KR20220135914A - 학습 기반의 필기 입력을 처리하는 전자 장치, 그 동작 방법 및 저장매체 - Google Patents
학습 기반의 필기 입력을 처리하는 전자 장치, 그 동작 방법 및 저장매체 Download PDFInfo
- Publication number
- KR20220135914A KR20220135914A KR1020210042212A KR20210042212A KR20220135914A KR 20220135914 A KR20220135914 A KR 20220135914A KR 1020210042212 A KR1020210042212 A KR 1020210042212A KR 20210042212 A KR20210042212 A KR 20210042212A KR 20220135914 A KR20220135914 A KR 20220135914A
- Authority
- KR
- South Korea
- Prior art keywords
- strokes
- electronic device
- handwriting input
- separation
- handwriting
- Prior art date
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 90
- 238000012545 processing Methods 0.000 title claims description 21
- 238000003860 storage Methods 0.000 title claims description 18
- 238000011017 operating method Methods 0.000 title description 4
- 238000000926 separation method Methods 0.000 claims abstract description 72
- 239000000284 extract Substances 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims description 79
- 238000012706 support-vector machine Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 47
- 238000010586 diagram Methods 0.000 description 24
- 230000006870 function Effects 0.000 description 17
- 241001422033 Thestylus Species 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000000605 extraction Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003155 kinesthetic effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/32—Digital ink
- G06V30/333—Preprocessing; Feature extraction
- G06V30/347—Sampling; Contour coding; Stroke extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0487—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser
- G06F3/0488—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser using a touch-screen or digitiser, e.g. input of commands through traced gestures
- G06F3/04883—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser using a touch-screen or digitiser, e.g. input of commands through traced gestures for inputting data by handwriting, e.g. gesture or text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0487—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser
- G06F3/0488—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser using a touch-screen or digitiser, e.g. input of commands through traced gestures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19147—Obtaining sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/22—Character recognition characterised by the type of writing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/32—Digital ink
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
다양한 실시 예에 따르면, 전자 장치는, 디스플레이, 문자 분리와 관련된 기계 학습 알고리즘을 저장하는 메모리 및 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 상기 디스플레이를 통해 필기 입력을 수신하고, 상기 필기 입력에 해당하는 일련의 연속하는 스트로크들 간의 특징 정보를 추출하고, 상기 기계 학습 알고리즘을 통해, 상기 추출된 특징 정보에 기반하여 상기 스트로크들에 대한 병합 또는 분리를 수행하고, 상기 병합 또는 분리를 수행한 결과에 기반하여 필기 인식을 수행하도록 설정될 수 있다. 그 밖에 다양한 실시 예가 제공될 수 있다.
Description
본 문서에 개시된 다양한 실시 예는 학습 기반의 필기 입력을 처리하는 전자 장치, 그 동작 방법 및 저장매체에 관한 것이다.
전자 장치는, 전자 장치와 무선 통신을 통하여 연결된 특정한(specified) 입력 장치(예: 스타일러스 펜)를 통하여 사용자로부터 다양한 입력을 받을 수 있도록 개발되고 있다. 전자 장치는, 펜 기능을 가지는 입력 장치(본 개시에서 설명의 편의를 위하여 "스타일러스 펜"이라는 용어로 언급될 수 있다)에 의하여 지정된 전자 장치상의 위치를 확인할 수 있으며, 이에 대응하는 기능을 수행할 수 있다.
스타일러스 펜을 이용한 입력 방식은 손가락을 이용한 터치 입력 방식에 비해, 보다 정밀한 터치 입력이 가능하므로 메모 또는 스케치와 같은 어플리케이션 수행 시에 보다 유용하게 적용될 수 있다. 또한 스타일러스 펜뿐만 아니라 손가락을 이용한 필기 입력을 통한 컨텐츠 작성 방식은 내용 작성의 자유도가 높으며, 보다 직관적이며 신속한 입력이 가능하고, 필기한 내용에 대한 문자 인식 기술의 향상으로 인해, 그 활용성도 크게 높아지고 있다.
사용자가 필기한 글씨는 스마트 폰과 같은 전자 장치의 특성상 크기와 표면의 특성 또는 사용자의 상황에 따라 많은 오차를 가질 수 있다. 게다가 와치(watch) 타입의 웨어러블 전자 장치의 경우 스마트 폰에 비해 입력 창이 매우 작기 때문에 사용자는 작은 입력 창에 글씨를 겹쳐서 쓰는 경우가 발생할 수 있다. 또한, 사용자가 손가락 또는 스타일러스 펜을 통해 입력한 필기 글자들은 크기, 자간, 또는 기울기가 달라서 가독성이 떨어질 수 있으며, 획의 불균형, 문장 내 단어 또는 글자의 비균일성으로 인해 오차가 발생할 수 있다. 게다가 사용자가 필기를 빠르게 입력하다가 겹쳐질 경우에는 심하게 겹쳐진 글씨에 대해서는 인식하는데 많은 시간이 필요하며 입력된 글씨에 대한 인식 정확도도 떨어져서 실시간 인식이 어려울 수 있다.
본 문서에 개시된 다양한 실시예는, 학습 기반의 필기 입력을 처리하는 전자 장치, 그 동작 방법 및 저장매체가 제공될 수 있다.
다양한 실시 예에 따르면, 전자 장치는, 디스플레이, 문자 분리와 관련된 기계 학습 알고리즘을 저장하는 메모리 및 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 상기 디스플레이를 통해 필기 입력을 수신하고, 상기 필기 입력에 해당하는 일련의 연속하는 스트로크들 간의 특징 정보를 추출하고, 상기 기계 학습 알고리즘을 통해, 상기 추출된 특징 정보에 기반하여 상기 스트로크들에 대한 병합 또는 분리를 수행하고, 상기 병합 또는 분리를 수행한 결과에 기반하여 필기 인식을 수행하도록 설정될 수 있다.
다양한 실시 예에 따르면, 전자 장치에서 학습 기반의 필기 입력을 처리하는 방법은, 상기 전자 장치의 디스플레이를 통해 필기 입력을 수신하는 동작, 상기 필기 입력에 해당하는 일련의 연속하는 스트로크들 간의 특징 정보를 추출하는 동작, 문자 분리와 관련된 기계 학습 알고리즘을 통해, 상기 추출된 특징 정보에 기반하여 상기 스트로크들에 대한 병합 또는 분리를 수행하는 동작 및 상기 병합 또는 분리를 수행한 결과에 기반하여 필기 인식을 수행하는 동작을 포함할 수 있다.
다양한 실시 예에 따르면, 명령들을 저장하고 있는 저장 매체에 있어서, 상기 명령들은 적어도 하나의 프로세서에 의하여 실행될 때에 상기 적어도 하나의 프로세서로 하여금 적어도 하나의 동작을 수행하도록 설정된 것으로서, 상기 적어도 하나의 동작은, 전자 장치의 디스플레이를 통해 필기 입력을 수신하는 동작, 상기 필기 입력에 해당하는 일련의 연속하는 스트로크들 간의 특징 정보를 추출하는 동작, 문자 분리와 관련된 기계 학습 알고리즘을 통해, 상기 추출된 특징 정보에 기반하여 상기 스트로크들에 대한 병합 또는 분리를 수행하는 동작 및 상기 병합 또는 분리를 수행한 결과에 기반하여 필기 인식을 수행하는 동작을 포함할 수 있다.
다양한 실시 예에 따르면, 사용자가 필기한 글씨가 입력될 때 글씨의 겹쳐진 정도와 상관 없이 신속하고 정확하게 실시간 필기 인식이 가능할 수 있다.
다양한 실시 예에 따르면, 필기 입력에서 연속하는 스트로크들 간의 특징 정보를 추출하여 병합 또는 분리를 수행한 후 필기 인식을 수행함으로써 메모리 리소스를 효율적으로 사용하고, 인식 속도를 향상시킬 수 있다.
다양한 실시 예에 따르면, 필기 입력이 서로 겹쳐지거나 중첩된 경우에도 필기 입력에 대응하는 연속된 스트로크들을 병합 또는 분리하는 알고리즘을 학습함으로써 빠른 필기 인식 속도와 향상된 인식 결과를 제공할 수 있다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 다양한 실시 예에 따른 네트워크 환경 내의 전자 장치의 블럭도이다.
도 2a는, 디지털 펜을 포함하는, 일 실시예의 전자 장치의 사시도이다.
도 2b는, 다양한 실시 예에 따른 와치 타입의 웨어러블 전자 장치의 예시도이다.
도 3은 다양한 실시 예에 따른 전자 장치의 내부 블록 구성도이다.
도 4는 다양한 실시 예에 따른 필기 인식 과정에서의 스트로크 처리를 위한 기계 학습 모델 기능을 설명하기 위한 도면이다.
도 5는 다양한 실시 예에 따른 다양한 쓰기 방식을 설명하기 위한 도면이다.
도 6은 다양한 실시 예에 따른 룰 기반 방식과 기계 학습 기반 방식을 비교 설명하기 위한 도면이다.
도 7은 다양한 실시 예에 따른 전자 장치의 동작 흐름도이다.
도 8은 다양한 실시 예에 따른 기계 학습 과정을 설명하기 위한 도면이다.
도 9는 다양한 실시 예에 따른 연속하는 스트로크들에 대한 병합 또는 분리 동작을 설명하기 위한 예시도이다.
