KR102678093B1 - 이미지 익명화를 위한 방법 및 장치 - Google Patents

Abstract

이미지 익명화를 위한 방법 및 장치가 개시된다. 일 실시 예에 따른 익명화 이미지 생성 방법은 익명화를 위한 원본 이미지를 수신하는 단계 및 익명화 이미지 생성을 위하여 학습된 뉴럴 네트워크에 기초하여, 원본 이미지의 익명화 이미지를 출력하는 단계를 포함할 수 있다. 뉴럴 네트워크는 입력 이미지를 포함하는 원본 이미지 셋의 증강 이미지 셋에서 추출된 피처의 유사도에 관한 대조 로스에 기초하여, 원본 이미지 셋에서 피처를 추출하도록 학습된 자기 지도 학습 네트워크와 연동하여, 입력 이미지의 익명화 이미지를 생성하도록 학습될 수 있다.

Description

이미지 익명화를 위한 방법 및 장치{METHOD AND APPARATUS FOR IIMAGE ANONYMIZATION}

아래 실시예들은 이미지 익명화를 위한 방법 및 장치에 관한 것이다.

개인 정보의 익명화 기술은 데이터에 포함된 정보에 의해 특정한 개인이 식별되지 않도록 데이터를 변조하는 기술이다. 뉴럴 네트워크의 학습을 위해 사람의 얼굴 이미지 등 개인 정보를 포함하는 데이터의 이용이 늘어나면서, 개인 정보의 익명화 기술에 대한 수요가 증가하고 있다. 특히, 사람의 얼굴을 포함하는 이미지의 익명화 방법으로 개인 정보 이슈가 있는 부분에 블러 처리와 같이 노이즈를 추가하거나, 얼굴의 일부를 다른 형태로 교체하거나, 추가적인 네트워크를 통해 특정 태스크에 필요한 피처를 남기고 변조하는 방식 등이 이용되고 있으나, 이용 가능한 범위가 넓으며 개인 정보를 보호할 수 있는 익명화 기술에 대한 개발이 요구되고 있다.

아래 실시 예들을 통해 얼굴의 주요 피처가 손상되지 않은 익명화 이미지를 생성하는 기술을 제공할 수 있다.

아래 실시 예들을 통해 특정 태스크의 학습에만 이용될 수 있는 것이 아니라, 다양한 태스크의 학습에 범용적으로 사용 가능한 익명화 이미지 생성 기술을 제공할 수 있다.

다만, 기술적 과제는 상술한 기술적 과제들로 한정되는 것은 아니며, 또 다른 기술적 과제들이 존재할 수 있다.

일 측에 따른 익명화 이미지 생성을 위한 뉴럴 네트워크의 학습 방법은 원본 이미지를 오토 인코더(auto encoder)의 인코더(encoder)에 인가하여 제1 피처를 추출하는 단계; 상기 원본 이미지를 자기 지도 학습 네트워크에 인가하여 상기 제1 피처와 동일한 크기의 제2 피처를 추출하는 단계; 상기 제1 피처를 상기 오토 인코더의 디코더(decoder)에 인가하여 익명화 이미지를 생성하는 단계; 상기 제1 피처와 상기 제2 피처의 차이 및 상기 원본 이미지와 상기 익명화 이미지의 차이에 관한 로스(loss)를 획득하는 단계; 및 상기 로스에 기초하여, 상기 오토 인코더를 학습시키는 단계를 포함한다.

상기 로스를 획득하는 단계는 상기 제1 피처와 상기 제2 피처의 차이에 기초하여, 제1 로스를 획득하는 단계; 및 상기 원본 이미지와 상기 익명화 이미지의 차이에 기초하여, 제2 로스를 획득하는 단계를 포함할 수 있다.

상기 오토 인코더를 학습시키는 단계는 상기 제1 로스에 기초하여, 상기 제1 피처와 상기 제2 피처의 차이가 감소하도록 상기 인코더를 학습시키는 단계; 및 상기 제2 로스에 기초하여, 상기 원본 이미지와 상기 익명화 이미지의 차이가 증가하도록 상기 인코더 및 상기 디코더를 학습시키는 단계를 포함할 수 있다.

상기 자기 지도 학습 네트워크는 상기 원본 이미지를 포함하는 원본 이미지 셋의 증강 이미지 셋에서 추출된 피처의 유사도에 관한 대조 로스(contrastive loss)에 기초하여 학습된 피처 추출 네트워크를 포함하고, 상기 대조 로스는 상기 증강 이미지 셋에 포함된 포지티브 페어의 피처의 유사도 및 네거티브 페어의 피처의 유사도에 기초하여 획득되며, 상기 증강 이미지 셋은 상기 원본 이미지 셋에 포함된 복수의 이미지들 각각에 증강 연산을 적용하여 생성된 제1 증강 이미지 셋 및 제2 증강 이미지 셋을 포함할 수 있다.

상기 자기 지도 학습 네트워크는 상기 대조 로스에 기초하여, 상기 포지티브 페어를 이루는 이미지들에서 추출된 피처들의 유사도는 증가고, 상기 네거티브 페어를 이루는 이미지들에서 추출된 피처들의 유사도는 감소하도록 학습된 피처 추출 네트워크를 포함할 수 있다.

