KR20210062485A - 전자 장치 및 그 제어 방법 - Google Patents

전자 장치 및 그 제어 방법 Download PDF

Info

Publication number
KR20210062485A
KR20210062485A KR1020190150767A KR20190150767A KR20210062485A KR 20210062485 A KR20210062485 A KR 20210062485A KR 1020190150767 A KR1020190150767 A KR 1020190150767A KR 20190150767 A KR20190150767 A KR 20190150767A KR 20210062485 A KR20210062485 A KR 20210062485A
Authority
KR
South Korea
Prior art keywords
parameter
artificial intelligence
intelligence model
layer
layers
Prior art date
Application number
KR1020190150767A
Other languages
English (en)
Inventor
자가나스라오 도다마니
강우석
김두현
유기원
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020190150767A priority Critical patent/KR20210062485A/ko
Priority to US16/829,178 priority patent/US11436442B2/en
Priority to PCT/KR2020/004998 priority patent/WO2021100985A1/en
Publication of KR20210062485A publication Critical patent/KR20210062485A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/955—Hardware or software architectures specially adapted for image or video understanding using specific electronic processors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Neurology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

전자 장치가 개시된다. 전자 장치는, 복수의 레이어를 포함하는 인공 지능 모델에 관한 정보가 저장된 메모리, 및 입력 영상을 인공 지능 모델을 이용하여 처리한 출력 영상을 획득하는 프로세서를 포함하며, 프로세서는, 복수의 레이어 중 어느 하나의 레이어에서 이용되는 파라미터가 고정 파라미터인지 가변 파라미터인지 식별하고, 식별 결과에 기초하여 어느 하나의 레이어에 포함된 제1 연산 모듈 또는 제2 연산 모듈로 파라미터를 제공하여 이전 레이어의 출력 데이터 및 파라미터 간 연산을 수행할 수 있다.

