KR20220076952A

KR20220076952A - 이미지 인식 방법, 이미지 인식 장치, 이미지 전처리 장치 및 뉴럴 네트워크의 학습 방법

Info

Publication number: KR20220076952A
Application number: KR1020200165958A
Authority: KR
Inventors: 김장현; 송현오; 추원호; 문승용; 안가온; 정호산
Original assignee: 삼성전자주식회사; 서울대학교산학협력단
Priority date: 2020-12-01
Filing date: 2020-12-01
Publication date: 2022-06-08
Also published as: US20220171999A1; US11921818B2

Abstract

이미지 인식 방법, 이미지 인식 장치, 이미지 전처리 장치 및 뉴럴 네트워크의 학습 방법이 개시된다. 이미지 인식 장치는 원본 색공간의 입력 이미지에 대한 목적 색공간의 원본 색상 히스토그램의 색상 왜곡을 제거하는 색상 변환 행렬을 획득할 수 있다. 이미지 인식 장치는 색상 변환 행렬을 이용하여 사기 입력 이미지의 색상 왜곡이 제거된 원본 색공간의 색상 변환 이미지를 획득할 수 있다. 원본 색공간의 색상 변환 이미지와의 거리가 임계값 미만인 후보 이미지 중에서, 이미지 인식 장치는 후보 이미지에 대한 뉴럴 네트워크의 출력 벡터 및 입력 이미지의 후보 클래스 벡터 간의 목적 손실값이 최소인 공간 변환 이미지를 출력할 수 있다. 이미지 인식 장치는 복수의 후보 클래스 벡터 각각에 대해 획득된 공간 변환 이미지와 각각의 후보 클래스 벡터 간의 목적 손실값 중에서 가장 작은 목적 손실값에 대응하는 후보 클래스 벡터를 최종 클래스 벡터로서 출력할 수 있다.

Description

이미지 인식 방법, 이미지 인식 장치, 이미지 전처리 장치 및 뉴럴 네트워크의 학습 방법{IMAGE RECOGNITION METHOD, IMAGE RECOGNITION APPARATUS, IMAGE PREPROCESSING APPARATUS AND METHOD FOR TRAINING NEURAL NETWORK}

이미지 인식을 위한 뉴럴 네트워크에 입력되는 이미지의 전처리 기술에 관한 것으로 이미지의 왜곡을 완환하는 기술에 관한 것이다.

이미지를 인식하는 뉴럴 네트워크는 다양한 학습 데이터를 통해 학습된다. 학습 데이터가 다양할수록 보다 뉴럴 네트워크는 보다 높은 정확도를 가질 수 있다. 하지만, 학습 데이터의 수가 많아질수록 학습 시간이 증가하며, 모든 경우를 반영하는 학습 데이터를 획득하는 것은 비용 문제를 야기한다.

이미지 인식을 위한 뉴럴 네트워크에 입력되는 입력 이미지를 전처리함으로써 인식의 정확도는 높아질 수 있다. 예를 들어, 아핀 변환(Affine transformation)을 모델링하여 전처리를 수행함으로써 회전이나 평행 이동에 의한 이미지의 왜곡이 완화될 수 있다. 하지만, 단순한 회전이나 평행 이동이 아닌 보다 복잡한 공간 왜곡 또는 색상 왜곡이 입력 이미지에 적용될 경우 단순한 아핀 변환 만으로는 정확한 인식 결과를 도출하기 어렵다.

일 실시예에 따른 이미지 인식 방법은, 원본 색공간의 입력 이미지에 대한 목적 색공간의 원본 색상 히스토그램의 색상 왜곡을 제거하는 색상 변환 행렬을 획득하는 단계; 상기 색상 변환 행렬을 이용하여 상기 입력 이미지의 색상 왜곡이 제거된 상기 원본 색공간의 색상 변환 이미지를 획득하는 단계; 상기 원본 색공간의 색상 변환 이미지와의 거리가 임계값 미만인 후보 이미지 중에서, 상기 후보 이미지에 대한 뉴럴 네트워크의 출력 벡터 및 상기 입력 이미지의 각각의 복수의 후보 클래스 벡터 간의 목적 손실값이 최소인 공간 변환 이미지를 획득하는 단계; 및 상기 복수의 후보 클래스 벡터 각각에 대해 획득된 공간 변환 이미지와 상기 각각의 후보 클래스 벡터 간의 목적 손실값 중에서 가장 작은 목적 손실값에 대응하는 후보 클래스 벡터를 최종 클래스 벡터로서 출력하는 단계를 포함할 수 있다.

상기 색상 변환 행렬을 획득하는 단계는, 상기 원본 색상 히스토그램의 색상 왜곡을 제거하여 변환 색상 히스토그램을 획득하는 단계; 및 상기 원본 색상 히스토그램 및 상기 변환 색상 히스토그램 간의 상기 색상 변환 행렬을 획득하는 단계를 포함할 수 있다.

상기 원본 색상 히스토그램 및 상기 변환 색상 히스토그램 간의 상기 색상 변환 행렬을 획득하는 단계는, 하나 이상의 후보 변환 행렬과 단위 벡터의 행렬곱은 상기 원본 색상 히스토그램이고, 상기 하나 이상의 후보 변환 행렬의 트랜스포즈(transpose)와 단위 벡터의 행렬곱은 상기 변환 색상 히스토그램인 경우에, 상기 후보 변환 행렬과 코스트 행렬 간의 행렬곱이 최소가 되는 후보 변환 행렬을 상기 색상 변환 행렬로서 출력하는 단계를 포함할 수 있다.

상기 색상 변환 이미지를 획득하는 단계는, 상기 원본 색공간의 입력 이미지를 상기 목적 색공간의 입력 이미지로 변환하는 단계; 상기 목적 색공간의 입력 이미지와 상기 색상 변환 행렬 간의 행렬곱을 수행하여 상기 목적 색공간의 입력 이미지를 획득하는 단계; 및 상기 목적 색공간의 입력 이미지를 상기 원본 색공간의 색상 변환 이미지로 변환하는 단계를 포함할 수 있다.

상기 공간 변환 이미지를 획득하는 단계는, 상기 복수의 후보 클래스 중의 하나의 후보 클래스에 대하여, 상기 원본 색공간의 색상 변환 이미지와의 거리가 임계값 미만인 하나 이상의 후보 이미지를 선택하는 단계; 상기 하나 이상의 후보 이미지에 대한 뉴럴 네트워크의 출력 벡터 및 상기 후보 클래스 벡터 간의 목적 손실값을 계산하는 단계; 상기 목적 손실값이 최소인 후보 이미지를 상기 후보 클래스에 대한 상기 공간 변환 이미지로서 출력하는 단계를 포함할 수 있다.

상기 방법은, 상기 최종 클래스 벡터에 대응하는 인식 결과를 출력하는 단계를 더 포함할 수 있다.

