KR20210103835A - 인공지능 기반의 유행 예측 방법 및 장치 - Google Patents

Abstract

본 실시예들은 프로세서, 프로세서에 의해 실행되는 프로그램을 저장하는 메모리 및 소셜 네트워크 서비스로부터 패션 이미지를 수신하는 이미지 수신부를 포함하는 유행 예측 장치에 의한 유행 예측 방법에 있어서, 프로세서가 현재 유행하는 이미지, 런웨이 패션쇼 이미지 또는 트렌드 정보 이미지를 적어도 하나 포함하는 패션 이미지를 입력 받는 단계, 패션 이미지를 카테고리 별로 특징을 추출하는 단계, 추출된 특징을 기 설정된 속성으로 분류하는 단계 및 분류된 특징을 기반으로 패션 제품의 상세 아이템 별 노출 빈도를 추출하여 사용자의 단말기에 제공하는 단계를 포함하는 유행 예측 방법을 제시한다.

Description

인공지능 기반의 유행 예측 방법 및 장치{Method and Apparatus for trendy prediction Based on artificial intelligence}

본 발명은 인공지능 기반의 유행 예측 방법 및 장치에 관한 것으로, 특히 최적 상품 기획을 위한 인공지능 기반의 유행 예측 방법 및 장치에 관한 것이다.

이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.

종래에는 이미지 태깅(Tagging) 기술이 패션에 도입되고는 있으나, 실제 패션 기업의 실무자들이 유행을 예측하고 상품을 기획하는데 필요한 분류 체계까지 충족되고 있지 못한 문제가 있다.

기존의 딥 러닝 기술의 하나인 이미지 안에 어떠한 물체들이 있는지 구분하는 기술을 나타내는 R-CNN(Regions with CNN features)은 전체 이미지에서 패션 아이템들의 위치를 감지하고 패션 아이템을 분류하였다. R-CNN은 전체 이미지에서 패션 아이템들을 상의, 하의, 아우터 등의 종류와 의류 타입을 구분할 수 있었다.

기존의 유행 예측 방법은 전체 이미지에서 패션 아이템들을 상의, 하의, 아우터, 가방과 같이 카테고리로만 분류되었으며, 카테고리들의 상세 아이템 및 특성까지 분류하지 못하는 문제가 있다.

본 발명의 실시예들은 본 발명의 실시예들은 SNS에 올라오는 사진 이미지와 패션 컬렉션, 그리고 글로벌 정보사가 발간하는 정보지 내용을 근거로 패션 제품의 상세 아이템 별 노출 빈도를 추출하여 이를 상세 아이템 별로 수치화하고, 이에 기초한 상세 아이템별 아소트(Assortment)를 시각화하여 제공하는데 발명의 주된 목적이 있다.

본 발명의 명시되지 않은 또 다른 목적들은 하기의 상세한 설명 및 그 효과로부터 용이하게 추론할 수 있는 범위 내에서 추가적으로 고려될 수 있다.

상기 과제를 해결하기 위해, 본 발명의 일 실시예에 따른 유행 예측 방법은, 프로세서, 상기 프로세서에 의해 실행되는 프로그램을 저장하는 메모리 및 소셜 네트워크 서비스로부터 패션 이미지를 수신하는 이미지 수신부를 포함하는 유행 예측 장치에 의한 유행 예측 방법에 있어서, 상기 프로세서가 현재 유행하는 이미지, 런웨이 패션쇼 이미지 또는 트렌드 정보 이미지를 적어도 하나 포함하는 패션 이미지를 입력 받는 단계, 상기 패션 이미지를 카테고리 별로 특징을 추출하는 단계, 상기 추출된 특징을 기 설정된 속성으로 분류하는 단계 및 상기 분류된 특징을 기반으로 패션 제품의 상세 아이템 별 노출 빈도를 추출하여 사용자의 단말기에 제공하는 단계를 포함한다.

여기서, 상기 분류하는 단계는 상기 패션 이미지를 상의, 하의 또는 악세서리로 분류하는 단계 및 상기 상의, 하의 또는 악세서리로 분류된 패션 이미지를 각각의 길이, 모양, 컬러, 패턴, 재질을 적어도 하나 포함하는 특성으로 분류하는 단계를 포함한다.