도 10은 다양한 실시 예에 따른 스트로크 관련 특징 추출을 설명하기 위한 예시도이다.
도 11은 다양한 실시 예에 따른 다양한 문자 영역에 대한 학습 샘플을 설명하기 위한 예시도이다.
도 12는 다양한 실시 예에 따른 기계 학습 알고리즘의 예들을 설명하기 위한 예시도이다.
도 13은 다양한 실시 예에 따른 전자 장치에서 필기 입력 화면에 대한 예시도이다.
도면의 설명과 관련하여, 동일 또는 유사한 구성 요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.
도 2a는, 디지털 펜을 포함하는, 일 실시예의 전자 장치의 사시도이다.
도 2b는, 다양한 실시 예에 따른 와치 타입의 웨어러블 전자 장치의 예시도이다.
도 3은 다양한 실시 예에 따른 전자 장치의 내부 블록 구성도이다.
도 4는 다양한 실시 예에 따른 필기 인식 과정에서의 스트로크 처리를 위한 기계 학습 모델 기능을 설명하기 위한 도면이다.
도 5는 다양한 실시 예에 따른 다양한 쓰기 방식을 설명하기 위한 도면이다.
도 6은 다양한 실시 예에 따른 룰 기반 방식과 기계 학습 기반 방식을 비교 설명하기 위한 도면이다.
도 7은 다양한 실시 예에 따른 전자 장치의 동작 흐름도이다.
도 8은 다양한 실시 예에 따른 기계 학습 과정을 설명하기 위한 도면이다.
도 9는 다양한 실시 예에 따른 연속하는 스트로크들에 대한 병합 또는 분리 동작을 설명하기 위한 예시도이다.
도 10은 다양한 실시 예에 따른 스트로크 관련 특징 추출을 설명하기 위한 예시도이다.
도 11은 다양한 실시 예에 따른 다양한 문자 영역에 대한 학습 샘플을 설명하기 위한 예시도이다.
도 12는 다양한 실시 예에 따른 기계 학습 알고리즘의 예들을 설명하기 위한 예시도이다.
도 13은 다양한 실시 예에 따른 전자 장치에서 필기 입력 화면에 대한 예시도이다.
도면의 설명과 관련하여, 동일 또는 유사한 구성 요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
도 2a는, 디지털 펜을 포함하는, 일 실시예의 전자 장치의 사시도이다.
도 2a를 참조하면, 일 실시예의 전자 장치(101)는, 도 1에 도시된 구성을 포함할 수 있으며, 디지털 펜(201)(예를 들어, 스타일러스 펜)이 삽입될 수 있는 구조를 포함할 수 있다. 상기 전자 장치(101)는 하우징(110)을 포함하며, 상기 하우징의 일 부분, 예를 들면, 측면(110C)의 일 부분에는 홀(111)을 포함할 수 있다. 상기 전자 장치(101)는, 상기 홀(111)과 연결된 수납 공간(112)을 포함할 수 있으며, 상기 디지털 펜(201)은 수납 공간(112) 내에 삽입될 수 있다. 도시된 실시예에 따르면, 디지털 펜(201)은, 디지털 펜(201)을 전자 장치(101)의 수납 공간(112)으로부터 꺼내기 용이하도록, 일 단부에, 눌림 가능한 버튼(201a)을 포함할 수 있다. 상기 버튼(201a)이 눌리면, 버튼(201a)과 연계 구성된 반발 메커니즘(예를 들어, 적어도 하나의 스프링)들이 작동하여, 수납 공간(112)으로부터 디지털 펜(201)이 이탈될 수 있다.
도 2a에는 디지털 펜(201)(예를 들어, 스타일러스 펜)이 전자 장치(101) 내부에 삽입될 수 있는 구조를 도시하였으나, 일 실시예에 따라서, 디지털 펜(201)은 전자 장치(101)의 표면 상에 부착되거나 탈착될 수 있다. 이 경우, 전자 장치(101)의 하우징은 스타일러스 펜(201)이 부착될 수 있는 영역을 포함할 수 있다. 또 다른 실시 예에 따르면, 스타일러스 펜(201)은 전자 장치(101)로 삽입 또는 부착되지 않고 별개로 구성되어 이용될 수도 있으며, 이러한 전자 장치(101)는 스타일러스 펜(201)이 삽입될 수 있는 구조를 포함하지 않을 수 있다.
도 2b는, 다양한 실시 예에 따른 와치 타입의 웨어러블 전자 장치의 예시도이다.
도 2b에서는 필기 입력이 가능한 전자 장치의 일 예로 와치 타입의 웨어러블 전자 장치(102)를 예시하고 있다. 여기서, 도 2b의 전자 장치(102)는 도 1의 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))에 해당할 수 있다.
도 2b에 도시된 바와 같이 와치 타입의 웨어러블 전자 장치(102)의 디스플레이(260)는 필기 입력을 위한 어플리케이션 실행 시 사용자 인터페이스를 표시할 수 있다. 사용자는 디스플레이(260)의 입력 창을 통해 손가락을 이용하여 필기 입력을 할 수 있는데, 작은 입력 창에 한 글자씩 입력할 수도 있으나 입력 창 크기로 인해 겹쳐진 글자가 입력될 수도 있다. 따라서 와치 타입의 웨어러블 전자 장치(102)에서는 겹쳐쓴 글자를 분리하여 인식할 수 있는 겹쳐쓰기 모드를 지원할 수 있다.
도 3은 다양한 실시 예에 따른 전자 장치의 내부 블록 구성도이다. 도 3의 전자 장치(101)는 도 1의 전자 장치(101)와 동일 또는 유사한 구성부를 포함할 수 있다. 하기에서는 전자 장치(101)는 스마트 폰과 같은 도 1의 전자 장치(101)를 지칭하는 것 이외에 도 2b의 와치 타입의 웨어러블 전자 장치(102)를 지칭하는 것으로 이해될 수 있다.
도 3을 참조하면, 스타일러스 펜(201)에 의한 입력 또는 사용자 신체(예: 손가락)에 의한 입력을 감지하는 디스플레이(360)(예: 도 1의 디스플레이 모듈(160))가 전자 장치(101)(예: 도 1의 전자 장치(101))에 제공될 수 있다.
다양한 실시 예에 따르면, 디스플레이(360)는 데이터의 입/출력 기능을 동시에 지원할 뿐만 아니라 터치를 감지할 수 있다.
일 실시 예에 따르면, 디스플레이(360)는 사용자에 의해 손가락 또는 스타일러스 펜을 통해 필기되는 필기 입력을 수신할 수 있으며, 상기 필기 입력을 표시할 수 있다. 필기 입력은 적어도 하나의 스트로크(stroke)로 구성될 수 있고, 각 스트로크(또는 획)는 사용자가 스타일러스 펜 또는 손가락을 이용하여 디스플레이(360)를 터치 다운하고 드래그하고 터치 업 하기까지 사용자 입력에 의해 생성되는 복수의 점(point)들로 구성되는 데이터일 수 있다. 예를 들어, 숫자 '1' 은 한 개의(single) 스트로크로 작성될 수 있고, 숫자'4'는 두 개의 스트로크로 작성될 수 있다.
다양한 실시 예에 따르면, 디스플레이(360)는 센싱 패널(361), 디스플레이 패널(362) 및/또는 디스플레이 제어부(363)를 포함할 수 있다. 도 3에서는 센싱 패널(361)이 디스플레이(360)에 포함되는 것으로 설명하지만, 디스플레이 패널(362)과 레이어 구조를 이루어 디스플레이(360)와는 다른 입력 패널로 동작할 수도 있다. 일 실시 예에 따르면, 상기 디스플레이(360)는 터치 스크린이라고 칭할 수 있다.
센싱 패널(361)은 손가락 또는 스타일러스 펜(210)의 터치 입력의 위치를 검출할 수 있고, 디스플레이 패널(362)은 이미지를 출력할 수 있다. 디스플레이 제어부(363)는 디스플레이 패널(362)을 통해 이미지를 출력하기 위해 디스플레이 패널(362)을 제어하는 구동회로일 수 있다.
센싱 패널(361)은 스타일러스 펜(201)이 EMR(electro-magnetic resonance) 방식을 지원하는 경우, 전자기 센서를 이용하는 EMR 방식 또는 EMI(electro-magnetic interface) 방식의 입력 패드로 구성될 수 있으며, 이는 단순히 예시적인 것으로, ECR(electrically coupled resonance) 방식의 입력 패드로도 구성될 수도 있다.
센싱 패널(361)은 스타일러스 펜(201)으로부터 자기장을 인가받고 이로부터 스타일러스 펜(201)의 위치를 검출할 수 있다. 센싱 패널(361)은 복수의 센서를 이용하여 입력을 감지하기 위하여 상호 레이어 구조를 이루는 하나 이상의 패널로 구성될 수 있다.
또한, 센싱 패널(361)은 터치 스크린 패널(TSP)(touch screen panel)로 구현될 수 있으며, 만일 터치 스크린 패널로 구현되는 경우에는 전극으로부터의 출력 신호에 기반하여 손가락에 의한 터치 위치 또는 스타일러스 펜(201)의 위치를 확인할 수도 있다. 스타일러스 펜(201)은, AES(active electrostatic) 방식으로 구현될 수도 있으며, 그 구현 종류에는 제한이 없음을 당업자는 이해할 것이다.