일 실시예에 따른 이미지 전처리 방법은, 원본 색공간의 입력 이미지에 대한 목적 색공간의 원본 색상 히스토그램의 색상 왜곡을 제거하는 색상 변환 행렬을 획득하는 단계; 상기 색상 변환 행렬을 이용하여 사기 입력 이미지의 색상 왜곡이 제거된 상기 원본 색공간의 색상 변환 이미지를 획득하는 단계; 상기 원본 색공간의 색상 변환 이미지와의 거리가 임계값 미만인 후보 이미지 중에서, 상기 후보 이미지에 대한 뉴럴 네트워크의 출력 벡터 및 상기 입력 이미지의 후보 클래스 벡터 간의 목적 손실값이 최소인 공간 변환 이미지를 출력하는 단계를 포함할 수 있다.

일 실시예에 따른 뉴럴 네트워크 학습 방법은, 원본 색공간의 현재의 학습 이미지에 대한 목적 색공간의 원본 색상 히스토그램의 색상 왜곡을 제거하는 색상 변환 행렬을 획득하는 단계; 상기 색상 변환 행렬을 이용하여 상기 현재의 학습 이미지의 색상 왜곡이 제거된 상기 원본 색공간의 색상 변환 이미지를 획득하는 단계; 상기 원본 색공간의 색상 변환 이미지와의 거리가 임계값 미만인 후보 이미지 중에서, 상기 후보 이미지에 대한 뉴럴 네트워크의 출력 벡터 및 상기 현재의 학습 이미지의 정답 클래스 벡터 간의 목적 손실값이 최소인 공간 변환 이미지를 획득하는 단계; 복수의 클래스 벡터 중에서 상기 공간 변환 이미지에 대한 상기 뉴럴 네트워크의 출력 벡터와의 손실값이 가장 작은 오답 클래스 벡터 및 상기 공간 변환 이미지의 출력 벡터 간의 비교 손실값을 획득하는 단계; 및 상기 목적 손실값이 작아지고 상기 목적 손실값과 상기 비교 손실값의 차이가 손실값 간격 이상이 되도록 상기 뉴럴 네트워크의 파라미터를 갱신하는 단계를 포함할 수 있다.

상기 색상 변환 이미지를 획득하는 단계는, 상기 원본 색공간의 현재의 학습 이미지를 상기 목적 색공간의 현재의 학습 이미지로 변환하는 단계; 상기 목적 색공간의 현재의 학습 이미지와 상기 색상 변환 행렬 간의 행렬곱을 수행하여 상기 목적 색공간의 색상 변환 이미지를 획득하는 단계; 및 상기 목적 색공간의 색상 변환 이미지를 상기 원본 색공간의 색상 변환 이미지로 변환하는 단계를 포함할 수 있다.

상기 공간 변환 이미지를 획득하는 단계는, 상기 원본 색공간의 색상 변환 이미지와의 거리가 임계값 미만인 하나 이상의 후보 이미지를 선택하는 단계; 상기 하나 이상의 후보 이미지에 대한 뉴럴 네트워크의 출력 벡터 및 상기 현재의 학습 이미지의 정답 클래스 벡터 간의 목적 손실값을 계산하는 단계; 상기 목적 손실값이 최소인 후보 이미지를 상기 공간 변환 이미지로서 출력하는 단계를 포함할 수 있다.

상기 비교 손실값을 획득하는 단계는, 상기 뉴럴 네트워크를 이용하여 상기 공간 변환 이미지에 대한 출력 벡터를 획득하는 단계; 상기 정답 클래스와 상이한 복수의 오답 클래스 벡터 각각에 대한 상기 출력 벡터의 손실값을 계산하는 단계; 및 상기 하나 이상의 손실값 중에서 가장 작은 손실값에 대응하는 오답 클래스 벡터의 손실값을 상기 비교 손실값으로서 출력하는 단계를 포함할 수 있다.

상기 갱신하는 단계는, 상기 목적 손실값과 상기 비교 손실값을 차감하고 상기 차감된 결과에 손실값 간격을 합산하여 현재의 합산 결과를 계산하는 단계; 상기 합산된 결과가 0 이상인 경우, 상기 현재의 합산 결과를 이전의 학습 이미지의 합산 결과와 누적하는 단계; 및 상기 현재의 학습 이미지 및 상기 이전의 학습 이미지를 포함하는 모든 학습 이미지에 대한 합산 결과를 누적한 결과가 최소가 되도록 상기 뉴럴 네트워크의 파라미터를 갱신하는 단계를 포함할 수 있다.

일 실시예에 따른 컴퓨터 프로그램은 하드웨어와 결합되어 상기 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장될 수 있다.

일 실시예에 따른 이미지 전처리 장치는, 적어도 하나의 프로세서를 포함하고, 상기 프로세서는, 원본 색공간의 입력 이미지에 대한 목적 색공간의 원본 색상 히스토그램의 색상 왜곡을 제거하는 색상 변환 행렬을 획득하고, 상기 색상 변환 행렬을 이용하여 사기 입력 이미지의 색상 왜곡이 제거된 상기 원본 색공간의 색상 변환 이미지를 획득하고, 상기 원본 색공간의 색상 변환 이미지와의 거리가 임계값 미만인 후보 이미지 중에서, 상기 후보 이미지에 대한 뉴럴 네트워크의 출력 벡터 및 상기 입력 이미지의 후보 클래스 벡터 간의 목적 손실값이 최소인 공간 변환 이미지를 출력할 수 있다.

일 실시예에 따른 이미지 인식 장치는, 적어도 하나의 프로세서를 포함하고, 상기 프로세서는, 원본 색공간의 입력 이미지에 대한 목적 색공간의 원본 색상 히스토그램의 색상 왜곡을 제거하는 색상 변환 행렬을 획득하고, 상기 색상 변환 행렬을 이용하여 사기 입력 이미지의 색상 왜곡이 제거된 상기 원본 색공간의 색상 변환 이미지를 획득하고, 상기 원본 색공간의 색상 변환 이미지와의 거리가 임계값 미만인 후보 이미지 중에서, 상기 후보 이미지에 대한 뉴럴 네트워크의 출력 벡터 및 상기 입력 이미지의 각각의 복수의 후보 클래스 벡터 간의 목적 손실값이 최소인 공간 변환 이미지를 획득하고, 상기 복수의 후보 클래스 벡터 각각에 대해 획득된 공간 변환 이미지와 상기 각각의 후보 클래스 벡터 간의 목적 손실값 중에서 가장 작은 목적 손실값에 대응하는 후보 클래스 벡터를 최종 클래스 벡터로서 출력할 수 있다.

