KR20220070773A - 패션 분류 코드를 이용한 스타일링 서비스 시스템 및 방법 - Google Patents

패션 분류 코드를 이용한 스타일링 서비스 시스템 및 방법 Download PDF

Info

Publication number
KR20220070773A
KR20220070773A KR1020200157683A KR20200157683A KR20220070773A KR 20220070773 A KR20220070773 A KR 20220070773A KR 1020200157683 A KR1020200157683 A KR 1020200157683A KR 20200157683 A KR20200157683 A KR 20200157683A KR 20220070773 A KR20220070773 A KR 20220070773A
Authority
KR
South Korea
Prior art keywords
styling
clothes
service
service server
unit
Prior art date
Application number
KR1020200157683A
Other languages
English (en)
Inventor
오우진
Original Assignee
주식회사 제이어스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 제이어스 filed Critical 주식회사 제이어스
Priority to KR1020200157683A priority Critical patent/KR20220070773A/ko
Publication of KR20220070773A publication Critical patent/KR20220070773A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0641—Shopping interfaces
    • G06Q30/0643—Graphical representation of items or shoppers
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47B—TABLES; DESKS; OFFICE FURNITURE; CABINETS; DRAWERS; GENERAL DETAILS OF FURNITURE
    • A47B61/00—Wardrobes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Accounting & Taxation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

본 발명에 따른 패션 분류 코드를 이용한 스타일링 서비스 방법은, 스타일링 서비스를 제공하는 서비스 서버와 사용자 단말을 포함하여 상기 서비스 서버에서, 의상의 이미지를 수집하는 단계; 이미지화된 의상을 분류 학습하여 코드화하는 단계; 코드화된 의상 중 선호 의상 선택하는 단계; 선호 의상의 코드와 유사한 코드를 탐색하여 스타일링하는 단계 및 스타일링 결과를 사용자 단말에 전송하여 시각화 보고하는 단계를 포함하는 것을 특징으로 한다.

Description

패션 분류 코드를 이용한 스타일링 서비스 시스템 및 방법{Styling service system and method using fashion classification code}
본 발명은 패션 분류 코드를 이용한 스타일링 서비스 시스템 및 방법에 관한 것으로서, 더욱 상세하게는 의상 이미지를 코드화하여 유사 코드를 추천하여 스타일링을 연출하는 방법에 관한 것이다.
다양한 브랜드로 나만의 스타일로 표현하고자 하는 패션피플이 증가하고, 패션과 기술이 결합된 패션테크, 스타일테크 산업이 성장하고, 수요자 맞춤 제작 및 인공지능 기반 코디 및 스타일링 서비스가 등장하고 있다.
영국 패션 유통 기업 막스앤스펜서의 2016년 조사에 의하면 외출 시 옷 고르는 시간이 꽤 걸려 남성은 평생 6개월이 소요되며, 여성은 그보다 훨씬 많은 시간을 소비하여 데이트나 약속 시간에 늦는 경우도 많다고 한다. 또한, 보관 옷 중 44%만 착용하고 38%는 방치하며 10%는 한번만 착용하고 8%는 그대로 방치하는 등 옷을 고르는데 많은 시간을 허비하고 비경제적인 요소가 많다고 한다.
종래의 기술은 사용자가 보유하는 의류에 기초하여 스타일링을 하므로 먼저 마음에 드는 의상의 상의 또는 하의를 불러와서 그것과 어울리는 의상들을 마우스로 일일이 하나씩 불러와서 맞추어 보기 때문에 시간도 많이 소비되고 결정도 어려운 문제점이 있다.
4차 산업혁명시대를 맞아 인공 지능, 증강현실, 사물 인터넷, 빅데이터, 모바일 등 첨단 정보통신기술이 빠르게 확산되고 있고, 패션산업 전반에 융합되어 패셔놀로지(fashionology)로 자리 잡고 있다. 이러한 흐름에 따라 AI를 통하여 사용자에게 가장 잘 어울리는 최적 스타일을 찾아서 빠른 시간에 추천하는 시스템이 필요하다.
한국공개특허 제10-2019-0123484호
상기의 문제점을 해결하고자 본 발명은 의상 이미지를 자동 분류하여 코드화하고 유사 코드를 추천하여 스타일링을 연출하는 방법을 제공하고자 한다.
상기의 해결하는 과제를 위한 본 발명에 따른 패션 분류 코드를 이용한 스타일링 서비스 방법은, 스타일링 서비스를 제공하는 서비스 서버와 사용자 단말을 포함하여 상기 서비스 서버에서, 의상의 이미지를 수집하는 단계; 이미지화된 의상을 분류 학습하여 코드화하는 단계; 코드화된 의상 중 선호 의상 선택하는 단계; 선호 의상의 코드와 유사한 코드를 탐색하여 스타일링하는 단계 및 스타일링 결과를 사용자 단말에 전송하여 시각화 보고하는 단계를 포함하는 것을 특징으로 한다.
상기 코드화 단계는, 상기 서비스 서버의 학습부에서, 수집된 의상 이미지의 수치화 단계; 수치화된 데이터를 정규화하는 단계; 특징(feature)의 공분산 행렬을 구하는 단계; 공분산 행렬에서 고유값 벡터(eigen vector)를 선택하는 단계 및 고유값 벡터에 투영하는 단계를 포함하는 것을 특징으로 한다.
상기 코드화 단계는, 상기 서비스 서버의 학습부에서, 초기 중심을 선택하는 단계; 데이터를 가까운 중심에 할당하는 기대단계; 초기 중심을 클러스터 중심으로 이동하는 최대화단계 및 클러스터에 할당되는 데이터가 없을 때까지 반복하는 단계하는 것을 특징으로 한다.
본 발명의 다른 실시예로서 패션 분류 코드를 이용한 스타일링 서비스 시스템은, 자동 스타일링 서비스를 제공하는 서비스 서버 및 상기 서비스 서버와 유무선 인터넷으로 연결된 복수의 사용자 단말을 포함하고, 상기 사용자 단말에는 스타일링 서비스 앱이 설치되어 코드화된 의상에 대하여 유사 코드를 탐색하여 스타일링하는 것을 특징으로 한다.
상기 서비스 서버는, 의상을 이미지화하여 수집하는 이미지 수집부; 사용자가 소유한 의상 이미지를 보관하는 옷장부; 수집된 이미지를 특징에 따라 분류하고 코드화하는 학습부; 분류된 이미지로 자동 스타일링하는 스타일링부; 스타일링된 결과를 저장하고 사용자 단말에 시각화하여 보고하는 보고부 및 사용자 단말과 통신을 하는 통신부를 포함하는 것을 특징으로 한다.
본 발명은 의상을 이미지화하여 자동으로 분류하여 코드화하고 유사 코드로 스타일링하여 추천함으로써 정교하고 정확한 스타일링 추천을 할 수 있다.
바쁜 현대인들이 매일 아침 거울 앞에서 수많은 의상을 연출하고 확인하는 물리적인 시간을 줄이기 위하여 미리 의상 이이지를 디지털화하고 이미지 특성을 이용하여 분류하고 분류 코드를 이용하여 스타일링을 자동으로 연출함으로써 시간과 노력을 줄일 수 있다.
도 1은 본 발명에 따른 스타일링 시스템의 전체적인 구성도이다.
도 2는 본 발명에 따른 서비스 서버의 구성도이다.
도 3은 본 발명에 따른 스타일링 방법의 흐름도이다.
도 4는 본 발명에 따른 수집된 의상 이미지의 예이다.
도 5는 본 발명에 따른 주성분 분석 방법의 흐름도이다.
도 6은 본 발명에 따른 고유값 벡터를 선택하여 투영하는 실시예이다.
도 7은 군집화 방법의 흐름도이다.
도 8은 본 발명에 따른 분류 학습의 코드화 실시예이다.
도 9는 본 발명에 따른 학습모델의 설계예이다.
도 10은 본 발명에 따른 그룹화와 양자화의 실시예이다.
도 11은 분류 코드를 이용하여 스타일링하는 방법의 흐름도이다.
이하, 본 발명의 실시를 위한 구체적인 실시예를 도면을 참고하여 설명한다.본 발명의 실시예는 발명을 설명하는 하나의 예시이므로 권리범위는 예시된 실시예에 한정되지 아니하고, 예시된 도면은 발명의 명확성을 위하여 핵심적인 내용만 확대 도시하고 부수적인 내용을 생략하였으므로 도면에 한정하여 해석하여서는 아니 된다.
본 발명에서 스타일링(styling)은 의상 등의 모양을 맵시 있게 연출하는 것을 뜻하고, 코디는 코디네이션(coordination)의 준말로서, 의상, 화장, 액세서리, 구두 따위를 전체적으로 조화롭게 갖추어 꾸미는 일을 뜻한다.
본 발명의 스타일링 시스템은 서비스 서버와 스마트 단말기를 포함한다. 서비스 서버는 스마트 단말기에서 실행되는 어플리케이션(application: 앱)인 스타일링 서비스 앱을 제공하며 스마트 단말기는 유무선 인터넷으로 스마트 기기에서 서비스 서버에 접속하여 앱을 다운로드받아 스타일링 서비스를 받을 수 있는 사용자 단말이다.
도 1은 본 발명에 따른 자동 스타일링 시스템의 전체적인 구성도로서, 자동 스타일링 서비스를 제공하는 서비스 서버, 상기 서비스 서버와 유무선 인터넷으로 연결된 복수의 사용자 단말을 포함한다. 상기 사용자 단말에는 스타일링 서비스 앱이 설치된다.
도 2는 본 발명에 따른 서비스 서버의 구성도로서, 의상을 이미지화하여 수집하는 이미지 수집부, 사용자가 소유한 의상 이미지를 보관하는 옷장부, 수집된 이미지를 특징에 따라 분류하고 코드화하는 학습부, 분류된 이미지로 자동 스타일링하는 스타일링부, 스타일링된 결과를 저장하고 사용자 단말에 시각화하여 보고하는 보고부 및 사용자 단말과 통신을 하는 통신부를 포함한다.
상기 의상 이미지는 유닛 간의 연결성을 고려하여 스타일링 온톨로지(ontology)가 가능하도록 분류할 수 있다. 스타일링 온톨로지는 조화로운 스타일링을 위해 의상, 액세서리 등 유닛 간의 관계 및 어울림을 컴퓨터가 처리할 수 있는 형태로 표현하는 것으로서 구성요소는 클래스(class), 인스턴스(instance), 관계(relation), 속성(property) 등이다.
도 3은 본 발명에 따른 자동 스타일링 방법의 흐름도로서 의상의 이미지를 수집하는 단계; 이미지화된 의상을 분류 학습하여 코드화하는 단계; 코드화된 의상 중 선호 의상 선택하는 단계; 선호 의상의 코드와 유사한 코드를 탐색하여 스타일링하는 단계 및 스타일링 결과를 사용자 단말에 전송하여 시각화 보고하는 단계를 포함한다.
상기 이미지 수집부는 카메라 또는 스마트폰 카메라로 보유의상을 촬영하여 옷장부에 도 4와 같이 보관한다. 옷장부에는 보유 의상뿐만 아니라 패션잡지, 패션 사이트 또는 패션 전문 채널로부터 패션 이미지를 수집하여 별도 디렉토리에 관심옷장으로 저장할 수 있다.
이미지 수집부는 수집된 의상 이미지에서 스타일링 연출을 위해 불필요한 배경을 제거하는 배경제거모듈이 더 포함될 수 있다.
상기 학습부는 CNN(convolutional neural network)의 이미지 인식 기술이 포함된 의상분류기에 의해 이루어질 수 있고, 의상 분류 모델로서 주성분 분석, 군집화 방법 또는 스펙트럼-공간 패턴 생성 방법 등이 사용될 수 있다.
주성분 분석 방법은 여러 변수 간에 존재하는 상관관계를 이용하여 대표하는 주성분을 추출하는 방법으로서, 시간 및 공간의 복잡도를 감소시켜 메모리 용량을 줄일 수 있으며 노이즈를 감소시키고 시각화에 유리한 차원 축소 방법이다.
도 5는 주성분 분석 방법의 흐름도로서 수집된 의상 이미지의 수치화 단계, 수치를 정규화하는 단계, 특징(feature)의 공분산 행렬을 구하는 단계, 공분산 행렬에서 고유값 벡터(eigen vector)를 선택하는 단계 및 고유값 벡터에 투영하는 단계를 포함한다.
정규화 단계는 측정된 데이터를 이용하기 쉽게 변형하는 작업으로 크기가 1인 단위 벡터를 만든다.
공분산 행렬은 각 특징의 변동이 얼마나 닮았는가를 나타내는 것으로 행은 샘플을 의미하고 열은 특징을 의미한다. 즉, 특징들의 쌍이 함께 서로 변화하는 정도이다.
도 6은 고유값 벡터를 선택하여 투영하는 것을 보여주는 것으로 분산이 최대가 되도록 한다.
군집화 방법은 비지도 기계학습 방법의 하나로 데이터셋(data set)에서 서로 유사한 측정치들을 묶어 그룹으로 분류하여 몇 가지의 군집을 찾아내는 방법이다.
어떤 데이터셋이 있고 N개의 클러스터로 분류하겠다고 가정하면, 그 데이터 셋에는 N개의 중심(centroid)이 존재한다. 각 데이터들은 유클리디안 거리를 기반으로 가까운 중심에 할당되고, 같은 중심에 모인 데이터 그룹이 하나의 클러스터가 된다.
도 7은 군집화 분석 방법의 흐름도로서, 초기 중심을 선택하는 단계, 데이터를 가까운 중심에 할당하는 기대단계(E), 초기 중심을 클러스터 중심으로 이동하는 최대화단계(M), 클러스터에 할당되는 데이터가 없을 때까지 반복하는 단계를 포함한다.
초기 중심을 선택하는 단계는 무작위로 데이터가 있을 때 먼저 클러스터의 수를 2로 정하고, 2개의 클러스터의 중심을 무작위로 잡는다. 중심은 클러스터 데이터들의 평균값이다. 초기 중심은 무작위로 설정하는 방법 외에 수동으로 설정하거나 개수를 미리 설정할 수 있다.
기대단계(E)는 데이터를 중심에 할당하는 단계로 모든 데이터셋과 각 중심과의 유클리디안 거리를 구해 가장 가까운 중심에 할당한다.
최대화단계(M)는 초기 중심을 클러스터 중심으로 이동하는 단계로 각 중심이 정말로 중심에 오도록 업데이트한다.
기대단계와 최대화단계의 반복은 클러스터에 할당되는 데이터가 더 없을 때까지 반복하는 단계로 더이상 학습해도 결과가 바뀌지 않는다.
도 8은 본 발명에 따른 주성분 분석과 군집화 방법을 사용하여 기계학습한 의상 코드 분류 모델의 예이다. 의상의 분류 모델은 계절, 성별, 형상/형태, 재질, 색상 등이고, 계절은 봄/여름/가을/겨울용 의상이고, 성별은 남/녀 의상이고, 형상은 상의/하의/아우터, 아우터는 코트/점퍼/자켓/가디건 등이고, 상의 티셔츠/블라우스/셔츠/후드 등이고, 하의는 진/스키니/반비지/스커드 등이다. 형태별로는 슬림핏/오버핏/스탠다드/미디움 등이고, 재질은 가죽/다운/린넨/면/실크/모/합성섬유 등이고 색상/패턴은 체크/프린트/무지 등으로 분류할 수 있다.
일반적인 이미지 인식 과정은 전처리, 특징추출, 특징표현, 이미지 인식 등으로 구성되는 일련의 과정을 거쳐 구현한다. 그러나 CNN 등의 딥러닝 분야에서는 도 9에 나타낸 바와 같이 입출력을 제외한 부분을 학습모델을 설계하는 것이다.
본 발명의 다른 실시예로 학습부는 도 9와 같이 컨볼루션(convolution), 활성화함수(ReLU), 풀링(pooling), 풀리 커넥티드(fully-connected) 레이어로 구성된다. 각각의 컨볼루션 레이어에서는 3x3, 5x5 필터 등이 다수 사용된다. 필터가 다수 사용되지만 필터 각각에서의 곱셈과 덧셈의 연산도 다수이다. 따라서 고성능의 컴퓨터 자원이 확보되지 않으면 학습모델이 완성된 경우라도 처리시간의 증가 때문에 적용이 불가능하다.
따라서 본 발명에서는 학습모델의 훈련데이터로 사용되는 이미지 데이터를 공간-주파수 특징이 포함되는 스펙트럼-공간 패턴으로 변환하는 알고리즘을 제안한다. 생성된 스펙트럼-공간 패턴은 그 자체를 특징으로 이미지 인식에 직접적으로 적용하거나 또는 레이어 수가 축소된 딥러닝 시스템에 적용할 수 있다.
이미지 인식 분야에서 특징추출을 목적으로 수행되는 필터링 연산은 컨볼루션 연산이다. 컨볼루션 연산은 공간영역에서의 처리임에도 불구하고 필터의 가중치를 조정하여 저역통과, 고역통과, 에지검출 필터 등을 구현할 수 있다. 이러한 필터를 구현할 수 있다는 것은 주파수영역에서의 처리를 포함하고 있다는 의미이다. 또한, 컨볼루션 처리는 필터의 이동연산이므로 인간이 빠르게 부분 부분을 훑어보는 특성과 유사한 처리라는 특징이 있다.
현재 학습과정을 거치지 않고 알고리즘을 기반으로 특징을 추출하는 기존의 방식보다는 학습모델을 사용하는 딥러닝 방식의 성능이 탁월한 것으로 평가받고 있다. 딥러닝 방식에서 성능이 우수하다는 것은 컨볼루션 필터의 가중치를 다양한 입력데이터를 기반으로 학습과정을 통해 결정하기 때문이다. 또한 딥러닝에서 사용되는 가중치는 간단한 정수데이터가 아닌 소수점 이하 다수의 자리가 포함되는 실수형 데이터(float, double)가 사용된다. 그리고 하나의 컨볼루션 레이어에는 수십여 개의 필터가 사용된다.
이미지 인식 분야에서 딥러닝의 성능은 기존의 시스템에 비해 탁월하지만 고성능의 컴퓨터 자원이 있어야 한다는 문제점이 있다. 에지컴퓨팅의 분야에서 이러한 문제를 해결하고 딥러닝을 적용하기 위해서는 데이터 가공의 측면에서 전처리 과정을 강화하여 알고리즘의 성능을 높이거나 학습모델의 복잡도를 축소시키는 것이다.
본 발명에서는 이러한 문제를 해결하기 위하여 스펙트럼-공간 패턴 생성 알고리즘을 제안한다.
입력 이미지에는 공간정보와 주파수정보를 포함하고 있다. 공간정보는 화소 단위의 밝기값이고, 주파수정보는 밝기값의 변화량이다. 공간정보로 주어지는 입력 이미지로부터 주파수 정보를 추출하기 위해서는 푸리에변환을 적용하는 방법이 있다. 그러나 입력 이미지를 푸리에 변환하면 공간정보는 사라지고 주파수정보만 남게 된다.
본 발명은 일정한 크기로 그룹핑한 이미지의 공간영역을 주파수영역으로 변환하여 스펙트럼-공간 패턴을 생성한다. 스펙트럼-공간 패턴은 공간정보와 주파수정보가 동시에 포함되는 패턴이다. 주파수 영역으로 변환하는 연산에는 DCT를 사용한다. 이미지에 DCT를 적용하면 고주파성분보다는 저주파성분에 집중된다. 에지를 제외한 부분에서는 화소의 밝기값이 급격하게 변화되지 않기 때문이다.
그룹 내에는 이미지의 특성에 직접적으로 관계되지 않는 크기가 작은 고주파성분이 존재한다. 이러한 고주파 성분을 제거함으로써 데이터양을 축소시키기 위해 도 10과 같이 양자화를 수행한다.
그룹 단위 주파수 성분에서 직류 성분을 포함한 동일한 주파수 성분을 동일한 블록으로 연결하여 스펙트럼-공간 패턴을 생성하여 기계학습의 CNN 알고리즘에 적용한다.
또한, 양자화 처리를 수행하면 저주파 성분에 비해 상대적으로 크기가 작은 고주파 성분을 제거할 수 있다. 데이터가 감소하면 NPU의 메모리 접근시간을 줄일 수 있다는 장점이 있다. 또한 양자화의 강도를 조정하면 다양한 주파수-공간패턴을 구성할 수 있으므로 CNN 이미지 인식의 분야에서 사용하는 학습데이터를 인위적으로 생성할 수도 있다.
도 11은 분류 코드를 이용하여 스타일링하는 방법의 흐름도이다.
학습 분류된 이미지는 계절, 성별, 형상/형태, 재질, 색상 등으로 코드화된다. 사용자는 1A3F4C8B3로 코드화된 스커트를 선택하면 이와 어울리는 유사 코드를 저장부에서 탐색하여 유사도가 큰 의상 분류 코드를 찾는다.
코드 유사도는 일치되는 코드 자릿수로 정의한다. 분류가 9자리라면 자신의 코드를 제외한 8자리가 일치하면 가장 잘 맵시 있게 연출하는 것으로 볼 수 있다. 즉, 분류 코드 자릿수가 n이고 자신의 코드를 제외하고 일치하는 자릿수가 k(k<n))이라면 유사도는 k/n로 정의하여 유사도가 클수록 맵시 있다고 할 수 있다.
유사 코드를 탐색하여 스타일한 결과를 시각화하여 사용자 단말에게 보고하고 선택되면 결과를 저장하여 추후에 사용하며 거절되면 다음 유사도의 상을 추천하여 사용자에게 보고하여 사용자가 만족할 때까지 반복한다.
특정 의상과 어울리는 의상을 찾는 상기 스타일링 온톨로지에 이미지 속성값 메트릭스(coordination attribute-values matrix) 기법을 적용할 수 있다. 이를테면, 상의와 하의의 어울리는 정도를 휴리스틱(heuristic)에 의한 어울림 값으로 속성별 매트릭스 형태로 등록하여, 실제 의류들에 대하여 상의와 하의 등을 자동 매칭해주는 시스템을 설계하고 구현한다.
또한, 색상 매칭을 위해 RGB 헥사코드를 추가 배치하여 색상 코디연출이 가능하도록 할 수 있다. RGB 헥사코드는 특정 색상에서 빨강(R), 초록(G), 파랑(B)의 조합을 16진법으로 기호화한 것이다.
스타일링하는 방법은 내옷장에 수집된 의상 이미지 개별 유닛을 스타일링부의 캐릭터의 맞춤선에 드래그-앤-드롭(drag-and-drop)하면 자동으로 스타일링 된다.
4차 산업혁명시대를 맞아 인공 지능, 증강현실, 사물 인터넷, 빅데이터, 모바일 등 첨단 정보통신기술이 빠르게 확산되고 있고, 패션산업 전반에 융합되어 패셔놀로지(fashionology)로 자리 잡고 있다.
본 발명은 이러한 흐름에 따라 AI를 통하여 사용자에게 가장 잘 어울리는 최적 스타일을 찾아서 빠른 시간에 추천하는 시스템이다.

Claims (5)

  1. 스타일링 서비스를 제공하는 서비스 서버와 사용자 단말을 포함하는 스타일링 시스템을 이용하여 스타일링 서비스하는 방법은, 상기 서비스 서버에서,
    의상의 이미지를 수집하는 단계;
    이미지화된 의상을 분류 학습하여 코드화하는 단계;
    코드화된 의상 중 선호 의상 선택하는 단계;
    선호 의상의 코드와 유사한 코드를 탐색하여 스타일링하는 단계 및
    스타일링 결과를 사용자 단말에 전송하여 시각화 보고하는 단계를 포함하여,
    패션 분류 코드를 이용한 스타일링 서비스 방법.
  2. 제1항에 있어서,
    상기 코드화 단계는, 상기 서비스 서버의 학습부에서,
    수집된 의상 이미지의 수치화 단계;
    수치화된 데이터를 정규화하는 단계;
    특징(feature)의 공분산 행렬을 구하는 단계;
    공분산 행렬에서 고유값 벡터(eigen vector)를 선택하는 단계 및
    고유값 벡터에 투영하는 단계를 포함하는 것을 특징으로 하는 패션 분류 코드를 이용한 스타일링 서비스 방법.
  3. 제1항에 있어서,
    상기 코드화 단계는, 상기 서비스 서버의 학습부에서,
    초기 중심을 선택하는 단계;
    데이터를 가까운 중심에 할당하는 기대단계;
    초기 중심을 클러스터 중심으로 이동하는 최대화단계 및
    클러스터에 할당되는 데이터가 없을 때까지 반복하는 단계하는 것을 특징으로 하는 패션 분류 코드를 이용한 스타일링 서비스 방법.
  4. 자동 스타일링 서비스를 제공하는 서비스 서버 및 상기 서비스 서버와 유무선 인터넷으로 연결된 복수의 사용자 단말을 포함하고,
    상기 사용자 단말에는 스타일링 서비스 앱이 설치되어 코드화된 의상에 대하여 유사 코드를 탐색하여 스타일링하는 것을 특징으로 하는 패션 분류 코드를 이용한 스타일링 서비스 시스템.
  5. 제4항에 있어서,
    상기 서비스 서버는,
    의상을 이미지화하여 수집하는 이미지 수집부;사
    사용자가 소유한 의상 이미지를 보관하는 옷장부;
    수집된 이미지를 특징에 따라 분류하고 코드화하는 학습부;
    분류된 이미지로 자동 스타일링하는 스타일링부;
    스타일링된 결과를 저장하고 사용자 단말에 시각화하여 보고하는 보고부 및 사용자 단말과 통신을 하는 통신부를 포함하는 것을 특징으로 하는 패션 분류 코드를 이용한 스타일링 서비스 시스템.
KR1020200157683A 2020-11-23 2020-11-23 패션 분류 코드를 이용한 스타일링 서비스 시스템 및 방법 KR20220070773A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200157683A KR20220070773A (ko) 2020-11-23 2020-11-23 패션 분류 코드를 이용한 스타일링 서비스 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200157683A KR20220070773A (ko) 2020-11-23 2020-11-23 패션 분류 코드를 이용한 스타일링 서비스 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR20220070773A true KR20220070773A (ko) 2022-05-31

Family

ID=81779526

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200157683A KR20220070773A (ko) 2020-11-23 2020-11-23 패션 분류 코드를 이용한 스타일링 서비스 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR20220070773A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190123484A (ko) 2018-04-24 2019-11-01 롯데정보통신 주식회사 스마트 옷장

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190123484A (ko) 2018-04-24 2019-11-01 롯데정보통신 주식회사 스마트 옷장

Similar Documents

Publication Publication Date Title
Simo-Serra et al. Fashion style in 128 floats: Joint ranking and classification using weak data for feature extraction
CN110659958B (zh) 基于生成对抗网络的服饰搭配生成方法
CN105224775B (zh) 基于图片处理来对衣服进行搭配的方法和装置
CN106055710A (zh) 基于视频的商品推荐方法及装置
Almogdady et al. A flower recognition system based on image processing and neural networks
Herdiyeni et al. Mobile application for Indonesian medicinal plants identification using fuzzy local binary pattern and fuzzy color histogram
WO2015065901A1 (en) System and method for item and item set matching
KR102517961B1 (ko) 사용자 선택 의류를 기반으로 의류 추천 정보를 제공하는 방법, 이를 이용하는 서버 및 프로그램
CN108960260A (zh) 一种分类模型生成方法、医学影像图像分类方法及装置
CN109597907A (zh) 服饰管理方法和装置、电子设备、存储介质
CN111967930A (zh) 一种基于多网络融合的服装风格识别推荐方法
Chawathe Rice disease detection by image analysis
Watson et al. Person re-identification combining deep features and attribute detection
CN111209873A (zh) 一种基于深度学习的高精度人脸关键点定位方法及系统
CN114239754A (zh) 基于属性特征学习解耦的行人属性识别方法及系统
Paoletti et al. Parameter-free attention network for spectral-spatial hyperspectral image classification
Nawaz et al. Automatic categorization of traditional clothing using convolutional neural network
KR20220070773A (ko) 패션 분류 코드를 이용한 스타일링 서비스 시스템 및 방법
KR102446897B1 (ko) 메타버스 기반의 패션 아이템 제공시스템
KR20210127464A (ko) 딥러닝을 통한 코디 및 스타일링 방법 및 시스템
KR20220069268A (ko) 패션 이미지 속성을 이용한 자동 스타일링 서비스 시스템 및 방법
Fabijanska Graph Convolutional Networks for Semi-Supervised Image Segmentation
Villegas-Cortez et al. Interest points reduction using evolutionary algorithms and CBIR for face recognition
Aissa et al. Unsupervised features extraction using a multi-view self organizing map for image classification
KR20220063601A (ko) Ai 기반 패션 분석 엔진에 의한 인공지능 데이터셋 제작 방법

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
WITB Written withdrawal of application