또한, 센싱 패널(361)은 사용자의 손가락 또는 스타일러스 펜(201)이 접촉 또는 근접하는 것을 감지할 수 있다. 예를 들어, 센싱 패널(361)은 스타일러스 펜(201)에 의한 호버링 입력을 감지할 수 있다. 센싱 패널(361)은 호버링 입력에 대응하는 입력 신호를 생성하고, 이를 프로세서(320)로 전달할 수 있다. 센싱 패널(361)은 호버링 입력의 발생 위치, 스타일러스 펜(201), 스타일러스 펜(201)에 구비되는 버튼에 의한 조작 상태를 기반으로, 호버링 입력의 정보를 포함하는 입력 신호를 생성할 수 있다.
이와 같이 스타일러스 펜(201)으로부터의 신호를 센싱할 수 있는 EMR 방식 또는 터치 스크린 패널로 구현된 하드웨어를 센싱 패널(361)이라고 칭할 수 있다. 이러한 센싱 패널(361)은 인체에 의한 터치 입력을 감지하거나 스타일러스 펜(201)에 의한 입력을 감지할 수 있다. 도 3에 도시된 디스플레이(360)의 구성은 일 예에 불과하며, 디스플레이(360)를 구성하는 패널의 종류 및 개수, 패널의 상하층 위치는 전자 장치(101)의 제조 기술에 따라 다양하게 변화될 수 있다.
메모리(330)는, 센싱 패널(361)의 데이터로부터 손가락, 스타일러스 펜(201)과 같은 입력 수단의 위치에 대한 정보(예: 좌표 정보, 및/또는 변위 정보)를 계산하기 위한 프로그램(또는, 어플리케이션, 알고리즘, 또는 처리 루프)을 저장할 수도 있다.
다양한 실시 예에 따르면, 메모리(330)는 필기 입력에 해당하는 스트로크(stroke)(또는 획)와 관련된 기계 학습 알고리즘을 저장할 수 있다. 기계 학습 알고리즘은 제조시 전자 장치(101)에 제공되며, 제조 이후에는 학습을 통해 업데이트될 수 있다.
일 실시 예에 따르면, 기계 학습 알고리즘은 문자 분리와 관련된 알고리즘으로, 예를 들어, 겹쳐쓴 문자들뿐만 아니라 일반 문장의 문자들에 대해 문자 분리를 수행하도록 학습된 것일 수 있다. 일 실시 예에 따르면, 상기 문자 분리와 관련된 기계 학습 알고리즘은, 겹쳐쓰거나 일반 문장으로 필기된 문자들에 대하여 문자 분리를 수행하도록, 겹쳐쓴 문자 샘플들 및 일반 문장 샘플들을 이용하여 학습될 수 있다.
일 실시 예에 따르면, 기계 학습 알고리즘은 스트로크들을 병합하거나 분리하는 알고리즘으로, 동일 문자와 관련된 스트로크들을 병합하고 다른 문자와 관련된 스트로크들은 분리하는 학습을 위해 다층 퍼셉트론(MLP: multi-layer-perceptron), 지원 벡터 기계(SVM: support vector machine), 딥 러닝(deep learning) 중 적어도 하나를 이용할 수 있으며, 이에 한정되는 것은 아니다. 또한, 상기 기계 학습 알고리즘은, 같은 문자 가능성이 있는 스트로크에 대해서는 병합을 나타내는 수치화된 값을 추출하며, 다른 문자 가능성이 있는 스트로크에 대해서는 분리를 나타내는 수치화된 값을 추출하는 2진 분류(2-class) 지도 학습(supervised learning) 방식에 기반하여 학습될 수 있다. 예를 들어, 지도 학습에 따르면, 병합된 스트로크들에 대해서는 '1'값이 출력될 수 있으며, 분리된 스트로크들에 대해서는 '0'값이 출력될 수 있다.
다양한 실시 예에 따르면, 프로세서(320)는 상기 디스플레이(360) 상에 표시되는 필기 입력에 대응하는 필기 데이터를 획득하고, 획득된 필기 데이터에서 지정된 수의 스트로크들 간의 특징 정보를 추출하고, 상기 추출된 특징 정보에 기반하여, 상기 스트로크들에 대한 병합 또는 분리를 수행하고, 상기 병합 또는 분리를 수행한 결과를 필기 인식 엔진(또는 필기 인식 알고리즘)에 제공할 수 있다. 프로세서(320)는 병합 또는 분리를 수행한 결과에 기반하여 필기 인식을 수행할 수 있다. 예를 들어, 프로세서(320)는 병합 또는 분리된 결과를 필기 인식 엔진을 이용하여 사용자에 의해 그려지는 필기 글자들을 인식할 수 있다. 예를 들어, 프로세서(320)는 사용자에 의해 그려지는 필기 데이터를 구성하는 병합 또는 분리된 스트로크들을 식별하고 해석함으로써 필기 글자를 인식할 수 있다.
다양한 실시 예에 따르면, 프로세서(320)는 스트로크들 간의 특징 정보를 추출하여 병합 또는 분리하는 동작을 기계 학습(machine learning) 엔진을 통해 구현할 수 있다. 일 실시 예에 따르면, 프로세서(320)는 한 문자일 가능성 있는 스트로크들을 그룹핑하기 위해 스트로크들에 기반하여 기계 학습 모델을 훈련시키도록 구성될 수 있다. 일 실시 예에 따르면, 프로세서(320)는 스트로크에 대한 특징들을 추출하고 추출된 특징들에 기반하여 스트로크들을 병합 또는 분리하기 위해 기계 학습 엔진을 구동 및 제어할 수 있다. 여기서, 기계 학습 엔진은 전자 장치(101) 내에서 하드웨어 및/또는 소프트웨어 구성요소로 구현될 수 있다. 일 예로, 기계 학습 엔진은 메모리(330)에 저장된 프로그램의 형태로 구현될 수 있다. 이 경우, 상기 기계 학습 엔진은 메모리(330)에 저장된 명령어로 구현되고, 상기 명령어는 상기 프로세서(320)에 의해 실행될 때, 상기 프로세서(320)가 상기 명령어에 해당하는 기능을 수행할 수 있다.
다양한 실시 예에 따르면, 전자 장치(101)는, 디스플레이(360), 문자 분리와 관련된 기계 학습 알고리즘을 저장하는 메모리(330) 및 적어도 하나의 프로세서(320)를 포함하고, 상기 적어도 하나의 프로세서(320)는, 상기 디스플레이(360)를 통해 필기 입력을 수신하고, 상기 필기 입력에 해당하는 일련의 연속하는 스트로크들 간의 특징 정보를 추출하고, 상기 기계 학습 알고리즘을 통해, 상기 추출된 특징 정보에 기반하여 상기 스트로크들에 대한 병합 또는 분리를 수행하고, 상기 병합 또는 분리를 수행한 결과에 기반하여 필기 인식을 수행하도록 설정될 수 있다.
다양한 실시 예에 따르면, 상기 적어도 하나의 프로세서는, 상기 일련의 연속하는 스트로크들 중 미리 지정된 수의 스트로크들 간의 특징 정보를 추출하도록 설정될 수 있다.
다양한 실시 예에 따르면, 상기 스트로크들 간의 특징 정보는, 스트로크의 직선도, 슬로프 각도(slope angle), 스트로크의 시작점의 위치 정보, 가상 획(ligature)의 슬로프 각도 또는 가상 획의 길이 비율 중 적어도 하나를 포함할 수 있다.
다양한 실시 예에 따르면, 상기 문자 분리와 관련된 기계 학습 알고리즘은, 겹쳐쓰거나 일반 문장의 문자들에 대하여 문자 분리를 수행하도록 학습될 수 있다.
다양한 실시 예에 따르면, 상기 문자 분리와 관련된 기계 학습 알고리즘은, 겹쳐쓰거나 일반 문장으로 필기된 문자들에 대하여 문자 분리를 수행하도록, 겹쳐쓴 문자 샘플들 및 일반 문장 샘플들을 이용하여 학습될 수 있다.
다양한 실시 예에 따르면, 상기 적어도 하나의 프로세서는, 상기 기계 학습 알고리즘에 대한 학습을 위해 다층 퍼셉트론(MLP: multi-layer-perceptron), 지원 벡터 기계(SVM: support vector machine) 또는 딥 러닝(deep learning) 중 적어도 하나를 이용하도록 설정될 수 있다.
다양한 실시 예에 따르면, 상기 적어도 하나의 프로세서는, 필기 인식 엔진을 통해 상기 병합 또는 분리를 수행한 결과에 기반하여 상기 필기 입력에 대응하는 필기 인식 결과를 상기 디스플레이 상에 표시하도록 설정될 수 있다.
다양한 실시 예에 따르면, 상기 적어도 하나의 프로세서는, 상기 디스플레이의 제1 부분에 상기 필기 입력을 표시하고, 상기 디스플레이의 제2 부분에 상기 필기 입력에 대응하는 필기 인식 결과를 텍스트로 변환하여 표시하도록 설정될 수 있다.
다양한 실시 예에 따르면, 상기 적어도 하나의 프로세서는, 상기 수신되는 필기 입력에 대해 전처리(pre-processing)을 수행하고, 상기 전처리된 필기 입력에 해당하는 일련의 연속하는 스트로크들 간의 특징 정보를 추출하도록 설정될 수 있다.
