KR20210085485A - 분석 모델 학습 장치 및 방법 - Google Patents

분석 모델 학습 장치 및 방법 Download PDF

Info

Publication number
KR20210085485A
KR20210085485A KR1020190178554A KR20190178554A KR20210085485A KR 20210085485 A KR20210085485 A KR 20210085485A KR 1020190178554 A KR1020190178554 A KR 1020190178554A KR 20190178554 A KR20190178554 A KR 20190178554A KR 20210085485 A KR20210085485 A KR 20210085485A
Authority
KR
South Korea
Prior art keywords
analysis
learning
real
time
analysis result
Prior art date
Application number
KR1020190178554A
Other languages
English (en)
Inventor
정순용
소현정
이태웅
이종은
Original Assignee
삼성에스디에스 주식회사
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 삼성에스디에스 주식회사 filed Critical 삼성에스디에스 주식회사
Priority to KR1020190178554A priority Critical patent/KR20210085485A/ko
Publication of KR20210085485A publication Critical patent/KR20210085485A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)

Abstract

분석 모델 학습 장치 및 방법이 개시된다. 일 실시예에 따른 분석 모델 학습 장치는, 대상 환경에 대한 실시간 스트림 데이터(stream data)를 획득하는 데이터 획득부; 상기 실시간 스트림 데이터에 기초하여 상기 대상 환경 내 분석 대상을 검출하는 검출부; 사전 학습된 분석 모델을 이용하여, 상기 실시간 스트림 데이터로부터 상기 분석 대상에 대한 실시간 분석 결과를 생성하는 분석부; 및 상기 분석 대상에 대한 실시간 분석 결과의 변화에 기초하여 상기 분석 모델에 대한 재학습 필요성을 판단하고, 상기 재학습이 필요한 경우, 상기 실시간 스트림 데이터에 기초하여 상기 분석 모델을 재학습하는 학습부를 포함한다.

