KR20180075224A - 객체의 인식 결과를 제공하는 방법 및 전자 장치 - Google Patents

객체의 인식 결과를 제공하는 방법 및 전자 장치 Download PDF

Info

Publication number
KR20180075224A
KR20180075224A KR1020160179314A KR20160179314A KR20180075224A KR 20180075224 A KR20180075224 A KR 20180075224A KR 1020160179314 A KR1020160179314 A KR 1020160179314A KR 20160179314 A KR20160179314 A KR 20160179314A KR 20180075224 A KR20180075224 A KR 20180075224A
Authority
KR
South Korea
Prior art keywords
image
group
data
unit
electronic device
Prior art date
Application number
KR1020160179314A
Other languages
English (en)
Inventor
권근주
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020160179314A priority Critical patent/KR20180075224A/ko
Priority to US16/466,516 priority patent/US11106913B2/en
Priority to PCT/KR2017/013792 priority patent/WO2018124500A1/ko
Publication of KR20180075224A publication Critical patent/KR20180075224A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0641—Shopping interfaces
    • G06K9/6201—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G06K9/00201—
    • G06K9/6256—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30244—Camera pose

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Image Analysis (AREA)

Abstract

이미지에 포함된 객체를 검출하는 단계; 동일한 객체 별로 그룹핑된 이미지 그룹들과 이미지 간의 매칭을 통해, 검출된 객체에 대응하는 이미지 그룹을 결정하는 단계; 결정된 이미지 그룹의 촬영 조건 및 이미지의 촬영 조건에 기초하여, 이미지에서 추정된, 결정된 이미지 그룹의 객체의 정면 방향에 이미지 그룹의 정보를 출력하는 단계를 포함하는, 객체의 인식 결과를 제공하는 방법이 개시된다.

Description

객체의 인식 결과를 제공하는 방법 및 전자 장치 {ELECTRONIC DEVICE AND METHOD FOR PROVIDING RECOGNITION RESULT OF OBJECT}
다양한 실시예들은 객체의 인식 결과를 제공하는 방법 및 전자 장치에 관한 것으로서, 보다 상세하게는 이미지에 포함된 객체의 일 방향에 객체의 인식 결과를 제공하는 방법 및 전자 장치에 관한 것이다.
멀티 미디어 기술 및 컴퓨터 기술이 발전함에 따라, 사용자는 전자 장치를 이용하여 다양한 서비스를 제공받을 수 있게 되었다. 특히, 이미지 처리 기술이 발전함에 따라, 사용자는 전자 장치를 이용하여 이미지에 포함된 객체의 정면 방향에 객체의 인식 결과를 제공받을 수 있게 되었다.
하지만, 종래에는 이미지에서 객체의 정면 방향을 결정하기 위해서, 유사한 이미지를 검색할 때, 단일 이미지들 간의 유사도 추정만을 이용하여, 유사한 이미지를 정확하게 추정하기 어려운 문제가 있었다. 이에 따라, 전자 장치가 자동적으로 객체의 인식 결과를 제공하고자 하는 이미지와 유사한 이미지를 검색하고, 복수의 이미지들의 유사도들을 이용하여, 보다 정확하게 객체에 대응되는 이미지 그룹을 검색하고, 이를 통해 객체의 정면 방향을 추정하는 것을 가능하게 하는 기술이 요구되고 있다.
다양한 실시예들은, 이미지에 포함된 객체의 정면 방향을 추정하고, 추정된 정면 방향에 객체의 인식 결과를 제공하는 전자 장치 및 방법을 제공하고자 한다.
제 1측면에 따른 전자 장치는 컴퓨터 실행가능 명령어가 저장되는 메모리; 컴퓨터 실행가능 명령어를 실행함으로써, 이미지에 포함된 객체를 검출하고, 동일한 객체 별로 그룹핑된 이미지 그룹들과 이미지 간의 매칭을 통해, 검출된 객체에 대응하는 이미지 그룹을 결정하며, 결정된 이미지 그룹의 촬영 조건 및 이미지의 촬영 조건에 기초하여, 이미지에서 결정된 이미지 그룹의 객체의 정면 방향을 추정하는, 적어도 하나의 프로세서; 및 추정된 정면 방향에 이미지 그룹의 정보를 출력하는 출력부를 포함할 수 있다.
제 2 측면에 따른 객체의 인식 결과를 제공하는 방법은, 이미지에 포함된 객체를 검출하는 단계; 동일한 객체 별로 그룹핑된 이미지 그룹들과 이미지 간의 매칭을 통해, 검출된 객체에 대응하는 이미지 그룹을 결정하는 단계; 결정된 이미지 그룹의 촬영 조건 및 이미지의 촬영 조건에 기초하여, 이미지에서 추정된, 결정된 이미지 그룹의 객체의 정면 방향에 이미지 그룹의 정보를 출력하는 단계를 포함할 수 있다.
또한, 본 개시의 제 3 측면은, 제 2 측면의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체를 제공할 수 있다.
도 1은 일 실시예에 따른, 전자 장치가 객체의 인식 결과를 제공하는 예시를 나타내는 도면이다.
도 2는 일 실시예에 따른, 전자 장치가 객체의 인식 결과를 제공하는 방법을 나타내는 흐름도이다.
도 3은 일 실시예에 따른, 이미지들 간의 유사도를 판단하는 예시를 나타내는 도면이다.
도 4는 일 실시예에 따른, 객체의 정면 방향을 추정하는 예시를 나타내는 도면이다.
도 5는 일 실시예에 따른, 이미지와 이미지 그룹 간의 유사도를 판단하는 예시를 나타내는 도면이다.
도 6 및 도 7은 일부 실시예에 따른 전자 장치의 구성을 도시한 블록도이다.
도 8은 일 실시예에 따른 제어부를 상세히 도시한 블록도이다.
도 9는 일 실시예에 따른 데이터 학습부를 상세히 도시한 블록도이다.
도 10은 일 실시예에 따른 데이터 인식부를 상세히 도시한 블록도이다.
도 11은 일 실시예에 따른, 디바이스 및 서버가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
도 1은 일 실시예에 따른 전자 장치가 객체의 인식 결과를 제공하는 예시를 나타내는 도면이다.
도 1을 참조하면, 일 실시예에 따른 전자 장치는 이미지(100)에 포함된 객체(150)를 검출할 수 있다.
객체(150)는, 이미지(100)에 포함된 것으로, 이미지(100) 내에서 다른 피사체와 구별되어 인식되는 하나의 피사체를 의미한다. 예를 들어, 이미지(100)는 적어도 하나의 객체를 포함할 수 있으며, 전자 장치는 이미지(100)로부터 적어도 하나의 객체를 검출할 수 있다.
이미지(100)는, 전자 장치에 구비된 카메라를 이용하여 촬영 중인 이미지일 수 있다. 예를 들어, 전자 장치에 구비된 카메라는 뎁스 카메라(depth camera)일 수 있다. 예를 들어, 전자 장치는 카메라 애플리케이션을 실행하여 이미지(100)를 캡쳐할 수 있다. 또는, 전자 장치는 전자 장치, 서버, 또는 외부 장치에 기 저장된 이미지들 중 객체(150)의 인식 결과를 제공하기 위한 이미지(100)를 획득할 수 있다. 또는, 전자 장치는 갤러리 애플리케이션을 실행하여, 갤러리 애플리케이션에 기 저장된 이미지(100)를 획득할 수 있다. 또는, 전자 장치는 소셜 네트워크 서버(social network server), 클라우드 서버(cloud server), 또는 콘텐츠 제공 서버 등에 액세스하여 이미지(100)를 다운로드할 수 있다.
일 실시예에서, 전자 장치는 전자 장치가 접근 가능한 이미지들과 이미지(100) 간의 매칭을 통해, 이미지(100) 내에 포함된 객체(150)와 동일 및/또는 유사한 객체를 포함하는 이미지들(110, 120, 130, 140)을 결정할 수 있다.
전자 장치가 접근 가능한 이미지들은, 전자 장치에 기 저장된 이미지, 전자 장치와 통신하는 외부 장치로부터 수신 가능한 이미지 및 서버로부터 수신 가능한 이미지 중 적어도 하나를 포함할 수 있다.
일 실시예에서, 전자 장치가 접근 가능한 이미지들은 동일한 객체 별로 그룹핑된 이미지 그룹들로 구성되어 있을 수 있고, 전자 장치는 검출된 객체(150)에 대응하는 이미지 그룹을 결정할 수 있다. 예를 들어, 제 1 이미지 그룹(180)은 XX라면을 촬영한 이미지들(110, 120)을 포함할 수 있고, 제 2 이미지 그룹(190)은 OO라면을 촬영한 이미지들(130, 140)을 포함할 수 있다. 일 실시예에서, 전자 장치는 객체(150)에 대응하는 복수의 이미지 그룹들을 결정할 수 있으며, 결정된 복수의 이미지 그룹들 중에서 이미지(100)내의 특정한 방향 또는 위치와 대응되는 각각의 이미지 그룹을 결정할 수 있다. 예를 들어, 전자 장치는 객체(150)의 왼쪽 면은 제 1 이미지 그룹(180)에 대응된다고 결정할 수 있고, 객체의 오른쪽 면은 제 2 이미지 그룹(190)에 대응된다고 결정할 수 있다.
일 실시예에서, 전자 장치는 결정된 이미지 그룹의 촬영 조건 및 이미지(100)의 촬영 조건에 기초하여, 이미지(100)에서 결정된 이미지 그룹의 객체의 정면 방향을 추정할 수 있다.
객체의 정면 방향은, 객체의 중심으로부터 임의의 한 방향을 가리키는 3차원 벡터로서 설정된 방향이며, 객체의 앞쪽 면에 수직한 직선의 방향으로 설정될 수 있다. 일 실시예에 따르면, 객체의 정면 방향은 이미지 그룹에 포함된 대표 이미지의 촬영 방향과 반대되는 방향일 수 있다. 예를 들어, 객체의 정면 방향은 객체의 중심으로부터 촬영 카메라의 초점 위치를 향하는 벡터일 수 있다. 예를 들어, 제 1 이미지 그룹(180)의 XX 라면의 정면 방향은 제 1 이미지 그룹(180)의 대표 이미지(110)의 촬영 방향과 반대 방향일 수 있다. 일 실시예에서, 이미지 그룹의 객체의 정면 방향은 이미지 그룹의 정보로서 이미지와 함께 저장되어 있을 수 있다.
촬영 조건은, 촬영 위치 및 촬영 방향 중 적어도 하나를 포함할 수 있다. 일 실시예에서, 전자 장치는 제 1 이미지 그룹(180)에 포함된 이미지들(110, 120)의 촬영 조건 및 이미지(100)의 촬영 조건의 상대적인 차이에 따라, 제 1 이미지 그룹(180)의 객체의 정면 방향을 이미지(100)에서 추정할 수 있다. 예를 들어, 이미지(100)에서 XX라면의 정면 방향을 객체(150)의 좌측 방향으로 추정할 수 있다. 일 실시예에서, 전자 장치는 제 2 이미지 그룹(190)에 포함된 이미지들(130, 140)의 촬영 조건 및 이미지(100)의 촬영 조건의 상대적인 차이에 따라, 제 2 이미지 그룹(190)의 객체의 정면 방향을 이미지(100)에서 추정할 수 있다. 예를 들어, 이미지(100)에서 OO라면의 정면 방향을 객체(150)의 우측 방향으로 추정할 수 있다.
일 실시예에서, 전자 장치는 추정된 객체의 정면 방향에 이미지 그룹의 정보를 출력할 수 있다. 예를 들어, 전자 장치는 객체의 정면 방향이며, 객체와 가까운 곳에 이미지 그룹의 정보를 출력할 수 있다.
이미지 그룹의 정보는, 이미지 그룹에 포함된 이미지들의 공통된 정보로서, 이미지 그룹에 포함된 객체의 명칭, 객체를 구매할 수 있는 사이트의 주소, 이미지 그룹의 ID 정보 등을 포함할 수 있다. 예를 들어, 동일한 ID를 가진 이미지들은 하나의 이미지 그룹으로 그룹핑될 수 있다.
일 실시예에서, 전자 장치는 추정된 객체의 정면 방향마다 해당하는 이미지 그룹들의 정보를 출력할 수 있다. 예를 들어, 이미지 그룹의 정보는 객체(150)의 인식 결과를 나타내는 정보로 이용될 수 있다. 예를 들어, 전자 장치는 제 1 이미지 그룹(180)의 객체의 정면 방향으로 추정된 객체(150)의 좌측 방향에 제 1 이미지 그룹(180)의 객체의 명칭(160)을 디스플레이할 수 있다. 또한, 예를 들어, 전자 장치는 제 2 이미지 그룹(190)의 객체의 정면 방향으로 추정된 객체(150)의 우측 방향에 제 2 이미지 그룹(190)의 객체의 명칭(170)을 디스플레이할 수 있다.
전자 장치는, 스마트폰, 태블릿 PC, PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 마이크로 서버, GPS(global positioning system) 장치, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있으나, 이에 제한되지 않는다. 또한, 전자 장치는 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 디바이스일 수 있다. 그러나, 이에 제한되지 않으며, 전자 장치는 객체의 인식 결과를 제공할 수 있는 모든 종류의 기기를 포함할 수 있다.
또한, 전자 장치는 전자 장치가 접근 가능한 다양한 이미지들을 이용하여 객체의 인식 결과를 제공하기 위해, 소정의 네트워크를 통하여 서버 및 다른 장치(미도시)와 통신할 수 있다. 이 경우, 네트워크는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 부가가치 통신망(Value Added Network; VAN), 이동 통신망(mobile radio communication network), 위성 통신망 및 이들의 상호 조합을 포함하며, 각 네트워크 구성 주체가 서로 원활하게 통신을 할 수 있도록 하는 포괄적인 의미의 데이터 통신망이며, 유선 인터넷, 무선 인터넷 및 모바일 무선 통신망을 포함할 수 있다. 무선 통신은 예를 들어, 무선 랜(Wi-Fi), 블루투스, 블루투스 저 에너지(Bluetooth low energy), 지그비, WFD(Wi-Fi Direct), UWB(ultra wideband), 적외선 통신(IrDA, infrared Data Association), NFC(Near Field Communication) 등이 있을 수 있으나, 이에 한정되는 것은 아니다.
도 2는 일 실시예에 따른, 전자 장치가 객체의 인식 결과를 제공하는 방법을 나타내는 흐름도이다.
동작 S210에서, 전자 장치는 이미지에 포함된 객체를 검출할 수 있다.
일 실시예에서, 전자 장치가 이미지에 포함된 객체를 검출하기 위해, 기 저장된 이미지들이 이용될 수 있다. 또한, 객체 검출을 위해 어떠한 이미지들이 이용될 지는 기 설정된 기준에 의한 학습에 따라 결정될 수 있다. 예를 들어, 소정의 이미지들을 입력 값으로 하는 지도 학습(supervised learning), 별다른 지도 없이 객체 검출을 위해 필요한 이미지들의 종류를 스스로 학습함으로써, 객체의 검출을 위한 패턴을 발견하는 비지도 학습(unsupervised learning)이 객체의 검출에 이용될 수 있다. 또한, 예를 들어, 학습에 따른 객체의 검출 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)이 이미지에 포함된 객체의 검출에 이용될 수 있다.
일 실시예에서, 전자 장치는 데이터 인식 모델을 이용한 학습 결과에 기초하여, 이미지로부터 이미지 내의 객체들을 검출할 수 있다. 뉴럴 네트워크(neural network)는, 통계학적 기계 학습의 결과를 이용하여, 이미지 내 다양한 속성들을 추출하여 이용함으로써, 이미지 내의 객체들을 식별 및/또는 판단하는 알고리즘 집합일 수 있다. 예를 들어, 전자 장치는 이미지를 데이터 인식 모델에 입력하고, 이미지 내에 포함된 객체들 각각의 위치를 데이터 인식 모델로부터 출력받을 수 있다.
동작 S220에서, 전자 장치는 동일한 객체 별로 그룹핑된 이미지 그룹들과 이미지 간의 매칭을 통해, 검출된 객체에 대응하는 이미지 그룹을 결정할 수 있다.
일 실시예에서, 전자 장치는 이미지 그룹들에 포함된 이미지들 각각과 검출된 객체를 포함하는 이미지 간의 제 1 유사도들을 결정할 수 있다. 예를 들어, 전자 장치는 이미지들 간의 제 1 유사도를 결정하기 위해, 이미지들 간의 제 1 유사도를 결정하는 기준을 학습할 수 있다. 학습을 통해 이미지들 간의 제 1 유사도를 결정하는 예시에 대해서는, 도 6 내지 11을 참조하여 후술하기로 한다. 또는, 전자 장치는 이미지들 간의 제 1 유사도를 결정하기 위해, 기하 검증을 이용할 수 있다. 기하 검증을 통해 이미지들 간의 제 1 유사도를 결정하는 예시에 대해서는, 도 3을 참조하여 후술하기로 한다.
일 실시예에서, 전자 장치는 제 1 유사도들, 이미지 그룹에 포함된 이미지들로부터 추정된 이미지의 촬영 조건들에 기초하여, 이미지 그룹과 이미지 간의 제 2 유사도를 결정할 수 있다. 예를 들어, 전자 장치는 제 2 유사도를 계산하기 위해, 추정된 이미지의 촬영 조건들의 차이에 기초한 가중치를 제 1 유사도들에 곱하여 합산할 수 있다. 제 2 유사도를 계산하는 수학식에 대해서는, 도 4를 참조하여 후술하기로 한다. 예를 들어, 전자 장치는 제 2 유사도가 임계 값 이상인 이미지 그룹을 검출된 객체에 대응하는 이미지 그룹으로 결정할 수 있다.
임계 값은 전자 장치에서 기 설정된 값으로서, 보다 정확한 소수의 객체의 인식 결과들을 제공하고자 할 경우, 임계 값은 크게 설정될 수 있다. 또한, 예를 들어, 임계 값은 전자 장치의 사용자에 의해 재설정될 수 있다.
동작 S230에서, 전자 장치는 결정된 이미지 그룹의 촬영 조건 및 이미지의 촬영 조건에 기초하여, 이미지에서 추정된, 결정된 이미지 그룹의 객체의 정면 방향에 이미지 그룹의 정보를 출력할 수 있다.
일 실시예에서, 전자 장치는 결정된 이미지 그룹의 대표 이미지와 이미지 간의 매칭을 통해, 대표 이미지의 촬영 조건으로부터 이미지의 촬영 조건을 추정할 수 있다. 예를 들어, 이미지 그룹의 대표 이미지는 이미지 그룹 내 이미지들에 공통으로 포함된 객체의 정면 방향으로 촬영된 이미지일 수 있다. 예를 들어, 이미지 그룹 내의 이미지들은 서로 간에 기하 검증을 통해 각각의 촬영 위치 및 촬영 방향을 이미지와 함께 저장하고 있을 수 있다. 또한, 예를 들어, 이미지 그룹 내 이미지들의 상대적인 촬영 위치 및 촬영 방향을 모두 알 수 있기 때문에, 전자 장치는 이미지 그룹 내 임의의 이미지와 이미지 간의 매칭을 통해, 이미지 그룹 내 임의의 이미지의 촬영 조건으로부터 이미지의 촬영 조건을 추정할 수 있다.
일 실시예에서, 전자 장치는 추정된 촬영 조건에 기초하여, 기 설정된 이미지 그룹의 객체의 정면 방향으로부터 이미지에서 객체의 정면 방향을 추정할 수 있다. 예를 들어, 이미지 그룹에서의 객체의 정면 방향은 대표 이미지의 촬영 방향일 수 있다. 또한, 이미지에서 추정된 이미지 그룹의 객체의 정면 방향은, 대표 이미지로부터 추정된 이미지의 촬영 위치 및 촬영 방향에 따라, 대표 이미지에서의 객체의 정면 방향을 이미지에 맞게 보정한 방향일 수 있다.
일 실시예에서, 전자 장치는 추정된 정면 방향에 결정된 이미지 그룹의 정보를 나타내는 그래픽 사용자 인터페이스(GUI)를 디스플레이할 수 있다. 예를 들어, 전자 장치는 촬영 중인 현실의 이미지에 결정된 이미지 그룹의 정보를 나타내는 가상의 GUI를 오버랩(overlap)하여 증강 현실(Augmented Reality)을 제공할 수 있다.
일 실시예에서, 전자 장치는 디스플레이된 그래픽 사용자 인터페이스를 선택하는 사용자 입력을 수신하는 동작을 더 수행할 수 있다. 예를 들어, 전자 장치는 사용자로부터 디스플레이된 GUI를 터치하는 터치 입력을 수신할 수 있다. 일 실시예에서, 터치 입력이란 사용자가 전자 장치를 제어하기 위해 터치 스크린에 행하는 제스처 등을 의미한다. 예를 들어, 본 명세서에서 기술되는 터치 입력에는 탭, 터치&홀드, 더블 탭, 드래그, 패닝, 플릭, 드래그 앤드 드롭 등이 있을 수 있다.
또한, 일 실시예에서, 전자 장치는 이미지 그룹의 정보에 기초하여, 이미지 그룹의 객체를 구매할 수 있는 사이트에 액세스(access)하는 동작을 더 수행할 수 있다. 예를 들어, 이미지 그룹의 정보는 이미지 그룹의 객체를 구매할 수 있는 정보가 존재하는 URL(Uniform Resource Locator)을 포함할 수 있고, 전자 장치는 상기 URL을 브라우징할 수 있다.
일 실시예에서, 전자 장치는 검출된 객체 및 카메라의 움직임을 트래킹(tracking)하여, 카메라의 움직임에 따라 출력된 이미지 그룹의 정보의 위치 및 방향을 변경할 수 있다. 예를 들어, 전자 장치는 이미지를 촬영하는 카메라의 움직임을 추적할 수 있다. 또한, 예를 들어, 전자 장치는 결정된 이미지 그룹의 촬영 조건 및 카메라의 움직임에 따라 변경된 이미지의 촬영 조건에 기초하여, 이미지에서 추정된, 결정된 이미지 그룹의 객체의 정면 방향에 이미지 그룹의 정보를 출력할 수 있다.
한편, 일 실시예에서, 이미지가 뎁스 카메라(depth camera)로 촬영한 뎁스 이미지(depth image)인 경우, 전자 장치는 복수의 객체들의 3차원 모델들과 뎁스 이미지 간의 매칭을 통해, 뎁스 이미지에서 검출된 객체에 대응하는 3차원 모델을 결정할 수 있다. 예를 들어, 전자 장치, 서버, 또는 외부 장치에 3차원 모델이 기 저장되어 있어, 전자 장치가 3차원 모델에 접근 가능한 경우, 전자 장치는 뎁스 이미지의 뎁스 정보를 이용하여, 뎁스 이미지와 3차원 모델들 간의 유사도들을 결정할 수 있다. 또한, 유사도가 임계 값 이상인 3차원 모델을 뎁스 이미지에서 검출된 객체에 대응하는 3차원 모델로 결정할 수 있다. 뎁스 정보는, 이미지에서 소정 객체의 깊이감을 나타내는 정보를 의미한다.
또한, 일 실시예에서, 전자 장치는 뎁스 이미지의 뎁스 정보에 기초하여, 뎁스 이미지에서 3차원 모델의 객체의 정면 방향에 3차원 모델의 정보를 출력할 수 있다. 예를 들어, 3차원 모델의 객체의 정면 방향은 모델 내의 객체의 중심으로부터 임의의 한 방향을 가리키는 3차원 벡터로 설정될 수 있으며, 객체의 정면에 수직한 직선 방향으로 기 설정된 방향일 수 있다. 또한, 일 실시예에서, 전자 장치는 뎁스 이미지와 결정된 3차원 모델 간의 매칭을 통해, 뎁스 이미지에서 3차원 모델의 객체의 정면 방향에 3차원 모델의 정보를 출력할 수 있다. 예를 들어, 3차원 모델의 정보는, 상술한 이미지 그룹의 정보에 대응되는 개념으로서, 3차원 모델이 나타내는 객체의 명칭, 객체를 구매할 수 있는 사이트의 주소 등을 포함할 수 있다.
도 3은 일 실시예에 따른, 이미지들 간의 유사도를 판단하는 예시를 나타내는 도면이다.
일 실시예에서, 전자 장치는 객체의 인식 결과를 제공하고자 하는 이미지와 기 저장된 이미지들 간의 유사도들을 판단하기 위해, 기하 검증을 이용할 수 있다.
기하 검증(Geometric Verification)은 이미지 정합 등에 이용되는 방법으로서, 복수의 이미지들에서 이미지들 내의 특징점들을 추출하여 각각의 특징점들을 매칭한 후, 3차원 변환에 얼마나 부합하는지를 계산하여 각각의 이미지들 내에 포함된 객체가 동일한 객체임을 판단하는 기법을 의미한다.
이미지 정합(image registration)은 하나의 장면이나 대상이 다른 시간이나 관점에서 촬영된 경우, 서로 다른 좌표계에서 획득된 이미지들을 변형하여 하나의 좌표계에 나타내는 처리기법이다.
일 실시예에서, 전자 장치는 기하 검증을 통해, 제 1 이미지(320)와 제 2 이미지(340) 간의 유사도를 판단할 수 있다. 예를 들어, 전자 장치는 기하 검증을 통해, 제 1 이미지(320)에 포함된 객체와 제 2 이미지(340)에 포함된 객체 간의 유사도를 판단할 수 있다. 예를 들어, 전자 장치는 제 1 이미지(320) 및 제 2 이미지(340)의 특징점들을 추출할 수 있고, 추출된 특징점들을 서로 매칭하여, 제 1 이미지(320)와 제 2 이미지(340) 또는 제 1 이미지(320)에 포함된 객체와 제 2 이미지(340)에 포함된 객체 간의 유사도를 판단할 수 있다.
일 실시예에서, 특징점은, 이미지 상의 2차원 좌표일 수 있으며, 전자 장치는 특징점을 중심으로 소정 영역에서 이미지의 특성을 표현하는 특징 표현 값 벡터를 추출하여, 특징 표현 값 벡터의 유사도가 소정 값 이상인 경우, 특징점이 매칭되었다고 판단할 수 있다. 일 실시예에서, 전자 장치는 특징점이 매칭되었다고 판단한 경우, 이미지가 유사하다고 결정할 수 있다. 예를 들어, 제 1 이미지(320)와 제 2 이미지(340)에서 매칭되는 특징점들의 개수가 소정 값 이상인 경우에, 전자 장치는 제 1 이미지(320)와 제 2 이미지(340)를 유사하다고 결정할 수 있다.
일 실시예에서, 전자 장치는 기하 검증을 통해, 제 3 이미지(360)와 제 4 이미지(380) 간의 유사도를 판단할 수 있다. 예를 들어, 전자 장치는 기하 검증을 통해, 제 3 이미지(360)에 포함된 객체와 제 4 이미지(380)에 포함된 객체 간의 유사도를 판단할 수 있다. 예를 들어, 전자 장치는 제 3 이미지(360) 및 제 4 이미지(380)의 특징점들을 추출할 수 있고, 추출된 특징점들을 서로 매칭하여, 제 3 이미지(360)와 제 4 이미지(380) 또는 제 3 이미지(360)에 포함된 객체와 제 4 이미지(380)에 포함된 객체 간의 유사도를 판단할 수 있다. 예를 들어, 제 3 이미지(360)와 제 4 이미지(380)에서 매칭되는 특징점들의 개수가 소정 값 이하인 경우에, 전자 장치는 제 3 이미지(360)와 제 4 이미지(380)를 유사하지 않다고 결정할 수 있다.
또한, 전자 장치는 기하 검증을 통해, 기 저장된 이미지들에 대해 객체의 인식 결과를 제공하고자 하는 이미지의 상대적인 촬영 위치 및 촬영 방향을 추정할 수 있다. 일 실시예에서, 제 2 이미지(340)의 촬영 위치 및 촬영 방향은 전자 장치 또는 서버에 기 저장되어있을 수 있다. 예를 들어, 전자 장치는 제 1 이미지(320)와 제 2 이미지(340) 간의 기하 검증을 통해, 매칭된 특징점 쌍들을 찾고, 제 1 이미지(320)에 포함된 매칭된 특징점들과 제 2 이미지(340)에 포함된 매칭된 특징점들로부터 제 2 이미지(340)의 촬영 위치 및 촬영 방향에 대한 제 1 이미지(320)의 상대적 촬영 위치 및 촬영 방향을 추정할 수 있다. 예를 들어, 전자 장치는 매칭된 특징점들 중에서 제 1 이미지(320) 및 제 2 이미지(340)간의 촬영 조건의 변화에 부합하는 특징점 쌍들 만을 선택할 수 있으며, 선택된 특징점 쌍들의 개수로서 제 1 이미지(320) 및 제 2 이미지(340)에 포함된 객체들간의 유사도 또는 제 1 이미지(320) 및 제 2 이미지(340)간의 유사도를 판단할 수 있다.
도 4는 일 실시예에 따른, 이미지와 이미지 그룹 간의 유사도를 판단하는 예시를 나타내는 도면이다.
일 실시예에서, 전자 장치는 이미지 그룹에 포함된 이미지들과 이미지 간의 제 1 유사도들 및 이미지 그룹에 포함된 이미지들로부터 추정된 이미지의 촬영 조건들에 기초하여, 이미지 그룹과 이미지 간의 제 2 유사도를 결정할 수 있다. 예를 들어, 전자 장치는 제 2 유사도를 계산하기 위해, 추정된 이미지의 촬영 조건들의 차이에 기초한 가중치를 제 1 유사도들에 곱하여 합산할 수 있다. 이미지들 간의 제 1 유사도 뿐만 아니라, 이미지와 이미지 그룹 간의 제 2 유사도를 결정함으로써, 전자 장치는 복수의 유사도들과 촬영 조건을 고려하여 보다 정확하게 검출된 객체에 대응하는 이미지를 검색할 수 있다.
예를 들어, 제 1 이미지(410)는 전자 장치가 제 1 이미지에 포함된 객체의 인식 결과를 제공하고자 하는 이미지일 수 있고, 제 2 이미지(420) 및 제 3 이미지(430)는 동일한 ID를 가진, 하나의 이미지 그룹으로 그룹핑된 이미지들일 수 있다.
일 실시예에서, 제 1 이미지(410)와 제 2 이미지(420) 및 제 3 이미지(430)를 포함하는 이미지 그룹 간의 제 2 유사도는 다음의 수학식 1과 같이 계산된다.
[수학식 1]
Figure pat00001
X는 제 1 이미지(410)와 제 2 이미지 간(420)의 제 1 유사도를 나타내고, Y는 제 1 이미지(410)와 제 3 이미지(430) 간의 제 1 유사도를 나타내고, Z는 제 1 이미지(410)와 제 2 이미지(420) 및 제 3 이미지(430)를 포함하는 이미지 그룹 간의 제 2 유사도를 나타낸다. 또한, M은 제 2 이미지(420) 및 제 3 이미지(430)로부터 추정된 제 1 이미지(410)의 촬영 위치들의 차이(470)를 나타내고, N은 제 2 이미지(420) 및 제 3 이미지(430)로부터 추정된 제 1 이미지(410)의 촬영 방향들의 차이(460)를 나타낸다.
일 실시예에 따른 제 2 유사도를 계산하기 위한 수학식 1에서, a는 M 제곱의 계수이고, b는 N 제곱의 계수이며, a 와 b는 기 설정된 값으로서, 같은 값일 수도 있고 다른 값일 수도 있다. 예를 들어, a와 b가 다른 값이라면, 촬영 위치들의 차이(470)와 촬영 방향들의 차이(460)에 각각 다른 가중치가 부여될 수 있다. 또한, 예를 들어, a 및 b는 임의의 실수일 수 있다.
예를 들어, 제 1 이미지(410)와 제 2 이미지(420) 간의 제 1 유사도는 62%이고, 제 1 이미지(410)와 제 3 이미지(430) 간의 제 1 유사도는 58%일 수 있다. 이 경우, 전자 장치는 제 1 이미지(410)와 제 2 이미지(420) 간의 제 1 유사도와 제 1 이미지(410)와 제 3 이미지(430) 간의 제 1 유사도를 조합하여 제 2 이미지(420) 및 제 3 이미지(430)를 포함하는 이미지 그룹과의 제 2 유사도를 계산할 수 있다.
예를 들어, 전자 장치는 기 저장된 제 2 이미지(420)의 촬영 위치 및 촬영 방향에 기초하여, 제 1 이미지(410)의 촬영 위치 및 촬영 방향을 추정할 수 있다. 또한, 전자 장치는 기 저장된 제 3 이미지(430)의 촬영 위치 및 촬영 방향에 기초하여, 제 1 이미지(410)의 촬영 위치 및 촬영 방향을 추정할 수 있다. 예를 들어, 제 2 이미지(420)로부터 추정된 제 1 이미지(410)의 촬영 위치 및 촬영 방향은, 화살표(440)의 끝 점 및 화살표(440)가 가리키는 방향일 수 있고, 제 3 이미지(430)로부터 추정된 제 1 이미지(410)의 촬영 위치 및 촬영 방향은, 화살표(450)의 끝 점 및 화살표(450)가 가리키는 방향일 수 있다. 예를 들어, 전자 장치는 기하 검증을 통해, 제 1 이미지(410)는 제 2 이미지(420)에 비해 45도 왼쪽에서 촬영된 이미지라는 것을 추정할 수 있고, 제 1 이미지(410)는 제 3 이미지(430)에 비해 45도 오른쪽에서 촬영된 이미지라는 것을 추정할 수 있다.
일 실시예에서, 전자 장치는 제 2 이미지(420)로부터 추정된 제 1 이미지(410)의 촬영 위치와 제 3 이미지(430)로부터 추정된 제 1 이미지(410)의 촬영 위치 간의 차이(470)를 계산할 수 있다. 또한, 일 실시예에서, 전자 장치는 제 2 이미지(420)로부터 추정된 제 1 이미지(410)의 촬영 방향과 제 3 이미지(430)로부터 추정된 제 1 이미지(410)의 촬영 방향 간의 차이(460)를 계산할 수 있다.
일 실시예에서, 전자 장치는 추정된 제 1 이미지(410)의 촬영 위치들의 차이 및 추정된 제 1 이미지(410)의 촬영 방향들의 차이에 기초하여, 제 1 유사도들에 가중치를 부여할 수 있다. 예를 들어, 수학식 1에서, a가 1이고 b가 0이며, M이 1인 경우, 전자 장치는 제 1 이미지(410)와 제 2 이미지(420) 간의 제 1 유사도인 62%에 제 1 이미지(410)와 제 3 이미지(430) 간의 제 1 유사도인 58%에 가중치를 곱한 값을 더하여, 제 1 이미지(410)와 제 2 이미지(420) 및 제 3 이미지(430)를 포함하는 이미지 그룹 간의 제 2 유사도인 62% + 52% / (1+1*12) = 88%을 계산할 수 있다.
도 5는 일 실시예에 따른, 객체들 간의 유사도를 판단하는 예시를 나타내는 도면이다.
일 실시예에서, 전자 장치는 제 1 이미지(510)의 인식 결과를 제공하기 위해, 데이터베이스(Database)에 저장된 이미지들을 제 1 이미지(510)와 매칭할 수 있다. 또한, 일 실시예에서, 전자 장치는 매칭을 통해 제 1 이미지(510)와 유사한 제 2 이미지(520), 제 3 이미지(530), 제 4 이미지(540) 및 제 5 이미지(550)를 획득할 수 있다. 예를 들어, 제 2 이미지(520) 및 제 3 이미지(530)는 동일한 이미지 그룹 내에 포함된 이미지들일 수 있다. 일 실시예에서, 전자 장치는 제 1 이미지(510)와 각각 단일의 제 2 이미지(520), 제 3 이미지(530), 제 4 이미지(540) 및 제 5 이미지(550) 간의 매칭으로는, 제 2 이미지(520) 및 제 3 이미지(530) 보다는 제 4 이미지(540) 및 제 5 이미지(550)와 제 1 이미지(510)가 더 유사하다고 판단할 수 있다.
하지만, 일 실시예에서, 전자 장치는 단일 이미지들 간의 매칭으로는 유사도가 낮은 이미지라고 판단하였더라도, 동일 이미지 그룹 내 복수개의 이미지들의 유사도들을 합하여 보다 정확하게 객체의 인식 결과를 제공하고자 하는 이미지와 유사한 이미지를 판단할 수 있다. 예를 들어, 도 4에서 상술한 수학식을 통해 제 1 이미지(510)와 제 2 이미지(520)간의 유사도 및 제 1 이미지(510)와 제 2 이미지(530)간의 유사도에 각각 다른 가중치를 부여한 후, 합산하여 ID가 1111인 그룹과 제 1 객체(510) 간의 유사도를 계산할 수 있다. 예를 들어, 단일 이미지들간의 매칭 결과와는 달리, 전자 장치는 ID가 1111인 그룹의 유사도가 ID가 2222인 그룹 및 ID가 3333인 그룹의 유사도 보다 높다고 판단할 수 있다. 상술한 실시예에서와 같이, 전자 장치는 복수개의 이미지들의 유사도를 결합하여, 이미지의 검색 성능을 향상시킬 수 있다.
도 6 및 도 7는 일부 실시예에 따라 전자 장치의 구성을 도시한 블록도이다.
도 6에 도시된 바와 같이, 일 실시예에 따른 전자 장치(600)는 출력부(620) 및 제어부(630)를 포함할 수 있다. 그러나, 도 6에 도시된 구성 요소 모두가 전자 장치(600)의 필수 구성 요소인 것은 아니다. 도 6에 도시된 구성 요소보다 많은 구성 요소에 의해 전자 장치(600)가 구현될 수도 있고, 도 6에 도시된 구성 요소보다 적은 구성 요소에 의해 전자 장치(600)가 구현될 수도 있다.
예를 들어, 도 7에 도시된 바와 같이, 일 실시예에 따른 전자 장치(600)는, 출력부(620) 및 제어부(630) 이외에 사용자 입력부(610), 센싱부(640), 통신부(650), A/V 입력부(660) 및 메모리(670)를 더 포함할 수도 있다.
사용자 입력부(610)는, 사용자가 전자 장치(600)를 제어하기 위한 데이터를 입력하는 수단을 의미한다. 예를 들어, 사용자 입력부(610)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다.
사용자 입력부(610)는, 사용자 입력을 수신할 수 있다. 예를 들어, 사용자 입력부(100)는 이미지를 획득하기 위한 사용자 입력 및 애플리케이션을 실행하기 위한 사용자 입력 등을 수신할 수 있다. 또한, 사용자 입력부(610)는 디스플레이된 적어도 하나의 그래픽 사용자 인터페이스 중 하나의 그래픽 사용자 인터페이스를 선택하는 사용자의 입력을 수신할 수 있다.
출력부(620)는, 오디오 신호 또는 비디오 신호 또는 진동 신호의 출력을 위한 것으로, 이에는 디스플레이부(621)와 음향 출력부(622), 진동 모터(623) 등이 포함될 수 있다.
디스플레이부(621)는 후술할 제어부(630)에 의해 제어됨으로써, 전자 장치(600)에서 처리되는 정보를 디스플레이한다. 디스플레이부(621)는 적어도 하나의 이미지를 디스플레이할 수 있다. 예를 들어, 디스플레이부(621)는 적어도 하나의 이미지와 함께 가상의 오브젝트를 포함하는 증강 현실을 디스플레이할 수 있다.
한편, 디스플레이부(621)와 터치패드가 레이어 구조를 이루어 터치 스크린으로 구성되는 경우, 디스플레이부(621)는 출력 장치 이외에 입력 장치로도 사용될 수 있다. 디스플레이부(621)는 액정 디스플레이(liquid crystal display), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display), 유기 발광 다이오드(organic light-emitting diode), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display), 전기영동 디스플레이(electrophoretic display) 중에서 적어도 하나를 포함할 수 있다. 그리고 전자 장치(600)의 구현 형태에 따라 전자 장치(600)는 디스플레이부(621)를 2개 이상 포함할 수도 있다. 이때, 2개 이상의 디스플레이부(621)는 힌지(hinge)를 이용하여 마주보게 배치될 수 있다.
음향 출력부(622)는 통신부(650)로부터 수신되거나 메모리(670)에 저장된 오디오 데이터를 출력한다. 또한, 음향 출력부(622)는 전자 장치(600)에서 수행되는 기능(예를 들어, 호신호 수신음, 메시지 수신음, 알림음)과 관련된 음향 신호를 출력한다. 이러한 음향 출력부(622)에는 스피커(speaker), 버저(Buzzer) 등이 포함될 수 있다.
진동 모터(623)는 진동 신호를 출력할 수 있다. 예를 들어, 진동 모터(623)는 오디오 데이터 또는 비디오 데이터(예컨대, 호신호 수신음, 메시지 수신음 등)의 출력에 대응하는 진동 신호를 출력할 수 있다. 또한, 진동 모터(623)는 터치스크린에 터치가 입력되는 경우 진동 신호를 출력할 수도 있다.
제어부(630)는, 통상적으로 전자 장치(600)의 전반적인 동작을 제어한다. 제어부(630)는 적어도 하나의 프로세서를 구비할 수 있다. 제어부(630)는 그 기능 및 역할에 따라, 복수의 프로세서들을 포함하거나, 통합된 형태의 하나의 프로세서를 포함할 수 있다.
예를 들어, 제어부(630)는, 메모리(670)에 저장된 프로그램들을 실행함으로써, 사용자 입력부(610), 출력부(620), 센싱부(640), 통신부(650), A/V 입력부(1600) 등을 전반적으로 제어할 수 있다. 또한, 제어부(630)는 사용자 입력부(610), 출력부(620), 센싱부(640), 통신부(650) 및 A/V 입력부(1600)를 제어함으로써, 전자 장치(600)가 적어도 하나의 객체의 인식 결과를 제공할 수 있도록 할 수 있다.
구체적으로, 제어부(630)는 컴퓨터 실행가능 명령어를 실행함으로써, 이미지에 포함된 객체를 검출하고, 동일한 객체 별로 그룹핑된 이미지 그룹들과 이미지 간의 매칭을 통해, 검출된 객체에 대응하는 이미지 그룹을 결정하며, 결정된 이미지 그룹의 촬영 조건 및 이미지의 촬영 조건에 기초하여, 이미지에서 결정된 이미지 그룹의 객체의 정면 방향을 추정할 수 있다. 예를 들어, 제어부(630)는 컴퓨터 실행가능 명령어를 실행함으로써, 결정된 이미지 그룹의 대표 이미지와 이미지 간의 매칭을 통해, 대표 이미지의 촬영 조건으로부터 이미지의 촬영 조건을 추정하고, 추정된 촬영 조건에 기초하여, 기 설정된 대표 이미지의 객체의 정면 방향으로부터 이미지에서 대표 이미지의 객체의 정면 방향을 추정할 수 있다. 또한, 제어부(630)는 디스플레이된 그래픽 사용자 인터페이스를 선택하는 사용자 입력에 기초하여, 이미지 그룹의 정보에 기초하여, 이미지 그룹의 객체를 구매할 수 있는 사이트에 액세스(access)할 수 있다.
또한, 일 실시예에 따른 제어부(630)는 컴퓨터 실행가능 명령어를 실행함으로써, 이미지 그룹들의 이미지들 각각과 이미지 간의 제 1 유사도들을 결정하고, 제 1 유사도들, 이미지 그룹의 이미지들로부터 추정된 이미지의 촬영 조건들에 기초하여, 이미지 그룹과 이미지 간의 제 2 유사도를 결정하며, 제 2 유사도가 임계 값 이상인 이미지 그룹을 검출된 객체에 대응하는 이미지 그룹으로 결정할 수 있다. 예를 들어, 제어부(630)는 추정된 이미지의 촬영 조건들의 차이에 기초한 가중치를 제 1 유사도들에 곱하여 합산할 수 있다. 또한, 예를 들어, 제어부(630)는 제 1 유사도들을 결정하는 기준을 학습할 수 있다.
또한, 일 실시예에 따른 제어부(630)는, 컴퓨터 실행가능 명령어를 실행함으로써, 센싱부(640)가 감지한 카메라 움직임에 따라 변경된 이미지의 촬영 조건 및 이미지 그룹의 촬영 조건에 기초하여, 이미지에서 결정된 이미지 그룹의 객체의 정면 방향을 추정할 수 있다.
또한, 제어부(630)는, 통신부(650)를 제어함으로써, 전자 장치가 접근 가능한 이미지를 외부 장치 및 서버와 송수신할 수 있다.
센싱부(640)는, 전자 장치(600)의 상태 또는 전자 장치(600) 주변의 상태를 감지하고, 감지된 정보를 제어부(630)로 전달할 수 있다.
센싱부(640)는, 지자기 센서(Magnetic sensor)(641), 가속도 센서(Acceleration sensor)(642), 온/습도 센서(643), 적외선 센서(644), 자이로스코프 센서(645), 위치 센서(예컨대, GPS)(646), 기압 센서(647), 근접 센서(648), 및 RGB 센서(RGB sensor)(649) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 각 센서들의 기능은 그 명칭으로부터 당업자가 직관적으로 추론할 수 있으므로, 구체적인 설명은 생략하기로 한다.
통신부(650)는, 전자 장치(600)와 다른 전자 장치 또는 전자 장치(600)와 서버 간의 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 예를 들어, 통신부(650)는, 근거리 통신부(651), 이동 통신부(652), 방송 수신부(653)를 포함할 수 있다.
근거리 통신부(short-range wireless communication unit)(651)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
이동 통신부(652)는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.
방송 수신부(653)는, 방송 채널을 통하여 외부로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다. 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다. 구현 예에 따라서 전자 장치(600)가 방송 수신부(653)를 포함하지 않을 수도 있다.
통신부(650)는, 제어부(630)에 의해 제어됨으로써 외부 장치 및 서버와 데이터를 송수신한다. 통신부(650)는 다른 전자 장치에게 직접 데이터를 전송하거나 서버를 경유하여 데이터를 전송할 수 있다. 또한, 통신부(650)는 다른 전자 장치로부터 직접 데이터를 수신하거나 서버를 경유하여 데이터를 수신할 수 있다.
A/V(Audio/Video) 입력부(660)는 오디오 신호 또는 비디오 신호 입력을 위한 것으로, 이에는 카메라(661)와 마이크로폰(662) 등이 포함될 수 있다. 카메라(661)은 화상 통화모드 또는 촬영 모드에서 이미지 센서를 통해 정지영상 또는 동영상 등의 화상 프레임을 얻을 수 있다. 이미지 센서를 통해 캡쳐된 이미지는 제어부(630) 또는 별도의 이미지 처리부(미도시)를 통해 처리될 수 있다.
카메라(661)에서 처리된 화상 프레임은 메모리(670)에 저장되거나 통신부(650)를 통하여 외부로 전송될 수 있다. 카메라(661)는 단말기의 구성 태양에 따라 2개 이상이 구비될 수도 있다. 또한, 예를 들어, 카메라(661)는 뎁스 카메라를 포함할 수 있다.
마이크로폰(662)은, 외부의 음향 신호를 입력 받아 전기적인 음성 데이터로 처리한다. 예를 들어, 마이크로폰(662)은 외부 전자 장치 또는 화자로부터 음향 신호를 수신할 수 있다. 마이크로폰(662)는 외부의 음향 신호를 입력 받는 과정에서 발생 되는 잡음(noise)를 제거하기 위한 다양한 잡음 제거 알고리즘을 이용할 수 있다.
메모리(670)는, 제어부(630)의 처리 및 제어를 위한 프로그램을 저장할 수도 있고, 입/출력되는 데이터들(예컨대, 텍스트, 텍스트와 연관된 이미지, 사용자의 텍스트와 연관된 이미지 선택 결과 등)을 저장할 수도 있다. 메모리(670)는 컴퓨터 실행가능 명령어(computer executable instruction)를 저장할 수 있다.
메모리(670)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(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), 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. 또한, 전자 장치(600)는 인터넷(internet)상에서 메모리(670)의 저장 기능을 수행하는 웹 스토리지(web storage) 또는 클라우드 서버를 운영할 수도 있다.
메모리(670)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있는데, 예를 들어, UI 모듈(671), 터치 스크린 모듈(672) 등으로 분류될 수 있다.
UI 모듈(671)은, 애플리케이션 별로 전자 장치(600)와 연동되는 특화된 UI, GUI 등을 제공할 수 있다. 터치 스크린 모듈(672)은 사용자의 터치 스크린 상의 터치 제스처를 감지하고, 터치 제스처에 관한 정보를 제어부(630)로 전달할 수 있다. 일 실시예에 따른 터치 스크린 모듈(672)은 터치 코드를 인식하고 분석할 수 있다. 터치 스크린 모듈(672)은 컨트롤러를 포함하는 별도의 하드웨어로 구성될 수도 있다.
터치스크린의 터치 또는 근접 터치를 감지하기 위해 터치스크린의 내부 또는 근처에 다양한 센서가 구비될 수 있다. 터치스크린의 터치를 감지하기 위한 센서의 일례로 촉각 센서가 있다. 촉각 센서는 사람이 느끼는 정도로 또는 그 이상으로 특정 물체의 접촉을 감지하는 센서를 말한다. 촉각 센서는 접촉면의 거칠기, 접촉 물체의 단단함, 접촉 지점의 온도 등의 다양한 정보를 감지할 수 있다.
또한, 터치스크린의 터치를 감지하기 위한 센서의 일례로 근접 센서가 있다.
근접 센서는 소정의 검출면에 접근하는 물체, 혹은 근방에 존재하는 물체의 유무를 전자계의 힘 또는 적외선을 이용하여 기계적 접촉이 없이 검출하는 센서를 말한다. 근접 센서의 예로는 투과형 광전 센서, 직접 반사형 광전 센서, 미러 반사형 광전 센서, 고주파 발진형 근접 센서, 정전용량형 근접 센서, 자기형 근접 센서, 적외선 근접 센서 등이 있다.
알림 모듈(673)은 전자 장치(600)의 이벤트 발생을 알리기 위한 신호를 발생할 수 있다. 전자 장치(600)에서 발생되는 이벤트의 예로는 호 신호 수신, 메시지 수신, 키 신호 입력, 일정 알림 등이 있다. 알림 모듈(673)은 디스플레이부(621)를 통해 비디오 신호 형태로 알림 신호를 출력할 수도 있고, 음향 출력부(622)를 통해 오디오 신호 형태로 알림 신호를 출력할 수도 있고, 진동 모터(623)를 통해 진동 신호 형태로 알림 신호를 출력할 수도 있다.
한편, 도 6 및 도 7에 도시된 전자 장치(600)의 구성은 일 실시예이며, 전자 장치(600)의 각 구성요소는 구현되는 전자 장치(600)의 사양에 따라 통합, 추가, 또는 생략될 수 있다. 즉, 필요에 따라 2 이상의 구성요소가 하나의 구성요소로 합쳐지거나, 혹은 하나의 구성요소가 2 이상의 구성요소로 세분되어 구성될 수 있다. 또한, 각 구성(또는, 모듈)에서 수행하는 기능은 실시예들을 설명하기 위한 것이며, 그 구체적인 동작이나 장치는 본 발명의 권리범위를 제한하지 아니한다.
도 8는 일 실시예에 따른 제어부(630)의 블록도이다.
도 8를 참조하면, 일 실시예에 따른 제어부(630)는 데이터 학습부(631) 및 데이터 인식부(632)를 포함할 수 있다.
데이터 학습부(631)는 이미지들 간의 유사도 판단을 위한 기준을 학습할 수 있다. 데이터 학습부(631)는 소정의 유사도를 판단하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 유사도를 어떻게 판단할 지에 관한 기준을 학습할 수 있다. 데이터 학습부(631)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 유사도 판단을 위한 기준을 학습할 수 있다.
데이터 인식부(632)는 적어도 둘 이상의 이미지들 사이의 유사도를 판단할 수 있다. 또한, 예를 들어, 적어도 둘 이상의 이미지들 사이의 유사도 판단은, 적어도 둘 이상의 객체들 사이의 유사도를 판단을 포함할 수 있다. 데이터 인식부(632)는 학습된 데이터 인식 모델을 이용하여, 적어도 둘 이상의 객체 사이의 유사도를 판단할 수 있다. 데이터 인식부(632)는 학습에 의한 기 설정된 기준에 따라 각각의 객체의 특징을 분석하고, 분석한 데이터를 입력 값으로 하여 데이터 인식 모델을 이용함으로써, 적어도 둘 이상의 객체들 사이의 유사도를 판단할 수 있다. 또한, 분석한 데이터를 입력 값으로 하여 데이터 인식 모델에 의해 출력된 결과 값은 데이터 인식 모델을 갱신하는데 이용될 수 있다.
데이터 학습부(631) 및 데이터 인식부(632) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 학습부(631) 및 데이터 인식부(632) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
이 경우, 데이터 학습부(631) 및 데이터 인식부(632)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(631) 및 데이터 인식부(632) 중 하나는 전자 장치에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한, 데이터 학습부(631) 및 데이터 인식부(632)는 유선 또는 무선으로 통하여, 데이터 학습부(631)가 구축한 모델 정보를 데이터 인식부(632)로 제공할 수도 있고, 데이터 인식부(632)로 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(631)로 제공될 수도 있다.
한편, 데이터 학습부(631) 및 데이터 인식부(632) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(631) 및 데이터 인식부(632) 중 적어도 하나가 소프트웨어 모듈(또는, 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 9은 일 실시예에 따른 데이터 학습부(631)의 블록도이다.
도 9을 참조하면, 일 실시예에 따른 데이터 학습부(631)는 데이터 획득부(631-1), 전처리부(631-2), 학습 데이터 선택부(631-3), 모델 학습부(631-4) 및 모델 평가부(631-5)를 포함할 수 있다.
데이터 획득부(631-1)는 이미지들 간의 유사도 판단에 필요한 데이터를 획득할 수 있다. 데이터 획득부(631-1)는 이미지들 간의 유사도 판단을 위한 학습을 위하여 필요한 데이터를 획득할 수 있다.
데이터 획득부(631-1)는 이미지를 입력 받을 수 있다. 이미지는 복수의 객체들을 포함할 수 있다. 예를 들어, 데이터 획득부(631-1)는 데이터 학습부(631)를 포함하는 전자 장치의 카메라를 통하여 이미지를 캡쳐할 수 있다. 또는, 데이터 획득부(631-1)는 전자 장치와 통신하는 서버 또는 외부 장치를 통해 데이터를 획득할 수 있다.
전처리부(631-2)는 이미지들 간의 유사도 판단을 위한 학습에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(631-2)는 후술할 모델 학습부(631-4)가 이미지들 간의 유사도 판단을 위한 학습을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다. 예를 들어, 전처리부(631-2)는 획득한 이미지로부터 이미지에 포함된 적어도 하나의 객체를 추출할 수 있다. 또한, 전처리부(631-2)는 추출한 객체를 기 설정된 포맷을 가지는 데이터로 가공할 수 있다.
학습 데이터 선택부(631-3)는 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있고, 선택된 데이터는 모델 학습부(631-4)에 제공될 수 있다. 학습 데이터 선택부(631-3)는 이미지들 간의 유사도 판단을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(631-3)는 후술할 모델 학습부(631-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
학습 데이터 선택부(631-3)는 전처리부(631-2)에서 가공된 객체들 중에서 학습에 필요한 객체들을 선택할 수 있다. 예를 들어, 학습 데이터 선택부(631-3)는 객체들 사이의 유사도 판단을 학습하기 위해, 전처리부(631-2)에서 가공된 객체들 중에서 특정 대상에 대응하는 객체만을 선택할 수 있다. 또는, 학습 데이터 선택부(631-3)는 동일한 객체가 포함된 복수의 이미지들을 선택할 수도 있다.
모델 학습부(631-4)는 학습 데이터에 기초하여 이미지들 간의 유사도를 어떻게 판단할 지에 관한 기준을 학습할 수 있다. 또한, 모델 학습부(631-4)는 이미지들 간의 유사도 판단을 위하여 어떤 학습 데이터를 이용해야 하는 지에 대한 기준을 학습할 수도 있다.
예를 들어, 모델 학습부(631-4)는 이미지들 간의 유사도 판단을 학습하기 위해, 이미지들에 포함된 각각의 객체의 특징을 분석할 수 있다. 또한, 모델 학습부(631-4)는 두 개의 객체가 동일한 경우, 각각의 객체의 특징을 분석한 데이터가 어떠한 방법으로 일치되는 지를 학습할 수 있다.
또한, 모델 학습부(631-4)는 유사도 판단에 이용되는 데이터 인식 모델을 학습 데이터를 이용하여 학습시킬 수 있다. 이 경우, 데이터 인식 모델은 미리 구축된 모델일 수 있다. 예를 들어, 데이터 인식 모델은 기본 학습 데이터(예를 들어, 샘플 이미지 등)을 입력 받아 미리 구축된 모델일 수 있다.
데이터 인식 모델은, 인식 모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 데이터 인식 모델은, 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 데이터 인식 모델로서 사용될 수 있으나, 이에 한정되지 않는다.
다양한 실시예에 따르면, 모델 학습부(631-4)는 미리 구축된 데이터 인식 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 데이터 인식 모델을 학습할 데이터 인식 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 데이터 인식 모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.
또한, 모델 학습부(631-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 데이터 인식 모델을 학습시킬 수 있다.
또한, 모델 학습부(631-4)는, 예를 들어, 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning) 을 통하여, 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(631-4)는, 예를 들어, 별다른 지도없이 유사도 판단을 위해 필요한 데이터의 종류를 스스로 학습함으로써, 유사도 판단을 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(631-4)는, 예를 들어, 학습에 따른 유사도 판단의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다.
또한, 데이터 인식 모델이 학습되면, 모델 학습부(631-4)는 학습된 데이터 인식 모델을 저장할 수 있다. 이 경우, 모델 학습부(631-4)는 학습된 데이터 인식 모델을 데이터 인식부(632)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(631-4)는 학습된 데이터 인식 모델을 후술할 데이터 인식부(632)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(631-4)는 학습된 데이터 인식 모델을 전자 장치와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.
이 경우, 학습된 데이터 인식 모델이 저장되는 메모리는, 예를 들면, 전자 장치의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 메모리는 소프트웨어 및/또는 프로그램을 저장할 수도 있다. 프로그램은, 예를 들면, 커널, 미들웨어, 애플리케이션 프로그래밍 인터페이스(API) 및/또는 애플리케이션 프로그램(또는 "애플리케이션") 등을 포함할 수 있다.
모델 평가부(631-5)는 데이터 인식 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 판단 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(631-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 데이터 인식 모델을 평가하기 위한 기 설정된 데이터일 수 있다.
예를 들어, 평가 데이터는 복수의 이미지들 간의 유사도에 관한 데이터를 포함할 수 있다. 또한, 예를 들어, 평가 데이터는 적어도 둘 이상의 객체들의 동일 여부에 관한 데이터를 포함할 수 있다.
예를 들어, 모델 평가부(631-5)는 평가 데이터에 대한 학습된 데이터 인식 모델의 판단 결과 중에서, 판단 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다. 예컨대, 소정 기준이 비율 2%로 정의되는 경우, 학습된 데이터 인식 모델이 총 1000개의 평가 데이터 중의 20개를 초과하는 평가 데이터에 대하여 잘못된 판단 결과를 출력하는 경우, 모델 평가부(631-5)는 학습된 데이터 인식 모델이 적합하지 않은 것으로 평가할 수 있다.
한편, 학습된 데이터 인식 모델이 복수 개가 존재하는 경우, 모델 평가부(631-5)는 각각의 학습된 데이터 인식 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 데이터 인식 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(631-5)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 데이터 인식 모델로서 결정할 수 있다.
한편, 데이터 학습부(631) 내의 데이터 획득부(631-1), 전처리부(631-2), 학습 데이터 선택부(631-3), 모델 학습부(631-4) 및 모델 평가부(631-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(631-1), 전처리부(631-2), 학습 데이터 선택부(631-3), 모델 학습부(631-4) 및 모델 평가부(631-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 획득부(631-1), 전처리부(631-2), 학습 데이터 선택부(631-3), 모델 학습부(631-4) 및 모델 평가부(631-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(631-1), 전처리부(631-2), 학습 데이터 선택부(631-3), 모델 학습부(631-4) 및 모델 평가부(631-5) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(631-1), 전처리부(631-2), 학습 데이터 선택부(631-3), 모델 학습부(631-4) 및 모델 평가부(631-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(631-1), 전처리부(631-2), 학습 데이터 선택부(631-3), 모델 학습부(631-4) 및 모델 평가부(631-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 10는 일 실시예에 따른 데이터 인식부(632)의 블록도이다.
도 10를 참조하면, 일 실시예에 따른 데이터 인식부(632)는 데이터 획득부(632-1), 전처리부(632-2), 인식 데이터 선택부(632-3), 인식 결과 제공부(632-4) 및 모델 갱신부(632-5)를 포함할 수 있다.
데이터 획득부(632-1)는 이미지들 간의 유사도 판단에 필요한 데이터를 획득할 수 있으며, 전처리부(632-2)는 이미지들 간의 유사도 판단을 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(632-2)는 후술할 인식 결과 제공부(632-4)가 이미지들 간의 유사도 판단을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
인식 데이터 선택부(632-3)는 전처리된 데이터 중에서 이미지들 간의 유사도 판단에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(632-4)에게 제공될 수 있다. 인식 데이터 선택부(632-3)는 이미지들 간의 유사도 판단을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(632-3)는 후술할 모델 학습부(631-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
인식 결과 제공부(632-4)는 선택된 데이터를 데이터 인식 모델에 적용하여 이미지들 간의 유사도를 판단할 수 있다. 인식 결과 제공부(632-4)는 데이터의 인식 목적에 따른 인식 결과를 제공할 수 있다. 인식 결과 제공부(632-4)는 인식 데이터 선택부(632-3)에 의해 선택된 데이터를 입력 값으로 이용함으로써, 선택된 데이터를 데이터 인식 모델에 적용할 수 있다. 또한, 인식 결과는 데이터 인식 모델에 의해 결정될 수 있다.
예를 들어, 이미지에 대한 인식 결과는 텍스트, 이미지 또는 명령어(예를 들어, 애플리케이션 실행 명령어, 모듈 기능 실행 명령어 등) 등으로 제공될 수 있다. 인식 결과 제공부(632-4)는 이미지로부터 추출된 객체와 전자 장치가 접근 가능한 데이터에 포함된 객체 사이의 유사도를 데이터 인식 모델에 적용하여 인식 결과를 제공할 수 있다. 예를 들어, 인식 결과 제공부(632-4)는 객체들 간의 유사도 판단에 기초하여 유사하다고 판단된 객체를 이미지 포맷으로 제공할 수 있다. 또는, 인식 결과 제공부(632-4)는 해당 객체의 명칭 및 해당 객체를 구매할 수 있는 사이트 주소 등을 인식 결과로서 제공할 수 있다.
모델 갱신부(632-5)는 인식 결과 제공부(632-4)에 의해 제공되는 인식 결과에 대한 평가에 기초하여, 데이터 인식 모델이 갱신되도록 할 수 있다. 예를 들어, 모델 갱신부(632-5)는 인식 결과 제공부(632-4)에 의해 제공되는 인식 결과를 모델 학습부(631-4)에게 제공함으로써, 모델 학습부(631-4)가 데이터 인식 모델을 갱신하도록 할 수 있다.
한편, 데이터 인식부(632) 내의 데이터 획득부(632-1), 전처리부(632-2), 인식 데이터 선택부(632-3), 인식 결과 제공부(632-4) 및 모델 갱신부(632-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(632-1), 전처리부(632-2), 인식 데이터 선택부(632-3), 인식 결과 제공부(632-4) 및 모델 갱신부(632-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 획득부(632-1), 전처리부(632-2), 인식 데이터 선택부(632-3), 인식 결과 제공부(632-4) 및 모델 갱신부(632-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(632-1), 전처리부(632-2), 인식 데이터 선택부(632-3), 인식 결과 제공부(632-4) 및 모델 갱신부(632-5) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(632-1), 전처리부(632-2), 인식 데이터 선택부(632-3), 인식 결과 제공부(632-4) 및 모델 갱신부(632-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(632-1), 전처리부(632-2), 인식 데이터 선택부(632-3), 인식 결과 제공부(632-4) 및 모델 갱신부(632-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 11는 일 실시예에 따른 전자 장치(600) 및 서버(1100)가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.
도 11를 참조하면, 서버(1100)는 이미지들 간의 유사도 판단을 위한 기준을 학습할 수 있다. 전자 장치(600)는 서버(1100)에 의한 학습 결과에 기초하여 이미지들 간의 유사도를 판단할 수 있다.
이 경우, 서버(1100)의 모델 학습부(1134)는 도 9에 도시된 데이터 학습부(631)의 기능을 수행할 수 있다. 서버(1100)의 모델 학습부(1134)는 소정의 이미지들 간의 유사도를 판단하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 이미지들 간의 유사도를 어떻게 판단할 지에 관한 기준을 학습할 수 있다. 모델 학습부(1134)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 이미지들 간의 유사도 판단을 위한 기준을 학습할 수 있다.
또한, 전자 장치(600)의 인식 결과 제공부(632-4)는 인식 데이터 선택부(632-3)에 의해 선택된 데이터를 서버(1100)에 의해 생성된 데이터 인식 모델에 적용하여 이미지들 간의 유사도를 판단할 수 있다. 예를 들어, 인식 결과 제공부(632-4)는 인식 데이터 선택부(632-3)에 의해 선택된 데이터를 서버(1100)에게 전송하고, 서버(1100)가 인식 데이터 선택부(632-3)에 의해 선택된 데이터를 인식 모델에 적용하여 이미지들 간의 유사도를 판단해 줄 것을 요청할 수 있다. 또한, 인식 결과 제공부(632-4)는 서버(1100)에 의해 판단된 이미지들 간의 유사도에 관한 정보를 서버(1100)로부터 수신할 수 있다.
또는, 전자 장치(600)의 인식 결과 제공부(632-4)는 서버(1100)에 의해 생성된 인식 모델을 서버(1100)로부터 수신하고, 수신된 인식 모델을 이용하여 이미지들 간의 유사도를 판단할 수 있다. 이 경우, 전자 장치(600)의 인식 결과 제공부(632-4)는 인식 데이터 선택부(632-3)에 의해 선택된 데이터를 서버(1100)로부터 수신된 데이터 인식 모델에 적용하여 이미지들 간의 유사도를 판단할 수 있다.
일부 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
또한, 본 명세서에서, “부”는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (20)

  1. 컴퓨터 실행가능 명령어가 저장되는 메모리;
    상기 컴퓨터 실행가능 명령어를 실행함으로써, 이미지에 포함된 객체를 검출하고, 동일한 객체 별로 그룹핑된 이미지 그룹들과 상기 이미지 간의 매칭을 통해, 상기 검출된 객체에 대응하는 이미지 그룹을 결정하며, 상기 결정된 이미지 그룹의 촬영 조건 및 상기 이미지의 촬영 조건에 기초하여, 상기 이미지에서 상기 결정된 이미지 그룹의 객체의 정면 방향을 추정하는, 적어도 하나의 프로세서; 및
    상기 추정된 정면 방향에 상기 이미지 그룹의 정보를 출력하는 출력부;
    를 포함하는, 전자 장치.
  2. 제 1항에 있어서,
    상기 촬영 조건은 촬영 위치 및 촬영 방향 중 적어도 하나를 포함하는, 전자 장치.
  3. 제 2항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 결정된 이미지 그룹의 대표 이미지와 상기 이미지 간의 매칭을 통해, 상기 대표 이미지의 촬영 조건으로부터 상기 이미지의 촬영 조건을 추정하고, 상기 추정된 촬영 조건에 기초하여, 기 설정된 상기 대표 이미지의 객체의 정면 방향으로부터 상기 이미지에서 상기 대표 이미지의 객체의 정면 방향을 추정하며, 상기 출력부는,
    상기 추정된 정면 방향에 상기 이미지 그룹의 정보를 나타내는 그래픽 사용자 인터페이스(GUI)를 디스플레이하는, 전자 장치.
  4. 제 3항에 있어서,
    상기 디스플레이된 그래픽 사용자 인터페이스를 선택하는 사용자 입력을 수신하는 사용자 입력부를 더 포함하고,
    상기 적어도 하나의 프로세서는,
    상기 이미지 그룹의 정보에 기초하여, 상기 이미지 그룹의 객체를 구매할 수 있는 사이트에 액세스(access)하는, 전자 장치.
  5. 제 2항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 이미지 그룹들의 이미지들 각각과 상기 이미지 간의 제 1 유사도들을 결정하고, 상기 제 1 유사도들, 상기 이미지 그룹의 이미지들로부터 추정된 이미지의 촬영 조건들에 기초하여, 상기 이미지 그룹과 상기 이미지 간의 제 2 유사도를 결정하며, 상기 제 2 유사도가 임계 값 이상인 이미지 그룹을 상기 검출된 객체에 대응하는 이미지 그룹으로 결정하는, 전자 장치.
  6. 제 5항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 추정된 이미지의 촬영 조건들의 차이에 기초한 가중치를 상기 제 1 유사도들에 곱하여 합산하는, 전자 장치.
  7. 제 5항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 제 1 유사도들을 결정하는 기준을 학습하는, 전자 장치.
  8. 제 1항에 있어서, 상기 이미지가 뎁스 이미지인 경우,
    상기 적어도 하나의 프로세서는,
    복수의 객체들의 3차원 모델들과 상기 뎁스 이미지 간의 매칭을 통해, 상기 검출된 객체에 대응하는 3차원 모델을 결정하고,
    상기 출력부는,
    상기 뎁스 이미지의 뎁스 정보에 기초하여, 상기 뎁스 이미지에서 상기 3차원 모델의 객체의 정면 방향에 상기 3차원 모델의 정보를 출력하는, 전자 장치.
  9. 제 1항에 있어서,
    상기 이미지를 촬영하는 카메라의 움직임을 추적하는 센싱부를 더 포함하고,
    상기 적어도 하나의 프로세서는,
    상기 결정된 이미지 그룹의 촬영 조건 및 상기 카메라의 움직임에 따라 변경된 상기 이미지의 촬영 조건에 기초하여, 상기 이미지에서 상기 결정된 이미지 그룹의 객체의 정면 방향을 추정하고,
    상기 출력부는,
    상기 이미지에서 상기 정면 방향에 상기 이미지 그룹의 정보를 출력하는, 전자 장치.
  10. 제 1항에 있어서,
    상기 적어도 하나의 프로세서는,
    기하 검증(Geometric Verification)을 이용하여, 상기 결정된 이미지 그룹의 촬영 조건으로부터 상기 이미지의 촬영 조건을 추정하는, 전자 장치.
  11. 이미지에 포함된 객체를 검출하는 단계;
    동일한 객체 별로 그룹핑된 이미지 그룹들과 상기 이미지 간의 매칭을 통해, 상기 검출된 객체에 대응하는 이미지 그룹을 결정하는 단계;
    상기 결정된 이미지 그룹의 촬영 조건 및 상기 이미지의 촬영 조건에 기초하여, 상기 이미지에서 추정된, 상기 결정된 이미지 그룹의 객체의 정면 방향에 상기 이미지 그룹의 정보를 출력하는 단계;
    를 포함하는, 객체의 인식 결과를 제공하는 방법.
  12. 제 11항에 있어서,
    상기 촬영 조건은 촬영 위치 및 촬영 방향 중 적어도 하나를 포함하는, 객체의 인식 결과를 제공하는 방법.
  13. 제 12항에 있어서,
    상기 출력하는 단계는,
    상기 결정된 이미지 그룹의 대표 이미지와 상기 이미지 간의 매칭을 통해, 상기 대표 이미지의 촬영 조건으로부터 상기 이미지의 촬영 조건을 추정하는 단계;
    상기 추정된 촬영 조건에 기초하여, 기 설정된 상기 대표 이미지의 객체의 정면 방향으로부터 상기 이미지에서 상기 대표 이미지의 객체의 정면 방향을 추정하는 단계; 및
    상기 추정된 정면 방향에 상기 이미지 그룹의 정보를 나타내는 그래픽 사용자 인터페이스(GUI)를 디스플레이하는 단계;
    를 포함하는, 객체의 인식 결과를 제공하는 방법.
  14. 제 13항에 있어서,
    상기 디스플레이된 그래픽 사용자 인터페이스를 선택하는 사용자 입력을 수신하는 단계; 및
    상기 이미지 그룹의 정보에 기초하여, 상기 이미지 그룹의 객체를 구매할 수 있는 사이트에 액세스(access)하는 단계;
    를 더 포함하는, 객체의 인식 결과를 제공하는 방법.
  15. 제 12항에 있어서,
    상기 결정하는 단계는,
    상기 이미지 그룹들의 이미지들 각각과 상기 이미지 간의 제 1 유사도들을 결정하는 단계; 및
    상기 제 1 유사도들, 상기 이미지 그룹의 이미지들로부터 추정된 이미지의 촬영 조건들에 기초하여, 상기 이미지 그룹과 상기 이미지 간의 제 2 유사도를 결정하는 단계; 및
    상기 제 2 유사도가 임계 값 이상인 이미지 그룹을 상기 검출된 객체에 대응하는 이미지 그룹으로 결정하는 단계;
    를 포함하는, 객체의 인식 결과를 제공하는 방법.
  16. 제 15항에 있어서,
    상기 제 2 유사도를 결정하는 단계는,
    상기 추정된 이미지의 촬영 조건들의 차이에 기초한 가중치를 상기 제 1 유사도들에 곱하여 합산하는 단계를 포함하는, 객체의 인식 결과를 제공하는 방법.
  17. 제 15항에 있어서,
    상기 제 1 유사도들을 결정하는 단계는,
    제 1 유사도들을 결정하는 기준을 학습하는 단계를 포함하는, 객체의 인식 결과를 제공하는 방법.
  18. 제 11항에 있어,
    상기 이미지가 뎁스 이미지인 경우,
    상기 결정하는 단계는,
    복수의 객체들의 3차원 모델들과 상기 뎁스 이미지 간의 매칭을 통해, 상기 검출된 객체에 대응하는 3차원 모델을 결정하는 단계를 포함하고,
    상기 출력하는 단계는,
    상기 뎁스 이미지의 뎁스 정보에 기초하여, 상기 뎁스 이미지에서 상기 3차원 모델의 객체의 정면 방향에 상기 3차원 모델의 정보를 출력하는 단계;
    를 포함하는, 객체의 인식 결과를 제공하는 방법.
  19. 제 11항에 있어서,
    상기 출력하는 단계는,
    상기 이미지를 촬영하는 카메라의 움직임을 추적하는 단계; 및
    상기 결정된 이미지 그룹의 촬영 조건 및 상기 카메라의 움직임에 따라 변경된 상기 이미지의 촬영 조건에 기초하여, 상기 이미지에서 추정된, 상기 결정된 이미지 그룹의 객체의 정면 방향에 상기 이미지 그룹의 정보를 출력하는 단계;
    를 포함하는, 객체의 인식 결과를 제공하는 방법.
  20. 제 11항의 방법을 컴퓨터에서 실행시키기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
KR1020160179314A 2016-12-26 2016-12-26 객체의 인식 결과를 제공하는 방법 및 전자 장치 KR20180075224A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020160179314A KR20180075224A (ko) 2016-12-26 2016-12-26 객체의 인식 결과를 제공하는 방법 및 전자 장치
US16/466,516 US11106913B2 (en) 2016-12-26 2017-11-29 Method and electronic device for providing object recognition result
PCT/KR2017/013792 WO2018124500A1 (ko) 2016-12-26 2017-11-29 객체의 인식 결과를 제공하는 방법 및 전자 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160179314A KR20180075224A (ko) 2016-12-26 2016-12-26 객체의 인식 결과를 제공하는 방법 및 전자 장치

Publications (1)

Publication Number Publication Date
KR20180075224A true KR20180075224A (ko) 2018-07-04

Family

ID=62709617

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160179314A KR20180075224A (ko) 2016-12-26 2016-12-26 객체의 인식 결과를 제공하는 방법 및 전자 장치

Country Status (3)

Country Link
US (1) US11106913B2 (ko)
KR (1) KR20180075224A (ko)
WO (1) WO2018124500A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110706009A (zh) * 2019-10-16 2020-01-17 珠海优特物联科技有限公司 盖章处理方法、装置、电子印章设备及可读存储介质

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11062511B2 (en) * 2019-05-02 2021-07-13 Deere & Company Controlling mobile construction equipment for subterranean mapping
PH12019050076A1 (en) * 2019-05-06 2020-12-02 Samsung Electronics Co Ltd Enhancing device geolocation using 3d map data

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1864176A (zh) * 2003-10-30 2006-11-15 日本电气株式会社 用于估计对象状态的估计系统、估计方法和估计程序
US8032469B2 (en) * 2008-05-06 2011-10-04 Microsoft Corporation Recommending similar content identified with a neural network
US8429168B1 (en) * 2009-12-15 2013-04-23 Google Inc. Learning semantic image similarity
JP2011176574A (ja) 2010-02-24 2011-09-08 Nikon Corp デジタルカメラおよび画像ファイリング装置並びに画像ファイリングプログラム
JP5631086B2 (ja) * 2010-07-12 2014-11-26 キヤノン株式会社 情報処理装置及びその制御方法、プログラム
US8873813B2 (en) * 2012-09-17 2014-10-28 Z Advanced Computing, Inc. Application of Z-webs and Z-factors to analytics, search engine, learning, recognition, natural language, and other utilities
JP5866728B2 (ja) * 2011-10-14 2016-02-17 サイバーアイ・エンタテインメント株式会社 画像認識システムを備えた知識情報処理サーバシステム
KR101191172B1 (ko) * 2012-02-15 2012-10-15 (주)올라웍스 이미지 데이터베이스의 이미지들을 관리하는 방법, 장치 및 컴퓨터 판독 가능한 기록 매체
KR101372170B1 (ko) 2012-04-26 2014-03-10 재단법인대구경북과학기술원 객체 위치 추정 장치 및 방법
WO2014159726A1 (en) * 2013-03-13 2014-10-02 Mecommerce, Inc. Determining dimension of target object in an image using reference object
KR102084161B1 (ko) 2013-05-08 2020-03-03 삼성전자주식회사 이미지를 보정하는 전자 장치 및 그 제어 방법
KR20150127503A (ko) 2014-05-07 2015-11-17 에스케이플래닛 주식회사 객체 인식 서비스 제공 시스템 및 방법, 그리고 이를 위한 장치 및 컴퓨터 프로그램이 기록된 기록매체
JP2016119508A (ja) * 2014-12-18 2016-06-30 株式会社東芝 方法、システム及びプログラム
KR102512755B1 (ko) * 2015-12-11 2023-03-23 삼성전자주식회사 전자 장치 및 전자 장치의 디스플레이 방법
JP6744747B2 (ja) * 2016-04-01 2020-08-19 キヤノン株式会社 情報処理装置およびその制御方法
US11144786B2 (en) * 2017-11-02 2021-10-12 Canon Kabushiki Kaisha Information processing apparatus, method for controlling information processing apparatus, and storage medium
US10839531B2 (en) * 2018-11-15 2020-11-17 Sony Corporation Object tracking based on a user-specified initialization point

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110706009A (zh) * 2019-10-16 2020-01-17 珠海优特物联科技有限公司 盖章处理方法、装置、电子印章设备及可读存储介质

Also Published As

Publication number Publication date
US20200082170A1 (en) 2020-03-12
US11106913B2 (en) 2021-08-31
WO2018124500A1 (ko) 2018-07-05

Similar Documents

Publication Publication Date Title
CN111652678B (zh) 物品信息显示方法、装置、终端、服务器及可读存储介质
US10733716B2 (en) Method and device for providing image
CN111476306B (zh) 基于人工智能的物体检测方法、装置、设备及存储介质
US20200118010A1 (en) System and method for providing content based on knowledge graph
KR102491546B1 (ko) 객체를 인식하는 방법 및 장치
CN114391160A (zh) 根据立体相机的手部姿势估计
US20190019295A1 (en) Monitoring
US9213436B2 (en) Fingertip location for gesture input
KR20210114952A (ko) 목표대상물의 검출방법, 장치, 기기 및 기억매체
US11429807B2 (en) Automated collection of machine learning training data
US9058660B2 (en) Feature searching based on feature quality information
US9224064B2 (en) Electronic device, electronic device operating method, and computer readable recording medium recording the method
KR20180054365A (ko) 제품의 판매 정보를 제공하는 방법 및 장치
US20140232748A1 (en) Device, method and computer readable recording medium for operating the same
CN111506758A (zh) 物品名称确定方法、装置、计算机设备及存储介质
US9076062B2 (en) Feature searching along a path of increasing similarity
CN114267041B (zh) 场景中对象的识别方法及装置
US11106913B2 (en) Method and electronic device for providing object recognition result
KR102384878B1 (ko) 동영상을 필터링하는 방법 및 장치
KR20200101186A (ko) 전자 장치 및 그의 제어 방법
CN111797873A (zh) 场景识别方法、装置、存储介质及电子设备
US11436804B2 (en) Augmented reality system
KR20190078222A (ko) 패션 상품을 추천하는 전자 장치, 서버 및 그 동작 방법
KR20220037108A (ko) 대상 객체의 크기를 식별하는 방법 및 장치
CN113454647A (zh) 用于识别图像中的对象的电子设备及其操作方法

Legal Events

Date Code Title Description
A201 Request for examination