도 1은 일 실시예에 따른 이미지 인식 장치의 전체 구성을 도시한 도면이다.
도 2는 일 실시예에 따른 이미지 인식 장치에 사용되는 뉴럴 네트워크 학습 방법의 동작을 도시한 순서도이다.
도 3은 일 실시예에 따른 뉴럴 네트워크 학습 방법의 일례를 도시한 순서도이다.
도 4는 일 실시예에 따른 이미지 인식 방법의 동작을 도시한 순서도이다.
도 5는 일 실시예에 따른 이미지 인식 방법의 일례를 도시한 순서도이다.
도 6은 일 실시예에 따른 이미지 전처리 방법의 동작을 도시한 순서도이다.
도 7은 일 실시예에 따른 뉴럴 네트워크 학습 장치의 구성을 도시한 도면이다.
도 8은 일 실시예에 따른 이미지 전처리 장치 및 이미지 인식 장치의 구성을 도시한 도면이다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.

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 존재함으로 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 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 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.

이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.

도 1은 일 실시예에 따른 이미지 인식 장치의 전체 구성을 도시한 도면이다.

뉴럴 네트워크를 이용하는 인공지능 기술은 근래에 지속적인 발전을 이루어 왔으며, 이미지, 음성 및 언어를 처리하는 분야에 적용된다. 자율 주행이나 의료 등과 같은 분야는 정확성이 중요한 분야이다. 정확성이 중요한 분야에서 뉴럴 네트워크는 입력 데이터에 포함된 왜곡에 대해 높은 강건성이 요구된다.

이미지를 처리하는 뉴럴 네트워크에 입력되는 이미지는 다양한 종류의 왜곡 및 노이즈를 포함할 수 있다. 예를 들어, 이미지는 색상 왜곡 또는 공간 왜곡을 포함할 수 있으며, 이미지의 일부 영역은 폐색에 의해 가려질 수 있다. 이미지에 포함된 이러한 왜곡에 의해 뉴럴 네트워크의 인식의 정확도는 낮아질 수 있다.

일 실시예에 따르면, 이미지 전처리 장치(100)는 뉴럴 네트워크에 입력될 이미지를 전처리하여 왜곡을 완화할 수 있다. 이미지 전처리 장치(100)는 전처리를 통해 색상 왜곡과 공간 왜곡에 완화된 이미지를 출력할 수 있다. 전처리 후의 이미지는 뉴럴 네트워크에 입력되고 인식 결과가 출력될 수 있다. 이미지 전처리 장치(100)는 이미지 인식 장치(미도시)에 포함될 수 있다. 이미지 인식 장치는 인식 결과(113)를 출력하는 뉴럴 네트워크(129)와 뉴럴 네트워크에 왜곡이 제거된 이미지를 전달하는 이미지 전처리 장치(100)로 구성될 수 있다.

도 1을 참조하면, 이미지 전처리 장치(100)는 입력 이미지 x(101)를 입력 받아 왜곡이 제거된 공간 변환 이미지

(111)를 출력할 수 있다. 이미지 전처리 장치(100)는 색공간에서의 변환 및 픽셀 공간에서의 와서스타인 변환을 통해 색상 왜곡과 공간 왜곡이 제거된 공간 변환 이미지

(111)를 출력할 수 있다. 출력된 공간 변환 이미지

(111)는 미리 학습된 뉴럴 네트워크에 입력되어 인식 결과(113)가 출력될 수 있다.

단계(121)에서, 이미지 전처리 장치(100)는 입력 이미지 x(101)로부터 색상 히스토그램을 추출하여 원본 색상 히스토그램 Hc(103)를 획득할 수 있다. 여기서, 입력 이미지 x(101)는 원본 색공간으로써 표현되며, 원본 색상 히스토그램 Hc(103)은 목적 색공간으로써 표현될 수 있다.

단계(123)에서, 이미지 전처리 장치(100)는 색상 왜곡 제거를 수행하여 변환 색상 히스토그램 Hc'(105)를 획득할 수 있다. 이미지 전처리 장치(100)는 원본 색상 히스토그램 Hc(103)에 대해 히스토그램 바이닝(histogram binning) 및 스레숄딩(thresholding)을 수행할 수 있다. 히스토그램 바이닝 및 스레숄딩의 결과로서 변환 색상 히스토그램 Hc'(105)이 출력될 수 있다. 여기서, 변환 색상 히스토그램 Hc'(105)는 목적 색공간으로써 표현될 수 있다.

이미지 전처리 장치(100)는 원본 색상 히스토그램 Hc(103)과 변환 색상 히스토그램 Hc'(105)으로부터 색상 변환 함수 T(107)를 획득할 수 있다. 먼저, 이미지 전처리 장치(100)는 원본 색상 히스토그램 Hc(103)과 변환 색상 히스토그램 Hc'(105)으로부터 색상 변환 행렬

를 획득할 수 있다. 색상 변환 행렬

는 원본 색상 히스토그램 Hc(103)로부터 변환 색상 히스토그램 Hc'(105)로의 와서스타인 거리를 최소화하는 변환 행렬이다. 색상 변환 행렬

은 목적 색공간에서 정의되며 목적 색공간의 이미지 간의 변환을 수행할 수 있다.

이미지 전처리 장치(100)는 색상 변환 행렬

에 색공간 변환을 적용하여 색상 변환 함수 T(107)를 획득할 수 있다. 색상 변환 함수 T(107)은 원본 색공간에서 정의되며 원본 색공간의 이미지 간의 변환을 수행할 수 있다.

단계(125)에서, 이미지 전처리 장치(100)는 입력 이미지 x(101)에 색상에 대한 와서스타인(Wasserstein) 변환을 수행하여 색상 변환 이미지 x'(109)를 획득할 수 있다. 이미지 전처리 장치(100)는 입력 이미지 x(101)를 색상 변환 함수 T(107)에 입력하여 색상 왜곡이 제거된 색상 변환 이미지 x'(109)를 출력할 수 있다. 여기서, 색상 변환 함수의 출력 T(x)은 색상 변환 이미지 x'(109)와 같다.

단계(127)에서, 이미지 전처리 장치(100)는 픽셀에 대한 와서스타인 변환을 수행하여 공간 변환 이미지

(111)를 획득할 수 있다. 이미지 전처리 장치(100)는 뉴럴 네트워크에서 분류되는 인식 결과에 대응하는 복수의 후보 클래스 벡터 각각에 대한 공간 변환 이미지

(111)를 획득할 수 있다.

공간 변환 이미지

(111)는 뉴럴 네트워크에 입력되고 인식 결과(113)가 출력될 수 있다. 복수의 후보 클래스 벡터 각각에 대한 공간 변환 이미지

(111)의 손실값 중에서 가장 작은 손실값에 대응하는 후보 클래스가 최종 인식 결과(113)로서 출력될 수 있다.