다양한 실시 예에 따르면, 상기 적어도 하나의 프로세서는, 같은 문자 가능성이 있는 스트로크에 대해서는 병합을 나타내는 수치화된 값을 추출하며, 다른 문자 가능성이 있는 스트로크에 대해서는 분리를 나타내는 수치화된 값을 추출하는 2진 분류(2-class) 지도 학습(supervised learning) 방식에 기반하여, 상기 문자 분리와 관련된 기계 학습 알고리즘을 학습하도록 설정될 수 있다.
도 4는 다양한 실시 예에 따른 다양한 쓰기 방식을 설명하기 위한 도면이다.
도 4를 참조하면, 필기 인식에 있어서 스마트폰이나 태블릿 PC와 같은 전자 장치를 사용할 경우, 사용자는 입력 창에 맞추어 필기할 수 있으며, 이에 따라 일반 문장(410)에서와 같이 필기 입력이 그대로 표시될 수 있다.
반면, 도 2b에서의 와치(watch) 타입의 웨어러블 전자 장치와 같이 입력 창이 충분히 크지 않은 전자 장치를 사용할 경우, 사용자는 작은 입력 창에 한 글자씩 입력하거나 글씨를 겹쳐서 쓸 수 있다. 예를 들어, 와치 타입의 웨어러블 전자 장치에서, 겹쳐쓰기(420)의 경우 사용자는 단어 및/또는 문장의 문자들을 작은 입력창으로 인해 같은 영역에 겹쳐서 필기할 경우, 겹쳐쓴 필기를 인식하기 위해서는 룰 기반의 방식을 통해 스트로크들을 병합하여 필기 인식 엔진에 입력함으로써 필기 인식 결과가 출력될 수 있다. 하지만 룰 기반의 방식의 경우 겹쳐쓴 필기 입력에 따른 스트로크들이 많아짐에 따라 인식 속도도 느려지고 인식 결과에 대한 오류도 증가할 수 있다.
따라서 사용자가 겹쳐 쓴 필기에서 문자를 추출할 때, 학습 기반의 병합 및 분리 방법을 통해 입력된 스트로크들을 빠르게 그룹화 및 분리하여, 스트로크들이 많아짐에 상관 없이 신속하고 정확하게 실시간 필기 인식 결과를 제공할 수 있는 방법을 고려할 필요가 있다.
이하의 설명에서는 필기 입력에 해당하는 스트로크들을 빠르게 병합하거나 분리하는 방법으로 기계 학습 알고리즘은, 스트로크들을 병합하거나 분리하는 학습을 위해 다층 퍼셉트론(MLP: multi-layer-perceptron), 지원 벡터 기계(SVM: support vector machine), 딥 러닝(deep learning) 중 적어도 하나를 이용할 수 있으며, 이에 한정되는 것은 아니다.
도 5는 다양한 실시 예에 따른 필기 인식 과정에서의 스트로크 처리를 위한 기계 학습 모델 기능을 설명하기 위한 도면이다.
도 5를 참조하면, 다양한 실시 예에 따르면 필기 입력에 대응하는 스트로크들을 분류하여 필기를 인식하기 위한 필기 인식 엔진(500)에서의 동작은 크게 전처리 동작(510), 기계 학습 기반의 스트로크 병합 동작(520), 특징 추출 및 필기 인식 동작(530) 및/또는 인식 결과 출력 동작(540)을 포함할 수 있다. 일 실시 에에 따르면, 상기 필기 인식 엔진(500)에서의 각 동작은 모듈과 같은 하드웨어 및/또는 소프트웨어 구성요소로 구현될 수 있으며, 이하 설명의 편의를 위해 상기 동작의 주체를 모듈이라고 칭할 수 있다.
다양한 실시 예에 따르면, 전처리 모듈(510)은 필기 입력을 인식하기 위한 전처리를 수행할 수 있다. 예를 들어, 상기 전처리 모듈(510)은 상기 필기 입력에서 노이즈 포인트(noise point)를 제거하고, 라인 분리(line segmentation)를 수행하고, 기울기 보정(skew correction)을 수행할 수 있다.
다양한 실시 예에 따르면, 기계 학습 기반의 스트로크 병합 모듈(520)은 전처리된 필기 입력에 해당하는 스트로크들 중 N 개의 연속하는 스트로크들을 추출한 후, 각 스트로크들 간의 특징을 추출할 수 있다. 일 실시 예에 따르면, 상기 스트로크들 간의 특징은, 각 스트로크의 직선도, 슬로프 각도(slope angle), 스트로크의 시작점의 위치 정보, 가상 획(ligature)의 슬로프 각도 또는 가상 획의 길이 비율 중 적어도 하나를 포함할 수 있다.
다양한 실시 예에 따르면, 기계 학습 기반의 스트로크 병합 모듈(520)은 N 개의 연속하는 스트로크들을 추출하여, 추출된 각 스트로크들 간의 문자 병합 및/또는 분리를 위한 특징을 추출할 수 있다. 예를 들어, 기계 학습 기반의 스트로크 병합 모듈(520)은 2진 분류(2-class) 지도 학습(supervised learning) 방식을 이용하여, 추출된 특징에 기반하여 해당 특징이 병합 또는 분리에 해당하는 수치화된 값을 갖도록 학습할 수 있다. 예를 들어, 해당 특징이 병합일 경우 '0'의 값을 갖도록 하며, 분리일 경우 '1'의 값을 갖도록 학습할 수 있다. 이와 같이 학습 데이터(또는 훈련 데이터)를 이용하여 학습된 기계 학습 알고리즘을 학습 모델링이라고 칭할 수 있다.
다양한 실시 예에 따르면, 기계 학습 기반의 스트로크 병합 모듈(520)에서 스트로크 병합을 수행할 때, 학습 결과 모델링(550)이 반영될 수 있다. 예를 들어, 기계 학습 기반의 스트로크 병합 모듈(520)에는 필기 입력에 해당하는 스트로크들 간의 특징을 수치화할 때, 학습된 가중치를 반영할 수 있다. 예를 들어, 학습에 사용되는 훈련 데이터의 양이 많아질수록 즉, 학습이 진행될수록 기계 학습 기반의 스트로크 병합 모듈(520)에서의 스트로크들에 대한 병합 또는 분리를 위한 학습 결과의 정확도도 높아지면서 처리 속도도 빨라질 수 있다.
도 5에 도시된 바와 같이 다양한 실시 예에 따르면, 필기 인식 엔진(500)에서 필기 인식을 수행하기 전에, 기계 학습 기반의 스트로크 병합 모듈(520)에서 연속하는 스트로크들 간의 특징 정보를 추출하여 병합 또는 분리를 수행한 묶음 형태의 스트로크들에 대한 데이터를 특징 추출 및 필기 인식 모듈(530)로 제공할 수 있다.
다양한 실시 예에 따르면, 일반적인 겹쳐쓰기 인식 모드에서 전처리된 스트로크를 필기 인식 엔진(500)에 바로 연동하거나 룰(rule) 기반의 알고리즘을 통해 그룹화된 스트로크들을 필기 인식 엔진(500)에 연동하는 방식에 비해, 기계 학습 기반의 스트로크 병합 모듈(520)에서 의해 분류된 묶음 형태의 스트로크들을 필기 인식에 이용함으로써 필기 인식 엔진(500)에서의 인식 속도가 향상될 뿐만 아니라 인식 후보에 대한 수도 줄일 수 있어 최종 인식 결과를 향상시킬 수 있다.
다양한 실시 예에 따르면, 특징 추출 및 필기 인식 모듈(530)은 기계 학습 기반의 스트로크 병합 모듈(520)에 의해 병합된 스트로크들(또는 묶음 형태의 스트로크들)에 대한 특징 및 후보 패스(path)를 추출할 수 있다. 예를 들어, 기계 학습에 의해 병합된 스트로크들 묶음은 하나의 문자로 그룹핑할 수 있는 단위로 간주될 수 있다. 여기서, 묶음 형태의 스트로크들에 대한 특징 정보의 추출은, 문자로 그룹핑할 수 있도록 분할된 블록들에서 특징 정보를 추출하는 것을 의미할 수 있다. 예를 들어, 특징 추출 및 필기 인식 모듈(530)은 필기 학습 데이터베이스(미도시)를 기반으로 상기 특징 정보를 이용하여 최소 단위의 글자 후보에 해당하는 필기 인식을 수행할 수 있다.
인식 결과 출력 모듈(540)은 글자 후보들 중 인식된 최종 결과를 출력할 수 있다.
다양한 실시 예에 따르면, 사용자가 필기한 글씨가 입력될 때 글씨들이 심하게 겹쳐진 경우에도 필기 입력에 대응하는 연속된 스트로크들을 병합 또는 분리하는 기계 학습 기반의 학습을 통해 빠른 필기 인식 속도와 향상된 인식 결과를 제공할 수 있다.
도 6은 다양한 실시 예에 따른 룰 기반 방식과 기계 학습 기반 방식을 비교 설명하기 위한 도면이다.
도 6(a)에서는 겹쳐쓰기에 해당하는 필기 입력에 대해 룰 기반의 방식을 통한 스트로크 병합을 예시하고 있으며, 도 6(b)에서는 기계 학습 기반의 스트로크 병합을 예시하고 있다.
예를 들어, 도 6(a)을 참조하면, 겹쳐쓴 필기 입력(600)에 대응하는 스트로크들을 전처리하여 룰 기반 방식(610)(또는 룰 기반 알고리즘)을 적용할 경우, 스트로크들에 대해 복수의 패스들(paths)(620)이 추출될 수 있다. 도 6(a)에 도시된 바와 같이 룰 기반 방식(610)의 경우 분할된 스트로크들(621, 622, 623, 624, 625, 626)이 많아질수록 패스들(620)도 많아질 수 있다. 또한, 필기 인식 엔진에 입력되는 횟수들도 증가하여 분할된 스트로크들(621, 622, 623, 624, 625, 626)과 관련하여 많은 후보 문자들(631, 632, 633, 634) 중에서 최적의 후보(640)를 산출함에 있어서 최종 패스 결과에 대한 오류가 증가할 수 있다.
반면, 도 6(b)를 참조하면, 다양한 실시 예에 따라 겹쳐쓴 필기 입력(600)에 대응하는 스트로크들을 전처리하여 기계 학습 기반 방식(650)(또는 기계 학습 알고리즘)을 적용할 경우, 병합 또는 분리된 스트로크들(661, 662, 663, 664)과 관련하여 가능한 패스들(660)도 줄어들어 후보 문자들(671, 672) 중에서 최적의 후보(680)을 산출할 수 있다.
도 6(b)에 도시된 바와 같이 다양한 실시 예에 따르면, 기계 학습 기반 방식(660)을 이용할 경우 추론을 통해 하나의 문자로 그룹핑 가능한 스트로크들에 대한 병합 또는 분리가 가능할 수 있으며, 안정적인 인식 결과를 출력할 수 있다. 또한 스트로크들 병합을 통해 필기 인식 엔진의 호출 횟수를 줄일 수 있어, 필기 인식 속도도 향상될 수 있다.
도 7은 다양한 실시 예에 따른 전자 장치의 동작 흐름도(700)이다.
도 7을 참조하면, 동작 방법은 705 동작 내지 720 동작을 포함할 수 있다. 도 7의 동작 방법의 각 단계/동작은, 전자 장치(예: 도 1의 전자 장치(101), 도 3의 전자 장치(101)), 전자 장치의 적어도 하나의 프로세서(예: 도 1의 프로세서(120) 또는 도 3의 프로세서(320)) 중 적어도 하나)에 의해 수행될 수 있다. 한 실시 예에서, 705 동작 내지 720 동작들 중 적어도 하나가 생략되거나, 일부 동작들의 순서가 바뀌거나, 다른 동작이 추가될 수 있다.
도 7을 참조하면, 705 동작에서 전자 장치(101)는 필기 입력을 수신할 수 있다. 일 실시 예에 따르면, 전자 장치(101)의 디스플레이를 통해 사용자에 의해 필기되는 필기 입력을 수신할 수 있으며, 상기 필기 입력이 디스플레이(360)의 제1 부분(예: 입력 창)에 표시될 수 있다.
710 동작에서 전자 장치(101)는 필기 입력에 해당하는 일련의 연속하는 스트로크들 간의 특징 정보를 추출할 수 있다.
일 실시 예에 따르면, 전자 장치(101)는 상기 수신되는 필기 입력에 대해 전처리(pre-processing)을 수행하고, 상기 전처리된 필기 입력에 해당하는 일련의 연속하는 스트로크들 간의 특징 정보를 추출할 수 있다.
일 실시 예에 따르면, 전자 장치(101)는 상기 일련의 연속하는 스트로크들 중 미리 지정된 수의 스트로크들 간의 특징 정보를 추출할 수 있다. 예를 들어, 전자 장치(101)는 2 개의 연속하는 스트로크들 마다 각 스트로크들 간의 특징을 추출할 수 있다. 일 실시 예에 따르면, 상기 스트로크들 간의 특징 정보는, 스트로크의 직선도, 스트로크의 슬로프 각도, 스트로크의 시작점의 위치 정보, 가상 획(ligature)의 슬로프 각도 또는 가상 획의 길이 비율 중 적어도 하나를 포함할 수 있다.
715 동작에서 전자 장치(101)는 문자 분리와 관련된 기계 학습 알고리즘을 통해, 상기 추출된 특징 정보에 기반하여 상기 스트로크들에 대한 병합 또는 분리를 수행할 수 있다. 일 실시 예에 따르면, 상기 문자 분리와 관련된 기계 학습 알고리즘은, 겹쳐쓰거나 일반 문장의 문자들에 대하여 문자 분리를 수행하도록 학습된 것일 수 있다. 일 실시 예에 따르면, 상기 문자 분리와 관련된 기계 학습 알고리즘은, 겹쳐쓰거나 일반 문장으로 필기된 문자들에 대하여 문자 분리를 수행하도록, 겹쳐쓴 문자 샘플들 및 일반 문장 샘플들을 이용하여 학습된 것일 수 있다.
일 실시 예에 따르면, 다층 퍼셉트론(MLP: multi-layer-perceptron), 지원 벡터 기계(SVM: support vector machine) 또는 딥 러닝(deep learning) 중 적어도 하나를 이용하여, 상기 기계 학습 알고리즘에 대한 학습이 수행될 수 있다.
일 실시 예에 따르면, 같은 문자 가능성이 있는 스트로크에 대해서는 병합을 나타내는 수치화된 값을 추출하며, 다른 문자 가능성이 있는 스트로크에 대해서는 분리를 나타내는 수치화된 값을 추출하는 2진 분류(2-class) 지도 학습(supervised learning) 방식에 기반하여, 상기 기계 학습 알고리즘에 대한 학습이 수행될 수 있다.
720 동작에서 전자 장치(101)는 상기 병합 또는 분리를 수행한 결과에 기반하여 필기 인식을 수행할 수 있다. 일 실시 예에 따르면, 전자 장치(101)는 필기 인식 엔진을 통해 상기 병합 또는 분리를 수행한 결과에 기반하여 상기 필기 입력에 대응하는 필기 인식 결과를 상기 디스플레이(360) 상에 표시할 수 있다. 일 실시 예에 따르면, 전자 장치(101)는 사용자에 의해 필기되는 필기 입력을 디스플레이(360)의 제1 부분(예: 입력 창)에 표시하며, 상기 필기 입력에 대응하는 필기 인식 결과를 디스플레이(360)의 제2 부분(예: 출력 창)에 텍스트로 변환하여 표시할 수 있다.
도 8은 다양한 실시 예에 따른 기계 학습 과정을 설명하기 위한 도면이다.
다양한 실시 예에 따른 기계 학습 알고리즘의 학습 방법은, 도 8에 도시된 바와 같이 겹쳐쓴 필체 샘플 및 일반 문장 샘플이 준비되는 단계(800), N 개의 연속된 스크로크를 추출하는 단계(810), 스트로크들 간의 특징을 추출하는 단계(820), 기계 학습을 적용하는 단계(830) 및 학습된 결과를 모델링하는 단계(840)를 포함할 수 있다.
겹쳐쓴 필체 샘플 및 일반 문장 샘플이 준비되는 단계(800)에서, 필체 샘플들은 복수의 필기 샘플을 포함할 수 있다. 일 실시 예에 따르면, 겹쳐쓰거나 일반 문장으로 쓴 필기를 문자에 대응하도록 그룹화 또는 분리하기 위해 스트로크 병합 및 분리를 수행할 수 있으며, 스트로크 병합 및 분리를 위한 기계 학습을 훈련시키기 위해서는 겹쳐쓴 샘플 및 일반 문장의 샘플들뿐만 아니라 스트로크들이 어떤 문자에 해당하는지에 대한 정보가 필요할 수 있다. 예를 들어, 문자'생활'을 필기 형태로 전자 장치(101) 상에 입력하면 텍스트 형태의 '생활'을 출력하도록 겹쳐쓴 '생활'에 대한 필체 샘플뿐만 아니라 다양한 크기와 모양의 문자'생활'에 대한 필기 데이터가 준비될 수 있다. 또한, 한 문자 영역으로 겹쳐쓴 문자'생활'에 대한 필체 샘플의 경우, 문자'생'과' 문자'활'에 대한 문자 분리 정보도 모두 필체 샘플에 포함될 수 있다.
또한, 문자'생활'뿐만 아니라 다양한 문자에 대한 필기 인식이 가능하도록 이와 관련된 필기 샘플이 모두 필체 샘플 데이터베이스에 저장될 수 있다.
이와 같이 필체 샘플들과 관련된 문자 분리 정보를 포함하는 복수의 필체 샘플들을 이용하여 기계 학습 모델이 생성될 수 있다. 여기서, 기계 학습 모델은 필체 샘플들을 이용하여 학습된(또는 훈련된) 알고리즘일 수 있으며, 예를 들어, 2진 분류(2-class) 지도 학습(supervised learning) 방식에 기반하여, 학습될 수 있다.
N 개의 연속된 스트로크를 추출하는 단계(810)는 필체 샘플 데이터베이스에 저장된 모든 필체 샘플들마다 일련의 연속하는 스트로크들 중 미리 정해진 수의 스트로크들을 추출하는 단계일 수 있다. 예를 들어, 특징 추출을 위해 2개 이상의 스트로크들이 추출될 수 있다.
스트로크들 간의 특징을 추출하는 단계(820)는 문자 병합 및 분리를 위해 미리 정해진 수의 스트로크들 간의 특징 정보를 추출하는 단계를 포함할 수 있다. 예를 들어, 상기 스트로크들 간의 특징 정보는, 스트로크의 직선도, 슬로프 각도, 스트로크의 시작점의 위치 정보, 가상 획의 슬로프 각도 또는 가상 획의 길이 비율 중 적어도 하나를 포함할 수 있으며, 이에 한정되지 않을 수 있다.
