모델의 히든 레이어에서 산출된 제 2 특징 값을 가정하자. 이 경우 제 1 학습 데이터의 부분 골 영상과 제 2 학습 데이터의 부분 골 영상은 상이한 러스 점수 클래스를 가질 수 있으며, 동일한 해부학적 위치에 대한 부분 골 영상일 수 있다. 제 1 특징 값과 제 2 특징 값은 동일한 차원을 가지는 벡터 형태로 구성될 수 있다. 제 1 특징 값의 적어도 일부와 제 2 특징 값의 적어도 일부는 상호 교환되어 믹스업 될 수 있으며, 믹스업되는 각각의 벡터의 적어도 일부는 대응되는 특징에 관한 부분일 수 있다. 또한, 예를 들어, 둘 이상의 학습 데이터를 포함하는 학습 데이터 서브세트에 포함된 학습 데이터들 각각의 특징 값들은 서로 교환되어 믹스업 될 수 있다. 이 경우 특징 값들이 서로 교환되어 믹스업 되기 위한 학습 데이터 서브세트에 포함된 학습 데이터들 각각에 라벨링된 러스 점수는 사전결정된 분포를 가질 수 있다. 이 경우 믹스업 되는 학습데이터 각각에 라벨링된 러스 점수는 사전결정된 범위의 클래스 일 수 있다. 예를 들어, 골연령 10 세로 변환될 수 있는 러스 점수가 라벨링된 제 1 학습 데이터와 골연령 1세로 변환될 수 있는 러스 점수가 라벨링된 제 2 학습 데이터는 학습 데이터 서브세트를 구성하지 않을 수 있으며, 골연령 5세로 변환될 수 있는 러스 점수가 라벨링된 제 3 학습 데이터와 골연령 6 세로 변환될 수 있는 러스 점수가 라벨링된 제 4 학습 데이터가 믹스업을 위한 학습 데이터 서브세트를 구성할 수 있다. 즉, 본 개시에서 각각의 학습 데이터에 라벨링된 러스 점수는 하나 이상의 클래스를 가지며 각각의 클래스는 실제 정보(예를 들어, 골 연령)에 기초한 순서 상의 상관 관계를 가질 수 있다. 이 경우, 클래스가 너무 먼 러스 점수가 라벨링된 학습 데이터 끼리의 믹스업은 바람직하지 않을 수 있다. 따라서, 클래스 간의 거리(즉, 클래스의 실제 정보(예를 들어, 골 연령)의 거리)가 사전결정된 범위 이내인 라벨에 대응되는 학습 데이터들이 믹스업되도록, 프로세서(110)는 믹스업을 수행하기 위한 학습 데이터 서브세트를 결정할 수 있다.

또한, 입력 데이터인 부분 골 영상(400)에 대한 조정은, 동일한 주요 지점에 대한 둘 이상의 학습 데이터에 대한 부분 골 영상(400)에서 동일한 지점의 특징 값을 기 설정된 로직에 의하여 조합함으로써 이루어질 수도 있다. 이러한 픽셀 특징 값의 조합을 위한 기 설정된 로직은 픽셀 특징 값에 대한 믹스-업 연산을 수행하는 것을 포함할 수 있다. 예를 들어, 제 1 주요 지점에 대한 둘 이상의 학습 데이터에 대한 부분 골 영상(400)이 있다고 가정하자. 여기서 부분 골 영상(400)에 대한 조정은 둘 이상의 부분 골 영상(400)에서 동일한 지점의 픽셀의 특징 값을 기 설정된 로직에 의하여 더하는 것일 수 있다. 여기서 부분 골 영상을 조정하기 위한 기 설정된 로직은 믹스업 연산일 수 있으며, 이러한 믹스업 연산의 구체적인 연산 방법은 아래 [수학식 1]과 같을 수 있다.

상기 [수학식 1]에서

는 특정 픽셀에서의 조정된 특징 값일 수 있다. a 및 b는 제 1 주요 지점에 대한 두 부분 골 영상(400)의 상기 특정 픽셀에서의 특징 값일 수 있다. λ는 상기 조정된 특징 값을 생성하기 위해 결정되는 임의의 하이퍼 파라미터(hyperparameter)일 수 있으며, 예를 들어, 특정 분포를 따르는 Random variable (ex, Beta-distribution) 일 수 있다.

프로세서(110)는 부분 골 러스 점수 추정 모델(500)을 훈련시키기 위하여, 부분 골 러스 점수 추정 모델(500)의 훈련 단계에서 히든 레이어에서의 부분 골 영상(400)의 특징 값에 대한 조정을 수행하도록 할 수 있다. 즉, 본 개시에 따른 믹스업 연산은 히든 레이어에서의 특징 값들에 대해서도 수행될 수 있다. 이러한 히든 레이어에서의 부분 골 영상(400)의 특징 값에 대한 조정은 부분 골 영상의 숨은 표현(hidden representation)들의 정규화를 수행하기 위하여 하나 이상의 상기 산출된 초기 특징 값 및 기 설정된 로직에 기초하여 생성된 조정 특징 값을 다음 레이어의 입력 특징 값으로 결정하는 것일 수 있다. 상기 초기 특징 값에 대해 적용되는 기 설정된 로직은 믹스-업 연산일 수 있다. 구체적으로, 부분 골 영상(400)의 초기 특징 값에 대한 조정은 동일한 주요 지점에 대한 둘 이상의 부분 골 영상(400)에서 동일한 유형의(예를 들면, 전달되는 특징 값의 출발 노드와 도착 노드가 동일한) 초기 특징 값을 기 설정된 로직에 의하여 조합함으로써 이루어질 수 있다. 예를 들어, 제 1 주요 지점에 대한 둘 이상의 부분 골 영상(400)이 있다고 가정하자. 여기서 히든 레이어에서의 부분 골 영상(400)의 초기 특징 값에 대한 조정은 동일한 유형의 초기 특징 값을 기 설정된 로직에 의하여 더하는 것일 수 있다. 여기서 히든 레이어에서의 초기 특징 값을 조정하기 위한 기 설정된 로직은 상기 [수학식 1]과 같을 수 있다. 여기서, 하이퍼 파라미터인

는 히든 레이어에 대한 조정을 수행하기 위해 결정된 값으로써, 입력 레이어에 대한 조정을 수행하기 위해 결정된 값과 상이할 수 있다. 부분 골 러스 점수 추정 모델(500)은 기 설정된 로직에 의하여 조정된 특징 값을 다음 레이어에 입력할 수 있다.

