KR20210058404A - 이미지 처리방법 및 처리장치 - Google Patents

Abstract

이미지 처리방법 및 처리장치가 개시된다. 이미지 처리장치는, 프로세서 및 제어기를 포함하되, 프로세서는, 학습을 통해 이미지 처리의 훈련을 받은 인공지능 이미지 처리 모델 및 인공지능 이미지 처리 모델을 이용한 이미지 처리에 수반되는 연산을 수행하는 연산 장치 포함한다. 본 발명에 따르면, 엣지 디바이스에서 심층 신경망을 이용한 이미지 처리가 가능하다.

Description

이미지 처리방법 및 처리장치{METHOD AND APPARATUS FOR PROCESSING IMAGE}

본 발명은 이미지 처리방법 및 처리장치에 관한 것으로, 더욱 상세하게는 인공지능 알고리즘을 이용하여 이미지 센서로부터 수신되는 센싱 데이터를 처리하는 방법 및 장치에 관한 것이다.

CCD 이미지 센서는 CMOS 이미지 센서 대비 노이즈가 적다는 장점을 가지고 있다. 반면 CMOS 이미지 센서는 신호를 전압 형태로 변환해 전송하는 방식으로 CMOS 제조 공정이 사용되어 가격 경쟁력이 있다는 장점이 있다.

이러한 특징 때문에 CCD 이미지 센서는 디지털 카메라에 사용되고, CMOS 이미지 센서는 주로 모바일 기기에 사용되었다. 그러나 휴대폰, 태블릿 PC 등 카메라 기능이 탑재된 모바일 기기 시장이 확대되면서 핵심 부품으로 CMOS 이미지 센서가 주목받기 시작하였다. 특히 모바일 기기는 전력 소비를 줄이는 것이 중요해서 소비 전력이 상대적으로 적은 CMOS 이미지 센서는 모바일 기기에 적합하다.

그러나 CCD 이미지 센서 대비 낮은 품질의 이미지를 캡쳐하는 CMOS 이미지 센서는 이미지 데이터를 처리하는 ISP 기술의 발전에도 불구하고 극저조도 환경에서 촬영된 이미지 처리에 한계를 보인다.

인공지능 반도체는 대용량 데이터를 효율적으로 처리하는 데 유리하도록 발전해 왔다. 기존 반도체는 가격이 싸고 범용성이 높았으나, 인공지능 연산 성능 및 소비전력 효율이 낮아 시장의 흐름에 부합할 수 없었다. 그리하여 인공지능 연산 성능 및 소비전력 효율이 높은 1세대 인공지능 반도체가 등장하였으나 가격이 비싸고 범용성이 낮다는 단점이 있었다. 인공지능이 IoT, 지능형 로봇, 스마트 자동차 등 다양한 분야에 요구되면서 인공지능 반도체 역시 인간 뇌를 모방한 비폰-노이만(non von-neumann) 방식인 뉴로모픽 반도체가 등장하였다.

하나의 관련 기술로서 CNN과 RNN이 하나의 고성능 저전력 칩으로 집적된 이기종 프로세서 구조가 공개번호 KR 제10-2019-0091858호의 공개공보에 개시된다. 이 관련 기술에 따르면 CNN 연산부와 RNN 연산부를 포함하는 프로세서가 개시된다. 그런데, 이 관련 기술은 CNN 연산부와 RNN 연산부가 메모리부 및 연산제어부를 공유하는 점 외에는 CNN과 RNN의 단순 조합에 불과하다.

KR 공개특허공보 제10-2019-0091858호 (2019.08.07. 공개)

본 발명의 일 과제는, 인공지능 모델의 단순 조합에 불과했던 종래 기술의 문제점을 해결하는 것이다.

본 발명의 일 과제는, 극저조도 환경에서 촬영된 이미지의 처리에 한계를 보였던 필터를 이용한 보정 방법에 관한 종래 기술의 문제점을 해결하는 것이다.

본 발명의 일 과제는, 저전력 및 소형화의 장점을 살리고 이미지의 품질에 따라 하이브리드 방식으로 이미지를 처리할 수 있는 방법 및 장치를 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 처리장치는, 이미지 센서로부터 수신된 센싱 데이터(sensing data)를 처리하는 프로세서; 및 상기 프로세서를 제어하는 제어기(controller)를 포함하도록 구성될 수 있다. 그리고 프로세서는, 학습을 통해 이미지 처리의 훈련을 받은 인공지능(artificial intelligence, AI) 이미지 처리 모델; 및 인공지능 이미지 처리 모델을 이용한 이미지 처리에 수반되는 연산을 수행하는 산술논리장치(ALU)를 포함할 수 있다.

또한, 프로세서는, 이미지 처리 필터를 이용하여 이미지를 처리하는 ISP를 더 포함하도록 구성될 수 있다. 그리고 제어기는, 연산 장치 및 ISP 중에서 적어도 하나의 장치가 센싱 데이터를 처리하도록 프로세서를 제어할 수 있다.

