KR20220037048A - 데이터 노이즈 제거 장치 및 데이터 노이즈 제거 방법 - Google Patents

Abstract

본 발명의 일실시예에 따르면, 데이터 노이즈 제거 장치에 있어서, 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 입력 데이터를 디노이징(denoising)하여 제1 데이터를 생성하고, 상기 입력 데이터에 대한 신뢰도를 결정하고, 상기 입력 데이터, 상기 제1 데이터 및 상기 신뢰도를 기초로 제2 데이터를 생성한다.

Description

데이터 노이즈 제거 장치 및 데이터 노이즈 제거 방법{DENOISING DEVICE AND DENOISING METHOD FOR DATA NOISE}

아래의 실시예들은 데이터 노이즈 제거 장치 및 데이터 노이즈 제거 방법에 관한 것이다.

심층 신경망(Deep Neural Network, DNN)은 입력층(input layer)과 출력층(output layer) 사이에 여러 개의 은닉층(hidden layer)들로 이뤄진 인공신경망(Artificial Neural Network, ANN)이다. 심층 신경망은 일반적인 인공신경망과 마찬가지로 복잡한 비선형 관계(non-linear relationship)들을 모델링할 수 있다.

순환 신경망(Recurrent Neural Network, RNN))은 인공신경망을 구성하는 유닛 사이의 연결이 Directed cycle을 구성하는 신경망을 말한다. 순환 신경망은 앞먹임 신경망과 달리, 임의의 입력을 처리하기 위해 신경망 내부의 메모리를 활용할 수 있다.

양방향 순환 신경망(Bidirectional Recurrent Neural Network)은 양방향 순환 신경망은 시점 t에서의 출력 값을 예측할 때 이전 시점의 데이터 뿐만 아니라, 이후 데이터로도 예측할 수 있다는 아이디어에 기반한다. 양방향 순환 신경망(Bidirectional Recurrent Neural Network)은 2개의 Hidden Layer를 가지고 있다. 전 방향 상태(Forward States) 정보를 가지고 있는 Hidden Layer와 후 방향 상태(Backward States) 정보를 가지고 있는 Hidden layer가 있고, 이 둘은 서로 연결되어 있지 않다. 하지만, 입력 값은 이 2가지 Hidden Layer에 모두 전달되고, Output Layer도 이 2가지 Hidden Layer로 모두 값을 받아서 최종 Output을 계산한다.

본 발명의 실시예에 따르면, 디노이징(denoising)을 2번 수행하여 노이즈를 2번 제거할 수 있는 데이터 노이즈 제거 장치 및 데이터 노이즈 제거 방법을 제공할 수 있다.

또한, 본 발명의 다른 실시예에 따르면, 입력 데이터에 대한 신뢰도를 결정할 수 있는 데이터 노이즈 제거 장치 및 데이터 노이즈 제거 방법을 제공할 수 있다.

또한, 본 발명의 또 다른 실시예에 따르면, 오차가 큰 노이즈를 제거할 수 있는 데이터 노이즈 제거 장치 및 데이터 노이즈 제거 방법을 제공할 수 있다.

또한, 본 발명의 또 다른 실시예에 따르면, 입력 데이터가 손실되는 것을 방지할 수 있는 데이터 노이즈 제거 장치 및 데이터 노이즈 제거 방법을 제공할 수 있다.

본 발명의 일실시예에 따르면, 데이터 노이즈 제거 장치에 있어서, 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 입력 데이터를 디노이징(denoising)하여 제1 데이터를 생성하고, 상기 입력 데이터에 대한 신뢰도를 결정하고, 상기 입력 데이터, 상기 제1 데이터 및 상기 신뢰도를 기초로 제2 데이터를 생성한다.

또한, 상기 적어도 하나의 프로세서는, 상기 제2 데이터를 디노이징(denoising)하여 제3 데이터를 생성할 수 있다.

또한, 상기 적어도 하나의 프로세서는, 상기 입력 데이터에 포함된 정보를 획득하고, 상기 획득한 정보에 대한 신뢰도를 결정하고, 상기 결정한 신뢰도를 수치화 할 수 있다.

또한, 상기 입력 데이터에 포함된 정보는, 모션의 포즈를 표현하는 정보일 수 있다.

또한, 상기 적어도 하나의 프로세서는, 상기 신뢰도를 기초로 상기 입력 데이터에서 디노이징(denoising)해야 할 부분과 상기 입력 데이터에서 디노이징(denoising) 하지 말아야 할 부분을 결정하고, 상기 입력 데이터에서 디노이징(denoising) 해야 할 부분, 상기 입력 데이터에서 디노이징(denoising) 하지 말아야 할 부분 및 상기 제1 데이터를 기초로 제2 데이터를 생성할 수 있다.

또한, 상기 입력 데이터는 모션 데이터일 수 있다.

본 발명의 다른 실시예에 따르면, 입력 데이터보를 디노이징(denoising)하여 제1 데이터를 생성하는 동작, 상기 입력 데이터에 대한 신뢰도를 결정하는 동작 및 상기 입력 데이터, 상기 제1 데이터 및 상기 신뢰도를 기초로 제2 데이터를 생성하는 동작을 포함한다.

또한, 상기 데이터 노이즈 제거 방법은, 상기 제2 데이터를 디노이징(denoising)하여 제3 데이터를 생성하는 동작을 더 포함할 수 있다.

또한, 상기 신뢰도를 결정하는 동작은, 상기 입력 데이터에 포함된 정보를 획득하는 동작, 상기 획득한 정보에 대한 신뢰도를 결정하는 동작 및 상기 결정한 신뢰도를 수치화 하는 동작을 포함할 수 있다.

또한, 상기 입력 데이터에 포함된 정보는, 모션의 포즈를 표현하는 정보일 수 있다.

또한, 상기 제2 데이터를 생성하는 동작은, 상기 신뢰도를 기초로 상기 입력 데이터에서 디노이징(denoising) 해야 할 부분과 상기 입력 데이터에서 디노이징(denoising) 하지 말아야 할 부분을 결정하는 동작 및 상기 입력 데이터에서 디노이징(denoising) 해야 할 부분, 상기 입력 데이터에서 디노이징(denoising) 하지 말아야 할 부분 및 상기 제1 데이터를 기초로 제2 데이터를 생성하는 동작을 포함할 수 있다.

또한, 상기 입력 데이터는 모션 데이터일 수 있다.

본 발명의 일실시예에 따르면, 디노이징(denoising)을 2번 수행하여 노이즈를 2번 제거할 수 있는 효과가 있다.

또한, 입력 데이터에 대한 신뢰도를 결정할 수 있는 효과가 있다.

또한, 오차가 큰 노이즈를 제거할 수 있는 효과가 있다.

또한, 입력 데이터가 손실되는 것을 방지할 수 있는 효과가 있다.

도 1은 일실시예에 따른 데이터 노이즈 제거 장치의 구성을 나타내는 도면이다.
도 2는 일실시예에 따라 데이터 노이즈 제거 장치에서 노이즈가 제거되는 모습을 모식적으로 나타내는 도면이다.
도 3은 일실시예에 따라 제1 데이터 및 관절의 신뢰도를 기초로 제3 데이터를 생성하는 모습을 나타내는 도면이다.
도 4는 일실시예에 따른 데이터 노이즈 제거 방법을 나타내는 플로우 차트이다.
도 5는 본 발명의 일실시예를 구현하기 위한 예시적인 컴퓨터 시스템의 블록도이다.

본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시 예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시 예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시 예들은 다양한 형태들로 실시될 수 있으며 본 명세서에 설명된 실시 예들에 한정되지 않는다.

본 발명의 개념에 따른 실시 예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시 예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시 예들을 특정한 개시 형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만, 예컨대 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1구성요소는 제2구성요소로 명명될 수 있고, 유사하게 제2구성요소는 제1구성요소로도 명명될 수 있다.

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. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.

본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다.

일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하의 설명에서 동일한 식별 기호는 동일한 구성을 의미하며, 불필요한 중복적인 설명 및 공지 기술에 대한 설명은 생략하기로 한다.

본 발명의 실시 예에서 '통신', '통신망' 및 '네트워크'는 동일한 의미로 사용될 수 있다. 상기 세 용어들은, 파일을 사용자 단말, 다른 사용자들의 단말 및 다운로드 서버 사이에서 송수신할 수 있는 유무선의 근거리 및 광역 데이터 송수신망을 의미한다.

이하, 첨부한 도면을 참조하여 본 발명의 바람직한 실시 예를 설명함으로써, 본 발명을 상세히 설명한다.

도 1은 일실시예에 따른 데이터 노이즈 제거 장치의 구성을 나타내는 도면이다.

도 1을 참조하면, 일실시예에 따른 데이터 노이즈 제거 장치(100)는 제1 데이터 생성 모듈(120), 신뢰도 결정 모듈(130), 제2 데이터 생성 모듈(140) 및 제3 데이터 생성 모듈(150)을 포함한다.

데이터 노이즈 제거 장치(100)는 입력 데이터(110)를 획득하고, 획득한 입력 데이터(110)에 포함된 노이즈를 제거하는 디노이징(denoising)을 수행하여 노이즈가 제거된 출력 데이터(160)를 생성할 수 있다. 이때, 데이터 노이즈 제거 장치(100)에서 상기 디노이징(denoising)은 2회 수행될 수 있으나, 데이터 노이즈 제거 장치(100)에서 수행되는 디노이징(denoising) 횟수가 이에 한정되는 것은 아니다. 또한, 입력 데이터(110)는 모션 캡쳐 장비 등을 이용하여 획득한 움직임(motion)과 관련된 모션 데이터(예컨대, 뼈(bone)의 애니메이션 데이터) 일 수 있으나, 입력 데이터(110)가 이에 한정되는 것은 아니다. 또한, 입력 데이터(110)에는 모션의 포즈를 표현하는 정보인 관절(joints)의 위치에 관한 정보, 관절(joints)의 각도에 관한 정보, 관절(joints)의 위치 및 각도에 관한 정보, 뼈(bone)의 위치에 관한 정보, 뼈(bone)의 각도에 관한 정보 및 뼈(bone)의 위치 및 각도에 관한 정보가 포함될 수 있으나, 입력 데이터(110)에 포함된 모션의 포즈를 표현하는 정보가 이에 한정되는 것은 아니다.

일실시예에 따라, 제1 데이터 생성 모듈(120)은 입력 데이터(110)를 1차로 디노이징(denoising)하여 1차로 노이즈가 제거된 제1 데이터를 생성할 수 있다. 이때, 상기 제1 데이터는 모션의 포즈를 표현하는 정보를 포함할 수 있으나, 상기 제1 데이터에 포함된 정보가 이에 한정되는 것은 아니다. 또한, 상기 제1 데이터에 포함된 모션의 포즈를 표현하는 정보의 형태는 벡터일 수 있으나, 상기 제1 데이터에 포함된 모션의 포즈를 표현하는 정보의 형태가 이에 한정되는 것은 아니다. 또한, 상기 제1 데이터에 포함된 상기 모션의 포즈를 표현하는 정보는 관절(joints)의 위치에 관한 정보, 관절(joints)의 각도에 관한 정보, 관절(joints)의 위치 및 각도에 관한 정보, 뼈(bone)의 위치에 관한 정보, 뼈(bone)의 각도에 관한 정보 및 뼈(bone)의 위치 및 각도에 관한 정보일 수 있으나, 상기 제1 데이터에 포함된 상기 모션의 포즈를 표현하는 정보가 이에 한정되는 것은 아니다.

일실시예에 따라, 제1 데이터 생성 모듈(120)은 입력 데이터(110)를 1차로 디노이징(denoising)하여 1차로 노이즈가 제거된 제1 데이터를 생성하기 위하여 노이즈를 제거하기 위한 학습이 완료된 딥 뉴럴 네트워크(Deep Neural Network)를 포함할 수 있다. 이때, 상기 노이즈를 제거하기 위한 학습이 완료된 딥 뉴럴 네트워크(Deep Neural Network)는 노이즈를 제거하기 위한 학습이 완료된 양방향 순환 신경망(Bidirectional Recurrent Neural Network)일 수 있으나, 제1 데이터 생성 모듈(120)에 포함된 상기 노이즈를 제거하기 위한 학습이 완료된 딥 뉴럴 네트워크(Deep Neural Network)가 이에 한정되는 것은 아니다.

일실시예에 따라, 신뢰도 결정 모듈(130)은 입력 데이터(110)에 대한 신뢰도를 결정할 수 있다.

일실시예에 따라, 신뢰도 결정 모듈(130)은 입력 데이터(110)에 포함된 정보를 획득할 수 있다. 이때, 입력 데이터(110)에 포함된 정보는 모션의 포즈를 표현하는 정보일 수 있으나, 입력 데이터(110)에 포함된 모션의 포즈를 표현하는 정보가 이에 한정되는 것은 아니다. 또한, 입력 데이터(110)에 포함된 모션의 포즈를 표현하는 정보의 형태는 벡터일 수 있으나, 입력 데이터(110)에 포함된 모션의 포즈를 표현하는 정보의 형태가 이에 한정되는 것은 아니다. 또한, 입력 데이터(110)에 포함된 모션의 포즈를 표현하는 정보는 관절(joints)의 위치에 관한 정보, 관절(joints)의 각도에 관한 정보, 관절(joints)의 위치 및 각도에 관한 정보, 뼈(bone)의 위치에 관한 정보, 뼈(bone)의 각도에 관한 정보 및 뼈(bone)의 위치 및 각도에 관한 정보일 수 있으나, 입력 데이터(110)에 포함된 모션의 포즈를 표현하는 정보가 이에 한정되는 것은 아니다.

일실시예에 따라, 신뢰도 결정 모듈(130)은 입력 데이터(110)에 포함된 정보에 의해 표현되는 관절(joints)의 위치에 대한 정보를 획득할 수 있다.

일실시예에 따라, 신뢰도 결정 모듈(130)은 입력 데이터(110)에 포함된 정보에 의해 표현되는 관절(joints)의 각도에 대한 정보를 획득할 수 있다.

일실시예에 따라, 신뢰도 결정 모듈(130)은 입력 데이터(110)에 포함된 정보에 의해 표현되는 관절(joints)의 위치 및 각도에 대한 정보를 획득할 수 있다.

일실시예에 따라, 신뢰도 결정 모듈(130)은 입력 데이터(110)에 포함된 정보에 의해 표현되는 뼈(bone)의 위치에 대한 정보를 획득할 수 있다.

일실시예에 따라, 신뢰도 결정 모듈(130)은 입력 데이터(110)에 포함된 정보에 의해 표현되는 뼈(bone)의 각도에 대한 정보를 획득할 수 있다.

일실시예에 따라, 신뢰도 결정 모듈(130)은 입력 데이터(110)에 포함된 정보에 의해 표현되는 뼈(bone)의 위치 및 각도에 대한 정보를 획득할 수 있다.

일실시예에 따라, 신뢰도 결정 모듈(130)은 입력 데이터(110)에 포함된 정보에 대한 신뢰도를 결정할 수 있다.

일실시예에 따라, 신뢰도 결정 모듈(130)은 상기 획득한 관절(joints)의 위치에 대한 정보의 신뢰도를 결정할 수 있다.

일실시예에 따라, 신뢰도 결정 모듈(130)은 상기 획득한 관절(joints)의 각도에 대한 정보의 신뢰도를 결정할 수 있다.

일실시예에 따라, 신뢰도 결정 모듈(130)은 상기 획득한 관절(joints)의 위치 및 각도에 대한 정보의 신뢰도를 결정할 수 있다.

일실시예에 따라, 신뢰도 결정 모듈(130)은 상기 획득한 뼈(bone)의 위치에 대한 정보의 신뢰도를 결정할 수 있다.

일실시예에 따라, 신뢰도 결정 모듈(130)은 상기 획득한 뼈(bone)의 각도에 대한 정보의 신뢰도를 결정할 수 있다.

일실시예에 따라, 신뢰도 결정 모듈(130)은 상기 획득한 뼈(bone)의 위치 및 각도에 대한 정보의 신뢰도를 결정할 수 있다.

일실시예에 따라, 신뢰도 결정 모듈(130)은 입력 데이터(110)에 포함된 정보에 대한 신뢰도를 결정하기 위하여 신뢰도를 결정하기 위한 학습이 완료된 딥 뉴럴 네트워크(Deep Neural Network)를 포함할 수 있다.

일실시예에 따라, 신뢰도 결정 모듈(130)은 입력 데이터(110)에 포함된 정보에 포함된 노이즈의 정도를 기초로 신뢰도를 결정할 수 있다.

일실시예에 따라, 신뢰도 결정 모듈(130)은 입력 데이터(110)에 포함된 정보 중 노이즈가 포함되지 않은 정보를 신뢰할 수 있는 정보로 결정할 수 있다.

일실시예에 따라, 신뢰도 결정 모듈(130)은 입력 데이터(110)에 포함된 정보 중 노이즈가 포함된 정보를 신뢰할 수 없는 정보로 결정할 수 있다.

일실시예에 따라, 신뢰도 결정 모듈(130)은 입력 데이터(110)에 포함된 정보에 대해 결정한 신뢰도를 수치화 할 수 있다. 이때, 상기 신뢰도는 0과 1 사이의 값 중 어느 하나일 수 있으나, 상기 신뢰도의 범위가 이에 한정되는 것은 아니다.

일실시예에 따라, 신뢰도 결정 모듈(130)은 입력 데이터(110)에 포함된 정보를 100% 신뢰할 수 있는 경우, 신뢰도 수치를 “1”이라 할 수 있고, 입력 데이터(110)에 포함된 정보를 신뢰할 수 없는 경우(예컨대, 노이즈 만으로 구성되었다고 결정된 정보), 신뢰도 수치를 “0”이라 할 수 있다.

다른 실시예에 따라, 신뢰도 결정 모듈(130)은 입력 데이터(110)에 포함된 정보를 100% 신뢰할 수 있는 경우, 신뢰도 수치를 “0”이라 할 수 있고, 입력 데이터(110)에 포함된 정보를 신뢰할 수 없는 경우(예컨대, 노이즈 만으로 구성되었다고 결정된 정보), 신뢰도 수치를 “1”이라 할 수 있다.

일실시예에 따라, 제2 데이터 생성 모듈(140)은 입력 데이터(110), 상기 제1 데이터 및 상기 신뢰도를 기초로 제2 데이터를 생성할 수 있다.

일실시예에 따라, 제2 데이터 생성 모듈(140)은 상기 신뢰도를 기초로 입력 데이터(110)에서 디노이징(denoising) 해야 할 부분을 결정할 수 있다.

일실시예에 따라, 제2 데이터 생성 모듈(140)은 상기 신뢰도를 기초로 입력 데이터(110)에서 디노이징(denoising) 하지 말아야 할 부분 또는 디노이징(denoising)이 적게 필요한 부분을 결정할 수 있다.

일실시예에 따라, 제2 데이터 생성 모듈(140)은 상기 결정한 입력 데이터(110)에서 디노이징(denoising) 해야 할 부분, 입력 데이터(110)에서 디노이징(denoising) 하지 말아야 할 부분 또는 디노이징(denoising)이 적게 필요한 부분 및 제1 데이터를 기초로 제2 데이터를 생성할 수 있다.

일실시예에 따라, 제2 데이터 생성 모듈(140)은 입력 데이터(110)에서 디노이징(denoising) 하지 말아야 할 부분 또는 디노이징(denoising)이 적게 필요한 부분과 제1 데이터 중 입력 데이터(110)에서 디노이징(denoising) 해야 할 부분과 매칭되는 부분을 결합하여 제2 데이터를 생성할 수 있다.

일실시예에 따라, 제2 데이터 생성 모듈(140)은 하기 [수학식 1]을 기초로 입력 데이터와 제1 데이터를 보간하여 제2 데이터를 생성할 수 있다.

여기서,

는 신뢰도이고,

는 제1 데이터이며,

는 입력 데이터이다.

일실시예에 따라, 제2 데이터 생성 모듈(140)은 입력 데이터(110)에 포함된 모션의 포즈를 표현하는 정보를 획득할 수 있다.

일실시예에 따라, 제2 데이터 생성 모듈(140)은 상기 제1 데이터에 포함된 모션의 포즈를 표현하는 정보를 획득할 수 있다.

일실시예에 따라, 제2 데이터 생성 모듈(140)은 상기 신뢰도를 기초로 입력 데이터(110)에 포함된 모션의 포즈를 표현하는 정보에서 디노이징(denoising) 해야 할 부분을 결정할 수 있다.

일실시예에 따라, 제2 데이터 생성 모듈(140)은 상기 신뢰도를 기초로 입력 데이터(110)에 포함된 모션의 포즈를 표현하는 정보에서 디노이징(denoising) 하지 말아야 할 부분 또는 디노이징(denoising)이 적게 필요한 부분을 결정할 수 있다.

일실시예에 따라, 제2 데이터 생성 모듈(140)은 상기 결정한 입력 데이터(110)에 포함된 모션의 포즈를 표현하는 정보에서 디노이징(denoising) 해야 할 부분, 상기 결정한 입력 데이터(110)에 포함된 모션의 포즈를 표현하는 정보에서 디노이징(denoising) 하지 말아야 할 부분 또는 디노이징(denoising)이 적게 필요한 부분 및 1 데이터를 기초로 제2 데이터를 생성할 수 있다.

일실시예에 따라, 제2 데이터 생성 모듈(140)은 상기 결정한 입력 데이터(110)에 포함된 모션의 포즈를 표현하는 정보에서 디노이징(denoising) 해야 할 부분, 상기 결정한 입력 데이터(110)에 포함된 모션의 포즈를 표현하는 정보에서 디노이징(denoising) 하지 말아야 할 부분 또는 디노이징(denoising)이 적게 필요한 부분 및 1 데이터에 포함된 모션의 포즈를 표현하는 정보 중 입력 데이터(110)에 포함된 모션의 포즈를 표현하는 정보에서 디노이징(denoising) 해야 할 부분과 매칭되는 부분을 기초로 제2 데이터를 생성할 수 있다.

일실시예에 따라, 제3 데이터 생성 모듈(150)은 제2 데이터 생성 모듈(140)이 생성한 제2 데이터를 2차로 디노이징(denoising)하여 2차로 노이즈가 제거된 제3 데이터를 생성할 수 있다. 이때, 상기 제3 데이터는 모션의 포즈를 표현하는 정보를 포함할 수 있으나, 상기 제3 데이터에 포함된 정보가 이에 한정되는 것은 아니다. 또한, 상기 제3 데이터에 포함된 모션의 포즈를 표현하는 정보의 형태는 벡터일 수 있으나, 상기 제3 데이터에 포함된 모션의 포즈를 표현하는 정보의 형태가 이에 한정되는 것은 아니다. 또한, 상기 제3 데이터에 포함된 상기 모션의 포즈를 표현하는 정보는 관절(joints)의 위치에 관한 정보, 관절(joints)의 각도에 관한 정보, 관절(joints)의 위치 및 각도에 관한 정보, 뼈(bone)의 위치에 대한 정보, 뼈(bone)의 각도에 대한 정보 및 뼈(bone)의 위치 및 각도에 대한 정보일 수 있으나, 상기 제3 데이터에 포함된 상기 모션의 포즈를 표현하는 정보가 이에 한정되는 것은 아니다.

일실시예에 따라, 제3 데이터 생성 모듈(150)은 제2 데이터 생성 모듈(140)이 생성한 제2 데이터를 2차로 디노이징(denoising)하여 2차로 노이즈가 제거된 제3 데이터를 생성하기 위하여 노이즈를 제거하기 위한 학습이 완료된 딥 뉴럴 네트워크(Deep Neural Network)를 포함할 수 있다. 이때, 상기 노이즈를 제거하기 위한 학습이 완료된 딥 뉴럴 네트워크(Deep Neural Network)는 노이즈를 제거하기 위한 학습이 완료된 양방향 순환 신경망(Bidirectional Recurrent Neural Network)일 수 있으나, 제3 데이터 생성 모듈(120)에 포함된 상기 노이즈를 제거하기 위한 학습이 완료된 딥 뉴럴 네트워크(Deep Neural Network)가 이에 한정되는 것은 아니다.

일실시예에 따라, 데이터 노이즈 제거 장치(100)에 입력 데이터(110)를 1차로 디노이징(denoising) 하는 제1 데이터 생성 모듈(120)과 제2 데이터를 2차로 디노이징(denoising) 하는 제3 데이터 생성 모듈(150)이 별개의 모듈로 표현되어 있으나, 다른 실시예에 따라 데이터 노이즈 제거 장치(100)에 포함된 하나의 모듈(예컨대, 제1 데이터 생성 모듈 또는 제3 데이터 생성 모듈)을 통해 입력 데이터(110)를 1차로 디노이징(denoising) 하여 제1 데이터를 생성하고, 제2 데이터를 2차로 디노이징(denoising) 하여 제3 데이터를 생성할 수 있다.

여기서 사용된 '장치 또는 모듈'이라는 용어는 논리적인 구성 단위를 나타내는 것으로서, 반드시 물리적으로 구분되는 구성 요소가 아니라는 점은 본 발명이 속하는 기술분야의 당업자에게 자명한 사항이다.

도 2는 일실시예에 따라 데이터 노이즈 제거 장치에서 노이즈가 제거되는 모습을 모식적으로 나타내는 도면이다.

도 2를 참조하면, 일실시예에 따라 데이터 노이즈 제거 장치는 입력 데이터(200)를 획득할 수 있다. 이때, 입력 데이터(200)는 노이즈가 포함되지 않은 데이터(201)와 노이즈가 포함된 데이터(202)를 포함할 수 있다. 이때, 상기 노이즈는 떨림 또는 사라짐 일 수 있으나, 상기 노이즈가 이에 한정되는 것은 아니다.

일실시예에 따라 데이터 노이즈 제거 장치는 입력 데이터(200)에 포함된 노이즈를 기초로 입력 데이터(200)에 대한 신뢰도를 결정할 수 있다.

일실시예에 따라 데이터 노이즈 제거 장치는 입력 데이터(200) 중 노이즈가 포함되지 않은 데이터(201)의 신뢰도를 높게 결정할 수 있다.

일실시예에 따라 데이터 노이즈 제거 장치는 입력 데이터(200) 중 노이즈가 포함된 데이터(202)의 신뢰도를 낮게 결정할 수 있다.

일실시예에 따라 데이터 노이즈 제거 장치는 입력 데이터(200)를 1차로 디노이징(denoising)(210) 하여 제1 데이터(220)를 생성할 수 있다.

일실시예에 따라 데이터 노이즈 제거 장치가 생성한 제1 데이터(220)의 일부분(221)은 입력 데이터(200)에 포함된 노이즈가 포함되지 않은 데이터(201)와 매칭될 수 있다.

일실시예에 따라 데이터 노이즈 제거 장치가 생성한 제1 데이터(220)의 다른 부분(222)은 입력 데이터(200)에 포함된 노이즈가 포함된 데이터(202)와 매칭될 수 있다.

일실시예에 따라, 데이터 노이즈 제거 장치는 하기 [수학식 2]를 기초로 입력 데이터(200)와 제1 데이터(200)를 보간하여 제2 데이터(230)를 생성할 수 있다.

여기서,

는 신뢰도이고,

는 제1 데이터이며,

는 입력 데이터이다.

일실시예에 따라 데이터 노이즈 제거 장치는 상기 결정한 신뢰도를 기초로 입력 데이터(200)에 포함된 노이즈가 포함되지 않은 데이터(201)와 제1 데이터(220) 중 입력 데이터(200)에 포함된 노이즈가 포함된 데이터(202)와 매칭되는 부분(222)를 결합하여 제2 데이터(230)를 생성할 수 있다. 따라서, 제2 데이터(230)의 일부분(231)은 입력 데이터(200)에 포함된 노이즈가 포함되지 않은 데이터(201)와 매칭되고, 제2 데이터(230)의 다른 부분(232)은 제1 데이터(220) 중 입력 데이터(200)에 포함된 노이즈가 포함된 데이터(202)와 매칭되는 부분(222)과 매칭될 수 있다.

일실시예에 따라 데이터 노이즈 제거 장치는 제2 데이터(230)를 2차로 디노이징(denoising)(240) 하여 제3 데이터(250)를 생성할 수 있다.

도 3은 일실시예에 따라 제1 데이터 및 관절의 신뢰도를 기초로 제3 데이터를 생성하는 모습을 나타내는 도면이다.

도 3을 참조하면, 도 3 (a)는 제1 데이터이고, 도 3 (b)는 관절의 신뢰도이며, 도3 (c)는 제3 데이터이다.

도 3 (a)를 참조하면, 일실시예에 따라 데이터 노이즈 제거 장치는 입력 데이터를 1차로 디노이징(denoising)하여 1차로 노이즈가 제거된 제1 데이터(300)를 생성할 수 있다.

다만, 입력 데이터에 포함된 노이즈가 많은 경우, 입력 데이터를 1차로 디노이징(denoising)하여 1차로 노이즈를 제거(denoising)하는 것 만으로는 입력 데이터에 포함된 모든 노이즈를 제거할 수 없기 때문에 제1 데이터(300)의 일부(301)에 노이즈가 포함될 수 있다.

도 3 (b)를 참조하면, 일실시예에 따라 데이터 노이즈 제거 장치는 입력 데이터에 포함된 관절과 관련된 데이터에 대한 신뢰도(310)를 결정할 수 있다.

일실시예에 따라 데이터 노이즈 제거 장치는 제2 데이터를 생성하기 위하여 매우 낮은 신뢰도(311)로 결정된 관절 부분에 해당하는 입력 데이터와 매칭되는 제1 데이터(300)의 관절 부분(301)을 이용할 수 있다.

도3 (c)를 참조하면, 일실시예에 따라 데이터 노이즈 제거 장치는 상기 생성한 제2 데이터를 2차로 디노이징(denoising)하여 2차로 노이즈가 제거된 제3 데이터(320)를 생성할 수 있다.

제2 데이터를 2차로 디노이징(denoising)하여 2차로 노이즈를 제거하는 것에 의해 제2 데이터 포함된 제1 데이터(300)의 관절 부분(301)에 대한 노이즈가 제거(321) 될 수 있다.

도 4는 일실시예에 따른 데이터 노이즈 제거 방법을 나타내는 플로우 차트이다.

도 4를 참조하면, 일실시예에 따른 데이터 노이즈 제거 장치가 입력 데이터를 디노이징(denoising)하여 제1 데이터를 생성한다(400).

이때, 상기 데이터 노이즈 제거 장치는 입력 데이터를 1차로 디노이징(denoising)하여 1차로 노이즈가 제거된 제1 데이터를 생성할 수 있다. 이때, 상기 제1 데이터는 모션의 포즈를 표현하는 정보를 포함할 수 있으나, 상기 제1 데이터에 포함된 정보가 이에 한정되는 것은 아니다.

또한, 상기 데이터 노이즈 제거 장치는 입력 데이터를 1차로 디노이징(denoising)하여 1차로 노이즈가 제거된 제1 데이터를 생성하기 위하여 노이즈를 제거하기 위한 학습이 완료된 딥 뉴럴 네트워크(Deep Neural Network)를 포함할 수 있다. 이때, 상기 노이즈를 제거하기 위한 학습이 완료된 딥 뉴럴 네트워크(Deep Neural Network)는 노이즈를 제거하기 위한 학습이 완료된 양방향 순환 신경망(Bidirectional Recurrent Neural Network)일 수 있으나, 상기 데이터 노이즈 제거 장치에 포함된 상기 노이즈를 제거하기 위한 학습이 완료된 딥 뉴럴 네트워크(Deep Neural Network)가 이에 한정되는 것은 아니다.

데이터 노이즈 제거 장치가 상기 입력 데이터에 대한 신뢰도를 결정한다(410).

이때, 상기 데이터 노이즈 제거 장치는 입력 데이터 포함된 정보를 획득할 수 있다. 이때, 상기 입력 데이터에 포함된 정보는 모션의 포즈를 표현하는 정보일 수 있으나, 상기 입력 데이터에 포함된 모션의 포즈를 표현하는 정보가 이에 한정되는 것은 아니다.

또한, 상기 데이터 노이즈 제거 장치는 입력 데이터에 포함된 정보에 대한 신뢰도를 결정할 수 있다.

또한, 상기 데이터 노이즈 제거 장치는 입력 데이터에 포함된 정보에 대한 신뢰도를 결정하기 위하여 신뢰도를 결정하기 위한 학습이 완료된 딥 뉴럴 네트워크(Deep Neural Network)를 포함할 수 있다.

또한, 상기 데이터 노이즈 제거 장치는 입력 데이터에 포함된 정보에 포함된 노이즈의 정도를 기초로 신뢰도를 결정할 수 있다.

또한, 상기 데이터 노이즈 제거 장치는 입력 데이터에 포함된 정보에 대해 결정한 신뢰도를 수치화 할 수 있다.

데이터 노이즈 제거 장치가 상기 입력 데이터, 상기 제1 데이터 및 상기 신뢰도를 기초로 제2 데이터를 생성한다(420).

이때, 상기 데이터 노이즈 제거 장치는 상기 신뢰도를 기초로 상기 입력 데이터에서 디노이징(denoising) 해야 할 부분과 상기 입력 데이터에서 디노이징(denoising) 하지 말아야 할 부분을 결정할 수 있다.

또한, 상기 데이터 노이즈 제거 장치는 상기 입력 데이터에서 디노이징(denoising) 해야 할 부분, 상기 입력 데이터에서 디노이징(denoising) 하지 말아야 할 부분 및 상기 제1 데이터를 기초로 제2 데이터를 생성할 수 있다.

또한, 상기 데이터 노이즈 제거 장치는 입력 데이터와 제1 데이터를 보간하여 제2 데이터를 생성할 수 있다.

데이터 노이즈 제거 장치가 상기 제2 데이터를 디노이징(denoising)하여 제3 데이터를 생성한다(430).

이때, 상기 데이터 노이즈 제거 장치는 상기 제2 데이터를 2차로 디노이징(denoising)하여 2차로 노이즈가 제거된 제3 데이터를 생성할 수 있다.

또한, 상기 데이터 노이즈 제거 장치는 상기 제2 데이터를 2차로 디노이징(denoising)하여 2차로 노이즈가 제거된 제3 데이터를 생성하기 위하여 노이즈를 제거하기 위한 학습이 완료된 딥 뉴럴 네트워크(Deep Neural Network)를 포함할 수 있다. 이때, 상기 노이즈를 제거하기 위한 학습이 완료된 딥 뉴럴 네트워크(Deep Neural Network)는 노이즈를 제거하기 위한 학습이 완료된 양방향 순환 신경망(Bidirectional Recurrent Neural Network)일 수 있으나, 상기 데이터 노이즈 제거 장치에 포함된 상기 노이즈를 제거하기 위한 학습이 완료된 딥 뉴럴 네트워크(Deep Neural Network)가 이에 한정되는 것은 아니다.

비록 도 3에서는 제1 데이터 생성 동작이 신뢰도 결정 동작보다 먼저 수행되는 것으로 예시되어 있으나, 제1 데이터 생성 동작과 신뢰도 결정 동작은 동시, 병렬력 또는 오버랩되어 수행될 수도 있고, 제1 데이터 생성 동작이 신뢰도 결정 동작보다 나중에 수행될 수 있다.

도 5는 본 발명의 일실시예를 구현하기 위한 예시적인 컴퓨터 시스템의 블록도이다.

도 5를 참조하면, 본 발명의 일실시예를 구현하기 위한 예시적인 컴퓨터 시스템은 정보를 교환하기 위한 버스 또는 다른 커뮤니케이션 채널(501)을 포함하고, 프로세서(502)는 정보를 처리하기 위하여 버스(501)와 연결된다.

컴퓨터 시스템(500)은 정보 및 프로세서(502)에 의해 처리되는 명령들을 저장하기 위하여 버스(501)와 연결된 RAM(Random Access Memory) 또는 다른 동적 저장 장치인 메인 메모리(503)를 포함한다.

또한, 메인 메모리(503)는 프로세서(502)에 의한 명령들의 실행동안 임시변수들 또는 다른 중간 정보를 저장하기 위해 사용될 수 있다.

컴퓨터 시스템(500)은 프로세서(502)에 대한 정적인 정보 또는 명령들을 저장하기 위하여 버스(501)에 결합된 ROM(Read Only Memory) 및 다른 정적 저장장치(504)를 포함할 수 있다.

마그네틱 디스크, 집(zip) 또는 광 디스크 같은 대량 저장장치(505) 및 그것과 대응하는 드라이브 또한 정보 및 명령들을 저장하기 위하여 컴퓨터 시스템(500)에 연결될 수 있다.

컴퓨터 시스템(500)은 엔드 유저(end user)에게 정보를 디스플레이 하기 위하여 버스(501)를 통해 음극선관 또는 엘씨디 같은 디스플레이 장치(510)와 연결될 수 있다.

키보드(520)와 같은 문자 입력 장치는 프로세서(502)에 정보 및 명령을 전달하기 위하여 버스(501)에 연결될 수 있다.

다른 유형의 사용자 입력 장치는 방향 정보 및 명령 선택을 프로세서(502)에 전달하고, 디스플레이(510) 상의 커서의 움직임을 제어하기 위한 마우스, 트랙볼 또는 커서 방향 키들과 같은 커서 컨트롤 장치(530)이다.

통신 장치(540) 역시 버스(501)와 연결된다.

통신 장치(540)는 지역 네트워크 또는 광역망에 접속되는 것을 서포트 하기 위하여 모뎀, 네트워크 인터페이스 카드, 이더넷, 토큰 링 또는 다른 유형의 물리적 결합물과 연결하기 위해 사용되는 인터페이스 장치를 포함할 수 있다. 이러한 방식으로 컴퓨터 시스템(500)은 인터넷 같은 종래의 네트워크 인프라 스트럭쳐를 통하여 다수의 클라이언트 및 서버와 연결될 수 있다.

여기서 사용된 '장치 또는 모듈'이라는 용어는 논리적인 구성 단위를 나타내는 것으로서, 반드시 물리적으로 구분되는 구성 요소가 아니라는 점은 본 발명이 속하는 기술분야의 당업자에게 자명한 사항이다.

이상에서, 본 발명의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 발명이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성 요소들이 적어도 하나로 선택적으로 결합하여 동작할 수도 있다.

또한, 그 모든 구성 요소들이 각각 하나의 독립적인 하드웨어로 구현될 수 있지만, 각 구성 요소들의 그 일부 또는 전부가 선택적으로 조합되어 하나 또는 복수 개의 하드웨어에서 조합된 일부 또는 전부의 기능을 수행하는 프로그램 모듈을 갖는 컴퓨터 프로그램으로서 구현될 수도 있다. 그 컴퓨터 프로그램을 구성하는 코드들 및 코드 세그먼트들은 본 발명의 기술 분야의 당업자에 의해 용이하게 추론될 수 있을 것이다.

이러한 컴퓨터 프로그램은 컴퓨터가 읽을 수 있는 저장매체(Computer Readable Media)에 저장되어 컴퓨터에 의하여 읽혀지고 실행됨으로써, 본 발명의 실시예를 구현할 수 있다. 컴퓨터 프로그램의 저장매체로서는 자기 기록매체, 광 기록매체, 등이 포함될 수 있다.

또한, 이상에서 기재된 "포함하다", "구성하다" 또는 "가지다" 등의 용어는, 특별히 반대되는 기재가 없는 한, 해당 구성 요소가 내재될 수 있음을 의미하는 것이므로, 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것으로 해석되어야 한다.

기술적이거나 과학적인 용어를 포함한 모든 용어들은, 다르게 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥 상의 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

본 발명에서 개시된 방법들은 상술된 방법을 달성하기 위한 하나 이상의 동작들 또는 단계들을 포함한다. 방법 동작들 및/또는 단계들은 청구항들의 범위를 벗어나지 않으면서 서로 상호 교환될 수도 있다. 다시 말해, 동작들 또는 단계들에 대한 특정 순서가 명시되지 않는 한, 특정 동작들 및/또는 단계들의 순서 및/또는 이용은 청구항들의 범위로부터 벗어남이 없이 수정될 수도 있다.

본 발명에서 이용되는 바와 같이, 아이템들의 리스트 중 "그 중 적어도 하나" 를 지칭하는 구절은 단일 멤버들을 포함하여, 이들 아이템들의 임의의 조합을 지칭한다. 일 예로서, "a, b, 또는 c: 중의 적어도 하나" 는 a, b, c, a-b, a-c, b-c, 및 a-b-c 뿐만 아니라 동일한 엘리먼트의 다수의 것들과의 임의의 조합 (예를 들어, a-a, a-a-a, a-a-b, a-a-c, a-b-b, a-c-c, b-b, b-b-b, b-b-c, c-c, 및 c-c-c 또는 a, b, 및 c 의 다른 임의의 순서 화한 것) 을 포함하도록 의도된다.

본 발명에서 이용되는 바와 같이, 용어 "결정하는"는 매우 다양한 동작들을 망라한다. 예를 들어, "결정하는"는 계산하는, 컴퓨팅, 프로세싱, 도출하는, 조사하는, 룩업하는 (예를 들어, 테이블, 데이터베이스, 또는 다른 데이터 구조에서 룩업하는), 확인하는 등을 포함할 수도 있다. 또한, "결정하는"은 수신하는 (예를 들면, 정보를 수신하는), 액세스하는 (메모리의 데이터에 액세스하는) 등을 포함할 수 있다. 또한, "결정하는"은 해결하는, 선택하는, 고르는, 확립하는 등을 포함할 수 있다.

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.

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

100... 데이터 노이즈 제거 장치

Claims (11)

1. 데이터 노이즈 제거 장치에 있어서,
   적어도 하나의 프로세서를 포함하고,
   상기 적어도 하나의 프로세서는,
   입력 데이터를 디노이징(denoising)하여 제1 데이터를 생성하고,
   상기 입력 데이터에 대한 신뢰도를 결정하고,
   상기 입력 데이터, 상기 제1 데이터 및 상기 신뢰도를 기초로 제2 데이터를 생성하는 데이터 노이즈 제거 장치.
2. 제1항에 있어서,
   상기 적어도 하나의 프로세서는,
   상기 제2 데이터를 디노이징(denoising)하여 제3 데이터를 생성하는 데이터 노이즈 제거 장치.
3. 제1항에 있어서,
   상기 적어도 하나의 프로세서는,
   상기 입력 데이터에 포함된 정보를 획득하고,
   상기 획득한 정보에 대한 신뢰도를 결정하고,
   상기 결정한 신뢰도를 수치화 하는 데이터 노이즈 제거 장치.
4. 제3항에 있어서,
   상기 입력 데이터에 포함된 정보는,
   모션의 포즈를 표현하는 정보인 데이터 노이즈 제거 장치.
5. 제1항에 있어서,
   상기 적어도 하나의 프로세서는,
   상기 신뢰도를 기초로 상기 입력 데이터에서 디노이징(denoising)해야 할 부분을 결정하고,
   상기 입력 데이터에서 디노이징(denoising) 해야 할 부분 및 상기 제1 데이터를 기초로 제2 데이터를 생성하는 데이터 노이즈 제거 장치.
6. 입력 데이터를 디노이징(denoising)하여 제1 데이터를 생성하는 동작;
   상기 입력 데이터에 대한 신뢰도를 결정하는 동작; 및
   상기 입력 데이터, 상기 제1 데이터 및 상기 신뢰도를 기초로 제2 데이터를 생성하는 동작
   을 포함하는 데이터 노이즈 제거 방법.
7. 제6항에 있어서,
   상기 데이터 노이즈 제거 방법은,
   상기 제2 데이터를 디노이징(denoising)하여 제3 데이터를 생성하는 동작
   을 더 포함하는 데이터 노이즈 제거 방법.
8. 제6항에 있어서,
   상기 신뢰도를 결정하는 동작은,
   상기 입력 데이터에 포함된 정보를 획득하는 동작;
   상기 획득한 정보에 대한 신뢰도를 결정하는 동작; 및
   상기 결정한 신뢰도를 수치화 하는 동작
   을 포함하는 데이터 노이즈 제거 방법.
9. 제8항에 있어서,
   상기 입력 데이터에 포함된 정보는,
   모션의 포즈를 표현하는 정보인 데이터 노이즈 제거 방법.
10. 제6항에 있어서,
    상기 제2 데이터를 생성하는 동작은,
    상기 신뢰도를 기초로 상기 입력 데이터에서 디노이징(denoising) 해야 할 부분을 결정하는 동작; 및
    상기 입력 데이터에서 디노이징(denoising) 해야 할 부분 및 상기 제1 데이터를 기초로 제2 데이터를 생성하는 동작
    을 포함하는 데이터 노이즈 제거 방법.
11. 제6항 내지 제10항 중 어느 한 항의 방법을 실행하기 위한 프로그램이 기록되어 있는 컴퓨터에서 판독 가능한 기록 매체.

Images