KR20200006792A - 다른 장치로 인식기를 이식하기 위한 장치, 이를 위한 방법 및 이 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체 - Google Patents

다른 장치로 인식기를 이식하기 위한 장치, 이를 위한 방법 및 이 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체 Download PDF

Info

Publication number
KR20200006792A
KR20200006792A KR1020180080587A KR20180080587A KR20200006792A KR 20200006792 A KR20200006792 A KR 20200006792A KR 1020180080587 A KR1020180080587 A KR 1020180080587A KR 20180080587 A KR20180080587 A KR 20180080587A KR 20200006792 A KR20200006792 A KR 20200006792A
Authority
KR
South Korea
Prior art keywords
recognizer
input
output
reference input
implanting
Prior art date
Application number
KR1020180080587A
Other languages
English (en)
Inventor
김백섭
Original Assignee
한림대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한림대학교 산학협력단 filed Critical 한림대학교 산학협력단
Priority to KR1020180080587A priority Critical patent/KR20200006792A/ko
Publication of KR20200006792A publication Critical patent/KR20200006792A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 다른 장치로 인식기를 이식하기 위한 장치, 이를 위한 방법 및 이 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체에 관한 것이다. 본 발명은 제1 인식기와, 제2 인식기와, 레퍼런스 입력을 생성하여 상기 제1 인식기에 입력하는 입력생성부와, 상기 레퍼런스 입력 및 상기 레퍼런스 입력에 대한 상기 제1 인식기의 출력인 레퍼런스 출력을 수집하는 데이터수집부와, 상기 레퍼런스 입력과 상기 레퍼런스 출력을 학습데이터로 상기 제2 인식기를 학습시키는 이식부를 포함하는 것을 특징으로 하는 인식기를 이식하기 위한 장치와, 이를 위한 방법 및 이 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체를 제공한다.

