KR20220016695A

KR20220016695A - 딥러닝에 기반한 이미지 분할 장치 및 방법

Info

Publication number: KR20220016695A
Application number: KR1020200096966A
Authority: KR
Inventors: 전형주; 김영조; 박현희; 이아랑; 임성준; 최종범; 한창수
Original assignee: 삼성전자주식회사
Priority date: 2020-08-03
Filing date: 2020-08-03
Publication date: 2022-02-10
Also published as: US20230186480A1; WO2022030943A1

Abstract

본 문서의 일 실시 예에 따른 전자 장치에서 딥러닝에 기반한 이미지 분할 방법은, 상기 전자 장치의 프로세서가 입력 이미지를 획득하는 동작, 상기 프로세서가, 상기 입력 이미지를 제1 해상도를 가지는 제1 이미지 및 제2 해상도를 가지는 제2 이미지로 변환하는 동작, 상기 프로세서가, 제1 딥러닝 엔진을 이용하여 상기 제1 이미지에 대해 제1 이미지 처리를 수행하는 동작, 상기 프로세서가, 상기 제1 딥러닝 엔진과 구별되는 제2 딥러닝 엔진을 이용하여 상기 제2 이미지에 대한 제2 이미지 처리를 수행하는 동작, 상기 프로세서가, 상기 제1 이미지 처리에 따른 제1 영역 분할 정보와 상기 제2 이미지 처리에 따른 제2 영역 분할 정보에 기반하여 출력 이미지를 생성하는 동작을 포함할 수 있다.
다양한 실시 예들에 따르면, 전자 장치에 적용 가능한 처리 시간은 유지하면서도 이미지 분할의 양자화 오류 및 디테일한 부분의 성능 저하를 해결할 수 있는 전자 장치 및 방법을 제공할 수 있다.

Description

딥러닝에 기반한 이미지 분할 장치 및 방법{ELECTRONIC DEVICE AND METHOD FOR IMAGE SEGMENTATION BASED ON DEEP LEARNING}

본 문서의 다양한 실시 예들은 딥러닝(deep learning)을 통해 이미지 분할(image segmentation)을 처리하는 방법 및 전자 장치에 관한 것이다.

컴퓨터 비전 관련 다양한 분야(예: 자율주행자동차, 의료기기)에서 이미지 분석을 통한 이미지 분할에 관한 기술의 발전하고 있다.

이미지 분할에 관한 기술들은 이미지 내에 있는 객체들을 의미 있는 단위로 분할하거나 이미지 내의 각 픽셀의 영역을 예측하는 등의 형태로 다양하게 발전되고 있다.

구체적으로는 이미지 내에서 객체와 배경을 분류, 같은 종류의 객체들을 분류, 독립된 객체들을 모두 분류하는 것과 관련된 기술들이 존재한다.

종래의 딥러닝을 이용한 전자 장치에서 이미지 분할의 처리 시에 비트 심도(bit depth)를 작게 하면 양자화 오류(quantization error)가 커지게 되고, 그에 따라 이미지 분할에 대한 전자 장치의 성능이 저하될 수 있었다.

종래의 딥러닝을 이용한 전자 장치에서 입력 이미지의 해상도를 낮게 하면 디테일한 부분의 분할 성능이 떨어지게 되고, 입력 이미지의 해상도를 높게 하면 처리 시간(processing time)이 길어져 연산 능력이 제한적인 전자 장치에 적용하기 어려운 문제가 있었다.

본 문서의 다양한 실시 예에 따르면 높은 비트 심도 및 해상도를 적용하면서도 처리 시간을 유지하거나 줄일 수 있다. 또한 높은 비트 심도 및 해상도를 적용함으로 인해 양자화 오류 또는 디테일한 부분의 성능이 저하하는 문제점을 해결할 수 있다.

본 문서의 일 실시 예에 따른 전자 장치에서 딥러닝에 기반한 이미지 분할 방법은, 상기 전자 장치의 프로세서가 입력 이미지를 획득하는 동작, 상기 프로세서가 상기 입력 이미지를 제1 해상도를 가지는 제1 이미지 및 제2 해상도를 가지는 제2 이미지로 변환하는 동작, 상기 프로세서가, 제1 딥러닝 엔진을 이용하여 상기 제1 이미지에 대해 제1 이미지 처리를 수행하는 동작, 상기 프로세서가 상기 제1 딥러닝 엔진과 구별되는 제2 딥러닝 엔진을 이용하여 상기 제2 이미지에 대한 제2 이미지 처리를 수행하는 동작, 상기 프로세서가 상기 제1 이미지 처리에 따른 제1 영역 분할 정보와 상기 제2 이미지 처리에 따른 제2 영역 분할 정보에 기반하여 입력 이미지의 영역 분할 정보를 생성하는 동작 포함할 수 있다.

본 문서의 일 실시 예에 따른 전자 장치에는 메모리, 상기 메모리와 작동적으로 연결된 프로세서를 포함하고, 상기 프로세서는, 입력 이미지를 획득하고, 상기 입력 이미지를 제1 해상도를 가지는 제1 이미지 및 상기 제1 해상도와 다른 제2 해상도를 가지는 제2 이미지로 변환하고, 제1 딥러닝 엔진을 이용하여 상기 제1 이미지에 대해 제1 이미지 처리를 수행하고, 상기 제1 딥러닝 엔진과 구별되는 제2 딥러닝 엔진을 이용하여 상기 제2 이미지에 대한 제2 이미지 처리를 수행하고, 상기 제1 이미지 처리에 따른 제1 영역 분할 정보와 상기 제2 이미지 처리에 따른 제2 영역 분할 정보에 기반하여 입력 이미지의 영역 분할 정보를 생성하는 전자 장치가 포함될 수 있다.

다양한 실시 예들에 따르면, 전자 장치에 적용 가능한 처리 시간은 유지하면서도 이미지 분할의 양자화 오류 및 디테일한 부분의 성능 저하를 해결할 수 있는 전자 장치 및 방법을 제공할 수 있다.

다양한 실시 예들에 기초하여 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도 1은 다양한 실시 예들에 따른 네트워크 환경 내의 전자 장치의 블럭도이다.
도 2는 일 실시 예에 따른 전자 장치의 구성을 나타내는 구성도이다.
도 3은 일 실시 예에 따른 딥러닝 엔진의 구성을 나타내는 구성도이다.
도 4는 일 실시 예에 따른 전자 장치가 입력 이미지로부터 출력 이미지를 생성하는 개략적인 흐름을 나타내는 흐름도이다.
도 5는 일 실시 예에 따른 전자 장치가 가중치에 기반하여 출력 이미지를 생성하는 흐름을 나타내는 흐름도이다.
도 6은 일 실시 예에 따른 전자 장치가 입력 이미지로부터 출력 이미지를 생성하는 구체적인 흐름을 나타내는 흐름도이다.

도 1은, 다양한 실시 예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블럭도이다.

도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108)와 통신할 수 있다. 일 실시 예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일 실시 예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 장치(150), 음향 출력 장치(155), 표시 장치(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시 예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 표시 장치(160) 또는 카메라 모듈(180))가 생략되거나, 하나 이상의 다른 구성 요소가 추가될 수 있다. 어떤 실시 예에서는, 이 구성요소들 중 일부들은 하나의 통합된 회로로 구현될 수 있다. 예를 들면, 센서 모듈(176)(예: 지문 센서, 홍채 센서, 또는 조도 센서)은 표시 장치(160)(예: 디스플레이)에 임베디드된 채 구현될 수 있다

프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)을 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일 실시 예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 로드하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일 실시 예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서), 및 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 추가적으로 또는 대체적으로, 보조 프로세서(123)은 메인 프로세서(121)보다 저전력을 사용하거나, 또는 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.

보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 표시 장치(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일 실시 예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성 요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다.

메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.

프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.

입력 장치(150)는, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 장치(150)은, 예를 들면, 마이크, 마우스, 키보드, 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.

음향 출력 장치(155)는 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 장치(155)는, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있고, 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일 실시 예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.

표시 장치(160)는 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 표시 장치(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일 실시 예에 따르면, 표시 장치(160)는 터치를 감지하도록 설정된 터치 회로(touch circuitry), 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 센서 회로(예: 압력 센서)를 포함할 수 있다.

오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일 실시 예에 따르면, 오디오 모듈(170)은, 입력 장치(150) 를 통해 소리를 획득하거나, 음향 출력 장치(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102)) (예: 스피커 또는 헤드폰))를 통해 소리를 출력할 수 있다.

센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일 실시 예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.

인터페이스(177)는 전자 장치(101)이 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일 실시 예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.

연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일 실시 예에 따르면, 연결 단자(178)은, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.

햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일 실시 예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.

카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일 실시 예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.

전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일 실시 예에 따르면, 전력 관리 모듈(388)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.

배터리(189)는 전자 장치(101)의 적어도 하나의 구성 요소에 전력을 공급할 수 있다. 일 실시 예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.

통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108))간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일 실시 예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi direct 또는 IrDA(infrared data association) 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 셀룰러 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부 전자 장치와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성 요소(예: 단일 칩)으로 통합되거나, 또는 서로 별도의 복수의 구성 요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 및 인증할 수 있다.

안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일 실시 예에 따르면, 안테나 모듈은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 하나의 안테나를 포함할 수 있다. 일 실시 예에 따르면, 안테나 모듈(197)은 복수의 안테나들을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시 예에 따르면, 방사체 이외에 다른 부품(예: RFIC)이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.

상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))를 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.

일 실시 예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 전자 장치(102, 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일 실시 예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부 전자 장치들(102, 104) 중 하나 이상의 외부 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다.

도 2는 일 실시 예에 따른 전자 장치(101)의 구성을 나타내는 구성도이다.

일 실시 예에 따른 전자 장치(101)는 프로세서(120), 메모리(130), 표시장치(160), 인터페이스(177), 및 카메라 모듈(180)을 적어도 포함할 수 있다. 프로세서(120)는 메모리(130), 표시장치(160), 인터페이스(177), 및 카메라 모듈(180)을 제어할 수 있다. 또한 프로세서(12)는 GPU(graphics processing unit), DSP(digital signal processor)를 포함할 수 있다.

일 실시 예에 따른 전자 장치(101)는 해상도 변환 모듈(210), 딥러닝 엔진(220), 및 합성 모듈(230)을 포함 및/또는 구현할 수 있다. 예를 들어, 프로세서(120)는 메모리(130)에 저장되는 프로그램이나 명령어들을 실행함으로써, 해상도 변환 모듈(210), 딥러닝 엔진(220), 및 합성 모듈(230)을 소프트웨어 방식으로 구현할 수 있다. 또한 일 실시 예에서, 전자 장치(101)는 해상도 변환 모듈(210), 딥러닝 엔진(220), 및 합성 모듈(230)에 각각 대응되는 하드웨어 모듈을 포함할 수 있다. 일부 실시 예에서, 해상도 변환 모듈(210), 딥러닝 엔진(220), 및 합성 모듈(230) 중 적어도 하나는 소프트웨어 모듈로, 다른 적어도 하나는 하드웨어 모듈로 구현될 수도 있다.

일 실시 예에서, 프로세서(120)는 해상도 변환 모듈(210), 딥러닝 엔진(220), 및 합성 모듈(230)을 제어할 수 있다. 또한 해상도 변환 모듈(210), 딥러닝 엔진(220), 및 합성 모듈(230) 각각은 서로 연결될 수 있고 프로세서(120)의 제어에 따라 이미지 분할에 관한 동작을 수행할 수 있다.

일 실시 예에 따른 해상도 변환 모듈(210)은 전자 장치(101)가 획득한 입력 이미지의 해상도를 변환할 수 있다. 또한 해상도 변환 모듈(210)은 전자 장치(101)가 획득한 입력 이미지의 전부의 해상도를 변환할 수도 있고, 입력 이미지의 일부의 해상도를 변환할 수도 있다.

일 실시 예에 따른 딥러닝 엔진(220)은 딥러닝에 기반하여 이미지 분할을 처리할 수 있다. 딥러닝 엔진(220)의 이미지 분할에 대한 동작은 도 3 내지 도 6을 참조하여 후술한다.

일 실시 예에서 딥러닝 엔진(220)은 제1 딥러닝 엔진(221) 및 제2 딥러닝 엔진(222)을 포함할 수 있다. 제1 딥러닝 엔진(221) 및 제2 딥러닝 엔진(222)은 각각 딥러닝 엔진(220)이 수행하는 이미지 분할에 대한 동작을 수행할 수 있다.

일 실시 예에서 딥러닝 엔진(220)은 상술한 제1 딥러닝 엔진(221) 및 제2 딥러닝 엔진(222)에 한정되지 않고, 3개 이상의 딥러닝 엔진들(예: 제1 딥러닝 엔진(221), 제2 딥러닝 엔진(222), 및 제3 딥러닝 엔진)을 포함할 수도 있다.

일 실시 예에 따른 합성 모듈(230)은 딥러닝 엔진(220)에 기반하여 처리된 이미지 분할의 결과 데이터를 합성할 수 있다.

일 실시 예에서 전자 장치(101)의 제1 딥러닝 엔진(221) 및 제2 딥러닝 엔진(222)은 입력 이미지에 대한 이미지 분할을 수행하여 결과 데이터들(예: 제1 영역 분할 정보, 제2 영역 분할 정보)을 생성할 수 있다. 또한 결과 데이터들(예: 제1 영역 분할 정보, 제2 영역 분할 정보)은 배경(background) 데이터 및 전경(foreground) 데이터를 포함할 수 있다.

일 실시 예에 따르면 전자 장치(101)는 도 2에 도시하지 않은 다른 구성들을 포함할 수 있다. 예를 들어 센서 데이터를 압축하는 센서 데이터 인코딩 모듈(미도시)을 포함할 수도 있다.

도 3은 일 실시 예에 따른 딥러닝 엔진(220)의 구성을 나타내는 구성도이다. 일 실시 예에 따른 딥러닝 엔진(220)은 이미지 입력 모듈(300), 학습 모듈(310), 실행 모듈(320), 및 분할 모듈(330)을 포함할 수 있다. 딥러닝 엔진(220)은 CNN(convolutional neural network) 기반의 딥러닝을 수행할 수 있다. 도 3에 도시된 딥러닝 엔진(220)은 예시적인 것이고, 본 문서에 제시되는 다양한 실시 예에서는 적절한 형태의 딥러닝 엔진이 적용될 수 있다.

일 실시 예에 따른 이미지 입력 모듈(300)은 딥러닝 기반의 이미지 분할을 수행하기 위한 이미지를 획득할 수 있다. 예를 들어 이미지 입력 모듈(300)이 획득하는 이미지는 해상도 변환 모듈(예: 해상도 변환 모듈(210))에 의해 해상도 변환이 수행된 이미지일 수 있다.

일 실시 예에 따른 학습 모듈(310)은 딥러닝 엔진(220)이 획득한 이미지(예: 해상도 변환이 수행된 이미지)를 이미지 입력 모듈(300)로부터 전달받을 수 있다. 또한 학습 모듈(310)은 이미지 입력 모듈(300)로부터 딥러닝 엔진(220)이 획득한 이미지(예: 해상도 변환이 수행된 이미지)를 연속적으로 복수 회 전달 받을 수 있다.

일 실시 예에서 학습 모듈(310)은 딥러닝 학습을 통해 학습 정보를 생성할 수 있고, 학습 정보를 실행 모듈(320)에 전달할 수 있다.

일 실시 예에서 학습 모듈(310)은 컨볼루션(convolution) 과정 및 풀링(pooling) 과정을 반복 수행함으로써 딥러닝 학습을 수행할 수 있고, 학습 정보를 생성할 수 있다. 예를 들어 학습 모듈(310)은 획득한 해상도 변환이 수행된 이미지에서 컨볼루션 및 풀링 과정을 반복함으로써 추상화된 정보들(예: 객체 정보, 배경 정보, 색상 정보)를 검출할 수 있다. 또한 학습 모듈(310)은 CNN 기반의 학습을 수행할 수 있다.

일 실시 예에서 학습 모듈(310)은 컨볼루션 과정에서 복수의 필터(filter)를 이용하여 획득한 이미지의 특징을 검출할 수 있다. 학습 모듈(310)이 획득한 이미지의 특징을 검출함에 있어서 필터 파라미터를 이용할 수 있다. 예를 들어 필터 파라미터는 획득한 이미지의 특징을 검출하기 위한 파라미터일 수 있다. 필터 파라미터는 4

4 행렬 또는 3

3 행렬과 같은 정사각행렬로 정의될 수 있다.

일 실시 예에서 학습 모듈(310)은 필터에 기반하여 획득한 이미지에 대한 데이터를 지정된 간격(예: 스트라이드(stride))으로 순차적으로 이동하면서 채널별로 컨볼루션(또는 합성곱)을 수행할 수 있다. 예를 들어 컬러 이미지는 각 픽셀의 R(red), G(green), B(blue)에 기반한 3차원 데이터일 수 있고, 컬러 이미지는 R, G, B에 대응하는 3개의 채널을 포함할 수 있다. 이 경우 학습 모듈(310)은 획득한 이미지에 대한 데이터에 대한 채널별(예: 컬러 이미지의 경우 3개의 채널)의 컨볼루션의 합을 특징맵(feature map)으로서 생성할 수 있다.

일 실시 예에서 학습 모듈(310)은 컨볼루션을 수행함으로써 특징맵을 생성할 수 있고, 또한 특징맵에 활성 함수를 추가적으로 적용하여 활성맵(activation map)은 생성될 수 있다.

일 실시 예에서 학습 모듈(310)은 획득한 이미지가 복수의 채널들을 포함하는 경우 채널별 특징맵을 생성할 수 있고, 각 채널의 특징맵을 합산함으로써 하나의 최종 특징맵을 생성할 수 있다.

일 실시 예에서 학습 모듈(310)은 컨볼루션 과정 이후에 풀링 과정을 통해 획득한 이미지의 특징을 유지하면서 차원(dimension)을 줄일 수 있다. 예를 들어 학습 모듈(310)은 풀링 과정에서 비선형 다운 샘플링을 수행할 수 있고, 학습해야 하는 매개 변수(예: 필터 파라미터)의 수를 줄임으로써 출력을 간소화할 수 있다. 또한 학습 모듈(310)은 풀링 과정에서 활성맵의 크기를 줄이거나 특정 데이터를 강조할 수 있다.

일 실시 예에 따른 실행 모듈(320)은 딥러닝 엔진(220)이 획득한 이미지(예: 해상도 변환이 수행된 이미지)를 이미지 입력 모듈(300)로부터 전달받을 수 있다. 또한 실행 모듈(320)은 학습 모듈(310)로부터 학습 정보(예: 추상화된 정보들(예: 객체 정보, 배경 정보, 색상 정보)을 포함하는 학습 정보)를 전달받을 수 있다. 학습 정보 및 이미지 입력 모듈(300)로부터 딥러닝 엔진(220)이 획득한 이미지에 기반하여 이미지 분할(image segmentation)에 관한 처리를 수행할 수 있다.

일 실시 예에 따른 분할 모듈(330)은 실행 모듈(320)의 이미지 분할 처리에 기반하여 최종적으로 이미지를 분할할 수 있다. 상술한 이미지 분할은 예를 들어 이미지 내 객체의 경계 및 경계 이외의 영역, 인물 및 인물 이외의 영역, 밝은 영역 및 어두운 영역, 복잡한 영역 및 단순한 영역을 분할하는 것일 수 있다. 상기 영역들에 대한 기준은 사용자가 설정할 수 있고, 전자 장치(101)에 이미 설정되어 있을 수도 있다.

일 실시 예에 따른 제1 딥러닝 엔진(221) 및 제2 딥러닝 엔진(222)은 딥러닝 엔진(220)의 구성(예: 이미지 입력 모듈(300), 학습 모듈(310), 실행 모듈(320), 및 분할 모듈(330))에 대응하는 구성들을 각각 포함할 수 있고, 상기 구성들은 학습 모듈(310), 실행 모듈(320), 및 분할 모듈(330)이 수행하는 동작 또는 처리에 대응하는 동작 또는 처리를 수행할 수 있다.

일 실시 예에서 전자 장치(101)의 내부에서 이미지 입력 모듈(300), 학습 모듈(310), 실행 모듈(320), 및 분할 모듈(330)의 상술한 딥러닝 동작들이 수행될 수 있고, 전자 장치(101)의 외부에서 수행된 이미지 입력 모듈(300), 학습 모듈(310), 실행 모듈(320), 및 분할 모듈(330)의 상술한 딥러닝 동작들에 관한 정보들이 전자 장치(101)에 입력될 수도 있다. 전자 장치(101)의 외부에서 수행된 딥러닝 동작들에 관한 정보들이 전자 장치(101)에 입력되는 경우, 전자 장치(101)는 프로세서(120)의 제어에 따라 후술하는 입력 이미지에 관한 처리를 수행할 수 있다.

다른 실시 예에서, 전자 장치(101)의 이미지 입력 모듈(300), 실행 모듈(310), 및 분할 모듈(330)은 전자 장치(101)의 내부에서 상술한 딥러닝 동작들을 수행할 수 있고, 학습 모듈(310)은 전자 장치(101)의 외부에서 상술한 딥러닝 동작들이 수행될 수 있다. 이 경우 전자 장치(101)의 외부에서 수행된 학습 모듈(310)의 딥러닝 동작들에 관한 정보들이 전자 장치(101)에 입력될 수 있고, 전자 장치(101)는 프로세서(120)의 제어에 따라 후술하는 입력 이미지에 관한 처리를 수행할 수 있다.

도 4는 일 실시 예에 따른 전자 장치(101)가 입력 이미지로부터 입력 이미지의 영역 분할 정보를 생성하는 개략적인 흐름을 나타내는 흐름도이다.

일 실시 예에 따르면, 동작 410에서 전자 장치(101)는 프로세서(120)의 제어에 의해 입력 이미지를 획득할 수 있다. 전자 장치(101)는 카메라 모듈(108)을 이용하여 입력 이미지와 관련된 다양한 이미지들을 획득할 수 있고, 프로세서(120)를 이용하여 입력 이미지를 해상도 변환 모듈(210)로 전달할 수 있다.

일 실시 예에서 입력 이미지는 하나의 이미지일 수 있고, 복수의 이미지들일 수도 있다.

일 실시 예에서 해상도 변환 모듈(210)로 전달되는 하나의 입력 이미지 또는 복수의 입력 이미지는 전자 장치(101)가 사용자의 촬영 명령을 통해 촬영을 수행한 촬영 이미지일 수 있다. 또한 하나의 입력 이미지 또는 복수의 입력 이미지는 전자 장치(101)의 센서(예: 카메라 모듈(180)의 이미지 센서(미도시))를 통해 획득한 프리뷰 이미지일 수도 있다. 전자 장치(101)는 하나의 입력 이미지 또는 복수의 입력 이미지를 메모리(130)에 저장할 수 있다.

일 실시 예에 따르면, 동작 420에서 전자 장치(101)의 프로세서(120)는 입력 이미지의 해상도를 변환할 수 있다.

일 실시 예에서 전자 장치(101)는 프로세서(120)의 제어에 의해 획득한 입력 이미지의 해상도를 서로 다른 2개 이상의 해상도로 변환할 수 있다. 예를 들어 전자 장치(101)의 프로세서(120)는 해상도 변환 모듈(210)을 제어하여 입력 이미지의 해상도가 4032

3024인 경우, 256

256의 해상도 또는 480

480의 해상도로 조절할 수 있다.

일 실시 예에서 전자 장치(101)는 프로세서(120)의 제어에 따라 획득한 입력 이미지의 해상도를 해상도 변환 모듈(210)에 기반한 변환을 하여 복수의 이미지를 생성할 수 있다. 예를 들어 해상도 변환 모듈(210)은 입력 이미지의 해상도가 4032

3024인 경우, 256

256의 해상도를 가지는 이미지(예: 제1 이미지) 및 480

480의 해상도를 가지는 이미지(예: 제2 이미지)를 생성할 수 있다.

일 실시 예에서 전자 장치(101)는 프로세서(120)의 제어에 따라 입력 이미지의 일부에 대한 해상도를 해상도 변환 모듈(210)에 기반한 변환을 할 수도 있다. 예를 들어 입력 이미지의 일부는 입력 이미지 내 객체의 경계 및 경계 이외의 영역, 인물 및 인물 이외의 영역, 밝은 영역 및 어두운 영역, 복잡한 영역 및 단순한 영역일 수 있다. 상기 영역들에 대한 기준은 사용자가 설정할 수 있고, 전자 장치(101)에 이미 설정되어 있을 수도 있다. 전자 장치(101)의 프로세서(120)는 해상도 변환 모듈(210)을 제어하여 입력 이미지의 일부에 대한 해상도를 변환하여 복수의 이미지를 생성할 수도 있다. 예를 들어, 전자 장치(101)의 프로세서(120)는, 입력 이미지에서 특정 영역의 해상도를 변환할 수 있고, 입력 이미지의 일부를 크롭한 후 크롭된 부분의 해상도를 변환할 수도 있다. 이 경우 전자 장치(101)의 프로세서(120)는 입력 이미지의 해상도를 변환함으로써 복수의 이미지들을 생성할 수 있다. 또한 다른 예를 들면, 전자 장치(101)의 프로세서(120)는 해상도 변환이 필요하지 않은 경우에 입력 이미지의 일부를 크롭만 함으로써 복수의 이미지를 생성할 수도 있다.

일 실시 예에 따르면, 동작 430은 동작 431 및 동작 432를 포함할 수 있다.

일 실시 예에 따른 동작 431에서 전자 장치(101)의 프로세서(120)는 해상도 변환한 이미지(예: 제1 이미지)를 제1 딥러닝 엔진(221)을 통해 딥러닝에 기반한 이미지 분할 처리(예: 제1 이미지 처리)하여 영역 분할 정보(예: 제1 영역 분할 정보)를 생성할 수 있다.

일 실시 예에서 전자 장치(101)의 프로세서(120)는 해상도 변환 모듈(210)에 기반하여 해상도를 변환한 제1 이미지를 제1 딥러닝 엔진(221)에 전달할 수 있다. 예를 들어 제1 이미지는 256

256의 해상도를 가지는 이미지일 수 있다.

일 실시 예에서 전자 장치(101)의 제1 딥러닝 엔진(221)은 제2 딥러닝 엔진(222)과 다른 파라미터(예: 제1 파라미터)에 기반하여 이미지 분할 처리(예: 제1 이미지 처리)를 수행할 수 있다. 예를 들어 제1 딥러닝 엔진(221)은 32bit의 높은 비트 심도에 따라 제1 이미지 처리를 수행할 수 있다.

일 실시 예에서 전자 장치(101)의 프로세서(120)는 제1 딥러닝 엔진(221)에 기반한 제1 이미지 처리 후에 제1 영역 분할 정보를 생성할 수 있다. 제1 영역 분할 정보는 제1 비트 심도(예: 32bit)에 따라 이미지 분할 처리를 수행한 결과로 생성된 데이터일 수 있다.

일 실시 예에 따른 동작 432에서 전자 장치(101)의 프로세서(120)는 해상도 변환한 이미지(예: 제2 이미지)를 제2 딥러닝 엔진(222)을 통해 딥러닝에 기반한 이미지 분할 처리(예: 제2 이미지 처리)하여 영역 분할 정보(예: 제2 영역 분할 정보)를 생성할 수 있다.

일 실시 예에서 전자 장치(101)의 프로세서(120)는 해상도 변환 모듈(210)에 해상도를 변환한 제2 이미지를 제2 딥러닝 엔진(222)에 전달할 수 있다. 예를 들어 제2 이미지는 480

480의 해상도를 가지는 이미지일 수 있다.

일 실시 예에서 전자 장치(101)의 제2 딥러닝 엔진(222)은 제1 딥러닝 엔진(221)과 다른 파라미터(예: 제2 파라미터)에 기반하여 이미지 분할 처리(예: 제2 이미지 처리)를 수행할 수 있다. 예를 들어 제2 딥러닝 엔진(222)은 제2 비트 심도(예: 8bit)의 낮은 비트 심도에 따라 제2 이미지 처리를 수행할 수 있다.

일 실시 예에서 전자 장치(101)의 프로세서(120)는 제2 딥러닝 엔진(222)에 기반한 제2 이미지 처리 후에 제2 영역 분할 정보를 생성할 수 있다. 제2 영역 분할 정보는 제2 비트 심도(예: 8bit)에 따라 이미지 분할 처리를 수행한 결과로 생성한 데이터일 수 있다.

일 실시 예에 따르면, 동작 440에서 전자 장치(101)는 프로세서(120)의 제어에 따라 제1 영역 분할 정보 및 제2 영역 분할 정보에 기반한 합성을 통해 입력 이미지의 영역 분할 정보를 생성할 수 있다.

일 실시 예에서, 전자 장치(101)의 프로세서(120)는 합성 모듈(230)을 제어하여 제1 영역 분할 정보 및 제2 영역 분할 정보를 합성할 수 있다. 예를 들어 합성 모듈(230)은 제1 비트 심도(예: 32bit)에 기반하여 생성된 제1 영역 분할 정보와 제2 비트 심도(예: 8bit)에 기반하여 생성된 제2 영역 분할 정보를 합성할 수 있다. 또한 전자 장치(101)는 제1 영역 분할 정보 및 제2 영역 분할 정보를 합성하여 입력 이미지의 영역 분할 정보를 생성할 수 있다.

다른 실시 예에서, 전자 장치(101)의 프로세서(120)는 합성 모듈(230)을 제어하여 영역 분할 정보들(예: 제1 영역 분할 정보 또는 제2 영역 분할 정보)을 메모리(130)에 저장되어 있는 하나 이상의 이미지의 영역 분할 정보와 합성할 수도 있다. 예를 들어 메모리(130)에 저장되어 있는 하나 이상의 이미지의 영역 분할 정보는 전자 장치(101)가 사용자의 촬영 명령을 통해 촬영을 수행한 촬영 이미지에 관한 영역 분할 정보일 수도 있고, 전자 장치(101)의 센서(예: 센서 모듈(176))를 통해 획득한 프리뷰 이미지에 관한 영역 분할 정보일 수도 있다. 전자 장치(101)의 합성 모듈(230)은 프로세서(120)의 제어에 따라, 영역 분할 정보(예: 제1 영역 분할 정보 또는 제2 영역 분할 정보)와 메모리(130)에 저장된 촬영 이미지에 관한 영역 분할 정보와 합성을 수행할 수 있다. 또한 전자 장치(101)의 합성 모듈(230)은 프로세서(120)의 제어에 따라 영역 분할 정보(예: 제1 영역 분할 정보 또는 제2 영역 분할 정보)와 메모리(130)에 저장된 프리뷰 이미지에 관한 영역 분할 정보와 합성을 수행할 수도 있다.

일 실시 예에서 전자 장치(101)는 다른 해상도의 이미지들을 프로세서(120)의 제어에 따라 동일한 파라미터의 제1 딥러닝 엔진(221) 및 제2 딥러닝 엔진(222)을 이용하여 이미지 분할 처리를 할 수 있다.

일 실시 예에서 전자 장치(101)는 동일한 해상도의 이미지들을 서로 다른 파라미터의 제1 딥러닝 엔진(221) 및 제2 딥러닝 엔진(222)을 이용하여 이미지 분할 처리를 할 수 있다. 예를 들어 입력 이미지의 해상도가 4032

3024인 경우, 전자 장치(101)는 해상도를 변환한 256

256의 해상도를 가지는 이미지들을 서로 다른 비트 심도(예: 8bit, 32bit)의 딥러닝 엔진들(예: 8bit의 제1 딥러닝 엔진(221), 32bit의 제2 딥러닝 엔진(222))에 기반하여 이미지 분할 처리를 수행할 수 있다.

다양한 실시 예에 따른 전자 장치(101)에서의 입력 이미지의 해상도 및 딥러닝 엔진들(예: 제1 딥러닝 엔진(221), 제2 딥러닝 엔진(222))의 파라미터의 조합은 상술한 예로 한정되지 않고 다양하게 구현될 수 있다.

일 실시 예에서 전자 장치(101)는 도 4에 도시한 것과 같은 병렬의 동작이 아닌, 직렬(또는 순차적인)의 동작으로 제1 딥러닝 엔진(221) 및 제2 딥러닝 엔진(222)에 기반한 이미지 분할 처리를 할 수 있다.

일 실시 예에 따른 전자 장치(101)에서 제1 딥러닝 엔진(221) 및 제2 딥러닝 엔진(222)과 관련된 파라미터들은 다양할 수 있다. 예를 들어, 상기 파라미터는 비트 심도, 해상도에 대한 파라미터를 포함할 수 있다. 또한 상기 파라미터는 CPU, GPU, DSP, NPU와 같은 처리 IP에 대한 파라미터일 수 있다.

일 실시 예에 따른 전자 장치(101)의 제1 딥러닝 엔진(221) 및 제2 딥러닝 엔진(222)에 적용될 수 있는 파라미터들의 조합은 다양할 수 있다. 예를 들어, 전자 장치(101)의 제1 딥러닝 엔진(221) 및 제2 딥러닝 엔진(222)에는 비트 심도, 해상도, 및 처리 IP의 속도의 조합들을 다양하게 적용할 수 있다. 구체적으로 예를 들면, 제1 딥러닝 엔진(221)에는 높은 비트 심도, 고해상도, 및 빠른 처리 IP의 파라미터 조합을 적용하고, 제2 딥러닝 엔진(222)에는 낮은 비트 심도, 저해상도, 및 느린 처리 IP의 조합을 적용할 수 있다. 다른 예를 들면, 제1 딥러닝 엔진(221)에는 높은 비트 심도, 저해상도, 및 빠른 처리 IP의 조합을 적용하고, 제2 딥러닝 엔진(222)에는 낮은 비트 심도, 저해상도, 및 느린 처리 IP의 조합을 적용할 수 있다. 또한 제1 딥러닝 엔진(221)에는 낮은 비트 심도, 고해상도, 및 빠른 처리 IP의 조합을 적용하고, 제2 딥러닝 엔진(222)에는 낮은 비트 심도, 저해상도, 및 느린 처리 IP의 조합을 적용할 수 있다.

일 실시 예에 따른 전자 장치(101)의 제1 딥러닝 엔진(221) 및 제2 딥러닝 엔진(222)에 적용될 수 있는 파라미터들의 조합은 상술한 조합에 한정되지 않을 수 있다.

일 실시 예에 따른 제1 영역 분할 정보 및 제2 영역 분할 정보의 합성에 대한 설명은 도 5 내지 도 6을 참조하여 후술한다.

도 5는 일 실시 예에 따른 전자 장치(101)가 가중치에 기반하여 출력 이미지를 생성하는 흐름을 나타내는 흐름도이다.

일 실시 예에 따르면, 도 4를 참조하여 설명한 동작 430에서 전자 장치(101)는 프로세서(120)의 제어에 따라 제1 영역 분할 정보 및 제2 영역 분할 정보를 생성할 수 있다. 예를 들어 제1 영역 분할 정보는 32bit의 비트 심도에 따라 이미지 분할 처리를 수행한 결과로 생성한 데이터일 수 있고, 제2 영역 분할 정보는 8bit의 비트 심도에 따라 이미지 분할 처리를 수행한 결과로 생성한 데이터일 수 있다. 또한 전자 장치(101)는 GPU를 이용하여 높은 비트 심도(예: 32bit)에 기반한 제1 영역 분할 정보를 생성할 수 있고, DSP를 이용하여 낮은 비트 심도(예: 8bit)에 기반한 제2 영역 분할 정보를 생성할 수 있다.

일 실시 예에 따르면, 동작 510에서 전자 장치(101)는 프로세서(120)의 제어에 따라 제1 영역 분할 정보 및 제2 영역 분할 정보 각각의 해상도를 입력 이미지의 해상도로 변환할 수 있다.

일 실시 예에서 전자 장치(101)의 프로세서(120)는 해상도 변환 모듈(210)을 제어하여 제1 영역 분할 정보를 입력 이미지의 해상도로 변환할 수 있다. 예를 들어, 전자 장치(101)의 해상도 변환 모듈(210)은 32bit의 비트 심도에 따라 이미지 분할 처리를 수행한 결과로 생성한 제1 영역 분할 정보를 동작 410에서 획득한 입력 이미지의 해상도로 변환할 수 있다.

일 실시 예에서 전자 장치(101)의 프로세서(120)는 해상도 변환 모듈(210)을 제어하여 제2 영역 분할 정보를 입력 이미지의 해상도로 변환할 수 있다. 예를 들어 해상도 변환 모듈(210)은 8bit의 비트 심도에 따라 이미지 분할 처리를 수행한 결과로 생성한 제2 영역 분할 정보를 동작 410에서 획득한 입력 이미지의 해상도로 변환할 수 있다.

일 실시 예에 따르면, 동작 520에서 전자 장치(101)의 프로세서(120)는 해상도를 변환한 제1 영역 분할 정보 및 제2 영역 분할 정보 각각의 가중치를 결정할 수 있다.

일 실시 예에서 전자 장치(101)의 합성 모듈(230)은 프로세서(120)의 제어에 따라 결과 데이터(예: 제1 영역 분할 정보, 제2 영역 분할 정보)의 입력 이미지의 영역에 따른 가중치 정보(예: 제1 가중치 정보, 제2 가중치 정보)를 결정할 수 있다. 예를 들면 전자 장치(101)의 합성 모듈(230)은 제1 영역 분할 정보에 있어서 입력 이미지 중 객체의 경계 영역에 적용할 제1 가중치 정보를 결정할 수 있다. 또한 전자 장치(101)의 합성 모듈(230)은 프로세서(120)의 제어에 따라 제2 영역 분할 정보에 있어서 입력 이미지 중 객체의 경계 이외의 영역에 적용할 제2 가중치 정보를 결정할 수 있다. 구체적인 예를 들면, 합성 모듈(230)은 제1 영역 분할 정보에 있어서 객체의 경계 영역은 높은 가중치로, 객체의 경계 이외의 영역은 낮은 가중치로 하는 제1 가중치 정보를 결정할 수 있다. 이 경우 높은 가중치로 인해 객체의 경계 영역에 대한 이미지 분할이 객체의 경계 이외의 영역에 대한 이미지 분할보다 잘 이루어질 수 있다.

일 실시 예에서, 전자 장치(101)의 합성 모듈(230)은 제2 영역 분할 정보에 있어서는 객체의 경계 영역은 낮은 가중치로, 객체의 경계 이외의 영역은 높은 가중치로 하는 제2 가중치 정보를 결정할 수 있다. 다른 예를 들면 전자 장치(101)의 합성 모듈(230)은 제1 영역 분할 정보에 있어서 입력 이미지 중 인물의 영역에 적용할 제1 가중치 정보를 결정할 수 있고, 제2 영역 분할 정보에 있어서는 입력 이미지 중 인물 이외의 영역에 적용할 제2 가중치 정보를 결정할 수도 있다. 이 경우 높은 가중치로 인해 객체의 경계 영역에 대한 이미지 분할보다 객체의 경계 이외의 영역에 대한 이미지 분할이 잘 이루어질 수 있다.

일 실시 예에서 입력 이미지의 영역은 밝은 영역 및 어두운 영역, 복잡한 영역 및 단순한 영역일 수 있다. 가중치 정보(예: 제1 가중치 정보, 제2 가중치 정보)와 관련된 입력 이미지의 영역은 상술한 예로 한정되지 않는다.

일 실시 예에 따르면, 동작 530에서 전자 장치(101)는 프로세서(120)의 제어에 따라 각각의 가중치에 따른 합성을 통해 입력 이미지의 영역 분할 정보를 생성할 수 있다.

일 실시 예에서, 전자 장치(101)의 프로세서(120)는 합성 모듈(230)을 제어하여 제1 가중치 정보를 적용한 영역(예: 높은 가중치의 객체의 경계 영역 및 낮은 가중치의 객체의 경계 이외의 영역)에 대한 변환된 제1 영역 분할 정보와, 제2 가중치 정보를 적용한 영역(예: 낮은 가중치의 객체의 경계 영역, 높은 가중치의 객체의 경계 이외의 영역)에 대한 변환된 제2 영역 분할 정보를 합성할 수 있다.

일 실시 예에서 전자 장치(101)의 프로세서(120)는 합성 모듈(230)을 제어하여 가중치에 따른 합성을 통해 입력 이미지의 영역 분할 정보를 생성할 수 있다. 예를 들어 객체의 경계 영역에 높은 가중치를 적용한 제1 영역 분할 정보와 객체의 경계 이외의 영역에 높은 가중치를 적용한 제2 영역 분할 정보를 합성하여 입력 이미지의 영역 분할 정보를 생성할 수 있다.

도 6은 일 실시 예에 따른 전자 장치(101)가 입력 이미지로부터 입력 이미지의 영역 분할 정보를 생성하는 구체적인 흐름을 나타내는 흐름도이다. 다양한 실시 예에 따른 전자 장치(101)의 동작 610 내지 동작 680은 프로세서(120)의 제어에 따라 수행될 수 있다.

일 실시 예에 따르면, 동작 610에서 전자 장치(101)는 카메라 모듈(108)에 기반하여 입력 이미지(611)를 획득할 수 있다. 예를 들어 입력 이미지(611)는 4032

3024의 해상도를 가지는 이미지일 수 있다. 또한 전자 장치(101)의 프로세서(120)는 입력 이미지(611)를 해상도 변환 모듈(210)로 전달할 수 있다.

일 실시 예에 따르면, 동작 620에서 전자 장치(101)는 해상도 변환 모듈(210)을 통해 입력 이미지(611)를 다른 해상도를 가지는 2개의 이미지(예: 제1 이미지, 제2 이미지)로 변환할 수 있다. 예를 들어 전자 장치(101)의 해상도 변환 모듈(210)은 입력 이미지(611)를 256

256의 해상도를 가지는 제1 이미지(621)로 변환할 수 있다. 또한 전자 장치(101)의 해상도 변환 모듈(210)은 입력 이미지(611)를 480

480의 해상도를 가지는 제2 이미지(622)로 변환할 수 있다.

일 실시 예에 따른 제1 이미지(621) 또는 제2 이미지(622)의 해상도는 상술한 예로 한정하지 않고, 사용자가 목적에 따라 다양하게 설정하거나, 전자 장치(101)에 설정되어 있을 수 있다.

일 실시 예에 따르면, 동작 630에서 전자 장치(101)는 다른 해상도를 가지는 2개의 이미지(예: 제1 이미지, 제2 이미지)를 복수의 딥러닝 엔진(예: 제1 딥러닝 엔진(211), 제2 딥러닝 엔진(222))에 기반하여 이미지 분할 처리를 할 수 있다.

일 실시 예에서 제1 딥러닝 엔진(221)은 해상도 변환 모듈(210)로부터 특정한 해상도(예: 256

256의 해상도)를 가지는 제1 이미지(621)를 전달받을 수 있다.

일 실시 예에서 제1 딥러닝 엔진(221)은 설정된 파라미터(예: 32bit의 비트 심도)에 기반한 이미지 분할 처리(예: 제1 이미지 처리)를 수행할 수 있다. 예를 들어 제1 이미지 처리는 딥러닝에 기반한 이미지 분할 처리일 수 있다.

일 실시 예에서 제1 딥러닝 엔진(221)은 이미지 분할 처리(예: 제1 이미지 처리)의 수행 후에 특정한 해상도(예: 64

64의 해상도)를 가지는 영역 분할 정보(예: 제1 영역 분할 정보(641))를 생성할 수 있다. 영역 분할 정보의 해상도는 상술한 예로 제한되지 않으며, 제1 딥러닝 엔진(221)의 설정에 따라 다양할 수 있다.

일 실시 예에서 제2 딥러닝 엔진(222)은 해상도 변환 모듈(210)로부터 특정한 해상도(예: 480

480의 해상도)를 가지는 제2 이미지(622)를 전달받을 수 있다.

일 실시 예에서 제2 딥러닝 엔진(222)은 설정된 파라미터(예: 8bit의 비트 심도)에 기반한 이미지 분할 처리(예: 제2 이미지 처리)를 수행할 수 있다. 예를 들어 제2 이미지 처리는 딥러닝에 기반한 이미지 분할 처리일 수 있다.

일 실시 예에서 제2 딥러닝 엔진(222)은 이미지 분할 처리(예: 제2 이미지 처리)의 수행 후에 특정한 해상도(예: 120

120의 해상도)를 가지는 영역 분할 정보(예: 제2 영역 분할 정보(642))를 생성할 수 있다. 영역 분할 정보의 해상도는 상술한 예로 제한되지 않으며, 제2 딥러닝 엔진(222)의 설정에 따라 다양할 수 있다.

일 실시 예에 따르면, 동작 640에서 전자 장치(101)는 영역 분할 정보들(예: 제1 영역 분할 정보(641), 제2 영역 분할 정보(642))을 해상도 변환 모듈(210)로 전달할 수 있다. 예를 들어 전자 장치(101)는 프로세서(120)를 이용하여 64

64의 해상도를 가지는 제1 영역 분할 정보(641) 및 120

120의 해상도를 가지는 제2 영역 분할 정보(642)를 해상도 변환 모듈(210)로 전달할 수 있다.

일 실시 예에 따르면, 동작 650에서 전자 장치(101)는 영역 분할 정보들(예: 제1 영역 분할 정보(641), 제2 영역 분할 정보(642))을 해상도 변환 모듈(210)에 기반하여 입력 이미지(611)의 해상도(예: 4032

3024의 해상도)로 변환할 수 있다. 예를 들어 전자 장치(101)는 64

64의 해상도를 가지는 제1 영역 분할 정보(641) 및 120

120의 해상도를 가지는 제2 영역 분할 정보(642)를 4032

3024의 해상도로 변환할 수 있다.

일 실시 예에 따르면, 동작 660에서 전자 장치(101)는 입력 이미지(611)의 해상도(예: 4032

3024의 해상도)로 변환한 영역 분할 정보들(예: 제1 영역 분할 정보(641), 제2 영역 분할 정보(642))을 합성 모듈(230)로 전달할 수 있다. 예를 들어 전자 장치(101)는 해상도 변환 모듈(210)에서 입력 이미지의 해상도(예: 4032

3024의 해상도)로 해상도 변환을 수행한 제1 영역 분할 정보(641) 및 제2 영역 분할 정보(642)를 프로세서(120)를 이용하여 합성 모듈(230)로 전달할 수 있다.

일 실시 예에 따르면, 동작 670에서 전자 장치(101)는 해상도 변환을 수행한 제1 영역 분할 정보(641) 및 제2 영역 분할 정보(642)를 합성할 수 있다.

일 실시 예에서 전자 장치(101)는 입력 이미지의 해상도(예: 4032

3024의 해상도)로 해상도 변환을 수행한 제1 영역 분할 정보(641) 및 제2 영역 분할 정보(642)를 합성할 수 있다.

일 실시 예에서 전자 장치(101)는 각각의 가중치에 따라 입력 이미지의 해상도(예: 4032

일 실시 예에서 전자 장치(101)의 합성 모듈(230)은 입력 이미지(611)의 해상도(예: 4032

3024의 해상도)로 동작 650에 따라 해상도 변환을 수행한 영역 분할 정보들(예: 해상도 변환을 수행한 제1 영역 분할 정보(641) 및 제2 영역 분할 정보(642))의 각각의 가중치를 결정할 수 있다. 예를 들면 전자 장치(101)의 합성 모듈(230)은 동작 650에 따라 해상도 변환을 수행한 제1 영역 분할 정보(641)에 있어서의 이미지 중 객체의 경계 영역에 적용할 가중치 정보(예: 제1 가중치 정보)를 결정할 수 있다. 또한 전자 장치(101)의 합성 모듈(230)은 동작 650에 따라 해상도 변환을 수행한 제2 영역 분할 정보(642)에 있어서의 이미지 중 객체의 경계 이외의 영역에 적용할 가중치(예: 제2 가중치 정보)를 결정할 수 있다. 구체적인 예를 들면 합성 모듈(230)은 동작 650에 따라 해상도 변환을 수행한 제1 영역 분할 정보(641)에 있어서 객체의 경계 영역은 높은 가중치로 결정하고, 객체의 경계 이외의 영역은 낮은 가중치로 결정할 수 있다. 또한 합성 모듈(230)은 동작 650에 따라 해상도 변환을 수행한 제2 영역 분할 정보(642)에 있어서는 객체의 경계 영역은 낮은 가중치로 결정하고, 객체의 경계 이외의 영역은 높은 가중치로 결정할 수 있다. 다른 예를 들면 전자 장치(101)의 합성 모듈(230)은 동작 650에 따라 해상도 변환을 수행한 제1 영역 분할 정보에 있어서 입력 이미지 중 인물의 영역에 적용할 가중치를 결정할 수 있고, 동작 650에 따라 해상도 변환을 수행한 제2 영역 분할 정보에 있어서는 입력 이미지 중 인물 이외의 영역에 적용할 가중치를 결정할 수도 있다. 또한 가중치와 관련된 이미지의 영역은 상술한 예로 한정되지 않는다.

일 실시 예에서, 전자 장치(101)의 합성 모듈(230)은 예를 들어 제1 영역 분할 정보에 있어서 높은 가중치의 객체의 경계 영역 및 낮은 가중치의 객체의 경계 이외의 영역과, 제2 영역 분할 정보에 있어서 낮은 가중치의 객체의 경계 영역, 높은 가중치의 객체의 경계 이외의 영역에 대한 정보를 합성할 수 있다. 예를 들면, 제 1영역 분할 정보에서의 제1 가중치 정보는 객체의 경계 영역은 낮은 가중치, 객체의 경계 이외의 영역은 높은 가중치를 가지는 정보일 수 있고, 제2 영역 분할 정보에서의 제 2 가중치 정보는 객체의 경계 영역은 높은 가중치, 객체의 경계 이외의 영역은 낮은 가중치를 가지는 정보일 수 있다. 전자 장치(101)는 프로세서(120)의 제어에 따라 제1 가중치 정보 및 제2 가중치 정보에 기반하여 제1 영역 분할 정보 및 제2 영역 분할 정보를 합성할 수 있다.

일 실시 예에 따르면, 동작 680에서 전자 장치(101)는 4032

3024의 해상도를 가지는 입력 이미지의 영역 분할 정보(681)를 생성할 수 있다. 예를 들어, 전자 장치(101)는 입력 이미지의 해상도(예: 4032

3024의 해상도)로 해상도 변환을 수행한 제1 영역 분할 정보(641) 및 제2 영역 분할 정보(642)를 합성하여 입력 이미지의 해상도(예: 4032

3024의 해상도)와 동일한 해상도를 가지는 입력 이미지의 영역 분할 정보(681)를 생성할 수 있다. 다른 예를 들어 전자 장치(101)는 입력 이미지의 해상도(예: 4032

3024의 해상도)로 해상도 변환을 수행한 제1 영역 분할 정보(641) 및 제2 영역 분할 정보(642)를 각각의 가중치 정보(예: 제1 가중치 정보, 제2 가중치 정보)에 따라 합성하여 입력 이미지의 해상도(예: 4032

3024의 해상도)와 동일한 해상도를 가지는 입력 이미지의 영역 분할 정보(681)를 생성할 수 있다.

본 문서의 일 실시 예에 따른 전자 장치(예: 전자 장치(101))의 딥러닝에 기반한 이미지 분할 방법은, 상기 전자 장치(예: 전자 장치(101))의 프로세서(예: 프로세서(120))가 입력 이미지를 획득하는 동작, 상기 프로세서(예: 프로세서(120))가, 상기 입력 이미지를 제1 해상도를 가지는 제1 이미지 및 제2 해상도를 가지는 제2 이미지로 변환하는 동작, 상기 프로세서(예: 프로세서(120))가, 제1 딥러닝 엔진(예: 제1 딥러닝 엔진(221))을 이용하여 상기 제1 이미지에 대해 제1 이미지 처리를 수행하는 동작, 상기 프로세서(예: 프로세서(120))가, 상기 제1 딥러닝 엔진(예: 제1 딥러닝 엔진(221))과 구별되는 제2 딥러닝 엔진(예: 제2 딥러닝 엔진(222))을 이용하여 상기 제2 이미지에 대한 제2 이미지 처리를 수행하는 동작, 및 상기 프로세서(예: 프로세서(120))가, 상기 제1 이미지 처리에 따른 제1 영역 분할 정보와 상기 제2 이미지 처리에 따른 제2 영역 분할 정보에 기반하여 입력 이미지의 영역 분할 정보를 생성하는 동작을 포함할 수 있다.

본 문서의 일 실시 예에 따른 상기 전자 장치(예: 전자 장치(101))의 상기 딥러닝에 기반한 이미지 분할 방법에 있어서, 상기 입력 이미지의 영역 분할 정보를 생성하는 동작은, 상기 제1 영역 분할 정보 및 상기 제2 영역 분할 정보를 합성하는 동작을 더 포함할 수 있다.

본 문서의 일 실시 예에 따른 상기 전자 장치(예: 전자 장치(101))의 상기 딥러닝에 기반한 이미지 분할 방법은, 상기 제1 영역 분할 정보 및 상기 제2 영역 분할 정보를 상기 입력 이미지의 해상도로 변환하는 동작, 변환한 제1 영역 분할 정보에 대해 제1 가중치 정보를 결정하고 변환한 제2 영역 분할 정보에 대해 제2 가중치 정보를 결정하는 동작, 및 상기 제1 가중치 정보 및 상기 제2 가중치 정보에 기반하여 상기 입력 이미지의 영역 분할 정보를 생성하는 동작을 포함할 수 있다.

본 문서의 일 실시 예에 따른 상기 전자 장치(예: 전자 장치(101))의 상기 딥러닝에 기반한 이미지 분할 방법에 있어서, 상기 제1 가중치 정보와 상기 제2 가중치 정보는 상기 입력 이미지의 영역들에 따라 다르게 설정될 수 있다.

본 문서의 일 실시 예에 따른 상기 전자 장치(예: 전자 장치(101))의 상기 딥러닝에 기반한 이미지 분할 방법에 있어서, 상기 입력 이미지의 상기 영역들은, 객체의 경계 영역과 경계 외의 영역, 인물 영역과 인물 외의 영역, 밝기가 밝은 영역과 어두운 영역, 복잡한 영역과 단순한 영역을 적어도 포함할 수 있다.

본 문서의 일 실시 예에 따른 상기 전자 장치(예: 전자 장치(101))의 상기 딥러닝에 기반한 이미지 분할 방법은, 상기 제1 딥러닝 엔진(예: 제1 딥러닝 엔진(221))은 제1 파라미터에 기반하여 상기 제1 이미지에 대해 제1 이미지 처리를 수행하는 동작, 상기 제2 딥러닝 엔진(예: 제2 딥러닝 엔진(222))은 제1 파라미터와 구별되는 제2 파라미터에 기반하여 상기 제2 이미지에 대한 제2 이미지 처리를 수행하는 동작을 포함할 수 있다.

본 문서의 일 실시 예에 따른 상기 전자 장치(예: 전자 장치(101))의 상기 딥러닝에 기반한 이미지 분할 방법에 있어서, 상기 제1 파라미터 및 상기 제2 파라미터는, 비트 심도(bit depth), 해상도(resolution), 처리 IP 중 적어도 하나에 대한 파라미터일 수 있다.

본 문서의 일 실시 예에 따른 상기 전자 장치(예: 전자 장치(101))의 상기 딥러닝에 기반한 이미지 분할 방법에 있어서, 상기 입력 이미지의 영역 분할 정보를 생성하는 동작은, 상기 메모리(예: 메모리(130))에 저장된 영역 분할 정보와, 상기 제1 영역 분할 정보 또는 상기 제2 영역 분할 정보를 합성하는 동작을 더 포함할 수 있다.

본 문서의 일 실시 예에 따른 상기 전자 장치(예: 전자 장치(101))의 상기 딥러닝에 기반한 이미지 분할 방법은, 상기 제1 딥러닝 엔진(예: 제1 딥러닝 엔진(221))은 제1 파라미터에 기반하여 상기 제1 이미지에 대해 제1 이미지 처리를 수행하는 동작, 및 상기 제2 딥러닝 엔진(예: 제2 딥러닝 엔진(222))은 제1 파라미터에 기반하여 상기 제2 이미지에 대한 제2 이미지 처리를 수행하는 동작을 포함할 수 있다.

본 문서의 일 실시 예에 따른 상기 전자 장치(예: 전자 장치(101))의 상기 딥러닝에 기반한 이미지 분할 방법에 있어서, 상기 제1 이미지의 상기 제1 해상도는, 상기 제2 이미지의 상기 제2 해상도와 동일할 수 있다.

본 문서의 일 실시 예에 따른 전자 장치(예: 전자 장치(101))에 있어서, 전자 장치(예: 전자 장치(101))는, 메모리(예: 메모리(130)), 상기 메모리(예: 메모리(130))와 작동적으로 연결된 프로세서(예: 프로세서(120))를 포함하고, 상기 프로세서(예: 프로세서(120))는, 입력 이미지를 획득하고, 상기 입력 이미지를 제1 해상도를 가지는 제1 이미지 및 제2 해상도를 가지는 제2 이미지로 변환하고, 제1 딥러닝 엔진(예: 제1 딥러닝 엔진(221))을 이용하여 상기 제1 이미지에 대해 제1 이미지 처리를 수행하고, 상기 제1 딥러닝 엔진(예: 제1 딥러닝 엔진(221))과 구별되는 제2 딥러닝 엔진(예: 제2 딥러닝 엔진(222))을 이용하여 상기 제2 이미지에 대한 제2 이미지 처리를 수행하고, 상기 제1 이미지 처리에 따른 제1 영역 분할 정보와 상기 제2 이미지 처리에 따른 제2 영역 분할 정보에 기반하여 입력 이미지의 영역 분할 정보를 생성할 수 있다.

본 문서의 일 실시 예에 따른 상기 전자 장치(예: 전자 장치(101))에 있어서, 상기 프로세서(예: 프로세서(120))는, 상기 제1 영역 분할 정보 및 상기 제2 영역 분할 정보를 합성할 수 있다.

본 문서의 일 실시 예에 따른 상기 전자 장치(예: 전자 장치(101))에 있어서, 상기 프로세서(예: 프로세서(120))는, 상기 제1 영역 분할 정보 및 상기 제2 영역 분할 정보를 상기 입력 이미지의 해상도로 변환하고, 변환한 제1 영역 분할 정보에 대해 제1 가중치 정보를 결정하고 변환한 제2 영역 분할 정보에 대해 제2 가중치 정보를 결정하고, 상기 제1 가중치 정보 및 상기 제2 가중치 정보에 기반하여 상기 입력 이미지의 영역 분할 정보를 생성할 수 있다.

본 문서의 일 실시 예에 따른 상기 전자 장치(예: 전자 장치(101))에 있어서, 상기 제1 가중치 정보와 상기 제2 가중치 정보는, 상기 입력 이미지의 영역들에 따라 다르게 설정될 수 있다.

본 문서의 일 실시 예에 따른 상기 전자 장치(예: 전자 장치(101))에 있어서, 상기 입력 이미지의 상기 영역들은, 객체의 경계 영역과 경계 외의 영역, 인물 영역과 인물 외의 영역, 밝기가 밝은 영역과 어두운 영역, 복잡한 영역과 단순한 영역을 적어도 포함할 수 있다.

본 문서의 일 실시 예에 따른 상기 전자 장치(예: 전자 장치(101))에 있어서, 상기 제1 딥러닝 엔진(예: 제1 딥러닝 엔진(221))은 제1 파라미터에 기반하여 상기 제1 이미지에 대해 제1 이미지 처리를 수행하고, 상기 제2 딥러닝 엔진(예: 제2 딥러닝 엔진(222))은 제1 파라미터와 구별되는 제2 파라미터에 기반하여 상기 제2 이미지에 대한 제2 이미지 처리를 수행할 수 있다.

본 문서의 일 실시 예에 따른 상기 전자 장치(예: 전자 장치(101))에 있어서, 상기 제1 파라미터 및 상기 제2 파라미터는, 비트 심도(bit depth), 해상도(resolution), 처리 IP 중 적어도 하나에 대한 파라미터일 수 있다.

본 문서의 일 실시 예에 따른 상기 전자 장치(예: 전자 장치(101))에 있어서, 상기 프로세서(예: 프로세서(120))는, 상기 메모리(예: 메모리(130))에 저장된 영역 분할 정보와, 상기 제1 영역 분할 정보 또는 상기 제2 영역 분할 정보를 합성할 수 있다.

본 문서의 일 실시 예에 따른 상기 전자 장치(예: 전자 장치(101))에 있어서, 상기 프로세서(예: 프로세서(120))는, 상기 제1 딥러닝 엔진(예: 제1 딥러닝 엔진(221))은 제1 파라미터에 기반하여 상기 제1 이미지에 대해 제1 이미지 처리를 수행하고, 상기 제2 딥러닝 엔진(예: 제2 딥러닝 엔진(222))은 제1 파라미터에 기반하여 상기 제2 이미지에 대한 제2 이미지 처리를 수행할 수 있다.

본 문서의 일 실시 예에 따른 상기 전자 장치(예: 전자 장치(101))에 있어서, 상기 제1 이미지의 상기 제1 해상도는, 상기 제2 이미지의 상기 제2 해상도와 동일할 수 있다.

본 문서에 개시된 다양한 실시 예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치 (예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시 예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.

본 문서의 다양한 실시 예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시 예들로 한정하려는 것이 아니며, 해당 실시 예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나","A 또는 B 중 적어도 하나,""A, B 또는 C," "A, B 및 C 중 적어도 하나,"및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.

본 문서에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일 실시 예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.

본 문서의 다양한 실시 예들은 기기(machine)(예: 전자 장치(101)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(140))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(101))의 프로세서(예: 프로세서(120))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, ‘비일시적’은 저장매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.

일 실시 예에 따르면, 본 문서에 개시된 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 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.

다양한 실시 예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있다. 다양한 실시 예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시 예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.

Claims

전자 장치에서 딥러닝에 기반한 이미지 분할 방법에 있어서,
상기 전자 장치의 프로세서가 입력 이미지를 획득하는 동작;
상기 프로세서가, 상기 입력 이미지를 제1 해상도를 가지는 제1 이미지 및 제2 해상도를 가지는 제2 이미지로 변환하는 동작;
상기 프로세서가, 제1 딥러닝 엔진을 이용하여 상기 제1 이미지에 대해 제1 이미지 처리를 수행하는 동작;
상기 프로세서가, 상기 제1 딥러닝 엔진과 구별되는 제2 딥러닝 엔진을 이용하여 상기 제2 이미지에 대한 제2 이미지 처리를 수행하는 동작; 및
상기 프로세서가, 상기 제1 이미지 처리에 따른 제1 영역 분할 정보와 상기 제2 이미지 처리에 따른 제2 영역 분할 정보에 기반하여 입력 이미지의 영역 분할 정보를 생성하는 동작을 포함하는 이미지 분할 방법.
청구항 1에 있어서,
상기 입력 이미지의 영역 분할 정보를 생성하는 동작은,
상기 제1 영역 분할 정보 및 상기 제2 영역 분할 정보를 합성하는 동작을 더 포함하는, 이미지 분할 방법.
청구항 1에 있어서,
상기 제1 영역 분할 정보 및 상기 제2 영역 분할 정보를 상기 입력 이미지의 해상도로 변환하는 동작;
변환한 제1 영역 분할 정보에 대해 제1 가중치 정보를 결정하고 변환한 제2 영역 분할 정보에 대해 제2 가중치 정보를 결정하는 동작; 및
상기 제1 가중치 정보 및 상기 제2 가중치 정보에 기반하여 상기 입력 이미지의 영역 분할 정보를 생성하는 동작을 포함하는, 이미지 분할 방법.
청구항 3에 있어서,
상기 제1 가중치 정보와 상기 제2 가중치 정보는 상기 입력 이미지의 영역들에 따라 다르게 설정되는, 이미지 분할 방법.
청구항 4에 있어서,
상기 입력 이미지의 상기 영역들은,
객체의 경계 영역과 경계 외의 영역, 인물 영역과 인물 외의 영역, 밝기가 밝은 영역과 어두운 영역, 복잡한 영역과 단순한 영역을 적어도 포함하는, 이미지 분할 방법.
청구항 1에 있어서,
상기 제1 딥러닝 엔진은 제1 파라미터에 기반하여 상기 제1 이미지에 대해 제1 이미지 처리를 수행하는 동작;
상기 제2 딥러닝 엔진은 제1 파라미터와 구별되는 제2 파라미터에 기반하여 상기 제2 이미지에 대한 제2 이미지 처리를 수행하는 동작을 포함하는, 이미지 분할 방법.
청구항 6에 있어서,
상기 제1 파라미터 및 상기 제2 파라미터는, 비트 심도(bit depth), 해상도(resolution), 처리 IP 중 적어도 하나에 대한 파라미터인, 이미지 분할 방법.
청구항 1에 있어서,
상기 입력 이미지의 영역 분할 정보를 생성하는 동작은,
상기 메모리에 저장된 영역 분할 정보와, 상기 제1 영역 분할 정보 또는 상기 제2 영역 분할 정보를 합성하는 동작을 더 포함하는, 이미지 분할 방법.
청구항 1에 있어서,
상기 제1 딥러닝 엔진은 제1 파라미터에 기반하여 상기 제1 이미지에 대해 제1 이미지 처리를 수행하는 동작; 및
상기 제2 딥러닝 엔진은 제1 파라미터에 기반하여 상기 제2 이미지에 대한 제2 이미지 처리를 수행하는 동작을 포함하는, 이미지 분할 방법.
청구항 1에 있어서,
상기 제1 이미지의 상기 제1 해상도는, 상기 제2 이미지의 상기 제2 해상도와 동일한, 이미지 분할 방법.
전자 장치에 있어서,
메모리;
상기 메모리와 작동적으로 연결된 프로세서를 포함하고,
상기 프로세서는,
입력 이미지를 획득하고,
상기 입력 이미지를 제1 해상도를 가지는 제1 이미지 및 제2 해상도를 가지는 제2 이미지로 변환하고,
제1 딥러닝 엔진을 이용하여 상기 제1 이미지에 대해 제1 이미지 처리를 수행하고,
상기 제1 딥러닝 엔진과 구별되는 제2 딥러닝 엔진을 이용하여 상기 제2 이미지에 대한 제2 이미지 처리를 수행하고,
상기 제1 이미지 처리에 따른 제1 영역 분할 정보와 상기 제2 이미지 처리에 따른 제2 영역 분할 정보에 기반하여 입력 이미지의 영역 분할 정보를 생성하는, 전자 장치.
청구항 11에 있어서,
상기 프로세서는,
상기 제1 영역 분할 정보 및 상기 제2 영역 분할 정보를 합성하는, 전자 장치.
청구항 11에 있어서,
상기 프로세서는,
상기 제1 영역 분할 정보 및 상기 제2 영역 분할 정보를 상기 입력 이미지의 해상도로 변환하고,
변환한 제1 영역 분할 정보에 대해 제1 가중치 정보를 결정하고 변환한 제2 영역 분할 정보에 대해 제2 가중치 정보를 결정하고,
상기 제1 가중치 정보 및 상기 제2 가중치 정보에 기반하여 상기 입력 이미지의 영역 분할 정보를 생성하는, 전자 장치.
청구항 13에 있어서,
상기 제1 가중치 정보와 상기 제2 가중치 정보는,
상기 입력 이미지의 영역들에 따라 다르게 설정되는, 전자 장치.
청구항 14에 있어서,
상기 입력 이미지의 상기 영역들은,
객체의 경계 영역과 경계 외의 영역, 인물 영역과 인물 외의 영역, 밝기가 밝은 영역과 어두운 영역, 복잡한 영역과 단순한 영역을 적어도 포함하는, 전자 장치.
청구항 11에 있어서,
상기 제1 딥러닝 엔진은 제1 파라미터에 기반하여 상기 제1 이미지에 대해 제1 이미지 처리를 수행하고,
상기 제2 딥러닝 엔진은 제1 파라미터와 구별되는 제2 파라미터에 기반하여 상기 제2 이미지에 대한 제2 이미지 처리를 수행하는, 전자 장치.
청구항 16에 있어서,
상기 제1 파라미터 및 상기 제2 파라미터는, 비트 심도(bit depth), 해상도(resolution), 처리 IP 중 적어도 하나에 대한 파라미터인, 전자 장치.
청구항 11에 있어서,
상기 프로세서는,
상기 메모리에 저장된 영역 분할 정보와, 상기 제1 영역 분할 정보 또는 상기 제2 영역 분할 정보를 합성하는, 전자 장치.
청구항 11에 있어서,
상기 프로세서는,
상기 제1 딥러닝 엔진은 제1 파라미터에 기반하여 상기 제1 이미지에 대해 제1 이미지 처리를 수행하고,
상기 제2 딥러닝 엔진은 제1 파라미터에 기반하여 상기 제2 이미지에 대한 제2 이미지 처리를 수행하는, 전자 장치.
청구항 11에 있어서,
상기 제1 이미지의 상기 제1 해상도는, 상기 제2 이미지의 상기 제2 해상도와 동일한, 전자 장치.