KR20200092450A

KR20200092450A - 데이터 라벨링을 수행하기 위한 기법

Info

Publication number: KR20200092450A
Application number: KR1020190001127A
Authority: KR
Inventors: 김범수; 이성윤
Original assignee: 주식회사 인터파크
Priority date: 2019-01-04
Filing date: 2019-01-04
Publication date: 2020-08-04

Abstract

본 개시의 일 실시예에 따라 데이터 라벨링 방법이 개시된다. 상기 방법의 처리를 위해 컴퓨터 프로그램에 저장된 동작은, 이미지 집합에 포함된 복수의 이미지 중 라벨링 기준에 기초하여 하나 이상의 라벨 대상 이미지를 결정하는 동작; 상기 하나 이상의 라벨 대상 이미지를 라벨링하는 동작; 및 상기 하나 이상의 라벨 대상 이미지에 대한 상기 라벨링 결과에 기초하여 상기 이미지 집합에 포함된 복수의 이미지 중 상기 라벨 대상 이미지 이외의 다른 이미지를 라벨링하는 동작을 포함한다.

Description

데이터 라벨링을 수행하기 위한 기법{TECHNIQUE FOR PERFOMING DATA LABELING}

본 발명은 컴퓨팅 장치에 관한 것으로 보다 구체적으로 컴퓨팅 장치를 이용하여 데이터를 라벨링하는 기법에 관한 것이다.

최근 인공지능에 대한 관심 및 수요가 증가하면서, 해당 분야에 대한 연구도 확산되고 있다. 신경망의 교사 학습을 위해서는 선결적으로 학습 데이터의 생성이 필요하다. 학습 데이터를 생성하기 위하여 데이터에 대한 라벨링을 수행하여야 한다. 다만, 학습 데이터는 상당히 많은 양의 데이터를 포함하고 있고, 사람이 직접 라벨링을 수행하는 경우, 소요되는 시간이 기하급수적으로 증가하게 된다.

따라서, 최근에는 학습 데이터의 생성을 위한 라벨링 소요 시간을 단축하기 위한 방법에 대한 수요가 존재한다.

대한민국 공개특허 제10-2018-0120061호는 인공 신경망 모델의 학습 방법 및 딥 러닝 시스템을 개시한다.

본 개시는 전술한 배경기술에 대응하여 안출 된 것으로, 효과적인 데이터 라벨링 기법을 제공하는 것을 목적으로 한다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨팅 장치의 하나 이상의 프로세서에서 실행되는 경우 라벨링을 위한 이하의 동작들을 수행하도록 하며 상기 동작들은, 이미지 집합에 포함된 복수의 이미지 중 라벨링 기준에 기초하여 하나 이상의 라벨 대상 이미지를 결정하는 동작; 상기 하나 이상의 라벨 대상 이미지를 라벨링하는 동작; 및 상기 하나 이상의 라벨 대상 이미지에 대한 상기 라벨링 결과에 기초하여 상기 이미지 집합에 포함된 복수의 이미지 중 상기 라벨 대상 이미지 이외의 다른 이미지를 라벨링하는 동작을 포함할 수 있다.

라벨링을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 이미지 집합은, 비디오에 포함된 복수의 프레임에 기초한 이미지를 포함하고, 그리고 복수의 이미지들은 서로 상관 관계를 가질 수 있다.

라벨링을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 라벨링 기준은 상기 이미지 집합에 포함된 전체 이미지에 대한 임의 결정 방식, 상기 이미지 집합에 포함된 각각의 이미지에 대한 확률 기반 방식, 상기 이미지 집합에 포함된 복수의 이미지의 상관 관계에 기초한 방식 및 상기 이미지 집합에 포함된 복수의 이미지 각각에 대한 평가 정보에 기초한 방식 중 적어도 하나의 방식에 기초하여 결정될 수 있다.

라벨링을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 이미지 집합에 포함된 복수의 이미지 각각에 대한 평가 정보는, 각각의 이미지가 객체를 포함하는 정도에 관한 평가 정보, 각각의 이미지에서 객체의 인식이 가능한지 여부에 관한 평가 정보 및 다른 이미지와 유사성에 관한 평가 정보 중 적어도 하나를 포함할 수 있다.

라벨링을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 하나 이상의 라벨 대상 이미지를 라벨링하는 동작은, 상기 라벨 대상 이미지에 포함된 하나 이상의 객체에 관련된 라벨링 정보를 상기 라벨 대상 이미지에 매핑하여 라벨링된 데이터를 생성하는 동작을 포함할 수 있다.

라벨링을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 라벨링 정보는, 상기 라벨 대상 이미지에 포함된 객체의 위치 정보, 상기 객체의 클래스 정보, 및 상기 객체가 상기 이미지 집합의 다른 이미지 상에 위치할 수 있는 위치 이동 정보 중 적어도 하나를 포함할 수 있다.

라벨링을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 하나 이상의 라벨 대상 이미지에 대한 상기 라벨링 결과에 기초하여 상기 이미지 집합에 포함된 복수의 이미지 중 상기 라벨 대상 이미지 이외의 다른 이미지를 라벨링하는 동작은, 상기 라벨링된 라벨 대상 이미지를 포함하는 데이터 셋으로 학습된 라벨링 모델을 이용하여 상기 이미지 집합에 포함된 복수의 이미지 중 상기 라벨 대상 이미지 이외의 다른 이미지에 대한 추가 라벨을 생성하는 동작; 및 상기 추가 라벨을 상기 다른 이미지에 매핑함으로써 라벨링된 추가 데이터를 생성하는 동작을 포함할 수 있다.

라벨링을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 하나 이상의 라벨 대상 이미지에 대한 상기 라벨링 결과에 기초하여 상기 이미지 집합에 포함된 복수의 이미지 중 상기 라벨 대상 이미지 이외의 다른 이미지를 라벨링하는 동작은, 객체가 이미지 집합의 다른 이미지 상에 위치할 수 있는 위치 이동 정보에 기초하여, 상기 다른 이미지 상의 객체에 대한 라벨의 위치를 결정하는 동작을 포함할 수 있다.

라벨링을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 하나 이상의 라벨 대상 이미지를 라벨링하는 동작은, 상기 라벨 대상 이미지에 포함된 하나 이상의 픽셀 각각에 대하여 하나의 픽셀과 인접 픽셀 간의 비교에 기초하여 상기 라벨 대상 이미지에 포함된 객체와 배경의 경계를 인식하도록 하는 동작을 포함할 수 있다.

라벨링을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 하나 이상의 라벨 대상 이미지를 라벨링하는 동작은, 상기 라벨 대상 이미지를 하나 이상의 네트워크 함수를 포함하는 객체 표시 모델의 입력으로 하여 연산하여 상기 라벨 대상 이미지에 포함된 객체와 배경의 경계를 인식하도록 하는 동작을 포함하고, 상기 객체 표시 모델은, 상기 라벨 대상 이미지의 피쳐를 추출하도록 하는 이미지 인식 서브 모델 및 상기 추출된 피쳐에 기초하여 상기 라벨 대상 이미지에 포함된 픽셀들 각각에 대한 인접 픽셀과의 관계를 인식하여 상기 객체와 배경의 경계를 인식하도록 하는 관계 인식 서브 모델을 포함할 수 있다.

라벨링을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 라벨링 모델은, 입력 이미지를 제 1 서브 모델을 이용하여 연산하여 상기 입력 이미지에 포함된 객체가 표시된 제 1 서브 결과 이미지를 생성하고, 상기 제 1 서브 결과 이미지 및 상기 입력 이미지를 제 2 서브 모델을 이용하여 연산하여 상기 입력 이미지에 포함된 객체가 표시된 이미지를 출력하도록 하는 모델이고, 그리고 상기 제 2 서브 모델은 상기 제 1 서브 모델의 채널 개수보다 더 많은 개수의 채널을 포함할 수 있다.

라벨링을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서 상기 라벨링 모델은, 입력 이미지를 둘 이상의 다른 스케일로 변환하여 둘 이상의 변환 이미지를 생성하고, 상기 둘 이상의 변환 이미지 각각에 대하여 피쳐를 추출하고 상기 추출된 피쳐에 기초하여 객체에 대한 분류를 수행하고, 그리고 상기 분류 결과에 기초하여 둘 이상의 객체 인식 결과를 생성하고, 그리고 상기 둘 이상의 객체 인식 결과에 기초하여 상기 라벨링 모델의 출력으로 생성하도록 학습된 모델일 수 있다.

본 개시는 효과적인 데이터 라벨링 기법을 제공할 수 있다.

도 1은 본 개시의 일 실시예에 따른 데이터 라벨링을 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.
도 2는 본 개시의 일 실시예에 따른 데이터 라벨링을 위한 네트워크 구조를 도시한 도면이다.
도 3은 본 개시의 일 실시예에 따른 데이터 라벨링을 위한 네트워크 구조를 도시한 도면이다.
도 4는 본 개시의 일 실시예에 따른 데이터 라벨링을 위한 네트워크 구조를 도시한 도면이다.
도 5는 본 개시의 일 실시예에 따른 데이터 라벨링 방법의 순서도이다.
도 6은 본 개시의 일 실시예에 따른 데이터 라벨링을 구현하기 위한 로직을 도시한 블록 구성도이다.
도 7은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.

다양한 실시예들이 이제 도면을 참조하여 설명되며, 전체 도면에서 걸쳐 유사한 도면번호는 유사한 구성요소를 나타내기 위해서 사용된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다. 다른 예 들에서, 공지된 구조 및 장치들은 실시예들의 설명을 용이하게 하기 위해서 블록 다이어그램 형태로 제공된다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정, 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있고, 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있고, 또는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통한 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

본 개시의 일 실시예에서 컴퓨팅 장치는 컴퓨팅 장치의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수도 있다. 컴퓨팅 장치는 임의의 형태의 장치는 모두 포함할 수 있다. 컴퓨팅 장치는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 컴퓨팅 장치는 서비스를 처리하는 웹 서버일 수 있다. 전술한 컴퓨팅 장치의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 명세서에 걸쳐, 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은 "뉴런(neuron)"들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.

본 명세서에 걸쳐, 모델은 하나 이상의 네트워크 함수를 포함하는 의미로 사용될 수 있다. 모델은 다른 모델과 함께 데이터의 처리를 수행할 수 있다. 모델은 다른 모델과 직렬 또는 병렬로 상호 연결될 수 있다.

도 1은 본 개시의 일 실시예에 따른 데이터 라벨링을 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.

본 개시의 일 실시예에 따른 데이터 라벨링을 위한 컴퓨팅 장치(100)는 네트워크부(110), 프로세서(120) 및 메모리(130)를 포함할 수 있다.

네트워크부(110)는 본 개시의 일 실시예에 따른 데이터 라벨링 방법을 수행하기 위한 데이터 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 네트워크부(110)는 데이터 라벨링의 기초가 되는 이미지 집합, 라벨 대상 이미지의 크롭 이미지 등 본 개시의 실시예에 필요한 데이터들을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 네트워크부(110)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 복수의 컴퓨팅 장치 각각에서 이미지 집합에 포함된 복수의 이미지 각각에 기초하여 라벨링 연산을 분산 처리하도록 할 수 있다.

프로세서(120)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 라벨링을 위한 프로세서를 포함할 수 있다. 프로세서(120)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 데이터 라벨링 방법을 수행할 수 있다. 본 개시의 일 실시예에 따라 프로세서(120)는 데이터 라벨링 방법을 위한 계산을 수행할 수 있다.

프로세서(120)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 데이터 라벨링을 위한 이미지에 대한 피쳐 추출, 이미지에 포함된 객체 분류 연산 등을 처리할 수 있다. 예를 들어, 라벨링 모델에 포함된 둘 이상의 서브 모델 각각이 입력된 이미지에 대하여 객체를 분류하는 연산 등을 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 데이터 라벨링을 위한 복수의 이미지 중 라벨 대상 이미지 외 다른 이미지에 대한 추가 라벨을 생성하는 연산 등을 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

이하에서는 본 개시의 일 실시예에 따라 프로세서(120)가 데이터 라벨링을 수행하는 방법에 관하여 설명한다.

프로세서(120)는 이미지 집합에 포함된 복수의 이미지 중 라벨링 기준에 기초하여 하나 이상의 라벨 대상 이미지를 결정할 수 있다.

이미지 집합은, 하나 이상의 이미지를 포함할 수 있다. 이미지 집합은, 비디오에 포함된 복수의 프레임에 기초한 이미지를 포함하고, 그리고 복수의 이미지들은 서로 상관 관계를 가질 수 있다. 이미지 집합은, 비디오를 프레임 단위로 쪼갠 후, 각각의 비디오 프레임을 각각 이미지로 변환한 이미지를 포함할 수 있다. 예를 들어, 이미지 집합은, 비디오를 이미지 단위로 분할하여, 각각의 이미지가 시간적으로 선 순위 또는 후 순위에 해당하는 관계를 가질 수 있다. 이미지 집합은, 하나의 객체를 복수의 각도에서 촬영한 이미지를 포함할 수 있다. 예를 들어, 프로세서(120)는 일 상품에 대하여 촬영한 비디오를 프레임 단위로 분할하고, 그리고 이미지로 변환하여, 하나 이상의 변환된 이미지를 포함하는 이미지 집합을 생성할 수 있다. 프로세서(120)는 생성된 이미지 집합에 기초하여 상기 일 상품에 대한 학습 데이터를 생성할 수 있다. 전술한 이미지 집합에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

라벨링 기준은 상기 이미지 집합에 포함된 전체 이미지에 대한 임의 결정 방식, 상기 이미지 집합에 포함된 각각의 이미지에 대한 확률 기반 방식, 상기 이미지 집합에 포함된 복수의 이미지의 상관 관계에 기초한 방식 및 상기 이미지 집합에 포함된 복수의 이미지 각각에 대한 평가 정보에 기초한 방식 중 적어도 하나의 방식에 기초하여 결정될 수 있다.

라벨링 기준이 이미지 집합에 포함된 전체 이미지에 대한 임의 결정 방식인 경우, 이미지 집합에서 랜덤으로 라벨 대상 이미지를 결정할 수 있다. 프로세서(120)는 이미지 집합에서 랜덤(random)한 개수의 라벨 대상 이미지를 결정할 수도 있고, 또는 랜덤한 확률의 라벨 대상 이미지를 결정할 수도 있다.

라벨링 기준이 확률 기반 방식인 경우, 프로세서(120)는 이미지 집합에 포함된 하나 이상의 이미지 각각에 대하여 사전결정된 확률을 적용하여, 라벨 대상 이미지로 결정할 것인지 여부를 판단할 수 있다. 예를 들어, M개의 이미지를 포함하는 이미지 집합에서 N개의 이미지를 라벨 대상 이미지로 결정하려는 경우, 프로세서(120)는 M개의 이미지 각각에 대하여 N/M의 확률을 적용하여 라벨 대상 이미지로 결정할 것인지를 연산할 수도 있다. 전술한 라벨링 기준에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

라벨링 기준이 이미지 집합에 포함된 복수의 이미지의 상관 관계에 기초한 방식일 수 있다. 이미지 집합이 시간적 선후 정보를 포함하는 이미지를 포함하는 경우, 프로세서(120)는 사전결정된 시간 간격이 떨어진 이미지 각각을 라벨 대상 이미지로 결정할 수 있다. 예를 들어, 비디오에 포함된 프레임을 변환한 이미지들의 집합인 경우, 프로세서(120)는 10개 프레임 간격 이상 차이나는 프레임을 변환한 이미지들 만을 라벨 대상 이미지로 결정할 수 있다. 프로세서(120)는 프레임 2에 대한 이미지를 라벨 대상 이미지로 결정한 경우, 10보다 많이 떨어진 프레임 13 또는 그 이상 차이나는 프레임을 라벨 대상 이미지로 결정할 수 있다. 이미지 집합이 하나의 객체에 대하여 서로 다른 각도의 이미지를 포함하는 경우, 프로세서(120)는 사전결정된 각도 이상 차이가 나는 이미지 각각을 라벨 대상 이미지로 결정할 수 있다. 예를 들어, 객체를 움직이면서 촬영한 비디오이거나, 객체를 한 곳에 고정한 상태에서 카메라를 이동하면서 촬영한 비디오인 경우, 이미지 프레임 각각을 변환한 이미지는 객체에 대하여 상이한 각도를 촬영한 이미지일 수 있다. 프로세서(120)는 30도 각도로 객체를 촬영한 이미지를 라벨 대상 이미지로 결정한 경우, 30도보다 6도 이상 차이나는 37도 각도로 객체를 촬영한 이미지를 또 다른 라벨 대상 이미지로 결정할 수도 있다. 전술한 라벨링 기준에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

라벨링 기준은, 이미지 집합에 포함된 복수의 이미지 각각에 대한 평가 정보에 기초한 방식일 수 있다. 이미지 집합에 포함된 복수의 이미지 각각에 대한 평가 정보는, 각각의 이미지가 객체를 포함하는 정도에 관한 평가 정보 각각의 이미지에서 객체의 인식이 가능한지 여부에 관한 평가 정보 및 다른 이미지와 유사성에 관한 평가 정보 중 적어도 하나를 포함할 수 있다. 이미지가 객체를 포함하는 정도에 관한 평가 정보는, 이미지에 포함된 객체의 오클루전(occlusion) 정도를 나타낼 수 있다. 프로세서(120)는 이미지에 포함된 객체가 다른 부수적인 객체(예를 들어, 사람 손)에 의해 사전결정된 정도 이상 가려진 경우, 해당 이미지를 라벨 대상 이미지로 결정할 수 없다. 이미지에서 객체의 오클루전 정도는, 메모리(130)에 저장되어 있는 객체의 크기와 이미지에 포함된 객체의 크기를 비교하는 것에 기초하여 결정할 수 있다. 또한 프로세서(120)는 사전 저장된 객체의 형태와 이미지에 포함된 객체의 형태를 비교하여 이미지에서 객체의 오클루전의 정도를 결정할 수 있다. 예를 들어, 프로세서(120)는 우유 객체에 관하여 메모리(130)에 저장된 객체의 형태와 이미지에 포함된 우유 객체의 형태를 비교하였을 때, 이미지에 포함된 객체의 형태에 임계값 이상의 변형(distortion)이 있을 경우, 오클루전이 있는 것으로 결정할 수 있다. 프로세서(120)는 동일한 거리에 대하여 메모리(130)에 저장되어 있는 객체의 크기보다 사전결정된 값 이상으로 이미지에 포함된 객체의 크기가 작은 경우, 오클루전 정도가 큰 것으로 판단하여 해당 이미지는 라벨 대상 이미지로 결정하지 않을 수 있다. 예를 들어, 카메라로부터 1m 거리에 떨어져 있는 객체의 정면 면적은 80픽셀이고, 메모리(130)에 저장되어 있는 카메라로부터 1m 거리에 떨어져 있는 동일한 객체의 정면 면적은 100픽셀인 경우, 프로세서(120)는 객체의 적어도 일부에 오클루전이 있는 것으로 결정할 수 있다. 이미지에서 객체의 인식이 가능한지 여부에 관한 평가 정보는, 이미지에 포함된 객체에 대한 라벨링이 가능한지에 기초하여 결정될 수 있다. 프로세서(120)는 이미지에 포함된 객체에 대한 식별이 어려워 라벨링이 불가능한 것으로 판단되는 경우, 해당 이미지는 라벨 대상 이미지에서 제외할 수 있다. 프로세서(120)는 이미지에 포함된 객체의 블러(blurred) 정도에 기초하여, 객체의 블러 정도가 사전결정된 값 이상인 경우, 해당 이미지를 라벨 대상 이미지에서 제외할 수 있다. 프로세서(120)는 객체가 너무 멀리서 찍힌 경우 즉, 객체의 크기가 사전결정된 값 이하인 경우, 해당 이미지에 포함된 객체에 대한 식별이 어려운 것으로 판단하여 해당 이미지를 라벨 대상 이미지에서 제외할 수 있다.