Description

다른 장치로 인식기를 이식하기 위한 장치, 이를 위한 방법 및 이 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체{An apparatus for porting a recognizer to another apparatus, a method therefor, and computer recordable medium storing program to perform the method}
본 발명은 인식기를 이식하기 위한 기술에 관한 것으로, 보다 상세하게는, 다른 장치로 인식기를 이식하기 위한 장치, 이를 위한 방법 및 이 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체에 관한 것이다.
인식 능력은 살아 움직이는 다른 유기체뿐만 아니라 인간의 기본 속성으로 간주된다. 우리는 깨어 생활하는 매 순간마다 인식 활동을 하고 있다. 주위에 있는 대상물을 인식한 다음, 그와 관련하여 움직이고 행동한다. 우리는 군중 속에서 친구를 찾아낼 수 있고, 그 친구가 말하는 것을 인식할 수 있다. 아는 사람의 음성을 알아차릴 수 있다. 우리는 필기된 문자나 기호, 그리고 그림 등을 보고 이해할 수 있으며, 지문을 분석할 수도 있다. 화난 몸짓과 미소 짓는 표정을 서로 구별할 수 있다. 인간이 매우 복잡한 정보 시스템이라 할 수 있는 부분적인 이유는 월등한 패턴 인식 능력을 보유하고 있기 때문이다.
하나의 패턴은 어떤 대상물을 묘사한 것이다. 우리의 인식 행위는 인식하고자 하는 대상 패턴의 속성에 따라 두 개의 주된 형태로 분류할 수 있는데, 하나는 구체적인 항목에 대한 인식(recognition of concrete item) 이고, 다른 하나는 추상적인 항목에 대한 인식(recognition of abstract item) 이다. 우리는 주변의 문자, 그림, 음악, 그리고 여러 종류의 물체를 인식할 수 있는데, 이것을 "감각적 인식"(sensory recognition) 이라고 부른다. 여기에는 시각 및 청각 패턴을 인식하는 것이 포함된다. 이러한 인식 과정에는 공간적이고 시간적인 패턴에 대한 식별 및 분류가 포함된다. 반면에, 눈을 감고 귀를 막은 상태로 오래된 어떤 논거 또는 문제에 대한 해답을 인식할 수 있다. 이러한 과정은 추상적인 항목을 인식하는 것으로 시각 또는 청각 패턴 인식과 대비하여 개념적 인식(conceptual recognition) 이라 부른다.
인간이 구체적인 패턴을 인식하는 것은 인간과 물리적인 자극 간의 관계와 연관된 정신 생리학적인 문제(psychophysiological problem)로 간주될 수 있다. 인간은 감지한 패턴을 귀납적인 추론을 통해 과거의 경험으로부터 유도해 낸 일반적인 개념이나 단서와 연관 지운다. 실제로, 인식 문제는 입력 데이터를 알려진 통계적 모집단 중의 하나와 연관시킬 수 있는 상대적 가능성을 추정하는 것으로 볼 수 있다. 이때, 통계적 모집단은 과거의 경험에 의존하며 인식에 필요한 단서와 사전 정보를 형성하게 된다. 따라서 패턴 인식 문제는 개개의 패턴 중에서 입력 데이터를 구별하는 것이 아니라, 모집단의 구성원 중에서 특징 또는 변하지 않는 속성을 탐색함으로써 모집단 중에서 입력 데이터를 구별하는 것으로 간주될 수 있다.
한국공개특허 제2005-0096791호 2005년 10월 05일 공개 (명칭: 인공지능 학습을 통한 게이머의 게임 스타일 이식시스템 및 그 이식방법)
본 발명의 목적은 어느 하나의 장치의 인식기를 다른 장치의 인식기로 이식시키기 위한 장치, 이를 위한 방법 및 이 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체를 제공함에 있다.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 인식기를 이식하기 위한 장치는 제1 인식기와, 제2 인식기와, 레퍼런스 입력을 생성하여 상기 제1 인식기에 입력하는 입력생성부와, 상기 레퍼런스 입력 및 상기 레퍼런스 입력에 대한 상기 제1 인식기의 출력인 레퍼런스 출력을 수집하는 데이터수집부와, 상기 레퍼런스 입력과 상기 레퍼런스 출력을 학습데이터로 상기 제2 인식기를 학습시키는 이식부를 포함한다.