일 측에 따른 익명화 이미지 생성 방법은 익명화를 위한 원본 이미지를 수신하는 단계; 및 익명화 이미지의 생성을 위하여 학습된 뉴럴 네트워크에 기초하여, 상기 원본 이미지의 익명화 이미지를 출력하는 단계를 포함하고, 상기 뉴럴 네트워크는 입력 이미지를 포함하는 원본 이미지 셋의 증강 이미지 셋에서 추출된 피처의 유사도에 관한 대조 로스에 기초하여, 상기 원본 이미지 셋에서 피처를 추출하도록 학습된 자기 지도 학습 네트워크와 연동하여, 상기 입력 이미지의 익명화 이미지를 생성하도록 학습된 오토 인코더(auto-encoder)를 포함한다.

상기 대조 로스는 제1 증강 이미지 셋 및 제2 증강 이미지 셋에 포함된 포지티브 페어의 피처의 유사도 및 네거티브 페어의 피처의 유사도에 기초하여 획득되고, 상기 제1 증강 이미지 셋 및 상기 제2 증강 이미지 셋은 상기 자기 지도 학습 네트워크에서 상기 원본 이미지 셋에 포함된 복수의 이미지들 각각에 증강 연산을 적용하여 생성될 수 있다.

상기 자기 지도 학습 네트워크는 상기 대조 로스에 기초하여, 상기 포지티브 페어를 이루는 이미지들에서 추출된 피처들의 유사도는 증가하고, 상기 네거티브 페어를 이루는 이미지들에서 추출된 피처들의 유사도는 감소하도록 학습된 피처 추출 네트워크를 포함할 수 있다.

상기 뉴럴 네트워크는 익명화 이미지 생성을 위한 학습 방법에 의해 학습된 상기 오토 인코더를 포함하고, 상기 익명화 이미지 생성을 위한 학습 방법은 원본 이미지를 상기 오토 인코더의 인코더에 인가하여 제1 피처를 추출하는 단계; 상기 원본 이미지를 자기 지도 학습 네트워크에 인가하여 상기 제1 피처와 동일한 크기의 제2 피처를 추출하는 단계; 상기 피처를 상기 오토 인코더의 디코더에 인가하여 익명화 이미지를 생성하는 단계; 상기 제1 피처와 상기 제2 피처의 차이 및 상기 원본 이미지와 상기 익명화 이미지의 차이에 관한 로스를 획득하는 단계; 및 상기 로스에 기초하여, 상기 오토 인코더를 학습시키는 단계를 포함할 수 있다.

일 측에 따른 익명화 이미지 생성 장치는 익명화를 위한 원본 이미지를 수신하고, 익명화 이미지의 생성을 위하여 학습된 뉴럴 네트워크에 기초하여, 상기 원본 이미지의 익명화 이미지를 출력하는, 적어도 하나의 프로세서를 포함하고, 상기 뉴럴 네트워크는 입력 이미지를 포함하는 원본 이미지 셋의 증강 이미지 셋에서 추출된 피처의 유사도에 관한 대조 로스에 기초하여, 상기 원본 이미지 셋에서 피처를 추출하도록 학습된 자기 지도 학습 네트워크와 연동하여, 상기 입력 이미지의 익명화 이미지를 생성하도록 학습된 오토 인코더(auto-encoder)를 포함한다.

상기 대조 로스는 제1 증강 이미지 셋 및 제2 증강 이미지 셋에 포함된 포지티브 페어의 피처의 유사도 및 네거티브 페어의 피처의 유사도에 기초하여 획득되고, 상기 제1 증강 이미지 셋 및 상기 제2 증강 이미지 셋은 상기 자기 지도 학습 네트워크에서 상기 원본 이미지 셋에 포함된 복수의 이미지들 각각에 증강 연산을 적용하여 생성되며, 상기 자기 지도 학습 네트워크는 상기 대조 로스에 기초하여, 상기 포지티브 페어를 이루는 이미지들에서 추출된 피처들의 유사도는 증가하고, 상기 네거티브 페어를 이루는 이미지들에서 추출된 피처들의 유사도는 감소하도록 학습된 피처 추출 네트워크를 포함할 수 있다.

상기 뉴럴 네트워크는 익명화 이미지 생성을 위한 학습 방법에 의해 학습된 상기 오토 인코더를 포함하고, 상기 익명화 이미지 생성을 위한 학습 방법은 원본 이미지를 상기 오토 인코더의 인코더에 인가하여 제1 피처를 추출하는 단계; 상기 원본 이미지를 자기 지도 학습 네트워크에 인가하여 상기 제1 피처와 동일한 크기의 제2 피처를 추출하는 단계; 상기 피처를 상기 오토 인코더의 디코더에 인가하여 익명화 이미지를 생성하는 단계; 상기 제1 피처와 상기 제2 피처의 차이 및 상기 원본 이미지와 상기 익명화 이미지의 차이에 관한 로스를 획득하는 단계; 및 상기 로스에 기초하여, 상기 오토 인코더를 학습시키는 단계를 포함할 수 있다.

도 1은 일 실시 예에 따른 익명화 이미지 생성 방법의 프레임워크를 예시한 도면이다.
도 2는 일 실시 예에 따른 대조 로스 획득을 위한 포지티브 페어 및 네거티브 페어를 설명하기 위한 도면이다.
도 3은 일 실시 예에 따른 오토 인코더 기반의 익명화 이미지의 생성을 위한 뉴럴 네트워크의 학습 방법을 설명하기 위한 도면이다.
도 4은 일 실시 예에 따른 익명화 이미지의 생성을 위한 뉴럴 네트워크의 학습 방법을 수행하는 장치의 하드웨어 구성의 예시도이다.
도 5는 일 실시 예에 따른 익명화 이미지 생성 장치를 설명하기 위한 도면들이다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 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 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.

도 1은 일 실시 예에 따른 익명화 이미지 생성 방법의 프레임워크를 예시한 도면이다.

도 1을 참조하면, 일 실시 예에 따른 익명화 이미지 생성 방법은 익명화를 위한 원본 이미지(original image)(101)를 수신하는 단계 및 익명화 이미지 생성을 위하여 학습된 뉴럴 네트워크(neural network)(110)에 기초하여, 원본 이미지(101)의 익명화 이미지(anonymized image)(102)를 출력하는 단계를 포함할 수 있다. 익명화 이미지(102)는 사람의 얼굴 이미지를 특정 개인으로 식별되지 않도록 변조한 이미지를 의미한다.

일 실시 예에 따른 뉴럴 네트워크(110)는 자기 지도 학습 네트워크(self-supervised learning network)(120)와 연동하여, 원본 이미지(101)의 익명화 이미지(102)를 생성하도록 학습될 수 있다. 자기 지도 학습 네트워크(120)는 정답 데이터 없이 뉴럴 네트워크를 학습시키기 위한 자기 지도 학습 방법 중 대조 학습(contrastive learning)에 기초하여 학습된 네트워크를 포함할 수 있다. 보다 구체적으로, 자기 지도 학습 네트워크(120)는 원본 이미지(101)를 포함하는 원본 이미지 셋(set)의 증강(augmentation) 이미지 셋에서 추출된 피처(feature)의 유사도에 관한 대조 로스(contrastive loss)에 기초하여, 입력된 이미지에서 피처를 추출하도록 학습된 피처 추출 네트워크를 포함할 수 있다.

일 실시 예에 따르면, 자기 지도 학습 네트워크(120)를 통해서 입력된 원본 이미지(101)의 중요한 피처만 남겨질 수 있도록 하여, 자기 지도 학습 네트워크(120)를 특정 태스크 뿐 아니라 범용적인 태스크에도 활용할 수 있도록 한다.

일 실시 예에 따른 원본 이미지 셋은 자기 지도 학습 네트워크(120)에 입력되는 단위인 배치(batch) 사이즈의 이미지들의 집합으로, 예를 들어 자기 지도 학습 네트워크(120)의 배치 사이즈가 n개인 경우, 원본 이미지 셋은 n개의 이미지 포함하는 집합에 해당할 수 있다.

일 실시 예에 따른 증강 이미지 셋은 원본 이미지 셋에 포함된 원본 이미지들 각각에 증강 연산을 적용하여 획득된 증강 이미지를 포함하는 집합에 해당할 수 있다. 증강 연산은 이미지를 기하적으로 변환하거나 이미지의 내부 파라미터를 변경하는 연산으로, 예를 들어 크기 조절, 반전, 자르기, 회전, 이동, 윈도우 분할, 색상 변환, 가우시안 노이즈(Gaussian noise) 조절, 가우시안 블러(Gaussian blur) 처리 등이 있다. 증강 이미지 셋에 포함된 이미지의 개수는 원본 이미지 셋에 포함된 이미지의 개수와 동일할 수 있다.

일 실시 예에 따르면, 대조 로스는 증강 연산을 통해 만들어진 2장의 이미지에서 추출된 피처 쌍 혹은 페어(pair) 중 동일한 이미지에서 파생된 피처 페어 사이의 유사도는 높이고, 서로 다른 이미지에서 파생된 피처 페어 사이의 유사도는 낮추는 방향으로 피처 추출 네트워크를 학습시키기 위한 로스(loss)에 해당할 수 있다. 일 예로, 동일한 이미지에서 파생된 피처 페어와 서로 다른 이미지에서 파생된 피처 페어는 자기 지도 학습 네트워크(120)에 입력된 원본 이미지 셋에 증강 연산을 적용하여 생성된 적어도 하나의 증강 이미지 셋에 포함된 이미지들에서 추출된 2개의 피처들의 조합에 해당할 수 있다.

보다 구체적으로, 도 2를 참조하면, 배치 사이즈가 n인 경우, n개의 원본 이미지들(예: IMG 1, IMG 2, ??, IMG n)의 집합인 원본 이미지 셋(210)이 자기 지도 학습 네트워크(120)의 학습을 위해 입력될 수 있다. 대조 로스의 획득을 위해 자기 지도 학습 네트워크(120)는 배치 사이즈의 원본 이미지 셋으로부터 제1 증강 이미지 셋(220) 및 제2 증강 이미지 셋(230)을 생성할 수 있다. 제1증강 이미지 셋(220)은 원본 이미지 셋(210)에 포함된 원본 이미지들 각각에 증강 연산을 적용하여 획득된 제1 증강 이미지들(예: IMG 1', IMG 2',... , IMG n')의 집합에 해당할 수 있다. 제2증강 이미지 셋(230)은 원본 이미지 셋(210)에 포함된 원본 이미지들 각각에 증강 연산을 적용하여 획득된 제2 증강 이미지들(예: IMG 1'', IMG 2'',..., IMG n'')의 집합에 해당할 수 있다.

일 실시 예에 따르면, 제1 증강 이미지 셋(220) 혹은 제2 증강 이미지 셋(230)의 생성을 위하여 각 원본 이미지에 적용되는 증강 연산은 랜덤하게 결정될 수 있다. 예를 들어, 증강 연산은 복수의 유형의 증강 연산을 포함할 수 있으며, 동일한 증강 이미지 셋에 포함된 이미지들은 서로 다른 유형의 증강 연산의 적용으로 생성된 이미지에 해당할 수도 있고, 적어도 일부는 서로 동일한 유형의 증강 연산의 적용으로 생성된 이미지에 해당할 수도 있다.

일 실시 예에 따르면, 제1 증강 이미지 셋(220) 혹은 제2 증강 이미지 셋(230)에 포함된 이미지는 원본 이미지 셋(210)에 포함된 원본 이미지로부터 생성된 이미지에 해당하는 바, 원본 이미지에서 파생된 이미지로 이해될 수 있다. 다시 말해, 제1 증강 이미지 셋(220) 및 제2 증강 이미지 셋(230)은 원본 이미지 셋(210)에 포함된 각각의 원본 이미지에서 파생된 이미지를 포함할 수 있다. 제1 증강 이미지 셋(220) 및 제2 증강 이미지 셋(230)에 포함된 이미지들에서 추출 가능한 페어 중 동일한 원본 이미지에서 파생된 이미지들의 페어는 포지티브 페어(positive pair)로 지칭될 수 있으며, 서로 다른 원본 이미지에서 파생된 이미지들의 페어는 네거티브 페어(negative pair)로 지칭될 수 있다.

예를 들어, 제1 증강 이미지 셋(220)은 원본 이미지 셋(210)에 포함된 원본 이미지(211)에 증강 연산을 적용하여 생성된 제1 이미지(221)를 포함할 수 있고, 제2 증강 이미지 셋(230) 역시 원본 이미지(211)에 증강 연산을 적용하여 생성된 제2 이미지(231)를 포함할 수 있다. 제1 이미지(221)와 제2 이미지(231)는 동일한 원본 이미지(211)에서 파생된 이미지의 페어에 해당할 수 있다. 이 경우, 제1 이미지(221)와 제2 이미지(231)는 포지티브 페어를 이룰 수 있다.

한편, 제1 이미지(221)는 제1 증강 이미지 셋(220) 내 다른 이미지(들)과 서로 다른 원본 이미지에서 파생된 이미지에 해당할 수 있다. 또한, 제1 이미지(221)는 제2 이미지(231)를 제외한 제2 증강 이미지 셋(230)에 포함된 나머지 이미지(들)과 서로 다른 원본 이미지에서 파생된 이미지에 해당할 수 있다. 이 경우, 제1 이미지(221)는 제1 증강 이미지 셋(220) 내 다른 이미지(들) 및 제2 이미지(231)를 제외한 제2 증강 이미지 셋(230)에 포함된 나머지 이미지(들)과 네거티브 페어를 이룰 수 있다. 다시 말해, 제1 이미지(221)는 제2 이미지(231)와 포지티브 페어를 이룰 수 있고, 제1 증강 이미지 셋(220) 혹은 제2 증강 이미지 셋(230)에 포함된 2n 개의 이미지들 중 제1 이미지(221) 및 제2 이미지(231)를 제외한 나머지 2n-2개의 이미지들 각각과 네거티브 페어를 이룰 수 있다.

일 실시 예에 따르면, 대조 로스는 제1 증강 이미지 셋(220) 및 제2 증강 이미지 셋(230)에 포함된 포지티브 페어의 피처의 유사도 및 네거티브 페어의 피처의 유사도에 기초하여 획득될 수 있다. 포지티브 페어의 유사도는 포지티브 페어를 이루는 두 개의 이미지들에서 추출된 피처들 사이의 유사도를 의미할 수 있다. 네거티브 페어의 유사도는 네거티브 페어를 이루는 두 개의 이미지들에서 추출된 피처들 사이의 유사도를 의미할 수 있다. 피처의 유사도는 2개의 피처들의 유사한 정도 혹은 2개의 피처들 사이의 거리를 수치화한 값으로, 예를 들어 코사인 유사도(cosine similarity)를 포함할 수 있다.

일 실시 예에 따르면, 대조 로스는 포지티브 페어의 피처의 유사도가 증가할수록 감소하고, 네거티브 페어의 피처의 유사도가 감소할수록 감소하도록 설계될 수 있다. 이 경우, 자기 지도 학습 네트워크(120)는 입력된 원본 이미지 셋에서 대조 로스를 최소화하는 피처를 추출하도록 학습될 수 있다. 다시 말해, 자기 지도 학습 네트워크(120)는 대조 로스에 기초하여 포지티브 페어를 이루는 이미지들에서 추출된 피처들의 유사도는 증가하고, 네거티브 페어를 이루는 이미지들에서 추출된 피처들의 유사도는 감소하도록 학습될 수 있다.

