KR20200112646A - 시맨틱 세그먼테이션 방법 및 그 장치 - Google Patents

Abstract

세그먼테이션 결과의 정확도를 향상시킬 수 있는 시맨틱 세그먼테이션 방법 및 장치가 제공된다. 본 개시의 몇몇 실시예에 따른 시맨틱 세그먼테이션 방법은 레이블이 주어진 이미지를 세그먼테이션 신경망에 입력하여 상기 이미지에 대한 세그먼테이션 정보를 얻고, 상기 세그먼테이션 정보에 대한 세그먼테이션 오차를 역전파(back-propagation)할 수 있다. 이때, 상기 세그먼테이션 정보에 대한 경계선 오차를 더 역전파하여 상기 세그먼테이션 신경망이 업데이트될 수 있다. 그렇게 함으로써, 세그먼테이션 신경망의 성능이 개선되며, 세그먼테이션 결과의 정확도는 향상될 수 있다.

Description

시맨틱 세그먼테이션 방법 및 그 장치{METHOD FOR SEMANTIC SEGMENTATION AND APPARATUS THEREOF}

본 개시는 시맨틱 세그먼테이션 방법 및 장치에 관한 것이다. 보다 자세하게는, 신경망을 이용하여 시맨틱 세그먼테이션(semantic segmentation)을 수행함에 있어서, 세그먼테이션 결과의 정확도를 향상시킬 수 있는 방법 및 그 방법을 지원하는 장치에 관한 것이다.

기계학습 분야에서, 시맨틱 세그먼테이션(semantic segmentation)은 이미지를 구성하는 모든 픽셀들을 미리 정의된 시맨틱 객체의 클래스로 분류하는 태스크를 의미한다. 시맨틱 세그먼테이션은 픽셀 단위 예측(pixel-wise prediction)을 하는 것이기 때문에, 조밀한 예측(dense prediction)이란 용어로 불리우기도 한다. 통상적으로, 시맨틱 세그먼테이션은 심층 신경망(deep neural network)에 기반하여 수행되는데, 심층 신경망을 학습시키기 위해서는 상당한 양의 이미지와 시맨틱 객체의 클래스, 위치 및 형태 정보가 담긴 정교한 레이블(e.g. 픽셀 단위의 클래스 정보)이 요구된다.

그러나, 레이블링 작업에 소요되는 인적 비용으로 인해 정교한 레이블이 주어진 이미지셋을 구하는 것은 매우 어렵다. 예컨대, 의료 도메인에서는, 전문의에 의해 레이블링 작업이 수행되기 때문에, 단순한 레이블링 작업에도 상당한 비용이 소모된다. 따라서, 시맨틱 객체(e.g. 병변)의 경계선(즉, 형태)까지 정교하게 레이블링된 의료 이미지를 대량으로 구하는 것은 사실상 불가능하다.

위와 같은 문제를 해결하기 위해, 정교하지 않은 레이블을 이용하여 시맨틱 세그먼테이션을 수행하는 것이 고려될 수 있다. 그러나, 상기 레이블을 이용하여 심층 신경망을 학습시키는 경우, 세그먼테이션 결과의 정확도를 담보할 수 없게 된다. 예를 들어, 시맨틱 객체의 경계선 정보를 포함하지 않는 레이블을 이용하여 심층 신경망을 학습하게 되면, 세그먼테이션 결과에 나타난 시맨틱 객체의 형태가 본래의 형태를 따라가지 못하는 문제가 발생된다.

한국공개특허 제10-2018-0097944호 (2018.09.03 공개)

본 개시의 몇몇 실시예들을 통해 해결하고자 하는 기술적 과제는, 세그먼테이션 결과의 정확도를 향상시킬 수 있는 시맨틱 세그먼테이션 방법 및 그 방법을 지원하는 장치를 제공하는 것이다.

본 개시의 몇몇 실시예들을 통해 해결하고자 하는 다른 기술적 과제는, 시멘틱 객체들의 경계선 정보가 포함되지 않은 레이블을 이용하여 시맨틱 객체의 형태까지 정확하게 예측할 수 있도록 세그먼테이션 신경망을 학습하는 방법 및 그 방법을 지원하는 장치를 제공하는 것이다.

본 개시의 몇몇 실시예들을 통해 해결하고자 하는 또 다른 기술적 과제는, 시맨틱 객체에 대한 경계선 오차를 정확하게 산출함으로써, 세그먼테이션 신경망의 성능을 향상시킬 수 있는 방법 및 그 방법을 지원하는 장치를 제공하는 것이다.

본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시의 기술분야에서의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상기 기술적 과제를 해결하기 위한, 본 개시의 몇몇 실시예에 따른 시맨틱 세그먼테이션 방법은, 컴퓨팅 장치에 의하여 수행되는 시맨틱 세그먼테이션(semantic segmentation) 방법에 있어서, 레이블이 주어진 이미지를 세그먼테이션 신경망에 입력하여 상기 이미지에 대한 세그먼테이션 정보를 얻는 단계, 상기 세그먼테이션 정보에 대한 세그먼테이션 오차와 경계선 오차를 산출하는 단계 및 상기 산출된 세그먼테이션 오차와 상기 산출된 경계선 오차를 역전파(back-propagation)하여 상기 세그먼테이션 신경망을 업데이트하는 단계를 포함할 수 있다.

몇몇 실시예에서, 상기 레이블은 시맨틱 객체의 형태를 나타내는 경계선 정보를 포함하지 않을 수 있다.

몇몇 실시예에서, 상기 세그먼테이션 오차는 크로스 엔트로피(cross-entropy) 손실 함수에 기초하여 산출되고, 상기 경계선 오차는 L1 손실(loss) 함수 또는 L2 손실 함수에 기초하여 산출될 수 있다.

몇몇 실시예에서, 상기 경계선 오차를 산출하는 단계는, 경계선 검출 신경망을 통해 상기 이미지에서 시맨틱 객체에 대한 제1 경계선 정보를 얻는 단계, 이미지 프로세싱 로직(image processing logic)을 이용하여 상기 세그먼테이션 정보에서 제2 경계선 정보를 추출하는 단계 및 상기 제1 경계선 정보와 상기 제2 경계선 정보에 기초하여 상기 경계선 오차를 산출하는 단계를 포함할 수 있다. 이때, 상기 산출된 경계선 오차의 역전파를 통해 상기 경계선 검출 신경망도 업데이트될 수 있다.

몇몇 실시예에서, 상기 경계선 검출 신경망은 상기 세그먼테이션 신경망보다 더 적은 개수의 레이어 또는 가중치 파라미터를 포함할 수 있다.

몇몇 실시예에서, 상기 제1 경계선 정보와 상기 제2 경계선 정보에 기초하여 상기 경계선 오차를 산출하는 단계는, 상기 이미지를 어텐션(attention) 신경망을 입력하여 상기 이미지에 대한 어텐션 정보를 얻는 단계, 상기 어텐션 정보를 상기 제1 경계선 정보에 적용하여 제3 경계선 정보를 얻는 단계 및 상기 제2 경계선 정보와 상기 제3 경계선 정보의 차이에 기초하여 상기 경계선 오차를 산출하는 단계를 포함할 수 있다. 이때, 상기 산출된 경계선 오차의 역전파를 통해 상기 어텐션 신경망도 업데이트될 수 있다.