이처럼, 이미지 전처리 장치(100)는 특정 공간에서의 거리 개념을 반영하는 와서 스타인 변환을 이미지 데이터의 픽셀 공간과 색상 분포 공간에 적용하여, 날씨 변화, 밝기 변화, 노이즈, 물체 가림 등 다양한 왜곡을 처리할 수 있다. 이미지 전처리 장치(100)는 왜곡이 포함된 입력 데이터의 색상 분포를 처리하여 색상 왜곡을 해소하고 이어서 픽셀 공간에서 왜곡을 처리함으로써 가려짐 또는 일그러짐 등의 공간적인 왜곡을 해소할 수 있다. 각각의 왜곡 제거는 와서스타인 변환을 통해 수행됨으로써 기존 입력 데이터와 크게 달라지지 않으므로 사람이 인식하기에 자연스러운 이미지가 생성될 수 있다.

이미지 전처리 장치(100)는 뉴럴 네트워크로 구성된 인식기의 강건성을 높일 수 있다. 이미지 전처리 장치(100)는 차량의 자율 주행이나 의료 분야와 같이 임의의 환경에서 정확한 판단을 요구하는 분야에 적용될 수 있다. 이미지 전처리 장치(100)는 입력 이미지의 이미지 정렬이나 음성 노이즈 제거 등에 적용될 수 있다. 이미지 전처리 장치(100)는 현재 실제로 서비스되고 있는 뉴럴 네트워크를 포함하는 인식기의 전단에 결합되어 뉴럴 네트워크의 강건성을 높일 수 있다. 이미지 전처리 장치(100)는 입력 데이터의 품질 향상을 위한 독립적인 모듈로 사용될 수 있다.

본 명세서에서는 이미지의 전처리에 적용되는 것으로 설명되었으나, 이미지 전처리 장치(100)는 이미지에 국한되지 않고 음성이나 텍스트의 처리에도 적용될 수 있다. 이미지 외의 데이터에 적용되는 경우 이미지 전처리 장치 대신 전처리 장치로 지칭될 수 있다.

도 2는 일 실시예에 따른 이미지 인식 장치에 사용되는 뉴럴 네트워크 학습 방법의 동작을 도시한 순서도이다. 도 3은 일 실시예에 따른 뉴럴 네트워크 학습 방법의 일례를 도시한 순서도이다.

일 실시예에 따르면, 단계(201)에서, 학습 장치는 원본 색공간의 현재의 학습 이미지에 대한 목적 색공간의 원본 색상 히스토그램의 색상 왜곡을 제거하는 색상 변환 행렬을 획득할 수 있다.

예를 들어, 단계(301)에서, 학습 장치는 학습 이미지 x와 정답 클래스 벡터를 입력 받을 수 있다. 학습 장치는 와서스타인 변환을 이용하여 학습 이미지의 색상 왜곡과 공간 왜곡을 제거할 수 있다. 학습 이미지 x는 원본 색공간에서 표현될 수 있고, 원본 색상 히스토그램 Hc은 목적 색공간에서 표현될 수 있다. 여기서, 현재는 이터레이션(iteration)의 임의의 회차인 i로 표현될 수 있다.

단계(303)에서, 학습 장치는 원본 색상 히스토그램 Hc의 색상 왜곡을 제거하여 변환 색상 히스토그램 Hc'을 획득할 수 있다. 학습 장치는 학습 이미지 x로부터 원본 색상 히스토그램 Hc를 획득할 수 있다. 학습 장치는 히스토그램 바이닝(histogram binning) 또는 스레숄딩(thresholding)을 이용하여 원본 색상 히스토그램 Hc의 색상 왜곡을 제거하여 변환 색상 히스토그램 Hc'를 획득할 수 있다.

단계(305)에서, 학습 장치는 원본 색상 히스토그램 Hc및 변환 색상 히스토그램 Hc' 간의 색상 변환 행렬

을 획득할 수 있다. 학습 장치는 수학식 1을 통하여 색상 변환 행렬

을 획득할 수 있다.

수학식 1에 따르면, 학습 장치는 후보 변환 행렬

과 코스트 행렬

간의 행렬곱이 최소가 되는 후보 변환 행렬을 색상 변환 행렬

로서 출력할 수 있다. 여기서, 코스트 행렬

는 색공간에서의 비용 행렬을 의미한다. 하나 이상의 후보 변환 행렬

과 단위 벡터 1의 행렬곱은 원본 색상 히스토그램 Hc이고, 하나 이상의 후보 변환 행렬

의 트랜스포즈(transpose)와 단위 벡터의 행렬곱은 변환 색상 히스토그램 Hc'인 조건을 만족할 수 있다.

목적 색공간의 차원이

인 경우, Hc, Hc'그리고

은

차원 벡터이고

,

는

행렬이다. 구체적으로

는 j번째 색상을 i번째 색상으로 변환하는 정도를 의미한다. 예를 들어, j번째 색상은 j번째 원소 값이 1인 단위 벡터

로 표현되고,

는 변환된 색상을 의미하게 된다.

조건은 변환하기 전 분포가 Hc일 때, 변환 후의 색상 분포는 Hc'가 되어야 함을 의미한다. 목적 함수

는 두 행렬의 원소 곱의 합을 의미하고, 이는

에 대한 비용들의 가중치 합을 의미한다.

가 비슷한 색상을 비슷한 색상으로 옮기는 경우, 예를 들어, i와 j가 비슷한 경우에

값이 크다면,

값은 작아지게 된다. 반대로,

가 특정 색상을 상이한 색상으로 옮기는 경우,

값은 커지게 된다.

일 실시예에 따르면, 단계(203)에서, 학습 장치는 색상 변환 행렬을 이용하여 현재의 학습 이미지의 색상 왜곡이 제거된 원본 색공간의 색상 변환 이미지를 획득할 수 있다. 예를 들어, 단계(307)에서, 학습 장치는 수학식 2를 통해 색상 변환 함수 T를 획득할 수 있다. 단계(309)에서, 학습 장치는 색상 변환 함수 T에 학습 이미지 x를 입력하여 색상 변환 이미지 x'를 획득할 수 있다.

학습 장치는 원본 색공간의 현재의 학습 이미지 x[i]를 목적 색공간의 현재의 학습 이미지 f(x[i])로 변환할 수 있다. 학습 장치는 목적 색공간의 현재의 학습 이미지 f(x[i])와 색상 변환 행렬

간의 행렬곱을 수행하여 목적 색공간의 색상 변환 이미지

를 획득할 수 있다. 학습 장치는 목적 색공간의 색상 변환 이미지

를 원본 색공간의 색상 변환 이미지

로 변환할 수 있다. 학습 장치는 학습 이미지 x의 모든 픽셀에 대해 상기 과정을 거쳐 색상 변환 이미지 T(x) = x'을 획득할 수 있다.

원본 색공간이 RGB일 경우, 특정 픽셀의 3차원 RGB 값을 목적 색공간으로 대응하는 변환을 f라고 가정할 경우, 학습 이미지의 i 번째 픽셀 값 x[i]는 수학식 2를 통해 변환될 수 있다. 여기서, x[i],

는 3차원 RGB 벡터를 의미하고 f(x[i])는

차원 색공간 벡터를 의미한다. f(x[i])는

를 통해 색상 왜곡이 제거된 히스토그램을 따르는 색상으로 변환되고,

을 통해 다시 3차원 RGB 벡터로 변환하게 된다. 최종적으로 색상 왜곡이 제거된 색상 변환 이미지 T(x) = x'를 얻게 된다.

일 실시예에 따르면, 단계(205)에서, 원본 색공간의 색상 변환 이미지와의 거리가 임계값 미만인 후보 이미지 중에서, 학습 장치는 후보 이미지에 대한 뉴럴 네트워크의 출력 벡터 및 현재의 학습 이미지의 정답 클래스 벡터 간의 목적 손실값이 최소인 공간 변환 이미지를 획득할 수 있다.

예를 들어, 단계(311)에서, 학습 장치는 수학식 3를 이용하여 공간 변환 이미지

를 획득할 수 있다. 학습 장치는 원본 색공간의 색상 변환 이미지 x'와의 거리가 임계값

미만인 하나 이상의 후보 이미지

를 선택할 수 있다. 학습 장치는 하나 이상의 후보 이미지

에 대한 뉴럴 네트워크의 출력 벡터 및 현재의 학습 이미지의 정답 클래스 벡터 y 간의 목적 손실값

을 계산할 수 있다. 학습 장치는 목적 손실값

이 최소인 후보 이미지

를 공간 변환 이미지

로서 출력할 수 있다.

일 실시예에 따르면, 단계(207)에서, 학습 장치는 복수의 클래스 벡터 중에서 공간 변환 이미지에 대한 뉴럴 네트워크의 출력 벡터와의 손실값이 가장 작은 오답 클래스 벡터 및 공간 변환 이미지의 출력 벡터 간의 비교 손실값을 획득할 수 있다. 학습 장치는 뉴럴 네트워크를 이용하여 공간 변환 이미지

에 대한 출력 벡터를 획득할 수 있다. 학습 장치는 정답 클래스

와 상이한 복수의 오답 클래스 벡터

각각에 대한 출력 벡터의 손실값

을 계산할 수 있다. 학습 장치는 하나 이상의 손실값 중에서 가장 작은 손실값

에 대응하는 오답 클래스 벡터

의 손실값을 비교 손실값으로서 출력할 수 있다.

단계(209)에서, 학습 장치는 목적 손실값이 작아지고 목적 손실값과 비교 손실값의 차이가 손실값 간격 이상이 되도록 뉴럴 네트워크의 파라미터를 갱신할 수 있다. 예를 들어, 단계(313)에서, 학습 장치는 수학식 4에 따라 뉴럴 네트워크를 갱신할 수 있다.

학습 장치는 목적 손실값

과 비교 손실값

을 차감하고 차감된 결과에 손실값 간격

을 합산하여 현재 i의 합산 결과를 계산할 수 있다. 합산된 결과가 0 이상인 경우, 학습 장치는 현재 i의 합산 결과를 이전의 학습 이미지의 합산 결과와 누적할 수 있다. 학습 장치는 현재의 학습 이미지 및 이전의 학습 이미지를 포함하는 모든 학습 이미지에 대한 합산 결과를 누적한 결과가 최소가 되도록 뉴럴 네트워크의 파라미터

를 갱신할 수 있다.

수학식 4에서, y는 학습 이미지 x의 레이블이고,

는 인공 신경망 파라미터이고,

은 손실 함수이다. 손실 함수

은 손실값이 낮도록 데이터

를 최적화하는 것이 목적이다. 다만, 공간 왜곡을 최소화하면서도 색상 변환 이미지 T(x) 와 지나치게 달라지지 않는

를 찾는 것이 목표이기 때문에, 공간적 특성을 반영하는 와서스타인 거리 Dw가 사전에 설정된 값

보다 작은 범위 내에서

를 최적화하는 것이 목표가 된다. 또한, 일반화 성능을 높이기 위하여, 뉴럴 네트워크가 가장 헷갈려 하는 클래스에 대한 비교 손실 함수 값

과의 차이를

이상 벌리는 힌지(Hinge) 손실 함수가 적용될 수 있다.

와서스타인 거리의 경우 공간적 특성을 반영하기에 물체의 공간적인 이동에 따른 변화 정도를 잘 측정할 수 있다. 따라서 수학식 4를 풀게 되면 공간적으로 기존 입력값 T(x)와 크게 다르지 않으면서 뉴럴 네트워크가 잘 인식하는, 즉 공간적인 왜곡이 제거된 데이터가 획득될 수 있다.

도 4는 일 실시예에 따른 이미지 인식 방법의 동작을 도시한 순서도이다. 도 5는 일 실시예에 따른 이미지 인식 방법의 일례를 도시한 순서도이다.

일 실시예에 따르면, 단계(401)에서, 이미지 인식 장치는 원본 색공간의 입력 이미지에 대한 목적 색공간의 원본 색상 히스토그램의 색상 왜곡을 제거하는 색상 변환 행렬을 획득할 수 있다.

예를 들어, 단계(501)에서, 이미지 인식 장치는 학습 이미지 x를 입력 받을 수 있다. 이미지 인식 장치는 와서스타인 변환을 이용하여 학습 이미지의 색상 왜곡과 공간 왜곡을 제거할 수 있다. 학습 이미지 x는 원본 색공간에서 표현될 수 있고, 원본 색상 히스토그램 Hc은 목적 색공간에서 표현될 수 있다. 여기서, 현재는 이터레이션(iteration)의 임의의 회차인 i로 표현될 수 있다.

단계(503)에서, 이미지 인식 장치는 원본 색상 히스토그램 Hc의 색상 왜곡을 제거하여 변환 색상 히스토그램 Hc'을 획득할 수 있다. 이미지 인식 장치는 학습 이미지 x로부터 원본 색상 히스토그램 Hc를 획득할 수 있다. 이미지 인식 장치는 히스토그램 바이닝(histogram binning) 또는 스레숄딩(thresholding)을 이용하여 원본 색상 히스토그램 Hc의 색상 왜곡을 제거하여 변환 색상 히스토그램 Hc'를 획득할 수 있다.

단계(505)에서, 이미지 인식 장치는 원본 색상 히스토그램 Hc및 변환 색상 히스토그램 Hc' 간의 색상 변환 행렬

을 획득할 수 있다. 이미지 인식 장치는 수학식 5을 통하여 색상 변환 행렬

을 획득할 수 있다. 수학식 5는 수학식 1과 같다.

[수학식 5]

수학식 5에 따르면, 이미지 인식 장치는 후보 변환 행렬

과 코스트 행렬

로서 출력할 수 있다. 여기서, 코스트 행렬

일 실시예에 따르면, 단계(403)에서, 이미지 인식 장치는 색상 변환 행렬을 이용하여 입력 이미지의 색상 왜곡이 제거된 원본 색공간의 색상 변환 이미지를 획득할 수 있다. 예를 들어, 단계(507)에서, 이미지 인식 장치는 수학식 6를 통해 색상 변환 함수 T를 획득할 수 있다. 단계(509)에서, 이미지 인식 장치는 색상 변환 함수 T에 학습 이미지 x를 입력하여 색상 변환 이미지 x'를 획득할 수 있다.

이미지 인식 장치는 원본 색공간의 현재의 학습 이미지 x[i]를 목적 색공간의 현재의 학습 이미지 f(x[i])로 변환할 수 있다. 이미지 인식 장치는 목적 색공간의 현재의 학습 이미지 f(x[i])와 색상 변환 행렬

간의 행렬곱을 수행하여 목적 색공간의 색상 변환 이미지

를 획득할 수 있다. 이미지 인식 장치는 목적 색공간의 색상 변환 이미지

를 원본 색공간의 색상 변환 이미지

로 변환할 수 있다. 이미지 인식 장치는 학습 이미지 x의 모든 픽셀에 대해 상기 과정을 거쳐 색상 변환 이미지 T(x) = x'을 획득할 수 있다.

일 실시예에 따르면, 단계(405)에서, 이미지 인식 장치는 원본 색공간의 색상 변환 이미지와의 거리가 임계값 미만인 후보 이미지 중에서, 후보 이미지에 대한 뉴럴 네트워크의 출력 벡터 및 입력 이미지의 각각의 복수의 후보 클래스 벡터 간의 목적 손실값이 최소인 공간 변환 이미지를 획득할 수 있다. 예를 들어, 단계(511)에서, 이미지 인식 장치는 수학식 7을 이용하여 복수의 후보 클래스 각각에 대한 공간 변환 이미지

를 획득할 수 있다.

복수의 후보 클래스 중의 하나의 후보 클래스에 대하여, 이미지 인식 장치는 원본 색공간의 색상 변환 이미지 x'와의 거리가 임계값

미만인 하나 이상의 후보 이미지

를 선택할 수 있다. 이미지 인식 장치는 하나 이상의 후보 이미지

에 대한 뉴럴 네트워크의 출력 벡터 및 후보 클래스 벡터 y 간의 목적 손실값

을 계산할 수 있다. 이미지 인식 장치는 목적 손실값

이 최소인 후보 이미지

를 후보 클래스 y에 대한 공간 변환 이미지

로서 출력할 수 있다.

일 실시예에 따르면, 단계(407)에서, 이미지 인식 장치는 복수의 후보 클래스 벡터 각각에 대해 획득된 공간 변환 이미지와 각각의 후보 클래스 벡터 간의 목적 손실값 중에서 가장 작은 목적 손실값에 대응하는 후보 클래스 벡터를 최종 클래스 벡터로서 출력할 수 있다. 예를 들어, 단계(513)에서, 이미지 인식 장치는 수학식 8을 이용하여 최종 클래스 벡터

를 출력할 수 있다.

이미지 인식 장치는 복수의 후보 클래스 벡터 y각각에 대응하는 공간 변환 이미지

=

를

의 파라미터를 가지는 뉴럴 네트워크에 입력하여 출력 벡터를 출력할 수 있다. 이미지 인식 장치는 출력 벡터 및 대응하는 후보 클래스 벡터 y를 기초로 손실값

를 계산할 수 있다. 이미지 인식 장치는 손실값이 가장 작은 y를 최종 클래스 벡터

로서 출력할 수 있다. 이후, 이미지 인식 장치는 최종 클래스 벡터

에 대응하는 인식 결과를 출력할 수 있다.

도 6은 일 실시예에 따른 이미지 전처리 방법의 동작을 도시한 순서도이다.

이미지 인식 장치는 이미지 전처리 장치를 포함할 수 있다. 이미지 전처리 장치는 뉴럴 네트워크를 포함하는 인식기의 앞 단에 배치되어 뉴럴 네트워크에 입력되는 이미지를 전처리할 수 있다. 이미지 전처리 장치는 이미지의 색상 왜곡 및 공간 왜곡을 완화하여 뉴럴 네트워크가 보다 정확한 결과를 출력하도록 할 수 있다.

일 실시예에 따르면, 단계(601)에서, 이미지 전처리 장치는 원본 색공간의 입력 이미지에 대한 목적 색공간의 원본 색상 히스토그램의 색상 왜곡을 제거하는 색상 변환 행렬을 획득할 수 있다.

단계(603)에서, 이미지 전처리 장치는 색상 변환 행렬을 이용하여 사기 입력 이미지의 색상 왜곡이 제거된 원본 색공간의 색상 변환 이미지를 획득할 수 있다.

단계(605)에서, 이미지 전처리 장치는 원본 색공간의 색상 변환 이미지와의 거리가 임계값 미만인 후보 이미지 중에서, 후보 이미지에 대한 뉴럴 네트워크의 출력 벡터 및 입력 이미지의 후보 클래스 벡터 간의 목적 손실값이 최소인 공간 변환 이미지를 출력할 수 있다.

도 7은 일 실시예에 따른 뉴럴 네트워크 학습 장치의 구성을 도시한 도면이다.

일 실시예에 따르면, 학습 장치는 하나 이상의 프로세서(701)를 포함할 수 있다. 학습 장치는 메모리(703)를 더 포함할 수 있다.

프로세서(701)는 원본 색공간의 현재의 학습 이미지에 대한 목적 색공간의 원본 색상 히스토그램의 색상 왜곡을 제거하는 색상 변환 행렬을 획득할 수 있다.

프로세서(701)는 색상 변환 행렬을 이용하여 현재의 학습 이미지의 색상 왜곡이 제거된 원본 색공간의 색상 변환 이미지를 획득할 수 있다.

프로세서(701)는 원본 색공간의 색상 변환 이미지와의 거리가 임계값 미만인 후보 이미지 중에서, 후보 이미지에 대한 뉴럴 네트워크의 출력 벡터 및 현재의 학습 이미지의 정답 클래스 벡터 간의 목적 손실값이 최소인 공간 변환 이미지를 획득할 수 있다.

프로세서(701)는 복수의 클래스 벡터 중에서 공간 변환 이미지에 대한 뉴럴 네트워크의 출력 벡터와의 손실값이 가장 작은 오답 클래스 벡터 및 공간 변환 이미지의 출력 벡터 간의 비교 손실값을 획득할 수 있다.

프로세서(701)는 목적 손실값이 작아지고 목적 손실값과 비교 손실값의 차이가 손실값 간격 이상이 되도록 뉴럴 네트워크의 파라미터를 갱신할 수 있다.

도 8은 일 실시예에 따른 이미지 전처리 장치 및 이미지 인식 장치의 구성을 도시한 도면이다.

이미지 전처리 장치는 적어도 하나의 프로세서(801)를 포함할 수 있다. 이미지 전처리 장치는 메모리(803)을 더 포함할 수 있다.

이미지 전처리 장치의 프로세서(801)는 원본 색공간의 입력 이미지에 대한 목적 색공간의 원본 색상 히스토그램의 색상 왜곡을 제거하는 색상 변환 행렬을 획득할 수 있다.

프로세서(801)는 색상 변환 행렬을 이용하여 사기 입력 이미지의 색상 왜곡이 제거된 원본 색공간의 색상 변환 이미지를 획득할 수 있다.

원본 색공간의 색상 변환 이미지와의 거리가 임계값 미만인 후보 이미지 중에서, 프로세서(801) 후보 이미지에 대한 뉴럴 네트워크의 출력 벡터 및 입력 이미지의 후보 클래스 벡터 간의 목적 손실값이 최소인 공간 변환 이미지를 출력할 수 있다.

이미지 인식 장치는 이미지 전처리 장치와 인식 결과를 출력하는 뉴럴 네트워크를 포함할 수 있다. 이미지 인식 장치는 이미지 전처리 장치와 프로세서(801) 및 메모리(803)를 공유할 수 있다. 이미지 인식 장치와 이미지 전처리 장치는 각각 별도의 프로세서 및 메모리를 포함할 수도 있다. 다만, 이하에서는 설명을 위해 이미지 인식 장치와 이미지 전처리 장치는 프로세서(801) 및 메모리(803)를 공유하는 것으로 가정한다.

이미지 인식 장치의 프로세서(801)는 원본 색공간의 입력 이미지에 대한 목적 색공간의 원본 색상 히스토그램의 색상 왜곡을 제거하는 색상 변환 행렬을 획득할 수 있다.

원본 색공간의 색상 변환 이미지와의 거리가 임계값 미만인 후보 이미지 중에서, 프로세서(801)는 후보 이미지에 대한 뉴럴 네트워크의 출력 벡터 및 입력 이미지의 후보 클래스 벡터 간의 목적 손실값이 최소인 공간 변환 이미지를 출력할 수 있다.

프로세서(801)는 복수의 후보 클래스 벡터 각각에 대해 획득된 공간 변환 이미지와 각각의 후보 클래스 벡터 간의 목적 손실값 중에서 가장 작은 목적 손실값에 대응하는 후보 클래스 벡터를 최종 클래스 벡터로서 출력할 수 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있으며 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.

위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims

원본 색공간의 입력 이미지에 대한 목적 색공간의 원본 색상 히스토그램의 색상 왜곡을 제거하는 색상 변환 행렬을 획득하는 단계;
상기 색상 변환 행렬을 이용하여 상기 입력 이미지의 색상 왜곡이 제거된 상기 원본 색공간의 색상 변환 이미지를 획득하는 단계;
상기 원본 색공간의 색상 변환 이미지와의 거리가 임계값 미만인 후보 이미지 중에서, 상기 후보 이미지에 대한 뉴럴 네트워크의 출력 벡터 및 상기 입력 이미지의 각각의 복수의 후보 클래스 벡터 간의 목적 손실값이 최소인 공간 변환 이미지를 획득하는 단계; 및
상기 복수의 후보 클래스 벡터 각각에 대해 획득된 공간 변환 이미지와 상기 각각의 후보 클래스 벡터 간의 목적 손실값 중에서 가장 작은 목적 손실값에 대응하는 후보 클래스 벡터를 최종 클래스 벡터로서 출력하는 단계를 포함하는,
이미지 인식 방법.
제1항에 있어서,
상기 색상 변환 행렬을 획득하는 단계는,
상기 원본 색상 히스토그램의 색상 왜곡을 제거하여 변환 색상 히스토그램을 획득하는 단계; 및
상기 원본 색상 히스토그램 및 상기 변환 색상 히스토그램 간의 상기 색상 변환 행렬을 획득하는 단계를 포함하는,
이미지 인식 방법.
제2항에 있어서,
상기 원본 색상 히스토그램 및 상기 변환 색상 히스토그램 간의 상기 색상 변환 행렬을 획득하는 단계는,
하나 이상의 후보 변환 행렬과 단위 벡터의 행렬곱은 상기 원본 색상 히스토그램이고, 상기 하나 이상의 후보 변환 행렬의 트랜스포즈(transpose)와 단위 벡터의 행렬곱은 상기 변환 색상 히스토그램인 경우에,
상기 후보 변환 행렬과 코스트 행렬 간의 행렬곱이 최소가 되는 후보 변환 행렬을 상기 색상 변환 행렬로서 출력하는 단계를 포함하는,
이미지 인식 방법.
제1항에 있어서,
상기 색상 변환 이미지를 획득하는 단계는,
상기 원본 색공간의 입력 이미지를 상기 목적 색공간의 입력 이미지로 변환하는 단계;
상기 목적 색공간의 입력 이미지와 상기 색상 변환 행렬 간의 행렬곱을 수행하여 상기 목적 색공간의 입력 이미지를 획득하는 단계; 및
상기 목적 색공간의 입력 이미지를 상기 원본 색공간의 색상 변환 이미지로 변환하는 단계를 포함하는,
이미지 인식 방법.
제1항에 있어서,
상기 공간 변환 이미지를 획득하는 단계는,
상기 복수의 후보 클래스 중의 하나의 후보 클래스에 대하여,
상기 원본 색공간의 색상 변환 이미지와의 거리가 임계값 미만인 하나 이상의 후보 이미지를 선택하는 단계;
상기 하나 이상의 후보 이미지에 대한 뉴럴 네트워크의 출력 벡터 및 상기 후보 클래스 벡터 간의 목적 손실값을 계산하는 단계;
상기 목적 손실값이 최소인 후보 이미지를 상기 후보 클래스에 대한 상기 공간 변환 이미지로서 출력하는 단계를 포함하는,
이미지 인식 방법.
제1항에 있어서,
상기 최종 클래스 벡터에 대응하는 인식 결과를 출력하는 단계를 더 포함하는,
이미지 인식 방법.
원본 색공간의 입력 이미지에 대한 목적 색공간의 원본 색상 히스토그램의 색상 왜곡을 제거하는 색상 변환 행렬을 획득하는 단계;
상기 색상 변환 행렬을 이용하여 사기 입력 이미지의 색상 왜곡이 제거된 상기 원본 색공간의 색상 변환 이미지를 획득하는 단계;
상기 원본 색공간의 색상 변환 이미지와의 거리가 임계값 미만인 후보 이미지 중에서, 상기 후보 이미지에 대한 뉴럴 네트워크의 출력 벡터 및 상기 입력 이미지의 후보 클래스 벡터 간의 목적 손실값이 최소인 공간 변환 이미지를 출력하는 단계를 포함하는,
이미지 전처리 방법.
원본 색공간의 현재의 학습 이미지에 대한 목적 색공간의 원본 색상 히스토그램의 색상 왜곡을 제거하는 색상 변환 행렬을 획득하는 단계;
상기 색상 변환 행렬을 이용하여 상기 현재의 학습 이미지의 색상 왜곡이 제거된 상기 원본 색공간의 색상 변환 이미지를 획득하는 단계:
상기 원본 색공간의 색상 변환 이미지와의 거리가 임계값 미만인 후보 이미지 중에서, 상기 후보 이미지에 대한 뉴럴 네트워크의 출력 벡터 및 상기 현재의 학습 이미지의 정답 클래스 벡터 간의 목적 손실값이 최소인 공간 변환 이미지를 획득하는 단계;
복수의 클래스 벡터 중에서 상기 공간 변환 이미지에 대한 상기 뉴럴 네트워크의 출력 벡터와의 손실값이 가장 작은 오답 클래스 벡터 및 상기 공간 변환 이미지의 출력 벡터 간의 비교 손실값을 획득하는 단계; 및
상기 목적 손실값이 작아지고 상기 목적 손실값과 상기 비교 손실값의 차이가 손실값 간격 이상이 되도록 상기 뉴럴 네트워크의 파라미터를 갱신하는 단계를 포함하는,
뉴럴 네트워크 학습 방법.
제8항에 있어서,
상기 색상 변환 행렬을 획득하는 단계는,
상기 원본 색상 히스토그램의 색상 왜곡을 제거하여 변환 색상 히스토그램을 획득하는 단계; 및
상기 원본 색상 히스토그램 및 상기 변환 색상 히스토그램 간의 상기 색상 변환 행렬을 획득하는 단계를 포함하는,
뉴럴 네트워크 학습 방법.
제9항에 있어서,
상기 원본 색상 히스토그램 및 상기 변환 색상 히스토그램 간의 상기 색상 변환 행렬을 획득하는 단계는,
하나 이상의 후보 변환 행렬과 단위 벡터의 행렬곱은 상기 원본 색상 히스토그램이고, 상기 하나 이상의 후보 변환 행렬의 트랜스포즈(transpose)와 단위 벡터의 행렬곱은 상기 변환 색상 히스토그램인 경우에,
상기 후보 변환 행렬과 코스트 행렬 간의 행렬곱이 최소가 되는 후보 변환 행렬을 상기 색상 변환 행렬로서 출력하는 단계를 포함하는,
뉴럴 네트워크 학습 방법.
제8항에 있어서,
상기 색상 변환 이미지를 획득하는 단계는,
상기 원본 색공간의 현재의 학습 이미지를 상기 목적 색공간의 현재의 학습 이미지로 변환하는 단계;
상기 목적 색공간의 현재의 학습 이미지와 상기 색상 변환 행렬 간의 행렬곱을 수행하여 상기 목적 색공간의 색상 변환 이미지를 획득하는 단계; 및
상기 목적 색공간의 색상 변환 이미지를 상기 원본 색공간의 색상 변환 이미지로 변환하는 단계를 포함하는,
뉴럴 네트워크 학습 방법.
제8항에 있어서,
상기 공간 변환 이미지를 획득하는 단계는,
상기 원본 색공간의 색상 변환 이미지와의 거리가 임계값 미만인 하나 이상의 후보 이미지를 선택하는 단계;
상기 하나 이상의 후보 이미지에 대한 뉴럴 네트워크의 출력 벡터 및 상기 현재의 학습 이미지의 정답 클래스 벡터 간의 목적 손실값을 계산하는 단계;
상기 목적 손실값이 최소인 후보 이미지를 상기 공간 변환 이미지로서 출력하는 단계를 포함하는,
뉴럴 네트워크 학습 방법.
제8항에 있어서,
상기 비교 손실값을 획득하는 단계는,
상기 뉴럴 네트워크를 이용하여 상기 공간 변환 이미지에 대한 출력 벡터를 획득하는 단계;
상기 정답 클래스와 상이한 복수의 오답 클래스 벡터 각각에 대한 상기 출력 벡터의 손실값을 계산하는 단계; 및
상기 하나 이상의 손실값 중에서 가장 작은 손실값에 대응하는 오답 클래스 벡터의 손실값을 상기 비교 손실값으로서 출력하는 단계를 포함하는,
뉴럴 네트워크 학습 방법.
제8항에 있어서,
상기 갱신하는 단계는,
상기 목적 손실값과 상기 비교 손실값을 차감하고 상기 차감된 결과에 손실값 간격을 합산하여 현재의 합산 결과를 계산하는 단계;
상기 합산된 결과가 0 이상인 경우, 상기 현재의 합산 결과를 이전의 학습 이미지의 합산 결과와 누적하는 단계; 및
상기 현재의 학습 이미지 및 상기 이전의 학습 이미지를 포함하는 모든 학습 이미지에 대한 합산 결과를 누적한 결과가 최소가 되도록 상기 뉴럴 네트워크의 파라미터를 갱신하는 단계를 포함하는,
뉴럴 네트워크의 학습 방법.
하드웨어와 결합되어 제1항 내지 제14항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
적어도 하나의 프로세서를 포함하고,
상기 프로세서는,
원본 색공간의 입력 이미지에 대한 목적 색공간의 원본 색상 히스토그램의 색상 왜곡을 제거하는 색상 변환 행렬을 획득하고,
상기 색상 변환 행렬을 이용하여 사기 입력 이미지의 색상 왜곡이 제거된 상기 원본 색공간의 색상 변환 이미지를 획득하고,
상기 원본 색공간의 색상 변환 이미지와의 거리가 임계값 미만인 후보 이미지 중에서, 상기 후보 이미지에 대한 뉴럴 네트워크의 출력 벡터 및 상기 입력 이미지의 후보 클래스 벡터 간의 목적 손실값이 최소인 공간 변환 이미지를 출력하는,
이미지 전처리 장치.
적어도 하나의 프로세서를 포함하고,
상기 프로세서는,
원본 색공간의 입력 이미지에 대한 목적 색공간의 원본 색상 히스토그램의 색상 왜곡을 제거하는 색상 변환 행렬을 획득하고,
상기 색상 변환 행렬을 이용하여 사기 입력 이미지의 색상 왜곡이 제거된 상기 원본 색공간의 색상 변환 이미지를 획득하고,
상기 원본 색공간의 색상 변환 이미지와의 거리가 임계값 미만인 후보 이미지 중에서, 상기 후보 이미지에 대한 뉴럴 네트워크의 출력 벡터 및 상기 입력 이미지의 각각의 복수의 후보 클래스 벡터 간의 목적 손실값이 최소인 공간 변환 이미지를 획득하고,
상기 복수의 후보 클래스 벡터 각각에 대해 획득된 공간 변환 이미지와 상기 각각의 후보 클래스 벡터 간의 목적 손실값 중에서 가장 작은 목적 손실값에 대응하는 후보 클래스 벡터를 최종 클래스 벡터로서 출력하는,
이미지 인식 장치.