KR20220133147A - 이미지를 암호화하여 외부 서버에 업로드하기 위한 전자 장치 및 이의 제어 방법 - Google Patents
이미지를 암호화하여 외부 서버에 업로드하기 위한 전자 장치 및 이의 제어 방법 Download PDFInfo
- Publication number
- KR20220133147A KR20220133147A KR1020220115847A KR20220115847A KR20220133147A KR 20220133147 A KR20220133147 A KR 20220133147A KR 1020220115847 A KR1020220115847 A KR 1020220115847A KR 20220115847 A KR20220115847 A KR 20220115847A KR 20220133147 A KR20220133147 A KR 20220133147A
- Authority
- KR
- South Korea
- Prior art keywords
- image
- data
- electronic device
- feature value
- user
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 32
- 238000004891 communication Methods 0.000 claims description 38
- 230000004044 response Effects 0.000 claims description 18
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 35
- 238000010586 diagram Methods 0.000 description 24
- 238000013528 artificial neural network Methods 0.000 description 23
- 238000012545 processing Methods 0.000 description 19
- 239000003795 chemical substances by application Substances 0.000 description 13
- 238000011156 evaluation Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 230000014509 gene expression Effects 0.000 description 7
- 238000011176 pooling Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/44—Secrecy systems
- H04N1/4406—Restricting access, e.g. according to user identity
- H04N1/444—Restricting access, e.g. according to user identity to a particular document or image or part thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/45—Structures or tools for the administration of authentication
- G06F21/46—Structures or tools for the administration of authentication by designing passwords or checking the strength of passwords
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/002—Image coding using neural networks
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/44—Secrecy systems
- H04N1/4406—Restricting access, e.g. according to user identity
- H04N1/4413—Restricting access, e.g. according to user identity involving the use of passwords, ID codes or the like, e.g. PIN
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
- H04N19/124—Quantisation
- H04N19/126—Details of normalisation or weighting functions, e.g. normalisation matrices or variable uniform quantisers
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
- H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
- H04N21/2347—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving video stream encryption
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
- H04N21/4405—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving video stream decryption
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioethics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Information Transfer Between Computers (AREA)
- Image Analysis (AREA)
Abstract
본 개시는 딥러닝 등의 기계 학습 알고리즘을 활용하는 인공지능(AI) 시스템 및 그 응용에 관련된 것이다. 특히,인공지능 학습 모델을 이용하여 이미지를 암호화하여 외부 서버에 업로드하기 위한 전자 장치의 제어 방법은, 이미지를 획득하고, 획득된 이미지를 외부 서버에 업로드하기 위한 사용자 명령을 입력받으며, 사용자 명령에 응답하여 이미지 및 사용자 키를 입력 데이터로 이용하여 특징값을 획득하도록 학습된 암호화 모델에 획득된 이미지와 전자 장치의 사용자 키를 입력하여 획득된 이미지에 대응되는 특징값을 획득하고, 획득된 이미지의 식별 정보와 특징값을 외부 서버에 전송할 수 있다.
Description
본 개시는 전자 장치 및 이의 제어 방법에 관한 것으로, 더욱 상세하게는 사용자 키를 이용하여 이미지를 암호화하고, 암호화된 이미지를 외부 서버에 업로드하기 위한 전자 장치 및 이의 제어 방법에 관한 것이다.
또한, 본 개시는 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 인공 지능(Artificial Intelligence, AI) 시스템 및 그 응용에 관한 것이다.
근래에는 인간 수준의 지능을 구현하는 인공 지능 시스템이 다양한 분야에서 이용되고 있다. 인공 지능 시스템은 기존의 룰(rule) 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 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, 객체 인식, 객체 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.
한편, 근래에는 통신 기술이 발달하고 고화질 이미지의 용량이 점점 커짐에 따라 전자 장치에 의해 촬영된 이미지를 단순히 전자 장치 내부에 저장할 뿐만 아니라 클라우드 서버와 같은 외부 장치에 저장할 수 있다.
이 경우, 클라우드 서버와 같은 외부 장치로 이미지를 전송할 때, 해킹으로 인한 프라이버시 문제가 발생할 뿐만 아니라, 고화질의 이미지 자체를 외부 장치로 전송할 때 시간과 비용이 많이 드는 문제가 발생할 수 있다.
따라서, 외부 장치에 이미지를 업로드하는 과정 혹은 다운로드 하는 과정에서 개인 정보 유출을 막고, 작은 용량으로 이미지를 업로드할 수 있는 방안의 요색이 요청된다.
본 개시의 목적은 이미지를 외부 서버로 업로드 및 다운로드할 때, 사용자 키를 이용하여 이미지를 암호화 및 압축화함으로써, 개인 정보의 유출을 막고 작은 용량의 압축된 이미지를 업로드 및 다운로드할 수 있는 전자 장치 및 이의 제어 방법을 제공함에 있다.
본 개시의 일 실시예에 따른, 인공지능 학습 모델을 이용하여 이미지를 암호화하여 외부 서버에 업로드하기 위한 전자 장치의 제어 방법은, 이미지를 획득하는 단계; 상기 획득된 이미지를 상기 외부 서버에 업로드하기 위한 사용자 명령을 입력받는 단계; 상기 사용자 명령에 응답하여, 이미지 및 사용자 키를 입력 데이터로 이용하여 특징값을 획득하도록 학습된 암호화 모델에 상기 획득된 이미지와 상기 전자 장치의 사용자 키를 입력하여 상기 획득된 이미지에 대응되는 특징값을 획득하는 단계; 및 상기 획득된 이미지의 식별 정보와 상기 특징값을 상기 외부 서버에 전송하는 단계;를 포함할 수 있다.
또한, 상기 전자 장치의 사용자 키는, 상기 전자 장치의 사용자에 의해 입력된 비밀번호 및 상기 전자 장치의 식별 정보 중 하나이거나, 이것들로부터 생성된 새로운 값일 수 있다.
그리고, 상기 전송하는 단계는, 상기 전자 장치의 사용자 키가 복수 개 존재하는 경우, 상기 복수 개의 사용자 키 중 상기 획득된 이미지에 대응되는 사용자 키의 버전 정보를 상기 획득된 이미지의 식별 정보 및 상기 특징값과 함께 상기 외부 서버에 전송할 수 있다.
또한, 상기 사용자 명령에 응답하여, 상기 획득된 이미지에 대응되는 썸네일 이미지를 획득하는 단계; 상기 획득된 썸네일 이미지 및 상기 획득된 이미지의 식별 정보를 매칭하여 저장하는 단계; 및 상기 획득된 이미지를 삭제하는 단계;를 포함할 수 있다.
그리고, 사용자로부터 상기 획득된 이미지를 디스플레이하기 위한 사용자 명령이 수신되면, 상기 획득된 썸네일 이미지를 제공하는 단계;를 포함할 수 있다.
또한, 상기 외부 서버는, 상기 획득된 이미지의 식별 정보와 상기 특징값을 매칭하여 저장하고, 상기 특징값을 바탕으로 상기 획득된 이미지와 다른 이미지의 유사도를 비교하며, 상기 유사도 비교를 바탕으로 상기 획득된 이미지를 분류할 수 있다.
그리고, 키워드를 입력받는 단계; 상기 키워드와 관련된 이미지를 검색하기 위한 사용자 명령을 입력받는 단계; 상기 키워드와 관련된 검색을 요청하는 신호를 상기 외부 서버로 전송하는 단계; 및 상기 신호에 응답하여 상기 유사도 비교를 바탕으로 분류된 이미지들 중 상기 키워드와 관련된 적어도 하나의 검색 이미지에 대응되는 특징값을 상기 외부 서버로부터 수신하는 단계;를 포함할 수 있다.
또한, 특징값과 사용자 키를 입력 데이터로 이용하여 이미지를 복원하도록 학습된 복호화 모델에 상기 적어도 하나의 검색 이미지에 대응되는 특징값 및 상기 전자 장치의 사용자 키를 입력하여 상기 적어도 하나의 검색 이미지를 복원하는 단계;를 포함할 수 있다.
그리고, 상기 획득된 이미지에 대응되는 특징값을 수신하기 위한 사용자의 다운로드 명령이 입력되면, 상기 외부 서버로 상기 획득된 이미지에 대응되는 특징값을 요청하는 신호를 전송하는 단계; 상기 신호에 응답하여, 상기 외부 서버로부터 상기 획득된 이미지에 대응되는 특징값을 수신하는 단계; 및 상기 특징값과 사용자 키를 입력 데이터로 이용하여 이미지를 복원하도록 학습된 복호화 모델에 상기 획득된 이미지에 대응되는 특징값 및 상기 전자 장치의 사용자 키를 입력하여 상기 획득된 이미지를 복원하는 단계;를 포함할 수 있다.
또한, 상기 수신하는 단계는, 상기 외부 서버로부터 상기 획득된 이미지에 대응되는 특징값과 함께 상기 획득된 이미지를 암호화하기 위해 이용된 상기 전자 장치의 사용자 키의 버전 정보를 함께 수신하며, 상기 복원하는 단계는, 상기 복호화 모델에 상기 획득된 이미지에 대응되는 특징값 및 상기 버전 정보에 대응되는 상기 전자 장치의 사용자 키를 입력하여 상기 획득된 이미지를 복원할 수 있다.
한편, 본 개시의 일 실시예에 따른, 전자 장치는, 통신부; 디스플레이; 이미지 및 사용자 키를 입력 데이터로 이용하여 특징값을 획득하도록 학습된 암호화 모델 및 상기 전자 장치의 동작을 수행하기 위한 프로그램을 저장하는 메모리; 및 상기 통신부, 상기 디스플레이 및 상기 메모리와 전기적으로 연결되어 상기 전자 장치를 제어하는 프로세서;를 포함하며, 상기 프로세서는, 획득된 이미지를 상기 외부 서버에 업로드하기 위한 사용자 명령에 따른 입력 신호를 획득하고, 상기 입력 신호에 응답하여, 상기 암호화 모델에 상기 획득된 이미지와 상기 전자 장치의 사용자 키를 입력하여 상기 획득된 이미지에 대응되는 특징값을 획득하고, 상기 획득된 이미지의 식별 정보와 상기 특징값을 상기 외부 서버에 전송하도록 상기 통신부를 제어할 수 있다.
또한, 상기 전자 장치의 사용자 키는, 상기 전자 장치의 사용자에 의해 입력된 비밀번호 및 상기 전자 장치의 식별 정보 중 하나이거나, 이것들로부터 생성된 새로운 값일 수 있다.
그리고, 상기 프로세서는, 상기 전자 장치의 사용자 키가 복수 개 존재하는 경우, 상기 복수 개의 사용자 키 중 상기 획득된 이미지에 대응되는 사용자 키의 버전 정보를 상기 획득된 이미지의 식별 정보 및 상기 특징값과 함께 상기 외부 서버에 전송하도록 상기 통신부를 제어할 수 있다.
또한, 상기 프로세서는, 상기 사용자 명령에 응답하여, 상기 획득된 이미지에 대응되는 썸네일 이미지를 획득하고, 상기 획득된 썸네일 이미지 및 상기 획득된 이미지의 식별 정보를 매칭하여 상기 메모리에 저장하며, 상기 획득된 이미지를 상기 메모리에서 삭제할 수 있다.
그리고, 상기 프로세서는, 사용자로부터 상기 획득된 이미지를 디스플레이하기 위한 사용자 명령이 수신되면, 상기 획득된 썸네일 이미지를 제공하도록 상기 디스플레이를 제어할 수 있다.
또한, 상기 획득된 이미지의 식별 정보와 상기 특징값이 매칭되어 상기 외부 서버에 저장되며, 상기 외부 서버는, 상기 특징값을 바탕으로 상기 획득된 이미지와 다른 이미지의 유사도를 비교하며, 상기 유사도 비교를 바탕으로 상기 획득된 이미지를 분류할 수 있다.
그리고, 상기 프로세서는, 입력된 키워드와 관련된 이미지를 검색하기 위한 사용자 명령에 따른 입력 신호를 획득하고, 상기 키워드와 관련된 검색을 요청하는 신호를 상기 외부 서버로 전송하도록 상기 통신부를 제어하며, 상기 통신부를 통해 상기 유사도 비교를 바탕으로 분류된 이미지들 중 상기 키워드와 관련된 적어도 하나의 검색 이미지에 대응되는 특징값을 상기 외부 서버로부터 수신할 수 있다.
또한, 상기 메모리는, 특징값과 사용자 키를 입력 데이터로 이용하여 이미지를 복원하도록 학습된 복호화 모델을 저장하며, 상기 프로세서는, 상기 복호화 모델에 상기 적어도 하나의 검색 이미지에 대응되는 특징값 및 상기 전자 장치의 사용자 키를 입력하여 상기 적어도 하나의 검색 이미지를 복원할 수 있다.
그리고, 상기 메모리는, 특징값과 사용자 키를 입력 데이터로 이용하여 이미지를 복원하도록 학습된 복호화 모델을 저장하며, 상기 프로세서는,
상기 획득된 이미지에 대응되는 특징값을 수신하기 위한 사용자의 다운로드 명령이 입력되면, 상기 외부 서버로 상기 획득된 이미지에 대응되는 특징값을 요청하는 신호를 전송하도록 상기 통신부를 제어하며, 상기 통신부를 통해 상기 외부 서버로부터 상기 획득된 이미지에 대응되는 특징값을 수신하며, 상기 복호화 모델에 상기 획득된 이미지에 대응되는 특징값 및 상기 전자 장치의 사용자 키를 입력하여 상기 획득된 이미지를 복원할 수 있다.
그리고, 상기 외부 서버로부터 상기 획득된 이미지에 대응되는 특징값과 함께 상기 획득된 이미지를 암호화하기 위해 이용된 상기 전자 장치의 사용자 키의 버전 정보가 함께 수신되며, 상기 프로세서는, 상기 복호화 모델에 상기 획득된 이미지에 대응되는 특징값 및 상기 버전 정보에 대응되는 상기 전자 장치의 사용자 키를 입력하여 상기 획득된 이미지를 복원할 수 있다.
상술한 바와 같은 본 개시의 다양한 실시예에 의해, 사용자는 전자 장치에 의해 획득된 이미지를 외부 서버에 업로드 또는 다운로드할 때 개인 정보의 유출을 막을 수 있을 뿐만 아니라, 작은 용량으로 이미지를 외부 장치에 저장할 수 있다.