여기서, 상기 유행 예측 방법은 상기 기 설정된 속성으로 분류된 특징의 빈도 수에 따른 빈도 값을 수치화하는 단계를 더 포함하고, 상기 사용자의 단말기에 제공하는 단계는 상기 수치화된 빈도 값을 상기 사용자의 단발기에 시각화된 자료로 제공하는 것을 특징으로 한다.

이상에서 설명한 바와 같이 본 발명의 실시예들에 의하면, 본 발명은 다양한 유행 정보 소스에 대한 빅데이터 분석을 통해 구체적이고 수치화된 형태로 유행을 예측할 수 있는 효과가 있다.

본 발명의 실시예들에 의하면, 본 발명은 패션 아이템을 세부 아이템으로 구별하여 상세 아이템 별 상품 구성 비율을 산출하여 차기 시즌의 아이템 별, 세부 아이템 별 상품 구성 계획에 도움을 줄 수 있는 효과가 있다.

본 발명의 실시예들에 의하면, 본 발명은 기획하고자 하는 스타일의 정확한 이미지를 다량으로 신속, 정확하게 제시함으로써 상품 기획 방향의 모호함과 혼동을 최소화하고 상품 기획 의도를 정확히 이해하는데 효과가 있다.

여기에서 명시적으로 언급되지 않은 효과라 하더라도, 본 발명의 기술적 특징에 의해 기대되는 이하의 명세서에서 기재된 효과 및 그 잠정적인 효과는 본 발명의 명세서에 기재된 것과 같이 취급된다.

도 1은 본 발명의 일 실시예에 따른 유행 예측 장치 및 방법이 수행되기 위한 구성 요소를 나타내는 블록도이다.
도 2는 본 발명의 일 실시예에 따른 유행 예측 방법을 나타내는 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 소셜 네트워크 서비스를 통해 입력되는 패션 이미지를 나타내는 예시도이다.
도 4는 본 발명의 일 실시예에 따른 유행 예측 장치 및 방법의 프로세서가 수행하는 유행 예측 신경망의 구조를 나타내는 도면이다.
도 5는 본 발명의 일 실시예에 따른 유행 예측 장치 및 방법의 프로세서가 수행하는 모든 속성에 대한 접근을 나타내는 도면이다.
도 6은 본 발명의 일 실시예에 따른 유행 예측 장치 및 방법의 신경망의 기본 구조를 나타내는 도면이다.
도 7은 본 발명의 일 실시예에 따른 유행 예측 장치를 통해 패션 이미지를 아이템 별로 나눈 예시도이다.
도 8는 본 발명의 일 실시예에 따른 유행 예측 장치를 통해 상세 아이템 별 아소트(Assortment)를 시각화하여 제공하는 예시도이다.
도 9는 실시예들에서 사용되기에 적합한 컴퓨팅 기기를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도이다.

이하, 본 발명을 설명함에 있어서 관련된 공지기능에 대하여 이 분야의 기술자에게 자명한 사항으로서 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하고, 본 발명의 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 그러나, 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 설명하는 실시예에 한정되는 것이 아니다. 그리고, 본 발명을 명확하게 설명하기 위하여 설명과 관계없는 부분은 생략되며, 도면의 동일한 참조부호는 동일한 부재임을 나타낸다.

및/또는 이라는 용어는 복수의 관련된 기재된 항들의 조합 또는 복수의 관련된 기재된 항들 중의 어느 항을 포함한다.

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.

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.

제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

본 발명은 인공지능 기반의 유행 예측 방법 및 장치에 관한 것이다.

도 1은 본 발명의 일 실시예에 따른 유행 예측 장치 및 방법이 수행되기 위한 구성 요소를 나타내는 블록도이다.

도 1을 참조하면, 유행 예측 장치(10)는 프로세서(12), 프로세서(12)에 의해 실행되는 프로그램을 저장하는 메모리(14) 및 소셜 네트워크 서비스(20)로부터 패션 이미지를 수신하는 이미지 수신부(16)를 포함할 수 있으며, 프로세서(12)에 의해 유행 예측 방법을 수행할 수 있다.