다른 이미지와 유사성에 관한 평가 정보는, 하나의 이미지가 다른 이미지와 유사한 정도에 기초하여 결정될 수 있다. 본 개시의 일 실시예에 따라, 이미지 집합은 비디오에 포함된 복수의 프레임에 기초한 이미지이므로, 하나의 이미지가 다른 이미지의 기초가 되는 프레임과 가까운 시간 내의 프레임에 기초한 이미지일 경우, 상기 두 이미지는 유사성이 높은 이미지일 수 있다. 본 개시의 다른 일 실시예에 따라, 이미지 집합은 하나의 객체를 다양한 각도에서 촬영한 이미지들 일 수 있다. 이 경우, 이미지 집합에서 포함된 이미지들 중에서 하나의 이미지와 일정한 각도 범위 내에서 촬영한 이미지는 상기 하나의 이미지와 유사성이 높은 이미지로 판단될 수 있다. 유사성이 높은 이미지를 각각 라벨링하는 경우, 라벨에 소요되는 컴퓨팅 파워가 증가하고, 신경망의 학습 효율에 큰 증가가 없으므로, 유사성이 낮은 이미지들 각각을 라벨링하기 위하여, 유사성에 관한 평가 정보를 고려할 수 있다. 프로세서(120)는 하나의 이미지를 라벨링할 때, 그 전에 라벨링된 다른 이미지들과의 유사성에 관한 평가 정보를 확인할 수 있다. 프로세서(120)는 하나의 이미지가 다른 라벨링된 이미지와 유사도가 높은 이미지라고 판단되는 경우, 해당 이미지는 라벨 대상 이미지에서 제외할 수 있다. 프로세서(120)는 하나의 이미지가 다른 라벨링된 이미지와 유사도가 사전결정된 값 이하라고 판단되는 경우, 해당 이미지를 라벨 대상 이미지로 결정할 수 있다. 프로세서(120)는 이미지에 포함된 픽셀의 값에 기초하여 둘 이상의 이미지의 유사도를 결정할 수 있다. 프로세서(120)는 이미지에 포함된 하나 이상의 픽셀 값 각각이 다른 이미지에 포함된 하나 이상의 픽셀 값 각각과 비교하였을 때 임계치 이상의 차이가 없을 경우, 유사도가 높은 것으로 결정할 수 있고, 임계치 이상의 차이가 있을 경우, 유사도가 낮은 것으로 결정할 수 있다. 예를 들어, 비디오에 포함된 제 1 프레임부터 제 10 프레임까지의 프레임 각각에 기초하여 이미지를 변환한 경우, 프로세서(120)는 각각의 이미지의 픽셀 값에 기초하여 다른 이미지와의 유사성을 결정할 수 있다. 예를 들어, 프로세서(120)는 제 1 프레임에 기초한 제 1 이미지는 제 3 프레임에 기초한 제 3 이미지와 픽셀 값에 임계치 이상의 차이가 없어 유사성이 높은 이미지인 것으로 결정할 수 있다. 프로세서(120)는 제 1 이미지를 라벨 대상 이미지로 결정한 경우, 제 3 이미지를 라벨 대상 이미지에서 제외할 수 있다. 전술한 라벨링 기준에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 상기 하나 이상의 라벨 대상 이미지를 라벨링할 수 있다. 프로세서(120)는 상기 라벨 대상 이미지에 포함된 객체에 관련한 라벨링 정보를 라벨 대상 이미지에 매핑(mapping)하여 라벨링된 데이터를 생성할 수 있다. 라벨링 정보는, 상기 라벨 대상 이미지에 포함된 객체의 위치 정보, 상기 객체의 클래스 정보, 및 상기 객체가 상기 이미지 집합의 다른 이미지 상에 위치할 수 있는 위치 이동 정보 중 적어도 하나를 포함할 수 있다.

라벨 대상 이미지에 포함된 객체의 위치 정보는, 라벨 대상 이미지에 포함된 객체에 대한 세그먼테이션(segmentation) 정보일 수 있다. 클래스는, 하나의 객체를 다른 객체와 식별하기 위한 정보일 수 있다. 예를 들어, 편의점에서 판매하는 상품들에 대한 객체 각각을 식별하기 위한 정보가 클래스일 수 있다. 예를 들어, 객체가 편의점에서 판매하는 상품인 경우, 상품에 관한 명칭, 상품에 대한 코드, 상품에 대한 식별 정보 등일 수 있다. 예를 들어, 프로세서(120)는 초콜릿을 포함하는 라벨 대상 이미지에 대해, 초콜릿에 대한 세그먼테이션 정보(즉, 예를 들어 초콜릿이 어느 위치에 있는지 혹은 어느 픽셀이 초콜릿에 해당하는지에 관한 정보) 및 초콜릿이라는 클래스 정보를 매핑하여 라벨링된 데이터를 생성할 수 있다. 전술한 라벨링에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 하나의 객체만을 포함하는 라벨 대상 이미지일 경우, 상기 이미지에 객체에 대한 클래스 정보만을 포함하는 라벨링 정보를 라벨 대상 이미지에 매핑하여 라벨링된 데이터를 생성할 수 있다. 예를 들어, 프로세서(120)는 이미지에 과자 객체만이 포함된 경우, 과자에 대한 세그먼테이션 정보를 제외하고, 과자에 대한 클래스 정보만을 라벨 대상 이미지에 매핑하여 라벨링된 데이터를 생성할 수도 있다. 전술한 라벨링에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 둘 이상의 객체를 포함하는 라벨 대상 이미지일 경우, 상기 이미지에 포함된 둘 이상의 객체 각각에 대하여 세그먼테이션 정보 및 클래스 정보를 라벨 대상 이미지에 매핑하여 라벨링된 데이터를 생성할 수 있다. 예를 들어, 이미지에 바나나 및 사과가 포함되어 있는 경우, 프로세서(120)가 각각의 객체에 대하여 세그먼테이션 정보 및 클래스 정보를 각각 이미지에 매핑해야, 각각의 객체에 대한 학습이 가능할 수 있다. 프로세서(120)는 둘 이상의 객체를 포함하는 라벨 대상 이미지일 경우, 상기 라벨 대상 이미지를 각각 하나의 객체만을 포함하도록 상기 라벨 대상 이미지를 크롭핑할 수 있다. 예를 들어, 라벨 대상 이미지가 껌 및 과자를 포함하는 이미지인 경우, 프로세서(120)는 껌 만을 포함하는 제 1 이미지와 과자만을 포함하는 제 2 이미지로 라벨 대상 이미지를 분리하여 크롭핑할 수 있다. 프로세서(120)는 크롭핑된 이미지는 하나의 객체만을 포함하는 라벨 대상 이미지에 준하여 라벨링된 데이터를 생성할 수 있다. 전술한 라벨링에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

라벨링 정보는, 객체가 상기 이미지 집합의 다른 이미지 상에 위치할 수 있는 위치 이동 정보를 포함할 수 있다. 위치 이동 정보는, 이미지 집합이 포함하고 있는 하나 이상의 이미지 각각에 포함된 객체가 이미지 내에서 위치할 수 있는 위치 정보일 수 있다. 프로세서(120)는 비디오에서 객체가 이동한 범위에 기초하여 위치 이동 정보를 라벨링할 수 있다. 예를 들어, 비디오가 스토어의 선반에 위치한 객체를 촬영한 동영상일 경우, 객체는 선반을 관통하도록 움직일 수 없으므로, 이미지 집합에 포함된 객체는 선반 범위 내에서 움직이는 것으로 위치 이동 정보가 라벨링될 수 있다. 프로세서(120)는 비디오에서 확인된 객체의 이동 가속도에 기초하여 위치 이동 정보를 라벨링할 수 있다. 프로세서(120)는 비디오에 포함된 하나 이상의 프레임에 대한 이미지를 확인하여, 시간적으로 선 순위인 이미지들에 포함된 객체의 이동 가속도를 연산하여, 시간적으로 후 순위인 이미지들에 포함된 객체가 위치할 수 있는 범위를 결정할 수 있다. 예를 들어, 프로세서(120)는 비디오에 포함된 제 1 프레임 내지 제 30 프레임에 포함된 객체에 기초하여 연산한 객체의 가속도에 기초하여, 제 1 프레임에서 A지점에 위치하였던 객체가 제 300 프레임에서는 최대 A지점에서 20픽셀까지 이동할 수 있다고 연산할 수 있고, 프로세서(120)는 제 300 프레임에 매칭되는 다른 이미지를 라벨링할 때, A지점에서 50픽셀 벗어난 지점에 세그먼테이션이 된 경우, 해당 이미지의 라벨링은 오류가 있었던 것으로 결정할 수도 있다. 위치 이동 정보 라벨링에 기초하여, 프로세서(120)는 이미지 집합에 포함된 복수의 이미지 중 라벨 대상 이미지 이외의 다른 이미지를 라벨링할 때, 다른 이미지에서 객체의 위치로 라벨링된 위치가 위치 이동 정보 라벨링에 속하지 않는 다른 범위일 경우, 다른 이미지에 대한 라벨링에 오류가 있는 것으로 결정할 수 있다. 전술한 라벨링에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

이하에서는 라벨 대상 이미지를 세그먼테이션 하는 방법에 관하여 설명한다.

본 개시의 일 실시예에 따라 프로세서(120)가 객체와 배경의 픽셀 비교에 기초하여 라벨링하는 방법에 관하여 설명한다. 프로세서(120)는 상기 라벨 대상 이미지에 포함된 하나 이상의 픽셀 각각에 대하여 하나의 픽셀과 인접 픽셀 간의 비교에 기초하여 상기 라벨 대상 이미지에 포함된 객체와 배경의 경계를 인식할 수 있다. 프로세서(120)는 픽셀과 인접 픽셀의 값을 비교하여 라벨 대상 이미지에 포함된 객체와 배경의 경계를 인식할 수 있다. 하나의 객체 내에 있는 픽셀들은 픽셀 값의 차이가 크지 않고, 객체와 배경에 위치한 픽셀 각각은 픽셀 값의 차이가 클 수 있다. 프로세서(120)는 하나의 픽셀과 상기 픽셀의 인접 픽셀을 비교하여 픽셀 값 차이가 사전결정된 임계값 이상인 경우, 배경과 객체를 임계값 이상의 차이를 가지는 픽셀들에 기초하여 결정할 수 있다. 전술한 세그먼테이션 방법에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 명세서에 걸쳐, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은 "뉴런(neuron)"들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.

컨벌루셔널 뉴럴 네트워크는 딥 뉴럴 네트워크의 일종으로서, 컨벌루셔널 레이어를 포함하는 신경망을 포함한다. 컨벌루셔널 뉴럴 네트워크는 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptorns)의 한 종류이다. CNN은 하나 또는 여러 개의 컨벌루셔널 레이어와 이와 결합된 인공 신경망 계층들로 구성될 수 있다. CNN은 가중치와 풀링 레이어(pooling layer)들을 추가로 활용할 수 있다. 이러한 구조 덕분에 CNN은 2 차원 구조의 입력 데이터를 충분히 활용할 수 있다. 컨벌루셔널 뉴럴 네트워크는 이미지에서 오브젝트를 인식하기 위하여 사용될 수 있다. 컨벌루셔널 뉴럴 네트워크는 이미지 데이터를 차원을 가진 행렬로 나타내어 처리할 수 있다. 예를 들어 RGB(red-green-blue)로 인코딩 된 이미지 데이터의 경우, R, G, B 색상별로 각각 2차원(예를 들어, 2 차원 이미지 인 경우) 행렬로 나타내 질 수 있다. 즉, 이미지 데이터의 각 픽셀의 색상 값이 행렬의 성분이 될 수 있으며 행렬의 크기는 이미지의 크기와 같을 수 있다. 따라서 이미지 데이터는 3개의 2차원 행렬로(3차원의 데이터 어레이)로 나타내질 수 있다.

컨벌루셔널 뉴럴 네트워크에서 컨벌루셔널 필터를 이동해가며 컨벌루셔널 필터와 이미지의 각 위치에서의 행렬 성분끼리 곱하는 것으로 컨벌루셔널 과정(컨벌루셔널 레이어의 입출력)을 수행할 수 있다. 컨벌루셔널 필터는 n*n 형태의 행렬로 구성될 수 있다. 컨벌루셔널 필터는 일반적으로 이미지의 전체 픽셀의 수보다 작은 고정된 형태의 필터로 구성될 수 있다. 즉, m*m 이미지를 컨벌루셔널 레이어(예를 들어, 컨벌루셔널 필터의 사이즈가 n*n인 컨벌루셔널 레이어)입력시키는 경우, 이미지의 각 픽셀을 포함하는 n*n 픽셀을 나타내는 행렬이 컨벌루셔널 필터와 성분 곱 (즉, 행렬의 각 성분끼리의 곱) 될 수 있다. 컨벌루셔널 필터와의 곱에 의하여 이 미지에서 컨벌루셔널 필터와 매칭되는 성분이 추출될 수 있다. 예를 들어, 이미지에서 상하 직선 성분을 추출하기 위한 3*3 컨벌루셔널 필터는 [[0,1,0], [0,1,0], [0,1,0]] 와 같이 구성될 수 있다. 이미지에서 상하 직선 성분을 추출하기 위한 3*3 컨벌루셔널 필터가 입력 이미지에 적용되면 이미지에서 컨벌루셔널 필터와 매칭되는 상하 직선 성분이 추출되어 출력될 수 있다. 컨벌루셔널 레이어는 이미지를 나타낸 각각의 채널에 대한 각각의 행렬(즉, R, G, B 코딩 이미지의 경우, R, G, B 색상)에 컨벌루셔널 필터를 적용할 수 있다. 컨벌루셔널 레이어는 입력 이미지에 컨벌루셔널 필터를 적용하여 입력 이미지에서 컨벌루셔널 필터와 매칭되는 피쳐를 추출할 수 있다. 컨벌루셔널 필터의 필터 값(즉, 행렬의 각 성분의 값)은 컨벌루셔널 뉴럴 네트워크의 학습 과정에서 역전파에 의하여 업데이트 될 수 있다.

컨벌루셔널 레이어의 출력에는 서브샘플링 레이어가 연결되어 컨벌루셔널 레이어의 출력을 단순화하여 메모리 사용량과 연산량을 줄일 수 있다. 예를 들어, 2*2 맥스 풀링 필터를 가지는 풀링 레이어에 컨벌루셔널 레이어의 출력을 입력시키는 경우, 이미지의 각 픽셀에서 2*2 패치마다 각 패치에 포함되는 최대값을 출력하여 이미지를 압축할 수 있다. 전술한 풀링은 패치에서 최소값을 출력하거나, 패치의 평균값을 출력하는 방식일 수도 있으며 임의의 풀링 방식이 본 개시에 포함될 수 있다.

컨벌루셔널 뉴럴 네트워크는 하나 이상의 컨벌루셔널 레이어, 서브 샘플링 레이어를 포함할 수 있다. 컨벌루셔널 뉴럴 네트워크는 컨벌루셔널 과정과 서브샘플링 과정(예를 들어, 전술한 맥스 풀링 등)을 반복적으로 수행하여 이미지에서 피쳐를 추출할 수 있다. 반복적인 컨벌루션널 과정과 서브샘플링 과정을 통해 뉴럴 네트워크는 이미지의 글로벌 피쳐를 추출할 수 있다.

컨벌루셔널 레이어 또는 서브샘플링 레이어의 출력은 풀 커넥티드 레이어(fully connected layer)에 입력될 수 있다. 풀 커넥티드 레이어는 하나의 레이어에 있는 모든 뉴런과 이웃한 레이어에 있는 모든 뉴런이 연결되는 레이어이다. 풀 커넥티드 레이어는 뉴럴 네트워크에서 각 레이어의 모든 노드가 다른 레이어의 모든 노드에 연결된 구조를 의미할 수 있다. 컨벌루셔널 뉴럴 네트워크에 대한 구체적인 구성에 관한 설명은 본 출원에서 전체가 참조로서 통합되는 미국 등록 특허 US9870768B2에서 보다 구체적으로 논의된다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

전술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크 들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들을 포함하여, 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다, 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 전술한 것 과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들 과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어 서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들 과의 관계에서, 출 력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 도 2의 도시에서는 출력 노드는 생략되어 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드가 출력 레이어에 가까운 히든 레이어의 노드보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다.

본 개시의 일 실시예에서 시계열적인 데이터의 처리가 가능하도록 신경망은 RNN(recurrent neural network)을 포함할 수 있다. 신경망은 LSTN(long short-term memory) 또는 CTRNN(continuous-time RNN)으로 구성될 수 있다. 또한 본 개시의 일 실시예에서 이벤트의 길이가 길어 짐에 따라 발생할 수 있는 장기 기억 문제(long range dependency vanishing gradient)에 의한 성능 하락을 방지할 수 있도록 본 개시의 신경망은 LSTM(long short-term memory)을 포함할 수 있다. 프로세서(120)는 RNN에서 BPTT(backpropagation through time)을 이용해 신경망의 가중치 업데이트를 포함하는 신경망의 학습을 위한 계산을 수행할 수 있다.

RNN은 글, 유전자, 손글씨, 음성신호, 센서가 감지한 데이터, 주가, 생체 계측 데이터 등 시계열(sequence)의 형태를 가지는 데이터에서 패턴을 인식하는 인공 신경망일 수 있다. RNN은 시계열뿐 아니라 이미지 등의 처리도 가능하다. RNN은 일반적인 피드포워드 신경망과 달리 히든 레이어의 출력이 다시 같은 히든 레이어의 입력이 될 수 있다. RNN은 현재 입력된 입력 데이터와 과거에 입력 받았던 데이터를 동시에 고려하여 연산하며, 피드백 구조를 가짐으로써 기억 능력을 가지는 신경망이다. 따라서, RNN은 시계열 데이터에서 이전 데이터의 의미에 따라 현재 데이터를 해석할 수 있도록 학습될 수 있다. RNN 중 하나인 LSTM은 장기 기억 네트워크(long short term memory network)라고도 불리며 장기 의존성을 학습할 수 있다. 본 개시의 일 실시예에서 신경망은 RNN 중 하나인 LSTM 뿐 아니라, 심 게이트 순환 신경망(depth gated RNN), 시계 장치 순환 신경망(clockwork RNN) 등과 같이 시계열 데이터를 처리할 수 있는 임의의 신경망을 포함할 수 있다

신경망은 하나 이상의 히든 레이어를 포함할 수 있다. 히든 레이어의 히든 노드는 이전의 레이어의 출력과 주변 히든 노드의 출력을 입력으로 할 수 있다. 각 히든 레이어 별 히든 노드의 수는 동일할 수도 있고 상이할 수도 있다. 입력 레이어의 노드의 수는 입력 데이터의 데이터 필드의 수에 기초하여 결정될 수 있으며 히든 노드의 수와 동일할 수도 있고 상이할 수도 있다. 입력 레이어에 입력된 입력 데이터는 히든 레이어의 히든 노드에 의하여 연산될 수 있고 출력 레이어인 완전 연결 레이어(FCL: fully connected layer)에 의해 출력될 수 있다. 이하에서 설명하는 네트워크 함수를 포함하는 모델에 대한 구체적인 구성에 관한 설명은 본 출원에서 전체가 참조로서 통합되는 Llu´ıs Castrejon, Kaustav Kundu, Raquel Urtasun and Sanja Fidler “Annotating Object Instances with a Polygon-RNN” arXiv:1704.05548v1 [cs.CV] 2017.04.18 및 Yi Wanga, Zhiming Luoa and Pierre-Marc Jodoina “Pattern Recognition Letters” 2016.10.28 논문에서 보다 구체적으로 논의된다.

본 개시의 일 실시예에 따라 프로세서(120)가 하나 이상의 네트워크 함수를 포함하는 객체 표시 모델에 기초하여 라벨링하는 방법에 관하여 설명한다. 이하에서는 객체 표시 모델에 관하여 도 2를 참조하여 설명한다.

프로세서(120)는 라벨 대상 이미지를 하나 이상의 네트워크 함수를 포함하는 객체 표시 모델의 입력으로 하여 연산하여 상기 라벨 대상 이미지에 포함된 객체와 배경의 경계를 인식하도록 할 수 있다. 객체 표시 모델은, 상기 라벨 대상 이미지의 피쳐를 추출하도록 하는 이미지 인식 서브 모델(230) 및 상기 추출된 피쳐에 기초하여 상기 라벨 대상 이미지에 포함된 픽셀들 각각에 대한 인접 픽셀과의 관계를 인식하여 상기 객체와 배경의 경계를 인식하도록 하는 관계 인식 서브 모델(240)을 포함할 수 있다.

본 개시의 일 실시예에 따라 프로세서(120)는 네트워크부(110)를 통해 크롭핑 서버(미도시) 또는 크롭핑 컴퓨팅 장치로부터 라벨 대상 이미지에 포함된 객체에 대한 대략적인 경계에 기초하여 라벨 대상 이미지를 크롭핑한 이미지를 수신할 수 있다. 프로세서(120)는 라벨 대상 이미지가 둘 이상의 객체를 포함하는 경우, 네트워크부(110)를 통해 크롭핑 서버(미도시) 또는 크롭핑 컴퓨팅 장치로부터 라벨 대상 이미지에 포함된 둘 이상의 객체 각각에 대한 대략적인 경계에 기초하여 라벨 대상 이미지를 각각 크롭핑한 둘 이상의 크롭핑된 이미지를 수신할 수 있다. 예를 들어, 크롭핑 서버는, 사람이 직접 라벨 대상 이미지에 포함된 객체의 대략적인 경계를 따라 라벨 대상 이미지를 크롭핑한 이미지를 저장하고 있을 수 있다. 프로세서(120)는 후술하는 이미지 인식 서브 모델(230) 및 관계 인식 서브 모델(240)에 기초하여 객체의 대략적인 경계만을 따라 크롭핑한 이미지를, 객체에 대하여 세밀하게 세그먼테이션을 수행하도록 하는 보정을 수행할 수 있다.

본 개시의 일 실시예에 따라 프로세서(120)는 크롭핑 과정 없이, 라벨 대상 이미지를 후술하는 이미지 인식 서브 모델(230) 및 관계 인식 서브 모델(240)에 기초하여 객체에 대하여 세그먼테이션을 수행하도록 할 수도 있다.