기계 학습을 적용하는 단계(830)는 필체 샘플 데이터베이스에 저장된 모든 필체 샘플들에 대해 추출된 특징 정보에 기반하여 기계 학습을 적용하는 단계를 포함할 수 있다.
학습된 결과를 모델링하는 단계(840)는 필체 샘플과 문자 분리 정보 간의 관계를 모델링한 것으로, 학습된 결과는 실제 사용자에 필기되는 필기 입력에 해당하는 일련의 연속하는 스트로크들에 대한 병합 또는 분리 시에 적용될 수 있다.
도 9는 다양한 실시 예에 따른 연속하는 스트로크들에 대한 병합 또는 분리 동작을 설명하기 위한 예시도이다.
도 9를 참조하면, 겹쳐쓴 문자 '생활환경으로'(900)을 예로 들어 설명하면 하기와 같기와 같다. 먼저, 6개의 문자들에서 첫번째 '생'(910)이란 문자를 구성하는 스트로크들을 6개의 스트로크들로 구성되어 있으며, 문자 '생'(910)에 대한 정보가 "0, 0, 0, 0, 0, 0"개로 작성된 것을 확인할 수 있다. 이와 마찬가지로 문자 '활'(920)은 총 8개의 스트로크들로 구성되어 있고 그에 해당되는 정보는 "1, 1, 1, 1, 1, 1, 1, 1,"로 구성될 수 있다. 문자 '환'(930)은 총 5개의 스트로크들로 구성되어 있고 그에 해당되는 정보는 "2, 2, 2, 2, 2"로 구성될 수 있다. 또한 문자 '경'(940)도 총 5개의 스트로크들로 구성되어 있고 그에 해당되는 정보는 "3, 3, 3, 3, 3"로 구성될 수 있다. 문자 '으'(950)는 총 2개의 스트로크들로 구성되어 있고 그에 해당되는 정보는 "4, 4"로 구성될 수 있다. 문자 '로'(960)도 총 2개의 스트로크들로 구성되어 있고 그에 해당되는 정보는 "5"로 구성될 수 있다. 이와 같이 겹쳐쓴 문자 '생활환경으로'(900)과 관련하여 모든 스트로크들을 인덱스 형태로 나타낼 수 있다.
도 9에서는 일련의 연속하는 스트로크들 중 미리 정해진 수(예: 2개)의 스트로크들에 대한 특징 추출을 예시하고 있다. 예를 들어, 추출된 2 개의 스트로크들이 같은 문자에서 추출한 것이라면 병합으로 처리하고, 다른 문자에서 추출된 스트로크일 경우에는 분리로 처리할 수 있다. 이에 따라 문자 '생'의 마지막 스트로크와 문자 '활'의 처음 스트로크는 인덱스 값이 달라지므로 분리될 수 있다.
다양한 실시 예에 따르면, 이러한 방법을 통해 1문자 영역, 2문자 영역, 3 문자 영역과 같이 다양하게 겹쳐쓴 샘플을 생성하여 학습 샘플을 확장할 수 있다. 이를 위해 각 문자를 해당 영역에 맞게 생성하기 위한 방법이 도입될 수 있다. 뿐만 아니라 일반 문장 샘플까지 학습 샘플 생성하여 겹쳐쓰기 모드에서도 일반 문장을 인식할 수 있도록 구성할 수 있다.
도 9에 도시된 바와 같이 다양한 실시 예에 따르면, 하나의 문자로 그룹핑할 수 있는 스트로크들을 기계 학습을 통해 미리 병합할 수 있다.
또한 다양한 실시 예에 따르면 일련의 연속하는 문자들 예를 들어, 한 문자 영역에서 겹쳐쓴 문자들 이외에 둘 이상의 문자 영역에서 겹쳐쓴 문자들일지라도 일련의 연속하는 스트로크들 중 N 개 단위로 병합 또는 분리 가능 여부를 식별하기 때문에 문자 영역의 수, 해당 문자 영역에서의 겹쳐진 문자의 수, 겹쳐진 정도에 상관 없이 필기 인식이 가능할 수 있으며, 일반 문장의 문자도 필기 인식이 가능할 수 있다.
도 10은 다양한 실시 예에 따른 스트로크 관련 특징 추출을 설명하기 위한 예시도이다.
도 10을 참조하면, 전자 장치(101)는 필기 입력(예: 문자 '기')을 구성하는 두 개의 스트로크들에 대한 특징을 추출할 수 있다. 예를 들어, 상기 필기 입력을 구성하는 두 개의 스트로크(1010, 1020)(예: 'ㄱ', 'l') 각각에 대한 최초 포인트 및 마지막 포인트를 이용하여 직선도, 슬로프 각도(또는 기울기)를 식별할 수 있다. 또한 전자 장치(101)는 각 스트로크(1010, 1020)에 위치 정보를 식별할 수 있다. 예를 들어, 전자 장치(101)는 각 스트로크(1010, 1020)의 최초 포인트 및 마지막 포인트에 기반하여 각 스트로크(1010, 1020)의 위치 정보를 식별할 수 있다. 또한 스트로크1(1010)의 마지막 포인트와 스트로크2(1020) 사이에 있는 비어 있는 공간 스트로크(예: 가상의 획(ligature))(1030)에 대한 특징도 추출할 수 있다.
다양한 실시 예에 따르면, 전자 장치(101)는 일련의 연속하는 스트로크들)(예: 'ㄱ', 'l')에 대한 특징 정보를 이용하여 같은 문자일 가능성이 있는 스트로크들(예: 문자 '기')로 병합할 수 있다. 예를 들어, 도 10에서는 전자 장치(101)는 일련의 연속하는 스트로크들 중 2 개의 연속하는 스트로크들 마다 각 스트로크들 간의 특징을 추출하는 경우를 예로 들어 설명하였으나, 이에 한정되는 것은 아니다. 예를 들어, 3 개의 연속하는 스트로크들 간의 특징을 추출할 수 있으며, 필기 입력에 해당하는 일련의 연속하는 스트로크들 중 특징 추출을 위해 사용되는 스트로크에 대한 미리 정해진 수는 전자 장치(101)의 제조사에 의하여 설정될 수 있다. 예를 들어, 미리 정해진 수가 커질수록 스트로크들에 대한 더 많은 특징 정보를 얻을 수 있어 보다 정확한 인식이 가능하며, 상기 미리 정해진 수가 작을수록 빠르게 특징 정보를 얻을 수 있어 인식 속도가 보다 빨라질 수 있으므로, 상기 미리 정해진 수는 필요에 따라 조정 가능할 수 있다.
도 11은 다양한 실시 예에 따른 다양한 문자 영역에 대한 학습 샘플을 을 설명하기 위한 예시도이다.
도 11에서와 같이 다양한 실시 예에 따르면, 전자 장치(101)에서 필기 입력에 대해 기계 학습 알고리즘을 적용할 경우 1 문자 영역(1110), 2 문자 영역(1120), 3 문자 영역(1130, 1140), 상하 겹침 영역(1150, 1160)에서와 같이 문자 영역의 수 및 해당 문자 영역에서의 겹침 정도에 상관 없이 다양하게 겹쳐쓴 필기 입력에 대한 학습 샘플을 학습하여 일반 문장(1170)에서와 같이 겹쳐지지 않은 필기 입력에 대해서도 상기 기계 학습 알고리즘을 적용할 경우에 정확한 인식 결과를 얻을 수 있다.
예를 들어, 1 문자 영역(1110)은 한 문자에 해당하는 문자를 겹쳐서 입력한 경우를 나타내며, 2 문자 영역(1120)은 두 문자에 해당하는 문자들을 겹쳐서 입력한 경우를 나타내고 있다. 다양한 실시 예에 따르면, 2 문자 영역(1120)에 두 문자에 해당하는 문자들을 복수개(예: 네 문자) 겹쳐서 입력할 경우 연속하는 네 문자에 해당하는 필기 인식 결과가 출력될 수 있다.
도 11에서와 같이 다양한 형태로 겹쳐쓰거나 일반 문장으로 필기된 문자들에 해당하는 학습 샘플들을 이용하여 학습을 함으로써, 겹쳐쓴 문자인지 일반 문장의 문자들인지에 구분없이 필기된 모든 문자들에 대해 문자 분리가 가능할 수 있다.
한편, 룰 기반의 방식과 기계 학습 기반의 방식을 이용하여 스트로크들을 병합했을 경우의 인식률을 비교해 보면, 겹쳐쓰기에서의 필기 인식률 및 인식 속도는 룰 기반의 방식에 비해 기계 학습 기반의 방식이 더 높게 나올 수 있음을 테스트를 통해 확인할 수 있다. 예를 들어, 룰 기반 대비 기계 학습 기반의 인식률은 약 1~2% 향상될 수 있으며, 인식 속도도 20~30% 개선될 수 있다. 도 12는 다양한 실시 예에 따른 기계 학습 알고리즘의 예들을 설명하기 위한 예시도이다.
도 12(a)에서는 기계 학습 알고리즘의 일 예로, 신경망 방식을 이용하여 스트로크들을 병합하거나 분리하는 경우를 예시하고 있으며, 도 12(b)에서는 기계 학습 알고리즘의 다른 일 예로, 지원 벡터 기계(SVM: support vector machine) 방식을 이용하여 스트로크들을 병합하거나 분리하는 경우를 예시하고 있다.
도 12(a)의 신경망 방식은 예를 들어, 각 노드들에 대해 왼쪽에서 오른쪽으로 스텝별로 진행하면서 각 스텝마다 병합 또는 분리를 통해 최적의 병합된 스트로크 또는 분리된 스트로크를 찾아내는 과정을 나타내고 있다. 반면, 도 12(b)의 SVM 방식은 클러스터링을 통해 스트로크들을 병합하거나 분리하는 과정을 나타내고 있다.
도 12에서는 예시적으로 2가지의 기계 학습 알고리즘이 도시되었으나, 이외에 다양한 기계 학습 알고리즘이 사용될 수 있으며, 이와 같이 학습된 기계 학습 알고리즘은 메모리(예: 도 3의 메모리(330))에 저장될 수 있다.
도 13은 다양한 실시 예에 따른 전자 장치에서 필기 입력 화면에 대한 예시도이다.
도 13에서는 전자 장치(101)에서 필기 입력과 관련된 어플리케이션 수행에 따른 화면(1300)을 예시하고 있다. 도 13에 도시된 바와 같이, 어플리케이션이 실행되면, 필기 입력을 위한 입력창이 표시될 수 있으며, 사용자가 스타일러스 펜(201)을 이용하여 필기 입력창을 통해 필기(1310)를 입력할 수 있다. 예를 들어, 사용자가 겹쳐쓰기로 글씨를 입력할 경우, 도 13에 도시된 바와 같이 2 이상의 문자 영역의 수에 해당하는 글자들이 서로 겹쳐진 상태로 입력될 수 있다. 일 실시 예에 따르면, 필기 인식 엔진을 사용하기 전에 기계 학습 기반의 방식을 이용할 경우, 전자 장치(101)는 겹쳐쓰기로 필기한 글씨에 해당하는 예를 들어, 문자 영역의 수(1310)(또는 문자 영역의 크기), 해당 문자 영역에서의 겹쳐진 글씨의 수, 겹쳐진 정도에 상관 없이 필기 인식 결과(1320)를 표시할 수 있다.
다양한 실시 예에 따르면, 사용자가 겹쳐쓰기로 필기한 글씨의 경우 일련의 순서로 필기되는 것이기 때문에, 겹쳐진 글씨이더라도 기계 학습 기반의 방식을 통해 하나의 단어로 그룹핑하기 위해 스트로크들을 병합하거나 분리한 이후에 그룹화된 스트로크들에 대한 필기 인식이 수행되므로, 전자 장치(101)는 실시간 필기 입력에 대응하여 신속하게 필기 인식 결과(1320)를 표시할 수 있다.
한편, 도 13에서는 겹쳐쓴 필기(1310)에 대응하여 최종 필기 인식 결과(1320)만이 표시되는 경우를 예시하고 있으나, 필기 입력(1310) 동안에 필기 입력에 대응하는 후보 문자들이 함께 표시되다가 필기 입력(1310)이 완료되면 최종 필기 인식 결과(1320)가 표시되는 형태로 구현될 수도 있다.
본 문서에 개시된 다양한 실시예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치(예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 문서의 다양한 실시예들에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로와 같은 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 문서의 다양한 실시예들은 기기(machine)(예: 전자 장치(101)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(140))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(101))의 프로세서(예: 프로세서(120))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, ‘비일시적’은 저장 매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일실시예에 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 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두 개의 사용자 장치들(예: 스마트 폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.
다양한 실시 예에 따르면, 명령들을 저장하고 있는 저장 매체에 있어서, 상기 명령들은 적어도 하나의 프로세서에 의하여 실행될 때에 상기 적어도 하나의 프로세서로 하여금 적어도 하나의 동작을 수행하도록 설정된 것으로서, 상기 적어도 하나의 동작은, 전자 장치의 디스플레이를 통해 필기 입력을 수신하는 동작, 상기 필기 입력에 해당하는 일련의 연속하는 스트로크들 간의 특징 정보를 추출하는 동작, 문자 분리와 관련된 기계 학습 알고리즘을 통해, 상기 추출된 특징 정보에 기반하여 상기 스트로크들에 대한 병합 또는 분리를 수행하는 동작 및 상기 병합 또는 분리를 수행한 결과에 기반하여 필기 인식을 수행하는 동작을 포함할 수 있다.
그리고 본 명세서와 도면에 발명된 본 발명의 실시 예들은 본 발명의 실시 예에 따른 기술 내용을 쉽게 설명하고 본 발명의 실시 예의 이해를 돕기 위해 특정 예를 제시한 것일 뿐이며, 본 발명의 실시 예의 범위를 한정하고자 하는 것은 아니다. 따라서 본 발명의 다양한 실시 예의 범위는 여기에 발명된 실시 예들 이외에도 본 발명의 다양한 실시 예의 기술적 사상을 바탕으로 도출되는 모든 변경 또는 변형된 형태가 본 발명의 다양한 실시 예의 범위에 포함되는 것으로 해석되어야 한다.
Claims (20)
- 전자 장치에 있어서,
디스플레이;
문자 분리와 관련된 기계 학습 알고리즘을 저장하는 메모리; 및
적어도 하나의 프로세서를 포함하고,
상기 적어도 하나의 프로세서는,
상기 디스플레이를 통해 필기 입력을 수신하고,
상기 필기 입력에 해당하는 일련의 연속하는 스트로크들 간의 특징 정보를 추출하고,
상기 기계 학습 알고리즘을 통해, 상기 추출된 특징 정보에 기반하여 상기 스트로크들에 대한 병합 또는 분리를 수행하고,
상기 병합 또는 분리를 수행한 결과에 기반하여 필기 인식을 수행하도록 설정된, 전자 장치.
- 제1항에 있어서, 상기 적어도 하나의 프로세서는,
상기 일련의 연속하는 스트로크들 중 미리 지정된 수의 스트로크들 간의 특징 정보를 추출하도록 설정된, 전자 장치.
- 제1항에 있어서, 상기 스트로크들 간의 특징 정보는,
스트로크의 직선도, 슬로프 각도(slope angle), 스트로크의 시작점의 위치 정보, 가상 획(ligature)의 슬로프 각도 또는 가상 획의 길이 비율 중 적어도 하나를 포함하는, 전자 장치.
- 제1항에 있어서, 상기 문자 분리와 관련된 기계 학습 알고리즘은,
겹쳐쓰거나 일반 문장의 문자들에 대하여 문자 분리를 수행하도록 학습된, 전자 장치.
- 제4항에 있어서, 상기 문자 분리와 관련된 기계 학습 알고리즘은,
겹쳐쓰거나 일반 문장으로 필기된 문자들에 대하여 문자 분리를 수행하도록, 겹쳐쓴 문자 샘플들 및 일반 문장 샘플들을 이용하여 학습된, 전자 장치.
- 제4항에 있어서, 상기 적어도 하나의 프로세서는,
상기 기계 학습 알고리즘에 대한 학습을 위해 다층 퍼셉트론(MLP: multi-layer-perceptron), 지원 벡터 기계(SVM: support vector machine) 또는 딥 러닝(deep learning) 중 적어도 하나를 이용하도록 설정된, 전자 장치.
- 제1항에 있어서, 상기 적어도 하나의 프로세서는,
필기 인식 엔진을 통해 상기 병합 또는 분리를 수행한 결과에 기반하여 상기 필기 입력에 대응하는 필기 인식 결과를 상기 디스플레이 상에 표시하도록 설정된, 전자 장치.
- 제1항에 있어서, 상기 적어도 하나의 프로세서는,
상기 디스플레이의 제1 부분에 상기 필기 입력을 표시하고,
상기 디스플레이의 제2 부분에 상기 필기 입력에 대응하는 필기 인식 결과를 텍스트로 변환하여 표시하도록 설정된, 전자 장치.
- 제1항에 있어서, 상기 적어도 하나의 프로세서는,
상기 수신되는 필기 입력에 대해 전처리(pre-processing)을 수행하고,
상기 전처리된 필기 입력에 해당하는 일련의 연속하는 스트로크들 간의 특징 정보를 추출하도록 설정된, 전자 장치.
- 제1항에 있어서, 상기 적어도 하나의 프로세서는,
같은 문자 가능성이 있는 스트로크에 대해서는 병합을 나타내는 수치화된 값을 추출하며, 다른 문자 가능성이 있는 스트로크에 대해서는 분리를 나타내는 수치화된 값을 추출하는 2진 분류(2-class) 지도 학습(supervised learning) 방식에 기반하여, 상기 문자 분리와 관련된 기계 학습 알고리즘을 학습하도록 설정된, 전자 장치.
- 전자 장치에서 학습 기반의 필기 입력을 처리하는 방법에 있어서,
상기 전자 장치의 디스플레이를 통해 필기 입력을 수신하는 동작;
상기 필기 입력에 해당하는 일련의 연속하는 스트로크들 간의 특징 정보를 추출하는 동작;
문자 분리와 관련된 기계 학습 알고리즘을 통해, 상기 추출된 특징 정보에 기반하여 상기 스트로크들에 대한 병합 또는 분리를 수행하는 동작; 및
상기 병합 또는 분리를 수행한 결과에 기반하여 필기 인식을 수행하는 동작을 포함하는, 학습 기반의 필기 입력을 처리하는 방법.
- 제11항에 있어서, 상기 일련의 연속하는 스트로크들 간의 특징 정보를 추출하는 동작은,
상기 일련의 연속하는 스트로크들 중 미리 지정된 수의 스트로크들 간의 특징 정보를 추출하는 동작을 포함하는, 학습 기반의 필기 입력을 처리하는 방법.
- 제11항에 있어서, 상기 스트로크들 간의 특징 정보는,
스트로크의 직선도, 슬로프 각도(slope angle), 스트로크의 시작점의 위치 정보, 가상 획(ligature)의 슬로프 각도 또는 가상 획의 길이 비율 중 적어도 하나를 포함하는, 학습 기반의 필기 입력을 처리하는 방법.
- 제11항에 있어서, 상기 문자 분리와 관련된 기계 학습 알고리즘은,
겹쳐쓰거나 일반 문장의 문자들에 대하여 문자 분리를 수행하도록 학습된, 학습 기반의 필기 입력을 처리하는 방법.
- 제11항에 있어서,
다층 퍼셉트론(MLP: multi-layer-perceptron), 지원 벡터 기계(SVM: support vector machine) 또는 딥 러닝(deep learning) 중 적어도 하나를 이용하여, 상기 기계 학습 알고리즘에 대한 학습을 수행하는 동작을 더 포함하는, 학습 기반의 필기 입력을 처리하는 방법.
- 제11항에 있어서,
필기 인식 엔진을 통해 상기 병합 또는 분리를 수행한 결과에 기반하여 상기 필기 입력에 대응하는 필기 인식 결과를 상기 디스플레이 상에 표시하는 동작을 더 포함하는, 학습 기반의 필기 입력을 처리하는 방법.
- 제11항에 있어서,
상기 디스플레이의 제1 부분에 상기 필기 입력을 표시하는 동작; 및
상기 디스플레이의 제2 부분에 상기 필기 입력에 대응하는 필기 인식 결과를 텍스트로 변환하여 표시하는 동작을 더 포함하는, 학습 기반의 필기 입력을 처리하는 방법.
- 제11항에 있어서, 상기 일련의 연속하는 스트로크들 간의 특징 정보를 추출하는 동작은,
상기 수신되는 필기 입력에 대해 전처리(pre-processing)을 수행하는 동작;
상기 전처리된 필기 입력에 해당하는 일련의 연속하는 스트로크들 간의 특징 정보를 추출하는 동작을 포함하는, 학습 기반의 필기 입력을 처리하는 방법.
- 제11항에 있어서,
같은 문자 가능성이 있는 스트로크에 대해서는 병합을 나타내는 수치화된 값을 추출하며, 다른 문자 가능성이 있는 스트로크에 대해서는 분리를 나타내는 수치화된 값을 추출하는 2진 분류(2-class) 지도 학습(supervised learning) 방식에 기반하여, 상기 문자 분리와 관련된 기계 학습 알고리즘을 학습하는 동작을 더 포함하는, 학습 기반의 필기 입력을 처리하는 방법.
- 명령들을 저장하고 있는 저장 매체에 있어서, 상기 명령들은 적어도 하나의 프로세서에 의하여 실행될 때에 상기 적어도 하나의 프로세서로 하여금 적어도 하나의 동작을 수행하도록 설정된 것으로서, 상기 적어도 하나의 동작은,
전자 장치의 디스플레이를 통해 필기 입력을 수신하는 동작;
상기 필기 입력에 해당하는 일련의 연속하는 스트로크들 간의 특징 정보를 추출하는 동작;
문자 분리와 관련된 기계 학습 알고리즘을 통해, 상기 추출된 특징 정보에 기반하여 상기 스트로크들에 대한 병합 또는 분리를 수행하는 동작; 및
상기 병합 또는 분리를 수행한 결과에 기반하여 필기 인식을 수행하는 동작을 포함하는, 저장 매체.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210042212A KR20220135914A (ko) | 2021-03-31 | 2021-03-31 | 학습 기반의 필기 입력을 처리하는 전자 장치, 그 동작 방법 및 저장매체 |
| PCT/KR2022/002236 WO2022211271A1 (ko) | 2021-03-31 | 2022-02-15 | 학습 기반의 필기 입력을 처리하는 전자 장치, 그 동작 방법 및 저장매체 |
| US18/373,874 US20240029461A1 (en) | 2021-03-31 | 2023-09-27 | Electronic device for processing handwriting input on basis of learning, operation method thereof, and storage medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210042212A KR20220135914A (ko) | 2021-03-31 | 2021-03-31 | 학습 기반의 필기 입력을 처리하는 전자 장치, 그 동작 방법 및 저장매체 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220135914A true KR20220135914A (ko) | 2022-10-07 |
Family
ID=83459254
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210042212A KR20220135914A (ko) | 2021-03-31 | 2021-03-31 | 학습 기반의 필기 입력을 처리하는 전자 장치, 그 동작 방법 및 저장매체 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20240029461A1 (ko) |
| KR (1) | KR20220135914A (ko) |
| WO (1) | WO2022211271A1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102613361B1 (ko) * | 2023-01-31 | 2023-12-13 | 임동현 | 디지털 필적에 대한 진정성 감정방법 |
| WO2024101627A1 (ko) * | 2022-11-07 | 2024-05-16 | 삼성전자 주식회사 | 필기 입력을 인식하는 방법 및 장치 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105247540B (zh) * | 2013-06-09 | 2018-10-16 | 苹果公司 | 管理实时手写识别 |
| US9524440B2 (en) * | 2014-04-04 | 2016-12-20 | Myscript | System and method for superimposed handwriting recognition technology |
| CN111931710B (zh) * | 2020-09-17 | 2021-03-30 | 开立生物医疗科技(武汉)有限公司 | 一种联机手写文字识别方法、装置、电子设备及存储介质 |
| CN112115936A (zh) * | 2020-10-10 | 2020-12-22 | 京东方科技集团股份有限公司 | 一种用于文本的识别方法、装置、存储介质以及电子设备 |
-
2021
- 2021-03-31 KR KR1020210042212A patent/KR20220135914A/ko active Search and Examination
-
2022
- 2022-02-15 WO PCT/KR2022/002236 patent/WO2022211271A1/ko active Application Filing
-
2023
- 2023-09-27 US US18/373,874 patent/US20240029461A1/en active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024101627A1 (ko) * | 2022-11-07 | 2024-05-16 | 삼성전자 주식회사 | 필기 입력을 인식하는 방법 및 장치 |
| KR102613361B1 (ko) * | 2023-01-31 | 2023-12-13 | 임동현 | 디지털 필적에 대한 진정성 감정방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022211271A1 (ko) | 2022-10-06 |
| US20240029461A1 (en) | 2024-01-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20240029461A1 (en) | Electronic device for processing handwriting input on basis of learning, operation method thereof, and storage medium | |
| EP4336470A1 (en) | Electronic device and handwriting recognition method | |
| US11995308B2 (en) | Method and device for providing handwriting input in electronic device | |
| KR20220017290A (ko) | 손글씨 정렬 방법 및 장치 | |
| KR20230018096A (ko) | 전자 장치 및 입력 좌표 예측 방법 | |
| US20230229245A1 (en) | Emoji recommendation method of electronic device and same electronic device | |
| US12026850B2 (en) | Electronic device, and method for processing writing input thereof | |
| US11989375B2 (en) | Electronic device for typo correction and method thereof | |
| EP4162389B1 (en) | Electronic device for converting handwriting to text and method therefor | |
| KR20230080120A (ko) | 전자 장치 및 전자 장치에서 필기 정보 마스킹 및 언마스킹 방법 | |
| KR20220109254A (ko) | 전자 장치 및 전자 장치에서 스트로크 분석 기반 도형 인식 방법 | |
| US20240020996A1 (en) | Electronic device and method for identifying sentence indicated by strokes | |
| KR20230118429A (ko) | 사용자 입력에 대한 인식 성능 개선 방법 및 전자 장치 | |
| US12118811B2 (en) | Electronic device and method for shape recognition based on stroke analysis in electronic device | |
| US12086297B2 (en) | Electronic device and method for masking and unmasking of handwritten information in electronic device | |
| US20230315679A1 (en) | Method and electronic device for synchronizing handwriting | |
| EP4242805A1 (en) | Electronic device and method for recognizing user intent from touch input on virtual keyboard, and non-transitory computer-readable storage medium | |
| KR20230143470A (ko) | 손글씨 동기화 방법 및 전자 장치 | |
| KR20230009608A (ko) | 롤러블 디스플레이를 포함하는 전자 장치 및 필기 인식 방법 | |
| KR20230052758A (ko) | 전자 장치 및 그 제어 방법 | |
| KR20230115826A (ko) | 가상 키보드 상의 터치 입력으로부터 사용자 의도를 인식하기 위한 전자 장치, 방법, 및 비일시적 컴퓨터 판독가능 저장 매체 | |
| KR20220086896A (ko) | 필기 입력을 처리하는 전자 장치 및 그 작동 방법 | |
| KR20240009835A (ko) | 획들에 의해 나타나는 문장을 식별하기 위한 전자 장치 및 그 방법 | |
| KR20230023502A (ko) | 애니메이션 효과 제공 방법 및 이를 지원하는 전자 장치 | |
| KR20230109471A (ko) | 윈도우를 이용하여 화면을 제공하는 방법 및 이를 지원하는 전자 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination |