KR20210054907A

KR20210054907A - 이미지 보정방법 및 보정장치

Info

Publication number: KR20210054907A
Application number: KR1020190141167A
Authority: KR
Inventors: 이운채; 김선희; 이민호; 최원수
Original assignee: 엘지전자 주식회사
Priority date: 2019-11-06
Filing date: 2019-11-06
Publication date: 2021-05-14
Also published as: US20210133931A1

Abstract

이미지 보정방법 및 보정장치가 개시된다. 이미지 보정방법은, 필터 적용을 통한 이미지 보정, 필터 정보들의 저장, 필터 정보들을 이용한 심층 신경망 모델의 재훈련 및 심층 신경망 모델을 이용한 필터 정보 출력을 포함한다. 본 발명에 따르면, 5G 네트워크를 통한 인공지능(AI) 모델을 이용한 이미지 분석에 기반하여 이미지 보정이 가능하다.

Description

이미지 보정방법 및 보정장치{METHOD AND APPARATUS FOR EDITING IMAGE}

본 발명은 이미지 보정방법 및 보정장치에 관한 것으로, 더욱 상세하게는 이미지 분석에 기반하여 필터에 관한 정보를 추출하고, 추출된 필터 정보를 이용하여 이미지를 보정하는 방법 및 장치에 관한 것이다.

디지털 카메라의 장점은 촬영된 이미지 처리를 통해 이미지 보정이 가능하다는 점이다. 디지털 이미지 보정은 촬영 과정에서 발생한 노이즈 제거나 밝기 조절뿐만 아니라, 디지털 카메라와 사람의 눈 간의 색 표현의 차이를 줄이는 보정을 포함한다.

하나의 관련 기술로서 이미지 처리 장치가 공개번호 KR 제10-2006-0118207호의 공개공보에 개시된다. 이 관련 기술에 따르면 이산 여현 변환(discrete cosine transform, DCT) 및 역이산 여현 변환(inverse DCT) 과정을 통해 이미지가 처리될 수 있다.

또한, 다른 관련 기술로서 필터링 방법이 등록번호 KR 제10-0595036호의 공개공보에 개시된다. 이 관련 기술에 따르면 아날로그 영상신호를 디지털 영상 신호로 변환하기 전의 필터링 방법이 개시된다.

반면에 본 발명의 일 실시 예에 따른 이미지 보정방법 및 보정장치는 디지털 이미지의 노이즈 제거, 명암 조정 및 색 보정과 관련된 이미지 보정방법에 관한 것으로 이미지 특징에 따른 필터 적용 패턴에 기반한 보정방법이라는 점에서 관련 기술들과 구별된다.

KR 공개특허공보 KR 제10-2006-0118207호 (2006.11.23. 공개) KR 등록특허공보 KR 제10-0595036호 (2006.06.22. 등록)

본 발명의 일 과제는, 사용자에 의하거나 인공지능 모델에 의해 적용된 필터에 관한 정보에 기반하여 디바이스에 의해 재 훈련된 인공지능 모델을 이용하여 필터 패턴에 따라 이미지를 보정하는 방법을 제공하는 것이다.

본 발명의 일 과제는, 사용자가 자주 사용하는 필터에 가중치를 적용함으로써 사용자의 필터 사용 패턴에 맞는 이미지 보정 방법을 제공하는 것이다.

본 발명의 과제는 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 과제 및 장점들은 하기의 실시 예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 과제 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.

상술한 과제를 해결하기 위한 본 발명의 일 실시 예에 따른 이미지 보정방법은, 사용자 및 필터 적용을 학습하도록 훈련된 심층 신경망 중에서 적어도 하나에 의한 필터 적용 통한 이미지 처리, 복수의 테스트를 통해 수집된 필터 적용에 관한 필터 정보들 저장, 필터 정보들을 포함하는 훈련 데이터 셋을 이용하여 이미지의 특징에 따른 필터 적용 패턴을 학습하도록 심층 신경망 모델 재 훈련 및 심층 신경망 모델을 이용하여 필터 적용 패턴에 기반한 필터 패턴 정보 출력을 포함하도록 구성될 수 있다.

또한, 이미지 처리는, 심층 신경망 모델을 통해 추론된 제1 필터 정보를 이용하는 이미지 처리 및 사용자에 의한 제2 필터 정보를 이용하여 이미지를 후처리를 포함하도록 구성될 수 있다.

또한, 이미지 보정방법은, 이미지 분석을 통해 추출된 이미지의 특징에 기반한 필터 적용에 관한 학습을 통해 심층 신경망 모델의 훈련을 더 포함하도록 구성될 수 있다.

또한, 필터 정보들은, 이미지를 처리할 필터의 기능, 필터 적용 순서 및 필터의 파라미터 값에 관한 정보 중에서 적어도 하나를 포함할 수 있다.

또한, 제1 필터 정보를 이용하는 이미지 처리는, 이미지를 처리할 필터의 기능과 관련된 이미지의 특징 추출 및 이미지의 특징에 기반하여 이미지 처리를 위한 제1 필터 정보 추출 및 제1 필터 정보를 이용하여 이미지 처리를 포함하도록 구성될 수 있다.

또한, 필터 정보들 저장은, 이미지 분석을 통해 수집된 이미지의 특징과 필터 정보들을 서로 관련시킨 저장을 포함할 수 있다.

또한, 심층 신경망 모델 재 훈련은, 필터 정보들에 기반하여 필터 적용 횟수에 비례하는 가중치를 해당 필터에 적용을 포함할 수 있다.

또한, 심층 신경망 모델 재 훈련은, 이미지의 특징에 따른 필터 정보 분석 및 분석에 기반하여 이미지의 특징에 따른 필터 적용 패턴 분류를 포함할 수 있다.

또한, 이미지의 특징에 따른 필터 적용 패턴은, 카메라 기종에 의한 패턴, 이미지 색조에 의한 패턴, 이미지 주제에 의한 패턴, 이미지 크기에 의한 패턴, 및 촬영 모드에 의한 패턴 중에서 적어도 하나를 포함할 수 있다.

또한, 이미지 보정방법은, 필터 패턴 정보를 이용하여 보정된 대상 이미지를 출력하는 단계를 더 포함하도록 구성될 수 있다.

상술한 과제를 해결하기 위한 본 발명의 일 실시 예에 따른 이미지 보정장치는, 이미지 보정 필터 및 학습을 통해 이미지 보정 필터의 적용을 위한 필터 정보를 추론하는 심층 신경망, 이미지 보정 필터 및 심층 신경망 중에서 적어도 하나를 이용하여 이미지를 처리하는 프로세서 및 복수의 테스트를 통해 수집된 필터 적용에 관한 필터 정보들을 저장하는 메모리를 포함하도록 구성될 수 있다. 그리고 프로세서는, 필터 정보들을 포함하는 훈련 데이터 셋을 이용하여 이미지의 특징에 따른 필터 적용 패턴을 학습하도록 심층 신경망 모델을 재 훈련시키고, 심층 신경망 모델을 이용하여 필터 적용 패턴에 기반한 필터 패턴 정보를 출력할 수 있다.

본 발명에 의하면, 이미지의 특징에 따라 사용자가 자주 사용하는 필터들이 추천될 수 있다.