도 1은 본 개시의 일 실시예에 따른, 사용자 키를 이용하여 이미지를 압축 및 암호화하여 외부 서버에 저장할 수 있는 시스템을 설명하기 위한 도면,
도 2는 본 개시의 일 실시예에 따른, 전자 장치의 구성을 간략히 도시한 블록도,
도 3은 본 개시의 일 실시예에 따른, 전자 장치의 구성을 상세히 도시한 블록도,
도 4는 본 개시의 일 실시예에 따른, 이미지를 암호화하는 모듈 및 복호화하는 모듈을 포함하는 블록도,
도 5a 및 5b는 본 개시의 일 실시예에 따른, 학습된 암호화 모델 및 복호화 모델을 설명하기 위한 도면,
도 6a 및 도 6b는 본 개시의 일 실시예에 따른, 암호화 모델에 입력되는 입력 데이터를 생성하는 방법을 설명하기 위한 도면,
도 7은 본 개시의 일 실시예에 따른, 외부 서버의 구성을 간략히 도시한 블록도,
도 8a 및 도 8b는 본 개시의 일 실시예에 따른, 암호화 모델을 이용하여 이미지를 암호화하여 업로드하는 방법을 설명하기 위한 도면들,
도 9a 및 도 9b는 본 개시의 일 실시예에 따른, 복호화 모델을 이용하여 이미지를 다운로드하여 복호화하는 방법을 설명하기 위한 도면들,
도 10a 및 도 10b는 본 개시의 일 실시예에 따른, 복호화 모델을 이용하여 이미지를 검색하여 복호화하는 방법을 설명하기 위한 도면들,
도 11은 본 개시의 일 실시예에 따른, 암호화 모델을 이용하여 이미지를 암호화하여 외부 서버에 업로드하기 위한 방법을 설명하기 위한 흐름도,
도 12는 본 개시의 일 실시예에 따른, 암호화 모델 및 복호화 모델을 학습하고 이용하기 위한 전자 장치의 구성을 나타내는 블록도,
도 13a 내지 도 13c는 본 개시의 일 실시예에 따른, 학습부 및 암호화부/복호화부의 구체적인 구성을 나타내는 블록도,
도 14 및 도 15는 본 개시의 다양한 실시예에 따른, 암호화 모델 또는 복호화 모델을 이용하는 네트워크 시스템의 흐름도이다.
도 2는 본 개시의 일 실시예에 따른, 전자 장치의 구성을 간략히 도시한 블록도,
도 3은 본 개시의 일 실시예에 따른, 전자 장치의 구성을 상세히 도시한 블록도,
도 4는 본 개시의 일 실시예에 따른, 이미지를 암호화하는 모듈 및 복호화하는 모듈을 포함하는 블록도,
도 5a 및 5b는 본 개시의 일 실시예에 따른, 학습된 암호화 모델 및 복호화 모델을 설명하기 위한 도면,
도 6a 및 도 6b는 본 개시의 일 실시예에 따른, 암호화 모델에 입력되는 입력 데이터를 생성하는 방법을 설명하기 위한 도면,
도 7은 본 개시의 일 실시예에 따른, 외부 서버의 구성을 간략히 도시한 블록도,
도 8a 및 도 8b는 본 개시의 일 실시예에 따른, 암호화 모델을 이용하여 이미지를 암호화하여 업로드하는 방법을 설명하기 위한 도면들,
도 9a 및 도 9b는 본 개시의 일 실시예에 따른, 복호화 모델을 이용하여 이미지를 다운로드하여 복호화하는 방법을 설명하기 위한 도면들,
도 10a 및 도 10b는 본 개시의 일 실시예에 따른, 복호화 모델을 이용하여 이미지를 검색하여 복호화하는 방법을 설명하기 위한 도면들,
도 11은 본 개시의 일 실시예에 따른, 암호화 모델을 이용하여 이미지를 암호화하여 외부 서버에 업로드하기 위한 방법을 설명하기 위한 흐름도,
도 12는 본 개시의 일 실시예에 따른, 암호화 모델 및 복호화 모델을 학습하고 이용하기 위한 전자 장치의 구성을 나타내는 블록도,
도 13a 내지 도 13c는 본 개시의 일 실시예에 따른, 학습부 및 암호화부/복호화부의 구체적인 구성을 나타내는 블록도,
도 14 및 도 15는 본 개시의 다양한 실시예에 따른, 암호화 모델 또는 복호화 모델을 이용하는 네트워크 시스템의 흐름도이다.
이하, 본 개시의 다양한 실시 예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 개시에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 개시의 실시 예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.
본 개시에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본 개시에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상"등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본 개시에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.
어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제 3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.
본 개시에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 부프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
본 개시의 다양한 실시예들에 따른 전자 장치는, 예를 들면, 스마트폰, 태블릿 PC, 이동 전화기, 영상 전화기, 전자책 리더기, 데스크탑 PC, 랩탑 PC, 넷북 컴퓨터, 워크스테이션, 서버, PDA, PMP(portable multimedia player), MP3 플레이어, 의료기기, 카메라, 또는 웨어러블 장치 중 적어도 하나를 포함할 수 있다. 웨어러블 장치는 액세서리형(예: 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD)), 직물 또는 의류 일체형(예: 전자 의복), 신체 부착형(예: 스킨 패드 또는 문신), 또는 생체 이식형 회로 중 적어도 하나를 포함할 수 있다. 어떤 실시예들에서, 전자 장치는, 예를 들면, 텔레비전, DVD(digital video disk) 플레이어, 오디오, 냉장고, 에어컨, 청소기, 오븐, 전자레인지, 세탁기, 공기 청정기, 셋톱 박스, 홈 오토매이션 컨트롤 패널, 보안 컨트롤 패널, 미디어 박스(예: 삼성 HomeSyncTM, 애플TVTM, 또는 구글 TVTM), 게임 콘솔(예: XboxTM, PlayStationTM), 전자 사전, 전자 키, 캠코더, 또는 전자 액자 중 적어도 하나를 포함할 수 있다.
다른 실시예에서, 전자 장치는, 각종 의료기기(예: 각종 휴대용 의료측정기기(혈당 측정기, 심박 측정기, 혈압 측정기, 또는 체온 측정기 등), MRA(magnetic resonance angiography), MRI(magnetic resonance imaging), CT(computed tomography), 촬영기, 또는 초음파기 등), 네비게이션 장치, 위성 항법 시스템(GNSS(global navigation satellite system)), EDR(event data recorder), FDR(flight data recorder), 자동차 인포테인먼트 장치, 선박용 전자 장비(예: 선박용 항법 장치, 자이로 콤파스 등), 항공 전자기기(avionics), 보안 기기, 차량용 헤드 유닛(head unit), 산업용 또는 가정용 로봇, 드론(drone), 금융 기관의 ATM, 상점의 POS(point of sales), 또는 사물 인터넷 장치 (예: 전구, 각종 센서, 스프링클러 장치, 화재 경보기, 온도조절기, 가로등, 토스터, 운동기구, 온수탱크, 히터, 보일러 등) 중 적어도 하나를 포함할 수 있다.
본 개시의 일 실시예에 따른, 외부 서버는 이미지를 저장하기 위한 클라우드 서버뿐만 아니라 개인 클라우드 장치, 외부 저장 장치, 상술한 바와 같은 전자 장치 등과 같은 다양한 장치로 구현될 수 있다.
본 개시에서, 사용자라는 용어는 전자 장치를 사용하는 사람 또는 전자 장치를 사용하는 장치(예: 인공지능 전자 장치)를 지칭할 수 있다.
도 1은 본 개시의 일 실시예에 따른, 사용자 키를 이용하여 이미지를 압축 및 암호화하여 외부 서버에 저장할 수 있는 시스템을 설명하기 위한 도면이다. 시스템은 제1 전자 장치(100-1), 제2 전자 장치(100-2) 및 서버(200)를 포함할 수 있다. 이때, 제1 전자 장치(100-1) 및 제2 전자 장치(100-2)는 동일한 사용자가 사용하는 전자 장치일 수 있으나, 이는 일 실시예에 불과할 뿐, 동일한 전자 장치로 구현될 수 있다. 즉, 하나의 전자 장치가 이미지를 업로드하고 다운로드 받을 수 있다.
제1 전자 장치(100-1)는 이미지를 획득할 수 있다. 이때, 이미지는 제1 전자 장치(100-1)에 의해 촬영된 이미지일 수 있으나, 이는 일 실시예에 불과할 뿐, 다른 전자 장치로부터 수신한 이미지, 웹으로부터 다운로드한 이미지 등과 같은 다양한 이미지일 수 있다.
제1 전자 장치(100-1)는 이미지를 서버(200)로 업로드하기 위한 사용자 명령을 입력받을 수 있다. 이때, 제1 전자 장치(100-1)는 메뉴를 통해 이미지를 업로드하기 위한 사용자 명령을 입력받을 수 있으나, 이는 일 실시예에 불과할 뿐, 다양한 사용자 입력을 통해 이미지를 서버(200)로 업로드하기 위한 사용자 명령을 입력받을 수 있다.
제1 전자 장치(100-1)는 이미지를 암호화하고 압축화하기 위한 제1 전자 장치(100-1)의 사용자 키를 획득할 수 있다. 이때, 사용자 키는 전자 장치의 식별 정보(예를 들어, 전자 장치의 시리얼 넘버, IMEI 정보 등)일 수 있으나, 이는 일 실시예에 불과할 뿐, 사용자에 의해 입력된 비밀 번호일 수 있다. 또한, 사용자 키는 전자 장치의 식별 정보 및 사용자에 의해 입력된 비밀 번호의 조합으로 생성될 수 있다. 사용자에 의해 입력된 비밀 번호는 최초 입력된 비밀 번호일 수 있으나, 이는 일 실시예에 불과할 뿐, 이미지를 전송할 때마다 혹은 기설정된 주기로 변경될 수 있다.
제1 전자 장치(100-1)는 이미지를 업로드하기 위한 사용자 명령에 응답하여 이미지 및 사용자 키를 이용하여 서버(200)에 업로드하기 위한 특징값을 획득할 수 있다. 특히, 제1 전자 장치(100-1)는 이미지 및 사용자 키를 입력 데이터로 특징값을 획득하도록 학습된 암호화 모델에 획득된 이미지 및 제1 전자 장치(100-1)의 사용자 키를 입력하여 획득된 이미지에 대한 특징값을 획득할 수 있다. 이때, 암호화 모델은 심층 신경망(Deep Neural Network) 모델일 수 있으나, 이에 한정되는 것은 아니다. 또한, 암호화 모델은 이미지 및 사용자 키를 이용하여 이미지를 암호화하는 효과를 가질 수 있으나, 이와 동시에 이미지를 압축하는 효과를 가질 수 있으므로, 압축 모델로도 불릴 수 있다.
또한, 특징값은 이미지와 사용자키를 입력으로 학습된 신경망(Neural network)에 통과시켜 추출된 이미지 Representation 값으로, 속성값, 특징 벡터, 특징 정보 등과 같은 다양한 용어로 쓰일 수 있다. 특히, 특징값은 심층 신경망 모델의 Representation Learning을 통해 획득될 수 있다.
특히, 이미지 및 사용자 키를 암호화 모델에 입력하여 획득된 특징값은 이를 다시 이미지로 복호화할 때, 특징값뿐만 아니라 암호화시 사용된 사용자 키를 반드시 이용해야만 정상적인 이미지로 복호화할 수 있다. 이미지 및 사용자 키를 암호화 모델에 입력하여 획득된 특징값은 이를 다시 이미지로 복호화할 때, 특징값만이 복호화 모델에 입력된 경우, 정상적인 이미지를 복원할 수 없게 된다. 따라서, 암호화 모델과 복호화 모델은 쌍으로 학습될 수 있다. 이때, 복호화 모델은 압축된 이미지를 복원하는 효과를 가질 수 있으므로, 복원 모델이라고도 불릴 수 있다.
제1 전자 장치(100-1)는 획득된 특징값을 서버(200)로 업로드할 수 있다. 이때, 제1 전자 장치(100-1)는 획득된 특징값뿐만 아니라 획득된 이미지의 식별 정보(예를 들어, 이미지명, 이미지 생성 일자, 이미지 생성 위치 등)를 서버(200)에 함께 전송할 수 있다. 또한, 제1 전자 장치(100-1)는 획득된 특징값 및 획득된 이미지의 식별 정보를 서버(200)로 전송한 후, 이미지에 대응되는 썸네일을 생성할 수 있다. 이때, 원본 이미지는 삭제될 수 있다.
서버(200)는 전송된 특징값을 저장 및 관리할 수 있다. 구체적으로, 서버(200)는 제1 전자 장치(100-1)로부터 획득된 특징값 및 이미지의 식별 정보를 매칭하여 저장할 수 있다. 또한, 서버(200)는 특징값을 바탕으로 획득된 이미지와 다른 이미지의 유사도를 비교하며, 유사도 비교를 바탕으로 획득된 이미지를 분류할 수 있다. 이때, 서버(200)는 획득된 이미지에 대응되는 특징값을 벡터 형태로 분류할 수 있다. 이에 의해, 서버(200)는 제1 전자 장치(100-1) 혹은 제2 전자 장치(100-2)의 키워드 또는 이미지 검색 요청에 따라 획득된 이미지를 사용자에게 제공할 수 있다.
제2 전자 장치(100-2)는 사용자로부터 획득된 이미지에 대한 다운로드 명령을 입력받을 수 있다. 이때, 제2 전자 장치(100-2)는 메뉴를 통해 이미지를 다운로드하기 위한 사용자 명령을 입력받을 수 있으나, 이는 일 실시예에 불과할 뿐, 다양한 사용자 입력을 통해 이미지를 서버(200)로부터 다운로드하기 위한 사용자 명령을 입력받을 수 있다.
제2 전자 장치(100-2)는 다운로드 명령에 응답하여 서버(200)로 획득된 이미지에 대한 다운로드 요청을 전송할 수 있다. 이때, 다운로드 요청에는 획득된 이미지의 식별 정보가 포함될 수 있다.
서버(200)는 획득된 이미지의 식별 정보를 바탕으로 획득된 이미지에 대응된 특징값을 검색하고 검색된 특징값을 제2 전자 장치(100-2)에 전송할 수 있다.
제2 전자 장치(100-2)는 서버(200)로부터 수신된 특징값 및 제2 전자 장치(100-2)의 사용자 키를 이용하여 획득된 이미지를 복원할 수 있다. 구체적으로, 제2 전자장치(100-2)는 특징값 및 사용자 키를 입력 데이터로 이미지를 획득하도록 학습된 복호화 모델에 서버(200)로부터 수신된 특징값 및 제2 전자 장치(100-2)의 사용자 키를 이용하여 획득된 이미지를 복원할 수 있다. 이때, 제1 전자 장치(100-1)의 사용자 키와 제2 전자 장치(100-2)의 사용자 키가 동일한 경우에만 이미지를 정상적으로 복원할 수 있다.
본 개시에서 학습된 암호화 모델 및 복호화 모델은 모델의 적용 분야 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 예로, 학습된 암호화 모델은 사용자 키 및 이미지를 입력 데이터로 사용하여 특징값을 획득하도록 설정될 수 있으며, 학습된 복호화 모델은 사용자 키 및 특징값을 입력 데이터로 사용하여 이미지를 복원하도록 설정될 수 있다. 이때, 암호화 모델을 학습하는데 이용한 사용자 키와 복호화 모델을 학습하는데 이용한 사용자 키는 동일한 사용자 키일 수 있다. 사용자 키를 이용하여 이미지에 대응되는 특징값을 생성하고, 생성된 특징값을 이용하여 이미지를 복원하기 위해, 학습된 암호화 모델 및 복호화 모델은, 예로, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 암호화 모델 및 복호화 모델은 인간의 뇌 구조를 컴퓨터 상에서 모의하도록 설계될 수 있으며 인간의 신경망의 뉴런(neuron)을 모의하는, 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고 받는 뉴런의 시냅틱(synaptic) 활동을 모의하도록 각각 연결 관계를 형성할 수 있다. 또한, 암호화 모델 및 복호화 모델 모델은, 일 예로, 신경망 모델, 또는 신경망 모델에서 발전한 딥 러닝 모델을 포함할 수 있다. 딥 러닝 모델에서 복수의 네트워크 노드들은 서로 다른 깊이(또는, 레이어)에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고 받을 수 있다. 암호화 모델 및 복호화 모델의 예에는 DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 등이 있을 수 있으나 이에 한정되지 않는다.
또한, 제1 전자 장치(100-1) 및 제2 전자 장치(100-2)는 상술한 바와 같은 사용자에 의해 선택된 이미지를 특징값으로 암호화하여 서버(200)에 업로드하고, 서버(200)로부터 특징값을 다운로드하여 복원하기 위하여 인공지능 에이전트(Artificial intelligence agent)를 이용할 수 있다. 이때, 인공지능 에이전트는 AI(Artificial Intelligence) 기반의 서비스(예를 들어, 음성 인식 서비스, 비서 서비스, 번역 서비스, 검색 서비스 등)를 제공하기 위한 전용 프로그램으로서, 기존의 범용 프로세서(예를 들어, CPU) 또는 별도의 AI 전용 프로세서(예를 들어, GPU 등)에 의해 실행될 수 있다. 특히, 인공지능 에이전트는 후술할 다양한 모듈을 제어할 수 있다.
구체적으로, 이미지를 업로드하기 위한 사용자 입력 혹은 이미지를 다운로드하기 위한 사용자 입력이 수신된 경우, 인공지능 에이전트가 동작할 수 있다. 그리고, 인공지능 에이전트는 사용자 입력을 바탕으로 이미지를 특징값으로 암호화하여 외부 서버(200)에 업로드하거나 외부 서버(200)에 저장된 특징값을 다운로드하여 이미지로 복원할 수 있다.
물론, 이미지를 업로드하기 위한 사용자 입력 혹은 이미지를 다운로드하기 위한 사용자 입력이 수신되면, 인공지능 에이전트가 동작할 수도 있다. 또는, 인공지능 에이전트는 이미지를 업로드하기 위한 사용자 입력 혹은 이미지를 다운로드하기 위한 사용자 입력이 수신되기 이전에 기 실행된 상태일 수 있다. 이 경우, 이미지를 업로드하기 위한 사용자 입력 혹은 이미지를 다운로드하기 위한 사용자 입력이 수신된 이후에 인공지능 에이전트가 이미지를 특징값으로 암호화하여 업로드하거나 특징값을 다운로드하여 이미지로 복원할 수 있다. 또한, 인공지능 에이전트는 이미지를 업로드하기 위한 사용자 입력 혹은 이미지를 다운로드하기 위한 사용자 입력이 수신하기 이전에 대기 상태일 수 있다. 여기서, 대기 상태란, 인공지능 에이전트의 동작 시작을 제어하기 위해 미리 정의된 사용자 입력이 수신되는 것을 감지하는 상태이다. 인공지능 에이전트가 대기 상태인 동안 이미지를 업로드하기 위한 사용자 입력 혹은 이미지를 다운로드하기 위한 사용자 입력이 수신되면, 제1 전자 장치(100-1) 혹은 제2 전자 장치(100-2)는 인공지능 에이전트를 동작시키고, 이미지를 특징값으로 암호화하여 업로드하거나 특징값을 다운로드하여 이미지로 복원할 수 있다. 한편, 인공지능 에이전트는 후술할 다양한 모듈을 제어할 수 있다. 이에 대해서는 추후 상세히 설명하기로 한다.
또한, 전자 장치(100)가 학습된 암호화 모델 또는 복호화 모델을 이용하여 이미지를 업로드하거나 다운로드하는 구체적인 예들은 이하 다양한 실시예들을 통하여 후술된다.
도 2는 본 개시의 일 실시예에 따른, 전자 장치의 구성을 간략히 도시한 블록도이다. 전자 장치(100)는 도 2에 도시된 바와 같이, 통신부(110), 디스플레이(120), 메모리(130) 및 프로세서(140)를 포함한다. 도 2에 도시된 구성들은 본 개시의 실시 예들을 구현하기 위한 예시도이며, 당업자에게 자명한 수준의 적절한 하드웨어/소프트웨어 구성들이 전자 장치(100)에 추가로 포함될 수 있다.
통신부(110)는 다양한 통신방식에 따라 외부 장치 또는 외부 서버와 통신을 수행할 수 있다. 특히, 통신부(110)는 사용자의 이미지 업로드 요청에 응답하여 이미지에 대응되는 특징값을 외부의 서버로 전송할 수 있고, 사용자의 이미지 다운로드 요청에 응답하여 이미지에 대응되는 특징값을 외부의 서버로부터 수신할 수 있다.
디스플레이(120)는 다양한 화면을 제공할 수 있다. 특히, 디스플레이(110)는 적어도 하나의 이미지(예를 들어, 사진)를 포함하는 화면을 표시할 수 있다. 또한, 디스플레이(110)는 이미지 업로드 명령, 이미지 다운로드 명령, 이미지 검색 명령 등과 같은 다양한 사용자 명령을 수신하기 위한 UI를 표시할 수 있다.
메모리(130)는 전자 장치(100)의 동작을 수행하기 위한 다양한 프로그램 및 데이터를 저장할 수 있다. 특히, 메미로(130)는 이미지 및 사용자 키를 입력 데이터로 이용하여 이미지에 대한 특징값을 획득하도록 학습된 암호화 모델 및 특징값 및 사용자 키를 입력 데이터 이용하여 이미지를 복원하도록 학습된 복호화 모델 중 적어도 하나를 저장할 수 있다. 또한, 메모리(130)는 도 4에 도시된 바와 같은 암호화 모듈(410) 및 복호화 모듈(420)을 포함할 수 있다. 이에 대해서는 추후에 도 4를 참조하여 상세히 설명하도록 한다.
프로세서(140)는 통신부(110), 디스플레이(120) 및 메모리(130)와 전기적으로 연결되어 전자 장치(100)의 전반적인 동작 및 기능을 제어할 수 있다. 특히, 프로세서(140)는 암호화 모듈(410)을 통해 이미지를 특징값으로 암호화하여 외부 서버에 업로드할 수 있다. 구체적으로, 획득된 이미지를 외부 서버(200)에 업로드하기 위한 사용자 명령에 따른 입력 신호가 수신되면, 프로세서(140)는 입력 신호에 응답하여, 암호화 모델(413)에 획득된 이미지와 전자 장치(100)의 사용자 키를 입력하여 획득된 이미지에 대응되는 특징값을 획득하고, 획득된 이미지의 식별 정보와 특징값을 외부 서버(200)에 전송하도록 통신부(110)를 제어할 수 있다.
또한, 프로세서(140)는 복호화 모듈(420)을 통해 외부 서버로부터 다운로드된 특징값을 이미지로 복호화할 수 있다. 구체적으로, 외부 서버(200)에 업로드된 이미지에 대응되는 특징값을 다운로드하기 위한 사용자 명령에 따른 입력 신호가 수신되면, 프로세서(140)는 입력 신호에 응답하여 외부 서버(200)로부터 특징값을 요청하고, 통신부(110)를 통해 특징값을 수신하며, 수신된 특징값 및 사용자 키를 복호화 모델(422)에 입력하여 특징값에 대응되는 이미지를 복원할 수 있다.
도 3은 본 개시의 다른 실시예에 따른, 전자 장치(100)의 구성을 상세히 도시한 블록도이다. 도 3에 도시된 바와 같이, 전자 장치(100)는 통신부(110), 디스플레이(120), 메모리(130), 프로세서(140), 사용자 입력부(150), 오디오 출력부(160) 및 카메라(170)를 포함할 수 있다.
통신부(110)는 다양한 유형의 통신방식에 따라 다양한 유형의 외부 기기와 통신을 수행할 수 있다. 통신부(110)는 와이파이칩(111), 블루투스 칩(112), 무선 통신 칩(113), NFC 칩(114) 중 적어도 하나를 포함할 수 있다. 프로세서(140)는 통신부(110)를 이용하여 외부 서버 또는 각종 외부 기기와 통신을 수행할 수 있다. 특히, 통신부(110)는 외부의 클라우드 서버와 통신을 수행할 수 있다.
디스플레이(120)는 영상 처리부(미도시)에서 처리한 영상 데이터를 디스플레이 영역(또는, 디스플레이)에 디스플레이할 수 있다. 디스플레이 영역은 전자 장치(100)의 하우징의 일면에 노출된 디스플레이(120)의 적어도 일부를 의미할 수 있다.
디스플레이(120)의 적어도 일부는 플렉서블 디스플레이(flexible display)의 형태로 전자 장치(100)의 전면 영역 및, 측면 영역 및 후면 영역 중 적어도 하나에 위치할 수도 있다. 플렉서블 디스플레이는 종이처럼 얇고 유연한 기판을 통해 손상 없이 휘거나 구부리거나 말 수 있는 것을 특징으로 할 수 있다.
디스플레이부(120)는 터치 패널과 결합하여 레이어 구조의 터치 스크린으로 구현될 수 있다. 터치 스크린은 디스플레이 기능뿐만 아니라 터치 입력 위치, 터치된 면적뿐만 아니라 터치 입력 압력까지도 검출하는 기능을 가질 수 있고, 또한 실질적인 터치(real-touch)뿐만 아니라 근접 터치(proximity touch)도 검출하는 기능을 가질 수 있다.
메모리(130)는 전자 장치(100)의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 저장할 수 있다. 특히, 메모리(130)는 비휘발성 메모리, 휘발성 메모리, 플래시메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등으로 구현될 수 있다. 메모리(130)는 프로세서(140)에 의해 액세스되며, 프로세서(140)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 본 개시에서 메모리라는 용어는 메모리(130), 프로세서(140) 내 롬(미도시), 램(미도시) 또는 전자 장치(100)에 장착되는 메모리 카드(미도시)(예를 들어, micro SD 카드, 메모리 스틱)를 포함할 수 있다. 또한, 메모리(130)에는 디스플레이부(110)의 디스플레이 영역에 표시될 각종 화면을 구성하기 위한 프로그램 및 데이터 등이 저장될 수 있다.
사용자 입력부(150)는 다양한 사용자 입력을 수신하여 프로세서(140)로 전달할 수 있다. 특히, 사용자 입력부(150)는 터치 센서, (디지털) 펜 센서, 압력 센서, 또는 키를 포함할 수 있다. 터치 센서는, 예를 들면, 정전식, 감압식, 적외선 방식, 또는 초음파 방식 중 적어도 하나의 방식을 사용할 수 있다. (디지털) 펜 센서는, 예를 들면, 터치 패널의 일부이거나, 별도의 인식용 쉬트를 포함할 수 있다. 키는, 예를 들면, 물리적인 버튼, 광학식 키, 또는 키패드를 포함할 수 있다.
특히, 사용자 입력부(150)는 이미지를 업로드하기 위한 사용자 입력 또는 이미지를 다운로드하기 위한 사용자 입력에 따른 입력 신호를 획득할 수 있다. 그리고, 사용자 입력부(150)는 입력 신호를 프로세서(140)로 전송할 수 있다.
오디오 출력부(160)는 오디오 처리부(미도시)에 의해 디코딩이나 증폭, 노이즈 필터링과 같은 다양한 처리 작업이 수행된 각종 오디오 데이터뿐만 아니라 각종 알림 음이나 음성 메시지를 출력하는 구성이다. 특히, 오디오 출력부(160)는 스피커로 구현될 수 있으나, 이는 일 실시 예에 불과할 뿐, 오디오 데이터를 출력할 수 있는 출력 단자로 구현될 수 있다.
카메라(170)는 렌즈를 통해 이미지를 촬영할 수 있다. 이때, 카메라(170)는 전자 장치(100)의 전방 및 후방 중 적어도 하나에 구비될 수 있다. 한편, 카메라(170)는 전자 장치(100) 내부에 구비될 수 있으나, 이는 일 실시예에 불과할 뿐, 전자 장치(100) 외부에 존재하며, 전자 장치(100)와 유무선으로 연결될 수 있다.
프로세서(140)(또는, 제어부)는 메모리(130)에 저장된 각종 프로그램을 이용하여 전자 장치(100)의 전반적인 동작을 제어할 수 있다.
프로세서(140)는 RAM(141), ROM(142), 그래픽 처리부(143), 메인 CPU(144), 제1 내지 n 인터페이스(145-1~145-n), 버스(146)로 구성될 수 있다. 이때, RAM(141), ROM(142), 그래픽 처리부(143), 메인 CPU(144), 제1 내지 n 인터페이스(145-1~145-n) 등은 버스(146)를 통해 서로 연결될 수 있다.
도 4는 본 개시의 일 실시예에 따른, 이미지를 암호화하는 암호화 모듈 및 이미지를 복호화하는 복호화 모듈을 포함하는 블록도이다. 우선, 전자 장치(100)는 도 4에 도시된 바와 같이, 암호화 모듈(410) 및 복호화 모듈(420)을 모두 포함할 수 있으나, 이는 일 실시예에 불과할 뿐, 암호화 모듈(410) 및 복호화 모듈(420) 중 하나만을 포함할 수 있다.
암호화 모듈(410)은 이미지 획득 모듈(411), 이미지 암호화 모듈(412), 암호화 모델(413), 사용자 키 관리 모듈(414), 썸네일 이미지 생성 모듈(415)을 포함할 수 있다.
이미지 획득 모듈(411)은 전자 장치(100)로부터 외부 서버(200)에 업로드하기 위한 이미지를 획득할 수 있다. 이미지 획득 모듈(411)은 카메라(170)에 의해 촬영된 이미지를 획득할 수 있으며, 외부 전자 장치로부터 전송된 이미지를 획득할 수 있으며, 웹 사이트로부터 다운로드된 이미지를 획득할 수 있다.
이미지 암호화 모듈(412)은 암호화 모델(413)을 이용하여 이미지를 암호화할 수 있다. 이때, 암호화 모델(413)은 도 5a에 도시된 바와 같이, 이미지(510) 및 사용자 키(520)를 입력 데이터로 사용하여 특징값(530)을 획득하도록 학습된 모델일 수 잇다. 이때, 암호화 모델(413)은 CNN(Convolution Neural Network)일 수 있으나, 이는 일 실시예에 불과할 뿐, GAN (Generative Adversarial Network), DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)등과 같은 다양한 신경망을 이용할 수 있다.
구체적으로, 이미지 암호화 모듈(412)은 이미지 및 사용자 키를 이용하여 입력 데이터를 생성할 수 있다. 이미지 암호화 모듈(412)은 다양한 방법으로 이미지 및 사용자 키를 이용하여 입력 데이터를 생성할 수 있다.
일 예로, 이미지 암호화 모듈(412)은 도 6a에 도시된 바와 같이, 이미지(610)를 가로(width)와 세로(heigt)를 가지는 3개 채널(RGB)로 구성할 수 있으며, 사용자 키(620) 역시 가로(width)와 세로(heigt)를 가지는 N개 채널로 구성할 수 있다. 그리고, 이미지 암호화 모듈(412)은 3개 채널의 이미지(610)와 N개 채널의 사용자 키(620)를 합하여(Concatenate) (N+3)개 채널을 가지는 입력 데이터(630)를 생성할 수 있다. 즉, 이미지 암호화 모듈(412)은 이미지(610)의 채널과 사용자 키(620)의 채널을 합하여 입력 데이터(630)를 생성할 수 있다.
또 다른 예로, 이미지 암호화 모듈(412)은 도 6b에 도시된 바와 같이, 이미지(610)를 가로(width)와 세로(heigt)를 가지는 3개 채널(RGB)로 구성할 수 있으며, 사용자 키(640) 역시 가로(width)와 세로(heigt)를 가지는 1개 채널로 구성할 수 있다. 그리고, 이미지 암호화 모듈(412)은 3개 채널의 이미지(610) 각각의 픽셀을 1개 채널의 사용자 키(640)의 픽셀과 합하여(Sum) 3개 채널을 가지는 입력 데이터(650)를 생성할 수 있다. 즉, 이미지 암호화 모듈(412)은 이미지(610)의 필셀값와 사용자 키(640)의 픽셀값을 합하여 입력 데이터(650)를 생성할 수 있다.
한편, 도 6a 및 도 6b에서 각각 설명한 실시예에 따라 신경망의 구조 및 설정값이 변경될 수 있다. 즉, 입력 데이터의 유형에 따라 신경망의 입력 데이터 사이즈, 신경망을 구성하는 레이어 수, 각 레이어의 커널 사이즈 및 채널 수, 풀링 레이어(pooling layer)의 수, 풀링 사이즈, 스킵 커넥션(skip connection) 적용 여부, Intermedate Feature 및 Top-down Feature 적용 여부 등이 변경될 수 있다.
이미지 암호화 모듈(412)은 생성된 입력 데이터를 복수의 레이어를 포함하는 암호화 모델(413)에 입력할 수 있다. 이때, 입력 데이터는 복수의 레이어를 연산되어 점점 작은 사이즈의 특징값으로 추출될 수 있다. 즉, 입력 데이터는 제1 레이어를 통과함으로써 제1 특징값으로 연산되고, 제1 특징값이 제2 레이어를 통과함으로써 제2 특징값으로 연산되며, 제2 특징값이 풀링 레이어를 통과함으로써, 사이즈가 작아진 제3 특징값으로 연산될 수 있다. 이러한 방식으로 N개의 레이어를 통과하면 사이즈가 작아진 최종 특징값으로 연산될 수 있다.
즉, 이미지 암호화 모듈(412)은 입력 데이터(630 또는 650)를 복수의 레이어에 통과시켜 최종적으로 연산된 특징값(530)을 획득할 수 있다. 이때, 획득된 특징값(530)은 복수의 레이어를 통해 암호화되었다. 즉, 획득된 특징값(530)은 사용자 키 없이는 원 이미지로 복원할 수 없게 된다. 또한, 획득된 특징값(530)은 풀링 레이어를 통해 사이즈가 작아져 기존의 이미지에 비해 압축된 효과를 가질 수 있다.
사용자 키 관리 모듈(414)은 사용자 키를 관리할 수 있다. 구체적으로, 사용자 키가 전자 장치(100)의 식별 정보(예를 들어, 시리얼 넘버, IMEI 정보) 같은 경우, 사용자 키가 변경되지 않을 수 있다. 그러나, 사용자 키가 사용자가 직접 입력한 비밀번호인 경우, 사용자 키는 주기적 또는 비 주기적으로 변경될 수 있다. 따라서, 사용자 키 관리 모듈(414)은 사용자에 의해 변경된 사용자 키에 대한 버전 정보를 관리할 수 있다. 즉, 사용자 키 관리 모듈(414)은 변경된 사용자 키의 히스토리를 관리하여 추후 특징값을 이미지로 복호화할 때 변경된 사용자 키를 이용할 수 있다.
또 다른 실시예에 의하면, 사용자 키가 변경된 경우, 이미지 암호화 모듈(413)은 이전에 이미 암호화한 이미지들에 대해 변경된 사용자 키를 이용하여 다시 암호화하여 외부 서버로 전송할 수 있다.
썸네일 이미지 생성 모듈(415)은 암호화된 이미지에 대응되는 썸네일 이미지를 생성할 수 있다. 즉, 암호화된 이미지는 압축된 상태로 서버(200)에 업로드되었으므로, 전자 장치(100)는 고용량의 이미지를 그대로 저장할 필요가 없다. 따라서, 썸네일 이미지 생성 모듈(415)은 암호화된 이미지에 대응되는 저용량의 썸네일 이미지를 생성하고, 생성된 썸네일 이미지와 이미지의 식별 정보를 전자 장치(100)에 매칭하여 저장할 수 있다. 이때, 썸네일 이미지 생성 모듈(415)은 이미지를 구성하는 복수의 픽셀을 그룹으로 나누고, 그룹에 포함된 픽셀의 대표값(예를 들어, 평균값, 중간값, 최빈값 등)을 바탕으로 썸네일 이미지를 생성할 수 있다. 일 예로, 암호화된 이미지가 서버(200)로 전송되고, 썸네일 이미지 생성 모듈(415)이 썸네일 이미지를 생성한 경우, 원본 이미지는 삭제될 수 있다.
즉, 사용자에 의해 저해상도 이미지를 디스플레이하기 위한 요청이 수신된 경우, 전자 장치(100)는 썸네일 이미지 생성 모듈(415)에 의해 생성된 썸네일 이미지를 검색하여 사용자에게 제공할 수 있으며, 사용자에 의해 고해상도 이미지를 디스플레이하기 위한 요청이 수신된 경우, 전자 장치(100)는 외부 서버(200)에 저장된 특징값을 다운로드하고, 다운로드된 특징값을 복호화 모델에 입력하여 이미지로 복원한 후 사용자에게 제공할 수 있다.
복호화 모듈(420)은 도 4에 도시된 바와 같이, 이미지 복호화 모듈(421), 복호화 모델(422), 이미지 제공 모듈(423)을 포함할 수 있다.
이미지 복호화 모듈(421)은 복호화 모델(422)을 이용하여 외부 서버(200)로부터 수신된 특징값을 원본 이미지로 복원할 수 있다. 이때, 복호화 모델(422)은 특징값 및 사용자 키를 입력 데이터로 사용하여 이미지를 복원하도록 학습된 모델일 수 있다.
구체적으로, 복호화 모델(422)은 도 5b에 도시된 바와 같이, 특징값(530) 및 사용자 키(520)를 입력 데이터로 사용하여 이미지(510)를 획득하도록 학습된 모델일 수 있다. 이때, 복호화 모델(422)은 Deconvolution Neural Network로 구현될 수 있다. Deconvolution Neural Network는 암호화 모델(413)로 이용된 convolution Neural Network와 미러된 신경망으로서, 풀링 레이어 대신 언풀링 레이어(unpooling layer)를 사용할 수 잇다. 이때, Deconvolution Neural Network는 픽셀 위치값을 일일이 저장하고 있다가, 저장된 픽셀 위치값을 이용하여 언풀링 동작을 수행할 수 있다. 한편, 본 발명에 개시된 복호화 모델(422)로 이용되는 Deconvolution Neural Network는 암호화 모델(413)로 이용되는 Convolution Neural Network와 항상 쌍으로 학습될 수 있다.
한편, 복호화 모델(422)은 Deconvolution Neural Network을 이용할 수 있으나, 이는 일 실시예에 불과할 뿐, GAN (Generative Adversarial Network)과 같은 다른 신경망을 이용할 수 있다. 특히, 이미지 복원시 GAN을 이용할 경우, 전자 장치(100)는 원본 이미지 보다 높은 해상도의 이미지를 복원할 수 있다.
이미지 복호화 모듈(421)은 서버(200)로부터 다운로드된 특징값(530)과 사용자 키(520)를 입력 데이터로 학습된 복호화 모델(422)에 입력하여 이미지(510)를 복원할 수 있다.
이미지 제공 모듈(423)은 복원된 이미지를 사용자에게 제공할 수 있다. 이때, 이미지 제공 모듈(423)은 전체 화면으로 복원된 이미지를 제공할 수 있으나, 이는 일 실시예에 불과할 뿐, PIP 화면과 같은 다양한 화면으로 복원된 이미지를 제공할 수 있다. 또한, 이미지 제공 모듈(423)은 복원된 이미지를 전자 장치(100)의 메모리(130)에 저장할 수 있다.
도 7은 본 개시의 일 실시예에 따른, 서버의 구성을 간략히 도시한 블록도이다. 서버(200)는 도 7에 도시된 바와 같이, 통신부(210), 메모리(220), 프로세서(230)를 포함한다.
통신부(210)는 외부의 전자 장치들과 통신을 수행할 수 있다. 이때, 통신부(210)는 외부의 전자 장치(100)들로부터 이미지의 식별 정보 및 이미지의 특징값을 수신할 수 있다. 또한, 통신부(210)는 검색 요청 또는 다운로드 요청에 응답하여 외부의 전자 장치(100)들에게 특징값을 전송할 수 있다.
메모리(220)는 외부의 전자 장치(100)들로부터 전송된 이미지의 식별 정보 및 이미지의 특징값을 매칭하여 저장할 수 있다. 이때, 메모리(220)는 이미지의 유사도에 대한 정보 역시 이미지의 식별 정보 및 이미지의 특징값과 함께 저장할 수 있다.
프로세서(230)는 서버(200)의 전반적인 동작을 제어할 수 있다. 특히, 전자 장치(100)로부터 이미지의 식별 정보 및 이미지의 특징값이 수신되면, 프로세서(230)는 이미지의 식별 정보 및 이미지의 특징값을 매칭하여 메모리(220)에 저장할 수 있다. 이때, 전자 장치(100)로부터 복수의 사용자 키 중 획득된 이미지에 대응되는 사용자 키의 버전 정보가 더 수신되면, 프로세서(230)는 사용자 키에 대한 버전 정보 역시 함께 저장할 수 있다.
이때, 프로세서(230)는 특징값을 바탕으로 획득된 이미지와 다른 이미지의 유사도를 비교하며, 유사도 비교를 바탕으로 획득된 이미지를 분류할 수 있다. 즉, 프로세서(230)는 이미지의 유사도 별로 특징값을 저장할 수 있다.
이미지의 식별 정보를 포함하는 이미지 다운로드 요청이 전자 장치(100)로부터 수신되면, 프로세서(230)는 이미지의 식별 정보를 기초로 다운로드하고자 하는 이미지의 특징값을 검색할 수 있다. 그리고, 프로세서(230)는 검색된 이미지의 특징값을 전자 장치(100)로 전송하도록 통신부(210)를 제어할 수 있다.
한편,, 프로세서(230)는 검색 이미지의 특징값만을 전자 장치(100)로 전송할 수 있으나, 이는 일 실시예에 불과할 뿐, 검색 이미지의 특징값과 함께 사용자 키의 버전 정보를 함께 전송하도록 통신부(210)를 제어할 수 있다.
이미지의 특징값 또는 키워드를 포함하는 이미지 검색 요청이 전자 장치(100)로부터 수신되면, 프로세서(230)는 이미지의 유사도를 바탕으로 수신된 이미지의 특징값 또는 키워드와 관련된 검색 이미지를 검색할 수 있다.
도 8a 및 도 8b는 본 개시의 일 실시예에 따른, 암호화 모델을 이용하여 이미지를 암호화하여 업로드하는 방법을 설명하기 위한 도면들이다.
우선, 전자 장치(100)는 이미지에 대한 업로드 명령을 입력받을 수 있다(S810). 구체적으로, 전자 장치(100)는 도 8b의 (a)에 도시된 바와 같이, 복수의 이미지를 포함하는 어플리케이션 화면을 표시할 수 있다. 이때, 복수의 이미지는 카메라(170)에 의해 촬영된 이미지일 수 있으나, 이는 일 실시예에 불과할 뿐, 외부 장치로부터 수신된 이미지, 웹으로부터 다운로드받은 이미지, 전자 장치(100)의 화면을 캡쳐한 이미지 등과 같은 다양한 이미지일 수 있다. 복수의 이미지 중 하나를 선택하는 사용자 명령이 입력되면, 전자 장치(100)는 도 8b의 (b)에 도시된 바와 같이, 선택된 이미지 주위에 메뉴(880)를 표시할 수 있다. 메뉴(880)에 포함된 아이템 중 "클라우드 저장"이라는 아이템이 선택되면, 전자 장치(100)는 선택된 이미지를 외부 클라우드 서버(200)로 저장하기 위한 이미지 업로드 명령을 입력받을 수 있다. 한편, 상술한 바와 같이, 메뉴(880)를 이용하여 이미지에 대한 업로드 명령을 입력받을 수 있으나, 이는 일 실시예에 불과할 뿐, 다양한 방법으로 이미지에 대한 업로드 명령을 입력받을 수 있다. 일 예로, 전자 장치(100)에 포함된 기설정된 버튼(예를 들어, 인공지능 프로그램을 실행하기 위한 버튼)이 선택된 후, 이미지를 업로드하기 위한 명령이 입력된 경우, 전자 장치(100)는 이미지에 대한 업로드 명령을 입력받을 수 있다.
전자 장치(100)는 이미지에 대한 업로드 명령에 응답하여 사용자 키를 획득할 수 있다(S820). 이때, 전자 장치(100)는 전자 장치(100)의 식별 정보를 사용자 키로 획득할 수 있으며, 사용자가 설정한 비밀 번호를 사용자 키로 획득할 수 있다. 이때, 사용자가 설정한 비밀 번호는 이미지를 업로드하기 위한 어플리케이션에 대한 비밀번호일 수 있으며, 선택된 이미지에 대한 비밀번호일 수 있다. 또한, 전자 장치(100)는 전자 장치(100)의 식별 정보 및 사용자가 설정한 비밀 번호를 바탕으로 새로운 값을 생성할 수 있다.
전자 장치(100)는 이미지 및 사용자 키를 암호화 모델에 입력하여 특징값을 획득할 수 있다(S830). 구체적으로, 전자 장치(100)는 이미지 및 사용자 키를 이용하여 입력 데이터를 생성하고, 생성된 입력 데이터를 암호화 모델에 입력하여 이미지에 대응되는 특징값을 획득할 수 있다.
전자 장치(100)는 이미지의 식별 정보 및 특징값을 서버(200)로 전송할 수 있다(S840). 이때, 이미지 식별 정보는, 이미지 명, 이미지 생성일자, 이미지 생성위치 등과 같은 다양한 정보일 수 있다. 또한, 전자 장치(100)는 이미지의 식별 정보 및 특징값만을 전송할 수 있으나, 이는 일 실시예에 불과할 뿐, 식별 정보 및 특징값과 함께 사용자 키의 버전 정보를 함께 전송할 수 있다.
전자 장치(100)는 이미지의 식별 정보 및 특징값을 외부의 서버(200)로 전송할 후, 썸네일 이미지를 생성할 수 있다(S850). 즉, 전자 장치(100)는 고화질의 이미지를 외부의 서버(200)에 압축하여 저장하고, 저화질의 썸네일 이미지를 생성하여 저장할 수 있다. 이때, 전자 장치(100)는 저화질의 썸네일 이미지를 이미지의 식별 정보와 매칭하여 저장할 수 있다.
서버(200)는 전자 장치(100)로부터 수신된 이미지 식별 정보 및 특징값을 매칭하여 저장할 수 있다(S860). 또한, 서버(200)는 이미지 식별 정보 및 특징값과 함께 사용자 키의 버전 정보를 함께 저장할 수 있다.
서버(200)는 특징값의 유사도 비교를 통해 이미지를 분류할 수 있다(S870). 구체적으로, 서버(200)는 벡터로 표현되는 특징값을 바탕으로 유사도 비교를 수행하고, 특징 공간(feature space) 내에서 분류기를 통해 이미지들을 분류하여 관리할 수 있다. 이미지를 분류하여 관리함으로써, 추후 이미지를 검색할 때, 특징값을 바탕으로 이미지 검색이 가능해 질 수 있게 된다.
도 9a 및 도 9b는 본 개시의 일 실시예에 따른, 복호화 모델을 이용하여 이미지를 다운로드하여 복호화하는 방법을 설명하기 위한 도면들이다.
전자 장치(100)는 이미지 다운로드 명령을 입력받을 수 있다(S910). 구체적으로, 전자 장치(100)는 도 9b의 (a)에 도시된 바와 같이, 서버(200)에 저장된 복수의 이미지에 대응되는 썸네일 이미지를 표시할 수 있다. 이때, 썸네일 이미지는 도 8a의 S850 단계에서 생성된 썸네일 이미지일 수 있다. 복수의 썸네일 이미지 중 하나가 선택되면, 전자 장치(100)는 도 9b의 (b)에 도시된 바와 같이, 선택된 썸네일 이미지에 주위에 메뉴(970)를 표시할 수 있다. 메뉴(970)에 표시된 아이템 중 "다운로드" 아이템이 선택되면, 전자 장치(100)는 이미지 다운로드 명령을 입력받을 수 있다. 그러나, 상술한 바와 같이, 메뉴(970)를 이용하여 이미지 다운로드 명령을 입력받은 것은 일 실시예에 불과할 뿐, 다른 방법을 이용하여 이미지 다운로드 명령을 입력받을 수 있다.
전자 장치(100)는 선택된 썸네일 이미지에 대응되는 이미지에 대한 다운로드 요청 신호를 서버(200)로 전송할 수 있다(S920). 이때, 다운로드 요청 신호에는 선택된 썸네일 이미지에 대응되는 이미지의 식별 정보를 포함할 수 있다.
서버(200)는 이미지의 식별 정보에 매칭되는 저장된 특징값을 검색할 수 있다(S930). 구체적으로, 서버(200)는 메모리(220)에 저장된 특징값들 중 수신된 이미지의 식별 정보와 매칭되는 특징값을 검색할 수 있다.
서버(200)는 검색된 특징값을 전자 장치(100)로 전송할 수 있다(S940). 이때, 서버(200)는 검색된 특징값만을 전자 장치(100)로 전송할 수 있으나, 이는 일 실시예에 불과할 뿐, 특징값과 함께 사용자 키의 버전 정보를 함께 전자 장치(100)로 전송할 수 있다.
전자 장치(100)는 사용자 키 및 특징값을 복호화 모델에 입력하여 이미지를 복원할 수 있다(S950). 구체적으로, 전자 장치(100)는 사용자 키 및 특징값을 입력 데이터로 사용하여 복호화 모델에 입력하여 특징값에 대응되는 이미지를 복원할 수 있다. 이때, 사용자 키가 이미지의 암호화에 이용된 사용자 키(또는 사용자 키 버전)와 상이한 경우, 전자 장치(100)는 특징값에 대응되는 이미지를 복원할 수 없으나, 사용자 키가 이미지의 암호화에 이용된 사용자 키와 동일한 경우, 전자 장치(100)는 복호화 모델을 이용하여 특징값에 대응되는 이미지를 복원할 수 있다. 이때, 복호화 모델은 암호화 모델과 쌍으로 학습될 수 있다. 이때, 전자 장치(100)는 원본 이미지로 복원할 수 있으나, 이는 일 실시예에 불과할 뿐, GAN을 이용하여 원본 이미지보다 고화질의 이미지로 복원할 수 있다.
전자 장치(100)는 복원된 이미지를 제공할 수 있다(S960). 구체적으로, 전자 장치(100)는 복원된 이미지를 도 9b의 (b)에 도시된 화면 상에 표시할 수 있다. 또한, 전자 장치(100)는 복원된 이미지를 전자 장치(100)의 메모리(110)에 저장할 수 있다.
도 10a 및 도 10b는 본 개시의 일 실시예에 따른, 복호화 모델을 이용하여 이미지를 검색하여 복호화하는 방법을 설명하기 위한 도면들이다,.
전자 장치(100)는 검색 대상 이미지 또는 키워드를 입력받을 수 있다(S1010). 일 예로, 전자 장치(100)는 도 10b의 (a)에 도시된 바와 같이, 검색창(1070)에 키워드를 입력받을 수 있다. 또 다른 예로, 전자 장치(100)는 도 10b의(b)에 도시된 바와 같이, 메뉴(1080)를 통해 유사 이미지를 검색하기 위한 검색 대상 이미지를 입력받을 수 있다. 검색 대상 이미지가 선택된 경우, 전자 장치(100)는 선택된 검색 대상 이미지를 사용자 키와 함께 암호화 모델에 입력하여 검색 대상 이미지에 대응되는 특징값을 획득할 수 있다.
전자 장치(100)는 검색 대상 이미지에 대응되는 특징값 또는 키워드를 서버(200)로 전송할 수 있다(S1020).
서버(200)는 검색 대상 이미지에 대응되는 특징값 또는 키워드를 바탕으로 검색하고자 하는 검색 이미지에 대응되는 특징값을 검색할 수 있다(S1030). 구체적으로, 서버(200)는 특징값들을 유사도에 따라 분류하여 저장할 수 있다. 서버(200)는 수신된 검색 대상 이미지에 대응되는 특징값과 유사하게 분류된 특징값을 검색할 수 있다. 또는, 서버(200)는 특징값들을 유사도에 따라 분류할 때, 이미지에 포함된 오브젝트에 따라 이미지를 분류할 수 있다. 이미지에 포함된 오브젝트에 따라 이미지를 분류한 경우, 서버(200)는 수신된 키워드에 대응되는 오브젝트를 가지는 이미지에 대응되는 특징값을 검색할 수 있다.
서버(200)는 검색된 특징값을 전자 장치(100)로 전송할 수 있다(S1040). 이때, 서버(200)는 검색된 특징값과 함께 특징값을 암호화할 때 이용된 사용자 키 버전 정보를 함께 전송할 수 있다.
전자 장치(100)는 검색된 특징값 및 사용자 키를 복호화 모델에 입력하여 검색 이미지를 복원할 수 있다(S1050). 구체적으로, 전자 장치(100)는 사용자 키 및 특징값을 입력 데이터로 사용하여 복호화 모델에 입력하여 검색된 특징값에 대응되는 검색 이미지를 복원할 수 있다.
전자 장치(100)는 검색 이미지를 제공할 수 있다(S1060).
즉, 상술한 바와 같이, 유사도를 바탕으로 분류된 특징값을 이용함으로써, 사용자는 서버(200)에 저장된 암호화된 이미지 중 사용자가 원하는 이미지를 검색할 수 있게 된다.
도 11은 본 개시의 일 실시예에 따른, 암호화 모델을 이용하여 이미지를 암호화하여 외부 서버에 업로드하기 위한 방법을 설명하기 위한 흐름도이다.
전자 장치(100)는 이미지를 획득할 수 있다(S1110). 이때, 이미지는 카메라(170)에 의해 촬영된 이미지일 수 있으나, 이는 일 실시예에 불과할 뿐, 외부 장치로부터 수신된 이미지, 웹으로부터 다운로드받은 이미지, 전자 장치(100)의 화면을 캡쳐한 이미지 등과 같은 다양한 이미지일 수 있다.
전자 장치(100)는 획득된 이미지를 업로드하기 위한 사용자 명령을 입력받을 수 있다(S1120). 이때, 전자 장치(100)는 도 8b의 (b)에 도시된 메뉴(880)를 통해 이미지를 업로드하기 위한 사용자 명령을 입력받을 수 있으나, 이는 일 실시예에 불과할 뿐, 다양한 방법으로 이미지를 업로드하기 위한 사용자 명령을 입력받을 수 있다.
전자 장치(100)는 암호화 모델에 이미지와 사용자 키를 입력하여 특징값을 획득할 수 있다(S1130). 구체적으로, 전자 장치(100)는 이미지와 사용자 키를 이용하여 입력 데이터를 생성할 수 있다. 그리고, 전자 장치(100)는 생성된 입력 데이터를 학습된 암호화 모델에 입력하여 작은 용량의 특징값을 획득할 수 있다.
전자 장치(100)는 획득된 이미지의 식별 정보와 특징값을 서버(200)에 전송할 수 있다(S1140). 전자 장치(100)는 특징값을 생성할 때 이용된 사용자 키에 대한 버전 정보를 함께 서버(200)로 전송할 수 있다. 전자 장치(100)은 획득된 이미지의 식별 정보와 특징값을 서버(200)로 전송한 후에도, 사용자에게 해당 이미지를 표시하기 위하여 저화질의 썸네일 이미지를 생성하여 저장할 수 있다.
상술한 바와 같이, 이미지 및 사용자 키를 이용하여 특징값을 생성하고, 생성된 특징값을 서버(200)에 전송함으로써, 전자 장치(100)는 이미지를 암호화하고 압축한 특징값을 서버(200)에 업로드할 수 있게 된다. 이에 의해, 이미지를 외부 서버(200)에 업로드할 때, 개인 정보가 보호될 뿐만 아니라, 작은 용량의 특징값을 외부에 업로드할 수 있게 된다.
도 12는 본 개시의 일 실시예에 따른, 암호화 모델 및 복호화 모델을 학습하고 이용하기 위한 전자 장치(특히, 프로세서)의 구성을 나타내는 블록도이다.
도 12를 참조하면, 프로세서(1200)는 학습부(1210), 암호화부(1220), 복호화(1230) 중 적어도 하나를 포함할 수 있다. 도 12의 프로세서(1200)는 도 2 및 도 2의 전자 장치(100)의 프로세서(140) 또는 데이터 학습 서버(미도시)의 프로세서에 대응될 수 있다.
학습부(1210)는 이미지 및 사용자 키를 입력하여 특징값을 획득하기 위한 암호화 모델 및 특징값 및 사용자 키를 입력하여 이미지를 복원하기 위한 복호화 모델을 생성 또는 학습시킬 수 있다. 일 예로, 학습부(1210)는 이미지 및 사용자 키를 학습 데이터로서 이용하여 이미지에 대응되는 특징값을 획득하기 위한 암호화 모델을 생성, 학습 또는 갱신시킬 수 있다. 또 다른 예로, 학습부(1210)는 특징값 및 사용자 키를 학습 데이터로서 이용하여 이미지에 복원하기 위한 복호화 모델을 생성, 학습 또는 갱신시킬 수 있다. 이때, 학습부(1210)는 암호화 모델 및 복호화 모델을 쌍으로 학습시킬 수 있다. 즉, 사용자 키와 이미지를 입력 데이터로 암호화 모델에 입력하여 획득된 특징값이 사용자 키와 함께 복호화 모델로 입력된 경우, 암호화 모델에 입력된 이미지로 복원될 수 있도록 암호화 모델과 복호화 모델을 쌍으로 학습시킬 수 있다.
또한, 학습부(1210)는 이미 일반적인 이미지와 랜덤 사용자 키로 학습된 암호화 모델 및 복호화 모델을 전자 장치(100)에 저장된 이미지 및 사용자 키를 이용하여 다시 학습을 수행할 수 있다. 즉, 학습부(1210)는 사용자 데이터의 보안을 유지하면서 사용자에게 최적화된 암호화 모델 및 복호화 모델을 학습시킬 수 있다.
암호화부(1220)는 이미지 및 사용자 키를 학습된 암호화 모델의 입력 데이터로 사용하여, 이미지에 대응되는 특징값을 획득할 수 있다. 또한, 복호화부(1230)는 특징값 및 사용자 키를 학습된 복호화 모델의 입력 데이터로 사용하여, 특징값에 대응되는 이미지를 복원할 수 있다.
학습부(1210)의 적어도 일부 및 암호화부(1220)/복호화부(1230)의 적어도 일부는, 소프트웨어 모듈로 구현되거나 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 학습부(1210) 및 암호화부(1220)/복호화부(1230) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치 또는 암호화/복호화 장치에 탑재될 수도 있다. 이때, 인공 지능을 위한 전용 하드웨어 칩은 확률 연산에 특화된 전용 프로세서로서, 기존의 범용 프로세서보다 병렬처리 성능이 높아 기계 학습과 같은 인공 지능 분야의 연산 작업을 빠르게 처리할 수 있다. 학습부(1210) 및 암호화부(1220)/복호화부(1230)가 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
이 경우, 학습부(1210) 및 암호화부(1220)/복호화부(1230)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 학습부(1210) 및 암호화부(1220)/복호화부(1230) 중 하나는 전자 장치(100)에 포함되고, 나머지 하나는 외부의 서버에 포함될 수 있다. 또 다른 예로, 암호화부(1220) 및 복호화부(1230) 중 하나는 제1 전자 장치(100-1)에 포함될 수 있고, 다른 하나는 제2 전자 자치(100-2)에 포함될 수 있다. 또한, 학습부(1210) 및 암호화부(1220)/복호화부(1230)는 유선 또는 무선으로 통하여, 학습부(1210)가 구축한 모델 정보를 암호화부(1220)/복호화부(1230)로 제공할 수도 있고, 학습부(1210)로 입력된 데이터가 추가 학습 데이터로서 학습부(1210)로 제공될 수도 있다.
도 13a는, 다양한 실시예에 따른 학습부(1210), 암호화부(1220) 및 복호화부(1230)의 블록도이다.
도 13a의 (a)를 참조하면, 일부 실시예에 따른 학습부(1210)는 학습 데이터 획득부(1210-1) 및 모델 학습부(1210-4)를 포함할 수 있다. 또한, 학습부(1210)는 학습 데이터 전처리부(1210-2), 학습 데이터 선택부(1210-3) 및 모델 평가부(1210-5) 중 적어도 하나를 선택적으로 더 포함할 수 있다.
학습 데이터 획득부(1210-1)는 암호화 모델 및 복호화 모델에 필요한 학습 데이터를 획득할 수 있다. 본 개시의 실시예로, 학습 데이터 획득부(1210-1)는 일반적인 이미지 및 랜덤 사용자 키를 학습 데이터로서 획득할 수 있다. 또 다른 예로, 학습 데이터 획득부(1210-1)는 사용자 최적화를 위하여, 전자 장치(100)에 저장된 이미지 및 전자 장치(100)의 사용자 키를 학습 데이터로서 획득할 수 있다.
모델 학습부(1210-4)는 학습 데이터를 이용하여, 암호화 모델이 사용자 키를 이용하여 이미지에 대응되는 특징값을 획득하고, 복호화 모델이 사용자 키를 이용하여 특징값에 대응되는 이미지를 복원시키는 것을 학습시킬 수 있다. 일 예로, 모델 학습부(1210-4)는 사용자 키 및 이미지를 암호화 모델에 입력하여 특징값을 획득하고, 획득된 특징값과 사용자 키를 다시 복호화 모델에 입력하여 이미지를 복원할 수 있도록 암호화 모델 및 복호화 모델을 학습시킬 수 있다.
또한, 모델 학습부(1210-4)는 입력 데이터의 유형에 따라 암호화 모델을 구성하는 레이어 수, 각 레이어의 커널 사이즈 및 채널 수, 풀링 레이어(pooling layer)의 수, 풀링 사이즈, 스킵 커넥션(skip connection) 적용 여부, Intermedate Feature 및 Top-down Feature 적용 여부 등을 변경하여 암호화 모델을 학습시킬 수 있다. 또한, 모델 학습부(1210-4)는 학습된 암호화 모델과 쌍으로 복호화 모델을 학습시킬 수 있다. 암호화 모델과 복호화 모델은 쌍으로 학습되므로, 이하에서는 암호화 모델을 기준으로 학습부(1210)에 대해 설명하기로 한다.
특히, 모델 학습부(1210-4)는 학습 데이터 중 적어도 일부를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 암호화 모델을 학습시킬 수 있다. 또는, 모델 학습부(1210-4)는, 예를 들어, 별다른 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 특징값 획득을 위한 판단 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 암호화 모델을 학습시킬 수 있다. 또한, 모델 학습부(1210-4)는, 예를 들어, 학습에 따른 상황 판단의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 암호화 모델을 학습시킬 수 있다. 또한, 모델 학습부(1210-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 암호화 모델을 학습시킬 수 있다
또한, 모델 학습부(1210-4)는 입력 데이터를 이용하여 특징값을 획득하기 위하여 어떤 학습 데이터를 이용해야 하는지에 대한 선별 기준을 학습할 수도 있다.
모델 학습부(1210-4)는 미리 구축된 암호화 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 암호화 모델을 학습할 암호화 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입별로 기 분류되어 있을 수 있으며, 암호화 모델은 데이터의 타입별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.
암호화 모델이 학습되면, 모델 학습부(1210-4)는 학습된 암호화 모델을 저장할 수 있다. 이 경우, 모델 학습부(1210-4)는 학습된 암호화 모델을 전자 장치(100)의 메모리(130)에 저장할 수 있다. 또는, 모델 학습부(1210-4)는 학습된 암호화 모델을 전자 장치(100)와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.
학습부(1210)는 암호화 모델의 처리 결과를 향상시키거나, 암호화 모델의 생성에 필요한 자원 또는 시간을 절약하기 위하여, 학습 데이터 전처리부(1210-2) 및 학습 데이터 선택부(1210-3)를 더 포함할 수도 있다.
학습 데이터 전처리부(1210-2)는 특징값 획득을 위한 학습에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 학습 데이터 전처리부(1210-2)는 모델 학습부(1210-4)가 특징값 획득을 위한 학습을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다. 일 예로, 학습 데이터 전처리부(1210-2)는 도 6a 및 도 6b에 도시된 바와 같이, 사용자 키 및 이미지를 입력 데이터로 처리할 수 있다.
학습 데이터 선택부(1210-3)는 학습 데이터 획득부(1210-1)에서 획득된 데이터 또는 학습 데이터 전처리부(1210-2)에서 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(1210-4)에 제공될 수 있다. 학습 데이터 선택부(1210-3)는 기 설정된 선별 기준에 따라, 획득되거나 전처리된 데이터 중에서 학습에 필요한 학습 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(1210-3)는 모델 학습부(1210-4)에 의한 학습에 의해 기 설정된 선별 기준에 따라 학습 데이터를 선택할 수도 있다.
학습부(1210)는 암호화 모델의 처리 결과를 향상시키기 위하여, 모델 평가부(1210-5)를 더 포함할 수도 있다.
모델 평가부(1210-5)는 암호화 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 처리 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(1210-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 암호화 모델을 평가하기 위한 기 정의된 데이터일 수 있다.
예를 들어, 모델 평가부(1210-5)는 평가 데이터에 대한 학습된 암호화 모델의 처리 결과 중에서, 처리 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다.
한편, 학습된 암호화 모델이 복수 개가 존재하는 경우, 모델 평가부(1210-5)는 각각의 학습된 암호화 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 암호화 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(1210-5)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 암호화 모델로서 결정할 수 있다.
또한, 상술한 바와 같이, 암호화 모델이 학습된 경우, 학습부(1210)는 암호화 모델에 미러링될 수 있도록 복호화 모델을 학습할 수 있다.
도 13a의 (b)를 참조하면, 일부 실시예에 따른 암호화부(1220)는 입력 데이터 획득부(1220-1) 및 특징값 제공부(1220-4)를 포함할 수 있다. 또한, 암호화부(1220)는 입력 데이터 전처리부(1220-2), 입력 데이터 선택부(1220-3) 및 모델 갱신부(1220-5) 중 적어도 하나를 선택적으로 더 포함할 수 있다.
입력 데이터 획득부(1220-1)는 특징값 획득을 위해 필요한 데이터를 획득할 수 있다. 구체적으로, 입력 데이터 획득부(1220-1)는 이미지 및 전자 장치(100)의 사용자 키를 입력 데이터로 획득할 수 있다.
특징값 제공부(1220-4)는 입력 데이터 획득부(1220-1)에서 획득된 데이터를 입력 값으로 학습된 암호화 모델에 적용하여 이미지에 대응되는 특징값을 획득할 수 있다. 특징값 제공부(1220-4)는 이미지 및 사용자 키에 대응되는 특징값을 제공할 수 있다. 특징값 제공부(1220-4)는 후술할 입력 데이터 전처리부(1220-2) 또는 입력 데이터 선택부(1220-3)에 의해 선택된 데이터를 입력 값으로 암호화 모델에 적용하여 특징값을 획득할 수 있다.
암호화부(1220)는 암호화 모델의 처리 결과를 향상시키거나, 처리 결과의 제공을 위한 자원 또는 시간을 절약하기 위하여, 입력 데이터 전처리부(1220-2) 및 입력 데이터 선택부(1220-3)를 더 포함할 수도 있다.
입력 데이터 전처리부(1220-2)는 특징값 획득을 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 입력 데이터 전처리부(1220-2)는 특징값 제공부(1220-4)가 특징값 획득을 위하여 입력 데이터를 이용할 수 있도록, 입력 데이터를 기 정의된 포맷으로 가공할 수 있다. 예를 들어, 입력 데이터 전처리부(1220-2)는 도 6a 및 도 6b에 도시된 바와 같이, 입력 데이터를 처리할 수 있다.
입력 데이터 선택부(1220-3)는 입력 데이터 획득부(1220-1)에서 획득된 데이터 또는 입력 데이터 전처리부(1220-2)에서 전처리된 데이터 중에서 특징값 획득에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 특징값 제공부(1220-4)에게 제공될 수 있다. 입력 데이터 선택부(1220-3)는 특징값 획득을 위한 기 설정된 선별 기준에 따라, 획득되거나 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 입력 데이터 선택부(1220-3)는 모델 학습부(1210-4)에 의한 학습에 의해 기 설정된 선별 기준에 따라 데이터를 선택할 수도 있다.
모델 갱신부(1220-5)는 특징값 제공부(1220-4)에 의해 제공되는 특징값에 대한 평가에 기초하여, 암호화 모델이 갱신되도록 제어할 수 있다. 예를 들어, 모델 갱신부(1220-5)는 특징값 제공부(1220-4)에 의해 제공되는 특징값을 모델 학습부(1210-4)에게 제공함으로써, 모델 학습부(1210-4)가 암호화 모델을 추가 학습 또는 갱신하도록 요청할 수 있다.
도 13a의 (c)를 참조하면, 일부 실시예에 따른 복호화부(1230)는 입력 데이터 획득부(1230-1) 및 이미지 제공부(1230-4)를 포함할 수 있다. 또한, 복호화부(1230)는 입력 데이터 전처리부(1230-2), 입력 데이터 선택부(1230-3) 및 모델 갱신부(1230-5) 중 적어도 하나를 선택적으로 더 포함할 수 있다.
입력 데이터 획득부(1230-1)는 이미지 복원을 위해 필요한 데이터를 획득할 수 있다. 예로, 입력 데이터 획득부(1230-1)는 사용자 키 및 서버(200)로부터 획득된 특징값을 입력 데이터로서 획득할 수 있다. 이미지 제공부(1230-4)는 입력 데이터 획득부(1230-1)에서 획득된 데이터를 입력 값으로 학습된 복호화 모델에 적용하여 특징값에 대응되는 이미지를 제공할 수 있다. 이미지 제공부(1230-4)는 특징값 및 사용자 키에 대응되는 이미지를 복원할 수 있다. 이미지 제공부(1230-4)는 후술할 입력 데이터 전처리부(1230-2) 또는 입력 데이터 선택부(1230-3)에 의해 선택된 데이터를 입력 값으로 복호화 모델에 적용하여 이미지를 복원할 수 있다.
복호화부(1230)는 복호화 모델의 처리 결과를 향상시키거나, 처리 결과의 제공을 위한 자원 또는 시간을 절약하기 위하여, 입력 데이터 전처리부(1230-2) 및 입력 데이터 선택부(1230-3)를 더 포함할 수도 있다.
입력 데이터 전처리부(1230-2)는 이미지 복원을 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 입력 데이터 전처리부(1230-2)는 이미지 제공부(1230-4)가 이미지 복원을 위하여 입력 데이터를 이용할 수 있도록, 입력 데이터를 기 정의된 포맷으로 가공할 수 있다.
입력 데이터 선택부(1230-3)는 입력 데이터 획득부(1230-1)에서 획득된 데이터 또는 입력 데이터 전처리부(1230-2)에서 전처리된 데이터 중에서 이미지 복원에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 이미지 제공부(1230-4)에게 제공될 수 있다. 입력 데이터 선택부(1230-3)는 이미지 복원을 위한 기 설정된 선별 기준에 따라, 획득되거나 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다.
모델 갱신부(1230-5)는 이미지 제공부(1230-4)에 의해 제공되는 이미지에 대한 평가에 기초하여, 복호화 모델이 갱신되도록 제어할 수 있다. 예를 들어, 모델 갱신부(1230-5)는 이미지 제공부(1230-4)에 의해 제공되는 이미지를 모델 학습부(1210-4)에게 제공함으로써, 모델 학습부(1210-4)가 복호화 모델을 추가 학습 또는 갱신하도록 요청할 수 있다.
도 13b는, 일 실시예에 따른 전자 장치(100) 및 외부의 서버(S)가 서로 연동함으로써 암호화 모델을 학습하고 특징값을 획득하는 예시를 나타내는 도면이다.
도 13b를 참조하면, 외부의 서버(S)는 암호화 모델이 특징값을 획득하기 위한 기준을 학습할 수 있으며, 전자 장치(100)는 서버(S)에 의한 학습 결과에 기초하여 생성된 암호화 모델을 이용하여 특징값을 획득할 수 있다.
이 경우, 서버(S)의 모델 학습부(1210-4)는 도 12에 도시된 학습부(1210)의 기능을 수행할 수 있다. 또한, 전자 장치(100)의 특징값 제공부(1220-4)는 입력 데이터 선택부(1220-3)에 의해 선택된 데이터를 서버(S)에 의해 생성된 암호화 모델에 적용하여 이미지에 대응되는 특징값을 획득할 수 있다.
또는, 전자 장치(100)의 특징값 제공부(1220-4)는 서버(S)에 의해 생성된 암호화 모델을 서버(S)로부터 수신하고, 수신된 암호화 모델을 이용하여 이미지에 대응되는 특징값을 획득할 수 있다. 이 경우, 전자 장치(100)의 특징값 제공부(1220-4)는 입력 데이터 선택부(1220-3)에 의해 선택된 입력 데이터를 서버(S)로부터 수신된 암호화 모델에 적용하여, 이미지에 대응되는 특징값을 획득할 수 있다.
도 13c는, 일 실시예에 따른 전자 장치(100) 및 외부의 서버(S)가 서로 연동함으로써 복호화 모델을 학습하고 이미지를 복원하는 예시를 나타내는 도면이다.
도 13c를 참조하면, 외부의 서버(S)는 복호화 모델이 이미지를 복원하기 위한 기준을 학습할 수 있으며, 전자 장치(100)는 서버(S)에 의한 학습 결과에 기초하여 생성된 복호화 모델을 이용하여 이미지를 복원할 수 있다.
이 경우, 서버(S)의 모델 학습부(1210-4)는 도 12에 도시된 학습부(1210)의 기능을 수행할 수 있다. 또한, 전자 장치(100)의 이미지 제공부(1230-4)는 입력 데이터 선택부(1230-3)에 의해 선택된 데이터를 서버(S)에 의해 생성된 복호화 모델에 적용하여 특징값에 대응되는 이미지를 획득할 수 있다.
또는, 전자 장치(100)의 이미지 제공부(1230-4)는 서버(S)에 의해 생성된 복호화 모델을 서버(S)로부터 수신하고, 수신된 복호화 모델을 이용하여 특징값에 대응되는 이미지를 복원할 수 있다. 이 경우, 전자 장치(100)의 이미지 제공부(1230-4)는 입력 데이터 선택부(1230-3)에 의해 선택된 입력 데이터를 서버(S)로부터 수신된 복호화 모델에 적용하여, 이미지에 대응되는 특징값을 복원할 수 있다.
도 14 내지 도 15는 본 개시의 다양한 실시예에 따른, 암호화 모델 또는 복호화 모델을 이용하는 네트워크 시스템의 흐름도이다. 도 14 및 도 15에서, 암호화 모델 또는 복호화 모델을 이용하는 네트워크 시스템은 제1 구성 요소(1401,1501) 및 제2 구성 요소(1402,1502)를 포함할 수 있다.
여기서, 제1 구성 요소(1401,1401)는 전자 장치(100)이고, 제2 구성 요소(1402,1502)는 암호화 모델 또는 복호화 모델이 저장된 서버(S)가 될 수 있다. 또는, 제1 구성 요소(1401,1501)는 범용 프로세서이고, 제2 구성 요소(1402,1502)는 인공 지능 전용 프로세서가 될 수 있다. 또는, 제1 구성 요소(1401,1501)는 적어도 하나의 어플리케이션이 될 수 있고, 제2 구성 요소(1402,1502)는 운영 체제(operating system, OS)가 될 수 있다. 즉, 제2 구성 요소(1402,1502)는 제1 구성 요소(1401,1501)보다 더 집적화되거나, 전용화되거나, 딜레이(delay)가 작거나, 성능이 우세하거나 또는 많은 리소스를 가진 구성 요소로서 암호화 모델 또는 복호화 모델의 생성, 갱신 또는 적용 시에 요구되는 많은 연산을 제1 구성 요소(1401,1501)보다 신속하고 효과적으로 처리 가능한 구성 요소가 될 수 있다.
이 경우, 제1 구성 요소(1401,1501) 및 제2 구성 요소(1402,1502) 간에 데이터를 송/수신하기 위한 인터페이스가 정의될 수 있다.
예로, 암호화 모델 또는 복호화 모델에 적용할 학습 데이터를 인자 값(또는, 매개 값 또는 전달 값)으로 갖는 API(application program interface)가 정의될 수 있다. API는 어느 하나의 프로토콜(예로, 전자 장치(100)에서 정의된 프로토콜)에서 다른 프로토콜(예로, 서버(S)에서 정의된 프로토콜)의 어떤 처리를 위해 호출할 수 있는 서브 루틴 또는 함수의 집합으로 정의될 수 있다. 즉, API를 통하여 어느 하나의 프로토콜에서 다른 프로토콜의 동작이 수행될 수 있는 환경을 제공될 수 있다.
제3 구성 요소(1403,1503)는 이미지에 대응되는 특징값과 이미지의 식별 정보를 매칭하여 저장할 수 있는 외부 서버 또는 클라우드 장치로 구현될 수 있다.
도 14에서, 제1 구성 요소(1401)는 이미지에 대한 업로드 명령을 입력받을 수 있다(S1410). 이때, 이미지에 대한 업로드 명령은 이미지에 대한 메뉴를 통해 획득될 수 있으나, 이는 일 실시예에 불과할 뿐, 다른 방법으로도 획득될 수 있다.
제1 구성 요소(1401)는 사용자 키를 획득할 수 있다(S1420). 이때, 사용자 키는 전자 장치(100)의 식별 정보 또는 사용자에 의해 입력된 비밀번호일 수 있다.
제1 구성 요소(1401)는 제2 구성 요소(1402)로 이미지 및 사용자 키를 전송할 수 있다(S1430). 이때, 복수 개의 사용자 키가 존재하는 경우, 제1 구성 요소(1401)는 복수의 개의 사용자 키 중 이미지에 대응되는 사용자 키에 대한 버전 정보를 함께 전송할 수 있다.
제2 구성 요소(1402)는 암호화 모델에 이미지 및 사용자 키를 입력하여 특징값을 획득할 수 있다(S1440). 이때, 암호화 모델은 이미지 및 사용자 키를 입력 데이터로 사용하여 이미지에 대응되는 특징값을 획득하도록 학습된 모델일 수 있다.
제2 구성 요소(1402)는 이미지에 대응되는 특징값을 제1 구성 요소(1401)로 전송할 수 있다(S1450).
제1 구성 요소(1401)는 이미지의 식별 정보 및 이미지에 대응되는 특징값을 제3 구성 요소(1403)로 전송할 수 있다(S1460). 이때, 제1 구성 요소(1401)는 사용자 키에 대한 버전 정보를 함께 제3 구성 요소(1403)로 전송할 수 있다.
제3 구성 요소(1403)는 제1 구성 요소(1401)로부터 전송된 이미지의 식별 정보와 이미지에 대응되는 특징값을 매칭하여 저장할 수 있다(S1470). 이때, 제3 구성 요소(1403)는 사용자 키에 대한 버전 정보를 함께 저장할 수 있다.
또한, 제1 구성 요소(1401)는 이미지에 대응되는 썸네일 이미지를 생성할 수 있다(S1480). 이미지를 디스플레이하기 위한 사용자 명령이 입력되면, 제1 구성 요소(1401)는 생성된 썸네일 이미지를 표시할 수 있다.
도 15에서, 제3 구성 요소(1503)는 식별 정보와 특징값을 매칭하여 저장할 수 있다(S1510).
제1 구성 요소(1501)는 이미지에 대한 다운로드 명령을 입력받을 수 있다(S1520). 이때, 다운로드 명령은 이미지에 대한 메뉴를 통해 입력될 수 있으나, 이는 일 실시예에 불과할 뿐, 다른 방법으로도 입력받을 수 있다.
제1 구성 요소(1501)는 제3 구성 요소(1503)로 다운로드 요청 신호를 전송할 수 있다(S1530). 이때, 다운로드 요청 신호에는 다운로드하고자 하는 이미지의 식별 정보를 포함할 수 있다.
제3 구성 요소(1503)는 이미지의 식별 정보에 대응되는 특징값을 검색할 수 있다(S1540). 구체적으로, 제3 구성 요소(1503)에 저장된 복수의 특징값 중 이미지의 식별 정보와 매칭되는 특징값을 검색할 수 있다.
제3 구성 요소(1503)는 검색된 특징값을 제1 구성 요소(1501)로 전송할 수 있다(S1550). 이때, 제3 구성 요소(1503)는 제1 구성 요소(1501)로 검색된 특징값을 전송할 수 있으나, 이는 일 실시예에 불과할 뿐, 제2 구성 요소(1502)로 바로 검색된 특징값을 전송할 수 있다.
제1 구성 요소(1501)는 사용자 키 및 특징값을 제2 구성 요소(1502)로 전송할 수 있다(S1560).
제2 구성 요소(1502)는 사용자 키 및 특징값을 복호화 모델에 입력하여 이미지를 복원할 수 있다(S1570). 이때, 복호화 모델은 사용자 키 및 특징값을 입력 데이터로 사용하여 이미지를 복원하도록 학습된 모델로서, 암호화 모델과 함께 쌍으로 학습될 수 있다.
제2 구성 요소(1502)는 제1 구성 요소(1501)로 복원된 이미지를 전송할 수 있다(S1580).
제1 구성 요소(1501)는 복원된 이미지를 제공할 수 있다(S1590). 또는, 제1 구성 요소(1501)는 복원된 이미지를 저장할 수 있다.
본 개시의 다양한 실시예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시예들에 따른 전자 장치(예: 전자 장치(100))를 포함할 수 있다. 상기 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접, 또는 상기 프로세서의 제어하에 다른 구성요소들을 이용하여 상기 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.
일시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시예에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.
110: 통신부
120: 디스플레이
130: 메모리 140: 프로세서
150: 사용자 입력부 160: 오디오 출력부
170: 카메라
130: 메모리 140: 프로세서
150: 사용자 입력부 160: 오디오 출력부
170: 카메라
Claims (20)
- 인공지능 신경망(Neural Network) 모델을 이용하여 데이터를 암호화하여 외부 서버에 업로드하기 위한 전자 장치의 제어 방법에 있어
데이터가 획득되면, 상기 데이터 및 사용자 키를 입력 데이터로 이용하여 특징값을 획득하도록 학습된 신경망 모델에 상기 획득된 데이터와 상기 전자 장치의 사용자 키를 입력하여 상기 획득된 데이터에 대응되는 특징값을 획득하는 단계; 및
상기 획득된 데이터의 식별 정보와 상기 특징값을 상기 외부 서버에 전송하는 단계;를 포함하는 제어 방법. - 제1항에 있어서,
상기 전자 장치의 사용자 키는,
상기 전자 장치의 사용자에 의해 입력된 비밀번호 및 상기 전자 장치의 식별 정보 중 하나인 것을 특징으로 하는 제어 방법. - 제1항에 있어서,
상기 전송하는 단계는,
상기 전자 장치의 사용자 키가 복수 개 존재하는 경우, 상기 복수 개의 사용자 키 중 상기 획득된 데이터에 대응되는 사용자 키의 버전 정보를 상기 획득된 데이터의 식별 정보 및 상기 특징값과 함께 상기 외부 서버에 전송하는 것을 특징으로 하는 제어 방법. - 제1항에 있어서,
상기 사용자 명령에 응답하여, 상기 획득된 데이터에 대응되는 썸네일 데이터를 획득하는 단계;
상기 획득된 썸네일 데이터 및 상기 획득된 데이터의 식별 정보를 매칭하여 저장하는 단계; 및
상기 획득된 데이터를 삭제하는 단계;를 포함하는 제어 방법. - 제4항에 있어서,
사용자로부터 상기 획득된 데이터를 디스플레이하기 위한 사용자 명령이 수신되면, 상기 획득된 썸네일 데이터를 제공하는 단계;를 포함하는 제어 방법. - 제1항에 있어서,
상기 외부 서버는,
상기 획득된 데이터의 식별 정보와 상기 특징값을 매칭하여 저장하고, 상기 특징값을 바탕으로 상기 획득된 데이터와 다른 데이터의 유사도를 비교하며, 상기 유사도 비교를 바탕으로 상기 획득된 데이터를 분류하는 것을 특징으로 하는 제어 방법. - 제6항에 있어서,
키워드를 입력받는 단계;
상기 키워드와 관련된 데이터를 검색하기 위한 사용자 명령을 입력받는 단계;
상기 키워드와 관련된 검색을 요청하는 신호를 상기 외부 서버로 전송하는 단계; 및
상기 신호에 응답하여 상기 유사도 비교를 바탕으로 분류된 데이터들 중 상기 키워드와 관련된 적어도 하나의 검색 데이터에 대응되는 특징값을 상기 외부 서버로부터 수신하는 단계;를 포함하는 제어 방법. - 제7항에 있어서,
특징값과 사용자 키를 입력 데이터로 이용하여 데이터를 복원하도록 학습된 복호화 모델에 상기 적어도 하나의 검색 데이터에 대응되는 특징값 및 상기 전자 장치의 사용자 키를 입력하여 상기 적어도 하나의 검색 데이터를 복원하는 단계;를 포함하는 제어 방법. - 제1항에 있어서,
상기 획득된 데이터에 대응되는 특징값을 수신하기 위한 사용자의 다운로드 명령이 입력되면, 상기 외부 서버로 상기 획득된 데이터에 대응되는 특징값을 요청하는 신호를 전송하는 단계;
상기 신호에 응답하여, 상기 외부 서버로부터 상기 획득된 데이터에 대응되는 특징값을 수신하는 단계; 및
상기 특징값과 사용자 키를 입력 데이터로 이용하여 데이터를 복원하도록 학습된 복호화 모델에 상기 획득된 데이터에 대응되는 특징값 및 상기 전자 장치의 사용자 키를 입력하여 상기 획득된 데이터를 복원하는 단계;를 포함하는 제어 방법. - 제9항에 있어서,
상기 수신하는 단계는,
상기 외부 서버로부터 상기 획득된 데이터에 대응되는 특징값과 함께 상기 획득된 데이터를 암호화하기 위해 이용된 상기 전자 장치의 사용자 키의 버전 정보를 함께 수신하며,
상기 복원하는 단계는,
상기 복호화 모델에 상기 획득된 데이터에 대응되는 특징값 및 상기 버전 정보에 대응되는 상기 전자 장치의 사용자 키를 입력하여 상기 획득된 데이터를 복원하는 제어 방법. - 전자 장치에 있어서,
통신부;
데이터 및 사용자 키를 입력 데이터로 이용하여 특징값을 획득하도록 학습된 신경망 모델 및 상기 전자 장치의 동작을 수행하기 위한 프로그램을 저장하는 메모리; 및
상기 통신부, 및 상기 메모리와 전기적으로 연결되어 상기 전자 장치를 제어하는 프로세서;를 포함하며,
상기 프로세서는,
데이터가 획득되면, 상기 신경망 모델에 상기 획득된 데이터와 상기 전자 장치의 사용자 키를 입력하여 상기 획득된 데이터에 대응되는 특징값을 획득하고,
상기 획득된 데이터의 식별 정보와 상기 특징값을 상기 외부 서버에 전송하도록 상기 통신부를 제어하는 전자 장치. - 제11항에 있어서,
상기 전자 장치의 사용자 키는,
상기 전자 장치의 사용자에 의해 입력된 비밀번호 및 상기 전자 장치의 식별 정보 중 하나인 것을 특징으로 하는 전자 장치. - 제11항에 있어서,
상기 프로세서는,
상기 전자 장치의 사용자 키가 복수 개 존재하는 경우, 상기 복수 개의 사용자 키 중 상기 획득된 데이터에 대응되는 사용자 키의 버전 정보를 상기 획득된 데이터의 식별 정보 및 상기 특징값과 함께 외부 서버에 전송하도록 상기 통신부를 제어하는 것을 특징으로 하는 전자 장치. - 제11항에 있어서,
상기 프로세서는,
상기 사용자 명령에 응답하여, 상기 획득된 데이터에 대응되는 썸네일 데이터를 획득하고,
상기 획득된 썸네일 데이터 및 상기 획득된 데이터의 식별 정보를 매칭하여 상기 메모리에 저장하며,
상기 획득된 데이터를 상기 메모리에서 삭제하는 것을 특징으로 하는 전자 장치. - 제14항에 있어서,
상기 프로세서는,
사용자로부터 상기 획득된 데이터를 디스플레이하기 위한 사용자 명령이 수신되면, 상기 획득된 썸네일 데이터를 제공하도록 상기 디스플레이를 제어하는 것을 특징으로 하는 전자 장치. - 제11항에 있어서,
상기 획득된 데이터의 식별 정보와 상기 특징값이 매칭되어 상기 외부 서버에 저장되며,
상기 외부 서버는,
상기 특징값을 바탕으로 상기 획득된 데이터와 다른 데이터의 유사도를 비교하며, 상기 유사도 비교를 바탕으로 상기 획득된 데이터를 분류하는 것을 특징으로 하는 전자 장치. - 제16항에 있어서,
상기 프로세서는,
입력된 키워드와 관련된 데이터를 검색하기 위한 사용자 명령에 따른 입력 신호를 획득하고,
상기 키워드와 관련된 검색을 요청하는 신호를 상기 외부 서버로 전송하도록 상기 통신부를 제어하며,
상기 통신부를 통해 상기 유사도 비교를 바탕으로 분류된 데이터들 중 상기 키워드와 관련된 적어도 하나의 검색 데이터에 대응되는 특징값을 상기 외부 서버로부터 수신하는 것을 특징으로 하는 전자 장치. - 제17항에 있어서,
상기 메모리는,
특징값과 사용자 키를 입력 데이터로 이용하여 데이터를 복원하도록 학습된 복호화 모델을 저장하며,
상기 프로세서는,
상기 복호화 모델에 상기 적어도 하나의 검색 데이터에 대응되는 특징값 및 상기 전자 장치의 사용자 키를 입력하여 상기 적어도 하나의 검색 데이터를 복원하는 것을 특징으로 하는 전자 장치. - 제11항에 있어서,
상기 메모리는,
특징값과 사용자 키를 입력 데이터로 이용하여 데이터를 복원하도록 학습된 복호화 모델을 저장하며,
상기 프로세서는,
상기 획득된 데이터에 대응되는 특징값을 수신하기 위한 사용자의 다운로드 명령이 입력되면, 상기 외부 서버로 상기 획득된 데이터에 대응되는 특징값을 요청하는 신호를 전송하도록 상기 통신부를 제어하며,
상기 통신부를 통해 상기 외부 서버로부터 상기 획득된 데이터에 대응되는 특징값을 수신하며,
상기 복호화 모델에 상기 획득된 데이터에 대응되는 특징값 및 상기 전자 장치의 사용자 키를 입력하여 상기 획득된 데이터를 복원하는 것을 특징으로 하는 전자 장치. - 제19항에 있어서,
상기 외부 서버로부터 상기 획득된 데이터에 대응되는 특징값과 함께 상기 획득된 데이터를 암호화하기 위해 이용된 상기 전자 장치의 사용자 키의 버전 정보가 함께 수신되며,
상기 프로세서는,
상기 복호화 모델에 상기 획득된 데이터에 대응되는 특징값 및 상기 버전 정보에 대응되는 상기 전자 장치의 사용자 키를 입력하여 상기 획득된 데이터를 복원하는 전자 장치.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201762536042P | 2017-07-24 | 2017-07-24 | |
| US62/536,042 | 2017-07-24 | ||
| KR1020170142106A KR102444932B1 (ko) | 2017-07-24 | 2017-10-30 | 이미지를 암호화하여 외부 서버에 업로드하기 위한 전자 장치 및 이의 제어 방법 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170142106A Division KR102444932B1 (ko) | 2017-07-24 | 2017-10-30 | 이미지를 암호화하여 외부 서버에 업로드하기 위한 전자 장치 및 이의 제어 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220133147A true KR20220133147A (ko) | 2022-10-04 |
| KR102615597B1 KR102615597B1 (ko) | 2023-12-20 |
Family
ID=65014330
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220115847A KR102615597B1 (ko) | 2017-07-24 | 2022-09-14 | 이미지를 암호화하여 외부 서버에 업로드하기 위한 전자 장치 및 이의 제어 방법 |
Country Status (4)
| Country | Link |
|---|---|
| US (2) | US10587776B2 (ko) |
| EP (2) | EP4080393A1 (ko) |
| KR (1) | KR102615597B1 (ko) |
| WO (1) | WO2019022472A1 (ko) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11042710B2 (en) * | 2018-10-17 | 2021-06-22 | Fujitsu Limited | User-friendly explanation production using generative adversarial networks |
| US11017307B2 (en) * | 2018-10-17 | 2021-05-25 | Fujitsu Limited | Explanations generation with different cognitive values using generative adversarial networks |
| EP3731154A1 (en) * | 2019-04-26 | 2020-10-28 | Naver Corporation | Training a convolutional neural network for image retrieval with a listwise ranking loss function |
| CN110517329B (zh) * | 2019-08-12 | 2021-05-14 | 北京邮电大学 | 一种基于语义分析的深度学习图像压缩方法 |
| KR20190106944A (ko) * | 2019-08-30 | 2019-09-18 | 엘지전자 주식회사 | 지능형 냉장고 및 그 제어 방법 |
| KR20210133471A (ko) | 2020-04-29 | 2021-11-08 | 삼성전자주식회사 | 전자 장치 및 그의 제어 방법 |
| CN111654368B (zh) * | 2020-06-03 | 2021-10-08 | 电子科技大学 | 一种基于深度学习生成对抗网络的密钥生成方法 |
| CN111709867B (zh) * | 2020-06-10 | 2022-11-25 | 四川大学 | 基于新型全卷积网络的等模矢量分解图像加密分析方法 |
| JP7427290B2 (ja) * | 2020-08-21 | 2024-02-05 | アーモンド株式会社 | 暗号化方法、端末装置、暗号化システム及びプログラム |
| US11283609B2 (en) * | 2020-08-21 | 2022-03-22 | Huawei Technologies Co., Ltd. | Method and apparatus for supporting secure data routing |
| US11588907B2 (en) | 2020-08-21 | 2023-02-21 | Huawei Technologies Co., Ltd. | System and methods for supporting artificial intelligence service in a network |
| CN112100679B (zh) * | 2020-11-16 | 2021-03-02 | 支付宝(杭州)信息技术有限公司 | 基于隐私保护的数据处理方法、装置和服务器 |
| US11728984B2 (en) * | 2020-12-17 | 2023-08-15 | Howard University | Hybrid public-key and private-key encryption system |
| CN113343000A (zh) * | 2021-05-17 | 2021-09-03 | 杭州未名信科科技有限公司 | 基于国密算法的图像加密方法、装置、电子设备及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100316222A1 (en) * | 2008-03-03 | 2010-12-16 | Pfu Limited | Image processing system |
| US20160078217A1 (en) * | 2014-09-11 | 2016-03-17 | Tata Consultancy Services Ltd. | Computer Implemented Systems and Methods for Generating and Recovering an Authorization Code |
| US20160140146A1 (en) * | 2014-11-14 | 2016-05-19 | Zorroa Corporation | Systems and Methods of Building and Using an Image Catalog |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006054744A (ja) | 2004-08-13 | 2006-02-23 | Canon Inc | 画像形成システム |
| JP2006072754A (ja) | 2004-09-02 | 2006-03-16 | Ricoh Co Ltd | 文書出力管理方法及び画像形成装置 |
| JP2009508427A (ja) | 2005-09-14 | 2009-02-26 | アールジーブライト，インコーポレーテッド | 画像強調および圧縮 |
| KR100880243B1 (ko) | 2007-07-30 | 2009-01-23 | 주식회사 골드엔키 | 이미지 퍼즐형 암호화이미지를 이용한 원본이미지암호화시스템 |
| JP4593614B2 (ja) * | 2007-12-27 | 2010-12-08 | 富士通株式会社 | 画像データ検証方法及び画像データ検証システム |
| US20090285390A1 (en) | 2008-05-16 | 2009-11-19 | Ati Technologies Ulc | Integrated circuit with secured software image and method therefor |
| JP5504635B2 (ja) | 2009-01-29 | 2014-05-28 | カシオ計算機株式会社 | 表示装置、画像表示方法及びプログラム |
| CN102131023A (zh) | 2010-01-12 | 2011-07-20 | 株式会社东芝 | 图像形成装置以及图像形成处理方法 |
| US8818025B2 (en) * | 2010-08-23 | 2014-08-26 | Nokia Corporation | Method and apparatus for recognizing objects in media content |
| US9626766B2 (en) | 2014-02-28 | 2017-04-18 | Microsoft Technology Licensing, Llc | Depth sensing using an RGB camera |
| US9230355B1 (en) * | 2014-08-21 | 2016-01-05 | Glu Mobile Inc. | Methods and systems for images with interactive filters |
| US9412046B2 (en) | 2014-10-10 | 2016-08-09 | Facebook, Inc. | Training image adjustment preferences |
| US10346726B2 (en) * | 2014-12-15 | 2019-07-09 | Samsung Electronics Co., Ltd. | Image recognition method and apparatus, image verification method and apparatus, learning method and apparatus to recognize image, and learning method and apparatus to verify image |
| US11221990B2 (en) | 2015-04-03 | 2022-01-11 | The Mitre Corporation | Ultra-high compression of images based on deep learning |
| US10810252B2 (en) * | 2015-10-02 | 2020-10-20 | Adobe Inc. | Searching using specific attributes found in images |
-
2018
- 2018-07-24 EP EP22178575.1A patent/EP4080393A1/en active Pending
- 2018-07-24 WO PCT/KR2018/008355 patent/WO2019022472A1/en unknown
- 2018-07-24 EP EP18838530.6A patent/EP3635605B1/en active Active
- 2018-07-24 US US16/043,930 patent/US10587776B2/en active Active
-
2020
- 2020-02-05 US US16/782,484 patent/US10992839B2/en active Active
-
2022
- 2022-09-14 KR KR1020220115847A patent/KR102615597B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100316222A1 (en) * | 2008-03-03 | 2010-12-16 | Pfu Limited | Image processing system |
| US20160078217A1 (en) * | 2014-09-11 | 2016-03-17 | Tata Consultancy Services Ltd. | Computer Implemented Systems and Methods for Generating and Recovering an Authorization Code |
| US20160140146A1 (en) * | 2014-11-14 | 2016-05-19 | Zorroa Corporation | Systems and Methods of Building and Using an Image Catalog |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3635605A4 (en) | 2020-07-08 |
| EP4080393A1 (en) | 2022-10-26 |
| US20190028608A1 (en) | 2019-01-24 |
| US10992839B2 (en) | 2021-04-27 |
| KR102615597B1 (ko) | 2023-12-20 |
| EP3635605B1 (en) | 2022-06-15 |
| US10587776B2 (en) | 2020-03-10 |
| US20200177765A1 (en) | 2020-06-04 |
| WO2019022472A1 (en) | 2019-01-31 |
| EP3635605A1 (en) | 2020-04-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102615597B1 (ko) | 이미지를 암호화하여 외부 서버에 업로드하기 위한 전자 장치 및 이의 제어 방법 | |
| KR102444932B1 (ko) | 이미지를 암호화하여 외부 서버에 업로드하기 위한 전자 장치 및 이의 제어 방법 | |
| US11470385B2 (en) | Method and apparatus for filtering video | |
| US11042728B2 (en) | Electronic apparatus for recognition of a user and operation method thereof | |
| KR102473447B1 (ko) | 인공지능 모델을 이용하여 사용자 음성을 변조하기 위한 전자 장치 및 이의 제어 방법 | |
| KR102359391B1 (ko) | 디바이스가 이미지를 보정하는 방법 및 그 디바이스 | |
| KR20240006713A (ko) | 챗봇 변경을 위한 위한 전자 장치 및 이의 제어 방법 | |
| KR20220020296A (ko) | 디바이스가 이미지를 보정하는 방법 및 그 디바이스 | |
| US20190042574A1 (en) | Electronic device and method for controlling the electronic device | |
| KR102617387B1 (ko) | 컨텍스트에 따라 이벤트의 출력 정보를 제공하는 전자 장치 및 이의 제어 방법 | |
| KR20180055708A (ko) | 이미지를 처리하는 전자 장치 및 방법 | |
| US11481551B2 (en) | Device and method for providing recommended words for character input | |
| US20210217409A1 (en) | Electronic device and control method therefor | |
| KR102469717B1 (ko) | 오브젝트에 대한 검색 결과를 제공하기 위한 전자 장치 및 이의 제어 방법 | |
| US11327320B2 (en) | Electronic device and method of controlling the same | |
| KR20200044173A (ko) | 전자 장치 및 그의 제어 방법 | |
| KR20200039365A (ko) | 전자 장치 및 이의 제어 방법 | |
| EP3545685B1 (en) | Method and apparatus for filtering video | |
| KR102396794B1 (ko) | 전자 장치 및 이의 제어 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A107 | Divisional application of patent | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |