KR20200145646A - 이미지 세그먼테이션 방법 - Google Patents

Abstract

본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 이미지 세그먼테이션하기 위한 이하의 동작을 수행하도록 하며, 상기 동작은, 입력 데이터를 포함하는 트레이닝 데이터를 네트워크 함수에 입력하는 동작; 상기 네트워크 함수를 이용하여 추정값을 획득하는 동작; 및 상기 추정값에 기초하여 상기 네트워크 함수를 업데이트하는 동작을 포함할 수 있다.

Description

이미지 세그먼테이션 방법{METHOD FOR IMAGE SEGMENTATION}

본 개시는 인공지능 기술 분야에 관한 것으로서, 보다 구체적으로 인공지능 기술을 활용한 데이터 처리 방법에 관한 것이다.

일시적 또는 영구적으로 데이터베이스에 저장되어 사용할 수 있는 데이터가 축적됨에 따라, 수 많은 산업 장비의 데이터 자동화 처리에 대한 연구가 진행되고 있다. 데이터의 상태를 판단하기 위한 방법을 구현하기 위해 인공 신경망 네트워크를 이용한 인공지능 기술에 대한 연구가 활발히 진행되고 있다.

인공지능 기술에서도 특히 딥 러닝 분야는 데이터 자동화 처리에 대해 놀라운 발전을 이루었다. 최근 딥 러닝 기술이 발달하면서 세그먼테이션도 딥 러닝을 많이 사용하는 추세이다.

딥 러닝 기술을 활용한 모델은 복잡한 비선형 또는 동적 패턴을 효과적으로 학습할 수 있는 방법을 제공하지만, 처리하고자 하는 데이터가 변화하는 경우, 모델의 업데이트에 기술적 과제가 존재하였다.

대한민국특허 공개 문헌 KR2019-0039383은 이미지 세그멘테이션을 위한 학습 방법 및 학습 장치, 그리고 이를 이용한 이미지 세그멘테이션 방법 및 이미지 세그멘테이션 장치를 개시한다.

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 인공지능을 활용한 데이터의 처리 방법을 제공하기 위한 것이다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 네트워크 함수를 이용한 데이터의 이미지 세그먼테이션을 위한 이하의 방법을 수행하도록 하며, 상기 방법은, 입력 데이터를 포함하는 트레이닝 데이터를 네트워크 함수에 입력하는 동작; 상기 네트워크 함수를 이용하여 추정값을 획득하는 동작; 및 상기 추정값에 기초하여 상기 네트워크 함수를 업데이트하는 동작을 포함할 수 있다.

대안적인 실시예에서, 상기 입력 데이터는 이미지 데이터의 적어도 일부의 픽셀에 대한 특성을 포함할 수 있다.

대안적인 실시예에서, 상기 트레이닝 데이터는, 이미지 데이터를 포함하고, 상기 이미지 데이터는 정상 이미지 데이터를 포함하는 데이터일 수 있다.

대안적인 실시예에서, 상기 네트워크 함수는, 적어도 둘 이상의 레이어를 포함하는 네트워크 함수를 포함할 수 있다.

대안적인 실시예에서, 상기 네트워크 함수는, 적어도 하나의 차원 축소 레이어 및 적어도 하나의 차원 복원 레이어를 포함하는 네트워크 함수를 포함할 수 있다.

대안적인 실시예에서, 상기 네트워크 함수는, 재구성 손실을 유발할 수 있는 크기의 캐패시티(Capacity)를 가지는 오토 인코더(Auto Encoder)를 포함할 수 있다.

대안적인 실시예에서, 상기 추정값은, 어노말리 스코어(Anomaly Score) 또는 재구성 스코어(Reconstruction Score) 중 적어도 하나를 포함할 수 있다.

대안적인 실시예에서, 상기 어노말리 스코어는, 상기 입력 데이터에 대응되는 어노말리티 정보를 포함하고, 상기 어노말리티 정보는 상기 입력 데이터의 어노말리티를 판단하기 위한 정보를 포함할 수 있다.

대안적인 실시예에서, 상기 재구성 스코어는, 상기 입력 데이터에 대응되는 재구성 손실값에 기초하여 산출된 값을 포함할 수 있다.

대안적인 실시예에서, 상기 추정값에 기초하여 상기 네트워크 함수를 업데이트하는 동작은, 상기 추정값의 분포에 기초하여, 상대적으로 높은 추정값을 가지는 입력 데이터를 선택하는 동작; 및 상기 선택된 입력 데이터에 대응되는 추정값에 기초하여 상기 네트워크 함수를 업데이트하는 동작을 포함할 수 있다.

대안적인 실시예에서, 상기 선택된 입력 데이터에 대응되는 추정값에 기초하여 상기 네트워크 함수를 업데이트하는 동작은, 상기 선택된 입력 데이터에 대응되는 추정값의 평균값에 기초하여, 상기 네트워크 함수를 업데이트하는 동작을 포함할 수 있다.

대안적인 실시예에서, 상기 추정값에 기초하여 상기 네트워크 함수를 업데이트하는 동작은, 상기 네트워크 함수의 파라미터를 업데이트하는 동작을 포함하고, 상기 파라미터는, 역전파(Backpropagation) 방식으로 업데이트된 파라미터를 포함할 수 있다.

대안적인 실시예에서, 상기 업데이트된 네트워크 함수에 기초하여, 입력 데이터를 포함하는 트레이닝 데이터의 추정값을 획득하는 동작을 더 포함할 수 있다.

대안적인 실시예에서, 상기 업데이트된 네트워크 함수를 이용하여 획득한 추정값에 기초하여 입력 데이터의 어노말리(Anomaly)를 판단하기 위한 임계 추정값을 결정하는 동작을 더 포함할 수 있다.

대안적인 실시예에서, 상기 입력 데이터의 추정값이 상기 임계 추정값 이상인 경우, 상기 입력 데이터를 어노말리로 결정하는 동작을 더 포함할 수 있다.

대안적인 실시예에서, 상기 추정값에 기초하여 상기 네트워크 함수를 업데이트하는 동작은, 상기 추정값에 가중치(Weight)를 부여하여 상기 네트워크 함수를 업데이트하는 동작을 포함할 수 있다.

대안적인 실시예에서, 상기 추정값에 가중치(Weight)를 부여하여 상기 네트워크 함수를 업데이트하는 동작은, 상기 입력 데이터에 대응되는 추정값이 작을수록 낮은 가중치를 부여하는 동작; 또는 상기 입력 데이터에 대응되는 추정값이 클수록 높은 가중치를 부여하는 동작 중 적어도 하나를 포함할 수 있다.

본 개시의 다른 일 실시예에 따라 이미지 세그먼테이션하기 위한 방법이 개시된다. 입력 데이터를 포함하는 트레이닝 데이터를 네트워크 함수에 입력하는 단계; 상기 네트워크 함수를 이용하여 추정값을 획득하는 단계; 및 상기 추정값에 기초하여 상기 네트워크 함수를 업데이트하는 단계를 포함할 수 있다.