또한, 1차적으로 적용된 필터들에 관한 필터 정보들에 기반하여 추출된 필터 적용 패턴에 따라 이미지가 보정할 수 있다.

도 1은 본 발명의 일 실시 예에 따른 심층 신경망 모델의 예시도이다.
도 2는 본 발명의 일 실시 예에 따른 심층 신경망 모델의 예시도이다.
도 3은 본 발명의 일 실시 예에 따른 이미지 보정장치가 연결된 네트워크 환경의 예시도이다.
도 4는 본 발명의 일 실시 예에 따른 이미지 보정장치의 블록도이다.
도 5는 본 발명의 일 실시 예에 따른 학습 장치의 블록도이다.
도 6은 본 발명의 일 실시 예에 따른 이미지 보정방법의 흐름도이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

디지털 카메라를 통해 촬영된 이미지는 리터치 프로그램(retouch program), 예를 들어 각종 그래픽 툴(graphic tool)을 이용하여 보정되는 것이 보편적이다. 사용자는 그래픽 툴을 이용하여 밝기와 대비 조절, 선명도 향상, 색조 조절 및 크기 편집 등 다양한 메뉴를 이용하여 이미지를 보정할 수 있다. 그리고 그래픽 툴 사용자의 숙련도에 따라 이미지의 품질이 결정된다.

그래픽 툴을 이용하는 보정 방법에는 많은 시간과 경험을 통해 터득된 보정 기술, 예를 들어 이미지 분석 및 필터 적용 기술이 요구되는 것이 특징이다. 그리고 실력 있는 전문가에 의하는 경우에도 하나의 이미지 보정에는 많은 작업 시간이 요구된다.

인간이 하는 작업을 점차로 대체하고 있는 인공지능 알고리즘을 이용하여 이미지가 보정될 수 있다. 이미지 분석과 이를 기반으로 필터를 적용하는 방법에 관한 학습을 통해 훈련된 인공지능 모델은 입력 받은 이미지를 분석하고 이에 적용할 필터 정보를 추출할 수 있다. 즉 전문가의 보정 스킬에 의하지 않고도, 인공지능 모델, 예를 들어 필터 적용의 학습을 통해 훈련된 심층 신경망(deep neural network)을 이용하여 입력된 이미지를 보정하는 데 필요한 필터 정보가 추출될 수 있다.

도 1은 본 발명의 일 실시 예에 따른 심층 신경망 모델의 예시도이다.

도 1을 참조하면, 이미지 분석 및 이에 기반한 필터 적용의 학습을 통해 훈련된 심층 신경망 모델에 의한, 이미지에 적용될 필터에 관한 필터 정보 추론이 묘사되어 있다. 심층 신경만 모델은 입력된 이미지의 픽셀을 분석하고, 분석 결과를 이용하여 이미지에 적용될 필터 정보를 추출할 수 있다.

심층 신경망 모델을 훈련시키는 방법은, 예를 들어 보정 전의 입력 이미지와 보정 후의 출력 이미지를 훈련 데이터 셋으로 하는 훈련을 포함할 수 있다. 심층 신경망 모델은 보정 전의 이미지의 픽셀 값과 보정 후의 이미지의 픽셀 값의 차이를 분석하고 각종 필터 적용을 통해 양 이미지 픽셀 값의 차이를 줄여 가는 학습을 통해 이미지 보정의 훈련을 수행할 수 있다.

학습 과정을 통해 훈련된 심층 신경망 모델은 학습 과정을 좇아 테스트 이미지를 분석하고, 테스트 이미지 분석에 기반하여 이미지 보정에 필요한 필터 값, 예를 들어 필터의 종류, 즉 필터의 기능과 해당 필터의 파라미터 값을 추론할 수 있다.

디지털 카메라에 의해 촬영된 많은 이미지들이 심층 신경망 모델을 통해 추출된 제1 필터 정보를 이용하여 보정되는 경우에도, 사용자는 자신의 취향에 맞는 품질의 이미지를 얻기 위해 이미지에 제2 필터 정보를 이용하여 후보정을 할 수 있다. 그리고 심층 신경망 모델을 이용한 보정과 사용자가 직접 수행한 후보정에서 적용되는 이미지 필터의 종류와 그 파라미터 값에는 일정한 패턴이 발생할 수 있다.

제1 필터 정보를 추론한 심층 신경망 모델을 훈련시키는데 사용되었던 훈련 데이터 셋에는 사용자에 의해 촬영된 이미지가 포함되지 않을 가능성이 높다. 디지털 카메라 또는 카메라 모듈이 포함된 통신 단말기에 저장된 심층 신경망 모델은 주로 빅데이터에 속하는 훈련 데이터 셋을 이용하여 1차로 훈련되었기 때문에 사용자에 의해 촬영된 이미지를 보정하기 위한 최적의 방법으로 학습된 것은 아니다.

따라서 사용자에 의해 직접 촬영된 이미지 처리를 위해 추론된 제1 필터 정보에 기반한 재 학습을 통해, 심층 신경망 모델은, 사용자에 의해 촬영된 이미지를 더욱 사용자가 원하는 취향에 맞게 보정할 수 있는 필터 정보를 추론할 수 있다. 그리고 1차 필터 정보에는 사용자의 직접 필터 선택에 의한 후보정에 사용된 제2 필터 정보가 포함될 수 있다.

도 2는 본 발명의 일 실시 예에 따른 심층 신경망 모델의 예시도이다.

도 2를 참조하면, 도 1에서 훈련된 심층 신경망 모델이 1차 보정 결과를 이용하여 재 훈련되는 과정이 묘사되어 있다. 심층 신경망 모델은 테스트 과정을 통해 수집된 제1 필터 정보와 제2 필터 정보로 구성된 필터 정보들을 포함하는 훈련 데이터 셋을 이용하여 필터 적용 패턴의 학습을 위한 재 훈련을 받을 수 있다. 재 훈련 과정에서 심층 신경망 모델은 필터 정보들을 이용하여 이미지의 특징에 따라 해당 필터에 가중치를 적용시킬 수 있다.

도 3은 본 발명의 일 실시 예에 따른 이미지 보정장치가 연결된 네트워크 환경의 예시도이다.

도 3을 참조하면, 이미지 보정장치(100), 학습 장치(200) 그리고 이들이 서로 통신할 수 있도록 서로를 연결시키는 네트워크(500)를 포함하는 네트워크 환경(10)이 묘사되어 있다.

본 발명의 일 실시 예에 따른 이미지 보정장치(100)는 디지털 카메라 또는 일명 스마트폰에 해당하는 통신 단말기로 구현될 수 있다. 따라서 이미지 보정장치(100)는 경우에 따라 단말기로 표현될 수 있다. 이하 이미지 보정장치(100)의 다양한 실시 예 중에서 통신 단말기(mobile terminal)에 초점을 맞추어 본 발명의 일 실시 예에 따른 이미지 보정장치(100)에 대해 설명하기로 한다. 다른 특별한 가정 또는 조건이 없다면 통신 이미지 보정장치(100)에 관한 설명 내용이 다른 형태의 실시 예에도 그대로 적용될 수 있다.

인공 지능(artificial intelligence, AI)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.

또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.

머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야이다.

구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취한다.

용어 '머신 러닝'은 용어 '기계 학습'과 혼용되어 사용될 수 있다.

기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(SVM: support vector machine), 그리고 인공 신경망(ANN: Artificial Neural Network) 등이 대표적이다.

의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석방법이다.

베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성: conditional independence)를 그래프 구조로 표현하는 모델이다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합하다.

서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용한다.

인공신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템이다.

인공 신경망은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.

구체적으로 인공신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.

용어 인공신경망은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.

인공신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다.

인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.

인공 신경망은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.

본 명세서에서 용어 '레이어'는 용어 '계층'과 혼용되어 사용될 수 있다.

인공신경망은 계층 수에 따라 단층 신경망(Single-Layer Neural Networks)과 다층 신경망(Multi-Layer Neural Networks)으로 구분된다.

일반적인 단층 신경망은, 입력층과 출력층으로 구성된다.

또한 일반적인 다층 신경망은 입력층(Input Layer)과 하나 이상의 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성된다.

입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층은 은닉층으로부터 신호를 받고, 수신한 신호에 기반한 출력 값을 출력한다. 뉴런간의 입력신호는 각각의 연결강도(가중치)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 획득한 출력값을 출력한다.

한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 기술의 한 종류인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.

한편 용어 '딥 러닝'은 용어 '심층 학습'과 혼용되어 사용될 수 있다.

인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.

훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다.

한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭 할 수 있다.

다음은 인공 신경망의 학습 방식에 대하여 설명한다.

인공 신경망의 학습 방식은 크게, 지도 학습, 비 지도 학습, 준 지도 학습(Semi-Supervised Learning), 강화 학습(Reinforcement Learning)으로 분류될 수 있다.

지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법이다.

그리고 이렇게 유추되는 함수 중, 연속 적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.

지도 학습에서는, 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킨다.

여기서 레이블이란, 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.

본 명세서에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)이라 명칭 한다.

또한 본 명세서에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명칭 한다.

이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블)은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망에는 트레이닝 셋의 형태로 입력될 수 있다.

한편 훈련 데이터는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블이 레이블링 된다는 것은 훈련 데이터가 나타내는 특징에 레이블이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.

인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 그리고, 인공 신경망에서 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터가 결정(최적화)될 수 있다.

비 지도 학습은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않는다.

구체적으로, 비 지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.

비 지도 학습의 예로는, 군집화 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다.

본 명세서에서 용어 '군집화'는 용어 '클러스터링'과 혼용되어 사용될 수 있다.

비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(GAN: Generative Adversarial Network), 오토 인코더(AE: Autoencoder)를 들 수 있다.

생성적 적대 신경망이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신 러닝 방법이다.

이 경우 생성기는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.

또한 판별기는 데이터의 패턴을 인식하는 모형으로, 입력된 데이터가 원본 데이터인지 또는 생성기에서 생성한 새로운 데이터인지 여부를 감별하는 역할을 수행할 수 있다.

그리고 생성기는 판별기를 속이지 못한 데이터를 입력 받아 학습하며, 판별기는 생성기로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기는 판별기를 최대한 잘 속이도록 진화할 수 있고, 판별기는 원본 데이터와 생성기에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.

오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.

오토 인코더는 입력층, 적어도 하나의 은닉층 및 출력층을 포함한다.

이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다.

또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.

한편 오토 인코더는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현된다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.

준 지도 학습은 기계 학습의 일종으로, 레이블이 주어진 훈련 데이터와 레이블이 주어지지 않은 훈련 데이터를 모두 사용하는 학습 방법을 의미할 수 있다.

준 지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.

강화 학습은, 에이전트(Agent)가 매 순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.

강화 학습은 주로 마르코프 결정 과정(MDP: Markov Decision Process)에 의하여 수행될 수 있다.

마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면 보상(reward)을 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.

인공 신경망은 모델의 구성, 활성 함수(Activation Function), 손실 함수(Loss Function) 또는 비용 함수(Cost Function), 학습 알고리즘, 최적화 알고리즘 등에 의해 그 구조가 특정되며, 학습 전에 하이퍼파라미터(Hyperparameter)가 미리 설정되고, 이후에 학습을 통해 모델 파라미터(Model Parameter)가 설정되어 내용이 특정될 수 있다.

예컨대, 인공 신경망의 구조를 결정하는 요소에는 은닉층의 개수, 각 은닉층에 포함된 은닉 노드의 개수, 입력 특징 벡터(Input Feature Vector), 대상 특징 벡터(Target Feature Vector) 등이 포함될 수 있다.

하이퍼파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들을 포함한다. 그리고, 모델 파라미터는 학습을 통하여 결정하고자 하는 여러 파라미터들을 포함한다.

예컨대, 하이퍼파라미터에는 노드 간 가중치 초기값, 노드 간 편향 초기값, 미니 배치(Mini-batch) 크기, 학습 반복 횟수, 학습률(Learning Rate) 등이 포함될 수 있다. 그리고, 모델 파라미터에는 노드 간 가중치, 노드 간 편향 등이 포함될 수 있다.

손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표(기준)로 이용될 수 있다. 인공 신경망에서 학습은 손실 함수를 줄이기 위하여 모델 파라미터들을 조작하는 과정을 의미하며, 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다.

손실 함수는 주로 평균 제곱 오차(MSE: Mean Squared Error) 또는 교차 엔트로피 오차(CEE, Cross Entropy Error)를 사용할 수 있으며, 본 발명이 이에 한정되지는 않는다.

교차 엔트로피 오차는 정답 레이블이 원 핫 인코딩(one-hot encoding)된 경우에 사용될 수 있다. 원 핫 인코딩은 정답에 해당하는 뉴런에 대하여만 정답 레이블 값을 1로, 정답이 아닌 뉴런은 정답 레이블 값이 0으로 설정하는 인코딩 방법이다.

머신 러닝 또는 딥 러닝에서는 손실 함수를 최소화하기 위하여 학습 최적화 알고리즘을 이용할 수 있으며, 학습 최적화 알고리즘에는 경사 하강법(GD: Gradient Descent), 확률적 경사 하강법(SGD: Stochastic Gradient Descent), 모멘텀(Momentum), NAG(Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam 등이 있다.

경사 하강법은 현재 상태에서 손실 함수의 기울기를 고려하여 손실 함수값을 줄이는 방향으로 모델 파라미터를 조정하는 기법이다.

모델 파라미터를 조정하는 방향은 스텝(step) 방향, 조정하는 크기는 스텝 사이즈(size)라고 칭한다.

이때, 스텝 사이즈는 학습률을 의미할 수 있다.

경사 하강법은 손실 함수를 각 모델 파라미터들로 편미분하여 기울기를 획득하고, 모델 파라미터들을 획득한 기울기 방향으로 학습률만큼 변경하여 갱신할 수 있다.

확률적 경사 하강법은 학습 데이터를 미니 배치로 나누고, 각 미니 배치마다 경사 하강법을 수행하여 경사 하강의 빈도를 높인 기법이다.

Adagrad, AdaDelta 및 RMSProp는 SGD에서 스텝 사이즈를 조절하여 최적화 정확도를 높이는 기법이다. SGD에서 모멘텀 및 NAG는 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Adam은 모멘텀과 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Nadam은 NAG와 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다.

인공 신경망의 학습 속도와 정확도는 인공 신경망의 구조와 학습 최적화 알고리즘의 종류뿐만 아니라, 하이퍼파라미터에 크게 좌우되는 특징이 있다. 따라서, 좋은 학습 모델을 획득하기 위하여는 적당한 인공 신경망의 구조와 학습 알고리즘을 결정하는 것뿐만 아니라, 적당한 하이퍼파라미터를 설정하는 것이 중요하다.

통상적으로 하이퍼파라미터는 실험적으로 다양한 값으로 설정해가며 인공 신경망을 학습시켜보고, 학습 결과 안정적인 학습 속도와 정확도를 제공하는 최적의 값으로 설정한다.

또한, 이미지 보정장치(100)는 전이학습 방식에 기반하여 사용자의 개인 데이터를 이용하여 학습 장치(200)에 의해 훈련된 인공지능 모델을 재학습 시킬 수 있다. 인공지능 모델을 실행시키거나 재학습 과정에서 이미지 보정장치(100)는 학습 장치(200)로부터 제공되는 각종 인공지능 응용 프로그램을 이용할 수 있다.

본 발명의 일 실시 예에 따라 딥 러닝(deep learning) 기반의 객체 인식 방식으로 크게 2가지 방법이 이용될 수 있다. 그 중에서 하나의 방법은 기초부터 딥 러닝 모델을 훈련시키는 것이고 다른 하나는 이미 훈련된 딥 러닝 모델을 이용하는 것이다.

딥 러닝 모델의 기초 훈련, 즉 딥 네트워크의 훈련은 레이블이 지정된, 매우 방대한 훈련 데이터 세트를 모으고, 네트워크 아키텍처를 설계하여 특징을 학습하고 모델을 완성하는 과정이 필요하다. 딥 네트워크의 훈련을 통해 뛰어난 결과물을 얻을 수 있지만, 이러한 접근 방식을 위해서는 방대한 분량의 훈련 데이터 셋이 필요하고, 이용되는 네트워크, 가령 CNN에 레이어와 가중치 설정이 필요하다.

사전에 훈련된 딥 러닝 모델에서 이용되는 다수의 딥 러닝 응용 프로그램은 사전 훈련된 모델을 세밀하게 조정하는 방법이 포함된 프로세스인 전이 학습 방식이 사용될 수 있다. 이 전이 학습 방식에서는 AlexNet 또는 GoogLeNet과 같은 기존 네트워크를 사용하여 이전에 알려지지 않은 클래스를 포함하는 새로운 데이터가 딥 네트워크에 주입될 수 있다.

전이 방법의 사용에 따르면 수천 또는 수백만 장의 이미지로 모델을 미리 훈련한 덕분에 시간 소모가 줄게 되고 결과물이 빠르게 산출할 수 있다.

딥 러닝 모델은 이미지 분석에 있어서 높은 수준의 정밀도를 제공하지만, 정확한 이미지 분석을 위해서는 대량의 훈련 데이터 셋, 즉 여러 피사체를 촬영한 학습 영상을 필요로 한다.

본 발명의 일 실시 예에 따른 이미지 보정장치(100)는 딥 러닝 모델의 하나로서, 촬영된 이미지를 분석하고 이미지의 특징을 추출하고, 이를 이용하여 훈련시킨 CNN 모델을 이용할 수 있다. CNN은 추출된 특징을 이용하여 이미지의 특징을 분석함으로써 이미지 보정에 적용될 필터 정보를 추출할 수 있다.

머신 러닝 기반의 이미지 분석은 수동의 특징 추출과 추출된 특징을 분석하는 과정을 포함할 수 있다. 예를 들어 SVM(Support Vector Machine) 머신 러닝 알고리즘을 이용한 HOG 특징 추출이 본 발명의 일 실시 예로서 사용될 수 있다. 그 밖의 특징 추출 알고리즘으로 Harris corner, Shi & Tomasi, SIFT-DoG, FAST, AGAST, 주요 불변 특징량(SURF, BRIEF, ORB) 방법이 이용될 수 있다.

학습 장치(200)는 본 발명의 일 실시 예에 따른 인공지능 모델, 즉 심층 신경망 모델을 학습을 통해 훈련시키는 역할을 한다. 학습 장치(200)에 대해서는 후술하기로 한다.

네트워크(500)는 유선 및 무선 네트워크, 예를 들어 LAN(local area network), WAN(wide area network), 인터넷(internet), 인트라넷(intranet) 및 엑스트라넷(extranet), 그리고 모바일 네트워크, 예를 들어 셀룰러, 3G, LTE, 5G, WiFi 네트워크, 애드혹 네트워크 및 이들의 조합을 비롯한 임의의 적절한 통신 네트워크 일 수 있다.

네트워크(500)는 허브, 브리지, 라우터, 스위치 및 게이트웨이와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(500)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(500)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다.

이미지 보정장치(100)는 5G 네트워크를 통해 학습 장치(200)와 데이터를 전송하고 수신할 수 있다. 특히 스마트폰으로 구현되는 이미지 보정장치(100)는 5G 네트워크를 통해 모바일 브로드밴드(Enhanced Mobile Broadband, eMBB), URLLC(Ultra-reliable and low latency communications) 및 mMTC(Massive Machine-type communications) 중에서 적어도 하나의 서비스를 이용하여 학습 장치(200)와 데이터 통신을 할 수 있다.

eMBB(Enhanced Mobile Broadband)는 모바일 브로드밴드 서비스로, 이를 통해 멀티미디어 콘텐츠, 무선데이터 액세스 등이 제공된다. 또한, 폭발적으로 증가하고 있는 모바일 트래픽을 수용하기 위한 핫스팟 (hot spot)과 광대역 커버리지 등 보다 향상된 모바일 서비스가 eMBB를 통해 제공될 수 있다. 핫스팟을 통해 사용자 이동성이 작고 밀도가 높은 지역으로 대용량 트래픽이 수용될 수 있다. 광대역 커버리지를 통해 넓고 안정적인 무선 환경과 사용자 이동성이 보장될 수 있다.

URLLC(Ultra-reliable and low latency communications) 서비스는 데이터 송수신의 신뢰성과 전송 지연 측면에서 기존 LTE 보다 훨씬 엄격한 요구사항을 정의하고 있으며, 산업 현장의 생산 프로세스 자동화, 원격 진료, 원격 수술, 운송, 안전 등을 위한 5G 서비스가 여기에 해당한다.

mMTC(Massive Machine-type communications)는 비교적 작은 양의 데이터 전송이 요구되는 전송지연에 민감하지 않은 서비스이다. 센서 등과 같이 일반 휴대폰 보다 훨씬 더 많은 수의 단말들이 동시에 무선액세스 네트워크에 mMTC에 의해 접속할 수 있다. 이 경우, 단말의 통신모듈 가격은 저렴해야 하고, 배터리 교체나 재충전 없이 수년 동안 동작할 수 있도록 향상된 전력 효율 및 전력 절감 기술이 요구된다.

도 4는 본 발명의 일 실시 예에 따른 이미지 보정장치의 블록도이다.

도 4를 참조하면, 이미지 보정장치(100)에 포함된 메모리(170)의 구성요소가 간략하게 도시되어 있다. 메모리(170)에는 각종 컴퓨터 프로그램 모듈이 탑재될(loaded) 수 있다. 메모리(170)에 탑재되는 컴퓨터 프로그램의 범위에 운영체제(operating system), 하드웨어를 관리하는 시스템 프로그램 외에 응용 프로그램으로 이미지 보정 필터(171), 필터 정보들(172), 심층 신경망 모델(173) 및 학습 모듈(174)이 포함될 수 있다.

이미지 보정 필터(171)와 관련된, 이미지를 구성하는 픽셀 처리, 예를 들어 밝기와 대비 조절, 색조 조절, 노이즈 제거 및 화이트 발란스 조절 등과 같은 기능은 프로세서(180)의 각종 연산 기능을 통해 수행될 수 있다.

필터 정보들(172)과 관련된, 이미지에 적용된 필터 정보들을 수집하고, 수집된 필터 정보들을 이용하여 데이터베이스를 구축하고, 구축된 데이터베이스를 관리하는 기능은 프로세서(180)의 각종 연산 기능을 통해 수행될 수 있다.

심층 신경망 모델(173)과 관련된 머신 러닝 또는 딥 러닝 기반의 신경망을 이용한 이미지 분석, 이미지의 특징 추출, 및 필터 정보 추출 기능은 프로세서(180)의 각종 연산 기능을 통해 수행될 수 있다.

학습 모듈(174)과 관련된 머신 러닝 또는 딥 러닝 기반의 신경망의 학습 및 재학습 기능은 프로세서(180)의 각종 연산 기능을 통해 수행될 수 있다.

도 5는 본 발명의 일 실시 예에 따른 학습 장치의 블록도이다.

학습 장치(200)는 이미지 보정장치(100)의 외부에 별도로 구성된 장치 또는 서버로, 이미지 보정장치(100)의 러닝 프로세서(130)와 동일한 기능을 수행할 수 있다.

즉, 학습 장치(200)는 데이터 마이닝, 데이터 분석, 지능형 의사 결정 및 기계 학습 알고리즘을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성될 수 있다. 여기서, 기계 학습 알고리즘은 딥 러닝 알고리즘을 포함할 수 있다.

학습 장치(200)는 적어도 하나의 이미지 보정장치(100)와 통신할 수 있고, 이미지 보정장치(100)를 대신하여 혹은 도와 데이터를 분석하거나 학습하여 결과를 도출할 수 있다. 여기서, 다른 장치를 도운다는 의미는 분산 처리를 통한 연산력의 분배를 의미할 수 있다.

인공 신경망의 학습 장치(200)는 인공 신경망을 학습하기 위한 다양한 장치로서, 통상적으로 서버를 의미할 수 있고, 학습 장치 또는 학습 서버 등으로 칭할 수 있다.

특히, 학습 장치(200)는 단일한 서버뿐만 아니라 복수의 서버 세트, 클라우드 서버 또는 이들의 조합 등으로 구현될 수 있다.

즉, 학습 장치(200)는 복수로 구성되어 학습 장치 세트(혹은 클라우드 서버)를 구성할 수 있고, 학습 장치 세트에 포함된 적어도 하나 이상의 학습 장치(200)는 분산 처리를 통하여 데이터 분석 또는 학습하여 결과를 도출할 수 있다.

학습 장치(200)는 주기적으로 혹은 요청에 의하여 이미지 보정장치(100)에 기계 학습 또는 딥 러닝에 의하여 학습한 모델을 전송할 수 있다.

도 5를 참조하면, 학습 장치(200)는 통신부(Communication Unit, 210), 입력부(Input Unit, 220), 메모리(Memory, 230), 러닝 프로세서(Learning Processor, 240), 전원 공급부(Power Supply Unit, 250) 및 프로세서(Processor, 260) 등을 포함할 수 있다.

통신부(210)는 도 4의 무선 통신부(110) 및 인터페이스부(160)를 포괄하는 구성과 대응될 수 있다. 즉, 유무선 통신이나 인터페이스를 통하여 다른 장치와 데이터를 송수신할 수 있다.

입력부(220)는 도 4의 입력부(120)에 대응되는 구성이며, 통신부(210)를 통하여 데이터를 수신함으로써 데이터를 획득할 수도 있다.

입력부(220)는 모델 학습을 위한 훈련 데이터 및 학습된 모델(a trained model)을 이용하여 출력을 획득하기 위한 입력 데이터 등을 획득할 수 있다.

입력부(220)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(260)는 획득한 데이터를 전처리하여 모델 학습에 입력이 가능한 훈련 데이터 또는 전처리된 입력 데이터를 생성할 수 있다.

이때, 입력부(220)에서 수행하는 입력 데이터에 대한 전처리는, 입력 데이터로부터 입력 특징점(input feature)을 추출하는 것을 의미할 수 있다.

메모리(230)는 도 4의 메모리(170)에 대응되는 구성이다.

메모리(230)는 모델 저장부(231) 및 데이터베이스(232) 등을 포함할 수 있다.

모델 저장부(231)는 러닝 프로세서(240)를 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장하며, 학습을 통하여 모델이 업데이트되면 업데이트 된 모델을 저장한다.

이때, 모델 저장부(231)는 필요에 따라 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전으로 구분하여 저장할 수 있다.

도 5에 도시된 인공 신경망(231a)은 복수의 은닉층을 포함하는 인공 신경망의 하나의 예시일 뿐이며, 본 발명의 인공 신경망이 이에 한정되는 것은 아니다

인공 신경망(231a)은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 인공 신경망(231a)의 일부 또는 전부가 소프트웨어로 구현되는 경우, 인공 신경망(231a)을 구성하는 하나 이상의 명령어는 메모리(230)에 저장될 수 있다.

데이터베이스(232)는 입력부(220)에서 획득한 입력 데이터, 모델 학습을 위하여 이용되는 학습 데이터(또는 훈련 데이터), 모델의 학습 히스토리 등을 저장한다.

데이터베이스(232)에 저장된 입력 데이터는 모델 학습에 적합하게 가공된 데이터뿐만 아니라, 가공되지 않은 입력 데이터 그 자체일 수 있다.

러닝 프로세서(240)는 도 1의 러닝 프로세서(130)에 대응되는 구성이다.

러닝 프로세서(240)는 훈련 데이터 또는 트레이닝 셋(training set)을 이용하여 인공 신경망(231a)을 훈련(training, 또는 학습)시킬 수 있다.

러닝 프로세서(240)는 프로세서(260)가 입력부(220)를 통해 획득한 입력 데이터를 전처리한 데이터를 바로 획득하여 인공 신경망(231a)을 학습하거나, 데이터베이스(232)에 저장된 전처리된 입력 데이터를 획득하여 인공 신경망(231a)을 학습할 수 있다.

구체적으로, 러닝 프로세서(240)는 앞서 설명한 다양한 학습 기법을 이용하여 인공 신경망(231a)을 반복적으로 학습시킴으로써, 인공 신경망(231a)의 최적화된 모델 파라미터들을 결정할 수 있다

본 명세서에서는 훈련 데이터를 이용하여 학습됨으로써 파라미터가 결정된 인공 신경망을 학습 모델 또는 학습된 모델(a trained model)이라 칭할 수 있다.

이때, 학습 모델은 인공 신경망의 학습 장치(200)에 탑재된 상태에서 결과 값을 추론할 수도 있으며, 통신부(210)를 통해 이미지 보정장치(100)와 같은 다른 장치에 전송되어 탑재될 수도 있다.

또한, 학습 모델이 업데이트되는 경우, 업데이트된 학습 모델은 통신부(210)를 통해 이미지 보정장치(100)와 같은 다른 장치에 전송되어 탑재될 수 있다.

전원 공급부(250)는 도 4의 전원 공급부(190)에 대응되는 구성이다.

서로 대응되는 구성에 대한 중복되는 설명은 생략한다.

그 밖에 학습 장치(200)는 심층 신경망 모델(231a)을 평가할 수 있으며, 평가 후에도 더 나은 성능을 위해 심층 신경망 모델(231a)을 업데이트 하고 업데이트된 심층 신경망 모델(231a)을 이미지 보정장치(100)에 제공할 수 있다. 여기서, 이미지 보정장치(100)는 학습 장치(200)가 수행하는 일련의 단계들을 로컬 영역에서 단독으로 또는 학습 장치(200)와의 통신을 통해 함께 수행할 수 있다. 예를 들어 이미지 보정장치(100)는, 사용자 개인의 데이터를 이용한 재 학습을 통해 로컬 영역의 심층 신경망 모델(173)에게 사용자의 개인적 패턴을 학습시킴으로써, 학습 장치(200)로부터 다운로드 받은 심층 신경망 모델(173)을 업데이트할 수 있다.

도 6은 본 발명의 일 실시 예에 따른 이미지 보정방법의 흐름도이다.

도 6을 참조하면, 이미지 보정방법(S100)은, 필터 적용 학습을 통한 심층 신경망 모델의 훈련(S110), 필터 적용을 통한 이미지 보정(S120), 필터 정보들을 저장(S130), 이미지 특징에 따른 필터 적용 패턴을 학습하도록 심층 신경망 모델 재 훈련(S140), 심층 신경망 모델을 이용한 필터 적용 패턴에 기반한 제2 필터 정보 추출(S150) 및 제2 필터 정보를 이용한 이미지 처리(S160)를 포함하도록 구성될 수 있다.

이미지 보정방법(S100)을 구성하는 각 단계들은 본 발명의 일 실시 예에 따른 이미지 보정장치(100)에 포함된 프로세서(180)의 메모리에 탑재된 각종 프로그램 모듈 제어를 통해 수행될 수 있다. 이하 프로세서(180)에 의해 수행되는 이미지 보정방법(S100)의 구성 단계에 대해 설명하기로 한다.

본 발명에서 사용되는 필터 적용(applying filter), 이미지 처리(image processing), 필터링(filtering), 편집(editing), 및 리터치(retouch)가 갖는 각각의 본래 의미의 차이에도 불구하고, 이 단어들은 이미지 보정용 필터를 이용하여 이미지를 수정하는 개념을 포함하는 것으로 사용되었다. 그리고 이미지 수정이란 이미지를 구성하는 픽셀들의 픽셀 값을 변경하는 것을 뜻하면, 이미지 수정의 범위에는 왜곡 보정, 노이즈 제거, 명암 조정, 색 보정, 대비 조절 및 선명도 강조 등의 프로세스들이 포함될 수 있다.

이미지 보정 방법(S100)은 이미지 분석을 통해 추출된 이미지의 특징에 기반한 필터 적용에 관한 학습을 통해 심층 신경망 모델을 훈련시키는 단계를 포함하도록 구성될 수 있다(S110). 여기서, 심층 신경망 모델의 설계 과정에서 수행되는 필터 적용에 관한 학습을 1차 학습이라고 칭할 수 있다.

심층 신경망 모델의 설계 및 학습을 통해 심층 신경망 모델을 훈련시키는 과정은 학습 장치(200)에 의해 수행될 수 있다. 그리고 학습 장치(200)는 이미지 보정장치(100)로서 기능할 수 있다. 일명 스마트폰과 같은 사용자 단말기는 학습을 통한 심층 신경망 모델의 훈련에 직접 관여할 수도 있지만, 주로 학습 장치(200)를 통해 훈련된 심층 신경망 모델을 이용할 수도 있다.

프로세서(180)는 사용자 및 필터 적용을 학습하도록 훈련된 심층 신경망 모델 중에서 적어도 하나에 의한 필터 적용을 통해 이미지를 처리할 수 있다(S120). 즉, 이미지 처리에 이용되는 필터 정보는 심층 신경망 모델, 즉 인공지능 알고리즘에 의한 이미지 분석 또는 사용자에 의한 이미지 분석을 통해 추출될 수 있다. 또한 처리 대상 이미지는 양쪽 모두를 이용하여, 즉 인공지능 알고리즘을 이용한 전처리 및 사용자의 선택에 의한 필터를 이용한 후처리 될 수 있다.

따라서, 이미지 처리(S120)는 심층 신경망 모델을 통해 추론된 제1 필터 정보를 이용한 이미지 처리 및 사용자에 의한 제2 필터 정보를 이용한 이미지 처리를 포함하도록 구성될 수 있다. 즉 이미지 처리에 사용되는 필터 정보들에는 제1 필터 정보 및 제2 필터 정보가 포함될 수 있다.

그리고 필터 정보들은 이미지를 처리할 필터의 기능, 필터 적용 순서 및 필터의 파라미터 값에 관한 정보 중에서 적어도 하나를 포함할 수 있다. 필터의 기능은 왜곡 보정, 노이즈 제거, 명암 조정, 색 보정, 대비 조절 및 선명도 강조 등과 같은 기능을 포함하며, 필터의 기능이 해당 필터의 명칭이 될 수 있다.

제1 필터 정보를 이용한 이미지 처리는 이미지를 처리할 필터의 기능과 관련된 이미지의 특징 추출, 이미지의 특징에 기반한 이미지 처리를 위한 제1 필터 정보 추출 및 제1 필터 정보를 이용한 이미지 처리를 포함하도록 구성될 수 있다. 여기서 사용되는 심층 신경망 모델은 이미지 처리에 많이 이용되는 합성곱 신경망(convolutional neural network, CNN)을 근간으로 하여 설계될 수 있다. 학습의 종류에 따라 CNN이 직접 이미지로부터 특징을 추출하거나, 알고리즘을 이용하여 이미지의 특징이 추출될 수 있다.

본 발명에서 사용되는 이미지의 특징은, 이미지로부터 추출된 특징 벡터를 의미하며, 이러한 특징 벡터는 이미지를 구성하는 픽셀 값에 관한 정보, 예를 들어 이미지에 포함된 객체, 이미지의 밝기, 노이즈, 및 이미지의 컬러에 관한 정보를 포함할 수 있다.

제1 필터 정보를 이용한 이미지 처리는, 이미지를 처리할 필터의 기능과 관련된 이미지의 특징 추출, 이미지의 특징에 기반하는 이미지 처리를 위한 제1 필터 정보 추출, 및 제1 필터 정보를 이용한 이미지 처리를 포함하도록 구성될 수 있다.

이미지 특징 추출을 통해 이미지를 분석하고, 분석 결과를 이용하여 이미지 처리에 적용될 필터 정보를 추출하는 과정을 예를 들어 설명하면 다음과 같다. 심층 신경망 모델 중의 하나인 합성곱 신경망(CNN)은 필터(이미지 처리용 필터와 구별)를 이용하여 합성곱 연산을 통해 입력된 이미지의 피쳐맵(feature map)을 작성한다. 피쳐맵은 이미지의 픽셀 정보를 포함하고 있으므로, 피쳐맵을 통해서 이미지의 밝기가 예측되고, 이미지의 전체 영역 또는 부분 영역에 있는 픽셀의 밝기를 변경하기 위한 밝기 조절 필터의 파라미터 값이 예측될 수 있다. 여기서 제1 필터 정보는 처리될 픽셀의 위치 및 밝기 조절 필터의 파라미터 값을 포함할 수 있다.

색 보정과 관련하여 사람의 피부 톤을 보정하기 위해서, CNN은 이미지의 특징을 이용하여 피쳐맵을 작성하고, 피쳐맵을 이용하여 사람의 얼굴 영역을 인식할 수 있다. CNN은 얼굴 영역의 픽셀 값 정보를 통해 피부 톤을 얼마나 엷게 할 것인지 판단하고, 피부 톤 보정을 위한 색조 보정 필터에 관한 필터 정보를 출력할 수 있다.

심층 신경망 모델은 이미지의 특징에 기반하여 필터 정보를 출력하고, 사용자는 출력된 필터 정보, 즉 제1 필터 정보를 이용하여 이미지를 선보정할 수 있다. 그리고 사용자의 판단에 따라 사용자가 선호하는 타입의 보정을 위해 필터를 선택하고, 필터의 파라미터 값을 지정함으로써 선보정된 이미지를 다시 후보정할 수 있다. 여기서, 제2 필터 정보는 사용자가 선택한 필터 및 필터의 파라미터 값을 포함할 수 있다. 그리고 많은 테스트 이미지에 적용되는 제1 필터 정보와 제2 필터 정보로 구성된 필터 정보들은 후에 심층 신경망 모델을 재훈련하는데 학습 데이터로 이용될 수 있다.

프로세서(180)는 복수의 테스트를 통해 수집된 필터 적용에 관한 필터 정보들을 저장할 수 있다(S130). 즉 프로세서(180)는 이미지 보정장치(100), 즉 에지단에서 수집되는 제1 필터 정보 및 제2 필터 정보를 포함하는 필터 정보들을 수집하고 이를 저장할 수 있다.

또한, 프로세서(180)는 이미지 분석을 통해 수집된 이미지의 특징과 필터 정보들을 서로 관련시켜 저장할 수 있다. 이러한 과정을 통해 이미지의 특징에 따라 어떠한 필터 적용 패턴이 형성되는지 분석될 수 있다.

심층 신경망 모델의 1차 학습에 의한 훈련을 통해 이미지의 특징, 예를 들어 이미지의 밝기, 대비, 색상 등에 따라 이미지를 처리할 수 있는 제1 필터 정보가 추출되었다면, 심층 신경망 모델의 2차 학습에 의한 재훈련을 통해 제1 필터 정보에 기반한 필터 적용 패턴이 파악될 수 있다.

프로세서(180)는 필터 정보들을 포함하는 훈련 데이터 셋을 이용하여 이미지의 특징에 따른 필터 적용 패턴을 학습하도록 심층 신경망 모델을 재 훈련시킬 수 있다(S140). 1차 학습을 마친 심층 신경망 모델을 이용하여 추출된 제1 필터 정보 및 사용자의 선택에 따라 적용된 제2 필터는 심층 신경망 모델의 재훈련에 학습용 데이터로 이용될 수 있다.

심층 신경망 모델의 재 훈련은, 이미지의 특징에 따른 필터 정보 분석 및 필터 정보 분석에 기반한 이미지의 특징에 따른 필터 적용 패턴 분류를 포함하도록 구성될 수 있다.

심층 신경망 모델은 이미지의 특징과 관련되어 저장된 필터 정보들을 이용하여 이미지의 특징에 따른 필터 적용 패턴을 분류할 수 있다. 예를 들어 인물 이미지에 주로 사용된 필터 정보, 풍경 사진에 주로 사용된 필터 정보에 기반하여 인물 사진의 필터 적용 패턴, 풍경 사진의 필터 적용 패턴이 분류될 수 있다. 이러한 필터 적용 패턴은 제1 필터 정보에만 의존하는 것이 아니고, 제2 필터 정보를 포함하는 것이어서, 사용자의 취향이 반영된 필터 적용 패턴일 수 있다.

본 발명의 일 실시 예에 따른 이미지 특징에 따른 필터 적용 패턴은, 카메라 기종에 의한 패턴, 이미지 색조에 의한 패턴, 이미지 주제에 의한 패턴, 이미지 크기에 의한 패턴, 및 촬영 모드에 의한 패턴 중에서 적어도 하나를 포함할 수 있다. 이미지 보정장치(100)가 스마트폰과 같은 통신 단말기인 경우, 통신 단말기의 기종 또는 통신 단말기에 포함된 카메라 모듈의 명칭에 의한 패턴이 형성될 수 있다.

피사체에 하늘 또는 바다가 포함되어 있어서, 파란 색조가 지배적인 이미지에 의한 필터 적용 패턴이 형성될 수 있다. 그리고 이미지가 속하는 주제, 예를 들어 녹음, 설경, 야경, 바다, 인물에 따라 해당 주제에 관한 이미지에 의한 필터 적용 패턴이 형성될 수 있다.

프로세서(180)는 재 훈련 과정에서 필터 정보들에 기반하여 필터 적용 횟수에 비례하는 가중치를 해당 필터에 적용할 수 있다. 심층 신경망 모델은 학습 과정에서 가중치를 조절함으로써 손실 함수의 값을 줄여 나갈 수 있는데, 제1 필터 정보와 제2 필터 정보에 기반하여 재 훈련 과정에서 가중치가 부여됨으로써, 재 훈련 과정이 단축될 수 있다. 도 2를 다시 참조하면, 테스트 과정을 통해 수집된 필터 정보가 심층 신경망 모델의 재 훈련에 이용되고 심층 신경망 모델은 이미지의 특징에 따라 필터 정보를 이용하여 필터 적용 패턴, 즉 필터 패턴 정보를 추출할 수 있다. 도 2에 필터 A에 대해 2배, 필터 B에 대해 1.5배 그리고 필터 D에 대해 1배의 가중치가 적용되는 과정이 묘사되어 있다.

프로세서(180)는 심층 신경망 모델을 이용하여 필터 적용 패턴에 기반한 필터 패턴 정보를 출력할 수 있다(S150). 1차 훈련을 마치 심층 신경망 모델이 이미지의 특징에 기반하여 제1 필터 정보를 추출했다면, 재 훈련을 마치 심층 신경망 모델은, 제1 필터 정보 및 사용자의 선택에 의한 제2 필터 정보에 기반하여 이미지의 특징에 따라 필터 적용 패턴을 분석하고, 분석 결과를 통해 필터 패턴 정보를 추출할 수 있다. 필터 패턴 정보는 필터 정보와 마찬가지로 필터의 기능, 필터의 적용 순서 및 필터의 파라미터 값에 관한 정보 중에서 적어도 하나를 포함할 수 있다. 필터 패턴 정보는, 필터 정보와 비교하여 사용자의 취향에 따른 필터 정보를 더 포함하고, 이미지의 특징에 따라 최적화된 필터 정보를 포함하는 것을 특징으로 한다.

프로세서(180)는 필터 패턴 정보를 이용하여 이미지를 처리할 수 있다. 최종적으로 프로세서(180)는 심층 신경망 모델의 재 훈련을 통해 추출된 필터 적용 패턴에 기반하는 필터 패턴 정보를 이용하여 사용자 취향에 맞도록 이미지를 처리할 수 있다.

이와 같이 본 발명의 일 실시 예에 의하면, 이미지의 특징에 따라 사용자가 자주 사용하는 필터들이 추천될 수 있다.

이상 설명된 본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.

한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.

본 발명의 명세서(특히 특허청구범위에서)에서 '상기'의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.

본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.

따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

100: 이미지 보정장치
170: 메모리
171: 이미지 보정 필터
172: 필터 정보들
173: 심층 신경망 모델
174: 학습 모델
130: 러닝 프로세서
180: 프로세서

Claims

사용자 및 필터 적용을 학습하도록 훈련된 심층 신경망 중에서 적어도 하나에 의한 필터 적용을 통해 이미지를 처리하는 단계;
복수의 테스트를 통해 수집된 상기 필터 적용에 관한 필터 정보들을 저장하는 단계;
상기 필터 정보들을 포함하는 훈련 데이터 셋을 이용하여 이미지의 특징에 따른 필터 적용 패턴을 학습하도록 심층 신경망 모델을 재 훈련시키는 단계; 및
상기 심층 신경망 모델을 이용하여 상기 필터 적용 패턴에 기반한 필터 패턴 정보를 출력하는 단계를 포함하는,
이미지 보정방법.
제1항에 있어서,
상기 이미지를 처리하는 단계는,
심층 신경망 모델을 통해 추론된 제1 필터 정보를 이용하여 상기 이미지를 처리하는 단계; 및
사용자에 의한 제2 필터 정보를 이용하여 상기 이미지를 후처리하는 단계를 포함하는,
이미지 보정방법.
제2항에 있어서,
상기 이미지 보정방법은,
이미지 분석을 통해 추출된 이미지의 특징에 기반한 상기 필터 적용에 관한 학습을 통해 상기 심층 신경망 모델을 훈련시키는 단계를 더 포함하는,
이미지 보정방법.
제1항에 있어서,
상기 필터 정보들은,
상기 이미지를 처리할 필터의 기능, 필터 적용 순서 및 필터의 파라미터 값에 관한 정보 중에서 적어도 하나를 포함하는,
이미지 보정방법.
제2항에 있어서,
상기 제1 필터 정보를 이용하여 이미지를 처리하는 단계는,
상기 이미지를 처리할 필터의 기능과 관련된 이미지의 특징을 추출하는 단계; 및
상기 이미지의 특징에 기반하여 이미지 처리를 위한 상기 제1 필터 정보를 추출하는 단계; 및
상기 제1 필터 정보를 이용하여 상기 이미지를 처리하는 단계를 포함하는,
이미지 보정방법.
제1항에 있어서,
상기 필터 정보들을 저장하는 단계는,
이미지 분석을 통해 수집된 이미지의 특징과 상기 필터 정보들을 서로 관련시켜 저장하는 단계를 포함하는,
이미지 보정방법.
제1항에 있어서,
상기 심층 신경망 모델을 재 훈련시키는 단계는,
상기 필터 정보들에 기반하여 필터 적용 횟수에 비례하는 가중치를 해당 필터에 적용하는 단계를 포함하는,
이미지 보정방법.
제1항에 있어서,
상기 심층 신경망 모델을 재 훈련시키는 단계는,
상기 이미지의 특징에 따른 필터 정보를 분석하는 단계; 및
상기 분석에 기반하여 이미지의 특징에 따른 필터 적용 패턴을 분류하는 단계를 포함하는,
이미지 보정방법.
제1항에 있어서,
상기 이미지의 특징에 따른 필터 적용 패턴은,
카메라 기종에 의한 패턴, 이미지 색조에 의한 패턴, 이미지 주제에 의한 패턴, 이미지 크기에 의한 패턴, 및 촬영 모드에 의한 패턴 중에서 적어도 하나를 포함하는,
이미지 보정방법.
제1항에 있어서,
상기 필터 패턴 정보를 이용하여 보정된 대상 이미지를 출력하는 단계를 더 포함하는,
이미지 보정방법.
이미지 보정 필터 및 학습을 통해 상기 이미지 보정 필터의 적용을 위한 필터 정보를 추론하는 심층 신경망;
상기 이미지 보정 필터 및 상기 심층 신경망 중에서 적어도 하나를 이용하여 이미지를 처리하는 프로세서; 및
복수의 테스트를 통해 수집된 상기 필터 적용에 관한 필터 정보들을 저장하는 메모리를 포함하고,
상기 프로세서는,
상기 필터 정보들을 포함하는 훈련 데이터 셋을 이용하여 이미지의 특징에 따른 필터 적용 패턴을 학습하도록 심층 신경망 모델을 재 훈련시키고, 상기 심층 신경망 모델을 이용하여 상기 필터 적용 패턴에 기반한 필터 패턴 정보를 출력하는,
이미지 보정장치.
제11항에 있어서,
상기 프로세서는,
심층 신경망 모델을 통해 추론된 제1 필터 정보 및 사용자에 의한 제2 필터 정보 중에서 적어도 하나를 이용하여 상기 이미지를 처리하는,
이미지 보정장치.
제12항에 있어서,
상기 심층 신경망은,
이미지 분석을 통해 추출된 이미지의 특징에 기반한 상기 필터 적용에 관한 학습을 통해 훈련되는,
이미지 보정장치.
제11항에 있어서,
상기 필터 정보들은,
상기 이미지를 처리할 필터의 기능, 필터 적용 순서 및 필터의 파라미터 값에 관한 정보 중에서 적어도 하나를 포함하는,
이미지 보정장치.
제12항에 있어서,
상기 프로세서는,
상기 이미지를 처리할 필터의 기능과 관련된 이미지의 특징을 추출하고, 상기 이미지의 특징에 기반하여 이미지 처리를 위한 상기 제1 필터 정보를 수집하는,
이미지 보정장치.
제11항에 있어서,
상기 프로세서는,
이미지 분석을 통해 수집된 이미지의 특징 정보 및 상기 보정 정보들을 서로 관련시켜 저장하도록 상기 메모리를 제어하는,
이미지 보정장치.
제11항에 있어서,
상기 프로세서는,
상기 필터 정보들에 기반하여 필터 적용 횟수에 비례하는 가중치를 해당 필터에 적용하는,
이미지 보정장치.
제11항에 있어서,
상기 프로세서는,
상기 이미지의 특징에 따른 필터 정보를 분석하고,
상기 분석에 기반하여 이미지의 특징에 따른 필터 적용 패턴을 분류하도록 상기 심층 신경망을 훈련시키는,
이미지 보정장치.
제11항에 있어서,
상기 이미지의 특징에 따른 필터 적용 패턴은,
카메라 기종에 의한 패턴, 이미지 색조에 의한 패턴, 이미지 주제에 의한 패턴, 이미지 크기에 의한 패턴, 및 촬영 모드에 의한 패턴 중에서 적어도 하나를 포함하는,
이미지 보정장치.
제11항에 있어서,
상기 프로세서는,
상기 필터 패턴 정보를 이용하여 보정된 대상 이미지를 출력하는,
이미지 보정장치.