상술한 기술적 과제를 해결하기 위한 본 개시의 몇몇 실시예에 따른 시맨틱 세그먼테이션 장치는, 하나 이상의 인스트럭션들(instructions)을 저장하는 메모리, 상기 저장된 하나 이상의 인스트럭션들을 실행시킴으로써, 레이블이 주어진 이미지를 세그먼테이션 신경망에 입력하여 상기 이미지에 대한 세그먼테이션 정보를 얻고, 상기 세그먼테이션 정보에 대한 세그먼테이션 오차와 경계선 오차를 산출하며, 상기 산출된 세그먼테이션 오차와 상기 산출된 경계선 오차를 역전파(back-propagation)하여 상기 세그먼테이션 신경망을 업데이트하는 프로세서를 포함할 수 있다.

몇몇 실시예에서, 상기 프로세서는, 경계선 검출 신경망을 통해 상기 이미지에서 시맨틱 객체에 대한 제1 경계선 정보를 얻고, 이미지 프로세싱 로직(image processing logic)을 이용하여 상기 세그먼테이션 정보에서 제2 경계선 정보를 추출하며, 상기 제1 경계선 정보와 상기 제2 경계선 정보에 기초하여 상기 경계선 오차를 산출할 수 있다. 이때, 상기 경계선 오차의 역전파를 통해 상기 경계선 검출 신경망의 가중치도 업데이트될 수 있다.

몇몇 실시예에서, 상기 프로세서는, 상기 이미지를 어텐션(attention) 신경망을 입력하여 상기 이미지에 대한 어텐션 정보를 얻고, 상기 어텐션 정보를 상기 제1 경계선 정보에 적용하여 제3 경계선 정보를 생성하며, 상기 제2 경계선 정보와 상기 제3 경계선 정보를 비교하여 상기 경계선 오차를 산출할 수 있다. 이때, 상기 산출된 경계선 오차의 역전파를 통해 상기 어텐션 신경망의 가중치도 업데이트될 수 있다.

상술한 기술적 과제를 해결하기 위한 본 개시의 몇몇 실시예에 따른 컴퓨터 프로그램은, 컴퓨팅 장치와 결합되어, 레이블이 주어진 이미지를 세그먼테이션 신경망에 입력하여 상기 이미지에 대한 세그먼테이션 정보를 얻는 단계, 상기 세그먼테이션 정보에 대한 세그먼테이션 오차와 경계선 오차를 산출하는 단계 및 상기 산출된 세그먼테이션 오차와 상기 산출된 경계선 오차를 역전파(back-propagation)하여 상기 세그먼테이션 신경망을 업데이트하는 단계를 실행시키기 위하여, 컴퓨터로 판독 가능한 기록매체에 저장될 수 있다.

몇몇 실시예에서, 상기 레이블은 시맨틱 객체의 형태를 나타내는 경계선 정보를 포함하지 않을 수 있다.

몇몇 실시예에서, 상기 세그먼테이션 오차는 크로스 엔트로피(cross-entropy) 손실 함수에 기초하여 산출되고, 상기 경계선 오차는 L1 손실(loss) 함수 또는 L2 손실 함수에 기초하여 산출될 수 있다.

몇몇 실시예에서, 상기 경계선 오차를 산출하는 단계는, 경계선 검출 신경망을 통해 상기 이미지에서 시맨틱 객체에 대한 제1 경계선 정보를 얻는 단계, 이미지 프로세싱 로직(image processing logic)을 이용하여 상기 세그먼테이션 정보에서 제2 경계선 정보를 추출하는 단계 및 상기 제1 경계선 정보와 상기 제2 경계선 정보에 기초하여 상기 경계선 오차를 산출하는 단계를 포함할 수 있다. 이때, 상기 산출된 경계선 오차의 역전파를 통해 상기 경계선 검출 신경망도 업데이트될 수 있다.

도 1은 본 개시의 몇몇 실시예에 따른 시맨틱 세그먼테이션 장치와 학습 환경을 설명하기 위한 도면이다.
도 2 내지 도 3은 본 개시의 다양한 실시예에서 참조될 수 있는 코어스 레이블의 실례를 도시한다.
도 4는 본 개시의 몇몇 실시예에 따른 시맨틱 세그먼테이션 방법의 학습 프로세스를 개략적으로 나타내는 예시적인 흐름도이다.
도 5는 본 개시의 제1 실시예에 따른 세그먼테이션 신경망 학습 프로세스를 설명하기 위한 도면이다.
도 6은 본 개시의 제2 실시예에 따른 세그먼테이션 신경망 학습 프로세스를 설명하기 위한 도면이다.
도 7은 본 개시의 제3 실시예에 따른 세그먼테이션 신경망 학습 프로세스를 설명하기 위한 도면이다.
도 8은 본 개시의 제4 실시예에 따른 세그먼테이션 신경망 학습 프로세스를 설명하기 위한 도면이다.
도 9는 본 개시의 몇몇 실시예에 따른 시맨틱 세그먼테이션 방법의 추론 프로세스를 개략적으로 나타내는 예시적인 흐름도이다.
도 10은 본 개시의 다양한 실시예에 따른 장치를 구현할 수 있는 예시적인 컴퓨팅 장치를 도시한다.

이하, 첨부된 도면을 참조하여 본 개시의 바람직한 실시예들을 상세히 설명한다. 본 개시의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시의 기술적 사상은 이하의 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 이하의 실시예들은 본 개시의 기술적 사상을 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 본 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시의 기술적 사상은 청구항의 범주에 의해 정의될 뿐이다.

각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 개시를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 개시를 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.

또한, 본 개시의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.

명세서에서 사용되는 "포함한다 (comprises)" 및/또는 "포함하는 (comprising)"은 언급된 구성 요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성 요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.

본 명세서에 대한 설명에 앞서, 본 명세서에서 사용되는 몇몇 용어들에 대하여 명확하게 하기로 한다.

본 명세서에서, 시맨틱 객체(semantic object)란, 시맨틱 세그먼테이션의 대상이 되는 객체를 의미할 수 있다. 상기 시맨틱 객체의 클래스는 사전에 정의되어 있을 수 있으며, 배경(background) 또한 하나의 시맨틱 객체로 정의될 수 있다.

본 명세서에서, 파인 레이블(fine label)이란, 코어스 레이블(coarse label)에 비해 상대적으로 높은 정확도 또는 정밀도를 갖는 레이블을 의미할 수 있다. 예를 들어, 파인 레이블은 시맨틱 객체에 대한 클래스, 위치 및 형태 정보를 포함하는 레이블(e.g. 픽셀 단위의 클래스 정보)일 수 있다.

본 명세서에서, 코어스 레이블(coarse label)이란, 파인 레이블에 비해 상대적으로 낮은 정확도 또는 정밀도를 갖는 레이블을 의미할 수 있다. 예를 들어, 파인 레이블은 시맨틱 객체의 형태를 가리키는 경계선 정보를 포함할 수 있고, 코어스 레이블은 경계선 정보를 포함하지 않거나 시맨틱 객체의 형태에 대한 개략적인 정보(e.g. 스크리블 정보)만을 포함할 수 있다. 코어스 레이블의 실례는 도 2 및 도 3을 참조하도록 한다.

본 명세서에서, 세그먼테이션 신경망(segmentation neural network)이란, 시맨틱 세그먼테이션을 위해 이용되는 신경망을 의미할 수 있다. 세그먼테이션 신경망은 다양한 형태 또는 구조를 갖는 신경망으로 구현될 수 있을 것이므로, 세그먼테이션 신경망의 구현 방식에 의해 본 개시의 기술적 범위가 한정되는 것은 아니다.

본 명세서에서, 경계선 검출 신경망(edge detection neural network) 이미지에서 경계선을 검출하기 위해 이용되는 신경망을 의미할 수 있다. 경계선 검출 신경망은 다양한 형태 또는 구조를 갖는 신경망으로 구현될 수 있을 것이므로, 경계선 검출 신경망의 구현 방식에 의해 본 개시의 기술적 범위가 한정되는 것은 아니다. 또한, 당해 기술 분야에서 경계선이라는 용어는 외곽선(outline), 에지(edge), 윤곽선(contour), 바운더리(boundary) 등과 같이 다양한 용어와 혼용될 수 있다.

본 명세서에서 인스트럭션(instruction)이란, 기능을 기준으로 묶인 일련의 컴퓨터 판독가능 명령어들로서 컴퓨터 프로그램의 구성 요소이자 프로세서에 의해 실행되는 것을 가리킨다.

이하, 본 개시의 몇몇 실시예들에 대하여 첨부된 도면에 따라 상세하게 설명한다.

도 1은 본 개시의 몇몇 실시예에 따른 시맨틱 세그먼테이션 장치(10)와 학습 환경을 나타내는 예시도이다.

도 1에 도시된 바와 같이, 시맨틱 세그먼테이션 장치(10)는 이미지에 대해 시맨틱 세그먼테이션을 수행할 수 있는 컴퓨팅 장치이다. 보다 상세하게는, 시맨틱 세그먼테이션 장치(10)는 레이블이 주어진 이미지셋(11)을 이용하여 세그먼테이션 신경망을 학습시킬 수 있다. 또한, 시맨틱 세그먼테이션 장치(10)는 학습된 세그먼테이션 신경망을 이용하여 레이블이 주어지지 않은 이미지(13)에 대해 시맨틱 세그먼테이션을 수행할 수 있다. 상기 수행의 결과로, 시맨틱 세그먼테이션 장치(10)는 이미지에 대한 세그먼테이션 정보(e.g. 15, 17)를 출력할 수 있다. 이때, 상기 세그먼테이션 정보는 픽셀 단위(pixel-wise)의 클래스 정보가 포함된 세그먼테이션 맵(15) 또는 세그먼테이션된 이미지(17) 등이 될 수 있을 것이나, 이에 한정되는 것은 아니다. 이하의 서술에서는, 설명의 편의상, 시맨틱 세그먼테이션 장치(10)를 세그먼테이션 장치(10)로 약칭하도록 한다.

상기 컴퓨팅 장치는 노트북, 데스크톱(desktop), 랩탑(laptop), 서버(server) 등이 될 수 있으나, 이에 국한되는 것은 아니며 컴퓨팅 기능이 구비된 모든 종류의 장치를 포함할 수 있다. 상기 컴퓨팅 장치의 일 예는 도 10을 참조하도록 한다.

도 1은 세그먼테이션 장치(10)가 하나의 컴퓨팅 장치로 구현된 것을 예시하고 있으나, 세그먼테이션 장치(10)의 제1 기능은 제1 컴퓨팅 장치에서 구현되고, 세그먼테이션 장치(10)의 제2 기능은 제2 컴퓨팅 장치에서 구현될 수도 있다. 즉, 세그먼테이션 장치(10)는 복수의 컴퓨팅 장치로 구성될 수 있다. 또한, 복수의 컴퓨팅 장치가 제1 기능 또는 제2 기능을 나누어 구현할 수 도 있다.

이미지셋(11)은 복수의 이미지로 구성된 학습 데이터셋이다. 각각의 이미지에는 시맨틱 객체에 대한 레이블이 주어질 수 있으며, 주어진 레이블을 이용하여 세그먼테이션 신경망이 학습될 수 있다.

본 개시의 다양한 실시예에서, 이미지셋(11)의 레이블은 코어스 레이블을 포함할 수 있다.

몇몇 실시예에서, 상기 코어스 레이블에는 시맨틱 객체에 대한 경계선 정보가 포함되지 않고, 시맨틱 객체의 클래스와 위치 정보만 포함될 수 있다. 예를 들어, 상기 코어스 레이블에는 시맨틱 객체의 클래스와 상기 시맨틱 객체의 위치를 나타내는 마킹 정보만 포함될 수 있다. 이에 대한 실례는 도 2에 도시되어 있다. 도 2에 예시된 바와 같이, 코어스 레이블에는 이미지(20) 상에서 세포(21)의 위치를 포인트(23)의 형태로 마킹한 정보가 포함되고, 세포(21)에 대한 경계선 정보는 포함되지 않을 수 있다.

다른 몇몇 실시예에서, 상기 코어스 레이블에는 시맨틱 객체의 클래스와 위치 정보 및 개략적인 형태 정보만이 포함될 수 있다. 예를 들어, 상기 코어스 레이블에는 경계선 정보 대신에 시맨틱 객체의 개략적인 형태를 나타내는 스크리블(scribble) 정보가 포함될 수 있다. 이에 대한 실례는 도 3에 도시되어 있다. 도 3에 예시된 바와 같이, 코어스 레이블에는 이미지(30)에 포함된 시맨틱 객체(e.g. cow, grass)의 경계선 정보 대신에 시맨틱 객체에 대한 스크리블 정보(31, 33)가 포함될 수 있다.

다른 몇몇 실시예에서는, 코어스 레이블에는 시맨틱 객체를 나타내는 바운딩 박스(bounding box) 정보가 포함될 수 있다. 이외에도, 다양한 유형의 코어스 레이블이 존재할 수 있을 것이므로, 본 개시의 기술적 범위는 특정 유형의 코어스 레이블에 한정되지 않는다.

본 개시의 다양한 실시예에 따르면, 세그먼테이션 장치(10)는 세그먼테이션 오차 외에 시맨틱 객체에 대한 경계선 오차를 추가로 학습하여 세그먼테이션 신경망을 학습시킬 수 있다. 그렇게 함으로써, 코어스 레이블이 주어진 경우라 하더라도, 세그먼테이션 신경망이 시맨틱 객체의 형태까지 정확하게 예측하도록 학습될 수 있다. 본 실시예에 따르면, 코어스 레이블이 주어진 경우라 하더라도, 정교한 세그먼테이션 결과가 제공될 수 있다. 뿐만 아니라, 파인 레이블을 이용하지 않고도 시맨틱 세그먼테이션 태스크를 수행할 수 있는 바, 레이블링 비용이 크게 절감될 수 있다. 본 실시예에 대한 자세한 설명은 도 4 내지 도 9를 참조하여 후술하도록 한다.

지금까지 도 1 내지 도 3을 참조하여 본 개시의 몇몇 실시예에 따른 세그먼테이션 장치(10)의 동작과 학습 환경에 대하여 설명하였다. 이하에서는, 도 4 내지 도 9를 참조하여 본 개시의 몇몇 실시예에 따른 시맨틱 세그먼테이션 방법에 대하여 설명하도록 한다.

이하에서 후술될 방법들의 각 단계는 컴퓨팅 장치에 의해 수행될 수 있다. 다시 말하면, 상기 방법들의 각 단계는 컴퓨팅 장치의 프로세서에 의해 실행되는 하나 이상의 인스트럭션들로 구현될 수 있다. 상기 방법들에 포함되는 모든 단계는 하나의 물리적인 컴퓨팅 장치에 의하여 실행될 수도 있을 것이나, 상기 방법의 제1 단계들은 제1 컴퓨팅 장치에 의하여 수행되고, 상기 방법의 제2 단계들은 제2 컴퓨팅 장치에 의하여 수행될 수도 있다. 이하에서는, 상기 방법들의 각 단계가 도 2에 예시된 세그먼테이션 장치(10)에 의해 수행되는 것을 가정하여 설명을 이어가도록 한다. 따라서, 본 실시예에 관한 설명에서 각 동작의 주어가 생략된 경우, 상기 예시된 장치(10)에 의하여 수행될 수 있는 것으로 이해될 수 있을 것이다. 또한, 본 실시예에 따른 방법은 필요에 따라 논리적으로 수행 순서가 바뀔 수 있는 범위 안에서 각 동작의 수행 순서가 바뀔 수 있음은 물론이다.

도 4는 본 개시의 몇몇 실시예에 따른 시맨틱 세그먼테이션 방법의 학습 프로세스를 나타내는 예시적인 흐름도이다. 단, 이는 본 개시의 목적을 달성하기 위한 바람직한 실시예일 뿐이며, 필요에 따라 일부 단계가 추가되거나 삭제될 수 있음은 물론이다.

도 4에 도시된 바와 같이, 상기 시맨틱 세그먼테이션 방법은 레이블이 주어진 이미지셋을 획득하는 단계 S100에서 시작된다. 상기 이미지셋은 복수의 이미지로 구성되며, 이미지 단위 또는 미니 배치(batch) 단위로 이하의 단계 S200 내지 S500가 수행될 수 있다. 이하에서는, 이미지 단위로 학습이 수행되는 것을 가정하여 설명을 이어가도록 하나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.

몇몇 실시예에서, 상기 레이블은 코어스 레이블을 포함할 수 있다. 즉, 상기 이미지셋은 코어스 레이블이 주어진 하나 이상의 이미지를 포함할 수 있다. 또한, 상기 코어스 레이블에는 시맨틱 객체에 대한 경계선 정보가 포함되어 있지 않고, 상기 시맨틱 객체에 대한 위치 정보 또는 개략적인 형태 정보가 포함될 수 있다. 상기 코어스 레이블의 실례에 대해서는 도 2 및 도 3을 참조하도록 한다.

단계 S200에서, 상기 이미지가 세그먼테이션 신경망으로 입력된다. 상기 세그먼테이션 신경망은 목표 태스크(target task)인 시맨틱 세그먼테이션을 수행하는 주 신경망을 의미한다. 상기 입력의 결과로, 상기 세그먼테이션 신경망에서 이미지에 대한 세그먼테이션 정보가 출력된다. 상기 세그먼테이션 정보는 예를 들어 시맨틱 객체에 대한 픽셀 단위의 클래스 정보를 포함하는 세그먼테이션 맵일 수 있고, 상기 세그먼테이션 맵을 이미지 형태로 가공한 것일 수도 있다. 단, 이에 한정되는 것은 아니다.

단계 S300에서, 획득된 세그먼테이션 정보에 대한 세그먼테이션 오차가 산출된다. 상기 세그먼테이션 오차는 세그먼테이션 정보와 상기 이미지에 주어진 레이블 정보와의 차이에 기초하여 산출될 수 있다(도 5 내지 도 8 참조). 상기 세그먼테이션 오차를 산출하는 구체적인 방식은 실시예에 따라 달라질 수 있다.

몇몇 실시예에서, 상기 세그먼테이션 오차는 크로스 엔트로피(cross entropy) 손실 함수에 기초하여 산출될 수 있다. 예를 들어, 세그먼테이션 정보에 포함된 시맨틱 객체의 예측 클래스와 상기 레이블에 포함된 정답 클래스의 차이가 크로스 엔트로피 손실 함수에 의해 산출될 수 있다. 또한, 상기 차이는 픽셀 별로 산출될 수 있다.

단계 S400에서, 상기 세그먼테이션 정보에 대한 경계선 오차가 산출된다. 상기 경계선 오차는 시맨틱 객체의 형태적 측면의 오차를 강조한 것으로써, 세그먼테이션 신경망이 시맨틱 객체의 형태를 보다 정확하게 예측할 수 있도록 이용되는 값으로 이해될 수 있다. 상기 경계선 오차를 산출하는 구체적인 방식은 실시예에 따라 달라질 수 있다. 이와 관련하여서는, 도 5 내지 도 8을 참조하여 추후 상세하게 설명하도록 한다.

단계 S500에서, 상기 세그먼테이션 오차와 상기 경계선 오차를 역전파(back-propagation)하여 세그먼테이션 신경망의 가중치가 업데이트된다.

몇몇 실시예에서는, 상기 세그먼테이션 오차와 상기 경계선 오차 각각에 가중치가 부여되고, 상기 가중치를 고려하여 세그먼테이션 신경망의 가중치가 업데이트될 수 있다. 몇몇 예에서는, 레이블에 포함된 형태 정보의 정밀도에 따라 경계선 오차에 부여된 가중치 값이 결정될 수도 있다. 가령, 레이블 정보에 시맨틱 객체에 대한 정교한 경계선 정보가 포함된 경우, 경계선 오차에 부여된 가중치는 스크리블 정보가 포함된 경우보다 상향될 수 있다. 다른 예에서는, 이미지셋에 주어진 레이블 중 코어스 레이블이 차지하는 비중에 따라 경계선 오차에 부여된 가중치 값이 결정될 수도 있다. 즉, 이미지셋에 코어스 레이블이 많이 포함될수록 경계선 오차에 부여된 가중치 값은 상향되어 적용될 수 있다. 그렇게 함으로써, 코어스 레이블이 많을 때, 시맨틱 객체의 형태에 더 중점을 두고 세그먼테이션 신경망에 대한 학습이 이루어질 수 있기 때문이다.

단계 S600에서, 학습 종료 여부가 판정된다. 학습 종료 여부는 미리 설정된 종료 조건에 기초하여 판정될 수 있다. 또한, 상기 종료 조건은 에폭(epoch), 미학습 데이터 존재 여부, 신경망의 성능 등과 같이 다양한 기준에 의거하여 정의되고 설정될 수 있다. 따라서, 본 개시의 기술적 범위가 특정 종료 조건에 한정되는 것은 아니다.

상기 종료 조건이 만족되지 않았다는 판정에 응답하여, 전술한 단계 S200 내지 S600이 다시 수행될 수 있다. 반대의 경우, 세그먼테이션 신경망에 대한 학습은 종료될 수 있다. 세그먼테이션 신경망이 학습되면, 레이블이 주어지지 않은 이미지에 대해 시맨틱 세그먼테이션(즉, 추론 프로세스)이 수행될 수 있다. 이에 관련하여서는, 도 9를 참조하여 후술하도록 한다.

지금까지 도 4를 참조하여 세그먼테이션 신경망에 대한 학습 프로세스에 대하여 개략적으로 설명하였다. 상술한 바에 따르면, 세그먼테이션 오차 외에 경계선 오차를 더 이용하여 세그먼테이션 신경망이 학습된다. 따라서, 세그먼테이션 신경망은 시맨틱 객체의 형태를 보다 정확하게 예측하도록 학습될 수 있다. 즉, 시맨틱 객체의 부정확한 형태 정보가 담긴 코어스 레이블이 이용되더라도, 세그먼테이션 신경망을 통해 시맨틱 객체의 정확한 형태 정보가 담긴 세그먼테이션 정보가 제공될 수 있다. 이에 따라, 학습 레이블링 작업에 소요되는 비용과 학습 데이터셋을 확보하는데 소요되는 노력이 크게 절감될 수 있다.

이하에서는, 도 5 내지 도 8을 참조하여 경계선 오차와 세그먼테이션 신경망의 학습 프로세스와 관련된 본 개시의 다양한 실시예들에 대하여 설명하도록 한다.

도 5는 본 개시의 제1 실시예에 따른 세그먼테이션 신경망 학습 프로세스를 설명하기 위한 도면이다.

도 5에 도시된 바와 같이, 상기 제1 실시예에서는 경계선 오차(47)를 산출하기 위해 경계선 검출 신경망(45)이 이용된다. 경계선 예측 신경망(45)은 입력 이미지(40)에서 시맨틱 객체와 연관된 경계선을 예측하는 신경망으로, 세그먼테이션 신경망(41)의 학습을 위한 보조 신경망(auxiliary neural network)으로 이해될 수 있다. 이하, 구체적인 학습 프로세스에 대하여 설명한다.

이미 설명한 바와 같이, 세그먼테이션 오차(43)는 세그먼테이션 신경망(41)에 의해 예측된 세그먼테이션 정보(42)와 레이블 정보(44)의 차이에 기초하여 산출될 수 있다. 또한, 세그먼테이션 오차(43)의 역전파를 통해 세그먼테이션 신경망(41)의 가중치가 업데이트될 수 있다.

경계선 오차(47)는 경계선 검출 신경망(45)에 의해 예측된 제1 경계선 정보(46)와 세그먼테이션 정보(42)에서 추출된 제2 경계선 정보(48)의 차이에 기초하여 산출될 수 있다. 여기서, 제2 경계선 정보(48)는 세그먼테이션 정보(42)에 이미지 프로세싱 로직(image processing logic)을 적용하여 추출된 것일 수 있다. 또한, 상기 이미지 프로세싱 로직은 예를 들어 소벨(sobel) 연산 등과 같이 다양한 종류의 에지 검출 로직을 포함할 수 있다. 따라서, 본 개시의 기술적 범위는 특정 종류의 로직에 한정되지 않는다.

몇몇 실시예에서, 경계선 오차(47)는 L1 손실(loss) 함수 또는 L2 손실 함수에 기초하여 산출될 수 있다. 여기서 L1 손실 함수는 최소 절대 오류(least absolute errors)를 의미하고, L2 손실 함수는 최소 제곱 오류(least square errors)를 의미한다. 그러나, 이외에도 다양한 손실 함수가 적용될 수 있으므로, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.

경계선 오차(47)가 역전파됨에 따라 세그먼테이션 신경망(41)과 경계선 검출 신경망(45)의 가중치가 갱신될 수 있다. 이때, 경계선 오차(47)는 세그먼테이션 정보(42)에 기반하여 산출된 것이기 때문에, 경계선 검출 신경망(45)은 입력된 이미지(e.g. 40)에서 시맨틱 객체와 연관된 경계선만을 검출하도록 학습될 수 있다. 또한, 세그먼테이션 신경망(41)은 경계선 오차(47)를 최소화하도록 학습됨으로써, 시맨틱 객체의 형태 정보를 더욱 정교하게 예측할 수 있게 된다.

몇몇 실시예에서, 경계선 검출 신경망(45)은 세그먼테이션 신경망(41)보다 더 얕은 신경망((즉, 더 적은 개수의 레이어를 갖는 신경망)으로 구현되거나, 더 적은 개수의 가중치 파라미터를 갖도록 구현될 수 있다. 세그먼테이션 신경망(41)은 시맨틱 세그먼테이션 태스크의 특성상 시맨틱 객체와 연관된 고차원인 특징을 추출하고 이를 깊게 이해할 수 있어야 한다. 따라서, 세그먼테이션 신경망(41)은 깊은 신경망으로 구현되는 것이 바람직할 수 있다. 반면에, 경계선 검출 신경망(45)은 이미지로부터 시맨틱 객체와 연관된 로컬 피처(local feature)를 추출하는 동작만을 수행하므로, 시맨틱 객체에 대해 깊은 이해를 할 필요가 없다. 따라서, 학습 비용과 신경망의 성능 측면에서 경계선 검출 신경망(45)은 상대적으로 얕은 신경망으로 구현되는 것이 바람직할 수 있다.

한편, 몇몇 실시예에서는, 학습이 진행됨에 따라 세그먼테이션 오차(43)와 경계선 오차(47)가 세그먼테이션 신경망(41)의 학습에 영향을 미치는 비중이 달라질 수도 있다. 예를 들어, 학습이 진행됨에 따라 경계선 오차(47)에 부여되는 가중치는 증가하고, 세그먼테이션 오차(43)에 부여되는 가중치는 감소될 수 있다. 경계선 오차(47)의 정확도는 경계선 검출 신경망(45)의 학습 성숙도에 따라 달라질 수 있고, 경계선 검출 신경망(45)이 성숙해질수록 경계선 오차(47)의 정확도는 증가될 것이기 때문이다.

도 6은 본 개시의 제2 실시예에 따른 세그먼테이션 신경망 학습 프로세스를 설명하기 위한 도면이다. 이하의 서술에서, 앞선 실시예와 중복되는 내용에 대한 설명은 생략하고, 앞선 실시예와의 차이점을 중심으로 설명하도록 한다.

도 6에 도시된 바와 같이, 상기 제2 실시예에서는, 경계선 오차(57)를 산출하기 위해 경계선 검출 신경망(55)에 의해 예측된 제1 경계선 정보(56)와 세그먼테이션 정보(52)에서 추출된 제2 경계선 정보(58) 외에 입력 이미지(50)에서 추출된 제3 경계선 정보(59)가 더 이용될 수 있다. 이때, 상기 추출 프로세스는 이미지 프로세싱 로직(e.g. 소벨 연산 등의 에지 검출 로직)을 통해서 이루어질 수 있다. 경계선 오차(57)를 산출하는 구체적인 방식은 실시예에 따라 달라질 수 있다.

몇몇 실시예에서는, 제3 경계선 정보(59)를 기준으로 제2 경계선 정보(58)에 포함된 시맨틱 객체의 경계선이 보정될 수 있다. 또한, 보정된 경계선과 제1 경계선 정보(56)의 차이에 기초하여 경계선 오차(57)가 산출될 수 있다. 다만, 제3 경계선 정보(59)에는 시맨틱 객체와 연관되지 않은 다수의 경계선이 포함되어 있을 수 있기 때문에, 상기 보정 이전에 제3 경계선 정보(59)에 대한 노이즈 제거 프로세스가 더 수행될 수도 있다. 상기 노이즈 제거 프로세스는 다양한 방식으로 수행될 수 있다. 몇몇 예에서는, 세그먼테이션 정보(52)에 포함된 시맨틱 객체의 위치 정보를 이용하여 제3 경계선 정보(59)에서 시맨틱 객체와 연관되지 않은 경계선이 제거(즉, 시맨틱 객체와 밀접하게 연관된 경계선만이 선별)될 수 있다. 다른 예에서는, 세그먼테이션 정보(52)에 포함된 시맨틱 객체의 위치 및 클래스 정보와 사전에 알려진 시맨틱 객체의 형태 정보를 이용하여 제3 경계선 정보(59)에서 시맨틱 객체와 연관된 경계선이 보정될 수 있다. 이때, 상기 형태 정보에는 시맨틱 객체의 전체 형태 외에도 특정 부분들의 비율 등 다양한 정보가 포함될 수 있다. 또 다른 예에서는, 상기 예시된 노이즈 제거 프로세스가 제2 경계선 정보(58)에 대해서도 수행될 수 있다. 본 실시예에 따르면, 다양한 방식으로 검출 또는 추출된 경계선 정보(56, 58, 59)를 이용하여 보다 정확하게 경계선 오차(57)가 산출될 수 있다. 이에 따라, 세그먼테이션 신경망(51)은 시맨틱 객체의 형태 정보를 더욱 정교하게 예측하도록 학습될 수 있다.

전술한 제1 실시예와 마찬가지로, 경계선 오차(57)는 세그먼테이션 신경망(51)과 경계선 검출 신경망(55)을 학습시키기 위해 이용될 수 있으며, 세그먼테이션 오차(53)는 세그먼테이션 정보(52)와 레이블 정보(54)의 차이에 기초하여 산출될 수 있다.

도 7 본 개시의 제3 실시예에 따른 세그먼테이션 신경망 학습 프로세스를 설명하기 위한 도면이다. 이하의 서술에서, 앞선 실시예와 중복되는 내용에 대한 설명은 생략하고, 앞선 실시예와의 차이점을 중심으로 설명하도록 한다.

도 7에 도시된 바와 같이, 상기 제3 실시예에서는, 경계선 오차(67)를 보다 정확하게 산출하기 위해 어텐션 신경망(68)이 이용될 수 있다. 어텐션 신경망(68)은 입력 이미지(60)에 대한 어텐션(attention) 정보를 출력하는 신경망을 의미할 수 있다. 상기 어텐션 정보는 제1 경계선 정보(66-1)에 포함된 노이즈(e.g. 예측된 경계선 중에서 시맨틱 객체와 연관되지 않은 경계선)를 제거하기 위해 이용되는 가중치 정보로 이해될 수 있다. 예를 들어, 상기 어텐션 정보는 픽셀 별 가중치 값으로 구성될 수 있고, 상기 픽셀 별 가중치 값을 제1 경계선 정보(66-1)에 반영함으로 노이즈 제거가 수행될 수 있다. 보다 구체적으로, 어텐션 정보를 제1 경계선 정보(66-1)에 반영하면 시맨틱 객체와 연관된 경계선 픽셀의 값은 증폭되고, 연관되지 않은 경계선 픽셀의 값은 억제됨으로써, 노이즈가 제거될 수 있다.

어텐션 신경망(68)은 경계선 오차(47)를 통해 학습될 수 있다. 즉, 경계선 오차(47)의 역전파를 통해 세그먼테이션 신경망(41)과 경계선 검출 신경망(65) 뿐만 아니라 어텐션 신경망(68)의 가중치도 업데이트될 수 있다. 다만, 다른 몇몇 실시예에서는, 경계선 검출 신경망(65)은 제1 경계선 정보(66-1)와 제2 경계선 정보(66-2) 간의 오차(즉, 어텐션 정보 69가 반영되지 않은 오차)에 기초하여 학습될 수도 있다. 어텐션 신경망(68)은 다양한 구조의 신경망으로 구현될 수 있을 것이므로, 어텐션 신경망(68)의 구현 방식에 의해 본 개시의 기술적 범위가 한정되는 것은 아니다.

몇몇 실시예에서, 어텐션 신경망(68)은 경계선 검출 신경망(65)보다 더 깊은 신경망((즉, 더 많은 개수의 레이어를 갖는 신경망)으로 구현되거나, 더 많은 개수의 가중치 파라미터를 갖도록 구현될 수 있다. 어텐션 신경망(68)의 성능(즉, 어텐션 정보의 정확도)은 신경망의 깊이가 깊어질수록 향상되는 경향이 있기 때문이다.

앞선 실시예들과 마찬가지로, 세그먼테이션 오차(63)는 세그먼테이션 정보(62)와 레이블 정보(64)의 차이에 기초하여 산출될 수 있고, 세그먼테이션 오차(63)를 역전파하여 세그먼테이션 신경망(61)의 가중치가 업데이트될 수 있다.

도 8은 본 개시의 제4 실시예에 따른 세그먼테이션 신경망 학습 방법을 설명하기 위한 도면이다. 이하의 서술에서, 앞선 실시예와 중복되는 내용에 대한 설명은 생략하고, 앞선 실시예와의 차이점을 중심으로 설명하도록 한다.

도 8에 도시된 바와 같이, 상기 제4 실시예에서는, 경계선 검출 신경망이 이용되지 않고, 입력 이미지(70)로부터 추출된 제1 경계선 정보(76)와 세그먼테이션 정보(72)에서 추출된 제2 경계선 정보(77)에 기초하여 경계선 오차(75)가 산출될 수 있다. 또한, 상기 추출 프로세스는 모두 이미지 프로세싱 로직을 통해 이루어질 수 있다.

다만, 제1 경계선 정보(75)에는 시맨틱 객체와 연관되지 않은 다수의 경계선이 포함되어 있을 수 있다. 따라서, 본 개시의 몇몇 실시예에서는, 경계선 오차(75)를 산출하기 전에, 제1 경계선 정보(76)에 대한 노이즈 제거 프로세스가 수행될 수도 있다.

상기 노이즈 제거 프로세스는 다양한 방식으로 수행될 수 있다. 몇몇 예에서는, 세그먼테이션 정보(72)에 포함된 시맨틱 객체의 위치 정보를 이용하여 제1 경계선 정보(76)에서 시맨틱 객체와 연관되지 않은 경계선이 제거(즉, 시맨틱 객체와 밀접하게 연관된 경계선만 선별)될 수 있다. 다른 예에서는, 세그먼테이션 정보(72)에 포함된 시맨틱 객체의 위치 및 클래스 정보와 사전에 알려진 시맨틱 객체의 형태 정보를 이용하여 제1 경계선 정보(76)에서 시맨틱 객체와 연관된 경계선이 보정될 수 있다. 이때, 상기 형태 정보에는 시맨틱 객체의 전체 형태 외에도 특정 부분들의 비율 등 다양한 정보가 포함될 수 있다.

몇몇 실시예에서, 상기 예시된 노이즈 제거 프로세스는 제2 경계선 정보(77)에 대해서도 수행될 수 있다.

앞선 실시예들과 마찬가지로, 세그먼테이션 오차(763)는 세그먼테이션 정보(72)와 레이블 정보(74)의 차이에 기초하여 산출될 수 있고, 세그먼테이션 오차(73)를 역전파하여 세그먼테이션 신경망(71)의 가중치가 업데이트될 수 있다.

상기 제4 실시예에 따르면, 경계선 검출을 위한 보조 신경망이 학습될 필요가 없다. 따라서, 학습에 소모되는 컴퓨팅 비용이 절감될 수 있다.

지금까지 도 5 내지 도 8을 참조하여 본 개시의 다양한 실시예에 따른 세그먼테이션 신경망 학습 프로세스에 대하여 설명하였다. 상술한 바에 따르면, 다양한 방식으로 경계선 오차가 산출되고, 경계선 오차에 대해 세그먼테이션 신경망이 더 학습될 수 있다. 그렇게 함으로써, 코어스 레이블이 주어진 경우에도 시맨틱 객체의 형태 정보에 대한 정교한 예측을 수행할 수 있는 세그먼테이션 신경망이 구축될 수 있다. 또한, 그렇게 함으로써, 레이블링 작업에 소요되는 비용은 크게 절감될 수 있기 때문에, 시맨틱 세그먼테이션 태스크를 위한 신경망이 다양한 도메인(e.g. 의료 도메인)에서 구축될 수 있다.

이하에서는 도 9를 참조하여 본 개시의 몇몇 실시예에 따른 시맨틱 세그먼테이션 방법의 추론 프로세스에 대하여 설명하도록 한다.

도 9는 상기 추론 프로세스를 나타내는 예시적인 흐름도이다. 단, 이는 본 개시의 목적을 달성하기 위한 바람직한 실시예일 뿐이며, 필요에 따라 일부 단계가 추가되거나 삭제될 수 있음은 물론이다.

도 9에 도시된 바와 같이, 상기 추론 프로세스는 레이블이 주어지지 않은 이미지에 대하여 수행되며(S700), 상기 이미지를 기 학습된 세그먼테이션 신경망에 입력함으로써 수행될 수 있다(S800). 또한, 상기 세그먼테이션 신경망을 통해 세그먼테이션 정보가 출력될 수 있다. 예를 들어, 도 1에 도시된 바와 같이, 시맨틱 객체가 세그먼테이션되어 있는 이미지(17) 또는 픽셀 단위로 시맨틱 객체의 클래스 정보가 포함된 세그먼테이션 맵(15)이 출력될 수 있다.

몇몇 실시예에서는, 경계선 검출 신경망(e.g. 도 4 내지 도 7의 45, 55, 65)의 경계선 정보를 이용하여 세그먼테이션 결과의 정확도를 향상시키기 위한 보정 프로세스가 더 수행될 수도 있다. 예를 들어, 상기 경계선 검출 신경망으로부터 얻어진 경계선 정보를 기준으로 상기 세그먼테이션 정보를 보정 함으로써, 세그먼테이션 결과의 정확도가 더욱 향상될 수 있다.

지금까지 도 9를 참조하여 본 개시의 몇몇 실시예에 따른 시맨틱 세그먼테이션 방법의 추론 프로세스에 대하여 설명하였다. 이하에서는, 도 10을 참조하여 본 개시의 다양한 실시예에 따른 장치(e.g. 도 1의 세그먼테이션 장치 10)를 구현할 수 있는 예시적인 컴퓨팅 장치(100)에 대하여 설명하도록 한다.

도 10은 컴퓨팅 장치(100)를 나타내는 하드웨어 구성도이다.

도 10에 도시된 바와 같이, 컴퓨팅 장치(100)는 하나 이상의 프로세서(110), 버스(150), 통신 인터페이스(170), 프로세서(110)에 의하여 수행되는 컴퓨터 프로그램을 로드(load)하는 메모리(130)와, 시맨틱 세그먼테이션 컴퓨터 프로그램(191)을 저장하는 스토리지(190)를 포함할 수 있다. 다만, 도 10에는 본 개시의 실시예와 관련 있는 구성요소들만이 도시되어 있다. 따라서, 본 개시가 속한 기술분야의 통상의 기술자라면 도 10에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다.

프로세서(110)는 컴퓨팅 장치(100)의 각 구성의 전반적인 동작을 제어한다. 프로세서(110)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 개시의 기술 분야에 잘 알려진 임의의 형태의 프로세서를 포함하여 구성될 수 있다. 또한, 프로세서(110)는 본 개시의 실시예들에 따른 방법/동작을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 컴퓨팅 장치(100)는 하나 이상의 프로세서를 구비할 수 있다.

메모리(130)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(130)는 본 개시의 실시예들에 따른 다양한 방법/동작을 실행하기 위하여 스토리지(190)로부터 하나 이상의 프로그램(191)을 로드할 수 있다. 메모리(130)는 RAM과 같은 휘발성 메모리로 구현될 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.

버스(150)는 컴퓨팅 장치(100)의 구성 요소 간 통신 기능을 제공한다. 버스(150)는 주소 버스(Address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.

통신 인터페이스(170)는 컴퓨팅 장치(100)의 유무선 인터넷 통신을 지원한다. 또한, 통신 인터페이스(170)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 통신 인터페이스(170)는 본 개시의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다. 몇몇 실시예에서, 통신 인터페이스(170)는 생략될 수도 있다.

스토리지(190)는 상기 하나 이상의 프로그램(191)을 비임시적으로 저장할 수 있다. 스토리지(190)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 개시가 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.

컴퓨터 프로그램(191)은 메모리(130)에 로드될 때 프로세서(110)로 하여금 본 개시의 다양한 실시예에 따른 방법을 수행하도록 하는 하나 이상의 인스트럭션들(instructions)을 포함할 수 있다. 즉, 프로세서(110)는 상기 하나 이상의 인스트럭션들을 실행함으로써, 본 개시의 다양한 실시예에 따른 방법/동작들을 수행할 수 있다.

예를 들어, 컴퓨터 프로그램(191)은 레이블이 주어진 이미지를 세그먼테이션 신경망에 입력하여 상기 이미지에 대한 세그먼테이션 정보를 얻는 동작, 상기 세그먼테이션 정보에 대한 세그먼테이션 오차와 경계선 오차를 산출하는 동작 및 상기 산출된 세그먼테이션 오차와 상기 산출된 경계선 오차를 역전파(back-propagation)하여 상기 세그먼테이션 신경망을 업데이트하는 동작을 수행하도록 하는 인스트럭션들을 포함할 수 있다. 이와 같은 경우, 컴퓨팅 장치(100)를 통해 본 개시의 몇몇 실시예에 따른 세그먼테이션 장치(100)가 구현될 수 있다.

지금까지 도 1 내지 도 10을 참조하여 본 개시의 다양한 실시예들 및 그 실시예들에 따른 효과들을 언급하였다. 본 개시의 기술적 사상에 따른 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

지금까지 도 1 내지 도 10을 참조하여 설명된 본 개시의 기술적 사상은 컴퓨터가 읽을 수 있는 매체 상에 컴퓨터가 읽을 수 있는 코드로 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체는, 예를 들어 이동형 기록 매체(CD, DVD, 블루레이 디스크, USB 저장 장치, 이동식 하드 디스크)이거나, 고정식 기록 매체(ROM, RAM, 컴퓨터 구비 형 하드 디스크)일 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체에 기록된 상기 컴퓨터 프로그램은 인터넷 등의 네트워크를 통하여 다른 컴퓨팅 장치에 전송되어 상기 다른 컴퓨팅 장치에 설치될 수 있고, 이로써 상기 다른 컴퓨팅 장치에서 사용될 수 있다.

이상에서, 본 개시의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 개시의 기술적 사상이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 개시의 목적 범위 안에서라면, 그 모든 구성요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다.

도면에서 동작들이 특정한 순서로 도시되어 있지만, 반드시 동작들이 도시된 특정한 순서로 또는 순차적 순서로 실행되어야만 하거나 또는 모든 도시 된 동작들이 실행되어야만 원하는 결과를 얻을 수 있는 것으로 이해되어서는 안 된다. 특정 상황에서는, 멀티태스킹 및 병렬 처리가 유리할 수도 있다. 더욱이, 위에 설명한 실시예들에서 다양한 구성들의 분리는 그러한 분리가 반드시 필요한 것으로 이해되어서는 안 되고, 설명된 프로그램 컴포넌트들 및 시스템들은 일반적으로 단일 소프트웨어 제품으로 함께 통합되거나 다수의 소프트웨어 제품으로 패키지 될 수 있음을 이해하여야 한다.

이상 첨부된 도면을 참조하여 본 개시의 실시예들을 설명하였지만, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 본 개시가 다른 구체적인 형태로도 실시될 수 있다는 것을 이해할 수 있다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로 이해해야만 한다. 본 개시의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 개시에 의해 정의되는 기술적 사상의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (20)

1. 컴퓨팅 장치에 의하여 수행되는 시맨틱 세그먼테이션(semantic segmentation) 방법에 있어서,
   세그먼테이션 모델을 이용하여, 대상 이미지에 포함된 시맨틱 객체에 대한 세그먼테이션 정보를 획득하는 단계;
   상기 획득된 세그먼테이션 정보와 상기 대상 이미지에 대응하는 코어스 레이블(coarse label) 간의 차이를 기초로, 상기 시맨틱 객체와 관련된 세그먼테이션 오차를 산출하는 단계;
   상기 세그먼테이션 정보에서 획득한 제1 경계선 정보와, 상기 대상 이미지에서 획득한 제2 경계선 정보 간의 차이를 기초로, 상기 시맨틱 객체와 관련된 경계선 오차를 산출하는 단계; 및
   상기 세그먼테이션 오차 및 상기 경계선 오차를 기초로, 상기 세그먼테이션 모델을 업데이트하는 단계를 포함하는
   시맨틱 세그먼테이션 방법.
   
2. 제1항에 있어서,
   상기 경계선 오차를 산출하는 단계는
   상기 세그먼테이션 정보에서, 상기 시맨틱 객체에 대한 상기 제1 경계선 정보를 획득하는 단계와,
   상기 대상 이미지에서, 상기 시맨틱 객체에 대한 상기 제2 경계선 정보를 획득하는 단계를 포함하는
   시맨틱 세그먼테이션 방법.
   
3. 제1항에 있어서,
   상기 코어스 레이블은
   상기 시맨틱 객체의 위치, 형태, 클래스 중 적어도 하나에 대한 정보를 포함하는
   시맨틱 세그먼테이션 방법.
   
4. 제1항에 있어서,
   상기 코어스 레이블은
   상기 대상 이미지에 포함된 적어도 하나의 시맨틱 객체와 관련된 경계선 정보를 포함하는 파인 레이블(fine label)보다 낮은 정밀도를 갖는 레이블인
   시맨틱 세그먼테이션 방법.
   
5. 제1항에 있어서,
   상기 코어스 레이블은
   상기 시맨틱 객체의 위치를 나타내는 마킹 정보 또는 상기 시맨틱 객체에 대한 스크리블(scribble) 정보를 포함하는
   시맨틱 세그먼테이션 방법.
   
6. 제1항에 있어서,
   상기 세그먼테이션 오차를 산출하는 단계는
   상기 획득된 세그먼테이션 정보에 포함된 상기 시멘틱 객체의 예측 클래스와 상기 코어스 레이블에 포함된 정답 클래스 간의 차이를 크로스 엔트로피 손실 함수에 기초하여 상기 세그먼테이션 오차로 산출하는 단계를 포함하는
   시맨틱 세그먼테이션 방법.
   
7. 제1항에 있어서,
   상기 경계선 오차를 산출하는 단계는
   상기 제1 경계선 정보와 상기 제2 경계선 정보 간의 차이를 L1 손실 함수 또는 L2 손실 함수에 기초하여 상기 경계선 오차로 산출하는 단계를 포함하는
   시맨틱 세그먼테이션 방법.
   
8. 제1항에 있어서,
   상기 업데이트하는 단계는
   상기 세그먼테이션 오차 및 상기 경계선 오차 중 적어도 하나에 가중치를 부여하는 단계와,
   상기 부여된 가중치를 반영하여 상기 세그먼테이션 모델을 업데이트하는 단계를 포함하는
   시맨틱 세그먼테이션 방법.
   
9. 제1항에 있어서,
   상기 업데이트하는 단계는
   상기 세그먼테이션 오차 및 상기 경계선 오차를 역전파(back-propagation)하여 상기 세그먼테이션 신경망을 업데이트하는 단계를 포함하는
   시맨틱 세그먼테이션 방법.
   
10. 제1항에 있어서,
    상기 경계선 오차를 산출하는 단계는
    상기 대상 이미지를 경계선 검출 신경망에 입력하여 상기 제2 경계선 정보를 획득하는 단계를 포함하는
    시맨틱 세그먼테이션 방법.
    
11. 적어도 하나의 프로세서 및 메모리를 포함하고,
    상기 메모리는 하나 이상의 인스트럭션들(instructions)을 저장하고;
    상기 프로세서는 상기 하나 이상의 인스트럭션들을 실행시킴으로써,
    세그먼테이션 모델을 이용하여, 대상 이미지에 포함된 시맨틱 객체에 대한 세그먼테이션 정보를 획득하고,
    상기 획득된 세그먼테이션 정보와 상기 대상 이미지에 대응하는 코어스 레이블(coarse label) 간의 차이를 기초로, 상기 시맨틱 객체와 관련된 세그먼테이션 오차를 산출하고,
    상기 세그먼테이션 정보에서 획득한 제1 경계선 정보와, 상기 대상 이미지에서 획득한 제2 경계선 정보 간의 차이를 기초로, 상기 시맨틱 객체와 관련된 경계선 오차를 산출하고,
    상기 세그먼테이션 오차 및 상기 경계선 오차를 기초로, 상기 세그먼테이션 모델을 업데이트하도록 하는
    시맨틱 세그먼테이션 장치.
    
12. 제11항에 있어서,
    상기 프로세서는
    상기 세그먼테이션 정보에서, 상기 시맨틱 객체에 대한 상기 제1 경계선 정보를 획득하고,
    상기 대상 이미지에서, 상기 시맨틱 객체에 대한 상기 제2 경계선 정보를 획득하도록 하는
    시맨틱 세그먼테이션 장치.
    
13. 제11항에 있어서,
    상기 코어스 레이블은
    상기 시맨틱 객체의 위치, 형태, 클래스 중 적어도 하나에 대한 정보를 포함하는
    시맨틱 세그먼테이션 장치.
    
14. 제11항에 있어서,
    상기 코어스 레이블은
    상기 대상 이미지에 포함된 적어도 하나의 시맨틱 객체와 관련된 경계선 정보를 포함하는 파인 레이블(fine label)보다 낮은 정밀도를 갖는 레이블인
    시맨틱 세그먼테이션 장치.
    
15. 제11항에 있어서,
    상기 코어스 레이블은
    상기 시맨틱 객체의 위치를 나타내는 마킹 정보 또는 상기 시맨틱 객체에 대한 스크리블(scribble) 정보를 포함하는
    시맨틱 세그먼테이션 장치.
    
16. 제11항에 있어서,
    상기 프로세서는
    상기 획득된 세그먼테이션 정보에 포함된 상기 시멘틱 객체의 예측 클래스와 상기 코어스 레이블에 포함된 정답 클래스 간의 차이를 크로스 엔트로피 손실 함수에 기초하여 상기 세그먼테이션 오차로 산출하는
    시맨틱 세그먼테이션 장치.
    
17. 제11항에 있어서,
    상기 프로세서는
    상기 제1 경계선 정보와 상기 제2 경계선 정보 간의 차이를 L1 손실 함수 또는 L2 손실 함수에 기초하여 상기 경계선 오차로 산출하는
    시맨틱 세그먼테이션 장치.
    
18. 제11항에 있어서,
    상기 프로세서는
    상기 세그먼테이션 오차 및 상기 경계선 오차 중 적어도 하나에 가중치를 부여하고,
    상기 부여된 가중치를 반영하여 상기 세그먼테이션 모델을 업데이트하도록 하는
    시맨틱 세그먼테이션 장치.
    
19. 제11항에 있어서,
    상기 프로세서는
    상기 세그먼테이션 오차 및 상기 경계선 오차를 역전파(back-propagation)하여 상기 세그먼테이션 신경망을 업데이트하도록 하는
    시맨틱 세그먼테이션 장치.
    
20. 제11항에 있어서,
    상기 프로세서는
    상기 대상 이미지를 경계선 검출 신경망에 입력하여 상기 제2 경계선 정보를 획득하는
    시맨틱 세그먼테이션 장치.

Images