본 개시의 다른 일 실시예에 따라 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는 하나 이상의 프로세서; 및 상기 프로세서에서 실행가능한 명령들을 저장하는 메모리; 를 포함하고, 상기 하나 이상의 프로세서는, 입력 데이터를 포함하는 트레이닝 데이터를 네트워크 함수에 입력하고, 상기 네트워크 함수를 이용하여 추정값을 획득하고, 그리고 상기 추정값에 기초하여 상기 네트워크 함수를 업데이트할 수 있다.

본 개시는 인공지능을 활용한 데이터의 처리 방법을 제공할 수 있다.

상기 언급된 본 개시내용의 특징들이 상세하게, 보다 구체화된 설명으로, 이하의 실시예들을 참조하여 이해될 수 있도록, 실시예들 중 일부는 첨부되는 도면에서 도시된다. 또한, 도면과의 유사한 참조번호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭하는 것으로 의도된다. 그러나, 첨부된 도면들은 단지 본 개시내용의 특정한 전형적인 실시예들만을 도시하는 것일 뿐, 본 발명의 범위를 한정하는 것으로 고려되지는 않으며, 동일한 효과를 갖는 다른 실시예들이 충분히 인식될 수 있다는 점을 유의하도록 한다.
도 1은 본 개시의 일 실시예에 따라, 이미지 세그먼테이션을 하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라, 네트워크 함수를 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따라, 입력 데이터를 선택하여 네트워크 함수를 업데이트하는 동작을 설명하기 위한 순서도이다.
도 4는 본 개시의 일 실시예에 따라, 입력 데이터를 선택하여 네트워크 함수를 업데이트하는 동작을 설명하기 위한 예시도이다.
도 5는 본 개시의 일 실시예에 따라, 가중치를 부여하여 네트워크 함수를 업데이트하는 동작을 설명하기 위한 순서도이다.
도 6은 본 개시의 일 실시예에 따라, 가중치를 설명하기 위한 예시도이다.
도 7은 본 개시의 일 실시예에 따라, 이미지 세그먼테이션하는 동작을 설명하기 위한 예시도이다.
도 8은 본 개시의 일 실시예에 따라, 이미지 세그먼테이션 방법의 순서도이다.
도 9는 본 개시의 일 실시예에 따라, 이미지 세그먼테이션하기 위한 모듈을 도시한 블록 구성도이다.
도 10은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

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(procedure), 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 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 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 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 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 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

도 1은 본 개시의 일 실시예에 따라, 이미지 세그먼테이션을 하기 위한 컴퓨팅 장치의 블록 구성도이다.

도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.

컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.

프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장 치의 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 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DN: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 개시의 일 실시예에 따라, 프로세서(110)는 입력 데이터를 포함하는 트레이닝 데이터를 네트워크 함수에 입력시킬 수 있다.

본 개시의 일 실시예에 따라, 입력 데이터는 이미지 데이터의 적어도 일부분의 특성을 나타내는 정보를 포함할 수 있다. 이미지 데이터의 적어도 일부분은 적어도 하나 이상의 픽셀을 포함할 수 있다. 본 개시의 일 실시예에 따라, 하나 이상의 트레이닝 데이터는 네트워크 함수를 학습시키기 위해 사용되는 학습 데이터 세트를 구성할 수 있다. 학습 데이터 세트는 네트워크 함수를 학습시키기 위해 사용되는 적어도 하나 이상의 데이터들로 구성된 집합일 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 입력 데이터는 이미지 데이터의 적어도 일부의 픽셀에 대한 특성을 포함할 수 있다. 입력 데이터는 이미지 데이터의 각각의 픽셀 또는 패치에 대한 특성을 나타내는 정보를 포함할 수 있다. 각각의 픽셀에 대한 특성을 나타내는 정보는 프로세서(110)가 컨볼루셔널 레이어(Convolutional Layer)에 이미지 데이터의 픽셀을 입력하여 획득한 이미지의 픽셀에 대한 피처를 포함할 수 있다. 패치의 특성을 나타내는 정보는 프로세서(110)가 컨볼루셔널 레이어(Convolutional Layer)에 이미지 데이터의 패치를 입력하여 획득한 이미지의 패치에 대한 피처를 포함할 수 있다. 패치는 이미지의 적어도 일부분을 포함할 수 있다. 이미지의 적어도 일부분은 적어도 하나 이상의 픽셀을 포함할 수 있다. 컨볼루셔널 레이어는 합성곱 연산을 통해 이미지의 피처를 추출하는 레이어를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 다른 일 실시예에 따라, 입력 데이터는 프로세서(110)가 컨볼루셔널 레이어로부터 획득한 데이터를 풀링 레이어(Pooling Layer)에 입력하여 획득한 픽셀의 피처 또는 패치의 피처를 포함할 수 있다. 풀링 레이어는 이미지의 차원을 축소하여 이미지의 강한 특징만 추출하는 레이어를 포함할 수 있다. 풀링 레이어는 예를 들어, ROI(Region of interest) 풀링 레이어를 포함할 수 있다. 전술한 입력 데이터는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 트레이닝 데이터는, 이미지 데이터를 포함하고, 이미지 데이터는 정상 이미지 데이터를 포함하는 데이터일 수 있다. 정상 이미지는 이미지에 어노말리가 없는 이미지를 포함할 수 있다. 즉, 정상 이미지는 정상인 비정형 패턴만을 가지는 이미지 일 수 있다. 예를 들어, 제품 제조 공정에서, 흠결이 없는 제품이 포함된 이미지는 정상 제품에 관련한 비정형 패턴만을 포함하는 정상 이미지일 수 있다. 정상 이미지는 사람이 정상이라고 결정한 이미지 또는 컴퓨팅 장치(100)가 정상이라고 결정한 이미지 중 적어도 하나를 포함할 수 있다. 전술한 정상 이미지는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 어노말리는 정상이 아닌 비정형 패턴을 가지는 부분일 수 있다. 어노말리는 예를 들어, 제품의 흠결이 있는 부분을 포함할 수 있다. 즉, 예를 들어, 어노말리 이미지는 불량 부분이라는 정상이 아닌 비정형 패턴을 포함하는 이미지일 수 있다. 따라서 프로세서(110)는 예를 들어, 제품에서 흠결이 있는 부분을 어노말리로 결정할 수 있고, 제품의 흠결이 포함된 이미지를 어노말리 데이터로 결정할 수 있다. 전술한 어노말리는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 정상 이미지만을 포함하는 트레이닝 데이터 세트를 함수에 입력할 수 있다. 예를 들어, 네트워크 함수가 오토 인코더인 상황에서, 오토 인코더는 정상 이미지만을 포함하는 트레이닝 데이터 세트로 학습되었으며, 정상 이미지의 비정형 패턴을 복원하도록 학습될 수 있다. 이 경우, 프로세서(110)는 이미지를 네트워크 함수에 입력하여 복원된 이미지를 획득할 수 있다.

프로세서(110)가 어노말리가 포함된 이미지를 네트워크 함수에 입력한 경우, 어노말리 부분은 오토 인코더에서 학습된 패턴이 아니므로, 정상 이미지를 입력한 경우보다 복원 이미지의 재구성 오차가 클 수 있다. 어노말리 데이터에 대한 복원 이미지(즉, 오토인코더 출력)는 이미지 데이터와 유사할 수 있으나, 이미지 데이터에서 손실된 부분이 있을 수 있다. 이미지 데이터에서 잘 복원되지 못한 부분은 적어도 하나 이상의 픽셀을 포함할 수 있다. 프로세서(110)는 정상 이미지를 입력 받은 경우에는 네트워크 함수를 이용하여 높은 정확도로 이미지를 복원할 수 있으므로, 잘 복원되지 못한 부분을 어노말리로 결정할 수 있다. 프로세서(110)는 복원된 이미지와 원본 이미지의 재구성 오차에 기초하여 입력 데이터에 어노말리가 존재하는지 여부를 판단할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 네트워크 함수는, 적어도 둘 이상의 레이어를 포함하는 네트워크 함수를 포함할 수 있다. 적어도 둘 이상의 레이어를 포함하는 네트워크 함수는 예를 들어, CNN(Convolutional neural network), FCN(Fully convolutional network), R-CNN(Regions with CNN), Fast R-CNN, Faster R-CNN, Mask R-CNN을 포함할 수 있다. 전술한 네트워크 함수의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 네트워크 함수는, 적어도 하나의 차원 축소 레이어 및 적어도 하나의 차원 복원 레이어를 포함하는 네트워크 함수를 포함할 수 있다. 프로세서(110)는 적어도 하나의 차원 축소 레이어를 이용하여 입력 데이터의 피처를 추출할 수 있다. 예를 들어, 프로세서(110)는 이미지를 적어도 하나의 차원 축소 레이어에 입력하여 입력된 이미지보다 축소된 차원의 데이터를 획득할 수 있다. 프로세서(110)는 적어도 하나의 차원 복원 레이어를 이용하여 차원이 축소된 입력 데이터를 기초로 차원을 복원할 수 있다. 예를 들어 프로세서(110)는 입력된 이미지보다 축소된 차원의 데이터를 적어도 하나의 차원 복원 레이어에 입력하여 원래의 이미지 데이터의 차원으로 복원한 데이터를 획득할 수 있다. 적어도 하나의 차원 축소 레이어 및 적어도 하나의 차원 복원 레이어를 포함하는 네트워크 함수는 예를 들어, 오토 인코더를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 네트워크 함수는, 재구성 손실을 유발할 수 있는 크기의 캐패시티(Capacity)를 가지는 오토 인코더(Auto Encoder)를 포함할 수 있다. 재구성 손실은 프로세서(110)가 입력 데이터를 네트워크 함수에 입력하여 획득한 데이터와 입력한 데이터의 차이일 수 있다. 예를 들어, 프로세서(110)가 이미지를 오토 인코더에 입력하여 획득한 복원된 이미지와 입력한 이미지 사이의 차이가 재구성 손실일 수 있다. 전술한 재구성 손실은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 캐패시티는 오토 인코더에 포함된 노드 수일 수 있다. 노드 수가 많을수록 프로세서(110)는 오토 인코더를 이용하여 재구성 손실이 낮은 데이터를 획득할 수 있다. 노드 수가 적을수록 프로세서(110)는 오토 인코더를 이용하여 재구성 손실이 상대적으로 높은 데이터를 획득할 수 있다. 캐패시티를 증가시키는 경우, 업데이트되는 파라미터의 수가 증가하여 프로세서가 네트워크 함수를 학습시키는 시간이 증가할 수 있다. 또한 캐패시티가 증가하는 경우 메모리(130)에 저장되는 데이터의 크기가 증가할 수 있다. 따라서 프로세서(110)가 적정한 캐패시티를 가지는 네트워크 함수를 학습시키는 경우, 상대적으로 빠른 시간 내에 네트워크 함수에 포함된 파라미터를 업데이트할 수 있고, 메모리(130)에 저장된 데이터의 양이 감소하여 컴퓨팅 장치(100)의 성능이 향상되고 빠른 시간 내에 업데이트된 네트워크 함수를 획득할 수 있다. 전술한 캐패시티는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 추정값은 어노말리 스코어(Anomaly Score) 또는 재구성 스코어(Reconstruction Score) 중 적어도 하나를 포함할 수 있다.

본 개시의 일 실시예에 따라, 어노말리 스코어는, 입력 데이터에 대한 출력에 기초하여 획득되는 입력 데이터에 대응되는 어노말리티 정보에 기초하여 생성된다. 어노말리티 정보는 입력 데이터의 어노말리티를 판단하기 위한 정보를 포함할 수 있다. 어노말리티는 입력 데이터가 정상 이미지에서 발견될 수 없는 피처일 가능성을 나타내는 확률일 수 있다. (예를 들어, 어노말리티는 0과 1 사이의 실수값으로 표현될 수 있다.) 프로세서(110)는 입력 데이터의 어노말리티를 판단하여 입력 데이터의 어노말리를 결정할 수 있다. 프로세서(110)는 입력 데이터의 재구성 손실값을 기초로 어노말리티를 판단할 수 있다. 예를 들어, 프로세서(110)는 입력 데이터의 재구성 손실값이 클수록 입력 데이터의 어노말리티도 크다고 판단할 수 있다. 또한 프로세서(110)는 입력 데이터의 일부분에 대한 피처와 입력 데이터의 일부분과 인접한 다른 일부분에 대한 피처의 상관 관계를 기초로 어노말리티를 판단할 수 있다. 입력 데이터의 일부분에 대한 피처와 입력 데이터의 일부분과 인접한 다른 일부분에 대한 피처의 차이가 클 경우 어노말리티 정보도 클 수 있다. 전술한 어노말리 스코어는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 재구성 스코어는, 입력 데이터에 대응되는 재구성 손실값에 기초하여 산출된 값을 포함할 수 있다. 재구성 손실값은 프로세서(110)가 입력 데이터를 네트워크 함수에 입력하여 획득한 데이터와 입력한 데이터의 차이에 기초하여 산출된 값을 포함할 수 있다. 본 개시의 일 실시예에 따라, 재구성 스코어는 재구성 손실값과 비례 관계에 있을 수도 있다. 예를 들어, 재구성 손실값이 클수록 재구성 스코어가 클 수 있다. 전술한 재구성 스코어는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 다른 일 실시예에 따라, 재구성 스코어는 재구성 손실값과 반비례 관계에 있을 수도 있다. 예를 들어, 재구성 손실값이 클수록 재구성 스코어가 작을 수 있다. 전술한 재구성 스코어는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 재구성 스코어에 기초하여 입력 데이터의 어노말리를 결정할 수 있다. 예를 들어 재구성 스코어와 재구성 손실값이 비례 관계에 있는 상황에서, 재구성 스코어가 일정 기준보다 큰 경우, 프로세서(110)는 해당 입력 데이터를 어노말리로 결정할 수 있다. 전술한 재구성 스코어는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 추정값의 분포에 기초하여, 상대적으로 높은 추정값을 가지는 입력 데이터를 선택할 수 있다. 추정값의 분포는 입력 데이터에 대응되는 추정값을 프로세서(110)가 일정 기준에 따라 정렬한 분포일 수 있다. 정렬은 추정값을 기준으로 오름차순 정렬 또는 내림차순 정렬일 수 있다. 추정값의 분포는 예를 들어, xy좌표계에서 y축은 입력 데이터수, x축은 추정값인 분포를 포함할 수 있다. 프로세서(110)는 예를 들어, 입력 데이터에 대응되는 추정값이 큰 상위 30개의 입력 데이터를 선택할 수 있다. 또한 프로세서(110)는 예를 들어, 입력 데이터에 대응되는 추정값이 큰 상위 5%의 입력 데이터를 선택할 수 있다. 전술한 입력 데이터를 선택하는 동작은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 선택된 입력 데이터에 대응되는 추정값에 기초하여 네트워크 함수를 업데이트할 수 있다. 프로세서(110)는 예를 들어, 선택된 입력 데이터에 대응되는 추정값의 중앙값, 최댓값, 최솟값, 추정값 분포의 분산에 기초하여 결정된 값을 기초로 네트워크 함수를 업데이트할 수 있다. 프로세서(110)는 추정값이 상대적으로 높은 입력 데이터들을 선택하여 네트워크 함수를 업데이트함으로써, 추정값이 상대적으로 높았던 입력 데이터들의 추정값(예를 들어, 업데이트된 네트워크 함수에 입력 데이터를 입력하여 획득한 추정값)을 감소시킬 수 있다. 즉 프로세서(110)는 입력 데이터들의 재구성 손실값을 낮출 수 있다. 또한 프로세서(110)는 정상인 입력 데이터들 중에서, 추정값이 높았던 입력 데이터들의 추정값이 감소되도록 뉴럴 네트워크 모델을 업데이트함으로써, 입력 데이터에 대한 어노말리 결정에 대한 정확도가 증가할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 선택된 입력 데이터에 대응되는 추정값의 평균값에 기초하여, 네트워크 함수를 업데이트할 수 있다. 프로세서(110)는 선택된 입력 데이터에 대응되는 추정값들의 평균값을 산출할 수 있다. 프로세서(110)는 산출된 추정값들의 평균값에 기초하여 네트워크 함수를 업데이트함으로써, 추정값이 높았던 입력 데이터들의 추정값을 감소시킬 수 있다. 따라서 프로세서(110)는 업데이트된 네트워크에 어노말리가 포함된 이미지를 입력하여 정상인 입력 데이터의 추정값의 분포와 어노말리인 입력 데이터의 추정값 분포가 명확히 구분된 분포를 획득할 수 있다. 이를 통해 프로세서(110)는 더 높은 정확도로 어노말리인 입력 데이터를 어노말리로 결정할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

입력 데이터를 선택하여, 선택된 입력 데이터에 대응되는 추정값의 평균값에 기초하여 네트워크 함수를 업데이트하는 설명은 본 출원에서 전체가 참조로서 통합되는 논문 Training Region-based Object Detectors with Online Hard Example Mining (공개일: 2016.04.12, 작성자: Abhinav Shrivastava, Abhinav Gupta, Ross Girshick, Carnegie Mellon University, Facebook AI Research)에서 구체적으로 논의된다.

본 개시의 일 실시예에 따라, 네트워크 함수의 파라미터를 업데이트하는 동작을 포함하고, 파라미터는, 역전파(Backpropagation) 방식으로 업데이트된 파라미터를 포함할 수 있다. 역전파에 관하여 도 2를 참조하여 후술하여 설명한다. 파라미터는 프로세서(110)가 네트워크 함수를 이용하여 추정값을 산출하는데 이용되는 변수일 수 있다. 파라미터는 학습 초기에는 임의의 값일 수 있다. 학습이 진행되면서 파라미터는 네트워크 함수의 정확도를 높이는 방향으로 업데이트될 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 업데이트된 네트워크 함수에 기초하여, 입력 데이터를 포함하는 트레이닝 데이터의 추정값을 획득할 수 있다. 프로세서(110)는 입력 데이터에 대응하는 추정값을 기초로 입력 데이터의 어노말리를 판단할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 업데이트된 네트워크 함수를 이용하여 획득한 추정값에 기초하여 입력 데이터의 어노말리(Anomaly)를 판단하기 위한 임계 추정값을 결정할 수 있다. 임계 추정값에 관하여 도 7을 참조하여 후술하여 설명한다.

본 개시의 일 실시예에 따라, 프로세서(110)는 입력 데이터의 추정값이 임계 추정값 이상인 경우, 입력 데이터를 어노말리로 결정할 수 있다. 따라서 프로세서(110)는 입력 데이터가 임계 추정값 미만인 경우, 입력 데이터를 정상인 입력 데이터로 결정할 수 있다. 프로세서(110)는 임계 추정값을 초과하는 추정값을 가진 정상인 입력 데이터수를 감소시키는 방향으로 네트워크 함수를 학습시킴으로써, 임계 추정값에 기초하여 어노말리인 입력 데이터를 어노말리로 결정할 경우, 정상인 입력 데이터가 어노말리로 결정될 확률이 낮아질 수 있다. 이를 통해 프로세서(110)는 높은 정확도로 이미지 세그먼테이션을 할 수 있다. 전술한 어노말리 결정은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 추정값에 가중치(Weight)를 부여하여 네트워크 함수를 업데이트할 수 있다. 가중치는 네트워크 함수 학습 과정에서 어떤 부분에 중점을 두고 학습할 것인지에 대한 방향성 정보를 포함할 수 있다. 예를 들어, 프로세서(110)는 추정값이 높은 입력 데이터에 대해 가중치를 높게 부여함으로써, 추정값이 높은 입력 데이터의 추정값을 감소시키는 방향으로 네트워크 함수의 파라미터를 업데이트할 수 있다. 가중치의 구체적인 내용에 관하여 도 6을 참조하여 후술하여 설명한다. 전술한 가중치는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 입력 데이터에 대응되는 추정값이 작을수록 낮은 가중치를 부여할 수 있다. 프로세서(110)는 예를 들어, 입력 데이터가 이미지인 경우, 입력 데이터에 대응되는 추정값이 낮을수록 이미지의 해당 부분에 낮은 가중치를 부여하여 뉴럴 네트워크 모델을 학습시킬 수 있다. 본 개시의 일 실시예에 따라, 프로세서(110)는 입력 데이터에 대응되는 추정값이 클수록 높은 가중치를 부여할 수 있다. 이를 통해 프로세서(110)는 추정값이 큰 입력 데이터에 대해 중점적으로 추정값을 감소시키는 방향으로 네트워크 함수의 파라미터를 업데이트함으로써, 프로세서(110)는 업데이트된 네트워크 함수에 동일한 입력 데이터를 입력시킬 경우 낮은 추정값을 획득할 수 있다. 따라서 프로세서(110)는 임계 추정값을 초과하는 추정값을 가진 정상인 입력 데이터수를 감소시키는 방향으로 네트워크 함수를 학습시킬 수 있다. 즉, 프로세서(110)는 뉴럴 네트워크 모델을 학습시킬 때, 이미지 데이터에서 오판단이 발생하는 부분을 중점적으로 학습시킬 수 있다. 예를 들어, 이미지 데이터가 생산 공정에서 획득된 이미지인 경우, 이미지 데이터에서 불량이 주로 발생하는 부분(예를 들어, 철강 제품에서 제품의 끝단 부분 등)과, 다른 부분에 중요도를 다르게 하여 뉴럴 네트워크 모델이 학습될 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 다른 일 실시예에 따라, 프로세서(110)는 입력 데이터에 대응되는 추정값이 작을수록 해당 입력 데이터에 높은 가중치를 부여할 수 있다. 본 개시의 다른 일 실시예에 따라, 프로세서(110)는 입력 데이터에 대응되는 추정값이 클수록 작은 가중치를 부여할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

가중치를 부여하여 네트워크 함수를 업데이트하는 방법에 대한 설명은 본 출원에서 전체가 참조로서 통합되는 논문 Focal Loss for Dense Object Detection (공개일: 2018.02.07, 작성자: Tsung-Yi Lin, Priya Goyal, Ross Girshick, Kaiming He, Piotr Doll´ar, Facebook AI Research)에서 구체적으로 논의된다.

본 개시를 통해, 프로세서(110)는 재구성 손실을 유발할 수 있는 크기의 캐패시티를 가지는 네트워크 함수를 이용함으로써, 네트워크 함수를 학습시키는데 소요되는 시간을 단축시킬 수 있고, 네트워크 함수를 저장하는 메모리(130) 공간의 효율성을 증대시킬 수 있다.

프로세서(110)는 재구성 손실을 유발할 수 있는 크기의 캐패시티를 가지는 네트워크 함수를 본개시의 학습 방법을 이용하여 업데이트함으로써, 더 높은 정확도로 이미지 세그먼테이션을 할 수 있다. 프로세서(110)는 입력 데이터 중 추정값이 상대적으로 높은 입력 데이터를 기초로 네트워크 함수의 파라미터를 업데이트할 수 있다. 또한 프로세서(110)는 입력 데이터 중 추정값이 높을수록 큰 가중치를 부여하여 네트워크 함수의 파라미터를 업데이트할 수 있다. 이를 통해, 정상인 입력 데이터들 중에서 추정값이 높았던 입력 데이터들의 추정값(예를 들어, 업데이트된 네트워크 함수에 동일한 입력 데이터를 입력하여 획득한 추정값)을 감소시키는 방향으로 네트워크를 업데이트 시킬 수 있다. 따라서 프로세서(110)가 업데이트된 네트워크 함수에 높은 추정값을 가졌던 입력 데이터를 입력할 경우 해당 입력 데이터에 대해 낮은 추정값을 획득할 수 있다. 정상인 입력 데이터의 분포 그래프가 x축이 추정값인 경우, 프로세서()는 업데이트된 네트워크 함수를 이용하여 좌측으로 움직인 정산인 입력 데이터의 분포 그래프를 획득할 수 있다. (정상인 입력 데이터의 분포 그래프의 좌측 이동은 도 7을 참조하여 후술하여 설명된다.) 정상인 입력 데이터의 분포 그래프가 좌측으로 이동함으로써, 임계 추정값 이상인 정상인 입력 데이터수가 줄어들어, 종국적으로는 프로세서(110)는 임계 추정값을 이용하여 정확한 입력 데이터의 어노말리 판단을 수행할 수 있다.

도 2는 본 개시의 일 실시예에 따라, 네트워크 함수를 나타낸 개략도이다.

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

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. 상술한 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 파라미터를 가질 수 있다. 파라미터는 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 파라미터에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 파라미터의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 파라미터 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 상술한 것과 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 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 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. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루셔널 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서 네트워크 함수는 오토 인코더를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 차원 감소 레이어와 차원 복원 레이어의 노드는 대칭일 수도 있고 아닐 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 남은 센서들의 수와 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 파라미터를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨이 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 파라미터가 업데이트 될 수 있다. 업데이트 되는 각 노드의 파라미터는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.

도 3은 본 개시의 일 실시예에 따라, 입력 데이터를 선택하여 네트워크 함수를 업데이트하는 동작을 설명하기 위한 순서도이다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 입력 데이터를 포함하는 트레이닝 데이터를 네트워크 함수에 입력(610)할 수 있다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 네트워크 함수를 이용하여 추정값의 분포를 획득(620)할 수 있다. 추정값의 분포는 입력 데이터에 대응되는 추정값을 컴퓨팅 장치(100)가 일정 기준(예를 들어, 오름 차순, 내림 차순)으로 정렬한 분포일 수 있다. 추정값의 분포는 예를 들어, xy좌표계에서 y축은 입력 데이터수, x축은 추정값인 분포를 포함할 수 있다. 전술한 추정값의 분포는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 추정값 분포에 기초하여 상대적으로 높은 추정값을 가지는 입력 데이터를 선택(630)할 수 있다. 컴퓨팅 장치(100)는 예를 들어, 입력 데이터에 대응되는 추정값이 큰 상위 20개의 입력 데이터를 선택할 수 있다. 또한 프로세서(110)는 예를 들어, 입력 데이터에 대응되는 추정값이 큰 상위 3%의 입력 데이터를 선택할 수 있다. 입력 데이터를 선택하는 동작은 도 4를 참조하여 후술하여 설명된다. 전술한 입력 데이터를 선택하는 동작은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 선택된 입력 데이터에 대응되는 추정값의 평균값을 산출(640)할 수 있다. 추정값의 평균값을 산출하는 동작은 도 4를 참조하여 후술하여 설명된다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 추정값의 평균값에 기초하여 네트워크 함수를 업데이트(650)할 수 있다. 컴퓨팅 장치(100)는 산출된 추정값들의 평균값에 기초하여 네트워크 함수를 업데이트함으로써, 추정값이 높았던 입력 데이터들에 대응하는 추정값(예를 들어, 업데이트된 네트워크 함수에 동일한 입력 데이터를 입력하여 획득한 추정값)을 감소시킬 수 있다. 따라서 컴퓨팅 장치(100)는 업데이트된 네트워크 함수에 높은 추정값을 가졌던 입력 데이터를 입력할 경우 해당 입력 데이터에 대해 낮은 추정값을 획득할 수 있다. 이를 통해 정상인 입력 데이터에 대응하는 추정값의 분포와 어노말리인 입력 데이터에 대응하는 추정값의 분포가 명확히 구분될 수 있다. 더 명확히 구분된 분포를 통해 컴퓨팅 장치(100)는 더 높은 정확도로 정상인 입력 데이터와 어노말리인 입력 데이터를 구분하여, 어노말리인 입력 데이터를 어노말리로 결정할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

도 4는 본 개시의 일 실시예에 따라, 입력 데이터를 선택하여 네트워크 함수를 업데이트하는 동작을 설명하기 위한 예시도이다.

도 4는 입력 데이터(510) 각각에 대응하는 추정값(530)을 도시하고 있다. 참조번호 500의 표는 추정값을 내림차순으로 정렬한 표일 수 있다. 또한 참조번호 550 및 570은 각각 네트워크 함수를 업데이트하기 위해 선택된 입력 데이터와 선택되지 못한 입력 데이터를 구분하기 위한 선일 수 있다.

본 개시의 일 실시예에 따라, 선택된 입력 데이터가 참조번호 550 선 이상인 경우, 컴퓨팅 장치(100)는 입력 데이터1, 입력 데이터7, 입력 데이터6, 입력 데이터2를 선택할 수 있다. 따라서 컴퓨팅 장치(100)는 입력 데이터1, 입력 데이터7, 입력 데이터6, 입력 데이터2에 각각 대응되는 추정값 0.95, 0.93, 0.9, 0.85의 평균값을 산출할 수 있다. 컴퓨팅 장치(100)는 입력 데이터1, 입력 데이터7, 입력 데이터6, 입력 데이터2에 각각 대응되는 추정값의 평균값을 (0.95 + 0.93 + 0.9 + 0.85) / 4 = 0.9075로 산출할 수 있다. 전술한 평균값 산출은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 선택된 입력 데이터가 참조번호 570 선 이상인 경우, 컴퓨팅 장치(100)는 입력 데이터1, 입력 데이터7, 입력 데이터6, 입력 데이터2, 입력 데이터5, 입력 데이터12, 입력 데이터4, 입력 데이터8을 선택할 수 있다. 따라서 컴퓨팅 장치(100)는 입력 데이터1, 입력 데이터7, 입력 데이터6, 입력 데이터2, 입력 데이터5, 입력 데이터12, 입력 데이터4, 입력 데이터8에 각각 대응되는 추정값 0.95, 0.93, 0.9, 0.85, 0.8, 0.8, 0.6, 0.51의 평균값을 산출할 수 있다. 컴퓨팅 장치(100)는 평균값을 (0.95 + 0.93 + 0.9 + 0.85 + 0.8 + 0.8 + 0.6 + 0.51) / 8 = 0.7925로 산출할 수 있다. 전술한 평균값 산출은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)가 상대적으로 높은 추정값을 가지는 입력 데이터들을 선택하는 방법은 사전 결정된 기준에 기초하여 선택하는 방법을 포함할 수 있다. 사전 결정된 기준은 예를 들어, 추정값이 큰 상위 30개 입력 데이터를 선택하는 기준일 수 있다. 또한 사전 결정된 기준은 예를 들어, 추정값이 큰 상위 1%의 입력 데이터를 선택하는 기준일 수 있다. 컴퓨팅 장치(100)는 입력 데이터가 10000개인 경우 100개의 입력 데이터를 선택할 수 있다. 전술한 입력 데이터의 선택은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 상대적으로 높은 추정값을 가지는 입력 데이터들의 평균값을 산출하여 네트워크 함수를 업데이트함으로써, 높은 추정값을 가지는 입력 데이터에 대해 중점적으로 학습시킬 수 있다. 컴퓨팅 장치(100)는 상대적으로 높은 추정값을 가지는 하나 이상의 입력 데이터를 선택할 수 있다. 컴퓨팅 장치(100)는 선택된 하나 이상의 입력 데이터 각각의 추정값의 평균값을 산출할 수 있다. 컴퓨팅 장치(100)는 산출된 평균값을 기초로 네트워크 함수의 파라미터를 경사 하강법(Gradient Descent)을 통해 업데이트할 수 있다. 컴퓨팅 장치(100)는 네트워크 함수의 파라미터를 역전파 방식으로 업데이트 할 때, 산출된 평균값을 고려할 수 있다. 컴퓨팅 장치(100)는 네트워크 함수의 파라미터를 산출된 평균값에 기초하여 역전파 방식으로 업데이트 할 수 있다. 컴퓨팅 장치(100)는 네트워크 함수의 파라미터를 추정값에 기초하여 업데이트 할 수 있으며, 이 경우, 컴퓨팅 장치(100)는 추정값을 단순 적용하지 않고, 추정값들의 평균값에 기초하여 네트워크 함수의 파라미터를 업데이트 할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

경사 하강법은 손실 함수 값을 최소화시키는 알고리즘으로써, 예를 들어, 확률적 경사 하강법(Stochastic gradient descent), 미니 배치 경사 하강법(mini-batch gradient descent)를 포함할 수 있다. 확률적 경사 하강법은 1 개의 트레이닝 데이터만 사용하여 파라미터를 업데이트하는 방법을 포함할 수 있다. 미니 배치 경사 하강법은 적어도 하나 이상의 트레이닝 데이터를 사용하여 파라미터를 업데이트하는 방법을 포함할 수 있다. 컴퓨팅 장치(100)는 산출된 평균값을 파라미터로 미분하여 획득한 값을 업데이트 되기 전 파라미터로부터 차감하는 방식을 통해 파라미터를 업데이트할 수 있다. 이를 통해, 높은 추정값을 가지는 입력 데이터에 대해 중점적으로 학습시킴으로써, 해당 입력 데이터를 업데이트된 네트워크 함수에 입력하였을 경우, 낮은 추정값을 획득할 수 있다. 이를 통해 정상인 입력 데이터들 중 높은 추정값을 가진 입력 데이터들의 개수를 감소시킬 수 있다. 높은 추정값을 가진 입력 데이터들의 개수를 감소시킴으로써, 컴퓨팅 장치(100)는 정상인 입력 데이터와 어노말리인 입력 데이터를 명확하게 구분하여 정확도 높은 이미지 세그먼테이션을 할 수 있다.

도 5는 본 개시의 일 실시예에 따라, 가중치를 부여하여 네트워크 함수를 업데이트하는 동작을 설명하기 위한 순서도이다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 입력 데이터를 포함하는 트레이닝 데이터를 네트워크 함수에 입력(710)할 수 있다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 네트워크 함수를 이용하여 추정값을 획득(720)할 수 있다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 추정값의 분포에 기초하여 추정값에 가중치를 부여(730)할 수 있다. 가중치는 네트워크 함수 학습 과정에서 어떤 부분에 중점을 둘 것인지 방향성 정보를 포함할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 추정값이 높은 입력 데이터에 대해 가중치를 높게 부여함으로써, 추정값이 높은 입력 데이터의 추정값을 감소시키는 방향으로 네트워크 함수의 파라미터를 업데이트할 수 있다. 가중치의 구체적인 내용에 관하여 도 6을 참조하여 후술하여 설명된다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 부여된 가중치를 기초로 네트워크 함수를 업데이트(740)할 수 있다. 컴퓨팅 장치(100)는 입력 데이터에 대응되는 추정값이 작을수록 낮은 가중치를 부여할 수 있다. 본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 입력 데이터에 대응되는 추정값이 클수록 높은 가중치를 부여할 수 있다. 이를 통해 컴퓨팅 장치(100)는 추정값이 큰 입력 데이터에 대해 중점적으로 추정값을 감소시키는 방향으로 네트워크 함수의 파라미터를 업데이트함으로써, 컴퓨팅 장치(100)는 업데이트된 네트워크 함수에 동일한 입력 데이터를 입력시킬 경우 낮은 추정값을 획득할 수 있다. 이를 통해 컴퓨팅 장치(100)는 네트워크 함수를 업데이트함으로써 정상인 입력 데이터들 중 높은 추정값을 가진 입력 데이터들의 개수를 감소시킬 수 있다. 정상인 입력 데이터들 중 높은 추정값을 가진 입력 데이터들의 개수를 감소시킴으로써, 정상인 입력 데이터에 대응하는 추정값 분포와 어노말리인 입력 데이터에 대응하는 추정값 분포가 명확히 구분될 수 있으므로, 컴퓨팅 장치(100)는 정확도 높은 이미지 세그먼테이션을 수행할 수 있다.

도 6은 본 개시의 일 실시예에 따라, 가중치를 설명하기 위한 예시도이다.

본 개시의 일 실시예에 따라, 가중치는 도 6에 도시된 바와 같이, 810번 수식일 수 있다.

본 개시의 일 실시예에 따라,

(850)는 i번째 입력 데이터가 어노말리일 확률을 나타낼 수 있다. 본 개시의 다른 일 실시예에 따라,

(850)는 i번째 입력 데이터가 정상일 확률을 나타낼 수 있다.

(850)는 0과 1사이의 임의의 실수일 수 있다. 전술한

(850)는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, r(870)은 임의의 상수일 수 있다. 또한 r(870)은 예를 들어, 0과 5 사이의 임의의 정수일 수 있다. 컴퓨팅 장치(100)는 r(870)을 이미지 세그먼테이션의 정확도를 높이기 위한 임의의 정수로 결정할 수 있다. 전술한 r(870)은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라,

(850)는 i번째 입력 데이터가 정상일 확률인 경우,

(850)가 높을수록 가중치는 작아지게 될 수 있다. 예를 들어,

(850)가 0.9이고 r(870)이 2인 경우 가중치는 0.01가 될 수 있다. 또한,

(850)가 0.1이고 r(870)이 2인 경우, 가중치는 0.81이 될 수 있다. 이를 통해, 컴퓨팅 장치(100)가 네트워크 함수를 이용하여 정확하게 판단할 수 있는 입력 데이터에 대해서는 가중치를 작게 부여하고, 정확하게 판단하지 못한 입력 데이터에 대해서는 가중치를 크게 부여하여, 네트워크 함수의 파라미터를 업데이트하는 방향을 정확하게 판단하지 못한 입력 데이터에 대해서 더 집중하도록 할 수 있다. 따라서 컴퓨팅 장치(100)는 해당 업데이트 과정을 통해 업데이트된 네트워크 함수를 이용하여 입력 데이터의 추정값을 감소시킬 수 있다. 전술한 가중치는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 추정값은 도 6에 도시된 바와 같이, 830번 수식일 수 있다.

본 개시의 일 실시예에 따라,

(850)는 i번째 입력 데이터가 정상일 확률인 경우, 정상인 확률이 낮을수록 추정값은 커질 수 있다. 예를 들어,

(850)가 0.1이고 r(870)이 2인 경우, 추정값은

일 수 있다. 또한,

(850)가 0.01이고 r(870)이 2인 경우, 추정값은

일 수 있다. 따라서 입력 데이터가 정상일 확률이 낮을수록 추정값은 커질 수 있다. 전술한 추정값은 예시일 뿐 본 개시는 이에 제한되지 않는다.

도 7은 본 개시의 일 실시예에 따라, 이미지 세그먼테이션하는 동작을 설명하기 위한 예시도이다.

도 7은 네트워크 함수에 입력 데이터를 입력하여 획득한 추정값의 분포를 나타낼 수 있다. 추정값 분포는 xy 좌표계를 이용하여 표현될 수 있다. xy 좌표계에서 x축은 추정값(310), y축은 입력 데이터수(330)일 수 있다. 추정값의 분포는 정상인 입력 데이터들을 나타내는 분포와 어노말리인 입력 데이터들을 나타내는 분포를 포함할 수 있다. 또한 도 7은 임계 추정값(350)이 도시되어 있다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 임계 추정값(350)을 사전 결정된 기준에 기초하여 결정할 수 있다. 사전 결정된 기준은 높은 정확도로 이미지 세그먼테이션을 수행하기 위한 기준을 포함할 수 있다. 정확도는 어노말리인 입력 데이터가 어노말리로 결정되는 비율에 기초하여 결정될 수 있다. 예를 들어 참조번호 390이 가리키는 영역에 포함된 입력 데이터는 정상인 입력 데이터임에도 어노말리로 결정된 입력 데이터를 포함할 수 있다. 따라서 참조번호 390이 가리키는 영역에 포함된 입력 데이터 개수가 줄어들수록 컴퓨팅 장치(100)는 네트워크 함수를 이용하여 더 높은 정확도로 어노말리인 입력 데이터를 어노말리로 결정할 수 있다. 즉 컴퓨팅 장치(100)는 정확도 및 정밀도가 높은 이미지 세그먼테이션을 수행할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 다른 일 실시예에 따라, 사전 결정된 기준은 정상인 입력 데이터의 분산 및 어노말리인 입력 데이터의 분산에 기초하여 결정된 기준일 수 있다. 컴퓨팅 장치(100)는 임의의 추정값이 두 개의 그룹(예를 들어, 임의의 추정값을 기준으로 나누어진 2개의 그룹) 내 분산을 최소화하는 경우, 해당 값을 임계 추정값으로 결정할 수 있다. 또한 컴퓨팅 장치(100)는 임의의 추정값이 두 개의 그룹(예를 들어, 임의의 추정값을 기준으로 나누어진 2개의 그룹) 간 분산을 최대화하는 경우, 해당 값을 임계 추정값으로 결정할 수 있다. 전술한 사전 결정된 기준은 예시일 뿐 본 개시는 이에 제한되지 않는다.

임계 추정값을 결정하는 방법에 대한 설명은 본 출원에서 전체가 참조로서 통합되는 논문 A Threshold Selection Method from Gray-Level Histograms (공개일: 1979년 1월, 작성자: NOBUYUKI OTSU)에서 구체적으로 논의된다.

본 개시에 따라, 컴퓨팅 장치(100)가 업데이트된 네트워크 함수를 이용하여 정상인 입력 데이터의 분포 그래프를 획득하는 경우, 업데이트되기 전 네트워크 함수를 이용하여 획득한 정상인 입력 데이터의 분포 그래프보다 정상인 입력 데이터의 분포 그래프가 x축 기준으로 좌측으로 이동할 수 있다. 예를 들어, 참조번호 370번이 x축 기준으로 좌측으로 이동함으로써, 참조번호 390에 해당하는 정상인 입력 데이터의 수가 감소하게 될 수 있다. 이를 통해, 정상인 입력 데이터에 대응되는 추정값 분포와 어노말리인 입력 데이터에 대응되는 추정값 분포가 명확히 구분될 수 있다. 이를 통해, 컴퓨팅 장치(100)는 임계 추정값(350)을 기준으로 임계 추정값(350) 이상인 입력 데이터를 어노말리로 결정하는 경우에도, 높은 정확도로 어노말리인 입력 데이터를 어노말리로 결정하므로, 종국적으로 이미지 세그먼테이션의 정확도 상승 효과를 기대할 수 있다.

도 8은 본 개시의 일 실시예에 따라, 이미지 세그먼테이션 방법의 순서도이다.

컴퓨팅 장치(100)는 입력 데이터를 포함하는 트레이닝 데이터를 네트워크 함수에 입력(910)할 수 있다.

본 개시의 일 실시예에 따라, 상기 입력 데이터는 이미지 데이터의 적어도 일부의 픽셀에 대한 특성을 포함할 수 있다.

본 개시의 일 실시예에 따라, 상기 트레이닝 데이터는, 이미지 데이터를 포함하고, 상기 이미지 데이터는 정상 이미지 데이터를 포함하는 데이터를 포함할 수 있다.

본 개시의 일 실시예에 따라, 상기 네트워크 함수는, 적어도 둘 이상의 레이어를 포함하는 네트워크 함수를 포함할 수 있다.

본 개시의 일 실시예에 따라, 상기 네트워크 함수는, 적어도 하나의 차원 축소 레이어 및 적어도 하나의 차원 복원 레이어를 포함하는 네트워크 함수를 포함할 수 있다.

본 개시의 일 실시예에 따라, 상기 네트워크 함수는, 재구성 손실을 유발할 수 있는 크기의 캐패시티(Capacity)를 가지는 오토 인코더(Auto Encoder)를 포함할 수 있다.

컴퓨팅 장치(100)는 상기 네트워크 함수를 이용하여 추정값을 획득(911)할 수 있다.

본 개시의 일 실시예에 따라, 상기 추정값은, 어노말리 스코어(Anomaly Score) 또는 재구성 스코어(Reconstruction Score) 중 적어도 하나를 포함할 수 있다.

본 개시의 일 실시예에 따라, 상기 어노말리 스코어는, 상기 입력 데이터에 대응되는 어노말리티 정보를 포함하고, 상기 어노말리티 정보는 상기 입력 데이터의 어노말리티를 판단하기 위한 정보를 포함할 수 있다.

본 개시의 일 실시예에 따라, 상기 재구성 스코어는, 상기 입력 데이터에 대응되는 재구성 손실값에 기초하여 산출된 값을 포함할 수 있다.

컴퓨팅 장치(100)는 상기 추정값에 기초하여 상기 네트워크 함수를 업데이트(912)할 수 있다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 재구성 손실을 유발할 수 있는 크기의 캐패시티를 가지는 네트워크 함수를 본개시의 학습 방법을 이용하여 업데이트함으로써, 더 높은 정확도로 이미지 세그먼테이션을 할 수 있다. 따라서 본 개시를 통해 단축된 학습 시간 및 효율적인 하드웨어 공간 운영을 할 수 있고, 나아가 단축된 학습 시간에 업데이트된 네트워크 함수를 이용하여 정확도 높은 이미지 세그먼테이션을 수행할 수 있다.

도 9는 본 개시의 일 실시예에 따라, 이미지 세그먼테이션하기 위한 모듈을 도시한 블록 구성도이다.

본 개시의 일 실시예에 따라 이미지 세그먼테이션하기 위한 방법은 다음과 같은 모듈에 의해 구현될 수 있다. 입력 데이터를 포함하는 트레이닝 데이터를 네트워크 함수에 입력하기 위한 모듈(930); 상기 네트워크 함수를 이용하여 추정값을 획득하기 위한 모듈(931); 및 상기 추정값에 기초하여 상기 네트워크 함수를 업데이트하기 위한 모듈(932)을 포함할 수 있다.

이미지 세그먼테이션하기 위한 대안적 실시예에서, 상기 추정값에 기초하여 상기 네트워크 함수를 업데이트하기 위한 모듈(932)은 상기 추정값의 분포에 기초하여, 상대적으로 높은 추정값을 가지는 입력 데이터를 선택하기 위한 모듈; 및 상기 선택된 입력 데이터에 대응되는 추정값에 기초하여 상기 네트워크 함수를 업데이트하기 위한 모듈을 포함할 수 있다.

이미지 세그먼테이션하기 위한 대안적 실시예에서, 상기 선택된 입력 데이터에 대응되는 추정값에 기초하여 상기 네트워크 함수를 업데이트하기 위한 모듈은 상기 선택된 입력 데이터에 대응되는 추정값의 평균값에 기초하여, 상기 네트워크 함수를 업데이트하기 위한 모듈을 포함할 수 있다.

이미지 세그먼테이션하기 위한 대안적 실시예에서, 상기 추정값에 기초하여 상기 네트워크 함수를 업데이트하기 위한 모듈(932)은 상기 네트워크 함수의 파라미터를 업데이트하기 위한 모듈을 포함할 수 있다. 상기 파라미터는 역전파(Backpropagation) 방식으로 업데이트된 파라미터를 포함할 수 있다.

이미지 세그먼테이션하기 위한 대안적 실시예에서, 상기 업데이트된 네트워크 함수에 기초하여, 입력 데이터를 포함하는 트레이닝 데이터의 추정값을 획득하기 위한 모듈을 더 포함할 수 있다.

이미지 세그먼테이션하기 위한 대안적 실시예에서, 상기 업데이트된 네트워크 함수를 이용하여 획득한 추정값에 기초하여 입력 데이터의 어노말리(Anomaly)를 판단하기 위한 임계 추정값을 결정하기 위한 모듈을 더 포함할 수 있다.

이미지 세그먼테이션하기 위한 대안적 실시예에서, 상기 입력 데이터의 추정값이 상기 임계 추정값 이상인 경우, 상기 입력 데이터를 어노말리로 결정하기 위한 모듈을 더 포함할 수 있다.

이미지 세그먼테이션하기 위한 대안적 실시예에서, 상기 추정값에 기초하여 상기 네트워크 함수를 업데이트하기 위한 모듈(932)은 상기 추정값에 가중치(Weight)를 부여하여 상기 네트워크 함수를 업데이트하기 위한 모듈을 포함할 수 있다.

이미지 세그먼테이션하기 위한 대안적 실시예에서, 상기 추정값에 가중치(Weight)를 부여하여 상기 네트워크 함수를 업데이트하기 위한 모듈은 상기 입력 데이터에 대응되는 추정값이 작을수록 낮은 가중치를 부여하기 위한 모듈 또는 상기 입력 데이터에 대응되는 추정값이 클수록 높은 가중치를 부여하기 위한 모듈 중 적어도 하나를 포함할 수 있다.

본 개시의 일 실시예에 따르면 이미지 세그먼테이션하기 위한 모듈은, 컴퓨팅 장치를 구현하기 위한 수단, 회로 또는 로직에 의하여 구현될 수도 있다. 당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있으나, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

도 10 은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

본 개시가 일반적으로 컴퓨팅 장치(100)에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 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, 메인프레임 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 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 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 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 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 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 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 비휘발성 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 5GHz 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 소프트웨어로 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 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 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 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.

Claims (1)

1. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 네트워크 함수를 이용한 데이터의 이미지 세그먼테이션(Image Segmentation)을 위한 이하의 동작을 수행하도록 하며, 상기 동작은,
   트레이닝 데이터를 네트워크 함수에 입력하는 동작;
   상기 네트워크 함수를 이용하여 재구성 손실값을 획득하는 동작;
   상기 획득한 재구성 손실값의 분포에 기초하여, 상대적으로 높은 재구성 손실값을 가지는 트레이닝 데이터를 선택하는 동작;
   상기 선택된 트레이닝 데이터에 대응되는 재구성 손실값에 기초하여, 상기 네트워크 함수를 업데이트하는 동작; 및
   상기 업데이트된 네트워크 함수를 이용하여 획득된 재구성 손실값에 기초하여 입력 데이터의 어노말리(Anomaly)를 판단하기 위한 임계 추정값을 결정하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
   
   

Images