Description

전자 장치 및 그 제어 방법 { Electronic apparatus and control method thereof }
본 개시는 전자 장치 및 그 제어 방법에 관한 것으로, 더욱 상세하게는 인공 지능 모델을 이용하여 영상 처리를 수행하는 전자 장치 및 그 제어 방법에 관한 것이다.
전자 기술의 발달에 힘입어 다양한 유형의 전자 기기가 개발 및 보급되고 있다. 특히, 가정, 사무실, 공공 장소 등 다양한 장소에서 이용되는 디스플레이 장치는 최근 수년 간 지속적으로 발전하고 있다.
최근에는 고해상도 영상 서비스에 대한 요구가 크게 증가하고 있다. 이러한 요구로 인해 super resolution, style transfer 등 deep learning 기반 기술이 영상 처리에 이용되고 있다.
Super Resolution은 저해상도의 입력 영상을 일련의 미디어 처리를 통해 고해상도의 영상으로 복원하는 기술이다. 예를 들어, deep learning 기반의 복수의 레이어를 포함하는 CNN 모델을 이용하여 저해상도의 입력 영상을 가로/세로 방향으로 스케일링하여 고해상도의 영상으로 복원할 수 있다. 이러한 CNN 모델에서 신경망을 구성하는 뉴런의 레이어 수 및 그에 따른 컨벌루션 필터의 종류는 수십 개에 이른다. 컨벌루션 필터의 연산에는 곱셈기가 이용되는데, 많은 수의 곱셈기가 필요한 경우 하드웨어 크기, 비용 및 소비 전력에 부담이 있다는 문제가 있다.
본 개시는 상술한 필요성에 따른 것으로, 본 개시의 목적은 신경망 연산을 위한 연산 모듈을 적은 하드웨어 자원으로 구현하기 위한 전자 장치 및 그 제어 방법을 제공함에 있다.
이상과 같은 목적을 달성하기 위한 본 개시의 일 실시 예에 따른 전자 장치는, 복수의 레이어를 포함하는 인공 지능 모델에 관한 정보가 저장된 메모리 및, 영상을 상기 인공 지능 모델을 이용하여 처리한 출력 영상을 획득하는 프로세서를 포함하며, 상기 프로세서는, 상기 복수의 레이어 중 어느 하나의 레이어에서 이용되는 파라미터가 고정 파라미터인지 가변 파라미터인지 식별하고, 식별 결과에 기초하여 상기 어느 하나의 레이어에 포함된 제1 연산 모듈 또는 제2 연산 모듈로 상기 파라미터를 제공하여 이전 레이어의 출력 데이터 및 상기 파라미터 간 연산을 수행할 수 있다.
여기서, 상기 고정 파라미터는, 상기 인공 지능 모델에서 학습된 복수의 알고리즘에서 공통되는 파라미터이고, 상기 가변 파라미터는, 상기 복수의 알고리즘에서 가변되는 파라미터이며, 상기 제1 연산 모듈은, 상기 제2 연산 모듈보다 상대적으로 적은 개수의 곱셈기를 포함하거나 덧셈기 만을 포함하도록 구현될 수 있다.
또한, 상기 복수의 알고리즘은, 상기 입력 영상의 초해상도(super resolution) 처리를 위한 상이한 알고리즘을 포함할 수 있다.
또한, 상기 프로세서는, 상기 인공 지능 모델에서 제1 알고리즘이 학습됨에 따라 획득된 제1 파라미터 및 상기 인공 지능 모델에서 제2 알고리즘이 학습됨에 따라 획득된 제2 파라미터 각각이 임계값 미만이면 상기 어느 하나의 레이어의 파라미터를 특정 파라미터로 고정시키며, 상기 제1 파라미터 및 상기 제2 파라미터는, 상기 어느 하나의 레이어에 대응되는 파라미터일 수 있다.
또한, 상기 프로세서는, 상기 인공 지능 모델에서 제1 알고리즘이 학습됨에 따라 획득된 제1 파라미터 및 상기 인공 지능 모델에서 제2 알고리즘이 학습됨에 따라 획득된 제2 파라미터 긴 차이가 임계값 미만이면 상기 어느 하나의 레이어의 파라미터를 특정 파라미터로 고정시키며, 상기 제1 파라미터 및 상기 제2 파라미터는, 상기 어느 하나의 레이어에 대응되는 파라미터일 수 있다.
또한, 상기 프로세서는, 상기 어느 하나의 레이어에서 적용되는 복수의 채널 별 파라미터가 각각 고정 파라미터인지 가변 파라미터인지 식별하고, 상기 식별 결과에 기초하여 상기 복수의 채널 별 파라미터를 각각 상기 제1 연산 모듈 또는 상기 제2 연산 모듈로 제공할 수 있다.
또한, 상기 인공 지능 모델에 관한 정보는, 상기 복수의 레이어 각각에서 이용되는 파라미터 및 상기 파라미터가 고정 파라미터인지 가변 파라미터인지 나타내는 식별 정보를 포함하며, 상기 프로세서는, 상기 어느 하나의 레이어에서 이용되는 파라미터에 대응되는 식별 정보에 기초하여 상기 파라미터가 상기 고정 파라미터인지 상기 가변 파라미터인지 식별할 수 있다.
또한, 상기 인공 지능 모델은, 상기 복수의 레이어 각각의 전단에 위치된 먹스를 포함하며, 상기 프로세서는, 상기 식별 결과에 기초하여 상기 파라미터를 상기 제1 연산 모듈 또는 상기 제2 연산 모듈로 제공하도록 상기 어느 하나의 레이어 전단에 위치한 먹스를 제어할 수 있다.
또한, 상기 어느 하나의 레이어에서 이용되는 파라미터는, 상기 어느 하나의 레이어에서 채널 별로 적용되는 필터의 계수를 포함할 수 있다.
또한, 디스플레이를 더 포함하며, 상기 프로세서는, 상기 출력 영상을 출력하도록 상기 디스플레이를 제어하며, 상기 출력 영상은, 4K 또는 8K 이상의 고해상도 영상일 수 있다.
한편, 본 개시의 일 실시 예에 따른 복수의 레이어를 포함하는 인공 지능 모델에 관한 정보를 저장하는 전자 장치의 제어 방법은, 상기 인공 지능 모델에 포함된 상기 복수의 레이어 중 어느 하나의 레이어에서 이용되는 파라미터가 고정 파라미터인지 가변 파라미터인지 식별하는 단계 및, 식별 결과에 기초하여 상기 어느 하나의 레이어에 포함된 제1 연산 모듈 또는 제2 연산 모듈로 상기 파라미터를 제공하여 이전 레이어의 출력 데이터 및 상기 파라미터 간 연산을 수행하는 단계를 포함한다.
여기서, 상기 고정 파라미터는, 상기 인공 지능 모델에서 학습된 복수의 알고리즘에서 공통되는 파라미터이고, 상기 가변 파라미터는, 상기 복수의 알고리즘에서 가변되는 파라미터이며, 상기 제1 연산 모듈은, 상기 제2 연산 모듈보다 상대적으로 적은 개수의 곱셈기를 포함하거나 덧셈기 만을 포함하도록 구현될 수 있다.
또한, 상기 복수의 알고리즘은, 상기 입력 영상의 초해상도(super resolution) 처리를 위한 상이한 알고리즘을 포함할 수 있다.
또한, 상기 인공 지능 모델에서 제1 알고리즘이 학습됨에 따라 획득된 제1 파라미터 및 상기 인공 지능 모델에서 제2 알고리즘이 학습됨에 따라 획득된 제2 파라미터 각각이 임계값 미만이면 상기 어느 하나의 레이어의 파라미터를 특정 파라미터로 고정시키는 단계를 더 포함하며, 상기 제1 파라미터 및 상기 제2 파라미터는, 상기 어느 하나의 레이어에 대응되는 파라미터일 수 있다.
또한, 상기 인공 지능 모델에서 제1 알고리즘이 학습됨에 따라 획득된 제1 파라미터 및 상기 인공 지능 모델에서 제2 알고리즘이 학습됨에 따라 획득된 제2 파라미터 긴 차이가 임계값 미만이면 상기 어느 하나의 레이어의 파라미터를 특정 파라미터로 고정시키는 단계를 더 포함하며, 상기 제1 파라미터 및 상기 제2 파라미터는, 상기 어느 하나의 레이어에 대응되는 파라미터일 수 있다.
또한, 상기 식별하는 단계는, 상기 어느 하나의 레이어에서 적용되는 복수의 채널 별 파라미터가 각각 고정 파라미터인지 가변 파라미터인지 식별하며, 상기 이전 레이어의 출력 데이터 및 상기 파라미터 간 연산을 수행하는 단계는, 식별 결과에 기초하여 상기 복수의 채널 별 파라미터를 각각 상기 제1 연산 모듈 또는 상기 제2 연산 모듈로 제공하여 상기 이전 레이어의 출력 데이터 및 상기 파라미터 간 연산을 수행할 수 있다.
또한, 상기 인공 지능 모델에 관한 정보는, 상기 복수의 레이어 각각에서 이용되는 파라미터 및 상기 파라미터가 고정 파라미터인지 가변 파라미터인지 나타내는 식별 정보를 포함하며, 상기 식별하는 단계는, 상기 어느 하나의 레이어에서 이용되는 파라미터에 대응되는 식별 정보에 기초하여 상기 파라미터가 상기 고정 파라미터인지 상기 가변 파라미터인지 식별할 수 있다.
또한, 상기 인공 지능 모델은, 상기 복수의 레이어 각각의 전단에 위치된 먹스를 포함하며, 상기 이전 레이어의 출력 데이터 및 상기 파라미터 간 연산을 수행하는 단계는, 상기 식별 결과에 기초하여 상기 파라미터를 상기 제1 연산 모듈 또는 상기 제2 연산 모듈로 제공하도록 상기 어느 하나의 레이어 전단에 위치한 먹스를 제어할 수 있다.
또한, 상기 어느 하나의 레이어에서 이용되는 파라미터는, 상기 어느 하나의 레이어에서 채널 별로 적용되는 필터의 계수를 포함할 수 있다.
또한, 본 개시의 일 실시 예에 따른 복수의 레이어를 포함하는 인공 지능 모델에 관한 정보를 저장하는 전자 장치의 프로세서에 의해 실행되는 경우 상기 전자 장치가 동작을 수행하도록 하는 컴퓨터 명령을 저장하는 비일시적 컴퓨터 판독 가능 매체에 있어서, 상기 동작은, 상기 인공 지능 모델에 포함된 상기 복수의 레이어 중 어느 하나의 레이어에서 이용되는 파라미터가 고정 파라미터인지 가변 파라미터인지 식별하는 단계 및 식별 결과에 기초하여 상기 어느 하나의 레이어에 포함된 제1 연산 모듈 또는 제2 연산 모듈로 상기 파라미터를 제공하여 이전 레이어의 출력 데이터 및 상기 파라미터 간 연산을 수행하는 단계를 포함할 수 있다.
상술한 다양한 실시 예들에 따르면, 신경망 연산을 위한 연산 모듈을 적은 하드웨어 자원으로 구현할 수 있으므로 하드웨어 크기를 감소시킬 수 있게 된다. 또한, 하드웨어 간소화로 인해 하드웨어 구현을 위한 비용을 감소시키고, 전력 소비를 감소시킬 수 있게 된다. 구체적으로, 실시간 처리를 위한 신경망을 하드웨어로 구현하는 경우 곱셈기 연산자를 간소화함으로써 하드웨어 크기를 감소시켜 비용 및 전력을 효율적으로 감소시킬 수 있게 된다.
도 1a는 본 개시의 일 실시 예에 따른 전자 장치의 영상 처리 동작을 설명하기 위한 도면이다.
도 1b는 본 개시의 다른 실시 예에 따른 Super Resolution 처리를 위한 인공 지능 모델의 일 예를 도시한다.
도 1c는 본 개시의 일 실시 예에 따라 임의의 레이어의 연산 처리를 설명하기 위한 도면이다.
도 2는 본 개시의 일 실시 예에 따른 전자 장치의 구성을 나타내는 블럭도이다.
도 3은 본 개시의 일 실시 예에 따른 신경망 파라미터의 타입 결정 방법을 설명하기 위한 흐름도이다.
도 4는 본 개시의 일 실시 예에 따른 신경망 파라미터의 타입 결정 방법을 구체적으로 설명하기 위한 흐름도이다.
도 5는 본 개시의 일 실시 예에 따른 각 레이어의 신경망 파라미터의 타입에 따른 연산 모듈로의 제공 방법을 설명하기 위한 도면이다.
도 6은 본 개시의 일 실시 예에 따른 각 레이어의 신경망 파라미터의 타입에 따른 연산 모듈로의 제공 방법을 설명하기 위한 도면이다.
도 7은 본 개시의 일 실시 예에 따른 전자 장치의 하드웨어 구조를 설명하기 위한 도면이다.
도 8은 본 개시의 일 실시 예에 따른 전자 장치의 일 구현 예를 나타내는 도면이다.
도 9는 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.
이하에서는 첨부 도면을 참조하여 본 개시를 상세히 설명한다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 개시에 대해 구체적으로 설명하기로 한다.　
본 개시의 실시 예에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 개시의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "구성되다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
A 또는 B 중 적어도 하나라는 표현은 "A" 또는 "B" 또는 "A 및 B" 중 어느 하나를 나타내는 것으로 이해되어야 한다.
본 개시에서 "모듈" 혹은 "부"는 적어도 하나의 기능이나 동작을 수행하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 "모듈" 혹은 복수의 "부"는 특정한 하드웨어로 구현될 필요가 있는 "모듈" 혹은 "부"를 제외하고는 적어도 하나의 모듈로 일체화되어 적어도 하나의 프로세서(미도시)로 구현될 수 있다.
아래에서는 첨부한 도면을 참고하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.　그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
도 1a는 본 개시의 일 실시 예에 따른 전자 장치의 영상 처리 동작을 설명하기 위한 도면이다.
본 개시의 일 실시 예에 따른 전자 장치는 인공 지능 모델(또는 신경망 모델 또는 학습 네트워크 모델)을 이용하여 입력 영상에 대한 영상 처리를 수행하도록 구현될 수 있다. 여기서, 인공 지능 모델은 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 파라미터(parameters)(또는 복수의 가중치(weight values))를 포함하며, 이전(previous) 레이어의 연산 결과와 복수의 파라미터들 간의 연산을 통해 신경망 연산을 수행할 수 있다. 복수의 신경망 레이어들에 포함된 파라미터들은 인공지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공 지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 파라미터들이 갱신될 수 있다. 인공 신경망은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 전술한 예에 한정되지 않는다.
도 1a는 본 개시의 일 실시 예에 따른 Super Resolution 처리를 위한 인공 지능 모델의 일 예를 도시한다. Super Resolution이란 해상도가 낮은 영상을 일련의 미디어 처리를 통해 높은 해상도로 변환하는 처리를 의미한다.
도 1a에 따르면 본 개시의 일 실시 예에 따른 전자 장치는 입력 영상(10), 예를 들어 저해상도 영상에 대해 보간 처리(20)를 수행하고, 보간 처리된 영상(11)을 인공 지능 모델(30)에 입력하여 잔차 영상(12)을 획득할 수 있다. 즉, 인공 지능 모델(30)은 Residual neural network로 구현될 수 있다.
전자 장치는 보간 처리된 영상(11)을 잔차 영상(12)과 결합하여 출력 영상(13), 예를 들어 고해상도 영상을 획득할 수 있다. 여기서, 보간 처리는 해상도가 낮은 영상을 높은 해상도로 스케일링하는 처리를 의미하며, 예를 들어 bilinear interpolation, nearest neighbor interpolation, bicubic interpolation, deconvolution interpolation, subpixel convolution interpolation, polyphase interpolation, trilinear interpolation, linear interpolation 중 적어도 하나의 보간 기법이 이용될 수 있다. 또한, 잔차 영상(residual image)은 잔차 정보 만을 포함하는 영상을 의미할 수 있다. 여기서, 잔차 정보는 입력 영상과 기준 영상의 차이에 따른 정보로서, 예를 들어, 에지(edge) 방향, 에지 강도, 노이즈 정보 또는 텍스처(texture) 정보 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 다른 예에 따라 잔차 정보는 계조 정보, 밝기 정보 또는 감마 정보 중 적어도 하나를 포함할 수 있다.
도 1b는 본 개시의 다른 실시 예에 따른 Super Resolution 처리를 위한 인공 지능 모델의 일 예를 도시한다.
도 1b에 따르면 전자 장치는 입력 영상(10), 예를 들어 저해상도 영상을 인공 지능 모델(30)에 입력하여 잔차 영상(12’)을 획득하고, 잔차 영상(12')을 보간 처리(40)하여 보간 처리된 잔차 영상(12)을 획득할 수 있다. 또한, 전자 장치는 입력 영상(10)에 대해 보간 처리(20)를 수행하여 보간 처리된 영상(11)을 획득할 수 있다. 이어서, 전자 장치는 보간 처리된 영상(11)을 보간 처리된 잔차 영상(12)과 결합하여 출력 영상(13), 예를 들어 고해상도 영상을 획득할 수 있다. 즉, 도 1b에 도시된 실시 예에 따르면, 도 1a에 도시된 실시 예와 달리 입력 영상(10)을 인공 지능 모델(30)에 입력하여 잔차 영상(12’)을 획득할 수도 있다.
한편, 도 1a 및 도 1b에 도시된, Super Resolution 처리에 이용되는 인공 지능 모델(30)은 학습을 통해 만들어진 것일 수 있다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공 지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공 지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 별도의 서버 및/또는 시스템을 통해 이루어질 수 있으나, 이에 한정되는 것은 아니며 전자 장치에서 이루어질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다.
인공 지능 모델(30)은 예를 들어, CNN 기반의 VDSR 기술(Jiwon Kim, et al. , Accurate Image Super-Resolution Using Very Deep Convolutional Networks, CVPR 2016), EDSR(Enhanced Deep Residual Networks for Single Image Super-Resolution), DRCN(Deeply-Recursive Convolutional Network for Image Super-Resolution.” Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016.), MDSR(Multi-scale deep super-resolution system) 등이 이용될 수 있으나, 이에 한정되는 것은 아니다.
한편, 상술한 바와 같이 인공 지능 모델(30)에 포함된 복수의 신경망 레이어들 각각은 복수의 파라미터를 포함하며, 인공 지능 모델(30)은 이전 레이어의 연산 결과와 복수의 파라미터들 간의 연산을 통해 신경망 연산을 수행할 수 있다.
도 1c는 본 개시의 일 실시 예에 따라 임의의 레이어의 연산 처리를 설명하기 위한 도면이다.
본 개시의 일 실시 예에 따르면, 임의의 레이어에서 신경망 연산 처리가 이루어질 수 있다. 예를 들어, CNN (Convolutional Neural Network)에 포함된 각 컨벌루션 레이어(Convolution Layer)는 입력 데이터에 대해 한 개 이상의 필터(또는 커널)를 적용할 수 있다. 만약 임의의 컨벌루션 레이어에서 n 개의 필터가 적용된다면 출력 데이터는 n 개의 채널을 가질 수 있다. 여기서, 필터는 n*n 형태가 될 수 있다. 예를 들어 도 1c에 도시된 바와 같이 특정 컨벌루션 레이어에서 3*3 형태의 필터가 3개 적용되는 경우, 출력 데이터의 채널 개수는 3개가 될 수 있다.
일반적으로, 각 필터의 적용을 위한 컨벌루션 필터 연산은 입력 영상 전체에 대해 수행되며 임의의 레이어 하나에서 동일 입력 영상에 대해 적게는 수 개에서 많게는 수십, 수백 개의 서로 다른 컨벌루션 필터 연산을 수행할 수 있다. 또한, 뉴럴 네트워크를 구성하는 레이어의 수는 수십 개에 이를 수 있으며 각 레이어 역시 수십 개의 서로 다른 컨벌루션 필터 계수에 따라 처리되므로 컨벌루션 연산을 위한 곱셈기의 개수가 매우 많이 필요하게 된다.
이에 따라 본 개시에서는 컨벌루션 연산을 위한 곱셈기 연산자를 간소화함으로써 하드웨어 크기를 줄여 비용 및 전력을 효율적으로 줄일 수 있는 다양한 실시 예에 대해 설명하도록 한다.
도 2는 본 개시의 일 실시 예에 따른 전자 장치의 구성을 나타내는 블럭도이다.
도 2에 따르면, 전자 장치(100)는 메모리(110) 및 프로세서(120)를 포함한다.
전자 장치(100)는 실시간 영상 처리가 요구되는 TV 또는 set-top box 로 구현될 수 있으나, 이에 한정되는 것은 아니며 스마트 폰, 태블릿 PC, 노트북 PC, HMD(Head mounted Display), NED(Near Eye Display), LFD(large format display), Digital Signage(디지털 간판), DID(Digital Information Display), 비디오 월(video wall), 프로젝터 디스플레이, 카메라, 캠코더, 프린터, 서버 등으로 구현될 수 있다. 또는 전자 장치(100)는 클라우딩 컴퓨팅 환경이 구축된 시스템 자체일 수도 있다. 이에 한정되는 것은 아니며, 인공 지능 모델을 이용하여 데이터를 처리하는 장치라면 한정되지 않고 적용 가능하다.
일 예에 따라 전자 장치(100)는 다양한 압축 영상 또는 다양한 해상도의 영상을 수신할 수 있다. 예를 들어, 영상 처리 장치(100)는 MPEG(Moving Picture Experts Group)(예를 들어, MP2, MP4, MP7 등), JPEG(joint photographic coding experts group), AVC(Advanced Video Coding), H.264, H.265, HEVC(High Efficiency Video Codec) 등으로 압축된 형태로 영상을 수신할 수 있다. 또는 영상 처리 장치(100)는 SD(Standard Definition), HD(High Definition), Full HD, Ultra HD 영상 중 어느 하나의 영상을 수신할 수 있다.
메모리(110)는 본 개시의 다양한 실시 예를 위해 필요한 데이터를 저장할 수 있다. 메모리(110)는 데이터 저장 용도에 따라 전자 장치(100)에 임베디드된 메모리 형태로 구현되거나, 전자 장치(100)에 탈부착이 가능한 메모리 형태로 구현될 수도 있다. 예를 들어, 전자 장치(100)의 구동을 위한 데이터의 경우 전자 장치(100)에 임베디드된 메모리에 저장되고, 전자 장치(100)의 확장 기능을 위한 데이터의 경우 전자 장치(100)에 탈부착이 가능한 메모리에 저장될 수 있다. 한편, 전자 장치(100)에 임베디드된 메모리의 경우 휘발성 메모리(예: DRAM(dynamic RAM), SRAM(static RAM), 또는 SDRAM(synchronous dynamic RAM) 등), 비휘발성 메모리(non-volatile Memory)(예: OTPROM(one time programmable ROM), PROM(programmable ROM), EPROM(erasable and programmable ROM), EEPROM(electrically erasable and programmable ROM), mask ROM, flash ROM, 플래시 메모리(예: NAND flash 또는 NOR flash 등), 하드 드라이브, 또는 솔리드 스테이트 드라이브(solid state drive(SSD)) 중 적어도 하나로 구현될 수 있다. 또한, 전자 장치(100)에 탈부착이 가능한 메모리의 경우 메모리 카드(예를 들어, CF(compact flash), SD(secure digital), Micro-SD(micro secure digital), Mini-SD(mini secure digital), xD(extreme digital), MMC(multi-media card) 등), USB 포트에 연결가능한 외부 메모리(예를 들어, USB 메모리) 등과 같은 형태로 구현될 수 있다.
일 예에 따라, 메모리(110)는 전자 장치(100)를 제어하기 위한 적어도 하나의 인스트럭션(instruction) 또는 인스트럭션들을 포함하는 컴퓨터 프로그램을 저장할 수 있다
다른 예에 따라, 메모리(110)는 복수의 레이어를 포함하는 인공 지능 모델에 관한 정보를 저장할 수 있다. 여기서, 인공 지능 모델에 관한 정보를 저장한다는 것은 인공 지능 모델의 동작과 관련된 다양한 정보, 예를 들어 인공 지능 모델에 포함된 복수의 레이어에 대한 정보, 복수의 레이어 각각에서 이용되는 파라미터, 바이어스 등에 대한 정보 등을 저장한다는 것을 의미할 수 있다. 일 예에 따라 인공 지능 모델에 관한 정보는, 복수의 레이어 각각에서 이용되는 파라미터 정보 및 파라미터가 고정 파라미터인지 가변 파라미터인지 나타내는 식별 정보를 포함할 수 있다. 다만, 후술하는 프로세서(110)의 구현 형태에 따라 인공 지능 모델에 관한 정보가 프로세서(110)의 내부 메모리에 저장될 수 있음은 물론이다. 예를 들어, 프로세서(110)가 전용 하드웨어로 구현되는 경우, 인공 지능 모델에 관한 정보는 프로세서(110) 내부 메모리에 저장될 수도 있다.
또 다른 예에 따라, 메모리(110)는 외부 장치(예를 들어, 소스 장치), 외부 저장 매체(예를 들어, USB), 외부 서버(예를 들어 웹 하드) 등으로부터 수신된 영상을 저장할 수 있다. 여기서, 영상은 디지털 동영상이 될 수 있으나 이에 한정되는 것은 아니다.
