KR102602616B1 - 미술학습자 작품 기반의 미술작품 추천 방법 및 그 장치 - Google Patents

미술학습자 작품 기반의 미술작품 추천 방법 및 그 장치 Download PDF

Info

Publication number
KR102602616B1
KR102602616B1 KR1020210042045A KR20210042045A KR102602616B1 KR 102602616 B1 KR102602616 B1 KR 102602616B1 KR 1020210042045 A KR1020210042045 A KR 1020210042045A KR 20210042045 A KR20210042045 A KR 20210042045A KR 102602616 B1 KR102602616 B1 KR 102602616B1
Authority
KR
South Korea
Prior art keywords
art
work
learner
recommending
famous
Prior art date
Application number
KR1020210042045A
Other languages
English (en)
Other versions
KR20220135840A (ko
Inventor
김선아
김동성
Original Assignee
한양대학교 산학협력단
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 한양대학교 산학협력단 filed Critical 한양대학교 산학협력단
Priority to KR1020210042045A priority Critical patent/KR102602616B1/ko
Publication of KR20220135840A publication Critical patent/KR20220135840A/ko
Application granted granted Critical
Publication of KR102602616B1 publication Critical patent/KR102602616B1/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06N—WALL, FLOOR, OR LIKE COVERING MATERIALS, e.g. LINOLEUM, OILCLOTH, ARTIFICIAL LEATHER, ROOFING FELT, CONSISTING OF A FIBROUS WEB COATED WITH A LAYER OF MACROMOLECULAR MATERIAL; FLEXIBLE SHEET MATERIAL NOT OTHERWISE PROVIDED FOR
    • D06N3/00—Artificial leather, oilcloth or other material obtained by covering fibrous webs with macromolecular material, e.g. resins, rubber or derivatives thereof
    • D06N3/04—Artificial leather, oilcloth or other material obtained by covering fibrous webs with macromolecular material, e.g. resins, rubber or derivatives thereof with macromolecular compounds obtained by reactions only involving carbon-to-carbon unsaturated bonds
    • D06N3/06—Artificial leather, oilcloth or other material obtained by covering fibrous webs with macromolecular material, e.g. resins, rubber or derivatives thereof with macromolecular compounds obtained by reactions only involving carbon-to-carbon unsaturated bonds with polyvinylchloride or its copolymerisation products
    • D06N3/08—Artificial leather, oilcloth or other material obtained by covering fibrous webs with macromolecular material, e.g. resins, rubber or derivatives thereof with macromolecular compounds obtained by reactions only involving carbon-to-carbon unsaturated bonds with polyvinylchloride or its copolymerisation products with a finishing layer consisting of polyacrylates, polyamides or polyurethanes or polyester

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Strategic Management (AREA)
  • Educational Technology (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Textile Engineering (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

본 발명에서 제공하는 미술학습자 작품 기반의 미술작품 추천 방법은, 미술학습자의 학습작품 및 학습과정에 대한 교수의 평가 데이터를 획득하는 단계; 및 상기 교수의 평가 데이터를 명화 추천을 위한 딥러닝 모델에 적용하여 작품성향을 나타내는 벡터값을 생성하는 단계; 및 상기 작품성향을 나타내는 벡터값에 기초하여, 복수의 명화들 중 상기 미술 학습자에게 추천할 명화를 선정하여 추천하는 단계를 포함하는 점에 그 특징이 있다.
본 발명은 미술학습자의 작품을 전문가적 관점에서 객관적으로 분석하고, 분석결과에 기초한 명화 또는 유명작가를 추천할 수 있는 효과가 있다.

Description

미술학습자 작품 기반의 미술작품 추천 방법 및 그 장치{METHOD AND APPARATUS FOR RECOMMENDING MASTERPIECE BASED ON ARTWORK OF LEARNERS}
본 발명은 미술학습자 작품 기반의 미술작품 추천 방법 및 그 장치에 관한 것으로, 특히 학습자의 미술활동을 발달시키기 위해 딥러닝 기법으로 미술학습자의 작품을 전문가 관점에서 분석하고, 이를 기반으로 유사한 화풍의 유명 작가의 작품들을 학습자에게 추천하는 방법과 장치에 관한 것이다.
일반적으로 이미지의 유사도를 분석하는 기술은 객체의 형태, 색상, 객체들 간의 경계 등 이미지의 단순 분류를 위한 활용을 주요 목적으로 한다. 이에 본 발명과 유사한 기존 이미지 분석 기술은 이미지 분류에 활용하는 것에는 적합하나, 미술 작품과 같이 발상, 표현, 창의성 등을 고려하여 전반적인 성향과 화풍을 분석하는 것에는 한계가 존재한다.
한편 미술 교육 학습자 작품에 대한 전문가 관점에서의 이미지 분석은 학습자가 선호하는 작품과 작가를 추천할 수 있으며, 이를 참고하여 학습자는 발상, 표현, 재료 활용 등과 같은 미술활동 특성들을 발달시킬 수 있다. 그러나 기존 이미지 유사도 분석 기술들은 객체의 형태, 색상, 객체들 간의 경계 등 이미지의 단순 분류를 주요 목적으로 하기에, 이미지의 전반적인 성향과 화풍을 분석하고 미술 교육적 측면에서 작가 및 유사 작품을 추천하기 위한 목적으로는 활용이 제한적이다.
따라서, 온라인으로 미술학습자의 작품을 전문가 관점에서 분석하고, 분석결과에 기초하여, 명화 또는 유명화가의 작품을 추천할 수 있는 방법 및 장치가 요구된다.
본 발명은 학습자의 미술활동을 발달시키기 위해 딥러닝 기법으로 미술학습자의 작품을 전문가 관점에서 분석하고, 이를 기반으로 유사한 화풍의 유명 작가의 작품들을 학습자에게 추천하는 방법과 장치를 제공하고자 한다.
본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제(들)로 제한되지 않으며, 언급되지 않은 또 다른 과제(들)은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기 과제를 해결하기 위하여, 본 발명에서 제공하는 미술학습자 작품 기반의 미술작품 추천 방법은, 미술학습자의 학습작품 및 학습과정에 대한 교수의 평가 데이터를 획득하는 단계; 및 상기 교수의 평가 데이터를 명화 추천을 위한 딥러닝 모델에 적용하여 작품성향을 나타내는 벡터값을 생성하는 단계; 및 상기 작품성향을 나타내는 벡터값에 기초하여, 복수의 명화들 중 상기 미술 학습자에게 추천할 명화를 선정하여 추천하는 단계를 포함하는 점에 그 특징이 있다.
일 실시예에서, 미술학습자 작품 기반의 미술작품 추천 방법은, 명화들을 상기 미리 정의한 전문가 평가 항목에 따른 평가 데이터를 기반으로 학습 데이터 셋을 생성하는 단계; 및 상기 학습 데이터 셋을 이용하여 명화 추천을 위한 딥러닝 모델을 학습시키는 단계를 더 포함하는 점에 그 특징이 있다.
일 실시예에서, 상기 학습 데이터 셋을 생성하는 단계는, 상기 명화들을 색채감, 구상능력, 추상화, 감정표현, 형태감, 공간감, 질감, 화면구성, 완성도, 창의성을 포함하는 전문가 평가 항목 각각에 대하여 상, 중, 하로 다중 레이블링을 수행하여 학습 데이터 셋을 생성하는 것을 특징으로 한다.
일 실시예에서, 상기 딥러닝 모델에 적용하여 작품성향을 나타내는 벡터값을 생성하는 단계는, 상기 미술학습자의 학습작품의 이미지를 미리 정의한 제1 전문가 평가 항목에 따라 분석하는 단계; 상기 교수의 평가 데이터로부터 미리 정의한 제2 전문가 평가 항목에 대한 키워드를 추출하는 단계; 및 상기 분석 결과 및 상기 키워드를 상기 명화 추천을 위한 딥러닝 모델에 적용하여 벡터값을 생성하는 단계를 포함하는 것을 특징으로 한다.
일 실시예에서, 상기 복수의 명화들 중 상기 미술학습자에게 추천할 명화를 선정하여 추천하는 단계는, 상기 미술학습자의 작품성향을 나타내는 벡터값과 상기 복수의 명화들의 작품성향을 나타내는 벡터값의 유사도에 기초하여 추천할 명화를 선정하는 것을 특징으로 한다.
또한, 상기 과제를 해결하기 위하여, 본 발명에서 제공하는 미술학습자 작품 기반의 미술작품 추천 장치는, 미술학습자의 학습작품 및 학습과정에 대한 교수의 평가 데이터를 획득하는 데이터 획득부; 및 상기 교수의 평가 데이터를 명화 추천을 위한 딥러닝 모델에 적용하여 작품성향을 나타내는 벡터값을 생성하는 분석부; 및 상기 작품성향을 나타내는 벡터값에 기초하여, 복수의 명화들 중 상기 미술 학습자에게 추천할 명화를 선정하여 추천하는 추천부;를 포함하는 점에 그 특징이 있다.
일 실시예에서, 미술학습자 작품 기반의 미술작품 추천 장치는, 명화들을 상기 미리 정의한 전문가 평가 항목에 따른 평가 데이터를 기반으로 학습 데이터 셋을 생성하는 사전 준비부; 및 상기 학습 데이터 셋을 이용하여 명화 추천을 위한 딥러닝 모델을 학습시키는 학습부를 더 포함하는 점에 그 특징이 있다.
일 실시예에서, 상기 사전 준비부는 상기 명화들을 색채감, 구상능력, 추상화, 감정표현, 형태감, 공간감, 질감, 화면구성, 완성도, 창의성을 포함하는 전문가 평가 항목 각각에 대하여 상, 중, 하로 다중 레이블링을 수행하여 학습 데이터 셋을 생성하는 것을 특징으로 한다.
일 실시예에서, 상기 작품성향을 추출부는, 상기 미술학습자의 학습작품의 이미지를 미리 정의한 제1 전문가 평가 항목에 따라 분석하고, 상기 교수의 평가 데이터로부터 미리 정의한 제2 전문가 평가 항목에 대한 키워드를 추출하여, 상기 분석 결과 및 상기 키워드를 상기 명화 추천을 위한 딥러닝 모델에 적용하여 벡터값을 생성하는 것을 특징으로 한다.
일 실시예에서, 상기 추천부는, 상기 미술학습자의 작품성향을 나타내는 벡터값과 상기 복수의 명화들의 작품성향을 나타내는 벡터값의 유사도에 기초하여 추천할 명화를 선정하는 것을 특징으로 한다.
본 발명은 미술학습자 작품과 유명 작품의 이미지 상의 유사점을 입체적으로 분석하여, 학습자 작품과 가장 유사한 유명작품을 정확하게 추천하여, 학습에 도움을 줄 수 있는 효과가 있다.
또한, 본 발명의 일 실시예는 미술학습자 작품 뿐만 아니라 미술학습과 관련된 다양한 자료를 활용함으로써 미술학습자의 미술성향에 대한 입체적인 분석이 가능하다.
도 1은 본 발명에 따른 미술학습자 작품 기반의 미술작품 추천 장치의 구성을 개략적으로 도시한 도면이다.
도 2는 본 발명에 따른 미술학습자 작품 추천 장치의 제어부의 구성을 개략적으로 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 미술학습자 작품 기반의 미술작품 추천 방법을 개략적으로 도시한 순서도이다.
도 4는 본 발명의 일 실시예에 따른 미술작품 추천을 위한 사전 학습 방법을 개략적으로 도시한 순서도이다.
도 5는 본 발명의 일 실시예에 따른 명화 추천을 위한 딥러닝 모델의 학습 구조를 도시한 도면이다.
도 6은 본 발명의 일 실시예에 따른 상기 딥러닝 모델에 적용하여 작품성향을 나타내는 방법을 개략적으로 도시한 순서도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 본 발명에 따른 바람직한 실시 예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명에 따른 미술학습자 작품 기반의 미술작품 추천 장치의 구성을 개략적으로 도시한 도면이고, 도 2는 본 발명에 따른 미술학습자 작품 추천 장치의 제어부의 구성을 개략적으로 도시한 도면이다.
도 1에 도시된 바와 같이, 본 발명에 따른 미술학습자 작품 기반의 미술작품 추천 장치(100)는, 데이터 획득부(110), 저장부(120), 제어부(130) 및 추천부(140)를 포함하여 구성될 수 있다.
데이터 획득부(110)는 미술작품 추천을 위한 유명화가의 작품(이후 명화라고 함)에 관한 데이터를 수집한다.
또한, 데이터 획득부(110)는 미술학습자 작품 기반의 미술작품 추천을 위한 데이터를 수집할 수 있다. 미술학습자 작품 기반의 미술작품 추천을 위한 데이터는 예를 들어 미술학습자의 작품성향을 평가하기 위한 기반이 되는 데이터로서, 미술학습자의 작품 및 학습과정에 대한 교수의 평가 데이터이다. 여기서 학습과정은 미술학습자가 작성한 레포트(학습 계획서, 보고서) 또는 교수와의 질의응답 중 어느 하나 이상을 포함할 수 있다.
데이터 획득부(110)는 사용자로부터 상기 미술학습자 작품 기반의 미술작품 추천을 위한 데이터를 직접 입력받거나 다운받을 수 있고, 네트워크를 통해 타단말로부터 수신받아 수집할 수 있다.
또한 데이터 획득부(110)는 수집한 정보를 저장부(120)에 저장할 수 있다.
저장부(120)는 미술학습자 작품 기반의 미술작품 추천 장치(100)가 동작하기 위한 프로그램 및 데이터를 저장한다.
일 실시예에서 저장부(120)는 딥러닝 모델을 저장하고, 데이터 획득부(110)에 의해 수집된 데이터를 저장할 수 있다.
제어부(130)는 미술작품 추천 장치(100)가 미술학습자의 작품에 기반하여 명화를 추천하기 위하여 각 구성요소를 제어한다.
제어부(130)는 도 2에 도시한 바와 같이, 사전준비부(131), 학습부(132), 분석부(133)를 포함하여 구성될 수 있다.
사전 준비부(131)는 명화들을 상기 미리 정의한 전문가 평가 항목에 따른 평가 데이터를 기반으로 학습 데이터 셋을 생성한다.
미리 정의한 전문가 평가 항목은 색채감, 구상능력, 추상화, 감정표현, 형태감, 공간감, 질감, 화면구성, 완성도, 창의성을 포함할 수 있다.
학습부(132)는 학습 데이터 셋을 이용하여 명화 추천을 위한 딥러닝 모델을 학습시킨다. 학습부(132)를 통해 학습된 딥러닝 모델은 미술학습자의 학습작품을 입력받는 경우 전문가 관점(미리 정의한 전문가 평가 항목 기준)에서 분석을 수행함으로써, 객관적이고 전문적인 작품분석을 가능하게 할 수 있다.
분석부(133)는 미술학습자의 학습작품 및 교수의 평가 데이터를 명화 추천을 위한 딥러닝 모델에 적용하여 작품성향을 나타내는 벡터값을 생성한다.
일 실시예에서, 분석부(133)는 상기 미술학습자의 학습작품의 이미지를 미리 정의한 제1 전문가 평가 항목에 따라 분석하고, 상기 교수의 평가 데이터로부터 미리 정의한 제2 전문가 평가 항목에 대한 키워드를 추출하여, 상기 분석 결과 및 상기 키워드를 상기 명화 추천을 위한 딥러닝 모델에 적용하여 벡터값을 생성할 수 있다.
다시 도 1로 되돌아와서, 추천부(140)는 상기 작품성향을 나타내는 벡터값에 기초하여, 복수의 명화들 중 상기 미술 학습자에게 추천할 명화를 선정하여 추천한다.
추천부(140)는 상기 미술학습자의 작품성향을 나타내는 벡터값과 상기 복수의 명화들의 작품성향을 나타내는 벡터값의 유사도에 기초하여 추천할 명화를 미리 설정된 개수만큼 선정하여, 추천할 수 있다.
일 실시예에서, 추천부(140)는 제어부(130)의 분석결과에 따라 미리 설정된 개수의 선정된 명화 및/또는 작가를 추천할 수 있다.
도 3은 본 발명의 일 실시예에 따른 미술학습자 작품 기반의 미술작품 추천 방법을 개략적으로 도시한 순서도이다.
단계 S110에서, 미술작품 추천 장치는 미술학습자의 학습작품 및 학습과정에 대한 교수의 평가 데이터를 획득한다.
일 실시예에서 미술학습자의 학습작품은 미술학습자에 의해 창작된 그림을 촬영하거나 스캔하여 획득한 이미지일 수 있다. 획득한 이미지에 대하여 해상도 조정, 화질개선, 분석 영역 검출 기법 등을 이용하여, 작품에 대한 이미지만을 검출하고, 작품 그대로의 색상 및 질감이 정확히 반영하도록 할 수 있다.
단계 S120에서, 미술작품 추천 장치는 상기 교수의 평가 데이터를 명화 추천을 위한 딥러닝 모델에 적용하여 작품성향을 나타내는 벡터값을 생성한다. 단계 S120에 대하여는 추후 도 6을 참조하여 상세하 서술하기로 한다.
단계 S130에서, 상기 작품성향을 나타내는 벡터값에 기초하여, 복수의 명화들 중 상기 미술 학습자에게 추천할 명화를 선정하여 추천한다.
일 실시예에서, 미술학습자의 작품성향을 나타내는 벡터값과, 사전 학습된 유명 화가의 작품(명화)의 벡터값의 유사도를 비교하여 학습자에게 유명 화가의 작품(명화) 또는 유사도가 높은 작품의 화가를 추천한다. 유사도는 유클리드 거리(euclidean distance), 코사인 거리(cosine distance) 함수 등 널리 알려진 기법을 활용하여 비교할 수 있다.
일 실시예에서, 미술학습자의 작품성향과 사전 학습된 유명 화가의 작품의 유사도가 높은 순서대로 정렬하여, 미리 설정한 개수의 작품(명화) 및/또는 화가를 정렬된 순서대로 추천할 수 있다.
도 4는 본 발명의 일 실시예에 따른 미술작품 추천을 위한 사전 학습 방법을 개략적으로 도시한 순서도이고, 도 5는 본 발명의 일 실시예에 따른 명화 추천을 위한 딥러닝 모델의 학습 구조를 도시한 도면이다.
도 4 및 도 5를 참조하면, 단계 S210에서, 명화들을 상기 미리 정의한 전문가 평가 항목에 따른 평가 데이터를 기반으로 학습 데이터 셋을 생성한다. 학습 데이터 셋은 입력된 명화에 대한 각각의 전문가 평가 항목에 대하여 정량적으로 평가한 평가 레이블을 포함할 수 있다.
일 실시예에서, 사전준비부는 딥러닝 모델 학습을 위하여 유명 화가 작품(명화)들에 대하여 색채감, 구상능력, 추상화, 감정표현, 형태감, 공간감, 질감, 화면구성, 완성도, 창의성 등의 미리 정의한 전문가 평가 항목 각각을 기준으로 상, 중, 하로 관점 수준을 다중 레이블링을 수행하여 학습 데이터 셋을 구축한다.
단계 S220에서, 학습부는 상기 학습 데이터 셋을 이용하여 명화 추천을 위한 딥러닝 모델을 학습시킨다.
일 실시예에서, 학습부는 단계 S210에서 생성한 학습 데이터 셋에 기초하여 합성곱 신경망을 통하여 전문가 관점 특징들을 벡터 값으로 추출하며, 추출된 벡터 값은 다중 레이블 분류를 위한 완전 연결 신경망 층에 입력으로 활용한다. 최종적으로 다중 레이블 분류는 소프트맥스 함수를 통하여 수학식 1과 같이 산출된다.
[수학식 1]
수학식 1은 레이블 i에 대한 시그모이드 값을 전체 레이블에 대한 시그모이드 값의 총합으로 나눈 값을 의미하며, 완전 연결 신견망 층을 통하여 출력되는 벡터값들이 특정 레이블 I에 속할 확률을 의미한다.
도 6은 본 발명의 일 실시예에 따른 상기 딥러닝 모델에 적용하여 작품성향을 나타내는 방법을 개략적으로 도시한 순서도이다.
도 6를 참조하면, 단계 S121에서, 상기 미술학습자의 학습작품의 이미지를 미리 정의한 제1 전문가 평가 항목에 따라 분석한다. 제1 전문가 평가 항목은 색채감, 구상능력, 추상화, 감정표현, 형태감, 공간감, 질감, 화면구성, 완성도, 창의성 중 어느 하나 이상을 포함할 수 있다.
단계 S122에서, 상기 교수의 평가 데이터로부터 미리 정의한 제2 전문가 평가 항목에 대한 키워드를 추출한다. 제2 전문가 평가 항목은 색채감, 구상능력, 추상화, 감정표현, 형태감, 공간감, 질감, 화면구성, 완성도, 창의성 중 어느 하나 이상을 포함할 수 있다.
제1 전문가 평가 항목과 제2 전문가 평가항목은 중복될 수 있다.
단계 S122에서, 상기 분석 결과 및 상기 키워드를 상기 명화 추천을 위한 딥러닝 모델에 적용하여 벡터값을 생성한다. 생성된 벡터값은 미술학습자의 작품 성향을 나타내는 수치이다.
이상에서 살펴본 바와 같이, 본 발명은 미술학습자의 작품을 전문가적 관점에서 객관적으로 분석하고, 분석결과에 기초한 명화 또는 유명작가를 추천할 수 있다. 또한, 본 발명은 온라인 미술교육 서비스 제공 분야를 포함하여, 온라인을 통한 미술 작품 전시 서비스, 미술 작품 거래 서비스 등에서 다수의 미술 작품에 대하여 딥러닝 모델을 기반으로 전문가 관점의 분석을 수행하고, 서비스 이용자들에게 유명 화가의 작품을 추천하는 목적으로도 활용될 수 있다.
또한, 본 발명은 학습자별 교육 과정 설계 단계에서도 활용될 수 있다.
이제까지 본 발명에 대하여 그 바람직한 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
131 : 사전준비부
132 : 학습부
133 : 분석부
140 : 추천부

Claims (10)

  1. 미술학습자의 학습작품 및 학습과정에 대한 교수의 평가 데이터를 획득하는 단계;
    상기 교수의 평가 데이터를 명화 추천을 위한 딥러닝 모델에 적용하여 작품성향을 나타내는 벡터값을 생성하는 단계; 및
    상기 작품성향을 나타내는 벡터값에 기초하여, 복수의 명화들 중 상기 미술 학습자에게 추천할 명화를 선정하여 추천하는 단계
    를 포함하고,
    상기 딥러닝 모델에 적용하여 작품성향을 나타내는 벡터값을 생성하는 단계는,
    상기 미술학습자의 학습작품의 이미지를 미리 정의한 제1 전문가 평가 항목에 따라 분석하는 단계;
    상기 교수의 평가 데이터로부터 미리 정의한 제2 전문가 평가 항목에 대한 키워드를 추출하는 단계; 및
    상기 분석 결과 및 상기 키워드를 상기 명화 추천을 위한 딥러닝 모델에 적용하여 벡터값을 생성하는 단계
    를 포함하고,
    상기 제 1 및 2 전문가 평가 항목은 색채감, 구상능력, 추상화, 감정표현, 형태감, 공간감, 질감, 화면구성, 완성도, 창의성 중 적어도 하나 이상을 포함하는 것을 특징으로 하는 미술학습자 작품 기반의 미술작품 추천 방법.
  2. 제1항에 있어서,
    명화들을 미리 정의한 전문가 평가 항목에 따른 평가 데이터를 기반으로 학습 데이터 셋을 생성하는 단계; 및
    상기 학습 데이터 셋을 이용하여 명화 추천을 위한 딥러닝 모델을 학습시키는 단계
    를 더 포함하는 것을 특징으로 하는 미술학습자 작품 기반의 미술작품 추천 방법.
  3. 제2항에 있어서,
    상기 학습 데이터 셋을 생성하는 단계는,
    상기 명화들을 색채감, 구상능력, 추상화, 감정표현, 형태감, 공간감, 질감, 화면구성, 완성도, 창의성을 포함하는 전문가 평가 항목 각각에 대하여 상, 중, 하로 다중 레이블링을 수행하여 학습 데이터 셋을 생성하는 것을 특징으로 하는 미술학습자 작품 기반의 미술작품 추천 방법.
  4. 삭제
  5. 제1항에 있어서,
    상기 복수의 명화들 중 상기 미술학습자에게 추천할 명화를 선정하여 추천하는 단계는,
    상기 미술학습자의 작품성향을 나타내는 벡터값과 상기 복수의 명화들의 작품성향을 나타내는 벡터값의 유사도에 기초하여 추천할 명화를 선정하는 것을 특징으로 하는 미술학습자 작품 기반의 미술작품 추천 방법.
  6. 미술학습자의 학습작품 및 학습과정에 대한 교수의 평가 데이터를 획득하는 데이터 획득부; 및
    상기 교수의 평가 데이터를 명화 추천을 위한 딥러닝 모델에 적용하여 작품성향을 나타내는 벡터값을 생성하는 분석부; 및
    상기 작품성향을 나타내는 벡터값에 기초하여, 복수의 명화들 중 상기 미술 학습자에게 추천할 명화를 선정하여 추천하는 추천부
    를 포함하고,
    상기 작품성향을 추출부는, 상기 미술학습자의 학습작품의 이미지를 미리 정의한 제1 전문가 평가 항목에 따라 분석하고, 상기 교수의 평가 데이터로부터 미리 정의한 제2 전문가 평가 항목에 대한 키워드를 추출하여, 상기 분석 결과 및 상기 키워드를 상기 명화 추천을 위한 딥러닝 모델에 적용하여 벡터값을 생성하고,
    상기 제 1 및 2 전문가 평가 항목은 색채감, 구상능력, 추상화, 감정표현, 형태감, 공간감, 질감, 화면구성, 완성도, 창의성 중 적어도 하나 이상을 포함하는 것을 특징으로 하는 미술학습자 작품 기반의 미술작품 추천 장치.
  7. 제6항에 있어서,
    명화들을 미리 정의한 전문가 평가 항목에 따른 평가 데이터를 기반으로 학습 데이터 셋을 생성하는 사전 준비부; 및
    상기 학습 데이터 셋을 이용하여 명화 추천을 위한 딥러닝 모델을 학습시키는 학습부
    를 더 포함하는 미술학습자 작품 기반의 미술작품 추천 장치.
  8. 제7항에 있어서,
    상기 사전 준비부는 상기 명화들을 색채감, 구상능력, 추상화, 감정표현, 형태감, 공간감, 질감, 화면구성, 완성도, 창의성을 포함하는 전문가 평가 항목 각각에 대하여 상, 중, 하로 다중 레이블링을 수행하여 학습 데이터 셋을 생성하는 것을 특징으로 하는 미술학습자 작품 기반의 미술작품 추천 장치.
  9. 삭제
  10. 제6항에 있어서,
    상기 추천부는,
    상기 미술학습자의 작품성향을 나타내는 벡터값과 상기 복수의 명화들의 작품성향을 나타내는 벡터값의 유사도에 기초하여 추천할 명화를 선정하는 것을 특징으로 하는 미술학습자 작품 기반의 미술작품 추천 장치.




KR1020210042045A 2021-03-31 2021-03-31 미술학습자 작품 기반의 미술작품 추천 방법 및 그 장치 KR102602616B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210042045A KR102602616B1 (ko) 2021-03-31 2021-03-31 미술학습자 작품 기반의 미술작품 추천 방법 및 그 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210042045A KR102602616B1 (ko) 2021-03-31 2021-03-31 미술학습자 작품 기반의 미술작품 추천 방법 및 그 장치

Publications (2)

Publication Number Publication Date
KR20220135840A KR20220135840A (ko) 2022-10-07
KR102602616B1 true KR102602616B1 (ko) 2023-11-14

Family

ID=83595520

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210042045A KR102602616B1 (ko) 2021-03-31 2021-03-31 미술학습자 작품 기반의 미술작품 추천 방법 및 그 장치

Country Status (1)

Country Link
KR (1) KR102602616B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116010636B (zh) * 2022-12-01 2023-08-11 广东工业大学 一种基于美术图像标签的检索推送方法及其用途

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160008687A (ko) * 2014-07-14 2016-01-25 (주) 중아트그룹 중아트갤러리 작가 등급 평가 방법, 작가 등급 평가 서버 및 이를 구비한 작가 등급 평가 시스템
KR102284148B1 (ko) * 2019-09-11 2021-07-30 주식회사 인텔리시스 딥러닝을 이용한 벡터기반의 패션추천 방법 및 시스템

Also Published As

Publication number Publication date
KR20220135840A (ko) 2022-10-07

Similar Documents

Publication Publication Date Title
Machado et al. Computerized measures of visual complexity
Van der Lans et al. Cross-national logo evaluation analysis: An individual-level approach
Hofstede et al. Projective techniques for brand image research: Two personification‐based methods explored
CN110348400A (zh) 一种评分获取方法、装置及电子设备
Wang Online Learning Behavior Analysis Based on Image Emotion Recognition.
JP2017507391A (ja) 貨物を自動で分類認識する透視検査システム及び方法
KR101827345B1 (ko) 다중 알고리즘 및 자기학습기능을 적용한 개인화 추천 시스템 및 추천 방법
CN109582875A (zh) 一种在线医疗教育资源的个性化推荐方法及系统
Johnson et al. Understanding aesthetics and fitness measures in evolutionary art systems
Fan et al. Drawing as a versatile cognitive tool
Jolly et al. How do convolutional neural networks learn design?
Williams et al. Optical illusions images dataset
CN108734159A (zh) 一种图像中敏感信息的检测方法及系统
KR102602616B1 (ko) 미술학습자 작품 기반의 미술작품 추천 방법 및 그 장치
Israfılzade What’s in a name? Experiment on the aesthetic judgments of art produced by artificial intelligence
CN110609947A (zh) 智能学习系统的学习内容推荐方法、终端及存储介质
Le Meur et al. Can we accurately predict where we look at paintings?
CN110704581B (zh) 计算机执行的文本情感分析方法及装置
Leotta et al. Not with My Name! Inferring Artists’ Names of Input Strings Employed by Diffusion Models
CN112101567A (zh) 基于人工智能的自动化建模方法及装置
Srinivasan et al. Quantifying confounding bias in AI generated art: A case study
CN113378885B (zh) 一种基于优选图像对的新用户审美偏好标定和分类方法
Srinivasan et al. Quantifying Confounding Bias in Generative Art: A Case Study
Kurniawan et al. Clustering of fine art-images as digital learning content using data mining-image analysis techniques
CN111767959A (zh) 毛绒纤维分类方法及装置

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