KR102584289B1 - 멀티 태스크 러닝을 이용하여 상품의 속성을 인식하는 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체 - Google Patents

멀티 태스크 러닝을 이용하여 상품의 속성을 인식하는 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체 Download PDF

Info

Publication number
KR102584289B1
KR102584289B1 KR1020200174715A KR20200174715A KR102584289B1 KR 102584289 B1 KR102584289 B1 KR 102584289B1 KR 1020200174715 A KR1020200174715 A KR 1020200174715A KR 20200174715 A KR20200174715 A KR 20200174715A KR 102584289 B1 KR102584289 B1 KR 102584289B1
Authority
KR
South Korea
Prior art keywords
product
task
attribute recognition
recognition model
product attribute
Prior art date
Application number
KR1020200174715A
Other languages
English (en)
Other versions
KR20220013881A (ko
Inventor
전재영
박준철
장윤훈
최형원
Original Assignee
옴니어스 주식회사
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 옴니어스 주식회사 filed Critical 옴니어스 주식회사
Priority to PCT/KR2021/009650 priority Critical patent/WO2022025568A1/ko
Publication of KR20220013881A publication Critical patent/KR20220013881A/ko
Application granted granted Critical
Publication of KR102584289B1 publication Critical patent/KR102584289B1/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • 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
    • G06Q50/01—Social networking

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Molecular Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명의 일 태양에 따르면, 멀티 태스크 러닝(Multi Task Learning; MTL)을 이용하여 상품의 속성을 인식하는 방법으로서, 태스크 사이의 상관 관계를 참조하여 둘 이상의 태스크를 상품 속성 인식 모델이 함께 학습할 태스크 그룹(task group)으로서 결정하는 단계, 상기 태스크 그룹에 대한 학습에 공통적으로 적용될 파라미터(parameter) 또는 전처리 프로세스(preprocessing)를 설정하는 단계, 및 상기 설정되는 파라미터 또는 전처리 프로세스를 적용하여 상기 태스크 그룹에 대하여 상기 상품 속성 인식 모델을 학습시키는 단계를 포함하는 방법이 제공된다.