이미지 인식 서브 모델(230)은 예를 들어, VGG-16 모델의 구조를 변형한 네트워크 함수를 포함하는 모델일 수 있다. VGG-16 모델은, 224 * 224 * 3 이미지를 입력으로 하여, 입력 받은 이미지에 컨벌루션 레이어 및 맥스 풀링 레이어를 세트로 하는 레이어를 5회 적용하고, 풀리 커넥티드 레이어를 끝단에 적용한 모델일 수 있다. 이미지 인식 서브 모델(230)은 VGG-16 모델의 구조를 변형한 모델로, VGG-16의 마지막 단에 있는 풀리 커넥티드 레이어 및 하나 이상의 맥스 풀링 레이어 중 마지막에 위치한 맥스 풀링 레이어를 제거하고, 그리고 마지막에서 직전 3개의 레이어에 컨벌루셔널 레이어를 추가하고, 마지막 레이어에 컨벌루셔널 레이어 및 2배로 업스케일하는 레이어를 추가하여 통합한 모델일 수 있다. 프로세서(120)는 라벨 대상 이미지를 이미지 인식 서브 모델(230)의 입력으로 하여 연산하면, 출력으로 상기 라벨 대상 이미지에 포함된 객체의 엣지 및 코너와 같은 로우 레벨 정보를 획득할 수 있다. 전술한 이미지 인식 서브 모델에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

관계 인식 서브 모델(240)은 이미지 인식 서브 모델(230)로부터 추출된 피쳐에 기초하여 상기 라벨 대상 이미지에 포함된 픽셀들 각각에 대한 인접 픽셀과의 관계를 인식하여 상기 객체와 배경의 경계를 인식하도록 할 수 있다. 프로세서(120)는 이미지 인식 서브 모델(230)로부터 획득한 라벨 대상 이미지에 포함된 객체의 엣지 및 코너에 대한 로우 레벨 정보를 관계 인식 서브 모델(240)의 입력으로 하여, 라벨 대상 이미지에 포함된 객체의 세그먼테이션을 위한 객체와 배경의 경계를 출력할 수 있다. 관계 인식 서브 모델(240)은 RNN 기반 모델일 수 있으며 예를 들어, 컨벌루셔널 LSTM(long short-term memory)에 기초한 모델일 수 있다. 관계 인식 서브 모델(240)은, 이미지 인식 서브 모델(230)로부터 추출된 피쳐 및 주위 픽셀들에 기초하여, 객체의 그림자 진 부분과 같은 이미지 인식 서브 모델(230)만으로 객체인지 배경인지 여부를 판단하기 어려운 부분에 대한 판단을 수행할 수 있다. 관계 인식 서브 모델(240)은, 객체인지 배경인지 여부를 판단하기 어려운 픽셀(예를 들어, 객체의 그림자 진 부분 등)에 대하여, 해당 픽셀의 주위 픽셀이 객체인지 배경인지에 대한 판단 결과에 기초하여 객체인지 배경인지 여부를 판단할 수 있다. 프로세서(120)는 관계 인식 서브 모델(240)을 이용하여, 라벨 대상 이미지에 포함된 객체에 대하여 객체 및 배경을 표시한 엣지들의 픽셀의 적어도 일부 및 이미지 인식 서브 모델(230)로부터 추출된 피쳐를 입력으로 하고, 다른 픽셀에 대한 객체 및 배경인지 여부에 관한 판단을 출력으로 할 수 있다. 예를 들어, 라벨 대상 이미지에서 픽셀 1,2,3,4,5 각각이 객체와 배경에 대한 엣지일 경우(즉, 객체와 배경을 구분할 수 있는 객체의 끝단에 있는 픽셀), 프로세서(120)는 픽셀 4, 픽셀 5 및 이미지 인식 서브 모델(230)로부터 추출된 피쳐를 관계 인식 서브 모델(240)의 입력으로 하여, 엣지가 될 수 있는 다른 픽셀을 획득할 수 있다. 프로세서(120)는 라벨 대상 이미지에 포함된 하나 이상의 픽셀 각각에 대하여 다른 픽셀과의 관계 및 이미지 인식 서브 모델(230)로부터 추출된 로우 레벨 정보에 기초하여 관계 인식 서브 모델(240)을 통해 라벨 대상 이미지에 포함된 픽셀 각각에 대한 객체 및 배경의 경계를 인식하도록 하여, 객체에 대한 세그먼테이션을 수행할 수 있다. 전술한 세그먼테이션 방법에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 상술한 방법에 의하여 라벨링된 하나 이상의 라벨 대상 이미지 각각을 학습 데이터 셋으로 결정할 수 있다.

이하에서는 프로세서(120)가 상기 라벨링 결과에 기초하여 다른 이미지를 라벨링하여 추가 데이터를 생성하는 방법에 관하여 설명한다.

프로세서(120)는 상기 하나 이상의 라벨 대상 이미지에 대한 상기 라벨링 결과에 기초하여 상기 이미지 집합에 포함된 복수의 이미지 중 상기 라벨 대상 이미지 이외의 다른 이미지를 라벨링할 수 있다. 프로세서(120)는 상기 라벨링된 라벨 대상 이미지를 포함하는 데이터 셋으로 학습된 라벨링 모델을 이용하여 상기 이미지 집합에 포함된 복수의 이미지 중 상기 라벨 대상 이미지 이외의 다른 이미지에 대한 추가 라벨을 생성할 수 있다. 프로세서(120)는 다른 이미지에 포함된 객체의 클래스 및 위치 정보를 포함하는 라벨링 정보를 상기 다른 이미지에 맵핑하여 라벨링된 추가 데이터를 생성할 수 있다.

본 개시의 일 실시예에 따른 라벨링 모델은, 라벨 대상 이미지에서 피쳐를 추출하고, 상기 라벨 대상 이미지에 포함된 객체에 대한 분류 결과를 출력할 수 있다. 본 개시의 일 실시예에 따른 라벨링 모델은, 컨벌루셔널 뉴럴 네트워크에 기초한 모델일 수 있다. 라벨링 모델은, 입력 이미지에 포함된 하나 이상의 픽셀 각각에 대하여 전경(즉, 객체)에 해당하는지 또는 배경에 해당하는지 여부를 판단하는 것을 기초로, 객체의 위치 및 클래스를 출력할 수 있다. 프로세서(120)는 하나 이상의 라벨링된 라벨 대상 이미지인 학습 데이터 포함하는 데이터 셋으로 상기 라벨링 모델을 학습시킬 수 있다. 프로세서(120)는 라벨 대상 이미지를 라벨링 모델을 이용하여 연산하여 획득한 클래스 및 객체의 위치 정보와 학습 데이터의 라벨인 클래스 및 객체의 위치 정보를 비교하여 오차를 계산할 수 있다. 프로세서(120)는 라벨링 모델의 출력 레이어에서 입력 레이어 방향으로 계산된 오차를 역전파할 수 있다. 프로세서(120)는 출력 레이어에서 입력 레이어 방향으로 오차를 역전파하여 역전파에 따라 각 레이어의 각 노드들의 연결 가중치를 업데이트할 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learing rate)에 따라 변화량이 결정될 수 있다. 프로세서(120)는 학습이 완료된 라벨링 모델을 이용하여 이미지 집합에 포함된 복수의 이미지 중 라벨 대상 이미지 이외의 다른 이미지를 라벨링할 수 있다. 프로세서(120)는 다른 이미지를 학습된 라벨링 모델의 입력으로 하여 연산하고, 출력된 클래스 및 객체 위치 정보를 상기 다른 이미지의 라벨로 하는 추가 라벨을 생성하여, 다른 이미지와 추가 라벨을 매핑하여 추가 데이터를 생성할 수 있다.

본 개시의 일 실시예에 따른 라벨링 모델은, 입력 이미지(250)를 제 1 서브 모델(210)을 이용하여 연산하여 상기 입력 이미지에 포함된 객체가 표시된 제 1 서브 결과 이미지를 생성하고, 상기 제 1 서브 결과 이미지 및 상기 입력 이미지(250)를 제 2 서브 모델(220)을 이용하여 연산하여 상기 입력 이미지에 포함된 객체가 표시된 이미지를 출력(260)하도록 하는 모델일 수 있다. 본 개시의 일 실시예에 따른 라벨링 모델은 도 3을 참조하여 설명한다.

제 1 서브 모델(210) 및 제 2 서브 모델(220)은 각각 컨벌루셔널 뉴럴 네트워크에 기초한 모델일 수 있다. 제 1 서브 모델(210) 및 제 2 서브 모델(220)은 동일한 네트워크 구조를 공유할 수 있고, 제 1 서브 모델(210) 및 제 2 서브 모델(220)의 가중치는 공유하지 않을 수 있다. 제 2 서브 모델(220)은 상기 제 1 서브 모델(210)의 채널 개수보다 더 많은 개수의 채널을 포함하는 모델일 수 있다. 프로세서(120)는 입력 이미지(250)를 제 1 서브 모델(210)을 이용하여 연산하여 입력 이미지에 대한 객체의 위치 및 클래스 정보를 포함하는 제 1 서브 결과 이미지를 출력으로 획득할 수 있다. 프로세서(120)는 제 1 서브 결과 이미지 및 입력 이미지(250)를 다시 제 2 서브 라벨링 모델(220)을 이용하여 연산하여 입력 이미지에 대한 객체의 위치 및 클래스 정보를 포함하는 출력(260)을 획득할 수 있다. 예를 들어, 제 1 서브 모델(210)이 입력 이미지에 대한 R 이미지, G 이미지 및 B 이미지 각각에 대한 채널을 포함하는 경우, 제 2 서브 모델(220)은 제 1 서브 결과 이미지, 입력 이미지에 대한 R 이미지, G 이미지 및 B 이미지 각각에 대한 채널을 포함할 수 있다. 제 2 서브 모델(220)은, 입력 이미지(250)외 추가로 제 1 서브 모델(210)의 출력인 제 1 서브 결과 이미지를 입력으로 수신하므로, 입력 이미지(250)만을 입력으로 수신하는 제 1 서브 모델(210)보다 많은 개수의 채널을 포함할 수 있다.

프로세서(120)는 제 1 서브 모델(210) 및 제 2 서브 모델(220)을 포함하는 라벨링 모델을 학습시키는 경우, 제 1 서브 모델(210)에 대한 가중치는 고정하고, 제 2 서브 모델(220)에 대한 가중치만 오차에 따른 역전파에 기초하여 변경할 수도 있다. 제 1 서브 모델(210)에 대하여 설정된 고정된 가중치는, 전술한 일 실시예에 따른 컨벌루셔널 뉴럴 네트워크에 기초한 라벨링 모델의 학습 완료 후 설정된 가중치일 수 있다. 즉, 프로세서(120)는 학습 데이터 셋을 이용하여 제 1 서브 모델(210)만을 학습시킨 후, 제 1 서브 모델(210)의 학습에 따른 가중치를, 제 1 서브 모델(210) 및 제 2 서브 모델(220)의 초기 가중치로 설정하여 제 1 서브 모델(210) 및 제 2 서브 모델(220)을 포함하는 라벨링 모델을 학습 시킬 수 있고, 라벨링 모델을 학습 시킬 때, 제 1 서브 모델(210)의 초기 가중치를 제 1 서브 모델(210)의 가중치로 고정시키고, 제 2 서브 모델(220)의 가중치 만을 변경할 수 있다.

예를 들어, 프로세서(120)는 제 1 서브 라벨링 모델을 학습 데이터 셋을 이용하여 학습시켜, 제 1 서브 라벨링 모델에 대하여 적용될 가중치 집합인 A를 획득할 수 있다. 프로세서(120)는 제 1 서브 모델(210) 및 제 2 서브 모델(220)을 포함하는 라벨링 모델을 학습시킬 때, 제 1 서브 모델(210) 및 제 2 서브 모델(220)의 초기 가중치를 상기 가중치 집합인 A로 설정할 수 있다. 프로세서(120)는 라벨링 모델을 학습시킬 때, 제 1 서브 모델(210)에 설정된 가중치 집합인 A는 고정시키고, 제 2 서브 모델(220)에 대한 가중치만을 역전파 방식을 이용하여 조정할 수 있다. 전술한 라벨링 모델에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

라벨링 모델은, 제 1 서브 라벨링 모델 및 제 2 서브 라벨링 모델 뿐만 아니라, 하나 이상이 추가 서브 라벨링 모델을 캐스케이드(cascaded) 방식으로 더 추가한 모델일 수도 있다.