Description

분석 모델 학습 장치 및 방법{APPARATUS AND METHOD FOR TRAINING ANALYSIS MODEL}
개시되는 실시예들은 분석 모델을 학습하기 위한 기술과 관련된다.
사전 학습된 분석 모델을 이용하여 분석 결과를 생성하는 종래 분석 기술의 경우, 분석 환경의 변화에 적응하기 위해서는 사용자가 변화를 인지하여 분석 모델에 대한 재학습을 수행 여부를 결정하여야 하며, 재학습을 위한 학습 데이터를 직접 수집 및 라벨링하여야 한다.
따라서, 종래 분석 기술은 분석 모델의 재학습을 위한 시간과 비용이 과도하게 소요되며, 재학습 필요성을 판단할 일관된 환경 변화 기준을 정의하기 어려운 문제점을 가지고 있다.
대한민국 공개특허공보 제10-2019-0139808호 (2019.12.18. 공개)
개시되는 실시예들은 분석 모델 학습 장치 및 방법을 제공하기 위한 것이다.
일 실시예에 따른 분석 모델 학습 장치는, 대상 환경에 대한 실시간 스트림 데이터(stream data)를 획득하는 데이터 획득부; 상기 실시간 스트림 데이터에 기초하여 상기 대상 환경 내 분석 대상을 검출하는 검출부; 사전 학습된 분석 모델을 이용하여, 상기 실시간 스트림 데이터로부터 상기 분석 대상에 대한 실시간 분석 결과를 생성하는 분석부; 및 상기 분석 대상에 대한 실시간 분석 결과의 변화에 기초하여 상기 분석 모델에 대한 재학습 필요성을 판단하고, 상기 재학습이 필요한 경우, 상기 실시간 스트림 데이터에 기초하여 상기 분석 모델을 재학습하는 학습부를 포함한다.
상기 학습부는, 상기 실시간 분석 결과 중 현재 시점 전의 분석 결과에 기초한 예측 분석 결과와 상기 실시간 분석 결과 중 현재 시점의 분석 결과에 기초하여 상기 재학습 필요성을 판단할 수 있다.
상기 학습부는, 상기 예측 분석 결과와 상기 현재 시점의 분석 결과 사이의 오차에 기초하여 상기 재학습 필요성을 판단할 수 있다.
상기 학습부는, 상기 예측 분석 결과와 상기 현재 시점의 분석 결과 사이의 절대 오차가 기 설정된 제1 임계값 이상인 경우, 상기 재학습이 필요한 것으로 판단할 수 있다.
상기 학습부는, 기 설정된 시간 동안 산출된 상기 오차의 평균 값이 기 설정된 제2 임계값 이상인 경우, 상기 재학습이 필요한 것으로 판단할 수 있다.
상기 학습부는, 상기 예측 분석 결과와 상기 현재 시점의 분석 결과 사이의 누적 오차가 기 설정된 제3 임계값 이상인 경우, 상기 재학습이 필요한 것으로 판단할 수 있다.
상기 학습부는, 상기 재학습이 필요한 경우, 현재까지 획득된 상기 대상 환경에 대한 실시간 스트림 데이터 중 적어도 일부에 상기 예측 분석 결과를 라벨링(labeling)하고, 상기 라벨링된 실시간 스트림 데이터를 이용하여 상기 분석 모델을 재학습할 수 있다.
일 실시예에 따른 분석 모델 학습 방법은, 대상 환경에 대한 실시간 스트림 데이터(stream data)를 획득하는 단계; 상기 실시간 스트림 데이터에 기초하여 상기 대상 환경 내 분석 대상을 검출하는 단계; 사전 학습된 분석 모델을 이용하여, 상기 실시간 스트림 데이터로부터 상기 분석 대상에 대한 실시간 분석 결과를 생성하는 단계; 상기 분석 대상에 대한 실시간 분석 결과의 변화에 기초하여 상기 분석 모델에 대한 재학습 필요성을 판단하는 단계; 및 상기 재학습이 필요한 경우, 상기 실시간 스트림 데이터에 기초하여 상기 분석 모델을 재학습하는 단계를 포함한다.
상기 판단하는 단계는, 상기 실시간 분석 결과 중 현재 시점 전의 분석 결과에 기초한 예측 분석 결과와 상기 실시간 분석 결과 중 현재 시점의 분석 결과에 기초하여 상기 재학습 필요성을 판단할 수 있다.
상기 판단하는 단계는, 상기 예측 분석 결과와 상기 현재 시점의 분석 결과 사이의 오차에 기초하여 상기 재학습 필요성을 판단할 수 있다.
상기 판단하는 단계는, 상기 예측 분석 결과와 상기 현재 시점의 분석 결과 사이의 절대 오차가 기 설정된 제1 임계값 이상인 경우, 상기 재학습이 필요한 것으로 판단할 수 있다.
상기 판단하는 단계는, 기 설정된 시간 동안 산출된 상기 오차의 평균 값이 기 설정된 제2 임계값 이상인 경우, 상기 재학습이 필요한 것으로 판단할 수 있다.
상기 판단하는 단계는, 상기 예측 분석 결과와 상기 현재 시점의 분석 결과 사이의 누적 오차가 기 설정된 제3 임계값 이상인 경우, 상기 재학습이 필요한 것으로 판단할 수 있다.
상기 재학습하는 단계는, 상기 재학습이 필요한 경우, 현재까지 획득된 상기 대상 환경에 대한 실시간 스트림 데이터 중 적어도 일부에 상기 예측 분석 결과를 라벨링(labeling)하고, 상기 라벨링된 실시간 스트림 데이터를 이용하여 상기 분석 모델을 재학습할 수 있다.
개시되는 실시예들에 따르면, 사용자의 개입 없이도 분석 모델의 성능에 영향을 미치는 대상 환경의 변화에 따라 분석 모델에 대한 재학습 필요성을 판단하여 재학습을 수행할 수 있으므로, 별도의 추가 비용 없이 환경 변화에 강인한 분석 서비스를 지속적으로 제공할 수 있게 된다.
도 1은 일 실시예에 따른 분석 모델 학습 장치의 구성도
도 2는 일 실시예에 따른 분석 모델 학습 방법의 순서도
도 3은 일 실시예에 따른 분석 모델의 재학습 필요성을 판단하기 위한 과정을 나타낸 순서도
도 4는 일 실시예에 따른 분석 모델 재학습을 위한 과정을 나타낸 순서도
도 5는 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도
이하, 도면을 참조하여 본 발명의 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.
본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.
도 1은 일 실시예에 따른 분석 모델 학습 장치의 구성도이다.
도 1을 참조하면, 일 실시예에 따른 분석 모델 학습 장치(100)는 데이터 획득부(110), 검출부(130), 분석부(150) 및 학습부(170)를 포함한다.
일 실시예에서, 데이터 획득부(110), 검출부(130), 분석부(150) 및 학습부(170)는 각각 물리적으로 구분된 하나 이상의 장치를 이용하여 구현되거나, 하나 이상의 프로세서 또는 하나 이상의 프로세서 및 소프트웨어의 결합에 의해 구현될 수 있으며, 도시된 예와 달리 구체적 동작에 있어 명확히 구분되지 않을 수 있다.
데이터 획득부(110)는 대상 환경에 대한 실시간 스트림 데이터를 획득한다.
이때, 대상 환경은 예를 들어, 건물 출입구, 건물 내 특정 공간(예를 들어, 회의실, 복도, 매장), 건물 내 특정 층(floor) 등일 수 있으나, 반드시 특정한 환경으로 한정되는 것은 아니며 실시예에 따라 상이할 수 있다.
실시간 스트림 데이터는 시간의 흐름에 따라 연속적으로 생성되는 실시간 데이터로서 예를 들어, 대상 환경을 촬영한 실시간 영상 데이터 및 대상 환경에서 발생하는 소리를 녹음한 실시간 오디오 데이터 중 적어도 하나를 포함할 수 있다.
예를 들어, 데이터 획득부(110)는 대상 환경 내에 설치된 하나 이상의 카메라 각각으로부터 실시간 영상 데이터를 획득하거나, 대상 환경 내에 설치된 하나 이상의 마이크 각각으로부터 실시간 오디오 데이터를 획득할 수 있다.
검출부(130)는 데이터 획득부(110)에 의해 획득되는 실시간 스트림 데이터에 기초하여 대상 환경 내 분석 대상을 검출한다.
이때, 분석 대상은 예를 들어, 대상 환경 내에 존재하며 후술할 분석 모델을 이용한 분석 결과 생성의 대상이 되는 객체를 의미할 수 있다. 예를 들어, 대상 환경이 상품을 판매하는 매장인 경우, 분석 대상은 매장 내에 출입하는 고객일 수 있다. 그러나, 분석 대상은 반드시 특정한 객체로 한정되는 것은 아니며, 실시예에 따라 상이할 수 있다.
한편, 일 실시예에 따르면, 검출부(130)는 실시간 스트림 데이터에서 분석 대상이 되는 객체가 검출된 경우, 검출된 이후 획득되는 실시간 스트림 데이터에서 해당 객체를 추적할 수 있다.
예를 들어, 검출부(130)는 실시간 스트림 데이터에서 분석 대상이 검출된 경우, 검출된 분석 대상에 대한 특징 정보를 추출한 후, 이전에 검출된 분석 대상에서 추출된 특정 정보와 비교하여 현재 검출된 객체가 이전에 검출된 분석 대상과 동일한지 여부를 판단하여 분석 대상이 되는 객체를 추적할 수 있다.
한편, 분석 대상의 검출 및 추적은 공지된 다양한 객체 검출 및 객체 추적 기술을 이용하여 수행될 수 있으며, 실시간 스트림 데이터로부터 분석 대상을 검출하고 이전에 검출된 분석 대상과의 동일성을 판단할 수 있다면 분석 대상의 검출 및 추적을 위한 기술이 반드시 기술로 한정되는 것은 아니다.
분석부(150)는 사전 학습된 분석 모델을 이용하여, 실시간 스트림 데이터로부터 검출부(130)에 의해 검출된 분석 대상에 대한 실시간 분석 결과를 생성한다.
이때, 실시간 분석 결과는 예를 들어, 분석 대상의 나이, 신체 특징(예를 들어, 키, 몸무게 등), 성별 등과 같이 변화하지 않거나 단기간에 변화하지 않는 분석 대상의 특성에 대한 분석 결과일 수 있다.
한편, 분석 모델은 예를 들어, 인공 신경망(Artificial Neural Network)에 기반한 심층 학습(Deep Learning) 내지는 기계 학습(Machine learning) 기법을 이용하여 실시간 스트림 데이터로부터 분석 대상에 대한 특정한 분석 결과를 생성하도록 사전 학습된 모델일 수 있다. 그러나, 분석부(150)에 의해 이용되는 분석 모델의 종류 및 분석 모델에 대한 학습 방법은 반드시 특정한 모델 및 학습 방법에 한정되는 것은 아니며, 실시예에 따라 변경될 수 있다.
학습부(170)는 분석 대상에 대한 실시간 분석 결과의 변화에 기초하여 분석 모델에 대한 재학습 필요성을 판단하고, 재학습이 필요한 경우, 실시간 스트림 데이터에 기초하여 분석 모델을 재학습한다.
일 실시예에 따르면, 학습부(170)는 분석 대상에 대한 실시간 분석 결과 중 현재 시점 전의 분석 결과에 기초한 예측 분석 결과와 분석 대상에 대한 현재 시점의 분석 결과에 기초하여 분석 모델에 대한 재학습 필요성을 판단할 수 있다.
이때, 일 실시예에 따르면, 분석 대상에 대한 예측 분석 결과는 현재 시점 전에 획득된 실시간 스트림 데이터를 이용하여 분석 모델에 의해 생성된 분석 대상에 대한 분석 결과에 기초하여 생성될 수 있다.
예를 들어, 예측 분석 결과는 현재 시점 전 기 설정된 기간 동안 분석 모델에 의해 생성된 분석 대상에 대한 실시간 분석 결과의 평균 값, 중간 값 등에 기초하여 결정될 수 있다.
다른 예로, 예측 분석 결과는 현재 시점 전 분석 모델에 의해 생성된 분석 대상에 대한 실시간 분석 결과 중 신뢰 값이 기 설정된 값 이상인 분석 결과에 기초하여 결정될 수 있다.
한편, 분석 대상에 대한 예측 분석 결과의 결정 방식은 반드시 상술한 예외에도 다양한 방식을 이용하여 결정될 수 있다.
한편, 일 실시예에 따르면, 학습부(170)는 분석 대상에 대한 예측 분석 결과와 현재 시점의 분석 결과 사이의 오차에 기초하여 분석 모델에 대한 재학습 필요성을 판단할 수 있다.
구체적으로, 일 실시예에 따르면, 학습부(170)는 예측 분석 결과와 현재 시점의 분석 결과 사이의 절대 오차가 기 설정된 제1 임계값 이상인 경우, 분석 모델에 대한 재학습이 필요한 것으로 판단할 수 있다.
다른 실시예에 따르면, 학습부(170)는 기 설정된 시간 동안 산출된 예측 분석 결과와 현재 시점의 분석 결과 사이의 오차의 평균 값이 기 설정된 제2 임계값 이상인 경우, 분석 모델에 대한 재학습이 필요한 것으로 판단할 수 있다.
또 다른 실시예에 따르면, 학습부(170)는 예측 분석 결과와 현재 시점의 분석 결과 사이의 누적 오차가 기 설정된 제3 임계값 이상인 경우 분석 모델에 대한 재학습이 필요한 것으로 판단할 수 있다.
구체적으로, 대상 환경 내에 실시간 분석 결과에 영향을 미칠 수 있는 변화(예를 들어, 조명의 변화, 카메라 촬영 각도 변화 등)가 발생하지 않은 경우, 분석 대상에 대한 예측 분석 결과와 분석 대상에 대한 현재 시점의 분석 결과 사이의 오차는 +값과 -값이 임의적으로 발생할 수 있으므로, 일정 시간 동안의 오차를 누적하면 서로 상쇄되어 일정 수준 이상으로 값이 커지지 않는다. 그러나, 대상 환경 내에서 실시간 분석 결과에 영향을 미칠 수 있는 변화가 발생한 경우, 분석 대상에 대한 예측 분석 결과와 분석 대상에 대한 현재 시점의 분석 결과 사이의 누적 오차는 경향성을 가지고 지속적으로 증가하게 된다.
따라서, 학습부(170)는 분석 대상에 대한 예측 분석 결과와 분석 대상에 대한 현재 시점의 분석 결과 사이의 누적 오차가 기 설정된 제3 임계값 이상인 경우, 대상 환경 내에 실시간 분석 결과에 영향을 미칠 수 있는 변화가 발생한 것으로 판단하여 분석 모델에 대한 재학습을 수행할 수 있다.
한편, 일 실시예에 따르면, 학습부(170)는 분석 모델에 대한 재학습이 필요하다고 판단한 경우, 데이터 획득부(110)에 의해 현재까지 획득된 대상 환경에 대한 실시간 스트림 데이터 중 적어도 일부에 분석 대상에 대한 예측 분석 결과를 라벨링(labeling)하고, 라벨링된 실시간 스트림 데이터를 이용하여 분석 모델을 재학습할 수 있다.
구체적으로, 학습부(170)는 현재까지 획득된 실시간 스트림 데이터 중 분석 대상이 검출된 실시간 스트림 데이터를 이용하여 학습 데이터 셋과 검증 데이터 셋을 생성하고, 생성된 학습 데이터 셋과 검증 데이터 셋에 분석 대상에 대한 예측 분석 결과를 라벨링할 수 있다. 이후, 학습부(170)는 예를 들어, 라벨링된 학습 데이터 셋을 이용한 지도 학습(supervised learning) 기법을 이용하여 분석 모델을 재학습한 후, 라벨링된 검증 데이터 셋을 이용하여 재학습된 분석 모델을 평가하고, 평가 결과가 기 설정된 기준 이상인 경우, 재학습을 종료하고 분석 모델의 가중치를 재학습을 통해 조정된 가중치로 업데이트할 수 있다.
이때, 일 실시예에 따르면, 학습부(170)는 대상 환경에서 획득된 실시간 스트림 데이터와 분석 대상이 검출된 다른 환경에서 획득된 실시간 스트림 데이터를 재학습을 위한 학습 데이터로 이용한 공동 학습(joint learning) 방식을 이용하여 분석 모델을 재학습할 수 있다.
도 2는 일 실시예에 따른 분석 모델 학습 방법의 순서도이다.
도 2에 도시된 방법은 예를 들어, 도 1에 도시된 분석 모델 학습 장치(100)에 의해 수행될 수 있다.
도 2를 참조하면, 우선, 분석 모델 학습 장치(100)는 대상 환경에 대한 실시간 스트림 데이터를 획득한다(210).
이때, 실시간 스트림 데이터는 대상 환경에서 획득된 실시간 영상 데이터 및 실시간 오디오 데이터 중 적어도 하나를 포함할 수 있다.
이후, 분석 모델 학습 장치(100)는 획득된 실시간 스트림 데이터에 기초하여 대상 환경 내 분석 대상을 검출한다(220).
이후, 분석 모델 학습 장치(100)는 사전 학습된 분석 모델을 이용하여 검출된 분석 대상에 대한 실시간 분석 결과를 생성한다(230).
이후, 분석 모델 학습 장치(100)는 분석 대상에 대한 실시간 분석 결과의 변화에 기초하여 분석 모델에 대한 재학습 필요성을 판단한다(240).
이때, 분석 모델 학습 장치(100)는 분석 모델에 대한 재학습이 필요하다고 판단한 경우, 획득된 실시간 스트림 데이터에 기초하여 분석 모델을 재학습한다(250).
한편, 도 2에 도시된 순서도에서 적어도 일부의 단계들은 순서를 바꾸어 수행되거나, 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 도시되지 않은 하나 이상의 단계가 부가되어 수행될 수 있다.
도 3은 일 실시예에 따른 분석 모델의 재학습 필요성을 판단하기 위한 과정을 나타낸 순서도이다.
도 3에 도시된 과정은 예를 들어, 도 1에 도시된 분석 모델 학습 장치(100)에 의해 수행될 수 있다.
도 3을 참조하면, 우선, 분석 모델 학습 장치(100)는 기 학습된 분석 모델을 이용하여, 실시간 스트림 데이터로부터 검출된 분석 대상에 대한 실시간 분석 결과를 생성한다(310).
이후, 분석 모델 학습 장치(100)는 생성된 실시간 분석 결과가 예측 분석 결과의 대상인 분석 대상과 동일한 분석 대상에 대한 분석 결과인지 여부를 판단한다(320).
이때, 동일한 분석 대상에 대한 분석 결과인지 여부는 예를 들어, 도 2의 220과정에서 수행된 분석 대상에 대한 검출 결과에 기초하여 판단될 수 있다.
한편, 320 단계에서 동일한 분석 대상에 대한 분석 결과인 것으로 판단된 경우, 분석 모델 학습 장치(100)는 예측 분석 결과와 현재 시점의 실시간 분석 결과를 비교하여(330), 분석 모델에 대한 재학습 조건이 만족되었는지 여부를 판단한다(340).
이때, 일 실시예에 따르면, 분석 모델 학습 장치(100)는 예측 분석 결과와 현재 시점의 분석 결과 사이의 절대 오차가 기 설정된 제1 임계값 이상인 경우, 분석 모델에 대한 재학습이 필요한 것으로 판단할 수 있다.
또 다른 실시예에 따르면, 분석 모델 학습 장치(100)는 기 설정된 시간 동안 산출된 예측 분석 결과와 현재 시점의 분석 결과 사이의 오차의 평균 값이 기 설정된 제2 임계값 이상인 경우, 분석 모델에 대한 재학습이 필요한 것으로 판단할 수 있다.
또 다른 실시예에 따르면, 분석 모델 학습 장치(100)는 예측 분석 결과와 현재 시점의 분석 결과 사이의 누적 오차가 기 설정된 제3 임계값 이상인 경우, 분석 모델에 대한 재학습이 필요한 것으로 판단할 수 있다.
이후, 분석 모델 학습 장치(100)는 재학습 조건이 만족된 경우, 획득된 실시간 스트림 데이터에 기초하여 분석 모델을 재학습한다(350).
한편, 도 3에 도시된 순서도에서 적어도 일부의 단계들은 순서를 바꾸어 수행되거나, 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 도시되지 않은 하나 이상의 단계가 부가되어 수행될 수 있다.
도 4는 일 실시예에 따른 분석 모델 재학습을 위한 과정을 나타낸 순서도이다.
도 4에 도시된 과정은 예를 들어, 도 1에 도시된 분석 모델 학습 장치(100)에 의해 수행될 수 있다.
도 4를 참조하면, 우선, 분석 모델 학습 장치(100)는 분석 모델에 대한 재학습이 필요한 경우, 현재까지 획득된 실시간 스트림 데이터 중 적어도 일부를 이용하여 재학습을 위한 학습 데이터 셋 및 검증 데이터 셋을 구성한다(410).
이후, 분석 모델 학습 장치(100)는 학습 데이터 셋 및 검증 데이터 셋에 분석 대상에 대한 예측 분석 결과를 라벨링한다(420).
이후, 분석 모델 학습 장치(100)는 라벨링된 학습 데이터 셋을 이용하여 분석 모델을 재학습한다(430).
이후, 분석 모델 학습 장치(100)는 라벨링된 검증 데이터 셋을 이용하여 재학습된 분석 모델을 평가하고(440), 평가 결과가 기 설정된 학습 종료 조건을 만족하는지 여부를 판단한다(450).
이때, 평가 결과가 학습 종료 조건을 만족하지 않는 경우, 분석 모델 학습 장치(100)는 학습 종료 조건을 만족할 때까지 410 단계 내지 450 단계를 반복 수행한다.
반면, 평가 결과가 학습 종료 조건을 만족하는 경우, 분석 모델 학습 장치(100)는 분석 모델의 가중치를 재학습을 통해 조정된 가중치로 갱신한다(460).
한편, 도 4에 도시된 순서도에서 적어도 일부의 단계들은 순서를 바꾸어 수행되거나, 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 도시되지 않은 하나 이상의 단계가 부가되어 수행될 수 있다.
도 5는 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경(10)을 예시하여 설명하기 위한 블록도이다. 도시된 실시예에서, 각 컴포넌트들은 이하에 기술된 것 이외에 상이한 기능 및 능력을 가질 수 있고, 이하에 기술되지 것 이외에도 추가적인 컴포넌트를 포함할 수 있다.
도시된 컴퓨팅 환경(10)은 컴퓨팅 장치(12)를 포함한다. 일 실시예에서, 컴퓨팅 장치(12)는 본 발명의 실시예들에 따른 분석 모델 학습 장치(100)에 포함되는 하나 이상의 컴포넌트일 수 있다. 컴퓨팅 장치(12)는 적어도 하나의 프로세서(14), 컴퓨터 판독 가능 저장 매체(16) 및 통신 버스(18)를 포함한다. 프로세서(14)는 컴퓨팅 장치(12)로 하여금 앞서 언급된 예시적인 실시예에 따라 동작하도록 할 수 있다. 예컨대, 프로세서(14)는 컴퓨터 판독 가능 저장 매체(16)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 상기 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 상기 컴퓨터 실행 가능 명령어는 프로세서(14)에 의해 실행되는 경우 컴퓨팅 장치(12)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.
컴퓨터 판독 가능 저장 매체(16)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능 저장 매체(16)에 저장된 프로그램(20)은 프로세서(14)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독 가능 저장 매체(16)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 컴퓨팅 장치(12)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.
통신 버스(18)는 프로세서(14), 컴퓨터 판독 가능 저장 매체(16)를 포함하여 컴퓨팅 장치(12)의 다른 다양한 컴포넌트들을 상호 연결한다.
컴퓨팅 장치(12)는 또한 하나 이상의 입출력 장치(24)를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(22) 및 하나 이상의 네트워크 통신 인터페이스(26)를 포함할 수 있다. 입출력 인터페이스(22) 및 네트워크 통신 인터페이스(26)는 통신 버스(18)에 연결된다. 입출력 장치(24)는 입출력 인터페이스(22)를 통해 컴퓨팅 장치(12)의 다른 컴포넌트들에 연결될 수 있다. 예시적인 입출력 장치(24)는 포인팅 장치(마우스 또는 트랙패드 등), 키보드, 터치 입력 장치(터치패드 또는 터치스크린 등), 음성 또는 소리 입력 장치, 다양한 종류의 센서 장치 및/또는 촬영 장치와 같은 입력 장치, 및/또는 디스플레이 장치, 프린터, 스피커 및/또는 네트워크 카드와 같은 출력 장치를 포함할 수 있다. 예시적인 입출력 장치(24)는 컴퓨팅 장치(12)를 구성하는 일 컴포넌트로서 컴퓨팅 장치(12)의 내부에 포함될 수도 있고, 컴퓨팅 장치(12)와는 구별되는 별개의 장치로 컴퓨팅 장치(12)와 연결될 수도 있다.
이상에서 대표적인 실시예를 통하여 본 발명에 대하여 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 전술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
10: 컴퓨팅 환경
12: 컴퓨팅 장치
14: 프로세서
16: 컴퓨터 판독 가능 저장 매체
18: 통신 버스
20: 프로그램
22: 입출력 인터페이스
24: 입출력 장치
26: 네트워크 통신 인터페이스
100: 분석 모델 학습 장치
110: 데이터 획득부
130: 검출부
150: 분석부
170: 학습부

Claims (14)

  1. 대상 환경에 대한 실시간 스트림 데이터(stream data)를 획득하는 데이터 획득부;
    상기 실시간 스트림 데이터에 기초하여 상기 대상 환경 내 분석 대상을 검출하는 검출부;
    사전 학습된 분석 모델을 이용하여, 상기 실시간 스트림 데이터로부터 상기 분석 대상에 대한 실시간 분석 결과를 생성하는 분석부; 및
    상기 분석 대상에 대한 실시간 분석 결과의 변화에 기초하여 상기 분석 모델에 대한 재학습 필요성을 판단하고, 상기 재학습이 필요한 경우, 상기 실시간 스트림 데이터에 기초하여 상기 분석 모델을 재학습하는 학습부를 포함하는 분석 모델 학습 장치.
  2. 청구항 1에 있어서,
    상기 학습부는, 상기 실시간 분석 결과 중 현재 시점 전의 분석 결과에 기초한 예측 분석 결과와 상기 실시간 분석 결과 중 현재 시점의 분석 결과에 기초하여 상기 재학습 필요성을 판단하는 분석 모델 학습 장치.
  3. 청구항 2에 있어서,
    상기 학습부는, 상기 예측 분석 결과와 상기 현재 시점의 분석 결과 사이의 오차에 기초하여 상기 재학습 필요성을 판단하는 분석 모델 학습 장치.
  4. 청구항 3에 있어서,
    상기 학습부는, 상기 예측 분석 결과와 상기 현재 시점의 분석 결과 사이의 절대 오차가 기 설정된 제1 임계값 이상인 경우, 상기 재학습이 필요한 것으로 판단하는 분석 모델 학습 장치.
  5. 청구항 3에 있어서,
    상기 학습부는, 기 설정된 시간 동안 산출된 상기 오차의 평균 값이 기 설정된 제2 임계값 이상인 경우, 상기 재학습이 필요한 것으로 판단하는 분석 모델 학습 장치.
  6. 청구항 3에 있어서,
    상기 학습부는, 상기 예측 분석 결과와 상기 현재 시점의 분석 결과 사이의 누적 오차가 기 설정된 제3 임계값 이상인 경우, 상기 재학습이 필요한 것으로 판단하는 분석 모델 학습 장치.
  7. 청구항 2에 있어서,
    상기 학습부는, 상기 재학습이 필요한 경우, 현재까지 획득된 상기 대상 환경에 대한 실시간 스트림 데이터 중 적어도 일부에 상기 예측 분석 결과를 라벨링(labeling)하고, 상기 라벨링된 실시간 스트림 데이터를 이용하여 상기 분석 모델을 재학습하는 분석 모델 학습 장치.
  8. 대상 환경에 대한 실시간 스트림 데이터(stream data)를 획득하는 단계;
    상기 실시간 스트림 데이터에 기초하여 상기 대상 환경 내 분석 대상을 검출하는 단계;
    사전 학습된 분석 모델을 이용하여, 상기 실시간 스트림 데이터로부터 상기 분석 대상에 대한 실시간 분석 결과를 생성하는 단계;
    상기 분석 대상에 대한 실시간 분석 결과의 변화에 기초하여 상기 분석 모델에 대한 재학습 필요성을 판단하는 단계; 및
    상기 재학습이 필요한 경우, 상기 실시간 스트림 데이터에 기초하여 상기 분석 모델을 재학습하는 단계를 포함하는 분석 모델 학습 방법.
  9. 청구항 8에 있어서,
    상기 판단하는 단계는, 상기 실시간 분석 결과 중 현재 시점 전의 분석 결과에 기초한 예측 분석 결과와 상기 실시간 분석 결과 중 현재 시점의 분석 결과에 기초하여 상기 재학습 필요성을 판단하는 분석 모델 학습 방법.
  10. 청구항 9에 있어서,
    상기 판단하는 단계는, 상기 예측 분석 결과와 상기 현재 시점의 분석 결과 사이의 오차에 기초하여 상기 재학습 필요성을 판단하는 분석 모델 학습 방법.
  11. 청구항 10에 있어서,
    상기 판단하는 단계는, 상기 예측 분석 결과와 상기 현재 시점의 분석 결과 사이의 절대 오차가 기 설정된 제1 임계값 이상인 경우, 상기 재학습이 필요한 것으로 판단하는 분석 모델 학습 방법.
  12. 청구항 10에 있어서,
    상기 판단하는 단계는, 기 설정된 시간 동안 산출된 상기 오차의 평균 값이 기 설정된 제2 임계값 이상인 경우, 상기 재학습이 필요한 것으로 판단하는 분석 모델 학습 방법.
  13. 청구항 10에 있어서,
    상기 판단하는 단계는, 상기 예측 분석 결과와 상기 현재 시점의 분석 결과 사이의 누적 오차가 기 설정된 제3 임계값 이상인 경우, 상기 재학습이 필요한 것으로 판단하는 분석 모델 학습 방법.
  14. 청구항 9에 있어서,
    상기 재학습하는 단계는, 상기 재학습이 필요한 경우, 현재까지 획득된 상기 대상 환경에 대한 실시간 스트림 데이터 중 적어도 일부에 상기 예측 분석 결과를 라벨링(labeling)하고, 상기 라벨링된 실시간 스트림 데이터를 이용하여 상기 분석 모델을 재학습하는 분석 모델 학습 방법.
KR1020190178554A 2019-12-30 2019-12-30 분석 모델 학습 장치 및 방법 KR20210085485A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190178554A KR20210085485A (ko) 2019-12-30 2019-12-30 분석 모델 학습 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190178554A KR20210085485A (ko) 2019-12-30 2019-12-30 분석 모델 학습 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20210085485A true KR20210085485A (ko) 2021-07-08

Family

ID=76894390

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190178554A KR20210085485A (ko) 2019-12-30 2019-12-30 분석 모델 학습 장치 및 방법

Country Status (1)

Country Link
KR (1) KR20210085485A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102296578B1 (ko) * 2021-07-15 2021-09-02 제이엔이시스텍(주) 증강 현실을 이용한 용접 보조 장치

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190139808A (ko) 2019-12-04 2019-12-18 주식회사 블루비즈 행동패턴 이상 징후 판별 시스템 및 이의 제공방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190139808A (ko) 2019-12-04 2019-12-18 주식회사 블루비즈 행동패턴 이상 징후 판별 시스템 및 이의 제공방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102296578B1 (ko) * 2021-07-15 2021-09-02 제이엔이시스텍(주) 증강 현실을 이용한 용접 보조 장치

Similar Documents

Publication Publication Date Title
US11176946B2 (en) Method and apparatus for speech recognition
US11238331B2 (en) System and method for augmenting an existing artificial neural network
GB2596448A (en) System and method of incremental learning for object detection
US9892326B2 (en) Object detection in crowded scenes using context-driven label propagation
KR102191722B1 (ko) 딥러닝 모델의 취약점 판단 장치 및 방법
KR102429583B1 (ko) 전자 장치, 그의 가이드 제공 방법 및 비일시적 컴퓨터 판독가능 기록매체
KR20130104286A (ko) 영상 처리 방법
KR102074909B1 (ko) 소프트웨어 취약점 분류 장치 및 방법
US20170139471A1 (en) Adaptive user presence awareness for smart devices
KR102325072B1 (ko) 포즈 매칭 방법 및 이를 수행하기 위한 장치
KR20220075273A (ko) 다중 객체 추적 방법 및 이를 위한 장치
CN114821066A (zh) 模型训练方法、装置、电子设备及计算机可读存储介质
US20200349374A1 (en) Systems and Methods for Face Recognition
KR20210085485A (ko) 분석 모델 학습 장치 및 방법
US20210312323A1 (en) Generating performance predictions with uncertainty intervals
CN110059743B (zh) 确定预测的可靠性度量的方法、设备和存储介质
KR20210155907A (ko) 미검출 이미지를 이용한 객체 검출기의 재학습 장치 및 방법
US20210124992A1 (en) Method and apparatus for generating integrated feature vector
EP4105893A1 (en) Dynamic artifical intelligence camera model update
CN110334244B (zh) 一种数据处理的方法、装置及电子设备
KR102396136B1 (ko) 멀티디바이스 기반 화자분할 성능 향상을 위한 방법 및 시스템
CN112742026B (zh) 游戏控制方法、装置、存储介质和电子设备
JP7349404B2 (ja) 判定装置、判定方法及び判定プログラム
CN114170439A (zh) 姿态识别方法、装置、存储介质和电子设备
KR20230077560A (ko) 전시관 맞춤형 서비스 제공 장치 및 이의 제어 방법

Legal Events

Date Code Title Description
A201 Request for examination