상기 제1 인식기의 연산 복잡도는 상기 제2 인식기의 연산 복잡도 보다 높은 것을 특징으로 한다.
상기 제2 인식기의 연산 속도는 상기 제1 인식기의 연산 속도 보다 빠른 것을 특징으로 한다.
상기 제1 인식기는 상기 제1 인식기는 전방전달신경망(FNN: feedforward neural network), 순환인공신경망(RNN: Recurrent neural network), 합성곱신경망(CNN: convolutional neural networks) 및 코헨자기조직신경망(KSN: kohonen self-organizing network) 중 어느 하나인 것을 특징으로 한다.
상기 제2 인식기는 트리인식기, SVM(support vector machine), 퍼셉트론(perceptron) 및 RBF(radial basis function) 중 어느 하나인 것을 특징으로 한다.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 인식기를 이식하기 위한 방법은 입력생성부가 레퍼런스 입력을 생성하여 제1 인식기에 입력하는 단계와, 상기 제1 인식기가 상기 가상입력을 입력받아 입력된 레퍼런스 입력에 따른 복수의 연산을 수행하여 레퍼런스 출력을 출력하는 단계와, 데이터수집부가 상기 레퍼런스 입력 및 상기 레퍼런스 입력에 대한 상기 제1 인식기의 출력인 레퍼런스 출력을 수집하는 단계와, 이식부가 상기 레퍼런스 입력과 상기 레퍼런스 출력을 제2 인식기에 제공하는 단계와, 상기 제2 인식기가 상기 레퍼런스 입력과 상기 레퍼런스 출력을 학습 데이터로 이용하여 학습하는 단계를 포함한다.
상기 제1 인식기의 연산 복잡도는 상기 제2 인식기의 연산 복잡도 보다 높은 것을 특징으로 한다.
상기 제2 인식기의 연산 속도는 상기 제1 인식기의 연산 속도 보다 빠른 것을 특징으로 한다.
상기 제1 인식기는 상기 제1 인식기는 전방전달신경망(FNN: feedforward neural network), 순환인공신경망(RNN: Recurrent neural network), 합성곱신경망(CNN: convolutional neural networks) 및 코헨자기조직신경망(KSN: kohonen self-organizing network) 중 어느 하나인 것을 특징으로 한다.
상기 제2 인식기는 트리인식기, SVM(support vector machine), 퍼셉트론(perceptron) 및 RBF(radial basis function) 중 어느 하나인 것을 특징으로 한다.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 이식기의 인식기를 이식하기 위한 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체는 레퍼런스 입력을 생성하여 제1 인식기에 입력하는 단계와, 상기 레퍼런스 입력 및 상기 레퍼런스 입력에 대한 상기 제1 인식기의 출력인 레퍼런스 출력을 수집하는 단계와, 상기 레퍼런스 입력과 상기 레퍼런스 출력을 학습데이터로 제2 인식기를 학습시키는 단계를 포함하는 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체를 제공한다.
본 발명에 따르면, 이와 같이, 본 발명의 실시예에 따르면, 이미 학습이 완료된 제1 인식기로부터 레퍼런스 입력 및 레퍼런스 출력을 얻고, 이를 학습 데이터로 이용하여 제2 인식기를 학습시킬 수 있다. 즉, 학습이 완료된 인식기를 통해 충분히 많은 수의 학습 데이터를 얻을 수 있으며, 이를 통해 다른 인식기를 학습시킬 수 있다.
도 1은 본 발명의 실시예에 따른 인식기를 이식하기 위한 시스템에 대해서 설명하기 위한 도면이다.
도 2는 본 발명의 실시예에 따른 인식기의 구성을 설명하기 위한 블록도이다.
도 3 및 도 4는 본 발명의 실시예에 따른 연산 복잡도 및 연산 속도를 설명하기 위한 도면이다.
도 5는 본 발명의 실시예에 따른 이식기의 구성을 설명하기 위한 블록도이다.
도 6은 본 발명의 실시예에 따른 인식기를 이식하기 위한 방법에 대해서 설명하기 위한 흐름도이다.
본 발명의 상세한 설명에 앞서, 이하에서 설명되는 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 실시예에 불과할 뿐, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 이때, 첨부된 도면에서 동일한 구성 요소는 가능한 동일한 부호로 나타내고 있음을 유의해야 한다. 또한, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략할 것이다. 마찬가지의 이유로 첨부 도면에 있어서 일부 구성요소는 과장되거나 생략되거나 또는 개략적으로 도시되었으며, 각 구성요소의 크기는 실제 크기를 전적으로 반영하는 것이 아니다.
먼저, 본 발명의 실시예에 따른 인식기를 이식하기 위한 시스템에 대해서 설명하기로 한다. 도 1은 본 발명의 실시예에 따른 인식기를 이식하기 위한 시스템에 대해서 설명하기 위한 도면이다. 도 2는 본 발명의 실시예에 따른 인식기의 구성을 설명하기 위한 블록도이다. 도 3 및 도 4는 본 발명의 실시예에 따른 연산 복잡도 및 연산 속도를 설명하기 위한 도면이다.
도 1을 참조하면, 본 발명의 실시예에 따른 이식 시스템은 제1 장치(10) 및 제2 장치(20)를 포함한다. 제1 장치(10) 및 제2 장치(20) 양자 모두 컴퓨팅 연산을 수행할 수 있는 장치이다. 여기서, 컴퓨팅 연산이라고 함은 하드웨어적으로 보면 컴퓨터 중앙처리장치(CPU: central process unit)의 산술논리장치(ALU: arithmetic logic unit)에 의한 논리연산, 예컨대, AND, OR, XAND, XOR 등을 수행하는 일련의 과정이다.
바람직하게, 제1 장치(10)는 제2 장치(20) 보다 높은 사양을 가지는 컴퓨팅 장치가 될 수 있다. 예컨대, 제1 장치(10)는 서버급 컴퓨팅 장치이며, 제2 장치(20)는 스마트폰, 태블릿 PC, 노트북 등의 휴대용 장치가 될 수 있다. 하지만, 본 발명은 이에 한정되는 것은 아니며, 제1 장치(10) 및 제2 장치(20)가 동등한 성능을 가지는 컴퓨팅 연산을 수행하는 장치이거나, 역으로, 제2 장치(20)가 제1 장치(10) 보다 고사양의 장치인 경우에도 무방하다.
제1 장치(10)는 제1 인식기(100) 및 이식기(300)를 포함한다. 또한, 제2 장치(20)는 제2 인식기(200)를 포함한다. 제1 인식기(100), 제2 인식기(200) 및 이식기(300)는 하드웨어, 소프트웨어, 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다.
제1 인식기(100) 및 제2 인식기(200)는 입력되는 데이터를 학습된 바에 따라 인식하거나, 분류하기 위한 것이다. 예컨대, 제1 인식기(100) 및 제2 인식기(200)는 음성, 텍스트, 이미지 등의 데이터가 입력되면, 입력된 음성, 텍스트의 의미를 인식하거나, 이미지가 표현한 내용을 인식하기 위한 것이다. 제1 및 제2 인식기(100, 200)는 전방전달신경망(FNN: feedforward neural network), 순환인공신경망(RNN: Recurrent neural network), 합성곱신경망(CNN: convolutional neural networks), 코헨자기조직신경망(KSN: kohonen self-organizing network) 등의 인공신경망(ANN: artificial neural network)을 비롯하여 트리인식기, 서포트 벡터 머신(SVM: support vector machine), 퍼셉트론(perceptron), RBF(radial basis function) 등을 예시할 수 있다.
이식기(300)는 제1 인식기(100)로부터 학습 데이터를 수집하여 제2 인식기(200)를 학습시키기 위한 것이다. 이로써, 제1 인식기(100)가 제2 인식기로 이식된다. 본 발명의 실시예에서 이식기(300)는 제1 장치(10)에 포함되는 것으로 설명하지만, 이식기(300)는 제2 장치(20)에 포함되거나, 독립적인 컴퓨팅 연산장치로 구현될 수도 있다.
도 2를 참조하면, 제1 인식기(100)는 전처리부(110), 특징추출부(120) 및 인식부(130)를 포함한다. 마찬가지로, 제2 인식기(200)는 전처리부(210), 특징추출부(220) 및 인식부(230)를 포함한다.
전처리부(110, 210)는 인식기(100, 200)에 입력되는 데이터의 노이즈를 제거하거나, 불필요한 데이터를 제거하거나, 필요한 데이터만 추출하기 위한 것이다. 예컨대, 인식기(100, 200)가 음성 인식기인 경우, 전처리부(110, 210)는 입력되는 음성으로부터 잡음을 제거한다.