Description

멀티 태스크 러닝을 이용하여 상품의 속성을 인식하는 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체{METHOD, SYSTEM AND NON-TRANSITORY COMPUTER-READABLE RECORDING MEDIUM FOR RECOGNIZING ATTRIBUTES OF PRODUCTS BY USING MULTI TASK LEARNING}
본 발명은 멀티 태스크 러닝(Multi Task Learning; MTL)을 이용하여 상품의 속성을 인식하는 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체에 관한 것이다.
전체 소매 판매 시장에서 온라인 시장이 차지하는 점유율이 급격하게 증가함에 따라, 온라인에서 상품을 판매하는 데에 도움을 줄 수 있는 기술에 대한 관심이 높아지고 있다.
특히, 온라인에서 제공될 수 있는 상품 관련 콘텐츠(상품 이미지 등)로부터 상품의 속성에 관한 정보를 인식할 수 있는 기술의 필요성이 높아지고 있다. 상품 관련 콘텐츠로부터 상품의 속성에 관한 정보를 인식하게 되면, 그 인식된 속성에 관한 정보를 활용하여 상품 관련 콘텐츠에 키워드 또는 식별자를 부여하거나 상품 관련 콘텐츠가 소비자 또는 시스템에 의해 검색되도록 함으로써, 상품 관련 콘텐츠를 소비자에게 시의적절하게 제공할 수 있기 때문이다.
이에 관한, 종래 기술의 일 예로서, 한국등록특허공보 제1801846호에 개시된 기술을 예로 들 수 있는데, 이에 따르면, 통신부가, 사용자 장치로부터 질의 영상을 수신하는 질의 영상 수신 단계; 후보 영역 검출부가 상기 질의 영상을 기학습된 물체 검출 모델에 적용하여, 상기 질의 영상에서 상품이 존재할 것으로 추정되는 하나 이상의 후보 영역을 추출하는 후보 영역 추출 단계; 특징 추출부가 상기 하나 이상의 후보 영역 내의 영상인 후보 영상을 기 학습된 특징 추출 모델에 적용하여, 상기 후보 영상에 대하여 속성별로 특징을 추출하는 특징 추출 단계; 검색부가 추출된 상기 특징에 기초하여, 상기 후보 영상과 유사한 상품 영상들을 상품 영상 데이터베이스에서 검색하는 검색 단계;를 포함하고, 상기 특징 추출 모델은, 하위 계층이 단일망(unified network)으로 구성되고, 상위 계층이 상기 속성별로 분리된 복수의 분류망으로 구성된 구조를 가지며, 상기 복수의 분류망은, 상기 속성별로 특정 해상도보다 낮은 해상도를 가지는 저해상도 특징(coarse feature) 및 상기 특정 해상도 이상의 해상도를 가지는 고해상도 특징(fine feature)으로 기학습되는, 상품 영상 검색 방법이 제공됩니다.
특히, 최근에는 상품 관련 콘텐츠의 양이 방대해지고 종류가 다양해짐에 따라 상품 관련 콘텐츠로부터 상품의 속성에 관한 정보를 더 빠르고 정확하게 인식할 수 있는 기술의 필요성이 높아지고 있다.
이에 본 발명자(들)는, 태스크 사이의 상관 관계를 참조하여 상품 속성 인식 모델이 함께 학습할 둘 이상의 태스크를 포함하는 태스크 그룹을 결정함으로써, 상품 속성 인식 모델의 학습 효율성 및 인식 정확도를 모두 높일 수 있는 기술을 제안하는 바이다.
본 발명은 태스크 사이의 상관 관계를 참조하여 둘 이상의 태스크를 상품 속성 인식 모델이 함께 학습할 태스크 그룹(task group)으로서 결정하고, 태스크 그룹에 대한 학습에 공통적으로 적용될 파라미터(parameter) 또는 전처리 프로세스(preprocessing)를 설정하고, 위의 설정되는 파라미터 또는 전처리 프로세스를 적용하여 위의 태스크 그룹에 대하여 상품 속성 인식 모델을 학습시킴으로써, 상품 속성 인식 모델의 학습 효율성 및 인식 정확도를 모두 높일 수 있도록 하는 것을 다른 목적으로 한다.
또한, 본 발명은, 상품 속성 인식 모델의 임베딩 레이어(embedding layer)에서 도출되는 출력을 검색 단서로서 활용함으로써, 상품 관련 콘텐츠 또는 상품에 대한 검색 정확도를 높이는 것을 또 다른 목적으로 한다.
상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.
본 발명의 일 태양에 따르면, 멀티 태스크 러닝(Multi Task Learning; MTL)을 이용하여 상품의 속성을 인식하는 방법으로서, 태스크 사이의 상관 관계를 참조하여 둘 이상의 태스크를 상품 속성 인식 모델이 함께 학습할 태스크 그룹(task group)으로서 결정하는 단계, 상기 태스크 그룹에 대한 학습에 공통적으로 적용될 파라미터(parameter) 또는 전처리 프로세스(preprocessing)를 설정하는 단계, 및 상기 설정되는 파라미터 또는 전처리 프로세스를 적용하여 상기 태스크 그룹에 대하여 상기 상품 속성 인식 모델을 학습시키는 단계를 포함하는 방법이 제공된다.
본 발명의 다른 태양에 따르면, 멀티 태스크 러닝(Multi Task Learning; MTL)을 이용하여 상품의 속성을 인식하는 시스템으로서, 태스크 사이의 상관 관계를 참조하여 둘 이상의 태스크를 상품 속성 인식 모델이 함께 학습할 태스크 그룹(task group)으로서 결정하는 태스크 관리부, 및 상기 태스크 그룹에 대한 학습에 공통적으로 적용될 파라미터(parameter) 또는 전처리 프로세스(preprocessing)를 설정하고, 상기 설정되는 파라미터 또는 전처리 프로세스를 적용하여 상기 태스크 그룹에 대하여 상기 상품 속성 인식 모델을 학습시키는 모델 학습 관리부를 포함하는 시스템이 제공된다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 비일시성의 컴퓨터 판독 가능한 기록 매체가 더 제공된다.
본 발명에 의하면, 상품 속성 인식 모델이 함께 학습했을 때 서로 도움이 될 수 있는 둘 이상의 태스크(즉, 상품의 속성을 인식하는 태스크)를 함께 학습할 수 있으므로, 상품 속성 인식 모델이 태스크를 하나씩 학습하는 경우에 비하여 상품 속성 인식 모델의 인식 정확도를 높일 수 있게 된다.
