KR102647904B1 - 딥러닝 기반으로 장소 리뷰 이미지를 분류하는 방법, 시스템, 및 컴퓨터 프로그램 - Google Patents

딥러닝 기반으로 장소 리뷰 이미지를 분류하는 방법, 시스템, 및 컴퓨터 프로그램 Download PDF

Info

Publication number
KR102647904B1
KR102647904B1 KR1020210151630A KR20210151630A KR102647904B1 KR 102647904 B1 KR102647904 B1 KR 102647904B1 KR 1020210151630 A KR1020210151630 A KR 1020210151630A KR 20210151630 A KR20210151630 A KR 20210151630A KR 102647904 B1 KR102647904 B1 KR 102647904B1
Authority
KR
South Korea
Prior art keywords
image
review
place
processor
images
Prior art date
Application number
KR1020210151630A
Other languages
English (en)
Other versions
KR20230065750A (ko
Inventor
김경일
주윤상
유원홍
이융성
윤동빈
Original Assignee
네이버 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 네이버 주식회사 filed Critical 네이버 주식회사
Priority to KR1020210151630A priority Critical patent/KR102647904B1/ko
Publication of KR20230065750A publication Critical patent/KR20230065750A/ko
Application granted granted Critical
Publication of KR102647904B1 publication Critical patent/KR102647904B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

딥러닝 기반으로 장소 리뷰 이미지를 분류하는 방법, 시스템, 및 컴퓨터 프로그램이 개시된다. 리뷰 이미지 분류 방법은, 장소에 대한 리뷰로 제출된 이미지를 수신하는 단계; 및 딥러닝 기반으로 상기 이미지를 분석한 결과에서 상기 장소와 관련된 정보를 기준으로 상기 이미지를 분류하는 단계를 포함하고, 상기 장소와 관련된 객체 중심의 학습 데이터 셋으로 학습된 딥러닝 모델과 상기 장소에 대한 정보성 기준이 되는 룰 기반의 로직을 통해 상기 리뷰로 제출된 이미지를 고품질 이미지와 저품질 이미지로 분류할 수 있다.

Description

딥러닝 기반으로 장소 리뷰 이미지를 분류하는 방법, 시스템, 및 컴퓨터 프로그램{METHOD, SYSTEM, AND COMPUTER PROGRAM FOR CLASSIFY PLACE REVIEW IMAGES BASED ON DEEP LEARNING}
아래의 설명은 장소 리뷰로 제출된 이미지를 분류하는 기술에 관한 것이다.
장소 리뷰 서비스에서는 장소 예약 기능, 영수증 인증 기능 등을 이용하여 사용자가 방문하거나 이용한 장소를 인증한 후 인증된 장소 정보를 리뷰와 함께 제출할 수 있다.
일례로, 한국 공개특허공보 10-2020-0020457호(공개일 2020년 02월 26일)에는 영수증을 기반으로 사용자의 방문 확인을 증명하는 기술이 개시되어 있다.
장소에 대한 사용자 리뷰는 장소 리뷰 서비스는 물론이고, 검색 서비스나 지도 서비스 등 장소 정보를 제공하는 다른 서비스와 연동되어 노출될 수 있다.
장소 리뷰로 제출된 이미지를 해당 장소에 대한 정보성 측면에서 저품질 이미지와 고품질 이미지로 분류할 수 있다.
다양한 학습 데이터 셋을 이용한 딥러닝 모델과 룰(rule) 기반의 로직을 통해 장소 리뷰 이미지를 분류할 수 있다.
컴퓨터 시스템에서 실행되는 리뷰 이미지 분류 방법에 있어서, 상기 컴퓨터 시스템은 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 리뷰 이미지 분류 방법은, 상기 적어도 하나의 프로세서에 의해, 장소에 대한 리뷰로 제출된 이미지를 수신하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 딥러닝 기반으로 상기 이미지를 분석한 결과에서 상기 장소와 관련된 정보를 기준으로 상기 이미지를 분류하는 단계를 포함하는 리뷰 이미지 분류 방법을 제공한다.
일 측면에 따르면, 상기 분류하는 단계는, 상기 장소와 관련된 객체 중심의 학습 데이터 셋으로 학습된 딥러닝 모델과 상기 장소에 대한 정보성 기준이 되는 룰(rule) 기반의 로직을 통해 상기 리뷰로 제출된 이미지를 고품질 이미지와 저품질 이미지로 분류하는 단계를 포함할 수 있다.
다른 측면에 따르면, 상기 분류하는 단계는, 상기 리뷰로 제출된 이미지로 상기 장소와 관련된 적어도 하나의 객체가 포함된 이미지를 고품질 이미지로 분류하고 나머지 이미지를 저품질 이미지로 분류하는 단계를 포함할 수 있다.
또 다른 측면에 따르면, 상기 분류하는 단계는, 딥러닝 기반의 이미지 분류 모델(image classification model)을 통해 상기 이미지가 영수증 이미지로 분류되는 경우 상기 이미지를 저품질 블랙리스트로 분류하는 단계를 포함할 수 있다.
또 다른 측면에 따르면, 상기 분류하는 단계는, 객체 검출 모델(object detection model)을 통해 상기 이미지에서 검출된 사람 객체가 전체 영역에서 차지하는 비율이 임계치 이상인 경우 상기 이미지를 저품질 블랙리스트로 분류하는 단계를 포함할 수 있다.
또 다른 측면에 따르면, 상기 분류하는 단계는, 객체 검출 모델을 통해 상기 이미지에서 검출된 얼굴 객체의 객체 예측 확률 값이 임계치 이상인 경우 상기 이미지를 저품질 블랙리스트로 분류하는 단계를 포함할 수 있다.
또 다른 측면에 따르면, 상기 분류하는 단계는, 블러 이미지(blurry image) 검출 로직을 통해 상기 리뷰로 제출된 이미지 중 블러 이미지를 저품질 블랙리스트로 분류하는 단계를 포함할 수 있다.
또 다른 측면에 따르면, 상기 분류하는 단계는, 스크린샷 이미지(screenshot image) 검출 로직을 통해 상기 리뷰로 제출된 이미지 중 스크린샷 이미지를 저품질 블랙리스트로 분류하는 단계를 포함할 수 있다.
또 다른 측면에 따르면, 상기 리뷰 이미지 분류 방법은, 상기 적어도 하나의 프로세서에 의해, 상기 장소에 대한 리뷰를 노출함에 있어 상기 저품질 이미지의 노출을 제한하는 단계를 더 포함할 수 있다.
또 다른 측면에 따르면, 상기 리뷰 이미지 분류 방법은, 상기 적어도 하나의 프로세서에 의해, 상기 장소에 대해 상기 고품질 이미지가 포함된 리뷰 또는 상기 고품질 이미지를 상기 장소에 대한 리뷰로 제출한 리뷰어 중 적어도 하나를 추천하는 단계를 더 포함할 수 있다.
상기 리뷰 이미지 분류 방법을 컴퓨터에 실행시키기 위해 컴퓨터 판독가능한 기록 매체에 저장되는 컴퓨터 프로그램을 제공한다.
컴퓨터 시스템에 있어서, 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 장소에 대한 리뷰로 제출된 이미지를 수신하고, 딥러닝 기반으로 상기 이미지를 분석한 결과에서 상기 장소와 관련된 정보를 기준으로 상기 이미지를 분류하는 것을 특징으로 하는 컴퓨터 시스템을 제공한다.
본 발명의 실시예들에 따르면, 다양한 학습 데이터 셋을 이용한 딥러닝 모델과 룰 기반의 로직을 통해 장소 리뷰로 제출된 이미지를 장소에 대한 정보성 측면에서 저품질 이미지와 고품질 이미지로 분류함으로써 리뷰 품질 관리를 통해 리뷰나 리뷰어에 대한 추천 성능을 향상시킬 수 있다.
도 1은 본 발명의 일실시예에 따른 네트워크 환경의 예를 도시한 도면이다.
도 2는 본 발명의 일실시예에 따른 컴퓨터 시스템의 예를 도시한 블록도이다.
도 3은 본 발명의 일실시예에 따른 컴퓨터 시스템의 프로세서가 포함할 수 있는 구성요소의 예를 도시한 도면이다.
도 4는 본 발명의 일실시예에 따른 컴퓨터 시스템이 수행할 수 있는 방법의 일례를 도시한 순서도이다.
도 5 내지 도 9는 본 발명의 일실시예에 있어서 장소 리뷰 이미지를 분류하는 과정을 설명하기 위한 예시 도면이다.
이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
본 발명의 실시예들은 장소 리뷰로 제출된 이미지를 분류하는 기술에 관한 것이다.
본 명세서에서 구체적으로 개시되는 것들을 포함하는 실시예들은 장소 리뷰로 제출된 이미지를 해당 장소에 대한 정보성 측면에서 저품질 이미지와 고품질 이미지로 분류할 수 있다.
본 명세서에서 장소는 식당이나 매장, 명소, 인기장소(hot place) 등 방문이나 이용 등에 따른 사용자 경험을 리뷰할 수 있는 모든 대상을 포괄하여 의미할 수 있다. 장소에 대한 리뷰는 오프라인에서의 사용자 경험을 물론이고, 상거래나 가상 공연/전시 등 온라인에서의 사용자 경험에 대한 리뷰를 포함할 수 있다.
본 발명의 실시예들에 따른 리뷰 이미지 분류 시스템은 적어도 하나의 컴퓨터 시스템에 의해 구현될 수 있으며, 본 발명의 실시예들에 따른 리뷰 이미지 분류 방법은 리뷰 이미지 분류 시스템에 포함되는 적어도 하나의 컴퓨터 시스템을 통해 수행될 수 있다. 이때, 컴퓨터 시스템에는 본 발명의 일실시예에 따른 컴퓨터 프로그램이 설치 및 구동될 수 있고, 컴퓨터 시스템은 구동된 컴퓨터 프로그램의 제어에 따라 본 발명의 실시예들에 따른 리뷰 이미지 분류 방법을 수행할 수 있다. 상술한 컴퓨터 프로그램은 컴퓨터 시스템과 결합되어 리뷰 이미지 분류 방법을 컴퓨터에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장될 수 있다.
도 1은 본 발명의 일실시예에 따른 네트워크 환경의 예를 도시한 도면이다. 도 1의 네트워크 환경은 복수의 전자 기기들(110, 120, 130, 140), 복수의 서버들(150, 160) 및 네트워크(170)를 포함하는 예를 나타내고 있다. 이러한 도 1은 발명의 설명을 위한 일례로 전자 기기의 수나 서버의 수가 도 1과 같이 한정되는 것은 아니다. 또한, 도 1의 네트워크 환경은 본 실시예들에 적용 가능한 환경들 중 하나의 예를 설명하는 것일 뿐, 본 실시예들에 적용 가능한 환경이 도 1의 네트워크 환경으로 한정되는 것은 아니다.
복수의 전자 기기들(110, 120, 130, 140)은 컴퓨터 장치로 구현되는 고정형 단말이거나 이동형 단말일 수 있다. 복수의 전자 기기들(110, 120, 130, 140)의 예를 들면, 스마트폰(smart phone), 휴대폰, 내비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC, 게임 콘솔(game console), 웨어러블 디바이스(wearable device), IoT(internet of things) 디바이스, VR(virtual reality) 디바이스, AR(augmented reality) 디바이스 등이 있다. 일례로 도 1에서는 전자 기기(110)의 예로 스마트폰의 형상을 나타내고 있으나, 본 발명의 실시예들에서 전자 기기(110)는 실질적으로 무선 또는 유선 통신 방식을 이용하여 네트워크(170)를 통해 다른 전자 기기들(120, 130, 140) 및/또는 서버(150, 160)와 통신할 수 있는 다양한 물리적인 컴퓨터 시스템들 중 하나를 의미할 수 있다.
통신 방식은 제한되지 않으며, 네트워크(170)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망)을 활용하는 통신 방식뿐만 아니라 기기들간의 근거리 무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(170)는, PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크(170)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.
서버(150, 160) 각각은 복수의 전자 기기들(110, 120, 130, 140)과 네트워크(170)를 통해 통신하여 명령, 코드, 파일, 콘텐츠, 서비스 등을 제공하는 컴퓨터 장치 또는 복수의 컴퓨터 장치들로 구현될 수 있다. 예를 들어, 서버(150)는 네트워크(170)를 통해 접속한 복수의 전자 기기들(110, 120, 130, 140)로 제1 서비스를 제공하는 시스템일 수 있으며, 서버(160) 역시 네트워크(170)를 통해 접속한 복수의 전자 기기들(110, 120, 130, 140)로 제2 서비스를 제공하는 시스템일 수 있다. 보다 구체적인 예로, 서버(150)는 복수의 전자 기기들(110, 120, 130, 140)에 설치되어 구동되는 컴퓨터 프로그램으로서의 어플리케이션을 통해, 해당 어플리케이션이 목적하는 서비스(일례로, 장소 리뷰 서비스 등)를 제1 서비스로서 복수의 전자 기기들(110, 120, 130, 140)로 제공할 수 있다. 다른 예로, 서버(160)는 상술한 어플리케이션의 설치 및 구동을 위한 파일을 복수의 전자 기기들(110, 120, 130, 140)로 배포하는 서비스를 제2 서비스로서 제공할 수 있다.
도 2는 본 발명의 일실시예에 따른 컴퓨터 시스템의 예를 도시한 블록도이다. 앞서 설명한 복수의 전자 기기들(110, 120, 130, 140) 각각이나 서버들(150, 160) 각각은 도 2를 통해 도시된 컴퓨터 시스템(200)에 의해 구현될 수 있다.
이러한 컴퓨터 시스템(200)은 도 2에 도시된 바와 같이, 메모리(210), 프로세서(220), 통신 인터페이스(230) 그리고 입출력 인터페이스(240)를 포함할 수 있다.
메모리(210)는 컴퓨터에서 판독 가능한 기록매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 여기서 ROM과 디스크 드라이브와 같은 비소멸성 대용량 기록장치는 메모리(210)와는 구분되는 별도의 영구 저장 장치로서 컴퓨터 시스템(200)에 포함될 수도 있다. 또한, 메모리(210)에는 운영체제와 적어도 하나의 프로그램 코드가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 메모리(210)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 메모리(210)로 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 인터페이스(230)를 통해 메모리(210)에 로딩될 수도 있다. 예를 들어, 소프트웨어 구성요소들은 네트워크(170)를 통해 수신되는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 컴퓨터 시스템(200)의 메모리(210)에 로딩될 수 있다.
프로세서(220)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(210) 또는 통신 인터페이스(230)에 의해 프로세서(220)로 제공될 수 있다. 예를 들어, 프로세서(220)는 메모리(210)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
통신 인터페이스(230)는 네트워크(170)를 통해 컴퓨터 시스템(200)이 다른 장치(일례로, 앞서 설명한 저장 장치들)와 서로 통신하기 위한 기능을 제공할 수 있다. 일례로, 컴퓨터 시스템(200)의 프로세서(220)가 메모리(210)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이나 명령, 데이터, 파일 등이 통신 인터페이스(230)의 제어에 따라 네트워크(170)를 통해 다른 장치들로 전달될 수 있다. 역으로, 다른 장치로부터의 신호나 명령, 데이터, 파일 등이 네트워크(170)를 거쳐 컴퓨터 시스템(200)의 통신 인터페이스(230)를 통해 컴퓨터 시스템(200)으로 수신될 수 있다. 통신 인터페이스(230)를 통해 수신된 신호나 명령, 데이터 등은 프로세서(220)나 메모리(210)로 전달될 수 있고, 파일 등은 컴퓨터 시스템(200)이 더 포함할 수 있는 저장 매체(상술한 영구 저장 장치)로 저장될 수 있다.
입출력 인터페이스(240)는 입출력 장치(250)와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 마이크, 키보드 또는 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커와 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(240)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 입출력 장치(250)는 컴퓨터 시스템(200)과 하나의 장치로 구성될 수도 있다.
또한, 다른 실시예들에서 컴퓨터 시스템(200)은 도 2의 구성요소들보다 더 적은 혹은 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 컴퓨터 시스템(200)은 상술한 입출력 장치(250) 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다.
이하에서는 딥러닝 기반으로 장소 리뷰 이미지를 분류하는 방법 및 시스템의 구체적인 실시예를 설명하기로 한다.
도 3은 본 발명의 일실시예에 따른 컴퓨터 시스템의 프로세서가 포함할 수 있는 구성요소의 예를 도시한 블록도이고, 도 4는 본 발명의 일실시예에 따른 컴퓨터 시스템이 수행할 수 있는 리뷰 이미지 분류 방법의 일례를 도시한 순서도이다.
본 실시예에 따른 컴퓨터 시스템(200)은 클라이언트를 대상으로 클라이언트 상에 설치된 전용 어플리케이션이나 컴퓨터 시스템(200)과 관련된 웹/모바일 사이트 접속을 통해 장소 리뷰 서비스를 제공할 수 있다.
컴퓨터 시스템(200)의 프로세서(220)는 이후 설명될 리뷰 이미지 분류 방법을 수행하기 위한 구성요소로서 도 3에 도시된 바와 같이, 이미지 분류부(310), 및 리뷰 제공부(320)를 포함할 수 있다. 실시예에 따라 프로세서(220)의 구성요소들은 선택적으로 프로세서(220)에 포함되거나 제외될 수도 있다. 또한, 실시예에 따라 프로세서(220)의 구성요소들은 프로세서(220)의 기능의 표현을 위해 분리 또는 병합될 수도 있다.
이러한 프로세서(220) 및 프로세서(220)의 구성요소들은 이후 설명될 리뷰 이미지 분류 방법이 포함하는 단계들을 수행하도록 컴퓨터 시스템(200)을 제어할 수 있다. 예를 들어, 프로세서(220) 및 프로세서(220)의 구성요소들은 메모리(210)가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다.
여기서, 프로세서(220)의 구성요소들은 컴퓨터 시스템(200)에 저장된 프로그램 코드가 제공하는 명령에 따라 프로세서(220)에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다. 예를 들어, 컴퓨터 시스템(200)이 장소 리뷰로 제출된 이미지를 분류하도록 상술한 명령에 따라 컴퓨터 시스템(200)을 제어하는 프로세서(220)의 기능적 표현으로서 이미지 분류부(310)가 이용될 수 있다.
프로세서(220)는 컴퓨터 시스템(200)의 제어와 관련된 명령이 로딩된 메모리(210)로부터 필요한 명령을 읽어들일 수 있다. 이 경우, 상기 읽어들인 명령은 프로세서(220)가 이후 설명될 리뷰 이미지 분류 방법을 실행하도록 제어하기 위한 명령을 포함할 수 있다.
이후 설명될 리뷰 이미지 분류 방법이 포함하는 단계들은 도시된 순서와 다른 순서로 수행될 수 있으며, 단계들 중 일부가 생략되거나 추가의 과정이 더 포함될 수 있다.
도 4를 참조하면, 단계(S410)에서 이미지 분류부(310)는 장소 리뷰로 제출된 이미지(이하, '장소 리뷰 이미지'라 칭함)를 수신하여 장소 리뷰 이미지를 장소에 대한 정보성 측면에서 고품질 이미지와 저품질 이미지로 분류할 수 있다. 고품질 이미지는 정보성이 풍부한 이미지로서 장소와 관련된 유효 객체를 포함하는 이미지를 의미할 수 있다. 반면, 저품질 이미지는 장소에 대한 정보성이 부족한 이미지를 의미할 수 있다. 예를 들어, 식당의 경우 식당의 음식과 정보가 잘 드러나는 이미지를 고품질 이미지라 할 수 있으며, 음식이 필수적으로 등장하고 음식과 아울러, 테이블, 의자, 접시 등이 함께 등장하는 경우 식당에 대한 정보성이 풍부한 이미지로 정의할 수 있다. 반면에, 흐릿한 이미지, 인터넷 상의 컨텐츠를 캡처한 이미지, 컵만 하나 있는 이미지, 사람이 큰 비중을 차지하는 이미지 등은 정보성 측면에서 저품질 이미지로 정의될 수 있다. 이미지 분류부(310)는 다양한 학습 데이터 셋을 이용한 딥러닝 모델과 장소에 대한 정보성 기준이 되는 룰 기반의 로직을 통해 장소 리뷰 이미지를 고품질 이미지와 저품질 이미지로 분류할 수 있다. 이미지 분류부(310)는 장소 리뷰 이미지에 대해 딥러닝 모델을 이용한 이미지 분석 결과에 기초하여 유효 객체가 포함된 이미지를 고품질 이미지로 분류하고 나머지 이미지를 저품질 이미지로 분류할 수 있다. 이를 위해, 이미지 분류부(310)는 장소 리뷰 이미지가 영수증 이미지인지 여부를 탐지하는 기능, 장소 리뷰 이미지에서 객체를 검출하는 기능, 장소 리뷰 이미지에 대한 이미지 품질을 검사하는 기능 등을 포함할 수 있다. 이미지 분류부(310)는 저품질 이미지, 또는 저품질 이미지가 포함된 리뷰, 또는 저품질 이미지를 장소 리뷰로 제출한 리뷰어를 블랙리스트로 분류할 수 있고, 고품질 이미지, 또는 고품질 이미지가 포함된 리뷰, 또는 고품질 이미지를 장소 리뷰로 제출한 리뷰어는 별도 태그(예를 들어, good 등)를 부여하여 관리할 수 있다.
장소 리뷰 이미지를 정보성을 기준으로 분류하는 것 이외에 음식 메뉴 별 이미지 분류, 분위기 별 이미지 분류, 이미지 선명도를 나타내는 지표를 활용한 이미지 분류 등을 적용할 수 있다.
단계(S420)에서 리뷰 제공부(320)는 장소 리뷰를 제공함에 있어 저품질 이미지의 노출을 제한하고 고품질 이미지를 중심으로 장소에 대한 추천 정보를 제공할 수 있다. 일례로, 리뷰 제공부(320)는 장소 리뷰로서 고품질 이미지가 포함된 리뷰 또는 고품질 이미지를 장소 리뷰로 제출한 리뷰어 중 적어도 하나를 추천할 수 있다. 장소 리뷰 이미지가 장소에 대한 정보성 측면에서 고품질 이미지와 저품질 이미지로 분류된 상태에서 저품질 이미지를 이용한 리뷰나 리뷰어의 노출을 제한하고 고품질 이미지를 이용한 리뷰나 리뷰어를 중심으로 추천할 수 있다. 저품질 이미지의 노출을 제한하는 것은 고품질 이미지에 비해 노출 기회를 줄이거나 노출 대상에서 제외시키는 것 등을 의미할 수 있다.
도 5 내지 도 9는 본 발명의 일실시예에 있어서 장소 리뷰 이미지를 분류하는 과정을 설명하기 위한 예시 도면이다.
도 5를 참조하면, 단계(S501)에서 이미지 분류부(310)는 장소 리뷰 이미지에 대해 이미지 분류 모델(image classification model)을 이용하여 영수증 이미지를 분류할 수 있다. 이미지 분류부(310)는 이미지에 대한 3가지 클래스(class), 예를 들어 종이 영수증(paper receipt), 전자 영수증(e-receipt), 영수증이 아닌 것(not receipt)을 딥러닝 기반으로 판별할 수 있는 멀티클래스 분류 모델을 통해 장소 리뷰 이미지가 어떤 클래스에 해당되는지 분류할 수 있다. 실시예에 따라서는 이미지를 2가지 클래스(영수증인 것과 영수증이 아닌 것)로 판별할 수 있는 이미지 분류 모델을 적용하는 것 또한 가능하다.
단계(S502)에서 이미지 분류부(310)는 이미지 분류 모델을 이용한 분류 결과를 바탕으로 장소 리뷰 이미지가 영수증이 촬영된 이미지인지 또는 영수증과 무관한 이미지인지를 판단할 수 있다.
단계(S503)에서 이미지 분류부(310)는 단계(S502)의 판단 결과 장소 리뷰 이미지가 영수증 이미지로 판단된 경우 장소 리뷰 이미지를 영수증 클래스로 필터링하고 저품질 이미지 블랙리스트로 분류할 수 있다.
도 6을 참조하면, 단계(S604)에서 이미지 분류부(310)는 단계(S502)의 판단 결과 장소 리뷰 이미지가 영수증과 무관한 이미지로 판단된 경우 객체 검출 모델(object detection model)을 이용하여 장소 리뷰 이미지 내 객체를 검출할 수 있다. 이미지 분류부(310)는 딥러닝 기반으로 리뷰 대상인 장소와 관련된 각종 객체를 검출할 수 있는 객체 검출 모델을 통해 장소 리뷰 이미지에 포함된 객체를 인식할 수 있다. 객체 검출 모델은 장소에 대한 정보성이 풍부한 장소 리뷰 이미지를 판별할 수 있도록 장소와 관련하여 주로 인식되는 객체 중심의 학습 데이터 셋, 예를 들어, COCO dataset, WIDER FACE dataset, UEC Food 256 dataset 등 다양한 학습 데이터 셋으로 학습된 딥러닝 모델에 해당된다.
단계(S605)에서 이미지 분류부(310)는 장소 리뷰 이미지에서 장소와 관련된 적어도 하나의 유효 객체가 검출되는지 여부를 판단할 수 있다. 예를 들어, 식당을 대상으로 장소 리뷰 서비스를 제공하는 경우 유효 객체는 음식, 컵, 접시, 테이블, 의자, 메뉴 보드 등이 해당될 수 있다.
단계(S606)에서 이미지 분류부(310)는 단계(S605)의 판단 결과 장소 리뷰 이미지에서 유효 객체가 검출되지 않는 경우 장소 리뷰 이미지를 미지(unknown) 대상 클래스로 필터링하고 저품질 이미지 블랙리스트로 분류할 수 있다.
단계(S607)에서 이미지 분류부(310)는 단계(S605)의 판단 결과 장소 리뷰 이미지에서 유효 객체가 검출되는 경우 장소 리뷰 이미지를 고품질 이미지 리스트로 분류할 수 있다.
예를 들어, 식당의 경우, 도 7을 참조하면, 단계(S71)에서 이미지 분류부(310)는 장소 리뷰 이미지에서 객체 영역이 임계치 이상인 사람 객체가 검출되는지, 예를 들어 전체 이미지의 30%를 차지하는 사람 객체가 검출되는지 여부를 판단할 수 있다.
단계(S72)에서 이미지 분류부(310)는 단계(S71)의 판단 결과 장소 리뷰 이미지에서 객체 영역이 임계치 이상인 사람 객체가 검출되는 경우 장소 리뷰 이미지를 사람 클래스로 필터링하고 저품질 이미지 블랙리스트로 분류할 수 있다.
장소 리뷰로 방문자가 등장하는 이미지들이 많이 제출되고 있으나 사람 객체가 이미지의 대부분을 차지하는 경우 정보성 측면에서 좋은 이미지로 볼 수 없다. 이러한 점을 고려하여, 이미지 분류부(310)는 사람 객체 영역이 임계치 이상인 장소 리뷰 이미지를 저품질 이미지로 분류할 수 있다.
단계(S73)에서 이미지 분류부(310)는 단계(S71)의 판단 결과 장소 리뷰 이미지에서 사람 객체가 검출되지 않거나 또는 객체 영역이 임계치 미만인 사람 객체가 검출되는 경우 장소 리뷰 이미지에서 객체 예측 확률 값이 임계치 이상인 얼굴 객체가 검출되는지, 예를 들어 0.75 이상의 확률 값에 해당되는 얼굴 객체가 검출되는지 여부를 판단할 수 있다. 이미지 분류를 위해 객체 예측 확률 이외에도 객체 크기, 객체 비율 등을 활용할 수 있다.
이미지 분류부(310)는 단계(S73)의 판단 결과 장소 리뷰 이미지에서 객체 예측 확률 값이 임계치 이상인 얼굴 객체가 검출되는 경우 장소 리뷰 이미지를 사람 클래스로 필터링하고 저품질 이미지 블랙리스트로 분류할 수 있다.
방문자 이외에 주변인의 얼굴이 찍힌 이미지가 장소 리뷰로 제출되어 해당 리뷰가 서비스 상에 노출되는 경우 초상권 문제의 소지가 있다. 이러한 점을 고려하여, 이미지 분류부(310)는 얼굴 객체에 대한 확률 값이 임계치 이상인 장소 리뷰 이미지를 저품질 이미지로 분류할 수 있다.
도 8을 참조하면, 단계(S84)에서 이미지 분류부(310)는 단계(S73)의 판단 결과 장소 리뷰 이미지에서 얼굴 객체가 검출되지 않거나 또는 객체 예측 확률 값이 임계치 미만인 얼굴 객체가 검출되는 경우 장소 리뷰 이미지에서 객체 영역이 임계치 이상인 컵 객체가 검출되는지, 예를 들어 전체 이미지의 30%를 차지하는 컵 객체가 검출되는지 여부를 판단할 수 있다.
단계(S85)에서 이미지 분류부(310)는 단계(S84)의 판단 결과 장소 리뷰 이미지에서 객체 영역이 임계치 이상인 컵 객체가 검출되는 경우 장소 리뷰 이미지를 컵 클래스로 필터링하고 저품질 이미지 블랙리스트로 분류할 수 있다.
카페 리뷰의 경우 주로 컵이 포함된 이미지들이 제출되고 있으며, 컵은 카페라는 장소 특성 상 좋은 이미지의 기준이 될 수 있다. 그러나, 컵 객체가 이미지의 대부분을 차지하는 경우 정보성 측면에서 좋은 이미지로 볼 수 없기 때문에 이러한 점을 고려하여, 이미지 분류부(310)는 컵 객체 영역이 임계치 이상인 장소 리뷰 이미지를 저품질 이미지로 분류할 수 있다.
단계(S86)에서 이미지 분류부(310)는 단계(S84)의 판단 결과 장소 리뷰 이미지에서 컵 객체가 검출되지 않거나 또는 객체 영역이 임계치 미만인 컵 객체가 검출되는 경우 장소 리뷰 이미지에서 적어도 하나의 음식 객체가 검출되는지 여부를 판단할 수 있다.
단계(S87)에서 이미지 분류부(310)는 단계(S86)의 판단 결과 장소 리뷰 이미지에서 음식 객체가 검출되지 않는 경우 장소 리뷰 이미지를 미지 대상 클래스로 필터링하고 저품질 이미지 블랙리스트로 분류할 수 있다.
단계(S88)에서 이미지 분류부(310)는 단계(S86)의 판단 결과 장소 리뷰 이미지에서 음식 객체가 검출되는 경우 장소 리뷰 이미지를 별도 태깅을 통해 고품질 이미지 리스트로 분류할 수 있다.
장소 리뷰 이미지를 분류하는 과정에서 이미지에 포함된 객체를 순차적으로 검출하는 방식을 통해 이미지 정보성을 판단할 수 있고, 실시예에 따라서는 이미지에 포함된 복수 개의 객체를 동시에 검출하는 방식을 통해 이미지 정보성을 판단하는 것 또한 가능하다.
본 실시예들은 이미지 정보성을 판단하기 위해 이미지 분류 모델과 객체 검출 모델을 활용하는 것은 물론이고, 이미지 자체의 품질을 검사하기 위한 로직의 일례로 블러 이미지(blurry image) 검출 로직과 스크린샷 이미지(screenshot image) 검출 로직 중 적어도 하나를 추가로 활용할 수 있다.
도 9를 참조하면, 단계(S901)에서 이미지 분류부(310)는 블러 이미지 검출 로직을 통해 장소 리뷰 이미지에 대한 블러 검사를 수행할 수 있다. 이미지 분류부(310)는 라플라시안 분산 값(Laplacian variance)을 기준으로 흐릿한 이미지를 검출할 수 있다.
단계(S902)에서 이미지 분류부(310)는 단계(S901)의 블러 검사 결과 장소 리뷰 이미지가 라플라시안 분산 값에 따라 흐릿한 이미지에 해당하는지 여부를 판단할 수 있다.
단계(S903)에서 이미지 분류부(310)는 단계(S902)의 판단 결과 장소 리뷰 이미지가 흐릿한 이미지에 해당되는 경우 장소 리뷰 이미지를 블러 이미지 클래스로 필터링하고 저품질 이미지 블랙리스트로 분류할 수 있다.
단계(S904)에서 이미지 분류부(310)는 단계(S902)의 판단 결과 장소 리뷰 이미지가 흐릿한 이미지에 해당되지 않는 경우 장소 리뷰 이미지에 대한 스크린샷 검사를 수행할 수 있다.
스크린샷 이미지는 스크린샷 특성 상 전체 이미지의 상단 영역(예를 들어, 전체 대비 20%)과 하단 영역(예를 들어, 전체 대비 20%)은 검정색 또는 흰색 바탕으로 이루어진다. 이러한 점을 이용하여 장소 리뷰 이미지를 일정 크기(예를 들어, 128×128)로 리사이즈(resize)한 후 상단 영역과 하단 영역에서 같은 픽셀 값이 일정 비율(예를 들어, 30%) 이상이면 스크린샷 이미지로 판단할 수 있다.
단계(S905)에서 이미지 분류부(310)는 단계(S904)의 스크린샷 검사 결과 장소 리뷰 이미지가 스크린샷 이미지에 해당하는지 여부를 판단할 수 있다.
단계(S906)에서 이미지 분류부(310)는 단계(S905)의 판단 결과 장소 리뷰 이미지가 스크린샷 이미지에 해당되는 경우 장소 리뷰 이미지를 스크린샷 이미지 클래스로 필터링하고 저품질 이미지 블랙리스트로 분류할 수 있다.
단계(S907)에서 이미지 분류부(310)는 단계(S905)의 판단 결과 장소 리뷰 이미지가 스크린샷 이미지에 해당되지 않는 경우 장소 리뷰 이미지를 별도 태깅을 통해 고품질 이미지 리스트로 분류할 수 있다.
상기한 블러 이미지 검출 과정과 스크린샷 이미지 검출 과정은 이미지 분류 과정의 마지막 단계에서 수행될 수 있고, 실시예에 따라서는 초기 단계(예를 들어, 단계(S501) 이전) 또는 중간 단계(예를 들어, 단계(S604) 이전, 단계(S86) 이전 등)로 수행될 수도 있다.
본 실시예에서는 장소와 관련된 정보를 기준으로 장소 리뷰 이미지를 분류하기 위해 다양한 딥러닝 모델과 룰 기반의 로직들을 활용할 수 있다.
이처럼 본 발명의 실시예들에 따르면, 다양한 학습 데이터 셋을 이용한 딥러닝 모델과 룰 기반의 로직을 통해 장소 리뷰로 제출된 이미지를 장소에 대한 정보성 측면에서 저품질 이미지와 고품질 이미지로 분류함으로써 리뷰 품질 관리를 통해 리뷰나 리뷰어에 대한 추천 성능을 향상시킬 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수 개의 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 어플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (20)

  1. 컴퓨터 시스템에서 실행되는 리뷰 이미지 분류 방법에 있어서,
    상기 컴퓨터 시스템은 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
    상기 리뷰 이미지 분류 방법은,
    상기 적어도 하나의 프로세서에 의해, 장소에 대한 리뷰로 제출된 이미지를 수신하는 단계; 및
    상기 적어도 하나의 프로세서에 의해, 딥러닝 기반으로 상기 이미지를 분석한 결과에서 상기 장소와 관련된 정보를 기준으로 상기 이미지를 고품질 이미지와 저품질 이미지로 분류하는 단계
    를 포함하는 리뷰 이미지 분류 방법.
  2. 컴퓨터 시스템에서 실행되는 리뷰 이미지 분류 방법에 있어서,
    상기 컴퓨터 시스템은 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
    상기 리뷰 이미지 분류 방법은,
    상기 적어도 하나의 프로세서에 의해, 장소에 대한 리뷰로 제출된 이미지를 수신하는 단계; 및
    상기 적어도 하나의 프로세서에 의해, 딥러닝 기반으로 상기 이미지를 분석한 결과에서 상기 장소와 관련된 정보를 기준으로 상기 이미지를 분류하는 단계
    를 포함하고,
    상기 분류하는 단계는,
    상기 장소와 관련된 객체 중심의 학습 데이터 셋으로 학습된 딥러닝 모델과 상기 장소에 대한 정보성 기준이 되는 룰(rule) 기반의 로직을 통해 상기 리뷰로 제출된 이미지를 고품질 이미지와 저품질 이미지로 분류하는 단계
    를 포함하는 리뷰 이미지 분류 방법.
  3. 컴퓨터 시스템에서 실행되는 리뷰 이미지 분류 방법에 있어서,
    상기 컴퓨터 시스템은 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
    상기 리뷰 이미지 분류 방법은,
    상기 적어도 하나의 프로세서에 의해, 장소에 대한 리뷰로 제출된 이미지를 수신하는 단계; 및
    상기 적어도 하나의 프로세서에 의해, 딥러닝 기반으로 상기 이미지를 분석한 결과에서 상기 장소와 관련된 정보를 기준으로 상기 이미지를 분류하는 단계
    를 포함하고,
    상기 분류하는 단계는,
    상기 리뷰로 제출된 이미지로 상기 장소와 관련된 적어도 하나의 객체가 포함된 이미지를 고품질 이미지로 분류하고 나머지 이미지를 저품질 이미지로 분류하는 단계
    를 포함하는 리뷰 이미지 분류 방법.
  4. 컴퓨터 시스템에서 실행되는 리뷰 이미지 분류 방법에 있어서,
    상기 컴퓨터 시스템은 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
    상기 리뷰 이미지 분류 방법은,
    상기 적어도 하나의 프로세서에 의해, 장소에 대한 리뷰로 제출된 이미지를 수신하는 단계; 및
    상기 적어도 하나의 프로세서에 의해, 딥러닝 기반으로 상기 이미지를 분석한 결과에서 상기 장소와 관련된 정보를 기준으로 상기 이미지를 분류하는 단계
    를 포함하고,
    상기 분류하는 단계는,
    딥러닝 기반의 이미지 분류 모델(image classification model)을 통해 상기 이미지가 영수증 이미지로 분류되는 경우 상기 이미지를 저품질 블랙리스트로 분류하는 단계
    를 포함하는 리뷰 이미지 분류 방법.
  5. 컴퓨터 시스템에서 실행되는 리뷰 이미지 분류 방법에 있어서,
    상기 컴퓨터 시스템은 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
    상기 리뷰 이미지 분류 방법은,
    상기 적어도 하나의 프로세서에 의해, 장소에 대한 리뷰로 제출된 이미지를 수신하는 단계; 및
    상기 적어도 하나의 프로세서에 의해, 딥러닝 기반으로 상기 이미지를 분석한 결과에서 상기 장소와 관련된 정보를 기준으로 상기 이미지를 분류하는 단계
    를 포함하고,
    상기 분류하는 단계는,
    객체 검출 모델(object detection model)을 통해 상기 이미지에서 검출된 사람 객체가 전체 영역에서 차지하는 비율이 임계치 이상인 경우 상기 이미지를 저품질 블랙리스트로 분류하는 단계
    를 포함하는 리뷰 이미지 분류 방법.
  6. 컴퓨터 시스템에서 실행되는 리뷰 이미지 분류 방법에 있어서,
    상기 컴퓨터 시스템은 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
    상기 리뷰 이미지 분류 방법은,
    상기 적어도 하나의 프로세서에 의해, 장소에 대한 리뷰로 제출된 이미지를 수신하는 단계; 및
    상기 적어도 하나의 프로세서에 의해, 딥러닝 기반으로 상기 이미지를 분석한 결과에서 상기 장소와 관련된 정보를 기준으로 상기 이미지를 분류하는 단계
    를 포함하고,
    상기 분류하는 단계는,
    객체 검출 모델을 통해 상기 이미지에서 검출된 얼굴 객체의 객체 예측 확률 값이 임계치 이상인 경우 상기 이미지를 저품질 블랙리스트로 분류하는 단계
    를 포함하는 리뷰 이미지 분류 방법.
  7. 컴퓨터 시스템에서 실행되는 리뷰 이미지 분류 방법에 있어서,
    상기 컴퓨터 시스템은 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
    상기 리뷰 이미지 분류 방법은,
    상기 적어도 하나의 프로세서에 의해, 장소에 대한 리뷰로 제출된 이미지를 수신하는 단계; 및
    상기 적어도 하나의 프로세서에 의해, 딥러닝 기반으로 상기 이미지를 분석한 결과에서 상기 장소와 관련된 정보를 기준으로 상기 이미지를 분류하는 단계
    를 포함하고,
    상기 분류하는 단계는,
    블러 이미지(blurry image) 검출 로직을 통해 상기 리뷰로 제출된 이미지 중 블러 이미지를 저품질 블랙리스트로 분류하는 단계
    를 포함하는 리뷰 이미지 분류 방법.
  8. 컴퓨터 시스템에서 실행되는 리뷰 이미지 분류 방법에 있어서,
    상기 컴퓨터 시스템은 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
    상기 리뷰 이미지 분류 방법은,
    상기 적어도 하나의 프로세서에 의해, 장소에 대한 리뷰로 제출된 이미지를 수신하는 단계; 및
    상기 적어도 하나의 프로세서에 의해, 딥러닝 기반으로 상기 이미지를 분석한 결과에서 상기 장소와 관련된 정보를 기준으로 상기 이미지를 분류하는 단계
    를 포함하고,
    상기 분류하는 단계는,
    스크린샷 이미지(screenshot image) 검출 로직을 통해 상기 리뷰로 제출된 이미지 중 스크린샷 이미지를 저품질 블랙리스트로 분류하는 단계
    를 포함하는 리뷰 이미지 분류 방법.
  9. 제1항 내지 제8항 중 어느 한 항에 있어서,
    상기 리뷰 이미지 분류 방법은,
    상기 적어도 하나의 프로세서에 의해, 상기 장소에 대한 리뷰를 노출함에 있어 상기 저품질 이미지의 노출을 제한하는 단계
    를 더 포함하는 리뷰 이미지 분류 방법.
  10. 제1항 내지 제8항 중 어느 한 항에 있어서,
    상기 리뷰 이미지 분류 방법은,
    상기 적어도 하나의 프로세서에 의해, 상기 장소에 대해 상기 고품질 이미지가 포함된 리뷰 또는 상기 고품질 이미지를 상기 장소에 대한 리뷰로 제출한 리뷰어 중 적어도 하나를 추천하는 단계
    를 더 포함하는 리뷰 이미지 분류 방법.
  11. 제1항 내지 제8항 중 어느 한 항의 리뷰 이미지 분류 방법을 컴퓨터에 실행시키기 위해 컴퓨터 판독가능한 기록 매체에 저장된 컴퓨터 프로그램.
  12. 컴퓨터 시스템에 있어서,
    메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서
    를 포함하고,
    상기 적어도 하나의 프로세서는,
    장소에 대한 리뷰로 제출된 이미지를 수신하고,
    딥러닝 기반으로 상기 이미지를 분석한 결과에서 상기 장소와 관련된 정보를 기준으로 상기 이미지를 고품질 이미지와 저품질 이미지로 분류하는 것
    을 특징으로 하는 컴퓨터 시스템.
  13. 컴퓨터 시스템에 있어서,
    메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서
    를 포함하고,
    상기 적어도 하나의 프로세서는,
    장소에 대한 리뷰로 제출된 이미지를 수신하는 과정; 및,
    딥러닝 기반으로 상기 이미지를 분석한 결과에서 상기 장소와 관련된 정보를 기준으로 상기 이미지를 분류하는 과정
    을 처리하고,
    상기 적어도 하나의 프로세서는,
    상기 장소와 관련된 객체 중심의 학습 데이터 셋으로 학습된 딥러닝 모델과 상기 장소에 대한 정보성 기준이 되는 룰 기반의 로직을 통해 상기 리뷰로 제출된 이미지를 고품질 이미지와 저품질 이미지로 분류하는 것
    을 특징으로 하는 컴퓨터 시스템.
  14. 컴퓨터 시스템에 있어서,
    메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서
    를 포함하고,
    상기 적어도 하나의 프로세서는,
    장소에 대한 리뷰로 제출된 이미지를 수신하는 과정; 및,
    딥러닝 기반으로 상기 이미지를 분석한 결과에서 상기 장소와 관련된 정보를 기준으로 상기 이미지를 분류하는 과정
    을 처리하고,
    상기 적어도 하나의 프로세서는,
    상기 리뷰로 제출된 이미지로 상기 장소와 관련된 적어도 하나의 객체가 포함된 이미지를 고품질 이미지로 분류하고 나머지 이미지를 저품질 이미지로 분류하는 것
    을 특징으로 하는 컴퓨터 시스템.
  15. 컴퓨터 시스템에 있어서,
    메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서
    를 포함하고,
    상기 적어도 하나의 프로세서는,
    장소에 대한 리뷰로 제출된 이미지를 수신하는 과정; 및,
    딥러닝 기반으로 상기 이미지를 분석한 결과에서 상기 장소와 관련된 정보를 기준으로 상기 이미지를 분류하는 과정
    을 처리하고,
    상기 적어도 하나의 프로세서는,
    딥러닝 기반의 이미지 분류 모델을 통해 상기 이미지가 영수증 이미지로 분류되는 경우 상기 이미지를 저품질 블랙리스트로 분류하는 것
    을 특징으로 하는 컴퓨터 시스템.
  16. 컴퓨터 시스템에 있어서,
    메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서
    를 포함하고,
    상기 적어도 하나의 프로세서는,
    장소에 대한 리뷰로 제출된 이미지를 수신하는 과정; 및,
    딥러닝 기반으로 상기 이미지를 분석한 결과에서 상기 장소와 관련된 정보를 기준으로 상기 이미지를 분류하는 과정
    을 처리하고,
    상기 적어도 하나의 프로세서는,
    객체 검출 모델을 통해 상기 이미지에서 검출된 사람 객체가 전체 영역에서 차지하는 비율이 임계치 이상인 경우 상기 이미지를 저품질 블랙리스트로 분류하는 것
    을 특징으로 하는 컴퓨터 시스템.
  17. 컴퓨터 시스템에 있어서,
    메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서
    를 포함하고,
    상기 적어도 하나의 프로세서는,
    장소에 대한 리뷰로 제출된 이미지를 수신하는 과정; 및,
    딥러닝 기반으로 상기 이미지를 분석한 결과에서 상기 장소와 관련된 정보를 기준으로 상기 이미지를 분류하는 과정
    을 처리하고,
    상기 적어도 하나의 프로세서는,
    객체 검출 모델을 통해 상기 이미지에서 검출된 얼굴 객체의 객체 예측 확률 값이 임계치 이상인 경우 상기 이미지를 저품질 블랙리스트로 분류하는 것
    을 특징으로 하는 컴퓨터 시스템.
  18. 컴퓨터 시스템에 있어서,
    메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서
    를 포함하고,
    상기 적어도 하나의 프로세서는,
    장소에 대한 리뷰로 제출된 이미지를 수신하는 과정; 및,
    딥러닝 기반으로 상기 이미지를 분석한 결과에서 상기 장소와 관련된 정보를 기준으로 상기 이미지를 분류하는 과정
    을 처리하고,
    상기 적어도 하나의 프로세서는,
    블러 이미지 검출 로직과 스크린샷 이미지 검출 로직을 통해 상기 리뷰로 제출된 이미지 중 블러 이미지와 스크린샷 이미지를 저품질 블랙리스트로 분류하는 것
    을 특징으로 하는 컴퓨터 시스템.
  19. 제12항 내지 제18항 중 어느 한 항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 장소에 대한 리뷰를 노출함에 있어 상기 저품질 이미지의 노출을 제한하는 것
    을 특징으로 하는 컴퓨터 시스템.
  20. 제12항 내지 제18항 중 어느 한 항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 장소에 대해 상기 고품질 이미지가 포함된 리뷰 또는 상기 고품질 이미지를 상기 장소에 대한 리뷰로 제출한 리뷰어 중 적어도 하나를 추천하는 것
    을 특징으로 하는 컴퓨터 시스템.
KR1020210151630A 2021-11-05 2021-11-05 딥러닝 기반으로 장소 리뷰 이미지를 분류하는 방법, 시스템, 및 컴퓨터 프로그램 KR102647904B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210151630A KR102647904B1 (ko) 2021-11-05 2021-11-05 딥러닝 기반으로 장소 리뷰 이미지를 분류하는 방법, 시스템, 및 컴퓨터 프로그램

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210151630A KR102647904B1 (ko) 2021-11-05 2021-11-05 딥러닝 기반으로 장소 리뷰 이미지를 분류하는 방법, 시스템, 및 컴퓨터 프로그램

Publications (2)

Publication Number Publication Date
KR20230065750A KR20230065750A (ko) 2023-05-12
KR102647904B1 true KR102647904B1 (ko) 2024-03-14

Family

ID=86385547

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210151630A KR102647904B1 (ko) 2021-11-05 2021-11-05 딥러닝 기반으로 장소 리뷰 이미지를 분류하는 방법, 시스템, 및 컴퓨터 프로그램

Country Status (1)

Country Link
KR (1) KR102647904B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102276427B1 (ko) 2020-12-01 2021-07-12 주식회사 빌리뷰 신규 리뷰 작성에 대한 추정 가치 산출 장치 및 방법

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102217948B1 (ko) * 2018-09-07 2021-02-19 정의상 Nfc 기반의 리뷰 관리 시스템
KR20200078155A (ko) * 2018-12-21 2020-07-01 원상진 사용자 리뷰 기반 여행지 추천 방법 및 시스템
KR20210022873A (ko) * 2019-08-21 2021-03-04 (주)아모레퍼시픽 인터넷을 통해 수집된 화장품 리뷰 정보를 분석하여 개선된 리뷰 정보를 사용자에게 제공하는 방법 및 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102276427B1 (ko) 2020-12-01 2021-07-12 주식회사 빌리뷰 신규 리뷰 작성에 대한 추정 가치 산출 장치 및 방법

Also Published As

Publication number Publication date
KR20230065750A (ko) 2023-05-12

Similar Documents

Publication Publication Date Title
US11483268B2 (en) Content navigation with automated curation
JP6681342B2 (ja) 行動イベント計測システム及び関連する方法
US10395120B2 (en) Method, apparatus, and system for identifying objects in video images and displaying information of same
JP6684883B2 (ja) カメラエフェクトを提供する方法およびシステム
JP6255081B2 (ja) 関心箇所に応じた画像の切り取り
US11397764B2 (en) Machine learning for digital image selection across object variations
CN113366489A (zh) 检测增强现实目标
US11567638B2 (en) Method, system, and non-transitory computer-readable record medium for providing reputation badge for video chat
US11934643B2 (en) Analyzing augmented reality content item usage data
CN110070076B (zh) 用于选取训练用样本的方法和装置
US11783381B2 (en) Visual inventory rules building system
US20220253307A1 (en) Miniprogram classification method, apparatus, and device, and computer-readable storage medium
US10432572B2 (en) Content posting method and apparatus
US11379898B2 (en) Touch and pressure-based apparel image searching
KR102647904B1 (ko) 딥러닝 기반으로 장소 리뷰 이미지를 분류하는 방법, 시스템, 및 컴퓨터 프로그램
US20220318290A1 (en) System and method for content creation and moderation in a digital platform
US9454565B1 (en) Identifying relationships between applications
JP2019220153A (ja) イメージを位置データに変換して提供する方法とシステム、および非一時的なコンピュータ読み取り可能な記録媒体
US11935154B2 (en) Image transformation infrastructure
KR102624944B1 (ko) 라이브 커머스 플랫폼에서의 실시간 인스펙터를 위한 방법, 컴퓨터 장치, 및 컴퓨터 프로그램
CN111901693B (zh) 一种广告播放状态调节方法、装置及电子设备
KR102568875B1 (ko) 멘토 추천 서비스 및 강의 추천 서비스를 제공하는 서버 및 그 동작 방법
US20220222327A1 (en) Method, computer device, and non-transitory computer-readable recording medium to manage content for user account
US20230386109A1 (en) Content layout systems and processes
JP6967041B2 (ja) 画像認識モデルを用いた識別子情報推論のための電子装置、方法、プログラム及びシステム

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