라벨링 모델이 둘 이상의 서브 라벨링 모델을 포함하고, 하나의 서브 라벨링 모델의 결과를 다른 하나의 서브 라벨링 모델의 입력으로 하여, 이미지에 포함된 객체를 출력하는 경우, 하나의 서브 라벨링 모델만을 포함하는 라벨링 모델 보다 정확도가 향상될 수 있다. 본 개시의 일 실시예에 따른 라벨링 모델은, 객체를 포함하지 않는 부분에 객체가 포함되는 것으로 잘못된 결과를 출력하는 것을 방지할 수 있어 성능이 향상된 모델로 판단될 수 있다.

본 개시의 일 실시예에 따른 라벨링 모델은, 입력 이미지를 둘 이상의 다른 스케일로 변환하여 둘 이상의 변환 이미지를 생성하고, 상기 둘 이상의 변환 이미지 각각에 대하여 피쳐를 추출하고 상기 추출된 피쳐에 기초하여 객체에 대한 분류를 수행하고, 그리고 상기 분류 결과에 기초하여 둘 이상의 객체 인식 결과를 생성하고, 그리고 상기 둘 이상의 객체 인식 결과에 기초하여 상기 라벨링 모델의 출력으로 생성하도록 학습된 모델일 수 있다. 본 개시의 일 실시예에 따른 라벨링 모델은 도 4를 참조하여 설명한다.

라벨링 모델은, 둘 이상의 서브 라벨링 모델을 포함할 수 있다. 둘 이상의 서브 라벨링 모델은, 각각 컨벌루셔널 뉴럴 네트워크에 기초한 모델일 수 있다. 둘 이상의 서브 라벨링 모델은, 각각 상이한 크기의 입력 이미지 또는 상이한 스케일의 입력 이미지를 처리할 수 있다. 둘 이상의 서브 라벨링 모델은 가중치를 공유할 수도 있고, 또는 다른 스케일의 이미지를 처리함에 따라 상이한 가중치에 기초한 모델일 수도 있다. 프로세서(120)는 둘 이상의 서브 라벨링 모델의 출력 결과를 앙상블로 하여 라벨링 모델의 출력(260)을 연산할 수 있다.

프로세서(120)는 입력 이미지(250)에 대하여 스케일 1로 입력 이미지(250)에 대한 다운 스케일을 수행하여 제 1 서브 입력 이미지(312)를 생성하고, 스케일 2로 입력 이미지(250)에 대한 다운 스케일을 수행하여 제 2 서브 입력 이미지(314)를 생성할 수 있다. 프로세서(120)는 입력 이미지(250)를 제 3 서브 라벨링 모델(322)의 입력으로 하고, 제 1 서브 입력 이미지(312)를 제 4 서브 라벨링 모델(324)의 입력으로 하고, 그리고 제 2 서브 입력 이미지(314)를 제 5 서브 라벨링 모델(326)의 입력으로 하여 연산할 수 있다. 프로세서(120)는 다운 스케일된 이미지를 입력으로 하여 연산한 서브 라벨링 모델의 출력에 대하여, 상기 다운 스케일에 기초하여 원 이미지의 크기로 업 스케일을 수행할 수 있다. 프로세서(120)는 제 4 서브 라벨링 모델(324)의 출력인 제 1 서브 객체 인식 결과(334)를 스케일 1에 기초하여 업 스케일을 수행하여 제 1 객체 인식 결과(342)를 출력할 수 있고, 제 5 서브 라벨링 모델(326)의 출력인 제 2 서브 객체 인식 결과(336)를 스케일 2에 기초하여 업 스케일을 수행하여 제 2 객체 인식 결과(346)를 출력할 수 있다. 프로세서(120)는 객체 인식 결과(332), 제 1 객체 인식 결과(342) 및 제 2 객체 인식 결과(346)에 기초하여 라벨링 모델의 출력(260)을 연산할 수 있다. 전술한 라벨링 모델에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(120)는 객체 인식 결과(332), 제 1 객체 인식 결과(342) 및 제 2 객체 인식 결과(346)와 평균 연산 및 사전결정된 가중치에 기초한 연산 중 적어도 하나에 기초하여 라벨링 모델의 출력(260)을 연산할 수 있다. 평균 연산은, 둘 이상의 서브 모델의 출력 각각에 대한 평균을 연산하는 것일 수 있다. 프로세서(120)는 객체 인식 결과(332), 제 1 객체 인식 결과(342) 및 제 2 객체 인식 결과(346)에 대한 평균을 라벨링 모델의 출력(260)으로 연산할 수 있다. 프로세서(120)는 객체 인식 결과(332), 제 1 객체 인식 결과(342) 및 제 2 객체 인식 결과(346) 각각에 포함된 동일한 위치의 픽셀 값들의 평균을 라벨링 모델의 출력(260)에 대한 값으로 결정할 수 있다. 사전결정된 가중치에 기초한 연산은, 둘 이상의 서브 모델의 출력 각각에 대하여 가중치를 서로 다르게 두어 연산을 수행하는 것일 수 있다. 사전결정된 가중치는, 입력 이미지의 스케일에 따라 다른 가중치를 포함할 수도 있고, 서브 라벨링 모델의 크기에 따라 다른 가중치를 포함할 수도 있다. 예를 들어, 다운 스케일이 안된 입력 이미지를 연산하는 서브 라벨링 모델의 경우, 가장 큰 뉴럴 네트워크 함수를 포함하는 모델일 수 있고, 프로세서(120)는 해당 모델에 대한 출력을, 다른 모델에 기초한 출력보다 더 큰 가중치에 기초하여 연산할 수 있다. 예를 들어, 객체 인식 결과에 가중치를 0.5로 두고, 제 1 객체 인식 결과에 가중치를 0.3으로 두고, 그리고 제 2 객체 인식 결과에 가중치를 0.2로 둔 경우, 각각의 서브 라벨링 모델의 결과에 기초한 이미지의 동일한 위치의 픽셀 값에 각각의 가중치를 곱해서, 라벨링 모델의 출력(260)을 연산할 수 있다. 전술한 라벨링 모델에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라 프로세서(120)가 객체가 위치할 수 있는 위치 정보에 기초하여 라벨의 위치를 결정하는 방법에 관하여 설명한다. 프로세서(120)는 객체가 이미지 집합의 다른 이미지 상에 위치할 수 있는 위치 이동 정보에 기초하여, 상기 다른 이미지 상의 객체에 대한 라벨의 위치를 결정할 수 있다. 전술한 바와 같이, 위치 이동 정보는, 이미지 집합이 포함하고 있는 하나 이상의 이미지 각각에 포함된 객체가 이미지 내에서 위치할 수 있는 위치 정보일 수 있다.

프로세서(120)는 상술한 실시예 중 하나의 실시예에 기초하여 이미지 집합에 포함된 복수의 이미지 중 라벨 대상 이미지 이외의 다른 이미지를 라벨링할 수 있다. 프로세서(120)는 다른 이미지를 라벨링함에 있어, 다른 이미지에 포함된 객체가 위치할 수 있는 둘 이상의 후보 위치가 있을 경우, 라벨 대상 이미지에 라벨링된 객체가 다른 이미지 상에 위치할 수 있는 위치 이동 정보에 기초하여 둘 이상의 후보 위치 중 하나의 후보 위치로 다른 이미지를 라벨링할 수 있다. 프로세서(120)는 다른 이미지 상의 객체가 위치할 수 있는 위치 정보 각각에 대한 스코어 값을 획득할 수 있다. 프로세서(120)는 객체가 위치할 수 있는 위치 정보 중 가장 스코어 값이 높은 위치에 기초하여 다른 이미지를 라벨링할 수 있다. 프로세서(120)는 객체가 위치할 수 있는 위치 정보 중 스코어 값이 임계값 이상인 스코어가 둘 이상인 경우, 상기 객체가 다른 이미지 상에 위치할 수 있는 위치 이동 정보에 기초하여 하나의 스코어에 매칭되는 객체의 위치에 라벨링을 할 수 있다. 예를 들어, 라벨 대상 이미지에 라벨링된 위치 이동 정보는, 300프레임 후에 해당하는 다른 이미지에 포함되는 객체가 A 위치라는 정보를 포함하고, 다른 이미지에 포함된 객체에 대한 위치 정보를 A 및 B 중 하나로 결정해야할 때, 상기 라벨링된 위치 이동 정보는 A 위치이므로, A 위치로 상기 다른 이미지의 라벨링 위치를 결정할 수 있다. 전술한 라벨링에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 위치 이동 정보에 기초하여 다른 이미지의 라벨에 오류가 있는지 여부를 확인할 수 있다. 프로세서(120)는 다른 이미지에 라벨링된 객체의 위치가 상기 위치 이동 정보와 매칭되지 않을 경우, 상기 다른 이미지에 대한 라벨링 결과는 틀린 것으로 결정할 수 있다. 예를 들어, 라벨 대상 이미지에 다른 이미지 상에 위치할 수 있는 위치 이동 정보가 A 및 B 위치인 것으로 라벨링되었고, 다른 이미지에 포함되는 객체의 위치가 C 위치인 것으로 라벨링 된 경우, 다른 이미지에 포함되는 객체의 위치는 상기 위치 이동 정보에 포함되는 위치와 매칭되는 위치가 아니므로, 상기 다른 이미지에 대한 라벨링에 오류가 있는 것으로 결정할 수 있다. 전술한 라벨링에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 다른 이미지에 포함된 객체의 클래스 및 위치 정보를 포함하는 라벨링 정보를 상기 다른 이미지에 맵핑하여 라벨링된 추가 데이터를 생성할 수 있다.

본 개시의 일 실시예에 따른 라벨링 방법은, 무인점포에서 학습 데이터 셋을 생성하는데 이용될 수 있다. 무인점포는, 객체에 대한 이미지를 포함하는 무인점포 이미지를 인공 신경망을 이용하여 연산하여, 무인점포 이미지에 포함된 객체 정보를 획득하여, 획득된 객체 정보에 기초하여 무인으로 계산을 수행하는 형태의 점포일 수 있다. 무인점포를 운영하기 위해서는, 무인점포에서 판매하고 있는 상품 각각에 대하여 인공 신경망을 통해 학습이 완료되어야 만한다. 무인점포를 구축하기 위하여, 학습 데이터를 생성하는 과정이 가장 시간이 오래 소요되는 과정일 수 있다. 학습 데이터 생성 중에서도, 특히 각각의 이미지를 라벨링하는 과정이 시간 및 비용 소모가 큰 과정이다. 본 발명의 라벨링 방법을 이용하여, 무인점포의 구축 과정 중에서도 학습 데이터셋 구축을 위한 라벨링 과정의 시간 및 비용을 단축할 수 있다.

무인점포에 관한 운영을 총괄하는 컴퓨팅 장치는 무인점포 가맹점 A로부터 C사의 맥주를 무인점포에서 판매할 수 있도록, C사의 맥주에 대하여 인공 신경망의 학습 수행에 관한 요청을 수신할 수 있다. 무인점포에 관한 운영을 총괄하는 컴퓨팅 장치는, C사의 맥주에 대한 신경망의 학습을 수행하기 위하여 C사의 맥주에 대한 학습 데이터셋을 생성해야 한다. 프로세서(120)는 C사의 맥주를 촬영한 복수의 이미지 각각에, C사의 맥주 객체에 대한 위치 정보 및 클래스 정보(즉, C사의 맥주 정보)를 매칭하여 학습 데이터를 생성할 수 있다. 다만, 모든 복수의 이미지 각각에 대하여 라벨링하는데 소요되는 시간 및 비용이 크므로, 프로세서(120)는 복수의 C사의 맥주 이미지 중 일부의 이미지만 라벨링을 수행할 수 있다. 프로세서(120)는 라벨링된 일부의 이미지만을 이용하여 라벨링 모델을 학습시키고, 학습된 라벨링 모델에 기초하여 복수의 C사의 맥주 이미지 중 나머지 이미지를 라벨링할 수 있다. 프로세서(120)는 상기와 같은 방법으로 C사의 맥주에 대한 라벨링된 이미지를 생성하여, 무인점포에 적용하기 위한 신경망을 학습시키는 기초가 되는 학습 데이터셋을 생성할 수 있다. 전술한 무인점포에서의 데이터 라벨링에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

인공 신경망을 학습하는데 있어, 학습 데이터를 생성하는 과정이 가장 시간 및 비용이 많이 소요되는 과정일 수 있다. 학습 데이터를 생성하는데 가장 시간이 오래 소요되는 작업은, 이미지에 대한 라벨링 작업일 수 있다. 따라서, 본 발명은 이미지에 대한 라벨링 과정을 반 자동화하여, 이미지의 라벨링에 소요되는 시간 및 비용을 단축하고자 한다. 하나의 상품에 대하여 인공 신경망을 학습시키고자 할 때, 하나의 상품에 대한 학습 데이터 세트를 구성하는 학습 데이터 각각에 대하여 라벨링할 필요 없이, 일부 이미지에 대해서만 라벨링을 수행하고, 일부 이미지에 대한 라벨링 결과에 기초하여 나머지 다른 이미지에 대한 라벨링을 서브 신경망을 이용하여 반 자동화할 수 있다. 본 발명에서, 비디오에 포함된 복수의 프레임에 기초한 이미지 집합을 이용하여 라벨링을 수행하는 이유는, 비디오에 포함된 복수의 프레임은, 다른 임의의 이미지들 보다 동일하게 공유하는 픽셀이 다수 존재하기 때문에(즉, 하나의 프레임과 다음 프레임의 배경이 대부분 겹치고 객체의 일부만 이동) 신경망이 일부의 데이터만을 이용하여 빠르게 학습을 수행하고, 나머지 비슷한 컨디션의 이미지(즉, 배경의 대부분을 동일하게 공유하고 객체의 일부분만 변경되는 이미지)들을 자동으로 라벨링하기 위함이다.

메모리(130)는 본 개시의 일 실시예에 따른 데이터 라벨링 방법을 수행하기 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 프로세서(120)에 의하여 판독되어 구동될 수 있다.

본 개시의 실시예들에 따른 메모리(130)는 프로세서(120)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들(예를 들어, 제품 이미지, 제품 중량, 실제 거리 등)을 임시 또는 영구 저장할 수도 있다. 메모리(130)는 컴퓨팅 장치(200)에 기초한 각 매장 별 정보를 저장할 수 있다. 상기 메모리(130)는 디스플레이 및 음향에 관한 데이터를 저장할 수 있다. 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적 어도 하나의 타입의 저장매체를 포함할 수 있다.

도 5는 본 개시의 일 실시예에 따른 데이터 라벨링 방법의 순서도이다.

컴퓨팅 장치(100)는 이미지 집합에 포함된 복수의 이미지 중 라벨링 기준에 기초하여 하나 이상의 라벨 대상 이미지를 결정(410)할 수 있다.

이미지 집합은, 하나 이상의 이미지를 포함할 수 있다. 이미지 집합은, 비디오에 포함된 복수의 프레임에 기초한 이미지를 포함하고, 그리고 복수의 이미지들은 서로 상관 관계를 가질 수 있다. 이미지 집합은, 비디오를 프레임 단위로 쪼갠 후, 각각의 비디오 프레임을 각각 이미지로 변환한 이미지를 포함할 수 있다.

라벨링 기준은, 상기 이미지 집합에 포함된 전체 이미지에 대한 임의 결정 방식, 상기 이미지 집합에 포함된 각각의 이미지에 대한 확률 기반 방식, 상기 이미지 집합에 포함된 복수의 이미지의 상관 관계에 기초한 방식 및 상기 이미지 집합에 포함된 복수의 이미지 각각에 대한 평가 정보에 기초한 방식 중 적어도 하나의 방식에 기초하여 결정될 수 있다. 이미지 집합에 포함된 복수의 이미지 각각에 대한 평가 정보는, 각각의 이미지가 객체를 포함하는 정도에 관한 평가 정보, 및 각각의 이미지에서 객체의 인식이 가능한지 여부에 관한 평가 정보 중 적어도 하나를 포함할 수 있다. 라벨링 기준이 이미지 집합에 포함된 전체 이미지에 대한 임의 결정 방식인 경우, 이미지 집합에서 랜덤으로 라벨 대상 이미지를 결정할 수 있다. 라벨링 기준이 확률 기반 방식인 경우, 프로세서(120)는 이미지 집합에 포함된 하나 이상의 이미지 각각에 대하여 사전결정된 확률을 적용하여, 라벨 대상 이미지로 결정할 것인지 여부를 판단할 수 있다. 라벨링 기준이 이미지 집합에 포함된 복수의 이미지의 상관 관계에 기초한 방식일 수 있다. 이미지 집합이 시간적 선후 정보를 포함하는 이미지를 포함하는 경우, 프로세서(120)는 사전결정된 시간 간격이 떨어진 이미지 각각을 라벨 대상 이미지로 결정할 수 있다. 이미지 집합이 하나의 객체에 대하여 서로 다른 각도의 이미지를 포함하는 경우, 프로세서(120)는 사전결정된 각도 이상 차이가 나는 이미지 각각을 라벨 대상 이미지로 결정할 수 있다. 이미지가 객체를 포함하는 정도에 관한 평가 정보는, 이미지에 포함된 객체의 오클루전(occlusion) 정도를 나타낼 수 있다.

컴퓨팅 장치(100)는 상기 라벨 대상 이미지가 둘 이상의 객체를 포함하는 경우, 상기 라벨 대상 이미지를 각각 하나의 객체만을 포함하도록 상기 라벨 대상 이미지를 크롭핑할 수 있다.

컴퓨팅 장치(100)는 하나 이상의 라벨 대상 이미지를 라벨링(420)할 수 있다.

컴퓨팅 장치(100)는 상기 라벨 대상 이미지에 포함된 객체에 관련한 라벨링 정보를 라벨 대상 이미지에 매핑하여 라벨링된 데이터를 생성할 수 있다. 라벨링 정보는, 상기 라벨 대상 이미지에 포함된 객체의 위치 정보, 상기 객체의 클래스 정보, 및 상기 객체가 상기 이미지 집합의 다른 이미지 상에 위치할 수 있는 위치 이동 정보 중 적어도 하나를 포함할 수 있다.

컴퓨팅 장치(100)는 상기 라벨 대상 이미지에 포함된 하나 이상의 픽셀 각각에 대하여 하나의 픽셀과 인접 픽셀 간의 비교에 기초하여 상기 라벨 대상 이미지에 포함된 객체와 배경의 경계를 인식하도록 할 수 있다.

컴퓨팅 장치(100)는 상기 라벨 대상 이미지를 하나 이상의 네트워크 함수를 포함하는 객체 표시 모델의 입력으로 하여 연산하여 상기 라벨 대상 이미지에 포함된 객체와 배경의 경계를 인식하도록 할 수 있다. 객체 표시 모델은, 상기 라벨 대상 이미지의 피쳐를 추출하도록 하는 이미지 인식 서브 모델 및 상기 추출된 피쳐에 기초하여 상기 라벨 대상 이미지에 포함된 픽셀들 각각에 대한 인접 픽셀과의 관계를 인식하여 상기 객체와 배경의 경계를 인식하도록 하는 관계 인식 서브 모델을 포함할 수 있다.

컴퓨팅 장치(100)는 상기 하나 이상의 라벨 대상 이미지에 대한 상기 라벨링 결과에 기초하여 상기 이미지 집합에 포함된 복수의 이미지 중 상기 라벨 대상 이미지 이외의 다른 이미지를 라벨링(430)할 수 있다.

컴퓨팅 장치(100)는 상기 라벨링된 라벨 대상 이미지를 포함하는 데이터 셋으로 학습된 라벨링 모델을 이용하여 상기 이미지 집합에 포함된 복수의 이미지 중 상기 라벨 대상 이미지 이외의 다른 이미지에 대한 추가 라벨을 생성할 수 있다. 컴퓨팅 장치(100)는 상기 추가 라벨을 상기 다른 이미지에 매핑함으로써 라벨링된 추가 데이터를 생성할 수 있다.

라벨링 모델은, 입력 이미지를 제 1 서브 모델을 이용하여 연산하여 상기 입력 이미지에 포함된 객체가 표시된 제 1 서브 결과 이미지를 생성하고, 상기 제 1 서브 결과 이미지 및 상기 입력 이미지를 제 2 서브 모델을 이용하여 연산하여 상기 입력 이미지에 포함된 객체가 표시된 이미지를 출력하도록 하는 모델이고, 그리고 상기 제 2 서브 모델은 상기 제 1 서브 모델의 채널 개수보다 더 많은 개수의 채널을 포함할 수 있다.

라벨링 모델은, 입력 이미지를 둘 이상의 다른 스케일로 변환하여 둘 이상의 변환 이미지를 생성하고, 상기 둘 이상의 변환 이미지 각각에 대하여 피쳐를 추출하고 상기 추출된 피쳐에 기초하여 객체에 대한 분류를 수행하고, 그리고 상기 분류 결과에 기초하여 둘 이상의 객체 인식 결과를 생성하고, 그리고 상기 둘 이상의 객체 인식 결과에 기초하여 상기 라벨링 모델의 출력으로 생성하도록 학습된 모델일 수 있다.

컴퓨팅 장치(100)는 객체가 이미지 집합의 다른 이미지 상에 위치할 수 있는 위치 이동 정보에 기초하여, 상기 다른 이미지 상의 객체에 대한 라벨의 위치를 결정할 수 있다.

도 6은 본 개시의 일 실시예에 따른 데이터 라벨링을 구현하기 위한 로직을 도시한 블록 구성도이다.

본 개시의 일 실시예에 따라 제품 식별 방법은 다음과 같은 로직에 의해 구현될 수 있다.