또 다른 예에 따라, 메모리(110)는 영상 처리에 필요한 다양한 영상 정보, 예를 들어 텍스처 처리를 위한 텍스처 정보, 에지 처리를 위한 에지 정보 등을 저장할 수 있다. 또한, 메모리(110)는 영상 처리에 의해 생성된 최종 출력 영상을 저장할 수도 있다.
본 개시의 일 실시 예에 따르면, 메모리(110)는 본 개시에 따른 다양한 동작들에서 생성되는 데이터를 저장하는 단일 메모리로 구현될 수 있다. 다만, 본 개시의 다른 실시 예에 따르면, 메모리(110)는 복수의 메모리를 포함하도록 구현될 수도 있다.
프로세서(120)는 메모리(110)와 전기적으로 연결되어 전자 장치(100)의 전반적인 동작을 제어한다. 프로세서(120)는 하나 또는 복수의 프로세서로 구성될 수 있다. 구체적으로, 프로세서(120)는 메모리(110)에 저장된 적어도 하나의 인스트럭션을 실행함으로써, 본 개시의 다양한 실시 예에 따른 전자 장치(100)의 동작을 수행할 수 있다.
일 실시 예에 따라 프로세서(120)는 디지털 영상 신호를 처리하는 디지털 시그널 프로세서(digital signal processor(DSP), 마이크로 프로세서(microprocessor), GPU(Graphics Processing Unit), AI(Artificial Intelligence) 프로세서, NPU (Neural Processing Unit), TCON(Time controller)으로 구현될 수 있다. 다만, 이에 한정되는 것은 아니며, 중앙처리장치(central processing unit(CPU)), MCU(Micro Controller Unit), MPU(micro processing unit), 컨트롤러(controller), 어플리케이션 프로세서(application processor(AP)), 또는 커뮤니케이션 프로세서(communication processor(CP)), ARM 프로세서 중 하나 또는 그 이상을 포함하거나, 해당 용어로 정의될 수 있다. 또한, 프로세서(140)는 프로세싱 알고리즘이 내장된 SoC(System on Chip), LSI(large scale integration)로 구현될 수도 있고, ASIC(application specific integrated circuit), FPGA(Field Programmable gate array) 형태로 구현될 수도 있다.
한편, 본 개시의 일 실시 예에 따른 인공 지능 모델을 실행하기 위한 프로세서(120)는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공 지능 전용 프로세서일 수 있다. 프로세서(120)는, 메모리(110)에 저장된 기 정의된 동작 규칙 또는 인공 지능 모델에 따라, 입력 데이터를 처리하도록 제어할 수 있다. 또는, 프로세서(120)가 인공 지능 전용 프로세서인 경우, 특정 인공 지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다. 예를 들어, 특정 인공 지능 모델의 처리에 특화된 하드웨어는 ASIC, FPGA 등의 하드웨어 칩으로 설계될 수 있다.
프로세서(120)는 입력 데이터를 처리하여 출력 데이터를 획득한다. 여기서, 입력 데이터는 텍스트, 이미지 또는 사용자 음성 중 적어도 하나를 포함할 수 있다. 예를 들어, 입력 데이터는, 외부 장치와 통신 가능한 통신부, 키보드 또는 터치 패드 등과 같은 사용자 입력부, 카메라, 마이크 등을 통해 입력될 수 있다. 출력 데이터는 인공 지능 모델의 종류에 따라 다양한 형태가 될 수 있다. 예를 들어 출력 데이터는, 해상도가 향상된 이미지, 이미지 내에 포함된 오브젝트 관련 정보, 음성에 대응되는 텍스트 등이 될 수 있다. 다만 이하에서는 설명의 편의를 위하여 입력 데이터가 입력 영상인 경우를 한정하여 설명하도록 한다.
일 예에 따라, 프로세서(120)는 입력 영상을 영상 처리하여 출력 영상을 획득한다. 여기서, 입력 영상 및 출력 영상은 SD(Standard Definition), HD(High Definition), Full HD, UHD(Ultra High Definition) 영상 등이 될 수 있다. 특히, 출력 영상은 UHD(Ultra High Definition) 영상, 예를 들어 4K(3840x2160) 영상 또는 8K(7680x4320) 또는 그 이상의 해상도(예를 들어 16K, 32K)를 가지는 영상일 수 있으나, 이에 한정되는 것은 아니다. 영상 처리는 영상 개선(image enhancement), 영상 복원(image restoration), 영상 변환(image transformation), 영상 분석(image analysis), 영상 인식(image understanding) 또는 영상 압축(image compression) 중 적어도 하나를 포함하는 디지털 영상 처리가 될 수 있다.
본 개시의 일 실시 예에 따르면, 프로세서(120)는 인공 지능 모델을 이용하여 입력 영상을 처리함으로써 출력 영상을 획득할 수 있다. 예를 들어, 프로세서(120)는 인공 지능 모델을 이용하기 위하여, 메모리(110), 예를 들어 DRAM과 같은 외부 메모리에 저장된 인공 지능 모델 관련 정보를 로딩하여 이용할 수 있다.
또는 프로세서(120)는 입력 영상을 전처리(pre-processing)하고, 전처리된 영상을 인공 지능 모델을 이용하여 처리함으로써 출력 영상을 획득할 수 있다. 여기서, 전처리는 보간 처리를 포함할 수 있으나, 반드시 이에 한정되는 것은 아니며 인공 지능 모델을 이용하지 않고 입력 영상의 화질을 향상시킬 수 있는 다양한 영상 처리를 포함할 수 있다. 다만, 이하에서는 설명의 편의를 위하여 입력 영상을 보간 처리하는 것으로 설명하도록 한다.
일 실시 예에 따라 프로세서(120)는 입력 영상을 보간 처리하고, 보간 처리된 영상을 인공 지능 모델을 이용하여 처리한 출력 영상을 획득할 수 있다. 다른 실시 예에 따라 프로세서(120)는 입력 영상을 보간 처리함과 병렬적으로, 입력 영상을 인공 지능 모델에 입력하여 출력 영상을 획득할 수 있다. 예를 들어 프로세서(120)는 bilinear interpolation, nearest neighbor interpolation, bicubic interpolation, deconvolution interpolation, subpixel convolution interpolation, polyphase interpolation, trilinear interpolation, linear interpolation 중 적어도 하나의 보간 기법을 이용하여 보간 처리를 수행할 수 있다.
또한, 인공 지능 모델은, 복수의 신경망 레이어(이하, 레이어라 함)를 이용한 연산을 통해 입력 영상 또는 보간 처리된 영상을 처리하여 출력할 수 있다. 일 예로, 인공 지능 모델은 잔차 영상을 생성하여 출력할 수 있다. 여기서, 복수의 레이어 각각은 상이한 파라미터를 포함하는 필터를 이용하여 보간 처리된 영상에 대한 잔차 영상을 생성할 수 있다. 여기서, 파라미터는 필터의 가중치(또는 계수)와 동일한 의미일 수 있다. 이 경우, 인공 지능 모델은 Identity Function, Logistic Sigmoid Function, Hyperbolic Tangent(tanh) Function, ReLU Function, Leaky ReLU Function 등 다양한 유형의 활성화 함수(Activation function)를 이용하여 연산을 수행할 수 있다. 다만, 인공 지능 모델이 반드시 잔차 영상 만을 생성하는 것은 아니며, 인공 지능 모델의 구현 예에 따라 다양한 방식으로 입력된 영상을 처리하고, 처리된 영상을 출력할 수 있다.
일 실시 예에 따라 프로세서(120)는 하나의 인공 지능 모델을 이용하여 입력 영상을 처리할 수 있으나, 다른 실시 예에 따라 프로세서(120)는 복수의 인공 지능 모델을 이용하여 입력 영상을 처리할 수 있다. 이 경우 복수의 인공 지능 모델은 순차적으로 동작하거나, 병렬적으로 동작할 수 있다. 일 예로, 프로세서(120)는 제1 인공 지능 모델에 입력 영상을 입력하고, 제1 인공 지능 모델의 출력을 제2 인공 지능 모델에 입력한 후 제2 인공 지능 모델로부터 출력되는 영상에 기초하여 출력 영상을 획득할 수 있다. 다른 예로 프로세서(120)는 제1 및 제2 인공 지능 모델 각각에 입력 영상을 입력하고, 제1 및 제2 인공 지능 모델로부터 병렬적으로 출력되는 복수의 영상에 기초하여 출력 영상을 획득할 수 있다. 예를 들어, 복수의 인공 지능 모델은 제1 잔차 영상을 생성하는 모델 및 제2 잔차 영상을 생성하는 모델을 포함할 수 있다. 또는 복수의 인공 지능 모델은, 해상도의 업 스케일링을 위한 모델 및 노이즈 감소를 위한 모델을 포함할 수 있다. 또는 복수의 인공 지능 모델은, 객체 영역 처리를 위한 모델 및 배경 영역 처리를 위한 모델을 포함할 수 있다.
프로세서(120)는 인공 지능 모델로부터 출력되는 영상, 예를 들어 잔차 영상 및 전 처리된 영상, 예를 들어, 보간 처리된 영상에 기초하여 출력 영상을 획득할 수 있다. 예를 들어, 프로세서(120)는 보간 처리된 영상에 포함된 픽셀 값 및 잔차 영상에 포함된 픽셀 값을 대응되는 픽셀 단위로 합산하여 출력 영상을 획득할 수 있다. 또는 프로세서(120)는 제1 및 제2 인공 지능 모델로부터 각각 출력되는 제1 및 제2 잔차 영상 및 전 처리된 영상에 기초하여 출력 영상을 획득할 수도 있다. 또는 프로세서(120)는 제1 인공 지능 모델로부터 출력되는 제1 잔차 영상을 제2 인공 지능 모델에 입력하여 획득된, 제2 잔차 영상 및 전 처리된 영상에 기초하여 출력 영상을 획득할 수도 있다.
본 개시의 일 실시 예에 따르면, 프로세서(120)는 인공 지능 모델에 포함된 복수의 레이어 중 어느 하나의 레이어에서 이용되는 파라미터(또는 파라미터들)가 고정 파라미터인지 가변 파라미터인지 식별하고, 식별 결과에 기초하여 어느 하나의 레이어에 포함된 제1 연산 모듈 또는 제2 연산 모듈로 파라미터를 제공하여 이전 레이어의 출력 데이터 및 파라미터 간 연산을 수행할 수 있다. 여기서, 연산 모듈이란 연산 블럭, 연산 유닛 등으로 명명할 수도 있으며, 인공 지능 모델의 신경망 연산을 수행하도록 구현된 하드웨어가 될 수 있다. 예를 들어, 인공 지능 모델이 CNN (Convolutional Neural Network)로 구현되는 경우, 컨벌루션 필터 연산을 수행하기 위한 곱셈기 또는 덧셈기 중 적어도 하나를 포함하는 하드웨어 구조로 구현될 수 있다. 본 개시의 일 실시 예에 따르면 제1 연산 모듈은 제2 연산 모듈보다 상대적으로 적은 개수의 곱셈기를 포함하거나 덧셈기 만을 포함하도록 구현될 수 있다.
여기서, 고정 파라미터는, 인공 지능 모델에서 학습된 복수의 알고리즘에서 공통되는 파라미터일 수 있다. 또한, 가변 파라미터는, 복수의 알고리즘에서 가변되는 파라미터일 수 있다. 예를 들어, 본 개시에서 파라미터란, 각 레이어에서 이용되는 필터의 가중치(또는 계수)가 될 수 있으므로, 고정 파라미터는 복수의 알고리즘에서 공통되는 필터의 가중치가 될 수 있고, 가변 파라미터는 복수의 알고리즘에서 가변되는 필터의 가중치가 될 수 있다. 다만, 경우에 따라 바이어스(bias) 값 등 본 개시의 일 실시 예가 적용 가능한 한도에서 다른 값들도 본 개시의 일 실시 예에 따른 파라미터에 포함될 수 있다.
일 실시 예에 따르면, 프로세서(120)는 인공 지능 모델에서 제1 알고리즘이 학습됨에 따라 획득된 제1 파라미터 및 인공 지능 모델에서 제2 알고리즘이 학습됨에 따라 획득된 제2 파라미터 각각이 임계값 미만이면, 대응되는 레이어의 파라미터를 특정 파라미터로 고정시킬 수 있다. 여기서, 임계값은 기설정된 값이거나, 프로세서(120)에 의해 설정되는 값일 수 있다. 일 예로, 임계값은 일반적으로 인공 지능 모델의 신경망 연산에서 연산 결과에 영향을 미치지 않은 크기의 값으로 미리 결정되어 있을 수 있다. 다른 예로, 프로세서(120)는 복수의 알고리즘 각각을 학습함에 따라 획득되는 파라미터들의 값에 기초하여 상대적인 임계값을 설정할 수도 있다. 예를 들어, 전체 파라미터들의 값 중 1% 미만의 크기를 임계값으로 결정할 수 있다.
다른 실시 예에 따르면, 프로세서(120)는 인공 지능 모델에서 제1 알고리즘이 학습됨에 따라 획득된 제1 파라미터 및 인공 지능 모델에서 제2 알고리즘이 학습됨에 따라 획득된 제2 파라미터 간 차이가 임계값 미만이면 대응되는 레이어의 파라미터를 특정 파라미터로 고정시킬 수 있다.
다만, 임의의 레이어의 파라미터를 특정 파라미터로 고정시키는 동작, 즉 해당 레이어의 파라미터를 고정 파라미터로 결정시키는 동작은 프로세서(120)가 아닌 외부 장치 또는 외부 서버에 의해 수행되고, 전자 장치(100)는 외부 장치 또는 외부 서버로부터 각 파라미터의 타입 정보를 수신하여 메모리(110)에 저장하고, 프로세서(120)는 저장된 정보를 이용하여 관련 동작을 수행할 수도 있다.
본 개시의 일 실시 예에 따라 복수의 알고리즘은 동일한 목적을 위한 상이한 알고리즘을 포함할 수 있다. 일 예로, 복수의 알고리즘은 입력 영상의 초해상도(super resolution) 처리를 위한 상이한 알고리즘을 포함할 수 있다. 여기서 알고리즘이란 초해상도 처리를 위한 명령어들의 집합이 될 수 있다. 예를 들어, 초 해상도 처리를 위한 알고리즘이란, 초해상도 처리를 위한 인공 지능 모델에서 각 레이어들에서 이용되는 다양한 파라미터들의 집합이 될 수 있다.
초해상도 처리를 위한 알고리즘도 학습 방법과 학습 DB에 따라 각 신경망 레이어에서 상이한 파라미터를 가지게 된다. 예를 들어, 복수의 알고리즘은 디테일(detail) 처리에 비중을 둔 알고리즘, 에지(edge) 처리에 비중을 둔 알고리즘, 블러링(blurring) 개선 처리에 비중을 둔 알고리즘, 재깅(jagging) 개선 처리에 비중을 둔 알고리즘, 에일리어싱(aliasing) 개선 처리에 비중을 둔 알고리즘 등 초해상도 처리를 위한 상이한 알고리즘을 포함할 수 있다. 일 예에 따라 에지(edge)가 블러된 영상 및 에지가 선명한 수많은 영상을 각각 입력 영상 및 출력 영상으로 하여 인공 지능 모델을 학습시키는 경우 인공 지능 모델의 각 레이어에서 학습되는 라미터는 에지 처리를 위한 알고리즘에 적합한 파라미터가 될 수 있다.
본 개시의 일 실시 예에 따라 인공 지능 모델에 적용 가능한 복수의 알고리즘에서 공통되는 파라미터의 경우 알고리즘이 변경되더라도 해당 레이어에서 고정된 파라미터로 적용할 수 있기 때문에 컨벌루션 연산에 복잡한 연산이 요구되지 않는다. 예를 들어, 임의의 레이어에서 이용되는 컨벌루션 필터의 파라미터가 복수의 알고리즘에서 공통되는 경우, 최소 개수의 곱셈기 및 그외 덧셈기를 이용하여 연산 모듈을 구현하거나, 덧셈기 만으로 연산 모듈을 구현할 수 있다. 이와 같이 최소 개수의 곱셈기를 이용하여 연산 모듈을 구현하게 되면, 하드웨어 크기를 감소시킬 뿐 아니라, 비용 및 소비 전력을 감소시킬 수 있게 된다.
이하에서는, 본 개시의 일 실시 예에 따라 고정 파라미터를 결정하는 구체적 방법에 대해 설명하도록 한다.
도 3은 본 개시의 일 실시 예에 따른 신경망 파라미터의 타입 결정 방법을 설명하기 위한 흐름도이다.
도 3에 도시된 흐름도에 따르면, 전자 장치(100)는 인공 지능 모델을 통해 복수의 알고리즘을 학습하여(S310), 각 알고리즘의 신경망 파라미터를 획득한다(S320). 예를 들어, 전자 장치(100)는 복수의 알고리즘 각각에 대응되는 입력 학습 데이터 및 출력 학습 데이터에 기초하여 인공 지능 모델을 각각 학습시킬 수 있다. 이에 따라 각 신경망 레이어 및 채널에 대응되는 파라미터(이하, 신경망 파라미터라고도 함)를 각 알고리즘 별로 획득할 수 있다.
이어서, 전자 장치(100)는 각 알고리즘에 대해 획득된 신경망 파라미터가 고정 또는 가변 파라미터인지 결정한다(S330).
이 후, 결정된 파라미터 타입에 따라 각 신경망 레이어에 포함될 하드웨어를 결정할 수 있다(S340). 예를 들어, 특정 신경망 레이어가 복수의 알고리즘에 공통되는 고정 파라미터로 결정되면, 해당 레이어의 연산 모듈을 최소한의 곱셈기(0개 포함) 및 덧셈기를 이용하여 간단히 구현할 수 있다. 이는 x*y 연산에서 x 값이 고정되어 있는 경우 예를 들어, x 값이 3인 경우, 3*y 연산이 되므로 y + y《1 (즉, y + 2*y)와 같이 덧셈기를 이용한 쉬프트 연산으로 대체할 수 있기 때문이다.
본 개시의 일 실시 예에 따르면, 인공 지능 모델에 포함된 각 레이어의 복수의 채널 별 파라미터가 각각 고정 파라미터인지 가변 파라미터인지 식별되어 메모리(110)에 저장될 수 있다. 이 경우, 식별 동작은 프로세서(120) 또는 외부 장치 또는 외부 서버에 의해 수행될 수 있다.
도 4는 본 개시의 일 실시 예에 따른 신경망 파라미터의 타입 결정 방법을 구체적으로 설명하기 위한 흐름도이다.
도 4에 따르면, 복수의 알고리즘 즉, N 개의 알고리즘(S410)의 신경망 파라미터의 타입을 결정하기 위하여 현재 레이어(x)의 현재 채널(y) 계수가 임계값 미만이면 고정 필터 계수로 선택한다(S420).
현재 채널이 마지막 채널이면(S430:Y), 즉, y=0(S440)이면, 현재 레이어가 마지막 레이어인지 식별한다(S460).
현재 채널이 마지막 채널이 아니면(S430:N), 다음 채널(y=y+1)의 필터 계수의 타입을 선택하기 위한 단계를 진행한다(S450).
S460 단계에서 현재 레이어가 마지막 레이어가 아니면(S470:N), 다음 레이어(x=x+1)의 필터 계수의 타입을 선택하기 위한 단계를 진행한다(S470). S460 단계에서 현재 레이어가 마지막 레이어이면 해당 절차가 종료될 수 있다.
상술한 방식에 의해 모든 레이어의 모든 채널에 대응되는 필터 계수의 타입을 결정할 수 있다. 예를 들어, 레이어 1의 채널 1에 대응되는 필터 계수가 복수의 알고리즘 전부에서 임계값 미만인 경우, 레이어 1의 채널 1에 대응되는 필터 계수를 고정 필터 계수로 결정할 수 있다. 이에 따라 레이어 1의 채널 1에 대응되는 필터 계수를 복수의 알고리즘 전부에 대응되는 공통 필터 계수로 결정하여 고정시킬 수 있다. 예를 들어 임계값 미만의 특정 값(예를 들어 0, 0.01 등), 각 필터 계수들의 평균 값, 최소 값 또는 최대 값 중 하나로 고정 필터 계수를 결정할 수 있다. 이는 복수의 알고리즘 전부에서 특정 채널의 필터 계수가 연산 결과에 큰 영향을 주지 않은 임계값 미만의 계수인 경우 해당 채널의 필터 계수를 고정하여 해당 채널의 하드웨어 즉, 연산 모듈의 구조를 간단하게 구현하여 하드웨어 크기를 줄여 비용 및 전력 소비를 저감시키기 위함이다. 이와 동일한 방식으로 모든 레이어의 모든 채널에 대응되는 필터 계수가 고정 필터 계수인지 가변 필터 계수인지 결정할 수 있다.
다만, 도 4에 도시된 실시 예에서는, 복수의 알고리즘 각각에서 획득된 특정 레이어의 특정 채널에 대응되는 필터 계수가 각각 임계값 미만인 경우 해당 채널의 필터 계수를 공통 필터 계수 즉, 고정 필터 계수로 결정하는 경우를 설명하였지만, 반드시 이에 한정되는 것은 아니다. 다른 예로, 복수의 알고리즘 각각에서 획득된 특정 레이어의 특정 채널에 대응되는 필터 계수 간 차이가 임계값 미만인 경우, 해당 채널의 필터 계수를 공통 필터 계수 즉, 고정 필터 계수로 결정할 수도 있다. 예를 들어 각 필터 계수들의 평균 값, 최소 값 또는 최대 값 중 하나로 고정 필터 계수를 결정할 수 있다.
다만, 상술한 실시 예에서는 전자 장치(100)에서 복수의 알고리즘에 대한 학습이 수행되는 것으로 설명하였지만, 다른 실시 예에 따르면, 외부 장치 또는 외부 서버에서 복수의 알고리즘에 대한 학습이 수행되고 전자 장치(100)는 이미 학습된 알고리즘에 대한 정보 즉, 복수의 알고리즘과 관련된 인공 지능 모델의 파라미터 정보를 수신할 수 있다. 일 예로, 전자 장치(100)는 복수의 알고리즘과 관련된 라미터 정보를 외부 장치 또는 외부 서버로부터 수신하여 각 알고리즘의 파라미터가 고정 파라미터인지 가변 파라미터인지 결정할 수 있다. 다른 예로, 전자 장치(100)는 복수의 알고리즘과 관련된 파라미터 정보 및 각 알고리즘의 파라미터가 고정 파라미터인지 가변 파라미터인지 여부에 대한 정보까지 함께 외부 장치 또는 외부 서버로부터 수신할 수 있다.
도 5 및 도 6은 본 개시의 일 실시 예에 따른 각 레이어의 신경망 파라미터의 타입에 따른 연산 모듈로의 제공 방법을 설명하기 위한 도면들이다.
도 5에 따르면, 본 개시의 일 실시 예에 따른 인공 지능 모델의 각 레이어의 전단에는 각 레이어에 포함된 연산 모듈(521 내지 526)의 연산 모듈로 각 필터 계수를 선택적으로 제공하기 위한 먹스(511, 512, 513)가 마련될 수 있다. 여기서, 인공 지능 모델에 포함된 각 레이어는 소프트웨어, 하드웨어, 또는 소프트웨어 및 하드웨어의 조합으로 구현될 수 있다. 또한, 각 연산 모듈은 곱셈기 또는 덧셈기 중 적어도 하나를 포함하는 하드웨어로 구현될 수 있고 먹스(Multiplexer, 멀티플렉서) 또한 하드웨어, 예를 들어 조합 회로로 구현될 수 있다.
도 5에 따르면, 프로세서(120)는 특정 알고리즘에 대응되는 인공 지능 모델이 실행되는 경우 해당 알고리즘에 대응되는 각 레이어의 필터 계수를 각 레이어로 제공할 수 있다. 이 경우, 프로세서(120)는 각 레이어의 각 채널의 필터 계수가 고정 필터 계수인지 가변 필터 계수인지 식별하고, 해당 식별 결과에 기초하여 먹스(511, 512, 513)를 제어할 수 있다. 예를 들어, 프로세서(120)는 Layer 1의 제1 채널의 필터 계수가 고정 필터 계수인 경우 제1 연산 모듈(521)로 필터 계수를 제공하고, Layer 2의 제1 채널의 필터 계수가 고정 필터 계수인 경우 제2 연산 모듈(522)로 필터 계수를 제공하도록 제1 먹스(511)를 제어할 수 있다. 여기서, 제2 연산 모듈(522)은 제1 연산 모듈(521)에 비해 상대적으로 곱셈기 개수가 적은 형태로 구현될 수 있다.
도 6은 도 5에 도시된 제공 방법을 좀 더 자세히 설명하기 위한 도면이다.
도 6에 따르면, 본 개시의 일 실시 예에 따른 인공 지능 모델의 각 레이어의 전단에는 각 레이어에 포함된 연산 모듈(621 내지 629)의 연산 모듈로 각 필터 계수를 선택적으로 제공하기 위한 먹스(611, 612, 613)가 마련될 수 있다.
일 예에 따라 복수의 연산 모듈(621 내지 619) 중 일부 연산 모듈(622, 625, 628)이 고정 필터 계수의 연산을 위해 마련된 모듈이라고 상정한다. 이 경우, 프로세서(120)는 각 레이어의 각 채널의 필터 계수가 고정 필터 계수인지 가변 필터 계수인지 식별하고, 해당 식별 결과에 기초하여 먹스(611, 612, 613)를 제어할 수 있다. 예를 들어, 프로세서(120)는 Layer 1의 제3 채널(ch3)의 필터 계수가 고정 필터 계수인 경우 Layer 1에 포함된 복수의 연산 모듈(621, 622, 623) 중 고정 필터 계수의 연산을 위해 마련된 모듈(622)로 해당 필터 계수가 제공되도록 제1 먹스(611)를 제어할 수 있다. 또한, 프로세서(120)는 Layer 2의 제1 채널(ch1)의 필터 계수가 고정 필터 계수인 경우 Layer 2에 포함된 복수의 연산 모듈(624, 625, 626) 중 고정 필터 계수의 연산을 위해 마련된 모듈(625)로 해당 필터 계수가 제공되도록 제2 먹스(612)를 제어할 수 있다.
도 7은 본 개시의 일 실시 예에 따른 전자 장치의 하드웨어 구조를 설명하기 위한 도면이다.
도 7은 본 개시의 일 실시 예에 따른 프로세서 칩 구조를 나타내는 도면으로, 프로세서 칩은 다양한 프로세싱을 위한 IP를 포함할 수 있다. 여기서, IP는, 재이용 가능한 기능블록을 지칭하며 하드웨어 또는 소프트웨어 기능 블록이 될 수 있다. 이하에서는 설명의 편의를 위하여 IP가 하드웨어 IP로 구현되는 경우를 상정하여 설명한다.
예를 들어, 영상 처리를 위한 프로세싱 칩은 도 7에 도시된 바와 같이 메모리(110), CPU(121), 비디오 디코더(122), SR(123), NR(124), DE(125), FRC(126)의 하드웨어 IP가 버스(Bus)를 통해 연결되도록 구현될 수 있다. 여기서, SR(123)은 Super Resolution 처리를 위한 하드웨어 IP이고, NR(124)은 Noise Reduction 처리를 위한 하드웨어 IP이며, DE(125)는 Detail Enhance 처리를 위한 하드웨어 IP이고, FRC(126)는 Frame Rate Conversion을 위한 하드웨어 IP가 될 수 있다.