또한, 제어기는, 센싱 데이터의 품질에 기반하여 장치를 선택하기 위해 상기 센싱 데이터를 분석할 수 있다.

또한, 이미지 처리장치는, 빛을 전기 신호로 변환함으로써 상기 센싱 데이터를 생성하는 이미지 센서(image sensor)를 더 포함하도록 구성될 수 있다.

또한, 제어기는, 센싱 데이터 및 상기 프로세서에 의해 처리된 픽셀 데이터 중에서 적어도 하나의 종류의 데이터를 분석하는 데이터 분석기(data analyzer)를 포함하도록 구성될 수 있다.

또한, 데이터 분석기는, 적어도 하나의 종류의 데이터를 통계적으로 분석할 수 있다.

또한, 제어기는, 적어도 하나의 종류의 데이터를 분석한 결과를 이용하여 데이터의 품질을 판단하는 이미지 품질 판단기(image quality assessor)를 더 포함하도록 구성될 수 있다.

또한, 제어기는, 센싱 데이터 및 상기 프로세서에 의해 처리된 픽셀 데이터 중에서 적어도 하나의 데이터의 분포, 조도, 발기, 노이즈 및 선명도 중에서 적어도 하나의 항목을 판단하기 위해 데이터를 분석하는 데이터 분석기를 포함하도록 구성될 수 있다.

또한, 제어기는, 데이터의 품질 중에서 조도를 판단하고, 상기 조도의 범위에 따라 선택된 장치를 제어할 수 있다.

또한, 제어기는, 데이터의 품질 중에서 노이즈를 판단하고, 노이즈의 범위에 따라 선택된 장치를 제어할 수 있다.

또한, 제어기는, 데이터의 품질 중에서 선명도를 판단하고, 선명도의 범위에 따라 선택된 장치를 제어할 수 있다.

또한, 프로세서는, 인공지능 이미지 처리 모델로서, 상기 센싱 데이터를 분석하기 위해 피쳐 맵을 생성하는 합성곱 신경망(convolutional neural network)을 포함하도록 구성될 수 있다.

또한, 연산 장치는, 그래픽 처리 유닛(graphical processing unit, GPU), FPGA(field-programmable gate arrays), ASIC(application specific integrated circuits) 및 뉴로모픽 반도체(neuromorphic chips) 중에서 적어도 하나에 해당할 수 있다.

상술한 과제를 해결하기 위한 본 발명의 일 실시 예에 이미지 처리방법은, 이미지 센서로부터 수신한 센싱 데이터 분석; 데이터 분석 결과를 이용한 이미지 품질 판단; 이미지 품질에 따라 센싱 데이터를 처리할 처리 장치 선택 및 선택된 처리 장치를 이용한 이미지 처리를 포함하도록 구성될 수 있다.

또한, 처리 장치 선택은, 수식과 같이 센싱 데이터의 이미지 밝기가 임계 값 이하인 경우 인공지능 이미지 처리 모델을 이용하고, 그렇지 않은 경우 pipeline 기반의 ISP를 이용할 수 있다.

여기서, N은 대상 영역의 전체 픽셀 수, I(i, j)는 픽셀 위치 (i, j)에서의 픽셀 값.

본 발명에 의하면, 이미지의 품질에 따라 하이브리드 방식으로 이미지가 처리될 수 있다.

또한, 하이브리드 방식의 이미지 처리를 이용하여 극저조도 환경에서 촬영된 이미지의 화질이 개선될 수 있다.

도 1은 본 발명의 일 실시 예에 따른 이미지 처리장치의 블록도이다.
도 2는 본 발명의 일 실시 예에 따른 제어기의 블록도이다.
도 3은 본 발명의 일 실시 예에 따른 이미지 처리의 예시도이다.
도 4는 본 발명의 일 실시 예에 따른 프로세서의 블록도이다.
도 5는 본 발명의 일 실시 예에 따른 제1 ISP의 블록도이다.
도 6은 본 발명의 일 실시 예에 따른 제1 ISP의 블록도이다.
도 7은 본 발명의 일 실시 예에 따른 이미지 처리장치가 연결된 네트워크 환경의 예시도이다.
도 8은 본 발명의 일 실시 예에 따른 인공지능 모델의 학습 장치의 블록도이다.
도 9는 본 발명의 일 실시 예에 따른 이미지 처리방법의 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.

본 발명의 일 실시 예에 따른 이미지 처리장치(100)는, 이미지 센서로부터 수신한 센싱 데이터, 즉 원시 이미지(raw image)를 인공지능 알고리즘을 이용하여 처리할 수 있는 것을 특징으로 한다. 이하 이미지 처리장치(100)와 관련된 인공 지능 알고리즘에 대해 설명하기로 한다.

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 처리장치(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 처리장치(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 센싱 데이터의 분석에 있어서 높은 수준의 정밀도를 제공하지만, 정확한 분석을 위해서는 대량의 훈련 데이터 셋, 즉 다양한 품질의 센싱 데이터가 필요로 한다.

본 발명의 일 실시 예에 따른 이미지 처리장치(100)는 딥 러닝 모델의 하나로서, 센싱 데이터를 분석하고 이미지의 특징을 추출하고, 이를 이용하여 훈련시킨 CNN 모델을 이용할 수 있다. CNN은 추출된 특징을 고유 카테고리로 분류함으로써 센싱 데이터를 분석할 수 있다.

센싱 데이터 분석은 수동의 특징 추출과 추출된 특징을 분류하는 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.

본 발명의 일 실시 예에 따른 인공지능 이미지 처리 모델은 학습 장치(200)에 의해 훈련된 후 엣지 디바이스에 해당하는 이미지 처리장치(100)에 전송 및 저장될 수 있다. 학습 장치(200)에 대해서는 자세한 설명은 후술하기로 한다.

도 1은 본 발명의 일 실시 예에 따른 이미지 처리장치의 블록도이다.

도 1을 참조하면, 이미지 센서(110), 제어기(120), 프로세서(130) 및 메모리(140)를 포함하도록 구성되는 이미지 처리장치(100)가 묘사되어 있다.

이미지 센서(110)는 빛 에너지를 전기 에너지로 변환하는 기능을 한다. 이미지 센서(110) 전, 후로는 각종 필터, 예를 들어 RGB 컬러 필터가 구비될 수 있다. 이미지 센서(110)는 CCD 이미지 센서 또는 CMOS 이미지 센서를 이용하여 구현될 수 있다. CCD 이미지 센서의 경우 디지털 카메라에 주로 사용되고, CMOS 이미지 센서는 각종 단말기에 주로 사용되는데, 본 발명에 따른 이미지 센서(110)는 어느 한 종류의 이미지 센서에 한정되지 않는다.

CMOS 이미지 센서는, CCD 이미지 센서 대비 저전력에 값이 저렴하다는 장점이 있다. 그러나 ISP의 처리 기술의 발전에도 불구하고 극저조도 환경에서 촬영된 이미지는 빛의 성분인 포톤의 절대 량이 부족하여 샷 노이즈가 발생하고, 극저조도 하에서는 기존의 ISP에 의한 노이즈 제거 및 이미지의 밝기 보정 등에 한계가 발생할 수 있다. 본 발명의 일 실시 예에서 프로세서(130)는 기존의 필터에 의한 이미지 처리의 한계를 넘어 학습된 인공지능 이미지 처리 모델을 이용하여 극저조도 환경에서 촬영된 이미지를 처리할 수 있다.

도 2는 본 발명의 일 실시 예에 따른 이미지 처리의 예시도이다.

도 2를 참조하면, 본 발명의 일 실시 예에 따른 이미지 처리장치(100)에 의해 수행되는 이미지 처리 과정의 예시가 묘사되어 있다.

이미지 센서(110)는 각종 필터, 예를 들어 RGB 컬러 필터를 통해 입력된 아날로그 신호를 증폭 및 변환, 예를 들어 디지털로 변환하여 센싱 데이터를 생성한다. 그리고 센싱 데이터는 이미지 처리를 위해 프로세서(130)에 전송된다. 프로세서(130)로 전송된 센싱 데이터는 이미지 처리 과정을 통해 픽셀 데이터로 변환되고, 데이터 분석 및 품질 판단을 위해 픽셀 데이터는 제어기(120)로 전송될 수 있다. 그리고 프로세서(130)는 메모리(140)에 저장된 이미지를 처리할 수 있다. 메모리(14)는 휘발성 메모리, 예를 들어 DRAM과 비휘발성 메모리, 예를 들어 FLASH RAM을 포함하도록 구성될 수 있다.

본 발명의 일 실시 예에 따른 이미지 처리 과정은 최적의 블랙 이미지 조정(optical black), 화이트 발란스 조정(white balance), 배드 픽센 수정(bad pixel correction), 색 조합(color interpolation), 색 공간 변환(color space conversion), 감마 수정(gamma correction), 노이즈 제거(noise reduction), 색 수정(color correction), 경계선 향상(edge enhancement), YUV 공간 처리(YUV space processing) 및 압축(compression) 중에서 적어도 하나 이상의 과정을 포함하도록 구성될 수 있다. 이미지 처리 과정에서 제어기(120)는 자동 노출 정보(auto focus statistic), 자동 노출 및 자동 화이트 발란스 정보(auto exposure/auto white balance statistic)를 검출할 수 있다.

제어기(120)는 제어 신호 전송을 통해 이미지 센서(110)의 각종 필터, 및 CMOS 또는 CCD 이미지 센서의 센싱 데이터의 생성 과정을 제어하고, 프로세서(130)와의 통신을 통해 프로세서(130)의 이미지 처리 과정을 제어할 수 있다.이미지 센서(110) 및 프로세서(130)를 제어하는 명령어 셋은 소프트웨어 또는 하드웨어 형태로 제어기(120) 내부 또는 외부에 저장되고 업그레이드 될 수 있다.

제어기(120)는 센싱 데이터 및 픽셀 데이터 중에서 적어도 한 종류의 데이터(이하 데이터)를 처리하도록 프로세서를 제어할 수 있다. 즉 제어기(120)는 데이터를 분석하고, 분석 결과를 이용하여 이미지의 품질을 판단한다. 그리고 제어기(120)는 데이터의 품질에 기반하여 데이터 처리에 적합한 장치, 예를 들어 인공지능 알고리즘에 적합한 ISP에 포함한 ALU 또는 이미지 처리 필터와 관련된 연산을 수행하는 pipeline 기반의 ISP 또는 ALU 중에서 적어도 하나를 선택하고, 선택된 장치를 이용하는 이미지 처리 과정을 제어할 수 있다.

센싱 데이터는 이미지 센서(110)로부터 수신된 원시 이미지 데이터를 의미하고, 픽셀 데이터는 이미지 처리 과정의 중간 또는 최종 결과에 의한 이미지 데이터를 의미한다.

도 3은 본 발명의 일 실시 예에 따른 제어기의 블록도이다.

도 3을 참조하면, 제어기(120)는 데이터 분석기(121), 이미지 품질 판단기(122), 제1 ISP 제어기(123) 및 제2 ISP 제어기(124)를 포함하도록 구성될 수 있다.

데이터 분석기(121)는 센싱 데이터 및 프로세서(130)에 의해 처리된 픽셀 데이터 중에서 적어도 하나의 종류의 데이터를 분석할 수 있다. 여기서, 데이터 분석기(121)는 적어도 하나의 종류의 데이터를 통계적으로 분석할 수 있다. 통계적 분석이란 픽셀 데이터 값에 기반한, 각종 차트 예를 들어 히스토 그램을 이용한 분석을 의미한다.

데이터 분석기(121)는, 예를 들어 이미지의 특징 중에서 이미지의 분포, 이미지의 밝기, 이미지의 노이즈 및 이미지의 선명도를 각각 분석하는 기능적 블록을 포함하도록 구성될 수 있다. 데이터 분석기(121)는 각각의 기능적 블록을 통해, 히스토그램을 생성하거나, 이미지 밝기에 있어서 전역(global) 또는 로컬(local) 평균 값(mean), 중간 값(median), 최대 값(max), 최소 값(min) 등을 산출할 수 있다. 또한, 데이터 분석기(121)는 노이즈 분석에 있어서 노이즈의 표준 편차를 산출할 수 있다. 또한, 데이터 분석기(121)는 이미지의 선명도 분석에 있어서 gradient 값을 산출할 수 있다.

이미지 품질 판단기(image quality assessor)(122)는 센싱 데이터 및 픽셀 데이터 중에서 적어도 한 종류의 데이터 분석 결과를 이용하여 데이터의 품질을 판단할 수 있다. 데이터 품질과 관련된 이미지의 품질(image quality, IQ)은 픽셀 분포, 이미지의 밝기, 조도, 노이즈 분포, 선명도 등을 포함할 수 있다.

이미지 품질 판단기(122)는 데이터 분석기(121)에 의한 분석 결과를 이용하여 분석 대상 이미지가 극저조도로 인해 이미지의 밝기가 낮은 상태인지, 노이즈가 많은 상태인지, 선명도가 낮은 상태인지를 판단할 수 있다.

예를 들어 대상 이미지(target image)의 밝기가 특정 임계 값(threshold) 이하이면 제2 ISP가 선택되고, 그렇지 않은 경우 제2 ISP가 선택될 수 있다. 여기서, 이미지의 밝기 값은 픽셀 분포(pixel distribution), 조도(luminance) 관련 값일 수 있다. 이미지의 밝기 값은 전체 이미지 또는 특정 이미지 영역에서 판단될 수 있다. 이를 수식으로 나타내면 다음 수학식과 같다.

여기서, N은 대상 영역의 전체 픽셀 수이고, I(i,j) 는 픽셀 위치 (i,j)에서의 픽셀 값이다. 이미지는 Raw 입력 이미지일 수도 있고 간단한 interpolation, 예를 들어 Bilinear interpolation을 수행한 R/G/B 채널 별 이미지일 수 있다. 또한 τ_A는 정해진 임계 값(threshold)이다.

예를 들어, 입력 영상의 noise 정도가 특정 임계 값(threshold) 이상이면 DNN 기반의 제1 ISP가 선택되고, 그렇지 않으면 기존 방식에 의한 제2 ISP가 선택될 수 있다. 밝기 값이 매우 작은 이미지에는 noise 가 많이 포함될 수 있다. 이미지 센서에 따라서 ISO 값이 매우 높거나 노출 시간이 길수록 noise 가 많이 발생할 수 있다.

예를 들어, 입력 영상의 번짐(blur) 정도가 특정 임계 값 이상이면 DNN 기반의 제1 ISP가 선택되고, 그렇지 않으면 기존 방식에 의한 제2 ISP가 선택될 수 있다. 피사체가 카메라의 노출 시간보다 더 빠르게 움직일 때 motion blur 가 발생하기 쉽다. 노출 시간이 매우 길게 설정되어야 할 때, 즉, 저조도에서 번짐(blur)이 발생하여 이미지의 선명도가 낮아질 수 있다.

제1 ISP 제어기(ISP controller)(123)는 인공지능 알고리즘과 관련된, 예를 들어 심층 신경망 기반의 제1 ISP를 제어하는 기능을 한다. 제1 ISP 제어기는 심층 신경망 기반의 제1 ISP에 필요한 adaptive tuning factor의 값을 결정할 수 있다.

제2 ISP 제어기(124)는 인공지능 알고리즘과 관련이 없는, 예를 들어 이미지 처리 필터를 이용하는 pineline 기반의 제2 ISP를 제어하는 기능을 한다. 제2 ISP는 기존의 pipeline 기반의 제1 ISP의 tuning factor를 이미지 품질(image quality)에 적합한 수준으로 생성할 수 있다.

프로세서(130)는 제어기(120)의 제어 명령에 따라 이미지 센서(110)로부터 수신된 센싱 데이터를 처리에 필요한 연산을 수행할 수 있다.

프로세서(130)는 학습을 통해 이미지 처리의 훈련을 받은 인공지능(artificial intelligence, AI) 이미지 처리 모델 및 인공지능 이미지 처리 모델을 이용한 이미지 처리에 수반되는 연산을 수행하는 산술논리장치(arithmetic logic unit, ALU)를 포함하도록 구성될 수 있다.

구체적으로 프로세서(130)는 제1 ISP 및 제2 ISP를 포함하도록 구성될 수 있다. 제1 ISP는 인공지능 알고리즘, 예를 들어 심층 신경망을 포함하고, 심층 신경망에 따라 동작하는 ISP를 의미하고, 제2 ISP는 프로그램, 예를 들어 이미지 처리 필터에 따라 동작하는 ISP를 의미할 수 있다.

따라서 제1 ISP는 심층 신경망을 이용한 이미지 처리에 수반되는 연산 수행에 적합한 구조의 ALU를 포함하도록 구성될 수 있다. 그리고 제2 ISP는 프로그램 연산에 적합한 pipeline 기반의 ALU를 포함하도록 구성될 수 있다.

메모리(140)는 처리가 안된 센싱 테이터, 예를 들어 원시 이미지와 처리된 픽셀 데이터가 저장될 수 있고, 인공지능 이미지 처리 모델 및 이미지 센서에 의해 캡쳐된 이미지를 보정하는 사용자 응용 프로그램 등이 탑재될 수 있다.

제어기(120)는 데이터 분석 및 이미지 품질 판단 과정을 통해 센싱 데이터를 처리할 ISP를 결정할 수 있다. 즉 데이터 분석기(121)에 의한 데이터 수집 및 분석, 이미지 품질 판단기(122)에 의한, 데이터 분석에 기반한 이미지 품질 판단을 통해 제어기(120)는 이미지 품질에 따라 이를 처리할 ISP를 결정할 수 있다.

도 4는 본 발명의 일 실시 예에 따른 프로세서의 블록도이다.

도 4를 참조하면, 프로세서(130)는 제1 ISP(131) 및 제2 ISP(132)를 포함하도록 구성될 수 있다. 도 4는 프로세서(130)에 구비될 수 있는 ISP의 종류를 나타내고 있으며, 프로세서(130)는 복수의 ISP를 포함하도록 구성될 수 있다.

제1 ISP(131)는 인공지능 알고리즘과 관련된 ISP에 해당한다. 제1 ISP(131)는 그 내부에 인공지능 알고리즘의 산물에 해당하는 인공지능 모델, 예를 들어 심층 신경망으로 포함하도록 구성될 수 있다. 심층 신경망은 소프트웨어 또는 하드웨어 형태로 구현될 수 있다. 소프트웨어 형태의 심층 신경망은 제1 ISP 내주의 비휘발성 메모리, 예를 들어 플래쉬(flash) 메모리에 저장된 형태로 구현될 수 있다. 하드웨어 형태의 심층 신경망은 제조된 이후 수정이 가능한 FPGA 형태로 구현될 수 있다. 또한 제1 ISP는 학습 및 추론을 하는 인공 뉴런 및 인공 시냅스를 포함하는 뉴로모픽 칩 형태로 구현될 수도 있다.

제2 ISP(132)는 인공지능 알고리즘과 관련이 없는 ISP에 해당한다. 제2 ISP는 일명 폰-노이먼 방식의 ISP에 해당한다. Pipeline 기반의 ISP도 제1 ISP 범주에 포함될 수 있다.

프로세서(130)는 제어기(120)의 제어에 따라 센싱 데이터 및 픽셀 데이터를 처리할 수 있다. 그 밖에 프로세서(130)는 메모리(140)에 저장된 각종 컴퓨터용 프로그램, 예를 들어 애플리케이션을 통해 연산을 수행할 수 있다.

도 5는 본 발명의 일 실시 예에 따른 제1 ISP의 블록도이다.

도 5를 참조하면, 제1 ISP(131)는 산술논리장치(ALU)(133), 캐시 메모리(134), 심층 신경망(DNN) 및 ISP 제어기(136)를 포함하도록 구성될 수 있다.

심화 학습(deep learning)이라고 불리는 인공지능 알고리즘에 따르면 다수의 신경 세포들에서 동시에 학습이 발생하고, 동시에 학습된 정보가 기억된다. 신경 세포들이 병렬로 연결되어 있기 때문이다. 인공지능 알고리즘에서 수백만 또는 수억 객의 작업이 병렬로 이루어져야 한다. 이 작업이 직렬로 이루어진다면 지연으로 많은 시간이 소요된다. 이러한 지연을 폰-노이만 병목 현상(Von-Neumann Bottleeneck)이라고 한다.제1 ISP는 최근 인공지능 반도체의 하나인 뉴로모픽 칩(Neuromorphic chip) 형태로 구현될 수 있다. 제1 ISP는 뇌 수준의 병렬 컴퓨팅 시스템을 실리콘 반도체를 이용하여 구현될 수 있다. 예를 들어 신경 세포인 뉴런(147), 뉴런을 연결하는 시냅스(138) 그리고 통신부(139) 등이 트랜지스터 회로와 메모리 소자를 통해 분산 구현될 수 있다.

도 6은 본 발명의 일 실시 예에 따른 제1 ISP의 블록도이다.

도 5와 6을 참조하면, 도 5에 도시된 제1 ISP에서 연산을 수행하는 산술논리장치(ALU)와 학습을 수행하는 심층 신경망(DNN)이 서로 분리되어 있다면, 도 6에 도시된 제1 ISP에서는 연산 및 학습 과정이 신경세포에 해당하는 뉴런(Neuron)(137)과 시냅스(Synapse)(138)를 통해 구현될 수 있다.

도 7은 본 발명의 일 실시 예에 따른 이미지 처리장치가 연결된 네트워크 환경의 예시도이다.

도 7을 참조하면, 다양한 종류의 이미지 처리장치(100), 인공지능 모델의 학습 장치(100) 및 이들을 서로 통신 연결하는 네트워크(500)가 포함된 네트워크 환경(1)이 묘사되어 있다.

인공지능 모델의 학습 및 이에 기반한 추론과 관련하여 이미지 처리장치(100)는 엣지 디바이스로 학습 장치(200) 클라우드로 불릴 수 있다. 인공지능 모델의 학습 과정은 주로 클라우드에 의해 수행되고, 추론 과정은 학습 장치(200)와 이미지 처리장치(100) 모두에 의해 수행될 수 있다.

과거 학습 및 추론 모두가 클라우드에서 수행되었던 것과 비교하여 본 발명의 일 실시 예에 따른 이미지 처리장치(100)는 내부에 인공지능 알고리즘, 예를 들어 적어도 하나의 학습된 심층 신경망 및 이들이 수행하는 각종 3차원 연산에 적합한 산술논리장치(ALU)를 포함하고 있어서 학습에 기반한 추론을 직접 수행할 수 있다.

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 처리장치(100)는 5G 네트워크를 통해 학습 장치(200)와 데이터를 전송하고 수신할 수 있다. 특히 단말기 형태로 구현되는 이미지 처리장치(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 8은 본 발명의 일 실시 예에 따른 인공지능 모델의 학습 장치의 블록도이다.

학습 장치(200)는 이미지 처리장치(100)의 외부에 별도로 구성된 장치 또는 서버로, 이미지 처리장치(100)의 제1 ISP(131)에 포함된 인공지능 모델을 이미지 처리의 학습을 통해 훈련시키는 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 처리장치(100)와 통신할 수 있고, 이미지 처리장치(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 처리장치(100)에 기계 학습 또는 딥 러닝에 의하여 학습한 모델을 전송할 수 있다.

도 8을 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 유무선 통신이나 인터페이스를 통하여 다른 장치와 데이터를 송수신할 수 있다.

입력부(220)는 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 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 8에 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 처리장치(100)와 같은 다른 장치에 전송되어 탑재될 수도 있다.

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

전원 공급부(250)는 도 1의 전원 공급부(190)에 대응되는 구성이다.

서로 대응되는 구성에 대한 중복되는 설명은 생략한다.

그 밖에 학습 장치(200)는 인공지능 모델(231a)을 평가할 수 있으며, 평가 후에도 더 나은 성능을 위해 인공지능 모델(231a을 업데이트 하고 업데이트된 인공지능 모델(231a)을 이미지 처리장치(100)에 제공할 수 있다. 여기서, 이미지 처리장치(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 처리장치(100)는, 사용자 개인의 데이터를 이용한 2차 학습을 통해 로컬 영역의 인공지능 모델(174)에게 사용자의 개인적 패턴을 학습시킴으로써, 학습 장치(200)로부터 다운로드 받은 인공지능 모델(174)을 업데이트할 수 있다.

도 9는 본 발명의 일 실시 예에 따른 이미지 처리방법의 흐름도이다.

도 9를 참조하면, 이미지 처리방법(S100)은 센싱 데이터 분석(S100), 이미지 품질 판단(S120), ISP 선택(S130) 및 선택된 ISP를 이용한 이미지 처리(S140)를 포함하도록 구성될 수 있다. 이하 이미지 처리장치(100)에 의해 수행되는 이미지 처리방법에 대해서 상세히 설명하기로 한다.

이미지 처리장치(100)는 이미지 센서(110)를 통해서 센싱 데이터를 수신할 수 있다. 스마트폰이나 태블릿 컴퓨터와 같은 개인 통신 단말기 형태로 구현되는 이미지 처리장치(100)는 카메라를 기본적으로 포함할 수 있으나, 이미지 처리를 위한 워크스테이션, 서버 등은 이미지 센서(110)를 통해 촬영되어서 수집된 센싱 데이터를 데이터 원(data source)으로부터 수신할 수 있다.

먼저, 이미지 센서로부터 수신된 센싱 데이터가 분석될 수 있다 (S110). 이미지 분석에는 통계적인 이미지 방법이 이용될 수 있다. 센싱 데이터, 즉 원시 이미지를 구성하는 픽셀 값에 기반하여 픽셀의 분포를 이용한 이미지 분석이 이미지 처리장치(100)를 통해 수행될 수 있다.

다음으로 데이터 분석 결과를 이용하여 이미지 품질이 판단될 수 있다(S120). 이미지 품질(image quality)은 이미지 분석에 기반한다. 이미지 품질을 책정하기 위해 사용될 수 있는 인자는 이미지의 밝기, 조도, 노이즈, 선명도 등이 있다. 본 발명의 실시 예에서, 이미지 품질 판단기(IQ assessor)는 기존의 pipeline 기반의 ISP의 한계가 발생할 수 있는 극저조도 상황에서 수집된 센싱 데이터를 그렇지 않은 데이터로부터 가려내는 것이다.

다음으로 이미지 품질에 따라 센싱 데이터를 처리할 처리 장치, 즉 ISP가 선택될 수 있다(S130). ISP의 종류로는 인공지능 이미지 처리 모델, 예를 들어 심층 신경망 및 심층 신경망에 따른 3차원 연산, 예를 들어 행렬 연산에 적합한 구조의 ALU를 포함하는 제1 ISP와 기존 기술에 의한 pipeline 기반의 제2 ISP가 포함될 수 있다.

ISP의 선택은 반드시 택일적인 것은 아니다. 이미지의 품질 분포에 따라, 기존 방법에 의한 보정이 어려운 픽셀을 갖는 영역에 대해서는 인공지능 알고리즘 기반의 제1 ISP가 선택되어 처리되고, 심하게 열악하지 않은 이미지 품질을 보이는 픽셀 영역에 대해서는 기존의 방법에 기반하는 제2 ISP가 선택되어 처리될 수 있다.

마지막으로 선택된 처리 장치를 이용하여 이미지가 처리될 수 있다(S140). 선택된 처리 장치가 제1 ISP인지, 제2 ISP인지 여부에 따라 이미지 처리 결과가 극명하기 나뉘는 경우는 극저조도 상황에서 촬영된 이미지를 처리하는 경우이다. 극저조도 상황에서는 빛에 포함된 포톤 입자가 절대적으로 부족해서 낮은 밝기의 이미지가 촬영되고, 포톤의 불규칙한 분포로 인한 노이즈가 포함된 이미지가 촬영될 수 있다.

제2 ISP(132)와 같은 기존의 pipeline 기반의 ISP는 메모리에 저장된 프로그램을 읽고(fetch 과정), 프로그램에 포함된 명령어를 해석하고(decode 과정), 명령에 따라 계산을 수행하고(execution 과정), 마지막으로 계산 결과를 메모리에 다시 저장한다(store 과정).

반면에 제1 ISP와 같은 인공지능 알고리즘에 적합한 ISP는 병렬 처리에 적합한 그래픽 처리 유닛(graphical processing unit, GPU), 인공지능 이미지 처리 모델을 탑재하고, 저장된 인공지능 이미지 모델을 전이 학습에 의해 업데이트할 수 있는 FPGA(field-programmable gate arrays), 인공지능 알고리즘을 이용하여 특정의 작업을 수행하도록 설계되는 ASIC(application specific integrated circuits) 및 트랜지스터를 이용하여 구현된 인공의 뉴런과 시냅스가 연산을 수행하는 뉴로모픽 반도체(neuromorphic chips) 중에서 적어도 하나에 해당할 수 있다.

이와 같이 본 발명의 일 실시 예에 의하면, 이미지의 품질에 따라 하이브리드 방식으로 이미지가 처리될 수 있다.

또한, 하이브리드 방식의 이미지 처리를 이용하여 극저조도 환경에서 촬영된 이미지의 화질이 개선될 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.

110: 이미지 센서,
120: 제어기,
121: 데이터 분석기,
122: 이미지 품질 판단기,
123: 제1 ISP 제어기,
124: 제2 ISP 제어기,
130: 프로세서
131: 제1 ISP
132: 제2 ISP
140: 메모리

Claims (15)

1. 이미지 센서로부터 수신된 센싱 데이터(sensing data)를 처리하는 프로세서; 및
   상기 프로세서를 제어하는 제어기(controller)를 포함하되,
   상기 프로세서는,
   학습을 통해 이미지 처리의 훈련을 받은 인공지능(artificial intelligence, AI) 이미지 처리 모델; 및
   상기 인공지능 이미지 처리 모델을 이용한 이미지 처리에 수반되는 연산을 수행하는 산술논리장치(ALU)를 포함하는,
   이미지 처리장치.
2. 제1항에 있어서,
   상기 프로세서는,
   이미지 처리 필터를 이용하여 이미지를 처리하는 ISP를 더 포함하고,
   상기 제어기는,
   상기 연산 장치 및 ISP 중에서 적어도 하나의 장치가 상기 센싱 데이터를 처리하도록 상기 프로세서를 제어하는,
   이미지 처리장치.
3. 제2항에 있어서,
   상기 제어기는,
   상기 센싱 데이터의 품질에 기반하여 상기 장치를 선택하기 위해 상기 센싱 데이터를 분석할 수 있는,
   이미지 처리장치.
4. 제1항에 있어서,
   빛을 전기 신호로 변환함으로써 상기 센싱 데이터를 생성하는 이미지 센서(image sensor)를 더 포함하는,
   이미지 처리장치.
5. 제3항에 있어서,
   상기 제어기는,
   상기 센싱 데이터 및 상기 프로세서에 의해 처리된 픽셀 데이터 중에서 적어도 하나의 종류의 데이터를 분석하는 데이터 분석기(data analyzer)를 포함하는,
   이미지 처리장치.
6. 제5항에 있어서,
   상기 데이터 분석기는,
   상기 적어도 하나의 종류의 데이터를 통계적으로 분석하는,
   이미지 처리장치.
7. 제5항에 있어서,
   상기 제어기는,
   상기 적어도 하나의 종류의 데이터를 분석한 결과를 이용하여 데이터의 품질을 판단하는 이미지 품질 판단기(image quality assessor)를 더 포함하는,
   이미지 처리장치.
8. 제2항에 있어서,
   상기 제어기는,
   상기 센싱 데이터 및 상기 프로세서에 의해 처리된 픽셀 데이터 중에서 적어도 하나의 데이터의 분포, 조도, 발기, 노이즈 및 선명도 중에서 적어도 하나의 항목을 판단하기 위해 데이터를 분석하는 데이터 분석기를 포함하는,
   이미지 처리장치.
9. 제7항에 있어서,
   상기 제어기는,
   상기 데이터의 품질 중에서 조도를 판단하고, 상기 조도의 범위에 따라 선택된 장치를 제어하는,
   이미지 처리장치.
10. 제7항에 있어서,
    상기 제어기는,
    상기 데이터의 품질 중에서 노이즈를 판단하고, 상기 노이즈의 범위에 따라 선택된 장치를 제어하는,
    이미지 처리장치.
11. 제7항에 있어서,
    상기 제어기는,
    상기 데이터의 품질 중에서 선명도를 판단하고, 상기 선명도의 범위에 따라 선택된 장치를 제어하는,
    이미지 처리장치.
12. 제1항에 있어서,
    상기 프로세서는,
    상기 인공지능 이미지 처리 모델로서, 상기 센싱 데이터를 분석하기 위해 피쳐 맵을 생성하는 합성곱 신경망(convolutional neural network)을 포함하는,
    이미지 처리장치.
13. 제12항에 있어서,
    상기 연산 장치는,
    그래픽 처리 유닛(graphical processing unit, GPU), FPGA(field-programmable gate arrays), ASIC(application specific integrated circuits) 및 뉴로모픽 반도체(neuromorphic chips) 중에서 적어도 하나에 해당하는,
    이미지 처리장치.
14. 이미지 처리장치에 수행되는 방법으로서,
    이미지 센서로부터 수신한 센싱 데이터를 분석하는 단계;
    상기 분석 결과를 이용하여 이미지 품질을 판단하는 단계;
    상기 이미지 품질에 따라 상기 센싱 데이터를 처리할 처리 장치를 선택하는 단계; 및
    선택된 상기 처리 장치를 이용하여 이미지를 처리하는 단계를 포함하는,
    이미지 처리방법.
15. 제14항에 있어서,
    상기 처리 장치를 선택하는 단계는,
    

    

    
    여기서, N은 대상 영역의 전체 픽셀 수, I(i, j)는 픽셀 위치 (i, j)에서의 픽셀 값,
    위의 수식과 같이 상기 센싱 데이터의 이미지 밝기가 임계 값 이하인 경우 인공지능 이미지 처리 모델을 이용하고, 그렇지 않은 경우 pipeline 기반의 ISP를 이용하는,
    이미지 처리방법.

Images