일 실시 에에 따르면, 자기 지도 학습 네트워크(120)에서 추출된 원본 이미지(101)의 피처 혹은 자기 지도 학습 네트워크(120)의 학습을 위한 대조 로스는 익명화 이미지 생성을 위한 뉴럴 네트워크(110)의 학습에 이용될 수 있다.

일 실시 예에 따른 뉴럴 네트워크(110)는 오토 인코더(auto encoder) 기반의 익명화 이미지의 생성을 위한 뉴럴 네트워크의 학습 방법에 의해 학습된 뉴럴 네트워크를 포함할 수 있다. 일 예로, 원본 이미지로부터 익명화 이미지를 생성하는 오토 인코더의 학습에 자기 지도 학습 네트워크(120)에서 추출된 피처가 이용될 수 있다. 일 실시 예에 따른 오토 인코더 기반의 익명화 이미지의 생성을 위한 뉴럴 네트워크의 학습 방법은 이하에서 상술한다.

도 3은 일 실시 예에 따른 오토 인코더 기반의 익명화 이미지의 생성을 위한 뉴럴 네트워크의 학습 방법을 설명하기 위한 도면이다.

도 3을 참조하면, 익명화 이미지 생성을 위한 뉴럴 네트워크는 오토 인코더(610)를 포함할 수 있다. 오토 인코더(610)는 입력된 데이터로부터 피처를 추출하는 네트워크인 인코더(encoder)(611) 및 피처로부터 데이터를 생성하는 네트워크인 디코더(decoder)(612)를 포함할 수 있다.

일 실시 예에 따르면, 오토 인코더(610)는 원본 이미지(601)를 입력 받아 원본 이미지(601)의 익명화 이미지(602)를 출력하도록 학습될 수 있다. 오토 인코더(610)의 인코더(611)는 입력된 원본 이미지(601)로부터 제1 피처(603)를 추출하도록 학습될 수 있다. 오토 인코더(610)의 디코더(612)는 인코더(611)에서 추출된 제1 피처(603)로부터 익명화 이미지(602)를 생성하도록 학습된 네트워크를 포함할 수 있다. 오토 인코더(610)의 학습에 자기 지도 학습 네트워크(620)가 이용될 수 있다. 자기 지도 학습 네트워크(620)는 도 1을 통해 상술한 자기 지도 학습 네트워크(예: 도 1의 120)에 대응될 수 있다.

일 실시 예에 따른 익명화 이미지 생성을 위한 뉴럴 네트워크의 학습 방법은 원본 이미지(601)를 오토 인코더(610)의 인코더(611)에 인가하여 제1 피처(603)를 추출하는 단계, 원본 이미지(601)를 자기 지도 학습 네트워크(620)에 인가하여 제2 피처(604)를 추출하는 단계, 제1 피처(603)를 오토 인코더(610)의 디코더(612)에 인가하여 익명화 이미지(602)를 생성하는 단계, 제1 피처(603)와 제2 피처(604)의 차이 및 원본 이미지(601)와 익명화 이미지(602)의 차이에 관한 로스(605, 606)를 획득하는 단계 및 로스(605, 606)에 기초하여, 오토 인코더(610)를 학습시키는 단계를 포함할 수 있다.

일 실시 예에 따르면, 인코더(611)에서 추출된 제1 피처(603)와 자기 지도 학습 네트워크(620)에서 제2 피처(604)는 동일한 크기의 벡터에 해당할 수 있다.

일 실시 예에 따르면, 오토 인코더(610)의 학습을 위한 로스(605, 606)를 획득하는 단계는 제1 피처(603)와 제2 피처(604)의 차이에 기초하여, 제1 로스(605)를 획득하는 단계 및 원본 이미지(601)와 익명화 이미지(602)의 차이에 기초하여, 제2 로스(606)를 획득하는 단계를 포함할 수 있다. 예를 들어, 제1 로스 및 제2 로스는 각각 L1 로스, L2 로스 혹은 코사인 유사도(cosine similarity)의 역수에 해당할 수 있다.　

일 실시 예에 따르면, 오토 인코더(610)는 제1 로스(605) 및 제2 로스(606)에 기초하여, 자기 지도 학습 네트워크(620)에서 추출된 제2 피처(604)와 인코더(611)에서 추출된 제1 피처(603)의 차이는 감소하고, 원본 이미지(601)와 익명화 이미지(602)의 차이는 증가하는 방향으로 입력된 원본 이미지(601)로부터 익명화 이미지(602)를 생성하도록 학습될 수 있다.

일 실시 예에 따르면, 오토 인코더(610)를 학습시키는 단계는 제1 로스(605)에 기초하여, 제1 피처(603)와 제2 피처(604)의 차이가 감소하도록 인코더(611)를 학습시키는 단계를 포함할 수 있다. 다시 말해, 인코더(611)는 제1 로스(605)에 기초하여, 원본 이미지(601)로부터 제2 피처(604)와 차이가 적은 제1 피처(603)를 출력하도록 학습될 수 있다.

일 실시 예에 따르면, 오토 인코더(610)를 학습시키는 단계는 제2 로스(606)에 기초하여, 원본 이미지(601)와 익명화 이미지(602)의 차이가 증가하도록 인코더(611) 및 디코더(612)를 학습시키는 단계를 포함할 수 있다. 다시 말해, 인코더(611) 및 디코더(612)는 제2 로스(606)에 기초하여, 원본 이미지(601)와의 차이가 큰 익명화 이미지(602)를 생성하기 위한 제1 피처(603)를 출력하도록 학습될 수 있으며, 제1 피처(603)로부터 원본 이미지(601)와의 차이가 큰 익명화 이미지(602)를 생성하도록 학습될 수 있다.