또한, 본 발명에 의하면, 태스크 그룹에 대하여 공통적으로 적용되는 파라미터 또는 전처리 프로세스를 설정할 수 있으므로, 상품 속성 인식 모델의 학습 효율성을 높일 수 있게 된다.
또한, 본 발명에 의하면, 멀티 태스크 러닝을 수행하는 상품 속성 인식 모델의 임베딩 레이어에서 도출되는 출력을 검색 단서로서 활용할 수 있으므로, 상품 관련 콘텐츠 또는 상품에 대한 검색 성능을 높을 수 있게 된다.
도 1은 본 발명의 일 실시예에 따라 멀티 태스크 러닝(Multi Task Learning; MTL)을 이용하여 상품의 속성을 인식하기 위한 전체 시스템의 개략적인 구성을 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 상품 속성 인식 시스템의 내부 구성을 상세하게 도시하는 도면이다.
도 3은 종래 기술에 따라 싱글 태스크 러닝을 이용하여 상품의 속성을 인식하는 상품 속성 인식 모델의 구성을 개념적으로 나타내는 도면이다.
도 4는 본 발명의 일 실시예에 따라 멀티 태스크 러닝을 이용하여 상품의 속성을 인식하는 상품 속성 인식 모델의 구성을 개념적으로 나타내는 도면이다.
도 5 및 도 6은 본 발명의 일 실시예에 따라 멀티 태스크 러닝을 이용하여 상품의 속성을 인식하는 경우에 달성될 수 있는 유리한 효과를 실험 결과로서 나타내는 도면이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 본 명세서에 기재되어 있는 특정 형상, 구조 및 특성은 본 발명의 정신과 범위를 벗어나지 않으면서 일 실시예로부터 다른 실시예로 변경되어 구현될 수 있다. 또한, 각각의 실시예 내의 개별 구성요소의 위치 또는 배치도 본 발명의 정신과 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 행하여지는 것이 아니며, 본 발명의 범위는 특허청구범위의 청구항들이 청구하는 범위 및 그와 균등한 모든 범위를 포괄하는 것으로 받아들여져야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 구성요소를 나타낸다.
이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 여러 바람직한 실시예에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
전체 시스템의 구성
도 1은 본 발명의 일 실시예에 따라 멀티 태스크 러닝을 이용하여 상품의 속성을 인식하기 위한 전체 시스템의 개략적인 구성을 나타내는 도면이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 전체 시스템은 통신망(100), 상품 속성 인식 시스템(200) 및 디바이스(300)를 포함할 수 있다.
먼저, 본 발명의 일 실시예에 따른 통신망(100)은 유선 통신이나 무선 통신과 같은 통신 양태를 가리지 않고 구성될 수 있으며, 근거리 통신망(LAN; Local Area Network), 도시권 통신망(MAN; Metropolitan Area Network), 광역 통신망(WAN; Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 바람직하게는, 본 명세서에서 말하는 통신망(100)은 공지의 인터넷 또는 월드와이드웹(WWW; World Wide Web)일 수 있다. 그러나, 통신망(100)은, 굳이 이에 국한될 필요 없이, 공지의 유무선 데이터 통신망, 공지의 전화망 또는 공지의 유무선 텔레비전 통신망을 그 적어도 일부에 있어서 포함할 수도 있다.
예를 들면, 통신망(100)은 무선 데이터 통신망으로서, 와이파이(WiFi) 통신, 와이파이 다이렉트(WiFi-Direct) 통신, 롱텀 에볼루션(LTE; Long Term Evolution) 통신, 5G 통신, 블루투스 통신(예를 들면, 저전력 블루투스(BLE; Bluetooth Low Energy) 통신), 적외선 통신, 초음파 통신 등과 같은 종래의 통신 방식을 적어도 그 일부분에 있어서 구현하는 것일 수 있다.
다음으로, 본 발명의 일 실시예에 따른 상품 속성 인식 시스템(200)은 통신망(100)을 통하여 후술할 디바이스(300)와의 통신을 수행할 수 있고, 태스크 사이의 상관 관계를 참조하여 둘 이상의 태스크를 상품 속성 인식 모델이 함께 학습할 태스크 그룹(task group)으로서 결정하고, 태스크 그룹에 대한 학습에 공통적으로 적용될 파라미터(parameter) 또는 전처리 프로세스(preprocessing)를 설정하고, 위의 설정되는 파라미터 또는 전처리 프로세스를 적용하여 위의 태스크 그룹에 대하여 상품 속성 인식 모델을 학습시키는 기능을 수행할 수 있다.
본 발명에 따른 상품 속성 인식 시스템(200)의 구성과 기능에 관하여는 이하의 상세한 설명을 통하여 자세하게 알아보기로 한다.
다음으로, 본 발명의 일 실시예에 따라 디바이스(300)는 통신망(100)을 통해 상품 속성 인식 시스템(200)에 접속한 후 통신할 수 있도록 하는 기능을 포함하는 디지털 기기로서, 스마트폰, 태블릿 PC 등과 같이 메모리 수단을 구비하고 마이크로 프로세서를 탑재하여 연산 능력을 갖춘 휴대 가능한 디지털 기기라면 얼마든지 본 발명에 따른 디바이스(300)로서 채택될 수 있다.
한편, 본 발명의 일 실시예에 따르면, 디바이스(300)에는, 본 발명에 따른 기능이 지원되기 위한 애플리케이션이 포함되어 있을 수 있다. 이와 같은 애플리케이션은 상품 속성 인식 시스템(200) 또는 외부의 애플리케이션 배포 서버(미도시됨)로부터 다운로드된 것일 수 있다.
상품 속성 인식 시스템의 구성
본 명세서에서, 상품에 관한 속성(attribute)은, 다양하게 정의될 수 있는 복수의 속성 분류 각각에 대하여 결정될 수 있는 해당 상품의 특징이나 성질을 의미할 수 있다. 일 예로서, 어떤 패션 상품에 대하여 복수의 속성 분류로서, 카테고리(category), 아이템(item), 기장(body length), 소매기장(arm length), 넥라인(neckline), 셰이프(shape), 소재감(texture), 프린트(print), 스타일(style), 디테일(detail), 색상(color) 등이 정의되는 경우를 가정할 수 있고, 이러한 경우에 위의 복수의 속성 분류 각각에 대하여 "드레스", "슬립드레스", "무릎 길이", "민소매", "브이넥", "A라인", "실크", "타이다이", "캐주얼", "없음", "오렌지, 화이트" 등의 정보가 해당 패션 상품에 관한 속성으로서 결정될 수 있다.
이하에서는, 본 발명의 구현을 위하여 중요한 기능을 수행하는 상품 속성 인식 시스템(200)의 내부 구성과 각 구성요소의 기능에 대하여 살펴보기로 한다.
도 2는 본 발명의 일 실시예에 따른 상품 속성 인식 시스템(200)의 내부 구성을 상세하게 도시하는 도면이다.
본 발명의 일 실시예에 따른 상품 속성 인식 시스템(200)은 메모리 수단을 구비하고 마이크로 프로세서를 탑재하여 연산 능력을 갖춘 디지털 기기일 수 있다. 이러한 상품 속성 인식 시스템(200)은 서버 시스템일 수 있다. 도 2에 도시된 바와 같이, 상품 속성 인식 시스템(200)은 태스크 관리부(210), 모델 학습 관리부(220), 속성 인식 관리부(230), 통신부(240) 및 제어부(250)를 포함하여 구성될 수 있다. 본 발명의 일 실시예에 따르면, 태스크 관리부(210), 모델 학습 관리부(220), 속성 인식 관리부(230), 통신부(240) 및 제어부(250)는 그 중 적어도 일부가 외부의 시스템과 통신하는 프로그램 모듈일 수 있다. 이러한 프로그램 모듈은 운영 시스템, 응용 프로그램 모듈 또는 기타 프로그램 모듈의 형태로 상품 속성 인식 시스템(200)에 포함될 수 있고, 물리적으로는 여러 가지 공지의 기억 장치에 저장될 수 있다. 또한, 이러한 프로그램 모듈은 상품 속성 인식 시스템(200)과 통신 가능한 원격 기억 장치에 저장될 수도 있다. 한편, 이러한 프로그램 모듈은 본 발명에 따라 후술할 특정 업무를 수행하거나 특정 추상 데이터 유형을 실행하는 루틴, 서브루틴, 프로그램, 오브젝트, 컴포넌트, 데이터 구조 등을 포괄하지만, 이에 제한되지는 않는다.
한편, 상품 속성 인식 시스템(200)에 관하여 위와 같이 설명되었으나, 이러한 설명은 예시적인 것이고, 상품 속성 인식 시스템(200)의 구성요소 또는 기능 중 적어도 일부가 필요에 따라 디바이스(300) 또는 서버(미도시됨) 내에서 실현되거나 외부 시스템(미도시됨) 내에 포함될 수도 있음은 당업자에게 자명하다.
먼저, 본 발명의 일 실시예에 따르면, 태스크 관리부(210)는, 태스크 사이의 상관 관계를 참조하여 둘 이상의 태스크를 후술할 상품 속성 인식 모델이 함께 학습할 태스크 그룹(task group)으로서 결정하는 기능을 수행할 수 있다. 구체적으로, 본 발명의 일 실시예에 따르면, 태스크 관리부(210)는, 후술할 상품 속성 인식 모델이 함께 학습했을 때 서로 도움이 될 수 있는 둘 이상의 태스크를 태스크 그룹으로서 결정할 수 있다.
여기서, 본 발명의 일 실시예에 따르면, 태스크(task)는 후술할 상품 속성 인식 모델이 수행할 과제를 의미하는 것으로서, 구체적으로는, 상품 관련 콘텐츠(상품 이미지 등)로부터 상품에 관한 적어도 하나의 속성을 인식하는 것을 의미할 수 있다.
구체적으로, 본 발명의 일 실시예에 따르면, 태스크 사이의 상관 관계는 상품 속성 인식 모델이 태스크를 수행함에 있어서 상품 속성 인식 모델이 상품 관련 콘텐츠에서 정보를 추출하는 영역에서 나타나는 패턴에 기초하여 특정될 수 있다.
보다 더 구체적으로, 본 발명의 일 실시예에 따른 태스크 관리부(210)는, 상품 속성 인식 모델이 상품 이미지의 로컬(local) 영역으로부터 정보를 중점적으로 추출해야 하거나 그럴 가능성이 기설정된 수준 이상인 둘 이상의 태스크를 그룹핑하여 제1 태스크 그룹으로서 결정할 수 있고, 상품 속성 인식 모델이 상품 이미지의 글로벌(global) 영역으로부터 정보를 중점적으로 추출해야 하거나 그럴 가능성이 기설정된 수준 이상인 둘 이상의 태스크를 그룹핑하여 제2 태스크 그룹으로서 결정할 수 있다.
예를 들면, 상품의 속성 분류 중 아이템(item), 기장(body length), 소매기장(arm length), 넥라인(neckline), 디테일(detail) 등의 속성 분류에 대한 속성을 인식하는 태스크에 있어서, 상품 속성 인식 모델이 상품의 속성을 인식하기 위하여 상품 이미지의 로컬 영역에 대한 정보를 중점적으로 추출해야 하므로, 이에 해당하는 둘 이상의 태스크가 상품 속성 인식 모델이 함께 학습할 하나의 태스크 그룹으로서 그룹핑될 수 있다.
다른 예를 들면, 상품의 속성 분류 중 소재감(texture), 프린트/패턴(print/pattern) 등의 속성 분류에 대한 속성을 인식하는 태스크에 있어서, 상품 속성 인식 모델이 상품의 속성을 인식하기 위해 상품 이미지의 글로벌 영역에 대한 정보를 중점적으로 추출해야 하므로, 이에 해당하는 둘 이상의 태스크가 상품 속성 인식 모델이 함께 학습할 하나의 태스크 그룹으로서 그룹핑될 수 있다.
나아가, 본 발명의 일 실시예에 따르면, 태스크 관리부(210)는, 위와 같이 그룹핑되는 태스크 그룹에 기초하여 학습되는 상품 속성 인식 모델에서 산출되는 매크로 평균 F1 스코어(macro average F1 score)를 참조하여, 상품 속성 인식 모델의 성능(정확도, 재현율 등)을 가장 높일 수 있는 방향으로 태스크 그룹 및 태스크 그룹의 조합(configuration)을 결정할 수 있다.