도 1의 유행 예측 장치(10)는 단독적으로 구현될 수도 있고, 또는 다른 컴퓨팅 장치와 적어도 일부 결합된 형태로 구현될 수도 있다. 또한, 도 1의 개념은, 사용 목적과 적용되는 장치에 따라 다양한 형태로 구현될 수 있다. 즉, 전체적인 구성을 소프트웨어로 구현할 수도 있고, 또는 그 일부를 소프트웨어적으로 구현할 수 있음은 당업자에게 자명한 것이다.

소셜 네트워크 서비스(20)는 유행 예측 장치(10)의 외부에 위치하는 것으로 도시하였으나 반드시 이에 한정되는 것은 아니며 유행 예측 장치(10)의 내부에 구성되어 패션 이미지를 유행 예측 장치(10)와 주고 받을 수 있다.

소셜 네트워크 서비스(20)는 웹상에서 이용자들이 인적 네트워크를 형성할 수 있게 해주는 서비스로서, 트위터, 페이스북, 라인, 인스타일 수 있으며, 반드시 이에 한정되는 것은 아니며, 이용자들의 정보 관리 및 정보 공유를 수행할 수 있는 서비스일 수 있다.

유행 예측 장치(10)는 웹상에서의 이용자들이 올린 패션, 패션 컬렉션, 패션 발간지 등을 입력 받아 패션 이미지에서 패션의 속성을 분류하고, 분류된 각 패션을 기반으로 빈도수 및 각 속성 값을 산출함에 따라 현재 트렌드 또는 패션 행사 등을 이해하는데 유용하게 이용될 수 있다.

유행 예측 장치(10)는 각종 유행 정보 소스를 빅데이터화하여 패션 제품의 각 속성 별로 분류, 분석하고, 그 빈도 값을 수치화, 시각화할 수 있다. 또한, 유행 예측 장치(10)는 스타일 별 이미지 태깅을 세분화하여 추구하는 스타일(예를 들어, 컨셉, 무드 등)의 구체적인 상품 이미지를 신속, 정확하게 수집하여 상품 기획자들에게 비주얼한 형태로 제시할 수 있다.

유행 예측 장치(10)는 도메인 요구사항을 보다 충실히 조사하여 각 속성 별로 보다 세분화되고 상세한 분류 체계를 충족시킬 수 있도록 이미지 태깅을 고도화하였으며, 더불어 이를 각 속성 별로 수치화하고, 시각화된 형태로 표현함으로써 실제 유행을 예측하고 그에 따라 상품을 기획하는데 실질적인 도움을 제시할 수 있다.

유행 예측 장치(10)는 스타일 별, 속성 별 상세 분류와 이에 대한 정확한 데이터 학습을 통해 각 스타일에 맞는 이미지들을 정확히 추출, 분류해 내는 특화 이미지 태깅 기술을 구현할 수 있다. 여기서, 스타일은 에스닉, 미니멀리즘, 시크, 모던, 빈티지 등을 포함할 수 있으며, 반드시 이에 한정되는 것은 아니다.

유행 예측 장치(10)는 기존의 추상적이고 모호한 트렌드 설명과 감과 직관에 기초한 유행 예측에서 벗어나 딥 러닝을 기반으로 다양한 유행 정보 소스에 대한 빅데이터 분석을 통해 구체적이고 수치화된 형태로 유행을 예측함으로써, 보다 과학적인 상품 구성이 가능할 수 있다.

유행 예측 장치(10)는 차기 시즌의 아이템 별, 세부 아이템 별 상품 구성 계획(상품 라인 별 포트폴리오) 수립을 과학적으로 지원함은 물론 한 단계 더 세분화하여 상세 아이템 별 상품 구성 비율을 산출해 냄으로써 패션 기업의 실무자들에게 실제적인 도움을 줄 수 있을 것이다. 또한, 유행 예측 장치(10)는 기획하고자 하는 스타일의 정확한 이미지를 다량으로 신속, 정확하게 제시함으로써 상품 기획 방향의 모호함과 혼동을 최소화하고 상품 기획의 의도를 정확히 이해하는데 큰 도움이 될 것이다.

따라서, 유행 예측 장치(10)에 의한 보다 정확한 유행 예측은 패션 기업들의 생산 및 재고 비용의 감소를 촉진하여 재무 구조의 개선을 기대할 수 있다. 또한, 예측의 정확도 제고는 불필요한 상품의 생산을 억제함으로써 과잉 생산에 따른 지구 생태계 파괴와 환경 오염, 의류 폐기물 감소 등의 효과를 기대할 수 있다.

유행 예측 장치(10)는 해외 글로벌 기업들에 맞서 패션 시장에 대한 특화된 유행 예측을 통해 국내 시장을 방어하고 해외 진출 또한 모색할 수 있으며, 패션 기업들의 재무 구조 개선에 따른 경쟁력 제고에 의해 추가적인 고용 창출의 가능성이 확대되는 효과가 있을 수 있다.

도 2는 본 발명의 일 실시예에 따른 유행 예측 방법을 나타내는 흐름도이다. 도 2는 도 1의 유행 예측 장치(10)에서 수행되는 유행 예측 방법을 설명하는 흐름도이다. 본 발명의 일 실시예에 따른 유행 예측 방법은, 유행 예측 장치(10)에서 시계열적으로 수행되는 하기의 단계들을 포함한다.

유행 예측 방법은 프로세서(12), 프로세서(12)에 의해 실행되는 프로그램을 저장하는 메모리(14) 및 소셜 네트워크 서비스(20)로부터 패션 이미지를 수신하는 이미지 수신부(16)를 포함하는 유행 예측 장치에 의해 수행될 수 있다.

유행 예측 방법은 프로세서(12)가 현재 유행하는 이미지, 런웨이 패션쇼 이미지 또는 트렌드 정보 이미지를 적어도 하나 포함하는 패션 이미지를 입력 받는 단계(S210), 패션 이미지를 카테고리, 색상, 재질을 포함하는 특징을 추출하는 단계(S220), 추출된 특징을 기 설정된 기준으로 분류하는 단계(S230) 및 분류된 특징을 기반으로 패션 제품의 상세 아이템 별 노출 빈도를 추출하여 사용자의 단말기에 제공하는 단계(S240)를 포함한다.

추출된 특징을 기 설정된 기준으로 분류하는 단계(S230)는 패션 이미지를 상의, 하의 또는 악세서리로 분류하는 단계 및 상의, 하의 또는 악세서리로 분류된 패션 이미지를 각각의 길이, 모양, 컬러, 패턴, 재질을 적어도 하나 포함하는 특성으로 분류하는 단계를 포함할 수 있다.

유행 예측 방법은 기 설정된 속성으로 분류된 특징의 빈도 수에 따른 빈도 값을 수치화하는 단계를 더 포함할 수 있다.

분류된 특징을 기반으로 패션 제품의 상세 아이템 별 노출 빈도를 추출하여 사용자의 단말기에 제공하는 단계(S240)는 수치화된 빈도 값을 상기 사용자의 단발기에 시각화된 자료로 제공할 수 있다.

도 2에서는 각각의 과정을 순차적으로 실행하는 것으로 개재하고 있으나 이는 예시적으로 설명한 것에 불과하고, 이 분야의 기술자라면 본 발명의 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 도 2에 기재된 순서를 변경하여 실행하거나 또는 하나 이상의 과정을 병렬적으로 실행하거나 다른 과정을 추가하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이다.

도 3은 본 발명의 일 실시예에 따른 소셜 네트워크 서비스를 통해 입력되는 패션 이미지를 나타내는 예시도이다.

유행 예측 장치(10)는 현재 유행하고 있는 패션과 6개월 뒤의 유행을 보여주는 런웨이 패션쇼, 1년 뒤를 예측하여 트렌드 정보사가 제시하는 패션 이미지 등을 종합하여 상세 아이템 별 빈도수와 각 속성값을 산출한 후 최적상품의 기획과 세부 아이템 별/속성별 상품 구성을 지원할 수 있다.

산출하는 속성값은 패션 이미지 등을 종합하여 상세 아이템 별 칼라, 소재, 패턴, 스타일 등의 각각의 속성 값일 수 있으며, 반드시 이에 한정되는 것은 아니다.

도 4는 본 발명의 일 실시예에 따른 유행 예측 장치 및 방법의 프로세서가 수행하는 유행 예측 신경망의 구조를 나타내는 도면이다.

본 발명의 일 실시예에 따른 신경망 구조는 Resnet-34 구조일 수 있다.

유행 예측 장치(10)는 패션의 다양한 스타일 요소 또는 속성을 다루는 라벨링 및 주석의 희소성을 고려하여 이미지에서 패션 속성을 추출할 수 있다. 유행 예측 장치(10)는 다중 분류를 사용하는 점진적인 트레이닝을 통해 패션 이미지에서 다양한 속성을 추출하여 분류할 수 있다.

예를 들어, 다양한 속성은 드레스, 상의, 하의(바지)를 기준으로 추출할 수 있다. 드레스의 속성은 모양, 길이, 헴 라인(hem line), 소매 스타일, 무늬, 소매 길이, 목 등을 포함할 수 있으며, 상의의 속성은 소매 스타일, 소매 길리, 패턴, 목 등을 포함할 수 있고, 하의(바지)의 속성은 페이드(Fade), 색조(Shade), Distress 등을 포함할 수 있다.

유행 예측 장치(10)는 객체 검출(Object Localization) 기술을 통해 구분된 객체들의 상세 타입(카테고리), 색상, 재질 등 구체적인 특징(Deep Feature)을 구체화할 수 있다.

유행 예측 장치(10)는 종래의 객체 검출(Object Localization) 수준의 이미지 인식에서 한 단계 더 들어가 상세 아이템 및 특성까지 분류할 수 있다. 예를 들어, 상세 아이템은 하의 --> 스커트 --> 랩스커트, 플레어 스커트로 분류될 수 있으며, 특성은 칼라, 직물의 패턴, 직물의 질감 재질 등으로 분류될 수 있다. 상세 아이템 및 특성은 상술한 바에 반드시 한정되는 것은 아니다.

본 발명의 일 실시예에 따르면, Resnet-34는 기본 네트워크(Base network)와 가지 네트워크(Branch network)로 나누어 각 속성을 학습 시 가지 네트워크(Branch network)를 추가할 수 있다. 가지 네트워크(Branch network)는 각각의 단계에서 소프트맥스 분류기(Softmax Classifier)를 구동함으로써 상의(Top) -> 소매 길이(Sleeves Length) -> 벨 소매(Bell sleeves)로 보다 디테일한 추가 속성까지 인식, 분류할 수 있다.

도 5는 본 발명의 일 실시예에 따른 유행 예측 장치 및 방법의 프로세서가 수행하는 모든 속성에 대한 접근을 나타내는 도면이고, 도 6은 본 발명의 일 실시예에 따른 유행 예측 장치 및 방법의 신경망의 기본 구조를 나타내는 도면이다.

본 발명의 일 실시예에 따르면, 유행 예측 장치(10)는 속성 A에 대한 학습을 시작할 때, 속성 A의 교차 엔트로피 오차(Cross Entropy Loss)에 기초해 기본 네트워크(Base network)와 가지 네트워크(Branch network)의 가중치(Weights)를 업데이트(Update)할 수 있다. 이때 가지 네트워크 가중치(Branch network weight)를 특정 속성에 국한시켜 피드백 받음으로써 정확도를 제고할 수 있다.

본 발명의 일 실시예에 따르면, Resnet-34는 도 6과 같은 기본 구조를 형성하고, 도 6을 참조하면, 입력과 출력의 관계를 알 수 있다.

도 7은 본 발명의 일 실시예에 따른 유행 예측 장치를 통해 패션 이미지를 아이템 별로 나눈 예시도이다.

도 7의 (a)는 각각의 패션 이미지에서 상의 및 드레스의 패션 속성을 분류한 예시도이며, 도 7의 (b)는 분류한 속성을 기준으로 패션 이미지를 또 다른 속성으로 분류한 예시도이다.

도 7의 (a)를 참조하면, 상의는 소매 스타일, 보트 넥(Boat Neck), 크롭 탑(Crop Top) 및 바서티 인쇄(Varsity Typography)로 속성이 분류될 수 있으며, 드레스는 둥금 목둘레선을 따라 올라가다가 꺾어 접어 내린 칼라를 나타내는 셔츠 칼라(Shirt Collar), 짧은 소매(Short Sleeves), 줄무늬 프린드(Striped Print) 및 에이라인 모양(A-Line Shape)로 속성이 분류될 수 있다.

도 7의 (b)는 상의 소매, 드레스 모양, 바지 색조에 따라 패션 이미지를 분류한 예시도이다.

도 7을 참조하면, 상의 소매는 벨 소매(Bell Sleeves), 베트윙 소매(Batwing Sleeves), 구멍 소매(Slit Sleeves), 민소매(No Sleeves)로 분류할 수 있다. 상의 소매는 상술한 속성의 분류로 한정하지 않으며, 7부, 8부와 같이, 또는 통의 넓이 등 다양한 기준에 따라 분류할 수 있다.

드레스 모양은 랩 모양(Wrap Shape), 피트 앤드 플레어 모양(Fit and Flare Shape), 에이라인 모양(A-Line Shape), 맥시 모양(Maxi Shape)으로 분류할 수 있다. 드레스 모양은 상술한 속성의 분류로 한정하지 않으며, 길이, 통의 넓이 등 다양한 기준에 따라 분류할 수 있다.

바지 색조는 어두운 색조(Dark Shade), 밝은 색조(Light Shade), 중간 색조(Medium Shade), 색이 있는 색조(Coloured Shade)로 분류할 수 있다. 바지 색조는 상술한 속성의 분류로 한정하지 않으며, 밝고 어두운 정도 뿐 아니라 다양한 색상에 따라 분류할 수 있다.

도 8는 본 발명의 일 실시예에 따른 유행 예측 장치를 통해 상세 아이템 별 아소트(Assortment)를 시각화하여 제공하는 예시도이다.

본 발명의 일 실시예에 따르면, 딥러닝으로 분석된 패션 이미지의 속성 정보는 매우 복잡하며 패션 이미지의 수는 매우 방대할 수 있다. 이러한 대규모 데이터를 빠르게 검색하기 위해서는 데이터를 효과적으로 표현하고 색인해야 하며, 패션 이미지의 속성 정보의 양자화를 통해 보다 단순한 정보로 변형하고, 이를 전통적인 기술을 통해 색인하면 빠른 탐색이 가능할 수 있다. 백터 양자화(Vector Quantization)는 이미지가 담고 있는 속성 정보를 빠르게 처리할 수 있도록 압축하는 방식을 의미한다.

도 8을 참조하면, 유행 예측 장치(10)는 SNS에 올라오는 사진 이미지와 패션 컬렉션, 그리고 글로벌 정보사가 발간하는 정보지 내용을 근거로 패션 제품의 상세 아이템 별 노출 빈도를 추출하여 이를 상세 아이템 별로 수치화하고, 이에 기초한 상세 아이템 별 아소트(Assortment)를 시각화하여 제공할 수 있다. 여기서, 아소트(Assortment)는 패션 아이템을 디자인이나 치수에 따라 구분한 단위로서, 유행 예측 장치(10)를 통해 속성을 추출하고 분류하여 생성하여 시각화되어 제공될 수 있다.

도 8은 유행 예측 장치를 통해 이용자의 단말기에 제공하는 시각 정보를 나타내며, 도 8에 도시한 예시들로 한정되지 않는다.

도 9는 실시예들에서 사용되기에 적합한 컴퓨팅 기기를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도이다.

도 9는 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 기기를 포함하는 컴퓨팅 환경을 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 환경은 유행 예측 장치(10)를 포함한다. 일 실시예에서, 유행 예측 장치(10)는 타 단말기와 신호를 송수신하는 모든 형태의 컴퓨팅 기기일 수 있다.

유행 예측 장치(10)는 적어도 하나의 프로세서(910), 컴퓨터 판독 가능한 저장매체(920) 및 통신 버스(960)를 포함한다. 프로세서(910)는 유행 예측 장치(10)로 하여금 앞서 언급된 예시적인 실시예에 따라 동작하도록 할 수 있다. 예컨대, 프로세서(910)는 컴퓨터 판독 가능한 저장 매체(920)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(910)에 의해 실행되는 경우 유행 예측 장치(10)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.

컴퓨터 판독 가능한 저장 매체(920)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능한 저장 매체(920)에 저장된 프로그램(930)은 프로세서(910)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독한 가능 저장 매체(920)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 기기들, 광학 디스크 저장 기기들, 플래시 메모리 기기들, 그 밖에 유행 예측 장치(10)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.

통신 버스(960)는 프로세서(910), 컴퓨터 판독 가능한 저장 매체(920)를 포함하여 유행 예측 장치(10)의 다른 다양한 컴포넌트들을 상호 연결한다.

유행 예측 장치(10)는 또한 하나 이상의 입출력 장치(미도시)를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(940) 및 하나 이상의 통신 인터페이스(950)를 포함할 수 있다. 입출력 인터페이스(940) 및 통신 인터페이스(950)는 통신 버스(960)에 연결된다. 입출력 장치(미도시)는 입출력 인터페이스(940)를 통해 유행 예측 장치(10)의 다른 컴포넌트들에 연결될 수 있다. 예시적인 입출력 장치는 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(미도시)는 유행 예측 장치(10)를 구성하는 일 컴포넌트로서 유행 예측 장치(10)의 내부에 포함될 수도 있고, 유행 예측 장치(10)와는 구별되는 별개의 장치로 컴퓨팅 기기와 연결될 수도 있다.

본 실시예들에 따른 동작은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능한 매체에 기록될 수 있다. 컴퓨터 판독 가능한 매체는 실행을 위해 프로세서에 명령어를 제공하는 데 참여한 임의의 매체를 나타낸다. 컴퓨터 판독 가능한 매체는 프로그램 명령, 데이터 파일, 데이터 구조 또는 이들의 조합을 포함할 수 있다. 예를 들면, 자기 매체, 광기록 매체, 메모리 등이 있을 수 있다. 컴퓨터 프로그램은 네트워크로 연결된 컴퓨터 시스템 상에 분산되어 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다. 본 실시예를 구현하기 위한 기능적인(Functional) 프로그램, 코드, 및 코드 세그먼트들은 본 실시예가 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있을 것이다.

본 실시예들은 본 실시예의 기술 사상을 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

10: 유행 예측 장치

Claims (3)

1. 프로세서, 상기 프로세서에 의해 실행되는 프로그램을 저장하는 메모리 및 소셜 네트워크 서비스로부터 패션 이미지를 수신하는 이미지 수신부를 포함하는 유행 예측 장치에 의한 유행 예측 방법에 있어서,
   상기 프로세서가,
   현재 유행하는 이미지, 런웨이 패션쇼 이미지 또는 트렌드 정보 이미지를 적어도 하나 포함하는 패션 이미지를 입력 받는 단계;
   상기 패션 이미지를 카테고리 별로 특징을 추출하는 단계;
   상기 추출된 특징을 기 설정된 속성으로 분류하는 단계; 및
   상기 분류된 특징을 기반으로 패션 제품의 상세 아이템 별 노출 빈도를 추출하여 사용자의 단말기에 제공하는 단계를 포함하는 유행 예측 방법.
2. 제1항에 있어서,
   상기 분류하는 단계는,
   상기 패션 이미지를 상의, 하의 또는 악세서리로 분류하는 단계; 및
   상기 상의, 하의 또는 악세서리로 분류된 패션 이미지를 각각의 길이, 모양, 컬러, 패턴, 재질을 적어도 하나 포함하는 특성으로 분류하는 단계를 포함하는 유행 예측 방법.
3. 제1항에 있어서,
   상기 유행 예측 방법은,
   상기 기 설정된 속성으로 분류된 특징의 빈도 수에 따른 빈도 값을 수치화하는 단계를 더 포함하고,
   상기 사용자의 단말기에 제공하는 단계는,
   상기 수치화된 빈도 값을 상기 사용자의 단발기에 시각화된 자료로 제공하는 것을 특징으로 하는 유행 예측 방법.

Images