본 개시에 있어서, 부분 골 러스 점수 추정 모델(500)에 대한 훈련 데이터의 라벨에 대한 조정이 수행될 수 있다. 라벨에 대한 조정은 일 주요 지점에 대한 둘 이상의 학습 데이터 각각에 대한 부분 골 영상(400)의 초기 라벨을 이용해 수행될 수 있다. 구체적으로, 프로세서(110)는 일 주요 지점에 대한 부분 골 영상(400)들의 초기 라벨 및 상기 [수학식 1]을 이용해 조정 라벨 값을 생성할 수 있다.

보다 구체적으로, 학습데이터 각각에 라벨링 되는 러스 점수는, 하나 이상의 클래스를 포함하며, 각각 클래스는 실제 정보(ground truth)(예를 들어, 골 연령)에 기초한 순서 상의 상관 관계를 가질 수 있다. 즉, 러스 점수는 골 연령과 대응될 수 있으며, 러스 점수의 클래스는 골 연령을 나타낼 수 있으므로, 러스 점수의 하나 이상의 클래스들은 순서 상의 상관 관계를 가질 수 있다.

학습데이터 각각에 라벨링 되는 러스 점수는 둘 이상의 학습 데이터를 포함하는 학습 데이터 서브세트에 대하여 수행되는 믹스업의 정도에 기초한 가중치와 각각의 클래스에 대한 연산 결과에 기초하여 조정될 수 있다. 학습 데이터에 라벨링된 러스 점수는 제 1 학습 데이터에 대한 부분 골 러스 점수 추정 모델의 히든 레이어에서 산출된 특징 값(제 1 특징 값)의 적어도 일부의 제 2 학습 데이터에 대한 부분 골 러스 점수 추정 모델의 히든 레이어에서 산출된 특징 값(제 2 특징 값)의 적어도 일부와의 교환의 정도에 기초하여 결정되는 가중치와 러스 점수의 클래스에 대한 연산 결과에 기초하여 조정될 수 있다.

예를 들어, 제 1 학습 데이터와 제 2 학습 데이터를 포함하는 학습데이터 서브세트를 가정하자. 제 1 학습 데이터에는 4 살의 골연령을 나타내는 러스 점수가 라벨링 되어 있으며, 제 2 학습 데이터에는 6 살의 골연령을 나타내는 러스 점수가 라벨링 된 것으로 가정한다. 이 경우, 부분 골 러스 점수 추정 모델의 학습 과정에서, 제 1 학습 데이터의 특징 값과 제 2 학습 데이터의 특징 값이 50% 비율로 혼합된 경우(예를 들어, 제 1 학습 데이터의 특징 값의 성분의 50%가 제 2 학습 데이터의 특징 값의 성분 50% 로 변환되는 경우), 제 1 학습 데이터에 라벨링 된 4 살의 골연령을 나타내는 러스 점수는 5 살의 골연령을 나타내는 러스 점수로 조정될 수 있다. 즉, 학습 데이터의 특징 값에 다른 학습 데이터의 특징 값을 믹스업 한 경우, 학습 데이터에 라벨링된 러스 점수는 다른 학습 데이터의 특징 값이 믹스업 되는 정도에 기초하여 다른 학습 데이터의 특징 값이 많이 믹스업 될수록 다른 학습 데이터에 라벨링된 러스 점수에 가깝도록 조정될 수 있다.

나아가, 프로세서(110)는 러스 점수에 대한 라벨 분포(label distribution)를 생성할 수 있다. 본 개시에 있어 라벨 분포는 러스 점수가 이산적이지 않고 연속되게 존재하도록 하는 분포일 수 있다. 본 개시에서 라벨 분포란, 러스 점수에 대한 둘 이상의 라벨에 대응하는 수치를 포함할 수 있다. 예를 들면, 라벨 분포는 부분 골 영상(400)의 러스 점수(600)에 대한 복수의 라벨과, 해당 라벨 각각에 대응하는 수치 값을 포함할 수 있다. 가령, 임의의 부분 골 영상(400)의 러스 점수에 대한 초기 라벨이 6세에 대응되는 러스 점수라고 가정하자. 이 때, 골 연령 초기 라벨은 원-핫 인코딩 형태일 수 있다. 이와 대조적으로, 임의의 부분 골 영상(400)에 대한 러스 점수의 라벨 분포는 (4세, 5세, 6세, 7세, 8세) = (0.1, 0.2, 0.4, 0.2, 0.2)와 같은 형태일 수 있다. 이러한 라벨 분포는 부분 골 영상(400)을 러스 점수 라벨 각각이 설명하는 정도에 관한 표현일 수 있다. 라벨 분포에서, 라벨에 대응하는 수치 값의 합은 1일 수 있다. 이 경우, 라벨 분포에 대응하는 수치 값은 임의의 부분 골 영상(400)의 러스 점수가 특정 라벨에 해당될 확률로도 이해될 수 있다. 프로세서(110)는 골 연령에 대한 초기 라벨 또는 골 연령에 대한 조정 라벨로부터 라벨 스무딩(label smoothing)을 수행함으로써 골 연령에 대한 라벨 분포를 생성해낼 수 있다. 상기 라벨 스무딩은 골 연령에 대한 초기 라벨 또는 골 연령에 대한 조정 라벨에 대하여 커널 함수(kernel function)을 적용함으로써 수행될 수 있다. 여기서, 라벨 스무딩을 수행하기 위한 커널 함수는 가우시안 커널(gaussian kernel)일 수 있다.

상술한 입력 데이터, 히든 레이어에서의 초기 특징 값, 골 연령 초기 라벨에 대한 조정 및 라벨 스무딩은, 부분 골 러스 점수 추정 모델(500)의 훈련 데이터에 대해 동시에 적용될 수 있다. 즉, 부분 골 러스 점수 추정 모델(500)은 조정된 입력 데이터, 조정된 하나 이상의 히든 레이어에서의 특징 값 및 초기 라벨에 기초하여 생성된 조정 라벨 값을 라벨 스무딩함으로써 생성된 라벨 분포를 이용하여 훈련될 수 있다.

골 연령은 사람의 성장 정도를 나타내는 것으로서, 이산적인 값이 아니나, 이산적인 라벨을 활용하여 학습을 시키는 경우, 연속적인 추론 결과를 제공하기 어려운 단점이 있었다. 본 개시의 일 실시예에서는 학습 데이터의 서브세트를 믹스업 하고, 믹스업에 기초하여 학습 데이터 각각에 라벨링된 러스 점수를 보다 연속적인 값을 가지도록(즉, 러스 점수의 클래스들 사이의 간격이 감소하도록) 조정함으로써, 연속적인 추론 결과를 제공할 수 있다. 즉, 본 개시의 일 실시예에서, 골연령 측정 대상자의 골 연령을 추론할 때, 4세, 5세, 6세와 같이 다소 이산적인 값이 아닌, 4.1세, 4.8세 등과 같이 보다 실제에 가까운 정확한 값에 대한 추론이 용이해질 수 있다.

종래 딥 러닝을 비롯한 기계 학습 모듈들은 클래스 간 거리가 큰 경우에 대해서는 정확한 추론 결과를 제시하지만, 클래스 간 거리가 작은 경우(즉, 클래스가 세분화되는 경우)에 대해서는 잘 추론하지 못한다는 단점이 있었다. 본 개시에 따라 훈련 데이터들의 특징 값 또는 라벨 중 적어도 하나를 섞음으로써, 클래스의 중간 영역에 있는 다양한 유형의 훈련 데이터가 생성될 수 있다. 나아가, 입력 데이터 및 출력 데이터에 대한 조정을 수행할 뿐만 아니라, 히든 레이어에서 생성되는 특징 값에 의하여 표현되는 숨은 표현(hidden representation)에 대한 조정을 함께 수행해줌으로써, 부분 골 러스 점수 추정 모델(500)의 과적합을 방지할 수 있다.

본 개시에 있어서 부분 골 러스 점수 추정 모델(500)은 부분 골 영상(400)을 입력으로 받아, 그 부분 골 영상(400)의 러스 점수(600)를 생성할 수 있다. 도 3에서 도시되는 바와 같이 부분 골 러스 점수 추정 모델(500)은 부분 골 영상(400) 각각에 대해 존재할 수 있다. 따라서 러스 점수(600) 또한 하나 이상의 부분 골 영상(400) 각각에 대해 존재할 수 있다.

러스 점수(600)는 부분 골 러스 점수 추정 모델(500)의 출력 데이터이므로, 상술한 부분 골 러스 점수 추정 모델(500)의 훈련 데이터처럼 라벨의 원-핫 인코딩 형태 또는 라벨 분포 형태로 생성될 수 있다. 즉, 훈련된 부분 골 러스 점수 추정 모델(500)은 부분 골 영상(400)에 대하여 라벨 분포 형태의 러스 점수(600)를 생성할 수 있다. 이 경우에, 프로세서(110)는 부분 골 러스 점수 추정 모델(500)이 생성한 라벨 분포에서, 라벨 값에 대응하는 수치가 가장 높은 라벨을 러스 점수(600)으로 결정할 수도 있다.

본 개시에 따른 전체 골 연령 산출부(700)는 하나 이상의 부분 골 러스 점수 추정 모델(500)이 생성한 하나 이상의 러스 점수(600)를 조합하여 전체 골 연령을 생성할 수 있다. 전체 골 연령 산출부(700)는 기 결정된 RUS 점수 - 골 연령 변환 테이블에 기초하여, 상기 전체 골 영상(200)에 대한 전체 골 연령을 측정할 수 있다. 이 때, 상기 RUS 점수 - 골 연령 변환 테이블은 전체 골 영상(200)의 성별에 따라 상이할 수 있다.

도 4는 본 개시의 일 실시예에 따른 전체 골 영상에 대한 하나 이상의 주요 지점을 나타낸 도면이다.

본 개시에 있어서 주요 지점은 러스 점수의 측정이 이루어지는 지점일 수 있다. 이러한 주요 지점은 전체 골 영상(200)에 하나 이상 포함되어 있을 수 있다. 도 4를 참조하면, 도 4에서 도시되는 전체 골 영상(200)은 하나 이상의 주요 지점들을 포함할 수 있다. 즉, 전체 골 영상(200)은 제 1 주요 지점 내지 제 13 주요 지점을 포함할 수 있다. 제 1 주요 지점 내지 제 13 주요 지점은 전체 골 영상에 대한 전체 골 연령을 생성하는 근거가 되는, 러스 점수를 측정하기 위한 지점일 수 있다. 본 개시에 따른 프로세서(110)는 주요 영역 추출부(300)를 이용하여 전체 골 영상(200)으로부터 제 1 주요 지점 내지 제 13 주요 지점을 추출할 수 있다. 프로세서(110)는 추출된 주요 지점을 이용하여, 주요 지점을 포함하는 하나 이상의 부분 골 영상(400)을 생성할 수 있다. 이하 부분 골 영상(400)의 생성 방법에 대해 구체적으로 설명한다.

본 개시에 따른 프로세서(110)는 주요 영역 추출부(300)를 이용하여 전체 골 영상(200)으로부터 부분 골 영상(400)을 생성할 수 있다. 프로세서(110)는 주요 영역 추출부(300)를 이용하여 전체 골 영상(200)에 포함된 하나 이상의 주요 지점을 추출하고, 추출된 하나 이상의 주요 지점을 이용하여 하나 이상의 부분 골 영상(400)을 생성할 수 있다. 주요 영역 추출부(300)는 전체 골 영상(200)으로부터 하나 이상의 주요 지점을 추출하기 위해 훈련된 기계 학습 모듈로서 구축될 수 있다. 전체 골 영상(200)에 포함된 하나 이상의 픽셀들이 전체 골 영상(200)에 포함된 하나 이상의 주요 지점에 해당하는지 여부를 주요 지점에 관한 그라운드 트루스(ground truth)와 비교하는 손실 함수(Loss function)을 최소화하도록 훈련될 수 있다. 구체적으로, 주요 영역 추출부(300)는 전체 골 영상(200)에 포함된 하나 이상의 픽셀 각각에 대하여 해당 픽셀이 주요 지점에 해당할 확률을 산출해낼 수 있다. 주요 영역 추출부(300)는 임의의 픽셀이 주요 지점에 해당할 확률이 기 설정된 기준 값을 넘어가면 이를 주요 지점으로 결정할 수 있다. 나아가, 주요 영역 추출부(300)는 주요 지점을 유형별로 구분할 수 있다. 즉, 주요 영역 추출부(300)는 특정 픽셀이 제 1 주요 지점에 해당할 확률, 제 2 주요 지점에 해당할 확률을 별도로 산출해낼 수 있다. 이와 관련하여 주요 영역 추출부(300)는 주요 지점의 유형 별로 별도의 피쳐맵(feature map)을 생성할 수 있다.

또한, 주요 영역 추출부(300)는 추출된 주요 지점을 이용하여 하나 이상의 부분 골 영상(400)을 생성해낼 수 있다. 예를 들면, 주요 영역 추출부(300)는 주요 지점의 유형 별로 부분 골 영상(400)의 크기를 결정할 수 있다. 주요 영역 추출부(300)는 주요 지점 각각에 대한 부분 골 영상 영역과 그라운드 트루스(ground truth)와 주요 영역 추출부(300)에 의해 생성된 부분 골 영상(400)의 영역을 비교함으로써 부분 골 영상(400)의 크기를 결정하도록 할 수 있다. 구체적으로, 주요 영역 추출부(300)는 주요 지점 각각에 대한 부분 골 영상 영역과 주요 영역 추출부(300)에 의해 생성된 부분 골 영상(400) 간의 불일치 영역의 너비를 이용하여 결정된 손실 함수를 최소화하도록 훈련될 수 있다. 이러한 부분 골 영상(400)의 크기는 주요 지점의 유형에 따라 상이하게 결정될 수 있다. 그러나, 부분 골 영상(400)의 크기 결정에 관한 주요 영역 추출부(300)의 훈련에 요구되는 연산량을 줄이기 위해, 부분 골 영상(400)의 크기는 주요 영역의 유형과 무관하게 일괄적으로 결정될 수도 있다.

도 5는 본 개시의 일 실시예에 따른 전체 골 영상 및 부분 골 영상을 나타낸 도면이다.

본 개시에 있어서 전체 골 영상(200)은 골 연령이 측정되어야 하는 신체 부위의 영상일 수 있다. 전체 골 영상(200)은 하나 이상의 주요 지점을 포함할 수 있다. 이러한 하나 이상의 주요 지점은 전체 골 영상(200)에 대한 골 연령이 측정되기 위한 러스 점수(600)가 측정되어야 하는 지점일 수 있다. 즉, 프로세서(110)는 하나 이상의 주요 지점 각각에 대한 러스 점수(600)를 추정하고, 추정된 하나 이상의 러스 점수(600) 정보를 이용하여 전체 골 연령을 산출할 수 있다.

하나 이상의 주요 지점 각각에 대한 러스 점수(600)를 측정하기 위해 전체 골 영상(200)은 하나 이상의 부분 골 영상(400)으로 분할될 수 있다. 이를 위하여, 주요 영역 추출부(300)는 전체 골 영상(200)으로부터 하나 이상의 주요 지점을 추출할 뿐만 아니라, 추출된 주요 지점을 포함하는 부분 골 영상(400)을 생성할 수 있다.

본 개시에 있어 부분 골 영상(400)은 전체 골 영상(200)의 분할된 일부일 수 있다. 부분 골 영상(400)은 골 연령 측정을 위한 주요 지점을 부분 골 영상(400) 내에 하나 이상 포함하고 있을 수 있다. 상술한 바와 같이 부분 골 영상(400)은 추출된 주요 지점 및 추출된 주요 지점의 유형에 따른 부분 골 영상(400)의 크기에 기초하여 생성될 수 있다. 이 때, 부분 골 영상(400)의 중심에 주요 지점이 위치할 수 있다.

도 5에서 도시되는 바와 같이, 전체 골 영상(200) 하나에 대해서 복수의 부분 골 영상(400)이 생성될 수 있다. 각각의 부분 골 영상(400)은 전체 골 영상(200)에 포함된 주요 지점 각각에 대응되며, 대응되는 주요 지점은 부분 골 영상(400)에 포함될 수 있다.

도 6은 본 개시의 일 실시예에 따른 골 연령 라벨 분포를 나타낸 도면이다.

본 개시에 있어서, 부분 골 러스 점수 추정 모델(500)에 대한 훈련 데이터의 라벨 데이터에 대한 조정이 수행될 수 있다. 구체적으로, 이러한 훈련 데이터의 라벨에 대한 조정은 믹스-업 연산을 통해 수행될 수 있다. 라벨 데이터에 대한 조정은 일 주요 지점에 대한 둘 이상의 부분 골 영상(400)의 초기 라벨을 이용해 수행될 수 있다. 구체적으로, 프로세서(110)는 일 주요 지점에 대한 둘 이상의 부분 골 영상(400)의 초기 라벨 및 상기 [수학식 1]을 이용해 조정 라벨 값을 생성할 수 있다. 이 때, 초기 라벨에 대한 조정을 수행하기 위한 하이퍼 파라미터

는 입력 데이터에 대한 조정 또는 히든 레이어에서의 특징 값 조정을 위한 하이퍼 파라미터와 상이할 수 있다.

나아가, 프로세서(110)는 러스 점수 값에 대한 라벨 분포(label distribution)를 생성할 수 있다. 본 개시에 있어 라벨 분포란, 골 영상에 대한 골 연령에 대한 둘 이상의 라벨에 대응하는 수치를 포함할 수 있다. 예를 들면, 라벨 분포는 부분 골 영상(400)의 러스 점수(600)에 대한 복수의 라벨과, 해당 라벨 각각에 대응하는 수치 값을 포함할 수 있다. 가령, 임의의 부분 골 영상(400)의 러스 점수에 대한 초기 라벨이 골연령 6세에 대응하는 러스 점수라고 가정하자. 이 때, 골 연령 초기 라벨은 원-핫 인코딩 형태일 수 있다. 이와 대조적으로, 임의의 부분 골 영상(400)에 대한 러스 점수의 라벨 분포는 다음의 골연령들에 대응하는 러스 점수에 해당할 확률 형태인 (4세, 5세, 6세, 7세, 8세) = (0.1, 0.2, 0.4, 0.2, 0.1)일 수 있다. 이러한 라벨 분포는 부분 골 영상(400)을 러스 점수 라벨 각각이 설명하는 정도에 관한 표현일 수 있다. 라벨 분포에서, 라벨에 대응하는 수치 값의 합은 1일 수 있다. 이 경우, 라벨 분포에 대응하는 수치 값은 임의의 부분 골 영상(400)의 골 연령이 특정 라벨에 해당될 확률로도 이해될 수 있다. 프로세서(110)는 러스 점수에 대한 초기 라벨 또는 러스 점수에 대한 조정 라벨로부터 라벨 스무딩(label smoothing)을 수행함으로써 러스 점수에 대한 라벨 분포를 생성해낼 수 있다. 상기 라벨 스무딩은 러스 점수에 대한 초기 라벨 또는 러스 점수에 대한 조정 라벨에 대하여 커널 함수(kernel function)을 적용함으로써 수행될 수 있다. 여기서, 라벨 스무딩을 수행하기 위한 커널 함수는 가우시안 커널(gaussian kernel)일 수 있다.

상술한 입력 데이터, 히든 레이어에서의 특징 값, 러스 점수 초기 라벨에 대한 조정 및 라벨 스무딩은, 부분 골 러스 점수 추정 모델(500)의 훈련 데이터에 대해 적용될 수 있다. 즉, 부분 골 러스 점수 추정 모델(500)은 조정된 입력 데이터, 조정된 하나 이상의 히든 레이어에서의 특징 값 및 초기 라벨에 기초하여 생성된 조정 라벨 값을 라벨 스무딩함으로써 생성된 라벨 분포를 이용하여 훈련될 수 있다.

도 6을 참조하여 설명한다. 본 개시에 있어서 러스 점수 초기 라벨은 초기 라벨 그래프(610)와 같이 표현될 수 있다. 즉, 러스 점수 초기 라벨은 하나의 부분 골 영상에 대해 특정 클래스(

)에 대해서는 1이고 나머지 클래스에 대해서는 0으로써 표현될 수 있다. 이러한 러스 점수 초기 라벨은 초기 라벨 그래프(610)와 같이 표현되거나, 원-핫 인코딩의 형태로 구현될 수 있다. 반면, 본 개시에 따른 러스 점수 라벨 분포는 라벨 분포 그래프(620)와 같이 표현될 수 있다. 이 경우, 러스 점수 라벨에 대한 수치 값 각각은 부분 골 영상(400)에 대해 러스 점수 라벨 각각이 설명하는 정도를 나타내거나, 부분 골 영상(400)의 러스 점수이 해당 라벨일 확률일 수 있다. 구체적으로, 러스 점수 라벨 분포는 다음의 골연령들에 대응하는 러스 점수에 해당할 확률 형태인 (4세, 5세, 6세, 7세, 8세) = (0.1, 0.2, 0.4, 0.2, 0.1)과 같이 표현될 수 있다.

구체적으로, 프로세서(110)는 러스 점수 라벨 분포를 생성하기 위해 러스 점수에 대한 초기 라벨을 이용하여 라벨 스무딩(label smoothing)을 수행할 수 있다. 나아가, 러스 점수 라벨 분포는 둘 이상의 부분 골 영상의 러스 점수에 대한 초기 라벨에 기초하여 조정 러스 점수 라벨을 생성하고, 상기 조정 러스 점수 라벨에 라벨 분포 생성 로직을 적용함으로써 생성될 수 있다. 조정 러스 점수 라벨은 둘 이상의 러스 점수 초기 라벨에 대해 상기 [수학식 1]과 같은 조정 로직을 적용함으로써 생성될 수 있다. 나아가, 프로세서(110)가 라벨 분포를 생성하기 위해 조정 러스 점수 라벨에 적용하는 라벨 분포 생성 로직은 커널 함수(kernel function)를 의미할 수 있으며, 일 실시예에서 이러한 커널 함수는 가우시안 커널일 수 있다.

도 7은 본 개시의 일 실시예에 따른 초기 특징 값 및 라벨에 대한 조정을 나타낸 도면이다.

상술한 바와 같이 본 개시에 따른 부분 골 러스 점수 추정 모델(500)은, 초기 특징 값에 대한 조정(구체적으로는, 믹스-업)을 수행할 수 있다. 구체적으로, 도 7을 참조하면 이러한 초기 특징 값의 조정은 부분 골 러스 점수 추정 모델(500)의 히든 레이어에서 수행될 수 있다. 초기 특징 값의 조정이 수행되는 히든 레이어는 특징 값 조정 레이어(510)일 수 있다.

프로세서(110)는 부분 골 러스 점수 추정 모델(500)을 훈련시키기 위하여, 부분 골 러스 점수 추정 모델(500)의 훈련 단계에서 히든 레이어에서의 부분 골 영상(400)의 초기 특징 값에 대한 조정(구체적으로는, 믹스-업)을 수행하도록 할 수 있다. 이러한 부분 골 영상(400)의 특징 값에 대한 조정은 부분 골 영상(400)의 숨은 표현(hidden representation)들의 정규화를 수행하기 위하여 하나 이상의 산출된 초기 특징 값 및 기 설정된 로직에 기초하여 생성된 조정 특징 값을 다음 레이어의 입력 특징 값으로 결정하는 것일 수 있다. 부분 골 영상(400)의 초기 특징 값에 대한 조정은 동일한 주요 지점에 대한 둘 이상의 부분 골 영상(400)(즉, 둘 이상의 학습 데이터 각각의 복수의 부분 골 영상들 중 동일한 부분에 대한 영상)에서 동일한 유형의(예를 들면, 전달되는 특징 값의 출발 노드와 도착 노드가 동일한) 초기 특징 값을 기 설정된 로직에 의하여 조합함으로써 이루어질 수 있다. 예를 들어, 제 1 주요 지점에 대한 둘 이상의 부분 골 영상(400)이 있다고 가정하자. 여기서 히든 레이어에서의 부분 골 영상(400)의 초기 특징 값에 대한 조정은 동일한 유형의 특징 값을 기 설정된 로직에 의하여 더하는 것일 수 있다. 여기서 히든 레이어에서의 초기 특징 값을 조정하기 위한 기 설정된 로직은 상기 [수학식 1]과 같을 수 있다. 여기서, 하이퍼 파라미터인

는 입력 레이어에 대한 조정을 수행하기 위해 결정된 값과 상이할 수 있다. 히든 레이어에서의 초기 특징 값 조정은 둘 이상의 히든 레이어에서도 발생할 수 있다. 부분 골 러스 점수 추정 모델(500)은 기 설정된 로직에 의하여 조정된 특징 값을 다음 레이어에 입력할 수 있다.

도 8은 본 개시의 일 실시예에 따른 프로세서가 전체 골 영상의 골 연령을 측정하는 방법을 나타낸 순서도이다.

프로세서(110)는 전체 골 영상으로부터 하나 이상의 부분 골 영상을 생성할 수 있다.

본 개시에 있어서 전체 골 영상(200)은 골 연령이 측정되어야 하는 신체 부위의 영상일 수 있다. 전체 골 영상(200)은 하나 이상의 주요 지점을 포함할 수 있다. 이러한 하나 이상의 주요 지점은 전체 골 영상(200)에 대한 골 연령이 측정되기 위한 러스 점수(600)가 측정되어야 하는 지점일 수 있다. 즉, 프로세서(110)는 하나 이상의 주요 지점 각각에 대한 러스 점수(600)를 추정하고, 추정된 하나 이상의 러스 점수(600) 정보를 이용하여 전체 골 연령을 산출할 수 있다.

하나 이상의 주요 지점 각각에 대한 러스 점수(600)를 측정하기 위해 전체 골 영상(200)은 하나 이상의 부분 골 영상(400)으로 분할될 수 있다. 이를 위하여, 주요 영역 추출부(300)는 전체 골 영상(200)으로부터 하나 이상의 주요 지점을 추출할 뿐만 아니라, 추출된 주요 지점을 포함하는 부분 골 영상(400)을 생성할 수 있다.

본 개시에 있어 부분 골 영상(400)은 전체 골 영상(200)의 분할된 일부일 수 있다. 부분 골 영상(400)은 골 연령 측정을 위한 주요 지점을 부분 골 영상(400) 내에 하나 이상 포함하고 있을 수 있다. 상술한 바와 같이 부분 골 영상(400)은 추출된 주요 지점 및 추출된 주요 지점의 유형에 따른 부분 골 영상(400)의 크기에 기초하여 생성될 수 있다. 이 때, 부분 골 영상(400)의 중심에 주요 지점이 위치할 수 있다.

본 개시에 따른 프로세서(110)는 주요 영역 추출부(300)를 이용하여 전체 골 영상(200)으로부터 부분 골 영상(400)을 생성할 수 있다. 프로세서(110)는 주요 영역 추출부(300)를 이용하여 전체 골 영상(200)에 포함된 하나 이상의 주요 지점을 추출하고, 추출된 하나 이상의 주요 지점을 이용하여 하나 이상의 부분 골 영상(400)을 생성할 수 있다. 주요 영역 추출부(300)는 전체 골 영상(200)으로부터 하나 이상의 주요 지점을 추출하기 위해 훈련된 기계 학습 모듈로서 구축될 수 있다. 전체 골 영상(200)에 포함된 하나 이상의 픽셀들이 전체 골 영상(200)에 포함된 하나 이상의 주요 지점에 해당하는지 여부를 주요 지점에 관한 그라운드 트루스(ground truth)와 비교하는 손실 함수(Loss function)을 최소화하도록 훈련될 수 있다. 구체적으로, 주요 영역 추출부(300)는 전체 골 영상(200)에 포함된 하나 이상의 픽셀 각각에 대하여 해당 픽셀이 주요 지점에 해당할 확률을 산출해낼 수 있다. 주요 영역 추출부(300)는 임의의 픽셀이 주요 지점에 해당할 확률이 기 설정된 기준 값을 넘어가면 이를 주요 지점으로 결정할 수 있다. 나아가, 주요 영역 추출부(300)는 주요 지점을 유형별로 구분할 수 있다. 즉, 주요 영역 추출부(300)는 특정 픽셀이 제 1 주요 지점에 해당할 확률, 제 2 주요 지점에 해당할 확률을 별도로 산출해낼 수 있다. 이와 관련하여 주요 영역 추출부(300)는 주요 지점의 유형 별로 별도의 피쳐맵(feature map)을 생성할 수 있다.

또한, 주요 영역 추출부(300)는 추출된 주요 지점을 이용하여 하나 이상의 부분 골 영상(400)을 생성해낼 수 있다. 예를 들면, 주요 영역 추출부(300)는 주요 지점의 유형 별로 부분 골 영상(400)의 크기를 결정할 수 있다. 주요 영역 추출부(300)는 주요 지점 각각에 대한 부분 골 영상 영역과 그라운드 트루스(ground truth)와 주요 영역 추출부(300)에 의해 생성된 부분 골 영상(400)의 영역을 비교함으로써 부분 골 영상(400)의 크기를 결정하도록 할 수 있다. 구체적으로, 주요 영역 추출부(300)는 주요 지점 각각에 대한 부분 골 영상 영역과 주요 영역 추출부(300)에 의해 생성된 부분 골 영상(400) 간의 불일치 영역의 너비를 이용하여 결정된 손실 함수를 최소화하도록 훈련될 수 있다. 이러한 부분 골 영상(400)의 크기는 주요 지점의 유형에 따라 상이하게 결정될 수 있다. 그러나, 부분 골 영상(400)의 크기 결정에 관한 주요 영역 추출부(300)의 훈련에 요구되는 연산량을 줄이기 위해, 부분 골 영상(400)의 크기는 주요 영역의 유형과 무관하게 일괄적으로 결정될 수도 있다.

프로세서(110)는 하나 이상의 레이어를 포함하는 부분 골 러스 점수 추정 모델을 이용하여, 하나 이상의 부분 골 영상 각각에 대한 러스 점수(RUS score)를 추정할 수 있다(S100).

본 개시에 있어서 부분 골 러스 점수 추정 모델(500)은 부분 골 영상(400)을 입력으로 받아, 그 부분 골 영상(400)의 러스 점수(600)를 생성할 수 있다. 도 3에서 도시되는 바와 같이 부분 골 러스 점수 추정 모델(500)은 부분 골 영상(400) 각각에 대해 존재할 수 있다. 따라서 러스 점수(600) 또한 하나 이상의 부분 골 영상(400) 각각에 대해 존재할 수 있다.

러스 점수(600)는 부분 골 러스 점수 추정 모델(500)의 출력 데이터이므로, 상술한 부분 골 러스 점수 추정 모델(500)의 훈련 데이터처럼 라벨의 원-핫 인코딩 형태 또는 라벨 분포 형태로 생성될 수 있다. 즉, 훈련된 부분 골 러스 점수 추정 모델(500)은 부분 골 영상(400)에 대하여 라벨 분포 형태의 러스 점수(600)를 생성할 수 있다. 이 경우에, 프로세서(110)는 부분 골 러스 점수 추정 모델(500)이 생성한 라벨 분포에서, 라벨 값에 대응하는 수치가 가장 높은 라벨을 러스 점수(600)으로 결정할 수도 있다.

프로세서(110)는 하나 이상의 부분 골 영상 각각에 대해 추정된 하나 이상의 러스 점수를 이용하여 상기 전체 골 영상에 대응하는 골 연령을 추정할 수 있다(S200).

본 개시에 따른 전체 골 연령 산출부(700)는 하나 이상의 부분 골 러스 점수 추정 모델(500)이 생성한 하나 이상의 러스 점수(600)를 조합하여 전체 골 연령을 생성할 수 있다. 전체 골 연령 산출부(700)는 기 결정된 RUS 점수 - 골 연령 변환 테이블에 기초하여, 상기 전체 골 영상(200)에 대한 전체 골 연령을 측정할 수 있다. 이 때, 상기 RUS 점수 - 골 연령 변환 테이블은 전체 골 영상(200)의 성별에 따라 상이할 수 있다.

도 9는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (12)

1. 비일시적 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서로 하여금 골 영상으로부터 골 연령을 추정하게 하기 위한 명령들을 포함하며, 상기 명령들은:
   하나 이상의 레이어를 포함하는 부분 골 러스 점수 추정 모델을 이용하여, 하나 이상의 부분 골 영상 각각에 대한 러스 점수(RUS score)를 추정하고, 상기 하나 이상의 부분 골 영상은 전체 골 영상으로부터 생성되는 단계; 및
   상기 하나 이상의 부분 골 영상 각각에 대해 추정된 하나 이상의 러스 점수를 이용하여 상기 전체 골 영상에 대응하는 골 연령을 추정하는 단계;
   를 포함하고,
   상기 부분 골 러스 점수 추정 모델은,
   라벨링된 부분 골 영상을 학습 데이터로 사용하고, 그리고 상기 하나 이상의 레이어에서 산출된 특징 값에 대한 조정을 통해 학습되고, 그리고
   둘 이상의 학습 데이터의 믹스업(mix-up)에 기초하여 조정된, 상기 둘 이상의 학습 데이터 각각에 라벨링된 러스 점수에 기초하여 학습된 모델에 대응되고,
   상기 믹스업은, 동일한 학습 데이터 서브세트 내에서 서로 다른 클래스로 분류된 학습 데이터들 사이에서 수행되고,
   상기 학습 데이터 서브세트는, 상기 학습 데이터 서브세트에 포함된 학습 데이터들의 클래스 간 거리가 사전 결정된 값 이하가 되도록 구성되고,
   상기 학습 데이터 각각에 라벨링 되는 러스 점수는,
   하나 이상의 클래스를 포함하며, 각각의 클래스는 실제 정보(ground truth)에 기초한 순서 상의 상관 관계를 가지는,
   비일시적 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
2. 제 1 항에 있어서,
   상기 부분 골 러스 점수 추정 모델은,
   러스 점수가 라벨링된 둘 이상의 학습 데이터 각각에 대한 상기 부분 골 러스 점수 추정 모델의 히든 레이어에서 산출된 둘 이상의 특징 값을 믹스업(mix-up)을 통해 조정하여 학습된,
   비일시적 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
3. 제 2 항에 있어서,
   상기 믹스업은,
   상기 둘 이상의 학습 데이터 중 상기 부분 골 러스 점수 추정 모델의 히든 레이어에서 산출된 하나의 학습 데이터에 대응하는 특징 값의 적어도 일부를 상기 부분 골 러스 점수 추정 모델의 히든 레이어에서 산출된 다른 학습 데이터에 대응하는 특징 값의 적어도 일부와 교환하는 동작을 포함하는,
   비일시적 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
4. 삭제
5. 삭제
6. 제 1 항에 있어서,
   상기 학습 데이터 각각에 라벨링 되는 러스 점수는,
   상기 믹스업의 정도에 기초한 가중치와 각각의 클래스에 대한 연산 결과에 기초하여 조정되는,
   비일시적 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
7. 제 1 항에 있어서,
   상기 학습 데이터 각각에 라벨링 되는 러스 점수는,
   상기 러스 점수의 라벨에 대한 라벨 스무딩을 수행함으로써 생성되는 러스 점수 분포 형태를 포함하는,
   비일시적 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
8. 제 2항에 있어서,
   하나의 학습 데이터에 라벨링된 러스 점수는,
   상기 하나의 학습 데이터에 대한 상기 부분 골 러스 점수 추정 모델의 히든 레이어에서 산출된 특징 값의 적어도 일부의 다른 학습 데이터에 대한 상기 부분 골 러스 점수 추정 모델의 히든 레이어에서 산출된 특징 값의 적어도 일부와의 교환의 정도에 기초하여 결정되는 가중치와 상기 러스 점수의 클래스에 대한 연산 결과에 기초하여 조정되는,
   비일시적 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
9. 제 1 항에 있어서,
   상기 하나 이상의 부분 골 영상을 결정하는 것은
   상기 전체 골 영상에 포함된 하나 이상의 지점 각각이 주요 지점에 해당할 확률에 기초하여 상기 하나 이상의 주요 지점을 결정하는 것,
   상기 하나 이상의 주요 지점의 유형에 기초하여, 상기 부분 골 영상의 크기를 결정하는 것, 및
   상기 하나 이상의 주요 지점 및 이에 대응하는 부분 골 영상의 크기에 기초하여, 상기 하나 이상의 부분 골 영상을 생성하는 것을 포함하는,
   비일시적 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
10. 골 영상으로부터 골 연령을 추정하는 컴퓨팅 장치로서, 상기 컴퓨팅 장치는:
    컴퓨터 실행가능한 컴포넌트들을 포함하는 메모리;
    메모리에 저장된 이하의 컴퓨터 실행가능한 컴포넌트들을 실행하는 프로세서; 를 포함하고,
    상기 프로세서는,
    하나 이상의 레이어를 포함하는 부분 골 러스 점수 추정 모델을 이용하여, 하나 이상의 부분 골 영상 각각에 대한 러스 점수(RUS score)를 추정하고, 상기 하나 이상의 부분 골 영상은 전체 골 영상으로부터 생성되며, 그리고,
    상기 하나 이상의 부분 골 영상 각각에 대해 추정된 하나 이상의 러스 점수를 이용하여 상기 전체 골 영상에 대응하는 골 연령을 추정하며, 그리고,
    상기 부분 골 러스 점수 추정 모델은,
    라벨링된 부분 골 영상을 학습 데이터로 사용하고, 그리고 상기 하나 이상의 레이어에서 산출된 특징 값에 대한 조정을 통해 학습되고, 그리고
    둘 이상의 학습 데이터의 믹스업에 기초하여 조정된, 상기 둘 이상의 학습 데이터 각각에 라벨링된 러스 점수에 기초하여 학습된 모델에 대응되고,
    상기 믹스업은, 동일한 학습 데이터 서브세트 내에서 서로 다른 클래스로 분류된 학습 데이터들 사이에서 수행되고,
    상기 학습 데이터 서브세트는, 상기 학습 데이터 서브세트에 포함된 학습 데이터들의 클래스 간 거리가 사전 결정된 값 이하가 되도록 구성되고,
    상기 학습 데이터 각각에 라벨링 되는 러스 점수는,
    하나 이상의 클래스를 포함하며, 각각의 클래스는 실제 정보에 기초한 순서 상의 상관 관계를 가지는,
    컴퓨팅 장치.
    
11. 컴퓨팅 장치에서 골 영상으로부터 골 연령을 추정하는 방법으로서,
    하나 이상의 레이어를 포함하는 부분 골 러스 점수 추정 모델을 이용하여, 하나 이상의 부분 골 영상 각각에 대한 러스 점수(RUS score)를 추정하고, 상기 하나 이상의 부분 골 영상은 전체 골 영상으로부터 생성되는 단계; 및
    상기 하나 이상의 부분 골 영상 각각에 대해 추정된 하나 이상의 러스 점수를 이용하여 상기 전체 골 영상에 대응하는 골 연령을 추정하는 단계;
    를 포함하고,
    상기 부분 골 러스 점수 추정 모델은,
    라벨링된 부분 골 영상을 학습 데이터로 사용하고, 그리고 상기 하나 이상의 레이어에서 산출된 특징 값에 대한 조정을 통해 학습되고, 그리고
    둘 이상의 학습 데이터의 믹스업에 기초하여 조정된, 상기 둘 이상의 학습 데이터 각각에 라벨링된 러스 점수에 기초하여 학습된 모델에 대응되고,
    상기 믹스업은, 동일한 학습 데이터 서브세트 내에서 서로 다른 클래스로 분류된 학습 데이터들 사이에서 수행되고,
    상기 학습 데이터 서브세트는, 상기 학습 데이터 서브세트에 포함된 학습 데이터들의 클래스 간 거리가 사전 결정된 값 이하가 되도록 구성되고,
    상기 학습 데이터 각각에 라벨링 되는 러스 점수는,
    하나 이상의 클래스를 포함하며, 각각의 클래스는 실제 정보에 기초한 순서 상의 상관 관계를 가지는,
    컴퓨팅 장치에서 전체 골 영상으로부터 골 연령을 추정하는 방법.
    
12. 모델의 동작을 결정하는 파라미터를 저장하는 데이터 구조가 저장된 비일시적 컴퓨터 판독가능 매체에 저장된 컴퓨터 프로그램으로서, 상기 파라미터는 상기 모델의 학습 방법에 기초하여 결정되며, 상기 학습 방법은,
    러스 점수가 라벨링된 둘 이상의 부분 골 영상을 부분 골 러스 점수 추정 모델에 입력시키는 단계;
    상기 둘 이상의 부분 골 영상 중 하나의 부분 골 영상에 대한 부분 골 러스 점수 추정 모델의 히든 레이어에서 산출된 특징 값의 적어도 일부를 다른 부분 골 영상에 대한 부분 골 러스 점수 추정 모델의 히든 레이어에서 산출된 특징 값의 적어도 일부에 기초하여 조정하는 단계;
    상기 둘 이상의 부분 골 영상 각각에 라벨링된 러스 점수를 조정하는 단계; 및
    상기 조정된 러스 점수와 상기 부분 골 러스 점수 추정 모델에서 출력되는 러스 점수에 기초하여 상기 부분 골 러스 점수 추정 모델의 파라미터를 업데이트 하는 단계;
    를 포함하되,
    상기 둘 이상의 부분 골 영상 각각에 라벨링된 러스 점수는,
    둘 이상의 학습 데이터의 믹스업에 기초하여 조정되고,
    하나 이상의 클래스를 포함하며,
    상기 믹스업은, 동일한 학습 데이터 서브세트 내에서 서로 다른 클래스로 분류된 학습 데이터들 사이에서 수행되고,
    상기 학습 데이터 서브세트는, 상기 학습 데이터 서브세트에 포함된 학습 데이터들의 클래스 간 거리가 사전 결정된 값 이하가 되도록 구성되고,
    각각의 클래스는 실제 정보에 기초한 순서 상의 상관 관계를 가지는,
    데이터 구조가 저장된 비일시적 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.

Images