특징추출부(120, 220)는 데이터를 인식하기 위한 특징을 추출하기 위한 것이다. 일례로, 인식기(100, 200)가 음성 인식기인 경우, 특징추출부(120, 220)는 음성 신호에서 특징 벡터를 추출할 수 있다. 다른 예로, 인식기(100, 200)가 텍스트 인식기인 경우, 특징추출부(120, 220)는 텍스트를 음소 단위로 구분하여 추출할 수 있다.
인식부(130, 230)는 특징추출부(120, 220)가 추출한 데이터의 특징에 대해 학습된 바에 따라 복수의 연산을 수행하여 데이터를 인식하기 위한 것이다. 예컨대, 도 3 및 도 4에 인식기(100, 200)의 인식부(130, 230)의 예를 도시하였다. 원은 데이터를 의미하며, 화살표는 연산을 의미한다. 도시된 바와 같이, 인식부(130, 230)는 데이터에 대해 복수의 연산을 수행한다. 이러한 연산의 수에 비례하여 메모리와 산술논리장치가 할당된다. 따라서 연산의 수가 많을수록 연산 복잡도가 높아지며, 연산의 수가 적을수록 연산 속도는 빨라질 수 있다. 즉, 본 발명의 실시예에서 연산 복잡도는 연산의 수에 비례한다. 또한, 연산 속도는 연산의 수에 반비례한다.
본 발명의 바람직한 실시예에 따르면, 제1 인식부(130)를 포함하는 제1 인식기(100)는 제2 인식부(130)를 포함하는 제2 인식기(200) 보다 연산 복잡도가 높다. 반면, 제2 인식부(130)를 포함하는 제2 인식기(200)는 제1 인식부(130)를 포함하는 제1 인식기(100) 보다 연산 속도가 빠른 것이 바람직하다. 이에 따라, 제1 인식기(100)는 전방전달신경망(FNN: feedforward neural network), 순환인공신경망(RNN: Recurrent neural network), 합성곱신경망(CNN: convolutional neural networks), 코헨자기조직신경망(KSN: kohonen self-organizing network) 등의 인공신경망(ANN: artificial neural network)인 것이 바람직하며, 제2 인식기(100, 200)는 트리인식기, 서포트 벡터 머신(SVM: support vector machine), 퍼셉트론(perceptron), RBF(radial basis function) 등인 것이 바람직하다.
전술한 전처리부(110, 210) 및 특징추출부(120, 220) 중 적어도 하나는 인식기(100, 200)의 종류에 따라 생략될 수도 있다. 일례로, 인식기(100, 200)가 인공신경망(ANN: artificial neural network)인 경우, 전처리부(110, 210) 및 특징추출부(120, 220)가 생략될 수도 있다. 다른 예로, 인식기(100, 200)가 합성곱신경망(CNN: convolutional neural networks)인 경우, 특징추출부(120, 220)는 인식부(130, 230)에 포함되어 구현될 수 있다.
다음으로, 본 발명의 실시예에 따른 이식기(300)의 구성에 대해서 보다 상세하게 설명하기로 한다. 도 5는 본 발명의 실시예에 따른 이식기의 구성을 설명하기 위한 블록도이다. 도 5를 참조하면, 이식기(300)는 입력생성부(310), 데이터수집부(320) 및 이식부(330)를 포함한다.
먼저, 제1 인식기(100)는 학습이 완료된 상태라고 가정한다. 학습이 완료된 상태는 소정 수 이상의 학습 데이터를 이용하여 학습을 수행한 후, 목표하는 수치 이상의 인식률을 가지는 상태를 의미한다.
입력생성부(310)는 제1 인식기(100)에 입력하기 위한 입력값을 생성한다. 이러한 입력값을 레퍼런스 입력이라고 칭하기로 한다. 예컨대, 입력생성부(310)는 제1 인식기(100) 대응하여 제1 인식기(100)가 인식하는 음성, 텍스트, 이미지 등의 레퍼런스 입력값을 무작위로 생성할 수 있다. 입력생성부(310)는 레퍼런스 입력을 생성한 후, 생성된 레퍼런스 입력을 제1 인식기(100)에 입력한다.
데이터수집부(320)는 제1 인식기(100)로부터 제2 인식기(200)를 학습시키기 위한 학습 데이터를 수집하기 위한 것이다. 입력생성부(310)가 레퍼런스 입력을 제1 인식기(100)에 입력하면, 제1 인식기(100)는 학습된 바에 따라 연산을 수행하여 그 연산 결과를 출력할 것이다. 이러한 출력을 레퍼런스 출력이라고 칭하기로 한다. 데이터수집부(320)는 입력생성부(310)가 생성한 레퍼런스 입력과 이에 대응하는 레퍼런스 출력을 수집하고, 수집된 레퍼런스 입력 및 레퍼런스 출력을 매핑하여 학습 데이터로 누적하여 저장한다. 즉, 데이터수집부(320)는 복수의 학습 데이터를 수집한다.
이식부(330)는 데이터수집부(320)가 수집한 레퍼런스 입력과 대응하는 레퍼런스 출력으로 이루어진 복수의 학습 데이터를 통해 제2 인식기(200)를 학습시키기 위한 것이다. 이식부(330)는 복수의 학습 데이터를 제2 인식기(200)에 제공하여 제2 인식기(200)를 학습시킨다.
다음으로, 본 발명의 실시예에 따른 인식기를 이식하기 위한 방법에 대해서 설명하기로 한다. 도 6은 본 발명의 실시예에 따른 인식기를 이식하기 위한 방법에 대해서 설명하기 위한 흐름도이다.
도 6을 참조하면, 제1 인식기(100)는 S110 단계에서 학습을 완료한 상태라고 가정한다. 전술한 바와 같이, 학습이 완료된 상태는 소정 수 이상의 학습 데이터를 이용하여 학습을 수행한 후, 목표하는 수치 이상의 인식률을 가지는 상태를 의미한다.
이와 같이, 제1 인식기(100) 학습이 완료된 상태에서, 이식기(300)의 입력생성부(310)는 레퍼런스 입력을 생성하고, S120 단계에서 생성된 레퍼런스 입력을 제1 인식기(100)에 입력한다.
그러면, 제1 인식기(100)는 S130 단계에서 학습된 바에 따라 연산을 수행하여 그 연산 결과인 레퍼런스 출력을 출력한다. 이에 따라, 이식기(300)의 데이터수집부(320)는 S140 단계에서 입력생성부(310)가 생성한 레퍼런스 입력과 이에 대응하여 제1 인식기(100)가 출력한 레퍼런스 출력을 수집하고, 수집된 레퍼런스 입력 및 레퍼런스 출력을 매핑하여 학습 데이터로 누적하여 저장한다.
이러한 S120 단계 내지 S140 단계는 미리 설정된 횟수 이상 반복된다. 이에 따라, 데이터수집부(320)는 복수의 학습 데이터를 수집할 수 있다.
다음으로, 이식기(300)의 이식부(330)는 S150 단계에서 데이터수집부(320)가 수집한 복수의 학습 데이터를 제2 인식기(200)에 제공하여 제2 인식기(200)가 학습하도록 한다. 즉, 제2 인식기(200)는 S160 단계에서 이식기(300)의 이식부(330)가 제공한 학습 데이터를 통해 학습을 수행한다.
이와 같이, 본 발명의 실시예에 따르면, 이미 학습이 완료된 제1 인식기(100)로부터 레퍼런스 입력 및 레퍼런스 출력을 얻고, 이를 학습 데이터로 이용하여 제2 인식기(200)를 학습시킬 수 있다. 즉, 학습이 완료된 인식기, 즉, 제1 인식기(100)를 통해 충분히 많은 수의 학습 데이터를 얻을 수 있으며, 이를 통해 다른 인식기, 즉, 제2 인식기(200)를 학습시킬 수 있다.
한편, 앞서 설명된 본 발명의 실시예에 따른 방법은 다양한 컴퓨터수단을 통하여 판독 가능한 프로그램 형태로 구현되어 컴퓨터로 판독 가능한 기록매체에 기록될 수 있다. 여기서, 기록매체는 프로그램 명령, 데이터 파일, 데이터구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광 기록 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 장치를 포함한다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어를 포함할 수 있다. 이러한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상 본 발명을 몇 가지 바람직한 실시예를 사용하여 설명하였으나, 이들 실시예는 예시적인 것이며 한정적인 것이 아니다. 이와 같이, 본 발명이 속하는 기술분야에서 통상의 지식을 지닌 자라면 본 발명의 사상과 첨부된 특허청구범위에 제시된 권리범위에서 벗어나지 않으면서 균등론에 따라 다양한 변화와 수정을 가할 수 있음을 이해할 것이다.
10: 제1 장치
100: 제1 인식기
200: 제2 인식기
110, 210: 전처리부
120, 220: 특징추출부
130, 230: 인식부
300: 이식기
310: 입력생성부
320: 데이터수집부
330: 이식부

Claims (11)

  1. 인식기를 이식하기 위한 장치에 있어서,
    제1 인식기;
    제2 인식기;
    레퍼런스 입력을 생성하여 상기 제1 인식기에 입력하는 입력생성부;
    상기 레퍼런스 입력 및 상기 레퍼런스 입력에 대한 상기 제1 인식기의 출력인 레퍼런스 출력을 수집하는 데이터수집부; 및
    상기 레퍼런스 입력과 상기 레퍼런스 출력을 학습데이터로 상기 제2 인식기를 학습시키는 이식부;를 포함하는 것을 특징으로 하는 인식기를 이식하기 위한 장치.
  2. 제1항에 있어서,
    상기 제1 인식기의 연산 복잡도는
    상기 제2 인식기의 연산 복잡도 보다 높은 것을 특징으로 하는 인식기를 이식하기 위한 장치.
  3. 제1항에 있어서,
    상기 제2 인식기의 연산 속도는
    상기 제1 인식기의 연산 속도 보다 빠른 것을 특징으로 하는 인식기를 이식하기 위한 장치.
  4. 제1항에 있어서,
    상기 제1 인식기는 상기 제1 인식기는
    전방전달신경망(FNN: feedforward neural network), 순환인공신경망(RNN: Recurrent neural network), 합성곱신경망(CNN: convolutional neural networks) 및 코헨자기조직신경망(KSN: kohonen self-organizing network) 중 어느 하나인 것을 특징으로 하는 인식기를 이식하기 위한 장치.
  5. 제1항에 있어서,
    상기 제2 인식기는
    트리인식기, SVM(support vector machine), 퍼셉트론(perceptron) 및 RBF(radial basis function) 중 어느 하나인 것을 특징으로 하는 인식기를 이식하기 위한 장치.
  6. 인식기를 이식하기 위한 방법에 있어서,
    입력생성부가 레퍼런스 입력을 생성하여 제1 인식기에 입력하는 단계;
    상기 제1 인식기가 상기 가상입력을 입력받아 입력된 레퍼런스 입력에 따른 복수의 연산을 수행하여 레퍼런스 출력을 출력하는 단계;
    데이터수집부가 상기 레퍼런스 입력 및 상기 레퍼런스 입력에 대한 상기 제1 인식기의 출력인 레퍼런스 출력을 수집하는 단계;
    이식부가 상기 레퍼런스 입력과 상기 레퍼런스 출력을 제2 인식기에 제공하는 단계;
    상기 제2 인식기가 상기 레퍼런스 입력과 상기 레퍼런스 출력을 학습 데이터로 이용하여 학습하는 단계;를 포함하는 것을 특징으로 하는 인식기를 이식하기 위한 방법.
  7. 제6항에 있어서,
    상기 제1 인식기의 연산 복잡도는
    상기 제2 인식기의 연산 복잡도 보다 높은 것을 특징으로 하는 인식기를 이식하기 위한 방법.
  8. 제6항에 있어서,
    상기 제2 인식기의 연산 속도는
    상기 제1 인식기의 연산 속도 보다 빠른 것을 특징으로 하는 인식기를 이식하기 위한 방법.
  9. 제6항에 있어서,
    상기 제1 인식기는
    전방전달신경망(FNN: feedforward neural network), 순환인공신경망(RNN: Recurrent neural network), 합성곱신경망(CNN: convolutional neural networks) 및 코헨자기조직신경망(KSN: kohonen self-organizing network) 중 어느 하나인 것을 특징으로 하는 인식기를 이식하기 위한 방법.
  10. 제6항에 있어서,
    상기 제2 인식기는
    트리인식기, SVM(support vector machine), 퍼셉트론(perceptron) 및 RBF(radial basis function) 중 어느 하나인 것을 특징으로 하는 인식기를 이식하기 위한 방법.
  11. 이식기의 인식기를 이식하기 위한 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체에 있어서,
    레퍼런스 입력을 생성하여 제1 인식기에 입력하는 단계;
    상기 레퍼런스 입력 및 상기 레퍼런스 입력에 대한 상기 제1 인식기의 출력인 레퍼런스 출력을 수집하는 단계;
    상기 레퍼런스 입력과 상기 레퍼런스 출력을 학습데이터로 제2 인식기를 학습시키는 단계;를 포함하는 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체.
KR1020180080587A 2018-07-11 2018-07-11 다른 장치로 인식기를 이식하기 위한 장치, 이를 위한 방법 및 이 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체 KR20200006792A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180080587A KR20200006792A (ko) 2018-07-11 2018-07-11 다른 장치로 인식기를 이식하기 위한 장치, 이를 위한 방법 및 이 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180080587A KR20200006792A (ko) 2018-07-11 2018-07-11 다른 장치로 인식기를 이식하기 위한 장치, 이를 위한 방법 및 이 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체