일 실시 예에 따른 자기 지도 학습 네트워크(620)는 원본 이미지(601)를 포함하는 원본 이미지 셋의 증강 이미지 셋에서 추출된 피처의 유사도에 관한 대조 로스(607)에 기초하여 학습될 수 있다. 대조 로스(607)에 기초한 자기 지도학습 네트워크(620)의 학습 방법은 도 1 내지 도2를 통하여 상술한 바와 같다.

도 4는 일 실시 예에 따른 익명화 이미지의 생성을 위한 뉴럴 네트워크의 학습 방법을 수행하는 장치의 하드웨어 구성의 예시도이다.

도 4를 참조하면, 일 실시 예에 따른 장치(700)는 프로세서(701), 메모리(703) 및 입출력 장치(705)를 포함한다. 예를 들어, 장치(700)는 서버 및/또는 단말(예: 퍼스널 컴퓨터, 스마트폰, 태블릿)을 포함할 수 있다. 일 실시 예에 따른 장치(700)는 도 3을 통하여 전술한 오토 인코더 기반의 익명화 이미지의 생성을 위한 뉴럴 네트워크의 학습 방법을 수행하는 장치를 포함할 수 있다.

일 실시 예에 따른 프로세서(701)는 도 3을 통하여 전술한 학습 방법의 적어도 하나의 동작을 수행할 수 있다.

예를 들어, 프로세서(701)는 오토 인코더 기반의 익명화 이미지의 생성을 위한 뉴럴 네트워크를 학습시키기 위하여, 원본 이미지를 오토 인코더의 인코더에 인가하여 제1 피처를 추출하는 동작, 원본 이미지를 자기 지도 학습 네트워크에 인가하여 제1 피처와 동일한 크기의 제2 피처를 추출하는 동작, 제1 피처를 오토 인코더의 디코더에 인가하여 익명화 이미지를 생성하는 동작, 제1 피처와 제2 피처의 차이 및 원본 이미지와 익명화 이미지의 차이에 관한 로스를 획득하는 동작 및 획득된 로스에 기초하여, 오토 인코더를 학습시키는 동작 중 적어도 하나를 수행할 수 있다.

일 실시 예에 따른 메모리(703)는 휘발성 메모리 또는 비휘발성 메모리일 수 있으며, 도 3을 통하여 전술한 학습 방법에 관한 데이터를 저장할 수 있다. 일 예로, 메모리(703)는 익명화 이미지의 생성을 위한 뉴럴 네트워크 학습의 수행 과정에서 발생한 데이터 혹은 익명화 이미지의 생성을 위한 뉴럴 네트워크 학습을 수행하기 위하여 필요한 데이터를 저장할 수 있다. 예를 들어, 메모리(703)는 원본 이미지 셋을 포함하는 학습 데이터를 저장할 수 있으며, 학습된 뉴럴 네트워크에 포함된 레이어 간의 가중치(들)을 저장할 수 있다.

일 측에 따른 장치(700)는 입출력 장치(705)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터, 서버 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다. 예를 들어, 장치(700)는 입출력 장치(705)를 통해 이미지를 포함하는 학습 데이터를 수신할 수 있으며, 뉴럴 네트워크의 학습 결과를 출력할 수 있다.

일 실시 예에 따르면, 메모리(703)는 도 3을 통하여 전술한 학습 방법이 구현된 프로그램을 저장할 수 있다. 프로세서(701)는 메모리(703)에 저장된 프로그램을 실행하고, 장치(700)를 제어할 수 있다. 프로세서(701)에 의하여 실행되는 프로그램의 코드는 메모리(703)에 저장될 수 있다.

일 실시 예에 따른 장치(700)는 도시되지 않은 다른 구성 요소들을 더 포함할 수 있다. 예를 들어, 장치(700)는 네트워크를 통해 장치(700)가 다른 전자 기기 또는 다른 서버와 통신하기 위한 기능을 제공하는 통신 모듈을 더 포함할 수 있다. 또 예를 들어, 장치(700)는 트랜시버(transceiver), 각종 센서, 데이터베이스 등과 같은 다른 구성 요소들을 더 포함할 수도 있다.

도 5는 일 실시 예에 따른 익명화 이미지 생성 장치를 설명하기 위한 도면들이다.

도 5를 참조하면, 익명화 이미지 생성 장치(830)는 학습된 인코더(831) 및 디코더(832)를 포함하는 오토 인코더에 기초하여, 입력된 원본 이미지(803)에 대응하는 익명화 이미지(804)를 출력할 수 있다. 오토 인코더는 도 3을 통해 전술한 오토 인코더 기반의 익명화 이미지의 생성을 위한 뉴럴 네트워크의 학습 방법에 의해 학습된 뉴럴 네트워크를 포함할 수 있다. 일 예로, 익명화 이미지 생성 장치(830)의 적어도 하나의 프로세서는 입력된 원본 이미지를 학습된 오토 인코더의 인코더(831)에 인가하여, 입력된 원본 이미지(803)에서 추출된 피처를 획득할 수 있으며, 추출된 피처를 디코더(832)에 인가하여 익명화 이미지(804)를 출력할 수 있다.

일 실시 예에 따르면, 학습된 인코더(831) 및 디코더(832)를 포함하는 오토 인코더는 익명화 이미지 생성 장치(830) 내 메모리에 저장되지 않을 수 있다. 익명화 이미지 생성 장치(830)는 학습된 인코더(831) 및 디코더(832)를 포함하는 오토 인코더를 메모리에 저장할 수도 있고, 통신 모듈을 통해 학습된 오토 인코더를 저장하는 외부 장치(예: 서버)와 통신함으로써, 학습된 오토 인코더를 이용하여 입력된 원본 이미지(803)에 대응하는 익명화 이미지(804)를 출력하기 위한 연산을 수행할 수 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 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, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 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 컨트롤러를 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, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 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. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 저장할 수 있으며 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.

위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 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 (13)

1. 익명화 이미지 생성을 위한 뉴럴 네트워크의 학습 방법에 있어서,
   원본 이미지를 오토 인코더(auto encoder)의 인코더(encoder)에 인가하여 제1 피처를 추출하는 단계;
   상기 원본 이미지를 피처 추출을 위한 자기 지도 학습 네트워크에 인가하여 상기 제1 피처와 동일한 크기의 제2 피처를 추출하는 단계;
   상기 제1 피처를 상기 오토 인코더의 디코더(decoder)에 인가하여 익명화 이미지를 생성하는 단계;
   상기 제1 피처와 상기 제2 피처의 차이 및 상기 원본 이미지와 상기 익명화 이미지의 차이에 관한 로스(loss)를 획득하는 단계; 및
   상기 로스에 기초하여, 상기 제1 피처와 상기 제2 피처의 차이는 감소하고, 상기 원본 이미지와 상기 익명화 이미지의 차이는 증가하도록 상기 오토 인코더를 학습시키는 단계
   를 포함하는,
   학습 방법.
   
2. 제1항에 있어서,
   상기 로스를 획득하는 단계는
   상기 제1 피처와 상기 제2 피처의 차이에 기초하여, 제1 로스를 획득하는 단계; 및
   상기 원본 이미지와 상기 익명화 이미지의 차이에 기초하여, 제2 로스를 획득하는 단계
   를 포함하는,
   학습 방법.
   
3. 제2항에 있어서,
   상기 오토 인코더를 학습시키는 단계는
   상기 제1 로스에 기초하여, 상기 제1 피처와 상기 제2 피처의 차이가 감소하도록 상기 인코더를 학습시키는 단계; 및
   상기 제2 로스에 기초하여, 상기 원본 이미지와 상기 익명화 이미지의 차이가 증가하도록 상기 인코더 및 상기 디코더를 학습시키는 단계
   를 포함하는,
   학습 방법.
   
4. 제1항에 있어서,
   상기 자기 지도 학습 네트워크는 상기 원본 이미지를 포함하는 원본 이미지 셋의 증강 이미지 셋에서 추출된 피처의 유사도에 관한 대조 로스(contrastive loss)에 기초하여 학습된 피처 추출 네트워크를 포함하고,
   상기 대조 로스는 상기 증강 이미지 셋에 포함된 포지티브 페어의 피처의 유사도 및 네거티브 페어의 피처의 유사도에 기초하여 획득되며,
   상기 증강 이미지 셋은 상기 원본 이미지 셋에 포함된 복수의 이미지들 각각에 증강 연산을 적용하여 생성된 제1 증강 이미지 셋 및 제2 증강 이미지 셋을 포함하는,
   학습 방법.
   
5. 제4항에 있어서,
   상기 자기 지도 학습 네트워크는
   상기 대조 로스에 기초하여, 상기 포지티브 페어를 이루는 이미지들에서 추출된 피처들의 유사도는 증가고, 상기 네거티브 페어를 이루는 이미지들에서 추출된 피처들의 유사도는 감소하도록 학습된 피처 추출 네트워크를 포함하는,
   학습 방법.
   
6. 익명화를 위한 원본 이미지를 수신하는 단계; 및
   익명화 이미지의 생성을 위하여 학습된 뉴럴 네트워크에 기초하여, 상기 원본 이미지의 익명화 이미지를 출력하는 단계
   를 포함하고,
   상기 뉴럴 네트워크는
   입력 이미지를 포함하는 원본 이미지 셋의 증강 이미지 셋에서 추출된 포지티브 페어의 피처의 유사도 및 네거티브 페어의 피처의 유사도에 관한 대조 로스에 기초하여, 상기 원본 이미지 셋에서 피처를 추출하도록 학습된 자기 지도 학습 네트워크와 연동하여, 상기 입력 이미지의 익명화 이미지를 생성하도록 학습된 오토 인코더(auto-encoder)를 포함하며,
   상기 오토 인코더는 상기 오토 인코더의 인코더에서 입력 이미지로부터 추출된 제1 피처 및 상기 자기 지도 학습 네트워크에서 상기 입력 이미지로부터 추출된 제2 피처의 차이는 감소하고, 상기 입력 이미지와 상기 오토 인코더의 디코더에서 상기 제1 피처로부터 생성된 출력 이미지의 차이는 증가하도록 학습되는,
   익명화 이미지 생성 방법.
   
7. 제6항에 있어서,
   상기 대조 로스는 제1 증강 이미지 셋 및 제2 증강 이미지 셋에 포함된 포지티브 페어의 피처의 유사도 및 네거티브 페어의 피처의 유사도에 기초하여 획득되고,
   상기 제1 증강 이미지 셋 및 상기 제2 증강 이미지 셋은 상기 자기 지도 학습 네트워크에서 상기 원본 이미지 셋에 포함된 복수의 이미지들 각각에 증강 연산을 적용하여 생성되는,
   익명화 이미지 생성 방법.
   
8. 제7항에 있어서,
   상기 자기 지도 학습 네트워크는
   상기 대조 로스에 기초하여, 상기 포지티브 페어를 이루는 이미지들에서 추출된 피처들의 유사도는 증가하고, 상기 네거티브 페어를 이루는 이미지들에서 추출된 피처들의 유사도는 감소하도록 학습된 피처 추출 네트워크를 포함하는,
   익명화 이미지 생성 방법.
   
9. 제6항에 있어서,
   상기 뉴럴 네트워크는 익명화 이미지 생성을 위한 학습 방법에 의해 학습된 상기 오토 인코더를 포함하고,
   상기 익명화 이미지 생성을 위한 학습 방법은
   원본 이미지를 상기 오토 인코더의 인코더에 인가하여 제1 피처를 추출하는 단계;
   상기 원본 이미지를 자기 지도 학습 네트워크에 인가하여 상기 제1 피처와 동일한 크기의 제2 피처를 추출하는 단계;
   상기 피처를 상기 오토 인코더의 디코더에 인가하여 익명화 이미지를 생성하는 단계;
   상기 제1 피처와 상기 제2 피처의 차이 및 상기 원본 이미지와 상기 익명화 이미지의 차이에 관한 로스를 획득하는 단계; 및
   상기 로스에 기초하여, 상기 오토 인코더를 학습시키는 단계
   를 포함하는,
   익명화 이미지 생성 방법.
   
10. 하드웨어와 결합되어 제1항 내지 제9항 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램.
    
11. 익명화를 위한 원본 이미지를 수신하고,
    익명화 이미지의 생성을 위하여 학습된 뉴럴 네트워크에 기초하여, 상기 원본 이미지의 익명화 이미지를 출력하는,
    적어도 하나의 프로세서
    를 포함하고,
    상기 뉴럴 네트워크는
    입력 이미지를 포함하는 원본 이미지 셋의 증강 이미지 셋에서 추출된 포지티브 페어의 피처의 유사도 및 네거티브 페어의 피처의 유사도에 관한 대조 로스에 기초하여, 상기 원본 이미지 셋에서 피처를 추출하도록 학습된 자기 지도 학습 네트워크와 연동하여, 상기 입력 이미지의 익명화 이미지를 생성하도록 학습된 오토 인코더(auto-encoder)를 포함하고,
    상기 오토 인코더는 상기 오토 인코더의 인코더에서 입력 이미지로부터 추출된 제1 피처 및 상기 자기 지도 학습 네트워크에서 상기 입력 이미지로부터 추출된 제2 피처의 차이는 감소하고, 상기 입력 이미지와 상기 오토 인코더의 디코더에서 상기 제1 피처로부터 생성된 출력 이미지의 차이는 증가하도록 학습되는,
    익명화 이미지 생성 장치.
    
12. 제11항에 있어서,
    상기 대조 로스는 제1 증강 이미지 셋 및 제2 증강 이미지 셋에 포함된 포지티브 페어의 피처의 유사도 및 네거티브 페어의 피처의 유사도에 기초하여 획득되고,
    상기 제1 증강 이미지 셋 및 상기 제2 증강 이미지 셋은 상기 자기 지도 학습 네트워크에서 상기 원본 이미지 셋에 포함된 복수의 이미지들 각각에 증강 연산을 적용하여 생성되며,
    상기 자기 지도 학습 네트워크는 상기 대조 로스에 기초하여, 상기 포지티브 페어를 이루는 이미지들에서 추출된 피처들의 유사도는 증가하고, 상기 네거티브 페어를 이루는 이미지들에서 추출된 피처들의 유사도는 감소하도록 학습된 피처 추출 네트워크를 포함하는,
    익명화 이미지 생성 장치.
    
13. 제11항에 있어서,
    상기 뉴럴 네트워크는 익명화 이미지 생성을 위한 학습 방법에 의해 학습된 상기 오토 인코더를 포함하고,
    상기 익명화 이미지 생성을 위한 학습 방법은
    원본 이미지를 상기 오토 인코더의 인코더에 인가하여 제1 피처를 추출하는 단계;
    상기 원본 이미지를 자기 지도 학습 네트워크에 인가하여 상기 제1 피처와 동일한 크기의 제2 피처를 추출하는 단계;
    상기 피처를 상기 오토 인코더의 디코더에 인가하여 익명화 이미지를 생성하는 단계;
    상기 제1 피처와 상기 제2 피처의 차이 및 상기 원본 이미지와 상기 익명화 이미지의 차이에 관한 로스를 획득하는 단계; 및
    상기 로스에 기초하여, 상기 오토 인코더를 학습시키는 단계
    를 포함하는,
    익명화 이미지 생성 장치.
    
    

Images