예를 들면, 상품의 속성을 인식하는 태스크로서 7가지 속성 분류(아이템, 기장, 소매기장, 넥라인, 디테일, 소재감 및 프린트) 각각에 대하여 상품의 속성을 인식하는 7가지 태스크가 존재하는 경우를 가정할 수 있다.
그리고, 먼저, 태스크 그룹의 제1 조합에 해당하는 경우로서, 아이템, 기장, 소매기장, 넥라인, 디테일, 소재감 및 프린트를 각각 인식하는 7가지 태스크를 하나의 태스크 그룹으로 그룹핑함으로써, 상품 속성 인식 모델이 이 태스크 그룹에 대하여 멀티 태스크 러닝 기반으로 학습하는 경우를 상정할 수 있다.
다음으로, 태스크 그룹의 제2 조합에 해당하는 경우로서, 아이템, 기장, 소매기장, 넥라인 및 디테일을 각각 인식하는 5가지 태스크를 하나의 태스크 그룹으로 그룹핑하고, 소재감 및 프린트를 각각 인식하는 2가지 태스크를 다른 하나의 태스크 그룹으로 그룹핑함으로써, 상품 속성 인식 모델이 위의 두 태스크 그룹에 대하여 멀티 태스크 러닝 기반으로 학습하는 경우를 상정할 수 있다.
다음으로, 태스크 그룹의 제3 조합에 해당하는 경우로서, 아이템, 기장 및 소매기장을 각각 인식하는 3가지 태스크를 하나의 태스크 그룹으로 그룹핑하고, 넥라인 및 디테일을 각각 인식하는 2가지 태스크를 다른 하나의 태스크 그룹으로 그룹핑하고, 소재감 및 프린트를 각각 인식하는 2가지 태스크를 또 다른 하나의 태스크 그룹으로 그룹핑함으로써, 상품 속성 인식 모델이 위의 세 태스크 그룹에 대하여 멀티 태스크 러닝 기반으로 학습하는 경우를 상정할 수 있다.
이러한 경우에, 본 발명의 일 실시예에 따른 태스크 관리부(210)는, 위의 다양한 조합 중 상품 속성 인식 모델을 가장 우수하게 학습시킬 수 있는 조합을 결정할 수 있고, 이렇게 결정되는 조합에 따라 상품 속성 인식 모델의 학습에 적용될 태스크 그룹의 조합을 최종적으로 결정할 수 있다.
구체적으로, 본 발명의 일 실시예에 따른 태스크 관리부(210)는, 태스크 그룹에 관한 복수의 조합(제1 조합, 제2 조합 및 제3 조합)에 따라 각각 학습된 복수의 상품 속성 인식 모델에서, 태스크별(즉, 속성 분류별) 매크로 평균 F1 스코어를 측정할 수 있다.
나아가, 본 발명의 일 실시예에 따른 태스크 관리부(210)는, 위의 제2 조합에 따른 상품 속성 인식 모델에서 측정되는 각 태스크에 대한 매크로 평균 F1 스코어의 개별값이 위의 제1 조합, 위의 제3 조합 또는 싱글 태스크 러닝에 따른 상품 속성 인식 모델에서 측정되는 개별값에 비하여 낮지 않고, 위의 제2 조합에 따른 상품 속성 인식 모델에서 측정되는 각 태스크에 대한 매크로 평균 F1 스코어의 평균값이 위의 제1 조합 및 위의 제3 조합에 따른 상품 속성 인식 모델에서 측정되는 평균값보다 높은 경우에. 위의 제2 조합이 상품 속성 인식 모델을 가장 우수하게 학습시킬 수 있는 조합이라고 결정할 수 있고, 이렇게 결정되는 위의 제2 조합에 따라 해당하는 태스크 그룹의 조합을 상품 속성 인식 모델에 대한 멀티 태스크 러닝 기반의 학습에 적용될 태스크 그룹의 조합으로서 최종적으로 결정할 수 있다.
다만, 본 발명에 따라 둘 이상의 태스크를 상품 속성 인식 모델이 함께 학습할 태스크 그룹(task group)으로서 결정하기 위한 기준 또는 방법이 반드시 상기 열거된 실시예에 한정되는 것은 아니며, 본 발명의 목적을 달성할 수 있는 범위 내에서 얼마든지 변경될 수 있음을 밝혀 둔다.
또한, 본 발명에 따라 상품 속성 인식 모델의 성능을 평가하는 방법과 태스크 그룹의 조합을 결정하는 방법이 반드시 상기 열거된 실시예에 한정되는 것은 아니며, 본 발명의 목적을 달성할 수 있는 범위 내에서 얼마든지 변경될 수 있음을 밝혀 둔다.
다음으로, 본 발명의 일 실시예에 따르면, 모델 학습 관리부(220)는 위와 같이 결정되는 태스크 그룹에 대한 학습에 공통적으로 적용될 파라미터(parameter) 또는 전처리 프로세스(preprocessing)를 설정하는 기능을 수행할 수 있다.
본 발명의 일 실시예에 따르면, 상품 속성 인식 모델이 상품의 속성을 인식하기 위하여 상품 이미지의 로컬 영역에 대한 정보를 중점적으로 추출하게 하는 제1 태스크 그룹에 대하여는, 상품 이미지의 가로-세로 비율이 고정된(즉, 유지된) 채로 상품 이미지에 대한 전처리(예를 들면, 상품 이미지의 가로-세로 비율을 유지하면서 긴 방향의 길이가 특정 길이가 되도록 상품 이미지를 리사이징(resizing)하고 그 리사이징된 상품 이미지를 기설정된 사이즈로 랜덤 크롭(random crop)하는 전처리)가 수행되도록 할 수 있다. 이렇게 함으로써, 상품 속성 인식 모델이 로컬 영역으로부터 의미 있는 정보를 추출하기에 적합한 방향으로 상품 이미지를 전처리할 수 있게 된다.
또한, 본 발명의 일 실시예에 따르면, 상품 속성 인식 모델이 상품의 속성을 인식하기 위하여 상품 이미지의 글로벌 영역에 대한 정보를 중점적으로 추출하게 하는 제2 태스크 그룹에 대하여는, 상품 이미지의 가로-세로 비율이 고정되지 않은 채로 상품 이미지에 대한 전처리(예를 들면, 상품 이미지의 가로-세로 비율을 고려하지 않은 채로 특정 크기로 상품 이미지를 리사이징(resizing)하고 그 리사이징된 상품 이미지를 기설정된 사이즈로 랜덤 크롭(random crop)하는 전처리)가 수행되도록 할 수 있다. 이렇게 함으로써, 상품 속성 인식 모델이 글로벌 영역으로부터 의미 있는 정보를 추출하기에 적합한 방향으로 상품 이미지를 전처리할 수 있게 된다.
또한, 본 발명의 일 실시예에 따르면, 모델 학습 관리부(220)는 위와 같이 설정되는 파라미터 또는 전처리 프로세스를 적용하여 태스크 그룹에 대하여 상품 속성 인식 모델을 학습시키는 기능을 수행할 수 있다.
도 3은 종래 기술에 따라 싱글 태스크 러닝(Single Task Learning; STL)을 이용하여 상품의 속성을 인식하는 상품 속성 인식 모델의 구성을 개념적으로 나타내는 도면이다.
도 3에 도시된 바와 같이, 싱글 태스크 러닝을 이용하여 상품의 속성을 인식하는 종래 기술에 따르면, 여러 종류의 태스크 각각에 대하여 싱글 태스크에 적합한 모델(310, 320, 330)이 결정될 수 있고, 여러 종류의 태스크 각각에 대한 복수의 모델이 모두 조합됨에 따라 상품 속성 인식 모델이 구현될 수 있게 된다.
도 3을 참조하면, 싱글 태스크 러닝에 기반한 상품 속성 인식 모델에서는, 상품 속성 인식 모델이 학습해야 하는 태스크의 종류가 늘어남에 따라 상품 속성 인식 모델이 수반하는 파라미터(parameter)의 수와 추론 시간(inference time)이 선형적으로 증가하게 되는 한계가 존재한다.
도 4는 본 발명의 일 실시예에 따라 멀티 태스크 러닝(Multi Task Learning; MTL)을 이용하여 상품의 속성을 인식하는 상품 속성 인식 모델의 구성을 개념적으로 나타내는 도면이다.
도 4에 도시된 바와 같이, 멀티 태스크 러닝을 이용하여 상품의 속성을 인식하는 본 발명에 따르면, 여러 종류의 태스크 중 함께 학습했을 때 서로 도움이 될 수 있는(또는 인식 정확도를 높일 수 있는) 둘 이상의 태스크를 태스크 그룹으로서 결정될 수 있고, 이 태스크 그룹에 대한 학습에 공통적으로 적용될(shared) 파라미터 또는 전처리 프로세스를 포함하는 모델(410, 420, 430)이 결정될 수 있으며, 태스크 그룹이 둘 이상인 경우에 이들 태스크 그룹 각각에 대한 모델이 조합됨에 따라 상품 속성 인식 모델이 구현될 수 있게 된다.
도 4를 참조하면, 본 발명에 따른 멀티 태스크 러닝에 기반한 상품 속성 인식 모델에서는, 상품 속성 인식 모델이 함께 학습했을 때 서로 도움이 될 수 있는 둘 이상의 태스크(즉, 태스크 그룹)를 공유된 파라미터를 이용하여 함께 학습함으로써 학습 정확도가 높아질 수 있고, 태스크 그룹에 특화된 전처리 프로세스를 이용하여 모델 성능이 최적화될 수 있으며, 파라미터 공유(sharing)을 통해 상품 속성 인식 모델이 수반하는 파라미터(parameter)의 수 및 추론 시간(inference time)이 감소될 수 있게 된다.
또한, 도 4를 참조하면, 각 태스크 그룹에 대한 특징 추출기(feature extractor)와 연결된 임베딩 레이어(embedding layer)(440)에서 도출되는 특징 출력(feature output)이 검색 단서로서 활용됨으로써, 상품 관련 콘텐츠 또는 상품에 대한 검색 성능이 향상될 수 있게 된다.
도 5 및 도 6은 본 발명의 일 실시예에 따라 멀티 태스크 러닝을 이용하여 상품의 속성을 인식하는 경우에 달성될 수 있는 유리한 효과를 실험 결과로서 나타내는 도면이다.
구체적으로, 도 5 및 도 6은 종래 기술에 따른 싱글 태스크 러닝 기반 상품 속성 인식 모델(510, 610)과 본 발명에 따른 멀티 태스크 러닝 기반 상품 속성 인식 모델(520, 620, 630, 640, 650)에 대하여 상품 속성을 인식하는 성능을 평가하는 실험을 수행한 결과를 그래프로서 나타낸 것이다.
먼저, 도 5를 참조하면, 디테일(detail), 재료(material), 프린트(print), 기장(length), 아이템(item) 등 다양한 속성 분류에 있어서 멀티 태스크 러닝 기반 상품 속성 인식 모델(520)의 인식 정확도(즉, 분류 정확도)가 싱글 태스크 러닝 기반 상품 속성 인식 모델(510)의 인식 정확도(즉, 분류 정확도)보다 높게 나타난 것을 확인할 수 있다.
다음으로, 도 6을 참조하면, 멀티 태스크 러닝 기반 상품 속성 인식 모델(620, 630, 640, 650)에서 리니어 레이어(linear layer) 이전의 임베딩 레이어(embedding layer)의 특징 출력(feature output)을 활용하여 유사 상품 또는 유사 상품 관련 콘텐츠를 검색한 경우에, 싱글 태스크 러닝 기반 상품 속성 인식 모델의 인식 결과를 활용하여 검색한 경우에 비하여, 검색 정확도가 향상된 것을 확인할 수 있다.
한편, 본 발명의 일 실시예에 따르면, 속성 인식 관리부(230)는, 위와 같이 멀티 태스크 러닝에 기반하여 학습이 수행된 상품 속성 인식 모델을 이용하여 타겟 상품 관련 콘텐츠에 포함된 상품의 속성을 인식하는 기능을 수행할 수 있다.
다음으로, 본 발명의 일 실시예에 따른 통신부(240)는 태스크 관리부(210), 모델 학습 관리부(220) 및 속성 인식 관리부(230)로부터의/로의 데이터 송수신이 가능하도록 하는 기능을 수행할 수 있다.
마지막으로, 본 발명의 일 실시예에 따른 제어부(250)는 태스크 관리부(210), 모델 학습 관리부(220), 속성 인식 관리부(230) 및 통신부(240) 간의 데이터의 흐름을 제어하는 기능을 수행할 수 있다. 즉, 본 발명에 따른 제어부(240)는 상품 속성 인식 시스템(200)의 외부로부터의/로의 데이터 흐름 또는 상품 속성 인식 시스템(200)의 각 구성요소 간의 데이터 흐름을 제어함으로써, 태스크 관리부(210), 모델 학습 관리부(220), 속성 인식 관리부(230) 및 통신부(240)에서 각각 고유 기능을 수행하도록 제어할 수 있다.
이상 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항과 한정된 실시예 및 도면에 의하여 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위하여 제공된 것일 뿐, 본 발명이 상기 실시예에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정과 변경을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.
100: 통신망
200: 상품 속성 인식 시스템
210: 태스크 관리부
220: 모델 학습 관리부
230: 속성 인식 관리부
240: 통신부
250: 제어부
300: 디바이스