본 개시의 일 실시 예에 따른 인공 지능 모델이 Super Resolution이라는 동일한 목적을 위한 복수의 알고리즘을 실행하도록 구현되는 경우, 일 실시 예에 따른 연산 모듈, 먹스 등의 구성은 SR(123)에 포함될 수 있다. 예를 들어, CPU(121)는 메모리(110)에 저장된 복수의 알고리즘 각각에 대응되는 신경망 파라미터와 관련된 정보에 기초하여 SR(123)의 동작을 제어할 수 있다. 다만, 이에 한정되는 것은 아니며, SR(123)의 동작은 NPU와 같은 다른 프로세서에 의해 제어될 수 있음은 물론이다.
다만, 본 개시의 다른 실시 예에 따르면, 프로세서 칩 내에 포함된 다양한 하드웨어 IP들은 적어도 하나의 소프트웨어 또는, 적어도 하나의 소프트웨어 및 적어도 하나의 하드웨어의 조합으로 구현될 수 있다. 예를 들어, 비디오 디코더(122)의 일부 기능에 대응되는 로직은 비디오 디코더(122) 내에, 다른 기능에 해당하는 로직은 CPU에 의해 실행 가능한 소프트웨어로 구현될 수도 있다.
도 8은 본 개시의 일 실시 예에 따른 전자 장치의 일 구현 예를 나타내는 도면이다.
도 8에 따르면, 전자 장치(100’)는 메모리(110), 프로세서(120), 입력부(130), 디스플레이(140), 출력부(150) 및 사용자 인터페이스(160)를 포함한다. 도 10에 도시된 구성 중 도 2에 도시된 구성과 중복되는 구성에 대해서는 자세한 설명을 생략하도록 한다.
프로세서(120)는 경우에 따라 입력 영상의 보간 처리 전에 추가 전 처리를 수행할 수 있다. 일 예에 따라, 프로세서(120)는 입력 영상의 노이즈를 제거하는 프리 필터링을 추가적으로 수행할 수 있다. 예를 들어, 가우시안 필터와 같은 스무딩 필터(Smoothing Filter), 입력 영상을 기설정된 가이던스(guidance)에 대비시켜 필터링하는 가이디드(guided) 필터 등을 적용하여 두드러진 노이즈를 제거할 수 있다.
입력부(130)는 다양한 타입의 컨텐츠를 입력받는다. 예를 들어 입력부(130)는 AP 기반의 Wi-Fi(와이파이, Wireless LAN 네트워크), 블루투스(Bluetooth), 지그비(Zigbee), 유/무선 LAN(Local Area Network), WAN(Wide Area Network), 이더넷(Ethernet), IEEE 1394, HDMI(High-Definition Multimedia Interface), USB(Universal Serial Bus), MHL(Mobile High-Definition Link), AES/EBU(Audio Engineering Society/ European Broadcasting Union), 옵티컬(Optical), 코액셜(Coaxial) 등과 같은 통신 방식을 통해 외부 장치(예를 들어, 소스 장치), 외부 저장 매체(예를 들어, USB 메모리), 외부 서버(예를 들어 웹 하드) 등으로부터 스트리밍 또는 다운로드 방식으로 영상 신호를 입력받을 수 있다. 여기서, 영상 신호는 SD(Standard Definition), HD(High Definition), Full HD 또는 Ultra HD 영상 중 어느 하나의 디지털 영상 신호가 될 수 있으나 이에 한정되는 것은 아니다.
디스플레이(140)는 자발광 소자를 포함하는 디스플레이 또는, 비자발광 소자 및 백라이트를 포함하는 디스플레이로 구현될 수 있다. 예를 들어, LCD(Liquid Crystal Display), OLED(Organic Light Emitting Diodes) 디스플레이, LED(Light Emitting Diodes), 마이크로 LED(micro LED), Mini LED, PDP(Plasma Display Panel), QD(Quantum dot) 디스플레이, QLED(Quantum dot light-emitting diodes) 등과 같은 다양한 형태의 디스플레이로 구현될 수 있다. 디스플레이(140) 내에는 a-si TFT, LTPS(low temperature poly silicon) TFT, OTFT(organic TFT) 등과 같은 형태로 구현될 수 있는 구동 회로, 백라이트 유닛 등도 함께 포함될 수 있다. 한편, 디스플레이(140)는 터치 센서와 결합된 터치 스크린, 플렉시블 디스플레이(flexible display), 롤러블 디스플레이(rollable display), 3차원 디스플레이(3D display), 복수의 디스플레이 모듈이 물리적으로 연결된 디스플레이 등으로 구현될 수 있다. 프로세서(120)는 상술한 다양한 실시 예에 따라 획득된 출력 영상을 출력하도록 디스플레이(140)를 제어할 수 있다. 여기서, 출력 영상은, 4K 또는 8K 이상의 고해상도 영상일 수 있다.
출력부(150)는 음향 신호를 출력한다. 예를 들어, 출력부(150)는 프로세서(120)에서 처리된 디지털 음향 신호를 아날로그 음향 신호로 변환하고 증폭하여 출력할 수 있다. 예를 들어, 출력부(150)는 적어도 하나의 채널을 출력할 수 있는, 적어도 하나의 스피커 유닛, D/A 컨버터, 오디오 앰프(audio amplifier) 등을 포함할 수 있다. 일 예에 따라 출력부(150)는 다양한 멀티 채널 음향 신호를 출력하도록 구현될 수 있다. 이 경우, 프로세서(120)는 입력 영상의 인핸스 처리에 대응되도록 입력된 음향 신호를 인핸스 처리하여 출력하도록 출력부(150)를 제어할 수 있다. 예를 들어, 프로세서(120)는 입력된 2채널 음향 신호를 가상의 멀티 채널(예를 들어, 5.1 채널) 음향 신호로 변환하거나, 전자 장치(100’)가 놓인 위치를 인식해 공간에 최적화된 입체 음향 신호로 처리하거나, 입력 영상의 타입(예를 들어 컨텐츠 장르)에 따라 최적화된 음향 신호를 제공할 수 있다.
사용자 인터페이스(160)는 버튼, 터치 패드, 마우스 및 키보드와 같은 장치로 구현되거나, 상술한 디스플레이 기능 및 조작 입력 기능도 함께 수행 가능한 터치 스크린, 리모콘 송수신부 등으로 구현될 수 있다. 리모콘 송수신부는 적외선 통신, 블루투스 통신 또는 와이파이 통신 중 적어도 하나의 통신 방식을 통해 외부 원격 제어 장치로부터 리모콘 신호를 수신하거나, 리모콘 신호를 송신할 수 있다.
전자 장치 (100’)는 구현 예에 따라 튜너 및 복조부를 추가적으로 포함할 수 있다. 튜너(미도시)는 안테나를 통해 수신되는 RF(Radio Frequency) 방송 신호 중 사용자에 의해 선택된 채널 또는 기 저장된 모든 채널을 튜닝하여 RF 방송 신호를 수신할 수 있다. 복조부(미도시)는 튜너에서 변환된 디지털 IF 신호(DIF)를 수신하여 복조하고, 채널 복호화 등을 수행할 수도 있다. 일 실시 예에 따라 튜너를 통해 수신된 입력 영상은 복조부(미도시)를 통해 처리된 후, 본 개시의 일 실시 예에 따른 영상 처리를 위해 프로세서(120)로 제공될 수 있다.
도 9는 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.
도 9에 도시된 복수의 레이어를 포함하는 인공 지능 모델에 관한 정보를 저장하는 전자 장치의 제어 방법에 따르면, 인공 지능 모델에 포함된 복수의 레이어 중 복수의 레이어 중 어느 하나의 레이어에서 이용되는 파라미터가 고정 파라미터인지 가변 파라미터인지 식별한다(S910).
이어서, 식별 결과에 기초하여 어느 하나의 레이어에 포함된 제1 연산 모듈 또는 제2 연산 모듈로 파라미터를 제공하여 이전 레이어의 출력 데이터 및 파라미터 간 연산을 수행한다(S920).
여기서, 고정 파라미터는,인공 지능 모델에서 학습된 복수의 알고리즘에서 공통되는 파라미터이고, 가변 파라미터는, 복수의 알고리즘에서 가변되는 파라미터일 수 있다. 또한, 제1 연산 모듈은, 제2 연산 모듈보다 상대적으로 적은 개수의 곱셈기를 포함하거나 덧셈기 만을 포함하도록 구현될 수 있다.
또한, 복수의 알고리즘은, 입력 영상의 초해상도(super resolution) 처리를 위한 상이한 알고리즘을 포함할 수 있다.
또한, 상기 제어 방법은, 인공 지능 모델에서 제1 알고리즘이 학습됨에 따라 획득된 제1 파라미터 및 인공 지능 모델에서 제2 알고리즘이 학습됨에 따라 획득된 제2 파라미터 각각이 임계값 미만이면 어느 하나의 레이어의 파라미터를 특정 파라미터로 고정시키는 단계를 더 포함할 수 있다. 여기서, 제1 파라미터 및 제2 파라미터는, 어느 하나의 레이어에 대응되는 파라미터일 수 있다.
또한, 상기 제어 방법은, 인공 지능 모델에서 제1 알고리즘이 학습됨에 따라 획득된 제1 파라미터 및 인공 지능 모델에서 제2 알고리즘이 학습됨에 따라 획득된 제2 파라미터 간 차이가 임계값 미만이면 어느 하나의 레이어의 파라미터를 특정 파라미터로 고정시키는 단계를 더 포함할 수 있다. 여기서, 제1 파라미터 및 제2 파라미터는, 어느 하나의 레이어에 대응되는 파라미터일 수 있다.
또한, S910 단계에서는, 어느 하나의 레이어에서 적용되는 복수의 채널 별 파라미터가 각각 고정 파라미터인지 가변 파라미터인지 식별할 수 있다. 이 경우, S920 단계에서는, 식별 결과에 기초하여 복수의 채널 별 파라미터를 각각 제1 연산 모듈 또는 제2 연산 모듈로 제공하여 이전 레이어의 출력 데이터 및 해당 레이어의 파라미터 간 연산을 수행할 수 있다.
또한, 인공 지능 모델에 관한 정보는, 인공 지능 모델에 포함된 복수의 레이어 각각에서 이용되는 파라미터 및 해당 파라미터가 고정 파라미터인지 가변 파라미터인지 나타내는 식별 정보를 포함할 있다. 이 경우, S910 단계에서는 어느 하나의 레이어에서 이용되는 파라미터에 대응되는 식별 정보에 기초하여 파라미터가 고정 파라미터인지 가변 파라미터인지 식별할 수 있다.
또한, 인공 지능 모델은, 복수의 레이어 각각의 전단에 위치된 먹스를 포함할 수 있다. 이 경우, S920 단계에서는, 식별 결과에 기초하여 파라미터를 제1 연산 모듈 또는 제2 연산 모듈로 제공하도록 해당 먹스를 제어할 수 있다.
또한, 어느 하나의 레이어에서 이용되는 파라미터는, 어느 하나의 레이어에서 채널 별로 적용되는 필터의 계수를 포함할 수 있다.
상술한 다양한 실시 예들에 따르면, 신경망 연산을 위한 연산 모듈을 적은 하드웨어 자원으로 구현할 수 있으므로 하드웨어 크기를 감소시킬 수 있게 된다. 또한, 하드웨어 간소화로 인해 하드웨어 구현을 위한 비용을 감소시키고, 전력 소비를 감소시킬 수 있게 된다.
본 개시의 다양한 실시 예들은 디스플레이 장치 뿐 아니라, 셋탑 박스와 같은 영상 수신 장치, 영상 처리 장치 등 영상 처리가 가능한 모든 전자 장치에 적용될 수 있음은 물론이다. 또한, 상술한 본 개시의 다양한 실시 예들은 전자 장치에 구비된 임베디드 서버, 또는 영상 처리 장치의 외부 서버를 통해 수행되는 것도 가능하다.
한편, 상술한 본 개시의 다양한 실시 예들에 따른 방법들은, 기존 전자 장치에 설치 가능한 어플리케이션 또는 소프트웨어 형태로 구현될 수 있다.
또한, 상술한 본 개시의 다양한 실시 예들에 따른 방법들은, 기존 전자 장치에 대한 소프트웨어 업그레이드, 또는 하드웨어 업그레이드 만으로도 구현될 수 있다.
한편, 본 개시의 일시 예에 따르면, 이상에서 설명된 다양한 실시 예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media)에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시 예들에 따른 영상 처리 장치(예: 영상 처리 장치(A))를 포함할 수 있다. 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접, 또는 프로세서의 제어 하에 다른 구성요소들을 이용하여 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.
또한, 본 개시의 일 실시 예에 따르면, 이상에서 설명된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
또한, 상술한 다양한 실시 예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시 예에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다. 다양한 실시 예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.
이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시에 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.
100: 전자 장치 110: 메모리
120: 프로세서

Claims (20)

  1. 복수의 레이어를 포함하는 인공 지능 모델에 관한 정보가 저장된 메모리; 및
    입력 영상을 상기 인공 지능 모델을 이용하여 처리한 출력 영상을 획득하는 프로세서;를 포함하며,
    상기 프로세서는,
    상기 복수의 레이어 중 어느 하나의 레이어에서 이용되는 파라미터가 고정 파라미터인지 가변 파라미터인지 식별하고,
    식별 결과에 기초하여 상기 어느 하나의 레이어에 포함된 제1 연산 모듈 또는 제2 연산 모듈로 상기 파라미터를 제공하여 이전 레이어의 출력 데이터 및 상기 파라미터 간 연산을 수행하는, 전자 장치.
  2. 제1항에 있어서,
    상기 고정 파라미터는, 상기 인공 지능 모델에서 학습된 복수의 알고리즘에서 공통되는 파라미터이고,
    상기 가변 파라미터는, 상기 복수의 알고리즘에서 가변되는 파라미터이며,
    상기 제1 연산 모듈은, 상기 제2 연산 모듈보다 상대적으로 적은 개수의 곱셈기를 포함하거나 덧셈기 만을 포함하도록 구현되는, 전자 장치.
  3. 제2항에 있어서,
    상기 복수의 알고리즘은,
    상기 입력 영상의 초해상도(super resolution) 처리를 위한 상이한 알고리즘을 포함하는, 전자 장치.
  4. 제1항에 있어서,
    상기 프로세서는,
    상기 인공 지능 모델에서 제1 알고리즘이 학습됨에 따라 획득된 제1 파라미터 및 상기 인공 지능 모델에서 제2 알고리즘이 학습됨에 따라 획득된 제2 파라미터 각각이 임계값 미만이면 상기 어느 하나의 레이어의 파라미터를 특정 파라미터로 고정시키며,
    상기 제1 파라미터 및 상기 제2 파라미터는, 상기 어느 하나의 레이어에 대응되는 파라미터인, 전자 장치.
  5. 제1항에 있어서,
    상기 프로세서는,
    상기 인공 지능 모델에서 제1 알고리즘이 학습됨에 따라 획득된 제1 파라미터 및 상기 인공 지능 모델에서 제2 알고리즘이 학습됨에 따라 획득된 제2 파라미터 긴 차이가 임계값 미만이면 상기 어느 하나의 레이어의 파라미터를 특정 파라미터로 고정시키며,
    상기 제1 파라미터 및 상기 제2 파라미터는, 상기 어느 하나의 레이어에 대응되는 파라미터인, 전자 장치.
  6. 제1항에 있어서,
    상기 프로세서는,
    상기 어느 하나의 레이어에서 적용되는 복수의 채널 별 파라미터가 각각 고정 파라미터인지 가변 파라미터인지 식별하고,
    상기 식별 결과에 기초하여 상기 복수의 채널 별 파라미터를 각각 상기 제1 연산 모듈 또는 상기 제2 연산 모듈로 제공하는, 전자 장치.
  7. 제1항에 있어서,
    상기 인공 지능 모델에 관한 정보는,
    상기 복수의 레이어 각각에서 이용되는 파라미터 및 상기 파라미터가 고정 파라미터인지 가변 파라미터인지 나타내는 식별 정보를 포함하며,
    상기 프로세서는,
    상기 어느 하나의 레이어에서 이용되는 파라미터에 대응되는 식별 정보에 기초하여 상기 파라미터가 상기 고정 파라미터인지 상기 가변 파라미터인지 식별하는, 전자 장치.
  8. 제1항에 있어서,
    상기 인공 지능 모델은,
    상기 복수의 레이어 각각의 전단에 위치된 먹스를 포함하며,
    상기 프로세서는,
    상기 식별 결과에 기초하여 상기 파라미터를 상기 제1 연산 모듈 또는 상기 제2 연산 모듈로 제공하도록 상기 어느 하나의 레이어 전단에 위치한 먹스를 제어하는, 전자 장치.
  9. 제1항에 있어서,
    상기 어느 하나의 레이어에서 이용되는 파라미터는,
    상기 어느 하나의 레이어에서 채널 별로 적용되는 필터의 계수를 포함하는, 전자 장치.
  10. 제1항에 있어서,
    디스플레이;를 더 포함하며,
    상기 프로세서는,
    상기 출력 영상을 출력하도록 상기 디스플레이를 제어하며,
    상기 출력 영상은,
    4K 또는 8K 이상의 고해상도 영상인, 전자 장치.
  11. 복수의 레이어를 포함하는 인공 지능 모델에 관한 정보를 저장하는 전자 장치의 제어 방법에 있어서,
    상기 인공 지능 모델에 포함된 상기 복수의 레이어 중 어느 하나의 레이어에서 이용되는 파라미터가 고정 파라미터인지 가변 파라미터인지 식별하는 단계; 및
    식별 결과에 기초하여 상기 어느 하나의 레이어에 포함된 제1 연산 모듈 또는 제2 연산 모듈로 상기 파라미터를 제공하여 이전 레이어의 출력 데이터 및 상기 파라미터 간 연산을 수행하는 단계;를 포함하는, 제어 방법.
  12. 제11항에 있어서,
    상기 고정 파라미터는, 상기 인공 지능 모델에서 학습된 복수의 알고리즘에서 공통되는 파라미터이고,
    상기 가변 파라미터는, 상기 복수의 알고리즘에서 가변되는 파라미터이며,
    상기 제1 연산 모듈은, 상기 제2 연산 모듈보다 상대적으로 적은 개수의 곱셈기를 포함하거나 덧셈기 만을 포함하도록 구현되는, 제어 방법.
  13. 제12항에 있어서,
    상기 복수의 알고리즘은,
    상기 입력 영상의 초해상도(super resolution) 처리를 위한 상이한 알고리즘을 포함하는, 제어 방법.
  14. 제11항에 있어서,
    상기 인공 지능 모델에서 제1 알고리즘이 학습됨에 따라 획득된 제1 파라미터 및 상기 인공 지능 모델에서 제2 알고리즘이 학습됨에 따라 획득된 제2 파라미터 각각이 임계값 미만이면 상기 어느 하나의 레이어의 파라미터를 특정 파라미터로 고정시키는 단계;를 더 포함하며,
    상기 제1 파라미터 및 상기 제2 파라미터는, 상기 어느 하나의 레이어에 대응되는 파라미터인, 제어 방법.
  15. 제11항에 있어서,
    상기 인공 지능 모델에서 제1 알고리즘이 학습됨에 따라 획득된 제1 파라미터 및 상기 인공 지능 모델에서 제2 알고리즘이 학습됨에 따라 획득된 제2 파라미터 긴 차이가 임계값 미만이면 상기 어느 하나의 레이어의 파라미터를 특정 파라미터로 고정시키는 단계;를 더 포함하며,
    상기 제1 파라미터 및 상기 제2 파라미터는, 상기 어느 하나의 레이어에 대응되는 파라미터인, 제어 방법.
  16. 제11항에 있어서,
    상기 식별하는 단계는,
    상기 어느 하나의 레이어에서 적용되는 복수의 채널 별 파라미터가 각각 고정 파라미터인지 가변 파라미터인지 식별하며,
    상기 이전 레이어의 출력 데이터 및 상기 파라미터 간 연산을 수행하는 단계는,
    식별 결과에 기초하여 상기 복수의 채널 별 파라미터를 각각 상기 제1 연산 모듈 또는 상기 제2 연산 모듈로 제공하여 상기 이전 레이어의 출력 데이터 및 상기 파라미터 간 연산을 수행하는, 제어 방법.
  17. 제11항에 있어서,
    상기 인공 지능 모델에 관한 정보는,
    상기 복수의 레이어 각각에서 이용되는 파라미터 및 상기 파라미터가 고정 파라미터인지 가변 파라미터인지 나타내는 식별 정보를 포함하며,
    상기 식별하는 단계는,
    상기 어느 하나의 레이어에서 이용되는 파라미터에 대응되는 식별 정보에 기초하여 상기 파라미터가 상기 고정 파라미터인지 상기 가변 파라미터인지 식별하는, 제어 방법.
  18. 제11항에 있어서,
    상기 인공 지능 모델은,
    상기 복수의 레이어 각각의 전단에 위치된 먹스를 포함하며,
    상기 이전 레이어의 출력 데이터 및 상기 파라미터 간 연산을 수행하는 단계는,
    상기 식별 결과에 기초하여 상기 파라미터를 상기 제1 연산 모듈 또는 상기 제2 연산 모듈로 제공하도록 상기 어느 하나의 레이어 전단에 위치한 먹스를 제어하는, 제어 방법.
  19. 제11항에 있어서,
    상기 어느 하나의 레이어에서 이용되는 파라미터는,
    상기 어느 하나의 레이어에서 채널 별로 적용되는 필터의 계수를 포함하는, 제어 빙법.
  20. 복수의 레이어를 포함하는 인공 지능 모델에 관한 정보를 저장하는 전자 장치의 프로세서에 의해 실행되는 경우 상기 전자 장치가 동작을 수행하도록 하는 컴퓨터 명령을 저장하는 비일시적 컴퓨터 판독 가능 매체에 있어서, 상기 동작은,
    상기 인공 지능 모델에 포함된 상기 복수의 레이어 중 어느 하나의 레이어에서 이용되는 파라미터가 고정 파라미터인지 가변 파라미터인지 식별하는 단계; 및
    식별 결과에 기초하여 상기 어느 하나의 레이어에 포함된 제1 연산 모듈 또는 제2 연산 모듈로 상기 파라미터를 제공하여 이전 레이어의 출력 데이터 및 상기 파라미터 간 연산을 수행하는 단계;를 포함하는, 비일시적 컴퓨터 판독 가능 매체.
KR1020190150767A 2019-11-21 2019-11-21 전자 장치 및 그 제어 방법 KR20210062485A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020190150767A KR20210062485A (ko) 2019-11-21 2019-11-21 전자 장치 및 그 제어 방법
US16/829,178 US11436442B2 (en) 2019-11-21 2020-03-25 Electronic apparatus and control method thereof
PCT/KR2020/004998 WO2021100985A1 (en) 2019-11-21 2020-04-14 Electronic apparatus and control method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190150767A KR20210062485A (ko) 2019-11-21 2019-11-21 전자 장치 및 그 제어 방법

Publications (1)

Publication Number Publication Date
KR20210062485A true KR20210062485A (ko) 2021-05-31

Family

ID=75974296

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190150767A KR20210062485A (ko) 2019-11-21 2019-11-21 전자 장치 및 그 제어 방법

Country Status (3)

Country Link
US (1) US11436442B2 (ko)
KR (1) KR20210062485A (ko)
WO (1) WO2021100985A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI733341B (zh) * 2020-02-20 2021-07-11 瑞昱半導體股份有限公司 用於圖像放大與增強的方法與裝置

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2862337B2 (ja) 1990-06-19 1999-03-03 キヤノン株式会社 ニューラルネットワークの構築方法
JP4552464B2 (ja) 2004-03-09 2010-09-29 フジテック株式会社 エレベータシステム及びその群管理制御装置
US9904874B2 (en) 2015-11-05 2018-02-27 Microsoft Technology Licensing, Llc Hardware-efficient deep convolutional neural networks
US11321609B2 (en) 2016-10-19 2022-05-03 Samsung Electronics Co., Ltd Method and apparatus for neural network quantization
JP6945986B2 (ja) 2016-10-28 2021-10-06 キヤノン株式会社 演算回路、その制御方法及びプログラム
US11315045B2 (en) 2016-12-29 2022-04-26 Intel Corporation Entropy-based weighting in random forest models
JP6773568B2 (ja) 2017-01-18 2020-10-21 株式会社日立製作所 演算システムおよびニューラルネットワークの演算方法
CN108734267A (zh) * 2017-04-21 2018-11-02 展讯通信（上海）有限公司 深度神经网络模型的压缩方法及装置、终端、存储介质
CN107508866B (zh) 2017-08-08 2020-10-02 重庆大学 减小移动设备端神经网络模型更新的传输消耗的方法
KR102610820B1 (ko) 2017-09-27 2023-12-06 삼성전자주식회사 뉴럴 네트워크 시스템 및 뉴럴 네트워크 시스템의 동작방법
US10083375B1 (en) 2017-10-13 2018-09-25 StradVision, Inc. Method and device for performing activation and convolution operation at the same time and learning method and learning device for the same
EP3480748A1 (en) 2017-11-06 2019-05-08 Imagination Technologies Limited Neural network hardware
US11176439B2 (en) 2017-12-01 2021-11-16 International Business Machines Corporation Convolutional neural network with sparse and complementary kernels
KR102525159B1 (ko) 2018-03-19 2023-04-25 삼성전자주식회사 전자 장치, 전자 장치의 이미지 처리 방법 및 컴퓨터 판독 가능 매체
CN109102067B (zh) * 2018-07-13 2021-08-06 厦门快商通信息技术有限公司 神经网络节点的自增减方法、计算机设备及存储介质
US11676028B2 (en) * 2019-06-12 2023-06-13 Shanghai Cambricon Information Technology Co., Ltd Neural network quantization parameter determination method and related products
WO2021022903A1 (zh) * 2019-08-07 2021-02-11 安徽寒武纪信息科技有限公司 数据处理方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
US11436442B2 (en) 2022-09-06
WO2021100985A1 (en) 2021-05-27
US20210158103A1 (en) 2021-05-27

Similar Documents

Publication Publication Date Title
JP6978542B2 (ja) 電子装置及びその制御方法
KR20200079697A (ko) 영상 처리 장치 및 그 영상 처리 방법
CN112887728B (zh) 电子装置、电子装置的控制方法以及系统
CN112866803B (zh) 电子装置及其控制方法
KR102661879B1 (ko) 영상 처리 장치 및 그 영상 처리 방법
US11373280B2 (en) Electronic device and method of training a learning model for contrast ratio of an image
US20230386057A1 (en) Electronic apparatus and image processing method thereof
KR20210062485A (ko) 전자 장치 및 그 제어 방법
KR20210108027A (ko) 전자 장치 및 그 제어 방법
WO2024110799A1 (ko) 전자 장치 및 그 제어 방법
KR20240077363A (ko) 전자 장치 및 그 제어 방법
US20220375048A1 (en) Electronic apparatus and image processing method thereof
KR20240114171A (ko) 전자 장치 및 그 영상 처리 방법
KR20240115657A (ko) 전자 장치 및 이의 제어 방법
KR20230164980A (ko) 전자 장치 및 그 영상 처리 방법
KR20240121036A (ko) 전자 장치 및 그 영상 처리 방법
KR20220158525A (ko) 전자 장치 및 그 영상 처리 방법
KR20240117282A (ko) 전자 장치 및 그 영상 처리 방법
KR20240034010A (ko) 전자 장치 및 그 영상 처리 방법
CN117480507A (zh) 根据应用基于ai来回放图像的电子装置以及用于通过该电子装置来回放图像的方法