KR102603635B1

KR102603635B1 - 시각적 질의응답 모델의 학습 데이터 증강 방법

Info

Publication number: KR102603635B1
Application number: KR1020230058296A
Authority: KR
Inventors: 김경호; 이준서; 이지화
Original assignee: 주식회사 액션파워
Priority date: 2023-05-04
Filing date: 2023-05-04
Publication date: 2023-11-17

Abstract

본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 시각적 질의응답(VQA; Visual Question-Answering) 모델의 학습 데이터를 증강하는 방법이 개시된다. 상기 방법은, 상기 시각적 질의응답 모델의 기본 학습 데이터 셋을 획득하는 단계; 상기 기본 학습 데이터 셋에 포함된 질의(question)와 정답(answer)을 기반으로 이미지 생성 모델로 입력될 텍스트 데이터를 생성하는 단계; 및 상기 이미지 생성 모델에 상기 생성된 텍스트 데이터를 입력하여 증강 이미지 데이터를 생성하는 단계를 포함할 수 있다.

Description

시각적 질의응답 모델의 학습 데이터 증강 방법{METHOD FOR AUGMENTING TRAINING DATA OF VQA MODEL}

본 발명은 학습 데이터를 증강하는 방법에 관한 것으로, 보다 구체적으로 이미지 생성 모델을 이용하여 시각적 질의응답(VQA; Visual Question-Answering) 모델의 학습 데이터를 증강시키는 기술에 관한 것이다.

시각적 질의응답(VQA)은, 언어와 시각을 모두 이해해야 하는 멀티모달 (multimodal)과제로서 큰 주목을 받고 있다. 이러한, 시각적 질의응답(VQA) 문제는 각 모달리티(modality) 뿐만 아니라 서로 다른 모달리티 간의 관계도 이해해야 하기 때문에 방대한 양의 이미지-질문-응답 트리플렛(triplet)을 필요로 한다. 이러한 관점에서 연구자들은 시각적 질의응답(VQA)의 데이터 셋을 위해 다양한 유형과 더 많은 양의 데이터를 수집하기 위해 많은 노력을 기울이고 있다.

그러나 이러한 트리플렛(triplet) 데이터를 수작업으로 생성하는 것은 많은 비용과 시간이 소요된다. 또한, 사람이 최대한 많은 질문 유형과 이미지를 균형 있게 수집하려고 해도 결국 사람의 편견이 개입되어 불균형한 데이터 셋이 생성된다. 이러한 데이터 구축 문제를 해결하기 위해 데이터를 자동으로 변환하고 외부 지식 기반과 훨씬 더 심층적인 추론이 필요한 데이터 셋을 생성하는 방법이 제안되었다.

한편, 시각적 질의응답 모델의 학습 데이터 셋의 이미지-질문-정답 중 이미지 데이터를 증강하기 위한 다양한 기술들이 존재하였으며, 이미지는 리소스를 많이 차지하기 때문에, 이미지 데이터 증강을 효율적으로 하는 것에 대한 수요가 있었다. 또한, 단순히 이미지 데이터를 증강한다고 시각적 질의응답 모델의 성능이 무조건 좋아지는 것은 아니므로, 시각적 질의응답 모델의 성능이 높아지는 방향으로 이미지 데이터 증강을 하는 방법에 대한 연구가 필요하다.

대한민국 등록특허 제 10-1865102호(2018.05.31)는 시각 문답을 위한 시스템 및 방법에 관하여 개시한다.

본 개시는, 시각적 질의응답(VQA) 모델의 학습 데이터를 증강시키는 것을 해결과제로 한다. 예를 들어, 본 개시는, VQA 모델의 학습 데이터 중 이미지 데이터를 이미지 생성 모델을 사용하여 증강시킴으로써 시각적 질의응답 모델의 성능을 향상시키는 것을 해결 과제로 한다.

한편, 본 개시가 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 기술적 과제가 포함될 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 시각적 질의응답(VQA; Visual Question-Answering) 모델의 학습 데이터를 증강하는 방법이 개시된다. 상기 방법은, 상기 시각적 질의응답 모델의 기본 학습 데이터 셋을 획득하는 단계; 상기 기본 학습 데이터 셋에 포함된 질의(question)와 정답(answer)을 기반으로 이미지 생성 모델로 입력될 텍스트 데이터를 생성하는 단계; 및 상기 이미지 생성 모델에 상기 생성된 텍스트 데이터를 입력하여 증강 이미지 데이터를 생성하는 단계를 포함할 수 있다.

일 실시예에서, 상기 방법은, 상기 증강 이미지 데이터에 기초하여 상기 시각적 질의응답 모델의 학습 데이터를 증강하는 단계를 더 포함하고, 상기 증강된 학습 데이터는, 상기 증강 이미지 데이터에 기초하여 생성된 트리플렛(triplet)을 포함할 수 있다.

일 실시예에서, 상기 생성된 트리플렛(triplet)은, 상기 기본 학습 데이터 셋에 포함된 질의; 상기 기본 학습 데이터 셋에 포함된 정답; 및 상기 증강 이미지 데이터를 포함할 수 있다.

일 실시예에서, 상기 기본 학습 데이터 셋에 포함된 질의와 정답을 기반으로 이미지 생성 모델로 입력될 텍스트 데이터를 생성하는 단계는, 상기 정답을 기초로 상기 질의 중 질문이 있는 부분을 수정하여, 상기 이미지 생성 모델로 입력될 텍스트 데이터를 생성하는 단계를 포함할 수 있다.

일 실시예에서, 상기 정답을 기초로 상기 질의 중 질문이 있는 부분을 수정하여, 상기 이미지 생성 모델로 입력될 텍스트 데이터를 생성하는 단계는, 상기 질의 중 질문이 있는 부분을 상기 정답으로 대체하여, 상기 이미지 생성 모델로 입력될 텍스트 데이터를 생성하는 단계를 포함할 수 있다.

일 실시예에서, 상기 정답을 기초로 상기 질의 중 질문이 있는 부분을 수정하여, 상기 이미지 생성 모델로 입력될 상기 텍스트 데이터를 생성하는 단계는, 상기 정답과 상이한 오답을 생성하는 단계; 및 상기 질의 중 질문이 있는 부분을 상기 오답으로 대체하여, 상기 이미지 생성 모델로 입력될 텍스트 데이터를 생성하는 단계를 포함할 수 있다.

일 실시예에서, 상기 이미지 생성 모델은, 상기 텍스트 데이터에 기초하여 상기 증강 이미지 데이터를 생성하는 확산(diffusion) 모델일 수 있다.

일 실시예에서, 상기 이미지 생성 모델에 상기 생성된 텍스트 데이터를 입력하여 증강 이미지 데이터를 생성하는 단계는, 상기 기본 학습 데이터 셋에 대해 상기 시각적 질의응답 모델이 예측한 신뢰도 정보를 획득하는 단계; 및 상기 신뢰도 정보에 기초하여 상기 증강 이미지 데이터를 생성하는 단계를 포함할 수 있다.

일 실시예에서, 상기 신뢰도 정보에 기초하여 상기 증강 이미지 데이터를 생성하는 단계는, 상기 신뢰도 정보에 기초하여, 상기 증강 이미지 데이터의 개수를 조절하는 단계를 포함할 수 있다.

일 실시예에서, 상기 신뢰도 정보에 기초하여, 상기 증강 이미지 데이터의 개수를 조절하는 단계는, 상기 신뢰도 정보에 반비례하도록 상기 증강 이미지 데이터의 개수를 조절하는 단계를 포함하고, 상기 기본 학습 데이터 셋에 기초하여 생성되는 증강 학습 데이터 셋의 개수는, 상기 신뢰도 정보에 반비례할 수 있다.

일 실시예에서, 상기 신뢰도 정보에 기초하여, 상기 증강 이미지 데이터의 개수를 조절하는 단계는, 상기 신뢰도 정보 및 상기 신뢰도 정보와 연관된 구간 정보에 기초하여, 상기 증강 이미지 데이터의 개수를 조절하는 단계를 포함할 수 있다.

일 실시예에서, 상기 기본 학습 데이터 셋에 대해 상기 시각적 질의응답 모델이 예측한 신뢰도 정보를 획득하는 단계는, 상기 기본 학습 데이터 셋 중 이미지 데이터와 이에 대응하는 질의를 상기 시각적 질의응답 모델에 입력하는 단계; 상기 시각적 질의응답 모델을 통해 상기 이미지 데이터 및 상기 질의에 대한 응답을 예측하는 단계; 및 상기 시각적 질의응답 모델의 예측에 대한 신뢰도 정보를 획득하는 단계를 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 시각적 질의응답 모델(VQA; Visual Question-Answering)을 학습하는 방법이 개시된다. 상기 방법은, 기본 학습 데이터 셋을 활용하여 상기 시각적 질의응답 모델을 학습시키는 단계; 상기 기본 학습 데이터 셋에 포함된 질의(question)와 정답(answer)을 기반으로 이미지 생성 모델을 활용하여 증강 이미지 데이터를 생성하는 단계; 및 상기 증강 이미지 데이터를 포함하는 증강 학습 데이터 셋을 활용하여 상기 시각적 질의응답 모델을 학습시키는 단계를 포함할 수 있다.

일 실시예에서, 상기 기본 학습 데이터 셋을 활용하여 상기 시각적 질의응답 모델을 학습시키는 단계는, 상기 기본 학습 데이터 셋에 대해 상기 시각적 질의응답 모델이 예측한 신뢰도 정보를 획득하는 단계를 포함할 수 있다.

일 실시예에서, 상기 기본 학습 데이터 셋에 포함된 질의(question)와 정답(answer)을 기반으로 이미지 생성 모델을 활용하여 증강 이미지 데이터를 생성하는 단계는, 상기 정답을 기초로 상기 질의 중 질문이 있는 부분을 수정하여, 상기 이미지 생성 모델로 입력될 텍스트 데이터를 생성하는 단계를 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 시각적 질의응답(VQA; Visual Question-Answering)을 수행하는 방법이 개시된다. 상기 방법은, 이미지 데이터 및 질의(question)를 획득하는 단계; 및 시각적 질의응답 모델을 활용하여 상기 이미지 데이터 및 상기 질의에 대한 응답을 예측하는 단계를 포함하고, 상기 시각적 질의응답 모델은, 기본 학습 데이터 셋에 포함된 기본 질의와 기본 정답을 기반으로 이미지 생성 모델을 활용하여 증강된 학습 데이터 셋에 기초하여 학습된 모델일 수 있다.

일 실시예에서, 상기 시각적 질의응답 모델을 활용하여 상기 이미지 데이터 및 상기 질의에 대한 응답을 예측하는 단계는, 상기 이미지 데이터에 대하여 제 1 방식의 임베딩(embedding)을 수행하는 단계; 상기 질의에 대하여 상기 제 1 방식과는 상이한 제 2 방식의 임베딩을 수행하는 단계; 및 상기 제 1 방식의 임베딩 결과와 상기 제 2 방식의 임베딩 결과를 연접(concatenate)하는 단계를 포함할 수 있다.

일 실시예에서, 상기 제 1 방식의 임베딩은 BEiT 모델을 활용한 임베딩이고, 상기 제 2 방식의 임베딩은 RoBerta 모델을 활용한 임베딩일 수 있다.

일 실시예에서, 상기 질의는, 음성 신호를 기반으로 음성 인식(STT)을 수행하여 생성된 질의 텍스트 정보를 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 상기 하나 이상의 프로세서로 하여금 시각적 질의응답(VQA; Visual Question-Answering) 모델의 학습 데이터를 증강하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 상기 시각적 질의응답 모델의 기본 학습 데이터 셋을 획득하는 동작; 상기 기본 학습 데이터 셋에 포함된 질의(question)와 정답(answer)을 기반으로 이미지 생성 모델로 입력될 텍스트 데이터를 생성하는 동작; 및 상기 이미지 생성 모델에 상기 생성된 텍스트 데이터를 입력하여 증강 이미지 데이터를 생성하는 동작을 포함할 수 있다.

일 실시예에서, 상기 기본 학습 데이터 셋에 포함된 질의와 정답을 기반으로 이미지 생성 모델로 입력될 텍스트 데이터를 생성하는 동작은, 상기 정답을 기초로 상기 질의 중 질문이 있는 부분을 수정하여, 상기 이미지 생성 모델로 입력될 텍스트 데이터를 생성하는 동작을 포함할 수 있다.

일 실시예에서, 상기 이미지 생성 모델에 상기 생성된 텍스트 데이터를 입력하여 증강 이미지 데이터를 생성하는 동작은, 상기 기본 학습 데이터 셋에 대해 상기 시각적 질의응답 모델이 예측한 신뢰도 정보를 획득하는 동작; 및 상기 신뢰도 정보에 기초하여 상기 증강 이미지 데이터를 생성하는 동작을 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 프로세서; 및 메모리를 포함하고, 상기 적어도 하나의 프로세서는, 시각적 질의응답 모델의 기본 학습 데이터 셋을 획득하고; 상기 기본 학습 데이터 셋에 포함된 질의(question)와 정답(answer)을 기반으로 이미지 생성 모델로 입력될 텍스트 데이터를 생성하고; 그리고 상기 이미지 생성 모델에 상기 생성된 텍스트 데이터를 입력하여 증강 이미지 데이터를 생성하도록 구성될 수 있다.

일 실시예에서, 상기 적어도 하나의 프로세서는, 상기 정답을 기초로 상기 질의 중 질문이 있는 부분을 수정하여, 상기 이미지 생성 모델로 입력될 텍스트 데이터를 생성하도록 구성될 수 있다.

일 실시예에서, 상기 적어도 하나의 프로세서는, 상기 기본 학습 데이터 셋에 대해 상기 시각적 질의응답 모델이 예측한 신뢰도 정보를 획득하고; 그리고 상기 신뢰도 정보에 기초하여 상기 증강 이미지 데이터를 생성하도록 구성될 수 있다.

본 개시는, 시각적 질의응답(VQA) 모델의 학습 데이터를 증강시킬 수 있다. 예를 들어, 본 개시는, VQA 모델의 학습 데이터 중 이미지 데이터를 이미지 생성 모델을 사용하여 증강시킴으로써 시각적 질의응답 모델의 성능을 향상시킬 수 있다.

또한, 본 개시는, 텍스트 데이터에 기초하여 이미지 데이터를 생성하는 이미지 생성 모델(예컨대, 확산 모델)을 사용함으로써, 학습 데이터 증강의 성능을 향상시킬 수 있다. 예를 들어, 본 개시는, 텍스트 데이터에 기초하여 이미지 데이터를 생성하는 이미지 생성 모델(예컨대, 확산 모델)을 사용함으로써, ①모델이 안정적이며, ②붕괴가 발생하지 않고, ③ 다양한 형태의 퀄리티 높은 이미지를 생성할 수 있는 방향으로 VQA 모델의 학습 데이터를 증강시킬 수 있다. 또한, 본 개시는, 텍스트 데이터에 기초하여 이미지 데이터를 생성하는 이미지 생성 모델(예컨대, 확산 모델)을 사용함으로써, “원본 데이터에서 정답 데이터와 연관된 세세한 부분만을 변경하는 방식”이 아닌, “정답에 관한 핵심 정보를 유지하면서 다양한 부분을 변경하는 방식”으로 VQA 모델의 학습 데이터를 증강시킬 수 있다.

한편, 본 개시의 효과는 이상에서 언급한 효과들로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 효과들이 포함될 수 있다.

도 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따른 신경망을 나타낸 개념도이다.
도 3은 본 개시의 일 실시예에 따른 시각적 질의응답 모델의 학습 데이터를 증강시키기 위한 복수의 모듈을 개략적으로 나타낸 블록 구성도이다.
도 4는 본 개시의 일 실시예에 따른 시각적 질의응답 모델의 학습 데이터를 증강시키기 위한 동작을 개략적으로 나타낸 도면이다.
도 5는 본 개시의 일 실시예에 따른 시각적 질의응답 모델의 재학습 방법에 대한 흐름도이다.
도 6은 본 개시의 일 실시예에 따른 시각적 질의응답 모델을 기반으로 시각적 질의응답을 수행하는 방법에 대한 흐름도이다.
도 7은 본 개시의 일 실시예에 따른 시각적 질의응답(VQA; Visual Question-Answering)을 수행 방법의 정성적 예시이다.
도 8은 본 개시의 일 실시예에 따른 시각적 질의응답 모델의 학습 데이터를 증강시키는 방법의 흐름도이다.
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 상호교환가능하게 사용될 수 있다.

도 1은 본 개시의 일 실시예에 따른 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 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(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 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 네트워크부(150)는 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 네트워크부(150)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(LAN: Local Area Network), 개인 통신망(PAN: Personal Area Network), 광역 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 따른 신경망을 나타낸 개념도이다.

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), 자기 교사 학습(self-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 개시는, 이미지 생성 모델을 이용하여 시각적 질의응답(VQA) 모델의 학습 데이터를 증강하는 방법에 관한 것이다. 구체적으로, 본 개시는, 이미지, 질의(question), 응답(answer)으로 구성된 기본 학습 데이터셋 중 질의-응답(Q-A) 데이터를 이용하여 이미지 생성 모델을 통해 추가적인 이미지를 생성하여 데이터를 증강할 수 있다. 이때, 기본 학습 데이터셋으로 학습된 시각적 질의응답(VQA; Visual Question-Answering) 모델에서 이미지와 질의를 입력받았을 때 예측한 응답(answer)의 신뢰도(confidence)에 따라 증강 정도를 달리하여 이미지 데이터(증강 이미지 데이터)를 새로 생성할 수 있다.

즉, 본 개시는, 기본 학습 데이터 셋의 이미지 데이터에 새로 생성한 이미지 데이터(증강 이미지 데이터)를 추가하여 증강된 학습 데이터 셋을 구축하고, 이를 이용하여 다시 시각적 질의응답 모델을 학습시킴으로써, 시각적 질의응답 모델의 성능을 향상시킬 수 있다.

본 개시의 일 실시예에 따르면, 이하에서 설명되는, 시각적 질의응답(VQA; Visual Question-Answering) 모델은, 이미지에 대한 질의(question)를 입력받았을 때 정답(answer)을 예측하는 모델이다. 여기서, 학습 데이터는 "이미지 - 이미지에 대한 질문 - 정답"의 트리플렛(triplet)으로 구성될 수 있다. 예를 들어, 시각적 질의응답 모델은, "사진 속 풍선의 색상은?"이란 질문과 이미지 데이터를 입력으로 받아서, 이에 대한 예측들 중 가장 확률이 높은 응답인 "초록색"을 출력하는 모델일 수 있다.

본 개시의 일 실시예에 따른, 이미지 생성 모델(Image generation model)은, 입력 데이터를 기초로 이미지를 생성하는 모델이다. 실시예에 따르면, 본 개시에서 이미지 생성 모델은, 텍스트-이미지 확산 모델(text-to-image diffusion model)일 수 있다. 이미지 생성 모델이 텍스트-이미지 확산 모델(text-to-image diffusion model)인 경우 원본 이미지 입력은 필요로 하지 않으며, "텍스트 입력"만으로 이미지를 생성할 수 있다. 일례로, 확산 모델은 확산 단계의 마르코프 체인을 정의하여 데이터에 무작위 노이즈를 서서히 추가한 후, 확산 과정을 역으로 학습하여 노이즈에서 원하는 데이터 샘플을 구성한다. 이 과정은 수학적으로 추적이 가능하며, 다양한 데이터 세트에 유연하게 적용될 수 있다.

텍스트-이미지 확산 모델을 이용하는 경우, 일반적인 이미지 증강 방식에 비해 다채로운 이미지가 증강될 수 있다. 예를 들어 전통적인 이미지 증강 방식으로는 입력 이미지에 대해 뒤집기, 회전, 랜덤 마스킹과 같은 처리가 수행된 이미지만을 획득할 수 있지만, 텍스트-이미지 확산 모델에 따르면 입력 텍스트를 기초로 다채로운 이미지가 생성될 수 있다.

참고로, 본 개시는, 시각적 질의응답 모델의 성능을 높이기 위해, 기본 학습 데이터 셋에 포함된 질의(question)와 정답(answer)을 기반으로, 텍스트-이미지 확산 모델(text-to-image diffusion model)에 입력될 텍스트 데이터를 생성하고, 텍스트-이미지 확산 모델(text-to-image diffusion model)에 상기 생성된 텍스트 데이터를 입력하여 증강 이미지 데이터를 생성할 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 기본 VQA 모델(10) 및 이미지 증강 모듈(20)을 포함할 수 있다. 한편, 이러한 컴퓨팅 장치(100)에 포함될 수 있는 모델 및 복수의 모듈들은, 프로세서(110)에 의해 제어되거나, 또는 프로세서(110)의 동작에 의해 구현될 수 있다. 또한, 시각적 질의응답 모델의 학습 데이터를 증강시키기 위해 컴퓨팅 장치(100)에 포함될 수 있는 모듈들은, 이상에서 살핀 모델 및 복수의 모듈들로 한정되는 것이 아니며, 추가적인 모델 및 모듈들이 포함될 수 있다. 이하에서 시각적 질의응답 모델의 학습 데이터를 증강시키기 위한 예시적인 복수의 모듈에 대해 보다 구체적으로 설명하기로 한다.

이하에서 언급되는 "증강 이미지 데이터"는 이미지(Image)- 질의(question)- 응답(answer)으로 구성된 기본 학습 데이터셋 중 질의-응답(Q-A) 데이터를 이미지 생성 모델에 적용하여 생성된 새로운 이미지 데이터일 수 있다.

도 3은 본 개시의 일 실시예에 따른 시각적 질의응답 모델의 학습 데이터를 증강시키기 위한 복수의 모듈을 개략적으로 나타낸 블록 구성도이다.

본 개시의 일 실시예에 따르면, 기본 VQA 모델(10)은 기본 학습 데이터 셋으로 사전 학습된 모델일 수 있다. 여기서, 기본 학습 데이터 셋은, "이미지 데이터(I)-질의(Q)-정답(A)" 트리플렛(triplet)을 포함할 수 있다. 참고로, A는 정답(Ground Truth)이고, a는 VQA 모델이 예측한 응답이다.

실시예에 따르면, 기본 VQA 모델(10)은 기본 학습 데이터 셋 중 이미지 데이터(I)와 이에 대응하는 질의(Q)를 입력받을 수 있다. 또한, 기본 VQA 모델(10)은 이미지 데이터(I)와 이에 대응하는 질의(Q)를 기반으로 정답(A)에 대한 예측을 수행할 수 있다. 즉, 기본 VQA 모델(10)은 이미지 데이터(I)와 이에 대응하는 질의(Q)에 대해 응답(a)을 생성하는 모듈이다. 예시적으로, 기본 VQA 모델(10)은 이미지 데이터에 대하여 제 1 방식의 임베딩(embedding)을 수행할 수 있다. 또한, 기본 VQA 모델(10)은 상기 질의에 대하여 상기 제 1 방식과는 상이한 제 2 방식의 임베딩을 수행할 수 있다. 참고로, 제 1 방식의 임베딩은 BEiT 모델을 활용한 임베딩이고, 상기 제 2 방식의 임베딩은 RoBerta 모델을 활용한 임베딩일 수 있다. 또한, 기본 VQA 모델(10)은 상기 제 1 방식의 임베딩 결과와 상기 제 2 방식의 임베딩 결과를 연접(concatenate)할 수 있다. 정답 예측 과정에서, 모델이 하나의 이미지 데이터(I)와 질의(Q)에 대해 예측한 a(정답은 A)의 신뢰도가 도출될 수 있다. 기본 VQA 모델(10)은 모든 기본 학습 데이터 셋의 이미지 데이터 및 이에 대응하는 질의에 대해 정답을 예측하고, 신뢰도를 도출할 수 있다.

정리하면, 기본 VQA 모델(10)은 기본 학습 데이터 셋 중 이미지 데이터와 이에 대응하는 질의를 입력받을 수 있다. 또한, 기본 VQA 모델(10)은 상기 이미지 데이터 및 상기 질의에 대한 응답을 예측할 수 있다. 또한, 기본 VQA 모델(10)은 상기 예측에 대한 신뢰도 정보를 도출할 수 있다. 참고로, 기본 VQA 모델(10)에서 도출된 신뢰도 정보는, 이후 증강 이미지 데이터 생성 시 고려될 수 있다.

실시예에 따르면, 기본 VQA 모델(10)의 학습 데이터 셋은, N개의 트리플렛(triplet)을 포함할 수 있으며, 와 같이 표현될 수 있다. 여기서, 는 이미지 데이터이고, 는 질의이고, 는 정답일 수 있다. 또한, 기본 VQA 모델(10)은 주어진 이미지 데이터(I)와 질의(Q)를 기반으로 정답 분포(distribution)를 예측할 수 있으며, 와 같이 표현될 수 있다. 여기서, 는 시각적 질의응답(VQA) 모델이다.

본 개시의 일 실시예에 따르면, 이미지 증강 모듈(20)은 입력 모듈(21), 텍스트 생성 모듈(22) 및 이미지 생성 모델(23)을 포함할 수 있다. 다만, 이미지 증강 모듈(20)의 구성이 이에 한정되는 것은 아니며, 복수의 모듈들이 더 포함될 수 있다.

일 실시예에 따르면, 입력 모듈(21)은 기본 학습 데이터 셋을 획득할 수 있다. 달리 말해, 입력 모듈(21)은 기본 VQA 모델(10)에서 획득된 기본 학습 데이터 셋을 획득할 수 있다. 또한, 입력 모듈(21)은 상기 기본 학습 데이터 셋에 대해 상기 시각적 질의응답 모델이 예측한 신뢰도 정보를 획득할 수 있다. 달리 말해, 입력 모듈(21)은 이미지 데이터(I)에 관한 질의(Q)에 대하여 상기 기본 VQA 모델(10)이 예측한 신뢰도 정보를 획득할 수 있다.

일 실시예에 따르면, 텍스트 생성 모듈(22)은 기본 학습 데이터 셋에 포함된 질의(question)와 정답(answer, 또는 A(ground truth))을 기반으로 이미지 생성 모델로 입력될 텍스트 데이터를 생성할 수 있다. 또한, 텍스트 생성 모듈(22)은 상기 정답을 기초로 상기 질의 중 질문이 있는 부분을 수정하여, 상기 이미지 생성 모델로 입력될 텍스트 데이터를 생성할 수 있다. 예시적으로, 텍스트 생성 모듈(22)은 상기 질의 중 질문이 있는 부분을 상기 "정답으로 대체"하여, 상기 이미지 생성 모델로 입력될 텍스트 데이터를 생성할 수 있다. 일례로, 텍스트 생성 모듈(22)은 기본 학습 데이터 셋의 제 1 트리플렛(triplet)이 초록색 풍선이 있는 이미지 데이터(I)에 대한 질의(Q)는 "풍선의 색깔은?"이고, 정답(A)이 "초록색"일 수 있다. 텍스트 생성 모듈(22)은 상기 질의 중 질문이 있는 부분을 정답으로 대체하여 "초록색 풍선"이라는 텍스트 데이터를 생성할 수 있다. 후술할 이미지 생성 모델(23)은, 질의(Q)와 정답(A)을 이용하여 생성된 텍스트 데이터를 고려하여 "초록색 풍선이 있는 사진"을 생성할 수 있다.

또한, 텍스트 생성 모듈(22)은 정답과 상이한 오답을 생성할 수 있다. 텍스트 생성 모듈(22)은 질의 중 질문이 있는 부분을 상기 "오답으로 대체"하여, 상기 이미지 생성 모델로 입력될 텍스트 데이터를 생성할 수 있다. 일례로, 텍스트 생성 모듈(22)은 기본 학습 데이터 셋의 제 1 트리플렛(triplet)이 초록색 풍선이 있는 이미지 데이터(I)에 대한 질의(Q)는 "풍선의 색깔은?"이고, 정답(A)이 "초록색" 이었다면, 정답과 상이한 오답인 "노란색"을 생성할 수 있다. 텍스트 생성 모듈(22)은 상기 질의 중 질문이 있는 부분을 오답으로 대체하여 "노란색 풍선"이라는 텍스트 데이터를 생성할 수 있다. 후술할 이미지 생성 모델(23)은, 질의(Q)와 오답을 이용하여 생성된 텍스트 데이터를 고려하여 "노란색 풍선이 있는 사진"을 생성할 수 있다. 참고로, 오답 텍스트 데이터를 이미지 증강에 활용한다는 것은, 오답인 상태를 정답이라고 모델에 학습시킨다는 것이 아니라, 이 경우에는 오답이라고 모델에 학습시키는 것이어서 모델의 성능 향상의 도움이 된다. 즉, 다양한 오답 데이터(예컨대, 모델이 오답이라고 알고 학습한 데이터)로 학습 되면 모델이 보다 강건(robust)해질 수 있다.

일 실시예에 따르면, 이미지 생성 모델(23)은 상기 생성된 텍스트 데이터를 입력하여 증강 이미지 데이터를 생성할 수 있다. 달리 말해, 이미지 생성 모델(23)은 앞서 상기 질의 중 질문이 있는 부분을 상기 "정답으로 대체"하여 생성된 텍스트 데이터를 입력하거나, 또는 상기 질의 중 질문이 있는 부분을 상기 "오답으로 대체"하여 생성된 텍스트 데이터를 입력하여, 증강 이미지 데이터를 생성할 수 있다. 참고로, 이미지 생성 모델(23)은 이미지 입력 없이 상기 "텍스트 데이터"에 기초하여 상기 증강 이미지 데이터를 생성하는 확산(diffusion) 모델일 수 있다. 상기 "텍스트 데이터"에 기초하여 상기 증강 이미지 데이터를 생성하는 확산(diffusion) 모델은 DDPM , DDIM , DALLE -2, IMAGEN, Stable-diffusion 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 일례로, 확산 모델은 추적성과 유연성을 만족하는 새로운 프레임워크로 주목받고 있다. DDPM은 노이즈 제거 단계를 추가하여 성능을 향상시킬 수 있다. 또한, DDIM은 확산 모델이 시간이 오래 걸린다는 단점을 해결할 수 있다. 또한, DALLE-2와 IMAGEN은 사전에 학습된 대규모 언어 모델과 함께 확산 모델을 사용하여 텍스트-이미지 모델을 제안한 바 있다. 또한, Stable-diffusion은 텍스트 기반 이미지 생성 모델을 다양한 영역으로 확장하여 일정 수준의 품질을 보장할 수 있음을 보여준 바 있다.

일 실시예에 따르면, 안정-확산(Stable-diffusion) 모델은 상기 "텍스트 데이터"에 기초하여 상기 증강 이미지 데이터를 생성함에 있어 가장 뛰어난 결과를 나타내며, 이미지 생성 모델(23)은 상기 안정-확산 모델과 같은 확산(diffusion) 모델을 기반으로 상기 증강 이미지 데이터를 생성할 수 있다. 일례로, 확산 모델은 원본 이미지 없이 텍스트 프롬프트만 수신하여 핵심 의미는 공유하지만 표면적인 외형에 차이가 있는 다양한 이미지를 생성할 수 있다. 이미지를 유도하는 데 사용되는 텍스트 프롬프트는 의문사를 답변으로 대체함으로써 질문-답변 쌍에서 파생될 수 있다. 예를 들어, 이미지 생성 모델(23)은 입력받을 텍스트 프롬프트와 관련하여 의문사가 없는 질문의 경우, 질문의 처음 두 단어를 답변 토큰으로 대체하도록 경험적으로 설정할 수 있다. 또한, 확산 모델은 텍스트 프롬프트에 따라 질문 당 복수의 증강 이미지 데이터를 생성할 수 있다. 텍스트 프롬프트에 기반하여 생성되는 증강 이미지 데이터는 와 같이 표현될 수 있으며, 여기서, 은 이미지 생성 모델(23)이고, 은 생성된 증강 이미지 데이터일 수 있다.

참고로, 이미지 생성 모델(23)은 텍스트-이미지 확산 모델(Text-To-Image diffusion 모델)을 기반으로 증강 이미지 데이터를 생성함으로써, 단순히 원본 이미지에서 정답 데이터와 연관된 세세한 부분(예컨대, 색상)만 변경하는 방식을 통해 이미지 데이터를 증강하는 경우보다 ①모델이 안정적이며, ②붕괴가 발생하지 않고, ③다양한 형태의 퀄리티 높은 이미지를 생성할 수 있다. 즉, 이미지 생성 모델(23)은 원본 이미지를 받아 비슷한 다른 이미지를 생성하는 다른 모델을 사용하는 경우보다, 확산 모델(diffusion model)을 기반으로 상기 생성된 텍스트 데이터를 입력하여 증강 이미지 데이터를 생성함으로써, 정답에 관한 핵심 정보를 유지하면서 다양한 이미지를 생성할 수 있다.

일 실시예에 따르면, 이미지 생성 모델(23)은 상기 기본 VQA 모델(10)이 예측한 신뢰도 정보를 반영하여 증강 이미지 데이터를 생성할 수 있다. 예를 들어, 이미지 생성 모델(23)은 상기 이미지 생성 모델(23)에서 증강 이미지 데이터를 생성할 경우, 상기 입력 모듈(21)에서 획득한 "이미지 데이터(I)에 관한 질의 (Q)"에 대해 위 기본 VQA 모델(10)이 예측한 신뢰도 정보를 반영할 수 있다. 달리 말해, 입력 모듈(21)은 기본 학습 데이터 셋에 대해 상기 시각적 질의응답 모델(10)이 예측한 신뢰도 정보를 획득할 수 있다. 또한, 이미지 생성 모델(23)은 신뢰도 정보에 기초하여 상기 증강 이미지 데이터를 생성할 수 있다.

예시적으로, 이미지 생성 모델(23)은 신뢰도 정보에 기초하여, 상기 증강 이미지 데이터의 개수를 조절할 수 있다. 예컨대, 이미지 생성 모델(23)은 i) 신뢰도 정보에 반비례하도록 상기 증강 이미지 데이터의 개수를 조절할 수 있다. 여기서, 상기 기본 학습 데이터 셋에 기초하여 생성되는 증강 학습 데이터 셋의 개수는, 상기 신뢰도 정보에 반비례할 수 있다. 예를 들어, 이미지 생성 모델(23)은 초록색 풍선 이미지 데이터에 대해 풍선의 색을 물어보는 질문에 대해서는 기본 VQA 모델(10)의 예측의 신뢰도가 높았다면, 초록색 풍선 이미지에 대해서는 소수의 증강 이미지 데이터를 생성할 수 있다. 반대로, "사진 속 강아지는 몇 마리인가?"라는 질문에 대해서는 기본 VQA 모델(10)의 예측의 신뢰도가 낮았다면, 이미지 생성 모델(23)은 강아지 3마리가 앉아있는 이미지에 대해서는 최대 개수의 증강 이미지 데이터를 생성할 수 있다. 예시적으로, 신뢰도가 낮을수록 모델의 풀이(solve) 난이도가 높다는 것을 의미할 수 있다. 따라서, 이미지 생성 모델(23)은 증강된 학습 데이터(새로운 데이터 셋)를 구축할 때 어려운 문제에 대한 이미지 예시를 더 많이 포함시키기 위해, 상기 증강 데이터의 개수를 조절할 수 있다. 달리 말해, 이미지 생성 모델(23)은 신뢰도가 낮은 경우, 상대적으로 많은 증강 이미지 데이터의 개수를 생성할 수 있다. 또한, 이미지 생성 모델(23)은 정답의 핵심 개념이 있는 생성된 증강 이미지 데이터를 추가하여 지식 기반이 필요한 어려운 문제에 대해 증강된 학습 데이터 셋을 더 확장할 수 있다.

또한, 이미지 생성 모델(23)은 ii) 상기 신뢰도 정보 및 상기 신뢰도 정보와 연관된 구간 정보에 기초하여, 상기 증강 이미지 데이터의 개수를 조절할 수도 있다. 일례로, 이미지 생성 모델(23)은 신뢰도 정보와 연관된 구간 정보가 미리 설정된 구간 이상인 경우에는, 소수의 증강 이미지 데이터를 생성하거나 또는 증강 이미지 데이터를 생성하지 않을 수 있다. 반면, 이미지 생성 모델(23)은 신뢰도 정보와 연관된 구간 정보가 미리 설정된 구간 미만인 경우에는, 최대 개수로 증강 이미지 데이터를 생성할 수 있다. 예시적으로, 이미지 생성 모델(23)은 상기 신뢰도 정보와 연관된 구간 정보에 기초하여 질문을 N개의 클래스로 나누고, 난이도에 따라 증강된 학습 데이터(새로운 데이터 셋)에 이미지 예시 개수를 다르게 추가할 수 있다. 일례로, 질문의 난이도에 따른 클래스의 개수 N = 3으로 설정하고 각 클래스에 대해 난이도 순으로 5개, 3개, 1개의 증강 이미지 데이터를 생성하도록 설정할 수도 있다.

참고로, 신뢰도 정보에 기초하여 상기 증강 이미지 데이터를 생성하는 동작은, 와 같이 표현될 수 있다. 여기서, 는 기본 학습 데이터 셋으로 학습된 기본 VQA 모델(10)이고, 는 기본 VQA 모델(10)이 예측한 신뢰도 정보(예컨대, 정답 예측 확률)이고, 는 신뢰도에 따라 필터링된 이미지로 구성된 증강된 학습 데이터(새로운 데이터 셋)일 수 있다.

도 4는 본 개시의 일 실시예에 따른 시각적 질의응답 모델의 학습 데이터를 증강시키기 위한 동작을 개략적으로 나타낸 도면이다.

예를 들어, 도 4를 참조하면, 기본 VQA 모델(10)은 한 쌍의 질의(Q)와 이미지(I) 데이터가 입력되면, 사전 학습된 모델을 통해 각 양식의 임베딩(embedding)을 수행할 수 있다. 일례로, 기본 VQA 모델(10)은 BEiT 모델을 통해 이미지 데이터(I)에 대하여 임베딩(embedding)을 수행할 수 있다. 또한, 기본 VQA 모델(10)은 RoBerta 모델을 통해 질의(Q)에 대하여 임베딩(embedding)을 수행할 수 있다. 이후, 기본 VQA 모델(10)은 서로 다른 유형의 정보를 통합하기 위해 두 개의 임베딩을 연결(또는, 연접(concatenate))하고, 복수의 완전 연결 레이어(fully connected layers), 드롭아웃 레이어(dropout layers) 및 활성화 함수(activation functions)로 구성된 후속 FC 블록(Block)을 이용하여 서로 다른 유형의 정보를 처리할 수 있다. FC 블록(Block)과 사전 학습된 모델을 포함하는 기본 VQA 모델(10)은 획득된 한 쌍의 질의(Q)와 이미지 데이터에 대한 정답(answer)을 예측하도록 훈련될 수 있다.

또한, 이미지 증강 모듈(20)은 기본 학습 데이터 셋에 포함된 질의(question)와 정답(answer)을 기반으로 이미지 생성 모델로 입력될 텍스트 데이터를 생성하고, 상기 이미지 생성 모델에 생성된 텍스트 데이터를 입력하여 증강 이미지 데이터를 생성할 수 있다. 이때, 이미지 증강 모듈(20)은 상기 기본 VQA 모델(10)에서 예측한 정답 확률을 신뢰도로 사용하여 각 질문의 난이도를 측정, 또는 예측(predict)할 수 있다. 이미지 증강 모듈(20)은 측정, 또는 예측(predict)된 난이도를 고려하여 각 질문에 대해 생성될 상기 증강 이미지 데이터의 개수를 조절할 수 있다.

도 5는 본 개시의 일 실시예에 따른 시각적 질의응답 모델의 재학습 방법에 대한 흐름도이다.

도 5에 도시된 시각적 질의응답 모델의 재학습 방법은 앞서 설명된 컴퓨팅 장치(100)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 컴퓨팅 장치(100)에 대하여 설명된 내용은 시각적 질의응답 모델의 재학습 방법에 대한 설명에도 동일하게 적용될 수 있다.

예시적으로 도 5를 참조하면, 시각적 질의응답 모델의 재학습 방법은 기본 학습 데이터 셋을 활용하여 상기 시각적 질의응답 모델을 학습시키는 단계(S210), 상기 기본 학습 데이터 셋에 포함된 질의(question)와 정답(answer)을 기반으로 이미지 생성 모델을 활용하여 증강 이미지 데이터를 생성하는 단계(S220) 및 상기 증강 이미지 데이터를 포함하는 증강 학습 데이터 셋을 활용하여 상기 시각적 질의응답 모델을 학습시키는 단계(S230) 등을 포함할 수 있다. 상기 시각적 질의응답 모델의 학습 방법은 컴퓨팅 장치(100)에 의하여 수행될 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 앞서 도 3 및 도 4를 기반으로 설명된 시각적 질의응답(VQA; Visual Question-Answering) 모델의 학습 데이터를 증강하는 방법을 기반으로 생성된 "증강 이미지 데이터"에 기초하여 시각적 질의응답 모델의 학습 데이터를 증강할 수 있다. 참고로, 상기 "증강된 학습 데이터"는, 상기 증강 이미지 데이터에 기초하여 생성된 트리플렛(triplet)을 포함할 수 있다. 일례로, 상기 생성된 트리플렛(triplet)은, 상기 기본 학습 데이터 셋에 포함된 질의, 상기 기본 학습 데이터 셋에 포함된 정답 및 상기 증강 이미지 데이터를 포함할 수 있다. 실시 예에 따라, 상기 증강 이미지 데이터에는 증강 이미지 데이터 생성 단계(S220)에서 생성된 이미지 데이터뿐만 아니라 기본 학습 데이터셋 또한 포함될 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 증강 이미지 데이터를 포함하는 "증강 학습 데이터 셋"을 활용하여 상기 기본 VQA 모델(10)을 재학습시킬 수 있다. 일례로, 증강 이미지 데이터 셋을 I'이라 하면, 기본 학습 데이터셋(I-Q-A)에서 I만 I'으로 대체한 증강 학습 데이터 셋 (I'-Q-A triplet)이 도출될 수 있다. 컴퓨팅 장치(100)는 증강 이미지 데이터를 포함하는 증강 학습 데이터 셋을 활용하여 기본 VQA 모델(10)을 다시 학습시켜 모델의 성능을 향상시킬 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 기본 학습 데이터 셋을 활용하여 상기 시각적 질의응답 모델을 학습시킬 수 있다(S210). 단계 S210은, 앞서 도 3 및 도 4를 기반으로 설명된 기본 VQA 모델(10)에서 기본 학습 데이터 셋을 시각적 질의응답 모델을 학습하는 방법에 대한 설명과 동일하게 적용될 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 상기 기본 학습 데이터 셋에 포함된 질의(question)와 정답(answer)을 기반으로 이미지 생성 모델을 활용하여 증강 이미지 데이터를 생성시킬 수 있다(S220). 단계 S220은, 앞서 도 3 및 도 4를 기반으로 설명된 이미지 증강 모듈(20)에서 증강 이미지 데이터를 생성하는 방법에 대한 설명과 동일하게 적용될 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 상기 증강 이미지 데이터를 포함하는 증강 학습 데이터 셋을 활용하여 시각적 질의응답 모델을 학습시킬 수 있다(S230). 이때, 상기 증강된 학습 데이터는, 상기 증강 이미지 데이터에 기초하여 생성된 트리플렛(triplet)을 포함할 수 있다. 또한, 상기 생성된 트리플렛(triplet)은, 상기 기본 학습 데이터 셋에 포함된 질의, 상기 기본 학습 데이터 셋에 포함된 정답 및 상기 증강 이미지 데이터를 포함할 수 있다. 실시 예에 따라, 상기 증강 이미지 데이터에는 증강 이미지 데이터 생성 단계(S220)에서 생성된 이미지 데이터뿐만 아니라 기본 학습 데이터셋 또한 포함될 수 있다. 참고로, 상기 시각적 질의응답 모델은, 상기 기본 VQA 모델(10)일 수 있다. 이하에서는 설명의 편의상 상기 증강 이미지 데이터를 포함하는 증강 학습 데이터 셋을 활용하여 시각적 질의응답 모델을 "재학습 시각적 질의응답 모델"이라고 칭하여 설명하고자 한다.

본 개시의 일 실시예에 따르면, 시각적 질의응답 모델의 재학습 방법은 하기와 같이 표현될 수 있다.

1. 컴퓨팅 장치(100)는 기본 학습 데이터 셋()을 이용하여 기본 VQA 모델(10)인 를 학습시킬 수 있다.

2. 컴퓨팅 장치(100)는 이미지 생성 모델()에 쌍의 텍스트 프롬프트(prompt)를 입력하여, 증강 이미지 데이터 셋()을 생성할 수 있다.

3. 컴퓨팅 장치(100)는 각 질문에 대한 신뢰도를 로 계산할 수 있다.

4. 컴퓨팅 장치(100)는 증강 이미지 데이터 셋()을 신뢰도를 기반으로 필터링하여 를 획득할 수 있다.

5. 컴퓨팅 장치(100)는 를 기반으로 확장된 증강된 학습 데이터 셋()을 이용하여 최종 VQA 모델(재학습 시각적 질의응답 모델)을 학습시킬 수 있다.

도 6은 본 개시의 일 실시예에 따른 시각적 질의응답 모델을 기반으로 시각적 질의응답을 수행하는 방법에 대한 흐름도이다. 참고로, 도 6은 증강 학습 데이터 셋을 활용하여 학습된 시각적 질의응답 모델을 기반으로 시각적 질의응답을 수행하는 방법이다.

도 6에 도시된 시각적 질의응답 모델을 기반으로 시각적 질의응답을 수행하는 방법은 앞서 설명된 컴퓨팅 장치(100)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 컴퓨팅 장치(100)에 대하여 설명된 내용은 시각적 질의응답 모델을 기반으로 시각적 질의응답을 수행하는 방법에 대한 설명에도 동일하게 적용될 수 있다.

도 6을 참조하면, 시각적 질의응답 모델의 수행 방법은 이미지 데이터 및 질의(question)를 획득하는 단계(S310) 및 시각적 질의응답 모델을 활용하여 상기 이미지 데이터 및 상기 질의에 대한 응답을 예측하는 단계(S320)를 포함할 수 있다. 상기 시각적 질의응답 모델의 수행 방법은 컴퓨팅 장치(100)에 의해 수행될 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 이미지 데이터 및 질의(question)를 획득할 수 있다(S310). 여기서, 상기 질의는, 음성 신호를 기반으로 음성 인식(STT)을 수행하여 생성된 질의 텍스트 정보를 포함할 수 있다. 예시적으로, 단계 S310에서 획득되는 이미지 데이터 및 질의는, 앞서 도 3 내지 도 5를 통해 획득된 학습 데이터와는 상이한 데이터일 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는, 시각적 질의응답 모델을 활용하여 상기 이미지 데이터 및 상기 질의에 대한 응답을 예측할 수 있다(S320). 여기서, 상기 시각적 질의응답 모델은, 기본 학습 데이터 셋에 포함된 기본 질의와 기본 정답을 기반으로 이미지 생성 모델을 활용하여 증강된 학습 데이터 셋에 기초하여 학습된 모델이다. 달리 말해, 단계 S320의 시각적 질의응답 모델은 앞서, 도 5를 통해 설명된 증강 이미지 데이터를 포함하는 증강 학습 데이터 셋을 활용하여 기본 VQA 모델(10)을 재학습시킨 "재학습 시각적 질의응답 모델"일 수 있다.

일 실시예에 따르면, 컴퓨팅 장치(100)는, 상기 획득된 이미지 데이터에 대하여 제 1 방식의 임베딩(embedding)을 수행할 수 있다. 또한, 획득된 상기 질의에 대하여 상기 제 1 방식과는 상이한 제 2 방식의 임베딩을 수행할 수 있다. 또한, 컴퓨팅 장치(100)는 상기 제 1 방식의 임베딩 결과와 상기 제 2 방식의 임베딩 결과를 연접(concatenate)할 수 있다. 일례로, 상기 제 1 방식의 임베딩은 BEiT 모델을 활용한 임베딩일 수 있다. 또한, 상기 제 2 방식의 임베딩은 RoBerta 모델을 활용한 임베딩일 수 있다. 또한, 컴퓨팅 장치(100)는, 상기 제 1 방식의 임베딩 결과와 상기 제 2 방식의 임베딩 결과를 연접(concatenate)할 수 있다. 정답 예측 과정에서, 모델이 하나의 이미지 데이터(I)와 질의(Q)에 대해 예측한 a(정답은 A)의 신뢰도가 도출될 수 있다. 컴퓨팅 장치(100)는, 모든 기본 학습 데이터 셋의 이미지 데이터 및 이에 대응하는 질의에 대해 정답을 예측하고, 신뢰도를 도출할 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 시각적 질의응답(VQA; Visual Question-Answering)의 학습 데이터를 증강할 때, 텍스트-이미지 확산 모델(text-to-image diffusion model)을 활용함으로써, 시각적 질의응답 모델의 성능을 향상시킬 수 있다.

또한, 컴퓨팅 장치(100)는 시각적 질의응답 모델의 신뢰도에 따라 증강의 정도를 적응적(adaptive)으로 조정함으로써, 필요한 상황(예컨대, 신뢰도가 낮은 상황)에서는 이미지 데이터를 충분히 증강하고, 불필요한 상황(예컨대, 신뢰도가 높은 상황)에서는 이미지 데이터를 과도하게 증강하지 않아, 증강된 이미지 데이터로 시각적 질의응답(VQA) 모델을 학습시키는 과정에서 발생하는 리소스를 절약할 수 있다.

또한, 컴퓨팅 장치(100)는 기본 VQA 모델(10)이 질문의 난이도를 반영하여 증강을 수행함으로써, 시각적 질의응답(VQA) 모델의 성능 저하를 방지할 수 있다. 예를 들어, 컴퓨팅 장치(100)는, 신뢰도에 따라 증강 정도를 구분하여, "기본 VQA 모델(10)이 잘하는 질문"과 "확산 모델(diffusion model)로 증강하여 학습시킨 VQA 모델(재학습 시각적 질의응답 모델)이 잘하는 질문" 모두에 강한 시각적 질의응답 모델을 도출할 수 있다.

본 개시의 일 실시예에 따르면, 널리 채택된 두 가지 벤치마크 데이터 세트인 실제 이미지에 대한 질문 답변용 데이터 세트(DAQUAR)와 사실 기반 시각적 질문 답변(FVQA)을 사용하여, 컴퓨팅 장치(100)에 의해 생성된 증강 이미지 데이터(예컨대, 상기 확산 모델에 기반한 VQA용 신뢰도 인식 이미지) 생성의 효과가 실증적으로 검증될 수 있다. 표 1은 질문 답변용 데이터 세트(DAQUAR) 및 사실 기반 시각적 질문 답변(FVQA)의 성능 비교 결과이다.

일 실시예에 따르면, 기본 VQA 모델(10)은 how many 질의(표 1의 DAQUAR dataset 사용시 질의)와 같이 비교적 답이 명확한 질문에 대한 성능이 좋고 "사진 속 동작의 분위기는?"과 같이 비교적 추상적인 질문에 대한 성능이 떨어진다. 반대로 확산 모델(diffusion model)로 증강하여 학습시킨 VQA 모델(재학습 시각적 질의응답 모델)은 how many와 같은 문제에 성능이 떨어지고, 추상적인 질문에 대한 성능이 우수하다. 예를 들어, 표 1에서 DAQUAR dataset의 경우 Diffusion Aug. 5나 Question-aware Aug(예컨대, 질문의 난이도를 반영하여 증강, 신뢰도 높으면 증강을 줄인다는 뜻) 보다도 Diffusion Aug. 1이 가장 Acc가 높다. 따라서, how many와 같이 기본 VQA 모델(10)이 잘하는(=신뢰도가 높은) case는 확산 모델(diffusion model)로 증강하여 학습시킨 VQA 모델(재학습 시각적 질의응답 모델)로 증강하면 성능이 더 저하될 수 있다. 즉, 기본 VQA 모델(10)의 신뢰도에 따라 신뢰도가 높은 case는 증강을 하지 않는 것이 오히려 성능 저하를 막는 효과를 가져올 수 있다. 따라서, 신뢰도에 따라 증강 정도를 구분하면(예컨대, 표 1의 Question-aware Aug.), 다른 지표들(FVQA dataset 지표)은 높이면서도, DAQUAR dataset의 Acc는 상대적으로 저하되지 않는 결과를 얻을 수 있다. 참고로, Diffusion Aug.1, Diffusion Aug.3, Diffusion Aug.5는, 확산 모델에 의해 증강된 정도를 나타낸다. 예를 들어, Diffusion Aug.1은, 기본 데이터 세트에 대하여 확산 모델에 의해 생성된 1개의 이미지를 추가하는 방식으로 증강이 이루어진 것을 나타내고, Diffusion Aug.3은, 기본 데이터 세트에 대하여 확산 모델에 의해 생성된 3개의 이미지를 추가하는 방식으로 증강이 이루어진 것을 나타내고, Diffusion Aug.5는 기본 데이터 세트에 대하여 확산 모델에 의해 생성된 5개의 이미지를 추가하는 방식으로 증강이 이루어진 것을 나타낸다.

본 개시의 일 실시예에 따르면, 생성된 데이터 셋의 품질과 다양성을 한 번에 측정하기 위해 각 DAQUAR 및 FVQA 데이터 셋에 대한 IS(Inception Score)를 평가를 수행해야 한다. 본 방법의 효과를 기존 데이터 세트와 명확하게 비교하기 위해 증강 데이터 세트에 생성된 5개의 이미지를 포함시켰다. 두 벤치마크 데이터 세트 모두에서 증강 데이터 세트에서 더 높은 IS가 기록되었으며, 이는 본 방법의 증강 이미지 데이터를 통해 데이터 세트의 품질과 다양성을 향상시킨다는 것을 의미한다. 표 2는, 원본 및 증강 데이터 세트의 시작 점수이다.

도 7은 본 개시의 일 실시예에 따른 시각적 질의응답(VQA; Visual Question-Answering)을 수행 방법의 정성적 예시이다.

예시적으로 도 7을 참조하면, 도 7에 도시된 (A) 내지 (C)는 기존 방식으로는 예측이 틀렸지만 제안한 방식으로 예측이 정답으로 바뀐 예시를 나타낸다. 도 7에 도시된 (D)는 본 방법으로 예측이 틀린 예시이다. 도 7에 도시된 (A) 내지 (D)에 포함된 첫 번째 이미지(왼쪽 위)는 기존 데이터 셋의 원본 이미지이고, 나머지는 생성된 이미지이다. 도 7에 도시된 (A)의 생성된 이미지를 참조하면, "반으로 자른 양파"처럼 원본 이미지에 존재하지 않은 다양한 채소들이 포함될 수 있다. 도 7에 도시된 (B)의 생성된 이미지를 참조하면, 갈색의 다양한 스타일의 의자가 포함될 수 있다. 도 7에 도시된 (C)의 생성된 이미지를 참조하면, 로맨틱한 이미지를 만들 때 생성된 이미지는 원본 이미지와 완전히 다른 스타일의 이미지일 수 있다. 예컨대, 도 7에 도시된 (C)의 원본 이미지는 케이크가 있는 웨딩 사진이지만, 생성된 이미지에는 원본 이미지에는 포함되지 않은 키스 및 포옹과 같은 로맨틱과 관련된 새로운 동작들이 포함되어 있다. 한편, 도 7에 도시된 (D)의 생성된 이미지는 다양한 종류의 병을 묘사하지만 정확히 세 개의 병을 그리지는 못하는 것을 확인할 수 있으며, DAQUAR는 '몇 개'를 묻는 질문이 많으며, 생성된 이미지를 대량으로 증강하면 정답과 일치하지 않는 이미지의 수가 증가하여 오히려 기본 VQA 모델(10)보다 성능이 저하됨을 확인할 수 있다.

즉, 본 개시를 통해, 질문-답변 쌍으로부터 유도된 이미지 생성 방법이 VQA 학습 데이터 증강에 유용하다는 것을 확인할 수 있으며, 특히 이미지 생성 모델로 확산 모델을 활용함으로써, 다양하고 고 충실도의 데이터를 생성할 수 있다는 것을 확인할 수 있다. 또한, 본 개시를 통해 사전 학습된 대규모 모델의 지식을 이미지 형태로 변환할 수 있다.

따라서, 생성된 증강 이미지 데이터로 학습된 모델은 질문에 대한 지식을 확장하고 견고한 기준선(baseline) 대비 최고의 성능을 달성할 수 있다. 또한, 문제의 난이도에 따라 생성된 증강 이미지 데이터를 새로운 데이터 세트(증강된 학습 데이터)에 차등적으로 추가하는 난이도 인식 훈련 전략을 통해, 데이터 셋이 문제 해결을 위한 지식 기반을 획득하는 FVQA에서 강력한 기준선 대비 두 배 이상의 성능 향상을 달성할 수 있음을 알 수 있다. 즉, 본 개시에 따르면 Text-to-Image 모델인 확산 모델을 활용하여 증강 이미지 데이터를 생성함으로써, 원시 데이터 세트보다 더 심도 있는 지식 기반과 이해를 바탕으로 학습 데이터용 이미지를 생성할 수 있다. 이를 통해, 본 개시는 더 강력한 시각적 질의응답(VQA) 모델을 구축하는 데 효율적인 접근 방식을 제공할 수 있다.

이하에서는 상기에 자세히 설명된 내용을 기반으로, 본원의 동작 흐름을 간단히 살펴보기로 한다.

도 8은 본 개시의 일 실시예에 따른 시각적 질의응답 모델의 학습 데이터를 증강시키는 방법의 흐름도이다.

도 8에 도시된 시각적 질의응답 모델의 학습 데이터를 증강시키는 방법은 앞서 설명된 컴퓨팅 장치(100)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 컴퓨팅 장치(100)에 대하여 설명된 내용은 시각적 질의응답 모델의 학습 데이터를 증강시키는 방법에 대한 설명에도 동일하게 적용될 수 있다.

도 8을 참조하면, 시각적 질의응답 모델의 학습 데이터를 증강시키는 방법은, 상기 시각적 질의응답 모델의 기본 학습 데이터 셋을 획득하는 단계(S110), 상기 기본 학습 데이터 셋에 포함된 질의(question)와 정답(answer)을 기반으로 이미지 생성 모델로 입력될 텍스트 데이터를 생성하는 단계(S120) 및 상기 이미지 생성 모델에 상기 생성된 텍스트 데이터를 입력하여 증강 이미지 데이터를 생성하는 단계 등을 포함할 수 있다.

단계 S110은, 상기 시각적 질의응답 모델의 기본 학습 데이터 셋을 획득하는 단계이다.

단계 S120은, 상기 기본 학습 데이터 셋에 포함된 질의(question)와 정답(answer)을 기반으로 이미지 생성 모델로 입력될 텍스트 데이터를 생성하는 단계이다. 상기 단계 S120은, 상기 정답을 기초로 상기 질의 중 질문이 있는 부분을 수정하여, 상기 이미지 생성 모델로 입력될 텍스트 데이터를 생성하는 단계를 포함할 수 있다. 여기서, 상기 이미지 생성 모델은, 상기 텍스트 데이터에 기초하여 상기 증강 이미지 데이터를 생성하는 확산(diffusion) 모델일 수 있다.

단계 S130은, 상기 이미지 생성 모델에 상기 생성된 텍스트 데이터를 입력하여 증강 이미지 데이터를 생성하는 단계이다. 상기 단계 S130은, 상기 기본 학습 데이터 셋에 대해 상기 시각적 질의응답 모델이 예측한 신뢰도 정보를 획득하는 단계 및 상기 신뢰도 정보에 기초하여 상기 증강 이미지 데이터를 생성하는 단계를 포함할 수 있다.

상기 시각적 질의응답 모델의 학습 데이터를 증강시키는 방법은, 상기 증강 이미지 데이터에 기초하여 상기 시각적 질의응답 모델의 학습 데이터를 증강하는 단계를 더 포함하고, 상기 증강된 학습 데이터는, 상기 증강 이미지 데이터에 기초하여 생성된 트리플렛(triplet)을 포함할 수 있다.

상술한 설명에서, 단계 S110 내지 S130, 단계 S210 내지 S230, 단계 S310 및 단계 S320은 본원의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 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 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

컴퓨팅 장치에 의해 수행되는, 시각적 질의응답(VQA; Visual Question-Answering) 모델의 학습 데이터를 증강하는 방법으로서,
상기 시각적 질의응답 모델의 기본 학습 데이터 셋을 획득하는 단계;
상기 기본 학습 데이터 셋에 포함된 질의(question)와 정답(answer)을 기반으로 이미지 생성 모델로 입력될 텍스트 데이터를 생성하는 단계; 및
상기 이미지 생성 모델에 상기 생성된 텍스트 데이터를 입력하여 증강 이미지 데이터를 생성하는 단계;
를 포함하고,
상기 기본 학습 데이터 셋에 포함된 질의와 정답을 기반으로 이미지 생성 모델로 입력될 텍스트 데이터를 생성하는 단계는,
상기 정답과 상이한 오답을 생성하는 단계; 및
상기 질의 중 일부 텍스트를 상기 오답으로 대체하여, 상기 이미지 생성 모델로 입력될 텍스트 데이터를 생성하는 단계
를 포함하는,
방법.
제 1 항에 있어서,
상기 방법은,
상기 증강 이미지 데이터에 기초하여 상기 시각적 질의응답 모델의 학습 데이터를 증강하는 단계
를 더 포함하고,
상기 증강된 학습 데이터는, 상기 증강 이미지 데이터에 기초하여 생성된 트리플렛(triplet)을 포함하는,
방법.
제 2 항에 있어서,
상기 생성된 트리플렛(triplet)은,
상기 기본 학습 데이터 셋에 포함된 질의;
상기 기본 학습 데이터 셋에 포함된 정답; 및
상기 증강 이미지 데이터
를 포함하는,
방법.
삭제
제 1 항에 있어서,
상기 기본 학습 데이터 셋에 포함된 질의와 정답을 기반으로 이미지 생성 모델로 입력될 텍스트 데이터를 생성하는 단계는,
상기 질의 중 일부 텍스트를 상기 정답으로 대체하여, 상기 이미지 생성 모델로 입력될 텍스트 데이터를 생성하는 단계
를 더 포함하는,
방법.
삭제
제 1 항에 있어서,
상기 이미지 생성 모델은, 상기 텍스트 데이터에 기초하여 상기 증강 이미지 데이터를 생성하는 확산(diffusion) 모델인,
방법.
제 1 항에 있어서,
상기 이미지 생성 모델에 상기 생성된 텍스트 데이터를 입력하여 증강 이미지 데이터를 생성하는 단계는,
상기 기본 학습 데이터 셋에 대해 상기 시각적 질의응답 모델이 예측한 신뢰도 정보를 획득하는 단계; 및
상기 신뢰도 정보에 기초하여 상기 증강 이미지 데이터를 생성하는 단계
를 포함하는,
방법.
컴퓨팅 장치에 의해 수행되는, 시각적 질의응답(VQA; Visual Question-Answering) 모델의 학습 데이터를 증강하는 방법으로서,
상기 시각적 질의응답 모델의 기본 학습 데이터 셋을 획득하는 단계;
상기 기본 학습 데이터 셋에 포함된 질의(question)와 정답(answer)을 기반으로 이미지 생성 모델로 입력될 텍스트 데이터를 생성하는 단계; 및
상기 기본 학습 데이터 셋에 대해 상기 시각적 질의응답 모델이 예측한 신뢰도 정보를 획득하는 단계;
상기 이미지 생성 모델에 상기 생성된 텍스트 데이터를 입력하여 증강 이미지 데이터를 생성하는 단계; 및
상기 신뢰도 정보에 기초하여, 상기 증강 이미지 데이터의 개수를 조절하는 단계
를 포함하는,
방법.
제 9 항에 있어서,
상기 신뢰도 정보에 기초하여, 상기 증강 이미지 데이터의 개수를 조절하는 단계는,
상기 신뢰도 정보에 반비례하도록 상기 증강 이미지 데이터의 개수를 조절하는 단계를 포함하고,
상기 기본 학습 데이터 셋, 및 상기 증강 이미지 데이터에 기초하여 생성되는 증강 학습 데이터 셋의 개수는, 상기 신뢰도 정보에 반비례하는,
방법.
제 9 항에 있어서,
상기 신뢰도 정보에 기초하여, 상기 증강 이미지 데이터의 개수를 조절하는 단계는,
상기 신뢰도 정보 및 미리 설정된 구간 정보에 기초하여, 상기 증강 이미지 데이터의 개수를 조절하는 단계를 포함하는,
방법.
제 8 항에 있어서,
상기 기본 학습 데이터 셋에 대해 상기 시각적 질의응답 모델이 예측한 신뢰도 정보를 획득하는 단계는,
상기 기본 학습 데이터 셋 중 이미지 데이터와 이에 대응하는 질의를 상기 시각적 질의응답 모델에 입력하는 단계;
상기 시각적 질의응답 모델을 통해 상기 이미지 데이터 및 상기 질의에 대한 응답을 예측하는 단계; 및
상기 시각적 질의응답 모델의 예측에 대한 신뢰도 정보를 획득하는 단계
를 포함하는,
방법.
컴퓨팅 장치에 의해 수행되는, 시각적 질의응답 모델(VQA; Visual Question-Answering)을 학습하는 방법으로서,
기본 학습 데이터 셋을 활용하여 상기 시각적 질의응답 모델을 학습시키는 단계;
상기 기본 학습 데이터 셋에 포함된 질의(question)와 정답(answer)을 기반으로 이미지 생성 모델을 활용하여 증강 이미지 데이터를 생성하는 단계; 및
상기 증강 이미지 데이터를 포함하는 증강 학습 데이터 셋을 활용하여 상기 시각적 질의응답 모델을 학습시키는 단계
를 포함하고,
상기 기본 학습 데이터 셋에 포함된 질의와 정답을 기반으로 이미지 생성 모델을 활용하여 증강 이미지 데이터를 생성하는 단계는,
상기 정답과 상이한 오답을 생성하는 단계; 및
상기 질의 중 일부 텍스트를 상기 오답으로 대체하여, 상기 이미지 생성 모델로 입력될 텍스트 데이터를 생성하는 단계
를 포함하는,
방법.
제 13 항에 있어서,
상기 기본 학습 데이터 셋을 활용하여 상기 시각적 질의응답 모델을 학습시키는 단계는,
상기 기본 학습 데이터 셋에 대해 상기 시각적 질의응답 모델이 예측한 신뢰도 정보를 획득하는 단계
를 포함하는,
방법.
제 14 항에 있어서,
상기 기본 학습 데이터 셋에 대해 상기 시각적 질의응답 모델이 예측한 신뢰도 정보를 획득하는 단계는,
상기 기본 학습 데이터 셋 중 이미지 데이터와 이에 대응하는 질의를 상기 시각적 질의응답 모델에 입력하는 단계;
상기 시각적 질의응답 모델을 통해 상기 이미지 데이터 및 상기 질의에 대한 응답을 예측하는 단계; 및
상기 시각적 질의응답 모델의 예측에 대한 신뢰도 정보를 획득하는 단계
를 포함하는,
방법.
삭제
제 13 항에 있어서,
상기 기본 학습 데이터 셋에 포함된 질의와 정답을 기반으로 이미지 생성 모델을 활용하여 증강 이미지 데이터를 생성하는 단계는,
상기 질의 중 일부 텍스트를 상기 정답으로 대체하여, 상기 이미지 생성 모델로 입력될 텍스트 데이터를 생성하는 단계
를 더 포함하는,
방법.
제 13 항에 있어서,
상기 이미지 생성 모델은, 상기 텍스트 데이터에 기초하여 상기 증강 이미지 데이터를 생성하는 확산(diffusion) 모델인,
방법.
컴퓨팅 장치에 의해 수행되는, 시각적 질의응답(VQA; Visual Question-Answering)을 수행하는 방법으로서,
이미지 데이터 및 질의(question)를 획득하는 단계; 및
시각적 질의응답 모델을 활용하여 상기 이미지 데이터 및 상기 질의에 대한 응답을 예측하는 단계;
를 포함하고,
상기 시각적 질의응답 모델은,
기본 학습 데이터 셋에 포함된 기본 정답과 상이한 오답을 생성하고, 상기 기본 학습 데이터 셋에 포함된 기본 질의 중 일부 텍스트를 상기 오답으로 대체하여 텍스트 데이터를 생성하고, 이미지 생성 모델에 상기 생성된 텍스트 데이터를 입력하여 증강 이미지 데이터를 생성하고, 상기 생성된 증강 이미지 데이터를 포함하는 증강된 학습 데이터 셋에 기초하여 학습된 모델인,
방법.
제 19 항에 있어서,
상기 시각적 질의응답 모델을 활용하여 상기 이미지 데이터 및 상기 질의에 대한 응답을 예측하는 단계는,
상기 이미지 데이터에 대하여 제 1 방식의 임베딩(embedding)을 수행하는 단계;
상기 질의에 대하여 상기 제 1 방식과는 상이한 제 2 방식의 임베딩을 수행하는 단계; 및
상기 제 1 방식의 임베딩 결과와 상기 제 2 방식의 임베딩 결과를 연접(concatenate)하는 단계
를 포함하는,
방법.
제 20 항에 있어서,
상기 제 1 방식의 임베딩은 BEiT 모델을 활용한 임베딩이고,
상기 제 2 방식의 임베딩은 RoBerta 모델을 활용한 임베딩인,
방법.
제 20 항에 있어서,
상기 질의는,
음성 신호를 기반으로 음성 인식(STT)을 수행하여 생성된 질의 텍스트 정보를 포함하는,
방법.
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 상기 하나 이상의 프로세서로 하여금 시각적 질의응답(VQA; Visual Question-Answering) 모델의 학습 데이터를 증강하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
상기 시각적 질의응답 모델의 기본 학습 데이터 셋을 획득하는 동작;
상기 기본 학습 데이터 셋에 포함된 질의(question)와 정답(answer)을 기반으로 이미지 생성 모델로 입력될 텍스트 데이터를 생성하는 동작; 및
상기 이미지 생성 모델에 상기 생성된 텍스트 데이터를 입력하여 증강 이미지 데이터를 생성하는 동작;
을 포함하고,
상기 기본 학습 데이터 셋에 포함된 질의와 정답을 기반으로 이미지 생성 모델로 입력될 텍스트 데이터를 생성하는 동작은,
상기 정답과 상이한 오답을 생성하는 동작; 및
상기 질의 중 일부 텍스트를 상기 오답으로 대체하여, 상기 이미지 생성 모델로 입력될 텍스트 데이터를 생성하는 동작
을 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
제 23 항에 있어서,
상기 기본 학습 데이터 셋에 포함된 질의와 정답을 기반으로 이미지 생성 모델로 입력될 텍스트 데이터를 생성하는 동작은,
상기 질의 중 일부 텍스트를 상기 정답으로 대체하여, 상기 이미지 생성 모델로 입력될 텍스트 데이터를 생성하는 동작
을 더 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
제 23 항에 있어서,
상기 이미지 생성 모델은, 상기 텍스트 데이터에 기초하여 상기 증강 이미지 데이터를 생성하는 확산(diffusion) 모델인,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 상기 하나 이상의 프로세서로 하여금 시각적 질의응답(VQA; Visual Question-Answering) 모델의 학습 데이터를 증강하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
상기 시각적 질의응답 모델의 기본 학습 데이터 셋을 획득하는 동작;
상기 기본 학습 데이터 셋에 포함된 질의(question)와 정답(answer)을 기반으로 이미지 생성 모델로 입력될 텍스트 데이터를 생성하는 동작; 및
상기 기본 학습 데이터 셋에 대해 상기 시각적 질의응답 모델이 예측한 신뢰도 정보를 획득하는 동작;
상기 이미지 생성 모델에 상기 생성된 텍스트 데이터를 입력하여 증강 이미지 데이터를 생성하는 동작; 및
상기 신뢰도 정보에 기초하여 상기 증강 이미지 데이터의 개수를 조절하는 동작
을 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
컴퓨팅 장치로서,
적어도 하나의 프로세서; 및
메모리;
를 포함하고,
상기 적어도 하나의 프로세서는,
시각적 질의응답 모델의 기본 학습 데이터 셋을 획득하고;
상기 기본 학습 데이터 셋에 포함된 질의(question)와 정답(answer)을 기반으로 이미지 생성 모델로 입력될 텍스트 데이터를 생성하고; 그리고
상기 이미지 생성 모델에 상기 생성된 텍스트 데이터를 입력하여 증강 이미지 데이터를 생성하도록 구성되고,
상기 적어도 하나의 프로세서는,
상기 정답과 상이한 오답을 생성하고, 그리고
상기 질의 중 일부 텍스트를 상기 오답으로 대체하여, 상기 이미지 생성 모델로 입력될 텍스트 데이터를 생성하도록 추가로 구성되는,
장치.
제 27 항에 있어서,
상기 적어도 하나의 프로세서는,
상기 질의 중 일부 텍스트를 상기 정답으로 대체하여, 상기 이미지 생성 모델로 입력될 텍스트 데이터를 생성하도록 추가로 구성되는,
장치.
제 27 항에 있어서,
상기 이미지 생성 모델은, 상기 텍스트 데이터에 기초하여 상기 증강 이미지 데이터를 생성하는 확산(diffusion) 모델인,
장치.
컴퓨팅 장치로서,
적어도 하나의 프로세서; 및
메모리;
를 포함하고,
상기 적어도 하나의 프로세서는,
시각적 질의응답 모델의 기본 학습 데이터 셋을 획득하고;
상기 기본 학습 데이터 셋에 포함된 질의(question)와 정답(answer)을 기반으로 이미지 생성 모델로 입력될 텍스트 데이터를 생성하고; 그리고
상기 기본 학습 데이터 셋에 대해 상기 시각적 질의응답 모델이 예측한 신뢰도 정보를 획득하고,
상기 이미지 생성 모델에 상기 생성된 텍스트 데이터를 입력하여 증강 이미지 데이터를 생성하고,
상기 신뢰도 정보에 기초하여 상기 증강 이미지 데이터의 개수를 조절하도록 구성되는,
장치.