Claims (15)

  1. 멀티 태스크 러닝(Multi Task Learning; MTL)을 이용하여 상품의 속성을 인식하는 시스템에서 구현되는 방법으로서 - 상기 시스템은 태스크 관리부 및 모델 학습 관리부를 포함함 -,
    상기 태스크 관리부가, 태스크 사이의 상관 관계를 참조하여 둘 이상의 태스크를 상품 속성 인식 모델이 함께 학습할 태스크 그룹(task group)으로서 결정하는 단계,
    상기 모델 학습 관리부가, 상기 태스크 그룹에 대한 학습에 공통적으로 적용될 파라미터(parameter) 또는 전처리 프로세스(preprocessing)를 설정하는 단계, 및
    상기 모델 학습 관리부가, 상기 설정되는 파라미터 또는 전처리 프로세스를 적용하여 상기 태스크 그룹에 대하여 상기 상품 속성 인식 모델을 학습시키는 단계를 포함하고,
    상기 태스크는 상품 관련 콘텐츠로부터 상품에 관한 적어도 하나의 속성을 인식하는 것을 의미하며,
    상기 상관 관계는, 상기 상품 속성 인식 모델이 태스크를 수행함에 있어서 상기 상품 속성 인식 모델이 상품 관련 콘텐츠에서 정보를 추출하는 영역에서 나타나는 패턴에 기초하여 특정되고,
    상기 태스크 그룹 결정 단계에서, 상기 태스크 관리부가, 상기 상품 속성 인식 모델이 상품 관련 이미지의 로컬(local) 영역으로부터 정보를 추출하게 하는 둘 이상의 태스크를 포함하는 제1 태스크 그룹과 상기 상품 속성 인식 모델이 상품 관련 이미지의 글로벌(global) 영역으로부터 정보를 추출하게 하는 둘 이상의 태스크를 포함하는 제2 태스크 그룹을 결정하는,
    방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 제1항에 있어서,
    상기 태스크 그룹 결정 단계에서, 상기 태스크 관리부가 태스크 그룹에 대한 복수의 조합에 따라 각각 학습된 상품 속성 인식 모델에서 태스크별 매크로 평균 F1 스코어(macro average F1 score)를 측정하고, 상기 매크로 평균 F1 스코어를 참조하여 상기 태스크 그룹 및 상기 태스크 그룹의 조합을 결정하는
    방법.
  6. 제1항에 있어서,
    상기 상품 속성 인식 모델에서 임베딩 레이어(embedding layer)의 특징 출력(feature output)이 획득되고, 상기 획득되는 특징 출력은 상품 관련 콘텐츠 또는 상품을 검색할 단서로서 활용되는
    방법.
  7. 제1항에 있어서,
    상기 학습이 수행된 상품 속성 인식 모델을 이용하여 타겟 상품 관련 콘텐츠에 포함된 상품의 속성을 인식하는 단계를 더 포함하는
    방법.
  8. 제1항에 따른 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 비일시성의 컴퓨터 판독 가능 기록 매체.
  9. 멀티 태스크 러닝(Multi Task Learning; MTL)을 이용하여 상품의 속성을 인식하는 시스템으로서,
    태스크 사이의 상관 관계를 참조하여 둘 이상의 태스크를 상품 속성 인식 모델이 함께 학습할 태스크 그룹(task group)으로서 결정하는 태스크 관리부, 및
    상기 태스크 그룹에 대한 학습에 공통적으로 적용될 파라미터(parameter) 또는 전처리 프로세스(preprocessing)를 설정하고, 상기 설정되는 파라미터 또는 전처리 프로세스를 적용하여 상기 태스크 그룹에 대하여 상기 상품 속성 인식 모델을 학습시키는 모델 학습 관리부를 포함하고,
    상기 태스크는 상품 관련 콘텐츠로부터 상품에 관한 적어도 하나의 속성을 인식하는 것을 의미하며,
    상기 상관 관계는, 상기 상품 속성 인식 모델이 태스크를 수행함에 있어서 상기 상품 속성 인식 모델이 상품 관련 콘텐츠에서 정보를 추출하는 영역에서 나타나는 패턴에 기초하여 특정되고,
    상기 태스크 관리부는, 상기 상품 속성 인식 모델이 상품 관련 이미지의 로컬(local) 영역으로부터 정보를 추출하게 하는 둘 이상의 태스크를 포함하는 제1 태스크 그룹과 상기 상품 속성 인식 모델이 상품 관련 이미지의 글로벌(global) 영역으로부터 정보를 추출하게 하는 둘 이상의 태스크를 포함하는 제2 태스크 그룹을 결정하는,
    시스템.
  10. 삭제
  11. 삭제
  12. 삭제
  13. 제9항에 있어서,
    상기 태스크 관리부는, 태스크 그룹에 대한 복수의 조합에 따라 각각 학습된 상품 속성 인식 모델에서 태스크별 매크로 평균 F1 스코어(macro average F1 score)를 측정하고, 상기 매크로 평균 F1 스코어를 참조하여 상기 태스크 그룹 및 상기 태스크 그룹의 조합을 결정하는
    시스템.
  14. 제9항에 있어서,
    상기 상품 속성 인식 모델에서 임베딩 레이어(embedding layer)의 특징 출력(feature output)이 획득되고, 상기 획득되는 특징 출력은 상품 관련 콘텐츠 또는 상품을 검색할 단서로서 활용되는
    시스템.
  15. 제9항에 있어서,
    상기 학습이 수행된 상품 속성 인식 모델을 이용하여 타겟 상품 관련 콘텐츠에 포함된 상품의 속성을 인식하는 속성 인식 관리부를 더 포함하는
    시스템.
KR1020200174715A 2020-07-27 2020-12-14 멀티 태스크 러닝을 이용하여 상품의 속성을 인식하는 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체 KR102584289B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/KR2021/009650 WO2022025568A1 (ko) 2020-07-27 2021-07-26 멀티 태스크 러닝을 이용하여 상품의 속성을 인식하는 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200093352 2020-07-27
KR20200093352 2020-07-27

Publications (2)

Publication Number Publication Date
KR20220013881A KR20220013881A (ko) 2022-02-04
KR102584289B1 true KR102584289B1 (ko) 2023-10-05

Family

ID=80268217

Family Applications (3)

Application Number Title Priority Date Filing Date
KR1020200153841A KR102622779B1 (ko) 2020-07-27 2020-11-17 상품 이미지에 속성 관련 키워드를 부여하는 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체
KR1020200153759A KR20220013875A (ko) 2020-07-27 2020-11-17 트렌드에 기반하여 상품에 관한 정보를 제공하는 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체
KR1020200174715A KR102584289B1 (ko) 2020-07-27 2020-12-14 멀티 태스크 러닝을 이용하여 상품의 속성을 인식하는 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체

Family Applications Before (2)

Application Number Title Priority Date Filing Date
KR1020200153841A KR102622779B1 (ko) 2020-07-27 2020-11-17 상품 이미지에 속성 관련 키워드를 부여하는 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체
KR1020200153759A KR20220013875A (ko) 2020-07-27 2020-11-17 트렌드에 기반하여 상품에 관한 정보를 제공하는 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체

Country Status (1)

Country Link
KR (3) KR102622779B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102585895B1 (ko) * 2023-04-12 2023-10-10 (주)이공이공 오픈마켓에서의 키워드 마케팅 효율 증가를 위한 방법 및 시스템

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015163322A1 (ja) * 2014-04-24 2015-10-29 日本電気株式会社 データ分析装置、データ分析方法およびプログラム
KR101992986B1 (ko) * 2019-01-21 2019-09-30 주식회사 종달랩 이미지 검색을 이용한 의류 부자재 추천 학습 방법
KR102117528B1 (ko) * 2018-12-21 2020-06-01 아주대학교산학협력단 온라인 데이터에 기반한 사용자 특성 예측 장치 및 방법

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101801846B1 (ko) * 2015-08-26 2017-11-27 옴니어스 주식회사 상품 영상 검색 및 시스템
KR101870353B1 (ko) * 2017-01-26 2018-06-22 강원오픈마켓 주식회사 이슈키워드 및 연관키워드를 활용한 능동적인 검색 광고 제안 시스템
CN110033481A (zh) * 2018-01-10 2019-07-19 北京三星通信技术研究有限公司 用于进行图像处理的方法和设备
KR102102161B1 (ko) * 2018-05-18 2020-04-20 오드컨셉 주식회사 이미지 내 객체의 대표 특성을 추출하는 방법, 장치 및 컴퓨터 프로그램
KR102177823B1 (ko) * 2019-12-12 2020-11-11 옴니어스 주식회사 상품에 관한 정보를 증강하는 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015163322A1 (ja) * 2014-04-24 2015-10-29 日本電気株式会社 データ分析装置、データ分析方法およびプログラム
KR102117528B1 (ko) * 2018-12-21 2020-06-01 아주대학교산학협력단 온라인 데이터에 기반한 사용자 특성 예측 장치 및 방법
KR101992986B1 (ko) * 2019-01-21 2019-09-30 주식회사 종달랩 이미지 검색을 이용한 의류 부자재 추천 학습 방법

Also Published As

Publication number Publication date
KR20220013881A (ko) 2022-02-04
KR20220013875A (ko) 2022-02-04
KR102622779B1 (ko) 2024-01-10
KR20220013876A (ko) 2022-02-04

Similar Documents

Publication Publication Date Title
US11080918B2 (en) Method and system for predicting garment attributes using deep learning
CN107330451B (zh) 基于深度卷积神经网络的服装属性检索方法
US11423076B2 (en) Image similarity-based group browsing
US20160350336A1 (en) Automated image searching, exploration and discovery
CN108304882A (zh) 一种图像分类方法、装置及服务器、用户终端、存储介质
Gutta et al. Face recognition using hybrid classifier systems
CN108694225A (zh) 一种图像搜索方法、特征向量的生成方法、装置及电子设备
CN104281572B (zh) 一种基于互信息的目标匹配方法及其系统
Qi et al. Personalized sketch-based image retrieval by convolutional neural network and deep transfer learning
CN107315984B (zh) 一种行人检索的方法及装置
KR102584289B1 (ko) 멀티 태스크 러닝을 이용하여 상품의 속성을 인식하는 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체
Yu et al. Exemplar-based recursive instance segmentation with application to plant image analysis
An et al. Multi-level common space learning for person re-identification
JP6639743B1 (ja) 検索システム、検索方法、及びプログラム
CN112906730B (zh) 一种信息处理方法、装置及计算机可读存储介质
Su et al. Nesterov accelerated gradient descent-based convolution neural network with dropout for facial expression recognition
Chen et al. A multi-strategy region proposal network
CN109885680B (zh) 一种基于义原扩展的短文本分类预处理方法、系统及装置
KR102524000B1 (ko) 디자인 트렌드 정보가 반영된 디자인 매칭 방법 및 그 장치
KR20210037485A (ko) 유사 패션 상품 데이터 검색 및 제공 방법과 그를 위한 컴퓨팅 장치
CN110110126A (zh) 查询人物的面部图像的方法、装置和服务器
Sabri et al. One-shot learning for facial sketch recognition using the siamese convolutional neural network
CN115187910A (zh) 视频分类模型训练方法、装置、电子设备及存储介质
CN111191675B (zh) 行人属性识别模型实现方法及相关装置
KR20220095041A (ko) 학습된 조건 기반의 디자인 생성 방법 및 그 장치

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant