KR102588998B1 - 영상에서 이상행동 검출을 위한 딥러닝 모델을 이용하여 태스크를 수행하는 방법 및 장치 - Google Patents

영상에서 이상행동 검출을 위한 딥러닝 모델을 이용하여 태스크를 수행하는 방법 및 장치 Download PDF

Info

Publication number
KR102588998B1
KR102588998B1 KR1020210148138A KR20210148138A KR102588998B1 KR 102588998 B1 KR102588998 B1 KR 102588998B1 KR 1020210148138 A KR1020210148138 A KR 1020210148138A KR 20210148138 A KR20210148138 A KR 20210148138A KR 102588998 B1 KR102588998 B1 KR 102588998B1
Authority
KR
South Korea
Prior art keywords
usage
deep learning
learning model
memory usage
convolutional layers
Prior art date
Application number
KR1020210148138A
Other languages
English (en)
Other versions
KR20230029470A (ko
Inventor
유병석
장창환
Original Assignee
퍼스트마일 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 퍼스트마일 주식회사 filed Critical 퍼스트마일 주식회사
Publication of KR20230029470A publication Critical patent/KR20230029470A/ko
Application granted granted Critical
Publication of KR102588998B1 publication Critical patent/KR102588998B1/ko

Links

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 구현되는 딥러닝 모델 통해 태스크를 수행하는 방법이 개시된다. 상기 방법은 딥러닝 모델의 사용 단계를 결정하는 단계; 상기 결정된 사용 단계에 따라 입력 데이터를 상기 딥러닝 모델을 통해 처리하는 단계; 를 포함하고, 상기 딥러닝 모델은 복수의 컨볼루션 레이어를 포함하고, 상기 딥러닝 모델은 사용 단계에 따라 상기 복수의 컨볼루션 레이어 각각에 포함되는 파라미터의 사용 비율을 조정할 수 있다.

Description

영상에서 이상행동 검출을 위한 딥러닝 모델을 이용하여 태스크를 수행하는 방법 및 장치{METHOD AND DEVICE FOR PERFORMING A TASK WITH A DEEP LEARNING MODEL FOR AN ABNORMAL BEHAVIOR DETECTION}
본 발명은 영상 분석을 위한 머신러닝에 관한 것으로, 보다 구체적으로 복수의 사용 단계에 따라 입력 데이터를 가변적으로 처리할 수 있는 딥러닝 모델을 통해 태스크를 수행하는 방법 및 장치에 관한 것이다.
사람이 직접 CCTV의 영상을 보면서 이상행동(폭행, 쓰러짐 등)이 발생하는 지 여부를 확인하게 되는 경우, 상당히 많은 시간이 소요되게 된다. 이에 자동으로 이상행동을 검출할 수 있는 알고리즘을 개발하기 위한 많은 머신러닝 연구들이 진행되고 있으며, 현재 대부분의 이상행동 검출 연구들은 월등한 성능을 나타내고 있는 컨볼루션 네트워크를 활용하여 진행되고 있다. 또한, 실시간 어플리케이션 활용이 가능하나 비교적 계산 용량이 작은 모바일 기기 상에서 사용될 수 있도록 경량화된 네트워크를 사용하는 이상행동 검출에 대한 연구들도 진행되고 있다.
일반적으로 경량화된 네트워크는 빠른 검출 속도를 가지지만 큰 네트워크에 비해 비교적 낮은 성능을 가진다는 단점이 있다. 추론 속도와 네트워크 성능 사이의 트레이드 오프(trade-off)를 해결하기 위해, 하나의 네트워크에 여러 개의 컨볼루션 구조를 포함시키는 방식이 기존의 연구에서 사용되었다. 예를 들어, 사용자가 원하는 상황에 맞게 성능이 좋은 네트워크와 추론 속도가 빠른 네트워크를 선택하여 사용할 수 있게 하는 연구가 있었다. 하지만 이러한 기존의 연구는 영상 데이터인 4차원 데이터에 대한 네트워크 설계 및 학습 방법을 제시하지 않고 있다. 특히, 영상을 처리하기 위해 사용되는 3차원 컨볼루션의 경우 이미지를 처리하기 위해 사용하게 되는 2차원 컨볼루션에 비해 훨씬 더 많은 연산을 필요로 하기 때문에, 영상 처리에 있어서 4차원 데이터를 처리할 수 있는 경량화 네트워크가 매우 중요하다.
경량화된 네트워크는 빠른 추론 속도를 가지나 비교적 낮은 성능을 가지는 문제를 포함한다. 이러한 성능 하락 문제를 완화하기 위한 네트워크 모델에 대한 수요가 존재한다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 복수의 사용 단계에 따라 입력 데이터를 가변적으로 처리할 수 있는 딥러닝 모델을 통해 태스크를 수행하는 방법 및 장치를 제공하는 것을 목적으로 한다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 구현되는 딥러닝 모델 통해 태스크를 수행하는 방법이 개시된다. 상기 방법은 딥러닝 모델의 사용 단계를 결정하는 단계; 상기 결정된 사용 단계에 따라 입력 데이터를 상기 딥러닝 모델을 통해 처리하는 단계; 를 포함하고, 상기 딥러닝 모델은 복수의 컨볼루션 레이어를 포함하고, 상기 딥러닝 모델은 사용 단계에 따라 상기 복수의 컨볼루션 레이어 각각에 포함되는 파라미터의 사용 비율을 조정할 수 있다.
대안적인 실시예에 따라, 딥러닝 모델의 사용 단계를 결정하는 단계는: 상기 컴퓨팅 장치의 GPU 메모리를 측정하여 디바이스 메모리 사용량을 결정하는 단계; 상기 디바이스 메모리 사용량과 기반 메모리 사용량의 비율을 결정하는 단계; 및 상기 결정된 비율에 기초하여 상기 딥러닝 모델의 사용 단계를 결정하는 단계;를 포함할 수 있다.
대안적인 실시예에 따라, 기반 메모리 사용량은 기반 네트워크를 구동 시에 사용되는 GPU 메모리 사용량일 수 있다.
대안적인 실시예에 따라, 상기 사용 단계는 제 1 사용단계 및 제 2 사용단계를 포함하고, 상기 제 2 사용단계에 따라 상기 복수의 컨볼루션 레이어에서 사용되는 파라미터 개수는 상기 제 1 사용단계에 따라 상기 복수의 컨볼루션 레이어에서 사용되는 파라미터 개수 보다 많을 수 있다.
대안적인 실시예에 따라, 상기 제 2 사용단계에 따라 상기 복수의 컨볼루션 레이어에서 사용되는 파라미터는 상기 제 1 사용단계에 따라 상기 복수의 컨볼루션 레이어에서 사용되는 파라미터를 포함할 수 있다.
대안적인 실시예에 따라, 상기 사용 단계는 제 3 사용단계를 더 포함하고, 상기 제 3 사용단계에 따라 상기 복수의 컨볼루션 레이어에서 사용되는 파라미터 개수는 상기 제 2 사용단계에 따라 상기 복수의 컨볼루션 레이어에서 사용되는 파라미터 개수 보다 많을 수 있다.
대안적인 실시예에 따라, 상기 제 3 사용단계에 따라 상기 복수의 컨볼루션 레이어에서 사용되는 파라미터는 상기 제 2 사용단계에 따라 상기 복수의 컨볼루션 레이어에서 사용되는 파라미터를 포함할 수 있다.
대안적인 실시예에 따라, 상기 제 2 사용단계에 따라 상기 복수의 컨볼루션 레이어의 적어도　일부에서 사용되는 파라미터 개수는 상기 제 1 사용단계에 따라 상기 복수의 컨볼루션 레이어의 적어도　일부에서 사용되는 파라미터 개수의　n- 2 배일 수 있다.
대안적인 실시예에 따라, 상기 태스크는 상기 입력 데이터인 영상에 포함되는 객체의 이상행동을 검출하는 것일 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 다른 실시예에 따라 딥러닝 모델 통해 태스크를 수행하는 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는 적어도 하나의 코어를 포함하는 프로세서; 상기 프로세서에서 실행가능한 프로그램 코드들을 포함하는 메모리; 및 영상 입력 데이터를 수신하기 위한 네트워크부;를 포함하고,
상기 프로세서는: 딥러닝 모델의 사용 단계를 결정하고, 그리고 상기 결정된 사용 단계에 따라 입력 데이터를 상기 딥러닝 모델을 통해 처리하고, 상기 딥러닝 모델은 복수의 컨볼루션 레이어를 포함하고, 상기 딥러닝 모델은 사용 단계에 따라 상기 복수의 컨볼루션 레이어 각각에 포함되는 파라미터의 사용 비율을 조정할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 다른 실시예에 따라 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 딥러닝 모델 통해 태스크를 수행하는 이하의 동작들을 수행하도록 하며, 상기 동작들은: 딥러닝 모델의 사용 단계를 결정하는 동작; 및 상기 결정된 사용 단계에 따라 입력 데이터를 상기 딥러닝 모델을 통해 처리하는 동작; 을 포함하고, 상기 딥러닝 모델은 복수의 컨볼루션 레이어를 포함하고, 상기 딥러닝 모델은 사용 단계에 따라 상기 복수의 컨볼루션 레이어 각각에 포함되는 파라미터의 사용 비율을 조정할 수 있다.
본 개시는 복수의 사용 단계에 따라 입력 데이터를 가변적으로 처리할 수 있는 딥러닝 모델을 통해 태스크를 수행하는 방법 및 장치를 제공할 수 있다.
도 1은 본 개시의 일 실시예에 따른 딥러닝 모델 통해 태스크를 수행하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 ２는 본 개시의 몇몇 실시예에 따른 딥러닝 모델 통해 태스크를 수행하는 방법에 대한 순서도이다.
도 3은 본 개시의 몇몇 실시예에 따른 태스크를 수행하기 위한 딥러닝 모델을 설명하기 위한 도면이다.
도 4는 본 개시의 몇몇 실시예에 따른 복수의 컨볼루션 레이어에 포함되는 파라미터를 설명하기 위한 도면이다.
도 5는 본 개시의 몇몇 실시예에 따른 복수의 컨볼루션 레이어에 포함되는 파라미터를 설명하기 위한 다른 도면이다.
도 6은 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 안 된다.
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.
한편, 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 그 대상의 디지털 표현물을 지칭하는 용어이다.
본 명세서에 걸쳐, 딥러닝　모델，네트워크 모델, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 상호 교환 가능한 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. 노드는 채널, 필터, 비선형 함수 등의 조합으로 이루어질 수 있다.
컨볼루션 연산에 포함된 파라미터(또는 가중치)의 집합은 입력 데이터의 차원에 인풋 채널 수와 아웃풋 채널 수를 곱한 수만큼 존재할 수 있다. 이때, 전체 컨볼루션 연산은 하나의 인풋 채널에 대해서 하나의 아웃풋 채널로의 컨볼루션 연산들이 채널 수와 아웃풋 채널 수를 곱한 수만큼 존재하는 것으로 해석될 수 있다. 하나의 인풋 채널과 하나의 아웃풋 채널에 대한 컨볼루션 연산은 단위 컨볼루션으로 정의될 수 있다. 단위 컨볼루션은 전체 컨볼루션 연산 중에서 최소의 연산 집합을 의미할 수 있다. 단위 컨볼루션은 컨볼루션 연산을 통해 획득/변경되는 적어도 하나의 값들을 가질 수 있다. 여기서 단위 컨볼루션에서 처리되는 적어도 하나의 값의 집합은 컨볼루션 레이어의 파라미터로 지칭될 수 있다. 동일한 컨볼루션에서 파생된 단위 컨볼루션이 포함하는 가중치의 수는 모두 동일할 수 있다. 여기서 단위 컨볼루션은 노드와 같은 의미로 사용될 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.
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 라벨링 되어있는 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.
도 1은 본 개시의 일 실시예에 따른 딥러닝 모델 통해 태스크를 수행하기 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(130), 네트워크부(150)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 메모리(130)에 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 특정 태스크를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 특정 태스크를 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, 프로세서(110)는 사전 학습된 딥러닝 모델을 사용하여 적어도 하나의 관심 대상이 포함된 영상을 기초로 사전 결정된 태스크를 수행할 수 있다. 여기서 태스크는 관심 대상의 상태, 속성, 특성 등에 관한 클래스(class)를 예측 또는 판단하는 작업으로 이해될 수 있다. 예를 들어, 프로세서(110)는 사전 학습된 딥러닝 모델을 사용하여 영상에 포함된 관심 대상의 이상 행동을 검출할 수 있다.
프로세서(110)가 사용하는 딥러닝 모델은 적어도 하나의 관심 대상을 포함하는 영상 입력 데이터를 기초로 특징 벡터를 추출하고, 도출된 특징 벡터를 기초로 사전 결정된 태스크에 상응하는 확률값을 추정하는 딥러닝 모델을 포함할 수 있다. 이때, 딥러닝 모델은 영상으로부터 특징 벡터를 추출하는데 최적화된 컨볼루션(convolution) 신경망을 포함할 수 있다. 여기서 최적화된 컨볼루션 신경망은 영상（또는　이미지）의　가로값，　세로값，　및　ＲＧＢ　채널　값에　대한　3차원 컨볼루션 신경망일 수 있다. 본 개시의 딥러닝 모델은 복수의 사용단계 중 어느 하나에 따라 컨볼루션 신경망에서 사용되는 파라미터의 개수를 조절할 수 있다. 또한, 딥러닝 모델은 컨볼루션 신경망과 연결되어 태스크에 알맞은 출력값을 생성하는 완전-연결(fully-connected) 신경망을 포함할 수 있다. 예를 들어, 딥러닝 모델은 적어도 하나의 관심 대상을 포함하는 영상을 기초로 특징 벡터를 추출하는 컨볼루션 신경망 및 컨볼루션 신경망으로부터 도출된 특징 벡터를 기초로 이상행동에 대한 확률 값을 출력하는 완전-연결 신경망을 포함할 수 있다. 또한，　딥러닝 　모델은　복수의　컨볼루션　레이어　각각에서　출력되는　값들을　비선형　함수（예를　들어，　ＲｅＬＵ　함수）를　통해　처리할　수　있다．　본 개시의 딥러닝 모델에 포함되는 신경망에는 전술한 기재 이외에도 컴퓨터 비전 영역의 분류 태스크에 적합한 여러 종류의 신경망들이 적용될 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)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(130)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 네트워크부(150)는 임의의 형태의 공지된 유무선 통신 시스템을 사용할 수 있다.
네트워크부(150)는 관심 대상이 표현된 영상을 외부 시스템으로부터 수신할 수 있다. 예를 들어, 네트워크부(150)는 건물의 입구에 설치된 CCTV의 영상을 CCTV 영상 전송 시스템으로부터 수신할 수 있다. CCTV 영상은 2차원 특징 또는 3차원 특징으로 학습될 신경망 모델의 학습용 데이터 또는 추론용 데이터일 수 있다. 여기서, CCTV 영상은 건물 입구를 통과하는 여러 사람들을 촬영한 영상일 수 있다. 관심 대상이 표현된 영상은 전술한 예시에 제한되지 않고, 다양한 촬영 장치를 통해 획득된 관심 대상이 표현된 영상을 모두 포함할 수 있다.
또한, 네트워크부(150)는 프로세서(110)에 의해 처리된 정보, 사용자 인터페이스 등을 타 단말과의 통신을 통해 송수신할 수 있다. 예를 들어, 네트워크부(150)는 프로세서(100)에 의해 생성된 사용자 인터페이스를 클라이언트(e.g. 사용자 단말)로 제공할 수 있다. 또한, 네트워크부(150)는 클라이언트로 인가된 사용자의 외부 입력을 수신하여 프로세서(110)로 전달할 수 있다. 이때, 프로세서(100)는 네트워크부(150)로부터 전달받은 사용자의 외부 입력을 기초로 사용자 인터페이스를 통해 제공되는 정보의 출력, 수정, 변경, 추가 등의 동작을 처리할 수 있다.
한편, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 클라이언트와 통신을 통해 정보를 송수신하는 컴퓨팅 시스템으로서 서버를 포함할 수 있다. 이때, 클라이언트는 서버에 엑세스할 수 있는 임의의 형태의 단말일 수 있다. 예를 들어, 서버인 컴퓨팅 장치(100)는 관심 대상이 표현된 영상을 영상 촬영 단말로부터 수신하여 관심 대상의 특정 행위를 검출하고, 검출된 결과를 포함하는 사용자 인터페이스를 사용자 단말로 제공할 수 있다. 이때, 사용자 단말은 서버인 컴퓨팅 장치(100)로부터 수신한 사용자 인터페이스를 출력하고, 사용자와의 상호 작용을 통해 정보를 입력받거나 처리할 수 있다.
추가적인 실시예에서, 컴퓨팅 장치(100)는 임의의 서버에서 생성된 데이터 리소스를 전달받아 추가적인 정보 처리를 수행하는 임의의 형태의 단말을 포함할 수도 있다.
도 ２는 본 개시의 몇몇 실시예에 따른 딥러닝 모델 통해 태스크를 수행하는 방법에 대한 순서도이다. 도 3은 본 개시의 몇몇 실시예에 따른 태스크를 수행하기 위한 딥러닝 모델을 설명하기 위한 도면이다. 도 4는 본 개시의 몇몇 실시예에 따른 복수의 컨볼루션 레이어에 포함되는 파라미터를 설명하기 위한 도면이다. 도 5는 본 개시의 몇몇 실시예에 따른 복수의 컨볼루션 레이어에 포함되는 파라미터를 설명하기 위한 다른 도면이다.
본 개시에 따른 딥러닝 모델은 관심 대상이 포함된 영상을 처리함으로써 태스크를 수행할 수 있다. 예를 들어, 본 개시에 따른 딥러닝 모델에 의해 수행되는 태스크는 입력 데이터인 영상에 포함되는 객체의 이상행동을 검출하는 것일 수 있다. 본 개시에 따른 딥러닝 모델은 영상에 대한 4차원 데이터를 처리하기 위한 3차원 컨볼루션 레이어를 포함할 수 있다. 4차원 데이터를 처리하기 위한 3차원 컨볼루션 레이어는 이미지를 처리하는 2차원 컨볼루션에 비해 훨씬 더 많은 데이터를 처리하기 때문에, 다양한 장치 상에서 사용되기 위해서 네트워크의 경량화가 중요하다. 경량화된 네트워크는 빠른 추론 속도를 가지나 비교적 낮은 성능을 나타내는 트레이드 오프(trade-off)를 가지게 된다. 본 개시에 따른 딥러닝 모델은 하나의 네트워크에서 여러 단계의 경량화 네트워크를 구현함으로써 성능과 추론 속도 사이의 트레이드 오프에서 최적의 선택을 할 수 있다.
본 개시의 몇몇 실시예에 따라, 딥러닝 모델 통해 태스크를 수행하는 방법은 딥러닝 모델의 사용 단계를 결정하는 단계(s110)를 포함할 수 있다.
상술한 바와 같이, 본 개시의 딥러닝 모델은 태스크를 수행하기 위해 4차원 데이터인 영상에 대한 입력 데이터를 처리할 수 있다. 예를 들어, 영상에 대한 입력 데이터는 단일한 영상 데이터에 대한 세로, 가로, RGB 채널값, 및 프레임 개수 값을 포함하는 4차원 데이터일 수 있다. 또한, 딥러닝 모델은 복수의 영상을 병렬적으로 처리할 수 있다. 이 경우에, 입력 데이터는 복수의 영상 데이터에 대한 세로, 가로, RGB 채널값, 프레임 정보 값, 및 영상 정보 값을 포함하는 5차원 데이터일 수 있다.
본 개시에 따른 딥러닝 모델은 구동되는 컴퓨팅의 장치의 성능에 따라 복수의 사용단계 중 적합한 사용단계에 따라 입력 데이터를 처리할 수 있다. 사용단계는 딥러닝 모델이 구동되는 컴퓨팅 장치의 성능에 따라 결정될 수 있다. 일반적으로 딥러닝 모델을 구동하는데 사용되는 컴퓨팅 장치의 컴포넌트는 GPU이므로, 본 개시의 방법은 사용단계를 결정하기 위해 컴퓨팅 장치의 GPU 메모리량을 측정하는 방식을 사용할 수 있다. GPU 메모리를 이용하여 사용단계를 결정하는 몇몇의 실시예가 이하에서 설명된다.
본 개시의 몇몇 실시예에 따라, 딥러닝 모델의 사용 단계를 결정하는 단계는 컴퓨팅 장치의 GPU 메모리량을 측정하여 디바이스 메모리 사용량을 결정하는 단계, 디바이스 메모리 사용량과 기반 메모리 사용량의 비율을 결정하는 단계, 및 상기 결정된 비율에 기초하여 상기 구동 성능을 결정하는 단계를 포함할 수 있다.
구체적으로 설명하면, 디바이스 메모리 사용량은 컴퓨팅 장치의 메모리에 관한 정보를 포함할 수 있다. 예를 들어, 디바이스 메모리 사용량은 컴퓨팅 장치의 GPU 메모리량을 측정하여 결정될 수 있다. 딥러닝 모델의 구동은 GPU를 이용하여 이루어지기 때문에, 컴퓨팅 장치의 GPU 메모리량을 이용하여 구동 성능이 빠르게 결정될 수 있다. 다른 예로, 디바이스 메모리 사용량은 기반 네트워크를 컴퓨팅 장치 상에 구동함으로써 GPU 메모리 사용량을 측정하여 결정될 수 있다. 이 경우에, 컴퓨팅 장치의 CPU, 입출력 장치 등 전체적인 성능이 평가될 수 있어, 디바이스 메모리 사용량이 보다 정확하게 결정될 수 있다. 여기서 기반 네트워크는 GPU 메모리를 측정하기 위한 태스크 모델로서 사전 결정된 구성의 3차원 컨볼루션을 포함할 수 있다. 기반 네트워크는 다양한 장치 상에 구동되어 각각의 장치에서 사용되는 GPU 메모리량을 비교함으로써 컴퓨팅 장치의 딥러닝 모델에 대한 구동 성능을 결정하는데 사용될 수 있다.
기반 네트워크가 사용단계를 결정하는데 적합하기 위해서는, 딥러닝 모델의 사용단계가 기반 네트워크에 구동에 따라 장치의 성능을 구별하기에 용이하게 설계될 필요가 있다. 예를 들어, 복수의 사용단계를 가지는 딥러닝 모델을 설계하기 위해, 딥러닝 네트워크의 배치 사이즈, 구동 프레임 워크, 파라미터의 종류에 따라 달라질 수 있는 네트워크 모델과 GPU 사용 메모리 사이의 비례 상수를 계산할 수 있다. 그리고 기반 네트워크를 주어진 조건 하에서 구동하여 사용된 GPU 메모리 사용량이 측정될 수 있다. 이렇게 측정된 GPU 메모리 사용량은 기반 메모리 사용량으로 지칭될 수 있다. 환언하면, 기반 메모리 사용량은 기반 네트워크를 구동 시에 사용되는 GPU 메모리 사용량일 수 있다. 또한, 딥러닝 모델을 구동될 수 있는 다양한 디바이스의 GPU 메모리량을 조사할 수 있다. 이렇게 측정된 GPU 메모리량은 디바이스 메모리 사용량일 수 있다. 그리고 각 네트워크에 적합한 네트워크에 포함되는 복수의 컨볼루션 레이어의 채널 수는 '기반 네트워크에 포함되는 컨볼루션 레이어의 채널수 x 디바이스 메모리 사용량 / 기반 메모리 사용량'에 따라 설계될 수 있다. 컨볼루션 레이어의 채널 수에 따라 파라미터의 개수가 결정될 수 있으므로, 여러 장치의 디바이스 메모리 사용량을 정리하여 적합한 사용단계의 개수 및 그에 따른 파라미터의 개수가 도출될 수 있다. 딥러닝 모델의 GPU 메모리에 대한 디바이스 메모리 사용량이 컴퓨팅 장치 상에서 딥러닝 모델의 사용단계를 결정하는데 효과적으로 사용될 수 있다.
디바이스 메모리 사용량과 기반 메모리 사용량의 비율을 결정함으로써 딥러닝 모델의 사용 단계가 결정될 수 있다. 기반 네트워크의 GPU 메모리 사용량인 기반 메모리 사용량은 여러 장치에 대하여 동일한 기준을 제공하므로, 디바이스 메모리 사용량과 기반 메모리 사용량의 비율은 컴퓨팅 장치의 딥러닝 모델의 구동 성능을 결정하는데 사용될 수 있다. 예를 들어, '디바이스 메모리 사용량/기반 메모리 사용량'이 클수록 컴퓨팅 장치의 구동 성능이 높을 수 있다. 이 경우에, 보다 많은 파라미터 개수를 사용하도록 사용단계가 결정될 수 있다. 또한, '디바이스 메모리 사용량 / 기반 메모리 사용량'이 작을수록 컴퓨팅 장치의 구동 성능이 낮을 수 있다. 이 경우에, 보다 적은 파라미터 개수를 사용하도록 사용단계가 결정될 수 있다.
구체적으로 예를 들면, 딥러닝 모델의 사용 단계는 제 1 사용단계, 제 2 사용단계, 제 3 사용단계를 포함할 수 있다. 제 1 사용단계에서 제 3 사용단계로 증가할수록, 사용되는 파라미터의 개수는 증가할 수 있다(예를 들어, 제 1 사용단계는 n개, 제 2 사용단계는 2n개, 제 3 사용단계는 3n개의 파라미터를 사용함). 이 경우에, '디바이스 메모리 사용량 / 기반 메모리 사용량'이 1 보다 작은 경우, 딥러닝 모델의 사용 단계는 제 1 사용단계로 결정될 수 있다. 또한, '디바이스 메모리 사용량 / 기반 메모리 사용량'이 1 보다 크고 2 보다 작은 경우, 딥러닝 모델의 사용 단계는 제 2 사용단계로 결정될 수 있다. 또한 '디바이스 메모리 사용량 / 기반 메모리 사용량'이 2 보다 큰 경우, 딥러닝 모델의 사용 단계는 제 3 사용단계로 결정될 수 있다. 다만 이에 한정되지 않으며, 사용단계는 다양한 방식으로 결정될 수 있다.
본 개시의 몇몇 실시예에 따라, 딥러닝 모델 통해 태스크를 수행하는 방법은 결정된 사용 단계에 따라 입력 데이터를 딥러닝 모델을 통해 처리하는 단계(s120)를 포함할 수 있다. 여기서, 딥러닝 모델은 복수의 컨볼루션 레이어를 포함하고, 딥러닝 모델은 사용 단계에 따라 복수의 컨볼루션 레이어 각각에 포함되는 파라미터의 사용 비율을 조정할 수 있다.
상술한 바와 같이, 딥러닝 모델의 사용 단계는 딥러닝 모델이 구동되는 컴퓨팅 장치의 구동 성능에 따라 결정되므로, 딥러닝 모델은 사용 단계에 따라 입력 데이터를 처리함으로써 최적의 성능을 나타낼 수 있다. 다양한 사용 단계에 따라 다양한 성능으로 추론을 수행하기 위한 본 개시의 딥러닝 모델의 구체적인 구조가 이하에서 설명된다.
본 개시의 몇몇 실시예에 따라, 사용 단계는 제 1 사용단계 및 제 2 사용단계를 포함하고, 제 2 사용단계에 따라 복수의 컨볼루션 레이어에서 사용되는 파라미터 개수는 제 1 사용단계에 따라 복수의 컨볼루션 레이어에서 사용되는 파라미터 개수 보다 많을 수 있다.
도 4를 참조하면, 입력 데이터에 대한 컨볼루션 구조가 도시된다. 여기서, 3차원 컨볼루션(300)은 27개의 단위 컨볼루션을 포함하는 것으로 도시된다. 입력 데이터(11)는 영상 데이터이므로, 입력 데이터는 RGB 채널에 따라 3개의 입력 채널을 가질 수 있다. 예시적인 다음 레이어(230)는 도시되는 바와 같이 9개의 채널을 가질 수 있다. 각각 파라미터를 가지는 단위 컨볼루션의 개수는 이전 레이어의 채널 수와 다음 레이어의 채널 수의 곱으로 결정될 수 있다. 상술한 바와 같이, 단위 컨볼루션에서 처리되는 적어도 하나의 값의 집합은 컨볼루션 레이어의 파라미터로 지칭될 수 있다. 따라서, 단위 컨볼루션 개수는 파라미터의 개수와 동일할 수 있다. 따라서, 이 실시예에서 3차원 컨볼루션(300)의 파라미터 개수는 총 27개일 수 있다.
또한, 레이어의 세로, 가로, 프레임 방향으로 이동하면서 27개의 컨볼루션 필터를 사용하여 합성곱이 수행될 수 있다. 이 경우에, 제 1 사용단계에 따라 3차원 컨볼루션(300)에서 사용되는 파라미터 개수(310)는 9개일 수 있다. 또한, 제 2 사용단계에 따라 3차원 컨볼루션(300)에서 사용되는 파라미터 개수(320)는 18개일 수 있다. 또한, 제 3 사용단계에 따라 3차원 컨볼루션(300)에서 파라미터 개수는 27개(330)일 수 있다. 따라서, 사용단계가 증가함에 따라 사용되는 파라미터 개수가 증가할 수 있다.
도 5를 참조하면, 두번째 레이어 이상에서의 컨볼루션 구조가 도시된다. 여기서, 3차원 컨볼루션(400)은 81개의 단위 컨볼루션을 포함하는 것으로 도시된다. 예시적인 이전 레이어(240)는 도시되는 바와 같이 9개의 채널을 가질 수 있다. 또한, 예시적인 다음 레이어(250)는 도시되는 바와 같이 9개의 채널을 가질 수 있다. 상술한 바와 같이, 각각 파라미터를 가지는 단위 컨볼루션의 개수는 이전 레이어의 채널 수와 다음 레이어의 채널 수의 곱으로 결정될 수 있다. 또한, 상술한 바와 같이 단위 컨볼루션에서 처리되는 적어도 하나의 값의 집합은 컨볼루션 레이어의 파라미터로 지칭될 수 있다. 따라서, 단위 컨볼루션 개수는 파라미터의 개수와 동일할 수 있다. 따라서, 3차원 컨볼루션(400)의 파라미터 개수는 총 81개일 수 있다.
마찬가지로, 레이어의 세로, 가로, 프레임 방향으로 이동하면서 81개 이하의 컨볼루션 필터를 사용하여 합성곱이 수행될 수 있다. 이 경우에, 제 1 사용단계에 따라 3차원 컨볼루션(400)에서 사용되는 파라미터 개수(410)는 9개일 수 있다. 또한, 제 2 사용단계에 따라 3차원 컨볼루션(300)에서 사용되는 파라미터 개수(320)는 36개일 수 있다. 또한, 제 3 사용단계에 따라 3차원 컨볼루션(300)에서 파라미터 개수는 81개(330)일 수 있다. 따라서, 사용단계가 증가함에 따라 사용되는 파라미터 개수가 증가할 수 있다.
따라서, 딥러닝 모델은 제 2 사용단계에 따라 복수의 컨볼루션 레이어에서 사용되는 파라미터 개수가 제 1 사용단계에 따라 복수의 컨볼루션 레이어에서 사용되는 파라미터 개수 보다 많고, 제 3 사용단계에 따라 복수의 컨볼루션 레이어에서 사용되는 파라미터 개수가 제 2 사용단계에 따라 복수의 컨볼루션 레이어에서 사용되는 파라미터 개수 보다 많은 구조를 가질 수 있다. 따라서, 딥러닝 모델은 사용단계에 따라 다양한 연산량으로 추론을 수행할 수 있다.
본 개시의 몇몇 실시예에 따라, 제 2 사용단계에 따라 복수의 컨볼루션 레이어에서 사용되는 파라미터는 제 1 사용단계에 따라 복수의 컨볼루션 레이어에서 사용되는 파라미터를 포함할 수 있다. 또한, 제 3 사용단계에 따라 복수의 컨볼루션 레이어에서 사용되는 파라미터는 상기 제 2 사용단계에 따라 상기 복수의 컨볼루션 레이어에서 사용되는 파라미터를 포함할 수 있다.
본 개시의 딥러닝 모델은 사용단계에 증가함에 따라 중첩적으로 사용되는 부분을 가질 수 있다. 예를 들어, 도 4를 참조하면 제 2 사용단계에 따라 사용되는 파라미터(320)는 제 1 사용단계에 따라 사용되는 파라미터(310)를 포함할 수 있다. 따라서, 제 1 사용단계 및 제 2 사용단계에서 사용되는 파라미터는 제 1 사용단계에 따라 사용되는 파라미터(310)를 중첩되는 부분으로 가질 수 있다. 또한, 제 3 사용단계에 따라 사용되는 파라미터(330)는 제 2 사용단계에 따라 사용되는 파라미터(320)를 포함할 수 있다.
또한, 도 5를 참조하면 제 2 사용단계에 따라 사용되는 파라미터(420)는 제 1 사용단계에 따라 사용되는 파라미터(410)를 포함할 수 있다. 따라서, 제 1 사용단계 및 제 2 사용단계에서 사용되는 파라미터는 제 1 사용단계에 따라 사용되는 파라미터(410)를 중첩되는 부분으로 가질 수 있다. 또한, 제 3 사용단계에 따라 사용되는 파라미터(430)는 제 2 사용단계에 따라 사용되는 파라미터(420)를 포함할 수 있다. 따라서, 제 1 사용단계, 제 2 사용단계, 및 제 3 사용단계에서 사용되는 파라미터는 제 1 사용단계에 따라 사용되는 파라미터(410)를 중첩되는 부분으로 가질 수 있다. 이러한 중첩되는 부분은 사용단계가 점차 늘어나는 경우에도 딥러닝 모델의 학습 효율을 높일 수 있게 하며, 낮은 단계에서 추론이 높은 정확성을 유지하도록 작동할 수 있다.
본 개시의 몇몇 실시예에 따라, 제 2 사용단계에 따라 상기 복수의 컨볼루션 레이어의 적어도　일부에서 사용되는 파라미터 개수는 제 1 사용단계에 따라 상기 복수의 컨볼루션 레이어의 적어도　일부에서 사용되는 파라미터 개수의　n2 배일 수 있다. 여기서 복수의 컨볼루션 레이어의 적어도 일부는 입력 데이터와 연결된 컨볼루션 레이어 이외의 레이어일 수 있다. 도 5에서 도시되는 바와 같이, 제 1 사용단계에 따라 3차원 컨볼루션(400)에서 사용되는 파라미터 개수(410)는 9개일 수 있다. 제 2 사용단계에 따라 3차원 컨볼루션(400)에서 사용되는 파라미터 개수(420)는 36개일 수 있다. 따라서, 제 2 사용단계에 따라 3차원 컨볼루션(400)에서 사용되는 파라미터 개수(420)는 제 1 사용단계에 따라 3차원 컨볼루션(400)에서 사용되는 파라미터 개수(410)의 22배일 수 있다. 또한, 제 3 사용단계에 따라 3차원 컨볼루션(400)에서 사용되는 파라미터 개수(430)는 91개일 수 있다. 따라서, 제 3 사용단계에 따라 3차원 컨볼루션(400)에서 사용되는 파라미터 개수(430)는 제 1 사용단계에 따라 3차원 컨볼루션(400)에서 사용되는 파라미터 개수(410)는 32배일 수 있다. 파라미터의 개수가 정수의 제곱배로 증가하는 방식은 네트워크를 확장하는 방식을 용이하게 할 수 있다. 예를 들어, 레이어의 채널을 정수배로 늘림으로써 네트워크가 용이하게 확장될 수 있다.
상술한 구조에 따라 딥러닝 모델에 대한 설계가 완료되는, 딥러닝 모델은 예를 들어 경사 하강법으로 학습될 수 있다. 경사 하강법을 수행할 수 있도록 손실함수를 정의함으로써 본 개시에 다른 딥러닝 모델이 학습될 수 있다. 예를 들어, 이상행동 검출을 위한 손실함수는 네트워크가 예측한 확률 값과 실제 해당 영상에 이상행동이 있는지에 대한 유무를 나타내는 라벨 사이의 교차 엔트로피(cross-entropy)로 정의될 수 있다. 딥러닝 모델은 태스크에 대한 예측을 각 단계별로 추론할 수 있고, 각 단계에 대한 손실함수가 각각 정의될 수 있다. 따라서, 전체 손실함수는 각 단계에 대한 손실함수의 합으로 정의될 수 있다. 이 경우에, 경사 하강법을 통해 전체 손실함수의 값을 감소시키는 방향으로 역전파(back-propagation) 학습을 수행하여 컨볼루션 필터의 값들이 학습될 수 있다.
도 3을 참조하면, 전체적인 딥러닝 모델의 동작에 대한 개요가 도시된다. 딥러닝 모델에 연속된 이미지를 포함하는 영상 입력데이터가 복수의 컨볼루션 레이어(200)로 처리될 수 있다. 이 경우에, 각각의 컨볼루션 레이어에서 출력되는 값들은 비선형 함수로 처리될 수 있다. 여기서 각각의 컨볼루션 레이어에서 사용되는 파라미터의 비율은 도 3에서 도시되는 바와 같이 각각의 사용단계에 따라 조정될 수 있다. 도시되는 바와 같이, 제 1 사용단계에서 사용되는 파라미터는 제 2 사용단계에서 사용되는 파라미터 보다 작으며, 제 2 사용단계에서 사용되는 파라미터는 제 3 사용단계에서 사용되는 파라미터 보다 작을 수 있다. 또한, 제 1 사용단계에서 사용되는 파라미터는 모든 사용단계에서 사용되는 중첩되는 부분일 수 있다. 복수의 사용단계 중 하나의 사용단계에 따라 출력되는 복수의 컨볼루션 레이어의 출력값은 완전-연결 신경망에 의해 처리될 수 있다. 완전-연결 신경망에서 출력된 출력값(20)은 태스크에 대한 확률값을 나타내는 2차원 벡터일 수 있다. 제 1 사용단계에 따라 출력된 출력값은 제 1 단계 결과(21)일 수 있고, 제 2 사용단계에 따라 출력된 출력값은 제 2 단계 결과(22)일 수 있다. 제 1 단계 결과(21)는 제 2 단계 결과(22)에 비해 빠른 속도로 도출될 수 있다. 다만, 제 1 단계 결과(21)는 제 2 단계 결과(22)에 비해 낮은 정확도를 가질 수 있다. 제 3 사용단계에 따라 출력된 출력값은 제 3 단계 결과(23)일 수 있다. 제 3 단계 결과(23)는 제 1 단계 결과(22) 및 제 3 단계 결과(22)에 비해 느린 속도로 도출될 수 있다. 다만, 제 3 단계 결과(23)는 제 1 단계 결과(21) 및 제 2 단계 결과(22)에 비해 높은 정확도를 가질 수 있다. 따라서, 본 개시에 따른 딥러닝 모델은 다양한 사용단계에 따라 입력데이터를 처리함으로써, 필요에 따라 빠른 추론을 수행하거나 높은 성능을 달성할 수 있다.
본 개시에 따른 딥러닝 모델은 계산 용량이 작은 IoT, 모바일 장치 뿐만 아니라 고성능 데스크탑, 서버 상에서도 사용될 수 있다. 또한, 딥러닝 모델은 연산량이 많이 필요한 이미 관측된 영상에서 이상행동을 찾는 문제와 빠른 추론이 필요한 실시간 CCTV 감시에서 이상행동을 찾는 문제를 해결할 수 있다. 따라서, 본 개시의 딥러닝 모델은 성능과 추론 속도 사이의 트레이드 오프 문제를 효과적으로 해소할 수 있다.
도 6은 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 (11)

  1. 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 구현되는 딥러닝 모델 통해 태스크를 수행하는 방법으로서,
    디바이스 메모리 사용량을 기반 메모리 사용량과 비교함으로써 딥러닝 모델의 사용 단계를 결정하는 단계 - 상기 기반 메모리 사용량은 기반 네트워크를 구동 시에 사용되는 GPU 메모리 사용량이고, 상기 디바이스 메모리 사용량은 컴퓨팅 장치의 GPU 메모리량임 -; 및
    상기 결정된 사용 단계에 따라 입력 데이터를 상기 딥러닝 모델을 통해 처리하는 단계;
    를 포함하고,
    상기 딥러닝 모델은 복수의 컨볼루션 레이어를 포함하고, 상기 딥러닝 모델은 사용 단계에 따라 상기 복수의 컨볼루션 레이어 각각에 포함되는 파라미터의 사용 비율을 조정하고,
    상기 사용 단계에 따라 조정되는 상기 복수의 컨볼루션 레이어 각각에 포함되는 파라미터의 사용 비율은 '기반 네트워크에 포함되는 컨볼루션 레이어의 채널수 x 디바이스 메모리 사용량 / 기반 메모리 사용량'에 따라 설계되는 채널 수에 의해 결정되는,
    방법.
  2. 제 1 항에 있어서,
    딥러닝 모델의 사용 단계를 결정하는 단계는:
    상기 컴퓨팅 장치의 GPU 메모리를 측정하여 디바이스 메모리 사용량을 결정하는 단계;
    상기 디바이스 메모리 사용량과 기반 메모리 사용량의 비율을 결정하는 단계; 및
    상기 결정된 비율에 기초하여 상기 딥러닝 모델의 사용 단계를 결정하는 단계;
    를 포함하는,
    방법.
  3. 삭제
  4. 제 1 항에 있어서,
    상기 사용 단계는 제 1 사용단계 및 제 2 사용단계를 포함하고, 상기 제 2 사용단계에 따라 상기 복수의 컨볼루션 레이어에서 사용되는 파라미터 개수는 상기 제 1 사용단계에 따라 상기 복수의 컨볼루션 레이어에서 사용되는 파라미터 개수 보다 많은,
    방법.
  5. 제 4 항에 있어서,
    상기 제 2 사용단계에 따라 상기 복수의 컨볼루션 레이어에서 사용되는 파라미터는 상기 제 1 사용단계에 따라 상기 복수의 컨볼루션 레이어에서 사용되는 파라미터를 포함하는,
    방법.
  6. 제 5 항에 있어서,
    상기 사용 단계는 제 3 사용단계를 더 포함하고,
    상기 제 3 사용단계에 따라 상기 복수의 컨볼루션 레이어에서 사용되는 파라미터 개수는 상기 제 2 사용단계에 따라 상기 복수의 컨볼루션 레이어에서 사용되는 파라미터 개수 보다 많은,
    방법.
  7. 제 6 항에 있어서,
    상기 제 3 사용단계에 따라 상기 복수의 컨볼루션 레이어에서 사용되는 파라미터는 상기 제 2 사용단계에 따라 상기 복수의 컨볼루션 레이어에서 사용되는 파라미터를 포함하는,
    방법.
  8. 제 4 항에 있어서,
    상기 제 2 사용단계에 따라 상기 복수의 컨볼루션 레이어에서 사용되는 파라미터 개수는 상기 제 1 사용단계에 따라 상기 복수의 컨볼루션 레이어에서 사용되는 파라미터 개수의 n2 배이고 n은 정수인，　
    방법．
  9. 제 1 항에 있어서,
    상기 태스크는 상기 입력 데이터인 영상에 포함되는 객체의 이상행동을 검출하는 것인,
    방법.
  10. 딥러닝 모델 통해 태스크를 수행하는 컴퓨팅 장치로서,
    적어도 하나의 코어를 포함하는 프로세서;
    상기 프로세서에서 실행가능한 프로그램 코드들을 포함하는 메모리; 및
    영상 입력 데이터를 수신하기 위한 네트워크부;
    를 포함하고,
    상기 프로세서는:
    디바이스 메모리 사용량을 기반 메모리 사용량과 비교함으로써 딥러닝 모델의 사용 단계를 결정하고 - 상기 기반 메모리 사용량은 기반 네트워크를 구동 시에 사용되는 GPU 메모리 사용량이고, 상기 디바이스 메모리 사용량은 컴퓨팅 장치의 GPU 메모리량임 -, 그리고
    상기 결정된 사용 단계에 따라 입력 데이터를 상기 딥러닝 모델을 통해 처리하고,
    상기 딥러닝 모델은 복수의 컨볼루션 레이어를 포함하고, 상기 딥러닝 모델은 사용 단계에 따라 상기 복수의 컨볼루션 레이어 각각에 포함되는 파라미터의 사용 비율을 조정하고,
    상기 사용 단계에 따라 조정되는 상기 복수의 컨볼루션 레이어 각각에 포함되는 파라미터의 사용 비율은 '기반 네트워크에 포함되는 컨볼루션 레이어의 채널수 x 디바이스 메모리 사용량 / 기반 메모리 사용량'에 따라 설계되는 채널 수에 의해 결정되는,
    장치.
  11. 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 딥러닝 모델 통해 태스크를 수행하는 이하의 동작들을 수행하도록 하며, 상기 동작들은:
    디바이스 메모리 사용량을 기반 메모리 사용량과 비교함으로써 딥러닝 모델의 사용 단계를 결정하는 동작 - 상기 기반 메모리 사용량은 기반 네트워크를 구동 시에 사용되는 GPU 메모리 사용량이고, 상기 디바이스 메모리 사용량은 컴퓨팅 장치의 GPU 메모리량임 -; 및
    상기 결정된 사용 단계에 따라 입력 데이터를 상기 딥러닝 모델을 통해 처리하는 동작;
    을 포함하고,
    상기 딥러닝 모델은 복수의 컨볼루션 레이어를 포함하고, 상기 딥러닝 모델은 사용 단계에 따라 상기 복수의 컨볼루션 레이어 각각에 포함되는 파라미터의 사용 비율을 조정하고,
    상기 사용 단계에 따라 조정되는 상기 복수의 컨볼루션 레이어 각각에 포함되는 파라미터의 사용 비율은 '기반 네트워크에 포함되는 컨볼루션 레이어의 채널수 x 디바이스 메모리 사용량 / 기반 메모리 사용량'에 따라 설계되는 채널 수에 의해 결정되는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
KR1020210148138A 2021-08-24 2021-11-01 영상에서 이상행동 검출을 위한 딥러닝 모델을 이용하여 태스크를 수행하는 방법 및 장치 KR102588998B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210111791 2021-08-24
KR20210111791 2021-08-24

Publications (2)

Publication Number Publication Date
KR20230029470A KR20230029470A (ko) 2023-03-03
KR102588998B1 true KR102588998B1 (ko) 2023-10-13

Family

ID=85510614

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210148138A KR102588998B1 (ko) 2021-08-24 2021-11-01 영상에서 이상행동 검출을 위한 딥러닝 모델을 이용하여 태스크를 수행하는 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102588998B1 (ko)

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102303789B1 (ko) * 2019-06-19 2021-09-16 에스케이 텔레콤주식회사 자원 효율적 추론을 위한 인공 신경망 장치

Also Published As

Publication number Publication date
KR20230029470A (ko) 2023-03-03

Similar Documents

Publication Publication Date Title
JP2020536337A (ja) ディープラーニングに基づく画像比較装置と方法及びコンピューター可読媒体に保存されたコンピュータープログラム
KR102295805B1 (ko) 학습 데이터 관리 방법
US20230153622A1 (en) Method, Apparatus, and Computing Device for Updating AI Model, and Storage Medium
KR20200000541A (ko) 인공 신경망의 학습 방법
KR102465571B1 (ko) 문서 데이터의 주제어 분류를 수행하는 기법
US20230152777A1 (en) Method for detecting abnormality
KR20230053846A (ko) 쓰레기를 수거하기 위한 방법
KR20200010984A (ko) 어노말리 디텍션
KR102455875B1 (ko) 골 연령 판독 방법 및 장치
KR102588998B1 (ko) 영상에서 이상행동 검출을 위한 딥러닝 모델을 이용하여 태스크를 수행하는 방법 및 장치
KR20240051020A (ko) 데이터셋을 생성하기 위한 방법
KR102393951B1 (ko) 객체 중심 데이터 증강 방법
KR102647608B1 (ko) 신경망 모델의 다양성을 위한 학습 방법
US20220269718A1 (en) Method And Apparatus For Tracking Object
KR102364882B1 (ko) 객체 검출 방법
US20230237765A1 (en) Anchor-Free RPN-Based Object Detection Method
KR102070730B1 (ko) 이미지 세그먼테이션 방법
KR102558663B1 (ko) 다양한 이상행동 검출을 수행하는 다중 태스크 네트워크 모델
KR20230029469A (ko) 이상행동 검출을 수행하기 위한 딥러닝 모델을 이용하여 태스크를 수행하는 방법 및 장치
KR102546176B1 (ko) 영상의 안정성을 위한 후처리 방법
KR102345892B1 (ko) 변화 탐지 방법 및 장치
US20230196745A1 (en) Adversarial attack method for malfunctioning object detection model with super resolution
KR102437285B1 (ko) 모호한 라벨을 이용한 객체 예측 모델 학습 방법
KR102606617B1 (ko) 확산 모델을 이용한 동영상 생성 방법
KR102260169B1 (ko) 데이터 생성 방법

Legal Events

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