Publications (1)

Publication Number Publication Date
KR20200006792A true KR20200006792A (ko) 2020-01-21

Family

ID=69369605

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180080587A KR20200006792A (ko) 2018-07-11 2018-07-11 다른 장치로 인식기를 이식하기 위한 장치, 이를 위한 방법 및 이 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체

Country Status (1)

Country Link
KR (1) KR20200006792A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050096791A (ko) 2004-03-31 2005-10-06 (주)에스엔에이치 인공지능 학습을 통한 게이머의 게임 스타일 이식시스템및 그 이식방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050096791A (ko) 2004-03-31 2005-10-06 (주)에스엔에이치 인공지능 학습을 통한 게이머의 게임 스타일 이식시스템및 그 이식방법

Similar Documents

Publication Publication Date Title
CN110569795B (zh) 一种图像识别方法、装置以及相关设备
Zisimopoulos et al. Deepphase: surgical phase recognition in cataracts videos
Das et al. A hybrid approach for Bangla sign language recognition using deep transfer learning model with random forest classifier
Jie et al. Tree-structured reinforcement learning for sequential object localization
Wang et al. Hidden‐Markov‐models‐based dynamic hand gesture recognition
Lu et al. GAIM: Graph attention interaction model for collective activity recognition
KR20200022739A (ko) 데이터 증강에 기초한 인식 모델 트레이닝 방법 및 장치, 이미지 인식 방법 및 장치
CN110914831B (zh) 用于分析图像的方法和设备
KR20200000824A (ko) 중심 분산 손실 함수를 활용한 딥 러닝 모델 기반의 얼굴 표정 인식 방법
JP2018538612A (ja) オブジェクト検出のためのスケール依存プーリングによるカスケード型ニューラルネットワーク
KR102060719B1 (ko) 딥러닝 기반 얼굴 검출 및 감정 인식 시스템 및 방법
CN111539389A (zh) 人脸防伪识别方法、装置、设备及存储介质
KR20150099129A (ko) 국소 특징 기반 적응형 결정 트리를 이용한 얼굴 표정 인식 방법 및 장치
Chiaroni et al. Learning with a generative adversarial network from a positive unlabeled dataset for image classification
GB2561892A (en) A Method, an apparatus and a computer program product for object detection
Puthanidam et al. A hybrid approach for facial expression recognition
Mahmud et al. Facial expression recognition system using extreme learning machine
Lahasan et al. Recognizing faces prone to occlusions and common variations using optimal face subgraphs
Cinelli Anomaly detection in surveillance videos using deep residual networks
KR20200006792A (ko) 다른 장치로 인식기를 이식하기 위한 장치, 이를 위한 방법 및 이 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체
KR102154822B1 (ko) 안드로이드 로봇의 얼굴 표정 생성 시스템 및 방법
Rajalaxmi et al. Deepfake Detection using Inception-ResNet-V2 Network
D'Sa et al. An IoT based framework for activity recognition using deep learning technique
Li et al. Cognitive architecture for video games
EP3401843A1 (en) A method, an apparatus and a computer program product for modifying media content

Legal Events

Date Code Title Description
E601 Decision to refuse application