본 개시의 일 실시예에 따라 이미지 집합에 포함된 복수의 이미지 중 라벨링 기준에 기초하여 하나 이상의 라벨 대상 이미지를 결정하기 위한 로직(510); 상기 하나 이상의 라벨 대상 이미지를 라벨링하기 위한 로직(520); 및 상기 하나 이상의 라벨 대상 이미지에 대한 상기 라벨링 결과에 기초하여 상기 이미지 집합에 포함된 복수의 이미지 중 상기 라벨 대상 이미지 이외의 다른 이미지를 라벨링하기 위한 로직(530)에 의해 구현될 수 있다.

본 개시의 일 실시예에 따라 상기 하나 이상의 라벨 대상 이미지를 라벨링하기 위한 로직(520)은, 상기 라벨 대상 이미지에 포함된 객체에 관련한 라벨링 정보를 라벨 대상 이미지에 매핑하여 라벨링된 데이터를 생성하기 위한 로직에 의하여 구현될 수 있다.

본 개시의 일 실시예에 따라 상기 하나 이상의 라벨 대상 이미지에 대한 상기 라벨링 결과에 기초하여 상기 이미지 집합에 포함된 복수의 이미지 중 상기 라벨 대상 이미지 이외의 다른 이미지를 라벨링하기 위한 로직(530)은, 상기 라벨링된 라벨 대상 이미지를 포함하는 데이터 셋으로 학습된 라벨링 모델을 이용하여 상기 이미지 집합에 포함된 복수의 이미지 중 상기 라벨 대상 이미지 이외의 다른 이미지에 대한 추가 라벨을 생성하기 위한 로직; 및 상기 추가 라벨을 상기 다른 이미지에 매핑함으로써 라벨링된 추가 데이터를 생성하기 위한 로직에 의하여 구현될 수 있다.

본 개시의 일 실시예에 따라 상기 하나 이상의 라벨 대상 이미지에 대한 상기 라벨링 결과에 기초하여 상기 이미지 집합에 포함된 복수의 이미지 중 상기 라벨 대상 이미지 이외의 다른 이미지를 라벨링하기 위한 로직(530)은, 객체가 이미지 집합의 다른 이미지 상에 위치할 수 있는 위치 이동 정보에 기초하여, 상기 다른 이미지 상의 객체에 대한 라벨의 위치를 결정하기 위한 로직에 의하여 구현될 수 있다.

본 개시의 일 실시예에 따라 상기 하나 이상의 라벨 대상 이미지를 라벨링하기 위한 로직(520)은, 상기 라벨 대상 이미지에 포함된 하나 이상의 픽셀 각각에 대하여 하나의 픽셀과 인접 픽셀 간의 비교에 기초하여 상기 라벨 대상 이미지에 포함된 객체와 배경의 경계를 인식하기 위한 로직에 의하여 구현될 수 있다.

본 개시의 일 실시예에 따라 상기 하나 이상의 라벨 대상 이미지를 라벨링하기 위한 로직(520)은, 상기 라벨 대상 이미지를 하나 이상의 네트워크 함수를 포함하는 객체 표시 모델의 입력으로 하여 연산하여 상기 라벨 대상 이미지에 포함된 객체와 배경의 경계를 인식하도록 하기 위한 로직에 의하여 구현될 수 있다.

본 개시의 일 실시예에 따른 데이터 라벨링 방법을 구현하기 위한 로직은, 데이터 라벨링 방법을 구현하기 위한 모듈, 회로 또는 수단에 의하여 구현될 수도 있다.

도 7은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.

도 7은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

본 개시가 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시가 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인 프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있다. 컴퓨터 판독가능 매체는 휘발성 및 비 휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비 휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피 변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피 변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비 휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)-이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음-, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims

컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨팅 장치의 하나 이상의 프로세서에서 실행되는 경우 라벨링을 위한 이하의 동작들을 수행하도록 하며 상기 동작들은,
이미지 집합에 포함된 복수의 이미지 중 라벨링 기준에 기초하여 하나 이상의 라벨 대상 이미지를 결정하는 동작;
상기 하나 이상의 라벨 대상 이미지를 라벨링하는 동작; 및
상기 하나 이상의 라벨 대상 이미지에 대한 상기 라벨링 결과에 기초하여 상기 이미지 집합에 포함된 복수의 이미지 중 상기 라벨 대상 이미지 이외의 다른 이미지를 라벨링하는 동작;
을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 1 항에 있어서,
상기 이미지 집합은,
비디오에 포함된 복수의 프레임에 기초한 이미지를 포함하고, 그리고 복수의 이미지들은 서로 상관 관계를 가지는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 1 항에 있어서,
상기 라벨링 기준은,
상기 이미지 집합에 포함된 전체 이미지에 대한 임의 결정 방식, 상기 이미지 집합에 포함된 각각의 이미지에 대한 확률 기반 방식, 상기 이미지 집합에 포함된 복수의 이미지의 상관 관계에 기초한 방식 및 상기 이미지 집합에 포함된 복수의 이미지 각각에 대한 평가 정보에 기초한 방식 중 적어도 하나의 방식에 기초하여 결정되는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 3 항에 있어서,
상기 이미지 집합에 포함된 복수의 이미지 각각에 대한 평가 정보는,
각각의 이미지가 객체를 포함하는 정도에 관한 평가 정보, 각각의 이미지에서 객체의 인식이 가능한지 여부에 관한 평가 정보 및 다른 이미지와 유사성에 관한 평가 정보 중 적어도 하나를 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 1 항에 있어서,
상기 하나 이상의 라벨 대상 이미지를 라벨링하는 동작은,
상기 라벨 대상 이미지에 포함된 하나 이상의 객체에 관련된 라벨링 정보를 상기 라벨 대상 이미지에 매핑하여 라벨링된 데이터를 생성하는 동작;
을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 5 항에 있어서,
상기 라벨링 정보는,
상기 라벨 대상 이미지에 포함된 객체의 위치 정보, 상기 객체의 클래스 정보, 및 상기 객체가 상기 이미지 집합의 다른 이미지 상에 위치할 수 있는 위치 이동 정보 중 적어도 하나를 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 1 항에 있어서,
상기 하나 이상의 라벨 대상 이미지에 대한 상기 라벨링 결과에 기초하여 상기 이미지 집합에 포함된 복수의 이미지 중 상기 라벨 대상 이미지 이외의 다른 이미지를 라벨링하는 동작은,
상기 라벨링된 라벨 대상 이미지를 포함하는 데이터 셋으로 학습된 라벨링 모델을 이용하여 상기 이미지 집합에 포함된 복수의 이미지 중 상기 라벨 대상 이미지 이외의 다른 이미지에 대한 추가 라벨을 생성하는 동작; 및
상기 추가 라벨을 상기 다른 이미지에 매핑함으로써 라벨링된 추가 데이터를 생성하는 동작;
을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 1 항에 있어서,
상기 하나 이상의 라벨 대상 이미지에 대한 상기 라벨링 결과에 기초하여 상기 이미지 집합에 포함된 복수의 이미지 중 상기 라벨 대상 이미지 이외의 다른 이미지를 라벨링하는 동작은,
객체가 이미지 집합의 다른 이미지 상에 위치할 수 있는 위치 이동 정보에 기초하여, 상기 다른 이미지 상의 객체에 대한 라벨의 위치를 결정하는 동작;
을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 1 항에 있어서,
상기 하나 이상의 라벨 대상 이미지를 라벨링하는 동작은,
상기 라벨 대상 이미지에 포함된 하나 이상의 픽셀 각각에 대하여 하나의 픽셀과 인접 픽셀 간의 비교에 기초하여 상기 라벨 대상 이미지에 포함된 객체와 배경의 경계를 인식하도록 하는 동작;
을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 1 항에 있어서,
상기 하나 이상의 라벨 대상 이미지를 라벨링하는 동작은,
상기 라벨 대상 이미지를 하나 이상의 네트워크 함수를 포함하는 객체 표시 모델의 입력으로 하여 연산하여 상기 라벨 대상 이미지에 포함된 객체와 배경의 경계를 인식하도록 하는 동작;
을 포함하고,
상기 객체 표시 모델은,
상기 라벨 대상 이미지의 피쳐를 추출하도록 하는 이미지 인식 서브 모델 및 상기 추출된 피쳐에 기초하여 상기 라벨 대상 이미지에 포함된 픽셀들 각각에 대한 인접 픽셀과의 관계를 인식하여 상기 객체와 배경의 경계를 인식하도록 하는 관계 인식 서브 모델을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 7 항에 있어서,
상기 라벨링 모델은,
입력 이미지를 제 1 서브 모델을 이용하여 연산하여 상기 입력 이미지에 포함된 객체가 표시된 제 1 서브 결과 이미지를 생성하고, 상기 제 1 서브 결과 이미지 및 상기 입력 이미지를 제 2 서브 모델을 이용하여 연산하여 상기 입력 이미지에 포함된 객체가 표시된 이미지를 출력하도록 하는 모델이고, 그리고 상기 제 2 서브 모델은 상기 제 1 서브 모델의 채널 개수보다 더 많은 개수의 채널을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 7 항에 있어서,
상기 라벨링 모델은,
입력 이미지를 둘 이상의 다른 스케일로 변환하여 둘 이상의 변환 이미지를 생성하고, 상기 둘 이상의 변환 이미지 각각에 대하여 피쳐를 추출하고 상기 추출된 피쳐에 기초하여 객체에 대한 분류를 수행하고, 그리고 상기 분류 결과에 기초하여 둘 이상의 객체 인식 결과를 생성하고, 그리고 상기 둘 이상의 객체 인식 결과에 기초하여 상기 라벨링 모델의 출력으로 생성하도록 학습된 모델인,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 라벨링을 위한 방법에 있어서,
이미지 집합에 포함된 복수의 이미지 중 라벨링 기준에 기초하여 하나 이상의 라벨 대상 이미지를 결정하는 단계;
상기 하나 이상의 라벨 대상 이미지를 라벨링하는 단계; 및
상기 하나 이상의 라벨 대상 이미지에 대한 상기 라벨링 결과에 기초하여 상기 이미지 집합에 포함된 복수의 이미지 중 상기 라벨 대상 이미지 이외의 다른 이미지를 라벨링하는 단계;
를 포함하는,
라벨링을 위한 방법.
라벨링을 위한 컴퓨팅 장치로서,
하나 이상의 코어를 포함하는 프로세서;
네트워크부; 및
메모리;
를 포함하고,
상기 프로세서는,
이미지 집합에 포함된 복수의 이미지 중 라벨링 기준에 기초하여 하나 이상의 라벨 대상 이미지를 결정하고,
상기 하나 이상의 라벨 대상 이미지를 라벨링하고, 그리고
상기 하나 이상의 라벨 대상 이미지에 대한 상기 라벨링 결과에 기초하여 상기 이미지 집합에 포함된 복수의 이미지 중 상기 라벨 대상 이미지 이외의 다른 이미지를 라벨링하는,
라벨링을 위한 컴퓨팅 장치.