KR20220029366A - 모델 학습 방법 - Google Patents

Abstract

본 개시의 일 실시예에 따라, 모델 학습 방법이 개시된다. 상기 모델 학습 방법은 입력 이미지를 뉴럴 네트워크 모델을 이용하여 연산하는 동작; 상기 뉴럴 네트워크 모델로부터 출력된 예측 박스(prediction box)와 실측 박스(ground truth box)를 비교하여 상기 예측 박스의 정확도를 연산하는 동작; 및 상기 정확도에 기초하여 상기 뉴럴 네트워크 모델에 대한 역전파를 수행함으로써, 상기 뉴럴 네트워크 모델을 학습시키는 동작을 포함할 수 있다.

Description

모델 학습 방법{METHOD TO TRAIN MODEL}

본 발명은 모델 학습 방법에 관한 것으로, 보다 구체적으로 예측 박스 및 실측 박스에 기초하여 모델을 학습하는 방법에 관한 것이다.

근래에는 인공 지능 시스템이 다양한 분야에서 이용되고 있다. 인공 지능 시스템은 기존의 룰(rule) 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑 해지는 시스템이다. 인공 지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 룰 기반 스마트 시스템은 점차 딥러닝 기반 인공 지능 시스템으로 대체되고 있다.

인공 지능 기술은 기계학습(예로, 딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다.

기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.

인공 지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 오브젝트 인식, 오브젝트 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.

다양한 분야에서 기계 학습을 수행하기 위해, 인공 신경망에 대한 학습 효율 및 속도를 향상시키기 위한 당업계의 수요가 존재한다.

대한민국 공개특허 제2020-0021408호는 신경망 학습 방법에 관하여 개시한다.

본 개시는 전술한 배경기술에 대응하여 안출 된 것으로, 모델 학습 방법을 제공하는 것을 목적으로 한다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 모델 학습 방법으로서, 입력 이미지를 뉴럴 네트워크 모델을 이용하여 연산하는 동작; 상기 뉴럴 네트워크 모델로부터 출력된 예측 박스(prediction box)와 실측 박스(ground truth box)를 비교하여 상기 예측 박스의 정확도를 연산하는 동작; 및 상기 정확도에 기초하여 상기 뉴럴 네트워크 모델에 대한 역전파를 수행함으로써, 상기 뉴럴 네트워크 모델을 학습시키는 동작을 포함할 수 있다.

모델 학습 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 동작들의 대안적인 실시예에서, 상기 뉴럴 네트워크 모델로부터 출력된 예측 박스(prediction box)와 실측 박스(ground truth box)를 비교하여 상기 예측 박스의 정확도를 연산하는 동작은, 상기 예측 박스와 상기 실측 박스의 합 영역 및 교차 영역의 넓이에 기초하여 상기 예측 박스의 정확도를 연산하는 동작을 포함할 수 있다.

모델 학습 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 동작들의 대안적인 실시예에서, 상기 뉴럴 네트워크 모델로부터 출력된 예측 박스(prediction box)와 실측 박스(ground truth box)를 비교하여 상기 예측 박스의 정확도를 연산하는 동작은, 상기 예측 박스와 상기 실측 박스의 교차점을 제 1 기준점으로 결정하는 동작; 상기 예측 박스의 꼭지점과 상기 실측 박스의 엣지(edge)를 비교하여, 상기 꼭지점이 상기 실측 박스의 내부에 위치하는 경우, 상기 꼭지점을 제 2 기준점으로 결정하는 동작; 및 상기 제 1 기준점 및 상기 제 2 기준점을 기초로 상기 예측 박스의 정확도를 연산하는 동작을 포함할 수 있다.

모델 학습 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 동작들의 대안적인 실시예에서, 상기 제 1 기준점 및 상기 제 2 기준점을 기초로 상기 예측 박스의 정확도를 연산하는 동작은, 상기 제 1 기준점 및 상기 제 2 기준점에 기초하여 상기 예측 박스와 상기 실측 박스의 교차 영역의 넓이를 연산하는 동작을 포함할 수 있다.

모델 학습 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 동작들의 대안적인 실시예에서, 상기 뉴럴 네트워크 모델로부터 출력된 예측 박스(prediction box)와 실측 박스(ground truth box)를 비교하여 상기 예측 박스의 정확도를 연산하는 동작은, 둘 이상의 실측 박스가 존재하는 경우, 실측 박스의 개수에 대응되는 횟수만큼 정확도를 연산하는 동작을 포함할 수 있다.

모델 학습 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 동작들의 대안적인 실시예에서, 상기 뉴럴 네트워크 모델로부터 출력된 예측 박스(prediction box)와 실측 박스(ground truth box)를 비교하여 상기 예측 박스의 정확도를 연산하는 동작은, 상기 뉴럴 네트워크 모델로부터 출력된 둘 이상의 예측 박스와 둘 이상의 실측 박스 각각을 비교하여, 상기 둘 이상의 예측 박스의 정확도를 연산하는 동작을 포함할 수 있다.

모델 학습 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 동작들의 대안적인 실시예에서, 상기 뉴럴 네트워크 모델로부터 출력된 예측 박스(prediction box)와 실측 박스(ground truth box)를 비교하여 상기 예측 박스의 정확도를 연산하는 동작은, 실측 박스를 기준으로 하여, 둘 이상의 실측 박스 각각에 대응되는 예측 박스를 하나씩 결정하는 동작을 포함할 수 있다.

모델 학습 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 동작들의 대안적인 실시예에서, 상기 실측 박스를 기준으로 하여, 둘 이상의 실측 박스 각각에 대응되는 예측 박스를 하나씩 결정하는 동작은, 상기 둘 이상의 실측 박스 각각이 포함된 그리드를 결정하는 동작; 상기 그리드를 기준으로 하나의 예측 박스와 하나의 실측 박스 각각을 매칭하는 동작; 및 상기 매칭된 예측 박스와 실측 박스에 대한 정확도를 연산하는 동작을 포함할 수 있다.

모델 학습 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 동작들의 대안적인 실시예에서, 상기 뉴럴 네트워크 모델로부터 출력된 둘 이상의 예측 박스와 둘 이상의 실측 박스 각각을 비교하여, 상기 둘 이상의 예측 박스의 정확도를 연산하는 동작은, 상기 둘 이상의 예측 박스의 정확도에 기초하여, 상기 역전파의 기초가 되는 하나의 정확도 값을 추출하는 동작을 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 흉부 이미지 판독을 수행하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작은: 입력 이미지를 뉴럴 네트워크 모델을 이용하여 연산하는 동작; 상기 뉴럴 네트워크 모델로부터 출력된 예측 박스(prediction box)와 실측 박스(ground truth box)를 비교하여 상기 예측 박스의 정확도를 연산하는 동작; 및 상기 정확도에 기초하여 상기 뉴럴 네트워크 모델에 대한 역전파를 수행함으로써, 상기 뉴럴 네트워크 모델을 학습시키는 동작을 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 서버로서, 하나 이상의 코어를 포함하는 프로세서; 네트워크부; 및 메모리; 를 포함하고, 상기 프로세서는, 입력 이미지를 뉴럴 네트워크 모델을 이용하여 연산하고, 상기 뉴럴 네트워크 모델로부터 출력된 예측 박스(prediction box)와 실측 박스(ground truth box)를 비교하여 상기 예측 박스의 정확도를 연산하고, 그리고 상기 정확도에 기초하여 상기 뉴럴 네트워크 모델에 대한 역전파를 수행함으로써, 상기 뉴럴 네트워크 모델을 학습시킬 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 학습 과정에서 적어도 일부가 업데이트 되는 뉴럴 네트워크의 파라미터에 대응하는 데이터 구조가 저장된 컴퓨터 판독가능한 기록 매체로서, 상기 뉴럴 네트워크의 동작은 상기 파라미터에 적어도 부분적으로 기초하고, 상기 뉴럴 네트워크는: 입력 이미지를 뉴럴 네트워크 모델을 이용하여 연산하는 단계; 상기 뉴럴 네트워크 모델로부터 출력된 예측 박스(prediction box)와 실측 박스(ground truth box)를 비교하여 상기 예측 박스의 정확도를 연산하는 단계; 및 상기 정확도에 기초하여 상기 뉴럴 네트워크 모델에 대한 역전파를 수행함으로써, 상기 뉴럴 네트워크 모델을 학습시키는 단계를 포함할 수 있다.

본 개시는 모델 학습 방법을 제공할 수 있다.

도 1은 본 개시의 일 실시예에 따라 모델 학습을 수행하기 위한 동작들을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.
도 2는 본 개시의 일 실시예에 따라 모델 학습을 수행하기 위한 연산 방법을 예시적으로 도시한 도면이다.
도 3은 본 개시의 일 실시예에 따라 모델 학습을 수행하기 위한 연산 방법을 예시적으로 도시한 도면이다.
도 4는 본 개시의 일 실시예에 따라 모델 학습 방법에 관한 순서도를 예시적으로 도시한 도면이다.
도 5는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시 적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시 적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

본 개시의 일 실시예에서 서버는 서버의 서버 환경을 수행하기 위한 다른 구성들이 포함될 수도 있다. 서버는 임의의 형태의 장치는 모두 포함할 수 있다. 서버는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 서버는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 명세서에서 신경망, 인공 신경망, 네트워크 함수는 종종 상호 교환 가능하게 사용될 수 있다.

도 1은 본 개시의 일 실시예에 따라 모델 학습 방법을 제공하기 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.

이미지에는 하나 이상의 객체들이 포함되어 있을 수 있다. 프로세서(120)는 뉴럴 네트워크 모델을 이용하여 이미지에 포함된 하나 이상의 객체들을 검출할 수 있다. 프로세서(120)는 하나 이상의 객체들을 검출하기 위한 사전 학습된 뉴럴 네트워크 모델을 활용해야 할 수 있다.

본 개시의 사전 학습된 네트워크 모델은 교사 학습(supervised learning), 비 교사 학습(unsupervised learning) 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 네트워크 함수의 학습은 출력의 오류를 최소화하기 위한 것이다. 네트워크 함수의 학습에서 반복적으로 학습 데이터를 네트워크 함수에 입력시킨다. 네트워크 함수의 학습에서 학습 데이터에 대한 네트워크 함수의 출력과 타겟의 에러를 계산한다. 네트워크 함수의 학습에서 에러를 줄이기 위한 방향으로 네트워크 함수의 에러를 네트워크 함수의 출력 레이어에서부터 입력 레이어 방향으로 역전파 하여 네트워크 함수의 각 노드의 가중치를 업데이트 할 수 있다.

프로세서(120)는 라벨링 된 학습 데이터를 네트워크 함수에 입력하고, 네트워크 함수의 출력인 분류와 학습 데이터의 라벨을 비교하여 오차를 계산할 수 있다. 계산된 오차는 네트워크 함수에서 역방향인 출력 레이어에서 입력 레이어 방향으로 역전파 될 수 있다. 출력 레이어에서 입력 레이어 방향으로 역전파 된 역전파에 따라 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learing rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 네트워크 함수의 계산과 에러의 역전파는 학습 사이클을 구성할 수 있다. 학습률은 네트워크 함수의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 네트워크 함수의 학습 초기에는 높은 학습률을 사용하여 네트워크 함수가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높일 수 있다. 예를 들어, 네트워크 함수의 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다. 이미지 세그먼테이션은 예를 들어, 이미지에서 추출된 픽셀, 엣지, 색상 등에 기초하여 이미지의 일부를 다른 일부와 구분되도록 분리하는 이미지 프로세싱을 포함할 수 있다. 네트워크 함수의 출력인 분류는 픽셀 바이 픽셀 이미지 세그멘테이션 일 수 있다. 이미지의 픽셀 단위로 스코어링 값을 획득하고, 각 픽셀 스코어링 값에 기초하여 이미지 세그멘테이션을 하여 이미지 데이터를 분류할 수 있다. 이미지 세그멘테이션은 이미지의 일부를 다른 일부와 구분되도록 분리하는 이미지 프로세싱을 의미할 수 있다.

이미지에 포함된 객체가 정방향이 아닌 회전된 객체인 경우, 회전된 객체에 대한 학습 성능이 떨어질 수 있다. 프로세서(120)는 객체의 회전 각도까지 고려하여, 뉴럴 네트워크 모델에 대한 학습을 수행할 수 있다. 본 개시의 실시예에 따른 모델 학습 방법은, 회전 객체에 대한 학습 시, 객체의 위치 뿐만 아니라 객체의 회전 각도까지 고려할 수 있다. 즉, 회전 각도에 관한 정보도 역전파 하여 뉴럴 네트워크 모델을 학습시킬 수 있다.

본 개시의 실시예에 따른 모델 학습 방법은 회전된 객체에 대한 학습 성능 및 속도를 향상시킬 수 있다. 본 개시의 실시예에 따른 모델 학습 방법은 각도에 대한 학습 모호성을 해결하여, 뉴럴 네트워크 모델에 대한 정확성을 향상시킬 수 있다. 또한, 기존의 각도 학습 방법과 비교하였을 때, 각도에 대한 학습을 안정적으로 수행할 수 있다.

프로세서(120)는 입력 이미지를 뉴럴 네트워크 모델을 이용하여 연산할 수 있다. 입력 이미지는 하나 이상의 객체를 포함하는 이미지일 수 있다. 입력 이미지에 포함된 객체는 정방향이 아닌, 적어도 일부 회전된 객체일 수 있다. 예를 들어, 입력 이미지에 포함된 사람 객체는 180도의 각도로 서 있는 사람이 아니라, 적어도 일부 회전된 객체일 수 있다. 전술한 객체에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

전술한 뉴럴 네트워크 모델은 딥 뉴럴 네트워크일 수 있다. 본 명세서에 걸쳐, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크 (CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다.

컨벌루셔널 뉴럴 네트워크는 딥 뉴럴 네트워크의 일종으로서, 컨벌루셔널 레이어를 포함하는 신경망을 포함한다. 컨벌루셔널 뉴럴 네트워크는 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptorns)의 한 종류이다. CNN은 하나 또는 여러 개의 컨벌루셔널 레이어와 이와 결합된 인공 신경망 계층들로 구성될 수 있다. CNN은 가중치와 풀링 레이어(pooling layer)들을 추가로 활용할 수 있다. 이러한 구조 덕분에 CNN은 2 차원 구조의 입력 데이터를 충분히 활용할 수 있다. 컨벌루셔널 뉴럴 네트워크는 이미지에서 오브젝트를 인식하기 위하여 사용될 수 있다. 컨벌루셔널 뉴럴 네트워크는 이미지 데이터를 차원을 가진 행렬로 나타내어 처리할 수 있다. 예를 들어 RGB(red-green-blue)로 인코딩 된 이미지 데이터의 경우, R, G, B 색상별로 각각 2차원(예를 들어, 2 차원 이미지 인 경우) 행렬로 나타내 질 수 있다. 즉, 이미지 데이터의 각 픽셀의 색상 값이 행렬의 성분이 될 수 있으며 행렬의 크기는 이미지의 크기와 같을 수 있다. 따라서 이미지 데이터는 3개의 2차원 행렬로(3차원의 데이터 어레이)로 나타내질 수 있다.

컨벌루셔널 뉴럴 네트워크에서 컨벌루셔널 필터를 이동해가며 컨벌루셔널 필터와 이미지의 각 위치에서의 행렬 성분끼리 곱하는 것으로 컨벌루셔널 과정(컨벌루셔널 레이어의 입출력)을 수행할 수 있다. 컨벌루셔널 필터는 n*n 형태의 행렬로 구성될 수 있다. 컨벌루셔널 필터는 일반적으로 이미지의 전체 픽셀의 수보다 작은 고정된 형태의 필터로 구성될 수 있다. 즉, m*m 이미지를 컨벌루셔널 레이어(예를 들어, 컨벌루셔널 필터의 사이즈가 n*n인 컨벌루셔널 레이어)입력시키는 경우, 이미지의 각 픽셀을 포함하는 n*n 픽셀을 나타내는 행렬이 컨벌루셔널 필터와 성분 곱 (즉, 행렬의 각 성분끼리의 곱) 될 수 있다. 컨벌루셔널 필터와의 곱에 의하여 이 미지에서 컨벌루셔널 필터와 매칭되는 성분이 추출될 수 있다. 예를 들어, 이미지에서 상하 직선 성분을 추출하기 위한 3*3 컨벌루셔널 필터는 [[0,1,0], [0,1,0], [0,1,0]] 와 같이 구성될 수 있다. 이미지에서 상하 직선 성분을 추출하기 위한 3*3 컨벌루셔널 필터가 입력 이미지에 적용되면 이미지에서 컨벌루셔널 필터와 매칭되는 상하 직선 성분이 추출되어 출력될 수 있다. 컨벌루셔널 레이어는 이미지를 나타낸 각각의 채널에 대한 각각의 행렬(즉, R, G, B 코딩 이미지의 경우, R, G, B 색상)에 컨벌루셔널 필터를 적용할 수 있다. 컨벌루셔널 레이어는 입력 이미지에 컨벌루셔널 필터를 적용하여 입력 이미지에서 컨벌루셔널 필터와 매칭되는 피쳐를 추출할 수 있다. 컨벌루셔널 필터의 필터 값(즉, 행렬의 각 성분의 값)은 컨벌루셔널 뉴럴 네트워크의 학습 과정에서 역전파에 의하여 업데이트 될 수 있다.

컨벌루셔널 레이어의 출력에는 서브샘플링 레이어가 연결되어 컨벌루셔널 레이어의 출력을 단순화하여 메모리 사용량과 연산량을 줄일 수 있다. 예를 들어, 2*2 맥스 풀링 필터를 가지는 풀링 레이어에 컨벌루셔널 레이어의 출력을 입력시키는 경우, 이미지의 각 픽셀에서 2*2 패치마다 각 패치에 포함되는 최대값을 출력하여 이미지를 압축할 수 있다. 전술한 풀링은 패치에서 최소값을 출력하거나, 패치의 평균값을 출력하는 방식일 수도 있으며 임의의 풀링 방식이 본 개시에 포함될 수 있다.

컨벌루셔널 뉴럴 네트워크는 하나 이상의 컨벌루셔널 레이어, 서브 샘플링 레이어를 포함할 수 있다. 컨벌루셔널 뉴럴 네트워크는 컨벌루셔널 과정과 서브샘플링 과정(예를 들어, 전술한 맥스 풀링 등)을 반복적으로 수행하여 이미지에서 피쳐를 추출할 수 있다. 반복적인 컨벌루션널 과정과 서브샘플링 과정을 통해 뉴럴 네트워크는 이미지의 글로벌 피쳐를 추출할 수 있다.

컨벌루셔널 레이어 또는 서브샘플링 레이어의 출력은 풀 커넥티드 레이어(fully connected layer)에 입력될 수 있다. 풀 커넥티드 레이어는 하나의 레이어에 있는 모든 뉴런과 이웃한 레이어에 있는 모든 뉴런이 연결되는 레이어이다. 풀 커넥티드 레이어는 뉴럴 네트워크에서 각 레이어의 모든 노드가 다른 레이어의 모든 노드에 연결된 구조를 의미할 수 있다.

본 개시의 일 실시예에서 의료 이미지에 포함된 의료 데이터에 대한 세그먼테이션(segmentation)을 수행하기 위하여 뉴럴 네트워크는 디컨벌루셔널 뉴럴 네트워크(DCNN: deconvolutional neural network)를 포함할 수 있다. 디컨벌루셔널 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크를 역방향으로 계산시킨 것과 유사한 동작을 수행한다. 디컨벌루셔널 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크에서 추출된 피쳐를 원본 데이터와 관련된 피쳐맵으로 출력할 수 있다. 컨벌루셔널 뉴럴 네트워크에 대한 구체적인 구성에 관한 설명은 본 출원에서 전체가 참조로서 통합되는 미국 등록 특허 US9870768B2에서 보다 구체적으로 논의된다.

프로세서(120)는 상기 뉴럴 네트워크 모델로부터 출력된 예측 박스(prediction box)와 실측 박스(ground truth box)를 비교하여 상기 예측 박스의 정확도를 연산할 수 있다.

학습 데이터는 학습 이미지 및 학습 이미지에 포함된 객체에 대한 라벨링 결과를 포함할 수 있다. 학습 이미지에 대한 라벨링 결과가 실측 박스일 수 있다. 실측 박스는 이미지에 포함된 객체의 실제 위치를 나타내는 박스일 수 있다. 실측 박스는 즉, 이미지에 포함된 객체에 대한 라벨링 결과일 수 있다. 실측 박스는 학습 데이터인 학습 이미지에 대해서, 학습 이미지에 포함된 객체의 실제 위치를 표시한 결과를 의미할 수 있다.

예측 박스는 입력 이미지를 뉴럴 네트워크 모델을 이용하여 연산함으로써, 출력된 결과일 수 있다. 프로세서(120)는 입력 이미지를 뉴럴 네트워크 모델을 이용하여 연산하여, 입력 이미지에 포함된 객체의 위치를 예측하여, 객체에 대한 예측 박스를 출력할 수 있다.

프로세서(120)는 실제 정답인 실측 박스와, 뉴럴 네트워크 모델을 이용한 연산 결과인 예측 박스 간의 차이를 이용하여, 뉴럴 네트워크 모델을 학습시킬 수 있다. 프로세서(120)는 뉴럴 네트워크 모델의 출력과 실제 정답 간의 차이를 뉴럴 네트워크 모델이 학습하도록 할 수 있다.

프로세서(120)는 상기 예측 박스와 상기 실측 박스의 합 영역 및 교차 영역의 넓이에 기초하여 상기 예측 박스의 정확도를 연산할 수 있다. 프로세서(120)는 예측 박스와 실측 박스의 넓이의 합에서 교차 영역의 넓이를 뺀 값인, 합 영역 넓이를 연산할 수 있다. 프로세서(120)는 예측 박스와 실측 박스 간 교차 영역에 대한 넓이를 연산할 수 있다. 프로세서(120)는 교차 영역의 넓이에서 합 영역의 넓이를 나누어, 예측 박스의 정확도를 연산할 수 있다. 프로세서(120)는 즉, IOU(Intersection Over Union)값인, (교차 영역의 넓이)/(합 영역의 넓이)를 연산하여, 예측 박스의 정확도를 출력할 수 있다. 프로세서(120)는 예측 박스의 정확도 값을 역전파하여, 뉴럴 네트워크 모델에 대한 학습을 수행할 수 있다.

이하에서는 프로세서(120)가 예측 박스의 정확도 값을 연산하는 방법에 관하여 구체적으로 설명한다. 이하에서는 도 2를 참조하여 설명한다. 도 2는 예측 박스(220) 및 실측 박스(210)를 예시적으로 도시한 도면이다.

프로세서(120)는 상기 예측 박스(220)와 상기 실측 박스(210)의 교차점을 제 1 기준점(232, 234, 236, 238)으로 결정할 수 있다.

프로세서(120)는 상기 예측 박스(220)의 꼭지점과 상기 실측 박스(210)의 엣지(edge)를 비교하여, 상기 꼭지점이 상기 실측 박스(210)의 내부에 위치하는 경우, 상기 꼭지점을 제 2 기준점(242)으로 결정할 수 있다.

프로세서(120)는 상기 제 1 기준점(232, 234, 236, 238) 및 상기 제 2 기준점(242)을 기초로 상기 예측 박스(220)의 정확도를 연산할 수 있다.

프로세서(120)는 상기 제 1 기준점(232, 234, 236, 238) 및 상기 제 2 기준점(242)에 기초하여 상기 예측 박스(220)와 상기 실측 박스(210)의 교차 영역의 넓이를 연산할 수 있다.

프로세서(120)는 제 1 기준점(232, 234, 236, 238) 및 상기 제 2 기준점(242)을 연결하는 선들로 이어진 영역들에 대한 넓이를 연산할 수 있다. 프로세서(120)는 제 1 기준점과 제 2 기준점을 이용하여 교차 영역에 대한 넓이를 연산함으로써, 회전된 객체들에 대한 박스들의 연산 결과를 정확하게 도출할 수 있다.

프로세서(120)는 회전된 객체들을 학습하는 경우에도, 제 1 기준점과 제 2 기준점을 설정함으로써, 학습을 쉽고 빠르게 수행할 수 있다. 기존의 회전 객체 학습 방법들의 경우, 회전 객체의 각도 변화를 연산함으로써, 학습 효율이 떨어지고, 과도한 연산이 필요하다는 단점이 존재하였다. 본 개시의 일 실시예에 따른 학습 방법을 이용하는 경우, 빠른 속도로 정확하게 회전된 객체에 대한 예측 박스와 실측 박스 간의 차이를 연산할 수 있다.

프로세서(120)는 둘 이상의 실측 박스가 존재하는 경우, 실측 박스의 개수에 대응되는 횟수만큼 정확도를 연산할 수 있다. 프로세서(120)는 실측 박스의 개수 만큼, 정확도 연산을 수행할 수 있다. 예를 들어, 학습 데이터에 라벨링 된 실측 박스가 3개인 경우, 3번의 정확도 연산을 수행할 수 있다. 기존의 학습 방법의 경우, 실측 박스가 3개이고, 그리고 예측 박스가 3개인 경우, 3*3, 즉, 9번의 정확도 연산을 수행하여 뉴럴 네트워크 모델에 대한 학습을 수행하였다. 본 개시의 일 실시예에 따른 뉴럴 네트워크 모델의 학습 방법의 경우, 실측 박스의 개수 만큼만 정확도 연산을 수행함으로써, 불필요한 연산 량을 감소시킬 수 있다.

프로세서(120)는 실측 박스를 기준으로 하여, 둘 이상의 실측 박스 각각에 대응되는 예측 박스를 하나씩 결정할 수 있다. 프로세서(120)는 실측 박스의 개수 만큼 정확도 연산을 수행하기 위하여, 실측 박스와 정확도 연산을 수행할, 그에 대응되는 예측 박스를 각각 한 개씩 결정할 수 있다. 즉, 제 1 실측 박스에 대해서는 제 1 예측 박스와 정확도 연산을 수행하고, 그리고 제 1 실측 박스와 제 2 예측 박스, 제 1 실측 박스와 제 3 예측 박스 간에는 정확도 연산을 수행하지 않을 수 있다.

도 3을 참조하여 정확도 연산에 관하여 설명한다. 도 3은 예측 박스와 실측 박스들을 예시적으로 도시한 도면이다. 도 3에는 3개의 예측 박스와 3개의 실측 박스가 도시되어 있다.

프로세서(120)는 상기 둘 이상의 실측 박스 각각이 포함된 그리드를 결정할 수 있다. 프로세서(120)는 실측 박스의 중심점이 포함된 그리드를 하나 결정할 수 있다. 도 3에 도시된 각 박스 중심의 검정색 점이, 실측 박스의 중심점일 수 있다. 도 3에 도시된 중심점은 학습 방법을 설명하기 위하여, 예시적으로 도시한 점이고, 그리고 실제 학습 과정에서는 이러한 점이 표시되지는 않을 수 있다.

프로세서(120)는 상기 그리드를 기준으로 하나의 예측 박스와 하나의 실측 박스 각각을 매칭할 수 있다. 프로세서(120)는 실측 박스에 대해 결정된 그리드를 기준으로, 해당 그리드에 대해 예측된 예측 박스를 하나 결정할 수 있다. 프로세서(120)는 실측 박스의 중심점을 기준으로 그리드를 하나 결정하고, 그리고 결정된 그리드에 대해서 하나의 예측 박스를 결정하여, 해당 실측 박스와 예측 박스 간의 정확도 연산을 수행할 수 있다. 프로세서(120)는 상기 매칭된 예측 박스와 실측 박스에 대한 정확도를 연산할 수 있다. 매칭된 예측 박스와 실측 박스에 대한 정확도 연산은 전술한 바와 같이 IOU 연산일 수 있다.

프로세서(120)는 해당 그리드 밖에 위치한 다른 예측 박스들과, 해당 그리드에 대응되는 실측 박스 간의 정확도 연산을 수행하지 않을 수 있다.

도 3은 3개의 실측 박스와 3개의 예측 박스를 각각 도시하고 있다. 기존의 학습 방법들의 경우에는, 실측 박스가 3개이고, 그리고 예측 박스가 3개이기 때문에, 9번의 정확도 연산을 수행해야 한다는 단점이 존재하였다. 9번의 정확도 연산을 수행하는 경우, 컴퓨팅 파워의 소모량이 상당히 많아지며, 그리고 정확도도 떨어질 수 있다.

본 개시의 일 실시예에 따른 모델 학습 방법의 경우, 3개의 실측 박스가 존재하기 때문에, 3개의 실측 박스 각각에 대응되는 그리드를 결정하고, 그리고 해당 그리드에 대응되는 하나의 예측 박스를 결정하여, 3개의 실측 박스와 그에 대응되는 각각 하나 씩의 예측 박스 간의 정확도 연산을 수행할 수 있다. 즉, 본 개시의 일 실시예에 따른 뉴럴 네트워크 모델의 학습 방법에 따라, 3번의 정확도 연산을 수행하면 되므로, 컴퓨팅 파워의 소모량도 훨씬 적어지게 되어, 연산 효율성을 달성할 수 있으며, 불필요한 박스들 간의 연산을 수행할 필요가 없어지므로, 연산의 정확성 또한 달성할 수 있다.

프로세서(120)는 상기 뉴럴 네트워크 모델로부터 출력된 둘 이상의 예측 박스와 둘 이상의 실측 박스 각각을 비교하여, 상기 둘 이상의 예측 박스의 정확도를 연산할 수 있다. 예를 들어, 도 3의 경우, 프로세서(120)는 3개의 박스에 대한 정확도를 각각 연산할 수 있다.

프로세서(120)는 상기 둘 이상의 예측 박스의 정확도에 기초하여, 상기 역전파의 기초가 되는 하나의 정확도 값을 추출할 수 있다. 프로세서(120)는 둘 이상의 예측 박스의 정확도에 대한 합 연산을 이용하여 하나의 정확도 값을 추출할 수 있다. 예를 들어, 도 3의 경우, 프로세서(120)는 제 1 실측 박스에 대해 제 1 정확도 값, 제 2 실측 박스에 대해 제 2 정확도 값, 그리고 제 3 실측 박스에 대해 제 3 정확도 값을 각각 연산할 수 있다. 프로세서(120)는 제 1 정확도 값 내지 제 3 정확도 값에 대한 평균 값을 이용하여 하나의 정확도 값을 추출할 수 있다. 프로세서(120)는 전술한 평균 값 이외에도, 다양한 방법으로 하나의 정확도 값을 추출할 수 있다. 전술한 정확도 값 추출에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 상기 정확도에 기초하여 상기 뉴럴 네트워크 모델에 대한 역전파를 수행함으로써, 상기 뉴럴 네트워크 모델을 학습시킬 수 있다. 프로세서(120)는 정확도 값을 이용하여 뉴럴 네트워크 모델을 학습시킬 수 있다. 교사 학습의 경우, 학습 데이터에 포함된 정답인 라벨과, 뉴럴 네트워크 모델의 출력 값 간의 차이 값인, 오차를 역전파 하여, 뉴럴 네트워크 모델이 그러한 오차를 최소화하도록 할 수 있다.

본 개시의 일 실시예에 따른 모델 학습 방법을 제공하기 위한 컴퓨팅 장치(100)는 네트워크부(110), 프로세서(120) 및 메모리(130)를 포함할 수 있다.

네트워크부(110)는 본 개시의 일 실시예에 따른 이미지 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 또한, 네트워크부(110)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 복수의 컴퓨팅 장치 각각에서 모델의 학습을 위한 동작들이 분산 수행되도록 할 수 있다. 네트워크부(110)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 네트워크 함수를 사용한 모델 학습을 위한 연산을 분산 처리하도록 할 수 있다.

본 개시의 일 실시예에 따른 네트워크부(110)는 근거리(단거리), 원거리, 유선 및 무선 등과 같은 현재 사용 및 구현되는 임의의 형태의 유무선 통신 기술에 기반하여 동작할 수 있으며, 다른 네트워크들 에서도 사용될 수 있다.

프로세서(120)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 모델의 학습을 위한 프로세서를 포함할 수 있다. 프로세서(120)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 객체 검출 방법을 제공할 수 있다. 본 개시의 일 실시예에 따라 프로세서(120)는 객체 검출 방법을 제공하기 위한 계산을 수행할 수 있다.

메모리(130)는 본 개시의 일 실시예에 따른 모델 학습 방법을 제공하기 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 프로세서(120)에 의하여 판독되어 구동될 수 있다.

본 개시의 실시예들에 따른 메모리(130)는 프로세서(120)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들 또는 이벤트들을 임시 또는 영구 저장할 수도 있다. 상기 메모리(130)는 디스플레이 및 음향에 관한 데이터를 저장할 수 있다. 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.

본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.

데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.

데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.

비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 이하에서는 신경망으로 통일하여 기술한다. 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.

데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

도 4는 본 개시의 일 실시예에 따른 모델 학습 방법을 수행하기 위한 순서도이다.

컴퓨팅 장치(100)는 입력 이미지를 뉴럴 네트워크 모델을 이용하여 연산(410)할 수 있다.

컴퓨팅 장치(100)는 상기 뉴럴 네트워크 모델로부터 출력된 예측 박스(prediction box)와 실측 박스(ground truth box)를 비교하여 상기 예측 박스의 정확도를 연산(420)할 수 있다. 컴퓨팅 장치(100)는 예측 박스와 상기 실측 박스의 합 영역 및 교차 영역의 넓이에 기초하여 상기 예측 박스의 정확도를 연산할 수 있다.

컴퓨팅 장치(100)는 상기 예측 박스와 상기 실측 박스의 교차점을 제 1 기준점으로 결정할 수 있다. 컴퓨팅 장치(100)는 상기 예측 박스의 꼭지점과 상기 실측 박스의 엣지(edge)를 비교하여, 상기 꼭지점이 상기 실측 박스의 내부에 위치하는 경우, 상기 꼭지점을 제 2 기준점으로 결정할 수 있다. 컴퓨팅 장치(100)는 상기 제 1 기준점 및 상기 제 2 기준점을 기초로 상기 예측 박스의 정확도를 연산할 수 있다. 컴퓨팅 장치(100)는 상기 제 1 기준점 및 상기 제 2 기준점에 기초하여 상기 예측 박스와 상기 실측 박스의 교차 영역의 넓이를 연산할 수 있다.

컴퓨팅 장치(100)는 둘 이상의 실측 박스가 존재하는 경우, 실측 박스의 개수에 대응되는 횟수만큼 정확도를 연산할 수 있다. 컴퓨팅 장치(100)는 상기 뉴럴 네트워크 모델로부터 출력된 둘

정확도에 기초하여 상기 뉴럴 네트워크 모델에 대한 역전파를 수행함으로써, 상기 뉴럴 이상의 예측 박스와 둘 이상의 실측 박스 각각을 비교하여, 상기 둘 이상의 예측 박스의 정확도를 연산할 수 있다.

컴퓨팅 장치(100)는 실측 박스를 기준으로 하여, 둘 이상의 실측 박스 각각에 대응되는 예측 박스를 하나씩 결정할 수 있다. 컴퓨팅 장치(100)는 상기 둘 이상의 실측 박스 각각이 포함된 그리드를 결정할 수 있다. 컴퓨팅 장치(100)는 상기 그리드를 기준으로 하나의 예측 박스와 하나의 실측 박스 각각을 매칭할 수 있다. 컴퓨팅 장치(100)는 상기 매칭된 예측 박스와 실측 박스에 대한 정확도를 연산할 수 있다.

컴퓨팅 장치(100)는 상기 둘 이상의 예측 박스의 정확도에 기초하여, 상기 역전파의 기초가 되는 하나의 정확도 값을 추출할 수 있다.

컴퓨팅 장치(100)는 상기 네트워크 모델을 학습(430)시킬 수 있다.

본 개시의 일 실시예에 따른 모델 학습 방법은 상기와 같은 동작을 수행하는 모듈, 회로, 수단 및 로직에 의해 구현될 수 있다.

도 5는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.

도 5는 본 개시의 실시예들이 구현될 수 있는 예시 적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

본 개시가 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시가 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드 헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있다. 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시 적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)-이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음-, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비 휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시 적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화 된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화 된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시 적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시 적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시 적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시 적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (1)

1. 모델 학습 방법으로서,
   적어도 하나의 회전된 객체를 포함하는 입력 이미지를 뉴럴 네트워크 모델을 이용하여 연산하는 동작을 포함하는,
   모델 학습 방법.

Images